YouTube पर वीडियो देखने के बाद, मुझे ऐसा लगता है कि मैं वास्तव में परिभाषित नहीं कर सकता हूं कि परिवर्तनशील निष्कर्ष क्या है। जब मैं इसके बारे में वीडियो व्याख्यान देख रहा हूं तो मैं प्रक्रियाओं का पालन कर सकता हूं। लेकिन यह परिभाषित करना कठिन है कि वास्तव में क्या है। इसके बारे में सुनने की उम्मीद है।
जवाबों:
मेरे ज्ञान पर आधारित नहीं है, लेकिन यहां एक पेपर (काफी सादे अंग्रेजी में) है जो मुझे लगता है कि इस प्रश्न के लिए बहुत प्रासंगिक है: Blei, Kucukelbir & McAuliffe 2016। वैरिएशन आविष्कार: एक समीक्षा सांख्यिकीविदों के लिए । https://arxiv.org/abs/1601.00670
अमूर्त से:
आधुनिक आँकड़ों की मुख्य समस्याओं में से एक है मुश्किल-से-गणना की संभावना घनत्व। यह समस्या विशेष रूप से बायेसियन आंकड़ों में महत्वपूर्ण है, जो कि पश्चगामी घनत्व से संबंधित गणना के रूप में अज्ञात मात्रा के बारे में सभी अनुमानों को फ्रेम करता है। इस पत्र में, हम वैरिएबल इनवेंशन (VI) की समीक्षा करते हैं, मशीन सीखने का एक तरीका, जो अनुकूलन के माध्यम से प्रायिकता घनत्वों का अनुमान लगाता है। VI का उपयोग कई अनुप्रयोगों में किया गया है और यह शास्त्रीय विधियों की तुलना में अधिक तेज़ है, जैसे कि मार्कोव श्रृंखला मोंटे कार्लो नमूना। VI के पीछे का विचार पहले घनत्व के एक परिवार को प्रस्तुत करना है और फिर उस परिवार के सदस्य को खोजना है जो लक्ष्य के करीब है। क्लोजनेस को कुल्बैक-लीब्लर डाइवर्जेंस द्वारा मापा जाता है। हम माध्य क्षेत्रीय परिवर्तन के पीछे के विचारों की समीक्षा करते हैं, घातीय परिवार के मॉडल पर लागू VI के विशेष मामले पर चर्चा करते हैं, गौसियों के बायेसियन मिश्रण के साथ एक पूर्ण उदाहरण पेश करते हैं, और एक ऐसे संस्करण को प्राप्त करते हैं जो बड़े पैमाने पर डेटा को स्केल करने के लिए स्टोकेस्टिक अनुकूलन का उपयोग करता है। हम VI में आधुनिक अनुसंधान पर चर्चा करते हैं और महत्वपूर्ण खुली समस्याओं को उजागर करते हैं। VI शक्तिशाली है, लेकिन यह अभी तक अच्छी तरह से समझा नहीं गया है । इस पत्र को लिखने में हमारी आशा एल्गोरिदम के इस वर्ग पर सांख्यिकीय अनुसंधान को उत्प्रेरित करना है।
जब सांख्यिकीविदों को मार्कोव चेन मोंटे कार्लो नमूनाकरण का उपयोग करना चाहिए और जब परिवर्तनीय आक्षेप (अनुच्छेद में अनुच्छेद तुलनात्मक परिमाण और एमसीएमसी देखें) का उपयोग करना चाहिए ।