Chuỗi Markov Monte Carlo Mạnh mẽ
MCMC Mạnh mẽ kết hợp lấy mẫu chuỗi Markov Monte Carlo với các kỹ thuật mạnh mẽ để đưa ra suy luận hậu nghiệm đáng tin cậy khi dữ liệu chứa các điểm ngoại lai, khi mô hình giả định bị chỉ định sai, hoặc khi phân phối mục tiêu có đuôi nặng khiến các bộ lấy mẫu tiêu chuẩn trộn lẫn kém hoặc đưa ra các ước lượng bị sai lệch.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Bản đồ phương pháp
Lân cận của các phương pháp liên quan — chọn một nút để khám phá.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/vi/bayesian/robust-markov-chain-monte-carlo
Phương pháp nào?
Đặt phương pháp này bên cạnh những phương pháp gần gũi nhất với nó và đọc chúng song song — thư viện bày sách lên bàn; lựa chọn là của bạn.
- Lấy mẫu GibbsBayes↔ so sánh
- Hamiltonian Monte CarloBayes↔ so sánh
- Chuỗi Markov Monte Carlo (MCMC)Bayes↔ so sánh
- Suy luận Bayes mạnh mẽBayes↔ so sánh
- Monte Carlo Tuần tựBayes↔ so sánh
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →