Entropy-Based Learning of Compositional Models from Data

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F21%3A00546760" target="_blank" >RIV/67985556:_____/21:00546760 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/61384399:31160/21:00057557
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-030-88601-1_12" target="_blank" >http://dx.doi.org/10.1007/978-3-030-88601-1_12</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-88601-1_12" target="_blank" >10.1007/978-3-030-88601-1_12</a>

Jazyk výsledku
angličtina
Název v původním jazyce
Entropy-Based Learning of Compositional Models from Data
Popis výsledku v původním jazyce
We investigate learning of belief function compositional models from data using information content and mutual information based on two different definitions of entropy proposed by Jiroušek and Shenoy in 2018 and 2020, respectively. The data consists of 2,310 randomly generated basic assignments of 26 binary variables from a pairwise consistent and decomposable compositional model. We describe results achieved by three simple greedy algorithms for constructing compositional models from the randomly generated low-dimensional basic assignments.
Název v anglickém jazyce
Entropy-Based Learning of Compositional Models from Data
Popis výsledku anglicky
We investigate learning of belief function compositional models from data using information content and mutual information based on two different definitions of entropy proposed by Jiroušek and Shenoy in 2018 and 2020, respectively. The data consists of 2,310 randomly generated basic assignments of 26 binary variables from a pairwise consistent and decomposable compositional model. We describe results achieved by three simple greedy algorithms for constructing compositional models from the randomly generated low-dimensional basic assignments.

Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku
Belief Functions: Theory and Applications - 6th International Conference, BELIEF 2021 - Proceedings
ISBN
978-3-030-88600-4
ISSN
0302-9743
e-ISSN
1611-3349
Počet stran výsledku
10
Strana od-do
117-126
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Shanghai
Datum konání akce
15. 10. 2021
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—

Podobné výsledky(10)