在介绍邮报我们描述了我们最初的表征的州OHTO可以。以来的一些州要求依赖政府的行动,以加快对所需的转换睡眠
状态,准确识别的州对减少累积的遗憾是至关重要的。
挑战在于,积累后悔的活跃状态,输入
,过程
,输出
和活跃的
没有明确区分。接下来我们关注状态识别的问题,尤其关注不同的信号类型与这些国家有关。
问题公式化
OHTO随时可以观察到。当观察,它呈现给我们一个嘈杂的,通常,特征向量反映了状态。特性是一个复合的视觉,听觉,嗅觉和触觉信号。
我们想学习一个函数,预测一个向量的概率,每个条目表示OHTO的可能性是在一个活跃的状态。因此,我们显然是众所周知的多标记分类问题。
模型的选择
不过有一个并发症引起的数据收集。因为它必须进行手动通过反复试验,我们一般不知道真正的标签。换句话说,总是有不确定性相关的标签。
然而,我们可以利用不同的信号类型猜题来减少不确定性。基于我们的经验,主要的信号类型,但不是详尽与每个状态是:
输入
:听觉和视觉过程
:听觉、视觉、触觉和嗅觉输出
:听觉、视觉、触觉和嗅觉活跃的
:听觉和视觉
通常伴随olfactory-visual信号交互过程
和输出
国家让他们容易区分从其他两个。然而,仍然应该记住,没有触觉或进攻嗅觉信号不排除这些国家,因为每个国家都有一个一生的信号可能显现。特定的虽然是由于这些信号的性质,这些国家可以估计原位。
这与输入
和活跃的
州只能估计非原位。这我们意味着他们只能间接估计通过观察后续的因果结构,可能我们之前行动。
利用这些模式活跃状态的信号,而不是布尔指标,我们可以分配教育会员权重,基于我们的最佳猜测,作为因变量的训练数据。这些权重总结统一所有可能的活跃状态。
可能的解决方案
多标记分类问题的解决方案是众所周知的,典型的一个多项式回归。学习不同的感官信号之间的非线性,非线性回归,这样提高了树或神经网络,优先。
无论选择哪种解释变量时,我们需要考虑训练数据的异质性。一个方便的方法是使用基于估计状态的加权损失函数成员权重。
结论
在这第一个后续,我们国家特征识别问题多标记分类问题。有机数据收集构成数据异构性问题,我们通过信号的模式解决OHTO展示在不同的州。由此产生的模糊性,在地面训练数据的真理是通过加权损失函数模型。
虽然解决状态识别问题不明确优化OHTO,它是一个重要的工具,其特点在几个未来问题明确处理遗憾最小化。正如他们所说,你必须知道你的敌人。和有些人说敌人比朋友更亲密。OHTO保持危险地接近我们的心。