Bayesian methodsBayesian / computational

Dynaaminen variaatioinferenssi

Dynaaminen variaatioinferenssi laajentaa variaatioinferenssin viitekehystä sekvenssi- ja aikasarja-asetelmiin olettamalla strukturoidun approksimatiivisen posteriorijakauman, joka kunnioittaa piilevien tilojen ajallista järjestystä. Se oppii samanaikaisesti generatiivisen mallin siitä, miten piilevät tilat kehittyvät ajan myötä, ja tunnistusverkon, joka kuvaa havaitut sekvenssit takaisin näihin piileviin tiloihin optimoimalla sekventiaalisen todisteiden alemman rajan (ELBO).

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

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

Lähteet

  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

Näin viittaat tähän sivuun

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

Tähän viittaavat

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/bayesian/dynamic-variational-inference · Aineisto: https://doi.org/10.5281/zenodo.20539026