Post on 17-Apr-2015
Redes Bayesianas
Alexandre Silva Pinheiro
alesilpi@cos.ufrj.br
alexandre.pinheiro@serpro.gov.br
Inteligência Artificial Redes Bayesianas
Objetivos
●Introdução●Redes causais e bayesianas●Limitações●Aplicação
Inteligência Artificial Redes Bayesianas
Introdução
●Por que Bayes?●regra matemática que explica como
podemos mudar nossas crenças anteriores sob a luz de uma nova evidência
●Incerteza●se condição com certeza x então fato com
certeza f(x)
Inteligência Artificial Redes Bayesianas
Redes Causais e Bayesianas
●Dependência/independência condicional●varia de acordo com a evidência:
●Exemplos
F T
A R
G
H W
Inteligência Artificial Redes Bayesianas
Redes Causais e Bayesianas
●Tipos de conexão
A B C
B
A
DC H...
B C D
A
H...
Inteligência Artificial Redes Bayesianas
Redes Causais e Bayesianas
●D-Separação●a conexão é em série ou divergente e o
estado de V é conhecido●a conexão é convergente e nem V ou
nenhum de seus descendentes recebeu uma evidência
●Se A e B são d-separados então a mudança na certeza de A não interfere na certeza de B
Inteligência Artificial Redes Bayesianas
Redes Causais e Bayesianas
●Probabilidades condicionais● Bayes
●Probabilidades subjetivas●suposições
)(
)()|()|(
AP
BPBAPABP
Inteligência Artificial Redes Bayesianas
Redes Bayesianas
• Um conjunto de variáveis e um conjunto de arcos orientados entre as variáveis
• Cada variável tem um conjunto finito de estados mutuamente exclusivos
• As variáveis juntas aos arcos diretos formam um grafo acíclico orientado (é acíclico se não tiver nenhum caminho A1... An sendo que A1=An)
• Para cada variável A com pais B1,...,Bn existe uma tabela de probabilidade condicional P(A|B1,...,Bn)
Inteligência Artificial Redes Bayesianas
Redes Causais e Bayesianas
P(H|G)G=y G=n
H=y 0,8 0,1H=n 0,2 0,9
P(W|G)G=y G=n
W=y 0,8 0,1W=n 0,2 0,9
P(W,G) e P(H,G)G=y G=n
H=y 0,56 0,03H=n 0,14 0,27
P(H,G) atualizadoG=y G=n
H=y 0,8*0,95 0,1*0,05H=n 0,2*0,95 0,9*0,05
P(H) = (0,76 +0,005;0,19+0,045)=(0,765;0,235)
Inteligência Artificial Redes Bayesianas
Modelos
• Relações causais não são tão óbvias• Divórcio
Inteligência Artificial Redes Bayesianas
Propagação
• Atualizar as probabilidades sem ter que varrer toda a árvore
• Árvores de junção• Simulação estocástica
• m configurações das probabilidades são contadas para cada variável
• ao determinar uma das configurações, as contagens são atualizadas e a configuração descartada
Inteligência Artificial Redes Bayesianas
Limitações
• Eventos não esperados• Explorar uma rede previamente
desconhecida• Extensão e confiabilidade das crenças
primárias
Inteligência Artificial Redes Bayesianas
Aplicação
• Site Profiler• Gerência de riscos terroristas
– Terror: ameaça assimétrica
• Insumos para a RB– convicções objetivas e subjetivas do
usuário– banco de dados histórico– resultados de modelos analíticos– simulações
Inteligência Artificial Redes Bayesianas
Entrada de dados
Inteligência Artificial Redes Bayesianas
Classificando riscos
Inteligência Artificial Redes Bayesianas
Risk Influence Network
Inteligência Artificial Redes Bayesianas
Fontes de Evidências
Inteligência Artificial Redes Bayesianas
Visão de uma RIN
Inteligência Artificial Redes Bayesianas
Referências
• Hudson L., Ware B., Blackmond K., Mahoney S. (2001) An Application of Bayesian Networks to Antiterrorism Risk,Management for Military Planners.
• Jensen, V. F. (1996) "Introduction to Bayesian Networks", University College London Press, Londres, Inglaterra.
• Niedermayer D. (1998) "An Introduction to Bayesian Networks and their Contemporary Applications",
Redes Bayesianas
Alexandre Silva Pinheiro
alesilpi@cos.ufrj.br
alexandre.pinheiro@serpro.gov.br