14 mai 2021
14:00 Defesa de Doutorado Integralmente a distância
Tema
Um Método de Engenharia de Conhecimento em Redes Bayesianas para Redução de Espaços Amostrais
Aluno
Dalton Ieda Fazanaro
Orientador / Docente
Hélio Pedrini
Breve resumo
Redes Bayesianas são modelos estatísticos hábeis em detectar as relações probabilísticas causais entre variáveis com significado semântico. Dadas evidências acerca dos estados de um subconjunto dessas variáveis em um problema modelado por redes Bayesianas, a distribuição das probabilidades para as demais são imediatamente atualizadas, propriedade esta que permite auxiliar o usuário na aquisição de informação sob incertezas, tanto em termos de diagnóstico quanto de predição. Há, inclusive, pesquisas em fluxo contínuo em Inteligência Artificial sobre como obter das redes Bayesianas explicações inteligíveis acerca dessas atualizações. Entretanto, problemas reais são, frequentemente, caracterizados por espaços amostrais de alta dimensionalidade, fato este que reduz a precisão e/ou a explicabilidade do modelo. Trabalhos anteriores sobre redução desses espaços concentravam-se, exclusivamente, na preservação de métricas de precisão, abordagem a qual estados semanticamente dissimilares eram agrupados, gerando redes Bayesianas menos significativas. A pesquisa aborda esse problema não resolvido de como preservar tanto a relevância semântica dos espaços amostrais das variáveis em uma rede Bayesiana quanto a precisão desta, enquanto tais espaços são reduzidos. Como um estudo de caso, empregou-se um modelo de rede Bayesiana construído sobre a base de dados do Departamento de Polícia da cidade de Chicago, EUA. Três métodos para a redução dos espaços amostrais são propostos, por meio de clusterização baseada em frequência, em similaridade semântica ou uma versão híbrida de ambos. A análise dos resultados concluiu que a versão híbrida apresenta melhor performance, sendo meritória de estudos para seu aprimoramento e consequente uso para Engenharia de Conhecimento em Redes Bayesianas.
Banca examinadora
Titulares:
| Hélio Pedrini | IC/UNICAMP |
| Ricardo Sandes Ehlers | ICMC/USP |
| Fabio Gagliardi Cozman | POLI/USP |
| Ronaldo Dias | IMECC/UNICAMP |
| Daiane Aparecida Zuanetti | DES/UFSCar |
Suplentes:
| André Santanché | IC/UNICAMP |
| Caio Lucidius Naberezny Azevedo | IMECC/UNICAMP |
| Luís Gustavo Nonato | ICMC/USP |