Busca avançada
Ano de início
Entree

Aprendizagem de Modelos Probabilísticos Tratáveis e seu Uso na Classificação Multirrótulo

Processo: 16/01055-1
Modalidade de apoio:Auxílio à Pesquisa - Regular
Vigência: 01 de maio de 2016 - 30 de abril de 2018
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Denis Deratani Mauá
Beneficiário:Denis Deratani Mauá
Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
Pesquisadores associados:Fabio Gagliardi Cozman
Assunto(s):Aprendizado computacional  Redes bayesianas  Inteligência artificial 
Palavra(s)-Chave do Pesquisador:Aprendizagem de Maquina | modelos probabilísticos gráficos | modelos probabilísticos tratáveis | racionínio probabilístico | Redes Bayesianas | representação de conhecimento incerto | Inteligência Artificial

Resumo

Redes bayesianas permitem a representação compacta de conhecimento incerto. Existem fortes indícios vindos da complexidadecomputacional que realizar inferência em tais modelos leva tempo exponencial na largura de árvore, que mede a complexidade de um modelo.Limitar a largura de árvore dos modelos diminui seu poder representacional. Tal dimuição pode ser evitada sem aumento da complexidade de inferência através da introdução de variáveis latentes, isto é, de variáveis não observáveis. No entanto, os métodos existentes para aprendizagem de redes bayesianas de largura de árvore limitada não permitem variáveis latentes. Eles também são ineficazes em grandes domínios (com centenas ou até milhares de variáveis), o queimpossibilita sua aplicação em muitos problemas reais.Esse documento descreve uma proposta de pesquisa em métodos de aprendizagem de redes bayesianas de largura de árvore limitada que permitam variáveis latentes ou parcialmente observáveis, e que lidemsatisfatoriamente com domínios grandes. Tais métodos serão aplicados na construção de classificadores multirrótulos, ou seja, no aprendizado de funções que mapeiem objetos em conjuntos de classes relevantes. Diferentemente da classificação (monorrótulo) tradicional(onde cada objeto pertence a uma única classe), a relevância das classes é comumente correlacionada, o que demanda modelos mais sofisticados.Uma alternativa para a construção de classificadores eficientes é adotar outra classe de modelos probabilísticos com inferência tratável. Redes soma-produto são circuitos aritméticos para a representação de modelos probabilísticos. Inferência em uma rede soma-produto leva tempo linear em seu tamanho.Nessa pesquisa pretende-se desenvolver métodos de construção de classificadores multirrótulo baseados em redes soma-produto, comparando-as com seus análogos baseados em redes bayesianas. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas (15)
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
MAUA, DENIS DERATANI; CONATY, DIARMAID; COZMAN, FABIO GAGLIARDI; POPPENHAEGER, KATJA; DE CAMPOS, CASSIO POLPO. Robustifying sum-product networks. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING, v. 101, n. SI, p. 163-180, . (16/01055-1, 16/18841-0)
LLERENA, JULISSA VILLANUEVA; MAUA, DENIS DERATANI; IEEE. On Using Sum-Product Networks For Multi-Label Classification. 2017 6TH BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS), v. N/A, p. 6-pg., . (16/01055-1)
COZMAN, FABIO G.; MAUA, DENIS D.; ANTONUCCI, A; CHOLVY, L; PAPINI, O. The Complexity of Inferences and Explanations in Probabilistic Logic Programming. SYMBOLIC AND QUANTITATIVE APPROACHES TO REASONING WITH UNCERTAINTY, ECSQARU 2017, v. 10369, p. 10-pg., . (16/01055-1, 15/21880-4)
SILVEIRA, IGOR CATANEO; MAUA, DENIS DERATANI; IEEE. University Entrance Exam as a Guiding Test for Artificial Intelligence. 2017 6TH BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS), v. N/A, p. 6-pg., . (16/01055-1)
SILVEIRA, IGOR CATANEO; MAUA, DENIS DERATANI; IEEE. Advances in Automatically Solving the ENEM. 2018 7TH BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS), v. N/A, p. 6-pg., . (16/01055-1)
OTTE VIEIRA DE FARIA, FRANCISCO HENRIQUE; COZMAN, FABIO GAGLIARDI; MAUA, DENIS DERATANI; MORAL, S; PIVERT, O; SANCHEZ, D; MARIN, N. Closed-Form Solutions in Learning Probabilistic Logic Programs by Exact Score Maximization. SCALABLE UNCERTAINTY MANAGEMENT (SUM 2017), v. 10564, p. 15-pg., . (15/21880-4, 16/01055-1, 16/18841-0)
COZMAN, FABIO GAGLIARDI; MAUA, DENIS DERATANI. On the complexity of propositional and relational credal networks. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING, v. 83, p. 298-319, . (16/01055-1)
DE FARIA, FRANCISCO H. O. VIEIRA; GUSMAO, ARTHUR COLOMBINI; DE BONA, GLAUBER; MAUA, DENIS DERATANI; COZMAN, FABIO GAGLIARDI. Speeding up parameter and rule learning for acyclic probabilistic logic programs. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING, v. 106, p. 32-50, . (17/19007-6, 16/18841-0, 16/25928-4, 16/01055-1, 15/21880-4)
COZMAN, FABIO GAGLIARDI; MAUA, DENIS DERATANI. On the Semantics and Complexity of Probabilistic Logic Programs. JOURNAL OF ARTIFICIAL INTELLIGENCE RESEARCH, v. 60, p. 221-262, . (16/18841-0, 16/01055-1)
COZMAN, FABIO GAGLIARDI; MAUA, DENIS DERATANI; LANG, J. The Finite Model Theory of Bayesian Networks: Descriptive Complexity. PROCEEDINGS OF THE TWENTY-SEVENTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE, v. N/A, p. 5-pg., . (15/21880-4, 16/18841-0, 16/01055-1)
CONATY, DIARMAID; MAUA, DENIS D.; DE CAMPOS, CASSIO P.; AUAI. Approximation Complexity of Maximum A Posteriori Inference in Sum-Product Networks. 2022 25TH INTERNATIONAL CONFERENCE ON INFORMATION FUSION (FUSION 2022), v. N/A, p. 10-pg., . (16/01055-1)
ANDRES, IGNASI; DE BARROS, LELIANE NUNES; MAUA, DENIS D.; SIMAO, THIAGO D.; SIMARI, GR; FERME, E; SEGURA, FG; MELQUIADES, JAR. When a Robot Reaches Out for Human Help. ADVANCES IN ARTIFICIAL INTELLIGENCE - IBERAMIA 2018, v. 11238, p. 13-pg., . (15/01587-0, 16/01055-1)
MAUA, DENIS DERATANI; CONATY, DIARMAID; COZMAN, FABIO GAGLIARDI; POPPENHAEGER, KATJA; DE CAMPOS, CASSIO POLPO. Robustifying sum-product networks. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING, v. 101, p. 18-pg., . (16/01055-1, 16/18841-0)
BUENO, THIAGO P.; MAUA, DENIS D.; DE BARROS, LELIANE N.; COZMAN, FABIO G.; IEEE. Markov Decision Processes Specified by Probabilistic Logic Programming: Representation and Solution. PROCEEDINGS OF 2016 5TH BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS 2016), v. N/A, p. 6-pg., . (15/01587-0, 16/01055-1)
MAUA, DENIS DERATANI; COZMAN, FABIO GAGLIARDI. The effect of combination functions on the complexity of relational Bayesian networks. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING, v. 85, p. 178-195, . (16/01055-1)

Por favor, reporte erros na lista de publicações científicas utilizando este formulário.