Variacionālā secinājumi
Variational inference (VI) ir tehniku saime, kas Bajesas posteriora aprēķināšanu pārvērš optimizācijas problēmā. Tā vietā, lai iegūtu paraugus no precīzā posteriora — kā to dara Markov chain Monte Carlo (MCMC) — VI pieņem vienkāršāku, apstrādājamu sadalījumu saimi un atrod šīs saimes locekli, kas ir vistuvāk patiesajam posterioram, maksimizējot pierādījumu apakšējo robežu (ELBO). Mūsdienu grafisko modeļu formā ieviestā ar Jordan, Ghahramani, Jaakkola un Saul (1999) un visaptveroši statistiski apstrādātā ar Blei, Kucukelbir un McAuliffe (2017), VI tagad ir standarta mērogojams inferenču dzinējs probabilistiskajā mašīnmācīšanā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Variational Bayesian Inference. ScholarGate. https://scholargate.app/lv/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.
- Beijesiskā regresijaBajesa metodes↔ compare
- Izcelsmes izplatīšanās (EP)Bajesa metodes↔ compare
- Latent Dirichlet Allocation (LDA)Mašīnmācīšanās↔ compare
- Mārkova ķēžu Montekarlo (MCMC)Bajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →