Dissertação
Bayesian Network Structure Learning EVALUATED
O raciocínio causal é uma parte fundamental da inteligência humana, sendo aplicado em áreas desde a filosofia antiga e teologia à medicina e economia. As redes Bayesianas são modelos gráficos probabilísticos capazes de representar relações de causa-efeito, com aplicações em modelos de sistemas de diagnóstico médico e de previsão metereológica, por exemplo. Todavia, as abordagens tradicionais para construir redes Bayesianas vêm frequentemente acompanhadas de custos muito elevados, falta de ética ou inviabilidade. Daí decorre a necessidade de algoritmos capazes de aprender redes Bayesianas exclusivamente a partir de dados observacionais, o que não é trivial dada a natureza combinatória do espaço de procura. Recentemente, um novo algoritmo, NOTEARS, estabeleceu uma nova abordagem, reformulando este problema como optimização contínua, o que permite a utilização de técnicas existentes de aprendizagem automática. O trabalho desta tese consiste na apresentação de um novo meta-algoritmo que combina o NOTEARS com um algoritmo tradicional, "state-of-the-art", FGES, oferecendo um maior grau de segurança na identificação e interpretação de relações específicas codificadas nas redes Bayesianas aprendidas, mesmo quando não possuímos conhecimento especializado no campo dos dados observados. Testamos este novo meta-algoritmo em redes Bayesianas de referência, demonstrando que ele é capaz de identificar relações específicas com maior precisão do que os algoritmos individuais. Procedemos também à aplicação do novo meta-algoritmo a conjuntos de dados publicamente disponíveis e apresentamos um método para avaliar os resultados obtidos. Nas experiências conduzidas, o novo meta-algoritmo apresentou resultados competitivos com os algoritmos mencionados, superando consistentemente o NOTEARS e até o FGES.
outubro 7, 2021, 8:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar