Многостепенен вариационен извод
Многостепенният вариационен извод (MLVI) е мащабируем приблизителен Байесов метод, който напасва йерархични (многостепенни) модели чрез оптимизиране на вариационна апроксимация на апостериорното разпределение, вместо да извлича MCMC извадки. Той използва групираната структура на многостепенни данни — индивиди, вложени в групи, групи, вложени в единици от по-високо ниво — за да изведе ефективни координирани актуализации, правейки Байесовия извод приложим за големи клъстерирани набори от данни.
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
- Blei, D. M., Kucukelbir, A., & McAuliffe, J. D. (2017). Variational inference: A review for statisticians. Journal of the American Statistical Association, 112(518), 859-877. DOI: 10.1080/01621459.2017.1285773 ↗
- Ranganath, R., Altosaar, J., Tran, D., & Blei, D. M. (2016). Operator variational objectives. Advances in Neural Information Processing Systems, 29. Curran Associates. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/bg/bayesian/multilevel-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.
- Байесовски йерархичен моделБейсови методи↔ compare
- Йерархично Бейсианско заключениеБейсови методи↔ compare
- Многостепенни MCMC методиБейсови методи↔ compare
- Вариационен инференсБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →