Hamiltonian Monte Carlo Hiérarchique
Le Hamiltonian Monte Carlo Hiérarchique (Hierarchical HMC) applique l'échantillonnage Hamiltonian Monte Carlo aux modèles hiérarchiques bayésiens, en relevant les défis géométriques sévères que ces modèles posent. En combinant des paramétrisations non centrées avec les propositions guidées par gradient du HMC, il parvient à une exploration efficace de la postérieure des géométries en forme d'entonnoir à plusieurs niveaux avec lesquelles les méthodes MCMC standard luttent.
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.
Sources
- Betancourt, M. & Girolami, M. (2015). Hamiltonian Monte Carlo for hierarchical models. In S. K. Upadhyay, U. Singh, D. K. Dey & A. Loganathan (Eds.), Current Trends in Bayesian Methodology with Applications (pp. 79-101). CRC Press. link ↗
- 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 for Hierarchical Models. ScholarGate. https://scholargate.app/fr/bayesian/hierarchical-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
- Monte Carlo HamiltonienBayésien↔ comparer
- Inférence bayésienne hiérarchiqueBayésien↔ comparer
- Chaîne de Markov Monte Carlo hiérarchiqueBayésien↔ comparer
- Chaîne de Markov Monte Carlo (MCMC)Bayésien↔ comparer
Référencée par
Similar methods
Une erreur sur cette page ? Signalez-la ou proposez une correction →