KR20210078386A

KR20210078386A - Electronic apparatus and method for controlling thereof

Info

Publication number: KR20210078386A
Application number: KR1020200110644A
Authority: KR
Inventors: 강유; 김태훈; 황인환; 김경준; 박승철; 허혜문
Original assignee: 삼성전자주식회사; 서울대학교산학협력단
Priority date: 2019-12-18
Filing date: 2020-08-31
Publication date: 2021-06-28

Abstract

A method of controlling an electronic device is disclosed. The control method according to the present disclosure includes the steps of: acquiring a first neural network model including a classification value prediction module and storing the acquired first neural network model in a memory; acquiring a second neural network module including a classification value prediction module by means of transfer learning; acquiring transferability between first data and second data by using the second neural network model; and retraining the second neural network model on the basis of the acquired transferability. Therefore, it is possible to obtain the neural network model based on target data and heterogeneous source data using the transfer learning.

Description

ELECTRONIC APPARATUS AND METHOD FOR CONTROLLING THEREOF

본 개시는 인공지능 분야 중 전이 학습(transfer learning)을 이용한 전자 장치에 관한 것으로, 구체적으로는, 이종 다변량 데이터(heterogeneous multivariate data)간의 전이 가능성(transferability)을 측정하는 전자 장치 및 그 제어 방법에 관한 것이다.The present disclosure relates to an electronic device using transfer learning in the field of artificial intelligence, and specifically, to an electronic device for measuring transferability between heterogeneous multivariate data and a method for controlling the same will be.

전이학습이란 서로 다른 태스크(task)를 수행하는 모델을 활용하여 비교적 적은 양의 데이터로 신경망 모델을 학습시키는 방법을 의미한다. 이러한 전이 학습은, 미리 학습된 신경망 모델(pre-trained neural network model)의 학습에 이용된 소스 데이터와 새롭게 학습하고자 하는 신경망 모델의 학습을 위한 타겟 데이터가 동일한 도메인에 속하는 경우, 즉, 동종(homogeneous)의 상황에서 활발히 활용되어왔다.Transfer learning refers to a method of learning a neural network model with a relatively small amount of data by using a model that performs different tasks. Such transfer learning is performed when the source data used for training of the pre-trained neural network model and the target data for training the neural network model to be newly learned belong to the same domain, that is, homogeneous. ) has been actively used in the context of

한편, 최근에는 소스 데이터와 타겟 데이터가 서로 다른 도메인에 속하는 경우, 즉, 이종(heterogeneous)의 상황에서 전이 학습을 이용하기 위한 시도가 활발히 이루어지고 있는 실정이다. 그러나, 서로 다른 도메인에 속하는 데이터를 전이 학습에 이용하는 경우 두 데이터 간의 분포가 상대적으로 다를 확률이 크게 증가하여 전이를 진행했을 때 오히려 신경망 모델의 정확도가 감소하는 현상이 발생하는 문제가 있었다.Meanwhile, recently, when source data and target data belong to different domains, that is, attempts are actively made to use transfer learning in a heterogeneous situation. However, when data belonging to different domains is used for transfer learning, the probability that the distribution between the two data is relatively different greatly increases, so that when transfer is performed, there is a problem that the accuracy of the neural network model is rather reduced.

이에, 이종의 상황에서도 전이 학습을 이용하여 신경망 모델을 효과적으로 학습시키기 위한 기술에 대한 필요성이 대두된다.Accordingly, there is a need for a technique for effectively learning a neural network model using transfer learning even in heterogeneous situations.

본 발명이 해결하고자 하는 일 기술적 과제는, 전이 학습을 이용하여 타겟 데이터와 이종인 소스 데이터를 바탕으로 신경망 모델을 학습하는 방법을 제공하는 것이다.One technical problem to be solved by the present invention is to provide a method for learning a neural network model based on target data and heterogeneous source data using transfer learning.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the following description.

상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 일 실시 예에 따르면, 전자 장치의 제어 방법에 있어서, 제1 도메인에 포함되는 적어도 하나의 제1 데이터에 대한 분류값을 예측하도록 학습된 분류값 예측 모듈을 포함하는 제1 신경망 모델을 획득하여 메모리에 저장하는 단계; 전이 학습(transfer learning)을 이용하여 제2 도메인에 포함되는 제2 데이터에 대한 분류값을 획득하기 위한 상기 분류값 예측 모듈을 포함하는 제2 신경망 모델을 획득하는 단계; 상기 적어도 하나의 제1 데이터를 바탕으로 학습된 제2 신경망 모델을 이용하여 상기 제 1 데이터 및 제 2 데이터 간의 전이 가능성(transferability)을 획득하는 단계; 및 상기 획득된 전이 가능성을 바탕으로 상기 제2 신경망 모델을 재학습시키는 단계;를 포함하는 제어 방법이 제공될 수 있다.According to an exemplary embodiment of the present disclosure for solving the above-described technical problem, in a method of controlling an electronic device, a classification value learned to predict a classification value for at least one first data included in a first domain obtaining a first neural network model including a prediction module and storing it in a memory; obtaining a second neural network model including the classification value prediction module for obtaining a classification value for second data included in a second domain by using transfer learning; acquiring transferability between the first data and the second data using a second neural network model learned based on the at least one first data; and re-learning the second neural network model based on the obtained transferability.

상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 다른 일 실시 예에 따르면, 전자 장치에 있어서, 적어도 하나의 인스트럭션을 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 제1 도메인에 포함되는 적어도 하나의 제1 데이터에 대한 분류값을 예측하도록 학습된 분류값 예측 모듈을 포함하는 제1 신경망 모델을 획득하여 상기 메모리에 저장하고, 전이 학습(transfer learning)을 이용하여 제2 도메인에 포함되는 제2 데이터에 대한 분류값을 획득하기 위한 상기 분류값 예측 모듈을 포함하는 제2 신경망 모델을 획득하고, 상기 적어도 하나의 제1 데이터를 바탕으로 학습된 제2 신경망 모델을 이용하여 상기 제1 데이터 및 상기 제2 데이터 간의 전이 가능성(transferability)을 획득하고, 상기 획득된 전이 가능성을 바탕으로 상기 제2 신경망 모델을 재학습시키는 전자 장치가 제공될 수 있다.According to another exemplary embodiment of the present disclosure for solving the above-described technical problem, an electronic device includes: a memory for storing at least one instruction; and a processor, wherein the processor obtains a first neural network model including a classification value prediction module trained to predict a classification value for at least one first data included in a first domain and stores it in the memory and, by using transfer learning, obtain a second neural network model including the classification value prediction module for obtaining a classification value for the second data included in the second domain, and the at least one first An electron for acquiring transferability between the first data and the second data using a second neural network model learned based on data, and re-learning the second neural network model based on the acquired transferability A device may be provided.

본 개시의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The solutions of the problems of the present disclosure are not limited to the above-described solutions, and solutions that are not mentioned will be clearly understood by those of ordinary skill in the art to which the present disclosure belongs from the present specification and the accompanying drawings. will be able

이상과 같은 본 개시의 일 실시 예에 따르면, 전이 학습을 이용하여 타겟 데이터와 이종인 소스 데이터를 바탕으로 신경망 모델을 획득할 수 있다.According to an embodiment of the present disclosure as described above, a neural network model may be acquired based on target data and heterogeneous source data using transfer learning.

본 개시의 다른 일 실시 예에 따르면, 전이 가능성을 바탕으로 신경망 모델을 재학습시킬 수 있다.According to another embodiment of the present disclosure, the neural network model may be retrained based on the transferability.

이에 따라, 상대적으로 적은 양의 학습 데이터를 이용하여 타겟 태스크를 수행하는 신경망 모델을 획득할 수 있다.Accordingly, it is possible to obtain a neural network model that performs a target task using a relatively small amount of training data.

그 외에 본 개시의 실시 예로 인하여 얻을 수 있거나 예측되는 효과에 대해서는 본 개시의 실시 예에 대한 상세한 설명에서 직접적 또는 암시적으로 개시하도록 한다. 예컨대, 본 개시의 실시 예에 따라 예측되는 다양한 효과에 대해서는 후술될 상세한 설명 내에서 개시될 것이다.In addition, the effects obtainable or predicted by the embodiments of the present disclosure are to be disclosed directly or implicitly in the detailed description of the embodiments of the present disclosure. For example, various effects predicted according to embodiments of the present disclosure will be disclosed in the detailed description to be described later.

도 1은 본 개시의 일 실시 예에 따른 제1 신경망 모델을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 제2 신경망 모델을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 순서도이다.
도 4는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 전자 장치를 설명하기 위한 블록도이다.1 is a diagram for explaining a first neural network model according to an embodiment of the present disclosure.
2 is a diagram for explaining a second neural network model according to an embodiment of the present disclosure.
3 is a flowchart illustrating a method of controlling an electronic device according to an embodiment of the present disclosure.
4 is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure.
5 is a block diagram illustrating an electronic device according to an embodiment of the present disclosure.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.　Terms used in this specification will be briefly described, and the present disclosure will be described in detail.

본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.Terms used in the embodiments of the present disclosure are selected as currently widely used general terms as possible while considering the functions in the present disclosure, which may vary depending on the intention or precedent of a person skilled in the art, the emergence of new technology, etc. . In addition, in specific cases, there are also terms arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the corresponding disclosure. Therefore, the terms used in the present disclosure should be defined based on the meaning of the term and the content throughout the present disclosure, rather than a simple term name.

본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.Embodiments of the present disclosure may apply various transformations and may have various embodiments, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the scope of the specific embodiments, and it should be understood to include all transformations, equivalents and substitutions included in the spirit and scope of the disclosed technology. In describing the embodiments, if it is determined that a detailed description of a related known technology may obscure the subject matter, the detailed description thereof is omitted.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms such as first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from another.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present application, terms such as "comprises" or "consisting of" are intended to designate that the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification exist, and are intended to indicate that one or more other It is to be understood that this does not preclude the possibility of addition or presence of features or numbers, steps, operations, components, parts, or combinations thereof.

아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.　그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the accompanying drawings, embodiments of the present disclosure will be described in detail so that those of ordinary skill in the art to which the present disclosure pertains can easily implement them. However, the present disclosure may be implemented in several different forms and is not limited to the embodiments described herein. And in order to clearly explain the present disclosure in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

도 1은 본 개시의 일 실시 예에 따른 제1 신경망 모델을 설명하기 위한 도면이다.1 is a diagram for explaining a first neural network model according to an embodiment of the present disclosure.

전자 장치(400)는 제1 신경망 모델(100)을 획득하여 메모리에 저장할 수 있다. 예로, 전자 장치(400)는 서버 장치 또는 사용자 단말일 수 있다. 제1 신경망 모델(100)은 제1 도메인(

)에 포함되는 제1 데이터(10)에 대한 분류값을 예측하도록 학습된 모델로서, 외부 장치에 의해 학습될 수 있다. 이 때, 전자 장치(400)는 통신 인터페이스를 통해 외부 장치로부터 제1 신경망 모델(100)을 획득할 수 있다. 여기서, 분류값(classification value)은 입력 데이터를 분류하기 위한 값으로, 예측된 라벨(predicted label)으로 지칭되기도 한다. 예로, 분류값은 0 또는 1의 값을 가질 수 있으나 이에 한정되는 것은 아니며, 본 명세서 상에서 분류값은 다양한 값을 가질 수 있다.The electronic device 400 may obtain the first neural network model 100 and store it in the memory. For example, the electronic device 400 may be a server device or a user terminal. The first neural network model 100 is a first domain (

) as a model trained to predict a classification value for the first data 10 included in ), and may be learned by an external device. In this case, the electronic device 400 may acquire the first neural network model 100 from an external device through a communication interface. Here, the classification value is a value for classifying input data, and is also referred to as a predicted label. For example, the classification value may have a value of 0 or 1, but is not limited thereto, and in the present specification, the classification value may have various values.

한편, 제1 신경망 모델(100)은 제1 분류값 예측 모듈(110)을 포함할 수 있다. 외부 장치에 의해 제1 신경망 모델(100)이 학습되는 경우, 외부 장치는 제1 데이터(10)를 제1 분류값 예측 모듈(110)에 입력하여 제1 데이터(10)에 대한 분류값을 획득할 수 있다. 제1 분류값 예측 모듈(110)은 제1 데이터(10)를 바탕으로 제1 데이터(10)에 대한 분류값을 출력하도록 학습될 수 있다. 여기서, 제1 데이터(10)는 다변량 데이터(multivariate data)일 수 있다. 다변량 데이터란, 다양한 필드의 데이터를 포함하되 벡터 형태로 존재하는 데이터를 의미한다. 예로, 제1 데이터(10)는 냉장고에 구비된 다양한 센서(예로, 온도 센서 및 습도 센서 등)에 관한 데이터 및 냉장고에 대한 소비자 설문 데이터를 포함할 수 있으나, 이에 한정되는 것은 아니다. 한편, 본 명세서 상에서 제1 분류값 예측 모듈(110)은 라벨 예측 모듈(label predictor module)로 지칭되기도 한다.Meanwhile, the first neural network model 100 may include a first classification value prediction module 110 . When the first neural network model 100 is trained by the external device, the external device inputs the first data 10 to the first classification value prediction module 110 to obtain a classification value for the first data 10 . can do. The first classification value prediction module 110 may be trained to output a classification value for the first data 10 based on the first data 10 . Here, the first data 10 may be multivariate data. Multivariate data refers to data that includes data of various fields but exists in a vector form. For example, the first data 10 may include data on various sensors (eg, temperature sensor and humidity sensor) provided in the refrigerator and consumer survey data on the refrigerator, but is not limited thereto. Meanwhile, in the present specification, the first classification value prediction module 110 is also referred to as a label predictor module.

전자 장치(400)는 이와 같이 학습된 제1 분류값 예측 모듈(110)을 포함하는 제1 신경망 모델(100)을 획득할 수 있다. 그리고, 전자 장치(400)는 후술하는 바와 같이 제1 분류값 예측 모듈(110)을 바탕으로 새로운 신경망 모델을 획득할 수 있다. 한편, 이상에서는 제1 신경망 모델(100)이 외부 장치에 의해 학습되는 것으로 설명하였으나, 이에 한정되는 것은 아니며, 제1 신경망 모델(100)은 전자 장치(400)에 의해 학습될 수 있음은 물론이다.The electronic device 400 may acquire the first neural network model 100 including the learned first classification value prediction module 110 . In addition, the electronic device 400 may acquire a new neural network model based on the first classification value prediction module 110 as will be described later. Meanwhile, although it has been described above that the first neural network model 100 is learned by an external device, the present invention is not limited thereto, and it goes without saying that the first neural network model 100 can be learned by the electronic device 400 . .

이하에서는 도 2를 참조하여, 제2 신경망 모델에 대하여 설명하도록 한다.Hereinafter, a second neural network model will be described with reference to FIG. 2 .

도 2는 본 개시의 일 실시 예에 따른 제2 신경망 모델의 구조를 나타내는 도면이다. 도 2를 참조하면, 제2 신경망 모델(200)은 인코더 모듈(210)(또는, 특징값 추출 모듈), 제2 분류값 예측 모듈(220), 도메인 분류 모듈(230) 및 디코더 모듈(240)을 포함할 수 있다.2 is a diagram illustrating a structure of a second neural network model according to an embodiment of the present disclosure. Referring to FIG. 2 , the second neural network model 200 includes an encoder module 210 (or a feature value extraction module), a second classification value prediction module 220 , a domain classification module 230 , and a decoder module 240 . may include.

전자 장치(400)는 제1 도메인(

)(또는, 소스 도메인)에 포함되는 제1 데이터(10) 및 제2 도메인(

)(또는, 타겟 도메인)에 포함되는 제2 데이터(20)를 획득할 수 있다. 제2 데이터(20)는 제1 데이터(10)와는 다른 크기를 갖거나 다른 성질을 갖는 다변량 데이터일 수 있다. 즉, 제1 데이터(10) 및 제2 데이터(20)는 이종 다변량 데이터(heterogeneous multivariate data)일 수 있다. 여기서, 제2 도메인(

)은 제1 도메인(

)과 상이한 도메인으로서, 예로, 제1 도메인(

)은 냉장고에 대한 도메인이며 제2 도메인(

)은 에어컨에 대한 도메인일 수 있다. 또는, 제1 도메인(

)은 2019년도 버전의 냉장고에 대한 도메인이며 제2 도메인(

)은 2020년도 버전의 냉장고에 대한 도메인일 수 있다. 한편, 제1 도메인(

) 및 제1 데이터(10)는 각각 소스 도메인 및 소스 데이터로 지칭될 수 있으며, 제2 도메인(

) 및 제2 데이터(20)는 각각 타겟 도메인 및 타겟 데이터로 지칭될 수 있다. 이하에서 후술하는 학습 방법을 바탕으로 전자 장치(400)는 종래의 학습 방법에 비해 상대적으로 적은 량의 데이터를 바탕으로 효율적으로 학습될 수 있다. 예를 들어, 전자 장치(400)가 에어컨인 경우, 전자 장치(400)는 온도 데이터를 바탕으로 냉장고를 제어하도록 학습된 제1 신경망 모델(100)을 바탕으로 에어컨 제어를 위한 제2 신경망 모델(200)을 획득할 수 있다.The electronic device 400 has a first domain (

) (or the source domain) included in the first data 10 and the second domain (

) (or, the second data 20 included in the target domain) may be obtained. The second data 20 may be multivariate data having a size different from that of the first data 10 or having different properties. That is, the first data 10 and the second data 20 may be heterogeneous multivariate data. Here, the second domain (

) is the first domain (

) as a different domain, for example, the first domain (

) is the domain for the refrigerator and the second domain (

) may be a domain for the air conditioner. Or, the first domain (

) is the domain for the 2019 version of the refrigerator, and the second domain (

) may be the domain for the 2020 version of the refrigerator. On the other hand, the first domain (

) and the first data 10 may be referred to as a source domain and source data, respectively, and the second domain (

) and the second data 20 may be referred to as a target domain and target data, respectively. Based on a learning method to be described later, the electronic device 400 can be efficiently learned based on a relatively small amount of data compared to a conventional learning method. For example, when the electronic device 400 is an air conditioner, the electronic device 400 performs a second neural network model ( 200) can be obtained.

전자 장치(400)는 제2 데이터(20)를 인코더 모듈(210)에 입력하여 제3 데이터(30)를 획득할 수 있다. 이 때, 인코더 모듈(210)은 제2 데이터(20)의 특성(feature)를 변환하여 제3 데이터(30)를 생성할 수 있다. 이에 따라, 제1 데이터(10) 및 제3 데이터(30)는 동일한 벡터 공간에 위치할 수 있다. 즉, 제1 데이터(10) 및 제3 데이터(30)는 동질의 표현(homogeneous representations)으로 표현될 수 있다. The electronic device 400 may obtain the third data 30 by inputting the second data 20 into the encoder module 210 . In this case, the encoder module 210 may generate the third data 30 by transforming a feature of the second data 20 . Accordingly, the first data 10 and the third data 30 may be located in the same vector space. That is, the first data 10 and the third data 30 may be represented by homogeneous representations.

이와 같이, 전자 장치(400)는 이종(heterogeneous)의 데이터로부터 동종(homogeneous)의 데이터를 획득하고, 동종의 데이터에 기초하여 제2 신경망 모델(200)을 학습시킬 수 있다. 이에 따라, 제2 신경망 모델(200)의 학습 효율이 향상될 수 있다.As such, the electronic device 400 may acquire homogeneous data from heterogeneous data, and train the second neural network model 200 based on the homogeneous data. Accordingly, the learning efficiency of the second neural network model 200 may be improved.

전자 장치(400)는 제1 데이터(10) 및 제3 데이터(30)를 제2 분류값 예측 모듈(220)에 입력하여 제1 분류값(

) 및 제2 분류값(

)을 획득할 수 있다. 또한, 전자 장치(400)는 제1 데이터(10) 및 제3 데이터(30)를 도메인 분류 모듈(230)에 입력하여 제1 예측된 도메인(

) 및 제2 예측된 도메인(

)을 획득할 수 있다. 또한, 전자 장치(400)는 제3 데이터(30)를 디코더 모듈(240)에 입력하여 제4 데이터(40)를 획득할 수 있다. 전자 장치(400)는 제1 분류값(

), 제2 분류값(

), 제1 예측된 도메인(

), 제2 예측된 도메인(

) 및 제4 데이터(40)를 바탕으로 제2 신경망 모델(200)을 학습시킬 수 있다. 이하에서는 제2 신경망 모델(200)을 학습시키는 방법에 대하여 설명하도록 한다.The electronic device 400 inputs the first data 10 and the third data 30 into the second classification value prediction module 220 to provide a first classification value (

) and the second classification value (

) can be obtained. In addition, the electronic device 400 inputs the first data 10 and the third data 30 to the domain classification module 230 to input the first predicted domain (

) and the second predicted domain (

) can be obtained. Also, the electronic device 400 may obtain the fourth data 40 by inputting the third data 30 into the decoder module 240 . The electronic device 400 sets the first classification value (

), the second classification value (

), the first predicted domain (

), the second predicted domain (

) and the fourth data 40 , the second neural network model 200 may be trained. Hereinafter, a method for learning the second neural network model 200 will be described.

제2 신경망 모델(200)은 아래의 [수학식 1]을 바탕으로 학습될 수 있다. The second neural network model 200 may be learned based on the following [Equation 1].

[수학식 1][Equation 1]

여기서

은 제2 신경망 모델(200)을 학습시키기 위한 목적 함수(objective function) 또는 손실 함수(loss function)로서,

,

는 각각 인코더 모듈(210), 디코더 모듈(240), 제2 분류값 예측 모듈(220), 도메인 분류 모듈(230)의 파라미터들을 의미한다.

,

는 각각 i 번째 데이터에 대한 제 1, 제 2, 제 3 손실 함수 값을 의미하며, 이어지는 내용에서 이들에 대한 상세한 설명을 이어갈 것이다.

와

는 각각 제 1 데이터(10) 및 제 2 데이터(20)의 개수를 의미한다.

,

는 각각 i 번째 제 1 데이터(10)의 데이터(또는 특징값), 분류값, 예측된 도메인을 의미하며,

,

는 각각 i 번째 제 2 데이터(20)의 데이터(또는 특징값), 분류값, 예측된 도메인을 의미한다.

와

는 제 2, 제 3 손실함수에 대한 계수 (coefficient)를 의미한다. here

is an objective function or loss function for learning the second neural network model 200,

,

denote parameters of the encoder module 210 , the decoder module 240 , the second classification value prediction module 220 , and the domain classification module 230 , respectively.

,

denotes the first, second, and third loss function values for the i-th data, respectively, and a detailed description thereof will be continued in the following content.

Wow

denotes the number of the first data 10 and the second data 20, respectively.

,

denotes data (or feature values), classification values, and predicted domains of the i-th first data 10, respectively,

,

denotes data (or feature values), classification values, and predicted domains of the i-th second data 20 , respectively.

Wow

denotes a coefficient for the second and third loss functions.

인코더 모듈(210), 디코더 모듈(240), 제2 분류값 예측 모듈(220)은 [수학식 1]의 목적 함수(

)의 값이 기설정된 값보다 작아지도록 학습될 수 있다. 즉, 인코더 모듈(210), 디코더 모듈(240), 제2 분류값 예측 모듈(220)은 [수학식 1]의 목적 함수(

)의 값이 최소화되도록 학습된다. 반면에, 도메인 분류 모듈(230)은 [수학식 1]의 목적 함수(

)의 값이 기설정된 값보다 커지도록 학습될 수 있다. 즉, 도메인 분류 모듈(230)은 [수학식 1]의 목적 함수(

)의 값이 최대화되도록 학습된다. 이와 같은 학습을 통해, 전자 장치(400)는 [수학식 2]와 같은 최적의 파라미터들인

,

를 획득할 수 있다. The encoder module 210, the decoder module 240, and the second classification value prediction module 220 are the objective function (

) may be learned to be smaller than a preset value. That is, the encoder module 210, the decoder module 240, and the second classification value prediction module 220 are the objective function (

) is trained so that the value of ) is minimized. On the other hand, the domain classification module 230 is the objective function of [Equation 1] (

) may be learned to be greater than a preset value. That is, the domain classification module 230 is the objective function of [Equation 1] (

) is trained to maximize the value of Through such learning, the electronic device 400 can obtain optimal parameters such as [Equation 2].

,

can be obtained.

[수학식 2][Equation 2]

이하에서는 각각의 손실 함수 및 이를 이용한 각 모듈의 학습 방법들에 대해 상세히 설명하도록 한다.Hereinafter, each loss function and learning methods of each module using the loss function will be described in detail.

제2 분류값 예측 모듈(220)에 대한 제1 손실 함수는 아래의 [수학식 3]과 같이 정의될 수 있다.The first loss function for the second classification value prediction module 220 may be defined as in [Equation 3] below.

[수학식 3][Equation 3]

여기서,

는 i 번째 데이터에 대한 제 1 손실 함수의 값(즉, 손실값)을 의미하며,

는 i번째 데이터에 대한 특징값 즉, 제1 데이터(10) 및 제3 데이터(30)를 의미하고,

는 i 번째 데이터에 대한 분류값 즉, 제1 분류값(

) 및 제2 분류값(

)을 의미한다. here,

is the value of the first loss function for the i-th data (that is, the loss value),

denotes a feature value for the i-th data, that is, the first data 10 and the third data 30,

is the classification value for the i-th data, that is, the first classification value (

) and the second classification value (

) means

제2 분류값 예측 모듈(220)은 제1 손실 함수를 바탕으로 학습될 수 있다. 구체적으로, 제2 분류값 예측 모듈(220)은 제1 손실 함수의 값(또는 제1 에러값)이 기설정된 값보다 작아지도록 학습될 수 있다. 이에 따라, 제2 분류값 예측 모듈(220)은 목적 함수(

)의 값이 최소화되도록 학습될 수 있다.The second classification value prediction module 220 may be trained based on the first loss function. Specifically, the second classification value prediction module 220 may be trained so that the value (or the first error value) of the first loss function is smaller than a preset value. Accordingly, the second classification value prediction module 220 is

) can be trained to minimize the value of .

한편, 제2 분류값 예측 모듈(220)은 도 1의 제1분류값 예측 모듈(110)일 수 있다. 전자 장치(400)는 미리 학습된 도 1의 제1 분류값 예측 모듈(110)을 이용하여 학습을 진행함으로써 제2 신경망 모델(200)의 학습 시간을 줄일 수 있다. 구체적으로, 학습이 시작할 때, 제2 분류값 예측 모듈(220)의 가중치(weight value)는 미리 학습된 도1의 제1 분류값 예측 모듈(110)의 가중치로 초기화(initialization)되고, 이로부터 제2 분류값 예측 모듈(220)이 학습될 수 있다. 또는, 제2 분류값 예측 모듈(220)의 가중치는 인코더 모듈(210) 및 도메인 분류 모듈(230)이 학습되는 동안 유지될 수 있다. 이에 따라, 제2 신경망 모델(200)의 학습 시간이 단축될 수 있다.Meanwhile, the second classification value prediction module 220 may be the first classification value prediction module 110 of FIG. 1 . The electronic device 400 may reduce the learning time of the second neural network model 200 by performing learning using the pre-trained first classification value prediction module 110 of FIG. 1 . Specifically, when learning starts, the weight value of the second classification value prediction module 220 is initialized with the weight of the first classification value prediction module 110 of FIG. 1 learned in advance, and from this The second classification value prediction module 220 may be trained. Alternatively, the weight of the second classification value prediction module 220 may be maintained while the encoder module 210 and the domain classification module 230 are trained. Accordingly, the learning time of the second neural network model 200 may be shortened.

한편, 전자 장치(400)는 제2 신경망 모델(200)의 학습 효율을 향상시키기 위하여 제1 데이터(10) 및 제3 데이터(30)가 동일한 벡터 공간 상에 위치하도록 인코더 모듈(210)을 학습시킬 수 있다. 이 때, 전자 장치(400)는 인코더 모듈(210)과 도메인 분류 모듈(230)을 적대적으로 학습시킬 수 있다. 즉, 인코더 모듈(210) 및 도메인 분류 모듈(230)은 적대적 신경망(Adversarial Network)을 형성할 수 있다. 이를 위해, 제2 신경망 모델(200)은 그라디언트 반전 레이어(gradient reversal layer)(GRL)를 포함할 수 있다. 여기서, 도메인 분류 모듈(230) 입력되는 데이터의 도메인을 예측(즉, 입력되는 데이터가 제1 도메인(

)에 속하는 데이터인지 제2 도메인(

)에 속하는 데이터인지 예측)하도록 학습될 수 있다. Meanwhile, the electronic device 400 learns the encoder module 210 so that the first data 10 and the third data 30 are located on the same vector space in order to improve the learning efficiency of the second neural network model 200 . can do it In this case, the electronic device 400 may hostilely learn the encoder module 210 and the domain classification module 230 . That is, the encoder module 210 and the domain classification module 230 may form an adversarial network. To this end, the second neural network model 200 may include a gradient reversal layer (GRL). Here, the domain classification module 230 predicts the domain of the input data (that is, the input data is the first domain (

) whether the data belongs to the second domain (

) can be learned to predict whether the data belongs to

한편, 전술한 바와 같이 도메인 분류 모듈(230)은 [수학식 1]의 목적 함수(

)의 값이 최대화되도록 학습될 수 있다. 이 때, 전자 장치(400)는 아래의 [수학식 4]와 같이 정의되는 제2 손실 함수(

)를 바탕으로 도메인 분류 모듈(230)의 파라미터(

)를 획득할 수 있다.On the other hand, as described above, the domain classification module 230 is the objective function of [Equation 1] (

) can be trained to maximize the value of . At this time, the electronic device 400 has a second loss function (Equation 4) defined as

) based on the parameters of the domain classification module 230 (

) can be obtained.

[수학식 4][Equation 4]

여기서,

는 i번째 데이터(즉, 제1 데이터(10) 또는 제2 데이터(20))의 실제 도메인을 의미하고,

는 i번째 데이터의 예측된 도메인을,

는 도메인 분류 모듈(230)을 함수 꼴로 나타낸 것을,

는 i번째 데이터에 대한 동일한 벡터 공간에서의 특징값(즉, 제1 데이터(10) 또는 제3 데이터(30))을 의미한다.here,

means the real domain of the i-th data (that is, the first data 10 or the second data 20),

is the predicted domain of the i-th data,

is a representation of the domain classification module 230 in the form of a function,

denotes a feature value (ie, the first data 10 or the third data 30) in the same vector space for the i-th data.

도메인 분류 모듈(230) 제2 손실 함수의 값(또는 제2 에러값)이 기설정된 값보다 작아지도록 학습될 수 있다. 즉, 전자 장치(400)는 도메인 분류 모듈(230)에 의해 예측된 도메인과 입력 데이터의 실제 도메인의 차이가 최소화되도록 도메인 분류 모듈(230)을 학습시킬 수 있다. 이에 따라, 도메인 분류 모듈(230)은 목적 함수(

)의 값이 최대화되도록 학습될 수 있다.The domain classification module 230 may be trained so that the value (or the second error value) of the second loss function is smaller than a preset value. That is, the electronic device 400 may train the domain classification module 230 to minimize the difference between the domain predicted by the domain classification module 230 and the actual domain of the input data. Accordingly, the domain classification module 230 uses the objective function (

) can be trained to maximize the value of .

한편, 전술한 바와 같이, 인코더 모듈(210) 및 도메인 분류 모듈(230)은 적대적 신경망을 형성할 수 있다. 구체적으로, 전자 장치(400)는 도메인 분류 모듈(230)의 출력값인 예측된 도메인(

)을 바탕으로 산출된 제2 에러값이 최대화되도록 인코더 모듈(210)을 학습시킬 수 있다. 즉, 전자 장치(400)는 도메인 분류 모듈(230)이 제1 데이터(10) 및 제3 데이터(30)의 도메인을 예측하지 못하도록 인코더 모듈(210)을 학습시킬 수 있다. 이에 따라, 제1 데이터(10) 및 제3 데이터(30)는 동일한 벡터 공간에 위치할 수 있다.Meanwhile, as described above, the encoder module 210 and the domain classification module 230 may form an adversarial neural network. Specifically, the electronic device 400 determines the predicted domain (

), the encoder module 210 may be trained so that the calculated second error value is maximized. That is, the electronic device 400 may train the encoder module 210 to prevent the domain classification module 230 from predicting the domains of the first data 10 and the third data 30 . Accordingly, the first data 10 and the third data 30 may be located in the same vector space.

한편, 제2 신경망 모델(200)은 디코더 모듈(240)을 포함할 수 있다. 전자 장치(400)는 제3 데이터(30)를 디코더 모듈(240)에 입력하여 제4 데이터(40)를 획득할 수 있다. 이 때, 전자 장치(400)는 제2 데이터(20) 및 제4 데이터(40)를 바탕으로 정의되는 제3 손실 함수를 바탕으로 인코더 모듈(210)을 학습 시킬 수 있다. 한편, 제3 손실 함수는 제 2 데이터(20)에 대한 재구축 함수(reconstruction function)로 지칭되기도 하며, 다음과 같이 정의된다.Meanwhile, the second neural network model 200 may include a decoder module 240 . The electronic device 400 may obtain the fourth data 40 by inputting the third data 30 into the decoder module 240 . In this case, the electronic device 400 may learn the encoder module 210 based on the third loss function defined based on the second data 20 and the fourth data 40 . Meanwhile, the third loss function is also referred to as a reconstruction function for the second data 20 and is defined as follows.

[수학식 5][Equation 5]

여기서,

는 i번째 제 2 데이터(20)를,

는

에 의해 재구축된 특징값(즉, 제4 데이터(40))을,

는 디코더 모듈(240)을 함수꼴로 나타낸 것을,

는 i번째 제 2 데이터(20)의 동일한 벡터 공간에서의 특징값(즉, 제3 데이터(30))을 의미한다.here,

is the i-th second data 20,

is

The feature value (that is, the fourth data 40) reconstructed by

is a function representation of the decoder module 240,

denotes a feature value (ie, the third data 30) in the same vector space of the i-th second data 20 .

전자 장치(400)는 제3 손실 함수를 바탕으로 산출되는 제3 에러값이 기 설정된 값보다 작아지도록 인코더 모듈(210)을 학습시킬 수 있다. 즉, 전자 장치(400)는 제3 에러값이 최소화되도록 인코더 모듈(210)을 학습시킬 수 있다.The electronic device 400 may train the encoder module 210 so that the third error value calculated based on the third loss function becomes smaller than a preset value. That is, the electronic device 400 may train the encoder module 210 to minimize the third error value.

한편, 전자 장치(400)는 상술한 방법에 따라 학습된 제2 신경망 모델(200)을 이용하여 전이 가능성(transferability)을 획득할 수 있다. 그리고, 전자 장치(400)는 획득된 전이 가능성을 바탕으로 제2 신경망 모델(200)을 재학습시킬 수 있다. 여기서, 전이 가능성은 특정 소스 데이터(또는 제1 데이터)를 타겟 모델(또는 제2 신경망 모델)의 학습에 이용하기 적절한지 여부를 판단하기 위한 척도를 의미할 수 있다. 전이 가능성은 아래의 [수학식 6]와 같이 정의될 수 있다.Meanwhile, the electronic device 400 may acquire transferability by using the second neural network model 200 learned according to the above-described method. In addition, the electronic device 400 may retrain the second neural network model 200 based on the obtained transferability. Here, the transferability may refer to a measure for determining whether specific source data (or first data) is suitable to be used for training of a target model (or a second neural network model). The transferability may be defined as in [Equation 6] below.

[수학식 6][Equation 6]

여기서,

는 제1 데이터(10) 중 적어도 일부를 바탕으로 학습된 제2 신경망 모델(200)의 정확도 내지 성능을 의미하며,

는 제1 데이터(10) 없이 미리 학습된 제2 신경망 모델(200)의 정확도 내지 성능을 의미한다.here,

is the accuracy or performance of the second neural network model 200 learned based on at least a part of the first data 10,

denotes the accuracy or performance of the second neural network model 200 trained in advance without the first data 10 .

전자 장치(400)는 획득된 전이 가능성을 바탕으로 제1 데이터(10) 중 적어도 일부의 데이터를 획득할 수 있다. 이 때, 전자 장치(400)는 복수의 제1 데이터(10) 각각을 이용하여 제2 신경망 모델(200)을 학습시키면서 제1 데이터(10) 각각에 대한 전이 가능성을 획득할 수 있다. 예로, 전자 장치(400)는 전이 가능성이 기 설정된 값(예로, 80%)보다 클 때의 제1 데이터(10)를 획득할 수 있다. 그리고, 전자 장치(400)는 획득된 제1 데이터(100)를 바탕으로 제2 분류값 예측 모듈(220)을 재학습시킬 수 있다. 즉, 전자 장치(400)는 모든 제1 데이터(10)를 바탕으로 제2 분류값 예측 모듈(220)을 학습시키는 것이 아니라, 제1 데이터(10) 중 전이 학습에 적절한 일부 데이터만을 바탕으로 제2 분류값 예측 모듈(220)을 재학습시킬 수 있다. 이에 따라, 제2 신경망 모델(200)의 전체 학습에 소요되는 시간이 줄어들 수 있다.The electronic device 400 may acquire at least a portion of the first data 10 based on the acquired transition possibility. In this case, the electronic device 400 may acquire the transferability of each of the first data 10 while learning the second neural network model 200 using each of the plurality of first data 10 . For example, the electronic device 400 may acquire the first data 10 when the transition probability is greater than a preset value (eg, 80%). In addition, the electronic device 400 may relearn the second classification value prediction module 220 based on the acquired first data 100 . That is, the electronic device 400 does not learn the second classification value prediction module 220 based on all of the first data 10 , but based on only some data suitable for transfer learning among the first data 10 . 2 The classification value prediction module 220 may be retrained. Accordingly, the time required for overall learning of the second neural network model 200 may be reduced.

도 3은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.3 is a flowchart illustrating a control method of an electronic device according to an embodiment of the present disclosure.

도 3을 참조하면, 전자 장치(400)는 제1 도메인(

)에 포함되는 적어도 하나의 제1 데이터에 대한 분류값을 예측하도록 학습된 분류값 예측 모듈을 포함하는 제1 신경망 모델을 획득하여 메모리에 저장할 수 있다(S310). 이 때, 분류값 예측 모듈은 외부 장치에 의해 미리 학습될 수 있다. Referring to FIG. 3 , the electronic device 400 includes a first domain (

), a first neural network model including a classification value prediction module learned to predict a classification value with respect to at least one first data included in ) may be obtained and stored in a memory (S310). In this case, the classification value prediction module may be previously learned by an external device.

그리고, 전자 장치(400)는 전이 학습을 이용하여 제2 도메인(

)에 포함되는 제2 데이터에 대한 분류값을 획득하기 위한 분류값 예측 모듈을 포함하는 제2 신경망 모델을 획득할 수 있다(S320). 이 때, 전자 장치(400)는 도 1 및 도 2에서 설명한 바와 같이 다양한 손실 함수를 이용하여 제2 신경망 모델(200)에 포함된 인코더 모듈(210) 및 도메인 분류 모듈(230)을 학습시킬 수 있다.Then, the electronic device 400 uses transfer learning to perform the second domain (

A second neural network model including a classification value prediction module for obtaining a classification value for the second data included in ) may be obtained (S320). At this time, the electronic device 400 may learn the encoder module 210 and the domain classification module 230 included in the second neural network model 200 using various loss functions as described with reference to FIGS. 1 and 2 . have.

그리고, 전자 장치(400)는 적어도 하나의 제1 데이터를 바탕으로 학습된 제2 신경망 모델을 이용하여 제 1 데이터(10) 및 제 2 데이터(20) 간의 전이 가능성을 획득할 수 있다.(S330). 구체적으로, 전자 장치(400)는 [수학식 6]을 바탕으로 전이 가능성을 획득할 수 있다.In addition, the electronic device 400 may acquire a transferability between the first data 10 and the second data 20 using the second neural network model learned based on the at least one first data (S330). ). Specifically, the electronic device 400 may acquire the transition probability based on [Equation 6].

그리고, 전자 장치(400)는 획득된 전이 가능성을 바탕으로 제2 신경망 모델을 재학습시킬 수 있다(S340). 특히, 전자 장치(400)는 제1 데이터(10) 중 일부를 획득하여 이를 바탕으로 제2 분류값 예측 모듈(220)을 재학습시킬 수 있다.Then, the electronic device 400 may retrain the second neural network model based on the obtained transferability ( S340 ). In particular, the electronic device 400 may acquire a portion of the first data 10 and retrain the second classification value prediction module 220 based thereon.

도 4는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 도시한 블록도이다.4 is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure.

도 4를 참조하면, 전자 장치(400)는 통신 인터페이스(410), 메모리(420) 및 프로세서(430)를 포함할 수 있다.Referring to FIG. 4 , the electronic device 400 may include a communication interface 410 , a memory 420 , and a processor 430 .

통신 인터페이스(410)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성으로서, 적어도 하나의 회로를 포함할 수 있다. 통신 인터페이스(410)는 와이파이 모듈, 블루투스 모듈, 적외선 통신 모듈 및 무선 통신 모듈 등을 포함할 수 있다. 특히, 프로세서(430)는 통신 인터페이스(410)를 이용하여 각종 외부 장치와 통신을 수행할 수 있다. 예로, 프로세서(430)는 통신 인터페이스(410)를 통해 외부 장치로부터 미리 학습된 제1 신경망 모델(100-1)을 획득할 수 있다.The communication interface 410 is a configuration for performing communication with various types of external devices according to various types of communication methods, and may include at least one circuit. The communication interface 410 may include a Wi-Fi module, a Bluetooth module, an infrared communication module, and a wireless communication module. In particular, the processor 430 may communicate with various external devices using the communication interface 410 . For example, the processor 430 may acquire the pre-trained first neural network model 100 - 1 from an external device through the communication interface 410 .

메모리(420)는 전자 장치(400)의 구성요소들의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System) 및 전자 장치(400)의 구성요소와 관련된 명령 또는 데이터를 저장할 수 있다. 이를 위해 메모리(420)는 비휘발성 메모리(ex: 하드 디스크, SSD(Solid state drive), 플래시 메모리), 휘발성 메모리 등으로 구현될 수 있다. 본 개시에 따른 일 실시 예에 있어서, 메모리(420)는 제1 신경망 모델(100)을 저장할 수 있다.The memory 420 may store an operating system (OS) for controlling overall operations of the components of the electronic device 400 and commands or data related to the components of the electronic device 400 . To this end, the memory 420 may be implemented as a non-volatile memory (eg, a hard disk, a solid state drive (SSD), a flash memory), a volatile memory, or the like. In an embodiment according to the present disclosure, the memory 420 may store the first neural network model 100 .

또한, 메모리(420)는 전자 장치(400)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 특히, 메모리(420)는 비휘발성 메모리 및 휘발성 메모리를 포함할 수 있으며, 예로, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(420)는 프로세서(430)에 의해 액세스되며, 프로세서(430)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. Also, the memory 420 may store commands or data related to at least one other component of the electronic device 400 . In particular, the memory 420 may include a non-volatile memory and a volatile memory, and may be implemented as, for example, a flash-memory, a hard disk drive (HDD), or a solid state drive (SSD). The memory 420 is accessed by the processor 430 , and reading/writing/modification/deletion/update of data by the processor 430 may be performed.

프로세서(430)는 전자 장치(400)의 전반적인 동작을 제어할 수 있다.The processor 430 may control the overall operation of the electronic device 400 .

프로세서(430)는 제1 도메인에 포함되는 적어도 하나의 제1 데이터에 대한 분류값을 예측하도록 학습된 분류값 예측 모듈을 포함하는 제1 신경망 모델을 획득하여 메모리(420)에 저장할 수 있다.The processor 430 may obtain a first neural network model including a classification value prediction module learned to predict a classification value for at least one first data included in the first domain and store the first neural network model in the memory 420 .

그리고, 프로세서(430)는 전이 학습을 이용하여 제2 도메인에 포함되는 제2 데이터에 대한 분류값을 획득하기 위한 분류값 예측 모듈을 포함하는 제2 신경망 모델을 획득할 수 있다.In addition, the processor 430 may obtain a second neural network model including a classification value prediction module for obtaining a classification value for the second data included in the second domain by using transfer learning.

여기서, 제2 신경망 모델은, 분류값 예측 모듈, 제1 데이터 및 제2 데이터가 동일한 벡터 공간에 위치하도록 제1 데이터 및 제2 데이터 중 적어도 하나의 특징을 변환하는 인코더 모듈, 입력 데이터의 도메인을 획득하도록 학습된 도메인 분류 모듈 및 인코더 모듈에 의해 변환된 제2 데이터를 재구성하기 위한 디코더 모듈을 포함할 수 있다.Here, the second neural network model includes a classification value prediction module, an encoder module that transforms at least one feature of the first data and the second data so that the first data and the second data are located in the same vector space, and the domain of the input data. and a decoder module for reconstructing the second data transformed by the domain classification module and the encoder module learned to obtain.

이 때, 프로세서(430)는 제2 데이터를 인코더 모듈에 입력하여 제3 데이터를 획득하고, 제1 데이터 및 제3 데이터를 각각 분류값 예측 모듈에 입력하여 제1 분류값 및 제2 분류값을 획득하고, 획득된 제1 분류값 및 제2 분류값을 바탕으로 산출된 제1 에러값이 기 설정된 값보다 작아지도록 분류값 예측 모듈을 학습시킬 수 있다.At this time, the processor 430 inputs the second data to the encoder module to obtain third data, and inputs the first data and the third data to the classification value prediction module, respectively, to obtain the first classification value and the second classification value. The classification value prediction module may be acquired so that the first error value calculated based on the obtained first classification value and the obtained second classification value is smaller than a preset value.

또한, 프로세서(430)는 제2 데이터를 인코더 모듈에 입력하여 획득되는 제3 데이터 및 제1 데이터가 동일한 벡터 공간에 존재하도록 인코더 모듈을 학습시킬 수 있다.Also, the processor 430 may train the encoder module so that the third data and the first data obtained by inputting the second data to the encoder module exist in the same vector space.

그리고, 프로세서(430)는 인코더 모듈 및 도메인 분류 모듈이 적대적 신경망(Adversarial Network)을 형성하도록 인코더 모듈 및 도메인 분류 모듈을 각각 학습시킬 수 있다.Then, the processor 430 may train the encoder module and the domain classification module, respectively, so that the encoder module and the domain classification module form an adversarial network.

그리고, 프로세서(430)는 적어도 하나의 제1 데이터를 바탕으로 학습된 제2 신경망 모델을 이용하여 제1 데이터 및 제2 데이터 간의 전이 가능성(transferability)을 획득할 수 있다. In addition, the processor 430 may acquire transferability between the first data and the second data by using the second neural network model learned based on the at least one first data.

이 때, 프로세서(430)는 제1 데이터 없이 학습된 제2 신경망 모델의 제1 정확도 및 제1 데이터를 바탕으로 학습된 제2 신경망 모델의 제2 정확도를 바탕으로 전이 가능성을 획득할 수 있다.In this case, the processor 430 may acquire the transferability based on the first accuracy of the second neural network model learned without the first data and the second accuracy of the second neural network model learned based on the first data.

그리고, 프로세서(430)는 획득된 전이 가능성을 바탕으로 적어도 하나의 제1 데이터 중 적어도 일부를 획득하고, 획득된 적어도 일부를 바탕으로 제2 신경망 모델을 재학습시킬 수 있다. In addition, the processor 430 may obtain at least a portion of the at least one first data based on the obtained transferability, and retrain the second neural network model based on the obtained at least a portion.

특히, 본 개시에 따른 인공지능과 관련된 기능은 프로세서(430)와 메모리(420)를 통해 동작된다. 프로세서(430)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리(420)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. In particular, the function related to artificial intelligence according to the present disclosure is operated through the processor 430 and the memory 420 . The processor 430 may include one or a plurality of processors. In this case, one or more processors may be a general-purpose processor such as a CPU, an AP, a digital signal processor (DSP), or the like, a graphics-only processor such as a GPU, a VPU (Vision Processing Unit), or an artificial intelligence-only processor such as an NPU. One or a plurality of processors controls to process input data according to a predefined operation rule or artificial intelligence model stored in the memory 420 . Alternatively, when one or more processors are AI-only processors, the AI-only processor may be designed with a hardware structure specialized for processing a specific AI model.

기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.The predefined action rule or artificial intelligence model is characterized in that it is created through learning. Here, being made through learning means that a basic artificial intelligence model is learned using a plurality of learning data by a learning algorithm, so that a predefined action rule or artificial intelligence model set to perform a desired characteristic (or purpose) is created means burden. Such learning may be performed in the device itself on which the artificial intelligence according to the present disclosure is performed, or may be performed through a separate server and/or system. Examples of the learning algorithm include, but are not limited to, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning.

인공지능 모델은 학습을 통해 만들어 질 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.AI models can be created through learning. Here, being made through learning means that a basic artificial intelligence model is learned using a plurality of learning data by a learning algorithm, so that a predefined action rule or artificial intelligence model set to perform a desired characteristic (or purpose) is created means burden. The artificial intelligence model may be composed of a plurality of neural network layers. Each of the plurality of neural network layers has a plurality of weight values, and a neural network operation is performed through an operation between an operation result of a previous layer and the plurality of weights. The plurality of weights of the plurality of neural network layers may be optimized by the learning result of the AI model. For example, a plurality of weights may be updated so that a loss value or a cost value obtained from the artificial intelligence model during the learning process is reduced or minimized.

인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), GAN (Generative Adversarial Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.The artificial neural network may include a deep neural network (DNN), for example, a Convolutional Neural Network (CNN), a Deep Neural Network (DNN), a Recurrent Neural Network (RNN), a Generative Adversarial Network (GAN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), or Deep Q-Networks, but is not limited to the above-described example.

한편, 이상에서는 설명의 편의상 전자 장치(400)가 서버 장치로 구현되는 예를 중심으로 설명하였으나, 이에 한정되는 것은 아니며, 전자 장치(400)는 댁내에 설치된 가전 기기로 구현될 수 있다. 도 5는 본 개시의 일 실시 예에 따른 전자 장치를 설명하기 위한 블록도이다.Meanwhile, in the above description, for convenience of description, an example in which the electronic device 400 is implemented as a server device has been mainly described, but the present invention is not limited thereto, and the electronic device 400 may be implemented as a home appliance installed in a house. 5 is a block diagram illustrating an electronic device according to an embodiment of the present disclosure.

도 5를 참조하면, 외부 장치(500-1)는 냉장고, 전자 장치(500-2)는 에어컨으로서 모두 댁내에 위치할 수 있다. 여기서, 전자 장치(500-2)는 도 4의 전자 장치(400)에 대응될 수 있다. 또한, 외부 장치(500-1)는 이미 학습이 완료된 장치이며, 전자 장치(500-2)는 아직 학습이 완료되지 않은 장치일 수 있다. 이 때, 전자 장치(500-2)는 외부 장치(500-1)에 저장된 미리 학습된 제1 분류값 예측 모듈(520-1)을 이용하여 제2 분류값 예측 모듈(520-2)을 획득할 수 있다. 여기서, 제1 분류값 예측 모듈(520-1) 및 제2 분류값 예측 모듈(520-2)은 입력 데이터(예로, 주변 온도 등)에 대한 분류값을 획득하도록 학습된 모듈일 수 있다.Referring to FIG. 5 , the external device 500 - 1 is a refrigerator and the electronic device 500 - 2 is an air conditioner, both of which may be located inside the house. Here, the electronic device 500 - 2 may correspond to the electronic device 400 of FIG. 4 . Also, the external device 500 - 1 may be a device that has already been learned, and the electronic device 500 - 2 may be a device that has not yet been trained. At this time, the electronic device 500-2 acquires the second classification value prediction module 520-2 by using the pre-learned first classification value prediction module 520-1 stored in the external device 500-1. can do. Here, the first classification value prediction module 520-1 and the second classification value prediction module 520-2 may be modules learned to obtain a classification value for input data (eg, ambient temperature, etc.).

한편, 전자 장치(500-2)는 통신 인터페이스(510)를 통해 외부 장치(500-1)와 통신을 수행하여 미리 학습된 제1 분류값 예측 모듈(520-1)을 획득할 수 있다. 여기서, 제1 분류값 예측 모듈(520-1)은 도 1의 제1 분류값 예측 모듈(110)일 수 있다. 전자 장치(500-2)는 제1 분류값 예측 모듈(110)을 메모리(520)에 저장할 수 있다. 그리고, 전자 장치(500-2)는 도 1 및 도 2에서 상술한 바와 같은 방법으로 제1 분류값 예측 모듈(520-1)을 바탕으로 제2 분류값 예측 모듈(520-2)을 획득할 수 있다. 이와 같이, 전자 장치(500-2)는 외부 장치(500-1)에 저장된 미리 학습된 제1 분류값 예측 모듈(520-1)을 이용함으로써 적은 양의 학습 데이터로도 제2 분류값 예측 모듈(520-2)을 획득할 수 있다.Meanwhile, the electronic device 500 - 2 may acquire the pre-learned first classification value prediction module 520-1 by communicating with the external device 500 - 1 through the communication interface 510 . Here, the first classification value prediction module 520-1 may be the first classification value prediction module 110 of FIG. 1 . The electronic device 500 - 2 may store the first classification value prediction module 110 in the memory 520 . In addition, the electronic device 500-2 acquires the second classification value prediction module 520-2 based on the first classification value prediction module 520-1 in the same manner as described above with reference to FIGS. 1 and 2 . can In this way, the electronic device 500-2 uses the pre-learned first classification value prediction module 520-1 stored in the external device 500-1, so that even with a small amount of learning data, the second classification value prediction module (520-2) can be obtained.

한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.Meanwhile, the various embodiments described above may be implemented in a recording medium readable by a computer or a similar device using software, hardware, or a combination thereof. In some cases, the embodiments described herein may be implemented by the processor itself. According to the software implementation, embodiments such as the procedures and functions described in this specification may be implemented as separate software modules. Each of the software modules may perform one or more functions and operations described herein.

한편, 상술한 본 개시의 다양한 실시 예들에 따른 처리 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium) 에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 처리 동작을 특정 기기가 수행하도록 할 수 있다.Meanwhile, computer instructions for performing the processing operation according to various embodiments of the present disclosure described above may be stored in a non-transitory computer-readable medium. When the computer instructions stored in such a non-transitory computer-readable medium are executed by a processor, a specific device may perform the processing operation according to the above-described various embodiments.

비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.The non-transitory computer-readable medium refers to a medium that stores data semi-permanently, rather than a medium that stores data for a short moment, such as a register, cache, memory, etc., and can be read by a device. Specific examples of the non-transitory computer-readable medium may include a CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, and the like.

한편, 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.Meanwhile, the device-readable storage medium may be provided in the form of a non-transitory storage medium. Here, 'non-transitory storage medium' is a tangible device and only means that it does not contain a signal (eg, electromagnetic wave), and this term refers to cases in which data is semi-permanently stored in a storage medium and temporary It does not distinguish the case where it is stored as For example, the 'non-transitory storage medium' may include a buffer in which data is temporarily stored.

일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.According to one embodiment, the method according to various embodiments disclosed in this document may be provided as included in a computer program product. Computer program products may be traded between sellers and buyers as commodities. The computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play Store ^TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly, online between smartphones (eg: smartphones). In the case of online distribution, at least a portion of the computer program product (eg, a downloadable app) is stored at least in a machine-readable storage medium, such as a memory of a manufacturer's server, a server of an application store, or a relay server. It may be temporarily stored or temporarily created.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.In the above, preferred embodiments of the present disclosure have been illustrated and described, but the present disclosure is not limited to the specific embodiments described above, and it is common in the technical field pertaining to the present disclosure without departing from the gist of the present disclosure as claimed in the claims. Various modifications may be made by those having the knowledge of, of course, and these modifications should not be individually understood from the technical spirit or prospect of the present disclosure.

100: 제1 신경망 모델 　　　　 110: 제1 분류값 예측 모듈
200: 제2 신경망 모델 210: 인코더 모듈
220: 제2 분류값 예측 모듈 230: 도메인 분류 모듈
240: 디코더 모듈 400: 전자 장치100: first neural network model 110: first classification value prediction module
200: second neural network model 210: encoder module
220: second classification value prediction module 230: domain classification module
240: decoder module 400: electronic device

Claims

A method for controlling an electronic device, comprising:
obtaining a first neural network model including a classification value prediction module trained to predict a classification value for at least one first data included in a first domain and storing the first neural network model in a memory;
obtaining a second neural network model including the classification value prediction module for obtaining a classification value for second data included in a second domain by using transfer learning;
acquiring transferability between the first data and the second data using a second neural network model learned based on the at least one first data; and
Re-learning the second neural network model based on the obtained transferability;
control method.

According to claim 1,
The second neural network model is
the classification value prediction module;
an encoder module that transforms features of the second data so that input data including the first data and the second data are located in the same vector space; and
including a domain classification module for obtaining a domain of the input data
control method.

3. The method of claim 2,
Obtaining the second neural network model comprises:
inputting the second data into the encoder module to obtain third data; and
training the encoder module so that the first data and the third data exist in the same vector space
control method.

According to claim 1,
The step of obtaining the transferability comprises:
acquiring the transferability based on the first accuracy of the second neural network model learned without the first data and the second accuracy of the second neural network model learned based on the first data
control method.

5. The method of claim 4,
The transferability is obtained based on [Equation 1] below.
control method.
[Equation 1]
possibility of metastasis

here,

is the accuracy of the second neural network model learned based on at least a part of the first data,

is the accuracy of the second neural network model trained in advance without the first data.

3. The method of claim 2,
The retraining of the second neural network model comprises:
acquiring at least a part of the at least one first data based on the acquired transferability, and re-learning the classification value prediction module based on the acquired at least part
control method.

4. The method of claim 3,
Learning the encoder module comprises:
inputting the first data and the third data into the classification value prediction module, respectively, to obtain predicted classification values for the first data and the third data; and
training the encoder module so that an error value calculated based on the predicted classification value is smaller than a preset value
control method.

3. The method of claim 2,
Obtaining the second neural network model comprises:
Training the encoder module and the domain classification module, respectively, so that the encoder module and the domain classification module form an adversarial network
control method.

In an electronic device,
a memory storing at least one instruction; and
processor; including;
The processor is
Obtaining a first neural network model including a classification value prediction module trained to predict a classification value for at least one first data included in a first domain and storing it in the memory,
Obtaining a second neural network model including the classification value prediction module for obtaining a classification value for the second data included in the second domain by using transfer learning,
acquiring transferability between the first data and the second data using a second neural network model learned based on the at least one first data;
retraining the second neural network model based on the obtained transferability
electronic device.

10. The method of claim 9,
The second neural network model is
the classification value prediction module;
an encoder module that transforms features of the second data so that input data including the first data and the second data are located in the same vector space; and
including a domain classification module for obtaining a domain of the input data
electronic device.

11. The method of claim 10,
The processor is
input the second data to the encoder module to obtain third data,
Learning the encoder module so that the first data and the third data exist in the same vector space
electronic device.

10. The method of claim 9,
The processor is
acquiring the transferability based on the first accuracy of the second neural network model learned without the first data and the second accuracy of the second neural network model learned based on the first data
electronic device.

13. The method of claim 12,
The transferability is obtained based on [Equation 1] below.
electronic device.
[Equation 1]
possibility of metastasis

here,

11. The method of claim 10,
The processor is
acquiring at least a part of the at least one first data based on the acquired transferability, and re-learning the classification value prediction module based on the acquired at least part
electronic device.

12. The method of claim 11,
The processor is
inputting the first data and the third data into the classification value prediction module, respectively, to obtain predicted classification values for the first data and the third data;
training the encoder module so that the error value calculated based on the predicted classification value is smaller than a preset value.
electronic device.

11. The method of claim 10,
the processor
Learning the encoder module and the domain classification module, respectively, so that the encoder module and the domain classification module form an adversarial network
electronic device.