Defesa de doutorado do discente Henrique Barros Lopes, dia 25/03/2024 às 08:30
Defesa de doutorado do discente Henrique Barros Lopes, dia 25/03/2024 às 08:30.
Título:Inferência Gramatical: Aplicações em Composição Algorítmica para Modelagem de Sequência de Acordes
Resumo: Inferência Gramatical é uma área amplamente estudada que utiliza algoritmos para inferir uma gramática formal. As gramáticas inferidas podem ser aplicadas em uma grande variedade de áreas, como Linguística Computacional e Computação Musical. Hoje em dia, esses algoritmos podem inferir gramáticas determinísticas do mais baixo nível da hierarquia de Chomsky, Gramáticas Regulares, até Gramáticas Livres de Contexto. Ao lidar com gramáticas probabilísticas, existem algoritmos para inferir sub-classes de Gramáticas Sensíveis ao Contexto Probabilísticas.
A Inferência Gramatical em Computação Musical nos provê modelos valiosos para áreas como Composição Algorítmica, Classificação de Estilos, e Análise de Teoria Musical. Gramáticas com uma maior acurácia, podem nos levar a modelos que melhoram a performance de diversas tarefas nessas áreas.
A literatura carece de algoritmos que tentam inferir Gramáticas Livres de Contexto Probabilísticas, ou mais expressivas. Para as primeiras, a literatura pode se beneficiar de algoritmos que tentam identificar as estruturas internas de uma gramática. Na Computação Musical, estudos recentes mostraram que Modelos Ocultos de Markov podem superar Cadeias de Markov em termos de acurácia, porém não há diferenças significativas entre Modelos Ocultos de Markov e Gramáticas Livres de Contexto Probabilísticas (GLCPs). Não há resultados na literatura que comprovam se inferir probabilidades sensíveis ao contexto podem superar ambas gramáticas.
Este trabalho possui duas principais frentes, elaborar algoritmos de Inferência Gramatical e modelos para Computação Musical. Neste trabalho, desenvolvemos um novo algoritmo para inferência de Gramáticas Livres de Contexto Probabilísticas chamado \textit{Pumping Inference}. Ele foi capaz de inferir as linguagens Dyck-$n$ e um subconjunto da base de dados CoNLL-$2003$ com predição de acurácia melhor que a Amostragem de Gibbs.
Na Computação Musical, aplicamos um algoritmo de Amostragem de Gibbs para inferir Gramáticas $(k,l)$-Sensíveis ao Contexto Probabilísticas (G($k,l$)CSPs) e apresentamos uma aplicação de G($k,l$)CSPs para modelar a composição de sequências de acordes. Nossos resultados mostram que a Amostragem de Gibbs e G($k,l$)CSPs podem superar GLCPs e o algoritmo de busca de distribuição de probabilidades Metropolis-Hastings com perplexidades até $48\%$ menores em média (valor-p 0,0026).
Data: 25 de março de 2024 Horário: 8:30
Local: Sala de Seminários DECOM - ICEB III
Link: https://meet.google.com/pxa-dbsp-cvy
Banca: Prof. Dr. Gladston Juliano Prates Moreira (UFOP); Prof. Dr. Ivair Ramos Silva (UFOP); Prof. Dr. Rodrigo Geraldo Ribeiro (UFOP); Profa. Dra. Valéria de Carvalho Santos (UFOP); Profa. Dra. Elizabeth Fialho Wanner (Aston University); Profa. Dra. Amanda Gonçalves Saraiva Ottoni (UFSJ)