Tesis de máster
Miguel A. Artaso Landa.
Comparación empírica de algoritmos para diagramas de influencia.
Dpto. Inteligencia Artificial. UNED, Madrid, 2014.
Tutores: Prof. Manuel Luque Gallego, Prof. Francisco Javier Díez Vegas.
76 páginas. PDF (4.750 KB), cita tipo BibTeX.
Resumen
Los Modelos Gráficos Probabilistas (MGP) son ampliamente usados en diferentes dominios donde hay que tratar con incertidumbre. Se emplean para obtener la máxima utilidad esperada y la política óptima, las mejores decisiones, en diferentes escenarios. Cuando se afrontran problemas de la vida real, el modelo final que los representa puede ser harto complicado. Debido a que no todos los algoritmos de inferencia son igual de eficientes, es importante saber cuál es mejor aplicar dependiendo de las circunstancias. Por lo tanto, es importante comparar la eficiencia de los algoritmos cuando ante diferentes modelos.
En este Trabajo fin de máster, comparamos cuatro algoritmos para diagramas de influencia: eliminación de variables, inversión de arcos, árbol de uniones fuerte y conversión a LIMID. Para nuestros experimentos hemos utilizado OpenMarkov, una herramienta de código abierto desarrollada por el Centro de Investigación sobre Sistemas Inteligentes de Ayuda a la Decisión (CISIAD) de la UNED. El primer algoritmo estaba ya implementado en esta herramienta; los demás han sido implementados por el autor de este trabajo. Además, hemos implementado la generación de diferentes diagramas de influencia, que después han sido utilizados para comparar los citados algoritmos. Después, hemos contrastado el tiempo y la memoria empleados por los algoritmos en la inferencia de estas redes y el análisis de los resultados nos ha llevado a dar algunas recomendaciones sobre qué algoritmo utilizar dependiendo de la estructura del modelo.