inferentiemodellen

Inferentiemodellen zijn wiskundige of statistische modellen die gericht zijn op het afleiden van latente variabelen uit waargenomen gegevens. Ze bieden probabilistische beschrijvingen van wat er achter de data schuilgaat en maken onzekerheidskwantificatie mogelijk voor de afgeleide variabelen.

Een veelvoorkomend uitgangspunt is een generatief proces: een prior op de latente variabelen en een kansmodel voor de observaties gegeven deze variabelen. De centrale stap is inferentie: het bepalen van de posterior-verdeling van de latente variabelen op basis van de waargenomen data, vaak aangevuld met een schatting van modelparameters. Doorgaans kan deze posterior niet in gesloten vorm worden berekend, waardoor men op benaderingen terugvalt.

Om de posterior te verkrijgen worden verschillende methoden toegepast, zoals Bayesian inference met Monte Carlo-technieken (MCMC) of variational inference, en EM-algoritmes voor modellen met latente variabelen. Exacte berekening is in veel modellen onhaalbaar, waardoor men meestal benaderingen gebruikt.

Voorbeelden zijn verborgen Markov-modellen, topicmodellen zoals Latent Dirichlet Allocation en diverse probabilistische grafische modellen zoals Bayesian-netwerken. In datawetenschap en machine learning worden inferentiemodellen gebruikt om latente structuren of factoren in data bloot te leggen, en om voorspellingen en simulaties te genereren.

Voordelen zijn expliciete onzekerheidskwantificatie en het vermogen om generatieve hypotheses te toetsen. Nadelen omvatten rekeneisen, identificeerbaarheidsproblemen en gevoeligheid voor modelaannames en priors.