WO2022158718A1 - Electronic device and control method therefor - Google Patents

Electronic device and control method therefor Download PDF

Info

Publication number
WO2022158718A1
WO2022158718A1 PCT/KR2021/018950 KR2021018950W WO2022158718A1 WO 2022158718 A1 WO2022158718 A1 WO 2022158718A1 KR 2021018950 W KR2021018950 W KR 2021018950W WO 2022158718 A1 WO2022158718 A1 WO 2022158718A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
input sentence
sentence
value
neural network
Prior art date
Application number
PCT/KR2021/018950
Other languages
French (fr)
Korean (ko)
Inventor
권순철
이근배
이해준
유원호
Original Assignee
삼성전자주식회사
포항공과대학교 산학협력단
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, 포항공과대학교 산학협력단 filed Critical 삼성전자주식회사
Publication of WO2022158718A1 publication Critical patent/WO2022158718A1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/253—Grammatical analysis; Style critique
    • 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

Definitions

  • the present disclosure relates to an electronic device and a control method thereof, and more particularly, to an electronic device for learning a neural network model for correcting a grammatical error included in an input sentence, and a control method thereof.
  • the grammatical error correction refers to an operation of receiving a sentence including a grammatical error as an input and outputting a sentence in which the grammatical error included in the sentence is corrected.
  • a representative grammatical error correction model based on artificial intelligence includes a machine translation model that is trained to output a 'grammatically correct language' based on a 'grammatically incorrect language'.
  • the training data is composed of a pair of a sentence including a grammatical error and a sentence in which the grammatical error is corrected.
  • a person In order to collect the training data, a person must correct the grammatical error. Therefore, there is a problem that it takes a lot of time to collect training data and it is difficult to collect a large amount of data.
  • One technical problem to be solved by the present invention is to provide an electronic device capable of acquiring new learning data.
  • an electronic device includes: a memory for storing at least one instruction; and a processor, wherein the processor includes information on a first input sentence and information on a first output sentence for learning a first neural network model trained to correct a grammatical error included in the input sentence. acquiring data, acquiring a variation value corresponding to the information on the first input sentence based on the learning data, and obtaining information on the first input sentence and information on a second input sentence based on the variation value
  • An electronic device may be provided for obtaining , and learning the first neural network model based on the information on the second input sentence and the information on the first output sentence.
  • the processor is configured to input the information on the first input sentence and the information on the first output sentence into the loss function to obtain a first loss value, and to obtain the change value by differentiating the first loss value.
  • the processor may acquire the variation value by inputting the information on the first input sentence into a second neural network model trained to obtain a variation value based on the information on the input sentence.
  • the processor may acquire information on the second input sentence based on the variation value and a hyperparameter for adjusting the magnitude of the variation value.
  • the processor inputs information on the second input sentence to the first neural network model to obtain information on a second output sentence, and includes information on the first output sentence and information on the second output sentence.
  • the first neural network model may be trained so that the difference is smaller than a preset value.
  • a first for learning a first neural network model learned to correct a grammatical error included in an input sentence obtaining learning data including information on an input sentence and information on a first output sentence; obtaining a change value corresponding to the information on the first input sentence based on the learning data; obtaining information on a second input sentence based on the information on the first input sentence and the change value; and learning the first neural network model based on the information on the second input sentence and the information on the first output sentence.
  • the electronic device may acquire new learning data. Accordingly, overfitting of the grammatical error correction model can be prevented, and the performance of the grammatical error correction model can be improved.
  • 1 is a diagram for explaining a learning method and operation of a grammatical error correction model.
  • FIG. 2 is a diagram for explaining an operation of an electronic device according to an embodiment of the present disclosure.
  • FIG. 3 is a diagram for explaining a method of obtaining a variation value according to another embodiment of the present disclosure.
  • FIG. 4 is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure.
  • FIG. 5 is a flowchart illustrating a method of controlling an electronic device according to an embodiment of the present disclosure.
  • Embodiments of the present disclosure may apply various transformations and may have various embodiments, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the scope of the specific embodiments, and it should be understood to include all transformations, equivalents and substitutions included in the spirit and scope of the disclosure. In describing the embodiments, if it is determined that a detailed description of a related known technology may obscure the subject matter, the detailed description thereof will be omitted.
  • the grammatical error correction model 100 is a model for correcting grammatical errors included in the input sentence 11 .
  • the grammatical error correction model 100 may be learned based on learning data including input sentences 11 and output sentences 12 corresponding to each other. Specifically, the grammatical error correction model 100 may receive the input sentence 11 and learn to obtain the output sentence 12 in which the grammatical error included in the input sentence 11 is corrected.
  • the learned grammatical error correction model 100 includes a plurality of words ( ) can be replaced with another word. For example, the first word ( ) is the second word ( ) can be changed to Meanwhile, each word (x, y) included in the input sentence 11 and the output sentence 12 may be a text or a vector.
  • the grammatical error correction model 100 may be referred to as a first neural network model.
  • the electronic device 400 may train the first neural network model 200 based on training data including the information 21 on the first input sentence and the information 22 on the first output sentence.
  • the information 21 on the first input sentence and the information 22 on the first output sentence may be previously stored in the electronic device 400 .
  • the information 21 on the first input sentence may include a vector corresponding to a word included in the first input sentence.
  • the information 22 on the first output sentence may include a vector corresponding to a word included in the first output sentence.
  • the electronic device 400 may acquire information on a new input sentence for learning the first neural network model 200 .
  • the electronic device 400 may acquire the information 24 on the second input sentence by adding a perturbation value 23 to the information 21 on the first input sentence.
  • the perturbation value 23 may be a vector having an arbitrary value.
  • the electronic device 400 may obtain a variation value 23 that causes the value of the cost function for the first neural network model 200 to increase.
  • the learning data acquisition module 210 may acquire the information 24 about the second input sentence that the first neural network model 200 does not process well.
  • the electronic device 400 is a hyperparameter ( ) may be added to the information 21 on the first input sentence to obtain the information 24 on the second input sentence.
  • hyperparameter ( ) may be a value between 0 and 1 for adjusting the magnitude of the variation value 23 .
  • the electronic device 400 provides a hyperparameter ( ) can be determined.
  • the electronic device 400 sets the first neural network model ( 200) can be learned. Specifically, the electronic device 400 receives the information 24 on the second input sentence from the first neural network model 200 and outputs the information 22 on the first output sentence. can be learned Since the information 24 on the second input sentence is added to the training data to increase the total amount of training data, the performance of the first neural network model 200 may be improved.
  • the electronic device 400 may acquire information about the variation value 23 and the second input sentence 24 in various ways.
  • the electronic device 400 may obtain the variation value 23 based on [Equation 1], [Equation 2], and [Equation 3].
  • x is information about the first input sentence
  • loss function for the first neural network model 200 may mean information about the first output sentence
  • r may mean a change value
  • the electronic device 400 converts the information 21 on the first input sentence and the information 22 on the first output sentence into a loss function ( ) to obtain the loss value. Then, the electronic device 400 may obtain the variation value 23 by differentiating the loss value with respect to the first input sentence.
  • the electronic device 400 may obtain the variation value 33 by inputting the information 31 on the first input sentence into the second neural network model 320 .
  • the second neural network model 320 is a loss function ( ) may be learned to output a variation value 33 that makes the value of the value greater than a preset value.
  • the electronic device 400 may acquire the information 34 about the second input sentence based on the change value 33 .
  • the electronic device 400 may obtain the information 34 about the second input sentence based on [Equation 1].
  • the electronic device 400 may train the first neural network model 310 based on the information 34 on the second input sentence and the information 32 on the first output sentence.
  • the electronic device 400 may obtain information (not shown) on the second output sentence by inputting the information 34 on the second input sentence into the first neural network model 310 .
  • the electronic device 400 may train the first neural network model 310 such that a difference between the information 32 on the first output sentence and the information on the second output sentence is smaller than a preset value.
  • the first neural network model 310 and the second neural network model 320 are separated and illustrated, respectively, but the first neural network model 310 and the second neural network model 320 are integrated into one neural network model. can be implemented.
  • the electronic device 400 may include a memory 410 and a processor 420 .
  • the electronic device 400 may be a server.
  • the memory 410 may store an operating system (OS) for controlling overall operations of the components of the electronic device 400 and commands or data related to the components of the electronic device 400 .
  • OS operating system
  • the memory 410 may be implemented as a non-volatile memory (eg, a hard disk, a solid state drive (SSD), a flash memory), a volatile memory, or the like.
  • the memory 410 may store learning data including information on the first input sentence and information on the first output sentence.
  • the memory 410 may store a first neural network model for correcting grammatical errors and a second neural network model for generating a variation value.
  • the processor 420 may control the overall operation of the electronic device 400 .
  • the processor 420 may obtain training data including information on a first input sentence and information on a first output sentence for learning the first neural network model.
  • the first neural network model may be a model for correcting a grammatical error included in an input sentence.
  • the second neural network model may be a Convolutional Neural Network (CNN) trained to output a variation value based on information about an input sentence.
  • CNN Convolutional Neural Network
  • RNN recurrent neural network
  • the processor 420 may acquire information on the second input sentence based on the information on the first input sentence and the change value. For example, the processor 420 may obtain information on the second input sentence by multiplying the variation value by the hyperparameter and adding the variation value reflecting the hyperparameter to the information on the first input sentence.
  • the processor 420 may train the first neural network model based on the information on the second input sentence and the information on the first output sentence. For example, the processor 420 may obtain information on the second output sentence by inputting information on the second input sentence to the first neural network model. In addition, the processor 420 may train the first neural network model such that a difference between the information on the first output sentence and the information on the second output sentence is smaller than a preset value.
  • the processor 420 may include one or a plurality of processors.
  • the one or more processors may be a general-purpose processor such as a CPU, an AP, a digital signal processor (DSP), or the like, a graphics-only processor such as a GPU, a VPU (Vision Processing Unit), or an artificial intelligence-only processor such as an NPU.
  • One or more processors control to process input data according to a predefined operation rule or artificial intelligence model stored in the memory 410 .
  • the AI-only processor may be designed with a hardware structure specialized for processing a specific AI model.
  • AI models can be created through learning.
  • being made through learning means that a basic artificial intelligence model is learned using a plurality of learning data by a learning algorithm, so that a predefined action rule or artificial intelligence model set to perform a desired characteristic (or purpose) is created means burden.
  • the artificial intelligence model may be composed of a plurality of neural network layers.
  • Each of the plurality of neural network layers has a plurality of weight values, and a neural network operation is performed through an operation between an operation result of a previous layer and a plurality of weights.
  • the plurality of weights of the plurality of neural network layers may be optimized by the learning result of the artificial intelligence model. For example, a plurality of weights may be updated so that a loss value or a cost value obtained from the artificial intelligence model during the learning process is reduced or minimized.
  • the artificial neural network may include a deep neural network (DNN), for example, a Convolutional Neural Network (CNN), a Deep Neural Network (DNN), a Recurrent Neural Network (RNN), a Generative Adversarial Network (GAN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), Deep Q-Networks or Long Short Term Memory (LSTM), Transformer, etc. is not limited to
  • DNN deep neural network
  • CNN Convolutional Neural Network
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • GAN Generative Adversarial Network
  • RBM Restricted Boltzmann Machine
  • DBN Deep Belief Network
  • BDN Bidirectional Recurrent Deep Neural Network
  • LSTM Long Short Term Memory
  • FIG. 5 is a flowchart illustrating a method of controlling an electronic device according to an exemplary embodiment of the present disclosure.
  • the electronic device 400 may obtain learning data including information on the first input sentence and information on the first output sentence for learning the first neural network model ( S510 ).
  • the electronic device 400 may acquire learning data previously stored in a memory.
  • the first neural network model is a model trained to correct a grammatical error included in an input sentence.
  • the electronic device 400 may obtain a variation value based on the learning data (S520).
  • the electronic device 400 may acquire a variation value that causes the value of the loss function for the first neural network model to be greater than a preset value.
  • the electronic device 400 obtains a first loss value by inputting information on the first input sentence and information on the first output sentence into the loss function, and obtains a change value by differentiating the first loss value can do.
  • the electronic device 400 may obtain the variation value by inputting information on the first input sentence into the second neural network model trained to obtain a variation value based on the information on the input sentence.
  • the electronic device 400 may acquire information on the second input sentence based on the information on the first input sentence and the change value ( S530 ).
  • the electronic device 400 may multiply the variation value by the hyperparameter and acquire information on the second input sentence in addition to the information on the first input sentence.
  • the information on the first input sentence and the information on the second input sentence may be vectors, respectively.
  • the electronic device 400 may learn the first neural network model based on the information on the second input sentence and the information on the first output sentence ( S540 ).
  • the electronic device 400 may obtain information on the second output sentence by inputting information on the second input sentence into the first neural network model. Also, the electronic device 400 may train the first neural network model such that a difference between the information on the first output sentence and the information on the second output sentence is smaller than a preset value.
  • the various embodiments described above may be implemented in a recording medium readable by a computer or a similar device using software, hardware, or a combination thereof.
  • the embodiments described herein may be implemented by the processor itself.
  • embodiments such as the procedures and functions described in this specification may be implemented as separate software modules. Each of the software modules may perform one or more functions and operations described herein.
  • the non-transitory computer-readable medium refers to a medium that stores data semi-permanently, rather than a medium that stores data for a short moment, such as a register, cache, memory, etc., and can be read by a device.
  • Specific examples of the non-transitory computer-readable medium may include a CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, and the like.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory storage medium' is a tangible device and only means that it does not contain a signal (eg, electromagnetic wave). It does not distinguish the case where it is stored as
  • the 'non-transitory storage medium' may include a buffer in which data is temporarily stored.
  • the method according to various embodiments disclosed in this document may be provided in a computer program product (computer program product).
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play Store TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly, online between smartphones (eg: smartphones).
  • a portion of the computer program product eg, a downloadable app
  • a machine-readable storage medium such as a memory of a manufacturer's server, a server of an application store, or a relay server. It may be temporarily stored or temporarily created.

Landscapes

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

Abstract

Disclosed is an electronic device. The electronic device according to the present disclosure comprises a memory for storing at least one instruction, and a processor, wherein the processor obtains training data including information on a first input sentence and information on a first output sentence, for training a first neural network model trained to correct a grammatical error included in an input sentence, obtains a variation value corresponding to the information on the first input sentence on the basis of the training data, obtains information on a second input sentence on the basis of the information on the first input sentence and the variation value, and trains the first neural network model on the basis of the information on the second input sentence and the information on the first output sentence.

Description

전자 장치 및 그 제어 방법Electronic device and its control method
본 개시는 전자 장치 및 그 제어 방법으로, 보다 상세하게는, 입력 문장에 포함된 문법 오류를 교정하는 신경망 모델을 학습시키는 전자 장치 및 그 제어 방법에 관한 것이다.The present disclosure relates to an electronic device and a control method thereof, and more particularly, to an electronic device for learning a neural network model for correcting a grammatical error included in an input sentence, and a control method thereof.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.An artificial intelligence (AI) system is a computer system that implements human-level intelligence, and unlike the existing rule-based smart system, the machine learns, judges, and becomes smarter by itself. The more the AI system is used, the better the recognition rate and the more accurate understanding of user preferences, and the existing rule-based smart systems are gradually being replaced by deep learning-based AI systems.
최근에는, 인공지능을 이용한 문법 오류 교정(GEC: Grammatical error correction)에 대한 연구가 활발히 진행되고 있다. 문법 오류 교정이란 문법적 오류를 포함하는 문장을 입력으로 받아서, 문장에 포함된 문법 오류들을 교정한 문장을 출력하는 동작을 의미한다. 인공지능에 기초한 대표적인 문법 오류 교정 모델로는 ‘문법적으로 틀린 언어'를 바탕으로 '문법적으로 올바른 언어'를 출력하도록 학습되는 기계 번역 모델(machine translation model)이 있다.Recently, research on grammatical error correction (GEC) using artificial intelligence has been actively conducted. The grammatical error correction refers to an operation of receiving a sentence including a grammatical error as an input and outputting a sentence in which the grammatical error included in the sentence is corrected. A representative grammatical error correction model based on artificial intelligence includes a machine translation model that is trained to output a 'grammatically correct language' based on a 'grammatically incorrect language'.
한편, 기계 번역 모델의 성능을 향상시키기 위해서는 대량의 학습 데이터가 필요하다. 특히, 학습 데이터는 문법적 오류를 포함하는 문장과 문법적 오류가 교정된 문장이 한 쌍으로 구성되는데, 이러한 학습 데이터를 수집하기 위해서는 사람이 직접 문법적 오류를 교정해야한다. 따라서, 학습 데이터 수집을 위해 많은 시간이 소요되며 대량 수집이 어렵다는 문제가 있다. On the other hand, in order to improve the performance of the machine translation model, a large amount of training data is required. In particular, the training data is composed of a pair of a sentence including a grammatical error and a sentence in which the grammatical error is corrected. In order to collect the training data, a person must correct the grammatical error. Therefore, there is a problem that it takes a lot of time to collect training data and it is difficult to collect a large amount of data.
이에 따라, 새로운 학습 데이터를 획득하는 방법에 대한 필요성이 대두된다.Accordingly, there is a need for a method of acquiring new learning data.
본 발명이 해결하고자 하는 일 기술적 과제는, 새로운 학습 데이터를 획득할 수 있는 전자 장치를 제공하는 것이다.One technical problem to be solved by the present invention is to provide an electronic device capable of acquiring new learning data.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the following description.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 일 실시 예에 따르면, 전자 장치에 있어서, 적어도 하나의 인스트럭션을 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 입력 문장에 포함된 문법 오류를 교정하도록 학습된 제1 신경망 모델의 학습을 위한 제1 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 포함하는 학습 데이터를 획득하고, 상기 학습 데이터를 바탕으로 상기 제1 입력 문장에 대한 정보에 대응되는 변동값을 획득하고, 상기 제1 입력 문장에 대한 정보 및 상기 변동값을 바탕으로 제2 입력 문장에 대한 정보를 획득하고, 상기 제2 입력 문장에 대한 정보 및 상기 제1 출력 문장에 대한 정보를 바탕으로 상기 제1 신경망 모델을 학습시키는 전자 장치가 제공될 수 있다.According to an exemplary embodiment of the present disclosure for solving the above-described technical problem, an electronic device includes: a memory for storing at least one instruction; and a processor, wherein the processor includes information on a first input sentence and information on a first output sentence for learning a first neural network model trained to correct a grammatical error included in the input sentence. acquiring data, acquiring a variation value corresponding to the information on the first input sentence based on the learning data, and obtaining information on the first input sentence and information on a second input sentence based on the variation value An electronic device may be provided for obtaining , and learning the first neural network model based on the information on the second input sentence and the information on the first output sentence.
상기 프로세서는, 상기 제1 신경망 모델에 대한 손실 함수의 값이 기설정된 값보다 커지도록하는 값을 상기 변동값으로 획득할 수 있다.The processor may obtain, as the variation value, a value that causes a value of the loss function for the first neural network model to be greater than a preset value.
상기 프로세서는, 상기 제1 입력 문장에 대한 정보 및 상기 제1 출력 문장에 대한 정보를 상기 손실 함수에 입력하여 제1 손실 값을 획득하고, 상기 제1 손실 값을 미분하여 상기 변동값을 획득할 수 있다.The processor is configured to input the information on the first input sentence and the information on the first output sentence into the loss function to obtain a first loss value, and to obtain the change value by differentiating the first loss value. can
상기 프로세서는, 상기 제1 입력 문장에 대한 정보를 입력 문장에 대한 정보를 바탕으로 변동값을 획득하도록 학습된 제2 신경망 모델에 입력하여 상기 변동값을 획득할 수 있다.The processor may acquire the variation value by inputting the information on the first input sentence into a second neural network model trained to obtain a variation value based on the information on the input sentence.
상기 프로세서는, 상기 변동값 및 상기 변동값의 크기를 조절하기 위한 하이퍼파라미터를 바탕으로 상기 제2 입력 문장에 대한 정보를 획득할 수 있다.The processor may acquire information on the second input sentence based on the variation value and a hyperparameter for adjusting the magnitude of the variation value.
상기 프로세서는, 상기 제2 입력 문장에 대한 정보를 상기 제1 신경망 모델에 입력하여 제2 출력 문장에 대한 정보를 획득하고, 상기 제1 출력 문장에 대한 정보와 상기 제2 출력 문장에 대한 정보의 차이가 기설정된 값보다 작아지도록 상기 제1 신경망 모델을 학습시킬 수 있다.The processor inputs information on the second input sentence to the first neural network model to obtain information on a second output sentence, and includes information on the first output sentence and information on the second output sentence. The first neural network model may be trained so that the difference is smaller than a preset value.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 다른 일 실시 예에 따르면, 전자 장치의 제어 방법에 있어서, 입력 문장에 포함된 문법 오류를 교정하도록 학습된 제1 신경망 모델의 학습을 위한 제1 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 포함하는 학습 데이터를 획득하는 단계; 상기 학습 데이터를 바탕으로 상기 제1 입력 문장에 대한 정보에 대응되는 변동값을 획득하는 단계; 상기 제1 입력 문장에 대한 정보 및 상기 변동값을 바탕으로 제2 입력 문장에 대한 정보를 획득하는 단계; 및 상기 제2 입력 문장에 대한 정보 및 상기 제1 출력 문장에 대한 정보를 바탕으로 상기 제1 신경망 모델을 학습시키는 단계;를 포함하는 제어 방법이 제공될 수 있다.According to another exemplary embodiment of the present disclosure for solving the above-described technical problem, in a method of controlling an electronic device, a first for learning a first neural network model learned to correct a grammatical error included in an input sentence obtaining learning data including information on an input sentence and information on a first output sentence; obtaining a change value corresponding to the information on the first input sentence based on the learning data; obtaining information on a second input sentence based on the information on the first input sentence and the change value; and learning the first neural network model based on the information on the second input sentence and the information on the first output sentence.
본 개시의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The solutions to the problems of the present disclosure are not limited to the above-described solutions, and solutions not mentioned will be clearly understood by those of ordinary skill in the art to which the present disclosure belongs from the present specification and the accompanying drawings. will be able
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 새로운 학습 데이터를 획득할 수 있다. 이에 따라, 문법 오류 교정 모델의 과적합(overfitting)이 방지될 수 있으며, 문법 오류 교정 모델의 성능이 향상될 수 있다According to various embodiments of the present disclosure as described above, the electronic device may acquire new learning data. Accordingly, overfitting of the grammatical error correction model can be prevented, and the performance of the grammatical error correction model can be improved.
그 외에 본 개시의 실시 예로 인하여 얻을 수 있거나 예측되는 효과에 대해서는 본 개시의 실시 예에 대한 상세한 설명에서 직접적 또는 암시적으로 개시하도록 한다. 예컨대, 본 개시의 실시 예에 따라 예측되는 다양한 효과에 대해서는 후술될 상세한 설명 내에서 개시될 것이다.In addition, the effects obtainable or predicted by the embodiments of the present disclosure are to be disclosed directly or implicitly in the detailed description of the embodiments of the present disclosure. For example, various effects predicted according to embodiments of the present disclosure will be disclosed in the detailed description to be described later.
도 1은 문법 오류 교정 모델의 학습 방법 및 동작을 설명하기 위한 도면이다.1 is a diagram for explaining a learning method and operation of a grammatical error correction model.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 도면이다.2 is a diagram for explaining an operation of an electronic device according to an embodiment of the present disclosure.
도 3은 본 개시의 다른 일 실시 예에 따른 변동 값을 획득하는 방법을 설명하기 위한 도면이다.3 is a diagram for explaining a method of obtaining a variation value according to another embodiment of the present disclosure.
도 4는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 도시한 블록도이다.4 is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure.
도 5는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.5 is a flowchart illustrating a method of controlling an electronic device according to an embodiment of the present disclosure.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.　Terms used in this specification will be briefly described, and the present disclosure will be described in detail.
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.The terms used in the embodiments of the present disclosure are selected as currently widely used general terms as possible while considering the functions in the present disclosure, which may vary depending on the intention or precedent of a person skilled in the art, the emergence of new technology, etc. . In addition, in specific cases, there are also terms arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the corresponding disclosure. Therefore, the terms used in the present disclosure should be defined based on the meaning of the term and the contents of the present disclosure, rather than the simple name of the term.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.Embodiments of the present disclosure may apply various transformations and may have various embodiments, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the scope of the specific embodiments, and it should be understood to include all transformations, equivalents and substitutions included in the spirit and scope of the disclosure. In describing the embodiments, if it is determined that a detailed description of a related known technology may obscure the subject matter, the detailed description thereof will be omitted.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms such as first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from another.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present application, terms such as "comprises" or "consisting of" are intended to designate that the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification exist, but one or more other It is to be understood that this does not preclude the possibility of addition or presence of features or numbers, steps, operations, components, parts, or combinations thereof.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.　그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the accompanying drawings, embodiments of the present disclosure will be described in detail so that those of ordinary skill in the art to which the present disclosure pertains can easily implement them. However, the present disclosure may be implemented in several different forms and is not limited to the embodiments described herein. And in order to clearly explain the present disclosure in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.
도 1은 문법 오류 교정 모델의 학습 방법 및 동작을 설명하기 위한 도면이다. 문법 오류 교정 모델(100)은 입력 문장(11)에 포함된 문법 오류를 교정하기 위한 모델이다. 문법 오류 교정 모델(100)은 서로 대응되는 입력 문장(11) 및 출력 문장(12)을 포함하는 학습 데이터를 바탕으로 학습될 수 있다. 구체적으로, 문법 오류 교정 모델(100)은 입력 문장(11)을 입력 받아, 입력 문장(11)에 포함된 문법적 오류가 교정된 출력 문장(12)을 획득하도록 학습될 수 있다. 학습된 문법 오류 교정 모델(100)은 입력 문장(11)에 포함된 복수의 단어(
Figure PCTKR2021018950-appb-img-000001
) 중 적어도 하나를 다른 단어로 변경할 수 있다. 예로, 제1 단어(
Figure PCTKR2021018950-appb-img-000002
)가 제2 단어(
Figure PCTKR2021018950-appb-img-000003
)로 변경될 수 있다. 한편, 입력 문장(11) 및 출력 문장(12)에 포함된 각각의 단어(x, y)는 텍스트 또는 벡터일 수 있다.1 is a diagram for explaining a learning method and operation of a grammatical error correction model. The grammatical error correction model 100 is a model for correcting grammatical errors included in the input sentence 11 . The grammatical error correction model 100 may be learned based on learning data including input sentences 11 and output sentences 12 corresponding to each other. Specifically, the grammatical error correction model 100 may receive the input sentence 11 and learn to obtain the output sentence 12 in which the grammatical error included in the input sentence 11 is corrected. The learned grammatical error correction model 100 includes a plurality of words (
Figure PCTKR2021018950-appb-img-000001
) can be replaced with another word. For example, the first word (
Figure PCTKR2021018950-appb-img-000002
) is the second word (
Figure PCTKR2021018950-appb-img-000003
) can be changed to Meanwhile, each word (x, y) included in the input sentence 11 and the output sentence 12 may be a text or a vector.
한편, 문법 오류 교정 모델(100)의 성능을 향상시키려면 대량의 학습 데이터를 수집하는 것이 중요하다. 문법 오류 교정 모델(100)의 학습 데이터가 충분하지 못하면, 문법 오류 교정 모델(100)이 과적합되어 학습 데이터에 포함되지 않은 새로운 데이터가 입력되었을 때, 이를 잘 처리하지 못할 수도 있기 때문이다.Meanwhile, in order to improve the performance of the grammar error correction model 100 , it is important to collect a large amount of learning data. This is because, if the training data of the grammatical error correction model 100 is insufficient, the grammatical error correction model 100 is overfitted and when new data not included in the training data is input, it may not be able to process it well.
이항에서는, 문법 오류 교정 모델(100)의 학습을 위한 학습 데이터를 획득하는 방법에 대하여 설명하도록 한다. 한편, 이하에서, 문법 오류 교정 모델(100)은 제1 신경망 모델로 지칭될 수 있다.In this section, a method of acquiring learning data for learning the grammatical error correction model 100 will be described. Meanwhile, hereinafter, the grammatical error correction model 100 may be referred to as a first neural network model.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 도면이다. 전자 장치(400)는 제1 입력 문장에 대한 정보(21) 및 제1 출력 문장에 대한 정보(22)를 포함하는 학습 데이터를 바탕으로 제1 신경망 모델(200)을 학습시킬 수 있다. 여기서, 제1 입력 문장에 대한 정보(21) 및 제1 출력 문장에 대한 정보(22)는 전자 장치(400)에 미리 저장되어 있을 수 있다. 또한, 제1 입력 문장에 대한 정보(21)는 제1 입력 문장에 포함된 단어에 대응되는 벡터를 포함할 수 있다. 그리고, 제1 출력 문장에 대한 정보(22)는 제1 출력 문장에 포함된 단어에 대응되는 벡터를 포함할 수 있다.2 is a diagram for explaining an operation of an electronic device according to an embodiment of the present disclosure. The electronic device 400 may train the first neural network model 200 based on training data including the information 21 on the first input sentence and the information 22 on the first output sentence. Here, the information 21 on the first input sentence and the information 22 on the first output sentence may be previously stored in the electronic device 400 . Also, the information 21 on the first input sentence may include a vector corresponding to a word included in the first input sentence. In addition, the information 22 on the first output sentence may include a vector corresponding to a word included in the first output sentence.
한편, 전자 장치(400)는 제1 신경망 모델(200)의 학습을 위한 새로운 입력 문장에 대한 정보를 획득할 수 있다. 예로, 전자 장치(400)는 제1 입력 문장에 대한 정보(21)에 변동 값(perturbation value)(23)을 부가하여 제2 입력 문장에 대한 정보(24)를 획득할 수 있다. 여기서, 변동 값(perturbation value)(23)은 임의의 값을 갖는 벡터일 수 있다. 한편, 전자 장치(400)는 제1 신경망 모델(200)에 대한 비용 함수의 값이 증가하도록 하는 변동 값(23)을 획득할 수 있다. 이에 따라, 학습 데이터 획득 모듈(210)은 제1 신경망 모델(200)이 잘 처리하지 못하는 제2 입력 문장에 대한 정보(24)를 획득할 수 있다. Meanwhile, the electronic device 400 may acquire information on a new input sentence for learning the first neural network model 200 . For example, the electronic device 400 may acquire the information 24 on the second input sentence by adding a perturbation value 23 to the information 21 on the first input sentence. Here, the perturbation value 23 may be a vector having an arbitrary value. Meanwhile, the electronic device 400 may obtain a variation value 23 that causes the value of the cost function for the first neural network model 200 to increase. Accordingly, the learning data acquisition module 210 may acquire the information 24 about the second input sentence that the first neural network model 200 does not process well.
한편, 전자 장치(400)는 변동 값(23)에 하이퍼파라미터(
Figure PCTKR2021018950-appb-img-000004
)를 곱한 값을 제1 입력 문장에 대한 정보(21)에 더하여 제2 입력 문장에 대한 정보(24)를 획득할 수 있다. 하이퍼파라미터(
Figure PCTKR2021018950-appb-img-000005
)는 변동 값(23)의 크기를 조절하기 위한 0에서 1 사이의 값일 수 있다. 전자 장치(400)는 제1 입력 문장에 대한 정보(21)와 제2 입력 문장에 대한 정보(24)의 차이가 기 설정된 범위 이내가 되도록 하는 하이퍼파라미터(
Figure PCTKR2021018950-appb-img-000006
)를 결정할 수 있다.On the other hand, the electronic device 400 is a hyperparameter (
Figure PCTKR2021018950-appb-img-000004
) may be added to the information 21 on the first input sentence to obtain the information 24 on the second input sentence. hyperparameter (
Figure PCTKR2021018950-appb-img-000005
) may be a value between 0 and 1 for adjusting the magnitude of the variation value 23 . The electronic device 400 provides a hyperparameter (
Figure PCTKR2021018950-appb-img-000006
) can be determined.
이와 같이, 새로운 입력 문장인 제2 입력 문장에 대한 정보(24)가 획득되면, 전자 장치(400)는 제2 입력 문장에 대한 정보(24)를 포함하는 학습 데이터를 바탕으로 제1 신경망 모델(200)을 학습시킬 수 있다. 구체적으로, 전자 장치(400)는 제1 신경망 모델(200)이 제2 입력 문장에 대한 정보(24)를 입력 받아 제1 출력 문장에 대한 정보(22)를 출력하도록 제1 신경망 모델(200)을 학습시킬 수 있다. 학습 데이터에 제2 입력 문장에 대한 정보(24)가 추가되어 전체 학습 데이터의 양이 증가하므로, 제1 신경망 모델(200)의 성능은 향상될 수 있다.As such, when the information 24 on the second input sentence, which is a new input sentence, is obtained, the electronic device 400 sets the first neural network model ( 200) can be learned. Specifically, the electronic device 400 receives the information 24 on the second input sentence from the first neural network model 200 and outputs the information 22 on the first output sentence. can be learned Since the information 24 on the second input sentence is added to the training data to increase the total amount of training data, the performance of the first neural network model 200 may be improved.
한편, 전자 장치(400)는 다양한 방법으로 변동 값(23) 및 제2 입력 문장(24)에 대한 정보를 획득할 수 있다. 전자 장치(400)는 [수학식 1], [수학식 2] 및 [수학식 3]에 기초하여 변동 값(23)을 획득할 수 있다.Meanwhile, the electronic device 400 may acquire information about the variation value 23 and the second input sentence 24 in various ways. The electronic device 400 may obtain the variation value 23 based on [Equation 1], [Equation 2], and [Equation 3].
Figure PCTKR2021018950-appb-img-000007
Figure PCTKR2021018950-appb-img-000007
Figure PCTKR2021018950-appb-img-000008
Figure PCTKR2021018950-appb-img-000008
Figure PCTKR2021018950-appb-img-000009
Figure PCTKR2021018950-appb-img-000009
여기서,
Figure PCTKR2021018950-appb-img-000010
는 제2 입력 문장에 대한 정보, x 는 제1 입력 문장에 대한 정보,
Figure PCTKR2021018950-appb-img-000011
는 제1 신경망 모델(200)에 대한 손실 함수,
Figure PCTKR2021018950-appb-img-000012
는 제1 출력 문장에 대한 정보, r은 변동 값을 의미할 수 있다. here,
Figure PCTKR2021018950-appb-img-000010
is information about the second input sentence, x is information about the first input sentence,
Figure PCTKR2021018950-appb-img-000011
is the loss function for the first neural network model 200,
Figure PCTKR2021018950-appb-img-000012
may mean information about the first output sentence, and r may mean a change value.
전자 장치(400)는 제1 입력 문장에 대한 정보(21) 및 제1 출력 문장에 대한 정보(22)를 손실 함수(
Figure PCTKR2021018950-appb-img-000013
)에 입력하여 손실 값을 획득할 수 있다. 그리고, 전자 장치(400)는 손실 값을 제1 입력 문장에 대해 미분하여 변동 값(23)을 획득할 수 있다. The electronic device 400 converts the information 21 on the first input sentence and the information 22 on the first output sentence into a loss function (
Figure PCTKR2021018950-appb-img-000013
) to obtain the loss value. Then, the electronic device 400 may obtain the variation value 23 by differentiating the loss value with respect to the first input sentence.
도 3은 본 개시의 다른 일 실시 예에 따른 변동 값을 획득하는 방법을 설명하기 위한 도면이다. 전자 장치(400)는 제1 입력 문장에 대한 정보(31)를 제2 신경망 모델(320)에 입력하여 변동 값(33)을 획득할 수 있다. 여기서, 제2 신경망 모델(320)은 제1 입력 문장에 대한 정보(31)를 바탕으로 손실 함수(
Figure PCTKR2021018950-appb-img-000014
)의 값이 기설정된 값보다 커지도록 하는 변동 값(33)을 출력하도록 학습될 수 있다. 3 is a diagram for explaining a method of obtaining a variation value according to another embodiment of the present disclosure. The electronic device 400 may obtain the variation value 33 by inputting the information 31 on the first input sentence into the second neural network model 320 . Here, the second neural network model 320 is a loss function (
Figure PCTKR2021018950-appb-img-000014
) may be learned to output a variation value 33 that makes the value of the value greater than a preset value.
전자 장치(400)는 변동 값(33)을 바탕으로 제2 입력 문장에 대한 정보(34)를 획득할 수 있다. 예로, 전자 장치(400)는 [수학식 1]에 기초하여 제2 입력 문장에 대한 정보(34)를 획득할 수 있다. 그리고, 전자 장치(400)는 제2 입력 문장에 대한 정보(34) 및 제1 출력 문장에 대한 정보(32)를 바탕으로 제1 신경망 모델(310)을 학습시킬 수 있다. 예를 들어, 전자 장치(400)는 제2 입력 문장에 대한 정보(34)를 제1 신경망 모델(310)에 입력하여 제2 출력 문장에 대한 정보(미도시)를 획득할 수 있다. 그리고, 전자 장치(400)는 제1 출력 문장에 대한 정보(32)와 제2 출력 문장에 대한 정보의 차이가 기설정된 값보다 작아지도록 제1 신경망 모델(310)을 학습시킬 수 있다.The electronic device 400 may acquire the information 34 about the second input sentence based on the change value 33 . For example, the electronic device 400 may obtain the information 34 about the second input sentence based on [Equation 1]. In addition, the electronic device 400 may train the first neural network model 310 based on the information 34 on the second input sentence and the information 32 on the first output sentence. For example, the electronic device 400 may obtain information (not shown) on the second output sentence by inputting the information 34 on the second input sentence into the first neural network model 310 . Also, the electronic device 400 may train the first neural network model 310 such that a difference between the information 32 on the first output sentence and the information on the second output sentence is smaller than a preset value.
한편, 도 3에서는 제1 신경망 모델(310) 및 제2 신경망 모델(320)을 분리하여 각각 도시하였으나, 제1 신경망 모델(310) 및 제2 신경망 모델(320)은 통합된 하나의 신경망 모델로 구현될 수 있다.Meanwhile, in FIG. 3 , the first neural network model 310 and the second neural network model 320 are separated and illustrated, respectively, but the first neural network model 310 and the second neural network model 320 are integrated into one neural network model. can be implemented.
도 4는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 도시한 블록도이다. 전자 장치(400)는 메모리(410) 및 프로세서(420)를 포함할 수 있다. 예로, 전자 장치(400)는 서버일 수 있다.4 is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure. The electronic device 400 may include a memory 410 and a processor 420 . For example, the electronic device 400 may be a server.
메모리(410)는 전자 장치(400)의 구성요소들의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System) 및 전자 장치(400)의 구성요소와 관련된 명령 또는 데이터를 저장할 수 있다. 이를 위해 메모리(410)는 비휘발성 메모리(ex: 하드 디스크, SSD(Solid state drive), 플래시 메모리), 휘발성 메모리 등으로 구현될 수 있다. 특히, 메모리(410)는 제1 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 포함하는 학습 데이터를 저장할 수 있다. 또한, 메모리(410)는 문법 오류 교정을 위한 제1 신경망 모델 및 변동 값 생성을 위한 제2 신경망 모델을 저장할 수 있다. The memory 410 may store an operating system (OS) for controlling overall operations of the components of the electronic device 400 and commands or data related to the components of the electronic device 400 . To this end, the memory 410 may be implemented as a non-volatile memory (eg, a hard disk, a solid state drive (SSD), a flash memory), a volatile memory, or the like. In particular, the memory 410 may store learning data including information on the first input sentence and information on the first output sentence. Also, the memory 410 may store a first neural network model for correcting grammatical errors and a second neural network model for generating a variation value.
프로세서(420)는 전자 장치(400)의 전반적인 동작을 제어할 수 있다.The processor 420 may control the overall operation of the electronic device 400 .
예로, 프로세서(420)는 제1 신경망 모델의 학습을 위한 제1 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 포함하는 학습 데이터를 획득할 수 있다. 여기서, 제1 신경망 모델은 입력 문장에 포함된 문법 오류를 교정하기 위한 모델일 수 있다.For example, the processor 420 may obtain training data including information on a first input sentence and information on a first output sentence for learning the first neural network model. Here, the first neural network model may be a model for correcting a grammatical error included in an input sentence.
프로세서(420)는 학습 데이터를 바탕으로 제1 입력 문장에 대한 정보에 대응되는 변동 값을 획득할 수 있다. 특히, 프로세서(420)는 제1 신경망 모델에 대한 손실 함수의 값이 기설정된 값보다 커지도록하는 값을 변동값으로 획득할 수 있다. 일 예로, 프로세서(420)는 제1 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 제1 신경망 모델에 대한 손실 함수에 입력하여 제1 손실 값을 획득할 수 있다. 그리고, 프로세서(420)는 제1 손실 값을 미분하여 변동 값을 획득할 수 있다. 다른 일 예로, 프로세서(420)는 제1 입력 문장에 대한 정보를 제2 신경망 모델에 입력하여 변동 값을 획득할 수 있다. 여기서, 제2 신경망 모델은 입력 문장에 대한 정보를 바탕으로 변동 값을 출력하도록 학습된 CNN (Convolutional Neural Network)일 수 있다. 다만, 이는 일 실시 예에 불과하며, 제2 신경망 모델은 RNN (Recurrent Neural Network)으로 구현될 수도 있다.The processor 420 may acquire a change value corresponding to the information on the first input sentence based on the learning data. In particular, the processor 420 may obtain a value that causes the value of the loss function for the first neural network model to be greater than a preset value as a change value. As an example, the processor 420 may obtain the first loss value by inputting the information on the first input sentence and the information on the first output sentence to the loss function for the first neural network model. Then, the processor 420 may obtain a variation value by differentiating the first loss value. As another example, the processor 420 may obtain a variation value by inputting information about the first input sentence into the second neural network model. Here, the second neural network model may be a Convolutional Neural Network (CNN) trained to output a variation value based on information about an input sentence. However, this is only an embodiment, and the second neural network model may be implemented as a recurrent neural network (RNN).
프로세서(420)는 제1 입력 문장에 대한 정보 및 변동 값을 바탕으로 제2 입력 문장에 대한 정보를 획득할 수 있다. 예를 들어, 프로세서(420)는 변동 값에 하이퍼파라미터를 곱하고, 하이퍼파라미터가 반영된 변동 값을 제1 입력 문장에 대한 정보에 부가하여 제2 입력 문장에 대한 정보를 획득할 수 있다.The processor 420 may acquire information on the second input sentence based on the information on the first input sentence and the change value. For example, the processor 420 may obtain information on the second input sentence by multiplying the variation value by the hyperparameter and adding the variation value reflecting the hyperparameter to the information on the first input sentence.
프로세서(420)는 제2 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 바탕으로 제1 신경망 모델을 학습시킬 수 있다. 예를 들어, 프로세서(420)는 제2 입력 문장에 대한 정보를 제1 신경망 모델에 입력하여 제2 출력 문장에 대한 정보를 획득할 수 있다. 그리고, 프로세서(420)는 제1 출력 문장에 대한 정보와 제2 출력 문장에 대한 정보의 차이가 기설정된 값보다 작아지도록 제1 신경망 모델을 학습시킬 수 있다.The processor 420 may train the first neural network model based on the information on the second input sentence and the information on the first output sentence. For example, the processor 420 may obtain information on the second output sentence by inputting information on the second input sentence to the first neural network model. In addition, the processor 420 may train the first neural network model such that a difference between the information on the first output sentence and the information on the second output sentence is smaller than a preset value.
한편, 본 개시에 따른 인공지능과 관련된 기능은 프로세서(420)와 메모리(410)를 통해 동작된다. 프로세서(420)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리(410)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. Meanwhile, the functions related to artificial intelligence according to the present disclosure are operated through the processor 420 and the memory 410 . The processor 420 may include one or a plurality of processors. In this case, the one or more processors may be a general-purpose processor such as a CPU, an AP, a digital signal processor (DSP), or the like, a graphics-only processor such as a GPU, a VPU (Vision Processing Unit), or an artificial intelligence-only processor such as an NPU. One or more processors control to process input data according to a predefined operation rule or artificial intelligence model stored in the memory 410 . Alternatively, when one or more processors are AI-only processors, the AI-only processor may be designed with a hardware structure specialized for processing a specific AI model.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.The predefined action rule or artificial intelligence model is characterized in that it is created through learning. Here, being made through learning means that a basic artificial intelligence model is learned using a plurality of learning data by a learning algorithm, so that a predefined action rule or artificial intelligence model set to perform a desired characteristic (or purpose) is created means burden. Such learning may be performed in the device itself on which artificial intelligence according to the present disclosure is performed, or may be performed through a separate server and/or system. Examples of the learning algorithm include, but are not limited to, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning.
인공지능 모델은 학습을 통해 만들어 질 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.AI models can be created through learning. Here, being made through learning means that a basic artificial intelligence model is learned using a plurality of learning data by a learning algorithm, so that a predefined action rule or artificial intelligence model set to perform a desired characteristic (or purpose) is created means burden. The artificial intelligence model may be composed of a plurality of neural network layers. Each of the plurality of neural network layers has a plurality of weight values, and a neural network operation is performed through an operation between an operation result of a previous layer and a plurality of weights. The plurality of weights of the plurality of neural network layers may be optimized by the learning result of the artificial intelligence model. For example, a plurality of weights may be updated so that a loss value or a cost value obtained from the artificial intelligence model during the learning process is reduced or minimized.
인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), GAN (Generative Adversarial Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), 심층 Q-네트워크 (Deep Q-Networks) 또는 LSTM (Long Short Term Memory), Transformer 등이 있으나, 전술한 예에 한정되지 않는다.The artificial neural network may include a deep neural network (DNN), for example, a Convolutional Neural Network (CNN), a Deep Neural Network (DNN), a Recurrent Neural Network (RNN), a Generative Adversarial Network (GAN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), Deep Q-Networks or Long Short Term Memory (LSTM), Transformer, etc. is not limited to
도 5는 본 개시의 일 실세 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.5 is a flowchart illustrating a method of controlling an electronic device according to an exemplary embodiment of the present disclosure.
전자 장치(400)는 제1 신경망 모델의 학습을 위한 제1 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 포함하는 학습 데이터를 획득할 수 있다(S510). 전자 장치(400)는 메모리에 미리 저장된 학습 데이터를 획득할 수 있다. 여기서, 제1 신경망 모델은 입력 문장에 포함된 문법 오류를 교정하도록 학습되는 모델이다.The electronic device 400 may obtain learning data including information on the first input sentence and information on the first output sentence for learning the first neural network model ( S510 ). The electronic device 400 may acquire learning data previously stored in a memory. Here, the first neural network model is a model trained to correct a grammatical error included in an input sentence.
전자 장치(400)는 학습 데이터를 바탕으로 변동 값을 획득할 수 있다(S520). 전자 장치(400)는 제1 신경망 모델에 대한 손실 함수의 값이 기설정된 값보다 커지도록하는 변동값을 획득할 수 있다. 예를 들어, 전자 장치(400)는 제1 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 손실 함수에 입력하여 제1 손실 값을 획득하고, 제1 손실 값을 미분하여 변동값을 획득할 수 있다. 또는, 전자 장치(400)는 제1 입력 문장에 대한 정보를 입력 문장에 대한 정보를 바탕으로 변동값을 획득하도록 학습된 제2 신경망 모델에 입력하여 변동값을 획득할 수 있다.The electronic device 400 may obtain a variation value based on the learning data (S520). The electronic device 400 may acquire a variation value that causes the value of the loss function for the first neural network model to be greater than a preset value. For example, the electronic device 400 obtains a first loss value by inputting information on the first input sentence and information on the first output sentence into the loss function, and obtains a change value by differentiating the first loss value can do. Alternatively, the electronic device 400 may obtain the variation value by inputting information on the first input sentence into the second neural network model trained to obtain a variation value based on the information on the input sentence.
전자 장치(400)는 제1 입력 문장에 대한 정보 및 변동 값을 바탕으로 제2 입력 문장에 대한 정보를 획득할 수 있다(S530). 전자 장치(400)는 변동값에 하이퍼파라미터를 곱하고 제1 입력 문장에 대한 정보에 더하여 제2 입력 문장에 대한 정보를 획득할 수 있다. 여기서, 제1 입력 문장에 대한 정보 및 제2 입력 문장에 대한 정보는 각각 벡터일 수 있다.The electronic device 400 may acquire information on the second input sentence based on the information on the first input sentence and the change value ( S530 ). The electronic device 400 may multiply the variation value by the hyperparameter and acquire information on the second input sentence in addition to the information on the first input sentence. Here, the information on the first input sentence and the information on the second input sentence may be vectors, respectively.
전자 장치(400)는 제2 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 바탕으로 제1 신경망 모델을 학습할 수 있다(540). 전자 장치(400)는 제2 입력 문장에 대한 정보를 제1 신경망 모델에 입력하여 제2 출력 문장에 대한 정보를 획득할 수 있다. 그리고, 전자 장치(400)는 제1 출력 문장에 대한 정보와 제2 출력 문장에 대한 정보의 차이가 기설정된 값보다 작아지도록 제1 신경망 모델을 학습시킬 수 있다.The electronic device 400 may learn the first neural network model based on the information on the second input sentence and the information on the first output sentence ( S540 ). The electronic device 400 may obtain information on the second output sentence by inputting information on the second input sentence into the first neural network model. Also, the electronic device 400 may train the first neural network model such that a difference between the information on the first output sentence and the information on the second output sentence is smaller than a preset value.
한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.Meanwhile, the various embodiments described above may be implemented in a recording medium readable by a computer or a similar device using software, hardware, or a combination thereof. In some cases, the embodiments described herein may be implemented by the processor itself. According to the software implementation, embodiments such as the procedures and functions described in this specification may be implemented as separate software modules. Each of the software modules may perform one or more functions and operations described herein.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 처리 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium) 에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 처리 동작을 특정 기기가 수행하도록 할 수 있다.Meanwhile, computer instructions for performing the processing operation according to various embodiments of the present disclosure described above may be stored in a non-transitory computer-readable medium. When the computer instructions stored in the non-transitory computer-readable medium are executed by the processor, the processing operation according to the various embodiments described above may be performed by a specific device.
비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.The non-transitory computer-readable medium refers to a medium that stores data semi-permanently, rather than a medium that stores data for a short moment, such as a register, cache, memory, etc., and can be read by a device. Specific examples of the non-transitory computer-readable medium may include a CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, and the like.
한편, 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.Meanwhile, the device-readable storage medium may be provided in the form of a non-transitory storage medium. Here, 'non-transitory storage medium' is a tangible device and only means that it does not contain a signal (eg, electromagnetic wave). It does not distinguish the case where it is stored as For example, the 'non-transitory storage medium' may include a buffer in which data is temporarily stored.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.According to one embodiment, the method according to various embodiments disclosed in this document may be provided in a computer program product (computer program product). Computer program products may be traded between sellers and buyers as commodities. The computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play Store TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly, online between smartphones (eg: smartphones). In the case of online distribution, at least a portion of the computer program product (eg, a downloadable app) is stored at least in a machine-readable storage medium, such as a memory of a manufacturer's server, a server of an application store, or a relay server. It may be temporarily stored or temporarily created.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.In the above, preferred embodiments of the present disclosure have been illustrated and described, but the present disclosure is not limited to the specific embodiments described above, and is commonly used in the technical field pertaining to the present disclosure without departing from the gist of the present disclosure as claimed in the claims. Various modifications may be made by those having the knowledge of

Claims (13)

  1. 전자 장치에 있어서,In an electronic device,
    적어도 하나의 인스트럭션을 저장하는 메모리; 및a memory storing at least one instruction; and
    프로세서;를 포함하고,processor; including;
    상기 프로세서는,The processor is
    입력 문장에 포함된 문법 오류를 교정하도록 학습된 제1 신경망 모델의 학습을 위한 제1 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 포함하는 학습 데이터를 획득하고,Obtaining training data including information on a first input sentence and information on a first output sentence for learning a first neural network model trained to correct a grammatical error included in an input sentence,
    상기 학습 데이터를 바탕으로 상기 제1 입력 문장에 대한 정보에 대응되는 변동값을 획득하고, obtaining a change value corresponding to the information on the first input sentence based on the learning data,
    상기 제1 입력 문장에 대한 정보 및 상기 변동값을 바탕으로 제2 입력 문장에 대한 정보를 획득하고,Obtaining information on the second input sentence based on the information on the first input sentence and the change value,
    상기 제2 입력 문장에 대한 정보 및 상기 제1 출력 문장에 대한 정보를 바탕으로 상기 제1 신경망 모델을 학습시키는learning the first neural network model based on the information on the second input sentence and the information on the first output sentence
    전자 장치.electronic device.
  2. 제1 항에 있어서,The method of claim 1,
    상기 프로세서는,The processor is
    상기 제1 신경망 모델에 대한 손실 함수의 값이 기설정된 값보다 커지도록하는 값을 상기 변동값으로 획득하는 obtaining a value that causes the value of the loss function for the first neural network model to be greater than a preset value as the change value
    전자 장치.electronic device.
  3. 제2 항에 있어서,3. The method of claim 2,
    상기 프로세서는,The processor is
    상기 제1 입력 문장에 대한 정보 및 상기 제1 출력 문장에 대한 정보를 상기 손실 함수에 입력하여 제1 손실 값을 획득하고,inputting the information on the first input sentence and the information on the first output sentence into the loss function to obtain a first loss value;
    상기 제1 손실 값을 미분하여 상기 변동값을 획득하는 to obtain the change value by differentiating the first loss value
    전자 장치.electronic device.
  4. 제1 항에 있어서,The method of claim 1,
    상기 프로세서는,The processor is
    상기 제1 입력 문장에 대한 정보를 입력 문장에 대한 정보를 바탕으로 변동값을 획득하도록 학습된 제2 신경망 모델에 입력하여 상기 변동값을 획득하는Inputting information about the first input sentence into a second neural network model trained to obtain a variation value based on information on the input sentence to obtain the variation value
    전자 장치.electronic device.
  5. 제1 항에 있어서,The method of claim 1,
    상기 프로세서는,The processor is
    상기 변동값 및 상기 변동값의 크기를 조절하기 위한 하이퍼파라미터를 바탕으로 상기 제2 입력 문장에 대한 정보를 획득하는obtaining information on the second input sentence based on the variation value and a hyperparameter for adjusting the magnitude of the variation value;
    전자 장치.electronic device.
  6. 제1 항에 있어서,The method of claim 1,
    상기 프로세서는,The processor is
    상기 제2 입력 문장에 대한 정보를 상기 제1 신경망 모델에 입력하여 제2 출력 문장에 대한 정보를 획득하고,inputting the information on the second input sentence into the first neural network model to obtain information on the second output sentence,
    상기 제1 출력 문장에 대한 정보와 상기 제2 출력 문장에 대한 정보의 차이가 기설정된 값보다 작아지도록 상기 제1 신경망 모델을 학습시키는training the first neural network model so that a difference between the information on the first output sentence and the information on the second output sentence is smaller than a preset value
    전자 장치.electronic device.
  7. 전자 장치의 제어 방법에 있어서,A method for controlling an electronic device, comprising:
    입력 문장에 포함된 문법 오류를 교정하도록 학습된 제1 신경망 모델의 학습을 위한 제1 입력 문장에 대한 정보 및 제1 출력 문장에 대한 정보를 포함하는 학습 데이터를 획득하는 단계;obtaining training data including information on a first input sentence and information on a first output sentence for training a first neural network model trained to correct a grammatical error included in the input sentence;
    상기 학습 데이터를 바탕으로 상기 제1 입력 문장에 대한 정보에 대응되는 변동값을 획득하는 단계; obtaining a change value corresponding to the information on the first input sentence based on the learning data;
    상기 제1 입력 문장에 대한 정보 및 상기 변동값을 바탕으로 제2 입력 문장에 대한 정보를 획득하는 단계; 및obtaining information on a second input sentence based on the information on the first input sentence and the change value; and
    상기 제2 입력 문장에 대한 정보 및 상기 제1 출력 문장에 대한 정보를 바탕으로 상기 제1 신경망 모델을 학습시키는 단계;를 포함하는learning the first neural network model based on the information on the second input sentence and the information on the first output sentence;
    제어 방법.control method.
  8. 제7 항에 있어서,8. The method of claim 7,
    상기 변동값을 획득하는 단계는,The step of obtaining the change value is
    상기 제1 신경망 모델에 대한 손실 함수의 값이 기설정된 값보다 커지도록하는 값을 상기 변동값으로 획득하는 obtaining a value that causes the value of the loss function for the first neural network model to be greater than a preset value as the change value
    제어 방법.control method.
  9. 제8 항에 있어서,9. The method of claim 8,
    상기 변동값을 획득하는 단계는,The step of obtaining the change value is
    상기 제1 입력 문장에 대한 정보 및 상기 제1 출력 문장에 대한 정보를 상기 손실 함수에 입력하여 제1 손실 값을 획득하고,inputting the information on the first input sentence and the information on the first output sentence into the loss function to obtain a first loss value;
    상기 제1 손실 값을 미분하여 상기 변동값을 획득하는to obtain the change value by differentiating the first loss value
    제어 방법.control method.
  10. 제7 항에 있어서,8. The method of claim 7,
    상기 변동값을 획득하는 단계는,The step of obtaining the change value is
    상기 제1 입력 문장에 대한 정보를 입력 문장에 대한 정보를 바탕으로 변동값을 획득하도록 학습된 제2 신경망 모델에 입력하여 상기 변동값을 획득하는Inputting information about the first input sentence into a second neural network model trained to obtain a variation value based on information on the input sentence to obtain the variation value
    제어 방법.control method.
  11. 제7 항에 있어서,8. The method of claim 7,
    상기 제2 입력 문장에 대한 정보를 획득하는 단계는,The step of obtaining information about the second input sentence includes:
    상기 변동값 및 상기 변동값의 크기를 조절하기 위한 하이퍼파라미터를 바탕으로 상기 제2 입력 문장에 대한 정보를 획득하는obtaining information on the second input sentence based on the variation value and a hyperparameter for adjusting the magnitude of the variation value;
    제어 방법.control method.
  12. 제7 항에 있어서,8. The method of claim 7,
    상기 제1 신경망 모델을 학습시키는 단계는,The step of training the first neural network model comprises:
    상기 제2 입력 문장에 대한 정보를 상기 제1 신경망 모델에 입력하여 제2 출력 문장에 대한 정보를 획득하고,inputting the information on the second input sentence into the first neural network model to obtain information on the second output sentence,
    상기 제1 출력 문장에 대한 정보와 상기 제2 출력 문장에 대한 정보의 차이가 기설정된 값보다 작아지도록 상기 제1 신경망 모델을 학습시키는training the first neural network model so that a difference between the information on the first output sentence and the information on the second output sentence is smaller than a preset value
    제어 방법.control method.
  13. 제7 항 내지 제12 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 비일시적인(non-transitory) 기록매체.A computer-readable non-transitory recording medium in which a program for executing the method of any one of claims 7 to 12 in a computer is recorded.
PCT/KR2021/018950 2021-01-22 2021-12-14 Electronic device and control method therefor WO2022158718A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210009146A KR20220106331A (en) 2021-01-22 2021-01-22 Electronic apparatus and method for controlling thereof
KR10-2021-0009146 2021-01-22

Publications (1)

Publication Number Publication Date
WO2022158718A1 true WO2022158718A1 (en) 2022-07-28

Family

ID=82549519

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/018950 WO2022158718A1 (en) 2021-01-22 2021-12-14 Electronic device and control method therefor

Country Status (2)

Country Link
KR (1) KR20220106331A (en)
WO (1) WO2022158718A1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200031154A (en) * 2017-08-03 2020-03-23 링고챔프 인포메이션 테크놀로지 (상하이) 컴퍼니, 리미티드 In-depth context-based grammatical error correction using artificial neural networks
KR102109860B1 (en) * 2018-10-05 2020-05-12 동아대학교 산학협력단 System and Method for Extracting Deep Learning Based Causal Relation with Expansion of Training Data
CN111178527A (en) * 2019-12-31 2020-05-19 北京航空航天大学 Progressive confrontation training method and device
KR20200108609A (en) * 2019-03-11 2020-09-21 연세대학교 산학협력단 Learning-data enhancement device for machine learning model and method for learning-data enhancement

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200031154A (en) * 2017-08-03 2020-03-23 링고챔프 인포메이션 테크놀로지 (상하이) 컴퍼니, 리미티드 In-depth context-based grammatical error correction using artificial neural networks
KR102109860B1 (en) * 2018-10-05 2020-05-12 동아대학교 산학협력단 System and Method for Extracting Deep Learning Based Causal Relation with Expansion of Training Data
KR20200108609A (en) * 2019-03-11 2020-09-21 연세대학교 산학협력단 Learning-data enhancement device for machine learning model and method for learning-data enhancement
CN111178527A (en) * 2019-12-31 2020-05-19 北京航空航天大学 Progressive confrontation training method and device

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FENG JI, CAI QI-ZHI, ZHOU ZHI-HUA: "Learning to Confuse: Generating Training Time Adversarial Data with Auto-Encoder", 33RD CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS (NEURIPS 2019), 1 December 2019 (2019-12-01), pages 1 - 11, XP055952252 *

Also Published As

Publication number Publication date
KR20220106331A (en) 2022-07-29

Similar Documents

Publication Publication Date Title
CN112487182B (en) Training method of text processing model, text processing method and device
CN111985229B (en) Sequence labeling method and device and computer equipment
CN107273356B (en) Artificial intelligence based word segmentation method, device, server and storage medium
CN109947931B (en) Method, system, device and medium for automatically abstracting text based on unsupervised learning
US11232263B2 (en) Generating summary content using supervised sentential extractive summarization
KR20200129639A (en) Model training method and apparatus, and data recognizing method
US11669687B1 (en) Systems and methods for natural language processing (NLP) model robustness determination
WO2021132797A1 (en) Method for classifying emotions of speech in conversation by using semi-supervised learning-based word-by-word emotion embedding and long short-term memory model
EP4060526A1 (en) Text processing method and device
KR20220094967A (en) Method and system for federated learning of artificial intelligence for diagnosis of depression
CN114118022A (en) Text representation method and device, electronic equipment and storage medium
CN110399488A (en) File classification method and device
WO2022145611A1 (en) Electronic device and method for controlling same
CN109886402B (en) Deep learning model training method, device, computer equipment and storage medium
CN115631825A (en) Method for automatically generating structured report by using natural language model and related equipment
CN110083842B (en) Translation quality detection method, device, machine translation system and storage medium
WO2022158718A1 (en) Electronic device and control method therefor
WO2022092445A1 (en) Electronic device and control method thereof
CN116842384A (en) Multi-mode model training method and device, electronic equipment and readable storage medium
US20220406217A1 (en) Deep learning-based pedagogical word recommendation system for predicting and improving vocabulary skills of foreign language learners
CN111340117A (en) CTC model training method, data processing method, device and storage medium
CN116740630A (en) Construction site fire disaster identification method and device based on depth model fusion frame
WO2021045434A1 (en) Electronic device and control method therefor
CN114372467A (en) Named entity extraction method and device, electronic equipment and storage medium
CN116523032B (en) Image text double-end migration attack method, device and medium

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21921477

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21921477

Country of ref document: EP

Kind code of ref document: A1