Robuuste Variational Inference
Robuuste variational inference (RVI) breidt standaard variational inference uit door de Kullback-Leibler-divergentie te vervangen door een divergentiemaat die minder gevoelig is voor uitschieters en model-mispecificatie — zoals de beta-divergentie of een Renyi-type divergentie. Dit levert posterior-approximaties op die goed gedrag vertonen, zelfs wanneer een fractie van de data afwijkt van het aangenomen model.
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
- Futami, F., Sato, I. & Sugiyama, M. (2018). Variational inference based on robust divergences. Proceedings of the 21st International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 84:813-822. link ↗
- Ghosh, S. & Basu, A. (2016). Robust Bayes estimation using the density power divergence. Annals of the Institute of Statistical Mathematics, 68(2), 413-437. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust Variational Inference. ScholarGate. https://scholargate.app/nl/bayesian/robust-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.
- Approximate Bayesian ComputationSimulatie↔ compare
- Bayesian RegressieBayesiaanse statistiek↔ compare
- Markov Chain Monte Carlo (MCMC)Simulatie↔ compare
- Robuuste Bayesiaanse InferentieBayesiaanse statistiek↔ compare
- Robuuste Markovketting Monte CarloBayesiaanse statistiek↔ compare
- Variatie-inferentieBayesiaanse statistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →