Generative Relational Models
Project goals
In this project we propose to study generative relational models. In particular, the proposed project has four main parts that we plan to address. The first part is the development of a proper theoretical foundation for learning generative relational models from data, as the current state of learning theory in the field of statistical relational learning is very unsatisfactory. The second part is the development of the framework of neural Markov logic networks that we propose in order to combine the ability of Markov logic networks to transfer over different relational domains with the representation learning capabilities of neural networks. The third part is the framework of relational variational autoencoders that we propose in order to combine efficiency of lifted inference for modelling very symmetric distributions with the ability of lifted relational neural networks (which we introduced in our previous works) to learn latent representations of relational data. Finally, the fourth part of the is further development of lifted relational neural networks for generative modelling.
Keywords
relational-machine-learningstatistical-relational-learningstatistical-relational-artificial-intelligence
Public support
Provider
Czech Science Foundation
Programme
Junior Grants
Call for proposals
SGA0202000002
Main participants
České vysoké učení technické v Praze / Fakulta elektrotechnická
Contest type
VS - Public tender
Contract ID
20-19104Y
Alternative language
Project name in Czech
Generativní relační modely
Annotation in Czech
V tomto projektu navrhujeme studovat generativní relační modely. Navrhovaný projekt konkrétně sestává ze čtyř hlavních částí. První z těchto částí je práce na teoretických základech generativních modelů statistického relačního učení, což je nezbytné vzhledem k neuspokojivému stavu teorie učení v této části strojového učení. Druhou částí je vytvoření nového přístupu, který navrhujeme a provizorně nazýváme neurální Markovská logika a který by měl kombinovat schopnost Markovské logiky modelovat různrorodé relační domény se schopností neuronových sítí efektivně se učit reprezentace dat. Třetí částí jsou relační variační autoenkodery, které by měly kombinovat efektivnost tzv. lifted inference pro modelování velmi symetrických distribucí se schopnostmi tzv. “lifted relational neural networks” (které jsme již dříve navrhli) efektivně se učit reprezentace relačních dat. Poslední čtvrtá část se pak týká právě dalšího vývoje “lifted relational neural networks” tak, aby je bylo možné co možná nejefektivněji použít pro generativní modelování relačních dat.
Scientific branches
R&D category
ZV - Basic research
OECD FORD - main branch
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
OECD FORD - secondary branch
—
OECD FORD - another secondary branch
—
AF - Documentation, librarianship, work with information
BC - Theory and management systems
BD - Information theory
IN - Informatics
Solution timeline
Realization period - beginning
Jan 1, 2020
Realization period - end
Jun 30, 2023
Project status
—
Latest support payment
Apr 1, 2023
Data delivery to CEP
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data delivery code
CEP24-GA0-GJ-R
Data delivery date
May 21, 2024
Finance
Total approved costs
7,082 thou. CZK
Public financial support
7,082 thou. CZK
Other public sources
0 thou. CZK
Non public and foreign sources
0 thou. CZK
Basic information
Recognised costs
7 082 CZK thou.
Public support
7 082 CZK thou.
100%
Provider
Czech Science Foundation
OECD FORD
Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Solution period
01. 01. 2020 - 30. 06. 2023