ScholarGate
Pembantu
Bayesian methodsBayesian / computational

Inferensi Variasi Dinamik

Inferensi variasi dinamik melanjutkan rangka kerja inferensi variasi kepada tetapan jujukan dan siri masa dengan mengandaikan posterior anggaran yang tersusun yang menghormati turutan temporal keadaan laten. Ia secara serentak mempelajari model penjanaan tentang bagaimana keadaan tersembunyi berkembang dari semasa ke semasa dan rangkaian pengecaman yang memetakan jujukan yang diperhatikan kembali kepada keadaan laten tersebut, mengoptimumkan sempadan bawah bukti jujukan (ELBO).

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Sumber

  1. Krishnan, R. G., Shalit, U., & Sontag, D. (2015). Deep Kalman Filters. NIPS 2015 Workshop on Advances in Approximate Bayesian Inference. link
  2. Bayer, J., & Osendorfer, C. (2014). Learning Stochastic Recurrent Networks. NIPS 2014 Workshop on Advances in Variational Inference. link

Cara memetik halaman ini

ScholarGate. (2026, June 3). Dynamic Variational Inference for Sequential Latent Variable Models. ScholarGate. https://scholargate.app/ms/bayesian/dynamic-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.

Compare side by side

Dirujuk oleh

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). Dicapai 2026-06-15 daripada https://scholargate.app/ms/bayesian/dynamic-variational-inference · Set data: https://doi.org/10.5281/zenodo.20539026