Skalierbarkeit von Probabilistic Soft Logic

- Bachelorarbeit -


Beschreibung:

Probabilistic Soft Logic (PSL) ist ein Framework, welches in vielen Bereichen des maschinellen Lernens Anwendung findet (z.B. collective classification und link prediction). Ein PSL Programm besteht aus logischen Regeln und einer Input-Datenbank. Das Framework basiert auf einer abgewandelten Form der Prädikatenlogik, der sogenannten “soft logic“,  sowie probabilistischen grafischen Modellen. Bei der Verarbeitung von Daten stehen im Allgemeinen die Aussagekraft in Relation zur Skalierbarkeit. Je komplexer und größer die Daten und deren Abhängigkeiten, desto mehr Rechenleistung wird benötigt, um diese zu modellieren. Da verfügbare Datenmengen heutzutage zunehmend größer werden und sehr komplexe Strukturen haben können, ist eine gute Skalierbarkeit, die trotz dessen die Aussagekraft erfassen kann, von großer Bedeutung. In dieser Bachelorarbeit wird diese Eigenschaft in Bezug auf PSL untersucht. Unter anderem wird hierfür auf einen zur Verfügung gestellten Datensatz Probabilistic Soft Logic angewendet.

Anforderungen/Kenntnisse:
Java, Wissen um probabilistische grafische Modelle

Bearbeitung:
Fabian Kohrs

Betreuung:

Prof. Dr. rer. nat. Ralf Möller
Institut für Informationssysteme
Ratzeburger Allee 160 ( Gebäude 64 - 2. OG)
23562 Lübeck