Revisão de Classificadores Bayesianos de Primeira Ordem
Autores
2132 |
250,910
|
|
2133 |
250,910
|
Informações:
Publicações do PESC
Programas em Lógica Bayesianos (BLP), proposto por Kersting e De Raedt, são uma abordagem poderosa e elegante. de combinar a expressividade da lógica de primeira ordem com redes Bayesianas. Eles podem representar redes Bayesianas e programas em lógica, e seu núcleo em Prolog é uma adaptação de um meta- interpretador Prolog. Foi comparado com sucesso a outras abordagens existentes na literatura, incluindo Modelos Probabilísticos Relacionais (PRM). Algoritmos para aprender as componentes qualitativa e quantitativa de PRMs e BLPs foram desen- volvidos. Nesta tese desenvolvemos um algoritmo para revisar um BLP, composto por dois procedimentos. O primeiro procedimento encontra o BLP de maior proba- bilidade dentre um espaço de busca composto por hipóteses modificadas em lugares que falharam na classificação. Utiliza Revisão de Teorias através do sistema FORTE, desenvolvido por Richards e Mooney, o qual induz uma revisão de programas em lógica através de exemplos, e uma adaptação do algoritmo EM, proposto por Pfeffer e Koller, para o aprendizado da componente quantitativa(CPDs) do BLP. O segundo procedimento, busca o BLP de máxima probabilidade. Propomos que para classi- ficação, quando o BLP a ser revisto é aproximadamente correto, apenas o primeiro precise ser utilizado, e por usar técnicas de revisão de teoria e assim percorrer um espaço de hipóteses menor, pode ser uma escolha mais adequada do que os dois algoritmos de aprendizado acima mencionados.
Bayesian Logic Programs (BLP) by Kersting and De Raedt, is a powerful and elegant framework for combining the expressiveness of first arder logic with Bayesian networks. It can represent both Bayesian networks and logic programs, and its kerfiel in Prolog is an adaptation of an usual Prolog meta-interpreter. It has been successfully compared to other such proposals in the literature, including Probabilistic Relational Models(PRM). AIgorithms have been developed in arder to learn the qualitative and quantitative components of PRMs and BLPs. In this thesis we have developed an algorithm to revise a BLP, composed of two procedures. The first procedure finds the BLP with the highest probability in a search space composed of hypotheses only modified in places that failed in classification. It uses Theory Revision, through the FORTE system, developed by Richards and Mooney, which induces a revision of Logic Programs from examples, and an adaptation of the algorithm EM proposed Koller and Pfeffer for learning the quantitative component (CPDs) of the BLP. The second procedure searches for the BLP with the highest probabilistic scoring. We argue that when the BLP is approximately correct, only the first procedure needs to be run, and because of the use of theory revision techniques, it searches a smaller hypotheses space, and so can be a more adequate choice then the others approaches aforementioned.