Statystyczne relacyjne uczenie się
Statystyczne uczenie relacyjne ( SRL ) to subdyscyplina sztucznej inteligencji i uczenia maszynowego zajmująca się modelami dziedzinowymi , które wykazują zarówno niepewność (z którą można sobie poradzić za pomocą metod statystycznych), jak i złożoną, relacyjną strukturę. Należy zauważyć, że SRL jest czasami nazywany relacyjnym uczeniem maszynowym (RML) w literaturze. Zazwyczaj reprezentacji wiedzy opracowane w SRL wykorzystują (podzbiór) logiki pierwszego rzędu opisywać relacyjne właściwości dziedziny w sposób ogólny ( kwantyfikacja uniwersalna ) i korzystać z probabilistycznych modeli graficznych (takich jak sieci bayesowskie lub sieci Markowa ) do modelowania niepewności; niektóre opierają się również na metodach programowania w logice indukcyjnej . Od późnych lat 90. wniesiono znaczący wkład w tę dziedzinę.
Jak wynika z powyższej charakterystyki, dziedzina ta nie ogranicza się ściśle do aspektów uczenia się; w równym stopniu dotyczy rozumowania (zwłaszcza wnioskowania probabilistycznego ) i reprezentacji wiedzy . Dlatego alternatywne terminy, które odzwierciedlają główne obszary zainteresowania tej dziedziny, obejmują statystyczne relacyjne uczenie się i wnioskowanie (podkreślające znaczenie rozumowania) oraz języki probabilistyczne pierwszego rzędu (podkreślające kluczowe właściwości języków, za pomocą których reprezentowane są modele).
Zadania kanoniczne
Szereg zadań kanonicznych jest związanych ze statystycznym relacyjnym uczeniem się, z których najczęstsze to.
- klasyfikacja zbiorcza , czyli (jednoczesne) przewidywanie klasy kilku obiektów na podstawie atrybutów obiektów i ich relacji
- przewidywanie powiązań , tj. przewidywanie, czy dwa lub więcej obiektów jest powiązanych
- grupowanie oparte na łączach, tj. grupowanie podobnych obiektów, gdzie podobieństwo jest określane na podstawie powiązań obiektu, oraz związane z tym zadanie wspólnego filtrowania , tj. filtrowanie informacji istotnych dla jednostki (gdzie fragment informacji jest za istotne dla jednostki, jeżeli wiadomo, że są istotne dla podobnego podmiotu).
- modelowanie sieci społecznościowych
- identyfikacja obiektu/rozdzielczość podmiotu/powiązanie rekordów , tj. identyfikacja równoważnych wpisów w dwóch lub więcej oddzielnych bazach danych/zbiorach danych
Formalizmy reprezentacji
Jednym z podstawowych celów projektowych formalizmów reprezentacji opracowanych w SRL jest abstrakcja od konkretnych bytów i reprezentowanie zamiast tego ogólnych zasad, które mają być powszechnie stosowane. Ponieważ istnieje niezliczona ilość sposobów przedstawiania takich zasad, w ostatnich latach zaproponowano wiele formalizmów reprezentacji. Poniżej wymieniono niektóre z bardziej powszechnych w porządku alfabetycznym:
- Program logiki bayesowskiej
- model BLOGA
- Programy logiczne z przypisywanymi dysjunkcjami
- Sieci logiczne Markowa
- Wielopodmiotowa sieć bayesowska
- Probabilistyczny model relacyjny – probabilistyczny model relacyjny (PRM) jest odpowiednikiem sieci bayesowskiej w statystycznym relacyjnym uczeniu się.
- Probabilistyczna logika miękka
- Rekurencyjne pole losowe
- Relacyjna sieć bayesowska
- Relacyjna sieć zależności
- Relacyjna sieć Markowa
- Relacyjne filtrowanie Kalmana
Zobacz też
- Nauka reguł asocjacyjnych
- Formalna analiza koncepcji
- Logika rozmyta
- Indukcja gramatyczna
- Osadzanie wykresu wiedzy
Zasoby
- Brian Milch i Stuart J. Russell : języki probabilistyczne pierwszego rzędu: w nieznane , indukcyjne programowanie logiczne, tom 4455 notatek z wykładów z informatyki , strona 10–24. Springera, 2006
- Rodrigo de Salvo Braz, Eyal Amir i Dan Roth : Przegląd modeli probabilistycznych pierwszego rzędu , Innowacje w sieciach bayesowskich, tom 156 Studiów nad inteligencją obliczeniową, Springer, 2008
- Hassan Khosravi i Bahareh Bina: Ankieta dotycząca statystycznego relacyjnego uczenia się , postępy w sztucznej inteligencji, notatki z wykładów z informatyki, tom 6085/2010, 256–268, Springer, 2010
- Ryan A. Rossi, Luke K. McDowell, David W. Aha i Jennifer Neville: Transforming Graph Data for Statistical Relational Learning , Journal of Artificial Intelligence Research (JAIR), tom 45, strony 363-441, 2012
- Luc De Raedt, Kristian Kersting , Sriraam Natarajan i David Poole, „Statystyczna relacyjna sztuczna inteligencja: logika, prawdopodobieństwo i obliczenia”, Wykłady syntezy na temat sztucznej inteligencji i uczenia maszynowego, marzec 2016 r. ISBN 9781627058414 .