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
Erschienen in:
Modular Ontologies as a Bridge Between Human Conceptualization and Data Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Lifted Dynamic Junction Tree Algorithm

verfasst von : Marcel Gehrke, Tanya Braun, Ralf Möller

Erschienen in: Graph-Based Representation and Reasoning

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Probabilistic models involving relational and temporal aspects need exact and efficient inference algorithms. Existing approaches are approximative, include unnecessary grounding, or do not consider the relational and temporal aspects of the models. One approach for efficient reasoning on relational static models given multiple queries is the lifted junction tree algorithm. In addition, for propositional temporal models, the interface algorithm allows for efficient reasoning. To leverage the advantages of the two algorithms for relational temporal models, we present the lifted dynamic junction tree algorithm, an exact algorithm to answer multiple queries efficiently for probabilistic relational temporal models with known domains by reusing computations for multiple queries and multiple time steps. First experiments show computational savings while appropriately accounting for relational and temporal aspects of models.

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

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

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
Vorheriges Kapitel Lifted Most Probable Explanation
Nächstes Kapitel Defining Argumentation Attacks in Practice: An Experiment in Food Packaging Consumer Expectations
Literatur
1.
Ahmadi, B., Kersting, K., Mladenov, M., Natarajan, S.: Exploiting symmetries for scaling loopy belief propagation and relational training. Mach. Learn. 92(1), 91–132 (2013)MathSciNetCrossRef
2.
3.
Braun, T., Möller, R.: Counting and conjunctive queries in the lifted junction tree algorithm. In: Croitoru, M., Marquis, P., Rudolph, S., Stapleton, G. (eds.) 5th International Workshop on Graph Structures for Knowledge Representation and Reasoning. LNCS, vol. 10775, pp. 54–72. Springer, Cham (2017). https://​doi.​org/​10.​1007/​978-3-319-78102-0_​3CrossRef
4.
Darwiche, A.: Modeling and Reasoning with Bayesian Networks. Cambridge University Press, Cambridge (2009)CrossRef
5.
Dignös, A., Böhlen, M.H., Gamper, J.: Temporal alignment. In: Proceedings of the 2012 ACM SIGMOD International Conference on Management of Data, pp. 433–444. ACM (2012)
6.
Dylla, M., Miliaraki, I., Theobald, M.: A temporal-probabilistic database model for information extraction. Proc. VLDB Endow. 6(14), 1810–1821 (2013)CrossRef
7.
Geier, T., Biundo, S.: Approximate online inference for dynamic Markov logic networks. In: Proceedings of the 23rd IEEE International Conference on Tools with Artificial Intelligence (ICTAI), pp. 764–768. IEEE (2011)
8.
Kanagal, B., Deshpande, A.: Lineage processing over correlated probabilistic databases. In: Proceedings of the 2010 ACM SIGMOD International Conference on Management of data, pp. 675–686. ACM (2010)
9.
Lauritzen, S.L., Spiegelhalter, D.J.: Local computations with probabilities on graphical structures and their application to expert systems. J. R. Stat. Soc. Ser. B (Methodol.) 50, 157–224 (1988)MathSciNetMATH
10.
Manfredotti, C.E.: Modeling and Inference with Relational Dynamic Bayesian Networks. Ph.D. thesis, Ph.D. Dissertation, University of Milano-Bicocca (2009)CrossRef
11.
Milch, B., Zettlemoyer, L.S., Kersting, K., Haimes, M., Kaelbling, L.P.: Lifted probabilistic inference with counting formulas. In: Proceedings of AAAI, vol. 8, pp. 1062–1068 (2008)
12.
Murphy, K., Weiss, Y.: The factored frontier algorithm for approximate inference in DBNs. In: Proceedings of the Seventeenth conference on Uncertainty in artificial intelligence, pp. 378–385. Morgan Kaufmann Publishers Inc. (2001)
13.
Murphy, K.P.: Dynamic Bayesian Networks: Representation, Inference and Learning. Ph.D. thesis, University of California, Berkeley (2002)
14.
Nitti, D., De Laet, T., De Raedt, L.: A particle filter for hybrid relational domains. In: Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 2764–2771. IEEE (2013)
15.
Papai, T., Kautz, H., Stefankovic, D.: Slice normalized dynamic Markov logic networks. In: Proceedings of the Advances in Neural Information Processing Systems, pp. 1907–1915 (2012)
16.
Poole, D.: First-order probabilistic inference. In: Proceedings of IJCAI, vol. 3, pp. 985–991 (2003)
17.
Richardson, M., Domingos, P.: Markov logic networks. Mach. Learn. 62(1), 107–136 (2006)CrossRef
18.
de Salvo Braz, R.: Lifted First-Order Probabilistic Inference. Ph.D. thesis, Ph.D. Dissertation, University of Illinois at Urbana Champaign (2007)
19.
Taghipour, N., Davis, J., Blockeel, H.: First-order decomposition trees. In: Proceedings of the Advances in Neural Information Processing Systems, pp. 1052–1060 (2013)
20.
Taghipour, N., Fierens, D., Davis, J., Blockeel, H.: Lifted variable elimination: decoupling the operators from the constraint language. J. Artif. Intell. Res. 47(1), 393–439 (2013)MathSciNetMATH
21.
Thon, I., Landwehr, N., De Raedt, L.: Stochastic relational processes: efficient inference and applications. Mach. Learn. 82(2), 239–272 (2011)MathSciNetCrossRef
22.
Vlasselaer, J., Van den Broeck, G., Kimmig, A., Meert, W., De Raedt, L.: TP-Compilation for inference in probabilistic logic programs. Int. J. Approx. Reason. 78, 15–32 (2016)CrossRef
23.
Vlasselaer, J., Meert, W., Van den Broeck, G., De Raedt, L.: Efficient probabilistic inference for dynamic relational models. In: AAAIWS’14-13 Proceedings of the 13th AAAI Conference on Statistical Relational AI, pp. 131–132. AAAI Press (2014)
Metadaten
Titel
Lifted Dynamic Junction Tree Algorithm
verfasst von
Marcel Gehrke
Tanya Braun
Ralf Möller
Copyright-Jahr
2018
Buch
Graph-Based Representation and Reasoning

Print ISBN: 978-3-319-91378-0

Electronic ISBN: 978-3-319-91379-7

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-91379-7_5