中间

使用分布式计算集群扩展贝叶斯变分推理。在本文中，我们提出了一种使用变分方法来扩展贝叶斯学习的方法，该方法利用现代大数据处理工具（如apachespark或apacheflink）管理的分布式计算集群，有效地支持迭代map-reduce操作。我们的方法被定义为一个分布式投影自然梯度上升算法，具有良好的收敛性，并且覆盖了广泛的共轭指数族模型。我们对来自不同领域的三个真实世界数据集（Pubmed摘要数据集、GPS轨迹数据集和金融数据集）和几种模型（LDA、因子分析、高斯和线性回归模型的混合模型）进行了评估。我们的方法与随机变分推理和流变分Bayes相比，这两种方法是目前用于放大变分方法的主要建议。对于可伸缩性分析，我们使用一个具有128个处理单元（AWS）的计算机集群，在一个拥有超过10亿个节点和大约75%$潜在变量的网络上评估我们的方法。所提出的方法是作为可伸缩概率机器学习开源工具箱（url{http://www.amidstboolbox.com}）Masegosa等人（2017）[29]的一部分发布的。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH参考文献（参考 5篇文章

显示第1到第5个结果，共5个。
按年份排序(引用)

  1. Bayesian-haghan-hagari网络包不是zbMATH
  2. Lin，Peng；Neil，Martin；Fenton，Norman:使用三元组区域构造改进的高维离散贝叶斯网络推理（2020）
  3. Lim，Kart Leong；Wang，Han:使用最大化算法快速逼近变分Bayes-Dirichlet过程混合物（2018）
  4. Ramos-López，Dario；Masegosa，Andres R.；Salmeron，Antonio；Rumí，Rafael；Langseth，Helge；Nielsen，Thomas D.；Madsen，Anders L.：贝叶斯网络中高斯混合后验点的可伸缩重要性抽样估计（2018）
  5. Masegosa，Andrés R.；Martinez，Ana M.；Langseth，Helge；Nielsen，Thomas D.；Salmeron，Antonio；Ramos-López，Darío；Madsen，Anders L.：使用分布式计算集群扩展贝叶斯变分推理（2017）