Fast Bayesian inference of Block Nearest Neighbor Gaussian process for large data
本文提出了一个空间块最近邻高斯过程(块NNGP)的位置参考的大空间数据的发展。这种方法背后的关键思想是将空间域划分为几个块,这些块在某些约束下相互依赖。交叉块捕获大尺度空间依赖性,而每个块捕获小尺度空间依赖性。所得到的块NNGP享有反映在其稀疏精度矩阵上的马尔可夫性。它被嵌入作为潜在高斯模型类内的先验,从而使用集成嵌套拉普拉斯近似(INLA)获得贝叶斯推断。块NNGP的性能示出在模拟的例子和大量的真实数据的位置的顺序为$10^4$。
2021-02-05 stat.ME
Estimating the size and distribution of networked populations with snowball sampling
提出了一种估计种群规模和网络种群特征的新策略。样本选择基于多波雪球抽样设计。对种群网络图提出了一种广义随机块模型。推理是基于贝叶斯数据增强程序。应用程序提供了一个经验和模拟人口。结果表明,统计上的有效估计的规模和分布的人口可以实现。
2019-07-29 stat.ME
AI4BayesCode: From Natural Language Descriptions to Validated Modular Stateful Bayesian Samplers
Department of Biostatistics, Columbia University(哥伦比亚大学生物统计学系)
该研究提出AI4BayesCode系统,通过自然语言描述生成可运行且验证过的MCMC采样器,采用模块化设计和递归状态性编码范式,提升了贝叶斯模型的可靠性和扩展性。
2026-11-17 cs.AI cs.LG stat.CO
A positive-definiteness-assured block Gibbs sampler for Bayesian graphical models with shrinkage priors
尽管Wang(2012)提出的贝叶斯图LASSO的块Gibbs采样器近年来已被广泛应用并扩展到各种收缩先验,但它具有不太明显但可能严重的缺点,即在Gibbs采样器的每个循环中不能保证高斯图模型中精度矩阵的正定性。具体地说,如果精度矩阵的维数超过样本量,精度矩阵的正定性将难以满足,吉布斯采样器几乎肯定会失败。在本文中,我们建议修改原来的块吉布斯采样器,使精度矩阵永远不会失败,是正定的采样,正是从域的正定性。正如我们在蒙特卡罗实验中所示,这种修改不仅稳定了采样过程,而且显着提高了参数估计和图形结构学习的性能。我们还将我们提出的算法应用于股票数量超过样本周期的月度回报数据的图形模型,证明了其稳定性和可扩展性。
2022-04-14 stat.CO
An Information-Theoretic Analysis for Thompson Sampling with Many Actions
Stanford University(斯坦福大学)
Russo和Van Roy的信息论贝叶斯后悔界限捕捉到了后悔对先验不确定性的依赖。然而,这种依赖性是通过熵来实现的,随着动作数量的增加,熵可以变得任意大。我们建立新的界限,而不是依赖于率失真的概念。除此之外,这使我们能够通过信息论的论点恢复线性强盗的接近最优的界限。我们还提供了一个边界的逻辑强盗,大大提高了最好的以前可用的,虽然这个边界取决于信息理论统计,我们只能通过计算来量化。
2020-07-08 cs.IT cs.LG math.IT
A unified approach to self-normalized block sampling
对于平稳时间序列的平均值的推断过程在不同的模型假设下通常是完全不同的,因为部分和过程的行为取决于时间序列是短相关的还是长相关的,或者它是否具有轻尾或重尾边缘分布。本文给出了自归一化块抽样的渐近理论,证明了相应的块抽样方法在不需要辅助参数的{ \em先验}估计的意义下,可以为上述不同情况提供统一的推理方法.蒙特卡罗模拟来说明其有限样本的性能。实现该方法的R函数可从作者处获得。
2016-03-20 math.ST stat.TH
An analysis of block sampling strategies in compressed sensing
压缩感知是一种保证从少量线性投影中精确恢复稀疏信号的理论。当前压缩感知理论提出的采样方案通常没有实际意义,因为它们不能在真实的采集系统上实现。在本文中,我们研究了一种新的随机采样方法,包括在传感矢量块的信号投影。典型的例子是由2D傅立叶平面中的水平线构成的块的情况。我们提供的理论结果,所需的精确稀疏信号重建的块的数量。这个数字取决于两个属性,即支持块内和支持块间的一致性。然后,我们通过一系列的例子,包括高斯测量,孤立的测量或块的时间-频率的基础上,主要的结果是尖锐的意义上说,重建稀疏信号所需的块的最小数量不能提高到乘法对数因子。所提出的结果提供了一个很好的洞察块压缩传感在成像设备,如磁共振成像,无线电干涉测量或超声成像的可能性和限制。
2014-07-21 cs.IT math.IT math.ST
Dynamic Network Sampling for Community Detection
我们提出了一个动态的网络采样计划,以优化块恢复随机块模型(SBM)的情况下,它是昂贵的,以观察整个图。从理论上讲,我们提供了我们提出的最佳动态采样方案的理由,通过最佳动态采样信息。实际上,我们评估的性能,块恢复,我们的方法在几个真正的数据集从不同的域。理论和实践结果表明,我们的方法可以确定的顶点,有最大的块结构的影响,使人们可以只检查它们之间是否有边缘,以节省大量的资源,但仍然恢复块结构。
2022-12-16 cs.SI math.ST stat.CO
Reducing Seed Bias in Respondent-Driven Sampling by Estimating Block Transition Probabilities
受访者驱动抽样(RDS)是一种流行的方法来研究边缘化或难以接触的人群。它通过激励参与者将他们的朋友推荐到研究中来,从网络人群中收集样本。分析RDS样品的一个主要挑战是种子偏倚。种子偏差是指当社交网络被划分为多个社区(或区块)时,RDS样本可能无法平衡地代表人口中的不同社区,这种不平衡与初始参与者(或种子)相关。在这种情况下,估计量的分布通常是非平凡的混合,这是由(1)种子和(2)参考如何从一个块过渡到另一个块来确定的。本文表明:(1)块-转移概率容易估计,精度高;(2)我们可以用这些估计的块-转移概率来估计块上的平稳分布,从而估计块比例。在RDS文献中,以前曾使用这种块上的固定分布来评估采样过程是否出现“混合”。我们使用这些估计块比例在一个简单的后分层(PS)估计,大大减少种子偏差。通过以这种方式聚集在块/层,我们证明了PS估计是$\sqrt{n}$ -马尔可夫模型下一致的,即使当其他估计不是。仿真结果表明,PS估计具有较小的均方根误差(RMSE)相比,国家的最先进的估计。
2018-12-04 cs.SI math.PR math.ST
Optimal hybrid block bootstrap for sample quantiles under weak dependence
在弱强混合假设下,建立了样本分位数的块自助分布估计的一般最优性理论。与现有的结果相比,我们研究了不同数量的块的块引导。这对应于二次采样自举和移动块自举(MBB)之间的混合,其中块的数量介于1和样本量与分组长度的比率之间。我们的主要定理确定了块数和分组长度的最佳选择,以实现样本分位数的块自助分布估计的最佳收敛速度。作为我们分析的一部分,我们还证明了一个重要的引理,它给出了块自助分布估计的收敛速度,甚至对光滑函数模型的影响。我们提出了一个直观的程序,经验选择的最佳数量和长度的块。相关的例子说明了最佳选择块的数量的好处。
2017-10-06 math.ST stat.TH
Estimate dependence in medium dimensions, using ranks and sub-sampling
众所周知,非参数方法遭受“维数灾难”。我们在这里提出了一个新的估计方法的多变量分布,使用子采样和排名,这似乎不会受到这个“诅咒”。我们证明,在独立的情况下,估计分布的不确定性几乎线性增加w.r.t.尺寸,尺寸约为6。另外,模拟研究表明,如果我们使用此估计来建立独立性检验,则获得给定功效所需的观测数随维数线性增加。最后,我们给出了使用这种估计的回归的例子:3000个观测值,在维度5中,具有明显复杂的依赖性,估计的分布在图形上与真实分布非常相似。
2013-11-07 math.ST stat.TH
Block Adaptive Progressive Type-II Censored Sampling for the Inverted Exponentiated Pareto Distribution: Parameter Inference and Reliability Assessment
本文针对倒指数帕累托分布,在块自适应渐进式II型删失下,用极大似然和枢轴法估计参数与可靠性,验证估计性质并比较性能,通过模拟和真实数据展示模型灵活性。
2025-01-21 math.ST stat.TH
Geometric extremal graphical models and coefficients of extremal dependence on block graphs
University of Edinburgh(爱丁堡大学);Lancaster University(兰卡斯特大学)
本文提出几何极值图模型,用于分析块图中极值依赖系数的传播,为高维极值建模提供新方法。
2026-01-01 math.ST stat.TH
On optimal block resampling for Gaussian-subordinated long-range dependent processes
基于块的恢复估计器已经被深入研究用于弱依赖时间过程,这有助于为实现提供信息(例如,最佳块大小)。然而,很少有人知道的resception性能和块大小下的强或长期的依赖性。要建立路标块选择,我们考虑了广泛的一类强相关的时间过程,形成了一个固定的长记忆高斯序列的变换,并检查基于块的restaurant估计的方差的原型样本均值;扩展到一般的统计泛函也被认为是。与弱相依不同,强相依下的恢复估计的性质复杂地依赖于时间序列的非线性性质(超越Hermite秩)以及长记忆系数和块大小.此外,直觉通常认为,强相关性下的最优块大小(例如,样本量$n$的$O(n^{1/2})$)应大于弱相关性下已知的最优阶数$O(n^{1/3})$。这种直觉在很大程度上是不正确的,尽管由于长记忆时间序列中的非线性,块顺序$O(n^{1/2})$在许多情况下可能是合理的(甚至是最佳的)。虽然最佳的块大小是更复杂的长程依赖相比,短程,我们提供了一个一致的数据驱动的块选择规则,和数值研究表明,指导块选择在其他基于块的问题与长记忆时间序列,如分布估计和策略测试Hermite秩。
2022-08-02 math.ST stat.ME stat.TH
Consistent structure estimation of exponential-family random graph models with block structure
本文研究了指数族随机图模型的统计推断问题。为了便于统计推断,我们考虑了具有块结构形式的附加结构的随机图。我们已经在其他地方表明,当块结构是已知的,它有助于一致性结果的$M$ -估计的标准和弯曲指数族随机图模型与复杂的依赖,如传递性。在实践中,块结构在某些应用中是已知的(例如,多层次网络),但在其他方面是未知的。当块结构未知时,首要的问题是它是否可以基于具有复杂依赖的随机图的单次观察以高概率恢复。本文的主要一致性结果表明,在弱相关和光滑条件下,这是可能的。这些结果证实了具有块结构的指数族随机图模型是统计网络分析的一个很有前途的方向。
2019-03-04 math.ST stat.TH
Addressing pitfalls in implicit unobserved confounding synthesis using explicit block hierarchical ancestral sampling
University of Copenhagen(哥本哈根大学);Technical University of Munich(慕尼黑工业大学)
针对隐式未观测混淆合成中的对角占优和双向边限制问题,提出基于块分层祖先生成的显式建模方法,完全覆盖因果模型空间,实现更稳健的因果发现评估。
2025-04-01 cs.LG math.ST stat.ML
Statistical inference for subgraph counts and clustering coefficient using network sampling in a sparse Stochastic Block Model framework
Indian Statistical Institute(印度统计研究所)
本文研究了在稀疏随机块模型框架下,利用网络抽样估计子图计数和聚类系数的极限定律,并用于预测推断。通过引入稀疏伯努利节点抽样方案,分析了节点抽样在资源约束下的影响,得出了估计子图计数的正态近似速度的定量界,并探讨了诱导和以自我为中心的网络形成方法。
2026-04-13 math.ST stat.ME stat.TH
Inheritance of strong mixing and weak dependence under renewal sampling
设$X$是连续时间强混合或弱相依过程,$T$是独立于$X$的更新过程,其到达间隔时间为$τ$ .我们一般的条件下,采样过程$(X_{T_i},T_i-T_{i-1})^{\top}$是强混合或弱依赖。此外,我们明确地计算强混合或弱相关系数的更新采样过程,并表明指数或幂衰减的系数$X$被保存(至少渐近)。我们的研究结果意味着,基本上所有的中心极限定理,在文献中的强混合或弱相关的过程可以应用时,更新采样观察过程$X$是在处置。
2022-02-01 math.ST stat.ME stat.TH
Non-asymptotic bounds for quasi-MLE, misspecified models, and dependence under group sequential sampling
Google Inc.(谷歌公司);University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对分组序贯拟极大似然估计,在模型可能误设定且组内存在依赖性的情况下,推导了渐近多元正态极限和显式非渐近正态逼近界,并应用于癫痫临床试验数据。
2026-06-05 math.PR math.ST stat.TH
Self-normalized Cramér Type Moderate Deviations under Dependence
建立了弱相依随机变量自正规化和的Cramér型中偏差结果,其中矩要求比非自正规化弱得多.示出的范围内的中度偏差取决于时刻条件和依赖的程度的基本过程。我们考虑两种类型的自规范化:大块-小块方案和隔行或等块方案。仿真研究表明,后者可以有一个更好的有限样本性能。我们的结果适用于多重检验和建设的同时置信区间的高维时间序列均值向量。
2014-09-12 math.ST stat.TH
On the distribution of scrambled $(0,m,s)$-nets over unanchored boxes
我们引入了一个新的质量度量来评估有限大小的随机低差异点集$n$。这种新的质量度量,我们称之为“成对抽样依赖指数”,是基于负相关的概念。该指数的负值意味着相应的点集对任何未锚定框的指示函数进行积分,其方差小于蒙特卡罗方法。我们发现,加扰$(0,m,s)-$网有一个负的成对抽样依赖指数。我们还通过一个示例说明,通过数字移位而不是加扰进行随机化可以产生正的成对采样依赖指数。
2021-09-07 math.ST stat.TH
Asymptotic expansions for sums of block-variables under weak dependence
设$\{X_i\}_{i=-\infty}^{\infty}$是随机向量序列,$Y_{in}=f_{in}(\mathcal{X}_{i,\ell})$是零均值块变量,其中$\mathcal{X}_{i,\ell}=(X_i,...,X_{i+\ell-1}),i\geq 1$是长度为$\ell$的重叠块,其中$f_{in}$是Borel可测函数。当块长度$\ell$增长到无穷大时,在序列$\{X_i\}_{i=-\infty}^{\infty}$的弱依赖条件下,建立了$\sum_{i=1}^nX_i$和$\sum_{i=1}^nY_{in}$之和的联合分布的一般阶的有效联合渐近展开。与经典的Edgeworth展开式中的项由$n^{-1/2}$的幂给出的结果相反,这里导出的展开式是两个级数的混合,一个是$n^{-1/2}$的幂,另一个是$[\frac{n}{\ell}]^{-1/2}$的幂。给出了主要结果在时间序列数据的学生化统计量的展开和块的块引导方法的二阶正确性方面的应用。
2007-08-17 math.PR math.ST stat.TH
On optimal spatial subsample size for variance estimation
我们考虑的问题,确定最佳的块(或子样本)大小的空间子采样方法观察到的规则网格上的空间过程。我们推导出的子采样方差估计,这产生一个表达式的理论上最佳的块大小的均方误差的扩展。示出的最佳块的大小取决于在一个复杂的方式上的空间采样区域的几何形状以及底层的随机场的特性。最优块大小的最终表达式利用了凸集移位中的格点计数的一些非平凡估计。最佳的块大小计算采样区域的一些常见的形状。数值研究进行比较二次抽样方法以及估计理论上最好的块大小的程序。
2005-03-29 math.ST stat.TH
Singular value distribution of dense random matrices with block Markovian dependence
本文研究具有块马尔可夫依赖的稠密随机矩阵,引入具有方差剖面的近似不相关随机矩阵,通过矩方法和耦合论证,建立了样本路径长度为 $Θ(n^2)$ 时经验转移矩阵与经验频率矩阵奇异值分布的极限定律。
2023-03-31 math.PR math.ST stat.TH
Central limit theorems for network driven sampling
响应者驱动抽样是一种流行的隐藏人口抽样技术。本文将响应者驱动抽样模型化为一个由树索引的马尔可夫过程。我们的主要结果表明,Volz-Heckathorn估计是渐近正常的临界阈值以下。关键的技术难点来自于(i)样本之间的依赖性和(ii)表征依赖性的树结构。定理允许树的增长率超过1,并建议这个增长率不应该太大。为了说明这些结果的有用性超出其明显的用途,一个例子表明,在某些情况下,样本平均值是更可取的逆概率加权。我们提供了一个检验统计量来区分这两种情况。
2016-08-28 math.ST stat.ME stat.TH
Sampling Sup-Normalized Spectral Functions for Brown-Resnick Processes
超归一化谱函数形成最大稳定过程和帕累托过程的构建块,因此在建模空间极值中发挥重要作用。对于最流行的例子之一,布朗-雷斯尼克过程,模拟并不简单。在本文中,我们推广了两种模拟方法,通过引入新的建议密度类马尔可夫链蒙特卡罗方法和拒绝抽样。在这两种情况下,我们提供了一个关于抽样效率的建议密度的最佳选择。在一个例子中证明的程序的性能。
2019-02-25 math.ST stat.ME stat.TH
Improved dimension dependence of a proximal algorithm for sampling
提出一种基于近端采样器的采样算法,通过近似拒绝采样实现受限高斯预言机并建立新的集中不等式,在强对数凹及LSI等多种设置下实现了优于现有方法的复杂度界限。
2023-06-28 math.ST stat.ML stat.TH
Nearest-Neighbor Radii under Dependent Sampling
Department of Statistics, University of California, Berkeley, CA 94720, USA(加州大学伯克利分校统计系);Department of Biostatistics, University of California, Berkeley, CA 94720, USA(加州大学伯克利分校生物统计学系)
研究依赖采样下最近邻半径的几何性质,建立分布无关的几乎必然收敛和尖锐非渐近矩界,适用于高维数据集中的低维流形。
2026-11-10 cs.LG math.ST stat.ML