Hierarchikus Variációs Inferencia
A hierarchikus variációs inferencia (HVI) a standard variációs inferenciát terjeszti ki azáltal, hogy gazdagabb, hierarchikus struktúrát helyez magára a variációs családra. Egyszerű átlagos mező (mean-field) közelítés helyett a HVI segéd latens változókat vezet be, amelyek megragadják a fő latens változók közötti függőségeket, szorosabb alsó korlátot eredményezve az evidenciára és pontosabb posterior közelítéseket komplex Bayes-i modellek esetén.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Ranganath, R., Altosaar, J., Tran, D. & Blei, D. M. (2016). Hierarchical Variational Models. Proceedings of the 33rd International Conference on Machine Learning (ICML 2016), PMLR 48, 324-333. link ↗
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Hierarchical Variational Inference. ScholarGate. https://scholargate.app/hu/bayesian/hierarchical-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.
- Bayes-féle RegresszióBayes-statisztika↔ compare
- Hierarchikus Bayes-féle következtetésBayes-statisztika↔ compare
- Hierarchikus Markov-lánc Monte CarloBayes-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 →