Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Варіаційне виведення для часових рядів× | Байєсівський вивід для часових рядів× | |
|---|---|---|
| Галузь | Баєсові методи | Баєсові методи |
| Родина | Bayesian methods | Bayesian methods |
| Рік появи≠ | 1999–2017 | 1989 |
| Автор методу≠ | Jordan, Ghahramani, Jaakkola, Saul; extended by Blei and colleagues | Mike West and Jeff Harrison |
| Тип≠ | Approximate Bayesian inference | Bayesian probabilistic model |
| Основоположне джерело≠ | 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 ↗ | West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259 |
| Інші назви | time-series VI, variational Bayes for time series, TSVI, sequential variational inference | Bayesian time series analysis, Bayesian state-space modeling, probabilistic time series inference, BSTS |
| Пов'язані | 6 | 6 |
| Підсумок≠ | Time series variational inference applies variational Bayes to sequential data, approximating the intractable posterior over latent states and parameters with a tractable family of distributions. By maximising the evidence lower bound (ELBO), it delivers fast, scalable Bayesian inference for state-space models, dynamic latent variable models, and other time-ordered probabilistic systems. | Time series Bayesian inference applies Bayes' theorem sequentially to time-ordered observations, maintaining a full probability distribution over hidden states and model parameters at every time step. This framework unifies state-space models, dynamic linear models, and particle filters, producing calibrated uncertainty for both filtering (real-time) and retrospective smoothing tasks. |
| ScholarGateНабір даних ↗ |
|
|