KR102459971B1 - Method and system for classifying data using parameter size invariant classifier for unbiased classification - Google Patents

Method and system for classifying data using parameter size invariant classifier for unbiased classification Download PDF

Info

Publication number
KR102459971B1
KR102459971B1 KR1020210009563A KR20210009563A KR102459971B1 KR 102459971 B1 KR102459971 B1 KR 102459971B1 KR 1020210009563 A KR1020210009563 A KR 1020210009563A KR 20210009563 A KR20210009563 A KR 20210009563A KR 102459971 B1 KR102459971 B1 KR 102459971B1
Authority
KR
South Korea
Prior art keywords
parameter vector
processor
computer
vector
bias
Prior art date
Application number
KR1020210009563A
Other languages
Korean (ko)
Other versions
KR20220106541A (en
Inventor
장호덕
위동윤
Original Assignee
네이버 주식회사
라인 가부시키가이샤
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 네이버 주식회사, 라인 가부시키가이샤 filed Critical 네이버 주식회사
Priority to KR1020210009563A priority Critical patent/KR102459971B1/en
Priority to JP2022001602A priority patent/JP7469341B2/en
Publication of KR20220106541A publication Critical patent/KR20220106541A/en
Application granted granted Critical
Publication of KR102459971B1 publication Critical patent/KR102459971B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06K9/627—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

비편향 분류를 위한 파라미터 크기 불변 분류기를 이용하여 데이터를 분류하는 방법 및 시스템을 개시한다. 일실시예에 따른 데이터 분류 방법은 입력 데이터의 임베딩 벡터를 생성하는 단계, 상기 임베딩 벡터와 학습된 분류기의 파라미터 벡터간의 내적을 계산하는 단계 및 상기 내적의 결과에 상기 파라미터 벡터에 대한 놈(norm)을 적용하여 상기 파라미터 벡터의 크기에 대한 편향성이 제거된 로짓(logit)을 계산하는 단계를 포함할 수 있다.A method and system for classifying data using a parameter size invariant classifier for unbiased classification are disclosed. A data classification method according to an embodiment includes generating an embedding vector of input data, calculating a dot product between the embedding vector and a parameter vector of a learned classifier, and a norm for the parameter vector in the result of the dot product and calculating a logit from which bias with respect to the magnitude of the parameter vector is removed by applying .

Description

비편향 분류를 위한 파라미터 크기 불변 분류기를 이용하여 데이터를 분류하는 방법 및 시스템{METHOD AND SYSTEM FOR CLASSIFYING DATA USING PARAMETER SIZE INVARIANT CLASSIFIER FOR UNBIASED CLASSIFICATION}METHOD AND SYSTEM FOR CLASSIFYING DATA USING PARAMETER SIZE INVARIANT CLASSIFIER FOR UNBIASED CLASSIFICATION

아래의 설명은 비편향 분류를 위한 파라미터 크기 불변 분류기를 이용하여 데이터를 분류하는 방법 및 시스템에 관한 것이다.The description below relates to a method and system for classifying data using a parameter size invariant classifier for unbiased classification.

기존 인공지능 및 머신러닝 분야에서 널리 사용되는 표준 분류기의 경우, 분류기의 파라미터 크기가 학습 데이터셋에 내재된 편향성의 영향을 받아 편향된 분류 성능을 갖는 문제점이 있다. 예를 들어, 입력 데이터를 복수의 카테고리들 중 하나로 분류함에 있어서, 학습 데이터의 카테고리별 양의 차이에 따라 편향성이 발생하게 된다.In the case of a standard classifier widely used in the existing artificial intelligence and machine learning fields, there is a problem in that the parameter size of the classifier is affected by the bias inherent in the training dataset and has a biased classification performance. For example, in classifying the input data into one of a plurality of categories, bias occurs according to a difference in the amount of each category of the training data.

이러한 문제점을 해결하기 위해 유사한 양의 학습 데이터를 포함하는 카테고리별로 그룹을 형성하여, 그룹별로 학습을 처리하는 종래기술이 존재하나, 해당 종래기술은 특정 태스크(detection 태스크)에 특화되어 있어 다른 태스크(instance segmentation 태스크 또는 classification 태스크)의 분류 문제에는 적용이 불가하다는 문제점이 있다. 또한, 해당 종래기술은 많은 하이퍼 파라미터 탐색을 요구하기 때문에 실제 적용에 있어서 많은 자원과 시간이 소요되는 문제점이 있다.In order to solve this problem, there is a prior art that processes learning by group by forming a group by category containing a similar amount of learning data, but the prior art is specialized for a specific task (detection task) There is a problem that it cannot be applied to the classification problem of instance segmentation task or classification task. In addition, since the prior art requires a lot of hyperparameter search, there is a problem in that it takes a lot of resources and time in actual application.

[선행기술문헌][Prior art literature]

한국등록특허 제10-2180054호 Korean Patent Registration No. 10-2180054

분류기의 파라미터 벡터의 크기에 대한 편향성을 제거함으로써, 분류기의 편향성 문제를 해소할 수 있는 데이터 분류 방법 및 시스템을 제공한다.A data classification method and system capable of resolving the bias problem of a classifier by removing the bias with respect to the size of a parameter vector of the classifier are provided.

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 데이터 분류 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 입력 데이터의 임베딩 벡터를 생성하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 임베딩 벡터와 학습된 분류기의 파라미터 벡터간의 내적을 계산하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 내적의 결과에 상기 파라미터 벡터에 대한 놈(norm)을 적용하여 상기 파라미터 벡터의 크기에 대한 편향성이 제거된 로짓(logit)을 계산하는 단계를 포함하는 데이터 분류 방법을 제공한다.A method for classifying data in a computer device including at least one processor, the method comprising: generating, by the at least one processor, an embedding vector of input data; calculating, by the at least one processor, a dot product between the embedding vector and a parameter vector of a learned classifier; and calculating, by the at least one processor, a logit from which the bias with respect to the magnitude of the parameter vector is removed by applying a norm for the parameter vector to the result of the dot product. provide a way

일측에 따르면, 상기 로짓을 계산하는 단계는, 상기 내적의 결과를 상기 파라미터 벡터에 대한 놈으로 나누어 상기 파라미터 벡터의 크기에 대한 편향성을 제거하는 것을 특징으로 할 수 있다.According to one aspect, the calculating of the logit may include removing a bias with respect to the size of the parameter vector by dividing the result of the dot product by a norm for the parameter vector.

다른 측면에 따르면, 상기 로짓을 계산하는 단계는, 상기 놈이 적용된 내적의 결과에 하이퍼볼릭 탄젠트(hyperbolic tangent)가 적용된 바이어스를 부여하는 단계를 포함하는 것을 특징으로 할 수 있다.According to another aspect, the calculating of the logit may include applying a bias to which a hyperbolic tangent is applied to a result of the dot product to which the norm is applied.

컴퓨터 장치와 결합되어 상기 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.Provided is a computer program stored in a computer-readable recording medium in combination with a computer device to execute the method on the computer device.

상기 방법을 컴퓨터 장치에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체를 제공한다.It provides a computer-readable recording medium in which a program for executing the method in a computer device is recorded.

컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 입력 데이터의 임베딩 벡터를 생성하고, 상기 적어도 하나의 프로세서에 의해, 상기 임베딩 벡터와 학습된 분류기의 파라미터 벡터간의 내적을 계산하고, 상기 적어도 하나의 프로세서에 의해, 상기 내적의 결과에 상기 파라미터 벡터에 대한 놈(norm)을 적용하여 상기 파라미터 벡터의 크기에 대한 편향성이 제거된 로짓을 계산하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.at least one processor implemented to execute computer readable instructions, wherein the at least one processor generates an embedding vector of input data, and, by the at least one processor, the embedding vector and a learned classifier calculating, by the at least one processor, a dot product between parameter vectors of It provides a computer device characterized in that.

분류기의 파라미터 벡터의 크기에 대한 편향성을 제거함으로써, 분류기의 편향성 문제를 해소할 수 있다.By removing the bias with respect to the size of the parameter vector of the classifier, the bias problem of the classifier can be solved.

도 1은 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 2는 본 발명의 일실시예에 따른 데이터 분류 방법의 예를 도시한 흐름도이다.
도 3 및 도 4는 표준 로짓 표현과 본 발명의 일실시예에 따른 놈-불변 로빗 표현을 활용한 경우의 성능을 비교한 도면들이다.1 is a block diagram illustrating an example of a computer device according to an embodiment of the present invention.
2 is a flowchart illustrating an example of a data classification method according to an embodiment of the present invention.
3 and 4 are diagrams comparing the performance of a standard logit representation and a norm-invariant logit representation according to an embodiment of the present invention.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings.

본 발명의 실시예들에 따른 데이터 분류 시스템은 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 데이터 분류 방법은 데이터 분류 시스템에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다. 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 데이터 분류 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 데이터 분류 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.The data classification system according to the embodiments of the present invention may be implemented by at least one computer device, and the data classification method according to the embodiments of the present invention is performed through at least one computer device included in the data classification system. can be The computer program according to an embodiment of the present invention may be installed and driven in the computer device, and the computer device may perform the data classification method according to the embodiments of the present invention under the control of the driven computer program. The above-described computer program may be stored in a computer-readable recording medium in order to be combined with a computer device to cause the computer to execute the data classification method.

도 1은 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 이러한 컴퓨터 장치(100)는 도 1에 도시된 바와 같이, 메모리(110), 프로세서(120), 통신 인터페이스(130) 그리고 입출력 인터페이스(140)를 포함할 수 있다. 메모리(110)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(110)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(100)에 포함될 수도 있다. 또한, 메모리(110)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(110)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(110)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(130)를 통해 메모리(110)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(260)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(100)의 메모리(110)에 로딩될 수 있다.1 is a block diagram illustrating an example of a computer device according to an embodiment of the present invention. As shown in FIG. 1 , the computer device 100 may include a memory 110 , a processor 120 , a communication interface 130 , and an input/output interface 140 . The memory 110 is a computer-readable recording medium and may include a random access memory (RAM), a read only memory (ROM), and a permanent mass storage device such as a disk drive. Here, a non-volatile mass storage device such as a ROM and a disk drive may be included in the computer device 100 as a separate permanent storage device distinct from the memory 110 . Also, an operating system and at least one program code may be stored in the memory 110 . These software components may be loaded into the memory 110 from a computer-readable recording medium separate from the memory 110 . The separate computer-readable recording medium may include a computer-readable recording medium such as a floppy drive, a disk, a tape, a DVD/CD-ROM drive, and a memory card. In another embodiment, the software components may be loaded into the memory 110 through the communication interface 130 rather than the computer-readable recording medium. For example, the software components may be loaded into the memory 110 of the computer device 100 based on a computer program installed by files received through the network 260 .

프로세서(120)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(110) 또는 통신 인터페이스(130)에 의해 프로세서(120)로 제공될 수 있다. 예를 들어 프로세서(120)는 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.The processor 120 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. The instructions may be provided to the processor 120 by the memory 110 or the communication interface 130 . For example, the processor 120 may be configured to execute a received instruction according to a program code stored in a recording device such as the memory 110 .

통신 인터페이스(130)은 네트워크(260)를 통해 컴퓨터 장치(100)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(100)의 프로세서(120)가 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(130)의 제어에 따라 네트워크(260)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(260)를 거쳐 컴퓨터 장치(100)의 통신 인터페이스(130)를 통해 컴퓨터 장치(100)로 수신될 수 있다. 통신 인터페이스(130)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(120)나 메모리(110)로 전달될 수 있고, 파일 등은 컴퓨터 장치(100)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.The communication interface 130 may provide a function for the computer device 100 to communicate with other devices (eg, the storage devices described above) through the network 260 . For example, a request, command, data, file, etc. generated by the processor 120 of the computer device 100 according to a program code stored in a recording device such as the memory 110 is transmitted to the network ( 260) to other devices. Conversely, signals, commands, data, files, etc. from other devices may be received by the computer device 100 through the communication interface 130 of the computer device 100 via the network 260 . A signal, command, or data received through the communication interface 130 may be transferred to the processor 120 or the memory 110 , and the file may be a storage medium (described above) that the computer device 100 may further include. persistent storage).

입출력 인터페이스(140)는 입출력 장치(150)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(140)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(150)는 컴퓨터 장치(100)와 하나의 장치로 구성될 수도 있다.The input/output interface 140 may be a means for an interface with the input/output device 150 . For example, the input device may include a device such as a microphone, keyboard, or mouse, and the output device may include a device such as a display or a speaker. As another example, the input/output interface 140 may be a means for an interface with a device in which functions for input and output are integrated into one, such as a touch screen. The input/output device 150 may be configured as a single device with the computer device 100 .

또한, 다른 실시예들에서 컴퓨터 장치(100)는 도 1의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(100)는 상술한 입출력 장치(150) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.Also, in other embodiments, the computer device 100 may include fewer or more components than those of FIG. 1 . However, there is no need to clearly show most of the prior art components. For example, the computer device 100 may be implemented to include at least a portion of the above-described input/output device 150 or may further include other components such as a transceiver and a database.

도 2는 본 발명의 일실시예에 따른 데이터 분류 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 데이터 분류 방법은 컴퓨터 장치(100)에 의해 수행될 수 있다. 이때, 컴퓨터 장치(100)의 프로세서(120)는 메모리(110)가 포함하는 운영체제의 코드나 적어도 하나의 컴퓨터 프로그램의 코드에 따른 제어 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(120)는 컴퓨터 장치(100)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(100)가 도 2의 방법이 포함하는 단계들(210 내지 230)을 수행하도록 컴퓨터 장치(100)를 제어할 수 있다.2 is a flowchart illustrating an example of a data classification method according to an embodiment of the present invention. The data classification method according to the present embodiment may be performed by the computer device 100 . In this case, the processor 120 of the computer device 100 may be implemented to execute a control instruction according to a code of an operating system included in the memory 110 or a code of at least one computer program. Here, the processor 120 causes the computer device 100 to perform the steps 210 to 230 included in the method of FIG. 2 according to a control command provided by a code stored in the computer device 100 . can control

단계(210)에서 컴퓨터 장치(100)는 입력 데이터의 임베딩 벡터를 생성할 수 있다. 일례로, 입력 데이터가 이미지인 경우, 컴퓨터 장치(100)는 이미지의 특징 벡터를 임베딩 벡터로서 생성할 수 있다.In operation 210 , the computer device 100 may generate an embedding vector of input data. For example, when the input data is an image, the computer device 100 may generate a feature vector of the image as an embedding vector.

단계(220)에서 컴퓨터 장치(100)는 임베딩 벡터와 학습된 분류기의 파라미터 벡터간의 내적을 계산할 수 있다. 학습 데이터를 이용하여 분류기를 학습하는 것은, 분류기의 파라미터 벡터를 학습하는 것에 대응할 수 있다. 이 경우, 컴퓨터 장치(100)는 카테고리별 학습 데이터를 이용하여 미리 학습된 분류기의 파라미터 벡터(또는 분류기 가중치 벡터)와 단계(210)에서 생성된 임베딩 벡터간의 내적을 계산할 수 있다.In operation 220 , the computer device 100 may calculate a dot product between the embedding vector and the parameter vector of the learned classifier. Learning the classifier using the training data may correspond to learning the parameter vector of the classifier. In this case, the computer device 100 may calculate a dot product between the parameter vector (or classifier weight vector) of the pre-trained classifier and the embedding vector generated in step 210 using the training data for each category.

단계(230)에서 컴퓨터 장치(100)는 내적의 결과에 파라미터 벡터에 대한 놈(norm)을 적용하여 파라미터 벡터의 크기에 대한 편향성이 제거된 로짓(logit, logistic probit)을 계산할 수 있다. 예를 들어, 컴퓨터 장치(100)는 내적의 결과를 파라미터 벡터에 대한 놈으로 나누어 파라미터 벡터의 크기에 대한 편향성을 제거할 수 있다. 놈은 벡터의 크기를 의미할 수 있기 때문에, 임베딩 벡터와 파라미터 벡터의 내적의 결과를 놈으로 나눔으로써, 파리미터 벡터에서 방향성만을 남겨두고, 파라미터 벡터의 크기는 제거할 수 있게 된다. 따라서, 학습 데이터의 카테고리별 양의 차이에 따라 나타나게 되는 편향성이 제거될 수 있다.In operation 230, the computer device 100 may calculate a logit (logistic probit) from which the bias with respect to the magnitude of the parameter vector is removed by applying a norm for the parameter vector to the result of the dot product. For example, the computer device 100 may remove the bias with respect to the magnitude of the parameter vector by dividing the result of the dot product by the norm for the parameter vector. Since the norm can mean the magnitude of the vector, by dividing the result of the dot product of the embedding vector and the parameter vector by the norm, it is possible to remove only the directionality from the parameter vector and remove the magnitude of the parameter vector. Therefore, the bias that appears according to the difference in the amount of each category of the training data can be removed.

실시예에 따라 컴퓨터 장치(100)는 놈이 적용된 내적의 결과에 하이퍼볼릭 탄젠트(hyperbolic tangent, tanh)가 적용된 바이어스를 부여할 수 있다. 바이어스는 분류기의 바이어스에 대응될 수 있다.According to an embodiment, the computer device 100 may apply a bias to which a hyperbolic tangent (tanh) is applied to a result of a dot product to which a norm is applied. The bias may correspond to the bias of the classifier.

이하에서는 본 발명의 실시예들에 따른 데이터 분류 방법의 수학적 의미에 대해 설명한다.Hereinafter, the mathematical meaning of the data classification method according to embodiments of the present invention will be described.

일반적으로 분류기의 표준 로짓 표현은 아래 수학식 1과 같이 표현될 수 있다.In general, the standard logit representation of the classifier can be expressed as in Equation 1 below.

Figure 112021008936047-pat00001
Figure 112021008936047-pat00001

여기서,

Figure 112021008936047-pat00002
는 분류기에 대한 i-번째 카테고리의 로짓 표현을 의미할 수 있다. 또한,
Figure 112021008936047-pat00003
와
Figure 112021008936047-pat00004
는
Figure 112021008936047-pat00005
차원을 가진 파라미터 벡터와 임베딩 벡터를 각각 의미할 수 있다. 다시 말해, 분류기의 표준 로짓 표현은 수학적으로 분류기의 파라미터 벡터와 입력 데이터로부터 생성된 임베딩 벡터간의 내적에 기초하여 생성될 수 있다. 이때, 학습 데이터의 카테고리별 양의 차이에 따라 발생하는 편향성이 분류기의 파라미터 벡터에 내재될 수 있으며, 이러한 파라미터 벡터를 이용하여 생성되는 표준 로짓 표현에 반영될 수 있다. 이러한 편향성의 반영은 분류기의 편향된 분류 성능으로 이어질 수 있다. 한편,
Figure 112021008936047-pat00006
는 분류기의 바이어스를 의미할 수 있다.here,
Figure 112021008936047-pat00002
may mean a logit representation of the i -th category for the classifier. In addition,
Figure 112021008936047-pat00003
Wow
Figure 112021008936047-pat00004
Is
Figure 112021008936047-pat00005
It may mean a parameter vector and an embedding vector having a dimension, respectively. In other words, the standard logit representation of the classifier can be mathematically generated based on the dot product between the parameter vector of the classifier and the embedding vector generated from the input data. In this case, the bias generated according to the difference in the amount of each category of training data may be inherent in the parameter vector of the classifier, and may be reflected in the standard logit expression generated using the parameter vector. The reflection of this bias can lead to the biased classification performance of the classifier. Meanwhile,
Figure 112021008936047-pat00006
may mean the bias of the classifier.

이미 설명한 바와 같이, 본 발명의 실시예들에서는 분류기의 파라미터 벡터의 놈을 이용하여 일례로, 아래 수학식 2와 같이 이러한 편향성에 따른 문제를 해결할 수 있다.As already described, in the embodiments of the present invention, the problem due to such bias can be solved as shown in Equation 2 below, for example, by using the norm of the parameter vector of the classifier.

Figure 112021008936047-pat00007
Figure 112021008936047-pat00007

여기서,

Figure 112021008936047-pat00008
는 분류기의 파라미터 벡터의 놈을 의미할 수 있다. 다시 말해, 분류기의 파라미터 벡터와 입력 데이터의 임베딩 벡터간의 내적에 벡터의 크기를 나타내는 놈(분류기의 파리미터 벡터의 놈)을 나누어줌으로써, 내적의 결과에서 크기에 따른 편향성을 제거할 수 있게 된다. 추가적으로, 분류기의 바이어스에는 하이퍼볼릭 탄젠트(tanh)를 적용하여 적용되는 바이어스의 값을 -1에서 1 사이의 실수로 제한함으로써, 분류기의 바이어스의 영향을 제한할 수 있다. 본 명세서에서는 수학식 2에 따른 로짓 표현을 놈-불변 로빗 표현(norm-invariant logit representation)이라 명명한다.here,
Figure 112021008936047-pat00008
may mean the norm of the parameter vector of the classifier. In other words, by dividing the norm representing the magnitude of the vector (the norm of the parameter vector of the classifier) to the dot product between the parameter vector of the classifier and the embedding vector of the input data, it is possible to remove the bias according to the magnitude in the result of the dot product. Additionally, by applying a hyperbolic tangent (tanh) to the bias of the classifier and limiting the applied bias value to a real number between -1 and 1, the influence of the bias of the classifier can be limited. In the present specification, the logit representation according to Equation 2 is called a norm-invariant logit representation.

도 3 및 도 4는 표준 로짓 표현과 본 발명의 일실시예에 따른 놈-불변 로빗 표현을 활용한 경우의 성능을 비교한 도면들이다. 3 and 4 are diagrams comparing the performance of a standard logit representation and a norm-invariant logit representation according to an embodiment of the present invention.

도 3은 입력 이미지 내의 물체의 위치를 찾고 물체의 카테고리를 분류하는 태스크인 인스턴스 세그먼테이션(instance segmentation) 태스크에 대한 표준 로짓 표현과 본 발명의 일실시예에 따른 놈-불변 로빗 표현을 활용한 경우의 성능을 나타내고 있다. 이때, 인스턴스 세그먼테이션 태스크에서는 박스(bbox)와 픽셀 레벨의 마스크(mask)로 위치를 표현할 수 있다. 성능 테스트는 LVISv0.5 benchmark의 데이터 셋을 이용하여 이루어졌다. 도 3의 표에서 AP는 감지 정확도를 측정하기 위해 널리 사용되는 측정 항목인 평균 정밀도를 나타내고 있다. 이때, AP_S, AP_M 및 AP_L은 객체의 크기 (즉, Small, Medium 및 Large)와 관련된 AP이며, AP_r, AP_c 및 AP_f는 훈련 데이터 세트의 샘플 빈도(즉, rare common, frequent)와 관련된 AP이다. 이때, 도 3의 표에서는 놈-불변 로빗 표현이 박스와 마스크 모두에서 로우-샷(low-shot)의 경우(일례로, AP_r 및 AP_c) 성능을 크게 개선하여 학습 데이터의 카테고리별 불균형과 그에 따른 편향성 문제를 효과적으로 해결하고 있음을 나타내고 있다. 또한, AP_f의 경우에도 놈-불변 로빗 표현을 활용한 경우의 성능이 표준 로짓 표현을 활용한 경우의 성능과 비슷함을 알 수 있다.3 is a standard logit representation for an instance segmentation task, which is a task for finding the position of an object in an input image and classifying the category of the object, and a norm-invariant logit representation according to an embodiment of the present invention. shows performance. In this case, in the instance segmentation task, the location may be expressed using a box and a mask at the pixel level. The performance test was conducted using the data set of the LVISv0.5 benchmark. In the table of FIG. 3, AP indicates average precision, which is a widely used measurement item to measure detection accuracy. At this time, AP_S, AP_M, and AP_L are APs related to the size of the object (ie, Small, Medium, and Large), and AP_r, AP_c and AP_f are APs related to the sample frequency of the training data set (ie, rare common, frequent). At this time, in the table of FIG. 3, the norm-invariant lobit expression greatly improves the performance in the case of low-shot (eg, AP_r and AP_c) in both the box and the mask, so that the category-specific imbalance of training data and the resulting It shows that the bias problem is effectively solved. Also, in the case of AP_f, it can be seen that the performance when using the norm-invariant lobit expression is similar to the performance when the standard logit expression is used.

도 4는 입력 이미지의 카테고리를 분류하는 클래시피케이션(classification) 태스크에 대한 표준 로짓 표현과 본 발명의 일실시예에 따른 놈-불변 로빗 표현을 활용한 경우의 성능을 나타내고 있다. 성능 테스트는 Long-tailed CIFAR-10 benchmark의 데이터 셋을 이용하여 이루어졌다. 도 4의 표에서 불균형 비율(Imbalance ratio)이 높아질수록 훈련 데이터 셋의 불균형이 높아짐을 의미할 수 있다. 이때, 도 4의 표에서는 놈-불변 로빗 표현이 로우-샷(low-shot)의 경우(일례로, 100의 불균형 비율) 성능을 크게 개선하여 학습 데이터의 카테고리별 불균형과 그에 따른 편향성 문제를 효과적으로 해결하고 있음을 나타내고 있다. 불균형 비율이 낮은 경우(일례로, 50 및 10의 불균형 비율)에도 놈-불변 로빗 표현을 활용한 경우의 성능이 표준 로짓 표현을 활용한 경우의 성능과 비슷함을 알 수 있다.4 shows the performance of using a standard logit representation for a classification task for classifying a category of an input image and a norm-invariant logit representation according to an embodiment of the present invention. The performance test was conducted using the data set of the long-tailed CIFAR-10 benchmark. As the imbalance ratio increases in the table of FIG. 4 , it may mean that the imbalance of the training data set increases. At this time, in the table of FIG. 4, the norm-invariant lobbit expression greatly improves performance in the case of low-shot (eg, an imbalance ratio of 100), effectively solving the imbalance by category of training data and the bias problem resulting therefrom. indicates that it is being resolved. It can be seen that even when the imbalance ratio is low (for example, the imbalance ratio of 50 and 10), the performance of using the norm-invariant Rabbit representation is similar to the performance of using the standard logit representation.

이와 같이, 본 발명의 실시예들에 따르면, 분류기의 파라미터 벡터의 크기에 대한 편향성을 제거함으로써, 분류기의 편향성 문제를 해소할 수 있다.As described above, according to embodiments of the present invention, the bias problem of the classifier can be solved by removing the bias with respect to the size of the parameter vector of the classifier.

이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The system or apparatus described above may be implemented as a hardware component or a combination of a hardware component and a software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that may include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록매체에 저장될 수 있다.The software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or to provide instructions or data to the processing device. may be embodied in The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The medium may continuously store a computer executable program, or may be a temporary storage for execution or download. In addition, the medium may be various recording means or storage means in the form of a single or several hardware combined, it is not limited to a medium directly connected to any computer system, and may exist distributed on a network. Examples of the medium include a hard disk, a magnetic medium such as a floppy disk and a magnetic tape, an optical recording medium such as CD-ROM and DVD, a magneto-optical medium such as a floppy disk, and those configured to store program instructions, including ROM, RAM, flash memory, and the like. In addition, examples of other media may include recording media or storage media managed by an app store that distributes applications, sites that supply or distribute various other software, or servers. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible by those skilled in the art from the above description. For example, the described techniques are performed in a different order than the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

Claims (7)

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 데이터 분류 방법에 있어서,
상기 적어도 하나의 프로세서에 의해, 입력 데이터의 임베딩 벡터를 생성하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 임베딩 벡터와 학습된 분류기의 파라미터 벡터간의 내적을 계산하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 내적의 결과에 상기 파라미터 벡터에 대한 놈(norm)을 적용하여 상기 파라미터 벡터의 크기에 대한 편향성이 제거된 로짓(logit)을 계산하는 단계
를 포함하고,
상기 로짓을 계산하는 단계는,
상기 내적의 결과를, 상기 파라미터 벡터의 크기를 나타내는 상기 파라미터 벡터에 대한 놈으로 나누어 상기 파라미터 벡터의 크기에 대한 편향성을 제거하는 것을 특징으로 하는 데이터 분류 방법.A method for classifying data in a computer device comprising at least one processor, the method comprising:
generating, by the at least one processor, an embedding vector of input data;
calculating, by the at least one processor, a dot product between the embedding vector and a parameter vector of a learned classifier; and
calculating, by the at least one processor, a logit from which the bias with respect to the magnitude of the parameter vector is removed by applying a norm for the parameter vector to the result of the dot product;
including,
Calculating the logit comprises:
A data classification method, characterized in that by dividing a result of the dot product by a norm for the parameter vector indicating the size of the parameter vector, the bias with respect to the size of the parameter vector is removed. 삭제delete 제1항에 있어서,
상기 로짓을 계산하는 단계는,
상기 놈이 적용된 내적의 결과에 하이퍼볼릭 탄젠트(hyperbolic tangent)가 적용된 바이어스를 부여하는 단계
를 포함하는 것을 특징으로 하는 데이터 분류 방법.According to claim 1,
Calculating the logit comprises:
applying a bias to which a hyperbolic tangent is applied to the result of the dot product to which the norm is applied
Data classification method comprising a. 컴퓨터 장치와 결합되어 제1항 또는 제3항의 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.A computer program stored in a computer-readable recording medium in combination with a computer device to execute the method of claim 1 or 3 in the computer device. 제1항 또는 제3항의 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체.A computer-readable recording medium in which a computer program for executing the method of claim 1 or 3 in a computer device is recorded. 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서에 의해,
입력 데이터의 임베딩 벡터를 생성하고,
상기 적어도 하나의 프로세서에 의해, 상기 임베딩 벡터와 학습된 분류기의 파라미터 벡터간의 내적을 계산하고,
상기 적어도 하나의 프로세서에 의해, 상기 내적의 결과에 상기 파라미터 벡터에 대한 놈(norm)을 적용하여 상기 파라미터 벡터의 크기에 대한 편향성이 제거된 로짓(logit)을 계산하고,
상기 로짓을 계산하기 위해, 상기 적어도 하나의 프로세서에 의해,
상기 내적의 결과를, 상기 파라미터 벡터의 크기를 나타내는 상기 파라미터 벡터에 대한 놈으로 나누어 상기 파라미터 벡터의 크기에 대한 편향성을 제거하는 것
을 특징으로 하는 컴퓨터 장치.at least one processor implemented to execute computer-readable instructions
including,
by the at least one processor,
create an embedding vector of the input data,
calculating, by the at least one processor, a dot product between the embedding vector and a parameter vector of a learned classifier;
calculating, by the at least one processor, a logit from which the bias with respect to the magnitude of the parameter vector is removed by applying a norm for the parameter vector to the result of the dot product;
to calculate the logit, by the at least one processor,
removing the bias with respect to the magnitude of the parameter vector by dividing the result of the dot product by a norm for the parameter vector representing the magnitude of the parameter vector
A computer device characterized by a. 삭제delete
KR1020210009563A 2021-01-22 2021-01-22 Method and system for classifying data using parameter size invariant classifier for unbiased classification KR102459971B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210009563A KR102459971B1 (en) 2021-01-22 2021-01-22 Method and system for classifying data using parameter size invariant classifier for unbiased classification
JP2022001602A JP7469341B2 (en) 2021-01-22 2022-01-07 Method and system for classifying data using parameter size invariant classifiers for unbiased classification - Patents.com

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210009563A KR102459971B1 (en) 2021-01-22 2021-01-22 Method and system for classifying data using parameter size invariant classifier for unbiased classification

Publications (2)

Publication Number Publication Date
KR20220106541A KR20220106541A (en) 2022-07-29
KR102459971B1 true KR102459971B1 (en) 2022-10-27

Family

ID=82606740

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210009563A KR102459971B1 (en) 2021-01-22 2021-01-22 Method and system for classifying data using parameter size invariant classifier for unbiased classification

Country Status (2)

Country Link
JP (1) JP7469341B2 (en)
KR (1) KR102459971B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102590575B1 (en) 2023-04-19 2023-10-17 주식회사 에이오디컨설팅 Dynamic data classification method through data structure analysis based on column semantic classification
KR102590576B1 (en) 2023-04-19 2023-10-24 주식회사 에이오디컨설팅 Dynamic data structure search method using data semantic classification

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102149184B1 (en) * 2019-04-29 2020-08-28 연세대학교 산학협력단 Method and Apparatus for Generating Explainable Unseen Image

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0683798A (en) * 1992-09-01 1994-03-25 Matsushita Electric Ind Co Ltd Learning recognizing device
KR100601944B1 (en) * 2004-03-08 2006-07-14 삼성전자주식회사 Method and apparatus for color transformation
US10373054B2 (en) 2015-04-19 2019-08-06 International Business Machines Corporation Annealed dropout training of neural networks
KR101782914B1 (en) * 2016-02-29 2017-09-28 한국항공대학교산학협력단 Apparatus and method for aerial scene labeling
US10887324B2 (en) 2016-09-19 2021-01-05 Ntt Research, Inc. Threat scoring system and method
US10936913B2 (en) 2018-03-20 2021-03-02 The Regents Of The University Of Michigan Automatic filter pruning technique for convolutional neural networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102149184B1 (en) * 2019-04-29 2020-08-28 연세대학교 산학협력단 Method and Apparatus for Generating Explainable Unseen Image

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102590575B1 (en) 2023-04-19 2023-10-17 주식회사 에이오디컨설팅 Dynamic data classification method through data structure analysis based on column semantic classification
KR102590576B1 (en) 2023-04-19 2023-10-24 주식회사 에이오디컨설팅 Dynamic data structure search method using data semantic classification

Also Published As

Publication number Publication date
JP2022113125A (en) 2022-08-03
KR20220106541A (en) 2022-07-29
JP7469341B2 (en) 2024-04-16

Similar Documents

Publication Publication Date Title
US10692065B2 (en) Using a mixture model to generate simulated transaction information
KR102459971B1 (en) Method and system for classifying data using parameter size invariant classifier for unbiased classification
CN110287702B (en) Binary vulnerability clone detection method and device
US9811760B2 (en) Online per-feature descriptor customization
WO2018179765A1 (en) Information processing device, information processing method, and computer-readable storage medium
US10078577B2 (en) Policy compliance of container images
CA3141560A1 (en) Automated identification of code changes
WO2017185049A1 (en) Dimensionality reduction of computer programs
KR102167011B1 (en) An image traning apparatus extracting hard negative samples being used to training a neural network based on sampling and a threshold adjusting adaptively and a method performed by the image training apparatus
CN109886311B (en) Incremental clustering method and device, electronic equipment and computer readable medium
CN111045916B (en) Automated software defect verification
KR20220032730A (en) On identifying the author group of malwares via graph embedding and human-in-loop approaches
Fazilov et al. Construction of recognition algorithms based on the two-dimensional functions
US11113117B2 (en) Clustering routines for extrapolating computing resource metrics
US20210166080A1 (en) Utilizing object oriented programming to validate machine learning classifiers and word embeddings
KR102209505B1 (en) Artificial inteligence learning methods and apparatus using analysis of data frequency value
US20170132413A1 (en) File clustering using filters working over file attributes
CN110414233A (en) Malicious code detection method and device
CN116486269A (en) Bridge crack identification method and system based on image analysis
US20200218941A1 (en) Methods and apparatus to simulate sensor data
CN113347193A (en) Data request permission method and system based on cloud server and cloud platform
US11756284B2 (en) Apparatus and method of labeling for object detection
Moro et al. Directional algorithms for the frequency isolation problem in undamped vibrational systems
Schlögl et al. Forensicability of deep neural network inference pipelines
CN115292301B (en) Task data abnormity monitoring and processing method and system based on artificial intelligence

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant