Hierarchical Hamiltonian Monte Carlo
Hierarchical Hamiltonian Monte Carlo (Hierarchical HMC) เป็นวิธีการสุ่มตัวอย่างแบบ Hamiltonian Monte Carlo ที่นำมาประยุกต์ใช้กับแบบจำลองลำดับชั้นแบบเบย์ (Bayesian hierarchical models) เพื่อจัดการกับความท้าทายทางเรขาคณิตที่รุนแรงซึ่งแบบจำลองเหล่านั้นก่อให้เกิด ด้วยการรวมการกำหนดพารามิเตอร์แบบไม่รวมศูนย์ (non-centered parameterizations) เข้ากับการเสนอค่าแบบขับเคลื่อนด้วยเกรเดียนต์ของ HMC ทำให้สามารถสำรวจพื้นที่หลังการแจกแจง (posterior exploration) ของรูปทรงเรขาคณิตแบบหลายระดับที่มีลักษณะเป็นกรวย (funnel-shaped geometries) ได้อย่างมีประสิทธิภาพ ซึ่งวิธีการ MCMC แบบมาตรฐานมักประสบปัญหา
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo for Hierarchical Models. ScholarGate. https://scholargate.app/th/bayesian/hierarchical-hamiltonian-monte-carlo
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การถดถอยแบบเบย์ (Bayesian Regression)เบย์↔ เปรียบเทียบ
- Hamiltonian Monte Carloเบย์↔ เปรียบเทียบ
- การอนุมานแบบเบย์ตามลำดับชั้นเบย์↔ เปรียบเทียบ
- Hierarchical Markov Chain Monte Carloเบย์↔ เปรียบเทียบ
- Markov Chain Monte Carlo (MCMC)เบย์↔ เปรียบเทียบ