Desenvolvimento de protótipo para prova de conceito com a framework Infer.NET

Geração automática de Redes Bayesianas

Elaborado por Carlos Mareco

Aluno nº 20101417

Orientador: Professor Joaquim Canhoto

São vários os autores que defendem a importância

e o potencial de crescimento dos sistemas periciais

e de apoio à decisão, nomeadamente nas áreas da

saúde, quer no diagnóstico médico, quer nos

sistemas de controlo e gestão.

Amit X. Garg, et al., 2005

Kawamoto, Houlihan, Balas, & Lobach, 2005

Roshanov, et al., 2013

Tiwari, Tsapepas, Powell, & Martin, 2013

Introdução

O nome de “Redes Bayesianas” resulta da utilização das teorias relacionadas com a probabilidade condicionada e foi estabelecido por Thomas Bayes.

Bayes, 1764

Redes Bayesianas (RB) são diagramas que organizam o conhecimento sobre determinada área através da construção de relações entre causas e efeitos.

Sucar, 2006

Descrição da Área e ProblemáticaRedes Bayesianas

Uma rede Bayesiana codifica uma distribuição conjunta de probabilidades dada por

onde X=(x1,..., Xn) é um vector de todas as variáveis no problema; é o conjunto de pais de Xi na rede (o conjunto de nós de onde existe uma extremidade para Xi); e é a probabilidade condicional de Xi dados os seus pais .

Descrição da Área e ProblemáticaRedes Bayesianas

P(N=F)

P(N=V)

0.5 0.5

Descrição da Área e ProblemáticaRedes Bayesianas

Nublado

Relva molhad

a

ChuvaRega

N P(R=F)

P(R=V)

F 0.5 0.5

V 0.9 0.1

N P(C=F)

P(C=V)

F 0.8 0.2

V 0.2 0.8R C

P(R=F)

P(R=V)

F F 1.0 0.0

V F 0.1 0.9

F V 0.1 0.9

V V 0.01 0.99

• Inspirados no princípio Darwiniano da evolução das espécies e na genética;

• São algoritmos probabilísticos baseados no princípio de sobrevivência dos mais aptos e na reprodução;

• Muito úteis nos casos em que o espaço de procura é muito grande;

• Robustos, genéricos e facilmente adaptáveis, estes algoritmos consistem numa técnica amplamente estudada e utilizada em diversas áreas.

Lucas, 2002

Descrição da Área e ProblemáticaAlgoritmos Genéticos

Um algoritmo baseado nos conceitos dos

algoritmos genéticos que usa a estimativa de

uma distribuição de probabilidade de soluções

promissoras (PMBGA), a fim de gerar soluções

de novos candidatos é proposto no final da

década de 90 e dá pelo nome de Bayesian

Optimization Algorithm (BOA).

Pelikan, Goldberg, & Cantú-Paz, 1999

Descrição da Área e ProblemáticaBayesian Optimization Algorithm

• Problemas: domínios complexos; várias fontes

de informação; várias fontes de incerteza.

• O apoio à decisão informatizado pode ajudar a

melhorar a eficácia do decisor.

• RB aceites como metodologia de princípios para

a modelagem de domínios complexos, com

incerteza, e várias fontes de informação.

Relevância do trabalho

• Verificar a possibilidade de gerar uma RB, com diversas formas de inferência, utilizando a framework de investigação infer.NET, da Microsoft Research;

• Utilizando a mesma framework, verificar a possibilidade de gerar uma RB de forma automática apenas com base nos dados do problema;

• Verificar se é possível optimizar uma rede gerada automaticamente tendo por base um dos algoritmos de optimização estudados.

Objectivo

P(N=F)

P(N=V)

0.5 0.5

Programação ProbabilísticaRedes Bayesianas

Nublado

Relva molhad

a

ChuvaRega

N P(R=F)

P(R=V)

F 0.5 0.5

V 0.9 0.1

N P(C=F)

P(C=V)

F 0.8 0.2

V 0.2 0.8R C

P(R=F)

P(R=V)

F F 1.0 0.0

V F 0.1 0.9

F V 0.1 0.9

V V 0.01 0.99

Programação ProbabilísticaRedes Bayesianas

Nublado

Relva molhad

a

ChuvaRega

P(N=F)

P(N=V)

0.5 0.5

P(R=F)

P(R=V)

0.5 0.5

P(C=F)

P(C=V)

0.5 0.5

?

Programação ProbabilísticaRedes Bayesianas

Nublado

Relva molhad

a

ChuvaRega

P(N=F)

P(N=V)

0.5 0.5

P(R=F)

P(R=V)

0.5 0.5

?

N P(C=F)

P(C=V)

F 0.8 0.2

V 0.2 0.8

P(N=F)

P(N=V)

0.5 0.5

ProtótipoRedes Bayesianas

Nublado

Relva molhad

a

ChuvaRega

N P(R=F)

P(R=V)

F 0.5 0.5

V 0.9 0.1

N P(C=F)

P(C=V)

F 0.8 0.2

V 0.2 0.8R C

P(R=F)

P(R=V)

F F 1.0 0.0

V F 0.1 0.9

F V 0.1 0.9

V V 0.01 0.99

ProtótipoRedes Bayesianas

• As Redes Bayesianas e os algoritmos de melhoria representam uma vasta área de estudo com inúmeras vertentes.

• São poderosas ferramentas de modelação de conhecimento, capazes de lidar com a incerteza e executar previsões variadas.

Conclusões

• O estado da arte apresentado demonstra que o tema é actual e que o uso prático é comum no desenvolvimento aplicacional.

• A framework possibilita a construção de automatismos

• A framework tem versatilidade e capacidade de gerar automaticamente uma RB com diferentes configurações

Conclusões

• Desenvolvimento de um algoritmo de geração automática de redes, e respectiva metodologia de avaliação de desempenho.

Futuro