dc.creator | Vargas, Daniel Pinheiro | |
dc.date.accessioned | 2021-09-23T18:03:09Z | |
dc.date.available | 2021-09-23T18:03:09Z | |
dc.date.issued | 2020-08-07 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/22268 | |
dc.description.abstract | Deception is omnipresent in everyday social interactions. Deception and automatic deception
detection and exploration are research subjects in many different fields, such as cyber security,
computer games, military operations and fake news. Despite these works, the implementation
of intelligent agents capable of deceiving in computer systems remains a challenging task. In
particular, it is not trivial to capture and label the intention of a human strategist when making
a certain deceptive decision, especially if we consider passive learning techniques in Artificial
Intelligence. In this sense, this work proposes a new approach that combines active learning
and case-based reasoning - CBR, in which an agent when faced with situations that require
deceptive decision-making asks a human expert to make a review of the solution suggested by
the CBR algorithms. In this active learning process, if necessary, the expert presents a more
appropriate solution to the current problem. Thereby, this work shows how to systematically
capture experiences of problem solving that involve deception and later use the acquired
knowledge in order to make better decisions when faced with opportune situations for the use
of deception. Experimental results in the domain of a card game called Truco has demonstrated
that the use of active training techniques, compared to imitation learning techniques, enables a
Truco player agent, even using case bases with a reduced number of cases, to play at higher
levels than agents who use much larger case bases | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Engano | por |
dc.subject | Raciocínio baseado em casos | por |
dc.subject | Aprendizado ativo | por |
dc.subject | Deception | eng |
dc.subject | Case-based reasoning | eng |
dc.subject | Active learning | eng |
dc.title | Aprendizado ativo em raciocínio baseado em casos para o emprego do engano em jogos de cartas | por |
dc.title.alternative | Active learning in cbr for deception in card games | eng |
dc.type | Dissertação | por |
dc.description.resumo | Engano é um comportamento que está onipresente nas interações sociais cotidianas. O engano e, principalmente, seu emprego e detecção automáticos, são objeto de pesquisas em diversas áreas, tais como, defesa cibernética, jogos computacionais, operações militares e fake news, entre outras. Apesar destes trabalhos, a implementação de agentes inteligentes capazes de enganar em sistemas computacionais permanece uma tarefa desafiadora. Em particular, não é trivial capturar e rotular a intenção de um estrategista humano ao tomar uma determinada decisão de engano, principalmente se considerarmos apenas técnicas de aprendizado passivas em Inteligência Artificial. Nesse sentido, este trabalho propõe uma nova abordagem que combina aprendizado ativo e raciocínio baseado em casos (Case-based Reasoning - CBR), na qual um agente quando confrontado com situações que exigem tomada de decisão relacionada ao engano, solicita que um especialista humano faça uma revisão da solução sugerida pelo sistema CBR. Neste processo de aprendizado ativo, caso for necessário, o especialista apresenta uma solução mais adequada para o problema atual. Com isso, o objetivo é capturar sistematicamente experiências de solução de problemas que envolvam engano para posteriormente empregar o conhecimento adquirido visando a tomada de decisões melhores quando confrontado com situações oportunas para o emprego do engano. Resultados experimentais no domínio de um jogo de cartas denominado Truco demonstraram que a utilização da técnica de aprendizado ativo, comparado a técnicas de aprendizado por imitação, habilita um agente jogador de Truco, mesmo utilizando bases de casos com um número reduzido de casos, a jogar em níveis superiores a agentes que utilizam base de casos com tamanhos muito maiores. | por |
dc.contributor.advisor1 | Silva, Luís Alvaro de Lima | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8066370508832550 | por |
dc.contributor.referee1 | Assunção, Joaquim Vinicius Carvalho | |
dc.contributor.referee2 | Freitas, Edison Pignaton de | |
dc.creator.Lattes | http://lattes.cnpq.br/2550299895764706 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Ciência da Computação | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação | por |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.publisher.unidade | Centro de Tecnologia | por |