【技术实现步骤摘要】
【国外来华专利技术】
专利
本公开的各方面一般涉及使用人工神经网络来生成因果图。
技术介绍
1、人工神经网络可包括互连的人工神经元群(例如，神经元模型)。人工神经网络可以是计算设备或表示为要由计算设备执行的方法。卷积神经网络是一种前馈人工神经网络。卷积神经网络可包括神经元集合，其中每个神经元具有感受野并且共同地拼出一输入空间。卷积神经网络(cnn)(诸如深度卷积神经网络(dcn))具有众多应用。具体而言，这些神经网络架构被用于各种技术，诸如图像识别、模式识别、语音识别、自动驾驶和其他分类任务。
2、深度神经网络已极大地提高了流送数据(例如，图像、视频、惯性测量单元(imu)数据、雷达和wifi)分类性能。期望将此类网络与物联网(iot)设备、智能手机、或流送数据的其他低功率设备结合起来。遗憾的是，由于所涉及的计算量，分类所消耗的大量资源使得在实时、能量敏感型应用上利用深度神经网络具有挑战性。
技术实现思路
0、概述
1、本公开在独立权利要求中分别阐述。本公开的一些方面在从属权利要求中描述。
2、在本公开的一方面，提供了一种方法。该方法包括：接收数据集，该数据集包括与多个变量相对应的观测数据和干预数据。该方法还包括：基于该观测数据来确定该多个变量中的每个变量的概率分布。附加地，该方法包括：应用该概率分布以基于该概率分布和该干预数据来计算包括图中的每个边的似然。每个边连接该多个变量中的变量。此外，该方法包括：基于包括每个边的该似然来生成该图。
3、在本公
4、在本公开的一方面，提供了一种设备。该设备包括：用于接收数据集的装置，该数据集包括与多个变量相对应的观测数据和干预数据。该设备还包括：用于基于该观测数据来确定该多个变量中的每个变量的概率分布的装置。附加地，该设备包括：用于基于该概率分布和该干预数据来计算包括图中的每个边的似然的装置。每个边连接该多个变量中的变量。此外，该设备包括：用于基于包括每个边的该似然来生成该图的装置。
5、在本公开的一方面，提供了一种非瞬态计算机可读介质。该计算机可读介质上编码有程序代码。该程序代码由处理器执行并且包括：用于接收数据集的代码，该数据集包括与多个变量相对应的观测数据和干预数据。该程序代码还包括：用于基于该观测数据来确定该多个变量中的每个变量的概率分布的代码。附加地，该程序代码包括：用于基于该概率分布和该干预数据来计算包括图中的每个边的似然的代码。每个边连接该多个变量中的变量。此外，该程序代码包括：用于基于包括每个边的该似然来生成该图的代码。
6、基于该概率分布和该干预数据来计算包括图中的每个边的似然，每个边连接该多个变量中的变量。
7、本公开的附加特征和优点将在下文描述。本领域技术人员应当领会，本公开可容易地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还应认识到，这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理解。然而，要清楚理解的是，提供每一幅附图均仅用于解说和描述目的，且无意作为对本公开的限定的定义。
本文档来自技高网...【技术保护点】
1.一种方法，包括：
2.如权利要求1所述的方法，进一步包括：通过迭代地重复确定所述概率分布并计算包括每个边的所述似然来更新所述图。
3.如权利要求1所述的方法，其中所述概率分布是通过丢弃作为输入的一个或多个变量来确定的。
4.如权利要求3所述的方法，其中所述丢弃是随机执行的。
5.如权利要求1所述的方法，其中包括每个边的所述似然是基于第一参数和第二参数来确定的，所述第一参数对边的存在建模，并且所述第二参数对所述边的方向建模。
6.如权利要求5所述的方法，进一步包括：
7.如权利要求5所述的方法，其中所述第二参数将所述图控制为无环。
8.如权利要求1所述的方法，其中包括每个边的所述似然是基于稀疏性正则化项来计算的。
9.如权利要求1所述的方法，进一步包括：当包括所述图中的每个边的所述似然收敛于1时，输出因果图。
10.一种装置，包括：
11.如权利要求10所述的装置，其中所述至少一个处理器被进一步配置成：通过迭代地重复确定所述概率分布并计算包括每个边的所述似然来
12.如权利要求10所述的装置，其中所述至少一个处理器被进一步配置成：通过丢弃作为输入的一个或多个变量来确定所述概率分布。
13.如权利要求12所述的装置，其中所述至少一个处理器被进一步配置成：随机执行所述丢弃。
14.如权利要求10所述的装置，其中所述至少一个处理器被进一步配置成：基于第一参数和第二参数来确定包括每个边的所述似然，所述第一参数对边的存在建模，并且所述第二参数对所述边的方向建模。
15.如权利要求14所述的装置，其中所述至少一个处理器被进一步配置成：
16.如权利要求14所述的装置，其中所述第二参数将所述图控制为无环。
17.如权利要求10所述的装置，其中所述至少一个处理器被进一步配置成：基于稀疏性正则化项来计算包括每个边的所述似然。
18.如权利要求10所述的装置，其中所述至少一个处理器被进一步配置成：当包括所述图中的每个边的所述似然收敛于1时，输出因果图。
19.一种设备，包括：
20.如权利要求19所述的设备，进一步包括：用于通过迭代地重复确定所述概率分布并计算包括每个边的所述似然来更新所述图的装置。
21.如权利要求19所述的设备，进一步包括：用于通过丢弃作为输入的一个或多个变量来确定所述概率分布的装置。
22.如权利要求21所述的设备，其中所述丢弃是随机执行的。
23.如权利要求19所述的设备，进一步包括：用于基于第一参数和第二参数来确定包括每个边的所述似然的装置，所述第一参数对边的存在建模，并且所述第二参数对所述边的方向建模。
24.如权利要求23所述的设备，进一步包括：
25.如权利要求23所述的设备，其中所述第二参数将所述图控制为无环。
26.如权利要求19所述的设备，进一步包括：用于基于稀疏性正则化项来计算包括每个边的所述似然的装置。
27.如权利要求19所述的设备，进一步包括：用于响应于包括所述图中的每个边的所述似然收敛于1，输出因果图的装置。
28.一种其上编码有程序代码的非瞬态计算机可读介质，所述程序代码由处理器执行并且包括：
29.如权利要求28所述的非瞬态计算机可读介质，进一步包括：用于通过迭代地重复确定所述概率分布并计算包括每个边的所述似然来更新所述图的程序代码。
30.如权利要求28所述的非瞬态计算机可读介质，进一步包括：用于通过丢弃作为输入的一个或多个变量来确定所述概率分布的程序代码。
...【技术特征摘要】
【国外来华专利技术】
1.一种方法，包括：
2.如权利要求1所述的方法，进一步包括：通过迭代地重复确定所述概率分布并计算包括每个边的所述似然来更新所述图。
3.如权利要求1所述的方法，其中所述概率分布是通过丢弃作为输入的一个或多个变量来确定的。
4.如权利要求3所述的方法，其中所述丢弃是随机执行的。
5.如权利要求1所述的方法，其中包括每个边的所述似然是基于第一参数和第二参数来确定的，所述第一参数对边的存在建模，并且所述第二参数对所述边的方向建模。
6.如权利要求5所述的方法，进一步包括：
7.如权利要求5所述的方法，其中所述第二参数将所述图控制为无环。
8.如权利要求1所述的方法，其中包括每个边的所述似然是基于稀疏性正则化项来计算的。
9.如权利要求1所述的方法，进一步包括：当包括所述图中的每个边的所述似然收敛于1时，输出因果图。
10.一种装置，包括：
11.如权利要求10所述的装置，其中所述至少一个处理器被进一步配置成：通过迭代地重复确定所述概率分布并计算包括每个边的所述似然来更新所述图。
12.如权利要求10所述的装置，其中所述至少一个处理器被进一步配置成：通过丢弃作为输入的一个或多个变量来确定所述概率分布。
13.如权利要求12所述的装置，其中所述至少一个处理器被进一步配置成：随机执行所述丢弃。
14.如权利要求10所述的装置，其中所述至少一个处理器被进一步配置成：基于第一参数和第二参数来确定包括每个边的所述似然，所述第一参数对边的存在建模，并且所述第二参数对所述边的方向建模。
15.如权利要求14所述的装置，其中所述至少一个处理器被进一步配置成：
16.如权利要求14所述的装置，其中所述第二参数将所述图控制为...
【专利技术属性】
技术研发人员：P·利佩，T·S·科恩，E·加维斯，
申请(专利权)人：美国高通技术公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。