Wariacyjne wnioskowanie dla szeregów czasowych
Wariacyjne wnioskowanie dla szeregów czasowych stosuje bayesowskie wnioskowanie wariacyjne do danych sekwencyjnych, przybliżając niewyrażalną estymację a posteriori rozkładu stanów ukrytych i parametrów za pomocą wyrażalnej rodziny rozkładów. Maksymalizując dolne ograniczenie dowodowe (ELBO), umożliwia szybkie, skalowalne wnioskowanie bayesowskie dla modeli przestrzeni stanów, dynamicznych modeli zmiennych ukrytych i innych uporządkowanych w czasie systemów probabilistycznych.
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 ↗
- 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). Variational Inference for Time Series Models. ScholarGate. https://scholargate.app/pl/bayesian/time-series-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.
- Dynamiczna inferencja wariacyjnaStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
- Bayesowskie wnioskowanie w szeregach czasowychStatystyka bayesowska↔ compare
- MCMC dla szeregów czasowychStatystyka bayesowska↔ compare
- Inferencja wariacyjnaStatystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →