SYSTEM AND METHOD FOR VISUAL BAYESIAN DATA FUSION

• Main Authors: PANDEY, ADITEYA, GUPTA, GARIMA, SEHGAL, GUNJAN, SHARMA, GEETIKA, AGARWAL, PUNEET, PANERI, KAUSHAL ASHOKBHAI, SINGH, KARAMJIT, SHROFF, GAUTAM
• Format: Patent
• Language: English; French
• Published: 11.12.2018
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; ELECTRIC DIGITAL DATA PROCESSING; PHYSICS

System and method for visual Bayesian data fusion are disclosed. In an example, a plurality of datasets associated with a topic are obtained from a data lake. Each of the plurality of datasets include information corresponding to various attributes of the topic. Further, the plurality of datasets are joined to obtain a joined dataset. Furthermore, distribution associated with a target attribute is predicted using Bayesian modeling by selecting a plurality of attributes (k) based on mutual information with the target attribute in the joined dataset, learning a minimum spanning tree based Bayesian structure using the selected attributes and the target attribute, learning conditional probabilistic tables at each node of the minimum spanning tree based Bayesian structure; and predicting the distribution associated with the target attribute by querying the conditional probabilistic tables, thereby facilitating visual Bayesian data fusion. Un système et un procédé de fusion de données bayésiennes visuelles sont décrits. Dans un exemple, une pluralité densembles de données associés à un sujet sont obtenus à partir dun lac de données. Chacun des ensembles de données comporte des informations correspondant à divers attributs du sujet. De plus, les ensembles de données sont réunis pour obtenir un ensemble de données combiné. En outre, la distribution associée à un attribut cible est prédite au moyen dune modélisation bayésienne en sélectionnant une pluralité dattributs (k) en fonction dinformations mutuelles avec lattribut cible dans lensemble de données combiné, en apprenant une structure bayésienne à arborescence minimale au moyen des attributs sélectionnés et de lattribut cible, et en apprenant des tables probabilistes conditionnelles à chaque nud de la structure bayésienne à arborescence minimale, puis en prédisant la distribution associée à lattribut cible en interrogeant les tables probabilistes conditionnelles, ce qui facilite la fusion des données bayésiennes visuelles.