KR20210050413A - 비정상 데이터 생성 방법 - Google Patents

Abstract

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨턴 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택하는 동작, 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 동작, 변형된 상기 복수의 데이터 각각에 레이블을 부여하는 동작 및 변형된 데이터를 모델을 이용하여 연산하는 동작을 포함할 수 있다.

Description

비정상 데이터 생성 방법 {METHOD FOR GENERATING ABNORMAL DATA}

본 개시는 인공지능 기술 분야에 관한 것으로, 보다 구체적으로 인공지능을 활용한 데이터의 처리 방법에 관한 것이다.

일시적으로 또는 데이터 베이스에 저장되어 영구적으로 사용할 수 있는 센서 데이터가 축적됨에 따라, 수 많은 산업 장비의 모니터링 데이터의 자동화 처리에 대한 연구가 진행되고 있다. 데이터의 상태 판단 방법을 구현하기 위해 인공 신경망 네트워크(artificial neural network)를 이용한 인공지능 기술에 대한 연구가 진행되고 있다.

인공 신경망 네트워크를 활용한 딥러닝(deep learning) 모델은 복잡한 비선형 또는 동적 패널을 효과적으로 학습할 수 있는 방법을 제공하지만, 처리하고자 하는 데이터가 변화하는 경우, 모델의 업데이터에 대한 기술적 과제가 존재하였다.

대한민국특허 공개 문헌 KR1020180055708은 인공 지능을 활용한 이미지 처리 방법을 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 인공지능을 활용한 데이터의 처리 방법을 제공하기 위한 것이다.

전술한 과제를 해결하기 위한 본 개시의 일 실시예 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택하는 동작, 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 동작, 변형된 상기 복수의 데이터 각각에 레이블을 부여하는 동작 및 변형된 데이터를 모델을 이용하여 연산하는 동작을 포함할 수 있다.

대안적인 실시예에서, 상기 서로 상이한 복수의 데이터는, 서로 동일한 클러스터 또는 서로 상이한 클러스터에 포함된 데이터로 구성될 수 있다.

대안적인 실시예에서, 상기 데이터 세트의 데이터들을 클러스터링하여 복수의 데이터 서브세트를 생성하는 동작을 더 포함할 수 있다.

대안적인 실시예에서, 상기 데이터 세트의 데이터들을 클러스터링하여 복수의 데이터 서브세트를 생성하는 동작은, 트리플랫 로스(triple loss) 기반 비용 함수를 사용하여 학습된 분류 모델에 의하여 수행될 수 있다.

대안적인 실시예에서, 상기 복수의 데이터 서브세트 각각은 상이한 정상 패턴의 데이터를 포함할 수 있다.

대안적인 실시예에서, 상기 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 동작은, 각각의 데이터의 하나 이상의 피처 그룹 중 하나의 피처 그룹의 값(value)을 변경하는 동작을 포함할 수 있다.

대안적인 실시예에서, 상기 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 동작은, 복수의 데이터 중 하나의 데이터의 값과 다른 데이터의 값을 교환하는 동작을 포함할 수 있다.

대안적인 실시예에서, 복수의 데이터 중 하나의 데이터의 값과 다른 데이터의 값을 교환하는 동작은, 복수의 데이터 중 하나의 데이터의 하나 이상의 피처 그룹의 값과 다른 데이터의 하나 이상의 피처 그룹의 값을 교환하는 동작을 포함할 수 있다.

대안적인 실시예에서, 복수의 데이터 중 하나의 데이터의 값과 다른 데이터의 값을 교환하는 동작은, 각각의 데이터의 동일한 피처 그룹에 속하는 데이터의 값을 서로 교환하는 동작을 포함할 수 있다.

대안적인 실시예에서, 상기 데이터 세트에 포함된 데이터는 정상 데이터일 수 있다.

대안적인 실시예에서, 상기 변형된 상기 복수의 데이터 각각에 레이블을 부여하는 동작은, 상기 변형된 상기 복수의 데이터 각각에 비정상 레이블을 부여하는 동작을 포함할 수 있다.

대안적인 실시예에서, 상기 변형된 데이터를 모델을 이용하여 연산하는 동작은, 상기 변형된 데이터를 모델을 이용하여 연산하여 상기 모델의 성능을 테스트하는 동작을 포함할 수 있다.

대안적인 실시예에서, 상기 변형된 데이터를 모델을 이용하여 연산하여 상기 모델의 성능을 테스트하는 동작은, 상기 변형된 데이터를 상기 모델이 비정상으로 판단하는지 여부에 기초하여 상기 모델의 성능을 테스트하는 동작을 포함할 수 있다.

대안적인 실시예에서, 상기 피처 그룹 각각은, 상기 데이터에 포함된 복수의 항목들 중 연관된 항목들로 구성될 수 있다.

본 개시의 다른 일 실시예에 따라 하나 이상의 프로세서 컴퓨팅 장치에서 수행되는 데이터 처리 방법이 개시된다. 상기 방법은, 하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택하는 단계, 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 단계, 변형된 상기 복수의 데이터 각각에 레이블을 부여하는 단계 및 변형된 데이터를 모델을 이용하여 연산하는 단계를 포함할 수 있다.

본 개시의 또 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 프로세서 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 프로세서는, 하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택하고, 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하고, 변형된 상기 복수의 데이터 각각에 레이블을 부여하고 그리고 변형된 데이터를 모델을 이용하여 연산할 수 있다.

본 개시의 또 다른 일 실시예에 따라 뉴럴 네트워크 모델의 학습 과정과 관련된 데이터를 저장하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체가 개시된다. 상기 데이터는 컴퓨터 프로그램에 의해 수정되며, 상기 컴퓨터 프로그램은, 하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택하는 동작, 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 동작 및 변형된 상기 복수의 데이터 각각에 레이블을 부여하는 동작을 포함할 수 있다.

본 개시는 인공지능을 활용한 데이터의 처리 방법을 제공할 수 있다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예의 데이터 처리 방법을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예와 관련된 데이터 세트를 구성하는 복수의 데이터들을 예시적으로 나타낸 예시도이다.
도 4는 본 개시의 일 실시예와 관련된 분류 모델을 훈련시키는 방법을 나타낸 개략도이다.
도 5는 본 개시의 일 실시예와 관련된 분류 모델의 해공간을 나타낸 개략도이다.
도 6은 본 개시의 일 실시예와 관련된 데이터 처리를 수행하기 위한 순서도를 도시한다.
도 7은 본 개시의 일 실시예와 관련된 데이터 처리를 수행하는 방법을 구현하기 위한 로직을 도시한다.
도 8은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.

2018년 7월 11일에 출원된 한국 특허 출원 10-2018-0080482, 2019년 4월 30일에 출원된 한국 특허 출원 10-2019-0050477 및 2019년 6월 7일에 출원된 한국 특허 출원 10-2019-0067175에 포함된 모든 내용은 본 명세서에서 참조로서 통합된다.

도 1은 본 개시의 일 실시예의 데이터 처리 방법을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensorprocessing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.

프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일실시예에 따른 데이터 처리 방법을 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 뉴럴 네트워크 모델의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프 로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다.

또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 네트워크 함수를 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 네트워크 함수를 분산하여 처리할 수도 있다. 컴퓨팅 장치(100)의 네트워크 함수 분산 처리에 관한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 특허 출원 US15/161080(출원일 2016.05.20) 및 US15/217475(출원일 2016.07.22)에서 구체적으로 논의된다.

프로세서(110)는 학습 대상이 되는 하나 이상의 데이터를 포함하는 데이터 세트를 획득할 수 있다. 본 개시의 일 실시예에서 뉴럴 네트워크 모델을 이용하여 처리되는 데이터는 산업현장에서 획득되는 모든 종류의 데이터를 포함할 수 있다. 예를 들어, 제품의 생산 공정에서 제품의 생산을 위한 디바이스의 동작 파라미터, 디바이스의 동작에 의하여 획득된 센서 데이터 등을 포함할 수 있다. 예를 들어, 특정 공정에서 장비의 온도 설정, 레이저를 사용하는 공정의 경우 레이저의 파장 등이 본 개시에서 처리되는 데이터의 종류에 포함될 수 있다. 예를 들어, 처리되는 데이터는 MES(management execution system)으로부터의 로트(lot) 장비 히스토리 데이터, 장비 인터페이스 데이터 소스로부터의 데이터, 프로세싱 툴(tool) 레시피들, 프로세싱 툴 테스트 데이터, 프로브 테스트 데이터, 전기 테스트 데이터, 결합 측정 데이터, 진단 데이터, 원격 진단 데이터, 후처리 데이터 등을 포함할 수 있으며 본 개시는 이에 제한되지 않는다. 보다 구체적인 예시로, 반도체 팹(fab)에서 획득되는 로트 별로 12만여개의 항목을 포함하는 진행중(work-inprogress)정보, 로(raw) 프로세싱 툴 데이터, 장비 인터페이스 정보, 공정 계측정보(process metrology information)(예를 들어, 로트 별로 1000여개의 항목을 포함함), 수율 관련 엔지니어가 접근할 수 있는 결함 정보, 동작 테스트 정보, 소트 정보(datalog 및 bitmap를 포함함) 등을 포함할 수 있으나, 본 개시는 이에 제한되지 않는다. 전술한 데이터의 종류에 관한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는 수집된 데이터를 전처리할 수 있다. 컴퓨팅 장치(100)는 수집된 데이터 중 결측 값을 보충할 수 있다. 컴퓨팅 장치(100)는 예를 들어, 결측 값을 중간값 또는 평균값으로 보충하거나, 결측 값이 다수 존재하는 열을 삭제할 수도 있다 . 또한, 예를 들어, 컴퓨팅 장치(100)는 행렬 완성(matrix completion)을 위해 컴퓨팅 장치(100)에 의한 데이터 전처리에 관리자의 전문 분야 기술(subject matter expertise)이 활용될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 수집된 데이터에서 경계, 한계를 완전히 벗어난 값들(예를 들어, 센서 등의 오동작으로 추정되는 값 등)을 제거할 수 있다. 또한 컴퓨팅 장치(100)는 데이터가 특성을 유지하면서 스케일을 유사하게 가지도록 하기 위하여 데이터의 값을 조정할 수도 있다. 컴퓨팅 장치(100)는 예를 들어, 데이터의 열 단위 표준화를 적용할 수도 있다. 컴퓨팅 장치(100)는 데이터에서 뉴럴 네트워크 모델의 처리와 무관한 열을 제거하여 프로세싱을 간략하게 할 수도 있다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 분류 모델의 생성을 위한 뉴럴 네트워크 모델의 학습과 능동 학습의 용이성을 위하여 적절한 입력 데이터 전처리 방법을 수행할 수 있다. 입력 데이터의 종류, 예시, 전처리, 변환 등에 관한 구체적인 예시에 대한 설명은 본 출원에서 전체가 참조로서 되는 미국 특허 출원 US10/194920(2002.07.12 출원)에서 구체적으로 논의된다.

본 개시의 일 실시예의 입력 데이터는 전술한 바와 같이 산업현장에서 획득되는 모든 종류의 데이터를 포함할 수 있다. 예를 들어, 제품의 생산 공정에서 제품의 생산을 위한 디바이스의 동작 파라미터, 디바이스의 동작에 의하여 획득된 센서 데이터 등을 포함할 수 있다. 하나의 입력 데이터는 하나의 제조 장비에서 하나의 제조 레시피를 사용하여 제조물을 제조하는 동안 획득된 데이터를 포함할 수 있다. 제조물을 제조하는 동안 획득되는 데이터는 센서 데이터를 포함할 수 있다. 즉, 전체 입력 데이터를 포함하는 입력 데이터 세트는 하나 이상의 제조 장비에서 하나 이상의 제조 레시피를 사용하여 제조물을 제조하는 동안 획득된 데이터를 포함할 수 있으나(즉, 여러 제조 장비와 여러 제조 레시피에 대한 데이터가 혼재되어 있을 수 있어, 복수의 정상 상태를 가질 수 있음), 각각의 입력 데이터는 각각 하나의 제조 장비에서 하나의 제조 레시피에 의한 제조물의 생산에서 획득된 데이터로서 하나의 정상 상태를 가질 수 있다.

본 개시의 일 실시예에서, 제조 장비는 산업 현장에서 제조물을 생산하기 위한 임의의 제조 장비를 포함할 수 있으며 예를 들어, 반도체 제조 장비를 포함할 수 있으나 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 제조 레시피는 산업 현장에서 제조물을 생산하기 위한 방법으로 구성될 수 있으며, 보다 구체적으로 제조 장비를 제어하기 위한 데이터를 포함할 수 있다. 본 개시의 일 실시예에서, 제조 레시피는 예를 들어, 제조 장비에 로드된 반도체 제조 레시피를 포함할 수 있으나 본 개시는 이에 제한되지 않는다.

메모리(130)는 본 개시의 일 실시예에 따른 데이터 처리 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(110)에 의하여 판독되어 구동될 수 있다.

네트워크부(150)는 본 개시의 일 실시예에 따른 데이터 처리 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 제조 장치, 서버 등과 송수신할 수 있다. 네트워크부(150)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 뉴럴 네트워크 모델을 사용한 데이터 처리를 분산 처리할 수 있도록 할 수 있다.

프로세서(110)는 학습 대상이 되는 하나 이상의 데이터를 포함하는 데이터 세트를 획득할 수 있다. 전술한 바와 같이, 본 개시의 일 실시예에서 데이터는 산업 현장에서 획득되는 임의의 종류의 데이터를 포함할 수 있으며, 프로세서(110)는 다른 컴퓨팅 장치, 제조 장비 등으로부터 데이터를 획득할 수 있다. 획득된 하나 이상의 데이터는 데이터 세트를 구성할 수 있으며, 데이터 세트는 뉴럴 네트워크 모델의 학습의 1 에폭(epoch)의 연산에 사용되는 데이터의 집합일 수 있다.

데이터 세트는 라벨링 된 데이터(labeled data) 및 라벨링 되지 않은 데이터 (unlabeled data)를 포함할 수 있다. 라벨링 되지 않은 데이터는 본 개시의 일 실시예의 데이터 처리 방법에 의하여 라벨링 될 수 있으며, 본 개시의 일 실시예의 데이터 처리 방법은 라벨링 되지 않은 데이터를 라벨링 함으로써, 데이터 세트에 포함된 라벨링된 데이터의 비율을 높여, 모델의 성능을 향상시킬 수 있다.

즉, 최초의 데이터 세트는 일부의 데이터 만이 라벨링 되어 있을 수 있으나, 본 개시의 일 실시예의 데이터 처리 방법에 의하여 라벨링 되지 않는 데이터들이 추가적으로 라벨링될 수 있다.

데이터 서브세트는 데이터 세트의 서브세트로서, 하나 이상의 데이터를 포함할 수 있으며, 데이터 서브세트는 데이터를 사전 결정된 기준으로 선택하여 구성될 수 있다. 본 개시에서 데이터 세트는 정상 데이터들로만 구성될 수도 있다. 복수의 데이터 서브세트 각각은 상이한 정상 패턴의 데이터를 포함할 수 있다. 예를 들어, 본 개시의 학습 데이터는 반도체 생산 공정에서 획득된 센서 데이터, 생산 장비의 동작 파라미터 등 일 수 있다. 이 경우, 반도체 생산 공정에서 생산 장비의 설정(예를 들어, 특정 공정에서 조사되는 레이저의 파장의 변경 등)이 변경되는 경우(즉, 레시피의 변경이 있는 경우), 설정 변경 이후에 획득되는 센서 데이터는 설정 변경 이전에 획득되는 센서 데이터와 서로 다른 데이터 서브세트에 포함될 수 있다.

프로세서(110)는 하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택할 수 있다. 서로 상이한 복수의 데이터는, 서로 상이한 클러스터에 포함된 데이터로 구성될 수 있다.

데이터는 각각 복수의 항목으로 구성될 수 있다. 복수의 항목들 각각은 사전 결정된 기준에 따라 피처 그룹으로 분류될 수 있다. 데이터의 복수의 항목을 피처 그룹으로 분류하기 위한 사전결정된 기준은 데이터의 값들을 다른 값과 구분할 수 있는 임의의 기준일 수 있다. 구체적으로, 피처 그룹은 데이터에 포함된 복수의 항목들 중 연관된 항목들로 구성될 수 있다. 예를 들어, 데이터는 동일한 형태의 값들끼리 그룹화된 복수의 피처 그룹으로 구성될 수 있다. 또한, 데이터는 동일한 센서로부터 획득된 값들끼리 그룹화된 복수의 피처 그룹으로 구성될 수 있다. 또한, 데이터는 동일한 모니터링 모듈로부터 획득된 값들로 그룹화된 복수의 피처 그룹으로 구성될 수 있다.

구체적인 예를 들어, 데이터는 반도체 생산 공정에서 획득되는 센서 데이터 생산 장비의 동작 파라미터 등에 관한 복수의 센싱 값들로 구성될 수 있다. 데이터는 온도 센서 데이터, 로봇 팔의 제 1 관절의 각도 센서 데이터, 제 2 관절의 각도 센서 데이터 등으로 구성될 수 있다. 이 경우, 온도 센서 데이터는 예를 들어, 온도 센서가 복수 개 존재하는 경우 복수의 항목을 가질 수 있다. 이 경우, 온도 센서 데이터는 하나의 피처 그룹으로 분류될 수 있다. 이 경우, 온도 센서 데이터의 값들과 제 1 관절의 각도 센서 데이터의 값들은 다른 형태의 값들(즉, 온도와 각도 등 상이한 단위의 값들)로 구성되므로, 다른 피처 그룹으로 분류될 수 있다. 또한, 제 1 관절의 각도 센서 데이터의 값과 제 2 관절의 각도 센서 데이터의 값은 상이한 센서 또는, 모니터링 모듈로부터 획득되므로, 다른 피처 그룹으로 분류될 수 있다. 즉, 온도 센서 데이터의 값들은 제 1 피처 그룹으로 분류되고, 제 1 관절의 각도 센서 데이터의 값들은 제 2 피처 그룹으로 분류되고, 그리고 제 2 관절의 각도 센서 데이터의 값들은 제 3 피처 그룹으로 분류될 수 있다. 다시 말해, 값들의 형태가 동일하거나, 동일한 센서 또는 모니터링 모듈을 통해 획득한 값들은 서로 연관성이 있는 데이터이므로 동일한 피처 그룹으로 분류될 수 있다. 전술한, 온도 센서 데이터 및 관절 각도 센서 데이터에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

구체적으로 도 2를 참조하면, 프로세서(110)는 하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트(200)에서 상이한 복수의 데이터를 선택할 수 있다. 예를 들어, 프로세서(110)는 상이한 클러스터로 분류된 제 1 데이터 서브세트(210)에 포함된 데이터들 중 적어도 하나 이상의 데이터와 제 2 데이터 서브세트(220)에 포함된 데이터들 중 적어도 하나 이상의 데이터를 선택할 수 있다. 각각 상이한 클러스터에 포함된 데이터들(즉, 각각의 데이터 서브세트에 포함된 데이터들)은 동일한 기준으로 클러스터링된 데이터들일 수 있다.

구체적인 예를 들어, 본 개시의 복수의 데이터를 포함하는 데이터 세트는 반도체 생산 공정에서 획득된 센서 데이터, 생산 장비의 동작 파라미터 등일 수 있다. 이 경우, 반도체 생산 공정에서 생산 장비의 설정(예를 들어, 특정 공정에서 조사되는 레이저의 파장의 변경 등)이 변경되는 경우(즉, 레시피의 변경이 있는 경우), 설정 변경 이후에 획득되는 센서 데이터는 설정 변경 이전에 획득되는 센서 데이터와 서로 다른 데이터 서브세트에 포함될 수 있다. 즉, 제 1 데이터 서브세트에 포함된 복수의 데이터들은 생산 장비의 설정 변경 이전 시점에 획득한 센서 데이터 또는 생산 장비의 동작 파라미터에 관한 정보들을 포함하는 데이터들일 수 있으며, 제 2 데이터 서브세트에 포함된 복수의 데이터들은 생산 장비의 설정 변경 이후 시점에 획득한 센서 데이터 또는 생산 장비의 동작 파라미터에 관련한 정보들을 포함하는 데이터들일 수 있다. 전술한 데이터 서브세트 각각이 포함하는 데이터들에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 즉, 프로세서(110)는 상이한 클러스터로 분류된 복수의 데이터 서브세트 각각에서 상이한 복수의 데이터를 선택할 수 있다. 프로세서(110)는 데이터 세트의 데이터들을 클러스터링하여 복수의 데이터 서브세트를 생성할 수 있다. 복수의 데이터 서브세트는 예를 들어 트리플랫 로스(triplet loss) 기반 비용 함수를 사용하여 학습된 분류 모델에 의하여 분류될 수 있다. 이하에서는 도 4 및 도 5를 참조하여, 분류 모델을 통해 데이터 세트의 데이터들을 복수의 데이터 서브세트 각각으로 클러스터링 하는 방법에 대하여 구체적으로 설명하도록 한다.

도 4는 본 개시의 일 실시예와 관련된 분류 모델을 훈련시키는 방법을 나타낸 개략도이다.

본 개시의 분류 모델은 프로세서(110)에 의해 해공간(300)상에서 유사한 데이터들끼리 클러스터를 형성하도록 학습될 수 있다. 보다 구체적으로 분류 모델은 타겟 데이터(301)와 타겟 유사 데이터(302)가 하나의 클러스터(310)에 포함되고, 타겟 비유사 데이터(303)는 타겟 데이터(301)와 타겟 유사 데이터(302)와는 상이한 클러스터에 포함되도록 학습될 수 있다. 학습된 분류모델의 해공간 상에서 각각의 클러스터는 일정 거리 마진(320)을 가지도록 위치할 수 있다.

분류 모델은 타겟 데이터(301), 타겟 시밀러 데이터(302), 타겟 디스시밀러 데이터(303)를 포함하는 학습 데이터 서브세트를 입력 받아 각각의 데이터들을 해공간에 매핑하고 해공간 상에서 라벨링 된 클러스터 정보에 따라 클러스터링 될 수 있도록 분류 모델이 포함한 하나 이상의 네트워크 함수의 가중치를 업데이트 할 수 있다. 즉, 분류 모델은 타겟 데이터(301)와 타겟 시밀러 데이터(302)의 해공간 상에서의 거리가 서로 가까워지도록, 타겟 데이터(301) 및 타겟 시밀러 데이터(302)와 타겟 디스시밀러 데이터(303) 사이의 해공간 상에서의 거리가 서로 멀어지도록 학습시킬 수 있다. 분류 모델은 예를 들어 트리플렛(triplet) 기반 비용 함수를 사용하여 학습될 수 있다. 트리플렛 기반 비용 함수는 동일한 분류인 입력 데이터들의 쌍을 다른 분류의 제 3 입력 데이터로부터 분리하는 것을 목표로 하며, 동일한 분류인 입력 데이터들의 쌍 사이의 제 1 거리(즉, 클러스터 310의 크기)와, 동일한 분류인 입력 데이터들의 쌍 중 하나와 제 3 의 입력 데이터 사이의 제 2 거리(즉, 301 또는 302와 303 사이의 거리) 사이의 차이 값이 적어도 거리 마진(320)로 하며, 분류 모델을 학습시키는 방법은 제 1 거리를 거리 마진의 일정 비율 이하로 감소시키는 단계를 포함한다. 여기서 거리 마진(320)은 항상 양수일 수 있다. 거리 마진(320)에 도달하도록 하기 위하여 분류 모델에 포함된 하나 이상의 네트워크 함수의 가중치가 업데이트 될 수 있으며, 가중치 업데이트는 반복(iteration) 마다 또는 1 에포크 마다 수행될 수 있다. 이러한 거리 마진에 관하여 상세한 내용은 전체가 본 명세서에 참조로서 통합되는 Schroff 등의 "FaceNet: A Unified Embedding for Face Recognition and Clustering" 및 대한민국 공개특허 10-2018-0068292에서 개시된다.

또한 분류 모델은 비유사한 데이터의 클러스터 분류뿐 아니라, 하나의 클러스터 또는 다른 클러스터 사이에도 각각의 데이터들 사이의 시멘틱(semantic) 한 관계를 고려할 수 있는 마그넷 로스(magnet loss) 기반의 모델로 학습될 수도 있다. 분류 모델의 해공간 상에서 각각의 클러스터의 중심점 사이의 초기 거리가 학습 과정에서 수정될 수 있다. 분류 모델은 해공간 상에 데이터들을 매핑한 후, 각각의 데이터의 해공간 상에서의 위치를 각각의 데이터가 속하는 클러스터 및 클러스터 내부 및 클러스터 외부의 데이터와 유사성에 기초하여 조정할 수 있다. 마그넷 로스에 기반한 분류 모델의 학습에 관련한 상세한 내용은 전체가 본 명세서에서 참조로서 통합되는 O. Rippel 등의 "METRIC LEARNING WITH ADAPTIVE DENSITY DISCRIMINATION"에서 개시된다.

즉, 프로세서(110)는 데이터 세트에 포함된 복수의 데이터들을 특정 클러스터에 따라 복수의 데이터 서브세트 각각으로 분류하도록 분류 모델을 학습시킬 수 있다.

도 5는 본 개시의 일 실시예와 관련된 분류 모델의 해공간을 나타낸 개략도이다.

도 5에 도시된 해공간(300)은 예시일 뿐이며, 분류 모델은 임의의 개수의 클러스터 및 각 클러스터 당 임의의 개수의 데이터를 포함할 수 있다. 도 5에 도시된 클러스터에 포함된 데이터들(331, 333, 341, 343 등)의 모양은 유사한 데이터임을 나타내기 위한 예시일 뿐이다.

본 개시에서 해공간은 1차원 이상의 공간으로 구성되며 하나 이상의 클러스터를 포함하고, 각각의 클러스터는 각각의 타겟 데이터에 기초한 특징 데이터 및 타겟 유사 데이터에 기초한 특징 데이터의 해공간 상에서의 위치에 기초하여 구성될 수 있다.

해공간에서 제 1 클러스터(330)와 제 2 클러스터(340)는 비유사한 데이터에 대한 클러스터 일 수 있다. 또한, 제 3 클러스터(350)는 제 1 및 제 2 클러스터와 비유사한 데이터에 대한 클러스터 일 수 있다. 클러스터 사이의 거리(345, 335)는 각각의 클러스터에 속하는 데이터들의 차이를 나타내는 척도일 수 있다.

제 1 클러스터(330)와 제 2 클러스터(340) 사이의 제 12 거리(345)는 제 1 클러스터(330)에 속하는 데이터와 제 2 클러스터(340)에 속하는 데이터의 차이를 나타내는 척도일 수 있다. 또한, 제 1 클러스터(330)와 제 2 클러스터(340)사이의 제 13 거리(335)는 제 1 클러스터(330)에 속하는 데이터와 제 3 클러스터(350)에 속하는 데이터의 차이를 나타내는 척도일 수 있다. 도 5에 도시된 예시에서, 제 1 클러스터(330)에 속하는 데이터는 제 3 클러스터(350)에 속하는 데이터 보다 제 2 클러스터(340)에 속하는 데이터에 더 비유사 할 수 있다. 즉, 클러스터 사이의 거리가 먼 경우 각각의 클러스터에 속하는 데이터는 보다 많이 비유사한 것이며, 클러스터 사이의 거리가 가까운 경우 각각의 클러스터에 속하는 데이터는 보다 적게 비유사한 것일 수 있다. 클러스터 사이의 거리(335, 345)는 클러스터의 반경 보다 사전 결정된 비율 이상 클 수 있다. 프로세서(110)는 입력 데이터를 분류 모델을 이용하여 연산함으로써, 분류 모델의 해공간에 입력 데이터의 특징 데이터가 매핑되는 위치에 기초하여 입력 데이터를 분류할 수 있다.

프로세서(110)는 입력 데이터를 사전 학습된 분류 모델을 이용하여 처리함으로써, 입력 데이터의 특징 데이터를 사전 학습된 분류 모델의 해공간에 매핑할 수 있다. 프로세서(110)는 입력 데이터의 해공간 상에서의 위치에 기초하여 상기 입력 데이터가 해공간 상의 하나 이상의 클러스터 중 어느 클러스터에 속하는지 여부에 기초하여 입력 데이터를 분류할 수 있다.

다시 말해, 프로세서(110)는 학습된 분류 모델을 통해 데이터 세트에 포함된 복수의 데이터들을 클러스터링하여 복수의 데이터 서브세트를 생성할 수 있다. 예를 들어, 프로세서(110)는 학습된 분류 모델을 통해 데이터 세트에 포함된 복수의 데이터들 중 생산 장비의 설정 변경 이점 시점에 획득한 센서 데이터 또는, 생산 장비의 동작 파라미터에 관련한 데이터들을 제 1 데이터 서브세트로 분류하고, 생산 장비의 설정 변경 이후 시점에 획득한 센서 데이터 또는, 생산 장비의 동작 파라미터에 관련한 데이터들을 제 2 데이터 서브세트로 분류할 수 있다.

따라서, 프로세서(110)는 트리플렛 로스 방식을 통해 학습된 모델인 분류 모델의 입력 데이터를 클러스터로 분류하여 상이한 정상 패턴을 가지는 데이터들을 변형을 위한 데이터들로 결정할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 복수의 데이터 중 각각의 데이터의 일부에 대한 변형을 수행하기 위한 데이터를 결정할 수 있다. 구체적으로, 프로세서(110)는 데이터의 변형 이후에도 유효한 데이터로 활용될 수 있는 데이터들을 변형을 수행하기 위한 데이터들로 선택할 수 있다. 또한, 프로세서(110)는 데이터의 변형 이후, 비정상 상태를 포함하는 데이터로 활용될 수 있는 데이터들을 변형을 수행하기 위한 데이터들로 선택할 수 있다. 도 2를 참조하여 보다 자세히 설명하면, 프로세서(110)는 상이한 클러스터로 분류된 복수의 데이터 서브세트 각각에서 상이한 복수의 데이터를 데이터의 변형을 위한 데이터들로 선택할 수 있다. 프로세서(110)는 제 1 데이터 서브세트(210)에 포함된 데이터들 중 적어도 하나 이상의 데이터를 선택하고, 그리고 제 2 데이터 서브세트(220)에 포함된 데이터들 중 적어도 하나 이상의 데이터를 선택할 수 있다. 이 경우, 제 1 데이터 서브세트(210)와 제 2 데이터 서브세트(220) 각각은 생산 장비의 설정 변경 이점 및 이후 시점 각각에서 획득된 센서 데이터에 관한 정보를 포함할 수 있다. 즉, 프로세서(110)는 데이터의 변형 이후에도 학습을 위한 데이터로써 유효하고, 그리고 변형 이후에 비정상 데이터로 활용가능하도록 제 1 데이터 서브세트(210)에서 제 1 데이터(211)를 선택하고, 그리고 제 2 데이터 서브세트(220)에서 제 3 데이터(221)를 선택할 수 있다.

또한, 프로세서(110)는 동일한 클러스터로 분류된 데이터 서브세트에서 상이한 복수의 데이터를 데이터의 변형을 위한 데이터들로 선택할 수도 있다. 프로세서(110)는 하나의 클러스터인 제 1 데이터 서브세트(210)에 포함된 제 1 데이터(211) 및 제 2 데이터(212)를 데이터의 변형을 위한 데이터들로 선택할 수도 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형할 수 있다. 프로세서(110)는 각각의 데이터의 하나 이상의 피처 그룹의 값(value)을 변경할 수 있다.

또한, 프로세서(110)는 복수의 데이터 중 하나의 데이터의 값과 다른 데이터의 값을 교환할 수 있다. 복수의 데이터는 예를 들어, 제 1 데이터 및 제 2 데이터를 포함할 수 있다. 프로세서(110)는 제 1 데이터의 일부의 값과 제 2 데이터의 일부의 값을 서로 교환할 수 있다.

구체적으로, 프로세서(110)는 복수의 데이터 중 하나의 데이터의 하나 이상의 피처 그룹의 값과 다른 데이터의 하나 이상의 피처 그룹의 값을 교환할 수 있다. 프로세서(110)는 각각의 데이터의 동일한 피처 그룹에 대응하는 데이터의 값을 서로 교환할 수 있다. 프로세서(110)는 제 1 데이터의 제 1 피처 그룹의 값과 제 2 데이터의 제 1 피처 그룹의 값을 서로 교환할 수 있다. 예를 들어, 프로세서(110)는 제 1 데이터의 제 1 관절의 각도 센서 피처 그룹의 값들과 제 2 데이터의 제 1 관절의 각도 센서 피처 그룹의 값들을 서로 교환할 수 있다. 즉, 서로 연관된 피처 그룹의 값들을 서로 교환함으로써, 각각의 데이터들은 데이터 자체는 유효하나 비정상 상태를 포함하는 데이터가 될 수 있다. 예를 들어, 둘 이상의 데이터에서 전혀 연관성이 없는 피처 그룹의 값들을 서로 교환하는 경우, 데이터 자체가 유효하지 않을 가능성이 있으며, 그 자체로서 비정상 데이터로 판단될 수도 있다. 즉, 예를 들어, 제 1 데이터에 포함된 동작 온도와 관련한 피처 그룹의 값들을 제 2 데이터 포함된 동작 시간과 관련한 피처 그룹의 값들로 교환한 경우, 데이터가 유효하지 않으므로, 그 자체로 비정상으로 판단될 수 있어, 모델의 학습에 적절치 않을 수 있다. 다시 말하면, 상이한 피처 그룹의 값들이 교환된 데이터는 모델의 분류 성능을 많이 요구하지 않는 데이터 일 수 있다. 그러나, 연관된 피처 그룹에 포함된 값들끼리 서로 교환함으로써, 데이터 자체는 유효하나, 정상 상태는 아닌 데이터를 생성할 수 있다. 다시 말하면, 연관된 피처 그룹에 포함된 값들을 교환하여 데이터를 생성함으로써, 비정상 데이터이나 모델의 분류 성능을 많이 요구하는 데이터를 생성할 수 있다. 즉, 모델이 배울 지식이 많은 데이터가 생성될 수 있다.

교환을 위해 서로 다른 클러스터에 포함된 데이터에서 선택되는 피처 그룹은 연관된 피처 그룹일 수 있다. 예를 들어, 교환을 위하여 선택되는 피처 그룹은 서로 다른 클러스터에 포함된 데이터에서 공통되는 항목일 수 있다. 예를 들어, 두 데이터가 동일한 로봇 팔의 동작에 관련한 데이터 인 경우, 피처 그룹은 로봇 팔의 각각의 관절에 대응될 수 있다. 이 경우 프로세서(110)는 예를 들어, 같은 관절에 관련한 피처 그룹의 값들을 서로 교환할 수 있다.

또한, 연관된 피처 그룹은 두 데이터에서 각각의 피처 그룹의 값을 교환하였을 때, 유효한 데이터를 생성하도록 선택될 수 있다. 예를 들어, 교환을 위하여 각각의 데이터에서 선택되는 피처 그룹은 해당 피처 그룹에 포함된 값(value)의 형태, 유효성이 대응되는 피처 그룹일 수 있다. 예를 들어, 두 데이터가 동일한 로봇 팔의 동작에 관련한 데이터인 경우, 피처 그룹은 로봇 팔의 각각의 관절일 수 있다.

또한, 다른 예시에서, 연관된 피처 그룹은 두 데이터에서 각각의 피처 그룹의 값을 교환하였을 때 데이터의 상태가 바뀔 수 있는 피처 그룹으로 선택될 수도 있다. 이 경우, 전술한 바와 같이 교환 전 후에 데이터는 유효하도록 피처 그룹이 선택될 수도 있다. 예를 들어, 두 데이터가 동일한 로봇 팔의 동작에 관련한 데이터인 경우, 피처 그룹은 로봇 팔의 각각의 관절일 수 있다. 또한, 프로세서(110)는 예를 들어, 상이한 관절에 관련한 피처 그룹의 값들을 교환할 수 있다. 즉, 프로세서(110)는 제 1 데이터에서 제 1 관절에 관련한 피처 그룹의 값과 제 2 데이터의 제 2 관절에 관련한 피처 그룹의 값을 서로 교환할 수도 있다. 이 경우, 제 1 관절에 관련한 피처 그룹의 값들과 제 2 관절에 관련한 피처 그룹의 값들은 모두 관절의 동작 각도에 관련한 값들을 포함할 수 있으며, 이런 방식으로 피처 그룹의 값을 교환하여 데이터들을 생성하여도 데이터는 유효한 형태를 가질 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

또 다른 예를 들어, 프로세서(110)는 상이한 관절에 관련한 피처 그룹의 값들을 교환할 수 있다. 상이한 관절에 관련한 피처 그룹의 값들을 교환함으로써, 교환 전 데이터가 정상 상태 데이터인 경우, 교환 후의 데이터는 비정상 상태일 수도 있다. 또한, 각각의 데이터에서 대응되는 피처 그룹의 값을 교환할 수도 있다. 다만 이 경우, 다른 피처 그룹에 포함된 값들에 따라서, 데이터의 상태가 변경되지 않을 수도 있으므로, 프로세서(110)는 학습을 위하여 해당 피처 그룹을 교환하면 데이터의 상태가 변경되도록 피처 그룹을 선택할 수도 있다.

도 2를 참조하면 보다 자세히 설명하면, 프로세서(110)는 상이한 클러스터로 분류된 복수의 데이터 서브세트 각각에서 상이한 복수의 데이터를 선택할 수 있다. 프로세서(110)는 제 1 데이터 서브세트(210)에 포함된 데이터들 중 적어도 하나 이상의 데이터를 선택하고, 그리고 제 2 데이터 서브세트(220)에 포함된 데이터들 중 적어도 하나 이상의 데이터를 선택할 수 있다. 이 경우, 제 1 데이터 서브세트(210)와 제 2 데이터 서브세트(220) 각각은 생산 장비의 설정 변경 이점 및 이후 시점 각각에서 획득된 센서 데이터에 관한 정보를 포함할 수 있다. 제 1 데이터 서브세트(210)에서 제 2 데이터(212)가 선택되고, 그리고 제 2 데이터 서브세트(220)에서 제 4 데이터(222)가 선택된 경우, 프로세서(110)는 제 2 데이터(212) 및 제 4 데이터(222) 각각에 포함된 하나 이상의 피처 그룹 중 하나의 피처 그룹의 값을 변경할 수 있다. 프로세서(110)는 제 2 데이터(212)에 포함된 복수의 피처 그룹 중 제 1 피처 그룹의 값과 제 4 데이터(222)에 포함된 복수의 피처 그룹 중 제 1 피처 그룹의 값을 서로 교환(21)함으로써, 각 피처 그룹의 값을 변형할 수 있다. 즉, 프로세서(110)는 상이한 클러스터를 형성하는 각각의 데이터 서브세트에 포함된 데이터들을 선택하고, 그리고 선택된 각각의 데이터의 동일한 피처 그룹에 속하는 데이터의 값을 서로 교환함으로써, 선택된 복수의 데이터들 각각의 일부에 대한 변형을 수행할 수 있다. 이 경우, 선택된 데이터들 각각의 변형은, 동일한 피처 그룹에 속하는 데이터의 값을 교환(즉, 연관성을 가지는 데이터 값들의 교환)을 통해 이루어질 수 있다.

또한, 프로세서(110)는 동일한 데이터 서브세트에 포함된 둘 이상의 데이터를 선택하여 이들의 값을 변경할 수도 있다. 예를 들어, 프로세서(110)는 제 1 데이터 서브세트(210)에 포함된 제 1 데이터(211), 제 2 데이터(212)를 선택하여 제 1 데이터(211)의 제 1 피처 그룹과 제 2 데이터(212)의 제 1 피처 그룹의 데이터를 서로 교환(22)하여 새로운 데이터를 생성할 수도 있다. 그리고 이 경우 생성된 데이터는, 다른 피처 그룹에 포함된 값들에 따라 정상일 수도 있고 비정상 일 수도 있다. 전술한 예시에서 제 2 내지 제 3 피처 그룹에 포함된 값들에 따라서, 제 1 피처 그룹의 값이 제 2 데이터(212)의 제 1 피처 그룹의 값으로 변경된 제 1 데이터(211)는 정상 데이터 일 수도 있고 비정상 데이터일 수도 있다.

다른 예를 들어, 프로세서(110)는 제 1 데이터 서브세트(210)에 포함된 제 1 데이터(211), 제 2 데이터(212)를 선택하여 제 1 데이터(211)의 제 1 피처 그룹과 제 2 데이터(212)의 제 2 피처 그룹을 서로 교환(23)하여 새로운 데이터를 생성할 수 있다. 이 경우, 제 1 데이터(211)의 제 1 피처 그룹은 제 1 관절의 각도 센싱 데이터에 관련한 값들로 구성된 피처 그룹일 수 있으며, 제 2 데이터(212)의 제 2 피처 그룹은 제 2 관절의 각도 센싱 데이터에 관련한 값들로 구성된 피처 그룹일 수 있다. 제 1 관절과 제 2 관절이 예를 들어, 유사한 스팩을 가져 동작 범위가 대응되는 경우, 유효한 데이터가 생성될 수도 있다. 즉, 완전히 동일한 피처 그룹은 아니나, 연관성이 있는 피처 그룹(즉, 관절의 각도 센싱 데이터와 관련한 값들로 구성된 피처 그룹) 간의 교환(23)을 통해 데이터를 변형함으로써, 데이터가 유효할 가능성이 높으며, 비정상 상태를 포함하는 데이터로의 변형이 가능해질 수 있다.

따라서, 프로세서(110)가 복수의 데이터를 선택하고, 각 데이터의 피처 그룹의 값을 상호 교환하는 동작의 수행 결과 각 데이터에 포함된 정상 데이터들이 비정상 데이터로 변형될 수 있다. 또한, 프로세서(110)에 의해 변형된 비정상 데이터는, 전혀 상이한 제조 레시피를 포함하는 정상 데이터들의 교환을 통해 생성되는 것이 아닌, 관련성을 가진 각 정상 데이터들의 동일 피처 그룹의 교환이므로, 신경망의 학습 및 테스트를 위한 데이터로 활용이 가능할 수 있다. 즉, 프로세서(110)는 복수의 데이터 각각의 변형을 통해 신경망의 학습 또는, 테스트를 위한 비정상 데이터들을 추가적으로 생성할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 변형된 복수의 데이터 각각에 레이블을 부여할 수 있다. 프로세서(110)는 변형된 복수의 데이터 각각에 비정상 레이블을 부여할 수 있다. 구체적으로, 프로세서(110)는 상이한 클러스터를 형성하는 복수의 데이터 서브세트 각각으로부터 복수의 데이터를 선택하고, 선택된 각각의 데이터의 동일한 피처 그룹에 속하는 데이터의 값을 서로 교환하여 선택된 복수의 데이터들 각각의 일부에 대한 변형을 통해 비정상 데이터들을 생성할 수 있다. 또한, 프로세서(110)는 생성된 비정상 데이터들 각각에 수도 비정상 레이블을 부여할 수 있다. 수도 비정상 레이블은 하드(hard)한 레이블일 수도 있고 소프트(soft)한 레이블일 수도 있다. 수도 비정상 레이블은 예를 들어, 해당 데이터가 비정상임을 나타내는 레이블 일 수도 있고, 해당 데이터가 비정상일 확률(예를 들어, 변경된 피처 그룹이 데이터에서 차지하는 비중을 고려하여 구해진 값 등)을 나타낼 수도 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

예를 들어, 프로세서(110)는 복수의 데이터를 포함하는 데이터 세트에서 제 1 데이터 및 제 2 데이터를 선택하고, 제 1 데이터 및 제 2 데이터 각각의 특정 피처 그룹을 상호 교환할 수 있다. 이 경우, 제 1 데이터는 제 2 데이터의 특정 피처 그룹의 값을 포함하며, 제 2 데이터는 제 1 데이터의 대응되는 특정 피처 그룹의 값을 포함하므로, 변형된 각각의 데이터는 비정상 데이터일 수 있다. 프로세서(110)는 이 경우 각각의 데이터에 수도 비정상 데이터인 레이블을 부여할 수 있다. 전술한 각 데이터를 통해 비정상 데이터를 생성하는 과정에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 프로세서(110)는 복수의 데이터 각각에 포함된 하나 이상의 피처 그룹을 교환함으로써 변형한 데이터들 각각에(즉, 비정상 데이터 각각에) 수도 비정상 레이블을 부여함으로써, 모델이 데이터에 대한 비정상 여부를 감지할 수 있도록 학습시킬 수 있다.

일반적으로, 특정 데이터에 기초하여 어노말리 여부를 감지하기 위한 신경망 모델은 정상 데이터와 비정상 데이터를 포함하는 학습 데이터를 통해 사전 학습될 수 있다. 다시 말해, 신경망 모델이 어노말리 여부를 감지하도록 사전 학습시키는 과정에서 정상 데이터와 비정상 데이터 모두를 구축하여야 할 수 있다. 다만, 신경망을 학습시키기 위한 비정상 데이터는 시계열에 관한 정보를 포함하므로 확보(또는, 구축)하기가 어려우며, 해당 비정상 데이터를 구축하는데 많은 시간이 요구될 수 있다. 본 개시는 정상 데이터들 각각의 동일 피처 그룹을 상호 교환하여 데이터를 변형함으로써 비정상 데이터를 생성할 수 있으므로, 별도의 비정상 데이터를 구축할 필요가 없어, 학습 데이터 구축이 용이해질 수 있다. 또한, 본 개시의 복수의 데이터를 변형함으로써 생성되는 비정상 데이터는 각 데이터들의 일부 영역을 단순히 상이한 값으로 변형(예컨대, 특정 데이터에 일부 노이즈를 부가하는 등)하는 것이 아닌, 동일한 피처 그룹에 속하는 데이터의 값을 교환(즉, 연관성을 가지는 데이터 값들의 교환)을 통해 이루어지는 것임으로, 신경망(예를 들어, 어노말리 감지 모델) 학습에 적합한 학습 데이터를 생성할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 변형된 데이터를 모델을 이용하여 연산할 수 있다. 본 개시의 일 실시예에서 모델은 어노말리 감지에 사용될 수 있다. 프로세서(110)는 변형된 데이터를 모델을 이용하여 연산하여 상기 모델의 성능을 테스트할 수 있다. 프로세서(110)는 변형된 데이터를 상기 모델이 비정상으로 판단하는지 여부에 기초하여 상기 모델의 성능을 테스트할 수 있다. 예를 들어, 프로세서(110)는 제 1 데이터 및 제 2 데이터 각각에 포함된 복수의 피처 그룹 중 제 1 피처 그룹을 상호 교환함으로써 제 1 데이터 및 제 2 데이터에 대한 변형을 수행할 수 있다. 또한, 프로세서(110)는 변형된 제 1 데이터 및 제 2 데이터(즉, 비정상 데이터) 각각을 모델의 입력으로 하여 각 데이터에 대한 어노말리 여부를 출력할 수 있다. 모델의 출력 결과가 제 1 데이터에서 어노말리가 감지되었다는 정보를 포함하며, 제 2 데이터에서 어노말리가 감지되었다는 정보를 포함하는 경우, 프로세서(110)는 해당 모델의 성능이 적정한 것으로 판별할 수 있다.

다른 예를 들어, 모델의 출력 결과가 제 1 데이터 또는, 제 2 데이터 중 적어도 하나의 데이터에서 어노말리가 감지되지 않았다는 정보를 포함하는 경우, 프로세서(110)는 해당 모델의 성능이 적정하지 못한 것으로 판별할 수 있다. 전술한 제 1 데이터 및 제 2 데이터에 기초하여 출력한 어노말리 여부에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 테스트 데이터 세트가 구축되지 않은 환경에서 학습된 신경망 모델의 성능 테스트가 가능해질 수 있다. 다시 말해. 학습된 신경망 모델을 테스트하기 위한 별도의 테스트 세트를 구축하지 않아도, 복수의 데이터의 변형을 통해 비정상 데이터를 생성함으로써, 학습된 신경망 모델에 대한 테스트를 수행할 수 있다.

이에 따라, 별도의 테스트 세트를 구축할 필요가 없어, 신경망의 학습 및 성능 테스트가 간소화되어 어노말리를 감지하는 신경망 모델(즉, 어노말리 감지 모델) 생성의 효율이 향상될 수 있다.

도 3은 본 개시의 일 실시예에 관련된 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력` 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들이 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 3의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 6은 본 개시의 일 실시예와 관련된 데이터 처리를 수행하기 위한 순서도를 도시한다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택할 수 있다(410).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 선택된 복수의 데이터 중 각각의 데이터의 일부를 변형할 수 있다(420).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 변형된 복수의 데이터 각각에 레이블을 부여할 수 있다(430).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 변형된 데이터를 모델을 이용하여 연산할 수 있다(440).

전술한 도 6의 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.

도 7은 본 개시의 일 실시예와 관련된 데이터 처리를 수행하는 방법을 구현하기 위한 로직을 도시한다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 다음과 같은 로직에 의해 구현될 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택하기 위한 로직(510), 선택된 복수의 데이터 중 각각의 데이터의 일부를 변형하기 위한 로직(520), 변형된 복수의 데이터 각각에 레이블을 부여하기 위한 로직(530) 및 변형된 데이터를 모델을 이용하여 연산하기 위한 로직(540)을 포함할 수 있다.

대안적인 실시예에서, 상기 서로 상이한 복수의 데이터는, 서로 동일한 클러스터 또는 서로 상이한 클러스터에 포함된 데이터로 구성될 수 있다.

대안적인 실시예에서, 상기 데이터 세트의 데이터들을 클러스터링하여 복수의 데이터 서브세트를 생성하기 위한 로직을 더 포함할 수 있다.

대안적인 실시예에서, 상기 데이터 세트의 데이터들을 클러스터링하여 복수의 데이터 서브세트를 생성하기 위한 로직은, 트리플랫 로스(triple loss) 기반 비용 함수를 사용하여 학습된 분류 모델에 의하여 수행될 수 있다.

대안적인 실시예에서, 상기 복수의 데이터 서브세트 각각은 상이한 정상 패턴의 데이터를 포함할 수 있다.

대안적인 실시예에서, 상기 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하기 위한 로직은, 각각의 데이터의 하나 이상의 피처 그룹 중 하나의 피처 그룹의 값(value)을 변경하기 위한 로직을 포함할 수 있다.

대안적인 실시예에서, 상기 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하기 위한 로직은, 복수의 데이터 중 하나의 데이터의 값과 다른 데이터의 값을 교환하기 위한 로직을 포함할 수 있다.

대안적인 실시예에서, 복수의 데이터 중 하나의 데이터의 값과 다른 데이터의 값을 교환하기 위한 로직은, 복수의 데이터 중 하나의 데이터의 하나 이상의 피처 그룹의 값과 다른 데이터의 하나 이상의 피처 그룹의 값을 교환하기 위한 로직을 포함할 수 있다.

대안적인 실시예에서, 복수의 데이터 중 하나의 데이터의 값과 다른 데이터의 값을 교환하기 위한 로직은, 각각의 데이터의 동일한 피처 그룹에 속하는 데이터의 값을 서로 교환하기 위한 로직을 포함할 수 있다.

대안적인 실시예에서, 상기 데이터 세트에 포함된 데이터는 정상 데이터일 수 있다.

대안적인 실시예에서, 상기 변형된 상기 복수의 데이터 각각에 레이블을 부여하기 위한 로직은, 상기 변형된 상기 복수의 데이터 각각에 비정상 레이블을 부여하기 위한 로직을 포함할 수 있다.

대안적인 실시예에서, 상기 변형된 데이터를 모델을 이용하여 연산하기 위한 로직은, 상기 변형된 데이터를 모델을 이용하여 연산하여 상기 모델의 성능을 테스트하기 위한 로직을 포함할 수 있다.

대안적인 실시예에서, 상기 변형된 데이터를 모델을 이용하여 연산하여 상기 모델의 성능을 테스트하기 위한 로직은, 상기 변형된 데이터를 상기 모델이 비정상으로 판단하는지 여부에 기초하여 상기 모델의 성능을 테스트하기 위한 로직을 포함할 수 있다.

대안적인 실시예에서, 상기 피처 그룹 각각은, 상기 데이터에 포함된 복수의 항목들 중 연관된 항목들로 구성될 수 있다.

본 개시의 일 실시예에 따르면 컴퓨팅 장치(100)를 구현하기 위한 로직은 컴퓨팅 프로그램을 구현하기 위한 수단, 회로 또는 모듈에 의하여 구현될 수도 있다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 8은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 이러한 컴퓨터 판독가능 저장 매체는 휘발성 및 비휘발성 매체, 이동식 및 비-이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하는 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (17)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
   하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택하는 동작;
   선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 동작;
   변형된 상기 복수의 데이터 각각에 레이블을 부여하는 동작; 및
   변형된 데이터를 모델을 이용하여 연산하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 서로 상이한 복수의 데이터는,
   서로 동일한 클러스터 또는 서로 상이한 클러스터에 포함된 데이터로 구성되는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 1 항에 있어서,
   상기 데이터 세트의 데이터들을 클러스터링하여 복수의 데이터 서브세트를 생성하는 동작;
   을 더 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 제 3 항에 있어서,
   상기 데이터 세트의 데이터들을 클러스터링하여 복수의 데이터 서브세트를 생성하는 동작은,
   트리플랫 로스(triple loss) 기반 비용 함수를 사용하여 학습된 분류 모델에 의하여 수행되는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 제 3 항에 있어서,
   상기 복수의 데이터 서브세트 각각은 상이한 정상 패턴의 데이터를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
6. 제 1 항에 있어서,
   상기 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 동작은,
   각각의 데이터의 하나 이상의 피처 그룹 중 하나의 피처 그룹의 값(value)을 변경하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
7. 제 1 항에 있어서,
   상기 선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 동작은,
   복수의 데이터 중 하나의 데이터의 값과 다른 데이터의 값을 교환하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 제 7 항에 있어서,
   복수의 데이터 중 하나의 데이터의 값과 다른 데이터의 값을 교환하는 동작은,
   복수의 데이터 중 하나의 데이터의 하나 이상의 피처 그룹의 값과 다른 데이터의 하나 이상의 피처 그룹의 값을 교환하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
9. 제 7 항에 있어서,
   복수의 데이터 중 하나의 데이터의 값과 다른 데이터의 값을 교환하는 동작은,
   각각의 데이터의 동일한 피처 그룹에 속하는 데이터의 값을 서로 교환하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 제 1 항에 있어서,
    상기 데이터 세트에 포함된 데이터는 정상 데이터인,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    상기 변형된 상기 복수의 데이터 각각에 레이블을 부여하는 동작은,
    상기 변형된 상기 복수의 데이터 각각에 비정상 레이블을 부여하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
12. 제 1 항에 있어서,
    상기 변형된 데이터를 모델을 이용하여 연산하는 동작은,
    상기 변형된 데이터를 모델을 이용하여 연산하여 상기 모델의 성능을 테스트하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
13. 제 12 항에 있어서,
    상기 변형된 데이터를 모델을 이용하여 연산하여 상기 모델의 성능을 테스트하는 동작은,
    상기 변형된 데이터를 상기 모델이 비정상으로 판단하는지 여부에 기초하여 상기 모델의 성능을 테스트하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
14. 제 1 항에 있어서,
    상기 피처 그룹 각각은,
    상기 데이터에 포함된 복수의 항목들 중 연관된 항목들로 구성되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
15. 하나 이상의 프로세서를 포함하는 컴퓨팅 장치에서 수행되는 데이터 처리 방법으로서,
    하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택하는 단계;
    선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 단계;
    변형된 상기 복수의 데이터 각각에 레이블을 부여하는 단계; 및
    변형된 데이터를 모델을 이용하여 연산하는 단계;
    를 포함하는,
    데이터 처리 방법.
    
16. 컴퓨팅 장치로서,
    하나 이상의 프로세서; 및
    상기 프로세서에서 실행가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 프로세서는,
    하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택하고;
    선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하고;
    변형된 상기 복수의 데이터 각각에 레이블을 부여하고; 그리고
    변형된 데이터를 모델을 이용하여 연산하는;
    컴퓨팅 장치.
    
17. 뉴럴 네트워크 모델의 학습 과정과 관련된 데이터를 저장하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 데이터는 컴퓨터 프로그램에 의해 수정되며, 상기 컴퓨터 프로그램은,
    하나 이상의 피처 그룹으로 구성된 데이터들을 포함하는 데이터 세트에서 서로 상이한 복수의 데이터를 선택하는 동작;
    선택된 상기 복수의 데이터 중 각각의 데이터의 일부를 변형하는 동작; 및
    변형된 상기 복수의 데이터 각각에 레이블을 부여하는 동작;
    을 포함하는,
    데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체.
    

Images