Probabilistic inference with noisy-threshold models based on a CP tensor decomposition
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F14%3A00427059" target="_blank" >RIV/67985556:_____/14:00427059 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1016/j.ijar.2013.12.002" target="_blank" >http://dx.doi.org/10.1016/j.ijar.2013.12.002</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.ijar.2013.12.002" target="_blank" >10.1016/j.ijar.2013.12.002</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Probabilistic inference with noisy-threshold models based on a CP tensor decomposition
Popis výsledku v původním jazyce
The specification of conditional probability tables (CPTs) is a difficult task in the construction of probabilistic graphical models. Several types of canonical models have been proposed to ease that difficulty. Noisy-threshold models generalize the twomost popular canonical models: the noisy-or and the noisy-and. When using the standard inference techniques the inference complexity is exponential with respect to the number of parents of a variable. More efficient inference techniques can be employed for CPTs that take a special form. CPTs can be viewed as tensors. Tensors can be decomposed into linear combinations of rank-one tensors, where a rank-one tensor is an outer product of vectors. Such decomposition is referred to as 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
Probabilistic inference with noisy-threshold models based on a CP tensor decomposition
Popis výsledku anglicky
The specification of conditional probability tables (CPTs) is a difficult task in the construction of probabilistic graphical models. Several types of canonical models have been proposed to ease that difficulty. Noisy-threshold models generalize the twomost popular canonical models: the noisy-or and the noisy-and. When using the standard inference techniques the inference complexity is exponential with respect to the number of parents of a variable. More efficient inference techniques can be employed for CPTs that take a special form. CPTs can be viewed as tensors. Tensors can be decomposed into linear combinations of rank-one tensors, where a rank-one tensor is an outer product of vectors. Such decomposition is referred to as 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.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
JD - Využití počítačů, robotika a její aplikace
OECD FORD obor
—
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
International Journal of Approximate Reasoning
ISSN
0888-613X
e-ISSN
—
Svazek periodika
55
Číslo periodika v rámci svazku
4
Stát vydavatele periodika
US - Spojené státy americké
Počet stran výsledku
21
Strana od-do
1072-1092
Kód UT WoS článku
000334087400010
EID výsledku v databázi Scopus
—