Hamiltonian Monte Carlo for Hierarchical Models
Model berperingkat menumpukan posterior gabungan mereka ke dalam corong yang sempit dan melengkung — parameter global mengawal skala parameter peringkat unit, mewujudkan kawasan yang serentak luas dan sangat cetek. Langkah MCMC rantai rawak standard sama ada tersasar atau tersekat. HMC mensimulasikan dinamik Hamiltonian di sepanjang geometri posterior, jadi ia merentasi corong ini dalam gerakan yang besar dan berkorelasi. Parameterisasi semula hierarki (bentuk bukan berpusat) meratakan lagi geometri, membolehkan HMC meneroka dengan cekap tanpa saiz langkah mengecil ke tahap yang tidak praktikal.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
Sumber
- Betancourt, M. & Girolami, M. (2015). Hamiltonian Monte Carlo for hierarchical models. In S. K. Upadhyay, U. Singh, D. K. Dey & A. Loganathan (Eds.), Current Trends in Bayesian Methodology with Applications (pp. 79-101). CRC Press. link ↗
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
Cara memetik halaman ini
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo for Hierarchical Models. ScholarGate. https://scholargate.app/ms/bayesian/hierarchical-hamiltonian-monte-carlo
Kaedah yang mana?
Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.
- Regresi BayesianBayesian↔ banding
- Hamiltonian Monte CarloBayesian↔ banding
- Inferensi Bayesian HierarkiBayesian↔ banding
- Rantai Markov Monte Carlo BerperingkatBayesian↔ banding
- Markov Chain Monte Carlo (MCMC)Bayesian↔ banding
Dirujuk oleh
Similar methods
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →