公开(公告)号：CN118679527A

公开(公告)日：2024-09-20

申请号：CN202380018071.1

申请日：2023-01-05

Applicant: 微软技术许可有限责任公司

Inventor： 张成 ,  J·安托兰 ,  A·E·福斯特 ,  M·德凡特 ,  S·托马斯 ,  T·杰夫那 ,  M·阿拉马尼斯 ,  K·法西奥 ,  D·特鲁阿克斯

IPC: G16H50/50 ,  G06N3/0455 ,  G06N3/047 ,  G06N3/088

Abstract: 一种计算机实现的方法，包括：访问机器学习ML模型，ML模型能够操作用以从描述不同可能图的图分布中采样因果图，其中节点表示集合的不同变量并且边表示因果关系，并且图分布包括节点对之间的潜在边的存在概率和因果方向的矩阵，并且其中ML模型被训练为能够基于经采样的因果图来生成从集合中选择的变量的相应模拟值。该方法还包括使用ML模型来估计来自一个或多个干预变量对来自集合的变量之中的另一目标变量的治疗效果。

公开(公告)号：CN117693755A

公开(公告)日：2024-03-12

申请号：CN202280050889.7

申请日：2022-06-29

Applicant: 微软技术许可有限责任公司

Inventor： 张成 ,  M·阿拉马尼斯 ,  S·L·佩顿·琼斯 ,  A·J·兰姆 ,  P·莫拉莱斯-阿尔瓦雷斯

IPC: G06N3/0455 ,  G06N3/047 ,  G06N3/084

Abstract: 一种计算机实现的方法，该方法包括：接收输入向量，该输入变量包括变量的值；使用第一神经网络以将输入向量的变量的值编码为多个隐向量；通过将多个隐向量输入到第二神经网络中来确定输出向量，该第二神经网络包括图神经网络，其中图神经网络由图参数化，该图包括指示变量之间的因果关系的边概率；以及通过调节图的边概率、第一神经网络的至少一个参数和第二神经网络的至少一个参数来最小化损失函数，其中损失函数包括图的函数以及输入向量与输出向量之间的差异的测量。

公开(公告)号：CN116261733A

公开(公告)日：2023-06-13

申请号：CN202180066169.5

申请日：2021-06-30

Applicant: 微软技术许可有限责任公司

Inventor： 张成 ,  A·兰姆 ,  E·S·萨韦列夫 ,  李映真 ,  C·朗登 ,  P·卡梅伦 ,  S·契亚切克 ,  J·M·H·罗巴托 ,  R·特纳

IPC: G06N3/0455 ,  G06N3/088 ,  G06N3/09 ,  G16H50/20 ,  G16H10/20

Abstract: 一种通过训练辅助机器学习模型以用于预测主机器学习模型的一组新参数的计算机实现的方法，其中主模型被配置为从一组真实世界特征的观测子集转换为一组真实世界特征的预测版本。

公开(公告)号：CN115516460A

公开(公告)日：2022-12-23

申请号：CN202180033226.X

申请日：2021-04-09

Applicant: 微软技术许可有限责任公司

Inventor： 张成 ,  马超 ,  R·E·特纳 ,  J·M·赫尔南德斯·洛巴托 ,  S·契亚切克

IPC: G06N3/04 ,  G06N3/08

Abstract: 在第一阶段，训练多个第一变分自编码器VAE中的每一个，每个第一VAE都包括：各自的第一编码器，其被布置成将特征空间的一个或多个特征的各自子集编码为各自的第一本征表示；以及各自的第一解码器，其被布置成从各自的本征表示解码回特征空间的各自子集的解码版本，其中不同子集包括不同的数据类型的特征。在第一阶段之后的第二阶段训练第二VAE，该第二VAE包括：第二编码器，其被布置成将多个输入编码为第二本征表示；以及第二解码器，其被布置成将第二本征表示解码为第一本征表示的解码版本，其中多个输入中的每一个分别包括特征子集中的不同的各自子集与各自的第一本征表示的组合。