EVENTO
Completação fora de amostra em Grafos de Conhecimento
Tipo de evento: Seminário de Avaliação - Série A
Grafos de conhecimento (GCs) representam fatos por meio de uma rede de relacionamentos entre entidades, a qual fornece uma camada semântica informacional útil a diversas aplicações, desde motores de busca à descoberta de fármacos. Apesar de sua aplicabilidade, GCs não contemplam todos os fatos de interesse, o que tem motivado a pesquisa e proposta recente de diversas estratégias para sua completação, isto é, para a inferência do valor verdade de relacionamentos não observados. Em particular, modelos de Aprendizado de Máquina que embutem elementos do grafo (p.ex., nós e arestas) em espaços vetoriais de baixa dimensionalidade tornaram-se a principal linha de pesquisa e desenvolvimento. Contudo, em sua vasta maioria, esses modelos assumem implicitamente que GCs são estáticos. Consequentemente, ao passo que o grafo evolui, é necessário obter-se representações vetoriais atualizadas para seus elementos, em especial, para suas entidades. Nesse cenário, nesta tese é investigado o problema de completação fora de amostra em Grafos de Conhecimento, o qual remove a suposição que o conjunto de entidades no momento de inferência é o mesmo observado durante o ajuste do modelo. Em maiores detalhes, édesenvolvida, e empiricamente avaliada, uma metodologia baseada em Aprendizado de Representações e redes neurais artificiais para esse problema. Nela, o processo de inferência é realizado com base em representações vetoriais obtidas por uma rede codificadora a partir de uma vizinhança corrente do fato a ser inferido. A definição dessa vizinhança, chamada de contexto de consulta, é estudada, assim como, estratégias que permitam escalar computacionalmente a metodologia proposta. Resultados preliminares indicam que a metodologia proposta é competitiva como estado da arte. Para assistir acesse: meet.google.com/npv-huof-uzx
Data Início: 26/05/2022 Hora: 09:00 Data Fim: 26/05/2022 Hora: 13:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Webinar
Aluno: Daniel Nascimento Ramos da Silva - -
Orientador: Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: Alex Borges Vieira - Universidade Federal de Juiz de Fora - UFJF Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC Luiz Manoel Rocha Gadelha Júnior - German Cancer Research Center - DKFZ
