Aprendizaje de estructuras de independencia de modelos probabilísticos gráficos

Abstract

Nuestra investigación se enmarca en el problema del aprendizaje, a partir de datos, de estructuras de independencia de modelos probabilísticos gráficos. Es de especial interés el aprendizaje automatizado de estos modelos a partir de datos, debido principalmente a la presencia cada vez más ubicua de datos digitales. El campo del aprendizaje de máquinas en general, y en particular los miembros de nuestro laboratorio, se han concentrado en el aprendizaje del grafo que representa la estructura de independencias de estos modelos. Durante su tésis doctoral el Dr Bromberg (Bromberg 2007) se ha concentrado en el diseño de algoritmos de aprendizaje de estructuras que utilizan un enfoque basado en independencias (Spirtes et. al. 2000), en contraste con los algoritmos basados en puntaje (Lam and Bacchus 1994, Heckerman 1995). Estos últimos recurren a técnicas para aprendizaje de modelos mas establecidas en la estadística como ser por ejemplo la maximización de la verosimilitud (probabilidad del los datos dado el modelo). El enfoque basado en independencias, en cambio, utiliza un enfoque mas directo para aprender la estructura de independencias del modelo, realizando tests estadísticos de independencia entre las variables aleatorias del sistema. Durante su estadía en Iowa State University, y durante el pasado año ya en UTN-FRM, el Dr. Bromberg ha contribuido con varios algoritmos para el aprendizaje de estructuras de modelos Markovianos con el objetivo de reducir la cantidad de tests estadísticos necesarios durante su ejecución. Recientemente el laboratorio se ha enfocado en un problema más exigente y más importante, el diseño de algoritmos que ante la misma entrada de datos, produzcan modelos de mejor calidad. Estos algoritmos son aplicables tanto a redes Markovianas como Bayesianas.