Aprendizaje de Estructuras de Independencia de Modelos Probabilísticos Gráficos

BROMBERG, FACUNDO; SCHLUTER, FEDERICO

San Juan, ARGENTINA

Workshop; Workshop Investigadores de Ciencias de la Computación; 2009

Red UNCI

La principal línea de nuestra investigación estudia                                                                   mecanismos de aprendizaje de estructuras deNuestra investigación se enmarca en el problema del     modelos probabilísticos gráficos, con el objetivo deaprendizaje, a partir de datos, de estructuras de       proponer nuevas perspectivas o enfoques alindependencia de modelos probabilísticos gráficos.      problema, aportando propuestas que mejoren laEs de especial interés el aprendizaje automatizado de   calidad y la eficiencia de los algoritmos propuestosestos modelos a partir de datos, debido                 hasta la actualidad. El aprendizaje de estructuras seprincipalmente a la presencia cada vez más ubicua       efectúa mediante mecanismos que infieren, a partirde datos digitales. El campo del aprendizaje de         de los datos, modelos probabilísticos gráficos (Pearlmáquinas en general, y en particular los miembros       1988, Lauritzen 1996). Entre éstos, redes Bayesianasde nuestro laboratorio, se han concentrado en el        y redes Markovianas son importantes modelos queaprendizaje del grafo que representa la estructura de   han contribuido con aumentos considerables en laindependencias de estos modelos. Durante su tésis       eficiencia    del     proceso    de    razonamientodoctoral el Dr Bromberg (Bromberg 2007) se ha           probabilístico, ofreciendo mecanismos de inferenciaconcentrado en el diseño de algoritmos de               estadística prácticos para estimación de valores enaprendizaje de estructuras que utilizan un enfoque      diversas ramas de la ciencia.basado en independencias (Spirtes et. al. 2000), encontraste con los algoritmos basados en puntaje(Lam and Bacchus 1994, Heckerman 1995). Estosúltimos recurren a técnicas para aprendizaje demodelos mas establecidas en la estadística como serpor ejemplo la maximización de la verosimilitud(probabilidad del los datos dado el modelo). Elenfoque basado en independencias, en cambio,utiliza un enfoque mas directo para aprender laestructura de independencias del modelo, realizandotests estadísticos de independencia entre lasvariables aleatorias del sistema. Durante su estadíaen Iowa State University, y durante el pasado año yaen UTN-FRM, el Dr. Bromberg ha contribuido convarios algoritmos para el aprendizaje de estructurasde modelos Markovianos con el objetivo de reducirla cantidad de tests estadísticos necesarios durante suejecución. Recientemente el laboratorio se haenfocado en un problema más exigente y másimportante, el diseño de algoritmos que ante lamisma entrada de datos, produzcan modelos demejor calidad. Estos algoritmos son aplicables tantoa redes Markovianas como Bayesianas.