JPH04233036A - 規則ベースコンピュータシステム、該規則ベースコンピュータシステムによって実行される規則を呼出す方法、及び該規則ベースコンピュータシステムによって実行される増分機能学習方法 - Google Patents
規則ベースコンピュータシステム、該規則ベースコンピュータシステムによって実行される規則を呼出す方法、及び該規則ベースコンピュータシステムによって実行される増分機能学習方法Info
- Publication number
- JPH04233036A JPH04233036A JP3139188A JP13918891A JPH04233036A JP H04233036 A JPH04233036 A JP H04233036A JP 3139188 A JP3139188 A JP 3139188A JP 13918891 A JP13918891 A JP 13918891A JP H04233036 A JPH04233036 A JP H04233036A
- Authority
- JP
- Japan
- Prior art keywords
- rule
- rules
- quality
- order
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Devices For Executing Special Programs (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【０００１】
【産業上の利用分野】本発明は“人工知能”として知ら
れるコンピュータ援用情報及び知識処理の分野に関し、
具体的には安全保護監査のような時間ベース表現を使用
する領域に適用可能な帰納学習エンジンのための記号規
則呼出しに関する。
れるコンピュータ援用情報及び知識処理の分野に関し、
具体的には安全保護監査のような時間ベース表現を使用
する領域に適用可能な帰納学習エンジンのための記号規
則呼出しに関する。
【０００２】
【発明の背景】“人工知能”はディジタルコンピュータ
を使用して人間の知能挙動の性能を真似る方法及び装置
の開発を目指すものである。人工知能の重要な目標は経
験から学習する能力をコンピュータに与えることであっ
て、これは知能挙動の中の最も顕著な特色の１つである
。コンピュータはこの能力によって人間が説明しにくい
複雑な概念を学習し、また環境変化に順応することがで
きる。さらに、コンピュータのこのような学習能力によ
って人間は、過保護なコンピュータに特定の機能を遂行
させるために要する知識を与える単調な仕事から解放さ
れる。 最新の知識ベースシステムは、知識を取得す
るために“演繹”推論技術を使用している。この技術で
は、一般的な原理（または規則ベースシステムの場合に
は規則）をエキスパートから取得して知識ベース内に記
憶する。このようにして取得した知識は一般に発見的で
ある。つまり、この知識は、特定の定義域のエキスパー
トが彼等自身の経験を通して開発した事実及び経験的結
合即ちパターンを表す。
を使用して人間の知能挙動の性能を真似る方法及び装置
の開発を目指すものである。人工知能の重要な目標は経
験から学習する能力をコンピュータに与えることであっ
て、これは知能挙動の中の最も顕著な特色の１つである
。コンピュータはこの能力によって人間が説明しにくい
複雑な概念を学習し、また環境変化に順応することがで
きる。さらに、コンピュータのこのような学習能力によ
って人間は、過保護なコンピュータに特定の機能を遂行
させるために要する知識を与える単調な仕事から解放さ
れる。 最新の知識ベースシステムは、知識を取得す
るために“演繹”推論技術を使用している。この技術で
は、一般的な原理（または規則ベースシステムの場合に
は規則）をエキスパートから取得して知識ベース内に記
憶する。このようにして取得した知識は一般に発見的で
ある。つまり、この知識は、特定の定義域のエキスパー
トが彼等自身の経験を通して開発した事実及び経験的結
合即ちパターンを表す。
【０００３】演繹知識ベースシステムは、それらが含む
知識の量、種類及び精度によって必然的に制限される。 即ち、演繹知識ベースシステムは、典型的にはシステム
が含んでいる知識の定義域内の環境についてのみ使用可
能である。もしシステムが予期していない環境とか、そ
の定義域外の環境に遭遇すると、システムは援助を提供
できなくなる。さらに、この型の発見的知識は、それを
検証し更新することが困難であるために実用が制限され
ることが屡々である。 従って、コンピュータがエキ
スパートから知識を取得するのではなく、またはこのよ
うな取得の外に、知識を直接取得することが望ましい。 知識を直接取得する一方法は、特定の定義域内の例から
その定義域内の知識を推論する“帰納”推論技術を使用
することである。帰納学習システムは、定義域の例とし
て与えられる情報から一般化された記述またはパターン
（規則ベースシステムの場合には規則）を生成する。こ
れらの例はその定義域における実際の操作から、または
模擬モデルから収集したデータであってよい。
知識の量、種類及び精度によって必然的に制限される。 即ち、演繹知識ベースシステムは、典型的にはシステム
が含んでいる知識の定義域内の環境についてのみ使用可
能である。もしシステムが予期していない環境とか、そ
の定義域外の環境に遭遇すると、システムは援助を提供
できなくなる。さらに、この型の発見的知識は、それを
検証し更新することが困難であるために実用が制限され
ることが屡々である。 従って、コンピュータがエキ
スパートから知識を取得するのではなく、またはこのよ
うな取得の外に、知識を直接取得することが望ましい。 知識を直接取得する一方法は、特定の定義域内の例から
その定義域内の知識を推論する“帰納”推論技術を使用
することである。帰納学習システムは、定義域の例とし
て与えられる情報から一般化された記述またはパターン
（規則ベースシステムの場合には規則）を生成する。こ
れらの例はその定義域における実際の操作から、または
模擬モデルから収集したデータであってよい。
【０００４】知識取得には、時間ベースプロセスの観察
から時間ベース記号パターン（または規則）を増分（イ
ンクリメンタル）取得するという特殊な問題がある。時
間ベースプロセスの観察は、特定時点におけるプロセス
の状態を一組の属性によって表す“事象”の形を取るこ
とができる。“エピソード”は、時間的に発生する事象
の順序からなる。
から時間ベース記号パターン（または規則）を増分（イ
ンクリメンタル）取得するという特殊な問題がある。時
間ベースプロセスの観察は、特定時点におけるプロセス
の状態を一組の属性によって表す“事象”の形を取るこ
とができる。“エピソード”は、時間的に発生する事象
の順序からなる。
【０００５】時間ベースプロセスに適用される帰納学習
の目標は、プロセスの特徴を表すための、または爾後の
事象を予測するために使用可能な、パターン（記号規則
の形で表される）を発見することである。即ち、各規則
は、発生しそうな次の事象を合理的な精度で予測する順
次パターンを記述することができる。 順次パターン
の特徴を表す簡単な規則の例を以下に示す。 ｅ１
−ｅ２ −ｅ３ →（ｅ４ ＝９５％；ｅ５ ＝５％）
この規則は、もし事象ｅ１ に事象ｅ２ が後続し、事
象ｅ２ に事象ｅ３ が後続するものとすれば、それま
での観察から、ｅ４ が９５％の確率で後続するであろ
うこと、またｅ５ が後続する確率は５％であろうこと
を示している。 以下に示すのは、事象の順序から一
組の仮説（即ち、記号規則の形で表されるパターン）を
生成する簡易例である。各文字がエピソード内のある事
象を表すものとして、Ａ Ｂ Ｃ Ｓ Ｔ
Ｓ Ｔ Ａ Ｂ Ｃ Ａ Ｂ Ｃなるエ
ピソードから規則を発見するものとすれば、以下のよう
な仮説を生成することができる。
の目標は、プロセスの特徴を表すための、または爾後の
事象を予測するために使用可能な、パターン（記号規則
の形で表される）を発見することである。即ち、各規則
は、発生しそうな次の事象を合理的な精度で予測する順
次パターンを記述することができる。 順次パターン
の特徴を表す簡単な規則の例を以下に示す。 ｅ１
−ｅ２ −ｅ３ →（ｅ４ ＝９５％；ｅ５ ＝５％）
この規則は、もし事象ｅ１ に事象ｅ２ が後続し、事
象ｅ２ に事象ｅ３ が後続するものとすれば、それま
での観察から、ｅ４ が９５％の確率で後続するであろ
うこと、またｅ５ が後続する確率は５％であろうこと
を示している。 以下に示すのは、事象の順序から一
組の仮説（即ち、記号規則の形で表されるパターン）を
生成する簡易例である。各文字がエピソード内のある事
象を表すものとして、Ａ Ｂ Ｃ Ｓ Ｔ
Ｓ Ｔ Ａ Ｂ Ｃ Ａ Ｂ Ｃなるエ
ピソードから規則を発見するものとすれば、以下のよう
な仮説を生成することができる。
【０００６】ｈ１ ：Ａ−Ｂ→（Ｃ＝１００％）ｈ２
：Ｃ→（Ｓ＝５０％；Ａ＝５０％）ｈ３ ：Ｓ→（Ｔ＝
１００％） ｈ４ ：Ｔ→（Ａ＝５０％；Ｓ＝５０％）仮説ｈ１ 、
ｈ２ 、ｈ３ 、ｈ４ は、プロセス内に何が起こりつ
つあるのかを明らかにする代替の説明とみることができ
る。
：Ｃ→（Ｓ＝５０％；Ａ＝５０％）ｈ３ ：Ｓ→（Ｔ＝
１００％） ｈ４ ：Ｔ→（Ａ＝５０％；Ｓ＝５０％）仮説ｈ１ 、
ｈ２ 、ｈ３ 、ｈ４ は、プロセス内に何が起こりつ
つあるのかを明らかにする代替の説明とみることができ
る。
【０００７】増分帰納学習では、維持されている規則は
新しい事象が発生すると動的に変更される。先行事象か
ら取得した知識を使用するので、増分的に学習する能力
が重要である。この能力がなければ、新しい事象または
エピソードが発生する度にスクラッチからある概念を学
習しなければならないから、学習プロセスが極めて非効
率的になる。
新しい事象が発生すると動的に変更される。先行事象か
ら取得した知識を使用するので、増分的に学習する能力
が重要である。この能力がなければ、新しい事象または
エピソードが発生する度にスクラッチからある概念を学
習しなければならないから、学習プロセスが極めて非効
率的になる。
【０００８】規則ベース内に最終的に質の高い規則だけ
を残すように仮説を生成し、変更すべきである。質の高
い規則または仮説は、特に、（１）高レベルの確信と（
２）高精度の予測及び構文上の複雑さの特性を有してい
る。 高レベルの確信は、できる限り多くのデータ点
をカバーする規則によって達成される。つまり、新しい
データ点もしくは順序内の事象に対して規則を試験し、
有効性を検証する回数が多い程、確信レベルが高くなる
のである。これらの規則は、高頻度で繰り返す型のパタ
ーンを表す。
を残すように仮説を生成し、変更すべきである。質の高
い規則または仮説は、特に、（１）高レベルの確信と（
２）高精度の予測及び構文上の複雑さの特性を有してい
る。 高レベルの確信は、できる限り多くのデータ点
をカバーする規則によって達成される。つまり、新しい
データ点もしくは順序内の事象に対して規則を試験し、
有効性を検証する回数が多い程、確信レベルが高くなる
のである。これらの規則は、高頻度で繰り返す型のパタ
ーンを表す。
【０００９】予測の精度は、既知のデータ点と規則とを
突き合わせた時の予測のでたらめさの程度を表す“エン
トロピ”の形で表現される。規則のエントロピは［数１
］によって定義される。数１において、ｐｉ は規則に
指定された条件の下で事象ｉが発生する確率である。図
１は、エントロピ値を最小にし、カバー範囲を最大にす
ることによって、如何に“良い”質のパターンが見出さ
れるかを示す。“良い”パターンは、“−”によって表
される、従って極めて低いエントロピを有する１つの型
のデータ点をカバーまたは説明する。これは全ての“−
”データ点を説明するから、最大のカバー範囲をも有す
る。一方“悪い”パターンはその予測のでたらめさの程
度が高く、従って高いエントロピを有している。これは
ほぼ同数の“−”及び“＋”データ点をカバーするから
、その予測の有効性には限界がある。 定義によれば
、右側（即ち生じ得る結果の集合）の確率分布がばらつ
いている規則は低いエントロピを有する。例えば以下に
示す例では、ばらついた確率分布を有する規則ｒ１ の
エントロピは、規則ｒ２ のエントロピよりも遥かに低
い。 ｒ１ ：ｅ１ −ｅ２ →（ｅ３ ＝９５％；
ｅ４ ＝２％；ｅ５ ＝３％） ｒ２ ：ｅ６ −ｅ
７ →（ｅ８ ＝３０％；ｅ９ ＝３０％；ｅ１０＝４
０％）低エントロピの一組の生じ得る結果の中の１つが
真実に近いらしいことを学習できるから、理論的にはエ
ントロピを下げると情報が増加する。従って増分帰納学
習のプロセス全体を、表面的にはランダムなデータから
可能な限り多くの情報を抽出するための試みと見ること
ができる。
突き合わせた時の予測のでたらめさの程度を表す“エン
トロピ”の形で表現される。規則のエントロピは［数１
］によって定義される。数１において、ｐｉ は規則に
指定された条件の下で事象ｉが発生する確率である。図
１は、エントロピ値を最小にし、カバー範囲を最大にす
ることによって、如何に“良い”質のパターンが見出さ
れるかを示す。“良い”パターンは、“−”によって表
される、従って極めて低いエントロピを有する１つの型
のデータ点をカバーまたは説明する。これは全ての“−
”データ点を説明するから、最大のカバー範囲をも有す
る。一方“悪い”パターンはその予測のでたらめさの程
度が高く、従って高いエントロピを有している。これは
ほぼ同数の“−”及び“＋”データ点をカバーするから
、その予測の有効性には限界がある。 定義によれば
、右側（即ち生じ得る結果の集合）の確率分布がばらつ
いている規則は低いエントロピを有する。例えば以下に
示す例では、ばらついた確率分布を有する規則ｒ１ の
エントロピは、規則ｒ２ のエントロピよりも遥かに低
い。 ｒ１ ：ｅ１ −ｅ２ →（ｅ３ ＝９５％；
ｅ４ ＝２％；ｅ５ ＝３％） ｒ２ ：ｅ６ −ｅ
７ →（ｅ８ ＝３０％；ｅ９ ＝３０％；ｅ１０＝４
０％）低エントロピの一組の生じ得る結果の中の１つが
真実に近いらしいことを学習できるから、理論的にはエ
ントロピを下げると情報が増加する。従って増分帰納学
習のプロセス全体を、表面的にはランダムなデータから
可能な限り多くの情報を抽出するための試みと見ること
ができる。
【００１０】図２は増分帰納学習システムの簡易ブロッ
ク線図である。新たに発生した事象が帰納学習エンジン
１０へ入力される。帰納学習エンジン１０はディジタル
コンピュータ上で作動するコンピュータプログラム内に
実現される。規則ベース１２は上例のような形の記号規
則を含み、ディジタルコンピュータのメモリ内に記憶さ
れている。帰納学習エンジン１０は規則ベース１２内に
規則を維持し、新しい事象に応答して動的にそれを変更
する。
ク線図である。新たに発生した事象が帰納学習エンジン
１０へ入力される。帰納学習エンジン１０はディジタル
コンピュータ上で作動するコンピュータプログラム内に
実現される。規則ベース１２は上例のような形の記号規
則を含み、ディジタルコンピュータのメモリ内に記憶さ
れている。帰納学習エンジン１０は規則ベース１２内に
規則を維持し、新しい事象に応答して動的にそれを変更
する。
【００１１】帰納学習エンジン１０は、規則ベース１２
内の規則を評価し変更するために、特定の定義域に適用
可能なある背景知識１４をも使用できる。背景知識１４
は、例えば始めのデータ内には存在しない新しい属性を
生成する建設的な帰納規則を含むことができる。また背
景知識１４は、尤もらしい仮説を生成する際に帰納学習
エンジンを援助することができる定義域のモデルを含む
ことができる。 図２に示す型の帰納学習エンジンは
１９８８年のイリノイ大学コンピュータ科学部門のＫ．
チェンの博士論文「一時的知識を取得する帰納エンジン
」に記述されている。
内の規則を評価し変更するために、特定の定義域に適用
可能なある背景知識１４をも使用できる。背景知識１４
は、例えば始めのデータ内には存在しない新しい属性を
生成する建設的な帰納規則を含むことができる。また背
景知識１４は、尤もらしい仮説を生成する際に帰納学習
エンジンを援助することができる定義域のモデルを含む
ことができる。 図２に示す型の帰納学習エンジンは
１９８８年のイリノイ大学コンピュータ科学部門のＫ．
チェンの博士論文「一時的知識を取得する帰納エンジン
」に記述されている。
【００１２】帰納学習エンジンが遂行する機能の１つは
、規則ベース１２内の規則の中で、新しい事象によって
影響を受け、また新しい事象によって改善される確率が
最も高い規則はどれかを決定することである。これは“
規則呼出し”として知られている。従来、新しい事象を
含む事象の順序の特徴を最も良く表すのはどの規則かを
決定するために、規則ベース内の全ての規則を呼出すこ
とが行われてきた。しかし大きい規則ベースでは、特に
リアルタイム応用の場合には、全ての規則を呼出すこと
は非実際的である。規則呼出しは規則対事象パターン突
き合わせを含むが、これはコンピュータ資源に関しては
不経済なプロセスである。 代替として、例えば質が
“最良”の若干数の規則だけを選択するような所定の基
準に基づいて、規則ベース内の規則の部分集合を呼出す
ことができる。しかしこの技術でさえも、部分集合内の
全ての規則に対して不経済な規則対事象パターン突き合
わせを遂行しなければならないことが欠点である。一般
に規則ベースの質を維持するためには、部分集合内の規
則の数を十分に大きくしなければならないが、そのため
にリアルタイム処理が困難乃至は不可能になる。
、規則ベース１２内の規則の中で、新しい事象によって
影響を受け、また新しい事象によって改善される確率が
最も高い規則はどれかを決定することである。これは“
規則呼出し”として知られている。従来、新しい事象を
含む事象の順序の特徴を最も良く表すのはどの規則かを
決定するために、規則ベース内の全ての規則を呼出すこ
とが行われてきた。しかし大きい規則ベースでは、特に
リアルタイム応用の場合には、全ての規則を呼出すこと
は非実際的である。規則呼出しは規則対事象パターン突
き合わせを含むが、これはコンピュータ資源に関しては
不経済なプロセスである。 代替として、例えば質が
“最良”の若干数の規則だけを選択するような所定の基
準に基づいて、規則ベース内の規則の部分集合を呼出す
ことができる。しかしこの技術でさえも、部分集合内の
全ての規則に対して不経済な規則対事象パターン突き合
わせを遂行しなければならないことが欠点である。一般
に規則ベースの質を維持するためには、部分集合内の規
則の数を十分に大きくしなければならないが、そのため
にリアルタイム処理が困難乃至は不可能になる。
【００１３】
【発明の概要】従って本発明の目的は、規則の質を保存
しながら不経済な規則対事象パターン突き合わせを最小
にすることによって、帰納学習エンジン内の規則呼出し
メカニズムを改良することである。この目的は、仮説と
して試験される規則を、それらの情報内容または“質”
値に従って先ずランク付けすることによって達成される
。次に、遥かに良い仮説が既に存在している場合にはそ
の仮説を無視することによって、新しい事象の特徴を表
すための規則対事象パターン突き合わせプロセスの効率
を高める。つまり、同一の事象の順序の特徴を表すのに
、他の仮説と競争的な仮説が不経済なパターン突き合わ
せプロセス内に入ることを阻止するのである。しかし類
似の質値を有する仮説は保持され、さらなる事象によっ
て曖昧さが除かれるのを待つ。同様に無視された仮説は
、そのエピソードの他の部分においてはパターン突き合
わせプロセスに入ることが許される。これは、最終的に
は“良い”に転ずるかも知れない仮説が失われる可能性
を低下させることになる。 詳述すれば、本発明によ
る規則呼出し方法は、各々が対応付けられた質値を有し
且つ時間に関係付けられた事象の順序の特徴を表す複数
の規則を使用する規則ベースコンピュータシステム内で
実施される。本方法はコンピュータシステムによって実
行される、規則を質値の降順に選択する段階と、事象の
順序の特徴を表す他のどの規則の質値より所定量だけ小
さくない質値を有し且つ事象の順序の特徴を表す規則を
見出す段階と、各事象にその事象を含む順序の特徴を表
すことが見出された規則を用いてタグを付ける段階とを
備えている。 本方法の好ましい実施例では、見出し
段階は、順序内のある事象が既に規則の１つを用いてタ
グを付けられているか否かを決定する副段階と、もしそ
の事象がまだタグを付けられていなければ、選択された
１つの規則がその事象を含む順序の特徴を表すか否かを
試験する副段階とを含む。さらに見出し段階は、既にタ
グを付けられているある事象について、その事象にタグ
を付けた規則の質が上記選択された１つの規則の質より
所定量だけ大きいか否かを決定する副段階と、その事象
にタグを付けた規則の質が上記選択された規則の質より
所定量だけ大きくなければ、上記選択された１つの規則
がその事象を含む順序の特徴を表しているか否かを試験
する副段階をも含む。
しながら不経済な規則対事象パターン突き合わせを最小
にすることによって、帰納学習エンジン内の規則呼出し
メカニズムを改良することである。この目的は、仮説と
して試験される規則を、それらの情報内容または“質”
値に従って先ずランク付けすることによって達成される
。次に、遥かに良い仮説が既に存在している場合にはそ
の仮説を無視することによって、新しい事象の特徴を表
すための規則対事象パターン突き合わせプロセスの効率
を高める。つまり、同一の事象の順序の特徴を表すのに
、他の仮説と競争的な仮説が不経済なパターン突き合わ
せプロセス内に入ることを阻止するのである。しかし類
似の質値を有する仮説は保持され、さらなる事象によっ
て曖昧さが除かれるのを待つ。同様に無視された仮説は
、そのエピソードの他の部分においてはパターン突き合
わせプロセスに入ることが許される。これは、最終的に
は“良い”に転ずるかも知れない仮説が失われる可能性
を低下させることになる。 詳述すれば、本発明によ
る規則呼出し方法は、各々が対応付けられた質値を有し
且つ時間に関係付けられた事象の順序の特徴を表す複数
の規則を使用する規則ベースコンピュータシステム内で
実施される。本方法はコンピュータシステムによって実
行される、規則を質値の降順に選択する段階と、事象の
順序の特徴を表す他のどの規則の質値より所定量だけ小
さくない質値を有し且つ事象の順序の特徴を表す規則を
見出す段階と、各事象にその事象を含む順序の特徴を表
すことが見出された規則を用いてタグを付ける段階とを
備えている。 本方法の好ましい実施例では、見出し
段階は、順序内のある事象が既に規則の１つを用いてタ
グを付けられているか否かを決定する副段階と、もしそ
の事象がまだタグを付けられていなければ、選択された
１つの規則がその事象を含む順序の特徴を表すか否かを
試験する副段階とを含む。さらに見出し段階は、既にタ
グを付けられているある事象について、その事象にタグ
を付けた規則の質が上記選択された１つの規則の質より
所定量だけ大きいか否かを決定する副段階と、その事象
にタグを付けた規則の質が上記選択された規則の質より
所定量だけ大きくなければ、上記選択された１つの規則
がその事象を含む順序の特徴を表しているか否かを試験
する副段階をも含む。
【００１４】同様に、各々が対応付けられた質値を有し
且つ時間に関係付けられた事象の順序の特徴を表す複数
の規則を使用する本発明による規則ベースコンピュータ
装置は、事象の順序の特徴を表す規則の集合を記憶する
記憶手段と、この記憶手段に結合され、集合内のどの規
則がこの順序の特徴を最も良く表しているかを決定する
規則呼出し手段とを具備する。この規則呼出し手段は、
集合内の規則に質値の降順にランク付けするランク付け
手段と、このランク付け手段に結合され、集合内の次の
規則が事象の順序の特徴を表しているか否かをランク順
に決定するパターン突き合わせ手段と、このパターン突
き合わせ手段に結合され、各事象にその事象を含む事象
の順序の特徴を表していることがパターン突き合わせ手
段によって決定された規則を用いてタグを付けるタグ付
け手段と、ランク付け手段とパターン突き合わせ手段と
に結合され、低めにランク付けされた規則の質値と、あ
る事象にタグを付け高めにランク付けされた規則の質値
とを比較し、高めにランク付けされた規則の質値が低め
にランク付けされた規則の質値よりある所定量だけ大き
くなければ、パターン突き合わせ手段へ入力するための
次の規則として低めにランク付けされた規則を選択する
コンパレータ手段とを具備する。本発明の好ましい実施
例においては、装置はさらに、記憶手段に結合され且つ
規則呼出し手段に応答して事象の順序の特徴を表す新し
い規則を生成する規則生成手段をも含む。
且つ時間に関係付けられた事象の順序の特徴を表す複数
の規則を使用する本発明による規則ベースコンピュータ
装置は、事象の順序の特徴を表す規則の集合を記憶する
記憶手段と、この記憶手段に結合され、集合内のどの規
則がこの順序の特徴を最も良く表しているかを決定する
規則呼出し手段とを具備する。この規則呼出し手段は、
集合内の規則に質値の降順にランク付けするランク付け
手段と、このランク付け手段に結合され、集合内の次の
規則が事象の順序の特徴を表しているか否かをランク順
に決定するパターン突き合わせ手段と、このパターン突
き合わせ手段に結合され、各事象にその事象を含む事象
の順序の特徴を表していることがパターン突き合わせ手
段によって決定された規則を用いてタグを付けるタグ付
け手段と、ランク付け手段とパターン突き合わせ手段と
に結合され、低めにランク付けされた規則の質値と、あ
る事象にタグを付け高めにランク付けされた規則の質値
とを比較し、高めにランク付けされた規則の質値が低め
にランク付けされた規則の質値よりある所定量だけ大き
くなければ、パターン突き合わせ手段へ入力するための
次の規則として低めにランク付けされた規則を選択する
コンパレータ手段とを具備する。本発明の好ましい実施
例においては、装置はさらに、記憶手段に結合され且つ
規則呼出し手段に応答して事象の順序の特徴を表す新し
い規則を生成する規則生成手段をも含む。
【００１５】以上に加えて本発明は、コンピュータプロ
グラム論理を記録し、コンピュータが読み取り可能な媒
体を有するコンピュータプログラムプロダクト内で実施
することができる。本発明による方法及び装置は、どの
規則が事象の順序の特徴を最も良く表しているかを規則
の質を使用して決定することによって、帰納学習エンジ
ンの効率を高める。この情報を使用して規則対事象パタ
ーン突き合わせプロセスを減らすことによって、良質の
規則の集合に向かう収束を著しく劣化させることなく、
帰納学習エンジンの性能を大幅に改善することができる
。このような劣化は、より新しい事象に対しては良質の
規則に転ずるかも知れない低質の規則を保存することに
よって阻止されるのである。
グラム論理を記録し、コンピュータが読み取り可能な媒
体を有するコンピュータプログラムプロダクト内で実施
することができる。本発明による方法及び装置は、どの
規則が事象の順序の特徴を最も良く表しているかを規則
の質を使用して決定することによって、帰納学習エンジ
ンの効率を高める。この情報を使用して規則対事象パタ
ーン突き合わせプロセスを減らすことによって、良質の
規則の集合に向かう収束を著しく劣化させることなく、
帰納学習エンジンの性能を大幅に改善することができる
。このような劣化は、より新しい事象に対しては良質の
規則に転ずるかも知れない低質の規則を保存することに
よって阻止されるのである。
【００１６】以上の一般的な説明も、以下の詳細な説明
も単なる例示に過ぎず、本発明を制約するものではない
ことを理解されたい。以下に添付図面に基づいて本発明
の実施例を説明する。
も単なる例示に過ぎず、本発明を制約するものではない
ことを理解されたい。以下に添付図面に基づいて本発明
の実施例を説明する。
【００１７】
【実施例】図３は、図２の帰納学習エンジン１０の基本
要素のブロック線図である。帰納学習エンジン１０は３
つの基本部分、即ち規則呼出し部分２０、規則生成部分
２２、及び規則評価部分２４を含む。規則呼出し部分２
０は、入力として、新しい事象と規則ベース内の規則と
を受ける。規則呼出し部分２０は、後述するように、規
則ベース１２内のどの規則が新しい事象を含む事象の順
序の特徴を最も良く表し、且つこの新しい事象によって
さらに改善される最大の可能性を有しているかを決定す
る。 規則呼出し部分２０から呼出された規則（また
は仮説）は、規則生成部分２２において新しい事象をカ
バーする満足すべき規則が見出されるまで一組のリファ
インメントオペレータ２４を使用して変更される。最も
簡単に言えば、規則リファインメント手段は、（１）仮
説が過度に特殊化されると（例えば仮説が若干の正の例
をカバーしなくなると）その仮説をより一般化させ、（
２）規則が過度に一般化されると（例えば仮説が負の例
をカバーすると）その規則をより特殊化させることによ
って、仮説を変更する。
要素のブロック線図である。帰納学習エンジン１０は３
つの基本部分、即ち規則呼出し部分２０、規則生成部分
２２、及び規則評価部分２４を含む。規則呼出し部分２
０は、入力として、新しい事象と規則ベース内の規則と
を受ける。規則呼出し部分２０は、後述するように、規
則ベース１２内のどの規則が新しい事象を含む事象の順
序の特徴を最も良く表し、且つこの新しい事象によって
さらに改善される最大の可能性を有しているかを決定す
る。 規則呼出し部分２０から呼出された規則（また
は仮説）は、規則生成部分２２において新しい事象をカ
バーする満足すべき規則が見出されるまで一組のリファ
インメントオペレータ２４を使用して変更される。最も
簡単に言えば、規則リファインメント手段は、（１）仮
説が過度に特殊化されると（例えば仮説が若干の正の例
をカバーしなくなると）その仮説をより一般化させ、（
２）規則が過度に一般化されると（例えば仮説が負の例
をカバーすると）その規則をより特殊化させることによ
って、仮説を変更する。
【００１８】規則評価部分２６は、規則生成部分２２か
らの変更済仮説を評価して、これらの新しい仮説が予め
定義された若干の基準を満足するか否かを決定する。こ
れらの基準は、規則のエントロピと、確信レベルと、規
則の構文上の複雑さとに基づく規則の質を含んでいてよ
い。例えば右側内の同一事象を説明するために、左側に
より少ない条件を有する規則のようなより簡単な規則の
方が、より複雑な規則よりも好ましい。これらの基準を
満足する仮説が規則ベース１２へ戻される。規則呼出し
部分２０は、どの規則が新しい事象を含む事象の順序の
特徴を最も良く表すかを決定するために、規則と事象と
の間のパターン突き合わせを必要とする。このプロセス
は必然的に、ある規則の左側及び右側内の条件と順序内
の事象とを突き合わせて、その規則が新しい事象を含む
順序をカバーするか否かを決定することを伴う。もし規
則の左側の条件が先行事象順序によって満足されたこと
をパターン突き合わせプロセスが決定すれば、その新し
い事象は、規則の右側も満足したか否かに依存して、規
則の正または負の例として分類される。もし順序内の事
象が規則の左側の条件を部分的に満足しているにも拘ら
ず、右側とも一致していれば、その規則は更なる変更を
必要としよう。そうでなければ、この事象の順序は結局
はこの規則と一致せず、従ってこの規則には無関係であ
る。帰納学習エンジンの処理速度を増加させるために、
本発明による規則呼出し部分２０は、（１）規則ベース
から入手した仮説を、質値の降順に従ってランク付け、
（２）その事象にその事象をカバーする仮説を用いてタ
グを付け、（３）もしあるエピソード内のある事象が遥
かに良い仮説によってカバーされていたならば、不経済
な規則対事象パターン突き合わせプロセスを阻止するこ
とによってそのエピソードの実効長を縮小させることに
よって、不経済な規則対事象パターン突き合わせプロセ
スを縮小乃至は排除する。
らの変更済仮説を評価して、これらの新しい仮説が予め
定義された若干の基準を満足するか否かを決定する。こ
れらの基準は、規則のエントロピと、確信レベルと、規
則の構文上の複雑さとに基づく規則の質を含んでいてよ
い。例えば右側内の同一事象を説明するために、左側に
より少ない条件を有する規則のようなより簡単な規則の
方が、より複雑な規則よりも好ましい。これらの基準を
満足する仮説が規則ベース１２へ戻される。規則呼出し
部分２０は、どの規則が新しい事象を含む事象の順序の
特徴を最も良く表すかを決定するために、規則と事象と
の間のパターン突き合わせを必要とする。このプロセス
は必然的に、ある規則の左側及び右側内の条件と順序内
の事象とを突き合わせて、その規則が新しい事象を含む
順序をカバーするか否かを決定することを伴う。もし規
則の左側の条件が先行事象順序によって満足されたこと
をパターン突き合わせプロセスが決定すれば、その新し
い事象は、規則の右側も満足したか否かに依存して、規
則の正または負の例として分類される。もし順序内の事
象が規則の左側の条件を部分的に満足しているにも拘ら
ず、右側とも一致していれば、その規則は更なる変更を
必要としよう。そうでなければ、この事象の順序は結局
はこの規則と一致せず、従ってこの規則には無関係であ
る。帰納学習エンジンの処理速度を増加させるために、
本発明による規則呼出し部分２０は、（１）規則ベース
から入手した仮説を、質値の降順に従ってランク付け、
（２）その事象にその事象をカバーする仮説を用いてタ
グを付け、（３）もしあるエピソード内のある事象が遥
かに良い仮説によってカバーされていたならば、不経済
な規則対事象パターン突き合わせプロセスを阻止するこ
とによってそのエピソードの実効長を縮小させることに
よって、不経済な規則対事象パターン突き合わせプロセ
スを縮小乃至は排除する。
【００１９】詳述すれば、新しい事象を含む順序の特徴
を表すために使用される規則ベース１２からの規則は、
最良の仮説が質値の降順に最初に検討されるようにラン
ク付けされる。規則または仮説の質値は、少なくとも部
分的に、エントロピで表現することができる予測の精度
と、その規則の過去の有効性を表す確信レベルとによっ
て決定される。
を表すために使用される規則ベース１２からの規則は、
最良の仮説が質値の降順に最初に検討されるようにラン
ク付けされる。規則または仮説の質値は、少なくとも部
分的に、エントロピで表現することができる予測の精度
と、その規則の過去の有効性を表す確信レベルとによっ
て決定される。
【００２０】仮説は、構文上の複雑さ、普遍性、及び重
要度のような他の基準に基づいてランク付けすることも
できる。複雑さに関して言えば、他のすべての要因が同
じであるとして、より簡単な規則の方がより複雑な規則
よりも好ましい。普遍性については、より普遍的な規則
はより大きい説明力を有し、従ってより特殊化された規
則よりも好ましい。また重要な事象の特徴を表すか、ま
たは予測する若干の型の規則に、あるレベルの重要度を
割り当ててもよい。 これらの全ての基準は、所与の
仮説の関数“Ｑ”内で重みを付け、組み合わせることが
できる。特定の重み及び組み合わせは、このシステムを
使用する定義域と、このシステムが達成しようとしてい
る目標とに依存しよう。関数“Ｑ”は一般に、少なくと
もエントロピのある組み合わせと、仮説の確信レベルと
を含むであろう。
要度のような他の基準に基づいてランク付けすることも
できる。複雑さに関して言えば、他のすべての要因が同
じであるとして、より簡単な規則の方がより複雑な規則
よりも好ましい。普遍性については、より普遍的な規則
はより大きい説明力を有し、従ってより特殊化された規
則よりも好ましい。また重要な事象の特徴を表すか、ま
たは予測する若干の型の規則に、あるレベルの重要度を
割り当ててもよい。 これらの全ての基準は、所与の
仮説の関数“Ｑ”内で重みを付け、組み合わせることが
できる。特定の重み及び組み合わせは、このシステムを
使用する定義域と、このシステムが達成しようとしてい
る目標とに依存しよう。関数“Ｑ”は一般に、少なくと
もエントロピのある組み合わせと、仮説の確信レベルと
を含むであろう。
【００２１】事象の順序からなる新しいエピソードを処
理するに当たって、本発明による規則呼出し部分２０は
、規則対事象パターン突き合わせによってその事象をカ
バーすることが決定された仮説を用いて順序内の事象に
タグを付ける。もしある事象が少なくとも１つの仮説を
用いてタグが付けられ、従ってその仮説によってカバー
されていれば、爾後の、質が遥かに低い仮説は不経済な
パターン突き合わせプロセスから除外される。
理するに当たって、本発明による規則呼出し部分２０は
、規則対事象パターン突き合わせによってその事象をカ
バーすることが決定された仮説を用いて順序内の事象に
タグを付ける。もしある事象が少なくとも１つの仮説を
用いてタグが付けられ、従ってその仮説によってカバー
されていれば、爾後の、質が遥かに低い仮説は不経済な
パターン突き合わせプロセスから除外される。
【００２２】質が遥かに低い仮説を考慮から除外しつつ
、これらのタグを使用してエピソードの実効長を縮小さ
せるメカニズムを“順序縮小”と呼ぶ。図４にエピソー
ドを幾つかの仮説に亙って縮小する簡易例を示す。エピ
ソードＥは８つの事象ｅ１ 、ｅ２ 、ｅ３ 、ｅ４
、ｅ５ 、ｅ６ 、ｅ７ 及びｅ８ からなる。仮説ｈ
１ 、ｈ２ 、ｈ３ 及びｈ４ は次のようにランク付
けされている。
、これらのタグを使用してエピソードの実効長を縮小さ
せるメカニズムを“順序縮小”と呼ぶ。図４にエピソー
ドを幾つかの仮説に亙って縮小する簡易例を示す。エピ
ソードＥは８つの事象ｅ１ 、ｅ２ 、ｅ３ 、ｅ４
、ｅ５ 、ｅ６ 、ｅ７ 及びｅ８ からなる。仮説ｈ
１ 、ｈ２ 、ｈ３ 及びｈ４ は次のようにランク付
けされている。
【００２３】Ｑ（ｈ１ ）＞＞Ｑ（ｈ２ ）＞Ｑ（ｈ３
）＞＞Ｑ（ｈ４ ）ここに、Ｑ（ｈｉ ）は仮説ｈｉ
の質を表す。従って、規則対事象パターン突き合わせ
はｈ１ 、ｈ２ 、ｈ３ 及びｈ４ の順番に行われる
。 図４に示すように、第１の仮説ｈ１ はエピソー
ド内の８事象の中の３事象をカバーする。即ち、事象ｅ
１、ｅ２ 及びｅ７ は、仮説ｈ１ を用いてタグが付
けられる。試験によってＱ（ｈ１ ）がＱ（ｈ２ ）よ
りも遥かに大きいことが決定されるので、事象ｅ１ 、
ｅ２ 及びｅ７ はこのエピソードから実効的に除去さ
れ、このエピソードの実効長は僅か５になる。質が遥か
に低い残りの仮説ｈ３ 、ｈ４ も（仮説の質試験がそ
れらはｈ１ に対して低質であることを決定するので）
事象ｅ１ 、ｅ２ 及びｅ７ に対する考慮から除外さ
れ、不経済な規則対事象パターン突き合わせプロセスか
ら排除される。
）＞＞Ｑ（ｈ４ ）ここに、Ｑ（ｈｉ ）は仮説ｈｉ
の質を表す。従って、規則対事象パターン突き合わせ
はｈ１ 、ｈ２ 、ｈ３ 及びｈ４ の順番に行われる
。 図４に示すように、第１の仮説ｈ１ はエピソー
ド内の８事象の中の３事象をカバーする。即ち、事象ｅ
１、ｅ２ 及びｅ７ は、仮説ｈ１ を用いてタグが付
けられる。試験によってＱ（ｈ１ ）がＱ（ｈ２ ）よ
りも遥かに大きいことが決定されるので、事象ｅ１ 、
ｅ２ 及びｅ７ はこのエピソードから実効的に除去さ
れ、このエピソードの実効長は僅か５になる。質が遥か
に低い残りの仮説ｈ３ 、ｈ４ も（仮説の質試験がそ
れらはｈ１ に対して低質であることを決定するので）
事象ｅ１ 、ｅ２ 及びｅ７ に対する考慮から除外さ
れ、不経済な規則対事象パターン突き合わせプロセスか
ら排除される。
【００２４】仮説ｈ２ は２つの事象ｅ３ 及びｅ４
もカバーするから、実効エピソード長は３に縮小する。 この例において、Ｑ（ｈ２ ）がＱ（ｈ３ ）よりも遥
かに大きくはないものとすれば、仮説ｈ３ は同じ事象
ｅ３ 、ｅ４ 、ｅ５ 、ｅ６ 及びｅ８ に対するパ
ターン突き合わせ内に入る。もし仮説ｈ３ がｅ３ を
カバーすれば、図４に示すように、ｅ３ にはｈ２ の
他にｈ３ を用いたタグも付けられよう。また図示のよ
うにｅ８ にはｈ３ を用いてタグが付けられ、実効エ
ピソード長は２に縮小される。仮説の質試験においてｈ
３ よりも遥かに劣るとされた仮説ｈ４ は、残った事
象の１つｅ４ だけをカバーし、事象ｅ６ は４つの現
存仮説によっては未説明のままとされる。
もカバーするから、実効エピソード長は３に縮小する。 この例において、Ｑ（ｈ２ ）がＱ（ｈ３ ）よりも遥
かに大きくはないものとすれば、仮説ｈ３ は同じ事象
ｅ３ 、ｅ４ 、ｅ５ 、ｅ６ 及びｅ８ に対するパ
ターン突き合わせ内に入る。もし仮説ｈ３ がｅ３ を
カバーすれば、図４に示すように、ｅ３ にはｈ２ の
他にｈ３ を用いたタグも付けられよう。また図示のよ
うにｅ８ にはｈ３ を用いてタグが付けられ、実効エ
ピソード長は２に縮小される。仮説の質試験においてｈ
３ よりも遥かに劣るとされた仮説ｈ４ は、残った事
象の１つｅ４ だけをカバーし、事象ｅ６ は４つの現
存仮説によっては未説明のままとされる。
【００２５】呼出された仮説、即ち新しい事象を含む事
象の順序の特徴を表していると決定された、または現存
仮説によっては説明されない事象の質に対して最良であ
る仮説は、帰納学習エンジン１０の規則生成部分２２へ
入力される。使用される帰納学習戦略に依存して、新し
い事象をカバーする満足すべき規則を見出すまで、一組
のリファインメントオペレータ２４を使用して呼出され
た規則を変更することができる。
象の順序の特徴を表していると決定された、または現存
仮説によっては説明されない事象の質に対して最良であ
る仮説は、帰納学習エンジン１０の規則生成部分２２へ
入力される。使用される帰納学習戦略に依存して、新し
い事象をカバーする満足すべき規則を見出すまで、一組
のリファインメントオペレータ２４を使用して呼出され
た規則を変更することができる。
【００２６】図５は、本発明の１実施例による帰納学習
エンジンの規則呼出し部分の動作の順序の流れ図である
。最初の段階３０において規則呼出し部分は、エピソー
ド内の新しい事象の説明について試験される仮説の形の
規則を、規則ベースから入手する。選択された規則は、
規則ベース内の全ての規則であっても、または部分的に
質もしくは他の基準のある尺度に基づいている規則の部
分集合であっても差し支えない。
エンジンの規則呼出し部分の動作の順序の流れ図である
。最初の段階３０において規則呼出し部分は、エピソー
ド内の新しい事象の説明について試験される仮説の形の
規則を、規則ベースから入手する。選択された規則は、
規則ベース内の全ての規則であっても、または部分的に
質もしくは他の基準のある尺度に基づいている規則の部
分集合であっても差し支えない。
【００２７】段階３２において規則呼出し部分は、選択
された仮説を、少なくとも部分的に仮説の質に基づく所
定の関数Ｑに従ってランク付けする。爾後の諸段階にお
ける規則対事象パターン突き合わせは、高めにランク付
けされた仮説が最初に処理されるように、ランクの降順
に行われる。段階３４は第１制御ループの最初の段階で
あり、この段階では段階３２において決定された次のラ
ンクの仮説ｈｉ を入手する。各仮説は、所与のエピソ
ードの全ての事象に対して一時に１つ処理することが好
ましい。同様に、段階３６は第２制御ループの最初の段
階であり、この段階では順序内の次の事象ｅｊ をエピ
ソードから入手する。
された仮説を、少なくとも部分的に仮説の質に基づく所
定の関数Ｑに従ってランク付けする。爾後の諸段階にお
ける規則対事象パターン突き合わせは、高めにランク付
けされた仮説が最初に処理されるように、ランクの降順
に行われる。段階３４は第１制御ループの最初の段階で
あり、この段階では段階３２において決定された次のラ
ンクの仮説ｈｉ を入手する。各仮説は、所与のエピソ
ードの全ての事象に対して一時に１つ処理することが好
ましい。同様に、段階３６は第２制御ループの最初の段
階であり、この段階では順序内の次の事象ｅｊ をエピ
ソードから入手する。
【００２８】段階３８及び４０において規則呼出し部分
は、現仮説ｈｉ 及び現事象ｅｉ を規則対事象パター
ン突き合わせプロセスへ入力するか否かを決定する。こ
れは、先ず段階３８において、事象ｅｊ が既に他の仮
説ｈｅ を用いてタグを付けられ、その仮説がその事象
をカバーしているか否かを決定することによって達成さ
れる。 もし否ならば、段階４２において仮説ｈｊ 及び事象ｅ
ｊ はパターン突き合わせ手段へ入力され、ｈｊ がｅ
ｊ をカバーするか否かが判定される。 しかしもし
事象ｅｊ が他の仮説ｈｅ を用いてタグ付けされてい
れば、段階４０において２つの仮説ｈｅ 及びｈｉ の
Ｑ関数が比較される。もしＱ（ｈｅ ）がＱ（ｈｉ ）
より遥かに大きければ、即ちもしＱ（ｈｅ ）がＱ（ｈ
ｉ ）より所定の差Ｄだけ大きければ、仮説ｈｉ は事
象ｅｊ に関するそれ以後の考慮から排除される。そう
でなければ、仮説ｈｉ 及び事象ｅｊ は段階４２にお
いてパターン突き合わせ手段へ入力される。
は、現仮説ｈｉ 及び現事象ｅｉ を規則対事象パター
ン突き合わせプロセスへ入力するか否かを決定する。こ
れは、先ず段階３８において、事象ｅｊ が既に他の仮
説ｈｅ を用いてタグを付けられ、その仮説がその事象
をカバーしているか否かを決定することによって達成さ
れる。 もし否ならば、段階４２において仮説ｈｊ 及び事象ｅ
ｊ はパターン突き合わせ手段へ入力され、ｈｊ がｅ
ｊ をカバーするか否かが判定される。 しかしもし
事象ｅｊ が他の仮説ｈｅ を用いてタグ付けされてい
れば、段階４０において２つの仮説ｈｅ 及びｈｉ の
Ｑ関数が比較される。もしＱ（ｈｅ ）がＱ（ｈｉ ）
より遥かに大きければ、即ちもしＱ（ｈｅ ）がＱ（ｈ
ｉ ）より所定の差Ｄだけ大きければ、仮説ｈｉ は事
象ｅｊ に関するそれ以後の考慮から排除される。そう
でなければ、仮説ｈｉ 及び事象ｅｊ は段階４２にお
いてパターン突き合わせ手段へ入力される。
【００２９】段階４２においてパターン突き合わせ手段
は、現仮説ｈｉ が現事象ｅｊ をカバーするか否かを
決定する。もしカバーすれば段階４４において、仮説ｈ
ｉ を用いて事象ｅｊ にタグが付けられ、事象ｅｊ
が仮説ｈｉ によってカバーされたことを示す。次いで
段階４６は、段階４２における規則対事象パターン突き
合わせが成功であったか否かに依存して、現仮説ｈｉ
のＱ関数を他の仮説との比較に使用するために更新する
。例えば、エントロピによって表される仮説の予測精度
と、それまでに仮説が呼出された回数によって表される
確信レベルの両方が、パターン突き合わせプロセスの結
果として変更されよう。 現仮説ｈｉ に関連して処
理すべき事象がエピソード内にそれ以上存在しなければ
、段階４８において第２制御ループから出る。未だ存在
していれば、プログラム制御は段階３６に戻されてエピ
ソード内の次の事象を入手して、処理を続行する。
は、現仮説ｈｉ が現事象ｅｊ をカバーするか否かを
決定する。もしカバーすれば段階４４において、仮説ｈ
ｉ を用いて事象ｅｊ にタグが付けられ、事象ｅｊ
が仮説ｈｉ によってカバーされたことを示す。次いで
段階４６は、段階４２における規則対事象パターン突き
合わせが成功であったか否かに依存して、現仮説ｈｉ
のＱ関数を他の仮説との比較に使用するために更新する
。例えば、エントロピによって表される仮説の予測精度
と、それまでに仮説が呼出された回数によって表される
確信レベルの両方が、パターン突き合わせプロセスの結
果として変更されよう。 現仮説ｈｉ に関連して処
理すべき事象がエピソード内にそれ以上存在しなければ
、段階４８において第２制御ループから出る。未だ存在
していれば、プログラム制御は段階３６に戻されてエピ
ソード内の次の事象を入手して、処理を続行する。
【００３０】同様に、段階５０において規則ベースから
選択された群に試験すべき仮説がそれ以上存在しないこ
とが判定されると、第１制御ループから出て新しいエピ
ソードの縮小が完了する。未だ存在していれば、プログ
ラム制御は段階３４に戻されて次の仮説を入手し、その
仮説についてのエピソードの処理を続行する。最後に段
階５２において、帰納学習エンジン１０の規則生成部分
２２へ入力するために、Ｑ関数に従って仮説を再順序付
ける。 本発明による規則呼出しメカニズムは、大量
のデータから順次パターンを発見するために使用される
増分帰納学習のどのようなシステムにも適用可能である
。 また本発明自体は、順序トランザクション処理、製造品
質制御、回路網診断、適応利用者インタフェース、銀行
会計処理監査のような領域、または傾向もしくはパター
ンの発見が重要な他の領域に適用可能である。 現在
本発明の使用が企図されている１つの特定領域は、コン
ピュータ安全の領域である。帰納学習エンジンは、例え
ばコンピュータシステムの種々の利用者の活動の順序を
記述する利用者プロファイルを表す規則を生成するため
に使用することができる。これらの利用者プロファイル
を使用して、システムへの無許可侵入、または適合利用
者による不正活動を検出することができる。例えばコン
ピュータ安全の領域においては、事象は、システム監査
証跡内の安全記録、または通常はコンピュータのオペレ
ーティングシステムに組み込まれ、命令インタプリタに
よって翻訳される対応命令パラメタ及び修飾子を含むシ
ェルコマンドであることができる。監査証跡またはコン
ピュータ利用者の命令順序内に順次パターンが存在して
いるものとすれば、帰納学習エンジンを使用して利用者
プロファイルを表す規則を増分的に生成することができ
る。次いでこれらの規則を使用して、利用者の確立済挙
動プロファイルから逸脱した異常な活動を検出したり、
または利用者の確立済プロファイル内での正当に認めら
れていない活動を暴露することができる。これらの規則
は、繰り返される事象の順序が僅かな規則に圧縮される
ような安全監査証跡の簡易化された視点をも提供するこ
とができる。
選択された群に試験すべき仮説がそれ以上存在しないこ
とが判定されると、第１制御ループから出て新しいエピ
ソードの縮小が完了する。未だ存在していれば、プログ
ラム制御は段階３４に戻されて次の仮説を入手し、その
仮説についてのエピソードの処理を続行する。最後に段
階５２において、帰納学習エンジン１０の規則生成部分
２２へ入力するために、Ｑ関数に従って仮説を再順序付
ける。 本発明による規則呼出しメカニズムは、大量
のデータから順次パターンを発見するために使用される
増分帰納学習のどのようなシステムにも適用可能である
。 また本発明自体は、順序トランザクション処理、製造品
質制御、回路網診断、適応利用者インタフェース、銀行
会計処理監査のような領域、または傾向もしくはパター
ンの発見が重要な他の領域に適用可能である。 現在
本発明の使用が企図されている１つの特定領域は、コン
ピュータ安全の領域である。帰納学習エンジンは、例え
ばコンピュータシステムの種々の利用者の活動の順序を
記述する利用者プロファイルを表す規則を生成するため
に使用することができる。これらの利用者プロファイル
を使用して、システムへの無許可侵入、または適合利用
者による不正活動を検出することができる。例えばコン
ピュータ安全の領域においては、事象は、システム監査
証跡内の安全記録、または通常はコンピュータのオペレ
ーティングシステムに組み込まれ、命令インタプリタに
よって翻訳される対応命令パラメタ及び修飾子を含むシ
ェルコマンドであることができる。監査証跡またはコン
ピュータ利用者の命令順序内に順次パターンが存在して
いるものとすれば、帰納学習エンジンを使用して利用者
プロファイルを表す規則を増分的に生成することができ
る。次いでこれらの規則を使用して、利用者の確立済挙
動プロファイルから逸脱した異常な活動を検出したり、
または利用者の確立済プロファイル内での正当に認めら
れていない活動を暴露することができる。これらの規則
は、繰り返される事象の順序が僅かな規則に圧縮される
ような安全監査証跡の簡易化された視点をも提供するこ
とができる。
【００３１】帰納学習エンジンの効率を大幅に向上させ
ることによって本発明の規則呼出しメカニズムは、規則
の質を著しく劣化させることなくリアルタイムでコンピ
ュータ安全のための規則を生成することができる。規則
呼出しを案内するために規則の質を使用することによっ
て、遥かに良い説明が既に存在する場合には、これらの
仮説を無視するようにして規則対事象パターン突き合わ
せプロセスを実質的に排除することができる。
ることによって本発明の規則呼出しメカニズムは、規則
の質を著しく劣化させることなくリアルタイムでコンピ
ュータ安全のための規則を生成することができる。規則
呼出しを案内するために規則の質を使用することによっ
て、遥かに良い説明が既に存在する場合には、これらの
仮説を無視するようにして規則対事象パターン突き合わ
せプロセスを実質的に排除することができる。
【００３２】当業者ならば、本発明の範囲から逸脱する
ことなく帰納学習エンジンのための規則呼出しメカニズ
ムに種々の変更を施したり、上述の本発明の説明から別
の実施例を考案できよう。従って以上の説明は単なる例
示に過ぎないことを理解されたい。
ことなく帰納学習エンジンのための規則呼出しメカニズ
ムに種々の変更を施したり、上述の本発明の説明から別
の実施例を考案できよう。従って以上の説明は単なる例
示に過ぎないことを理解されたい。
【００３３】
【数１】
【図１】“質”の“良い”パターンと“悪い”パターン
との差を示す図。
との差を示す図。
【図２】増分帰納学習のためのシステムの概要ブロック
線図。
線図。
【図３】帰納学習エンジンの概要ブロック線図。
【図４】本発明によるエピソードの順序縮小の例。
【図５】本発明による規則呼出し方法において遂行され
る諸段階の流れ図。
る諸段階の流れ図。
Claims (55)
- 【請求項１】 時間に関係付けられた事象の順序の特
徴を表し、対応付けられた質値を各々が有する規則を使
用する規則ベースコンピュータシステムにおいて、コン
ピュータシステムが実行する規則を質値の降順に選択す
る段階と、事象の順序の特徴を表す他のどの規則の質値
よりも所定の量だけ小さくない質値を有し、事象の順序
の特徴を表す規則の１つ１つを見出す段階と、その事象
を含む順序の特徴を表すことが見出された規則の１つ１
つを用いて各事象にタグを付ける段階とを具備すること
を特徴とする規則を呼出す方法。 - 【請求項２】 見出し段階が、順序内のある事象にそ
れまでに規則の１つを用いてタグを付けてあるか否かを
決定する副段階と、もしその事象にそれまでにタグが付
けられていなければ、選択された１つの規則がその事象
を含む順序の特徴を表すか否かを試験する副段階とを含
む請求項１に記載の方法。 - 【請求項３】 見出し段階がさらに、それまでにタグ
が付けられているある事象について、その事象にタグを
付けたある規則の質が上記選択された規則の質よりも所
定の量だけ大きいか否かを決定する副段階と、もしその
事象にタグを付けた規則の質が上記選択された規則の質
よりも所定の量だけ大きくなければ、上記選択された規
則がその事象を含む順序の特徴を表すか否かを試験する
副段階とをも含む請求項２に記載の方法。 - 【請求項４】 試験される選択された１つ１つの規則
の質値を更新する段階をも備えた請求項３に記載の方法
。 - 【請求項５】 試験の後に、規則を質値の降順に再順
序付ける段階をも備えた請求項４に記載の方法。 - 【請求項６】 事象の順序の特徴を表すための新しい
規則を生成する段階をも備えた請求項１に記載の方法。 - 【請求項７】 新しい規則を質値を含む所定の基準に
従って評価する段階をも備えた請求項６に記載の方法。 - 【請求項８】 各規則がその規則の予測の精度の尺度
となる対応付けられたエントロピ値を有し、各規則に対
応付けられた質値が部分的にその規則のエントロピ値に
基づく請求項１に記載の方法。 - 【請求項９】 各規則がその規則の過去の有効性を示
す対応付けられた確信レベルを有し、各規則に対応付け
られた質値が部分的にその規則の確信レベルに基づく請
求項１に記載の方法。 - 【請求項１０】 各規則が構文上の複雑さを有し、各
規則に対応付けられた質値が部分的にその規則の構文上
の複雑さに基づく請求項１に記載の方法。 - 【請求項１１】 時間に関係付けられた事象の順序の
特徴を表し、対応付けられた質値を各々が有する規則を
使用する規則ベースコンピュータシステムにおいて、コ
ンピュータシステムが実行する規則を降順にランク付け
する段階と、規則をランク順に選択する段階と、もし選
択された１つの規則の質値が選択された１つの事象を含
む事象の順序の特徴を表す他のどの規則の質値よりも所
定の量だけ小さくなければ、上記選択された規則が上記
選択された１つを含む事象の順序の特徴を表すか否かを
決定する段階と、もし上記選択された規則が上記選択さ
れた１つを含む事象の順序の特徴を表すことが決定され
れば、上記選択された規則を用いて上記選択された事象
にタグを付ける段階とを具備することを特徴とする規則
を呼出す方法。 - 【請求項１２】 決定段階が、上記選択された事象に
それまでに規則の１つを用いてタグが付けられているか
否かを決定する副段階と、もし上記選択された事象にそ
れまでに規則の１つを用いてタグが付けられていなけれ
ば、上記選択された規則が上記選択された１つを含む事
象の順序の特徴を表すか否かを試験する副段階とを含む
請求項１１に記載の方法。 - 【請求項１３】 決定段階がさらに、上記選択された
事象にタグを付けたある規則の質が上記選択された規則
の質よりも所定の量だけ大きいか否かを決定する副段階
と、 上記選択された事象にタグを付けた規則の質が
上記選択された規則の質よりも所定の量だけ大きくなけ
れば、上記選択された規則が上記選択された１つを含む
事象の順序の特徴を表すか否かを試験する副段階とをも
含む請求項１２に記載の方法。 - 【請求項１４】 試験される選択された１つ１つの規
則の質値を更新する段階をも備えた請求項１３に記載の
方法。 - 【請求項１５】 試験の後に、規則を質値の降順に再
順序付ける段階をも備えた請求項１４に記載の方法。 - 【請求項１６】 選択された規則を質値の降順に再順
序付ける段階をも備えた請求項１５に記載の方法。 - 【請求項１７】 事象の順序の特徴を表すための新し
い規則を生成する段階をも備えた請求項１１に記載の方
法。 - 【請求項１８】 新しい規則を質値を含む所定の基準
に従って評価する段階をも備えた請求項１７に記載の方
法。 - 【請求項１９】 各規則がその規則の予測の精度の尺
度となる対応付けられたエントロピ値を有し、各規則に
対応付けられた質値が部分的にその規則のエントロピ値
に基づく請求項１１に記載の方法。 - 【請求項２０】 各規則がその規則の過去の有効性を
示す対応付けられた確信レベルを有し、各規則に対応付
けられた質値が部分的にその規則の確信レベルに基づく
請求項１１に記載の方法。 - 【請求項２１】 各規則が構文上の複雑さを有し、各
規則に対応付けられた質値が部分的にその規則の構文上
の複雑さに基づく請求項１１に記載の方法。 - 【請求項２２】 時間に関係付けられた事象の順序の
特徴を表し、対応付けられた質値を各々が有する規則を
使用する規則ベースコンピュータシステムにおいて、コ
ンピュータシステムが実行する規則の集合を質値の降順
に規則ベースから選択する段階と、 事象の順序の特
徴を表す他のどの規則の質値よりも所定の量だけ小さく
ない質値を有し、事象の順序の特徴を表している規則の
１つ１つを見出す段階と、 その事象を含む順序の特
徴を表すことが見出された規則の１つ１つを用いて各事
象にタグを付ける段階と、事象の順序の特徴を表すため
の新しい規則を生成する段階と、 この新しい規則を
規則ベース内に記憶する段階とを具備することを特徴と
する増分帰納学習方法。 - 【請求項２３】 見出し段階が、順序内のある事象に
それまでに規則の１つを用いてタグが付けられているか
否かを決定する副段階と、もしその事象にそれまでにタ
グが付けられていなければ、選択された規則がその事象
を含む順序の特徴を表すか否かを試験する副段階とを含
む請求項２２に記載の方法。 - 【請求項２４】 見出し段階がさらに、それまでにタ
グが付けられているある事象について、その事象にタグ
を付けたある規則の質が上記選択された規則の質よりも
所定の量だけ大きいか否かを決定する副段階と、もし上
記事象にタグを付けた規則の質が上記選択された規則の
質よりも所定の量だけ大きくなければ、上記選択された
規則がその事象を含む順序の特徴を表すか否かを試験す
る副段階とをも含む請求項２３に記載の方法。 - 【請求項２５】 試験される選択された１つ１つの規
則の質値を更新する段階をも備えた請求項２４に記載の
方法。 - 【請求項２６】 試験の後に、規則を質値の降順に再
順序付ける段階をも備えた請求項２５に記載の方法。 - 【請求項２７】 質値を含む所定の基準に従って新し
い規則を評価する段階をも備えた請求項２２に記載の方
法。 - 【請求項２８】 各規則がその規則の予測の精度の尺
度となる対応付けられたエントロピ値を有し、各規則に
対応付けられた質値が部分的にその規則のエントロピ値
に基づく請求項２２に記載の方法。 - 【請求項２９】 各規則がその規則の過去の有効性を
示す対応付けられた確信レベルを有し、各規則に対応付
けられた質値が部分的にその規則の確信レベルに基づく
請求項２２に記載の方法。 - 【請求項３０】 各規則が構文上の複雑さを有し、各
規則に対応付けられた質値が部分的にその規則の構文上
の複雑さに基づく請求項２２に記載の方法。 - 【請求項３１】 時間に関係付けられた事象の順序の
特徴を表し、対応付けられた質値を各々が有する規則を
使用する規則ベースコンピュータシステムにおいて、コ
ンピュータシステムが実行する規則の集合を質値の降順
に規則ベースから選択する段階と、 事象の順序内の
事象の１つを選択する段階と、 もし選択された１つ
の規則の質値が選択された１つの事象を含む事象の順序
の特徴を表す他のどの規則の質値よりも所定の量だけ小
さくなければ、上記選択された規則が上記選択された１
つを含む事象の順序の特徴を表すか否かを決定する段階
と、もし上記選択された規則が上記選択された１つを含
む事象の順序の特徴を表すことが決定されれば、上記選
択された事象に上記選択された規則を用いてタグを付け
る段階と、事象の順序の特徴を表すための新しい規則を
生成する段階と、 この新しい規則を規則ベース内に
記憶する段階とを具備することを特徴とする増分帰納学
習方法。 - 【請求項３２】 決定段階が、上記選択された事象に
それまでに規則の１つを用いてタグを付けてあるか否か
を決定する副段階と、もし上記選択された事象にそれま
でに規則の１つを用いてタグを付けてなければ、上記選
択された規則が上記選択された１つを含む順序の特徴を
表すか否かを試験する副段階とを含む請求項３１に記載
の方法。 - 【請求項３３】 決定段階がさらに、上記選択された
事象にタグを付けたある規則の質が上記選択された規則
の質よりも所定の量だけ大きいか否かを決定する副段階
と、 もし上記選択された事象にタグを付けた規則の
質が上記選択された規則の質よりも所定の量だけ大きく
なければ、上記選択された規則が上記選択された１つを
含む事象の順序の特徴を表すか否かを試験する副段階と
をも含む請求項３２に記載の方法。 - 【請求項３４】 試験される選択された１つ１つの規
則の質値を更新する段階をも備えた請求項３３に記載の
方法。 - 【請求項３５】 試験の後に、規則を質値の降順に再
順序付ける段階をも備えた請求項３４に記載の方法。 - 【請求項３６】 質値を含む所定の基準に従って新し
い規則を評価する段階をも備えた請求項３１に記載の方
法。 - 【請求項３７】 各規則がその規則の予測の精度の尺
度となる対応付けられたエントロピ値を有し、各規則に
対応付けられた質値が部分的にその規則のエントロピ値
に基づく請求項３１に記載の方法。 - 【請求項３８】 各規則がその規則の過去の有効性を
示す対応付けられた確信レベルを有し、各規則に対応付
けられた質値が部分的にその規則の確信レベルに基づく
請求項３１に記載の方法。 - 【請求項３９】 各規則が構文上の複雑さを有し、各
規則に対応付けられた質値が部分的にその規則の構文上
の複雑さに基づく請求項３１に記載の方法。 - 【請求項４０】 時間に関係付けられた事象の順序の
特徴を表し、対応付けられた質値を各々が有する規則を
使用する規則ベースコンピュータ装置であって、事象の
順序の特徴を表す記号規則の集合を記憶する記憶手段と
、 この記憶手段に結合され、集合内のどの規則が事
象の順序の特徴を最も良く表しているかを決定する規則
呼出し手段とを具備し、この規則呼出し手段が集合内の
規則を質値の降順にランク付けするランク付け手段と、
このランク付け手段に結合され、集合内の次の
規則が事象の順序の特徴を表しているか否かをランク順
に決定するパターン突き合わせ手段と、 このパ
ターン突き合わせ手段に結合され、パターン突き合わせ
手段によってその事象を含む事象の順序の特徴を表して
いることが決定された規則を用いて各事象にタグを付け
るタグ付け手段と、ランク付け手段とパターン突き合わ
せ手段とに結合され、低めにランク付けされた規則の質
値とある事象にタグ付けされた高めにランク付けされた
規則の質値とを比較し、もし高めにランク付けされた規
則の質値が低めにランク付けされた規則の質値よりも所
定の量だけ大きくなければ、低めにランク付けされた規
則をパターン突き合わせ手段へ入力する次の規則として
選択するコンパレータ手段とを備えていることを特徴と
する装置。 - 【請求項４１】 記憶手段に結合され且つ規則呼出し
手段に応答して、事象の順序の特徴を表す新しい規則を
生成する規則生成手段をも備えた請求項４０に記載の装
置。 - 【請求項４２】 記憶手段と規則生成手段とに結合さ
れ、規則生成手段によって生成された新しい規則を質値
を含む所定の基準に従って評価する評価手段をも備えた
請求項４１に記載の装置。 - 【請求項４３】 規則呼出し手段がさらに、パターン
突き合わせ手段に結合され、次の規則が次の事象を含む
事象の順序の特徴を表しているか否かの決定に従ってパ
ターン突き合わせ手段へ入力される次の規則の質値を更
新する手段をも備えた請求項４２に記載の装置。 - 【請求項４４】 規則が、コンピュータ装置の利用者
の活動の順序を記述する利用者プロファイルを表す請求
項４０に記載の装置。 - 【請求項４５】 各規則がその規則の予測の精度の尺
度となる対応付けられたエントロピ値を有し、各規則に
対応付けられた質値が部分的にその規則のエントロピ値
に基づく請求項４０に記載の装置。 - 【請求項４６】 各規則がその規則の過去の有効性を
示す対応付けられた確信レベルを有し、各規則に対応付
けられた質値が部分的にその規則の確信レベルに基づく
請求項４０に記載の装置。 - 【請求項４７】 各規則が構文上の複雑さを有し、各
規則に対応付けられた質値が部分的にその規則の構文上
の複雑さに基づく請求項４０に記載の装置。 - 【請求項４８】 コンピュータプログラム論理が記録
されコンピュータが読み取り可能な媒体を有し、時間に
関係付けられた事象の順序の特徴を表し、対応付けられ
た質値を各々が有する規則を使用するコンピュータプロ
グラムプロダクトであって、集合内の規則を質値の降順
にランク付けするランク付け手段と、 このランク付
け手段に結合され、集合内の次の規則が事象の順序の特
徴を表しているか否かをランク順に決定するパターン突
き合わせ手段と、 このパターン突き合わせ手段に結合
され、パターン突き合わせ手段によってその事象を含む
事象の順序の特徴を表していることが決定された規則を
用いて各事象にタグを付けるタグ付け手段と、ランク付
け手段とパターン突き合わせ手段とに結合され、低めに
ランク付けされた規則の質値とある事象にタグ付けされ
た高めにランク付けされた規則の質値とを比較し、もし
高めにランク付けされた規則の質値が低めにランク付け
された規則の質値よりも所定の量だけ大きくなければ、
低めにランク付けされた規則をパターン突き合わせ手段
へ入力するための次の規則として選択するコンパレータ
手段とを具備することを特徴とするコンピュータプログ
ラムプロダクト。 - 【請求項４９】 記憶手段に結合され且つ規則呼出し
手段に応答して、事象の順序の特徴を表す新しい規則を
生成する規則生成手段をも備えた請求項４８に記載のコ
ンピュータプログラムプロダクト。 - 【請求項５０】 規則生成手段に結合され、規則生成
手段によって生成された新しい規則を質値を含む所定の
基準に従って評価する評価手段をも備えた請求項４９に
記載のコンピュータプログラムプロダクト。 - 【請求項５１】 規則呼出し手段がさらに、パターン
突き合わせ手段に結合され、次の規則が次の事象を含む
事象の順序の特徴を表しているか否かの決定に従ってパ
ターン突き合わせ手段へ入力される次の規則の質値を更
新する手段をも備えた請求項５０に記載のコンピュータ
プログラムプロダクト。 - 【請求項５２】 規則が、コンピュータ装置の利用者
の活動の順序を記述する利用者プロファイルを表す請求
項４８に記載のコンピュータプログラムプロダクト。 - 【請求項５３】 各規則がその規則の予測の精度の尺
度となる対応付けられたエントロピ値を有し、各規則に
対応付けられた質値が部分的にその規則のエントロピ値
に基づく請求項４８に記載のコンピュータプログラムプ
ロダクト。 - 【請求項５４】 各規則がその規則の過去の有効性を
示す対応付けられた確信レベルを有し、各規則に対応付
けられた質値が部分的にその規則の確信レベルに基づく
請求項４８に記載のコンピュータプログラムプロダクト
。 - 【請求項５５】 各規則が構文上の複雑さを有し、各
規則に対応付けられた質値が部分的にその規則の構文上
の複雑さに基づく請求項４８に記載のコンピュータプロ
グラムプロダクト。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US545072 | 1990-06-28 | ||
| US07/545,072 US5222197A (en) | 1990-06-28 | 1990-06-28 | Rule invocation mechanism for inductive learning engine |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04233036A true JPH04233036A (ja) | 1992-08-21 |
| JP2862153B2 JP2862153B2 (ja) | 1999-02-24 |
Family
ID=24174790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3139188A Expired - Fee Related JP2862153B2 (ja) | 1990-06-28 | 1991-06-11 | 規則ベースコンピュータシステム、該規則ベースコンピュータシステムによって実行される規則を呼出す方法、及び該規則ベースコンピュータシステムによって実行される増分機能学習方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US5222197A (ja) |
| EP (1) | EP0463630A3 (ja) |
| JP (1) | JP2862153B2 (ja) |
| CA (1) | CA2042455A1 (ja) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0506038A3 (en) * | 1991-03-27 | 1995-02-15 | Toyoda Machine Works Ltd | Processing apparatus having rule base |
| US6006213A (en) * | 1991-04-22 | 1999-12-21 | Hitachi, Ltd. | Method for learning data processing rules from graph information |
| JP3184243B2 (ja) * | 1991-06-20 | 2001-07-09 | 株式会社日立製作所 | エキスパートシステムにおける知識獲得支援装置 |
| US5481650A (en) * | 1992-06-30 | 1996-01-02 | At&T Corp. | Biased learning system |
| US5758031A (en) * | 1992-11-10 | 1998-05-26 | Omron Corporation | Rule generating apparatus and method |
| US5802509A (en) * | 1993-09-21 | 1998-09-01 | Hitachi, Ltd. | Rule generation system and method of generating rule |
| US5473732A (en) * | 1993-11-02 | 1995-12-05 | Chang; Hou-Mei H. | Relational artificial intelligence system |
| US5627945A (en) * | 1994-10-07 | 1997-05-06 | Lucent Technologies Inc. | Biased learning system |
| CA2167748A1 (en) * | 1995-02-09 | 1996-08-10 | Yoav Freund | Apparatus and methods for machine learning hypotheses |
| US5796926A (en) * | 1995-06-06 | 1998-08-18 | Price Waterhouse Llp | Method and apparatus for learning information extraction patterns from examples |
| US5719692A (en) * | 1995-07-07 | 1998-02-17 | Lucent Technologies Inc. | Rule induction on large noisy data sets |
| JP3761238B2 (ja) * | 1996-01-25 | 2006-03-29 | 株式会社東芝 | 判断規則修正装置と判断規則修正方法 |
| US5841895A (en) * | 1996-10-25 | 1998-11-24 | Pricewaterhousecoopers, Llp | Method for learning local syntactic relationships for use in example-based information-extraction-pattern learning |
| US5832482A (en) * | 1997-02-20 | 1998-11-03 | International Business Machines Corporation | Method for mining causality rules with applications to electronic commerce |
| US6718322B1 (en) * | 1998-10-02 | 2004-04-06 | Ncr Corporation | SQL-based analytic algorithm for rule induction |
| US6477520B1 (en) * | 1999-02-22 | 2002-11-05 | Yatra Corporation | Adaptive travel purchasing optimization system |
| US6304833B1 (en) * | 1999-04-27 | 2001-10-16 | The United States Of America As Represented By The Secretary Of The Navy | Hypothesis selection for evidential reasoning systems |
| US20020184169A1 (en) * | 2001-05-31 | 2002-12-05 | Opitz David William | Method and device for creating a sequence of hypotheses |
| WO2005055073A1 (en) * | 2003-11-27 | 2005-06-16 | Qinetiq Limited | Automated anomaly detection |
| US9058486B2 (en) | 2011-10-18 | 2015-06-16 | Mcafee, Inc. | User behavioral risk assessment |
| US9380068B2 (en) | 2014-08-18 | 2016-06-28 | Bank Of America Corporation | Modification of computing resource behavior based on aggregated monitoring information |
| US20230070131A1 (en) * | 2021-09-08 | 2023-03-09 | Georgetown University | Generating and testing hypotheses and updating a predictive model of pandemic infections |
| US12561435B2 (en) * | 2022-12-16 | 2026-02-24 | Dell Products L.P. | Auditing classifier models with adversarially robust XAI committees |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4642782A (en) * | 1984-07-31 | 1987-02-10 | Westinghouse Electric Corp. | Rule based diagnostic system with dynamic alteration capability |
| JPH0734162B2 (ja) * | 1985-02-06 | 1995-04-12 | 株式会社日立製作所 | 類推制御方法 |
| US4999833A (en) * | 1985-05-06 | 1991-03-12 | Itt Corporation | Network connectivity control by artificial intelligence |
| US4809219A (en) * | 1985-06-26 | 1989-02-28 | International Business Machines Corporation | Method for processing an expert system rulebase on a system having limited memory |
| US4829450A (en) * | 1986-02-28 | 1989-05-09 | Michael Manthey | Reasoning machine |
| US4773024A (en) * | 1986-06-03 | 1988-09-20 | Synaptics, Inc. | Brain emulation circuit with reduced confusion |
| US4752890A (en) * | 1986-07-14 | 1988-06-21 | International Business Machines Corp. | Adaptive mechanisms for execution of sequential decisions |
| JPS6326726A (ja) * | 1986-07-21 | 1988-02-04 | Toshiba Corp | 情報処理装置 |
| US4849879A (en) * | 1986-09-02 | 1989-07-18 | Digital Equipment Corp | Data processor performance advisor |
| US4881178A (en) * | 1987-05-07 | 1989-11-14 | The Regents Of The University Of Michigan | Method of controlling a classifier system |
| US4843567A (en) * | 1987-07-30 | 1989-06-27 | International Business Machines Corp. | Device to assist adaptive reordering of sequential decisions |
| US4860213A (en) * | 1987-10-01 | 1989-08-22 | General Electric Company | Reasoning system for reasoning with uncertainty |
| US4866635A (en) * | 1987-10-19 | 1989-09-12 | Carnegie Group Inc. | Domain independent shell for building a diagnostic expert system |
| US4959799A (en) * | 1987-11-05 | 1990-09-25 | Hitachi, Ltd. | Inference method and system |
| JPH0676181B2 (ja) * | 1988-02-01 | 1994-09-28 | フジテック株式会社 | エレベータの群管理制御方法及び装置 |
| JP2770228B2 (ja) * | 1988-03-01 | 1998-06-25 | 株式会社日立製作所 | 知識型プラント情報処理方式 |
| US4890240A (en) * | 1988-09-20 | 1989-12-26 | International Business Machines Corporation | Coalescing changes in pattern-directed, rule-based artificial intelligence production systems |
| US5099436A (en) * | 1988-11-03 | 1992-03-24 | Allied-Signal Inc. | Methods and apparatus for performing system fault diagnosis |
| US5016204A (en) * | 1989-02-28 | 1991-05-14 | Digital Equipment Corporation | Expert system for performing diagnostic and redesign operations incorporating multiple levels of simulation detail |
| US5034898A (en) * | 1989-05-02 | 1991-07-23 | Digital Equipment | System including inductive learning arrangement for adaptive management of behavior of complex entity |
| US5103498A (en) * | 1990-08-02 | 1992-04-07 | Tandy Corporation | Intelligent help system |
-
1990
- 1990-06-28 US US07/545,072 patent/US5222197A/en not_active Expired - Lifetime
-
1991
- 1991-05-13 CA CA002042455A patent/CA2042455A1/en not_active Abandoned
- 1991-06-11 JP JP3139188A patent/JP2862153B2/ja not_active Expired - Fee Related
- 1991-06-28 EP EP19910110773 patent/EP0463630A3/en not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| EP0463630A3 (en) | 1993-08-04 |
| JP2862153B2 (ja) | 1999-02-24 |
| CA2042455A1 (en) | 1991-12-29 |
| US5222197A (en) | 1993-06-22 |
| EP0463630A2 (en) | 1992-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH04233036A (ja) | 規則ベースコンピュータシステム、該規則ベースコンピュータシステムによって実行される規則を呼出す方法、及び該規則ベースコンピュータシステムによって実行される増分機能学習方法 | |
| Kovacs | Evolving optimal populations with XCS classi er systems | |
| De Alfaro et al. | Model checking discounted temporal properties | |
| Jeeveswaran et al. | Birt: Bio-inspired replay in vision transformers for continual learning | |
| Moreno et al. | Neural recursive belief states in multi-agent reinforcement learning | |
| KR20190124846A (ko) | 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계 | |
| Kag et al. | Time adaptive recurrent neural network | |
| CN118195032B (zh) | 一种具备主动学习能力的大模型自动进化系统及方法 | |
| Armentano et al. | Plan recognition for interface agents: State of the art | |
| Nauck et al. | Choosing appropriate neuro-fuzzy models | |
| CN120494034A (zh) | 基于状态压缩和无标注奖励的强化学习方法和系统 | |
| Bhatt et al. | Towards aggregating weighted feature attributions | |
| Wu et al. | LLM-ACTR: From cognitive models to LLMs in manufacturing solutions | |
| CN114679341B (zh) | 结合erp系统的网络入侵攻击分析方法、设备及介质 | |
| CN115409217A (zh) | 一种基于多专家混合网络的多任务预测性维护方法 | |
| Taylor | A reinforcement learning framework for parameter control in computer vision applications | |
| Fürnkranz et al. | Learning Structured Declarative Rule Sets--A Challenge for Deep Discrete Learning | |
| Schönberner et al. | Neural rules for reinforcement learning with XCSF as controller in organic computing systems | |
| Lughofer et al. | Online adaptation of Takagi-Sugeno fuzzy inference systems | |
| Cano et al. | Algorithmic fairness: a runtime perspective | |
| Branchi et al. | Recommending the optimal policy by learning to act from temporal data | |
| CN114866290A (zh) | 基于专家系统的模糊行为决策方法与系统 | |
| James et al. | Planning in models that combine memory with predictive representations of state | |
| Li et al. | Stochastic ghost batch for self-distillation with dynamic soft label | |
| Brazdil et al. | Setting up configuration spaces and experiments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |