استنتاج بایزی سطوح متعدد
استنتاج بایزی سطوح متعدد (MLVI) یک روش بایزی تقریبی مقیاسپذیر است که مدلهای سلسلهمراتبی (سطوح متعدد) را با بهینهسازی یک تقریب بایزی از توزیع پسین، به جای نمونهبرداری MCMC، برازش میدهد. این روش از ساختار گروهبندی شده دادههای سطوح متعدد - افراد درون گروهها، گروهها درون واحدهای سطح بالاتر - بهره میبرد تا بهروزرسانیهای کارآمد مختص مختصات را استخراج کند و استنتاج بایزی را برای مجموعه دادههای خوشهای بزرگ قابل محاسبه سازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/fa/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.
- مدل سلسله مراتبی بیزیبیزی↔ compare
- استنتاج بیزی سلسلهمراتبیبیزی↔ compare
- MCMC چندسطحی (Multilevel MCMC)بیزی↔ compare
- استنتاج تغییریبیزی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →