การอนุมานแบบแปรผันสำหรับอนุกรมเวลา
การอนุมานแบบแปรผันสำหรับอนุกรมเวลา (Time Series Variational Inference) เป็นการประยุกต์ใช้ Bayes แบบแปรผัน (Variational Bayes) กับข้อมูลอนุกรม โดยประมาณค่าโพสทีเรียร์ที่ไม่สามารถคำนวณได้โดยตรงของสถานะแฝงและพารามิเตอร์ด้วยกลุ่มของการแจกแจงที่สามารถคำนวณได้ เมื่อเพิ่มค่าขอบเขตล่างของหลักฐาน (ELBO) ให้สูงสุด จะช่วยให้การอนุมานแบบเบย์สำหรับแบบจำลองปริภูมิสถานะ (state-space models) แบบจำลองตัวแปรแฝงพลวัต (dynamic latent variable models) และระบบความน่าจะเป็นแบบเรียงตามเวลาอื่น ๆ ทำได้อย่างรวดเร็วและปรับขนาดได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
- 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). Variational Inference for Time Series Models. ScholarGate. https://scholargate.app/th/bayesian/time-series-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.
- การอนุมานแปรผันแบบพลวัตเบย์↔ compare
- Kalman Filterเบย์↔ compare
- Sequential Monte Carloเบย์↔ compare
- การอนุมานแบบเบย์สำหรับอนุกรมเวลาเบย์↔ compare
- Time Series MCMCเบย์↔ compare
- การอนุมานแบบแปรผันเบย์↔ compare