@conference {90, title = {Aprendizaje de independencias espec{\'\i}ficas del contexto en Markov random fields}, booktitle = {XVII Congreso Argentino de Ciencias de la Computaci{\'o}n}, year = {2011}, abstract = {

Los modelos no dirigidos o Markov random fields son ampliamente utilizados para problemas que aprenden una distribuci{\'o}n desconocida desde un conjunto de datos. Esto es porque permiten representar una distribuci{\'o}n eficientemente al hacer expl{\'\i}citas las independencias condicionales que pueden existir entre sus variables. Adem{\'a}s de estas independencias es posible representar otras, las Independencias Espec{\'\i}ficas del Contexto (CSIs) que a diferencia de las anteriores s{\'o}lo son v{\'a}lidas bajo ciertos valores que pueden tomar subconjuntos de sus variables. Debido a esto son complicadas de representar y aprenderlas desde datos. En este trabajo presentamos un enfoque para representar CSIs en modelos no dirigidos y un algoritmo que las aprende desde datos utilizando tests estad{\'\i}sticos. Mostramos resultados donde los modelos aprendidos por nuestro algoritmo resultan ser mejores o comparables a modelos aprendidos por otros sin utilizar CSIs.

}, author = {Edera, Alejandro and Bromberg, Facundo} }