Hierarkkinen Bayesilainen päättely
Hierarkkinen Bayesilainen päättely (HVI) laajentaa standardia Bayesilaista päättelyä asettamalla rikkaamman, hierarkkisen rakenteen itse Bayesilaiseen perheeseen. Sen sijaan, että käytettäisiin yksinkertaista keskimääräiskenttäapproksimaatiota, HVI ottaa käyttöön apupiilomuuttujia, jotka mallintavat riippuvuuksia pääpiilomuuttujien välillä, tuottaen tiukempia todistuksen alarajoja ja tarkempia posteriorisia approksimaatioita monimutkaisille Bayesilaisille malleille.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Ranganath, R., Altosaar, J., Tran, D. & Blei, D. M. (2016). Hierarchical Variational Models. Proceedings of the 33rd International Conference on Machine Learning (ICML 2016), PMLR 48, 324-333. link ↗
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Hierarchical Variational Inference. ScholarGate. https://scholargate.app/fi/bayesian/hierarchical-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.
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- Hierarkkinen Bayesiläinen päättelyBayesilainen tilastotiede↔ compare
- Hierarkkinen Markovin ketju -Monte CarloBayesilainen tilastotiede↔ compare
- Markov-ketju-Monte Carlo (MCMC)Bayesilainen tilastotiede↔ compare
- VariaatioinferenssiBayesilainen tilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →