Minlog

Minlog

  • Category
    • About
    • Bayesian
    • Preliminary
      • Stochastic Process
      • Probability
      • Measure
      • Server
    • Research
      • Anomaly Detection
      • Segmentation
      • Active Learning
      • Continual Learning
      • Large Language Model
    • Machine Learning
      • General
      • Models
    • Memorizing
      • Trouble-Shooting
      • Ubuntu
      • Etc
      • Python
      • Java
      • C
      • Qt
      • Jetson
      • Quantization
    • BE
      • NodeJS
      • Flask
      • Spring
      • Deploy
      • Docker
      • EC2
      • APM
      • NGINX
      • TESTING
    • FE
      • JS
      • CSS
    • PS
      • 백준
      • SOFTEER
      • 리트코드
  • 홈
  • 태그
  • 방명록
RSS 피드
로그인
로그아웃 글쓰기 관리

Minlog

컨텐츠 검색

태그

CSS Probabilistic Graphical Model 확률그래프모델 C MCMC spring FLASK c++ 항해99 HTML 백준 MarkovChain Montecarlo jetpack6 Python dfs jetson orin nano 가우시안 혼합모델 CUDA ps 회고

최근글

댓글

공지사항

아카이브

Expectation Propagation(1)

  • 7. 기댓값 전파(Expectation Propagation)

    이전 글에서는 결합 분포의 우도를 최적화하는 과정에서 $\textrm {KL}(q||p)$를 최소로 만드는 $q(Z)$를 찾는 변분 베이즈 방법(Variational Bayes)에 대해 알아보았습니다. 이번 글에서는 사후분포를 최적화하는 방법 중 하나인 기댓값 전파(Expectation Propagation)에 대해 알아보겠습니다. [관련 글] 6. 변분 베이즈 방법(Variational Bayes Method),6-1. 평균 장 근사(Mean-field approximation) 많은 경우에 결합 확률분포를 IID(Independent Identically Distributed) 분포의 곱으로 나타낼 수 있습니다. 즉, 다음과 같이 나타낼 수 있습니다. $p(\mathcal {D}, \theta)=\d..

    2021.08.05
이전
1
다음
티스토리
© 2018 TISTORY. All rights reserved.

티스토리툴바