專(zhuān)利名稱(chēng)：信息處理裝置、信息處理方法和程序的制作方法
技術(shù)領(lǐng)域：
本技術(shù)涉及信息處理裝置、信息處理方法和程序，更具體地，涉及能夠在基于數(shù)據(jù)估計(jì)概率函數(shù)時(shí)，在沒(méi)有設(shè)置參數(shù)等的情況下估計(jì)最佳概率函數(shù)的信息處理裝置、信息處理方法和程序。
背景技術(shù)：
存在使用通過(guò)學(xué)習(xí)預(yù)先給定數(shù)據(jù)所獲得的分類(lèi)規(guī)則，對(duì)隨后獲得的數(shù)據(jù)進(jìn)行分類(lèi)的已知技術(shù)。在這種技術(shù)中，估計(jì)數(shù)據(jù)背后的數(shù)據(jù)產(chǎn)生源的真實(shí)概率分布或者與該真實(shí)概率分布接近的概率分布。為了估計(jì)概率分布，已經(jīng)研究了諸如混合高斯分布、隱馬爾可夫模型和貝葉斯網(wǎng)絡(luò)之類(lèi)的許多模型。

發(fā)明內(nèi)容
在1992年?yáng)|京大學(xué)出版社出版的東京大學(xué)文理學(xué)院的統(tǒng)計(jì)課文“ScientificStatistics”中，當(dāng)基于數(shù)據(jù)估計(jì)概率函數(shù)時(shí),根據(jù)相對(duì)頻率計(jì)算出概率函數(shù)。然而，在這種方法中，當(dāng)數(shù)據(jù)量小時(shí)出現(xiàn)過(guò)多學(xué)習(xí)。因此，根據(jù)冗余的實(shí)驗(yàn)已經(jīng)明顯的是，這種估計(jì)不是具有魯棒性的估計(jì)。在C. P. Robert 所著的“The Bayesian Choice:From Decision-TheoreticFoundations to Computational Implementation，，，Springer-Verlag, New York, NY,第二版，2007中，公開(kāi)了使用先驗(yàn)分布的貝葉斯(Bayesian)統(tǒng)計(jì)，其中將不是數(shù)據(jù)的分析者的先驗(yàn)信念(也稱(chēng)作先驗(yàn)頻率或虛擬頻率)添加至一頻率。根據(jù)這種方法，可以避免過(guò)多的學(xué)習(xí)。然而，當(dāng)分析者沒(méi)有先驗(yàn)知識(shí)或需要進(jìn)行客觀的分析時(shí)，難以量化地設(shè)置客觀的先驗(yàn)信念或客觀的先驗(yàn)頻率。在S. Yang 和 K. C. Chang 所著的 “Comparison of Score Metrics for BayesianNetwork Learning”，IEEE Transactions on Systems, Man, and Cybernetics PartA, Systems and Humans, Vol. 32, No. 3,頁(yè)數(shù) 419 428，2002 中，公開(kāi)了在多變量貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的干擾的方面推薦特定值的方法。然而，對(duì)于S. Yang和K. C. Chang所著的“Comparison of Score Metrics for Bayesian Network Learning，，，IEEE Transactionson Systems, Man, and Cybernetics Part A, Systems and Humans, Vol. 32, No. 3,頁(yè)數(shù)419^428, 2002中推薦的值，不存在理論上的基礎(chǔ)。進(jìn)一步，由于沒(méi)有充分地檢查數(shù)據(jù)的各種集合，因此最佳性尚不清楚。在這些參數(shù)中，在多變量的情況下存在理論的不一致。為此原因，推薦稱(chēng)作等效樣本大小(ESS)的另一參數(shù)。根據(jù)T. Silander P. Kontkane和P. Myllymaki所著的 “On sensitivity of the map Bayesian Network structure to the equivalentsample size parameter，，， Proceedings of Conference on Uncertainty in ArtificialIntelligence,頁(yè)數(shù)360 367，2007，參數(shù)的最佳值對(duì)于數(shù)據(jù)的每個(gè)集合而言相當(dāng)大地改變，并且優(yōu)化是困難的。在H. Steck所著的“Learning the Bayesian Networkstructure:Dirichlet prior versus data，，，Proceedings of Conference on Uncertaintyin Artificial Intelligence,頁(yè)數(shù) 511 518，2008 中建議了這種優(yōu)化方法。H. Steck 所著的“Learning the Bayesian Network structure:Dirichlet prior versus data，，，Proceedings of Conference on Uncertainty in Artificial Intelligence,頁(yè)數(shù)51 f 518，2008將稱(chēng)作BDeu的貝葉斯統(tǒng)計(jì)的方法與稱(chēng)作AIC的非貝葉斯統(tǒng)計(jì)的方法相組合，由此缺少理論的連貫性。然而，因?yàn)榫扔捎谛〉臄?shù)據(jù)量而惡化，因此難以通過(guò)使用小的數(shù)據(jù)量來(lái)執(zhí)行最佳估計(jì)。進(jìn)一步，因?yàn)檫@種方法專(zhuān)于多變量網(wǎng)絡(luò)結(jié)構(gòu)的估計(jì)并且由此可能不能用于一般概率函數(shù)的估計(jì)，因此一般不使用這種方法。在日本待審專(zhuān)利申請(qǐng)公開(kāi)No. 2008-299524以及T. I sozaki，N. Nato和M. Ueno所著的““Data Temperature” in Minimum Free Energies for Parameter Learningof Bayesian Networks^, International Journal on Artificial IntelligenceTools, Vol. 18，No. 5，頁(yè)數(shù)653 671，2009中，公開(kāi)了通過(guò)使用自由能量最小化原理估計(jì)概率的方法。這種方法已知為相比于諸如貝葉斯估計(jì)之類(lèi)的最大似然估計(jì)更加具有魯棒性的方法。然而，由于在假設(shè)正依賴(lài)于數(shù)據(jù)量的函數(shù)的情況下設(shè)置溫度，因此沒(méi)有實(shí)現(xiàn)最佳。進(jìn) 一步，由于存在使得最佳確定困難的參數(shù)，因此這種方法類(lèi)似于貝葉斯統(tǒng)計(jì)。期望提供這樣的技術(shù)當(dāng)基于數(shù)據(jù)估計(jì)概率函數(shù)時(shí)，在不設(shè)置參數(shù)等的情況下，在自由能量最小化方面估計(jì)最佳的概率函數(shù)。根據(jù)本技術(shù)的實(shí)施例，提供了一種信息處理裝置，包含第一計(jì)算單元，其基于數(shù)據(jù)計(jì)算具有最高似然的概率函數(shù)；第二計(jì)算單元，其計(jì)算統(tǒng)計(jì)物理學(xué)中的正則分布和正則分布的參數(shù)作為所述數(shù)據(jù)的波動(dòng)；以及估計(jì)單元，其使用由第一計(jì)算單元計(jì)算出的具有最高似然的概率函數(shù)、第二估計(jì)單元計(jì)算出的波動(dòng)和所述正則分布來(lái)估計(jì)概率函數(shù)。所述第一計(jì)算單元可以計(jì)算經(jīng)驗(yàn)分布函數(shù)?？梢杂秘惾~斯后驗(yàn)概率函數(shù)替代具有最高似然的概率函數(shù)。所述第二計(jì)算單元計(jì)算所述數(shù)據(jù)的波動(dòng)作為與正則分布的溫度對(duì)應(yīng)的參數(shù)?？梢允褂镁哂凶罡咚迫坏母怕屎瘮?shù)、經(jīng)驗(yàn)分布函數(shù)、貝葉斯后驗(yàn)概率函數(shù)和估計(jì)出的概率函數(shù)中的至少一個(gè)計(jì)算所述數(shù)據(jù)的波動(dòng)。所述數(shù)據(jù)的波動(dòng)可以不包括提前設(shè)置的另一參數(shù)或者針對(duì)數(shù)據(jù)的每個(gè)集合計(jì)算出的參數(shù)。所述第二計(jì)算單元可以使用庫(kù)爾貝克-萊布勒信息計(jì)算所述數(shù)據(jù)的波動(dòng)。當(dāng)所述第二計(jì)算單元計(jì)算所述數(shù)據(jù)的波動(dòng)時(shí)，可以使用n個(gè)數(shù)據(jù)條目，并且可以通過(guò)所述估計(jì)單元基于(n-1)個(gè)數(shù)據(jù)條目計(jì)算出的概率函數(shù)、以及基于n個(gè)數(shù)據(jù)條目計(jì)算出的具有最高似然的概率函數(shù)、貝葉斯后驗(yàn)概率函數(shù)和經(jīng)驗(yàn)分布函數(shù)之一來(lái)計(jì)算庫(kù)爾貝克-萊布勒信息?？梢杂猛瑯拥鼗谏现羓 (其中0彡j彡n-1)個(gè)數(shù)據(jù)條目計(jì)算出的概率函數(shù)的幾何平均值替代基于(n-1)個(gè)數(shù)據(jù)條目計(jì)算出的概率函數(shù)。當(dāng)j = 0時(shí)，可以使用均勻分布函數(shù)。可以用同樣地基于上至j個(gè)數(shù)據(jù)條目計(jì)算出的具有最高似然的概率函數(shù)、貝葉斯后驗(yàn)概率函數(shù)和經(jīng)驗(yàn)分布函數(shù)之一的幾何平均值替換基于n個(gè)數(shù)據(jù)條目計(jì)算出的具有最高似然的概率函數(shù)、貝葉斯后驗(yàn)概率函數(shù)和經(jīng)驗(yàn)分布函數(shù)之一，其中n-1。
可以通過(guò)使用利用以基于n個(gè)數(shù)據(jù)條目計(jì)算出的概率函數(shù)替換基于(n-1)個(gè)數(shù)據(jù)條目計(jì)算出的概率函數(shù)而計(jì)算出的正則分布和數(shù)據(jù)的波動(dòng)執(zhí)行的遞歸計(jì)算，估計(jì)所述概率函數(shù)?？梢允褂霉烙?jì)單元估計(jì)出的概率函數(shù)執(zhí)行統(tǒng)計(jì)假說(shuō)測(cè)試?？梢允褂酶鶕?jù)所述估計(jì)單元估計(jì)出的概率函數(shù)計(jì)算的互信息量、G平方統(tǒng)計(jì)和概率函數(shù)比之一?？梢允褂酶鶕?jù)所述估計(jì)單元估計(jì)出的概率函數(shù)計(jì)算的卡方統(tǒng)計(jì)。可以使用所述估計(jì)單元估計(jì)出的概率函數(shù)來(lái)選擇統(tǒng)計(jì)模型?？梢赃x擇具有根據(jù)所述估計(jì)單元估計(jì)出的概率函數(shù)計(jì)算的最低熵的模型。所述估計(jì)單元估計(jì)的概率函數(shù)可以是多變量聯(lián)合概率函數(shù)或者條件概率函數(shù)。 所述信息處理裝置可以是檢測(cè)統(tǒng)計(jì)因和果的因果檢測(cè)裝置或分類(lèi)器。所述多變量概率函數(shù)可以是貝葉斯網(wǎng)絡(luò)、因果貝葉斯網(wǎng)絡(luò)、馬爾科夫網(wǎng)絡(luò)和馬爾科夫邏輯網(wǎng)絡(luò)之一。根據(jù)本技術(shù)的另一方面，提供了一種信息處理方法，包含基于數(shù)據(jù)計(jì)算具有最高似然的概率函數(shù)；計(jì)算統(tǒng)計(jì)物理學(xué)中的正則分布和正則分布的參數(shù)作為所述數(shù)據(jù)的波動(dòng)；以及使用具有最高似然的概率函數(shù)、所述數(shù)據(jù)的波動(dòng)和所述正則分布來(lái)估計(jì)概率函數(shù)。根據(jù)本技術(shù)的又一方面，提供了一種用于使得計(jì)算機(jī)運(yùn)行處理的程序，所述處理包括基于數(shù)據(jù)計(jì)算具有最高似然的概率函數(shù)；計(jì)算統(tǒng)計(jì)物理學(xué)中的正則分布和正則分布的參數(shù)作為所述數(shù)據(jù)的波動(dòng)；以及使用具有最高似然的概率函數(shù)、所述數(shù)據(jù)的波動(dòng)和所述正則分布來(lái)估計(jì)概率函數(shù)。根據(jù)本技術(shù)的方面，基于數(shù)據(jù)計(jì)算具有最高似然的概率函數(shù)；計(jì)算統(tǒng)計(jì)物理學(xué)中的正則分布和正則分布的參數(shù)作為所述數(shù)據(jù)的波動(dòng)；并且使用具有最高似然的概率函數(shù)、所述數(shù)據(jù)的波動(dòng)和所述正則分布來(lái)估計(jì)概率函數(shù)。根據(jù)本技術(shù)的實(shí)施例，當(dāng)基于數(shù)據(jù)估計(jì)概率函數(shù)時(shí)，可以在不設(shè)置參數(shù)等的情況下估計(jì)最佳的概率函數(shù)。


圖I是圖示根據(jù)本技術(shù)的一實(shí)施例的估計(jì)概率函數(shù)的信息處理裝置的示圖；圖2是圖示根據(jù)本技術(shù)的另一實(shí)施例的估計(jì)概率函數(shù)的信息處理裝置的示圖；圖3是圖示根據(jù)本技術(shù)的又一實(shí)施例的估計(jì)概率函數(shù)的信息處理裝置的示圖；以及圖4是圖示記錄介質(zhì)的示圖。
具體實(shí)施例方式下文將參照附圖詳細(xì)描述本公開(kāi)的優(yōu)選實(shí)施例。注意，在本說(shuō)明書(shū)和附圖中，用相同的附圖標(biāo)記指示具有基本上相同功能和結(jié)構(gòu)的結(jié)構(gòu)要素，并且省略這些結(jié)構(gòu)要素的重復(fù)說(shuō)明。信息處理裝置的配置圖I是圖示根據(jù)本技術(shù)的一實(shí)施例的信息處理裝置的配置的示圖。圖I中所示的信息處理裝置10包括輸入單元21、控制單元22、存儲(chǔ)單元23和輸出單元24?？刂茊卧?2包括最大似然估計(jì)單元41、溫度確定單元42和概率函數(shù)估計(jì)單元43。這里將描述N個(gè)預(yù)定離散隨機(jī)變量的情況，但是假設(shè)也包括N=I的情況。控制單元22是諸如中央處理單元(CPU)之類(lèi)的程序控制設(shè)備，其根據(jù)存儲(chǔ)單元23中存儲(chǔ)的程序工作。將N個(gè)離散隨機(jī)變量和每個(gè)離散隨機(jī)變量的內(nèi)部狀態(tài)存儲(chǔ)在存儲(chǔ)單元23中。進(jìn)一步，數(shù)據(jù)作為數(shù)據(jù)庫(kù)存儲(chǔ)在存儲(chǔ)單元23中。將用于指定要計(jì)算的隨機(jī)變量的概率函數(shù)的參數(shù)輸入至輸入單元21?？商鎿Q地，使用數(shù)據(jù)庫(kù)中該數(shù)據(jù)附近的m個(gè)數(shù)據(jù)，或者可以輸入關(guān)于要使用的數(shù)據(jù)的詳細(xì)信息作為參數(shù)。概率函數(shù)可以指定包括多個(gè)變量的聯(lián)合概率函數(shù)或條件概率函數(shù)。輸入單元21將輸入信息輸出至控制單元22。當(dāng)將離散概率變量表示為{XJ (i=l, ...，n)時(shí)，預(yù)定變量Xi的內(nèi)部狀態(tài)j的概率在此被描述到P(\ = j)。當(dāng)聯(lián)合概率函數(shù)具有兩個(gè)變量時(shí)，可以將概率描述為P(Xi=k，Xfl)。進(jìn)一步，當(dāng)條件概率函數(shù)具有兩個(gè)變量時(shí)，可以將概率描述為 P (Xi=I Xj=IH, Xk=q)?；诘捷斎雴卧?1的輸入，證明要估計(jì)的概率函數(shù)或概率值。接下來(lái)，基于此信息，最大似然估計(jì)單元41從存儲(chǔ)單元23中存儲(chǔ)的數(shù)據(jù)庫(kù)計(jì)算對(duì)應(yīng)的頻率，并且計(jì)算經(jīng)歷最大似然估計(jì)的概率函數(shù)或概率值。接下來(lái)，溫度確定單元42整合最大似然信息和來(lái)自數(shù)據(jù)庫(kù)的信息并且確定溫度?；诖诵畔ⅲ怕屎瘮?shù)估計(jì)單元43計(jì)算最終的概率函數(shù)或最終的概率值，并且輸出單元24將計(jì)算結(jié)果輸出至外部。在本技術(shù)的實(shí)施例中，由于沒(méi)有未確定的參數(shù)，因此用戶不需要調(diào)節(jié)和設(shè)置參數(shù)。因此，可以減輕用戶的負(fù)擔(dān)。進(jìn)一步，相比于最大似然估計(jì)器，可以實(shí)現(xiàn)更加魯棒(robust)的估計(jì)。根據(jù)本公開(kāi)的實(shí)施例，可以獲得這種兼容性優(yōu)點(diǎn)。下文將進(jìn)行更加具體的描述。第一實(shí)施例將在根據(jù)第一實(shí)施例的具有一個(gè)變量的概率函數(shù)的估計(jì)的示例中描述圖I中所示的信息處理裝置10執(zhí)行的處理。首先，存儲(chǔ)單元23存儲(chǔ){x}作為一個(gè)概率變量，并且還存儲(chǔ)概率變量的三個(gè)內(nèi)部狀態(tài)。假設(shè)將用于概率變量的數(shù)據(jù)的十種情況輸入至輸入單元21?？梢詫⑶闆r存儲(chǔ)在存儲(chǔ)單元23中。內(nèi)部狀態(tài)例如是指高、中或低狀態(tài)。作為狀態(tài)，高狀態(tài)出現(xiàn)四次，中間狀態(tài)出現(xiàn)三次，低狀態(tài)出現(xiàn)三次。此信息輸入至輸入單元21并且存儲(chǔ)在存儲(chǔ)單元23中。接下來(lái)，最大似然估計(jì)單元41可以通過(guò)參照針對(duì)每三個(gè)狀態(tài)輸入的情況羅列每個(gè)狀態(tài)Xi (其中i=l，2和3)的頻率ni。接下來(lái)，通過(guò)最大似然估計(jì)，可以由下面的等式(I)使用數(shù)據(jù)數(shù)目n=10計(jì)算相對(duì)頻率(即，概率函數(shù))。[等式I]
Pn(Xi)=—
n... (I)在等式I中，[等式2]P下面將J3描述為P帽(hat)。最大似然估計(jì)單元41通過(guò)使用存儲(chǔ)單元23中存儲(chǔ)的上述信息，基于等式(I)中表示的概率函數(shù)P來(lái)執(zhí)行計(jì)算。接下來(lái)，溫度確定單元42量化數(shù)據(jù)的波動(dòng)。下文將數(shù)據(jù)的波動(dòng)稱(chēng)為溫度。溫度為高的狀態(tài)是指數(shù)據(jù)波動(dòng)大的狀態(tài)。溫度為低的狀態(tài)是指數(shù)據(jù)波動(dòng)小的狀態(tài)。當(dāng)數(shù)據(jù)數(shù)目小的時(shí)候，估計(jì)的函數(shù)有可能不是合適的。然而，如稍后描述的，引入溫度的概念。因此，即使在數(shù)據(jù)數(shù)目小的時(shí)候，也可以使得估計(jì)的函數(shù)合適。如等式⑵中那樣，使用基于n個(gè)數(shù)據(jù)條目之中滿足“n>j”的j個(gè)數(shù)據(jù)條目估計(jì)出的概率函數(shù)h (X)定義幾何平均值。[等式3]
權(quán)利要求
1.一種信息處理裝置，包含 第一計(jì)算單元，其基于數(shù)據(jù)計(jì)算具有最高似然的概率函數(shù)； 第二計(jì)算單元，其計(jì)算統(tǒng)計(jì)物理學(xué)中的正則分布和正則分布的參數(shù)作為所述數(shù)據(jù)的波動(dòng)；以及 估計(jì)單元，其使用由第一計(jì)算單元計(jì)算出的具有最高似然的概率函數(shù)、由第二估計(jì)單元計(jì)算出的波動(dòng)和所述正則分布來(lái)估計(jì)概率函數(shù)。
2.如權(quán)利要求I所述的信息處理裝置，其中，所述第一計(jì)算單元計(jì)算經(jīng)驗(yàn)分布函數(shù)。
3.如權(quán)利要求I所述的信息處理裝置，其中，用貝葉斯后驗(yàn)概率函數(shù)替代具有最高似然的概率函數(shù)。
4.如權(quán)利要求I所述的信息處理裝置，其中，所述第二計(jì)算單元使用具有最高似然的概率函數(shù)、經(jīng)驗(yàn)分布函數(shù)、貝葉斯后驗(yàn)概率函數(shù)和估計(jì)出的概率函數(shù)中的至少一個(gè)計(jì)算所述數(shù)據(jù)的波動(dòng)。
5.如權(quán)利要求I所述的信息處理裝置，其中，所述數(shù)據(jù)的波動(dòng)不包括提前設(shè)置的另一參數(shù)或者針對(duì)數(shù)據(jù)的每個(gè)集合計(jì)算出的參數(shù)。
6.如權(quán)利要求I所述的信息處理裝置，其中，所述第二計(jì)算單元使用庫(kù)爾貝克-萊布勒信息計(jì)算所述數(shù)據(jù)的波動(dòng)。
7.如權(quán)利要求I所述的信息處理裝置，其中，當(dāng)所述第二計(jì)算單元計(jì)算所述數(shù)據(jù)的波動(dòng)時(shí)，使用n個(gè)數(shù)據(jù)條目，并且通過(guò)所述估計(jì)單元基于(n-1)個(gè)數(shù)據(jù)條目計(jì)算出的概率函數(shù)、以及基于n個(gè)數(shù)據(jù)條目計(jì)算出的具有最高似然的概率函數(shù)、貝葉斯后驗(yàn)概率函數(shù)和經(jīng)驗(yàn)分布函數(shù)之一來(lái)計(jì)算庫(kù)爾貝克-萊布勒信息。
8.如權(quán)利要求7所述的信息處理裝置，其中，用同樣地基于上至j個(gè)數(shù)據(jù)條目計(jì)算出的概率函數(shù)的幾何平均值替代基于(n-1)個(gè)數(shù)據(jù)條目計(jì)算出的概率函數(shù)，其中O彡j彡n-1。
9.如權(quán)利要求7所述的信息處理裝置，其中，用同樣地基于上至j個(gè)數(shù)據(jù)條目計(jì)算出的具有最高似然的概率函數(shù)、貝葉斯后驗(yàn)概率函數(shù)和經(jīng)驗(yàn)分布函數(shù)之一的幾何平均值替換基于n個(gè)數(shù)據(jù)條目計(jì)算出的具有最高似然的概率函數(shù)、貝葉斯后驗(yàn)概率函數(shù)和經(jīng)驗(yàn)分布函數(shù)之一，其中O≤j≤n-1。
10.如權(quán)利要求7所述的信息處理裝置，其中，通過(guò)使用利用以基于n個(gè)數(shù)據(jù)條目計(jì)算出的概率函數(shù)替換基于(n-1)個(gè)數(shù)據(jù)條目計(jì)算出的概率函數(shù)而計(jì)算出的正則分布和數(shù)據(jù)的波動(dòng)執(zhí)行的遞歸計(jì)算，估計(jì)所述概率函數(shù)。
11.如權(quán)利要求I所述的信息處理裝置，其中，使用由估計(jì)單元估計(jì)出的概率函數(shù)執(zhí)行統(tǒng)計(jì)假說(shuō)測(cè)試。
12.如權(quán)利要求11所述的信息處理裝置，其中，使用從由所述估計(jì)單元估計(jì)出的概率函數(shù)計(jì)算的互信息量、G平方統(tǒng)計(jì)量和概率函數(shù)比之一。
13.如權(quán)利要求11所述的信息處理裝置，其中，使用從由所述估計(jì)單元估計(jì)出的概率函數(shù)計(jì)算的卡方統(tǒng)計(jì)量。
14.如權(quán)利要求I所述的信息處理裝置，其中，使用由所述估計(jì)單元估計(jì)出的概率函數(shù)來(lái)選擇統(tǒng)計(jì)模型。
15.如權(quán)利要求14所述的信息處理裝置，其中，選擇具有從由所述估計(jì)單元估計(jì)出的概率函數(shù)計(jì)算的最小熵的模型。
16.如權(quán)利要求I所述的信息處理裝置，其中，由所述估計(jì)單元估計(jì)出的概率函數(shù)是多變量聯(lián)合概率函數(shù)或者條件概率函數(shù)。
17.如權(quán)利要求16所述的信息處理裝置，其中，所述信息處理裝置是檢測(cè)統(tǒng)計(jì)因和果的因果檢測(cè)裝置或分類(lèi)器。
18.如權(quán)利要求16所述的信息處理裝置，其中，所述多變量概率函數(shù)是貝葉斯網(wǎng)絡(luò)、因果貝葉斯網(wǎng)絡(luò)、馬爾科夫網(wǎng)絡(luò)和馬爾科夫邏輯網(wǎng)絡(luò)之一。
19.一種信息處理方法，包含 基于數(shù)據(jù)計(jì)算具有最高似然的概率函數(shù)； 計(jì)算統(tǒng)計(jì)物理學(xué)中的正則分布和正則分布的參數(shù)作為所述數(shù)據(jù)的波動(dòng)；以及 使用具有最高似然的概率函數(shù)、所述數(shù)據(jù)的波動(dòng)和所述正則分布來(lái)估計(jì)概率函數(shù)。
20.一種用于使得計(jì)算機(jī)運(yùn)行處理的程序，所述處理包括 基于數(shù)據(jù)計(jì)算具有最高似然的概率函數(shù)； 計(jì)算統(tǒng)計(jì)物理學(xué)中的正則分布和正則分布的參數(shù)作為所述數(shù)據(jù)的波動(dòng)；以及 使用具有最高似然的概率函數(shù)、所述數(shù)據(jù)的波動(dòng)和所述正則分布來(lái)估計(jì)概率函數(shù)。
全文摘要
在此公開(kāi)信息處理裝置、信息處理方法和程序?；跀?shù)據(jù)計(jì)算具有最高似然的概率函數(shù)。計(jì)算統(tǒng)計(jì)物理學(xué)中的正則分布和正則分布的溫度參數(shù)作為所述數(shù)據(jù)的波動(dòng)。使用具有最高似然的概率函數(shù)、計(jì)算出的波動(dòng)和所述正則分布來(lái)估計(jì)概率函數(shù)。本公開(kāi)可應(yīng)用于估計(jì)和使用概率函數(shù)的裝置。
文檔編號(hào)G06F17/18GK102799567SQ20121015320
公開(kāi)日2012年11月28日 申請(qǐng)日期2012年5月17日 優(yōu)先權(quán)日2011年5月24日
發(fā)明者磯崎隆司 申請(qǐng)人:索尼公司