Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Online structure learning for Markov Logic Networks using background knowledge axiomatization

Michelioudakis Evangelos

Simple record


URIhttp://purl.tuc.gr/dl/dias/3408749F-D31C-4C84-9D50-E10E87EAFE86-
Identifierhttps://doi.org/10.26233/heallink.tuc.64813-
Languageen-
Extent79 pagesen
TitleOnline structure learning for Markov Logic Networks using background knowledge axiomatizationen
TitleΣταδιακή μάθηση σχεσιακής δομής σε Μαρκωβιανά Λογικά Δίκτυα με χρήση αξιωμάτων στο γνωστικό υπόβαθροel
CreatorMichelioudakis Evangelosen
CreatorΜιχελιουδακης Ευαγγελοςel
Contributor [Thesis Supervisor]Lagoudakis Michaelen
Contributor [Thesis Supervisor]Λαγουδακης Μιχαηλel
Contributor [Committee Member]Garofalakis Minosen
Contributor [Committee Member]Γαροφαλακης Μινωςel
Contributor [Committee Member]Artikis, Alexanderen
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electronic and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryMany domains of interest today are characterized by both uncertainty and complex relational structure. Therefore, probabilistic structure learning is a popular research topic in artificial intelligence and machine learning. The research area of Statistical Relational Learning (SRL) specifically attempts to effectively represent, reason, and learn in domains that are governed by these characteristics. This thesis studies the problem of probabilistic structure learning under the Markov Logic Networks (MLN) framework. In particular, it addresses the issue of exploiting background knowledge axiomatization to effectively constrain the space of possible structures by learning clauses subject to specific characteristics defined by these axioms. We focus on the domain of symbolic event recognition under uncertainty by using the axiomatization of a probabilistic variant of the Event Calculus (MLN−EC) as background knowledge. We employ an online strategy in order to effectively handle large training sets and incrementally refine the previously learned structure. We demonstrate the effectiveness of our method through experiments in the domain of activity recognition, using a publicly available benchmark dataset for video surveillance.en
Content SummaryΠολλά ενδιαφέροντα προβλήματα σήμερα χαρακτηρίζονται τόσο από αβεβαιότητα όσο και από περίπλοκη σχεσιακή δομή. Ως εκ τούτου, η πιθανοτική μάθηση σχεσιακής δομής είναι ένα δημοφιλές θέμα έρευνας στον τομέα της τεχνητής νοημοσύνης και της μηχανικής μάθησης. Η περιοχή έρευνας της Στατιστικής Σχεσιακής Μάθησης (Statistical Relational Learning) επιχειρεί να ανακαλύψει τρόπους για αποτελεσματική αναπαράσταση, πιθανοτικό συμπερασμό, και μηχανική μάθηση σε προβλήματα που διέπονται από αυτά τα χαρακτηριστικά. Αυτή η διατριβή μελετά το πρόβλημα της πιθανοτικής μάθησης σχεσιακής δομής υπό την σκοπιά των Μαρκωβιανών Λογικών Δικτύων (Markov Logic Networks). Ειδικότερα, εξετάζει το ζήτημα της αξιοποίησης αξιωμάτων που προϋπάρχουν ως γνωστικό υπόβαθρο ώστε να περιορίσει αποτελεσματικά το χώρο των πιθανών δομών μαθαίνοντας κανόνες που υπόκεινται σε ειδικά χαρακτηριστικά που ορίζουν αυτά τα αξιώματα. Επικεντρωνόμαστε στην περιοχή της συμβολικής αναγνώρισης γεγονότων υπό συνθήκες αβεβαιότητας, χρησιμοποιώντας τα αξιώματα που ορίζονται από μια πιθανοτική παραλλαγή του Λογισμού Συμβάντων (MLN−EC) ως γνωστικό υπόβαθρο. Χρησιμοποιούμε μια σταδιακή στρατηγική, προκειμένου να χειριστούμε αποτελεσματικά τα μεγάλα σύνολα εκπαίδευσης και να βελτιώσουμε σταδιακά την δομή σε κάθε βήμα της διαδικασίας. Αποδείκνυουμε την αποτελεσματικότητα της μεθόδου μας μέσα από πειράματα στον τομέα της αναγνώρισης ανθρώπινων δραστηριοτήτων, χρησιμοποιώντας ως μέτρο σύγκρισης ένα διαθέσιμο στο κοινό σύνολο δεδομένων από βιντεοεπιτήρηση.el
Type of ItemΜεταπτυχιακή Διατριβήel
Type of ItemMaster Thesisen
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2016-04-26-
Date of Publication2016-
SubjectΜάθηση σχεσιακής δομήςel
SubjectΜαρκωβιανά λογικά δίκτυαel
SubjectΛογισμός συμβάντωνel
SubjectEvent calculusen
SubjectMarkov logic networksen
SubjectStructure learningen
Bibliographic CitationEvangelos Michelioudakis, "Online structure learning for Markov Logic Networks using background knowledge axiomatization", Master Thesis, School of Electronic and Computer Engineering, Technical University of Crete, Chania, Greece, 2016en
Bibliographic CitationΕυαγγελος Μιχελιουδακης, "Σταδιακή μάθηση σχεσιακής δομής σε Μαρκωβιανά Λογικά Δίκτυα με χρήση αξιωμάτων στο γνωστικό υπόβαθρο", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2016el

Available Files

Services

Statistics