Йерархично вариационно извеждане
Йерархичното вариационно извеждане (HVI) разширява стандартното вариационно извеждане чрез прилагане на по-богата, йерархична структура върху самото вариационно семейство. Вместо да се използва проста средно-полево приближение, HVI въвежда спомагателни латентни променливи, които улавят зависимостите между основните латентни променливи, осигурявайки по-плътни долни граници на доказателствата и по-точни приближения на апостериорното разпределение за сложни Байесови модели.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Ranganath, R., Altosaar, J., Tran, D. & Blei, D. M. (2016). Hierarchical Variational Models. Proceedings of the 33rd International Conference on Machine Learning (ICML 2016), PMLR 48, 324-333. link ↗
- Jordan, M. I., Ghahramani, Z., Jaakkola, T. S. & Saul, L. K. (1999). An introduction to variational methods for graphical models. Machine Learning, 37(2), 183-233. DOI: 10.1023/A:1007665907178 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Hierarchical Variational Inference. ScholarGate. https://scholargate.app/bg/bayesian/hierarchical-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.
- Байесов регресионен моделБейсови методи↔ compare
- Йерархично Бейсианско заключениеБейсови методи↔ compare
- Йерархичен Монте Карло Марковски процесБейсови методи↔ compare
- Марковски Монте Карло вериги (MCMC)Бейсови методи↔ compare
- Вариационен инференсБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →