Počet záznamů: 1
Rank of tensors of l-out-of-k functions: an application in probabilistic inference
- 1.
SYSNO ASEP 0361630 Druh ASEP J - Článek v odborném periodiku Zařazení RIV J - Článek v odborném periodiku Poddruh J Článek ve WOS Název Rank of tensors of l-out-of-k functions: an application in probabilistic inference Tvůrce(i) Vomlel, Jiří (UTIA-B) RID, ORCID Celkový počet autorů 1 Zdroj.dok. Kybernetika. - : Ústav teorie informace a automatizace AV ČR, v. v. i. - ISSN 0023-5954
Roč. 47, č. 3 (2011), s. 317-336Poč.str. 20 s. Jazyk dok. eng - angličtina Země vyd. CZ - Česká republika Klíč. slova Bayesian network ; probabilistic inference ; tensor rank Vědní obor RIV BB - Aplikovaná statistika, operační výzkum CEP 1M0572 GA MŠMT - Ministerstvo školství, mládeže a tělovýchovy GA201/09/1891 GA ČR - Grantová agentura ČR GEICC/08/E010 GA ČR - Grantová agentura ČR CEZ AV0Z10750506 - UTIA-B (2005-2011) UT WOS 000293207900002 EID SCOPUS 83455262599 Anotace 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 probabilistic graphical 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. Pracoviště Ústav teorie informace a automatizace Kontakt Markéta Votavová, votavova@utia.cas.cz, Tel.: 266 052 201. Rok sběru 2012
Počet záznamů: 1