FenixEdu™

Dissertação

Advances in Probabilistic Graphical Models EVALUATED

Detalhes: A descrição de comprimento mı́nimo (MDL) é um critério de selecção de modelos bastante conhecido baseado em teoria da informação. O MDL escolhe o modelo que minimiza a descrição do comprimento dos dados e do modelo. Contudo, Rissanen observou que este critério é redundante, no sentido em que não tem em conta que os parâmetros do modelo são enviados anteriormente para o receptor. Portanto, só os conjuntos de dados compatı́veis com estes parâmetros devem ser considerados e isto torna possı́vel comprimir mais a descrição dos dados. Rissanen propôs um novo critério chamado Descrição Completa de Comprimento Mı́nimo (CMDL) que resolve este problema. Nesta tese, consideramos modelos de Redes de Bayes e implementamos um algoritmo de aprendizagem usando o CMDL como função de pontuação, o algoritmo ganancioso de escalada como o procedimentos de procura com o conjunto das redes de cobertura como espaço de procura. Analisamos o desempenho deste novo critério de selecção, usando dados sintéticos e dados reais. Na segunda parte desta tese, propomos um novo algoritmo de aprendizagem de redes de Bayes Dinâmicas k-estruturas consistentes. O algoritmo proposto aumenta exponencialmente o espaço de procura das estruturas de dependências intra-temporais de transição, quando comparado com o estado da arte - estruturas em árvore. Analisamos o desempenho deste novo algoritmo, usando dados sintéticos e reais.
Keywords: descrição de comprimento mínimo, descrição completa de comprimento mínimo, compressão, selecção de modelos, aprendizagem de redes de Bayes, redes de Bayes dinâmicas

Discussão: dezembro 11, 2017, 14:30