Detalhes bibliográficos
Ano de defesa: |
2013 |
Autor(a) principal: |
Bonadio, Ígor |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
https://teses.usp.br/teses/disponiveis/45/45134/tde-20230727-112855/
|
Resumo: |
A segmentação de sequências é um problema desa\FB01ador que pode ser aplicado em diversas áreas de pesquisa. O uso de modelos geradores como Modelo Oculto de Markov (HMM, do inglês Hidden Markov Model) e Modelo Oculto de Markov Generalizado (GHMM, do inglês Generalized Hidden Markov Model) é uma das abordagens mais comuns, entretanto recentemente pesquisas apontam um novo modelo discriminativo promissor chamado Campo Aleatório Condicional. Nesse trabalho desenvolvemos um arcabouço probabilístico orientado a objetos para a implementação de Campos Aleatórios Condicionais de Cadeias Lineares, uma variante que é bastante utilizada na segmentação de sequências. Esse objetivo foi alcançado a partir da extensão do arcabouço probabilístico ToPS, originalmente projetado para HMMs, GHMMs e outros modelos geradores. Nossa implementação conta com algoritmos de inferência e\FB01cientes que paralelizam a computação e alcançam tempos de execução competitivos. Focando na facilidade de utilização, nosso arcabouço conta com um interpretador de modelos que permite a de\FB01nição e treinamento de Campos Aleatórios Condicionais agilizando a prototipagem e investigação de problemas. Comparamos nossa abordagem com programas já existentes e observamos que nosso arcabouço permite ao usuário maior liberdade na de\FB01nição de modelos além de obter melhor desempenho com relação ao tempo de execução. |