Bayesian methodsBayesian / computational
동적 순차 몬테카를로
동적 순차 몬테카를로(Dynamic SMC)는 새로운 관측값이 시간에 따라 도착함에 따라 가중치가 부여된 샘플 집합(입자)을 유지하고 업데이트하는 베이즈 계산 방법입니다. 동적 시스템 모델을 통해 입자를 전파하고, 관측된 데이터와 얼마나 잘 일치하는지에 따라 가중치를 다시 부여하며, 확률이 높은 영역에 노력을 집중시키기 위해 주기적으로 재샘플링하여 상태 공간 및 시간 변화 모델에 대한 온라인 사후 추론을 제공합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
- Doucet, A., de Freitas, N. & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
이 페이지 인용 방법
ScholarGate. (2026, June 3). Dynamic Sequential Monte Carlo Sampler. ScholarGate. https://scholargate.app/ko/bayesian/dynamic-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.
- 동적 베이즈 추론베이지안↔ compare
- 깁스 샘플링(Gibbs Sampling)베이지안↔ compare
- 해밀토니안 몬테카를로베이지안↔ compare
- 칼만 필터베이지안↔ compare
- 파티클 필터 (순차 몬테카를로)베이지안↔ compare
- 순차 몬테카를로 (Sequential Monte Carlo, SMC)베이지안↔ compare