FenixEdu™

Dissertação

Sparse Dynamic Bayesian network estimation using generalized linear models EVALUATED

Detalhes: As redes Bayesianas Dinâmicas são modelos probabilísticos gráficos usados para a modelação de processos estocásticos. Atendendo às recentes aplicações de data mining, estes modelos podem ser treinados com séries temporais multivariadas e a sua interpretação permite encontrar relações interessantes entre as variáveis medidas. Os algoritmos de aprendizagem ótimos têm, contudo, uma elevada complexidade computacional. Esta dificuldade inspira o desenvolvimento de novas técnicas que recorrem a procedimentos heurísticos para reduzir o espaço de procura. Esta dissertação introduz um método de treino chamado sDBN, que possui uma complexidade computacional mais atrativa e pode ser utilizado para dados com alta dimensionalidade. Esta nova técnica recorre a métodos recentes que ligam o treino de redes Bayesianas discretas com modelos lineares generalizados. O método proposto treina redes estacionárias e não estacionárias, recebendo como entrada um atraso de Markov. Os resultados experimentais mostram que o algoritmo proposto consegue identificar redes válidas e atinge recuperação perfeita de estruturas com dimensão elevada, utilizando dados simulados. Neste contexto, o algoritmo supera os métodos mais avançados disponíveis em termos de qualidade e de tempo de treino. Ao classificar séries temporais reais, o sDBN mostra também resultados competitivos. Em dados médicos de pacientes com Espondilite Anquilosante, retirados do Reuma.pt, uma base de dados nacional de doentes reumáticos, o algoritmo recupera estruturas inteligíveis e consegue prever a progressão da doença. Estes resultados posicionam o sDBN como um método alternativo viável para o treino de redes Bayesianas dinâmicas e sugerem que o algoritmo pode ser treinado com dados de alta dimensionalidade.
Keywords: séries temporais multivariadas, redes Bayesianas dinâmicas, modelos lineares generalizados, aprendizagem automática de estrutura, dados de alta dimensionalidade, data mining

Discussão: setembro 26, 2021, 9:0