Hierarchické variační usuzování
Hierarchické variační usuzování (HVI) rozšiřuje standardní variační usuzování tím, že zavádí bohatší, hierarchickou strukturu do samotné variační rodiny. Namísto použití jednoduché mean-field aproximace, HVI zavádí pomocné latentní proměnné, které zachycují závislosti mezi hlavními latentními proměnnými, což vede k těsnějším dolním mezím důkazů a přesnějším aproximacím posteriorního rozdělení pro komplexní Bayesovské modely.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Hierarchical Variational Inference. ScholarGate. https://scholargate.app/cs/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.
- Bayesovská regreseBayesovská statistika↔ compare
- Hierarchické Bayesovské odvozováníBayesovská statistika↔ compare
- Hierarchické vzorkování Markovovým řetězcem Monte CarloBayesovská statistika↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesovská statistika↔ compare
- Variační inferenceBayesovská statistika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →