Вариационный вывод с пропущенными данными
Вариационный вывод с пропущенными данными — это масштабируемый байесовский подход, который одновременно аппроксимирует апостериорное распределение скрытых переменных и параметров модели, а также импутирует пропущенные наблюдения. Вместо точного интегрирования по всем возможным значениям пропущенных элементов, он постулирует поддающееся обработке приближенное распределение и оптимизирует его, чтобы оно было как можно ближе к истинному совместному апостериорному распределению, обеспечивая быстрый, принципиально обоснованный вывод даже в многомерных неполных наборах 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
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/ru/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.
- Байесовский вывод при наличии пропущенных данныхБайесовские методы↔ compare
- Сэмплирование Гиббса для пропущенных данныхБайесовские методы↔ compare
- MCMC с пропущенными даннымиБайесовские методы↔ compare
- Вариационный выводБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →