Título: Uma Estratégia Online Para Predição Estruturada Utilizando A Formulação De Máxima Margem
Autores: Coelho, Maurício Archanjo Nunes; Fonseca Neto, Raul; Borges, Carlos Cristiano H.
Resumo: Os algoritmos de busca necessitam que os custos estipulados para os ambientes ou mapas sejam confiáveis. A dificuldade está justamente na definição dos custos referentes a cada tipo de área ou terreno nos mapas a serem examinados. Como se pode observar, o problema mencionado inclui a dificuldade em se determinar qual o custo de cada característica relevante presente no mapa, bem como os custos de suas possíveis combinações. A proposta do artigo é mostrar como é feita a predição desses custos em novos ambientes tendo como base a predição de dados estruturados definindo um aprendizado funcional entre domínios de entrada e saída, estruturados e arbitrários. O problema de aprendizado em questão é normalmente formulado como um problema de otimização convexa de máxima margem bastante similar a formulação de máquinas de vetores suporte multi-classe. Como técnica de solução realizou-se a implementação do algoritmo MMP (Maximum Margin Planning) [3]. Como contribuição, desenvolveu-se e implementou-se dois algoritmos alternativos, o primeiro denominado Perceptron Estruturado e o segundo Perceptron Estruturado com Margem, ambos os métodos de relaxação baseados na formulação do Perceptron. Os mesmos foram analisados e comparados. Posteriormente temos a exploração dos ambientes por um agente inteligente utilizando técnicas de aprendizado por reforço. Tornando todo o processo, desde a análise do ambiente e descoberta de custos, até sua exploração e planejamento do caminho, um completo processo de aprendizado.
Palavras-chave: Aprendizado de Máquina; Planejamento com Máxima Margem; Perceptron Multi-classe; Planejamento de Caminhos; Predição de Dados Estruturados
Páginas: 8
Código DOI: 10.21528/CBIC2011-37.3
Artigo em pdf: st_37.3.pdf
Arquivo BibTex: st_37.3.bib