Multilevel Variational Inference
Multilevel variational inference (MLVI) is a scalable approximate Bayesian method that fits hierarchical (multilevel) models by optimizing a variational approximation to the posterior, rather than drawing MCMC samples. It exploits the grouped structure of multilevel data — individuals nested within groups, groups nested within higher-level units — to derive efficient coordinate-wise updates, making Bayesian inference tractable for large clustered datasets.
Kilderegister
Siteringer kopiert ordrett fra metodens kilderegister. Ingen påstandsnivåverifisering er underforstått fra dem.
- 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. · URL
Kuraterte påstander
Påstander lagret i bevishovedboken, hver med sin egen vurdering.
Denne visningen finner ikke opp en påstandsvurdering når hovedboken ikke har noen.
Relaterte metoder
Generert fra metodegrafen og vist som maskinforslåtte relasjoner – ingen bevispåstand er underforstått.