Hierarchical Hamiltonian Monte Carlo
Hierarchical Hamiltonian Monte Carlo (Hierarchical HMC) stosuje próbkowanie Hamiltonian Monte Carlo do hierarchicznych modeli bayesowskich, rozwiązując poważne wyzwania geometryczne, jakie te modele stwarzają. Łącząc niecentryczne parametryzacje z propozycjami HMC sterowanymi gradientem, osiąga efektywną eksplorację posterioru wielopoziomowych geometrii w kształcie lejka, z którymi standardowe metody MCMC mają trudności.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo for Hierarchical Models. ScholarGate. https://scholargate.app/pl/bayesian/hierarchical-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
- Hamiltonian Monte CarloStatystyka bayesowska↔ porównaj
- Hierarchiczna inferencja bayesowskaStatystyka bayesowska↔ porównaj
- Hierarchical Markov Chain Monte CarloStatystyka bayesowska↔ porównaj
- Łańcuchy Markowa i symulacje Monte Carlo (MCMC)Statystyka bayesowska↔ porównaj
Cytowana przez
Similar methods
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →