Computationally efficient probabilistic inference with noisy threshold models based on a CP tensor decomposition

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F12%3A00380991" target="_blank" >RIV/67985556:_____/12:00380991 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Computationally efficient probabilistic inference with noisy threshold models based on a CP tensor decomposition

Popis výsledku v původním jazyce

Conditional probability tables (CPTs) of threshold functions represent a generalization of two popular models ? noisy-or and noisy-and. They constitute an alternative to these two models in case they are too rough. When using the standard inference techniques the inference complexity is exponential with respect to the number of parents of a variable. In case the CPTs take a special form (in this paper it is the noisy-threshold model) more efficient inference techniques could be employed. Each CPT defined for variables with finite number of states can be viewed as a tensor (a multilinear array). Tensors can be decomposed as linear combinations of rank-one tensors, where a rank one tensor is an outer product of vectors. Such decomposition is referred toas Canonical Polyadic (CP) or CANDECOMP-PARAFAC (CP) decomposition. The tensor decomposition offers a compact representation of CPTs which can be efficiently utilized in probabilistic inference.

Název v anglickém jazyce

Computationally efficient probabilistic inference with noisy threshold models based on a CP tensor decomposition

Popis výsledku anglicky

Conditional probability tables (CPTs) of threshold functions represent a generalization of two popular models ? noisy-or and noisy-and. They constitute an alternative to these two models in case they are too rough. When using the standard inference techniques the inference complexity is exponential with respect to the number of parents of a variable. In case the CPTs take a special form (in this paper it is the noisy-threshold model) more efficient inference techniques could be employed. Each CPT defined for variables with finite number of states can be viewed as a tensor (a multilinear array). Tensors can be decomposed as linear combinations of rank-one tensors, where a rank one tensor is an outer product of vectors. Such decomposition is referred toas Canonical Polyadic (CP) or CANDECOMP-PARAFAC (CP) decomposition. The tensor decomposition offers a compact representation of CPTs which can be efficiently utilized in probabilistic inference.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

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

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2012

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of The Sixth European Workshop on Probabilistic Graphical Models

ISBN

978-84-15536-57-4

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

355-362

Název nakladatele

DECSAI, University of Granada

Místo vydání

Granada

Místo konání akce

Granada

Datum konání akce

19. 9. 2012

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—