Aprendizaje relacional estadístico

Subdisciplina de inteligencia artificial

El aprendizaje relacional estadístico ( SRL ) es una subdisciplina de la inteligencia artificial y el aprendizaje automático que se ocupa de modelos de dominio que exhiben tanto incertidumbre (que puede abordarse mediante métodos estadísticos) como una estructura relacional compleja . ^{[1] [2]} Normalmente, los formalismos de representación del conocimiento desarrollados en SRL utilizan (un subconjunto de) lógica de primer orden para describir las propiedades relacionales de un dominio de manera general ( cuantificación universal ) y se basan en modelos gráficos probabilísticos (como el bayesiano). redes o redes de Markov ) para modelar la incertidumbre; algunos también se basan en los métodos de programación lógica inductiva . Desde finales de la década de 1990 se han realizado importantes contribuciones a este campo. ^[1]

Como se desprende de la caracterización anterior, el campo no se limita estrictamente a los aspectos de aprendizaje; se ocupa igualmente del razonamiento (específicamente la inferencia probabilística ) y la representación del conocimiento . Por lo tanto, los términos alternativos que reflejan los principales focos del campo incluyen aprendizaje y razonamiento estadístico relacional (que enfatiza la importancia del razonamiento) y lenguajes probabilísticos de primer orden (que enfatizan las propiedades clave de los lenguajes con los que se representan los modelos). Otro término que se utiliza a veces en la literatura es aprendizaje automático relacional (RML).

Tareas canónicas

Varias tareas canónicas están asociadas con el aprendizaje relacional estadístico, siendo las más comunes. ^[3]

• clasificación colectiva , es decir, la predicción (simultánea) de la clase de varios objetos dados los atributos de los objetos y sus relaciones
• predicción de vínculos , es decir, predecir si dos o más objetos están relacionados o no
• agrupamiento basado en enlaces, es decir, la agrupación de objetos similares, donde la similitud se determina según los enlaces de un objeto, y la tarea relacionada de filtrado colaborativo , es decir, el filtrado de información que es relevante para una entidad (donde una pieza de información es considerado relevante para una entidad si se sabe que es relevante para una entidad similar)
• modelado de redes sociales
• identificación de objeto/resolución de entidad/vinculación de registros , es decir, la identificación de entradas equivalentes en dos o más bases de datos/conjuntos de datos separados

Formalismos de representación

Uno de los objetivos fundamentales del diseño de los formalismos de representación desarrollados en SRL es abstraerse de entidades concretas y, en cambio, representar principios generales que pretenden ser universalmente aplicables. Dado que existen innumerables formas en las que se pueden representar dichos principios, en los últimos años se han propuesto muchos formalismos de representación. ^[1] A continuación, se enumeran algunos de los más comunes en orden alfabético:

• programa de lógica bayesiana
• modelo BLOG
• Redes lógicas de Markov
• Red bayesiana de múltiples entidades
• Programas de lógica probabilística
• Modelo relacional probabilístico: un modelo relacional probabilístico (PRM) es la contraparte de una red bayesiana en el aprendizaje relacional estadístico. ^{[4] [5]}
• Lógica blanda probabilística
• Campo aleatorio recursivo
• Red bayesiana relacional
• Red de dependencia relacional
• Red relacional de Markov
• Filtrado de Kalman relacional

Ver también

• Aprendizaje de reglas de asociación
• Análisis de conceptos formales.
• Lógica difusa
• inducción gramatical
• Incrustación de gráficos de conocimiento

Recursos

• Brian Milch y Stuart J. Russell : Lenguajes probabilísticos de primer orden: hacia lo desconocido , Programación lógica inductiva, volumen 4455 de Lecture Notes in Computer Science , páginas 10–24. Saltador, 2006
• Rodrigo de Salvo Braz, Eyal Amir y Dan Roth : un estudio de modelos probabilísticos de primer orden , Innovaciones en redes bayesianas, volumen 156 de Estudios en inteligencia computacional, Springer, 2008
• Hassan Khosravi y Bahareh Bina: una encuesta sobre el aprendizaje relacional estadístico , avances en inteligencia artificial, notas de conferencias en informática, volumen 6085/2010, 256–268, Springer, 2010
• Ryan A. Rossi, Luke K. McDowell, David W. Aha y Jennifer Neville: Transformación de datos gráficos para el aprendizaje estadístico relacional , Journal of Artificial Intelligence Research (JAIR), volumen 45, páginas 363-441, 2012
• Luc De Raedt, Kristian Kersting , Sriraam Natarajan y David Poole, "Inteligencia artificial relacional estadística: lógica, probabilidad y computación", Conferencias de síntesis sobre inteligencia artificial y aprendizaje automático, marzo de 2016 ISBN  9781627058414 .

Referencias

1. Getoor, Lise ; Taskar, Ben (2007). Introducción al aprendizaje estadístico relacional. Prensa del MIT. ISBN  978-0262072885.
2. Ryan A. Rossi, Luke K. McDowell, David W. Aha y Jennifer Neville, "Transformación de datos gráficos para el aprendizaje estadístico relacional". Journal of Artificial Intelligence Research (JAIR) , volumen 45 (2012), págs. 363-441.
3. Matthew Richardson y Pedro Domingos , "Redes lógicas de Markov". Aprendizaje automático , 62 (2006), págs. 107-136.
4. Friedman N, Getoor L, Koller D, Pfeffer A. (1999) "Aprendizaje de modelos relacionales probabilísticos". En: Conferencias internacionales conjuntas sobre inteligencia artificial , 1300–09
5. Teodor Sommestad, Mathias Ekstedt, Pontus Johnson (2010) "Un modelo relacional probabilístico para el análisis de riesgos de seguridad", Computers & Security , 29 (6), 659-679 doi :10.1016/j.cose.2010.02.002