Статистическое реляционное обучение

Статистическое реляционное обучение ( SRL ) — это раздел искусственного интеллекта и машинного обучения , который занимается моделями предметной области , которые демонстрируют как неопределенность (с которой можно справиться с помощью статистических методов), так и сложную реляционную структуру. Как правило, формализмы представления знаний, разработанные в SRL, используют (подмножество) логику 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, эта область не ограничивается строго аспектами обучения; он в равной степени связан с рассуждением (в частности, вероятностным выводом ) и представлением знаний . Таким образом, альтернативные термины, отражающие основные направления этой области, включают статистическое реляционное обучение и рассуждение (подчеркивая важность рассуждения) и вероятностные языки первого порядка (подчеркивая ключевые свойства языков, с помощью которых представлены модели).Другой термин, который иногда используется в литературе, — это реляционное машинное обучение (РМЛ).

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 , т.е. предсказание того, связаны ли два или более объекта.
• кластеризация на основе ссылок , т. е. группировка похожих объектов, где сходство определяется в соответствии со связями объекта, и связанная с этим задача совместной фильтрации , т. е. фильтрация информации, имеющей отношение к объекту (когда часть информации считается значимым для организации, если известно, что он значим для аналогичного предприятия)
• социальных сетей моделирование
• идентификация объекта/разрешение объекта/связывание записей , т.е. идентификация эквивалентных записей в двух или более отдельных базах данных/наборах данных.

Формализмы представления

Одна из фундаментальных целей проектирования формализмов представления, разработанных в SRL, состоит в том, чтобы абстрагироваться от конкретных сущностей и вместо этого представить общие принципы, которые должны быть универсально применимы. Поскольку существует бесчисленное множество способов представления таких принципов, в последние годы было предложено множество формализмов представления. Ниже в алфавитном порядке перечислены некоторые из наиболее распространенных из них:

• Программа байесовской логики
• БЛОГ-модель
• Марковские логические сети
• Многосущность Байесовской сети
• Вероятностно-логические программы
• Вероятностная реляционная модель. Вероятностная реляционная модель (PRM) является аналогом байесовской сети в статистическом реляционном обучении.
• Вероятностная мягкая логика
• Рекурсивное случайное поле
• Реляционная байесовская сеть
• Реляционная сеть зависимостей
• Реляционная сеть Маркова
• Реляционная фильтрация Калмана

См. также

• Изучение правил ассоциации
• Формальный концептуальный анализ
• Нечеткая логика
• Грамматическая индукция
• Встраивание графа знаний

Ресурсы

• Брайан Милч и Стюарт Дж. Рассел : Вероятностные языки первого порядка: в неизвестное , Индуктивное логическое программирование, том 4455 конспектов лекций по информатике , страницы 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 г.
• Райан А. Росси, Люк К. Макдауэлл, Дэвид В. Аха и Дженнифер Невилл : преобразование графовых данных для статистического реляционного обучения , Журнал исследований искусственного интеллекта (JAIR), том 45, страницы 363-441, 2012 г.
• Люк Де Раедт , 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 .