Bayesian methodsBayesian / computational

Inférence variationnelle dynamique

L'inférence variationnelle dynamique étend le cadre de l'inférence variationnelle aux contextes séquentiels et de séries temporelles en postulant une postérieure approximative structurée qui respecte l'ordre temporel des états latents. Elle apprend conjointement un modèle génératif de l'évolution des états cachés au fil du temps et un réseau de reconnaissance qui re-mappe les séquences observées vers ces états latents, en optimisant une borne inférieure séquentielle de l'évidence (ELBO).

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

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

Sources

  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

Comment citer cette page

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

Référencée par

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). Consulté le 2026-06-15 sur https://scholargate.app/fr/bayesian/dynamic-variational-inference · Jeu de données : https://doi.org/10.5281/zenodo.20539026