| Texto completo | |
| Autor(es): |
Otte Vieira de Faria, Francisco Henrique
;
Cozman, Fabio Gagliardi
;
Maua, Denis Deratani
;
Moral, S
;
Pivert, O
;
Sanchez, D
;
Marin, N
Número total de Autores: 7
|
| Tipo de documento: | Artigo Científico |
| Fonte: | SCALABLE UNCERTAINTY MANAGEMENT (SUM 2017); v. 10564, p. 15-pg., 2017-01-01. |
| Resumo | |
We present an algorithm that learns acyclic propositional probabilistic logic programs from complete data, by adapting techniques from Bayesian network learning. Specifically, we focus on score-based learning and on exact maximum likelihood computations. Our main contribution is to show that by restricting any rule body to contain at most two literals, most needed optimization steps can be solved exactly. We describe experiments indicating that our techniques do produce accurate models from data with reduced numbers of parameters. (AU) | |
| 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 |
| 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: | 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 |