Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
KI - Künstliche Intelligenz
Erschienen in: KI - Künstliche Intelligenz 1/2019

17.12.2018 | Dissertation and Habilitation Abstracts

Concepts and Algorithms for Computing Maximum Entropy Distributions for Knowledge Bases with Relational Probabilistic Conditionals

verfasst von: Marc Finthammer

Erschienen in: KI - Künstliche Intelligenz | Ausgabe 1/2019

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Excerpt

Many practical problems are concerned with incomplete and uncertain knowledge about domains where relations among different objects play an important role. Probabilistic conditionals provide an adequate way to express such uncertain, rule-like knowledge of the form “If A holds, then B holds with probability p”, where A and B may be not just propositional but relational formulas. For example, consider the following setting which takes places in movie business: An actor can be awarded with certain awards, e.g.  Oscar, Palme d’Or, Golden Bear. Depending on that, some director might consider to engage that actor with a probability of 0.3. This scenario can be modeled by the probabilistic conditional \(r\!: \left( {engage}(X, Z) \,|\, {awarded}(X, Y)\right) [0.3 ]\) where the variable X stands for some actor, Y for some award, and Z for some director. …
Vorheriger Artikel Dissertation Abstract: Qualitative Rational Reasoning with Finite Conditional Knowledge Bases
Nächster Artikel Multi-Context Reasoning in Continuous Data-Flow Environments

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

KI - Künstliche Intelligenz

The Scientific journal "KI – Künstliche Intelligenz" is the official journal of the division for artificial intelligence within the "Gesellschaft für Informatik e.V." (GI) – the German Informatics Society - with constributions from troughout the field of artificial intelligence.

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Weitere Produktempfehlungen anzeigen
Fußnoten
Literatur
1.
Beierle C, Kern-Isberner G, Finthammer M, Potyka N (2015) Extending and completing probabilistic knowledge and beliefs without bias. KI Künstliche Intelligenz 29(3):255–262CrossRef
2.
Beierle C, Krämer A (2015) Achieving parametric uniformity for knowledge bases in a relational probabilistic conditional logic with maximum entropy semantics. Ann Math Artif Intell 73:1–2MathSciNetCrossRefMATH
3.
Darroch JN, Ratcliff D (1972) Generalized iterative scaling for log-linear models. In: Annals of Mathematical Statistics, vol 43. Institute of Mathematical Statistics, pp 1470–1480
4.
Finthammer M (2017) Concepts and algorithms for computing maximum entropy distributions for knowledge bases with relational probabilistic conditionals. Dissertations in artificial intelligence. IOS Press
5.
Finthammer M, Beierle C (2016) On the relationship between aggregating semantics and FO-PCL grounding semantics for relational probabilistic conditionals. In: Beierle C, Brewka G, Thimm M (eds) Computational models of rationality. Essays Dedicated to Gabriele Kern-Isberner on the Occasion of her 60th Birthday, Tributes, vol 29. College Publications, pp 297–315
6.
Finthammer M, Thimm M (2012) An integrated development environment for probabilistic relational reasoning. Logic J IGPL 20(5):831–871MathSciNetCrossRefMATH
7.
8.
Kern-Isberner G (2001) Conditionals in nonmonotonic reasoning and belief revision, LNAI, vol 2087. Springer, New YorkCrossRefMATH
9.
Kern-Isberner G, Thimm M (2010) Novel semantical approaches to relational probabilistic conditionals. Proc KR 2010:382–392
10.
Paris JB (1994) The uncertain reasoner’s companion. Cambridge University Press, CambridgeMATH
11.
12.
Wilhelm M, Kern-Isberner G, Finthammer M, Beierle C (2018) A generalized iterative scaling algorithm for maximum entropy model computations respecting probabilistic independencies. In: Proceedings of FoIKS-2018
Metadaten
Titel
Concepts and Algorithms for Computing Maximum Entropy Distributions for Knowledge Bases with Relational Probabilistic Conditionals
verfasst von
Marc Finthammer
Publikationsdatum
17.12.2018
Verlag
Springer Berlin Heidelberg
Erschienen in
KI - Künstliche Intelligenz / Ausgabe 1/2019
Print ISSN: 0933-1875
Elektronische ISSN: 1610-1987
DOI
https://doi.org/10.1007/s13218-018-00572-z

Weitere Artikel der Ausgabe 1/2019

KI - Künstliche Intelligenz 1/2019 Zur Ausgabe

Interview

Intentional Forgetting: A Huge Potential for Organizations

Editorial

Can We Stop the Academic AI Brain Drain?

Technical Contribution

A Brief Survey on Forgetting from a Knowledge Representation and Reasoning Perspective

Technical Contribution

Please delete that! Why should I?

Technical Contribution

Managed Forgetting to Support Information Management and Knowledge Work

Discussion

Psychological Perspectives on Intentional Forgetting: An Overview of Concepts and Literature