Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2019027208) PROCÉDÉ D'APPRENTISSAGE POUR UN RÉSEAU NEURONAL ARTIFICIEL
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication : WO/2019/027208 N° de la demande internationale : PCT/KR2018/008629
Date de publication : 07.02.2019 Date de dépôt international : 30.07.2018
CIB :
G06N 3/08 (2006.01) ,G06N 3/04 (2006.01)
G PHYSIQUE
06
CALCUL; COMPTAGE
N
SYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3
Systèmes de calculateurs basés sur des modèles biologiques
02
utilisant des modèles de réseaux neuronaux
08
Méthodes d'apprentissage
G PHYSIQUE
06
CALCUL; COMPTAGE
N
SYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3
Systèmes de calculateurs basés sur des modèles biologiques
02
utilisant des modèles de réseaux neuronaux
04
Architecture, p.ex. topologie d'interconnexion
Déposants :
주식회사 수아랩 SUALAB CO., LTD. [KR/KR]; 서울시 관악구 관악로 1, 228호 228, 1, Gwanak-ro, Gwanak-Gu, Seoul 08826, KR
Inventeurs :
송기영 SONG, Kiyoung; KR
Mandataire :
이대호 LEE, Dae Ho; KR
박건홍 PARK, Gun Hong; KR
Données relatives à la priorité :
10-2017-009913904.08.2017KR
Titre (EN) TRAINING METHOD FOR ARTIFICIAL NEURAL NETWORK
(FR) PROCÉDÉ D'APPRENTISSAGE POUR UN RÉSEAU NEURONAL ARTIFICIEL
(KO) 인공 신경망의 훈련 방법
Abrégé :
(EN) To solve the problems as described above, an embodiment of the present disclosure provides a training method for at least a part of a neural network including multiple layers which are implemented in a computing device. The training method comprises the steps of: inputting, into an input layer of the neural network, training data including normal data and abnormal data; generating feature value distributions according to one or more hidden nodes in a hidden layer of the neural network by representing feature values for each training data, which are output from each of the one or more hidden nodes, by histograms; calculating an error between each of the feature value distributions and a predetermined probability distribution; and selecting at least one hidden node from the one or more hidden nodes in the hidden layer on the basis of the error.
(FR) Selon un mode de réalisation, la présente invention concerne un procédé d'apprentissage pour au moins une partie d'un réseau neuronal comprenant de multiples couches qui sont mises en œuvre dans un dispositif informatique. Le procédé d'apprentissage comprend les étapes consistant à : entrer, dans une couche d'entrée du réseau neuronal, des données d'apprentissage comprenant des données normales et des données anormales; générer des distributions de valeurs de caractéristiques en fonction d'un ou de plusieurs nœuds cachés dans une couche cachée du réseau neuronal en représentant des valeurs de caractéristiques pour chaque donnée d'apprentissage, qui sont délivrées en sortie à partir du ou de chacun des nœuds cachés, par des histogrammes; calculer une erreur entre chacune des distributions de valeur de caractéristique et une distribution de probabilité prédéterminée; et sélectionner le nœud caché ou au moins un nœud caché parmi les nœuds cachés dans la couche cachée sur la base de l'erreur.
(KO) 전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망(neural network)의 적어도 일부분의 훈련 방법이 개시된다. 상기 방법은 정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 상기 신경망의 입력 레이어에 입력시키는 단계; 각각의 훈련 데이터에 대한 상기 신경망의 히든 레이어의 하나 이상의 히든 노드 각각에서 출력되는 피쳐값을 히스토그램화 하여 상기 하나 이상의 히든 노드 별 피쳐값의 분포를 생성하는 단계; 상기 각각의 피쳐값의 분포와 사전결정된 확률 분포의 오차를 계산하는 단계; 및 상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 선택하는 단계를 포함한다.
front page image
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, JO, JP, KE, KG, KH, KN, KP, 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)