Variacionālā inferenče ar trūkstošiem datiem
Variacionālā inferenče ar trūkstošiem datiem ir mērogojama beijesiskā pieeja, kas vienlaicīgi aptuveni novērtē latentu mainīgo un modeļa parametru posterioru, vienlaicīgi aizpildot trūkstošos novērojumus. Tā vietā, lai precīzi integrētu pār visām iespējamajām trūkstošo ierakstu vērtībām, tā pieņem traktējamu aptuvenu sadalījumu un optimizē to, lai tas būtu pēc iespējas tuvāks patiesajam kopīgajam posterioram, nodrošinot ātru, principālu inferenci pat augstdimensionālos nepilnīgos datu kopumos.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/lv/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.
- Beijiešu secinājumi ar trūkstošiem datiemBajesa metodes↔ compare
- Gibsa paraugu ņemšana ar trūkstošiem datiemBajesa metodes↔ compare
- MCMC ar trūkstošiem datiemBajesa metodes↔ compare
- Variacionālā secinājumiBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →