An hybrid Bayesian network structure learning algorithm based on correlated itemset mining techniques

Zahra Kebaili (1) , Alexandre Aussem (1)

1 LIESP - Laboratoire d'Informatique pour l'Entreprise et les Systèmes de Production

Cet article présente une nouvelle méthode hybride d'apprentissage de la structure des réseaux Bayésiens combinant des techniques de data mining, d'apprentissage sous contraintes et à base de score. Le but de cette méthode est d'identifier et de représenter des conjonctions de facteurs potentiellement impliqués dans des relations de dépendance, ce dont sont incapables les méthodes d'apprentissage actuelles lorsque la dépendance des variables prises deux à deux n'est pas suffisamment marquée (ex : XoR bruité). Cette méthode permet d'identifier des associations qui violent l'hypothèse de fidélité sur laquelle est basée la majorité des algorithmes sous contraintes. L'algorithme opère en deux temps : (1) découverte par niveau des motifs corrélés minimaux, (2) construction du graphe à partir de ces corrélés. La méthode est illustrée sur un benchmark qui met à défaut les algorithmes standards d'apprentissage sous contraintes et à base de score

Mots clés: réseaux Bayésiens; apprentissage statistique; data mining

Domaines: Apprentissage [cs.LG]

Zahra Kebaili, Alexandre Aussem. An hybrid Bayesian network structure learning algorithm based on correlated itemset mining techniques. Journées Francophone sur les Réseaux Bayésiens, May 2008, Lyon, France. ⟨hal-00264286⟩