Dynamic Variational Inference
Dynamic variational inference extends the variational inference framework to sequential and time-series settings by positing a structured approximate posterior that respects the temporal ordering of latent states. It jointly learns a generative model of how hidden states evolve over time and a recognition network that maps observed sequences back to those latent states, optimising a sequential evidence lower bound (ELBO).
Εγγραφή πηγής
Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.
- Krishnan, R. G., Shalit, U., & Sontag, D. (2015). Deep Kalman Filters. NIPS 2015 Workshop on Advances in Approximate Bayesian Inference. · URL
- Bayer, J., & Osendorfer, C. (2014). Learning Stochastic Recurrent Networks. NIPS 2014 Workshop on Advances in Variational Inference. · URL
Επιμελημένοι ισχυρισμοί
Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.
Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.
Σχετικές μέθοδοι
Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.