Aegridade muutuv järeldus
Aegridade muutuv järeldus rakendab muutuvat Bayes'i meetodit järjestikandmetele, ligikaudselt hinnates latentsete olekute ja parameetrite keerulist järeldusjaotust käsitletava jaotuste perekonnaga. Tõendusmaterjali alampiiri (ELBO) maksimeerimisega võimaldab see kiiret ja skaleeritavat Bayes'i järeldust olekuruumimudelite, dünaamiliste latentsete muutujate mudelite ja muude ajaliselt järjestatud tõenäosuslike süsteemide jaoks.
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 ↗
- Jordan, M. I., Ghahramani, Z., Jaakkola, T. S. & Saul, L. K. (1999). An introduction to variational methods for graphical models. Machine Learning, 37(2), 183-233. DOI: 10.1023/A:1007665907178 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Variational Inference for Time Series Models. ScholarGate. https://scholargate.app/et/bayesian/time-series-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.
- Dünaamiline variatsiooniline järeldusBayesi meetodid↔ compare
- Kalmani filterBayesi meetodid↔ compare
- Jadaline Monte CarloBayesi meetodid↔ compare
- Aegridade Bayes'lik inferentsBayesi meetodid↔ compare
- Aegridade MCMCBayesi meetodid↔ compare
- Variational InferenceBayesi meetodid↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →