Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Structure Learning

Engels: Structure Learning · Ook wel: graph structure learning, network structure learning

In het kort

Structure learning is een methode die de onderliggende opbouw van gegevens als een netwerk van knopen en verbindingen ontdekt. Het systeem zoekt zelf verbanden, afhankelijkheden en wisselwerkingen tussen onderdelen, in plaats van vaste regels die een programmeur vooraf bedenkt. Onderzoekers zien zo precies welke onderdelen in een dataset met elkaar samenhangen, ook als die gegevens nog geen vaste tabelvorm hebben.

Waarom is dit belangrijk?

Grote patiëntbestanden worden zo doorzoekbaar op patronen die klachten en het ziekteverloop helpen verklaren. In de zorg helpt structure learning bij het ordenen van gegevens voor diagnose en behandelkeuzes, zoals bij hartziekten en gevolgen van kanker. Patiënten kunnen daardoor een begrijpelijker beeld van hun situatie krijgen, maar het gekozen patroon kan fout zijn doordat het aantal mogelijke schema's snel te groot wordt.

Zo werkt het in de praktijk

Alibaba gebruikt structure learning in de ticketverkoop. Een netwerk uit loggegevens wijst de oorzaak van boekingsfouten aan. Onderzoekers van de University of Alberta leren het netwerk alleen uit data over de mountain pine beetle, een keverplaag in bossen.

Een overzichtsartikel in Artificial Intelligence Review vergelijkt algoritmen voor structure learning. De vraag is welk netwerk de gegevens het best beschrijft, ook als de data ruis bevatten. Het artikel beschrijft hoe kennis van experts het zoeken kan sturen.

Bij structure learning zijn twee werkwijzen gebruikelijk. Constraint-based methoden testen of onderdelen onafhankelijk zijn en leggen zo de verbindingen vast. Score-based methoden geven mogelijke netwerken een score en houden de hoogste score, terwijl hybride methoden beide stappen mengen.

Gecontroleerd op 23 oktober 2026