A method in bayesian network knowledge engineering for state-space reduction

Abstract

Redes Bayesianas são um poderoso instrumento em procedimentos de engenharia de conhecimento. Elas permitem uma mais ampla compreensão do problema ao identificarem não somente as relações de dependência entre as variáveis que o constituem, mas inclusive os pesos dessas conexões, por meio de distribuições de probabilidade condicional definidas sobre cada variável. Ainda, informação recém-obtida acerca do estado de uma variável, ou de um conjunto delas, é automaticamente propagada por toda a rede, de modo a atualizar tais distribuições de probabilidade de acordo com as novas evidências, permitindo, assim, que predições sobre estados passado ou futuro do sistema como um todo sejam feitas. Para a modelagem de um problema sob a perspectiva de uma engenharia de conhecimento em redes Bayesianas, aprendizado e avaliação são duas rotinas preliminares fundamentais. Por meio do processo de aprendizado, as estruturas topológica e paramétrica da rede são estabelecidas, seja com o auxílio de um especialista no domínio do problema ou mediante um método automatizado de aprendizado de estrutura. Neste último caso, inúmeras opções estão prontamente disponíveis na literatura para tal propósito, diferindo-se entre si no tocante à abordagem estatística efetuada. A primeira parte desta pesquisa desenvolveu uma análise comparativa entre alguns dos mais bem conhecidos algoritmos de aprendizado de estrutura, como prova de conceito da metodologia elaborada para auxiliar na definição de qual método retorna a estrutura que mais adequadamente modela um dado problema. Uma vez definida a rede, o estágio de avaliação então foca em encontrar meios de aprimorar a eficácia preditiva do modelo. Quando estruturada sobre problemas reais, a rede Bayesiana geralmente contém diversas variáveis semanticamente significantes e com espaços amostrais numerosos, os quais podem induzir um modelo pouco informativo e com baixa precisão. A segunda parte deste trabalho investigou o problema não resolvido de como reduzir o tamanho de tais espaços amostrais, preservando-se tanto o significado semântico das respectivas variáveis quanto a eficácia preditiva do modelo, por meio da formulação de uma estratégia de agrupamento de espaços amostrais baseada em similaridade semântica, proposta esta que sintetiza a principal contribuição da pesquisa de Doutorado realizada. Implementações práticas e discussões analíticas de ambas as partes da investigação mostraram resultados promissores, meritórios de novos aprimoramentos em potenciais trabalhos futuros.