Monte Carlo Hamiltonien
Le Monte Carlo Hamiltonien (HMC) est un algorithme de Monte Carlo par chaîne de Markov basé sur le gradient qui utilise la géométrie de la surface log-postérieure pour effectuer de grands sauts informés dans l'espace des paramètres, au lieu des petits pas aléatoires du MCMC classique. Initialement introduit pour la théorie des champs sur réseau par Duane, Kennedy, Pendleton et Roweth (1987) sous le nom de Monte Carlo Hybride, et intégré aux statistiques courantes par le chapitre faisant autorité de Radford Neal en 2011, HMC est aujourd'hui l'échantillonneur par défaut dans Stan et PyMC et est largement considéré comme le moteur de pointe pour l'inférence bayésienne postérieure dans les modèles de grande dimension.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
+15 de plus
Sources
- Duane, S., Kennedy, A. D., Pendleton, B. J., & Roweth, D. (1987). Hybrid Monte Carlo. Physics Letters B, 195(2), 216–222. DOI: 10.1016/0370-2693(87)91197-X ↗
- 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. 116–162). Chapman and Hall/CRC. ISBN: 978-1420079418 ↗
- 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: 978-1439840955
Comment citer cette page
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo Sampling. ScholarGate. https://scholargate.app/fr/bayesian/hamiltonian-monte-carlo
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Régression bayésienneBayésien↔ comparer
- Chaîne de Markov Monte Carlo (MCMC)Bayésien↔ comparer
- Inférence variationnelleBayésien↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →