Multilevel Variational Inference
Multilevel-Variational-Inferenz (MLVI) ist eine skalierbare approximative Bayes'sche Methode, die hierarchische (multilevel) Modelle anpasst, indem sie eine variationale Approximation der Posterior-Verteilung optimiert, anstatt MCMC-Stichproben zu ziehen. Sie nutzt die gruppierte Struktur von Multilevel-Daten – Individuen, die in Gruppen verschachtelt sind, Gruppen, die in Einheiten höherer Ebene verschachtelt sind –, um effiziente koordinatenweise Updates abzuleiten und Bayes'sche Inferenz für große, geclusterte Datensätze handhabbar zu machen.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/de/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.
- Bayessches hierarchisches ModellBayes-Statistik↔ compare
- Hierarchische Bayes'sche InferenzBayes-Statistik↔ compare
- Multilevel MCMCBayes-Statistik↔ compare
- Variationelle InferenzBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →