Hierarchische Variationsinferenz
Die hierarchische Variationsinferenz (HVI) erweitert die Standard-Variationsinferenz, indem sie eine reichhaltigere, hierarchische Struktur auf die Variationsfamilie selbst anwendet. Anstatt eine einfache Mean-Field-Approximation zu verwenden, führt HVI zusätzliche latente Variablen ein, die Abhängigkeiten zwischen den Haupt-Latentvariablen erfassen, was zu engeren unteren Evidenzschranken und genaueren Posterior-Approximationen für komplexe Bayes'sche Modelle führt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Hierarchical Variational Inference. ScholarGate. https://scholargate.app/de/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.
- Bayes'sche RegressionBayes-Statistik↔ compare
- Hierarchische Bayes'sche InferenzBayes-Statistik↔ compare
- Hierarchische Markov-Ketten-Monte-Carlo-VerfahrenBayes-Statistik↔ compare
- Markov-Kette Monte Carlo (MCMC)Bayes-Statistik↔ compare
- Variationelle InferenzBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →