KR20200128938A - 모델 학습 방법 및 장치 - Google Patents

모델 학습 방법 및 장치 Download PDF

Info

Publication number
KR20200128938A
KR20200128938A KR1020190053131A KR20190053131A KR20200128938A KR 20200128938 A KR20200128938 A KR 20200128938A KR 1020190053131 A KR1020190053131 A KR 1020190053131A KR 20190053131 A KR20190053131 A KR 20190053131A KR 20200128938 A KR20200128938 A KR 20200128938A
Authority
KR
South Korea
Prior art keywords
model
recognition result
student
teacher
output
Prior art date
Application number
KR1020190053131A
Other languages
English (en)
Inventor
나휘동
강효형
김호경
이호식
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190053131A priority Critical patent/KR20200128938A/ko
Priority to US16/562,783 priority patent/US11488013B2/en
Priority to EP19210350.5A priority patent/EP3736745A1/en
Priority to CN201911326890.4A priority patent/CN112002309A/zh
Publication of KR20200128938A publication Critical patent/KR20200128938A/ko
Priority to US17/950,521 priority patent/US11727275B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G10L2015/0631—Creating reference templates; Clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Machine Translation (AREA)

Abstract

모델 학습 방법 및 장치이 개시된다. 개시된 모델 학습 방법은 입력 시퀀스에 대한 교사 모델의 인식 결과 및 학생 모델의 인식 결과를 획득하고, 교사 모델의 인식 결과 및 학생 모델의 인식 결과가 서로 구분되지 않도록 학생 모델을 학습시킨다.

Description

모델 학습 방법 및 장치{MODEL TRAINING METHOD AND APPARATUS, AND DATA RECOGNIZING METHOD}
아래 실시예들은 모델 학습 방법 및 장치에 관한 것이다.
최근 들어, 효율적이고 높은 정확도의 패턴 인식이 컴퓨터에서 수행될 수 있도록 하는 연구가 활발히 진행되고 있다. 이러한 연구 중 하나로, 수학적 표현을 사용하여 패턴 인식 특성을 모델링하여 얻은 인공 뉴럴 네트워크(artificial neural network)에 대한 연구가 있다. 패턴 인식 문제를 해결하기 위해 인공 뉴럴 네트워크는 학습 능력을 모방한 알고리즘을 이용한다. 인공 뉴럴 네트워크는 이 알고리즘을 이용하여 입력 패턴과 출력 패턴 간의 사상(mapping)을 생성해낼 수 있는데, 이를 인공 뉴럴 네트워크가 학습 능력이 있다고 표현한다. 또한, 인공 뉴럴 네트워크는 학습된 결과에 기초하여 학습에 이용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성해 낼 수 있는 일반화 능력을 가지고 있다.
또한, 이러한 인공 뉴럴 네트워크의 사이즈를 소형화시키면서도 인식률의 감소를 최소화하려는 연구가 진행되고 있다.
일실시예에 따른 모델 학습 방법은 입력 시퀀스에 대한 교사 모델(Teacher model)의 인식 결과 및 학생 모델(Student model)의 인식 결과를 획득하는 단계; 및 상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과가 서로 구분되지 않도록 상기 학생 모델을 학습시키는 단계를 포함한다.
일실시예에 따른 모델 학습 방법에서 상기 학생 모델을 학습시키는 단계는 상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과가 서로 구별되는 정도에 기초한 적대 로스(adversarial loss)를 결정하는 단계; 및 상기 적대 로스가 감소되도록 상기 학생 모델을 학습시키는 단계를 포함할 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 적대 로스를 결정하는 단계는 상기 입력 시퀀스에 대한 인식 결과로서 각각 출력된 상기 교사 모델의 출력 시퀀스 및 상기 학생 모델의 출력 시퀀스가 서로 구별되는 정도에 기초하여, 상기 적대 로스를 결정할 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 적대 로스를 결정하는 단계는 출력 시퀀스에 포함된 엘리먼트들의 확률들에 기반한 검벨 맥스(Gumbel Max)를 적용하여 상기 적대 로스를 결정할 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 적대 로스를 결정하는 단계는 출력 시퀀스의 확률에 기반한 검벨 맥스를 적용하여 상기 적대 로스를 결정할 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 적대 로스를 결정하는 단계는 상기 출력 시퀀스에 해당될 수 있는 미리 정해진 개수의 후보 시퀀스들의 확률들을 더 고려한 검벨 맥스를 적용하여 상기 적대 로스를 결정할 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 적대 로스를 결정하는 단계는 상기 입력 시퀀스에 대한 인식 결과로서 각각 출력된 상기 교사 모델의 출력 시퀀스에 포함된 엘리먼트 및 상기 학생 모델의 출력 시퀀스에 포함된 엘리먼트가 서로 구별되는 정도에 기초하여, 상기 적대 로스를 결정할 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 적대 로스를 결정하는 단계는 출력 시퀀스에 포함된 엘리먼트의 확률에 기반한 검벨 맥스를 적용하여 상기 적대 로스를 결정할 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 학생 모델을 학습시키는 단계는 상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과가 구분 모델(Discriminator model)에 의해 서로 구분되지 않도록 상기 학생 모델을 학습시키고, 상기 구분 모델은 상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과를 서로 구분하도록 학습될 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 학생 모델을 학습시키는 단계는 상기 교사 모델의 인식 결과가 상기 학생 모델에서 출력되도록 상기 교사 모델의 인식 결과를 이용하여 상기 학생 모델을 학습시킬 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 입력 시퀀스는 복수의 단어들을 포함하는 문장 데이터 또는 복수의 프레임들을 포함하는 음성 데이터를 포함할 수 있다.
일실시예에 따른 모델 학습 장치는 입력 시퀀스에 대한 교사 모델의 인식 결과 및 학생 모델의 인식 결과를 획득하고, 상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과가 서로 구분되지 않도록 상기 학생 모델을 학습시키는 프로세서; 및 상기 학생 모델의 파라미터를 저장하는 메모리를 포함한다.
도 1 및 도 2는 일실시예에 따른 교사 모델과 학생 모델을 설명하기 위한 도면이다.
도 3은 일실시예에 따라 학생 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 엘리먼트 단위로 학습을 수행하는 과정을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 시퀀스 단위로 학습을 수행하는 과정을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 모델 학습 방법을 나타낸 도면이다.
도 7은 일실시예에 따른 데이터 인식 방법을 나타낸 도면이다.
도 8은 일실시예에 따른 신경망 기반의 데이터 처리 장치를 나타낸 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 아래의 특정한 구조적 내지 기능적 설명들은 단지 실시예들을 설명하기 위한 목적으로 예시된 것으로, 실시예의 범위가 본문에 설명된 내용에 한정되는 것으로 해석되어서는 안된다. 관련 기술 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타내며, 공지된 기능 및 구조는 생략하도록 한다.
도 1 및 도 2는 일실시예에 따른 교사 모델과 학생 모델을 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 교사 모델(110) 및 학생 모델(120)이 도시된다.
일실시예에 따른 교사 모델(110) 및 학생 모델(120)은 인식하고자 하는 대상 데이터가 동일한 서로 다른 사이즈의 뉴럴 네트워크들을 나타낼 수 있다. 뉴럴 네트워크는 연결선으로 연결된 많은 수의 인공 뉴런들을 이용한 인식 모델일 수 있다.
교사 모델(110)은 인식하고자 하는 대상 데이터로부터 추출된 충분히 많은 특징들을 이용하여 높은 정확도로 대상 데이터를 인식하는 모델로서, 학생 모델(120)보다 큰 사이즈를 가진다. 예를 들어, 교사 모델(110)은 학생 모델(120)보다 많은 레이어들, 많은 노드들 또는 이들의 조합으로 구성될 수 있다.
학생 모델(120)은 교사 모델(110)보다 작은 사이즈의 뉴럴 네트워크로서, 작은 사이즈로 인해 교사 모델(110)보다 메모리 사용량이 작고, 인식 속도가 빠르다. 학생 모델(120)은 특정 입력 데이터에 대해 교사 모델(110)과 동일한 출력 데이터가 출력되도록 학습될 수 있다. 출력 데이터는 해당 모델에서 출력되는 로직 값(value of logit), 확률 값 등일 수 있다.
일실시예에 따르면, 입력 시퀀스 X가 교사 모델(110) 및 학생 모델(120)에 입력될 수 있다. 입력 시퀀스 X는 복수의 엘리먼트들 x1, ..., xM로 구성된 데이터를 포함할 수 있으며, 예를 들어, 복수의 단어들을 포함하는 문장 데이터 또는 복수의 프레임들을 포함하는 음성 데이터를 포함할 수 있다. 여기서, 문장 데이터는 복수의 단어들로 구성된 텍스트 데이터로도 지칭될 수 있으며, 프레임은 음성 데이터가 일정 길이(예컨대, 프레임 단위)로 샘플링된 데이터를 나타낼 수 있다.
도 1에 예시적으로 도시된 실시예에 따르면, 교사 모델(110)에서 확률분포
Figure pat00001
가 출력되고, 학생 모델(120)에서 확률분포
Figure pat00002
가 출력될 수 있다. 여기서,
Figure pat00003
는 교사 모델(110)의 파라미터들을 나타내고,
Figure pat00004
는 학생 모델(120)의 파라미터들을 나타낼 수 있다. 또한, Y는 교사 모델(110) 및 학생 모델(120) 각각에서 출력되는 출력 시퀀스로서, 복수의 엘리먼트들 y1, ..., yL을 포함할 수 있다.
교사 모델(110)을 이용하여 학습된 학생 모델(120)을 통해, 교사 모델(110)과 동일한 출력 데이터를 보다 빠른 인식 속도로 획득할 수 있다. 이러한 학습 방식을 모델 경량화(model compression)라고 지칭하며, 이에 대해서는 추후 상세히 설명한다.
도 2를 참조하면, 일실시예에 따라 교사 모델(110)을 이용하여 학생 모델(120)을 학습시키는 예시가 도시된다.
일실시예에 따르면, 교사 모델(110)과 학생 모델(120)은 서로 다른 사이즈의 뉴럴 네트워크들일 수 있다. 뉴럴 네트워크에 기초하여 데이터를 인식하는 방법 및 장치가 제안되고, 해당 뉴럴 네트워크를 학습시키는 방법 및 장치가 제안될 수 있다. 본 명세서에서, 인식(recognition)은 검증(verification) 및/또는 식별(identification) 등을 포함할 수 있다. 검증은 입력 데이터가 참인지 거짓인지를 판단하는 동작을 나타낼 수 있고, 식별은 복수의 레이블들 중 입력 데이터가 지시하는 레이블(label)을 판단하는 동작을 나타낼 수 있다. 예를 들어, 뉴럴 네트워크는 시퀀스를 입력 받아 번역, 통역, 음성 인식 등을 수행하는 모델일 수 있다.
일실시예에 따르면, 뉴럴 네트워크는 복수의 노드들로 구성되는 복수의 레이어들을 포함할 수 있다. 또한, 뉴럴 네트워크는 복수의 레이어들의 각각에 포함된 복수의 노드들을 다른 레이어에 포함된 노드로 연결시키는 연결 가중치들을 포함할 수 있다.
예를 들어, 뉴럴 네트워크는 입력 레이어(input layer), 히든 레이어(hidden layer), 출력 레이어(output layer)를 포함할 수 있다. 입력 레이어는 학습 또는 인식을 수행하기 위한 입력을 수신하여 히든 레이어로 전달할 수 있고, 출력 레이어는 히든 레이어로부터 수신한 신호에 기초하여 뉴럴 네트워크의 출력을 생성할 수 있다. 히든 레이어는 입력 레이어와 출력 레이어 사이에 위치하고, 입력 레이어를 통해 전달된 데이터를 예측하기 쉬운 값으로 변화시킬 수 있다.
입력 레이어에 포함된 입력 노드들과 히든 레이어에 포함된 히든 노드들은 연결 가중치를 가지는 연결선들을 통해 서로 연결될 수 있다. 히든 레이어에 포함된 히든 노드들과 출력 레이어에 포함된 출력 노드들은 연결 가중치를 가지는 연결선들을 통해 서로 연결될 수 있다.
뉴럴 네트워크는 복수의 히든 레이어들을 포함할 수 있다. 복수의 히든 레이어들을 포함하는 뉴럴 네트워크는 깊은 뉴럴 네트워크(deep neural network)라고 지칭될 수 있다. 깊은 뉴럴 네트워크를 학습시키는 것은 깊은 러닝(deep learning)이라고 지칭될 수 있다. 예를 들어, 학생 모델(120)보다 큰 사이즈를 가지는 교사 모델(110)은 학생 모델(120)보다 많은 수의 히든 레이어들을 포함할 수 있다.
일실시예에 따르면, 모델 학습 장치는 뉴럴 네트워크에 역전파되는 로스(loss) 및 뉴럴 네트워크에 포함된 노드들의 출력 값에 기초한 기울기 하강(gradient descent) 기법 등을 통하여, 노드들의 파라미터를 결정할 수 있다. 예를 들어, 객체 검출 학습 장치는 로스 역 전파 학습(back-propagation learning)을 통해 노드들 사이의 연결 가중치를 업데이트할 수 있다. 로스 역 전파 학습은, 주어진 학습 데이터에 대해 포워드 계산(forward computation)을 통하여 로스를 추정한 후, 출력 레이어에서 시작하여 히든 레이어 및 입력 레이어를 향하는 역 방향으로 추정한 로스를 전파하면서, 로스를 줄이는 방향으로 연결 가중치를 업데이트하는 방법이다. 뉴럴 네트워크의 처리는 입력 레이어, 히든 레이어 및 출력 레이어의 방향으로 진행되지만, 로스 역 전파 학습에서 연결 가중치의 업데이트 방향은 출력 레이어, 히든 레이어 및 입력 레이어의 방향으로 진행될 수 있다. 하나 또는 그 이상의 프로세서는 뉴럴 네트워크를 원하는 방향으로 처리하기 위하여, 레이어 또는 일련의 계산 데이터를 저장하는 버퍼 메모리를 이용할 수 있다.
모델 학습 장치는 현재 설정된 연결 가중치들이 얼마나 최적에 가까운지를 측정하기 위한 목적 함수(objective function)를 정의하고, 목적 함수의 결과에 기초하여 연결 가중치들을 계속 변경하고, 학습을 반복적으로 수행할 수 있다. 예를 들어, 목적 함수는 뉴럴 네트워크가 학습 데이터의 학습 입력에 기초하여 실제 출력한 출력 값과 출력되기로 원하는 기대 값 사이의 로스를 계산하기 위한 로스 함수일 수 있다. 모델 학습 장치는 로스 함수의 값을 줄이는 방향으로 연결 가중치들을 업데이트할 수 있다. 이하, 로스 함수에 대해 상세히 설명한다.
일실시예에 따르면, 학생 모델(120)은 서로 다른 두 개의 뉴럴 네트워크들 간 지식을 전파하는 지식 증류(knowledge distillation)에 기반하여 교사 모델(110)로부터 학습될 수 있다. 지식 증류는 모델 경량화의 한 방식일 수 있다. 이 때, KLD(Kullback-Leibler divergence) 로스
Figure pat00005
가 이용될 수 있으며, 아래의 수학식 1로 표현될 수 있다.
Figure pat00006
여기서,
Figure pat00007
는 교사 모델(110)과 학생 모델(120) 간 크로스엔트로피를 나타낼 수 있다. KLD를 이용한 지식 증류는 교사 모델(110)의 확률분포를 소프트-타겟(soft-target)으로 이용하여 학생 모델(120)을 학습시키는 기법일 수 있다.
이를 테면, 학생 모델(120)은 학생 모델(120)로부터 교사 모델(110)의 인식 결과가 출력되어 교사 모델(110) 및 학생 모델(120)의 인식 결과들 간 차이가 감소되도록 학습될 수 있다. 여기서, 인식 결과는 각 모델에서 출력되는 확률분포 또는 해당 확률분포에서 가장 높은 확률로 샘플링된 클래스 등을 포함할 수 있다.
도 3은 일실시예에 따라 학생 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 3을 참조하면, 일실시예에 따라 구분 모델(310) 및 교사 모델(110)을 이용하여 학생 모델(120)을 학습시키는 예시가 도시된다.
일실시예에 따른 구분 모델(310)은 교사 모델(110)의 인식 결과 및 학생 모델(120)의 인식 결과를 서로 구분하는 뉴럴 네트워크로서, 예를 들어, CNN(Convolutional Neural Networks), RNN(Recurrent Neural Networks), Self-Attention 등을 포함할 수 있다. 구분 모델(310)은 교사 모델(110)의 인식 결과를 참(true)으로, 학생 모델(120)의 인식 결과를 거짓(false)으로 구분하도록 학습되고, 학생 모델(120)은 구분 모델(310)에 의해 교사 모델(110) 및 학생 모델(120)의 인식 결과들이 구분되지 않도록 학습될 수 있다. 이처럼, 두 개의 모델들이 적대적으로 경쟁하며 학습되는 것을 적대 학습(adversarial training)이라 지칭하고, 이러한 학습에 이용되는 적대 로스
Figure pat00008
는 아래의 수학식 2로 표현될 수 있다.
Figure pat00009
위의 수학식 2에서,
Figure pat00010
는 구분 모델(310)로 입력된 시퀀스 Y가 교사 모델(110) 또는 학생 모델(120)에서 생성된 것인지를 구별하는 확률분포를 나타낼 수 있다. ~p는 교사 모델(110)로부터 입력된 것을 나타내고, ~q는 학생 모델(120)로부터 입력된 것을 나타내며,
Figure pat00011
는 expectation을 나타낼 수 있다.
일실시예에 따른 학생 모델(120)은 적대 로스
Figure pat00012
가 감소하도록 학습되고, 구분 모델(310)은 적대 로스
Figure pat00013
가 증가하도록 학습됨으로써, 적대 학습이 수행될 수 있고, 이를 통해 구분 모델(310)이 구분하기 힘들 정도로 교사 모델(110)과 동일한 인식 결과를 출력하도록 학생 모델(120)이 학습될 수 있다.
나아가, 학생 모델(120)은 앞서 설명한 KLD 로스
Figure pat00014
도 더 이용하여 학습될 수 있다. 아래의 수학식 3과 같이, 학생 모델(120)은 KLD 로스
Figure pat00015
및 적대 로스
Figure pat00016
가 감소하도록 학습되고, 구분 모델(310)은 적대 로스
Figure pat00017
가 증가하도록 학습될 수 있다. 이 때, 교사 모델(110)은 고정되며 학습되지 않는다.
Figure pat00018
일실시예에 따른 구분 모델(310)은 교사 모델(110) 및 학생 모델(120) 각각으로부터 인식 결과로 시퀀스 전체 또는 시퀀스에 포함된 엘리먼트를 입력 받을 수 있으며, 이에 따라 학습도 시퀀스 단위 또는 시퀀스에 포함된 엘리먼트 단위로 수행될 수 있다. 이하, 구분 모델(310)을 이용한 학습 과정에 대해서는 도 4 및 도 5를 참조하여 상세히 설명한다.
도 4는 일실시예에 따른 엘리먼트 단위로 학습을 수행하는 과정을 설명하기 위한 도면이다.
도 4를 참조하면, 일실시예에 따라 교사 모델(110) 및 학생 모델(120) 각각에서 출력된 시퀀스에 포함된 엘리먼트들이 구분 모델(310)로 입력되어 학습이 엘리먼트 단위로 수행되는 예시가 도시된다.
일실시예에 따르면, 교사 모델(110)에서 출력된 시퀀스 내 j번째 엘리먼트 및 학생 모델(120)에서 출력된 시퀀스 내 j번째 엘리먼트가 구분 모델(310)로 전달되고, 구분 모델(310)은 입력된 j번째 엘리먼트들이 각각 어느 모델에서 입력된 것인지를 구별할 수 있다. 도 4에서
Figure pat00019
는 교사 모델(110)에서 출력된 시퀀스 내 첫 번째 엘리먼트에 대응하는 확률분포를 나타내고,
Figure pat00020
는 학생 모델(120)에서 출력된 시퀀스 내 첫 번째 엘리먼트에 대응하는 확률분호를 나타내고,
Figure pat00021
는 교사 모델(110)에서 출력된 시퀀스 내 L번째 엘리먼트에 대응하는 확률분호를 나타내며,
Figure pat00022
는 학생 모델(120)에서 출력된 시퀀스 내 L번째 엘리먼트에 대응하는 확률분호를 나타낼 수 있다.
이 때, 적대 로스
Figure pat00023
는 아래의 수학식 4와 같을 수 있다.
Figure pat00024
위의 수학식 4에서,
Figure pat00025
는 교사 모델(110)에서 출력된 시퀀스 내 j번째 엘리먼트의 클래스를 나타내고,
Figure pat00026
는 학생 모델(120)에서 출력된 시퀀스 내 j번째 엘리먼트의 클래스를 나타낼 수 있다. GP( y j )는 적대 로스
Figure pat00027
를 이용한 학생 모델(120)의 학습을 가능하게 하는 검벨 맥스로서, 아래의 수학식 5와 같을 수 있다.
Figure pat00028
위의 수학식 5에서,
Figure pat00029
가 0으로 수렴할수록, 확률분포에서 가장 큰 값이 1에 근접하고, 나머지 값들은 0에 근접하게 될 수 있다. 이와 같은 검벨 맥스를 통해 구분 모델(310)의 정보가 학생 모델(120)로 전달되어 학생 모델(120)의 학습에 이용될 수 있다.
적대 로스
Figure pat00030
는 교사 모델(110)에서 출력된 엘리먼트의 확률분포
Figure pat00031
와 학생 모델(120)에서 출력된 엘리먼트의 확률분포
Figure pat00032
에서 샘플링된 클래스들 (
Figure pat00033
,
Figure pat00034
)이 서로 구분되지 않을 때 감소되고, 이 경우는 아래의 수학식 6으로 표현될 수 있다.
Figure pat00035
수학식 4의 적대 로스
Figure pat00036
에 대하여, 학생 모델(120)과 구분 모델(310)에 대한 구배(gradient)는 아래의 수학식 7로 표현될 수 있으며, 이를 통해 학습이 정상적으로 수행될 수 있음을 알 수 있다.
Figure pat00037
도 5는 일실시예에 따른 시퀀스 단위로 학습을 수행하는 과정을 설명하기 위한 도면이다.
도 5를 참조하면, 일실시예에 따라 교사 모델(110) 및 학생 모델(120) 각각에서 출력된 시퀀스들이 구분 모델(310)로 입력되어 학습이 시퀀스 단위로 수행되는 예시가 도시된다.
일실시예에 따르면, 교사 모델(110)에서 출력된 시퀀스 및 학생 모델(120)에서 출력된 시퀀스가 구분 모델(310)로 전달되고, 구분 모델(310)은 입력된 시퀀스들이 각각 어느 모델에서 입력된 것인지를 구별할 수 있다. 도 5에서
Figure pat00038
는 교사 모델(110)에서 출력된 시퀀스에 대응하는 확률분포를 나타내고,
Figure pat00039
는 학생 모델(120)에서 출력된 시퀀스에 대응하는 확률분포를 나타낼 수 있다.
이 때, 적대 로스
Figure pat00040
는 아래의 수학식 8과 같을 수 있다.
Figure pat00041
위의 수학식 8에 적용되는 검벨 맥스는 엘리먼트 확률의 조합에 기초하여 결정되거나, 또는 시퀀스 자체의 확률에 기초하여 결정될 수 있다.
먼저, 엘리먼트 확률의 조합에 따른 검벨 맥스는 아래의 수학식 9와 같을 수 있다.
Figure pat00042
이처럼, 검벨 맥스는 출력 시퀀스에 포함된 엘리먼트들의 확률들의 곱에 기초하여 결정될 수 있다.
또한, 시퀀스 자체의 확률에 따른 검벨 맥스는 아래의 수학식 10과 같을 수 있다.
Figure pat00043
위의 수학식 10에서, Y '는 출력 시퀀스에 해당될 수 있는 미리 정해진 개수의 후보 시퀀스들을 나타내는 것으로, 예를 들어, 후보 시퀀스들 중 k-best를 나타낼 수 있다. 이처럼, 후보 시퀀스들의 개수를 유한 개로 제한함으로써, 출력 시퀀스의 확률에 기초하여 검벨 맥스를 결정할 수 있다.
적대 로스
Figure pat00044
에 적용되는 Z {p,q}는 교사 모델(110) 또는 학생 모델(120)에서 출력된 확률분포에 기반하여 샘플링된 시퀀스의 클래스를 나타낼 수 있다. 예를 들어, Z {p,q}는 beam search, gradient search 등 다양한 기법을 통해 one-best로 선택된 시퀀스의 클래스를 나타낼 수 있다. 아래의 수학식 11은 Z {p,q}를 결정하는 다양한 기법 중 하나를 나타낼 수 있다.
Figure pat00045
위의 수학식 11에서,
Figure pat00046
는 정답 시퀀스 내 j번째 엘리먼트를 나타내고, U(0,1)은 균등 분포(Uniform distribution)를 나타내며,
Figure pat00047
는 미리 정해진 임계치를 나타낼 수 있다.
수학식 8의 적대 로스
Figure pat00048
에 대하여, 학생 모델(120)과 구분 모델(310)에 대한 구배는 아래의 수학식 12로 표현될 수 있으며, 이를 통해 학습이 정상적으로 수행될 수 있음을 알 수 있다.
Figure pat00049
도 6은 일실시예에 따른 모델 학습 방법을 나타낸 도면이다.
일실시예에 따르면, 모델 학습 방법은 모델 학습 장치의 프로세서에 의해 수행될 수 있다.
단계(610)에서, 모델 학습 장치는 입력 시퀀스에 대한 교사 모델의 인식 결과 및 학생 모델의 인식 결과를 획득한다.
단계(620)에서, 모델 학습 장치는 교사 모델의 인식 결과 및 학생 모델의 인식 결과가 서로 구분되지 않도록 학생 모델을 학습시킨다. 모델 학습 장치는 교사 모델의 인식 결과 및 학생 모델의 인식 결과가 서로 구별되는 정도에 기초한 적대 로스를 결정하고, 적대 로스가 감소되도록 학생 모델을 학습시킬 수 있다.
일실시예에 따른 모델 학습 장치는 입력 시퀀스에 대한 인식 결과로서 각각 출력된 교사 모델의 출력 시퀀스 및 학생 모델의 출력 시퀀스가 서로 구별되는 정도에 기초하여, 적대 로스를 결정할 수 있다. 예를 들어, 모델 학습 장치는 출력 시퀀스에 포함된 엘리먼트들의 확률들에 기반한 검벨 맥스를 적용하여 적대 로스를 결정할 수 있다. 또는, 모델 학습 장치는 출력 시퀀스의 확률에 기반한 검벨 맥스를 적용하여 적대 로스를 결정할 수 있다.
다른 일실시예에 따른 모델 학습 장치는 입력 시퀀스에 대한 인식 결과로서 각각 출력된 교사 모델의 출력 시퀀스에 포함된 엘리먼트 및 학생 모델의 출력 시퀀스에 포함된 엘리먼트가 서로 구별되는 정도에 기초하여, 적대 로스를 결정할 수 있다. 예를 들어, 모델 학습 장치는 시퀀스에 포함된 엘리먼트의 확률에 기반한 검벨 맥스를 적용하여 적대 로스를 결정할 수 있다.
또한, 모델 학습 장치는 교사 모델의 인식 결과 및 학생 모델의 인식 결과를 구분하는 구분 모델이 인식 결과들을 서로 구분하지 못하도록 학생 모델을 학습시킬 수 있다. 이 때, 구분 모델은 교사 모델의 인식 결과 및 학생 모델의 인식 결과를 구분하도록 학습될 수 있다.
또한, 모델 학습 장치는 교사 모델의 인식 결과가 학생 모델에서 출력되도록 교사 모델의 인식 결과를 이용하여 학생 모델을 학습시킬 수 있다.
도 6에 도시된 각 단계들에는 도 1 내지 도 5를 통하여 전술한 사항들이 그대로 적용되므로, 보다 상세한 설명은 생략한다.
도 7은 일실시예에 따른 데이터 인식 방법을 나타낸 도면이다.
일실시예에 따르면, 데이터 인식 방법은 데이터 인식 장치의 프로세서에 의해 수행될 수 있다.
단계(710)에서, 데이터 인식 장치는 인식하고자 하는 데이터를 수신한다. 단계(720)에서, 데이터 인식 장치는 기 학습된 모델을 이용하여 대상 데이터를 인식한다. 여기서, 기 학습된 모델은 앞서 설명한 학생 모델이며, 학생 모델의 학습 방법은 앞서 설명한 것과 동일하므로, 보다 자세한 설명은 생략한다.
도 8은 일실시예에 따른 신경망 기반의 데이터 처리 장치를 나타낸 도면이다.
도 8을 참조하면, 일실시예에 따른 데이터 처리 장치(800)는 메모리(810) 및 프로세서(820)를 포함한다. 메모리(810) 및 프로세서(820)는 버스(bus)(830)를 통하여 서로 통신할 수 있다.
데이터 처리 장치(800)는 입력된 데이터를 처리하여 출력하는 장치로서, 앞서 설명한 모델 학습 장치 및 데이터 인식 장치 중 어느 하나일 수 있다.
메모리(810)는 컴퓨터에서 읽을 수 있는 명령어를 포함할 수 있다. 프로세서(820)는 메모리(810)에 저장된 명령어가 프로세서(820)에서 실행됨에 따라 앞서 언급된 동작들을 수행할 수 있다. 메모리(810)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다. 그 밖에, 데이터 처리 장치(800)에 관해서는 상술된 동작을 처리할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (20)

  1. 입력 시퀀스에 대한 교사 모델의 인식 결과 및 학생 모델의 인식 결과를 획득하는 단계; 및
    상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과가 서로 구분되지 않도록 상기 학생 모델을 학습시키는 단계
    를 포함하는 모델 학습 방법.
  2. 제1항에 있어서,
    상기 학생 모델을 학습시키는 단계는
    상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과가 서로 구별되는 정도에 기초한 적대 로스를 결정하는 단계; 및
    상기 적대 로스가 감소되도록 상기 학생 모델을 학습시키는 단계
    를 포함하는, 모델 학습 방법.
  3. 제2항에 있어서,
    상기 적대 로스를 결정하는 단계는
    상기 입력 시퀀스에 대한 인식 결과로서 각각 출력된 상기 교사 모델의 출력 시퀀스 및 상기 학생 모델의 출력 시퀀스가 서로 구별되는 정도에 기초하여, 상기 적대 로스를 결정하는, 모델 학습 방법.
  4. 제3항에 있어서,
    상기 적대 로스를 결정하는 단계는
    출력 시퀀스에 포함된 엘리먼트들의 확률들에 기반한 검벨 맥스를 적용하여 상기 적대 로스를 결정하는, 모델 학습 방법.
  5. 제3항에 있어서,
    상기 적대 로스를 결정하는 단계는
    출력 시퀀스의 확률에 기반한 검벨 맥스를 적용하여 상기 적대 로스를 결정하는, 모델 학습 방법.
  6. 제5항에 있어서,
    상기 적대 로스를 결정하는 단계는
    상기 출력 시퀀스에 해당될 수 있는 미리 정해진 개수의 후보 시퀀스들의 확률들을 더 고려한 검벨 맥스를 적용하여 상기 적대 로스를 결정하는, 모델 학습 방법.
  7. 제2항에 있어서,
    상기 적대 로스를 결정하는 단계는
    상기 입력 시퀀스에 대한 인식 결과로서 각각 출력된 상기 교사 모델의 출력 시퀀스에 포함된 엘리먼트 및 상기 학생 모델의 출력 시퀀스에 포함된 엘리먼트가 서로 구별되는 정도에 기초하여, 상기 적대 로스를 결정하는, 모델 학습 방법.
  8. 제7항에 있어서,
    상기 적대 로스를 결정하는 단계는
    출력 시퀀스에 포함된 엘리먼트의 확률에 기반한 검벨 맥스를 적용하여 상기 적대 로스를 결정하는, 모델 학습 방법.
  9. 제1항에 있어서,
    상기 학생 모델을 학습시키는 단계는
    상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과가 구분 모델에 의해 서로 구분되지 않도록 상기 학생 모델을 학습시키고,
    상기 구분 모델은
    상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과를 서로 구분하도록 학습되는, 모델 학습 방법.
  10. 제1항에 있어서,
    상기 학생 모델을 학습시키는 단계는
    상기 교사 모델의 인식 결과가 상기 학생 모델에서 출력되도록 상기 교사 모델의 인식 결과를 이용하여 상기 학생 모델을 학습시키는, 모델 학습 방법.
  11. 제1항에 있어서,
    상기 입력 시퀀스는
    복수의 단어들을 포함하는 문장 데이터 또는 복수의 프레임들을 포함하는 음성 데이터를 포함하는, 모델 학습 방법.
  12. 제1항 내지 제11항 중에서 어느 하나의 항의 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 저장 매체.
  13. 입력 시퀀스에 대한 교사 모델의 인식 결과 및 학생 모델의 인식 결과를 획득하고, 상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과가 서로 구분되지 않도록 상기 학생 모델을 학습시키는 프로세서; 및
    상기 학생 모델의 파라미터를 저장하는 메모리
    를 포함하는 모델 학습 장치.
  14. 제13항에 있어서,
    상기 프로세서는
    상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과가 서로 구별되는 정도에 기초한 적대 로스를 결정하고, 상기 적대 로스가 감소되도록 상기 학생 모델을 학습시키는, 모델 학습 장치.
  15. 제14항에 있어서,
    상기 프로세서는
    상기 입력 시퀀스에 대한 인식 결과로서 각각 출력된 상기 교사 모델의 출력 시퀀스 및 상기 학생 모델의 출력 시퀀스가 서로 구별되는 정도에 기초하여, 상기 적대 로스를 결정하는, 모델 학습 장치.
  16. 제15항에 있어서,
    상기 프로세서는
    출력 시퀀스에 포함된 엘리먼트들의 확률들에 기반한 검벨 맥스를 적용하여 상기 적대 로스를 결정하는, 모델 학습 장치.
  17. 제15항에 있어서,
    상기 프로세서는
    출력 시퀀스의 확률에 기반한 검벨 맥스를 적용하여 상기 적대 로스를 결정하는, 모델 학습 장치.
  18. 제14항에 있어서,
    상기 프로세서는
    상기 입력 시퀀스에 대한 인식 결과로서 각각 출력된 상기 교사 모델의 출력 시퀀스에 포함된 엘리먼트 및 상기 학생 모델의 출력 시퀀스에 포함된 엘리먼트가 서로 구별되는 정도에 기초하여, 상기 적대 로스를 결정하는, 모델 학습 장치.
  19. 제13항에 있어서,
    상기 프로세서는
    상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과가 구분 모델에 의해 서로 구분되지 않도록 상기 학생 모델을 학습시키고,
    상기 구분 모델은
    상기 교사 모델의 인식 결과 및 상기 학생 모델의 인식 결과를 서로 구분하도록 학습되는, 모델 학습 장치.
  20. 제13항에 있어서,
    상기 프로세서는
    상기 교사 모델의 인식 결과가 상기 학생 모델에서 출력되도록 상기 교사 모델의 인식 결과를 이용하여 상기 학생 모델을 학습시키는, 모델 학습 장치.
KR1020190053131A 2019-05-07 2019-05-07 모델 학습 방법 및 장치 KR20200128938A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020190053131A KR20200128938A (ko) 2019-05-07 2019-05-07 모델 학습 방법 및 장치
US16/562,783 US11488013B2 (en) 2019-05-07 2019-09-06 Model training method and apparatus
EP19210350.5A EP3736745A1 (en) 2019-05-07 2019-11-20 Model training method and apparatus
CN201911326890.4A CN112002309A (zh) 2019-05-07 2019-12-20 模型训练方法和设备
US17/950,521 US11727275B2 (en) 2019-05-07 2022-09-22 Model training method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190053131A KR20200128938A (ko) 2019-05-07 2019-05-07 모델 학습 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20200128938A true KR20200128938A (ko) 2020-11-17

Family

ID=68762379

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190053131A KR20200128938A (ko) 2019-05-07 2019-05-07 모델 학습 방법 및 장치

Country Status (4)

Country Link
US (2) US11488013B2 (ko)
EP (1) EP3736745A1 (ko)
KR (1) KR20200128938A (ko)
CN (1) CN112002309A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063875A (zh) * 2022-08-16 2022-09-16 北京百度网讯科技有限公司 模型训练方法、图像处理方法、装置和电子设备
KR102653930B1 (ko) * 2023-06-01 2024-04-03 주식회사 디월드 이상탐지모델을 이용한 환편기 비전 검사 서비스 제공 시스템

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200128938A (ko) * 2019-05-07 2020-11-17 삼성전자주식회사 모델 학습 방법 및 장치
US11501081B1 (en) 2019-12-31 2022-11-15 Meta Platforms, Inc. Methods, mediums, and systems for providing a model for an end-user device
CN112560693B (zh) * 2020-12-17 2022-06-17 华中科技大学 基于深度学习目标检测的高速公路异物识别方法和系统
CN112801362B (zh) * 2021-01-26 2022-03-22 桂林电子科技大学 一种基于人工神经网络与lstm网络的学业预警方法
EP4296905A4 (en) * 2021-03-26 2024-04-24 Mitsubishi Electric Corporation RELEARNING SYSTEM AND METHOD
CN113240119B (zh) * 2021-04-08 2024-03-19 南京大学 一种用于游戏ai策略解释的跨模型蒸馏装置
CN113920540A (zh) * 2021-11-04 2022-01-11 厦门市美亚柏科信息股份有限公司 基于知识蒸馏的行人重识别方法、装置、设备及存储介质
CN115085805B (zh) * 2022-06-09 2024-03-19 南京信息工程大学 一种基于对抗蒸馏模型的光纤光性能监测方法及系统
CN116091675B (zh) * 2023-04-06 2023-06-30 腾讯科技（深圳）有限公司 一种图像处理方法、装置、设备及存储介质

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9799327B1 (en) * 2016-02-26 2017-10-24 Google Inc. Speech recognition with attention-based recurrent neural networks
US20180268292A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Learning efficient object detection models with knowledge distillation
DK179496B1 (en) 2017-05-12 2019-01-15 Apple Inc. USER-SPECIFIC Acoustic Models
KR102570278B1 (ko) * 2017-07-31 2023-08-24 삼성전자주식회사 교사 모델로부터 학생 모델을 트레이닝하는데 사용되는 학습 데이터를 생성하는 장치 및 방법
US10643320B2 (en) * 2017-11-15 2020-05-05 Toyota Research Institute, Inc. Adversarial learning of photorealistic post-processing of simulation with privileged information
US10643602B2 (en) * 2018-03-16 2020-05-05 Microsoft Technology Licensing, Llc Adversarial teacher-student learning for unsupervised domain adaptation
WO2019221654A1 (en) * 2018-05-17 2019-11-21 Tobii Ab Autoencoding generative adversarial network for augmenting training data usable to train predictive models
US11514252B2 (en) * 2018-06-10 2022-11-29 Adobe Inc. Discriminative caption generation
WO2020038548A1 (en) * 2018-08-20 2020-02-27 Telefonaktiebolaget Lm Ericsson (Publ) Improving immune system of sites using generative adversarial networks and reinforcement learning
US11710029B2 (en) * 2018-09-28 2023-07-25 Intel Corporation Methods and apparatus to improve data training of a machine learning model using a field programmable gate array
US10922573B2 (en) * 2018-10-22 2021-02-16 Future Health Works Ltd. Computer based object detection within a video or image
US11170761B2 (en) * 2018-12-04 2021-11-09 Sorenson Ip Holdings, Llc Training of speech recognition systems
US11017778B1 (en) * 2018-12-04 2021-05-25 Sorenson Ip Holdings, Llc Switching between speech recognition systems
US20200342306A1 (en) * 2019-04-25 2020-10-29 International Business Machines Corporation Autonomous modification of data
KR20200128938A (ko) * 2019-05-07 2020-11-17 삼성전자주식회사 모델 학습 방법 및 장치
KR20200129639A (ko) * 2019-05-09 2020-11-18 삼성전자주식회사 모델 학습 방법 및 장치
US11392770B2 (en) * 2019-12-11 2022-07-19 Microsoft Technology Licensing, Llc Sentence similarity scoring using neural network distillation
US20210182660A1 (en) * 2019-12-16 2021-06-17 Soundhound, Inc. Distributed training of neural network models
CN111179962B (zh) * 2020-01-02 2022-09-27 腾讯科技（深圳）有限公司 语音分离模型的训练方法、语音分离方法及装置
JP7475105B2 (ja) * 2020-06-22 2024-04-26 パナソニックオートモーティブシステムズ株式会社 学習装置、学習方法及びプログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063875A (zh) * 2022-08-16 2022-09-16 北京百度网讯科技有限公司 模型训练方法、图像处理方法、装置和电子设备
CN115063875B (zh) * 2022-08-16 2022-12-16 北京百度网讯科技有限公司 模型训练方法、图像处理方法、装置和电子设备
KR102653930B1 (ko) * 2023-06-01 2024-04-03 주식회사 디월드 이상탐지모델을 이용한 환편기 비전 검사 서비스 제공 시스템

Also Published As

Publication number Publication date
CN112002309A (zh) 2020-11-27
US20200356852A1 (en) 2020-11-12
US11488013B2 (en) 2022-11-01
US11727275B2 (en) 2023-08-15
US20230035351A1 (en) 2023-02-02
EP3736745A1 (en) 2020-11-11

Similar Documents

Publication Publication Date Title
KR20200128938A (ko) 모델 학습 방법 및 장치
KR20200129639A (ko) 모델 학습 방법 및 장치
KR102410820B1 (ko) 뉴럴 네트워크를 이용한 인식 방법 및 장치 및 상기 뉴럴 네트워크를 트레이닝하는 방법 및 장치
KR20200045128A (ko) 모델 학습 방법 및 장치, 및 데이터 인식 방법
KR102483643B1 (ko) 모델을 학습하는 방법 및 장치 및 상기 뉴럴 네트워크를 이용한 인식 방법 및 장치
CN105810193B (zh) 训练语言模型的方法和设备及识别语言的方法和设备
KR102071582B1 (ko) 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치
KR102492318B1 (ko) 모델 학습 방법 및 장치, 및 데이터 인식 방법
KR102641116B1 (ko) 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치
US11574164B2 (en) Neural network cooperation
KR102167719B1 (ko) 언어 모델 학습 방법 및 장치, 음성 인식 방법 및 장치
US11429860B2 (en) Learning student DNN via output distribution
KR20190013011A (ko) 교사 모델로부터 학생 모델을 트레이닝하는데 사용되는 학습 데이터를 생성하는 장치 및 방법
US10580432B2 (en) Speech recognition using connectionist temporal classification
US20190042943A1 (en) Cooperative neural network deep reinforcement learning with partial input assistance
CN108229677B (zh) 用于使用循环模型执行识别和训练循环模型的方法和设备
KR20220130565A (ko) 키워드 검출 방법 및 장치
KR20190136578A (ko) 음성 인식 방법 및 장치
KR20200110064A (ko) 변환 모델을 이용한 인증 방법 및 장치
KR102449840B1 (ko) 사용자 적응적인 음성 인식 방법 및 장치
KR20190134965A (ko) 뉴럴 네트워크 학습 방법 및 그 시스템
Barreto et al. A self-organizing NARX network and its application to prediction of chaotic time series
KR102292921B1 (ko) 언어 모델 학습 방법 및 장치, 음성 인식 방법 및 장치
KR20230141828A (ko) 적응형 그래디언트 클리핑을 사용하는 신경 네트워크들
CN112348161A (zh) 神经网络的训练方法、神经网络的训练装置和电子设备

Legal Events

Date Code Title Description
A201 Request for examination