Markov Chain Monte Carlo (MCMC) แบบทนทาน
Robust MCMC เป็นการผสมผสานเทคนิคการสุ่มตัวอย่างแบบ Markov chain Monte Carlo (MCMC) เข้ากับเทคนิคความทนทาน (robustness) เพื่อให้ได้ผลการอนุมานภายหลัง (posterior inference) ที่น่าเชื่อถือ เมื่อข้อมูลมีค่าผิดปกติ (outliers) เมื่อแบบจำลองที่สมมติขึ้นมีความคลาดเคลื่อน (misspecified) หรือเมื่อการแจกแจงเป้าหมายมีหางที่หนัก (heavy tails) ซึ่งทำให้ตัวสุ่มมาตรฐาน (standard samplers) มีการผสมผสานที่แย่ (mix poorly) หรือให้ค่าประมาณที่บิดเบือน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- Roberts, G. O. & Rosenthal, J. S. (2004). General state space Markov chains and MCMC algorithms. Probability Surveys, 1, 20–71. DOI: 10.1214/154957804100000024 ↗
- Barp, A., Kennedy, C., Durmus, A. & Girolami, M. (2022). Targeted separation and convergence with kernel discrepancies. arXiv preprint. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/th/bayesian/robust-markov-chain-monte-carlo
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การสุ่มตัวอย่างแบบกิบบส์เบย์↔ เปรียบเทียบ
- Hamiltonian Monte Carloเบย์↔ เปรียบเทียบ
- Markov Chain Monte Carlo (MCMC)เบย์↔ เปรียบเทียบ
- การอนุมานแบบเบย์ที่คงทนเบย์↔ เปรียบเทียบ
- Sequential Monte Carloเบย์↔ เปรียบเทียบ