Bayesian methodsBayesian / computational

Variational Inference Dinámica

La inferencia variacional dinámica extiende el marco de la inferencia variacional a entornos secuenciales y de series temporales postulando una posterior aproximada estructurada que respeta el orden temporal de los estados latentes. Aprende conjuntamente un modelo generativo de cómo evolucionan los estados ocultos a lo largo del tiempo y una red de reconocimiento que mapea secuencias observadas de vuelta a esos estados latentes, optimizando un límite inferior de evidencia secuencial (ELBO).

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

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

Fuentes

  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

Cómo citar esta página

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

Citado por

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). Recuperado el 2026-06-15 de https://scholargate.app/es/bayesian/dynamic-variational-inference · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026