Проект направлен на решение нескольких актуальных проблем в статистическом реляционном обучении, которое представляет собой новый раздел теории машинного обучения, позволяющий обрабатывать массивы взаимосвязанных данных. Необходимость развития этого раздела вызвана наличием большого количества прикладных задач, не укладывающихся в рамки т.н. классической постановки задачи машинного обучения, при которой объекты (прецеденты) представляют собой независимые объекты, взятые из генеральной совокупности. При наличии внутренних взаимосвязей отношений между объектами применение традиционных методов становится некорректным и приводит к необходимости использования различных эвристик. Методы реляционного обучения предлагают новый подход к решению таких задач. Несмотря на определенные успехи (графические модели, байесовские сети, методы индуктивного логического программирования), в рамках этого подхода существует множество открытых в настоящее время проблем. Одна из наиболее острых проблем связана с потребностью в большой вычислительной мощности для обработки выборок относительно небольшого объема. Это сдерживает практическое применение этих методов для решения прикладных задач. В рамках проекта планируется разработать методы генерации зависимостей и обнаружения отношений в данных, методы обучения и определения весов зависимостей, методы вывода, основанные на т.н. недиагональной регуляризации алгоритмов машинного обучения, разработанных в 2006г. участниками проекта и позволяющих существенно сократить процесс обучения и вывода.