استنتاج تنوعی با دادههای گمشده
استنتاج تنوعی با دادههای گمشده یک رویکرد بیزی مقیاسپذیر است که به طور همزمان تقریب پسین روی متغیرهای پنهان و پارامترهای مدل را در حالی که مشاهدات گمشده را نیز تکمیل میکند، انجام میدهد. به جای ادغام دقیق بر روی تمام مقادیر ممکن ورودیهای گمشده، یک توزیع تقریبی قابل ردیابی را فرض میکند و آن را به گونهای بهینه میکند که تا حد امکان به پسین مشترک واقعی نزدیک باشد و منجر به استنتاج سریع و اصولی حتی در مجموعه دادههای ناقص با ابعاد بالا شود.
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
- Ghahramani, Z. & Jordan, M. I. (1994). Supervised learning from incomplete data via an EM approach. In Cowan, J. D., Tesauro, G. & Alspector, J. (Eds.), Advances in Neural Information Processing Systems 6 (pp. 120–127). Morgan Kaufmann. link ↗
- Wainwright, M. J. & Jordan, M. I. (2008). Graphical models, exponential families, and variational inference. Foundations and Trends in Machine Learning, 1(1–2), 1–305. DOI: 10.1561/2200000001 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/fa/bayesian/variational-inference-with-missing-data
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.
- استنتاج بیزی با دادههای گمشدهبیزی↔ compare
- نمونهگیری گیبس با دادههای گمشدهبیزی↔ compare
- MCMC با دادههای گمشدهبیزی↔ compare
- استنتاج تغییریبیزی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →