Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Speeding up parameter and rule learning for acyclic probabilistic logic programs

Texto completo
Autor(es):
de Faria, Francisco H. O. Vieira [1] ; Gusmao, Arthur Colombini [1] ; De Bona, Glauber [1] ; Maua, Denis Deratani [2] ; Cozman, Fabio Gagliardi [1]
Número total de Autores: 5
Afiliação do(s) autor(es):
[1] Univ Sao Paulo, Escola Politecn, Sao Paulo - Brazil
[2] Univ Sao Paulo, Inst Matemat & Estat, Sao Paulo - Brazil
Número total de Afiliações: 2
Tipo de documento: Artigo Científico
Fonte: INTERNATIONAL JOURNAL OF APPROXIMATE REASONING; v. 106, p. 32-50, MAR 2019.
Citações Web of Science: 0
Resumo

This paper introduces techniques that speed-up parameter and rule learning for acyclic probabilistic logic programs. We focus on maximum likelihood estimation of parameters, and show that significant improvements can be obtained by efficiently handling probabilistic rules. We then move to structure learning, where we learn sets of rules, by introducing an algorithm that greatly simplifies exact score-based learning. Experiments demonstrate that our methods can produce orders of magnitude speed-ups over the state-of-art in parameter and rule learning. (C) 2018 Elsevier Inc. All rights reserved. (AU)

Processo FAPESP: 17/19007-6 - Algoritmos de inferência e aprendizagem para programação lógica probabilística
Beneficiário:Arthur Colombini Gusmão
Modalidade de apoio: Bolsas no Brasil - Mestrado
Processo FAPESP: 16/18841-0 - Algoritmos para inferência e aprendizado de programas lógicos probabilísticos
Beneficiário:Fabio Gagliardi Cozman
Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Processo FAPESP: 16/25928-4 - Extensões probabilísticas de fragmentos da lógica de primeira ordem
Beneficiário:Glauber de Bona
Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
Processo FAPESP: 16/01055-1 - Aprendizagem de Modelos Probabilísticos Tratáveis e seu Uso na Classificação Multirrótulo
Beneficiário:Denis Deratani Mauá
Modalidade de apoio: Auxílio à Pesquisa - Regular
Processo FAPESP: 15/21880-4 - PROVERBS -- Sistemas Booleanos Probabilísticos Super-restritos: ferramentas de raciocínio e aplicações
Beneficiário:Marcelo Finger
Modalidade de apoio: Auxílio à Pesquisa - Regular