Réseau bayésien dynamique étiqueté pour l'apprentissage de structure d'un réseau écologique

RÉSUMÉ. L’apprentissage d’un réseau bayésien dynamique (RBD) consiste à apprendre les indépendances conditionnelles ainsi que les probabilités conditionnelles entre un ensemble de variables aléatoires qui évoluent dans le temps. Dans cet article, nous proposons une méthode d’apprentissage d’un réseau bayésien dynamique "étiqueté". Dans un tel modèle, le graphe représentant les indépendances conditionnelles contient des arcs étiquetés selon un nombre réduit d’interactions possibles. Les tables de probabilités conditionnelles sont définies par des fonctions dont les paramètres, d’un nombre fixe dépendant du nombre d’étiquettes, sont partagés entre toutes les variables aléatoires. L’algorithme d’apprentissage alterne une phase d’estimation des paramètres partagés et d’amélioration de la structure du graphe maximisant localement la vraisemblance des données. Un modèle de RBD étiqueté est proposé pour représenter la dynamique d’espèces en interaction dans un réseau écologique. Des expérimentations numériques démontrent la faisabilité et l’efficacité de l’algorithme d’apprentissage proposé sur cette application.

[1]  G. Schwarz.  Estimating the Dimension of a Model , 1978 .

[2]  Tom M. Mitchell,et al.  Bayesian Network Learning with Parameter Constraints , 2006, J. Mach. Learn. Res..

[3]  Byron K. Williams,et al.  Technical challenges in the application of adaptive management , 2016 .

[4]  Michael P. Wellman.  Fundamental Concepts of Qualitative Probabilistic Networks , 1990, Artif. Intell..

[5]  Jirí Vomlel,et al.  Generalizations of the noisy-or model , 2015, Kybernetika.

[6]  David Maxwell Chickering,et al.  Learning Bayesian Networks is NP-Complete , 2016, AISTATS.

[7]  Jorge Nocedal,et al.  An Interior Point Algorithm for Large-Scale Nonlinear Programming , 1999, SIAM J. Optim..

[8]  Ghada Trabelsi.  New structure learning algorithms and evaluation methods for large dynamic Bayesian networks. (Nouveaux algorithmes d'apprentissage et d'évaluation pour les réseaux bayésiens dynamiques) , 2013 .

[9]  Jon M. Kleinberg,et al.  The link-prediction problem for social networks , 2007, J. Assoc. Inf. Sci. Technol..

[10]  Stuart J. Russell,et al.  Dynamic bayesian networks: representation, inference and learning , 2002 .

[11]  David Maxwell Chickering,et al.  Learning Bayesian Networks: The Combination of Knowledge and Statistical Data , 1994, Machine Learning.

[12]  Mark Novak,et al.  An Online Database for Informing Ecological Network Models: http://kelpforest.ucsc.edu , 2014, PloS one.

[13]  Colin M Beale,et al.  Revealing ecological networks using Bayesian network inference algorithms. , 2010, Ecology.

[14]  Norbert Dojer,et al.  Learning Bayesian Networks Does Not Have to Be NP-Hard , 2006, MFCS.

[15]  Alain Franc,et al.  Metapopulation dynamics as a contact process on a graph , 2004 .

[16]  Janne H. Korhonen,et al.  Tractable Bayesian Network Structure Learning with Bounded Vertex Cover Number , 2015, NIPS.

[17]  Peter J. F. Lucas,et al.  Exploiting causal independence in large Bayesian networks , 2004, Knowl. Based Syst..

[18]  James Cussens,et al.  Bayesian network learning with cutting planes , 2011, UAI.

[19]  Paul P. Wang,et al.  Advances to Bayesian network inference for generating causal networks from observational biological data , 2004, Bioinform..

[20]  Zoubin Ghahramani,et al.  Learning Dynamic Bayesian Networks , 1997, Summer School on Neural Networks.

[21]  Nathalie Peyrard,et al.  Labeled DBN Learning with Community Structure Knowledge , 2017, ECML/PKDD.

[22]  Keiji Kanazawa,et al.  A model for reasoning about persistence and causation , 1989 .

[23]  Linda C. van der Gaag,et al.  Learning Bayesian network parameters under order constraints , 2006, Int. J. Approx. Reason..

[24]  Kevin P. Murphy,et al.  Learning the Structure of Dynamic Probabilistic Networks , 1998, UAI.