Статистическое реляционное обучение - Statistical relational learning
Статистическое реляционное обучение ( SRL ) - это подраздел искусственного интеллекта и машинного обучения, который связан с моделями предметной области, которые демонстрируют как неопределенность (с которой можно справиться с помощью статистических методов), так и сложную реляционную структуру. Обратите внимание, что в литературе SRL иногда называют реляционным машинным обучением (RML). Как правило, формализмы представления знаний, разработанные в SRL, используют (подмножество) логики первого порядка для описания реляционных свойств предметной области в общем виде ( универсальная количественная оценка ) и опираются на вероятностные графические модели (такие как байесовские сети или сети Маркова ) для моделировать неопределенность; некоторые также основываются на методах индуктивного логического программирования . Значительный вклад в эту область был внесен с конца 1990-х годов.
Как видно из приведенной выше характеристики, данная область строго не ограничивается аспектами обучения; он в равной степени касается рассуждений (в частности, вероятностного вывода ) и представления знаний . Таким образом, альтернативные термины, отражающие основные направления данной области, включают статистическое реляционное обучение и рассуждения (подчеркивающие важность рассуждений) и вероятностные языки первого порядка (подчеркивающие ключевые свойства языков, на которых представлены модели).
Канонические задачи
Со статистическим реляционным обучением связан ряд канонических задач, наиболее распространенными из которых являются.
- коллективная классификация , то есть (одновременное) предсказание класса нескольких объектов с учетом атрибутов объектов и их отношений
- предсказание связи , то есть предсказание того, связаны ли два или более объекта
- кластеризация на основе ссылок , то есть группировка похожих объектов, где сходство определяется в соответствии со связями объекта, и связанная задача совместной фильтрации , то есть фильтрация информации, имеющей отношение к объекту (где часть информации считается относящимся к организации, если известно, что она имеет отношение к аналогичной организации).
- моделирование социальных сетей
- идентификация объекта / разрешение объекта / связь записи , то есть идентификация эквивалентных записей в двух или более отдельных базах данных / наборах данных
Формализмы представления
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. 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 байесовской сети в статистическом реляционном обучении.
- 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
- Встраивание графа знаний
Ресурсы
- Брайан Милч и Стюарт Дж. Рассел : вероятностные языки первого порядка: в неизвестность , индуктивное логическое программирование, том 4455 конспектов 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, конспекты лекций по информатике, том 6085/2010, 256–268, Springer, 2010
- Райан А. Росси, Люк К. Макдауэлл, Дэвид В. Аха и Дженнифер Невилл : преобразование графических данных для статистического реляционного обучения , Журнал исследований искусственного интеллекта (JAIR), том 45, стр. 363-441, 2012
- Люк Де Рэдт , Кристиан Керстинг , Шрираам Натараджан и Дэвид Пул , «Статистический реляционный искусственный интеллект: логика, вероятность и вычисления», лекции по синтезу искусственного интеллекта и машинного обучения », март 2016 г. ISBN 9781627058414 .