Análisis e implementación del operador de Bayes multivariante en redes Bayesianas, marginalización aproximada vía simulación

Layo González, Ignacio (2022). Análisis e implementación del operador de Bayes multivariante en redes Bayesianas, marginalización aproximada vía simulación. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S. de Ingenieros Informáticos (UPM), Madrid, España.

Description

Title: Análisis e implementación del operador de Bayes multivariante en redes Bayesianas, marginalización aproximada vía simulación
Author/s:
  • Layo González, Ignacio
Contributor/s:
  • Fernández del Pozo de Salamanca, Juan Antonio
Item Type: Final Project
Degree: Grado en Ingeniería Informática
Date: June 2022
Subjects:
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Inteligencia Artificial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (976kB)

Abstract

Las redes Bayesianas son un modelo gráfico probabilístico que permite representar relaciones de dependencia condicional en datos multivariantes. Este modelo factoriza una distribución de probabilidad conjunta como un producto de distribuciones de probabilidad condicionada, haciendo uso de la independencia condicional entre variables en la red. Obtener la distribución de probabilidad conjunta de la red a partir de las distribuciones de probabilidad condicionadas transforma una distribución de alta dimensión en varias distribuciones marginales de baja dimensión. Este proceso de marginalización se realiza mediante inferencia exacta o aproximada. En la actualidad se utilizan modelos probabilísticos muy complejos que hacen de la inferencia exacta un problema computacionalmente intratable. La inferencia aproximada permite abordar el problema de la inferencia en redes Bayesianas renunciando a cierta precisión. Este trabajo desarrolla los conceptos necesarios para entender las redes Bayesianas e inferencia en redes Bayesianas, así como algunos algoritmos que realizan inferencia exacta y aproximada. Finalmente se hace uso de las librerías bnlearn y gRain en el entorno de programación R para evaluar el rendimiento de dos algoritmos de inferencia aproximada en términos de tiempo de convergencia y error comparando los resultados con los valores obtenidos mediante inferencia exacta.---ABSTRACT---Bayesian networks are a graphic probabilistic model which allows to represent condicional dependence relations in multivariate data. This model factors a joint probability distribution as a product of joint probability distributions, making use of conditional independence between variables in the net. Obtaining the joint probability distribution of the network from the conditional probability distributions transforms a high-dimensional probability distribution into several low-dimensional marginal distributions. This marginalization proccess is done using exact or approximate inference. Currently very complex probabilistic models are used that make exact inference a computationally intractable problem. Approximate inference allows us to approach the Bayesian networks inference problem giving up some precision. This work develops the necessary concepts to understand Bayesian networks and inference in Bayesian networks, as well as some algorithms that perform exact and approximate inference. Finally, two approximate inference algorithms are evaluated using the bnlearn and gRain libraries within the R programming environment, considering their performance in terms of time of convergence and error, comparing the results with the values obtained through exact inference.

More information

Item ID: 71469
DC Identifier: https://oa.upm.es/71469/
OAI Identifier: oai:oa.upm.es:71469
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 01 Aug 2022 20:15
Last Modified: 01 Aug 2022 20:15
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM