Dieses SpringerBrief behandelt die Herausforderungen bei der Analyse von multi-relationalen und verrauschten Daten, indem mehrere Methoden des statistischen relationalen Lernens (SRL) vorgeschlagen werden. Diese Methoden kombinieren die Ausdruckskraft der Prädikatenlogik mit der Fähigkeit der Wahrscheinlichkeitstheorie, Unsicherheiten zu bewältigen. Es wird ein Überblick über die Methoden und die wesentlichen Annahmen gegeben, die eine Anpassung an verschiedene Modelle und reale Anwendungen ermöglichen. Die Modelle sind aufgrund ihrer Kompaktheit und Verständlichkeit äusserst attraktiv, jedoch ist das Lernen ihrer Struktur rechenintensiv. Um dieses Problem zu bekämpfen, überprüfen die Autoren die Verwendung von funktionalen Gradienten zur Verbesserung der Struktur und der Parameter statistischer relationaler Modelle. Die Algorithmen wurden erfolgreich in mehreren SRL-Einstellungen angewendet und an verschiedene reale Probleme angepasst, von der Informationsgewinnung in Texten bis hin zu medizinischen Fragestellungen.