| Processo: | 16/18841-0 |
| Modalidade de apoio: | Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE |
| Vigência: | 01 de agosto de 2017 - 31 de julho de 2019 |
| Área do conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Convênio/Acordo: | IBM Brasil |
| Pesquisador responsável: | Fabio Gagliardi Cozman |
| Beneficiário: | Fabio Gagliardi Cozman |
| Instituição Sede: | Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil |
| Empresa Sede: | IBM Brasil - Indústria, Máquinas e Serviços Ltda |
| Município: | São Paulo |
| Pesquisadores associados: | Denis Deratani Mauá |
| Bolsa(s) vinculada(s): | 17/19007-6 - Algoritmos de inferência e aprendizagem para programação lógica probabilística, BP.MS |
| Assunto(s): | Aprendizado computacional Programação lógica Inteligência artificial Raciocínio probabilístico |
| Palavra(s)-Chave do Pesquisador: | Aprendizado de Máquina | Inteligência Artificial | Programação Lógica | Raciocínio Probabilístico | Inteligência Artificial |
Resumo
O objetivo deste projeto é desenvolver técnicas para inferência e aprendizado de programas lógico-probabilísticos, visando a indução automática e escalável de regras probabilísticas a partir de grandes bases de conhecimento. Estas técnicas têm aplicação em busca e recuperação de informações, diagnóstico automático, sistemas de decisão e recomendação - aplicações que se beneficiam de bases de conhecimento grandes e acuradas. Pretende-se trabalhar em duas direções: 1) investigar as propriedades teóricas de programas lógico-probabilísticos, já que existem várias questões em aberto relativas a sua complexidade e, mais importante, 2) desenvolver algoritmos de inferência e aprendizado de melhor qualidade que os existentes, já que existe amplo espaço aberto quando se foca em aprendizado de regras para conjuntos de dados de grande escala. Em relação ao estudo teórico, o PI e Associate Researcher têm investigado a semântica e a complexidade desse tipo de programa, e pretende-se aqui ampliar esse estudo para abordar programas não-estratificados e programas com funções. Em relação ao desenvolvimento de algoritmos, pretende-se aqui implementar algoritmos no pacote ProbLog, um pacote livre que oferece métodos de inferência para programas lógico-probabilísticos, e que permite aprendizado de probabilidades a partir de dados. Existem sistemas que permitem aprendizado de regras (como o sistema ProbFOIL), mas o desempenho computacional de tais sistemas é hoje insuficiente para o processamento de conjuntos de dados de grande escala. A estratégia a ser seguida neste projeto será de melhorar algoritmos existentes importando alguns recursos que têm sido utilizados com sucesso recentemente na literatura de aprendizado de máquina, em especial o uso de arquiteturas em camada que são aprendidas uma camada por vez. O projeto será bem sucedido se: (1) levar a uma caracterização da semântica e da complexidade de uma classe substancial de programas lógico-probabilísticos (uma classe suficientemente grande para codificar conhecimento na base NELL), (2) adicionar ao pacote ProbLog recursos que o permitam realizar inferências em bases de conhecimento de grande escala (pretende-se focar na base NELL como a principal base de testes, e sucesso será atingido se for possível aprender novas regras com melhor acurácia do que métodos existentes). (AU)
| Matéria(s) publicada(s) na Revista Pesquisa FAPESP sobre o auxílio:: |
| Alta productividad |
| Alta productividad |
| Elevada produtividade |
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias (0 total): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |