Expectation Propagation (EP)
Expectation Propagation (EP) is een deterministisch bericht-doorgeefalgoritme voor benaderende posterieure inferentie in Bayesiaanse modellen, geïntroduceerd door Thomas P. Minka op UAI 2001. Het verfijnt iteratief een set lokale benaderende factoren — elk getrokken uit de exponentiële familie — zodat hun product nauw aansluit bij de ware onhandelbare posterior, wat resulteert in hogere nauwkeurigheid dan mean-field variatie-inferentie op veel probabilistische machine learning-taken.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Minka, T. P. (2001). Expectation propagation for approximate Bayesian inference. In Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence (UAI-01), pp. 362–369. Morgan Kaufmann. link ↗
- Minka, T. P. (2001/2013). Expectation propagation for approximate Bayesian inference. arXiv:1301.2294 [cs.AI]. link ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. (Chapter 10: Approximate Inference; Section 10.7 covers Expectation Propagation.) ISBN: 978-0387310732
Deze pagina citeren
ScholarGate. (2026, June 3). Expectation Propagation for Approximate Bayesian Inference. ScholarGate. https://scholargate.app/nl/bayesian/expectation-propagation
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.
- Laplace-benaderingBayesiaanse statistiek↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiaanse statistiek↔ compare
- Variatie-inferentieBayesiaanse statistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →