Dissertação

Algorithms for Markov Logic Networks EVALUATED

Muitas aplicações do mundo real têm que lidar com incerteza. Assim, estas aplicações requerem métodos probabilísticos para representar informação do domínio de modo a descrever a sua probabilidade. As MLN associam fórmulas em lógica de primeira ordem a um valor real (peso) que representa a sua probabilidade. Esta tese investiga duas hipóteses. Em primeiro lugar, exploramos o uso de Satisfação Máxima incremental para resolver problemas de MLN. Métodos existentes que resolvem MLN dependem de várias chamadas independentes a uma ferramenta que resolve problemas de Satisfação parcial máxima com pesos (MaxSAT). O nosso objectivo principal é tirar proveito das recentes melhorias nas técnicas para resolver MaxSAT. Neste caso particular, queremos que as anteriores chamadas à ferramenta de MaxSAT sejam úteis para as chamadas seguintes. Em segundo lugar, exploramos a ideia de usar uma ferramenta que resolve problemas de Satisfação Módulo Teorias (SMT) para validar cada uma das regras. Algumas abordagens do estado da arte usam uma ferramenta de Datalog para validar as regras. Este método implica o uso de uma base de dados. Um dos nossos objectivos é evitar o uso de uma base de dados. No final, avaliamos a nossa abordagem com duas ferramentas do estado da arte (Tuffy e IPR). O nosso algoritmo, Inference using PROpagation and Validation (ImPROV) devolve soluções correctas e óptimas, que era o nosso principal objectivo.
Redes logicas de Markov, Satisfação Módulo Teorias, Satisfação Máxima

Novembro 10, 2017, 13:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Vasco Miguel Gomes Nunes Manquinho

Departamento de Engenharia Informática (DEI)

Professor Associado