预测框架与决策状态中Epsilon-机器的重构

本文介绍了一种从数据中重构epsilon-机器的新算法，以及决策状态。决策状态定义为系统中导致相同决策的内部状态，基于用户提供的效用或收益函数。效用函数编码了系统外部的一些先验知识，它量化了犯错的不良程度。系统的内在底层结构由epsilon-机器及其因果状态建模。决策状态构成了根据高层用户知识定义的底层因果状态的一个划分。从复杂系统的角度来看，决策状态因此是对应于效用函数的“涌现”模式。这些决策状态之间的转换对应于导致决策变化的事件。新的REMAPF算法从数据中同时估计epsilon-机器和决策状态。给出了在隐藏模型重构、元胞自动机滤波和图像边缘检测中的应用实例。