Variational Inference for Time Series Models
Laikspēka modelī īsto aizmugurējo varbūtību visiem slēptajiem stāvokļiem visos laika punktos parasti nav iespējams aprēķināt precīzi. Varējošā inferencē tas tiek apiets, formulējot problēmu kā optimizāciju: atrodiet vistuvāko aprēķināmo sadalījumu — tādu, ko var aprēķināt — īstajai aizmugurēajai varbūtībai, kur tuvums tiek mērīts ar KL diverģenci. ELBO maksimizēšana ir ekvivalenta šīs diverģences minimizēšanai. Rezultāts ir aptuvens aizmugurējais sadalījums, kas izplata nenoteiktību caur laiku, vienlaikus paliekot aprēķināmi iespējams pat garām sekvencēm.
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 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Variational Inference for Time Series Models. ScholarGate. https://scholargate.app/lv/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.
- Dinamiskā variācijas izskaidrošanaBajesa metodes↔ compare
- Kalman FilterBajesa metodes↔ compare
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ compare
- Bēzijas laika rindu secinājumiBajesa metodes↔ compare
- Laika rindu MCMCBajesa metodes↔ compare
- Variacionālā secinājumiBajesa metodes↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →