Daudzlīmeņu variācijas izziņa
Daudzlīmeņu variācijas izziņa (MLVI) ir mērogojama aptuvena Bayes metodes, kas pielāgo hierarhiskos (daudzlīmeņu) modeļus, optimizējot variācijas tuvinājumu posteriorai, nevis zīmējot MCMC paraugus. Tā izmanto daudzlīmeņu datu grupēto struktūru — indivīdi, kas iekļauti grupās, grupas, kas iekļautas augstāka līmeņa vienībās — lai izstrādātu efektīvus koordinātu atjauninājumus, padarot Bayes izziņu traktējamu lieliem klasterētiem datu kopumiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/lv/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.
- Bayesiskā hierarhiskā modelēšanaBajesa metodes↔ compare
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Daudzlīmeņu MCMCBajesa metodes↔ compare
- Variacionālā secinājumiBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →