আমি এগুলির কোনওটিতেই বিশেষজ্ঞ নই, তবে আমি ভেবেছিলাম সম্প্রদায়টি কী চিন্তা করছে তা দেখার জন্য আমি সেগুলি যেভাবেই সেখানে রেখে দেব। সংশোধন স্বাগত।
একটি ক্রমবর্ধমান জনপ্রিয় পদ্ধতি, যা বাস্তবায়নের পক্ষে মারাত্মক সোজা নয়, তাকে হ্যামিলটোনিয়ান মন্টি কার্লো (বা কখনও কখনও হাইব্রিড মন্টি কার্লো) বলা হয়। র্যাডফোর্ড নিয়ালের এই গবেষণাপত্রে বর্ণিত প্যারামিটারের জায়গার চারপাশে একটি বল রোলিংয়ের অনুকরণে এটি সম্ভাব্য এবং গতিময় শক্তির সাথে একটি শারীরিক মডেল ব্যবহার করে। শারীরিক মডেলটি গণনা মূলক সংস্থাগুলিতে মোটামুটি পরিমাণ নেয়, তাই আপনি অনেকগুলি কম আপডেট পেতে চান তবে আপডেটগুলি কম সংযুক্ত থাকে। এইচএমসি হ'ল নতুন স্ট্যান সফটওয়্যারটির পেছনের ইঞ্জিন যা পরিসংখ্যানগত মডেলিংয়ের জন্য বিইউজিএস বা জেজিএসের আরও দক্ষ ও নমনীয় বিকল্প হিসাবে বিকশিত হচ্ছে।
মার্কোভ চেইনকে "গরম করা" জড়িত এমন একটি পদ্ধতিগুলির পুরো গোষ্ঠীটিও রয়েছে, যা আপনি মডেলটির সাথে তাপের শব্দটি প্রবর্তন এবং কম সম্ভাবনার অবস্থার নমুনা গ্রহণের সম্ভাবনা বাড়ানোর কথা ভাবতে পারেন। প্রথম নজরে, এটি একটি খারাপ ধারণা বলে মনে হচ্ছে, যেহেতু আপনি মডেলটি উত্তরোত্তর সম্ভাবনার অনুপাতে নমুনা করতে চান। তবে আপনি আসলে কেবলমাত্র "গরম" রাজ্যগুলি ব্যবহার করে চেইনের মিশ্রণটিকে আরও ভালভাবে সহায়তা করতে পারেন। চেইনটি যখন তার "স্বাভাবিক" তাপমাত্রায় থাকে তখন প্রকৃত নমুনাগুলি কেবলমাত্র সংগ্রহ করা হয়। আপনি যদি এটি সঠিকভাবে করেন, আপনি মোড থেকে মোডে রূপান্তরটি আটকাতে কম সম্ভাবনার বৃহত উপত্যকাগুলির কারণে কোনও সাধারণ শৃঙ্খলে যেতে সক্ষম হবে না এমন মোডগুলি সন্ধান করতে আপনি উত্তপ্ত চেইনগুলি ব্যবহার করতে পারেন। এই পদ্ধতির কয়েকটি উদাহরণের মধ্যে রয়েছে মেট্রোপলিস-মিলিত এমসিসিএম ,, সমান্তরাল টেম্পারিং , এবং annealed গুরুত্ব নমুনা ।
অবশেষে, আপনি ক্রমিক মন্টি কার্লো বা কণা ফিল্টারিং ব্যবহার করতে পারবেন যখন প্রত্যাখ্যানের হার এত বেশি হবে যে এই সমস্ত পদ্ধতিগুলি ব্যর্থ হয়ে যাবে would এই পদ্ধতির পরিবার সম্পর্কে আমি কমপক্ষে জানি, সুতরাং আমার বিবরণটি এখানে ভুল হতে পারে , তবে আমার বোধগম্য এটি এটির মতো কাজ করে। প্রত্যাখ্যানের সম্ভাবনাগুলি মূলত এক হওয়ার পরেও আপনি আপনার প্রিয় নমুনা চালিয়ে শুরু করেন। আপনার সমস্ত নমুনা প্রত্যাখ্যান করার পরিবর্তে, আপনি সর্বনিম্ন আপত্তিকর চয়ন করুন এবং সেখান থেকে নতুন স্যাম্পেলারগুলি শুরু করুন, প্রক্রিয়াটি পুনরাবৃত্তি করে যতক্ষণ না আপনি কিছু নমুনা সন্ধান করেন যা আপনি প্রকৃতভাবে গ্রহণ করতে পারেন। তারপরে আপনি ফিরে যান এবং আপনার নমুনাগুলি ননরানডম ছিল সেটির জন্য সঠিক হয়ে যান, কারণ আপনি এলোমেলো অবস্থান থেকে আপনার স্যাম্পেলারগুলি শুরু করেন নি।
আশাকরি এটা সাহায্য করবে.