ScholarGate
Assistent
Bayesian methodsBayesian / computational

Dynamisk Variasjonsinferens

Dynamisk variasjonsinferens utvider rammeverket for variasjonsinferens til sekvensielle og tidsserier ved å postulere en strukturert tilnærmet posterior som respekterer den temporale rekkefølgen av latente tilstander. Den lærer samlet en generativ modell for hvordan skjulte tilstander utvikler seg over tid og et gjenkjenningsnettverk som mapper observerte sekvenser tilbake til disse latente tilstandene, og optimaliserer en sekvensiell bevis-nedre grense (ELBO).

Åpne i MethodMindSnartVideoSnartDownload slides

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Method map

The neighbourhood of related methods — select a node to explore.

Kilder

  1. Krishnan, R. G., Shalit, U., & Sontag, D. (2015). Deep Kalman Filters. NIPS 2015 Workshop on Advances in Approximate Bayesian Inference. link
  2. Bayer, J., & Osendorfer, C. (2014). Learning Stochastic Recurrent Networks. NIPS 2014 Workshop on Advances in Variational Inference. link

Slik siterer du denne siden

ScholarGate. (2026, June 3). Dynamic Variational Inference for Sequential Latent Variable Models. ScholarGate. https://scholargate.app/no/bayesian/dynamic-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.

Compare side by side

Referert av

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). Hentet 2026-06-15 fra https://scholargate.app/no/bayesian/dynamic-variational-inference · Datasett: https://doi.org/10.5281/zenodo.20539026