Learning low inference complexity Bayesian networks

Benjumeda Barquita, Marco Alberto; Larrañaga Múgica, Pedro María y Bielza Lozoya, María Concepción (2015). Learning low inference complexity Bayesian networks. En: "XVI Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA 2015)", 09-12 Nov 2015, Albacete, España. ISBN 978-84-608-4099-2. pp. 11-20.

Descripción

Título: Learning low inference complexity Bayesian networks
Autor/es:
  • Benjumeda Barquita, Marco Alberto
  • Larrañaga Múgica, Pedro María
  • Bielza Lozoya, María Concepción
Tipo de Documento: Ponencia en Congreso o Jornada (Otro)
Título del Evento: XVI Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA 2015)
Fechas del Evento: 09-12 Nov 2015
Lugar del Evento: Albacete, España
Título del Libro: Actas de la XVI Conferencia de la Asociación Española para la Inteligencia Artificial
Fecha: 2015
ISBN: 978-84-608-4099-2
Volumen: 1
Materias:
Palabras Clave Informales: Probabilistic graphical models; Bayesian networks; Arith- metic 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 (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (301kB) | Vista Previa

Resumen

One of the main research topics in machine learning nowa- days is the improvement of the inference and learning processes in proba- bilistic 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 ineficient inference models. In this paper we propose a new representa- tion for discrete probability distributions that allows eficiently evaluat- ing the inference complexity of the models during the learning process. We use this representation to create procedures for learning low infer- ence complexity Bayesian networks. 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 EspañaC080020-09Sin especificarSin especificarSin especificar
Comunidad de MadridS2013/ICE-2845-CASI-CAM-CMSin especificarSin especificarSin especificar
FP7FP7/2007-2013Sin especificarSin especificarSin especificar

Más información

ID de Registro: 42133
Identificador DC: http://oa.upm.es/42133/
Identificador OAI: oai:oa.upm.es:42133
URL Oficial: http://simd.albacete.org/actascaepia15/
Depositado por: Memoria Investigacion
Depositado el: 20 Oct 2016 09:00
Ultima Modificación: 20 Oct 2016 09:00
  • 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