Jul, 2011

提升后的图模型：一项调查

PDF
TL;DR该文章综述了关于提升图模型的工作。它介绍了提升图模型的一般形式，即 par - 因子图，并展示了许多现有的统计关系表达式如何映射到这种形式。文章讨论了包括提升推断算法在内的推理算法，它们可以高效地计算概率查询的答案。此外，文章还回顾了从数据中学习提升图模型的研究工作。我们相信在未来数十年中，对于统计关系模型（不管叫什么名字）的需求将会增加，因为我们将面对各种结构化和非结构化数据的混合，这些数据以一种嘈杂的方式从文本中提取出实体和关系，并且需要有效地处理这些数据。我们希望这篇综述可以为这个扩展领域的新研究者提供一个可访问的起点。
lifted graphical modelspar-factor graphinference algorithmslearningstatistical relational models
发现论文，激发创造
  • 关系域中的提升因果推断

    利用参数因果因子图的抬升推断算法，在概率图模型中加速计算关系领域的因果效应。

    Mar, 2024

  • 非对称图模型的升级概率推理

    介绍了一种基于概率抽样的推理框架，利用图形模型中的近似对称性来提出在马尔可夫链中进行选择的步骤，以改进概率估计并保持无偏。

    Dec, 2014

  • 带有一些未知因子的提升因子图

    使用代表不可区分对象的提升技术，本文研究了在概率图模型中如何有效地进行查询回答并保持精确答案；引入了 LIFAGU 算法以识别包含未知因子的因子图中对称子图，并实现已知势能向未知势能的传递，以确保良定义语义并进行（提升的）概率推断。

    Jun, 2024

  • 抬升的关系变分推断

    本文提出了一种高效的关系变分推断算法，用于将大规模概率混合物模型转化成简单的变分模型，以提高推理效率，并通过使用隐变量消去或抽样方式计算变分模型上的边缘概率。

    Oct, 2012

  • 知识图谱的关系机器学习综述

    本文介绍了关系机器学习中如何统计建模大型知识图谱，以预测世界中新的事实，包括潜在特征模型和图中可观察模式互补的统计关系建模方法，以及与文本信息抽取相结合，自动构建知识图谱的实践。

    Mar, 2015

  • 升级关系神经网络

    本文提出了一种结合关系逻辑表示和神经网络学习的方法，通过关系规则和反映给定训练或测试关系实例结构的深层神经网络的组合实现层次关系建模，从而实现对潜在关系概念的学习，该方法在 78 个关系学习基准测试中表现良好。

    Aug, 2015

  • 图形建模中的结构学习

    本文回顾和讨论了一些关于图模型的进展，包括了无向图模型和有向图模型的估计方法，以及处理潜在变量和异构数据源的拓展。

    Jun, 2016

  • 探索概率关系模型中的未知宇宙

    本文旨在提出一种适用于具有未知宇宙的模型的语义模型，以实现解耦与特定约束语言，从而实现提升推理和从而使其具有可处理的推理的优势。

    Jan, 2020

  • 使用图形模型进行学习的操作

    本文从图形模型的角度综述了多学科的经验性统计学习，包括图形模型的常见例子，如贝叶斯网络、表示马尔科夫链的有向图和表示马尔科夫场的无向网络，并使用试板符号扩展来对数据分析和实证学习进行建模，提供了简化和操作问题的图形操作，包括分解、演变和来自指数族的概率模型的操作。文中还综述了两种标准的算法模式：Gibbs 采样和期望最大化算法，并使用这些操作和模式综述了一些流行的算法，包括线性回归、前馈网络的技术以及从数据学习高斯和离散贝叶斯网络。最后，本文概述了图形模型提供的框架来理解和开发复杂学习算法的一些含义。

    Dec, 1994

  • 关于关系学习中潜在因子模型的归纳能力研究

    本文研究了潜在的因素模型在多关系知识图谱建模中的应用，通过实验测试和分析这些模型的归纳能力和优缺点，并提出了未来改进的方向。

    Sep, 2017