Hierarchical Variational Inference
Hierarchiczne wnioskowanie wariacyjne (HVI) rozszerza standardowe wnioskowanie wariacyjne poprzez umieszczenie bogatszej, hierarchicznej struktury w samej rodzinie wariacyjnej. Zamiast stosować prostą aproksymację typu mean-field, HVI wprowadza pomocnicze zmienne utajone, które wychwytują zależności między głównymi zmiennymi utajonymi, co prowadzi do ciaśniejszych dolnych granic dowodu (evidence lower bounds) i dokładniejszych aproksymacji posteriorów dla złożonych modeli bayesowskich.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Ranganath, R., Altosaar, J., Tran, D. & Blei, D. M. (2016). Hierarchical Variational Models. Proceedings of the 33rd International Conference on Machine Learning (ICML 2016), PMLR 48, 324-333. link ↗
- Jordan, M. I., Ghahramani, Z., Jaakkola, T. S. & Saul, L. K. (1999). An introduction to variational methods for graphical models. Machine Learning, 37(2), 183-233. DOI: 10.1023/A:1007665907178 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Hierarchical Variational Inference. ScholarGate. https://scholargate.app/pl/bayesian/hierarchical-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.
- Regresja bayesowskaStatystyka bayesowska↔ compare
- Hierarchiczna inferencja bayesowskaStatystyka bayesowska↔ compare
- Hierarchical Markov Chain Monte CarloStatystyka bayesowska↔ compare
- Łańcuchy Markowa i symulacje Monte Carlo (MCMC)Statystyka bayesowska↔ compare
- Inferencja wariacyjnaStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →