Bayesian methodsBayesian / computational

استنتاج تغییری پویا

استنتاج تغییری پویا چارچوب استنتاج تغییری را به تنظیمات متوالی و سری زمانی با فرض یک پسین تقریبی ساختاریافته که نظم زمانی حالت‌های پنهان را رعایت می‌کند، گسترش می‌دهد. این مدل به طور مشترک یک مدل مولد از چگونگی تکامل حالت‌های پنهان در طول زمان و یک شبکه تشخیص که دنباله‌های مشاهده شده را به آن حالت‌های پنهان نگاشت می‌کند، یاد می‌گیرد و یک حد پایین شواهد متوالی (ELBO) را بهینه می‌کند.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

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

منابع

  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

نحوهٔ استناد به این صفحه

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

ارجاع‌شده در

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/bayesian/dynamic-variational-inference · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026