KR20210153884A - 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램 - Google Patents

개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR20210153884A
KR20210153884A KR1020200070774A KR20200070774A KR20210153884A KR 20210153884 A KR20210153884 A KR 20210153884A KR 1020200070774 A KR1020200070774 A KR 1020200070774A KR 20200070774 A KR20200070774 A KR 20200070774A KR 20210153884 A KR20210153884 A KR 20210153884A
Authority
KR
South Korea
Prior art keywords
group
model
service
computer system
electronic device
Prior art date
Application number
KR1020200070774A
Other languages
English (en)
Other versions
KR102501496B1 (ko
Inventor
장혁재
Original Assignee
라인플러스 주식회사
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 라인플러스 주식회사 filed Critical 라인플러스 주식회사
Priority to KR1020200070774A priority Critical patent/KR102501496B1/ko
Priority to CN202110589665.0A priority patent/CN113807495A/zh
Priority to US17/336,769 priority patent/US20210390152A1/en
Priority to JP2021097610A priority patent/JP2021197181A/ja
Publication of KR20210153884A publication Critical patent/KR20210153884A/ko
Priority to KR1020230019074A priority patent/KR20230025840A/ko
Application granted granted Critical
Publication of KR102501496B1 publication Critical patent/KR102501496B1/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
    • G06N3/098—Distributed learning, e.g. federated learning
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램이 개시된다. 개인화를 통한 연합 학습의 다중 모델 제공 방법은, 사용자들을 복수 개의 그룹으로 분류하는 단계; 및 상기 그룹 별 연합 학습(federated learning)을 통해 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계를 포함한다.

Description

개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램{METHOD, SYSTEM, AND COMPUTER PROGRAM FOR PROVIDING MULTIPLE MODELS OF FEDERATED LEARNING USING PERSONALIZATION}
아래의 설명은 연합 학습(federated learning)을 통해 서비스 제공을 위한 예측 모델을 생성하는 기술에 관한 것이다.
딥러닝(deep learning)은 사물이나 데이터를 군집화하거나 분류하는 데 이용되는 기술로, 다층 구조 형태의 신경망(neural network)을 통해 분류에 따른 추론(inference)을 가능하게 한다는 점에서 최근 다양한 기술 분야에서 활용되고 있다.
예를 들어, 한국 공개특허공보 제10-2019-0117837호(공개일 2019년 10월 17일)에는 딥러닝 기반 학습 모델을 이용한 메시지 답변 서비스를 제공하는 기술이 개시되어 있다.
기존의 딥러닝 구조는 서버에서 서비스 제공을 위한 예측 모델을 대규모 클라우드 데이터를 사용하여 모든 사용자가 공통으로 사용할 단일 모델로 학습한다.
개인화를 통한 연합 학습을 기반으로 서비스 제공을 위한 예측 모델을 다중 모델로 생성할 수 있다.
사용자들을 복수 개의 그룹으로 나누어 복수 개의 사용자 그룹을 대상으로 한 연합 학습의 다중 모델을 생성할 수 있다.
각 사용자 그룹마다 그룹 내 개인화를 통해 최적화된 학습 모델을 생성할 수 있다.
연합 학습을 통해 개인 프라이버시 보호를 유지하면서 개인화된 학습 모델을 생성할 수 있다.
연합 학습에 참여하지 않더라도 유사 사용자 그룹을 통해 학습된 모델을 활용할 수 있다.
컴퓨터 시스템에서 실행되는 방법에 있어서, 상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 방법은, 상기 적어도 하나의 프로세서에 의해, 사용자들을 복수 개의 그룹으로 분류하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 그룹 별 연합 학습(federated learning)을 통해 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계를 포함하는 방법을 제공한다.
일 측면에 따르면, 상기 분류하는 단계는, 상기 서비스와 관련하여 상기 컴퓨터 시스템에서 수집 가능한 적어도 하나의 정보를 이용하여 상기 사용자들을 그룹핑할 수 있다.
다른 측면에 따르면, 상기 분류하는 단계는, 사용자 프로필과 상기 서비스의 도메인 날리지(domain knowledge) 중 적어도 하나를 바탕으로 상기 사용자들을 그룹핑할 수 있다.
또 다른 측면에 따르면, 상기 분류하는 단계는, 협업 필터링(collaborative filtering)을 기반으로 하여 상기 사용자들을 그룹핑할 수 있다.
또 다른 측면에 따르면, 상기 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 컴퓨터 시스템에서 생성된 초기 모델을 상기 사용자들의 전자 기기로 배포하는 단계를 더 포함하고, 상기 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계는, 상기 그룹 별로 상기 초기 모델에 대해 각 그룹에 속하는 사용자의 전자 기기에서 학습된 모델을 하나의 모델로 취합하여 그룹 모델을 생성하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계는, 상기 그룹 별로 각 그룹에 속하는 사용자의 전자 기기로 해당 그룹 모델을 배포하는 단계; 및 상기 그룹 별로 각 그룹에 속하는 사용자의 전자 기기로부터 해당 그룹 모델에 대한 업데이트 데이터를 수신하여 각 그룹 모델을 개선하는 단계를 더 포함할 수 있다.
또 다른 측면에 따르면, 상기 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계는, 상기 서비스가 컨텐츠를 추천하는 서비스인 경우, 상기 그룹 별 연합 학습을 통해 각 그룹에 속하는 사용자의 전자 기기에서의 상기 컨텐츠와 관련된 기기 내 데이터를 이용한 학습 결과 모델로 상기 그룹 별 컨텐츠 추천 모델을 생성할 수 있다.
또 다른 측면에 따르면, 상기 분류하는 단계는, 상기 컨텐츠와 관련하여 상기 컴퓨터 시스템에서 수집 가능한 적어도 하나의 정보를 이용하여 상기 사용자들을 그룹핑할 수 있다.
또 다른 측면에 따르면, 상기 분류하는 단계는, 각 사용자 별로 해당 사용자가 속하는 그룹을 적어도 둘 이상으로 분류할 수 있다.
또 다른 측면에 따르면, 상기 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계는, 각 사용자의 전자 기기로 해당 사용자가 속하는 그룹에 따라 둘 이상의 그룹 모델을 배포하는 단계; 및 상기 그룹 별로 각 그룹에 속하는 사용자의 전자 기기로부터 해당 그룹 모델에 대한 업데이트 데이터를 수신하여 각 그룹 모델을 개선하는 단계를 더 포함할 수 있다.
상기 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 제공한다.
컴퓨터 시스템에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 사용자들을 복수 개의 그룹으로 분류하는 그룹 분류부; 및 상기 그룹 별 연합 학습을 통해 서비스를 위한 예측 모델을 다중 모델로 생성하여 제공하는 다중모델 제공부를 포함하는 컴퓨터 시스템을 제공한다.
도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 있어서 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 일실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.
도 5 내지 도 7은 본 발명의 일실시예에 있어서 연합학습 기술의 예를 도시한 것이다.
도 8 내지 도 10은 본 발명의 일실시예에 있어서 컨텐츠 추천 서비스를 위한 다중 모델을 생성하는 과정의 예를 도시한 도면이다.
도 11은 본 발명의 일실시예에 있어서 다중 개인화를 통한 모델 학습 과정의 예를 도시한 도면이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시예들은 연합 학습(federated learning)을 통해 서비스 제공을 위한 예측 모델을 생성하는 기술에 관한 것이다.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 개인화를 통한 연합 학습을 기반으로 서비스 제공을 위한 예측 모델을 다중 모델로 형성하여 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다.
복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 시스템으로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 시스템들 중 하나를 의미할 수 있다.
통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 제1 서비스를 제공하는 시스템일 수 있으며, 서버(160) 역시 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 제2 서비스를 제공하는 시스템일 수 있다. 보다 구체적인 예로, 서버(150)는 복수의 전자 기기들(110, 120, 130, 140)에 설치되어 구동되는 컴퓨터 프로그램으로서의 어플리케이션을 통해, 해당 어플리케이션이 목적하는 서비스(일례로, 컨텐츠 추천 서비스 등)를 제1 서비스로서 복수의 전자 기기들(110, 120, 130, 140)로 제공할 수 있다. 다른 예로, 서버(160)는 상술한 어플리케이션의 설치 및 구동을 위한 파일을 복수의 전자 기기들(110, 120, 130, 140)로 배포하는 서비스를 제2 서비스로서 제공할 수 있다.
도 2는 본 발명의 일실시예에 있어서 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다. 도 2에서는 전자 기기에 대한 예로서 전자 기기(110), 그리고 서버(150)의 내부 구성을 설명한다. 또한, 다른 전자 기기들(120, 130, 140)이나 서버(160) 역시 상술한 전자 기기(110) 또는 서버(150)와 동일한 또는 유사한 내부 구성을 가질 수 있다.
전자 기기(110)와 서버(150)는 메모리(211, 221), 프로세서(212, 222), 통신 모듈(213, 223) 그리고 입출력 인터페이스(214, 224)를 포함할 수 있다. 메모리(211, 221)는 비-일시적인 컴퓨터 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리(211, 221)와는 구분되는 별도의 영구 저장 장치로서 전자 기기(110)나 서버(150)에 포함될 수도 있다. 또한, 메모리(211, 221)에는 운영체제와 적어도 하나의 프로그램 코드(일례로 전자 기기(110)에 설치되어 구동되는 브라우저나 특정 서비스의 제공을 위해 전자 기기(110)에 설치된 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(211, 221)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(213, 223)을 통해 메모리(211, 221)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로, 상술한 서버(160))이 네트워크(170)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(일례로 상술한 어플리케이션)에 기반하여 메모리(211, 221)에 로딩될 수 있다.
프로세서(212, 222)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(211, 221) 또는 통신 모듈(213, 223)에 의해 프로세서(212, 222)로 제공될 수 있다. 예를 들어 프로세서(212, 222)는 메모리(211, 221)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(213, 223)은 네트워크(170)를 통해 전자 기기(110)와 서버(150)가 서로 통신하기 위한 기능을 제공할 수 있으며, 전자 기기(110) 및/또는 서버(150)가 다른 전자 기기(일례로 전자 기기(120)) 또는 다른 서버(일례로 서버(160))와 통신하기 위한 기능을 제공할 수 있다. 일례로, 전자 기기(110)의 프로세서(212)가 메모리(211)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(213)의 제어에 따라 네트워크(170)를 통해 서버(150)로 전달될 수 있다. 역으로, 서버(150)의 프로세서(222)의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 통신 모듈(223)과 네트워크(170)를 거쳐 전자 기기(110)의 통신 모듈(213)을 통해 전자 기기(110)로 수신될 수 있다. 예를 들어 통신 모듈(213)을 통해 수신된 서버(150)의 제어 신호나 명령, 컨텐츠, 파일 등은 프로세서(212)나 메모리(211)로 전달될 수 있고, 컨텐츠나 파일 등은 전자 기기(110)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
입출력 인터페이스(214)는 입출력 장치(215)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드, 마우스, 마이크로폰, 카메라 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(214)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(215)는 전자 기기(110)와 하나의 장치로 구성될 수도 있다. 또한, 서버(150)의 입출력 인터페이스(224)는 서버(150)와 연결되거나 서버(150)가 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 보다 구체적인 예로, 전자 기기(110)의 프로세서(212)가 메모리(211)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 서버(150)나 전자 기기(120)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(214)를 통해 디스플레이에 표시될 수 있다.
또한, 다른 실시예들에서 전자 기기(110) 및 서버(150)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 전자 기기(110)는 상술한 입출력 장치(215) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다. 보다 구체적인 예로, 전자 기기(110)가 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 가속도 센서나 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 전자 기기(110)에 더 포함되도록 구현될 수 있다.
이하에서는 개인화를 통한 연합 학습의 다중 모델 제공 방법 및 시스템의 구체적인 실시예를 설명하기로 한다.
도 3은 본 발명의 일실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 블록도이고, 도 4는 본 발명의 일실시예에 따른 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.
본 실시예에 따른 서버(150)는 서비스 제공에 필요한 예측 모델을 생성하여 서비스를 이용하는 사용자들에게 배포하는 역할을 한다. 서버(150)에는 컴퓨터로 구현된 모델 제공 시스템이 구성될 수 있다. 서버(150)는 클라이언트(client)인 복수의 전자 기기들(110, 120, 130, 140)을 대상으로 하는 것으로, 전자 기기들(110, 120, 130, 140) 상에 설치된 전용 어플리케이션이나 서버(150)와 관련된 웹/모바일 사이트 접속을 통해 예측 모델을 배포할 수 있다. 서버(150)는 클라이언트와의 연합 학습을 기반으로 예측 모델을 학습할 수 있으며, 특히 클라이언트의 개인화 요소가 반영된 연합 학습을 기반으로 서비스 제공을 위한 예측 모델을 다중 모델로 생성하여 제공할 수 있다.
서버(150)의 프로세서(222)는 도 4에 따른 모델 제공 방법을 수행하기 위한 구성요소로서 도 3에 도시된 바와 같이, 초기모델 제공부(310), 그룹 분류부(320), 및 다중모델 제공부(330)를 포함할 수 있다. 실시예에 따라 프로세서(222)의 구성요소들은 선택적으로 프로세서(222)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(222)의 구성요소들은 프로세서(222)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.
이러한 프로세서(222) 및 프로세서(222)의 구성요소들은 도 4의 모델 제공 방법이 포함하는 단계들(S410 내지 S430)을 수행하도록 서버(150)를 제어할 수 있다. 예를 들어, 프로세서(222) 및 프로세서(222)의 구성요소들은 메모리(221)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
여기서, 프로세서(222)의 구성요소들은 서버(150)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(222)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 서버(150)가 서비스를 위한 예측 모델로서 초기 학습 모델을 제공하도록 상술한 명령에 따라 서버(150)를 제어하는 프로세서(222)의 기능적 표현으로서 초기모델 제공부(310)가 이용될 수 있다.
프로세서(222)는 서버(150)의 제어와 관련된 명령이 로딩된 메모리(221)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(222)가 이후 설명될 단계들(S410 내지 S430)을 실행하도록 제어하기 위한 명령을 포함할 수 있다. 이후 설명될 단계들(S410 내지 S430)은 도 4에 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들(S410 내지 S430) 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.
도 4를 참조하면, 단계(S410)에서 초기모델 제공부(310)는 서비스 제공에 필요한 예측 모델로 생성된 초기 모델을 각 사용자의 전자 기기로 제공할 수 있다. 초기 학습 모델은 클라우드의 데이터를 이용한 최초의 학습 모델로서 서버(150)에서 생성하는 단일 모델을 의미할 수 있다. 초기모델 제공부(310)는 서비스를 위한 초기 학습 모델을 생성한 후 연합 학습을 위해 일부 선택된 사용자들의 전자 기기로 초기 학습 모델을 배포할 수 있다. 각 전자 기기에서는 초기 학습 모델을 서버(150)로부터 다운로드하여 기기 내 데이터를 기반으로 초기 학습 모델을 개별적으로 학습한다. 다시 말해, 각 전자 기기에서는 사용자의 기기 사용에 따른 기기의 데이터를 사용하여 초기 학습 모델의 학습을 개선할 수 있다.
단계(S420)에서 그룹 분류부(320)는 연합 학습을 위해 일부 선택된 사용자들을 복수의 그룹으로 분류할 수 있다. 일례로, 그룹 분류부(320)는 사용자 프로필(profile), 예컨대 연령, 성별, 지역 등을 기준으로 사용자들을 그룹핑할 수 있다. 다른 예로, 그룹 분류부(320)는 서버(150)가 제공하고자 하는 서비스의 도메인 날리지(domain knowledge)를 바탕으로 사용자들을 그룹핑할 수 있다. 도메인 날리지는 서비스 도메인을 통해 획득 가능한 이력 정보를 의미하는 것으로, 예를 들어 컨텐츠나 상품 구매 이력, 조회 이력, 앱 설치 이력 등을 포함할 수 있다. 그룹 분류부(320)는 서비스와 관련하여 서버(150)에서 수집 가능한 정보들을 사용자 그룹을 나누는 기준으로 활용할 수 있다. 이때, 그룹 분류부(320)는 서비스 도메인에 따라 사용자 그룹의 분류 기준을 달리 적용할 수 있다.
단계(S430)에서 다중모델 제공부(330)는 복수 개의 그룹에 대하여 그룹 별로 각 그룹에 속한 사용자들의 개인화 요소가 반영된 연합 학습의 다중 모델을 생성하여 이를 전체 사용자를 위한 최종 학습 모델로 배포할 수 있다.
이를 위해, 먼저 다중모델 제공부(330)는 그룹 별로 각 그룹에 속한 사용자의 전자 기기에서 학습된 모델을 하나의 모델(이하, '그룹 모델'이라 칭함)로 취합할 수 있다. 즉, 연합 학습을 위해 일부 선택된 사용자들이 N개의 그룹으로 분류된 경우 각 그룹마다 개별 학습 결과 모델이 하나의 모델로 취합되어 그룹 모델이 만들어짐에 따라 결과적으로 N개의 그룹 모델이 생성된다.
그리고, 다중모델 제공부(330)는 그룹 별 그룹 모델이 생성되면 각 그룹에 속하는 사용자의 전자 기기로 해당 그룹의 그룹 모델을 제공한다. 다중모델 제공부(330)는 N개의 사용자 그룹을 대상으로 각 그룹에 해당하는 그룹 모델을 배포할 수 있다. 각 그룹의 전자 기기에서는 서버(150)로부터 해당 그룹 모델을 다운로드하여 기기 내 데이터를 기반으로 그룹 모델을 개별적으로 학습한다. 다시 말해, 각 전자 기기에서는 사용자의 기기 사용에 따른 기기의 데이터를 사용하여 그룹 모델의 학습을 개선할 수 있다. N개의 사용자 그룹을 대상으로 그룹 별 연합 학습을 통해 N개의 학습 결과 모델을 생성할 수 있다.
다중모델 제공부(330)는 상기한 그룹 별 연합 학습 과정을 적어도 1회 이상 반복 수행한 후 모든 서비스 이용자들을 대상으로 각 사용자에 해당하는 그룹 모델을 배포할 수 있다. 연합 학습에 참여하지 않은 사용자들 또한 연합 학습에 참여하는 사용자들과 동일한 기준으로 그룹핑하여 서비스 제공 시 사용자가 속하는 그룹의 학습 모델을 활용할 수 있다.
도 5 내지 도 7은 본 발명의 일실시예에 있어서 연합학습 기술의 예를 도시한 것이다.
연합 학습을 적용하는 경우 개별 기기에서 데이터를 직접 관리하면서 모델을 공동으로 학습할 수 있어 서버(150) 또는 별도의 다른 서버(160)에 데이터를 저장하지 않기 때문에 개인 프라이버시 보호를 보장할 수 있다.
도 5를 참조하면, 연합 학습을 위해 선택된 모든 전자 기기들은 초기 모델에 해당되는 예측 모델을 다운로드한다(S510). 각 전자 기기는 사용자의 사용에 따른 기기 내 데이터를 바탕으로 예측 모델의 학습을 개선한다(S520). 전자 기기는 예측 모델의 학습을 개선한 다음 개선에 따른 변경사항을 업데이트 데이터로 생성할 수 있다(S530). 모든 전자 기기의 예측 모델들은 기기마다 다른 사용 환경과 사용자 특성이 반영되어 학습될 수 있다(S540). 각 전자 기기의 업데이트 데이터는 서버(150)로 전송되며, 이는 예측 모델을 개선하는 데에 사용될 수 있다(S550). 개선된 예측 모델은 다시 각 전자 기기에 배포될 수 있다(S560). 각 전자 기기는 재배포된 예측 모델을 재학습하고 개선하는 과정을 반복하면서 예측 모델을 발전시키고 이를 공유할 수 있다.
이러한 연합 학습을 바탕으로 하는 서비스는 다음과 같은 차별점을 가지고 있다. 서버(150)에서 모델 학습을 위한 사용자 데이터를 수집하지 않기 때문에 개인 정보 유출의 문제가 발행하지 않는다. 임의의 환경에서 수집된 데이터가 아닌, 전자 기기에서 사용자에 의한 실사용 데이터를 모델 학습에 사용한다. 또한, 모델 학습이 각 사용자의 기기에서 개별적으로 일어나기 때문에 별도의 학습을 위한 서버가 필요하지 않다. 더불어, 개인의 로우 데이터(raw data)를 서버(150)로 전송하지 않고 업데이트 데이터인 가중치들(weights)만 수집하기 때문에 개인정보 유출 문제를 해결할 수 있다.
도 6은 연합 학습 과정에서의 업데이트 데이터를 나타내는 가중치에 대한 예시를 나타내고 있다. 가중치란 딥러닝의 신경망을 이용하여 학습 가능한 변수의 집합을 의미한다. 예측 모델을 개선하기 위한 각 전자 기기에서의 업데이트 데이터는 가중치의 형태로 생성될 수 있다. 각 전자 기기의 예측 모델을 통해 생성되는 가중치는 예를 들어, W = [w1, w2, ..., wn]과 같이 표현될 수 있다. 이는 서버(150)로 업로드되어 예측 모델을 개선하는 데 이용될 수 있다.
도 7은 연합 학습의 다중 모델을 형성하는 과정의 예를 도시한 것이다.
도 7을 참조하면, 서버(150)는 프로필 정보, 및 서비스와 관련하여 수집된 정보 중 적어도 하나를 바탕으로 연합 학습을 위해 선택된 사용자들을 N개의 그룹으로 나눈다(S770).
각 그룹 별로 상기한 과정(S520)을 통해 해당 그룹의 각 전자 기기에서 학습된 모델을 수집하여 하나의 모델, 즉 그룹 모델로 합친다. 각 그룹마다 하나의 그룹 모델이 만들어짐에 따라 그룹 별 학습 모델로서 N개의 그룹 모델이 생성된다(S780).
각 그룹의 그룹 모델은 해당 그룹에 속한 사용자의 전자 기기로 다시 배포될 수 있으며, 각 전자 기기는 그룹 모델을 기기의 데이터를 바탕으로 재학습하여 그룹 모델의 학습을 개선한다(S790). 그룹 모델에 대한 각 기기에서의 학습 개선에 따른 변경사항을 나타내는 업데이트 데이터는 서버(150)로 전송되며 해당 그룹 모델을 개선하는데 사용될 수 있다.
따라서, 본 실시예에서는 서비스 제공에 필요한 예측 모델을 그룹 별 연합 학습을 통해 그룹 특성에 따라 개인화된 다중 모델로 형성할 수 있다.
도 8 내지 도 10은 본 발명의 일실시예에 있어서 컨텐츠 추천 서비스를 위한 다중 모델을 생성하는 과정의 예를 도시한 도면이다.
서버(150)에서 제공하고자 하는 서비스가 컨텐츠를 자동 추천하는 서비스인 경우 그룹 별 연합 학습을 통해 컨텐츠와 관련된 사용자 데이터를 바탕으로 컨텐츠 추천 모델을 학습할 수 있다.
본 명세서에서 컨텐츠는 스티커, 광고(상품 또는 앱 등), 동영상, 이미지, 각종 문서 등 서비스 상의 컨텐츠로서 추천 가능한 모든 대상을 포함할 수 있다.
도 8을 참조하면, 그룹 분류부(320)는 연합 학습을 위해 선택된 모든 사용자들을 복수 개의 그룹으로 나눈다(S81).
서버(150)가 목적하는 서비스가 스티커 추천 서비스인 경우, 그룹 분류부(320)는 스티커와 관련하여 서버(150)에서 수집 가능한 정보들을 이용하여 사용자 그룹을 분류할 수 있다. 일례로, 그룹 분류부(320)는 개인이 구매한 스티커 이력, 개인이 구매한 스티커 중에 실제로 다운로드하여 사용이 가능한 스티커, 개인이 최근 일정 기간 동안 실제로 사용한 스티커 등을 기반으로 사용자 그룹을 분류할 수 있다. 예를 들어, 최근 24시간 내에 Brown 캐릭터로 구성된 스티커를 일정 빈도 이상 사용한 사용자 그룹 A와 Moon 캐릭터로 구성된 스티커를 일정 빈도 이상 사용한 사용자 그룹 B로 사용자 그룹을 분류할 수 있다
서버(150)가 목적하는 서비스가 광고 추천 서비스인 경우, 그룹 분류부(320)는 광고 컨텐츠와 관련하여 서버(150)에서 수집 가능한 정보들을 이용하여 사용자 그룹을 분류할 수 있다. 일례로, 그룹 분류부(320)는 개인이 구매한 상품 이력, 개인이 최근 일정 기간 동안 상품 내용을 조회한 상품, 개인이 최근 일정 기간 동안 상품을 조회하기 위해 입력한 검색어 등을 기반으로 사용자 그룹을 분류할 수 있다. 다른 예로, 그룹 분류부(320)는 개인이 설치한 어플리케이션 이력, 개인이 최근 일정 기간 동안 실제로 사용한 어플리케이션 등을 기반으로 사용자 그룹을 분류할 수 있다.
그룹 분류부(320)는 사용자 그룹을 분류함에 있어 협업 필터링(collaborative filtering) 알고리즘을 활용할 수 있다. 협업 필터링은 많은 사용자들로부터 얻은 선호 정보에 따라 사용자의 관심사를 자동 예측하는 방법으로, 사용자들의 선호도와 관심 표현을 바탕으로 선호도, 관심사에서 비슷한 패턴을 가진 사용자들을 식별하는 기법이다. 협업 필터링은 기존의 어느 정도 예측이 가능한 사용자들과 비슷한 패턴을 가진 사용자를 찾은 후 해당 사용자의 행동을 수치화하여 사용하는 방법과, 아이템 간의 상관관계를 결정하는 아이템 매트릭스를 만든 후 매트릭스를 사용하여 최근 사용자 데이터를 기반으로 해당 사용자의 선호를 유추하는 방법, 그리고 사용자들의 행동에 대한 암시적인 관찰(implicit observation)을 기반으로 한 방법 등이 있다. 상기한 협업 필러링을 기반으로 하여 연합 학습을 위해 선택된 사용자들을 복수 개의 그룹으로 나눌 수 있다.
상기한 협업 필터링 이외에도 기 공지된 클러스터링 알고리즘이나 기계학습 알고리즘 등을 이용하여 사용자 그룹을 분류하는 것 또한 가능하다.
도 9를 참조하면, 초기모델 제공부(310)는 서버(150)에서 초기 모델로 생성된 컨텐츠 추천 모델을 연합 학습을 위해 선택된 모든 사용자들의 전자 기기로 배포한다(S92). 각 전자 기기에서는 컨텐츠 추천 모델을 서버(150)로부터 다운로드하여 기기 내에만 존재하는 데이터를 사용하여 컨텐츠 추천 모델을 개별적으로 학습한다.
컨텐츠 추천 모델이 스티커 자동 추천을 위한 모델인 경우 각 전자 기기 내에만 존재하는 데이터의 일례로 사용자의 대화 기반 스티커 사용 이력을 사용하여 추천 모델을 학습한다. 예를 들어, 스마트 리플레이(smart reply) 모델에서 추천하는 응답으로 단어가 아닌 사용자에 의한 사용 이력이 있는 스티커를 추천하는 방식으로 모델을 학습할 수 있다. 일례로, 메시지 "굿모닝!"에 대한 응답으로 사용자 그룹 A와 사용자 그룹 B에 속하는 사용자에게 각각 서로 다른 스티커 ID를 갖는 다른 스티커를 추천하고, 추천에 이어 이루어진 실제 사용자로부터 선택되거나 전송된 응답에 기초하여 사용자 그룹 A와 사용자 그룹 B의 모델을 각각 학습할 수 있다.
컨텐츠 추천 모델이 광고 자동 추천을 위한 모델인 경우 각 전자 기기 내에만 존재하는 데이터의 일례로 사용자의 상품이나 앱의 최근 구매 이력을 사용하여 추천 모델을 학습한다. 예를 들어, 스마트 리플레이 모델에서 추천하는 응답으로 단어가 아닌 사용자에 의한 구매 이력이 있는 상품 ID 또는 앱 ID를 추천하는 방식으로 모델을 학습할 수 있다.
다중모델 제공부(330)는 그룹 별로 각 그룹에 속한 사용자의 전자 기기에서 학습된 모델을 수집한 후(S93), 수집된 모델을 취합하고 합쳐 하나의 그룹 모델로 만들 수 있다(S94). 다중모델 제공부(330)는 사용자 그룹을 이용하여 컨텐츠 추천 모델을 그룹 별로 학습한 다중 모델로 형성할 수 있다.
도 10을 참조하면, 다중모델 제공부(330)는 컨텐츠 추천 모델에 대한 다중 모델로서 그룹 별 모델이 생성되면 각 그룹의 사용자의 전자 기기로 해당 그룹 모델을 재배포한다(S105). 각 전자 기기에서는 사용자 데이터를 바탕으로 그룹 모델의 학습을 개선할 수 있다.
다중모델 제공부(330)는 각 전자 기기로부터 그룹 모델에 대한 학습 개선에 따른 변경사항을 나타내는 업데이트 데이터를 수신하여 이를 해당 그룹 모델을 개선하는데 이용할 수 있다(S106).
다중모델 제공부(330)는 사용자 그룹을 이용하여 컨텐츠 추천 모델을 다중 모델로 형성할 수 있고 각 그룹의 연합 학습을 통해 그룹 별로 형성된 컨텐츠 추천 모델을 발전시키고 이를 공유할 수 있다.
본 발명의 실시예들에 따르면, 모든 컨텐츠를 대상으로 추천 모델을 학습하는 것에 비해, 그룹 별로 그룹 특성에 따라 개인화된 데이터를 바탕으로 추천 모델을 학습함으로써 컨텐츠 추천 정확도를 향상시킬 수 있다.
상기에서는 한 개인이 하나의 그룹 모델을 학습하는 것으로 설명하고 있으나, 이에 한정되지 않으며, 한 개인이 둘 이상의 그룹 모델을 학습하여 다중 개인화를 통한 연합 학습이 가능하다.
예를 들어, 어떤 사람과의 대화인지에 따라서 사용자가 사용하는 문체나 스티커가 달라질 수 있기 때문에 한 개인을 단일 그룹이 아닌 둘 이상의 그룹으로 분류할 수 있다. 모델을 학습하기 위한 데이터를 분석하여 미리 분류할 수 있으며, 기기 내에서 M(<N)개의 그룹 모델을 각각 해당하는 데이터를 활용하여 학습할 수 있다.
도 11을 참조하면, 다중모델 제공부(330)는 각 사용자의 전자 기기로 해당 사용자가 속한 M개의 그룹에 해당되는 그룹 모델을 배포한다(S115). 전자 기기 내에서 각 모델과 대응되는 데이터를 활용하여 M개의 그룹 모델을 개별로 학습한다. 예를 들어, 사용자가 A 성격의 스티커 구매 이력과 B 성격의 스티커 구매 이력을 가진 경우 이를 바탕으로 해당 사용자의 전자 기기는 A 성격의 스티커 추천 모델과 B 성격의 스티커 추천 모델을 다운로드할 수 있다. 동일 사용자라고 하더라도 대화방마다 사용하는 스티커의 성격이 다를 수 있기 때문에 대화 내용과 스티커 분류 모델을 바탕으로 대화방을 A 성격의 대화방과 B 성격의 대화방으로 분류한 후 각 대화방 내에서의 실제 스티커 이용 이력을 사용하여 A 성격의 스티커 추천 모델과 B 성격의 스티커 추천 모델을 별개의 모델로 각각 학습할 수 있다.
다중모델 제공부(330)는 M개의 그룹 모델에 대해 전자 기기로부터 각 모델 별로 업데이트 데이터를 수신하여 해당 모델을 개선하는데 이용할 수 있다(S116). 다중모델 제공부(330)는 그룹 모델을 취합할 때 한 개인의 전자 기기에 배포된 M개의 모델을 각 그룹 별로 별도로 취합한다.
본 발명의 실시예들에 따르면, 다중 개인화를 통한 연합 학습을 바탕으로 개인의 여러 가지 특성이 반영된 다중 모델을 활용함으로써 보다 개인 특성에 맞는 서비스를 제공할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 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 어플리케이션을 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, 컴퓨터 저장 매체 또는 장치에 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. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 컴퓨터 시스템에서 실행되는 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 방법은,
    상기 적어도 하나의 프로세서에 의해, 사용자들을 복수 개의 그룹으로 분류하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 상기 그룹 별 연합 학습(federated learning)을 통해 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계
    를 포함하는 방법.
  2. 제1항에 있어서,
    상기 분류하는 단계는,
    상기 서비스와 관련하여 상기 컴퓨터 시스템에서 수집 가능한 적어도 하나의 정보를 이용하여 상기 사용자들을 그룹핑하는 것
    을 특징으로 하는 방법.
  3. 제1항에 있어서,
    상기 분류하는 단계는,
    사용자 프로필과 상기 서비스의 도메인 날리지(domain knowledge) 중 적어도 하나를 바탕으로 상기 사용자들을 그룹핑하는 것
    을 특징으로 하는 방법.
  4. 제1항에 있어서,
    상기 분류하는 단계는,
    협업 필터링(collaborative filtering)을 기반으로 하여 상기 사용자들을 그룹핑하는 것
    을 특징으로 하는 방법.
  5. 제1항에 있어서,
    상기 방법은,
    상기 적어도 하나의 프로세서에 의해, 상기 컴퓨터 시스템에서 생성된 초기 모델을 상기 사용자들의 전자 기기로 배포하는 단계
    를 더 포함하고,
    상기 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계는,
    상기 그룹 별로 상기 초기 모델에 대해 각 그룹에 속하는 사용자의 전자 기기에서 학습된 모델을 하나의 모델로 취합하여 그룹 모델을 생성하는 단계
    를 포함하는 방법.
  6. 제5항에 있어서,
    상기 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계는,
    상기 그룹 별로 각 그룹에 속하는 사용자의 전자 기기로 해당 그룹 모델을 배포하는 단계; 및
    상기 그룹 별로 각 그룹에 속하는 사용자의 전자 기기로부터 해당 그룹 모델에 대한 업데이트 데이터를 수신하여 각 그룹 모델을 개선하는 단계
    를 더 포함하는 방법.
  7. 제1항에 있어서,
    상기 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계는,
    상기 서비스가 컨텐츠를 추천하는 서비스인 경우,
    상기 그룹 별 연합 학습을 통해 각 그룹에 속하는 사용자의 전자 기기에서의 상기 컨텐츠와 관련된 기기 내 데이터를 이용한 학습 결과 모델로 상기 그룹 별 컨텐츠 추천 모델을 생성하는 것
    을 특징으로 하는 방법.
  8. 제7항에 있어서,
    상기 분류하는 단계는,
    상기 컨텐츠와 관련하여 상기 컴퓨터 시스템에서 수집 가능한 적어도 하나의 정보를 이용하여 상기 사용자들을 그룹핑하는 것
    을 특징으로 하는 방법.
  9. 제5항에 있어서,
    상기 분류하는 단계는,
    각 사용자 별로 해당 사용자가 속하는 그룹을 적어도 둘 이상으로 분류하는 것
    을 특징으로 하는 방법.
  10. 제9항에 있어서,
    상기 서비스를 위한 예측 모델을 다중 모델로 생성하는 단계는,
    각 사용자의 전자 기기로 해당 사용자가 속하는 그룹에 따라 둘 이상의 그룹 모델을 배포하는 단계; 및
    상기 그룹 별로 각 그룹에 속하는 사용자의 전자 기기로부터 해당 그룹 모델에 대한 업데이트 데이터를 수신하여 각 그룹 모델을 개선하는 단계
    를 더 포함하는 방법.
  11. 제1항 내지 제10항 중 어느 한 항의 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램.
  12. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    사용자들을 복수 개의 그룹으로 분류하는 그룹 분류부; 및
    상기 그룹 별 연합 학습을 통해 서비스를 위한 예측 모델을 다중 모델로 생성하여 제공하는 다중모델 제공부
    를 포함하는 컴퓨터 시스템.
  13. 제12항에 있어서,
    상기 그룹 분류부는,
    상기 서비스와 관련하여 상기 컴퓨터 시스템에서 수집 가능한 적어도 하나의 정보를 이용하여 상기 사용자들을 그룹핑하는 것
    을 특징으로 하는 컴퓨터 시스템.
  14. 제12항에 있어서,
    상기 그룹 분류부는,
    사용자 프로필과 상기 서비스의 도메인 날리지 중 적어도 하나를 바탕으로 상기 사용자들을 그룹핑하는 것
    을 특징으로 하는 컴퓨터 시스템.
  15. 제12항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 컴퓨터 시스템에서 생성된 초기 모델을 상기 사용자들의 전자 기기로 제공하는 초기모델 제공부
    를 더 포함하고,
    상기 다중모델 제공부는,
    상기 그룹 별로 상기 초기 모델에 대해 각 그룹에 속하는 사용자의 전자 기기에서 학습된 모델을 하나의 모델로 취합하여 그룹 모델을 생성하는 것
    을 특징으로 하는 컴퓨터 시스템.
  16. 제15항에 있어서,
    상기 다중모델 제공부는,
    상기 그룹 별로 각 그룹에 속하는 사용자의 전자 기기로 해당 그룹 모델을 제공하고,
    상기 그룹 별로 각 그룹에 속하는 사용자의 전자 기기로부터 해당 그룹 모델에 대한 업데이트 데이터를 수신하여 각 그룹 모델을 개선하는 것
    을 특징으로 하는 컴퓨터 시스템.
  17. 제12항에 있어서,
    상기 다중모델 제공부는,
    상기 서비스가 컨텐츠를 추천하는 서비스인 경우,
    상기 그룹 별 연합 학습을 통해 각 그룹에 속하는 사용자의 전자 기기에서의 상기 컨텐츠와 관련된 기기 내 데이터를 이용한 학습 결과 모델로 상기 그룹 별 컨텐츠 추천 모델을 생성하는 것
    을 특징으로 하는 컴퓨터 시스템.
  18. 제17항에 있어서,
    상기 그룹 분류부는,
    상기 컨텐츠와 관련하여 상기 컴퓨터 시스템에서 수집 가능한 적어도 하나의 정보를 이용하여 상기 사용자들을 그룹핑하는 것
    을 특징으로 하는 컴퓨터 시스템.
  19. 제15항에 있어서,
    상기 그룹 분류부는,
    각 사용자 별로 해당 사용자가 속하는 그룹을 적어도 둘 이상으로 분류하는 것
    을 특징으로 하는 컴퓨터 시스템.
  20. 제19항에 있어서,
    상기 다중모델 제공부는,
    각 사용자의 전자 기기로 해당 사용자가 속하는 그룹에 따라 둘 이상의 그룹 모델을 제공하고.
    상기 그룹 별로 각 그룹에 속하는 사용자의 전자 기기로부터 해당 그룹 모델에 대한 업데이트 데이터를 수신하여 각 그룹 모델을 개선하는 것
    을 특징으로 하는 컴퓨터 시스템.
KR1020200070774A 2020-06-11 2020-06-11 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램 KR102501496B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020200070774A KR102501496B1 (ko) 2020-06-11 2020-06-11 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램
CN202110589665.0A CN113807495A (zh) 2020-06-11 2021-05-28 多重模型提供方法、计算机系统及计算机可读记录介质
US17/336,769 US20210390152A1 (en) 2020-06-11 2021-06-02 Method, system, and non-transitory computer-readable record medium for providing multiple models of federated learning using personalization
JP2021097610A JP2021197181A (ja) 2020-06-11 2021-06-10 個人化による連合学習の多重モデル提供方法、システム、およびコンピュータプログラム
KR1020230019074A KR20230025840A (ko) 2020-06-11 2023-02-14 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200070774A KR102501496B1 (ko) 2020-06-11 2020-06-11 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230019074A Division KR20230025840A (ko) 2020-06-11 2023-02-14 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20210153884A true KR20210153884A (ko) 2021-12-20
KR102501496B1 KR102501496B1 (ko) 2023-02-20

Family

ID=78825495

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200070774A KR102501496B1 (ko) 2020-06-11 2020-06-11 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램
KR1020230019074A KR20230025840A (ko) 2020-06-11 2023-02-14 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230019074A KR20230025840A (ko) 2020-06-11 2023-02-14 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램

Country Status (4)

Country Link
US (1) US20210390152A1 (ko)
JP (1) JP2021197181A (ko)
KR (2) KR102501496B1 (ko)
CN (1) CN113807495A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023132597A1 (ko) * 2022-01-04 2023-07-13 숭실대학교 산학협력단 로컬 그룹 기반의 연합학습 시스템 및 연합학습 제어방법
KR20230114530A (ko) 2022-01-25 2023-08-01 연세대학교 산학협력단 로컬 연합 믹스업 분할 학습 장치 및 방법
KR20240060994A (ko) 2022-10-31 2024-05-08 주식회사 뉴로다임 자원최적화를 위한 기계학습실행스케쥴 관리방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023188259A1 (ja) * 2022-03-31 2023-10-05 日本電信電話株式会社 秘密グローバルモデル計算装置、秘密グローバルモデル計算システム構成方法、プログラム
US11706226B1 (en) * 2022-06-21 2023-07-18 Uab 360 It Systems and methods for controlling access to domains using artificial intelligence
GB202216457D0 (en) * 2022-11-04 2022-12-21 Samsung Electronics Co Ltd Methods and apparatus for multi model functionality, federated learning training of an artificial intelligence/machine learning model for multiple model

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100961782B1 (ko) * 2009-05-28 2010-06-07 주식회사 모임 인공지능에 기반한 개인별 맞춤형 상품 제공 장치 및 방법,그 기록 매체
KR20180002122A (ko) * 2016-06-28 2018-01-08 엔에이치엔페이코 주식회사 광고 상품 제공 방법 및 시스템
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
US20190147360A1 (en) * 2017-02-03 2019-05-16 Panasonic Intellectual Property Management Co., Ltd. Learned model provision method, and learned model provision device

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8346593B2 (en) * 2004-06-30 2013-01-01 Experian Marketing Solutions, Inc. System, method, and software for prediction of attitudinal and message responsiveness
JPWO2010010653A1 (ja) * 2008-07-24 2012-01-05 日本電気株式会社 ユーザモデル処理装置
US8799200B2 (en) * 2008-07-25 2014-08-05 Liveperson, Inc. Method and system for creating a predictive model for targeting webpage to a surfer
US8938403B2 (en) * 2011-05-11 2015-01-20 Ari M. Frank Computing token-dependent affective response baseline levels utilizing a database storing affective responses
US9015084B2 (en) * 2011-10-20 2015-04-21 Gil Thieberger Estimating affective response to a token instance of interest
US8566165B1 (en) * 2012-03-30 2013-10-22 Palo Alto Research Center Incorporated Performance-efficient system and method for sampling users for population-centric activity modeling
US20150170053A1 (en) * 2013-12-13 2015-06-18 Microsoft Corporation Personalized machine learning models
US11386442B2 (en) * 2014-03-31 2022-07-12 Liveperson, Inc. Online behavioral predictor
JP6129802B2 (ja) * 2014-09-19 2017-05-17 ヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
WO2017035519A1 (en) * 2015-08-27 2017-03-02 Skytree, Inc. Supervised learning based recommendation system
WO2017159403A1 (ja) * 2016-03-16 2017-09-21 日本電気株式会社 予測システム、方法およびプログラム
US10607154B2 (en) * 2016-07-27 2020-03-31 Facebook, Inc. Socioeconomic group classification based on user features
US11062215B2 (en) * 2017-03-17 2021-07-13 Microsoft Technology Licensing, Llc Using different data sources for a predictive model
US11488054B2 (en) * 2017-12-06 2022-11-01 Google Llc Systems and methods for distributed on-device learning with data-correlated availability
US11593634B2 (en) * 2018-06-19 2023-02-28 Adobe Inc. Asynchronously training machine learning models across client devices for adaptive intelligence
US20200067975A1 (en) * 2018-08-27 2020-02-27 Box, Inc. Ransomware remediation in collaboration environments
US11989634B2 (en) * 2018-11-30 2024-05-21 Apple Inc. Private federated learning with protection against reconstruction
US11126151B2 (en) * 2018-12-03 2021-09-21 DSi Digital, LLC Data interaction platforms utilizing dynamic relational awareness
US11010637B2 (en) * 2019-01-03 2021-05-18 International Business Machines Corporation Generative adversarial network employed for decentralized and confidential AI training
US11451532B2 (en) * 2019-01-25 2022-09-20 Dell Products L.P. Behavioral biometrics and machine learning to secure website logins
US11443132B2 (en) * 2019-03-06 2022-09-13 International Business Machines Corporation Continuously improve recognition or prediction accuracy using a machine learning model to train and manage an edge application
KR20190103088A (ko) * 2019-08-15 2019-09-04 엘지전자 주식회사 연합학습을　통한 단말의 명함을 인식하는 방법 및 이를 위한 장치
KR20190103090A (ko) * 2019-08-15 2019-09-04 엘지전자 주식회사 연합학습(Federated　learning)을　통한 단말의 POI 데이터를 생성하는 모델의 학습방법 및 이를 위한 장치
US11861674B1 (en) * 2019-10-18 2024-01-02 Meta Platforms Technologies, Llc Method, one or more computer-readable non-transitory storage media, and a system for generating comprehensive information for products of interest by assistant systems
US11188791B2 (en) * 2019-11-18 2021-11-30 International Business Machines Corporation Anonymizing data for preserving privacy during use for federated machine learning
US11699107B2 (en) * 2020-02-17 2023-07-11 Optum, Inc. Demographic-aware federated machine learning
SG11202102680YA (en) * 2020-04-13 2021-04-29 Alipay Hangzhou Inf Tech Co Ltd Method and system for optimizing user grouping for advertisement

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100961782B1 (ko) * 2009-05-28 2010-06-07 주식회사 모임 인공지능에 기반한 개인별 맞춤형 상품 제공 장치 및 방법,그 기록 매체
KR20180002122A (ko) * 2016-06-28 2018-01-08 엔에이치엔페이코 주식회사 광고 상품 제공 방법 및 시스템
US20190147360A1 (en) * 2017-02-03 2019-05-16 Panasonic Intellectual Property Management Co., Ltd. Learned model provision method, and learned model provision device
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023132597A1 (ko) * 2022-01-04 2023-07-13 숭실대학교 산학협력단 로컬 그룹 기반의 연합학습 시스템 및 연합학습 제어방법
KR20230114530A (ko) 2022-01-25 2023-08-01 연세대학교 산학협력단 로컬 연합 믹스업 분할 학습 장치 및 방법
KR20240060994A (ko) 2022-10-31 2024-05-08 주식회사 뉴로다임 자원최적화를 위한 기계학습실행스케쥴 관리방법

Also Published As

Publication number Publication date
US20210390152A1 (en) 2021-12-16
CN113807495A (zh) 2021-12-17
KR20230025840A (ko) 2023-02-23
JP2021197181A (ja) 2021-12-27
KR102501496B1 (ko) 2023-02-20

Similar Documents

Publication Publication Date Title
JP6744353B2 (ja) ディープラーニングを活用した個人化商品推薦
KR102501496B1 (ko) 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램
KR102342678B1 (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
CN109844855B (zh) 任务的多重计算代理执行
KR102214422B1 (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
US10223459B2 (en) Methods, systems, and media for personalizing computerized services based on mood and/or behavior information from multiple data sources
EP3987461A1 (en) Method and system for providing machine learning service
KR20190093813A (ko) 인공지능 기반 상품 추천 방법 및 그 시스템
US11127066B2 (en) Multi-layer optimization for a multi-sided network service
CN105027061A (zh) 具有上下文交互机制的计算系统及其操作方法
US11436265B2 (en) System for presenting tailored content based on user sensibilities
KR20220026609A (ko) 위치 데이터가 포함된 컨텐츠를 이용한 추천 방법 및 그 시스템
CN108702377A (zh) 用于为智能移动对象建议、启动和自动或半自动下载应用的系统
KR20210093003A (ko) 인공지능 캐릭터와의 대화 서비스 제공 방법 및 시스템
KR102427723B1 (ko) 인공지능 기반 상품 추천 방법 및 그 시스템
KR102119518B1 (ko) 인공지능을 이용하여 생성되는 스타일 공간에 기반한 상품 추천 방법 및 시스템
KR20210126919A (ko) 아바타 아이템을 추천하는 방법, 시스템, 및 컴퓨터 프로그램
KR102463550B1 (ko) 지역 기반 추천 서비스를 제공하는 방법 및 시스템
KR20230151704A (ko) 지역 지식 그래프를 기반으로 추천 정보를 제공하는 방법, 컴퓨터 장치, 및 컴퓨터 프로그램
CN112313690A (zh) 基于用户反应提供内容的方法、系统及非暂时性计算机可读记录介质
KR102277673B1 (ko) 검색 기반의 수집 지원 방법 및 시스템
KR102271464B1 (ko) 사용자 명령 학습 펫 에이전트 및 그 동작 방법
US20240161415A1 (en) System and method for dynamic provisioning of augmented reality information
KR102623300B1 (ko) 메신저를 이용하여 물품 정보를 제공하는 방법과 시스템 및 비-일시적인 컴퓨터 판독가능한 기록 매체
KR20230068780A (ko) 이미지 태깅 학습 방법 및 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant