SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Statistical Relational AI

rhona avatar
rhona
11 diapositives · 297 Views · Sep 14, 2014

Statistical Relational AI. 590AI/DMSL Seminar Autumn 2003. Overview. The AI view The data mining view The statistical view Applications Relational extensions of statistical models Statistical extensions of first-order logic Major problem types Crosscutting issues Plan. The AI View.

Statistical Relational AI - slide 1
01 / 11Statistical Relational AI
1 / 17

Télécharger la présentation

Statistical Relational AI
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Statistical Relational AI 590AI/DMSL Seminar Autumn 2003

  2. Overview • The AI view • The data mining view • The statistical view • Applications • Relational extensions of statistical models • Statistical extensions of first-order logic • Major problem types • Crosscutting issues • Plan

  3. The AI View Statistical Relational AI Probability First-Order Logic Propositional Logic

  4. The Data Mining View • Most databases contain multiple tables • Data mining algorithms assume one table • Manual conversion: slow, costly bottleneck • Important patterns may be missed • Solution:Multi-relational data mining

  5. The Statistical View • Most statistical models assume i.i.d. data(independent and identically distributed) • A few assume simple regular dependence (e.g., Markov chain) • This is a huge restriction – Let’s remove it! • Allow dependencies between samples • Allow samples with different distributions

  6. Applications • Bottom line: Using statistical and relational information gives better results • Web search (Brin & Page, WWW-98) • Text classification (Chakrabarti et al, SIGMOD-98) • Marketing (Domingos & Richardson, KDD-01) • Record linkage (Pasula et al, NIPS-02) • Gene expression (Segal et al, UAI-03) • Information extraction (McCallum & Wellner, IIW-03) • Etc.

  7. Relational Extensions of Statistical Models • Probabilistic relational models(Friedman et al, IJCAI-99) • Relational Markov networks(Taskar et al, UAI-02) • Relational Markov models(Anderson et al, KDD-02) • Relational dependency networks(Neville & Jensen, MRDM-03) • Stochastic graph grammars(Oates et al, SRL-03) • Etc.

  8. Statistical Extensions ofFirst-Order Logic • Knowledge-based model construction (Wellman et al, 1992) • Stochastic logic programs (Muggleton, 1996) • PRISM (Sato & Kameya, 1997) • Bayesian logic programs (Kersting, 2000) • CLP(BN) (Costa et al, 2003) • Etc.

  9. Major Problem Types • Collective classification • Link discovery • Link-based search • Link-based clustering • Co-clustering • Learning across distributions • Object identification • Etc.

  10. Cross-Cutting Issues • Propositionalization and aggregation • Efficient inference and learning • Incorporation of knowledge • Integration with databases • Generative vs. discriminative learning • Time-changing data • Structuring the field • Etc.

  11. Plan • Next week: Overview of backgroundby Matt Richardson • Review uncertainty, first-order logic(Good source: Russell & Norvig, AIMA 2nd ed.) • Following weeks: Paper presentations • Volunteer to present a paper • List at www.cs.washington.edu/590ai • Email pedrod@cs.washington.edu • Subscribe to 590ai mailing list