Nouveaux algorithmes d’apprentissage et méthodes d’évaluation pour les grands réseaux bayésiens dynamiques
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) |
autre partenaire : Université de Nantes. Faculté des sciences et des techniques | |
Jury : | Président / Présidente : Sylvain Piechowiak |
Examinateurs / Examinatrices : Sylvain Piechowiak, Nahla Ben Amor | |
Rapporteurs / Rapporteuses : Nahla Ben Amor |
Mots clés
Mots clés contrôlés
Mots clés libres
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.