Hamiltonian Monte Carlo with Missing Data
Hamiltonian Monte Carlo with missing data extends the gradient-based HMC sampler to handle incomplete observations by treating missing values as additional unknown parameters. The posterior over model parameters and missing values is sampled jointly in one efficient pass, exploiting gradient information to explore the high-dimensional joint space with far fewer rejected proposals than random-walk MCMC.
Izvorni zapis
Citati kopirani doslovno iz izvornog zapisa metode. Ne impliciraju nikakvu provjeru na razini tvrdnje.
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113-162). CRC Press. · 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. Chapter 18: Missing-data imputation. · ISBN 978-1439840955
Uređene tvrdnje
Tvrdnje pohranjene u knjigu dokaza, svaka s vlastitom procjenom.
Ovaj prikaz ne izmišlja procjenu tvrdnje kada knjiga dokaza nema nijednu.
Povezane metode
Generirano iz grafa metode i prikazano kao strojno predložene relacije — ne implicira se nikakva tvrdnja dokaza.