Detaljerad information för diarienr 2010-4808  
 
 
Besl. instans: NT
Ämnesområde: Datavetenskap
Beslutsdat: 2010-10-27
Namn: Pena Palomar, Jose Manuel
Titel: Doktor Kön: Man
Univ./Institution: Linköpings universitet - Institutionen för Datavetenskap, (IDA)
Projekttitel: En teoretisk studie av semantik och inlärning av kedje grafer
Project title: A theoretical study of the semantics and learning of chain graphs
Värdhögskola: Linköpings universitet
SCB-klassificering: Datavetenskap, Datalogi
Beviljat(SEK): Bidragsform/Finansieringskälla   2011 2012 2013
  Projektbidrag/
Vetenskapsrådet, naturvetenskaplig-teknikvetenskaplig forskning
  666000 665000 665000
Beskrivning: De flesta av de system som artificiell intelligens handlar om är icke-deterministiska. Ett naturligt sätt att behandla och modellera sådana system är att välja en representation av det system som kan hantera osäkerhet. En sådan representation är att modellera systemet som en sannolikhetsfördelning över tillstånd i komponenterna i systemet. Men för att denna probabilistiska representation av systemet skall lyckas är det viktigt att utnyttja den oberoende i systemet för att minska antalet parameter parametrar som måste anges. En populär metod för att utnyttja oberoende i en sannolikhetsfördelning när denna anges är probabilistisk grafiska modeller (PGMs). Den centrala idén i PGMs är att företräda den oberoende strukturen i en sannolikhetsfördelning av en graf som är sålunda parametriserade för att beräkna sannolikheter av intresse. Om grafen är riktad, kallar PGMs för Bayesianska nätverk. Om grafen innehåller (troligen) både riktade och oriktade kanter, kallar PGMs för kedje grafer. Även kedje grafer omfattar Bayesianska nätverk, de senare modellerna är mycket mer populära i praktiken, eftersom deras semantik är lättare att förstå och det finns effektiva algoritmer för att lära dem från data. Men jag tror att denna trend kommer att förändras så fort en bättre förståelse om kedje grafer skapas och algoritmer för att lära kedje grafer från data utvecklas, eftersom kedje grafer är mycket mer uttrycksfullt än Bayesianska nätverk. Syftet med detta projekt är att bidra till att göra detta möjligt.