Динамическое последовательное Монте-Карло
Динамическое последовательное Монте-Карло (Dynamic SMC) — это байесовский вычислительный метод, который поддерживает и обновляет популяцию взвешенных выборок — частиц — по мере поступления новых наблюдений с течением времени. Он распространяет частицы через модель динамической системы, перевзвешивает их в зависимости от того, насколько хорошо они соответствуют наблюдаемым данным, и периодически выполняет перевыборку для концентрации усилий на областях с высокой вероятностью, обеспечивая онлайн-вывод апостериорного распределения для моделей с пространственно-временной структурой и эволюционирующих во времени.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Del Moral, P., Doucet, A. & Jasra, A. (2006). Sequential Monte Carlo samplers. Journal of the Royal Statistical Society: Series B, 68(3), 411–436. DOI: 10.1111/j.1467-9868.2006.00553.x ↗
- Doucet, A., de Freitas, N. & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
Как цитировать эту страницу
ScholarGate. (2026, June 3). Dynamic Sequential Monte Carlo Sampler. ScholarGate. https://scholargate.app/ru/bayesian/dynamic-sequential-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.
- Динамический байесовский выводБайесовские методы↔ compare
- Сэмплирование по ГиббсуБайесовские методы↔ compare
- Гамильтонов Монте-КарлоБайесовские методы↔ compare
- Фильтр КалманаБайесовские методы↔ compare
- Фильтр частиц (последовательное Монте-Карло)Байесовские методы↔ compare
- Последовательный Монте-КарлоБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →