aprendizaje relacional estadístico

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

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

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 enlaces , es decir, predecir si dos o más objetos están relacionados o no.
• la agrupación basada 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 información se considera relevante para una entidad si se sabe que es relevante para una entidad similar).
• modelado de redes sociales
• identificación de objetos/resolución de entidades/vinculación de registros , es decir, la identificación de entradas equivalentes en dos o más bases de datos/conjuntos de datos separados.

Uno de los objetivos fundamentales del diseño de los formalismos de representación desarrollados en SRL es abstraerse de las entidades concretas y representar, en su lugar, principios generales que pretenden ser universalmente aplicables. Dado que existen innumerables maneras de 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 lógico bayesiano
• Modelo de BLOG
• redes lógicas de Markov
• Red bayesiana multientidad
• 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 de Markov relacional
• Filtrado de Kalman relacional

• Aprendizaje de reglas de asociación
• Análisis formal de conceptos
• lógica difusa
• Inducción gramatical
• Incrustación de grafos de conocimiento

• Brian Milch y Stuart J. Russell : Lenguajes probabilísticos de primer orden: Hacia lo desconocidoProgramación lógica inductiva, volumen 4455 de Lecture Notes in Computer Science , páginas 10-24. Springer, 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: Un estudio sobre el aprendizaje relacional estadístico , Avances en inteligencia artificial, Notas de clase en ciencias de la computación, Volumen 6085/2010, 256–268, Springer, 2010
• Ryan A. Rossi, Luke K. McDowell, David W. Aha y Jennifer Neville : Transformación de datos de grafos para el aprendizaje relacional estadístico , 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.