Bayesian Fusion of Multi-Band Images
University of Toulouse(图卢兹大学)
提出了一种多波段遥感图像的贝叶斯融合方法。所观察到的图像与要通过物理退化恢复的高光谱和高空间分辨率图像相关,由传感器特性定义的空间和光谱模糊和/或子采样。在贝叶斯估计框架内制定的融合问题。一个适当的先验分布,利用几何考虑。为了从感兴趣场景的后验分布计算其贝叶斯估计,设计了马尔可夫链蒙特卡罗算法来根据目标分布生成渐近分布的样本。为了有效地从这种高维分布中采样,在Gibbs采样策略中引入了Hamilton Monte Carlo步骤。相对于几个国家的最先进的融合技术,所提出的融合方法的效率进行评估。特别地,低空间分辨率的高光谱和多光谱图像被融合以产生高空间分辨率的高光谱图像。
2014-08-26 cs.CV physics.data-an stat.ME
Bayesian Fusion of Data Partitioned Particle Estimates
我们提出了一种贝叶斯数据融合方法来近似一个后验分布,从一个合奏的粒子估计,只有访问数据的子集。我们的方法依赖于近似的概率推断模型参数,通过蒙特卡罗方法,其次是更新和重采样计划相关的多个重要性抽样结合信息的初始估计。我们表明,该方法是收敛的粒子限制,并直接适用于多传感器数据融合问题的应用,通过演示多传感器开普勒轨道确定问题和仅方位跟踪问题的有效性。
2020-10-26 stat.CO
Piecewise Deterministic Markov Processes for Bayesian Inference of PDE Coefficients
Delft University of Technology(代尔夫特理工大学)
本文提出了一种基于分段确定性马尔可夫过程的框架,利用代理模型提升贝叶斯推断效率,特别适用于PDE系数的非线性反问题。
2026-02-05 math.ST stat.AP stat.CO
PAC-Bayesian Majority Vote for Late Classifier Fusion
Aix-Marseille Univ(艾克斯-马赛大学);CNRS(法国国家科学研究中心);Univ. of St-Etienne(圣艾蒂安大学)
在过去的几年里,人们对多媒体索引给予了大量的关注。在文献中,我们经常考虑两种融合方案:早期融合和晚期融合。在本文中,我们专注于后期分类器融合,其中一个相结合的分数,每一个模态的决策层。为了解决这个问题,我们研究了一个最近的和优雅的有理有据的二次规划名为MinCq来自机器学习PAC-Bayes理论。MinCq在一组被视为选民的实值函数上寻找加权组合,从而导致最低的误分类率,同时利用选民的多样性。我们提供的证据表明,这种方法是自然适应于后期融合程序。我们提出了MinCq的扩展,通过添加保留顺序的成对损失来进行排名,从而帮助改进平均精度度量。我们证实了良好的行为的MinCq为基础的融合方法与实验上的真实图像基准。
2012-07-04 cs.CV cs.LG cs.MM
Multistatic-Radar RCS-Signature Recognition of Aerial Vehicles: A Bayesian Fusion Approach
Northeastern University(东北大学);University of Pittsburgh(匹兹堡大学);DEVCOM ARL(DEVCOM陆军研究实验室)
针对多基地雷达RATR中融合方法次优的问题,提出结合最优贝叶斯融合与递归贝叶斯分类的全贝叶斯框架,经7种无人机模拟轨迹实验验证,分类准确率显著优于单雷达及次优融合方法。
2024-08-16 cs.CV cs.LG eess.SP
Offline Contextual Bayesian Optimization for Nuclear Fusion
Carnegie Mellon University(卡内基梅隆大学);University of California Berkeley(加州大学伯克利分校);Princeton Plasma Physics Laboratory(普林斯顿等离子体物理实验室)
核聚变被认为是未来的能源,因为它提供了无限清洁能源的可能性。利用聚变作为可行的能源的一个障碍是反应的稳定性。理想情况下,人们将具有用于反应器的控制器,其响应于等离子体的当前状态而做出动作,以便尽可能长地延长反应。在这项工作中,我们做了初步的步骤来学习这样的控制器。由于在真实世界的反应堆上学习是不可行的,我们试图通过模拟器离线学习最优控制来解决这个问题,在模拟器中可以明确地设置等离子体的状态。特别是,我们引入了一个理论上接地贝叶斯优化算法,建议在每次迭代的状态和动作对评估,并表明这会导致更有效地使用模拟器。
2020-01-06 cs.LG stat.ML
Bayesian--AI Fusion for Epidemiological Decision Making: Calibrated Risk, Honest Uncertainty, and Hyperparameter Intelligence
Department of Statistics, Visva–Bharati University(统计系,维萨-巴哈蒂大学);S. N. Bose National Centre for Basic Sciences(S. N. Bose基础科学国家中心)
针对流行病学AI模型不确定性校准不足、贝叶斯方法难与现有AI工作流整合的问题,本文提出融合贝叶斯预测与贝叶斯超参数优化的双层框架,经多数据集验证可输出校准风险、优化模型性能,支撑流行病学决策。
2025-11-15 cs.LG stat.ML
Bayesian data fusion for unmeasured confounding
贝叶斯因果推断提供了一个原则性的方法,建议的干预措施的政策评估介质或随时间变化的曝光。我们概述了一个一般的方法来估计因果量的设置随时间变化的混杂,如保险引起的中介结果混杂。我们进一步扩展这种方法,提出两个贝叶斯数据融合(BDF)方法的不可测的混杂。使用与混杂偏倚参数相关的量的信息先验,我们的方法结合了来自外部来源的数据,其中测量混杂因素,以便在主要研究人群中推断因果被估量。我们目前的结果,从模拟研究比较我们的数据融合方法,两种常见的频率校正方法的未测量的混杂偏差的调解设置。我们还证明了我们的方法与癌症诊断阶段的作用,在促进黑白结直肠癌生存差异的调查。
2019-02-27 stat.AP stat.ME
Learning big Gaussian Bayesian networks: partition, estimation, and fusion
Department of Statistics, University of California, Los Angeles(加利福尼亚大学洛杉矶分校统计学系)
贝叶斯网络的结构学习一直是一个具有挑战性的问题。目前,在许多领域中经常出现节点数在数千以上、样本数较少的超大规模网络。我们开发了一个分而治之的框架,称为分区估计融合(PEF),这样的大网络的结构学习。该方法首先将节点划分成簇,然后在每个簇上学习一个子图,最后将所有学习到的子图融合到一个贝叶斯网络中。PEF方法以灵活的方式设计,使得在第二步骤中可以使用任何结构学习方法来学习作为DAG或CPDAG的子图结构。在聚类步骤中,我们采用层次聚类方法来自动选择适当数量的聚类。在融合步骤中,我们提出了一种新的混合方法,顺序添加子图之间的边缘。大量的数值实验表明,我们的PEF方法的竞争力的性能,在速度和精度方面相比,现有的方法。我们的方法可以将结构学习的准确性提高20%或更多,同时将运行时间减少到两个数量级。
2019-04-24 cs.LG stat.ML
Posterior contraction rate for non-parametric Bayesian estimation of the dispersion coefficient of a stochastic differential equation
本文给出了线性随机微分方程确定性离差系数的非参数贝叶斯估计的后误差收缩率。
2014-09-09 math.ST stat.TH
Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Amsterdam University Medical Centre(阿姆斯特丹大学医学中心)
该研究提出贝叶斯融合森林框架,结合随机试验与真实世界数据估计生存异质性处理效应,经模拟和HIV数据分析显示其效率优于仅试验分析,可明确识别患者获益。
2026-08-03 stat.ME stat.ML
Deterministic Objective Bayesian Analysis for Spatial Models
本文针对空间相关数据的Gaussian process模型,结合已有参考先验,提出基于信赖域优化、精确后验导数和Chebyshev自适应稀疏网格的确定性全贝叶斯预测与推断算法。
2023-07-18 stat.CO stat.ME
Bayesian Fusion: Scalable unification of distributed statistical analyses
最近有相当大的兴趣在解决统一的分布式统计分析到一个单一的连贯推理的问题。这个问题在许多情况下自然会出现,包括在大数据环境中,在隐私约束下工作时,以及在贝叶斯模型选择中。大多数现有的方法依赖于方便的近似的分布式分析。虽然通常是计算效率高,并容易缩放相对于被统一的分析的数量,近似的方法可以有显着的缺点-推理的质量可以迅速降低与被统一的分析的数量,并可以基本上是有偏见的,即使在统一的少量的分析,不同意。相比之下,Dai等人(2019)最近的Fusion方法是一种拒绝抽样方案,该方案易于并行化且精确(避免除蒙特卡罗误差外的任何形式的近似),尽管其适用性有限,无法统一少量低维分析。在本文中,我们介绍了一个实用的贝叶斯融合方法。我们扩展了融合方法的理论基础,通过将其嵌入到序贯蒙特卡罗算法中,我们能够恢复正确的目标分布。通过对该方法实施的广泛指导,我们从理论上和经验上证明了贝叶斯融合对越来越多的分析具有鲁棒性,并且一致地统一了不一致的分析。这是实现的,而计算上的竞争力与近似方案。
2021-02-03 stat.ME
Towards Gaussian Bayesian Network Fusion
Universidad Politécnica de Madrid(马德里理工大学)
由于我们现在拥有越来越多的生成和存储数据的设施,数据集的复杂性正在增长。这对机器学习提出了许多挑战,这些挑战导致新方法和范式的提出,以便能够处理现在所谓的大数据。在本文中,我们提出了一种方法,用于聚合不同的贝叶斯网络结构,已经从不同的数据集学习,作为第一步,对挖掘数据集,需要在一个水平的方式进行分区,即相对于实例,以便进行处理。讨论了在处理这种情况时应考虑的因素。贝叶斯网络的可扩展学习正在慢慢出现,我们的方法构成了对不同来源的高斯贝叶斯网络聚合的第一个见解之一。在合成数据上进行测试,取得了优于个体学习的良好效果。未来的研究将集中在扩展该方法和测试更多样化的数据集。
2018-12-01 cs.LG stat.ML
Piecewise Deterministic Markov Processes for Bayesian Neural Networks
本文提出一种通用自适应稀疏方案,用于高效采样分段确定性马尔可夫过程,提升贝叶斯神经网络推断的计算效率和预测精度。
2026-04-06 cs.LG stat.ML stat.OT
Spatial-Temporal-Fusion BNN: Variational Bayesian Feature Layer
the University of Sydney(悉尼大学);JD Explore Academy, JD.com Inc.(京东探索研究院);University of Social Sciences(社会科学大学);Systems Research Institute of the Polish Academy of Sciences(波兰科学院系统研究所);Tsinghua University(清华大学)
贝叶斯神经网络(BNN)已经成为减轻深度学习中过度自信预测的主要方法,但是由于大量的分布参数,它们经常遭受缩放问题。在本文中,我们发现深度网络的第一层在单独重新训练时具有多个不同的最优值。这表明当第一层被贝叶斯层改变时,后验方差很大,这促使我们设计时空融合BNN(STF-BNN)以有效地将BNN扩展到大模型:(1)首先从零开始正常训练神经网络以实现快速训练;(2)第一层转换为贝叶斯并采用随机变分推理进行推断,而其他层是固定的。与普通的BNN相比,我们的方法可以大大减少训练时间和参数的数量,这有助于有效地扩展BNN。进一步对STF-BNN的泛化能力和抑制过度自信的能力提供了理论保证。综合实验表明,STF-BNN(1)在预测和不确定性量化方面达到了最先进的性能;(2)显着提高了对抗鲁棒性和隐私保护;(3)大大减少了训练时间和内存成本。
2021-12-12 cs.AI cs.LG stat.ML
Deterministic and stochastic damage detection via dynamic response analysis
本文提出了一种基于声激励下材料时变响应的弹性材料损伤检测方法。一个案例研究,包括实验测量和数学分析。声波的数学模型的决定性参数(波速和阻尼系数)通过比较测量数据与数学模型预测的数值评估的精确解进行校准。校准是通过最小化随时间推移的平方误差和随机贝叶斯方法,通过Metropolis-Hastings算法实现的确定性。由此产生的后验分布的参数可以用来构建一个贝叶斯测试的损害。
2019-12-23 eess.SP math.ST stat.TH
Bayesian Effect Fusion for Categorical Predictors
在本文中,我们提出了一个贝叶斯方法,以获得一个稀疏表示的分类预测的影响,在回归型模型。由于分类预测因子的效应由一组水平效应捕获,因此稀疏性不仅可以通过排除单个不相关水平效应来实现,还可以通过排除与预测因子关联的整组效应或通过融合对响应具有基本相同效应的水平来实现。为了实现这一目标,我们提出了一个先验,它允许几乎完美的,以及几乎为零的水平影响之间的依赖先验。我们展示了如何通过指定与一个分类预测因子相关的所有效应差异上的尖峰和平板先验分布来获得此先验,以及如何实现限制性融合。提出了一种有效的后验计算MCMC方法。所提出的方法的性能进行了研究模拟数据。最后,我们说明了它的应用程序的实际数据从欧盟SILC。
2017-11-16 stat.CO
On Generalized Bayesian Data Fusion with Complex Models in Large Scale Networks
1 Sibley School of Mechanical
本文提出新的广义贝叶斯分布式数据融合算法,用于处理动态网络拓扑和复杂信念模型,通过混合pdf和条件因子提升多机器人目标搜索中的融合效果。
2013-08-14 cs.RO cs.SY eess.SY
The Relevance of Bayesian Layer Positioning to Model Uncertainty in Deep Bayesian Active Learning
Stanford University(斯坦福大学);NVIDIA(英伟达)
深度学习工具的主要挑战之一是它们无法捕捉模型的不确定性。虽然贝叶斯深度学习可以用来解决这个问题,但贝叶斯神经网络通常需要比确定性网络更多的时间和计算能力来进行训练。我们的工作探讨是否需要完全贝叶斯网络来成功地捕捉模型的不确定性。我们改变贝叶斯层在网络中的数量和位置,并将它们在主动学习上的性能与MNIST数据集进行比较。我们发现,我们可以充分捕捉模型的不确定性,只需使用几个贝叶斯层附近的网络输出,结合确定性和贝叶斯网络的优势。
2018-11-29 cs.AI cs.LG stat.ML
Aggregation by exponential weighting, sharp PAC-Bayesian bounds and sparsity
研究了确定性设计回归模型中平方损失下的聚集问题。我们得到尖锐的PAC贝叶斯风险界定义通过指数权重的聚集,在一般假设下的分布误差和聚集的功能。然后,我们应用这些结果来推导稀疏预言不等式。
2013-03-22 math.ST stat.TH
Federated Bayesian Computation via Piecewise Deterministic Markov Processes
当在实践中执行贝叶斯计算时,人们经常面临这样的挑战,即组成模型组件和/或数据仅以分布式方式可用,例如由于隐私问题或庞大的体积。虽然已经提出了各种方法用于在这样的联合设置中执行后验推断,但是这些方法要么对数据和/或模型做出非常强的假设,要么在局部后验被组合以形成目标后验的近似时引入显著的偏差。通过利用最近开发的方法马尔可夫链蒙特卡罗(MCMC)的分段确定性马尔可夫过程(PDMP)的基础上,我们开发了一个计算-和通信-有效的家庭后验推理算法(联邦PDMC),它提供了一个大类的贝叶斯模型,允许异质模型和数据的贡献,从每个客户端的完整后验渐近精确近似。我们表明,客户端和服务器之间的通信保留了个人数据源的隐私,通过建立差分隐私保证。我们量化了一类说明性的分析案例研究的性能Fed-PDMC,并证明了其有效性的一些合成的例子,以及现实的贝叶斯计算基准。
2022-10-25 cs.DC stat.CO
Bayesian Attention Belief Networks
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Xidian University(西安电子科技大学)
基于注意力的神经网络已经在广泛的任务上取得了最先进的成果。大多数此类模型使用确定性注意,而随机注意由于优化困难或复杂的模型设计而较少探索。本文介绍了贝叶斯注意力信念网络,它构造了一个解码器网络建模未规范化的注意力权重与伽玛分布的层次,和一个编码器网络堆叠Weibull分布与确定性向上随机向下的结构,以近似后验。由此产生的自动编码网络可以以具有变分下界的可微方式进行优化。将任何具有确定性注意力的模型(包括预先训练的模型)转换为所提出的贝叶斯注意力信念网络是很简单的。在各种语言理解任务中,我们证明了我们的方法在准确性、不确定性估计、跨域泛化和对对抗攻击的鲁棒性方面优于确定性注意和最先进的随机注意。我们进一步证明了我们的方法在神经机器翻译和视觉问答上的普遍适用性,显示出将我们的方法纳入各种注意力相关任务的巨大潜力。
2021-06-09 cs.CL cs.LG stat.ML
Iterative Correction of Sensor Degradation and a Bayesian Multi-Sensor Data Fusion Method
ETH Zürich(苏黎世联邦理工学院)
我们提出了一种新的方法推断地面实况信号从多个退化的信号,受不同数量的传感器曝光。该算法通过仅从两个信号之间的比率对两个信号进行迭代校正来学习乘性退化效应。退化函数d应该是连续的,满足单调性,并且d(0)= 1。我们使用平滑单调回归方法,在那里我们很容易将上述标准的拟合部分。我们包括理论分析和证明收敛到地面实况信号的无噪声测量模型。最后,我们提出了一种方法来融合噪声校正信号使用高斯过程。我们使用稀疏高斯过程,可以用于大量的测量与一个专门的内核,使所有传感器的噪声值的估计。数据融合框架可以自然地处理数据缺口,并提供一种简单而强大的方法来观察多个时间尺度上的信号趋势(长期和短期信号特性)。校正方法的可行性进行了评估与已知的地面真实信号的合成数据集。
2020-09-07 cs.IR cs.LG stat.ML
Bayesian Spatial Binary Regression for Label Fusion in Structural Neuroimaging
阿尔茨海默病是一种神经退行性疾病,相对于正常衰老,它会加速认知能力的下降。更好地了解大脑中的早期疾病机制以促进有效的靶向治疗具有至关重要的科学意义。海马的体积常用于疾病的诊断和监测。通过神经成像测量这个体积是困难的,因为每个海马必须手动识别或自动描绘,这是一项称为分割的任务。自动海马体分割通常涉及将先前手动分割的图像映射到新的大脑图像,并传播标签以获得每个海马体在新图像中的位置的估计。最近解决这个问题的方法是从多个手动分割的图谱中传播标签,并使用称为标签融合的过程将结果组合在一起。迄今为止,大多数标签融合算法采用直接分配或通过优化估计的投票权重的投票过程。我们建议使用一个完全贝叶斯空间回归模型的标签融合,有利于直接纳入协变量的信息,同时访问整个后验分布。我们的研究结果表明,将组织分类(例如,灰质)到标签融合过程中,可以大大提高分割时,相对均匀,健康的大脑被用作患病大脑的图谱。完全贝叶斯方法还产生了关于海马体积的有意义的不确定性测量,这些信息可以用来检测健康人群和患病人群之间的显著的、有科学意义的差异,提高了早期检测和跟踪疾病的可能性。
2022-01-14 stat.AP stat.ME
hIPPYlib: An Extensible Software Framework for Large-Scale Inverse Problems Governed by PDEs; Part I: Deterministic Inversion and Linearized Bayesian Inference
我们提出了一个可扩展的软件框架,hIPPYlib,解决大规模的确定性和贝叶斯逆问题的偏微分方程(PDE)与无穷维参数字段(这是高维离散化后)。hIPPYlib通过为基于偏微分方程的逆问题实现最先进的可扩展算法,克服了贝叶斯逆对这类问题的禁止性,这些算法利用了底层算子的结构,特别是对数后验的Hessian。在hIPPYlib中实现的算法的关键属性是,确定性和线性化贝叶斯逆问题的解是以线性化正向PDE解的成本计算的,该成本与参数维数无关。后验的平均值由MAP点近似,MAP点通过最小化负对数后验来找到。这个确定性的非线性最小二乘最优化问题的解决与不精确矩阵的牛顿CG方法。后验协方差近似为在MAP点评估的负对数后验的Hessian的倒数。当参数-可观测映射是线性的时,这种高斯近似是精确的;否则,其对数与MAP点处的对数后验的两个导数一致,因此它可以作为基于Hessian的MCMC方法的建议。通过调用对数似然的Hessian的低秩近似,使得后验协方差的构造变得易于处理。还实现了用于样本生成的可扩展工具。hIPPYlib使领域科学家可以轻松访问所有这些高级算法,并提供了一个加速新算法开发的环境。hIPPYlib也是一个教学工具,用于教育研究人员和从业者谁是新的反问题和贝叶斯推理框架。
2020-08-29 cs.MS cs.NA math.NA
Bayesian Conditional Generative Adverserial Networks
The University of Adelaide(阿德莱德大学);Queensland University of Technology(昆士兰科技大学);CMU(卡内基梅隆大学)
传统的GANs使用确定性生成器函数(通常是神经网络)将随机噪声输入$z$转换为采样器试图区分的样本$\mathbf{x}$。我们提出了一种新的GAN,称为贝叶斯条件生成对抗网络(BC-GAN),它使用随机生成器函数将确定性输入$y'$转换为样本$\mathbf{x}$。我们的BC-GANs将传统的GANs扩展到贝叶斯框架,并自然地处理无监督学习,监督学习和半监督学习问题。实验表明,所提出的BC-GANs优于最先进的。
2017-06-17 cs.AI cs.LG stat.ML
Sequential testing over multiple stages and performance analysis of data fusion
MITRE Corporation(米特尔公司)
我们描述了一种方法,用于对不同传感器配置之间的决策级数据融合的性能进行建模,作为JIEDDO分析决策引擎(JADE)的一部分。我们首先讨论了经典的概率数据融合的贝叶斯网络制定,它允许基本的融合结构,有效地堆叠和分析。然后,我们提出了一个扩展的Wald序贯检验相结合的贝叶斯网络的输出随着时间的推移。我们讨论了一个算法来计算其性能统计数据,并说明了一些例子的方法。这种顺序测试的变体涉及多个不同的阶段,其中从每个阶段积累的证据被带入下一个阶段,并且由于需要保持网络中的某些传感器不活动,除非被其他传感器触发。
2013-03-27 cs.LG stat.ML
SunBURST: Deterministic GPU-Accelerated Bayesian Evidence via Mode-Centric Laplace Integration
Braude College of Engineering(布雷德工程学院)
SunBURST通过模式中心拉普拉斯积分实现高维贝叶斯证据计算,结合GPU并行加速,适用于高斯和近高斯后验,提供高精度且高效的结果。
2026-01-27 astro-ph.CO astro-ph.IM stat.CO
Heteroscedastic Neural Surrogate Modeling for Robust and Rapid Bayesian Inference in Fusion Plasma Diagnostics
The University of Tokyo(东京大学);National Institute for Fusion Science(国立核聚变科学研究所)
本文针对聚变等离子体诊断中MCMC贝叶斯推理的计算瓶颈与噪声敏感性问题,提出双头架构的异方差神经代理框架,实现超1500倍加速且降低20%以上推理误差,为实时物理分析提供新范式。
2026-08-21 cs.LG stat.CO
Practical multi-fidelity machine learning: fusion of deterministic and Bayesian models
Delft University of Technology(代尔夫特理工大学);City University of Hong Kong(香港城市大学);Brown University(布朗大学)
提出一种融合确定性低保真模型与贝叶斯高保真模型的三模型多保真策略,通过迁移学习与残差学习实现不确定性量化,在保证精度的同时显著降低训练时间并缓解过拟合。
2025-03-25 cs.LG math.PR stat.ML
On the disintegration of the stochastic majority vote: From PAC-Bayesian bounds to a self-bounding algorithm
CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);Institut Universitaire de France(法国大学研究院);Univ Rennes(雷恩大学)
本文提出去随机化框架,利用分解PAC-贝叶斯理论将随机多数投票的保证转化为确定性多数投票的证书,推导两类泛化界并引出自界学习算法。
2026-09-16 cs.LG stat.ML
Bayesian Uncertainty Quantification and Information Fusion in CALPHAD-based Thermodynamic Modeling
相图计算是合金设计的基本工具之一,更具体地说,是在综合计算材料工程的框架下进行的。相图的不确定性量化是为基于性能或性能的设计提供决策信心所需的第一步。作为说明的方式,使用马尔可夫链蒙特卡罗抽样方法对Hf-Si二元案例研究的可用数据进行CALPHAD模型参数的彻底概率评估。因此,合理的最佳值和参数的不确定性,这可以传播到所得的相图。在计算热力学评估工具(在这种情况下为Thermo-Calc)中使用从确定性优化获得的参数值作为采样过程中参数值和范围的先验信息,对于不确定性量化实现合理的成本通常是必要的。这就带来了一个问题,找到一个适当的CALPHAD模型与高水平的信心,这是一个非常困难和昂贵的任务,需要相当的专业技能。为了满足这种情况下模型选择的需要,提出了一种基于贝叶斯因子的贝叶斯假设检验方法,并将其应用于Hf-Si系统的四种推荐模型的比较。然而,它表明,信息融合方法,即,贝叶斯模型平均和基于误差相关的模型融合可以用于组合存在于所有给定模型中的有用信息,而不是仅使用最佳选择的模型,其可能缺乏关于被建模的系统的一些信息。
2018-07-18 cond-mat.mtrl-sci stat.AP
Geometric Ergodicity of Gibbs Samplers in Bayesian Penalized Regression Models
我们考虑三个贝叶斯惩罚回归模型,并表明,各自的确定性扫描吉布斯采样器是几何遍历的回归问题的尺寸无关。我们证明了几何遍历的吉布斯采样贝叶斯融合套索,贝叶斯组套索,和贝叶斯稀疏组套索。几何遍历性与矩条件一起导致蒙特卡罗平均值的马尔可夫链中心极限定理的存在,并确保可靠的输出分析。我们的几何遍历性的结果,使我们也可以提供默认的吉布斯采样器的起始值。
2017-07-04 math.ST stat.CO stat.TH
Stochastic Annealing for Variational Inference
我们经验评估贝叶斯后验优化与变分推断的随机退火策略。变分推断是贝叶斯模型中近似后验推理的确定性方法,其中典型的非凸目标函数在近似分布的参数上局部优化。我们研究的退火方法优化这个目标的目的是找到一个更好的局部最优解,并比较确定性退火方法和没有退火。我们表明,随机退火可以提供明显的改善GMM和HMM,而LDA的性能往往有利于确定性退火方法。
2015-05-25 stat.ML
Bayesian Analysis of Inertial Confinement Fusion Experiments at the National Ignition Facility
我们开发了一个贝叶斯推断方法,允许有效地确定几个有趣的参数,从复杂的高能量密度实验上进行的国家点火装置(NIF)。该模型是基于探索的相空间,使用流体动力学代码HYPENDIX。线性模型用于描述干扰参数对分析的影响,允许推导出分析可能性,该分析可能性可以从少量HYDROGEN运行中确定,然后用于现有的高级统计分析方法。这种方法被应用到最近的实验,以确定碳不透明度和X射线驱动器,它被发现,包括先前的专家知识和波动胶囊尺寸和化学成分显着提高实验和理论不透明度计算之间的协议。一个参数化的HYDRONIC结果被用来测试应用马尔可夫链蒙特卡罗(MCMC)和遗传算法(GA)技术,探索后验。这些方法具有明显的优势,我们表明,这两种方法都可以允许高能量密度实验的有效分析。
2012-07-02 physics.data-an physics.plasm-ph stat.AP
Development of a Bayesian method for the analysis of inertial confinement fusion experiments on the NIF
惯性约束聚变(ICF)实验的复杂性导致了非常大量的实验参数,这些参数仅以有限的可靠性已知。这些参数,加上无数的物理模型,管理目标的演变,使可靠的提取物理实验活动非常困难。我们开发了一种推理方法,允许所有重要的实验参数,和以前的知识,要考虑到在调查底层的微观物理模型。其结果是作为一个修改后的$χ^{2}$分析,这是很容易实现在现有的分析,相当便携。我们提出了第一个应用程序,最近收敛烧蚀实验在NIF进行,并调查在所有物理尺寸的目标(很难做到使用其他方法)的变化的影响。我们发现,对于特征明确的目标,其中尺寸在0.5%的水平上变化,几乎没有影响,但3%的变化会显着改变推断的结果。我们的贝叶斯方法允许特定的推断结果与微观物理模型中的先验误差相关联;在我们的示例中,调整碳不透明度以匹配实验数据(即,忽略先验知识)等效于Tabop不透明度表中400%的假定先验误差。这个大误差是不合理的,强调了在分析这些实验时包括先验知识的重要性。
2013-02-23 physics.data-an physics.plasm-ph stat.AP
Bayesian multi-exposure image fusion for robust high dynamic range ptychography
本文针对叠层成像中探测器动态范围受限问题,提出基于修正泊松分布的贝叶斯多曝光图像融合方法,利用EM算法推断参数,在低信噪比条件下实现优于传统方法的鲁棒高动态范围相位恢复,并提供Python实现。
2024-06-10 eess.IV stat.AP
Out-of-Distribution Detection from Small Training Sets using Bayesian Neural Network Classifiers
Department of Mathematics and Statistics University of Ottawa(数学与统计学系 马尼托瓦大学)
本文提出了一种基于贝叶斯神经网络的分布外检测方法,通过预期logit向量生成得分,并在MNIST和CIFAR-10数据集上验证了其在小训练集下的优越性能。
2025-10-07 cs.LG stat.ML
A Consistent Bayesian Formulation for Stochastic Inverse Problems Based on Push-forward Measures
University of Colorado Denver(科罗拉多大学丹佛分校);Sandia National Laboratories(桑迪亚国家实验室)
本文提出了一种基于推进测度的随机反问题一致贝叶斯方法,通过贝叶斯更新方法求解确定性模型参数的反问题,并通过数值方法验证了该方法的正确性和有效性。
2017-04-03 cs.NA math.NA stat.CO
Deterministic Leave-One-Cluster-Out Cross-Validation for Multilevel Bayesian Structural Equation Models
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Universiti Brunei Darussalam(文莱达鲁萨兰大学)
该研究提出多层贝叶斯SEM的确定性LOCO交叉验证方法,无需重拟合或蒙特卡洛采样,计算成本低,经模拟及PISA、MIDUS数据验证有效。
2026-09-02 stat.ME
Spatial data fusion adjusting for preferential sampling using INLA and SPDE
提出一种考虑优先采样的贝叶斯空间融合模型,结合贝叶斯融合规范与依赖采样过程,利用INLA和SPDE方法实现快速推断,有效融合点数据与面数据以预测空气污染。
2024-06-05 stat.ME
A Bayesian method for the analysis of deterministic and stochastic time series
我介绍了一个一般的,贝叶斯方法建模单变量时间序列数据假设是从一个连续的,随机的过程。该方法可适应任意时间采样,并考虑到测量的不确定性的任意误差模型(不只是高斯)的时间和信号变量。支持信号随时间变化的确定性分量的任何模型,也支持信号和时间变量的随机性分量的任何模型。这里所示的模型是与高斯随机分量相结合的信号均值的恒定和正弦模型,以及纯随机模型,即Ornstein-Uhlenbeck过程。模型参数的后验概率分布通过Monte Carlo抽样确定。模型比较使用“交叉验证似然”,其中后验平均似然为不同分区的数据相结合。原则上,这比证据(先验平均似然)对先验的变化更具鲁棒性。该方法证明了它的光变曲线的11个超冷矮星,声称由以前的研究显示统计上显着的变化。这里通过计算各种时间序列模型的交叉验证可能性来重新评估这一点,包括误差线之外无变异性的零假设。11个光变曲线中有10个被确认为显著可变,其中一个似乎是周期性的,确定了两个合理的周期。另一个对象是最好的描述由奥恩斯坦-乌伦贝克过程,这显然是有限的一套模型实际测试的结论。
2012-10-23 astro-ph.IM astro-ph.SR physics.data-an
Accelerating Bayesian Variable Selection using Piecewise Deterministic Markov Processes
Tilburg University(蒂尔堡大学);University of Amsterdam(阿姆斯特丹大学)
本研究将分段确定性马尔可夫过程(PDMP)采样器应用于贝叶斯变量选择,扩展其至相关先验与随机梯度场景,结合心理测量模型验证,提升了强相关参数下的采样效率。
2026-08-31 stat.ME
Aerodynamic Data Fusion Towards the Digital Twin Paradigm
Georgia Institute of Technology(佐治亚理工学院)
我们考虑融合两个气动数据集源于不同保真度的物理或计算机实验。我们具体解决的融合:1)噪声和不完整的领域,从风洞测量和2)确定性,但有偏见的领域,从数值模拟。这两个数据源被融合,以便估计与用作地面实况的测量量最佳匹配的\emph{true}字段。例如,根据风洞实验测得的力和力矩,融合了飞机周围的两个压力场源。这个问题的一个基本挑战是真实场是未知的,并且不能以100%的确定性来估计。我们采用贝叶斯框架来推断以感兴趣的测量量为条件的真实场;本质上,我们对数据执行\emph{statistical correction}。融合后的数据可用于构建更精确的代理模型,适用于航空航天设计的早期阶段。我们还介绍了适当的正交分解的限制,以解决同样的问题。这两种方法在跨音速条件下融合RAE 2822翼型和通用研究模型机翼的压力分布上得到了验证。这两种方法的比较表明,贝叶斯方法是更强大的数据时,稀缺的,同时也能够占数据中的不确定性。此外,如果有足够的数据,基于POD的方法和贝叶斯方法会产生\emph{similar}结果。
2019-11-02 cs.CE cs.LG stat.ML
Using JAGS for Bayesian Cognitive Diagnosis Modeling: A Tutorial
本文系统地介绍了JAGS软件对常见的贝叶斯认知诊断模型(CDM)的拟合,包括确定性输入、噪声“与”门(DINA)模型、确定性输入、噪声“或”门(DINO)模型、线性Logistic模型、简化的再参数化统一模型(rRUM)和对数线性CDM(LCDM)。介绍了非结构化隐结构模型和高阶隐结构模型。我们还展示了如何扩展这些模型,考虑多属性,测试效果,和纵向诊断。最后给出了一个实例来说明如何在R语言中使用JAGS代码。
2018-10-30 stat.CO
A Bayesian hierarchical framework for fusion of remote sensing data: An example with solar-induced fluorescence
本文提出一个贝叶斯分层模型(BHM),从OCO-2卫星观测中估计全球一度的太阳诱导叶绿素荧光(SIF)及其不确定性,利用傅里叶项纳入季节性信息,补充了现有大气二氧化碳估计。
2025-03-05 stat.AP stat.ME
Bayesian inference of inaccuracies in radiation transport physics from inertial confinement fusion experiments
第一性原理微观物理模型对于高能量密度物理实验的设计和分析是必不可少的。使用实验数据来研究基础物理也是必不可少的,特别是当模拟和实验彼此不一致时。这是一项艰巨的任务,因为大量的物理模型发挥作用,并由于实验的复杂性(因此,噪音)。这导致了大量的参数,使任何推理都成为一项艰巨的任务;同样重要的是要始终如一地对待实验和对问题的先验理解。在本文中,我们提出了一种贝叶斯方法,包括这两种效果,并允许推断的一组修改器已被构造,从实验数据提供有关微观物理模型的信息。我们特别注意辐射传输模型。该推理考虑了大量的实验参数和先验知识的估计,通过修改后的$χ^{2}$函数,这是最小化使用一个有效的遗传算法。这两个因素在我们的分析中起着至关重要的作用。我们发现,虽然有证据表明,离线计算的X射线驱动强度和Ge $L$壳吸收的不准确性,辐射传输的修改是无法调和1D HYDRONIC模拟和实验之间的差异。
2013-02-23 physics.atom-ph physics.data-an physics.plasm-ph
A dynamic Bayesian Markov model for health economic evaluations of interventions in infectious disease
背景传染病干预措施的卫生经济学评价通常基于常微分方程系统或马尔可夫模型的预测。标准免疫系统是静态的,而ODE系统通常是动态的,并考虑到群体免疫,这对防止高估感染流行率至关重要。包含概率模型参数的复杂常微分方程系统是计算密集型的。因此,主要是基于ODE的模型,包括确定性参数在文献中。这些不考虑参数的不确定性。因此,概率敏感性分析(PSA),卫生经济评价的一个重要组成部分,不能直接进行。方法.我们提出了一个动态MM贝叶斯框架下。我们扩展了一个静态的MM,将感染力的状态分配算法。相应的产出基于流行率的动态变化,因此考虑到群体免疫。与基于确定性ODE的模型相比,PSA可以直接进行。我们介绍了一个虚构的性传播感染的案例研究,并比较我们的动态贝叶斯MM的确定性和贝叶斯ODE系统。将模型校准到时间序列数据。结果通过案例研究,我们表明,我们的方法产生的结果是可比的“金标准”的贝叶斯ODE系统。结论.与文献中的ODE系统相比,动态MM的设置在可管理的计算工作(包括校准)上是概率性的。贝叶斯ODE系统的运行时间是44倍。
2018-09-01 stat.ME
Variable Fusion and Selection via a Spike-and-Slab Approach with Nonlocal Priors
The Institute of Statistical Mathematics(统计数学研究所);Graduate School of Mathematics, Kyushu University(九州大学大学院数学院);Faculty of Mathematics, Kyushu University(九州大学数学系)
本文提出一种基于贝叶斯模型平均框架的变量融合与选择方法,通过设计非局部先验实现变量融合与选择的联合建模。
2026-07-20 stat.ME
A Bayesian Multisource Fusion Model for Spatiotemporal PM2.5 in an Urban Setting
提出融合多源数据、SPDE 与 INLA 的贝叶斯时空模型,实现大伦敦 1 km 月度 PM2.5 浓度及超标概率的高分辨率不确定性制图。
2025-06-16 stat.AP stat.ME
Elastic Multi-Fidelity Bayesian Model Calibration
Sandia National Laboratories(桑迪亚国家实验室);University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of New Mexico(新墨西哥大学)
本文提出弹性多保真贝叶斯模型校准,通过对齐高、低保真函数输出至共同参考,结合映射或融合策略,在合成与材料问题中提升预测精度并收紧后验。
2026-09-24 stat.ME
Robust impact localisation on composite aerostructures using kernel design and Bayesian fusion under environmental and operational uncertainties
针对复合材料航空结构在温度、冲击质量等不确定性下的冲击定位难题,提出基于核设计与贝叶斯融合的高斯过程回归框架,实现无需补偿的鲁棒准确定位。
2025-01-30 stat.AP
Decentralized Gaussian Mixture Fusion through Unified Quotient Approximations
University of Colorado Boulder(科罗拉多大学博尔德分校)
研究了在递归贝叶斯对等分布式数据融合中使用有限高斯混合(GM)概率密度函数的问题。它示出,算法精确和近似GM DDF导致相同的问题,找到一个合适的GM近似后融合PDF从分裂的“朴素贝叶斯”融合GM(代表直接组合的可能依赖的信息源)由另一个非高斯PDF(代表删除的实际或估计的“共同信息”之间的信息源)。一般GM融合的所得商pdf自然是混合pdf,尽管融合的混合是非高斯的,并且对于递归贝叶斯更新来说不是分析上可处理的。本文提出了一种直接局部逼近和间接全局逼近的重要性抽样算法,用于求解非高斯混合模型的GM逼近。多平台静态目标搜索和基于距离的目标跟踪的实际应用实例表明,与现有的GM DDF技术相比,所得到的近似结果具有更高的保真度,以及它们良好的计算特性。
2019-07-09 cs.RO cs.SY eess.SP