马伦·比巴;斯特凡诺·费里利;弗洛里安娜·埃斯波西托 走向多策略统计关系学习。 （英语） Zbl 1185.68513号 Koronacki，Jacek（编辑）等人，《机器学习的进展II》。献给Ryszard S.Michalski教授。柏林：施普林格出版社（ISBN 978-3-642-05178-4/hbk；978-3-662-05179-1/电子书）。计算智能研究263121-142（2010）。 摘要：统计关系学习（SRL）是机器学习中一个不断发展的领域，旨在将基于逻辑的学习方法与概率图形模型相结合。马尔可夫逻辑网络（MLN）是最先进的SRL模型之一，它将一阶逻辑和马尔可夫网络（MN）结合在一起，将权重附加到一阶公式上，并将其视为MN特征的模板。SRL中的学习模型包括学习结构（MLN中的逻辑子句）和参数（MLN每个子句的权重）。MLN的结构学习是通过在关系数据库上最大化似然函数（或其函数）来实现的，MLN已成功应用于关系域和不确定域中的问题。然而，大多数复杂领域的特点是数据不完整。到目前为止，SRL模型大多使用期望最大化（EM）来学习缺失值下的统计参数。关系环境中的多策略学习是处理复杂问题的一种成功方法，其中多个推理机制可以帮助解决不同的子问题。诱拐是一种推理策略，已被证明有助于完成观测值中的缺失值。本文提出了两个在SRL模型中集成诱拐的框架。第一种方法将逻辑推导与MLN的结构和参数学习紧密结合在一起，只需一步。在条件似然指导下的结构搜索中，子句求值首先尝试逻辑推断数据中的缺失值，然后使用完成的数据学习最佳伪似然参数。第二种方法将诱因与结构EM相结合[N.弗里德曼，in：第十四届国际机器学习会议，ICML 1997（1997）]，通过在E步骤中执行逻辑溯源推理，然后尝试在M步骤中最大化参数。关于整个系列，请参见[兹比尔1183.68013]. 引用于1文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：马尔可夫逻辑网络;期望-最大化 PDF格式BibTeX公司 XML格式引用 \textit{M.Biba}等人，《螺柱计算》。智力。263121-142（2010年；兹比尔1185.68513） 全文： 内政部