Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
  Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben
Bericht

Fast Convergent Algorithms for Expectation Propagation Approximate Bayesian Inference

MPG-Autoren
/persons/resource/persons84109

Nickisch,  H
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;
Max Planck Institute for Biological Cybernetics, Max Planck Society;

Externe Ressourcen

https://arxiv.org/abs/1012.3584
(beliebiger Volltext)

Volltexte (beschränkter Zugriff)
Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.
Volltexte (frei zugänglich)
Es sind keine frei zugänglichen Volltexte in PuRe verfügbar
Ergänzendes Material (frei zugänglich)
Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar
Zitation

Seeger, M., & Nickisch, H.(2010). Fast Convergent Algorithms for Expectation Propagation Approximate Bayesian Inference. Tübingen, Germany: Max Planck Institute for Biological Cybernetics.


Zitierlink: https://hdl.handle.net/11858/00-001M-0000-0013-BD46-F
Zusammenfassung
We propose a novel algorithm to solve the expectation propagation relaxation of Bayesian inference for continuous-variable graphical models. In contrast to most previous algorithms, our method is provably convergent. By marrying convergent EP ideas from (Opperamp;Winther 05) with covariance decoupling techniques (Wipfamp;Nagarajan 08, Nickischamp;Seeger 09), it runs at least an order of magnitude faster than the most commonly used EP solver.