公开(公告)号：KR20210032612A

公开(公告)日：2021-03-25

申请号：KR1020190113642A

申请日：2019-09-16

Applicant: 서울대학교산학협력단

Inventor： 이재욱 ,  박새롬 ,  이우진

IPC: G06F40/20 ,  G06F16/93 ,  G06N3/04 ,  G06N3/08

CPC classification number: G06F40/284 ,  G06F16/93 ,  G06N3/04 ,  G06N3/08

Abstract: 문서 임베딩(document embedding)을 생성하는 장치는, 뉴럴 네트워크(neural network)를 구현하기 위한 프로그램을 저장하는 메모리, 및 프로그램을 실행함으로써 문서 임베딩을 생성하는 프로세서를 포함하고, 프로세서는, 제1 도메인 및 제2 도메인 중 어느 하나에 포함되는 문서들 각각의 문서 임베딩 초기값, 및 문서들에 포함되는 전체 워드들 각각의 워드 임베딩 초기값을 설정하고, 뉴럴 네트워크에 대하여 제1 도메인 및 제2 도메인 간의 도메인 적응(domain adaptation)을 위한 제1 트레이닝을 수행함으로써 워드 임베딩 초기값을 워드 임베딩 최종값으로 업데이트하고, 워드 임베딩 최종값에 기초하여 뉴럴 네트워크에 대하여 도메인 적응을 위한 제2 트레이닝을 수행함으로써 문서 임베딩 초기값을 문서 임베딩 최종값으로 업데이트한다.

公开(公告)号：KR101949448B1

公开(公告)日：2019-02-18

申请号：KR1020170053233

申请日：2017-04-25

Applicant: 서울대학교산학협력단

Inventor： 이재욱 ,  박새롬 ,  손영두

IPC: G06F17/10 ,  G06F16/00 ,  G06N99/00

公开(公告)号：KR101895121B1

公开(公告)日：2018-09-04

申请号：KR1020160116110

申请日：2016-09-09

Applicant: 서울대학교산학협력단

Inventor： 이재욱 ,  박새롬 ,  장희수 ,  손영두

IPC: G06N3/08 ,  G06N99/00

Abstract: 본발명은관련도벡터머신을이용한기계학습방법, 이를구현하는컴퓨터프로그램및 이를수행하도록구성되는정보처리장치에관한것이다. 구체적으로, 기계학습방법은, (1) 데이터포인트들을포함한원시데이터집합중 일부의데이터포인트들만라벨링된경우, 라벨링된데이터포인트들의제1 데이터집합및 라벨링되지않은데이터포인트들의제2 데이터집합을초기값으로설정하여, 베이지안회귀모델에기초한변환적일반화관련도벡터머신을구성하는단계와, (2) 상기관련도벡터머신으로부터획득된분포에기초하여상기제2 데이터집합으로부터선택된관련도벡터들의제3 데이터집합을획득하는단계와, (3) 상기제3 데이터집합에포함된관련도벡터들에기초하여, 상기제1 및제2 데이터집합들의갱신을위한제4 데이터집합을구성하고상기제1 데이터집합및 제2 데이터집합을갱신하는단계와, (4) 상기갱신된제1 데이터집합및 제2 데이터집합을초기값으로설정하여, 상기단계 (1)의변환적일반화관련도벡터머신을재구성하는단계와, (5) 상기단계 (2) 내지단계 (4)를반복하여최종구성되는관련도벡터머신으로부터관련도벡터및 가중치를획득하는단계를포함한다.

公开(公告)号：KR20180028610A

公开(公告)日：2018-03-19

申请号：KR20160116110

申请日：2016-09-09

Applicant: 서울대학교산학협력단

Inventor： 이재욱 ,  박새롬 ,  장희수 ,  손영두

IPC: G06N3/08 ,  G06N99/00

CPC classification number: G06N3/08 ,  G06N99/005

Abstract: 본발명은관련도벡터머신을이용한기계학습방법, 이를구현하는컴퓨터프로그램및 이를수행하도록구성되는정보처리장치에관한것이다. 구체적으로, 기계학습방법은, (1) 데이터포인트들을포함한원시데이터집합중 일부의데이터포인트들만라벨링된경우, 라벨링된데이터포인트들의제1 데이터집합및 라벨링되지않은데이터포인트들의제2 데이터집합을초기값으로설정하여, 베이지안회귀모델에기초한변환적일반화관련도벡터머신을구성하는단계와, (2) 상기관련도벡터머신으로부터획득된분포에기초하여상기제2 데이터집합으로부터선택된관련도벡터들의제3 데이터집합을획득하는단계와, (3) 상기제3 데이터집합에포함된관련도벡터들에기초하여, 상기제1 및제2 데이터집합들의갱신을위한제4 데이터집합을구성하고상기제1 데이터집합및 제2 데이터집합을갱신하는단계와, (4) 상기갱신된제1 데이터집합및 제2 데이터집합을초기값으로설정하여, 상기단계 (1)의변환적일반화관련도벡터머신을재구성하는단계와, (5) 상기단계 (2) 내지단계 (4)를반복하여최종구성되는관련도벡터머신으로부터관련도벡터및 가중치를획득하는단계를포함한다.

Abstract translation: 本发明涉及一种计算机程序和配置为这样的信息处理设备，其使用向量机还实现了一个机器学习方法，该相关。 更具体而言，机器学习方法，包括：（1）当仅所述原始数据集的数据点，包括数据点，最初，第一数据组的第二数据组和未标记数据的标记的数据点的点的标记部 基于从相关度矢量获得的分布从第二组数据中选择的相关矢量的矢量的值; （3）基于包括在第三组数据中的相关矢量构造用于更新第一和第二组数据的第四组数据， （4）将更新的第一数据集和第二数据集设置为初始值，并更新步骤（1）的变换后的泛化相关向量机; 配置的从相关向量机的工序，（5）获得的相关矢量的步骤，和重量通过重复步骤最终形成（2）至（4）。