Compilação de conhecimento não-incremental de programas de conjuntos de respostas probabilísticos

• Ano de defesa: 2025
• Autor(a) principal: Gonçalves, Jonas Rodrigues Lima
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Artificial intelligence; Circuitos probabilísticos; Compilação de conhecimento; Inteligência artificial; Knowledge compilation; Knowledge representation; Probabilistic circuits; Probabilistic logic programming; Programação lógico probabilística; Representação de conhecimento
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-14012026-012430/

Avanços em Programação Lógica Probabilística e Inferência Probabilística demonstraram que técnicas de Compilação de Conhecimento, as quais compilam programas lógicos probabilísticos em Programas de Conjunto de Respostas, são essenciais para inferência rápida e exata. Apesar da estreita relação entre a Teoria de Circuitos e a complexidade da inferência lógica, é possível explorar a estrutura dos Programas Lógicos Probabilísticos para construir circuitos mais concisos que podem responder eficientemente a consultas probabilísticas. Embora pesquisas anteriores tenham mostrado que a compilação de programas estratificados pode ser alcançada usando várias técnicas, como a consequência do operador Tp ou Loop Formulas, pouco foi explorado no contexto da compilação de Programas de Conjunto de Respostas Probabilísticos, à parte de abordagens de compilação top-down (de cima para baixo) que traduzem o programa em uma Forma Normal Conjuntiva e subsequentemente aplicam técnicas de compilação de conhecimento. Métodos baseados na compilação para Forma Normal Negativa Decomponível também foram investigados. Inspirada em trabalhos bem-sucedidos sobre a compilação de linguagens de Programação Lógica Probabilística estratificada, esta pesquisa visa alavancar a tratabilidade e a natureza bottom-up (de baixo para cima) de uma classe especial de Circuitos Aritméticos, chamados Diagramas de Decisão Sentencial Probabilísticos, para compilar Programas de Conjunto de Respostas Probabilísticos nestes diagramas sob a semântica de Entropia Máxima e Credal. Além disso, essa abordagem bottom-up permite otimizações estruturais por meio de modificações na árvore de variáveis que governa a estrutura dos circuitos, resultando em representações mais concisas. Finalmente, os Diagramas de Decisão Sentencial Probabilísticos são capazes de realizar inferência exata em tempo polinomial e suportam inúmeros algoritmos para aprendizado e regularização, especificamente projetados para uso em Circuitos Probabilísticos. Isso reforça ainda mais o potencial dos Diagramas de Decisão Sentencial Probabilísticos como uma representação tratável para Programação Lógica Probabilística e destaca a necessidade de explorar heurísticas eficientes para modificar dinamicamente a estrutura da árvore de variáveis ao compilar Programas de Conjunto de Respostas Probabilísticos nos Diagramas de Decisão Sentencial Probabilísticos.