Variationsinferenz mit fehlenden Daten
Die Variationsinferenz mit fehlenden Daten ist ein skalierbarer Bayes'scher Ansatz, der gleichzeitig die Posterior-Verteilung über latente Variablen und Modellparameter approximiert, während fehlende Beobachtungen imputiert werden. Anstatt über alle möglichen Werte der fehlenden Einträge exakt zu integrieren, postuliert sie eine handhabbare approximative Verteilung und optimiert diese, um der wahren gemeinsamen Posterior-Verteilung so nahe wie möglich zu kommen. Dies ermöglicht eine schnelle, prinzipiengeleitete Inferenz selbst in hochdimensionalen, unvollständigen Datensätzen.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/de/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.
- Bayes'sche Inferenz bei fehlenden DatenBayes-Statistik↔ compare
- Gibbs Sampling bei fehlenden DatenBayes-Statistik↔ compare
- MCMC bei fehlenden DatenBayes-Statistik↔ compare
- Variationelle InferenzBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →