Simulating conditionally specified models

سیستم های کارشناسانه به طور منظم از استدلال شرطی استفاده می کنند. مدل های آماری مشخص شده به صورت شرطی مزایای متعددی نسبت به مدل های مشترک ارائه می دهند؛ یکی از این است که نمونه گیری گیبس می تواند برای تحقق مدل ها استفاده شود. به عنوان یک نتیجه، مشخصه شرطی کامل برای تقلب چندگانه به دست آوردن محبوبیت است، زیرا آن انعطاف پذیر و محاسباتی ساده است. با این حال، محدودیت لازم است که هر رگرسیون / طبقه بندی باید تمام متغیرها را شامل شود. انتخاب ویژگی اغلب برخی از متغیرها را از مجموعه ای از پیش بینی کننده ها حذف می کند، بنابراین رگرسیون محلی می شود. مخلوطی از شرایط کامل و محلی به عنوان یک نمونه گیبس نمونه ای فرو می ریزد که اغلب به دلیل کاهش تهویه به همگرایی سریع تر می رسد. با این وجود، اجرای آن نیاز به انتخاب یک سفارش اسکن درست دارد. با استفاده از یک دستور اسکن نامعتبر، یک هسته انتقال نادرست به ارمغان می آورد که منجر به توزیع اشتباه استثنایی می شود. ما یک شرط لازم و کافی برای نمونه برداری گیبس را ثابت می کنیم تا توزیع مشترک را به درستی نمونه برداری کنیم. ما یک الگوریتم پیشنهاد می کنیم که همه مدارک معتبر اسکن را برای یک مدل مشروط داده شده مشخص می کند. الگوریتم جستجوی پیشین بحث شده است. بررسی سازگاری در میان مشکالت مناطق مختلف نیز مورد بحث قرار گرفته است.