Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020096099 - PROCÉDÉ ET DISPOSITIF D'APPRENTISSAGE AUTOMATIQUE

Numéro de publication WO/2020/096099
Date de publication 14.05.2020
N° de la demande internationale PCT/KR2018/013667
Date du dépôt international 09.11.2018
CIB
G06N 99/00 2010.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
99Matière non prévue dans les autres groupes de la présente sous-classe
CPC
G06F 11/3466
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
11Error detection; Error correction; Monitoring
30Monitoring
34Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; ; Recording or statistical evaluation of user activity, e.g. usability assessment
3466Performance evaluation by tracing or monitoring
G06F 17/18
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
17Digital computing or data processing equipment or methods, specially adapted for specific functions
10Complex mathematical operations
18for evaluating statistical data ; , e.g. average values, frequency distributions, probability functions, regression analysis
G06N 20/00
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
G06N 20/20
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
20Ensemble learning
Déposants
  • 주식회사 루닛 LUNIT INC. [KR]/[KR]
Inventeurs
  • 유동근 YOO, Dong Geun
  • 팽경현 PAENG, Kyung Hyun
  • 박승균 PARK, Sung Gyun
Mandataires
  • 유미특허법인 YOU ME PATENT AND LAW FIRM
Données relatives à la priorité
Langue de publication coréen (KO)
Langue de dépôt coréen (KO)
États désignés
Titre
(EN) MACHINE LEARNING METHOD AND DEVICE
(FR) PROCÉDÉ ET DISPOSITIF D'APPRENTISSAGE AUTOMATIQUE
(KO) 기계 학습 방법 및 장치
Abrégé
(EN)
Provided is a machine learning method that may reduce annotation costs and improve performance of a target model. A machine learning method, according to some embodiments of the present disclosure, that is performed in a computing device may comprise the steps of: obtaining a learning dataset of a first model comprising a plurality of data samples for which no label information is given; calculating a misprediction probability of the first model for the plurality of data samples; constructing a first data sample set by selecting at least one data sample from the plurality of data samples on the basis of the calculated misprediction probability; obtaining first label information for the first data sample set; and performing a first learning on the first model by using the first data sample set and the first label information.
(FR)
L'invention concerne un procédé d'apprentissage automatique qui peut réduire les coûts d'annotation et améliorer les performances d'un modèle cible. Un procédé d'apprentissage automatique, selon certains modes de réalisation de la présente invention, qui est réalisé dans un dispositif informatique peut comprendre les étapes consistant : à obtenir un ensemble de données d'apprentissage d'un premier modèle comprenant plusieurs échantillons de données pour lesquels aucune information d'étiquette n'est donnée ; à calculer une probabilité de mauvaise prédiction du premier modèle pour les multiples échantillons de données ; à construire un premier ensemble d'échantillons de données par sélection d'au moins un échantillon de données parmi les multiples échantillons de données sur la base de la probabilité de mauvaise prédiction calculée ; à obtenir des premières informations d'étiquette pour le premier ensemble d'échantillons de données ; et à effectuer un premier apprentissage sur le premier modèle en utilisant le premier ensemble d'échantillons de données et les premières informations d'étiquette.
(KO)
어노테이션 비용을 줄이고 타깃 모델의 성능을 개선할 수 있는 기계 학습 방법이 제공된다. 컴퓨팅 장치에 수행되는 본 개시의 몇몇 실시예들에 따른 기계 학습 방법은, 레이블 정보가 주어지지 않은 복수의 데이터 샘플을 포함하는 제1 모델의 학습 데이터셋을 획득하는 단계, 상기 복수의 데이터 샘플에 대하여 상기 제1 모델의 오예측(miss-prediction) 확률을 산출하는 단계, 상기 산출된 오예측 확률을 기초로 상기 복수의 데이터 샘플 중 적어도 하나의 데이터 샘플을 선별하여 제1 데이터 샘플 집합을 구성하는 단계, 상기 제1 데이터 샘플 집합에 대한 제1 레이블 정보를 획득하는 단계 및 상기 제1 데이터 샘플 집합과 상기 제1 레이블 정보를 이용하여 상기 제1 모델에 대한 제1 학습을 수행하는 단계를 포함할 수 있다.
Dernières données bibliographiques dont dispose le Bureau international