Froduald Kabanza Département d’informatique Université de Sherbrooke

Présentation au sujet: "Froduald Kabanza Département d’informatique Université de Sherbrooke"— Transcription de la présentation:

1 IFT 702 Planification en intelligence artificielle Reconnaissance de plans
Froduald Kabanza Département d’informatique Université de Sherbrooke planiart.usherbrooke.ca/kabanza Modifications par Simon Chamberland

2 Rappel Processus de décision de Markov
Modélise un processus stochastique discret Décision à prendre dans chaque état Transitions non déterministes Fonction de récompenses Propriété de Markov: probabilités des états futurs dépend uniquement de l’état courant (pas de l’historique) MDP + politique (plan) = chaîne de Markov F. Kabanza IFT Reconnaissance de plans 2 2

3 Rappel Réseaux bayésiens
P(C) .001 P(S) .002 Un arc d’un nœud X vers un nœud Y signifie que la variable X influence la variable Y. Un cambriolage peut déclencher l’alarme. Un séisme aussi. L’alarme peut inciter Jean à appeler. Idem pour Marie à appeler. Pour chaque nœud, on a une table de probabilité conditionnelle (TPC) ou une fonction de densité de probabilité conditionnelle. Cambriolage Séisme C S P(A|C,S) T T T F F T F F Alarme Référence: Russell & Norvig chapitre 14 MarieAppelle JeanApelle A P(M|A) T F A P(J|A) T F F. Kabanza IFT Reconnaissance de plans

4 Rappel Réseaux bayésiens dynamiques / Chaînes cachées de Markov
Contexte: Un gardien de sécurité passe un mois dans un édifice sous-terrain, sans sortir. Il s’amuse à prévoir le temps en observant si le patron amène un parapluie. Variables: Xt = {Rt} (pour « Rain ») et Et={Ut} (pour « Umbrella »). Un gardien de sécurité passe un mois dans un édifice sous-terrain, sans sortir. Chaque jour, son directeur arrive avec ou sans parapluie. Le gardien veut inférer la possibilité qu’il ait plu ou non en fonction des séquences d’observation du parapluie. Référence: Russell & Norvig chapitre 15 (modèles temporels) Modèle des transitions: P(Rt | Rt-1). Modèle d’observation: P(Et | Rt). F. Kabanza IFT Reconnaissance de plans

5 Rappel Réseaux bayésiens dynamiques / Chaînes cachées de Markov
Type d’inférence Estimation de l’état P(Xt | e1:t ) Prédiction P(Xt+k | e1:t ) Lissage (hindsight) P(Xk | e1:t ) Découverte de la séquence la plus probable P(X1:t | e1:t ) Un gardien de sécurité passe un mois dans un édifice sous-terrain, sans sortir. Chaque jour, son directeur arrive avec ou sans parapluie. Le gardien veut inférer la possibilité qu’il ait plu ou non en fonction des séquences d’observation du parapluie. Référence: Russell & Norvig chapitre 15 (modèles temporels) Modèle des transitions: P(Rt | Rt-1). Modèle d’observation: P(Et | Rt). F. Kabanza IFT Reconnaissance de plans 5 5

6 Approche probabiliste Par réseau bayésien
D. Pynadath and M. Wellman. Accounting for Context in Plan Recognition, with Application to Traffic Monitoring. Proc. of Conference on Uncertainty in Artificial Intelligence, 1995. F. Kabanza IFT Reconnaissance de plans

7 Approche probabiliste Par réseau bayésien
D. Pynadath and M. Wellman. Accounting for Context in Plan Recognition, with Application to Traffic Monitoring. Proc. of Conference on Uncertainty in Artificial Intelligence, 1995. F. Kabanza IFT Reconnaissance de plans

8 Approche probabiliste Plus ou moins chaînes cachées de Markov
C. Geib and R. Goldman. Plan Recognition in Intrusion Detection Systems. Conference of the Association for the Advancement of Artificial Intelligence, 2006. If a hacker has a goal like stealing information from a computer (theft), the plan library breaks that goal into five steps: scan the system to determine vulnerabilities (recon), exploit the system’s weaknesses to gain entry (break-in), escalate privileges (gain-root), export desired data (steal), and hide traces of presence on computer (clean). Ordering constraints within a method are represented by directed arcs. For example, the hacker must break-in before she can gain-root. Finally, notice that there is a condition/event that is tied to the action clean. The dashed line represents the fact that this condition results from the execution of the action. Thus, if clean is executed it will result in deleted event logs (deleted-logs). This information about action effects will be critical to inferring the execution of unobserved actions. F. Kabanza IFT Reconnaissance de plans

9 Approche probabiliste Plus ou moins chaînes cachées de Markov
C. Geib and R. Goldman. Plan Recognition in Intrusion Detection Systems. Conference of the Association for the Advancement of Artificial Intelligence, 2006. F. Kabanza IFT Reconnaissance de plans

10 Approche probabiliste Réseau Bayésien dynamique
Kautz et al. This is one result of our experiment. In this experiment, a graduate student carries this GPS for thirty days. We get the GPS log. We put it into our system without any labeling. After a few hours, the system output such a picture, this picture tells us where the common goals are for the person and where are the routine parking spot and bus stops. In fact, that is just correct. We then label them to make it clear. F. Kabanza IFT Reconnaissance de plans

11 Approche probabiliste Réseau Bayésien dynamique
Kautz et al. xk-1 zk-1 zk xk mk-1 mk tk-1 tk gk-1 gk Goal Trip segment Transportation mode x=<Location, Velocity> GPS reading F. Kabanza IFT Reconnaissance de plans

12 Références C. Schmidt, N. Sridharan and J. Goodson. The plan recognition problem: An intersection of psychology and artificial intelligence. Artificial Intelligence 11(1-2):1978, pages D. Pynadath and M. Wellman. Accounting for Context in Plan Recognition, with Application to Traffic Monitoring. Proc. of Conference on Uncertainty in Artificial Intelligence, 1995. R. Goldman, C. Geib and C. Miller. A new model of plan recognition. Proc. of Conference on Uncertainty in Artificial Intelligence, 1999. C. Geib and R. Goldman. Plan Recognition in Intrusion Detection Systems. Conference of the Association for the Advancement of Artificial Intelligence, 2006. N. Blaylock and J. Allen. Fast Hierarchical Goal Schema Recognition. Proc. of Conference of the Association for the Advancement of Artificial Intelligence, 2006. F. Kabanza IFT Reconnaissance de plans