Efficient algorithms for conditional independence inference

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F10%3A00353652" target="_blank" >RIV/67985556:_____/10:00353652 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Efficient algorithms for conditional independence inference

Popis výsledku v původním jazyce

The topic of the paper is computer testing of (probabilistic) conditional independence (CI) implications by an algebraic method of structural imsets. The basic idea is to transform CI statements into certain integral vectors and to verify by a computer the corresponding algebraic relation between the vectors, called the independence implication. The main contribution of the paper is a new method, based on linear programming (LP), which overcomes the limitation of former methods to the number of involvedvariables. The computational experiments, described in the paper, also show that the new method is faster than the previous ones.

Název v anglickém jazyce

Efficient algorithms for conditional independence inference

Popis výsledku anglicky

The topic of the paper is computer testing of (probabilistic) conditional independence (CI) implications by an algebraic method of structural imsets. The basic idea is to transform CI statements into certain integral vectors and to verify by a computer the corresponding algebraic relation between the vectors, called the independence implication. The main contribution of the paper is a new method, based on linear programming (LP), which overcomes the limitation of former methods to the number of involvedvariables. The computational experiments, described in the paper, also show that the new method is faster than the previous ones.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BA - Obecná matematika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2010

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Journal of Machine Learning Research

ISSN

1532-4435

e-ISSN

—

Svazek periodika

11

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

27

Strana od-do

—

Kód UT WoS článku

000286637200006

EID výsledku v databázi Scopus

—