WIPO logo
Mobile | Deutsch | English | Español | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Recherche dans les collections de brevets nationales et internationales
World Intellectual Property Organization
Recherche
 
Options de navigation
 
Traduction
 
Options
 
Quoi de neuf
 
Connexion
 
Aide
 
Traduction automatique
1. (WO2018092957) PROCÉDÉ, DISPOSITIF ET PROGRAMME DE DÉTERMINATION DE RÉAPPRENTISSAGE PAR RAPPORT À UNE VALEUR D'ENTRÉE DANS UN MODÈLE DE RÉSEAU NEURONAL
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication :    WO/2018/092957    N° de la demande internationale :    PCT/KR2016/013431
Date de publication : 24.05.2018 Date de dépôt international : 21.11.2016
CIB :
G06N 3/08 (2006.01), G06N 3/04 (2006.01)
Déposants : ALGORIGO INC. [KR/KR]; #904, Multidisciplinary Lecture Hall, 222, Wangsimni-ro Seongdong-gu Seoul 04763 (KR)
Inventeurs : KIM, Ji Hoon; (KR).
CHA, Gil Hwan; (KR)
Mandataire : KIM, Woong; (KR)
Données relatives à la priorité :
Titre (EN) METHOD, DEVICE AND PROGRAM FOR DETERMINING FOR RE-LEARNING WITH RESPECT TO INPUT VALUE IN NEURAL NETWORK MODEL
(FR) PROCÉDÉ, DISPOSITIF ET PROGRAMME DE DÉTERMINATION DE RÉAPPRENTISSAGE PAR RAPPORT À UNE VALEUR D'ENTRÉE DANS UN MODÈLE DE RÉSEAU NEURONAL
(KO) 신경망 모델에서 입력값에 대한 재학습 여부 결정 방법, 장치 및 프로그램
Abrégé : front page image
(EN)The present invention relates to a method, a device and a computer program for determining for re-learning with respect to unknown data in a neural network model. To this end, provided is a method, for determining for re-learning with respect to an input value in a neural network model, comprising: a training set clustering step for clustering with respect to a training set used for the learning of a learned neural network model; an input value plotting step for plotting an input value, which is input into the neural network model, to the clustering distribution of the training set; an input value classifying step for determining whether or not the input value is comprised in a particular cluster which is one of the clustering distribution of the training set; an input value re-learning determining step for determining for the input value re-learning or re-learning weight on the basis of the distance between the input value and a centroid value of the particular cluster or the probability of the input value being comprised in the particular cluster; and a neural network model re-learning step for performing the re-learning of the model on the basis of the input value re-learning or re-learning weight which have been determined in the input value re-learning determining step. Accordingly, the neural network model can be learned for each user even when data which is not refined in a time-series manner is input.
(FR)L'invention concerne un procédé, un dispositif et un programme informatique permettant de déterminer un réapprentissage par rapport à des données inconnues dans un modèle de réseau neuronal. À cet effet, l'invention concerne un procédé permettant de déterminer le ré-apprentissage par rapport à une valeur d'entrée dans un modèle de réseau neuronal, ledit procédé comprenant : une étape de regroupement d'ensemble d'apprentissage permettant d'effectuer un regroupement par rapport à un ensemble d'apprentissage utilisé pour l'apprentissage d'un modèle de réseau neuronal appris; une étape de traçage de valeur d'entrée permettant de tracer une valeur d'entrée, qui est entrée dans le modèle de réseau neuronal, sur la répartition du regroupement de l'ensemble d'apprentissage; une étape de classement de valeur d'entrée permettant de déterminer si oui ou non la valeur d'entrée est incluse dans un groupe particulier qui fait partie de la répartition de regroupement de l'ensemble d'apprentissage; une étape de détermination de ré-apprentissage de valeur d'entrée permettant de déterminer le ré-apprentissage de la valeur d'entrée ou le poids de ré-apprentissage d'après la distance entre la valeur d'entrée et une valeur centroïde du groupe particulier ou la probabilité que la valeur d'entrée soit incluse dans le groupe particulier; et une étape de ré-apprentissage de modèle de réseau neuronal permettant d'effectuer le ré-apprentissage du modèle d'après le ré-apprentissage de la valeur d'entrée ou le poids de ré-apprentissage qui ont été déterminés lors de l'étape de détermination de ré-apprentissage de valeur d'entrée. Par conséquent, le modèle de réseau neuronal peut être appris pour chaque utilisateur même lorsque des données qui ne sont pas affinées de manière chronologique sont entrées.
(KO)본 발명은 신경망 모델(Neural Networks)에서 미지의 데이터에 대한 재학습 여부 결정 방법, 장치 및 컴퓨터 프로그램에 관한 것이다. 이를 위하여, 기학습된 신경망 모델의 학습에 이용된 트레이닝 세트에 대한 클러스터링을 수행하는 트레이닝 세트 클러스터링 단계; 신경망 모델에 입력되는 입력값을 트레이닝 세트의 클러스터링 분포에 플로팅(plotting)하는 입력값 플로팅 단계; 입력값이 트레이닝 세트의 클러스터링 분포 중 하나인 특정 클러스터에 포함되는지 여부를 판단하는 입력값 분류 단계; 입력값과 특정 클러스터의 중심값(centroid) 사이의 거리 또는 입력값이 특정 클러스터에 포함될 확률을 토대로 입력값의 재학습 여부 또는 재학습 가중치를 결정하는 입력값 재학습 여부 결정 단계; 및 입력값 재학습 여부 결정 단계에서 결정된 입력값의 재학습 여부 또는 재학습 가중치를 기초로 모델을 재학습을 수행하는 신경망 모델 재학습 단계;를 포함하는, 신경망 모델에서 입력값에 대한 재학습 여부 결정 방법을 제공할 수 있다. 이에 따르면, 시계열적으로 정제되지 않은 데이터가 입력되는 경우에도, 사용자별로 신경망 모델을 학습시킬 수 있는 효과가 발생된다.
États désignés : AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW.
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG).
Langue de publication : coréen (KO)
Langue de dépôt : coréen (KO)