EVENTO
Consistência em Modelos de Aprendizado de Máquina na Complementação de Grafos de Conhecimento
Tipo de evento: Exame de Qualificação
A inferência computacional de conhecimento não observado a partir de conhecimento observado é transversal a diversas áreas e aplicações. Para realizar esse tipo de inferência, pode-se recorrer a uma base, dita de conhecimento, na qual proposições e uma ontologia (e.g., regras e restrições) de uma área de interesse são representadas.Dado o caráter multirrelacional dessas bases, suas proposições são frequentemente dispostas em grafos de conhecimento. Mais ainda, diante da incompletude do conhecimento expresso nesses grafos, desenvolver modelos de aprendizado de máquina para sua complementação (e.g., inferência da veracidade de proposições não observadas) é tópico de pesquisa atual e relevante. Em particular, modelos de aprendizado que embutem a estrutura de grafos de conhecimento em espaços vetoriaisreais e complexos de baixa dimensionalidade (embeddings) demonstram resultados promissores. Entretanto, é necessária uma melhor compreensão sobre a consistência desses modelos frente a regras e restrições inerentes ao domínio de interesse. Por exemplo, um modelo de aprendizado é consistente com a regra R(x,y),R(y,z)→R(x,z) (transitividade da relação R) se ao inferir que as proposições R(x',y') e R(y,z) são verdadeiras, também infira que a proposição R(x',z') é verdadeira. Diante disso, comoproposta, nesta tese visa-se investigar (i) a consistência de modelos de aprendizado baseados em embeddings para complementação de grafos de conhecimento frente a regras e restrições lógicas descritas em uma ontologia e (ii) o desenvolvimento de modelos de complementação que possuam naturalmente essa classe de consistência. BIBLIOGRAFIA:BOTTOU, L. From Machine Learning to Machine Reasoning. Machine Learning,KluwerAcademic Publishers, Norwell, MA, USA, v. 94, n. 2, p. 133149, fev. 2014.GUTIÉRREZ-BASULTO, V.; SCHOCKAERT, S. From Knowledge Graph Embedding toOntology Embedding? An Analysis of the Compatibility between Vector SpaceRepresentations and Rules. Principles of Knowledge Representation and Reasoning:Proceedings of the Sixteenth International Conference, KR. Tempe, AR, USA, 2018.p. 379388.HAMILTON, W. L.; YING, R.; LESKOVEC, J. Representation Learning on Graphs:Methods and Applications. IEEE Data Eng. Bull., v. 40, p. 5274,2017.KARPATNE, A. et al. Theory-Guided Data Science: A New Paradigm for ScientificDiscovery from Data. IEEE Transactions on Knowledge and Data Engineering, v. 29,n. 10, p. 23182331, out. 2017.NICKEL, M. et al. A Review of Relational Machine Learning for Knowledge Graphs.Proceedings of the IEEE, v. 104, n. 1, p. 1133, jan. 2016.RATNER, A.; RÉ, C.; BAILIS, P. Research for Practice: Knowledge Base Construction in the Machine-learning Era. Commun. ACM, ACM, New York,NY, USA, v. 61, n. 11, p. 9597, out. 2018.TROUILLON, T. et al. On Inductive Abilities of Latent Factor Models for Relational Learning. Journal of Artificial Intelligence Research, AI Access Foundation, USA, v. 64, n. 1, p. 2153, jan. 2019.WANG, Q. et al. Knowledge Graph Embedding: A Survey of Approaches and Applications. IEEE Transactions on Knowledge and Data Engineering, v. 29, n. 12, p. 27242743, dez. 2017.XU, K. et al. How Powerful are Graph Neural Networks? International Conference on Learning Representations. 2019.ZHANG, W. et al. Iteratively Learning Embeddings and Rules for Knowledge Graph Reasoning. The World Wide
Data Início: 21/08/2019 Hora: 13:30 Data Fim: 21/08/2019 Hora: 16:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Auditorio A
Aluno: Daniel Nascimento Ramos da Silva - -
Orientador: Artur Ziviani - Laboratório Nacional de Computação Científica - LNCC Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: José Antônio de Fernandes Macedo - UFC - Luiz Manoel Rocha Gadelha Júnior - German Cancer Research Center - DKFZ Pablo Javier Blanco - Laboratório Nacional de Computação Científica - LNCC
Suplente Banca Examinadora: Antônio Tadeu Azevedo Gomes - Laboratório Nacional de Computação Científica - LNCC
