Lógica probabilística baseada em redes Bayesianas relacionais com inferência em primeira ordem.

Autor(es)

Rodrigo Bellizia Polastro

• Tipo de documento: Tese de Doutorado
• Imprenta: São Paulo.
• Instituição: Universidade de São Paulo (USP). Escola Politécnica
• Data de defesa: 03-05-2012

Membros da banca

Fabio Gagliardi Cozman; Jaime Shinsuke Ide; Newton Maruyama; Kate Cerqueira Revoredo; José Reinaldo Silva

• Orientador: Fabio Gagliardi Cozman

Resumo

Este trabalho apresenta três principais contribuições: i. a proposta de uma nova lógica de descrição probabilística; ii. um novo algoritmo de inferência em primeira ordem a ser utilizado em terminologias representadas nessa lógica; e iii. aplicações práticas em problemas reais. A lógica aqui proposta, crALC (credal ALC), adiciona inclusões probabilísticas na popular lógica ALC combinando as terminologias com condições de aciclicidade, de Markov, e adotando uma semântica baseada em interpretações. Como os métodos de inferência exata tradicionalmente apresentam problemas de escalabilidade devido à presença de quantificadores (restrições universal e existencial), apresentamos um algoritmo de loopy propagation em primeira-ordem que se comporta bem para terminologias com domínios não triviais. Uma série de testes foi feita com o algoritmo proposto em comparação com algoritmos tradicionais da literatura; os resultados apresentados mostram uma clara vantagem em relação aos outros algoritmos. São apresentadas ainda duas aplicações da lógica e do algoritmo para resolver problemas reais da área de robótica móvel. Embora os problemas tratados sejam relativamente simples, eles constituem a base de muitos outros problemas da área, sendo um passo importante na representação de conhecimento de agentes/robôs autônomos e no raciocínio sobre esse conhecimento. (AU)

• Processo FAPESP: 08/53292-0 - Algoritmos para inferência e aprendizado de redes bayesianas relacionadas
• Beneficiário: Rodrigo Bellizia Polastro
• Linha de fomento: Bolsas no Brasil - Doutorado Direto