Multilevel Variational Inference
Multilevel variational inference (MLVI) är en skalbar approximativ Bayesiansk metod som anpassar hierarkiska (multilevel) modeller genom att optimera en variationell approximation till posteriorfördelningen, snarare än att dra MCMC-stickprov. Den utnyttjar den grupperade strukturen hos multileveldata — individer inom grupper, grupper inom högre enheter — för att härleda effektiva koordinatvisa uppdateringar, vilket gör Bayesiansk inferens hanterbar för stora klustrade datamängder.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Blei, D. M., Kucukelbir, A., & McAuliffe, J. D. (2017). Variational inference: A review for statisticians. Journal of the American Statistical Association, 112(518), 859-877. DOI: 10.1080/01621459.2017.1285773 ↗
- Ranganath, R., Altosaar, J., Tran, D., & Blei, D. M. (2016). Operator variational objectives. Advances in Neural Information Processing Systems, 29. Curran Associates. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/sv/bayesian/multilevel-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.
- Bayesiansk hierarkisk modellBayesiansk statistik↔ compare
- Hierarkisk Bayesiansk inferensBayesiansk statistik↔ compare
- Multilevel MCMCBayesiansk statistik↔ compare
- VariationsinferensBayesiansk statistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →