Bayesian methodsBayesian / computational

الاستدلال التبايني الديناميكي

يُوسِّع الاستدلال التبايني الديناميكي إطار الاستدلال التبايني ليشمل الإعدادات المتسلسلة والسلاسل الزمنية، وذلك بافتراض وجود توزيع خلفي تقريبي مُهَيْكَل يحترم الترتيب الزمني للحالات الكامنة. ويتعلم هذا الأسلوب بشكل مشترك نموذجًا توليديًا لكيفية تطور الحالات المخفية بمرور الوقت، وشبكة تمييز (recognition network) تربط المتتاليات المرصودة مرة أخرى بتلك الحالات الكامنة، مع تحسين الحد الأدنى للأدلة المتسلسلة (ELBO).

افتح في MethodMindقريبًافيديوقريبًاDownload slides

اقرأ الطريقة كاملة

للأعضاء فقط

سجّل الدخول بحساب مجاني لقراءة هذا القسم.

تسجيل الدخول

Method map

The neighbourhood of related methods — select a node to explore.

المصادر

  1. Krishnan, R. G., Shalit, U., & Sontag, D. (2015). Deep Kalman Filters. NIPS 2015 Workshop on Advances in Approximate Bayesian Inference. link
  2. Bayer, J., & Osendorfer, C. (2014). Learning Stochastic Recurrent Networks. NIPS 2014 Workshop on Advances in Variational Inference. link

كيف تستشهد بهذه الصفحة

ScholarGate. (2026, June 3). Dynamic Variational Inference for Sequential Latent Variable Models. ScholarGate. https://scholargate.app/ar/bayesian/dynamic-variational-inference

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

يُستشهد بها في

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). استُرجع بتاريخ 2026-06-15 من https://scholargate.app/ar/bayesian/dynamic-variational-inference · مجموعة البيانات: https://doi.org/10.5281/zenodo.20539026