Aprendizado Relacional Através do Uso de Cláusulas Mais Específicas no Sistema C-IL2P

Autores

5340
Manoel Vitor Macedo França
2414,250
5341
Gerson Zaverucha
(Orientador)
2414,250

Informações:

Publicações do PESC

Título
Aprendizado Relacional Através do Uso de Cláusulas Mais Específicas no Sistema C-IL2P
Linha de pesquisa
Inteligência Artificial
Tipo de publicação
Dissertação de Mestrado
Número de registro
Data da defesa
18/12/2012
Resumo

Neste trabalho, é apresentado um algoritmo para aprendizado relacional usando um novo método de proposicionalização e aprendendo com redes neurais artificiais, através da extensão do sistema neuro-simbólico C-IL2P de Garcez e Zaverucha, nomeado CILP++, que usa conhecimento prévio codificado como um programa de lógica proposicional para construir uma rede neural artificial recorrente e aprende com exemplos através do algoritmo de retro-propagação. CILP++ incorpora uma série de melhorias, além da capacidade de lidar com regras de primeira ordem através do novo método de proposicionalização desenvolvido, Proposicionalização de Cláusulas Mais Específicas (BCP), que transforma cada exemplo de primeira ordem em cláusulas mais específicas e as usa como exemplos proposicionais. Cláusulas mais específicas são as fronteiras do espaço de busca de hipóteses de primeira-ordem que delimitam o numero máximo de literais que uma hipótese candidata pode possuir. Para comparações experimentais, três outros sistemas serão utilizados: Aleph, um sistema padrão de ILP; RSD, um método bem conhecido de proposicionalização; e o sistema construtor de árvores de decisão C4.5. Vários aspectos serão avaliados empiricamente: acurácia da classificação com medidas de tempo de execução; análise de seleção de atributos; como BCP se sai em comparação com o RSD; e análise de robustez a ruído multiplicativo. Os resultados mostram que: CILP++ obteve acurácia de classificação competitiva com Aleph, mas é geralmente mais rápido; com seleção de atributos, mais de 90% dos atributos podem ser eliminados com pouca perda em acurácia; os exemplos proposicionalizados com BCP obtiveram maior acurácia do que RSD quando aplicados na rede neural do CILP++ e acurácia equivalente quando aplicados no C4.5, mas em ambos os casos, BCP foi mais rápido; e que CILP++ não é robusto a ruído multiplicativo se comparado ao Aleph, porém Aleph mostrou um decaimento maior de acurácia maior do que CILP++ com o aumento da intensidade do ruído.

Abstract
In this work is introduced a fast algorithm for relational learning by using a novel propositionalization method and learning with artificial neural networks by extending Garcez and Zaverucha neural-symbolic system C-IL2P, named CILP++, which uses a background knowledge encoded as a propositional logic program to build a recurrent artificial neural network and learn from examples with back-propagation. CILP++ incorporates a number of improvements, as well as the capability of handling first order rules through a novel propositionalization method, Bottom Clause Propositionalization (BCP), which transforms each first-order example into bottom clauses and use them as propositional patterns. Bottom clauses are most-specific first-order hypothesis search boundaries which delimit the maximum literal number that a candidate hypothesis can have. For experimental comparisons, three other systems will be used: Aleph, as a standard ILP system; RSD, a well-known propositionalization method; and the C4.5 decision tree learner. Several aspects will be empirically evaluated: standard classification accuracy and runtime measurements; feature selection analysis; how BCP performs as a propositionalization method, in comparison with RSD; and robustness to multiplicative noise. The results show that: CILP++ has competitive classification accuracy if compared with Aleph, but it is generally faster; feature selection can successfully prune over 90% of features with only little accuracy loss; the examples which are propositionalized with BCP obtained better accuracy results than RSD when applied in CILP++'s neural network and both performed equally well when using the C4.5 learner, but on both cases, BCP was faster; and that CILP++ is not robust to multiplicative noise if compared to Aleph, even that Aleph showed higher accuracy loss than CILP++ when noise level started to go up.

Arquivo
1357826785.pdf
Topo