Controlled Discovery and Localization of Signals via Bayesian Linear Programming
科学家往往必须同时定位和发现信号。例如,在基因精细定位中,附近遗传变异之间的高度相关性使得难以确定因果变异的确切位置。因此,统计任务是输出尽可能多的包含信号的不相交区域,每个区域尽可能小,同时控制误报。类似的问题出现在任何应用中,信号不能完美地定位,如定位恒星在天文调查和变化点检测序列数据。这些问题的常见贝叶斯方法涉及计算信号位置的后验分布。然而,现有的将这些后验转换为信号的实际可信区域的程序无法捕获后验中的所有信息,导致较低的功率和(有时)膨胀的错误发现。基于这种动机,我们引入贝叶斯线性规划(BLiP)。给定信号上的后验分布,BLiP输出信号的可信区域,其可验证地接近最大化期望功率,同时控制误报。BLiP克服了一个非常高维和非凸的问题,可验证的几乎最大化预期的权力,同时控制误报。与计算后验的成本相比,BLiP在计算上非常高效,几乎可以包裹任何贝叶斯模型和算法。将BLiP应用于现有的英国生物银行数据(用于遗传精细映射)和斯隆数字巡天(用于天文点源探测)的最先进分析,只需几分钟的额外计算,就可以将功率提高30-120%。BLiP是在pyblip(Python)和blipr(R)中实现的。
2023-01-28 stat.ME
Robust Bayesian FDR Control using Bayes Factors, with Applications to Multi-tissue eQTL Discovery
基于基因组学在表达量性状基因座(eQTL)定位中的应用,本文提出了一种新的方法,以贝叶斯因子作为输入检验统计量进行多个假设的同时检验。该方法的一个最显著的特点是它的鲁棒性,即使在参数替代模型的误指定下,也能控制目标错误发现率(FDR)。此外,所提出的程序是高度计算效率,这是理想的处理复杂系统和大数据的基因组应用。我们讨论了新的程序的理论特性,并证明了它的权力和计算效率在单组织和多组织eQTL定位的应用。
2016-06-08 stat.AP stat.ME
A Bayesian framework with adaptive elastic nets for the inference of Gaussian graphical models
MIA AgroParisTech, INRAE, Université Paris-Saclay(巴黎综合理工学校农业信息学团队,法国国家农业食品与环境研究院,巴黎萨克雷大学)
本文提出一种贝叶斯框架,通过自适应弹性网络和变分期望-最大化算法,实现高维高斯图的条件独立性图推断,控制虚假发现率并保持高检测力。
2026-04-20 math.ST stat.ME stat.TH
Adjusted Bayesian inference for selected parameters
我们解决的问题,从贝叶斯的角度来看,查看数据后选择的参数提供推断。我们提出了一个贝叶斯框架,为选定的参数提供推断,根据观察,为选定的参数提供贝叶斯推断是一个截断数据的问题。我们表明,如果参数的先验是非信息的,或者如果参数是一个“固定的”未知常数,那么有必要调整选择的贝叶斯推断。我们的第二个贡献是引入了贝叶斯错误发现率控制方法,它推广了现有的贝叶斯FDR方法,这些方法只定义在两组混合模型中,我们将这些结果应用于模拟数据和来自微阵列实验的数据。
2011-09-15 stat.CO stat.ME
Bayesian Adversarial Privacy
Department of Statistics, University of Warwick, UK(沃里克大学统计系)
本文提出了一种基于贝叶斯决策理论的新型隐私定义,强调在数据被观察时仍从先验视角做出披露决策,以提供更明确和严谨的隐私保护框架。
2026-09-10 cs.CR cs.LG math.ST
Optimal exact tests for composite alternative hypotheses on cross tabulated data
我们提出的方法来构建交叉表列数据的“困难”的复合替代假设,没有自然的检验统计量的确切显着性检验。我们构造了一个发现辛普森悖论的检验和一个发现两个有序变量之间正相关的一般检验。我们的检验是似然比检验的贝叶斯推广,它们对于先验分布是最优的,并且与贝叶斯因子和贝叶斯FDR控制检验过程密切相关。
2013-12-11 stat.ME
Bayesian nonparametric modeling of latent partitions via Stirling-gamma priors
本文提出Stirling-gamma分布作为Dirichlet过程精度参数的新先验,通过理论分析证明其改进的稳健性和共轭性质,并在蚂蚁群落检测应用中验证了方法的有效性。
2024-09-02 math.ST stat.ME stat.TH
Bayesian Ultrahigh-Dimensional Screening Via MCMC
我们探讨了稀疏超高维环境下完全贝叶斯模型选择方法的理论和数值性质,即,$p\gg n$,其中$p$是协变量数量,$n$是样本量。我们的方法包括(1)一个分层贝叶斯模型与一个新的先验放置在模型空间,其中包括一个超参数$t_n$控制模型的大小,和(2)一个有效的MCMC算法的自动和随机搜索的模型。我们的理论表明,当正确指定$t_n$时,所提出的方法产生选择一致性,即,真实模型的后验概率渐近接近1;当错误指定$t_n$时,所选模型仍渐近嵌套在真实模型中。该理论还揭示了选择结果对$t_n$的选择不敏感。在实现中,进一步假设$t_n$具有合理的先验,使得可以随机抽取其样本。我们的方法进行选择,估计,甚至在一个统一的框架推断。不需要额外的预筛分或降维步骤。两个新的$g$ -先验的建议,使我们的方法更灵活。仿真研究显示我们的方法的数值优势。
2013-03-12 math.ST stat.CO stat.ME
Learning and Policy Search in Stochastic Dynamical Systems with Bayesian Neural Networks
Siemens AG(西门子股份公司);Technical University of Munich(慕尼黑工业大学);University of Cambridge(剑桥大学);Harvard University(哈佛大学)
我们提出了一种基于模型的强化学习算法,该算法将贝叶斯神经网络(BNN)与随机推出和随机最优化策略学习相结合。BNN通过最小化$α$ -分歧来训练,使我们能够捕获过渡动态中的复杂统计模式,例如多模态和异方差性,这些通常被其他常见的建模方法所遗漏。我们通过解决一个具有挑战性的基准来说明我们的方法的性能,其中基于模型的方法通常会失败,并通过在现实世界的情况下获得有希望的结果来控制燃气轮机。
2017-03-08 cs.LG stat.ML
Bayesian Knockoff Filter
在许多科学领域中,研究人员感兴趣的是从大量的特征中发现对响应有实质性影响的特征,同时控制错误发现的比例。通过将敲除过程中的贝叶斯框架,我们开发了贝叶斯敲除滤波器(BKF)选择功能,有重要影响的响应。与频率论程序中的固定敲除变量相比,我们允许使用马尔可夫链蒙特卡罗不断更新敲除变量。基于后验样本和详细的贪婪选择过程,我们的方法可以区分真正重要的功能和不重要的贝叶斯错误发现率可以控制在一个理想的水平。对合成数据和真实数据的数值实验表明,我们的BKF优于现有的敲除方法和贝叶斯变量选择方法,即,BKF具有更高的功率并且产生更低的错误发现率。
2023-02-25 stat.ME
PAC-Bayesian Analysis for a two-step Hierarchical Multiview Learning Approach
本文在PAC-Bayesian框架下研究了一个两层多视图学习问题。这种方法有时被称为后期融合,包括在第一级顺序学习多个视图特定分类器,然后在第二级组合这些视图特定分类器。我们的主要理论结果是一个泛化界的风险,多数票表现出一个长期的多样性的预测的特定于视图的分类。从这个结果可以看出,控制多样性和准确性之间的权衡是多视图学习的关键因素,这补充了多视图学习中的其他结果。最后,我们实验我们的原则,从路透社RCV 1/RCV 2收集提取的多视图数据集。
2017-07-13 stat.ML
Error control in the numerical posterior distribution in the Bayesian UQ analysis of a semilinear evolution PDE
我们详细说明了在\cite{christen2018}中获得的结果,用于控制贝叶斯UQ问题的数值后验误差,现在考虑从半线性演化偏微分方程的解所产生的前向映射。\cite{christen2018}中的结果要求对数值前向映射的绝对全局误差(AGE)进行估计。我们的贡献是一个数值方法计算年龄的半线性发展偏微分方程,并显示潜在的适用性\cite{christen2018}在这个重要的广泛的家庭偏微分方程。数值例子来说明所提出的方法的效率,获得数值后验分布的未知参数,是几乎相同的相应的理论后验,通过保持其贝叶斯因子接近1。
2020-11-06 stat.OT
Bayesian testing of linear versus nonlinear effects using Gaussian process priors
提出了一种贝叶斯因子,用于检验关键预测变量对因变量的影响是线性还是非线性的,同时可能控制某些协变量。该检验可用于(i)当人们对量化线性与非线性关系的数据中的相对证据感兴趣时,以及(ii)量化数据中有利于线性关系的证据时(在基于变换变量构建线性模型时有用)。在非线性模型下,采用类似于Zellner的$g$先验的参数化的高斯过程先验,从而得到尺度不变的检验。此外,贝叶斯因子提出了单侧检验的非线性效应是否始终是积极的,始终是消极的,或两者都没有。应用程序提供了从各个领域,包括社会网络研究和教育。
2021-09-15 stat.ME
Robust Bayesian Modeling with Adaptive Posterior FDR Control for Large-Scale Data
Osaka Metropolitan University(大阪公立大学)
本文提出了一种基于厚尾建模的鲁棒贝叶斯方法,用于大规模数据中的FDR控制,并通过后验预测p值检测异常值,同时提出自适应方法确定后验FDR水平,通过结直肠癌基因表达数据验证方法有效性。
2026-03-31 stat.ME
Dynamics of Bayesian Updating with Dependent Data and Misspecified Models
关于无限维参数空间上独立数据或马尔可夫数据的贝叶斯更新的一致性,现在已经有了很多的了解。一致性的必要条件包括先验对数据生成分布的正确邻域赋予足够的权重;各种充分条件以类似于频率论非参数学中的容量控制的方式进一步限制先验。贝叶斯更新与错误指定的模型或先验,或非马尔可夫数据的渐近性,远未得到很好的探讨。在这里,我建立了充分条件后收敛时,所有的假设是错误的,数据有复杂的依赖关系。主要的动力学假设是信息论的渐近均分(Shannon-McMillan-Breiman)性质。这与关于一致收敛性的叶戈罗夫定理一起,让我为先验建立了一个类似筛子的结构。主要的统计假设,也是容量控制的一种形式,涉及先验和数据生成过程的兼容性,控制在筛状集上平均时对数似然的波动。除了后验收敛,我推导出一种大偏差原则的后验措施,在某些情况下延伸到收敛速度,并讨论了预测的优势,使用组合的模型已知是错误的。附录概述了这些结果与进化理论的复制因子动力学之间的联系。
2009-11-13 math.ST q-bio.PE stat.TH
Inference in Bayesian Additive Vector Autoregressive Tree Models
向量自回归(VAR)模型假设内生变量和滞后之间呈线性关系。这种假设可能过于严格,可能对预测准确性产生有害影响。作为一种解决方案,我们提出了结合VAR和贝叶斯加性回归树(BART)模型。由此产生的贝叶斯加性向量自回归树(BAVART)模型是能够捕捉任意的内生变量和协变量之间的非线性关系,而无需太多的输入从研究人员。由于控制异方差是产生精确密度预测的关键,我们的模型允许误差的随机波动。我们将模型应用于两个数据集。第一个应用程序表明,BAVART模型产生了非常有竞争力的预测美国的利率期限结构。在第二个应用中,我们使用中等规模的欧元区数据集来估计我们的模型,以研究不确定性对经济的动态影响。
2021-03-09 econ.EM stat.ML stat.OT
Posterior contraction rates in Sobolev norms and Bayesian derivative estimation for infinite-dimensional exponential families
University of Pavia(帕维亚大学);University of Turin(都灵大学);Collegio Carlo Alberto, Turin(都灵卡洛阿尔贝托学院)
该研究针对无穷维指数族,基于Wasserstein距离的新方法,证明匹配光滑度的先验可实现Sobolev范数下的极小极大最优后验收缩率,并在三类场景中验证了该理论的有效性。
2026-10-06 math.ST stat.ML stat.TH
Bayesian Distilled Clustering for High-Dimensional Mixture Models
Abstract Math Institute(抽象数学研究所)
本文针对高维混合模型提出贝叶斯蒸馏聚类框架,通过贝叶斯变量选择确定协变量子空间并在其上聚类,以识别分布与行为存在差异的潜在亚群,解决高维聚类的噪声干扰问题。
2026-08-10 math.ST stat.ME stat.TH
Bayesian Modular Inference for Copula Models with Potentially Misspecified Marginals
National University of Singapore(新加坡国立大学);Monash University(蒙纳士大学);University of Melbourne(墨尔本大学)
本文提出一种新的Copula SMI方法,通过贝叶斯优化选择影响参数,实现对边缘分布和Copula函数误指定的鲁棒推断,应用于对称性依赖的权益波动与债券收益率的Copula模型。
2026-09-23 econ.EM math.ST stat.ME
A Bayesian framework for genome-wide inference of DNA methylation levels
DNA甲基化是一种重要的表观遗传标记,其在生物过程和疾病中的调节作用已被广泛研究。WGBS允许对DNA甲基化进行全基因组测量,最高可达单碱基分辨率,但在不同生物条件下识别显著不同的甲基化模式方面存在挑战。我们提出了一种新的甲基化组变点模型,它描述了一个案件和对照组的甲基化制度的联合动力学,并考虑到所有可用的样品之间的相邻甲基化位点的信息的好处。我们还设计了粒子滤波和平滑算法来执行潜在的甲基化模式的有效推理。我们说明,我们的方法可以检测和测试非常灵活的差异甲基化签名与高功率,同时控制第一类错误措施。
2022-11-14 q-bio.GN q-bio.QM stat.AP
Sub-linear Regret Bounds for Bayesian Optimisation in Unknown Search Spaces
Applied Artificial Intelligence Institute(应用人工智能研究所);Deakin University(德金大学)
本文提出了一种扩展搜索空间的贝叶斯优化算法,通过超调和级数控制扩展率,实现亚线性 regrets 界限,并在高维空间中验证了其优越性。
2020-11-01 cs.IT cs.LG math.IT
Dynamic Control of Explore/Exploit Trade-Off In Bayesian Optimization
IBM Research(IBM研究院);Hartree Centre(哈特里中心)
贝叶斯优化提供了优化通过传统技术无法访问的黑盒操作的可能性。贝叶斯优化方法的成功与否,如期望改进(EI),很大程度上取决于勘探和开采之间的权衡程度。过多的探索可能导致低效的优化协议,而过多的开发会使协议容易受到强烈的初始偏差的影响,并且很有可能陷入局部最小值。通常,使用恒定裕度来控制这种权衡,这导致另一个超参数被优化。我们提出上下文改进作为一个简单的,但有效的启发式来对付这一点-实现一次性优化策略。我们提出的启发式可以快速计算,提高了发现最优解的速度和鲁棒性。我们证明了它的有效性,在合成和现实世界的问题,并探讨了未知的不确定性,在预先确定的搜索超参数控制探索利用权衡。
2018-07-03 cs.AI cs.LG stat.ML
Data-Free Likelihood-Informed Dimension Reduction of Bayesian Inverse Problems
识别一个低维的知情参数子空间提供了一个可行的路径,以减轻在基于采样的解决方案的大规模贝叶斯逆问题的维数挑战。本文提出了一种新的基于梯度的降维方法,该方法的信息子空间不依赖于数据。这允许在线-离线计算策略,其中在离线阶段检测问题的昂贵的低维结构,这意味着在观察数据之前。这种策略对于多个反演问题特别相关,因为可以重复使用相同的信息子空间。所提出的方法允许控制近似误差(在预期的数据)的后验分布。我们还提出了采样策略,利用知情子空间有效地绘制样本的确切后验分布。该方法成功地说明了两个数值例子:一个基于偏微分方程的反问题与高斯过程的先验和层析成像问题与泊松数据和Besov- $\mathcal{B}^2_{11}$先验。
2021-02-26 cs.NA math.NA stat.CO
Bayesian Online Natural Gradient (BONG)
University of Colorado(科罗拉多大学);MIT(麻省理工学院);Google DeepMind(谷歌DeepMind)
本研究提出基于变分贝叶斯的序列贝叶斯推断新方法BONG,通过仅优化期望对数似然的单步自然梯度下降实现,共轭模型下可恢复精确推断,非共轭场景中性能优于现有在线VB方法且计算成本可控。
2024-10-31 cs.LG stat.CO stat.ML
Bayesian Controlled FDR Variable Selection via Parameter-Expanded Latent Knockoffs
Rice University(莱斯大学);University of Florence(佛罗伦萨大学);University of California at Los Angeles(加州大学洛杉矶分校)
本文提出一种基于参数扩展的贝叶斯FDR变量选择方法,通过构建隐含的knockoff层,利用高斯图模型捕捉协变量的条件独立结构,从而在有限样本中控制FDR。
2026-04-21 math.ST stat.ME stat.TH
Decreasing flow uncertainty in Bayesian inverse problems through Lagrangian drifter control
海洋学中的常见现象是收集海洋漂流者的位置。海洋漂移器是一种位于海洋表面并随水流移动的设备,通过GPS将其位置传输到陆地上的站点。使用漂移数据,可以获得底层流动的后验。然而,这个问题是高度低估的。通过控制海洋漂流物,我们试图提高我们对底层流动的认识。我们通过指示漂流者探索目前未被绘制的部分流动来做到这一点,从而获得新的观察结果。对照的有效性由其对后验分布方差的影响决定。较小的方差被解释为更好地理解流量。我们表明,可以通过利用控制来系统地减少方差,这些控制允许漂流者导航新的或有趣的流动结构,其中一个很好的例子是漩涡。
2014-08-27 stat.CO
Bayesian Analysis of Epidemics - Zombies, Influenza, and other Diseases
流行动力学的数学模型为预测和控制传染病提供了重要的见解。疾病模型的动力学通常遵循易感、感染和恢复(SIR)模型,并进行一些标准修改。在本文中,我们将Munz et.al(2009)关于疾病动力学应用的工作扩展到所谓的“僵尸启示录”,然后将相同的方法应用于流感动力学。与Munz et.al(2009)不同,我们包括从流行文化电影中僵尸的特定片段中获取的数据,并将马尔可夫链蒙特卡罗(MCMC)方法应用于系统的改进动态表示。为了证明这种方法的有用性,除了有趣的例子之外,我们还将相同的方法应用于谷歌流感趋势数据,以确定感染率和恢复率。最后,我们讨论了使用的方法来探讨假设的干预政策,疾病暴发。
2013-11-27 q-bio.PE stat.AP
Bayesian Segmentation of Oceanic SAR Images: Application to Oil Spill Detection
针对SAR图像的海洋分割问题,介绍了贝叶斯监督分割和无监督分割算法。数据项\emph{i.e} .,通过具有给定的预定义数量的分量的伽马密度的有限混合来对给定区域的观测到的反向散射信号的密度进行建模。为了估计类条件密度的参数,提出了一种新的期望最大化算法。先验是一个多层次的逻辑马尔可夫随机场执行本地连续性在统计意义上。控制施加在场景上的均匀度的平滑参数自动估计,通过计算与循环的信念传播的证据,经典的编码和最小二乘拟合方法也被认为是。最大后验分割计算效率最高,通过最近的图形切割技术,即$α$ -扩展算法,扩展的方法,以一个可选的数量的类。模拟图像以及包含石油泄漏的真实ERS和Envisat场景说明了所提出方法的有效性。
2010-07-26 stat.AP
Bayesian Manifold-Constrained-Prior Model for an Experiment to Locate Xce
我们提出了一个新的实验旨在定位的遗传位点Xce(X染色体控制元件),这偏向的随机过程的X失活在小鼠的分析。X失活偏差是一种现象,即胚胎中的细胞随机选择一条亲本染色体进行失活,但对一条亲本染色体表现出平均偏差。通过焦磷酸测序对未表征的亲本与已知载体的小鼠杂交进行等位基因特异性基因表达的测量。我们的贝叶斯分析是适合于这种自适应试验设计,占基因之间的偏差和精度的差异。模型的可识别性是由先验约束到一个流形。我们表明,重新参数化切片采样可以适当地解决一般类的约束先验。我们展示了一个物理模型,基于一个“加权硬币”的假设,预测X-失活率在未经测试的十字架。该模型表明,Xce等位基因的差异是由于称为拷贝数变异的过程,其中较强的Xce等位基因是较短的序列。
2018-12-20 q-bio.GN q-bio.QM stat.AP
Controlling Multiple Errors Simultaneously with a PAC-Bayes Bound
University College London(伦敦大学学院);Inria(法国国家信息与自动化研究所)
针对现有PAC-Bayes泛化界仅支持标量性能指标的局限,提出首个约束M种误差类型的经验与真实概率KL散度的PAC-Bayes界,转化为可微训练目标,可同时控制所有误差加权组合,适配误分类严重程度动态变化的场景。
2024-12-07 cs.LG math.ST stat.ML
Modeling Score Distributions and Continuous Covariates: A Bayesian Approach
Perceptive Automata, Inc.(感知自动机公司);University of Notre Dame(圣母大学);Harvard University(哈佛大学)
计算机视觉从业者必须彻底了解他们的模型的性能,但条件评估是复杂和容易出错的。在生物特征验证中,模型在连续协变量(影响性能的图像实数属性)上的性能研究特别具有挑战性。我们开发了一个生成模型的匹配和非匹配分数分布在连续协变量和现代贝叶斯方法进行推理。我们使用混合模型来捕获任意分布,使用局部基函数来捕获非线性、多变量趋势。三个实验证明了我们的方法的准确性和有效性。首先,我们研究了年龄和人脸验证性能之间的关系,发现以前的方法可能会夸大性能和信心。其次,我们研究了CNN的预处理,并发现了模型性能的高度非线性、多变量表面。我们的方法是准确的和数据效率时,对以前的合成方法进行评估。第三,我们展示了我们的方法的行人跟踪和计算可变阈值和预期的性能,同时控制多个协变量的新应用。
2020-09-21 cs.CV cs.LG stat.ML
The Indian Chefs Process
Université Laval(拉瓦尔大学);Radboud University(拉德堡德大学)
本文介绍了Indian Chefs过程(ICP),一种在无限有向无环图(DAG)和阶的联合空间上的贝叶斯非参数先验,它推广了Indian Buffet过程。正如我们的构造所示,所提出的分布依赖于一个潜在的Beta过程来控制节点的顺序和传出连接概率,并在稀疏无限图上产生一个概率分布。ICP的主要优点比以前提出的贝叶斯非参数先验的DAG结构是其更大的灵活性。据我们所知,ICP是第一个支持所有可能DAG的贝叶斯非参数模型。我们证明了ICP在学习深度生成S形网络以及卷积神经网络的结构上的有用性。
2020-01-29 cs.LG stat.ML
Modular Bayes screening for high-dimensional predictors
在许多应用领域中,随着多维预测因子的常规收集,快速识别有希望的预测因子的小子集的筛选方法已经变得司空见惯。我们提出了一种新的模数贝叶斯筛选(MOBS)方法,其中涉及几个新的特点,可能会导致性能的提高。MOBS首先将贝叶斯混合模型应用于响应的边缘分布,获得混合权重的后验样本、集群特定参数和每个主题的集群分配。然后引入假设检验,对应于是否包括给定的预测因子,每个假设的后验概率可有条件地分析在第一阶段中采样的未知数,并调整控制跨测试的信息借用的参数。通过对第一阶段后验样本进行边缘化,我们避免了两阶段方法中典型的不确定性估计不足。通过使用{ \em模块化},我们大大简化了模型规范,降低了计算复杂度。我们为这种方法提供了基本的理论支持,并说明了在模拟研究中相对于竞争对手的出色性能,以及捕捉复杂变化的能力,超越了简单的差异。该方法说明了基因组学的应用程序,通过使用一个非常高维的顺式eQTL数据集,约38万个SNP。
2017-03-29 stat.ME
Progressive Bayesian Confidence Architectures for Cold-Start Personal Health Analytics: Formalizing Early Insight Through Posterior Contraction and Risk-Aware Interpretation
本文提出渐进式贝叶斯置信架构,通过后验收缩和风险感知解释,实现早期阶段的不确定性感知推断,提升个性化健康分析的早期洞察能力。
2026-01-06 math.ST q-bio.QM stat.ME
A comparison of priors for variance parameters in Bayesian basket trials
II期篮子试验是评估针对一组不同癌症组织学常见的遗传改变的新治疗的疗效的流行工具。通过汇集来自不同组的数据(例如,癌症组织学),其中方差参数控制每组处理效应相对于总体处理效应的收缩强度。这种方法的一个关键方面是,方差的先验选择在确定收缩强度方面起着重要作用,并影响设计的操作特性。我们回顾了以前的作品中最常用的先验,并将其与最近推出的惩罚复杂性(PC)先验进行比较。我们的模拟研究显示,PC先验和金标准选择半t先验的行为相当,前者在所有组织学对治疗的反应相似的同质情况下表现更好。我们认为,PC先验提供了优于其他先验的优势,因为它们允许用户通过仅一个参数来处理收缩程度,并且可以根据临床意见在可用时得出。
2022-10-29 stat.AP stat.ME
Bayesian Numerical Methods for Nonlinear Partial Differential Equations
微分方程的数值解可以用公式表示为一个推理问题,可以应用形式统计方法。然而,非线性偏微分方程(PDE)从推理的角度提出了实质性的挑战,最显着的是缺乏明确的条件公式。本文将线性偏微分方程的早期工作扩展到一类由非线性偏微分方程指定的一般初值问题,这些问题的动机是对偏微分方程的右端、初始条件或边界条件的评估具有很高的计算成本。该方法基于非线性微分算子的离散化,可以看作是近似似然下的精确贝叶斯推理。概念验证的实验结果表明,有意义的概率不确定性量化的PDE的未知的解决方案可以执行,同时控制的次数的右手边,初始和边界条件进行评估。一个合适的先验模型的PDE的解决方案确定使用新的理论分析的样本路径性质的Matérn过程,这可能是独立的兴趣。
2021-05-03 cs.NA math.NA stat.CO
Group Sparse Bayesian Learning for Active Surveillance on Epidemic Dynamics
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院);Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education(教育部符号计算与知识工程重点实验室);Department of Computer Science, Hong Kong Baptist University(香港浸会大学计算机科学系);Institute of Remote Sensing and Geographical Information Systems, Peking University(北京大学遥感与地理信息系统研究所)
流行病动力学预测对于理解和控制传染病传播和信息传播等扩散过程具有重要价值。这项任务是棘手的,特别是在监视资源非常有限的情况下。为了应对这一挑战,我们研究了主动监视的问题,即,如何将系统组件的一小部分识别为哨兵以实现监测,使得可以从这些哨兵收集的部分数据容易地预测整个系统的流行动态。我们提出了一种新的措施,伽玛值,通过建模的哨兵网络行稀疏结构来识别哨兵。我们设计了一个灵活的组稀疏贝叶斯学习算法挖掘哨兵网络适合处理线性和非线性动力系统,通过使用期望最大化方法和变分逼近。所提出的算法的有效性进行了理论分析和经验验证,使用合成和真实世界的数据。
2017-11-21 cs.LG stat.ML
Bayesian Inference for Vertex-Series-Parallel Partial Orders
本文针对顶点串联平行偏序集(VSPs)构建了边缘一致的先验分布,扩展了噪声观测模型,并在Royal Acta和F1赛车数据上验证了其优于Plackett-Luce等模型且与一般偏序集模型相当。
2023-06-27 stat.ME
On the Choice of Model Space Priors and Multiplicity Control in Bayesian Variable Selection: An Application to Streaming Logistic Regression
The University of Iowa(爱荷华大学)
本文探讨了贝叶斯变量选择中模型空间先验的选择对流式逻辑回归的影响,提出了一种简化MD先验并评估其在稀疏性和多重性控制中的有效性。
2025-12-27 stat.CO stat.ME
Controlling for unmeasured confounding and spatial misalignment in long-term air pollution and health studies
由于最近广泛提供了空间参照污染和疾病数据,现在通常使用空间生态研究来估计长期暴露于空气污染对健康的影响。然而,这种面积单位研究设计提出了一些统计挑战,如果忽视这些挑战,就有可能使估计的污染-健康关系产生偏差。一个这样的挑战是如何控制空间自相关存在于数据中的已知协变量后,这是由未测量的混杂。第二个挑战是如何调整模型的函数形式,以考虑到污染和疾病数据之间的空间错位,这种错位导致污染数据的区域内变化。在现有的长期空间空气污染和健康研究中,这些挑战在很大程度上被忽视了,因此在这里,我们提出了一种新的贝叶斯分层模型,可以解决这两个挑战,并提供软件,允许其他人将我们的模型应用于他们自己的数据。该模型的有效性进行了比较,通过模拟对一些国家的最先进的替代品在文献中提出的,然后被用来估计的影响,二氧化氮和颗粒物浓度对呼吸道医院的入院率在英格兰的一项新的流行病学研究在2010年在地方当局的水平。
2014-12-15 stat.AP
Bayesian Boolean Matrix Factorisation
University of Oxford(牛津大学);Athens University of Economics and Business(雅典经济与商业大学);University of Birmingham(伯明翰大学)
本文提出一种基于概率生成模型的布尔矩阵分解方法,通过Metropolised Gibbs采样实现高效后验推断,并在真实和模拟数据中优于现有方法,提升解释性与应用价值。
2017-02-25 cs.LG cs.NA math.NA
Solving Bayesian Inverse Problems via Variational Autoencoders
Oden Institute for Computational Engineering and Sciences(奥登计算工程与科学研究所);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
近年来,机器学习领域在追求模拟真实世界数据生成过程方面取得了惊人的进展。这种成功的一个显著例子是变分自动编码器(VAE)。在这项工作中,随着视角的微小转变,我们利用和适应VAE用于不同的目的:科学逆问题中的不确定性量化。我们介绍UQ-VAE:一种灵活的、自适应的、混合数据/模型通知的框架,用于训练神经网络,该神经网络能够对表示感兴趣的未知参数的后验分布进行快速建模。具体来说,从基于发散的变分推断,我们的框架是派生的,使得大多数的信息通常存在于科学的逆问题是充分利用在训练过程中。此外,该框架包括一个可调节的超参数,允许选择后验模型和目标分布之间的距离概念。这在控制优化如何指导后验模型的学习方面引入了更多的灵活性。此外,该框架具有固有的自适应优化属性,通过学习后验不确定性而出现。
2021-12-28 cs.LG eess.IV stat.ML
Empirical Bayes unfolding of elementary particle spectra at the Large Hadron Collider
我们考虑所谓的展开问题,在实验高能物理,其中的目标是估计的真实光谱的基本粒子的观测扭曲的测量误差,由于有限的分辨率的粒子探测器。这是一个重要的统计逆问题,出现在欧洲核子研究中心的大型强子对撞机的数据分析。在数学上,该问题被形式化为一个间接观察到的泊松点过程的强度函数的估计。粒子物理学家特别热衷于展开方法,这些方法具有选择正则化强度的原则性方法,并允许量化解决方案中固有的不确定性。尽管实验物理学家已经考虑了许多方法,但可以说,这些方法中很少(如果有的话)以令人满意的方式处理这两个关键问题。在本文中,我们建议攻击的展开问题的框架内的经验贝叶斯估计:我们认为贝叶斯估计的系数的基础扩展的未知强度,使用正则化前,并采用蒙特卡罗期望最大化算法找到边际最大似然估计的超参数控制强度的正则化。由于超参数的数据驱动选择,使用经验贝叶斯后验得到的可信区间失去了它们的主观贝叶斯解释。由于这些间隔的性质和意义知之甚少,我们探索使用的bootstrap rescue构建纯粹的频率置信带的真实强度。所提出的方法的性能证明使用模拟和实际数据从大型强子对撞机。
2014-01-31 hep-ex physics.data-an stat.AP
A Bayesian Approach for Inferring Local Causal Structure in Gene Regulatory Networks
Radboud University(拉德堡德大学)
基因调控网络在控制生物体的生物学过程中起着至关重要的作用,这就是为什么人们对开发能够从高通量遗传数据中提取其结构的计算方法感兴趣。一个典型的方法是对协方差结构进行一系列条件独立性检验,以逐步减少可能的因果模型的空间。我们提出了一种新的有效的贝叶斯方法发现(正态分布)变量的三元组之间的局部因果关系。在我们的方法中,我们在协方差阵中的模式进行一次性评分,我们将现有的背景知识的形式先验的因果结构。我们的方法是灵活的,因为它允许不同类型的因果结构和假设。我们应用的方法来推断基因调控网络的任务,通过学习基因表达水平之间的调控关系。我们表明,我们的算法产生稳定和保守的后验概率估计局部因果结构,可用于获得最有意义的监管关系的诚实排名。我们证明了我们的方法在模拟数据和酵母实验的真实数据上的稳定性和有效性。
2018-09-18 cs.LG q-bio.MN stat.ML
Bayesian cumulative shrinkage for infinite factorizations
有各种各样的模型,其中参数空间的维数是未知的。例如,在因子分析中,潜在因子的数量通常是未知的,必须从观察到的数据中推断出来。虽然经典的收缩先验在这些情况下是有用的,但增加收缩先验可以提供更有效的选择,其随着复杂性的增加而逐渐惩罚扩展。在这篇文章中,我们提出了一种新的增加收缩先验,命名为累积收缩过程,用于控制过完备公式中的尺寸的参数。我们的建设具有广泛的适用性,简单的解释,是基于一系列的穗和板的分布,分配越来越多的质量,以穗模型的复杂性增长。使用因子分析作为一个说明性的例子,我们表明,这种配方具有理论和实践优势,目前的竞争对手,包括改进的能力,以恢复模型的尺寸。提出了一种自适应马尔可夫链蒙特卡罗算法,并在模拟研究中对该方法进行了评估,并将其应用于人格特质数据。
2020-09-10 stat.ME
Consistent Bayesian meta-analysis on subgroup specific effects and interactions
University Medical Center Göttingen(哥廷根大学医学中心);DZHK (German Center for Cardiovascular Research)(德国心血管研究中心);DZKJ (German Center for Child and Adolescent Health)(德国儿童与青少年健康研究中心)
本文提出了一种贝叶斯方法,用于一致性分析亚组特定效应和交互作用,通过调整亚组贡献提高交互推断的可靠性。
2026-10-30 stat.AP stat.ME
Bayesian Concept Bottleneck Models with LLM Priors
University of California, San Francisco(加州大学旧金山分校);Microsoft Research(微软研究院);National University of Singapore(新加坡国立大学)
本文提出BC-LLM模型,利用贝叶斯框架和LLM作为先验,实现高效的概念提取和可解释性提升。
2025-12-04 cs.AI cs.LG stat.ML
Fast Approximate Bayesian Contextual Cold Start Learning (FAB-COST)
The University of Manchester(曼彻斯特大学);Auto Trader(汽车交易者公司)
冷启动是一个众所周知的困难问题,它可能发生在推荐系统中,当没有足够的信息来推断用户或项目时就会出现。为了解决这一挑战,上下文强盗算法-快速近似贝叶斯上下文冷启动学习算法(FAB-COST)-提出,这是为了提供更高的精度相比,传统上使用的拉普拉斯近似在物流上下文强盗,同时控制算法的复杂性和计算成本。为此,FAB-COST使用两种矩投影变分方法的组合:期望传播(EP),在冷启动时表现良好,但随着数据量的增加而变慢;假设密度过滤(ADF),计算成本随数据大小的增长较慢,但需要更多的数据才能获得可接受的精度水平。当数据集变大时,通过从EP切换到ADF,它能够利用它们的互补优势。FAB-COST的经验理由,并系统地比较模拟数据的其他方法。在对由来自autotrader.co.uk的超过$670,000$的印象组成的真实数据的拉普拉斯近似的基准测试中,FAB-COST在用户点击中显示出超过$16\%$的一点增加。在这些结果的基础上,有人认为,FAB-COST很可能是一个有吸引力的方法冷启动推荐系统在各种情况下。
2020-08-18 cs.LG stat.ML
A PAC-Bayesian View of Generalisation for Physics-Informed Machine Learning
Université Jean Monnet Saint-Étienne, CNRS, Institut d’Optique Graduate School, Laboratoire Hubert Curien UMR 5516(里昂蒙特大学圣埃蒂安分校、法国国家科学研究中心、光学研究生院、Hubert Curien实验室 UMR 5516);Inria and University College London, France and United Kingdom(Inria 和 英国伦敦大学学院,法国和英国)
本文通过PAC-Bayesian框架,针对无界损失下的回归问题,推导了物理信息机器学习的高概率泛化界,并提出了自界感知学习算法,在标准PDE基准上验证了界的非平凡性和更紧性。
2026-10-06 cs.LG stat.ML
A Bayesian Hybrid Design with Borrowing from Historical Study
针对早期联合疗法研发中非对照单臂试验决策难的问题,提出含三个控制组件的贝叶斯动态功率先验混合设计,借用历史单药试验数据提升效能,后验有解析形式且计算高效,经模拟和案例验证有效。
2025-02-21 stat.AP stat.ME
Nonparametric Bayesian Knockoff Generators for Feature Selection Under Complex Data Structure
本文提出非参数贝叶斯GDPM模型生成高质量knockoff副本,用于复杂数据分布下的FDR控制特征选择,在模拟与TCGA卵巢癌数据中表现出准确FDR控制与更高功效。
2024-09-22 stat.ME
Optimal Bayesian hierarchical model to accelerate the development of tissue-agnostic drugs and basket trials
组织不可知性试验根据患者的遗传生物标志物而不是肿瘤类型招募患者,试图确定新药是否可以成功治疗基于生物标志物的疾病。贝叶斯分层模型(BHM)提供了一个有吸引力的方法来设计II期组织不可知试验,允许跨多种疾病类型的信息借用。在这篇文章中,我们阐明了两个内在的和不可避免的问题,可能会限制使用BHM的组织不可知的试验:敏感性的收缩参数和竞争的“利益”之间的疾病类型增加功率和控制第一类错误的事先规范。为了解决这些问题,我们提出了最优BHM(OBHM)的方法。使用OBHM,我们首先指定一个灵活的效用函数,以根据研究目标量化不同疾病类型之间的第一类错误和功效之间的权衡,然后选择收缩参数的先验,以优化临床和监管利益的效用函数。OBMH有效地平衡了I类和II类错误,解决了先验选择的敏感性,减少了先验选择中的“不必要”的主观性。仿真研究表明,该方法及其扩展算法--分簇OBHM(COBHM)和自适应OBHM(AOBHM)具有良好的工作特性,优于现有的一些方法,具有更好的功率平衡和第一类错误控制。我们的方法提供了一个系统的,严格的方法来应用BHM和解决盲目使用一个无信息的逆伽马先验(具有较大的方差)或先验任意选择,可能会导致病理统计特性的常见问题。
2020-12-04 stat.AP stat.ME
Posterior Consistency for Recovering Initial States in Nonlinear Subdiffusion Equations
Xi’an Jiaotong University(西安交通大学)
该研究针对半线性时间分数次扩散方程的初始状态,赋予Whittle--Matérn过程重标高斯先验,证明解的正则性与后验收缩率,并构造小波包集合证明极小极大下界。
2026-10-12 math.AP math.ST stat.TH
Optimal Inspection and Maintenance Planning for Deteriorating Structural Components through Dynamic Bayesian Networks and Markov Decision Processes
University of Liege(列日大学);The Pennsylvania State University(宾夕法尼亚州立大学);Aalborg University(奥尔堡大学)
土木和海事工程系统,尤其是从桥梁到海上平台和风力涡轮机,必须得到有效的管理,因为它们在整个使用寿命期间都暴露于老化机制,如疲劳或腐蚀。确定最佳的检查和维修政策需要解决一个复杂的顺序决策问题的不确定性,有效地控制与结构故障相关的风险的主要目标。为了解决这种复杂性,基于风险的检查规划方法,通常由动态贝叶斯网络支持,评估一组预定义的启发式决策规则,以合理地简化决策问题。然而,所得到的策略可能会受到决策规则定义中考虑的有限空间的影响。部分可观测马尔可夫决策过程(POMDPs)为不确定行为结果和观测下的随机最优控制提供了一种原则性的数学方法,其中最优行为被规定为整个动态更新的状态概率分布的函数。在本文中,我们结合动态贝叶斯网络与POMDPs在一个联合框架的最佳检查和维修规划,我们提供了制定无限和有限的地平线POMDPs在结构可靠性的背景下。所提出的方法的实施和测试的情况下,受到疲劳退化的结构部件,展示了最先进的点为基础的POMDP求解器的能力,用于解决潜在的规划优化问题。在数值实验中,POMDP和基于竞争的政策进行了彻底的比较,结果表明,POMDP实现大幅降低成本相比,他们的同行,即使是传统的问题设置。
2021-11-28 cs.AI cs.SY eess.SY