Reconciling Binary Replicates: Beyond the Average
针对二元重复观测中平均值法的局限，提出中位数、最大惩罚似然估计和贝叶斯算法三种替代方法，理论分析与模拟及真实医学数据表明其能提升诊断准确性与患病率估计。
2025-01-23 stat.ME
A simple Bayesian model to estimate proportions and ratios from count data with a hierarchical error structure with an application to droplet digital PCR experiments
针对生物医学中层级误差结构的计数数据比例/比率估计问题，提出一种贝叶斯框架，实现了R语言Gibbs采样器，并与随机效应模型进行对比。
2023-05-04 stat.AP
Statistical handling of reproduction data for exposure-response modelling
通过标准生物测定收集的生殖数据通过回归进行经典分析，以拟合浓度-响应曲线并估计ECx值（x%有效浓度）。但回归经常被滥用于此类数据，忽略了与i）生殖数据（计数数据）的特殊性质，ii）潜在的重复间变异性和iii）可能伴随的死亡率相关的统计问题。本文为处理这些问题提供了新的见解。关于死亡率，特别注意不要浪费任何有价值的数据-通过丢弃具有死亡率的所有重复-或使ECx值偏倚。为此，我们定义了一个新的协变量，将每个个体对繁殖过程的贡献的观察期相加。然后将该协变量用于量化繁殖-对于每个浓度下的每个重复-作为每个个体日的后代数量。我们制定了三个不同的随机响应模型。这些模型被拟合到四个数据集，并使用贝叶斯框架进行比较。个体日单位被证明是一种合适的方法，可以使用所有可用数据并防止ECx值估计中的偏倚。此外，非经典负二项模型显示可正确描述研究数据集中观察到的重复间变异性。
2014-04-26 stat.AP
Fully Bayesian imputation model for non-random missing data in qPCR
我们提出了一种新的统计方法来获得差异基因表达的定量实时PCR（qPCR）实验中，通过贝叶斯分层模型。我们建议将未检出视为非随机缺失数据，对缺失数据机制进行建模，并使用该模型插补Ct值或获得相关模型参数的直接估计值。一个典型的实验室没有资源进行大量的重复实验，因此，我们提出了一种方法，不依赖于大样本理论。我们的目的是通过使用贝叶斯估计来证明存在非随机缺失的情况下分析qPCR数据的可能性。贝叶斯分析通常允许分析较小的数据集，而不会失去功效，同时保持精确度。贝叶斯估计的核心是，在观察数据（先验）之前，关于参数的所有已知信息都与数据本身的信息（可能性）相结合，从而产生关于参数的更新知识（后验）。在这项工作中，我们介绍和描述我们的分层模型和选择的先验分布，评估模型的敏感性，先验的选择，执行收敛诊断的马尔可夫链蒙特卡罗，并提出了一个真实的数据应用的结果。
2019-10-30 stat.AP
Generating Independent Replicates Directly from the Posterior Distribution for a Class of Spatial Latent Gaussian Process Models
针对MCMC计算负担问题，提出广义共轭多元分布，通过精确后验回归方法直接从空间潜在高斯过程模型后验分布中高效生成独立重复样本。
2023-05-19 math.ST stat.ME stat.TH
Computational methods for fast Bayesian model assessment via calibrated posterior p-values
针对校准后验预测p值（cppps）计算成本高的问题，提出高效近似方法，通过短MCMC链优化计算权衡、设计方差估计量，在NIMBLE框架实现快速贝叶斯模型评估。
2024-01-30 stat.CO stat.ME
Simulation-based Calibration of Uncertainty Intervals under Approximate Bayesian Estimation
本文针对平均场变分贝叶斯等近似算法导致的不确定性量化偏差，提出一种基于模拟的校准程序，通过生成复制数据集并重新估计来构造渐近达到名义覆盖率的置信区间，并在模拟和当前就业统计调查数据上验证其有效性。
2024-07-05 stat.AP stat.ME
A Bayesian regression tree approach to identify the effect of nanoparticles' properties on toxicity profiles
我们引入贝叶斯多元回归树模型来表征纳米颗粒的物理化学性质与其在多剂量和暴露时间的体外毒性之间的关系。与依赖于数据汇总的传统模型不同，我们的模型通过将来自一般暴露实验的所有测量值跨剂量、暴露时间和重复组合，解决了低样本量问题，并避免了任意信息丢失。所提出的技术集成贝叶斯树建模阈值效应和相互作用，和惩罚B-样条的剂量和时间响应表面平滑。通过马尔可夫链蒙特卡罗对所得到的后验分布进行采样。这种方法允许推断大量的潜在利益的实质性纳米毒理学，如物理化学性质的重要性及其对毒性的边际效应的数量。我们说明了我们的方法的应用程序的分析库的24纳米金属氧化物。
2015-06-01 stat.AP
Bayesian Measurement Error Correction in Structured Additive Distributional Regression with an Application to the Analysis of Sensor Data on Soil-Plant Variability
考虑到协变量与测量误差的贝叶斯方法的灵活性与半参数回归模型相结合，用于一类连续、离散和混合单变量响应分布，其所有参数可能取决于结构化的加性预测因子。马尔可夫链蒙特卡罗使模块化和数字有效的实施贝叶斯测量误差校正的基础上，未观察到的无误差协变量值的插补。我们允许非常普遍的测量误差，包括具有异质方差的相关重复。首先通过模拟试验对该建议进行评估，然后将其应用于对实施有效农业管理措施至关重要的土壤-植物关系的评估。使用具有非常精细的空间分辨率的传感器获得了在意大利南部的7公顷Alcohol立场的多深度土壤信息饲料地被观测。用这些数据估计地面覆盖物和土壤之间的功能关系涉及到解决与空间和时间不一致以及数据量大有关的问题。我们提出了一个初步的空间插值网格覆盖的领域和随后的分析，由一个结构化的添加剂分布回归模型占土壤协变量的测量误差。结果进行解释和评论连接可能的Alcohol管理策略。
2017-11-29 stat.AP
Bayesian binomial mixture models for estimating abundance in ecological monitoring studies
物种多度调查已成为许多生态监测研究的重要组成部分。这些研究的主要目的是了解特定物种如何在研究领域中分布，以及检测这些物种的抽样效率的量化。为了实现这些目标，在预定的访问期间对预选地点进行了取样，记录在每个地点观察到的物种数量。这导致空间参考的复制计数数据通常在结构上不平衡并表现出过度分散。巴尔的摩生态系统研究的动机，我们提出贝叶斯分层二项式混合模型，包括二项式康威-麦克斯韦泊松（Bin-CMP）混合模型，正式占不同程度的空间分散。我们提出的模型还允许通过实施可逆跳马尔可夫链蒙特卡罗方法的模型协变量和分散参数的分组的变量选择。最后，使用人口统计协变量从美国社区调查，我们证明了我们的方法的有效性，通过估计丰富的美国知更鸟（Turdus migratorius）在巴尔的摩生态系统研究。
2015-05-11 stat.AP
Bayesian modelling of statistical region- and family-level clustered ordinal outcome data from Turkey
本研究采用多分类逻辑斯谛回归分析存在随机效应的三水平有序结局数据。假设随机效应遵循logit链接的Bridge分布，这允许获得回归系数的边际解释。数据来自土耳其收入和生活条件研究，其中的结果变量是自评健康（SRH），本质上是有序的。这些数据的分析是比较协变量亚组，并得出地区和家庭一级的SRH方面的推论。参数和随机效应是从贝叶斯范式下的联合后验密度中采样的。模型选择采用三种准则：待验信息准则、对数伪边缘似然准则和偏差信息准则。所有这三个建议，我们需要考虑到地区和家庭层面的变异性，以模型SRH。模型复制观测数据的程度通过后验预测检查进行检查。在性健康和生殖健康的差异之间的经济和人口变量，土耳其的地区，和家庭谁参加了调查。一些有趣的发现是，失业者报告健康状况较差的可能性比就业者高19%，爱琴海农村是报告健康状况较差的可能性最小的地区。
2021-11-08 stat.AP
A Bayesian Nonparametric Approach to Dynamical Noise Reduction
基于马尔可夫链蒙特卡罗方法（MCMC），提出了一种贝叶斯非参数降噪方法，用于对被动态噪声污染的混沌时间序列进行降噪.潜在的未知噪声过程（可能）表现出重尾行为。我们介绍了动态降噪复制器（DNRR）模型，我们重建未知的动态方程，并在并行我们复制的动态降低噪声水平的动态扰动。动态噪声降低过程中，具体证明了在多项式映射的情况下。基于合成时间序列的仿真。
2018-02-17 nlin.CD stat.ME
Non-parametric Bayesian modelling of digital gene expression data
下一代测序技术为生成基因表达数据提供了革命性的工具。从固定的RNA样品开始，他们构建了数百万个差异丰富的短序列标签或“读段”的文库，这些标签或“读段”构成了基因表达水平的基本离散测量。在使用这些技术的实验中，一个常见的限制是生物学重复的数量少或甚至不存在，这使得数字基因表达数据的统计分析复杂化。对这类数据的分析通常基于最初为分析微阵列而设计的修改后的测试;这些甚至用于分析RNA-seq数据的从头方法都受到低复制的共同问题的困扰。我们提出了一种新的，非参数贝叶斯方法的数字基因表达数据的分析。我们开始与一个层次模型建模过分散的计数数据和阻塞吉布斯抽样算法推断模型参数的后验分布的条件下，这些计数。该算法通过将可能从共同分布中采样的具有标签计数的基因聚类在一起并使用该扩增样本来估计该分布的参数，来补偿生物复制数量少的问题。聚类的数量不是先验决定的，而是与剩余的模型参数一起推断的。我们证明了这种方法的能力，模型生物学数据与高保真度通过应用该算法从癌性和非癌性神经组织获得的公共数据集。
2013-01-17 q-bio.GN q-bio.QM stat.AP
Nonparametric Bayesian estimation of a concave distribution function with mixed interval censored data
假设我们观察到有限数量的检查时间以及关于在这些时间中的每一个之前是否发生了特定事件的信息。假设重复的测量在多个事件时间上可用。包括检查次数的检查时间组对于每个事件可能不同。这被称为混合情况区间删失数据。我们考虑事件时间的分布函数的贝叶斯估计，同时假设它是凹的。我们提供了充分条件的先验，使所得到的程序是一致的贝叶斯的观点。我们还提供了计算方法，从后，并说明贝叶斯方法在模拟研究和两个真实的数据集的性能。
2020-11-15 math.ST stat.TH
Robust Bayesian Inference for Measurement Error Misspecification: The Berkson and Classical Cases
University of Warwick（华威大学）
本文提出了一种鲁棒的贝叶斯非参数学习框架，用于处理测量误差规格不正确的问题，适用于经典和Berkson误差模型，并通过MMD损失提供泛化误差的界限。
2026-01-15 stat.ME stat.ML
Scalable Bayesian transport maps for high-dimensional non-Gaussian spatial fields
多变量分布可以用从目标分布到简单参考分布的三角形迁移图来描述。我们提出了贝叶斯非参数推断的运输地图建模其组件使用高斯过程。这使得能够对地图估计进行正则化和不确定性量化，同时仍然产生封闭形式和可逆的后验地图。然后，我们专注于从少量的重复推断的非平稳空间场的分布。我们开发了特定的运输地图先验，是高度灵活的，是由一大类随机过程的行为的动机。由于数据相关的稀疏性和并行计算，我们的方法可扩展到高维分布。我们还讨论了扩展，包括Dirichlet过程混合灵活的边缘。我们提出的数值结果来证明我们的方法的准确性，可扩展性和实用性，包括非高斯气候模型输出的统计仿真。
2023-01-16 stat.AP stat.CO stat.ME
BayVel: A Bayesian Framework for RNA Velocity Estimation in Single-Cell Transcriptomics
本文提出BayVel，一种直接对原始计数数据建模的贝叶斯层次模型，用于解决现有RNA速度方法（如scVelo）的可识别性、预处理依赖和不确定性量化不足等问题，并通过模拟与真实数据验证其准确性和稳健性。
2025-05-06 stat.AP
Adaptive Bayesian density estimation using Pitman-Yor or normalized inverse-Gaussian process kernel mixtures
我们考虑贝叶斯非参数密度估计使用Pitman-Yor或归一化逆高斯过程核混合作为密度的先验分布。该程序是从频率论的角度进行研究。使用棒打破皮特曼-约尔过程或表达的有限维分布的归一化逆高斯过程，我们证明了，当数据是从一个无限光滑的密度重复，后验分布集中在任何收缩$L^p$ -范数球，$1\leq p\leq\infty$，周围的采样密度在\emph{nearly parametric}率，对数因子。由此产生的分层贝叶斯过程，与一个固定的前，因此示出是自适应的采样密度的平滑度的无限。
2013-02-13 math.ST stat.TH
Inferring Soil Drydown Behaviour with Adaptive Bayesian Online Changepoint Analysis
提出基于BOCPD的粒子滤波和在线梯度两种自适应扩展方法，用于推断土壤雨后变干行为，通过合成数据验证并应用于奥美实地站点，证明其优于静态模型。
2025-09-16 stat.AP stat.CO
Bayesian Deep Generative Models for Multiplex Networks with Multiscale Overlapping Clusters
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
本文提出一种贝叶斯层次模型，用于推断多层网络中节点的群体结构，并进行多分辨率聚类。方法提供了理论支持和高效后验计算工具，通过模拟和脑连接组数据验证了其有效性。
2026-04-20 stat.ME
Adaptive Bayesian estimation using a Gaussian random field with inverse Gamma bandwidth
我们考虑非参数贝叶斯估计推断使用重新缩放的光滑高斯场作为多维函数的先验。使用Gamma变量实现重新缩放，并且该过程可以被视为选择逆Gamma带宽。从频率论的角度研究的过程中，涉及重复观测（密度估计，回归和分类）的统计设置。我们证明，由此产生的后验分布收缩的分布，产生的数据的速度是最小最优的对数因子，无论规则性水平的数据生成分布。因此，层次贝叶斯过程，与一个固定的先验，是完全自适应的。
2009-08-25 math.ST stat.TH
What did we learn from forty years of research on semantic interference? A Bayesian metaanalysis
当实验中的参与者必须命名图片，同时忽略叠加在图片上或错误地呈现的干扰词（即，图片-单词干扰范例），当要命名的单词（或目标）和干扰词来自相同的语义类别（例如，猫狗）。这种实验效应被称为语义干扰效应，可能是语言产生文献中研究最多的效应之一。然而，这种效应的功能起源和发生的确切条件仍有争议。自从Lupker在大约40年前的第一个反应时间实验中报告了这种效应以来，已经进行了300多个类似的实验。语义干扰效应在许多实验中得到了复制，但也有几项研究报告说，在实验条件的子集中没有效果。本研究的目的是提供一个全面的理论审查现有的证据，迄今为止，和几个贝叶斯元分析和元回归，以确定的影响的大小，并探讨实验条件下，效果的表面。结果进行了讨论，根据目前的争论语义干扰效应的功能起源及其对我们理解的语言生产系统的影响。
2020-04-26 q-bio.NC stat.AP
Bayesian Sparsification Methods for Deep Complex-valued Networks
随着不断的小型化，在嵌入式系统中可以发现越来越多的深度学习应用，其中通常会遇到具有自然复域表示的数据。为此，我们扩展稀疏变分辍学复值神经网络和验证所提出的贝叶斯技术进行了大量的数值研究的性能压缩权衡的C值网络上的两个任务：图像识别MNIST类和CIFAR 10数据集和音乐转录MusicNet。我们在MusicNet上复制了Trabelsi等人[2018]的最新结果，其中复值网络被压缩了50- 100倍，性能损失很小。
2020-06-28 cs.LG stat.ML
Bayesian sense of time in biological and artificial brains
Wellcome Centre for Human Neuroimaging, University College London（伦敦大学学院威康人类神经影像中心）；Department of Computing, Imperial College London（帝国理工学院计算系）
关于生物大脑的潜在机制和涌现特性的研究有着悠久的理论假设和实验发现的历史。今天，科学界倾向于对大脑认知基础的单一解释--即它是一台贝叶斯推断机器。这一当代观点自然成为最近围绕计算和认知神经科学发展的强大驱动力。特别令人感兴趣的是大脑处理时间流逝的能力-我们经验的基本维度之一。我们如何用贝叶斯大脑假说解释人类时间感知的经验数据？我们能用贝叶斯模型复制人类的估计偏差吗？基于主体的机器学习模型能为这一课题的研究提供什么样的启示？在这一章中，我们回顾了时间感知领域的一些最新进展，并讨论了贝叶斯处理在构建时间模型中的作用。
2022-01-14 cs.AI q-bio.NC stat.ML
Amortized Bayesian Disease Mapping and Boundary Detection on Heterogeneous Spatial Graphs
University of California, Los Angeles（加州大学洛杉矶分校）
针对异质空间图谱，提出协变量感知的贝叶斯边界模型与摊销后验近似，实现疾病制图与边界检测，并在多区域数据上验证其有效性与可重用性。
2026-09-28 stat.AP stat.ME
Modeling Time-course Gene Expression Data through Bayesian Partition Functional Principal Component Analysis
MRC Biostatistics Unit, Cambridge University（剑桥大学 MRC 生物统计单元）；University of Geneva（日内瓦大学）
研究针对高维时程基因表达数据降维等挑战，提出贝叶斯分区函数主成分分析（PFPCA），结合混合模型与多元函数主成分分析，开发变分算法，模拟和实际应用均显示其能准确恢复结构并揭示相关特征。
2026-07-14 stat.AP stat.ME
Beyond Match Results: Bayesian Mediation of Ability, Performance, and Winning in Professional Tennis
Michigan State University（密歇根州立大学）；Purdue University（普渡大学）
本研究开发贝叶斯中介框架，分析职业网球中能力、表现与获胜的关系，发现测量窗口与发球分数量差异会影响比赛结果的中介占比，该模式在男女巡回赛中均成立。
2026-10-16 stat.AP stat.ME
A Bayesian approach to study synergistic interaction effects in in-vitro drug combination experiments
在癌症转化研究中，越来越多的努力致力于研究两种药物同时给药时的联合作用。在本文中，我们介绍了一种新的方法来估计由于化合物的相互作用，即，这是由于两种药物的协同或拮抗作用的两种药物的效果的一部分，相比之下，一个参考值表示的条件时，组合的化合物不相互作用，称为零相互作用。我们将体外细胞活力实验描述为随机试验，通过将细胞活力解释为实验中细胞在处理后存活的概率，并包括与不同暴露条件相关的信息。我们提出了一个灵活的贝叶斯样条回归框架建模的两种药物结合作为浓度的函数的生存力表面。由于所提出的方法是基于一个统计模型，它允许包括重复的实验，以评估估计的不确定性，并进行预测。我们在模拟研究和卵巢癌细胞数据集上测试了模型拟合和预测性能。零相互作用水平和协同项的后验估计，通过自适应MCMC算法获得，用于计算组合实验的有效性的可解释的测量，包括表面下的相对体积（rVUS）测量，以总结零相互作用和协同项以及众所周知的EC50测量的双变量替代。
2019-09-21 stat.AP stat.ME
A Bayesian Adaptive Latent Mixture Model for Zero-Inflated Weighted Brain Connectome Analysis
University of Central Florida（中佛罗里达大学）；School of Data, Mathematical, and Statistical Sciences（数据、数学与统计科学学院）
本文提出一种贝叶斯自适应潜在混合模型，用于处理零膨胀加权网络中的结构零和异质非零边强度，通过共享低秩潜在分数矩阵和hurdle似然分离边存在与条件边强度，实现稳定潜在线性模式和异质主体混合。
2026-05-13 stat.AP stat.CO stat.ME
Wasserstein convergence in Bayesian deconvolution models
我们研究了从被随机误差（噪声）污染的独立重复（信号）中恢复分布函数的著名反卷积问题，其分布是已知的。我们调查是否贝叶斯非参数方法建模的潜在分布的信号可以产生的推断与渐近频率有效性下的$L^1$ -Wasserstein度量。当误差密度是普通光滑的，我们开发了两个反演不等式的$L^1$或$L^1$ -Wasserstein距离之间的两个混合密度（观察）的信号的相应分布之间的$L^1$ -Wasserstein距离。这个光滑化不等式改进了文献中的结果。我们应用这个一般结果贝叶斯方法贝叶斯的Dirichlet过程混合物的正态分布作为一个先验的混合分布（或分布的信号），与拉普拉斯或林尼克噪声。特别是，我们构建了一个\textit{adaptive}近似的密度的观察的卷积拉普拉斯（或林尼克）与一个精心挑选的混合物的正常密度，并显示后集中在极大极小率的对数因子。同样的先验定律也适用于混合密度的Sobolev正则性水平，从而导致一种新的贝叶斯估计方法，相对于Wasserstein距离，具有光滑密度的分布。
2021-11-12 math.ST stat.TH
How Bayesian Analysis Cracked the Red-State, Blue-State Problem
在美国和其他国家一样，政治和经济分歧沿着地理和人口的界线切割。较富裕的人更有可能投票给共和党候选人，而较贫穷的选民倾向于民主党;这与两党在经济问题上的立场一致。与此同时，沿海较富裕的州是民主党的堡垒，而中部大多数收入较低的地区强烈支持共和党。在一个持续几年的研究项目中，我们通过拟合一系列多层次模型来对人口的地理和人口子集进行推断，从而调和了这些模式。我们使用的是国家调查数据，在一些州、种族群体和收入类别中的样本相对较小;这促使我们使用贝叶斯推断来部分汇集拟合模型和当地数据。在此之前，对收入和投票的非贝叶斯分析未能将个人和州一级的模式联系起来。现在我们的分析已经完成，我们相信它可以使用非贝叶斯方法进行复制，但贝叶斯推断通过直接处理稀疏数据固有的不确定性来帮助我们解决问题。
2014-05-19 stat.ME
Bayesian nonparametric generative modeling of large multivariate non-Gaussian spatial fields
本文扩展了基于三角传输映射的贝叶斯方法，将多元非高斯空间场推断转化为独立高斯过程回归任务，实现了高可扩展的非参数贝叶斯建模，适用于少量样本场景。
2023-11-10 stat.ME
Bayesian Semiparametric Multivariate Density Deconvolution
我们考虑多变量密度反褶积的问题时，兴趣在于估计的分布的向量值的随机变量，但精确的测量的变量的兴趣是不可用的，观察被污染的添加剂测量误差。关于该问题的现有稀疏文献假设测量误差的密度是完全已知的。当测量误差密度未知但复制代理可用于随机向量的每个未观测值时，我们提出了鲁棒贝叶斯半参数多元反卷积方法。另外，我们允许测量误差的可变性通过未知关系依赖于感兴趣的矢量的相关联的未观察值，这也自动包括多变量乘法测量误差的情况。有限混合模型、多元正态核和可交换先验的基本性质被以许多新颖的方式利用，以满足建模和计算的挑战。理论结果表明，所提出的方法的灵活性。我们通过仿真实验说明了所提出的方法在恢复感兴趣的真实密度的效率。该方法适用于估计联合消费模式的不同膳食成分污染的24小时召回。
2016-12-05 stat.ME
A Bayesian Solution to the M-Bias Problem
Criteo AI Lab（Criteo人工智能实验室）
在使用回归类型模型推断因果效应时，通常的做法是推断正确的因果关系需要包括或“调整”额外的协变量。如果不进行这种调整，就可以推断出错误的因果效应。考虑到这种现象，通常的做法是包括尽可能多的协变量，但这样的建议在M偏置的存在下无法坚持。M-偏倚是因果推断中的一个问题，其中处理效应的正确估计要求某些变量不进行调整，即从模型中忽略。这个问题在2009年引起了一场争论，当时鲁宾、珀尔和其他人不同意在推断因果效应时在模型中加入额外的变量是否会有问题。本文对这一问题做出了两个贡献。首先，我们提供了一个贝叶斯解决方案的M偏置问题。该解决方案复制了Pearl的解决方案，但与Rubin的建议一致，我们以所有变量为条件。其次，我们能够用贝叶斯术语来解决这个问题，这一事实表明，在贝叶斯范式中表示因果关系确实是可能的，尽管是在一个扩展的空间中。我们做了几个评论的因果关系的图形模型，实现了做演算和概率图形模型，使贝叶斯统计之间的异同。我们希望这项工作将刺激更多的研究，统一珍珠的因果演算使用因果图形模型与传统的贝叶斯统计和概率图形模型。
2019-06-17 cs.LG stat.ML
Exact Bayesian Inference for Multivariate Spatial Data of Any Size with Application to Air Pollution Monitoring
针对大规模多元空间数据难以进行贝叶斯推断的问题，提出SM-EPR方法，结合数据子集与精确后验回归，无需MCMC即可实现任意样本规模的精确推断，并应用于空气污染监测。
2025-03-03 stat.ME
Product risk assessment: a Bayesian network approach
Queen Mary University of London（伦敦玛丽女王大学）；Agena Ltd（Agena有限公司）
产品风险评估是确定产品（从洗衣机到泰迪熊）是否被认为对消费者安全使用的整个过程。产品风险评估有多种方法，包括RAPEX，这是英国和欧盟监管机构使用的主要方法。然而，尽管它的广泛使用，我们确定RAPEX的几个局限性，包括有限的方法来处理不确定性和无法将因果解释使用和解释测试数据。相比之下，贝叶斯网络（BN）是一种严格的，规范的方法，用于建模不确定性和因果关系，已经用于医学和金融等领域的风险评估，以及一般的关键系统。本文提出了一个BN模型，它提供了一个改进的系统方法，解决了RAPEX的局限性的产品风险评估。我们使用我们提出的方法来证明一个泰迪熊和一个新的未经认证的水壶，没有测试数据和产品实例的数量是未知的风险评估。我们表明，虽然我们可以复制的RAPEX方法的结果，BN方法是更强大和灵活的。
2020-10-09 cs.AI stat.ME stat.ML
Process-fracture mapping of a DLP-printed photopolymer using Bayesian active learning and surrogate-based sensitivity analysis
Louisiana State University（路易斯安那州立大学）；University of Minnesota（明尼苏达大学）
本研究结合贝叶斯主动学习与代理模型灵敏度分析，通过DIC辅助实验高效建立DLP打印光敏聚合物的工艺-断裂映射，明确紫外曝光时间为核心工艺变量。
2026-08-13 cond-mat.mtrl-sci stat.AP
Identifying differentially expressed transcripts from RNA-seq data with biological variation
动机：高通量测序使得能够在单个转录物的水平上进行表达分析。转录组表达水平和差异表达估计的分析需要概率方法来适当地解释由共享外显子和有限读段采样以及转录表达的内在生物学方差引起的模糊性。结果如下：我们提出了BitSeq（贝叶斯推断of Transcripts from Sequencing data），这是一种用于估计来自RNA测序实验的转录本表达水平的贝叶斯方法。推断的相对表达由来自读取数据的生成模型的后验概率分布的马尔可夫链蒙特卡罗（MCMC）样本表示。我们提出了一种新的方法，差异表达分析重复传播的不确定性，从样品水平的模型，同时使用表达水平依赖的先验建模生物方差。我们使用模拟数据以及RNA测序数据集与技术和生物复制的两个研究条件下，我们的方法证明了我们的优势。可用性：转录组表达估计和差异表达分析BitSeq的实现已用C++编写。
2012-03-05 q-bio.GN stat.AP
Prior Specification for Bayesian Matrix Factorization via Prior Predictive Matching
Norwegian University of Science and Technology（挪威科技大学）；University of Helsinki（赫尔辛基大学）
针对贝叶斯模型先验选择需反复高成本后验推断的问题，提出基于先验预测匹配的无后验推断先验选择方法，可解析确定泊松分解超参数，还给出通用随机优化方案并在层次矩阵分解中验证。
2022-09-30 cs.LG stat.ML
Longitudinal Brain Aging in Covariance Space: Temporally Calibrated Bayesian Inference for Adaptive Covariance Operators
St. Edward’s University（圣爱德华大学）；Indiana University（印第安纳大学）
本研究提出贝叶斯纵向协方差算子框架，结合达拉斯寿命脑研究发现人群大脑老化特征与个体老化轨迹存在差异，需直接建模纵向协方差变化。
2026-10-15 stat.AP stat.CO stat.ME
Bayesian order identification of ARMA models with projection predictive inference
提出基于投影预测推断的 ARMA 模型阶数识别方法，通过参考模型投影到简约子模型，实验表明其预测性能至少与 AIC 相当且对噪声鲁棒。
2023-07-26 stat.CO stat.ME
Dynamic Spatial Bayesian Machine Learning Model: Applications to Intergenerational Economic Mobility and Geographic Income Inequality in the United States
本文提出带Horseshoe收缩的动态空间面板贝叶斯加性回归树模型（DSP-BART-HS），用于高维时空数据，在九个场景中表现最优或相当，并在美国县级代际流动与收入不平等应用中验证了预测性能与变量选择。
2026-10-02 econ.EM stat.AP stat.ME
Model-based inference in complex surveys through targeted resampling of weights
针对复杂调查中传统推断方法的偏差、经典伪似然方法的有限样本缺陷及现有贝叶斯方法的局限，提出计算高效且理论一致的S-WLB方法，通过目标重采样权重实现准确推断并验证其性能。
2026-11-03 stat.ME
Multiple change-point Poisson model for threshold exceedances of air pollution concentrations
提出了一种贝叶斯多变点模型，用于分析氮氧化物（NO2和NO）和一氧化碳（CO）等污染物违反空气质量标准的情况。该模型是建立在这样的假设下，即阈值不确定性的发生可以由一个非齐次泊松过程与步进率函数来描述。与早期的方法不同，我们的模型不受预定数量的变点的限制，也不涉及任何协变量。可能的短程相关性在重复数据（例如，由于化学和气象因素）通过去簇化去除。未知的速率函数估计使用可逆跳MCMC采样算法改编自格林（1995年），它允许不同维度的参数子空间之间的过渡。该技术被应用到17年（1993-2009年）的每日NO2，NO和CO浓度数据在利兹市，英国。通过对速率函数的后验估计复制的模拟数据运行MCMC估计，验证了结果。研究结果进行了解释和讨论有关的一些已知的交通管制行动。建议的方法可能是有用的，在空气质量管理方面提供定量的客观手段来衡量污染控制方案的效果。
2010-12-08 stat.AP
Online Performance Estimation with Unlabeled Data: A Bayesian Application of the Hui-Walter Paradigm
Georgia State University（佐治亚州立大学）；Hewlett-Packard（惠普公司）
本文将Hui-Walter范式引入机器学习，通过Gibbs采样和交叉制表在无标签和动态数据环境下估计假阳性率等性能指标，实现了无需真实标签的在线模型评估。
2024-10-11 cs.LG math.ST stat.ML
Weekly sequential Bayesian updating improves prediction of deaths at an early epidemic stage
背景资料：2020年初爆发新型冠状病毒疫情后，全球各地的市政当局、地方政府及政策制定者不得不在充满不确定性的情况下规划非药物干预措施。在流行病的早期阶段，没有疫苗或药物治疗，算法预测可以成为一个强大的工具，为地方决策提供信息。然而，当我们复制一个著名的流行病学模型，以告知巴西南部地区的卫生当局时，我们发现该模型过于依赖手动预定的协变量，并且对数据趋势的变化反应过度。研究方法：我们对原始方法提出的四种变体允许访问每日报告的感染数据，并更明确地考虑到病例漏报的情况。两个提议的版本也试图模拟测试报告的延迟。我们模拟了从2020年5月31日到2021年1月31日期间的每周死亡预测。该工作流程使我们能够在第一个校准周后运行更精简的模型。每周更新的Google Mobility数据在每次模拟运行时用作模型的协变量。研究结果：这些变化使模型的反应性显着降低，并且在观察到死亡高峰后更快地适应场景。假设报告的病例被少报，这对模型的稳定性大有好处，而建模时追溯性地添加数据（由于所用数据的“热”性质）对性能的影响可以忽略不计。释义：虽然不像死亡统计那样可靠，但病例统计在与“高估”参数一起建模时，为改进模型的预测提供了一个很好的替代方案，特别是在长期预测和感染高峰之后。
2022-06-16 q-bio.PE stat.AP stat.ME
Bayesian Heuristics for Group Decisions
Massachusetts Institute of Technology (MIT)（麻省理工学院）
本文提出了一种基于贝叶斯规则的群体决策启发式模型，分析了信息结构和概率分布对群体决策效率的影响，揭示了重复互动导致的过度自信和极端选择倾向。
2016-11-02 cs.MA cs.SI cs.SY
Highly Scalable Maximum Likelihood and Conjugate Bayesian Inference for ERGMs on Graph Sets with Equivalent Vertices
指数族随机图建模（ERGM）框架为网络的统计分析提供了一种灵活的方法。由于ERGM通常涉及计算成本高的归一化因子，实际推理依赖于各种近似或其他解决方法。马尔可夫链蒙特卡罗极大似然（MCMCMLE）是一种有效的估计ERGM参数的极大似然估计的工具，适用于具有几千个节点的单网络模型。基于MCMC的贝叶斯分析算法更昂贵，并且在大型图上获得高质量的答案具有挑战性。对于这两种策略，扩展到池的情况下-我们从一个共同的生成过程中观察多个网络-增加了进一步的计算成本，时间和内存都在图的数量上线性缩放。这对于大型网络或大量图形观察可用的情况来说是禁止的。在这里，我们利用离散指数族的一些基本性质，开发一种方法，ERGM推断在池的情况下，（在适用的情况下）允许任意大量的图形观察，以适应在没有额外的计算成本，除了预处理数据本身。此外，我们的方法的一个变体也可以用于在共轭先验下执行贝叶斯推断，同样在估计阶段没有额外的计算成本。正如我们所展示的，共轭先验很容易指定，并且非常适合于正则化等应用。仿真研究表明，合并方法导致的估计具有良好的频率性质，和共轭先验下的后验估计是良好的行为。我们展示了我们的方法与应用程序汇集分析大脑的功能连接网络和复制的X射线晶体结构的鸡蛋白溶菌酶。
2021-10-26 cs.SI q-bio.QM stat.ME
Bayesian prediction for physical models with application to the optimization of the synthesis of pharmaceutical products using chemical kinetics
工业过程中的质量控制越来越多地利用先前的科学知识，这些知识通常编码在需要数值近似的物理模型中。统计预测和后续优化是确保过程输出满足规格目标的关键。然而，近似的模型的数值费用提出了计算的挑战，识别的组合的过程中的因素，有信心的质量的响应。最近的工作在贝叶斯计算和统计近似（仿真）昂贵的计算模型被用来开发一种新的策略，优化后验概率的过程满足规格。随后的方法是由化学合成工艺驱动的，并在该工艺中得到证明，该工艺用于生产药品，其中一组初始物质在某些工艺条件下根据化学反应演变成一系列新物质。其中一种物质是目标药物产品，两种是不需要的副产品。目的是确定工艺条件和初始物质量的组合，以最大限度地提高获得足够目标药物产品的可能性，同时确保不需要的副产物不超过给定水平。的因素和感兴趣的物质的量之间的关系在理论上描述的解决方案的常微分方程系统，包括温度依赖性。使用数据从一个小的实验，它显示了如何的方法可以近似的多变量后验预测分布的药物目标和副产品，因此确定合适的操作值。重复分析的材料可在www.github.com/amo105/chemicalkinetics上找到。
2018-10-22 stat.OT
The Posterior Predictive Null
贝叶斯模型批判是贝叶斯统计实践的重要组成部分。传统上，模型批评方法基于预测检查，贝叶斯建模的拟合优度测试的适应性，以及了解模型捕获数据分布的有效方法。然而，在现代实践中，研究人员迭代地构建和开发许多模型，探索模型空间以帮助解决手头的问题。虽然经典的预测检查可以帮助评估每一个，但它们不能帮助研究人员理解模型之间的关系。本文介绍了后验预测零检查（PPN），贝叶斯模型的批评，有助于表征模型之间的关系的方法。PPN背后的想法是检查来自一个模型的预测分布的数据是否可以通过为另一个模型设计的预测检查。这种形式的批评通过提供一种比较工具来补充经典的预测检查。PPN的集合，我们称之为PPN研究，可以帮助我们了解哪些模型是等效的，哪些模型提供了不同的数据视角。通过混合模型，我们展示了PPN研究以及传统的预测检查如何通过简约原则帮助选择组件的数量。通过概率因子模型，我们展示了PPN研究如何帮助理解不同类别模型之间的关系，例如线性模型和基于神经网络的模型。最后，我们分析了预测检查文献中的数据，以展示PPN研究如何改善贝叶斯模型批评的实践。可在\url{https://github.com/gemoran/ppn-code}上获得用于复制本文结果的代码。
2022-07-06 stat.ME
Mixture priors for replication studies
University of Trieste（的里雅斯特大学）；University of Zurich（苏黎世大学）
本文提出了一种基于混合先验的新型贝叶斯方法，用于复制研究，通过混合原始研究的后验分布和非信息性分布来量化复制研究的复制程度，并展示了如何利用贝叶斯因子进行科学假设检验。
2026-05-17 stat.AP stat.ME
A Comparison of Reproducibility Guidelines and Its Implications on Undergraduate Statistical Education
在本文中，我们复制了贝叶斯教育研究项目，该项目探讨了美国宽带接入和在线课程入学率之间的关联。我们总结了我们的复制的关键发现，并将其与原始项目进行了比较。根据我的复制经验，我们的目标是展示研究复制的挑战，即使代码和数据是公开共享的，GitHub上的材料质量也很高。此外，我们还考察了研究者知识水平的隐性假设，并讨论了这种假设如何增加科学研究再生产的难度。最后，我们希望本文能对重现性标准的设计有所启发，并为探索本科统计学教育应该教什么开辟一个空间。
2022-10-28 stat.OT
A hierarchical Bayesian model to find brain-behaviour associations in incomplete data sets
University College London（伦敦大学学院）；Max Planck University College London Centre for Computational Psychiatry and Ageing Research（马克斯·普朗克伦敦大学学院计算精神病学与衰老研究中心）；Wellcome Centre for Human Neuroimaging（韦尔科姆人类神经影像中心）
典型相关分析（CCA）及其正则化版本已广泛用于神经成像领域，以揭示两种数据模态之间的多变量关联（例如，脑成像和行为）。然而，这些方法具有固有的局限性：（1）关于关联的统计推断通常不可靠;（2）每个数据模态内的关联未建模;（3）缺失值需要插补或删除。组因子分析（GFA）是一种分层模型，通过提供贝叶斯推断和建模特定于模态的关联来解决前两个限制。在这里，我们提出了一个扩展的GFA处理缺失数据，并强调GFA可以用作预测模型。我们将GFA应用于由人类连接组计划（HCP）的大脑连接和非成像测量组成的合成和真实数据。在合成数据中，GFA发现了潜在的共享和特定因素，并正确预测了完整和不完整数据集中的未观察到的数据模式。在HCP数据中，我们确定了四个相关的共享因素，捕获情绪，酒精和药物使用，认知，人口统计学和精神病理学指标与默认模式，额顶控制，背侧和腹侧网络和神经网络之间的关联，以及描述大脑连接内关联的两个因素。此外，GFA预测了一组来自大脑连接的非成像测量。这些发现在完整和不完整的数据集是一致的，并复制了文献中的先前发现。GFA是一个很有前途的工具，可用于揭示基准数据集（如HCP）中多个数据模态之间和内部的关联，并易于扩展到更复杂的模型，以解决更具挑战性的任务。
2021-03-11 cs.LG stat.ML
Trajectory-Oriented Optimization Via Adaptive Thompson Sampling And Grid Refinement: A Tutorial With The ADAPTIVE\_TS Package
Argonne National Laboratory（阿贡国家实验室）；Inria Université Côte d’Azur CNRS LJAD（法国国家信息与自动化研究所尼斯蓝色海岸大学法国国家科学研究中心拉巴斯德联合实验室）
本文介绍了一种无需模拟器复制随机行为假设的轨迹导向优化方法，结合贝叶斯优化和自适应汤普森采样与网格细化，并提供了开源Python包ADAPTIVE_TS的教程及实例。
2026-05-22 stat.AP stat.CO
