이와 같은 문제는 블록이 전체 100비트 벡터를 한 번에 샘플링하여 해결할 수 있습니다. (100비트 벡터가 더 큰 변수 집합의 일부라고 가정합니다. 이 벡터가 샘플링되는 유일한 것이라면 블록 샘플링은 Gibbs 샘플링을 전혀 수행하지 않는 것과 동일하며, 이는 가설에 의해 어려울 것입니다.) Gibbs 샘플링의 한 변종은 블록에서 두 개 이상의 변수를 함께 그룹화하고 다른 모든 변수에 조건이 있는 이러한 변수의 조인트 분포에서 샘플링하여 이 블록을 업데이트하는 Gibbs 샘플링이 차단됩니다. 블록에서 한 번에 더 많은 변수를 업데이트하는 것이 유용합니다. 모든 변수를 포함하는 블록에서 샘플링할 수 있다면 에서 직접 샘플링할 수 있는 제한 사례를 고려하십시오. 감독 학습, 감독되지 않은 학습 및 반 감독 학습 (누락 된 값으로 학습이라고도 함)은 값이 알려진 모든 변수의 값을 수정하고 나머지에서 샘플링하여 모두 처리 할 수 있습니다. JAGS (그냥 다른 깁스 샘플러) 마르코프 체인 몬테 카를로를 사용하여 베이지안 계층 모델의 분석을위한 GPL 프로그램입니다. 위키백과에서: «깁스 샘플링의 목표는 $P 분포를 근사화하는 것입니다(mathbf{Z}}mathbf{W};alpha,beta)$» 표기는 위키 사이트 또는 원본 논문에서 찾을 수 있습니다. 깁스 샘플링은 기본 화신에서 메트로폴리스-헤이스팅스 알고리즘의 특별한 경우입니다. Gibbs 샘플링의 요점은 다변량 분포를 감안할 때 조인트 분포를 통합하여 소외시키는 것보다 조건부 분포에서 샘플링하는 것이 더 간단하다는 것입니다.

공동 분포 p에서 k {displaystyle left.kright.} X =(x 1 , … … n) {디스플레이 스타일mathbf {X} =(x_{1}, 도트, x_{n})}}를 공동 분포 p에서 구를 얻으려고 한다고 가정합니다. i {displaystyle i} th 샘플을 X (i) = (x 1 )로 표시합니다. 우리는 다음과 같이 진행 : 이러한 잠재 Dirichlet 할당 및 자연어 처리에 사용되는 다양한 다른 모델과 같은 범주 변수와 계층 베이지안 모델에서, 일반적으로 Dirichlet 분포를 축소하는 것이 매우 일반적이다 범주형 변수에 대한 이전 분포로 사용됩니다. 이 붕괴의 결과는 이전에 주어진 Dirichlet에 종속된 모든 범주형 변수 들 간의 종속성을 도입하고, 붕괴 후 이러한 변수의 공동 분포는 Dirichlet 다항 분포입니다. 이 분포에서 지정된 범주형 변수의 조건부 분포는 다른 분포에 따라 조건이 지정되어 축소가 수행되지 않은 경우보다 Gibbs 샘플링을 훨씬 쉽게 만드는 매우 간단한 형태를 가정합니다. 규칙은 다음과 같습니다: 축소된 노드 자체의 자식 노드에 자식이 있는 경우 그래프의 다른 모든 노드가 주어진 이러한 자식 노드 중 하나의 조건부 분포는 이러한 두 번째 수준의 분포를 고려해야 합니다. 어린이. 특히, 결과 조건부 분포는 위에 정의된 화합물 분포의 곱과 부모를 부여한 모든 자식 노드의 조건부 분포에 비례합니다(하지만 자신의 자식은 제공되지 않음). 이는 전체 조건부 분포가 관절 분포에 비례한다는 사실에서 따릅니다.

축소된 노드의 자식 노드가 연속적인 경우 이 분포는 일반적으로 알려진 양식이 아니며, 잘 알려지지 않은 경우 위에서 설명한 것과 동일한 이유로 닫힌 양식을 작성할 수 있음에도 불구하고 샘플링하기 어려울 수 있습니다. 복합 분포. 그러나 자식 노드가 불연속인 경우 이러한 자식 노드의 자식이 연속인지 불연속인지여부에 관계없이 샘플링이 가능합니다.