NEGATIVE INFORMATION INTEGRATION IN PROBABILISTIC CLASSIFIERS

Resumo

Este estudo apresenta um procedimento para integrar informação negativa quando da realização de inferência bayesiana robusta. No procedimento proposto, a informação negativa é codificada na forma de restrições lineares definidas sobre intervalos de probabilidade condicional que quantificam a incerteza no relacionamento entre as variáveis de um classificador. Durante a inferência, o classificador bayesiano robusto é convertido em um classificador credal. A topologia do classificador é a mesma qua de um classificador bayesiano simples e os problemas de otimização relacionados às inferências são resolvidos via otimização multilinear. Desde que o objetivo de uma inferência é computar o intervalo de probabilidades posteriores de cada classe, a integração da informação negativa  permite que o procedimento de inferência obtenha intervalos mais precisos do que aqueles obtidos por um classificador bayesiano robusto. Isto pode facilitar o uso de um critério de decisão chamado dominância intervalar para a seleção de rótulos de classificação plausíveis e na definição de cursos de ação dado um objeto de interesse. A efetividade do procedimento é ilustrada com um exemplo.