Multilevel Variational Inferens
Multilevel variational inferens (MLVI) er en skalerbar approksimativ Bayesiansk metode, der tilpasser hierarkiske (multilevel) modeller ved at optimere en variationel approksimation til posteriorfordelingen, snarere end at trække MCMC-samples. Den udnytter den grupperede struktur af multilevel-data — individer indlejret i grupper, grupper indlejret i enheder på højere niveau — til at udlede effektive koordinatvise opdateringer, hvilket gør Bayesiansk inferens håndterbar for store klyngede datasæt.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/da/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.
- Bayesiansk hierarkisk modelBayesiansk↔ compare
- Hierarkisk Bayesiansk InferensBayesiansk↔ compare
- Multilevel MCMCBayesiansk↔ compare
- VariationsinferensBayesiansk↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →