20.500.12556/RUL-185121 Generativno modeliranje z MPS na tabelaričnih podatkih Generative modeling with MPS on tabular data Tenzorske 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. Tensor networks are a decomposition of high-dimensional tensors into multiple smaller tensors. They were first introduced in quantum physics, and have been adopted in machine learning in recent years. A special type of tensor network is matrix product state (MPS), which is a chain-shaped tensor network. Its expressiveness is limited by the bond dimension, which bounds the correlations the model can represent. In this thesis we use an MPS Born machine as a probabilistic model for tabular data. In a single MPS model we can simultaneously use different types of embeddings for different attributes (nominal, ordinal and continuous). In contrast to most generative models, the MPS Born machine allows exact likelihood evaluation, exact marginal and conditional distributions and can efficiently implement ancestral sampling. The bond dimension is adapted to the data during DMRG-style training. We implement and evaluate the model on a categorical dataset about breast cancer. We show that one-dimensional marginal distributions of synthetic data match the real data and that the model is able to represent correlations between pairs of attributes. tenzorske mreže generativno modeliranje MPS strojno učenje tabelarični podatki tensor networks generative modeling MPS machine learning tabular data true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-07-23 13:50:15 2026-07-23 13:50:25 2026-07-31 08:55:50 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38748 286536195 Makovec_Barbara_-_Generativno_modeliranje_z_MPS_na_tabelaricnih_podatkih.pdf Makovec_Barbara_-_Generativno_modeliranje_z_MPS_na_tabelaricnih_podatkih.pdf 1 0180C7E41B6AF6C92EAB43060A9FDACC 9d00ee378902ba40b0e050487fe287feb66a9ee95ff332b747fc4648adb3404c 71d1dfb1-868c-11f1-9b0d-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=243333 Fakulteta za računalništvo in informatiko 0 0 0