Статистическое реляционное обучение - Statistical relational learning

Статистическое реляционное обучение (SRL) является частью дисциплины искусственный интеллект и машинное обучение это связано с модели предметной области которые демонстрируют как неуверенность (с которыми можно справиться с помощью статистических методов) и сложные, реляционный структура.^[1][2]Обратите внимание, что в литературе SRL иногда называют реляционным машинным обучением (RML). Обычно представление знаний формализмы, разработанные при использовании SRL (подмножество) логика первого порядка для описания реляционных свойств домена в общем виде (универсальная количественная оценка ) и опираться на вероятностные графические модели (такие как Байесовские сети или Марковские сети ) для моделирования неопределенности; некоторые также основываются на методах индуктивное логическое программирование. Значительный вклад в эту область был внесен с конца 1990-х годов.^[1]

Как видно из приведенной выше характеристики, данная область строго не ограничивается аспектами обучения; это в равной степени касается рассуждение (в частности вероятностный вывод ) и представление знаний. Таким образом, альтернативные термины, отражающие основные направления данной области, включают: статистическое реляционное обучение и рассуждения (подчеркивая важность рассуждений) и вероятностные языки первого порядка (подчеркивая ключевые свойства языков, на которых представлены модели).

Канонические задачи

Ряд канонических задач связан со статистическим реляционным обучением, наиболее распространенными из которых являются: ^[3].

• коллективная классификация, т.е. (одновременное) предсказание класса нескольких объектов с учетом атрибутов объектов и их отношений
• предсказание ссылки, т.е. предсказание того, связаны ли два или более объекта
• кластеризация на основе ссылок, т.е. группировка похожих объектов, где подобие определяется в соответствии со связями объекта, и связанная задача совместная фильтрация то есть фильтрация информации, относящейся к объекту (когда часть информации считается относящейся к объекту, если известно, что она имеет отношение к аналогичному объекту).
• социальная сеть моделирование
• идентификация объекта / разрешение объекта / привязка записей, т.е. идентификация эквивалентных записей в двух или более отдельных базах данных / наборах данных

Формализмы представления

Эта статья включает в себя список общих использованная литература, но он остается в основном непроверенным, потому что ему не хватает соответствующих встроенные цитаты. Пожалуйста, помогите улучшить эта статья введение более точные цитаты. (Июнь 2011 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Одна из фундаментальных целей формализмов представления, разработанных в SRL, состоит в том, чтобы абстрагироваться от конкретных сущностей и вместо этого представлять общие принципы, которые предназначены для универсального применения. Поскольку существует бесчисленное множество способов представления таких принципов, в последние годы было предложено множество формализмов представления.^[1] Далее в алфавитном порядке перечислены наиболее распространенные из них:

• Байесовская логическая программа
• БЛОГ модель
• Логические программы с аннотированными дизъюнкциями
• Марковские логические сети
• Байесовская сеть с несколькими объектами
• Вероятностная реляционная модель - вероятностная реляционная модель (PRM) является аналогом Байесовская сеть в статистическом реляционном обучении.^[4][5]
• Вероятностная мягкая логика
• Рекурсивное случайное поле
• Реляционная байесовская сеть
• Сеть реляционных зависимостей
• Реляционная марковская сеть
• Реляционная фильтрация Калмана

Смотрите также

• Изучение правил ассоциации
• Формальный анализ концепции
• Нечеткая логика
• Введение в грамматику

Ресурсы

• Брайан Милч и Стюарт Дж. Рассел: Вероятностные языки первого порядка: в неизвестное, Индуктивное логическое программирование, том 4455, стр. Конспект лекций по информатике, стр. 10–24. Спрингер, 2006 г.
• Родриго де Сальво Браз, Эяль Амир и Дэн Рот: Обзор вероятностных моделей первого порядка, Инновации в байесовских сетях, том 156 исследований в области вычислительного интеллекта, Springer, 2008 г.
• Хасан Хосрави и Бахаре Бина: Обзор статистического реляционного обучения, Достижения в области искусственного интеллекта, Конспект лекций по информатике, том 6085/2010, 256–268, Springer, 2010 г.
• Райан А. Росси, Люк К. Макдауэлл, Дэвид В. Ага и Дженнифер Невилл: Преобразование данных графиков для статистического реляционного обучения, Журнал исследований искусственного интеллекта (JAIR), том 45, стр. 363-441, 2012 г.
• Люк Де Рэдт, Кристиан Керстинг, Шрирам Натараджан и Дэвид Пул, «Статистический реляционный искусственный интеллект: логика, вероятность и вычисления», Синтез лекций по искусственному интеллекту и машинному обучению », март 2016 г. ISBN  9781627058414.

использованная литература