Dynamic Variational Inference
Dynamic variational inference extends the variational inference framework to sequential and time-series settings by positing a structured approximate posterior that respects the temporal ordering of latent states. It jointly learns a generative model of how hidden states evolve over time and a recognition network that maps observed sequences back to those latent states, optimising a sequential evidence lower bound (ELBO).
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- Krishnan, R. G., Shalit, U., & Sontag, D. (2015). Deep Kalman Filters. NIPS 2015 Workshop on Advances in Approximate Bayesian Inference. · URL
- Bayer, J., & Osendorfer, C. (2014). Learning Stochastic Recurrent Networks. NIPS 2014 Workshop on Advances in Variational Inference. · URL
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.