Inférence variationnelle pour séries temporelles
L'inférence variationnelle pour séries temporelles applique les méthodes bayésiennes variationnelles aux données séquentielles, en approximant la postérieure intraitable sur les états latents et les paramètres par une famille de distributions traitable. En maximisant la borne inférieure de l'évidence (ELBO), elle permet une inférence bayésienne rapide et évolutive pour les modèles d'espace d'états, les modèles latents dynamiques et d'autres systèmes probabilistes ordonnés dans le temps.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Blei, D. M., Kucukelbir, A. & McAuliffe, J. D. (2017). Variational inference: A review for statisticians. Journal of the American Statistical Association, 112(518), 859-877. DOI: 10.1080/01621459.2017.1285773 ↗
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Variational Inference for Time Series Models. ScholarGate. https://scholargate.app/fr/bayesian/time-series-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.
- Inférence variationnelle dynamiqueBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
- Inférence bayésienne sur séries temporellesBayésien↔ compare
- MCMC pour séries temporellesBayésien↔ compare
- Inférence variationnelleBayésien↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →