Робастний Марковський ланцюг Монте-Карло
Робастний MCMC поєднує семплювання Марковських ланцюгів Монте-Карло з методами робастності для отримання надійних апостеріорних висновків, коли дані містять викиди, коли припущена модель неправильно специфікована, або коли цільовий розподіл має важкі хвости, що призводить до поганого змішування стандартних семплерів або спотворених оцінок.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/uk/bayesian/robust-markov-chain-monte-carlo
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Гіббсівський відбір (Gibbs Sampling)Баєсові методи↔ порівняти
- Гамільтонів Монте-КарлоБаєсові методи↔ порівняти
- Метод Монте-Карло на основі ланцюгів Маркова (MCMC)Баєсові методи↔ порівняти
- Робастне байєсіанське висновуванняБаєсові методи↔ порівняти
- Послідовний Монте-КарлоБаєсові методи↔ порівняти
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →