Bayesian methodsBayesian / computational
결측 데이터가 있는 변분 추론
결측 데이터가 있는 변분 추론은 잠재 변수 및 모델 매개변수에 대한 사후 분포를 동시에 근사화하고 결측 관측치를 대체하는 확장 가능한 베이즈 접근 방식입니다. 결측 항목의 모든 가능한 값을 정확하게 통합하는 대신, 다루기 쉬운 근사 분포를 가정하고 이를 실제 결합 사후 분포에 최대한 가깝게 최적화하여 고차원 불완전 데이터셋에서도 빠르고 원칙적인 추론을 가능하게 합니다.
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
- Ghahramani, Z. & Jordan, M. I. (1994). Supervised learning from incomplete data via an EM approach. In Cowan, J. D., Tesauro, G. & Alspector, J. (Eds.), Advances in Neural Information Processing Systems 6 (pp. 120–127). Morgan Kaufmann. link ↗
- Wainwright, M. J. & Jordan, M. I. (2008). Graphical models, exponential families, and variational inference. Foundations and Trends in Machine Learning, 1(1–2), 1–305. DOI: 10.1561/2200000001 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/ko/bayesian/variational-inference-with-missing-data
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.
- 결측 데이터가 있는 베이즈 추론베이지안↔ compare
- 결측치가 있는 깁스 샘플링베이지안↔ compare
- 결측치가 있는 MCMC베이지안↔ compare
- 변분 추론베이지안↔ compare