Dissertação

Classification with Markov Logic Networks in the presence of domain Knowledge EVALUATED

Este trabalho teve como objectivo estudar o problema de aprender a classificar um conjunto de instâncias usando para este fim um conjunto de treino e conhecimento de domínio, representando por meio de taxonomias. A classificação é uma família de algoritmos supervisionados de machine learning que atribuiem uma classe, de conjunto de classes pré-definidas, a cada instância de um conjunto de dados. Tradicionalmente, os algoritmos de classificação pertencem a duas vertentes muito diferentes entre si: uma baseada em lógica e outra baseada em estatística. As abordagens lógicas lidam melhor com a complexidade do mundo real, enquanto as abordagens estatísticas se destacam ao lidar com a incerteza que está presente em qualquer aplicação real. Como o mundo real é complexo e incerto, pensamos que é importante explorar métodos que possam ambranger ambas as características. As Markov Logic Networks (MLNs) são uma abordagem que combina lógica de primeira ordem e metódos estatísticos adicionando para tal um peso a cada cláusula de primeira ordem. Combinando lógica e estatística podemos usar a vantagem de ambas as abordagens. As MLNs ganharam recentemente reconhecimento na comunidade de Inteligência Artificial por causa desta capacidade de combinar a expressividade da lógica de primeira ordem com a robustez dos métodos probabilísticos. Propomos uma abordagem para adicionar conhecimento de domínio, representado em taxonomias, em problemas de classificação usando MLNs para melhorar o desempenho dos algoritmos.
Machine Learning, Classificação, Taxonomias, Markov Logic Networks

Novembro 10, 2017, 14:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Claudia Martins Antunes

Departamento de Engenharia Informática (DEI)

Professor Auxiliar