本文研究统计关系表示在不同规模域中的行为，并通过将域的概念从仅大小表示扩展到从数据库中获取的外延数据的函子，为更广泛的应用提供了 projectivity。将关于 projective families 的关键结果转移到了新的设置中，从而证明了 projectivity 和无限域上的分布之间的对应关系，并使用扩展后的 projectivity 定义了更强大的 sigma-projectivity。

Jul, 2022

本文研究了命题数据和关系数据之间微妙差别，指出在许多关系模型中，边缘概率取决于人口或领域的大小，将此与统计理论中的经典概率密度函数基本概念建立联系：Projectivity 意味着关系预测对领域大小的变化具有鲁棒性，讨论了许多常见 SRL 系统的 projectivity，找出了保证产生 projective 模型的语法片段，但语法条件是限制性的，这表明在 SRL 中难以实现 projectivity，应注意区分不同领域大小。

Jul, 2018

该论文研究了马尔可夫逻辑网络及其特征，提出了一种基于 projectivity 的模型 ——relational block model (RBM), 并证明了它是在二元片段中最佳 projective MLN，并且可以对采样数据进行一致的参数学习。

Apr, 2022

探讨了概率逻辑编程在统计关系人工智能中的具体应用及其在不同领域中的变化，解释了基于概率逻辑编程的统计关系表示随着变量域大小的复杂行为，揭示出抽象分布语义的必要性并给出了相应的具体证明。

Feb, 2021

通过分离自由随机组分和确定性部分抽象逻辑编程的核心思想，我们推广了支持概率逻辑编程的分布语义，包括从概率数据库、概率有限模型论和离散抬升贝叶斯网络框架，证明了确定性部分的一个有限的碎片足以表示所有可在广义分布语义中表示的投影分布族，但表明了许多有趣的投影分布族不能被表示在广义分布语义中。

Nov, 2022

本文采用超球面和双曲线模型空间的立体投影以及黎曼流形积的方法进行潜在图推理，实现与非投影对应物相当的性能，同时提供理论保证，避免当曲率趋近于零时空间发散的问题，并在同构和异构图上进行了实验。

Mar, 2023

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

提出了一种使用可能性逻辑来编码关系模型的统计关系学习方法，该方法相对于马尔可夫逻辑网络更快且产生的模型更容易解释。

May, 2017

本文介绍一种完全对称的关系模型，它引入了每个实体的无限维潜在变量作为狄利克雷过程模型的一部分，并扩展了中餐馆过程以适用于关系建模。该模型在三个应用中进行评估，并在复杂的关系模型中提供了显着改进的估计关系或实体描述属性的结果。

Jun, 2012

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