Learning Bayesian networks with low inference complexity

Benjumeda Barquita, Marco Alberto; Larrañaga Múgica, Pedro María y Bielza Lozoya, María Concepción (2016). Learning Bayesian networks with low inference complexity. "Progress in Artificial Intelligence", v. 5 (n. 1); pp. 15-26. ISSN 2192-6360. https://doi.org/10.1007/s13748-015-0070-0.

Descripción

Título: Learning Bayesian networks with low inference complexity
Autor/es:
  • Benjumeda Barquita, Marco Alberto
  • Larrañaga Múgica, Pedro María
  • Bielza Lozoya, María Concepción
Tipo de Documento: Artículo
Título de Revista/Publicación: Progress in Artificial Intelligence
Fecha: 2016
Volumen: 5
Materias:
Palabras Clave Informales: Probabilistic graphical models; Bayesian networks; Arithmetic circuits; Network polynomials; Structure learning; Thin models
Escuela: E.T.S. de Ingenieros Informáticos (UPM)
Departamento: Inteligencia Artificial
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
Pdf - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (879kB) | Vista Previa

Resumen

One of the main research topics in machine learning nowadays is the improvement of the inference and learning processes in probabilistic graphical models. Traditionally, inference and learning have been treated separately, but given that the structure of the model conditions the inference complexity, most learning methods will sometimes produce inefficient inference models. In this paper we propose a framework for learning low inference complexity Bayesian networks. For that, we use a representation of the network factorization that allows efficiently evaluating an upper bound in the inference complexity of each model during the learning process. Experimental results show that the proposed methods obtain tractable models that improve the accuracy of the predictions provided by approximate inference in models obtained with a well-known Bayesian network learner.

Proyectos asociados

TipoCódigoAcrónimoResponsableTítulo
Gobierno de EspañaTIN2013-41592-PSin especificarUniversidad Politécnica de MadridAprendizaje de redes bayesianas con variables sin y con direccionalidad para descubrimiento de asociaciones, predicción multirespuesta y clustering
Comunidad de MadridS2013/ICE-2845CASI - CAMAníbal Ramón Figueiras VidalConceptos y Aplicaciones de los Sistemas Inteligentes
FP7604102HBPECOLE POLYTECHNIQUE FEDERALE DE LAUSANNEThe Human Brain Project

Más información

ID de Registro: 41178
Identificador DC: http://oa.upm.es/41178/
Identificador OAI: oai:oa.upm.es:41178
Identificador DOI [BETA]: 10.1007/s13748-015-0070-0
URL Oficial: http://link.springer.com/article/10.1007/s13748-015-0070-0
Depositado por: Memoria Investigacion
Depositado el: 20 Oct 2016 10:10
Ultima Modificación: 01 Feb 2017 23:30
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM