KR20200129639A - 모델 학습 방법 및 장치 - Google Patents

모델 학습 방법 및 장치 Download PDF

Info

Publication number
KR20200129639A
KR20200129639A KR1020190054350A KR20190054350A KR20200129639A KR 20200129639 A KR20200129639 A KR 20200129639A KR 1020190054350 A KR1020190054350 A KR 1020190054350A KR 20190054350 A KR20190054350 A KR 20190054350A KR 20200129639 A KR20200129639 A KR 20200129639A
Authority
KR
South Korea
Prior art keywords
model
data
output data
student
teacher
Prior art date
Application number
KR1020190054350A
Other languages
English (en)
Inventor
김호경
강효형
나휘동
이호식
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190054350A priority Critical patent/KR20200129639A/ko
Priority to US16/549,236 priority patent/US11244671B2/en
Publication of KR20200129639A publication Critical patent/KR20200129639A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Machine Translation (AREA)

Abstract

모델 학습 방법 및 장치이 개시된다. 개시된 모델 학습 방법은 제1 입력 데이터에 대한 학생 모델의 제1 출력 데이터 및 제2 입력 데이터에 대한 교사 모델의 제2 출력 데이터를 획득하고, 상기 제1 출력 데이터 및 상기 제2 출력 데이터가 서로 구분되지 않도록 상기 학생 모델을 학습시킨다. 학생 모델 및 상기 교사 모델은 서로 다른 구조를 가진다.

Description

모델 학습 방법 및 장치{MODEL TRAINING METHOD AND APPARATUS, AND DATA RECOGNIZING METHOD}
아래 실시예들은 모델 학습 방법 및 장치에 관한 것이다.
최근 들어, 효율적이고 높은 정확도의 패턴 인식이 컴퓨터에서 수행될 수 있도록 하는 연구가 활발히 진행되고 있다. 이러한 연구 중 하나로, 수학적 표현을 사용하여 패턴 인식 특성을 모델링하여 얻은 인공 뉴럴 네트워크(artificial neural network)에 대한 연구가 있다. 패턴 인식 문제를 해결하기 위해 인공 뉴럴 네트워크는 학습 능력을 모방한 알고리즘을 이용한다. 인공 뉴럴 네트워크는 이 알고리즘을 이용하여 입력 패턴과 출력 패턴 간의 사상(mapping)을 생성해낼 수 있는데, 이를 인공 뉴럴 네트워크가 학습 능력이 있다고 표현한다. 또한, 인공 뉴럴 네트워크는 학습된 결과에 기초하여 학습에 이용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성해 낼 수 있는 일반화 능력을 가지고 있다.
또한, 이러한 인공 뉴럴 네트워크의 사이즈를 소형화시키면서도 인식률의 감소를 최소화하려는 연구가 진행되고 있다.
일실시예에 따른 모델 학습 방법은 제1 입력 데이터에 대한 학생 모델의 제1 출력 데이터 및 제2 입력 데이터에 대한 교사 모델의 제2 출력 데이터를 획득하는 단계; 및 상기 제1 출력 데이터 및 상기 제2 출력 데이터가 서로 구분되지 않도록 상기 학생 모델을 학습시키는 단계를 포함하고, 상기 학생 모델 및 상기 교사 모델은 서로 다른 구조를 가진다.
일실시예에 따른 모델 학습 방법에서 상기 학생 모델 및 상기 교사 모델은 서로 다른 태스크(task)를 처리할 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 제1 입력 데이터 및 상기 제2 입력 데이터는 서로 다른 타입의 데이터일 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 제1 입력 데이터 및 상기 제2 입력 데이터는 비 레이블 데이터(unlabeled data)일 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 학생 모델을 학습시키는 단계는 상기 제1 출력 데이터 및 상기 제2 출력 데이터가 구분 모델(Discriminator model)에 의해 서로 구분되지 않도록 상기 학생 모델을 학습시키고, 상기 구분 모델은 상기 제1 출력 데이터 및 상기 제2 출력 데이터를 서로 구분하도록 학습될 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 제1 출력 데이터 및 상기 제2 출력 데이터는 서로 동일 타입의 데이터일 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 학생 모델은 음성 인식 모델이고, 상기 교사 모델은 특정 도메인에 특화된 표현으로 텍스트 데이터를 출력하는 언어 모델(language model)일 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 제1 입력 데이터, 상기 제2 입력 데이터, 상기 제1 출력 데이터 및 상기 제2 출력 데이터는 시퀀스 데이터일 수 있다.
일실시예에 따른 모델 학습 방법에서 상기 학생 모델을 학습시키는 단계는 상기 제1 출력 데이터 및 상기 제2 출력 데이터가 서로 구별되는 정도에 기초한 적대 로스(adversarial loss)를 결정하고, 상기 적대 로스가 감소되도록 상기 학생 모델을 학습시킬 수 있다.
일실시예에 따른 모델 학습 장치는 제1 입력 데이터에 대한 학생 모델의 제1 출력 데이터 및 제2 입력 데이터에 대한 교사 모델의 제2 출력 데이터를 획득하고, 상기 제1 출력 데이터 및 상기 제2 출력 데이터가 서로 구분되지 않도록 상기 학생 모델을 학습시키는 프로세서; 및 상기 학생 모델의 파라미터를 저장하는 메모리를 포함하고, 상기 학생 모델 및 상기 교사 모델은 서로 다른 구조를 가진다.
도 1은 일실시예에 따라 학생 모델과 교사 모델을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 교사 모델 및 학생 모델의 예시로서 뉴럴 네트워크를 설명하는 도면이다.
도 3 내지 도 5는 일실시예에 따라 학생 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 모델 학습 방법을 나타낸 도면이다.
도 7은 일실시예에 따른 데이터 인식 방법을 나타낸 도면이다.
도 8은 일실시예에 따른 신경망 기반의 데이터 처리 장치를 나타낸 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 아래의 특정한 구조적 내지 기능적 설명들은 단지 실시예들을 설명하기 위한 목적으로 예시된 것으로, 실시예의 범위가 본문에 설명된 내용에 한정되는 것으로 해석되어서는 안된다. 관련 기술 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타내며, 공지된 기능 및 구조는 생략하도록 한다.
도 1은 일실시예에 따라 학생 모델과 교사 모델을 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 학생 모델(110) 및 교사 모델(120)이 도시된다.
일실시예에 따른 일실시예에 따른 학생 모델(110) 및 교사 모델(120)은 서로 다른 사이즈의 뉴럴 네트워크들로서, 교사 모델(120)에 기초하여 학생 모델(110)이 학습될 수 있다. 뉴럴 네트워크는 연결선으로 연결된 많은 수의 인공 뉴런들을 이용한 인식 모델일 수 있다.
교사 모델(120)은 인식하고자 하는 대상 데이터로부터 추출된 충분히 많은 특징들을 이용하여 높은 정확도로 대상 데이터를 인식하는 모델로서, 학생 모델(110)보다 큰 사이즈를 가진다. 예를 들어, 교사 모델(120)은 학생 모델(110)보다 많은 레이어들, 많은 노드들 또는 이들의 조합으로 구성될 수 있다.
학생 모델(110)은 교사 모델(120)보다 작은 사이즈의 뉴럴 네트워크로서, 작은 사이즈로 인해 교사 모델(120)보다 메모리 사용량이 작고, 인식 속도가 빠르다. 학생 모델(110)은 교사 모델(120)의 높은 정확도의 인식 능력을 모방하도록 학습될 수 있다. 각 모델에서 출력되는 출력 데이터는 해당 모델에서 출력되는 로직 값(value of logit), 확률 값 등일 수 있다.
학생 모델(110) 및 교사 모델(120)은 서로 다른 구조(예컨대, 지식 구조)를 가지는 뉴럴 네트워크이다. 학생 모델(110) 및 교사 모델(120)은 서로 상이한 태스크를 처리할 수 있다. 예를 들어, 학생 모델(110)은 음성 인식 모델이고, 교사 모델(120)은 언어 모델일 수 있다. 음성 인식 모델은 입력되는 음성 데이터를 변환하여 텍스트 데이터로 출력하는 모델이고, 언어 모델은 어떤 문장이 실제로 존재할 확률 또는 얼마나 자연스러운지를 측정하는 모델일 수 있다. 예를 들어, 언어 모델은 주어진 문장이 문법적으로나 의미적으로 어느 정도 올바른지 측정하여 스코어를 매길 수 있고, 주어진 단어 또는 문장을 기초로 그 다음에 올 수 있는 단어를 추정하여 새로운 문장을 생성할 수 있다.
또한, 학생 모델(110) 및 교사 모델(120)에 각각 입력되는 입력 데이터들 x1, x2도 서로 다른 타입일 수 있다. 예를 들어, 학생 모델(110)에 입력되는 제1 입력 데이터 x1는 음성 데이터인 반면, 교사 모델(120)에 입력되는 제2 입력 데이터 x2는 텍스트 데이터일 수 있다. 또한, 입력 데이터들 x1, x2은 비 레이블 데이터일 수 있다. 다시 말해, 입력 데이터들 x1, x2의 정답 레이블이 없는 데이터일 수 있다.
입력 데이터들 x1, x2는 복수의 엘리먼트들을 포함하는 시퀀스 데이터일 수 있다. 예를 들어, 시퀀스 데이터는 복수의 단어들을 포함하는 문장 데이터 또는 복수의 프레임들을 포함하는 음성 데이터를 포함할 수 있다. 여기서, 문장 데이터는 복수의 단어들로 구성된 텍스트 데이터로도 지칭될 수 있으며, 프레임은 음성 데이터가 일정 길이(예컨대, 프레임 단위)로 샘플링된 데이터를 나타낼 수 있다.
도 1에서, pg(y)는 학생 모델(110)에서 출력되는 확률분포를 나타내고, pT(y)는 교사 모델(120)에서 출력되는 확률분포를 나타낸다. y1는 학생 모델(110)의 확률분포 pg(y)에서 가장 높은 확률로 샘플링된 데이터를 나타내고, y2는 교사 모델(120)의 확률분포 pT(y)에서 가장 높은 확률로 샘플링된 데이터를 나타낸다. 학생 모델(110) 및 교사 모델(120) 각각에서 샘플링된 출력 데이터 y1, y2는 서로 동일 타입의 데이터일 수 있다. 예를 들어, 출력 데이터 y1, y2는 텍스트 데이터일 수 있다. 도 1에서
Figure pat00001
는 학생 모델(110)의 파라미터들을 나타낼 수 있다.
일실시예에 따르면, 언어 모델에 해당하는 교사 모델(120)을 이용하여 음성 인식 모델에 해당하는 학생 모델(110)을 학습시킴으로써, 교사 모델(120)과 같은 자연스러운 문장을 음성 인식 결과로 출력하도록 학생 모델(110)이 학습될 수 있다. 이를 통해, 음성 인식 모델뿐만 아니라 언어 모델의 역할을 모두 수행하는 학생 모델(110)이 얻어질 수 있다. 이로써, 빠른 테스트 시간(fast inference time)과 높은 인식 정확도(accurate recognition performance)의 음성 인식 모델이 기대될 수 있다.
이처럼, 교사 모델(120)을 이용하여 학생 모델(110)을 학습시키는 방식을 모델 경량화(model compression)라고 지칭하며, 이 때 교사 모델(120)은 학습되지 않고 고정(fixed)된다. 학생 모델(110)의 학습 방법에 대해서 아래 도면들을 참조하여 상세히 설명한다.
도 2는 일실시예에 따른 교사 모델 및 학생 모델의 예시로서 뉴럴 네트워크를 설명하는 도면이다.
일실시예에 따르면, 학생 모델(110) 및 교사 모델(120)은 서로 다른 사이즈의 뉴럴 네트워크들일 수 있다. 뉴럴 네트워크에 기초하여 데이터를 인식하는 방법 및 장치가 제안되고, 해당 뉴럴 네트워크를 학습시키는 방법 및 장치가 제안될 수 있다. 본 명세서에서, 인식(recognition)은 검증(verification) 및/또는 식별(identification) 등을 포함할 수 있다. 검증은 입력 데이터가 참인지 거짓인지를 판단하는 동작을 나타낼 수 있고, 식별은 복수의 레이블들 중 입력 데이터가 지시하는 레이블(label)을 판단하는 동작을 나타낼 수 있다. 예를 들어, 뉴럴 네트워크는 시퀀스를 입력 받아 번역, 통역, 음성 인식 등을 수행하는 모델일 수 있다.
일실시예에 따르면, 뉴럴 네트워크(200)는 복수의 노드들로 구성되는 복수의 레이어들을 포함할 수 있다. 또한, 뉴럴 네트워크(200)는 복수의 레이어들의 각각에 포함된 복수의 노드들을 다른 레이어에 포함된 노드로 연결시키는 연결 가중치들을 포함할 수 있다.
예를 들어, 뉴럴 네트워크(200)는 입력 레이어(input layer)(210), 히든 레이어(hidden layer)(220), 출력 레이어(output layer)(230)를 포함할 수 있다. 입력 레이어(210)는 학습 또는 인식을 수행하기 위한 입력을 수신하여 히든 레이어(220)로 전달할 수 있고, 출력 레이어(230)는 히든 레이어(220)로부터 수신한 신호에 기초하여 뉴럴 네트워크(200)의 출력을 생성할 수 있다. 히든 레이어(220)는 입력 레이어(210)와 출력 레이어(230) 사이에 위치하고, 입력 레이어(210)를 통해 전달된 데이터를 예측하기 쉬운 값으로 변화시킬 수 있다.
입력 레이어(210)에 포함된 입력 노드들과 히든 레이어(220)에 포함된 히든 노드들은 연결 가중치를 가지는 연결선들을 통해 서로 연결될 수 있다. 히든 레이어(220)에 포함된 히든 노드들과 출력 레이어(230)에 포함된 출력 노드들은 연결 가중치를 가지는 연결선들을 통해 서로 연결될 수 있다.
뉴럴 네트워크(200)는 복수의 히든 레이어들을 포함할 수 있다. 복수의 히든 레이어들을 포함하는 뉴럴 네트워크(200)는 깊은 뉴럴 네트워크(deep neural network)라고 지칭될 수 있다. 깊은 뉴럴 네트워크를 학습시키는 것은 깊은 러닝(deep learning)이라고 지칭될 수 있다. 예를 들어, 학생 모델(110)보다 큰 사이즈를 가지는 교사 모델(120)은 학생 모델(110)보다 많은 수의 히든 레이어들을 포함할 수 있다.
일실시예에 따르면, 모델 학습 장치는 뉴럴 네트워크(200)에 역전파되는 로스(loss) 및 뉴럴 네트워크(200)에 포함된 노드들의 출력 값에 기초한 기울기 하강(gradient descent) 기법 등을 통하여, 노드들의 파라미터를 결정할 수 있다. 예를 들어, 객체 검출 학습 장치는 로스 역 전파 학습(back-propagation learning)을 통해 노드들 사이의 연결 가중치를 업데이트할 수 있다. 로스 역 전파 학습은, 주어진 학습 데이터에 대해 포워드 계산(forward computation)을 통하여 로스를 추정한 후, 출력 레이어(230)에서 시작하여 히든 레이어(220) 및 입력 레이어(210)를 향하는 역 방향으로 추정한 로스를 전파하면서, 로스를 줄이는 방향으로 연결 가중치를 업데이트하는 방법이다. 뉴럴 네트워크(200)의 처리는 입력 레이어(210), 히든 레이어(220) 및 출력 레이어(230)의 방향으로 진행되지만, 로스 역 전파 학습에서 연결 가중치의 업데이트 방향은 출력 레이어(230), 히든 레이어(220) 및 입력 레이어(210)의 방향으로 진행될 수 있다. 하나 또는 그 이상의 프로세서는 뉴럴 네트워크(200)를 원하는 방향으로 처리하기 위하여, 레이어 또는 일련의 계산 데이터를 저장하는 버퍼 메모리를 이용할 수 있다.
모델 학습 장치는 현재 설정된 연결 가중치들이 얼마나 최적에 가까운지를 측정하기 위한 목적 함수(objective function)를 정의하고, 목적 함수의 결과에 기초하여 연결 가중치들을 계속 변경하고, 학습을 반복적으로 수행할 수 있다. 예를 들어, 목적 함수는 뉴럴 네트워크(200)가 학습 데이터의 학습 입력에 기초하여 실제 출력한 출력 값과 출력되기로 원하는 기대 값 사이의 로스를 계산하기 위한 로스 함수일 수 있다. 모델 학습 장치는 로스 함수의 값을 줄이는 방향으로 연결 가중치들을 업데이트할 수 있다. 로스 함수의 예시는 아래 도 3에서 설명한다.
도 3 내지 도 5는 일실시예에 따라 학생 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 3을 참조하면, 일실시예에 따른 학생 모델(110), 교사 모델(120) 및 구분 모델(310)이 도시된다. 설명의 편의를 위해, 학생 모델(110)로 입력되는 데이터를 제1 입력 데이터, 학생 모델(110)에서 출력되는 데이터를 제1 출력 데이터, 교사 모델(120)로 입력되는 데이터를 제2 입력 데이터, 교사 모델(120)에서 출력되는 데이터를 제2 출력 데이터라고 지칭한다.
일실시예에 따른 구분 모델(310)은 학생 모델(110)의 제1 출력 데이터 및 교사 모델(120)의 제2 출력 데이터를 서로 구분하는 뉴럴 네트워크로서, 예를 들어, CNN(Convolutional Neural Networks), RNN(Recurrent Neural Networks), MLP(multilayer perceptron), Self-Attention 등을 포함할 수 있다. 구분 모델(310)은 학생 모델(110)의 제1 출력 데이터를 거짓(false)으로 교사 모델(120)의 제2 출력 데이터를 참(true)으로 구별하는 모델이고, 학생 모델(110)은 구분 모델(310)을 속이기 위한 가짜 데이터(fake data)를 생성하는 모델일 수 있다. 학생 모델(110)은 생성 모델(Generator model)로도 지칭될 수 있다. 교사 모델(120)은 기 학습된 모델로서, 교사 모델(120)에서 샘플링된 결과가 진짜 데이터(real data)로 구분 모델(310)을 이용한 학생 모델(110)의 학습에 이용될 수 있다.
학습 과정에서, 구분 모델(310)은 학생 모델(110)의 제1 출력 데이터를 거짓으로, 교사 모델(120)의 제2 출력 데이터를 참으로 구분하도록 학습되고, 구분 모델(310)에 의해 학생 모델(110) 및 교사 모델(120)의 출력 데이터가 서로 구분되지 않도록 학생 모델(110)이 학습될 수 있다. 이처럼, 두 개의 모델들이 적대적으로 경쟁하며 학습되는 것을 적대 학습(adversarial training)이라 지칭하고, 이러한 학습에서 이용되는 로스 함수(loss function)는 아래의 수학식 1로 표현될 수 있다. 일실시예에 따른 적대 학습은 설명의 편의에 따라 GAN(Generative Adversarial Networks)으로도 지칭될 수 있다.
Figure pat00002
위의 수학식 1에서, D는 구분 모델(310)을 나타내고, G는 학생 모델(110)을 나타낸다. 또한, D(y)는 구분 모델(310)에 입력된 데이터가 학생 모델(110) 또는 교사 모델(120)에서 생성된 것인지를 구별하는 확률변수를 나타내고, G(x)는 학생 모델(110)에서 출력되는 확률변수를 나타낸다.
Figure pat00003
는 expectation을 나타내고, ~pT(y)는 교사 모델(120)에서 출력된 것임을 나타내며, ~px(x)는 학생 모델(110)에서 출력된 것임을 나타낸다.
일실시예에 따른 적대 학습에서, 학생 모델(110)은 수학식 1에 포함된 두 개의 expectation 항들이 모두 감소되도록 학습되고, 구분 모델(310)은 수학식 1에 포함된 expectation 항들 중 두 번째 항이 증가되도록 학습될 수 있다. 이러한 과정을 통해, 구분 모델(310)이 구별하기 어려울 정도로 교사 모델(120)과 동일한 출력 데이터가 출력되도록 학생 모델(110)이 학습될 수 있다.
이러한 학습 과정은 특정 도메인에 특화된 인식 결과를 출력하도록 학생 모델(110)을 학습시키는 데 이용될 수 있다. 여기서, 특정 도메인은 의료 분야, 공학 분야, 경제 분야 등 다른 분야와 구별되는 특수성 있는 분야를 나타내며, 이러한 특정 도메인에는 해당 분야에서 자주 사용되는 관용적 표현이 존재할 수 있다. 따라서, 인식 결과를 출력할 때 관련 분야를 고려할 필요가 있다. 예를 들어, 교사 모델(120)이 의료 분야에 특화된 언어 모델인 경우, 교사 모델(120)과 구분 모델(310)을 이용하여 음성 인식 모델에 해당하는 학생 모델(110)을 학습시킴으로써, 의료 분야에 특화된 표현, 패턴 및/또는 단어로 인식 결과를 출력하는 음성 인식 모델을 얻을 수 있다. 이 때, 교사 모델(120)은 의료 분야의 텍스트 데이터(예컨대, 의료 논문 등)로 기 학습된 언어 모델일 수 있다.
다른 실시예로, 특정 도메인은 특정 국가의 언어(예컨대, 영어, 일어, 중국어 등)를 나타낼 수 있고, 이러한 특정 도메인에는 해당 국가에서 자주 사용되는 관용적 표현이 존재할 수 있다. 예를 들어, 교사 모델(120)은 영어 분야에 특화된 언어 모델이고, 학생 모델(110)은 한영 번역 모델인 경우, 교사 모델(120)에 기초하여 학생 모델(110)을 학습시킴으로써 영어권 국가에서 자주 사용되는 관용적이고 자연스러운 표현, 패턴 및/또는 단어로 번역 결과를 출력하는 번역 모델을 효과적으로 얻을 수도 있다. 이 때, 교사 모델(120)은 영문의 텍스트 데이터로 기 학습된 언어 모델일 수 있다. 또 다른 실시예로, 학생 모델(110)이 대화모델인 경우에도 상술된 내용이 적용될 수 있다.
앞서 설명한 바와 같이, 학습은 구분 모델(310)에 입력되는 데이터가 학습 모델(110)에서 생성된 것인지 또는 교사 모델(120)에서 생성된 것인지 구별하는 것에 기반하기 때문에, 학습 모델(110)에 입력되는 제1 입력 데이터 x의 정답 레이블은 필요하지 않다. 또한, 학습 모델(110)에 입력되는 제1 입력 데이터와 교사 모델(120)에 입력되는 제2 입력 데이터가 서로 쌍(pair)일 필요도 없다. 비 레이블 데이터로 학생 모델(110) 학습이 가능하므로, 방대하게 쌓여 있는 비 레이블 데이터를 학습에 유용하게 활용할 수 있으므로, 비 레이블 데이터의 정답을 얻기 위한 상당한 비용을 지불하지 않아도 된다. 또한, 구분 모델(310)에서는 입력되는 데이터가 학생 모델(110) 또는 교사 모델(120)에서 생성된 것인지가 구별되는 것이기 때문에, 학생 모델(110)과 교사 모델(120)에서 동일한 타입의 출력 데이터가 출력되기만 하면 되고, 학생 모델(110)과 교사 모델(120)로 동일한 타입의 출력 데이터가 입력될 필요는 없다. 따라서, 학생 모델(110)과 교사 모델(120)에 상이한 타입의 데이터가 입력되어도 무방하고, 나아가 학생 모델(110)과 교사 모델(120)의 지식 구조가 상이해도 무방하며, 서로 다른 태스크를 처리해도 무방할 수 있다.
도 4를 참조하면, 일실시예에 따른 학생 모델과 구분 모델을 학습시키는 알고리즘이 도시된다. 도 4에서 discriminator는 구분 모델에 해당하고, generator는 학생 모델에 해당한다.
도 5를 참조하면, 일실시예에 따른 전반적인 학습 과정을 설명하기 위한 플로우차트가 도시된다.
단계(510)에서, 학생 모델이 적은 양의 레이블 데이터 쌍 x, y로 초기 학습될 수 있다. 단계(520)에서, 기 학습된 교사 모델이 획득될 수 있다. 단계(530)에서, 학생 모델과 구분 모델은 많은 양의 비 레이블 데이터 x로 동시에 학습될 수 있다. 단계(540)에서, 미리 설정된 최대 에폭(max epoch)만큼 학습이 수행되는지 확인될 수 있다. 만약 최대 에폭만큼 학습이 수행되지 않았으면, 단계(530)가 다시 수행될 수 있다. 반대로 최대 에폭만큼 학습이 수행되었다면, 학습이 종료될 수 있다.
이처럼, 학생 모델(110)과 교사 모델(120) 간 지식 구조가 다른 경우에도 교사 모델(120)의 지식을 학생 모델(110)로 전달할 수 있으며, 비 레이블 데이터로 학습을 수행하는 방안이 새롭게 제안될 수 있다. 외부 신경망인 구분 모델(310)을 이용하여, 생성 모델의 역할을 수행하는 학생 모델(110)이 개선될 수 있다. 이 때, 교사 모델(120)은 고정되고 학생 모델(110)로 지식을 전달하는 역할만 수행할 수 있다.
도 6은 일실시예에 따른 모델 학습 방법을 나타낸 도면이다.
도 6을 참조하면, 일실시예에 따른 모델 학습 장치에 구비된 프로세서에서 수행되는 모델 학습 방법이 도시된다.
단계(610)에서, 모델 학습 장치는 제1 입력 데이터에 대한 학생 모델의 제1 출력 데이터 및 제2 입력 데이터에 대한 교사 모델의 제2 출력 데이터를 획득한다. 학생 모델 및 교사 모델은 서로 다른 태스크를 처리할 수 있다. 제1 입력 데이터 및 제2 입력 데이터는 서로 다른 타입의 데이터일 수 있다. 제1 입력 데이터 및 제2 입력 데이터는 비 레이블 데이터일 수 있다. 제1 출력 데이터 및 제2 출력 데이터는 서로 동일 타입의 데이터일 수 있다.
단계(620)에서, 모델 학습 장치는 제1 출력 데이터 및 제2 출력 데이터가 서로 구분되지 않도록 학생 모델을 학습시킨다. 예를 들어, 모델 학습 장치는 제1 출력 데이터 및 제2 출력 데이터가 구분 모델에 의해 서로 구분되지 않도록 학생 모델을 학습시키고, 제1 출력 데이터 및 제2 출력 데이터를 서로 구분하도록 구분 모델을 학습시킬 수 있다. 모델 학습 장치는 제1 출력 데이터 및 제2 출력 데이터가 서로 구별되는 정도에 기초한 적대 로스를 결정하고, 적대 로스가 감소되도록 학생 모델을 학습시킬 수 있다.
예를 들어, 학생 모델은 음성 데이터를 텍스트 데이터로 변환하는 음성 인식 모델이고, 교사 모델은 특정 도메인에 특화된 표현으로 텍스트 데이터를 출력하는 언어 모델일 수 있다. 제1 입력 데이터, 제2 입력 데이터, 제1 출력 데이터 및 제2 출력 데이터는 시퀀스 데이터일 수 있다.
도 6에 도시된 각 단계들에는 도 1 내지 도 5를 통하여 전술한 사항들이 그대로 적용되므로, 보다 상세한 설명은 생략한다.
도 7은 일실시예에 따른 데이터 인식 방법을 나타낸 도면이다.
일실시예에 따르면, 데이터 인식 방법은 데이터 인식 장치의 프로세서에 의해 수행될 수 있다.
단계(710)에서, 데이터 인식 장치는 인식하고자 하는 데이터를 수신한다. 단계(720)에서, 데이터 인식 장치는 기 학습된 모델을 이용하여 대상 데이터를 인식한다. 여기서, 기 학습된 모델은 앞서 설명한 학생 모델이며, 학생 모델의 학습 방법은 앞서 설명한 것과 동일하므로, 보다 자세한 설명은 생략한다.
도 8은 일실시예에 따른 신경망 기반의 데이터 처리 장치를 나타낸 도면이다.
도 8을 참조하면, 일실시예에 따른 데이터 처리 장치(800)는 메모리(810) 및 프로세서(820)를 포함한다. 메모리(810) 및 프로세서(820)는 버스(bus)(830)를 통하여 서로 통신할 수 있다.
데이터 처리 장치(800)는 입력된 데이터를 처리하여 출력하는 장치로서, 앞서 설명한 모델 학습 장치 및 데이터 인식 장치 중 어느 하나일 수 있다.
메모리(810)는 컴퓨터에서 읽을 수 있는 명령어를 포함할 수 있다. 프로세서(820)는 메모리(810)에 저장된 명령어가 프로세서(820)에서 실행됨에 따라 앞서 언급된 동작들을 수행할 수 있다. 메모리(810)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다. 메모리(810)는 학생 모델의 파라미터를 저장한다. 그 밖에, 데이터 처리 장치(800)에 관해서는 상술된 동작을 처리할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (17)

  1. 제1 입력 데이터에 대한 학생 모델의 제1 출력 데이터 및 제2 입력 데이터에 대한 교사 모델의 제2 출력 데이터를 획득하는 단계; 및
    상기 제1 출력 데이터 및 상기 제2 출력 데이터가 서로 구분되지 않도록 상기 학생 모델을 학습시키는 단계
    를 포함하고,
    상기 학생 모델 및 상기 교사 모델은 서로 다른 구조를 가지는,
    모델 학습 방법.
  2. 제1항에 있어서,
    상기 학생 모델 및 상기 교사 모델은 서로 다른 태스크를 처리하는,
    모델 학습 방법.
  3. 제1항에 있어서,
    상기 제1 입력 데이터 및 상기 제2 입력 데이터는 서로 다른 타입의 데이터인,
    모델 학습 방법.
  4. 제1항에 있어서,
    상기 제1 입력 데이터 및 상기 제2 입력 데이터는 비 레이블 데이터인,
    모델 학습 방법.
  5. 제1항에 있어서,
    상기 학생 모델을 학습시키는 단계는
    상기 제1 출력 데이터 및 상기 제2 출력 데이터가 구분 모델에 의해 서로 구분되지 않도록 상기 학생 모델을 학습시키고,
    상기 구분 모델은
    상기 제1 출력 데이터 및 상기 제2 출력 데이터를 서로 구분하도록 학습되는,
    모델 학습 방법.
  6. 제1항에 있어서,
    상기 제1 출력 데이터 및 상기 제2 출력 데이터는 서로 동일 타입의 데이터인,
    모델 학습 방법.
  7. 제1항에 있어서,
    상기 학생 모델은 음성 인식 모델이고,
    상기 교사 모델은 특정 도메인에 특화된 표현으로 텍스트 데이터를 출력하는 언어 모델인,
    모델 학습 방법.
  8. 제1항에 있어서,
    상기 제1 입력 데이터, 상기 제2 입력 데이터, 상기 제1 출력 데이터 및 상기 제2 출력 데이터는 시퀀스 데이터인,
    모델 학습 방법.
  9. 제1항에 있어서,
    상기 학생 모델을 학습시키는 단계는
    상기 제1 출력 데이터 및 상기 제2 출력 데이터가 서로 구별되는 정도에 기초한 적대 로스를 결정하고, 상기 적대 로스가 감소되도록 상기 학생 모델을 학습시키는,
    모델 학습 방법.
  10. 제1항 내지 제9항 중에서 어느 하나의 항의 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 저장 매체.
  11. 제1 입력 데이터에 대한 학생 모델의 제1 출력 데이터 및 제2 입력 데이터에 대한 교사 모델의 제2 출력 데이터를 획득하고, 상기 제1 출력 데이터 및 상기 제2 출력 데이터가 서로 구분되지 않도록 상기 학생 모델을 학습시키는 프로세서; 및
    상기 학생 모델의 파라미터를 저장하는 메모리
    를 포함하고,
    상기 학생 모델 및 상기 교사 모델은 서로 다른 구조를 가지는,
    모델 학습 장치.
  12. 제11항에 있어서,
    상기 학생 모델 및 상기 교사 모델은 서로 다른 태스크를 처리하는,
    모델 학습 장치.
  13. 제11항에 있어서,
    상기 제1 입력 데이터 및 상기 제2 입력 데이터는 서로 다른 타입의 데이터인,
    모델 학습 장치.
  14. 제11항에 있어서,
    상기 제1 입력 데이터 및 상기 제2 입력 데이터는 비 레이블 데이터인,
    모델 학습 장치.
  15. 제11항에 있어서,
    상기 프로세서는
    상기 제1 출력 데이터 및 상기 제2 출력 데이터가 구분 모델에 의해 서로 구분되지 않도록 상기 학생 모델을 학습시키고,
    상기 구분 모델은
    상기 제1 출력 데이터 및 상기 제2 출력 데이터를 서로 구분하도록 학습되는,
    모델 학습 장치.
  16. 제11항에 있어서,
    상기 제1 출력 데이터 및 상기 제2 출력 데이터는 서로 동일 타입의 데이터인,
    모델 학습 장치.
  17. 제11항에 있어서,
    상기 학생 모델은 음성 인식 모델이고,
    상기 교사 모델은 특정 도메인에 특화된 표현으로 텍스트 데이터를 출력하는 언어 모델인,
    모델 학습 장치.
KR1020190054350A 2019-05-09 2019-05-09 모델 학습 방법 및 장치 KR20200129639A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190054350A KR20200129639A (ko) 2019-05-09 2019-05-09 모델 학습 방법 및 장치
US16/549,236 US11244671B2 (en) 2019-05-09 2019-08-23 Model training method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190054350A KR20200129639A (ko) 2019-05-09 2019-05-09 모델 학습 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20200129639A true KR20200129639A (ko) 2020-11-18

Family

ID=73046560

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190054350A KR20200129639A (ko) 2019-05-09 2019-05-09 모델 학습 방법 및 장치

Country Status (2)

Country Link
US (1) US11244671B2 (ko)
KR (1) KR20200129639A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102332114B1 (ko) * 2020-11-24 2021-12-01 한국과학기술원 이미지 처리 방법 및 장치
US11790486B2 (en) 2020-11-24 2023-10-17 Korea Advanced Institute Of Science And Technology Image processing method and apparatus

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830288A (zh) * 2018-04-25 2018-11-16 北京市商汤科技开发有限公司 图像处理方法、神经网络的训练方法、装置、设备及介质
KR20200128938A (ko) * 2019-05-07 2020-11-17 삼성전자주식회사 모델 학습 방법 및 장치
US11457033B2 (en) * 2019-09-11 2022-09-27 Artificial Intelligence Foundation, Inc. Rapid model retraining for a new attack vector
US11501081B1 (en) 2019-12-31 2022-11-15 Meta Platforms, Inc. Methods, mediums, and systems for providing a model for an end-user device
CN111179962B (zh) * 2020-01-02 2022-09-27 腾讯科技（深圳）有限公司 语音分离模型的训练方法、语音分离方法及装置
US11651855B2 (en) * 2020-04-16 2023-05-16 Aetna Inc. Systems and methods for managing and updating contextual intelligent processes using artificial intelligence algorithms
CN112365886B (zh) * 2021-01-18 2021-05-07 深圳市友杰智新科技有限公司 语音识别模型的训练方法、装置和计算机设备
CN113570493B (zh) * 2021-07-26 2024-07-16 京东科技信息技术有限公司 一种图像生成方法及装置
CN113850362A (zh) * 2021-08-20 2021-12-28 华为技术有限公司 一种模型蒸馏方法及相关设备
CN114065784B (zh) * 2021-11-16 2023-03-10 北京百度网讯科技有限公司 训练方法、译文方法、装置、电子设备以及存储介质
CN117036212A (zh) * 2022-04-29 2023-11-10 北京字跳网络技术有限公司 图像分割方法、装置、电子设备及存储介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10878320B2 (en) 2015-07-22 2020-12-29 Qualcomm Incorporated Transfer learning in neural networks
KR102492318B1 (ko) 2015-09-18 2023-01-26 삼성전자주식회사 모델 학습 방법 및 장치, 및 데이터 인식 방법
KR102434604B1 (ko) * 2016-01-05 2022-08-23 한국전자통신연구원 개인화된 음성 인식을 수행하기 위한 음성 인식 단말, 음성 인식 서버 및 음성 인식 방법
US10311339B2 (en) 2017-02-14 2019-06-04 Google Llc Unsupervised learning techniques for temporal difference models
IL250948B (en) 2017-03-05 2021-04-29 Verint Systems Ltd A system and method for using transfer learning to identify user actions
US20180268292A1 (en) 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Learning efficient object detection models with knowledge distillation
CA3071685C (en) 2017-08-09 2023-11-21 Allen Institute Systems, devices, and methods for image processing to generate an image having predictive tagging
US10885900B2 (en) 2017-08-11 2021-01-05 Microsoft Technology Licensing, Llc Domain adaptation in speech recognition via teacher-student learning
US11093793B2 (en) 2017-08-29 2021-08-17 Vintra, Inc. Systems and methods for a tailored neural network detector
US11645835B2 (en) 2017-08-30 2023-05-09 Board Of Regents, The University Of Texas System Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications
WO2019051356A1 (en) 2017-09-08 2019-03-14 The General Hospital Corporation SYSTEM AND METHOD FOR AUTOMATICALLY LABELING AND ANNOUNTING NON-STRUCTURED MEDICAL DATA SETS
US11769159B2 (en) * 2017-11-13 2023-09-26 Aloke Chaudhuri System and method for human emotion and identity detection
US12001950B2 (en) * 2019-03-12 2024-06-04 International Business Machines Corporation Generative adversarial network based audio restoration
US10607598B1 (en) * 2019-04-05 2020-03-31 Capital One Services, Llc Determining input data for speech processing

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102332114B1 (ko) * 2020-11-24 2021-12-01 한국과학기술원 이미지 처리 방법 및 장치
US11790486B2 (en) 2020-11-24 2023-10-17 Korea Advanced Institute Of Science And Technology Image processing method and apparatus

Also Published As

Publication number Publication date
US20200357384A1 (en) 2020-11-12
US11244671B2 (en) 2022-02-08

Similar Documents

Publication Publication Date Title
KR20200129639A (ko) 모델 학습 방법 및 장치
KR20200128938A (ko) 모델 학습 방법 및 장치
KR102071582B1 (ko) 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치
KR102483643B1 (ko) 모델을 학습하는 방법 및 장치 및 상기 뉴럴 네트워크를 이용한 인식 방법 및 장치
KR20200045128A (ko) 모델 학습 방법 및 장치, 및 데이터 인식 방법
KR102410820B1 (ko) 뉴럴 네트워크를 이용한 인식 방법 및 장치 및 상기 뉴럴 네트워크를 트레이닝하는 방법 및 장치
US11030414B2 (en) System and methods for performing NLP related tasks using contextualized word representations
US10332510B2 (en) Method and apparatus for training language model and recognizing speech
KR102492318B1 (ko) 모델 학습 방법 및 장치, 및 데이터 인식 방법
KR102305584B1 (ko) 언어 모델 학습 방법 및 장치, 언어 인식 방법 및 장치
CN109992773B (zh) 基于多任务学习的词向量训练方法、***、设备及介质
CN111767405A (zh) 文本分类模型的训练方法、装置、设备及存储介质
CN109214006B (zh) 图像增强的层次化语义表示的自然语言推理方法
CN116415654A (zh) 一种数据处理方法及相关设备
KR20190101567A (ko) 기계 독해에 기초한 질의 응답 장치 및 이를 이용한 질의 응답 방법
Wang et al. General-purpose LSM learning processor architecture and theoretically guided design space exploration
CN111542841A (zh) 一种内容识别的***和方法
EP3336775B1 (en) Method and apparatus for performing recognition using recurrent model and training recurrent model
KR20190134965A (ko) 뉴럴 네트워크 학습 방법 및 그 시스템
KR102449840B1 (ko) 사용자 적응적인 음성 인식 방법 및 장치
Barreto et al. A self-organizing NARX network and its application to prediction of chaotic time series
KR20230141828A (ko) 적응형 그래디언트 클리핑을 사용하는 신경 네트워크들
KR102292921B1 (ko) 언어 모델 학습 방법 및 장치, 음성 인식 방법 및 장치
CN116745773A (zh) 跨语言装置和方法
Xue et al. Real-time classification through a spiking deep belief network with intrinsic plasticity

Legal Events

Date Code Title Description
A201 Request for examination