| Texto completo | |
| Autor(es): |
Número total de Autores: 2
|
| Afiliação do(s) autor(es): | [1] Univ Sao Paulo, Escola Politecn, Sao Paulo - Brazil
Número total de Afiliações: 1
|
| Tipo de documento: | Artigo Científico |
| Fonte: | INTERNATIONAL JOURNAL OF APPROXIMATE REASONING; v. 136, p. 308-324, SEP 2021. |
| Citações Web of Science: | 0 |
| Resumo | |
How can we employ theoretical insights and practical tools from knowledge representation and reasoning to enhance machine learning, and when is it worthwhile to do so? This paper is based on an invited talk delivered at ECSQARU2019 around this question. It emphasizes the knowledge representation and reasoning side of knowledge-enhanced machine learning, looking at a few case studies: the finite model theory of probabilistic languages, the generation of explanations for embeddings, and an ``explainable{''} version of the Winograd Challenge. (C) 2021 Elsevier Inc. All rights reserved. (AU) | |
| 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: | 19/07665-4 - Centro de Inteligência Artificial |
| Beneficiário: | Fabio Gagliardi Cozman |
| Modalidade de apoio: | Auxílio à Pesquisa - Programa eScience e Data Science - Centros de Pesquisa Aplicada |
| Processo FAPESP: | 18/09681-4 - Avaliação dos esquemas de Winograd e o uso de conhecimento de senso comum para resolução de ambiguidades |
| Beneficiário: | Hugo Neri Munhoz |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |