Graphbasierte Lernverfahren für relationale Daten

Zusammenfassung.

Anhand zweier Anwendungsbeispiele aus der Induktiven Logischen Programmierung (ILP) wird die Fragestellung des Erlernens von Klassifikatoren für relational strukturierte Beispiele betrachtet. Es wird auf wesentliche Techniken und Fragen des graphbasierten und logischen Lernens, insbesondere auf Fragen des Aufwands eingegangen. Darauf aufbauend wird das Verfahren Indigo zur effizienten graphentheoretischen Transformation des relationalen in ein merkmalsbasiertes Lernproblem vorgestellt, welches den Einsatz von klassischen Lernverfahren wie CAL3 oder ID3 erlaubt. Am Beispiel von Indigo wird gezeigt, daß spezifisch graphentheoretische Ansätze und Algorithmen einen wertvollen Beitrag zur Behandlung von relationalen Lernproblemen erbringen können, der mit rein logischen Methoden, wie sie derzeit in der ILP untersucht werden, nicht entsprechend erzielt werden kann. Eine Aufgabenstellung dieser Arbeit ist deshalb die Gegenüberstellung von graphbasierten und logischen Lerntechniken am Beispiel des hybriden Lernverfahrens Tritop, welches Grundideen aus der Graphentheorie in einem logischen Gewand verwirklicht. Tritop verwendet die sog. $\alpha$-Subsumtion, eine Spezialisierung der bekannten $\theta$-Subsumtion, zur Klassifikation von Beispielen. Neben den beiden Lernverfahren gehen wir auf die effiziente Konstruktion von Klassenprototypen mit einem konnektionistischen Verfahren ein.

Abstract.

In this article, we discuss the problem of learning a classifier for relational data with two application examples from Inductive Logic Programming (ILP). We present important techniques and questions of graph based and logical learning, especially its computational complexity. Based on this discussion, the learning system Indigo is described, which relies on the efficient graph based transformation of the relational learning task into a feature based problem, which can be solved with classical feature based methods like CAL3 or ID3. Using Indigo as an example, it can be seen that graph theoretical approaches can make an important contribution to relational machine learning, that cannot be achieved in the same way with logical methods stemming from the field of ILP. Therefore, one concern of this work is the comparison of graph theoretical and logical learning methods. This is done by describing the hybrid learning system Tritop that uses graph theoretical methods together with a logical notation and ILP concepts like subsumtion of clauses. Tritop uses the so called $\alpha$-subsumption, a restriction of the well known $\theta$-subsumption. As an extension of the two learning systems, we also discuss the efficient construction of class prototypes using a neual network.