Hamiltonian Monte Carlo
Hamiltonian Monte Carlo (HMC) to algorytm Markova Monte Carlo oparty na gradiencie, który wykorzystuje geometrię powierzchni log-gęstości a posteriori do wykonywania dużych, ukierunkowanych skoków w przestrzeni parametrów, zamiast małych, losowych kroków klasycznego MCMC. Pierwotnie wprowadzony do teorii pola na siatce przez Duane'a, Kennedy'ego, Pendeltona i Rowetha (1987) pod nazwą Hybrid Monte Carlo, a następnie wprowadzony do głównego nurtu statystyki przez autorytatywny rozdział Radforda Neala z 2011 roku, HMC jest obecnie domyślnym samplerem w Stan i PyMC i jest powszechnie uważany za najnowocześniejszy mechanizm wnioskowania bayesowskiego a posteriori w modelach wysokowymiarowych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
+15 więcej
Źródła
- Duane, S., Kennedy, A. D., Pendleton, B. J., & Roweth, D. (1987). Hybrid Monte Carlo. Physics Letters B, 195(2), 216–222. DOI: 10.1016/0370-2693(87)91197-X ↗
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. L. Jones, & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 116–162). Chapman and Hall/CRC. ISBN: 978-1420079418 ↗
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo Sampling. ScholarGate. https://scholargate.app/pl/bayesian/hamiltonian-monte-carlo
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Regresja bayesowskaStatystyka bayesowska↔ porównaj
- Łańcuchy Markowa i symulacje Monte Carlo (MCMC)Statystyka bayesowska↔ porównaj
- Inferencja wariacyjnaStatystyka bayesowska↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →