MAP inference algorithms without approximation for collective graphical models on path graphs via discrete difference of convex algorithm

Collective graphical model (CGM) is a probabilistic model that provides a framework for analyzing aggregated count data. Maximum a posteriori (MAP) inference of unobserved variables under given observations is one of the essential operations in CGM. Because the MAP inference problem is known to be N...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Machine learning Ročník 112; číslo 1; s. 99 - 129
Hlavní autoři:	Akagi, Yasunori, Marumo, Naoki, Kim, Hideaki, Kurashima, Takeshi, Toda, Hiroyuki
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	New York Springer US 01.01.2023 Springer Nature B.V
Témata:	Algorithms Approximation Artificial Intelligence Computer Science Continuity (mathematics) Control Graphs Inference Machine Learning Mechatronics Natural Language Processing (NLP) Probabilistic models Robotics Simulation and Modeling Network flow Collective graphical model Discrete difference of convex algorithm
ISSN:	0885-6125, 1573-0565
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!