In einer zunehmend vernetzten Welt besteht ein wachsender Bedarf an aussagekräftigen Formalismen zur Beschreibung von Unsicherheit und komplexen, relationalen Strukturen, die in unserer Welt zu beobachten sind. Dies bedeutet vor allem, dass der Einfluss von immer mehr Objekten sowie deren Beziehungen zueinander in einem geeigneten Modell berücksichtigt werden müssen. Wenn ein Modell nur wenige Objekte umfasst, ist es noch recht klein. Sobald jedoch mehr Objekte einbezogen werden, d.h. mit zunehmender Domä- nengröße, steigt die Komplexität des Modells. Mit zunehmender Komplexität des Mod- ells steigt auch die Laufzeitkomplexität bei der Durchführung von Schlussfolgerungen auf der Grundlage des Modells. Mit zunehmender Größe der Domäne steigt jedoch auch die Wahrscheinlichkeit, dass repetitive Informationen im Modell enthalten sind. Wenn repet- itive Informationen in den Daten vorhanden sind, können diese genutzt werden, um die Herausforderung der zunehmenden Komplexität zu bewältigen. Im Feld der Statistical Rela- tional Artificial Intelligence (StaRAI) haben sich dynamische probabilistische relationale Mod- elle (DPRMs) zusammen mit angehobenen Inferenzansätzen, welche genau diesen Umstand auszunutzen, als erfolgreich herausbilden können. DPRMs beschreiben Abhängigkeiten zwischen Objekten, ihren Attributen und ihren Beziehungen auf eine kompakte Art und Weise, indem repetitive Informationen ausgenutzt werden. In angehobener Inferenz werden repetitive Informationen, die auch als Symmetrien bezeichnet werden, ausgenutzt, dadurch dass ein Objekt aus einer Gruppe von symmetrischen Objekten als Repräsentant für die gesamte Gruppe verwendet wird. Symmetrische Objekte und Strukturen sind in der Natur allgegenwärtig, allerdings verändern sich diese in fast jeder realen Umgebung im Laufe der Zeit, sodass Modelle, die die jeweilige Umgebung repräsentieren, an die Veränderun- gen der Umwelt kontinuierlich angepasst werden müssen. Daher konzentriert sich diese Arbeit auf die Anpassung von DPRMs an Umweltveränderungen, insbesondere an Verän- derungen der Domänengröße des Modells, der Wahrscheinlichkeitsverteilungen und der Symmetriestrukturen, die sich aus den Anforderungen einer realen Umgebung ergeben. Wir gliedern die Beiträge dieser Arbeit in drei Teile.
Im ersten Teil erweitern wir die Semantik von DPRMs für sich dynamisch ändernde Men- gen von Domänenobjekten, die anstelle von Variablen im Modell verwendet werden, sodass kompakte Domänenmodelle spezifiziert und effiziente Algorithmen zur Beantwortung von Anfragen bereitgestellt werden können. Im zweiten Teil stellen wir eine Symmetriekon- struktion, ein Ansatz zur Identifikation von temporalen Symmetrien, vor. Mittels eines Sym- bolisierungsschema werden Objektgruppen identifiziert, die sich im Laufe der Zeit gleich verhalten. Symmetriestrukturen können sich im Laufe der Zeit auflösen, z.B. wenn sich das Verhalten eines Objekts im Vergleich zu seiner Symmetriegruppe ändert oder wenn bes- timmte Informationen zur Laufzeit nicht verfügbar sind und erst im Nachhinein bekannt
werden. In diesem Fall kann das Verhalten jedoch aus dem Verhalten anderer Objekte, die sich ähnlich verhalten, abgeleitet werden, um eine angehobene Darstellung beizubehalten. Im dritten Teil stellen wir zwei Ansätze zur Erkennung von signifikanten Änderungen in der Modellstruktur vor, die ein Neulernen der Modellparameter erfordern. Im Kontext einer Anwendung aus dem Bereich der Bulk-Schifffahrt zeigen wir, dass die Erweiterungen von DPRMs Anpassungen an Umweltveränderungen ermöglichen und somit die Robustheit, Genauigkeit und die Fähigkeit zur effizienten Inferenz erhöhen.