关于马尔科夫逻辑网络中的可投影性

Apr, 2022

关于马尔科夫逻辑网络中的可投影性

On Projectivity in Markov Logic Networks

Sagar Malhotra, Luciano Serafini

TL;DR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。

Abstract

markov logic networks (MLNs) define a probability distribution on relational structures over varying domain sizes. Many works have noticed that MLNs, like many other relational models, do not admit consistent marginal inference over varying domain sizes. Furthermore, MLNs learnt on a c

markov logic networks probabilistic models projectivity relational block model parameter learning

发现论文，激发创造

统计关系模型的可投射性完整特征描述

通过利用无限可交换阵列的表示定理，介绍了一类有向图形潜变量模型，精确对应于投影关系模型，此外，还获得了关于什么时候给定大小 - k 结构上的分布是在更大的 size-n 结构中的大小 - k 子结构的统计频率分布的表征。

Apr, 2020

推断、学习和种群大小：SRL 模型的投影性

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

工程性重新审视

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

神经马尔可夫逻辑网络

介绍了一种神经马尔可夫逻辑网络 (NMLNs) 的统计关系学习系统，其借鉴了马尔可夫逻辑的思想，通过神经网络隐式表示逻辑规则作为关系结构上的潜在势函数，克服了基于神经符号方法的嵌入缺失等问题，在知识库补全、三元组分类和分子 (图) 数据生成方面有较大的应用潜力。

May, 2019

无限域中的马尔科夫逻辑

本文将 Markov 逻辑推广到无限域，通过 Gibbs 测度来解决无限域的问题。

Jun, 2012

概率逻辑编程的渐近分析及其在表示正射系列分布中的应用

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

概率逻辑神经网络推理

该论文提出了一种基于 Markov Logic Network 和知识图谱嵌入方法的概率逻辑神经网络 (pLogicNet) 来推理缺失的三元组，该方法结合了两种技术的优点，并通过多重知识图实验证明了其优越性。

Jun, 2019

铰链损失马尔可夫随机场和概率软逻辑

本文介绍了两种新的模拟结构化数据的形式，并证明它们可以捕捉到丰富的结构并可扩展到大规模数据。第一种形式是铰接损失马尔可夫随机场（HL-MRFs），是一种新的概率图模型，可以推广凸轮廓推断的不同方法。第二种新形式是概率软逻辑（PSL），是一种基于一阶逻辑的概率编程语言，使 HL-MRFs 易于定义。这些算法使 HL-MRFs 和 PSL 能够可扩展地模拟以前无法达到的大规模丰富结构数据。

May, 2015

关系数据的判别性概率模型

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

分层模型作为分层模型的边缘

研究了利用较小交互的分层模型边缘表示其他分层模型的方法，并在二元变量和成对交互模型的边缘中着重研究了相互条件独立的隐藏变量。结果表明，每个隐藏变量可以自由地模拟可见变量之间的多个相互作用，可以将在比以前更少数量的隐藏变量的限制玻尔兹曼机中达到接近最佳结果的分布近似方法与使用前馈神经网络的软加计算单元的多项式的线性子空间的表示进行等价处理。

Aug, 2015