鉴于一些观察到的数据和概率生成模型,贝叶斯推论的目的是获得可能产生数据的模型潜在参数的分布。对于大型人群研究,这项任务是具有挑战性的,在大量人群研究中,在数百名受试者的队列中进行了数千次测量,从而产生了大规模的潜在参数空间。这种较大的基数使现成的变异推理(VI)在计算上是不切实际的。在这项工作中,我们设计了可以有效解决大型人口研究的结构化VI家族。为此,我们的主要思想是在不同的I.I.D.上共享参数化和学习。由模型板拟合的生成模型中的变量。我们将此概念板摊销命名,并说明了其权利的强大协同作用,从而导致表达性,简短的参数化和更快的数量级,以训练大型层次分布分布。我们通过一个充满挑战的神经影像学示例来说明PAVI的实际实用性,该示例具有一百万个潜在参数,这表明了朝着可扩展和表现力的变异推理迈出的重要一步。
translated by 谷歌翻译