Inférence approximativeIl s’agit d’une méthode de formation de modèle qui utilise une logique de vérification d’hypothèse pour la formation. Sa tâche principale est de calculer l'espérance de la fonction sous une certaine distribution, ou de calculer la distribution de probabilité marginale, la distribution de probabilité conditionnelle, etc.

Étant donné qu’elles nécessitent généralement des opérations d’intégration ou de sommation et que les conditions des paramètres ne sont pas très claires ou que le coût du calcul est relativement élevé, la méthode d’inférence approximative peut réduire le coût et la difficulté de dérivation des résultats.

Méthode d'inférence approximative

Méthodes aléatoires:La méthode d'échantillonnage de Gibbs estime la véritable distribution postérieure à travers un grand nombre d'échantillons et approxime la distribution cible sur la base de données réelles.

Avantages : processus d'échantillonnage plus précis, relativement simple, facile à utiliser, bonne convergence théorique

Inconvénients : Vitesse de convergence lente, difficile d'évaluer le degré de convergence

Calcul des variations: Approximer la distribution postérieure avec une distribution simple connue.

Avantages : solution analytique, faible charge de calcul, vitesse rapide, facile à appliquer aux problèmes à grande échelle

Inconvénients : Le processus de dérivation est relativement compliqué et nécessite des compétences humaines élevées