TML（Tractable Markov Logic）是一个很棒的模型！为什么我还没有看到它被广泛用于人工智能的应用场景？
TML(Tractable Markov Logic) is a wonderful model! Why I haven't seen it being used for a wide of application scenarios of artificial intelligence?
我一直在看关于马尔可夫模型的论文，突然出现了像TML（Tractable Markov Logic）这样的伟大扩展。
它是马尔可夫逻辑的一个子集，并使用概率 class 和部分层次结构来控制复杂性。
这个模型既有复杂的逻辑结构，也有不确定性。
它可以表示对象、classes 和对象之间的关系，受某些限制，确保可以有效地查询 TML 中构建的任何模型中的推理。
我只是想知道为什么这么好的想法没有在像activity分析这样的应用场景领域广泛传播？
我的理解是，TML在模型大小上是多项式的，但是模型的大小需要编译到给定的问题，可能会呈指数级增长。所以，到头来，还是不太好驾驭。
但是，在编译后的表单将被多次使用的情况下使用它可能是有利的，因为这样对于多个查询只需要编译一次。此外，一旦您获得编译后的表格，您就会知道在 运行-时间方面会发生什么。
但是，我认为您没有看到 TML 得到更广泛使用的主要原因是它只是一种学术思想。没有基于它的健壮的通用系统。如果您尝试使用它来解决实际问题，您可能会发现它缺少某些实用功能。例如，没有办法用它来表示正态分布，而且很多问题都涉及到正态分布。在这种情况下，人们可能仍会使用 TML 论文背后的想法，但必须创建自己的实现，其中包括手头问题所需的更多功能。这是一个适用于许多学术思想的普遍问题。只有少数成为真正有用的和实用系统的基础。他们大多只在思想层面发挥影响。
我一直在看关于马尔可夫模型的论文，突然出现了像TML（Tractable Markov Logic）这样的伟大扩展。
它是马尔可夫逻辑的一个子集，并使用概率 class 和部分层次结构来控制复杂性。
这个模型既有复杂的逻辑结构，也有不确定性。
它可以表示对象、classes 和对象之间的关系，受某些限制，确保可以有效地查询 TML 中构建的任何模型中的推理。
我只是想知道为什么这么好的想法没有在像activity分析这样的应用场景领域广泛传播？
我的理解是，TML在模型大小上是多项式的，但是模型的大小需要编译到给定的问题，可能会呈指数级增长。所以，到头来，还是不太好驾驭。
但是，在编译后的表单将被多次使用的情况下使用它可能是有利的，因为这样对于多个查询只需要编译一次。此外，一旦您获得编译后的表格，您就会知道在 运行-时间方面会发生什么。
但是，我认为您没有看到 TML 得到更广泛使用的主要原因是它只是一种学术思想。没有基于它的健壮的通用系统。如果您尝试使用它来解决实际问题，您可能会发现它缺少某些实用功能。例如，没有办法用它来表示正态分布，而且很多问题都涉及到正态分布。在这种情况下，人们可能仍会使用 TML 论文背后的想法，但必须创建自己的实现，其中包括手头问题所需的更多功能。这是一个适用于许多学术思想的普遍问题。只有少数成为真正有用的和实用系统的基础。他们大多只在思想层面发挥影响。