Inferensi Variasional dengan Data Hilang
Inferensi variasional dengan data hilang adalah pendekatan Bayesian yang terukur (scalable) yang secara simultan mengaproksimasi posterior atas variabel laten dan parameter model sambil mengimputasi observasi yang hilang. Alih-alih mengintegrasikan semua kemungkinan nilai entri yang hilang secara tepat, metode ini mengajukan distribusi aproksimasi yang dapat dilacak (tractable) dan mengoptimalkannya agar sedekat mungkin dengan posterior gabungan yang sebenarnya, menghasilkan inferensi yang cepat dan berprinsip bahkan pada dataset berdimensi tinggi yang tidak lengkap.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Ghahramani, Z. & Jordan, M. I. (1994). Supervised learning from incomplete data via an EM approach. In Cowan, J. D., Tesauro, G. & Alspector, J. (Eds.), Advances in Neural Information Processing Systems 6 (pp. 120–127). Morgan Kaufmann. link ↗
- Wainwright, M. J. & Jordan, M. I. (2008). Graphical models, exponential families, and variational inference. Foundations and Trends in Machine Learning, 1(1–2), 1–305. DOI: 10.1561/2200000001 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/id/bayesian/variational-inference-with-missing-data
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.
- Inferensi Bayesian dengan Data HilangBayesian↔ compare
- Sampling Gibbs dengan Data HilangBayesian↔ compare
- MCMC dengan Data HilangBayesian↔ compare
- Inferensi VariasionalBayesian↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →