[ES] Inferencia y aprendizaje son los actos de razonar sobre evidencia recogida con el fin de alcanzar conclusiones lógicas sobre el proceso que la originó. En el contexto de un modelo de espacio de estados, inferencia y aprendizaje se refieren normalmente a explicar el comportamiento pasado de un agente, predecir sus acciones futuras, o identificar su modelo. En esta tesis, presentamos un marco para inferencia y aprendizaje en el modelo de espacio de estados subyacente al modelo de planificación clásica, y formulamos una paleta de problemas de inferencia y aprendizaje bajo este paraguas unificador. También desarrollamos métodos efectivos basados en planificación que nos permiten resolver estos problemas utilizando algoritmos de planificación genéricos del estado del arte. Mostraremos que un gran número de problemas de inferencia y aprendizaje claves que han sido tratados como desconectados se pueden formular de forma cohesiva y resolver siguiendo procedimientos homogéneos usando nuestro marco. Además, nuestro trabajo abre las puertas a nuevas aplicaciones para tecnología de planificación ya que resalta las características que hacen que el modelo de espacio de estados de planificación clásica sea diferente a los demás modelos. / [CA] Inferència i aprenentatge són els actes de raonar sobre evidència arreplegada a fi d'aconseguir conclusions lògiques sobre el procés que la va originar. En el context d'un model d'espai d'estats, inferència i aprenentatge es referixen normalment a explicar el comportament passat d'un agent, predir les seues accions futures, o identificar el seu model. En esta tesi, presentem un marc per a inferència i aprenentatge en el model d'espai d'estats subjacent al model de planificació clàssica, i formulem una paleta de problemes d'inferència i aprenentatge davall este paraigua unificador. També desenrotllem mètodes efectius basats en planificació que ens permeten resoldre estos problemes utilitzant algoritmes de planificació genèrics de l'estat de l'art. Mostrarem que un gran nombre de problemes d'inferència i aprenentatge claus que han sigut tractats com desconnectats es poden formular de forma cohesiva i resoldre seguint procediments homogenis usant el nostre marc. A més, el nostre treball obri les portes a noves aplicacions per a tecnologia de planificació ja que ressalta les característiques que fan que el model d'espai d'estats de planificació clàssica siga diferent dels altres models. / [EN] Inference and learning are the acts of reasoning about some collected evidence in order to reach a logical conclusion regarding the process that originated it. In the context of a state-space model, inference and learning are usually concerned with explaining an agent's past behaviour, predicting its future actions or identifying its model. In this thesis, we present a framework for inference and learning in the state-space model underlying the classical planning model, and formulate a palette of inference and learning problems under this unifying umbrella. We also develop effective planning-based approaches to solve these problems using off-the-shelf, state-of-the-art planning algorithms. We will show that several core inference and learning problems that previous research has treated as disconnected can be formulated in a cohesive way and solved following homogeneous procedures using the proposed framework. Further, our work opens the way for new applications of planning technology as it highlights the features that make the state-space model of classical planning different from other models. / The work developed in this doctoral thesis has been possible thanks to the FPU16/03184 fellowship that I have enjoyed for the duration of my PhD studies. I have also been supported by my advisors’ grants TIN2017-88476-C2-1-R, TIN2014-55637-C2-2-R-AR, and RYC-2015-18009. / Aineto García, D. (2022). Inference and Learning with Planning Models [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/185355

Probabilistic inference, especially in the Bayesian framework, is a foundation for quantifying uncertainties in geophysical inversion applications. However, due to the presence of high-dimensional datasets and the large-scale nature of geophysical inverse problems, the applicability and scalability of probabilistic inference face significant challenges for such applications. This thesis is dedicated to improving the probabilistic inference algorithms' scalability and demonstrating their applicability for large-scale geophysical inversion applications. In this thesis, I delve into three leading applied approaches in computing the Bayesian posterior distribution in geophysical inversion applications: Laplace's approximation, Markov chain Monte Carlo (MCMC), and variational Bayesian inference. The first approach, Laplace's approximation, is the simplest form of approximation for intractable Bayesian posteriors. However, its accuracy relies on the estimation of the posterior covariance matrix. I study the visualization of the misfit landscape in low-dimensional subspace and the low-rank approximations of the covariance for full waveform inversion (FWI). I demonstrate that a non-optimal Hessian's eigenvalues truncation for the low-rank approximation will affect the approximation accuracy of the standard deviation, leading to a biased statistical conclusion. Furthermore, I also demonstrate the propagation of uncertainties within the Bayesian physics-informed neural networks for hypocenter localization applications through this approach. For the MCMC approach, I develop approximate Langevin MCMC algorithms that provide fast sampling at efficient computational costs for large-scale Bayesian FWI; however, this inflates the variance due to asymptotic bias. To account for this asymptotic bias and assess their sample quality, I introduce the kernelized Stein discrepancy (KSD) as a diagnostic tool. When larger computational resources are available, exact MCMC algorithms (i.e., with a Metropolis-Hastings criterion) should be favored for an accurate posterior distribution statistical analysis. For the variational Bayesian inference, I propose a regularized variational inference framework that performs posterior inference by implicitly regularizing the Kullback-Leibler divergence loss with a deep denoiser through a Plug-and-Play method. I also developed Plug-and-Play Stein Variational Gradient Descent (PnP-SVGD), a novel algorithm to sample the regularized posterior distribution. The PnP-SVGD demonstrates its ability to produce high-resolution, trustworthy samples representative of the subsurface structures for a post-stack seismic inversion application.

Phylogenetic inference relies heavily on statistical models that have been extended and refined over the past years into complex hierarchical models to capture the intricacies of evolutionary processes. The wealth of information in the form of fully sequenced genomes has led to the development of methods that are used to reconstruct the gene and species evolutionary histories in greater and more accurate detail. However, genes are composed of evolutionary conserved sequence segments called domains, and domains can also be affected by duplications, losses, and bifurcations implied by gene or species evolution. This thesis proposes an extension of evolutionary models, such as duplication-loss, rate, and substitution, that have previously been used to model gene evolution, to model the domain evolution. In this thesis, I am proposing DomainDLRS: a comprehensive, hierarchical Bayesian method, based on the DLRS model by Åkerborg et al., 2009, that models domain evolution as occurring inside the gene and species tree. The method incorporates a birth-death process to model the domain duplications and losses along with a domain sequence evolution model with a relaxed molecular clock assumption. The method employs a variant of Markov Chain Monte Carlo technique called, Grouped Independence Metropolis-Hastings for the estimation of posterior distribution over domain and gene trees. By using this method, we performed analyses of Zinc-Finger and PRDM9 gene families, which provides an interesting insight of domain evolution. Finally, a synteny-aware approach for gene homology inference, called GenFamClust, is proposed that uses similarity and gene neighbourhood conservation to improve the homology inference. We evaluated the accuracy of our method on synthetic and two biological datasets consisting of Eukaryotes and Fungal species. Our results show that the use of synteny with similarity is providing a significant improvement in homology inference. / <p>QC 20160904</p>

Although XML is a widely used technology, the majority of real-world XML documents does not conform to any particular schema. To fill the gap, the research area of automatic schema inference from XML documents has emerged. This work refines and extends recent approaches to the automatic schema inference mainly by exploiting an obsolete schema in the inference process, designing new MDL measures and heuristic excluding of excentric data inputs. The work delivers a ready-to-use and easy-to-extend implementation integrated into the jInfer framework (developed as a software project). Experimental results are a part of the work.

Neste trabalho é introduzido um novo modelo estatístico para modelar dados limitados no intervalo continuo (0;1). O modelo proposto é construído sob uma transformação de variáveis, onde a variável transformada é resultado da combinação de uma variável com distribuição normal padrão e a função de distribuição acumulada da distribuição valor extremo generalizado. Para o novo modelo são estudadas suas propriedades estruturais. A nova família é estendida para modelos de regressão, onde o modelo é reparametrizado na mediana da variável resposta e este conjuntamente com o parâmetro de dispersão são relacionados com covariáveis através de uma função de ligação. Procedimentos inferênciais são desenvolvidos desde uma perspectiva clássica e bayesiana. A inferência clássica baseia-se na teoria de máxima verossimilhança e a inferência bayesiana no método de Monte Carlo via cadeias de Markov. Além disso estudos de simulação foram realizados para avaliar o desempenho das estimativas clássicas e bayesianas dos parâmetros do modelo. Finalmente um conjunto de dados de câncer colorretal é considerado para mostrar a aplicabilidade do modelo. / In this research a new statistical model is introduced to model data restricted in the continuous interval (0;1). The proposed model is constructed under a transformation of variables, in which the transformed variable is the result of the combination of a variable with standard normal distribution and the cumulative distribution function of the generalized extreme value distribution. For the new model its structural properties are studied. The new family is extended to regression models, in which the model is reparametrized in the median of the response variable and together with the dispersion parameter are related to covariables through a link function. Inferential procedures are developed from a classical and Bayesian perspective. The classical inference is based on the theory of maximum likelihood, and the Bayesian inference is based on the Markov chain Monte Carlo method. In addition, simulation studies were performed to evaluate the performance of the classical and Bayesian estimates of the model parameters. Finally a set of colorectal cancer data is considered to show the applicability of the model

Este trabalho apresenta as principais causas para a mortalidade das empresas paulistas criadas entre 2003 e 2007 a partir de base de dados cedida pelo SEBRAE-SP para o desenvolvimento dessa pesquisa. A amostra final, construída a partir de dados disponibilizados pela primeira vez para estudos desta natureza, contou com 662 empresas e 33 variáveis coletadas por meio de questionário aplicado diretamente às próprias empresas. A análise consistiu no teste de modelos econométricos, baseados na literatura dos modelos de duração, de forma a traduzir quais fatores são mais críticos para a sobrevivência das empresas a ponto de distingui-las em dois grupos: o das empresas vencedoras, cuja longevidade está pautada em ações que promovem ganhos de produtividade e eficiência, e aquelas desprovidas dessas ações e que muito provavelmente deixarão o mercado. Os três tipos de modelos abordados neste trabalho - não paramétrico, semi-paramétrico (riscos proporcionais) e paramétrico - apresentaram resultados similares, sendo que na abordagem de riscos proporcionais os resultados foram segmentados por tamanho e setor de atuação das empresas. Para as micro empresas, a idade do empreendedor e a iniciativa em investir na qualificação da mão de obra dos funcionários mostraram-se importantes mitigadores do risco de falha desse grupo de empresa, enquanto que para as pequenas empresas, a inovação em processos e a elaboração de um plano de negócios se destacaram dentre o conjunto de variáveis. Entre empresas dos setores de comércio e serviços, as empresas do primeiro grupo que faziam o acompanhamento das finanças (fluxo de caixa) apresentaram menor risco de falhar. Para aquelas do setor de serviços, a idade do empreendedor, o investimento em qualificação dos funcionários e o tamanho da empresa ao nascer foram importantes para reduzir o risco de falha no tempo. Outro resultado encontrado, por meio do modelo paramétrico utilizando distribuição Weibull, foi que o risco de a empresa deixar o mercado mostrou-se crescente, pelo menos nos cinco primeiros anos de existência da empresa. Entretanto, esse resultado não deve ser generalizado para períodos de tempo maiores que cinco anos. / This thesis presents the main results that determined the bankruptcy of enterprises located in the São Paulo State from 2003 to 2007. The models used in this work were possible due to the partnership with SEBRAE, Small Business Service Supporting, located in the State of São Paulo. This institution provided the data basis for this research and its final version was compound by 662 enterprises and 33 variables, which were collected from a survey done by SEBRAE and the related enterprise. For first time available for research like this The research was supported by econometrics models, more precisely duration models, which identified the most important factors regarding enterprises survival. Two enterprise groups were distinguished: that one that will survive and grow and another will fail. In this work, three models were used: parametric, non-parametric and proportional risk with all of them presenting similar results. The proportional risk approach was applied for economic sectors and enterprises size. For the micro size business, the entrepreneurship\'s age and the resources applied on the employee\'s qualification were important to reduce the risk to fail in the time, whereas for small enterprises, variables like innovation and business plan building were the most important variables. For the commerce and service sectors, the enterprises related to the first one, the enterprises which kept attention on financial results (cash flow) presented lower risk to fail. For service sector, variables such as: entrepreneur\'s age, investment on the employee\'s qualification and enterprise\'s size were the most important variables to explain the difference the risk to fail between the enterprises. Another result presented was the risk to fail, which indicates the likelihood of an enterprise to leave its business activity. In this case, the parametric model using Weibull distribution concluded that the risk grows in the first five years. However, this result must be carefully evaluated since it would be necessary a longer term data to ensure this result.

Dentre os diversos aspectos geralmente observados na caracterização genética de populações naturais, a avaliação do grau de estruturação da variabilidade genética entre e dentro dos indivíduos e a obtenção de estimativas de parâmetros genéticos indicadores do sistema reprodutivo da espécie assumem grande importância. Os parâmetros de maior interesse neste caso são o índice de fixação intrapopulacional (f) e a taxa de fecundação cruzada (t). Pelo uso de simulações computacionais, este trabalho demonstra o caráter dinâmico do índice de fixação intrapopulacional em diferentes locos ao longo das gerações em decorrência do caráter finito da população e de variação nas taxas médias de fecundação cruzada entre gerações. Sugere-se que este caráter dinâmico representa uma explicação para a elevada variação, comumente reportada na literatura, das estimativas de f obtidas com locos diferentes avaliados em uma mesma população. Utilizando a abordagem Bayesiana, um modelo hierárquico de análise é proposto para a estimação de f, incorporando as informações obtidas de múltiplos locos não ligados, levando-se em conta a condicionalidade do processo de estimação ao polimorfismo dos locos utilizados. O modelo proposto incorpora o caráter dinâmico de f para diferentes locos e permite a estimação do número efetivo de indivíduos reprodutivamente ativos em uma população. Propõe-se ainda um modelo Bayesiano para a estimação da taxa de fecundação cruzada com base na informação de múltiplos locos, admitindo-se a possibilidade de ocorrência de apomixia. Os modelos propostos são avaliados por simulação e exemplos de aplicação a dados reais de marcadores moleculares codominantes são discutidos. Os resultados obtidos demonstram a aplicabilidade das metodologias propostas e o elevado potencial de aplicação da estatística Bayesiana em estudos de genética de populações. / Among the various aspects generally considered in the genetic characterization of natural populations of plant species, the evaluation of the degree of genetic structure within and among individuals and the estimation of parameters related to the species mating system are of great importance. In general, considerable effort is focused on the estimation of the intrapopulation fixation index (f) and the outcrossing rate (t). Using computer simulated data, the dynamic nature of f for different loci along generations is illustrated. The dynamic nature of f is shown to result from the finite condition of populations and from the variation in the mean values of the outcrossing rates among generations. It is suggested that this dynamic behavior explains the inconsistency, commonly reported in the literature, of f estimates obtained for different loci in a given population. Using a Bayesian approach, we propose a hierarchical model for the estimation of f, incorporating information obtained from different unlinked loci and considering the conditionality of the estimation process to genetic polymorphism. The proposed model incorporates the dynamic nature of f values for different loci and allows the estimation of the effective number of reproductively active individuals in a given population. Using a similar approach, a Bayesian model is also proposed for estimating the outcrossing rate using multiple loci information and incorporating the possibility of apomixis. The models proposed are evaluated by computer simulations and examples using real data from codominant molecular markers are presented. Results obtained illustrate the applicability of the proposed methods and reveal the great potential of use of Bayesian statistics in population genetic studies.

Développer des ressources lexico-sémantiques pour le Traitement Automatique des Langues Naturelles est un enjeu majeur du domaine. Ces ressources explicitant notamment des connaissances que seuls les humains possèdent, ont pour but de permettre aux applications de TALNune compréhension de texte assez fine et complète. De nouvelles approches populaires de construction de ces dernières impliquant l'externalisation ouverte (crowdsourcing) émergent en TALN. Elles ont confirmé leur efficacité et leur pertinence. Cependant, les ressources obtenues ne sont pas exemptes d'informations erronées ou de silences causés par l'absence de certaines relations sémantiques pertinentes et primordiales pour la bonne qualité. Dans ce travail de recherche, nous prenons comme exemple d'étude le réseau lexico-sémantique du projet JeuxDeMots et nous proposons un système de consolidation endogène pour ce type de réseaux.Ce système se base principalement sur l'enrichissement du réseau par l'inférence et l'annotation de nouvelles relations à partir de celles existantes, ainsi que l'extraction de règles d'inférence permettant de (re)générer une grande partie du réseau. Enfin, un langage dédié de manipulation du système de consolidation et du réseau lexico-sémantique est conçu et un premier prototype a été implémenté. / Developing lexico-semantic resources is a major issue in the Natural Language Processing field.These resources, by making explicit inter alia some knowledge possessed only by humans, aim at providing the ability of a precise and complete text understanding to NLP tasks. Popular resources-building strategies involving crowdsourcing are flowering in NLP and are proved to be successful. However, the resulted resources are not free of errors and lack some important semantic relations. In this PhD thesis, we used the french lexico-semantic network from the project JeuxDeMots as a case-study. We designed an endogenous consolidation system for this type of networks based on inferring and annotating new semantic relations using the already existing ones, as well as extracting and proposing inference rules able to (re)generate a considerable part of the network. In addition, we conceived a domain specific language for manipulating the consolidation system along with the network itself and a prototype was implemented.

O crescente volume de publicações científicas gerado pelo desenvolvimento das pesquisas e as conclusões, algumas vezes destoantes, obtidas em diferentes trabalhos versando sobre um mesmo tema, são as duas principais motivações de pesquisadores em compilar informações publicadas. Em vista disso, procedimentos estatísticos, dentre os quais destaca-se a meta-análise, vêm sendo desenvolvidos para obtenção de uma resposta única e confiável para um conjunto de resultados publicados.No melhoramento genético animal há um grande número de trabalhos contendo estimativas de herdabilidade de características de crescimento em bovinos de corte. Através de pesquisa bibliográfica foram encontrados, em 186 artigos publicados, 869 estimativas de herdabilidade de efeito direto, 186 estimativas de herdabilidade de efeito materno e 123 estimativas do coeficiente de correlação genética entre os efeitos direto e materno, das características de crescimento peso ao nascimento, peso a desmama, peso aos 365 dias e peso aos 550 dias em bovinos de corte de origem indiana. De posse deste conjunto de dados, foram realizadas meta-análises, dentro de cada uma das quatro características de crescimento, cujo objetivo principal foi obter uma resposta combinada, para estes parâmetros genéticos, sob enfoques clássico e bayesiano. No enfoque clássico conduziram-se as meta-análises utilizando modelos fixo e aleatório, em que dois estimadores, o de máxima verossimilhança restrita e o proposto por DerSimonian & Laird, foram empregados para estimar a variância entre os estudos. Também foi realizada meta-análise de acordo com a técnica de agrupamento de Ward. Sob o enfoque bayesiano, as meta-análises foram conduzidas utilizando-se um modelo hierárquico e, a variância entre os estudos, foi obtida via simulação através do modelo proposto. As estimativas combinadas de herdabilidade de efeito direto variaram de 0,18 a 0,33, nos diferentes grupos formados a partir da análise de agrupamento, sendo sempre menores àquelas obtidas para peso à desmama e sempre maiores àquelas obtidas para peso aos 550 dias. As estimativas combinadas de herdabilidade de efeito materno foram 0,09 para peso ao nascimento, 0,13 para peso à desmama, 0,12 para peso aos 365 dias e 0,05 para peso aos 550 dias. As estimativas combinadas para correlação entre os efeitos diretos e maternos foram de -0,16 para peso ao nascimento, à desmama e aos 550 dias e -0,20 para peso aos 365 dias. Os três métodos utilizados para estimar a variância entre os estudos, o da máxima verossimilhança restrita, o proposto por DerSimonian & Laird e o Bayesiano, conduziram a valores distintos para esta variância, sendo sempre maiores os valores obtidos através do método Bayesiano e sempre menores os obtidos por DerSimonian & Laird. Porém, os valores das estimativas combinadas para herdabilidades de efeito direto, obtidas através destes três estimadores, muito próximos, para as quatro características. Devido ao fato de comparar e combinar resultados de estudos distintos, permitindo inferir sobre um conjunto de resultados publicados, recomenda-se a meta-análise, como procedimento estatístico, para obtenção de valores combinados das estimativas de herdabilidade de efeito direto, materno e suas correlações, nas características de crescimento em bovinos de corte. / The increasing volume of research publications as a consequence of scientific development and eventually with divergent conclusions obtained in different studies about the same subject are the two main motivations for compiling the information of these works. Statistical procedures, particularly the meta-analysis, were developed in order to obtain a unique and realistic answer from a set of published results. In the field of animal breeding there is a large amount of research work on heritability estimates for growth traits in beef cattle. A total of 186 articles was found in literature, reporting 869 direct heritability estimates, 186 maternal heritability estimates and 123 direct-maternal genetic correlation for birth weight, weaning weight, weight at 365 and at 550 days of age in zebu beef cattle. Based on this data set, meta-analysis, under Classic and Bayesian approaches, were performed in order to obtain a pooled estimate of those genetic parameters for each trait. Regarding the Classic approach, the meta-analysis were performed using a random effect model, where two estimators, the Restricted Maximum Likelihood and the one proposed by DerSimonian & Laird were used to evaluate the variance between studies. Also, it was performed a meta-analysis using the method of cluster analysis of Ward to group the estimates. Under the Bayesian approach, the meta-analysis was performed using a hierarchical model and the variances between the studies, were obtained by simulation using the proposed model. The pooled estimates for direct heritabilities ranged from 0.18 to 0.33 for the different groups composed by the cluster analysis. The lower values were obtained for weaning weight and higher values were obtained for weight at 550 days of age. The pooled estimates for maternal heritabilities were 0.09 for birth weight, 0.13 for weaning weight, 0.12 for weight at 365 days of age and 0.05 for weight at 550 days of age. The pooled estimates for direct-maternal genetic correlations were -0.16 for birth weight, weaning weight and weight at 550 days of age and -0.20 for weight at 365 days of age. The three methods, Restricted Maximum likelihood, the estimator proposed by DerSimonian & Laird and the Bayesian, used to estimate the variance between studies lead to different values, the greater ones obtained by Bayesian method and the lower by DerSimonian & Laird. In general, pooled estimates values for direct heritabilities, obtained by those three estimators, were very close. Meta-analysis is recommended as a statistical procedure to compare and combine results from different studies in order to obtain pooled values of direct and maternal heritabilities and direct-maternal genetic correlations of growth traits of beef cattle.

O problema de Inferência sobre uma proporção, amplamente divulgado na literatura estatística, ocupa papel central no desenvolvimento das várias teorias de Inferência Estatística e, invariavelmente, é objeto de investigação e discussão em estudos comparativos entre as diferentes escolas de Inferência. Ademais, a estimação de proporções, bem como teste de hipóteses para proporções, é de grande importância para as diversas áreas do conhecimento, constituindo um método quantitativo simples e universal. Nesse trabalho, é feito um estudo comparativo entre as abordagens clássica e bayesiana do problema de testar as hipóteses de ocorrência ou não de 2º turno em um cenário típico de eleição majoritária (maioria absoluta) em dois turnos no Brasil. / The problem of inference about a proportion, widely explored in the statistical literature, plays a key role in the development of several theories of statistical inference and, invariably, is the object of investigation and discussion in comparative studies among different schools of inference. In addition, the estimation of proportions, as well as test of hypothesis for proportions, is very important in many areas of knowledge as it constitutes a simple and universal quantitative method. In this work a comparative study between the Classical and Bayesian approaches to the problem of testing the hypothesis of occurrence of second round (or not) in a typical scenario of a majoritarian election (absolute majority) in two rounds in Brazil is developed.