Przestrzenne próbkowanie Gibbsa
Przestzenne próbkowanie Gibbsa stosuje próbnik Gibbsa – algorytm łańcuchowy Markowa typu Monte Carlo (MCMC) działający współrzędnie – do modeli, w których obserwacje są rozmieszczone w przestrzeni, a bliskie lokalizacje są statystycznie zależne. Wykorzystując warunkową niezależność wynikającą ze struktury sąsiedztwa przestrzennego, każda lokalizacja jest aktualizowana pojedynczo w zależności od jej sąsiadów, co czyni wnioskowanie a posteriori obliczeniowo wykonalnym dla przestrzennych pól losowych Markowa (MRF), przestrzennych pól losowych Gaussa (GRF) oraz hierarchicznych modeli geostatystycznych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Geman, S. & Geman, D. (1984). Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6(6), 721–741. DOI: 10.1109/TPAMI.1984.4767596 ↗
- Rue, H. & Held, L. (2005). Gaussian Markov Random Fields: Theory and Applications. Chapman & Hall/CRC. ISBN: 978-1584884323
Jak cytować tę stronę
ScholarGate. (2026, June 3). Spatial Gibbs Sampling for Markov Random Fields and Geostatistical Models. ScholarGate. https://scholargate.app/pl/bayesian/spatial-gibbs-sampling
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.
- Modelowanie hierarchiczne bayesowskieStatystyka bayesowska↔ compare
- Próbkowanie GibbsaStatystyka bayesowska↔ compare
- Przestrzenne wnioskowanie bayesowskieStatystyka bayesowska↔ compare
- Przestrzenne MCMCStatystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →