???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tede.ufam.edu.br/handle/tede/9028
???metadata.dc.type???: Dissertação
Title: Self-organized inductive learning in a multidimensional graph-like neural network framework
???metadata.dc.creator???: Schramm, Ana Carolina Melik 
???metadata.dc.contributor.advisor1???: Mota, Edjard Souza
???metadata.dc.contributor.referee1???: Fonseca, Paulo Cesar
???metadata.dc.contributor.referee2???: Cristo, Marco Antônio Pinheiro de
???metadata.dc.description.resumo???: Human cognition heavily relies on inductive learning, a process that the field of machine learning aims to replicate in artificial hardware/software. While connectionist learning methods have yielded great pragmatic results in this area, they still lack a model hierarchy of learning to explain their results. NeSy computing seeks to develop effective integration between connectionist and symbolic learning. As an effort to achieve this integration, NeMuS is a multi-dimensional graph structure, originally conceived with four spaces of codified elements of first-order logic, that learns patterns of refutation and performs inductive clausal reasoning to induce hypotheses that explain examples non-previously specified in a background knowledge. Recently, there was an experiment in which a connected background knowledge was trained using SOM to generate similarity of concepts according to their attributes, and their respective position within the concepts. In this experiment, induction was performed by human analysis on the organizational map of concepts. In this work, we seek a suitable method to generate neighbourhood patterns to be used for inductive learning and reasoning in order to reduce the search space of hypotheses. Additionally, we define a language bias able to handle predicate invention, to guide the process of generating such hypotheses.
Abstract: Cognição humana depende fortemente de aprendizagem indutiva, um processo que o campo de aprendizagem de máquina busca replicar em hardware/software artificial. Enquanto métodos de aprendizagem coneccionista resultaram em grandes resultados pragmáticos na área, ainda lhes falta uma hierarquia modelo de aprendizagem para explicar seus resultados. Computação NeSy busca desenvolver uma integração efetiva entre aprendizagem coneccionista e simbólica. Como um esforço para alcançar essa integração, NeMuS é uma estrutura de grafo multidimensional, originalmente concebida com quatro espaços de elementos codificados de lógica de primeira ordem, que aprende padrões de refutação e executa raciocínio indutivo clausal para induzir hipóteses que explicam exemplos não previamente especificados em uma base de conhecimento. Recentemente, houve um experimento em que uma base de conhecimento conectada foi treinada usando SOM para gerar similaridade de conceitos de acordo com seus atributos, e suas respectivas posições dentro dos conceitos. Nesse experimento, indução foi feita por análise humana do mapa organizacional de conceitos. Neste trabalho, nós buscamos um método adequado de gerar padrões de vizinhança para serem usados em aprendizagem e raciocínio indutivo para reduzir o espaço de busca de hipóteses. Adicionalmente, nós definimos um viés de linguagem capaz de lidar com invenção de predicados, para guiar o processo de gerar tais hipóteses.
Keywords: Inteligência artificial
Aprendizado de máquina
Redes neurais (Computação)
???metadata.dc.subject.cnpq???: CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO
???metadata.dc.subject.user???: Artificial intelligence
Neural-symbolic integration
Inductive clausal learning
Multidimensional graph neural network
Language: eng
???metadata.dc.publisher.country???: Brasil
Publisher: Universidade Federal do Amazonas
???metadata.dc.publisher.initials???: UFAM
???metadata.dc.publisher.department???: Instituto de Computação
???metadata.dc.publisher.program???: Programa de Pós-graduação em Informática
Citation: SCHRAMM, Ana Carolina Melik. Self-organized inductive learning in a multidimensional graph-like neural network framework. 2022. 59 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2022.
???metadata.dc.rights???: Acesso Aberto
URI: https://tede.ufam.edu.br/handle/tede/9028
Issue Date: 21-Mar-2022
Appears in Collections:Mestrado em Informática

Files in This Item:
File Description SizeFormat 
Dissertação_AnaSchramm_PPGI.pdf4.04 MBAdobe PDFThumbnail

Download/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.