ScholarGate
어시스턴트
Bayesian methodsBayesian / computational

동적 변분 추론

동적 변분 추론은 잠재 상태의 시간적 순서를 존중하는 구조화된 근사 사후 분포를 가정함으로써 순차 및 시계열 설정으로 변분 추론 프레임워크를 확장합니다. 은닉 상태가 시간에 따라 어떻게 진화하는지에 대한 생성 모델과 관측된 시퀀스를 해당 잠재 상태로 다시 매핑하는 인식 네트워크를 공동으로 학습하며, 순차적 증거 하한(ELBO)을 최적화합니다.

MethodMind에서 열기곧 제공동영상곧 제공Download slides

방법 전문 읽기

회원 전용

무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.

로그인

Method map

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

동적 변분 추론
동적 베이즈 네트워크칼만 필터파티클 필터 (순차 몬테카를로)순차 몬테카를로 (Sequential Mon…시계열 베이즈 추론변분 추론동적 베이즈 모델 평균화시계열 변분 추론

출처

  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 ↗

이 페이지 인용 방법

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

이 방법을 참조하는 항목

동적 베이즈 모델 평균화시계열 변분 추론

이 페이지에서 오류를 발견하셨나요? 신고하거나 수정을 제안하세요 →

ScholarGate — Dynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). 2026-06-15에 다음에서 검색함: https://scholargate.app/ko/bayesian/dynamic-variational-inference · 데이터셋: https://doi.org/10.5281/zenodo.20539026