Bayesian network quantization method and structural learning (2024)
- Authors:
- Autor USP: RIBEIRO, RAFAEL RODRIGUES MENDES - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- DOI: 10.11606/T.18.2024.tde-08032024-101119
- Subjects: ALGORITMOS; REDES NEURAIS; APRENDIZADO COMPUTACIONAL; INFERÊNCIA BAYESIANA
- Keywords: Algoritmos evolutivos; Aprendizagem estrutural; Redes Bayesianas
- Agências de fomento:
- Language: Inglês
- Abstract: Redes Bayesianas (BNs) são modelos versáteis para capturar relações complexas e são amplamente aplicados em diversos campos. Este estudo concentra-se em BNs com variáveis discretas. A qualidade do modelamento depende do volume adequado de dados, especialmente para construir tabelas de probabilidade condicional (CPTs). A quantidade de dados necessários varia com o Grafo Direcionado Acíclico (DAG) escolhido para a BN. A aprendizagem estrutural da BN envolve um problema NP-difícil com um espaço de busca DAG superexponencial. Esta tese propõe investigar a otimização multiobjetivo na aprendizagem estrutural de BN (BNSL) para equilibrar critérios conflitantes. A abordagem utiliza conjuntos de Pareto e Algoritmos Genéticos (GAs) multiobjetivo. Para realizar a BNSL, desenvolveu-se um GA multiobjetivo adaptativo paralelo com ajuste automático de parâmetros, denominado Algoritmo Genético Adaptativo com Tamanho de População Variável (AGAVaPS). Esse algoritmo proposto é extensivamente testado em diversas aplicações e em BNSL, mostrando-se superior a HillClimbing e Tabu Search em algumas métricas utilizadas. O estudo também explora o impacto da quantização de dados no espaço de busca de BNSL. Introduz ainda um método de quantização chamado Quantização Baseada em Limite de CPT (CLBQ) que equilibra qualidade do modelo, fidelidade aos dados e pontuação da estrutura. A eficácia desse método é testada, demonstrando sua capacidade de ser usado na BNSL baseada em busca e pontuação. CLBQ obtém bons resultados, escolhendo quantizações com um bom erro médio quadrático e modelando bem as distribuições das variáveis. Além disso, CLBQ é adequado para uso em BNSL
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 05.02.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
RIBEIRO, Rafael Rodrigues Mendes. Bayesian network quantization method and structural learning. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-08032024-101119/. Acesso em: 12 maio 2024. -
APA
Ribeiro, R. R. M. (2024). Bayesian network quantization method and structural learning (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18153/tde-08032024-101119/ -
NLM
Ribeiro RRM. Bayesian network quantization method and structural learning [Internet]. 2024 ;[citado 2024 maio 12 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-08032024-101119/ -
Vancouver
Ribeiro RRM. Bayesian network quantization method and structural learning [Internet]. 2024 ;[citado 2024 maio 12 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-08032024-101119/ - Bayesian network structural learning using adaptive genetic algorithm with varying population size
- AGAVaPS: adaptive genetic algorithm with varying population size
- Robustness of reconfigurable complex systems by a multi-agent simulation: application on power distribution systems
- Resilience assessment of self-healing systems with redundancy
- Entropy: from thermodynamics to signal processing
- Applying PDC for the recognition of firearm’s calibre
- Metaheuristic search for optimum cost-benefit resilience level by redundancy adding
- Time to event analysis for failure causes in electrical power distribution systems
- Lifetime study of electrical power distribution systems failures
Informações sobre o DOI: 10.11606/T.18.2024.tde-08032024-101119 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas