In praktischen Anwendung ist es für Agenten wichtig, über eine große Menge von Objekten sinnvoll schlussfolgern zu können (und nicht nur über ein Objekt oder wenige). Dabei sollte erreicht werden, dass nicht jedes Objekt einzeln betrachtet werden muss, sondern für Gruppen von Objekten mit gleichen Eigenschaften jeweils Stellvertreter betrachtet werden können. In den Anwendung ist Information über einzelne Objekte mit Unsicherheit belegt, so dass Schlussfolgerungen über Unsicherheiten unterstützt werden müssen, und auch das zugrundeliegende Modell berücksichtigt Unsicherheiten.

Information über einzelne Objekte werden vom Agenten über der Zeit akquiriert, so dass auch zeitliches Schließen eine große Bedeutung in pratischen Anwendungen hat. Wenn nun aber Evidenz über einzelne Objekte über der Zeit eintrifft, so wird es immer weniger möglich, für Gruppen von Objekten effizient über Stellvertreter zu schließen, so dass Schlussfolgerungsprozesse zur Berechnung von optimalen Handlungen immer langsamer werden. In der Praxis sollte also über der Zeit wieder von "Einzeleindrücken" abstrahiert werden, ohne zu große Fehler für Einzelobjekte zu erzeugen.

Die Veröffentlichung löst das zeitliche Informationsabstraktionsproblem zum ersten Male im Rahmen von temporallen probabilistischen relationalen Modellen und stellt damit einen wichtigen Schritt zur stabilen Datenverarbeitung in einem Agenten dar, so dass Handlungen auch mit fortschreitend eintreffender Information über verschiedene Objekte effizient berechnet werden können und vom Agenten trotzdem viele Einzelobjekte "im Blick behalten werden können"

Marcel Gehrke, Tanya Braun, Ralf Möller: Taming Reasoning in Temporal Probabilistic Relational Models, in: Proceedings of the 24th European Conference on Artificial Intelligence (ECAI 2020), 2020