×
英戈·通;尼尔斯·兰德维尔;吕克·德·雷德

随机关系过程：有效的推理和应用。 （英语） Zbl 1237.68169号

机器。学习。 82，第2期，239-272（2011）.
概要：人工智能的目标之一是开发在复杂环境中学习和行动的代理。真实环境通常具有数量可变的对象、对象之间的关系以及非确定性的过渡行为。虽然标准概率序列模型为序列数据提供了有效的推理和学习技术，但它们通常无法完全捕获关系复杂性。另一方面，统计关系学习技术往往效率太低，无法处理复杂的序列数据。在本文中，我们介绍了一个简单的模型，它在表达性/效率权衡中占据中间位置。它基于CP-logic（因果概率逻辑），一种用于建模因果关系的表达概率逻辑。然而，通过专门化CP逻辑来表示关系状态描述序列上的概率分布，并使用马尔可夫假设，推理和学习变得更加容易处理和有效。具体来说，我们展示了如何直接在一阶水平上解决部分推理和学习问题，同时将剩余部分转换为计算二进制决策图中布尔公式的所有满意赋值的问题。
我们通过实验验证了该技术能够处理具有大量对象和关系的概率关系域。

引用于8文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
68T27型 人工智能中的逻辑
62甲12 多元分析中的估计

关键词：

统计关系学习;随机关系过程;马尔可夫过程;时间序列;CP逻辑

软件：

棱镜;探测日志
PDF格式BibTeX公司 XML格式引用
\textit｛I.Thon｝等人，马赫。学习。82，第2号，239--272（2011；Zbl 1237.68169）
全文： 内政部

参考文献：

[1] 比斯瓦斯，R。；特隆，S。；Fujimura，K.，《识别多线索活动》，255（2007），柏林
[2] Bratko，I.（1990年）。人工智能Prolog编程（第二版）。阅读：Addison-Wesley·兹比尔0599.68007
[3] Bryant，R.E.（1986年）。布尔函数操作的基于图形的算法。IEEE计算机汇刊，35（8），677-691·Zbl 0593.94022号 ·doi:10.1109/TC.1986.1676819
[4] De Raedt，L.、Kimmig，A.和Toivonen，H.（2007）。ProbLog：一种概率prolog及其在链路发现中的应用。第20届国际人工智能联合会议论文集（第2462-2467页）·Zbl 0948.68096号
[5] De Raedt，L.、Frasconi，P.、Kersting，K.和Muggleton，S.（编辑）（2008年）。计算机科学课堂讲稿：第4911卷。概率归纳逻辑程序设计理论与应用。柏林：斯普林格·Zbl 1132.68007号
[6] Fern，A.（2005）。关系序列的简单转换模型。第19届国际人工智能联合会议记录（第696-701页）。英国苏格兰爱丁堡。
[7] Fikes，R.E.和Nilsson，N.J.（1995）。STRIPS：一种将定理证明应用于问题解决的新方法。计算与智能：收集阅读材料（第429-446页）。Menlo Park，加利福尼亚州，美国，美国人工智能协会·Zbl 0593.94022号
[8] Getoor，L.和Taskar，B.（编辑）（2007年）。统计关系学习。剑桥：麻省理工学院出版社·Zbl 1141.68054号
[9] 盖托，L。；弗里德曼，N。；科勒，D。；Pfeffer，A.，《学习概率关系模型》，307-335（2001），柏林
[10] Ghahramani，Z.（1997年）。学习动态贝叶斯网络。序列和数据结构的自适应处理（第168-197页）。国际神经网络暑期学校。
[11] Jaeger，M。；Geiger，D.（编辑）；Shenoy，P.（编辑），关系贝叶斯网络，普罗维登斯，罗德岛，美国，圣马特奥
[12] Karwath，A.、Kersting，K.和Landwehr，N.（2008）。促进关系序列对齐。摘自：第八届IEEE数据挖掘国际会议论文集（ICDM 2008）·Zbl 1137.68545号
[13] Kersting，K.和De Raedt，L.（2003）。逻辑马尔可夫决策程序。在人工智能国际联合会议IJCAI-2003（第3卷）的会议记录中·Zbl 1105.68381号
[14] Kersting，K。；Raedt，L。；Getoor，L.（编辑）；Taskar，B.（编辑），《贝叶斯逻辑编程：理论和工具》（2007），剑桥
[15] Laird，J.E.和van Lent，M.（2000年）。人工智能的杀手级应用：交互式电脑游戏。在第十七届全国人工智能会议和第十二届人工智能创新应用会议的会议记录中。
[16] Milch，B.、Zettlemoyer，L.S.、Kersting，K.、Haimes，M.和Kaelbling，L.P.（2008）。使用计数公式提升概率推断。在第23届全国人工智能会议（AAAI-2008）的会议记录中。
[17] Mutton，P.（2004）。在互联网中继聊天上推断和可视化社交网络。第八届信息可视化国际会议记录（IV-2004）（第35-43页）。
[18] Pollack，M.E.（2005）。老龄化人口的智能技术：使用人工智能帮助有认知障碍的老年人。AI杂志，26（2），9-24。
[19] Poole，D.（1997）。在不确定性条件下为多个代理建模的独立选择逻辑。人工智能，94（1-2），7-56·Zbl 0902.03017号 ·doi:10.1016/S0004-3702（97）00027-1
[20] 普尔，D。；Gottlob，G.（编辑）；Walsh，T.（编辑），一阶概率推断，985-991（2003），圣马特奥
[21] Puterman，M.（1994）。马尔可夫决策过程：离散随机动态规划。纽约：Wiley·Zbl 0829.90134号
[22] Rabiner，L.（1989）。关于隐藏马尔可夫模型和语音识别中选定应用的教程。IEEE会议录，77（2），257-286·数字对象标识代码：10.1109/5.18626
[23] Richardson，M.和Domingos，P.（2006年）。马尔可夫逻辑网络。机器学习，62107-136·Zbl 1470.68221号 ·doi:10.1007/s10994-006-5833-1
[24] 佐藤（1995）。具有分布语义的逻辑程序的统计学习方法。第十二届逻辑编程国际会议记录（ICLP-1995）（第715-729页）。
[25] 佐藤，T。；Kameya，Y.，PRISM：符号统计建模语言，1330-1339（1997），圣马特奥
[26] Saul，L.K.和Jordan，M.I.（1999）。混合记忆马尔可夫模型：将复杂随机过程分解为简单随机过程的混合物。机器学习，37，75-87·Zbl 0948.68096号 ·doi:10.1023/A:1007649326333
[27] Thon，I.（2009）。不要害怕最优化：概率逻辑序列模型的抽样。2009年7月，《归纳逻辑编程国际会议论文集》（ILP-2009）。
[28] Thon，I.、Landwehr，N.和Raedt，L.D.（2008）。关系状态描述序列的简单模型。《第19届欧洲机器学习会议论文集》（第506-521页）。
[29] Thon，I.、Gutmann，B.、van Otterlo，M.、Landwehr，N.和Raedt，L.D.（2009年）。借助统计关系学习从非确定性规划到概率规划。在ICAPS 2009-规划和学习研讨会的进展，2009年9月。
[30] Vennekens，J。；Denecker，M。；Bruynooghe，M.，代表概率过程的因果信息，第4160号，452-464（2006），柏林·Zbl 1152.68621号 ·doi:10.1007/11853886_37
[31] Younes，H.L.和Littman，M.L.（2004）。PPDDL1.0：IPC-4概率部分的语言。国际规划竞赛论文集。
[32] Zettlemoyer，L.S.、Pasula，H.和Kaelbling，L.P.（2005）。在嘈杂的随机世界中学习规划规则。《第20届全国人工智能会议论文集》（AAAI-05）（第911-918页）。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。