lifted probabilistic inference algorithms have been successfully applied to a
large number of symmetric graphical models. Unfortunately, the majority of
real-world graphical models is asymmetric. This is even the case for relational
representations when evidence is given. Therefore, mo
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。