Aprendizaje Estadístico Relacional

El aprendizaje estadístico relacional (SRL, por sus siglas en inglés) es un subcampo de la inteligencia artificial que combina dos mundos: la lógica de primer orden, para representar la estructura relacional entre entidades, y los modelos probabilísticos, para manejar la incertidumbre. Une así el razonamiento sobre relaciones con las herramientas de la estadística.

El problema que resuelve

La mayor parte del aprendizaje automático asume que los datos son independientes y vienen en una tabla plana: una fila por ejemplo, sin conexiones entre ellas. Pero muchísimos datos reales son relacionales: las personas de una red social están conectadas, las proteínas interactúan, las entidades de un grafo de conocimiento se enlazan. En esos casos, las relaciones son la información. El SRL modela precisamente esa estructura interconectada, sin aplanarla.

Sus formalismos

Existen varios modelos de referencia. Las redes lógicas de Markov (Richardson y Domingos, 2006) asocian un peso a cada fórmula lógica, convirtiendo un conjunto de reglas con excepciones en un modelo probabilístico. Los modelos relacionales probabilísticos (Friedman, Getoor, Koller y Pfeffer, 1999) extienden las redes bayesianas a los datos relacionales. Y lenguajes como ProbLog añaden probabilidades a la programación lógica al estilo de Prolog.

En la intersección de dos campos

El SRL vive, por diseño, en un cruce de caminos. Toma la parte lógica de la programación lógica inductiva y la parte estadística de los modelos gráficos probabilísticos, y los funde. Por eso se le considera un pariente cercano de la inteligencia artificial neuro-simbólica, que persigue un objetivo emparentado: reconciliar el aprendizaje con el razonamiento estructurado.

Para qué sirve

Sus tareas típicas son propias de datos en red: la predicción de enlaces (adivinar qué conexiones faltan o aparecerán), la clasificación colectiva (clasificar entidades aprovechando las de su entorno) y la resolución de entidades. Se aplica a los grafos de conocimiento, la extracción de información y la bioinformática, donde ayuda a inferir relaciones desconocidas entre entidades biológicas.