desenvolvimento de protótipo para prova de conceito com a framework infer.net elaborado por carlos...
TRANSCRIPT
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