PASCAL - Pattern Analysis, Statistical Modelling and Computational Learning

Apprentissage de structure des réseaux bayésiens et données incomplètes
Olivier François and Philippe Leray
In: 5èmes Journées d'Extraction et de Gestion des Connaissances (EGC 2005), 19-21 Jan 2005, Paris, France.

Abstract

Le formalisme des modèles graphiques connait actuellement un essor dans les domaines du machine learning. En particulier, les réseaux bayésiens sont capables d'effectuer des raisonnements probabilistes à partir de données incomplètes alors que peu de méthodes sont actuellement capables d'utiliser les bases d'exemples incomplètes pour leur apprentissage. En s'inpirant du principe de ams-em proposé par [Friedman, 1997] et des travaux de [Chow & Liu, 1968], nous proposons une méthode permettant de faire l'apprentissage de réseaux bayésiens particuliers, de structure arborescente, à partir de données incomplètes. Une étude expérimentale expose ensuite des résultats préliminaires qu'il est possible d'attendre d'une telle méthode, puis montre le gain potentiel apporté lorsque nous utilisons les arbres obtenus comme initialisation d'une méthode de recherche gloutonne comme ams-em.

PDF - PASCAL Members only - Requires Adobe Acrobat Reader or other PDF viewer.
EPrint Type:Conference or Workshop Item (Paper)
Project Keyword:Project Keyword UNSPECIFIED
Subjects:Computational, Information-Theoretic Learning with Statistics
Learning/Statistics & Optimisation
Theory & Algorithms
ID Code:991
Deposited By:Philippe Leray
Deposited On:19 June 2005