Bayesian methodsBayesian / computational
시계열 변분 추론
시계열 변분 추론은 변분 베이즈(variational Bayes)를 순차 데이터에 적용하여, 잠재 상태와 모수에 대한 다루기 어려운 사후 분포를 다루기 쉬운 분포족으로 근사합니다. 증거 하한(ELBO)을 최대화함으로써 상태 공간 모델, 동적 잠재 변수 모델 및 기타 시간 순서 확률 시스템에 대해 빠르고 확장 가능한 베이즈 추론을 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
- 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 ↗
- Jordan, M. I., Ghahramani, Z., Jaakkola, T. S. & Saul, L. K. (1999). An introduction to variational methods for graphical models. Machine Learning, 37(2), 183-233. DOI: 10.1023/A:1007665907178 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Variational Inference for Time Series Models. ScholarGate. https://scholargate.app/ko/bayesian/time-series-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.
- 동적 변분 추론베이지안↔ compare
- 칼만 필터베이지안↔ compare
- 순차 몬테카를로 (Sequential Monte Carlo, SMC)베이지안↔ compare
- 시계열 베이즈 추론베이지안↔ compare
- 시계열 MCMC베이지안↔ compare
- 변분 추론베이지안↔ compare