Statistické relační učení - Statistical relational learning
Statistické relační učení (SRL) je subdisciplína umělá inteligence a strojové učení to se týká doménové modely které vykazují obojí nejistota (které lze řešit pomocí statistických metod) a složité, relační struktura.[1][2]Všimněte si, že SRL se v literatuře někdy nazývá Relational Machine Learning (RML). Typicky reprezentace znalostí formalismy vyvinuté při použití SRL (podmnožina) logika prvního řádu obecně popsat relační vlastnosti domény (univerzální kvantifikace ) a čerpat z pravděpodobnostní grafické modely (jako Bayesovské sítě nebo Markovovy sítě ) modelovat nejistotu; některé také staví na metodách induktivní logické programování. Od konce 90. let 20. století do této oblasti významně přispěly.[1]
Jak je patrné z výše uvedené charakteristiky, pole se neomezuje výhradně na aspekty učení; to se týká stejně uvažování (konkrétně pravděpodobnostní závěr ) a reprezentace znalostí. Proto zahrnují alternativní termíny, které odrážejí hlavní ohniska pole statistické relační učení a uvažování (s důrazem na důležitost uvažování) a pravděpodobnostní jazyky prvního řádu (s důrazem na klíčové vlastnosti jazyků, kterými jsou modely zastoupeny).
Kanonické úkoly
Se statistickým relačním učením je spojena řada kanonických úkolů, z nichž nejběžnější jsou [3].
- kolektivní klasifikace, tj. (simultánní) predikce třídy atributů několika objektů a jejich vztahů
- predikce odkazu, tj. předpovídat, zda dva nebo více objektů souvisí nebo ne
- klastrování na základě odkazů, tj seskupení podobných objektů, kde je podobnost určena podle vazeb objektu a souvisejícího úkolu společné filtrování, tj. filtrování informací, které jsou relevantní pro účetní jednotku (kde se informace považuje za relevantní pro účetní jednotku, pokud je známo, že je relevantní pro podobnou účetní jednotku).
- sociální síť modelování
- identifikace objektu / rozlišení entity / propojení záznamu, tj. identifikace ekvivalentních záznamů ve dvou nebo více samostatných databázích / souborech údajů
Reprezentační formalizmy
 | Tento článek obsahuje seznam obecných Reference, ale zůstává z velké části neověřený, protože postrádá dostatečné odpovídající vložené citace. (Červen 2011) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) |
Jedním ze základních cílů návrhu formalizmů reprezentace vyvinutých v SRL je abstrahovat od konkrétních entit a místo toho představovat obecné principy, které mají být univerzálně použitelné. Protože existuje nespočet způsobů, jak lze tyto principy reprezentovat, bylo v posledních letech navrženo mnoho formalizací reprezentace.[1] V následujícím textu jsou uvedeny některé z běžnějších v abecedním pořadí:
- Bayesovský logický program
- BLOG model
- Logické programy s anotovanými disjunkce
- Markovovy logické sítě
- Bayesovská síť s více entitami
- Pravděpodobnostní relační model - Pravděpodobnostní relační model (PRM) je protějškem a Bayesovská síť ve statistickém relačním učení.[4][5]
- Pravděpodobná měkká logika
- Rekurzivní náhodné pole
- Relační Bayesiánská síť
- Síť relačních závislostí
- Relační Markovova síť
- Relační Kalmanovo filtrování
Viz také
Zdroje
- Brian Milch a Stuart J. Russell: Pravděpodobnostní jazyky prvního řádu: do neznáma Indukční logické programování, objem 4455 tis Přednášky z informatiky, strana 10–24. Springer, 2006
- Rodrigo de Salvo Braz, Eyal Amir a Dan Roth: Průzkum pravděpodobnostních modelů prvního řádu, Innovations in Bayesian Networks, volume 156 of Studies in Computational Intelligence, Springer, 2008
- Hassan Khosravi a Bahareh Bina: Průzkum statistického relačního učení, Advances in Artificial Intelligence, Lecture Notes in Computer Science, svazek 6085/2010, 256–268, Springer, 2010
- Ryan A. Rossi, Luke K. McDowell, David W. Aha a Jennifer Neville: Transformace dat grafu pro statistické relační učení, Journal of Artificial Intelligence Research (JAIR), svazek 45, strana 363-441, 2012
- Luc De Raedt, Kristian Kersting, Sriraam Natarajan a David Poole „Statistická relační umělá inteligence: logika, pravděpodobnost a výpočet“, přednášky o umělé inteligenci a strojovém učení, březen 2016 ISBN 9781627058414.
Reference
- ^ A b C Getoor, Lise; Taskar, Ben (2007). Úvod do statistického relačního učení. MIT Stiskněte. ISBN 978-0262072885.
- ^ Ryan A. Rossi, Luke K. McDowell, David W. Aha a Jennifer Neville, “Transformace dat grafu pro statistické relační učení. " Journal of Artificial Intelligence Research (JAIR), Svazek 45 (2012), str. 363-441.
- ^ Matthew Richardson a Pedro Domingos, „Markovské logické sítě. " Strojové učení, 62 (2006), str. 107–136.
- ^ Friedman N, Getoor L, Koller D, Pfeffer A. (1999) „Učení se pravděpodobnostním relačním modelům“. V: Mezinárodní společné konference o umělé inteligenci, 1300–09
- ^ Teodor Sommestad, Mathias Ekstedt, Pontus Johnson (2010) „Pravděpodobnostní relační model pro analýzu bezpečnostních rizik“, Počítače a zabezpečení, 29 (6), 659-679 doi:10.1016 / j.cose.2010.02.002