Hamiltonian Monte Carlo "tuhaf" şekillerle sürekli hedef dağılımları ile iyi bir performans sergiliyor. Hedef dağılımın eğimini kullandığı için temel olarak nereye gideceğini bilmek için hedef dağılımının farklılaştırılmasını gerektirir. En mükemmel örnek muz şeklindeki bir fonksiyondur.
İşte bir Banana fonksiyonunda standart bir Metropolis Hastings:% 66 kabul oranı ve çok düşük kapsam.
İşte HMC'de: İyi kapsama ile% 99 kabul.
SMC (Partikül Filtreleme'nin arkasındaki yöntem), hedef dağılım multimodal olduğunda, özellikle kütleli birkaç ayrı alan varsa, neredeyse rakipsizdir. Bir mod içinde bir Markov Zinciri sıkışmış yerine, paralel olarak çalışan birkaç Markov zinciriniz var. Bunu , genellikle artan keskinliği gösteren bir dağılım dizisini tahmin etmek için kullandığınızı unutmayın . Simüle edilmiş tavlama gibi bir şey kullanarak artan keskinliği elde edebilirsiniz (hedefe giderek artan bir artış katsayısı koyun). Veya tipik olarak, bir Bayesian bağlamında, dağılımların dizisi posteriorların dizisidir:
P( θ | y1),P( θ | y1, y2),. . .,P( θ | y1, y2, . . . , yN-)
Örneğin, bu dizi SMC için mükemmel bir hedeftir:
SMC'nin paralel doğası, özellikle dağınık / paralel hesaplamalar için uygun olmasını sağlar.
Özet:
- HMC: Uzun tuhaf hedef için iyi. Sürekli olmayan işlevlerle çalışmaz.
- SMC: Çok modlu ve sürekli olmayan durumlar için iyi. Daha yavaş birleşebilir veya yüksek boyutlu tuhaf şekiller için daha fazla hesaplama gücü kullanabilirsiniz.
Kaynak: Görüntülerin çoğu , 2 Yöntemi (Hamiltonian Sequential Monte Carlo) birleştiren bir makaleden geliyor . Bu kombinasyon, çok yüksek boyutlarda bile, fırlatabileceğimiz herhangi bir dağılımı simüle edebilir.