Иерархическое вариационное выведение
Иерархическое вариационное выведение (HVI) расширяет стандартное вариационное выведение, помещая более богатую, иерархическую структуру в само вариационное семейство. Вместо использования простого приближения среднего поля, HVI вводит вспомогательные скрытые переменные, которые улавливают зависимости между основными скрытыми переменными, обеспечивая более точные нижние границы свидетельства и более точные аппроксимации апостериорного распределения для сложных байесовских моделей.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Hierarchical Variational Inference. ScholarGate. https://scholargate.app/ru/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.
- Байесовская регрессияБайесовские методы↔ compare
- Иерархический байесовский выводБайесовские методы↔ compare
- Иерархический Марковский Монте-КарлоБайесовские методы↔ compare
- Метод Монте-Карло по цепям Маркова (MCMC)Байесовские методы↔ compare
- Вариационный выводБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →