Busca avançada
Ano de início
Entree

Inferência em linguagem natural de forma consistente e explicável

Processo: 23/00694-4
Modalidade de apoio:Auxílio à Pesquisa - Regular
Data de Início da vigência: 01 de maio de 2023
Data de Término da vigência: 31 de outubro de 2025
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Acordo de Cooperação: University of Manchester
Proposta de Mobilidade: SPRINT - Projetos de pesquisa - Mobilidade
Pesquisador responsável:Daniel Carlos Guimarães Pedronette
Beneficiário:Daniel Carlos Guimarães Pedronette
Pesquisador Responsável no exterior: Andre do Nascimento Freitas
Instituição Parceira no exterior: University of Manchester, Inglaterra
Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
Vinculado ao auxílio:18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação, AP.JP2
Assunto(s):Processamento de linguagem natural  Inferência  Inteligência artificial 
Palavra(s)-Chave do Pesquisador:contextual ranking | natural language inference | processamento de linguagem natural

Resumo

O Processamento de Linguagem Natural (PLN) refere-se a um ramo da inteligência artificial (IA) cujo objetivo consiste em dar aos computadores a capacidade de interpretar e raciocinar sobre as linguagens humanas. Intrinsecamente multidisciplinar, envolve a integração de diversas áreas de pesquisa, como linguística, lógica, informática e inteligência artificial. Em um mundo guiado principalmente pela tecnologia e cada vez mais apoiado por ferramentas baseadas em IA, o campo da PLN desempenha um papel fundamental, apoiando tecnologias para tradução automática, resposta a perguntas, recuperação de informações, geração de texto e sistemas de recomendação. Pressionado pelos avanços do aprendizado profundo e abordagens orientadas a dados em outros campos, como visão computacional e reconhecimento de padrões, o campo de PLN experimentou o advento e a popularidade de técnicas caixa-preta. Embora essas abordagens sejam eficazes, muitas vezes são menos interpretáveis. Nesse cenário, observa-se um interesse crescente por explicações e uma importância cada vez maior te aspectos de explicabilidade. Este projeto de pesquisa tem como objetivo investigar a construção de cadeias explicativas para inferência em linguagem natural com base na análise contextual e de consistência de informações de ranqueamento. Tal direção de pesquisa representa uma intersecção de interesses de pesquisa entre grupos da Universidade Estadual de São Paulo (UNESP) e da Universidade de Manchester. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

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)
LETICIO, GUSTAVO ROSSETO; VALEM, LUCAS PASCOTTI; LOPES, LEONARDO TADEU; GUIMARAES PEDRONETTE, DANIEL CARLOS. pyUDLF: A Python Framework for Unsupervised Distance Learning Tasks. PROCEEDINGS OF THE 31ST ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA, MM 2023, v. N/A, p. 5-pg., . (23/00694-4, 18/15597-6)
KAWAI, VINICIUS SATO; VALEM, LUCAS PASCOTTI; BALDASSIN, ALEXANDRO; BORIN, EDSON; PEDRONETTE, DANIEL CARLOS GUIMARAES; LATECKI, LONGIN JAN. Rank-based Hashing for Effective and Efficient Nearest Neighbor Search for Image Retrieval. ACM Transactions on Multimedia Computing Communications and Applications, v. 20, n. 10, p. 19-pg., . (18/15519-5, 23/00694-4, 18/15597-6)