Bayesian methodsBayesian / computational

Dynamická variační inference

Dynamická variační inference rozšiřuje rámec variační inference na sekvenční a časové řady tím, že předpokládá strukturovanou aproximovanou posteriorní distribuci, která respektuje časové uspořádání latentních stavů. Současně se učí generativní model toho, jak se skryté stavy vyvíjejí v čase, a rozpoznávací síť, která mapuje pozorované sekvence zpět na tyto latentní stavy, přičemž optimalizuje sekvenční dolní mez důkazu (ELBO).

Otevřít v MethodMindJiž brzyVideoJiž brzyDownload slides

Přečíst celou metodu

Pouze pro členy

Pro přečtení této sekce se přihlaste s bezplatným účtem.

Přihlásit se

Method map

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

Zdroje

  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

Jak citovat tuto stránku

ScholarGate. (2026, June 3). Dynamic Variational Inference for Sequential Latent Variable Models. ScholarGate. https://scholargate.app/cs/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

Odkazuje sem

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). Získáno 2026-06-15 z https://scholargate.app/cs/bayesian/dynamic-variational-inference · Datová sada: https://doi.org/10.5281/zenodo.20539026