Structure learning of Bayesian networks via data perturbation (2018)
- Authors:
- Autor USP: GROSS, TADEU JUNIOR - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- Subjects: MÉTODOS DE PERTURBAÇÃO; ENVELHECIMENTO DA POPULAÇÃO; TRANSTORNOS COGNITIVOS
- Keywords: Aprendizado de estruturas robustas; D-separação; Descoberta de associações; Estabilidade de arcos; Expressão fechada para calcular a frequência-de-corte; Fatores de risco; Grafo acíclico dirigido; Limiar analítico; Média de modelos; Perturbação de dados via bootstrap; Rede Bayesiana; Síndrome metabólica
- Language: Inglês
- Abstract: O aprendizado da estrutura de uma Rede Bayesiana (BN) é um problema NP-difícil, e o uso de estratégias sub-ótimas é essencial em domínios que envolvem muitas variáveis. Uma delas consiste em gerar várias estruturas aproximadas e depois reduzir o conjunto a uma estrutura representativa. É possível usar a frequência de ocorrência (no conjunto de estruturas) como critério para aceitar um arco dominante entre dois nós e assim obter essa estrutura única. Nesta pesquisa de doutorado, foi feita uma analogia com um passeio aleatório unidimensional adaptado para deduzir analiticamente um limiar de decisão apropriado para essa frequência de ocorrência. A expressão de forma fechada obtida foi validada usando bases de dados de referência e aplicando o Coeficiente de Correlação de Matthews como métrica de desempenho. Nos experimentos utilizando dados médicos recentes, a BN resultante da frequência de corte analítica capturou as associações esperadas entre os nós e também obteve melhor desempenho de predição do que as BNs aprendidas com limiares vizinhos ao calculado. Na literatura, a característica contabilizada ao longo das estruturas perturbadas tem sido as arestas e não as arestas direcionadas (arcos) como nesta tese. Essa estratégia modificada ainda foi aplicada a um conjunto de dados de idosos para identificar potenciais relações entre variáveis de interesse médico, mas usando um limiar aumentado em vez do previsto pela fórmula proposta - essa cautela deve-se às possíveis implicações sociais do achado. A motivação por trás dessa aplicação é que, apesar da proporção de idosos na população ter aumentado substancialmente nas últimas décadas, os fatores de risco que devem ser controlados com antecedência para garantir um processo natural de declínio mental devido ao envelhecimento permanecem desconhecidos.No modelo estrutural aprendido, investigou-se graficamente o mecanismo de dependência probabilística entre duas variáveis de interesse médico: o fator de risco suspeito conhecido como Síndrome Metabólica e o indicador de declínio mental denominado Comprometimento Cognitivo. Nessa investigação, empregou-se o conceito conhecido no contexto de BNs como D-separação. Esse estudo revelou que a dependência entre Síndrome Metabólica e Variáveis Cognitivas de fato existe e depende tanto do Índice de Massa Corporal quanto da idade
- Imprenta:
- Publisher place: São Carlos
- Date published: 2018
- Data da defesa: 29.11.2018
-
ABNT
GROSS, Tadeu Junior. Structure learning of Bayesian networks via data perturbation. 2018. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2018. Disponível em: http://www.teses.usp.br/teses/disponiveis/18/18153/tde-19022019-134517/. Acesso em: 28 mar. 2024. -
APA
Gross, T. J. (2018). Structure learning of Bayesian networks via data perturbation (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/18/18153/tde-19022019-134517/ -
NLM
Gross TJ. Structure learning of Bayesian networks via data perturbation [Internet]. 2018 ;[citado 2024 mar. 28 ] Available from: http://www.teses.usp.br/teses/disponiveis/18/18153/tde-19022019-134517/ -
Vancouver
Gross TJ. Structure learning of Bayesian networks via data perturbation [Internet]. 2018 ;[citado 2024 mar. 28 ] Available from: http://www.teses.usp.br/teses/disponiveis/18/18153/tde-19022019-134517/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas