KR102492484B1 - System of Structuralizing Heat Map Having Feature of Analysis Object and Artificial Intelligence System Including It - Google Patents

Abstract

According to one aspect of the present invention, a heat map structuralization system, which has an effect of reducing a risk caused by delayed recognition of a problem, comprises: a Q reader module (16) which generates a contrast matrix, a two-dimensional matrix, by performing a logical operation between any two labels included in two label lists, respectively, and constructing a contrast matrix group by generating the contrast matrix for the any two label lists, respectively, belonging to a label list set; and a Q scaler module (17) which generates an estimation value by adding all values in estimation blanks having a designated transverse and longitudinal size for each contrast matrix belonging to the contrast matrix group and performs estimation calculation generating the estimation value while sequentially moving on the estimation blanks to generate a heat map, a matrix of the estimation value.

Description

분석 대상의 비교 특징이 담긴 히트맵 구조화 시스템 및 이를 포함한 인공지능 시스템{System of Structuralizing Heat Map Having Feature of Analysis Object and Artificial Intelligence System Including It}System of Structuralizing Heat Map Having Feature of Analysis Object and Artificial Intelligence System Including It}

본 발명은 분석 대상의 비교 특징이 담긴 히트맵을 자동적으로 구조화하는 시스템 및 이를 포함한 인공지능 시스템에 관한 것이다.The present invention relates to a system for automatically structuring a heat map containing comparative characteristics of an analysis target and an artificial intelligence system including the same.

사건 인식에 있어서 인간은 다양한 요소를 함께 고려하여 정보를 판단한다. 예를 들어, 인간은 "머리가 아파요."라는 이야기를 들었을 때, 머리가 아프다는 것이 "높은 정신적인 부하(A사건)"를 말하는지 "신체로써 두뇌가 아프다(B사건)"를 말하는 것인지 직관적으로 상황 맥락에 맞춰서 구분지을 수 있다. 이처럼 우리의 일상에서는 사건의 구분 관점에서 특정 사건과 다른 사건과의 합집합의 여집합, 교집합, 배타적 차집합을 파악하는 것이 필요할 때가 많다. 본 발명은 이러한 사건을 특정할 수 있도록 다른 사건과 구분되는 해당 사건의 특징 정보를 구조화하여 통찰적 인상을 제공할 수 있는 인공지능기술에 관한 것이다.In event recognition, humans judge information by considering various factors together. For example, when a human being hears the story "I have a headache", it is intuitive whether the head pain refers to "high mental load (Event A)" or "the brain as a body hurts (Event B)". can be classified according to the context of the situation. As such, in our daily lives, it is often necessary to figure out the complement, intersection, and exclusive difference of the union of a specific event and another event from the perspective of classifying events. The present invention relates to an artificial intelligence technology capable of providing an insightful impression by structuring characteristic information of a corresponding event that is distinguished from other events so that such an event can be specified.

본 발명의 목적은 사건의 특징 정보를 구조화하여 통찰적 인상을 제공할 수 있는 히트맵 구조화 시스템 및 이를 포함한 인공지능 시스템을 제공하기 위한 것이다.An object of the present invention is to provide a heat map structuring system capable of providing an insightful impression by structuring event feature information and an artificial intelligence system including the same.

본 발명의 일 양상에 따른 히트맵 구조화 시스템은, 두 레이블리스트에 각각 포함된 임의의 두 레이블끼리 논리연산을 수행하여 2차원 행렬인 대조행렬을 생성하되, 레이블리스트 집합에 속하는 임의의 두 레이블리스트에 대하여 상기 대조행렬을 각각 생성함으로써 대조행렬군을 구성하는 Q 리더 모듈;상기 대조행렬군에 속하는 각 대조행렬에 대하여, 지정된 가로 및 세로 크기를 가지는 어림창 내의 값을 모두 더하여 어림값을 생성하되, 상기 어림창을 순차 이동하면서 상기 어림값을 생성하는 어림연산을 수행함으로써 어림값의 행렬인 히트맵을 생성하는 Q 스케일러 모듈;을 포함하여 구성되는 것을 특징으로 한다.In the heat map structuring system according to an aspect of the present invention, a comparison matrix, which is a two-dimensional matrix, is generated by performing a logical operation between two arbitrary labels included in each of the two label lists, and two arbitrary label lists belonging to a set of label lists. A Q reader module constituting a comparison matrix group by generating each of the control matrices for each control matrix group; For each control matrix belonging to the control matrix group, an approximate value is generated by adding all the values in the estimate window having the specified horizontal and vertical sizes; , a Q scaler module that generates a heat map, which is a matrix of approximate values, by performing an approximate operation to generate the approximate values while sequentially moving the approximate values.

상기한 히트맵 구조화 시스템에 있어서, 선정된 변수들의 집합인 변수집합에 속하는 변수의 각각에 대한 일련의 샘플들로써 샘플리스트가 구성되고, 상기 변수집합의 변수들에 대한 상기 샘플리스트들로써 샘플리스트 집합이 구성되며, 상기 레이블리스트는, 상기 샘플리스트의 각 샘플이 특정 범주에 속하는지 여부를 나타내는 레이블의 리스트일 수 있다.In the above heat map structuring system, a sample list is composed of a series of samples for each variable belonging to a variable set, which is a set of selected variables, and a sample list set is formed as the sample lists for variables of the variable set. and the label list may be a list of labels indicating whether each sample of the sample list belongs to a specific category.

상기한 히트맵 구조화 시스템에 있어서, 상기 변수집합에 속하는 변수의 각각에 대하여 하기 수학식을 만족하는 m개의 샘플로써 상기 샘플리스트를 구성하는 익스트랙터 모듈;을 더 포함할 수 있다.The heat map structuring system described above may further include an extractor module configured to configure the sample list with m samples satisfying the following equation for each of the variables belonging to the variable set.

상기한 히트맵 구조화 시스템에 있어서, 사용자로부터 상기 변수집합에 속하는 변수의 각각에 대하여 탐색범위 조절 모수인 r_i를 입력받아 각 샘플리스트에 대한 탐색범위를 조절하는 스캔모듈;을 더 포함할 수 있다.The heat map structuring system described above may further include a scan module for receiving a search range adjustment parameter r _i for each variable belonging to the variable set from a user and adjusting a search range for each sample list. .

상기한 히트맵 구조화 시스템에 있어서, 상기 스캔모듈은, 상기 샘플리스트 집합에 속하는 임의의 샘플리스트에 포함된 임의의 k번째 샘플이 정해진 조건을 만족하지 않는 경우, 다른 모든 샘플리스트의 k번째 샘플을 제거할 수 있다.In the above heat map structuring system, the scan module, when any k-th sample included in any sample list belonging to the sample list set does not satisfy a predetermined condition, selects the k-th sample of all other sample lists. can be removed

상기한 히트맵 구조화 시스템에 있어서, 상기 정해진 조건은 하기의 수학식에 의해 정해질 수 있다.In the above heat map structuring system, the predetermined condition may be determined by the following equation.

상기한 히트맵 구조화 시스템에 있어서, 상기 샘플리스트 집합에 속하는 임의의 두 샘플리스트에 대하여 유사도를 계산하여, 사용자에게 출력될 수 있도록 하는 시뮬래러티 모듈;을 더 포함할 수 있다.The above heat map structuring system may further include a simularity module that calculates a similarity between any two sample lists belonging to the sample list set and outputs the calculated similarity to the user.

상기한 히트맵 구조화 시스템에 있어서, 상기 변수집합에 속하는 각 변수들에 대하여, 그리고 각 변수별로 선정된 범주들의 집합인 범주 집합의 각 범주에 대하여, 상기 레이블 리스트를 생성하는 어노테이션 모듈;을 더 포함할 수 있다.In the above heat map structuring system, an annotation module for generating the label list for each variable belonging to the variable set and for each category of the category set, which is a set of categories selected for each variable, is further included. can do.

상기한 히트맵 구조화 시스템에 있어서, 상기 샘플리스트의 각 샘플이 특정 범주에 속하는 경우 상기 레이블은 1이고 속하지 않는 경우 상기 레이블은 0일 수 있다.In the heat map structuring system described above, the label may be 1 if each sample of the sample list belongs to a specific category, and the label may be 0 if it does not belong.

상기한 히트맵 구조화 시스템에 있어서, 상기 Q 리더 모듈이 수행하는 상기 논리연산은 AND 연산, XOR 연산 및 NOR 연산을 포함하며, 상기 AND 연산을 수행하여 상기 대조행렬로서 AND 대조행렬을 생성하고, 상기 XOR 연산을 수행하여 상기 대조행렬로서 XOR 대조행렬을 생성하며, 상기 NOR 연산을 수행하여 상기 대조행렬로서 NOR 대조행렬을 생성할 수 있다.In the above heat map structuring system, the logical operation performed by the Q reader module includes an AND operation, an XOR operation, and a NOR operation, and the AND operation is performed to generate an AND matching matrix as the matching matrix, An XOR matching matrix may be generated as the matching matrix by performing an XOR operation, and a NOR matching matrix may be generated as the matching matrix by performing the NOR operation.

상기한 히트맵 구조화 시스템에 있어서, 상기 히트맵을 생성함에 있어서 상기 Q 스케일러 모듈은, 상기 대조행렬에 대하여 상기 어림창을 순차 이동하면서 수행하는 초벌의 어림연산과, 1회 이상의 어림연산으로 생성된 행렬에 대하여 다시 수행되는 재벌의 어림연산을 수행함으로써 상기 히트맵을 생성할 수 있다.In the above heat map structuring system, in generating the heat map, the Q scaler module performs preliminary rounding operation while sequentially moving the rounding window with respect to the control matrix, and one or more rounding operations. The heat map may be generated by performing conglomerate rounding, which is performed again on the matrix.

상기한 히트맵 구조화 시스템에 있어서, 상기 Q 스케일러 모듈은, 상기 AND 대조행렬에 대하여 AND 히트맵을 생성하고 상기 XOR 대조행렬에 대하여 XOR 히트맵을 생성하고 상기 NOR 대조행렬에 대하여 NOR 히트맵을 생성하며, 상기 AND 히트맵, 상기 XOR 히트맵 및 NOR 히트맵의 대응하는 위치에 있는 원소들끼리 합산하여 단일의 히트맵을 구성하되, 상기 AND 히트맵, 상기 XOR 히트맵 및 NOR 히트맵에 대한 가중치를 곱하여 합산하는 스트럭츄링 모듈;을 더 포함할 수 있다.In the above heatmap structuring system, the Q scaler module generates an AND heatmap for the AND matching matrix, an XOR heatmap for the XOR matching matrix, and a NOR heatmap for the NOR matching matrix. elements in corresponding positions of the AND heatmap, the XOR heatmap, and the NOR heatmap are added together to form a single heatmap, and weights for the AND heatmap, the XOR heatmap, and the NOR heatmap It may further include a structuring module that multiplies and sums.

상기한 히트맵 구조화 시스템에 있어서, 상기 Q 스케일러 모듈에 의한 어림연산으로 축소된 크기만큼 상기 히트맵의 크기를 확장한 히트맵을 구성하되, 상기 확장된 히트맵의 각 원소는 상기 지정된 가로 크기 또는 세로 크기만큼의 원소를 더하되 행렬의 모서리에서 원소가 없는 경우 0으로 하여 더하는, 인터폴레이션 모듈;을 더 포함할 수 있다.In the above heat map structuring system, a heat map is constructed by expanding the size of the heat map by the size reduced by the rounding operation by the Q scaler module, and each element of the expanded heat map is the designated horizontal size or An interpolation module that adds as many elements as the vertical size but adds them as 0 when there is no element at the edge of the matrix.

상기한 히트맵 구조화 시스템을 포함하여 구성되는 인공지능 시스템이 구성될 수 있다.An artificial intelligence system including the above heat map structuring system may be configured.

본 발명의 히트맵 구조화 시스템에 따르면, 사건의 특징 정보를 구조화하여 통찰적 인상을 제공할 수 있는 효과가 있다. 본 발명의 히트맵 구조화 시스템에 따르면, 인간의 통찰적 인상처럼 상황 맥락에 맞춰 특징을 도출할 수 있는 효과가 있다.According to the heat map structuring system of the present invention, there is an effect of providing an insightful impression by structuring feature information of an event. According to the heat map structuring system of the present invention, there is an effect of deriving features according to the situational context like a human insightful impression.

또한, 본 발명의 히트맵 구조화 시스템에 따르면, 다차원 입력 데이터를 상호 대조하여 둘다 해당하거나, 둘다 해당하지 않거나, 서로 다른 부분에 대한 특징에 대한 선택적 탐색을 가능하게 하며, 각각의 데이터가 가지는 구조적 특징을 알 수 없어 분석할 수 없었던 문제를 해결할 수 있는 장점이 있다.In addition, according to the heat map structuring system of the present invention, multidimensional input data are cross-contrasted to enable selective search for features corresponding to both, non-corresponding, or different parts, and structural characteristics of each data. It has the advantage of being able to solve problems that could not be analyzed because it was unknown.

또한, 본 발명의 히트맵 구조화 시스템에 따르면, 비정형적인 사건을 모델링하는 인공지능 모델 구현에 있어 비정형 데이터를 구조화하는 방법으로 이용될 수 있는 장점이 있다.In addition, according to the heat map structuring system of the present invention, there is an advantage that it can be used as a method of structuring unstructured data in implementing an artificial intelligence model modeling an unstructured event.

또한, 본 발명의 히트맵 구조화 시스템에 따르면, 탐색할 만한 가치가 있는 부분에 대해 차등 분류할 수 있으며, 독자적인 사용이 가능하고, 어떤 다른 알고리즘의 선행 알고리즘으로써 적용될 수 있으며, 특징을 파악하지 못해 문제 인식이 늦어져 발생하는 리스크를 줄일 수 있는 효과가 있다.In addition, according to the heat map structuring system of the present invention, parts worth exploring can be classified differently, can be used independently, can be applied as a preceding algorithm of any other algorithm, and there is a problem in not identifying the characteristics. It has the effect of reducing the risk caused by delayed recognition.

도 1은 '교집합'(도 1(a)), '배타적 차집합'(도 1(b)), 및 '합집합의 여집합'(도 1(c))인 부분을 도시한 밴다이어그램이다.
도 2는 본 발명의 일 실시예에 따른 히트맵 구조화 시스템을 도시한 블럭도이다.
도 3은 본 발명의 일 실시예에 따른 히트맵 구조화 시스템에서 익스트랙터 모듈이 수행하는 동작을 예시적으로 보여주는 도면이다.
도 4는 탐색 범위 조절을 위해 HCI 모듈을 통해 표출되는 방사형맵의 예를 도시한 것이다.
도 5는 본 발명의 일 실시예에 따른 히트맵 구조화 시스템에서 Q 스케일러 모듈을 사용하여 어림연산을 수행한 일 예를 도시한 것이다.
도 6은 본 발명의 일 실시예에 따른 히트맵 구조화 시스템에서 Q 스케일러 모듈을 사용하여 복수회의 어림연산을 수행한 일 예를 도시한 것이다.1 is a Venn diagram showing the parts of 'intersection' (FIG. 1(a)), 'exclusive difference' (FIG. 1(b)), and 'complement of union' (FIG. 1(c)).
2 is a block diagram illustrating a heat map structuring system according to an embodiment of the present invention.
3 is a diagram exemplarily illustrating an operation performed by an extractor module in a heat map structuring system according to an embodiment of the present invention.
4 illustrates an example of a radial map expressed through an HCI module for adjusting a search range.
5 illustrates an example of performing an approximate operation using a Q scaler module in a heat map structuring system according to an embodiment of the present invention.
FIG. 6 illustrates an example in which estimating operations are performed a plurality of times using a Q scaler module in the heat map structuring system according to an embodiment of the present invention.

개요 및 근본 원리Overview and Fundamentals

본 발명에 등장하는 '통찰적 인상'은 인간이 어떤 사건에 대해 얻은 정보를 비교하고 어림잡아 얻은 특징을 특정 맥락에서 이해하여 얻은 인상을 말한다. 기존의 부분과 다른 새로운 특징을 특정 맥락에서 이해하는 것을 통찰이라 하며 이때, 특징은 둘다 해당하거나, 서로 다르거나, 둘다 해당하지 않을 수 있다.The 'insight impression' appearing in the present invention refers to an impression obtained by understanding the characteristics obtained by comparing and estimating information obtained by humans about a certain event in a specific context. Understanding a new feature that is different from the existing part in a specific context is called insight.

수학적으로 보면 A, B 두 사건의 특정 이해 맥락에서 도 1처럼 '교집합'(도 1(a)), '배타적 차집합'(도 1(b)), 그리고 '합집합의 여집합'(도 1(c))인 부분을 어림해보고 통찰한다.Mathematically, in the context of a specific understanding of two events A and B, as shown in FIG. 1, 'intersection set' (Fig. 1(a)), 'exclusive difference set' (Fig. c)) Estimating and gaining insight.

특징을 특정 맥락에서 이해한다는 것은 예를 들어, 아이가 오른손을 위로 들고 있는 사건에서 배경이 횡단보도를 건너는 중이라면 손을 드는 행위는 안전을 위한 것이고, 배경이 학교 수업상황 중이라면 손을 드는 행위는 질문을 위한 것이다. 이처럼 같은 특징이라도 앞서 언급한 것처럼 사건을 이해하는 기준은 가변적이며 관찰 목적, 특징 판단 기준, 특징을 이해하는 관점이 달라질 경우, 이해관계가 능동적으로 변화한다. 또한, 이런 통찰적 인상이 누적되면 직관적 사건 인식이 가능해 지며, 이는 인간의 '직관'으로 지능적 기능 중 하나이다.Understanding a characteristic in a specific context means, for example, in an incident where a child raises his right hand, if the background is crossing a crosswalk, the raising of the hand is for safety, and if the background is a school class situation, the raising of the hand is for safety. is for a question. As mentioned above, even with the same characteristics, the criteria for understanding an event are variable, and when the purpose of observation, criteria for judging characteristics, and viewpoints for understanding characteristics change, interests actively change. In addition, when these insightful impressions are accumulated, intuitive event recognition becomes possible, which is one of the intelligent functions of human 'intuition'.

인간은 '통찰적 인상' 파악과 '직관'을 통해 효율적으로 사건을 파악하고 대응해 나가면서도 종종 인식의 한계 또는 다른 이유로 잘못된 판단을 하기도 한다. 사건의 합리적 처치 또는 행동 결정을 위해서 사건을 정확하게 인식하는 것은 매우 중요하다. 사건을 정확하게 인식하지 못하면 잘못된 처치 또는 다음 행동 결정이 될 수 있기 때문이다. 본 기술은 시스템에 의해 이러한 통찰적 인상을 가능하게 한다.While humans efficiently identify and respond to events through 'insight impressions' and 'intuition', they often make wrong judgments due to limitations in cognition or other reasons. Accurately recognizing an incident is very important for a rational treatment or action decision. This is because not accurately recognizing an event can lead to wrong treatment or next action decisions. The present technology enables this insightful impression by the system.

본 발명의 동기는 인간의 진화에 비해 비약적으로 발전하는 컴퓨터 성능과 인공지능 기술 혁명이 그 배경에 있다. 인공지능의 학문적 정의는 다양하지만 보편적으로는 인간의 지능적 기능을 기계에 구현하는 방법 및 시스템을 말한다. 이런 배경에서 인공지능의 역할이 연구되고 다양한 관점이 주장되었는데, 그중 하나가 '증강지능적' 인공지능이다. '증강지능적' 인공지능은 인간을 대체하는 것이 아닌 강력한 컴퓨팅 능력을 바탕으로 인간의 지능을 향상시키는 인공지능을 말하며, 본 발명도 이러한 '증강지능적' 인공지능에 해당한다.The motive of the present invention is in the background of computer performance and artificial intelligence technology revolution, which are rapidly developing compared to human evolution. Academic definitions of artificial intelligence vary, but generally refers to methods and systems that implement human intelligence functions in machines. Against this background, the role of artificial intelligence has been studied and various perspectives have been asserted, one of which is 'augmented intelligence' artificial intelligence. 'Augmented intelligence' artificial intelligence refers to artificial intelligence that enhances human intelligence based on powerful computing ability, rather than replacing humans, and the present invention also corresponds to such 'augmented intelligence' artificial intelligence.

기계가 '통찰적 인상'을 누적하고 직관을 할 수 있게 된다면 어떻게 될 것인가? 인공지능 비서? 공상 과학 영화에서 인공지능 로봇 비서가 인간의 사건 파악과 판단을 조력하는 것을 종종 볼 수 있다. 이러한 기술은 교육지원, 경영지원, 다양한 분야의 트러블슈팅 및 메인터넌스, 워리어 플렛폼 등 사건 인식능력의 증강이 필요한 다양한 분야에서 증강지능 기술로써 사용될 수 있다. 다른 측면에서 보면, 강화학습 알고리즘과 결합하여 비정형 데이터를 분석하는데 이용될 수 있으며, 또는 의사결정분석에 활용할 수도 있다.What if machines could accumulate 'insight impressions' and make intuition? Artificial Intelligence Assistant? In science fiction movies, you can often see artificial intelligence robot assistants assisting humans in grasping and judging events. These technologies can be used as augmented intelligence technologies in various fields that require augmentation of event recognition capabilities, such as education support, management support, troubleshooting and maintenance in various fields, and warrior platforms. In another aspect, it can be used to analyze unstructured data in combination with reinforcement learning algorithms, or it can be used for decision analysis.

본 발명은 증강지능적 관점에서 앞서 언급한 한계를 극복하고, 인간과 결합해 상보적 이익을 얻는 시스템(기계)을 구현한다. 인간이 통찰적 인상을 얻는 것처럼 인공지능이 인간처럼 얻은 정보를 비교하고 어림하며 특징을 구조화하는 인공지능이자 '증강지능'을 도모하는 알고리즘이다. The present invention overcomes the above-mentioned limitations in terms of augmented intelligence and implements a system (machine) that obtains complementary benefits by combining with humans. Just as humans get insightful impressions, artificial intelligence compares and estimates the information obtained like humans, and it is an algorithm that promotes 'augmented intelligence' as well as artificial intelligence that structures characteristics.

사건을 이해하는 기준이 달라짐으로 인해 통찰적 인상도 달라질 수 있다. 사건을 이해하는 기준은 가변적이며 관찰 목적, 특징 판단 기준, 특징을 이해하는 관점이 달라질 경우, 능동적으로 통찰적 인상이 달라진다. 인간은 자신의 처지 또는 상황 맥락마다 같은 사건이라도 다른 통찰적 인상을 얻는다. 따라서, 정보 효용이 높아지거나 지속적으로 유지될 수 있도록 통찰적 인상의 기준이 그 상황에 능동적으로 대응해 나가야 한다. 본 발명에서는 사건 이해의 맥락을 반영하는 '비교모수'(샘플리스트의 샘플갯수)와 사건의 특징을 어림잡는 '어림모수'라는 것을 추가하여 이에 대응해 나간다.As the criteria for understanding the event change, the impression of insight can also change. The criterion for understanding an event is variable, and when the purpose of observation, criterion for judging characteristics, and perspective for understanding characteristics change, the impression of insight changes actively. Humans get different insightful impressions even in the same event depending on their situation or context. Therefore, the criterion of an insightful impression must actively respond to the situation so that the usefulness of information can be increased or maintained continuously. In the present invention, a 'comparison parameter' (the number of samples in the sample list) reflecting the context of event understanding and a 'estimating parameter' for estimating the characteristics of an event are added to cope with this.

정확한 사건 인식에서 논리성이 확보돼야 하는데, 어떤 사건의 통찰적 인식 정보와 또 다른 사건의 통찰적 인식 정보가 논리적으로 비교될 수 있어야 한다. 해당 사건의 앞·뒤 또는 다른 사건과의 논리적 비교가 가능해야 사건을 구별할 수 있기 때문이다. 이러한 이유로 성공적이고 정확한 사건 인식에 논리성은 반드시 필요한 부분이다.Logic must be secured in accurate event recognition, and the insightful recognition information of an event and the insightful recognition information of another event must be able to be logically compared. This is because an event can be distinguished only when a logical comparison with the front and back of the event or with other events is possible. For this reason, logic is an essential part of successful and accurate event recognition.

사건의 이전과 이후 또는 유사한 다른 사건과의 비교에 있어 정확하게 특징될 수 있는 사건이라면 비교가 쉬울 것이다. 하지만 일반적으로 현실의 사건들에서 불확실성은 단일 요인으로 구성된 상황보다 다양한 요인들이 중첩되어 명확하지 않은 것들이 많고, 모호한 사건이 대부분이다. 불확실성이 있는 사건의 성질 때문에 편향 또는 잘못된 결과로 인한 리스크에 노출된다.Comparison will be easy if the event can be accurately characterized in comparison with the before and after of the event or with other similar events. However, in general, uncertainties in real-life events are mostly unclear and ambiguous events due to the overlapping of various factors rather than situations composed of a single factor. The uncertain nature of events exposes them to the risk of bias or erroneous results.

해결에 고려해야 할 사항은, 앞에서 언급한 것처럼, 인식한 사건 정보 즉, 결과를 다른 정보와 일관되게 비교할 수 없다면 논리성이 크게 떨어지게 된다. 이러한 논리성을 확보하려면 사건에서 정보효용을 가지는 특징 부분을 합리적으로 비교 가능하도록 배치할 방법을 고안해야 한다. 이와 같은 과제를 해결하기 위해 본 발명에서는 특정 시간의 통찰적 인식을 행렬 형식의 비교 가능한 히트맵으로 구조화하는 방법으로 해결하고자 한다.As for the matters to be considered in the solution, as mentioned above, if the recognized event information, that is, the result, cannot be consistently compared with other information, the logicality is greatly reduced. In order to secure this logic, it is necessary to devise a method of arranging the characteristic parts that have information utility in a case to be reasonably comparable. In order to solve this problem, the present invention is intended to be solved by a method of structuring the insight recognition of a specific time into a heat map that can be compared in a matrix format.

신뢰받는 인공지능 알고리즘 구현의 필요성이 있는데, 논리적 비교와 더불어 해석력있는 모델설계의 필요성이 있다. 알고리즘의 신뢰는 알고리즘의 활용과 기술설계 부분에 있어 매우 중요한 문제이기 때문이다. 사건 추정에 있어서 사건을 구성하는 특징을 잘 포착하는 것도 중요하지만, 결국 알고리즘 효용은 사용에서 온다는 점에서 알고리즘의 신뢰성과 안전성은 무척 중요한 문제이다.There is a need to implement a trusted artificial intelligence algorithm, and there is a need to design an interpretive model along with logical comparison. This is because trust in algorithms is a very important issue in the application and technical design of algorithms. In event estimation, it is important to capture the characteristics constituting the event well, but in the end, the reliability and safety of the algorithm is a very important issue in that the utility of the algorithm comes from its use.

앞선 신뢰와 책임 문제 때문에 유럽연합은 인공지능 시스템 민사책임 규정안 제7조 제2항을 통해 "외부 침입에 의해 인공지능 시스템의 자율적 활동을 공격받은 경우, 손해가 불가항력적으로 초래되었다 하더라도 그것은 면책 사유가 되지 못한다."라고 규정하기도 하였다. 아무리 성능이 좋은 인공지능이라 하더라도 신뢰의 관점에서 해석에 대한 배경을 제공하는 것과 아닌 것의 차이는 매우 크다.Due to the above trust and responsibility issues, the European Union stipulates Article 7, Paragraph 2 of the Civil Liability Regulations for Artificial Intelligence Systems, "If the autonomous activities of artificial intelligence systems are attacked by external intrusion, even if the damage is caused by force majeure, it is grounds for immunity. It cannot be." No matter how good the performance of artificial intelligence is, the difference between providing a background for interpretation and not providing a trustworthy perspective is very large.

더욱이, 인공지능이 제공하는 정보가 인간의 판단에 영향을 미치기 때문에 인공지능 구현에 있어서 신중해야 할 부분이다. 존 설(John Searle)의 사고실험 중 하나인 중국어방 논증 결과를 보더라도 인공지능이 결과의 배경을 설명하지 않는다면 근본적으로 잘못된 해석 또는 영향을 받을 가능성이 있음을 시사한다. 인공지능의 추론에 있어서 랜덤에 기인한 정답 탐색 방법만을 사용할 경우 설명가능성이 사라지고, 시스템 조작에 취약한 부분이 발생할 수 있다. 딥러닝을 블랙박스 모델이라고 설명하는 것과 같은 맥락인데, 애당초 랜덤에 기인한 방법이었기 때문에 왜 이런 결과가 도출되었는지 알 수 없기 때문이다.Moreover, since the information provided by artificial intelligence affects human judgment, it is a part to be cautious in implementing artificial intelligence. Even if you look at the results of John Searle's Chinese room argument, one of the thought experiments, it suggests that if artificial intelligence does not explain the background of the result, there is a possibility that it will be fundamentally misinterpreted or influenced. In the reasoning of artificial intelligence, if only the method of finding the correct answer based on randomness is used, the possibility of explanation disappears, and a part that is vulnerable to system manipulation may occur. It is in the same context as explaining deep learning as a black box model, but it is not known why this result was derived because it was a random method in the first place.

따라서 이러한 문제의 해결방법으로, 본 발명에서는 설명성이 사라지지 않도록 기술을 설계하고, 판단의 이유가 관찰 또는 관제될 수 있도록 각 모듈을 설계한다.Therefore, as a solution to this problem, in the present invention, the technology is designed so that the explanatory nature does not disappear, and each module is designed so that the reason for the judgment can be observed or controlled.

용어등에 대한 사전 설명Dictionary explanation of terms, etc.

본 발명은 '특징점' 및 '특이점' 등과 같은 점(point)을 다룬다. '특징점'('잠재적 특이점')은 입력된 정보와 대조하여 공통점, 차이점 등을 가지는 부분을 말하며 잠재적으로 특이점이 될 가능성이 있는 부분을 말한다(인간이 대조를 통해 얻는 통찰적 인상과 동일 또는 유사한 부분). 사건의 성질 자체가 아니라 사건의 성질 또는 경향을 가지게 하는 점을 '특이점'이라 한다. '특이점'은 위상을 가지며 특이성이 발현되게 하는 매개체적 성격을 가진다.The present invention deals with points such as 'feature points' and 'singular points'. 'Feature point' ('potential singularity') refers to a part that has similarities, differences, etc. compared with input information, and refers to a part that is potentially likely to become a singularity (identical or similar to the insightful impression that humans obtain through contrast) part time job). It is not the nature of the event itself, but the point that gives it the nature or tendency of the event is called the 'singularity'. The 'singularity' has a phase and has the character of a medium that allows the specificity to be expressed.

또한, 본 발명은 '특이성'과 같은 성질(properties)을 다룬다. '특이성'은 특이점의 분포로써 특이점들의 위상과 작용에 의해 발생하는 보편적인 성질 또는 경향이다. 특이점의 분포로 하여금 규정되는 특이성은 유일하지 않으며, 다양한 특이성이 존재할 수 있다. 특이점의 분포가 달라지면 특이성이 달라진다. 특이성을 가지는 어떤 사건은 어떤 새로운 특이점이 포함된다면 특이성이 달라진다.In addition, the present invention addresses properties such as 'specificity'. 'Singularity' is a distribution of singularities, a universal property or tendency caused by the phase and action of singularities. The singularity defined by the distribution of singularities is not unique, and various singularities may exist. When the distribution of outliers changes, the singularity changes. An event with a singularity changes its singularity if a new singularity is included.

전체 시스템 구성overall system configuration

도 2는 본 발명의 일 실시예에 따른 히트맵 구조화 시스템을 도시한 블럭도이다.2 is a block diagram illustrating a heat map structuring system according to an embodiment of the present invention.

본 발명의 일 실시예에 따른 히트맵 구조화 시스템은 복수의 모듈(Module)을 포함하며, 이러한 모듈들은 컴퓨터 하드웨어에서 실행되는 소프트웨어 블럭으로 구현될 수 있다. 따라서 복수의 모듈(Module)들은 입력값, 결과값, 변수, 인자 등의 상호 전달을 통하여 상호 유기적으로 연결되나, 그 연결관계가 가시적으로 명확하게 보이는 것은 아닐 수 있다. 각 모듈은 컴퓨터 내에서 알고리즘(Algorithm)으로 표현(representation)한 소프트웨어의 일부분으로 보일수 있다. 본 발명의 일 실시예에 따른 잠재적 특이점(특징점) 도출을 위한 분석에 있어서 특정 모듈(Module)의 작동과 적용이 선택될 수 있다.A heat map structuring system according to an embodiment of the present invention includes a plurality of modules, and these modules may be implemented as software blocks executed on computer hardware. Accordingly, a plurality of modules are organically connected to each other through mutual transmission of input values, output values, variables, factors, etc., but the connection relationship may not be clearly visible. Each module can be seen as a part of software represented as an algorithm in a computer. In the analysis for deriving potential singular points (feature points) according to an embodiment of the present invention, the operation and application of a specific module may be selected.

HCI Module(인간 컴퓨터 상호작용 모듈)(10)은

각 모듈의 구동 유무를 결정하고 구동에 필요한 하이퍼파라미터 정보를 받아준다. Sensor Module(센서 모듈)(11)은 어떤 사건에 대해서 정해진 시간 동안 정보를 입력받는 모듈이다. Extractor Module(익스트랙터 모듈)(12)은

비교에 필요한 최소 데이터 수집길이를 결정하고 필요한 경우 정보를 분리하거나 파생 정보를 생성하는 모듈이며, Scan Module(스캔 모듈)(13)은

정보 탐색 범위를 조절하는 모듈이다. Similarity Module(시뮬래러티 모듈)(14)은

각 정보 간의 유사성을 파악하고 계산하는 모듈이며, Annotation Module(어노테이션 모듈)(15)는 입력 받은 정보가 해당 특정 맥락에 포함되는지 판별하는데, 정보를 범주화하고 어떤 임의의 정보가 해당 범주에 속하는지를 판별한다. Sensor Module(센서 모듈)(11), Extractor Module(익스트랙터 모듈)(12), Scan Module(스캔 모듈)(13), Similarity Module(시뮬래러티 모듈)(14) 및 Annotation Module(어노테이션 모듈)(15)은 분석이 가능하도록 전처리하는 부분이다.The HCI Module (Human Computer Interaction Module) 10

It determines whether each module is running or not and receives hyperparameter information necessary for driving. The Sensor Module (sensor module) 11 is a module that receives information for a certain period of time about a certain event. Extractor Module (12)

This is a module that determines the minimum data collection length required for comparison and separates information or creates derivative information if necessary. Scan Module (13)

This module adjusts the scope of information search. Similarity Module (simularity module) (14)

It is a module that identifies and calculates the similarity between each information. The Annotation Module (15) determines whether the input information is included in the specific context, categorizes the information, and determines which arbitrary information belongs to the category. do. Sensor Module (11), Extractor Module (12), Scan Module (13), Similarity Module (14) and Annotation Module ( 15) is a preprocessing part to enable analysis.

Q Reader Module(Q 리더 모듈)(16)은 입력 받은 복수의 정보를 상호 대조하여 "둘다 해당하거나(AND), 서로 다르거나(XOR), 둘다 해당하지 않는(NOR) 것"를 판단해 특징점을 생성한다. 그리고 Q Scaler Module(Q 스케일러 모듈)(17)은 정보를 어림하며 특징점(잠재적 특이점)의 규모와 분포를 측정한다. A, B 두 사건의 교집합, 배타적 차집합 및 합집합의 여집합 정보를 이해 맥락에 따라 어림해보고 특징점을 도출하는 모듈이다.

Interpolation Module(인터폴레이션 모듈)(18)은 특징점 도출 과정에서 생략된 부분을 보간을 통해 복원한다. Structuring Module(스트럭츄링 모듈)(19)은 어림된 특징점 분포 정보를 상호 연산하며 통찰적 정보를 제공하기 위해 존재하는 모듈로서, 둘다 해당하거나, 서로 다르거나, 둘다 해당하지 않는 부분을 상호 연산하며 정보효용이 높아지도록 히트맵을 구조화한다. Q Reader Module(Q 리더 모듈)(16), Q Scaler Module(Q 스케일러 모듈)(17), Interpolation Module(인터폴레이션 모듈)(18) 및 Structuring Module(스트럭츄링 모듈)(19)은 '통찰적 인상'을 구현하는 부분이다.The Q Reader Module (16) compares a plurality of pieces of input information and determines whether "both are applicable (AND), are different (XOR), or both are not applicable (NOR)" to determine the feature point. generate And the Q Scaler Module 17 estimates the information and measures the size and distribution of feature points (potential singular points). This module estimates the intersection of two events A and B, the exclusive difference set, and the complement information of the union set according to the context of understanding and derives a feature point.

The Interpolation Module 18 restores parts omitted in the feature point derivation process through interpolation. The structuring module 19 is a module that exists to mutually compute estimated feature point distribution information and to provide insightful information. Structure the heat map to increase information utility. Q Reader Module (16), Q Scaler Module (17), Interpolation Module (18) and Structuring Module (19) are 'Insight Impression'' is part of the implementation.

예를들어 본 발명의 일 실시예에 따른 히트맵 구조화 시스템에서 각 모듈은 HCI Module(인간 컴퓨터 상호작용 모듈)(10) → Sensor Module(센서 모듈)(11) → Extractor Module(익스트랙터 모듈)(12) → Scan Module(스캔 모듈)(13) →Similarity Module(시뮬래러티 모듈)(14) 및 Annotation Module(어노테이션 모듈)(15) → Q Reader Module(Q 리더 모듈)(16) → Q Scaler Module(Q 스케일러 모듈)(17) → Interpolation Module(인터폴레이션 모듈)(18) → Structuring Module(스트럭츄링 모듈)(19)의 순서로 작동될 수 있다. Similarity Module(시뮬래러티 모듈)(14) 및 Annotation Module(어노테이션 모듈)(15)은 병렬로 작동할 수 있으며, 기타 임의의 모듈들도 병렬 작동하는 것이 물론 가능하다. 이러한 히트맵 구조화 시스템을 포함하여 인공지능 시스템이 구성될 수 있다.For example, in the heat map structuring system according to an embodiment of the present invention, each module is HCI Module (human computer interaction module) 10 → Sensor Module (sensor module) 11 → Extractor Module (extractor module) ( 12) → Scan Module(13) →Similarity Module(14) and Annotation Module(15) → Q Reader Module(16) → Q Scaler Module It can be operated in the order of (Q scaler module) (17) → Interpolation Module (18) → Structuring Module (19). Similarity Module (simularity module) 14 and Annotation Module (annotation module) 15 can operate in parallel, and it is of course possible that other arbitrary modules also operate in parallel. An artificial intelligence system may be configured including such a heat map structuring system.

HCI Module(인간 컴퓨터 상호작용 모듈)HCI Module (Human Computer Interaction Module)

HCI Module(인간 컴퓨터 상호작용 모듈)은 인간과의 의사소통을 담당하는 모듈로서, 사용자로부터 입력된 결과에 대한 결과값을 얻기 위한 시스템설정을 받는 부분이다. 각 모듈의 구동 유무를 결정하고 구동에 필요한 하이퍼파라미터 정보를 받아준다. 실시예에 따라 HCI Module(인간 컴퓨터 상호작용 모듈)의 구현은 다양할 수 있다.The HCI Module (Human Computer Interaction Module) is a module in charge of communication with humans, and is a part that receives system settings to obtain result values for results input from the user. It determines whether each module is running or not and receives hyperparameter information necessary for driving. Implementation of the HCI Module (Human Computer Interaction Module) may vary according to embodiments.

Sensor Module(센서 모듈)Sensor Module

인간에 비유하면 감각기관에 해당하는 부분으로, 외부 센서와 결합하여 구현되는 모듈이다. 저장된 데이터를 사용할 경우 데이터를 불러오는 역할을 하며, 이러한 2가지 기능은 동시에 작동될 수도 있다.It is a part that corresponds to a sensory organ compared to a human being, and is a module implemented by combining with an external sensor. When using stored data, it serves to load data, and these two functions can be operated simultaneously.

구체적으로 보면, 센서 모듈은 센서에 입력된 정보 또는 데이터베이스에 저장된 자료를 사용할지 선정할 수 있으며, 센서에 입력된 정보를 사용할 경우 하기의 과정을 수행할 수 있다.Specifically, the sensor module may select whether to use information input to a sensor or data stored in a database, and when using information input to a sensor, the following process may be performed.

센서 모듈은 선정된 자료를 변수별로 분포를 추정하며, 추정한 분포를 정규분포로 근사한다. 추정한 분포를 정규분포로 근사하여 예를 들면 0.0001%, 0.35%, 2.15%, 25%, 75%, 97.85%, 99.65% 및 99.9999%에 해당하는 데이터를 선정하는데,

관찰 영역 X에서 추출한 변수의 개수가 n개라면 총 선정 개수는 n×8개이다. 또한, 센서 모듈은 사용자에게 위에서 선정한 데이터를 HCI 모듈을 통해 출력하고 정상치 또는 이상치의 2종 분류(평가)를 요청하는데, 분류 요청에 있어서 오름차순 정렬된 값에 대해 구간을 직접 선정해 평가하거나, 정상 범위를 사용자가 직접 입력하여 평가토록 할 수 있다.The sensor module estimates the distribution of the selected data for each variable, and approximates the estimated distribution to a normal distribution. By approximating the estimated distribution with a normal distribution, for example, selecting data corresponding to 0.0001%, 0.35%, 2.15%, 25%, 75%, 97.85%, 99.65% and 99.9999%,

If the number of variables extracted from the observation area X is n, the total number of selections is n×8. In addition, the sensor module provides the user with The selected data is output through the HCI module, and two types of classification (evaluation) of normal value or outlier are requested. In the classification request, for the value sorted in ascending order, the interval is directly selected for evaluation, or the user directly inputs the normal range for evaluation. can do it

그리고 센서모듈은 사용자 평가 정보 또는 사전 센서 신뢰도 기록에 근거하여

(i번째 센서가 감지한 데이터가 정상치일 확률) 및

(i번째 센서가 감지한 데이터가 이상치(예를 들어 센서오류 등에 따른 값)일 확률)를 계산한다(

). 빈도주의에 근거한 확률 추정에 있어서 충분한 빈도가 모집되지 않았을 경우 위의 과정들을 다시 반복하여 추가 데이터를 선정한다. 그리고 센서모듈은 각 센서마다 계산된

및

를 HCI 모듈을 통해 사용자에게 출력하고, 센서의 선정 및 관리와 변수의 선정에 있어서, 그리고 후술하는 익스트랙터 모듈등에서 이용될 수 있다.And the sensor module is based on user evaluation information or prior sensor reliability records.

(probability that the data detected by the ith sensor is normal) and

Calculate (probability that the data detected by the ith sensor is an outlier (for example, a value due to a sensor error)) (

). In probability estimation based on frequentism, if sufficient frequencies are not recruited, the above process is repeated to select additional data. And the sensor module calculates for each sensor

and

is output to the user through the HCI module, and can be used in selecting and managing sensors, selecting variables, and in an extractor module to be described later.

Extractor Module(익스트랙터 모듈)Extractor Module

인간에 비유하면 관찰 대상의 특징 파악에 필요한 대략적인 부분들을 추려보는 활동을 하는 부분이다. 데이터로부터 발견한 정보가 비교 불가능하다면 일반화하기 어려울 것이다. 따라서, 특징점(잠재적 특이점)을 판단하기 위해서는 합리적인 가이드라인을 바탕으로 변수를 선정하고 비교할 수 있어야 한다. 익스트랙터 모듈은 변수 선정과 특징점 도출에 필요한 최소 비교 길이를 결정한다.Compared to humans, it is a part of the activity of culling out the rough parts needed to understand the characteristics of the subject of observation. If the information you find from the data is not comparable, it will be difficult to generalize. Therefore, in order to determine a feature point (potential singularity), it is necessary to be able to select and compare variables based on reasonable guidelines. The extractor module determines the minimum comparison length required for variable selection and feature point derivation.

익스트랙터 모듈은 데이터의 구조적 위상을 고려하여 특징 분석에 사용할 변수를 추출하며, 센서 입력 간격을 고려하여 특징 분석에 필요한 데이터의 최소 길이인 m을 결정한다. 익스트랙터 모듈의 동작을 수학적으로 설명하기 위하여, 변수(

)와 샘플 리스트(

)는 예를 들어, 아래와 같이 수학적으로 정의될 수 있다.The extractor module extracts variables to be used for feature analysis considering the structural topology of data, and determines m, the minimum length of data required for feature analysis, considering the sensor input interval. In order to mathematically describe the operation of the extractor module, the variable (

) and the sample list (

) can be mathematically defined, for example, as follows.

샘플 리스트(

)는 선정된 변수(

)에 대한 일련의 샘플들로써 구성된다. 도 3은 본 발명의 일 실시예에 따른 히트맵 구조화 시스템에서 익스트랙터 모듈이 수행하는 동작을 예시적으로 보여주는 도면이다.sample list (

) is the selected variable (

) as a series of samples for 3 is a diagram exemplarily illustrating an operation performed by an extractor module in a heat map structuring system according to an embodiment of the present invention.

익스트랙터 모듈은 추출 대상 X의 구조적 위상을 고려하여 상호 대조할 n개의 변수(X _i )를 추출한다(Separating). 변수의 구조적 위상을 고려하는 것은 다음의 하위 항목을 고려하는 것일 수 있다.The extractor module extracts (separating) n variables ( X _i ) to be mutually contrasted in consideration of the structural topology of the extraction target X. Considering the structural topology of a variable may be considering the following sub-items.

1. 추출 대상 X는 유한개의 상태를 가질 수 있고 그 몇몇의 상태를 수로 표현할 수 있는 데이터이다. 1. The extraction target X is data that can have a finite number of states and some of the states can be expressed in numbers.

2. t시점

가 어떤 범주에 속하는지 참, 거짓을 판단할 수 있다.2. t point

You can determine whether true or false belongs to which category.

3. 서로 다른 변수

와

는 데이터 타입이 서로 다를 수 있다.3. Different variables

Wow

may have different data types.

4.

에 대한

와

의 데이터 타입은 항상 같다.4.

for

Wow

The data type of is always the same.

변수

의 추출에 있어서 사용자가 직접 변수

를 지정할 수 있으나 기본적으로 비모수적인 검정 방법을 사용하여 결정되게 할 수 있다. variable

In the extraction of the user directly variable

can be specified, but by default it can be determined using a non-parametric test method.

그리고, 익스트랙터 모듈은 사용자와 협업하여 샘플리스트에서 분석에 필요한 샘플의 갯수를 정하는데, m값의 선정은 다음의 조건을 만족하는 가장 작은 자연수이다. 익스트랙터 모듈은 변수집합에 속하는 변수(

)의 각각에 대하여 아래 수학식 1을 만족하는 샘플의 갯수 m을 정한다.In addition, the extractor module cooperates with the user to determine the number of samples required for analysis in the sample list, and the selection of the value m is the smallest natural number that satisfies the following conditions. The extractor module is a variable that belongs to a variable set (

For each of ), the number m of samples satisfying Equation 1 below is determined.

신뢰수준에 따른 Z점수는 아래 표 1과 같다.The Z score according to the confidence level is shown in Table 1 below.

m 값은 수학식 1을 만족하는 자연수이며, 특이점 발견을 위한 사용 목적에 따라 특정 m 값을 가질 때 정보효용이 높다고 판단되는 경우 임의 지정될 수도 있다.The m value is a natural number that satisfies Equation 1, and may be arbitrarily designated when it is determined that the information utility is high when it has a specific m value according to the purpose of use for discovering a singular point.

그리고, 익스트랙터 모듈은 각 변수별로 샘플리스트를 구성한다(Sampling). 구체적으로 각 변수 X _i 에 대해서

를 구성하는 것이다. 그리고 변수(X _i) 의 개수만큼

가 존재한다. 모든 샘플리스트는 m개의 값을 가진다.And, the extractor module constructs a sample list for each variable (Sampling). Specifically, for each variable X _i

is to constitute And as much as the number of variables ( X _{i )}

exists. Every sample list has m values.

그리고, 익스트랙터 모듈은 전체 변수에 대한 샘플리스트를 통합하여 다음 표2와 같이 행렬 데이터로 합병할 수 있다(Integrating).And, the extractor module can integrate the sample lists for all variables and merge them into matrix data as shown in Table 2 below (Integrating).

따라서, 선정된 변수들의 집합인 변수집합에 속하는 변수의 각각에 대한 일련의 샘플들로써 샘플리스트가 구성되고, 변수집합의 변수들에 대한 샘플리스트들로써 2차원 행렬 형태의 샘플리스트 집합이 구성된다.Therefore, a sample list is formed as a series of samples for each variable belonging to the variable set, which is a set of selected variables, and a sample list set in the form of a two-dimensional matrix is formed as sample lists for the variables of the variable set.

Scan Module(스캔 모듈)Scan Module

인간에 비유하면 특징을 발견하기 위해 탐색할 범위를 조절하는 활동을 하는 것과 같다. 스캔모듈은 사용자로부터 변수집합에 속하는 변수의 각각에 대하여 탐색범위 조절 모수인 r_i를 입력받아 각 샘플리스트에 대한 탐색범위를 조절하는 모듈이다. 스캔 모듈은 HCI모듈과 연계해 r_i 값을 조절하여 데이터 탐색 범위를 조절하는 기능을 수행하며, 데이터 탐색 범위에 해당하지 않는 데이터를 삭제하는 기능을 수행한다.Comparing it to humans, it is like performing an activity of adjusting the range to be explored in order to discover a feature. The scan module is a module that adjusts the search range for each sample list by receiving a search range adjustment parameter r _i for each variable belonging to a variable set from the user. The scan module performs a function of adjusting the data search range by adjusting the r _i value in conjunction with the HCI module, and performs a function of deleting data that does not fall within the data search range.

사용자는 HCI 모듈을 통해 예를 들면 도 4에 도시된 방사형맵을 이용하는 방식으로 탐색 범위 설정을 진행한다. 도 4의 방사형맵은 예를 들어 5개의 변수를 가질때 방사형맵을 예시한 것이다. 그리고 스캔모듈은, 샘플리스트 집합에 속하는 임의의 샘플리스트에 포함된 임의의 k번째 샘플이 정해진 조건(수학식 2)을 만족하지 않는 경우, 다른 모든 샘플리스트의 k번째 샘플을 제거한다. 정해진 조건은 하기의 수학식 2에 의해 정해질 수 있다.The user sets the search range by using the radial map shown in FIG. 4 through the HCI module, for example. The radial map of FIG. 4 is an example of a radial map when it has 5 variables. Further, the scan module removes the k-th sample of all other sample lists when any k-th sample included in any sample list belonging to the sample list set does not satisfy a predetermined condition (Equation 2). The determined condition may be determined by Equation 2 below.

별도 지정이 없을 경우 r _i 값은 3이며, r _i 값이 작아질수록 주된 특이점을 탐색할 범위도 넓어진다. 예를 들어, r _i 값이 0일 경우 [25%, 75%]에 해당하는 데이터를 탐색한다. 표 3은 각 탐색범위 조절 모수별 검수 민감도, 검수 허용 범위, 누적분포 및 정규분포기준 검수허용범위 등을 표시한 것이다.If not specified, the value of r _i is 3, and r _i The smaller the value, the wider the range to search for the main singularity. For example, if the r _i value is 0, data corresponding to [25%, 75%] is searched. Table 3 shows the inspection sensitivity, inspection allowable range, cumulative distribution and normal distribution standard inspection allowable range for each search range adjustment parameter.

Similarity Module(시뮬래러티 모듈)Similarity Module

시뮬래러티 모듈은 샘플리스트 집합에 속하는 임의의 두 샘플리스트에 대하여 유사도를 계산하여 사용자에게 출력될 수 있도록 하는 모듈로서, 서로 다른 변수의 샘플리스트 사이, 또는 서로 다른 시점에서 동일 변수의 샘플리스트 사이에 유사도를 계산한다. 유사도는 모든 임의의 i, j 순서쌍에 대해 수학식 3처럼 유사도(Si,j)는 정의될 수 있다.The simularity module is a module that calculates the similarity between any two sample lists belonging to a set of sample lists and outputs it to the user, between sample lists of different variables or between sample lists of the same variable at different points in time. Calculate the similarity in The degree of similarity ( Si, j ) can be defined as in Equation 3 for all arbitrary i, j ordered pairs.

그리고, 생성되는 유사도는 아래의 수학식 4의 행렬처럼 i행 j열의 원소로서 s _i,j 를 가지는 상삼각행렬(S)로 표현될 수 있다.And, the generated similarity can be expressed as an upper triangular matrix S having s _i,j as an element of row i and column j , as in the matrix of Equation 4 below.

이때 S의 주대각 성분의 값은 자기 자신과의 유사도이기 때문에 모두 1이다. 유사도를 구하는 방법의 예로서 수학식 5처럼 코사인 유사도 계산방법이 사용될 수 있다.At this time, the value of the main diagonal component of S is all 1 because it is the similarity with itself. As an example of a similarity calculation method, a cosine similarity calculation method may be used as shown in Equation 5.

시스템 사용 목적에 따라 다른 유사도 계산 방법으로 변경될 수 있다. 유사도의 계산후 HCI 모듈을 개재하여 사용자에게 유사도 정보를 출력하며, 다른 모듈의 하이퍼파라미터 설정 등에 참조될 수 있다.Depending on the purpose of using the system, it can be changed to another similarity calculation method. After calculating the similarity, the similarity information is output to the user through the HCI module, and it can be referred to hyperparameter settings of other modules.

Annotation Module(어노테이션 모듈)(15)Annotation Module (15)

어노테이션 모듈은 변수별로 구성된 샘플리스트에 속하는 데이터 값을 범주화하는 기능을 수행하는데, 각각의 원소가 범주에 속하는지 판독하여 2진(참, 거짓) 판독 결과인 레이블 리스트를 구성한다.The annotation module performs a function of categorizing data values belonging to a sample list configured by variable, and constructs a label list as a binary (true, false) reading result by reading whether each element belongs to a category.

레이블리스트는 샘플리스트의 각 샘플이 특정 범주에 속하는지 여부를 나타내는 '레이블'의 리스트이다. 어노테이션 모듈은 변수집합에 속하는 각 변수들에 대하여, 그리고 각 변수별로 선정된 범주들의 집합인 범주 집합의 각 범주에 대하여, 레이블리스트를 생성한다. 샘플리스트의 각 샘플이 특정 범주에 속하는 경우 레이블은 1이고 속하지 않는 경우 레이블은 0으로 할 수 있다.The label list is a list of 'labels' indicating whether each sample in the sample list belongs to a specific category. The annotation module creates a label list for each variable belonging to the variable set and for each category of the category set, which is a set of categories selected for each variable. Each sample in the sample list may have a label of 1 if it belongs to a specific category and a label of 0 if it does not belong.

구체적으로 보면, 먼저 n개의

에 대한 k번째 범주인

를 설정한다. 범주는 사용자가 직접 지정토록하거나 자동으로 지정되도록 할 수 있다. 사용자가 범주를 직접 설정하는 경우, 범주는 사용 목적에 따라 명목형, 순서형(순서형인 경우 범주는 복수의 범주 구간으로 구성될 수 있다) 등 다양한 범주를 구성할 수 있으나, 반드시 해당 범주에 샘플의 값이 포함되는지 여부를 판단(0 또는 1로 결정)할 수 있는 범주를 구성하여야 한다. 또한, 언제 측정하든지 상관없이 샘플의 값과 변수가 달라지지 않았다면 같은 판단결과를 가지는 범주를 구성해야 한다.Specifically, first n

is the kth category for

set The category can be designated by the user directly or automatically designated. If the user sets the category directly, the category can be composed of various categories such as nominal and ordinal (in the case of ordinal, the category can be composed of multiple category intervals) according to the purpose of use, but must be sampled in the category. A category that can determine whether the value of is included (determined as 0 or 1) must be constructed. In addition, regardless of when the measurement is performed, if the values and variables of the sample do not change, a category having the same judgment result should be constructed.

그리고 자동으로 범주가 설정되도록 하는 경우, 아래의 수학식 6, 7과 같이 설정될 수 있다.

에 대한 첫 번째 범주는 수학식 6과 같이 폐구간으로 자동계산되고,

에 대한 k 번째 범주는 수학식 7과 같이 반열린구간으로 자동계산된다.And when the category is automatically set, it can be set as in Equations 6 and 7 below.

The first category for is automatically calculated as a closed interval as shown in Equation 6,

The k-th category for is automatically calculated as a half-open interval as shown in Equation 7.

여기서, 약어인 M _i 는

Here, the abbreviation M _i is

약어인 m _i 는

The abbreviation m _i is

는 변수 X_i에 대한 범주 개수

is the number of categories for variable X _i

범주는 구성과 특성에 맞춰 병합될 수 있다. 범주 병합은 언제든 가능하며 병합시 해당 모듈의 출력을 입력받는 다른 모든 모듈에게 일괄 반영된다.Categories can be merged according to composition and characteristics. Category merging is possible at any time, and upon merging, the output of the corresponding module is collectively reflected in all other modules that receive input.

그리고,

의 각 샘플에 대하여

에 포함되는지를 판단하여 포함되는 경우 1로, 그렇지 않은 경우 0으로 하는 Activation Function f(x)를 설정하여 아래 수학식 8의 정의처럼

를 구성한다. 그리고, 전체 변수들에 대하여 이를 수행함으로써 레이블리스트의 집합인 레이블리스트 집합을 구성한다.And,

for each sample of

By determining whether it is included in , setting the Activation Function f (x) to 1 if it is included and 0 otherwise, as defined in Equation 8 below

make up And, by performing this for all variables, a label list set, which is a set of label lists, is constructed.

f(x)는 입력받은 값이 출력값을 활성화시킬 수 있는지를 결정하는 함수이다. sigmoid 함수와 같은 대표적인 Activation Function을 사용하거나 그외 별도 정의된 함수를 사용할 수 있으나, 그 출력값(레이블)은 0 또는 1의 값이 되도록 정의해야 한다. 스캔모듈에서 d개의 데이터가 삭제된 경우 레이블리스트

의 길이는 m-d가 되는 리스트이다. 익스트랙터 모듈의 m값과 스캔모듈의 r_i 설정이 달라지지 않는다면 리스트의 길이 m-d는 변하지 않는다. f(x) is a function that determines whether an input value can activate an output value. A representative activation function such as the sigmoid function or other separately defined functions can be used, but the output value (label) must be defined to be a value of 0 or 1. Label list when d data is deleted from the scan module

is a list whose length is md. If the m value of the extractor module and r _i setting of the scan module do not change, the length md of the list does not change.

Q Reader Module(Q 리더 모듈)Q Reader Module

어떤 정보를 다른 정보와 비교하여 둘다 해당하거나, 서로 다르거나, 둘다 해당하지 않는 부분을 찾는 과정이다. 이 모듈을 통해 특징의 분포를 발견할 수 있게 된다.It is the process of comparing some information with other information and finding the parts that are both true, different, or neither. Through this module, it is possible to discover the distribution of features.

Q 리더 모듈은 두 레이블리스트에 각각 포함된 임의의 두 레이블끼리 논리연산을 수행하여 2차원 행렬인 대조행렬을 생성하되, 레이블리스트 집합에 속하는 임의의 두 레이블리스트에 대하여 상기 대조행렬을 각각 생성함으로써 대조행렬군을 구성한다.The Q reader module performs a logical operation between two arbitrary labels included in each of the two label lists to generate a two-dimensional matrix, a comparison matrix. Construct a group of contrast matrices.

구체적으로 보면, 먼저 앞선 그룹화의 결과 또는 모든 경우에 대해 행과 열로 각각의 모듈별 연산자인 AND(논리곱), XOR(배타적 논리합), NOR(부정논리합) 연산 결과를 원소로 하는 행렬을 구성할 수 있는 경우의 수를 계산한다. 구성 개수가 너무 많은 경우 어노테이션 모듈에서 추가적인 데이터 병합을 진행할 필요가 있다.Specifically, a matrix whose elements are the result of the previous grouping or the result of the operator AND (logical product), XOR (exclusive OR), and NOR (negative OR) operation for each module in rows and columns for all cases is constructed. Calculate the number of possible cases. If the number of configurations is too large, it is necessary to perform additional data merging in the annotation module.

그리고, 임의의 k와 l, i와 j에 대하여

,

, 및

를 구성(연산)하는데, 이에 따라 구성되는 행렬을 '대조행렬'이라 한다. k와 l의 값은 서로 같거나 다르고 범주에 관한 첨자이며, i와 j의 값은 서로 같거나 다르고 변수에 관한 첨자이다.And, for arbitrary k and l, i and j

,

, and

It constructs (operates), and the matrix constructed accordingly is called a 'contrast matrix'. The values of k and l are the same or different and are subscripts for categories, and the values of i and j are the same or different and are subscripts for variables.

Q리더 모듈의 하나인 AND Q리더 모듈은

을 구성하며, 이는 아래의 수학식 9와 같이 정의된다.AND Q reader module, which is one of the Q reader modules,

, which is defined as in Equation 9 below.

예를 들어,레이블리스트

및

가 아래 표 4의 행렬중 첫 번째 열 및 첫 번째 행과 같다고 할 때,

는 아래와 같이 계산될 수 있다.For example, labellist

and

When is equal to the first column and first row of the matrices in Table 4 below,

can be calculated as below.

Q리더 모듈의 하나인 XOR Q리더 모듈은

을 구성하며, 이는 아래의 수학식 10과 같이 정의된다.XOR Q reader module, one of the Q reader modules,

, which is defined as in Equation 10 below.

예를 들어, 레이블리스트

및

가 아래 표 5의 행렬중 첫 번째 열 및 첫 번째 행과 같다고 할 때,

는 아래와 같이 계산될 수 있다.For example, the labellist

and

When is equal to the first column and first row of the matrices in Table 5 below,

can be calculated as below.

Q리더 모듈의 하나인 NOR Q리더 모듈은

을 구성하며, 이는 아래의 수학식 11과 같이 정의된다.NOR Q reader module, one of the Q reader modules,

, which is defined as in Equation 11 below.

예를 들어,레이블리스트

및

가 아래 표 6의 행렬중 첫 번째 열 및 첫 번째 행과 같다고 할 때,

는 아래와 같이 계산될 수 있다.For example, labellist

and

When is equal to the first column and first row of the matrices in Table 6 below,

can be calculated as below.

Q 리더 모듈이 수행하는 논리연산은 AND 연산, XOR 연산 및 NOR 연산을 포함하며, AND 연산을 수행하여 대조행렬로서 AND 대조행렬을 생성하고, XOR 연산을 수행하여 대조행렬로서 XOR 대조행렬을 생성하며, NOR 연산을 수행하여 대조행렬로서 NOR 대조행렬을 생성한다.The logical operations performed by the Q reader module include AND operation, XOR operation, and NOR operation. By performing the AND operation, an AND comparison matrix is generated as a comparison matrix, by performing an XOR operation, an XOR comparison matrix is generated as a comparison matrix, , NOR operation is performed to generate a NOR comparison matrix as a comparison matrix.

AND, XOR 및 NOR 연산은 각각 병렬로 수행되어도 상관없다. Q리더 모듈에 입력되는 데이터는 어노테이션 모듈의 결과 데이터(레이블리스트 집합)를 입력받기 때문에 모든 입력값은 1과 0으로 구성된 2진 데이터이다. AND(논리곱)을 활용한 연산 수행은 두 비교대상의 교집합을 찾기 위해 사용되고, 스트럭츄링 모듈에서 α값이 0으로 설정된 경우 해당 연산은 수행하지 않는다. XOR(배타적 논리합)을 활용한 연산 수행은 두 비교 대상의 배타적 차집합을 찾기 위해 사용되고 스트럭츄링 모듈에서 β값이 0으로 설정된 경우 해당 연산은 수행하지 않는다. NOR(부정논리합)을 활용한 연산 수행은 두 비교 대상의 합집합의 여집합을 찾기 위해 사용되며, 스트럭츄링 모듈에서 γ값이 0으로 설정된 경우 해당 연산은 수행하지 않는다.AND, XOR, and NOR operations may be performed in parallel, respectively. All input values are binary data consisting of 1's and 0's because the data input to the QReader module receives the result data (labellist set) of the annotation module. Operation using AND (logical product) is used to find the intersection of two comparison targets, and if the value of α is set to 0 in the structuring module, the operation is not performed. Operation using XOR (exclusive OR) is used to find the exclusive difference between two comparison targets, and if the value of β is set to 0 in the structuring module, the operation is not performed. Operation using NOR (Negative Logical OR) is used to find the complement of the union of two comparison targets, and if the value of γ is set to 0 in the structuring module, the operation is not performed.

AND, XOR, NOR 연산으로 각각 생성되는 대조행렬의 수는 다음과 같다. 모든 변수에 대하여 범주의 개수를 모두 더한 값이 s라고 할때,s개 중에서 중복을 허용하여 2개를 선택하는 경우의 수는 _sH₂개이고 그 값은 s(s+1)/2가 된다.The number of check matrices generated by AND, XOR, and NOR operations is as follows. If s is the sum of the number of categories for all variables, the number of cases in which duplicates are allowed and two are selected among s is _s H ₂ , and the value is s(s+1)/2 .

Q Scaler Module(Q 스케일러 모듈)Q Scaler Module

앞서 설명한 것처럼 특정 사건을 이해하는 맥락에 따라 사건의 특징이 달라질 수 있다. 사건의 정보를 사건의 이해 맥락과 어림 정도를 능동적으로 대응해 나가기 위해 설계된 모듈이다. Scale의 사전적 의미는 “(특히 다른 것과 비교해서 본) 규모”이다. 둘다 해당하거나, 서로 다르거나, 둘다 해당하지 않는 정도가 몹시 커 두드러지는 부분을 어림연산을 통해 찾는 모듈이다. 이 모듈을 통해 해당 정보가 다른 정보와 비교해 어디에 특징이 있는지 찾는다.As explained above, the characteristics of an event can vary depending on the context in which a particular event is understood. It is a module designed to actively respond to the context of understanding the event and the degree of estimation of the information of the event. The dictionary meaning of scale is "(especially compared to others) scale". It is a module that finds a part that is conspicuous because both of them are applicable, different, or both are not applicable through rounding operation. This module finds where the information is characterized compared to other information.

Q 스케일러 모듈은 Q 리더 모듈의 결과값을 이용하여 계산하는데, 대조행렬군에 속하는 각 대조행렬에 대하여, 지정된 가로 및 세로 크기를 가지는 어림창 내의 값을 모두 더하여 어림값을 생성하되, 어림창을 순차 이동하면서 어림값을 생성하는 어림연산을 수행함으로써 어림값의 행렬인 히트맵을 생성한다.The Q scaler module calculates using the result values of the Q reader module. For each control matrix belonging to the control matrix group, an estimate is generated by adding all the values in the estimate window having the specified horizontal and vertical sizes. A heat map, which is a matrix of approximate values, is generated by performing an approximate operation to generate approximate values while sequentially moving.

어림창은 지정된 가로 및 세로 크기를 가지는 것으로서, 행렬에서 합산할 지정된 가로 크기 및 세로 크기의 행렬 부분을 지정한다. 따라서 어림창은 값이 1로 채워진 작은 행렬(어림 행렬)이라고 볼 수도 있다.The rule-of-thumb, having the specified width and height, specifies the portion of the matrix of the specified width and height to be summed in the matrix. Therefore, the estimate window can be viewed as a small matrix filled with values of 1 (estimate matrix).

어림창의 가로 크기(h)는 '가로 어림모수'라고도 하며, 가로 어림모수 h가 작아질수록 특징에 대한 세로리스트의 영향력이 커지고 가로 어림모수 h가 커질수록 특징에 대한 가로리스트의 영향력이 커진다. 어림창의 세로 크기(v)는 '세로 어림모수'라고도 하며 세로 어림모수 v가 작아질수록 특징에 대한 가로리스트의 영향력이 커지며, 세로 어림모수 v가 커질수록 특징에 대한 세로리스트의 영향력이 커진다.The horizontal size (h) of the estimation window is also called the 'horizontal estimation parameter', and the smaller the horizontal estimation parameter h, the greater the influence of the vertical list on the feature, and the greater the greater the horizontal estimation parameter h, the greater the influence of the horizontal list on the feature. The vertical size (v) of the estimation window is also called the 'vertical estimation parameter'. As the vertical estimation parameter v decreases, the influence of the horizontal list on the feature increases, and as the vertical estimation parameter v increases, the influence of the vertical list on the feature increases.

h와 v는 어림 정도를 나타내는 모수로써, 이에 따라 '어림 모수'라 정의한다. 어림 모수란 사람이 정보를 대충 본 경우와 정보를 세밀하게 본 경우에 따라 통찰적 인상이 달라지듯, 그러한 특성을 반영하기 위해 추가된 파라미터이다. 본 시스템에서 어림은 정보를 헤아려 보고 가장 특징적인 부분을 표시하는 작업을 말 한다. 어림모수의 값이 커질수록 전반의 정보를 넓게 관찰하게 되고, 크게 어림한 부분 중 가장 특징적인 부분을 도출한다. 반대로 어림 모수 값이 작아질수록 사건 전반의 정보를 좁게 관찰하게 되고, 작게 어림한 부분 중 가장 특징적인 부분을 도출한다. 어림모수가 작을 때가 어림모수가 클 때보다 최종적으로 도출되는 특징의 개수가 더 많다.

h and v are parameters representing the degree of approximation, and are thus defined as 'estimation parameters'. A rough parameter is a parameter added to reflect such characteristics, just as insight impressions differ depending on whether a person views information roughly or closely. In this system, estimation refers to the task of counting information and displaying the most characteristic part. As the value of the estimation parameter increases, the overall information is observed more broadly, and the most characteristic part among the greatly estimated parts is derived. Conversely, the smaller the value of the estimation parameter, the narrower the overall information of the event is observed, and the most characteristic part of the small estimated part is derived. When the estimate parameter is small, the number of finally derived features is greater than when the estimate parameter is large.

사용자는 분석 목적을 고려하여 어림모수 h와 v의 값을 결정한다. 선언된 어림모수 값은 불변의 값이 아니며, 시스템 사용 목적에 따라 변경될 수 있다. 단, 어림모수 값이 유동적일 경우 출력되는 히트맵의 크기가 제각기 다르기 때문에 후술하는 인터폴레이션 모듈의 사용이 강제된 후, 그다음에 스트럭츄링 모듈이 사용된다.The user determines the values of the estimation parameters h and v considering the purpose of the analysis. The declared round parameter value is not an immutable value and can be changed according to the purpose of using the system. However, when the approximate parameter value is flexible, the size of the output heat map is different, so the use of the interpolation module described later is forced, and then the structuring module is used.

그 다음에 어림연산을 수행하는데, 어림연산의 규칙을 보면, 출력 행렬의 i행 j열 원소 값은 입력행렬의 i행 j열의 원소를 포함하여 가로 h개, 세로 v개 영역(어림창)에 존재하는 1의 개수를 세는 것(또는 값을 모두 더하는 것)이다. 어림창이 1로 채워진 h Х v 행렬(어림 행렬)이라고 본 경우, 어림연산은 어림행렬과 대조행렬의 대응 원소를 각각 곱하여 모두 합산한 것이 된다. 단, h Х v 영역은 행렬을 넘어 세거나 합산하지 않는다. 어림창은 대조행렬의 전 영역을 순차이동(가로 또는 세로로 1스텝씩)하면서 값(어림값)을 계산한다. 한 번의 어림연산(초벌 어림연산)으로 인해 Q 스케일러 모듈에서 출력되는 출력 행렬은 입력행렬(대조 행렬) 보다 가로 방향으로 h - 1칸, 세로 방향으로 v - 1칸만큼 작아진다. 따라서_, (m-d-h+1) Х (m-d-v+1) 크기의 행렬이 구성된다.Then, the rounding operation is performed. Looking at the rules of rounding operation, the values of the element values of row i and column j of the output matrix are divided into h horizontal and v vertical regions (estimate window), including elements of row i and column j of the input matrix. It's just counting the number of 1's present (or adding them all together). h filled with an estimate of 1 In the case of the Х v matrix (estimating matrix), the estimation operation is the result of multiplying the corresponding elements of the estimation matrix and the control matrix, respectively, and summing them up. However, h Х v domains do not count or sum over matrices. The estimate window calculates the value (estimated value) while sequentially moving (horizontally or vertically by 1 step) the entire area of the comparison matrix. Due to one rounding operation (rough rounding operation), the output matrix output from the Q scaler module is h more horizontally than the input matrix (contrast matrix). - 1 square, vertical v - Reduced by 1 square. Thus _, (md-h+1) of size Х (md-v+1) procession It consists of

도 5는 본 발명의 일 실시예에 따른 히트맵 구조화 시스템에서 Q 스케일러 모듈을 사용하여 어림연산을 수행한 일 예를 도시한 것이다(이하, 이해의 편의를 위하여 데이터의 양을 축소한 예를 도시한다). 도 5에서는 어림창이 순차 이동하면서 위치하게 될 5개의 위치를 예시하고 있으며(w1~w5), 이에 따라 계산된 값(어림값)들(x1~x5)을 예시하고 있다.FIG. 5 illustrates an example in which an approximate operation is performed using a Q scaler module in a heat map structuring system according to an embodiment of the present invention (hereinafter, an example in which the amount of data is reduced for convenience of understanding is shown). do). 5 illustrates five positions (w1 to w5) to be positioned while sequentially moving the estimation window, and exemplifies values (estimated values) calculated accordingly (x1 to x5).

도 5(a)에서 보라색선은 어림창을 표시하는데, h(가로)*v(세로)=h*v(규모)에서 1의 개수를 세어서(값을 모두 더해서) 어림값을 계산하며, 어림창은 입력된 대조행렬을 넘어서 개수를 세지는 않는다. 이로 인해 Q 스케일러 모듈에 의한 출력 행렬은 Q 리더 모듈에 의한 대조행렬보다 가로 방향으로 h-1칸, 세로 방향으로 v-1칸 작아진다.In FIG. 5 (a), the purple line indicates the approximate window. The approximate value is calculated by counting the number of 1s in h (horizontal) * v (vertical) = h * v (scale) (by adding all values), The estimation window does not count the number beyond the input control matrix. As a result, the output matrix by the Q scaler module is smaller by h-1 cells in the horizontal direction and v-1 cells in the vertical direction than the check matrix by the Q reader module.

Q 스케일러 모듈은 AND 스케일러 모듈, XOR 스케일러 모듈 및 NOR 스케일러 모듈을 구비할 수 있고, AND 대조행렬, XOR 대조행렬 및 NOR 대조행렬에 대해 어림연산을 각각 수행할 수 있다. 물론, AND 스케일러 모듈, XOR 스케일러 모듈 및 NOR 스케일러 모듈의 연산 방식은 동일하므로, 하나의 스케일러 모듈이 AND 대조행렬, XOR 대조행렬 및 NOR 대조행렬에 대해 어림연산을 순차 수행하는 것으로 해도 된다.The Q scaler module may include an AND scaler module, an XOR scaler module, and a NOR scaler module, and may perform rounding operations on the AND comparison matrix, the XOR comparison matrix, and the NOR comparison matrix, respectively. Of course, since the operation methods of the AND scaler module, the XOR scaler module, and the NOR scaler module are the same, one scaler module may sequentially perform rounding operations on the AND comparison matrix, the XOR comparison matrix, and the NOR comparison matrix.

위에서는 한 대조행렬에 대해 어림연산을 한번 수행하는 것에 대해 설명하였으나, 복수의 어림연산을 수행토록 할 수 있다. 히트맵을 생성함에 있어서 Q 스케일러 모듈은, 대조행렬에 대하여 어림창을 순차 이동하면서 수행하는 초벌의(첫번째) 어림연산과, 1회 이상의 어림연산으로 생성된 행렬에 대하여 수행되는 재벌의 어림연산을 수행함으로써 히트맵을 생성토록 할 수 있다.In the above, it has been described that the rounding operation is performed once for one control matrix, but a plurality of rounding operations can be performed. In generating the heat map, the Q scaler module performs the rough (first) rounding operation performed while sequentially moving the rounding window with respect to the control matrix and the rounding rounding operation performed on the matrix generated by one or more rounds of rounding operation. By doing this, you can create a heat map.

특징 정보를 담은 행렬의 크기를 축소하여 히트맵을 생성할 때 어림 연산을 반복하는 횟수(모수)를 n이라 할 때, n의 기본값은 1이지만 2이상의 자연수로 설정하는 것도 가능하다.When generating a heat map by reducing the size of a matrix containing feature information, when the number of repetitions (parameter) of the estimation operation is n, the default value of n is 1, but it is also possible to set it to a natural number of 2 or more.

만약 n값이 1인 경우, 최초 입력값은 Q 리더 모듈에 의해 생성된 대조행렬을 입력으로 사용하여, 어림연산을 수행한다. 그리고, n값이 2인 경우, 최초 입력값은 Q 리더 모듈에 의해 생성된 행렬을 입력값을 사용하여 출력행렬을 생성한 후 해당 출력행렬을 다시 Q 스케일러 모듈의 입력으로 하여 출력행렬을 계산한다. n값이 커질수록 출력행렬(히트맵)의 크기는 작아진다.If the value of n is 1, the initial input value uses the comparison matrix generated by the Q reader module as an input and performs rounding operation. And, when the value of n is 2, the first input value is the matrix generated by the Q reader module, used to generate an output matrix, and then the output matrix is used again as an input to the Q scaler module to calculate the output matrix. . As the value of n increases, the size of the output matrix (heat map) decreases.

도 6은 본 발명의 일 실시예에 따른 히트맵 구조화 시스템에서 Q 스케일러 모듈을 사용하여 복수 회의 어림연산을 수행한 일 예를 도시한 것이다. h=5, v=5이고 어림연산이 3회 반복됨에 따라 행렬 크기가 점차 작아지는 것을 보여준다(첫 번째 행은 제외함).FIG. 6 illustrates an example in which estimating operations are performed a plurality of times using a Q scaler module in the heat map structuring system according to an embodiment of the present invention. h = 5, v = 5, and as the rounding operation is repeated three times, the matrix size gradually decreases (except for the first row).

Q 스케일러 모듈은, AND 대조행렬에 대하여 AND 히트맵을 생성하고 XOR 대조행렬에 대하여 XOR 히트맵을 생성하고 NOR 대조행렬에 대하여 NOR 히트맵을 생성한다. Q 스케일러 모듈에 포함된 AND 스케일러 모듈, XOR 스케일러 모듈 및 NOR 스케일러 모듈에 의해 각각 생성되는 AND 히트맵, XOR 히트맵 및 NOR 히트맵은 아래 수학식 12와 같이 정의된다.The Q scaler module generates AND heatmaps for AND collation matrices, XOR heatmaps for XOR collation matrices, and NOR heatmaps for NOR collation matrices. The AND heatmap, the XOR heatmap, and the NOR heatmap generated by the AND scaler module, the XOR scaler module, and the NOR scaler module included in the Q scaler module, respectively, are defined as in Equation 12 below.

Interpolation Module(인터폴레이션 모듈)Interpolation Module

특징 정보를 담은 행렬을 다시 원래 크기의 행렬로 복원할 때 필요한 기능이므로, 필요한 경우에만 사용된다.This function is necessary when restoring a matrix containing feature information back to a matrix of the original size, so it is used only when necessary.

인터폴레이션 모듈은, 예를 들어, Q 스케일러 모듈에 의한 어림연산으로 축소된 크기만큼 히트맵의 크기를 확장한 히트맵을 구성하거나, 히트맵을 생성한 어림모수 값(어림창의 크기)이 서로 상이함으로 인해서 서로 다른 크기의 히트맵을 생성한 경우, 후술하는 스트럭츄링 모듈에 입력되기 전에 사용될 수 있다.The interpolation module constructs a heat map by expanding the size of the heat map by the size reduced by the approximate operation by the Q scaler module, for example, or because the approximate parameter value (size of the estimate window) that generated the heat map is different from each other. When heat maps of different sizes are created due to this, they can be used before being input to the structuring module described later.

축소된 크기만큼 히트맵의 크기를 확장할 때, 확장된 히트맵의 각 원소는 지정된 가로 크기 또는 세로 크기(어림창의 가로 크기 또는 세로 크기) 만큼의 원소를 더하되 행렬의 모서리에서 원소가 없는 경우 0으로 하여 더한다. 아래 수학식 13처럼 입력행렬 및 출력행렬이 정의될 때, 출력행렬의 각 원소는 수학식 14처럼 계산될 수 있다.When expanding the size of the heat map by the reduced size, each element of the expanded heat map adds as many elements as the specified horizontal or vertical size (horizontal size or vertical size of the estimate window), but if there is no element at the corner of the matrix Add to 0. When the input matrix and the output matrix are defined as in Equation 13 below, each element of the output matrix can be calculated as in Equation 14.

h는 가로 모수이며, 행렬의 모서리(가장자리)에서 입력행렬의 값이 존재하지 않을 때, 값은 0으로 하여 더해진다. 크기가 증가된 출력행렬의 모든 원소에서 위 수학식 14를 적용하여 각 원소를 계산하되, 출력행렬의 크기는 최초의 원본 행렬의 크기를 넘지 않도록 한다. 수학식 14는 가로 모수를 이용한 방식이나 세로 모수를 이용하거나 가로 모수 및 세로 모수의 모두를 이용하는 2차원 방식으로 구성해도 된다.h is a horizontal parameter, and when the value of the input matrix does not exist at the corner (edge) of the matrix, the value is added as 0. Each element is calculated by applying Equation 14 to all elements of the increased output matrix, but the size of the output matrix does not exceed the size of the first original matrix. Equation 14 may be configured in a two-dimensional manner using a horizontal parameter, a vertical parameter, or both a horizontal parameter and a vertical parameter.

Structuring Module(스트럭츄링 모듈)Structuring Module

둘다 해당하거나, 서로 다르거나, 둘다 해당하지 않는 특징 정보도 그 자체로써 정보 효용이 있지만, 사건의 발생 관점에서 사건의 구성 정보를 바탕으로 도출된 집합, 배타적 차집합 및 합집합의 여집합을 함께 파악하는 것이 필요할 때가 많다. 그러한 필요성을 바탕으로 사건의 특징 정보를 연산을 통해 다양하게 조합하고 제공함으로써 좀 더 높은 정보효용을 제공할 목적으로 설계된 부분이다. 효용이 높아지도록 하는 가중치를 주어 3종류의 히트맵을 하나의 히트맵으로 구조화한다. 스케일러 모듈 및 스트럭츄링 모듈에 의한 히트맵은 HCI 모듈을 개재하여 사용자에게 출력될 수 있다.Characteristic information that applies to both, is different from each other, or does not correspond to both has information utility in itself, but from the point of view of the occurrence of an event, a set derived based on the composition information of an event, an exclusive difference set, and a complement set of unions are identified together. There are many times when you need something. Based on such a need, it is a part designed for the purpose of providing a higher information utility by variously combining and providing event feature information through calculation. Three types of heat maps are structured into one heat map by giving a weight to increase the utility. The heat map by the scaler module and the structuring module may be output to the user through the HCI module.

사건의 특징을 파악할 목적으로 AND 히트맵, XOR 히트맵 및 NOR 히트맵에 각각 정보 효용이 높아지도록 하는 가중치를 주어 3종류의 히트맵을 하나의 히트맵으로 구조화한다. 정보의 효용이 높아지도록 가중치를 부여한다는 것은 최종적인 히트맵 구성에 있어서 AND, XOR 및 NOR의 연산 결과값의 기여도를 평가하는 것과 같다.For the purpose of identifying the characteristics of an event, three types of heat maps are structured into one heat map by giving weights to each of the AND heat map, the XOR heat map, and the NOR heat map to increase information utility. Assigning weights to increase the usefulness of information is the same as evaluating contributions of AND, XOR, and NOR operation result values in the final heat map configuration.

가중치(상수값) α, β 및 γ의 결정은 사용자 시스템의 사용 목적에 따라 설정되는 부분이다. 사용자는 여러 사항을 고려하여 가중치를 결정할 수 있는데, 여러 정보를 비교하여 둘 다 포함되는 부분에 대한 인식이 필요하지 않을 경우 α의 값은 0으로 하고, 여러 정보를 비교하여 서로 다른 부분에 대한 인식이 필요하지 않을 경우 β의 값은 0으로 하며, 여러 정보를 비교하여 둘 다 포함되지 않는 부분에 대한 인식이 필요하지 않을 경우 γ의 값은 0으로 한다. 그리고 인식의 수준에 따라 0이상 1이하 값을 설정할 수 있다.Determination of the weights (constant values) α, β, and γ is a part that is set according to the purpose of use of the user system. The user can determine the weight by considering various factors. If recognition of a part that includes both is not required by comparing several pieces of information, set the value of α to 0 and compare several pieces of information to recognize different parts. If is not necessary, the value of β is set to 0, and the value of γ is set to 0 if recognition of a part that does not contain both is not required by comparing several pieces of information. In addition, a value of 0 or more and 1 or less can be set according to the level of recognition.

스트럭츄링 모듈은 AND 히트맵, XOR 히트맵 및 NOR 히트맵의 대응하는 위치에 있는 원소들끼리 합산하여 단일의 히트맵(최종 히트맵)을 구성하되, AND 히트맵, XOR 히트맵 및 NOR 히트맵에 대한 가중치를 곱하여 합산한다. 스트럭츄링 모듈에 의해 생성되는 히트맵(행렬)

은 다음의 수학식 15와 같이 얻어진다.The structuring module constructs a single heat map (final heat map) by summing the elements at the corresponding positions of the AND heat map, XOR heat map, and NOR heat map, but the AND heat map, XOR heat map, and NOR heat map are combined. The weights for the maps are multiplied and summed. Heatmap (matrix) generated by the structuring module

is obtained as in Equation 15 below.

전체 변수에 대하여(임의의 i와 j에 대하여) 해당 변수의 모든 범주에 대하여(임의의 k와 l에 대하여) 조합된 히트맵들이 생성될 수 있다.Combined heatmaps can be generated for all variables (for any i and j) and for all categories of that variable (for any k and l ).

응용 및 효과성Application and effectiveness

본 발명은 인간이 통찰적 인상을 얻는 것처럼 인공지능이 인간처럼 얻은 정보를 비교하고 어림하며 특징 구조화를 가능하게 하는 알고리즘이다.

시스템 사용 목적, 특징 판단 기준, 특징을 이해하는 관점이 달라질 경우 비교모수 또는 어림모수가 변화하며 능동적으로 특징을 도출한다. 인간의 통찰적 인상처럼 상황 맥락에 맞춰 특징을 도출한다는 점에서 효과성이 있다. 인간이 복잡한 연산을 계산기를 통해 문제를 더 빨리 푸는 것처럼, 인공지능이 항상 사람의 지능적 기능을 대신할 필요는 없다.The present invention is an algorithm that enables artificial intelligence to compare and estimate information obtained like humans and structure features, just as humans obtain insightful impressions.

When the purpose of using the system, the criterion for judging the characteristics, and the viewpoint of understanding the characteristics change, the comparison parameter or the estimation parameter changes and the characteristics are actively derived. It is effective in that it derives characteristics according to the situational context like a human insightful impression. Just as humans solve complex problems faster through calculators, artificial intelligence does not always have to replace human intelligence.

본 발명은 인간의 인식지능을 확장시킬 방법으로 사용될 수 있으며 서로의 존재가치를 향상시킬 수 있는 증강지능적 기술이다. 논리성과 설명가능성을 고려한 기술이며 통찰적 인상에 대한 효용이 있는 다양한 부분에서 경제적 효용을 얻을 수 있다. 다차원 입력 데이터를 상호 대조하여 둘다 해당하거나, 둘다 해당하지 않거나, 서로 다른 부분에 대한 특징에 대한 선택적 탐색을 가능하게 한다. 각각의 데이터가 가지는 구조적 특징을 알 수 없어 분석이 불가능했던 문제를 해결할 수 있다.The present invention is an augmented intelligence technology that can be used as a method to expand human cognitive intelligence and can enhance each other's existence value. It is a technology that considers logic and explainability, and economic utility can be obtained in various areas that are useful for insightful impressions. By cross-contrasting multi-dimensional input data, it is possible to selectively search for features corresponding to both, non-corresponding, or different parts. It can solve the problem that analysis was not possible because the structural characteristics of each data were not known.

그리고 비정형적인 사건을 모델링하는 인공지능 모델 구현에 있어 비정형 데이터를 구조화하는 방법으로써 고려될 수 있다. 그리고 탐색할 만한 가치가 있는 부분에 대해 차등 분류할 수 있다. 독자적인 사용이 가능하고, 어떤 다른 알고리즘의 선행 알고리즘으로써 적용될 수 있다. 또한, 특징을 파악하지 못해 문제 인식이 늦어져 발생하는 리스크를 줄일 수 있다.And it can be considered as a method of structuring unstructured data in implementing an artificial intelligence model that models unstructured events. And it can be classified differently for parts worth exploring. It can be used independently and can be applied as a preceding algorithm of any other algorithm. In addition, it is possible to reduce the risk caused by delay in recognizing the problem due to failure to grasp the characteristics.

10 : HCI Module(인간 컴퓨터 상호작용 모듈)
11 : Sensor Module(센서 모듈)
12 : Extractor Module(익스트랙터 모듈)
13 : Scan Module(스캔 모듈)
14 : Similarity Module(시뮬래러티 모듈)
15 : Annotation Module(어노테이션 모듈)
16 : Q Reader Module(Q 리더 모듈)
17 : Q Scaler Module(Q 스케일러 모듈)
18 : Interpolation Module(인터폴레이션 모듈)
19 : Structuring Module(스트럭츄링 모듈)10 : HCI Module (Human Computer Interaction Module)
11 : Sensor Module
12 : Extractor Module
13 : Scan Module
14 : Similarity Module
15 : Annotation Module
16 : Q Reader Module
17 : Q Scaler Module
18 : Interpolation Module
19 : Structuring Module

Claims (14)

두 레이블리스트에 각각 포함된 임의의 두 레이블끼리 논리연산을 수행하여 2차원 행렬인 대조행렬을 생성하되, 레이블리스트 집합에 속하는 임의의 두 레이블리스트에 대하여 상기 대조행렬을 각각 생성함으로써 대조행렬군을 구성하는 Q 리더 모듈;
상기 대조행렬군에 속하는 각 대조행렬에 대하여, 지정된 가로 및 세로 크기를 가지는 어림창 내의 값을 모두 더하여 어림값을 생성하되, 상기 어림창을 순차 이동하면서 상기 어림값을 생성하는 어림연산을 수행함으로써 어림값의 행렬인 히트맵을 생성하는 Q 스케일러 모듈;을 포함하여 구성되는 것을 특징으로 하며,
선정된 변수들의 집합인 변수집합에 속하는 변수의 각각에 대한 일련의 샘플들로써 샘플리스트가 구성되고, 상기 변수집합의 변수들에 대한 상기 샘플리스트로써 샘플리스트 집합이 구성되며,
상기 레이블리스트는, 상기 샘플리스트의 각 샘플이 특정 범주에 속하는지 여부를 나타내는 레이블의 리스트인 것을 특징으로 하는,
히트맵 구조화 시스템.A two-dimensional matrix, a comparison matrix, is generated by performing a logical operation between two arbitrary labels included in each of the two label lists. Constituting Q reader module;
For each comparison matrix belonging to the comparison matrix group, an approximate value is generated by adding all the values in the estimation window having the specified horizontal and vertical sizes, and an estimation operation is performed to generate the estimation value while sequentially moving the estimation window. It is characterized in that it is configured to include a; Q scaler module for generating a heat map that is a matrix of approximate values,
A sample list is composed of a series of samples for each of variables belonging to a variable set, which is a set of selected variables, and a sample list set is composed of the sample list for variables of the variable set,
Characterized in that the label list is a list of labels indicating whether each sample of the sample list belongs to a specific category,
Heatmap structuring system. 삭제delete 청구항 1에 있어서,
상기 변수집합에 속하는 변수의 각각에 대하여 하기 수학식을 만족하는 m개의 샘플로써 상기 샘플리스트를 구성하는 익스트랙터 모듈;을 더 포함하는,
히트맵 구조화 시스템.

The method of claim 1,
An extractor module constituting the sample list with m samples satisfying the following equation for each of the variables belonging to the variable set; further comprising:
Heatmap structuring system.

청구항 1에 있어서,
사용자로부터 상기 변수집합에 속하는 변수의 각각에 대하여 탐색범위 조절 모수인 r_i를 입력받아 각 샘플리스트에 대한 탐색범위를 조절하는 스캔모듈;을 더 포함하는,
히트맵 구조화 시스템.The method of claim 1,
A scan module for receiving a search range adjustment parameter r _i for each of the variables belonging to the variable set from the user and adjusting the search range for each sample list; further comprising,
Heatmap structuring system. 청구항 4에 있어서,
상기 스캔모듈은,
상기 샘플리스트 집합에 속하는 임의의 샘플리스트에 포함된 임의의 k번째 샘플이 정해진 조건을 만족하지 않는 경우, 다른 모든 샘플리스트의 k번째 샘플을 제거하는,
히트맵 구조화 시스템.The method of claim 4,
The scan module,
If any k-th sample included in any sample list belonging to the sample list set does not satisfy a predetermined condition, removing the k-th sample of all other sample lists,
Heatmap structuring system. 청구항 5에 있어서,
상기 정해진 조건은 하기의 수학식에 의해 정해지는,
히트맵 구조화 시스템.

The method of claim 5,
The set condition is determined by the following equation,
Heatmap structuring system.

청구항 1에 있어서,
상기 샘플리스트 집합에 속하는 임의의 두 샘플리스트에 대하여 유사도를 계산하여, 사용자에게 출력될 수 있도록 하는 시뮬래러티 모듈;을 더 포함하는,
히트맵 구조화 시스템.The method of claim 1,
A simularity module that calculates a degree of similarity for any two sample lists belonging to the sample list set and outputs it to the user; further comprising,
Heatmap structuring system. 청구항 1에 있어서,
상기 변수집합에 속하는 각 변수들에 대하여, 그리고 각 변수별로 선정된 범주들의 집합인 범주 집합의 각 범주에 대하여, 상기 레이블리스트를 생성하는 어노테이션 모듈;을 더 포함하는,
히트맵 구조화 시스템.The method of claim 1,
An annotation module for generating the label list for each variable belonging to the variable set and for each category of the category set, which is a set of categories selected for each variable;
Heatmap structuring system. 청구항 8에 있어서,
상기 샘플리스트의 각 샘플이 특정 범주에 속하는 경우 상기 레이블은 1이고 속하지 않는 경우 상기 레이블은 0인,
히트맵 구조화 시스템.The method of claim 8,
If each sample in the sample list belongs to a specific category, the label is 1, and if it does not belong, the label is 0.
Heatmap structuring system. 청구항 1에 있어서,
상기 Q 리더 모듈이 수행하는 상기 논리연산은 AND 연산, XOR 연산 및 NOR 연산을 포함하며,
상기 AND 연산을 수행하여 상기 대조행렬로서 AND 대조행렬을 생성하고, 상기 XOR 연산을 수행하여 상기 대조행렬로서 XOR 대조행렬을 생성하며, 상기 NOR 연산을 수행하여 상기 대조행렬로서 NOR 대조행렬을 생성하는,
히트맵 구조화 시스템.The method of claim 1,
The logical operation performed by the Q reader module includes an AND operation, an XOR operation, and a NOR operation,
Performing the AND operation to generate an AND matching matrix as the matching matrix, performing the XOR operation to generate an XOR matching matrix as the matching matrix, and performing the NOR operation to generate a NOR matching matrix as the matching matrix ,
Heatmap structuring system. 청구항 1에 있어서,
상기 히트맵을 생성함에 있어서 상기 Q 스케일러 모듈은,
상기 대조행렬에 대하여 상기 어림창을 순차 이동하면서 수행하는 초벌의 어림연산과, 1회 이상의 어림연산으로 생성된 행렬에 대하여 다시 수행되는 재벌의 어림연산을 수행함으로써 상기 히트맵을 생성하는,
히트맵 구조화 시스템.The method of claim 1,
In generating the heat map, the Q scaler module,
Generating the heat map by performing rough estimating performed while sequentially moving the estimator with respect to the control matrix and conglomerate estimating performed again on the matrix generated by one or more rounds of estimating,
Heatmap structuring system. 청구항 10에 있어서,
상기 Q 스케일러 모듈은,
상기 AND 대조행렬에 대하여 AND 히트맵을 생성하고 상기 XOR 대조행렬에 대하여 XOR 히트맵을 생성하고 상기 NOR 대조행렬에 대하여 NOR 히트맵을 생성하며,
상기 AND 히트맵, 상기 XOR 히트맵 및 NOR 히트맵의 대응하는 위치에 있는 원소들끼리 합산하여 단일의 히트맵을 구성하되, 상기 AND 히트맵, 상기 XOR 히트맵 및 NOR 히트맵에 대한 가중치를 곱하여 합산하는 스트럭츄링 모듈;을 더 포함하는 것을 특징으로 하는,
히트맵 구조화 시스템.The method of claim 10,
The Q scaler module,
generating an AND heatmap for the AND comparison matrix, generating an XOR heatmap for the XOR matching matrix, and generating a NOR heatmap for the NOR matching matrix;
Elements at corresponding positions of the AND heat map, the XOR heat map, and the NOR heat map are summed to form a single heat map, and the AND heat map, the XOR heat map, and the NOR heat map are multiplied by weights. Structuring module for summing; characterized in that it further comprises,
Heatmap structuring system. 청구항 1에 있어서,
상기 Q 스케일러 모듈에 의한 어림연산으로 축소된 크기만큼 상기 히트맵의 크기를 확장한 히트맵을 구성하되, 상기 확장된 히트맵의 각 원소는 상기 지정된 가로 크기 또는 세로 크기만큼의 원소를 더하되 행렬의 모서리에서 원소가 없는 경우 0으로 하여 더하는, 인터폴레이션 모듈;을 더 포함하는 것을 특징으로 하는,
히트맵 구조화 시스템.The method of claim 1,
A heat map obtained by expanding the size of the heat map by the size reduced by the rounding operation by the Q scaler module is constructed, and each element of the expanded heat map is added with elements corresponding to the specified horizontal or vertical size. Characterized in that it further comprises, an interpolation module that adds 0 when there is no element at the edge of
Heatmap structuring system. 청구항 1, 및 청구항 3내지 청구항 13 중 어느 하나의 히트맵 구조화 시스템을 포함하여 구성되는 인공지능 시스템.An artificial intelligence system comprising the heat map structuring system of any one of claims 1 and 3 to 13.

Images