Generativno modeliranje z MPS na tabelaričnih podatkihMakovec, Barbara (Avtor) Žunkovič, Bojan (Mentor) tenzorske mrežegenerativno modeliranjeMPSstrojno učenjetabelarični podatkiTenzorske mreže predstavljajo razcep visokodimenzionalnih tenzorjev v več manjših tenzorjev. Razvite so bile v kvantni fiziki, vendar so se v zadnjih letih uveljavile na področju strojnega učenja. Posebna oblika tenzorske mreže je matrično produktno stanje (MPS), ki je sestavljeno iz verige tenzorjev, ki jih povezujejo vezi. Dimenzija vezi omejuje korelacije, ki jih model lahko predstavi, in s tem ekspresivnost modela. V delu uporabimo MPS kot verjetnostni model za tabelarične podatke. V enem MPS modelu lahko hkrati uporabimo različne tipe vložitev za različne atribute (ordinalne, nominalne, zvezne). V nasprotju s popularnimi generativnimi modeli lahko naš model zaradi strukture učinkovito izračuna eksaktno verjetje ter eksaktne robne in pogojne porazdelitve. Podatke vzorčimo s predniškim vzorčenjem. Dimenzijo vezi prilagajamo med učenjem po metodi DMRG. Model implementiramo in evalviramo na kategoričnem naboru podatkov o raku dojk. Pokažemo, da se enodimenzionalne robne porazdelitve sintetičnih podatkov dobro ujemajo z resničnimi, ter da model dobro predstavi korelacije med pari atributov.20262026-07-23 13:50:15Diplomsko delo/naloga185121sl