[go: up one dir, main page]

KR102796919B1 - 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법 - Google Patents

고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법 Download PDF

Info

Publication number
KR102796919B1
KR102796919B1 KR1020240123306A KR20240123306A KR102796919B1 KR 102796919 B1 KR102796919 B1 KR 102796919B1 KR 1020240123306 A KR1020240123306 A KR 1020240123306A KR 20240123306 A KR20240123306 A KR 20240123306A KR 102796919 B1 KR102796919 B1 KR 102796919B1
Authority
KR
South Korea
Prior art keywords
sample
neural network
deep neural
dimensional plane
dimensional
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
KR1020240123306A
Other languages
English (en)
Inventor
최재식
이세현
정영주
Original Assignee
대한민국(방위사업청장)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대한민국(방위사업청장) filed Critical 대한민국(방위사업청장)
Priority to KR1020240123306A priority Critical patent/KR102796919B1/ko
Application granted granted Critical
Publication of KR102796919B1 publication Critical patent/KR102796919B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

심층 신경망 분석 장치는 복수의 고차원 데이터 중에서 복수의 샘플을 선택하는 샘플 선택부, 상기 복수의 샘플로부터 이차원 평면을 형성하는 기저 벡터를 계산하고, 이차원 평면의 격자 구조에 샘플을 매핑하여 이차원 평면 데이터를 생성하는 이차원 평면 데이터 생성부, 및 이차원 평면의 입력 데이터 공간에 상기 이차원 평면 데이터에 포함된 샘플 각각에 대한 심층 신경망 예측의 결과값을 표시하여 이차원 평면 결정 경계를 시각화하는 결정 경계 시각화부를 포함한다.

Description

고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법{APPARATUS AND METHOD FOR ANALYZING DEEP NEURAL NETWORK USING HIGH-DEMENSIONAL DATA AS INPUT}
본 발명은 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법에 관한 것으로, 더욱 상세하게는 심층 신경망 모델의 결정 경계를 시각화할 수 있는 심층 신경망 분석 장치 및 방법에 관한 것이다.
심층 신경망(Deep Neural Networks, DNNs)은 최신 인공지능 기술의 중심으로 이미지 인식, 음성 인식, 자연어 처리 등 다양한 분야에서 뛰어난 성능을 보이고 있다. 이러한 성능 우수성에도 불구하고, 신뢰할 수 있는 인공지능 시스템(trustworthy AI systems)을 구성하기 위해서는 신경망의 의사 결정 과정을 분석하고 이해하는 것이 필수적이다. 현재, 심층 신경망 모델의 복잡한 내부 구조와 동작 방식으로 인해 의사 결정 과정이 불투명하여 신뢰성을 보장하기 힘든 문제가 있다.
이에 대한 분석 방법 중 하나로 결정 경계(decision boundary)를 살펴보는 접근이 있으며, 이는 심층 신경망 모델의 예측 기준을 명확히 이해하는 데 도움이 될 수 있다. 그러나 심층 신경망을 분석하기 위하여 입력과 결정 경계 사이의 관계를 시각화하거나 해석하는 것은 매우 어려운 일이다. 이는 신경망의 내부 구조가 비선형적이고 중첩된 특성을 가지며, 대부분 심층 신경망 활용 사례가 이미지나 자연어, 3개 이상의 센서 등 고차원 데이터에 적용되기 때문이다.
본 발명이 해결하고자 하는 기술적 과제는 심층 신경망 모델의 결정 경계를 시각화할 수 있는 심층 신경망 분석 장치 및 방법을 제공함에 있다.
본 발명의 일 실시예에 따른 심층 신경망 분석 장치는 복수의 고차원 데이터 중에서 복수의 샘플을 선택하는 샘플 선택부, 상기 복수의 샘플로부터 이차원 평면을 형성하는 기저 벡터를 계산하고, 이차원 평면의 격자 구조에 샘플을 매핑하여 이차원 평면 데이터를 생성하는 이차원 평면 데이터 생성부, 및 이차원 평면의 입력 데이터 공간에 상기 이차원 평면 데이터에 포함된 샘플 각각에 대한 심층 신경망 예측의 결과값을 표시하여 이차원 평면 결정 경계를 시각화하는 결정 경계 시각화부를 포함한다.
상기 샘플 선택부는 분석을 위한 제1 샘플이 정해졌을 때, 유클리디안 거리 상으로 상기 제1 샘플과 가장 가까운 제2 샘플 및 제3 샘플을 선택할 수 있다.
상기 샘플 선택부는 상기 제2 샘플 및 상기 제3 샘플 중 적어도 하나가 상기 제1 샘플과 다른 분류 클래스를 가지도록 상기 제2 샘플 및 상기 제3 샘플을 선택할 수 있다.
상기 이차원 평면 데이터 생성부는 상기 제2 샘플에서 상기 제1 샘플을 뺀 제1 벡터와 상기 제3 샘플에서 상기 제1 샘플을 뺀 제2 벡터를 상기 기저 벡터로서 계산할 수 있다.
상기 이차원 평면 데이터 생성부는 실수 파라미터 a와 b의 범위를 설정하고, 상기 실수 파라미터 a와 b의 범위 내에서 균등한 간격으로 격자를 생성하여 이차원 평면 상에 격자점이 형성된 이차원 격자 구조를 생성하고, 상기 이차원 격자 구조를 이차원 평면의 입력 데이터 공간으로 매핑할 수 있다.
상기 이차원 평면의 입력 데이터 공간에서 상기 제1 샘플, 상기 제2 샘플 및 상기 제3 샘플은 격자 구조로 매핑되어 상기 이차원 평면 데이터를 구성할 수 있다.
상기 심층 신경망 분석 장치는 상기 이차원 평면 데이터에 포함된 샘플 각각에 대해 상기 심층 신경망 예측을 수행하여 결과값을 출력하는 심층 신경망 모델을 더 포함할 수 있다.
상기 심층 신경망 예측의 결과값은 상기 입력 데이터 공간의 각 격자점의 이미지 데이터에 대한 분류 클래스를 나타낼 수 있다.
본 발명의 다른 실시예에 따른 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치가 심층 신경망 모델의 결정 경계를 시각화하는 심층 신경망 분석 방법은, 복수의 고차원 데이터 중에서 복수의 샘플을 선택하는 단계, 상기 복수의 샘플로부터 이차원 평면을 형성하는 기저 벡터를 계산하는 단계, 상기 기저 벡터에 의해 형성된 이차원 평면의 격자 구조에 샘플을 매핑하여 이차원 평면 데이터를 생성하는 단계, 및 이차원 평면의 입력 데이터 공간에 상기 이차원 평면 데이터에 포함된 샘플 각각에 대한 심층 신경망 예측의 결과값을 표시하여 이차원 평면 결정 경계를 시각화하는 단계를 포함한다.
상기 복수의 샘플을 선택하는 단계는, 분석을 위한 제1 샘플이 정해졌을 때, 유클리디안 거리 상으로 상기 제1 샘플과 가장 가까운 제2 샘플 및 제3 샘플을 선택하는 단계를 포함할 수 있다.
상기 제2 샘플 및 상기 제3 샘플 중 적어도 하나가 상기 제1 샘플과 다른 분류 클래스를 가지도록 상기 제2 샘플 및 상기 제3 샘플을 선택할 수 있다.
상기 기저 벡터를 계산하는 단계는, 상기 제2 샘플에서 상기 제1 샘플을 뺀 제1 벡터와 상기 제3 샘플에서 상기 제1 샘플을 뺀 제2 벡터를 상기 기저 벡터로서 계산하는 단계를 포함할 수 있다.
상기 이차원 평면 데이터를 생성하는 단계는, 실수 파라미터 a와 b의 범위를 설정하고, 상기 실수 파라미터 a와 b의 범위 내에서 균등한 간격으로 격자를 생성하여 이차원 평면 상에 격자점이 형성된 이차원 격자 구조를 생성하고, 상기 이차원 격자 구조를 이차원 평면의 입력 데이터 공간으로 매핑하는 단계를 포함할 수 있다.
상기 이차원 평면의 입력 데이터 공간에서 상기 제1 샘플, 상기 제2 샘플 및 상기 제3 샘플은 격자 구조로 매핑되어 상기 이차원 평면 데이터를 구성할 수 있다.
상기 심층 신경망 분석 방법은 상기 이차원 평면 데이터에 포함된 샘플 각각에 대해 상기 심층 신경망 예측을 수행하여 결과값을 출력하는 단계를 더 포함할 수 있다.
상기 심층 신경망 예측의 결과값은 상기 입력 데이터 공간의 각 격자점의 이미지 데이터에 대한 분류 클래스를 나타낼 수 있다.
본 발명의 실시예에 따른 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법은 심층 신경망 모델의 결정 경계를 시각화할 수 있다. 시각화 과정은 신경망 모델의 성능과 작동 방식을 입력 공간과 연관지어 이해하는 데 중요한 역할을 할 수 있으며, 이 과정을 통해 심층 신경망 모델이 어떻게 데이터를 분류하는지, 어떤 기준으로 결정 경계를 설정하는지 명확하게 파악될 수 있다.
심층 신경망의 입력은 고차원 데이터로 이루어져 있어 이를 직접 분석하고 이해하기 어려운 측면이 있으나, 본 발명의 실시예에 따른 심층 신경망 분석 장치 및 방법은 이러한 복잡성을 줄이기 위해서 입력 데이터를 저차원인 이차원 공간으로 하락시켜 분석을 더 용이하게 할 수 있다.
또한, 심층 신경망의 비선형적 구조로 인해 복잡한 입력과 출력을 한눈에 매핑시키는 것은 어려운 일이지만, 본 발명의 실시예에 따른 심층 신경망 분석 장치 및 방법은 시각화 방식을 통해서 데이터의 패턴에 따른 신경망의 의사 결정 과정이 더 쉽게 시각화되어 이해될 수 있도록 한다.
도 1은 본 발명의 일 실시예에 따른 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치를 나타내는 블록도이다.
도 2은 본 발명의 다른 실시예에 따른 고차원 데이터를 입력값으로 하는 심층 신경망 분석 방법을 나타내는 흐름도이다.
도 3은 본 발명의 일 실시예에 따라 고차원 데이터 중에서 복수의 샘플을 선택하는 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따라 이차원 평면의 격자 구조에 샘플을 매핑하여 이차원 평면 데이터를 생성하는 일 예를 나타낸다.
도 5는 본 발명의 일 실시예에 따라 이차원 평면의 입력 데이터 공간에 심층 신경망 모델의 출력값을 표시하여 이차원 평면 결정 경계를 시각화하는 일 예를 나타낸다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예들에 한정되지 않는다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.
또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하, 도 1 내지 5를 참조하여 본 발명의 실시예에 따른 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법에 대하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치를 나타내는 블록도이다. 도 2은 본 발명의 다른 실시예에 따른 고차원 데이터를 입력값으로 하는 심층 신경망 분석 방법을 나타내는 흐름도이다. 도 3은 본 발명의 일 실시예에 따라 고차원 데이터 중에서 복수의 샘플을 선택하는 일 예를 나타낸다. 도 4는 본 발명의 일 실시예에 따라 이차원 평면의 격자 구조에 샘플을 매핑하여 이차원 평면 데이터를 생성하는 일 예를 나타낸다. 도 5는 본 발명의 일 실시예에 따라 이차원 평면의 입력 데이터 공간에 심층 신경망 예측의 결과값을 표시하여 이차원 평면 결정 경계를 시각화하는 일 예를 나타낸다.
도 1 내지 5를 참조하면, 본 발명의 일 실시예에 따른 심층 신경망 분석 장치(100)는 샘플 선택부(110), 이차원 평면 데이터 생성부(120) 및 결정 경계 시각화부(130)를 포함할 수 있다. 실시예에 따라, 심층 신경망 분석 장치(100)는 심층 신경망 모델(140)을 더 포함하여 구성될 수 있다.
샘플 선택부(110)는 고차원 데이터(입력 데이터)를 입력받고, 복수의 고차원 데이터 중에서 이차원 평면을 구성하기 위한 복수의 샘플을 선택하는 과정을 수행할 수 있다(S110). 고차원 데이터는 변수 또는 특징(feature)의 수가 3 이상으로 매우 큰 데이터를 의미한다. 일반적으로, 심층 신경망의 입력 데이터는 고차원인 경우가 대부분이다. 예를 들어, 고차원 데이터에 해당하는 이미지 데이터는 하나의 픽셀(pixel)이 변수가 되어 행×열×계조(gray) 또는 높이×넓이×채널의 차원을 가지게 된다. 샘플 선택부(110)는 고차원의 입력 공간이 용이하게 분석될 수 있도록 입력된 복수의 고차원 데이터 중에서 3개의 샘플(고차원 데이터)(도 3의 x1, x2, x3 참조)을 선택할 수 있다.
샘플 선택부(110)는 고차원 데이터 중에서 임의의 3개의 샘플을 선택할 수도 있다. 그러나 고차원 공간을 저차원으로 구성하는 것은 필연적인 왜곡을 유발하기 때문에 고차원 공간 상의 국소(local) 부분을 나타내는 세 점을 선택하는 것이 왜곡을 최소화하고 분석의 정확성을 높이는데 유리하다. 따라서, 샘플 선택부(110)는 분석하기 위한 하나의 제1 샘플(x1)이 정해졌을 때, 입력 데이터의 데이터셋에서 유클리디안 거리(Euclidean distance) 상으로 제1 샘플(x1)과 가장 가까운 제2 샘플(x2) 및 제3 샘플(x3)을 선택할 수 있다. 이때, 샘플 선택부(110)는 심층 신경망의 다양한 결정 경계를 파악하기 위하여 제1 내지 제3 샘플(x1, x2, x3)이 모두 하나의 출력(분류 클래스)에 속하는 경우를 제외할 수 있다. 즉, 샘플 선택부(110)는 정해진 제1 샘플(x1)에 대하여 추가로 두 샘플을 선택할 때, 제1 샘플(x1)의 분류 클래스와 다른 분류 클래스를 갖는 제2 샘플(x2) 및/또는 제3 샘플(x3)을 선택할 수 있다. 다시 말해, 제2 샘플(x2) 및 제3 샘플(x3) 중 적어도 하나는 제1 샘플(x1)과 다른 출력(분류 클래스)을 가질 수 있다. 도 3에서, 출력의 동일함을 색상으로 표시하였으며, 제1 샘플(x1)과 거리 상으로 가장 가까운 다른 하나의 샘플(검정색 표시)이 존재하지만 출력이 동일하여 제외하고 출력이 다른 샘플(흰색 표시)을 제2 샘플(x2)로 선택한 경우를 예시하고 있다.
이차원 평면 데이터 생성부(120)는 선택한 복수의 샘플(x1, x2, x3)로부터 이차원 평면의 기저 벡터(basis vector)를 계산하는 과정을 수행할 수 있다(S120). 즉, 이차원 평면 데이터 생성부(120)는 제2 샘플(x2)에서 제1 샘플(x1)을 뺀 제1 벡터()와 제3 샘플(x3)에서 제1 샘플(x1)을 뺀 제2 벡터()를 계산할 수 있다. 제1 벡터()와 제2 벡터()는 이차원 평면을 형성하는 기저 벡터이다.
이차원 평면 데이터 생성부(120)는 제1 벡터()와 제2 벡터()에 의해 형성된 이차원 평면의 격자 구조에 샘플을 매핑하여 이차원 평면 데이터를 생성하는 과정을 수행할 수 있다(S130). 더욱 상세하게, 제1 벡터()와 제2 벡터()에 의해 형성된 이차원 평면 상의 임의의 격자점은 수학식 1과 같이 표현될 수 있다.
여기서, a 및 b는 실수 파라미터이다.
이차원 평면 데이터 생성부(120)는 이차원 평면 상의 샘플링된 데이터를 얻기 위하여 실수 파라미터 a와 b의 범위를 설정하고, 그 범위 내에서 균등한 간격으로 격자를 생성할 수 있다. 예를 들어, a와 b는 -1 내지 1 사이 값을 가질 수 있다고 가정하면, a와 b의 값은 각각 [-1, -0.5, 0, 0.5, 1]과 같이 일정 간격의 값으로 설정될 수 있으며, a와 b의 각 값에 대하여 이차원 평면 상에 격자점이 형성된 이차원 격자 구조가 생성될 수 있다.
이차원 평면 데이터 생성부(120)는 수학식 1에 제1 벡터()와 제2 벡터()의 기준점인 제1 샘플(x1)을 더하여 수학식 2와 같이 이차원 격자 구조를 입력 데이터 공간으로 매핑할 수 있다.
즉, 이차원 평면 데이터 생성부(120)는 이차원 격자 구조의 각 격자점 (a,b)을 수학식 2를 이용하여 이차원 평면의 입력 데이터 공간으로 매핑할 수 있다. 이차원 평면의 입력 데이터 공간에서 제1 샘플(x1), 제2 샘플(x2) 및 제3 샘플(x3)은 격자 구조로 매핑되어 이차원 평면 데이터를 구성할 수 있다. 도 4에 예시한 바와 같이, 이차원 평면을 구성하는 제1 샘플(x1), 제2 샘플(x2) 및 제3 샘플(x3)은 이차원 평면 상에서 각각 (0,0), (1,0), (0,1)로 매핑되어 이차원 평면 데이터를 구성할 수 있다.
한편, 입력 데이터 공간의 데이터가 이차원 격자 구조의 어느 지점으로 할당될지는 에서 r 값을 대입하여 계산될 수 있다.
이차원 평면 데이터 생성부(120)는 이차원 평면 데이터를 결정 경계 시각화부(130) 및 심층 신경망 모델(140)에 제공할 수 있다.
심층 신경망 모델(140)은 이차원 평면 데이터에 포함된 샘플 각각에 대해 심층 신경망 예측을 수행하는 과정을 수행할 수 있다(S140). 심층 신경망 모델(140)은 이차원 평면 데이터에 포함된 이차원 평면 상의 모든 격자점의 샘플들에 대하여 심층 신경망 예측을 수행하여 결과값을 출력할 수 있다. 즉, 심층 신경망 모델(140)은 이차원 평면의 격자 구조에 매핑된 제1 샘플(x1), 제2 샘플(x2) 및 제3 샘플(x3) 각각을 입력으로 심층 신경망 모델(140)의 심층 신경망 예측을 수행하여 결과값을 출력할 수 있다. 예를 들어, 심층 신경망 모델(140)은 이미지 데이터에 대한 분류 클래스를 예측하여 그 결과값을 출력할 수 있다. 심층 신경망 모델(140)은 심층 신경망 예측의 결과값을 결정 경계 시각화부(130)에 제공할 수 있다.
결정 경계 시각화부(130)는 이차원 평면의 입력 데이터 공간에 심층 신경망 예측의 결과값을 표시하여 이차원 평면 결정 경계를 시각화하는 과정을 수행할 수 있다(S150). 입력 데이터 공간인 이차원 평면의 격자 구조는 수학식 2에 의해 이차원 격자 구조와 매핑되어 있으므로, 결정 경계 시각화부(130)는 각 격자점에 대한 심층 신경망 예측의 결과값을 바탕으로 이차원에 결정 경계를 시각화할 수 있다.
도 5는 고차원의 이미지 데이터를 분류하는 심층 신경망의 결정 경계를 이차원에 시각화한 실시예로써, 입력 데이터 공간의 이차원 평면은 기준점이 되는 쿼리 이미지와 쿼리 이미지에서 거리가 가장 가까운 2개의 이웃 이미지 (a)와 (b)를 포함하고 있다. 심층 신경망 예측의 결과값(Prediction)은 각 격자점의 이미지 데이터에 대한 분류 클래스를 나타내며, 이차원 평면에서 분류 클래스는 색상으로 시각화되어 구분될 수 있고, 분류 클래스 간의 이차원 평면 결정 경계가 시각화될 수 있다.
지금까지 참조한 도면과 기재된 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100: 심층 신경망 분석 장치
110: 샘플 선택부
120: 이차원 평면 데이터 생성부
130: 결정 경계 시각화부
140: 심층 신경망 모델

Claims (16)

  1. 복수의 고차원 데이터 중에서 고차원 데이터인 제1 샘플, 제2 샘플 및 제3 샘플을 선택하는 샘플 선택부;
    상기 제1 샘플, 상기 제2 샘플 및 상기 제3 샘플로부터 이차원 평면을 형성하는 기저 벡터를 계산하고, 이차원 평면의 격자 구조에 샘플을 매핑하여 이차원 평면 데이터를 생성하는 이차원 평면 데이터 생성부; 및
    이차원 평면의 입력 데이터 공간에 상기 이차원 평면 데이터에 포함된 샘플 각각에 대한 심층 신경망 예측의 결과값을 표시하여 이차원 평면 결정 경계를 시각화하는 결정 경계 시각화부를 포함하고,
    상기 샘플 선택부는 고차원 공간 상의 국소 부분을 나타내는 상기 제1 샘플, 상기 제2 샘플 및 상기 제3 샘플을 선택하고, 분석을 위한 상기 제1 샘플이 정해졌을 때 상기 고차원 공간 상에서 유클리디안 거리 상으로 상기 제1 샘플과 가장 가까운 상기 제2 샘플 및 상기 제3 샘플을 선택하는 심층 신경망 분석 장치.
  2. 삭제
  3. 제1 항에 있어서,
    상기 샘플 선택부는 상기 제2 샘플 및 상기 제3 샘플 중 적어도 하나가 상기 제1 샘플과 다른 분류 클래스를 가지도록 상기 제2 샘플 및 상기 제3 샘플을 선택하는 심층 신경망 분석 장치.
  4. 제3 항에 있어서,
    상기 이차원 평면 데이터 생성부는 상기 제2 샘플에서 상기 제1 샘플을 뺀 제1 벡터와 상기 제3 샘플에서 상기 제1 샘플을 뺀 제2 벡터를 상기 기저 벡터로서 계산하는 심층 신경망 분석 장치.
  5. 제4 항에 있어서,
    상기 이차원 평면 데이터 생성부는 실수 파라미터 a와 b의 범위를 설정하고, 상기 실수 파라미터 a와 b의 범위 내에서 균등한 간격으로 격자를 생성하여 이차원 평면 상에 격자점이 형성된 이차원 격자 구조를 생성하고, 상기 이차원 격자 구조를 이차원 평면의 입력 데이터 공간으로 매핑하는 심층 신경망 분석 장치.
  6. 제5 항에 있어서,
    상기 이차원 평면의 입력 데이터 공간에서 상기 제1 샘플, 상기 제2 샘플 및 상기 제3 샘플은 격자 구조로 매핑되어 상기 이차원 평면 데이터를 구성하는 심층 신경망 분석 장치.
  7. 제1 항에 있어서,
    상기 이차원 평면 데이터에 포함된 샘플 각각에 대해 상기 심층 신경망 예측을 수행하여 결과값을 출력하는 심층 신경망 모델을 더 포함하는 심층 신경망 분석 장치.
  8. 제1 항에 있어서,
    상기 심층 신경망 예측의 결과값은 상기 입력 데이터 공간의 각 격자점의 이미지 데이터에 대한 분류 클래스를 나타내는 심층 신경망 분석 장치.
  9. 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치가 심층 신경망 모델의 결정 경계를 시각화하는 심층 신경망 분석 방법에 있어서,
    복수의 고차원 데이터 중에서 고차원 데이터인 제1 샘플, 제2 샘플 및 제3 샘플을 선택하는 단계;
    상기 제1 샘플, 상기 제2 샘플 및 상기 제3 샘플로부터 이차원 평면을 형성하는 기저 벡터를 계산하는 단계;
    상기 기저 벡터에 의해 형성된 이차원 평면의 격자 구조에 샘플을 매핑하여 이차원 평면 데이터를 생성하는 단계; 및
    이차원 평면의 입력 데이터 공간에 상기 이차원 평면 데이터에 포함된 샘플 각각에 대한 심층 신경망 예측의 결과값을 표시하여 이차원 평면 결정 경계를 시각화하는 단계를 포함하고,
    고차원 공간 상의 국소 부분을 나타내는 상기 제1 샘플, 상기 제2 샘플 및 상기 제3 샘플을 선택하고, 분석을 위한 상기 제1 샘플이 정해졌을 때 상기 고차원 공간 상에서 유클리디안 거리 상으로 상기 제1 샘플과 가장 가까운 상기 제2 샘플 및 상기 제3 샘플을 선택하는 심층 신경망 분석 방법.
  10. 삭제
  11. 제9 항에 있어서,
    상기 제2 샘플 및 상기 제3 샘플 중 적어도 하나가 상기 제1 샘플과 다른 분류 클래스를 가지도록 상기 제2 샘플 및 상기 제3 샘플을 선택하는 심층 신경망 분석 방법.
  12. 제11 항에 있어서,
    상기 기저 벡터를 계산하는 단계는,
    상기 제2 샘플에서 상기 제1 샘플을 뺀 제1 벡터와 상기 제3 샘플에서 상기 제1 샘플을 뺀 제2 벡터를 상기 기저 벡터로서 계산하는 단계를 포함하는 심층 신경망 분석 방법.
  13. 제12 항에 있어서,
    상기 이차원 평면 데이터를 생성하는 단계는,
    실수 파라미터 a와 b의 범위를 설정하고, 상기 실수 파라미터 a와 b의 범위 내에서 균등한 간격으로 격자를 생성하여 이차원 평면 상에 격자점이 형성된 이차원 격자 구조를 생성하고, 상기 이차원 격자 구조를 이차원 평면의 입력 데이터 공간으로 매핑하는 단계를 포함하는 심층 신경망 분석 방법.
  14. 제13 항에 있어서,
    상기 이차원 평면의 입력 데이터 공간에서 상기 제1 샘플, 상기 제2 샘플 및 상기 제3 샘플은 격자 구조로 매핑되어 상기 이차원 평면 데이터를 구성하는 심층 신경망 분석 방법.
  15. 제9 항에 있어서,
    상기 이차원 평면 데이터에 포함된 샘플 각각에 대해 상기 심층 신경망 예측을 수행하여 결과값을 출력하는 단계를 더 포함하는 심층 신경망 분석 방법.
  16. 제9 항에 있어서,
    상기 심층 신경망 예측의 결과값은 상기 입력 데이터 공간의 각 격자점의 이미지 데이터에 대한 분류 클래스를 나타내는 심층 신경망 분석 방법.
KR1020240123306A 2024-09-10 2024-09-10 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법 Active KR102796919B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020240123306A KR102796919B1 (ko) 2024-09-10 2024-09-10 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020240123306A KR102796919B1 (ko) 2024-09-10 2024-09-10 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102796919B1 true KR102796919B1 (ko) 2025-04-17

Family

ID=95566020

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020240123306A Active KR102796919B1 (ko) 2024-09-10 2024-09-10 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102796919B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230289611A1 (en) * 2017-09-28 2023-09-14 D5Ai Llc Locating a decision boundary for complex classifier
JP2024073928A (ja) * 2022-11-18 2024-05-30 マツダ株式会社 情報処理方法、情報処理装置、情報処理プログラム、および、該情報処理プログラムを記憶したコンピュータ読取可能な記憶媒体

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230289611A1 (en) * 2017-09-28 2023-09-14 D5Ai Llc Locating a decision boundary for complex classifier
JP2024073928A (ja) * 2022-11-18 2024-05-30 マツダ株式会社 情報処理方法、情報処理装置、情報処理プログラム、および、該情報処理プログラムを記憶したコンピュータ読取可能な記憶媒体

Similar Documents

Publication Publication Date Title
CN117788957B (zh) 一种基于深度学习的资质图像分类方法及系统
CN108830285B (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
Tkachenko et al. Learning-based image scaling using neural-like structure of geometric transformation paradigm
Nouretdinov et al. Multi-level conformal clustering: A distribution-free technique for clustering and anomaly detection
CN113011397B (zh) 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法
CN114546365B (zh) 一种流程可视化的建模方法、服务器、计算机系统及介质
CN111563408B (zh) 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法
KR20210127069A (ko) 융합 모델 신경망의 성능 제어 방법
CN115034261B (zh) 雷达辐射源信号脉间特征提取方法、设备及存储介质
CN114120067A (zh) 一种物体识别方法、装置、设备及介质
US20190130321A1 (en) Artificial intelligence system that employs windowed cellular automata to create plausible alternatives
Laupheimer et al. The importance of radiometric feature quality for semantic mesh segmentation
CN114707635A (zh) 基于网络架构搜索的模型构建方法、装置及存储介质
KR102796919B1 (ko) 고차원 데이터를 입력값으로 하는 심층 신경망 분석 장치 및 방법
WO2024024175A1 (ja) 判定評価装置、方法、およびプログラム
JP2023006279A (ja) 機械学習モデルを用いて検査データの良否を判定する方法、情報処理装置、及び、コンピュータープログラム
CN116994071A (zh) 一种基于自适应光谱残差的多光谱激光雷达点云分类方法
CN114627289B (zh) 基于投票机制的工业零件实例分割方法
CN118069858A (zh) 一种知识图谱可视化方法、装置、电子设备及存储介质
Ebert-Uphoff et al. Evaluation, tuning and interpretation of neural networks for meteorological applications
Timchenko et al. Processing laser beam spot images using the parallel-hierarchical network for classification and forecasting their energy center coordinates
CN116580201A (zh) 一种基于关键点的域自适应植物器官实例分割方法
Molnar et al. Uncertainty visualization challenges in decision systems with ensemble data & surrogate models
CN116597275A (zh) 一种基于数据增强的高速移动目标识别方法
Huang et al. Toward a variation-aware and interpretable model for radar image sequence prediction

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20240910

PA0201 Request for examination

Patent event code: PA02011R01I

Patent event date: 20240910

Comment text: Patent Application

PA0302 Request for accelerated examination

Patent event date: 20240910

Patent event code: PA03022R01D

Comment text: Request for Accelerated Examination

Patent event date: 20240910

Patent event code: PA03021R01I

Comment text: Patent Application

PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20241011

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20250327

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20250411

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20250411

End annual number: 20

Start annual number: 1

PG1601 Publication of registration