Machine Learning, Linear and Bayesian Models for Logistic Regression in Failure Detection Problems
SoftServe, Inc.(SoftServe 公司);Ivan Franko National University of Lviv(利沃夫伊万·弗兰科国立大学)
在这项工作中,我们研究了使用逻辑回归在制造故障检测。作为分析的数据集,我们使用了来自Kaggle竞争Bosch生产线性能的数据。我们考虑了机器学习、线性和贝叶斯模型的使用。对于机器学习方法,我们分析了基于XGBoost树的分类器,以获得高分分类。使用广义线性模型进行Logistic回归,可以分析所研究的因素的影响。逻辑回归的贝叶斯方法给出了模型参数的统计分布。它可以用于概率分析,例如风险评估。
2016-12-17 cs.LG stat.ML
Bayesian Safety Validation for Failure Probability Estimation of Black-Box Systems
Xwing
本文将黑盒安全验证建模为贝叶斯优化问题,通过概率代理模型与三种采集函数高效搜索失效并估计失效概率,以极少样本实现高精度验证,并已应用于FAA自主货运飞机认证。
2024-06-29 cs.LG stat.AP
Development of Bayesian Component Failure Models in E1 HEMP Grid Analysis
针对E1 HEMP对电网组件影响的确定性评估计算量大且数据不足的问题,提出利用贝叶斯先验结合少量测试数据构建统计组件故障模型,以低成本和低计算负担实现电网模拟分析。
2024-06-04 cs.SY eess.SY stat.AP
Excursion Search for Constrained Bayesian Optimization under a Limited Budget of Failures
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);IAV GmbH(IAV有限公司);University of Cambridge(剑桥大学);RWTH Aachen University(亚琛工业大学)
在学习骑自行车时,一个孩子在第一次成功之前摔倒了很多次。由于摔倒通常只会产生轻微的后果,因此可以将其视为一种可容忍的失败,以换取更快的学习过程,因为它提供了有关不受欢迎行为的丰富信息。在未知约束下的贝叶斯优化(BOC)的背景下,典型的安全学习策略保守地探索,并尽一切努力避免失败。在频谱的另一侧,允许失败的非保守BOC算法在达到最优之前可能失败无限次。在这项工作中,我们提出了一种新的决策者接地控制理论,控制量的风险,我们允许在搜索作为一个给定的预算失败的函数。实证验证表明,我们的算法更有效地使用故障预算在各种优化实验,并普遍实现较低的遗憾,比国家的最先进的方法。此外,我们提出了一个原始的无约束贝叶斯优化算法的灵感来自随机过程中的偏移集的概念,基于故障感知算法的建立。
2020-05-15 cs.LG cs.RO cs.SY
Bayesian Joint Model of Multi-Sensor and Failure Event Data for Multi-Mode Failure Prediction
Department of Industrial and Systems Engineering, Texas A&M University(德克萨斯A&M大学工业与系统工程系);University of Florida(佛罗里达大学);School of Industrial Engineering and Management, Oklahoma State University(俄克拉荷马州立大学工业工程与管理学院)
本文提出了一种联合建模多传感器时间序列数据和多模式故障时间的贝叶斯方法,通过整合Cox比例危险模型、卷积多输出高斯过程和多项式故障模式分布,实现对系统剩余使用寿命的准确预测,并通过数值和案例研究验证了其优势。
2026-05-18 cs.LG stat.ME stat.ML
Bayesian Calibration of Computer Models with Informative Failures
将计算机模型与实验数据进行校准有许多实际困难。一个这样的复杂性是校准输入的某些组合可能导致代码输出缺乏基本属性的数据,甚至根本不产生输出。在许多情况下,研究人员希望或需要在他们的分析中排除这些“失败”的可能性。我们提出了一个贝叶斯(Meta)模型,其中校准参数的后验分布自然排除了对应于失败运行的输入空间区域。也就是说,我们定义了一个统计选择模型来严格耦合二进制分类和计算机模型校准的不相交问题。我们证明了我们的方法使用的数据从碳捕获实验中的计算流体动力学的数值容易不稳定。
2020-06-13 stat.AP stat.ME
Bayesian Stacked Parametric Survival with Frailty Components and Interval Censored Failure Times
为了更好地了解暴露于食物过敏原的影响,食物挑战研究旨在缓慢增加过敏个体的过敏原剂量,直到发生客观反应。这些失效剂量研究用于确定可接受的摄入水平,并使用参数失效时间模型进行分析。虽然这些模型可以提供生存曲线的估计值,但它们的参数形式可能会错误地表示目标剂量的生存函数,并且类似地描述数据的不同模型可能会产生不同的失效剂量估计值。受预测推理的启发,我们开发了一种贝叶斯方法,根据后验预测叠加来组合生存估计,其中形成权重以最大化后验预测准确性。该方法允许包含灵活的模型,并且在我们的情况下,允许我们包含随机效应,以解释通过研究间异质性进入模型的脆弱成分。该方法在模拟中进行了研究,并用于估计多个食物过敏原的过敏人群诱发剂量。
2019-08-29 stat.AP
A comparison of Bayesian accelerated failure time models with spatially varying coefficients
加速失效时间(AFT)模型是分析生存数据的常用工具。在公共卫生研究中,数据通常从不同地点的医疗服务提供者那里收集。不同地点的生存率往往呈现地理上不同的模式。本文研究了具有空间变系数的加速失效时间模型。我们比较了三种类型的空间变化系数的先验。提出了一种模型选择准则--伪边缘似然对数(LPML),用以评价不同先验条件下AFT模型的拟合程度。进行了广泛的模拟研究,以检查所提出的方法的经验性能。最后,我们将我们的模型应用于路易斯安那州前列腺癌的SEER数据,并证明了前列腺癌数据对生存率的空间变化影响的存在。
2020-02-08 stat.AP
Prognostics of Multisensor Systems with Unknown and Unlabeled Failure Modes via Bayesian Nonparametric Process Mixtures
Department of Industrial and Systems Engineering, University of Florida(工业与系统工程系,佛罗里达大学);School of Forest, Fisheries, and Geomatics Sciences, University of Florida(森林、渔业与地理科学学院,佛罗里达大学)
本文提出了一种基于贝叶斯非参数过程混合的预测框架,用于处理多传感器系统中未知和未标记故障模式的预测问题,通过迭代反馈机制实现故障模式的动态推断和预测准确性提升。
2026-02-22 cs.LG stat.AP
Failure of Calibration is Typical
Schervish(1985 b)指出,每一个预测系统对于它可能看到的不可数的数据序列都是未经校准的。这个结果在这里得到加强:从拓扑的角度来看,校准失败是典型的,校准罕见。与此同时,贝叶斯预测者确信他们是经过校准的--这引发了人们对贝叶斯主义与理性之间联系的担忧。
2013-06-20 math.ST stat.ML stat.TH
Analysis of Unobserved Heterogeneity via Accelerated Failure Time Models Under Bayesian and Classical Approaches
本文通过贝叶斯和经典框架下的加速失效时间(AFT)模型来处理生存数据集中未观察到的异质性。处理未观察到的异质性的贝叶斯方法最近在Vallejos和Steel(2017)中进行了讨论,其中混合模型用于减少异常观测或未包含在生存模型中的某些协变量的影响。脆弱性模型在经典框架下也处理这种未观察到的变化,并已被从业者用作贝叶斯的替代方案。我们讨论了这两种方法处理不可观测的异质性时,一个家庭的比率混合的Weibull分布和一组随机效应分布下的贝叶斯和经典的方法分别使用其优点和缺点。我们研究了经典估计与贝叶斯估计的差异,尽管估计方法的范式不同。两个实际数据的例子-骨髓移植数据和肾脏感染数据已被用来说明的方法的性能。在这两种情况下,观察到使用逆高斯混合分布优于其他可能性。通过与相应模型的估计值进行比较,发现脆弱性模型的估计值普遍被低估。
2017-09-08 stat.AP
Bayesian subset simulation
我们考虑的问题,估计故障概率$α$,定义为一个函数$f:\mathbb{X} \subseteq \mathbb{R}^{d} \to \mathbb{R}$在给定阈值以上的偏移集的体积,在给定的概率测度$\mathbb{X}$。在这篇文章中,我们结合流行的子集模拟算法(Au和贝克,Probab。Eng.Mech.2001)和我们用于估计故障概率的序贯贝叶斯方法(Bect,Ginsbourger,Li,Picheny和Vazquez,Stat. Comput. 2012年)。这使得当$f$的评估数量非常有限并且$α$非常小时,可以估计$α$。由此产生的算法被称为贝叶斯子集模拟(BSS)。一个关键的想法,在子集模拟算法中,是估计的概率的一个序列的偏移集的$f$以上的中间阈值,使用序贯蒙特卡罗(SMC)的方法。在$f$上使用高斯过程先验来定义SMC算法所针对的密度序列,并驱动$f$的评估点的选择以估计中间概率。提出了自适应程序来确定中间阈值和在算法的每个阶段要进行的评价的数量。数值实验表明,BSS实现了显着节省的功能评估的数量相对于其他蒙特卡罗方法。
2017-04-24 stat.CO
Bayesian competing risks survival modeling for assessing the cause of death of patients with heart failure
本文提出贝叶斯竞争风险生存建模方法,通过推广单变量生存分析的贝叶斯模型选择程序,分析心脏再同步化治疗心力衰竭患者的心血管与非心血管死亡原因及协变量关系。
2025-06-16 stat.AP
Objective Bayesian Inference for Repairable System Subject to Competing Risks
讨论了具有多种失效模式的可修系统的竞争风险模型。在最小修理下,假设每个故障模式都具有幂律强度。一个正交的重新参数化是用来获得一个客观的贝叶斯先验是不变的下重新标记的故障模式。由此产生的后验是Γ分布的产物,并具有吸引人的属性:一对一的不变性,一致的边缘化和一致的采样特性。此外,由此产生的贝叶斯估计有封闭形式的表达式,自然是无偏的模型的所有参数。该方法应用于分析(i)以前未发表的数据集关于甘蔗收割机的复发性故障历史和(ii)在[1]中介绍的汽车保修索赔记录。进行了仿真研究,研究所提出的方法的效率。
2018-04-17 stat.AP
Locally Learned Synaptic Dropout for Complete Bayesian Inference
贝叶斯大脑假说假定大脑根据贝叶斯定理准确地对统计分布进行操作。突触前囊泡释放神经递质的随机失败可能允许大脑从网络参数的后验分布中采样,解释为认知的不确定性。以前没有显示随机故障如何允许网络从观察到的分布中采样,也称为任意或剩余不确定性。从这两种分布中进行采样可以实现概率推理、高效搜索以及创造性或生成性问题解决。我们证明,根据人口代码为基础的解释神经活动,这两种类型的分布可以表示和采样与突触故障单独。我们首先定义了一个生物约束的神经网络和采样方案的基础上突触故障和侧抑制。在这个框架内,我们推导出基于辍学的认知不确定性,然后证明了从突触功效到释放概率的分析映射,该映射允许网络从接收层表示的任意学习分布中进行采样。其次,我们的结果导致了一个局部的学习规则,突触适应其释放概率。我们的研究结果表明,完整的贝叶斯推断,相关的变分学习方法的辍学,在一个生物约束的网络,只使用本地学习的突触故障率。
2021-11-29 q-bio.NC stat.ML
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
Robust Survival Estimation under Interval Censoring: Expectation-Maximization and Bayesian Accelerated Failure Time Assessment via Simulation and Application
针对区间删失生存数据标准方法不适用的问题,本研究对比EM算法、参数AFT模型、贝叶斯AFT模型三类方法,通过模拟与卵巢癌数据集验证其分层应用价值,为区间删失下的生存估计提供完整策略。
2025-09-01 math.ST stat.AP stat.CO
A robust Bayesian approach to modelling epistemic uncertainty in common-cause failure models
在一个标准的贝叶斯方法的α因子模型的共同原因失败,一个精确的狄利克雷先验分布模型的α因子的认知不确定性。该狄利克雷先验然后用观测数据更新以获得后验分布,其形成进一步推断的基础。在本文中,我们适应不精确的狄利克雷模型的瓦利代表认知的不确定性的阿尔法因素。在这种方法中,认知不确定性通过每个α因子的下限和上限期望以及确定模型从观测数据中学习的速度的学习参数来更谨慎地表达。对于这个应用程序,我们专注于学习参数的启发,并发现1到10的范围内的值似乎是合理的。凯利和阿特伍德的最低信息狄利克雷之前的α因子模型,其中包括精确的平均值的α因子,但这是相当分散的方法进行比较。接下来,我们将探索使用一组Gamma先验来建模边际故障率中的认知不确定性,通过对该率的上下期望来表示,再次与学习参数一起。由于零计数在这里通常不是一个问题,我们发现这个学习参数的选择不那么重要。最后,我们展示了如何将这两种认知不确定性模型相结合,以达到所有共因故障率的较低和较高的期望。因此,我们有效地提供了一个完整的敏感性分析的共因故障率,正确地反映了认识的不确定性的分析师的共因故障模型的各个层面。
2013-01-03 math.ST stat.ME stat.TH
Root Cause Analysis in Lithium-Ion Battery Production with FMEA-Based Large-Scale Bayesian Network
锂离子电池单元的生产的特征在于由于工艺特性之间的许多因果关系而导致的高度复杂性。关于多阶段生产的知识在几个专家之间传播,使故障分析任务具有挑战性。本文提出了一种新的方法,包括专家知识的获取,在生产爬坡相结合的故障模式与影响分析(FMEA)与贝叶斯网络。提出了特殊的算法,帮助检测和解决专家提供的参数之间的不一致性,必然会发生从几个过程专家收集知识。我们通过建立一个大规模的,跨过程的贝叶斯失效网络在锂离子电池生产和其应用的根本原因分析,这种整体方法的有效性。
2020-06-15 stat.AP stat.ML
Distortion estimates for approximate Bayesian inference
当前文献中关于贝叶斯推断的后验近似提供了许多替代方法。我们选择的近似方案对观测数据是否有效?现有最好的通用诊断工具通过查看数据空间上的平均性能来处理这类问题,否则缺乏诊断细节。然而,如果近似对大多数数据都不好,但对观测数据很好,那么我们可以放弃一个有用的近似。我们给图形诊断后验近似的观测数据。我们估计一个“失真图”,作用于近似后验的单变量边缘,使它们更接近精确后验,而不依赖于精确后验。
2020-06-19 stat.CO
Maximizing Reliability with Bayesian Optimization
Mathsys CDT, University of Warwick, Coventry, UK(Mathsys联合培养博士项目,沃里克大学,考文垂,英国);Warwick Business School, University of Warwick, Coventry, UK(沃里克商学院,沃里克大学,考文垂,英国);Faculty of Engineering(工程学院);Architecture, Ghent University, Ghent, Belgium(建筑系,根特大学,根特,比利时)
本文提出两种基于汤普森采样和知识梯度的贝叶斯优化方法,用于在极小故障概率下提高系统可靠性。
2026-02-02 cs.LG math.OC stat.ML
A Bayesian Weakest-Link Framework for Joint Estimation of Material Strength and Stress Profile
University of Waterloo(滑铁卢大学);Department of Statistics and Actuarial Science, University of Waterloo(滑铁卢大学统计与精算科学系)
该研究针对现有可靠性模型的局限,提出分层贝叶斯最弱链接模型,联合估计材料强度与应力分布,经模拟及花旗松横担真实数据分析验证了其有效性。
2026-08-04 stat.ME
Conservative Software Reliability Assessments Using Collections of Bayesian Inference Problems
City St. George’s, University of London(伦敦城市圣乔治大学)
本文通过贝叶斯推断问题集合确定软件无故障运行的最坏情况后验预测概率,推导其渐近性质并应用于安全关键软件评估,扩展了稳健与保守贝叶斯推断方法。
2025-11-10 cs.SE stat.AP
Auditing Bayesian Graph Alignment: Diagnostic Comparisons and Reference Failure
Center for Complex Biological Systems(复杂生物系统中心);University of California, Irvine(加州大学欧文分校)
本研究审计贝叶斯图对齐中得分收敛与边际准确性的差距,比较多种诊断方法,发现赋值敏感审计有效但受预算和参考一致性限制。
2026-09-25 cs.LG stat.AP stat.CO
Adaptive Synaptic Failure Enables Sampling from Posterior Predictive Distributions in the Brain
贝叶斯解释的神经处理要求生物机制表示和操作的概率分布根据贝叶斯定理。许多人推测,突触失效构成了一种变异机制,即,大脑中的近似贝叶斯推断。鉴于模型以前使用突触故障对模型参数的不确定性进行采样,我们证明了通过将传输概率适应于学习的网络权重,突触故障不仅可以对模型的不确定性进行采样,还可以对完整的后验预测分布进行采样。我们的研究结果可能解释了大脑执行概率搜索和近似复杂积分的能力。这些操作涉及许多计算,包括复杂规划的可能性评估和状态值估计。
2022-10-04 q-bio.NC stat.ML
Bayesian non-parametric specification of bathtub shaped hazard rate functions
本文扩展Lo和Weng方法,提出四种基于Gamma过程先验的非参数浴缸形风险率函数,并实现模拟验证。
2023-05-13 stat.AP
A Bayesian Selection Model for Correcting Outcome Reporting Bias With Application to a Meta-analysis on Heart Failure Interventions
多变量荟萃分析(MMA)是联合评价多个结局的处理效应的有力工具。然而,MMA结果的有效性可能会受到结果报告偏倚(ORB)或研究选择性报告结果的趋势的影响。直到最近,ORB才被充分研究。由于ORB可能导致有偏倚的结论,因此在ORB存在的情况下,纠正效应量的估计并量化其不确定性至关重要。有了这个目标,我们开发了一个贝叶斯选择模型来调整ORB在MMA。我们进一步提出了一个量化ORB对MMA结果影响的措施。我们通过对来自Cochrane系统评价数据库的748项双变量荟萃分析进行荟萃评价来评估我们的方法。我们的模型的动机和应用到一个荟萃分析的干预措施,再入院和生活质量的心力衰竭患者。在我们的分析中,调整ORB后,干预组再入院的相对风险(RR)从显著降低(RR:0.931,95%置信区间[CI]:0.862-0.993)变为统计学上无显著影响(RR:0.955,95% CI:0.876-1.051)。本研究表明,未能考虑ORB可能导致荟萃分析得出不同的结论。
2021-10-17 stat.AP
Bayesian Estimation of the Kumaraswamy Inverse Weibull Distribution
Kumaraswamy逆韦布尔分布能够模拟具有单峰形状的失效率,并且在可靠性和生物学研究中非常常见。介绍了失效率为递减单峰的三参数Kumaraswamy逆韦布尔分布。我们提供了一个全面的治疗Kumaraswany逆韦布尔分布的数学性质,并推导出其矩母函数和$r$ -th广义矩的表达式。讨论了具有密度图和风险函数图的模型的一些性质。我们还讨论了这种分布的贝叶斯方法和应用程序是一个真实的数据集。
2015-05-20 stat.ME
Variational Inference Failures Under Model Symmetries: Permutation Invariant Posteriors for Bayesian Neural Networks
University of Oxford(牛津大学);Imperial College London(伦敦帝国学院)
本研究针对神经网络权重空间置换对称性导致贝叶斯神经网络变分推断后验多模态偏差的问题,提出置换不变变分后验的对称化机制,经理论与实验验证可提升后验拟合效果、预测性能及ELBO值。
2024-08-10 cs.LG stat.ML
Bayesian joint modelling using semiparametric accelerated failure time approaches
The University of Queensland’s Clinical Trials Capability (ULTRA)(昆士兰大学临床试验能力中心(ULTRA));NHMRC Clinical Trial Centre, University of Sydney(悉尼大学国家健康与医学研究委员会临床试验中心);Australian and New Zealand Urogenital and Prostate (ANZUP) Cancer Trials Group(澳大利亚和新西兰泌尿生殖和前列腺癌症试验组)
提出一类半参数加速失效时间联合模型,直接建模协变量对事件时间的影响并灵活捕捉纵向-事件关联,采用贝叶斯框架进行估计,相比比例风险模型更具灵活性和可解释性。
2026-06-16 stat.ME
A Bayesian accelerated failure time model for interval censored three-state screening outcomes
本文针对区间删失且仅在同一筛查区间内才能观测到CIN-2至CIN-3进展的三状态筛查数据,提出贝叶斯加速失效时间模型,并利用截断分布数据扩充的Metropolis-within-Gibbs算法估计HPV到CIN-3及CIN-2到CIN-3的转移时间。
2021-12-03 stat.ME
The case for fully Bayesian optimisation in small-sample trials
the University of Melbourne(墨尔本大学)
虽然样本效率是使用贝叶斯优化的主要动机时,黑盒功能是昂贵的评估,基于第二类最大似然(ML-II)的标准方法可能会失败,并导致在小样本试验中令人失望的性能。本文提供了三个令人信服的理由,采用完全贝叶斯优化(FBO)作为替代方案。首先,ML-II的失败比使用人为设置的现有研究所暗示的更常见。其次,FBO比ML-II更健壮,而健壮性的代价几乎是微不足道的。第三,FBO已经变得易于实现,并且速度足够快。本文使用相关实验来支持这一论点,这些实验反映了当前关于模型、算法和软件平台的实践。由于收益似乎超过了成本,研究人员应该考虑在他们的应用中采用FBO,这样他们就可以防止潜在的失败,最终浪费宝贵的研究资源。
2022-08-30 cs.LG stat.ML
Application of Bayesian Methods for Age-dependent Reliability Analysis
本文提出了一种退化或老化系统、结构和部件的寿命相关可靠性分析的一般方法,该方法基于贝叶斯方法和推理,它具有结合先验信息的能力,并基于老化可被看作是可靠性参数的寿命相关变化的思想,当信念的改变不仅由于新的故障数据或及时可用的其他信息而发生时,而且由于时间的流动和信念的演变而连续改变。本文的主要目的是提出明确的方法,如何贝叶斯方法可以应用于从业人员来处理考虑老化现象的风险和可靠性分析。该方法描述了一步一步的老化系统的故障率分析:从贝叶斯模型的建立,其验证和推广与贝叶斯模型平均,作者在本文中建议,可以作为替代各种拟合优度评估工具和通用工具,以应付各种来源的不确定性。
2012-10-18 stat.AP
A Bayesian Functional Accelerated Failure-Time Model with Varying Effects Correcting for Measurement Error
提出贝叶斯函数加速失效时间模型,通过高斯过程单指标结构建模功能系数随时间和标量协变量的变化,并利用工具变量处理功能协变量的测量误差,以分析可穿戴设备数据中步数活动与缺血性卒中死亡时间的关系。
2026-06-16 stat.ME
Bayesian reliability acceptance sampling plans under adaptive simple step stress partial accelerated life test
本文提出自适应简单步进应力部分加速寿命试验下的贝叶斯可靠性验收抽样方案BSPAA,在I型截尾下推导贝叶斯决策函数与风险,并通过最小化二次损失下的贝叶斯风险获得最优方案,与传统CBSP和CBSPA进行比较。
2024-08-01 stat.AP
Forecasting remaining useful life: Interpretable deep learning approach via variational Bayesian inferences
ETH Zurich(苏黎世联邦理工学院)
预测机械、基础设施或其他设备的剩余使用寿命可以促进抢先维护决策,从而通过及时维修或更换来防止故障。这允许通过考虑预期的故障时间来提供更好的决策支持,从而有望降低成本。在这里,可以通过将概率密度函数拟合到过去的寿命,然后利用(有条件的)预期剩余使用寿命作为预测,来得出共同的基线。这种方法在实践中得到广泛使用,因为它具有很高的解释力。机器学习有望提供一种更准确的替代方案,其中预测通过传感器数据将退化过程和环境变量纳入其中。然而,机器学习在很大程度上起着黑箱方法的作用,因此其预测丧失了大部分所需的可解释性。作为我们的主要贡献,我们提出了一种结构效应神经网络来预测剩余使用寿命,它结合了两种方法的有利特性:其关键创新在于它提供了高度的问责制和深度学习的灵活性。通过变分贝叶斯推断的参数估计。根据航空发动机的实际故障时间,对不同的方法进行了比较。这表明了我们的方法的性能和优越的可解释性,而我们最后讨论的决策支持的影响。
2019-07-19 cs.LG stat.ML
A Bayesian Framework for Non-Collapsible Models
本文讨论了不可塌缩性的概念,并提出了一种基于Dirichlet过程混合的估计不可塌缩模型中协变量条件效应的新方法。使用合成数据,我们评估我们提出的方法的性能,并检查其在不同的设置下的灵敏度。我们还将我们的方法应用于血液透析患者中通路失败的真实数据。
2018-07-06 stat.ME
Robust Bayesian Reliability for Complex Systems under Prior-Data Conflict
在可靠性工程中,有关故障事件的数据往往是稀缺的。为了对系统的可靠性进行有意义的估计,通常还需要在分析中包括专家信息,这在贝叶斯方法中是直接的,通过使用信息先验分布。一个被称为先验数据冲突的问题可能会出现:从先验的角度来看,观察到的数据似乎非常令人惊讶,即,数据中的信息与先前的假设相冲突。基于共轭先验的模型可能对先验数据冲突不敏感,因为在这种冲突的情况下,后验分布的分布不会增加,从而传达了错误的确定性。本文提出了一种解决这一问题的方法,即利用先验分布对威布尔分布元件寿命的有限知识进行建模,并利用生存特征对任意布局的系统进行处理。这种方法可以被看作是一个强大的贝叶斯过程或不精确的概率方法,反映了令人惊讶的早期或晚期组件故障更广泛的系统可靠性界限。
2016-10-23 stat.ME
Exact Bayesian Planning for Simple Step-Stress Accelerated Life Testing with Competing Risks
Newcastle University(纽卡斯尔大学)
本文提出一种贝叶斯框架,用于规划简单步应力加速寿命测试,考虑两个独立竞争失效模式。通过累积暴露模型和对数线性应力-寿命关系连接不同应力水平下的失效时间分布,采用非渐近方法优化p分位数的预后方差。
2026-04-10 stat.AP stat.ME
Bayesian reliability acceptance sampling plan sampling plans under adaptive accelerated type-II censored competing risk data
针对高可靠复杂产品故障少、多诱因的问题,本文提出自适应步进应力部分加速寿命试验下的II型截尾贝叶斯可靠性验收抽样方案,通过最小化二次损失的贝叶斯风险求最优解,对比验证了其有效性。
2025-07-31 stat.AP stat.ME
Designing a Bayesian adaptive clinical trial to evaluate novel mechanical ventilation strategies in acute respiratory failure using Integrated Nested Laplace Approximations
本研究利用INLA算法设计贝叶斯自适应试验,通过大量模拟优化急性呼吸衰竭机械通气策略的试验参数,在保证I类错误和功效的前提下确定了最佳试验设计。
2023-03-31 stat.AP
Student-at-risk detection by current learning performance indicators using Bayesian networks
本文着重探讨学生学业失败的预测问题,以期通过及时采取支持措施来预防。我们提出了一个概念,用于构建基于贝叶斯网络的预测模型,用于以混合学习格式教授的学术课程或模块。我们的实证研究证实,所提出的方法是为教育过程中的各个利益相关者的早期预警系统的发展前景。
2020-04-21 stat.AP
Do Bayesian Neural Networks Improve Weapon System Predictive Maintenance?
Naval Surface Warfare Center – Corona Division(海军水面战中心科罗纳分部)
本文提出基于贝叶斯推断的LaplaceNN方法,用于建模高可靠武器系统在区间删失数据下的失效时间,并通过标准分类指标在合成与真实数据集上验证了其有效性。
2024-01-06 cs.LG stat.AP
Sequential design of computer experiments for the estimation of a probability of failure
本文讨论了在假定$\mathbb{R}^d$上的概率测度已知的情况下,估计函数$f:\mathbb{R}^d \to \mathbb{R}$在给定阈值以上的偏移集的体积的问题.在工业世界中,这对应于估计系统故障概率的问题。当只有一个昂贵的模拟模型的系统是可用的,模拟的预算通常是严重有限的,因此,经典的蒙特卡罗方法应该避免。本文的主要贡献之一是从贝叶斯理论公式中推导出SUR(逐步减少不确定性)策略,估计故障概率。这些顺序策略使用$f$的高斯过程模型,并且旨在尽可能有效地执行$f$的评估以推断故障概率的值。我们将这些策略与其他策略进行比较,这些策略也基于用于估计故障概率的高斯过程模型。
2012-04-24 stat.AP stat.CO
Mitigating Representation Gaps in Amortized Bayesian Inference with Auxiliary Supervision
TU Dortmund University(多特蒙德工业大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文提出利用辅助监督损失改善摊销贝叶斯推断的训练动态,缓解表示差距,加快收敛并提升性能,并在多个现实问题中验证了有效性。
2026-10-01 cs.LG stat.CO stat.ME
Increasing the Scope as You Learn: Adaptive Bayesian Optimization in Nested Subspaces
Lund University(吕勒欧大学);Stanford University(斯坦福大学);DBtune;Amazon(亚马逊)
本文提出BAxUS方法,通过嵌套随机子空间自适应优化空间,提升高维贝叶斯优化性能,理论保证其鲁棒性并在多种应用中表现更优。
2023-04-22 cs.LG stat.ML
trialr: Bayesian Clinical Trial Designs in R and Stan
本手稿介绍了一个名为\pkg{trialr}的\proglang{R}包,该包在\proglang{Stan}和\proglang{R}中实现了一系列临床试验方法。在这篇文章中,我们详细探讨了三种方法。第一个是进行I期剂量探索试验的持续再评估方法,以寻求最大耐受剂量。第二个是EffTox,这是一种剂量发现设计,通过联合疗效和毒性结果来审查剂量。第三种是增强的二元方法,用于模拟II期肿瘤学试验中的治疗成功概率,并参考连续肿瘤大小的重复测量和治疗失败的二元指标。我们在本文中强调了获得后验样本的好处,包括灵活的推理和强大的可视化。我们希望这个包鼓励在临床试验中使用贝叶斯方法。
2019-06-29 stat.AP stat.CO stat.ME
Classified Regression for Bayesian Optimization: Robot Learning with Unknown Penalties
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Tübingen(图宾根大学)
使用贝叶斯优化(BO)通过最小化黑盒目标成本来学习机器人控制器可能是耗时且具有挑战性的。这是非常常见的情况下,一些推出导致失败的行为,造成过早的实验延迟。在这种情况下,设计者被迫决定启发式成本惩罚,因为所获得的数据往往是稀缺的,或不可比的稳定政策。为了克服这一点,我们提出了一个贝叶斯模型,准确地捕捉我们所知道的不稳定控制器的成本之前,数据汇集:什么都没有,除了它应该是一个有点大的数字。由此产生的贝叶斯模型,近似与高斯过程,预测高成本值的地区,故障可能会发生。以这种方式,该模型引导BO探索稳定区域。我们证明了所提出的模型的好处,在几个说明性和统计合成基准,并在一个真正的机器人平台上的实验。此外,我们提出并实验验证了一个新的BO方法来考虑未知的约束。这种方法是最大值熵搜索,最近的信息论方法,解决无约束全局优化问题的扩展。
2020-11-09 cs.LG cs.RO cs.SY
On Reparameterization Invariant Bayesian Point Estimates and Credible Regions
本文考虑了用于科学推理和交流的模型参数的重参数化不变贝叶斯点估计和可信区域。研究了贝叶斯内在估计和区域中内在损失函数选择的影响,发现如下。使用从完整模型到限制模型的库尔贝克-莱布勒散度的特定固有损失函数与贝叶斯预测准则有很强的联系,贝叶斯预测准则产生具有最佳预测性能的点估计。另一种内在损失函数,使用从限制模型到完整模型的库尔贝克-莱布勒散度,产生至少一些常用分布的具有有趣频率特性的估计,即位置和尺度参数的无偏最小方差估计。
2021-09-22 stat.ME
Prediction of Future Failures for Heterogeneous Reliability Field Data
本文介绍了从异质可靠性现场数据中构造未来失效次数的预测界或区间的方法。我们专注于样本内预测,其中来自故障时间过程的早期数据用于预测来自同一过程的未来故障。然而,由于小样本量、删失和截断的某种组合,来自高可靠性产品的早期数据通常具有有限的信息。在这种情况下,我们使用贝叶斯分层模型共同模拟多个寿命分布所产生的类似产品的不同亚群。通过借用子群体之间的信息,我们的方法可以实现稳定的估计和相应的预测区间的计算,即使在很少观察到失败的情况下。提供了三个应用程序来说明这种方法,并使用模拟研究来验证预测区间的覆盖性能。
2021-04-11 stat.AP stat.ME
Approximate Cross-validated Mean Estimates for Bayesian Hierarchical Regression Models
Pennsylvania State University(宾夕法尼亚州立大学);University of Florida(佛罗里达大学);Dalian University of Technology(大连理工大学)
本文提出一种通过以方差-协方差参数为条件、将交叉验证转化为优化问题的方法,从而高效获得贝叶斯分层回归模型的近似交叉验证预测估计,避免逐折重跑昂贵计算,并在理论与实验上验证其有效性。
2024-09-27 cs.LG stat.CO stat.ML
Local Intrinsic Dimensionality of Ground Motion Data for Early Detection of Catastrophic Slope Failure
The University of Melbourne(墨尔本大学);Monash University(莫纳什大学)
提出时空局部内在维度(st-LID)无监督框架,通过运动增强、贝叶斯空间融合和时间建模,提高滑坡监测中破坏区域的早期检测精度和提前时间。
2026-06-03 cs.LG stat.AP
A Bayesian approach for small area population estimates using multiple administrative records
小区域人口估计对私营和公共部门的决策很有用。但是,在小范围内(即,那些难以到达并且人口规模小的地区)计算人口数量是复杂的。贝叶斯方法是使用多个行政记录的数据进行人口统计估计的一种替代方法。在本文中,我们探讨了贝叶斯方法,这是简单而灵活的,并代表了一个替代程序的基础人口估计特别强大的两次人口普查期间。方法程序的适用性说明了在哥伦比亚的哈蒙迪市使用人口金字塔。
2019-05-13 stat.AP stat.ME
Bayesian estimates of transmission line outage rates that consider line dependencies
输电线路停运率是电力系统可靠性分析的基础。线路停运并不频繁,大约每年只发生一次,因此停运数据有限。我们提出了一个贝叶斯分层模型,利用线路的依赖关系,以更好地估计停电率的个别输电线路有限的停电数据。贝叶斯估计的标准差比简单地通过将中断次数除以数据年数来估计中断率更低,特别是当中断次数很小时。贝叶斯模型产生更准确的个别线路停电率,以及这些率的不确定性的估计。更好地估计线路停电率可以改善系统风险评估、停电预测和维护调度。
2020-01-23 cs.SY eess.SY physics.soc-ph