Sıralı Monte Carlo
Sequential Monte Carlo Methods · Ayrıca şöyle bilinir: SMC, particle filter, sequential importance resampling, SMC sampler
Sıralı Monte Carlo (SMC), parçacık adı verilen ağırlıklı rastgele çizimlerden oluşan bir bulutu yayarak ve yeniden ağırlıklandırarak gelişen olasılık dağılımlarını yaklaştıran simülasyon tabanlı bir algoritma ailesidir. Doğrusal olmayan, Gauss-olmayan modelleri ve veri akışlarını doğal olarak ele alır, bu da onu gerçek zamanlı durum tahmini ve karmaşık dağılımlar üzerinden sonsal yaklaşım için tercih edilen yöntem haline getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+39 tane daha
Ne zaman kullanılır
Model doğrusal olmayan olduğunda veya gürültü Gauss-olmayan olduğunda ve bu nedenle Kalman filtresi uygulanamadığında; veriler sıralı olarak geldiğinde ve sonsal çevrimiçi olarak güncellenmesi gerektiğinde; veya hedef dağılım çok modlu olduğunda ve MCMC zincirleri kötü karışım yaptığında SMC kullanın. SMC örnekleyicileri (Del Moral ve ark. tarafından statik uzantı), karmaşık sonsallar üzerinde çevrimdışı Bayes hesaplaması için de etkilidir. Durum boyutu çok yüksek olduğunda (parçacık dejenerasyonu boyutla üstel olarak kötüleşir), model doğrusal-Gauss olduğunda (bunun yerine Kalman filtresini kullanın) veya veri kümesi küçük ve statik olduğunda (standart MCMC daha basit ve daha verimlidir) SMC'den kaçının.
Güçlü yönler & sınırlılıklar
- Model yapısında bir yaklaştırma olmaksızın doğrusal olmayan dinamikleri ve Gauss-olmayan gürültüyü ele alır.
- Sıralı, çevrimiçi bir tahmin üretir: her yeni gözlem geldiğinde sonsal güncellenir.
- Doğal olarak paralelleştirilebilir — parçacıklar yeniden örnekleme adımları arasında bağımsızdır.
- Marjinal olabilirlik (kanıt) için tutarlı tahminler sağlar, bu da Bayes faktörleri aracılığıyla model karşılaştırmasını mümkün kılar.
- R-hat gibi yakınsama tanıları gerekmez; kalite, parçacık sayısı N ile belirlenir.
- Durum boyutu büyüdükçe parçacık dejenerasyonundan muzdariptir: gereken parçacık sayısı boyutla üstel olarak artar.
- Öneri dağılımı q'nun seçimi verimliliği güçlü bir şekilde etkiler; kötü bir öneri parçacıkları boşa harcar ve varyansı şişirir.
- Yeniden örnekleme örneklem varyansı getirir ve aşırı yapıldığında parçacık fakirleşmesine (çeşitlilik kaybı) neden olabilir.
- Nokta tahminleri O(1/sqrt(N)) oranında yakınsar; yüksek doğruluk, çok sayıda parçacık ve önemli hesaplama gerektirir.
SSS
SMC ve MCMC arasındaki fark nedir?
MCMC, sabit bir hedef sonsala yakınsayan bir Markov zinciri üretir; hepsi bir anda mevcut olan statik problemler için tasarlanmıştır. SMC, parçacık sürüsünü paralel olarak yayar ve zamanla veri gelen sıralı veya çevrimiçi ayarlar için tasarlanmıştır. SMC ayrıca MCMC'nin yapmadığı marjinal olabilirlik için yansız bir tahmin sağlar. SMC örnekleyicileri statik problemler için de kullanılabilir, genellikle MCMC'den daha iyi çok modlu kapsama alanı ile.
Kaç parçacığa ihtiyacım var?
Evrensel bir kural yoktur. Başlangıç noktası olarak N = 1000 kullanın ve zaman içinde ESS'yi kontrol edin. ESS kronik olarak N/2'nin altına düşerse, N'yi ikiye katlayın. Yüksek boyutlu durumlar için gereksinimler dik bir şekilde artar ve N'yi artırmanın yanı sıra alternatif yaklaşımlar (Rao-Blackwellleştirme, boyut azaltma) düşünülmelidir.
Yeniden örnekleme neden gereklidir ve dezavantajları nelerdir?
Yeniden örnekleme olmadan, önem ağırlıkları zamanla bozulur, ta ki tek bir parçacık tüm ağırlığı taşıyana ve yaklaşım çökene kadar. Yeniden örnekleme, düşük ağırlıklı parçacıkları öldürür ve yüksek ağırlıklı olanları çoğaltır, temsilci çeşitliliği korur. Dezavantajı, yeniden örneklemenin Monte Carlo varyansı getirmesi ve parçacık fakirleşmesine neden olabilmesidir. Yeniden örneklemeyi yalnızca ESS bir eşiğin altına düştüğünde tetiklemek (adaptif yeniden örnekleme) standart azaltmadır.
SMC'yi Kalman filtresi yerine ne zaman kullanmalıyım?
Modeliniz doğrusal ve tüm gürültü Gauss olduğunda Kalman filtresini kullanın — kesin ve hesaplama açısından ucuzdur. Dinamikler doğrusal olmayan veya gürültü Gauss-olmayan olduğunda, Kalman filtresi doğrusallaştırma (EKF) veya sigma-nokta yaklaşımı (UKF) gerektirir, her ikisi de yanlış olabilir. SMC böyle bir yaklaşım yapmaz ve daha yüksek hesaplama maliyetiyle daha doğru olacaktır.
Parçacık filtresi nedir?
Parçacık filtresi, gözlemlerin sıralı olarak geldiği ve hedefin gizli bir durumu izlemek olduğu durum-uzay modellerine uygulanan SMC'nin en yaygın adıdır. 'Parçacık filtresi' ve 'SMC' terimleri genellikle birbirinin yerine kullanılır; 'SMC örnekleyici' özellikle Del Moral ve ark. (2006) tarafından tanıtılan statik sonsal hesaplama için çevrimdışı varyantı ifade eder.
Kaynaklar
- Gordon, N. J., Salmond, D. J., & Smith, A. F. M. (1993). Novel approach to nonlinear/non-Gaussian Bayesian state estimation. IEE Proceedings F - Radar and Signal Processing, 140(2), 107–113. DOI: 10.1049/ip-f-2.1993.0015 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/tr/bayesian/sequential-monte-carlo
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Yaklaşık Bayesci HesaplamaSimülasyon↔ karşılaştır
- Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Hamiltonian Monte CarloBayesçi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Markov Chain Monte Carlo (MCMC)Bayesçi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır