Vícerozměrná variační inference
Vícerozměrná variační inference (MLVI) je škálovatelná přibližná Bayesovská metoda, která přizpůsobuje hierarchické (vícerozměrné) modely optimalizací variační aproximace k aposteriornímu rozdělení, namísto vzorkování pomocí MCMC. Využívá seskupenou strukturu vícerozměrných dat — jednotlivci vnoření do skupin, skupiny vnořené do jednotek vyšší úrovně — k odvození efektivních souřadnicových aktualizací, čímž činí Bayesovskou inferenci zvládnutelnou pro velké shlukované datové sady.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/cs/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.
- Bayesovský hierarchický modelBayesovská statistika↔ compare
- Hierarchické Bayesovské odvozováníBayesovská statistika↔ compare
- Vícerozměrné MCMC (Multilevel MCMC)Bayesovská statistika↔ compare
- Variační inferenceBayesovská statistika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →