Bayesian methods
변분 추론
변분 추론(VI)은 베이즈 사후 확률 계산을 최적화 문제로 바꾸는 기법들의 모음이다. 마르코프 연쇄 몬테카를로(MCMC)가 하는 것처럼 정확한 사후 확률로부터 표본을 추출하는 대신, VI는 더 간단하고 다루기 쉬운 분포족을 가정하고, 증거 하한(ELBO)을 최대화함으로써 참 사후 확률에 가장 가까운 분포족의 원소를 찾는다. 현대적인 그래프 모델 형태는 Jordan, Ghahramani, Jaakkola, Saul (1999)에 의해 소개되었고, Blei, Kucukelbir, McAuliffe (2017)에 의해 포괄적인 통계적 처리가 이루어졌으며, VI는 이제 확률적 기계 학습에서 표준적인 확장 가능한 추론 엔진이다.
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.
+15 more
출처
- 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 ↗
- 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 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. (Chapter 10: Approximate Inference.) ISBN: 978-0387310732
이 페이지 인용 방법
ScholarGate. (2026, June 3). Variational Bayesian Inference. ScholarGate. https://scholargate.app/ko/bayesian/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.
- 베이즈 회귀베이지안↔ compare
- 기대 전파 (EP)베이지안↔ compare
- 잠재 디리클레 할당 (Latent Dirichlet Allocation, LDA)머신러닝↔ compare
- 마르코프 연쇄 몬테카를로 (MCMC)베이지안↔ compare
이 방법을 참조하는 항목
베이즈안 온라인 학습동적 해밀토니안 몬테카를로동적 변분 추론기대 전파 (EP)깁스 샘플링(Gibbs Sampling)해밀토니안 몬테카를로계층적 베이즈 추론계층적 마르코프 연쇄 몬테카를로계층적 변분 추론마르코프 연쇄 몬테카를로 (MCMC)다층 베이즈 추론다수준 MCMC (Multilevel MCMC)다수준 변분 추론No-U-Turn Sampler (NUTS)온라인 가우시안 프로세스강건 베이즈 추론강건 베이지안 모형 평균화강건한 해밀토니안 몬테카를로강건 변분 추론공간 변분 추론시계열 변분 추론측정 오차를 동반한 변분 추론결측 데이터가 있는 변분 추론