Bayesian methodsBayesian / computational
결측 데이터가 있는 순차 몬테카를로
결측 데이터가 있는 순차 몬테카를로(Sequential Monte Carlo, SMC)는 일부 관측값이 없는 상태 공간 모델로 표준 입자 필터를 확장합니다. 주어진 시간 단계에서 관측값이 누락된 경우 업데이트 단계는 단순히 건너뛰어집니다. 즉, 입자들은 재가중치 없이 전이 모델을 통해 앞으로 전파되며, 결측이 무시할 수 있는(무작위 결측 또는 완전 무작위 결측) 한 모든 결측 데이터 패턴에서 정확한 베이즈 추론을 유지합니다.
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
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. DOI: 10.1007/978-3-030-47845-2 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/ko/bayesian/sequential-monte-carlo-with-missing-data
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.
- 결측 데이터가 있는 베이즈 추론베이지안↔ compare
- 동적 순차 몬테카를로베이지안↔ compare
- 결측치가 있는 깁스 샘플링베이지안↔ compare
- 결측값이 있는 칼만 필터베이지안↔ compare
- 파티클 필터 (순차 몬테카를로)베이지안↔ compare
- 순차 몬테카를로 (Sequential Monte Carlo, SMC)베이지안↔ compare