0040519 20240103182652.920060821235959.9 8 s. cav_un_epca*00766012-84254-112-X2300-2307ParisEditions EDK2006Bouchon-MeunierB.YagerR. R. compositional model multidimensional distribution Bayesian network marginalization algorithm cav_un_auth*0101118 Jiroušek Radim UTIA-B Department of Decision Making Theory Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0216188 Kratochvíl Václav UTIA-B Department of Decision Making Theory Ústav teorie informace a automatizace AV ČR, v. v. i. 12A 1M0572 GA MŠk cav_un_auth*0001814 IAA2075302 GA AV ČR cav_un_auth*0001801 CEZ:AV0Z10750506 The paper deals with a problem of marginalization of multidimensional probability distributions represented by compositional models, more precisely by perfect sequence models. It appears thet the solution is more efficient than any known marginalization process for Bayesian networks. This is because the process takes advantage of the fact that perfect sequence models have some information explicitly encoded, which can be got from Bayesian networks by application of reather computationally expensive procedures. Článek se zabývá problémem marginalizace mnohodimensionálních distribucí reprezentovaných pomocí tak zvaných prefektních posloupností, tedy speciání podtřídou kompozicionálních modelů. V článku je ukázáno, že algoritmus je efektivnější, než kterýkoliv známý algoritmus pro marginalizaci bayesovských sítí. To je proto, že algoritmus využívá skuečnosti, že modely reprezenované perfektními posloupnostmi obsahují explicitně vyjádřenou informaci, jejíž získání z bayesovské sítě může být algoritmicky náročné. cav_un_auth*0209125 IPMU 2006 /11./ Paris 02.07.2006-07.07.2006 FR 2007 BA http://hdl.handle.net/11104/0134228 2006 cav_un_epca*0076601 IPMU 2006. Information Processing and Management of Uncertainty in Knowledge-Based Systems 2-84254-112-X 2300 2307 Paris Editions EDK 2006 Bouchon-Meunier B. 340 Yager R. R. 340