Wielowarstwowe uczenie relacji. Podejście zbiorów przybliżonych.

W wielu algorytmach eksploracji danych zakłada się, że dane do analizy są jednorodne pod względem typu i struktury. Dane w rzeczywistych aplikacjach są na ogół bardziej złożone. Mogą być one różnych typów (np. dokumenty, autorzy, afiliacja w systemach wyszukiwania informacji, sytuacje na drodze w danych z symulatorów drogowych) lub/i są ze sobą związane pewnymi relacjami dokładnymi lub przybliżonymi (np. cytowania między dokumentami, bycie autorem dokumentu).

Odkrywanie relacji występujących w tych danych jest wielkim wyzwaniem w uczeniu maszynowym i eksploracji danych.  Aproksymacja relacji bezpośrednio z danych w wielu przypadkach napotka na różnorakie  trudności. Wynikają one między innymi z tego, że: (1) Właściwy język opisu relacji docelowej jest na wyższym poziomie abstrakcji niż język opisu danych, (2) Relacja docelowa jest zbyt złożona i nie da się skutecznie aproksymować bezpośrednio za pomocą cech danych dostępnych na niskim poziomie, (3) Przestrzeń przeszukiwań jest zbyt duża i bez interakcji z użytkownikami/ ekspertami oraz wzbogacenia wiedzą dziedzinową aproksymacje relacji okazują się być niskiej jakości.

W referacie  przedstawione będzie podejście wielowarstwowego uczenia relacji wraz z przykładami  użycia tego podejścia. Dyskutowana będzie możliwość zastosowania wielowarstwowego uczenia  w  grupowaniu dokumentów i przypisywania dokumentów do autorów (ang. matching problem).