En modellteoretisk studie av sambandsinlärning inom artificiell intelligens

Tidsperiod:

1 januari 2024 – 31 december 2027

Projektledare:

Vera Koponen

Finansiär:

Vetenskapsrådet

Bidragstyp:

Projektbidrag

Budget:

3 520 000 SEK

Statistisk relationell artificiell intelligens (SRAI) är en gren av artificiell intelligens (AI) som förenar två viktiga strategier inom AI: Att resonera med säker information, som i logiken, och att resonera med osäker information, som i sannolikhetsteori och statistik. Ett viktigt begrepp inom SRAI är en så kallad probabilistisk grafisk modell (PGM). En sådan beskriver (betingade) sannolikheter samt beroenden mellan slumpvariabler som i denna studie representerar egenskaper eller relationer mellan objekt. Med en PGM vill man kunna dra slutsatser om händelsers sannolikhet på en godtycklig domän/population. För att begränsa tidsåtgången och kostnaden så lärs ofta en PGM från en mängd av träningsdata som är mycket mindre än den domän av objekt (tex människor, företag, webbsidor) som man vill använda PGM:en på. Hur kan då en PGM användas, på ett logiskt och statistiskt försvarbart sätt, på andra domäner än den som användes för att skapa PGM:en? Detta semantiska problem handlar, matematiskt sett, om hur PGM:en kan användas för att definiera en sannolikhetsdistribution på alla "möjliga världar/scenarier" på en viss domän D av objekt. När detta har gjorts så uppstår ett skalbarhetsproblem: I det typiska fallet vill man kunna göra prediktioner på en mycket stor domän. Den "direkta" metoden att att beräkna sannolikheten för varje scenario där en viss händelse inträffar och sedan addera sannolikheterna för dessa scenarier är oerhört ineffektiv och kräver exponetiellt ökande tidsåtgång om domänstorleken ökar. Alltså behövs effektivare, eller mer skalbara, metoder. Detta projekt tar sig an detta problem med hjälp av begrepp och metoder från ändlig modellteori som är en gren av matematisk logik och datavetenskap. Närmare bestämt så kommer projektet att studera så kallade logiska konvergenslagar, samt relaterade begrepp, för logiska konvergenslagar kan användas för att konstruera skalbara algoritmer för lärande av PGM:ar och användande av dessa för prediktion.