Dissertação

Modelling the acquisition of symbolic concepts EVALUATED

A aprendizagem profunda está presente no nosso dia-a-dia. Desde diagnósticos médicos a deteção de fraudes, estamos todos expostos a isto sem nos apercebermos. Porém, ainda há um longo caminho a percorrer no que toca a humanizar a Inteligência Artificial. Estes modelos ainda não são capazes de aprender conhecimento estruturado, tal como a manipulação de símbolos matemáticos sem bias. Com este intuito, já foram desenvolvidas várias tentativas para construir um modelo capaz de resolver problemas aritméticos. Nesta tese, investigamos um destes modelos, proposto por Cognolato e Testolin [1], capaz de resolver um problema aritmético da adição. Modificámos o modelo para testar a robustez da arquitetura com problemas para a qual não foi desenvolvida para resolver, tal como a subtração. Realizámos um estudo para analisar o impacto halting mechanism e outros parâmetros. O modelo desenvolvido para a adição conseguiu generalizar o que aprendeu para um número superior de termos e dígitos. A implementação do modelo para a subtração sugeriu que a arquitetura pudesse precisar de ser modificada para resolver este problema. Foi ainda conduzido um estudo nos halting mechanisms que propôs que é mais benéfico utilizar mecanismos menos restritivo para resolver o problema da subtração.
Raciocínio Numérico, Adição Simbólica, Subtração Simbólica, Extrapolação, Aprendizagem Profunda, Universal Transformer

dezembro 6, 2022, 11:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Alberto Testolin

Universidade de Pádua

Assistant Professor

ORIENTADOR

Mário Alexandre Teles de Figueiredo

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático