Hiërarchische Variationele Inferentie
Hiërarchische variationele inferentie (HVI) breidt standaard variationele inferentie uit door een rijkere, hiërarchische structuur op de variationele familie zelf toe te passen. In plaats van een eenvoudige mean-field benadering te gebruiken, introduceert HVI additionele latente variabelen die afhankelijkheden tussen de belangrijkste latente variabelen vastleggen, wat resulteert in strakkere bewijs-ondergrenzen (evidence lower bounds) en nauwkeurigere posterieure benaderingen voor complexe Bayesiaanse modellen.
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
- Ranganath, R., Altosaar, J., Tran, D. & Blei, D. M. (2016). Hierarchical Variational Models. Proceedings of the 33rd International Conference on Machine Learning (ICML 2016), PMLR 48, 324-333. link ↗
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Hierarchical Variational Inference. ScholarGate. https://scholargate.app/nl/bayesian/hierarchical-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.
- Bayesian RegressieBayesiaanse statistiek↔ compare
- Hiërarchische Bayesiaanse InferentieBayesiaanse statistiek↔ compare
- Hiërarchische Markovketen Monte CarloBayesiaanse 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 →