No-U-Turn Sampler (NUTS)
No-U-Turn Sampler (NUTS) er en selvtunende Markov-kæde Monte Carlo-algoritme introduceret af Hoffman og Gelman (2014), som udvider Hamiltonian Monte Carlo (HMC) ved automatisk at bestemme det optimale antal leapfrog-trin, hvilket eliminerer den mest følsomme manuelle tuningparameter. NUTS er standard-sampler i Stan og PyMC og har gjort storskala, højdimensionel Bayesiansk inferens praktisk tilgængelig uden at kræve, at brugere manuelt indstiller trajektoriens længde.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Hoffman, M. D., & Gelman, A. (2014). The No-U-Turn Sampler: Adaptively setting path lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research, 15(47), 1593–1623. link ↗
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. L. Jones, & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113–162). CRC Press. DOI: 10.1201/b10905-6 ↗
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1-4398-4095-5
Sådan citerer du denne side
ScholarGate. (2026, June 3). No-U-Turn Sampler (NUTS). ScholarGate. https://scholargate.app/da/bayesian/no-u-turn-sampler
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesiansk regressionBayesiansk↔ compare
- Hamiltonian Monte CarloBayesiansk↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiansk↔ compare
- VariationsinferensBayesiansk↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →