Modelos baseados em grafos associados a distribuições de probabilidade são amplamente empregados em diversas áreas. Redes Bayesianas são os modelos probabilísticos baseados em grafos mais populares na literatura. Uma das dificuldades encontradas no uso de redes Bayesianas ocorre nas situações em que há falta de dados, crenças incompletas, ou divergência entre opiniões de especialistas. Nestas circunstâncias, incerteza pode ser representada por conjuntos de medidas de probabilidade, denominado conjuntos credais. A associação de conjuntos credais com um grafo acíclico direcionado recebe o nome de rede credal. Nesta tese, três novos algoritmos para inferência aproximada em redes credais binárias são propostos: Loopy 2U (L2U), Iterated Partial Evaluation (IPE) e Structured Variational 2U (SV2U). O primeiro deles, algoritmo L2U, é uma extensão do algoritmo de propagação de crenças em ciclos (Loop Belief Propagation). O segundo, algoritmo IPE, é inspirado na técnica de avaliação parcial localizada (Localized partial Evaluation) empregada em redes Bayesianas. O terceiro, algoritmo SV2U, implementa técnicas variacionais; para tanto, são formuladas as aproximações de campo médio em redes credais, na sua forma primitiva (totalmente fatorada) e estruturada (estrutura de árvore). Os algoritmos foram implementados e estão disponíveis no software 2UBayes. Experimentos foram realizados e uma análise comparativa entre os algoritmos foi feita. Resultados Obtidos mostraram que aproximações precisas são obtidas com menos esforço computacional que demais algoritmos existentes.

Graphical models associated with probabilities find use in many fields. Bayesian networks are the most popular probabilistic graphical model in the literature. In situations where we have lack of data, incomplete beliefs and divergence between expert opinions, uncertainty can be represented by sets of probability measures called credal sets. Such sets, when associated with directed acyclic graphs, result in credal networks. Inference algorithms in creedal networks generally display high complexity, and approximate inference seems to be a natural solution for large networks. In this thesis, we present three new approximate algorithms for inference in binary credal networks: Loopy 2U (L2U), Iterated Partial Evaluation (IPE) and Structured Variational 2U (SV2U). The first one, the L2U algorithm, is an extension of the Loopy Belief Propagation algorithm for Bayesian network inference. The second one, the IPE algorithm, is directly based on the Localized Partial Evaluation (LPE) technique. Finally, the SV2U algorithm implements a variational approach; in this work, it is shown how to formulate mean field approximations for credal sets using naive (fully factorized) and structured (tree-like) schemes. The algorithms were implemented and a software package (2UBayes) has been made available. Experiments were conducted and a comparative analysis between algorithms was performed. These empirical results showed that accurate approximations with low computational cost are achieved.