Sampling

MCMC Sampling in Bayesian Models

정확한 posterior에 가까워지기 위해 샘플들이 어떻게 움직이는지 가장 고전적인 방식으로 보여줍니다.

Posterior

Gaussian Process(GP)

관측이 들어오면 함수 uncertainty가 어떻게 접히는지 한 장의 posterior 그림으로 직관적으로 볼 수 있습니다.

Inference

[Paper Review] Generalized Variational Inference

loss, divergence, feasible set 세 축으로 posterior를 다시 설계하는 프레임워크를 정리한 글입니다.

Code Lab

PyMC를 이용한 베이지안 모델링

A/B 테스트 예제로 prior부터 posterior, 의사결정까지 Bayesian workflow를 실전 코드와 함께 다룹니다.

Optimization

Natural Gradient for Variational Inference

유클리드 gradient 대신 정보기하학을 반영한 업데이트가 VI에서 왜 중요한지 시각적으로 설명합니다.

Time Series

Bayesian Online Change Point Detection

시계열에서 변화점의 posterior를 온라인으로 추적하는 방식과 run-length 해석을 보여줍니다.

Regression

Bayesian Kernel Machine Regression (BKMR)

비선형성과 상호작용을 함께 다루는 베이지안 회귀에서 summary function이 어떤 해석을 주는지 보여줍니다.

Flow

[Paper Review] Normalizing Flows

간단한 분포가 연속적인 가역변환을 거치며 복잡한 posterior family로 바뀌는 과정을 시각적으로 설명합니다.

Approximation

Variational Inference

복잡한 posterior를 tractable한 분포로 근사한다는 VI의 핵심 아이디어를 가장 단순한 그림으로 요약합니다.

Diffusion

DiT : Scalable Diffusion Models with Transformers

DiT (Diffusion Transformer)를 공부하며 통계학적인 관점에서 핵심 개념을 정리한 글입니다.