bibtype C - Conference Paper (international conference)
ARLID 0040519
utime 20240103182652.9
mtime 20060821235959.9
title (primary) (eng) Marginalization algorithm for compositional models
specification
page_count 8 s.
serial
ARLID cav_un_epca*0076601
ISBN 2-84254-112-X
title IPMU 2006. Information Processing and Management of Uncertainty in Knowledge-Based Systems
page_num 2300-2307
publisher
place Paris
name Editions EDK
year 2006
editor
name1 Bouchon-Meunier
name2 B.
editor
name1 Yager
name2 R. R.
title (cze) Marginalizační algoritmus pro kompozicionální modely
keyword compositional model
keyword multidimensional distribution
keyword Bayesian network
keyword marginalization
keyword algorithm
author (primary)
ARLID cav_un_auth*0101118
name1 Jiroušek
name2 Radim
institution UTIA-B
full_dept Department of Decision Making Theory
fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
author
ARLID cav_un_auth*0216188
name1 Kratochvíl
name2 Václav
institution UTIA-B
full_dept Department of Decision Making Theory
fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
COSATI 12A
cas_special
project
project_id 1M0572
agency GA MŠk
ARLID cav_un_auth*0001814
project
project_id IAA2075302
agency GA AV ČR
ARLID cav_un_auth*0001801
research CEZ:AV0Z10750506
abstract (eng) 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.
abstract (cze) 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.
action
ARLID cav_un_auth*0209125
name IPMU 2006 /11./
place Paris
dates 02.07.2006-07.07.2006
country FR
reportyear 2007
RIV BA
permalink http://hdl.handle.net/11104/0134228
arlyear 2006
mrcbU63 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
mrcbU67 Bouchon-Meunier B. 340
mrcbU67 Yager R. R. 340