Metodin todisteiden tietue
Spatial Variational Inference
Spatial variational inference is a scalable approximate Bayesian method that fits latent Gaussian or Gaussian-process models to georeferenced data by optimising a lower bound on the marginal likelihood. It replaces expensive MCMC sampling with a deterministic optimisation step, making full-posterior uncertainty quantification tractable for large spatial datasets.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
Spatial Variational Inference for Latent Gaussian Models
Taksonominen metoditietue · bayesian / bayesian
- Titsias, M. K. (2009). Variational learning of inducing variables in sparse Gaussian processes. In Proceedings of the 12th International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 5, pp. 567-574. · URL
- Rue, H., Martino, S., & Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B, 71(2), 319-392. · DOI 10.1111/j.1467-9868.2008.00700.x
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Ei vielä kuratoituja väitteitä
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.