Proposto Metodo Bayes Variazionale Semantico per la Risoluzione di Variabili Latenti

Un nuovo metodo Bayes Variazionale Semantico (SVB) è stato proposto per risolvere le distribuzioni di probabilità delle variabili latenti, affrontando la complessità e la natura poco intuitiva del tradizionale metodo Bayes Variazionale (VB). Il metodo SVB deriva dalla funzione rate-fidelity R(G) all'interno della Teoria dell'Informazione Semantica, che estende la funzione rate-distortion R(D) di Shannon. Il precedente lavoro dell'autore sulla Teoria dell'Informazione Semantica ridefinisce R come l'informazione mutua minima per una data informazione mutua semantica G. Il metodo SVB impiega funzioni di vincolo tra cui verosimiglianza, verità, appartenenza, similarità e distorsione, e utilizza il criterio di massima efficienza informativa (G/R), che include il criterio di massima informazione semantica per l'ottimizzazione dei parametri del modello. Le tecniche variazionali e iterative in SVB hanno origine dalla ricerca di Shannon et al. sulla funzione rate-distortion. Questo approccio mira a fornire un'alternativa più interpretabile ed efficiente dal punto di vista computazionale al VB per la modellazione di variabili latenti.