Processos de decisão markovianos especificados com programação lógica probabilística: representação e solução

• Processo: 16/22900-1
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de março de 2017
• Data de Término da vigência: 29 de fevereiro de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Leliane Nunes de Barros
• Beneficiário: Thiago Pereira Bueno
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 15/01587-0 - Armazenagem, modelagem e análise de sistemas dinâmicos para aplicações em e-Science, AP.ESCIENCE.TEM
• Bolsa(s) vinculada(s): 17/21763-3 - Soluções eficientes para processos de decisão markovianos híbridos especificados com programação lógica probabilística: redes neurais profundas vs raciocínio simbólica, BE.EP.DD
• Assunto(s): Inteligência artificial Linguagem de programação Probabilidade Processos de Markov
• Palavra(s)-Chave do Pesquisador: Inteligência Artificial | Modelagem de Sistemas Dinâmicos | Planejamento Automatizado | Programação lógica probabilística | Redes bayesianas e redes probabilísticas booleanas | Representação de conhecimento e raciocínio probabilístico | Inteligência artificial

Resumo

Na área de planejamento probabilístico, para que seja possível resolver eficientemente problemas de tomada de decisão sequencial modelados por processos de decisão markovianos (MDPs), é fundamental manipular conhecimento estocástico definido sobre relações complexas que podem envolver características de transitividade, simetria, recursão, determinismos e independências sensíveis a contexto. No entanto, os formalismos tradicionais de representação usados pela comunidade de planejamento, e.g., PPDDL e RDDL, não permitem uma descrição explícita e compacta de todos esses aspectos de representação. Por outro lado, recentemente, um novo paradigma de modelagem probabilística tem ganhado espaço na área de representação de conhecimento e raciocínio sob incerteza. Ao adicionar a linguagens de programação recursos para representação de distribuições de probabilidade, as linguagens de programação probabilística têm oferecido um novo arcabouço de abstração que torna natural a especificação de modelos probabilísticos complexos envolvendo relações de simetria, transitividade e recursão que podem induzir dependências cíclicas entre variáveis --- o que não é permitido pela semântica das linguagens tradicionais de planejamento. Assim, neste trabalho de doutorado temos como objetivo investigar as vantagens de linguagens de programação probabilística para representação e solução de problemas de tomada de decisão sequencial e planejamento probabilístico comumente encontrados na área de inteligência artificial. (AU)

Publicações científicas

(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)

LOVATTO, ANGELO G.; BUENO, THIAGO P.; MAUA, DENIS D.; DE BARROS, LELIANE N.. Decision-Aware Model Learning for Actor-Critic Methods: When Theory Does Not Meet Practice. NEURIPS WORKSHOPS, 2020, v. 137, p. 11-pg., 2020-01-01. (16/22900-1)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

BUENO, Thiago Pereira. Planejamento em grafos de computação estocástica: resolvendo problemas estocásticos não-lineares com retropropagação de erros. 2021. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Matemática e Estatística (IME/SBI) São Paulo.