In Informationssystemen erheben eine Vielzahl von Sensoren Daten. Mit vielen Sensoren, die durchgehend Daten senden, ist ein manuelles Analysieren von Daten unmöglich. Um viele Daten analysieren zu können, muss diese Analyse automatisch mit Bezug auf ein Modell erfolgen. Das Ergebnis der Analyse könnte eine Entscheidung sein, welche das System direkt umsetzt oder die Ausgabe einer Empfehlung, was eine vernünftige Entscheidung wäre. Eine Möglichkeit, ein entsprechendes Modell zu konstruieren ist, maschinelles Lernen zu benutzen und ein probabilistisches Modell herzuleiten, welches mittels Zufallsvariablen die Struktur der Daten widerspiegelt. In einem Modell werden Zufallsvariablen sowohl für eine bekannte Anzahl von Individuen, welche von den Sensoren beobachtet werden, als auch für die Beziehungen zwischen den Individuen gelernt. Effizientes beantworten von Anfragen in probabilistischen Modellen mit einer bekannten Anzahl von Individuen wird durch Inferenz auf probabilistischen relationalen Modellen ermöglicht. Bestehende (statische) Inferenzverfahren für probabilistische relationale Modelle behandeln jedoch zeitliche Aspekte der gesammelten Daten nicht effizient. Bestehende Inferenzverfahren für temporale probabilistische relationalen Modellen sind approximativ, so dass ein möglicher Fehler entweder durch Approximationen beim Lernen des Modells entstanden sein können oder durch ein Approximieren bei einer Schlussfolgerung entstanden sein können. In dieser Dissertation untersuchen wir das Problem der exakten wiederholten Inferenz in temporalen probabilistischen relationalen Modellen, um die aufgezeigten Probleme zu beheben. Insbesondere präsentieren wir hierfür den Lifted Dynamic Junction Tree Algorithmus.
Der Lifted Dynamic Junction Tree Algorithmus ist ein exakter Algorithmus, der verwendet werden kann, um eine Vielzahl von Anfragen für temporale probabilistische relationale Modelle effizient zu beantworten. Der Algorithmus nutzt die Stärken des Lifted Junction Tree Algorithmus und des Interface Algorithmus zu seinem Vorteil. Der Lifted Dynamic Junction Tree Algorithmus stellt während des Übergangs von einem Zeitschritt zum nächsten Vorbedingungen des Liftings sicher, um einen gelifteten Vorwärts-Rückwärts-Algorithmus zu formen, der, wenn das Modell es zulässt, nicht groundet. Außer- dem erweitern wir die Anfragesprache des Algorithmus um konjunktive Anfragen und Zuweisungsanfragen sowie Anfragen bzgl. eines maximal erwarteten Nützlichkeitswertes zur Unterstützung der Entscheidungsfindung. Des Weiteren steuern wir neue Erkenntnisse zu gelifteten Beobachtungen bei. Zum einen führen wir unsichere Beobachtungen ein, d.h. (geliftete) Ereignisse kombiniert mit Wahrscheinlichkeiten. Zum anderen untersuchen wir die Auswirkungen von Beobachtungen, da Beobachtungen in einem temporalen relationalen Modell über die Zeit zu Groundings führen kann. Um dieses Problem abzumildern, präsentieren wir einen Algorithmus für die Beibehaltung einer gelifteten Repräsentation, indem wir in einem Modell Symmetrien mit einem kleinen begrenzten Fehler approximieren.
Wir werten jeden Beitrag dieser Dissertation empirisch aus und überprüfen, wie die Algorithmen funktionieren, während wir die Anzahl der Instanzen und die maximale Anzahl der Zeitschritte erhöhen. Darüber hinaus erarbeiten wir für jeden Teil der Arbeit eine umfangreiche theoretische Analyse. Wir untersuchen außerdem die Verbindung zum Lifting Junction Tree Algorithmus und dem Interface Algorithmus sowie die Beziehung zwischen Lifting und dem Behandeln zeitlicher Aspekte.