RU2017131909A - Достоверный классификатор - Google Patents
Достоверный классификатор Download PDFInfo
- Publication number
- RU2017131909A RU2017131909A RU2017131909A RU2017131909A RU2017131909A RU 2017131909 A RU2017131909 A RU 2017131909A RU 2017131909 A RU2017131909 A RU 2017131909A RU 2017131909 A RU2017131909 A RU 2017131909A RU 2017131909 A RU2017131909 A RU 2017131909A
- Authority
- RU
- Russia
- Prior art keywords
- low
- classifier
- dimensional
- output
- received data
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
- G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
- A61B2505/03—Intensive care
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Cardiology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
Claims (31)
1. Устройство для достоверной классификации, содержащее:
- приемник, принимающий данные, причем принятые данные имеют по меньшей мере один признак из набора признаков;
- запоминающее устройство, выполненное с возможностью хранения считываемых компьютером инструкций для выполнения достоверной классификации;
- процессор, взаимодействующий с запоминающим устройством и приемником, причем исполнение считываемых компьютером инструкций для выполнения достоверной классификации предписывает процессору реализовывать:
по меньшей мере один низкоразмерный классификатор, взаимодействующий с приемником, при этом каждый из упомянутых по меньшей мере одного низкоразмерного классификатора связан с соответствующим входным признаком из набора признаков и обеспечивает выдачу выходного результата на основе присутствия входного признака в принятых данных; и
- вычислитель взвешенных сумм, взаимодействующий с приемником и каждым упомянутым по меньшей мере одним низкоразмерным классификатором, причем вычислитель взвешенных сумм обеспечивает выдачу взвешенной суммы выходных результатов упомянутого по меньшей мере одного низкоразмерного классификатора.
2. Устройство по п. 1, в котором принятые данные содержат по меньшей мере один учебный пример.
3. Устройство по п. 2, в котором каждый из упомянутых по меньшей мере одного низкоразмерного классификатора обучен с использованием принятого по меньшей мере одного учебного примера.
4. Устройство по п. 3, в котором вычислитель взвешенных сумм выполнен с возможностью корректировки весового коэффициента, присвоенного выходному результату каждого из упомянутых по меньшей мере одного низкоразмерного классификатора, в ответ на принятый по меньшей мере один учебный пример.
5. Устройство по п. 1, в котором выходной результат вычислителя взвешенных сумм является оценкой гемодинамической нестабильности.
6. Устройство по п. 1, в котором вычислитель взвешенных сумм выполнен с возможностью присвоения нулевого весового коэффициента классификатору, с которым связан признак, отсутствующий в принятых данных, или присвоения ненулевого весового коэффициента классификатору, с которым связан признак, присутствующий в принятых данных.
7. Устройство по п. 1, в котором по меньшей мере один из упомянутых низкоразмерных классификаторов выполнен с возможностью вывода нулевого значения, когда связанный с ним признак отсутствует в принятых данных.
8. Устройство по п. 7, в котором вычислитель взвешенных сумм выполнен с возможностью корректировки весового коэффициента, присвоенного выходному результату по меньшей мере одного из упомянутых низкоразмерных классификаторов, выводящих ненулевое значение, в ответ на вывод нулевого значения по меньшей мере одним из упомянутых низкоразмерных классификаторов.
9. Способ, выполняемый процессором, исполняющим инструкции для выполнения достоверной классификации, сохраненные в запоминающем устройстве, включающий этапы, на которых:
принимают, через приемник, данные, имеющие по меньшей мере один признак из набора признаков;
применяют по меньшей мере один низкоразмерный классификатор к принятым данным, причем каждый из упомянутых по меньшей мере одного низкоразмерного классификатора связан с соответствующим входным признаком из набора признаков, при этом применение упомянутого по меньшей мере одного низкоразмерного классификатора приводит к выходному результату на основе присутствия входного признака в принятых данных; и
выводят взвешенную сумму, с использованием вычислителя взвешенных сумм, на основе выходных результатов упомянутого по меньшей мере одного низкоразмерного классификатора.
10. Способ по п. 9, в котором прием данных включает прием по меньшей мере одного учебного примера.
11. Способ по п. 10, в котором каждый из упомянутого по меньшей мере одного низкоразмерного классификатора обучен с использованием принятого по меньшей мере одного учебного примера.
12. Способ по п. 11, в котором весовой коэффициент, присвоенный выходному результату каждого из упомянутых по меньшей мере одного низкоразмерного классификатора, корректируют в ответ на принятый по меньшей мере один учебный пример.
13. Способ по п. 11, в котором выходная взвешенная сумма является оценкой гемодинамической нестабильности.
14. Способ по п. 9, в котором вывод взвешенной суммы выходных результатов классификатора включает назначение нулевого весового коэффициента классификатору, с которым связан признак, отсутствующий в принятых данных, или назначение ненулевого весового коэффициента классификатору, с которым связан признак, присутствующий в принятых данных.
15. Способ по п. 9, в котором по меньшей мере один из упомянутых низкоразмерных классификаторов выполнен с возможностью вывода нулевого значения, когда связанный с ним признак отсутствует в принятых данных.
16. Способ по п. 15, в котором весовой коэффициент, присвоенный выходному результату по меньшей мере одного из упомянутых низкоразмерных классификаторов, выводящих ненулевое значение, корректируют в ответ на вывод нулевого значения по меньшей мере одним из упомянутых низкоразмерных классификаторов.
17. Компьютерочитаемый носитель для не кратковременного хранения информации, содержащий исполняемые компьютером инструкции для исполнения процессором для выполнения способа достоверной классификации, содержащий:
исполняемые компьютером инструкции для приема, через приемник, данных, имеющих по меньшей мере один признак из набора признаков;
исполняемые компьютером инструкции для применения по меньшей мере одного низкоразмерного классификатора к принятым данным, причем каждый из упомянутых по меньшей мере одного низкоразмерного классификатора связан с соответствующим входным признаком из набора признаков, при этом применение упомянутого по меньшей мере одного низкоразмерного классификатора приводит к выходному результату на основе присутствия входного признака в принятых данных; и
исполняемые компьютером инструкции для вывода взвешенной суммы с использованием вычислителя взвешенных сумм, на основе выходных результатов упомянутого по меньшей мере одного низкоразмерного классификатора.
18. Носитель по п. 17, в котором инструкции для вывода взвешенной суммы выходных результатов классификатора содержат инструкции для назначения нулевого весового коэффициента классификатору, с которым связан признак, отсутствующий в принятых данных, или назначения ненулевого весового коэффициента классификатору, с которым связан признак, присутствующий в принятых данных.
19. Носитель по п. 17, в котором по меньшей мере один из упомянутых низкоразмерных классификаторов выполнен с возможностью вывода нулевого значения, когда связанный с ним признак отсутствует в принятых данных.
20. Носитель по п. 17, в котором весовой коэффициент, присвоенный выходному результату по меньшей мере одного из упомянутых низкоразмерных классификаторов, скорректирован в ответ на вывод нулевого значения по меньшей мере одним из упомянутых низкоразмерных классификаторов.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201562115330P | 2015-02-12 | 2015-02-12 | |
| US62/115,330 | 2015-02-12 | ||
| PCT/IB2016/050592 WO2016128866A1 (en) | 2015-02-12 | 2016-02-05 | Robust classifier |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| RU2017131909A true RU2017131909A (ru) | 2019-03-12 |
| RU2017131909A3 RU2017131909A3 (ru) | 2019-09-27 |
| RU2720448C2 RU2720448C2 (ru) | 2020-04-29 |
Family
ID=55398344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2017131909A RU2720448C2 (ru) | 2015-02-12 | 2016-02-05 | Достоверный классификатор |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US10929774B2 (ru) |
| EP (1) | EP3256956A1 (ru) |
| JP (1) | JP6770521B2 (ru) |
| CN (1) | CN107249434B (ru) |
| BR (1) | BR112017017079A2 (ru) |
| RU (1) | RU2720448C2 (ru) |
| WO (1) | WO2016128866A1 (ru) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3256956A1 (en) * | 2015-02-12 | 2017-12-20 | Koninklijke Philips N.V. | Robust classifier |
| US10528889B2 (en) * | 2016-03-25 | 2020-01-07 | Futurewei Technologies, Inc. | Stereoscopic learning for classification |
| US11011264B2 (en) | 2017-08-09 | 2021-05-18 | Varian Medical Systems International Ag | Radiotherapy treatment planning using artificial intelligence (AI) engines |
| EP3514908B1 (en) * | 2018-01-22 | 2022-02-09 | Hitachi Energy Switzerland AG | Methods and devices for condition classification of power network assets |
| KR20200036085A (ko) * | 2018-09-19 | 2020-04-07 | 엘지전자 주식회사 | 인공지능 장치 |
| WO2021180500A1 (en) * | 2020-03-10 | 2021-09-16 | Koninklijke Philips N.V. | Waveform-based hemodynamic instability warning |
| WO2022124065A1 (ja) * | 2020-12-09 | 2022-06-16 | 株式会社日立製作所 | 予測器作成装置、および予測器作成方法 |
Family Cites Families (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2661265B1 (fr) * | 1990-04-24 | 1994-07-29 | Thomson Csf | Systeme neuronal de classification et procede de classification utilisant un tel systeme. |
| JPH0454685A (ja) * | 1990-06-22 | 1992-02-21 | Kobe Steel Ltd | 状熊学習装置及び状態推定装置 |
| JP2758260B2 (ja) * | 1990-10-04 | 1998-05-28 | 株式会社東芝 | 欠陥検査装置 |
| JP3351639B2 (ja) * | 1993-10-18 | 2002-12-03 | グローリー工業株式会社 | ランダムマスク方式による紙葉類のニューロ識別／正損分離装置 |
| US5835902A (en) * | 1994-11-02 | 1998-11-10 | Jannarone; Robert J. | Concurrent learning and performance information processing system |
| US6192360B1 (en) * | 1998-06-23 | 2001-02-20 | Microsoft Corporation | Methods and apparatus for classifying text and for building a text classifier |
| US7024033B2 (en) | 2001-12-08 | 2006-04-04 | Microsoft Corp. | Method for boosting the performance of machine-learning classifiers |
| US7458936B2 (en) | 2003-03-12 | 2008-12-02 | Siemens Medical Solutions Usa, Inc. | System and method for performing probabilistic classification and decision support using multidimensional medical image databases |
| US7536044B2 (en) * | 2003-11-19 | 2009-05-19 | Siemens Medical Solutions Usa, Inc. | System and method for detecting and matching anatomical structures using appearance and shape |
| US7742641B2 (en) | 2004-12-06 | 2010-06-22 | Honda Motor Co., Ltd. | Confidence weighted classifier combination for multi-modal identification |
| US7650321B2 (en) * | 2005-02-16 | 2010-01-19 | Siemens Medical Solutions Usa, Inc. | Two classifier based system for classifying anomalous medical patient records |
| US9189596B2 (en) * | 2005-06-29 | 2015-11-17 | National Ict Australia Limited | Measuring cognitive load |
| JP2007025978A (ja) | 2005-07-14 | 2007-02-01 | Mitsubishi Electric Corp | 類別装置 |
| CN100363938C (zh) * | 2005-10-31 | 2008-01-23 | 浙江大学 | 基于得分差加权融合的多模态身份识别方法 |
| CN102016881B (zh) * | 2008-04-25 | 2013-06-12 | 皇家飞利浦电子股份有限公司 | 样本数据的分类 |
| US8386401B2 (en) * | 2008-09-10 | 2013-02-26 | Digital Infuzion, Inc. | Machine learning methods and systems for identifying patterns in data using a plurality of learning machines wherein the learning machine that optimizes a performance function is selected |
| KR100982612B1 (ko) | 2009-09-09 | 2010-09-15 | 박효남 | 정밀 약액 주입량 조절장치 |
| CN101777125B (zh) | 2010-02-03 | 2012-01-11 | 武汉大学 | 一种高分辨率遥感图像复杂类别的监督分类方法 |
| WO2012107786A1 (en) * | 2011-02-09 | 2012-08-16 | Rudjer Boskovic Institute | System and method for blind extraction of features from measurement data |
| CN102750286B (zh) | 2011-04-21 | 2016-01-20 | 常州蓝城信息科技有限公司 | 一种处理缺失数据的新型决策树分类器方法 |
| CN102254180B (zh) * | 2011-06-28 | 2014-07-09 | 北京交通大学 | 一种基于几何特征的人脸美感分析方法 |
| CN102955946A (zh) | 2011-08-18 | 2013-03-06 | 刘军 | 基于线性分类树和神经网络的两阶段快速分类器 |
| US9141622B1 (en) * | 2011-09-16 | 2015-09-22 | Google Inc. | Feature weight training techniques |
| WO2013067513A1 (en) * | 2011-11-04 | 2013-05-10 | Massachusetts Eye & Ear Infirmary | Contextual image stabilization |
| JP5865053B2 (ja) | 2011-12-15 | 2016-02-17 | キヤノン株式会社 | 座標入力装置、座標入力装置の制御方法、およびプログラム |
| WO2013122009A1 (ja) * | 2012-02-16 | 2013-08-22 | 日本電気株式会社 | 信頼度取得装置、信頼度取得方法および信頼度取得プログラム |
| JP5454827B1 (ja) * | 2012-02-24 | 2014-03-26 | 日本電気株式会社 | 文書評価装置、文書評価方法、及びプログラム |
| WO2013171620A1 (en) * | 2012-05-18 | 2013-11-21 | Koninklijke Philips N.V. | Method of rendering hemodynamic instability index indicator information |
| CN102819745B (zh) | 2012-07-04 | 2014-11-05 | 杭州电子科技大学 | 一种基于AdaBoost的高光谱遥感影像分类方法 |
| WO2014033681A2 (en) * | 2012-08-31 | 2014-03-06 | Koninklijke Philips N.V. | Modeling techniques for predicting mortality in intensive care units |
| CN102945255B (zh) * | 2012-10-18 | 2016-06-22 | 浙江大学 | 跨媒体多视角非完美标签学习方法 |
| US10531801B2 (en) * | 2013-09-09 | 2020-01-14 | Koninklijke Philips N.V. | Fetal heart rate extraction from maternal abdominal ECG recordings |
| CN103761531B (zh) * | 2014-01-20 | 2016-04-06 | 西安理工大学 | 基于形状轮廓特征的稀疏编码车牌字符识别方法 |
| CN104035779A (zh) | 2014-06-25 | 2014-09-10 | 中国科学院软件研究所 | 一种数据流决策树分类中的缺失值处理方法 |
| US10456087B2 (en) * | 2014-11-20 | 2019-10-29 | Koninklijke Philips N.V. | Method for score confidence interval estimation when vital sign sampling frequency is limited |
| EP3256956A1 (en) * | 2015-02-12 | 2017-12-20 | Koninklijke Philips N.V. | Robust classifier |
-
2016
- 2016-02-05 EP EP16705299.2A patent/EP3256956A1/en not_active Withdrawn
- 2016-02-05 JP JP2017540869A patent/JP6770521B2/ja active Active
- 2016-02-05 BR BR112017017079-5A patent/BR112017017079A2/pt not_active Application Discontinuation
- 2016-02-05 US US15/549,714 patent/US10929774B2/en active Active
- 2016-02-05 RU RU2017131909A patent/RU2720448C2/ru active
- 2016-02-05 CN CN201680009843.5A patent/CN107249434B/zh active Active
- 2016-02-05 WO PCT/IB2016/050592 patent/WO2016128866A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| JP2018512086A (ja) | 2018-05-10 |
| JP6770521B2 (ja) | 2020-10-14 |
| RU2017131909A3 (ru) | 2019-09-27 |
| BR112017017079A2 (pt) | 2018-04-10 |
| CN107249434B (zh) | 2020-12-18 |
| RU2720448C2 (ru) | 2020-04-29 |
| WO2016128866A1 (en) | 2016-08-18 |
| US10929774B2 (en) | 2021-02-23 |
| US20180046942A1 (en) | 2018-02-15 |
| CN107249434A (zh) | 2017-10-13 |
| EP3256956A1 (en) | 2017-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2017131909A (ru) | Достоверный классификатор | |
| EP3293528A3 (en) | Recommending measurements based on detected waveform type | |
| JP2018512086A5 (ru) | ||
| SG10201708062SA (en) | Generating And Transmitting Invocation Request To Appropriate Third-Party Agent | |
| PH12019501286A1 (en) | Transparent resource matching | |
| PH12017501364A1 (en) | Order allocation system and method | |
| JP2018529159A5 (ru) | ||
| GB2552435A (en) | Screen-analysis based device security | |
| GB2555365A (en) | Seismic constrained discrete fracture network | |
| WO2013173000A3 (en) | On-device real-time behavior analyzer | |
| CN106663038A8 (zh) | 用于机器学习的特征处理配方 | |
| MY197255A (en) | Method and apparatus for allocating acknowledgement resources | |
| WO2014120652A3 (en) | Receiving, tracking, and analyzing business intelligence data | |
| WO2015053861A3 (en) | Dynamically evolving cognitive architecture system based on a natural language intent interpreter | |
| EP4280135A3 (en) | Mapping attributes of keyed entities | |
| JP2016515745A5 (ru) | ||
| EP2991003A3 (en) | Method and apparatus for classification | |
| EP2648090A3 (en) | Improving performance of vector pertitioning loops | |
| WO2018075388A3 (en) | ENHANCED LOGISTIC MANAGEMENT SYSTEM | |
| EP2871908A3 (en) | Relay apparatus and method of selecting relay node based on learning in wireless network | |
| SG11201804492RA (en) | Resource processing method and device | |
| WO2016077012A3 (en) | User authentication confidence based on multiple devices | |
| WO2014093719A3 (en) | Method, apparatus, and computer-readable medium for optimized data subsetting | |
| PH12019500429A1 (en) | Verification method and device | |
| PH12017550081A1 (en) | Conditionally controlled styling |