Probabilistic Relational Models (PRMs) are a type of directed graphical model used in the setting of statistical relational learning. PRMs are an extension to Bayesian networks, a popular model which assumes independence between observations. A PRM aims to exploit the logical structure that is often present between observations. We present two approximate inference methods for PRMs. First, we propose an algorithm based on Gibbs sampling that makes use of the relational structure for fast and scalable inference. We then consider PRMs with reference uncertainty, which are models that contain uncertainty about the relational structure itself. We propose an inference method based on a Metropolis-Hasting algorithm which depends on a sparse data structure that decreases the model complexity. Finally we present a software framework called ProbReM that can be used to model and perform inference on PRMs. / Les modèles probabiliste relationel (MPRs) sont un type de modèle graphique utilisés dans le cadre de l'apprentissage relationnelle. Les MPR sont une extension des réseaux Bayésiens, soit un modèle aprécié qui suppose l'indépendance entre les observations. Un MPR vise à exploiter la structure logique qui est souvent présente entre les observations. Nous présentons deux méthodes d'inférence approximative pour les MPR. Premièrement, nous proposons un algorithme basé sur l'échantillonnage de Gibbs qui fait usage de la structure relationnelle pour l'inférence rapide et évolutif. Nous considerons ensuite les MPR à l'incertitude de référence, qui sont des modèles qui contiennent des incertitudes au sujet de la structure relationnelle elle-même. Nous proposons une méthode d'inférence basée sur un algorithme de Metropolis-Hasting, qui repose sur une structure de données éparses qui diminue la complexité du modèle. Enfin, nous présentons un logiciel appelé ProbReM qui peut être utilisé pour modeler et faire de l'inférence sur les MPR.
Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QMM.106522 |
Date | January 2012 |
Creators | Kaelin, Fabian |
Contributors | Doina Precup (Internal/Supervisor) |
Publisher | McGill University |
Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
Language | English |
Detected Language | French |
Type | Electronic Thesis or Dissertation |
Format | application/pdf |
Coverage | Master of Science (School of Computer Science) |
Rights | All items in eScholarship@McGill are protected by copyright with all rights reserved unless otherwise indicated. |
Relation | Electronically-submitted theses. |
Page generated in 0.0046 seconds