Bayesian methodsBayesian / computational
강건한 마르코프 연쇄 몬테카를로
강건한 MCMC는 마르코프 연쇄 몬테카를로 샘플링과 강건성 기법을 결합하여, 데이터에 이상치(outlier)가 포함되어 있거나, 가정된 모형이 잘못 지정되었거나, 또는 대상 분포가 꼬리가 두꺼워 표준 샘플러의 혼합이 느리거나 왜곡된 추정치를 산출할 때 신뢰할 수 있는 사후 추론을 생성합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- Roberts, G. O. & Rosenthal, J. S. (2004). General state space Markov chains and MCMC algorithms. Probability Surveys, 1, 20–71. DOI: 10.1214/154957804100000024 ↗
- Barp, A., Kennedy, C., Durmus, A. & Girolami, M. (2022). Targeted separation and convergence with kernel discrepancies. arXiv preprint. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/ko/bayesian/robust-markov-chain-monte-carlo
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 깁스 샘플링(Gibbs Sampling)베이지안↔ 비교
- 해밀토니안 몬테카를로베이지안↔ 비교
- 마르코프 연쇄 몬테카를로 (MCMC)베이지안↔ 비교
- 강건 베이즈 추론베이지안↔ 비교
- 순차 몬테카를로 (Sequential Monte Carlo, SMC)베이지안↔ 비교