KR20210103912A - 뉴럴 네트워크를 학습시키는 학습 방법 및 장치, 뉴럴 네트워크를 이용한 데이터 처리 방법 및 장치 - Google Patents

뉴럴 네트워크를 학습시키는 학습 방법 및 장치, 뉴럴 네트워크를 이용한 데이터 처리 방법 및 장치 Download PDF

Info

Publication number
KR20210103912A
KR20210103912A KR1020200104036A KR20200104036A KR20210103912A KR 20210103912 A KR20210103912 A KR 20210103912A KR 1020200104036 A KR1020200104036 A KR 1020200104036A KR 20200104036 A KR20200104036 A KR 20200104036A KR 20210103912 A KR20210103912 A KR 20210103912A
Authority
KR
South Korea
Prior art keywords
parameter
task
specialization
model
learning
Prior art date
Application number
KR1020200104036A
Other languages
English (en)
Inventor
황성주
김세훈
양은호
윤재홍
Original Assignee
삼성전자주식회사
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사, 한국과학기술원 filed Critical 삼성전자주식회사
Priority to US17/145,876 priority Critical patent/US20210256374A1/en
Publication of KR20210103912A publication Critical patent/KR20210103912A/ko

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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Abstract

뉴럴 네트워크를 학습시키는 학습 방법 및 장치, 뉴럴 네트워크를 이용한 데이터 처리 방법 및 장치가 개시된다. 개시된 복수의 태스크들에 대해 뉴럴 네트워크를 학습시키는 학습 방법은 학습시키고자 하는 현재 태스크에 대한 특화 파라미터 및 특화 마스크를 결정하는 단계, 특화 파라미터, 특화 마스크 및 복수의 태스크들에 대한 공유 파라미터에 기초하여, 현재 태스크에 대한 모델 파라미터를 결정하는 단계 및 현재 태스크에 대해 모델 파라미터 및 이전 태스크의 특화 파라미터를 학습시키는 단계를 포함한다. 이전 태스크의 특화 파라미터 및 공유 파라미터는 이전 태스크에 대해 학습된다.

Description

뉴럴 네트워크를 학습시키는 학습 방법 및 장치, 뉴럴 네트워크를 이용한 데이터 처리 방법 및 장치{METHOD AND APPARATUS FOR TRINING NEURAL NETWORK, METHOD AND APPARATUS FOR PROCESSING DATA USING NEURAL NETWORK}
아래 실시예들은 뉴럴 네트워크를 학습시키는 학습 방법 및 장치, 뉴럴 네트워크를 이용한 데이터 처리 방법 및 장치에 관한 것이다.
인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링한 것을 '뉴럴 네트워크(neural network)'라 한다. 뉴럴 네트워크는 단순한 기능을 가진 많은 수의 처리 소자들이 병렬로 연결된 연산 구조를 가지고 있으며, 여러 분야에서 기존의 방법론으로는 해결하기 어려웠던 부분들을 해결하는 새로운 기법으로서 널리 이용되고 있다. 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하기 위해, 뉴럴 네트워크는 인간이 가지고 있는 학습이라는 능력을 모방한 알고리즘을 이용한다. 뉴럴 네트워크는 학습된 결과에 기초하여 학습에 이용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가지고 있다.
최근에는 여러 태스크들을 하나의 뉴럴 네트워크로 처리하기 위한 계속적 학습에 대한 연구가 활발히 진행되고 있다.
일실시예에 따른 복수의 태스크들에 대해 뉴럴 네트워크를 학습시키는 학습 방법은 학습시키고자 하는 현재 태스크에 대한 특화 파라미터(adaptive parameter) 및 특화 마스크(adaptive mask)를 결정하는 단계; 상기 특화 파라미터, 상기 특화 마스크 및 상기 복수의 태스크들에 대한 공유 파라미터(shared parameter)에 기초하여, 상기 현재 태스크에 대한 모델 파라미터를 결정하는 단계; 및 상기 현재 태스크에 대해 상기 모델 파라미터 및 이전 태스크의 특화 파라미터를 학습시키는 단계를 포함한다. 상기 이전 태스크의 특화 파라미터 및 상기 공유 파라미터는 상기 이전 태스크에 대해 학습된다.
일실시예에 따른 학습 방법에서 상기 학습시키는 단계는 상기 공유 파라미터가 상기 현재 태스크에 대해 학습됨에 따라 상기 이전 태스크에 대한 모델 파라미터의 변화가 최소화되도록 상기 이전 태스크의 특화 파라미터를 학습시킬 수 있다.
일실시예에 따른 학습 방법에서 상기 학습시키는 단계는 상기 현재 태스크에 대한 학습 데이터에 기초하여 상기 모델 파라미터를 학습시킬 수 있다.
일실시예에 따른 학습 방법에서 상기 모델 파라미터를 결정하는 단계는 상기 공유 파라미터에 상기 현재 태스크에 대한 상기 특화 마스크를 적용한 후 상기 특화 파라미터를 더함으로써, 상기 현재 태스크에 대한 상기 모델 파라미터를 결정할 수 있다.
일실시예에 따른 학습 방법에서 상기 특화 파라미터 및 상기 특화 마스크를 결정하는 단계는 상기 이전 태스크에 대해 학습된 상기 공유 파라미터에 기초하여 상기 특화 파라미터를 결정하고, 상기 특화 마스크를 랜덤하게 결정할 수 있다.
일실시예에 따른 학습 방법에서 상기 특화 파라미터 및 상기 특화 마스크를 결정하는 단계, 상기 모델 파라미터를 결정하는 단계 및 상기 학습시키는 단계는 상기 복수의 태스크들 각각에 대해 반복적으로 수행될 수 있다.
일실시예에 따른 학습 방법은 상기 복수의 태스크들에 대한 복수의 특화 파라미터들을 복수의 그룹들로 그룹핑하는 단계; 및 동일 그룹으로 그룹핑된 특화 파라미터들 각각에 포함된 엘리먼트들이 미리 정해진 조건을 만족하는지 여부에 기초하여, 상기 특화 파라미터를 상기 동일 그룹으로 그룹핑된 특화 파라미터들이 공유하는 로컬 공유 파라미터와 상기 특화 파라미터보다 더 스파스(sparse)한 제2 특화 파라미터로 분해하는 단계를 더 포함할 수 있다.
일실시예에 따른 학습 방법에서 상기 현재 태스크에 대한 상기 모델 파라미터는 상기 공유 파라미터, 상기 현재 태스크가 속한 그룹의 로컬 공유 파라미터 및 상기 현재 태스크에 대한 제2 특화 파라미터 및 특화 마스크에 기초하여 결정될 수 있다.
일실시예에 따른 학습 방법은 상기 복수의 태스크들 중 제거하고자 하는 태스크에 대한 특화 파라미터를 삭제하는 단계를 더 포함할 수 있다.
일실시예에 따른 학습 방법에서 상기 뉴럴 네트워크의 구조는 변경되지 않고 유지되고, 상기 뉴럴 네트워크에 포함된 노드들 간 연결 가중치가 상기 모델 파라미터에 의해 결정될 수 있다.
일실시예에 따른 학습 방법에서 상기 복수의 태스크들은 상기 뉴럴 네트워크에 입력되는 데이터 유형이 동일할 수 있다.
일실시예에 따른 복수의 태스크들에 대한 뉴럴 네트워크를 이용한 데이터 처리 방법은 상기 복수의 태스크들 중 수행하고자 하는 타겟 태스크에 대한 특화 파라미터 및 특화 마스크를 선택하는 단계; 상기 특화 파라미터, 상기 특화 마스크 및 상기 복수의 태스크들에 대한 공유 파라미터에 기초하여, 상기 타겟 태스크에 대한 모델을 결정하는 단계; 및 상기 결정된 모델에 추론하고자 하는 입력 데이터를 입력하여 상기 모델로부터 출력 데이터를 획득하는 단계를 포함한다.
일실시예에 따른 데이터 처리 방법에서 상기 모델을 결정하는 단계는 상기 공유 파라미터에 상기 타겟 태스크에 대한 상기 특화 마스크를 적용한 후 상기 특화 파라미터를 더함으로써 상기 타겟 태스크에 대한 상기 모델 파라미터를 결정하고, 상기 모델 파라미터에 기초하여 상기 뉴럴 네트워크에 포함된 노드들 간 연결 가중치를 결정할 수 있다.
일실시예에 따른 데이터 처리 방법에서 상기 특화 파라미터는 복수의 태스크들의 특화 파라미터들이 복수의 그룹들로 그룹핑된 경우, 상기 타겟 태스크가 속한 그룹의 로컬 공유 파라미터와 상기 타겟 태스크에 대응하고 상기 특화 파라미터보다 더 스파스한 제2 특화 파라미터에 기초하여 결정될 수 있다.
일실시예에 따른 데이터 처리 방법에서 상기 복수의 태스크들 중 제거하고자 하는 태스크에 대한 특화 파라미터는 삭제될 수 있다.
일실시예에 따른 데이터 처리 방법에서 상기 복수의 태스크들은 상기 뉴럴 네트워크에 입력되는 데이터 유형이 동일할 수 있다.
일실시예에 따른 복수의 태스크들에 대해 뉴럴 네트워크를 학습시키는 학습 장치는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 학습시키고자 하는 현재 태스크에 대한 특화 파라미터 및 특화 마스크를 결정하고, 상기 특화 파라미터, 상기 특화 마스크 및 상기 복수의 태스크들에 대한 공유 파라미터에 기초하여, 상기 현재 태스크에 대한 모델 파라미터를 결정하며, 상기 현재 태스크에 대해 상기 모델 파라미터 및 이전 태스크의 특화 파라미터를 학습시킨다. 상기 이전 태스크의 특화 파라미터 및 상기 공유 파라미터는 상기 이전 태스크에 대해 학습된다.
일실시예에 따른 복수의 태스크들에 대한 뉴럴 네트워크를 이용한 데이터 처리 장치는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 복수의 태스크들 중 수행하고자 하는 타겟 태스크에 대한 특화 파라미터 및 특화 마스크를 선택하고, 상기 특화 파라미터, 상기 특화 마스크 및 상기 복수의 태스크들에 대한 공유 파라미터에 기초하여, 상기 타겟 태스크에 대한 모델을 결정하며, 상기 결정된 모델에 추론하고자 하는 입력 데이터를 입력하여 상기 모델로부터 출력 데이터를 획득한다.
도 1 및 도 2는 일실시예에 따른 계속적 학습을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 계속적 학습이 진행됨에 따라 파라미터의 변화를 설명하기 위한 도면이다.
도 4 내지 도 7은 일실시예에 따른 계층적 정보 병합에 기반한 파라미터 분해를 설명하기 위한 도면이다.
도 8은 일실시예에 따른 뉴럴 네트워크를 학습시키는 학습 방법을 나타낸 도면이다.
도 9는 일실시예에 따른 뉴럴 네트워크를 이용한 데이터 처리 방법을 나타낸 도면이다.
도 10은 일실시예에 따른 학습 장치를 나타낸 도면이다.
도 11은 일실시예에 따른 데이터 처리 장치를 나타낸 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 아래의 특정한 구조적 내지 기능적 설명들은 단지 실시예들을 설명하기 위한 목적으로 예시된 것으로, 실시예의 범위가 본문에 설명된 내용에 한정되는 것으로 해석되어서는 안된다. 관련 기술 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타내며, 공지된 기능 및 구조는 생략하도록 한다.
도 1 및 도 2는 일실시예에 따른 계속적 학습을 설명하기 위한 도면이다.
도 1을 참조하면, 뉴럴 네트워크(110)은 복수의 레이어들(111, 113, 115)을 포함한다. 일실시예에서, 뉴럴 네트워크(110)은 입력 레이어(111), 히든 레이어(113) 및 출력 레이어(115)를 포함할 수 있다. 각각의 레이어들(111, 113, 115)은 인공 뉴런이라고도 불리는 복수의 노드들을 포함한다. 각 노드는 하나 이상의 입력 및 출력을 가지는 계산 단위를 나타내고, 노드들은 상호 연결될 수 있다.
입력 레이어(111)는 다른 노드와의 관계에서 링크를 거치지 않고, 데이터가 직접 입력되는 하나 이상의 노드들을 포함할 수 있다. 출력 레이어(115)는 다른 노드와의 관계에서 출력 노드를 가지지 않는 하나 이상의 노드들을 포함할 수 있다. 히든 레이어(113)는 입력 레이어(111) 및 출력 레이어(115)를 제외한 뉴럴 네트워크(110)의 나머지 레이어들로서, 도 1에서는 설명의 편의를 위하여 하나로 도시되어 있으나, 딥 뉴럴 네트워크에서는 복수의 히든 레이어들이 포함될 수 있다. 히든 레이어(113)는 다른 노드와의 관계에서 입력 노드 또는 출력 노드에 해당하는 노드들을 포함할 수 있다. 도 1에 도시된 뉴럴 네트워크(110)은 설명의 편의를 위해 예시한 것으로, 해당 뉴럴 네트워크(110)의 구조에 의해 실시예의 범위가 한정되는 것으로 해석되어서는 안된다. 실시예에서 이용되는 뉴럴 네트워크의 구조는 다양할 수 있다. 실시예에 따라 뉴럴 네트워크(110)에 포함된 히든 레이어의 수, 각 레이어에 포함된 노드의 수 및/또는 노드들 간의 연결 관계는 다를 수 있다.
어느 레이어에 포함된 일 노드의 출력은 다른 레이어의 하나 이상의 노드에 입력될 수 있다. 예를 들어, 입력 레이어(111)에 포함된 노드의 출력은 히든 레이어(113)의 노드들에 전달될 수 있다. 노드들은 서로 '링크'에 의해 서로 연결될 수 있고, 링크를 통해 연결된 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드의 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드의 관계에 있을 수 있으며, 그 역도 성립할 수 있다.
노드들 간의 링크에는 연결 가중치(connection weight)가 설정된다. 예를 들어, 노드와 노드 간의 링크에는 특정한 연결 가중치가 설정되어 있으며, 이러한 연결 가중치는 조정 또는 변경될 수 있다. 연결 가중치의 값이 서로 다른 뉴럴 네트워크들은 다른 특성을 나타낼 수 있다. 연결 가중치는 연관된 데이터 값을 증폭, 감소 또는 유지시킴으로써 해당 데이터 값이 최종 결과에 미치는 영향도를 결정할 수 있다. 연결 가중치는 뉴럴 네트워크(110)의 모델 파라미터에 해당한다.
링크를 통해 연결된 입력 노드 및 출력 노드의 관계에서, 출력 노드의 출력 값은 입력 노드에 입력된 데이터, 및 입력 노드와 출력 노드 간의 링크가 가지는 연결 가중치에 의해 결정될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 연결된 경우, 해당 하나 이상의 입력 노드에 입력된 입력 값 및 해당 하나 이상의 입력 노드 각각과 출력 노드 간의 링크가 가지는 연결 가중치에 기초하여 출력 노드의 출력 값이 결정될 수 있다.
일실시예에서, 히든 레이어(113)에 포함된 각각의 노드에는 이전 레이어에 포함된 노드들의 가중된 입력들(weighted inputs)에 관한 활성 함수(activation function)의 출력이 입력될 수 있다. 가중된 입력은 이전 레이어에 포함된 노드들의 입력에 연결 가중치가 곱해진 것이다. 활성 함수는 예를 들어 시그모이드(sigmoid), 하이퍼볼릭 탄젠트(hyperbolic tangent; tanh) 또는 렐루(rectified linear unit; ReLU)에 해당할 수 있다. 출력 레이어(115)에 포함된 각각의 노드에는 이전 레이어에 포함된 노드들의 가중된 입력들이 입력될 수 있다. 가중된 데이터가 임의의 레이어로부터 다음 레이어로 입력되는 과정을 전파(propagation)라고 지칭할 수 있다.
위와 같은 뉴럴 네트워크(110)은 컴퓨터 시스템과 같은 하드웨어 장치에서 동작할 수 있는 소프트웨어 프레임워크에서 실행될 수 있다. 뉴럴 네트워크(110)은 예를 들어 완전 연결 네트워크(fully connected network), 딥 컨볼루셔널 네트워크(deep convolutional network) 및 리커런트 뉴럴 네트워크(recurrent neural network) 등을 포함할 수 있다. 뉴럴 네트워크(110)은 객체 인식, 음성 인식, 기계 번역, 패턴 인식, 컴퓨터 비전 등 다양한 분야에서 이용될 수 있다.
뉴럴 네트워크(110)에서 다양한 태스크들을 처리하기 위한 계속적 학습(continual learning) 기법이 존재한다. 예를 들어, 계속적 학습 중에서도 확장 가능한 계속적 학습 기법은 PGN(Progressive Neural Network), RCL(Reinforced Continual Learning), DEN(Dynamically Expandable Network) 등을 포함할 수 있다. 일반적으로, 계속적 학습 기법은 온라인 멀티-태스크 학습(online multi-task learning) 방식으로, 새로운 데이터와 새로운 태스크가 순차적으로 주어지는 환경에서 최종적으로 다양한 태스크를 수행 가능한 단일 모델을 얻기 위한 기법을 나타낼 수 있다. 이러한 계속적 학습 기법은 하나의 모델로 여러 태스크에 대한 추론을 수행할 수 있을지는 모르지만, 새로운 태스크에 대한 학습이 수행되면 이전 태스크에서 학습한 지식이 잊혀지는 파괴적 망각(catastrophic forgetting)이 발생하는 한계가 존재한다. 또한, 학습하는 태스크 개수가 증가함에 따라 학습 비용이 급격히 증가하게 된다.
본 명세서에서 설명되는 일실시예에 따르면, 뉴럴 네트워크(110)에 포함된 각 레이어에서 모델 파라미터를 공유 파라미터 σ(120)와 특화 파라미터
Figure pat00001
(140)로 분해하고, 새로운 태스크를 학습함에 따라 이전 태스크의 특화 파라미터를 소급해서(retroactively) 학습시키는 방식을 통해, 앞서 설명한 파괴적 망각이 발생하는 것을 효과적으로 방지할 수 있다. 공유 파라미터 σ(120)는 복수의 태스크들(T1 내지 T5)이 공유하는 파라미터로 복수의 태스크들에 관한 일반적 지식(generic knowledge)을 포함할 수 있다. 특화 파라미터
Figure pat00002
(140)는 공유 파라미터 σ(120)로 표현되지 않는 각 태스크에 대한 지식으로, 학습 진행 시 공유 파라미터 σ(120)의 활용을 최대화시킴으로써 특화 파라미터
Figure pat00003
(140)를 스파스(sparse)하게 결정시킬 수 있고, 이를 통해 태스크 개수 증가에 따라 뉴럴 네트워크(110)의 사이즈가 급격히 증가하는 것을 효과적으로 억제시킬 수 있다. 특화 마스크 M 1:t(130)는 해당 태스크 처리를 위해 공유 파라미터에서 관련된 지식에만 액세스하기 위한 어텐션(attention)에 해당할 수 있다.
도 1에서는, 뉴럴 네트워크(110)는 제1 태스크 T1부터 시작해서 제5 태스크 T5까지 순차적으로 학습되는 예시가 도시된다. 뉴럴 네트워크(110)의 계속적 학습에 활용되는 복수의 태스크들(T1 내지 T5)은 뉴럴 네트워크(110)에 입력되는 데이터 유형이 동일한 태스크일 수 있다. 예를 들어, 뉴럴 네트워크(110)의 입력 데이터 유형이 이미지인 경우, 복수의 태스크들(T1 내지 T5)은 입력 이미지에 포함된 특정 객체에 대한 인식, 분류 등에 해당할 수 있다. 이를테면, 제1 태스크 T1은 입력 이미지에서 승용차를 인식하는 작업이고, 제3 태스크 T3은 입력 이미지에서 트럭을 인식하는 작업일 수 있다. 이러한 특정 작업을 수행하는 t번째 태스크 Tt에서의 뉴럴 네트워크(110)의 모델 파라미터는 공유 파라미터 σ(120), 특화 마스크 Mt, 특화 파라미터
Figure pat00004
에 기초하여 결정될 수 있다. 이와 같은 방식을 통해, 학습하는 태스크가 증가하더라도 뉴럴 네트워크(110)의 구조 변경 없이 단일 목적 함수(objective function)에 기반한 학습을 통한 빠른 학습 속도를 기대할 수 있다는 이점을 제공한다. 또한, 태스크의 학습 순서에 강인한 모델 성능이 기대될 수 있다.
이하, 실시예들을 보다 자세히 설명한다.
도 2를 참조하면, 일실시예에 따른 계속적 학습이 수행되는 과정이 도시된다.
일실시예에 따른 계속적 학습에서, 복수의 태스크들 {T1, ..., TT}이 랜덤한 순서로 뉴럴 네트워크의 학습에 이용되는 것을 가정한다. t번째 태스크의 데이터세트를
Figure pat00005
로 한다. 여기서,
Figure pat00006
및
Figure pat00007
은 각각 Nt 예시들 중에서 i번째 인스턴스와 레이블(label)에 해당한다. 또한, t번째 태스크 학습을 수행하는 스텝 t가 지나가면 해당 데이터세트를 더 이상 액세스하지 못하는 것을 가정한다. 스텝 t에서 뉴럴 네트워크의 모델 파라미터들은
Figure pat00008
로 하고, 이때
Figure pat00009
은 레이어 l의 가중치들을 나타낼 수 있다. 만약 그 의미가 명확하다면 레이어 인덱스 l은 생략될 수 있다.
앞서 설명한 파괴적 망각과 학습되는 태스크 개수에 따라 뉴럴 네트워크의 사이즈가 증가하는 것을 최소화시키기 위해, 뉴럴 네트워크의 모델 파라미터
Figure pat00010
가 태스크-공유 파라미터 σ와 태스크-특화 파라미터
Figure pat00011
로 분해될 수 있다. 다시 말해, t번째 태스크에서 모델 파라미터는
Figure pat00012
로 표현될 수 있다. 이때,
Figure pat00013
은 벡터-와이즈 곱셈(vector-wise multiplication)에 해당하고, M t 는 태스크-공유 파라미터 σ에서 해당 태스크와 관련된 부분에만 집중되도록 하는 어텐션으로 작용할 수 있다. 정리하면, 일실시예에 따른 계속적 학습에서 이용되는 파라미터는 태스크 공유 파라미터(
Figure pat00014
), 태스크 특화 파라미터 (
Figure pat00015
), 태스크 특화 마스크(
Figure pat00016
)를 포함할 수 있다.
이러한 파라미터 분해는 분해된 파라미터들에 별도의 정규화(regularization)를 적용시킴으로써 새로운 태스크의 예측 성능(predictive performance)과 의미적 전이(semantic drift) 간 트레이드-오프가 손쉽게 제어될 수 있다. 이를테면, 새로운 태스크에 대한 학습이 시작되면, 이전 태스크에서 결정된 공유 파라미터 σ가 적절히 업데이트되되 이전 공유 파라미터 σ(t-1)에서 크게 벗어나지 않게 유도될 수 있다. 동시에, 특화 파라미터
Figure pat00017
를 스파스하게 만듦으로써 특화 파라미터
Figure pat00018
의 커패시티(capacity)가 최대한 작게 유도될 수 있다.
단계(210)에서, 학습 장치는 학습시키고자 하는 현재 태스크가 새로운 태스크에 해당하는지 여부를 판단할 수 있다. 만약 이전에 학습하지 않았던 새로운 태스크라면 단계(220)가 이어서 수행될 수 있다. 반대로, 현재 학습 중인 태스크라면 단계(230)가 이어서 수행될 수 있다.
단계(220)에서, 학습 장치는 현재 태스크에 대한 특화 파라미터
Figure pat00019
, 특화 마스크 M t 를 결정한다. 예를 들어, 특화 파라미터
Figure pat00020
는 이전 태스크에서 학습되었던 공유 파라미터 σ와 동일하게 결정될 수 있다. 또한, 특화 마스크 M t 는 랜덤하게 결정될 수 있다.
단계(230)에서, 학습 장치는 현재 태스크에 대한 모델 파라미터
Figure pat00021
를 결정한다. 현재 태스크 t에서 모델 파라미터는
Figure pat00022
로 결정될 수 있다. 이처럼, 학습 장치는 공유 파라미터 σ에 특화 마스크 M t 를 적용한 후 특화 파라미터
Figure pat00023
를 더함으로써, 모델 파라미터
Figure pat00024
를 결정할 수 있다.
단계(240)에서, 학습 장치는 현재 태스크에 대해 모델 파라미터
Figure pat00025
와 이전 태스크의 특화 파라미터
Figure pat00026
를 학습시킬 수 있다. 학습에 기반이 되는 목적 함수는 아래와 같다. 일실시예에 따른 학습이 단일 목적 함수에 기반하여 수행됨으로써, 빠른 학습 속도를 기대할 수 있다.
Figure pat00027
위의 수학식 1에서,
Figure pat00028
은 뉴럴 네트워크에 적용되는 로스 함수(loss function)에 해당하고,
Figure pat00029
은 매트릭스에 대해 정의된 엘리먼트-와이즈 L1 놈(element-wise L1 norm)이고,
Figure pat00030
,
Figure pat00031
은 파괴적 망각의 효율을 밸런싱하는 하이퍼파라미터들(hyperparameters)을 나타낸다. 예를 들어, 학습 장치는 L2 전송 정규화(L2 transfer regularization)를 이용하여 파괴적 망각을 방지할 수 있으나, 그 외에도 EWC(Elastic Weight Consolidation)와 같은 다른 정규화 기법이 사용될 수도 있다. 일례로, 특화 마스크 M t 는 각 레이어에서 공유 파라미터 σ의 출력 채널들 또는 뉴런들에 적용되는 학습 가능한 파라미터 vt의 시그모이드 함수에 해당할 수 있다. 앞서 설명한 것처럼 모델 파라미터가 공유 파라미터와 특화 파라미터로 분해되는 모델을 APD(Additive Parameter Decomposition) 모델로 지칭할 수 있다.
위의 수학식 1에서 첫 번째 항
Figure pat00032
은 현재 태스크 t에 대한 모델을 구성하고, 해당 모델을 학습 데이터세트 D t 로 학습시키는 것을 반영할 수 있다. 예를 들어, 현재 태스크에 대한 학습 데이터에 포함된 입력 인스턴스가 해당 모델에 입력됨에 따라 획득된 추론 데이터와 학습 데이터의 출력 레이블 간 로스(loss)가 최소화되도록 해당 모델이 학습될 수 있다.
위의 수학식 1에서 두 번째 항
Figure pat00033
은 특화 파라미터
Figure pat00034
를 스파스하게 만드는 패널티 항(penalty term)으로서, 특화 파라미터
Figure pat00035
를 프루닝(pruning)할 수 있다. 이를 통해, 학습되는 태스크 개수가 증가하더라도 파라미터 크기가 함께 증가하는 것을 효과적으로 억제시킬 수 있다.
위의 수학식 1에서, 세 번째 항
Figure pat00036
은 현재 태스크에 대해 공유 파라미터가 학습되어 업데이트되더라도 이전 태스크에서 학습된 오리지널 솔루션(original solution)을 유지시키기 위한 것일 수 있다. 이전 태스크(예컨대, t-1번째 태스크)에서 모델 파라미터는
Figure pat00037
로 표현되는데, 이때 태스크-공유 파라미터 σ는 현재 태스크(예컨대, t번째 태스크)에 대한 학습이 시작되면 적절히 업데이트될 수 있다. 그 결과, 이전 태스크의 모델 파라미터
Figure pat00038
가 일정하게 유지되지 못하고 변화하게 되므로, 태스크-공유 파라미터 σ가 학습으로 업데이트된 만큼을 이전 태스크의 특화 파라미터
Figure pat00039
에 반영시킴으로써, 이전 태스크의 모델 파라미터
Figure pat00040
를 일정하게 유지시킬 수 있다. 수학식 1에서 세 번째 항이 이러한 패널티 항일 수 있다.
Figure pat00041
은 i번째 태스크에 대해 학습되어 결정된 모델 파라미터를 나타낸다. 이때, i는 t보다 작아서 i번째 이전 태스크를 나타낸다. 새로운 t번째 태스크가 학습되면, 이전 태스크들의 모델 파라미터들
Figure pat00042
이 아래 수학식을 통해 모두 복원될 수 있다.
Figure pat00043
은 학습과정에서 업데이트되지 않고 고정된다.
Figure pat00044
그리고,
Figure pat00045
가
Figure pat00046
와 최대한 동일하도록
Figure pat00047
이 업데이트될 수 있다(위의 수학식 1에서 마지막 항 참조).
이처럼, 이전 태스크들의 특화 파라미터들
Figure pat00048
의 소급적 학습은 별도로 모델이 생성되지 않고 학습 데이터세트 없이 파라미터 레벨에서 수행될 수 있다. 이를 통해, 파라미터-레벨 전이(parameter-level drift), 파괴적 망각을 효과적으로 방지할 수 있으며, 태스크 학습 순서에 강인한 성능의 모델을 기대할 수 있다.
단계(250)에서, 학습 장치는 새로운 태스크에 대한 학습이 미리 정해진 개수 s만큼 수행되었는지를 판단할 수 있다. 이는 이후에 설명한 계층적 정보 병합을 위한 것으로, 만약 새로운 태스크에 대한 학습이 미리 정해진 개수 s만큼 수행되지 않았다면 단계(210)가 다시 수행될 수 있다. 반대로, 새로운 태스크에 대한 학습이 미리 정해진 개수 s만큼 수행되었다면 단계(260)가 이어서 수행될 수 있다.
단계(260)에서, 학습 장치는 특화 파라미터에 대한 계층적 정보 병합을 수행하여, 특화 파라미터를 로컬 공유 파라미터
Figure pat00049
와 대응하는 특화 파라미터에 대한 제2 특화 파라미터
Figure pat00050
를 생성할 수 있다. 계층적 정보 병합에 대해서는 도 4 내지 도 7를 통해 상세히 설명한다.
도 3은 일실시예에 따른 계속적 학습이 진행됨에 따라 파라미터의 변화를 설명하기 위한 도면이다.
도 3을 참조하면, 일실시예에 따른 계속적 학습을 통해 획득된 파라미터들이 업데이트되는 예시가 도시된다. 도 3에 도시된 도형들은 2D 투사(projection)을 통해 파라미터들을 시각적으로 표현한 것으로, 도형의 형태는 대응하는 태스크를 나타내고, 내부가 채워진 도형은 해당 태스크의 모델 파라미터를 나타내고, 내부가 빈 도형은 해당 태스크의 공유 파라미터를 나타내며, 점선 화살표는 학습 진행에 따라 파라미터 공간에서 파라미터가 전이된 것을 나타낸다. 이때, 계속적 학습은 태스크 1부터 태스크 5까지 순서로 수행될 수 있다.
도 3에서 확인 가능한 것처럼, 뉴럴 네트워크가 새로운 태스크를 학습할수록 공유 파라미터가 학습된 모든 태스크들과의 거리들이 최소가 되는 지점으로 점점 수렴하도록 업데이트되는 특성을 가지고, 공유 파라미터와 특화 파라미터에 의한 모델 파라미터는 초기 위치에서 큰 변동폭 없이 일정하게 유지되는 특성을 가질 수 있다.
일실시예에 따른 계속적 학습의 경우 태스크 별 특화 파라미터가 별도로 존재하는 구조적인 특성으로 인해, 선택적으로 특정 태스크에 대한 정보가 제거될 수 있다. 가령, 학습 과정에서 더 이상 필요가 없어지거나 혹은 다른 주요한 태스크의 학습을 저해하는 태스크가 존재하는 경우, 나머지 태스크 성능에는 영향을 미치지 않으면서 해당 태스크의 특화 파라미터를 삭제함으로써, 해당 태스크에 대한 정보가 손쉽게 제거될 수 있다. 이를 통해, 효율적인 학습과 저장공간 관리가 가능할 수 있다. 예를 들어, 특정 상품이 단종된 경우 해당 상품을 인식, 분류하는 태스크는 더 이상 필요가 없으므로, 해당 태스크에 대한 학습 정보인 특화 파라미터를 삭제함으로써, 효율적인 모델 관리와 다른 태스크의 성능 유지가 가능하다. 이러한 점은 라이프타임 학습 시나리오(lifetime learning scenarios)에 강점을 가지게 한다.
도 4 내지 도 7은 일실시예에 따른 계층적 정보 병합에 기반한 파라미터 분해를 설명하기 위한 도면이다.
도 4를 참조하면, 일실시예에 따라 복수의 태스크들에 대한 복수의 특화 파라미터들을 그룹핑하여 계층적 정보 병합을 수행하는 과정을 설명하기 위한 예시가 도시된다. 아래에서는 설명의 편의를 위해 입력 데이터가 이미지로서, 뉴럴 네트워크를 통해 이미지에 포함된 객체를 인식하는 태스크가 수행되는 것을 가정하나, 이외에도 음성, 텍스트 등 기반의 다양한 태스크를 수행하는 뉴럴 네트워크에도 제한 없이 적용될 수 있다.
복수의 태스크들 중에서는 인식하고자 하는 대상이 유사할 수 있다. 예를 들어, 승용차를 인식하는 제1 태스크 T1와 트럭을 인식하는 제3 태스크 T3은 인식 대상이 차량인 점에서 일부 유사한 점을 가진다. 또한, 기타를 인식하는 제2 태스크 T2와 바이올린을 인식하는 제5 태스크 T5는 인식 대상이 악기인 점에서 일부 유사한 점을 가진다. 이처럼, 유사한 태스크들은 그 특성으로 인해 특화 파라미터들에 중복된 정보(redundancy of information)를 포함할 수 있고, 이러한 중복된 정보를 로컬 공유 파라미터
Figure pat00051
로 설정함으로써 특화 파라미터
Figure pat00052
를 더욱 스파스하게 만들 수 있다. 도 5의 왼편에 도시된 로컬 공유 파라미터가 없는 경우의 특화 파라미터보다 도 5의 오른편에 도시된 로컬 공유 파라미터가 있는 경우의 특화 파라미터가 더 스파스한 정보를 포함하고 있는 것을 확인할 수 있다. 이때, 특화 마스크 M1:t(440)는 로컬 공유 파라미터가 없는 경우와 동일할 수 있다. 이처럼, 계층적 정보 병합을 통해, 태스크 특화 파라미터의 의미적 중복을 최소화시킴으로써, 학습되는 태스크 개수가 증가함에 따른 모델 커패시티도 최소화시킬 수 있다.
도 5를 참조하면, 일실시예에 따른 계층적 정보 병합이 수행되는 과정이 도시된다. 학습되는 태스크 개수가 증가할수록 하나의 공유 파라미터만으로는 다양한 태스크 지식을 효과적으로 다루기 어려울 수 있으므로, 아래에서 설명하는 로컬 공유 파라미터가 활용함으로써 특화 파라미터에 남아있는 중복 지식을 효과적으로 제거할 수 있다. 도 2의 단계(250)의 설명처럼, 이러한 계층적 정보 병합은 s번째 태스크마다 수행될 수 있다.
단계(510)에서, 학습 장치는 복수의 태스크들에 대한 복수의 특화 파라미터들에 기초하여 복수의 중심(centroids)을 생성할 수 있다. 단계(520)에서, 학습 장치는 복수의 특화 파라미터들을 복수의 그룹들로 그룹핑할 수 있다. 이때, K-평균 클러스터링(K-means clustering)이 활용될 수 있다.
단계(530)에서, 학습 장치는 동일 그룹으로 그룹핑된 특화 파라미터들 각각을 로컬 공유 파라미터
Figure pat00053
와 대응하는 태스크에 대한 제2 특화 파라미터
Figure pat00054
로 분해할 수 있다.
정리하면, s번째 태스크가 학습될 때마다 기 학습된 특화 파라미터들
Figure pat00055
에 K-평균 클러스터링을 수행하여 태스크들이 K개의 그룹들
Figure pat00056
로 그룹핑될 수 있다. 그리고, 동일 그룹 내의 기 학습된 특화 파라미터들 각각이 아래와 같이 로컬 공유 파라미터
Figure pat00057
및 대응하는 태스크에 대한 제2 특화 파라미터
Figure pat00058
로 분해될 수 있다.
Figure pat00059
위의 수학식 3에서,
Figure pat00060
은 i번째 특화 파라미터 매트릭스의 j번째 엘리먼트를 나타내고,
Figure pat00061
은 그룹
Figure pat00062
의 클러스터 중심을 나타내며,
Figure pat00063
은 임계치로 상당히 작은 숫자로 설정될 수 있다. 다시 말해, 동일 그룹에 포함된 특화 파라미터들의 j번째 엘리먼트들의 최대값과 최소값의 차이가 매우 작은 숫자의
Figure pat00064
보다 작은 경우, 특화 파라미터들의 j번째 엘리먼트들의 값을 0으로 설정하고, 로컬 공유 파라미터의 j번째 엘리먼트
Figure pat00065
를
Figure pat00066
로 설정할 수 있다. 이를 통해, 동일 그룹 내 중복된 지식으로 로컬 공유 파라미터를 생성함으로써, 개별 태스크에 대한 특화 파라미터를 더욱 스파스하게 만들 수 있다.
일실시예에서, 상술한 계층적 정보 병합은 s번째 태스크마다 수행되며, 그때마다 그룹들의 중심이 초기화될 수 있다. 또한,계층적 정보 병합이 수행될 때마다 그룹 개수는 k만큼 증가되어 총 K+k개의 그룹이 결정될 수 있다. 이는 학습되는 태스크 개수가 증가할수록 그룹 개수도 적절히 증가시키기 위함일 수 있다.
일실시예에 따른 계층적 정보 병합으로 로컬 공유 파라미터가 활용되는 경우 목적 함수는 아래와 같이 표현될 수 있다.
Figure pat00067
위의 수학식 4에서, i번째 태스크의 특화 파라미터
Figure pat00068
가 로컬 공유 파라미터
Figure pat00069
와 i번째 태스크에 대응하는 더 스파스한 제2 특화 파라미터
Figure pat00070
로 분해된 것을 확인할 수 있다.
도 6을 참조하면, 일실시예에 따른 동일 그룹 내 특화 파라미터들
Figure pat00071
,
Figure pat00072
과 로컬 공유 파라미터
Figure pat00073
와 제2 특화 파라미터들
Figure pat00074
,
Figure pat00075
간 계층적 정보 병합과 복원을 설명하기 위한 예시가 도시된다. 동일 그룹 내 특화 파라미터들
Figure pat00076
,
Figure pat00077
에는 동일하거나 매우 유사한 값을 가진 엘리먼트들이 존재할 수 있고, 이러한 엘리먼트는 계층적 정보 병합을 통해 로컬 공유 파라미터
Figure pat00078
에 포함될 수 있다. 이를 통해, 제2 특화 파라미터
Figure pat00079
,
Figure pat00080
에서는 중복된 정보가 제외되므로, 특화 파라미터들
Figure pat00081
,
Figure pat00082
보다 스파스하게 결정될 수 있다. 로컬 공유 파라미터
Figure pat00083
와 제2 특화 파라미터
Figure pat00084
,
Figure pat00085
를 더하면, 기존의 특화 파라미터들
Figure pat00086
,
Figure pat00087
로 복원될 수 있다.
도 7을 참조하면, 일실시예에 따른 계층적 정보 병합에 의한 그룹핑을 설명하기 위한 예시가 도시된다. 도 7에 도시된 파라미터 공간에서, 공유 파라미터는 네모로 표시되고, 로컬 공유 파라미터는 세모로 표시되며, 특화 파라미터는 동그라미로 표시될 수 있다. 특화 파라미터들은 복수의 그룹들(710 내지 730)로 그룹핑되고, 각 그룹에는 해당 그룹에 포함된 특화 파라미터들의 중복된 정보를 포함하는 로컬 공유 파라미터가 존재할 수 있다. 이러한 계층적 정보 병합을 통해 개별 태스크에 대한 특화 파라미터를 보다 스파스하게 만들 수 있어, 모델의 확장성(scalability)을 향상시킬 수 있다.
도 8은 일실시예에 따른 뉴럴 네트워크를 학습시키는 학습 방법을 나타낸 도면이다.
도 8을 참조하면, 일실시예에 따른 학습 장치에서 수행되는 학습 방법이 도시된다. 단계(810)에서, 학습 장치는 학습시키고자 하는 현재 태스크에 대한 특화 파라미터 및 특화 마스크를 결정한다. 단계(820)에서, 학습 장치는 특화 파라미터, 특화 마스크 및 복수의 태스크들에 대한 공유 파라미터에 기초하여, 현재 태스크에 대한 모델 파라미터를 결정한다. 단계(830)에서, 학습 장치는 현재 태스크에 대해 모델 파라미터 및 이전 태스크의 특화 파라미터를 학습시킨다. 이전 태스크의 특화 파라미터 및 공유 파라미터는 이전 태스크에 대해 학습된다.
도 8에 도시된 각 단계들에는 도 1 내지 도 7을 통하여 전술한 사항들이 그대로 적용되므로, 보다 상세한 설명은 생략한다.
도 9는 일실시예에 따른 뉴럴 네트워크를 이용한 데이터 처리 방법을 나타낸 도면이다.
도 9를 참조하면, 일실시예에 따른 데이터 처리 장치에서 수행되는 데이터 처리 방법이 도시된다.
단계(910)에서, 데이터 처리 장치는 복수의 태스크들 중 수행하고자 하는 타겟 태스크에 대한 특화 파라미터 및 특화 마스크를 선택한다. 예를 들어, t번째 태스크에 대한 추론이 요청되면, 데이터 처리 장치는 메모리에 저장된 파라미터들 중에서 공유 파라미터, t번째 태스크에 대한 특화 파라미터 및 특화 마스크를 선택할 수 있다.
단계(920)에서, 데이터 처리 장치는 특화 파라미터, 특화 마스크 및 복수의 태스크들에 대한 공유 파라미터에 기초하여, 타겟 태스크에 대한 모델을 결정한다. 예를 들어, 데이터 처리 장치는 t번째 태스크를 수행하기 위한 모델의 파라미터를
Figure pat00088
로 결정될 수 있다. 이처럼, 데이터 처리 장치는 공유 파라미터 σ에 특화 마스크 M t 를 적용한 후 특화 파라미터
Figure pat00089
를 더함으로써, 모델 파라미터
Figure pat00090
를 결정할 수 있다.
단계(930)에서, 데이터 처리 장치는 결정된 모델에 추론하고자 하는 입력 데이터를 입력하여 모델로부터 출력 데이터를 획득한다.
도 9에 도시된 각 단계들에는 도 1 내지 도 8을 통하여 전술한 사항들이 그대로 적용되므로, 보다 상세한 설명은 생략한다.
본 명세서에서 설명한 학습 장치와 데이터 처리 장치는 영상처리, 물체인식, 음성인식, 기계번역, 기계통역, 음성합성, 필기인식 등 다양한 분야에서 사용될 수 있으며, 계속적 학습 기반의 대규모 인공지능 모델 설계에 적용될 수 있다. 또한, 학습 장치와 데이터 처리 장치는 선형 학습 또는 심화 학습 네트워크에서 태스크에 특화된 모델링이 요구될 때도 활용될 수 있다.
도 10은 일실시예에 따른 학습 장치를 나타낸 도면이다.
도 10을 참조하면, 학습 장치(1000)는 프로세서(1010) 및 저장 장치(1020)를 포함할 수 있다.
저장 장치(1020)는 학습 장치(1000)의 처리 동작에 필요한 정보 내지 데이터를 저장한다. 예를 들어, 저장 장치(1020)는 뉴럴 네트워크의 학습을 위해 이용되는 학습 데이터들을 저장할 수 있다. 또한, 저장 장치(1020)는 프로세서(1010)에 의해 실행하기 위한 인스트럭션들을 저장할 수 있다. 저장 장치(1020)는, 컴퓨터 판독가능한 저장 매체, 예를 들어 RAM(random access memories), DRAM(dynamic random access memories), SRAM(static random access memories), 자기 하드 디스크, 광 디스크, 플래쉬 메모리, 전기적으로 프로그래밍가능한 메모리(EPROM), 또는 이 기술 분야에서 알려진 다른 형태의 컴퓨터 판독가능한 저장 매체를 포함할 수 있다.
프로세서(1010)는 학습 장치(1000)의 전체적인 동작들을 제어하고, 학습 장치(1000) 내에서 실행하기 위한 기능 및/또는 인스트럭션들을 실행한다. 프로세서(1010)는 학습 데이터에 기초하여 뉴럴 네트워크를 학습시키는 학습 과정을 수행하고, 해당 학습 과정과 관련하여 전술한 하나 이상의 동작을 수행할 수 있다.
일실시예에서, 프로세서(1010)는 학습시키고자 하는 현재 태스크에 대한 특화 파라미터 및 특화 마스크를 결정하고, 특화 파라미터, 특화 마스크 및 복수의 태스크들에 대한 공유 파라미터에 기초하여 현재 태스크에 대한 모델 파라미터를 결정하며, 현재 태스크에 대해 모델 파라미터 및 이전 태스크의 특화 파라미터를 학습시킨다. 이전 태스크의 특화 파라미터 및 공유 파라미터는 이전 태스크에 대해 학습된다.
도 11은 일실시예에 따른 데이터 처리 장치를 나타낸 도면이다.
도 11을 참조하면, 데이터 처리 장치(1100)는 프로세서(1110) 및 저장 장치(1120)를 포함할 수 있다. 실시예에 따라, 데이터 처리 장치(1100)는 센서(1130), 입력 장치(1140), 출력 장치(1150) 및 통신 장치(1160) 중 하나 이상을 더 포함할 수도 있다.
저장 장치(1120)는 데이터 처리 장치(1100)의 처리 동작에 필요한 정보 내지 데이터를 저장한다. 예를 들어, 데이터 처리 장치(1100)는 데이터 처리의 목적이 되는 입력 데이터를 저장할 수 있다. 또한, 저장 장치(1120)는 프로세서(1110)에 의해 실행하기 위한 인스트럭션들을 저장할 수 있다. 저장 장치(1120)는, 컴퓨터 판독가능한 저장 매체, 예를 들어 RAM, DRAM, SRAM, 자기 하드 디스크, 광 디스크, 플래쉬 메모리, 전기적으로 프로그래밍가능한 메모리, 또는 이 기술 분야에서 알려진 다른 형태의 컴퓨터 판독가능한 저장 매체를 포함할 수 있다.
프로세서(1110)는 데이터 처리 장치(1100)의 전체적인 동작들을 제어하고, 데이터 처리 장치(1100) 내에서 실행하기 위한 기능 및/또는 인스트럭션들을 실행한다. 데이터 처리 장치(1100)는 하나 이상의 프로세서(1110)를 포함할 수 있으며, 프로세서(1110)는 예를 들어 NPU(Neural Processing Unit), GPU(Graphics Processing Unit), TPU(Tensor Processing Unit) 등을 포함할 수 있다. 프로세서(1110)는 뉴럴 네트워크를 이용하여 입력 데이터를 처리하는 과정을 수행하고, 해당 과정과 관련하여 전술한 하나 이상의 동작을 수행할 수 있다.
일실시예에서, 프로세서(1110)는 복수의 태스크들 중 수행하고자 하는 타겟 태스크에 대한 특화 파라미터 및 특화 마스크를 선택하고, 특화 파라미터, 특화 마스크 및 복수의 태스크들에 대한 공유 파라미터에 기초하여, 타겟 태스크에 대한 모델을 결정하며, 결정된 모델에 추론하고자 하는 입력 데이터를 입력하여 모델로부터 출력 데이터를 획득한다.
센서(1130)는 하나 이상의 센서를 포함할 수 있다. 예를 들어, 센서(1130)는 영상 센서, 음성 센서, 레이더 센서, 측정 센서 등을 포함할 수 있다. 일실시예에서, 센서(1130)에 의해 획득한 영상 데이터, 음성 데이터 또는 레이더 데이터가 위에서 설명한 입력 데이터로서 이용될 수 있다.
입력 장치(1140)는 사용자로부터 사용자 입력을 수신할 수 있다. 입력 장치(1040)는 예를 들어 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전달할 수 있는 임의의 다른 장치를 포함할 수 있다.
출력 장치(1150)는 시각적, 청각적 또는 촉각적인 방식을 통해 사용자에게 데이터 처리 장치(1100)의 출력을 제공할 수 있다. 출력 장치(1050)는 예를 들어 디스플레이 장치, 스피커 장치, 조명 장치, 햅틱 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다.
통신 장치(1160)는 유선 또는 무선 네트워크를 통해 외부의 다른 장치와 통신할 수 있다. 예를 들어, 통신 장치(1160)는 유선 통신 방식이나 블루투스(Bluetooth), 와이파이(WiFi), 3G(generation), LTE(Long Term Evolution) 등의 무선 통신 방식을 이용하여 외부의 다른 장치와 통신할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (20)

  1. 복수의 태스크들에 대해 뉴럴 네트워크를 학습시키는 학습 방법에 있어서,
    학습시키고자 하는 현재 태스크에 대한 특화 파라미터(adaptive parameter) 및 특화 마스크(adaptive mask)를 결정하는 단계;
    상기 특화 파라미터, 상기 특화 마스크 및 상기 복수의 태스크들에 대한 공유 파라미터(shared parameter)에 기초하여, 상기 현재 태스크에 대한 모델 파라미터를 결정하는 단계; 및
    상기 현재 태스크에 대해 상기 모델 파라미터 및 이전 태스크의 특화 파라미터를 학습시키는 단계
    를 포함하고,
    상기 이전 태스크의 특화 파라미터 및 상기 공유 파라미터는 상기 이전 태스크에 대해 학습된
    학습 방법.
  2. 제1항에 있어서,
    상기 학습시키는 단계는
    상기 공유 파라미터가 상기 현재 태스크에 대해 학습됨에 따라 상기 이전 태스크에 대한 모델 파라미터의 변화가 최소화되도록 상기 이전 태스크의 특화 파라미터를 학습시키는
    학습 방법.
  3. 제1항에 있어서,
    상기 학습시키는 단계는
    상기 현재 태스크에 대한 학습 데이터에 기초하여 상기 모델 파라미터를 학습시키는,
    학습 방법.
  4. 제1항에 있어서,
    상기 모델 파라미터를 결정하는 단계는
    상기 공유 파라미터에 상기 현재 태스크에 대한 상기 특화 마스크를 적용한 후 상기 특화 파라미터를 더함으로써, 상기 현재 태스크에 대한 상기 모델 파라미터를 결정하는,
    학습 방법.
  5. 제1항에 있어서,
    상기 특화 파라미터 및 상기 특화 마스크를 결정하는 단계는
    상기 이전 태스크에 대해 학습된 상기 공유 파라미터에 기초하여 상기 특화 파라미터를 결정하고, 상기 특화 마스크를 랜덤하게 결정하는,
    학습 방법.
  6. 제1항에 있어서,
    상기 특화 파라미터 및 상기 특화 마스크를 결정하는 단계, 상기 모델 파라미터를 결정하는 단계 및 상기 학습시키는 단계는 상기 복수의 태스크들 각각에 대해 반복적으로 수행되는,
    학습 방법.
  7. 제1항에 있어서,
    상기 복수의 태스크들에 대한 복수의 특화 파라미터들을 복수의 그룹들로 그룹핑하는 단계; 및
    동일 그룹으로 그룹핑된 특화 파라미터들 각각에 포함된 엘리먼트들이 미리 정해진 조건을 만족하는지 여부에 기초하여, 상기 특화 파라미터를 상기 동일 그룹으로 그룹핑된 특화 파라미터들이 공유하는 로컬 공유 파라미터와 상기 특화 파라미터보다 더 스파스한 제2 특화 파라미터로 분해하는 단계
    를 더 포함하는,
    학습 방법.
  8. 제7항에 있어서,
    상기 현재 태스크에 대한 상기 모델 파라미터는
    상기 공유 파라미터, 상기 현재 태스크가 속한 그룹의 로컬 공유 파라미터 및 상기 현재 태스크에 대한 제2 특화 파라미터 및 특화 마스크에 기초하여 결정되는,
    학습 방법.
  9. 제1항에 있어서,
    상기 뉴럴 네트워크의 구조는 변경되지 않고 유지되고, 상기 뉴럴 네트워크에 포함된 노드들 간 연결 가중치가 상기 모델 파라미터에 의해 결정되는,
    학습 방법.
  10. 복수의 태스크들에 대한 뉴럴 네트워크를 이용한 데이터 처리 방법에 있어서,
    상기 복수의 태스크들 중 수행하고자 하는 타겟 태스크에 대한 특화 파라미터 및 특화 마스크를 선택하는 단계;
    상기 특화 파라미터, 상기 특화 마스크 및 상기 복수의 태스크들에 대한 공유 파라미터에 기초하여, 상기 타겟 태스크에 대한 모델을 결정하는 단계; 및
    상기 결정된 모델에 추론하고자 하는 입력 데이터를 입력하여 상기 모델로부터 출력 데이터를 획득하는 단계
    를 포함하는
    데이터 처리 방법.
  11. 제10항에 있어서,
    상기 모델을 결정하는 단계는
    상기 공유 파라미터에 상기 타겟 태스크에 대한 상기 특화 마스크를 적용한 후 상기 특화 파라미터를 더함으로써 상기 타겟 태스크에 대한 상기 모델 파라미터를 결정하고, 상기 모델 파라미터에 기초하여 상기 뉴럴 네트워크에 포함된 노드들 간 연결 가중치를 결정하는,
    데이터 처리 방법.
  12. 제10항에 있어서,
    상기 특화 파라미터는
    복수의 태스크들의 특화 파라미터들이 복수의 그룹들로 그룹핑된 경우, 상기 타겟 태스크가 속한 그룹의 로컬 공유 파라미터와 상기 타겟 태스크에 대응하고 상기 특화 파라미터보다 더 스파스한 제2 특화 파라미터에 기초하여 결정되는,
    데이터 처리 방법.
  13. 제10항에 있어서,
    상기 복수의 태스크들 중 제거하고자 하는 태스크에 대한 특화 파라미터는 삭제되는
    데이터 처리 방법.
  14. 제10항에 있어서,
    상기 복수의 태스크들은 상기 뉴럴 네트워크에 입력되는 데이터 유형이 동일한,
    데이터 처리 방법.
  15. 제1항 내지 제14항 중에서 어느 하나의 항의 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 저장 매체.
  16. 복수의 태스크들에 대해 뉴럴 네트워크를 학습시키는 학습 장치에 있어서,
    하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는
    학습시키고자 하는 현재 태스크에 대한 특화 파라미터 및 특화 마스크를 결정하고,
    상기 특화 파라미터, 상기 특화 마스크 및 상기 복수의 태스크들에 대한 공유 파라미터에 기초하여, 상기 현재 태스크에 대한 모델 파라미터를 결정하며,
    상기 현재 태스크에 대해 상기 모델 파라미터 및 이전 태스크의 특화 파라미터를 학습시키고,
    상기 이전 태스크의 특화 파라미터 및 상기 공유 파라미터는 상기 이전 태스크에 대해 학습된
    학습 장치.
  17. 제16항에 있어서,
    상기 하나 이상의 프로세서는
    상기 공유 파라미터가 상기 현재 태스크에 대해 학습됨에 따라 상기 이전 태스크에 대한 모델 파라미터의 변화가 최소화되도록 상기 이전 태스크의 특화 파라미터를 학습시키는
    학습 장치.
  18. 제16항에 있어서,
    상기 하나 이상의 프로세서는
    상기 현재 태스크에 대한 학습 데이터에 기초하여 상기 모델 파라미터를 학습시키는,
    학습 장치.
  19. 제16항에 있어서,
    상기 하나 이상의 프로세서는
    상기 공유 파라미터에 상기 현재 태스크에 대한 상기 특화 마스크를 적용한 후 상기 특화 파라미터를 더함으로써, 상기 현재 태스크에 대한 상기 모델 파라미터를 결정하는,
    학습 장치.
  20. 복수의 태스크들에 대한 뉴럴 네트워크를 이용한 데이터 처리 장치에 있어서,
    하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는
    상기 복수의 태스크들 중 수행하고자 하는 타겟 태스크에 대한 특화 파라미터 및 특화 마스크를 선택하고,
    상기 특화 파라미터, 상기 특화 마스크 및 상기 복수의 태스크들에 대한 공유 파라미터에 기초하여, 상기 타겟 태스크에 대한 모델을 결정하며,
    상기 결정된 모델에 추론하고자 하는 입력 데이터를 입력하여 상기 모델로부터 출력 데이터를 획득하는
    데이터 처리 장치.
KR1020200104036A 2020-02-14 2020-08-19 뉴럴 네트워크를 학습시키는 학습 방법 및 장치, 뉴럴 네트워크를 이용한 데이터 처리 방법 및 장치 KR20210103912A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/145,876 US20210256374A1 (en) 2020-02-14 2021-01-11 Method and apparatus with neural network and training

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202062976528P 2020-02-14 2020-02-14
US62/976,528 2020-02-14

Publications (1)

Publication Number Publication Date
KR20210103912A true KR20210103912A (ko) 2021-08-24

Family

ID=77507005

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200104036A KR20210103912A (ko) 2020-02-14 2020-08-19 뉴럴 네트워크를 학습시키는 학습 방법 및 장치, 뉴럴 네트워크를 이용한 데이터 처리 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20210103912A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023113282A1 (ko) * 2021-12-13 2023-06-22 엘지전자 주식회사 무선 통신 시스템에서 송수신기 모델에 대한 온라인 학습을 수행하기 위한 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023113282A1 (ko) * 2021-12-13 2023-06-22 엘지전자 주식회사 무선 통신 시스템에서 송수신기 모델에 대한 온라인 학습을 수행하기 위한 장치 및 방법

Similar Documents

Publication Publication Date Title
Schuman et al. Opportunities for neuromorphic computing algorithms and applications
JP6605259B2 (ja) ニューラルネットワーク構造拡張方法、次元縮小方法、及びその方法を用いた装置
Zhang et al. Large-scale deep belief nets with mapreduce
US20210390397A1 (en) Method, machine-readable medium and system to parameterize semantic concepts in a multi-dimensional vector space and to perform classification, predictive, and other machine learning and ai algorithms thereon
US11620487B2 (en) Neural architecture search based on synaptic connectivity graphs
KR102410820B1 (ko) 뉴럴 네트워크를 이용한 인식 방법 및 장치 및 상기 뉴럴 네트워크를 트레이닝하는 방법 및 장치
US11568201B2 (en) Predicting neuron types based on synaptic connectivity graphs
US11593617B2 (en) Reservoir computing neural networks based on synaptic connectivity graphs
US11593627B2 (en) Artificial neural network architectures based on synaptic connectivity graphs
US11625611B2 (en) Training artificial neural networks based on synaptic connectivity graphs
WO2017176356A2 (en) Partitioned machine learning architecture
US20210264209A1 (en) Method for generating anomalous data
US11631000B2 (en) Training artificial neural networks based on synaptic connectivity graphs
Tahmassebi ideeple: Deep learning in a flash
US20190228297A1 (en) Artificial Intelligence Modelling Engine
Awad et al. Deep neural networks
Kim et al. Building deep random ferns without backpropagation
Pandey et al. A comprehensive classification of deep learning libraries
WO2022125181A1 (en) Recurrent neural network architectures based on synaptic connectivity graphs
US20220121924A1 (en) Configuring a neural network using smoothing splines
Jaakkola et al. About the essence of intelligence-wil l artificial intelligence (ever) cover human intelligence
KR20210103912A (ko) 뉴럴 네트워크를 학습시키는 학습 방법 및 장치, 뉴럴 네트워크를 이용한 데이터 처리 방법 및 장치
Nayak et al. Optimizing a higher order neural network through teaching learning based optimization algorithm
US20210256374A1 (en) Method and apparatus with neural network and training
JP2020155010A (ja) ニューラルネットワークのモデル縮約装置

Legal Events

Date Code Title Description
A201 Request for examination