Hamiltonian Monte Carlo ทำงานได้ดีกับการกระจายเป้าหมายอย่างต่อเนื่องด้วยรูปร่าง "แปลก" มันต้องการการกระจายเป้าหมายที่แตกต่างกันเพราะมันใช้ความชันของการกระจายเป้าหมายเพื่อรู้ว่าจะไปที่ไหน ตัวอย่างที่สมบูรณ์แบบคือฟังก์ชั่นรูปกล้วย
นี่คือมหานครมาตรฐาน Hastings ในฟังก์ชั่น Banana: อัตราการยอมรับ 66% และความคุ้มครองที่แย่มาก
นี่คือ HMC: การยอมรับ 99% พร้อมความครอบคลุมที่ดี
P( θ | y1),P( θ | y1, y2),. . .,P( θ |y1,y2, . . . , yยังไม่มีข้อความ)
ตัวอย่างเช่นลำดับนี้เป็นเป้าหมายที่ยอดเยี่ยมสำหรับ SMC:
ลักษณะแบบขนานของ SMC ทำให้เหมาะอย่างยิ่งสำหรับการคำนวณแบบกระจาย / แบบขนาน
สรุป:
- HMC: ดีสำหรับเป้าหมายแปลกยาว ไม่ทำงานกับฟังก์ชั่นที่ไม่ต่อเนื่อง
- SMC: ดีสำหรับกรณีต่อเนื่องหลายรูปแบบและไม่ต่อเนื่อง อาจมาบรรจบกันช้ากว่าหรือใช้พลังการประมวลผลมากขึ้นสำหรับรูปร่างประหลาดที่มีมิติสูง
ที่มา: ภาพส่วนใหญ่มาจากกระดาษที่ฉันเขียนรวม 2 วิธี (Hamiltonian Sequential Monte Carlo) ชุดค่าผสมนี้สามารถจำลองการกระจายตัวใด ๆ ที่เราสามารถทำได้แม้ในมิติที่สูงมาก