[發明專利]信息處理設備、信息處理方法以及程序

無效

• 申請號: 201410201455.X
• 申請日: 2014-05-14
• 公開（公告）號: CN104182378A
• 公開（公告）日: 2014-12-03
• 發明（設計）人: 磯崎隆司
• 申請（專利權）人: 索尼公司
• 主分類號: G06F17/18
• 分類號: G06F17/18
• 代理公司: 中國國際貿易促進委員會專利商標事務所 11038
• 代理人: 王莉莉

對相關申請的交叉引用

本申請要求2013年5月21日提出的日本優先權專利申請JP2013-106909的優先權，該申請的內容以引用的方式并入本文中。

技術領域

本技術涉及信息處理設備、信息處理方法以及程序。具體而言，本技術涉及能夠估計多個變量之間的因果關系的信息處理設備、信息處理方法以及程序。

背景技術

在相關技術中，從對多元隨機變量的觀測數據來估計統計因果關系大致分類為：基于信息量基準，作為分數，最大化估計的結果的方法，最大處罰似然率方法，或貝葉斯方法(下文簡稱為第一估計方法)，以及通過對于變量之間的有條件的獨立性的統計測試來執行估計的方法(下文簡稱為第二估計方法)。為了結果的可讀性，變量之間的因果關系通常被表示為圖形模型(非循環模型)。

圖1示出了表示變量X和變量Y之間的因果關系的三個圖形模型的示例。

在圖1的上半部所示出的圖形模型中，變量X和變量Y之間的因果關系不清楚，而變量X和變量Y充當通過沒有方向的邊(無向邊)彼此連接的頂點。在圖1的中部所示出的圖形模型中，變量X和變量Y之間的因果關系是，變量X對應于原因，變量Y對應于結果，而變量X和變量Y充當通過表示從原因到結果的方向的邊(有向邊)彼此連接的頂點。在圖1的下半部所示出的圖形模型中，變量X和變量Y充當通過三個變量和連接變量的邊彼此連接的頂點。在圖1的下半部所示出的圖形模型中，三個變量和連接變量的邊構成變量X和變量Y之間的路徑，而路徑可以部分地包括表示方向的有向邊。

然而，第二估計方法可能可以估計潛在的共同的原因變量的存在，在例如下面的文檔中公開了其算法：P.Spirtes、C.Meek和T.Richardson所著的“Causal?Inference?in?the?Presence?of?Latent?Variables?and?Selection?Bias”，Proceedings?of?Conference?on?Uncertainty?in?Artificial?Intelligence,pp.499-506,1995；P.Spirtes、T.Richardson和C.Meek所著的“Heuristic?Greedy?Search?Algorithms?for?Latent?Variable?Models”，Proceedings?of?International?Workshop?on?Artificial?Intelligence?and?Statistics,pp.481-488,1996；P.Spirtes、C.Glymour和R.Scheines“Causation,Prediction,and?Search”，MIT?Press,second?edition,2000；等等。由此表達的模型叫做混合祖先圖等等(參見P.Spirtes、T.Richardson和C.Meek所著“Heuristic?Greedy?Search?Algorithms?for?Latent?Variable?Models”，Proceedings?of?International?Workshop?on?Artificial?Intelligence?and?Statistics,pp.481-488,1996)。

在第二估計方法中，通常要使用的隨機變量被設置為是離散值的類別數據(類別變量)以及是連續值的數值數據(數值變量)中的任何一個。例如，當隨機變量是類別變量時，因果關系被建模為貝葉斯網絡模型。可另選地，當隨機變量是數值變量時，因果關系被建模為結構方程模型(參見P.Spirtes、C.Glymour，以及R.Scheines所著的“Causation、Prediction，and?Search”，MIT?Press，第二版，2000)。