Schaalbare, interpreteerbare en versatiele modellen voor relationele data: ontwerp, inductie en inferentie

Dit doctoraat heeft de bedoeling strategieën aan te reiken om relationele leeralgoritmes te versnellen. Deze algoritmes kunnen, in tegenstelling tot propositionele leeralgoritmes, gebruikmaken van de complexe structuur bestaande uit links tussen entiteiten voor het leren van een concept.

Er zijn twee belangrijke ontwikkelingen die de nood voor het versnellen van relationeel leren illustreert: (1) relationele data wordt geproduceerd aan een duizelingwekkend tempo en huidige algoritmes kunnen deze volumes niet aan, en (2) huidig onderzoek focust zich voornamelijk op propositioneel leren.

Een aantal krachtige relationele leeralgoritmes bestaan, maar deze algorithmes schalen slecht. In de praktijk betekent dit slechts kleine hoeveelheden data kunnen worden verwerken. Bestaand onderzoek dat deze problemen aanpakt is voorlopig ontoereikend.

Dit onderzoek stelt een aantal nieuwe strategieën geïnspireerd door innovaties uit de databasegemeenschap voor om relationele leeralgoritmes op te schalen.  Specifiek kijken we naar technieken gebruikt door query optimalizatiesystemen en passen die toe op een aangepaste manier. We onderzoeken het gebruik van (1) nieuwe datarepresentaties, (2) grootte van query schattingstechnieken, en (3) (willekeurige) regelgeneratie voor het sneller ontdekken van relationele patronen.

Dit onderzoek doelt op het bouwen van relationele leersystemen die, bij een succesvol afronden van het onderzoek, onmiddellijk kunnen worden toegepast in een industriële setting.