Theoretical studies on Bayesian network classifiers

• Autores: Gherardo Varando
• Directores de la Tesis: Concha Bielza Lozoya (dir. tes.), Pedro Larrañaga Múgica (codir. tes.)
• Lectura: En la Universidad Politécnica de Madrid ( España ) en 2018
• Idioma: inglés
• Tribunal Calificador de la Tesis: Antonio Bahamonde Rionda (presid.), Emilio Serrano Fernández (secret.), Manuele Leonelli (voc.), Francisco Herrera Triguero (voc.), José Antonio Gámez Martín (voc.)
• Programa de doctorado: Programa de Doctorado en Inteligencia Artificial por la Universidad Politécnica de Madrid
• Materias:
  • Matemáticas
    • Probabilidad
      • Aplicación de la probabilidad
    • Estadística
      • Análisis de datos
      • Técnicas de predicción estadística
• Enlaces
  • Tesis en acceso abierto en: Archivo Digital UPM
• Resumen

  • En las ultimas décadas, el aprendizaje automático ha adquirido importancia como una de las herramientas fundamentales en inteligencia artificial. El incremento en la disponibilidad de datos y capacidad computacional disponible a bajo coste han contribuido a extender los métodos de aprendizaje automático en casi todas las ramas de la tecnología.

    Mientras que gran parte de la investigación se centra en el desarrollo de nuevos algoritmos y métodos para tratar diferentes problemas, es ampliamente reconocido que el análisis formal y los resultados teóricos son necesarios para entender los algoritmos empleado, sus limitaciones y sus capacidades.

    El trabajo desarrollado en esta tesis se centra en éste ultimo aspecto de la investigación en aprendizaje automático.

    Estudiamos los clasificadores con redes Bayesianas y en general clasificadores generativos basados en modelos gráficos probabilisticos. Los modelos gráficos probabilisticos han sido y siguen siendo ampliamente estudiados en estadística y en esta tesis los analizamos en el contexto de uno de los problemas más representativos en aprendizaje automático, la clasificación binaria.

    Nuestro resultado principal es la descripción, tanto para redes Bayesianas como para modelos de Markov no dirigidos, de las implicaciones de las independencias condicionadas en las funciones de decisión asociadas.

    En particular, describimos las familias de funciones discriminantes asociadas con las familias de clasificadores con redes Bayesianas más utilizados.

    Construimos polinomios que interpolan las funciones discriminantes inducidas, describiendo así las funciones de decisión. Gracias a la representación polinomial de las funciones discriminantes somos capaces de acotar el número de decisiones representables por clasificadores con redes Bayesianas.

    Extendemos estos resultados a clasificadores en cadena para problemas multi etiqueta, analizando su capacidad expresiva asumiendo que los modelos están basados en redes Bayesianas.

    Por último, describimos un método algebraico y geométrico para estudiar funciones discriminantes de clasificadores generativos bajo propiedades de Markov generales. El método empleado extiende los resultados obtenido en el caso de las redes Bayesianas y describe un marco formal, basado en diferencias finitas, para estudiar las funciones discriminantes de clasificadores generativos.