This thesis focuses on the statistical analysis of known and deducible facts in formal knowledge representations and the induction of uncertain knowledge from both. Hereby, the uncertainty of induced knowledge originates not only from a lack of information but also from potentially untrustworthy sources providing the facts. The main contribution is a machine learning algorithm that enforces hard constraints during the learning phase. This is achieved by checking description logic satisfiability of statements which are inductively inferred by an infinite latent-class multi-relational Bayesian learning method based on Dirichlet process mixture models. This guarantees the compliance of induced facts with deductive arguments and can lead to an improved cluster analysis and predictive performance. To demonstrate the effectiveness of our approach we provide experiments using ontologies of real world social networks and online auctions.     «

This thesis focuses on the statistical analysis of known and deducible facts in formal knowledge representations and the induction of uncertain knowledge from both. Hereby, the uncertainty of induced knowledge originates not only from a lack of information but also from potentially untrustworthy sources providing the facts. The main contribution is a machine learning algorithm that enforces hard constraints during the learning phase. This is achieved by checking description logic satisfiability...     »

Diese Arbeit untersucht die statistische Analyse von gegebenen und ableitbaren Fakten in formalen Wissensrepräsentationen und die Vorhersage von unsicherem Wissen daraus. Unsicherheit resultiert nicht nur aus ungenügender Information, sondern auch aus potentiell nicht vertrauenswürdigen Informationsquellen. Der Hauptbeitrag ist ein maschinelles Lernenverfahren, das die Einhaltung von Regeln während der Lernenphase erzwingt. Dies wird durch das Überprüfen der Erfüllbarkeit von Beschreibungslogikregeln gegenüber Fakten erreicht, die von einem Dirichlet-Prozess basierten multi-relationalen Bayesschen Mischmodell erzeugt werden. Die Übereinstimmung der Vorhersagen mit den ableitbaren Argumenten wird so sichergestellt und kann zu einer verbesserten Clusteranalyse und Vorhersagegenauigkeit führen. Anhand von Experimenten mit Ontologien von realen Sozialen Netzwerken und Online-Auktionen wird die Leistungsfähigkeit unseres Ansatzes gezeigt.     «

Diese Arbeit untersucht die statistische Analyse von gegebenen und ableitbaren Fakten in formalen Wissensrepräsentationen und die Vorhersage von unsicherem Wissen daraus. Unsicherheit resultiert nicht nur aus ungenügender Information, sondern auch aus potentiell nicht vertrauenswürdigen Informationsquellen. Der Hauptbeitrag ist ein maschinelles Lernenverfahren, das die Einhaltung von Regeln während der Lernenphase erzwingt. Dies wird durch das Überprüfen der Erfüllbarkeit von Beschreibungslogikr...     »