Bayesian methodsBayesian / computational
깁스 샘플링(Gibbs Sampling)
깁스 샘플링은 마르코프 연쇄 몬테카를로(Markov chain Monte Carlo, MCMC) 알고리즘으로, 모든 다른 매개변수와 데이터를 조건으로 각 매개변수의 전체 조건부 분포에서 반복적으로 추출하여 고차원 사후 분포를 근사합니다. 각 추출은 조건부에서 정확하게 이루어지므로(거부될 수 있는 제안이 아님), 해당 조건부 분포를 닫힌 형식으로 사용할 수 있을 때 샘플러는 효율적입니다.
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.
+23 more
출처
- Geman, S. & Geman, D. (1984). Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6(6), 721-741. DOI: 10.1109/TPAMI.1984.4767596 ↗
- Gelfand, A. E. & Smith, A. F. M. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(410), 398-409. DOI: 10.1080/01621459.1990.10476213 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Gibbs Sampling Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/ko/bayesian/gibbs-sampling
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.
- 베이즈 회귀베이지안↔ compare
- 해밀토니안 몬테카를로베이지안↔ compare
- 계층적 베이즈 추론베이지안↔ compare
- 마르코프 연쇄 몬테카를로 (MCMC)베이지안↔ compare
- 변분 추론베이지안↔ compare
이 방법을 참조하는 항목
결측 데이터가 있는 베이즈 추론동적 해밀토니안 몬테카를로동적 Metropolis-Hastings 알고리즘동적 몬테카를로 시뮬레이션동적 순차 몬테카를로Gibbs 샘플링을 이용한 모형 비교측정 오차를 동반한 깁스 샘플링결측치가 있는 깁스 샘플링계층적 베이즈 추론계층적 부트스트랩 시뮬레이션계층적 마르코프 연쇄 몬테카를로MCMC를 이용한 모형 비교MCMC with Measurement Error결측치가 있는 MCMC메트로폴리스-헤이스팅스 알고리즘다수준 베이지안 모형 평균화다층 부트스트랩 시뮬레이션다층 깁스 샘플링다수준 MCMC (Multilevel MCMC)Robust Gibbs Sampling강건한 해밀토니안 몬테카를로강건한 마르코프 연쇄 몬테카를로순차 몬테카를로 (Sequential Monte Carlo, SMC)슬라이스 샘플링공간 깁스 샘플링공간 MCMC공간 몬테카를로 시뮬레이션시계열 MCMC시계열 순차 몬테카를로