Kernel-based guarantees for nonlinear parametric models in Bayesian optimization
The Commonwealth Scientific and Industrial Research Organisation（共同科学与工业研究组织）
本文提出一种基于核的方法，用于分析在自适应数据收集下训练的正则化非线性参数模型，提供收敛保证。
2026-05-13 cs.LG stat.ML
A note on non-parametric Bayesian estimation for Poisson point processes
本文导出了泊松点过程强度函数的非参数贝叶斯估计的后验收缩率。
2018-04-14 math.ST stat.TH
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
Bootstrap validity in Bayesian semi-parametric models
McGill University（麦吉尔大学）
该研究在半参数贝叶斯推断框架下，结合Dirichlet过程与贝叶斯自助法，放宽随机等连续性假设，验证了后验分布的渐近正态性与收敛性，并通过模拟确认了分析结果。
2026-08-10 math.ST stat.ML stat.TH
Consistent non-parametric Bayesian estimation for a time-inhomogeneous Brownian motion
建立了非时齐布朗运动离散系数非参数贝叶斯估计的后验相合性。
2013-04-24 math.ST stat.TH
A Non-Parametric Bayesian Method for Inferring Hidden Causes
Brown University（布朗大学）；University of Cambridge（剑桥大学）
我们提出了一个非参数贝叶斯方法来结构学习与隐藏的原因。以前的贝叶斯处理这个问题定义了一个先验的隐藏原因的数量，并使用算法，如可逆跳马尔可夫链蒙特卡罗解决方案之间移动。相反，我们假设隐藏原因的数量是无限的，但只有有限的数量影响可观察的变量。这使得有可能使用吉布斯采样器来近似因果结构上的分布。我们评估了这两种方法在模拟数据中发现隐藏原因的性能，并使用我们的非参数方法在真实的医疗数据集中发现隐藏原因。
2012-06-27 cs.AI cs.LG stat.ML
Adaptive Nonparametric Perturbations of Parametric Models with Generalized Bayes
Columbia University（哥伦比亚大学）；Technical University of Denmark（丹麦技术大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；University of Michigan（密歇根大学）
本文提出一种自适应非参数化修正方法，用于改进参数贝叶斯模型的鲁棒性和效率，通过广义贝叶斯方法避免非参数贝叶斯因子计算，应用于单细胞RNA测序数据中的基因表达因果效应估计。
2026-04-01 stat.ME 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
Hellinger Distance and Bayesian Non-Parametrics: Hierarchical Models for Robust and Efficient Bayesian Inference
本文介绍了一个层次化的框架，将Hellinger距离方法贝叶斯分析。我们建议修改先验的非参数密度的指数的两倍之间的候选人和参数密度的Hellinger距离。通过将先验的第二密度的参数，我们到达一个层次模型，其中的非参数模型之间的参数和数据。族的参数然后可以被估计为模型中的超参数。在频率估计中，最小化核密度估计和参数族之间的Hellinger距离已被证明可以产生对离群值具有鲁棒性的估计量，并且在参数模型正确时具有统计效率。在本文中，我们证明了同样的结果是适用时，非参数贝叶斯密度估计取代核密度估计。然后，我们证明了所提出的分层模型的鲁棒性和效率。有限样本的估计行为进行了研究，通过模拟和现实世界的数据。
2013-09-26 stat.ME
Non-Parametric Graph Learning for Bayesian Graph Neural Networks
McGill University（麦吉尔大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Mila（米拉研究所）；Université de Montréal（蒙特利尔大学）
图在关系结构建模中无处不在。最近在图结构数据的机器学习中的努力已经导致了许多架构和学习算法。然而，这些算法使用的图通常是基于不准确的建模假设和/或噪声数据构建的。因此，它无法表示节点之间的真实关系。通过将图视为随机量来针对图的后验推断的贝叶斯框架可以是有益的。本文提出了一种新的非参数图模型来构造图邻接矩阵的后验分布。所提出的模型是灵活的，在这个意义上，它可以有效地考虑到基于图的学习算法，针对特定的任务的输出。此外，模型推理可以很好地扩展到大型图。我们展示了该模型在三个不同的问题设置：节点分类，链接预测和推荐的优势。
2020-06-23 cs.LG stat.ML
Non-parametric Bayesian Learning with Deep Learning Structure and Its Applications in Wireless Networks
University of Houston（休斯顿大学）
在本文中，我们提出了一个无限层次的非参数贝叶斯模型，以提取隐藏的因素在观察数据，其中隐藏的因素的数量为每一层是未知的，可以是潜在的无限。此外，层数也可以是无限的。我们构造的模型结构，允许连续值的隐藏因素和权重，这使得模型适用于各种应用。我们使用Metropolis-Hastings方法来推断模型结构。通过实验对算法的性能进行了评估。仿真结果表明，该模型符合模拟数据的底层结构。
2014-10-23 cs.LG cs.NE cs.NI
Bayesian non-parametric non-negative matrix factorization for pattern identification in environmental mixtures
环境健康研究人员可能会致力于确定代表来源的暴露模式，产品使用，或行为，引起潜在有害的环境化学品暴露的混合物。我们提出了贝叶斯非参数非负矩阵分解（BN ^2 MF）作为一种新的方法来识别模式的化学品暴露时，模式的数量是未知的先验。我们将非负连续先验放置在模式负载和个体分数上以增强可解释性，并使用聪明的非参数稀疏先验来估计模式数。我们进一步推导出估计值周围的变分置信区间;这是一个关键的发展，因为它量化了模型对估计模式的置信度。这些独特的功能与现有的模式识别方法在这一领域中所采用的是有限的用户指定的模式数，缺乏解释性的模式在人类的理解，以及缺乏不确定性量化。
2021-09-24 stat.AP stat.ME stat.ML
Binary Classifier Calibration: Bayesian Non-Parametric Approach
University of Piuttsburgh（匹兹堡大学）；University of Pittsburgh（匹兹堡大学）
如果被预测为以概率p发生的事件实际上发生在时间的p分之一左右，那么一组概率预测就被很好地校准了。当机器学习模型用于决策分析时，校准良好的预测尤为重要。本文提出了两种新的非参数二元分类模型输出校正方法：基于贝叶斯最优选择的方法和基于贝叶斯模型平均的方法。这些方法的优点是它们独立于用于学习预测模型的算法，并且它们可以在模型学习之后应用于后处理步骤。这使得它们适用于各种各样的机器学习模型和方法。这些校准方法，以及其他方法，在各种数据集的歧视和校准性能方面进行了测试。结果表明，这些方法的性能优于或与最先进的校准方法相当。
2014-01-13 cs.LG stat.ML
Explaining Deep Learning Models - A Bayesian Non-parametric Approach
The Pennsylvania State University（宾夕法尼亚州立大学）；Netflix Inc.（奈飞公司）；Columbia University（哥伦比亚大学）
理解和解释机器学习（ML）模型如何做出决策一直是一个巨大的挑战。虽然最近的研究提出了各种技术方法来提供ML模型如何进行单独预测的一些线索，但它们无法为用户提供将模型作为完整实体进行检查的能力。在这项工作中，我们提出了一种新的技术方法，增强了贝叶斯非参数回归混合模型与多个弹性网。使用增强的混合模型，我们可以通过全局近似为目标模型提取可推广的见解。为了证明我们的方法的实用性，我们在图像识别的背景下对不同的ML模型进行了评估。实证结果表明，我们提出的方法不仅在解释个人决策方面优于最先进的技术，而且还为用户提供了发现目标ML模型漏洞的能力。
2018-11-07 cs.LG stat.ML
Bayesian Non-Parametric Inference for Infectious Disease Data
我们提出了一个框架，贝叶斯非参数估计的新的感染发生率假设的流行病是部分观察。所开发的方法依赖于将新感染发生的速度建模为仅取决于时间的函数。提出了两种不同类型的先验分布，即使用阶跃函数和B样条。该方法使用模拟和真实数据集进行说明，我们表明，流行病的某些方面，如季节性和超级传播事件，而不必明确地将它们纳入参数模型。
2014-12-15 stat.AP stat.CO stat.ME
Non-parametric Bayesian drift estimation for stochastic differential equations
本文考虑一维随机微分方程漂移系数的非参数贝叶斯估计问题。在适当的正则性条件下，弱于文献中先前提出的，我们建立后验一致性在这种情况下。此外，我们表明，后验一致性扩展到多维设置，以及，据我们所知，这是一个新的结果，在这种设置。
2013-02-25 math.ST stat.TH
Risk Margin Quantile Function Via Parametric and Non-Parametric Bayesian Quantile Regression
我们开发了分位数回归模型，以获得风险边际和评估资本在非寿险应用。通过利用整个范围的条件分位数函数，特别是较高的分位数水平，我们详细介绍了分位数回归是如何能够提供一个准确的估计的风险保证金和概述的基础上的历史波动性的一般保险公司的损失组合的隐含资本。两个建模框架被认为是基于参数和非参数分位数回归模型，我们专门在这个保险设置。在参数分位数回归框架中，我们在贝叶斯回归框架下考虑了弹性广义贝塔分布族、非对称Laplace（AL）分布和幂Pareto分布等模型。通过马尔可夫链蒙特卡罗（MCMC）抽样策略研究了每种情况下的贝叶斯后验分位数回归模型。在非参数分位数回归框架中，我们与参数贝叶斯模型形成对比，我们采用AL分布作为代理，并与参数AL模型一起，将解决方案表示为均匀分布的尺度混合以便于实现。该模型扩展到采用动态均值，方差和偏度，并应用于分析两个真实的损失准备金数据集进行推理和讨论有趣的功能分位数回归的风险保证金计算。
2014-02-11 q-fin.RM stat.AP stat.CO
Beyond Whittle: Nonparametric correction of a parametric likelihood with a focus on Bayesian time series analysis
Whittle似然被广泛用于平稳时间序列谱密度的贝叶斯非参数估计。然而，非高斯时间序列的效率损失可能是相当大的。另一方面，如果模型被很好地指定，则参数方法更强大，但否则可能完全失败。因此，我们建议利用参数模型的效率，同时通过非参数修正来降低敏感性，对参数似然进行非参数修正。使用Bernstein-Dirichlet先验的非参数谱校正，我们显示后验的一致性，并说明我们的程序在模拟研究和LIGO引力波数据的性能。
2017-01-17 stat.ME
The semi-Markov beta-Stacy process: a Bayesian non-parametric prior for semi-Markov processes
关于离散时间半马尔可夫过程分析的贝叶斯方法的文献很少。本文介绍了半马尔可夫β-Stacy过程，这是一个用于半马尔可夫过程的贝叶斯非参数分析的随机过程。半马尔可夫β-Stacy过程相对于由半马尔可夫过程生成的数据是共轭的，这一性质使得容易获得概率预测。其预测分布的特点是由一个强化的随机游动的骨灰盒系统。
2020-07-23 math.ST stat.ME stat.TH
On the Convergence of the Shapley Value in Parametric Bayesian Learning Games
National University of Singapore（新加坡国立大学）
贡献度量是合作博弈论中的一个经典问题，Shapley值是最著名的解概念。本文建立了参数贝叶斯学习博弈中Shapley值的收敛性，其中博弈者使用他们的组合数据进行贝叶斯推理，后验先验KL散度被用作特征函数。我们表明，对于任何两个球员，在一定的规律性条件下，他们的Shapley值的差异收敛于概率的Shapley值的差异的限制游戏，其特征函数是成比例的联合Fisher信息的对数行列式。作为一个应用，我们提出了一个在线协作学习框架，是渐近Shapley公平的。我们的结果使这一点能够实现，而无需任何昂贵的计算后验先验KL分歧。只需要Fisher信息的一致估计量。我们的框架的有效性证明了使用真实世界的数据与实验。
2022-06-14 cs.GT cs.LG stat.ML
Bayesian Parametric Matrix Models: Principled Uncertainty Quantification for Spectral Learning
提出贝叶斯参数矩阵模型（B-PMMs），通过自适应谱分解和流形感知变分推断解决标准贝叶斯方法在矩阵特征值问题中的失效问题，在保持计算效率的同时实现了卓越的不确定性校准。
2025-09-15 cs.LG stat.ML
Non-parametric Inference for Diffusion Processes: A Computational Approach via Bayesian Inversion for PDEs
该研究提出基于偏微分方程贝叶斯反演的扩散过程非参数推断工作流，依托过程无穷小生成元构建无穷维问题，探讨优化与采样求解方法，初步实现单/多尺度过程的轨迹数据推断。
2024-11-04 cs.CE stat.CO
Semiparametric Bayesian Networks
Universidad Politécnica de Madrid（马德里理工大学）
我们介绍半参数贝叶斯网络，结合参数和非参数条件概率分布。他们的目标是结合两个组件的优点：参数模型的有限复杂性和非参数模型的灵活性。我们证明了半参数贝叶斯网络推广了两种著名的贝叶斯网络：高斯贝叶斯网络和核密度估计贝叶斯网络。为此，我们考虑两个不同的条件概率分布所需的半参数贝叶斯网络。此外，我们提出了修改的两个著名的算法（贪婪爬山和PC）学习的半参数贝叶斯网络的结构数据。为了实现这一点，我们采用了基于交叉验证的评分函数。此外，使用验证数据集，我们应用早期停止标准来避免过拟合。为了评估所提出的算法的适用性，我们进行了详尽的实验合成数据采样混合线性和非线性函数，多元正态数据采样高斯贝叶斯网络，真实数据从UCI存储库，轴承退化数据。作为这个实验的结果，我们得出结论，该算法准确地学习参数和非参数组件的组合，同时实现与最先进的方法所提供的性能相媲美。
2021-09-07 cs.LG stat.ML
Continuity of the Solution of a Non-Parametric Bayesian Statistical Calibration Procedure
Simon Fraser University（西蒙菲莎大学）
研究非参数贝叶斯校准方法中解算子对输入参数分布的连续性，证明其在总变差度量下一致连续且在广泛分布类中弱连续。
2026-03-21 math.ST stat.ME stat.TH
A Kernel Approach to Tractable Bayesian Nonparametrics
流行的非参数贝叶斯模型中的推断通常依赖于采样或其他近似。本文提出了一个一般的方法来构造新的易处理的非参数贝叶斯方法，通过应用核技巧的推断参数贝叶斯模型。例如，可以从贝叶斯线性回归以这种方式导出高斯过程回归。尽管高斯过程框架取得了成功，但在贝叶斯文献中很少明确考虑内核技巧。在本文中，我们的目标是填补这一空白，并展示了在更广泛的背景下，而不仅仅是回归，将内核技巧应用于易于处理的贝叶斯参数模型的潜力。作为一个例子，我们提出了一个直观的贝叶斯核机的密度估计，是通过应用核技巧高斯生成模型在特征空间。
2011-08-12 stat.ME stat.ML
Simulation-Based Prior Knowledge Elicitation for Parametric Bayesian Models
针对贝叶斯先验提取中难利用多形式专家知识且受模型结构限制的问题，提出基于仿真的方法，通过随机梯度下降学习先验超参数，经多类模型验证具备有效性与适配性。
2024-04-15 stat.ME stat.ML
Bayesian non-parametric inference for $Λ$-coalescents: consistency and a parametric method
研究了单位区间上概率测度参数化的具有常返突变的$Λ$ -聚结过程的$Λ$ -测度的贝叶斯非参数推断.给出了观测值为时间序列时后验一致性先验的可验证准则，并证明了当所有观测值同时发生时，任何非平凡先验都是不一致的.然后，我们表明，给定的数据集的大小$n \in \mathbb{N}$的可能性是恒定的$Λ$ -措施，其领先的$n - 2$时刻同意，并专注于推断截断序列的时刻。我们提供了一个大类的泛函，可以使用有限的计算给出了一个可信的区域后截断矩序列，和一个伪边缘梅特罗波利斯-黑斯廷斯算法采样后。最后，我们比较了效率的准确和嘈杂的伪边缘算法，并没有延迟接受加速使用模拟研究。
2017-01-23 math.PR math.ST q-bio.PE
Bayesian inference and the parametric bootstrap
参数自助法可用于贝叶斯后验分布的有效计算。重要性抽样公式采用了一种简单的形式，涉及到指数族中的偏差，并且从Jeffreys不变先验出发特别简单。因为身份证。由于自助抽样的本质，熟悉的公式描述了贝叶斯估计的计算准确性。除了计算方法，该理论提供了贝叶斯和频率分析之间的联系。贝叶斯推断的频率论精度的有效算法的开发和演示中的模型选择的例子。
2013-01-14 stat.AP
qgam: Bayesian non-parametric quantile regression modelling in R
广义可加模型（GAM）是一种灵活的非线性回归模型，可以使用mgcv R软件包提供的近似贝叶斯方法有效地拟合。虽然mgcv提供的GAM方法是基于响应分布是参数化建模的假设，但在这里，我们讨论更灵活的方法，不需要任何参数假设。特别地，本文介绍了qgam包，它是mgcv的扩展，提供了用于在R中拟合分位数GAM（QGAM）的快速校准贝叶斯方法。QGAM基于Koenker（2005）的弹球损失的平滑版本，而不是基于似然函数，因此，联合实现分位数点估计的令人满意的精度和相应可信区间的覆盖需要采用Fasiolo、Wood、Zaffran、Nedellec和Goude（2020 b）的专门贝叶斯拟合框架。在这里，我们详细介绍了这个框架是如何在qgam中实现的，我们提供了一些例子来说明如何在实践中使用这个包。
2020-07-07 stat.AP stat.CO stat.ME
A Bayesian non-parametric method for clustering high-dimensional binary data
Systems Biology Ireland（爱尔兰系统生物学）；University College Dublin（都柏林大学）
在许多现实生活中的问题，对象描述了大量的二进制功能。例如，文档的特征在于存在或不存在某些关键字;癌症患者的特征在于存在或不存在某些突变等。在这种情况下，基于这种高维二进制特征将类似的对象/配置文件分组在一起是可取的，但具有挑战性。在这里，我提出了一个贝叶斯非参数算法聚类高维二进制数据。它使用狄利克雷过程（DP）混合模型和模拟退火，不仅聚类二进制数据，而且还找到数据中的最佳聚类数。使用模拟数据集对算法的性能进行了评估，并与其他算法进行了比较。它优于所有其他聚类方法，在模拟研究中进行了测试。它还用于对来自文档分析、手写图像分析和癌症研究的真实数据集进行聚类。它成功地根据主题划分了一组文档，基于不同书写风格的手写图像，并确定了化疗治疗的组织和突变特异性。
2016-03-08 cs.LG stat.AP stat.ML
Transformations in Semi-Parametric Bayesian Synthetic Likelihood
贝叶斯合成似然（Bayesian synthetic likelihood，BSL）是一种在似然函数难以处理的情况下进行近似贝叶斯推断的常用方法。在合成似然方法中，似然函数通过模型模拟进行参数近似，然后使用标准的基于似然的技术来执行推断。高斯合成似然估计已成为无处不在的BSL文献，主要是因为它的简单性和易于实现。然而，它通常限制性太强，并可能导致较差的后验近似。最近，一个更灵活的半参数贝叶斯合成似然（semiBSL）估计已被引入，这是显着更强大的不规则分布的汇总统计量。在这项工作中，我们提出了一些扩展semiBSL。首先，我们考虑使用变换核密度估计的边缘分布的更灵活的估计。其次，我们提出了白化semiBSL（wsemiBSL）-显着提高semiBSL的计算效率的方法。wsemiBSL在每次算法迭代时使用近似白化变换来解相关汇总统计量。本文开发的方法显着提高了BSL算法的通用性和效率。
2020-07-03 stat.CO stat.ME
Accounting for shared covariates in semi-parametric Bayesian additive regression trees
School of Mathematical Sciences, Lancaster University, United Kingdom.；Hamilton Institute, Maynooth University, Co. Kildare, Ireland.；Department of Mathematics \& Statistics, Maynooth University, Co. Kildare, Ireland.；Insight Centre for Data Analytics, Maynooth University, Co. Kildare, Ireland.；Department of Mathematics \& Statistics, Lancaster University, United Kingdom.
本文提出了一种改进的半参数化贝叶斯加法回归树方法，通过处理共享协变量的偏差和非识别问题，以更准确地建模复杂交互作用。
2024-07-30 cs.LG stat.ML
Learning non-Gaussian spatial distributions via Bayesian transport maps with parametric shrinkage
本文提出 ShrinkTM 方法，通过将贝叶斯传输映射分量向参数高斯族收缩并结合 Vecchia 近似，提升高维非高斯空间分布学习在少样本下的准确性与可扩展性。
2025-02-01 stat.AP stat.CO stat.ML
Fast Non-Parametric Bayesian Inference on Infinite Trees
注射了。从未知分布的数据，我们考虑预测未来项目的问题。估计概率密度的自适应方法是递归地将域细分为适当的数据相关粒度。贝叶斯将为“细分”分配一个与数据无关的先验概率，这将导致在无限（许多）树上的先验。我们推导出一个精确的，快速的，简单的推理算法，这样的先验，数据证据，预测分布，有效的模型维数，和其他数量。
2004-11-23 cs.LG math.PR math.ST
A Bayesian Parametric Approach to Handle Missing Longitudinal Outcome Data in Trial-Based Health Economic Evaluations
基于试验的经济学评价通常是对横截面变量进行的，这些变量仅来自研究中完成者的响应，使用的方法忽略了效用和成本数据的复杂性（例如偏度和峰值）。我们提出了一种替代和更有效的贝叶斯参数方法来处理经济评估中缺失的纵向结果，同时考虑到数据的复杂性。我们指定一个灵活的参数模型的观测数据和部分识别的部分识别限制和敏感性参数的缺失数据的分布。我们通过不同的灵敏度参数的先验知识，在观测数据上进行校准，探索替代的不可替代的场景。我们的方法是由一项试验的数据驱动的，并应用于该试验，该试验评估了一种新的治疗智力残疾和挑战性行为的成本效益。
2018-05-18 stat.ME
Bayesian semi-parametric estimation of the long-memory parameter under FEXP-priors
对于具有长记忆行为的高斯时间序列，我们使用FEXP模型对长记忆参数$d$进行半参数估计。假设真实谱密度$f_o$具有长记忆参数$d_o$和Sobolev正则性$\be > 1$的FEXP展开。我们证明了当$k$遵循泊松或几何先验，或筛前增加率$n^{\frac{1}{1+2\be}}$，$d$收敛到$d_o$在一个次优的速度。然而，当筛先验以速率$n^{\frac{1}{2\be}}$增加时，几乎获得极小极大速率。我们的结果可以看作是一个贝叶斯等价的结果Moulines和Soulier获得的一些频率估计。
2012-02-22 math.ST stat.TH
Bayesian Additive Regression Trees With Parametric Models of Heteroskedasticity
我们将异方差贝叶斯加性回归树（BART）建模的误差方差参数的对数作为一个线性函数的预先指定的协变量。在该方案下，原始树和模型的吉布斯抽样过程很容易修改，方差模型的参数通过Metropolis-Hastings步骤更新。我们证明了我们的方法的承诺，提供更适当的后验预测区间比homoskedastic BART在异方差设置，并证明了该模型的抗过拟合。我们的实现将在即将发布的R包bartMachine中提供。
2014-02-21 stat.ME
A Bayesian semi-parametric hybrid model for spatial extremes with unknown dependence structure
最大稳定过程是空间极值的渐近合理模型。特别是，我们专注于分层极值过程（HEVP），这是一个特定的最大稳定的过程，有利于贝叶斯计算。HEVP和所有最大稳定过程模型是参数化的，并施加强有力的假设，包括所有边缘分布属于广义极值族，附近的站点是渐近相关的。我们通过放松这些假设来推广HEVP，以通过空间随机效应分布的Dirichlet过程提供更广泛的一类边缘分布。此外，我们提出了一个混合最大混合模型，结合了参数和半参数模型的优势。我们表明，这种通用的最大混合模型，同时容纳渐近独立性和依赖性，可以使用标准的马尔可夫链蒙特卡罗算法。在蒙特卡罗模拟研究和荷兰阵风数据的应用中，我们的模型的效用进行了评估。
2020-03-24 stat.ME
Inferring the sources of HIV infection in Africa from deep sequence data with semi-parametric Bayesian Poisson flow models
病原体深度测序是传染病监测中越来越常用的技术。我们提出了一个半参数贝叶斯泊松模型，利用这些新出现的数据推断传染病传播流和感染源的人口水平。由于希尔伯特空间高斯过程近似，该框架在高维流空间中是计算可扩展的，允许采样偏差调整，以及以比以前可能的更精细的分辨率估计特定于性别和年龄的传输流。我们将该方法应用于乌干达Rakai的密集采样的基于人群的HIV深度序列数据，并发现大量证据表明青少年和年轻女性主要通过年龄差异的关系感染。
2022-01-05 stat.AP
Two General Methods for Population Pharmacokinetic Modeling: Non-Parametric Adaptive Grid and Non-Parametric Bayesian
群体药代动力学（PK）建模方法在统计学上可分为参数或非参数（NP）。每个分类可以分为最大似然（ML）或贝叶斯（B）方法。在本文中，我们讨论了非参数的情况下，使用最大似然和贝叶斯方法。我们提出了两种非参数方法来估计未知的联合人口分布的模型参数值的药代动力学/药效学（PK/PD）数据集。第一种方法是NP自适应网格（NPAG）。第二种是NP贝叶斯（NPB）算法与棒断裂过程，以构建一个狄利克雷先验。我们的目的是使用模拟PK/PD数据集比较这两种方法的性能。我们的研究结果表明，NPAG和NPB在逼真的模拟PK研究中表现出色。这种模拟使我们能够以真实人群参数的形式进行基准测试，以与两种方法产生的估计值进行比较，同时考虑到不平衡的样本时间和样本数量以及包括患者体重协变量的能力等挑战。我们的结论是，NPML和NPB都可以用于现实的PK/PD群体分析问题。本文讨论了一种方法相对于另一种方法的优点。NPAG和NPB是用R实现的，可以从www.lapk.org的Pmetrics包中免费下载。
2013-03-26 q-bio.GN q-bio.QM stat.AP
Semi-parametric Bayesian inference under Neyman orthogonality
McGill University（麦吉尔大学）
本文提出了一种基于奈曼正交性的贝叶斯推断方法，通过非参数模型和狄利克雷过程实现，展示了在因果推断中有效且稳健的边缘后验推断。
2026-02-23 math.ST stat.ME stat.TH
BSD: a Bayesian framework for parametric models of neural spectra
提出贝叶斯频谱分解框架BSD，支持神经频谱参数模型的设定、推断、比较与组水平回归，并在模拟数据和LEMON数据集EEG研究中验证其优势。
2024-10-28 q-bio.NC q-bio.QM stat.AP
Exact Non-Parametric Bayesian Inference on Infinite Trees
注射了。从未知分布的数据，我们考虑预测未来项目的问题。估计概率密度的自适应方法是递归地将域细分为适当的数据相关粒度。贝叶斯将为“细分”分配一个与数据无关的先验概率，这将导致在无限（许多）树上的先验。我们推导出一个精确的，快速的，简单的推理算法，这样的先验，数据证据，预测分布，有效的模型维数，矩，和其他数量。我们证明了渐近收敛和一致性结果，并说明了我们的模型在一些原型函数上的行为。
2009-03-30 cs.LG math.PR math.ST
Bayesian non-parametric survival estimation: stochastic hyperparameter sequences and distribution splicing
本文提出一种用于生存时间数据的贝叶斯非参数框架，允许先验分布依赖随机源并随样本量更新，利用混合非递减可加过程研究累积危险函数，证明了其渐近性质并提供精确模拟算法，为非参数拼接模型提供了新方案。
2025-05-02 stat.ME
Sequential Embedding Induced Text Clustering, a Non-parametric Bayesian Approach
State University of New York at Buffalo（纽约州立大学布法罗分校）；University of California, Irvine（加州大学欧文分校）
当前最先进的非参数贝叶斯文本聚类方法通过词袋上的多项分布对文档进行建模。虽然这些方法可以有效地利用文档的单词突发性表示，并取得不错的性能，但它们没有探索文本的顺序信息和同义词之间的关系。本文将文档建模为词袋、序列特征和词嵌入的结合点。我们提出了顺序嵌入诱导狄利克雷过程混合模型（SiDPMM），有效地利用这种联合文档表示文本聚类。序列特征由编码器-解码器组件提取。通过连续词袋模型（CBOW）产生的词嵌入来处理同义词。实验结果表明，我们的模型在两个主要方面的好处：1）提高了性能在多个不同的文本数据集的归一化互信息（NMI）; 2）更准确的推理地面真理的聚类数与正则化效果的微小离群聚类。
2018-11-29 cs.IR cs.LG stat.ML
Robust Bayesian Synthetic Likelihood via a Semi-Parametric Approach
贝叶斯合成似然（BSL）是一种成熟的方法，用于对不具有易处理的似然函数的基于模拟的模型进行近似贝叶斯参数估计。BSL近似一个棘手的似然函数的一个精心选择的汇总统计量的参数值与多元正态分布。该正态分布的均值协方差阵是根据模型的独立模拟估计的。由于BSL中隐含的参数假设，在某些对高维汇总统计量感兴趣的应用中，它可能优于其非参数竞争对手，近似贝叶斯计算。然而，尽管BSL的几个成功的应用，它在科学领域的广泛使用可能会受到阻碍的强正态性假设。在本文中，我们开发了一个半参数的方法，放松这一假设在一定程度上，并保持计算优势的BSL没有任何额外的调整。我们测试我们的新方法，semiBSL，在几个具有挑战性的例子，涉及模拟和真实数据，并证明semiBSL可以显着更强大的BSL和文献中的另一种方法。
2019-10-03 stat.CO stat.ME
Non parametric Bayesian approach to LR assessment in case of rare haplotype match
对犯罪现场发现的污点的DNA图谱与嫌疑人（先前已确定）的DNA图谱之间的匹配进行评估涉及使用未知参数$p=(p_1, p_2, ...)$（表示潜在供体群体中不同DNA图谱的比例的有序向量）和不同DNA类型的名称。我们提出了一种贝叶斯非参数方法，认为$P$作为一个随机变量分布根据两个参数的泊松Dirichlet分布，并丢弃有关的DNA类型的名称的信息。该模型的最终目标是评估罕见类型情况下的DNA匹配，即嫌疑人的轮廓与犯罪污点轮廓匹配，而不是参考数据库中的那些轮廓之一的情况。
2015-09-18 stat.AP
Bayesian Semi-Parametric Spatial Dispersed Count Model for Precipitation Analysis
针对空间计数数据的离散性不均、非线性关联及复杂空间依赖问题，提出结合非参数技术与更新理论离散计数模型的贝叶斯层次框架，经真实数据与模拟验证，在公共卫生等领域的空间计数分析中更具优势。
2025-03-24 stat.ME stat.ML
Bayesian Non-Parametric Detection Heterogeneity in Ecological Models
检测异质性是生态数据所固有的，由各种地形或天气条件、不一致的采样努力或个体本身的异质性等因素引起。将额外的协变量纳入统计模型是解决异质性的一种方法，但不能保证任何可测量的协变量集将充分解决异质性，并且未建模异质性的存在已被证明会在所得推断中产生偏倚。解决异质性的其他方法包括使用随机效应或同质子群的有限混合。在这里，我们提出了一个非参数的方法建模检测异质性贝叶斯分层框架中使用。我们采用了狄利克雷过程的混合物，它允许一个灵活的数量的人口子群，而不需要预先指定这个数量的子群在有限的混合物。我们描述了这种非参数的方法，然后考虑它的使用建模检测异质性在两个常见的生态图案：捕获-再捕获和占用建模。对于每一个，我们考虑一个齐次模型，有限混合模型，和非参数方法。我们使用两个模拟研究比较这些方法，并观察到非参数方法作为解决不同程度的异质性的最可靠的方法。我们还提出了两个真实数据的例子，并比较从每个建模方法的推论。使用\texttt{R}的\texttt{nimble}软件包进行分析，该软件包为贝叶斯非参数模型提供了工具。
2020-07-20 stat.AP
A robustified posterior for Bayesian inference on a large number of parallel effects
许多现代实验，如微阵列基因表达和全基因组关联研究，提出了估计大量平行效应的问题。贝叶斯推断是一种流行的方法，用于通过将大量未知参数建模为来自公共先验分布的随机效应来分析此类数据。然而，先验分布的错误设定可能导致随机效应的错误估计，尤其是对于最大和最有趣的效应。本文有两个目的。首先，我们提出了一个鲁棒的后验分布的参数贝叶斯分层模型，可以大大减少错误指定的先验的影响。其次，我们进行了一个系统的比较标准的参数后验，建议鲁棒参数后验，和非参数贝叶斯后验，使用狄利克雷过程混合先验。与灵活的参数先验相结合，建议鲁棒后可以是一个更好的替代非参数贝叶斯方法。
2018-10-25 stat.ME
Non-parametric targeted Bayesian estimation of class proportions in unlabeled data
我们引入了一种新的贝叶斯估计的类比例在未标记的数据集，基于有针对性的学习框架。我们的程序需要事先说明（并输出后验）仅用于推理的目标，而不是先验当科学问题可以由低维参数泛函表征时，关注这样的先验分布和后验分布更符合贝叶斯主观主义，相比之下，专注于整个数据分布。我们证明了Bernstein-von Mises型的结果，我们提出的贝叶斯过程，这保证了后验分布收敛到一个有效的，渐近线性估计的分布。特别是，后验是高斯的，双重鲁棒性，和有效的限制，在唯一的假设下，某些滋扰参数估计在缓慢的速度。我们进行数值研究，说明该方法的频率属性。我们还举例说明了它们在激励应用中的用途，以估计来源不明的栓塞性中风的比例，这些中风是由隐匿性心脏来源或大动脉粥样硬化病变引起的。虽然我们关注的是未标记数据集中案例比例的激励示例，但该过程是通用的，可以适用于估计非参数模型中的任何路径可微参数。
2019-11-22 stat.ME
On Parametric Misspecified Bayesian Cramér-Rao bound: An application to linear Gaussian systems
下界是预测估计器在特定统计模型下可以实现的性能的重要工具。贝叶斯界就是这样一种界，它不仅利用了观测统计量，而且包含了先验模型信息。然而，在现实中，真正的模型产生的数据是未知的或简化时，推导估计，这激励工程模型失配的情况下推导估计范围。本文提供了一个推导模型误指定下的贝叶斯Cramér-Rao界，定义了一些重要的概念，如伪真参数，在以前的作品中没有明确确定。一般的结果是特殊的线性和高斯问题，其中封闭形式是可用的，结果被用来验证结果。
2023-03-01 eess.SP math.ST stat.TH
Decompounding discrete distributions: A non-parametric Bayesian approach
假设一个复合泊松过程在时间上是离散观测的，并假设其跳分布在自然数集合上是可支集的。在本文中，我们提出了一个非参数贝叶斯方法来估计潜在的泊松过程的强度和跳跃的分布。我们提供了一个MCMC计划，从后获得样本。我们将我们的方法应用于模拟和真实数据的例子，并将其性能与Buchmann和Grübel提出的频率论插件估计器进行比较。在理论方面，我们从频率论的角度研究后，并证明，作为样本量$n\rightarrow\infty$，它的合同周围的“真实的”，数据生成参数的速率$1/\sqrt{n}$，高达一个$\log n$的因素。
2020-05-20 math.ST stat.TH
Bayesian High-dimensional Semi-parametric Inference beyond sub-Gaussian Errors
在高维情形下，考虑了具有未知对称误差的稀疏线性回归模型。假设真实误差分布属于局部$β$ -Hölder类，尾部呈指数下降，不需要是亚高斯分布。我们得到的回归系数和误差密度的后验收敛速度，这是近最优的和自适应的未知稀疏水平。此外，我们推导了半参数Bernstein-von Mises（BvM）定理来描述回归系数的边缘后验的渐近形状。在真得分函数为亚高斯分布的假设下，得到了回归系数的强模型选择相合性，从而证明了频率论可信集的有效性.
2020-08-30 math.ST stat.TH
