KR20200057832A - Method and apparatus for deciding ensemble weight about base meta learner - Google Patents

Method and apparatus for deciding ensemble weight about base meta learner Download PDF

Info

Publication number
KR20200057832A
KR20200057832A KR1020180140384A KR20180140384A KR20200057832A KR 20200057832 A KR20200057832 A KR 20200057832A KR 1020180140384 A KR1020180140384 A KR 1020180140384A KR 20180140384 A KR20180140384 A KR 20180140384A KR 20200057832 A KR20200057832 A KR 20200057832A
Authority
KR
South Korea
Prior art keywords
ensemble
learning
episode
meta
ensemble weight
Prior art date
Application number
KR1020180140384A
Other languages
Korean (ko)
Other versions
KR102228196B1 (en
Inventor
박민섭
김세훈
유진규
Original Assignee
주식회사 에이아이트릭스
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 주식회사 에이아이트릭스 filed Critical 주식회사 에이아이트릭스
Priority to KR1020180140384A priority Critical patent/KR102228196B1/en
Publication of KR20200057832A publication Critical patent/KR20200057832A/en
Application granted granted Critical
Publication of KR102228196B1 publication Critical patent/KR102228196B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Provided are a method and a device for determining ensemble weights for a basic meta-learning device. The device for determining ensemble weights for a basic meta-learning device can comprise: a feature representation acquisition part that acquires a feature representation of an episode from a meta-learning device based on the episode representing classification to which work belongs; a weight calculation part calculating an ensemble probability, which is a predicted probability of the meta-learning device based on the feature representation of the episode; and a parameter setting part performing learning based on the ensemble probability to set parameters of the device. Therefore, the degradation of learning performance for new tasks, which is a limitation of a general meta-learning method for few-shot classification, can be prevented.

Description

기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치{METHOD AND APPARATUS FOR DECIDING ENSEMBLE WEIGHT ABOUT BASE META LEARNER}METHOD AND APPARATUS FOR DECIDING ENSEMBLE WEIGHT ABOUT BASE META LEARNER}

본 명세서에서 개시되는 실시예들은 기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치에 관한 것으로, 보다 상세하게는 주어진 작업에 대해 최적의 기초 메타학습장치를 선택하기 위해 쿼리의 메타학습장치들에 대한 앙상블확률을 기초로 학습을 수행하는 앙상블가중치를 결정하는 방법 및 장치에 관한 것이다. Embodiments disclosed herein relate to a method and apparatus for determining an ensemble weight for a basic meta-learning apparatus, and more specifically, meta-learning apparatuses of a query to select an optimal basic meta-learning apparatus for a given task. It relates to a method and apparatus for determining the ensemble weight to perform learning based on the ensemble probability for.

최근 들어, 인공지능이 발전됨에 따라 다양한 분야에서 인공지능을 적용하고 있다. 이때, 인공지능의 최적의 성능을 내기 위해서는 인공지능이 처리할 작업에 대해 최적화 되어야 한다. Recently, with the development of artificial intelligence, artificial intelligence has been applied in various fields. At this time, in order to achieve the optimal performance of artificial intelligence, it must be optimized for the work to be processed by artificial intelligence.

이를 위해, 인공지능이 처리할 작업과 관련된 정보를 이용하여 인공지능을 학습(training)하는 과정이 필요하며, 효율적인 인공지능의 학습을 위해 메타학습 방법이 이용되고 있다. To this end, a process of training AI using information related to a task to be processed by AI is required, and a meta-learning method is used for effective AI learning.

메타학습이란 메타데이터를 사용하여 학습하는 과정을 학습하는 기계 학습(machine learning)으로 복수의 작업을 학습하여 새로운 작업을 일반화(generalize)하여 학습을 수행함으로써 학습 효율을 높인다.Meta-learning is a machine learning that learns the process of learning using metadata. It improves learning efficiency by learning multiple jobs and generalizing new jobs to perform learning.

이러한 메타학습의 목표는 소량의 라벨링된 학습정보인 메타데이터를 이용하여 새로운 작업을 해결할 수 있도록 모델(Model)을 학습시키는 것이다.The goal of meta-learning is to train a model to solve new tasks using a small amount of labeled learning information, metadata.

이에 대부분의 메타학습 방법은 메타학습(meta-training)단계에서 경험된 작업 세트가 단일분포(single distribution)로부터 샘플링되어 관련 작업으로 구성되는 것으로 가정한다. Therefore, most meta-learning methods assume that the set of tasks experienced in the meta-training stage is sampled from a single distribution and composed of related tasks.

하지만 메타테스트(meta-test) 단계에서 새로운 작업이 학습범위(training distribution)를 벗어나면 성능이 저하되는 문제점이 있다. However, there is a problem in that performance decreases when a new task deviates from a training distribution in a meta-test stage.

이에 대하여, 한국공개특허공보 제10-2017-0138261호는 인공 신경망 모델 학습 방법 및 딥 러닝 시스템에 관한 것으로 최소값과 최대값이 정해져 있지 않은 특정한 데이터를 효율적으로 학습할 수 있도록 할 수 있을 뿐, 상술된 문제점을 해결하지 못한다. On the other hand, Korean Patent Publication No. 10-2017-0138261 relates to an artificial neural network model learning method and a deep learning system, so that it is possible to efficiently learn specific data in which minimum and maximum values are not determined. Problems cannot be solved.

따라서 상술된 문제점을 해결하기 위한 기술이 필요하게 되었다.Therefore, a technique for solving the above-described problem is needed.

한편, 전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.On the other hand, the above-mentioned background technology is the technical information acquired by the inventor for the derivation of the present invention or acquired in the derivation process of the present invention, and is not necessarily a known technology disclosed to the general public before filing the present invention. .

본 명세서에서 개시되는 실시예들은, 퓨샷분류(Few-shot classification)를 위한 일반적인 메타 러닝 방법의 제한사항인 새로운 작업에 대한 학습성능의 저하를 방지하는 앙상블가중치결정방법 및 장치를 제시하는데 목적이 있다.The embodiments disclosed herein are intended to provide an ensemble weight determination method and apparatus for preventing degradation of learning performance for a new task, which is a limitation of a general meta-learning method forew-shot classification. .

본 명세서에서 개시되는 실시예들은, 주어진 작업에 대해 최적의 메타학습장치들의 앙상블확률을 학습하는 앙상블가중치결정방법 및 장치를 제시하는데 목적이 있다. The embodiments disclosed herein are intended to provide an ensemble weight determination method and apparatus for learning the ensemble probability of optimal meta-learning apparatuses for a given task.

본 명세서에서 개시되는 실시예들은, 기초 메타학습장치(base meta-learners)가 작업-적응적으로 결정되는 앙상블가중치결정방법 및 장치를 제시하는데 목적이 있다.The embodiments disclosed herein are intended to provide a method and apparatus for determining ensemble weights in which base meta-learners are task-adaptively determined.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 메타학습장치에 대한 앙상블가중치를 결정하는 장치에 있어서, 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 표현형(feature representation)을 획득하는 표현형획득부, 상기 에피소드의 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 가중치계산부 및 상기 앙상블가중치를 기초로 학습을 수행하여 상기 장치의 파라미터를 설정하는 파라미터설정부를 포함할 수 있다.As a technical means for achieving the above-described technical problem, according to an embodiment, in an apparatus for determining an ensemble weight for a meta-learning apparatus, the phenotype of the episode from the meta-learning apparatus based on the episode representing the classification to which the task belongs A phenotype acquisition unit that acquires (feature representation), a weight calculation unit that calculates an ensemble weight value for the meta-learning device based on the expression type of the episode, and performs learning based on the ensemble weight value to set parameters of the device It may include a parameter setting unit.

다른 실시예에 따르면, 앙상블가중치결정장치가 메타학습장치에 대한 앙상블가중치를 결정하는 방법에 있어서, 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 표현형(feature representation)을 획득하는 단계, 상기 에피소드의 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 단계 및 상기 앙상블가중치를 기초로 학습을 수행하여 상기 앙상블가중치결정장치의 파라미터를 설정하는 단계를 포함할 수 있다.According to another embodiment, in a method of determining an ensemble weight value for a meta-learning apparatus, an ensemble weight determination apparatus obtains a feature representation of the episode from the meta-learning apparatus based on the episode representing the classification to which the task belongs. The method may include calculating an ensemble weight value for the meta-learning apparatus based on the phenotype of the episode, and setting parameters of the ensemble weight determination apparatus by performing learning based on the ensemble weight value.

또 다른 실시예에 따르면, 앙상블가중치결정방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체로서, 상기 앙상블가중치결정방법은, 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 표현형(feature representation)을 획득하는 단계, 상기 에피소드의 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 단계 및 상기 앙상블가중치를 기초로 학습을 수행하여 상기 앙상블가중치결정장치의 파라미터를 설정하는 단계를 포함할 수 있다.According to another embodiment, a computer-readable recording medium in which a program for performing an ensemble weight determination method is recorded, wherein the ensemble weight determination method is based on an episode representing a classification to which a task belongs, and the Obtaining a feature representation, calculating an ensemble weight value for the meta-learning device based on the expression of the episode, and performing learning based on the ensemble weight value to set parameters of the ensemble weight determination device It may include steps.

다른 실시예에 따르면, 메타학습장치에 의해 수행되며, 앙상블가중치결정방법을 수행하기 위해 기록매체에 저장된 컴퓨터프로그램으로서, 상기 앙상블가중치결정방법은, 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 표현형(feature representation)을 획득하는 단계, 상기 에피소드의 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 단계 및 상기 앙상블가중치를 기초로 학습을 수행하여 상기 앙상블가중치결정장치의 파라미터를 설정하는 단계를 포함할 수 있다.According to another embodiment, a computer program performed by a meta-learning device and stored in a recording medium to perform an ensemble weight determination method, wherein the ensemble weight determination method is based on an episode representing a classification to which a task belongs. Obtaining a feature representation of the episode from, calculating an ensemble weight for the meta-learning apparatus based on the expression of the episode, and performing learning based on the ensemble weight to determine the ensemble weight determination device. And setting parameters.

전술한 과제 해결 수단 중 어느 하나에 의하면, 퓨샷분류(Few-shot classification)를 위한 일반적인 메타 학습 시 새로운 작업에 대한 학습에 따른 학습성능 저하를 방지하는 앙상블가중치결정방법 및 장치를 제시할 수 있다. According to any one of the above-mentioned problem solving means, an ensemble weight determination method and apparatus for preventing degradation of learning performance due to learning for a new task in general meta learning for fu-shot classification can be presented.

전술한 과제 해결 수단 중 어느 하나에 의하면, 주어진 작업에 대해 최적의 메타학습장치들의 앙상블확률을 학습하는 앙상블가중치결정방법 및 장치를 제시할 수 있다. According to any one of the above-described problem solving means, an ensemble weight determination method and apparatus for learning the ensemble probability of optimal meta-learning apparatuses for a given task can be proposed.

전술한 과제 해결 수단 중 어느 하나에 의하면, 기본 메타학습장치들(base meta-learners)이 작업-적응적으로 결정되도록 함으로써 새로운 작업에 대한 학습 시에도 학습성능이 저하되지 않도록 하는 앙상블가중치결정방법 및 장치를 제시할 수 있다. According to any one of the above-described problem solving means, the base meta-learners (base meta-learners) by determining the task-adaptive ensemble weight determination method so that the learning performance does not degrade even when learning for a new task and Device can be presented.

개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The effects obtained in the disclosed embodiments are not limited to the above-mentioned effects, and other effects not mentioned are obvious to those skilled in the art to which the embodiments disclosed from the following description belong. Can be understood.

도 1은 일 실시예에 따른 기초 메타학습장치 및 앙상블가중치결정장치를 포함하는 네트워크 구조이다.
도 2는 일 실시예에 따른 앙상블가중치결정장치를 도시한 블록도이다.
도 3은 일 실시예에 따른 앙상블가중치결정방법을 설명하기 위한 순서도이다. 1 is a network structure including a basic meta-learning apparatus and an ensemble weighting apparatus according to an embodiment.
2 is a block diagram showing an ensemble weighting apparatus according to an embodiment.
3 is a flowchart illustrating a method for determining an ensemble weight according to an embodiment.

아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, various embodiments will be described in detail with reference to the accompanying drawings. The embodiments described below may be embodied in various different forms. In order to more clearly describe the features of the embodiments, detailed descriptions of the items well known to those of ordinary skill in the art to which the following embodiments pertain are omitted. In the drawings, parts irrelevant to the description of the embodiments are omitted, and like reference numerals are assigned to similar parts throughout the specification.

명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐 아니라, ‘그 중간에 다른 구성을 사이에 두고 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.Throughout the specification, when a component is "connected" to another component, this includes not only "directly connected" but also "connected with other components in between". In addition, when a configuration is said to "include" a configuration, this means that, unless specifically stated otherwise, it may mean that other configurations may be included as well.

이하 첨부된 도면을 참고하여 실시예들을 상세히 설명하기로 한다.Hereinafter, exemplary embodiments will be described in detail with reference to the accompanying drawings.

다만 이를 설명하기에 앞서, 아래에서 사용되는 용어들의 의미를 먼저 정의한다. However, before explaining this, the meanings of terms used below are defined first.

‘퓨샷분류(few-shot classification)’란 분류하고자 하는 클래스(class)의 학습 데이터가 매우 적을 때, 혹은 단 하나만 있을 때 분류하는 작업으로 이를 효율적으로 수행하고자 하는 방법론 및 학습 방식을 퓨샷학습법(few-shot classification)이라 한다. 'Few-shot classification' is a classification method when there is very little or only one training data of a class to be classified. -shot classification).

그리고 퓨샷분류는 원샷분류(one-shot classification)을 포함하는 개념으로 원샷분류라 함은 분류하고자 하는 클래스의 학습데이터가 단 하나만 있을 때, 새로운 데이터에 대해서 분류하는 작업이다.In addition, the pure-shot classification is a concept that includes one-shot classification. One-shot classification is the task of classifying new data when there is only one class of learning data to be classified.

이러한 퓨샷분류의 목적은 분류하고자 하는 쿼리세트(query set) Q의 예시(instance)를 라벨세트(label set)

Figure pat00001
에 매핑하는 함수
Figure pat00002
를 소수의 학습데이터만으로 분류하는 것이다. 특히, 퓨샷분류 중 N-way K-shot 분류는 일반적으로 N개의 클래스 각각에 K개의 학습데이터가 주어졌을 때 새로운 예시(instance)를 라벨세트인 N개의 클래수 중 하나의 클래스로 할당하는 작업이다. The purpose of this PUT shot classification is to label an instance of the query set Q to be classified.
Figure pat00001
Function to map to
Figure pat00002
Is classified as a small number of learning data. Particularly, N-way K-shot classification in the Pushot classification is a task of assigning a new instance to one of the N classes in the label set when K learning data is generally given to each of the N classes. .

이때, ‘쿼리세트’는 분류를 해야 할 예시를 그룹핑한 것이고, ‘서포트세트’는 쿼리에 포함된 예시가 분류되는 적어도 하나의 클래스에 대응되는 예시를 그룹핑한 것이다.At this time, 'query set' is a grouping of examples to be classified, and 'support set' is a grouping of examples corresponding to at least one class in which examples included in a query are classified.

그리고 ‘에피소드’는 작업에 대한 분류를 대표하는 데이터로 데이터세트에서 샘플링된 예시인 쿼리세트와 쿼리세트에 대응되는 예시를 포함하는 서포트세트의 묶음(tuple)이다. In addition, 'episode' is a data representing the classification of the work, and is a tuple of a support set including an example corresponding to the query set and a query set sampled from the data set.

‘메타학습장치(meta-learners)’는 에피소드를 입력값으로 하여 학습을 하는 인공신경망으로 실시예에 따라 프로토타입의 네트워크(prototypical network)가 학습장치로써 이용될 수 있다.'Meta-learners' are artificial neural networks that learn by using episodes as input values, and according to an embodiment, a prototype network may be used as a learning device.

위에 정의한 용어 이외에 설명이 필요한 용어는 아래에서 각각 따로 설명한다.In addition to the terms defined above, terms that require explanation will be described separately below.

도 1은 일 실시예에 따른 앙상블가중치결정장치(10)의 네트워크 구조이다.1 is a network structure of the ensemble weight determination device 10 according to an embodiment.

네트워크(100)는 기초 메타학습장치(1)와 기초 메타학습장치와 기초 메타학습장치에 대한 앙상블확률을 결정하여 학습하는 앙상블가중치결정장치(10)로 구성될 수 있다.The network 100 may be composed of a basic meta-learning device 1 and an ensemble weight determination device 10 for learning by determining an ensemble probability for the basic meta-learning device and the basic meta-learning device.

기초 메타학습장치(1)는 단일 데이터세트를 기초로 메타학습을 수행하는 인공신경망으로, 복수의 기초 학습장치로 구성될 수 있다. The basic meta-learning apparatus 1 is an artificial neural network that performs meta-learning based on a single dataset, and may be composed of a plurality of basic learning apparatuses.

그리고 앙상블가중치결정장치(10)는 주어진 작업에 대해 메타학습장치(meta-learners)를 구성하는 적어도 하나의 학습장치 중 최적의 기초 학습장치(base-learners)을 선택할 수 있도록 메타학습장치의 앙상블가중치를 결정하기 위해 학습을 할 수 있다. In addition, the ensemble weight determination device 10 ensembles the weight of the meta-learning device so as to select an optimal base-learners among at least one learning device constituting meta-learners for a given task. You can learn to decide.

앙상블가중치결정장치(10)는 네트워크(N)를 통해 기초 메타학습장치(1), 원격지의 서버에 접속하거나, 타 단말 및 서버와 연결 가능한 컴퓨터나 휴대용 단말기, 텔레비전, 웨어러블 디바이스(Wearable Device) 등으로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop)등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다. 나아가 웨어러블 디바이스는 예를 들어, 시계, 안경, 액세서리, 의복, 신발 등 인체에 직접 착용 가능한 타입의 정보처리장치로서, 직접 또는 다른 정보처리장치를 통해 네트워크를 경유하여 원격지의 서버에 접속하거나 타 단말과 연결될 수 있다.The ensemble weight determination device 10 is a basic meta-learning device 1 through a network N, a computer or a portable terminal, a television, a wearable device, or the like that can connect to a remote server or connect to other terminals and servers. Can be implemented as Here, the computer includes, for example, a laptop equipped with a web browser (WEB Browser), a desktop (desktop), a laptop (laptop), and the like, and the portable terminal is, for example, a wireless communication device that guarantees portability and mobility. , PCS (Personal Communication System), PDC (Personal Digital Cellular), PHS (Personal Handyphone System), PDA (Personal Digital Assistant), GSM (Global System for Mobile communications), IMT (International Mobile Telecommunication) -2000, CDMA (Code All kinds of handhelds such as Division Multiple Access (2000), W-Code Division Multiple Access (W-CDMA), Wireless Broadband Internet (Wibro), Smart Phone, Mobile Worldwide Interoperability for Microwave Access (WiMAX), etc. (Handheld) -based wireless communication device. In addition, the television may include Internet Protocol Television (IPTV), Internet Television (TV), terrestrial TV, and cable TV. Furthermore, the wearable device is a type of information processing device that can be directly worn on the human body, for example, a watch, glasses, accessories, clothing, shoes, etc., to connect to a remote server or other terminal through a network directly or through another information processing device. And can be connected.

이러한, 앙상블가중치결정장치(10)는 쿼리세트 Q 및 서포트세트 S 의 묶음으로 구성되는 에피소드가 기초 메타학습장치(1)

Figure pat00003
에 의해 임베딩(embedding)된 특징 표현형(feature representation)
Figure pat00004
을 단일 스칼라로 맵핑하는 복수 레이어로 구성될 수 있다. In this, the ensemble weight determination device 10 is composed of a set of query set Q and support set S, the episode is a basic meta-learning device 1
Figure pat00003
Feature representation embedded by
Figure pat00004
It may be composed of a plurality of layers that map to a single scalar.

실시예에 따라, 앙상블가중치결정장치(10)는 콘볼루션 인공신경망(convolutional neural network)으로 구현될 수 있으며, 전역평균풀링층(Global average pooling layer) 및 집적층(dense layer)인 두 개의 콘볼루션층을 포함할 수 있다. According to an embodiment, the ensemble weight determination device 10 may be implemented as a convolutional neural network, and has two convolutions: a global average pooling layer and a dense layer. It may include a layer.

이러한, 앙상블가중치결정장치(10)는 콘볼루션층을 통해 M개의 기초 학습장치에 임베딩된 에피소드

Figure pat00005
를
Figure pat00006
로 변환할 수 있다.The ensemble weight determination device 10 is an episode embedded in M basic learning devices through a convolution layer.
Figure pat00005
To
Figure pat00006
Can be converted to

M: 기초 학습장치의 수,

Figure pat00007
:스케일링 파라미터 M: Number of basic learning devices,
Figure pat00007
: Scaling parameters

즉, 앙상블가중치결정장치(10)는 프로토타입 네트워크인 m번째 기초 학습장치에 대한 잔차(residual)

Figure pat00008
를 쿼리에 따라 (1,N) 크기의 콘볼루션 필터에 의해 처리할 수 있다. 그리고 앙상블가중치결정장치(10)는 모든 쿼리의 벡터 평균을 계산하는 풀링층 이후의 채널 수를 감소시키기 위해 1 X 1 콘볼루션을 적용할 수 있으며, 마지막 집적층에서 기초 메타학습장치(1)에 대한 앙상블가중치(ensemble weight)(앙상블확률)를 생성할 수 있다.That is, the ensemble weight determination device 10 is a residual for the m-th basic learning device that is a prototype network.
Figure pat00008
Can be processed by a (1, N) size convolution filter according to the query. In addition, the ensemble weight determination device 10 may apply 1 X 1 convolution to reduce the number of channels after the pooling layer that calculates the vector average of all queries, and to the basic meta-learning device 1 in the last integrated layer. The ensemble weight (ensemble probability) can be generated.

이하에서는 앙상블가중치결정장치(10)의 각 구성부를 자세히 설명한다. Hereinafter, each component of the ensemble weight determination device 10 will be described in detail.

도 2는 앙상블가중치결정장치(10)의 각 구성부를 설명하기 위한 구성도이다. 도 2를 참조하면, 일 실시예에 따른 앙상블가중치결정장치(10)는, 입출력부(110), 제어부(120), 통신부(130) 및 메모리(140)를 포함할 수 있다.2 is a configuration diagram for explaining each component of the ensemble weight determination device 10. Referring to FIG. 2, the ensemble weight determination device 10 according to an embodiment may include an input / output unit 110, a control unit 120, a communication unit 130, and a memory 140.

입출력부(110)는 사용자로부터 입력을 수신하기 위한 입력부와, 작업의 수행 결과 또는 앙상블가중치결정장치(10)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 예를 들어, 입출력부(110)는 사용자 입력을 수신하는 조작 패널(operation panel) 및 화면을 표시하는 디스플레이 패널(display panel) 등을 포함할 수 있다.The input / output unit 110 may include an input unit for receiving an input from a user, and an output unit for displaying information such as a result of performing a job or a state of the ensemble weight determination device 10. For example, the input / output unit 110 may include an operation panel for receiving user input, a display panel for displaying the screen, and the like.

구체적으로, 입력부는 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 사용자 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 한정되지 않고 입출력부(110)는 다양한 입출력을 지원하는 구성을 포함할 수 있다.Specifically, the input unit may include devices capable of receiving various types of user input, such as a keyboard, a physical button, a touch screen, a camera, or a microphone. Also, the output unit may include a display panel or a speaker. However, the present invention is not limited thereto, and the input / output unit 110 may include a configuration supporting various input / output.

제어부(120)는 앙상블가중치결정장치(10)의 전체적인 동작을 제어하며, CPU 등과 같은 프로세서를 포함할 수 있다. 제어부(120)는 입출력부(110)를 통해 수신한 사용자 입력에 대응되는 동작을 수행하도록 앙상블가중치결정장치(10)에 포함된 다른 구성들을 제어할 수 있다.The control unit 120 controls the overall operation of the ensemble weight determination device 10, and may include a processor such as a CPU. The control unit 120 may control other components included in the ensemble weight determination device 10 to perform an operation corresponding to a user input received through the input / output unit 110.

예를 들어, 제어부(120)는 메모리(140)에 저장된 프로그램을 실행시키거나, 메모리(140)에 저장된 파일을 읽어오거나, 새로운 파일을 메모리(140)에 저장할 수도 있다.For example, the controller 120 may execute a program stored in the memory 140, read a file stored in the memory 140, or store a new file in the memory 140.

이러한 제어부(120)는 에피소드샘플링부(121), 표현형획득부(122), 가중치계산부(123) 및 파라미터설정부(124)로 구성될 수 있다. The control unit 120 may include an episode sampling unit 121, a phenotype acquisition unit 122, a weight calculation unit 123, and a parameter setting unit 124.

이에 앞서, 기초 메타학습장치(1)는 데이터세트 M에 기초하여 학습될 수 있다. Prior to this, the basic meta-learning device 1 can be learned based on the dataset M.

이때, 데이터세트 M은 2분류로 나뉠 수 있으며 기초 메타학습장치(1)의 학습 또는 앙상블가중치결정장치(10)에서 앙상블가중치 결정을 위한 학습에 이용될 수 있다. 다만, 클래스의 수가 부족한 데이터세트는 기초 메타학습장치(1)를 학습시키는 데만 이용될 수 있다. At this time, the data set M may be divided into two categories, and may be used for learning of the basic meta-learning device 1 or learning for determining the ensemble weight in the ensemble weight determination device 10. However, a data set with insufficient number of classes can be used only for learning the basic meta-learning device 1.

그리고 기초 메타학습장치(1)는 데이터세트 M을 이용한 학습을 통해 기초 메타학습장치(1)의 파라미터가 결정될 수 있다. In addition, the basic meta-learning apparatus 1 may determine parameters of the basic meta-learning apparatus 1 through learning using the dataset M.

즉, 제어부(120)는 각 데이터세트에 의해 학습된 기초 메타학습장치(1)

Figure pat00009
와 복수의 데이터세트
Figure pat00010
에 기초하여 앙상블가중치결정장치(10)의 파라미터
Figure pat00011
의 설정을 위한 학습을 수행할 수 있다. That is, the control unit 120 is a basic meta-learning device (1) learned by each data set
Figure pat00009
And multiple datasets
Figure pat00010
Based on the parameters of the ensemble weight determination device 10
Figure pat00011
You can perform learning for setting.

우선, 에피소드샘플링부(121)는 작업에 대한 분류를 나타내는 에피소드를 메타학습에 이용되는 데이터세트로부터 샘플링할 수 있다. First, the episode sampling unit 121 may sample the episode representing the classification of the work from the dataset used for meta-learning.

예를 들어, 에피소드샘플링부(121)는 복수의 데이터세트 중 어느 하나의 데이터세트를 랜덤하게 선택할 수 있고, 선택된 데이터세트에서 에피소드를 샘플링할 수 있다.For example, the episode sampling unit 121 may randomly select any one data set among a plurality of data sets, and sample the episode from the selected data set.

이때, 에피소드는 데이터세트에서 샘플링된 예시인 쿼리세트 Q(query set)와 서포트세트 S(support set)의 묶음으로 구성될 수 있다.In this case, the episode may be composed of a bundle of a query set Q (query set) and a support set S (support set), which are examples sampled from the data set.

그리고 표현형획득부(122)는 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 에피소드의 표현형(feature representation)을 획득할 수 있다. Also, the phenotype acquisition unit 122 may obtain a feature representation of the episode from the meta-learning device based on the episode representing the classification to which the work belongs.

이때 에피소드의 표현형은 아래와 같이 표현될 수 있다.At this time, the phenotype of the episode can be expressed as follows.

[수학식 1][Equation 1]

Figure pat00012
Figure pat00012

Figure pat00013
: 앙상블가중치결정장치, M: 학습장치의 수,
Figure pat00014
: 스케일 파라미터
Figure pat00013
: Ensemble weighting device, M: Number of learning devices,
Figure pat00014
: Scale parameter

Figure pat00015
: m번째 기초 학습장치
Figure pat00016
에 의해 임베딩된 쿼리세트 Q 및 서포트세트 S 의 특징 표현형
Figure pat00015
: mth basic learning device
Figure pat00016
Feature set of query set Q and support set S embedded by

이때, 에피소드의 특징 표현형

Figure pat00017
는 아래의 조건을 만족해야 한다.At this time, the characteristic phenotype of the episode
Figure pat00017
Must satisfy the following conditions.

조건 1. 에피소드 표현인자는 각 클래스(K)에서 예시의 수가 고정되어야 한다. 즉, 표현인자의 차원은 다양한 클래스와 동일해야 한다. Condition 1. The number of episodes in each class (K) must be fixed. In other words, the dimension of the expression factor must be the same as the various classes.

조건 2. 에피소드 표현인자는 연관된 데이터세트에 대해 학습된 기초 메타학습장치(1)로부터 효율적으로 획득 되야 한다. Condition 2. The episode expression factor must be obtained efficiently from the basic meta-learning apparatus 1 learned about the associated dataset.

실시예에 따라, 작업이 프로토타입의 세트 및 쿼리 간의 잔차(residual)로 표현될 수 있기 때문에 프로토타입의 네트워크(prototypical network)를 기초 학습장치로 이용할 수 있다. According to an embodiment, a prototype network can be used as a basic learning apparatus because a task can be expressed as a residual between a set of prototypes and a query.

이에 표현형획득부(122)는 쿼리세트 Q 및 서포트세트 S의 묶음인 에피소드를 이용하여 에피소드의 표현형을 아래와 같이 계산할 수 있다. Accordingly, the phenotype acquisition unit 122 may calculate the phenotype of the episode as follows using an episode that is a bundle of the query set Q and the support set S.

[수학식 2][Equation 2]

Figure pat00018
Figure pat00018

Figure pat00019
: 원소 곱,
Figure pat00019
: Element product,

Figure pat00020
: m번째 기초 학습장치의 에피소드 표현인자
Figure pat00020
: Episode expression factor of m-th basic learning device

Figure pat00021
,
Figure pat00022
: i 번째 쿼리의
Figure pat00023
차원 벡터, j번째 프로토타입(prototype)
Figure pat00021
,
Figure pat00022
: of the i th query
Figure pat00023
Dimension vector, j-th prototype

이러한 에피소드 표현인자는 클래스의 예시 수 K에 영향을 받지 않으며, m번째 프로토타입의 네트워크의 마지막 층(layer)으로부터 쉽게 획득될 수 있다. 이때, 기초 메타학습장치(1)는 불변 타입이기에 적응적 모델로 확장될 수 있다.This episode expression factor is not affected by the example number K of the class, and can be easily obtained from the last layer of the network of the m-th prototype. At this time, since the basic meta-learning apparatus 1 is an immutable type, it can be extended to an adaptive model.

그리고 가중치계산부(123)는 에피소드의 표현형에 기초하여 메타학습장치에 대한 가중치인 앙상블가중치를 계산할 수 있다. In addition, the weight calculator 123 may calculate an ensemble weight that is a weight for the meta-learning device based on the expression type of the episode.

즉, 각 쿼리의 예측된 클래스 확률의 누적인

Figure pat00024
표현되는 앙상블예측(ensemble prediction)은 아래와 같이 정의될 수 있다. That is, the cumulative of the predicted class probability of each query
Figure pat00024
The expressed ensemble prediction can be defined as follows.

[수학식 3][Equation 3]

Figure pat00025
Figure pat00025

Figure pat00026
: 에피소드E안의 q번째 쿼리의 M개의 기초 학습장치에 대한 앙상블가중치
Figure pat00026
: Ensemble weight for M basic learning devices of q-th query in episode E

이때,

Figure pat00027
는
Figure pat00028
의 가중된 콤비네이션(combination)으로 m번째 기초 학습장치의 예측된 클래스 확률이다. At this time,
Figure pat00027
The
Figure pat00028
The weighted combination of is the predicted class probability of the m-th basic learning device.

파라미터설정부(124)는 앙상블가중치를 기초로 학습을 수행하여 앙상블가중치결정장치(10)의 파라미터를 설정할 수 있다. The parameter setting unit 124 may set the parameters of the ensemble weight determination apparatus 10 by performing learning based on the ensemble weight.

이때, m번째 기초 메타학습장치(1)에서의 가중치는

Figure pat00029
에 의해 결정되며, 앙상블가중치결정장치(10)는 파라미터
Figure pat00030
로 구성(parameterized)될 수 있다. At this time, the weight in the m-th basic meta-learning device 1
Figure pat00029
Determined by, the ensemble weight determination device 10 is a parameter
Figure pat00030
It can be configured as (parameterized).

파라미터설정부(124)는 앙상블확률을 기초로 앙상블가중치결정장치(10)의 파라미터

Figure pat00031
를 결정하기 위한 목적함수(objective function)는 아래와 같이 표현될 수 있다. The parameter setting unit 124 is a parameter of the ensemble weight value determination device 10 based on the ensemble probability
Figure pat00031
The objective function for determining is can be expressed as follows.

[수학식 4][Equation 4]

Figure pat00032
Figure pat00032

D: 데이터세트의 분포, R: 단일 데이터세트 D: Distribution of dataset, R: Single dataset

E: 쿼리세트 및 서포트세트를 포함하는 에피소드 E: Episode including query set and support set

Figure pat00033
: 원핫벡터(one-hot vector)로 표현된 q번째 쿼리의 레이블의 n번째 항목
Figure pat00033
: The nth item of the label of the qth query expressed as a one-hot vector

Figure pat00034
: q번째 쿼리 앙상블예측의 n번째 항목
Figure pat00034
: nth item of the qth query ensemble prediction

즉, 파라미터설정부(124)는 교차 엔트로피 손실(cross entropy loss)을 실제 라벨(true label) 및 앙상블확률 사이의 에피소드에 적용할 수 있고, 앙상불가중치결정장치(10)의 파라미터

Figure pat00035
를 갱신(update)할 수 있다. That is, the parameter setting unit 124 can apply the cross entropy loss to the episode between the true label and the ensemble probability, and the parameter of the ensemble unweighted value determination device 10
Figure pat00035
Can be updated.

통신부(130)는 다른 디바이스 또는 네트워크와 유무선 통신을 수행할 수 있다. 이를 위해, 통신부(130)는 다양한 유무선 통신 방법 중 적어도 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들어, 통신 모듈은 칩셋(chipset)의 형태로 구현될 수 있다.The communication unit 130 may perform wired / wireless communication with other devices or networks. To this end, the communication unit 130 may include a communication module supporting at least one of various wired and wireless communication methods. For example, the communication module may be implemented in the form of a chipset.

통신부(130)가 지원하는 무선 통신은, 예를 들어 Wi-Fi(Wireless Fidelity), Wi-Fi Direct, 블루투스(Bluetooth), UWB(Ultra Wide Band) 또는 NFC(Near Field Communication) 등일 수 있다. 또한, 통신부(130)가 지원하는 유선 통신은, 예를 들어 USB 또는 HDMI(High Definition Multimedia Interface) 등일 수 있다.The wireless communication supported by the communication unit 130 may be, for example, Wi-Fi (Wireless Fidelity), Wi-Fi Direct, Bluetooth (Bluetooth), UWB (Ultra Wide Band), or NFC (Near Field Communication). In addition, the wired communication supported by the communication unit 130 may be, for example, USB or HDMI (High Definition Multimedia Interface).

메모리(140)에는 파일, 어플리케이션 및 프로그램 등과 같은 다양한 종류의 데이터가 설치 및 저장될 수 있다. 제어부(120)는 메모리(140)에 저장된 데이터에 접근하여 이를 이용하거나, 또는 새로운 데이터를 메모리(140)에 저장할 수도 있다. 또한, 제어부(120)는 메모리(140)에 설치된 프로그램을 실행할 수도 있다. Various types of data, such as files, applications, and programs, may be installed and stored in the memory 140. The controller 120 may access and use data stored in the memory 140, or may store new data in the memory 140. Also, the control unit 120 may execute a program installed in the memory 140.

도 3은 일 실시예에 따른 앙상블가중치결정방법을 설명하기 위한 순서도이다. 3 is a flowchart illustrating a method for determining an ensemble weight according to an embodiment.

도 3에 도시된 실시예에 따른 앙상블가중치결정방법은 도 1 및 도 2에 도시된 앙상블가중치결정장치(10)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1 및 도 2에 도시된 앙상블가중치결정장치(10)에 관하여 이상에서 기술한 내용은 도 3에 도시된 실시예에 따른 앙상블가중치결정방법에도 적용될 수 있다.The ensemble weight determination method according to the embodiment shown in FIG. 3 includes steps performed in time series in the ensemble weight determination apparatus 10 shown in FIGS. 1 and 2. Therefore, the contents described above with respect to the ensemble weight determination apparatus 10 shown in FIGS. 1 and 2 can be applied to the ensemble weight determination method according to the embodiment shown in FIG. 3 even though it is omitted below.

이에 앞서, 기초 메타학습장치(1)는 데이터세트에 기초하여 메타학습을 수행하여 각 기초 학습장치의 파라미터가 결정될 수 있다. Prior to this, the basic meta-learning apparatus 1 may perform meta-learning based on a data set, and parameters of each basic learning apparatus may be determined.

예를 들어, 앙상블가중치결정장치(10)는 데이터세트 M를 이용하여 기초 메타학습장치(1)를 학습시킬 수 있으며, 학습을 통해 각 기초 메타학습장치(1)의 파라미터가 설정되도록 할 수 있다.For example, the ensemble weight determination device 10 may train the basic meta-learning device 1 using the dataset M, and through the learning, parameters of each basic meta-learning device 1 may be set. .

이때, 주어진 데이터세트 M은 기초 메타학습장치(1) 및 앙상블가중치결정장치(10)를 학습시키기 위한 2개의 서브세트로 나뉠 수 있다. 특정 데이터세트의 클래스의 수가 부족하면, 데이터세트는 기초 메타학습장치(1)의 학습에만 사용될 수 있다. At this time, the given dataset M may be divided into two subsets for training the basic meta-learning apparatus 1 and the ensemble weighting apparatus 10. If the number of classes in a particular dataset is insufficient, the dataset can be used only for learning of the basic meta-learning device 1.

그리고 앙상블가중치결정장치(10)는 작업에 대한 분류를 나타내는 에피소드를 메타학습에 필요한 데이터세트로부터 샘플링할 수 있다(S3001). In addition, the ensemble weight determination device 10 may sample the episode representing the classification of the work from the data set necessary for meta-learning (S3001).

즉, 앙상블가중치결정장치(10)는 복수의 데이터세트 중 어느 하나의 데이터세트를 선택하고, 선택된 데이터세트에서 상기 에피소드를 샘플링할 수 있다. That is, the ensemble weight value determining device 10 may select any one data set from among a plurality of data sets and sample the episode from the selected data set.

예를 들어, 앙상블가중치결정장치(10)는 G개의 데이터세트로부터 랜덤하게 단일 데이터세트를 추출할 수 있고, 추출된 단일 데이터세트로부터 에피소드를 샘플링할 수 있다. For example, the ensemble weight determination apparatus 10 may extract a single data set randomly from G data sets, and sample an episode from the extracted single data set.

그리고 앙상블가중치결정장치(10)는 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 에피소드의 표현형(feature representation)을 획득할 수 있다(S3002).In addition, the ensemble weight determination device 10 may obtain a feature representation of the episode from the meta-learning device based on the episode indicating the classification to which the work belongs (S3002).

예를 들어, 앙상블가중치결정장치(10)는 기초 메타학습장치(1)에 에피소드를 임베딩하여 에피소드를 구성하는 쿼리세트 Q 및 서포트세트 S의 특징 표현형을 획득할 수 있다. For example, the ensemble weight determining device 10 may embed an episode in the basic meta-learning device 1 to obtain a feature expression of query set Q and support set S constituting the episode.

이후, 앙상블가중치결정장치(10)는 에피소드의 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산할 수 있다(S3003). Subsequently, the ensemble weight determination device 10 may calculate the ensemble weight value for the meta-learning apparatus based on the phenotype of the episode (S3003).

예를 들어, 앙상블가중치결정장치(10)는 앙상블가중치를 계산하기 위해 에피소드가 입력된 메타학습장치(1)로부터 임베딩된 에피소드의 특징 표현형을 앙상블가중치결정장치(10)을 구성하는 작업적응형 네트워크인 콘볼루션 층에 입력할 수 있다. For example, the ensemble weight determining device 10 is a work adaptive network that configures the feature expression type of the episode embedded from the meta-learning device 1 in which the episode is input to calculate the ensemble weight value, and the ensemble weight determining device 10. It can be entered in the convolution layer.

그리고 앙상블가중치결정장치(10)는 앙상블가중치를 기초로 학습을 수행하여 앙상블가중치결정장치의 파라미터를 설정할 수 있다(S3004).In addition, the ensemble weight determination device 10 may set parameters of the ensemble weight determination device by performing learning based on the ensemble weight value (S3004).

즉, 앙상블가중치결정장치(10)는 기 학습된 기초 학습장치 M으로부터 기초 학습장치에 임베딩된 에피소드의 특징 표현형

Figure pat00036
을 획득할 수 있고, 앙상블확률 및 에피소드에서 샘플링된 쿼리의 라벨 사이에서 최소화된 교차 엔트로피에 의해 앙상블가중치결정장치(10)가 학습될 수 있다. 이를 수식으로 나타내면 아래와 같다.That is, the ensemble weight determination device 10 is a feature expression type of an episode embedded in a basic learning device from a previously learned basic learning device M
Figure pat00036
Can be obtained, and the ensemble weight determination device 10 can be trained by the cross entropy minimized between the ensemble probability and the label of the query sampled in the episode. The formula is as follows.

[수학식 5][Equation 5]

Figure pat00037
Figure pat00037

Figure pat00038
: 앙상블가중치결정장치의 파라미터,
Figure pat00039
: 학습률
Figure pat00038
: Parameter of the ensemble weight determination device,
Figure pat00039
: Learning rate

이상의 실시예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램특허 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다.The term '~ unit' used in the above embodiments means software or hardware components such as a field programmable gate array (FPGA) or an ASIC, and '~ unit' performs certain roles. However, '~ wealth' is not limited to software or hardware. The '~ unit' may be configured to be in an addressable storage medium or may be configured to reproduce one or more processors. Thus, as an example, '~ unit' refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, attributes, procedures, Includes subroutines, segments of programmatic code, drivers, firmware, microcode, circuitry, data, database, data structures, tables, arrays, and variables.

구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로부터 분리될 수 있다.The functions provided within the components and '~ units' may be combined into a smaller number of components and '~ units', or separated from additional components and '~ units'.

뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다.In addition, components and '~ units' may be implemented to play one or more CPUs in a device or a secure multimedia card.

도 3을 통해 설명된 실시예에 따른 앙상블가중치결정방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함할 수 있다.예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.The ensemble weight determination method according to the embodiment described with reference to FIG. 3 may also be implemented in the form of a computer-readable medium that stores instructions and data executable by a computer. At this time, instructions and data may be stored in the form of program code, and when executed by a processor, a predetermined program module may be generated to perform a predetermined operation. In addition, the computer-readable medium can be any available medium that can be accessed by a computer, and includes both volatile and nonvolatile media, removable and non-removable media. In addition, the computer-readable medium may be a computer recording medium, which is implemented in any method or technology for storage of information such as computer-readable instructions, data structures, program modules, or other data. It can include both volatile, removable and non-removable media. For example, computer recording media are magnetic storage media such as HDDs and SSDs, optical recording media such as CDs, DVDs and Blu-ray Discs, or are accessible over a network. It may be a memory included in the server.

또한 도 3을 통해 설명된 실시예에 따른 앙상블가중치결정방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다. Also, the ensemble weight determination method according to the embodiment described with reference to FIG. 3 may be implemented as a computer program (or computer program product) including instructions executable by a computer. The computer program includes programmable machine instructions processed by a processor and may be implemented in a high-level programming language, object-oriented programming language, assembly language, or machine language. . In addition, the computer program may be recorded on a tangible computer-readable recording medium (eg, memory, hard disk, magnetic / optical medium, or solid-state drive (SSD), etc.).

따라서 도 3을 통해 설명된 실시예에 따른 앙상블가중치결정방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다. Therefore, the ensemble weight determination method according to the embodiment described with reference to FIG. 3 may be implemented by executing a computer program as described above by a computing device. The computing device may include at least some of a processor, a memory, a storage device, a high-speed interface connected to the memory and a high-speed expansion port, and a low-speed interface connected to the low-speed bus and the storage device. Each of these components is connected to each other using various buses, and can be mounted on a common motherboard or mounted in other suitable ways.

여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다. Here, the processor is capable of processing instructions within the computing device, such as to display graphical information for providing a graphical user interface (GUI) on an external input or output device, such as a display connected to a high-speed interface. Examples are commands stored in memory or storage devices. In other embodiments, multiple processors and / or multiple buses may be used in conjunction with multiple memories and memory types as appropriate. Also, the processor may be implemented as a chipset formed by chips including a plurality of independent analog and / or digital processors.

또한 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다. Memory also stores information within computing devices. In one example, the memory may consist of volatile memory units or a collection thereof. As another example, the memory may consist of non-volatile memory units or a collection thereof. The memory may also be other types of computer readable media, such as magnetic or optical disks.

그리고 저장장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다. And the storage device can provide a large storage space for the computing device. The storage device may be a computer-readable medium or a configuration including such a medium, and may include, for example, devices within a storage area network (SAN) or other configurations, and may include floppy disk devices, hard disk devices, optical disk devices, Or a tape device, flash memory, or other similar semiconductor memory device or device array.

상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The above-described embodiments are for illustration only, and those having ordinary knowledge in the technical field to which the above-described embodiments belong can easily be modified into other specific forms without changing the technical idea or essential features of the above-described embodiments. You will understand. Therefore, it should be understood that the above-described embodiments are illustrative in all respects and not restrictive. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.

본 명세서를 통해 보호 받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.The scope to be protected through the present specification is indicated by the claims, which will be described later, rather than the detailed description, and should be interpreted to include all modified or modified forms derived from the meaning and scope of the claims and equivalent concepts thereof. .

100: 네트워크
1: 메타학습장치
10: 앙상블가중치결정장치
110: 입출력부
120: 제어부
121: 에피소드샘플링부 122: 표현형획득부
123: 가중치계산부 124: 파라미터설정부
130: 통신부
140: 메모리100: network
1: Meta learning device
10: Ensemble weight determination device
110: input and output unit
120: control unit
121: episode sampling unit 122: phenotype acquisition unit
123: weight calculation unit 124: parameter setting unit
130: communication unit
140: memory

Claims (10)

메타학습장치에 대한 앙상블가중치를 결정하는 장치에 있어서,
작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 표현형(feature representation)을 획득하는 표현형획득부;
상기 에피소드의 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 가중치계산부; 및
상기 앙상블가중치를 기초로 학습을 수행하여 상기 장치의 파라미터를 설정하는 파라미터설정부를 포함하는, 앙상블가중치결정장치.A device for determining the ensemble weight for a meta-learning device,
A phenotype acquisition unit that acquires a feature representation of the episode from the meta-learning device based on the episode representing the classification to which the work belongs;
A weight calculator for calculating an ensemble weight value for the meta-learning device based on the phenotype of the episode; And
And a parameter setting unit configured to set parameters of the apparatus by performing learning based on the ensemble weight value. 제 1 항에 있어서,
상기 앙상블가중치결정장치는,
복수의 데이터세트 중 어느 하나의 데이터세트를 선택하고, 선택된 데이터세트에서 상기 에피소드를 샘플링하는 에피소드샘플링부를 더 포함하는, 앙상블가중치결정장치.According to claim 1,
The ensemble weight determination device,
An ensemble weight determination device further comprising an episode sampling unit for selecting any one of a plurality of data sets and sampling the episode from the selected data set. 제 1 항에 있어서,
상기 가중치계산부는,
상기 에피소드가 입력된 상기 메타학습장치로부터 획득되는 쿼리세트 및 서포트세트에 대한 특징 표현형을 기초로 상기 앙상블확률을 계산하는, 앙상블가중치결정장치. According to claim 1,
The weight calculation unit,
An ensemble weight determination device for calculating the ensemble probability based on a feature expression for query sets and support sets obtained from the meta-learning device in which the episode is input. 제 1 항에 있어서,
상기 파라미터설정부는,
상기 앙상블확률 및 상기 엔트로피의 쿼리가 속하는 클래스에 대응되는 라벨 간의 교차 엔트로피를 최소화하는 상기 파라미터를 설정하는, 앙상블가중치결정장치.According to claim 1,
The parameter setting unit,
An ensemble weight determination device for setting the parameter to minimize the cross entropy between the ensemble probability and the label corresponding to the class to which the entropy query belongs. 앙상블가중치결정장치가 메타학습장치에 대한 앙상블가중치를 결정하는 방법에 있어서,
작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 표현형(feature representation)을 획득하는 단계;
상기 에피소드의 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 단계; 및
상기 앙상블가중치를 기초로 학습을 수행하여 상기 앙상블가중치결정장치의 파라미터를 설정하는 단계를 포함하는, 앙상블가중치결정방법. In the method for determining the ensemble weight value for the meta-learning device, the ensemble weight determination device,
Obtaining a feature representation of the episode from the meta-learning device based on the episode representing the classification to which the work belongs;
Calculating an ensemble weight value for the meta-learning device based on the phenotype of the episode; And
And setting a parameter of the ensemble weight determination device by performing learning based on the ensemble weight value. 제 5 항에 있어서,
상기 앙상블가중치결정방법은,
복수의 데이터세트 중 어느 하나의 데이터세트를 선택하고, 선택된 데이터세트에서 상기 에피소드를 샘플링하는 단계를 더 포함하는, 앙상블가중치결정방법.The method of claim 5,
The ensemble weighting method,
A method of determining an ensemble weight, further comprising the step of selecting any one of a plurality of datasets and sampling the episode from the selected dataset. 제 5 항에 있어서,
상기 앙상블확률을 계산하는 단계는,
상기 에피소드가 입력된 상기 메타학습장치로부터 획득되는 쿼리세트 및 서포트세트의 특징 표현형을 기초로 상기 앙상블확률을 계산하는 단계를 포함하는, 앙상블가중치결정방법.The method of claim 5,
Computing the ensemble probability,
And calculating the ensemble probability based on the feature phenotype of the query set and the support set obtained from the meta-learning device in which the episode is input. 제 5 항에 있어서,
상기 앙상블가중치결정장치의 파라미터를 설정하는 단계는,
상기 앙상블확률 및 상기 엔트로피의 쿼리가 속하는 클래스에 대응되는 라벨 간의 교차 엔트로피를 최소화하는 파라미터를 계산하는 단계를 포함하는, 앙상블가중치결정방법.The method of claim 5,
The step of setting the parameters of the ensemble weight determination device,
And calculating a parameter for minimizing the cross entropy between the ensemble probability and a label corresponding to a class to which the entropy query belongs. 제 5 항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.A computer-readable recording medium on which a program for performing the method according to claim 5 is recorded. 앙상블가중치결정장치에 의해 수행되며, 제 5 항에 기재된 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램.
A computer program carried out by an ensemble weight determination device and stored in a medium to perform the method according to claim 5.
KR1020180140384A 2018-11-15 2018-11-15 Method and apparatus for deciding ensemble weight about base meta learner KR102228196B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180140384A KR102228196B1 (en) 2018-11-15 2018-11-15 Method and apparatus for deciding ensemble weight about base meta learner

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180140384A KR102228196B1 (en) 2018-11-15 2018-11-15 Method and apparatus for deciding ensemble weight about base meta learner

Publications (2)

Publication Number Publication Date
KR20200057832A true KR20200057832A (en) 2020-05-27
KR102228196B1 KR102228196B1 (en) 2021-03-16

Family

ID=70910796

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180140384A KR102228196B1 (en) 2018-11-15 2018-11-15 Method and apparatus for deciding ensemble weight about base meta learner

Country Status (1)

Country Link
KR (1) KR102228196B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095440A (en) * 2020-09-01 2021-07-09 电子科技大学 Training data generation method based on metalearner and causal effect heterogeneous reaction difference estimation method
WO2022009275A1 (en) * 2020-07-06 2022-01-13 日本電信電話株式会社 Training method, training device, and program

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101828503B1 (en) * 2017-08-23 2018-03-29 주식회사 에이젠글로벌 Apparatus and method for generating ensemble model
KR20180044295A (en) * 2015-08-25 2018-05-02 퀄컴 인코포레이티드 How to improve the performance of a trained machine learning model
US20180293723A1 (en) * 2017-04-11 2018-10-11 Electronics And Telecommunications Research Institute Apparatus and method for detecting anomaly in plant pipe using multiple meta-learning
KR20180120967A (en) * 2017-04-28 2018-11-07 서울대학교산학협력단 Method and apparatus for data quantization for neural network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180044295A (en) * 2015-08-25 2018-05-02 퀄컴 인코포레이티드 How to improve the performance of a trained machine learning model
US20180293723A1 (en) * 2017-04-11 2018-10-11 Electronics And Telecommunications Research Institute Apparatus and method for detecting anomaly in plant pipe using multiple meta-learning
KR20180120967A (en) * 2017-04-28 2018-11-07 서울대학교산학협력단 Method and apparatus for data quantization for neural network
KR101828503B1 (en) * 2017-08-23 2018-03-29 주식회사 에이젠글로벌 Apparatus and method for generating ensemble model

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022009275A1 (en) * 2020-07-06 2022-01-13 日本電信電話株式会社 Training method, training device, and program
CN113095440A (en) * 2020-09-01 2021-07-09 电子科技大学 Training data generation method based on metalearner and causal effect heterogeneous reaction difference estimation method
CN113095440B (en) * 2020-09-01 2022-05-17 电子科技大学 Training data generation method based on metalearner and causal effect heterogeneous reaction difference estimation method

Also Published As

Publication number Publication date
KR102228196B1 (en) 2021-03-16

Similar Documents

Publication Publication Date Title
US11030522B2 (en) Reducing the size of a neural network through reduction of the weight matrices
CN110458107B (en) Method and device for image recognition
CN108229667B (en) Trimming based on artificial neural network classification
KR102277172B1 (en) Apparatus and method for selecting artificaial neural network
US11157780B2 (en) Model-based analysis in a relational database
KR102415214B1 (en) Method and apparatus for outlier-aware accelerating neural networks
KR102034661B1 (en) Method and apparatus for data quantization for neural network
US11630984B2 (en) Method and apparatus for accelerating data processing in neural network
US20220245424A1 (en) Microgenre-based hyper-personalization with multi-modal machine learning
KR20210125902A (en) Method and apparatus for searching video segment
KR20190023547A (en) Method and system of attention memory for locating an object through visual dialogue
KR102228196B1 (en) Method and apparatus for deciding ensemble weight about base meta learner
US20240005157A1 (en) Methods and systems for unstructured pruning of a neural network
CN110992198A (en) Crop disease control scheme recommendation method, device, system, equipment and medium
US20190303477A1 (en) Excluding search results based on relevance
CN115470190A (en) Multi-storage-pool data classification storage method and system and electronic equipment
EP4020323A1 (en) Methods, apparatus, and articles of manufacture for interactive image segmentation
KR101945918B1 (en) Neural network execution apparatus for memory write reduction and method thereof
US11829890B2 (en) Automated machine learning: a unified, customizable, and extensible system
KR20220056004A (en) Electronic device and Method for controlling the electronic device thereof
KR102082430B1 (en) Apparatus and method for detecting medicinal products
KR102086043B1 (en) Data analysis method and apparatus for sparse data
KR20220148734A (en) Apparatus and method for searching task adaptive neural network based on meta contrastive learning
US11422735B2 (en) Artificial intelligence-based storage monitoring
US20240070197A1 (en) Method and apparatus for providing user interface for video retrieval

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant