Bayesian methodsBayesian / computational
다수준 변분 추론
다수준 변분 추론(Multilevel Variational Inference, MLVI)은 계층적(다수준) 모델을 적합시키기 위한 확장 가능한 근사 베이즈 방법론으로, MCMC 샘플링 대신 사후 분포에 대한 변분 근사를 최적화한다. 이는 다수준 데이터의 군집 구조(개인이 그룹 내에, 그룹이 상위 단위 내에 포함되는 구조)를 활용하여 효율적인 좌표별 업데이트를 유도함으로써, 대규모 군집 데이터셋에 대한 베이즈 추론을 실현 가능하게 만든다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/ko/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.
- 베이지안 계층 모델베이지안↔ compare
- 계층적 베이즈 추론베이지안↔ compare
- 다수준 MCMC (Multilevel MCMC)베이지안↔ compare
- 변분 추론베이지안↔ compare