Bayesian differential programming for robust systems identification under uncertainty
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一个机器学习框架，用于从噪声、稀疏和不规则的非线性动态系统的观测中识别贝叶斯系统。该方法利用微分编程的最新发展，通过常微分方程求解器传播梯度信息，并使用Hamilton Monte Carlo对未知模型参数进行贝叶斯推断。这使我们能够有效地推断后验分布与量化的不确定性的似是而非的模型，而稀疏促进先验的使用，使潜在的潜在动态的可解释的和简约的表示发现。一系列的数值研究表明，所提出的方法的有效性，包括非线性振子，捕食-食饵系统，混沌动力学和系统生物学。总之，我们的研究结果提出了一个新的，灵活的和强大的工作流程，数据驱动的模型发现下的不确定性。
2020-04-18 cs.LG stat.ML
Bayesian Parameter Identification for Jump Markov Linear Systems
本文提出了一种跳变马尔可夫线性系统参数辨识的贝叶斯方法。一个主要的动机是提供准确的量化参数的不确定性，而不依赖于渐近的数据长度参数。为了实现这一点，本文详细介绍了粒子吉布斯抽样方法，提供所需的后验分布的样本。这些样本是通过利用修改后的离散粒子滤波器和精心选择的共轭先验。
2021-02-10 cs.SY eess.SY stat.AP
Variational Laplace for Bayesian neural networks
University of Sussex（萨塞克斯大学）；University of Bristol（布里斯托尔大学）
我们开发变分拉普拉斯贝叶斯神经网络（BNN），利用局部近似的曲率的可能性估计ELBO，而不需要随机抽样的神经网络的权重。变分拉普拉斯目标很容易评估，因为它（本质上）是对数似然，加上权重衰减，加上平方梯度正则化器。变分拉普拉斯给出了更好的测试性能和预期的校准误差比最大后验推理和基于标准抽样的变分推断，尽管使用相同的变分近似后验。最后，我们强调在基准测试标准VI时需要小心，因为在方差参数收敛之前存在停止的风险。我们表明，提前停止可以避免增加学习率的方差参数。
2021-08-10 cs.LG stat.ML
Variational Laplace for Bayesian neural networks
我们开发变分拉普拉斯贝叶斯神经网络（BNN），利用局部近似的曲率的可能性估计ELBO，而不需要随机抽样的神经网络的权重。变分拉普拉斯目标很容易评估，因为它（本质上）是对数似然，加上权重衰减，加上平方梯度正则化器。变分拉普拉斯给出了更好的测试性能和预期的校准误差比最大后验推理和基于标准抽样的变分推断，尽管使用相同的变分近似后验。最后，我们强调在基准测试标准VI时需要小心，因为在方差参数收敛之前存在停止的风险。我们表明，提前停止可以避免增加学习率的方差参数。
2021-07-20 cs.LG stat.ML
Subgroup Identification and Interpretation with Bayesian Nonparametric Models in Health Care Claims Data
住院护理在医疗保健总支出中占很大比例，因此分析住院患者利用模式是了解医疗保健支出增长驱动因素的重要组成部分。住院利用措施的共同特点包括零通货膨胀，过度分散，偏态，所有这些复杂的统计建模。混合建模是一种流行的方法，可以适应这些功能的医疗保健利用数据。在这项工作中，我们添加了一个非参数聚类组件，这样的模型。我们的完全贝叶斯模型框架允许未知数量的混合组分，因此数据确定混合组分的数量。当我们将建模框架应用于肺癌患者住院时间的数据时，我们发现不同的患者亚组在住院天数、健康和治疗协变量以及协变量与住院时间之间的关系的均值和方差方面存在差异。
2017-11-20 stat.ML
Bayesian kernel-based system identification with quantized output data
KTH Royal Institute of Technology（皇家理工学院）；University of Padova（帕多瓦大学）
本文提出一种新的线性系统辨识方法，利用稳定样条核作为高斯过程的协方差函数，通过马尔可夫链蒙特卡洛方法估计系统参数，显著提升了量化数据下的辨识精度。
2015-04-26 cs.SY eess.SY stat.ML
On-line Bayesian System Identification
University of Padova（帕多瓦大学）
本文提出一种在线贝叶斯系统辨识方法，通过边际似然最大化更新超参数，仅需一次迭代优化算法，实验验证其有效性。
2016-01-17 cs.LG cs.SY eess.SY
State estimations and noise identifications with intermittent corrupted observations via Bayesian variational inference
School of Mathematical Sciences, Beihang University（北京航空航天大学数学科学学院）；Key Laboratory of Mathematics, Informatics and Behavioral Semantics (LMIB), Beihang University（北京航空航天大学数学、信息与行为语义重点实验室（LMIB））
本文提出了一种基于贝叶斯变分推断的变分贝叶斯自适应卡尔曼滤波方法，用于解决分布式传感器网络中间歇性数据丢失、观测损坏和未知噪声协方差的问题，通过双掩码生成模型提升状态估计和参数识别的准确性。
2026-04-03 cs.LG math.OC stat.CO
Identification of stable models via nonparametric prediction error methods
最近的一系列论文提出了一种新的线性系统辨识贝叶斯方法。其主要思想是框架的线性系统识别的预测估计在无限维空间中，正则化/贝叶斯技术的帮助下。这种方法保证了基于预测误差最小化的稳定预测器的识别。不幸的是，预测器的稳定性并不保证系统的脉冲响应的稳定性。在本文中，我们提出并比较了各种技术来解决这个问题。比较这些技术的模拟结果将被提供。
2015-07-02 stat.ML
A Bayesian partial identification approach to inferring the prevalence of accounting misconduct
本文介绍了使用灵活的贝叶斯回归模型估计部分确定的概率函数。我们的方法允许有效的敏感性分析关于先验对回归模型的部分确定的组成部分的后验影响。新的方法说明了一个重要的问题，只有部分观察到的数据是可用的-推断的普遍存在的会计不当行为之间的公开交易的美国企业。
2015-03-06 stat.ME
Online Bayesian system identification in multivariate autoregressive models via message passing
Eindhoven Artificial Intelligence Systems Institute（埃因霍温人工智能系统研究所）；Department of Electrical Engineering, Eindhoven University of Technology（电子工程系，埃因霍温理工大学）
本文提出基于因子图消息传递的多元自回归模型递归贝叶斯辨识方法，可同时估计自回归系数与噪声精度的完整后验分布，并支持在线模型证据计算，在合成与机械系统上验证了收敛性和竞争力。
2025-06-03 cs.LG eess.SP stat.ML
Rapid Bayesian identification of sparse nonlinear dynamics from scarce and noisy data
提出一种基于贝叶斯框架的快速概率方法 Bayesian-SINDy，通过高斯近似加速计算，在稀缺和含噪声数据下高效识别非线性动力学微分方程并量化不确定性，为生物数据分析和实时控制中的主动学习奠定基础。
2024-09-23 nlin.CD stat.ME stat.ML
Identification in Bayesian Estimation of the Skewness Matrix in a Multivariate Skew-Elliptical Distribution
Harvey et al.（2010）将Sahu et al.（2003）的贝叶斯估计方法扩展到具有一般偏度矩阵的多元偏椭圆分布，并将其应用于具有更高矩的贝叶斯投资组合优化。虽然他们的方法是划时代的，因为它可以处理资产收益之间的偏度依赖关系，并将更高的时刻到投资组合优化，它不能识别偏度矩阵中的所有元素，由于吉布斯采样器中的标签切换。为了处理这个识别问题，我们建议修改他们的采样算法，通过对多元斜椭圆分布的偏度矩阵施加正下三角约束和改进的可解释性。此外，我们提出了一个贝叶斯稀疏估计的偏度矩阵与马蹄之前，以进一步提高精度。在仿真研究中，我们证明了所提出的方法与识别约束可以成功地估计的真实结构的偏度依赖，而现有的方法遭受的识别问题。
2021-08-09 q-fin.PM stat.CO stat.ME
Bayesian System Identification based on Hierarchical Sparse Bayesian Learning and Gibbs Sampling with Application to Structural Damage Assessment
本文的重点是贝叶斯系统识别噪声不完整的模态数据的基础上，我们可以在更新结构模型时施加空间稀疏刚度的变化。为此，基于我们以前的工作类似的层次稀疏贝叶斯学习模型，我们提出了两个吉布斯抽样算法。这两种算法处理方程误差精度参数后验不确定性的策略不同，但都是从结构刚度参数和系统模态参数的条件后验概率密度函数（PDF）中采样。吉布斯抽样的有效维数较低，因为迭代采样仅从对应于三个参数组的三个条件后验PDF中完成，同时从其中一个算法中的另一个条件后验PDF中对方程误差精度参数进行采样，其中方程误差精度参数未被整合为“滋扰”参数。从计算的角度来看，一个很好的特点是，它是没有必要解决一个结构模型的非线性特征值问题。所提出的算法的有效性和鲁棒性说明将它们应用到IASE ASCE第二阶段的模拟和实验基准研究。我们的目标是使用不完整的模态数据识别之前和之后可能的损害，以检测和评估空间稀疏的刚度降低引起的任何损害。我们过去和现在的重点是满足所产生的挑战，从贝叶斯推断的结构刚度服务，以加强基于振动的结构系统识别的能力，但我们的方法也有更广泛的适用性，在科学和技术的逆问题，系统矩阵是从噪声的部分信息推断其特征量。
2017-01-13 stat.AP stat.ME stat.ML
Bayesian identification of protein differential expression in multi-group isobaric labelled mass spectrometry data
在本文中，我们开发了贝叶斯统计推断的方法，在多个实验的同量异位素标记的MS/MS蛋白质组数据的统一分析。开发了跨多个预定义组和实验的同量异位素标记的报告离子的对数强度的显式概率模型。然后，这被用来开发一个完整的贝叶斯统计方法学的差异表达的蛋白质的鉴定，相对于对照组，在多个组和实验。该方法被实施，然后在模拟数据和使用TMT标记协议的两个模型实验数据集（其中差异表达的蛋白质是已知的）上进行评估。
2014-07-24 q-bio.QM stat.AP
Stochastic processes and feedback-linearisation for online identification and Bayesian adaptive control of fully-actuated mechanical systems
Oxford University（牛津大学）
本文提出了一种新的方法，结合概率识别与控制，利用随机过程先验条件和拉格朗日力学结构知识，通过反馈线性化实现对完全驱动机械系统的灵活非参数贝叶斯学习。
2014-04-01 cs.LG cs.SY eess.SY
Probabilistic Numeric SMC Sampling for Bayesian Nonlinear System Identification in Continuous Time
University of Sheffield（谢菲尔德大学）
本文提出一种基于概率数值SMC采样的方法，用于连续时间贝叶斯非线性系统辨识，通过将ODE求解与概率建模结合，在含噪数据下高效估计系统参数与状态，并量化数据和辨识过程的不确定性。
2024-04-23 cs.LG stat.ML
Bayesian Error-in-Variables Models for the Identification of Power Networks
间歇性可再生能源发电的日益一体化，特别是在配电水平，需要先进的规划和优化方法，取决于电网的知识，特别是导纳矩阵捕获的拓扑结构和线路参数的electricnetwork。然而，一个可靠的估计导纳矩阵可能会丢失或迅速成为过时的时间变化的网格。在这项工作中，我们提出了一个数据驱动的identificationmethod利用从微型PMU收集的电压和电流测量。更确切地说，我们首先提出了一个最大似然方法，然后转向贝叶斯框架，利用最大后验估计的原则。与大多数现有的contributions相比，我们的方法不仅在电压和电流数据的测量噪声的因素，但也能够利用现有的先验信息，如稀疏模式和knownline参数。在基准案例上进行的仿真表明，与其他算法相比，我们的方法可以实现更高的精度。
2021-12-19 cs.SY eess.SY stat.ML
Bounds for Bayesian order identification with application to mixtures
研究了两种贝叶斯序估计的有效性。通过使用非参数技术，我们证明了新的低估和高估的界限。结果适用于各种模型，包括混合模型。在这种情况下，误差分别显示为$O(e^{-an})$和$O((\log n)^b/\sqrt{n})$（$a,b>0$）。
2008-04-04 math.ST stat.TH
On Identification of Sparse Multivariable ARX Model: A Sparse Bayesian Learning Approach
University of Cambridge（剑桥大学）；Huazhong University of Science and Technology（华中科技大学）；Cardwell Investment Tech（卡德韦尔投资科技公司）；UC Berkeley（加州大学伯克利分校）
本文提出一种基于稀疏贝叶斯学习的方法，用于识别稀疏多变量ARX模型的布尔结构和节点间动态，无需先验知识，通过最大后验估计结合复杂性和组稀疏性惩罚。
2016-09-30 cs.LG cs.SY eess.SY
Integrated Pre-Processing for Bayesian Nonlinear System Identification with Gaussian Processes
提出GP-FNARX模型，通过集成数据预处理与稀疏高斯过程回归，实现从原始数据到辨识模型的自动化流程，并利用边际似然最大化同时优化预处理参数和超参数，获得能报告不确定性的贝叶斯动力学模型。
2013-09-17 cs.AI cs.RO cs.SY
Error analysis in Bayesian identification of non-linear state-space models
在过去的二十年中，基于序贯蒙特卡罗（SMC）和马尔可夫链蒙特卡罗（MCMC）的随机非线性状态空间模型（SSM）的贝叶斯辨识方法已经被提出。众所周知，这些基于仿真的识别方法的性能取决于其设计中使用的数值近似。我们建议使用后验Cramér-Rao下界（PCRLB）作为均方误差（MSE）界。使用PCRLB，一个系统的程序来分析贝叶斯识别方法提供的估计偏差，MSE和效率。所提出的方法的有效性和实用性说明通过一个数值例子。
2013-07-23 stat.AP stat.CO stat.ME
Bayesian Estimation of Attribute and Identification Disclosure Risks in Synthetic Data
对数据保密的合成数据方法进行了积极研究，在过去十年左右的时间里，发表了大量关于开发创新合成器、制定适当的效用措施和风险措施等方面的高质量工作。相对于大量的工作合成器的开发和实用措施的创建，测量风险得到了整体较少的关注。本文重点介绍了一些贝叶斯方法的详细结构，提出了估计披露风险的合成数据。在介绍属性和识别信息披露风险评估方法的过程中，重点介绍了关键步骤，强调了贝叶斯思想，并结合实际应用实例进行了说明，同时讨论了面临的挑战和未来的研究方向。我们希望给读者一个全面的贝叶斯估计程序，使合成数据的研究人员和生产者使用这些程序来评估披露风险，并鼓励更多的研究人员在这个重要的增长领域的工作。
2021-05-07 stat.ME
BINDy -- Bayesian identification of nonlinear dynamics with reversible-jump Markov-chain Monte-Carlo
Dynamics Research Group University of Sheffield（动力学研究组谢菲尔德大学）
针对非线性动力学稀疏识别易过拟合的问题，提出基于可逆跳跃马尔可夫链蒙特卡洛的贝叶斯方法BINDy，通过联合后验分布推断在模型空间生成稀疏模型，在基准案例中表现优于ensemble SINDy。
2025-06-25 cs.LG math.DS stat.ML
Uncertainty-Aware Sparse Identification of Dynamical Systems via Bayesian Model Averaging
The University of Tokyo（东京大学）；NTT Research, Inc.（NTT研究所）；University of Michigan（密歇根大学）
本文提出一种贝叶斯稀疏识别框架，用于动态系统耦合组件的建模，通过结合稀疏建模与贝叶斯模型平均，量化每个候选交互和基函数的可信度，验证了在有限数据或动态不可辨识情况下，有效识别稀疏交互结构及高阶谐波组件的能力。
2026-04-12 stat.AP stat.ML
Bayesian system identification for structures considering spatial and temporal correlation
本文提出考虑模型预测误差空间与时间相关性的结构贝叶斯系统辨识方法，通过高效对数似然计算和嵌套采样实现模型选择，并在合成案例与真实钢桥上验证其有效性。
2023-08-18 stat.ME
Bayesian Parameter Identification in the Landau-de Gennes Theory for Nematic Liquid Crystals
本文针对向列液晶 Landau-de Gennes 模型提出一种贝叶斯参数辨识方法，利用模拟数据评估了马尔可夫链蒙特卡洛近似精度、置信区间与可辨识性极限。
2025-04-22 cond-mat.soft cs.NA math.NA
BLADE: Bayesian Langevin Active Discovery with Replica Exchange for Identification of Complex Systems
Purdue University（普渡大学）；Department of Mathematics, Purdue University（普渡大学数学系）；School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）
BLADE是一种结合副本交换随机梯度拉格朗日蒙特卡洛与主动学习的贝叶斯框架，通过平衡梯度驱动的探索与利用，在系数空间中提供概率参数估计和原则性不确定性量化，显著提升数据效率。
2026-04-12 cs.LG stat.ML
Canonical Bayesian Linear System Identification
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所）；Basis Research Institute（Basis研究机构）；Eric and Wendy Schmidt Center（埃里克和温迪·施密特中心）；BCAM (Basque Center for Applied Mathematics)（BCAM（巴斯克应用数学中心））；Ikerbasque (Basque Foundation for Science)（Ikerbasque（巴斯克科学基金会））
针对LTI系统贝叶斯辨识中的参数不可辨识与多模态后验问题，提出将规范形式嵌入贝叶斯框架，实现可辨识推断、结构先验与渐近理论保证，并通过MCMC实验验证其效率和不确定性估计优势。
2025-08-28 cs.LG cs.SY eess.SY
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
MCMC with Adaptive Principal-Component Transformation: Rotation-Invariant Universal Samplers for Bayesian Structural System Identification
Harbin Institute of Technology（哈尔滨工业大学）；California Institute of Technology（加州理工学院）
本文提出APM-SGHMC算法，通过自适应旋转坐标轴对齐当前后验样本的主成分方向，实现旋转不变的采样性能，提升贝叶斯结构系统识别的通用性和效率。
2026-04-25 stat.AP stat.ME stat.ML
Fault Detection and Identification using Bayesian Recurrent Neural Networks
Massachusetts Institute of Technology（麻省理工学院）；ExxonMobil Research and Engineering（埃克森美孚研究与工程公司）
在加工和制造业中，一直在大力推动生产更高质量的产品，并确保流程的最大效率。这就需要采取有效的方法来检测和解决干扰，以确保最佳运行。虽然控制系统可以补偿许多类型的干扰，但仍然不能充分处理过程的变化。因此，重要的是进一步开发监测系统，以有效地检测和识别这些故障，从而使操作员能够快速解决这些故障。本文提出了一种新的概率故障检测和识别方法，该方法采用了新开发的深度学习方法，使用具有变差丢弃的贝叶斯循环神经网络（BRNN）。BRNN模型是通用的，可以模拟复杂的非线性动力学。此外，与传统的基于神经网络的数据驱动的故障检测和识别方法相比，所提出的基于BRNN的方法产生的不确定性估计，允许同时故障检测的化学过程，直接故障识别，故障传播分析。在Tennessee Eastman过程TEP和一个实际化工生产数据集上，与工业上广泛应用的动态主成分分析进行了对比，并验证了该方法的优越性。
2020-06-26 cs.LG cs.SY eess.SY
A Bayesian Semiparametric Factor Analysis Model for Subtype Identification
疾病亚型识别（聚类）是生物医学研究中的一个重要问题。基因表达谱通常用于推断疾病亚型，这通常导致对疾病的生物学意义的见解。尽管有许多成功的，现有的聚类方法可能无法很好地执行时，基因是高度相关的，许多无信息的基因，包括聚类由于高维。在这篇文章中，我们介绍了一种新的亚型识别方法在贝叶斯设置的基础上基因表达谱。这种方法，称为BCSub，采用了创新的半参数贝叶斯因子分析模型，以减少数据的维度到几个因素得分聚类。具体而言，因子得分被假定为遵循狄利克雷过程混合模型，以诱导聚类。通过广泛的模拟研究，我们表明，BCSub的常用聚类方法的性能有所提高。当应用于两个基因表达数据集时，我们的模型能够识别出比现有方法更具有临床相关性的亚型。
2016-09-26 stat.ME
Bayesian Functional Data Analysis over Dependent Regions and Its Application for Identification of Differentially Methylated Regions
我们认为贝叶斯函数的数据分析的观测测量为极长的序列。将序列分割成具有可管理长度的多个小窗口，窗口可能不是独立的，特别是当它们彼此相邻时。我们建议利用贝叶斯平滑样条来估计每个窗口内的各个功能模式，并建立每个窗口中所涉及的参数的过渡模型，以解决窗口之间的依赖结构。在分析过程中，基于马尔可夫链蒙特卡罗样本的贝叶斯因子可以评价个体群体在每个窗口的功能差异。在本文中，我们研究所提出的方法，通过模拟研究，并将其应用于确定差异甲基化的基因区域在TCGA肺腺癌数据。
2021-12-09 stat.ME
A Bayesian thinning algorithm for the point source identification of heat equation
本研究提出一种结合水平集表示与泊松点过程稀疏化机制的贝叶斯算法，用于从边界通量观测中恢复热方程的加权点源函数，解决了高度结构化未知量先验构建难题，数值实验验证了其重建准确性。
2025-09-04 cs.NA math.NA stat.CO
Dynamical System Identification, Model Selection and Model Uncertainty Quantification by Bayesian Inference
本研究提出了一种用于动力学系统辨识的贝叶斯MAP框架，等价于广义Tikhonov正则化，并证明其后验高斯范数为不同系统和噪声模型下的定量模型选择提供了稳健度量。
2024-07-22 nlin.CD stat.ME stat.ML
Bayesian Structural Identification using Gaussian Process Discrepancy Models
近年来，基于高斯过程（GP）模型的贝叶斯模型更新受到关注，它结合了基于核的GP来提供增强的保真度响应预测。虽然大多数核函数在训练数据集中提供了很高的拟合精度，但它们的样本外预测可能非常不准确。本文研究了这个问题，重新制定了一致的概率基础上的问题，审查核协方差函数的共同选择，并提出了一个新的贝叶斯模型选择的核函数选择，旨在创建一个拟合精度，泛化和模型简约之间的平衡。计算方面通过拉普拉斯近似和采样技术，提供详细的算法和策略。数值和实验的例子来证明所提出的框架的准确性和鲁棒性。因此，指数-三角协方差函数的特点和理由的基础上贝叶斯模型选择方法和响应差异的样本自相关函数的观察。
2022-11-01 stat.AP
Dealing with collinearity in large-scale linear system identification using Bayesian regularization
我们考虑大规模的线性和稳定的动态系统，其输出可能是许多相关的输入的结果的识别。因此，严重的病态可能会影响估计问题。这是一个场景经常出现在建模复杂的物理系统时，由许多子单元的互连，其中反馈和代数循环可能会遇到。我们开发了一种基于贝叶斯正则化的策略，其中任何冲激响应都被建模为零均值高斯过程的实现。稳定样条协方差用于包括关于冲激响应的平滑指数衰减的信息。然后，我们设计了一个新的马尔可夫链蒙特卡罗方案，处理共线性，并能够有效地重建后的冲激响应。它基于吉布斯采样的变化，其基于影响不同输入的共线性水平来更新参数空间的可能重叠的块。数值实验包括测试的良好性的方法，数百个冲激响应形成的系统和输入相关性可能是非常高的。
2022-09-03 cs.SY eess.SY math.DS
Input design for Bayesian identification of non-linear state-space models
提出了一种随机非线性状态空间模型在线贝叶斯辨识的最优输入设计算法。所提出的方法依赖于最小化的后Cramér Rao下界导出的模型参数，相对于输入序列。为了使优化问题在计算上易于处理，将输入参数化为输入空间中的多维马尔可夫链。所提出的方法是通过一个仿真例子来说明。
2013-07-23 stat.AP stat.CO stat.ME
Stabilities of Shape Identification Inverse Problems in a Bayesian Framework
在贝叶斯框架下研究了一般形状识别反问题。这个问题需要从有限维观测数据中确定欧几里得空间中一个域的未知形状，这些观测数据带有一些高斯随机噪声。然后，对观测数据的后验稳定性进行了研究。对于空间的每个点，考虑该点被包括在给定观测数据的未知域中的条件概率。并对这种概率分布的稳定性进行了研究。作为我们的反问题的模型问题，热反问题被认为是。这个问题需要从热导体表面的某个部分的温度数据来确定热导体中的空腔的未知形状。为了将上述稳定性结果应用于该模型问题，需要前向算子的可测性和有界性。显示了这些属性。
2020-02-18 math.AP math.ST stat.TH
Bayesian identification of nonseparable Hamiltonians with multiplicative noise using deep learning and reduced-order modeling
University of Michigan（密歇根大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
本文提出一种保持结构不变的贝叶斯方法，用于辨识含乘性噪声的不可分离哈密顿系统，通过高斯滤波和降阶建模实现高效高维参数估计，显著提升预测精度。
2024-07-20 cs.LG math.DS physics.data-an
AAA: Triple-adaptive Bayesian designs for the identification of optimal dose combinations in dual-agent dose-finding trials
我们提出了一个灵活的设计，用于确定最佳剂量组合的双剂剂量探索临床试验。该设计被称为AAA，代表三种适应：自适应模型选择、自适应剂量插入和自适应队列划分。适应性突出的需要和机会，创新的双剂剂量发现，并支持在拟议的模拟研究中提出的数值结果。据我们所知，这是第一个同时允许所有三种适应的设计。我们发现AAA改善了统计推断，提高了找到最佳剂量组合的机会，并缩短了试验持续时间。正在计划一项临床试验以应用AAA设计。
2017-06-10 stat.ME
Bayesian spectral density approach for identification and uncertainty quantification of bridge section's flutter derivatives operated in turbulent flow
本文提出了一种利用抖振位移响应识别和量化桥梁截面颤振导数不确定性的贝叶斯谱密度方法，其中风洞试验在湍流中进行。不同于传统的时域方法（例如，最小二乘法和随机子空间识别），新提出的方法是在频域操作。在仿射不变集成采样算法的基础上，采用马尔可夫链蒙特卡罗采样方法完成贝叶斯推断。颤振导数的概率密度函数基于复Wishart分布建模，其中概率作为度量。通过贝叶斯谱密度方法，可以同时得到每一颤振导数的最概然值和相应的后验分布（这里称识别不确定度）。首先，进行了数值模拟，识别结果是准确的。其次，为了验证理论解的正确性，选择了具有颤振导数理论解的薄板模型进行了湍流试验。薄板模型的识别结果与理论解一致。第三，以目前工程中广泛采用的大跨度桥梁截面--中央开槽梁模型为例，研究了该方法在一般桥梁截面上的适用性。对于中心开槽梁模型，在均匀流场中用最小二乘法提取了颤振导数，验证了本文方法的有效性。两种方法的识别结果是一致的。
2021-08-03 stat.AP stat.CO
Identification of the parameters of complex constitutive models: Least squares minimization vs. Bayesian updating
本文针对复杂本构模型的材料参数识别，比较最小二乘最小化与基于 MCMC 的贝叶斯更新，并讨论似然函数高效近似方法以降低计算成本。
2024-08-09 math.PR math.ST physics.data-an
Supervised Bayesian joint graphical model for simultaneous network estimation and subgroup identification
School of Statistics and Data Science, Shanghai University of International Business and Economics（上海对外经贸大学统计与数据科学学院）；School of Statistics and Data Science, Shanghai University of Finance and Economics（上海财经大学统计与数据科学学院）；Department of Biostatistics, Yale School of Public Health（耶鲁公共卫生学院生物统计学系）
本文提出了一种监督式贝叶斯联合图模型，用于同时估计异质网络并识别亚组，通过引入新的相似性先验，提升了生物网络构建和亚组识别的临床意义。
2026-02-24 stat.ME
Input-State-Parameter-Noise Identification and Virtual Sensing in Dynamical Systems: A Bayesian Expectation-Maximization (BEM) Perspective
结构识别和损伤检测可以概括为对输入力、物理参数和动力状态的同时估计。虽然卡尔曼型滤波器是解决这个问题的有效工具，但噪声协方差阵的校准是繁琐的。例如，在增广或对偶卡尔曼滤波器中，输入噪声协方差阵的校准是一项关键任务，因为其值的微小变化会对估计产生不利影响。本研究发展了一种贝叶斯期望最大化（BEM）方法的不确定性量化和传播耦合输入-状态-参数-噪声识别问题。它还提出了将输入虚拟观测稳定的潜在状态的低频分量和减轻潜在的漂移。在这方面，虚拟观测的协方差阵也基于测量数据来校准。此外，一个明确的配方提供了研究的贝叶斯估计，这有助于表征最低传感器的要求的理论可观性。最后，边界元法进行了测试和验证，通过数值和实验的例子，其中传感器配置，多输入力，和突然的刚度变化进行了研究。据证实，边界元法提供了准确的估计的状态，输入和参数，同时表征的程度，相信这些估计的基础上，后验不确定性驱动的应用贝叶斯的观点。
2022-07-05 stat.AP
Bayesian identification of bacterial strains from sequencing data
在DNA测序的最新技术进步之后，快速测定从医院患者或环境来源获得的样品中存在的细菌物种的多样性已经成为可能。对于几种应用，重要的是根据从样品获得的短序列读数准确地鉴定靶生物体的存在并估计其相对丰度。当感兴趣的集合包括非常密切相关的生物体时，例如不同的病原菌菌株，这一任务特别具有挑战性，这些菌株在毒力、抗性和传播方面可能差异很大。使用先进的贝叶斯统计建模和计算技术，我们引入了一种新的细菌识别管道，该管道的性能优于目前领先的管道。我们的方法能够快速准确地基于序列识别细菌菌株，同时仅使用适度的计算资源。因此，它为广泛的应用提供了有用的工具，包括快速临床诊断，以区分引起医院感染的密切相关的菌株。该软件的实现可在https://github.com/PROBIC/BIB上获得
2016-02-17 q-bio.GN q-bio.QM stat.AP
Bayesian and regularization approaches to multivariable linear system identification: the role of rank penalties
University of Padova（帕多瓦大学）
本文提出一种基于ℓ2正则化和秩惩罚的冲击响应估计器，用于处理多输入多输出系统中输入输出通道的耦合问题，通过优化边际似然估计超参数，实现闭式解。
2014-09-29 cs.LG cs.SY eess.SY
A Bayesian approach with Gaussian priors to the inverse problem of source identification in elliptic PDEs
本文研究椭圆型偏微分方程中未知源函数的统计线性反问题，采用基于高斯先验的非参数贝叶斯方法进行后验推断，回顾了相关理论保证，并在高斯级数先验和Matérn过程先验下通过数值模拟验证了方法性能。
2024-07-25 math.ST stat.ME stat.TH
An Approximate Bayesian Approach to Optimal Input Signal Design for System Identification
本文提出了一种基于互信息的贝叶斯方法，用于设计最优输入信号以提高系统辨识的准确性，通过计算可行的MI下界和降维算法，有效应对模型不确定性和非线性问题。
2025-12-11 math.ST stat.TH
A novel Bayesian strategy for the identification of spatially-varying material properties and model validation: an application to static elastography
本文提出了一种新的贝叶斯，计算策略的背景下，基于模型的反问题的弹性静力学。一方面，我们试图提供材料属性及其空间变异性的概率估计，占各种来源的不确定性。另一方面，我们试图解决与实验现实相关的模型保真度问题，特别是在所采用的材料构成法的背景下。这在生物医学环境中尤其重要，因为推断的材料特性将用于做出决策/诊断。我们提出了一个扩展的参数化，使量化的模型差异，除了本构参数。我们提出了可扩展的计算策略进行推理和学习任务，并证明其有效性的数值例子与无噪声和嘈杂的合成数据。
2015-12-18 stat.CO
A Synthetic Reliability-Aware PINN Benchmark for Offshore Wind Turbine Support-Structure Monitoring with Bayesian Inverse Identification
School of Artificial Intelligence and Data Science, Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校人工智能与数据科学学院）；School of Management and Entrepreneurship, Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校管理与创业学院）
提出Digi Turbine基准，结合物理信息神经网络、贝叶斯逆识别和FORM筛选，用于海上风机单桩支撑结构监测，验证基于NREL 5MW参考风机。
2026-06-24 cs.CL stat.CO
Identification of parameters in the torsional dynamics of a drilling process through Bayesian statistics
这项工作提出了一个实验装置，它被建模为一个系统，具有三个自由度，由一个轴，两个转子，和一个直流电机，模拟钻孔过程的参数估计。在估计过程中使用贝叶斯技术，以考虑所采取的测量固有的不确定性和可变性，其被建模为高斯性质的噪声。通过该程序，预计将检查试验台物理参数标称值的可靠性。假设九个参数的实验装置是未知的估计过程进行，结果表明，对于某些数量的相对偏差相对于标称值是非常高的。这种偏差证明了用于描述实验装置的动态行为的数学模型的严重缺陷。
2021-07-27 cs.CE physics.data-an stat.AP
Identification of high-energy astrophysical point sources via hierarchical Bayesian nonparametric clustering
我们从遥远的天体接收到的光携带着关于它们的起源和驱动它们的物理机制的信息。然而，这些信号的研究是复杂的，因为观测通常是由位于空间变化背景中的多个局部源发射的光的混合物。在这种情况下，实现鲁棒和准确的源识别的通用算法仍然是天体物理学中的一个悬而未决的问题。本文重点关注高能光（如X射线和伽马射线），天文台可以检测单个光子（光量子），测量它们的入射方向，到达时间和能量。我们提出的贝叶斯方法使用的空间和能量信息来识别点源，也就是说，将它们从空间变化的背景，估计它们的数量，并计算后验概率，每个光子起源于每个已识别的源。这是通过一个狄利克雷过程的混合物，同时通过一个灵活的贝叶斯非参数模型的基础上B-样条重建的背景。我们提出的方法进行了验证与一套模拟研究，并说明了应用程序的复杂区域的天空观测的\emph{Fermi}伽马射线太空望远镜。
2021-04-26 astro-ph.HE stat.AP
