Enriquecimiento del conocimiento previo en ILP

Inductive Logic Programming (ILP) induces concepts from a set of negative examples, a set of positive examples, and background knowledge. ILP has been applied on tasks in areas such as natural language processing, finite element mesh design, network mining, robotics, drug discovery, and more. These...

Descripción completa

Detalles Bibliográficos
Autor: ORLANDO MUÑOZ TEXZOCOTETLA
Tipo de recurso: tesis doctoral
Estado:Versión publicada
Fecha de publicación:2023
País:México
Institución:Universidad Autónoma Metropolitana
Repositorio:Repositorio Institucional de la UAM Iztapalapa
Idioma:español
OAI Identifier:oai:bindani.izt.uam.mx:zg64tm61p
Acceso en línea:https://doi.org/10.24275/uami.zg64tm61p
Access Level:acceso abierto
Palabra clave:info:eu-repo/classification/LEM/Discretization (Mathematics)
info:eu-repo/classification/LEM/Programación lógica
info:eu-repo/classification/LEM/Discretización (Matemáticas)
info:eu-repo/classification/LEM/Logic programming
info:eu-repo/classification/cti/7
id MX_43eb4c8c4e6f019df42e9b82c6814bb7
oai_identifier_str oai:bindani.izt.uam.mx:zg64tm61p
network_acronym_str MX
network_name_str México
repository_id_str
dc.title.none.fl_str_mv Enriquecimiento del conocimiento previo en ILP
title Enriquecimiento del conocimiento previo en ILP
spellingShingle Enriquecimiento del conocimiento previo en ILP
ORLANDO MUÑOZ TEXZOCOTETLA
info:eu-repo/classification/LEM/Discretization (Mathematics)
info:eu-repo/classification/LEM/Programación lógica
info:eu-repo/classification/LEM/Discretización (Matemáticas)
info:eu-repo/classification/LEM/Logic programming
info:eu-repo/classification/cti/7
title_short Enriquecimiento del conocimiento previo en ILP
title_full Enriquecimiento del conocimiento previo en ILP
title_fullStr Enriquecimiento del conocimiento previo en ILP
title_full_unstemmed Enriquecimiento del conocimiento previo en ILP
title_sort Enriquecimiento del conocimiento previo en ILP
dc.creator.none.fl_str_mv ORLANDO MUÑOZ TEXZOCOTETLA
author ORLANDO MUÑOZ TEXZOCOTETLA
author_facet ORLANDO MUÑOZ TEXZOCOTETLA
author_role author
dc.contributor.none.fl_str_mv RENE MAC KINNEY ROMERO
dc.subject.none.fl_str_mv info:eu-repo/classification/LEM/Discretization (Mathematics)
info:eu-repo/classification/LEM/Programación lógica
info:eu-repo/classification/LEM/Discretización (Matemáticas)
info:eu-repo/classification/LEM/Logic programming
info:eu-repo/classification/cti/7
topic info:eu-repo/classification/LEM/Discretization (Mathematics)
info:eu-repo/classification/LEM/Programación lógica
info:eu-repo/classification/LEM/Discretización (Matemáticas)
info:eu-repo/classification/LEM/Logic programming
info:eu-repo/classification/cti/7
description Inductive Logic Programming (ILP) induces concepts from a set of negative examples, a set of positive examples, and background knowledge. ILP has been applied on tasks in areas such as natural language processing, finite element mesh design, network mining, robotics, drug discovery, and more. These datasets typically contain both numerical and categorical attributes; however, few relational learning systems efficiently handle such data. This thesis introduces an evolutionary method called ”Grouping and Discretization for Enriching the Background Knowledge (GDEBaK),”which enables the handling of numerical and categorical attributes. This method employs evolutionary operators to create and test different split points (for numerical attributes) and subsets of values (for categorical attributes) based on a fitness function. Subsequently, the best split points and category subsets are added to the background knowledge before the learning process, to be used during the induction of the final theory. We implemented GDEBaK embedded in the Aleph system and compared it with Aleph’s lazy discretization and the discretization performed by the Top-down Induction of Logical Decision Trees (TILDE) system [6]. Aleph is one of the most widely used ILP systems for learning concepts that require high representational power [55]. It is crucial in ILP, incorporating functionalities from other systems such as Progol, FOIL, FORS, or TILDE. The obtained results indicate that the presented method improves the accuracy of final theories and reduces the number of rules in the majority of cases.
publishDate 2023
dc.date.none.fl_str_mv 2023-03-06
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/publishedVersion
format doctoralThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://doi.org/10.24275/uami.zg64tm61p
url https://doi.org/10.24275/uami.zg64tm61p
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc/4.0/
dc.source.none.fl_str_mv reponame:Repositorio Institucional de la UAM Iztapalapa
instname:Universidad Autónoma Metropolitana
instacron:UAM
instname_str Universidad Autónoma Metropolitana
instacron_str UAM
institution UAM
reponame_str Repositorio Institucional de la UAM Iztapalapa
collection Repositorio Institucional de la UAM Iztapalapa
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1858175076162076672
spelling Enriquecimiento del conocimiento previo en ILPORLANDO MUÑOZ TEXZOCOTETLAinfo:eu-repo/classification/LEM/Discretization (Mathematics)info:eu-repo/classification/LEM/Programación lógicainfo:eu-repo/classification/LEM/Discretización (Matemáticas)info:eu-repo/classification/LEM/Logic programminginfo:eu-repo/classification/cti/7Inductive Logic Programming (ILP) induces concepts from a set of negative examples, a set of positive examples, and background knowledge. ILP has been applied on tasks in areas such as natural language processing, finite element mesh design, network mining, robotics, drug discovery, and more. These datasets typically contain both numerical and categorical attributes; however, few relational learning systems efficiently handle such data. This thesis introduces an evolutionary method called ”Grouping and Discretization for Enriching the Background Knowledge (GDEBaK),”which enables the handling of numerical and categorical attributes. This method employs evolutionary operators to create and test different split points (for numerical attributes) and subsets of values (for categorical attributes) based on a fitness function. Subsequently, the best split points and category subsets are added to the background knowledge before the learning process, to be used during the induction of the final theory. We implemented GDEBaK embedded in the Aleph system and compared it with Aleph’s lazy discretization and the discretization performed by the Top-down Induction of Logical Decision Trees (TILDE) system [6]. Aleph is one of the most widely used ILP systems for learning concepts that require high representational power [55]. It is crucial in ILP, incorporating functionalities from other systems such as Progol, FOIL, FORS, or TILDE. The obtained results indicate that the presented method improves the accuracy of final theories and reduces the number of rules in the majority of cases.La Programación Lógica Inductiva (ILP) induce conceptos a partir de un conjunto de ejemplos negativos, un conjunto de ejemplos positivos, y un conocimiento previo. La ILP ha sido utilizada en tareas dentro de diversas áreas como procesamiento de lenguaje natural, diseño de malla para elementos finitos, minería de redes, robótica, descubrimiento de nuevas drogas en farmacéutica, etc. Los conjuntos de datos utilizados, usualmente, contienen atributos numéricos y categóricos, sin embargo, son pocos los sistemas de aprendizaje relacional que son capaces de manejar ese tipo de datos de manera eficiente. Esta tesis presenta un método evolutivo, llamado “Agrupamiento y discretización para el enriquecimiento del conocimiento previo” (en inglés Grouping and Discretización for Enriching the Background Knowledge - GDEBaK), el cual, permite manejar atributos numéricos y categóricos. Este método utiliza operadores evolutivos para crear y probar diferentes puntos de división (en el caso de los atributos numéricos) y subconjuntos de valores (en el caso de ´ los atributos categóricos) de acuerdo a una función de aptitud. Después, los mejores puntos de división y subconjuntos de categorías son agregados al conocimiento previo, antes de realizar el proceso de aprendizaje, para que sean utilizados durante la construcción de la teoría final. Implementamos GDEBaK embebido en el sistema Aleph y lo comparamos con la discretización perezosa del sistema Aleph y con la discretización llevada a cabo por el sistema Top-down Induction of Logical Decision Trees (TILDE) [6]. Aleph es uno de los sistemas de ILP más usados para aprender conceptos que necesitan gran poder de representación [ ´ 55], y es uno de los más importantes en ILP ya que posee funcionalidades de otros sistemas como Progol, FOIL, FORS o TILDE. Los resultados obtenidos muestran que el método presentado mejora la precisión de las teorías finales y reduce el número de reglas en la mayoría de los casos. RENE MAC KINNEY ROMERO2023-03-06info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersionhttps://doi.org/10.24275/uami.zg64tm61preponame:Repositorio Institucional de la UAM Iztapalapainstname:Universidad Autónoma Metropolitanainstacron:UAMspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc/4.0/oai:bindani.izt.uam.mx:zg64tm61p2025-11-26T19:21:27Z
score 15,812429

Similares en LA Referencia