Machine Learning and Natural Language Processing Lab

Student's Project

Logical Decision Programs

Bernd Gutmann, 2004

---

In vielen Entscheidungsprozessen spielen Zufallsereignisse eine wichtige Rolle. Influence Diagrams sind ein elegantes Werkzeug, um solche Szenarien zu modellieren. Ihnen fehlt jedoch die Möglichkeit, relationale Strukturen darzustellen, weshalb oft sehr große Modelle notwendig werden, die zudem noch bei jeder Änderung einer Relation neu erstellt werden müssen. Diese Studienarbeit schlägt eine Erweiterung von Bayesian Logic Programs vor, so dass sich damit relationale Influence Diagrams wie auch dynamische Influence Diagrams darstellen lassen. Zunächst werden die Grundlagen, wie Influence Diagrams und Bayesian Logic Programs, beschrieben. Basierend darauf wird eine Syntax vorgestellt, die beide Modelle kombiniert. Dazu wird eine Semantik vorgeschlagen, die sowohl mit BLPs als auch mit Influence Diagrams weitestgehend übereinstimmt und an die zusätzlichen Anforderungen von Influence Diagrams angepasst wurde. Abschließend werden noch Beispiele für mögliche Anwendungen von LDPs gezeigt sowie der Bezug zu schon vorhanden Erweiterungen von Influence Diagrams hergestellt.