Learning Predictive Categories Using Lifted Relational Neural Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F17%3A00302620" target="_blank" >RIV/68407700:21230/17:00302620 - isvavai.cz</a>

Výsledek na webu

<a href="http://ilp16.doc.ic.ac.uk/" target="_blank" >http://ilp16.doc.ic.ac.uk/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-63342-8_9" target="_blank" >10.1007/978-3-319-63342-8_9</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Learning Predictive Categories Using Lifted Relational Neural Networks

Popis výsledku v původním jazyce

Lifted relational neural networks (LRNNs) are a flexible neuralsymbolic framework based on the idea of lifted modelling. In this paper we show how LRNNs can be easily used to declaratively specify and solve a learning problem in which latent categories of entities and properties need to be jointly induced.

Název v anglickém jazyce

Learning Predictive Categories Using Lifted Relational Neural Networks

Popis výsledku anglicky

Lifted relational neural networks (LRNNs) are a flexible neuralsymbolic framework based on the idea of lifted modelling. In this paper we show how LRNNs can be easily used to declaratively specify and solve a learning problem in which latent categories of entities and properties need to be jointly induced.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA17-26999S" target="_blank" >GA17-26999S: Hluboké relační učení</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)

ISBN

978-3-319-63341-1

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

12

Strana od-do

108-119

Název nakladatele

Springer-Verlag

Místo vydání

Berlin

Místo konání akce

London

Datum konání akce

4. 9. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—