New structure learning algorithms and evaluation methods for large dynamic Bayesian networks. (Nouveaux algorithmes d'apprentissage et d'évaluation pour les réseaux bayésiens dynamiques)

Les reseaux bayesiens dynamiques (RBD) sont une classe de modeles graphiques probabilistes qui est devenu un outil standard pour la modelisation de divers phenomenes stochastiques variant dans le temps. A cause de la complexite induite par l’ajout de la dimension temporelle, l’apprentissage de la structure DBN est une tâche tres complexe. Les algorithmes existants sont des adaptations des algorithmes d’apprentissage de structure pour les RB bases sur score mais sont souvent limitees lorsque le nombre de variables est elevee. Une autre limitation pour les etudes d’apprentissage de la structure des RBD, ils utilisent leurs propres Benchmarks et techniques pour l'evaluation. Le probleme dans le cas dynamique, nous ne trouvons pas de travaux anterieurs qui fournissent des details sur les reseaux et les indicateurs de comparaison utilises. Nous nous concentrons dans ce projet a l’apprentissage de la structure des RBD et ses methodes d’ evaluation avec respectivement une autre famille des algorithmes d’apprentissage de la structure, les methodes de recherche locale, et une nouvelle approche de generation des grandes standard RBD et un metrique d’ evaluation. Nous illustrons l’interet et de ces methodes avec des resultats experimentaux.