Boosted Statistical Relational Learners: From Benchmarks to Data-Driven Medicine

این SpringerBrief با پیشنهاد چندین روش یادگیری رابطه‌ای آماری (SRL) به چالش‌های تجزیه و تحلیل داده‌های چند رابطه‌ای و پر سر و صدا می‌پردازد. این روش‌ها بیانگر منطق مرتبه اول و توانایی نظریه احتمال برای مدیریت عدم قطعیت را ترکیب می‌کنند. این یک نمای کلی از روش ها و مفروضات کلیدی را ارائه می دهد که امکان انطباق با مدل های مختلف و کاربردهای دنیای واقعی را فراهم می کند. مدل ها به دلیل فشرده بودن و قابل درک بودن بسیار جذاب هستند، اما یادگیری ساختار آنها از نظر محاسباتی فشرده است. برای مبارزه با این مشکل، نویسندگان استفاده از گرادیان‌های تابعی را برای تقویت ساختار و پارامترهای مدل‌های رابطه‌ای آماری بررسی می‌کنند. الگوریتم‌ها با موفقیت در چندین تنظیمات SRL اعمال شده‌اند و با چندین مشکل واقعی از استخراج اطلاعات در متن گرفته تا مشکلات پزشکی سازگار شده‌اند. تقویت یادگیری رابطه‌ای آماری از معیارها به پزشکی داده‌محور شامل هم زمینه و هم برنامه‌های به خوبی آزمایش‌شده، برای محققان و متخصصان یادگیری ماشین و داده‌کاوی طراحی شده است. مهندسان کامپیوتر یا دانشجویان علاقه مند به آمار، مدیریت داده یا انفورماتیک سلامت نیز این خلاصه را منبع ارزشمندی خواهند یافت.

This SpringerBrief addresses the challenges of analyzing multi-relational and noisy data by proposing several Statistical Relational Learning (SRL) methods. These methods combine the expressiveness of first-order logic and the ability of probability theory to handle uncertainty. It provides an overview of the methods and the key assumptions that allow for adaptation to different models and real world applications. The models are highly attractive due to their compactness and comprehensibility but learning their structure is computationally intensive. To combat this problem, the authors review the use of functional gradients for boosting the structure and the parameters of statistical relational models. The algorithms have been applied successfully in several SRL settings and have been adapted to several real problems from Information extraction in text to medical problems. Including both context and well-tested applications, Boosting Statistical Relational Learning from Benchmarks to Data-Driven Medicine is designed for researchers and professionals in machine learning and data mining. Computer engineers or students interested in statistics, data management, or health informatics will also find this brief a valuable resource.