This HTML5 document contains 21 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

Prefix	IRI
n11	http://linked.opendata.cz/resource/domain/vavai/cep/kategorie/
n9	http://linked.opendata.cz/resource/domain/vavai/cep/soutez/
dcterms	http://purl.org/dc/terms/
n10	http://linked.opendata.cz/resource/domain/vavai/cep/aktivita/
n3	http://linked.opendata.cz/ontology/domain/vavai/
n5	http://linked.opendata.cz/resource/domain/vavai/cep/obor/
n7	http://linked.opendata.cz/resource/domain/vavai/cep/druh-souteze/
n8	http://linked.opendata.cz/resource/domain/vavai/cep/faze/
rdf	http://www.w3.org/1999/02/22-rdf-syntax-ns#
n12	http://linked.opendata.cz/resource/domain/vavai/cep/typ/
n4	http://linked.opendata.cz/resource/domain/vavai/cep/poskytovatel/
xsdh	http://www.w3.org/2001/XMLSchema#
n2	http://linked.opendata.cz/resource/domain/vavai/cep/projekt/AV0/

Statements

Subject Item

n2:IAA2075603

rdf:type

n3:Projekt

dcterms:description

"Probability-based methods of parameter estimation that needs calculation of the complete posterior distribution or complete likelihood are notoriously known to suffer from the ""curse of dimensionality"". Design of feasible approximations is thus of vital importance for solving real-life problems. One natural way of beating the complexity of parameter estimation is to approximate directly the intractable model. Although this approach is often used in practice, it is mostly disliked or suspected by theorists becouse of the danger of accumulation of approximation errors in recursive estimation. Some preliminary results surprisingly indicate that this danger can be avoided or at least kept under control provided a kind of monotonicity property is required from the probability approximation. Approximation of the family of sampling distributions by an exponential family will be studied with respect to the monotonicity requirement." Pravděpodobnostní metody odhadování paramatrů, jež vyčíslují celou aposteriorní distribuci či věrohodnostní funkci, jsou obtížně implementovatelné vzhledem k vysoké dimenzi souvisejících výpočtů. Návrh vhodných aproximací je proto nezbytným předpokladem řešení reálných úloh. Jednou přirozenou cestou, jak redukovat složitost algoritmů odhadování, je přímo aproximovat samotný model. Tento přístup je sice běžně používán v praxi, ale z teoretického hlediska je považován za riskantní vzhledem k možnosti akumulace chyb při rekurzívním odhadování. Některé předběžné výsledky překvapivě ukazují, že akumulaci chyb se lze vyhnout, resp. ji udržet pod kontrolou za podmínky, že aproximace pravděpodobnosti je v jistém smyslu monotónní. Navrhovaný projekt chce studovat možnost aproximovat rodinu výběrových distribucí exponenciální rodinou při zachování této monotonie. Podrobně bude zkoumána otázka vhodného výběru bázových funkcí a počátku exponenciální rodiny, jakož i numerické vlastnosti aproximace.

dcterms:title

Globální aproximace modelu v rekurzívním bayesovském odhadování parametrů Global approximation of model in recursive Bayesian parameter estimation

n3:druh-souteze

n7:

n3:faze

n8:19897919

n3:hlavni-obor

n5:BB

n3:vedlejsi-obor

n5:BC

n3:id-aktivity

n10:IA

n3:id-souteze

n9:

n3:kategorie

n11:0

n3:pocet-koordinujicich-prijemcu

0

n3:poskytovatel

n4:AV0

n3:statni-podpora

545

n3:typProjektu

n12:P

n3:uznane-naklady

915

n3:pocet-prijemcu

1

n3:pocet-spoluprijemcu

0

n3:pocet-vysledku

33

n3:pocet-vysledku-zverejnovanych

33