การอนุมานแบบแปรผันเชิงลำดับชั้น
การอนุมานแบบแปรผันเชิงลำดับชั้น (Hierarchical Variational Inference: HVI) เป็นการขยายการอนุมานแบบแปรผันมาตรฐาน (standard variational inference) โดยการวางโครงสร้างเชิงลำดับชั้นที่ซับซ้อนกว่าไว้บนครอบครัวของการแจกแจงแบบแปรผันเอง แทนที่จะใช้การประมาณค่าแบบทุ่งค่าเฉลี่ยอย่างง่าย (mean-field approximation) HVI จะแนะนำตัวแปรแฝงเสริม (auxiliary latent variables) ที่จับความสัมพันธ์ระหว่างตัวแปรแฝงหลัก ทำให้ได้ขอบเขตล่างของหลักฐาน (evidence lower bound) ที่แน่นขึ้นและการประมาณค่าภาคเบื้องหลัง (posterior approximation) ที่แม่นยำยิ่งขึ้นสำหรับแบบจำลองเบย์เซียนที่ซับซ้อน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Hierarchical Variational Inference. ScholarGate. https://scholargate.app/th/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.
- การถดถอยแบบเบย์ (Bayesian Regression)เบย์↔ compare
- การอนุมานแบบเบย์ตามลำดับชั้นเบย์↔ compare
- Hierarchical Markov Chain Monte Carloเบย์↔ compare
- Markov Chain Monte Carlo (MCMC)เบย์↔ compare
- การอนุมานแบบแปรผันเบย์↔ compare