Bayesian methodsBayesian / computational
강건 변분 추론
강건 변분 추론(RVI)은 Kullback-Leibler 발산 대신 베타-발산 또는 Renyi-유형 발산과 같이 이상치 및 모델 오지정에 덜 민감한 발산 측도를 사용하여 표준 변분 추론을 확장합니다. 이는 데이터의 일부가 가정된 모델에서 벗어나더라도 잘 작동하는 사후 분포 근사를 제공합니다.
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
- Futami, F., Sato, I. & Sugiyama, M. (2018). Variational inference based on robust divergences. Proceedings of the 21st International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 84:813-822. link ↗
- Ghosh, S. & Basu, A. (2016). Robust Bayes estimation using the density power divergence. Annals of the Institute of Statistical Mathematics, 68(2), 413-437. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Robust Variational Inference. ScholarGate. https://scholargate.app/ko/bayesian/robust-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.
- 근사 베이즈 계산시뮬레이션↔ compare
- 베이즈 회귀베이지안↔ compare
- Markov Chain Monte Carlo (MCMC)시뮬레이션↔ compare
- 강건 베이즈 추론베이지안↔ compare
- 강건한 마르코프 연쇄 몬테카를로베이지안↔ compare
- 변분 추론베이지안↔ compare