Variační inference
Variační inference (VI) je soubor technik, které převádějí výpočet aposteriorního rozdělení v Bayesovském přístupu na optimalizační úlohu. Místo vzorkování z přesného aposteriorního rozdělení — jako to dělá Markovův řetězec Monte Carlo — VI postuluje jednodušší, zvládnutelnou rodinu rozdělení a hledá v této rodině člena, který je nejblíže skutečnému aposteriornímu rozdělení, maximalizací dolní meze důkazu (ELBO). VI, představená ve své moderní formě pro grafické modely Jordanem, Ghahramanim, Jaakkolou a Saulem (1999) a komplexně statisticky zpracovaná Blei, Kucukelbir a McAuliffe (2017), je nyní standardním škálovatelným inferenčním enginem v pravděpodobnostním strojovém učení.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Zdroje
- 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 ↗
- 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 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. (Chapter 10: Approximate Inference.) ISBN: 978-0387310732
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Variational Bayesian Inference. ScholarGate. https://scholargate.app/cs/bayesian/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
- Šíření očekávání (EP)Bayesovská statistika↔ compare
- Latent Dirichlet Allocation (LDA)Strojové učení↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesovská statistika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →