Expectation Propagation (EP)
Az Expectation Propagation (EP) egy determinisztikus üzenettovábbító algoritmus a Bayes-modellek közelítő poszterior következtetésére, amelyet Thomas P. Minka mutatott be a UAI 2001 konferencián. Iteratívan finomítja a lokális közelítő faktorok halmazát – mindegyik az exponenciális családból származik –, hogy azok szorzata szorosan illeszkedjen a valódi, kezelhetetlen poszteriorhoz, így számos valószínűségi gépi tanulási feladatban nagyobb pontosságot ér el, mint a mean-field variációs következtetés.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Minka, T. P. (2001). Expectation propagation for approximate Bayesian inference. In Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence (UAI-01), pp. 362–369. Morgan Kaufmann. link ↗
- Minka, T. P. (2001/2013). Expectation propagation for approximate Bayesian inference. arXiv:1301.2294 [cs.AI]. link ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. (Chapter 10: Approximate Inference; Section 10.7 covers Expectation Propagation.) ISBN: 978-0387310732
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Expectation Propagation for Approximate Bayesian Inference. ScholarGate. https://scholargate.app/hu/bayesian/expectation-propagation
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.
- Laplace-approximációBayes-statisztika↔ compare
- Markov-lánc Monte Carlo (MCMC)Bayes-statisztika↔ compare
- Variational InferenceBayes-statisztika↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →