Lifted Relational Probabilistic Inference via Implicit Learning
Washington University in St. Louis（华盛顿大学）
本文提出了一种基于隐式学习的方法，实现第一-order概率逻辑的隐式学习和提升推断，解决了传统方法在模型构建上的局限性。
2026-02-16 cs.AI
Learning Probabilistic Temporal Safety Properties from Examples in Relational Domains
KU Leuven University（荷语鲁汶大学）；Université Libre de Bruxelles（布鲁塞尔自由大学）
我们提出了一个框架，用于从一组标记为安全或不安全的状态中学习概率计算树逻辑（pCTL）公式的片段。我们在一个关系的设置，并结合从关系马尔可夫决策过程与pCTL模型检查的想法。更具体地，我们假设存在仅由安全状态满足的未知关系pCTL目标公式，并且具有最大$k$步骤的范围和阈值概率$α$。然后，任务包括从由领域专家标记为安全或不安全的状态中学习这个未知的公式。我们应用关系学习的原则，诱导一个pCTL公式，满足所有的安全状态，没有不安全的。然后，该公式可以用作该域的安全规范，使得系统可以避免在未来进入危险情况。根据关系学习原理，我们引入了一个候选公式生成过程，以及一种方法来决定哪个候选公式是一个令人满意的规范给定的标记状态。专家知道和不知道系统策略的情况下进行处理，然而，这两种情况下的学习过程是相同的。我们评估我们的方法在一个合成的关系域。
2022-11-07 cs.AI
Exploring Unknown Universes in Probabilistic Relational Models
Institute of Information Systems, University of Lübeck（吕贝克大学信息系统研究所）
大型概率模型通常由一组已知的个体（一个宇宙）和它们之间的关系形成。提升推理算法处理已知个体的集合以进行易处理的推理。然而，宇宙可能并不总是已知的，或者只能通过诸如“小宇宙更有可能”的假设来描述。如果没有一个宇宙，推理不再可能提升算法，失去了他们的优势，易于处理的推理。本文的目的是定义一个语义的模型与未知的宇宙从一个特定的约束语言解耦，使解除，从而，听话的推理。
2020-01-07 cs.AI
Reasoning about Unmodelled Concepts - Incorporating Class Taxonomies in Probabilistic Relational Models
Institute for Artificial Intelligence（人工智能研究所）；University of Bremen（不来梅大学）
一阶概率方法应用中的一个关键问题是它们隐含的图形模型的巨大尺寸。大小是由对象和关系的域生成的可能世界产生的。这种爆炸的原因之一是，到目前为止，这些方法没有充分利用可能世界的结构和相似性，以便更复杂地编码模型。我们提出了模糊推理的马尔可夫逻辑网络，这使得使用的分类知识作为一个源的结构强加到可能的世界。我们表明，通过利用这种结构，概率分布可以表示更companies和推理系统变得能够推理的概念不包含在概率知识库。
2015-04-21 cs.AI
Expressing Relational and Temporal Knowledge in Visual Probabilistic Networks
Imperial College of Science, Technology and Medicine（帝国理工学院）
贝叶斯网络已被广泛用于诊断任务，如医学，其中它们表示一组症状和一组疾病之间的依赖关系。对这种类型的知识表示的批评是，它仅限于这类任务，并且它不能处理其他人工智能应用中所需的知识。例如，在计算机视觉中，我们需要能够对复杂的知识进行建模，包括时间和关系因素。在本文中，我们扩展贝叶斯网络模型的关系和时间的知识，高层次的视觉。这些扩展网络具有简单的结构，使我们能够有效地传播概率。我们已经将它们应用到内窥镜领域，说明了如何在特定情况下使用一般建模原则。
2013-03-13 cs.AI
Towards Privacy-Preserving Relational Data Synthesis via Probabilistic Relational Models
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；University of Hamburg（汉堡大学）；singularIT GmbH（singularIT有限公司）
针对真实关系数据受隐私与成本限制的问题，本文提出从关系数据库学习概率关系模型并采样合成关系数据的完整流水线。
2024-10-02 cs.AI cs.DB cs.LG
Probabilistic Similarity Logic
University of Maryland（马里兰大学）
许多机器学习应用程序都需要从嘈杂的多关系数据中学习和推理的能力。为了解决这个问题，已经开发了几种有效的表示方法，它们既提供了用于表达域的结构性的语言，又提供了对概率推理的原则性支持。然而，除了这两个方面之外，许多应用程序还涉及第三个方面，即需要对相似性进行推理，而现有的框架并不直接支持这一点。本文介绍了概率相似性逻辑（PSL），一个通用的框架，联合推理的相似性在关系领域，结合概率推理的相似性和关系结构的原则性的方式。PSL可以集成任何现有的领域特定的相似性措施，也支持推理的实体集之间的相似性。我们为PSL提供了有效的推理和学习技术，并在常见的关系任务和需要推理相似性的设置中证明了其有效性。
2012-03-15 cs.AI
Symbolic Querying of Vector Spaces: Probabilistic Databases Meets Relational Embeddings
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
我们提出了统一的技术，从概率数据库和关系嵌入模型的目标执行复杂的查询不完整和不确定的数据。我们形式化的概率数据库模型，所有的查询。这使我们能够利用来自概率数据库的丰富的理论和算法文献来解决问题。虽然这种形式化可以与任何关系嵌入模型一起使用，但缺乏定义良好的联合概率分布会导致简单的查询问题变得难以证明。考虑到这一点，我们引入\TO，一个关系嵌入模型，旨在成为一个易于处理的概率数据库，利用典型的嵌入假设的概率框架。使用一个原则，高效的推理算法，可以从它的定义，我们经验证明，\TOs是一个有效的和一般的模型，这些查询任务。
2020-06-27 cs.AI cs.DB
Polynomial-Time Relational Probabilistic Inference in Open Universes
Washington University in St. Louis（华盛顿大学圣路易斯分校）
本文提出一种一阶关系概率推理方法，将期望的平方和逻辑扩展到关系设置，证明在有界度片段中可在多项式时间内完成提升推理，并建立了固定次数下平方和反驳的完备性。
2025-05-07 cs.AI
Probabilistic Relational Model Benchmark Generation
LARODEC Laboratory（拉罗德克实验室）；ISG（突尼斯高等管理学院）；Université de Tunis（突尼斯大学）；DUKe research group（DUKe研究组）；LINA Laboratory UMR 6241（LINA实验室（法国国家科研中心联合研究单位6241））；University of Nantes（南特大学）；DataForPeople
任何数据库挖掘方法的验证都要经过一个评估过程，其中基准的可用性至关重要。在本文中，我们的目标是随机生成关系数据库基准，允许检查属性之间的概率依赖关系。我们对概率关系模型（PRM）特别感兴趣，它将贝叶斯网络（BN）扩展到关系数据采掘环境，并在关系数据上实现有效和鲁棒的推理。尽管一系列的工作都集中在随机贝叶斯网络和关系数据库的生成上，但还没有发现PRM在这方面的工作。本文提供了一种从头开始生成随机PRM的算法方法来填补这一空白。所提出的方法允许从随机生成的关系模式和随机的一组概率依赖关系生成PRM以及合成关系数据。这不仅对机器学习研究人员在通用框架中评估他们的建议感兴趣，而且对数据库设计人员评估数据库管理系统组件的有效性也感兴趣。
2016-03-02 cs.AI cs.LG
Verifying Relational Explanations: A Probabilistic Approach
University of Memphis（孟菲斯大学）；Adobe Research（Adobe研究院）
本文提出一种概率方法，通过生成反事实示例并学习因子图模型来量化GNNExplainer解释中的不确定性，从而解决关系数据解释难以验证的问题。
2024-01-05 cs.AI
Probabilistic Relational Planning with First Order Decision Diagrams
Oregon State University（俄勒冈州立大学）；Tufts University（塔夫茨大学）
动态规划算法已成功地应用于命题随机规划问题，通过使用紧凑的表示，特别是代数决策图，捕捉域动态和价值函数。符号动态规划的工作提升了这些想法，一阶逻辑使用几种表示方案。最近的工作介绍了一阶变量的决策图（FODD），并开发了一个值迭代算法，这种表示。本文开发了几个改进的FODD算法，使该方法的实用。这些包括，新的减少运营商，减少的大小表示，几个加速技术，和技术的值近似。在此基础上，提出了一个求解相关随机规划问题的规划系统FODD-Planner。该系统在几个领域进行了评估，包括最近的国际规划竞赛的问题，并显示出与顶级系统的竞争力。这是第一次证明这种方法的可行性，它表明，通过紧凑的表示抽象是一个很有前途的方法随机规划。
2014-01-16 cs.AI
From probability to causality in probabilistic logic programming
Ludwig-Maximilians-Universität München（慕尼黑大学）；Eberhard-Karls-Universität Tübingen（蒂宾根大学）；German University of Digital Science（德国数字科学大学）
该研究针对概率逻辑程序从数据学习时因果顺序不唯一的问题，结合贝叶斯网络关系推导条件并纳入因果对称约束，提出可验证干预语义的方法。
2026-08-10 cs.AI
Relational Bayesian Networks
Computer Science Department, Stanford University（斯坦福大学计算机科学系）
提出了一种表示多个随机事件概率关系的新方法。在先前包含概率规则的知识库用于此目的的情况下，在此关系上的概率分布直接由贝叶斯网络表示。通过使用一种强大的方式来指定这些网络中的条件概率分布，所得到的形式主义比以前的形式主义更具表达力。特别地，它提供了对事件的等式的约束，并且它允许定义复杂的嵌套组合函数。
2013-02-06 cs.AI
Exact Inference for Relational Graphical Models with Interpreted Functions: Lifted Probabilistic Inference Modulo Theories
Artificial Intelligence Center（人工智能中心）；SRI International（斯坦福国际研究院）
概率推理模理论（ProbabilityInference Modulo Theories，PIMT）是一个最近的框架，它扩展了图形模型的精确推理，使用更丰富的语言，包括整数和实数的算术，等式和不等式。在本文中，我们扩展PIMT的提升版本，也处理随机函数和关系。这种增强是通过适应反演，从提升一阶概率推理文献的方法，也是模理论。这导致第一个算法的准确概率推理，有效地，同时利用随机关系和功能，算术，等式和不等式。
2017-09-04 cs.AI cs.SC
Compiling Relational Database Schemata into Probabilistic Graphical Models
University of Massachusetts（马萨诸塞大学）；Microsoft Research（微软研究院）
在这项工作中，我们提出了一种方法，使用关系数据库模式自动构建贝叶斯图形模型的数据库，而不是需要一个领域的专家来指定的数据的概率依赖关系。此生成的模型包含列的自定义分布、对数据进行聚类的潜在变量以及反映和表示外键链接的因子。实验证明了该模型的准确性和推理的可扩展性的合成和真实世界的数据。
2012-12-05 cs.AI cs.DB cs.LG
Discriminative Probabilistic Models for Relational Data
Stanford University（斯坦福大学）
在许多监督学习任务中，待标记的实体以复杂的方式彼此相关，并且它们的标记不是独立的。例如，在超文本分类中，链接页面的标签高度相关。一种标准的方法是对每个实体独立分类，忽略它们之间的相关性。最近，概率关系模型，贝叶斯网络的关系版本，被用来定义一个联合概率模型的相关实体的集合。在本文中，我们提出了一个替代框架，建立在（条件）马尔可夫网络和解决以前的方法的两个局限性。首先，无向模型不施加非循环约束，这阻碍了有向模型中许多重要关系依赖的表示。其次，无向模型非常适合区分训练，在这种情况下，我们优化了给定特征的标签的条件似然，这通常会提高分类准确性。我们展示了如何有效地训练这些模型，以及如何使用近似概率推理的学习模型的集体分类的多个相关的实体。我们提供了一个网页分类任务的实验结果，表明可以显着提高准确性建模的关系依赖。
2012-12-12 cs.AI cs.LG stat.ML
Lifted Model Checking for Relational MDPs
KU Leuven（鲁汶大学）；Université libre de Bruxelles（布鲁塞尔自由大学）；Örebro University（厄勒布鲁大学）
概率模型检验是为了验证具有随机性和不确定性行为的系统而发展起来的。给定一个概率系统，概率模型检查器获取一个属性，并检查该属性在该系统中是否成立。因此，概率模型检验提供了严格的保证。然而，到目前为止，概率模型检验主要集中在命题模型上，其中状态由符号表示。另一方面，在规划和强化学习中通常需要进行关系抽象。各种框架处理关系域，例如，CNOPS规划和关系马尔可夫决策过程。在关系环境中使用命题模型检验需要将模型接地，这导致了众所周知的状态爆炸问题和棘手性。我们提出了pCTL-REBEL，一个提升的模型检验方法来验证pCTL属性的关系MDP。它将基于关系模型的强化学习技术REBEL扩展到关系pCTL模型检验. PCTL-REBEL被提升，这意味着该模型不是基于基础，而是利用对称性在关系级别上将一组对象作为一个整体进行推理。理论上，我们表明，pCTL模型检验是可判定的关系MDP有可能是无限的域，提供的状态有界的大小。在实践中，我们贡献的算法和实现解除关系模型检验，我们表明，解除的方法提高了可扩展性的模型检验方法。
2022-01-10 cs.AI cs.LG cs.LO
Lifted Probabilistic Inference for Asymmetric Graphical Models
KU Leuven（鲁汶大学）；University of Washington, Seattle（西雅图华盛顿大学）
提升概率推理算法已经成功地应用于大量的对称图模型。不幸的是，大多数真实世界的图形模型是不对称的。当给出证据时，关系表示也是如此。因此，社区中最近的工作转向使模型对称，然后应用现有的提升推理算法。然而，这种方法有两个缺点。首先，所有现有的过对称近似都需要一个关系表示，如马尔可夫逻辑网络。其次，诱导的对称性通常会显著改变分布，使计算的概率高度偏差。我们提出了一个框架，概率抽样为基础的推理，只使用诱导的近似对称性，提出步骤的大都会黑斯廷斯风格的马尔可夫链。因此，该框架导致改进的概率估计，同时保持无偏。实验表明，该方法优于现有的MCMC算法。
2014-12-01 cs.AI
Learning Probabilistic Logic Programs with Functional Gradient Guided Language Models
Technische Universität Darmstadt（达姆施塔特工业大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；AT&T CDO（AT&T首席数字官办公室）；Oregon state University（俄勒冈州立大学）
提出神经符号框架grasp，将关系结构学习转化为函数梯度提升，用LLM处理难的内部搜索，在Tox21等四个基准上优于多种基线，生成可解释带权规则集成。
2026-10-09 cs.AI
Ensemble Relational Learning based on Selective Propositionalization
University of Bari ``Aldo Moro''（巴里大学“阿尔多·莫罗”）
处理结构化数据需要使用表达性表示形式，然而，这将问题置于处理机器学习过程的计算复杂性。此外，现实世界的领域需要能够管理其典型不确定性的工具。许多统计关系学习方法试图通过将相关关系特征的构建与概率工具相结合来处理这些问题。当组合是静态的（静态命题化）时，构造的特征被认为是布尔特征，并离线用作统计学习器的输入;而当组合是动态的（动态命题化）时，特征构造和概率工具被组合成一个过程。在本文中，我们提出了一种选择性命题化方法，搜索的最佳的一组关系的功能，以使用的概率学习，以最小化损失函数。新的命题化方法已与随机子空间集成方法相结合。在真实数据集上的实验表明了该方法的有效性。
2013-11-15 cs.AI cs.LG
Induction of Interpretable Possibilistic Logic Theories from Relational Data
Cardiff University（卡迪夫大学）；KU Leuven（鲁汶大学）
统计关系学习（Statistical Relational Learning，SRL）是一个从关系数据中学习概率模型的领域。学习的SRL模型通常使用某种加权逻辑公式来表示，这使得它们比通过例如神经网络获得的模型更可解释。然而，在实践中，这些模型通常仍然难以正确解释，因为它们可能包含许多以非平凡方式相互作用的公式，并且权重并不总是具有直观的含义。为了解决这个问题，我们提出了一个新的SRL方法，使用可能性逻辑编码关系模型。学习模型本质上是分层的经典理论，它明确地编码了在给定的确定性水平下可以导出的东西。与马尔可夫逻辑网络（MLN）相比，我们的方法更快，并产生更多的可解释的模型。
2017-05-19 cs.AI
A Preliminary Approach for Learning Relational Policies for the Management of Critically Ill Children
University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
电子健康记录的增加使用使得从患者记录中自动提取医疗政策以帮助开发临床决策支持系统成为可能。我们采用了一个增强的统计关系学习（SRL）框架，从临床医院记录中学习概率规则，用于管理接受体外膜肺氧合治疗的严重心脏或呼吸衰竭儿童的生理参数。在这项初步研究中，结果是有希望的。特别是，该算法返回的逻辑规则与医疗推理一致的医疗行动。
2020-01-13 cs.AI
Dissociation and Propagation for Approximate Lifted Inference with Standard Relational Database Management Systems
Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
大数据集上的概率推理是一个具有挑战性的数据管理问题，因为精确推理通常是P-困难的，并且目前最常用基于采样的方法近似解决。本文提出了一种替代方法的近似评估的合取查询与标准的关系数据库：在我们的方法中，每个查询完全在数据库引擎评估一个固定数量的查询计划，每个提供一个上限的真实概率，然后采取他们的最小值。我们提供了一个算法，考虑到重要的模式信息，枚举所有可能的计划中只有最小的必要计划。重要的是，该算法是所有已知的PTIME自连接自由合取查询的严格推广：当且仅当我们的算法返回一个单一的计划时，查询在PTIME中。此外，我们的方法是一个家庭的有效的排名方法从图超图的推广。我们还采用了三种关系型查询优化技术来快速评估所有必要的计划。我们给我们的方法进行了详细的实验评估，并在这个过程中，提供了一种新的思路的概率方法的非概率方法的查询答案排名的价值。我们还注意到，本文中开发的技术立即适用于解除推理统计关系模型，因为解除推理对应于PTIME计划的概率数据库。
2016-06-14 cs.AI cs.DB
General-Purpose MCMC Inference over Relational Structures
诸如记录链接和多目标跟踪之类的任务，涉及到重建一些观测数据的基础对象集，对于概率推理来说特别具有挑战性。最近的工作已经实现了高效和准确的推理，这些问题使用马尔可夫链蒙特卡罗（MCMC）技术与定制的建议分布。目前，实现这样的系统需要对特定于特定应用的MCMC状态表示和接受概率计算进行编码。另一种方法，我们追求在本文中，是使用一个通用的概率建模语言（如博客）和一个通用的大都会黑斯廷斯MCMC算法，支持用户提供的建议分布。我们的算法获得的灵活性，通过使用MCMC状态，只有部分描述的可能的世界，我们提供的条件下，MCMC在部分世界产生正确的答案查询。我们还展示了如何使用特定于上下文的贝叶斯网络来识别接受概率中的因素，这些因素需要针对给定的提议移动进行计算。一个引文匹配任务的实验结果表明，我们的通用MCMC引擎与特定应用程序的系统相比毫不逊色。
2012-06-27 cs.AI
Hybrid Probabilistic Logic Programming: Inference and Learning
本文主要研究概率逻辑程序设计（PLP），它结合了不确定性的概率理论和关系的逻辑程序设计。本文旨在扩展PLP以支持离散和连续随机变量，这对于数值数据的应用是必要的。第一个贡献是引入上下文特定的似然加权（CS-LW），一种新的采样算法，利用上下文特定的独立性的计算增益。然后，提出了一种新的混合PLP（DC#），它将分布子句的语法与贝叶斯逻辑程序相结合，并表示了三种类型的独立性：i）贝叶斯网络中的条件独立性（CI）; ii）逻辑规则表示的上下文相关独立性（CSI）; iii）组合规则表示的关系模型中相关对象属性之间的独立性。提出了DC#的可扩展推理算法FO-CS-LW。最后，本文通过引入DiceML来学习混合PLP的结构和参数，并解决关系自动完成问题，从而解决了缺乏从具有缺失值和（概率）背景知识的关系数据中学习混合PLP的方法的问题。最后讨论了混合PLP的未来发展方向和面临的挑战。
2023-02-10 cs.AI cs.LO
An asymptotic analysis of probabilistic logic programming, with implications for expressing projective families of distributions
LMU München（慕尼黑大学）
概率逻辑编程是统计关系型人工智能的重要组成部分，其中将逻辑和概率方法结合在一起，在不确定性环境中推理和学习关系域。然而，跨可变域大小的统计关系表示的行为是复杂的，并且将推理和学习扩展到大型域仍然是一个重大挑战。近年来，域大小依赖、提升推理和从抽样子群体中学习之间出现了联系。统计关系表示的渐近行为已经受到审查，和投影被调查的最强形式的域大小的依赖，其中查询边际是完全独立的域大小。在这篇文章中，我们证明了每一个概率逻辑程序下的分布语义是渐近等价于一个非循环的概率逻辑程序只包括确定条款的概率事实。我们的结论是，每一个概率逻辑程序诱导一个投影族的分布，实际上是处处等价于一个程序从这个片段，我们调查的后果，为投影族的分布概率逻辑程序表示。为了方便应用的经典结果从有限模型理论，我们引入了抽象的分布语义，定义为一个任意的逻辑理论概率事实。这弥合了与概率逻辑编程基础的分布语义之间的差距。在这种表示中，确定性逻辑程序对应于无量词理论，使得渐近量词消去结果可用于概率逻辑编程的设置。本文件正在考虑被TPLP接受。
2021-08-18 cs.AI cs.LO cs.PL
Symbolic Learning and Reasoning with Noisy Data for Probabilistic Anchoring
KU Leuven（鲁汶大学）；Örebro University（厄勒布鲁大学）
机器人代理应该能够从子符号传感器数据中学习，同时能够推理对象并在符号层面上与人类进行通信。这就提出了如何克服符号和次符号人工智能之间的鸿沟的问题。我们提出了一个语义世界建模方法的基础上自底向上的对象锚定使用对象为中心的世界表示。感知锚定处理连续的感知传感器数据，并保持与符号表示的对应关系。我们扩展锚定的定义来处理多模态概率分布，我们将得到的符号锚定系统耦合到概率逻辑推理机进行推理。此外，我们使用统计关系学习，使锚定框架学习符号知识的形式的一组概率逻辑规则的世界从嘈杂和子符号传感器输入。所得到的框架，它结合了感知锚定和统计关系学习，是能够保持一个语义世界模型的所有对象，已被认为随着时间的推移，同时仍然利用逻辑规则的表达力，原因是不直接观察到的对象，通过感官输入数据的状态。为了验证我们的方法，我们证明，一方面，我们的系统执行概率推理多模态概率分布的能力，另一方面，从感知观察产生的锚定对象的概率逻辑规则的学习。学习的逻辑规则，随后，用于评估我们提出的概率锚定程序。我们展示了我们的系统中的设置，涉及对象的相互作用，对象遮挡出现，概率推理需要正确地锚定对象。
2020-02-24 cs.AI
Scalable Probabilistic Databases with Factor Graphs and MCMC
University of Massachusetts（马萨诸塞大学）
概率数据库在不确定数据的管理和理解中起着至关重要的作用。然而，将概率纳入不完整数据库的语义中带来了许多挑战，迫使系统牺牲建模能力，可扩展性，或限制它们关闭的关系代数公式的类别。我们提出了一种替代方法，其中底层的关系数据库总是代表一个单一的世界，和一个外部因素图编码的分布在可能的世界，马尔可夫链蒙特卡罗（MCMC）推理，然后使用恢复这种不确定性所需的保真度水平。我们的方法可以有效地评估任意查询的概率数据库与任意依赖关系表示的图形模型的结构，在推理过程中发生变化。MCMC采样通过假设{ \em修改}到可能的世界而不是从头开始生成整个世界来提供效率。然后，在世界发生变化的部分上运行查询，避免了在每个采样世界上运行完整查询的繁重成本。这项工作的一个重要创新是MCMC采样和物化视图维护技术之间的连接：我们发现经验，使用视图维护技术是几个数量级的速度比天真地查询每个采样的世界。我们还展示了我们的系统的能力，回答关系查询与聚合，并通过使用并行化展示了额外的可扩展性。
2010-05-11 cs.AI cs.DB
Relational Neural Machines
University of Florence（佛罗伦萨大学）；University of Siena（锡耶纳大学）
深度学习已被证明在有大量训练数据可用的几个任务中取得了令人印象深刻的结果。然而，深度学习只关注预测的准确性，忽略了导致决策的推理过程，这是生命关键应用中的一个主要问题。概率逻辑推理允许利用统计知识和特定领域的专业知识在不确定性下进行推理，但其可扩展性和与处理传感数据的层的脆弱集成极大地限制了其应用。出于这些原因，将深度架构和概率逻辑推理相结合是开发在复杂环境中运行的智能代理的基本目标。本文介绍了关系神经机，一种新的框架，允许联合训练的参数的学习者和一阶逻辑为基础的推理。关系神经机能够在纯子符号学习的情况下从监督数据恢复经典学习，并且在纯符号推理的情况下恢复马尔可夫逻辑网络，同时允许联合训练并在混合学习任务中执行推理。设计适当的算法解决方案，使学习和推理在大规模问题中易于处理。实验结果表明，在不同的关系任务有希望的结果。
2020-02-06 cs.AI cs.LG
Relational Dynamic Bayesian Networks
University of Washington（华盛顿大学）
涉及随着时间的推移创建对象和关系的随机过程很普遍，但研究相对较少。例如，工厂装配过程中的准确故障诊断需要推断错误装配操作的概率，但高效且准确地做到这一点是困难的。这些过程被建模为动态贝叶斯网络，具有非常大的域和极高的维度的离散变量。在本文中，我们介绍了关系动态贝叶斯网络（RDBN），这是一个扩展的动态贝叶斯网络（DBNs）的一阶逻辑。RDBN是动态概率关系模型（DPRM）的推广，我们在以前的工作中提出了动态不确定域的模型。首先，我们扩展了Rao-Blackwellised粒子滤波在我们的早期工作中描述的RDBN。接下来，我们解除了与Rao Blackwellization在RDBN中的假设，并提出了两种新形式的粒子滤波。第一种方法使用谓词上的抽象层次来平滑粒子滤波器的估计。第二个采用核密度估计与核函数专门设计的关系域。实验结果表明，这两种方法在装配计划执行监控任务上的性能明显优于标准粒子滤波。
2011-09-09 cs.AI
Lifted Causal Inference in Relational Domains
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；singularIT GmbH（singularIT有限公司）；University of Münster（明斯特大学）；University of Lübeck（吕贝克大学）
本文提出参数化因果因子图与提升因果推断算法，在关系域中利用对称性高效计算因果效应，显著加速推断并保持精确性。
2024-03-15 cs.AI cs.DS
Generating and Sampling Orbits for Lifted Probabilistic Inference
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
概率推理算法设计中的一个关键目标是识别和利用使推理易于处理的分布特性。提升推理算法将对称性识别为能够实现有效推理的属性，并寻求随概率模型的对称程度而缩放。现有的精确提升推理技术的局限性在于它们不适用于像因子图这样的非关系表示。在这项工作中，我们提供了第一个例子的任意离散因子图的精确提升推理算法。此外，我们描述了一个提升马尔可夫链蒙特卡罗算法，可证明混合迅速的对称程度的分布。
2019-06-30 cs.AI
A fuzzy relation-based extension of Reggia's relational model for diagnosis handling uncertain and incomplete information
Institut de Recherche en Informatique de Toulouse（图卢兹计算机科学研究所）；C.N.R.S.（法国国家科学研究中心）；Universite Paul Sabatier（保罗·萨巴蒂埃大学）
用于诊断的关系模型基于对病症和表现之间的关联的直接描述。这种类型的模型已经被Reggia和他的同事们在80年代后期专门使用和开发，作为接近诊断问题的基本出发点。本文提出了一种新的关系模型，其中包括Reggia的模型作为一个特殊的情况下，它允许一个更有表现力的表示的意见和与疾病相关的表现。该模型区分，i）肯定不存在的表现和（尚未）观察到的表现，以及ii）不能由给定疾病引起的表现和我们不知道是否可以或不能由这种疾病引起的表现。这种新的模型，它可以处理不确定性的非概率的方式，是基于可能性理论和所谓的双重模糊集，以前介绍的作者。
2013-03-06 cs.AI
A Complete Characterization of Projectivity for Statistical Relational Models
Aalborg University（奥尔堡大学）；Simon Fraser University（西蒙弗雷泽大学）
关系数据的生成概率模型由不同大小的域上的关系结构的概率分布族组成。在大多数现有的统计关系学习（SRL）框架中，这些模型在大小为$k<n$的诱导子结构上的大小- $n$结构的分布的边缘等于大小- $k$结构的给定分布的意义上不是投射的。投射性是非常有益的，因为它可以直接从子采样的关系结构中进行提升推理和统计一致性学习。在早期的工作中，一些简单的片段SRL语言已被确定为代表投射模型。然而，没有完整的表征，并表示框架的投影模型已经给出。在本文中，我们填补了这一空白：利用无限可交换数组的表示定理，我们引入了一类有向图形潜变量模型，精确对应于一类投影关系模型。作为一个副产品，我们还获得了一个表征时，一个给定的分布在尺寸-$k$结构是统计频率分布的尺寸- $k$子结构在大得多的尺寸- $n$结构。这些结果揭示了新的光到旧的开放问题，如何应用Halpern等人。的“随机世界方法”的概率推理一般关系签名。
2020-06-22 cs.AI cs.LG stat.ML
Dynamic probabilistic logic models for effective abstractions in RL
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Robert Bosch Centre for Data Science and Artificial Intelligence at Indian Institute of Technology Madras（印度理工学院马德拉斯分校罗伯特·博世数据科学与人工智能中心）；Oregon State University（俄勒冈州立大学）
在复杂的强化学习环境中，状态抽象可以实现样本高效学习和更好的任务转移。最近，我们提出了RePReL（Kokel et al. 2021），这是一个分层框架，它利用关系规划器为学习提供有用的状态抽象。我们提出了一个简短的概述，这个框架和使用动态概率逻辑模型来设计这些状态抽象。我们的实验表明，RePReL不仅在手头的任务上实现了更好的性能和有效的学习，而且对看不见的任务也表现出更好的泛化能力。
2021-10-15 cs.AI
Model-based Exception Mining for Object-Relational Data
Simon Fraser University（西蒙弗雷泽大学）
这篇文章是基于以前的出版物[29]。我们的工作扩展异常挖掘和离群值检测的情况下，对象关系数据。对象关系数据表示一个复杂的异构网络[12]，它包括不同类型的对象，这些对象之间的链接，也是不同类型的，以及这些链接的属性。这种特殊的结构禁止直接的矢量数据表示。我们遵循成熟的异常模型挖掘框架，该框架利用机器学习模型进行异常挖掘：对象是异常的，因为为对象数据学习的模型不同于为一般人群学习的模型。异常对象可以被视为离群值。我们应用最先进的概率建模技术的对象关系数据，构建一个图形化的模型（贝叶斯网络），其中companion表示数据中的概率关联。一个新的度量，来自学习对象-关系模型，量化的程度，一个潜在的离群值的个体关联模式偏离整个人口。该度量基于两个参数向量的似然比：一个表示总体关联，另一个表示个体关联。我们的方法在合成数据集和真实世界的足球比赛和电影数据集上进行了验证。与基线方法相比，我们的新转换似然比在所有数据集上都达到了最佳的检测精度。
2018-07-01 cs.AI cs.LG stat.ML
First-Order Context-Specific Likelihood Weighting in Hybrid Probabilistic Logic Programs
KU Leuven（荷语鲁汶大学）；Czech Technical University in Prague（布拉格捷克理工大学）
到目前为止，统计关系AI和概率逻辑编程主要集中在离散概率模型上。这样做的原因是，需要提供结构来简洁地建模这种模型中的独立性，并提供有效的推理。三种类型的独立性是很重要的表示和利用混合模型中的可扩展推理：条件独立性优雅地建模在贝叶斯网络中，上下文特定的独立性自然表示的逻辑规则，和独立性之间的相关对象的属性在关系模型简洁地表示组合规则。本文介绍了一种结合贝叶斯逻辑程序中分布子句的语法和语义原理的混合概率逻辑程序设计语言DC #。它定性地代表了三种独立性。更重要的是，我们还介绍了DC #的可扩展推理算法FO-CS-LW。FO-CS-LW是上下文特定似然加权算法（CS-LW）的一阶扩展，CS-LW是一种利用地面模型中的条件独立性和上下文特定独立性的新型采样方法。FO-CS-LW算法将具有统一和组合规则的CS-LW算法提升到一阶情况。
2023-01-08 cs.AI cs.LO
Probabilistic Logic Programming with Beta-Distributed Random Variables
Cardiff University（卡迪夫大学）；ARL（美国陆军研究实验室）；Ozyegin University（奥兹耶金大学）
我们使aProbLog-一个概率逻辑编程方法-原因在存在的不确定概率表示为贝塔分布的随机变量。我们实现了高度指定和工程领域的最先进算法的相同性能，同时我们保持了aProbLog在处理复杂关系域时提供的灵活性。我们的动机是，忠实地捕捉概率的分布是必要的，以计算预期效用的有效决策下的不确定性：不幸的是，这些概率分布可以是高度不确定的，由于稀疏的数据。为了理解和准确地操纵这样的概率分布，我们需要一个由贝塔分布提供的定义明确的理论框架，贝塔分布指定了一个概率分布，它代表了当确切值未知时概率的所有可能值。
2018-11-15 cs.AI
New Liftable Classes for First-Order Probabilistic Inference
The University of British Columbia（不列颠哥伦比亚大学）；KU Leuven（鲁汶大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
统计关系模型为关系域中的概率依赖性提供了紧凑的编码，但导致高度棘手的图形模型。提升推理的目标是进行概率推理，而不需要分别对每个个体进行推理，而是将可交换的、不可区分的对象作为一个整体来处理。在本文中，我们研究域递归推理规则，尽管它的核心作用，在早期的理论结果域提升推理，后来被认为是多余的。我们发现，这条规则比预期的更强大，实际上显着扩展了模型的范围，其中解除推理在时间多项式中运行的个人在域中的数量。这包括一个名为S4的开放问题，对称传递性模型和生日悖论的一阶逻辑编码。我们进一步确定了新的类S2FO2和S2RU的域提升理论，分别subsidering FO2和递归一元理论，最大的类域提升理论迄今为止，并表明，使用域递归可以实现指数加速，即使在理论，不能完全解除与现有的推理规则集。
2016-10-26 cs.AI stat.ML
Statistical relational learning and neuro-symbolic AI: what does first-order logic offer?
University of Edinburgh（爱丁堡大学）
本文以非技术方式综述了使用一阶逻辑表示概率知识的逻辑与哲学基础，旨在为机器学习、逻辑学及统计关系学习等领域的研究者理清有限与无限、主观概率与随机世界语义的差异及其理论意义。
2023-06-08 cs.AI cs.LO
Relational Collaborative Filtering:Modeling Multiple Item Relations for Recommendation
University of Glasgow（格拉斯哥大学）；USTC（中国科学技术大学）；Rutgers University（罗格斯大学）
现有的基于项目的协同过滤（ICF）方法只利用了协作相似性的关系。然而，在现实世界的场景中，项目之间存在多种关系。不同的协作相似性，这意味着从用户的角度来看，共同互动模式，这些关系揭示了细粒度的知识项目从不同的角度的元数据，功能等，但是，如何将多个项目的关系是较少探索的推荐研究。在这项工作中，我们提出了关系协同过滤（RCF），一个通用的框架，利用多个项目之间的关系，在推荐系统。我们发现，关系类型和关系值是至关重要的推断用户的喜好。为此，我们开发了一个两级层次的注意力机制模型用户偏好。第一级注意力区分哪些类型的关系更重要，第二级注意力考虑特定的关系值来估计历史项目在推荐目标项目中的贡献。为了使项目嵌入反映项目之间的关系结构，我们进一步制定了一个任务，以保持项目的关系，并联合训练它与推荐任务的偏好建模。在两个真实数据集上的实验结果证明了RCF的强大性能。此外，我们还进行了定性分析，以显示多项目关系建模带来的解释的好处。
2019-05-11 cs.AI cs.IR
Symbolic Network: Generalized Neural Policies for Relational MDPs
Indian Institute of Technology Delhi（印度理工学院德里分校）
关系马尔可夫决策过程（Relational Markov Decision Process，RMDP）是一种一阶表示方法，用于表示单个概率规划域的所有实例，其中对象的数量可能是无限的。RMDPs的早期工作输出了广义（独立于实例）的一阶策略或价值函数，作为一种同时解决域的所有实例的方法。不幸的是，由于在这些策略或价值函数中使用的表示空间的固有限制，这类工作取得了有限的成功。神经模型是否可以通过轻松地表示更复杂的广义策略来提供缺失的环节，从而使它们对给定域的所有实例都有效？我们提出了SymNet，第一个神经方法来解决RMDPs的概率规划语言的RMDPs。SymNet使用来自域的训练实例为Rounds域训练一组共享参数。对于每个实例，SymNet首先将其转换为实例图，然后使用关系神经模型来计算节点嵌入。然后，它将每个地面动作作为一阶动作符号和与动作相关的节点嵌入的函数进行评分。给定来自同一域的新测试实例，具有预训练参数的SymNet架构会对每个地面动作进行评分并选择最佳动作。这可以在单个前向传递中完成，而无需对测试实例进行任何重新训练，从而隐式地表示整个域的神经广义策略。我们在IPPC的九个Rendezvous域上的实验表明，SymNet策略明显优于随机策略，有时甚至比从头开始训练最先进的深度反应策略更有效。
2020-06-29 cs.AI cs.LG stat.ML
A Multi-Agent System for Semantic Mapping of Relational Data to Knowledge Graphs
University Ss. Cyril and Methodius（西里尔和美多修大学）
本文提出一种基于多个LLM智能体的多智能体系统，在关系数据库表之上构建语义层，将表和列映射到Schema.org术语，实现多数据库知识图谱集成，并在多个领域取得超过90%的映射准确率。
2025-11-09 cs.AI cs.DB
Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis
Gdańsk University of Technology（格但斯克工业大学）；Medical University of Gdańsk（格但斯克医科大学）
本研究提出双层级关系框架，结合隐式图像块关系建模与显式图结构消息传递，在ISIC-2018、ISIC-2019皮肤病变诊断基准上提升了平衡准确率，其中集成网格结构的图注意力网络表现最优。
2026-08-07 cs.AI cs.CV cs.LG
SciReC: Diagnostic Evaluation of Multimodal, Multi-Turn Relational Reasoning with Adaptive Interaction
Arizona State University（亚利桑那州立大学）；Capital One（第一资本金融公司）
本研究构建了多模态学术对话基准SciReC，提出缺陷诊断框架DMRA评估多模态大语言模型的关系推理能力，发现不同模型在各类关系及领域上的表现差异，明确错误的主要来源。
2026-08-31 cs.AI cs.CL cs.LG
