WO2020096099A1 - 기계 학습 방법 및 장치 - Google Patents

기계 학습 방법 및 장치 Download PDF

Info

Publication number
WO2020096099A1
WO2020096099A1 PCT/KR2018/013667 KR2018013667W WO2020096099A1 WO 2020096099 A1 WO2020096099 A1 WO 2020096099A1 KR 2018013667 W KR2018013667 W KR 2018013667W WO 2020096099 A1 WO2020096099 A1 WO 2020096099A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
data
learning
data sample
label information
Prior art date
Application number
PCT/KR2018/013667
Other languages
English (en)
French (fr)
Inventor
유동근
팽경현
박승균
Original Assignee
주식회사 루닛
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 주식회사 루닛 filed Critical 주식회사 루닛
Priority to PCT/KR2018/013667 priority Critical patent/WO2020096099A1/ko
Priority to US16/684,627 priority patent/US10922628B2/en
Publication of WO2020096099A1 publication Critical patent/WO2020096099A1/ko

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Definitions

  • the present disclosure relates to a machine learning method and apparatus. More specifically, the present invention relates to a method and apparatus for performing a method capable of quickly constructing a high-performance machine learning model while minimizing human and time costs required for annotation.
  • Supervised learning is a machine learning method of constructing a target model 3 that performs a target task by learning a dataset 2 given label information (ie, correct answer information) as shown in FIG. 1. Therefore, in order to perform supervised learning on the dataset 1 to which no label information (indicated by a tag icon) is given, an annotation task must be performed.
  • Annotation refers to the task of tagging label information for each data to create a training dataset. Since annotation work is generally performed by humans, it is a significant human and time consuming task to generate a large set of training datasets. In particular, in the case of constructing a machine learning model for diagnosing the type or location of a lesion in a medical image, an annotation work has to be performed by a skilled specialist, which is much more expensive than other domains.
  • active learning is a technique that reduces the cost of an annotation task by selecting a dataset that is difficult to classify among all datasets and performing learning on the selected dataset.
  • active learning can be viewed as a technique that reduces annotation costs by performing annotation on only selected datasets.
  • FIG. 2 The process in which active learning is performed is illustrated in FIG. 2.
  • active learning randomly extracts a sample set 5 consisting of some data samples from a data set 4 to which label information is not given, and performs a first annotation operation (1), It starts in the process of performing the first learning (2) of the target model (6) for the set (5).
  • uncertainty sampling is performed on unlearned data samples, and a sample set 7 that is difficult to classify is selected (3).
  • the uncertainty sampling is performed using the target model 6, and as a measure of uncertainty, an entropy value based on a confidence score for each class of the target model 6 is mainly used.
  • the data samples that are difficult to classify refer to data samples in which the confidence score is evenly distributed for each class, such that the entropy value becomes a threshold or higher.
  • the annotation operation is performed only on the selected sample set 7 (4), and the second learning (5) of the target model 6 is performed with the sample set 8 obtained with label information.
  • the processes (3, 4, 5) are repeatedly performed until learning of the target model 6 is finished.
  • active learning is a learning technique that achieves a target performance without annotating an entire data sample by intensively learning only some data samples that are difficult to classify from a model point of view.
  • the above active learning technique has various problems.
  • the most fundamental problem is that the entropy value that is the basis of uncertainty sampling is calculated based on the target model's confidence score.
  • the accuracy of the entropy value is not high until the target model is sufficiently trained, data samples that are difficult to classify cannot be accurately selected.
  • the performance of the target model is gradually improved while active learning is performed, and the effect of reducing the annotation cost is also insignificant.
  • entropy is an index that can be applied only to classification tasks
  • the range of active learning is greatly limited. For example, active learning based on entropy values cannot be used to build machine learning models associated with regression tasks.
  • the technical problem to be solved through some embodiments of the present disclosure is to provide a machine learning method and an apparatus for performing the method, which can reduce human and time costs for annotation work.
  • Another technical problem to be solved through some embodiments of the present disclosure is to provide a method for accurately selecting a data sample effective for learning and an apparatus for performing the method.
  • Another technical problem to be solved by the present disclosure is to provide a method capable of expanding an application range of active learning by using a general purpose sampling index rather than entropy, and an apparatus for performing the method.
  • a machine learning method is a machine learning method performed on a computing device, wherein the first model includes a plurality of data samples to which label information is not given. Acquiring a dataset, calculating a miss-prediction probability of the first model with respect to the plurality of data samples, and at least one of the plurality of data samples based on the calculated misprediction probability Selecting a data sample to construct a first data sample set, obtaining first label information for the first data sample set, and using the first data sample set and the first label information to form the first model It may include performing a first learning for.
  • the first set of data samples may be composed of data samples in which the calculated false prediction probability is greater than or equal to a threshold.
  • calculating the false predicted probability of the first model includes: constructing a second model for calculating the false predicted probability of the first model based on the evaluation result of the first model, and And calculating a misprediction probability for each of the plurality of data samples using a second model.
  • constructing the second model includes: training the first model using a first data sample given correct answer label information, and evaluating the first model using the first data sample
  • the method may include tagging label information based on the evaluation result to the first data sample, and constructing the second model by learning the first data sample with the tagged label information.
  • the tagged label information may be a prediction error of the first data sample.
  • the step of tagging the label information in response to determining that the prediction result corresponds to a false positive (FP) or a false negative (FN), tagging a first value as a label of the first data sample And in response to a determination that the prediction result corresponds to a true positive (TP) or a true negative (TN), tagging a second value with a label of the first data sample.
  • FP false positive
  • FN false negative
  • tagging a first value as a label of the first data sample in response to a determination that the prediction result corresponds to a true positive (TP) or a true negative (TN)
  • TP true positive
  • TN true negative
  • the step of building the second model includes: training the first model using a first data sample given correct answer label information, and learning the second model using a second data sample given correct answer label information Evaluating the first model, tagging label information based on the evaluation result into the second data sample, and constructing the second model by learning the second data sample with the tagged label information. It can contain.
  • the method may further include performing a second learning on the model.
  • calculating a confidence score for each class of a first data sample included in the training data set through the first model, the first data sample based on the confidence score for each class may further include calculating an entropy value for and excluding the first data sample from the training dataset of the first model in response to determining that the entropy value is below a threshold.
  • the first data sample set is composed of data samples in which the calculated misprediction probability is greater than or equal to a first threshold
  • configuring the first data sample set comprises calculating the calculated data among the plurality of data samples.
  • the method may include selecting at least one data sample having a false prediction probability less than a second threshold and configuring a second data sample set and excluding the second data sample set from the training dataset of the first model. .
  • the step of performing the first learning may include at least partially assigning different sample weights to each data sample constituting the first data sample set and the first weights based on the sample weights. And learning a set of data samples, wherein the sample weight value may be determined based on a misprediction probability of each data sample.
  • the step of performing the first learning further comprises generating a second data sample set from the first data sample set by applying a data augmentation technique, and further adding the second data sample set. And learning and updating the first model.
  • selecting at least one data sample among data samples not used for the first training to configure a second data sample set Obtaining second label information for the second data sample set and performing second learning for the first trained first model using the second data sample set and the second label information. It may further include.
  • a machine learning apparatus for solving the above-described technical problem may include a memory including one or more instructions and a plurality of labels that are not given by executing the one or more instructions. Acquiring a training dataset of a first model including a data sample, calculating a miss-prediction probability of the first model for the plurality of data samples, and based on the calculated misprediction probability Selecting at least one data sample from a plurality of data samples to configure a first data sample set, obtaining first label information for the first data sample set, and obtaining the first data sample set and the first label information. It may include a processor for performing a first learning for the first model using.
  • a computer program for solving the above technical problem is coupled to a computing device to obtain a training dataset of a first model including a plurality of data samples to which label information is not given. Step, calculating a miss-prediction probability of the first model with respect to the plurality of data samples, and selecting at least one data sample among the plurality of data samples based on the calculated misprediction probability Constructing a first data sample set, obtaining first label information for the first data sample set, and first learning about the first model using the first data sample set and the first label information It may be stored in a computer-readable recording medium to perform the steps of performing.
  • a machine learning method for solving the above technical problem is a machine learning method performed on a computing device, and includes a learning data set including a plurality of data samples to which label information is not given. Acquiring, acquiring first label information for a first set of data samples included in the training data set, learning the first set of data samples with the first label information, and building a first model; Calculating a miss-prediction of the first model with respect to data samples excluding the first data sample set from the training data set, based on the misprediction probability, at least one of the remaining data samples Selecting a data sample and constructing a second data sample set, a second for the second data sample set
  • the method may include acquiring label information and learning a second model in an initialization state with the second data sample set and the second label information.
  • a machine learning apparatus for solving the above-described technical problem, a memory including one or more instructions and one or more instructions, by executing the one or more instructions, a plurality of labels are not given Acquiring a training dataset including a data sample of, obtaining first label information for a first data sample set included in the training dataset, and learning the first data sample set as the first label information Construct a first model, calculate a miss-prediction of the first model for the remaining data samples excluding the first data sample set from the training data set, and calculate the miss-prediction of the first model based on the false prediction probability. At least one data sample is selected from the remaining data samples to form a second data sample set, And a processor that acquires second label information for the second data sample set, and trains a second model in an initialized state with the second data sample set and the second label information.
  • a computer program for solving the above-described technical problem is combined with a computing device to obtain a learning dataset including a plurality of data samples to which label information is not provided, wherein Obtaining first label information for a first set of data samples included in a training data set, and learning the first set of data samples with the first label information to build a first model, wherein the learning data set includes Calculating miss-prediction of the first model with respect to the remaining data samples excluding the first set of data samples, and selecting at least one data sample from the remaining data samples based on the false prediction probability Configuring a second data sample set, obtaining second label information for the second data sample set And wherein the step may be stored in a computer-readable recording medium so as to execute the step of learning a second model of the initialized state to the second label information set and the second data sample.
  • a data sample to be annotated is selected based on a false prediction probability of a target model. That is, data samples are not selected based on uncertainty, but data samples that are likely to have a wrong target model are selected. Unlike the uncertainty, the misprediction probability is not a value dependent on the confidence score of the target model, so that a data sample can be more accurately selected.
  • the learning effect can be improved by intensively learning the target model with a data sample in which the target model is wrong. That is, the performance of the target model can quickly reach the target performance. Accordingly, the cost of computing and time required for learning can be greatly reduced, and the cost of annotation can also be significantly reduced.
  • 1 is an exemplary diagram for explaining a relationship between supervised learning and annotation work.
  • FIG. 2 is an exemplary diagram for explaining a conventional active learning technique.
  • 3 and 4 are diagrams for schematically explaining operations and inputs and outputs of a machine learning apparatus according to some embodiments of the present disclosure.
  • 5 and 6 are exemplary block diagrams illustrating a machine learning apparatus according to some embodiments of the present disclosure.
  • FIG. 7 is an exemplary diagram for describing a learning operation of a machine learning apparatus according to some embodiments of the present disclosure.
  • FIG. 8 is an exemplary flow diagram illustrating a machine learning method in accordance with some embodiments of the present disclosure.
  • 9 and 10 are diagrams for explaining a method for constructing a model for calculating a false prediction probability according to a first embodiment of the present disclosure.
  • FIG. 11 is a view for explaining a method for constructing a model for calculating a false prediction probability according to a second embodiment of the present disclosure.
  • FIG. 12 is an exemplary diagram for describing a method for selecting (sampling) a data sample based on a misprediction probability according to some embodiments of the present disclosure.
  • FIG. 13 is an exemplary diagram illustrating a machine learning method according to some embodiments of the present disclosure.
  • FIG. 14 is an exemplary diagram for explaining a method of improving a learning effect using a data expansion technique according to some embodiments of the present disclosure.
  • 15 is an exemplary diagram for explaining a method of improving a learning effect using sample weights according to some embodiments of the present disclosure.
  • 16 is a flowchart illustrating a machine learning method according to some other embodiments of the present disclosure.
  • 17 to 19 are diagrams for explaining a patch sampling method based on an entire slide image according to some application examples of the present disclosure.
  • 20 is an exemplary diagram illustrating a machine learning model according to some use cases of the present disclosure.
  • 21 is a diagram for explaining a machine learning method according to some application examples of the present disclosure.
  • 22 is an example hardware configuration diagram illustrating an example computing device capable of implementing an apparatus in accordance with various embodiments of the present disclosure.
  • first, second, A, B, (a), and (b) may be used. These terms are only for distinguishing the component from other components, and the nature, order, or order of the component is not limited by the term.
  • a target model is a model that performs a target task and is a target model to be built through machine learning.
  • label information means correct answer information of a data sample.
  • the label information can be generally obtained through annotation work.
  • annotation means an operation of tagging label information in a data sample.
  • the annotation may be used as a term meaning the label information itself, but in order to prevent confusion of terms, the specification is used in the meaning defined above.
  • the annotation may be used interchangeably with terms such as tagging and labeling in the art.
  • a miss-prediction probability means a probability (that is, a probability that prediction is wrong) or a probability that an error is included in the prediction result when a specific model for a given data sample performs prediction.
  • an instruction is a series of instructions grouped based on a function and refers to a component of a computer program and executed by a processor.
  • 3 and 4 are diagrams for schematically explaining operations and inputs and outputs of the machine learning apparatus 100 according to some embodiments of the present disclosure.
  • the machine learning apparatus 100 is a computing apparatus capable of performing a machine learning method according to various embodiments of the present disclosure.
  • the computing device may be a laptop, a desktop, a laptop, etc., but is not limited thereto, and may include all types of devices equipped with computing functions.
  • An example of the computing device will be referred to FIG. 22.
  • the machine learning apparatus 100 will be abbreviated as the learning apparatus 100.
  • the learning device 100 is implemented as one physical computing device in FIG. 3 as an example, the first function of the learning device 100 in the actual physical environment is implemented in the first computing device, and the second function is It may also be implemented in a second computing device. In addition, specific functions of the learning device 100 may be implemented to be performed through distributed / parallel processing in multiple computing devices (or processors).
  • the learning apparatus 100 may build a target model 13 that receives a data set 11 to which label information is not given, and performs machine learning on it.
  • the learning device 100 selects a data sample set (ie, a sub data set) corresponding to a part of the data set 11, obtains label information for the sub data set, and is based on the obtained label information To learn.
  • this learning process can be repeated until the target performance of the target model 13 is satisfied.
  • the terms "data sample set” and "sub data set” may be used interchangeably.
  • the learning device 100 requests an annotation device 15 to annotate the selected sub-dataset, and an annotation result (ie, a label) from the device 15 Information).
  • the annotation device 15 is a computing device used by an annotator, and may be a device equipped with an annotation tool. That is, the annotator may provide label information for the requested data sample set using the annotation tool.
  • the learning device 100 may select at least one data sample from the dataset 11 based on the false prediction probability of the target model 13.
  • data samples that are not based on the entropy value (ie, uncertainty) of the target model 13 and that the prediction of the target model 13 may be wrong may be selected as an annotation target.
  • the accuracy of data selection can be improved, and the learning speed of the target model 13 can be improved.
  • the annotation cost can be greatly reduced.
  • the learning device 100 and the annotation device 15 can communicate over a network.
  • the network is a wired / wireless network of any kind, such as a local area network (LAN), a wide area network (WAN), a mobile radio communication network, a Wibro (Wireless Broadband Internet), and the like. Can be implemented.
  • FIG. 5 and 6 are block diagrams illustrating a learning device 100 in accordance with some embodiments of the present disclosure.
  • FIG. 6 further shows the operation flow of the learning device 100.
  • the learning device 100 includes a data set acquisition unit 110, a selection unit 130, a label information acquisition unit 150, a learning unit 170, and a learning end determination unit 190 It may include. However, only components related to embodiments of the present disclosure are illustrated in FIGS. 5 and 6. Accordingly, a person skilled in the art to which the present disclosure belongs may recognize that other general-purpose components may be further included in addition to the components shown in FIGS. 5 and 6. In addition, each component of the learning apparatus 100 shown in FIGS. 5 and 6 shows functionally divided functional elements, and a plurality of components may be implemented in an integrated form in a physical environment. Be careful. Hereinafter, each component will be described.
  • the data set acquisition unit 110 acquires a data set 21 to be used for training the target model.
  • the learning data set 21 may be composed of a plurality of data samples to which label information is not given, but may be partially included in a data sample to which label information is given.
  • the sorting unit 130 selects a data sample to be annotated in the learning data set 21.
  • the sorting unit 130 may include a false prediction probability calculating unit 131 and a data selecting unit 133.
  • the misprediction probability calculating unit 131 calculates a misprediction probability for each of a plurality of data samples included in the learning data set 21.
  • the plurality of data samples may be all or part (e.g. unlearned data samples) included in the learning data set 21.
  • the false prediction probability calculation unit 131 may use a predetermined machine learning model. In order to exclude duplicate description, the description of the machine learning model will be described later with reference to the drawings of FIG. 8 and below.
  • the data selector 133 selects at least one data sample based on the false prediction probability. Specifically, the data sorting unit 133 selects a data sample (that is, a data sample having a high probability that the target model is incorrect) among the plurality of data samples having a false prediction probability of a threshold or higher.
  • the selected data sample may constitute the sub data set 23.
  • the number of the selected data samples may be a preset fixed value or a fluctuating value that varies depending on the situation.
  • the number may be a fluctuating value that changes based on a difference between a target model's current performance and a target performance, the number of untrained data samples, and an annotation cost.
  • the number of the selected data samples may fluctuate to a smaller value as the difference between the current performance and the target performance of the target model becomes smaller.
  • the number of the selected data samples may fluctuate to a smaller value as the number of unlearned data samples decreases or the annotation cost increases.
  • the label information acquisition unit 150 acquires the label information 25 of the sub data set 23 selected as a result of the annotation operation.
  • the label information acquiring unit 150 may acquire label information 25 for the sub dataset 23 from the annotation device 15.
  • the learning unit 170 performs learning on the target model by learning the sub data set 23 selected by the selecting unit 130 with the obtained label information 25.
  • the learning unit 170 may perform learning by updating the weight of the target model through error back propagation, but the technical scope of the present disclosure is not limited thereto. .
  • the learning end determination unit 190 determines whether to end the learning of the target model based on the designated learning end condition.
  • the learning end condition may be modified in any number depending on the embodiment. For example, when the performance of the target model reaches the target performance, the learning end condition may be set based on the number of learning iterations, but the technical scope of the present disclosure is not limited thereto.
  • the learning end determination unit 190 may end learning in response to a determination that the specified learning end condition is satisfied. In the opposite case, learning can continue. If learning continues, the selection unit 130, the label information acquisition unit 150, and the learning unit 170 may perform the above-described process again. An example of a process in which learning is repeated is illustrated in FIG. 7.
  • a first annotation operation and first learning on the first sub dataset 32 selected in the learning dataset 31 may be performed.
  • a model for calculating a false prediction probability through learning may be constructed and updated. The description of the misprediction probability calculation model will be described later with reference to FIGS. 8 to 11.
  • a second annotation operation and second learning on the second sub data set 35 selected from the untrained sub data set 33 may be performed.
  • data samples for the second annotation may be selected from the entire data set 31 rather than the untrained sub data set 33.
  • the misprediction probability calculation model may be updated through learning in the secondary learning process. Through this, in the secondary learning process, data samples that may have a wrong target model can be more accurately selected.
  • the first sub-dataset 32 selected in the primary learning process is learned based on the first weight
  • the second sub-dataset 35 selected in the secondary learning process is assigned to the second weight Can be learned on the basis.
  • the second weight may be set to a value greater than the first weight.
  • learning based on the weight means that the stronger or weaker intensity is learned according to the weight value.
  • learning the target model with stronger intensity has a greater influence on the weight adjustment of the target model, which can be implemented in any way.
  • the learning intensity may be increased by increasing the prediction error, but the technical scope of the present disclosure is not limited thereto.
  • the second sub dataset 35 is a data sample in which the first trained target model is likely to be wrong, it may be a more important data sample (ie, samples that are more effective for learning) than the first sub dataset 32. Therefore, according to the present embodiment, the learning effect of the target model can be further improved, and the performance of the target model can quickly reach the target performance. Of course, annotation costs can be further reduced.
  • FIGS. 5 and 6 are essential components of the learning apparatus 100. That is, the learning apparatus 100 according to some other embodiments of the present disclosure may be implemented by some of the components illustrated in FIGS. 5 and 6.
  • Each component in FIGS. 5 and 6 may mean software or hardware such as a field programmable gate array (FPGA) or an application-specific integrated circuit (ASIC).
  • FPGA field programmable gate array
  • ASIC application-specific integrated circuit
  • the above components are not limited to software or hardware, and may be configured to be in an addressable storage medium, or may be configured to execute one or more processors.
  • the functions provided in the above components may be implemented by more detailed components, or may be implemented as a single component that performs a specific function by combining a plurality of components.
  • Each step of the machine learning method may be performed by a computing device.
  • each step of the machine learning method may be implemented with one or more instructions executed by a processor of a computing device. All of the steps included in the machine learning method may be executed by one physical computing device, but the first steps of the method are performed by the first computing device, and the second steps of the method are performed by the second computing device. It may be performed by.
  • each step of the machine learning method is performed by the learning apparatus 100 to continue the description. However, for convenience of description, description of the operation subject of each step included in the machine learning method may be omitted.
  • FIG. 8 is an exemplary flow diagram illustrating a machine learning method in accordance with some embodiments of the present disclosure. However, this is only a preferred embodiment for achieving the object of the present disclosure, and of course, some steps may be added or deleted as necessary.
  • the machine learning method starts at step S10 of obtaining a training dataset of a target model.
  • the training data set includes a plurality of data samples to which label information is not given.
  • step S20 the learning device 100 builds or updates a model for calculating a false prediction probability of the target model.
  • the method of constructing the misprediction probability calculation model (hereinafter abbreviated as “calculation model”) may vary according to embodiments. Hereinafter, some embodiments for constructing the calculation model will be described with reference to FIGS. 9 to 11.
  • FIG. 9 is an exemplary flowchart illustrating a method for constructing a model for calculating a false prediction probability according to a first embodiment of the present disclosure.
  • the first embodiment starts at step S110 of selecting a data sample set corresponding to a part of the training data set.
  • the learning apparatus 100 acquires label information for the selected data sample set, and trains a target model using the acquired label information.
  • step S140 the learning apparatus 100 evaluates the target model using the selected data sample set again.
  • the learning apparatus 100 may evaluate a target model by inputting a first data sample to a target model to obtain a prediction result, and comparing the prediction result with label information of the first data sample.
  • step S150 the learning apparatus 100 constructs a model for calculating a false prediction probability using the evaluation result. More specifically, the learning apparatus 100 may tag the evaluation result with label information of a corresponding data sample, and learn the data sample with the label information to construct the calculation model. In order to provide a more convenient understanding, this step S150 will be described in detail with reference to FIG. 10.
  • FIG. 10 shows a confusion matrix.
  • the evaluation result may correspond to a specific cell in the confusion matrix.
  • a first value eg 1 is tagged as a label value (43) in the data sample (41) whose evaluation result is false positive (FP) or false negative (FN), and the evaluation result is TP.
  • a second value eg 0 may be tagged as the label value 44 in the data sample 43 that is (true positive) or TN (true negative). That is, if the prediction of the target model matches the correct answer, "1" is tagged, and if there is a mismatch, "0" may be tagged.
  • the calculation model When the above data samples 41 and 43 and label information are learned, the calculation model outputs a high confidence score when data similar to the data that the target model accurately predicted is input. Also, in the opposite case, the calculation model outputs a low confidence score. Therefore, the calculation model can accurately calculate the probability of incorrect prediction of the target model for the input data.
  • FIG. 10 shows only some examples of tagging label information.
  • the learning apparatus 100 may tag the prediction error of the data sample as label information.
  • the prediction error means a difference between a predicted value (ie, confidence score) and an actual value (ie, correct answer information).
  • the learning apparatus 100 tags a first value (eg 0) when a prediction error of a data sample is greater than or equal to a threshold value, and when the prediction error is less than the threshold value
  • the second value (eg 1) may be tagged as label information.
  • FIG. 11 is an exemplary flowchart illustrating a method for constructing a misprediction probability calculation model according to a second embodiment of the present disclosure.
  • the overall process of the second embodiment is similar to the first embodiment shown in FIG.
  • the selected data sample set is divided into a first sample set and a second sample set, and then a target model is trained with the first sample set, and the target model is evaluated with the second sample set.
  • a difference in that it is (see S230 to S250).
  • the evaluation was performed with the learned sample set, but in the second embodiment, there is a difference in that the target model is more accurately evaluated by classifying the learning and evaluation sample sets.
  • the learning device 100 may repeatedly perform learning and evaluation using a k-fold cross validation technique. At this time, the evaluation result may be used as learning data of the calculation model.
  • the cross-validation will be a technique obvious to those skilled in the art, and a description thereof will be omitted. According to this embodiment, as more evaluation data is secured, a more accurate calculation model can be built.
  • the learning apparatus 100 may generate a similar sample set from a sample set for evaluation using a data augmentation technique, and further learn the generated sample set to build an output model.
  • a data augmentation technique may also be applied to a sample for learning or a sample set for evaluation of the first embodiment described above.
  • the data expansion technique will be a technique obvious to those skilled in the art, and a description thereof will be omitted.
  • step S30 the learning apparatus 100 calculates a false prediction probability for each data sample included in the training data set using the calculation model. For example, as illustrated in FIG. 12, the learning device 100 inputs each data sample 52 to 54 into the calculation model 51 to obtain the confidence scores 55 to 57 of the calculation model, and the confidence score The false prediction probability may be calculated based on (55 to 57).
  • the calculation model 51 when the calculation model 51 is trained to output a confidence score for the correct and incorrect classes (eg, learning with label 1 if it matches the correct answer, and label 0 when there is a mismatch) If learned), the probability of incorrect prediction of the confidence score of the incorrect class (shown as underlined) may be used.
  • the learning apparatus 100 selects at least one data sample from the training data set based on the probability of a misprediction. For example, the learning apparatus 100 may select a data sample having a probability of a false prediction higher than a threshold or a data sample of k with a high probability of a false prediction (where k is a natural number of 1 or more).
  • step S50 the learning apparatus 100 acquires label information for the selected data sample to train the target model. Since the selected data sample is a sample in which the prediction of the target model is highly likely to be incorrect, training the target model with the selected data samples can quickly improve the performance of the target model.
  • step S60 the learning apparatus 100 determines whether the learning end condition is satisfied. In response to the determination that the learning end condition is satisfied, the learning apparatus 100 may end learning. Conversely, in response to the dissatisfaction determination, the learning apparatus 100 performs steps S20 to S50 described above again.
  • step S20 the learning apparatus 100 may re-evaluate the learned target model and update the calculation model by learning the evaluation result. By doing so, the probability of incorrect prediction can be accurately calculated as learning is repeated.
  • the learning apparatus 100 may select a data sample to be annotated from among untrained data samples, not the entire learning data set.
  • data samples to be annotated may be selected from the entire training dataset.
  • step S10 is performed by the data set acquisition unit 110
  • steps S20 and S30 are performed by the misprediction probability calculation unit 131
  • step S40 is the data selection unit (133).
  • step S50 may be performed by the label information acquisition unit 150 and the learning unit 170
  • step S60 may be performed by the learning end determination unit 190.
  • FIG. 13 shows an example in which a calculation model is constructed according to the method illustrated in FIG. 9.
  • an annotation is performed on the sub data set 62 corresponding to a part of the learning data set 61 of the target model (1), and the first learning and evaluation of the target model 63 are performed. Is performed (2, 3).
  • the evaluation result is tagged to each data sample 65 used in the evaluation to build the calculation model 66 (4).
  • a learning model 66 is constructed by learning the samples 65 tagged with the evaluation result (5), and a prediction incorrect answer (that is, the prediction is incorrect) based on the false prediction probability calculated by the calculation model 66 Likely samples)
  • the dataset 67 is selected (6).
  • first datasets in which label information is secured during the primary learning process may be reused (ie, re-learned) in the secondary learning process.
  • the first data sample set 67 selected through the calculation model 66 and the selected second data sample set (eg 62) regardless of the calculation model 66 may be trained with different weights.
  • the first data sample set 67 may be trained with a first weight
  • the second data sample set (e.g. 62) may be trained with a second weight.
  • the first weight may be set to a larger value than the second weight.
  • some data samples with poor learning effectiveness may be excluded from the training dataset 61.
  • a criterion for determining a data sample having a low learning effect may vary according to embodiments.
  • a data sample whose entropy value is below a threshold (ie, a data sample that the target model can reliably classify) may be excluded from the training data set 61. More specifically, a confidence score for each class for a first data sample is calculated by the target model 63 and an entropy value can be calculated based on the confidence score for each class. At this time, when the calculated entropy value is less than the threshold, the first data sample may be excluded from the training data set 61. By doing so, the cost of annotation can be further reduced.
  • a threshold ie, a data sample that the target model can reliably classify
  • data samples having a false prediction probability below a threshold may be excluded from the training data set 61. This is because it is not necessary to learn data samples that the target model can accurately classify.
  • the process of excluding unnecessary data samples from the learning dataset 1 may be performed at any time, such as when each learning process is completed, when a new learning process is started, periodically, or the like.
  • a machine learning method according to some embodiments of the present disclosure has been described with reference to FIGS. 8 to 13.
  • a data sample to be annotated is selected based on a false prediction probability of the target model. That is, data samples are not selected based on uncertainty, but data samples that are likely to have a wrong target model are selected. Unlike the uncertainty, the misprediction probability is not a value dependent on the confidence score of the target model, so that a data sample can be more accurately selected.
  • the learning effect can be improved by intensively learning the target model with a data sample in which the target model is wrong. That is, the performance of the target model can quickly reach the target performance. Accordingly, the cost of computing and time required for learning can be greatly reduced, and the cost of annotation can also be significantly reduced.
  • FIG. 14 is an exemplary diagram illustrating a machine learning method using a data expansion technique according to some embodiments of the present disclosure.
  • a data expansion technique may be applied to the sub dataset 75 selected from the training data set 71 through the calculation model 73. This is because the selected sub dataset 75 is composed of data samples that are very effective for learning the target model.
  • the learning device 100 may expand the sub dataset 75 to generate similar datasets 77 and 79 and further train the target model with the similar datasets 77 and 79. By doing so, the performance of the target model can be quickly improved, and the annotation cost can be reduced.
  • the data expansion may be performed in an image cropping, rotating, flipping, resizing, color jittering, or the like.
  • the technical scope of the present disclosure is not limited thereto.
  • sub dataset 75 may be trained with a first weight
  • similar datasets 77 and 79 may be trained with a second weight.
  • the first weight may be set to a value higher than the second weight. That is, the original dataset 75 can be learned more strongly, and the similar datasets 77 and 79 can be learned weaker.
  • 15 is an exemplary diagram illustrating a machine learning method based on sample weight according to some embodiments of the present disclosure.
  • differential sample weights may be set for each data sample 84 to 86 of the sub data set 83 selected from the training data set 81 through the calculation model 82.
  • learning may be performed on the target model 87 based on the sample weight.
  • the thickness of the arrow indicates the learning intensity.
  • the sample weight value may be determined based on a false prediction probability. For example, a higher sample weight may be assigned to a data sample having a high probability of misprediction. By doing so, a data sample in which the target model is likely to be wrong can be trained more strongly, and the learning effect can be improved. Of course, learning time and annotation costs can be reduced.
  • 16 is an exemplary diagram for describing a machine learning method according to some other embodiments of the present disclosure.
  • the overall process of the machine learning method according to the present embodiment is similar to that described with reference to FIG. However, in this embodiment, there is a difference in that the target model 96 is newly constructed using the sub dataset 94 and label information 95 selected by the calculation model 93.
  • the weight of the target model 63 is first adjusted through the first learning (2), and the weight of the target model 63 through the second learning (8). was adjusted. Therefore, the weight of the target model is greatly adjusted by the first learning (2), thereby minimizing the influence of the second learning (8) on the selected sub dataset (eg, the second learning depends on the fine-tuning degree). Performance), the performance of the target model may degrade.
  • the target model 96 in the initialized state is trained with the selected sub dataset 94 (8).
  • the selected sub data set 94 is learned more strongly. By doing so, a better target model can be built.
  • 17 to 19 show an example of generating a learning dataset from a high resolution whole slide image photographing tissue.
  • the training dataset 205 may be generated through patch sampling.
  • the size of the patch may vary depending on the target model. Further, each patch may be sampled in a form overlapping each other.
  • the target model is a model that analyzes cell-level images and classifies mitosis and normal cells (eg, a CNN-based classification model)
  • the target model is a model that analyzes cell-level images and classifies mitosis and normal cells (eg, a CNN-based classification model)
  • a CNN-based classification model e.g., a CNN-based classification model
  • Large patches of small size can be sampled (eg see FIG. 18). Therefore, a large amount of training datasets to which label information is not given can be generated.
  • the process of generating a training dataset through patch sampling may be automatically performed through image analysis or processing technology, but annotation work on the training dataset must be manually performed by a specialist. Therefore, a significant annotation cost is inevitably consumed.
  • it in order to build a target model, it may be utilized in a machine learning method according to various embodiments of the present disclosure described above.
  • FIG. 21 An example in which the machine learning method is utilized is illustrated in FIG. 21.
  • the specialist 22 may act as an annotator for the learning dataset 221.
  • the overall learning process is the same as described above.
  • an annotation is performed on the sub data set extracted from the training data set 221 (1), and learning and evaluation of the riding model 223 is performed using label information obtained as an annotation result (2). , 3).
  • the calculation model 224 is constructed (4, 5), and the predicted incorrect answer set 225 is selected using the false prediction probability calculated by the calculation model 224 (6).
  • an annotation for the predicted incorrect answer set 225 is performed by the annotator 222 (7), and the target model 223 may be updated by learning the annotation result (8).
  • the above-described process is repeatedly performed until the target model 223 satisfies the learning end condition.
  • the learning end condition can be quickly satisfied through weighted learning based on weight, data expansion technique, and selective learning based on false prediction probability. Accordingly, intervention of the annotator 222 may be minimized while learning is performed, and computation / time costs, annotation costs, and the like required for learning may be greatly reduced.
  • FIGS. 17 to 21 So far, with reference to FIGS. 17 to 21, an example in which the technical idea of the present disclosure is utilized in a medical domain has been briefly described.
  • a computing device 300 capable of implementing a device (e.g. learning device 100) according to various embodiments of the present disclosure will be described.
  • 22 is an example hardware configuration diagram illustrating an example computing device 300 capable of implementing an apparatus in accordance with various embodiments of the present disclosure.
  • the computing device 300 may include a memory (for loading) a computer program performed by one or more processors 310, a bus 350, a communication interface 370, and a processor 310. 330) and a storage 390 for storing the computer program 391.
  • a memory for loading
  • a computer program performed by one or more processors 310, a bus 350, a communication interface 370, and a processor 310. 330
  • a storage 390 for storing the computer program 391.
  • FIG. 22 only components related to the exemplary embodiment of the present disclosure are illustrated in FIG. 22. Therefore, a person skilled in the art to which the present disclosure belongs may recognize that other general-purpose components may be further included in addition to the components illustrated in FIG. 22.
  • the processor 310 controls the overall operation of each component of the computing device 300.
  • the processor 310 includes a CPU (Central Processing Unit), a Micro Processor Unit (MPU), a Micro Controller Unit (MCU), a Graphic Processing Unit (GPU), or any type of processor well known in the art of the present disclosure. Can be. Also, the processor 310 may perform an operation on at least one application or program for executing the method according to embodiments of the present disclosure.
  • Computing device 300 may include one or more processors.
  • the memory 330 stores various data, commands and / or information.
  • the memory 330 may load one or more programs 391 from the storage 390 to execute a method / operation according to various embodiments of the present disclosure. For example, when a computer program 391 performing a machine learning method according to some embodiments of the present disclosure is loaded in the memory 330, a module may be implemented on the memory 330 as illustrated in FIG. 5. .
  • the memory 330 may be implemented as a volatile memory such as RAM, but the technical scope of the present disclosure is not limited thereto.
  • the bus 350 provides a communication function between components of the computing device 300.
  • the bus 350 may be implemented as various types of buses such as an address bus, a data bus, and a control bus.
  • the communication interface 370 supports wired and wireless Internet communication of the computing device 300. Also, the communication interface 370 may support various communication methods other than Internet communication. To this end, the communication interface 370 may include a communication module well known in the technical field of the present disclosure.
  • the storage 390 may store the one or more programs 391 non-temporarily.
  • the storage 390 is well-known in the field of non-volatile memory, such as a read only memory (ROM), an erasable programmable ROM (EPROM), an electrically erasable programmable ROM (EEPROM), a flash memory, a hard disk, a removable disk, or a technical field to which the present disclosure pertains. And any known form of computer-readable recording media.
  • Computer program 391 may include one or more instructions that, when loaded into memory 330, cause processor 310 to perform a method in accordance with various embodiments of the present disclosure. That is, the processor 310 may execute methods according to various embodiments of the present disclosure by executing the one or more instructions.
  • the computer program 391 acquires a training dataset of a first model including a plurality of data samples to which no label information is given, and a probability of incorrect prediction of the first model for the plurality of data samples Calculating an operation, selecting at least one data sample among the plurality of data samples based on the calculated false prediction probability, and configuring a first data sample set, and first label information for the first data sample set It may include one or more instructions to perform the operation of performing the first learning on the first model using the first data sample set and the first label information and the operation of acquiring.
  • the learning device 100 may be implemented through the computing device 300.
  • the computer program 391 acquires a training data set including a plurality of data samples to which no label information is given, first label information for the first data sample set included in the training data set Acquiring and learning the first set of data samples with the first label information to build a first model, and for the remaining data samples excluding the first set of data samples in the learning data set, Calculating an incorrect prediction probability, selecting at least one data sample from the remaining data samples based on the incorrect prediction probability, and configuring a second data sample set, and second label information for the second data sample set Learning a second model in an initialization state with the operation of acquiring and the second data sample set and the second label information It may include one or more instructions to perform the operation.
  • the learning device 100 may be implemented through the computing device 300.
  • the technical idea of the present disclosure described so far with reference to FIGS. 1 to 22 may be embodied as computer readable codes on a computer readable medium.
  • the computer-readable recording medium may be, for example, a removable recording medium (CD, DVD, Blu-ray Disc, USB storage device, removable hard disk), or a fixed recording medium (ROM, RAM, computer-equipped hard disk). Can be.
  • the computer program recorded on the computer-readable recording medium may be transmitted to another computing device through a network such as the Internet and installed on the other computing device, and thus used on the other computing device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Machine Translation (AREA)

Abstract

어노테이션 비용을 줄이고 타깃 모델의 성능을 개선할 수 있는 기계 학습 방법이 제공된다. 컴퓨팅 장치에 수행되는 본 개시의 몇몇 실시예들에 따른 기계 학습 방법은, 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 제1 모델의 학습 데이터셋을 획득하는 단계, 상기 복수의 데이터 샘플에 대하여 상기 제1 모델의 오예측(miss-prediction) 확률을 산출하는 단계, 상기 산출된 오예측 확률을 기초로 상기 복수의 데이터 샘플 중 적어도 하나의 데이터 샘플을 선별하여 제1 데이터 샘플 집합을 구성하는 단계, 상기 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하는 단계 및 상기 제1 데이터 샘플 집합과 상기 제1 레이블 정보를 이용하여 상기 제1 모델에 대한 제1 학습을 수행하는 단계를 포함할 수 있다.

Description

기계 학습 방법 및 장치
본 개시는 기계 학습 방법 및 장치에 관한 것이다. 보다 자세하게는, 어노테이션(annotation) 작업에 소요되는 인적 비용 및 시간 비용을 최소화함과 동시에 빠르게 고성능의 기계 학습 모델을 구축할 수 있는 방법 및 그 방법을 수행하는 장치에 관한 것이다.
지도 학습(supervised learning)이란 도 1에 도시된 바와 같이 레이블 정보(즉, 정답 정보)가 주어진 데이터셋(2)을 학습하여 목적 태스크를 수행하는 타깃 모델(3)을 구축하는 기계 학습 방법이다. 따라서, 레이블 정보(태그 아이콘으로 표시됨)가 주어지지 않은 데이터셋(1)에 대해 지도 학습을 수행하기 위해서는, 어노테이션(annotation) 작업이 필수적으로 선행되어야 한다.
어노테이션은 학습 데이터셋을 생성하기 위해 데이터 별로 레이블 정보를 태깅하는 작업을 의미한다. 어노테이션 작업은 일반적으로 사람에 의해 수행되기 때문에, 대량의 학습 데이터셋을 생성하기 위해서는 상당한 인적 비용과 시간 비용이 소모된다. 특히, 의료 이미지에서 병변의 종류 또는 위치 등을 진단하는 기계 학습 모델을 구축하는 경우라면, 숙련된 전문의에 의해 어노테이션 작업이 수행되어야 하기 때문에, 다른 도메인에 비해 훨씬 더 많은 비용이 소모된다.
기계 학습 분야에서 어노테이션 작업에 소요되는 비용을 줄이고, 소량의 학습 데이터셋으로 고성능의 모델을 구축하기 위해 다양한 연구가 수행된 바 있다. 가령, 전이 학습(transfer learning), 약한 지도 학습(weakly supervised learning), 액티브 러닝(active learning) 등의 기계 학습 기법들이 모두 그 연구의 일환으로 볼 수 있다.
이중에서, 액티브 러닝(active learning)은 전체 데이터셋 중에서 분류하기 어려운 데이터셋을 선별하고, 선별된 데이터셋에 대해 학습을 수행함으로써 어노테이션 작업에 소요되는 비용을 줄이는 기법이다. 즉, 액티브 러닝은 선별된 데이터셋에 대해서만 어노테이션 작업을 수행함으로써 어노테이션 비용을 줄이는 기법으로 볼 수 있다.
액티브 러닝이 수행되는 과정은 도 2에 도시되어 있다. 도 2에 도시된 바와 같이, 액티브 러닝은 레이블 정보가 주어지지 않은 데이터셋(4)에서 일부 데이터 샘플로 구성된 샘플 집합(5)을 무작위로 추출하여 제1 어노테이션 작업(①)을 수행하고, 샘플 집합(5)에 대해 타깃 모델(6)의 제1 학습(②)을 수행하는 과정에서 시작된다. 다음으로, 데이터셋(4) 중에 미학습 데이터 샘플에 대해 불확실성 샘플링(uncertainty sampling)을 수행하여 분류하기 어려운 샘플 집합(7)이 선별된다(③). 불확실성 샘플링은 타깃 모델(6)을 이용하여 수행되는데, 불확실성의 척도로는 타깃 모델(6)의 클래스별 컨피던스 스코어(confidence score)에 기반한 엔트로피(entropy) 값이 주로 이용된다. 여기서, 분류하기 어려운 데이터 샘플은 컨피던스 스코어가 클래스별로 고르게 분포하여 엔트로피 값이 임계치 이상이 되는 데이터 샘플들을 의미한다. 또한, 선별된 샘플 집합(7)에 대해서만 어노테이션 작업이 수행되고(④), 레이블 정보가 획득된 샘플 집합(8)으로 타깃 모델(6)에 대한 제2 학습(⑤)이 수행된다. 또한, 과정(③, ④, ⑤)은 타깃 모델(6)의 학습이 종료될 때까지 반복 수행된다.
위와 같이, 액티브 러닝은 모델 관점에서 분류하기 어려운 일부 데이터 샘플만을 집중적으로 학습함으로써, 전체 데이터 샘플에 대한 어노테이션 작업 없이 목표 성능을 달성하는 학습 기법이다.
그러나, 위와 같은 액티브 러닝 기법은 다양한 문제점을 지니고 있다. 먼저, 가장 근본적인 문제점은 불확실성 샘플링의 기준이 되는 엔트로피 값이 타깃 모델의 컨피던스 스코어에 기반하여 산출된다는 점이다. 다시 말하면, 타깃 모델이 충분히 학습되기 전까지는 엔트로피 값의 정확도가 높지 않기 때문에, 분류에 어려운 데이터 샘플이 정확하게 선별될 수 없게 된다. 또한, 이로 인해 액티브 러닝이 수행되는 동안 타깃 모델의 성능이 더디게 향상되고, 어노테이션 비용 감소 효과도 미미해진다.
또 다른 문제점은, 엔트로피가 분류 태스크에만 적용될 수 있는 지표이기 때문에, 액티브 러닝의 적용 범위가 크게 제한된다는 것이다. 가령, 엔트로피 값에 기반한 액티브 러닝은 회귀(regression) 태스크와 연관된 기계 학습 모델을 구축하는 데에는 활용될 수 없다.
따라서, 액티브 러닝의 적용 범위를 확대하고, 학습에 효과적인 데이터 샘플을 정확하게 선별하여 어노테이션 비용 감소 효과를 극대화하기 위해서는, 새로운 방식의 액티브 러닝 기법이 요구된다.
본 개시의 몇몇 실시예들을 통해 해결하고자 하는 기술적 과제는, 어노테이션 작업에 소요되는 인적 비용 및 시간 비용을 절감할 수 있는 기계 학습 방법 및 그 방법을 수행하는 장치를 제공하는 것이다.
본 개시의 몇몇 실시예들을 통해 해결하고자 하는 다른 기술적 과제는, 학습에 효과적인 데이터 샘플을 정확하게 선별하는 방법 및 그 방법을 수행하는 장치를 제공하는 것이다.
본 개시가 해결하고자 하는 또 다른 기술적 과제는, 엔트로피보다 범용적인 샘플링 지표를 활용하여 액티브 러닝의 적용 범위를 확대할 수 있는 방법 및 그 방법을 수행하는 장치를 제공하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 기계 학습 방법은, 컴퓨팅 장치에서 수행되는 기계 학습 방법으로서, 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 제1 모델의 학습 데이터셋을 획득하는 단계, 상기 복수의 데이터 샘플에 대하여 상기 제1 모델의 오예측(miss-prediction) 확률을 산출하는 단계, 상기 산출된 오예측 확률을 기초로 상기 복수의 데이터 샘플 중 적어도 하나의 데이터 샘플을 선별하여 제1 데이터 샘플 집합을 구성하는 단계, 상기 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하는 단계 및 상기 제1 데이터 샘플 집합과 상기 제1 레이블 정보를 이용하여 상기 제1 모델에 대한 제1 학습을 수행하는 단계를 포함할 수 있다.
몇몇 실시예에서, 상기 제1 데이터 샘플 집합은 상기 산출된 오예측 확률이 임계치 이상인 데이터 샘플로 구성될 수 있다.
몇몇 실시예에서, 상기 제1 모델의 오예측 확률을 산출하는 단계는, 상기 제1 모델의 평가 결과에 기초하여 상기 제1 모델의 오예측 확률을 산출하기 위한 제2 모델을 구축하는 단계 및 상기 제2 모델을 이용하여 상기 복수의 데이터 샘플 각각에 대한 오예측 확률을 산출하는 단계를 포함할 수 있다.
몇몇 실시예에서, 상기 제2 모델을 구축하는 단계는, 정답 레이블 정보가 주어진 제1 데이터 샘플을 이용하여 상기 제1 모델을 학습시키는 단계, 상기 제1 데이터 샘플을 이용하여 상기 제1 모델을 평가하는 단계, 상기 평가 결과에 기초한 레이블 정보를 상기 제1 데이터 샘플에 태깅하는 단계 및 상기 제1 데이터 샘플을 상기 태깅된 레이블 정보로 학습하여 상기 제2 모델을 구축하는 단계를 포함할 수 있다.
몇몇 실시예에서, 상기 태깅된 레이블 정보는 상기 제1 데이터 샘플의 예측 오차일 수 있다.
몇몇 실시예에서, 상기 레이블 정보를 태깅하는 단계는, 상기 예측 결과가 FP(false positive) 또는 FN(false negative)에 해당한다는 판정에 응답하여, 제1 값을 상기 제1 데이터 샘플의 레이블로 태깅하는 단계 및 상기 예측 결과가 TP(true positive) 또는 TN(true negative)에 해당한다는 판정에 응답하여, 제2 값을 상기 제1 데이터 샘플의 레이블로 태깅하는 단계를 포함할 수 있다.
몇몇 실시예에서, 상기 제2 모델을 구축하는 단계는, 정답 레이블 정보가 주어진 제1 데이터 샘플을 이용하여 상기 제1 모델을 학습시키는 단계, 정답 레이블 정보가 주어진 제2 데이터 샘플을 이용하여 상기 학습된 제1 모델을 평가하는 단계, 상기 평가 결과에 기초한 레이블 정보를 상기 제2 데이터 샘플에 태깅하는 단계 및 상기 제2 데이터 샘플을 상기 태깅된 레이블 정보로 학습하여 상기 제2 모델을 구축하는 단계를 포함할 수 있다.
몇몇 실시예에서, 상기 제1 학습된 제1 모델의 평가 결과를 이용하여 상기 제2 모델을 갱신하는 단계, 상기 갱신된 제2 모델을 이용하여 미학습 데이터 샘플 중에서 적어도 하나의 데이터 샘플을 선별하여, 제2 데이터 샘플 집합을 구성하는 단계, 상기 제2 데이터 샘플 집합에 대한 제2 레이블 정보를 획득하는 단계 및 상기 제2 데이터 샘플 집합 및 상기 제2 레이블 정보를 이용하여 상기 제1 학습된 제1 모델에 대한 제2 학습을 수행하는 단계를 더 포함할 수 있다.
몇몇 실시예에서, 상기 제1 모델을 통해 상기 학습 데이터셋에 포함된 제1 데이터 샘플에 대한 클래스별 컨피던스 스코어(confidence score)를 산출하는 단계, 상기 클래스별 컨피던스 스코어를 기초로 상기 제1 데이터 샘플에 대한 엔트로피(entropy) 값을 연산하는 단계 및 상기 엔트로피 값이 임계치 미만이라는 판정에 응답하여, 상기 제1 데이터 샘플을 상기 제1 모델의 학습 데이터셋에서 제외하는 단계를 더 포함할 수 있다.
몇몇 실시예에서, 상기 제1 데이터 샘플 집합은 상기 산출된 오예측 확률이 제1 임계치 이상인 데이터 샘플로 구성되고, 상기 제1 데이터 샘플 집합을 구성하는 단계는, 상기 복수의 데이터 샘플 중에서 상기 산출된 오예측 확률이 제2 임계치 미만인 적어도 하나의 데이터 샘플은 선별하여 제2 데이터 샘플 집합을 구성하는 단계 및 상기 제2 데이터 샘플 집합을 상기 제1 모델의 학습 데이터셋에서 제외하는 단계를 포함할 수 있다.
몇몇 실시예에서, 상기 제1 학습을 수행하는 단계는, 상기 제1 데이터 샘플 집합을 구성하는 각각의 데이터 샘플에 적어도 일부는 서로 다른 샘플 가중치를 부여하는 단계 및 상기 샘플 가중치에 기초하여 상기 제1 데이터 샘플 집합을 학습하는 단계를 포함하되, 상기 샘플 가중치 값은 상기 각각의 데이터 샘플의 오예측 확률에 기초하여 결정될 수 있다.
몇몇 실시예에서, 상기 제1 학습을 수행하는 단계는, 데이터 확장(data augmentation) 기법을 적용하여 상기 제1 데이터 샘플 집합으로부터 제2 데이터 샘플 집합을 생성하는 단계 및 상기 제2 데이터 샘플 집합을 더 학습하여 상기 제1 모델을 갱신하는 단계를 포함할 수 있다.
몇몇 실시예에서, 상기 제1 학습된 제1 모델의 오예측 확률에 기초하여, 상기 제1 학습에 이용되지 않은 데이터 샘플 중 적어도 하나의 데이터 샘플을 선별하여 제2 데이터 샘플 집합을 구성하는 단계, 상기 제2 데이터 샘플 집합에 대한 제2 레이블 정보를 획득하는 단계 및 상기 제2 데이터 샘플 집합 및 상기 제2 레이블 정보를 이용하여 상기 제1 학습된 제1 모델에 대한 제2 학습을 수행하는 단계를 더 포함할 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 몇몇 실시예들에 따른 기계 학습 장치는, 하나 이상의 인스트럭션들(instructions)을 포함하는 메모리 및 상기 하나 이상의 인스트럭션들을 실행함으로써, 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 제1 모델의 학습 데이터셋을 획득하고, 상기 복수의 데이터 샘플에 대하여 상기 제1 모델의 오예측(miss-prediction) 확률을 산출하며, 상기 산출된 오예측 확률을 기초로 상기 복수의 데이터 샘플 중 적어도 하나의 데이터 샘플을 선별하여 제1 데이터 샘플 집합을 구성하고, 상기 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하며, 상기 제1 데이터 샘플 집합과 상기 제1 레이블 정보를 이용하여 상기 제1 모델에 대한 제1 학습을 수행하는 프로세서를 포함할 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 몇몇 실시예들에 따른 컴퓨터 프로그램은, 컴퓨팅 장치와 결합되어, 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 제1 모델의 학습 데이터셋을 획득하는 단계, 상기 복수의 데이터 샘플에 대하여 상기 제1 모델의 오예측(miss-prediction) 확률을 산출하는 단계, 상기 산출된 오예측 확률을 기초로 상기 복수의 데이터 샘플 중 적어도 하나의 데이터 샘플을 선별하여 제1 데이터 샘플 집합을 구성하는 단계, 상기 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하는 단계 및 상기 제1 데이터 샘플 집합과 상기 제1 레이블 정보를 이용하여 상기 제1 모델에 대한 제1 학습을 수행하는 단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장될 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 다른 몇몇 실시예들에 따른 기계 학습 방법은, 컴퓨팅 장치에서 수행되는 기계 학습 방법으로서, 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 학습 데이터셋을 획득하는 단계, 상기 학습 데이터셋에 포함된 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하고, 상기 제1 데이터 샘플 집합을 상기 제1 레이블 정보로 학습하여 제1 모델을 구축하는 단계, 상기 학습 데이터셋에서 상기 제1 데이터 샘플 집합을 제외한 나머지 데이터 샘플에 대하여 상기 제1 모델의 오예측 확률(miss-prediction)을 산출하는 단계, 상기 오예측 확률에 기초하여 상기 나머지 데이터 샘플 중에서 적어도 하나의 데이터 샘플을 선별하여 제2 데이터 샘플 집합을 구성하는 단계, 상기 제2 데이터 샘플 집합에 대한 제2 레이블 정보를 획득하는 단계 및 상기 제2 데이터 샘플 집합과 상기 제2 레이블 정보로 초기화 상태의 제2 모델을 학습하는 단계를 포함할 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 다른 몇몇 실시예들에 따른 기계 학습 장치는, 하나 이상의 인스트럭션들(instructions)을 포함하는 메모리 및 상기 하나 이상의 인스트럭션들을 실행함으로써, 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 학습 데이터셋을 획득하고, 상기 학습 데이터셋에 포함된 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하고, 상기 제1 데이터 샘플 집합을 상기 제1 레이블 정보로 학습하여 제1 모델을 구축하며, 상기 학습 데이터셋에서 상기 제1 데이터 샘플 집합을 제외한 나머지 데이터 샘플에 대하여 상기 제1 모델의 오예측 확률(miss-prediction)을 산출하고, 상기 오예측 확률에 기초하여 상기 나머지 데이터 샘플 중에서 적어도 하나의 데이터 샘플을 선별하여 제2 데이터 샘플 집합을 구성하며, 상기 제2 데이터 샘플 집합에 대한 제2 레이블 정보를 획득하고, 상기 제2 데이터 샘플 집합과 상기 제2 레이블 정보로 초기화 상태의 제2 모델을 학습하는 프로세서를 포함할 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 다른 몇몇 실시예들에 따른 컴퓨터 프로그램은, 컴퓨팅 장치와 결합되어, 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 학습 데이터셋을 획득하는 단계, 상기 학습 데이터셋에 포함된 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하고, 상기 제1 데이터 샘플 집합을 상기 제1 레이블 정보로 학습하여 제1 모델을 구축하는 단계, 상기 학습 데이터셋에서 상기 제1 데이터 샘플 집합을 제외한 나머지 데이터 샘플에 대하여 상기 제1 모델의 오예측 확률(miss-prediction)을 산출하는 단계, 상기 오예측 확률에 기초하여 상기 나머지 데이터 샘플 중에서 적어도 하나의 데이터 샘플을 선별하여 제2 데이터 샘플 집합을 구성하는 단계, 상기 제2 데이터 샘플 집합에 대한 제2 레이블 정보를 획득하는 단계 및 상기 제2 데이터 샘플 집합과 상기 제2 레이블 정보로 초기화 상태의 제2 모델을 학습하는 단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장될 수 있다.
상술한 본 개시의 다양한 실시예들에 따르면, 타깃 모델의 오예측 확률에 기반하여 어노테이션이 수행될 데이터 샘플이 선별된다. 즉, 불확실성에 기반하여 데이터 샘플이 선별되는 것이 아니라, 타깃 모델이 틀릴 것 같은 데이터 샘플이 선별된다. 상기 오예측 확률은 불확실성과는 달리 타깃 모델의 컨피던스 스코어에 의존한 값이 아니기 때문에, 보다 정확하게 데이터 샘플이 선별될 수 있다.
또한, 타깃 모델이 틀릴 것 같은 데이터 샘플로 상기 타깃 모델을 집중적으로 학습시킴으로써, 학습 효과가 향상될 수 있다. 즉, 타깃 모델의 성능이 빠르게 목표 성능에 도달할 수 있게 된다. 이에 따라, 학습에 소요되는 컴퓨팅 비용 및 시간 비용이 크게 절감될 수 있으며, 어노테이션에 소요되는 비용 또한 크게 절감될 수 있다.
또한, 엔트로피 값에 의존하지 않고, 타깃 모델의 오예측 확률에 기반하여 액티브 러닝이 수행되는 바, 액티브 러닝의 적용 범위가 크게 확대될 수 있다.
본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 지도 학습과 어노테이션 작업 간의 관계를 설명하기 위한 예시도이다.
도 2는 종래의 액티브 러닝 기법을 설명하기 위한 예시도이다.
도 3 및 도 4는 본 개시의 몇몇 실시예들에 따른 기계 학습 장치의 동작과 입출력을 개략적으로 설명하기 위한 도면이다.
도 5 및 도 6은 본 개시의 몇몇 실시예들에 따른 기계 학습 장치를 나타내는 예시적인 블록도이다.
도 7은 본 개시의 몇몇 실시예들에 따른 기계 학습 장치의 학습 동작을 설명하기 위한 예시도이다.
도 8은 본 개시의 몇몇 실시예들에 따른 기계 학습 방법을 나타내는 예시적인 흐름도이다.
도 9 및 도 10은 본 개시의 제1 실시예에 따른 오예측 확률 산출 모델 구축 방법을 설명하기 위한 도면이다.
도 11은 본 개시의 제2 실시예에 따른 오예측 확률 산출 모델 구축 방법을 설명하기 위한 도면이다.
도 12는 본 개시의 몇몇 실시예들에 따른 오예측 확률 기반 데이터 샘플 선별(샘플링) 방법을 설명하기 위한 예시도이다.
도 13은 본 개시의 몇몇 실시예들에 따른 기계 학습 방법을 나타내는 예시도이다.
도 14는 본 개시의 몇몇 실시예들에 따른 데이터 확장 기법을 이용한 학습 효과 향상 방법을 설명하기 위한 예시도이다.
도 15는 본 개시의 몇몇 실시예들에 따른 샘플 가중치를 이용한 학습 효과 향상 방법을 설명하기 위한 예시도이다.
도 16은 본 개시의 다른 몇몇 실시예들에 따른 기계 학습 방법을 설명하기 위한 흐름도이다.
도 17 내지 도 19는 본 개시의 몇몇 활용예에 따른 전체 슬라이드 이미지 기반의 패치 샘플링 방법을 설명하기 위한 도면이다.
도 20은 본 개시의 몇몇 활용예에 따른 기계 학습 모델을 나타내는 예시도이다.
도 21은 본 개시의 몇몇 활용예에 따른 기계 학습 방법을 설명하기 위한 도면이다.
도 22는 본 개시의 다양한 실시예들에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 나타내는 예시적인 하드웨어 구성도이다.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.
각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
본 명세서에 대한 설명에 앞서, 본 명세서에서 사용되는 몇몇 용어들에 대하여 명확하게 하기로 한다.
본 명세서에서, 타깃 모델(target model)이란, 목적 태스크를 수행하는 모델이자 기계 학습을 통해 구축하고자 하는 대상 모델이다.
본 명세서에서, 레이블 정보(label information)란, 데이터 샘플의 정답 정보를 의미한다. 상기 레이블 정보는 일반적으로 어노테이션 작업을 통해 획득될 수 있다.
본 명세서에서, 어노테이션(annotation)이란, 데이터 샘플에 레이블 정보를 태깅하는 작업을 의미한다. 상기 어노테이션은 레이블 정보 자체를 의미하는 용어로 사용되기도 하나, 용어의 혼동을 방지하기 위해 본 명세서에서는 상기 정의된 의미로 사용하도록 한다. 상기 어노테이션은 당해 기술 분야에서 태깅(tagging), 레이블링(labeling) 등의 용어와 혼용되어 사용될 수 있다.
본 명세서에서, 오예측(miss-prediction) 확률이란, 주어진 데이터 샘플에 대한 특정 모델이 예측을 수행할 때, 상기 예측 결과에 오류가 포함될 확률(즉, 예측이 틀릴 확률) 또는 가능성을 의미한다.
본 명세서에서 인스트럭션(instruction)이란, 기능을 기준으로 묶인 일련의 명령어들로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 가리킨다.
이하, 본 개시의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.
도 3 및 도 4는 본 개시의 몇몇 실시예들에 따른 기계 학습 장치(100)의 동작과 입출력을 개략적으로 설명하기 위한 도면이다.
도 3에 도시된 바와 같이, 기계 학습 장치(100)는 본 개시의 다양한 실시예들에 따른 기계 학습 방법을 수행할 수 있는 컴퓨팅 장치이다. 여기서, 상기 컴퓨팅 장치는, 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 상기 컴퓨팅 장치의 일 예는 도 22를 참조하도록 한다. 이하에서는, 설명의 편의상 기계 학습 장치(100)를 학습 장치(100)로 약칭하도록 한다.
도 3에는 학습 장치(100)가 하나의 물리적 컴퓨팅 장치로 구현된 것이 예로써 도시되어 있으나, 실제 물리적 환경에서 학습 장치(100)의 제1 기능은 제1 컴퓨팅 장치에서 구현되고, 제2 기능은 제2 컴퓨팅 장치에서 구현될 수도 있다. 또한, 학습 장치(100)의 특정 기능은 다수의 컴퓨팅 장치(또는 프로세서)에서 분산/병렬 처리를 통해 수행되도록 구현될 수도 있다.
도 3에 도시된 바와 같이, 학습 장치(100)는 레이블 정보가 주어지지 않은 데이터셋(11)을 입력받고, 이를 기계 학습하여 목적 태스크를 수행하는 타깃 모델(13)을 구축할 수 있다. 이때, 학습 장치(100)는 데이터셋(11)의 일부에 대응되는 데이터 샘플 집합(즉, 서브 데이터셋)을 선별하고, 상기 서브 데이터셋에 대한 레이블 정보를 획득하며, 획득된 레이블 정보에 기초하여 학습을 수행할 수 있다. 또한, 이와 같은 학습 과정은 타깃 모델(13)의 목표 성능이 만족될 때까지 반복될 수 있다. 이하의 서술에서, 데이터 샘플 집합이 전체 데이터셋의 일부에 대응되는 경우, "데이터 샘플 집합"이란 용어와 "서브 데이터셋"이란 용어는 혼용되어 사용될 수 있다.
몇몇 실시예에서, 도 4에 도시된 바와 같이, 학습 장치(100)는 어노테이션 장치(15)에게 상기 선별된 서브 데이터셋에 대한 어노테이션 작업을 요청하고, 장치(15)로부터 어노테이션 결과(즉, 레이블 정보)를 획득할 수 있다. 여기서, 어노테이션 장치(15)는 어노테이터(annotator)에 의해 사용되는 컴퓨팅 장치로, 어노테이션 툴이 탑재된 장치일 수 있다. 즉, 어노테이터는 상기 어노테이션 툴을 이용하여 요청한 데이터 샘플 집합에 대한 레이블 정보를 제공할 수 있다.
전술한 바와 같이, 어노테이션 작업은 어노테이터에 의해 수동으로 수행되어야 하기 때문에, 매우 많은 시간 비용과 인적 비용이 소요된다. 따라서, 어노테이션 비용을 최소화하기 위해서는, 학습에 효과적인 데이터 샘플 집합을 정확하게 선별하는 것이 중요한다.
몇몇 실시예에서, 학습 장치(100)는 타깃 모델(13)의 오예측 확률에 기반하여 데이터셋(11)에서 적어도 하나의 데이터 샘플을 선별할 수 있다. 본 실시예에 따르면, 타깃 모델(13)의 엔트로피 값(즉, 불확실성)에 기반하지 않고 타깃 모델(13)의 예측이 틀릴 것 같은 데이터 샘플들이 어노테이션 대상으로 선별될 수 있다. 그렇게 함으로써, 데이터 선별의 정확도는 향상되고, 타깃 모델(13)의 학습 속도는 향상될 수 있다. 나아가, 타깃 모델(13)의 성능이 목표 성능에 빠르게 수렴함으로써, 어노테이션 비용이 크게 감소될 수 있다. 본 실시예에 대한 자세한 설명은 이하의 도면들에서 상세하게 설명하도록 한다.
몇몇 실시예에서, 학습 장치(100)와 어노테이션 장치(15)는 네트워크를 통해 통신할 수 있다. 여기서, 상기 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 이동 통신망(mobile radio communication network), Wibro(Wireless Broadband Internet) 등과 같은 모든 종류의 유/무선 네트워크로 구현될 수 있다.
지금까지 도 3 및 도 4를 참조하여 본 개시의 몇몇 실시예들에 따른 학습 장치(100)의 동작과 입출력에 대하여 개략적으로 설명하였다. 이하에서는, 학습 장치(100)의 구성 및 동작에 대하여 도 5 내지 도 7을 참조하여 설명하도록 한다.
도 5 및 도 6은 본 개시의 몇몇 실시예들에 따른 학습 장치(100)을 나타내는 블록도이다. 특히, 도 6은 학습 장치(100)의 동작 흐름을 더 도시하고 있다.
도 5 및 도 6을 참조하면, 학습 장치(100)는 데이터셋 획득부(110), 선별부(130), 레이블 정보 획득부(150), 학습부(170) 및 학습 종료 결정부(190)를 포함할 수 있다. 다만, 도 5 및 도 6에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 5 및 도 6에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 또한, 도 5 및 도 6에 도시된 학습 장치(100)의 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 복수의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태로 구현될 수도 있음에 유의한다. 이하, 각 구성 요소에 대하여 설명한다.
데이터셋 획득부(110)는 타깃 모델의 학습에 이용될 데이터셋(21)을 획득한다. 학습 데이터셋(21)은 레이블 정보가 주어지지 않은 복수의 데이터 샘플로 구성될 수 있을 것이나, 레이블 정보가 주어진 데이터 샘플이 일부 포함되어 있더라도 무방하다.
다음으로, 선별부(130)는 학습 데이터셋(21)에서 어노테이션이 수행될 데이터 샘플을 선별한다. 선별부(130)는 오예측 확률 산출부(131) 및 데이터 선별부(133)를 포함할 수 있다.
오예측 확률 산출부(131)는 학습 데이터셋(21)에 포함된 복수의 데이터 샘플 각각에 대한 오예측 확률을 산출한다. 이때, 상기 복수의 데이터 샘플은 학습 데이터셋(21)에 포함된 전부 또는 일부(e.g. 미학습 데이터 샘플)일 수 있다.
타깃 모델의 오예측 확률을 산출하기 위해, 오예측 확률 산출부(131)는 소정의 기계 학습 모델을 이용할 수 있다. 중복된 설명을 배제하기 위해, 상기 기계 학습 모델에 대한 설명은 도 8 이하의 도면을 참조하여 후술하도록 한다.
다음으로, 데이터 선별부(133)는 상기 오예측 확률에 기반하여 적어도 하나의 데이터 샘플을 선별한다. 구체적으로, 데이터 선별부(133)는 상기 복수의 데이터 샘플 중에서 오예측 확률이 임계치 이상인 데이터 샘플(즉, 타깃 모델이 틀릴 가능성이 높은 데이터 샘플)을 선별한다. 선별된 데이터 샘플은 서브 데이터셋(23)을 구성할 수 있다.
이때, 상기 선별되는 데이터 샘플의 개수는 기 설정된 고정 값 또는 상황에 따라 변동되는 변동 값일 수 있다. 예컨대, 상기 개수는 타깃 모델의 현재 성능과 목표 성능 과의 차이, 미학습 데이터 샘플의 개수, 어노테이션 비용 등에 기초하여 변동되는 변동 값일 수 있다. 보다 구체적인 예를 들어, 상기 선별되는 데이터 샘플의 개수는 타깃 모델의 현재 성능과 목표 성능 과의 차이가 작아질수록 더 작은 값으로 변동될 수 있다. 다른 예를 들어, 상기 선별되는 데이터 샘플의 개수는 미학습 데이터 샘플의 개수가 작아지거나 어노테이션 비용이 커짐에 따라 더 작은 값으로 변동될 수 있다.
다음으로, 레이블 정보 획득부(150)는 어노테이션 작업의 결과로 선별된 서브 데이터셋(23)의 레이블 정보(25)를 획득한다. 가령, 레이블 정보 획득부(150)는 어노테이션 장치(15)로부터 서브 데이터셋(23)에 대한 레이블 정보(25)를 획득할 수 있다.
다음으로, 학습부(170)는 선별부(130)에 의해 선별된 서브 데이터셋(23)을 상기 획득된 레이블 정보(25)로 학습하여 타깃 모델에 대한 학습을 수행한다. 가령, 타깃 모델이 신경망 기반 모델인 경우, 학습부(170)는 오차 역전파를 통해 타깃 모델의 가중치를 갱신하는 방식으로 학습을 수행할 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
다음으로, 학습 종료 결정부(190)는 지정된 학습 종료 조건에 기초하여 타깃 모델의 학습 종료 여부를 결정한다. 상기 학습 종료 조건은 실시예에 따라 얼마든지 변형될 수 있다. 가령, 상기 학습 종료 조건은 타깃 모델의 성능이 목표 성능에 도달한 경우, 학습 반복 횟수 등에 기초하여 설정될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
구체적으로, 학습 종료 결정부(190)는 상기 지정된 학습 종료 조건이 만족된다는 판정에 응답하여 학습을 종료할 수 있다. 반대의 경우, 학습이 계속될 수 있다. 학습이 계속되는 경우, 선별부(130), 레이블 정보 획득부(150) 및 학습부(170)는 전술한 과정을 다시 수행할 수 있다. 학습이 반복되는 과정의 일 예는 도 7에 도시되어 있다.
도 7에 도시된 바와 같이, 1차 학습 프로세스 동안, 학습 데이터셋(31)에서 선별된 제1 서브 데이터셋(32)에 대한 제1 어노테이션 작업 및 제1 학습이 수행될 수 있다. 또한, 제1 서브 데이터셋(32)을 선별하기 전에, 1차 학습 프로세스에서, 학습을 통해 오예측 확률 산출 모델이 구축 및 갱신될 수 있다. 오예측 확률 산출 모델에 관한 설명은 도 8 내지 도 11을 참조하여 후술하도록 한다. 상기 제1 학습이 완료되면, 학습 종료 여부에 대한 판정(34)이 수행되고, 학습 계속 판정에 따라 2차 학습 프로세스가 개시될 수 있다.
상기 2차 학습 프로세스 동안, 미학습된 서브 데이터셋(33)에서 선별된 제2 서브 데이터셋(35)에 대한 제2 어노테이션 작업 및 제2 학습이 수행될 수 있다. 물론, 다른 몇몇 실시예에 따르면, 미학습된 서브 데이터셋(33)이 아니라 전체 데이터셋(31)에서 상기 제2 어노테이션을 위한 데이터 샘플이 선별될 수도 있다. 또한, 제2 서브 데이터셋(35)을 선별하기 전에, 2차 학습 프로세스에서도 학습을 통해 오예측 확률 산출 모델이 갱신될 수 있다. 이를 통해, 2차 학습 프로세스에서는 타깃 모델이 틀릴 것 같은 데이터 샘플이 더욱 정확하게 선별될 수 있다.
몇몇 실시예에서, 1차 학습 프로세스에서 선별된 제1 서브 데이터셋(32)은 제1 가중치에 기초하여 학습되고, 2차 학습 프로세스에서 선별된 제2 서브 데이터셋(35)은 제2 가중치에 기초하여 학습될 수 있다. 이때, 상기 제2 가중치는 상기 제1 가중치보다 큰 값으로 설정될 수 있다. 여기서, 가중치에 기초하여 학습된다는 것은, 가중치 값에 따라 더 강한 강도 또는 더 약한 강도로 학습된다는 것을 의미한다. 또한, 더 강한 강도로 타깃 모델을 학습한다는 것은 타깃 모델의 가중치 조정에 더 큰 영향을 미친다는 것으로, 이는 구현하는 방식은 어떠한 방식이 되더라도 무방하다. 가령, 예측 오차를 증가시키는 방식으로 학습 강도를 올릴 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 제2 서브 데이터셋(35)은 1차 학습된 타깃 모델이 틀릴 것 같은 데이터 샘플이므로, 제1 서브 데이터셋(32)보다 더 중요한 데이터 샘플(즉, 학습에 더 효과적인 샘플들)일 수 있다. 따라서, 본 실시예에 따르면, 타깃 모델의 학습 효과가 더욱 개선될 수 있고, 타깃 모델의 성능이 목표 성능에 빠르게 도달될 수 있다. 물론, 어노테이션 비용은 더욱 절감될 수 있다.
위와 같은 방식으로, 학습 종료 조건이 만족될 때까지 반복적으로 학습이 이루어질 수 있다. 학습 장치(100)의 구성 요소(110 내지 190)에 대한 추가적인 설명은 도 8 이하의 설명 내용을 더 참조하도록 한다.
참고로, 도 5 및 도 6에 도시된 구성 요소 모두가 학습 장치(100)의 필수 구성 요소는 아님에 유의하여야 한다. 즉, 본 개시의 다른 몇몇 실시예들에 따른 학습 장치(100)는 도 5 및 도 6에 도시된 구성 요소 중 일부에 의해 구현될 수도 있다.
도 5 및 도 6의 각 구성 요소는 소프트웨어(Software) 또는, FPGA(Field Programmable Gate Array)나 ASIC(Application-Specific Integrated Circuit)과 같은 하드웨어(Hardware)를 의미할 수 있다. 그렇지만, 상기 구성 요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(Addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성 요소들 안에서 제공되는 기능은 더 세분화된 구성 요소에 의하여 구현될 수 있으며, 복수의 구성 요소들을 합하여 특정한 기능을 수행하는 하나의 구성 요소로 구현될 수도 있다.
지금까지 도 5 내지 도 8을 참조하여 본 개시의 몇몇 실시예들에 따른 학습 장치(100)의 구성 및 동작에 대하여 설명하였다. 이하에서는, 도 8 내지 도 16을 참조하여 본 개시의 몇몇 실시예들에 따른 기계 학습 방법에 대하여 상세하게 설명하도록 한다.
상기 기계 학습 방법의 각 단계는 컴퓨팅 장치에 의해 수행될 수 있다. 다시 말하면, 상기 기계 학습 방법의 각 단계는 컴퓨팅 장치의 프로세서에 의해 실행되는 하나 이상의 인스트럭션들로 구현될 수 있다. 상기 기계 학습 방법에 포함되는 모든 단계는 하나의 물리적인 컴퓨팅 장치에 의하여 실행될 수도 있을 것이나, 상기 방법의 제1 단계들은 제1 컴퓨팅 장치에 의하여 수행되고, 상기 방법의 제2 단계들은 제2 컴퓨팅 장치에 의하여 수행될 수도 있다. 이하에서는, 상기 기계 학습 방법의 각 단계가 학습 장치(100)에 의해 수행되는 것을 가정하여 설명을 이어가도록 한다. 다만, 설명의 편의를 위해, 상기 기계 학습 방법에 포함되는 각 단계의 동작 주체는 그 기재가 생략될 수도 있다.
도 8은 본 개시의 몇몇 실시예들에 따른 기계 학습 방법을 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.
도 8에 도시된 바와 같이, 상기 기계 학습 방법은 타깃 모델의 학습 데이터셋을 획득하는 단계 S10에서 시작된다. 상기 학습 데이터셋은 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함한다.
단계 S20에서, 학습 장치(100)는 타깃 모델의 오예측 확률을 산출하기 위한 모델을 구축하거나 갱신한다. 상기 오예측 확률 산출 모델(이하, "산출 모델"로 약칭함)을 구축하는 방법은 실시예에 따라 달라질 수 있다. 이하 도 9 내지 도 11을 참조하여 상기 산출 모델을 구축하기 위한 몇몇 실시예들에 대하여 설명하도록 한다.
도 9는 본 개시의 제1 실시예에 따른 오예측 확률 산출 모델 구축 방법을 나타내는 예시적인 흐름도이다.
도 9에 도시된 바와 같이, 상기 제1 실시예는 학습 데이터셋의 일부에 대응되는 데이터 샘플 집합을 선택하는 단계 S110에서 시작된다.
단계 S120 및 S130에서, 학습 장치(100)는 상기 선택된 데이터 샘플 집합에 대한 레이블 정보를 획득하고, 이를 이용하여 타깃 모델을 학습시킨다.
단계 S140에서, 학습 장치(100)는 상기 선택된 데이터 샘플 집합을 다시 이용하여 타깃 모델을 평가한다. 가령, 학습 장치(100)는 제1 데이터 샘플을 타깃 모델에 입력하여 예측 결과를 획득하고, 상기 예측 결과와 상기 제1 데이터 샘플의 레이블 정보를 비교하는 방식으로 타깃 모델을 평가할 수 있다.
단계 S150에서, 학습 장치(100)는 상기 평가 결과를 이용하여 오예측 확률 산출 모델을 구축한다. 보다 구체적으로, 학습 장치(100)는 상기 평가 결과를 해당 데이터 샘플의 레이블 정보로 태깅하고, 상기 데이터 샘플을 상기 레이블 정보로 학습하여 상기 산출 모델을 구축할 수 있다. 보다 이해의 편의를 제공하기 위해, 도 10을 참조하여 본 단계 S150에 대하여 부연 설명하도록 한다.
도 10은 혼동 행렬(confusion matrix)을 도시하고 있는데, 타깃 모델이 분류 태스크를 수행하는 모델인 경우, 평가 결과는 혼동 행렬 내의 특정 셀에 대응될 수 있다. 도 10에 도시된 바와 같이, 평가 결과가 FP(false positive) 또는 FN(false negative)인 데이터 샘플(41)에는 제1 값(e.g. 1)이 레이블 값(43)으로 태깅되고, 평가 결과가 TP(true positive) 또는 TN(true negative)인 데이터 샘플(43)에는 제2 값(e.g. 0)이 레이블 값(44)으로 태깅될 수 있다. 즉, 타깃 모델의 예측이 정답과 일치한 경우에는 "1"이 태깅되고, 불일치한 경우에는 "0"이 태깅될 수 있다.
위와 같은 데이터 샘플(41, 43)과 레이블 정보를 학습하게 되면, 산출 모델은 타깃 모델이 정확하게 예측했던 데이터와 유사한 데이터가 입력될 때 높은 컨피던스 스코어를 출력하게 된다. 또한, 반대의 경우 산출 모델은 낮은 컨피던스 스코어를 출력하게 된다. 따라서, 산출 모델은 입력된 데이터에 대한 타깃 모델의 오예측 확률을 정확하게 산출할 수 있게 된다.
한편, 도 10은 레이블 정보를 태깅하는 몇몇 예시를 도시하고 있을 뿐임에 유의하여야 한다. 본 개시의 다른 몇몇 실시예들에 따르면, 학습 장치(100)는 데이터 샘플의 예측 오차를 레이블 정보로 태깅할 수도 있다. 여기서, 상기 예측 오차는 예측 값(즉, 컨피던스 스코어)과 실제 값(즉, 정답 정보)의 차이를 의미한다.
또한, 본 개시의 또 다른 몇몇 실시예들에 따르면, 학습 장치(100)는 데이터 샘플의 예측 오차가 임계 값 이상인 경우 제1 값(e.g. 0)을 태깅하고, 상기 예측 오차가 상기 임계 값 미만인 경우 제2 값(e.g. 1)을 레이블 정보로 태깅할 수도 있다.
도 11은 본 개시의 제2 실시예에 따른 오예측 확률 산출 모델 구축 방법을 나타내는 예시적인 흐름도이다.
도 11에 도시된 바와 같이, 상기 제2 실시예의 전반적인 과정은 도 9에 도시된 제1 실시예와 유사하다. 다만, 상기 제2 실시예에서는, 선택된 데이터 샘플 집합을 제1 샘플 집합과 제2 샘플 집합으로 구분한 다음, 상기 제1 샘플 집합으로 타깃 모델을 학습시키고, 상기 제2 샘플 집합으로 상기 타깃 모델을 평가한다는 점에서 차이가 있다(S230 내지 S250 참조).
즉, 전술한 제1 실시예에서는 학습한 샘플 집합으로 평가를 수행했으나, 상기 제2 실시예에서는 학습용과 평가용 샘플 집합을 구분하여 보다 정확하게 타깃 모델의 평가를 수행한다는 점에서 차이가 있다.
몇몇 실시예에 따르면, 학습 장치(100)는 k-접합 교차 검증(k-fold cross validation) 기법을 이용하여 반복하여 학습 및 평가를 수행할 수 있다. 이때, 평가 결과는 산출 모델의 학습 데이터로 활용될 수 있다. 상기 교차 검증은 당해 기술 분야의 당업자에게 자명한 기술일 것인 바, 이에 대한 설명은 생략하도록 한다. 본 실시예에 따르면, 더 많은 평가 데이터가 확보됨에 따라 보다 정확한 산출 모델이 구축될 수 있다.
또한, 몇몇 실시예에 따르면, 학습 장치(100)는 데이터 확장(data augmentation) 기법을 이용하여 평가용 샘플 집합으로부터 유사 샘플 집합을 생성하고, 생성된 샘플 집합을 더 학습하여 산출 모델을 구축할 수 있다. 물론, 본 실시예에 내재된 기술적 사상은, 학습용 샘플 또는 전술한 제1 실시예의 평가용 샘플 집합에도 적용될 수 있다. 상기 데이터 확장 기법은 당해 기술 분야의 당업자에게 자명한 기술일 것인 바, 이에 대한 설명은 생략하도록 한다.
다시 도 8을 참조하여 설명을 이어가도록 한다.
단계 S30에서, 학습 장치(100)는 산출 모델을 이용하여 학습 데이터셋에 포함된 각 데이터 샘플에 대해 오예측 확률을 산출한다. 가령, 도 12에 도시된 바와 같이, 학습 장치(100)는 각 데이터 샘플(52 내지 54)을 산출 모델(51)에 입력하여 상기 산출 모델의 컨피던스 스코어(55 내지 57)를 획득하며, 컨피던스 스코어(55 내지 57)에 기초하여 상기 오예측 확률을 산출할 수 있다.
몇몇 실시예에서, 도 12에 도시된 바와 같이, 산출 모델(51)이 정답 및 오답 클래스에 대한 컨피던스 스코어를 출력하도록 학습된 경우(e.g. 정답과 일치 시 레이블 1로 학습하고, 불일치 시 레이블 0으로 학습한 경우), 오답 클래스의 컨피던스 스코어(밑줄로 도시됨)가 오예측 확률이 이용될 수도 있다.
다시 도 8을 참조하면, 단계 S40에서, 학습 장치(100)는 오예측 확률을 기초로 학습 데이터셋에서 적어도 하나의 데이터 샘플을 선별한다. 가령, 학습 장치(100)는 오예측 확률이 임계치 이상인 데이터 샘플 또는 오예측 확률이 높은 상위 k개의(단, k는 1 이상의 자연수) 데이터 샘플을 선별할 수 있다.
단계 S50에서, 학습 장치(100)는 선별된 데이터 샘플에 대한 레이블 정보를 획득하여 타깃 모델을 학습시킨다. 상기 선별된 데이터 샘플은 타깃 모델의 예측이 오답일 가능성이 높은 샘플이므로, 선별된 데이터 샘플들로 타깃 모델을 학습시키면 타깃 모델의 성능이 신속하게 개선될 수 있다.
단계 S60에서, 학습 장치(100)는 학습 종료 조건이 만족되는지 판정한다. 상기 학습 종료 조건이 만족된다는 판정에 응답하여, 학습 장치(100)는 학습을 종료할 수 있다. 이와 반대로, 불만족 판정에 응답하여, 학습 장치(100)는 전술한 단계 S20 내지 S50을 다시 수행한다.
학습이 반복되면, 단계 S20에서, 학습 장치(100)는 학습된 타깃 모델을 다시 평가하고, 평가 결과를 학습하여 산출 모델을 갱신할 수 있다. 그렇게 함으로써, 학습이 반복될수록 오예측 확률이 정확하게 산출될 수 있다.
또한, 단계 S30 및 S40에서, 학습 장치(100)는 학습 데이터셋 전체가 아니라 미학습된 데이터 샘플들 중에서 어노테이션이 수행될 데이터 샘플을 선별할 수 있다. 물론, 다른 몇몇 실시예들에 따르면, 학습 데이터셋 전체에서 어노테이션이 수행될 데이터 샘플이 선별될 수도 있다.
참고로, 전술한 단계 S10 내지 S60 중에서, 단계 S10은 데이터셋 획득부(110)에 의해 수행되고, 단계 S20 및 S30은 오예측 확률 산출부(131)에 의해 수행되며, 단계 S40은 데이터 선별부(133)에 의해 수행될 수 있다. 또한, 단계 S50은 레이블 정보 획득부(150) 및 학습부(170)에 의해 수행될 수 있고, 단계 S60은 학습 종료 결정부(190)에 의해 수행될 수 있다.
보다 이해의 편의를 제공하기 위해, 도 13을 참조하여 전술한 기계 학습 방법이 수행되는 과정을 다시 한번 살펴보도록 한다. 특히, 도 13은 도 9에 도시된 방법에 따라 산출 모델이 구축되는 것을 예로써 도시하고 있다.
도 13에 도시된 바와 같이, 타깃 모델의 학습 데이터셋(61)의 일부에 대응되는 서브 데이터셋(62)에 대해 어노테이션이 수행되고(①), 타깃 모델(63)에 대한 제1 학습 및 평가가 수행된다(②, ③). 평가 결과는 산출 모델(66)을 구축하기 위해, 평가에 이용된 각 데이터 샘플들(65)에 태깅된다(④). 또한, 평가 결과가 태깅된 샘플들(65)을 학습하여 산출 모델(66)이 구축되고(⑤), 산출 모델(66)에 의해 산출된 오예측 확률에 기초하여 예측 오답(즉, 예측이 오답일 것 같은 샘플들) 데이터셋(67)이 선별된다(⑥). 다음으로, 선별된 서브 데이터셋(67)에 대해 어노테이션이 수행되고(⑦), 어노테이션 결과로 획득된 레이블 정보(68)와 서브 데이터셋(67)으로 타깃 모델(63)에 대한 제2 학습이 수행된다(⑧). 이와 같이, 예측 오답 샘플들을 집중적으로 학습함으로써, 타깃 모델(63)의 성능이 가파르게 향상될 수 있다.
몇몇 실시예에서, 상기 제2 학습이 수행될 때, 상기 제1 학습에 이용된 서브 데이터셋(62)에 대한 재학습이 수행될 수도 있다. 즉, 레이블 정보가 확보된 데이터셋을 최대한 활용하기 위해, 동일한 데이터셋에 대해서도 반복 학습이 이루어질 수 있다. 이와 같은 기술적 사상은 학습 과정에 다양하게 활용될 수 있다. 가령, 1차 학습 프로세스 동안 레이블 정보가 확보된 제1 데이터셋들이 2차 학습 프로세스에서 재사용(즉, 재학습)될 수도 있다.
몇몇 실시예에서, 산출 모델(66)을 통해 선별된 제1 데이터 샘플 집합(67)과 산출 모델(66)과 관계없이 선택된 제2 데이터 샘플 집합(e.g. 62)은 서로 다른 가중치로 학습될 수 있다. 가령, 제1 데이터 샘플 집합(67)은 제1 가중치로 학습되고, 제2 데이터 샘플 집합(e.g. 62)는 제2 가중치로 학습될 수 있다. 이때, 상기 제1 가중치는 상기 제2 가중치보다 더 큰 값으로 설정될 수 있다. 그렇게 함으로써, 중요한 데이터 샘플이 더 강한 강도로 학습되어, 타깃 모델(63)의 성능이 빠르게 개선될 수 있다.
몇몇 실시예에서, 어노테이션 비용을 감소시키기 위해, 학습 효과가 떨어지는 일부 데이터 샘플이 학습 데이터셋(61)에서 제외될 수 있다. 이때, 학습 효과가 떨어지는 데이터 샘플을 결정하는 기준은 실시예에 따라 달라질 수 있다.
제1 실시예에서, 엔트로피 값이 임계치 미만인 데이터 샘플(즉, 타깃 모델이 확실하게 분류할 수 있는 데이터 샘플)이 학습 데이터셋(61)에서 제외될 수 있다. 보다 구체적으로, 타깃 모델(63)에 의해 제1 데이터 샘플에 대한 클래스별 컨피던스 스코어가 산출되고, 클래스별 컨피던스 스코어에 기초하여 엔트로피 값이 연산될 수 있다. 이때, 연산된 엔트로피 값이 임계치 미만인 경우, 상기 제1 데이터 샘플은 학습 데이터셋(61)에서 제외될 수 있다. 그렇게 함으로써, 어노테이션에 소요되는 비용이 더욱 절감될 수 있다.
제2 실시예에서, 오예측 확률이 임계치 미만인 데이터 샘플(즉, 타깃 모델이 정확하게 분류할 수 있는 데이터 샘플)이 학습 데이터셋(61)에서 제외될 수 있다. 타깃 모델이 이미 정확하게 분류할 수 있는 데이터 샘플을 굳이 학습할 필요는 없기 때문이다.
전술한 실시예들에 따라 학습 데이터셋(1)에서 불필요한 데이터 샘플 제외하는 과정은 매 학습 프로세스가 완료될 때, 새로운 학습 프로세스가 시작될 때, 주기적 등 어떠한 시점에 수행되더라도 무방하다.
지금까지 도 8 내지 도 13을 참조하여 본 개시의 몇몇 실시예들에 따른 기계 학습 방법에 대하여 설명하였다. 상술한 방법에 따르면, 상술한 본 개시의 다양한 실시예들에 따르면, 타깃 모델의 오예측 확률에 기반하여 어노테이션이 수행될 데이터 샘플이 선별된다. 즉, 불확실성에 기반하여 데이터 샘플이 선별되는 것이 아니라, 타깃 모델이 틀릴 것 같은 데이터 샘플이 선별된다. 상기 오예측 확률은 불확실성과는 달리 타깃 모델의 컨피던스 스코어에 의존한 값이 아니기 때문에, 보다 정확하게 데이터 샘플이 선별될 수 있다.
또한, 타깃 모델이 틀릴 것 같은 데이터 샘플로 상기 타깃 모델을 집중적으로 학습시킴으로써, 학습 효과가 향상될 수 있다. 즉, 타깃 모델의 성능이 빠르게 목표 성능에 도달할 수 있게 된다. 이에 따라, 학습에 소요되는 컴퓨팅 비용 및 시간 비용이 크게 절감될 수 있으며, 어노테이션에 소요되는 비용 또한 크게 절감될 수 있다.
또한, 엔트로피 값에 의존하지 않고, 타깃 모델의 오예측 확률에 기반하여 액티브 러닝이 수행되는 바, 액티브 러닝의 적용 범위가 크게 확대될 수 있다.
이하에서는, 학습 효과를 더욱 향상시키고 어노테이션 비용을 더욱 줄이기 위해 고안된 본 개시의 몇몇 실시예들에 대하여 도 14 및 도 15를 참조하여 설명하도록 한다.
도 14는 본 개시의 몇몇 실시예들에 따른 데이터 확장 기법을 이용한 기계 학습 방법을 나타내는 예시도이다.
도 14에 도시된 바와 같이, 산출 모델(73)을 통해 학습 데이터셋(71)에서 선별된 서브 데이터셋(75)에 대해 데이터 확장 기법이 적용될 수 있다. 선별된 서브 데이터셋(75)은 타깃 모델의 학습에 매우 효과적인 데이터 샘플로 구성되어 있기 때문이다.
보다 구체적으로, 학습 장치(100)는 서브 데이터셋(75)을 확장하여 유사 데이터셋(77, 79)을 생성하고, 유사 데이터셋(77, 79)으로 타깃 모델을 더 학습시킬 수 있다. 그렇게 함으로써, 타깃 모델의 성능이 신속하게 향상되고, 어노테이션 비용은 절감될 수 있다.
데이터 샘플이 이미지 형식인 경우, 상기 데이터 확장은 이미지 크롭(crop), 회전(rotate), 뒤집기(flip), 리사이즈(resize), 색상 지터링(color jittering) 등의 방식으로 수행될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
몇몇 실시예에서, 서브 데이터셋(75)은 제1 가중치로 학습되고, 유사 데이터셋(77, 79)은 제2 가중치로 학습될 수 있다. 이때, 상기 제1 가중치는 상기 제2 가중치보다 높은 값으로 설정될 수 있다. 즉, 본래 데이터셋(75)은 더 강하게 학습되고, 유사 데이터셋(77, 79)은 더 약하게 학습될 수 있다.
도 15는 본 개시의 몇몇 실시예들에 따른 샘플 가중치에 기반한 기계 학습 방법을 나타내는 예시도이다.
도 15에 도시된 바와 같이, 산출 모델(82)을 통해 학습 데이터셋(81)에서 선별된 서브 데이터셋(83)의 각 데이터 샘플(84 내지 86)에 대해 차등적인 샘플 가중치가 설정될 수 있다. 또한, 상기 샘플 가중치에 기초하여 타깃 모델(87)에 대한 학습에 이루어질 수 있다. 도 15에서, 화살표의 굵기는 학습 강도를 나타내고 있다.
여기서, 상기 샘플 가중치 값은 오예측 확률에 기초하여 결정될 수 있다. 가령, 오예측 확률이 높은 데이터 샘플에 더 높은 샘플 가중치가 부여될 수 있다. 그렇게 함으로써, 타깃 모델이 틀릴 것 같은 데이터 샘플이 더 강하게 학습될 수 있고, 학습 효과가 향상될 수 있다. 물론, 학습 시간과 어노테이션 비용은 절감될 수 있다.
지금까지 학습 효과를 더욱 향상시키기 위해 고안된 본 개시의 몇몇 실시예들에 대하여 설명하였다. 이하에서는, 본 개시의 다른 몇몇 실시예들에 따른 기계 학습 방법에 대하여 도 16을 참조하여 설명하도록 한다. 본 명세서의 명료함을 위해, 전술한 기계 학습 방법과 중복되는 내용에 대한 설명은 생략하도록 한다.
도 16은 본 개시의 다른 몇몇 실시예들에 따른 기계 학습 방법을 설명하기 위한 예시도이다.
도 16에 도시된 바와 같이,본 실시예에 따른 기계 학습 방법의 전반적인 과정은 도 8을 참조하여 설명한 바와 유사하다. 다만, 본 실시예에서는, 산출 모델(93)에 의해 선별된 서브 데이터셋(94)와 레이블 정보(95)를 이용하여 타깃 모델(96)이 새롭게 구축된다는 점에서 차이가 있다.
선별된 서브 데이터셋(94)으로 타깃 모델(96)을 새롭게 구축하는 이유는 서브 데이터셋(94)을 보다 강하게 학습하기 위해서이다. 보다 구체적으로, 이전의 실시예(도 13 참조)서는 제1 학습(②)을 통해 타깃 모델(63)의 가중치가 먼저 조정되고, 제2 학습(⑧)을 통해 타깃 모델(63)의 가중치가 조정되었다. 따라서, 제1 학습(②)에 의해 타깃 모델의 가중치가 크게 조정되고, 이로 인해 선별된 서브 데이터셋에 대한 제2 학습(⑧)의 영향이 미미해지며(e.g. 제2 학습은 fine-tuning 정도에 그칠 수 있음), 타깃 모델의 성능은 저하될 수 있다.
따라서, 본 실시예에서는, 선별된 서브 데이터셋(94)으로 초기화 상태의 타깃 모델(96)을 학습시킨다(⑧). 또한, 산출 모델(93)에 의해 선별된 바 없는 기존 서브 데이터셋(97)을 상기 학습 과정(⑧) 이후에 학습함으로써(⑨), 선별된 서브 데이터셋(94)이 보다 강하게 학습되도록 한다. 그렇게 함으로써, 보다 우수한 타깃 모델이 구축될 수 있다.
지금까지 도 8 내지 도 16을 참조하여 본 개시의 다양한 실시예들에 따른 기계 학습 방법에 대하여 설명하였다. 이하에서는, 의료 도메인에 상기 기계 학습 방법이 적용된 몇몇 활용예에 대하여 설명하도록 한다.
의료 도메인은 그 특성 상 레이블 정보가 주어진 학습 데이터셋이 많지 않고, 어노테이션 작업이 숙련된 전문의에 의해 수행되어야 한다. 가령, 방사선 이미지에서 병변의 위치, 종류, 병명 등을 태깅할 때, 어노테이션 작업은 방사선 전문의에 의해 수행될 수 밖에 없다. 따라서, 다른 도메인과 비교하여 더 많은 어노테이션 비용이 소요되며, 본 개시의 기술적 사상이 의료 도메인에 활용될 때 그 효과가 극대화될 수 있다.
도 17 내지 도 19는 조직을 촬영한 고해상도의 전체 슬라이드 이미지(whole slide image)에서 학습 데이터셋을 생성하는 예를 도시하고 있다.
도 17에 도시된 바와 같이, 전체 슬라이드 이미지(201)에서 조직 영역(203)이 추출되면, 패치 샘플링을 통해 학습 데이터셋(205)이 생성될 수 있다.
도 18 및 도 19의 도시된 샘플링 예시(211, 213)와 같이, 패치의 크기(또는 샘플링 영역의 크기)는 타깃 모델에 따라 달라질 수 있다. 또한, 각 패치는 서로 중첩되는 형태로 샘플링될 수 있다.
가령, 도 20에 도시된 바와 같이, 타깃 모델이 세포 레벨의 이미지를 분석하여 유사 분열 세포(mitosis)와 정상 세포를 분류하는 모델(e.g. CNN 기반의 분류 모델)인 경우, 하나의 전체 슬라이드 이미지에서 작은 크기의 대량의 패치가 샘플링될 수 있다(e.g. 도 18 참조). 따라서, 레이블 정보가 주어지지 않은 대량의 학습 데이터셋이 생성될 수 있다.
위와 같이, 패치 샘플링을 통해 학습 데이터셋을 생성하는 과정은 이미지 분석 또는 가공 기술을 통해 자동으로 수행될 수 있으나, 상기 학습 데이터셋에 대한 어노테이션 작업은 전문의에 의해 수동으로 수행되어야 한다. 따라서, 상당한 어노테이션 비용이 소모될 수 밖에 없다. 이와 같은 환경에서, 타깃 모델을 구축하기 위해, 전술한 본 개시의 다양한 실시예들에 따른 기계 학습 방법에 활용될 수 있다.
상기 기계 학습 방법이 활용된 예는 도 21에 도시되어 있다.
도 21에 도시된 바와 같이, 전문의(22)가 학습 데이터셋(221)에 대한 어노테이터의 역할을 담당할 수 있다. 전반적인 학습 과정은 전술한 바와 동일하다. 가장 먼저, 학습 데이터셋(221)에서 추출된 서브 데이터셋에 대해 어노테이션이 수행되고(①), 어노테이션 결과로 획득된 레이블 정보를 이용하여 타기 모델(223)에 대한 학습 및 평가가 수행된다(②,③). 또한, 평가 결과를 학습하여 산출 모델(224)이 구축되고(④, ⑤), 산출 모델(224)에 의해 산출된 오예측 확률을 이용하여 예측 오답 집합(225)이 선별된다(⑥). 다음에, 어노테이터(222)에 의해 예측 오답 집합(225)에 대한 어노테이션이 수행되고(⑦), 어노테이션 결과를 학습하여 타깃 모델(223)이 갱신될 수 있다(⑧).
타깃 모델(223)이 학습 종료 조건을 만족할 때까지 전술한 과정이 반복하여 수행되는데, 전술한 다양한 실시예들에 의하면, 학습 데이터셋(221)을 모두 학습하지 않더라도 타깃 모델(223)의 학습 종료 조건이 만족될 수 있게 된다. 가령, 가중치에 기반한 가중 학습, 데이터 확장 기법, 오예측 확률에 기반한 선별적 학습 등을 통해 빠르게 학습 종료 조건이 충족될 수 있다. 이에 따라, 학습이 이루어지는 동안 어노테이터(222)의 개입이 최소화될 수 있고, 학습에 소요되는 컴퓨팅/시간 비용, 어노테이션 비용 등은 크게 절감될 수 있게 된다.
지금까지 도 17 내지 도 21을 참조하여 본 개시의 기술적 사상이 의료 도메인에 활용된 예에 대하여 간략하게 살펴보았다. 이하에는, 본 개시의 다양한 실시예들에 따른 장치(e.g. 학습 장치 100)를 구현할 수 있는 컴퓨팅 장치(300)에 대하여 설명하도록 한다.
도 22는 본 개시의 다양한 실시예들에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치(300)를 나타내는 예시적인 하드웨어 구성도이다.
도 22에 도시된 바와 같이, 컴퓨팅 장치(300)는 하나 이상의 프로세서(310), 버스(350), 통신 인터페이스(370), 프로세서(310)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(330)와 컴퓨터 프로그램(391)를 저장하는 스토리지(390)를 포함할 수 있다. 다만, 도 22에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 22에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(310)는 컴퓨팅 장치(300)의 각 구성의 전반적인 동작을 제어한다. 프로세서(310)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(310)는 본 개시의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(300)는 하나 이상의 프로세서를 구비할 수 있다.
메모리(330)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(330)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위하여 스토리지(390)로부터 하나 이상의 프로그램(391)을 로드할 수 있다. 가령, 메모리(330)에 본 개시의 몇몇 실시예들에 따른 기계 학습 방법을 수행하는 컴퓨터 프로그램(391)이 로드되면, 도 5에 도시된 바와 같이 모듈이 메모리(330) 상에 구현될 수 있다. 메모리(330)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위는 이에 한정되지 아니한다.
버스(350)는 컴퓨팅 장치(300)의 구성 요소 간 통신 기능을 제공한다. 버스(350)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(370)는 컴퓨팅 장치(300)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(370)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(370)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
스토리지(390)는 상기 하나 이상의 프로그램(391)을 비임시적으로 저장할 수 있다. 스토리지(390)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(391)은 메모리(330)에 로드될 때 프로세서(310)로 하여금 본 개시의 다양한 실시예들에 따른 방법을 수행하도록 하는 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 즉, 프로세서(310)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 개시의 다양한 실시예에 따른 방법들을 수행할 수 있다.
예를 들어, 컴퓨터 프로그램(391)은 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 제1 모델의 학습 데이터셋을 획득하는 동작, 상기 복수의 데이터 샘플에 대하여 상기 제1 모델의 오예측 확률을 산출하는 동작, 상기 산출된 오예측 확률을 기초로 상기 복수의 데이터 샘플 중 적어도 하나의 데이터 샘플을 선별하여 제1 데이터 샘플 집합을 구성하는 동작, 상기 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하는 동작 및 상기 제1 데이터 샘플 집합과 상기 제1 레이블 정보를 이용하여 상기 제1 모델에 대한 제1 학습을 수행하는 동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(300)를 통해 본 개시의 몇몇 실시예들에 따른 학습 장치(100)가 구현될 수 있다.
다른 예를 들어, 컴퓨터 프로그램(391)은 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 학습 데이터셋을 획득하는 동작, 상기 학습 데이터셋에 포함된 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하고, 상기 제1 데이터 샘플 집합을 상기 제1 레이블 정보로 학습하여 제1 모델을 구축하는 동작, 상기 학습 데이터셋에서 상기 제1 데이터 샘플 집합을 제외한 나머지 데이터 샘플에 대하여 상기 제1 모델의 오예측 확률을 산출하는 동작, 상기 오예측 확률에 기초하여 상기 나머지 데이터 샘플 중에서 적어도 하나의 데이터 샘플을 선별하여 제2 데이터 샘플 집합을 구성하는 동작, 상기 제2 데이터 샘플 집합에 대한 제2 레이블 정보를 획득하는 동작 및 상기 제2 데이터 샘플 집합과 상기 제2 레이블 정보로 초기화 상태의 제2 모델을 학습하는 동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(300)를 통해 본 개시의 다른 몇몇 실시예들에 따른 학습 장치(100)가 구현될 수 있다.
지금까지 도 22을 참조하여 본 개시의 다양한 실시예들에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치에 대하여 설명하였다.
지금까지 도 1 내지 도 22을 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
이상에서, 본 개시의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.
이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (20)

  1. 컴퓨팅 장치에서 수행되는 기계 학습 방법으로서,
    레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 제1 모델의 학습 데이터셋을 획득하는 단계;
    상기 복수의 데이터 샘플에 대하여 상기 제1 모델의 오예측(miss-prediction) 확률을 산출하는 단계;
    상기 산출된 오예측 확률을 기초로 상기 복수의 데이터 샘플 중 적어도 하나의 데이터 샘플을 선별함으로써 제1 데이터 샘플 집합을 구성하는 단계;
    상기 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하는 단계; 및
    상기 제1 데이터 샘플 집합과 상기 제1 레이블 정보를 이용하여 상기 제1 모델에 대한 제1 학습을 수행하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  2. 제1 항에 있어서,
    상기 제1 데이터 샘플 집합은 상기 산출된 오예측 확률이 임계치 이상인 데이터 샘플로 구성되는 것을 특징으로 하는,
    기계 학습 방법.
  3. 제1 항에 있어서,
    상기 제1 모델의 오예측 확률을 산출하는 단계는,
    상기 제1 모델의 평가 결과에 기초하여 상기 제1 모델의 오예측 확률을 산출하기 위한 제2 모델을 구축하는 단계; 및
    상기 제2 모델을 이용하여 상기 복수의 데이터 샘플 각각에 대한 오예측 확률을 산출하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  4. 제3 항에 있어서,
    상기 제2 모델을 구축하는 단계는,
    정답 레이블 정보가 주어진 제1 데이터 샘플을 이용하여 상기 제1 모델을 학습시키는 단계;
    상기 제1 데이터 샘플을 이용하여 상기 제1 모델을 평가하는 단계;
    상기 평가 결과에 기초한 레이블 정보를 상기 제1 데이터 샘플에 태깅하는 단계; 및
    상기 제1 데이터 샘플을 상기 태깅된 레이블 정보로 학습하여 상기 제2 모델을 구축하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  5. 제4 항에 있어서,
    상기 태깅된 레이블 정보는 상기 제1 데이터 샘플의 예측 오차인 것을 특징으로 하는,
    기계 학습 방법.
  6. 제4 항에 있어서,
    상기 태깅하는 단계는,
    상기 평가 결과가 FP(false positive) 또는 FN(false negative)에 해당한다는 판정에 응답하여, 제1 값을 상기 제1 데이터 샘플의 레이블로 태깅하는 단계; 및
    상기 평가 결과가 TP(true positive) 또는 TN(true negative)에 해당한다는 판정에 응답하여, 제2 값을 상기 제1 데이터 샘플의 레이블로 태깅하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  7. 제3 항에 있어서,
    상기 제2 모델을 구축하는 단계는,
    정답 레이블 정보가 주어진 제1 데이터 샘플을 이용하여 상기 제1 모델을 학습시키는 단계;
    정답 레이블 정보가 주어진 제2 데이터 샘플을 이용하여 상기 학습된 제1 모델을 평가하는 단계;
    상기 평가 결과에 기초한 레이블 정보를 상기 제2 데이터 샘플에 태깅하는 단계; 및
    상기 제2 데이터 샘플을 상기 태깅된 레이블 정보로 학습하여 상기 제2 모델을 구축하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  8. 제3 항에 있어서,
    상기 제2 모델을 구축하는 단계는,
    상기 학습 데이터셋의 일부에 대응되는 제2 데이터 샘플 집합에 대한 제2 레이블 정보를 획득하는 단계;
    상기 제2 데이터 샘플 집합과 상기 제2 레이블 정보를 이용하여 상기 제1 모델을 학습시키는 단계;
    상기 학습된 제1 모델을 평가하는 단계; 및
    상기 평가 결과에 기초하여 상기 제2 모델을 구축하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  9. 제8 항에 있어서,
    상기 제1 학습을 수행하는 단계는,
    상기 제2 데이터 샘플 집합과 상기 제2 레이블 정보를 다시 학습하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  10. 제9 항에 있어서,
    상기 제1 데이터 샘플 집합은 제1 가중치에 기초하여 학습되고,
    상기 제2 데이터 샘플 집합은 제2 가중치에 기초하여 학습되되,
    상기 제1 가중치는 상기 제2 가중치보다 큰 값으로 설정되는 것을 특징으로 하는,
    기계 학습 방법.
  11. 제3 항에 있어서,
    상기 제1 학습된 제1 모델의 평가 결과를 이용하여 상기 제2 모델을 갱신하는 단계;
    상기 갱신된 제2 모델을 이용하여 미학습 데이터 샘플 중에서 적어도 하나의 데이터 샘플을 선별하여, 제2 데이터 샘플 집합을 구성하는 단계;
    상기 제2 데이터 샘플 집합에 대한 제2 레이블 정보를 획득하는 단계; 및
    상기 제2 데이터 샘플 집합 및 상기 제2 레이블 정보를 이용하여 상기 제1 학습된 제1 모델에 대한 제2 학습을 수행하는 단계를 더 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  12. 제11 항에 있어서,
    상기 제2 학습을 수행하는 단계는,
    상기 제1 학습된 제1 모델의 평가 결과를 기초로 기 설정된 목표 성능 조건이 만족되는지 판정하는 단계; 및
    불만족 판정에 응답하여, 상기 제2 학습을 개시하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  13. 제1 항에 있어서,
    상기 제1 모델을 통해 상기 학습 데이터셋에 포함된 제1 데이터 샘플에 대한 클래스별 컨피던스 스코어(confidence score)를 산출하는 단계;
    상기 클래스별 컨피던스 스코어를 기초로 상기 제1 데이터 샘플에 대한 엔트로피(entropy) 값을 연산하는 단계; 및
    상기 엔트로피 값이 임계치 미만이라는 판정에 응답하여, 상기 제1 데이터 샘플을 상기 제1 모델의 학습 데이터셋에서 제외하는 단계를 더 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  14. 제1 항에 있어서,
    상기 제1 데이터 샘플 집합은 상기 산출된 오예측 확률이 제1 임계치 이상인 데이터 샘플로 구성되고,
    상기 제1 데이터 샘플 집합을 구성하는 단계는,
    상기 복수의 데이터 샘플 중에서 상기 오예측 확률이 제2 임계치 미만인 적어도 하나의 데이터 샘플은 선별하여 제2 데이터 샘플 집합을 구성하는 단계; 및
    상기 제2 데이터 샘플 집합을 상기 제1 모델의 학습 데이터셋에서 제외하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  15. 제1 항에 있어서,
    상기 제1 학습을 수행하는 단계는,
    상기 제1 데이터 샘플 집합을 구성하는 각각의 데이터 샘플에 적어도 일부는 서로 다른 샘플 가중치를 부여하는 단계; 및
    상기 샘플 가중치에 기초하여 상기 제1 데이터 샘플 집합을 학습하는 단계를 포함하되,
    상기 샘플 가중치 값은 상기 각각의 데이터 샘플의 오예측 확률에 기초하여 결정되는 것을 특징으로 하는,
    기계 학습 방법.
  16. 제1 항에 있어서,
    상기 제1 학습을 수행하는 단계는,
    데이터 확장(data augmentation) 기법을 적용하여 상기 제1 데이터 샘플 집합으로부터 제2 데이터 샘플 집합을 생성하는 단계; 및
    상기 제2 데이터 샘플 집합을 더 학습하여 상기 제1 모델을 갱신하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  17. 제1 항에 있어서,
    상기 제1 학습된 제1 모델의 오예측 확률에 기초하여, 상기 제1 학습에 이용되지 않은 데이터 샘플 중 적어도 하나의 데이터 샘플을 선별하여 제2 데이터 샘플 집합을 구성하는 단계;
    상기 제2 데이터 샘플 집합에 대한 제2 레이블 정보를 획득하는 단계; 및
    상기 제2 데이터 샘플 집합 및 상기 제2 레이블 정보를 이용하여 상기 제1 학습된 제1 모델에 대한 제2 학습을 수행하는 단계를 더 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  18. 제17 항에 있어서,
    상기 제1 데이터 샘플 집합은 제1 가중치에 기초하여 학습되고,
    상기 제2 데이터 샘플 집합은 제2 가중치에 기초하여 학습되되,
    상기 제2 가중치는 상기 제1 가중치보다 큰 값으로 설정되는 것을 특징으로 하는,
    기계 학습 방법.
  19. 컴퓨팅 장치에서 수행되는 기계 학습 방법으로서,
    레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 학습 데이터셋을 획득하는 단계;
    상기 학습 데이터셋에 포함된 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하고, 상기 제1 데이터 샘플 집합을 상기 제1 레이블 정보로 학습하여 제1 모델을 구축하는 단계;
    상기 학습 데이터셋에서 상기 제1 데이터 샘플 집합을 제외한 나머지 데이터 샘플에 대하여 상기 제1 모델의 오예측 확률(miss-prediction)을 산출하는 단계;
    상기 오예측 확률에 기초하여 상기 나머지 데이터 샘플 중에서 적어도 하나의 데이터 샘플을 선별하여 제2 데이터 샘플 집합을 구성하는 단계;
    상기 제2 데이터 샘플 집합에 대한 제2 레이블 정보를 획득하는 단계; 및
    상기 제2 데이터 샘플 집합과 상기 제2 레이블 정보로 초기화 상태의 제2 모델을 학습하는 단계를 포함하는 것을 특징으로 하는,
    기계 학습 방법.
  20. 하나 이상의 인스트럭션들(instructions)을 포함하는 메모리; 및
    상기 하나 이상의 인스트럭션들을 실행함으로써,
    레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 제1 모델의 학습 데이터셋을 획득하고, 상기 복수의 데이터 샘플에 대하여 상기 제1 모델의 오예측(miss-prediction) 확률을 산출하며, 상기 산출된 오예측 확률을 기초로 상기 복수의 데이터 샘플 중 적어도 하나의 데이터 샘플을 선별함으로써 제1 데이터 샘플 집합을 구성하고, 상기 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하며, 상기 제1 데이터 샘플 집합과 상기 제1 레이블 정보를 이용하여 상기 제1 모델에 대한 제1 학습을 수행하는 프로세서를 포함하는 것을 특징으로 하는,
    기계 학습 장치.
PCT/KR2018/013667 2018-11-09 2018-11-09 기계 학습 방법 및 장치 WO2020096099A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/KR2018/013667 WO2020096099A1 (ko) 2018-11-09 2018-11-09 기계 학습 방법 및 장치
US16/684,627 US10922628B2 (en) 2018-11-09 2019-11-15 Method and apparatus for machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2018/013667 WO2020096099A1 (ko) 2018-11-09 2018-11-09 기계 학습 방법 및 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/684,627 Continuation US10922628B2 (en) 2018-11-09 2019-11-15 Method and apparatus for machine learning

Publications (1)

Publication Number Publication Date
WO2020096099A1 true WO2020096099A1 (ko) 2020-05-14

Family

ID=70550619

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/013667 WO2020096099A1 (ko) 2018-11-09 2018-11-09 기계 학습 방법 및 장치

Country Status (2)

Country Link
US (1) US10922628B2 (ko)
WO (1) WO2020096099A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814990A (zh) * 2020-06-23 2020-10-23 汇纳科技股份有限公司 阈值确定方法、系统、存储介质及终端
CN113205189A (zh) * 2021-05-12 2021-08-03 北京百度网讯科技有限公司 训练预测模型的方法、预测方法及装置
CN113537285A (zh) * 2021-06-08 2021-10-22 内蒙古卫数数据科技有限公司 一种利用患者历史比对数据基于机器学习技术的新型临床错配样本识别方法
US11874415B2 (en) 2020-12-22 2024-01-16 International Business Machines Corporation Earthquake detection and response via distributed visual input
WO2024021526A1 (zh) * 2022-07-29 2024-02-01 上海智臻智能网络科技股份有限公司 训练样本的生成方法、装置、设备和存储介质

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11003947B2 (en) 2019-02-25 2021-05-11 Fair Isaac Corporation Density based confidence measures of neural networks for reliable predictions
US11948050B2 (en) * 2020-02-19 2024-04-02 EMC IP Holding Company LLC Caching of machine learning model training parameters
US11941496B2 (en) * 2020-03-19 2024-03-26 International Business Machines Corporation Providing predictions based on a prediction accuracy model using machine learning
JP7238840B2 (ja) * 2020-03-31 2023-03-14 新東工業株式会社 強熱減量推定装置、強熱減量推定方法、機械学習装置、及び機械学習方法
CN111625529B (zh) * 2020-05-29 2023-11-14 清华大学 提高数据可视化质量的方法、装置和计算机可读存储介质
CN113840225A (zh) * 2020-06-23 2021-12-24 中国电信股份有限公司 终端定位方法、装置以及存储介质
CN114039864A (zh) * 2020-07-21 2022-02-11 中国移动通信有限公司研究院 一种多设备协作模型生成方法、装置及设备
CN112017634B (zh) * 2020-08-06 2023-05-26 Oppo（重庆）智能科技有限公司 数据的处理方法、装置、设备以及存储介质
CN112163132B (zh) * 2020-09-21 2024-05-10 中国建设银行股份有限公司 一种数据标注方法、装置、存储介质及电子设备
WO2022087806A1 (en) * 2020-10-27 2022-05-05 Paypal, Inc. Multi-phase training techniques for machine learning models using weighted training data
CN112541447A (zh) * 2020-12-18 2021-03-23 深圳地平线机器人科技有限公司 机器模型的更新方法、装置、介质及设备
US20220207390A1 (en) * 2020-12-30 2022-06-30 Nuxeo Corporation Focused and gamified active learning for machine learning corpora development
CN112861679B (zh) * 2021-01-29 2023-01-20 中国科学院计算技术研究所 面向行为识别的迁移学习方法及系统
CN112861962B (zh) * 2021-02-03 2024-04-09 北京百度网讯科技有限公司 样本处理方法、装置、电子设备和存储介质
CN112819078B (zh) * 2021-02-04 2023-12-15 上海明略人工智能(集团)有限公司 一种图片识别模型的迭代方法和装置
US20220269528A1 (en) * 2021-02-24 2022-08-25 Huawei Technologies Co., Ltd. System, method and apparatus for intelligent heterogeneous computation
CN112800186B (zh) * 2021-04-08 2021-10-12 北京金山数字娱乐科技有限公司 阅读理解模型的训练方法及装置、阅读理解方法及装置
CN113590645B (zh) * 2021-06-30 2022-05-10 北京百度网讯科技有限公司 搜索方法、装置、电子设备及存储介质
CN113762347B (zh) * 2021-08-06 2023-08-08 佳都科技集团股份有限公司 一种滑动门门体健康度评估方法及装置
US11948346B1 (en) 2023-06-22 2024-04-02 The Adt Security Corporation Machine learning model inference using user-created machine learning models while maintaining user privacy

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6362893B2 (ko) * 1983-09-30 1988-12-05
KR101895121B1 (ko) * 2016-09-09 2018-09-04 서울대학교산학협력단 관련도 벡터 머신을 이용한 기계학습방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 정보처리장치
JP2018155522A (ja) * 2017-03-16 2018-10-04 株式会社島津製作所 データ解析装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7792598B2 (en) * 2007-04-13 2010-09-07 Raytheon Company Sparse sampling planner for sensor resource management
WO2015134665A1 (en) 2014-03-04 2015-09-11 SignalSense, Inc. Classifying data with deep learning neural records incrementally refined through expert input
JP6362893B2 (ja) 2014-03-20 2018-07-25 株式会社東芝 モデル更新装置及びモデル更新方法
US9275347B1 (en) 2015-10-09 2016-03-01 AlpacaDB, Inc. Online content classifier which updates a classification score based on a count of labeled data classified by machine deep learning
KR101908680B1 (ko) 2016-08-30 2018-10-17 주식회사 루닛 약한 지도 학습 기반의 기계 학습 방법 및 그 장치
US20180240031A1 (en) * 2017-02-17 2018-08-23 Twitter, Inc. Active learning system
KR101828503B1 (ko) 2017-08-23 2018-03-29 주식회사 에이젠글로벌 앙상블 모델 생성 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6362893B2 (ko) * 1983-09-30 1988-12-05
KR101895121B1 (ko) * 2016-09-09 2018-09-04 서울대학교산학협력단 관련도 벡터 머신을 이용한 기계학습방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 정보처리장치
JP2018155522A (ja) * 2017-03-16 2018-10-04 株式会社島津製作所 データ解析装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KHODDELTABANDEH, MEHRAN ET AL.: "Active Learning for Structured Prediction from Partially Labeled Data", ARXIV:1706.02342V2, 9 June 2017 (2017-06-09), XP080768309, Retrieved from the Internet <URL:https://arxiv.org/pdf/1706.02342.pdf> [retrieved on 20190722] *
REYES, OSCAR ET AL.: "Effective active learning strategy for multi-label learning", ARTICLE IN NEUROCOMPUTING, August 2017 (2017-08-01), XP085254908, Retrieved from the Internet <URL:https://wwwresearchgate.net/publicationi319195985_Effective_active_leaming_strategy_for_multi_label_learning> [retrieved on 20190722] *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814990A (zh) * 2020-06-23 2020-10-23 汇纳科技股份有限公司 阈值确定方法、系统、存储介质及终端
CN111814990B (zh) * 2020-06-23 2023-10-10 汇纳科技股份有限公司 阈值确定方法、系统、存储介质及终端
US11874415B2 (en) 2020-12-22 2024-01-16 International Business Machines Corporation Earthquake detection and response via distributed visual input
CN113205189A (zh) * 2021-05-12 2021-08-03 北京百度网讯科技有限公司 训练预测模型的方法、预测方法及装置
CN113205189B (zh) * 2021-05-12 2024-02-27 北京百度网讯科技有限公司 训练预测模型的方法、预测方法及装置
CN113537285A (zh) * 2021-06-08 2021-10-22 内蒙古卫数数据科技有限公司 一种利用患者历史比对数据基于机器学习技术的新型临床错配样本识别方法
WO2024021526A1 (zh) * 2022-07-29 2024-02-01 上海智臻智能网络科技股份有限公司 训练样本的生成方法、装置、设备和存储介质

Also Published As

Publication number Publication date
US20200151613A1 (en) 2020-05-14
US10922628B2 (en) 2021-02-16

Similar Documents

Publication Publication Date Title
WO2020096099A1 (ko) 기계 학습 방법 및 장치
KR102128056B1 (ko) 기계 학습 방법 및 장치
KR102052624B1 (ko) 기계 학습 방법 및 장치
WO2020022639A1 (ko) 딥러닝 기반의 가치 평가 방법 및 그 장치
WO2021060899A1 (ko) 인공지능 모델을 사용 기관에 특화시키는 학습 방법, 이를 수행하는 장치
WO2020096098A1 (ko) 어노테이션 작업 관리 방법, 이를 지원하는 장치 및 시스템
WO2018164378A1 (en) Electronic apparatus for compressing language model, electronic apparatus for providing recommendation word and operation methods thereof
WO2019164232A1 (ko) 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체
WO2021006522A1 (ko) 딥 러닝 모델을 활용한 영상 진단 장치 및 그 방법
WO2018062580A1 (ko) 문자를 번역하는 방법 및 그 장치
WO2020139009A1 (ko) 뇌혈관 질환 학습 장치, 뇌혈관 질환 검출 장치, 뇌혈관 질환 학습 방법 및 뇌혈관 질환 검출 방법
WO2020045848A1 (ko) 세그멘테이션을 수행하는 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
WO2019235828A1 (ko) 투 페이스 질병 진단 시스템 및 그 방법
EP3577571A1 (en) Electronic apparatus for compressing language model, electronic apparatus for providing recommendation word and operation methods thereof
WO2021225279A1 (en) Method for explainable active learning, to be used for object detector, by using bayesian dual autoencoder and active learning device using the same
WO2017135496A1 (ko) 약물과 단백질 간 관계 분석 방법 및 장치
WO2021012508A1 (zh) Ai影像识别方法、装置、设备及存储介质
WO2021010671A9 (ko) 뉴럴 네트워크 및 비국소적 블록을 이용하여 세그멘테이션을 수행하는 질병 진단 시스템 및 방법
WO2020045794A1 (ko) 전자 장치 및 그 제어 방법
WO2019190171A1 (ko) 전자 장치 및 그 제어 방법
WO2020138575A1 (ko) 기계 학습 데이터 선택 방법 및 장치
WO2021040192A1 (ko) 인공지능 모델을 학습시키는 시스템 및 방법
WO2023182713A1 (ko) 인공지능 기반으로 텍스트 및 비-텍스트 이미지를 포함하는 화면 정보를 인지하여 화면 상의 오브젝트에 이벤트를 발생시키는 방법 및 시스템
WO2020032561A2 (ko) 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
WO2020032560A2 (ko) 진단 결과 생성 시스템 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18939719

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18939719

Country of ref document: EP

Kind code of ref document: A1