Expectation Propagation (EP)
Expectation Propagation (EP) è un algoritmo deterministico di passaggio di messaggi per l'inferenza approssimata della posteriore nei modelli Bayesiani, introdotto da Thomas P. Minka alla UAI 2001. Affina iterativamente un insieme di fattori approssimati locali — ciascuno tratto dalla famiglia esponenziale — in modo che il loro prodotto corrisponda strettamente alla vera posteriore intrattabile, ottenendo un'accuratezza superiore all'inferenza variazionale di campo medio in molti compiti di machine learning probabilistico.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Expectation Propagation for Approximate Bayesian Inference. ScholarGate. https://scholargate.app/it/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.
- Approssimazione di LaplaceBayesiano↔ compare
- Catena di Markov Monte Carlo (MCMC)Bayesiano↔ compare
- Inferenza VariazionaleBayesiano↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →