Bayesian Network Structure Local Learning from Incomplete Data
Autores
|
5597 |
Roosevelt de Lima Sardinha
|
2575,250
|
|
5598 |
2575,250
|
Informações:
Publicações do PESC
Neste trabalho, o BBSL (Bayes Ball Structure Learning), um algoritmo para aprendizado de estrutura de redes bayesianas a partir de dados incompletos é apresentado. O BBSL melhora a classificação de uma variável escolhida pelo usuário alterando a estrutura da rede nos arredores da variável de classe. Esse algoritmo é capaz de lidar com dados incompletos utilizando o critério de d-separação, adotado no algoritmo Bayes Ball, uma alternativa ao uso da Markov Blanket para dados incompletos. BBSL é também um algoritmo de aprendizado local, o que permite que sua execução não seja dependente do número de variáveis do domínio consideradas, sendo uma alternativa de execução rápida a algoritmos presentes na literatura.
Os resultados obtidos neste trabalho mostram que o BBSL é uma alternativa eficiente para o aprendizado que visa melhorar a classificação de uma dada variável. O BBSL é comparado com um algoritmo baseado em restrições (GS), um híbrido (MMHC) e um baseado em pontuação (SEM com GHC), mostrando bons resultados em termos de tempo, comparável a opção baseada em restrições, e em termos de score CLL (Conditional Log-Likelihood). A abordagem local, usando d-separação, e score próprio para problemas de classificação, contribui para que a busca seja mais eficiente ao restringi-la a um determinado conjunto de redes bayesianas com modificações locais, reduzindo o tempo de execução do algoritmo, mesmo com dados incompletos.
In this work, BBSL (Bayes Ball Structure Learning), an algorithm for learning the structure of bayesian networks from incomplete data is presented. BBSL improves the classification of a variable chosen by the user by changing the network structure in the surroundings of the class variable. This algorithm is able to work with incomplete data using d-separation criteria, in Bayes Ball, an alternative to the use of the Markov Blanket for incomplete data. BBSL is also a local learning algorithm, what allows it to execute independently of the number of variables in the domain considered, being a fast execution alternative to algorithms present in the literature.
The results obtained in this work show that BBSL is an eficient alternative to learning for enhancing the classification of a specific variable chosen by the user. BBSL is compared to a constraint-based algorithm (GS), a hybrid one (MMHC) and a score-based one (SEM with GHC), presenting good results in terms of time, comparable to the constraint-based option, and in terms of CLL (Conditional Log-Likelihood) score. The local approach, using d-separation, and appropriate score to classification tasks, contribute to a more eficient search by restricting it to a specific set of bayesian networks with local changes, reducing the algorithm's execution time, even in the presence of incomplete data.