Багаторівневий варіаційний висновок
Багаторівневий варіаційний висновок (MLVI) — це масштабований метод наближеного байєсівського висновку, який пристосовує ієрархічні (багаторівневі) моделі шляхом оптимізації варіаційного наближення до апостеріорного розподілу, а не шляхом вибірки з MCMC. Він використовує груповану структуру багаторівневих даних — індивіди, вкладені в групи, групи, вкладені у вищі одиниці — для отримання ефективних покомпонентних оновлень, що робить байєсівський висновок розв'язним для великих кластеризованих наборів даних.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Multilevel Variational Inference for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/uk/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.
- Байєсівська ієрархічна модельБаєсові методи↔ compare
- Ієрархічний байєсівський висновокБаєсові методи↔ compare
- Багаторівневий MCMCБаєсові методи↔ compare
- Варіаційний висновокБаєсові методи↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →