Mitmetasemeline variatsiooniline järeldamine
Mitmetasemeline variatsiooniline järeldamine (MLVI) on skaleeritav ligikaudne Bayesi meetod, mis sobitab hierarhilisi (mitmetasemelisi) mudeleid, optimeerides posteriorjaotuse variatsioonilist lähendust, selle asemel et võtta MCMC valimeid. See kasutab ära mitmetasemeliste andmete rühmitatud struktuuri – indiviidid rühmade sees, rühmad kõrgema taseme üksuste sees – et tuletada tõhusaid koordinaadipõhiseid uuendusi, muutes Bayesi järeldamise teostatavaks suurte klastreeritud andmestike puhul.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/et/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.
- Bayesian Hierarchical ModelBayesi meetodid↔ compare
- Hierarhiline Bayes'lik järeldamineBayesi meetodid↔ compare
- Multilevel MCMCBayesi meetodid↔ compare
- Variational InferenceBayesi meetodid↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →