Learning hybrid bayesian networks using mixtures of truncated basis functions. Aprendizaje de redes bayesianas híbridas con mixturas de funciones base truncadas

Résumé

Las redes bayesianas comenzaron a popularizarse a finales de la década de los 80 como una herramienta para el tratamiento de la incertidumbre en Inteligencia Artificial. Una de las principales virtudes de las redes bayesianas es que permiten definir algoritmos eficientes de razonamiento que sacan partido de la estructura del grafo subyacente para realizar los cálculos de forma local. La mayor parte de los algoritmos existentes en la literatura están enfocados a problemas donde todas las variables de la red son de tipo cualitativo o discreto, lo que limita el ámbito de aplicación de este tipo de modelos. Existen innumerables campos en los que coexisten variables de tipo discreto y continuo y que en la actualidad no son abordados de una forma totalmente satisfactoria desde el punto de vista de las redes bayesianas. Las redes bayesianas híbridas con distribución de tipo Mixturas de Funciones Base Truncadas (MoTBF) constituyen una herramienta apropiada para el desarrollo de sistemas inteligentes capaces de operar en estos dominios y que pueden operar de forma autónoma en el sentido de que es posible definir algoritmos de aprendizaje automático. Además, las MoTBFs presentan también las propiedades necesarias para permitir la incorporación de conocimiento experto, que pueda ser combinado con el aprendizaje automático. Finalmente, más allá del ámbito de los sistemas inteligentes, las redes bayesianas híbridas de tipo MoTBF pueden conformar un marco para el análisis de grandes volúmenes de datos, para lo cual el desarrollo de un software adecuado es fundamental. El presente proyecto aborda los aspectos mencionados, y supone un avance significativo no solo del aspecto metodológico, sino de la aplicabilidad de estas técnicas fuera del ámbito de la Inteligencia Artificial.