ฉันไม่ใช่ผู้เชี่ยวชาญในเรื่องเหล่านี้ แต่ฉันคิดว่าฉันจะพาพวกเขาไปที่นั่นเพื่อดูว่าชุมชนคิดอย่างไร ยินดีต้อนรับการแก้ไข
วิธีการหนึ่งที่ได้รับความนิยมมากขึ้นซึ่งไม่ได้นำไปใช้อย่างตรงไปตรงมาเรียกว่าHamiltonian Monte Carlo (หรือบางครั้ง Hybrid Monte Carlo) มันใช้แบบจำลองทางกายภาพที่มีศักยภาพและพลังงานจลน์เพื่อจำลองลูกบอลกลิ้งไปรอบ ๆ พื้นที่พารามิเตอร์ดังที่อธิบายไว้ในบทความนี้โดย Radford Neal แบบจำลองทางกายภาพใช้ทรัพยากรการคำนวณในปริมาณที่พอสมควรดังนั้นคุณมักจะได้รับการอัพเดทน้อยลง แต่การปรับปรุงมีความสัมพันธ์น้อยกว่า HMC เป็นเครื่องมือที่อยู่เบื้องหลังซอฟต์แวร์STANใหม่ที่ได้รับการพัฒนาให้เป็นทางเลือกที่มีประสิทธิภาพและยืดหยุ่นมากขึ้นสำหรับ BUGS หรือ JAGS สำหรับการสร้างแบบจำลองทางสถิติ
นอกจากนี้ยังมีวิธีการทั้งหมดที่เกี่ยวข้องกับ "การทำให้ร้อนขึ้น" ห่วงโซ่มาร์คอฟซึ่งคุณสามารถคิดได้ว่าเป็นการแนะนำสัญญาณรบกวนความร้อนให้กับแบบจำลองและเพิ่มโอกาสในการสุ่มตัวอย่างสถานะความน่าจะเป็นต่ำ จากภาพรวมแรกดูเหมือนว่าเป็นความคิดที่ไม่ดีเนื่องจากคุณต้องการให้แบบจำลองตัวอย่างตามสัดส่วนของความน่าจะเป็นหลัง แต่จริงๆแล้วคุณใช้สถานะ "ร้อน" เท่านั้นเพื่อช่วยให้การผสมโซ่ดีขึ้น ตัวอย่างจริงจะถูกรวบรวมก็ต่อเมื่อโซ่อยู่ที่อุณหภูมิ "ปกติ" หากคุณทำอย่างถูกต้องคุณสามารถใช้เชนที่มีอุณหภูมิสูงเพื่อค้นหาโหมดที่เชนปกติจะไม่สามารถไปถึงได้เนื่องจากหุบเขาขนาดใหญ่ที่มีความน่าจะเป็นต่ำจะปิดกั้นการเปลี่ยนผ่านจากโหมดสู่โหมด ตัวอย่างบางส่วนของวิธีการเหล่านี้ ได้แก่Metropolis คู่ MCMC ,, การแบ่งเบาบรรเทาขนานและอบสุ่มตัวอย่างสำคัญ
ในที่สุดคุณสามารถใช้การเรียงลำดับมอนติคาร์โลหรือการกรองอนุภาคเมื่ออัตราการปฏิเสธมีค่าสูงจนวิธีการเหล่านี้ทั้งหมดล้มเหลว ฉันรู้น้อยที่สุดเกี่ยวกับวิธีการตระกูลนี้ดังนั้นคำอธิบายของฉันอาจไม่ถูกต้องที่นี่แต่ความเข้าใจของฉันก็คือมันใช้งานได้เช่นนี้ คุณเริ่มต้นด้วยการเรียกใช้ตัวอย่างที่คุณชื่นชอบแม้ว่าโอกาสในการถูกปฏิเสธจะเป็นสิ่งสำคัญ แทนที่จะปฏิเสธตัวอย่างทั้งหมดของคุณคุณเลือกตัวอย่างที่น่ารังเกียจน้อยที่สุดและเริ่มต้นตัวอย่างใหม่จากที่นั่นทำซ้ำกระบวนการจนกว่าคุณจะพบตัวอย่างบางส่วนที่คุณสามารถยอมรับได้จริง จากนั้นคุณกลับไปแก้ไขความจริงที่ว่าตัวอย่างของคุณไม่ใช่แบบสุ่มเพราะคุณไม่ได้เริ่มต้นกลุ่มตัวอย่างจากสถานที่สุ่ม
หวังว่านี่จะช่วยได้