| project |
| project_id |
1M0572 |
| agency |
GA MŠk |
| country |
CZ |
| 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 is a short review and comparison of two probabilistic models for uncertain knowledge representation: Bayesian networks and compositional models. These two approaches were chosen because they represent the same class of distributions and because they are typical representatives of the approaches using conditional (for Bayesian networks) and unconditional (for compositional models) distributions as basic building blocks for model construction. The comparison is made from the viewpoint of partial knowledge processing, in particular. Here we have in mind not only their capability to create global models from systems of pieces of local knowledge but most of all their efficiency to infer new pieces of local knowledge, different from those forming a generating (input) system. |
| abstract
(cze) |
Publikace je krátkým přehledem a srovnáním dvou pravděpodobnostních přístupů k reprezentaci znalostí: bayesovských sítí a kompozicionálních modelů. Tyto modely byly zvoleny jedna proto, že reprezentují stejnou třídu distribucí, dále pak proto, že jsou typickými představiteli přístupů používajících podmíněnou (bayesovské sítě) či nepodmíněnou (kompozicionální modely) distribuci jako základní stavební kámen modelu. Porovnání je provedeno především z hlediska zpracování částečných znalostí. |
| reportyear |
2008 |
| RIV |
IN |
| permalink |
http://hdl.handle.net/11104/0157471 |
| mrcbT16-f |
2.064 |
| mrcbT16-g |
0.536 |
| mrcbT16-h |
6.5 |
| mrcbT16-i |
0.00295 |
| mrcbT16-j |
0.533 |
| mrcbT16-k |
1249 |
| mrcbT16-l |
125 |
| arlyear |
2008 |
| mrcbU63 |
cav_un_epca*0256774 International Journal of Approximate Reasoning 0888-613X 1873-4731 Roč. 47 č. 3 2008 359 367 Elsevier |