Busca avançada
Ano de início
Entree

Aprendizagem de modelos probabilísticos tratáveis e seu uso na classificação multirrótulo

Processo: 16/01055-1
Linha de fomento: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
Pesq. associados:Fabio Gagliardi Cozman
Assunto(s):Aprendizado computacional  Redes bayesianas  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)

Publicações científicas (5)
(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)
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, MAR 2019. Citações Web of Science: 0.
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, OCT 2018. Citações Web of Science: 0.
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, JUN 2017. Citações Web of Science: 1.
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, APR 2017. Citações Web of Science: 0.
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, 2017. Citações Web of Science: 5.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.