Nouveaux algorithmes d’apprentissage et méthodes d’évaluation pour les grands réseaux bayésiens dynamiques

New structure learning algorithms and evaluation methods for large dynamic Bayesian networks

• Auteur / Autrice : Ghada Trabelsi
• Direction : Philippe Leray, Mohamed Adel Alimi
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2013
• Etablissement(s) : Nantes
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et mathématiques (Nantes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’Informatique de Nantes Atlantique (UMR 6241) (Nantes)
• Partenaire(s) de recherche : autre partenaire : Université de Nantes. Faculté des sciences et des techniques
• Jury : Président / Présidente : Sylvain Piechowiak
• Jury : Examinateurs / Examinatrices : Sylvain Piechowiak, Nahla Ben Amor
• Jury : Rapporteurs / Rapporteuses : Nahla Ben Amor

Mots clés

Mots clés contrôlés

Méthode comparative

Statistique bayésienne

Mots clés libres

Structure d’apprentissage

Méthodes de recherche locale

Résumé

Les réseaux bayésiens dynamiques (RBD) sont une classe de modèles graphiques probabilistes qui est devenu un outil standard pour la modélisation de divers phénomènes stochastiques variant dans le temps. A cause de la complexité induite par l’ajout de la dimension temporelle, l’apprentissage de la structure DBN est une tâche très complexe. Les algorithmes existants sont des adaptations des algorithmes d’apprentissage de structure pour les RB basés sur score mais sont souvent limitées lorsque le nombre de variables est élevée. Une autre limitation pour les études d’apprentissage de la structure des RBD, ils utilisent leurs propres Benchmarks et techniques pour l'évaluation. Le problème dans le cas dynamique, nous ne trouvons pas de travaux antérieurs qui fournissent des détails sur les réseaux et les indicateurs de comparaison utilisés. Nous nous concentrons dans ce projet à l’apprentissage de la structure des RBD et ses méthodes d’ évaluation avec respectivement une autre famille des algorithmes d’apprentissage de la structure, les méthodes de recherche locale, et une nouvelle approche de génération des grandes standard RBD et un métrique d’ évaluation. Nous illustrons l’intérêt et de ces méthodes avec des résultats expérimentaux.

Dynamic Bayesian networks (DBNs) are a class of probabilistic graphical models that has become a standard tool for modeling various stochastic time-varying phenomena. Probabilistic graphical models such as 2-Time slice BN (2TBNs) are the most used and popular models for DBNs. Because of the complexity induced by adding the temporal dimension, DBN structure learning is a very complex task. Existing algorithms are adaptations of score-based BN structure learning algorithms but are often limited when the number of variables is high. Another limitation of DBN structure learning studies, they use their own benchmarks and techniques for evaluation. The problem in the dynamic case is that we don’t find previous works that provide details about used networks and indicators of comparison. We focus in this project on DBN structure learning and its methods of evaluation with respectively another family of structure learning algorithms, local search methods, known by its scalability and a novel approach to generate large standard DBNs and metric of evaluation. We illustrate the interest of these methods with experimental results.