ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
« La Maison Intelligente »
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 32/1 - 2018  - pp.11-38  - doi:10.3166/ria.32.11-38
TITRE
Réseau bayésien dynamique étiqueté pour l’apprentissage de structure d’un réseau écologique

TITLE
Labelled dynamic Bayesian network for learning the structure of an ecological network

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.


ABSTRACT
Dynamic Bayesian Network (DBN) learning consists in learning both conditionnal independances and conditional probability tables between random variables evolving in time. In this article, we propose an approach to learn "labelled" DBNs. In this model, the graphical representation of the conditional independancies contains edges that are labeled amongst a small number of possible interactions. Conditional probabilities tables are defined by parameterized functions and parameters are shared between the functions. The proposed approach interleaves parameter improvement phases and structure improvement phases that locally improve the likelihood of the data. A labelled DBN model is proposed to represent the dynamic of species interacting whithin an ecological network. Experiments are performed, which demonstrate the feasibility and efficiency of the approach.


AUTEUR(S)
Etienne AUCLAIR, Nathalie PEYRARD, Régis SABBADIN

MOTS-CLÉS
réseau bayésien dynamique, réseau écologique, PLNE.

KEYWORDS
dynamic bayesian network, ecological network, ILP.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (294 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier