bibtype	J - Journal Article
ARLID	0047082
utime	20240903170616.1
mtime	20071210235959.9
WOS	000252708100011
SCOPUS	43649104508
title (primary) (eng)	Exploiting Tensor Rank-One Decomposition in Probabilistic Inference
specification	page_count 18 s.
serial	ARLID cav_un_epca*0297163 ISSN 0023-5954 title Kybernetika volume_id 43 volume 5 (2007) page_num 747-764 publisher name Ústav teorie informace a automatizace AV ČR, v. v. i.
title (cze)	Využití rozkladu tenzoru na tenzory ranku jedna pro pravděpodobnostní inferenci
keyword	graphical probabilistic models
keyword	probabilistic inference
keyword	tensor rank
author (primary)	ARLID cav_un_auth*0100825 name1 Savický name2 Petr institution UIVT-O full_dept Department of Theoretical Computer Science fullinstit Ústav informatiky AV ČR, v. v. i.
author	ARLID cav_un_auth*0101228 name1 Vomlel name2 Jiří institution UTIA-B full_dept Department of Decision Making Theory fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
source	url http://dml.cz/handle/10338.dmlcz/135810
cas_special	project project_id 1M0545 agency GA MŠk ARLID cav_un_auth*0203502 project project_id 1M0572 agency GA MŠk ARLID cav_un_auth*0001814 project project_id GA201/04/0393 agency GA ČR ARLID cav_un_auth*0001808 research CEZ:AV0Z10300504 research CEZ:AV0Z10750506 abstract (eng) We propose a new additive decomposition of probability tables - tensor rank-one decomposition. The basic idea is to decompose a probability table into a series of tables, such that the table that is the sum of the series is equal to the original table. Each table in the series has the same domain as the original table but can be expressed as a product of one-dimensional tables. Entries in tables are allowed to be any real number, i.e. they can be also negative numbers. The possibility of having negative numbers, in contrast to a multiplicative decomposition, opens new possibilities for a compact representation of probability tables. We show that tensor rank-one decomposition can be used to reduce the space and time requirements in probabilistic inference. We provide a closed form solution for minimal tensor rank-one decomposition for some special tables and propose a numerical algorithm that can be used in cases when the closed form solution is not known. abstract (cze) Navrhujeme nový součtový rozklad pravděpodobnostních tabulek - rozklad na tenzory ranku jedna. Základní myšlenka je, rozložit pravděpodobnostní tabulku na posloupnost tabulek, jejichž součet je roven původní tabulce. Každá z tabulek v posloupnosti má stejný obor indexů jako původní tabulka, ale je vyjádřitelná jako součin jednorozměrných tabulek. Prvky tabulek mohou být libovolná reálná čísla, tedy i čísla záporná. Ukazujeme, že rozklad na tenzory ranku jedna může být použit pro zmenšení prostorové a časové složitosti pravděpodobnostní inference. Článek prezentuje explicitní vyjádření minimálního rozkladu některých speciálních tabulek a navrhuje numerickou metodu řešení v případě, že explicitní rozklad není znám. reportyear 2008 RIV BD mrcbC52 4 O 4o 20231122133557.7 permalink http://hdl.handle.net/11104/0138094 mrcbT16-f 0.464 mrcbT16-g 0.044 mrcbT16-h 8.9 mrcbT16-i 0.0021 mrcbT16-j 0.359 mrcbT16-k 329 mrcbT16-l 68 mrcbT16-q 21 mrcbT16-s 1.071 mrcbT16-y 14.83 mrcbT16-x 0.67 arlyear 2007 mrcbTft \nSoubory v repozitáři: Kybernetika_43-2007-5_11.pdf mrcbU14 43649104508 SCOPUS mrcbU34 000252708100011 WOS mrcbU63 cav_un_epca*0297163 Kybernetika 0023-5954 Roč. 43 č. 5 2007 747 764 Ústav teorie informace a automatizace AV ČR, v. v. i.