Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Σταδιακή μάθηση σχεσιακής δομής σε Μαρκωβιανά Λογικά Δίκτυα με χρήση αξιωμάτων στο γνωστικό υπόβαθρο

Michelioudakis Evangelos

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/3408749F-D31C-4C84-9D50-E10E87EAFE86-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.64813-
Γλώσσαen-
Μέγεθος79 pagesen
ΤίτλοςOnline structure learning for Markov Logic Networks using background knowledge axiomatizationen
ΤίτλοςΣταδιακή μάθηση σχεσιακής δομής σε Μαρκωβιανά Λογικά Δίκτυα με χρήση αξιωμάτων στο γνωστικό υπόβαθροel
ΔημιουργόςMichelioudakis Evangelosen
ΔημιουργόςΜιχελιουδακης Ευαγγελοςel
Συντελεστής [Επιβλέπων Καθηγητής]Lagoudakis Michaelen
Συντελεστής [Επιβλέπων Καθηγητής]Λαγουδακης Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Garofalakis Minosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Γαροφαλακης Μινωςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Artikis, Alexanderen
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electronic and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηMany 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
ΠερίληψηΠολλά 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
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2016-04-26-
Ημερομηνία Δημοσίευσης2016-
Θεματική ΚατηγορίαΜάθηση σχεσιακής δομήςel
Θεματική ΚατηγορίαΜαρκωβιανά λογικά δίκτυαel
Θεματική ΚατηγορίαΛογισμός συμβάντωνel
Θεματική ΚατηγορίαEvent calculusen
Θεματική ΚατηγορίαMarkov logic networksen
Θεματική ΚατηγορίαStructure learningen
Βιβλιογραφική ΑναφοράEvangelos 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
Βιβλιογραφική ΑναφοράΕυαγγελος 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

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά