Aprendizagem temporal neuro simbólica em redes de tensores lógicos

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Rakowski, André Luciano
Orientador(a): Lamb, Luis da Cunha
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Inteligência artificial
Aprendizado profundo
Raciocínio
Redes neurais
Palavras-chave em Inglês:
Neuro-Symbolic AI
Temporal learning and reasoning
Logical tensor net works
Temporal logic
Link de acesso: http://hdl.handle.net/10183/276984
Resumo: A Inteligência Artificial (IA) e o Aprendizado Profundo trouxeram grandes mudanças para várias áreas da sociedade, da pesquisa à aplicação na indústria e se tornaram onipresentes. No entanto, ainda há questões em aberto e preocupações sobre a confiança na IA. Idealmente, um sistema de IA deve ser semanticamente sólido, explicável e confiável. Para atingir tais objetivos, sistemas que integram aprendizado e raciocínio incluem uma camada de raciocínio sólido combinada com estruturas de aprendizado profundo. A IA neuro-simbólica visa integrar a eficácia do aprendizado neural com a solidez do raciocínio lógico para obter ferramentas e modelos mais ricos. Um dos desafios é a integração do aprendizado e do raciocínio sobre o tempo nas redes neurais. Este trabalho integra o aprendizado e raciocínio temporal em sistemas neuro-simbólicos baseados em lógica de primeira ordem. Para fazer isso, mostra-se como adicionar aprendizado e raciocínio tem poral nas Redes de Tensores Lógicos (LTN), um framework que combina aprendizagem e raciocínio simbólico e neural com a utilização de tensores. A adição de um novo predicado para especificar propriedades temporais em sistemas de aprendizado permite uma representação e raciocínio mais ricos sobre um grande número de problemas, que exigem explicitamente uma dimensão temporal. Este trabalho também mostra como a LTN passa a aprender e raciocinar sobre uma classe geral de problemas usando raciocínio temporal e conhecimento distribuído e resolver problemas complexos e evolutivos de aprendizado distribuído. Portanto, dentre os principais resultados e contribuições, destaca-se o aprendizado e o raciocínio temporal sobre problemas complexos de computação envolvendo modelagem de tempo, incluindo tempo distribuído. A modelagem de redes neurais neuro simbólicas com o uso de axiomas temporais e regras claras também proporciona maior interpretabilidade, permitindo uma melhor compreensão da implementação do sistema neuro-simbólico proposto e, principalmente, maior escalabilidade e generalidade.
id URGS_ff02fe86a3acff626eeb0ce9064695d6
oai_identifier_str oai:www.lume.ufrgs.br:10183/276984
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Rakowski, André LucianoLamb, Luis da Cunha2024-08-06T06:36:48Z2024http://hdl.handle.net/10183/276984001208039A Inteligência Artificial (IA) e o Aprendizado Profundo trouxeram grandes mudanças para várias áreas da sociedade, da pesquisa à aplicação na indústria e se tornaram onipresentes. No entanto, ainda há questões em aberto e preocupações sobre a confiança na IA. Idealmente, um sistema de IA deve ser semanticamente sólido, explicável e confiável. Para atingir tais objetivos, sistemas que integram aprendizado e raciocínio incluem uma camada de raciocínio sólido combinada com estruturas de aprendizado profundo. A IA neuro-simbólica visa integrar a eficácia do aprendizado neural com a solidez do raciocínio lógico para obter ferramentas e modelos mais ricos. Um dos desafios é a integração do aprendizado e do raciocínio sobre o tempo nas redes neurais. Este trabalho integra o aprendizado e raciocínio temporal em sistemas neuro-simbólicos baseados em lógica de primeira ordem. Para fazer isso, mostra-se como adicionar aprendizado e raciocínio tem poral nas Redes de Tensores Lógicos (LTN), um framework que combina aprendizagem e raciocínio simbólico e neural com a utilização de tensores. A adição de um novo predicado para especificar propriedades temporais em sistemas de aprendizado permite uma representação e raciocínio mais ricos sobre um grande número de problemas, que exigem explicitamente uma dimensão temporal. Este trabalho também mostra como a LTN passa a aprender e raciocinar sobre uma classe geral de problemas usando raciocínio temporal e conhecimento distribuído e resolver problemas complexos e evolutivos de aprendizado distribuído. Portanto, dentre os principais resultados e contribuições, destaca-se o aprendizado e o raciocínio temporal sobre problemas complexos de computação envolvendo modelagem de tempo, incluindo tempo distribuído. A modelagem de redes neurais neuro simbólicas com o uso de axiomas temporais e regras claras também proporciona maior interpretabilidade, permitindo uma melhor compreensão da implementação do sistema neuro-simbólico proposto e, principalmente, maior escalabilidade e generalidade.Artificial Intelligence (AI) and Deep Learning have changed many areas of society, from research to industrial applications, and have become ubiquitous. However, there are still open questions and concerns about trust in AI. Ideally, an AI system should be seman tically sound, explainable, and trustworthy. To achieve these goals, systems that inte grate learning and reasoning include a sound reasoning layer combined with deep learning frameworks. Neuro-symbolic AI aims to integrate the power of neural learning with the soundness of logical reasoning to obtain richer tools and models. One of the challenges is the integration of learning and reasoning about time in neural networks. This work in tegrates temporal learning and reasoning in neuro-symbolic systems based on first-order logic. To do this, we show how to add temporal learning and reasoning to Logical Tensor Networks (LTN), a framework that combines symbolic and neural learning and reasoning using tensors. The addition of a new predicate to specify temporal properties in learning systems allows for a richer representation and reasoning about a large number of prob lems, which explicitly require a temporal dimension. This work also shows how LTN can learn and reason about a general class of problems using temporal reasoning and dis tributed knowledge and solve complex and evolutionary distributed learning problems. Therefore, among the main results and contributions, we highlight the temporal learning and reasoning about complex computing problems involving time modeling, including distributed time. The modeling of neuro-symbolic neural networks using temporal ax ioms and clear rules also provides greater interpretability, allowing a better understanding of the implementation of the proposed neuro-symbolic system and, mainly, greater scala bility and generalityapplication/pdfporInteligência artificialAprendizado profundoRaciocínioRedes neuraisNeuro-Symbolic AITemporal learning and reasoningLogical tensor net worksTemporal logicAprendizagem temporal neuro simbólica em redes de tensores lógicosNeuro symbolic temporal learning in logic tensor networks info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2024mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001208039.pdf.txt001208039.pdf.txtExtracted Texttext/plain182972http://www.lume.ufrgs.br/bitstream/10183/276984/2/001208039.pdf.txt7338d3ff24353e5e10595b3fd42b4dddMD52ORIGINAL001208039.pdfTexto completoapplication/pdf3994479http://www.lume.ufrgs.br/bitstream/10183/276984/1/001208039.pdf56e3734777de0d10571fbf96747a5d77MD5110183/2769842024-08-07 06:15:54.172444oai:www.lume.ufrgs.br:10183/276984Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532024-08-07T09:15:54Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Aprendizagem temporal neuro simbólica em redes de tensores lógicos
dc.title.alternative.en.fl_str_mv Neuro symbolic temporal learning in logic tensor networks
title Aprendizagem temporal neuro simbólica em redes de tensores lógicos
spellingShingle Aprendizagem temporal neuro simbólica em redes de tensores lógicos
Rakowski, André Luciano
Inteligência artificial
Aprendizado profundo
Raciocínio
Redes neurais
Neuro-Symbolic AI
Temporal learning and reasoning
Logical tensor net works
Temporal logic
title_short Aprendizagem temporal neuro simbólica em redes de tensores lógicos
title_full Aprendizagem temporal neuro simbólica em redes de tensores lógicos
title_fullStr Aprendizagem temporal neuro simbólica em redes de tensores lógicos
title_full_unstemmed Aprendizagem temporal neuro simbólica em redes de tensores lógicos
title_sort Aprendizagem temporal neuro simbólica em redes de tensores lógicos
author Rakowski, André Luciano
author_facet Rakowski, André Luciano
author_role author
dc.contributor.author.fl_str_mv Rakowski, André Luciano
dc.contributor.advisor1.fl_str_mv Lamb, Luis da Cunha
contributor_str_mv Lamb, Luis da Cunha
dc.subject.por.fl_str_mv Inteligência artificial
Aprendizado profundo
Raciocínio
Redes neurais
topic Inteligência artificial
Aprendizado profundo
Raciocínio
Redes neurais
Neuro-Symbolic AI
Temporal learning and reasoning
Logical tensor net works
Temporal logic
dc.subject.eng.fl_str_mv Neuro-Symbolic AI
Temporal learning and reasoning
Logical tensor net works
Temporal logic
description A Inteligência Artificial (IA) e o Aprendizado Profundo trouxeram grandes mudanças para várias áreas da sociedade, da pesquisa à aplicação na indústria e se tornaram onipresentes. No entanto, ainda há questões em aberto e preocupações sobre a confiança na IA. Idealmente, um sistema de IA deve ser semanticamente sólido, explicável e confiável. Para atingir tais objetivos, sistemas que integram aprendizado e raciocínio incluem uma camada de raciocínio sólido combinada com estruturas de aprendizado profundo. A IA neuro-simbólica visa integrar a eficácia do aprendizado neural com a solidez do raciocínio lógico para obter ferramentas e modelos mais ricos. Um dos desafios é a integração do aprendizado e do raciocínio sobre o tempo nas redes neurais. Este trabalho integra o aprendizado e raciocínio temporal em sistemas neuro-simbólicos baseados em lógica de primeira ordem. Para fazer isso, mostra-se como adicionar aprendizado e raciocínio tem poral nas Redes de Tensores Lógicos (LTN), um framework que combina aprendizagem e raciocínio simbólico e neural com a utilização de tensores. A adição de um novo predicado para especificar propriedades temporais em sistemas de aprendizado permite uma representação e raciocínio mais ricos sobre um grande número de problemas, que exigem explicitamente uma dimensão temporal. Este trabalho também mostra como a LTN passa a aprender e raciocinar sobre uma classe geral de problemas usando raciocínio temporal e conhecimento distribuído e resolver problemas complexos e evolutivos de aprendizado distribuído. Portanto, dentre os principais resultados e contribuições, destaca-se o aprendizado e o raciocínio temporal sobre problemas complexos de computação envolvendo modelagem de tempo, incluindo tempo distribuído. A modelagem de redes neurais neuro simbólicas com o uso de axiomas temporais e regras claras também proporciona maior interpretabilidade, permitindo uma melhor compreensão da implementação do sistema neuro-simbólico proposto e, principalmente, maior escalabilidade e generalidade.
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-08-06T06:36:48Z
dc.date.issued.fl_str_mv 2024
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/276984
dc.identifier.nrb.pt_BR.fl_str_mv 001208039
url http://hdl.handle.net/10183/276984
identifier_str_mv 001208039
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/276984/2/001208039.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/276984/1/001208039.pdf
bitstream.checksum.fl_str_mv 7338d3ff24353e5e10595b3fd42b4ddd
56e3734777de0d10571fbf96747a5d77
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1831316182737616896

Registros relacionados