Une unification des algorithmes d'inférence de Pearl et de Jensen
Les réseaux bayésiens sont un des outils les plus populaires de la communauté Intelligence Artificielle pour gérer des incertitudes. Ils allient en effet un aspect graphique très expressif et des mécanismes d'inférence de nouvelles informations très efficaces. Deux catégories d'algorithmes existent à cet effet : les méthodes non orientées travaillant sur des structures secondaires telle que celle de Jensen et les méthodes comme celle de Pearl, travaillant sur le réseau bayésien d'origine. Il est communément admis que les premières sont nettement plus efficaces que les secondes. Nous présentons dans cet article un algorithme permettant d'obtenir une structure secondaire orientée très liée à celle de Jensen et nous montrons que des calculs similaires à ceux de Pearl menés dans cette nouvelle structure atteignent des performances identiques à celles de l'algorithme de Jensen.
By combining a very expressive graph and efficient inference mechanisms, Bayesian networks have become increasingly popular among the Artificial Intelligence community for dealing with uncertainty. Methods for propagating evidence in the network can be divided into two classes: i) those that, like Pearl, use the Bayesian network structure to conduct the inference process; and ii) those that, like Jensen, create undirected secondary structures and perform computations in these new structures. It is commonly thought that the latter are much more efficient than the former. In this paper, we present an algorithm that constructs a new directed secondary structure, much related to Jensen's one, and we show that Pearl's algorithm whithin this new structure is as efficient as Jensen's algorithm.
O.BEN NACEUR-MOURALI, C.GONZALES
réseaux bayésiens, inférence, propagation, triangulation, arbres de jonction.
Bayesian networks, inference, propagation, triangulation, junction trees.
Français
|
