Bayesian methodsBayesian / computational
순차 몬테카를로 (Sequential Monte Carlo, SMC)
순차 몬테카를로 (SMC)는 가중치가 부여된 무작위 표본(입자)들의 집합을 전파하고 재가중함으로써 진화하는 확률 분포를 근사하는 시뮬레이션 기반 알고리즘들의 계열이다. 비선형, 비가우시안 모델 및 데이터 스트림을 자연스럽게 처리할 수 있어 실시간 상태 추정 및 복잡한 분포에 대한 사후 분포 근사에 선호되는 방법이다.
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.
+41 more
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/ko/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.
- 근사 베이즈 계산시뮬레이션↔ compare
- 깁스 샘플링(Gibbs Sampling)베이지안↔ compare
- 해밀토니안 몬테카를로베이지안↔ compare
- 칼만 필터베이지안↔ compare
- 마르코프 연쇄 몬테카를로 (MCMC)베이지안↔ compare
- 파티클 필터 (순차 몬테카를로)베이지안↔ compare
이 방법을 참조하는 항목
근사 베이즈 계산측정 오차를 동반한 근사 베이즈 계산누락 데이터가 있는 근사 베이즈 계산 (Approximate Bayesian Computation with Missing Data)동적 베이즈 계층 모델동적 베이즈 추론동적 베이즈 모델 평균화동적 베이즈 네트워크동적 해밀토니안 몬테카를로동적 몬테카를로 시뮬레이션동적 입자 필터동적 순차 몬테카를로동적 변분 추론계층적 근사 베이즈 계산계층적 부트스트랩 시뮬레이션계층적 칼만 필터계층적 파티클 필터칼만 필터칼만 필터와 측정 오차결측값이 있는 칼만 필터메트로폴리스-헤이스팅스 알고리즘Metropolis-Hastings를 이용한 모형 비교결측치가 있는 몬테카를로 시뮬레이션다수준 근사 베이즈 계산다층 부트스트랩 시뮬레이션다단계 몬테카를로 시뮬레이션측정 오차를 고려한 입자 필터결측치가 있는 입자 필터강건 근사 베이즈 추론 (Robust Approximate Bayesian Computation)강건 칼만 필터강건한 마르코프 연쇄 몬테카를로강건 몬테카를로 시뮬레이션강건 입자 필터로버스트 순차 몬테카를로측정 오차를 동반한 순차 몬테카를로 (Sequential Monte Carlo with Measurement Error)결측 데이터가 있는 순차 몬테카를로공간 근사 베이즈 추론공간 부트스트랩 시뮬레이션공간 칼만 필터공간 몬테카를로 시뮬레이션시계열 근사 베이즈 추론시계열 베이즈 추론시계열 베이지안 모형 평균시계열 칼만 필터시계열 MCMC시간 계열 입자 필터시계열 순차 몬테카를로시계열 변분 추론