JP7355115B2 - 操作結果を予測する方法、電子機器、及びコンピュータプログラム製品 - Google Patents
操作結果を予測する方法、電子機器、及びコンピュータプログラム製品 Download PDFInfo
- Publication number
- JP7355115B2 JP7355115B2 JP2021562849A JP2021562849A JP7355115B2 JP 7355115 B2 JP7355115 B2 JP 7355115B2 JP 2021562849 A JP2021562849 A JP 2021562849A JP 2021562849 A JP2021562849 A JP 2021562849A JP 7355115 B2 JP7355115 B2 JP 7355115B2
- Authority
- JP
- Japan
- Prior art keywords
- observation
- probability
- result
- determining
- model
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
E(Y|X,T=1) (1)
E(Y|X,T=2) (2)
E(Y|X,T=t) (3)
を提供し、ある操作又は処置が目標対象107に実行された場合の結果を予測することができる。いくつかの状況では、目標対象107に対し異なる処置又は操作が実行された場合の差異を予測することも期待されており、すなわちITEを予測することも期待されている。
Claims (12)
- コンピュータが、目標対象に操作が実行される場合の操作結果を予測する方法であって、
複数の特徴情報によって表現される複数の観測対象に対して、第1操作が実行された第1観測対象セットを抽出することと、
前記複数の観測対象に対して、前記第1操作と異なる第2操作が実行された第2観測対象セットを抽出することと、
前記第1観測対象セットと、前記第1観測対象セットに前記第1操作が実行された結果である第1観測結果セットとを含む第1観測データセットに基づき、第1予測モデルを決定することと、
前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第1操作が実行される条件付き確率、及び、前記第2操作が実行される条件付き確率を含む第1確率モデルを決定することと、
前記第1観測データセットと、前記第1確率モデルとに基づき、第2予測モデルを決定することと、
少なくとも前記第1予測モデル、前記第2予測モデル及び前記第1確率モデルを含む第1組合せを決定し、前記複数の特徴情報によって表現される前記目標対象に前記第1操作が実行される場合の第1最終結果を前記第1組合せに基づいて予測することと
を含み、
前記第1予測モデルは、前記目標対象に前記第1操作が実行される場合の第1潜在結果を予測するためのものであり、
前記第1確率モデルは、前記目標対象に前記第1操作が実行される確率及び前記第2操作が実行される確率を対応付けて決定するためのものであり、
前記第2予測モデルは、前記第2観測対象セットに前記第1操作が実行される場合の結果を推定することにより、前記目標対象に前記第1操作が実行される場合の第2潜在結果を予測し、
前記第2予測モデルを決定することは、
前記第1確率モデルと、前記第1観測対象セットの数と、前記第2観測対象セットの数とに基づき、第1サンプル重みを決定することと、
前記第1サンプル重みと、前記第1観測データセットとに基づき、前記第2予測モデルを決定することと
を含み、
前記第1サンプル重みは、前記第1観測対象セットの分布に対する、前記第2観測対象セットの分布の偏りを補正するためのものである、
操作結果を予測する方法。 - 前記複数の観測対象に対して、前記第1操作及び前記第2操作と異なる第3操作が実行された第3観測対象セットを抽出することと、
前記第1観測対象セット、前記第2観測対象セット及び前記第3観測対象セットに基づき、前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第3操作が実行される条件付き確率を含む第2確率モデルを決定することと、
前記第1観測データセットと、前記第1確率モデルと、前記第2確率モデルとに基づき、第3予測モデルを決定することと
をさらに含み、
前記第2確率モデルは、前記目標対象に前記第3操作が実行される確率を決定するためのものであり、
前記第3予測モデルは、前記第3観測対象セットに前記第1操作が実行される場合の結果を推定することにより、前記目標対象に前記第1操作が実行される場合の第3潜在結果を予測し、
前記第3予測モデルを決定することは、
前記第2確率モデルと、前記第1観測対象セットの数と、前記第3観測対象セットの数とに基づき、第2サンプル重みを決定することと、
前記第2サンプル重みと、前記第1観測データセットとに基づき、前記第3予測モデルを決定することと
を含み、
前記第1組合せに基づいて予測することは、前記第1予測モデル、前記第2予測モデル、前記第3予測モデル、前記第1確率モデル及び前記第2確率モデルの出力を組み合わせて第1組合せを決定することを含む、
請求項1に記載の方法。 - 前記第1予測モデルを決定することは、
前記第1観測対象セットと、前記第1観測結果セットとに基づき、前記第1予測モデルを決定するための第1目標関数を確立することと、
前記第1目標関数を最小化することにより、前記第1予測モデルのモデルパラメータを決定することと
を含む、
請求項1に記載の方法。 - 第2観測データセットに基づき、第4予測モデルを決定することと、
前記第2観測データセットと、前記第1確率モデルとに基づき、第5予測モデルを決定することと、
少なくとも前記第4予測モデル、前記第5予測モデル及び前記第1確率モデルを含む第2組合せを決定し、前記複数の特徴情報によって表現される前記目標対象に前記第2操作が実行される場合の第2最終結果を前記第2組合せに基づいて予測することと
をさらに含み、
前記第2観測データセットは、前記第2観測対象セットと、前記第2観測対象セットに前記第2操作が実行された結果である第2観測結果セットとを含み、
前記第4予測モデルは、前記目標対象に前記第2操作が実行される場合の第4潜在結果を予測するためのものであり、
前記第5予測モデルは、前記第1観測対象セットに前記第2操作が実行される場合の結果を推定することにより、前記目標対象に前記第2操作が実行される場合の第5潜在結果を予測し、
前記第5予測モデルを決定することは、
前記第1確率モデルと、前記第1観測対象セットの数と、前記第2観測対象セットの数とに基づき、第3サンプル重みを決定することと、
前記第3サンプル重みと、前記第2観測データセットとに基づき、前記第5予測モデルを決定することと
を含み、
前記第3サンプル重みは、前記第2観測対象セットの分布に対する、前記第1観測対象セットの分布の偏りを補正するためのものである、
請求項1に記載の方法。 - コンピュータが、目標対象に操作が実行される場合の操作結果を予測する方法であって、
目標対象に対し操作セットのうちの1つの操作が実行されると決定したことに応じて、前記目標対象に対し前記操作セットのうちの第1操作が実行される場合の第1潜在結果を予測することと、
前記目標対象に前記第1操作が実行される第1確率、及び、前記操作セットのうちの前記第1操作と異なる第2操作が前記目標対象に実行される第2確率を決定することと、
前記第2操作が実行された第2観測対象セットに前記第1操作が実行される場合の結果を推定することにより、前記目標対象に前記第1操作が実行される場合の第2潜在結果を予測することと、
前記第1潜在結果と、前記第2潜在結果と、前記第1確率と、前記第2確率とに少なくとも基づき、前記目標対象に前記第1操作が実行される場合の第1最終結果を予測することと、
を含み、
前記第1潜在結果を予測することは、
複数の特徴情報によって表現される複数の観測対象に対して、前記第1操作が実行された第1観測対象セットを抽出することと、
前記第1観測対象セットと、前記第1観測対象セットに前記第1操作が実行された結果である第1観測結果セットとを含む第1観測データセットに基づき、第1予測モデルを決定することと、
前記第1予測モデルに基づき、前記第1潜在結果を予測することと
を含み、
前記第1確率及び前記第2確率を決定することは、
前記複数の特徴情報によって表現される前記複数の観測対象に対して、前記第2操作が実行された第2観測対象セットを抽出することと、
前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第1操作が実行される条件付き確率である前記第1確率、及び、前記第2操作が実行される条件付き確率である前記第2確率を含む第1確率モデルを得ることと
を含み、
前記第2潜在結果を予測することは、
前記第1観測データセットと、前記第1確率モデルと、に基づき決定される第2予測モデルを得ることと、
前記第2予測モデルに基づき、前記第2潜在結果を予測することと
を含み、
前記第1確率モデルは、前記目標対象に前記第1操作及び前記第2操作が実行される確率を対応付けて決定するためのものであり、
前記第2予測モデルは、前記第2観測対象セットに前記第1操作が実行される場合の結果を推定することにより、前記目標対象に前記第1操作が実行される場合の第2潜在結果を予測するものであり、
前記第1最終結果を予測することは、
前記第1潜在結果に前記第1確率を乗じた値と、前記第2潜在結果に前記第2確率を乗じた値と、の合計を算出することを含む、
操作結果を予測する方法。 - 前記操作セットはさらに、前記第1操作及び前記第2操作と異なる第3操作を含み、
前記方法は、
前記目標対象に前記第3操作が実行される第3確率を決定することと、
前記第3操作が実行された第3観測対象セットに前記第1操作が実行される場合の結果を推定することにより、前記目標対象に前記第1操作が実行される場合の第3潜在結果を予測することと
をさらに含み、
前記第3確率を決定することは、
前記複数の特徴情報によって表現される前記複数の観測対象に対して、前記第3操作が実行された第3観測対象セットを抽出することと、
前記第1観測対象セット、前記第2観測対象セット及び前記第3観測対象セットに基づき、前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第3操作が実行される条件付き確率を含む第2確率モデルを得ることと、
前記第2確率モデルに基づき、前記第3確率を決定することと
を含み、
前記第3潜在結果を予測することは、
前記第1観測データセットと、前記第1確率モデルと、前記第2確率モデルとに基づき決定される第3予測モデルを得ることと、
前記第3予測モデルに基づき、前記第3潜在結果を予測することと
を含み、
前記第2確率モデルは、前記目標対象に前記第3操作が実行される確率を決定するためのものであり、
前記第3予測モデルは、前記第3観測対象セットに前記第1操作が実行される場合の結果を推定することにより、前記目標対象に前記第1操作が実行される場合の第3潜在結果を予測するものであり、
前記第1最終結果を予測することは、
前記第1潜在結果に前記第1確率を乗じた値と、前記第2潜在結果に前記第2確率を乗じた値と、前記第3潜在結果に前記第3確率を乗じた値と、の合計を算出することを含む、
請求項5に記載の方法。 - 前記目標対象に前記第2操作が実行される場合の第4潜在結果を予測することと、
前記第1操作が実行された前記第1観測対象セットに前記第2操作が実行される場合の結果を推定することにより、前記目標対象に前記第2操作が実行される場合の第5潜在結果を予測することと、
前記第4潜在結果と、前記第5潜在結果と、前記第1確率と、前記第2確率とに少なくとも基づき、前記目標対象に前記第2操作が実行される場合の第2最終結果を予測することと
をさらに含み、
前記第4潜在結果を予測することは、
前記第2観測対象セットと前記第2観測対象セットに前記第2操作が実行された第2観測結果セットとを含む第2観測データセットに基づき決定される第4予測モデルを得ることと、
前記第4予測モデルに基づき、前記第4潜在結果を予測することと
を含み、
前記第5潜在結果を予測することは、
前記第2観測データセットと、前記第1確率モデルとに基づき決定される第5予測モデルを得ることと、
前記第5予測モデルに基づき、前記第5潜在結果を予測することと
を含み、
前記第2最終結果を予測することは、
前記第4潜在結果に前記第2確率を乗じた値と、前記第5潜在結果に前記第1確率を乗じた値と、の合計を算出することを含む、
請求項5に記載の方法。 - 前記目標対象に前記第1操作が実行される場合の前記第1最終結果と、前記目標対象に前記第2操作が実行される場合の前記第2最終結果との差異を予測することをさらに含む、
請求項7に記載の方法。 - プロセッサと、
プロセッサに結合され命令が記憶されているメモリと
を備え、
前記命令がプロセッサにより実行される場合、動作を行い、
前記動作は、
複数の特徴情報によって表現される複数の観測対象に対して、第1操作が実行された第1観測対象セットを抽出することと、
前記複数の観測対象に対して、前記第1操作と異なる第2操作が実行された第2観測対象セットを抽出することと、
前記第1観測対象セットと、前記第1観測対象セットに前記第1操作が実行された結果である第1観測結果セットとを含む第1観測データセットに基づき、第1予測モデルを決定することと、
前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第1操作が実行される条件付き確率、及び、前記第2操作が実行される条件付き確率を含む第1確率モデルを決定することと、
前記第1観測データセットと、前記第1確率モデルとに基づき、第2予測モデルを決定することと、
少なくとも前記第1予測モデル、前記第2予測モデル及び前記第1確率モデルを含む第1組合せを決定し、前記複数の特徴情報によって表現される目標対象に前記第1操作が実行される場合の第1最終結果を前記第1組合せに基づいて予測することと
を含み、
前記第1予測モデルは、前記目標対象に前記第1操作が実行される場合の第1潜在結果を予測するためのものであり、
前記第1確率モデルは、前記目標対象に前記第1操作が実行される確率及び前記第2操作が実行される確率を対応付けて決定するためのものであり、
前記第2予測モデルは、前記第2観測対象セットに前記第1操作が実行される場合の結果を推定することにより、前記目標対象に前記第1操作が実行される場合の第2潜在結果を予測し、
前記第2予測モデルを決定することは、
前記第1確率モデルと、前記第1観測対象セットの数と、前記第2観測対象セットの数とに基づき、第1サンプル重みを決定することと、
前記第1サンプル重みと、前記第1観測データセットとに基づき、前記第2予測モデルを決定することと
を含み、
前記第1サンプル重みは、前記第1観測対象セットの分布に対する、前記第2観測対象セットの分布の偏りを補正するためのものである、
電子機器。 - プロセッサと、
プロセッサに結合され命令が記憶されているメモリと
を備え、
前記命令がプロセッサにより実行される場合、動作を行い、
前記動作は、
目標対象に対し操作セットのうちの1つの操作が実行されると決定したことに応じて、前記目標対象に対し前記操作セットのうちの第1操作が実行される場合の第1潜在結果を予測することと、
前記目標対象に前記第1操作が実行される第1確率、及び、前記操作セットのうちの前記第1操作と異なる第2操作が前記目標対象に実行される第2確率を決定することと、
前記第2操作が実行された第2観測対象セットに前記第1操作が実行される場合の結果を推定することにより、前記目標対象に前記第1操作が実行される場合の第2潜在結果を予測することと、
前記第1潜在結果と、前記第2潜在結果と、前記第1確率と、前記第2確率とに少なくとも基づき、前記目標対象に前記第1操作が実行される場合の第1最終結果を予測することと
を備え、
前記第1潜在結果を予測することは、
複数の特徴情報によって表現される複数の観測対象に対して、前記第1操作が実行された第1観測対象セットを抽出することと、
前記第1観測対象セットと、前記第1観測対象セットに前記第1操作が実行された結果である第1観測結果セットとを含む第1観測データセットに基づき、第1予測モデルを決定することと、
前記第1予測モデルに基づき、前記第1潜在結果を予測することと
を含み、
前記第1確率及び前記第2確率を決定することは、
前記複数の特徴情報によって表現される前記複数の観測対象に対して、前記第2操作が実行された第2観測対象セットを抽出することと、
前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第1操作が実行される条件付き確率である前記第1確率、及び、前記第2操作が実行される条件付き確率である前記第2確率を含む第1確率モデルを得ることと
を含み、
前記第2潜在結果を予測することは、
前記第1観測データセットと、前記第1確率モデルと、に基づき決定される第2予測モデルを得ることと、
前記第2予測モデルに基づき、前記第2潜在結果を予測することと
を含み、
前記第1確率モデルは、前記目標対象に前記第1操作及び前記第2操作が実行される確率を対応付けて決定するためのものであり、
前記第2予測モデルは、前記第2観測対象セットに前記第1操作が実行される場合の結果を推定することにより、前記目標対象に前記第1操作が実行される場合の第2潜在結果を予測するものであり、
前記第1最終結果を予測することは、
前記第1潜在結果に前記第1確率を乗じた値と、前記第2潜在結果に前記第2確率を乗じた値と、の合計を算出することを含む、
電子機器。 - コンピュータ可読媒体に有形記憶され、前記コンピュータに読み込まれて実行されると請求項1~4のいずれか1項に記載の方法を前記コンピュータに実行させる、前記コンピュータが実行可能な命令が含まれる
コンピュータプログラム製品。 - コンピュータ可読媒体に有形記憶され、前記コンピュータに読み込まれて実行されると請求項5~8のいずれか1項に記載の方法を前記コンピュータに実行させる、前記コンピュータが実行可能な命令が含まれる
コンピュータプログラム製品。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/083905 WO2020215209A1 (zh) | 2019-04-23 | 2019-04-23 | 预测操作结果的方法、电子设备和计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022536825A JP2022536825A (ja) | 2022-08-19 |
JP7355115B2 true JP7355115B2 (ja) | 2023-10-03 |
Family
ID=72941281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021562849A Active JP7355115B2 (ja) | 2019-04-23 | 2019-04-23 | 操作結果を予測する方法、電子機器、及びコンピュータプログラム製品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220222554A1 (ja) |
JP (1) | JP7355115B2 (ja) |
WO (1) | WO2020215209A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220129794A1 (en) * | 2020-10-27 | 2022-04-28 | Accenture Global Solutions Limited | Generation of counterfactual explanations using artificial intelligence and machine learning techniques |
JP2024017703A (ja) * | 2022-07-28 | 2024-02-08 | 株式会社日立製作所 | 情報処理装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007041705A (ja) | 2005-08-01 | 2007-02-15 | National Institute Of Advanced Industrial & Technology | 事業者の温暖化対策計画策定方法 |
US20110137847A1 (en) | 2009-12-01 | 2011-06-09 | Fair Isaac Corporation | Causal modeling for estimating outcomes associated with decision alternatives |
WO2011095999A1 (en) | 2010-02-05 | 2011-08-11 | Decode Genetics Ehf | Genetic variants for predicting risk of breast cancer |
US20110289036A1 (en) | 2008-10-15 | 2011-11-24 | Alexander Stojadinovic | Clinical Decision Model |
JP2015082259A (ja) | 2013-10-23 | 2015-04-27 | 本田技研工業株式会社 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
JP2015132863A (ja) | 2012-04-27 | 2015-07-23 | 住友林業株式会社 | 生産活動と生産地の保全を統合した排出権創出方法 |
US20160300036A1 (en) | 2013-10-28 | 2016-10-13 | New York University | Methods, computer-accessible medium and systems to model disease progression using biomedical data from multiple patients |
JP2017524183A (ja) | 2014-06-30 | 2017-08-24 | アマゾン・テクノロジーズ・インコーポレーテッド | 機械学習サービス |
WO2018225227A1 (ja) | 2017-06-08 | 2018-12-13 | 富士通株式会社 | 情報処理方法、情報処理装置及び情報処理コンピュータプログラム |
JP2019059348A (ja) | 2017-09-27 | 2019-04-18 | 株式会社日立製作所 | 運行情報処理装置およびその処理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6482844B2 (ja) * | 2014-12-11 | 2019-03-13 | 株式会社メガチップス | 状態推定装置、プログラムおよび集積回路 |
CN108734499B (zh) * | 2017-04-25 | 2022-03-11 | 腾讯科技(深圳)有限公司 | 推广信息效果分析方法及装置、计算机可读介质 |
-
2019
- 2019-04-23 WO PCT/CN2019/083905 patent/WO2020215209A1/zh active Application Filing
- 2019-04-23 US US17/605,652 patent/US20220222554A1/en active Pending
- 2019-04-23 JP JP2021562849A patent/JP7355115B2/ja active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007041705A (ja) | 2005-08-01 | 2007-02-15 | National Institute Of Advanced Industrial & Technology | 事業者の温暖化対策計画策定方法 |
US20110289036A1 (en) | 2008-10-15 | 2011-11-24 | Alexander Stojadinovic | Clinical Decision Model |
US20110137847A1 (en) | 2009-12-01 | 2011-06-09 | Fair Isaac Corporation | Causal modeling for estimating outcomes associated with decision alternatives |
WO2011095999A1 (en) | 2010-02-05 | 2011-08-11 | Decode Genetics Ehf | Genetic variants for predicting risk of breast cancer |
JP2015132863A (ja) | 2012-04-27 | 2015-07-23 | 住友林業株式会社 | 生産活動と生産地の保全を統合した排出権創出方法 |
JP2015082259A (ja) | 2013-10-23 | 2015-04-27 | 本田技研工業株式会社 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
US20160300036A1 (en) | 2013-10-28 | 2016-10-13 | New York University | Methods, computer-accessible medium and systems to model disease progression using biomedical data from multiple patients |
JP2017524183A (ja) | 2014-06-30 | 2017-08-24 | アマゾン・テクノロジーズ・インコーポレーテッド | 機械学習サービス |
WO2018225227A1 (ja) | 2017-06-08 | 2018-12-13 | 富士通株式会社 | 情報処理方法、情報処理装置及び情報処理コンピュータプログラム |
JP2019059348A (ja) | 2017-09-27 | 2019-04-18 | 株式会社日立製作所 | 運行情報処理装置およびその処理方法 |
Non-Patent Citations (1)
Title |
---|
黒木 学,Bounds on the Causal Effects in Studies with a Latent Response Variable,2007年度人工知能学会全国大会(第21回)論文集 [CD-ROM],社団法人人工知能学会,2007年06月18日,3D8-2,ISSN: 1347-9881 |
Also Published As
Publication number | Publication date |
---|---|
WO2020215209A1 (zh) | 2020-10-29 |
US20220222554A1 (en) | 2022-07-14 |
JP2022536825A (ja) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Atan et al. | Deep-treat: Learning optimal personalized treatments from observational data using neural networks | |
Liu et al. | Robust hybrid learning for estimating personalized dynamic treatment regimens | |
JP2022544859A (ja) | 生成モデルを用いてデータを補完するためのシステムおよび方法 | |
US20220157413A1 (en) | Systems and Methods for Designing Augmented Randomized Trials | |
JP7355115B2 (ja) | 操作結果を予測する方法、電子機器、及びコンピュータプログラム製品 | |
Li et al. | Joint modeling quality of life and survival using a terminal decline model in palliative care studies | |
Hong et al. | Semi‐supervised validation of multiple surrogate outcomes with application to electronic medical records phenotyping | |
US20220344009A1 (en) | Systems and Methods for Designing Efficient Randomized Trials Using Semiparametric Efficient Estimators for Power and Sample Size Calculation | |
Collier et al. | A tutorial on artificial neural networks in propensity score analysis | |
Khawaled et al. | Npbdreg: Uncertainty assessment in diffeomorphic brain mri registration using a non-parametric bayesian deep-learning based approach | |
Li et al. | Reinforcement learning in possibly nonstationary environments | |
Hu et al. | Off-policy evaluation in partially observed Markov decision processes under sequential ignorability | |
Tesei et al. | Learning end-to-end patient representations through self-supervised covariate balancing for causal treatment effect estimation | |
Li et al. | Regularized multiple mediation analysis | |
Wingbermühle et al. | Development and internal validation of prognostic models for recovery in patients with non-specific neck pain presenting in primary care | |
Samuels et al. | Bagged one‐to‐one matching for efficient and robust treatment effect estimation | |
Wang et al. | Semiparametric model averaging prediction: a Bayesian approach | |
Li et al. | MVIRA: A model based on Missing Value Imputation and Reliability Assessment for mortality risk prediction | |
Steward et al. | Risk‐adjusted monitoring of healthcare quality: model selection and change‐point estimation | |
CN113469203A (zh) | 评估操作结果的方法、电子设备和计算机程序产品 | |
Zhang et al. | Doubly robust estimation of optimal dynamic treatment regimes with multicategory treatments and survival outcomes | |
US20230352125A1 (en) | Systems and Methods for Adjusting Randomized Experiment Parameters for Prognostic Models | |
Carroll | Strategies for imputing missing covariate values in observational data | |
Bo et al. | A Meta-Learner Framework to Estimate Individualized Treatment Effects for Survival Outcomes | |
Xu et al. | VAP: Online Data Valuation and Pricing for Machine Learning Models in Mobile Health |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211223 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220421 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230309 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230502 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230630 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230822 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230904 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7355115 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |