Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Ієрархічна баєсова мережа× | Ієрархічний ланцюг Маркова Монте-Карло× | |
|---|---|---|
| Галузь | Баєсові методи | Баєсові методи |
| Родина | Bayesian methods | Bayesian methods |
| Рік появи≠ | 1990s–2000s | 1990 |
| Автор методу≠ | Koller, Friedman, and colleagues | Gelfand & Smith (1990), building on Geman & Geman (1984) |
| Тип≠ | probabilistic graphical model | Bayesian computational sampler |
| Основоположне джерело≠ | Koller, D. & Friedman, N. (2009). Probabilistic Graphical Models: Principles and Techniques. MIT Press. ISBN: 978-0262013192 | 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 |
| Інші назви | HBN, layered Bayesian network, multi-level Bayesian network, hierarchical probabilistic graphical model | hierarchical MCMC, MCMC for multilevel models, Bayesian hierarchical MCMC, multilevel MCMC sampling |
| Пов'язані | 6 | 6 |
| Підсумок≠ | A hierarchical Bayesian network is a probabilistic graphical model that organizes variables across multiple levels of abstraction. Higher-level nodes govern the prior distributions of lower-level nodes through hyperparameters, enabling structured sharing of information across groups, contexts, or data subsets while preserving the directed acyclic graph (DAG) representation of conditional dependencies. | Hierarchical Markov chain Monte Carlo applies MCMC sampling to hierarchical Bayesian models, jointly drawing from the posterior over both observation-level parameters and the hyperparameters that govern them. This allows principled uncertainty propagation across all levels of a multilevel structure, from individuals to groups to population, using algorithms such as Gibbs sampling, Metropolis-Hastings, or Hamiltonian Monte Carlo. |
| ScholarGateНабір даних ↗ |
|
|