Пространственный вариационный вывод
Пространственный вариационный вывод — это масштабируемый приближенный байесовский метод, который подгоняет латентные гауссовские или гауссовско-процессные модели к геопривязанным данным путем оптимизации нижней границы маргинальной правдоподобности. Он заменяет дорогостоящую выборку MCMC детерминированным шагом оптимизации, делая полную апостериорную квантификацию неопределенности вычислительно осуществимой для больших пространственных наборов данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Titsias, M. K. (2009). Variational learning of inducing variables in sparse Gaussian processes. In Proceedings of the 12th International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 5, pp. 567-574. link ↗
- Rue, H., Martino, S., & Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B, 71(2), 319-392. DOI: 10.1111/j.1467-9868.2008.00700.x ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Spatial Variational Inference for Latent Gaussian Models. ScholarGate. https://scholargate.app/ru/bayesian/spatial-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 иерархическая модельБайесовские методы↔ compare
- Гауссовский процессМашинное обучение↔ compare
- Пространственный байесовский выводБайесовские методы↔ compare
- Пространственный MCMCБайесовские методы↔ compare
- Вариационный выводБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →