Sequential Monte Carlo with Missing Data
Sequential Monte Carlo (SMC) with missing data extends the standard particle filter to state-space models in which some observations are absent. When an observation is missing at a given time step the update step is simply skipped: particles are propagated forward through the transition model without reweighting, preserving exact Bayesian inference under any missing-data pattern as long as missingness is ignorable (missing at random or missing completely at random).
Zdrojový záznam
Citace zkopírované doslovně ze zdrojového záznamu metody. Nejsou z nich vyvozovány žádné ověření na úrovni tvrzení.
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. · ISBN 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. · DOI 10.1007/978-3-030-47845-2
Spravovaná tvrzení
Tvrzení uložená v registru důkazů, každé s vlastním hodnocením.
Tento pohled nevymýšlí hodnocení tvrzení, pokud registr žádné neobsahuje.
Související metody
Vygenerováno z grafu metod a zobrazeno jako strojově navržené vztahy – nejsou z nich vyvozována žádná tvrzení o důkazech.