Avaliação empírica de aprendizagem incremental de estruturas de redes bayesianas.

• Ano de defesa: 2019
• Autor(a) principal: SILVA, Luiz Antonio Pereira.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO; UFCG
• Palavras-chave em Português: Redes Bayesianas; Aprendizagem Incremental; Adaptação Estrutural; Refinamento Estrutural; Bayesian Networks; Incremental Learning; Structural Adaptation; Structural Refinemen; Ciência da Computação
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/10659

Redes Bayesianas podem ser construídas baseadas no conhecimento do especialista, nos dados históricos, ou em ambos. No entanto, alterações no domínio de aplicação, imprecisões ou alta complexidade nas informações coletadas podem resultar em produções de redes Bayesianas com baixa usabilidade e/ou baixa precisão. Diante deste problema, é essencial melhorar o modelo gerado à medida que novos conhecimentos são coletados, incorporando, continuamente, o conhecimento novo ao existente. Neste trabalho, dois estudos são realiza- dos a partir de duas perspectivas diferentes com o objetivo de avaliar e melhor compreender o uso de algoritmos de aprendizagem incremental de estruturas de redes Bayesianas em contextos diversos de uso. No primeiro estudo, uma revisão sistemática da literatura é realizada com o intuito de identificar e avaliar soluções para o aprendizado incremental de estruturas de redes Bayesianas, bem como para delinear direções de novas pesquisas relacionadas. No segundo estudo, duas das soluções encontradas são avaliadas, experimentalmente, utilizando dados reais e sintéticos com o objetivo de testá-las em contextos diferentes e comparar suas performances quanto à qualidade da rede aprendida. Na revisão sistemática, grande parte dos estudos relevantes existentes na literatura são reunidos e é identificado que os procedimentos de aprendizagem destas soluções podem ser classificados como refinamento ou adaptação, em que a principal diferença entre eles está em como utilizam o novo conhecimento adquirido. É possível identificar com a avaliação empírica que as soluções incrementais analisadas produzem resultados com pontuação idêntica aos geradas por soluções de aprendizado em lote, mas diferem na generalização de novos dados. Nota-se também que características do contexto e fatores de restrição aplicados pelos algoritmos interferem na qualidade de generalização das redes. De modo geral, é concluído que os algoritmos de aprendizagem incremental de estruturas de redes Bayesianas analisados podem ser considerados uma solução aceitável em contextos restritos de uso.