ScholarGate
Asisten
Bayesian methodsBayesian / computational

Inferensi Variasional Dinamis

Inferensi variasional dinamis memperluas kerangka inferensi variasional ke pengaturan sekuensial dan deret waktu dengan memposisikan posterior perkiraan terstruktur yang menghormati urutan temporal keadaan laten. Ini secara bersamaan mempelajari model generatif tentang bagaimana keadaan tersembunyi berkembang dari waktu ke waktu dan jaringan pengenalan yang memetakan urutan yang diamati kembali ke keadaan laten tersebut, mengoptimalkan batas bawah bukti sekuensial (ELBO).

Buka di MethodMindSegeraVideoSegeraDownload slides

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Method map

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

Sumber

  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

Cara menyitasi halaman ini

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

Dirujuk oleh

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). Diakses 2026-06-15 dari https://scholargate.app/id/bayesian/dynamic-variational-inference · Set data: https://doi.org/10.5281/zenodo.20539026