Apprentissage de modèles graphiques factorisés en temps continu

Les réseaux bayésiens (BNs) sont un modèle probabiliste qui s’appuie sur un graphe (orienté sans cycle) pour représenter une distribution jointe d’un grand nombre de variables aléatoires. Ce modèle à la fois numérique (distribution) et qualitatif (graphe) est un point de contact intéressant entre probabilités, statistiques et intelligence artificielle.

Il permet d’implémenter des outils de raisonnement, de calcul de fiabilité, d’explications causales, mais aussi d’apprentissages statistiques et des outils de classification (machine learning, etc.).

Le but de ce projet est d’étudier un modèle issu des BNs permettant la représentation de processus stochastique en temps continu et particulièrement l'apprentissage de tels modèles.

Les différentes tâches de ce projet seront :

1. état de l’art sur le domaine (UAI2002)
2. prise en charge et amélioration d'une première implémentation du modèle CTBN dans la librairie aGrUM (http ://agrum.org) qui propose un grand nombre des composantes de base pour l’implémentation de tels modèles en python. Il s'agira en particulier de proposer une méthode MCMC d'inférence.
3. implémentation d’un algorithme d’apprentissage de CTBN (PGM2020)

Bibliographie

• [UAI2002] U. Nodelman, C. R. Shelton, and D. Koller. Continuous Time Bayesian Networks.
  In Proceedings of the Eighteenth Conference on Uncertainty in Artificial Intelligence, pages
  378–387, 2002.
• [PGM2020] Alessandro Bregoli, Marco Scutari and Fabio Stella Constraint-Based Learning
  for Continuous-Time Bayesian Networks, in PGM’20