« Réseau d'inférence » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| (3 versions intermédiaires par un autre utilisateur non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
Le réseau d'inférence désigne une construction flexible pour paramétrer des distributions approximatives lors de l'inférence et il remplace les paramètres variationnels locaux par des paramètres globaux. Elle restreint la taille des paramètres, en d'autres termes, c'est une approximation, ce qui signifie qu'elle ne peut faire une aussi bonne approximation que la distribution variationnelle originale sans le réseau d'inférence. | Le réseau d'inférence désigne une construction flexible pour paramétrer des distributions approximatives lors de l'inférence et il remplace les paramètres variationnels locaux par des paramètres globaux. Elle restreint la taille des paramètres, en d'autres termes, c'est une approximation, ce qui signifie qu'elle ne peut faire une aussi bonne approximation que la distribution variationnelle originale sans le réseau d'inférence. | ||
Voir aussi '''[[autoencodeur variationnel]]''', '''[[borne inférieure variationnelle]]''', '''[[machine de Boltzmann]]''', '''machine de Helmholtz''' et '''[[méthode bayésienne variationnelle]]''' | Voir aussi '''[[autoencodeur variationnel]]''', '''[[borne inférieure variationnelle]]''', '''[[machine de Boltzmann]]''', '''[[machine de Helmholtz]]''' et '''[[méthode bayésienne variationnelle]]''' | ||
== Compléments == | == Compléments == | ||
| Ligne 13 : | Ligne 11 : | ||
== Anglais == | == Anglais == | ||
''' | ''' inference network''' | ||
''Inference network is a flexible construction for parametrizing approximating distributions during the inference and it replaces the local variational parameters with global parameters. It restricts the size of the parameters, in other words, it is an approximation, which means that it can only do as well as an approximation as the original variational distribution without the inference network.'' | ''Inference network is a flexible construction for parametrizing approximating distributions during the inference and it replaces the local variational parameters with global parameters. It restricts the size of the parameters, in other words, it is an approximation, which means that it can only do as well as an approximation as the original variational distribution without the inference network.'' | ||
| Ligne 23 : | Ligne 21 : | ||
[https://edwardlib.org/tutorials/inference-networks Source : edwardlib.org] | [https://edwardlib.org/tutorials/inference-networks Source : edwardlib.org] | ||
[[Catégorie: | [[Catégorie:GRAND LEXIQUE FRANÇAIS]] | ||
Dernière version du 22 novembre 2024 à 18:27
Définition
Le réseau d'inférence désigne une construction flexible pour paramétrer des distributions approximatives lors de l'inférence et il remplace les paramètres variationnels locaux par des paramètres globaux. Elle restreint la taille des paramètres, en d'autres termes, c'est une approximation, ce qui signifie qu'elle ne peut faire une aussi bonne approximation que la distribution variationnelle originale sans le réseau d'inférence.
Voir aussi autoencodeur variationnel, borne inférieure variationnelle, machine de Boltzmann, machine de Helmholtz et méthode bayésienne variationnelle
Compléments
Attention! Il courant de croire que le réseau d'inférence produit un modèle variationnel plus expressif, cependant, ce n'est pas le cas.
Français
réseau d'inférence
Anglais
inference network
Inference network is a flexible construction for parametrizing approximating distributions during the inference and it replaces the local variational parameters with global parameters. It restricts the size of the parameters, in other words, it is an approximation, which means that it can only do as well as an approximation as the original variational distribution without the inference network.
It is a common misunderstanding that the inference network produces a more expressive variational model.
Source
