Probabilistic Inference in BN2T Models by Weighted Model Counting

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F13%3A00399130" target="_blank" >RIV/67985556:_____/13:00399130 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61384399:31160/13:00043526

Výsledek na webu

<a href="http://dx.doi.org/10.3233/978-1-61499-330-8-275" target="_blank" >http://dx.doi.org/10.3233/978-1-61499-330-8-275</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.3233/978-1-61499-330-8-275" target="_blank" >10.3233/978-1-61499-330-8-275</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Probabilistic Inference in BN2T Models by Weighted Model Counting

Popis výsledku v původním jazyce

Exact inference in Bayesian networks with nodes having a large parent set is not tractable using standard techniques as are the junction tree method or the variable elimination. However, in many applications, the conditional probability tbles of these nodes have certain local structure than can be exploited to make the exact inference tractable. In this paper we combine the CP tensor decomposition of probability tables with probabilistic inference using weighted model counting. The motivation for this combination is to exploit not only the local structure of some conditional probability tables but also other structural information potentialy present in the Baysian network, like determinism or context specific independence. We illustrate the proposed combination on BN2T networks -- two-layered Bayesian networks with conditional probability tables representing noisy threshold models.

Název v anglickém jazyce

Probabilistic Inference in BN2T Models by Weighted Model Counting

Popis výsledku anglicky

Exact inference in Bayesian networks with nodes having a large parent set is not tractable using standard techniques as are the junction tree method or the variable elimination. However, in many applications, the conditional probability tbles of these nodes have certain local structure than can be exploited to make the exact inference tractable. In this paper we combine the CP tensor decomposition of probability tables with probabilistic inference using weighted model counting. The motivation for this combination is to exploit not only the local structure of some conditional probability tables but also other structural information potentialy present in the Baysian network, like determinism or context specific independence. We illustrate the proposed combination on BN2T networks -- two-layered Bayesian networks with conditional probability tables representing noisy threshold models.

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

2013

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the Twelfth Scandinavian Conference on Artificial Intelligence

ISBN

978-1-61499-329-2

ISSN

—

e-ISSN

—

Počet stran výsledku

10

Strana od-do

275-284

Název nakladatele

IOS Press

Místo vydání

Amsterdam

Místo konání akce

Aalborg

Datum konání akce

20. 11. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—