Dynamisk Hamiltonsk Monte Carlo
Dynamisk Hamiltonsk Monte Carlo — allment kjent som No-U-Turn Sampler (NUTS) — er en adaptiv utvidelse av Hamiltonsk Monte Carlo som automatisk velger antall leapfrog-integrasjonstrinn under hver MCMC-overgang, og fjerner behovet for manuell justering av den mest sensitive tuning-parameteren i standard HMC. Det er standard-sampler i Stan og PyMC og egner seg for kontinuerlige, deriverbare posterior-fordelinger av moderat til høy dimensjon.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Hoffman, M. D. & Gelman, A. (2014). The No-U-Turn Sampler: Adaptively setting path lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research, 15(1), 1593–1623. link ↗
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Dynamic Hamiltonian Monte Carlo (No-U-Turn Sampler). ScholarGate. https://scholargate.app/no/bayesian/dynamic-hamiltonian-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.
- Bayesiansk regresjonBayesiansk↔ compare
- Gibbs-samplingBayesiansk↔ compare
- Hamiltonian Monte CarloBayesiansk↔ compare
- Sekvensiell Monte CarloBayesiansk↔ compare
- VariasjonsinferensBayesiansk↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →