Suy luận biến phân chuỗi thời gian
Suy luận biến phân chuỗi thời gian áp dụng Bayes biến phân cho dữ liệu tuần tự, xấp xỉ hậu nghiệm khó tính toán trên các trạng thái ẩn và tham số bằng một họ phân phối có thể tính toán được. Bằng cách tối đa hóa cận dưới bằng chứng (ELBO), nó cung cấp suy luận Bayes nhanh, có khả năng mở rộng cho các mô hình không gian trạng thái, mô hình biến ẩn động và các hệ thống xác suất theo thứ tự thời gian khác.
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
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Variational Inference for Time Series Models. ScholarGate. https://scholargate.app/vi/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.
- Suy luận biến phân động (Dynamic Variational Inference)Bayes↔ compare
- Bộ lọc KalmanBayes↔ compare
- Monte Carlo Tuần tựBayes↔ compare
- Suy luận Bayes cho chuỗi thời gianBayes↔ compare
- MCMC Chuỗi Thời gianBayes↔ compare
- Suy diễn biến phânBayes↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →