因果凸显性时间推断制造技术

提供了用于因果学习的方法和装置，其中至少部分地基于因果凸显性来确定事件的逻辑原因。一种用于因果学习的示例方法一般包括用装置观察一个或多个事件，其中事件被定义为特定相对时间处的发生；基于一个或多个准则来选择这些事件的子集；以及基于所选子集来确定这些事件中的至少一个事件的逻辑原因。

Causal convex dominant time inference

A method and apparatus for causal learning is provided, in which at least partially based on causal convex dominance to determine the logical cause of an event. A general observation includes one or more events with device for example method of causal learning, which is defined as the occurrence of a particular event at the relative time; one or more based on the criteria of selecting a subset of these events; and the selected subset is determined based on the logical reason for at least one of these events.

【技术实现步骤摘要】
【国外来华专利技术】根据35U.S.C.§119的优先权要求本申请要求于2013年10月29日提交的美国临时专利申请S/N.61/897,024及于2014年1月21日提交的美国专利申请S/N.14/160,128的权益，这两篇申请的全部内容通过援引纳入于此。背景领域本公开的某些方面一般涉及学习系统(例如，人工神经系统)，尤其涉及使用因果凸显性来确定事件的逻辑原因。背景可包括一群互连的人工神经元(即神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。人工神经网络可具有生物学神经网络中的对应结构和/或功能。然而，人工神经网络可为其中传统计算技术是麻烦的、不切实际的、或不胜任的某些应用提供创新且有用的计算技术。由于人工神经网络能从观察中推断出功能，因此这样的网络在其中任务或数据的复杂度使得通过常规技术来设计该功能较为麻烦的应用中是特别有用的。一种类型的人工神经网络是尖峰(spiking)神经网络，其将时间概念以及神经元状态和突触状态纳入到其工作模型中，由此提供了丰富的行为集，在神经网络中能从该行为集涌现出计算功能。尖峰神经网络基于以下概念：神经元基于该神经元的状态在一个或多个特定时间激发或“发放尖峰”，并且该时间对于神经元功能而言是重要的。当神经元激发时，它生成一尖峰，该尖峰行进至其他神经元，这些其他神经元继而可基于接收到该尖峰的时间来调整它们的状态。换言之，信息可被编码在神经网络中的尖峰的相对或绝对定时中。概述本公开的某些方面一般涉及通过使用因果凸显性来确定事件的逻辑原因的推断学习。本公开的某些方面提供了用于因果学习的方法。该方法一般包括用装置观察一个或多个事件，其中事件被定义为特定相对时间处的发生；基于一个或多个准则来选择这些事件的子集；以及基于所选子集来确定这些事件中的至少一个事件的逻辑原因。本公开的某些方面提供了用于因果学习的装置。该装置一般包括处理系统和耦合至该处理系统的存储器。该处理系统通常被配置成观察一个或多个事件，事件被定义为特定相对时间处的发生；基于一个或多个准则来选择这些事件的子集；以及基于所选子集来确定至少一个事件的逻辑原因。本公开的某些方面提供了用于因果学习的设备。该设备一般包括用于观察一个或多个事件的装置，事件被定义为特定相对时间处的发生；用于基于一个或多个准则来选择这些事件的子集的装置；以及用于基于所选子集来确定至少一个事件的逻辑原因的装置。本公开的某些方面提供了用于因果学习的计算机程序产品。该计算机程序产品一般包括具有代码的非瞬态计算机可读介质(例如，存储设备)，该代码用于观察一个或多个事件，事件被定义为特定相对时间处的发生；用于基于一个或多个准则来选择这些事件的子集；以及用于基于所选子集来确定至少一个事件的逻辑原因。附图简述为了能详细理解本公开的以上陈述的特征所用的方式，可参照各方面来对以上简要概述的内容进行更具体的描述，其中一些方面在附图中解说。然而应注意，附图仅解说了本公开的某些典型方面，故不应被认为限定其范围，因为本描述可允许有其他等同有效的方面。图1解说了根据本公开的某些方面的示例神经元网络。图2解说了根据本公开的某些方面的计算网络(神经系统或神经网络)的示例处理单元(神经元)。图3解说了根据本公开的某些方面的示例尖峰定时依赖可塑性(STDP)曲线。图4是根据本公开的某些方面的人工神经元的状态的示例图形，其解说了用于定义神经元的行为的正态相和负态相。图5解说了根据本公开的某些方面的对预测性关系推断的两种不同观点。图6解说了根据本公开的某些方面的相比于其他保留事件在相对时间尺度上相关的事件。图7解说了根据本公开的某些方面的使用因果凸显性的示例学习方法。图8解说了根据本公开的某些方面的相关和逻辑因果性形式。图9解说了根据本公开的某些方面的通过引导相关时间关系来确定逻辑表达。图10是根据本公开的某些方面的示例因果凸显性因果推断学习模型的框图。图11是根据本公开的某些方面的用于因果学习的示例操作的流程图。图11A解说了能够执行图11中示出的各操作的示例装置。图12解说了根据本公开的某些方面的使用通用处理器进行因果学习的示例实现。图13解说了根据本公开的某些方面的用于因果学习的示例实现，其中存储器可与个体分布式处理单元对接。图14解说了根据本公开的某些方面的基于分布式存储器和分布式处理单元进行因果学习的示例实现。图15解说了根据本公开的某些方面的神经网络的示例实现。详细描述以下参照附图更全面地描述本公开的各个方面。然而，本公开可用许多不同形式来实施并且不应解释为被限定于本公开通篇给出的任何具体结构或功能。确切而言，提供这些方面是为了使得本公开将是透彻和完整的，并且其将向本领域技术人员完全传达本公开的范围。基于本文中的教导，本领域技术人员应领会，本公开的范围旨在覆盖本文中所披露的本公开的任何方面，不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可以使用本文所阐述的任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为本文中所阐述的本公开的各种方面的补充或者另外的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解，本文中所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。措辞“示例性”在本文中用于表示“用作示例、实例或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。尽管本文描述了特定方面，但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点，但本公开的范围并非旨在被限定于特定益处、用途或目标。相反，本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协议，其中一些作为示例在附图以及以下对优选方面的描述中解说。该详细描述和附图仅仅解说本公开而非限定本公开，本公开的范围由所附权利要求及其等效技术方案来定义。示例神经系统图1解说根据本公开的某些方面的具有多级神经元的示例神经系统100。神经系统100可包括神经元级102，该级神经元102通过突触连接网络104(即，前馈连接)来连接到另一级神经元106。为简单起见，图1中仅解说了两级神经元，但在典型的神经系统中可存在更少或更多级神经元。应注意，一些神经元可通过侧向连接来连接至同一层中的其他神经元。此外，一些神经元可通过反馈连接来后向连接至先前层中的神经元。如图1所解说的，级102中的每一神经元可接收输入信号1本文档来自技高网...

【技术保护点】
一种用于因果学习的方法，包括：用装置观察一个或多个事件，其中所述事件被定义为特定相对时间处的发生；基于一个或多个准则来选择所述事件的子集；以及基于所选子集来确定所述事件中的至少一个事件的逻辑原因。

【技术特征摘要】
【国外来华专利技术】2013.10.29 US 61/897,024;2014.01.21 US 14/160,1281.一种用于因果学习的方法，包括：
用装置观察一个或多个事件，其中所述事件被定义为特定相对时间处的发生；
基于一个或多个准则来选择所述事件的子集；以及
基于所选子集来确定所述事件中的至少一个事件的逻辑原因。
2.如权利要求1所述的方法，其特征在于，所述准则包括因果凸显性，所述因果凸显性
被定义为一个事件从其他事件中脱颖而出的程度。
3.如权利要求2所述的方法，其特征在于，不可预测事件发生得越频繁，所述不可预测
事件就是越加因果凸显的。
4.如权利要求1所述的方法，其特征在于，所述准则包括重现、独特性、或时间邻近性中
的至少一者。
5.如权利要求1所述的方法，其特征在于，所述选择包括认为所述事件中提供关于所述
事件中的另一事件的在统计上显著的信息的最早事件是最重要的事件。
6.如权利要求5所述的方法，其特征在于，进一步包括将所述最重要的事件存储在存储
器中。
7.如权利要求1所述的方法，其特征在于，所述观察包括：
周期性地对系统进行采样以生成离散点集；以及
将所述离散点集转换成事件。
8.如权利要求1所述的方法，其特征在于，所述方法实现在能够进行推断学习的人工神
经系统中。
9.如权利要求1所述的方法，其特征在于，进一步包括若观察到新事件则重复所述选择
和所述确定。
10.如权利要求1所述的方法，其特征在于，进一步包括基于所述逻辑原因来预测一个
或多个后续事件。
11.一种用于因果学习的装置，包括：
处理系统，配置成：
观察一个或多个事件，所述事件被定义为特定相对时间处的发生；
基于一个或多个准则来选择所述事件的子集；以及
基于所选子集来确定所述事件中的至少一个事件的逻辑原因；以及耦合至所述处理系
统的...

【专利技术属性】
技术研发人员：J·F·亨泽格已死亡，T·J·郑，
申请(专利权)人：高通股份有限公司，
类型：发明
国别省市：美国;US