dc.contributor.author | Mansano, Alex Fernandes | |
dc.date.accessioned | 2018-06-28T19:49:09Z | |
dc.date.available | 2018-06-28T19:49:09Z | |
dc.date.issued | 2018-03-01 | |
dc.identifier.citation | MANSANO, Alex Fernandes. Aprendizado de máquina multivisão aplicado à análise de correferência em um sistema de aprendizado sem fim. 2018. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2018. Disponível em: https://repositorio.ufscar.br/handle/ufscar/10227. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/10227 | |
dc.description.abstract | NELL (Never-Ending Language Learning) is the first never-ending learning system presented in the litera ture. It has been modeled to create a knowledge base in an autonomous way, reading the web 24 hours per day, seven days per week. In this paradigm, all knowledge acquired is used to improve the learning performance.
In this paradigm we face cases where the same object can be named in several ways. These cases as called as correferents, and has great importance for the never-ending learning process, as long as the knowledge about certain entity in a textual base may be distributed among its denominations.As such, the co-reference analysis has a crucial role in NELL’s learning paradigm.
In this paper, we approach the combination of different feature vectors as an optimization task performed by meta-heuristic techniques and artificial neural networks, in order to maximize the separability of samples in the feature space, being the optimization process guided by the accuracy of Optimum Path Forest and variations of Siamese Networks in a validation set. The experiments showed the proposed methodology can obtain much better results when compared to the performance of individual feature extraction algorithms. | eng |
dc.description.sponsorship | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Meta-heurística | por |
dc.subject | Combinação de descritores | por |
dc.subject | Redes neurais | por |
dc.subject | Never-ending language learning | eng |
dc.subject | Meta-heuristics | eng |
dc.subject | Descriptor combination | eng |
dc.subject | Neural networks | eng |
dc.title | Aprendizado de máquina multivisão aplicado à análise de correferência em um sistema de aprendizado sem fim | por |
dc.title.alternative | Multivision machine learning applied to correference analysis in a never ending learning system | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Hruschka Júnior, Estevam Rafael | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/2097340857065853 | por |
dc.description.resumo | A NELL (Nerver-Ending Language Learning) é o primeiro sistema de aprendizado sem fim presente na literatura. Este sistema foi modelado para criar uma base de conhecimento autônoma, lendo a Web 24 horas por dia, sete dias por semana. Neste paradigma, todo conhecimento adquirido é utilizado para melhorar sua performance.
Diante deste paradigma nos deparamos em casos onde um mesmo objeto pode ser nomeado de diversas maneiras. Estes casos são denominados como correferentes e têm grande importância para o aprendizado sem fim, pois o conhecimento sobre certa entidade em uma base textual pode estar distribuído entre suas diversas denominações.
Desta forma, a análise de correferência tem um papel crucial no paradigma de aprendizado da NELL.
Neste projeto, nós abordamos técnicas de aprendizado multivisão, combinando diferentes vetores de características como uma tarefa de otimização, executado por técnicas meta-heurísticas e redes neurais artificiais, a fim de maximizar a separabilidade das amostras no espaço amostral, sendo que o processo de otimização é guiado pela acurácia dos classificadores Floresta de Caminhos Ótimos e variantes de Redes Neurais Siamesas em um conjunto de validação. Os experimentos mostraram que a metodologia proposta pode obter resultados melhores quando comparado à performance de extração de características individuais. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/3215012606484031 | por |