KR20210078074A - 잠재 벡터를 이용한 네트워킹 방법 및 장치 - Google Patents
잠재 벡터를 이용한 네트워킹 방법 및 장치 Download PDFInfo
- Publication number
- KR20210078074A KR20210078074A KR1020190169776A KR20190169776A KR20210078074A KR 20210078074 A KR20210078074 A KR 20210078074A KR 1020190169776 A KR1020190169776 A KR 1020190169776A KR 20190169776 A KR20190169776 A KR 20190169776A KR 20210078074 A KR20210078074 A KR 20210078074A
- Authority
- KR
- South Korea
- Prior art keywords
- deep neural
- neural network
- latent
- network
- latent vector
- Prior art date
Links
Images
Classifications
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0076—Distributed coding, e.g. network coding, involving channel coding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
본 발명은 잠재 벡터를 이용한 네트워킹 방법 및 장치에 대한 것이다. 보다 상세하게는, 본 발명의 잠재 벡터를 이용한 네트워킹 방법은, 원천 데이터를 수신하는 과정, 상기 원천 데이터로부터 잠재 벡터를 추출하는 과정, 상기 추출된 잠재 벡터를 이용하여 원천 데이터와 쌍을 이루고, 상기 잠재 벡터를 추출하는 과정과 연계된 딥 뉴럴 네트워크와 연동되는 과정을 포함하되, 상기 딥 뉴럴 네트워크와 연동되는 과정은, 상기 잠재 벡터를 이용한 네트워크를 통해 딥 뉴럴 네트워크와 연동 되는 것을 포함한다.
본 발명에 따르면, 종단점에 배치된 딥 뉴럴 네트워크의 인코더의 출력인 잠재 벡터를 네트워킹에 직접 사용하기 때문에 지연 및 전달 데이터 증가 문제를 근본적으로 해결할 수 있으며, 딥 뉴럴 네트워크의 병렬 처리 및 자원 공유를 효율적으로 수행할 수 있다.
본 발명에 따르면, 종단점에 배치된 딥 뉴럴 네트워크의 인코더의 출력인 잠재 벡터를 네트워킹에 직접 사용하기 때문에 지연 및 전달 데이터 증가 문제를 근본적으로 해결할 수 있으며, 딥 뉴럴 네트워크의 병렬 처리 및 자원 공유를 효율적으로 수행할 수 있다.
Description
본 발명은 잠재 벡터를 이용한 네트워킹 방법 및 장치에 대한 것이다. 또한, 본 발명은 데이터에서 추출된 특징인 잠재 벡터를 이용하여 물리적/논리적으로 분리된 공간에서 딥 뉴럴 네트워크를 분산 수행하는 장치 및 방법에 관한 것이다.
최근 인공지능 분야의 급속한 발전에 따라, 인공지능을 이용하여 다양한 기계학습 모델들이 제안되어 왔다. 기계학습의 대표적인 모델 중 하나인 딥 러닝 모델 또한 그 중 하나로서, 연속된 층으로 이루어진 네트워크를 이용하여 학습을 수행하는 것이 그 특징이다.
딥 러닝의 네트워크는 이더넷/인터넷과 같은 사설 또는 공중 네트워크를 통해서 연결될 수 있는데, 이때 데이터의 변환 과정(부호화, 복호화, 패킷화 등)으로 인해서 처리가 지연되고, 전달 데이터 등이 증가되는 문제를 갖고 있다.
도 1은 종래 기술로서 기존 네트워크에서 데이터가 전달되는 일반적인 방식을 도시한 것이다. 원천 데이터(101)는 부호화되고, 패킷으로 포장되어(102) 기존 네트워크(103)에서 스위칭 및 라우팅이 수행된 후에, 다시 디-패킷화되고, 복호화 되어(104) 데이터가 복구된다(105). 기존 네트워크(103)는 이더넷, 인터넷 등의 통신 네트워크를 의미한다.
일 예시로서, 원천 데이터(101)를 부호화하고, 패킷으로 포장(102)하는 과정은 네트워크의 노드, 즉 종단(Endpoints)에서 수행될 수 있으며, 디-패킷화되고, 복호화 되어(104) 원천 데이터가 복구(105)되는 과정은 클라우드 컴퓨팅을 통해 수행될 수 있다.
인터넷을 통해서 전달되어 복구된 데이터(105)는 도 2의 인공지능 기반의 딥 뉴럴 네트워크(Deep Neural Network)에도 이용될 수 있다. 도 2는 딥 뉴럴 네트워크 기반으로 데이터를 응용하는 일 예를 도시한 것이다. 복구된 데이터(105)는 딥 뉴럴 네트워크(202)를 통해 분류, 추론, 재구성 및 변환되는 등의 방식으로 응용(203)될 수 있다. 도 2의 과정은 풍부한 컴퓨팅 자원이 필요하므로 클라우드 컴퓨팅에서 수행될 수도 있다.
인공 지능 기반의 응용을 위해서는 실시간으로 막대한 양의 데이터를 저장하고 효율적으로 전송하고 처리할 수 있는 능력이 필수적이며, 처리가 필요한 막대한 데이터는 긴급성, 정확성 및 보안성을 유지해야할 필요성도 있다.
그러나 딥 뉴럴 네트워크 기반의 데이터 응용을 현재의 클라우드 컴퓨팅 기반에서 제공하면, 도 1에서의 데이터 전달 및 처리 과정을 거쳐야 하므로, 전달 데이터의 증가와 증가에 따른 지연의 발생 및 데이터를 처리하는 과정에서 발생하는 지연 등을 피할 수 없다. 특히 지연 문제는 인공 지능 기반의 데이터 응용이 주로 실시간 대응 및 예측 분야에 응용되고 있어서 기존 네트워크는 인공 지능 기반의 응용에 최대 걸림돌이 될 수 있다.
인터넷과 클라우드 컴퓨팅에서의 지연 및 전달 데이터 증가 문제를 해소하기 위해, 인터넷을 통하지 않고 기존 지역 네트워크를 통해 도 2의 기능을 종단에서 국부적으로 처리하는 기술도 제안된 바 있다. 그러나, 국부적인 종단의 장치는 연산처리, 메모리 용량이 작아서 고성능 대용량의 컴퓨팅 자원을 요구하는 딥러닝을 위해서는 적합하지 않을 수 있으며, 다른 딥 러닝 장치와 연결 또는 연동되지 않아 응용이 제한적일 수 있고, 종단 간 공유할 수 있는 자원이 적어 에너지 및 공간의 효율성이 좋지 않으며, 딥 러닝의 지속적 성능 개선을 위한 지속적 훈련이 어렵다는 문제점을 갖고 있다.
도 3은 상기의 문제점을 해결하기 위한 방안으로 제안된, 네트워킹 된 에지 컴퓨팅(Edge computing) 기반 딥 러닝을 수행하는 방법을 설명하기 위한 것이다. 도 3에서는 데이터의 처리 과정 중 패킷화 및 디-패킷화 과정은 생략하였다.
도 3에 도시된 기술은 원천 데이터(301)가 존재하는 종단점에 근접한 에지 컴퓨팅에 딥 뉴럴 네트워크(302)를 배치하고, 이를 기존 네트워크(303)를 통해서 연동하여 전달 데이터 증가 및 데이터 전달 지연 등을 완화시키면서 클라우드 컴퓨팅에서는 규모가 큰 딥 뉴럴 네트워크(304)를 구축하고 응용(305)을 수행한다. 기존 네트워크(303)는 이더넷, 인터넷 등의 통신 네트워크를 의미한다. 이 방식은 딥 뉴럴 네트워크들이 훈련과 응용을 공유할 수 있으면서도 데이터 전달 지연 및 전달 데이터 증가를 감소시킬 수 있다는 장점이 있다.
그러나 상기 기술 또한 에지에 분산된 딥 뉴럴 네트워크들이 서로 통신을 위한 기존 네트워크(이더넷, 인터넷 등)와 연결은 되어 있지만 딥 뉴럴 네트워크의 내부 기능을 나누어 수행하고 있지는 않기 때문에 여전히 지연 및 전달 데이터 증가가 발생하게 된다.
따라서, 본 발명의 목적은, 전술한 종래 기술의 문제점을 해결하기 위해, 잠재 벡터를 이용한 네트워킹 장치 및 방법을 제공하는 데 있다.
또한, 본 발명은, 상기 문제점들은 근본적으로 해결하기 위해서 딥 뉴럴 네트워크의 잠재 벡터(Latent Vector)를 서로 다른 딥 뉴럴 네트워크 또는 이를 응용하는 장치에 전달하는 잠재 공간(Latent Space) 네트워킹 기술을 제시하는 데 목적이 있다.
본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기 목적을 달성하기 위한, 본 발명의 잠재 벡터를 이용한 네트워킹 방법은 원천 데이터를 수신하는 과정, 상기 원천 데이터로부터 잠재 벡터를 추출하는 과정, 상기 추출된 잠재 벡터를 이용하여 원천 데이터와 쌍을 이루고, 상기 잠재 벡터를 추출하는 과정과 연계된 딥 뉴럴 네트워크와 연동되는 과정을 포함하되, 상기 딥 뉴럴 네트워크와 연동되는 과정은, 상기 잠재 벡터를 이용한 네트워크를 통해 딥 뉴럴 네트워크와 연동 되는 것을 포함한다.
상기 목적을 달성하기 위한, 본 발명의 잠재 벡터를 이용한 네트워킹 시스템은, 원천데이터를 수신하고, 딥 뉴럴 네트워크의 인코더를 이용하여 원천 데이터로부터 잠재 벡터를 생성하는 종단 노드, 상기 종단 노드에서 출력한 잠재 벡터를 네임스페이스로 하여 상기 종단 노드에서 출력한 잠재 벡터와 원천데이터 쌍을 전달하는 잠재공간 네트워크, 상기 잠재공간 네트워크에 연결되어 상기 종단 노드에서 출력한 잠재 벡터와 원천데이터 쌍을 수신하여 딥 뉴럴 네트워크 기능을 처리하는 딥 뉴럴 네트워크를 포함한다.
또한, 상기 잠재 벡터를 이용한 네트워킹 시스템은, 원천 데이터와 상기 종단 노드에서 출력한 잠재벡터와 원천데이터 쌍을 기존 패킷의 페이로드에 탑재하여 기존 네트워크에 연동할 수 있다.
또한, 상기 잠재벡터와 주소를 매핑하는 게이트웨이 수단을 통해서 기존 네트워크에 연동될 수 있다.
또한, 상기 잠재 벡터를 네임스페이스로 하여 NDN으로 구현된 상기 잠재 공간 네트워크와 연동할 수 있다.
상기 목적을 달성하기 위한, 본 발명의 잠재 벡터를 이용한 네트워킹 시스템은, 원천데이터를 수신하고, 딥 뉴럴 네트워크의 인코더를 이용하여 원천 데이터로부터 잠재 벡터를 생성하는 종단 노드, 상기 종단 노드에서 출력한 잠재 벡터를 네임스페이스로 하여 상기 종단 노드에서 출력한 잠재 벡터와 원천데이터 쌍을 전달하는 잠재공간 네트워크, 상기 잠재공간 네트워크에 연결되어 상기 종단 노드에서 출력한 잠재 벡터와 원천데이터 쌍을 수신하여 딥 뉴럴 네트워크 기능을 처리하는 딥 뉴럴 네트워크를 포함하되, 상기 종단 노드는 상기 딥 뉴럴 네트워크에서 처리된 잠재 벡터 정보를 수신하고, 상기 잠재 공간 네트워크는 상기 딥 뉴럴 네트워크에서 처리된 잠재 벡터 정보를 상기 종단 노드로 전달하는 것을 포함한다.
상기 목적을 달성하기 위한, 본 발명의 잠재 벡터를 이용한 네트워킹 시스템은, 원천데이터를 수신하고, 딥 뉴럴 네트워크의 인코더를 이용하여 원천 데이터로부터 잠재 공간을 생성하는 제1 종단 노드, 딥 뉴럴 네트워크를 이용하여 원천데이터 및 잠재 벡터를 수신하고 잠재 벡터를 분석하는 딥 뉴럴 네트워크를 포함하는 제2 종단 노드 및 제1 종단 노드로부터 잠재 공간을 수신하고, 상기 잠재 공간을 네임스페이스로 하여 상기 제1 종단 노드에서 출력한 원천 데이터와 잠재 벡터 쌍을 전달하는 잠재 공간 네트워크를 포함한다.
본 발명은 데이터에서 추출된 잠재 벡터(Latent vector)를 서로 다른 딥 뉴럴 네트워크 또는 이를 응용하는 장치에 전달하는 네트워킹 기술에 관한 것이다.
본 발명의 일 실시예에 따르면, 종단점에 배치된 딥 뉴럴 네트워크의 인코더의 출력인 잠재 벡터를 네트워킹 하여 사용하기 때문에 지연 및 전달 데이터 증가 문제를 근본적으로 해결할 수 있으며, 딥 뉴럴 네트워크의 병렬 처리 및 자원 공유를 효율적으로 수행할 수 있다.
또한, 본 발명의 일 실시예에 따르면 종단점의 자원 및 공간 한계 문제를 근본적으로 해결할 수 있다.
도 1은 기존 네트워크에서 데이터가 전달되는 일반적인 방식을 나타낸 것이다.
도 2는 딥 뉴럴 네트워크 기반 데이터 응용을 나타낸 것이다.
도 3은 에지 컴퓨팅 기반 딥 뉴럴 네트워크 기술을 나타낸 것이다.
도 4는 본 발명의 일 실시예에 따른 잠재 공간 네트워크를 포함하는 시스템을 나타낸 것이다.
도 5는 본 발명의 일 실시예에 따른 잠재 벡터를 이용한 네트워킹 장치를 나타낸 것이다.
도 6은 본 발명의 일 실시예에 따른 잠재 벡터를 이용한 네트워킹 방법을 단계적으로 나타낸 것이다.
도 7은 본 발명의 일 실시예에 따른, 원천 데이터와 잠재 벡터 쌍을 도시한 것이다.
도 8은 본 발명의 일 실시예에 따른 딥 뉴럴 네트워크의 인코더를 도시한 것이다.
도 9는 본 발명의 일 실시예에 따른 네트워크의 연동 구조를 도시한 것이다.
도 10은 본 발명의 일 실시예에 따른 딥 뉴럴 네트워크의 디코더를 도시한 것이다.
도 11은 본 발명의 일 실시예를 응용한 증강현실 시스템을 도시한 것이다.
도 2는 딥 뉴럴 네트워크 기반 데이터 응용을 나타낸 것이다.
도 3은 에지 컴퓨팅 기반 딥 뉴럴 네트워크 기술을 나타낸 것이다.
도 4는 본 발명의 일 실시예에 따른 잠재 공간 네트워크를 포함하는 시스템을 나타낸 것이다.
도 5는 본 발명의 일 실시예에 따른 잠재 벡터를 이용한 네트워킹 장치를 나타낸 것이다.
도 6은 본 발명의 일 실시예에 따른 잠재 벡터를 이용한 네트워킹 방법을 단계적으로 나타낸 것이다.
도 7은 본 발명의 일 실시예에 따른, 원천 데이터와 잠재 벡터 쌍을 도시한 것이다.
도 8은 본 발명의 일 실시예에 따른 딥 뉴럴 네트워크의 인코더를 도시한 것이다.
도 9는 본 발명의 일 실시예에 따른 네트워크의 연동 구조를 도시한 것이다.
도 10은 본 발명의 일 실시예에 따른 딥 뉴럴 네트워크의 디코더를 도시한 것이다.
도 11은 본 발명의 일 실시예를 응용한 증강현실 시스템을 도시한 것이다.
이하에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 발명의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 발명에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 발명에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 발명의 범위에 포함된다.
본 발명에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들을 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 발명의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 발명의 범위에 포함된다.
본 발명에서 딥 뉴럴 네트워크의 인코더란 임의의 것을 의미하는 바 상기 딥 뉴럴 네트워크의 구조나, 상기 인코더의 층(layer)의 수, 파라미터 수, 다운 샘플링 방법에는 제한을 두지 않는다. 또한 상기 인코더는, 오토인코더일 수도 있으며 기존 기훈련 된(pre-trained) 딥 뉴럴 네트워크의 인코더를 의미할 수도 있으며, 초기에 오토인코더의 디코더를 사용하여 훈련할 수도 있고 본 발명의 딥 뉴럴 네트워크(도 4, 404)와 연동하여 훈련할 수도 있다. 또는 향후 표준화된 딥 뉴럴 네트워크의 인코더(도 4, 402) 구조와 모델 파라미터가 제시될 수도 있다. 본 발명에서의 인코더는 특정 인코더로 제한하지 않고, 차원 축소를 하는 모든 방법이 모두 포함된다.
또한, 본 발명의 딥 뉴럴 네트워크 또한 임의의 딥 뉴럴 네트워크를 의미하는 것으로서 CNN, RNN 방식 등으로 구현될 수 있으며 그 구현 방식에 제한이 없다.
또한, 본 발명의 종단점 단말(이하, 종단이라 함)이란 통신이 가능한, 임의의 전자 기기를 의미한다. 상기 전자 기기에는 휴대형 정보 단말기기, 스마트폰, 모바일 전자기기, 거치형 컴퓨터, 노트북을 포함하고, 그 유형에 제한을 두지 않는다. 네트워크 연결 방식에 관련하여서도 유선인지 무선인지에 대한 제한을 두지 않는다.
또한, 본 발명에서 잠재 공간이란, 잠재 벡터가 존재하는 공간을 포함하는 의미로 사용될 수 있으며, 잠재 공간 네트워크는 잠재 벡터 기반으로 연결이 이루어지는 네트워크, 즉 잠재 벡터를 이용한 네트워크를 포함하는 의미로 사용될 수 있다.
또한, 본 발명에서 잠재 벡터라 함은, 특징맵과 잠재 벡터를 모두 포함하는 의미로 사용될 수 있다.
또한, 본 발명에서 패킷이라 함은, 패킷 혹은 프레임을 모두 포함하는 의미로 사용될 수 있다.
이하, 첨부한 도면을 참조하여 본 발명의 실시 예들에 대해서 설명할 것이다.
도 4는 본 발명의 일 실시예에 따른 잠재공간 네트워크를 포함하는 시스템을 도시한 것이다. 도 4에서는 데이터의 처리 과정 중 패킷화 및 디-패킷화 과정은 생략하고 표현하였다. 또한, 일 실시예로서, 401, 402는 에지 혹은 종단에서 수행되고 404, 405는 에지 혹은 클라우드에서 수행될 수 있다.
일 실시예로서, 잠재 공간 네트워크를 포함하는 시스템의 경우 원천 데이터(401), 임의의 딥 뉴럴 네트워크의 인코더(402), 잠재 공간 네트워크(403) 및 기존의 네트워크(406), 임의의 딥 뉴럴 네트워크(404) 및 임의의 딥 뉴럴 네트워크 기반의 응용(어플리케이션)(405)를 포함할 수 있다. 이때, 원천 데이터(401), 딥 뉴럴 네트워크의 인코더(402), 딥 뉴럴 네트워크(404) 및 딥 뉴럴 네트워크 기반의 응용(405)은 복수 개 일 수 있다.
원천 데이터(401)는 종단으로부터 획득한, 있는 그대로의 데이터를 의미한다. 데이터의 유형에는 제한이 없으므로 이미지, 음성, 센서에 의해 수집된 신호 등을 모두 포함할 수 있으며, 훈련용 분류 구별자도 포함될 수 있다.
일 실시 예로서, 딥 뉴럴 네트워크의 인코더(402)는 임의의 인코더를 의미하므로 네트워크 구조나, 상기 네트워크의 인코더(402)의 층(layer)의 수, 파라미터 수, 다운 샘플링 방법에는 제한을 두지 않는다. 예를 들어, 오토인코더(Autoencoder)를 사용할 수도 있고 기존 기훈련 된(pre-trained) 딥 뉴럴 네트워크의 인코더를 사용할 수도 있으며, 어떤 인코더든 차원 축소 기능을 가지면 가능하다. 또한 임의의 딥 뉴럴 네트워크(404)는 CNN, RNN 등으로 구현될 수 있으며 그 구현 방식에 제한이 없다.
딥 뉴럴 네트워크의 인코더(402)는 원천 데이터(401)로부터 추출한 특징맵(Feature map) 또는 잠재 벡터(Latent Vector) (이하, 잠재 벡터라 함)와 원천 데이터를 출력할 수 있다. 잠재 벡터란, 신경망에 입력된 데이터를 차원 축소시키면서도 특징을 갖게 한 변수 중 벡터 형태로 표현된 것을 의미하며, 신경망에 입력된 데이터를 사전에 학습된 복수 개의 층들을 거치면서 특징 추출(feature extraction)을 수행하여 입력 데이터의 고유한 특징을 부각시킨 데이터를 새로 만드는데, 이렇게 생성된 데이터를 특징 맵이라 한다.
잠재 벡터를 추출하기 위하여는, 원천 데이터의 차원을 줄이기 위해서 컨볼루션(Convolution), 풀링(Pooling)등을 수행할 수 있다. 이때 잠재 벡터의 차원(dimension)은 예를 들어 1 x 1 x m (m은 자연수)이 될 수 있을 것이나 제한이 없다고 할 것이며, 향후 표준화되면 차원을 정할 수도 있을 것이다. 상기 인코더를 통해 생성된 잠재 벡터는 원천 데이터와 함께 쌍(pair)으로 출력될 수 있다. 또한 딥 뉴럴 네트워크의 인코더는 여러가지 방법으로 기존 네트워크와 연동될 수 있다. 이에 대하여는 도 9에서 더욱 상세하게 설명할 것이다.
원천 데이터는 잠재 벡터마다 출력될 수 있으나 간헐적으로 출력하는 것도 가능하며, 훈련용 분류 구별자도 포함될 수 있다. 또한 전달 데이터 량을 줄이기 위해, 기존의 압축 인코딩 방식인, H.264 등의 방식을 이용하여 압축하여 출력할 수도 있다. 본 발명에 적용될 수 있는 압축 인코딩 방식에는 제한을 두지 않는다. 또한, 인코더가 잠재 벡터를 변환하는 방법에 대하여는 도 8 및 도 10을 참조하여 더욱 상세하게 설명할 것이다.
잠재 공간 네트워크(403)는, 잠재 벡터 기반으로 경로 연결이 이루어지는 네트워크가 될 수 있다. 보다 상세하게는, 인코더를 통해 생성된 동일하거나 유사한 잠재 벡터를 가진 데이터의 경로를 연결할 수 있다.
예를 들어, 원천 데이터와 잠재벡터 쌍(pair)을, 잠재 벡터를 주소로 사용하여 연결할 수 있다. 상기 네트워크(403)는 기존 네트워크를 대체하는 방식으로도 구현될 수 있다. 즉, 상기 네트워크(403)는 기존 이더넷 또는 TCP/IP 주소 대신에 잠재 벡터를 주소로서 사용하여 데이터를 교환할 수 있다.
예를 들어, 잠재 공간 네트워크가 정보 중심 네트워크 (Information Centric Networking, ICN)의 방식 중 NDN(Named Data Networking) 형태로 구현된다고 가정하면, 잠재 벡터를 네임스페이스(name space)에 사용할 수 있다. 즉, 데이터 요청 패킷인 인터레스트 패킷(interest packet)이나 요청된 데이터를 가지고 있는 임의의 노드가 요구된 데이터를 응답으로 전송하는 패킷인 데이터 패킷(Data packet)의 네임 스페이스에는 잠재 벡터를 사용할 수 있을 것이다.
딥 뉴럴 네트워크(404)는 응용(405)에 이용되는 분류, 추론, 변환 등을 수행하는 주체가 될 수 있다. 상기 기존 네트워크(406) 또는 잠재 공간 네트워크(403)를 통하여 상기 딥 뉴럴 네트워크의 인코더(402)와 연동될 수 있다. 또한, 요구되는 응용(405)에 따라 네트워크의 구조를 달리할 수 있다. 상기 네트워크(404)는 초기 또는 실시간으로 상기 딥 뉴럴 네트워크의 인코더(402)에서 출력한 잠재 벡터와 원천 데이터(401)를 이용하여 훈련을 수행할 수 있다. 따라서, 상기 네트워크(404)는 상기 딥 뉴럴 네트워크의 인코더(402)와 지형적으로 분리되어 있을 수 있음에도 불구하고 단일 딥 뉴럴 네트워크처럼 동작할 수 있게 된다.
응용(405)은 사용자의 요구 사항에 따라서 인공 지능 기반 서비스를 제공하는 주체가 될 수 있다. 상기 인공 지능 기반 서비스는 딥 뉴럴 네트워크(404)를 통해 데이터를 분류, 추론, 재구성 및 변환 등을 통하여 얻어진 결과를 조합하여 수행될 수 있다. 예를 들어, 실시간 번역, 실시간 원격 제어 및 특정 시스템에서의 실시간 이상 탐지 등이 될 수 있다.
기존 네트워크(406)는 전술한 바와 같이 주소 기반으로 연결이 이루어지는 네트워크를 의미하는 것으로서, 예를 들어 기존 이더넷 혹은 인터넷 네트워크가 될 수 있으며, 유/무선으로 연결된 것을 포함할 수 있으며, 그 유형에 제한을 두지 않는다. 상기 딥 뉴럴 네트워크의 인코더(402)는 다양한 방법으로 기존의 네트워크(406)와 연동될 수 있다.
일 예시로서, 기존 네트워크의 패킷(또는 프레임)의 페이로드(payload)에 잠재 벡터와 원천 데이터를 실어서 전달하는 방식으로 딥 뉴럴 네트워크의 인코더(402)와 연동 될 수 있다. 이 경우 잠재 공간 네트워크(403)과 기존의 네트워크(406)는 오버레이(overlay) 구조로 연동될 수도 있다.
다른 예시로서, 트랜스포트(transport) 층에서는 잠재 벡터를 해시 키(hash key)로 사용하여 포트 번호와 매핑(mapping)할 수도 있으며, 미리 정해진 포트로 상기 딥 뉴럴 네트워크의 인코더(402)의 잠재 벡터와 원천 데이터 쌍(pair)은 기존 2 혹은 3계층 네트워크를 통하여 전달될 수도 있다.
본 발명의 일 실시예에 따르면 종단(Endpoints)에 배치된 딥 뉴럴 네트워크의 인코더의 출력인 잠재 벡터를 주소로 하여 사용하기 때문에 지연 및 전달 데이터 증가 문제를 근본적으로 해결할 수 있을 것이다.
도 5는 본 발명의 일 실시예에 따른 잠재 벡터를 이용한 네트워킹 장치를 나타낸 것이다. 보다 상세하게는, 상기 네트워킹 장치를 에지 혹은 종단에 배치될 수 있는 장치와 에지 혹은 클라우드에 배치될 수 있는 장치로 나누어 설명할 것이다.
일 실시예로서, 에지 혹은 종단에 배치될 수 있는 잠재 벡터를 이용한 네트워킹 장치(502)는 외부(501)로부터 원천 데이터를 수신하는 수신 모듈(504), 상기 수신 모듈이 수신한 원천 데이터를 저장하는 메모리(505), 상기 메모리에 저장된 원천 데이터를 이용하여 딥 뉴럴 네트워크의 인코더의 기능을 제공하는 프로세서(506)는, 잠재 벡터를 추출하고, 이를 주소로서 사용하기 위한 처리를 수행할 수 있는 프로세서(506), 상기 추출된 잠재 벡터와 원천 데이터를, 잠재 벡터를 주소 값으로 하여 패킷 혹은 프레임(503)으로 송신하는 송신 모듈(507)을 포함할 수 있다.
이때, 외부(501)로부터 수신하는 원천 데이터는, 종단으로부터 획득한, 있는 그대로의 데이터를 의미할 수 있다. 데이터의 유형에는 제한이 없으므로 이미지, 음성, 센서에 의해 수집된 신호 등을 모두 포함할 수 있으며, 훈련용 분류 구별자도 포함될 수 있다. 수신 모듈(502)은 이러한 원천 데이터를 수신하여, 메모리(505)에 저장할 수 있다.
프로세서(506)는 메모리(505)에 저장된 원천 데이터를 이용하여 딥 뉴럴 네트워크의 인코더로서의 기능을 수행할 수 있다. 즉, 원천 데이터의 차원을 줄이기 위하여 다양한 처리를 수행하여 원천 데이터와 잠재 벡터를 쌍으로 구성할 수 있는데, 이는 도 4를 참조하여 전술한 바와 유사할 수 있으며, 추가적으로 도 8 내지 10를 참조하여 더욱 상세하게 설명할 것이다.
송신 모듈(507)은 상기 추출된 잠재벡터와 원천 데이터를, 잠재 공간 네트워크를 이용하기 위해 잠재 벡터를 주소값으로 하여 패킷 혹은 프레임(503)으로 송신할 수 있으며, 상기 패킷 혹은 프레임은 본 발명의 다른 실시예인 에지 혹은 클라우드에 배치될 수 있는 잠재 벡터를 이용한 네트워킹 장치의 입력이 될 수 있다.
다른 실시예로서, 에지 혹은 클라우드에 배치될 수 있는 잠재 벡터를 이용한 네트워킹 장치(502)는 외부(501)로부터 잠재 벡터 및 원천 데이터를 수신하는 수신 모듈(504)을 포함할 수 있는데, 이때 외부(501)는 상기 종단에 존재하는 장치가 될 수 있다. 즉, 에지 혹은 클라우드에 배치될 수 있는 잠재 벡터를 이용한 네트워킹 장치는 상기 종단에 존재하는 네트워킹 장치의 출력을 수신할 수 있다. 또한, 상기 수신한 패킷 혹은 프레임에 포함된 잠재 벡터와 원천 데이터를 저장하는 메모리(505), 상기 잠재벡터 및 원천 데이터를 이용하여 딥 뉴럴 네트워크를 훈련하고, 상기 종단에 존재하는 장치의 딥 뉴럴 네트워크의 인코더의 기능을 제공하는 프로세서와 연동하여 응용을 위한 분류, 추론, 변환 등을 수행하는 프로세서(506), 응용에 필요한 값(503)을 송신하는 송신 모듈(507)을 포함할 수 있다.
이때, 외부(501)로부터 수신하는 데이터는 상술한 바와 같이 추출된 잠재벡터와 원천 데이터를 포함하는 패킷 혹은 프레임이 될 수 있다. 수신 모듈(502)은 상기 패킷 혹은 프레임을 수신하여, 메모리(505)에 저장할 수 있다.
프로세서(506)는 메모리(505)에 저장된 잠재 벡터와 원천 데이터를 이용하여 초기 또는 실시간으로 딥 뉴럴 네트워크의 훈련을 수행할 수 있다. 또한, 훈련이 완료되면 응용을 위한 분류, 추론 및 변환 등을 수행할 수 있는데, 이에 대하여는 도 4를 참조하여 전술한 바와 같을 수 있으며, 추가적으로 도 8 내지 10를 참조하여 더욱 상세하게 설명할 것이다.
송신 모듈(507)은 응용에 필요한 값(503)을 송신할 수 있으며, 패킷 혹은 프레임으로 송신될 수 있다.
상기 종단 혹은 에지에 배치될 수 있는 장치와 상기 에지 혹은 클라우드에 배치될 수 있는 장치는 잠재공간 네트워크 또는 기존 네트워크를 통하여 경로가 연결될 수 있다. 이에 대하여는 도 4를 참조하여 상세히 설명한 바와 동일할 수 있다.
도 6은 본 발명의 일 실시예에 따른 잠재 벡터를 이용한 네트워킹 방법을 단계적으로 나타낸 것이다. 보다 상세하게는, 도 6a는 종단 혹은 에지에서 수행할 수 있는 네트워킹 방법을 도시한 것이고, 도 6b는 에지 혹은 클라우드에서 수행될 수 있는 네트워킹 방법을 도시한 것이다.
일 실시예로서, 도 6a의 원천 데이터를 외부로부터 수신하는 과정(S601)에서 원천 데이터란 종단으로부터 획득한, 있는 그대로의 데이터를 의미할 수 있다. 데이터의 유형에는 제한이 없으므로 이미지, 음성, 센서에 의해 수집된 신호 등을 모두 포함할 수 있으며, 훈련용 분류 구별자도 포함될 수 있다.
잠재 벡터를 추출하는 과정(S602)은 수신한 원천 데이터를 이용하여 원천 데이터의 차원을 줄이기 위해서 컨볼루션 및 풀링 등을 수행하는 과정을 포함할 수 있다. 이 경우 잠재벡터와 원천 데이터는 쌍으로 출력될 수 있다. 즉, 상기 과정(S602)은 딥 뉴럴 네트워크의 인코더가 수행하는 과정을 포함할 수 있는데, 이는 도 4 및 도 5에서 상술한 바와 동일할 수 있다.
잠재 벡터를 이용하여 딥 뉴럴 네트워크와 연동되는 과정(S603)은, 잠재 벡터를 주소로 사용하여 연결된 경로를 이용하는 과정을 포함할 수 있다. 이 경우 잠재 공간 네트워크 또는 기존 네트워크를 이용할 수 있는데, 이는 도 4 및 도 5에서 상술한 바와 동일할 수 있다.
본 발명의 일 실시예에 따른 도 6b의 에지 혹은 클라우드에서 수행될 수 있는 네트워킹 방법의 잠재 벡터와 원천 데이터를 포함하는 데이터를 수신하는 과정(S611)은, 잠재 공간 네트워크 또는 기존 네트워크를 통해, 상술한 종단 혹은 에지에서 수행될 수 있는 네트워킹 방법의 S602 과정에 따라 생성된 것을 수신할 수 있다.
종단 및 에지와 도 6b를 수행하는 주체는 지형적으로 분리되어 있음에도 불구하고, 상기 종단 및 에지가 딥 뉴럴 네트워크의 인코더의 기능을 수행함에 따라 단일 딥 뉴럴 네트워크처럼 동작할 수 있어야 하므로 수신한 데이터를 이용하여 딥 뉴럴 네트워크의 훈련을 수행하는 과정(S612)이 포함될 수 있다.
상기 딥 뉴럴 네트워크의 훈련이 완료되면 이를 이용하여 응용에 필요한 분류, 추론, 변환을 포함한 일련의 처리 과정(S613)을 수행할 수 있다. 상기 응용은, 사용자의 요구 사항에 따라 인공 지능 기반의 다양한 서비스를 포함할 수 있다. 예를 들어, 실시간 이상 탐지, 실시간 번역, 실시간 원격 제어 등이 있다.
도 7은 본 발명의 일 실시예에 따른, 원천 데이터와 잠재 벡터 쌍을 도시한 것이다. 보다 상세하게는, 잠재 벡터(711 내지 714)와 원천 데이터(701 내지 702) 구성을 나타낸 것이다. 원천 데이터는, 종단으로부터 획득한, 있는 그대로의 데이터를 의미한다. 데이터의 유형에는 제한이 없으므로 이미지, 음성, 센서에 의해 수집된 신호 등을 모두 포함할 수 있으며, 훈련용 분류 구별자도 포함될 수 있다.
일 실시예로서, 전술한 바와 같이, 딥 뉴럴 네트워크의 인코더는 원천 데이터로부터 잠재 벡터를 추출할 수 있다. 추출된 잠재 벡터는 원천 데이터와 함께 기존 네트워크 또는 잠재 공간 네트워크로 출력될 수 있다. 원천 데이터와 잠재 벡터는 쌍으로 전달될 수 있지만 원천 데이터와 잠재 벡터가 반드시 1:1로 대응될 필요는 없다. 전술한 바와 같이, 원천 데이터는 잠재 벡터마다 출력될 수 있으나 간헐적으로 출력하는 것도 가능하기 때문이다. 도 7에서는 예시로서 하나의 원천 데이터에 두 잠재 벡터가 한 쌍으로서 구성된 경우를 도시하였다.
따라서, 도시된 예와 같이 원천 데이터의 수는 잠재 벡터의 수보다 적거나 같을 수 있다. 이러한 딥 뉴럴 네트워크의 인코더의 잠재 벡터(711, 712, 713, 714)와 원천 데이터(701, 702)를 수신한 딥 뉴럴 네트워크는 훈련을 통해서 상기 딥 뉴럴 네트워크의 인코더와 연동될 수 있다. 딥 뉴럴 네트워크의 인코더의, 복수의 잠재 벡터와 원천 데이터 쌍은 기존 네트워크 또는 잠재 공간 네트워크를 통해서 방송(Broadcast)될 수 있기 때문에 하나의 딥 뉴럴 네트워크의 인코더(도 4, 402)와 복수의 딥 뉴럴 네트워크(도 4, 404)가 연동될 수 있다. 반대로 같은 구조의, 복수의 딥 뉴럴 네트워크의 인코더(도 4, 402)가 같은 파라미터로 훈련이 되었다면 복수의 딥 뉴럴 네트워크의 인코더(도 4, 402)가 단일 딥 뉴럴 네트워크(도 4, 404)와 연동되는 것도 가능한데, 이에 대하여는 도 9에서 더욱 상세하게 설명할 것이다.
도 8은 본 발명의 일 실시예에 따른 딥 뉴럴 네트워크의 인코더를 도시한 것이다. 보다 상세하게는, 전술한 바와 같이, 본 발명의 일 실시예에 따른 딥 뉴럴 네트워크의 인코더(도 4, 402)는 임의의 것으로서, 예를 들어 변분(variational) 오토인코더 혹은 적대적(Adversarial) 오토인코더와 같은 오토인코더(Autoencoder)로 구성될 수 있다. 그 중 일 실시예로서 딥 뉴럴 네트워크의 인코더를 vanilla 오토인코더의 인코더로 구성한 예를 설명하기 위해 도시한 것이다.
본 발명의 일 실시예로서, 도 8로서 도시한 바와 같이 딥 뉴럴 네트워크의 인코더를 vanilla 오토인코더의 인코더로 구성한 경우, 이를 이용하여 원천 데이터(801)가 W x H x C 차원을 갖는다고 가정하면, 전술한 바와 같이 컨볼루션, 풀링 등을 통해서 W/2 x H/2 x 2C 차원(802)으로 변화시키고, 이후 W/(m-1) x H/(m-1) x (m-1)C 차원(803)으로 변화시켜 최종적으로는 1 x 1 x mC 차원(804)의 잠재 벡터로 변환할 수 있다.
이때 상기 인코더는 원천 데이터(801)의 차원 크기에 무관하게 잠재 벡터의 차원을 결정할 수 있다. 예를 들어, 원천 데이터(801)의 차원이 W x H x C보다 매우 적은 경우 잠재 벡터의 차원은 1 x 1 x mC 보다 적을 수 있다. 그러나 이 경우에 잠재 벡터의 차원은 항상 1 x 1 x mC가 되어야 한다고 가정하면, 1 x 1 x mC 보다 차원이 적은 잠재 벡터를 나머지 차원의 값을 0으로 채워서 1 x 1 x mC 차원으로 맞추면 항상 1 x 1 x mC로 고정된 차원(805)으로 출력할 수도 있을 것이다. 이 경우, 상기 딥 뉴럴 네트워크의 인코더와 연동되는 딥 뉴럴 네트워크(도 4, 404)는 고정 길이의 잠재 벡터를 사용하기 때문에 구현을 매우 용이하게 할 수 있는 장점이 있다. 또한, 빈 차원을 0으로 채움으로써 상기 딥 뉴럴 네트워크는 임의의 차원을 갖는 원천 데이터에 대응이 가능하고, 0으로 채워진 부분은 훈련 시에 영향을 주지 않을 수 있다.
도 9는 본 발명의 일 실시예에 따른 네트워크의 연동 구조를 도시한 것이다. 보다 상세하게는, 도 9a는 본 발명의 일 실시예로서 복수의 딥 뉴럴 네트워크의 인코더(911) 및 복수의 딥 뉴럴 네트워크(921)와 연동되는 잠재 공간 네트워크와 기존 네트워크가 존재하는 경우를 설명하기위해 도시한 것이고, 도 9b 및 도 9c는 본 발명의 일 실시예에 따른 딥 뉴럴 네트워크와 딥 뉴럴 네트워크의 인코더의 연동을 설명하기 위하여 도시한 것이다. 도 9에서는 처리된 결과가 종단으로 전달되는 과정은 생략하였다. 또한 전술한 바와 같이, 기존 네트워크는 유/무선으로 연결된 네트워크를 포함하고, 이더넷 혹은 인터넷(TCP/IP) 네트워크를 포함할 수 있다. 전술한 바와 같이, 잠재 공간 네트워크는 잠재 벡터를 NDN(Named Data Networking)의 네임스페이스로 사용함으로써 쉽게 구현될 수 있으나, 이에 한정되는 것은 아니다.
일 예로서, 딥 뉴럴 네트워크의 인코더(911, 921 및 931)는 에지 혹은 종단에서 구현될 수 있으며 딥 뉴럴 네트워크(912, 922 및 932)는 에지 혹은 클라우드에서 구현될 수 있다.
복수의 딥 뉴럴 네트워크의 인코더(911)와 복수의 딥 뉴럴 네트워크(921)는 잠재 공간 네트워크(901)와는 논리적으로 연결되고 기존 네트워크(902)는 물리적으로 연결될 수도 있고, 잠재 공간 네트워크(901) 또는 기존 네트워크(902) 중 하나에만 연결될 수도 있으며, 연결 방식에는 제한이 없다.
또한, 복수의 딥 뉴럴 네트워크의 인코더(911, 921, 931)와 복수의 딥 뉴럴 네트워크(912, 922, 932)는 1:1 또는 1:p로 연결될 수 있다. 즉, 네트워크 간의, 네트워크와 인코더 간의 연결 방식에 대하여는 제한이 없다.
도 4에서 전술한 바와 같이, 일 실시예로서, 복수의 딥 뉴럴 네트워크의 인코더와 복수의 딥 뉴럴 네트워크는 기존의, 예를 들어 TCP/IP와 같은, 주소 기반 네트워크로 연결되는 경우는 계층 2 접속 및 계층 3의 페이로드(payload)에 잠재 벡터와 원천 데이터를 실어서 패킷화하여 전달하는 일반적인 방식을 취할 수 있다. 또한, 이 경우 잠재 공간 네트워크(901)는 기존의 네트워크와 오버레이(overlay) 구조로 연동될 수도 있다. 뿐만 아니라, 단지 오버레이 구조에서 잠재 벡터를 해시 키(hash key)로 활용하여 포트와 매핑하는 것도 가능하다.
다른 실시예로서, 복수의 딥 뉴럴 네트워크의 인코더(911, 921, 931)와 복수의 딥 뉴럴 네트워크(912, 922, 932)는 잠재 공간 네트워크로 연결될 수도 있다. 잠재 공간 네트워크 연결은 여러가지 방안이 있을 수 있다. 예를 들면, 도 4에서 전술한 바와 같이, 잠재 벡터를 송수신 주소로 이용하는 방안, 잠재 벡터를 주소를 생성하기 위한 해시 키로 사용하는 방안, 잠재 벡터를 NDN(Named Data Networking)의 네임스페이스로 사용하는 방안 등이 있을 수 있다. 이때, 잠재 공간 네트워크로 연결하는 방안의 공통점은 잠재 벡터가 연결의 기반이 되는 것이므로, 상기 예에 그치지 않고 잠재 벡터가 연결의 기반이 된다면 어떤 방식이든 가능하다고 할 것이다. 이에 따라서는, 잠재 공간 네트워크의 연결에서는 다음과 같은 연결 기능이 구현될 수 있다.
- 복수 딥 뉴럴 네트워크의 인코더(911, 921, 931)와 복수의 딥 뉴럴 네트워크(912, 922, 932)와 1:1 연결
- 복수 딥 뉴럴 네트워크의 인코더와 복수의 딥 뉴럴 네트워크와 1:p(여기서 p ≤ j이고 p 및 j는 자연수) 연결
- 복수 딥 뉴럴 네트워크의 인코더와 복수의 딥 뉴럴 네트워크와 q:1(여기서 q ≤ k이고 q 및 j는 자연수) 연결
- 복수 딥 뉴럴 네트워크의 인코더와 복수의 딥 뉴럴 네트워크와 p:q 연결
도 9b 및 도 9c로서 도시한 본 발명의 일 실시예에 따르면, 딥 뉴럴 네트워크는 딥 뉴럴 네트워크의 인코더와 연동되어 병렬 처리(부하 분산) 방식, 부하 집성(aggregation) 및 자원 공유 등 다양한 방식으로 운영이 가능하다. 예로서, 딥 뉴럴 네트워크(922)가 j개라고 가정했을 때 j개의 딥 뉴럴 네트워크가 딥 뉴럴 네트워크의 인코더의 잠재 벡터를 병렬 처리할 수 있다.
다른 실시 예로서, k개의 딥 뉴럴 네트워크의 인코더(931)가 존재하는 경우 k개의 딥 뉴럴 네트워크의 인코더에서 출력하는 잠재 벡터를 딥 뉴럴 네트워크(932)가 모두 처리할 수 있다. 이때, k개의 딥 뉴럴 네트워크의 인코더 간에는 부하 집성 또는 자원 공유가 가능할 것이다.
도 10은 본 발명의 일 실시예에 따른 딥 뉴럴 네트워크의 디코더를 나타낸 것이다. 보다 상세하게는, 딥 뉴럴 네트워크에 대한 일 실시예를 오토인코더의 디코더를 이용하여 나타낸 것이다. 일 실시예로서, 딥 뉴럴 네트워크의 인코더를 도 8에 나타난 오토인코더로 구성하였다고 가정한다. 이 경우, 상기 디코더는 에지 혹은 클라우드에서 이용될 수 있다.
일 실시예로서, 오토인코더의 인코더로 출력된 잠재 벡터와 원천 데이터를 통해서 오토인코더의 디코더를 훈련할 수 있다. 오토인코더의 디코더는, 오토인코더의 인코더로 출력되어 전달된, 잠재 벡터로부터 원천 데이터를 복구할 수 있다. 오토인코더의 디코더는 1 x 1 x mC 차원의 잠재 벡터(1001)로부터 디컨볼루션(Deconvolution) 등을 통해 W/(m-1) x H/(m-1) x (m-1)C의 차원을 갖는 벡터(1002) 및 W/2 x H/2 x 2C 차원의 벡터(1003)를 거쳐 W x H x C 차원을 갖는 원천 데이터(1004)를 복구한다.
일 실시예로서, 딥 뉴럴 네트워크(도 4, 404)를 데이터의 분류를 위하여 사용하는 경우, 도 8의 오토인코더의 인코더로 출력되어 전달된 잠재 벡터와 원천 데이터(분류 구분자 포함)를 통해서 훈련한 후에 오토인코더의 디코더는 오토인코더의 인코더로 출력되어 전달된 잠재 벡터로부터 분류를 획득할 수 있다. 상기 딥 뉴럴 네트워크는 딥 뉴럴 네트워크의 인코더와 구조, 층, 파라미터가 관계가 없으며 단지 응용(도 4, 405)에서 요구하는 사항에 영향을 받을 수 있다. 따라서, 응용에서 요구하는 사항에 따라, 오토인코더의 디코더의 훈련은 초기에 한번만 수행할 수도 있고 주기적으로 수행하는 것도 가능하다. 따라서, 오토인코더의 디코더에서 필요한 경우에만 오토인코더의 인코더로부터 원천 데이터를 전달받는 식의 구현도 가능할 것이다.
도 10에서는 일 실시예로서 도 8의 오토인코더의 인코더와 대응이 되는 오토인코더의 디코더를 설명하였으나, 본 발명의 일 실시예에 따른 딥 뉴럴 네트워크는 잠재 공간 네트워크와 연동될 수 있는 점 및 원격 훈련을 수행할 수 있는 점 등을 고려하면 딥 뉴럴 네트워크의 디코더는 딥 뉴럴 네트워크의 인코더와 무관하게 구성될 수 있다.
본 발명은 실시간, 고성능, 대규모, 저비용 인공 지능 기반 응용 분야에 모두 적용이 가능하다. 여러 분야 중 일 실시 예로서 증강현실(Augmented Reality)에 응용한 일실시예를 도 11을 통해 설명할 것이다. 도 11은 본 발명의 일 실시예를 응용한 증강현실 시스템을 도시한 것이다.
일 실시예로서, 증강현실 시스템은 복수 개가 될 수 있는 증강현실 단말(1101)과, 기존 네트워크(1102), 게이트웨이(1103), 잠재 공간 네트워크(1104) 및 복수 개가 될 수 있는 딥 뉴럴 네트워크(1105)를 포함할 수 있다.
일 실시예로서, 증강현실 단말(1101)은 딥 뉴럴 네트워크 인코더를 포함할 수 있고 복수 개의 증강현실 단말이 존재하는 경우, 상기 복수 개의 단말은 동일한 구조, 동일한 네트워크 층, 동일한 파라미터 등을 포함하는 딥 뉴럴 네트워크를 포함한다고 가정하며 훈련된 파라미터도 동일하다고 가정한다. 따라서 동일한 이미지에 대해서 증강 현실 단말(1101)은 모두 동일한 또는 유사한 잠재 벡터를 출력한다고 가정한다.
증강현실 단말(1101)은 도형 이미지를 포착하게 되면, 원격 딥 뉴럴 네트워크(1105)로부터 포착된 이미지의 분석한 정보와 추론된 특징 정보를 포함하는 정보를 수신하는 것을 목표로 할 수 있다. 상기 기능을 실시간으로, 대규모로, 또 고성능으로 제공하기 위해서는, 본 발명의 일 실시예에 따른 잠재 공간 네트워크 기반으로 딥 뉴럴 네트워크를 구현할 수 있다.
또한, 증강현실 단말(1101)은 이미지를 추상화하여 관련된 잠재 벡터와 데이터를 패킷화 하여 출력할 수 있다. 패킷화된 잠재 벡터와 데이터는 기존 네트워크(1102), 게이트웨이(1103), 잠재 공간 네트워크(1104)를 통해서 원격 딥 뉴럴 네트워크(1105)에 전달될 수 있다. 원격 딥 뉴럴 네트워크는 잠재 벡터와 데이터를 처리하고, 처리된 정보 데이터를 잠재 벡터를 기반으로 잠재 공간 네트워크와 게이트웨이 및 기존 네트워크를 통해 증강 현실 단말에 전달할 수 있다. 이때, 송수신 주소를 네임 스페이스로 하여 관련된 잠재 벡터와 데이터를 페이로드에 탑재하고, 패킷 형태로 구성하여, 게이트웨이(1103)을 수신지로 하여 기존 네트워크(1102)로 출력할 수 있다. 즉, 증강현실 단말(1101)에 포착된 이미지의 도형(예를 들어, 삼각형, 사각형, 오각형 등)을 추상화하여 관련된 잠재 벡터와 데이터(포착한 도형 이미지)를 출력할 수 있다.
기존 네트워크(1102)는 증강현실 단말(1101)로부터 패킷화된 잠재 벡터와 데이터를 게이트웨이(1103)로 전달할 수 있다. 또한 게이트웨이(1103)으로부터 전달받은 딥 뉴럴 네트워크(1105)에서 추론한 특징 정보를 해당 증강현실 단말(1101)에 전달할 수 있다.
게이트웨이(1103)는 기존 네트워크(1102)를 통해서 증강현실 단말(1101)로부터 수신한 패킷화된 잠재 벡터와 데이터를 분리하여 잠재 벡터를 네임스페이스로 변환하여 잠재 공간 네트워크(1104)로 전달할 수 있다. 또한 게이트웨이(1103)는 잠재 공간 네트워크(1104)를 통해서 전달받은 딥 뉴럴 네트워크(1105)가 추론한 특징 정보를 잠재 벡터와 주소를 역변환하여 기존 네트워크(1102)로 출력할 수 있다.
잠재 벡터를 네임스페이스로 사용하는 잠재 공간 네트워크(1104)에서는 잠재 벡터에 매핑된 포트로 잠재 벡터와 관련 데이터를 출력할 수 있다. 즉, 잠재 벡터를 네임스페이스로 사용하여 상술한 NDN과 유사한 방식으로 정보를 전달할 수 있다. 증강현실 단말(1101)로부터 송신한 패킷을, 잠재 벡터를 네임스페이스로 하여 인터레스트(Interest) 패킷으로 생성할 수 있다.
상기 잠재 공간 네트워크(1104)의 포트에 접속된 딥 뉴럴 네트워크(1105)는 잠재 벡터와 데이터를 이용하여 훈련하여 모델 파라미터를 업데이트할 수 있다. 딥 뉴럴 네트워크(1105)는 훈련이 종료되면 수신된 잠재 벡터로부터 도형의 종류, 색상, 크기 등 특징 정보를 출력할 수 있다. 딥 뉴럴 네트워크(1105)는 수신된 잠재 벡터를 네임스페이스로 사용하여 상기 특징 정보를 잠재 공간 네트워크(1104)로 출력할 수 있다. 이때, 잠재 공간 네트워크(1104)는 딥 뉴럴 네트워크(1105)에서 수신된 특징 정보를 게이트웨이(1103) 포트로 출력할 수 있다. 게이트웨이(1103)는 잠재 벡터와 주소를 역변환 하여 기존 네트워크(1102)로 출력할 수 있으며, 기존 네트워크(1102)는 주소를 네임 스페이스로하여 해당 특징 정보를 증강현실 단말(1101)에 전달할 수 있다.
상기와 같은 증강현실에 대한 본 발명의 일 실시예에서 증강현실 단말(1101)의 딥 뉴럴 네트워크 인코더는 모두 동일한 규격(구조, 네트워크 층, 파라미터 등)의 딥 뉴럴 네트워크와 동일한 훈련된 파라미터가 아니어도 구현이 가능하다. 이 경우에는 게이트웨이(1103)과 잠재 공간 네트워크(1104)에 딥 뉴럴 네트워크(1105) 기능의 일부(분류 등)를 탑재할 수 있다.
본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.
또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다. 예를 들어, 종단 혹은 에지에서 사용될 수 있는 비 일시적 컴퓨터 판독가능한 매체에 저장된 프로그램의 형식이나, 에지 혹은 클라우드에서 사용될 수 있는 비 일시적 컴퓨터 판독 가능한 매체에 저장된 프로그램의 형식으로도 구현될 수 있음은 자명하다.
본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행 가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.
이상에서 설명한 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로, 본 발명의 범위는 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다.
401: 원천 데이터
402: 딥 뉴럴 네트워크의 인코더
403: 잠재 공간 네트워크
404: 딥 뉴럴 네트워크
405: 응용
406: 기존 네트워크
402: 딥 뉴럴 네트워크의 인코더
403: 잠재 공간 네트워크
404: 딥 뉴럴 네트워크
405: 응용
406: 기존 네트워크
Claims (1)
- 원천 데이터를 수신하는 과정;
상기 원천 데이터로부터 잠재 벡터를 추출하는 과정;
상기 추출된 잠재 벡터를 이용하여 원천 데이터와 쌍을 이루고,
상기 잠재 벡터를 추출하는 과정과 연계된 딥 뉴럴 네트워크와 연동되는 과정;
을 포함하되,
상기 딥 뉴럴 네트워크와 연동되는 과정은,
상기 잠재 벡터를 이용한 네트워크를 통해 딥 뉴럴 네트워크와 연동 되는 것을 포함하는 잠재 벡터를 이용한 네트워킹 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190169776A KR20210078074A (ko) | 2019-12-18 | 2019-12-18 | 잠재 벡터를 이용한 네트워킹 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190169776A KR20210078074A (ko) | 2019-12-18 | 2019-12-18 | 잠재 벡터를 이용한 네트워킹 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210078074A true KR20210078074A (ko) | 2021-06-28 |
Family
ID=76607841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190169776A KR20210078074A (ko) | 2019-12-18 | 2019-12-18 | 잠재 벡터를 이용한 네트워킹 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20210078074A (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102502958B1 (ko) * | 2021-09-01 | 2023-02-24 | 주식회사 델타엑스 | 이미지를 이용해 오디오를 전송하는 방법 및 장치 |
-
2019
- 2019-12-18 KR KR1020190169776A patent/KR20210078074A/ko unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102502958B1 (ko) * | 2021-09-01 | 2023-02-24 | 주식회사 델타엑스 | 이미지를 이용해 오디오를 전송하는 방법 및 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11902090B2 (en) | Data packaging protocols for communications between IoT devices | |
JP6852096B2 (ja) | パケット処理方法、及びデバイス | |
CN109194660B (zh) | 移动终端的入网方法和装置 | |
KR101536141B1 (ko) | 이더넷과 can 통신 간의 신호 변환을 제공하는 차량용 장치 및 그 제어방법 | |
CN108494817A (zh) | 数据传输方法、相关装置及系统 | |
CN104639507B (zh) | 一种异构网络间的承载协议报文数据传输方法及系统 | |
CN106453474A (zh) | 在不稳定网络环境中的大文件的网络传输 | |
CN112751898B (zh) | 负载均衡方法、装置、介质及设备 | |
CN111092854B (zh) | 用于将从源设备发送的分组发送到目的地设备的方法 | |
CN106411842B (zh) | 在内容中心网络堆栈中传输状态 | |
CN113746749A (zh) | 网络连接设备 | |
WO2012088906A1 (zh) | 物联网终端互通的方法及系统 | |
WO2018112327A1 (en) | Methods of concurrency control for block transfer in coap publish-subscribe architecture | |
CN103379182A (zh) | 数据传输方法和客户端 | |
US20230137879A1 (en) | In-flight incremental processing | |
Li et al. | 6G cloud-native system: Vision, challenges, architecture framework and enabling technologies | |
Azzara et al. | The icsi m2m middleware for iot-based intelligent transportation systems | |
KR20210078074A (ko) | 잠재 벡터를 이용한 네트워킹 방법 및 장치 | |
CN108809549B (zh) | 一种传输数据的方法及设备 | |
US20240031236A1 (en) | Cross-domain distributed network function | |
CN104509083A (zh) | 通信系统、方法和程序 | |
Kissel et al. | The extensible session protocol: A protocol for future internet architectures | |
CN107707546B (zh) | 一种报文复制方法及支持报文复制功能的新型网络适配器 | |
CN115460303B (zh) | 一种数据处理方法、装置、终端及存储介质 | |
CN104702708B (zh) | 获取地址解析协议信息的方法、设备、系统及网络虚拟化端点 |