Dissertação

{en_GB=Classification with Markov Logic Networks in the presence of domain Knowledge} {} EVALUATED

{pt=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., en=In this work, we study the problem of learning to classify a set of instances based on an available training set and domain knowledge represented through a taxonomy. Classification is a family of supervised machine learning algorithms that assigns the input as belonging to one of several pre-defined classes. Traditionally, classification approaches tended to fall into two largely separate strands: one focused on logical representations, and one focused on statistical ones. Logical approaches deal better with the complexity of the real world while the statistical approaches excel on dealing with the uncertainty that is present in any real applications. As the real world is complex and uncertain, we think is important to explore methods that can have both characteristics. Markov Logic Networks (MLNs) combine logic and probability by attaching weights to first-order clauses. By combining logic and probability we can use the advantages of both. MLNs have gained traction in the Artificial Intelligence community in recent years because of this ability to combine the expressiveness of first-order logic with the robustness of probabilistic representations. We propose an approach to add domain knowledge, represented in taxonomies, in classification problems using MLNs to improve the performance of the algorithms.}
{pt=Machine Learning, Classificação, Taxonomias, Markov Logic Networks, en=Machine Learning, Classification, Taxonomies, 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