Busca avançada
Ano de início
Entree

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

Processo: 16/22900-1
Linha de fomento:Bolsas no Brasil - Doutorado Direto
Vigência (Início): 01 de março de 2017
Vigência (Término): 29 de fevereiro de 2020
Área do 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

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)