관계 학습 통계
Statistical relational learning인공 지능의 통계적 관계를 배우는 것(Serial통과 번호)은 분야와 기계는 모두 불확실성과 복잡한, 관계 구조(어떤 이는 통계적인 방법을 사용하여 효과를 거둘 수 없을)을 나타내도메인 모델과 관련이 있는 배우기 시작했다.[1][2]노트는 Serial통과 번호 때로는 문학에서 관계형 기계 학습(레이더 마이크로파 중계 회선)라고 불린다.일반적으로 지식 표현 formalisms Serial통과 번호에서 개발된 사용(의 부분 집합)일차 논리는 일반적인 방식으로(보편적 수량화)및 확률론적 그래픽 모델이 불확실성에 대한 모델(베이즈 네트워크 또는 마르코프 네트워크 등과 같은)를 그리는 도메인의 관계적인 속성을 묘사하기 위해;어떤 것도 방법으로 o.을 짓는다F귀납 논리학 프로그래밍.분야에 대한 중요한 기여는 1990년대 후반부터 만들어져 왔다.[1]
으로서 특성화 위에서 분명한 곳이 엄격하게 측면들을 배움, 똑같이 추론(구체적으로 추론 확률론적)과 지식 표현에 대해 더 관심이 국한된 것이 아니다.따라서, 필드의 주요 FOCUS의 복수를 반영하고 대체 용어 통계적 관계 학습과 추론(추론의 중요성을 강조하고)과 first-order 확률론적 언어(언어의 모델 대표로 되어 있는 키 속성을 강조하고)을 포함한다.
정식 작업
정식 작업의 수 통계적 관계 학습, 가장 자주 사용되는 되는 것과 관련이 있다.[3]
- 집단 분류, 여러 개체의 클래스 개체의 특성과 그들의 관계 이(동시)예측.
- Link 예측, 즉 여부 두 이상의 개체 관련된 예측.
- 어디서 유사성 개체의 연결에 따라 결정된다 유사 물체의 그룹 즉Link-based 말씀 드렸다시피,, 및 협력 필터링이 관련 과제, 즉는 작품으로 알려진 정보의 조각은 실체와 관련된 simila에 관련이 되는 것으로 간주되는 기관 장비 관련 정보의 필터링을.r 엔티티).
- 소셜 네트워크 모델링
- 객체 식별/해상도/기록 연계, 즉 둘 이상의 개별 데이터베이스/데이터베이스에서 동등한 엔트리의 식별
표현 formalisms
![]() |
SRL에서 개발된 표현 형식주의의 기본 설계 목표 중 하나는 구체적인 실체로부터 추상화하고 대신 보편적으로 적용되도록 의도된 일반 원칙을 표현하는 것이다.그러한 원칙이 표현될 수 있는 방법은 셀 수 없이 많기 때문에, 최근 몇 [1]년 동안 많은 대표 형식주의가 제안되어 왔다.다음은 보다 일반적인 몇 가지 항목을 알파벳 순으로 나열되어 있습니다.
- 베이지안 논리 프로그램
- BLOGLOG 모델
- 주석이 달린 분사가 있는 논리 프로그램
- 마르코프 논리망
- 다중 엔티티 베이지안 네트워크
- 확률적 관계 모델 – 확률적 관계 모델(PRM)은 통계적 관계 [4][5]학습에서 베이지안 네트워크의 대응물이다.
- 확률론적 소프트 논리
- 재귀 랜덤 필드
- 관계형 베이지안 네트워크
- 관계 의존 네트워크
- 관계 마르코프 네트워크
- 관계형 칼만 필터링
「 」를 참조해 주세요.
자원.
- 브라이언 밀치, 스튜어트 J. 러셀:1차 확률적 언어: 미지의 귀납 논리 프로그래밍, 컴퓨터 과학 강의 노트 제4455권, 10-24페이지.Springer, 2006
- Rodrigo de Salvo Brazz, Eyal Amir 및 Dan Roth: 1차 확률론적 모델의 조사, 베이지안 네트워크의 혁신, 제156권, Springer, 2008
- Hassan Khosravi와 Bahareh Bina: 통계 관계 학습, 인공지능의 진보, 컴퓨터 과학 강의 노트, Volume 6085/2010, 256-268, Springer, 2010
- 라이언 A. 로시, 루크 K맥도웰, 데이비드 W.아하, 제니퍼 네빌:통계 관계 학습을 위한 그래프 데이터 변환, Journal of 인공지능 Research(JAIR), 제45권, 363-441페이지, 2012
- Luc De Raedt, Kristian Kersting, Sirraam Natarajan 및 David Pool, "통계 관계형 인공지능:2016년 3월 '논리, 확률, 계산', 인공지능 및 기계학습 종합강좌 ISBN9781627058414.
레퍼런스
- ^ a b c Getoor, Lise; Taskar, Ben (2007). Introduction to Statistical Relational Learning. MIT Press. ISBN 978-0262072885.
- ^ 라이언 에이로시, 루크 K맥도웰, 데이비드 W.아하와 제니퍼 네빌, "통계 관계 학습을 위한 그래프 데이터 변환"인공지능 연구 저널(JAIR), 제45권(2012), 363-441페이지.
- ^ 매튜 리처드슨과 페드로 도밍고스, "마코프 로직 네트워크"입니다.기계 학습, 62(2006), 페이지 107–136.
- ^ Friedman N, Getoor L, Koller D, Pfeffer A.(1999) "확률론적 관계 모델 학습"인: 인공지능에 관한 국제공동회의, 1300~
- ^ Teodor Sommestad, Mathias Ekstedt, Pontus Johnson(2010) "보안 리스크 분석을 위한 확률론적 관계 모델", 컴퓨터 & 보안, 29(6), 659-679 doi:10.1016/j.cose.2010.02.002"