Статистическое реляционное обучение

Статистическое реляционное обучение ( SRL ) — это подраздел искусственного интеллекта и машинного обучения , который занимается моделями доменов , которые демонстрируют как неопределенность (с которой можно справиться с помощью статистических методов), так и сложную реляционную структуру. ^{[1] [2]} Как правило, формализмы представления знаний, разработанные в SRL, используют (подмножество) логики первого порядка для описания реляционных свойств домена в общем виде ( универсальная квантификация ) и опираются на вероятностные графические модели (такие как байесовские сети или сети Маркова ) для моделирования неопределенности; некоторые также основываются на методах индуктивного логического программирования . Значительный вклад в эту область был сделан с конца 1990-х годов. ^[1]

Как видно из вышеприведенной характеристики, область не ограничивается строго аспектами обучения; она в равной степени касается рассуждений (в частности, вероятностного вывода ) и представления знаний . Поэтому альтернативные термины, которые отражают основные фокусы области, включают статистическое реляционное обучение и рассуждения (подчеркивая важность рассуждений) и вероятностные языки первого порядка (подчеркивая ключевые свойства языков, с помощью которых представляются модели). Другой термин, который иногда используется в литературе, — реляционное машинное обучение (RML).

Со статистическим реляционным обучением связан ряд канонических задач, наиболее распространенными из которых являются. ^[3]

• коллективная классификация , т.е. (одновременное) предсказание класса нескольких объектов по заданным атрибутам объектов и их отношениям
• прогнозирование связей , т.е. прогнозирование того, связаны ли два или более объекта
• кластеризация на основе связей, т. е. группировка схожих объектов, где сходство определяется в соответствии со связями объекта, и связанная с этим задача совместной фильтрации , т. е. фильтрация информации, которая имеет отношение к сущности (где часть информации считается относящейся к сущности, если известно, что она имеет отношение к похожей сущности)
• моделирование социальных сетей
• идентификация объектов/разрешение сущностей/связывание записей , т. е. идентификация эквивалентных записей в двух или более отдельных базах данных/наборах данных

Эта статья включает список общих ссылок , но в ней отсутствуют соответствующие встроенные цитаты . Пожалуйста, помогите улучшить эту статью, введя более точные цитаты. ( Июнь 2011 ) ( Узнайте, как и когда удалять это сообщение )

Одной из основных целей проектирования формализмов представления, разработанных в SRL, является абстрагирование от конкретных сущностей и представление вместо этого общих принципов, которые должны быть универсально применимы. Поскольку существует бесчисленное множество способов представления таких принципов, в последние годы было предложено много формализмов представления. ^[1] Ниже в алфавитном порядке перечислены некоторые из наиболее распространенных:

• Байесовская логическая программа
• Модель БЛОГА
• Марковские логические сети
• Многоэлементная байесовская сеть
• Вероятностно-логические программы
• Вероятностная реляционная модель – Вероятностная реляционная модель (PRM) является аналогом байесовской сети в статистическом реляционном обучении. ^{[4] [5]}
• Вероятностная мягкая логика
• Рекурсивное случайное поле
• Реляционная байесовская сеть
• Сеть реляционной зависимости
• Реляционная сеть Маркова
• Реляционная фильтрация Калмана

• Изучение правил ассоциации
• Формальный концептуальный анализ
• Нечеткая логика
• Введение в грамматику
• Встраивание графа знаний

• Брайан Милч и Стюарт Дж. Рассел : Вероятностные языки первого порядка: в неизвестность , Индуктивное логическое программирование, том 4455 Lecture Notes in Computer Science , стр. 10–24. Springer, 2006
• 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
• Хассан Хосрави и Бахарех Бина: Обзор статистического реляционного обучения , Достижения в области искусственного интеллекта, Конспект лекций по информатике, том 6085/2010, 256–268, Springer, 2010
• Райан А. Росси, Люк К. Макдауэлл, Дэвид В. Ага и Дженнифер Невилл: Преобразование графовых данных для статистического реляционного обучения , Журнал исследований искусственного интеллекта (JAIR), том 45, стр. 363-441, 2012 г.
• Люк Де Рэдт, Кристиан Керстинг , Шрираам Натараджан и Дэвид Пул, «Статистический реляционный искусственный интеллект: логика, вероятность и вычисления», Синтезирующие лекции по искусственному интеллекту и машинному обучению», март 2016 г. ISBN  9781627058414 .