本文研究了提升概率推断在关系概率模型中的应用，以及在没有对未明确提及的个体进行单独推理的情况下，如何避免共性推理的现象，同时给出了两个主要结果：一般情况下，需要对个体进行单独推理，而当使用基于无限制参数随机变量的方法进行推理时，这个情况也可以避免。

Jul, 2011

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

通过构建一个概率模型，该论文提出了一种新的关系推导框架，提高了在相关数据集上的推导分数；此外，该论文还提供了两个用于帮助未来研究的实用资源：一种改进的判定数据集框架和一个包含 17848 个标记实例的公共数据集，其标记的精度从 53％提高到了 95％。

Jul, 2019

在这篇论文中，我们研究了域递推推理规则，它被认为是冗余的。我们发现，这个规则比预期的更强大，并且实际上显著扩展了模型的范围，其中一些模型的抬升推理时间多项式增长。我们还确定了新的域可抬升理论类别，其中一些理论的使用域递推可以实现指数加速。

Oct, 2016

通过使用通用模式和矩阵因式分解模型，同时处理文本和现有结构化数据库中的关系，以实现更精确的关系抽取。

Jan, 2013

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。

Jul, 2011

本文提出一种基于 (条件) 马尔科夫网络的框架，可以 effectively 地训练 probabilistic relational models，并使用近似概率推断对多个相关对象进行 collective classification，从而解决了先前方法的两个限制：有向模型无法表示许多重要的关系依赖性和难以用于判别式训练。在网页分类任务上的实验证明，建模关系依赖性可以显著提高分类准确性。

Dec, 2012

该研究介绍了两种形式化方法，将相对频率明确地纳入统计关系人工智能中，并提供了两种形式主义在不断扩大的域上诱导的渐近概率分布的表示，这有助于更好地对训练和测试域大小不同的学习问题进行建模和估算参数。

Feb, 2022

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

该论文提出了一种将概率论和第一阶逻辑相结合的方法，在有限域内具有 Herbrand 解释的情况下，定义了概率证明定理及其推广问题，然后提出了能够同时拥有图模型推理和一阶定理证明的完整能力的方法，并开发了一种高效算法。实验表明，当逻辑结构存在时，该算法远优于目前已有的方法。

Feb, 2012