Bayesian methodsBayesian / computational

Dinamička varijacijska inferencija

Dinamička varijacijska inferencija proširuje okvir varijacijske inferencije na sekvencijalne postavke i vremenske nizove pretpostavljajući strukturiranu aproksimativnu posteriornu raspodjelu koja poštuje vremenski redoslijed latentnih stanja. Ona istovremeno uči generativni model o tome kako se skrivena stanja razvijaju tijekom vremena i mrežu prepoznavanja koja mapira promatrane sekvence natrag na ta latentna stanja, optimizirajući sekvencijalni donji prag dokaza (ELBO).

Otvorite u MethodMindUskoroVideoUskoroDownload slides

Pročitajte cijelu metodu

Samo za članove

Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.

Prijavite se

Method map

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

Izvori

  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

Kako citirati ovu stranicu

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

Citirana u

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). Preuzeto 2026-06-15 s https://scholargate.app/hr/bayesian/dynamic-variational-inference · Skup podataka: https://doi.org/10.5281/zenodo.20539026