ScholarGate
Assistente
Bayesian methodsBayesian / computational

Inferência Variacional Dinâmica

A inferência variacional dinâmica estende o framework de inferência variacional para configurações sequenciais e de séries temporais, postulando uma posterior aproximada estruturada que respeita a ordenação temporal dos estados latentes. Ela aprende conjuntamente um modelo generativo de como os estados ocultos evoluem ao longo do tempo e uma rede de reconhecimento que mapeia sequências observadas de volta para esses estados latentes, otimizando um limite inferior de evidência sequencial (ELBO).

Abrir no MethodMindEm breveVídeoEm breveDownload slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Method map

The neighbourhood of related methods — select a node to explore.

Fontes

  1. Krishnan, R. G., Shalit, U., & Sontag, D. (2015). Deep Kalman Filters. NIPS 2015 Workshop on Advances in Approximate Bayesian Inference. link
  2. Bayer, J., & Osendorfer, C. (2014). Learning Stochastic Recurrent Networks. NIPS 2014 Workshop on Advances in Variational Inference. link

Como citar esta página

ScholarGate. (2026, June 3). Dynamic Variational Inference for Sequential Latent Variable Models. ScholarGate. https://scholargate.app/pt/bayesian/dynamic-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.

Compare side by side

Referenciado por

ScholarGateDynamic Variational Inference (Dynamic Variational Inference for Sequential Latent Variable Models). Recuperado em 2026-06-15 de https://scholargate.app/pt/bayesian/dynamic-variational-inference · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026