ScholarGate
Βοηθός
Bayesian methodsBayesian / computational

Ανθεκτική Μοντελοποίηση Markov Chain Monte Carlo

Η ανθεκτική MCMC συνδυάζει τη δειγματοληψία Markov Chain Monte Carlo με τεχνικές ανθεκτικότητας για την παραγωγή αξιόπιστης συμπερασματολογίας a posteriori, όταν τα δεδομένα περιέχουν ακραίες τιμές, όταν το υποτιθέμενο μοντέλο είναι λανθασμένα προσδιορισμένο, ή όταν η κατανομή στόχος έχει βαριές ουρές που προκαλούν στους τυπικούς δειγματολήπτες να αναμειγνύονται ανεπαρκώς ή να παράγουν παραμορφωμένες εκτιμήσεις.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαΛήψη διαφανειών

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Χάρτης μεθόδων

Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.

Πηγές

  1. Roberts, G. O. & Rosenthal, J. S. (2004). General state space Markov chains and MCMC algorithms. Probability Surveys, 1, 20–71. DOI: 10.1214/154957804100000024
  2. Barp, A., Kennedy, C., Durmus, A. & Girolami, M. (2022). Targeted separation and convergence with kernel discrepancies. arXiv preprint. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/el/bayesian/robust-markov-chain-monte-carlo

Ποια μέθοδος;

Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.

Συγκρίνετε παράλληλα

Αναφέρεται από

ScholarGateRobust Markov chain Monte Carlo (Robust Markov Chain Monte Carlo Sampling). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/bayesian/robust-markov-chain-monte-carlo · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026