Bayesian methodsBayesian / computational

Δυναμική Βαριational Συλλογιστική

Η δυναμική βαριational συλλογιστική επεκτείνει το πλαίσιο της βαριational συλλογιστικής σε σειριακά και χρονοσειριακά περιβάλλοντα, υποθέτοντας μια δομημένη προσεγγιστική οπίσθια κατανομή που σέβεται τη χρονική διάταξη των λανθανουσών καταστάσεων. Μαθαίνει από κοινού ένα παραγωγικό μοντέλο του τρόπου με τον οποίο οι κρυφές καταστάσεις εξελίσσονται με την πάροδο του χρόνου και ένα δίκτυο αναγνώρισης που αντιστοιχίζει τις παρατηρούμενες ακολουθίες πίσω σε αυτές τις λανθάνουσες καταστάσεις, βελτιστοποιώντας ένα σειριακό κάτω όριο αποδεικτικών στοιχείων (ELBO).

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Krishnan, R. G., Shalit, U., & Sontag, D. (2015). Deep Kalman Filters. NIPS 2015 Workshop on Advances in Approximate Bayesian Inference. link
  2. Bayer, J., & Osendorfer, C. (2014). Learning Stochastic Recurrent Networks. NIPS 2014 Workshop on Advances in Variational Inference. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Dynamic Variational Inference for Sequential Latent Variable Models. ScholarGate. https://scholargate.app/el/bayesian/dynamic-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.

Compare side by side

Αναφέρεται από

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/bayesian/dynamic-variational-inference · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026