KR20210107491A - 어노말리 데이터 생성 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따른, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 제 1 샘플 데이터 세트에 대한 제 1 확률 분포의 제 1 표본 통계량을 연산하는 단계; 제 2 샘플 데이터 세트에 대한 제 2 확률 분포의 제 2 표본 통계량을 학습하는 인공 어노말리 생성 모델을 훈련시키는 단계; 및 상기 인공 어노말리 생성 모델에 기초하여, 트레이닝 데이터 세트를 생성하는 단계; 를 포함할 수 있다.

Description

어노말리 데이터 생성 방법{METHOD FOR GENERATING ANOAMLOUS DATA}

본 개시는 기계 학습에 관한 것으로서, 구체적으로 뉴럴 네트워크를 학습시키기 위해 적절한 어노말리 데이터를 생성하는 방법에 관한 것이다.

기계 학습에 있어서 양질의 트레이닝 데이터 세트를 확보하는 일은 중요하다. 어노말리를 검출하는 모델 등에 있어서 양질의 트레이닝 데이터 세트는 정상 데이터와 최대한 유사한, 또는 정상 데이터와 어노말리의 분류 기준에 가장 근접한 어노말리 데이터를 적정수 포함해야한다.

공장 등의 센서로부터 얻어지는 데이터들은 일반적으로 어노말리를 매우 적게 포함할 수 있다. 이러한 데이터들을 트레이닝 데이터로 하여 기계 학습을 수행할 경우, 모델의 분류 성능이 매우 떨어질 수 있다.

따라서, 트레이닝 데이터가 적정수의 어노말리 데이터를 확보하도록 하기 위해, 인공적으로 어노말리 데이터를 생성하도록 하는 기술적 수요가 존재한다.

미국 특허 출원번호 15/850,007 미국 특허 출원번호 16/007,592

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 어노말리 데이터 생성 방법을 제공하고자 한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 제 1 샘플 데이터 세트를 이용하여 제 1 데이터에 대한 제 1 확률 분포의 제 1 표본 통계량을 연산하는 단계; 상기 제 1 데이터에 대한 제 2 확률 분포의 제 2 표본 통계량을 학습하는 인공 어노말리 생성 모델을 훈련시키는 단계; 및 상기 인공 어노말리 생성 모델에 기초하여, 트레이닝 데이터 세트를 생성하는 단계; 를 포함할 수 있다.

또한, 상기 제 1 샘플 데이터 세트 및 상기 제 2 샘플 데이터 세트는, 동종의 데이터에 대한 벡터 또는 스칼라일 수 있다.

또한, 상기 인공 어노말리 생성 모델을 훈련시키는 단계는, 상기 제 1 확률 분포와 상기 제 2 확률 분포 간의 분포 간 유사도를 연산하는 단계; 및 상기 분포 간 유사도에 기초하여, 상기 인공 어노말리 생성 모델의 훈련을 추가적으로 수행할지 여부를 결정하는 단계; 를 포함할 수 있다.

또한, 상기 분포 간 유사도에 기초하여, 상기 인공 어노말리 생성 모델의 훈련을 추가적으로 수행할지 여부를 결정하는 단계는, 상기 분포 간 유사도가 기 설정된 제 1 기준 이하일 경우, 상기 인공 어노말리 생성 모델의 훈련을 추가적으로 수행할 것을 결정하는 단계; 를 포함할 수 있다.

또한, 상기 분포 간 유사도가 기 설정된 제 1 기준 이상일 경우, 상기 인공 어노말리 생성 모델의 훈련을 종료할 것을 결정하는 단계; 및 상기 훈련이 종료된 인공 어노말리 생성 모델로부터 도출되는 확률 분포의 표본 통계량을 상기 제 2 표본 통계량으로 결정하는 단계; 를 포함할 수 있다.

또한, 상기 인공 어노말리 생성 모델을 훈련시키는 단계는, 후보 표본 통계량을 결정하는 단계; 및 상기 후보 표본 통계량에 포함된 데이터 값 중 적어도 하나 데이터 값의 유의 확률에 기초하여, 상기 후보 표본 통계량을 상기 제 2 표본 통계량으로 결정하는 단계; 를 포함할 수 있다.

또한, 상기 후보 표본 통계량은, 추출된 노이즈 및 상기 제 1 표본 통계량에 기초하여 결정될 수 있다.

또한, 상기 노이즈는, 정규 분포로부터 추출될 수 있다.

또한, 상기 제 2 표본 통계량을 결정하는 단계는, 상기 후보 표본 통계량에 포함된 제 1 데이터 값의 유의 확률이 기 설정된 기준을 초과할 경우, 상기 후보 표본 통계량을 상기 제 2 표본 통계량으로 결정하는 단계; 를 포함할 수 있다.

또한, 상기 제 1 샘플 데이터 세트 및 상기 트레이닝 데이터 세트는 시계열 데이터를 포함하고, 상기 인공 어노말리 생성 모델은 RNN(Recurrent Neural Network)일 수 있다.

또한, 상기 동작들은: 상기 트레이닝 데이터 세트에 대한 평가를 수행하는 단계; 를 더 포함할 수 있다.

또한, 상기 트레이닝 데이터 세트에 대한 평가를 수행하는 단계는, 상기 트레이닝 데이터 세트에 대한 데이터 서브 세트를 생성하는 단계; 상기 데이터 서브 세트에 포함된 데이터 각각을 어노말리 분류 모델에 입력시켜 해 공간에 매핑시키는 단계; 및 상기 데이터 서브 세트에 포함된 데이터 및 상기 어노말리 분류 모델의 분류 기준에 기초하여, 상기 트레이닝 데이터 세트의 적합도를 연산하는 단계; 를 포함할 수 있다.

또한, 상기 적합도는, 상기 트레이닝 데이터 세트에 포함된 데이터 각각의 상기 분류 기준과의 거리, 상기 트레이닝 데이터 세트의 어노말리 데이터의 비율, 상기 트레이닝 데이터 세트에 포함된 데이터들의 밀집도 또는 상기 트레이닝 데이터 세트에 포함된 데이터 각각의 분류 기준과의 거리의 산포도 중 적어도 하나에 기초할 수 있다.

또한, 상기 적합도는, 상기 트레이닝 데이터 세트에 포함된 데이터 각각의 상기 분류 기준과의 거리, 상기 트레이닝 데이터 세트의 어노말리 데이터의 비율, 상기 트레이닝 데이터 세트에 포함된 데이터들의 밀집도 및 상기 트레이닝 데이터 세트에 포함된 데이터 각각의 분류 기준과의 거리의 산포도의 역수일 수 있다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따라 데이터 처리를 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는: 프로세서; 및 메모리; 를 포함하고, 상기 프로세서는, 제 1 샘플 데이터 세트를 이용하여 제 1 데이터에 대한 제 1 확률 분포의 제 1 표본 통계량을 연산하고, 상기 제 1 데이터에 대한 제 2 확률 분포의 제 2 표본 통계량을 학습하는 인공 어노말리 생성 모델을 훈련시키고, 상기 인공 어노말리 생성 모델에 기초하여, 트레이닝 데이터 세트를 생성할 수 있다.

본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시에 의하여 정상 데이터와 유사한 어노말리 데이터를 생성하는 방법이 제공될 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 어노말리 데이터 생성을 위한 컴퓨팅 장치의 구성을 나타낸 블록도이다.
도 2는 본 개시의 몇몇 실시예에 따른 뉴럴 네트워크의 일례를 나타낸 도면이다.
도 3은 본 개시의 몇몇 실시예에 따른 순환 인공 신경망(RNN, Recurrent Neural Network)를 나타낸 도면이다.
도 4은 본 개시의 몇몇 실시예에 따른 프로세서가 어노말리 데이터를 생성하는 과정을 나타낸 순서도이다.
도 5는 본 개시의 몇몇 실시예에 따른 프로세서가 인공 어노말리 생성 모델을 훈련시키는 과정을 나타낸 순서도이다
도 6는 본 개시의 몇몇 실시예에 따른 프로세서가 인공 어노말리 생성 모델을 훈련시키는 과정을 나타낸 순서도이다.
도 7은 본 개시의 몇몇 실시예에 따른 프로세서가 트레이닝 데이터 세트에 대한 평가를 수행하는 과정을 나타낸 순서도이다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

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

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

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

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

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

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

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

도 1은 본 개시의 몇몇 실시예에 따른 어노말리 데이터 생성을 위한 컴퓨팅 장치의 구성을 나타낸 블록도이다.

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

컴퓨팅 장치(100)는 프로세서(110), 메모리(120)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 인공 어노말리 데이터 생성을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 프로세서(110)가 생성한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 2는 본 개시의 몇몇 실시예에 따른 뉴럴 네트워크의 일례를 나타낸 도면이다.

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

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

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

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

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

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

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

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 뉴럴 네트워크의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

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

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

도 3은 본 개시에 따른 인공 신경망의 형태인 순환 뉴럴 네트워크의 일례를 도시한다.

도 3에서 도시되는 바와 같이, 본 개시에 있어서 신경망(200)은, 일반적인 인공 신경망의 형태뿐만 아니라, 순환 뉴럴 네트워크(RNN, Recurrent Neural Network) 형태를 가질 수 있다. 순환 뉴럴 네트워크는 유닛 간의 연결이　순환적 구조를 갖는 특징을 갖고 있다. 이러한 구조는 시변적 동적 특징을 모델링 할 수 있도록 신경망 내부에 상태를 저장할 수 있게 해준다.　전방 전달 신경망과 달리, 순환 뉴럴 네트워크는 내부의　메모리를 이용해 시퀀스　형태의 입력을 처리할 수 있다. 따라서 순환 뉴럴 네트워크는 필기체 인식이나　음성 인식과 같이 시변적 특징을 가지는 데이터를 처리할 수 있다. 전술한 데이터의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시에 따른 입력 데이터(210)는 뉴럴 네트워크에 입력되는 데이터로서, 특히 신경망(200)이 순환 뉴럴 네트워크인 경우 입력 데이터(210)는 시퀀스 데이터일 수 있다.

본 개시에 따른 출력 데이터(220)는 입력 데이터가 인공 신경망을 거쳐 도출된 결과로서, 확률 분포를 표현하는 데이터일 수 있다. 예를 들어, 출력 데이터(220)는 뉴럴 네트워크에 의해 도출된, 제 1 샘플 데이터 세트 또는 트레이닝 데이터 세트의 분포의 형태(예를 들면, 정규 분포) 및 모수(예를 들면, 평균)를 포함할 수 있다.

도 3을 참조하면, 입력 데이터(210)가 순환 뉴럴 네트워크에 입력되면, 그 결과로 출력 데이터(220)가 연산된다. 또, 도 3에서 도시되는 바와 같이, 신경망(200)이 순환 뉴럴 네트워크 형태를 띌 경우에, 순환 뉴럴 네트워크의 유닛은 다음 유닛의 연산에 영향을 줄 수 있다.

예를 들어, 출력 데이터(220)가 특정 시점에서 센서가 감지한 온도에 대한 확률 분포를 나타낸다고 가정하자. 이전 시점의 온도가 입력 데이터(210)로서 순환 뉴럴 네트워크(A)에 입력되면, 출력 데이터(220)는 상기 특정 시점에서의 온도의 확률 분포를 나타낼 수 있다. 이때 상기 확률 분포는 분포의 종류(예를 들면, 정규분포) 및 그 모수(예를 들면, 분포의 평균 및 표준편차) 데이터를 이용해 표현될 수 있다.

RNN의 경우에는 일반적으로 시퀀스/시계열 데이터의 모델링에 적합하다. 따라서, 입력 데이터(210) 및 출력 데이터(220)는 문자 또는 음성으로 된 문장, 시간에 따른 온도 데이터 등과 관련될 수 있다. 이는 시퀀스/시계열 데이터의 형태에 관한 일례에 불과하며, 시퀀스/시계열 데이터의 유형은 이에 한정되지 않는다.

즉, 입력 데이터(210) 및 출력 데이터(220)가 이미지 데이터인 경우를 가정하자. 이 경우, 특정한 이미지 데이터(예를 들면, MNIST 데이터)를 시퀀스 데이터로 변환하는 것이 가능하며, 따라서 입력 데이터(210) 및 출력 데이터(220)는 이미지 데이터와 관련될 수 있다.

상술한 내용은 입력 데이터 및 출력 데이터의 형태에 관한 예시에 불과하므로, 입력 데이터 및 출력 데이터는 상술한 예시에 한정되지 않는다.

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

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

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

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

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

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

데이터 구조는 신경망에 입력되거나, 신경망에서 출력되는 데이터를 포함할 수 있다. 신경망에 입력되거나, 출력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 컴퓨터 판독가능 매체에 저장된 데이터 구조는 신경망의 추론 과정에서 입력되는 데이터, 또는 신경망의 추론 결과 출력되는 출력 데이터를 포함할 수 있다. 또한, 데이터 구조는 특정한 데이터 가공 방법에 의하여 가공되는 데이터를 포함할 수 있으므로, 가공 전 후의 데이터를 포함할 수 있다. 따라서, 데이터 구조는 가공의 대상이 되는 데이터 및 데이터 가공 방법을 통해 가공된 데이터를 포함할 수 있다.

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

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

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

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

도 4는 본 개시의 몇몇 실시예에 따른 프로세서가 어노말리 데이터를 생성하는 과정을 나타낸 순서도이다.

도 4를 참조하면, 프로세서(110)는 제 1 샘플 데이터 세트에 대한 제 1 확률 분포 및 상기 제 1 확률 분포의 제 1 표본 통계량을 연산할 수 있다(S100).

상기 제 1 확률 분포는 도 3의 출력 데이터(220)에 대응된다.

예를 들어 제 1 샘플 데이터 세트는, 특정 시점에서 센서에 의해 감지된 온도, 임의의 문장 시퀀스가 주어졌을 때 출현하는 단어 등일 수 있다. 이 경우, 상기 온도, 상기 단어의 확률 분포는 출력 데이터(220)에 대응된다.

제 1 확률 분포 및 제 1 표본 통계량은 상기 제 1 샘플 데이터 세트에 대한 통계적 분석을 통해 연산될 수 있다. 또는, 프로세서(110)는 뉴럴 네트워크가 제 1 샘플 데이터 세트의 분포를 학습하도록 함으로써, 제 1 확률 분포 및 제 1 표본 통계량을 연산될 수 있다.

제 1 샘플 데이터 세트는 입력 데이터(210) 및 입력 데이터의 라벨을 포함할 수 있다. 상기 인공 어노말리 생성 모델의 학습을 준 지도 학습 또는 비지도 학습을 이용하여 수행할 경우에, 제 1 샘플 데이터 세트는 입력 데이터에 대한 라벨을 포함하지 않을 수 있다.

제 1 확률 분포는 추후 생성될 인공 어노말리 생성 모델에서 도출되는 제 2 확률 분포와의 유사도를 판단하거나, 인공 어노말리 생성 모델이 도출하는 확률 분포의 모수가 통계적으로 유의한지 여부를 판단하는데 이용될 수 있다.

제 1 샘플 데이터 세트는 기존의 데이터 세트로부터 임의적으로 추출된 데이터로 구성될 수 있다. 제 1 샘플 데이터 세트는 기존의 데이터 세트에서 임의의 방식으로 추출된 데이터일 수 있다. 예를 들어, 제 1 샘플 데이터 세트는 기존의 데이터 세트의 특성을 유지하도록 추출된 데이터로 구성될 수 있다.

자세한 내용은 이하 후술한다.

상술한 도 3의 내용을 참조하면, 제 1 확률 분포는 제 1 샘플 데이터 세트에 의해 훈련된 순환 뉴럴 네트워크(A)에 의해 도출된 출력 데이터(220)의 일 예시일 수 있다.

제 1 확률 분포는 제 1 샘플 데이터 세트의 분포일 수 있다. 제 1 확률 분포는 분포의 형태 및 제 1 확률 분포의 제 1 표본 통계량으로 표현될 수 있다.

여기서, 예를 들어 표본 통계량은 확률 분포의 평균, 표준편차, 최빈 값(mode), 중간 값(median) 등을 포함할 수 있다. 이는 표본 통계량에 관한 예시에 불과하며, 표본 통계량의 형태는 이에 한정되지 않는다.

프로세서(110)는 제 2 샘플 데이터 세트에 대한 제 2 확률 분포 및 제 2 확률 분포에 대한 제 2 표본 통계량을 학습하는 인공 어노말리 생성 모델을 훈련시킬 수 있다(S200).

제 2 샘플 데이터 세트는 제 1 샘플 데이터 세트와 동종의 데이터들을 포함할 수 있다. 즉, 제 1 샘플 데이터 세트가 일정 시간 구간동안 센서가 감지한 온도 데이터들의 집합일 경우, 제 2 샘플 데이터 세트도 동일한 시간 구간에 대하여 센서가 감지한 온도 데이터들의 집합일 수 있다. 제 1 샘플 데이터 세트와 제 2 샘플 데이터 세트는 데이터의 일부 또는 전부를 공유할 수 있고, 그렇지 않을 수도 있다.

제 2 확률 분포는 제 2 샘플 데이터 세트를 트레이닝 데이터 세트로 하여, 인공 어노말리 생성 모델이 학습한 확률 분포로서, 도 3의 출력 데이터(220)의 일 예시일 수 있다.

즉, 인공 어노말리 생성 모델이 예를 들어, 도 3의 순환 뉴럴 네트워크(A)인 경우에, 출력 데이터(220)는 제 2 확률 분포일 수 있다. 이 때, 제 2 확률 분포는 분포의 형태 및 제 2 표본 통계량으로 표현될 수 있다.

상술한 바와 같이, 제 2 표본 통계량은 제 2 확률 분포의 평균, 표준편차, 최빈 값, 중간 값 등을 포함할 수 있다. 다만, 이는 제 2 표본 통계량에 관한 예시에 불과하며, 제 2 표본 통계량의 형태는 이에 한정되지 않는다.

본 개시에 따른 인공 어노말리 생성 모델은, 상술한 제 2 확률 분포(및 제 2 표본 통계량)에 기초하여 인공 어노말리(pseudo anomaly)를 생성해내는 뉴럴 네트워크로 정의될 수 있다. 또한, 본 개시에 따른 인공 어노말리 생성 모델은 확률 분포에 기초한 생성모델(generative model)일 수 있다.

생성 모델은, 출력 데이터의 확률 분포를 학습하는 모델이다. 즉, 데이터를 통해 데이터의 특성을 학습하여, 상기 데이터의 확률 분포를 그 출력으로 도출하는 모델일 수 있다. 추가적으로 생성 모델은 도출된 확률 분포에 기초하여 학습 데이터와 유사한 데이터를 생성할 수 있다.

따라서, 예를 들어, 제 2 샘플 데이터 세트가 특정 시간 구간 동안 센서가 감지한 기구의 온도 데이터일 경우에, 상기 인공 어노말리 생성 모델은 시간에 따른 기구의 온도 값의 확률 분포를 학습할 수 있다. 일단 확률 분포를 학습하게 되면, 프로세서(110)는 이에 기초하여 시간에 따른 기구의 온도 값을 생성해낼 수 있다.

본 개시에 따른 인공 어노말리는, 입력 데이터에 기초하여 인공적으로 생성된 비정상 데이터를 의미할 수 있다.

상술한 바에 의하여, 기존에 수집된 샘플 데이터 세트의 확률 분포를 학습한 후, 이에 기초하여 인공 어노말리를 생성할 수 있다. 따라서, 임의적으로 생성되는 인공 어노말리들에 비해 실제 데이터의 패턴과 유사한 어노말리 데이터들이 생성될 수 있다.

상기 인공 어노말리 생성 모델을 통해 생성되는 어노말리 데이터는 정상 데이터와 근접한 비정상 데이터를 다수 포함할 수 있다. 따라서, 인공 어노말리 생성 모델이 정상 데이터와 비정상 데이터 간의 분류 기준을 더 정확히 훈련할 수 있다.

프로세서(110)는 훈련된 인공 어노말리 생성 모델에 기초하여 트레이닝 데이터 세트를 생성할 수 있다(S300).

프로세서(110)는 상기 인공 어노말리 생성 모델에 기초하여 트레이닝 데이터 세트를 생성할 수 있다. 생성된 트레이닝 데이터 세트는, 어노말리를 검출하기 위한 뉴럴 네트워크 모델을 훈련하는 데 이용될 수 있다. 예를 들어, 생성된 인공 어노말리 데이터는 뉴럴 네트워크 모델의 검증에 이용될 수 있다.

프로세서(110)는 트레이닝 데이터 세트의 적합도에 대한 평가를 수행할 수 있다(S400).

적절한 트레이닝 데이터 세트는, 예를 들어, 분류 기준에 근접한 데이터들을 많이 포함하는 데이터 세트, 적절한 비율의 어노말리 데이터를 포함하는 데이터 세트, 트레이닝 데이터들의 밀집도, 트레이닝 데이터들과 분류 기준들 간의 거리의 산포도가 낮은 데이터 세트 등을 의미할 수 있다.

즉, 트레이닝 데이터 세트의 평가는, 트레이닝 데이터들과 분류 기준들 간의 거리 지표(예를 들면, 평균 거리), 트레이닝 데이터 중 어노말리 데이터의 비율(예를 들면, 어노말리 데이터와 정상 데이터의 비율이 5:5인 경우 이를 적절한 비율로 평가할 수 있다), 트레이닝 데이터 각각의 분류 기준까지의 거리의 산포도 지표(예를 들면, 분산) 중 적어도 하나에 기초하여 평가될 수 있다. 다만, 이는 트레이닝 데이터 세트를 평가하기 위한 지표의 예시들에 불과하므로, 트레이닝 데이터 세트를 평가하는 기준은 상술한 내용에 한정되지 않는다.

상술한 바에 의하여, 다양한 표본 통계량에 기초하여 생성된 트레이닝 데이터 세트 중 어느 데이터 세트가 가장 적합한지를 비교할 수 있다. 가장 적합한 트레이닝 데이터 세트를 생성해낸 확률 분포 및 그 표본 통계량에 기초하여, 인공 어노말리 생성 모델을 훈련시킬 수 있다. 프로세서(110)는 상기 생성 모델에 의해, 트레이닝 데이터 세트를 생성할 수 있다. 상기 트레이닝 데이터 세트에 기초하여, 어노말리 검출을 위한 뉴럴 네트워크 모델의 성능이 향상될 수 있다.

도 5는 본 개시의 몇몇 실시예에 따른 프로세서가 인공 어노말리 생성 모델을 훈련시키는 과정을 나타낸 순서도이다.

도 5를 참조하면, 프로세서(110)는 제 1 확률 분포와 제 2 확률 분포 간의 분포 간 유사도를 연산할 수 있다(S210).

제 1 데이터에 관하여, 본 개시에 따른 제 1 확률 분포 및 제 1 표본 통계량은 제 1 샘플 데이터 세트에 의해 훈련된 순환 뉴럴 네트워크(A)에 의해 도출된 출력 데이터(220)에 대응된다. 또한, 본 개시에 따른 제 2 확률 분포는 제 2 샘플 데이터 세트로부터 훈련된 인공 어노말리 생성 모델이 도출한 확률 분포로서, 도 3의 출력 데이터(220)에 대응될 수 있다.

본 개시에 따른 분포 간 유사도는, 두 확률 분포 간의 유사성을 정량화 한 값으로 정의될 수 있다. 분포 간 유사도의 구체적인 정의는 그 도출 방식에 따라 상이할 수 있다.

예를 들어, 프로세서(110)는 분포 간 유사도를 두 확률 분포의 평균과 표준편차 값의 차이에 기초하여 연산할 수 있다. 또는, 프로세서(110)는 분포 간 유사도를 계산하기 위해 쿨백-라이블러 발산(Kullback-Leibler divergence, KLD)을 이용할 수 있다. 다만, 이는 분포 간 유사도를 계산하는 방법의 일례에 불과하므로, 분포 간 유사도를 연산해내는 방법은 이에 한정되지 않는다.

제 1 확률 분포와 제 2 확률 분포 간 유사도가 높을수록, 인공 어노말리 데이터 세트가 생성하는 트레이닝 데이터 세트가 제 1 샘플 데이터 세트와 유사해질 수 있다. 제 1 확률 분포와 제 2 확률 분포 간 유사도가 낮을수록, 인공 어노말리 데이터 세트가 생성하는 트레이닝 데이터 세트에 포함된 데이터들이 제 1 샘플 데이터 세트에 포함된 데이터들과 사이의 차이점이 클 수 있다.

프로세서(110)는 상기 유사도가 기 설정된 기준 이상인지를 판단할 수 있다(S220). 상기 유사도가 기 설정된 기준 이상이 아닌 경우(S220, No), 프로세서(110)는 인공 어노말리 생성 모델의 훈련을 추가적으로 수행할 수 있다(S230).

본 개시에 따른 인공 어노말리 생성 모델의 목표는 분류 기준에 근접한, 즉 정상 데이터와 유사한 어노말리 데이터를 잘 생성하는데 그 목표가 있다. 따라서, 프로세서(110)는 인공 어노말리 생성 모델이 도출하는 확률 분포와 제 1 확률 분포 간의 유사도를 적절한 수준으로 유지할 필요가 있을 수 있다.

따라서, 인공 어노말리 생성 모델을 훈련함에 있어서, 현재의 인공 어노말리 생성 모델이 도출하는 제 2 확률 분포와 제 1 확률 분포 간의 분포 간 유사도가 기 설정된 기준 이상인 경우, 더 이상 훈련을 진행하지 않도록 할 수 있다. 이러한 방식으로, 인공 어노말리 생성 모델이 과잉 훈련되어 제 1 확률 분포와 제 2 확률 분포가 동일해지는 결과를 막을 수 있다.

반대로, 유사도가 기 설정된 기준에 미치지 못하는 경우에는 인공 어노말리 생성 모델의 훈련을 추가적으로 수행할 필요가 있을 수 있다.

상기 유사도가 기 설정된 기준 이상인 경우(S220, Yes), 프로세서(110)는 인공 어노말리 생성 모델의 훈련을 종료할 수 있다(S240).

상술한 기 설정된 기준은 본 개시에 따른 인공 어노말리 생성 모델이 적용되는 분야, 데이터의 형식, 데이터의 유형 등에 따라 상이할 수 있다.

프로세서(110)는 훈련이 종료된 인공 어노말리 생성 모델로부터 도출되는 확률 분포의 표본 통계량을 제 2 표본 통계량으로 결정할 수 있다(S250).

상술한 바와 같이, 제 2 표본 통계량은 제 2 확률 분포의 평균, 표준편차, 최빈 값, 중간 값 등을 포함할 수 있다. 다만, 이는 제 2 표본 통계량에 관한 예시에 불과하며, 제 2 표본 통계량의 형태는 이에 한정되지 않는다.

상술한 바에 의하여, 프로세서(110)는 기 설정된 기준을 만족하는 제 2 표본 통계량을 복수 개 획득할 수 있다. 따라서, 프로세서(110)는 후술할 방법에 의하여, 상기 제 2 표본 통계량 각각에 기초하여 생성된 트레이닝 데이터 세트를 평가할 수 있다. 상기 평가에 기초하여 가장 적절한 어노말리 데이터를 생성하는 인공 어노말리 생성 모델로부터 트레이닝 데이터를 생성함으로써, 어노말리 검출 모델의 훈련을 보다 효과적으로 수행할 수 있다.

도 6은 본 개시의 몇몇 실시예에 따른 프로세서가 인공 어노말리 생성 모델을 훈련시키는 과정을 나타낸 순서도이다.

도 6을 참조하면, 프로세서(110)는 후보 표본 통계량을 결정할 수 있다(S260).

본 개시에 따른 후보 표본 통계량은, 제 1 표본 통계량에 기초하여 근사된 표본 통계량일 수 있다.

이러한 후보 표본 통계량은 실험적으로 결정될 수 있으나, 추출된 랜덤 노이즈(random noise)을 이용하여 생성될 수도 있다.

구체적인 설명을 위해, 표본 통계량에 평균 값 및 표준 편차 값이 포함된다고 가정한다.

예를 들어, 프로세서(110)는, 후보 표본 통계량을 연산해내기 위해서 노이즈 α를 추출할 수 있다. 또한, 여기서, 노이즈 α는 정규 분포로부터 추출될 수 있다(α는 정규 분포를 따를 수 있다). 프로세서(110)는, 제 1 표본 통계량에 포함된 평균 값에 상기 α와 상기 제 1 표본 통계량에 포함된 표준 편차 값을 곱한 값을 더한 값을, 후보 표본 통계량의 평균으로 결정할 수 있다.

이 경우, 제 1 표본 통계량과 근접한 후보 표본 통계량들이 더 많이 산출될 수 있고, 따라서 제 1 표본 통계량에 근사한 후보 표본 통계량들을 더 촘촘히 검토할 수 있다.

또 다른 예로, 프로세서(110)는, 상기 제 1 표본 통계량에 포함된 표준 편차 값을 인식할 수 있다. 프로세서(110)는, 상기 제 1 표본 통계량에 포함된 표본 표준 편차의 '표준 편차의 확률 분포'에 기초하여, 상기 표준 편차의 평균 및 표준 편차(이하 제 2 표준 편차)를 인식할 수 있다.

프로세서(110)는, 이에 기초하여, 상기 표준 편차의 평균에 α를 곱한 값 또는 상기 표준 편차의 평균에 제 2 표준 편차와 α를 곱한 값을 더한 값을, 후보 표본 통계량의 표준 편차 값으로 결정할 수 있다.

상술한 내용은 후보 표본 통계량을 산출하기 위한 예시에 불과하므로, 후보 표본 통계량의 산출 방법은 이에 한정되지 않는다.

상술한 바에 의하여, 실험적 결과에 의하지 않고도, 후보 표본 통계량이 위치할 수 있는 전 구간에서 후보 표본 통계량을 도출해낼 수 잇다. 특히 α가 정규 분포를 따를 경우에는, 상대적으로 제 1 표본 통계량과 가까운 후보 표본 통계량이 더 많이 도출되고, 상대적으로 제 1 표본 통계량과 더 먼 후보 표본 통계량이 적게 도출된다. 따라서 제 1 확률 분포와 가장 유사하면서 어노말리를 적정 비율로 생성해내는 모델을 찾을 확률이 더 높다.

또는, 프로세서(110)는 제 1 확률 분포 및 상기 α에 기초하여, 제 2 확률 분포를 생성해낼 수 있다.

구체적으로, 프로세서(110)는 제 1 확률 분포의 확률 밀도 함수를 복수의 구간으로 분할할 수 있다. 프로세서(110)는 분할된 각각의 확률 밀도 함수 및 상기 α에 기초하여 제 2 확률 분포를 결정할 수 있다. 프로세서(110)는, 본 개시에 따른 뉴럴 네트워크가 제 2 확률 분포를 학습하도록 할 수 있다.

예를 들어, 프로세서(110)는 제 1 확률 분포에서, 확률 밀도(probability density) 값이 기 설정된 기준 이상인 제 1 구간과, 제 1 구간을 제외한 구간인 제 2 구간을 찾아낼 수 있다.

프로세서(110)는 제 1 구간 및 제 2 구간 각각에서의 확률 밀도 함수를 찾아낼 수 있다.

프로세서(110)는, 상기 제 1 구간의 확률 밀도 함수에 상기 α를 곱한 값과 상기 제 2 구간의 확률 밀도 함수에 (1-α)를 곱한 값을 선형적으로 결합한 것을 제 2 확률 분포의 확률 밀도 함수로 결정할 수 있다.

프로세서(110)는 위와 같이 결정된 확률 밀도 함수에 대응하는 제 2 확률 분포를 뉴럴 네트워크가 학습하도록 할 수 있다.

이와 같이 제 1 확률 분포를 확률 밀도를 기준으로 분할하여, 제 2 확률 분포를 생성하는 것은 제 1 확률 분포의 확률 밀도 함수에 기초해 제 2 확률 분포를 생성하기 위한 일례에 불과하다.

프로세서(110)는 후보 표본 통계량에 포함된 데이터 값의 유의 확률이 기 설정된 기준을 초과하는지 여부를 판단할 수 있다(S270).

통계적 가설 검정은 통계적 추측 중 하나로서, 원칙적으로는 모집단 분포의 모수가 얼마가 된다는 주장과 관련해, 표본의 정보를 사용해서 가설의 합당성 여부를 판정하는 과정을 의미할 수 있다. 통계적 가설 검정에서의 유의 확률은 귀무가설이 맞다고 가정할 때 얻은 결과보다 더 극단적인 결과가 실제로 관측될 확률로 정의될 수 있다. 이때, 귀무가설은 검증의 대상이 되는 통계적 가설을 의미할 수 있다.

일례로, 본 개시에 있어서, 프로세서는 후보 표본 통계량의 타당성을 통계적 가설 검정을 통해 추측할 수 있다. 예를 들어, 모분포의 평균에 대응되는 제 1 표본 통계량의 평균이 0이고, 후보 표본 통계량에 포함된 평균 값이 3인 경우를 가정하자. 이 때, 단측 검증의 경우 유의 확률은 임의적으로 추출된 표본 집단의 표본 평균이 후보 표본 통계량인 3보다 클 확률을 의미할 수 있다. 다만, 이는 후보 표본 통계량에 대한 유의 확률을 도출하는 방법의 예시에 불과하며, 유의 확률을 도출하는 방법은 이에 한정되지 않는다.

상기 유의확률의 기 설정된 기준은 실험적으로 결정될 수 있다. 또는, 프로세서(110)는, 상기 유의 확률이 0.05보다 작은 경우 또는 0.01보다 작은 경우 상기 후보 표본 통계량이 부적절하다고 판단할 수 있다.

다만 이는 유의 확률의 기준에 관한 예시일 뿐, 기 설정된 기준인 유의 확률의 수준은 이에 한정되지 않는다.

상술한 바에 의하여, 산출된 후보 표본 통계량이 모분포(또는 제 1 확률 분포)로부터 도출될 수 있어, 일정 수준의 유사성을 담보할 수 있는지 여부를 통계적인 방식으로 미리 판단할 수 있다. 따라서, 제 1 표본 통계량과 유사도가 지나치게 낮은 후보 표본 통계량 및 트레이닝 데이터 세트에 대한 연산 과정이 생략될 수 있다.

프로세서(110)는 상기 유의 확률이 기 설정된 기준을 초과하지 못한 경우(S270, No), 후보 표본 통계량을 재결정(S280)할 수 있다.

후보 표본 통계량을 재결정하는 방법은 상기 후보 표본 통계량을 결정하는 방법과 동일할 수 있다.

프로세서(110)는 상기 유의 확률이 기 설정된 기준을 초과하는 경우(S270, Yes), 후보 표본 통계량을 제 2 표본 통계량으로 결정할 수 있다(S290).

제 2 표본 통계량은 제 2 확률 분포의 평균, 표준편차, 최빈 값, 중간 값 등을 포함할 수 있다. 다만, 이는 제 2 표본 통계량에 관한 예시에 불과하며, 제 2 표본 통계량의 형태는 이에 한정되지 않는다.

도 7은 본 개시의 몇몇 실시예에 따른 프로세서가 트레이닝 데이터 세트에 대한 평가를 수행하는 과정을 나타낸 순서도이다.

도 7을 참조하면, 프로세서(110)는 트레이닝 데이터 세트에 대한 데이터 서브 세트를 생성할 수 있다(S410).

본 개시에 따른 데이터 서브 세트는, 트레이닝 데이터 세트에 포함된 데이터로부터 샘플링된 일부 데이터의 집합으로 정의될 수 있다.

프로세서(110)는, 데이터 서브 세트에 포함된 데이터 각각을 어노말리 분류 모델에 입력시켜 해공간에 매핑할 수 있다(S420).

본 개시에서 해공간은 입력 데이터에 대한 임의의 처리가 수행된 표현에 데이터가 매핑될 수 있는 공간을 포함할 수 있으며, 예를 들어, 분류 모델에 의하여 처리된 데이터가 매핑될 수 있는 공간 또는 입력 데이터의 차원 감소 표현 또는 벡터 표현이 매핑될 수 있는 공간을 포함할 수 있다. 본 개시에서 데이터 공간은 입력 데이터가 매핑될 수 있는 공간을 포함할 수 있다.

프로세서(110)는, 매핑된 데이터 각각과 어노말리 분류 모델의 분류 기준 간 거리에 기초하여, 트레이닝 데이터 세트의 적합도를 평가할 수 있다(S430).

본 개시에 있어서 트레이닝 데이터 세트의 적합도의 평가는, 데이터 서브 세트에 포함된 데이터 각각과 분류 기준 간 거리에 기초할 수 있다.

예를 들어, 프로세서(110)는 상기 데이터 각각과 분류 기준 간 거리의 평균 값을 연산하고, 상기 거리의 평균 값이 작을수록 트레이닝 데이터 세트의 적합도가 낮다고 평가할 수 있다.

또 다른 일례로, 프로세서(110)는 데이터 각각의 분류 기준 과의 거리 값의 산포도 지표를 연산할 수 있다. 여기서 산포도 지표는 거리 값의 분산 또는 표준 편차 등으로 표현될 수 있다. 프로세서(110)는, 산포도 수치가 낮을수록 트레이닝 데이터 세트의 적합도를 높게 평가할 수 있다.

또 다른 일례로, 프로세서(110)는 트레이닝 데이터 세트에 포함된 트레이닝 데이터들의 밀집도를 연산할 수 있다.

이 경우, 예를 들면, 프로세서(110)는 상기 거리의 평균 값, 상기 산포도, 상기 밀집도의 역수를 적합도로 연산할 수 있다.

상술한 내용은 트레이닝 데이터 세트의 적합도를 판단하는 예시에 불과하므로, 트레이닝 데이터 세트의 적합도를 연산하는 방법은 이에 한정되지 않는다.

복수의 트레이닝 데이터 세트에 대한 평가가 수행된 경우, 프로세서(110)는 적합도가 가장 높은 트레이닝 데이터 세트와 연관된 표본 통계량 및 그와 관련된 확률 분포를 생성하는 인공 어노말리 생성 모델을 이용하여, 최종적으로 트레이닝 데이터 세트를 생성해낼 수 있다.

분류 기준에 가까운 데이터일수록 뉴럴 네트워크의 분류 기준을 학습시키는 데 도움이 될 수 있다. 따라서, 임의의 데이터 세트에 포함된 데이터들이 평균적으로 분류 기준과 가깝다면, 그 데이터 세트는 뉴럴 네트워크의 학습에 적합할 수 있다. 또한, 실질적으로 동일한 범위의 평균 거리를 갖는 두 데이터 집합을 비교할 경우, 데이터들이 밀집한 경우가 분류 기준의 학습에 적합한 경우일 것이다. 데이터들이 넓은 범위에 분산되어 있으면, 분류 기준이 모호하여 학습이 어려울 수 있기 때문이다.

따라서, 트레이닝 데이터 세트의 적합도를 서브 세트에 포함된 데이터들의 분류 기준과의 거리, 거리의 산포도 및 트레이닝 데이터의 밀집도에 기초하여 판단할 경우, 효과적으로 트레이닝 데이터 세트의 적합도에 대한 평가가 가능할 수 있다.

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

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

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

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

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

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

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

Claims (17)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서로 하여금 데이터 처리를 위한 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
   제 1 샘플 데이터 세트를 이용하여 상기 제 1 샘플 데이터 세트에 대한 제 1 확률 분포 및 제 1 표본 통계량을 연산하는 단계;
   제 2 샘플 데이터 세트에 대한 제 2 확률 분포 및 제 2 표본 통계량을 학습하는 인공 어노말리 생성 모델을 훈련시키는 단계; 및
   상기 인공 어노말리 생성 모델에 기초하여, 트레이닝 데이터 세트를 생성하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 제 1 샘플 데이터 세트 및 상기 제 2 샘플 데이터 세트는,
   동종의 데이터에 대한 벡터 또는 스칼라인,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
3. 제 1 항에 있어서,
   상기 인공 어노말리 생성 모델을 훈련시키는 단계는,
   상기 제 1 확률 분포와 상기 제 2 확률 분포 간의 분포 간 유사도를 연산하는 단계; 및
   상기 분포 간 유사도에 기초하여, 상기 인공 어노말리 생성 모델의 훈련을 추가적으로 수행할지 여부를 결정하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
4. 제 3 항에 있어서,
   상기 분포 간 유사도에 기초하여, 상기 인공 어노말리 생성 모델의 훈련을 추가적으로 수행할지 여부를 결정하는 단계는,
   상기 분포 간 유사도가 기 설정된 제 1 기준 이하일 경우, 상기 인공 어노말리 생성 모델의 훈련을 추가적으로 수행할 것을 결정하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
5. 제 3 항에 있어서,
   상기 분포 간 유사도가 기 설정된 제 1 기준 이상일 경우, 상기 인공 어노말리 생성 모델의 훈련을 종료할 것을 결정하는 단계; 및
   상기 훈련이 종료된 인공 어노말리 생성 모델로부터 도출되는 확률 분포의 표본 통계량을 상기 제 2 표본 통계량으로 결정하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
6. 제 1 항에 있어서,
   상기 인공 어노말리 생성 모델을 훈련시키는 단계는,
   후보 표본 통계량을 결정하는 단계; 및
   상기 후보 표본 통계량에 포함된 데이터 값 중 적어도 하나 데이터 값의 유의 확률에 기초하여, 상기 후보 표본 통계량을 상기 제 2 표본 통계량으로 결정하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
7. 제 6 항에 있어서,
   상기 후보 표본 통계량은,
   추출된 노이즈 및 상기 제 1 표본 통계량에 기초하여 결정되는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
8. 제 7 항에 있어서,
   상기 노이즈는,
   정규 분포로부터 추출되는,
   컴퓨터 판독가능 저장매체에
   
9. 제 6 항에 있어서,
   상기 제 2 표본 통계량을 결정하는 단계는,
   상기 후보 표본 통계량에 포함된 제 1 데이터 값의 유의 확률이 기 설정된 기준을 초과할 경우, 상기 후보 표본 통계량을 상기 제 2 표본 통계량으로 결정하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
10. 제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
    상기 제 1 샘플 데이터 세트 및 상기 트레이닝 데이터 세트는 시계열 데이터를 포함하고,
    상기 인공 어노말리 생성 모델은 RNN(Recurrent Neural Network)인,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    상기 트레이닝 데이터 세트에 대한 평가를 수행하는 단계;
    를 더 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
12. 제 11 항에 있어서,
    상기 트레이닝 데이터 세트에 대한 평가를 수행하는 단계는,
    상기 트레이닝 데이터 세트에 대한 데이터 서브 세트를 생성하는 단계;
    상기 데이터 서브 세트에 포함된 데이터 각각을 어노말리 분류 모델에 입력시켜 해 공간에 매핑시키는 단계; 및
    상기 데이터 서브 세트에 포함된 데이터 및 상기 어노말리 분류 모델의 분류 기준에 기초하여, 상기 트레이닝 데이터 세트의 적합도를 연산하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
13. 제 12 항에 있어서,
    상기 적합도는,
    상기 트레이닝 데이터 세트에 포함된 데이터 각각의 상기 분류 기준과의 거리, 상기 트레이닝 데이터 세트의 어노말리 데이터의 비율, 상기 트레이닝 데이터 세트에 포함된 데이터들의 밀집도 또는 상기 트레이닝 데이터 세트에 포함된 데이터 각각의 분류 기준과의 거리의 산포도 중 적어도 하나에 기초하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
14. 제 13 항에 있어서,
    상기 적합도는,
    상기 트레이닝 데이터 세트에 포함된 데이터 각각의 상기 분류 기준과의 거리, 상기 트레이닝 데이터 세트의 어노말리 데이터의 비율, 상기 트레이닝 데이터 세트에 포함된 데이터들의 밀집도 및 상기 트레이닝 데이터 세트에 포함된 데이터 각각의 분류 기준과의 거리의 산포도의 역수인,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
15. 프로세서; 및
    메모리;
    를 포함하고,
    상기 프로세서는,
    제 1 샘플 데이터에 대한 제 1 확률 분포 및 제 1 표본 통계량을 연산하고,
    제 2 샘플 데이터 세트에 대한 제 2 확률 분포 및 제 2 표본 통계량을 학습하는 인공 어노말리 생성 모델을 훈련시키고,
    상기 인공 어노말리 생성 모델에 기초하여, 트레이닝 데이터 세트를 생성하는,
    데이터 처리를 위한 컴퓨팅 장치.
    
16. 컴퓨터 장치의 하나 이상의 프로세서에서 수행되는 인공 어노말리를 생성하기 위한 방법으로서,
    제 1 샘플 데이터 세트를 이용하여 상기 제 1 샘플 데이터 세트에 대한 제 1 확률 분포 및 제 1 표본 통계량을 연산하는 단계;
    제 2 샘플 데이터 세트에 대한 제 2 확률 분포 및 제 2 표본 통계량을 학습하는 인공 어노말리 생성 모델을 훈련시키는 단계; 및
    상기 인공 어노말리 생성 모델에 기초하여, 트레이닝 데이터 세트를 생성하는 단계;
    를 포함하는,
    인공 어노말리를 생성하기 위한 방법.
    
17. 뉴럴 네트워크 모델의 학습 과정과 관련된 데이터를 저장하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 데이터는 컴퓨터 프로그램에 의해 수정되며, 상기 컴퓨터 프로그램은,
    제 1 샘플 데이터 세트를 이용하여 상기 제 1 샘플 데이터 세트에 대한 제 1 확률 분포 및 제 1 표본 통계량을 연산하는 단계;
    제 2 샘플 데이터 세트에 대한 제 2 확률 분포 및 제 2 표본 통계량을 학습하는 인공 어노말리 생성 모델을 훈련시키는 단계; 및
    상기 인공 어노말리 생성 모델에 기초하여, 트레이닝 데이터 세트를 생성하는 단계;
    를 포함하는,
    데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체.
    
    

Images