« Borne inférieure variationnelle » : différence entre les versions

Dernière version du 29 janvier 2024 à 11:24

Définition

Quantité dont les méthodes bayésiennes variationnelles tirent partie pour traiter les cas où une distribution sur des variables non observées sert à obtenir une approximation de la vraie probabilité a posteriori, et ce, à partir de données observées.

Français

borne inférieure variationnelle

Anglais

variational lower bound

evidence lower bound

ELBO

negative variational free energy

Sources

Source : Wikipedia (Evidence lower bound)

@@ Ligne 1 : / Ligne 1 : @@
 == Définition ==
+Quantité dont les méthodes bayésiennes variationnelles tirent partie pour traiter les cas où une distribution sur des variables non observées sert à obtenir une approximation de la vraie [[probabilité a posteriori]], et ce, à partir de données observées.
 == Français ==
-'''Borne inférieure variationnelle'''
+'''borne inférieure variationnelle'''
 == Anglais ==
-'''Noise contrastive estimation'''
+'''variational lower bound'''
+'''evidence lower bound'''
+'''ELBO'''
-<small>
+'''negative variational free energy'''
-[https://www.apprentissageprofond.org/   Source :  ''L'apprentissage profond'',  Ian Goodfellow, Yoshua Bengio et Aaron Courville  Éd. Massot 2018 ]
-Noise-contrastive estimation is a sampling loss typically used to train classifiers with a large output vocabulary. Calculating the softmax over a large number of possible classes is prohibitively expensive. Using NCE, we can reduce the problem to binary classification problem by training the classifier to discriminate between samples from the “real” distribution and an artificially generated noise distribution.
+==Sources==
-[https://deepai.org/machine-learning-glossary-and-terms/noise-contrastive-estimation Source: Deepai]
+[https://en.wikipedia.org/wiki/Evidence_lower_bound  Source : Wikipedia (Evidence lower bound) ]
-[[Catégorie:vocabulaire]]
-[[Catégorie:App-profond-livre]]
 [[Catégorie:Apprentissage profond]]
+[[Catégorie:GRAND LEXIQUE FRANÇAIS]]