Identifiabilité de modèles tensoriels couplés pour l'estimation de lois de probabilité discrète - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Identifiability of coupled tensor models for probability mass function estimation

Identifiabilité de modèles tensoriels couplés pour l'estimation de lois de probabilité discrète

Résumé

In this article, we propose an approach to determine upper bounds for generic identifiability of coupled tensor model for estimating discrete probability mass functions. This allows us to study the influence of different coupling strategies on identifiability of the coupled model.
Dans cet article, nous proposons une approche pour fournir des bornes d'identifiabilité générique de modèles tensoriels couplés pour l'estimation de loi de probabilité discrète. Cette approche permet notamment d'étudier l'influence de différentes stratégies de couplage (total, partiel) sur l'identifiabilité du modèle couplés.
Fichier principal
Vignette du fichier
gretsi2023-2.pdf (394.61 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Licence : CC BY NC ND - Paternité - Pas d'utilisation commerciale - Pas de modification

Dates et versions

hal-04331860 , version 1 (08-12-2023)

Identifiants

  • HAL Id : hal-04331860 , version 1

Citer

Philippe Flores, Konstantin Usevich, David Brie. Identifiabilité de modèles tensoriels couplés pour l'estimation de lois de probabilité discrète. XXIXème Colloque Francophone de Traitement du Signal et des Images, GRETSI 2023, Aug 2023, Grenoble, France. ⟨hal-04331860⟩
17 Consultations
8 Téléchargements

Partager

Gmail Facebook X LinkedIn More