A Bayesian framework for multilevel data under model mis-specification
Universidade Federal do Rio de Janeiro（里约热内卢联邦大学）；McGill University（麦吉尔大学）
提出一种贝叶斯半参数框架，通过富化狄利克雷模型的多层次权重扩展贝叶斯自助法，以处理工作模型误设定下的多层次数据，实现总体参数估计与不确定性量化。
2026-09-25 stat.ME
Specification analysis for technology use and teenager well-being: statistical validity and a Bayesian proposal
科学中的一个关键问题是评估数据分析选择的稳健性，同时避免选择性报告并提供有效的推断。规范曲线分析是一种旨在防止选择性报告的工具。唉，当用于推断时，由于错误地调整协变量，它可能会产生严重的偏倚和假阳性，并掩盖重要的处理效应异质性。作为我们的激励应用，它导致了一项有影响力的研究，得出结论，技术使用和青少年心理健康之间没有相关联系。我们讨论这些问题，并提出了一个有效的推理策略。贝叶斯规范曲线分析（BSCA）使用贝叶斯模型平均值来合并治疗、结局和亚群之间的协变量和异质性效应。BSCA对青少年的幸福感给出了截然不同的见解，揭示了与技术的关联因设备、性别和评估幸福感的人（青少年或其父母）而异。
2022-05-06 stat.AP
A Bayesian computer model analysis of Robust Bayesian analyses
我们利用贝叶斯仿真技术的力量，旨在帮助复杂的计算机模型的分析，检查复杂的贝叶斯分析本身的结构。这些技术有助于对复杂问题进行稳健的贝叶斯分析和/或敏感性分析，从而允许在可能性和先验规范中对选择的影响进行全局探索。我们展示了如何在鲁棒性研究中以前棘手的问题可以克服使用仿真技术，以及这些方法如何让其他科学家快速提取近似后的结果对应于自己的特定的主观规范。我们的方法的实用性和灵活性证明了一个真正的应用程序，贝叶斯方法被用来捕捉河流流量的信念的重新分析。我们讨论了这种方法开辟的未来研究的明显扩展和方向。
2017-03-03 stat.AP stat.CO stat.ME
Joint Specification of Model Space and Parameter Space Prior Distributions
我们考虑规范的先验分布贝叶斯模型比较，侧重于回归型模型。我们提出了一个特定的联合规范的先验分布跨模型，使后验模型概率的分散先验分布的个别模型的参数（林德利悖论）的敏感性减少。我们用一系列模拟和真实数据的例子说明了在我们提出的先验密度下线性和对数线性回归中推断和预测后验量的行为。
2012-07-24 stat.ME
Intersection Two-Vehicle Crash Scenario Specification for Automated Vehicle Safety Evaluation Using Sequence Analysis and Bayesian Networks
本文提出了一种基于碰撞序列分析和贝叶斯网络建模的测试场景描述方法。交叉口两车碰撞数据来自2016年至2018年国家公路交通安全管理局碰撞报告抽样系统数据库。涉及碰撞的车辆根据其初始位置和轨迹进行了重新编号。碰撞序列被编码为包括详细的预碰撞事件和简明的碰撞事件。基于序列模式，将事故分为55种类型。贝叶斯网络模型的开发，以描述碰撞序列类型，碰撞后果，人为因素和环境条件之间的相互关系。通过查询贝叶斯网络条件概率表来指定场景。基于序列类型的条件指定操作设计域属性的分布，例如驾驶员行为、天气、照明条件、交叉口几何形状、交通控制设备。此外，序列类型的分布根据特定的崩溃结果或操作设计域属性的组合来指定。
2022-08-19 stat.AP
The Ridgelet Prior: A Covariance Function Approach to Prior Specification for Bayesian Neural Networks
Newcastle University（纽卡斯尔大学）；University College London（伦敦大学学院）
贝叶斯神经网络试图将神经网络的强预测性能与贝叶斯框架中与预测输出相关联的不确定性的正式量化相结合。然而，目前还不清楚如何赋予网络的参数一个先验分布，这是有意义的，当提升到网络的输出空间。提出了一种可能的解决方案，使用户能够为手头的任务选择适当的高斯过程协方差函数。我们的方法为网络的参数构造了一个先验分布，称为脊波先验，它近似于网络输出空间中假定的高斯过程。与现有的神经网络和高斯过程之间的连接的工作相比，我们的分析是非渐近的，提供有限的样本大小的误差界。这建立了贝叶斯神经网络可以近似任何高斯过程的协方差函数是足够规则的普适性。我们的实验评估仅限于概念验证，我们证明脊波先验可以在回归问题上优于非结构化先验，可以提供合适的高斯过程先验。
2022-01-11 cs.LG stat.ML
Bayesian mortality forecasting with a Conway--Maxwell--Poisson specification
School of Mathematics, Statistics, and Actuarial Science, University of Essex（埃塞克斯大学数学、统计与精算学院）；Department of Mathematics, University of Connecticut（康涅狄格大学数学系）
本文提出基于康威-马克斯韦尔-泊松分布的贝叶斯死亡率预测方法，通过MCMC方法校准模型，有效处理数据超离散性问题，提升预测精度。
2026-01-04 stat.ME
Bivariate Prior Specification for Bayesian Decision Making in Early Phase Clinical Trials
University of Texas Health Science Center at Houston（休斯顿德克萨斯大学健康科学中心）
本研究针对早期临床试验贝叶斯双变量“通过/不通过”决策，提出校准先验设定框架，明确κ为先验主导参数，可控制先验间通过差异并应用于狼疮试验，为自适应先验精度方法提供依据。
2026-08-11 stat.ME
Fully Bayesian binary Markov random field models: Prior specification and posterior simulation
本文提出了一种基于矩形格点的二进制马尔可夫随机场（MRF）参数的灵活先验模型，其最大团由模板最大团定义。先验模型允许包含高阶相互作用。我们还定义了一个可逆跳马尔可夫链蒙特卡罗（RJMCMC）算法从相关的后验分布进行采样。具有例如k X l个最大团的MRF的可能参数的数量即使对于小的k和l值也变得很高。为了得到一个灵活的模型，它可以适应一个特定的观察到的图像的结构，我们不把任何绝对的限制参数化。相反，我们定义了一个参数形式的MRF的参数有解释为潜在的各种集团配置，并通过分配先验离散概率的参数值相等的事件，限制有效的参数数。为了运行我们的RJMCMC算法，我们必须处理MRF的计算上难以处理的归一化常数。为此，我们采用了先前定义的近似二进制MRF，但我们也简要讨论了其他替代方案。我们证明了我们的前配方的灵活性与模拟和真实数据的例子。
2015-01-19 stat.ME
Compatibility of Prior Specifications Across Linear Models
贝叶斯模型比较需要在每个候选模型的参数空间上指定先验分布。在这方面出现了两个问题：一方面，启发任务迅速成为禁止的模型数量的增加;另一方面，许多先前的规格只能加剧众所周知的敏感性事先转让，从而产生不太可靠的结论。在主观的框架内，这两个困难可以抵消连接先验跨模型，以实现简化和兼容性，我们讨论相关的客观方法的链接。给定一个包容的，或完整的，模型连同其参数空间上的先验，我们回顾和总结了几个程序推导先验下的子模型，即边缘化，条件反射，Kullback-Leibler投影。这些技术进行了说明和讨论，参考变量选择线性模型采用传统的$g$前，与现有的标准方法进行比较。最后，通过模拟和真实数据集，每个程序的相对优点进行了评估。
2011-02-15 stat.ME
Prior specification for binary Markov mesh models
我们提出了先验分布的马尔可夫网格模型的规范的所有部分。在制定中，我们定义先验的顺序邻域，参数形式的条件分布和参数值。通过模拟从所得到的后验分布条件下观察到的场景，我们从而获得一个自动的模型选择过程的马尔可夫网格模型。为了从这样的后验分布中采样，我们构造了一个可逆跳马尔可夫链蒙特卡罗算法（RJMCMC）。我们证明了我们的事先制定的有用性和我们的RJMCMC算法的局限性在两个例子中。
2017-07-26 stat.CO stat.ME
Bayesian Finite Mixture Models
本文系统阐述贝叶斯有限混合模型在聚类中的应用，涵盖成分数已知与未知两种情况下的先验设定、MCMC估计、标签切换处理及后验推断，并通过多元高斯混合模型实例说明完整建模流程。
2024-07-07 stat.ME
Variable fusion for Bayesian linear regression via spike-and-slab priors
在线性回归模型中，系数的融合用于识别与响应具有相似关系的预测因子。这就是所谓的可变融合。提出了一种基于贝叶斯线性回归模型的变量融合方法。我们专注于分层贝叶斯模型的基础上的尖峰和板坯事先的方法。一个尖峰和平板先验是定制的，以执行可变融合。为了获得参数的估计，我们开发了一个吉布斯采样器的参数。仿真研究和实际数据分析表明，我们提出的方法取得了更好的性能比以前的方法。
2020-12-02 stat.ME stat.ML
Beyond Uniform Priors in Bayesian Network Structure Learning
贝叶斯网络结构学习通常在贝叶斯设置中执行，使用给定数据集的后验概率评估候选结构。然后，基于分数的算法使用这些后验概率作为目标函数，并返回最大后验网络作为学习模型。对于离散贝叶斯网络，后验得分的规范选择是具有均匀（U）图先验的贝叶斯狄利克雷等效均匀（BDeu）边缘似然，其假设网络结构和网络参数都具有均匀先验。在本文中，我们调查这些假设所产生的问题，专注于小样本量和稀疏数据所造成的问题。然后，我们提出了一种替代后验分数：贝叶斯狄利克雷稀疏（BD）边缘似然与边缘均匀（MU）图先验。与U+BDeu一样，MU+ BD不需要任何关于数据概率结构的先验信息，可以用作替代非信息性得分。我们研究了它的理论特性，并在广泛的模拟研究中评估了它的性能，结果表明MU+ BD在学习网络结构方面比U+BDeu更准确，在预测功率方面也更有竞争力，同时计算上并不复杂。
2017-04-12 stat.ME stat.ML
Hyperbolic Latent Space Models for Network Embedding: Model Specification and Bayesian Inference
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Kentucky（肯塔基大学）；The Ohio State University（俄亥俄州立大学）
本文提出双曲潜空间模型，通过贝叶斯推断解决网络嵌入中的树状结构和厚尾度分布问题，强调温度参数对网络拓扑的重要性。
2026-06-11 stat.ME
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
On weakly informative prior distributions for the heterogeneity parameter in Bayesian random-effects meta-analysis
正态-正态分层模型（NNHM）构成了一个简单而广泛使用的荟萃分析框架。在通常情况下，只有少数研究有助于荟萃分析，标准的推理方法往往表现不佳，贝叶斯荟萃分析已被建议作为一个潜在的解决方案。然而，贝叶斯方法需要合理地指定先验分布。虽然无信息先验通常用于总体平均效应，但已建议使用弱信息先验用于异质性参数，特别是在（非常）少数研究的背景下。然而，到目前为止，如何一般指定一个弱信息的异质性先验缺乏共识。在这里，我们调查的问题更密切，并提供一些指导事先规范。
2021-01-13 stat.ME
Partial Ordering Bayesian Logistic Regression Model for Phase I Combination Trials and Computationally Efficient Approach to Operational Prior Specification
MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单元）
本文提出一种结合部分序和更灵活的双参数逻辑模型的贝叶斯部分序逻辑模型，用于I期联合试验，并提出一种计算高效的运算先验规范方法。
2024-09-16 stat.ME
Bayesian Variable Selection in Double Generalized Linear Tweedie Spatial Process Models
本文提出一种针对复合泊松-伽马空间过程模型的贝叶斯变量选择方法，利用连续尖峰和板先验及高斯过程空间效应，并在合成实验和2008年康涅狄格州汽车保险数据中验证其准确性。
2023-06-19 stat.AP stat.ME
How many data clusters are in the Galaxy data set? Bayesian cluster analysis in action
在基于模型的聚类中，Galaxy数据集通常被用作基准数据集，以研究不同建模方法的性能。Aitkin（2001年）比较了银河数据集的极大似然分析和贝叶斯分析，并对贝叶斯方法表示保留，因为所采用的事先假设仍然相当模糊，但在所获得的结果和得出的结论中起着重要作用。本文的目的是解决艾特金的关注的贝叶斯方法，阐明如何指定的先验影响估计集群的数量。我们对有限混合模型的混合模型进行了不同先验规范的敏感性分析，该混合模型包括关于组分数量的先验。我们使用一个全面的析因设计，并评估其对银河数据集的聚类估计数的影响，一套广泛的不同的先验规范。结果突出了先前规格的相互作用的影响，并提供了建议，以获得一个稀疏的聚类解决方案的先验规格的见解。人工数据的模拟研究提供了进一步的经验证据来支持建议。对先验规范影响的清晰理解消除了由于选择合适先验的复杂性而阻止使用贝叶斯方法的限制。此外，可以有意地利用先验的正则化属性来获得满足应用的先验期望和需求的合适的聚类解决方案。
2021-08-16 stat.AP
Prior specification of neighbourhood and interaction structure in binary Markov random fields
本文提出了二元马尔可夫随机场（MRF）团集和依赖结构的先验分布。在公式中，我们允许两两和更高阶的相互作用。我们构造的先验首先定义一个先验的邻域系统的MRF，并以此为条件，我们定义了一个先验的高阶相互作用的外观。最后，对于参数值，我们采用允许参数值相等的先验，并以这种方式减少自由参数的有效数量。从所得到的后验分布条件下观察到的场景，我们构建了一个可逆的跳跃马尔可夫链蒙特卡罗（RJMCMC）算法的样本。我们规避评价的棘手的归一化常数的MRF运行此算法时，通过采用先前定义的近似辅助变量算法。我们在两个模拟例子和一个真实数据的例子中证明了我们的先验的有用性。
2015-01-26 stat.ME
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
Fractional Gaussian noise: Prior specification and model comparison
分数高斯噪声（fGn）是一种自相似的随机过程，用于对观测到的时间序列中的反持续或持续依赖结构进行建模。fGn的自协方差函数的特性由赫斯特指数（H）表征，其在贝叶斯上下文中通常在单位区间上被分配均匀的先验。本文讨论了为什么统一先验是不合理的，并介绍了使用惩罚复杂性（PC）先验的H。PC先验计算惩罚发散的特殊情况下的白噪声，是不变的重新参数化。一个直接的优点是，完全相同的先验可以用于一阶自回归过程AR（1）的自相关系数，因为该模型也反映了白噪声的灵活版本。在潜在高斯模型的一般设置中，这允许我们使用贝叶斯因子将fGn模型分量与AR（1）进行比较，避免超参数的先验选择的混淆效应。除其他外，这在气候回归模型中很有用，其中对潜在线性或平滑趋势的推断在很大程度上取决于假设的噪声模型。
2016-11-19 stat.ME
A novel Bayesian approach for variable selection in linear regression models
针对多元线性回归模型中的变量选择问题，提出了一种新的贝叶斯方法。特别是，我们提出了一个分层设置，它允许直接规范的先验信念的数量非零回归系数以及指定的信念，给定的系数是非零的。为了保证数值稳定性，我们采用了一个$g$事先与一个额外的岭参数的未知回归系数。为了从联合后验分布中进行模拟，提出了一种能够在不同模型间切换的智能随机游动梅特罗波利斯-黑斯廷斯算法。在真实和模拟数据上测试我们的算法表明，它的性能至少与其他成熟的方法相当，甚至更好。最后，我们证明了在一些名义假设下，所提出的方法是一致的模型选择。
2019-03-13 stat.CO stat.ME
Objective Bayesian Analysis for the Lomax Distribution
在本文中，我们提出了贝叶斯推断的参数的Lomax分布使用非信息先验，即Jeffreys先验和参考先验。我们通过使用500个模拟数据集的蒙特卡罗研究评估贝叶斯估计。为了评估先验规范对估计可能产生的影响，考虑了两个标准：偏差和均方误差的平方根。所开发的程序说明了一个真实的数据集。
2016-02-26 stat.ME
Bayesian Analysis of Stochastic Volatility Model using Finite Gaussian Mixtures with Unknown Number of Components
金融研究需要基于波动率的模型，这些模型提供了与投资相关的风险的有用见解。随机波动率模型是此类研究中最流行的波动率建模方法之一。所研究的资产收益可能来自多个集群，这些集群在假设标准分布的情况下无法很好地捕捉。混合分布在这种情况下更合适。在这项工作中，一个算法证明，这是能够研究有限的混合物，但未知数量的组件。该算法使用一个死亡过程来调整混合分布中的分量数，并相应地分配权重。这种混合分布规格，然后用于资产收益率和半参数随机波动率模型拟合在贝叶斯框架。研究了高斯混合的一种特殊情况。采用适当的先验规范，吉布斯抽样方法被用来生成后验链和评估模型的收敛性。印度国家银行的股票收益率数据的案例研究被用来说明的方法。
2021-10-25 stat.ME
An approach to robust Bayesian regression in astronomy
针对天文数据中的异常值与噪声模型误设，提出基于 Student t 分布的通用稳健贝叶斯线性回归方法，并通过模拟和真实数据验证其低偏差与可用性。
2025-07-31 astro-ph.IM stat.ME
A New Spatial Count Data Model with Bayesian Additive Regression Trees for Accident Hot Spot Identification
事故热点识别是道路安全管理的中心任务。贝叶斯计数数据模型已经成为生产道路网络中的危险场所的概率排名的主力方法。通常，这些方法假设简单的线性链接函数规范，然而，这限制了模型的预测能力。此外，由于需要考虑未观察到的异质性和空间相关性而产生的复杂模型结构，排除了广泛的规格搜索。现代机器学习（ML）方法提供了自动化链接函数规范的方法。然而，这些方法不捕捉估计的不确定性，它也很难纳入空间相关性。鉴于这些文献中的空白，本文提出了一种新的空间负二项模型，它使用贝叶斯加性回归树内生地选择连接函数的规格。在所提出的模型的后验推理是可行的Polya-Gamma数据增强技术的帮助下。我们测试这个新模型的性能，从一个大都市的高速公路网络的碰撞计数数据集。实证结果表明，所提出的模型执行至少以及基线空间计数数据模型与随机参数的拟合优度和网站排名能力。
2020-05-24 stat.AP
A Theoretical Analysis of Logistic Regression and Bayesian Classifiers
本研究的目的是显示逻辑回归和贝叶斯分类器在指数和非指数分布族的情况下的根本区别，产生以下结果。首先，逻辑回归是贝叶斯分类器的一种不太通用的表示。其次，我们应该假设类的分布，以正确说明逻辑回归方程。第三，在特定情况下，正确指定的生成贝叶斯分类器和判别逻辑回归的预测概率之间没有差异。
2021-08-08 econ.EM stat.ME
Bayesian Fused Lasso Modeling via Horseshoe Prior
贝叶斯融合套索方法是一种稀疏贝叶斯方法，它同时收缩回归系数和它们的连续差。在本文中，我们提出了一个贝叶斯融合套索模型通过马蹄先验。通过假设连续回归系数的差异具有马蹄形先验，所提出的方法使我们能够防止这些差异的过度收缩。我们还提出了一个贝叶斯六边形算子的回归收缩和平等的选择（HORSES）与马蹄事先，它对所有组合的差异回归系数的先验。仿真研究和实际数据的应用表明，所提出的方法比现有的方法有更好的性能。
2022-01-20 stat.ME
Implementation and Workflows for INLA-Based Approximate Bayesian Structural Equation Modelling
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Universiti Brunei Darussalam（文莱达鲁萨兰国大学）
本文提出INLAvaan包，通过集成嵌套拉普拉斯近似框架实现快速近似贝叶斯结构方程建模，展示了其在复杂模型中的高效性能。
2026-11-02 stat.CO
Comparison between Suitable Priors for Additive Bayesian Networks
加性贝叶斯网络是一种图形模型，它通过对基础变量的联合概率分布进行因子分解，将通常的贝叶斯广义线性模型扩展到多个因变量。在拟合ABN模型时，参数先验的选择至关重要。如果使用不充分的先验--如信息量太弱的先验--数据分离和数据稀疏会导致模型选择过程中的问题。在这项工作中，两个弱和一个强信息先验之间的模拟研究。作为弱信息先验，我们使用具有大方差的零均值高斯先验，目前在R包abn中实现。第二个先验属于学生t分布，专门为逻辑斯谛回归设计，最后，强信息先验再次是高斯分布，平均值等于真实参数值且方差较小。我们比较了这些先验知识对学习的加性贝叶斯网络在不同参数下的准确性的影响。我们创建了一个模拟研究来说明林德利的悖论的基础上的优先选择。然后，我们的结论是突出了良好的性能的信息学生的t先验和有限的影响林德利悖论。最后，对今后的发展提出了建议。
2018-09-18 stat.AP stat.ME stat.ML
Bayesian regularization for flexible baseline hazard functions in Cox survival models
本研究针对Cox生存模型中半参数基线风险的过拟合与不稳定问题，提出基于分段常数混合和B样条的灵活基线风险贝叶斯正则化方法，通过真实数据和模拟实验验证了模型稳健性及B样条设定的优势。
2024-01-31 stat.ME
Assigning a value to a power likelihood in a general Bayesian model
贝叶斯数据分析和机器学习方法是广泛和流行的，因为它们为从数据中学习提供了直观而严格的公理;参见Bernardo and Smith（2004）and Bishop（2006）。然而，这种严格性伴随着一个警告，即贝叶斯模型是自然的精确反映。最近的趋势是通过将似然函数提高到幂来解决潜在的模型误设定，主要是出于鲁棒性原因，但不完全是。在本文中，我们提供了一个连贯的规范的功率参数，一旦贝叶斯模型已指定在没有一个完美的模型。
2017-01-30 stat.ME
Statistical methods for linguistic research: Foundational Ideas - Part II
我们提供了贝叶斯数据分析方法的介绍性综述，重点是语言学，心理学，心理语言学和认知科学的应用。经验导向的研究人员将受益于贝叶斯方法的一部分，他们的统计工具包，由于这个框架的许多优点，其中包括更容易解释的结果相对于研究假设，灵活的模型规格。我们提出了一个非正式的介绍背后的贝叶斯数据分析的基本思想，使用，作为一个例子，从一个典型的心理语言学实验的数据的线性混合模型分析。我们讨论了使用贝叶斯因子的假设检验和使用交叉验证的模型选择。我们关闭一些例子说明了贝叶斯框架中的模型规范的灵活性。还提供了进一步阅读的建议。
2016-01-31 stat.AP stat.ME
On default priors for robust Bayesian estimation with divergences
本文提出了基于分歧的抗野值贝叶斯估计的客观先验。最小$γ$ -散度估计是众所周知的工作，以及对严重污染的估计。近年来，基于分歧的准后验分布的稳健贝叶斯方法也被提出。在客观贝叶斯框架下，在这种准后验分布下，违约先验分布的选择是一个重要问题。本文基于$γ$ -散度，给出了准后验分布下参考先验和矩匹配先验的一些性质。特别是，我们表明，所提出的先验近似鲁棒的污染分布的条件下，不假设任何条件的污染率。一些模拟研究也被提出。
2020-12-18 stat.ME
Priors in Bayesian Deep Learning: A Review
ETH Zürich（苏黎世联邦理工学院）
虽然先验的选择是贝叶斯推断工作流程中最关键的部分之一，但最近的贝叶斯深度学习模型往往依赖于模糊的先验，例如标准高斯。在这篇综述中，我们强调了贝叶斯深度学习先验选择的重要性，并概述了（深度）高斯过程，变分自编码器和贝叶斯神经网络提出的不同先验。我们还概述了从数据中学习这些模型的先验知识的不同方法。我们希望激励贝叶斯深度学习的从业者更仔细地思考他们模型的先验规范，并在这方面为他们提供一些启发。
2022-03-18 cs.LG stat.ML
Informative extended Mallows priors in the Bayesian Mallows model
这项工作的目的是研究马洛斯模型与斯皮尔曼的距离，一个流行的基于距离的排名或排列数据模型的先验启发的问题。以往的贝叶斯推断，这种模型已被限制到使用的统一先验空间的排列。我们提出了一种新的策略，以引起主观先验信念的位置参数的模型，讨论超参数的解释和先验选择的后验分析的含义。
2019-01-30 stat.ME
Bayesian Nonparametric Modelling of Conditional Multidimensional Dependence Structures
近年来，允许变量之间的依赖关系根据一个或多个协变量的值而变化的条件Copula引起了越来越多的关注。在高维中，vine copula比多元copula提供更大的灵活性，因为它们是使用二元copula作为构建块来构建的。在本文中，我们提出了一种新的多元分布的推理方法，它结合了葡萄树结构的灵活性与贝叶斯非参数的优点，不需要指定的参数家庭的每对copula。使用葡萄树表达多变量Copula使我们能够轻松地解释驱动响应变量之间依赖性的协变量规范。更确切地说，我们指定葡萄藤copula密度作为高斯copula的无限混合，定义一个狄利克雷过程（DP）之前的混合措施，我们通过马尔可夫链蒙特卡罗（MCMC）采样进行后验推理。我们的方法是成功的聚类以及密度估计。我们进行了深入的模拟研究，并应用所提出的方法来调查自然灾害对金融发展的影响。我们的研究结果表明，该方法能够捕捉数据集的异质性，并揭示不同国家集群在自然灾害方面的不同行为。
2021-09-22 stat.ME
Grouping Priors and the Bayesian Elastic Net
在贝叶斯惩罚回归的文献中，回归系数的先验分布的两个主要选择是零均值高斯和拉普拉斯。虽然这两种方法都在数字和理论上进行了比较，但在现实生活中使用的指导仍然很少。我们提出了两个可行的解决方案，这个问题的先验分布的形式结合和拉普拉斯和高斯先验之间的妥协，分别。通过交叉验证，自动选择优化预测性能的先验。然后，我们证明了这些新的先验分布相对于拉普拉斯和高斯先验在模拟和实验环境中的改进性能。
2010-01-22 stat.ME
Recommendations for Bayesian hierarchical model specifications for case-control studies in mental health
University College London（伦敦大学学院）；Max Planck UCL 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老龄化研究中心）；Institute of Cognitive Neuroscience（认知神经科学研究所）
分层模型拟合已成为常见的认知和行为的心理健康的病例对照研究。然而，这些技术要求我们在群体层面上对数据生成过程进行形式化假设，这可能是未知的。具体来说，研究人员通常必须选择是否假设所有受试者都来自同一人群，或者将其建模为来自不同人群。这些假设对计算精神病学有着深远的影响，因为它们影响了由此产生的推断（潜在参数恢复），并可能混淆或掩盖真正的群体水平差异。为了测试这些假设，我们对来自常用的多臂强盗任务（强化学习任务）的合成多组行为数据进行了系统模拟。然后，我们在两个常用的生成建模假设下研究了潜在参数空间中的组差异的恢复：（1）在共同共享的组级先验下对组进行建模（假设所有参与者都是从共同分布中生成的，并且可能具有共同的特征）;（2）基于诊断学或诊断标签对单独的组进行建模，从而产生单独的组级先验。我们评估了这些方法对数据质量变化的鲁棒性和各种指标的先前规范。我们发现，分别拟合组（假设2），在所有条件下提供了最准确和最稳健的推断。我们的研究结果表明，当处理来自多个临床组的数据时，研究人员应该分别分析患者组和对照组，因为它提供了最准确和最强大的感兴趣参数恢复。
2020-11-03 cs.CY cs.LG stat.AP
Bayesian Elastic Net Regression with Structured Prior Dependence
The Ohio State University（俄亥俄州立大学）
本文提出了一种具有结构先验依赖的贝叶斯弹性网回归方法，通过正交正态分布和L1正则化g先验提升模型灵活性，并通过模拟和实验验证其有效性。
2025-12-31 stat.ME
Bayesian Fusion Estimation via t-Shrinkage
收缩先验在许多数据分析中取得了很大的成功，但其应用主要集中在稀疏参数的贝叶斯建模。在这项工作中，我们将贝叶斯收缩模型的高维参数，拥有一个未知的块结构。我们建议在此之前进行重尾收缩，例如，$t$先验，并且这样的融合先验将使连续的差异朝向零收缩，因此引起后阻滞。与传统的基于Laplace融合先验的贝叶斯融合套索算法相比，$t$融合先验具有更强的收缩效应和良好的后验一致性。仿真研究和实际数据分析表明，$t$融合具有优于频率论融合估计和贝叶斯拉普拉斯融合先验的性能。将这种$t$融合策略进一步发展，进行贝叶斯聚类分析，仿真结果表明，该算法比经典Dirichlet过程建模具有更好的后验分布收敛性。
2018-12-27 stat.ME
Large Order-Invariant Bayesian VARs with Stochastic Volatility
由于对误差协方差矩阵使用了Cholesky分解，许多流行的具有多变量随机波动率的向量自回归（VAR）的规范对变量的排序方式并不不变。我们表明，现有方法中的顺序不变性问题可能会变得更加严重，在大型VAR。我们建议使用的规范，避免使用这种Cholesky分解。我们表明，多元随机波动的存在允许识别所提出的模型，并证明它是不变的顺序。我们开发了一个马尔可夫链蒙特卡罗算法，它允许贝叶斯估计和预测。在涉及人工和真实宏观经济数据的练习中，我们证明了变量排序的选择对实证结果有不可忽视的影响。在一个宏观经济预测练习涉及VAR与20个变量，我们发现，我们的顺序不变的方法导致最好的预测和变量排序的一些选择可能会导致使用传统的，非顺序不变的方法预测不佳。
2021-11-14 econ.EM stat.ME
Penalized complexity priors for degrees of freedom in Bayesian P-splines
贝叶斯P-样条假设一个内在的高斯马尔可夫随机场之前的样条系数，条件是一个精确的超参数$τ$。$τ$的既往诱导是困难的。为了克服这个问题，我们的目标是建立先验模型的可解释的属性，表明平滑函数的复杂性估计。根据这个想法，我们提出了惩罚复杂性（PC）先验的有效自由度的数量。我们提出了这些新的PC先验的建设背后的一般思想，描述他们的属性，并显示如何实现它们在P-样条高斯数据。
2016-04-27 stat.ME
Bayesian inference of Gaussian mixture models with noninformative priors
本文讨论混合高斯分布的贝叶斯推断。一种新的配方的混合模型，其中包括先验约束，每个高斯分量总是分配一个最小数量的数据点。这使得非信息性的不适当的先验，如Jeffreys之前被放置在组件参数上。我们证明了在指定一个标准的高斯混合模型的先验所涉及的困难，并展示了如何新的模型可以用来克服这些。MCMC方法给出了有效的采样从这个模型的后验。
2014-05-19 stat.ME
Quantification of observed prior and likelihood information in parametric Bayesian modeling
本文提出了两种与数据相关的信息度量来量化参数贝叶斯模型中先验和似然函数的信息，其中一种与Berger，Bernardo和Sun提出的参考先验和Lindley提出的信息度量密切相关.理论，经验和计算支持的组合提供的证据表明，这些信息理论指标可能是有用的诊断工具时，执行贝叶斯分析。
2017-09-07 cs.IT math.IT stat.AP
Singular prior distributions and ill-conditioning in Bayesian D-optimal design for several nonlinear models
对于贝叶斯D-最优设计，我们定义模型参数的奇异先验分布作为先验分布，使得所有设计的费舍尔信息矩阵的行列式的先验几何均值为零。对于这样的先验分布，贝叶斯D-最优性准则无法选择设计。对于指数衰减模型，我们用参数的几个初等变换的期望来刻画先验分布的奇异性。对于一个房室模型和几个多参数广义线性模型，我们建立了先验分布奇异的充分条件。对于广义线性模型，我们也得到了非奇异性的充分条件。在现有的文献中，弱信息先验分布通常被推荐作为逻辑斯谛回归中推断的默认选择。本文证明了某些推荐的先验分布是奇异的，因此不应用于贝叶斯D-最优设计。此外，方法的开发，以获得和评估贝叶斯D-有效设计时，由于病态的目标函数的数值评估失败，经常发生重尾先验分布。这些数值方法说明了逻辑斯谛回归。
2017-02-22 stat.ME
Spying on the prior of the number of data clusters and the partition distribution in Bayesian cluster analysis
聚类分析的目的是将数据划分成组或簇。在实际应用中，常常需要处理聚类数目未知的问题。在这样的应用中采用的贝叶斯混合模型通常指定一个灵活的先验，考虑到相对于集群的数量的不确定性。然而，涉及使用这些模型的一个主要的经验挑战是在分区的诱导前的表征。这项工作介绍了一种方法来计算描述性统计的先验的分区为三个选定的贝叶斯混合模型开发的贝叶斯有限混合物和贝叶斯nonparametrics领域。所提出的方法涉及计算有效的枚举的前样本中的集群（称为“数据集群”）的数量，并确定前两个对称的加性统计特征的分区的时刻。随附的参考实现在R包'fipp'中提供。最后，我们说明了所提出的方法，通过比较，并讨论了在应用程序中的先前启发的影响。
2022-01-26 stat.ME
Beyond the classical type I error: Bayesian metrics for Bayesian designs using informative priors
本文针对使用信息先验的贝叶斯临床试验设计，提出平均I型错误等贝叶斯度量以评估假阳性风险，并证明在借用对照数据时其渐近可控性，助力监管讨论。
2023-09-05 stat.ME
Catalytic Priors: Using Synthetic Data to Specify Prior Distributions in Bayesian Analysis
本文提出催化先验方法，通过从简单模型预测分布采样合成数据来扩充观测数据，以构建贝叶斯先验，在数据不足时提升复杂模型的估计准确性与预测性能，并探讨其与正则化方法的联系。
2023-09-22 stat.ME
Community Detection through Recursive Partitioning in Bayesian Framework
本文提出一种贝叶斯框架下的递归划分社区检测方法，无需预设社区数并可捕捉层次结构，证明了随机块模型下的一致性，且在模拟和医院数据中验证有效。
2025-09-28 stat.ME
TyXe: Pyro-based Bayesian neural nets for Pytorch
University College London（伦敦大学学院）；Facebook（脸书）
我们介绍Typhoon，一个建立在Pytorch和Pyro之上的贝叶斯神经网络库。我们的主要设计原则是干净地分离架构，先验，推理和可能性规范，允许灵活的工作流程，用户可以快速地将这些组件组合起来。与现有的包相比，Typhoon不实现任何层类，而是依赖于通用Pytorch代码中定义的架构。然后，Typhoon为规范先验、变分指导、推理技术和层选择提供模块化选择，以用于指定架构的贝叶斯处理。减少方差的采样技巧，如局部重新参数化或flipout，作为效果处理程序实现，可以独立于其他规范应用。我们展示了Typhoon的易用性，可以从各种库中探索流行模型的贝叶斯版本：使用纯Pytorch神经网络的玩具回归;使用Torchvision ResNets的大规模图像分类;基于DGL的图形神经网络;以及基于Pytorch 3D构建的神经辐射场。最后，我们提供了方便的变分持续学习的抽象。在所有情况下，从确定性到贝叶斯神经网络的变化都对现有代码进行了最小的修改，为广泛的研究人员和实践者提供了实际的不确定性估计技术。该库可在https://github.com/TyXe-BDL/TyXe上查阅。
2021-10-01 cs.LG stat.ML
Duality between Approximate Bayesian Methods and Prior Robustness
在本文中，我们表明，有一个近似贝叶斯方法和先验鲁棒性之间的联系。我们表明，通常被认为是近似的可能性，无论是由于模拟数据的近似贝叶斯计算（ABC）方法或由于功能近似的可能性，而不是也可以被视为一个隐含的演习之前的鲁棒性。我们首先定义两个新的类的先验的情况下，有足够的统计数据，建立其数学性质和显示，一个简单的说明性的例子，这些类的先验也可以用来获得后验分布，将通过实施ABC。然后，我们概括和定义两个进一步类的先验，适用于非常一般的情况下，一个充分统计量是不可用的，另一个地方的可能性近似使用函数逼近。然后，我们讨论的解释和启发方面提出的类，以及它们的潜在应用和可能的计算效益。这些类建立了近似贝叶斯推断和先验鲁棒性之间的对偶性，用于广泛的贝叶斯推断方法。
2020-04-02 stat.ME
