Apprentissage et sélection de réseaux bayésiens dynamiques pour les processus online non stationnaires

Matthieu Hourbracq (1) , Pierre-Henri Wuillemin (1) , Christophe Gonzales (1) , Philippe Baumard (2, 3)

1 DECISION
2 LIRSA - Laboratoire interdisciplinaire de recherche en sciences de l'action
3 ESD R3C - Équipe Sécurité & Défense - Renseignement, Criminologie, Crises, Cybermenaces

Dynamic Bayesian Networks (DBNs) provide a principled scheme for modeling and learning conditional dependencies from complex multivariate time-series data. However, in most cases, the underlying generative Markov model is assumed to be homogeneous, mea- ning that neither its topology nor its parameters evolve over time. Therefore, learning a DBN to model a non-stationary process under this assumption will amount to poor predictions capa- bilities. Thus we build a framework to identify, in a streamed manner, transition times between underlying models and a framework to learn them in real time, without assumptions about their evolution. We propose a model for the dynamic of the transitions between modes stemming from Hidden semi-Markov Models (HsMMs) and Graphical Duration Models (GDMs). We show the method performances on simulated datasets.

Les réseaux bayésiens dynamiques (DBN) fournissent un formalisme graphique pro- babiliste décrivant, à travers des dépendances conditionnelles, des systèmes dynamiques com- plexes sous incertitude. Dans la plupart des cas, le processus de Markov génératif sous-jacent est supposé homogène, ce qui signifie que ni sa topologie ni ses paramètres n’évoluent au cours du temps. Par conséquent, apprendre un DBN pour modéliser un processus non stationnaire sous cette hypothèse aboutira à de pauvres capacités de prédictions. Dans cet article, nous nous plaçons dans le cas où la non stationnarité du processus s’exprime par la présence de différents modes de comportement. Dans ce contexte, nous proposons un cadre pour l’appren- tissage en temps réel des différents modèles probabilistes sous-jacents à chaque mode, sans hypothèses sur leur nombre et leur évolution. Nous proposons un modèle pour la dynamique des transitions entre modes inspiré des Hidden semi-Markov Models (HsMM) et Graphical Duration Models (GDM). Nous montrons la performance de la méthode sur des données simulées.

Mots clés: apprentissage; non-stationnaire; tv-DBN; ns-DBN; DBN; temps réel

Domaines: Intelligence artificielle [cs.AI]; Gestion et management

Matthieu Hourbracq, Pierre-Henri Wuillemin, Christophe Gonzales, Philippe Baumard. Apprentissage et sélection de réseaux bayésiens dynamiques pour les processus online non stationnaires. Revue des Sciences et Technologies de l'Information - Série RIA : Revue d'Intelligence Artificielle, 2018, Réseaux bayésiens et modèles probabilistes, 32 (1), pp. 75-109. ⟨hal-03228681⟩