A funkciótervezés az adatmegjelenítés legjobb módjának kitalálása, hogy aztán egy mesterségesintelligencia-modell tanulhasson belőle. A Stanford Egyetem kutatói az időhöz kapcsolódó jellemzőket használva tették lehetővé modelljüknek, hogy megtanulja: a gráfok időben változnak.

Ilyen jellemző lehet az az idő, ami azóta telt el, hogy egy tárgy valamelyik bútoron volt, vagy hogy az idő múlásával hányszor figyeltek meg egy tárgyat egy bútoron stb. A stanfordi Csomópont Él Előrejelző modell tárgyak lakásbeli helyét, pozícióját tanulta meg előrejelezni.

Tárgyak és elhelyezkedésük megjelenítésére a gráf az egyik legnépszerűbb módszer. A gráf minden egyes csomópontja egy tárgy vagy az elhelyezkedése, a kettőt pedig él köti össze. Egy ismétlődő modell külön gráfot használva képes előrejelezni a tárgyak helyét, megjelenítve az időbeli lépéseket. Ehhez viszont túl sok gráf kellene.

Helyette a stanfordi modell egyetlen gráffal képes előrejelezni a helyeket. A gráf összes éle tartalmazza azt az időt, amely azóta telt el, hogy a társított objektumot a társított helyen látták. A modell a tárgy legfrissebb, leggyakoribb és leghosszabb ideig tartó tartózkodási pontjai alapján tanulja meg prognosztizálni a legvalószínűbb következő helyet.

A kutatók háztartásban tárgyakat kereső robotot szimuláltak. Házakat, tárgyak elhelyezkedését, mozgatásuk idejét és helyét megjelenítő szimulátort építettek, a tárgyakat „ábrázoló” gráfot dolgoztak ki, és az előrejelzést megtanuló gépitanulás-rendszert fejlesztettek.

A szimulátor a házat ábrázolta, a robot gráfként jelenítette meg megfigyeléseit. A kutatók száz, változatos beosztású háztartást szimuláltak, a gyakorlósor pedig tízezer gráfból állt. A tárgyak elhelyezkedésére vonatkozó előrejelzéseket a gépitanuló-rendszer korábbi tapasztalatait lépésről lépésre, inkrementálisan hasznosítva végezte.

A modellt három más módszerrel hasonlították össze – egyszerű tárgyat kellett megtalálniuk. Átlagosan 3,2 próbálkozásra sikerült neki, amellyel mindegyik vetélytársánál jobban teljesített.