Aprendizaje de representaciones simbólicas a partir de imágenes para problemas de planificación
[ES] Para resolver un problema de planificación se requiere la especificación de un modelo simbólico del dominio de aplicación y la instancia a resolver por parte de un experto del dominio. Esto supone un obstáculo en el proceso de adquisición del conocimiento. Por otro lado, las técnicas de Aprendi...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | español |
| OAI Identifier: | oai:riunet.upv.es:10251/197105 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/197105 |
| Access Level: | acceso abierto |
| Palabra clave: | Inteligencia artificial Planificación automática Representación simbólica Aprendizaje automático Autocodificador Artificial Intelligence Symbolic representation Automated Planning Machine Learning Autoencoder LENGUAJES Y SISTEMAS INFORMATICOS Máster Universitario en Inteligencia Artificial, Reconocimiento de Formas e Imagen Digital-Màster Universitari en Intel·ligència Artificial, Reconeixement de Formes i Imatge Digital |
| Sumario: | [ES] Para resolver un problema de planificación se requiere la especificación de un modelo simbólico del dominio de aplicación y la instancia a resolver por parte de un experto del dominio. Esto supone un obstáculo en el proceso de adquisición del conocimiento. Por otro lado, las técnicas de Aprendizaje Profundo aprenden representaciones que no son compatibles con los sistemas simbólicos que requieren los planificadores. En este trabajo se presenta una aproximación en la que se utilizan autocodificadores para aprender representaciones vectoriales de imágenes de un problema de planificación de modo que el resultado del autocodificador sea una representación simbólica del problema. Particularmente, se diseñará un autocodificador para aprender una representación de los estados del problema de planificación y otros autocodificadores para aprender las transiciones del sistema. La arquitectura diseñada se aplicará en la resolución de problemas en dos dominios, el juego del 8-puzzle y las torres de Hanoi, a partir de imágenes sin etiquetar que representen y definan mediante pares las transiciones de ambos dominios. |
|---|