Ruimtelijke Variational Inference
Ruimtelijke variational inference is een schaalbare, benaderende Bayesiaanse methode die latente Gaussische of Gaussische-procesmodellen aan georeferentieerde data aanpast door een ondergrens op de marginale aannemelijkheid te optimaliseren. Het vervangt dure MCMC-sampling door een deterministische optimalisatiestap, waardoor volledige posterior-onzekerheidskwantificatie tractabel wordt voor grote ruimtelijke 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
- Titsias, M. K. (2009). Variational learning of inducing variables in sparse Gaussian processes. In Proceedings of the 12th International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 5, pp. 567-574. link ↗
- Rue, H., Martino, S., & Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B, 71(2), 319-392. DOI: 10.1111/j.1467-9868.2008.00700.x ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Spatial Variational Inference for Latent Gaussian Models. ScholarGate. https://scholargate.app/nl/bayesian/spatial-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
- Gaussiaans ProcesMachine learning↔ compare
- Ruimtelijke Bayesiaanse InferentieBayesiaanse statistiek↔ compare
- Ruimtelijke MCMCBayesiaanse statistiek↔ compare
- Variatie-inferentieBayesiaanse statistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →