Markov Chain Monte Carlo (MCMC) مقاومسازی شده
MCMC مقاومسازی شده، نمونهگیری مارکوف چین مونت کارلو را با تکنیکهای مقاومت ترکیب میکند تا استنتاج پسین قابل اعتمادی را در مواردی که دادهها شامل نقاط پرت هستند، مدل مفروض نادرست مشخص شده است، یا توزیع هدف دارای دمهای سنگین است که باعث میشود نمونهگیرهای استاندارد مخلوطشوندگی ضعیفی داشته باشند یا تخمینهای تحریفشدهای ارائه دهند، تولید کند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/fa/bayesian/robust-markov-chain-monte-carlo
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- نمونهگیری گیبسبیزی↔ مقایسه
- هامیلتونی مونت کارلوبیزی↔ مقایسه
- زنجیره مارکوف مونت کارلو (MCMC)بیزی↔ مقایسه
- استنتاج بیزی مقاومبیزی↔ مقایسه
- مونتکارلوی ترتیبیبیزی↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →