• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Master's Dissertation
DOI
https://doi.org/10.11606/D.3.2022.tde-07072022-084934
Document
Author
Full name
Andrey Ruschel
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2022
Supervisor
Committee
Cozman, Fabio Gagliardi (President)
Carvalho, Aline Marins Paes
Júnior, Etienne Américo Cartolano
Title in English
Explaining automatic answers generated from knowledge base embedding models.
Keywords in English
Deep learning
Interpretability
Knowledge base embeddings
Knowledge graphs
Machine learning
Abstract in English
While many chatbot systems rely on templates and shallow semantic analysis, advanced question-answering devices are typically produced with the help of largescale knowledge bases such as DBpedia or Freebase. Information extraction is often based on embedding models that map semantically rich information into low-dimensional vectors, allowing computationally efficient calculations. When producing new facts about the world, embeddings often provide correct answers that are very hard to explain from a human perspective as they are based on operations performed in the low-dimensional vector space, thus bearing no meaning to human users. Although interpretability has become a central concern in machine learning, the literature so far has focused on non-relational classifiers (such as deep neural networks); embeddings, however, require a whole range of different approaches. In this work we improve an existing method designed to provide explanations for predictions made by embedding models.
Title in Portuguese
Explicando respostas automáticas geradas por bases de conhecimento baseados em modelos de variáveis latentes.
Keywords in Portuguese
Aprendizado computacional
Aprendizado profundo
Bases de conhecimento
Grafos de conhecimento
Interpretabilidade
Modelos de variável latente
Abstract in Portuguese
Atualmente, muitos sistemas de chat automatizados são baseados em templates e análises semânticas superficiais. Sistemas de pergunta-resposta avançados geralmente são construídos sobre bases de conhecimento de larga escala como DBPedia e Freebase. A extração de informações muitas vezes é baseada em modelos de variável latente, onde informações semanticamente ricas são convertidas em representações númericas dentro de espaços vetoriais. Quando utilizados para predizer novos fatos sobre o mundo, estes modelos de variável latente na maioria das vezes são capazes de produzir respostas corretas mas de difícil interpretação sob o ponto de vista humano, dado que são fruto de operações matemáticas dentro deste espaço vetorial. Apesar de interpretabilidade ter se tornado um tema central em aprendizado de máquina, a maioria dos modelos que visam produzir explicações são direcionados para modelos tradicionais e não relacionais (como por exemplo redes neurais profundas); modelos de variável latente para modelagem de bases de conhecimento, no entanto, requerem abordagens totalmente diferentes. Neste trabalho apresentamos um conjunto de melhorias para um modelo existente que visa explicar as predições realizadas por modelos de variável latente para bases de conhecimento.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
AndreyRuschelCorr22.pdf (749.48 Kbytes)
Publishing Date
2022-07-07
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2022. All rights reserved.