Hamiltonian Monte Carlo with Missing Data
Hamiltonian Monte Carlo with missing data เป็นการขยายตัวสุ่มตัวอย่าง HMC ที่ใช้การไล่ระดับสี (gradient-based HMC sampler) เพื่อจัดการกับการสังเกตที่ไม่สมบูรณ์ โดยถือว่าค่าที่ขาดหายไปเป็นพารามิเตอร์ที่ไม่ทราบค่าเพิ่มเติม โพสทีเรียร์ของพารามิเตอร์แบบจำลองและค่าที่ขาดหายไปจะถูกสุ่มร่วมกันในการประมวลผลที่มีประสิทธิภาพเพียงครั้งเดียว โดยใช้ประโยชน์จากข้อมูลการไล่ระดับสีเพื่อสำรวจปริภูมิร่วมที่มีมิติสูง ด้วยการปฏิเสธข้อเสนอที่น้อยกว่าการสุ่มตัวอย่างแบบ MCMC แบบสุ่มเดิน (random-walk MCMC) อย่างมาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. Chapter 18: Missing-data imputation. ISBN: 978-1439840955
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/th/bayesian/hamiltonian-monte-carlo-with-missing-data
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การอนุมานแบบเบย์สำหรับข้อมูลที่ขาดหายเบย์↔ เปรียบเทียบ
- Gibbs Sampling with Missing Dataเบย์↔ เปรียบเทียบ
- Hamiltonian Monte Carloเบย์↔ เปรียบเทียบ
- MCMC กับข้อมูลที่ขาดหายไปเบย์↔ เปรียบเทียบ
- Multiple Imputationสถิติศาสตร์↔ เปรียบเทียบ
- การอนุมานแบบแปรผันกับข้อมูลที่ขาดหายไปเบย์↔ เปรียบเทียบ