Вариационен метод с липсващи данни
Вариационният метод с липсващи данни е мащабируем Бейсов подход, който едновременно апроксимира апостериорното разпределение върху латентните променливи и параметрите на модела, като същевременно импутира липсващите наблюдения. Вместо точно да интегрира всички възможни стойности на липсващите елементи, той постулира управляема приблизителна дистрибуция и я оптимизира, за да бъде възможно най-близка до истинското съвместно апостериорно разпределение, което води до бързо, принципиално извеждане дори при високомерни непълни 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
- Ghahramani, Z. & Jordan, M. I. (1994). Supervised learning from incomplete data via an EM approach. In Cowan, J. D., Tesauro, G. & Alspector, J. (Eds.), Advances in Neural Information Processing Systems 6 (pp. 120–127). Morgan Kaufmann. link ↗
- Wainwright, M. J. & Jordan, M. I. (2008). Graphical models, exponential families, and variational inference. Foundations and Trends in Machine Learning, 1(1–2), 1–305. DOI: 10.1561/2200000001 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/bg/bayesian/variational-inference-with-missing-data
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.
- Байесовско извод при липсващи данниБейсови методи↔ compare
- Gibbs Sampling with Missing DataБейсови методи↔ compare
- MCMC с липсващи данниБейсови методи↔ compare
- Вариационен инференсБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →