Diese Dissertation legt die Grundlage zur Entwicklung multirelationaler Lernverfahren, die strukturelle und topologische Anwendungsbereiche erfolgreich bearbeiten können. Obwohl viele gängige Anwendungsbereiche strukturelle und topologische Daten enthalten, ist es für herkommliche multirelationale Lernverfahren schwierig, diese Lernaufgabe zu bewältigen. Das liegt an der Komplexität ihres Suchraums, an ihrer Unbestimmtheit und an den vorliegenden nicht-diskriminierenden Relationen. Diese Arbeit stellt die Methoden macro-operators, Parallel-Suche und aktives induktives Lernen vor. Macro-operators sind eine formale Methode, um den Suchraum in den erwähnten Anwendungsbereichen einzuschränken. Zudem sind macro-operators geeignet zur Verringerung der Kurzsichtigkeit von auf gieriger Suche basierenden Systemen. Durch die Anwendung der Parallel-Suche, die auf zufällig ausgewählten Beispielen basiert, kann die Stabilität von example-driven Verfahren verbessert werden. Aktives induktives Lernen ist eine Methode, die eine effizientere Erforschung des Instanzenraums ermöglicht.
