JP2007328507A - 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム - Google Patents
情報処理装置、および情報処理方法、並びにコンピュータ・プログラム Download PDFInfo
- Publication number
- JP2007328507A JP2007328507A JP2006158566A JP2006158566A JP2007328507A JP 2007328507 A JP2007328507 A JP 2007328507A JP 2006158566 A JP2006158566 A JP 2006158566A JP 2006158566 A JP2006158566 A JP 2006158566A JP 2007328507 A JP2007328507 A JP 2007328507A
- Authority
- JP
- Japan
- Prior art keywords
- information
- pomdp
- observation
- elements
- bayesian network
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
【解決手段】部分観測マルコフ決定過程(POMDP:Partially Observable Markov Decision Process)において定義される状態(State)、行動(Action)、観測(Observation)、報酬(Reward)の各情報について、それぞれ複数の異なる要素(ファクタ)を設定し、要素間の関係を明確にしたファクタPOMDP(Factored POMDP)を構築する。ファクタPOMDPを適用した状態遷移予測や行動決定処理においては、要素単位の因果関係を明確に区別した処理が可能となり、より正しい状況予測や効果的な行動決定処理が可能となる。
【選択図】図2
Description
(a)状態情報(State space):S
(b)行動情報(Action space):A
(c)時間T=(t−1)の状態S=st−1と行動A=at−1から、次の時間T=(t)の状態S=stへの状態遷移確率を算出する状態遷移確率算出関数:T(st,at−1,st−1)=P(st|at−1,st−1)
(d)時間T=(t)の状態S=stと行動A=atからの報酬(Reward)を算出する報酬関数:R(st,at)
(e)観測情報(Observation space):Ω
(f)時間T=(t−1)の行動A=at−1と、時間T=(t)の状態S=stとから時間T=(t)の観測状態の発生確率を算出する観測状態確立関数:O(st,at−1,ot−1)=P(ot|at−1,st)
報酬Rt−1は、時間T=t−1の状態st−1,行動at−1に基づいて、上述したように、報酬関数:R(st−1,at−1)で求められる。
また、観測情報ot−1は、例えば、状態st−1の変化に伴って変化する観察可能な情報である。
これらの関係は、いずれの時間T=t−1,t,t+1,・・・においても同様となる。
不確実性を含む対象領域における情報分析処理に適用する情報分析処理構成を構築する情報処理装置であり、
部分観測マルコフ決定過程(POMDP:Partially Observable Markov Decision Process)を基本構成として、POMDPにおいて定義される各情報に含まれる要素を単位として、要素間の関係を解析し、該解析結果に基づいて、要素間の関係情報を含むPOMDPであるファクタPOMDP(Factored POMDP)の構築を実行するデータ処理部を有することを特徴とする情報処理装置にある。
情報処理装置において、不確実性を含む対象領域における情報分析処理に適用する情報分析処理構成を構築する情報処理方法であり、
データ処理部において、部分観測マルコフ決定過程(POMDP:Partially Observable Markov Decision Process)において定義される情報である観測(Observation)情報に含まれる観測要素各々についてのベイジアンネットワーク(Bayesian Network)を構築し、同じ事象観察領域における複数の観測要素単位のベイジアンネットワークを組み合わせてイントラネットワーク対応のベイジアンネットワークを構築するイントラ・ベイジアンネットワーク生成ステップと、
データ処理部において、異なる事象観察領域における複数のイントラネットワーク対応のベイジアンネットワークに含まれる要素間の関連性を解析して、異なる事象観察領域における要素間の関連情報を持つインターネットワーク対応のダイナミック・ベイジアンネットワークを構築するダイナミック・ベイジアンネットワーク生成ステップと、
データ処理部において、前記ダイナミック・ベイジアンネットワークに基づいて、POMDPにおいて定義される情報の要素の関係情報を含むファクタPOMDP(Factored POMDP)を生成するファクタPOMDP生成ステップと、
を有することを特徴とする情報処理方法にある。
情報処理装置において、不確実性を含む対象領域における情報分析処理に適用する情報分析処理構成を構築させるコンピュータ・プログラムであり、
データ処理部において、部分観測マルコフ決定過程(POMDP:Partially Observable Markov Decision Process)において定義される情報である観測(Observation)情報に含まれる観測要素各々についてのベイジアンネットワーク(Bayesian Network)を構築し、同じ事象観察領域における複数の観測要素単位のベイジアンネットワークを組み合わせてイントラネットワーク対応のベイジアンネットワークを構築させるイントラ・ベイジアンネットワーク生成ステップと、
データ処理部において、異なる事象観察領域における複数のイントラネットワーク対応のベイジアンネットワークに含まれる要素間の関連性を解析して、異なる事象観察領域における要素間の関連情報を持つインターネットワーク対応のダイナミック・ベイジアンネットワークを構築させるダイナミック・ベイジアンネットワーク生成ステップと、
データ処理部において、前記ダイナミック・ベイジアンネットワークに基づいて、POMDPにおいて定義される情報の要素の関係情報を含むファクタPOMDP(Factored POMDP)を生成させるファクタPOMDP生成ステップと、
を実行させることを特徴とするコンピュータ・プログラムにある。
(a)状態情報(State space):S
(b)行動情報(Action space):A
(c)時間T=(t−1)の状態S=st−1と行動A=at−1から、次の時間T=(t)の状態S=stへの状態遷移確率を算出する状態遷移確率算出関数:T(st,at−1,st−1)=P(st|at−1,st−1)
(d)時間T=(t)の状態S=stと行動A=atからの報酬(Reward)を算出する報酬関数:R(st,at)
(e)観測情報(Observation space):Ω
(f)時間T=(t−1)の行動A=at−1と、時間T=(t)の状態S=stとから時間T=(t)の観測状態の発生確率を算出する観測状態確立関数:O(st,at−1,ot−1)=P(ot|at−1,st)
(状態要素1)例えばある人物、物などが存在するか否かの状態を示す[プレゼンス]、
(状態要素2)例えばあるデータ処理や行動計画などのプランの処理状態を示す[プラン]、
これらの2つの異なる要素の状態が定義されている。
(報酬要素1)[プレゼンス]に対応する報酬、
(報酬要素2)[プラン]に対応する報酬、
これらの2つの異なる要素の報酬が定義されている。
(観測要素1)ある人物や物の表情、外観の変化の観察情報としての観測情報である[フェイス]、
(観測要素2)ある人物や物の行動の観察情報としての観測情報である[ムーブメント]、
これらの2つの異なる要素の観測情報が定義されている。
報酬要素の1つである[プレゼンス報酬]は、時間T=t−1の状態要素[プレゼンス]と、行動に基づいて、上述の報酬関数:R(st−1,at−1)で求められる。
また、報酬要素の1つである[プラン報酬]は、時間T=t−1の状態要素[プラン]と、行動に基づいて、上述の報酬関数:R(st−1,at−1)で求められる。
観測要素[フェイス]は、状態要素[プレゼンス]と、状態要素[プラン]の両者の影響の及ぶ観察可能な観測情報として定義され、観測要素[ムーブメント]は、状態要素[プラン]の影響の及ぶ観察可能な観測情報として定義される。
真(True)の確率=0.5
偽(False)の確率=0.5
であるとする。
親ノード[Cloudy(曇り)]=F(False)の場合、
子ノード[Sprinkler(噴水)]が、
動作しない(False)確率=0.5
動作する(True)確率=0.5
であり、
親ノード[Cloudy(曇り)]=T(True)の場合、
子ノード[Sprinkler(噴水)]が、
動作しない(False)確率=0.9
動作する(True)確率=0.1
であることを示している。
CPT101において、P(S=F)は、子ノード[Sprinkler(噴水)]が偽(False)である確率(Possibility)を示し、P(S=T)は、子ノード[Sprinkler(噴水)]が真(True)である確率(Possibility)を示している。
親ノード[Cloudy(曇り)]=F(False)の場合、
子ノード[Rain(雨)]が、
雨でない(False)確率=0.8
雨である(True)確率=0.2
であり、
親ノード[Cloudy(曇り)]=T(True)の場合、
子ノード[Rain(雨)]が、
雨でない(False)確率=0.2
雨である(True)確率=0.8
であることを示している。
親ノード[Sprinkler(噴水)]=F(False)
親ノード[Rain(雨)]=F(False)の場合、
子ノード[WetGlass(濡れ芝)]が、
芝が濡れていない(False)確率=1.0
芝が濡れている(True)確率=0.0
であり、
親ノード[Sprinkler(噴水)]=T(True)
親ノード[Rain(雨)]=F(False)の場合、
子ノード[WetGlass(濡れ芝)]が、
芝が濡れていない(False)確率=0.1
芝が濡れている(True)確率=0.9
であり、
親ノード[Sprinkler(噴水)]=F(False)
親ノード[Rain(雨)]=T(True)の場合、
子ノード[WetGlass(濡れ芝)]が、
芝が濡れていない(False)確率=0.1
芝が濡れている(True)確率=0.9
であり、
親ノード[Sprinkler(噴水)]=T(True)
親ノード[Rain(雨)]=T(True)場合、
子ノード[WetGlass(濡れ芝)]が、
芝が濡れていない(False)確率=0.01
芝が濡れている(True)確率=0.99
であることを示している。
[ステップ1]:1つの観測要素[nobs]を含むベイジアンネットワークを各観測要素[nobs]各々について個別に構成する。
[ステップ2]:ステップ1で設定した1つの観測要素[nobs]を含む複数のベイジアンネットワークを合成して1つの合成ベイジアンネットワークを構成する。
[ステップ3]:異なる事象観測時間の間の接続として、たとえば、状態(State)と、行動(Action)などの間の接続を決定する。
[ステップ4]:生成したベイジアンネットワークに基づいてファクタPOMDP(Factored POMDP)を完成させる。
観測(Observation)の要素として、[FaceDir][Movement][FaceSize][Speech]の4要素、
観測(Observation)以外の情報における要素として、[Player][Intetion][Channel][Signal]の4要素、
これらの要素を設定した処理例について説明する。
ステップ1の処理について、図4、図5を参照して説明する。ステップ1は、1つの観測要素[nobs]を含むベイジアンネットワークを各観測要素[nobs]各々について個別に構成する処理である。図4、図5には、観測要素各々について、個別にベイジアンネットワークを設定した例を示している。
図4、図5の(A)に示すように、観測要素としては、[FaceDir][Movement][FaceSize][Speech]の4要素を設定している。これらは、例えばカメラやマイクなどによって観測される個別の要素である。
一方、観測要素以外の要素としては、[Player][Intetion][Channel][Signal]の4要素を設定している。これらの要素はそれぞれ個別の独立した状態が設定可能な要素である。本例では、状態(State)に属する要素である。[Player][Intetion][Channel][Signal]の4要素は、相互に依存関係が存在する場合もあるが。観測要素相互においては、依存関係は存在しない。すなわち、観測要素間を結ぶ矢印は設定されない。
(S1)各ノードについて、親ノードになる候補を選択し、子ノードを1つ選択して、その選択子ノードの親となり得る親ノード候補を1つずつ選択して有向グラフを設定する。
(S2)生成したグラフに基づいてパラメータを決定した評価を実行し、評価の高い親ノード候補のみを親ノードとして設定する。
これらの処理によって、各要素間の依存関係を構築する処理として実行される。
(B1)は、観測要素としての[FaceDir]と、状態要素としての[Player][Intetion][Channel][Signal]の4要素を解析対象のノードとして設定して、ベイジアンネットワークの構造学習アルゴリズムとして知られているK2アルゴリズムを適用した処理を実行した結果であり、観測要素としての[FaceDir]は、[Player]と[Channel]を親ノード(parent)とした子ノード(chaild)であることが解析される。
次にステップ2の処理について、図6、図7を参照して説明する。ステップ2は、ステップ1で設定した1つの観測要素[nobs]を含む複数のベイジアンネットワークを合成して1つの合成ベイジアンネットワークを構成する処理である。
次にステップ3の処理について、図8を参照して説明する。ステップ3は、異なる事象観測時間の間の接続として、たとえば、状態(State)と、行動(Action)などの間の接続を決定する処理である。具体的には、図2に示す時間T=t−1と時間T=tの要素間の関連性に基づく接続を設定する処理である。この処理もベイジアンネットワークにより、学習サンプルデータを適用して各要素間のCPTを算出する処理によって実行される。
次に、ステップ4の処理について、図9を参照して説明する。ステップ4では、ステップ3で生成したダイナミック・ベイジアンネットワークに基づいて、接続関係の設定された各要素を、各情報カテゴリ(状態、行動、報酬、観測)にまとめて、それぞれの要素間の関係、例えば、状態遷移確率算出関数:T(st+1,at,st)=P(st+1|at,st)、観測状態確立関数:O(st+1,at,ot)=P(ot+1|at,st)等の確率関数を各要素ごとに定義する。これらは、先に図3を参照して説明したCPTに基づいて決定する。すなわち、学習サンプルデータを用いた学習によって、ベイジアンネットワークを構成するノードについて、個別の条件に基づいて発生する確率をまとめたテーブルとして、コンディショナル確率テーブル(CPT)を作成することで得ることができる。
についての要素データを組み合わせてインターネットワーク対応のDBN構成を設定する。この時点では、異なる事象観察領域の関連(矢印)は設定されていない。すなわち、図8に示すDBNにおける太線で示す矢印(L1〜L8)は設定されていない。
151 観測要素
152 状態要素
180 学習サンプルデータ
200 情報処理装置
201 ユーザインタフェース
202 データ処理部
203 記憶部
204 データベース
501 CPU(Central Processing Unit)
502 ROM(Read−Only−Memory)
503 RAM(Random Access Memory)
504 ホストバス
505 ブリッジ
506 外部バス
507 インタフェース
508 キーボード
509 ポインティングデバイス
510 ディスプレイ
511 HDD(Hard Disk Drive)
512 ドライブ
514 接続ポート
515 通信部
521 リムーバブル記録媒体
522 外部接続機器
Claims (13)
- 不確実性を含む対象領域における情報分析処理に適用する情報分析処理構成を構築する情報処理装置であり、
部分観測マルコフ決定過程(POMDP:Partially Observable Markov Decision Process)を基本構成として、POMDPにおいて定義される各情報に含まれる要素を単位として、要素間の関係を解析し、該解析結果に基づいて、要素間の関係情報を含むPOMDPであるファクタPOMDP(Factored POMDP)の構築を実行するデータ処理部を有することを特徴とする情報処理装置。 - 前記データ処理部は、
POMDPにおいて定義される情報である観測(Observation)に含まれる観測要素各々についてのベイジアンネットワーク(Bayesian Network)を構築し、該観測要素単位のベイジアンネットワークを組み合わせて、前記ファクタPOMDP(Factored POMDP)を構築する構成であることを特徴とする請求項1に記載の情報処理装置。 - 前記データ処理部は、
POMDPにおいて定義される情報である観測(Observation)情報に含まれる観測要素各々と、POMDPにおいて定義される観測以外の情報である状態(State)、行動(Action)、報酬(Reard)の少なくともいずれかに含まれる要素との関連性を学習サンプルデータに基づいて決定して観測要素単位のベイジアンネットワークを構築する処理を実行する構成であることを特徴とする請求項1に記載の情報処理装置。 - 前記データ処理部は、
POMDPにおいて定義される情報である観測(Observation)情報に含まれる観測要素各々についてのベイジアンネットワークを構築し、同じ事象観察領域における複数の観測要素単位のベイジアンネットワークを組み合わせてイントラネットワーク対応のベイジアンネットワークを構築し、さらに、異なる事象観察領域における複数のイントラネットワーク対応のベイジアンネットワークに含まれる要素間の関連性を解析して、異なる事象観察領域における要素間の関連情報を持つインターネットワーク対応のダイナミック・ベイジアンネットワークを構築する処理を実行する構成であることを特徴とする請求項1に記載の情報処理装置。 - 前記データ処理部は、
複数のイントラネットワーク対応のベイジアンネットワークに含まれる要素間の関連性を学習サンプルデータに基づいて決定する処理を実行する構成であることを特徴とする請求項4に記載の情報処理装置。 - 前記データ処理部は、
前記要素間の関係を示すデータとして、ベイジアンネットワークに対応する向き付き非循環路グラフ(DAG:Directed Acyclic Graph)を適用し、学習サンプルデータに基づく学習処理によって得られた情報に基づいて前記向き付き非循環路グラフ(DAG)の更新処理を実行して要素間の関係を解析して前記ファクタPOMDP(Factored POMDP)を構築する構成であることを特徴とする請求項1に記載の情報処理装置。 - 前記データ処理部は、
前記POMDPにおいて定義される各情報に含まれる要素の種類を含む要素情報と、前記ファクタPOMDP(Factored POMDP)の構成情報としてのベイジアンネットワークにおけるノード接続態様としての最大入力数(Max−Fan−In)情報を入力し、該入力情報に従って、前記ファクタPOMDP(Factored POMDP)を構築する構成であることを特徴とする請求項1に記載の情報処理装置。 - 情報処理装置において、不確実性を含む対象領域における情報分析処理に適用する情報分析処理構成を構築する情報処理方法であり、
データ処理部において、部分観測マルコフ決定過程(POMDP:Partially Observable Markov Decision Process)において定義される情報である観測(Observation)情報に含まれる観測要素各々についてのベイジアンネットワーク(Bayesian Network)を構築し、同じ事象観察領域における複数の観測要素単位のベイジアンネットワークを組み合わせてイントラネットワーク対応のベイジアンネットワークを構築するイントラ・ベイジアンネットワーク生成ステップと、
データ処理部において、異なる事象観察領域における複数のイントラネットワーク対応のベイジアンネットワークに含まれる要素間の関連性を解析して、異なる事象観察領域における要素間の関連情報を持つインターネットワーク対応のダイナミック・ベイジアンネットワークを構築するダイナミック・ベイジアンネットワーク生成ステップと、
データ処理部において、前記ダイナミック・ベイジアンネットワークに基づいて、POMDPにおいて定義される情報の要素の関係情報を含むファクタPOMDP(Factored POMDP)を生成するファクタPOMDP生成ステップと、
を有することを特徴とする情報処理方法。 - 前記イントラ・ベイジアンネットワーク生成ステップは、
POMDPにおいて定義される情報である観測(Observation)に含まれる観測要素各々と、POMDPにおいて定義される観測以外の情報である状態(State)、行動(Action)、報酬(Reard)の少なくともいずれかに含まれる要素との関連性を、学習サンプルデータに基づいて決定して観測要素単位のベイジアンネットワークを構築する処理を実行するステップを含むことを特徴とする請求項8に記載の情報処理方法。 - 前記ダイナミック・ベイジアンネットワーク生成ステップは、
複数のイントラネットワーク対応のベイジアンネットワークに含まれる要素間の関連性を学習サンプルデータに基づいて決定する処理を実行することを特徴とする請求項8に記載の情報処理方法。 - 前記イントラ・ベイジアンネットワーク生成ステップ、および前記ダイナミック・ベイジアンネットワーク生成ステップでは、前記要素間の関係を示すデータとして、ベイジアンネットワークに対応する向き付き非循環路グラフ(DAG:Directed Acyclic Graph)を適用し、学習サンプルデータに基づく学習処理によって得られた情報に基づいて前記向き付き非循環路グラフ(DAG)の更新処理を実行して要素間の関係を解析することを特徴とする請求項8に記載の情報処理方法。
- 前記情報処理方法は、さらに、
前記データ処理部において、前記POMDPにおいて定義される各情報に含まれる要素の種類を含む要素情報と、前記ファクタPOMDP(Factored POMDP)の構成情報としてのベイジアンネットワークにおけるノード接続態様としての最大入力数(Max−Fan−In)情報を入力し、該入力情報に従って、前記ファクタPOMDP(Factored POMDP)の構築処理を実行することを特徴とする請求項8に記載の情報処理方法。 - 情報処理装置において、不確実性を含む対象領域における情報分析処理に適用する情報分析処理構成を構築させるコンピュータ・プログラムであり、
データ処理部において、部分観測マルコフ決定過程(POMDP:Partially Observable Markov Decision Process)において定義される情報である観測(Observation)情報に含まれる観測要素各々についてのベイジアンネットワーク(Bayesian Network)を構築し、同じ事象観察領域における複数の観測要素単位のベイジアンネットワークを組み合わせてイントラネットワーク対応のベイジアンネットワークを構築させるイントラ・ベイジアンネットワーク生成ステップと、
データ処理部において、異なる事象観察領域における複数のイントラネットワーク対応のベイジアンネットワークに含まれる要素間の関連性を解析して、異なる事象観察領域における要素間の関連情報を持つインターネットワーク対応のダイナミック・ベイジアンネットワークを構築させるダイナミック・ベイジアンネットワーク生成ステップと、
データ処理部において、前記ダイナミック・ベイジアンネットワークに基づいて、POMDPにおいて定義される情報の要素の関係情報を含むファクタPOMDP(Factored POMDP)を生成させるファクタPOMDP生成ステップと、
を実行させることを特徴とするコンピュータ・プログラム。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006158566A JP4863778B2 (ja) | 2006-06-07 | 2006-06-07 | 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム |
KR1020070054970A KR20070117472A (ko) | 2006-06-07 | 2007-06-05 | 정보처리장치 및 정보처리방법과 컴퓨터 프로그램 |
EP07011149A EP1865447A3 (en) | 2006-06-07 | 2007-06-06 | Information processing apparatus, information processing method and computer program |
US11/759,083 US7882047B2 (en) | 2006-06-07 | 2007-06-06 | Partially observable markov decision process including combined bayesian networks into a synthesized bayesian network for information processing |
CNA2007101388245A CN101105845A (zh) | 2006-06-07 | 2007-06-07 | 信息处理装置和信息处理方法、以及计算机程序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006158566A JP4863778B2 (ja) | 2006-06-07 | 2006-06-07 | 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2007328507A true JP2007328507A (ja) | 2007-12-20 |
JP4863778B2 JP4863778B2 (ja) | 2012-01-25 |
Family
ID=38610606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006158566A Expired - Fee Related JP4863778B2 (ja) | 2006-06-07 | 2006-06-07 | 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US7882047B2 (ja) |
EP (1) | EP1865447A3 (ja) |
JP (1) | JP4863778B2 (ja) |
KR (1) | KR20070117472A (ja) |
CN (1) | CN101105845A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009114649A2 (en) * | 2008-03-12 | 2009-09-17 | Aptima, Inc. | Probabilistic decision making system and methods of use |
US10290221B2 (en) | 2012-04-27 | 2019-05-14 | Aptima, Inc. | Systems and methods to customize student instruction |
US10438156B2 (en) | 2013-03-13 | 2019-10-08 | Aptima, Inc. | Systems and methods to provide training guidance |
US10552764B1 (en) | 2012-04-27 | 2020-02-04 | Aptima, Inc. | Machine learning system for a training model of an adaptive trainer |
JP2020537205A (ja) * | 2017-08-23 | 2020-12-17 | ザ ジェネラル ホスピタル コーポレーション ドゥーイング ビジネス アズ マサチューセッツ ジェネラル ホスピタル | 意思決定理論モデルを用いた手術の意思決定支援 |
KR20220156389A (ko) * | 2021-05-18 | 2022-11-25 | 한전케이디엔주식회사 | 인공지능 처리 결과 분석 장치 및 그 방법 |
JP7448502B2 (ja) | 2021-03-30 | 2024-03-12 | Kddi株式会社 | 主体感推定モデル、装置及び方法、並びに行動変容促進モデル |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101399199B1 (ko) * | 2007-07-16 | 2014-05-27 | 삼성전자주식회사 | 소프트웨어 로봇의 유전자 코드 구성 방법 |
US8793119B2 (en) * | 2009-07-13 | 2014-07-29 | At&T Intellectual Property I, L.P. | System and method for generating manually designed and automatically optimized spoken dialog systems |
US11126627B2 (en) | 2014-01-14 | 2021-09-21 | Change Healthcare Holdings, Llc | System and method for dynamic transactional data streaming |
US10121557B2 (en) | 2014-01-21 | 2018-11-06 | PokitDok, Inc. | System and method for dynamic document matching and merging |
US10007757B2 (en) | 2014-09-17 | 2018-06-26 | PokitDok, Inc. | System and method for dynamic schedule aggregation |
WO2016118619A1 (en) * | 2015-01-20 | 2016-07-28 | PokitDok, Inc. | Health lending system and method using probabilistic graph models |
US20160342750A1 (en) | 2015-05-18 | 2016-11-24 | PokitDok, Inc. | Dynamic topological system and method for efficient claims processing |
US10366204B2 (en) | 2015-08-03 | 2019-07-30 | Change Healthcare Holdings, Llc | System and method for decentralized autonomous healthcare economy platform |
JP2018538595A (ja) | 2015-10-15 | 2018-12-27 | ポキットドク インコーポレイテッド | Apiトランザクションにおける動的メタデータ存続及び相関のためのシステム及び方法 |
US10102340B2 (en) | 2016-06-06 | 2018-10-16 | PokitDok, Inc. | System and method for dynamic healthcare insurance claims decision support |
US10108954B2 (en) | 2016-06-24 | 2018-10-23 | PokitDok, Inc. | System and method for cryptographically verified data driven contracts |
CN107958289B (zh) * | 2016-10-18 | 2022-02-01 | 深圳市中吉电气科技有限公司 | 用于机器人的数据处理方法和装置、机器人 |
US10805072B2 (en) | 2017-06-12 | 2020-10-13 | Change Healthcare Holdings, Llc | System and method for autonomous dynamic person management |
CN108282587B (zh) * | 2018-01-19 | 2020-05-26 | 重庆邮电大学 | 基于状态跟踪与策略导向下的移动客服对话管理方法 |
CN110322019A (zh) * | 2018-03-29 | 2019-10-11 | 日本电气株式会社 | 用于处理数据集的方法、系统和存储介质 |
US11531908B2 (en) * | 2019-03-12 | 2022-12-20 | Ebay Inc. | Enhancement of machine learning-based anomaly detection using knowledge graphs |
CN113189986B (zh) * | 2021-04-16 | 2023-03-14 | 中国人民解放军国防科技大学 | 一种自主机器人的二阶段自适应行为规划方法及系统 |
CN113552902A (zh) * | 2021-08-10 | 2021-10-26 | 中国人民解放军国防科技大学 | 一种平流层飞艇三维轨迹跟踪控制方法及系统 |
CN116363678B (zh) * | 2023-05-31 | 2023-08-11 | 华南理工大学 | 一种数学公式图像的识别方法、系统和计算机设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997036247A1 (en) | 1996-03-25 | 1997-10-02 | Stoneman Martin L | Autonomous decision systems |
US20020103793A1 (en) | 2000-08-02 | 2002-08-01 | Daphne Koller | Method and apparatus for learning probabilistic relational models having attribute and link uncertainty and for performing selectivity estimation using probabilistic relational models |
US20040220892A1 (en) | 2003-04-29 | 2004-11-04 | Ira Cohen | Learning bayesian network classifiers using labeled and unlabeled data |
JP4164669B2 (ja) | 2003-09-29 | 2008-10-15 | 独立行政法人産業技術総合研究所 | モデル作成装置、情報分析装置、モデル作成方法、情報分析方法、およびプログラム |
-
2006
- 2006-06-07 JP JP2006158566A patent/JP4863778B2/ja not_active Expired - Fee Related
-
2007
- 2007-06-05 KR KR1020070054970A patent/KR20070117472A/ko not_active Application Discontinuation
- 2007-06-06 US US11/759,083 patent/US7882047B2/en not_active Expired - Fee Related
- 2007-06-06 EP EP07011149A patent/EP1865447A3/en not_active Withdrawn
- 2007-06-07 CN CNA2007101388245A patent/CN101105845A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009114649A2 (en) * | 2008-03-12 | 2009-09-17 | Aptima, Inc. | Probabilistic decision making system and methods of use |
WO2009114649A3 (en) * | 2008-03-12 | 2010-01-28 | Aptima, Inc. | Probabilistic decision making system and methods of use |
US10846606B2 (en) | 2008-03-12 | 2020-11-24 | Aptima, Inc. | Probabilistic decision making system and methods of use |
US10290221B2 (en) | 2012-04-27 | 2019-05-14 | Aptima, Inc. | Systems and methods to customize student instruction |
US10552764B1 (en) | 2012-04-27 | 2020-02-04 | Aptima, Inc. | Machine learning system for a training model of an adaptive trainer |
US11188848B1 (en) | 2012-04-27 | 2021-11-30 | Aptima, Inc. | Systems and methods for automated learning |
US10438156B2 (en) | 2013-03-13 | 2019-10-08 | Aptima, Inc. | Systems and methods to provide training guidance |
JP2020537205A (ja) * | 2017-08-23 | 2020-12-17 | ザ ジェネラル ホスピタル コーポレーション ドゥーイング ビジネス アズ マサチューセッツ ジェネラル ホスピタル | 意思決定理論モデルを用いた手術の意思決定支援 |
JP7448502B2 (ja) | 2021-03-30 | 2024-03-12 | Kddi株式会社 | 主体感推定モデル、装置及び方法、並びに行動変容促進モデル |
KR20220156389A (ko) * | 2021-05-18 | 2022-11-25 | 한전케이디엔주식회사 | 인공지능 처리 결과 분석 장치 및 그 방법 |
KR102512552B1 (ko) | 2021-05-18 | 2023-03-20 | 한전케이디엔주식회사 | 인공지능 처리 결과 분석 장치 및 그 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP4863778B2 (ja) | 2012-01-25 |
US20080133436A1 (en) | 2008-06-05 |
US7882047B2 (en) | 2011-02-01 |
KR20070117472A (ko) | 2007-12-12 |
CN101105845A (zh) | 2008-01-16 |
EP1865447A3 (en) | 2011-01-19 |
EP1865447A2 (en) | 2007-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4863778B2 (ja) | 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム | |
Ripley et al. | Manual for RSIENA | |
US20060265416A1 (en) | Method and apparatus for analyzing ongoing service process based on call dependency between messages | |
EP3696745A1 (en) | Intelligent workflow advisor for part design, simulation and manufacture | |
JP2020091543A (ja) | 学習装置、処理装置、ニューラルネットワーク、学習方法、及びプログラム | |
CN111000492B (zh) | 基于知识图谱的智能扫地机行为决策方法及智能扫地机 | |
JP7115207B2 (ja) | 学習プログラム、学習方法および学習装置 | |
Den Hengst et al. | Reinforcement learning with option machines | |
JP5070860B2 (ja) | 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム | |
US11989656B2 (en) | Search space exploration for deep learning | |
Pitakrat et al. | Increasing dependability of component-based software systems by online failure prediction (short paper) | |
JP2020181578A (ja) | データ処理方法、装置、及び媒体 | |
WO2020223184A1 (en) | Analytical model training method for customer experience estimation | |
JP7466702B2 (ja) | プロトタイプオプションの発見による解釈可能な模倣学習 | |
JP2020030738A (ja) | 学習データの解析方法及び計算機システム | |
JP2023520313A (ja) | 不確定区間を有する性能予測の生成 | |
JP7063397B2 (ja) | 回答統合装置、回答統合方法および回答統合プログラム | |
CN109472363B (zh) | 可解释性竞争对手建模方法 | |
WO2022106438A1 (en) | Predicting the state of a system using elasticities | |
JP7373384B2 (ja) | 計算機システム及びスケジューリングシステムの検証方法 | |
JP6199480B2 (ja) | シミュレーション解析方法および情報処理システム | |
US12008479B2 (en) | Automatic determination of the run parameters for a software application on an information processing platform by genetic algorithm and enhanced noise management | |
WO2017056320A1 (ja) | プログラム生成装置、プログラム生成方法および生成プログラム | |
EP4202804A1 (en) | Information processing program, information processing method, and information processing device | |
WO2022106437A1 (en) | Predicting the state of a system with continuous variables |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080624 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080825 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090414 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090612 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20090707 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091007 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20091014 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20091225 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111003 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20111108 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20141118 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |