Bayesian methodsBayesian / computational
결측치가 있는 해밀토니안 몬테카를로
결측치가 있는 해밀토니안 몬테카를로(HMC)는 불완전한 관측치를 추가적인 미지 모수로 취급하여 경사 기반 HMC 샘플러를 확장하여 이를 처리합니다. 모수와 결측치에 대한 사후 분포는 하나의 효율적인 통과에서 공동으로 표본 추출되며, 경사 정보를 활용하여 무작위 탐색 MCMC보다 훨씬 적은 거부된 제안으로 고차원 공동 공간을 탐색합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/ko/bayesian/hamiltonian-monte-carlo-with-missing-data
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 결측 데이터가 있는 베이즈 추론베이지안↔ 비교
- 결측치가 있는 깁스 샘플링베이지안↔ 비교
- 해밀토니안 몬테카를로베이지안↔ 비교
- 결측치가 있는 MCMC베이지안↔ 비교
- Multiple Imputation통계학↔ 비교
- 결측 데이터가 있는 변분 추론베이지안↔ 비교