Wielopoziomowe wnioskowanie wariacyjne
Wielopoziomowe wnioskowanie wariacyjne (MLVI) jest skalowalną, przybliżoną metodą bayesowską, która dopasowuje modele hierarchiczne (wielopoziomowe) poprzez optymalizację przybliżenia wariacyjnego do rozkładu aposteriornego, zamiast pobierania próbek MCMC. Wykorzystuje ona zgrupowaną strukturę danych wielopoziomowych — jednostki zagnieżdżone w grupach, grupy zagnieżdżone w jednostkach wyższego poziomu — w celu wyprowadzenia wydajnych, współrzędnych aktualizacji, co czyni wnioskowanie bayesowskie obliczeniowo wykonalnym dla dużych zbiorów danych pogrupowanych.
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
- 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. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/pl/bayesian/multilevel-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.
- Modelowanie hierarchiczne bayesowskieStatystyka bayesowska↔ compare
- Hierarchiczna inferencja bayesowskaStatystyka bayesowska↔ compare
- Wielopoziomowe MCMCStatystyka bayesowska↔ compare
- Inferencja wariacyjnaStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →