<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Probabilistic on 中文AI术语词典</title><link>https://terms-en.ai-term-hub.com/zh/tags/probabilistic/</link><description>Recent content in Probabilistic on 中文AI术语词典</description><generator>Hugo</generator><language>zh-cn</language><lastBuildDate>Sat, 18 Jul 2026 11:44:45 +0000</lastBuildDate><atom:link href="https://terms-en.ai-term-hub.com/zh/tags/probabilistic/index.xml" rel="self" type="application/rss+xml"/><item><title>统计关系学习</title><link>https://terms-en.ai-term-hub.com/zh/terms/statistical_relational_learning/</link><pubDate>Sat, 18 Jul 2026 11:35:19 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/statistical_relational_learning/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>统计关系学习（SRL）将概率论与关系数据结构相结合，使模型能够捕捉实体及其关系之间的依赖性。与标准统计方法不同，SRL能够同时处理对象属性和对象间的复杂关联。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>一个机器学习领域，将概率推理与一阶逻辑相结合，以处理数据中复杂的结构关系。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>马尔可夫逻辑网络&lt;/li>
&lt;li>关系依赖性&lt;/li>
&lt;li>一阶逻辑&lt;/li>
&lt;li>实体-关系建模&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>社交网络分析与链接预测&lt;/li>
&lt;li>生物通路建模&lt;/li>
&lt;li>知识图谱补全&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1-knowledge-graphs-%E7%94%A8%E4%BA%8E%E8%A1%A8%E7%A4%BA%E5%AE%9E%E4%BD%93%E9%97%B4%E5%85%B3%E7%B3%BB%E7%9A%84%E5%9B%BE%E7%BB%93%E6%9E%84/">知识图谱 (Knowledge graphs，用于表示实体间关系的图结构)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A6%82%E7%8E%87%E5%9B%BE%E6%A8%A1%E5%9E%8B-probabilistic-graphical-models-%E7%94%A8%E5%9B%BE%E8%A1%A8%E7%A4%BA%E6%A6%82%E7%8E%87%E4%BE%9D%E8%B5%96%E5%85%B3%E7%B3%BB/">概率图模型 (Probabilistic graphical models，用图表示概率依赖关系)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/%E5%BD%92%E7%BA%B3%E9%80%BB%E8%BE%91%E7%BC%96%E7%A8%8B-inductive-logic-programming-%E7%BB%93%E5%90%88%E9%80%BB%E8%BE%91%E4%B8%8E%E5%AD%A6%E4%B9%A0%E7%9A%84%E7%BC%96%E7%A8%8B%E8%8C%83%E5%BC%8F/">归纳逻辑编程 (Inductive logic programming，结合逻辑与学习的编程范式)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C-graph-neural-networks-%E5%A4%84%E7%90%86%E5%9B%BE%E7%BB%93%E6%9E%84%E6%95%B0%E6%8D%AE%E7%9A%84%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%A8%A1%E5%9E%8B/">图神经网络 (Graph neural networks，处理图结构数据的深度学习模型)&lt;/a>&lt;/li>
&lt;/ul></description></item><item><title>贝叶斯编程</title><link>https://terms-en.ai-term-hub.com/zh/terms/bayesian_programming/</link><pubDate>Sat, 18 Jul 2026 11:09:03 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/bayesian_programming/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>贝叶斯编程是一种数学框架，它将贝叶斯定理泛化以处理复杂的多层概率依赖关系。它允许开发者定义分层模型，其中变量之间存在条件依赖结构，从而能够更灵活地建模不确定性。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>一种形式化的概率推理框架，将贝叶斯推断扩展至复杂的分层模型。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>分层建模&lt;/li>
&lt;li>概率推理&lt;/li>
&lt;li>条件独立性&lt;/li>
&lt;li>不确定性量化&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>机器人感知系统&lt;/li>
&lt;li>自然语言处理&lt;/li>
&lt;li>医疗诊断支持&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/bayesian-inference-%E8%B4%9D%E5%8F%B6%E6%96%AF%E6%8E%A8%E6%96%AD/">Bayesian inference (贝叶斯推断)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/probabilistic-graphical-models-%E6%A6%82%E7%8E%87%E5%9B%BE%E6%A8%A1%E5%9E%8B/">Probabilistic graphical models (概率图模型)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/markov-chains-%E9%A9%AC%E5%B0%94%E5%8F%AF%E5%A4%AB%E9%93%BE/">Markov chains (马尔可夫链)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/latent-variable-models-%E6%BD%9C%E5%8F%98%E9%87%8F%E6%A8%A1%E5%9E%8B/">Latent variable models (潜变量模型)&lt;/a>&lt;/li>
&lt;/ul></description></item><item><title>贝叶斯学习机制</title><link>https://terms-en.ai-term-hub.com/zh/terms/bayesian_learning_mechanisms/</link><pubDate>Sat, 18 Jul 2026 11:08:51 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/bayesian_learning_mechanisms/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>贝叶斯学习机制利用贝叶斯定理更新关于模型参数的信念，将先验知识与观测数据相结合以形成后验分布。与频率学派方法不同，它明确量化了参数的不确定性。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>将模型参数视为具有概率分布的随机变量而非固定值的学习范式。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>后验分布&lt;/li>
&lt;li>先验信念&lt;/li>
&lt;li>不确定性量化&lt;/li>
&lt;li>贝叶斯定理&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>具有强先验的小数据集学习&lt;/li>
&lt;li>风险敏感型决策制定&lt;/li>
&lt;li>主动学习策略&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/variational_inference-%E5%8F%98%E5%88%86%E6%8E%A8%E6%96%AD/">variational_inference (变分推断)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/mcmc-%E9%A9%AC%E5%B0%94%E5%8F%AF%E5%A4%AB%E9%93%BE%E8%92%99%E7%89%B9%E5%8D%A1%E6%B4%9B/">mcmc (马尔可夫链蒙特卡洛)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/prior-%E5%85%88%E9%AA%8C/">prior (先验)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/posterior-%E5%90%8E%E9%AA%8C/">posterior (后验)&lt;/a>&lt;/li>
&lt;/ul></description></item></channel></rss>