Suy luận biến phân phân cấp
Suy luận biến phân phân cấp (HVI) mở rộng suy luận biến phân tiêu chuẩn bằng cách đặt một cấu trúc phân cấp, phong phú hơn lên chính họ biến phân. Thay vì sử dụng phép xấp xỉ trường trung bình đơn giản, HVI giới thiệu các biến tiềm ẩn phụ trợ để nắm bắt sự phụ thuộc giữa các biến tiềm ẩn chính, mang lại các cận dưới bằng chứng chặt chẽ hơn và các phép xấp xỉ hậu nghiệm chính xác hơn cho các mô hình Bayes phức tạp.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Hierarchical Variational Inference. ScholarGate. https://scholargate.app/vi/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.
- Hồi quy BayesBayes↔ compare
- Suy luận Bayes phân cấpBayes↔ compare
- Markov Chain Monte Carlo phân cấpBayes↔ compare
- Chuỗi Markov Monte Carlo (MCMC)Bayes↔ compare
- Suy diễn biến phânBayes↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →