0327312 20240103191906.920090724235959.9 000268585700049 69049089935 10.1007/978-3-642-02906-6_49 12 s. cav_un_epca*0327310978-3-642-02905-90302-9743566-577BerlinSpringer2009SossaiC.ChemelloG. Bayesian network BN2O noisy-or graphical transformation parent divorcing tensor rank-one decomposition cav_un_auth*0100825 Savický Petr UIVT-O Department of Theoretical Computer Science Ústav informatiky AV ČR, v. v. i. cav_un_auth*0101228 Vomlel Jiří UTIA-B Department of Decision Making Theory Ústav teorie informace a automatizace AV ČR, v. v. i. 1M0545 GA MŠk CZ cav_un_auth*0203502 1ET100300517 GA AV ČR cav_un_auth*0001446 1M0572 GA MŠk cav_un_auth*0001814 2C06019 GA MŠk CZ cav_un_auth*0216518 GEICC/08/E010 GA ČR cav_un_auth*0241637 GA201/09/1891 GA ČR cav_un_auth*0253175 CEZ:AV0Z10300504 CEZ:AV0Z10750506 A BN2O network is a Bayesian network having the structure of a bipartite graph with all edges directed from one part (the top level) toward the other (the bottom level) and where all conditional probability tables are noisy-or gates. In order to perform efficient inference, graphical transformations of these networks are performed. The complexity of inference is proportional to the total table size of tables corresponding to the cliques of the triangulated graph. Therefore in order to get efficient inference it is desirable to have small cliques in the triangulated graph. We analyze existing heuristic triangulation methods applicable to BN2O networks after transformations using parent divorcing and tensor rank-one decomposition and suggest several modifications. Both theoretical and experimental results confirm that tensor rank-one decomposition yields better results than parent divorcing in randomly generated BN2O networks that we tested. Síť typu BN2O je Bayesovská síť se strukturou bipartitního grafu, ve kterém jsou všechny hrany orientované z jedné části (horní vrstva) do druhé části (dolní vrstva) a ve kterém jsou všechny pravděpodobnostní tabulky noisy-or. Pro zvýšení efektivnosti inference jsou tyto sítě transformovány z hlediska jejich grafové struktury. Složitost inference je úměrná celkové velikosti tabulek v síti. Proto je cílem transformace dosáhnout co nejmenší součet velikosti tabulek triangulované sítě. Článek testuje existující metody triangulace aplikovatelné na sítě BN2O po transformacích parent divorcing a tensor rank-one decomposition a navrhuje některé modifikace. Jak teoretické, tak experimentální výsledky potvrzují, že tensor rank-one decomposition poskytuje lepší výsledky než parent divorcing na náhodně generovaných sítích BN2O, které byly v experimentu použity. cav_un_auth*0252448 ECSQARU 2009. European Conference /10./ Verona 01.07.2009-03.07. 2009 IT 2010 BA http://hdl.handle.net/11104/0174155 2009 69049089935 SCOPUS 000268585700049 WOS cav_un_epca*0327310 Symbolic and Quantitative Approaches to Reasoning with Uncertainty 978-3-642-02905-9 0302-9743 566 577 Berlin Springer 2009 Lecture Notes in Artificial Intelligence 5590 Sossai C. 340 Chemello G. 340