Multilevel Variational Inference
Multilevel variational inference (MLVI) is een schaalbare benaderende Bayesiaanse methode die hiërarchische (multilevel) modellen past door een variationele benadering van de posterior te optimaliseren, in plaats van MCMC-samples te trekken. Het benut de gegroepeerde structuur van multilevelgegevens — individuen genest binnen groepen, groepen genest binnen hogere-niveau-eenheden — om efficiënte coördinaat-wise updates af te leiden, waardoor Bayesiaanse inferentie tractabel wordt voor grote geclusterde datasets.
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
- 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 ↗
- Ranganath, R., Altosaar, J., Tran, D., & Blei, D. M. (2016). Operator variational objectives. Advances in Neural Information Processing Systems, 29. Curran Associates. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/nl/bayesian/multilevel-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.
- Bayesiaanse Hiërarchische ModelBayesiaanse statistiek↔ compare
- Hiërarchische Bayesiaanse InferentieBayesiaanse statistiek↔ compare
- Multilevel Markov-kettingmonte-CarloBayesiaanse statistiek↔ compare
- Variatie-inferentieBayesiaanse statistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →