Variational Inference met Ontbrekende Data
Variational inference met ontbrekende data is een schaalbare Bayesiaanse benadering die tegelijkertijd de posterior over latente variabelen en modelparameters benadert, terwijl ontbrekende observaties worden geïmputeerd. In plaats van exact te integreren over alle mogelijke waarden van de ontbrekende gegevens, postuleert het een hanteerbare benaderende verdeling en optimaliseert deze om zo dicht mogelijk bij de ware gezamenlijke posterior te komen, wat resulteert in snelle, principieel onderbouwde inferentie, zelfs in hoog-dimensionale onvolledige 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
- Ghahramani, Z. & Jordan, M. I. (1994). Supervised learning from incomplete data via an EM approach. In Cowan, J. D., Tesauro, G. & Alspector, J. (Eds.), Advances in Neural Information Processing Systems 6 (pp. 120–127). Morgan Kaufmann. link ↗
- Wainwright, M. J. & Jordan, M. I. (2008). Graphical models, exponential families, and variational inference. Foundations and Trends in Machine Learning, 1(1–2), 1–305. DOI: 10.1561/2200000001 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/nl/bayesian/variational-inference-with-missing-data
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 inferentie met ontbrekende gegevensBayesiaanse statistiek↔ compare
- Gibbs-sampling met ontbrekende dataBayesiaanse statistiek↔ compare
- MCMC met ontbrekende dataBayesiaanse statistiek↔ compare
- Variatie-inferentieBayesiaanse statistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →