Busca avançada
Ano de início
Entree

Algoritmos para inferência e aprendizado de programas lógicos probabilísticos

Processo: 16/18841-0
Linha de fomento: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: IBM Brasil - Indústria, Máquinas e Serviços Ltda
Pesq. 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 

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:
Elevada produtividade 

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.
COZMAN, FABIO GAGLIARDI. Evenly convex credal sets. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING, v. 103, p. 124-138, DEC 2018. 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.
DE BONA, GLAUBER; COZMAN, FABIO G. On the Coherence of Probabilistic Relational Formalisms. Entropy, v. 20, n. 4 APR 2018. Citações Web of Science: 1.
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: 2.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.
Mapa da distribuição dos acessos desta página
Para ver o sumário de acessos desta página, clique aqui.