Robustní Markovovy řetězce Monte Carlo
Robustní MCMC kombinuje vzorkování Markovovými řetězci Monte Carlo s technikami robustnosti, aby poskytlo spolehlivou posteriorní inferenci v případech, kdy data obsahují odlehlé hodnoty, kdy je předpokládaný model chybně specifikován, nebo kdy má cílová distribuce tlusté chvosty, které způsobují špatné míchání standardních vzorkovačů nebo vedou ke zkresleným odhadům.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/cs/bayesian/robust-markov-chain-monte-carlo
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Gibbs SamplingBayesovská statistika↔ porovnat
- Hamiltonovské Monte CarloBayesovská statistika↔ porovnat
- Markov Chain Monte Carlo (MCMC)Bayesovská statistika↔ porovnat
- Robustní bayesovská inferenceBayesovská statistika↔ porovnat
- Sekvenční Monte CarloBayesovská statistika↔ porovnat
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →