Modelo de inferência em redes fuzzy-bayesianas dinâmicas para tratamento de incertezas

Abstract

Diversos problemas computacionais requerem a realização de inferência sobre informações multissensoriais incertas. Redes Bayesianas (BN) são uma ferramenta para representação e inferência de variáveis que possuem incerteza devido a aleatoriedade. Redes Bayesianas Dinâmicas (DBN) estendem este conceito introduzindo dependências temporais entre variáveis, de modo a incorporar o reconhecimento de padrões temporais quando os dados possuem características sequenciais. Para modelar um ambiente com variáveis contínuas de forma eficiente com BN, é necessário discretizar os dados em categorias. Quando a discretização é especificada por um usuário especialista no domínio, os conceitos linguísticos utilizados para descrever as classes frequentemente possuem imprecisão por vagueza, isto é, não podem ser definidas adequadamente por limiares numéricos. A Teoria Fuzzy provê ferramentas para modelar a imprecisão por vagueza, permitindo a definição de classes com transições gradativas. Embora existam abordagens híbridas que integrem a Teoria Fuzzy no processo de inferência de BN, ainda existem limitações na utilização de observações fuzzy como evidências de uma DBN. Os trabalhos correlatos restringem a modelagem das evidências em particionamentos restritos a apenas duas funções de pertinência fuzzy. Para sobrepor esta limitação, este trabalho propõe um método de inferência Fuzzy-Bayesiana Dinâmica com evidências não-dicotômicas. O método modifica a inferência por filtragem de DBN, introduzindo qualificadores fuzzy para tratar a imprecisão por vagueza nas evidências da rede. É demonstrado que a inferência proposta respeita a propriedade da Soma das Probabilidades. Para verificar a proposta, o modelo for aplicado como um classificador em bases de dados disponíveis da literatura e comparado com outras abordagens existentes. Os resultados obtidos mostram uma melhora na precisão e na acurácia da classificação, em relação às demais abordagens.

Abstract : Many computational problems require inference over incomplete or uncertain sensory data. Bayesian Networks (BN) are a tool for representing and inferring over variables with aleatory uncertainty. Dynamic Bayesian networks (DBN) extend this concept to introduce temporal dependencies that catch dynamic behaviors from the domain variables. An effective and efficient modeling throw BN demands data discretization on categories. One of the main methods for discretizing continuous data for use in BN is manual specification by an expert user. However, the linguistic labels used by humans frequently have vagueness uncertainty, once they use labels that haven't exact numerical thresholds. Theory Fuzzy provides a framework for modeling vagueness uncertainty. Although there are hybrid theories that integrate Fuzzy Theory to the inference process in BN, there are still limitations on using fuzzy evidence on a DBN. The related works restrict the evidence modeling in partitioning with only two fuzzy membership functions. Thereby, this work proposes a method for Dynamic Fuzzy-Bayesian inference over not dichotomous variables. The proposed method modifies the filtering inference of DCB, introducing fuzzy qualifiers for dealing with the vagueness in the network evidence. It is demonstrated that the new inference respects the probability property. To evaluate the proposal, the model is applied as a classifier on open databases and compared with other approaches. The obtained results show an improvement in the accuracy of the classification, in comparison to the other approaches.