Wariacyjna inferencja z brakującymi danymi
Wariacyjna inferencja z brakującymi danymi to skalowalne bayesowskie podejście, które jednocześnie aproksymuje posterior nad zmiennymi latentnymi i parametrami modelu, imputując brakujące obserwacje. Zamiast dokładnie całkować po wszystkich możliwych wartościach brakujących wpisów, postuluje ono uchwytną rozkład aproksymujący i optymalizuje go tak, aby był jak najbliższy prawdziwemu łącznemu posteriorowi, co prowadzi do szybkiej, zasadniczej inferencji nawet w wysokowymiarowych niekompletnych zbiorach danych.
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
- Ghahramani, Z. & Jordan, M. I. (1994). Supervised learning from incomplete data via an EM approach. In Cowan, J. D., Tesauro, G. & Alspector, J. (Eds.), Advances in Neural Information Processing Systems 6 (pp. 120–127). Morgan Kaufmann. link ↗
- Wainwright, M. J. & Jordan, M. I. (2008). Graphical models, exponential families, and variational inference. Foundations and Trends in Machine Learning, 1(1–2), 1–305. DOI: 10.1561/2200000001 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/pl/bayesian/variational-inference-with-missing-data
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.
- Bayesowska inferencja przy brakujących danychStatystyka bayesowska↔ compare
- Próbkowanie Gibbsa z brakującymi danymiStatystyka bayesowska↔ compare
- MCMC z brakującymi danymiStatystyka bayesowska↔ compare
- Inferencja wariacyjnaStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →