Generating Hierarchical Schemas from Low-level Sensory Data using Deep Neural Networks
저자
발행사항
서울 : 서울대학교 대학원, 2018
학위논문사항
학위논문(박사)-- 서울대학교 대학원 : 전기·컴퓨터공학부 전기·컴퓨터공학전공 2018. 2
발행연도
2018
작성언어
영어
주제어
DDC
621.3 판사항(22)
발행국(도시)
서울
기타서명
깊은 신경망을 이용하여 저수준 센서 데이터에 내재된 계층적 스키마를 생성하는 방법
형태사항
xi, 87 p. : 삽화, 도표 ; 26 cm
일반주기명
참고문헌 수록
DOI식별코드
소장기관
Deep neural networks to automatically construct hierarchical schemas from low-level sensory data is presented.
This thesis suggests a new architecture and learning method of deep neural networks, which can get multimodal sensory data as input and learn that input data.
Then, knowledge schemas which are needed to achieve given tasks are extracted from the learned deep neural networks.
As results, three challenging tasks are solved by suggested deep neural network, also corresponding knowledge schemas are automatically constructed from the learned networks.
First of all, a new architecture of deep neural network is designed in order to deal with low-level sensory data over time.
While lots of machine learning algorithms learn from static and unimodal data as inputs, human can learn so continuously in a noisy, complex and changing environment.
Human take noisy and diverse sensory inputs, select small pieces of inputs to be given attention, and integrate the selected inputs robustly and rapidly.
To resolve the limitations of the machine learning algorithms inspired by human mechanisms, new gate modules to deep neural networks are suggested.
Suggested neural networks consider the multimodal sequential data inputs as a set of data piece consisting of two axis, one is spatial (modalites) and the other one is temporal axis.
At each time step, the suggested network selects small number of data pieces, aligns the pieces, and the combines them into a vector representation.
New gate modules are developed to resolve this problem and this module is applied to deep neural networks.
After training the suggested neural networks, knowledge schemas to achieve the given tasks are automatically extracted.
Contrary to the conventional researches on knowledge representation, which manually pre-define the structure of the knowledge after investigating the data, this thesis try to find knowledge schemas inherent in the input data automatically.
Hierarchical causal structures are extracted from the learned neural networks, by analyzing the hidden nodes with population code methods.
Each hidden layer with number of hidden neurons is considered as a population and the activation patterns are analyzed to construct causal structures.
From the causal structures of each hidden layers, a hierarchical knowledge schema is automatically obtained.
The suggested methods, which are the new deep neural network model for multimodal sequential learning and the knowledge schema construction method, are applied to a visual dialogue dataset and a wearable sensory dataset collected from real world.
As the experimental results, the state-of-the-art performances on the three challenging tasks are described.
Also, possibilities of explaining the results of the machine learning algorithms are discussed from the automatically constructed knowledge schemas.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)