WO2023027278A1 - 커리큘럼 기반의 능동적 학습 방법 - Google Patents

커리큘럼 기반의 능동적 학습 방법 Download PDF

Info

Publication number
WO2023027278A1
WO2023027278A1 PCT/KR2022/003580 KR2022003580W WO2023027278A1 WO 2023027278 A1 WO2023027278 A1 WO 2023027278A1 KR 2022003580 W KR2022003580 W KR 2022003580W WO 2023027278 A1 WO2023027278 A1 WO 2023027278A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
neural network
data set
network model
data
Prior art date
Application number
PCT/KR2022/003580
Other languages
English (en)
French (fr)
Inventor
김예찬
신봉근
Original Assignee
디어젠 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020210113631A external-priority patent/KR102662645B1/ko
Application filed by 디어젠 주식회사 filed Critical 디어젠 주식회사
Publication of WO2023027278A1 publication Critical patent/WO2023027278A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Definitions

  • the present invention relates to a method for learning a neural network model, and more particularly, to an improved active learning method for a neural network model.
  • Active learning refers to a learning method in which data effective for learning is selected from an unlabeled data set using a trained neural network model and used for learning. Specifically, in active learning, when a trained model based on a labeled data set selects important data for learning, an oracle labels the selected data through a model trained on an unlabeled data set and learns it. It is carried out as a process that reflects on That is, active learning consists of a training phase in which a neural network model is trained using an existing labeled data set and an acquisition phase in which data to be labeled is extracted from a data set in which labels do not exist. can be distinguished.
  • active learning is an effective learning strategy that can lower the labeling cost of data that requires training of a neural network model, but it has several disadvantages because a small amount of data set is generally used in the training stage of a neural network model.
  • general active learning utilizes a small amount of data set in the learning step, so the model is greatly affected by the initialization of the neural network, so there is a disadvantage that proper performance cannot be achieved.
  • general active learning utilizes a small amount of data set in the learning step, there is a disadvantage in that the model cannot produce proper performance due to overfitting.
  • Korean Patent Publication No. 10-2021-0075843 (2021.06.23) discloses a method for learning a neural network model.
  • the present disclosure has been made in response to the above background art, and an object of the present disclosure is to provide a learning method that can effectively improve the disadvantages of general active learning.
  • a curriculum-based active learning method performed by a computing device may include: learning a neural network model based on a first learning data set among learning data sets acquired through active learning; and learning the neural network model using a second learning data set having a higher learning difficulty than the first training data set among the learning data sets acquired through the active learning.
  • the learning difficulty of the learning data set acquired through the active learning may be distinguished according to the acquisition time of the data through the active learning.
  • the second training data set may include a recently acquired data set compared to the first training data set in the course of the active learning.
  • training the neural network model based on the first training data set includes performing knowledge distillation on the neural network model based on the previously trained neural network model through active learning.
  • the step of training the neural network model using a second training data set may include the second training data after a predetermined point in time during the process of learning the neural network model based on the first training data set. It may include adding a set as an input to train the neural network model.
  • the neural network model may be trained based on a first loss function applied for learning based on the first training data set and a second loss function applied for learning based on the second training data set. there is.
  • the first loss function may include: a first sub-loss function for active learning of the neural network model based on the first training data set; and a second sub-loss function for distilling knowledge of the neural network model, which is performed based on the neural network model pretrained through active learning.
  • a first hyper parameter for controlling the knowledge distillation may be applied to the second sub-loss function.
  • the first hyperparameter may be gradually decreased as learning of the neural network model based on the first training data set progresses.
  • the first sub-loss function of the first loss function is a cross entropy function
  • the second sub-loss function of the first loss function is a Kullback-Leibler divergence function. divergence) function.
  • a second hyperparameter for adjusting the effect of the second training data set on learning of the neural network model may be applied to the second loss function.
  • the second hyperparameter may have a value of 0 at an initial time when learning of the neural network model based on the first training data set is performed.
  • the second hyperparameter is set gradually after a predetermined point in time to increase the influence of the second training data set during the process of learning the neural network model based on the first training data set. can be increased
  • a computer program stored in a computer readable storage medium is disclosed according to an embodiment of the present disclosure for realizing the above object.
  • the computer program is executed on one or more processors, the following operations for performing curriculum-based active learning are performed, and the operations are based on a first learning data set among learning data sets acquired through active learning. to train a neural network model; and learning the neural network model based on a second learning data set having a higher learning difficulty than the first training data set among the learning data sets acquired through the active learning.
  • a computing device for performing curriculum-based active learning based on deep learning.
  • the device may include a processor including at least one core; a memory containing program codes executable by the processor; and a network unit, wherein the processor learns a neural network model based on a first learning data set among learning data sets acquired through active learning, and selects the first learning data among the learning data sets acquired through active learning.
  • the neural network model may be trained based on a second training data set having a high learning difficulty compared to the set.
  • a computer readable recording medium storing a data structure corresponding to parameters of a neural network at least partially updated in a learning process.
  • the operation of the neural network is based at least in part on the parameters, and the learning process includes: learning a neural network model based on a first training data set among learning data sets acquired through active learning; and learning the neural network model based on a second learning data set having a higher learning difficulty than the first training data set among the learning data sets acquired through the active learning.
  • the present disclosure can provide a learning method that can effectively improve the disadvantages of general active learning.
  • FIG. 1 is a block diagram of a computing device for performing active learning based on a curriculum according to an embodiment of the present disclosure.
  • FIG. 2 is a schematic diagram showing a neural network according to an embodiment of the present disclosure.
  • FIG. 3 is a block diagram showing a conventional active learning process.
  • FIG. 4 is a block diagram illustrating an active learning process according to an embodiment of the present disclosure.
  • FIG. 5 is a flowchart illustrating a process of learning a neural network model performed by a computing device according to an embodiment of the present disclosure.
  • FIG. 6 is a schematic diagram of a computing environment according to one embodiment of the present disclosure.
  • a component may be, but is not limited to, a procedure, processor, object, thread of execution, program, and/or computer running on a processor.
  • an application running on a computing device and a computing device may be components.
  • One or more components may reside within a processor and/or thread of execution.
  • a component can be localized within a single computer.
  • a component may be distributed between two or more computers. Also, these components can execute from various computer readable media having various data structures stored thereon.
  • Components may be connected, for example, via signals with one or more packets of data (e.g., data and/or signals from one component interacting with another component in a local system, distributed system) to other systems and over a network such as the Internet. data being transmitted) may communicate via local and/or remote processes.
  • packets of data e.g., data and/or signals from one component interacting with another component in a local system, distributed system
  • a network such as the Internet. data being transmitted
  • the term “or” is intended to mean an inclusive “or” rather than an exclusive “or”. That is, unless otherwise specified or clear from the context, “X employs A or B” is intended to mean one of the natural inclusive substitutions. That is, X uses A; X uses B; Or, if X uses both A and B, "X uses either A or B" may apply to either of these cases. Also, the term “and/or” as used herein should be understood to refer to and include all possible combinations of one or more of the listed related items.
  • Nth (N is a natural number)
  • Nth may be understood as a term used to distinguish and express elements according to a predetermined criterion.
  • training data sets classified according to the learning difficulty of a neural network model may be distinguished through the expression Nth configuration, such as a first training data set and a second training data set.
  • the loss function used for learning the neural network model can be distinguished through the expression of the Nth configuration, such as the first loss function and the second loss function, depending on the type.
  • Nth may be used to distinguish components according to various criteria from various viewpoints.
  • FIG. 1 is a block diagram of a computing device for performing active learning based on a curriculum according to an embodiment of the present disclosure.
  • the configuration of the computing device 100 shown in FIG. 1 is only a simplified example.
  • the computing device 100 may include other components for performing a computing environment of the computing device 100, and only some of the disclosed components may constitute the computing device 100.
  • the computing device 100 may include a processor 110 , a memory 130 , and a network unit 150 .
  • the processor 110 may include one or more cores, and includes a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU) of a computing device. unit), data analysis, and processors for deep learning.
  • the processor 110 may read a computer program stored in the memory 130 and process data for machine learning according to an embodiment of the present disclosure.
  • the processor 110 may perform an operation for learning a neural network.
  • the processor 110 may perform calculations for neural network learning, such as processing input data for learning in deep learning, extracting features from input data, calculating errors, and updating neural network weights using backpropagation. .
  • At least one of the CPU, GPGPU, and TPU of the processor 110 may process learning of the neural network.
  • the CPU and GPGPU can process learning of neural networks and data classification using neural networks.
  • the neural network learning and data classification using the neural network may be processed by using processors of a plurality of computing devices together.
  • a computer program executed in a computing device according to an embodiment of the present disclosure may be a CPU, GPGPU or TPU executable program.
  • the processor 110 may train a neural network model based on improved active learning.
  • improved active learning can be understood as a learning method applied to the learning stage in general active learning, which is divided into a learning stage and an acquisition stage.
  • the processor 110 may train the neural network model based on a curriculum that gradually increases the difficulty of learning in the learning step of active learning.
  • the processor 110 performs an active learning step so that the neural network model sequentially learns a data set having a low learning difficulty (ie, an easy-to-learn data set) and a high-learning difficulty data set (ie, a difficult-to-learn data set). You can control it.
  • the difficulty of the learning data set may be classified according to the acquisition time of the data obtained through the acquisition phase of the active learning. Since active learning expands the data set necessary for learning by repeatedly performing the learning phase and the acquisition phase, the most recently acquired data (i.e. data labeled through the acquisition phase immediately before learning) is the new one that the neural network model did not learn. As learning data, it can be understood as data having the highest learning difficulty.
  • the processor 110 may classify the learning data set into a data set in which learning is easier as the acquisition time is older (ie, a data set in which learning is more difficult as the acquisition time is more recent).
  • the processor 110 may input the classified learning data set to the neural network model according to the curriculum and control the learning process of the neural network model so that the neural network model performs learning while gradually increasing the learning difficulty.
  • the influence of deep neural network initialization can be minimized, and a neural network model having advantages in generalization and fast convergence speed can be constructed.
  • the processor 110 performs knowledge distillation of the neural network model to be learned in the current learning step based on the neural network model previously learned in the previous learning step of the active learning. ) can be performed.
  • knowledge distillation can be understood as a computational process performed based on the timing of the learning phase in active learning in which the learning phase and the acquisition phase are repeatedly performed, not the size of the neural network model.
  • the processor 110 may transfer knowledge of a neural network model pretrained in a previous learning step of active learning to a neural network model to be learned in a current learning step based on a neural network model pretrained in a previous learning step of active learning.
  • the processor 110 regards the model in the current learning stage as a student model and the model in the previous stage of the current learning stage as a teacher model based on the time point of the learning stage of active learning, and the teacher model You can perform knowledge distillation by comparing the output with the output of the student model to train the student model to mimic the teacher model.
  • knowledge distillation enables effective learning of data sets with low learning difficulty in the learning phase of active learning.
  • the neural network model learns on a data set that has a long learning period and has low learning difficulty. Therefore, knowledge distillation using a neural network model that has been trained in the prior learning stage of active learning helps the neural network model to be learned in the current learning stage of active learning to effectively perform learning on a data set with low learning difficulty. In addition, knowledge distillation using a neural network model that has been trained in the pre-learning stage of active learning helps to prevent the neural network model from overfitting to a data set with low learning difficulty.
  • the memory 130 may store any type of information generated or determined by the processor 110 and any type of information received by the network unit 150 .
  • the memory 130 is a flash memory type, a hard disk type, a multimedia card micro type, or a card type memory (eg, SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory) -Only Memory), a magnetic memory, a magnetic disk, and an optical disk may include at least one type of storage medium.
  • the computing device 100 may operate in relation to a web storage that performs a storage function of the memory 130 on the Internet.
  • the above description of the memory is only an example, and the present disclosure is not limited thereto.
  • the network unit 150 may use any type of known wired or wireless communication system.
  • the network unit 150 may transmit and receive a data set necessary for learning or reasoning of a neural network model, information processed by the processor 110, a user interface, and the like through communication with other terminals or systems.
  • the network unit 150 may receive a data set necessary for learning a neural network model through communication with an external database.
  • the network unit 150 may transmit the output of the neural network model learned by the processor 110 to an external database.
  • the computing device 100 may include a server as a computing system that transmits and receives data through communication with a client.
  • the client may be any type of terminal capable of accessing the server.
  • the computing device 100 that is a server may train a plurality of neural network models through a training data set.
  • the computing device 100 which is a server, may provide output data to the client using the learned models according to the request of the client.
  • the computing device 100 as a server may provide the learned models to the client according to the client's request.
  • the computing device 100 may include any type of terminal that receives data resources generated by any server and performs additional information processing.
  • FIG. 2 is a schematic diagram showing a neural network according to an embodiment of the present disclosure.
  • a neural network model may include a neural network for performing a specific task such as detection, classification, segmentation, and the like.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network includes one or more nodes. Nodes (or neurons) constituting neural networks may be interconnected by one or more links.
  • one or more nodes connected through a link may form a relative relationship of an input node and an output node.
  • the concept of an input node and an output node is relative, and any node in an output node relationship with one node may have an input node relationship with another node, and vice versa.
  • an input node to output node relationship may be created around a link. More than one output node can be connected to one input node through a link, and vice versa.
  • the value of data of the output node may be determined based on data input to the input node.
  • a link interconnecting an input node and an output node may have a weight.
  • the weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are interconnected by respective links to one output node, the output node is set to a link corresponding to values input to input nodes connected to the output node and respective input nodes.
  • An output node value may be determined based on the weight.
  • one or more nodes are interconnected through one or more links to form an input node and output node relationship in the neural network.
  • Characteristics of the neural network may be determined according to the number of nodes and links in the neural network, an association between the nodes and links, and a weight value assigned to each link. For example, when there are two neural networks having the same number of nodes and links and different weight values of the links, the two neural networks may be recognized as different from each other.
  • a neural network may be composed of a set of one or more nodes.
  • a subset of nodes constituting a neural network may constitute a layer.
  • Some of the nodes constituting the neural network may form one layer based on distances from the first input node.
  • a set of nodes having a distance of n from the first input node may constitute n layers.
  • the distance from the first input node may be defined by the minimum number of links that must be passed through to reach the corresponding node from the first input node.
  • the definition of such a layer is arbitrary for explanation, and the order of a layer in a neural network may be defined in a method different from the above.
  • a layer of nodes may be defined by a distance from a final output node.
  • An initial input node may refer to one or more nodes to which data is directly input without going through a link in relation to other nodes among nodes in the neural network.
  • it may mean nodes that do not have other input nodes connected by a link.
  • the final output node may refer to one or more nodes that do not have an output node in relation to other nodes among nodes in the neural network.
  • the hidden node may refer to nodes constituting the neural network other than the first input node and the last output node.
  • the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as the number of nodes progresses from the input layer to the hidden layer.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of the input layer may be less than the number of nodes of the output layer and the number of nodes decreases as the number of nodes increases from the input layer to the hidden layer. there is.
  • the neural network according to another embodiment of the present disclosure is a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as the number of nodes increases from the input layer to the hidden layer.
  • a neural network according to another embodiment of the present disclosure may be a neural network in the form of a combination of the aforementioned neural networks.
  • a deep neural network may refer to a neural network including a plurality of hidden layers in addition to an input layer and an output layer.
  • Deep neural networks can reveal latent structures in data. In other words, it can identify the latent structure of a photo, text, video, sound, or music (e.g., what objects are in the photo, what the content and emotion of the text are, what the content and emotion of the audio are, etc.).
  • Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, generative adversarial networks (GANs), and restricted boltzmann machines (RBMs). machine), deep belief network (DBN), Q network, U network, Siamese network, and the like.
  • CNNs convolutional neural networks
  • RNNs recurrent neural networks
  • GANs generative adversarial networks
  • RBMs restricted boltzmann machines
  • machine deep belief network
  • DNN deep belief network
  • Q network Q network
  • U network Siamese network
  • a neural network may include an autoencoder.
  • An autoencoder may be a type of artificial neural network for outputting output data similar to input data.
  • An auto-encoder may include at least one hidden layer, and an odd number of hidden layers may be disposed between input and output layers. The number of nodes of each layer may be reduced from the number of nodes of the input layer to an intermediate layer called the bottleneck layer (encoding), and then expanded symmetrically with the reduction from the bottleneck layer to the output layer (symmetrical to the input layer).
  • Autoencoders can perform non-linear dimensionality reduction. The number of input layers and output layers may correspond to dimensions after preprocessing of input data.
  • the number of hidden layer nodes included in the encoder may decrease as the distance from the input layer increases. If the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and decoder) is too small, a sufficient amount of information may not be conveyed, so more than a certain number (e.g., more than half of the input layer, etc.) ) may be maintained.
  • the neural network may be trained using at least one of supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning. Learning of the neural network may be a process of applying knowledge for the neural network to perform a specific operation to the neural network.
  • a neural network can be trained in a way that minimizes output errors.
  • the learning data is repeatedly input into the neural network, the output of the neural network for the training data and the error of the target are calculated, and the error of the neural network is transferred from the output layer of the neural network to the input layer in the direction of reducing the error. It is a process of updating the weight of each node of the neural network by backpropagating in the same direction.
  • the learning data in which the correct answer is labeled is used for each learning data (ie, the labeled learning data), and in the case of comparative teacher learning, the correct answer may not be labeled in each learning data.
  • learning data in the case of teacher learning regarding data classification may be data in which each learning data is labeled with a category.
  • Labeled training data is input to a neural network, and an error may be calculated by comparing an output (category) of the neural network and a label of the training data.
  • an error may be calculated by comparing input learning data with a neural network output. The calculated error is back-propagated in a reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back-propagation. The amount of change in the connection weight of each updated node may be determined according to a learning rate.
  • the neural network's computation of input data and backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently according to the number of iterations of the learning cycle of the neural network. For example, a high learning rate may be used in the early stage of neural network training to increase efficiency by allowing the neural network to quickly obtain a certain level of performance, and a low learning rate may be used in the late stage to increase accuracy.
  • training data can be a subset of real data (ie, data to be processed using the trained neural network), and therefore, errors for training data are reduced, but errors for real data are reduced. There may be incremental learning cycles.
  • Overfitting is a phenomenon in which errors for actual data increase due to excessive learning on the training data. For example, a phenomenon in which a neural network that has learned a cat by showing a yellow cat does not recognize that it is a cat when it sees a cat other than yellow may be a type of overfitting. Overfitting can act as a cause of increasing the error of machine learning algorithms.
  • Various optimization methods can be used to prevent such overfitting. To prevent overfitting, methods such as increasing the training data, regularization, inactivating some nodes of the network during learning, dropout, and using a batch normalization layer can be applied. there is.
  • FIG. 3 is a block diagram showing a conventional active learning process.
  • Active learning is basically a training phase in which a neural network model is trained using an existing data set (i.e. a labeled data set) and a data pool in which labels do not exist are selected to be assigned a label. It can be distinguished by the acquisition phase, which is a process.
  • Existing general active learning has an iterative structure in which the data set obtained through the acquisition phase is added to the existing data set, and the learning phase proceeds again.
  • a neural network model may perform learning based on a labeled data set.
  • the labeled data set may be a data set initially labeled through an oracle, or a data set in which data selected through an acquisition step and labeled through an oracle are additionally included in the existing labeled data set.
  • an oracle may be understood as an arbitrary module that performs labeling or annotation based on a query of a learned neural network model.
  • the neural network model may generate a query for selecting data necessary for learning based on a learning result according to a query strategy.
  • the oracle can select data according to the query from the unlabeled data pool and assign labels.
  • the learning step and acquisition step of the existing active learning as described above may be repeatedly performed until the neural network model reaches a target performance.
  • the neural network model M 200 may receive a labeled training data set L 0 and perform learning.
  • the neural network model M 200 may generate a query for selecting data necessary for the next learning based on the initial learning result.
  • the oracle selects data necessary for the second learning from the data pool for which labels do not exist based on the query, performs labeling, and generates a learning data set G 0 .
  • the neural network model M (200) constructs a training data set L 1 by including the acquisition data set G 0 in the existing training data set L 0 and performs learning based on this. there is.
  • the neural network model M 200 may generate a query for selecting data necessary for the next learning based on the second learning result.
  • the oracle selects data necessary for the third learning from the data pool for which labels do not exist based on the query and performs labeling to generate the learning data set G 1 .
  • the neural network model M (200) may configure a learning data set by including the acquired data set G 1 in the existing training data set L 1 , and perform learning based thereon. Such learning and acquisition may be repeatedly performed until the neural network model M 200 reaches a target performance.
  • FIG. 4 is a block diagram illustrating an active learning process according to an embodiment of the present disclosure.
  • the existing active learning of FIG. 3 has a chronic problem that it is greatly affected by the initialization of the neural network and the neural network is easily overfitted.
  • Active learning according to an embodiment of the present disclosure as shown in FIG. 4 can effectively improve this problem by utilizing a curriculum and knowledge distillation.
  • a neural network model may perform learning based on a curriculum in which the difficulty of a learning data set is gradually increased in a learning step.
  • an index for classifying the difficulty of the learning data set may be the acquisition time of the learning data set.
  • the curriculum can be understood as a concept of classifying the difficulty of the learning data set according to the acquisition time of the learning data set and learning the neural network model while increasing the learning difficulty based on the divided learning data set.
  • the recently acquired data i.e. the data most recently labeled based on the training result and included in the training dataset
  • the neural network model has not used for training, so it is compared to the previously learned data set. It can be seen as the most difficult.
  • active learning according to an embodiment of the present disclosure is based on a curriculum for classifying a data set previously acquired and used for learning into easy-to-learn data and a recently acquired data set not used for learning into difficult-to-learn data.
  • the neural network model according to an embodiment of the present disclosure can perform curriculum-based learning in which the learning difficulty is gradually increased by sequentially receiving and learning data sets from an old data set to a recently acquired data set. there is.
  • knowledge distillation may be performed in which knowledge of a neural network model in a previous learning step is transferred to a neural network model in a current learning step.
  • knowledge distillation may be understood as a technical concept that allows a neural network model performing curriculum-based active learning to receive knowledge already learned in a previous learning step and perform efficient learning.
  • knowledge distillation helps to effectively perform learning on a data set having a low learning difficulty.
  • the neural network model performs initial learning based on the data set learned in the previous training stage, which is a training data set with low learning difficulty. help you adapt quickly.
  • active learning has a basic structure divided into a learning phase and an acquisition phase as shown in FIG. 3, and the learning phase and the acquisition phase are repeated until the neural network model reaches a target performance. let it be done Referring to FIG. 4 , in an initial learning step for active learning, the neural network model M 1 310 may receive a labeled training data set L 0 and perform learning.
  • a learning data set L 1 may be configured by including the acquisition data set G 0 in the data set L 0 , and learning may be performed based on the data set L 0 .
  • the neural network model M 3 (330) uses the existing learning
  • a learning data set may be configured by including the acquisition data set G 1 in the data set L 1 , and learning may be performed based on the data set L 1 .
  • the neural network model M 1 (310), the neural network model M 2 (320), and the neural network model M 3 (330) distinguish one neural network model that performs active learning according to the learning time point to explain knowledge distillation. can be understood Since active learning according to an embodiment of the present disclosure is a technical concept applied to a learning step, a detailed description of the learning step will be replaced with the above-described content based on FIG. 3 .
  • active learning performs curriculum-based learning in the learning step and distills previously learned knowledge in the learning step.
  • Knowledge distillation and curriculum can all be equally applied in the learning phase that is performed iteratively in active learning.
  • a knowledge distillation and curriculum-based learning process based on the third learning step will be described.
  • a neural network based on only the data set L 1 used in the previous learning stage as a data set having a low learning difficulty excluding the most recently acquired data set G 1 as a data set having a high learning difficulty. Learning of the model M 3 (330) may proceed.
  • the neural network being trained in the current learning step is used by using the neural network model M 2 (320) learned in the previous second learning step.
  • Knowledge distillation can be performed on the Model M 3 (330). This knowledge distillation serves to prevent overfitting of the neural network model M 3 (330) to a data set that is easy to learn.
  • the neural network model M 3 ( The learning of 330 may proceed in the second half (20).
  • whether learning has reached a certain level may be determined based on whether the number of cycle repetitions of learning based on the data set L 1 having a low learning difficulty is greater than or equal to a threshold value. Whether or not learning has reached a certain level may be determined based on whether an indicator for a learning result, such as accuracy or reliability, is greater than or equal to a threshold value.
  • an indicator for a learning result such as accuracy or reliability
  • g t-1 is a recently acquired data set (ie a data set with a high learning difficulty)
  • L t-1 is a data set used in the previous learning step (ie a data set with a low learning difficulty).
  • x i and y i are training data and labels corresponding to the training data, respectively.
  • L ce is the cross entropy function
  • L dist is the Kullback-Leibler divergence function used for knowledge distillation.
  • ⁇ is a hyperparameter for controlling the knowledge distillation
  • ⁇ is a hyperparameter for controlling the influence of the hard-to-learn data set g t-1 .
  • the neural network model When the neural network model has been trained to a certain level or higher based on the easy-to-learn data set L t-1 , the most recently acquired data set g t-1 through the curriculum is added to the training data set so that the neural network model can be learned. can proceed This process can be implemented by gradually increasing the value of ⁇ . That is, when the learning of the neural network model reaches a certain level while learning based on the data set L t-1 with low learning difficulty is performed, the neural network model will perform learning on the data set g t-1 with high learning difficulty.
  • the value of ⁇ may be sequentially increased to enable
  • the weight of the loss function L dist corresponding to knowledge distillation may gradually decrease in the total loss function. This process can be implemented by gradually decreasing the value of ⁇ in [Equation 1].
  • FIG. 5 is a flowchart illustrating a process of learning a neural network model performed by a computing device according to an embodiment of the present disclosure.
  • the computing device 100 may learn a neural network model based on a first learning data set among learning data sets acquired through active learning. Learning of the neural network model based on the first training data set may be performed in a learning step of active learning or a learning step among acquisition steps.
  • the first learning data set may be a data set having a low learning difficulty among learning data acquired through active learning.
  • the low level of learning difficulty can be understood as the fact that the period of acquiring data through active learning has been long.
  • step S100 the computing device 100 may perform knowledge distillation on the neural network model based on the neural network model previously trained through active learning. For example, assuming that the learning point in step S100 is a first point in time and the learning point in the learning step performed before step S100 is a second point in time, the computing device 100 calculates the neural network model learned at the second point in time. Knowledge distillation of the neural network model may be performed by transferring the knowledge to the neural network model of the first view. In this case, the neural network model learned at the second point of view and the neural network model at the first point of view may be the same neural network model that performs active learning with only a difference in point of view.
  • the computing device 100 may perform knowledge distillation for learning of the first training data set in step S100 so that the neural network model can utilize the knowledge learned in the past learning step in the current learning step.
  • Knowledge distillation may be performed prior to or in parallel with the above-described learning process for the first training data set.
  • the computing device 100 may train the neural network model by using a second training data set having a higher learning difficulty than the first training data set among learning data sets acquired through active learning. Learning of the neural network model based on the second training data set may be performed in a learning step of active learning or a learning step among acquisition steps.
  • the second learning data set may be a data set having a high learning difficulty among learning data acquired through active learning.
  • the second training data set may be understood to include a data set recently acquired compared to the first training data set in the process of active learning.
  • the computing device 100 may learn the neural network model by gradually adding a second training data set as an input after a predetermined point in time in the process of step S100.
  • the computing device 100 uses the first training data set and the second training data set as inputs of the neural network model to model the neural network. can be learned.
  • the predetermined point in time may be understood as a point in time when the level of learning based on the first learning data set reaches the reference value.
  • the neural network model may be learned based on a first loss function applied to learning based on the first training data set and a second loss function applied to learning using the second training data set.
  • the first loss function is a first sub loss function for learning the neural network model based on the first training data set and a second sub loss function for knowledge distillation based on the neural network model previously learned through active learning.
  • the first loss function may be defined as a weighted sum of the first sub loss function and the second sub loss function.
  • a first hyperparameter may be applied to the second sub loss function for a weighted sum of the first sub loss function and the second sub loss function.
  • a second hyperparameter which is a coefficient for independently controlling the proportion in the entire loss function, may be applied to the second loss function.
  • the first sub loss function and the second loss function may be a cross entropy function L ce
  • the second sub loss function may be a Kullback-Leibler divergence function L dist
  • the first hyperparameter is a coefficient for controlling knowledge distillation and may be ⁇ applied to the second sub-loss function.
  • the first hyperparameter may be gradually decreased as learning of the neural network model based on the first training data set progresses.
  • the second hyperparameter is a coefficient for adjusting the effect of the second training data set on learning of the neural network model, and may be ⁇ applied to the second sub-loss function.
  • the second hyperparameter may have a value of 0 at an initial point in time when learning of the neural network model based on the first training data set is performed.
  • the second hyperparameter may be gradually increased after a predetermined point in time in order to increase the influence of the second training data set during the process of learning the neural network model based on the first training data set.
  • the predetermined point in time may be understood as a point in time when a learning result of the neural network model based on the first training data set reaches a target value.
  • the target value may be the number of iterations of the learning cycle or may be an index for learning results such as accuracy and reliability. Since the above target value is just one example, the target value may be configured in various ways within a range changeable by those skilled in the art based on the present disclosure.
  • a computer readable medium storing a data structure is disclosed.
  • Data structure can refer to the organization, management, and storage of data that enables efficient access and modification of data.
  • Data structure may refer to the organization of data to solve a specific problem (eg, data retrieval, data storage, data modification in the shortest time).
  • a data structure may be defined as a physical or logical relationship between data elements designed to support a specific data processing function.
  • a logical relationship between data elements may include a connection relationship between user-defined data elements.
  • a physical relationship between data elements may include an actual relationship between data elements physically stored in a computer-readable storage medium (eg, a persistent storage device).
  • the data structure may specifically include a set of data, a relationship between data, and a function or command applicable to the data.
  • a computing device can perform calculations while using minimal resources of the computing device. Specifically, the computing device can increase the efficiency of operation, reading, insertion, deletion, comparison, exchange, and search through an effectively designed data structure.
  • the data structure can be divided into a linear data structure and a non-linear data structure according to the shape of the data structure.
  • a linear data structure may be a structure in which only one data is connected after one data.
  • Linear data structures may include lists, stacks, queues, and decks.
  • a list may refer to a series of data sets in which order exists internally.
  • the list may include a linked list.
  • a linked list may be a data structure in which data are connected in such a way that each data is connected in a single line with a pointer. In a linked list, a pointer can contain information about connection to the next or previous data.
  • a linked list can be expressed as a singly linked list, a doubly linked list, or a circular linked list depending on the form.
  • a stack can be a data enumeration structure that allows limited access to data.
  • a stack can be a linear data structure in which data can be processed (eg, inserted or deleted) at only one end of the data structure.
  • the data stored in the stack may be a LIFO-Last in First Out (Last in First Out) data structure.
  • a queue is a data listing structure that allows limited access to data, and unlike a stack, it can be a data structure (FIFO-First in First Out) in which data stored later comes out later.
  • a deck can be a data structure that can handle data from either end of the data structure.
  • the nonlinear data structure may be a structure in which a plurality of data are connected after one data.
  • the non-linear data structure may include a graph data structure.
  • a graph data structure can be defined as a vertex and an edge, and an edge can include a line connecting two different vertices.
  • a graph data structure may include a tree data structure.
  • the tree data structure may be a data structure in which one path connects two different vertices among a plurality of vertices included in the tree. That is, it may be a data structure that does not form a loop in a graph data structure.
  • the data structure may include a neural network. And the data structure including the neural network may be stored in a computer readable medium.
  • the data structure including the neural network may also include preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation function associated with each node or layer of the neural network, and neural network It may include a loss function for learning of .
  • a data structure including a neural network may include any of the components described above.
  • the data structure including the neural network includes preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation function associated with each node or layer of the neural network, and neural network. It may be configured to include all or any combination thereof, such as a loss function for learning of .
  • the data structure comprising the neural network may include any other information that determines the characteristics of the neural network.
  • the data structure may include all types of data used or generated in the computational process of the neural network, but is not limited to the above.
  • a computer readable medium may include a computer readable recording medium and/or a computer readable transmission medium.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network includes one or more nodes.
  • the data structure may include data input to the neural network.
  • a data structure including data input to the neural network may be stored in a computer readable medium.
  • Data input to the neural network may include training data input during a neural network learning process and/or input data input to a neural network that has been trained.
  • Data input to the neural network may include pre-processed data and/or data subject to pre-processing.
  • Pre-processing may include a data processing process for inputting data to a neural network.
  • the data structure may include data subject to pre-processing and data generated by pre-processing.
  • the data structure may include the weights of the neural network.
  • weights and parameters may be used in the same meaning.
  • a data structure including weights of a neural network may be stored in a computer readable medium.
  • a neural network may include a plurality of weights.
  • the weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are interconnected by respective links to one output node, the output node is set to a link corresponding to values input to input nodes connected to the output node and respective input nodes.
  • a data value output from an output node may be determined based on the weight.
  • the weights may include weights that are varied during neural network training and/or weights for which neural network training has been completed.
  • the variable weight in the neural network learning process may include a weight at the time the learning cycle starts and/or a variable weight during the learning cycle.
  • the weights for which neural network learning has been completed may include weights for which learning cycles have been completed.
  • the data structure including the weights of the neural network may include a data structure including weights that are variable during the neural network learning process and/or weights for which neural network learning is completed. Therefore, it is assumed that the above-described weights and/or combinations of weights are included in the data structure including the weights of the neural network.
  • the foregoing data structure is only an example, and the present disclosure is not limited thereto.
  • the data structure including the weights of the neural network may be stored in a computer readable storage medium (eg, a memory or a hard disk) after going through a serialization process.
  • Serialization can be the process of converting a data structure into a form that can be stored on the same or another computing device and later reconstructed and used.
  • a computing device may serialize data structures to transmit and receive data over a network.
  • the data structure including the weights of the serialized neural network may be reconstructed on the same computing device or another computing device through deserialization.
  • the data structure including the weights of the neural network is not limited to serialization.
  • the data structure including the weights of the neural network is a data structure for increasing the efficiency of operation while minimizing the resource of the computing device (for example, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree).
  • the resource of the computing device for example, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree.
  • the data structure may include hyper-parameters of the neural network.
  • the data structure including the hyperparameters of the neural network may be stored in a computer readable medium.
  • a hyperparameter may be a variable variable by a user. Hyperparameters include, for example, learning rate, cost function, number of learning cycle iterations, weight initialization (eg, setting the range of weight values to be targeted for weight initialization), hidden unit number (eg, the number of hidden layers and the number of nodes in the hidden layer).
  • weight initialization eg, setting the range of weight values to be targeted for weight initialization
  • hidden unit number eg, the number of hidden layers and the number of nodes in the hidden layer.
  • FIG. 6 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types.
  • methods of the present disclosure can be applied to single-processor or multiprocessor computer systems, minicomputers, mainframe computers as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, and the like ( It will be appreciated that each of these may be implemented with other computer system configurations, including those that may be operative in connection with one or more associated devices.
  • the described embodiments of the present disclosure may also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network.
  • program modules may be located in both local and remote memory storage devices.
  • Computers typically include a variety of computer readable media.
  • Computer readable media can be any medium that can be accessed by a computer, including volatile and nonvolatile media, transitory and non-transitory media, removable and non-transitory media. Includes removable media.
  • Computer readable media may include computer readable storage media and computer readable transmission media.
  • Computer readable storage media are volatile and nonvolatile media, transitory and non-transitory, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.
  • Computer readable storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage device, magnetic cassette, magnetic tape, magnetic disk storage device or other magnetic storage device. device, or any other medium that can be accessed by a computer and used to store desired information.
  • a computer readable transmission medium typically embodies computer readable instructions, data structures, program modules or other data in a modulated data signal such as a carrier wave or other transport mechanism. Including all information delivery media.
  • modulated data signal means a signal that has one or more of its characteristics set or changed so as to encode information within the signal.
  • computer readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer readable transmission media.
  • System bus 1108 couples system components, including but not limited to system memory 1106 , to processing unit 1104 .
  • Processing unit 1104 may be any of a variety of commercially available processors. Dual processor and other multiprocessor architectures may also be used as the processing unit 1104.
  • System bus 1108 may be any of several types of bus structures that may additionally be interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures.
  • System memory 1106 includes read only memory (ROM) 1110 and random access memory (RAM) 1112 .
  • ROM read only memory
  • RAM random access memory
  • a basic input/output system (BIOS) is stored in non-volatile memory 1110, such as ROM, EPROM, or EEPROM, and is a basic set of information that helps transfer information between components within computer 1102, such as during startup. contains routines.
  • RAM 1112 may also include high-speed RAM, such as static RAM, for caching data.
  • the computer 1102 may also include an internal hard disk drive (HDD) 1114 (eg, EIDE, SATA) - the internal hard disk drive 1114 may also be configured for external use within a suitable chassis (not shown).
  • HDD hard disk drive
  • FDD magnetic floppy disk drive
  • optical disk drive 1120 e.g., a CD-ROM
  • the hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are connected to the system bus 1108 by a hard disk drive interface 1124, magnetic disk drive interface 1126, and optical drive interface 1128, respectively.
  • the interface 1124 for external drive implementation includes at least one or both of USB (Universal Serial Bus) and IEEE 1394 interface technologies.
  • drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like.
  • drives and media correspond to storing any data in a suitable digital format.
  • computer readable media refers to HDDs, removable magnetic disks, and removable optical media such as CDs or DVDs, those skilled in the art can use zip drives, magnetic cassettes, flash memory cards, cartridges, etc. It will be appreciated that other tangible media readable by the computer, such as the like, may also be used in the exemplary operating environment and any such media may include computer executable instructions for performing the methods of the present disclosure.
  • a number of program modules may be stored on the drive and RAM 1112, including an operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136. All or portions of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented in a variety of commercially available operating systems or combinations of operating systems.
  • a user may enter commands and information into the computer 1102 through one or more wired/wireless input devices, such as a keyboard 1138 and a pointing device such as a mouse 1140.
  • Other input devices may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, and the like.
  • an input device interface 1142 that is connected to the system bus 1108, a parallel port, IEEE 1394 serial port, game port, USB port, IR interface, may be connected by other interfaces such as the like.
  • a monitor 1144 or other type of display device is also connected to the system bus 1108 through an interface such as a video adapter 1146.
  • computers typically include other peripheral output devices (not shown) such as speakers, printers, and the like.
  • Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148 via wired and/or wireless communications.
  • Remote computer(s) 1148 may be a workstation, computing device computer, router, personal computer, handheld computer, microprocessor-based entertainment device, peer device, or other common network node, and generally includes It includes many or all of the components described for, but for simplicity, only memory storage device 1150 is shown.
  • the logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or a larger network, such as a wide area network (WAN) 1154 .
  • LAN and WAN networking environments are common in offices and corporations and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to worldwide computer networks, such as the Internet.
  • computer 1102 When used in a LAN networking environment, computer 1102 connects to local network 1152 through wired and/or wireless communication network interfaces or adapters 1156. Adapter 1156 may facilitate wired or wireless communications to LAN 1152, which also includes a wireless access point installed therein to communicate with wireless adapter 1156.
  • computer 1102 When used in a WAN networking environment, computer 1102 may include a modem 1158, be connected to a communicating computing device on WAN 1154, or establish communications over WAN 1154, such as over the Internet. have other means.
  • a modem 1158 which may be internal or external and a wired or wireless device, is connected to the system bus 1108 through a serial port interface 1142.
  • program modules described for computer 1102, or portions thereof may be stored on remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing a communication link between computers may be used.
  • Computer 1102 is any wireless device or entity that is deployed and operating in wireless communication, eg, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communication satellites, wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • wireless communication eg, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communication satellites, wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • PDAs portable data assistants
  • communication satellites e.g., a wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • the communication may be a predefined structure as in conventional networks or simply an ad hoc communication between at least two devices.
  • Wi-Fi Wireless Fidelity
  • Wi-Fi is a wireless technology, such as a cell phone, that allows such devices, eg, computers, to transmit and receive data both indoors and outdoors, i.e. anywhere within coverage of a base station.
  • Wi-Fi networks use a radio technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections.
  • Wi-Fi can be used to connect computers to each other, to the Internet, and to wired networks (using IEEE 802.3 or Ethernet).
  • Wi-Fi networks can operate in the unlicensed 2.4 and 5 GHz radio bands, for example, at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band) .
  • Various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques.
  • article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device.
  • computer-readable storage media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash memory devices (eg, EEPROM, cards, sticks, key drives, etc.), but are not limited thereto.
  • various storage media presented herein include one or more devices and/or other machine-readable media for storing information.

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 커리큘럼(curriculum) 기반의 능동적 학습(active learning) 방법이 개시된다. 상기 방법은, 능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키는 단계; 및 상기 능동적 학습을 통해 습득된 학습 데이터 세트 중 상기 제 1 학습 데이터 세트 대비 학습 난이도가 높은 제 2 학습 데이터 세트를 이용하여 상기 신경망 모델을 학습시키는 단계를 포함할 수 있다.

Description

커리큘럼 기반의 능동적 학습 방법
본 발명은 신경망 모델의 학습 방법에 관한 것으로, 보다 구체적으로 신경망 모델의 개선된 능동적 학습(active learning) 방법에 관한 것이다.
딥러닝의 좋은 성능을 담보하기 위해서는 신경망 모델이 충분히 학습되어 동작할 수 있도록 양질의 학습 데이터가 많이 확보되어야 하는 것이 필수적이다. 따라서, 딥러닝의 좋은 성능을 담보하기 위해서는 학습 과정에서 많은 라벨링(labeling) 비용이 소요될 수 밖에 없다. 이러한 라벨링 비용 문제를 개선시키기 위한 방법 중 하나가 바로 능동적 학습(active learning)이다.
능동적 학습(active learning)이란, 학습된 신경망 모델을 이용하여 라벨링 되지 않은 데이터 세트에서 학습에 효과적인 데이터를 선별하여 학습에 활용하는 학습 방법을 말한다. 구체적으로, 능동적 학습은 라벨링된 데이터 세트를 기초로 학습된 모델이 학습에 중요한 데이터를 선택하면, 오라클(oracle)이 라벨링 되지 않은 데이터 세트에서 학습된 모델을 통해 선택된 데이터에 라벨링을 수행하고 이를 학습에 반영하는 프로세스로 수행된다. 즉, 능동적 학습은 라벨링된 기존의 데이터 세트를 이용해서 신경망 모델을 학습시키는 학습 단계(training phase)와 라벨이 존재하지 않는 데이터 세트에서 라벨을 붙일 데이터를 추출하는 과정인 습득 단계(acquisition phase) 로 구별될 수 있다.
한편, 능동적 학습은 신경망 모델의 학습이 필요한 데이터의 라벨링 비용을 낮출 수 있는 효과적인 학습 전략이지만, 일반적으로 소량의 데이터 세트를 신경망 모델의 학습 단계에서 활용하기 때문에 여러 단점들이 존재한다. 예를 들어, 일반적인 능동적 학습은 소량의 데이터 세트를 학습 단계에서 활용하므로, 모델이 신경망의 초기화(initialization)에 영향을 크게 받아 제대로 된 성능을 낼 수 없는 단점이 존재한다. 또한, 일반적인 능동적 학습은 소량의 데이터 세트를 학습 단계에서 활용하므로, 모델이 과적합(overfitting)되어 제대로 된 성능을 낼 수 없는 단점이 존재한다.
대한민국 공개특허 제10-2021-0075843호(2021.06.23)는 신경망 모델의 학습을 위한 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 일반적인 능동적 학습의 단점을 효과적으로 개선시킬 수 있는 학습 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 커리큘럼(curriculum) 기반의 능동적 학습 방법이 개시된다. 상기 방법은, 능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키는 단계; 및 상기 능동적 학습을 통해 습득된 학습 데이터 세트 중 상기 제 1 학습 데이터 세트 대비 학습 난이도가 높은 제 2 학습 데이터 세트를 이용하여 상기 신경망 모델을 학습시키는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 능동적 학습을 통해 습득된 학습 데이터 세트의 학습 난이도는, 상기 능동적 학습을 통한 데이터의 습득 시기에 따라 구별될 수 있다.
대안적 실시예에서, 상기 제 2 학습 데이터 세트는, 상기 능동적 학습의 과정에서 상기 제 1 학습 데이터 세트 대비 최근에 습득된 데이터 세트를 포함할 수 있다.
대안적 실시예에서, 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키는 단계는, 능동적 학습을 통해 선행 학습된 신경망 모델을 기반으로 상기 신경망 모델에 대한 지식 증류(knowledge distillation)를 수행하는 단계를 포함할 수 있다.
대안적 실시예에서, 제 2 학습 데이터 세트를 이용하여 상기 신경망 모델을 학습시키는 단계는, 상기 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 학습이 수행되는 과정에서 소정의 시점 이후 상기 제 2 학습 데이터 세트를 입력으로 추가하여 상기 신경망 모델을 학습시키는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 신경망 모델은, 상기 제 1 학습 데이터 세트에 기반한 학습에 적용되는 제 1 손실함수 및 상기 제 2 학습 데이터 세트를 이용한 학습에 적용되는 제 2 손실함수를 기반으로 학습될 수 있다.
대안적 실시예에서, 상기 제 1 손실함수는, 상기 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 능동적 학습을 위한 제 1 서브 손실함수; 및 능동적 학습을 통해 선행 학습된 신경망 모델을 기반으로 수행되는 상기 신경망 모델에 대한 지식 증류를 위한 제 2 서브 손실함수를 포함할 수 있다.
대안적 실시예에서, 상기 제 2 서브 손실함수에는 상기 지식 증류를 제어하기 위한 제 1 하이퍼 파라미터(hyper parameter)가 적용될 수 있다.
대안적 실시예에서, 상기 제 1 하이퍼 파라미터는, 상기 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 학습이 진행될수록 점진적으로 감소될 수 있다.
대안적 실시예에서, 상기 제 1 손실함수의 제 1 서브 손실함수는, 교차 엔트로피(cross entropy) 함수이고, 상기 제 1 손실함수의 제 2 서브 손실함수는, 쿨백-라이블러 발산(kullback-leibler divergence) 함수일 수 있다.
대안적 실시예에서, 상기 제 2 손실함수에는 상기 제 2 학습 데이터 세트가 상기 신경망 모델의 학습에 미치는 영향을 조절하기 위한 제 2 하이퍼 파라미터가 적용될 수 있다.
대안적 실시예에서, 상기 제 2 하이퍼 파라미터는, 상기 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 학습이 수행되는 최초 시점에 0의 값을 가질 수 있다.
대안적 실시예에서, 상기 제 2 하이퍼 파라미터는, 상기 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 학습이 수행되는 과정에서 상기 제 2 학습 데이터 세트의 영향을 증가시키기 위해, 소정의 시점 이후 점진적으로 증가될 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 커리큘럼 기반의 능동적 학습을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키는 동작; 및 상기 능동적 학습을 통해 습득된 학습 데이터 세트 중 상기 제 1 학습 데이터 세트 대비 학습 난이도가 높은 제 2 학습 데이터 세트에 기반하여 상기 신경망 모델을 학습시키는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 딥러닝을 기반으로 커리큘럼 기반의 능동적 학습을 수행하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 네트워크부를 포함하고, 상기 프로세서는, 능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키고, 상기 능동적 학습을 통해 습득된 학습 데이터 세트 중 상기 제 1 학습 데이터 세트 대비 학습 난이도가 높은 제 2 학습 데이터 세트에 기반하여 상기 신경망 모델을 학습시킬 수 있다.
전술한 바와 같은 과제를 실현하기 위해 학습 과정에서 적어도 일부가 업데이트 되는 신경망의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체가 개시된다. 상기 신경망의 연산은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 학습 과정은, 능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키는 단계; 및 상기 능동적 학습을 통해 습득된 학습 데이터 세트 중 상기 제 1 학습 데이터 세트 대비 학습 난이도가 높은 제 2 학습 데이터 세트에 기반하여 상기 신경망 모델을 학습시키는 단계를 포함할 수 있다.
본 개시는 일반적인 능동적 학습의 단점을 효과적으로 개선시킬 수 있는 학습 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 커리큘럼 기반의 능동적 학습을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
도 3은 기존의 일반적인 능동적 학습 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 능동적 학습 과정을 나타낸 블록 구성도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 신경망 모델의 학습 과정을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
한편, 본 개시의 상세한 설명 및 청구항들에 걸쳐 표현된 "제 N(N은 자연수)"이라는 용어는 발명의 구성요소들을 시간적, 기능적 혹은 구조적 관점에서 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. "제 N"이라는 용어는 소정의 기준에 따라 구성요소들을 구별하여 표현하기 위해 사용되는 용어로 이해될 수 있다. 예를 들어, 본 개시에서 신경망 모델의 학습 난이도에 따라 구분되는 학습 데이터 세트는, 제 1 학습 데이터 세트, 제 2 학습 데이터 세트 등과 같이 제 N 구성이라는 표현을 통해 구별될 수 있다. 또한, 신경망 모델의 학습에 사용되는 손실함수는 종류에 따라 제 1 손실함수, 제 2 손실함수 등과 같이 제 N 구성이라는 표현을 통해 구별될 수 있다. 다만, 이는 하나의 예시일 뿐이며, 여러 관점에서 다양한 기준에 따라 구성요소들을 구별하기 위해 "제 N"이라는 용어가 사용될 수 있다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1은 본 개시의 일 실시예에 따른 커리큘럼 기반의 능동적 학습을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망의 학습, 신경망을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망의 학습, 신경망을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 개선된 능동적 학습(active learning)을 기반으로 신경망 모델을 학습시킬 수 있다. 여기서, 개선된 능동적 학습은 학습 단계와 습득 단계로 구별되는 일반적인 능동적 학습에서 학습 단계에 적용되는 학습 방식으로 이해될 수 있다. 구체적으로, 프로세서(110)는 능동적 학습의 학습 단계에서 학습의 난이도를 점진적으로 증가시키는 커리큘럼을 기반으로 신경망 모델을 학습시킬 수 있다.
예를 들어, 프로세서(110)는 신경망 모델이 학습 난이도가 낮은 데이터 세트(i.e. 학습이 쉬운 데이터 세트)부터 학습 난이도가 높은 데이터 세트(i.e. 학습이 어려운 데이터 세트)를 순차적으로 학습하도록 능동적 학습 단계를 제어할 수 있다. 이때, 학습 데이터 세트의 난이도는 능동적 학습의 습득 단계를 통해 획득한 데이터의 습득 시기에 따라 구분될 수 있다. 능동적 학습은 학습 단계와 습득 단계를 반복적으로 수행하여 학습에 필요한 데이터 세트를 확장해 나가기 때문에, 가장 최근에 습득된 데이터(i.e. 학습 직전 습득 단계를 통해 라벨링된 데이터)가 신경망 모델이 학습하지 않은 새로운 학습 데이터로서, 학습 난이도가 가장 높은 데이터로 이해될 수 있다. 따라서, 프로세서(110)는 습득 시기가 오래된 데이터 세트일수록 학습이 용이한 데이터 세트(i.e. 습득 시기가 최근인 데이터 세트일수록 학습이 어려운 데이터 세트)로 학습 데이터 세트를 분류할 수 있다. 그리고, 프로세서(110)는 분류된 학습 데이터 세트를 커리큘럼에 따라 신경망 모델로 입력시켜 신경망 모델이 학습 난이도를 점차 높여가면서 학습을 수행하도록 신경망 모델의 학습 과정을 제어할 수 있다. 이와 같은 커리큘럼 기반의 능동적 학습 과정을 통해, 심층 신경망의 초기화에 의한 영향을 최소화할 수 있고, 일반화와 빠른 수렴 속도에 장점을 갖는 신경망 모델이 구축될 수 있다.
또한, 상술한 커리큘럼 기반의 능동적 학습을 수행하는 과정에서, 프로세서(110)는 능동적 학습의 이전 학습 단계에서 선행 학습된 신경망 모델을 기초로 현재 학습 단계에서 학습될 신경망 모델에 대한 지식 증류(knowledge distillation)를 수행할 수 있다. 여기서, 지식 증류는 신경망 모델의 크기가 아닌 학습 단계와 습득 단계가 반복적으로 수행되는 능동적 학습에서 학습 단계의 시점을 기준으로 수행되는 연산 과정으로 이해될 수 있다.
예를 들어, 프로세서(110)는 능동적 학습의 이전 학습 단계에서 선행 학습된 신경망 모델을 기초로 능동적 학습의 이전 학습 단계에서 선행 학습된 신경망 모델의 지식을 현재 학습 단계에서 학습될 신경망 모델로 전달할 수 있다. 프로세서(110)는 능동적 학습의 학습 단계의 시점을 기준으로 현재 학습 단계에서의 모델을 학생(student) 모델, 현재 학습 단계의 이전 단계에서의 모델을 선생(teacher) 모델로 간주하고, 선생 모델의 출력과 학생 모델의 출력을 비교하여 학생 모델이 선생 모델을 모방하도록 학생 모델을 학습시키는 지식 증류를 수행할 수 있다. 이와 같은 지식 증류는 능동적 학습의 학습 단계에서 학습 난이도가 낮은 데이터 세트에 대한 학습이 효과적으로 수행될 수 있도록 한다. 능동적 학습의 선행 학습 단계에서 신경망 모델은 습득 시기가 오래된 학습 난이도가 낮은 데이터 세트에 대한 학습을 수행한다. 따라서, 능동적 학습의 선행 학습 단계에서 학습을 수행한 신경망 모델을 이용한 지식 증류는 능동적 학습의 현재 학습 단계에서 학습될 신경망 모델이 학습 난이도가 낮은 데이터 세트에 대한 학습을 효과적으로 수행할 수 있도록 도와준다. 또한, 능동적 학습의 선행 학습 단계에서 학습을 수행한 신경망 모델을 이용한 지식 증류는 신경망 모델이 학습 난이도가 낮은 데이터 세트에 대해 과적합 되는 것을 방지하도록 도와준다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 신경망 모델의 학습 혹은 추론에 필요한 데이터 세트, 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말 혹은 시스템과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 외부 데이터베이스와의 통신을 통해 신경망 모델의 학습에 필요한 데이터 세트를 수신할 수 있다. 네트워크부(150)는 프로세서(110)에 의해 학습된 신경망 모델의 출력을 외부 데이터베이스로 송신할 수 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 데이터를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 학습 데이터 세트를 통해 복수의 신경망 모델들을 학습시킬 수 있다. 서버인 컴퓨팅 장치(100)는 클라이언트의 요청에 따라 학습된 모델들을 사용하여 출력된 데이터를 클라이언트로 제공할 수 있다. 또한, 서버인 컴퓨팅 장치(100)는 클라이언트의 요청에 따라 학습된 모델들을 클라이언트로 제공할 수도 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
본 개시의 일 실시예에 따른 신경망 모델은 검출(detection), 분류(classification), 분할(segmentation) 등과 같은 특정 태스크(task)를 수행하기 위한 신경망을 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 신경망은 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 정규화(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 기존의 일반적인 능동적 학습 과정을 나타낸 블록 구성도이다.
능동적 학습은 기본적으로 기존의 데이터 세트(i.e. 라벨링된 데이터 세트)를 이용해서 신경망 모델을 학습시키는 학습 단계(training phase)와 라벨이 존재하지 않는 데이터 풀(pool)에서 라벨을 할당할 데이터를 선별하는 과정인 습득 단계(acquisition phase)로 구별될 수 있다. 기존의 일반적인 능동적 학습에서는 습득 단계를 통해 얻은 데이터 세트가 기존의 데이터 세트에 추가되고, 다시 학습 단계를 진행하게 되는 반복 구조를 갖고 있다. 구체적으로, 기존 능동적 학습의 학습 단계에서, 신경망 모델은 라벨링된 데이터 세트를 기초로 학습을 수행할 수 있다. 이때, 라벨링된 데이터 세트는 오라클(oracle)을 통해 최초 라벨링된 데이터 세트일 수도 있고, 습득 단계를 통해 선별되어 오라클을 통해 라벨링된 데이터가 기존의 라벨링된 데이터 세트에 추가적으로 포함된 데이터 세트일 수도 있다. 여기서, 오라클은 학습된 신경망 모델의 쿼리를 기초로 라벨링 혹은 어노테이션을 수행하는 임의의 모듈로 이해될 수 있다. 학습 단계가 완료되면, 기존 능동적 학습의 습득 단계에서, 신경망 모델은 쿼리 전략(query strategy)에 따라 학습 결과를 기초로 학습에 필요한 데이터를 선별하기 위한 쿼리를 생성할 수 있다. 그리고, 기존 능동적 학습의 습득 단계에서, 오라클이 라벨이 존재하지 않는 데이터 풀에서 쿼리에 맞추어 데이터를 선별하고 라벨을 할당할 수 있다. 상술한 바와 같은 기존의 능동적 학습의 학습 단계 및 습득 단계는 신경망 모델이 목표하는 성능에 도달할 때까지 반복적으로 수행될 수 있다.
예를 들어, 도 3을 참조하면, 기존의 능동적 학습을 위한 최초 학습 단계에서, 신경망 모델 M(200)은 라벨링된 학습 데이터 세트 L0를 입력받아 학습을 수행할 수 있다. 신경망 모델 M(200)은 최초 학습 결과를 기초로 다음 학습에 필요한 데이터를 선별하기 위한 쿼리를 생성할 수 있다. 최초 학습 단계가 완료되면, 최초 습득 단계에서 오라클은 쿼리를 기초로 라벨이 존재하지 않는 데이터 풀에서 두번째 학습에 필요한 데이터를 선별하고 라벨링을 수행하여 습득 데이터 세트 G0를 생성할 수 있다. 최초 습득 단계가 완료되면, 두번째 학습 단계에서, 신경망 모델 M(200)은 기존 학습 데이터 세트 L0에 습득 데이터 세트 G0를 포함시켜 학습 데이터 세트 L1을 구성하고 이를 기초로 학습을 수행할 수 있다. 그리고, 신경망 모델 M(200)은 두번째 학습 결과를 기초로 다음 학습에 필요한 데이터를 선별하기 위한 쿼리를 생성할 수 있다. 두번째 학습 단계가 완료되면, 두번째 습득 단계에서 오라클은 쿼리를 기초로 라벨이 존재하지 않는 데이터 풀에서 세번째 학습에 필요한 데이터를 선별하고 라벨링을 수행하여 습득 데이터 세트 G1을 생성할 수 있다. 두번째 습득 단계가 완료되면, 세번째 학습 단계에서, 신경망 모델 M(200)은 기존 학습 데이터 세트 L1에 습득 데이터 세트 G1을 포함시켜 학습 데이터 세트를 구성하고 이를 기초로 학습을 수행할 수 있다. 이와 같은 학습과 습득은 신경망 모델 M(200)이 목표로 하는 성능에 도달할 때까지 반복적으로 수행될 수 있다.
도 4는 본 개시의 일 실시예에 따른 능동적 학습 과정을 나타낸 블록 구성도이다.
도 3의 기존 능동적 학습은 신경망의 초기화에 영향을 많이 받고 신경망이 과적합되기 쉽다는 고질적인 문제를 안고 있다. 이러한 문제를 도 4와 같은 본 개시의 일 실시예에 따른 능동적 학습은 커리큘럼 및 지식 증류를 활용하여 효과적으로 개선시킬 수 있다.
본 개시의 일 실시예에 따른 능동적 학습에서는, 학습 단계에서 학습 데이터 세트의 난이도를 점차 높여가는 커리큘럼에 기반하여 신경망 모델이 학습을 수행할 수 있다. 이때, 학습 데이터 세트의 난이도를 구분하는 지표는 학습 데이터 세트의 습득 시기일 수 있다. 따라서, 커리큘럼은 학습 데이터 세트의 습득 시기에 따라 학습 데이터 세트의 난이도를 구분하고, 구분된 학습 데이터 세트를 기초로 학습 난이도를 높여가며 신경망 모델을 학습시키는 개념으로 이해될 수 있다. 능동적 학습에서는 최근에 습득한 데이터(i.e. 학습 결과를 기초로 가장 최근에 라벨링되어 학습 데이터 세트에 포함된 데이터)가 신경망 모델이 학습에 사용하지 않은 데이터이므로, 기존에 습득되어 이미 학습된 데이터 세트 대비 가장 난이도가 높다고 볼 수 있다. 따라서, 본 개시의 일 실시예에 따른 능동적 학습은 기존에 습득되어 학습에 사용된 데이터 세트를 학습이 쉬운 데이터, 최근에 습득되어 학습에 사용되지 않은 데이터 세트를 학습이 어려운 데이터로 구분하는 커리큘럼을 기반으로 수행될 수 있다. 다시 말해, 본 개시의 일 실시예에 따른 신경망 모델은 습득 시기가 오래된 데이터 세트부터 최근 습득된 데이터 세트를 순차적으로 입력받아 학습을 수행하여 학습 난이도를 점진적으로 증가시키는 커리큘럼 기반의 학습을 수행할 수 있다.
또한, 본 개시의 일 실시예에 따른 능동적 학습에서는, 이전 학습 단계의 신경망 모델의 지식을 현재 학습 단계의 신경망 모델이 전달받는 지식 증류가 수행될 수 있다. 이때, 지식 증류는 커리큘럼 기반의 능동적 학습을 수행하는 신경망 모델이 이전 학습 단계에서 이미 학습된 지식들을 전달받아 효율적인 학습을 수행하도록 하는 기술적 개념으로 이해될 수 있다. 전술하였듯이 학습 데이터 세트의 난이도는 학습 단계의 습득 시기에 따라 구별되므로, 지식 증류는 학습 난이도가 낮은 데이터 세트에 대한 학습이 효과적으로 수행될 수 있도록 도와준다. 다시 말해, 커리큘럼 기반의 능동적 학습에서는 신경망 모델이 학습 난이도가 낮은 학습 데이터 세트인 이전 학습 단계에서 학습된 데이터 세트를 기초로 초반 학습을 수행하므로, 지식 증류는 신경망 모델이 이전 학습 단계에서 학습된 지식에 빠르게 적응할 수 있도록 도와준다.
예를 들어, 본 개시의 일 실시예에 따른 능동적 학습은 도 3과 같이 학습 단계와 습득 단계로 구별되는 기본적인 구조를 가지고, 학습 단계와 습득 단계가 신경망 모델이 목표 성능에 도달할 때가지 반복적으로 수행되도록 한다. 도 4를 참조하면, 능동적 학습을 위한 최초 학습 단계에서, 신경망 모델 M1(310)은 라벨링된 학습 데이터 세트 L0를 입력받아 학습을 수행할 수 있다. 라벨이 존재하지 않는 데이터 풀에서 두번째 학습에 필요한 데이터를 선별하고 라벨링을 수행하여 습득 데이터 세트 G0를 생성하는 최초 습득 단계가 완료되면, 두번째 학습 단계에서, 신경망 모델 M2(320)는 기존 학습 데이터 세트 L0에 습득 데이터 세트 G0를 포함시켜 학습 데이터 세트 L1을 구성하고 이를 기초로 학습을 수행할 수 있다. 라벨이 존재하지 않는 데이터 풀에서 세번째 학습에 필요한 데이터를 선별하고 라벨링을 수행하여 습득 데이터 세트 G1을 생성하는 두번째 습득 단계가 완료되면, 세번째 학습 단계에서, 신경망 모델 M3(330)는 기존 학습 데이터 세트 L1에 습득 데이터 세트 G1을 포함시켜 학습 데이터 세트를 구성하고 이를 기초로 학습을 수행할 수 있다. 이때, 신경망 모델 M1(310), 신경망 모델 M2(320), 신경망 모델 M3(330)는 능동적 학습을 수행하는 하나의 신경망 모델을 지식 증류에 대한 설명을 위해 학습 시점에 맞추어 구별한 것으로 이해될 수 있다. 본 개시의 일 실시예에 따른 능동적 학습은 학습 단계에 적용되는 기술적 개념이므로, 습득 단계에 대한 구체적인 설명은 도 3을 기초로 상술한 내용으로 갈음하도록 한다.
그러나, 도 3의 기존 능동적 학습과는 달리 본 개시의 일 실시예에 따른 능동적 학습은 학습 단계에서 커리큘럼 기반의 학습을 수행하고, 학습 단계에서 선행 학습된 지식을 증류하는 작업을 수행한다. 지식 증류 및 커리큘럼은 능동적 학습에서 반복적으로 수행되는 학습 단계에서 동일하게 모두 적용될 수 있다. 이하에서는 세번째 학습 단계를 기준으로 지식 증류 및 커리큘럼 기반의 학습 과정을 설명한다. 구체적으로, 학습 단계의 초반부(10)에서는 학습 난이도가 높은 데이터 세트로서 가장 최근에 습득된 데이터 세트 G1을 제외한 학습 난이도가 낮은 데이터 세트로서 기존 학습 단계에서 사용된 데이터 세트 L1만을 기초로 신경망 모델 M3(330)의 학습이 진행될 수 있다. 이때, 학습이 용이한 데이터 세트 L1을 신경망 모델 M3(330)가 효과적으로 학습할 수 있도록 하기 위해서, 이전 두번째 학습 단계에서 학습된 신경망 모델 M2(320)을 이용해 현재 학습 단계에서 학습 중인 신경망 모델 M3(330)에 지식 증류를 수행할 수 있다. 이러한 지식 증류는 신경망 모델 M3(330)가 학습이 용이한 데이터 세트에 과적합 하는 것을 방지하는 역할을 수행한다. 학습 난이도가 낮은 데이터 세트 L1에 기초한 학습이 일정 수준에 도달하면, 커리큘럼에 따라 기존 데이터 세트 L1에 학습 난이도가 높은 데이터 세트 G1이 추가적으로 포함된 학습 데이터 세트를 기초로 신경망 모델 M3(330)의 학습이 후반부(20)에 진행될 수 있다. 이때, 학습이 일정 수준에 도달했는지 여부는 학습 난이도가 낮은 데이터 세트 L1에 기초한 학습의 사이클 반복 횟수가 임계값 이상인지 여부를 기초로 판단될 수 있다. 학습이 일정 수준에 도달했는지 여부는 정확도, 신뢰도 등 학습 결과에 대한 지표가 임계값 이상인지 여부를 기초로 판단될 수도 있다. 다만, 상술한 학습 수준의 판단에 대한 설명은 하나의 예시일 뿐이므로, 본 개시를 기초로 당업자가 변경 가능한 범주에서 다양한 판단 방식이 적용될 수 있다.
한편, 상술한 지식 증류 및 커리큘럼 기반의 능동적 학습 과정은 다음의 [수학식 1]과 같은 손실함수를 연산함으로써 구현될 수 있다.
[수학식 1]
Figure PCTKR2022003580-appb-img-000001
여기서, gt-1는 최근에 습득된 데이터 세트(i.e. 학습 난이도가 높은 데이터 세트)이며, Lt-1은 이전 학습 단계에 사용된 데이터 세트(i.e. 학습 난이도가 낮은 데이터 세트)이다. 또한, xi, yi 는 각각 학습 데이터와 학습 데이터에 대응하는 레이블이다. Lce는 교차 엔트로피(Cross Entropy)함수이며, Ldist는 지식 증류에 사용되는 쿨백-라이블러 발산(kullback-leibler divergence) 함수이다. α는 지식 증류를 조절하기 위한 하이퍼 파라미터이며, β는 학습이 어려운 데이터 세트 gt-1의 영향을 조절하는 하이퍼 파라미터이다. 본 개시의 일 실시예에 따른 능동적 학습의 학습 단계의 초반부에는 학습이 어려운 데이터 세트 gt-1는 학습에 이용되지 않으므로, β는 0의 값으로 설정될 수 있다.
학습이 쉬운 데이터 세트 Lt-1에 기반하여 신경망 모델이 소정의 수준 이상 학습이 되었을 때, 커리큘럼을 통해 가장 최근에 습득된 데이터 세트 gt-1를 학습 데이터 세트에 추가하여 신경망 모델의 학습이 진행될 수 있다. 이러한 과정은 β의 값을 점진적으로 증가시킴으로써 구현될 수 있다. 즉, 학습 난이도가 낮은 데이터 세트 Lt-1에 기반한 학습이 수행되는 과정에서 신경망 모델의 학습이 일정 수준에 도달하면, 신경망 모델이 학습 난이도가 높은 데이터 세트 gt-1에 대한 학습을 수행할 수 있도록 하기 위해 β의 값은 순차적으로 증가될 수 있다.
신경망 모델이 학습 난이도가 높은 데이터 세트 gt-1를 충분히 학습할 수 있도록 유도하기 위해, 지식 증류에 해당하는 손실함수 Ldist의 학습 영향력을 학습이 진행될수록 감소시켜야 할 필요가 있다. 따라서, 학습이 쉬운 데이터 세트 Lt-1에 기반한 학습이 진행됨과 동시에 지식 증류에 해당하는 손실함수 Ldist의 비중이 전체 손실함수에서 점진적으로 감소될 수 있다. 이러한 과정은 [수학식 1]에서 α의 값을 점진적으로 감소시킴으로써 구현될 수 있다. α의 값이 점진적으로 감소되면, 1-α은 반대로 커지게 되므로, 손실함수 Ldist의 비중이 작아짐에 따라 손실함수 Ldist와 합으로 표현된 학습 난이도가 낮은 데이터 Lt-1에 기반한 학습에 사용되는 손실함수(i.e. 1-α가 곱해진 Lce)의 비중은 커질 수 있다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 신경망 모델의 학습 과정을 나타낸 순서도이다.
도 5를 참조하면, S100 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시킬 수 있다. 제 1 학습 데이터 세트에 기반한 신경망 모델의 학습은 능동적 학습의 학습 단계 혹은 습득 단계 중 학습 단계에서 수행될 수 있다. 제 1 학습 데이터 세트는 능동적 학습을 통해 습득된 학습 데이터 중에서 학습 난이도가 낮은 데이터 세트일 수 있다. 학습 난이도가 낮다는 것은 능동적 학습을 통한 데이터의 습득 시기가 오래되었다는 것으로 이해될 수 있다.
S100 단계에서, 컴퓨팅 장치(100)는 능동적 학습을 통해 선행 학습된 신경망 모델을 기반으로 신경망 모델에 대한 지식 증류를 수행할 수 있다. 예를 들어, S100 단계에서의 학습 시점을 제 1 시점, S100 단계 이전에 수행되는 학습 단계에서의 학습 시점을 제 2 시점이라고 가정하면, 컴퓨팅 장치(100)는 제 2 시점에서 학습된 신경망 모델의 지식을 제 1 시점의 신경망 모델로 전달하여 신경망 모델의 지식 증류를 수행할 수 있다. 이때, 제 2 시점에서 학습된 신경망 모델과 제 1 시점의 신경망 모델은 시점의 차이만 있을 뿐, 능동적 학습을 수행하는 하나의 동일한 신경망 모델일 수 있다. 즉, 컴퓨팅 장치(100)는 신경망 모델이 과거 학습 단계에서 학습한 지식을 현재 학습 단계에서 활용할 수 있도록 S100 단계에서 제 1 학습 데이터 세트의 학습을 위한 지식 증류를 수행할 수 있다. 지식 증류는 상술한 제 1 학습 데이터 세트에 대한 학습 과정에 선행하여 수행될 수도 있고, 병렬적으로 수행될 수도 있다.
S200 단계에서, 컴퓨팅 장치(100)는 능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트 대비 학습 난이도가 높은 제 2 학습 데이터 세트를 이용하여 신경망 모델을 학습시킬 수 있다. 제 2 학습 데이터 세트에 기반한 신경망 모델의 학습은 능동적 학습의 학습 단계 혹은 습득 단계 중 학습 단계에서 수행될 수 있다. 제 2 학습 데이터 세트는 능동적 학습을 통해 습득된 학습 데이터 중에서 학습 난이도가 높은 데이터 세트일 수 있다. 다시 말해, 제 2 학습 데이터 세트는 능동적 학습의 과정에서 제 1 학습 데이터 세트 대비 최근에 습득된 데이터 세트를 포함하는 것으로 이해될 수 있다.
구체적으로, S200 단계에서, 컴퓨팅 장치(100)는 S100 단계가 진행되는 과정에서 소정의 시점 이후 제 2 학습 데이터 세트를 입력으로 점진적으로 추가하여 신경망 모델을 학습시킬 수 있다. 제 1 학습 데이터 세트에 기반한 학습의 수준이 사전에 정의된 기준값 이상인 경우, S200 단계에서 컴퓨팅 장치(100)는 제 1 학습 데이터 세트와 더불어 제 2 학습 데이터 세트를 신경망 모델의 입력으로 사용하여 신경망 모델을 학습시킬 수 있다. 따라서, 소정의 시점은 제 1 학습 데이터 세트에 기반한 학습의 수준이 기준값에 도달하는 시점으로 이해될 수 있다.
한편, S100 단계 및 S200 단계에서, 신경망 모델은 제 1 학습 데이터 세트에 기반한 학습에 적용되는 제 1 손실함수 및 제 2 학습 데이터 세트를 이용한 학습에 적용되는 제 2 손실함수를 기반으로 학습될 수 있다. 이때, 제 1 손실함수는 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 학습을 위한 제 1 서브 손실함수 및 능동적 학습을 통해 선행 학습된 신경망 모델을 기반으로 수행되는 지식 증류를 위한 제 2 서브 손실함수를 포함할 수 있다. 제 1 손실함수는 제 1 서브 손실함수와 제 2 서브 손실함수의 가중 합으로 정의될 수 있다. 제 1 서브 손실함수와 제 2 서브 손실함수의 가중 합을 위해 제 2 서브 손실함수에는 제 1 하이퍼 파라미터가 적용될 수 있다. 또한, 제 2 손실함수에는 독립적으로 전체 손실함수 내 비중을 제어할 수 있도록 하기 위한 계수인 제 2 하이퍼 파라미터가 적용될 수 있다.
예를 들어, [수학식 1]을 참조하면, 제 1 서브 손실함수 및 제 2 손실함수는 교차 엔트로피 함수 Lce, 제 2 서브 손실함수는 쿨백-라이블러 발산 함수 Ldist일 수 있다. 제 1 하이퍼 파라미터는 지식 증류를 제어하기 위한 계수로서, 제 2 서브 손실함수에 적용되는 α일 수 있다. 제 1 하이퍼 파라미터는 제 1 학습 데이터 세트에 기반한 신경망 모델의 학습이 진행될수록 점진적으로 감소될 수 있다. 제 2 하이퍼 파라미터는 제 2 학습 데이터 세트가 신경망 모델의 학습에 미치는 영향을 조절하기 위한 계수로서, 제 2 서브 손실함수에 적용되는 β일 수 있다. 제 2 하이퍼 파라미터는 제 1 학습 데이터 세트에 기반한 신경망 모델의 학습이 수행되는 최초 시점에는 0의 값을 가질 수 있다. 제 2 하이퍼 파라미터는 제 1 학습 데이터 세트에 기반한 신경망 모델의 학습이 수행되는 과정에서 제 2 학습 데이터 세트의 영향을 증가시키기 위해, 소정의 시점 이후 점진적으로 증가될 수 있다. 여기서 소정의 시점은 제 1 학습 데이터 세트에 기반한 신경망 모델의 학습 결과가 목표치에 도달한 시점으로 이해될 수 있다. 목표치는 학습 사이클의 반복 횟수일 수도 있고, 정확도, 신뢰도 등 학습 결과에 대한 지표일 수도 있다. 상술한 목표치는 하나의 예시일 뿐이므로, 본 개시를 기초로 당업자가 변경 가능한 범주에서 목표치는 다양하게 구성될 수 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (16)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 커리큘럼(curriculum) 기반의 능동적 학습(active learning) 방법으로서,
    능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키는 단계; 및
    상기 능동적 학습을 통해 습득된 학습 데이터 세트 중 상기 제 1 학습 데이터 세트 대비 학습 난이도가 높은 제 2 학습 데이터 세트를 이용하여 상기 신경망 모델을 학습시키는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 능동적 학습을 통해 습득된 학습 데이터 세트의 학습 난이도는,
    상기 능동적 학습을 통한 데이터의 습득 시기에 따라 구별되는,
    방법.
  3. 제 1 항에 있어서,
    상기 제 2 학습 데이터 세트는,
    상기 능동적 학습의 과정에서 상기 제 1 학습 데이터 세트 대비 최근에 습득된 데이터 세트를 포함하는,
    방법.
  4. 제 1 항에 있어서,
    제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키는 단계는,
    상기 능동적 학습을 통해 선행 학습된 신경망 모델을 기반으로 상기 신경망 모델에 대한 지식 증류(knowledge distillation)를 수행하는 단계;
    를 포함하는,
    방법.
  5. 제 1 항에 있어서,
    제 2 학습 데이터 세트를 이용하여 상기 신경망 모델을 학습시키는 단계는,
    상기 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 학습이 수행되는 과정에서 소정의 시점 이후 상기 제 2 학습 데이터 세트를 입력으로 추가하여 상기 신경망 모델을 학습시키는 단계;
    를 포함하는,
    방법.
  6. 제 1 항에 있어서,
    상기 신경망 모델은,
    상기 제 1 학습 데이터 세트에 기반한 학습에 적용되는 제 1 손실함수 및 상기 제 2 학습 데이터 세트를 이용한 학습에 적용되는 제 2 손실함수를 기반으로 학습되는,
    방법.
  7. 제 6 항에 있어서,
    상기 제 1 손실함수는,
    상기 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 학습을 위한 제 1 서브 손실함수; 및
    능동적 학습을 통해 선행 학습된 신경망 모델을 기반으로 수행되는 상기 신경망 모델에 대한 지식 증류를 위한 제 2 서브 손실함수;
    를 포함하는,
    방법.
  8. 제 7 항에 있어서,
    상기 제 2 서브 손실함수에는 상기 지식 증류를 제어하기 위한 제 1 하이퍼 파라미터(hyper parameter)가 적용되는,
    방법.
  9. 제 8 항에 있어서,
    상기 제 1 하이퍼 파라미터는,
    상기 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 학습이 진행될수록 점진적으로 감소되는,
    방법.
  10. 제 7 항에 있어서,
    상기 제 1 손실함수의 제 1 서브 손실함수는,
    교차 엔트로피(cross entropy) 함수이고,
    상기 제 1 손실함수의 제 2 서브 손실함수는,
    쿨백-라이블러 발산(kullback-leibler divergence) 함수인,
    방법.
  11. 제 6 항에 있어서,
    상기 제 2 손실함수에는 상기 제 2 학습 데이터 세트가 상기 신경망 모델의 학습에 미치는 영향을 조절하기 위한 제 2 하이퍼 파라미터가 적용되는,
    방법.
  12. 제 11 항에 있어서,
    상기 제 2 하이퍼 파라미터는,
    상기 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 학습이 수행되는 최초 시점에 0의 값을 가지는,
    방법.
  13. 제 11 항에 있어서,
    상기 제 2 하이퍼 파라미터는,
    상기 제 1 학습 데이터 세트에 기반한 상기 신경망 모델의 학습이 수행되는 과정에서 상기 제 2 학습 데이터 세트의 영향을 증가시키기 위해, 소정의 시점 이후 점진적으로 증가되는,
    방법.
  14. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 커리큘럼(curriculum) 기반의 능동적 학습(active learning)을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키는 동작; 및
    상기 능동적 학습을 통해 습득된 학습 데이터 세트 중 상기 제 1 학습 데이터 세트 대비 학습 난이도가 높은 제 2 학습 데이터 세트에 기반하여 상기 신경망 모델을 학습시키는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  15. 커리큘럼(curriculum) 기반의 능동적 학습(active learning)을 수행하는 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및
    네트워크부;
    를 포함하고,
    상기 프로세서는,
    능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키고,
    상기 능동적 학습을 통해 습득된 학습 데이터 세트 중 상기 제 1 학습 데이터 세트 대비 학습 난이도가 높은 제 2 학습 데이터 세트에 기반하여 상기 신경망 모델을 학습시키는,
    장치.
  16. 학습 과정에서 적어도 일부가 업데이트 되는 신경망의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서,
    상기 신경망의 연산은 상기 파라미터에 적어도 부분적으로 기초하고,
    상기 학습 과정은,
    능동적 학습을 통해 습득된 학습 데이터 세트 중 제 1 학습 데이터 세트에 기반하여 신경망 모델을 학습시키는 단계; 및
    상기 능동적 학습을 통해 습득된 학습 데이터 세트 중 상기 제 1 학습 데이터 세트 대비 학습 난이도가 높은 제 2 학습 데이터 세트에 기반하여 상기 신경망 모델을 학습시키는 단계;
    를 포함하는,
    데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체.
PCT/KR2022/003580 2021-08-27 2022-03-15 커리큘럼 기반의 능동적 학습 방법 WO2023027278A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210113631A KR102662645B1 (ko) 2021-08-27 커리큘럼 기반의 능동적 학습 방법
KR10-2021-0113631 2021-08-27

Publications (1)

Publication Number Publication Date
WO2023027278A1 true WO2023027278A1 (ko) 2023-03-02

Family

ID=85323231

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/003580 WO2023027278A1 (ko) 2021-08-27 2022-03-15 커리큘럼 기반의 능동적 학습 방법

Country Status (1)

Country Link
WO (1) WO2023027278A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100750886B1 (ko) * 2005-12-09 2007-08-22 한국전자통신연구원 학습 데이터 구축 장치 및 방법
CN111312393A (zh) * 2020-01-14 2020-06-19 之江实验室 一种结合主动学习的时序深度生存分析系统
KR102168558B1 (ko) * 2019-10-24 2020-10-21 서울대학교산학협력단 액티브 러닝을 위한 학습용 데이터 선정 방법, 액티브 러닝을 위한 학습용 데이터 선정 장치 및 액티브 러닝을 이용한 영상 분석 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100750886B1 (ko) * 2005-12-09 2007-08-22 한국전자통신연구원 학습 데이터 구축 장치 및 방법
KR102168558B1 (ko) * 2019-10-24 2020-10-21 서울대학교산학협력단 액티브 러닝을 위한 학습용 데이터 선정 방법, 액티브 러닝을 위한 학습용 데이터 선정 장치 및 액티브 러닝을 이용한 영상 분석 방법
CN111312393A (zh) * 2020-01-14 2020-06-19 之江实验室 一种结合主动学习的时序深度生存分析系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"16th European Conference - Computer Vision – ECCV 2020", vol. 26, 1 January 1900, CORNELL UNIVERSITY LIBRARY,, 201 Olin Library Cornell University Ithaca, NY 14853, article YUN JUSEUNG; KIM BYUNGJOO; KIM JUNMO: "Weight Decay Scheduling and Knowledge Distillation for Active Learning", pages: 431 - 447, XP047569890, DOI: 10.1007/978-3-030-58574-7_26 *
DONGDONG WANG; YANDONG LI; LIQIANG WANG; BOQING GONG: "Neural Networks Are More Productive Teachers Than Human Raters: Active Mixup for Data-Efficient Knowledge Distillation from a Blackbox Model", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 31 March 2020 (2020-03-31), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081635372 *

Also Published As

Publication number Publication date
KR20230031420A (ko) 2023-03-07

Similar Documents

Publication Publication Date Title
WO2022164230A1 (ko) 심전도 신호 기반의 만성질환 예측 방법
KR102583582B1 (ko) 어노말리 데이터 생성 방법
KR102465571B1 (ko) 문서 데이터의 주제어 분류를 수행하는 기법
KR20210119944A (ko) 신경망을 학습시키는 방법
KR102478076B1 (ko) 음성 인식 오류 검출을 위해 학습 데이터를 생성하기 위한 방법
WO2022255564A1 (ko) 생체신호 분석 방법
KR20230053846A (ko) 쓰레기를 수거하기 위한 방법
WO2023101417A1 (ko) 딥러닝 기반의 강수량 예측 방법
WO2023128349A1 (ko) 협력 학습을 이용한 초해상도 이미징 방법
KR102545892B1 (ko) 텍스트 분류를 위한 학습 데이터를 생성하는 방법
WO2023027278A1 (ko) 커리큘럼 기반의 능동적 학습 방법
WO2023027279A1 (ko) 화학구조 내부 원자의 키나아제 결합여부 예측 방법
WO2023027277A1 (ko) 신경망 모델의 다양성을 위한 학습 방법
WO2023177138A1 (ko) 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치
WO2023027280A1 (ko) 항원 결정기 후보 도출 방법
WO2023033283A1 (ko) 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법
WO2023008811A2 (ko) 신경망 모델을 이용한 마스크 착용 얼굴 이미지 복원 방법
KR102662645B1 (ko) 커리큘럼 기반의 능동적 학습 방법
WO2023027281A1 (ko) 유전자 정보 분석 방법
WO2023075351A1 (ko) 산업용 로봇의 인공지능 학습 방법
KR102437285B1 (ko) 모호한 라벨을 이용한 객체 예측 모델 학습 방법
KR102255998B1 (ko) 피해 감지 방법
KR102552230B1 (ko) 클라우드 플랫폼에서 인공지능 모델을 활용한 데이터 라벨링 방법
KR102517968B1 (ko) 신경망 모델을 이용한 이미지 특징 추출 방법
WO2023120766A1 (ko) 인공신경망 기반의 특성 곡선 예측 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: 22861494

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE