Sequential Monte Carlo with Missing Data
Sequential Monte Carlo (SMC) ที่มีข้อมูลสูญหายเป็นการขยายตัวกรองอนุภาคมาตรฐานไปยังแบบจำลองปริภูมิสถานะที่การสังเกตบางส่วนขาดหายไป เมื่อการสังเกตขาดหายไปในขั้นตอนเวลาที่กำหนด ขั้นตอนการปรับปรุงจะถูกข้ามไป: อนุภาคจะถูกส่งผ่านไปข้างหน้าผ่านแบบจำลองการเปลี่ยนแปลงโดยไม่มีการถ่วงน้ำหนักใหม่ ซึ่งรักษาการอนุมานแบบเบย์ที่แม่นยำภายใต้รูปแบบข้อมูลที่ขาดหายไปใด ๆ ตราบใดที่การขาดหายไปนั้นไม่ส่งผลกระทบ (ขาดหายไปแบบสุ่ม หรือขาดหายไปแบบสุ่มสมบูรณ์)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. DOI: 10.1007/978-3-030-47845-2 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/th/bayesian/sequential-monte-carlo-with-missing-data
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.
- การอนุมานแบบเบย์สำหรับข้อมูลที่ขาดหายเบย์↔ compare
- มอนติคาร์โลลำดับพลวัตเบย์↔ compare
- Gibbs Sampling with Missing Dataเบย์↔ compare
- Kalman Filter with Missing Dataเบย์↔ compare
- Particle Filter (Sequential Monte Carlo)เบย์↔ compare
- Sequential Monte Carloเบย์↔ compare