Codage de la dépendance dans les réseaux causaux bayésiens

Citation

Sulik, J.J., Newlands, N.K., Long, D.S. (2017). Encoding dependence in Bayesian causal networks. Frontiers in Environmental Science, [online] 4(JAN), http://dx.doi.org/10.3389/fenvs.2016.00084

Résumé en langage clair

Les réseaux bayésiens (RB) de croyance, d’apprentissage ou de causalité représentent une dynamique spatiotemporelle complexe et incertaine par propagation de probabilités conditionnelles entre des « états » identifiables avec un modèle d’interaction causale vérifiable. En général, ils supposent que les variables aléatoires sont discrètes dans le temps et dans l’espace, avec une structure de réseau statique qui peut évoluer avec le temps, selon un ensemble prescrit de changements sur un ensemble successif de tranches de temps discrètes du modèle (c.-à-d. des instantanés). Mais les observations analysées ne sont pas nécessairement indépendantes et sont autocorrélées en raison de leur position dans l’espace et dans le temps. De tels modèles de RB ne sont pas vraiment spatiotemporels, car ils ne permettent pas l’autocorrélation dans la prédiction de la dynamique d’une séquence de données. Nous commençons par discuter des réseaux causaux bayésiens et examinons comment de telles dépendances de données pourraient être intégrées aux modèles de RB du point de vue des hypothèses fondamentales régissant la dynamique spatiotemporelle. Nous montrons comment la distribution de probabilité conjointe pour les RB peut être décomposée en fonctions de séparation avec dépendance spatiale codée, de manière analogue aux champs aléatoires de Markov (MRF). De cette façon, la force et l’orientation de la dépendance spatiale locale et non locale pourraient être validées en les comparant à des données de surveillance à plusieurs échelles, tout en permettant aux RB de mieux comprendre les dépendances complexes entre un grand nombre de covariables, ce qui accroîtrait leur utilité pour la prédiction des risques environnementaux et l'analyse décisionnelle.

Résumé

© 2017 Sa Majesté la Reine du chef du Canada. Les réseaux bayésiens (RB) de croyance, d’apprentissage ou de causalité représentent une dynamique spatiotemporelle complexe et incertaine par propagation de probabilités conditionnelles entre des « états » identifiables avec un modèle d’interaction causale vérifiable. En général, ils supposent que les variables aléatoires sont discrètes dans le temps et dans l’espace, avec une structure de réseau statique qui peut évoluer avec le temps, selon un ensemble prescrit de changements sur un ensemble successif de tranches de temps discrètes du modèle (c.-à-d. des instantanés). Mais les observations analysées ne sont pas nécessairement indépendantes et sont autocorrélées en raison de leur position dans l’espace et dans le temps. De tels modèles de RB ne sont pas vraiment spatiotemporels, car ils ne permettent pas l’autocorrélation dans la prédiction de la dynamique d’une séquence de données. Nous commençons par discuter des réseaux causaux bayésiens et examinons comment de telles dépendances de données pourraient être intégrées aux modèles de RB du point de vue des hypothèses fondamentales régissant la dynamique spatiotemporelle. Nous montrons comment la distribution de probabilité conjointe pour les RB peut être décomposée en fonctions de séparation avec une dépendance spatiale codée, de manière analogue aux champs aléatoires de Markov (MRF). De cette façon, la force et l’orientation de la dépendance spatiale locale et non locale pourraient être validées en les comparant à des données de surveillance à plusieurs échelles, tout en permettant aux RB de mieux comprendre les dépendances complexes entre un grand nombre de covariables, ce qui accroîtrait leur utilité pour la prédiction des risques environnementaux et l'analyse décisionnelle.

Date de publication

2017-01-09

Profils d'auteurs