Rank of tensors of l-out-of-k functions: an application in probabilistic inference

Kód výsledku v IS VaVaI

RIV/67985556:_____/11:00361630 - isvavai.cz

Nalezeny alternativní kódy

RIV/61384399:31160/11:00038709

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Rank of tensors of l-out-of-k functions: an application in probabilistic inference

Popis výsledku v původním jazyce

We study the problem of efficient probabilistic inference with Bayesian networks when some of the conditional probability tables represent deterministic or noisy l-out-of-k functions. These tables appear naturally in real-world applications when we observe a state of a variable that depends on its parents via an addition or noisy addition relation. We provide a lower bound of the rank and an upper bound for the symmetric border rank of tensors representing l-out-of-k functions. We propose an approximation of tensors representing noisy l-out-of-k functions by a sum of r tensors of rank one, where r is an upper bound of the symmetric border rank of the approximated tensor. We applied the suggested approximation to probabilistic inference in probabilisticgraphical models. Numerical experiments reveal that we can get a gain in the order of two magnitudes but at the expense of a certain loss of precision.

Název v anglickém jazyce

Rank of tensors of l-out-of-k functions: an application in probabilistic inference

Popis výsledku anglicky

We study the problem of efficient probabilistic inference with Bayesian networks when some of the conditional probability tables represent deterministic or noisy l-out-of-k functions. These tables appear naturally in real-world applications when we observe a state of a variable that depends on its parents via an addition or noisy addition relation. We provide a lower bound of the rank and an upper bound for the symmetric border rank of tensors representing l-out-of-k functions. We propose an approximation of tensors representing noisy l-out-of-k functions by a sum of r tensors of rank one, where r is an upper bound of the symmetric border rank of the approximated tensor. We applied the suggested approximation to probabilistic inference in probabilisticgraphical models. Numerical experiments reveal that we can get a gain in the order of two magnitudes but at the expense of a certain loss of precision.

Druh

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

CEP obor

BB - Aplikovaná statistika, operační výzkum

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

2011

Kód důvěrnosti údajů

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

Název periodika

Kybernetika

ISSN

0023-5954

e-ISSN

—

Svazek periodika

47

Číslo periodika v rámci svazku

3

Stát vydavatele periodika

CZ - Česká republika

Počet stran výsledku

20

Strana od-do

317-336

Kód UT WoS článku

000293207900002

EID výsledku v databázi Scopus

—