Réseaux bayésiens et méthodes ensemblistes

Les réseaux Bayésiens (RB) font partie des méthodes d'apprentissage automatique les plus puissantes permettant de modéliser graphiquement et de manière probabiliste différentes types de systèmes complexes. Un des problèmes communs dans l'apprentissage de la structure des RB est des données de petites tailles. Les méthodes d'apprentissage ensemblistes (eg. le bootstrap ou les algorithmes génétiques...) sont des méthodes souvent utilisées pour traiter le problème de la pauvreté de données. Toutefois, les méthodes existantes ne permettent pas de comparer deux ensembles de modèles. Nous proposons une nouvelle méthode basée sur le graphe quasi-essentiel (QEG: Quasi Essential Graph) et l'utilisation d'un test multiple afin de comparer deux ensembles de RB. Le QEG permet de résumer et de visualiser graphiquement un ensemble de RB. Le test multiple permet de vérifier si les différences sont statistiquement significatives et de positionner ces différences. L'application sur des données synthétiques et expérimentales a démontré les différents intérêts de la méthode proposée dans la reconstruction des réseaux de régulation génétique et perspectivement dans d'autres applications.

Autorentext

Dr. Hoai-Tuong Nguyen a obtenu son doctorat (2012) en Informatique, spécialité "Bioinformatique" et son master (2008) en Informatique, spécialité "Data Mining" à l'Ecole Polytechnique de l'Université de Nantes, France. Après son doctorat, il travaille à l'INSERM (Institut National de la Santé et de la Recherche Médicale) en tant que postdoctorant.

Klappentext

Les réseaux Bayésiens (RB) font partie des méthodes d'apprentissage automatique les plus puissantes permettant de modéliser graphiquement et de manière probabiliste différentes types de systèmes complexes. Un des problèmes communs dans l'apprentissage de la structure des RB est des données de petites tailles. Les méthodes d'apprentissage ensemblistes (eg. le bootstrap ou les algorithmes génétiques...) sont des méthodes souvent utilisées pour traiter le problème de la pauvreté de données. Toutefois, les méthodes existantes ne permettent pas de comparer deux ensembles de modèles. Nous proposons une nouvelle méthode basée sur le graphe quasi-essentiel (QEG: Quasi Essential Graph) et l'utilisation d'un test multiple afin de comparer deux ensembles de RB. Le QEG permet de résumer et de visualiser graphiquement un ensemble de RB. Le test multiple permet de vérifier si les différences sont statistiquement significatives et de positionner ces différences. L'application sur des données synthétiques et expérimentales a démontré les différents intérêts de la méthode proposée dans la reconstruction des réseaux de régulation génétique et perspectivement dans d'autres applications.