Aproksymacja otoczki Markowa

Referat będzie poświęcony istotnemu pojęciu w dziedzinie sieci 
bayesowskich i nie tylko - otoczce Markowa (ang. Markov blanket, w 
języku polskim najczęściej spotykane jest bezpośrednie tłumaczenie: 
koc Markowa). Dla wektora zmiennych losowych A, a w praktyce dla A - 
zbioru atrybutów systemu informacyjnego, otoczka Markowa zmiennej X 
należącej do A to minimalny podzbiór M zbioru A \ {X} taki, że X jest 
niezależne od (A \ {X}) \ M pod warunkiem M. Pojęcie to zostało 
zaproponowane w 1988 roku, ale dopiero w ostatniej dekadzie nastąpił 
istotny rozwój metod aproksymacji otoczki Markowa. Przygniatająca 
większość powstałych metod należy do typu Constraint-Based Approach, 
tzn. opiera się na testach statystycznych badających warunkową 
niezależność atrybutów. Docelowo będę chciał przedstawić propozycję 
nowej metody, która leży poza tym głównym nurtem, ale czerpie 
inspiracje z algorytmu do niego należącego: IAMB (Incremental 
Association Markov Blanket). Metoda IAMB, o której szerzej będzie mowa 
na seminarium, jest modyfikacją wcześniejszej metody Grow-Shrink 
polegającą na dodaniu sprytnej heurystyki. Pozwala ona w praktyce 
zmniejszyć liczbę koniecznych do przeprowadzenia testów 
statystycznych. Moje podejście całkowicie eliminuje konieczność użycia 
testów, starając się w zamian szerzej wykorzystać zastosowaną w IAMB 
heurystykę i pewne jej interesujące właściwości. Potencjalne skutki 
tej modyfikacji zilustruję na przykładzie wstępnych eksperymentów 
porównujących zaproponowaną metodę z kilkoma znanymi podejściami.