Seminar: Tensordekompositionen für Probabilistische Modellierung und Inferenz

Überblick

Viele KI Anwendungen arbeiten mit Daten in Form von Tensoren oder mit Modellen, die Tensorstrukturen aufweisen. Hier sind Tensordekompositionen sehr effektiv um große Tensoren effizient zu verarbeiten und insbesondere kompaktere Darstellungen sowie effizientere Berechnungen zu ermöglichen. Da diskrete Wahrscheinlichkeitsverteilungen als Tensoren aufgefasst werden können, untersuchen wir in diesem Seminar, wie Tensordekompositionen und verwandte Konzepte für (effizientere) probabilitische Modellierung und Inferenz verwendet werden können. Das Seminar fokussiert sich insbesondere auf Probabilistische Graphische Modelle.

Das Seminar wird auf englisch stattfinden.

Für weitere Informationen melden Sie sich bitte im gleichnamigen Learnweb-Kurs an.

Anforderungen

1. Themenauswahl
   • Je nach Teilnahmezahlen allein oder im Team
   • Literatursuche
2. Halten von zwei Vorträgen je ca. 30 Minuten (zuzüglich Diskussion)
   • Der erste Vortrag soll die Grundlagen abdecken
   • Der zweite Vortrag soll anhand von ein, zwei Papieren das Thema mit einem spezifischen Fokus behandeln
3. Anfertigen einer individuellen, schriftlichen Ausarbeitung
   • Ca. 7 +- 1 Seiten im IJCAI Format (double column) ohne Referenzen
   • Beschreibung der in den Vorträgen besprochenen Konzepte
   • Einbeziehung der Ergebnisse der Literatursuche
4. Anwesenheit bei allen Vorträgen, Beteiligung an Diskussionen

Themen

• Dualität Probabilistische Graphische Modelle und Tensor Netzwerke
• Effiziente / Optimierte Tensor Netzwerk Kontraktion
• CP Dekomposition für Probabilistische Inferenz
• Tensordekomposition für das Parameter-Lernen in Probabilistischen Graphischen Modellen