Bayesian methodsBayesian / computational
逐次モンテカルロ法
逐次モンテカルロ法（SMC）は、粒子と呼ばれる重み付きランダムサンプルのクラウドを伝播および再重み付けすることにより、確率分布の進化を近似するシミュレーションベースのアルゴリズムのファミリです。非線形、非ガウスモデル、およびデータのストリームを自然に処理できるため、リアルタイムの状態推定および複雑な分布の事後分布近似に選択される方法です。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
+41 more
出典
- Gordon, N. J., Salmond, D. J., & Smith, A. F. M. (1993). Novel approach to nonlinear/non-Gaussian Bayesian state estimation. IEE Proceedings F - Radar and Signal Processing, 140(2), 107–113. DOI: 10.1049/ip-f-2.1993.0015 ↗
- Del Moral, P., Doucet, A., & Jasra, A. (2006). Sequential Monte Carlo samplers. Journal of the Royal Statistical Society: Series B, 68(3), 411–436. DOI: 10.1111/j.1467-9868.2006.00553.x ↗
このページの引用方法
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/ja/bayesian/sequential-monte-carlo
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- 尤度フリー推論のための近似ベイズ計算シミュレーション↔ compare
- Gibbs Samplingベイズ↔ compare
- ハミルトニアンモンテカルロベイズ↔ compare
- カルマンフィルターベイズ↔ compare
- マルコフ連鎖モンテカルロ法 (MCMC)ベイズ↔ compare
- パーティクルフィルタ（逐次モンテカルロ法）ベイズ↔ compare
この手法を参照する項目
尤度フリー推論のための近似ベイズ計算測定誤差を伴う近似ベイズ計算欠損データを伴う近似ベイズ計算動的ベイズ階層モデル動的ベイズ推論動的ベイズモデル平均 (Dynamic Bayesian Model Averaging)動的ベイジアンネットワーク動的ハミルトニアン・モンテカルロ法動的モンテカルロシミュレーション動的粒子フィルタ動的逐次モンテカルロ法動的変分推論階層型近似ベイズ計算階層的ブートストラップシミュレーション階層カルマンフィルタ（Hierarchical Kalman Filter, HKF）階層型粒子フィルタカルマンフィルターカルマンフィルタ（測定誤差あり）欠損データを含むカルマンフィルタメトロポリス・ヘイスティングス法モデル比較のためのメトロポリス・ヘイスティングス法欠損データを伴うモンテカルロシミュレーションMultilevel Approximate Bayesian Computation階層型ブートストラップシミュレーション多重レベルモンテカルロ法計測誤差を伴う粒子フィルタ欠損データを持つパーティクルフィルタ頑健な近似ベイズ計算ロバストカルマンフィルタロバストMCMC（Robust Markov Chain Monte Carlo）ロバストモンテカルロシミュレーションロバスト粒子フィルタ頑健逐次モンテカルロ法測定誤差を伴う逐次モンテカルロ法欠損データを含む逐次モンテカルロ法空間的近似ベイズ計算空間ブートストラップシミュレーション空間カルマンフィルター空間モンテカルロシミュレーション時系列近似ベイズ計算時系列ベイズ推論時系列ベイズモデル平均法時系列カルマンフィルタ時系列MCMC時系列パーティクルフィルタ時系列逐次モンテカルロ法時系列変分推論