Формирование условных распределений в вероятности TensorFlow

Question

Я использую Tensorflow Вероятность для создания VAE, которое включает в себя пиксели изображения, а также некоторые другие переменные.Выходные данные VAE:

tfp.distributions.Independent(tfp.distributions.Bernoulli(logits), 2, name="decoder-dist")

Я пытаюсь понять, как формировать другие условные распределения, основанные на этом, которые я могу использовать с методами вывода (MCMC или VI).Скажем, вышеприведенный вывод был P (A, B, C | Z), как бы я взял это распределение для формирования апостериорного P (A | B, C, Z), на котором я мог бы сделать вывод?Я пытался прочитать документы, но у меня возникли проблемы с их получением.

Answer 1

Ответ на ваш вопрос во многом зависит от природы модели соединения, в рамках которой вы хотели бы выполнить кондиционирование.О теме написано много, и в общем, это очень сложная проблема в целом :).Не зная немного больше о деталях вашей проблемы, почти невозможно рекомендовать полезную общую процедуру вывода.Тем не менее, у нас есть множество примеров (скрипты и блокноты jupyter / colab) в репозитории TFP здесь: https://github.com/tensorflow/probability/tree/master/tensorflow_probability/examples

В частности, есть

• The Пример иерархической линейной модели , представляющий собой разновидность Розеттского камня, показывающий, как выполнить задний вывод с использованием гамильтониана Монте-Карло (метод MCMC) в TFP, R и Stan,

• Пример Линейная модель смешанных эффектов , показывающий, как вы можете использовать ВИ для решения стандартной задачи LME,

и многие другие.Вы можете щелкнуть ссылку «Запустить в Google Colab» в верхней части любого из этих ноутбуков, чтобы открыть и запустить их на https://colab.research.google.com.

. Не стесняйтесь также обращаться к нам по электронной почте по адресу:tfprobability@tensorflow.org.Это общедоступная группа Google , где пользователи могут напрямую взаимодействовать с командой, которая создает TFP.Если вы предоставите нам больше информации о том, что вы хотели бы сделать, мы будем рады предоставить рекомендации по моделированию и выводу с помощью TFP.

Надеюсь, это даст вам хотя бы начало в правильном направлении!