Quantile Forecast Matching with a Bayesian Quantile Gaussian Process Model
University of Connecticut（康涅狄格大学）；Iowa State University（爱荷华州立大学）
本文提出分位数高斯过程模型，基于分位数函数理论，在给定估计分位数时构建连续分布，并通过贝叶斯方法实现参数推断与不确定性量化，应用于流感预测数据。
2025-10-09 stat.ME
History matching with probabilistic emulators and active learning
多年来，通过计算机模拟，对现实世界过程的科学理解已经大大提高。这样的模拟器表示复杂的数学模型，其被实现为通常昂贵的计算机代码。使用特定模拟器得出准确结论的有效性依赖于计算机代码被正确校准的假设。这种校准程序通常是在广泛的实验和与来自现实世界的过程的数据比较下进行的。问题是，数据收集可能非常昂贵，只有少数实验是可行的。历史匹配是一种校准技术，在给定模拟器的情况下，它使用不可信性度量迭代地丢弃输入空间的区域。当模拟器在计算上是昂贵的时，使用模拟器来探索输入空间。在本文中，一个高斯过程提供了一个完整的概率输出，被纳入不可信性措施。感兴趣的区域的识别是完成最近开发的退火采样技术。主动学习功能被纳入到历史匹配过程中，以重新关注输入空间并改进仿真器。该框架的效率进行了测试，在著名的例子，从历史匹配的文献，以及在一个建议的测试床的功能更高的维度。
2020-04-16 stat.CO
Exchangeable random permutations with an application to Bayesian graph matching
University of Bergamo（贝加莫大学）；North Carolina State University（北卡罗来纳州立大学）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出了一种基于可交换随机排列的贝叶斯图匹配框架，结合新先验模型和节点-wise阻塞吉布斯采样器，实现对排列结构的建模与不确定性量化。
2026-02-02 math.ST stat.ME stat.TH
Using history matching for prior choice
在复杂模型的贝叶斯分析中，构造信息先验分布是很重要的，它反映了手头数据之外的知识。然而，由于时间、成本和其他因素的限制，分析人员能够从专家那里获得多少先验信息是有限的。本文开发了有效的数值方法，探索合理的选择一个先验分布从一个参数类，当先验信息被指定的形式，一些有限的约束先验预测分布，这些先验预测分布是解析难处理的。所开发的方法可以被认为是历史匹配思想的一种新颖应用，历史匹配是一种在计算机模型评估文献中开发的技术。我们说明的逻辑斯谛回归和稀疏信号收缩的背景下，高维线性模型的先验分布的方法。
2017-11-09 stat.AP
Bayesian Estimation of Bipartite Matchings for Record Linkage
二分记录连接任务包括合并两个不同的文件，其中包含两个重叠实体集的信息。在没有唯一标识符的情况下，这是不平凡的，并且对于各种各样的应用程序都很重要，因为每当我们必须组合来自不同来源的信息时，都需要解决这个问题。目前用于记录联系的大多数统计技术都来自Fellegi和Sunter（1969）的一篇开创性论文。这些技术通常假设独立的记录对的匹配状态，以获得估计过程和最佳点估计。我们认为，这种独立性的假设是不合理的，而不是目标的二分匹配的两个目标作为我们感兴趣的参数。贝叶斯实现使我们能够量化匹配决策的不确定性，并使用不同的损失函数推导出各种点估计量。我们提出了部分贝叶斯估计，允许不确定的部分的二分匹配，以待解决。我们使用各种具有挑战性的场景来评估我们的方法来记录链接，并表明它优于传统的方法。我们说明了我们的方法的优点合并两个伤亡人数从萨尔瓦多内战。
2016-01-25 stat.AP stat.ME stat.ML
Bayesian Model Robustness via Disparities
本文提出了一种方法，通过使用的差距强大的贝叶斯推断。Hellinger距离和负指数视差等参数在频率论推断的稳健估计中有着悠久的历史。我们证明了一个等价的鲁棒性可以在贝叶斯推断通过取代一个适当的缩放的差距的对数可能性，其中标准的蒙特卡罗马尔可夫链方法可以应用。最小差异方法的一个特别吸引人的特性是，虽然它们在1/2的崩溃点下产生鲁棒性，但当假设的概率模型正确时，所得参数估计也是有效的。我们证明了一个类似的属性持有基于概率的贝叶斯推断。我们进一步表明，在贝叶斯设置，它也可以扩展这些方法，以robustify回归模型，随机效应分布和其他层次模型。这些方法在真实世界的数据上得到了证明。
2012-11-26 stat.ME
History-Based, Bayesian, Closure for Stochastic Parameterization: Application to Lorenz '96
Columbia University（哥伦比亚大学）
物理参数化被用作天气和全球气候模式或粗尺度湍流模式中未解决的次网格过程的表示，其分辨率太粗，无法解决小尺度过程。这些参数化通常是基于物理基础上，但经验，基本的小规模过程的表示。基于机器学习的参数化最近被提出作为一种替代方案，并显示出很大的希望，以减少与小规模过程相关的不确定性。然而，这些方法仍然显示出一些重要的不匹配，这些不匹配通常归因于所考虑的过程中的随机性。这种随机性可能是由于噪声数据，未解决的变量或简单的过程中固有的混沌性质。为了解决这些问题，我们开发了一种新类型的参数化（关闭），这是基于贝叶斯形式主义的神经网络，占不确定性量化，并包括内存，占非瞬时响应的关闭。为了克服贝叶斯技术在高维空间中的维数灾难，贝叶斯策略基于哈密顿蒙特卡罗马尔可夫链采样策略，该策略利用似然函数和动能关于参数的梯度来加速采样过程。我们提出的贝叶斯历史为基础的参数化洛伦兹'96模型中存在的噪声和稀疏的数据，类似于卫星观测，并显示其能力来预测熟练的预测解决的变量，同时返回值得信赖的不确定性量化的不同来源的错误。这种方法铺平了道路，使用贝叶斯方法的封闭问题。
2022-10-26 cs.LG cs.NA math.NA
Online and Distributed learning of Gaussian mixture models by Bayesian Moment Matching
David R. Cheriton School of Computer Science, University of Waterloo（滑铁卢大学大卫·R·切里顿计算机科学学院）
高斯混合模型是聚类和数据建模的经典技术，在许多应用中使用。随着大数据的兴起，需要能够处理流数据并将计算分布在多个处理器上的参数估计技术。虽然存在期望最大化（EM）算法的在线变体，但它们的数据效率因E步的随机近似而降低，并且不清楚如何将计算分布在多个处理器上。我们提出了一种贝叶斯学习技术，自然适合在线和分布式计算。由于贝叶斯后验是不听话的，我们将其投影到一个家庭听话的分布后，每个观察匹配一组足够的时刻。在一组数据建模基准上，这种贝叶斯矩匹配技术在时间和精度方面优于在线EM。
2016-09-19 cs.AI cs.LG stat.ML
A Fast Non-Gaussian Bayesian Matching Pursuit Method for Sparse Reconstruction
提出了一种基于贝叶斯方法的快速匹配追踪稀疏信号恢复方法。该方法被称为nGpFBMP，即使当信号先验是非高斯或未知时，也执行稀疏信号的贝叶斯估计。它是不可知的信号统计，并利用先验统计的加性噪声和稀疏率的信号，这是很容易估计的数据，如果没有。nGpFBMP利用一个贪婪的方法和顺序递归更新的度量，找到最主要的稀疏支持，以确定近似的最小均方误差（MMSE）估计的稀疏信号。仿真结果表明，我们提出的估计的权力和鲁棒性。
2012-06-19 stat.OT
Robust Bayesian Inference for Unnormalized Models with Mixed-Domain Data
Texas A&M University（德克萨斯农工大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
针对混合域未归一化模型的鲁棒贝叶斯推断难题，提出SME-BETEL半参数贝叶斯框架，证明其理论性质并通过模拟和臭氧监测应用验证了方法的有效性。
2026-09-18 stat.ME stat.ML
Bayesian Functional Analysis for Untargeted Metabolomics Data with Matching Uncertainty and Small Sample Sizes
University of Michigan（密歇根大学）；The Chinese University of Hong Kong – Shenzhen（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）
本文提出BAUM方法，整合匹配不确定性推断、代谢物选择和功能分析，提升小样本下无目标代谢组学数据的分析精度与稳定性。
2024-03-23 stat.AP stat.ME
Moment Matching Based Conjugacy Approximation for Bayesian Ranking and Selection
我们研究了共轭近似方法的背景下贝叶斯排名和选择未知的相关性。在正态-逆-Wishart先验分布假设下，当每一步对所有备选方案进行采样时，由于共轭性，后验分布仍保持正态-逆-Wishart分布。然而，如果一次只对一个备选方案进行采样，则这种共轭性质不再成立，当样本数量预算有限时，这是一种适当的设置。基于矩匹配的思想，我们提出了两种新的共轭逼近方法。这两种方法都给出了封闭形式的贝叶斯先验更新公式。然后，该更新公式可以与“信息价值”框架下的知识梯度算法相结合。我们进行计算实验，以显示所提出的共轭近似方法的优越性，包括应用在风电场的位置和计算机模型校准。
2016-10-28 stat.CO
Quantifying the `end of history' through a Bayesian Markov-chain approach
政治制度在人类历史上一直在变化。在二十世纪末自由民主取得明显胜利之后，弗朗西斯·福山和其他人一直认为，人类正在以自由民主的普遍性的形式接近“历史的终结”。这种观点受到了最近事态发展的挑战，这些事态发展似乎表明，有缺陷的民主在全球范围内崛起。没有尝试用统计方法量化预期的EoH。在这项研究中，我们将政治制度之间的过渡建模为马尔可夫过程，并使用贝叶斯推断方法，我们从描述1800- 2018年政治制度演变的时间序列数据中估计政治制度之间的过渡概率。然后，我们计算这个马尔可夫过程的稳态，它代表了EoH的数学抽象，并预测大约46%的国家将是完全民主的。此外，我们发现，在我们的模型下，世界上的独裁统治的比例预计将在未来半个世纪内增加，然后下降。使用随机游走理论，我们然后估计不同类型的政权的生存曲线和估计的民主和专制的特征寿命分别为244年和69年。量化预期的EoH使我们能够挑战关于政治均衡性质的共同信念。具体来说，我们没有发现统计证据表明，EoH构成了一个固定的，完全无所不在的民主政权。
2022-11-03 nlin.AO physics.soc-ph stat.AP
Flow Matching for Fast Posterior Sampling in Bayesian Inverse Problems
本文提出用条件流匹配替代MCMC进行贝叶斯逆问题后验采样，实现摊销快速推断，并给出可计算的精度估计及渐近精确的混合采样器，在数值示例中验证了效果。
2026-10-30 cs.LG cs.NA math.NA
Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching
Stanford University（斯坦福大学）
本文提出自适应贝叶斯推断（ABI）框架，通过边缘增广切片Wasserstein距离将后验分布比较转化为一维条件分位数回归，并结合自适应拒绝采样迭代细化后验近似，在高维和相依观测场景下显著优于现有免似然方法。
2025-05-07 cs.LG stat.CO stat.ME
Bayesian Hidden Markov Tree Models for Clustering Genes with Shared Evolutionary History
确定特征不明确的基因的功能对于理解生物过程和研究人类疾病至关重要。在进化过程中，功能相关的基因经常一起获得和失去。因此，识别基因的协同进化可以预测功能基因-基因关联。我们在这里描述了原始算法的完整统计模型和计算策略，CLustering by Inferred Models of Evolution（CLIME 1.0）最近由我们报道[Li et al.，2014年]。CLIME 1.0采用了一种混合的树结构隐马尔可夫模型的基因进化过程中，和贝叶斯模型为基础的聚类算法来检测基因模块与共享的进化历史（称为进化保守模块，或ECM）。采用Dirichlet过程先验估计基因簇的数目，并设计Gibbs抽样器进行后验抽样。我们进一步开发了一个扩展版本，CLIME 1.1，将不确定性的进化树结构。通过对真实数据集的模拟研究和基准测试，我们表明CLIME 1.0和CLIME 1.1优于使用简单度量的传统方法（例如，Hamming距离或Pearson相关性）来测量基因对之间的共同进化。
2018-08-18 stat.AP
Commentary on Bayesian coincidence assessment (cross-matching)
本文是对Tamas Budavari的演讲“关于天文学中的统计交叉识别”的特邀评论，该演讲于2011年6月在宾夕法尼亚州立大学举行的现代天文学V会议的统计挑战。我首先简要回顾了以前在天文学中对方向和时空巧合进行概率（贝叶斯）评估的工作（例如，跨多个目录的对象的交叉匹配或交叉识别）。然后，我讨论了一个开放的问题，在最近的创新工作Budavari和他的同事在大规模概率交叉识别：如何分配先验概率，在分析中发挥重要作用。一个简单的玩具问题，我展示了贝叶斯多层次建模（分层贝叶斯）提供了一个原则性的框架，证明和推广实用的经验法则，已成功地使用Budavari的团队分配先验。
2012-06-19 astro-ph.IM stat.AP
Latent Bayesian melding for integrating individual and population models
University of Edinburgh（爱丁堡大学）
在许多统计问题中，一个更粗粒度的模型可能适合于群体水平的行为，而一个更详细的模型适合于个人行为的准确建模。这就提出了如何整合这两种模式的问题。后验正则化等方法遵循广义矩匹配的思想，因为它们允许两个模型之间的期望匹配，但有时两个模型最方便地表示为潜变量模型。我们提出了潜在贝叶斯融合，这是出于平均分布在人口统计的个人水平和人口水平的模型下的对数意见池框架。在电力解聚，这是一种类型的单通道盲源分离问题的案例研究中，我们表明，潜在的贝叶斯融合导致显着更准确的预测比单纯基于广义矩匹配的方法。
2015-10-30 cs.AI stat.AP stat.ME
Efficiently resolving rotational ambiguity in Bayesian matrix sampling with matching
针对贝叶斯模型中不可识别随机矩阵的旋转模糊导致MCMC输出无法直接得到可靠参数后验汇总的问题，提出结合Varimax正交化与贪心匹配的高效后处理算法，经模拟和真实数据验证性能，已在R包中实现。
2024-08-15 stat.CO
The enrichment history of the intracluster medium: a Bayesian approach
本文通过对130个星系团在0.1<z<1.3时的数据进行严格分析，测量了星系团中铁含量的演化。由于a）丰度测量的低信噪比和上限，b）可能的选择效应，c）参数空间的边界，d）非高斯误差，e）研究对象的内在多样性，以及f）丰度系统学，使得这项任务变得困难。我们引入贝叶斯模型来同时解决所有这些问题，从而允许串扰（协方差）。在模拟数据上，贝叶斯拟合恢复了输入富集历史，这与标准分析不同。在考虑了可能依赖于X射线温度、金属丰度系统学和研究对象的内在多样性之后，我们发现，无论是在高红移还是低红移，都没有达到现今的金属含量，而是随着时间的推移逐渐增加：在数据采样的7 Gyr中，铁丰度增加了1.5倍。因此，金属丰度的反馈不会在高红移处结束。进化是建立在中等数量的证据，19比1的赔率对更快或更慢的金属富集的历史。我们第一次量化了金属丰度的内在分布，18+/-3%，在校正了演化，X射线温度和金属丰度系统学的影响之后。最后，我们还提出了一个解析近似的X射线温度和金属丰度的似然函数，这是有用的其他回归拟合涉及这些参数。文中提供了130个聚类的数据和随机计算的代码。
2012-09-04 astro-ph.CO astro-ph.HE physics.data-an
Objective Bayes, conditional inference and the signed root likelihood ratio statistic
分析了符号根似然比统计量的贝叶斯性质。一阶概率匹配的条件是通过检查贝叶斯后验和频率统计的手段。二阶匹配条件所示，从匹配的贝叶斯后验和频率方差的均值调整版本的签署根统计。推导并讨论了从属统计量模型中条件概率匹配的条件。
2015-03-19 math.ST stat.TH
Understanding Hormonal Crosstalk in Arabidopsis Root Development via Emulation and History Matching
植物发育生物学的一个主要挑战是了解植物生长是如何通过相互作用的激素和基因来协调的。为了应对这一挑战，不仅要使用实验数据，而且还要制定数学模型。为了使数学模型能够最好地描述真实的生物系统，有必要了解模型的参数空间，以及模型、参数空间和实验观察之间的联系。我们开发的顺序历史匹配方法，使用贝叶斯仿真，获得大量的洞察生物模型参数空间。这是通过根据连续的物理观测集找到可接受的参数集来实现的。然后将这些方法应用于拟南芥根生长的复杂激素串扰模型。在这个应用程序中，我们演示了一个初始的22个观察到的趋势集如何将可接受的输入集的体积减少到原始空间的6.1 x 10^（-7）的比例。附加的生物相关实验数据集，每个大小为5，分别将该空间的大小进一步减少三个和两个数量级。因此，我们提供了洞察模型结构上的约束，以及测量观测子集的生物学后果。
2019-10-19 stat.AP
Bayesian Uncertainty Matching for Unsupervised Domain Adaptation
Qiushi Academy for Advanced Studies, Zhejiang University（浙江大学求是高等研究院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；State University of New York at Buffalo（纽约州立大学布法罗分校）；Zhejiang University School of Medicine（浙江大学医学院）
领域自适应是一种重要的技术，用于减轻由领域移位引起的性能下降，当训练和测试数据来自不同的域时。由于目标域标签的不可用，大多数现有的深度自适应方法都集中在通过对输入特征进行深度变换来匹配边缘特征分布来减少域偏移。我们表明，域移位可能仍然存在通过标签分布偏移在分类器，从而恶化模型的性能。为了缓解这个问题，我们提出了一个近似的联合分布匹配方案，利用预测的不确定性。具体来说，我们使用贝叶斯神经网络来量化分类器的预测不确定性。通过对特征和标签（通过不确定性）进行分布匹配，有效地缓解了源数据和目标数据中的标签分布不匹配，鼓励分类器跨域产生一致的预测。我们还提出了一些技术来改进我们的方法，通过自适应重新加权领域自适应损失，以实现非平凡的分布匹配和稳定的训练。在三个流行的基准数据集上与最先进的无监督领域自适应方法的比较表明了我们的方法的优越性，特别是在减轻负迁移的有效性。
2019-06-24 cs.CV cs.LG stat.ML
Bayesian inference of planted matchings: Local posterior approximation and infinite-volume limit
Yale University（耶鲁大学）；Georgia Institute of Technology（佐治亚理工学院）
本文研究了在特定缩放条件下，嵌入匹配的贝叶斯推断问题，探讨了局部后验近似和无限体积极限的性质，指出在部分匹配中后验可被局部算法近似，而在精确匹配中需全局排序才能实现局部近似。
2026-03-09 cs.DS math.PR math.ST
Conditional Flow Matching for Bayesian Posterior Inference
University of Chicago, Booth School of Business（芝加哥大学布斯商学院）
本文提出一种基于流匹配的生成多变量后验采样器，通过动态块三角速度场实现后验推断，无需Likelihood评估，且能高效生成贝叶斯可信集。
2026-04-01 cs.LG stat.ML
Bayesian Calibration with Functional Outputs Using Elastic Partial Matching
CEA（法国替代能源和原子能委员会）；Université Paris-Saclay, CNRS, CentraleSupélec, Laboratoire des signaux et systèmes（巴黎萨克雷大学、法国国家科学研究中心、中央理工-苏佩莱克学院）；Centre de Mathématiques Appliquées, Ecole polytechnique, Institut Polytechnique de Paris（应用数学中心，巴黎综合理工学院，巴黎理工学院）
针对仿真模型函数型输出时间错位及支撑集不一致问题，提出基于弹性部分匹配的贝叶斯校准方法，扩展至可变起止时间，并在合成案例及状态方程校准中验证了改进效果。
2026-09-22 stat.CO stat.ME
Fast Bayesian Record Linkage With Record-Specific Disagreement Parameters
研究人员通常对将两个缺乏共同唯一标识符的数据集之间的个体联系起来感兴趣。匹配过程通常很难将记录与常见的姓名、出生地或其他字段值进行匹配。计算可行性也是一个挑战，特别是在连接大型数据集时。我们开发了一种贝叶斯方法自动概率记录链接，并表明它恢复了超过50%的真实匹配，保持准确性不变，比可比的方法在军事招募数据匹配到1900年美国人口普查的专家标记的匹配。我们的方法建立在最近最先进的贝叶斯方法的基础上，改进了比较数据的建模，允许以非匹配状态为条件的不一致概率参数在两个数据集中的较小数据集中是特定于记录的。当许多记录共享公共字段值时，这种灵活性显著提高了匹配。我们表明，我们的方法是计算上可行的，在实践中，尽管增加了复杂性，与R/C++实现，实现了显着的速度比最近的方法。我们还提出了一个轻量级的方法治疗非常常见的名字，并显示如何估计真阳性率和阳性预测值时，真正的匹配状态不可用。
2021-03-19 econ.EM stat.AP stat.ME
Bayesian, frequentist and fiducial intervals for the difference between two binomial proportions
将研究估计两个二项比例之间的差异，其中将考虑贝叶斯、频率论和置信（BFF）方法。将使用三个模糊先验，Jeffreys先验，发散先验和概率匹配先验。概率匹配先验是一种先验分布，在这种分布下，某些区域的后验概率与它们的覆盖概率一致。信念推断可以被看作是一个过程，它在参数空间上获得一个度量，同时假设小于贝叶斯推断所做的，即没有先验。Fisher提出了信念概率和信念推断的概念。在某些情况下，信念分布相当于杰弗里斯后验。Jeffreys先验、发散先验和概率匹配先验的性能将与基准方法和为两个独立二项式参数之间的差异构建置信区间的其他经典方法进行比较。这些间隔将通过观察其覆盖率和平均间隔长度进行比较和评估。概率匹配和发散先验比Jeffreys先验性能更好。
2021-11-16 stat.AP
Bayesian alignment using hierarchical models, with applications in protein bioinformatics
形状分析中的一个重要问题是滤除几何变换后的空间点的构形匹配。在本文中，我们介绍了这样的任务，其中的配置中的点是未标记的，或最多有一个部分标签约束的匹配，并在其中一些点可能只出现在一个配置的层次模型。我们推导出程序的同时推理的匹配和转换，使用贝叶斯方法。我们的模型是基于一个泊松过程隐藏的真实点的位置，这导致了相当大的数学简化和效率的实现。我们发现了一个新的使用经典的分布，从方向统计在条件共轭规范的情况下，几何变换包括一个未知的旋转。在整个过程中，我们专注于仿射或刚性运动变换的情况。在广义参数损失函数族下，可以构造匹配矩阵的最优贝叶斯点估计，该估计仅依赖于该族中的单个参数。我们的方法说明了从生物信息学的两个应用程序。第一个问题是在2维中匹配蛋白质凝胶，第二个问题是在3维中对齐蛋白质的活性位点。在后一种情况下，我们还使用与氨基酸分组相关的信息。我们讨论了一些开放的问题，并提出了未来工作的方向。
2005-07-01 math.ST stat.ME stat.TH
A Bayesian framework for functional calibration of expensive computational models through non-isometric matching
我们研究统计校准，即，调整计算模型的在其相关联的物理系统中不可观察或不可控制的特征。我们专注于功能校准，这是在许多制造过程中出现的不可观察的功能，称为校准变量，是输入变量的函数。在许多应用中的一个主要挑战是计算模型是昂贵的，只能评估有限的次数。此外，如果不进行强有力的假设，校准变量是不可识别的。我们提出了贝叶斯非等距匹配校准（BNMC），允许昂贵的计算模型的校准，只有有限数量的样本从计算模型及其相关的物理系统。BNMC用动态高斯过程（GP）代替计算模型，其参数在校准过程中训练。为了解决可识别性问题，我们提出了从几何角度的非等距曲线曲面匹配的校准问题，这使我们能够利用组合优化技术，以提取必要的信息，构建先验分布。我们的数值实验表明，在预测精度方面，BNMC优于，或与其他现有的校准框架。
2020-05-22 stat.ML
Bayesian Filtering in Physical Systems via Test-time Trained Flow Matching
Westlake University（西湖大学）；Zhejiang University（浙江大学）
本文提出信念流滤波器（BFF），通过测试时梯度下降更新流匹配模型权重以跟踪后验演化，绕过粒子表示和高斯假设的限制，在多个物理系统基准上取得最优性能。
2026-09-22 cs.AI cs.LG stat.ML
Posterior Mean Matching: Generative Modeling through Online Bayesian Inference
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；University of Michigan（密歇根大学）；Columbia University（哥伦比亚大学）
本文提出基于贝叶斯推断的生成式建模新方法PMM，利用共轭分布对和在线贝叶斯推断迭代细化目标分布，在语言建模和图像生成任务中表现出与现有模型相媲美的性能。
2024-12-19 cs.AI cs.LG stat.ML
Robust Ensemble Kalman Filtering Under Observation Noise Misspecification
Heidelberg University（海德堡大学）；University of Potsdam（波茨坦大学）
针对动态系统贝叶斯滤波中观测噪声误设定问题，提出利用扩散分数匹配调整分析步信息处理的鲁棒卡尔曼滤波器，理论证明其在线性高斯状态空间中的共轭性、鲁棒性、协方差稳定性及高维一致性，并通过集成近似实现EnKF、ESRF和LETKF变体，在目标跟踪、Lorenz 63和Lorenz 96系统中验证了鲁棒性与稳定性的权衡。
2026-11-09 math.DS math.ST stat.ME
Practical and Matching Gradient Variance Bounds for Black-Box Variational Bayesian Inference
University of Pennsylvania（宾夕法尼亚大学）；North Carolina State University（北卡罗来纳州立大学）
本文证明黑盒变分推断在光滑二次增长对数似然下满足对应 SGD 的 $ABC$ 条件的匹配梯度方差界，并推广至非线性协方差参数化，揭示均值场参数化更优的维度依赖。
2023-06-04 cs.LG math.OC stat.CO
Bayesian sparsity and class sparsity priors for dictionary learning and coding
Oak Ridge National Laboratory（橡树岭国家实验室）；Case Western Reserve University（凯斯西储大学）
提出贝叶斯框架下的字典压缩误差补偿与组稀疏编码方法，通过子字典压缩和降维，降低字典匹配的计算复杂度，并在LIGO毛刺检测和高光谱遥感中验证有效性。
2023-09-02 cs.LG cs.NA math.NA
On predictive probability matching priors
我们重新审视先验的问题，实现近似匹配的贝叶斯和频率论的预测概率。这样的先验可以被认为是提供贝叶斯预测的频率论校准或简单地作为用于产生频率论预测区域的设备。在这里，我们分析了$O(n^{-1})$项在贝叶斯预测区域的覆盖概率的扩展中，如在[Ann. Statist. 28（2000）1414- 1426]。与参数匹配的情况不同，渐近预测匹配先验可以取决于水平$α$。我们调查一致预测匹配先验（UPMP），也就是说，先验的这$O(n^{-1})$长期为零的所有$α$。它被显示在[安统计。28（2000）1414- 1426]，在分位数匹配和标量参数的情况下，如果存在这样的先验，则它必须是Jeffreys先验。在本文中，我们调查UPMPs在多参数的情况下，提出了一些一般性的结果的形式，和唯一性或其他，UPMPs的分位数和最高预测密度匹配。
2008-05-20 math.ST stat.TH
Bayesian hierarchical rule modeling for predicting medical conditions
我们提出了一种统计建模技术，称为层次关联规则模型（HARM），预测患者的当前和过去的历史报告的条件下，患者的未来可能的医疗条件。我们的技术的核心是一个贝叶斯层次模型，用于从一个大的候选规则集选择预测关联规则（如“条件1和条件2 $\rightarrow$条件3”）。因为这种方法使用许多类似患者的状况“借用力量”，所以即使在关于患者的病史的信息很少的情况下，它也能够提供针对任何给定患者的预测。
2012-06-28 stat.AP
Privacy-Aware Collaborative and Distributed Bayesian Optimization
School of Industrial Engineering and Management（工业工程与管理学院）；Oklahoma State University, Stillwater, OK, USA（俄克拉荷马州立大学）
提出协作元学习框架用于分布式贝叶斯优化，无需原始数据交换。揭示梯度共享问题，评估差分隐私防御，刻画其隐私 - 效用权衡。
2026-07-14 cs.LG stat.ME
Bayesian Discrepancy Measure: Higher-order and Skewed approximations
本文研究了检验精确统计假设的贝叶斯差异测度，推导了单变量分布的三阶渐近与偏态近似，并扩展至多元设置，利用最优传输映射构建置信区域以实现精确多元近似，显著提升了后验形状捕获精度且计算成本低。
2025-04-30 math.ST stat.ME stat.TH
Bayesian Signal Matching for Transfer Learning in ERP-Based Brain Computer Interface
Emory University（埃默里大学）；University of Michigan（密歇根大学）
本文提出贝叶斯信号匹配框架，用于ERP脑机接口中的迁移学习，通过分层混合模型提升EEG信号校准的准确性和泛化能力。
2025-10-16 stat.AP stat.CO
A Bayesian approach for fitting semi-Markov mixture models of cancer latency to individual-level data
本文提出一种基于数据增广MCMC的完全贝叶斯方法，将半马尔可夫混合模型拟合至个体水平数据，用于量化不确定性、模型选择及估计癌症筛查过度诊断率，并在模拟数据与美国乳腺癌监测联盟数据上验证了有效性。
2025-08-13 stat.AP stat.CO stat.ME
Uncertain Neighbors: Bayesian Propensity Score Matching For Causal Inference
我们比较了标准的最近邻倾向得分匹配与类似的贝叶斯倾向得分匹配过程的性能。我们表明，贝叶斯方法更好地利用了可用的信息，因为它使不那么武断的决定，哪些观察下降，哪些保留在匹配的样本。我们进行了模拟研究，以评估标准和贝叶斯最近邻匹配的性能时，匹配和不替换。然后，我们使用这两种方法来复制最近的研究土地改革对游击队活动在哥伦比亚的影响。
2021-05-05 stat.ME
Bayesian matching of unlabeled marked point sets using random fields, with an application to molecular alignment
统计方法学提出了比较未标记的标记点集，与应用对齐类固醇分子的化学信息学。从统计形状分析的方法相结合的技术，用于预测随机场在空间统计学，以定义一个合适的措施，两个标记点集之间的相似性。提出了点集对之间的预测场重叠的贝叶斯建模，并使用马尔可夫链蒙特卡罗模拟进行比对的后验推断。通过在再生核希尔伯特空间中表示场，可以计算重叠度而无需昂贵的数值积分。叠加整个场而不是点坐标的配置矩阵，从而避免了点之间通常没有明确的一一对应关系的问题。此外，在模型中引入了掩码参数，从而可以对标记点集进行部分匹配。我们还提出了一个适应的广义Procrustes分析算法的同时对齐的多个点集。该方法与模拟研究，然后应用到一个数据集的31类固醇分子，其中形状和结合活性之间的关系，皮质类固醇结合球蛋白受体进行了探讨。
2012-03-01 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
A new approach to Poissonian two-armed bandit problem
本文考虑了一个连续时间的双臂强盗问题，其中收入由泊松过程描述。我们发展了任意先验分布的贝叶斯方法。给出了确定贝叶斯分段常数策略和贝叶斯风险的两种形式的递推方程和极限情形下的偏微分方程。与先前考虑的贝叶斯设置不同，我们的描述使用过程的当前历史，而不是后验分布的演变。
2019-07-13 math.ST stat.TH
Embedding Positive Process Models into Lognormal Bayesian State Space Frameworks using Moment Matching
在生态学中，过程通常基于系统的物理约束而有界。一个常见的例子是积极性约束，它适用于持续时间，人口规模和系统商品的总库存等现象。在本文中，我们提出了一种新的方法嵌入这些动力系统的对数正态状态空间模型，使用的方法基于矩匹配。我们的方法强制执行的积极性约束，允许嵌入任意的均值演化和方差结构，并具有封闭形式的马尔可夫转移密度，允许更灵活的拟合技术。我们讨论了两个现有的对数正态状态空间模型，并研究它们与这里提出的方法有何不同。我们使用180个合成数据集来比较模型误设定下的预测性能，并评估我们的方法和现有方法之间的精度参数的可估计性。我们发现，我们的模型以及下误设定，固定的观测方差既有助于提高估计的过程方差，提高预测性能。为了测试我们的方法在一个困难的问题上，我们比较了两个对数正态状态空间模型在预测叶面积指数超过151天的地平线嵌入一个基于过程的生态系统模型的预测性能。我们发现，我们的矩匹配模型比它的竞争对手表现得更好，并且更适合于长期的预测范围。总的来说，我们的研究有助于告知从业者在使用模型复杂系统预测样本时嵌入合理动态的重要性。
2022-12-21 q-bio.QM stat.AP
Simulation-based Inference via Langevin Dynamics with Score Matching
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出一种结合分数匹配与兰格vin动力学的可扩展模拟推理方法，通过局部化方案和结构化分数网络提升统计效率和计算可扩展性。
2026-06-29 stat.CO stat.ME stat.ML
A Bayesian algorithm for detecting identity matches and fraud in image databases
Digital Signal Corporation（数字信号公司）
提出了一种统计算法，用于对图像数据库中不同类型的匹配和欺诈进行分类。该方法是基于一个生成模型的图形表示图像和身份对之间的连接，使用图像之间的匹配算法的属性进行训练。
2017-06-20 cs.CV stat.ML
Determination of hysteresis in finite-state random walks using Bayesian cross validation
考虑使用高阶马尔可夫链对有限状态随机游动的滞后建模问题。这封信介绍了一个贝叶斯框架，以确定，从数据中，在最近的历史上，一个轨迹是统计依赖的先前状态的数量。一般的建议是使用留一交叉验证，使用以封闭形式提供的易于计算的公式。重要的是，当存在大量数据时，使用平面模型先验的贝叶斯因子偏向于过于复杂的模型（更多滞后），而赤池信息准则（AIC）偏向于过于稀疏的模型（较少滞后）。
2018-07-20 cs.LG physics.data-an q-bio.QM
Efficient Bayesian Inference of General Gaussian Models on Large Phylogenetic Trees
系统发育比较方法通过将样本性状建模为沿着可能未知历史的分支上的扩散过程而产生的，来校正一组非独立生物之间的共享进化历史。为了将这样的不确定性，我们提出了一个可扩展的贝叶斯推断框架下的一般高斯性状进化模型，利用哈密顿蒙特卡罗（HMC）。HMC能够对约束模型参数进行有效采样，并利用树结构进行快速似然和梯度计算，从而产生与观测数量成线性关系的算法复杂度。这种方法包括一个广泛的家庭的随机过程，包括一般的Ornstein-Uhlenbeck过程，可能会缺失数据和测量误差。我们将所有这些模型的生物相关子集的推理工具实现到BEAST系统发育软件包中，并通过边际似然估计来进行模型比较。我们应用我们的方法来研究鼬总科（包括黄鼠狼和盟友）的形态进化以及HIV毒力的遗传性。这第二个问题，通过有针对性的模拟研究，证明了其效用的进化遗传性的一个新的措施。
2020-09-29 q-bio.PE stat.AP
BayesCAT: Bayesian Co-estimation of Alignment and Tree
传统上，同源性和序列比对是分开估计的：首先估计多个序列比对，然后基于在前一步骤中估计的序列比对来推断同源性。然而，在对齐估计的不确定性被忽略，导致，可能，在夸大的确定性，在遗传学估计。我们开发了一个联合模型，用于共同估计系统发育和序列比对，通过考虑系统发育推断中的比对不确定性，改进了传统方法的估计。我们的插入和缺失（indel）模型允许任意长度的重叠indel事件和indel片段大小的一般分布。我们采用贝叶斯方法，使用MCMC估计的联合后验分布的系统发育树和多序列比对。我们的方法有一个树和一个完整的历史的indel事件映射到树上的状态空间的马尔可夫链，而替代以前的方法有一个树和对齐。一个大的状态空间包含一个完整的历史的indel事件使我们的MCMC方法更具挑战性，但它使我们能够推断更多的信息indel过程。用模拟数据和实际数据比较了这种联合方法和传统的序贯方法的性能。名为BayesCAT（Bayesian Co-estimation of Alignment and Tree）的软件可在https://github.com/heejungshim/BayesCAT获得。
2014-11-22 q-bio.PE stat.AP
Bayesian Learning without Recall
Massachusetts Institute of Technology（麻省理工学院）
本文研究了在社交网络中，学习者无法回忆历史观察并无法推断他人信念形成的贝叶斯学习模型，探讨了该模型在分析理性代理行为及非贝叶斯更新规则中的应用。
2016-11-07 cs.SI cs.SY eess.SY
The Finite-Horizon Two-Armed Bandit Problem with Binary Responses: A Multidisciplinary Survey of the History, State of the Art, and Myths
Lancaster University（兰卡斯特大学）
在本文中，我们考虑的两个武装土匪问题，这往往自然出现本身或作为一个子问题，在一些多武装的推广，并作为一个起点，引入额外的问题功能。考虑二元反应的动机是其广泛的适用性和被研究最多的设置之一。我们专注于未贴现的有限时域目标，这是在许多应用中最相关的。我们试图统一的术语，因为这是不同的学科，已经考虑到这个问题，并提出了一个统一的模型投在马尔可夫决策过程框架，受试者响应建模使用伯努利分布，和相应的β分布贝叶斯更新。我们从几个学科的方法，包括实验设计，贝叶斯决策论，朴素设计，强化学习，生物统计学和组合设计的历史和国家的艺术进行了广泛的说明。我们评估这些设计，连同一些新提出的，准确的计算（使用作者在Julia编程语言中新编写的包），以比较它们的性能。我们表明，结论是不同的温和的视野（典型的实践）比小视野（典型的学术文献报告计算结果）。我们进一步列出并澄清了关于这个问题的一些神话，例如，我们表明，在计算上，更大的问题可以设计到贝叶斯最优比通常认为的。
2019-06-20 cs.LG math.OC stat.CO
Machine-learning classifiers for logographic name matching in public health applications: approaches for incorporating phonetic, visual, and keystroke similarity in large-scale probabilistic record linkage
University of California, Berkeley（加利福尼亚大学伯克利分校）；Centers for Disease Control and Prevention（疾病预防控制中心）；Emory University（埃默里大学）；University of Florida（佛罗里达大学）
近似的字符串匹配方法，以解决复杂的变化，在高度歧视性的文本字段，如个人姓名，可以提高概率记录链接。然而，区分匹配和不匹配的字符串是具有挑战性的语标文字，其中发音，外观或序列的相似性不直接编码在字符串数据中。我们利用一个已知匹配状态的大型中文管理数据集来开发逻辑回归和Xgboost分类器，该分类器集成了视觉，语音和语义相似性的测量，以增强对潜在匹配名称对的识别。我们评估了在大规模概率记录链接中利用名称相似性分数的三种方法，它们可以适应不同的匹配流行率和支持字段中的信息：（1）基于所有记录对之间的名称匹配的预测质量设置阈值分数;（2）基于链接模型的预测区分能力设置阈值分数;以及（3）使用匹配和非匹配之间的经验分数分布来执行从精确一致链接估计的匹配概率的贝叶斯调整。在对保留数据以及用不同的名称出错率和支持字段模拟的数据的实验中，通过贝叶斯方法并入的逻辑回归分类器在区分能力、匹配概率估计和准确性方面表现出比精确一致性链接的显著改进，在测试数据中将错误分类的记录对的总数减少21%，在模拟数据集中平均减少93%。我们的研究结果表明，将视觉，语音和语义相似性的标识名称匹配的价值，以及我们的贝叶斯方法的承诺，利用大规模的记录链接内的名称匹配。
2020-01-07 cs.CL cs.IR stat.AP
