Variationsinferens med manglende data
Variational inferens med manglende data er en skalerbar Bayesiansk tilgang, der samtidigt approksimerer posteriorfordelingen over latente variable og modelparametre, mens manglende observationer imputeres. I stedet for at integrere eksakt over alle mulige værdier af de manglende indtastninger, postulerer den en håndterbar approksimativ fordeling og optimerer den til at være så tæt som muligt på den sande fælles posteriorfordeling, hvilket giver hurtig, principiel inferens selv i højdimensionelle ufuldstændige 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
- Ghahramani, Z. & Jordan, M. I. (1994). Supervised learning from incomplete data via an EM approach. In Cowan, J. D., Tesauro, G. & Alspector, J. (Eds.), Advances in Neural Information Processing Systems 6 (pp. 120–127). Morgan Kaufmann. link ↗
- Wainwright, M. J. & Jordan, M. I. (2008). Graphical models, exponential families, and variational inference. Foundations and Trends in Machine Learning, 1(1–2), 1–305. DOI: 10.1561/2200000001 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/da/bayesian/variational-inference-with-missing-data
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 inferens med manglende dataBayesiansk↔ compare
- Gibbs Sampling med manglende dataBayesiansk↔ compare
- MCMC med manglende dataBayesiansk↔ compare
- VariationsinferensBayesiansk↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →