Multilevel Variational Inference
A "multilevel variational inference" (MLVI) egy skálázható, közelítő Bayes-i módszer, amely hierarchikus (többszintű) modellek illesztésére szolgál, a szórásminták (MCMC) generálása helyett a szórás (posterior) egy variációs közelítésének optimalizálásával. Kihasználja a többszintű adatok csoportosított szerkezetét – egyének csoportokon belüli, csoportok magasabb szintű egységeken belüli beágyazódása –, hogy hatékony, koordinátánkénti frissítéseket vezessen le, ezáltal a Bayes-i következtetés kezelhetővé válik nagy, klaszterezett adathalmazok 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
- 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 ↗
- Ranganath, R., Altosaar, J., Tran, D., & Blei, D. M. (2016). Operator variational objectives. Advances in Neural Information Processing Systems, 29. Curran Associates. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/hu/bayesian/multilevel-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 hierarchikus modellBayes-statisztika↔ compare
- Hierarchikus Bayes-féle következtetésBayes-statisztika↔ compare
- Többszintű MCMCBayes-statisztika↔ compare
- Variational InferenceBayes-statisztika↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →