Revisão de Teorias Relacionais Probabilísticas Através de Exemplos com Invenção de Predicados

Aprendizado de máquina indutivo tem por objetivo o desenvolvimento de ferramentas e técnicas para induzir modelos a partir de observações e sintetizar novos conhecimentos através de experiências. Diferentes mecanismos de representação de conhecimento, como redes Bayesianas (RB) e teorias probabilísticas de primeira-ordem (TPPO), originam diferentes algoritmos de aprendizado. A maioria deles usa apenas o vocabulário fornecido explicitamente nos dados para construir os modelos. No entanto, informações implícitas sobre objetos do domínio podem enriquecer o processo de aprendizado, muitas vezes tornando o modelo aprendido mais eficiente e/ou compacto. É interessante, então, a extensão automática do vocabulário inicial, com novas estruturas que representem essas informações. Em RB essas estruturas são conhecidas como variáveis não-observadas e em aprendizado estatístico relacional predicados inventados probabilísticos. Por outro lado, em alguns casos, já existe um modelo que é aproximadamente correto podendo a sua estrutura ser alterada o mínimo possível de forma a refletir corretamente o dataset. Temos, então, um caso particular de aprendizado denominado revisão de teoria, a qual utiliza os exemplos para identificar pontos na estrutura do modelo que ao serem modificados melhoram a performance deste, denominados pontos de revisão, propondo modificações apenas neles. Nesta tese, nós investigamos os benefícios da extensão do vocabulário quando revisando modelos probabilísticos, utilizando uma abordagem discriminativa: as variáveis de consulta (em RB)/predicados objetivo (em TPPO) e as suas Coberturas de Markov são pontos de revisão. Operadores de revisão, baseados em invenção de novas estruturas, propostos por nós, são aplicados a esses pontos de revisão. Nossa proposta foi aplicada com sucesso em datasets artificiais e reais.