Bunların hiçbirinde uzman değilim, ama yine de topluluğun ne düşündüğünü görmek için onları oraya koyacağımı düşündüm. Düzeltmeler kabul edilir.
Uygulanması son derece kolay olmayan ve giderek daha popüler olan yöntemlerden birine Hamiltonian Monte Carlo (ya da bazen Hybrid Monte Carlo) denir . Radford Neal'in bu makalesinde anlatıldığı gibi, parametre alanı etrafında dönen bir bilyeyi simüle etmek için potansiyel ve kinetik enerjili bir fiziksel model kullanır . Fiziksel model oldukça fazla miktarda hesaplama kaynağı gerektirir, bu nedenle daha az sayıda güncelleme elde etme eğilimindesiniz, ancak güncellemeler daha az ilişkilendirilme eğilimindedir. HMC, istatistiksel modelleme için BUGS veya JAGS'a daha verimli ve esnek bir alternatif olarak geliştirilen yeni STAN yazılımının arkasındaki motordur.
Ayrıca, modele termal gürültü eklemek ve düşük olasılıklı örnekleme şansını artırmak olarak düşünebileceğiniz Markov zincirini "ısıtmayı" içeren bir dizi yöntem vardır. İlk bakışta, bu kötü bir fikir gibi görünüyor, çünkü modelin arka olasılıkla orantılı olarak örneklemesini istiyorsunuz. Ama aslında sadece zincirin daha iyi karışmasına yardımcı olmak için "sıcak" durumları kullanmanız yeterli. Gerçek örnekler sadece zincir "normal" sıcaklıktayken toplanır. Doğru yaparsanız, sıradan bir zincirin elde edemeyeceği modları bulmak için moddan moda geçişi engelleyen düşük olasılıklı büyük vadiler nedeniyle ısıtılmış zincirleri kullanabilirsiniz. Bu yöntemlerin birkaç örneği, Metropolis ile birleşmiş MCMC’yi ,, paralel tavlama ve tavlanmış önemi örnekleme .
Son olarak, reddetme oranı bu diğer yöntemlerin başarısız olacağı kadar yüksek olduğunda ardışık Monte Carlo veya parçacık filtreleme kullanabilirsiniz . Bu yöntem ailesi hakkında en az bilgim var, bu yüzden açıklamam burada yanlış olabilir , ancak benim anladığım da bu şekilde çalışması. Reddetme şansı esasen bir olsa bile, favori örnekleyicinizi çalıştırarak işe başlarsınız. Tüm numunelerinizi reddetmek yerine, en az sakıncalı olanları seçersiniz ve oradan yeni örnekleyicileri başlatırsınız, işlemi gerçekten kabul edebileceğiniz bazı örnekleri bulana kadar tekrarlayın. Daha sonra geri dönüp numunelerinizin eski olmadığından emin olun, çünkü örnekleyicileri rastgele konumlardan başlatmadınız.
Bu yardımcı olur umarım.