Robust Markov Chain Monte Carlo
Robust MCMC комбинира семплиране чрез Марковски вериги Монте Карло (MCMC) с техники за робастност, за да осигури надеждни апостериорни изводи при наличие на екстремни стойности в данните, при неправилно специфициран предполагаем модел или при целеви разпределения с тежки опашки, които карат стандартните семплери да се смесват бавно или да дават изкривени оценки.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Roberts, G. O. & Rosenthal, J. S. (2004). General state space Markov chains and MCMC algorithms. Probability Surveys, 1, 20–71. DOI: 10.1214/154957804100000024 ↗
- Barp, A., Kennedy, C., Durmus, A. & Girolami, M. (2022). Targeted separation and convergence with kernel discrepancies. arXiv preprint. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/bg/bayesian/robust-markov-chain-monte-carlo
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Гиббсов семплерБейсови методи↔ сравняване
- Хамилтънов Монте КарлоБейсови методи↔ сравняване
- Марковски Монте Карло вериги (MCMC)Бейсови методи↔ сравняване
- Robust Bayesian InferenceБейсови методи↔ сравняване
- Последователен Монте КарлоБейсови методи↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →