Bayesian Event Categorization Matrix Approach for Explosion Monitoring
针对经典事件分类矩阵模型难以处理低当量爆炸稀疏观测、协方差结构差异大的问题,提出可基于部分数据训练、结合贝叶斯决策理论的贝叶斯事件分类矩阵模型,经蒙特卡洛实验验证其准确率更高、假阴性率更低,可提升爆炸监测的决策与预测能力。
2025-01-16 physics.geo-ph stat.AP stat.ML
A Bayesian Feature Allocation Model for Identification of Cell Subpopulations Using Cytometry Data
提出了一种贝叶斯特征分配模型(FAM),用于基于通过飞行时间流式细胞术(CyTOF)获得的细胞表面或细胞内标志物表达水平数据的多个样品来鉴定细胞亚群。细胞亚群的特征在于标记物的表达模式的差异,并且基于其观察到的表达水平的模式将单个细胞聚类到亚群中。一个有限的印度自助餐过程是用来模拟亚群作为潜在的功能,和基于模型的方法,这些潜在的功能亚群的基础上,用于构建每个样本内的细胞簇。通过定义静态缺失数据机制来解释由于质谱细胞仪中的技术伪影而导致的不可解释的缺失数据。与单独应用于不同样品的基于观察到的标志物表达水平的常规细胞聚类方法相比,基于FAM的方法可以同时应用于多个样品,并且可以鉴定可能被常规聚类遗漏的重要细胞亚群。提出的基于FAM的方法被应用于联合分析三个数据集,产生的CyTOF,研究自然杀伤(NK)细胞。因为FAM鉴定的亚群可以定义新的NK细胞亚群,所以这种统计分析可以提供关于NK细胞的生物学及其在癌症免疫治疗中的潜在作用的有用信息,这反过来可以导致改进的细胞疗法的开发。模拟研究所提出的方法的行为下的两种情况下的已知亚群也提出了,然后通过分析的CyTOF NK细胞表面标志物的数据。
2020-02-20 stat.AP
Pachinko Prediction: A Bayesian method for event prediction from social media data
大型开放数据源与机器学习方法的结合,为预测抗议或社会动荡等事件提供了一种潜在的强大方法。然而,考虑到这些模型中的不确定性,特别是在使用社交媒体等多样化的非结构化数据集时,对于确保适当使用这些方法至关重要。在这里,我们开发了一种贝叶斯方法,用于预测社会动荡事件在澳大利亚使用社交媒体数据。该方法使用机器学习方法将社交媒体的个人帖子分类为相关的,并使用经验贝叶斯方法来计算后验事件概率。我们使用该方法来预测2017/18年度澳大利亚城市的事件。
2018-09-22 cs.CY cs.SI stat.AP
Trans-dimensional Bayesian model averaging for $^{13}$C-based metabolic flux analysis: Evidence-based flux inference under structural model uncertainty
Institute of Bio- and Geosciences, IBG-1: Biotechnology, Forschungszentrum Jülich(于利希研究中心生物与地理科学研究所);RWTH Aachen University(亚琛工业大学)
针对 $^{13}$C 代谢通量分析中结构模型不确定性问题,提出一种结合可逆跳转马尔可夫链蒙特卡洛与扩散嵌套抽样的贝叶斯模型集平均方法,实现大规模代谢网络模型空间上的鲁棒通量估计与模型结构恢复。
2026-05-24 q-bio.QM stat.AP stat.CO
Bayesian Information Criterion for Event-based Multi-trial Ensemble data
Max-Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所);International Center for Primate Brain Research(国际灵长类脑研究中心);The University of Manchester(曼彻斯特大学);Max-Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
瞬态循环现象在神经科学和气象学等许多科学领域中普遍存在。时间非齐次向量自回归模型(VAR)可以用于表征与这种现象相关联的事件周围系统动态,并且可以通过利用多个时间窗口中的系统演变的多维数据收集样本来学习,每个时间窗口包括与瞬态现象的一次发生相关联的,我们将其称为“试验”。然而,最优VAR模型阶次选择方法通常依赖于Akaike或贝叶斯信息准则(AIC/BIC),通常不适用于多试验数据。在这里,我们推导出BIC方法的多试验集成数据后,收集的事件的检测。我们使用模拟的二元AR模型,多试验BIC是能够恢复真实的模型顺序。我们还证明了与模拟瞬态事件和真实数据的多试验BIC是能够估计一个足够小的模型阶动态系统建模。
2022-04-29 cs.LG q-bio.QM stat.AP
A Bayesian baseline for belief in uncommon events
不寻常的事件和奇迹的基础上的证词,这样一个事件的可解释性已经讨论了很多。在分析所涉及的概率时,大多数情况下都假设共同事件可以作为计算中的数据。然而,我们通常只有普通事件的证词。虽然这种差异对推理的归纳部分没有显著影响,但它对人们应该如何看待证词的可靠性有很大影响。在这项工作中,一个完整的贝叶斯解决方案给出了更现实的情况下,其中一个有大量的证词一个共同的事件和一个证词一个不寻常的事件。可以看出,为了对一个共同的事件有大量的证词,这些证词可能是相当可靠的。由于这个原因,因为证词是相当可靠的基础上的证词为共同的事件,概率为不寻常的事件,给它的证词,也更高。因此,在考虑不寻常事件的可解释性时,人们应该更加开放。
2016-02-27 stat.AP stat.ML stat.OT
Bayesian sequential analysis of adverse events with binary data
提出基于双臂临床试验二元数据的贝叶斯序贯检验方法评估相对风险,通过停止规则原则计算错误概率,并揭示与UMPBT的联系及实证验证。
2025-04-03 stat.AP stat.ME
Bayesian Nonparametric Modelling of Joint Gap Time Distributions for Recurrent Event Data
我们提出了自回归贝叶斯半参数模型的等待时间之间的经常性事件。目的有两个:推断可能随时间变化的协变量对间隙时间的影响,并根据复发事件的时间轨迹对个体进行聚类。间隙时间之间的时间依赖性考虑到通过规范的自回归组件的随机效应参数影响的响应在不同的时间。自回归的顺序可以假设为未知和推断的对象,我们考虑两种替代方法来执行模型选择在这种情况下。协变量可以很容易地包含在回归框架中,删失和缺失数据也很容易解释。由于所提出的方法属于Dirichlet过程混合物类,因此可以通过高效的MCMC算法进行后验推理。我们说明了通过模拟和医疗应用程序,涉及癌症患者和连续的尿路感染复发住院治疗的方法。
2016-07-27 stat.AP
A Hierarchical Distance-dependent Bayesian Model for Event Coreference Resolution
Cornell University(康奈尔大学)
提出了一种新的基于距离依赖的贝叶斯事件共指消解模型。虽然现有的生成模型的事件共指消解是完全无监督的,我们的模型允许合并事件提及之间的成对距离-信息,被广泛用于监督共指模型,以指导生成聚类处理更好的事件聚类内和跨文件。我们使用一个功能丰富的可学习的距离函数来模拟事件提及之间的距离,并将其编码为贝叶斯先验,用于非参数聚类。在ECB+语料库上的实验表明,我们的模型在文档内和跨文档事件共指消解方面都优于最先进的方法。
2015-09-25 cs.CL stat.ML
Bayesian Deep Count Regression and Anomaly Detection: Evidence from GDELT Event Panels
University of Central Florida(中佛罗里达大学)
本文提出基于贝叶斯计数回归的深度模型,结合负二项和零膨胀负二项分布头,用于预测和检测异常,通过地理统计方法分析事件传播。
2026-03-26 stat.AP stat.CO
Interpretable Traffic Event Analysis with Bayesian Networks
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
提出基于贝叶斯网络的可解释框架,通过保留关键信息的数据集构建流程,实现交通事故预测并揭示天气与交通事件的因果关系,为减少事故提供参考。
2023-10-10 cs.LG stat.AP
Bayesian Diagnostics for Chain Event Graphs
链事件图已被建立为一个实用的贝叶斯图形工具。虽然已经为贝叶斯网络开发了定制诊断,但尚未为链事件图模型的统计类定义它们。模仿贝叶斯网络的先验诊断方法,本文针对这一新的类别设计了一些新的贝叶斯诊断方法。这些可以用来检查选定的模型(可能是类中最好的模型)是否捕捉到了观察过程的大部分显著特征。这些测试的目的是在收集人口数据时检查选定模型的持续有效性。以前在新西兰进行的一项儿童疾病研究说明了这些诊断的有效性。第二个关于激进化的例子是一个更有表现力的例子。
2019-10-10 stat.ME
Bayesian MAP Model Selection of Chain Event Graphs
链事件图模型类是离散贝叶斯网络类的推广,保留了贝叶斯网络在模型查询、传播和学习方面的大部分结构优势,同时更自然地对非对称状态空间和事件发生的顺序进行编码。在本文中,我们证明了如何与完全抽样,共轭封闭形式的模型选择的基础上的产品Dirichlet先验是可能的,并证明了适当的齐性假设的产品Dirichlet先验这类模型。我们使用两个教育的例子来展示我们的技术。
2009-04-06 stat.ME stat.ML
Tools for predicting rainfall from lightning records: events identification and rain prediction using a Bayesian hierarchical model
我们提出了一个新的统计协议,利用闪电数据的降水估计。我们首先使用扫描统计来识别下雨事件,然后估计降雨照明比(RLR),以将闪电数量转换为给定风暴强度的降雨量。然后,我们建立了一个层次贝叶斯模型,旨在预测15和30分钟的累积降水在未观测到的位置和时间在同一地区的闪电信息。更具体地说,我们建立了一个贝叶斯分层模型,其中降水量建模为闪电计数和时空变化的函数处理使用特定的结构化(随机)的影响。模型的平均分量与降水和闪电有关,假设在规则网格上记录的闪电数量取决于相邻单元中发生的闪电数量。我们分析了几个模型配方风暴的传播速度,空间依赖性和时间变化结合不同的描述的现象在手。假设时空变化是可分离的。该研究区域位于意大利中部,其中两个风暴,不同的持续时间和强度,提出。
2015-06-14 stat.AP
A Bayesian Nonparametric Approach for Semi-Competing Risks with Application to Cardiovascular Health
本文研究了半竞争风险环境下的因果估计问题,通过定义主分层因果估计量,结合藤Copula和贝叶斯非参数EDPM方法估计联合事件时间分布,并利用敏感性参数和MCMC进行推断,最后应用于心血管健康研究。
2025-06-25 stat.AP stat.ME
Non-parametric Bayesian mixture model to study adverse events of COVID-19 vaccines
提出带Dirichlet过程混合先验并嵌入阴性对照程序的贝叶斯模型,以提升小计数不良事件估计并校正报告偏倚,模拟与VAERS数据验证了其有效性。
2023-06-03 stat.AP stat.ME
Bayesian Estimation of Two-Part Joint Models for a Longitudinal Semicontinuous Biomarker and a Terminal Event with R-INLA: Interests for Cancer Clinical Trial Evaluation
最近,基于频率论估计,引入了纵向非连续生物标志物和终末事件的两部分联合模型。生物标志物分布被分解为正值的概率和正值中的期望值。共享随机效应可以代表生物标志物和终末事件之间的关联结构。与具有用于生物标志物的单一回归模型的标准联合模型相比,计算负担增加。在此上下文中,在R包frailtypack中实现的频率论估计对于复杂模型(即,随机效应的大量参数和维数)。作为替代方案,我们提出了一个贝叶斯估计的两部分联合模型的基础上集成嵌套拉普拉斯近似(INLA)算法,以减轻计算负担,适合更复杂的模型。我们的模拟研究证实,INLA提供了准确的近似后验估计,并减少计算时间和变化的估计相比,frailtypack在考虑的情况下。我们在两项随机癌症临床试验(GERCOR和PRIME研究)的分析中对比了贝叶斯和频率论方法,其中INLA在生物标志物与事件风险之间的相关性方面具有降低的变异性。此外,贝叶斯方法能够表征PRIME研究中与不同治疗应答相关的患者亚组。我们的研究表明,使用INLA算法的贝叶斯方法能够拟合可能在广泛的临床应用中感兴趣的复杂关节模型。
2023-01-27 stat.AP stat.ME
Bayesian semiparametric long memory models for discretized event data
针对长记忆离散事件数据,提出了一类新的半参数隐变量模型。该方法的动机是亚马逊雨林中的鸟类发声的研究,发声的时间表现出自相似性和长期依赖排除模型的基础上泊松过程。提出的FRAP概率模型是基于一个潜在过程的阈值,该潜在过程由一个具有分数布朗运动的光滑高斯过程的加性展开组成。我们使用马尔可夫链蒙特卡罗开发了一种贝叶斯推理方法,并在仿真研究中表现出良好的性能。应用亚马逊鸟类发声数据的方法,我们发现大量的证据自相似性和非马尔可夫/泊松动力学。为了适应鸟类发声数据,其中有许多不同种类的鸟类展示自己的发声动力学,FRAP的层次扩展在补充材料中提供。
2021-06-30 stat.AP stat.ME
Bayesian machine learning approach for recurrent events studies using Soft Bayesian Additive Regression Trees (SBART)
Florida State University(佛罗里达州立大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出软贝叶斯加性回归树(SBART)非参数方法,结合软决策树与贝叶斯集成学习,用于复发事件建模,通过两层数据增强实现高效计算,在模拟和实际数据中优于现有方法。
2026-06-12 stat.ME
Bayesian Hierarchical Bernoulli-Weibull Mixture Model for Extremely Rare Events
估计用户行为的持续时间是大多数互联网公司关注的核心问题。生存分析是分析事件预期持续时间的一种有前景的方法,通常假设所有受试者的生存函数相同,并且事件将在长期内发生。然而,当用户行为不同或某些事件对于某些用户从未发生时,这样的假设是不合适的,即,轻度用户在Web服务上的转换期,不打算在该服务上积极行动。特别是,如果不活跃用户的比例很高,这种假设可能会导致不希望的结果。为了解决这些挑战,本文提出了一种混合模型,分别解决活跃和不活跃的个人与一个潜在的变量。首先,我们定义这个特定的问题设置,并显示在解决这个问题的传统生存分析的局限性。我们展示了如何自然我们的伯努利-威布尔模型可以适应的挑战。所提出的模型进一步扩展到贝叶斯分层模型,将每个主题的参数,在WAIC和WBIC方面提供了显着的改进,传统的,非分层模型。其次,使用BizReach,Inc.提供的日本求职网站CareerTrek的真实数据进行了实验和广泛的分析。在分析中,提出了一些研究问题,例如用户类别之间激活率和转化率的差异,以及事件发生率如何随时间推移而瞬间变化。定量的答案和解释分配给他们。此外,该模型是推断在贝叶斯的方式,这使我们能够表示的不确定性与可信区间的参数和预测量。
2020-03-25 stat.AP
A Symbolic and Statistical Learning Framework to Discover Bioprocessing Regulatory Mechanism: Cell Culture Example
Northeastern University(东北大学)
本文提出一种符号与统计学习框架,通过随机微分方程建模和贝叶斯联合学习动力学参数与调控结构,并结合伴随灵敏度分析的MALA算法,在数据有限条件下有效发现细胞培养中的关键调控机制并量化不确定性。
2025-05-06 cs.LG q-bio.QM stat.ML
Simulation-based Bayesian predictive probability of success for interim monitoring of clinical trials with competing event data: two case studies
本文提出一种基于模拟的贝叶斯预测成功概率方法,通过为竞争事件数据指定特定原因风险的贝叶斯模型来预测试验结果,并在两项随机临床试验中验证了其应用价值。
2024-12-20 stat.AP stat.ME
Bayesian inference for a principal stratum estimand to assess the treatment effect in a subgroup characterized by post-randomization events
在随机临床试验中,特定亚组的处理效应通常是令人感兴趣的。当亚组的特征是不存在某些随机化后事件时,对不存在这些事件的患者亚组进行简单分析可能会产生误导。主要分层框架允许在这种情况下定义一个适当的因果估计。主要分层估计量的统计推断取决于科学合理的假设,这些假设可以通过先验分布与贝叶斯方法结合使用。我们的激励性例子是一项辛波莫德治疗继发性进展型多发性硬化症患者的大型随机安慰剂对照试验。该试验的主要目的是证明辛波莫德相对于安慰剂在延迟整个研究人群的残疾进展方面的功效。然而,从科学和监管角度来看,试验期间不会复发的患者亚组的处理效应具有相关性。评估该亚组的处理效应具有挑战性,因为有强有力的证据表明辛波莫德可减少复发。根据ICH E9(R1)法规指南草案,我们详细描述了关注的科学问题、主要分层被估量、二元终点的相应分析方法和敏感性分析。
2018-09-11 stat.AP
A Bayesian approach for unadjudicated events in cardiovascular disease cohort studies
针对队列研究中ICD-9编码事件不准确的问题,提出利用相关队列ARIC构建贝叶斯联合模型与贝叶斯加性回归树,生成未裁定事件的后验预测分布,并通过模拟和实际数据验证。
2025-06-23 stat.ME
PDE-Based Bayesian Hierarchical Modeling for Event Spread, with Application to COVID-19 Infection
Harvard Pilgrim Health Care Institute(哈佛 pilgrim 健康护理研究所);Hubei University of Economics(湖北经济学院);Simon Fraser University(西蒙菲莎大学);University of Saskatchewan(萨斯喀彻温大学);York University(约克大学)
本研究扩展了基于扩散-反应方程的 Wikle 贝叶斯层次模型并引入平流项,利用 MCMC 方法分析美国 COVID-19 时空传播,发现扩散率具有异质性且增长率和平流速度随时间变化。
2025-09-16 stat.AP
Bayesian Poisson Tensor Factorization for Inferring Multilateral Relations from Sparse Dyadic Event Counts
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Columbia University(哥伦比亚大学);Microsoft Research(微软研究院)
我们提出了一个贝叶斯张量分解模型,用于从动态成对交互模式推断潜在组结构。几十年来,政治学家收集和分析了“国家$i$在时间$t$对国家$j$采取行动$a$“的记录-被称为二元事件-以形成和检验国际关系理论。我们将这些事件数据表示为计数张量,并开发贝叶斯泊松张量因子分解来推断其显着模式的低维,可解释的表示。我们证明了我们的模型的预测性能优于标准的非负张量因子分解方法。我们还提供了一个比较我们的变分更新,他们的极大似然同行。在这样做时,我们确定了一个更好的方式来形成点估计的潜在因素比通常使用的贝叶斯泊松矩阵分解。最后,我们展示了我们的模型作为政治科学家的探索性分析工具。我们发现,推断的潜在因素矩阵捕捉可解释的多边关系,既符合我们的知识,并告知国际事务。
2015-06-10 cs.AI cs.LG cs.SI
Chaotic Bayesian Inference: Strange Attractors as Risk Models for Black Swan Events
本文提出一种基于混沌吸引子塑造贝叶斯推断几何的新风险框架,结合重尾先验与Lorenz/Rossler动力学,通过两种互补模型实现黑天鹅事件的双重视角分析。
2025-09-09 econ.EM q-fin.RM q-fin.ST
Spatiotemporal Dynamics of Conflict Occurrence and Fatalities in Ethiopia: A Bayesian Model and Predictive Insights Using Event-level Data (1997--2024)
Bahir Dar University(巴希尔达尔大学);LUT University(拉赫蒂理工大学);Mekdela Amba University(梅克拉阿姆巴大学)
本研究提出时空双重贝叶斯模型,利用埃塞俄比亚1997-2024年ACLED事件数据,结合固定与随机效应分析冲突死亡发生与人数,揭示时空聚集特征及风险因素,为政策规划提供依据。
2025-11-02 stat.AP
Bayesian Model Averaging of Chain Event Graphs for Robust Explanatory Modelling
链事件图(Chain Event Graph,CEG)是一类应用广泛的概率图模型,它可以以一种易于解释的方式表示特定于上下文的独立性语句和事件的非对称展开。现有的关于CEG的模型选择文献主要集中在获得最大后验(MAP)CEG。然而,MAP选择是众所周知的忽略模型的不确定性。在这里,我们将探索在此类上使用贝叶斯模型平均。我们展示了这种方法如何量化模型的不确定性,并通过识别多个高分模型的共享特征来实现更强大的推理。因为可能的CEG的空间是巨大的,在所有的小问题中,为了模型平均而对模型进行详尽的评分是禁止的。然而,我们提供了一个简单的修改现有的模型选择算法,样本的模型空间,说明贝叶斯模型平均相比,更标准的MAP建模的功效。
2022-06-17 stat.ME
Nonparametric Bayesian estimation of a concave distribution function with mixed interval censored data
假设我们观察到有限数量的检查时间以及关于在这些时间中的每一个之前是否发生了特定事件的信息。假设重复的测量在多个事件时间上可用。包括检查次数的检查时间组对于每个事件可能不同。这被称为混合情况区间删失数据。我们考虑事件时间的分布函数的贝叶斯估计,同时假设它是凹的。我们提供了充分条件的先验,使所得到的程序是一致的贝叶斯的观点。我们还提供了计算方法,从后,并说明贝叶斯方法在模拟研究和两个真实的数据集的性能。
2020-11-15 math.ST stat.TH
Violent event-related fatality patterns in Ethiopia: a Bayesian spatiotemporal perspective
Ambo University(阿姆博大学);Federal University of Technology, Akure(阿库雷联邦理工大学)
本研究针对埃塞俄比亚武装冲突暴力致死问题,提出两部分零膨胀贝叶斯广义加性混合模型,整合时空成分分析死亡模式,揭示地区差异与时间趋势,为相关决策提供科学依据。
2025-11-15 stat.AP
Quantifying the limits of human athletic performance: A Bayesian analysis of elite decathletes
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Tufts University(塔夫茨大学)
本文通过贝叶斯模型分析十项全能运动员表现,旨在量化人类极限运动能力的边界。
2026-02-19 stat.AP
Bayesian estimation of a semiparametric recurrent event model with applications to the penetrance estimation of multiple primary cancers in Li-Fraumeni Syndrome
癌症综合征中的一个常见现象是个体在其一生中在不同部位患有多个原发性癌症。Li-Fraumeni综合征(LFS)是一种罕见的儿科癌症综合征,主要由生殖系TP 53突变引起,已知患者比其他癌症综合征患者发生第二原发性癌症的概率更高。在这种情况下,期望对多种原发性癌症的发展进行建模,以实现对LFS的更好的临床管理。在这里,我们提出了一个基于非齐次泊松过程的贝叶斯复发事件模型,以获得与LFS相关的多种原发性癌症的复发率估计。我们采用了一个家庭明智的可能性,有利于使用遗传信息,通过家庭系谱和适当调整的确定偏差,这是不可避免的罕见疾病的研究中使用的逆概率加权计划。我们将所提出的方法应用于LFS的数据,使用1944年至1982年在MD安德森癌症中心通过儿科肉瘤患者收集的家庭队列。内部和外部验证研究表明,该模型提供了可靠的多原发性癌症在LFS,其中,据我们所知,尚未在LFS文献中报道的转移率估计。
2018-09-14 stat.AP
A Bayesian Framework for Causal Analysis of Recurrent Events with Timing Misalignment
Brown University(布朗大学);University of Pennsylvania(宾夕法尼亚大学)
针对观察性研究中复发事件的时间错位与终止事件问题,提出基于时变治疗设定的贝叶斯框架,通过g-computation与联合半参数模型估计平均因果效应,并应用于Medicare数据对比阿片类治疗的住院率。
2024-11-12 cs.LG stat.AP stat.ME
Monitoring Adverse Events Through Bayesian Nonparametric Clustering Across Studies
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Pfizer Inc.(辉瑞公司);The University of Texas at Dallas(德克萨斯大学达拉斯分校);The University of Chicago(芝加哥大学)
本研究提出基于协变量依赖型乘积划分模型的贝叶斯非参数方法,整合历史试验数据与不同粒度协变量,通过相似实验单元聚类提升AE率估计精度,支持设盲到非盲的实时安全监测,经案例与模拟验证可有效检测安全信号、评估风险。
2025-09-08 stat.AP stat.ME
Flexible Bayesian additive joint models with an application to type 1 diabetes research
纵向和时间-事件数据的联合建模是越来越受欢迎的重要工具,用于深入了解生物标志物和事件过程之间的关联。我们开发了一个通用框架的灵活添加剂联合模型,允许规格的各种影响,如平滑的非线性,时变和随机效应,在纵向和生存的部分模型。我们的扩展是出于波动的疾病特异性标志物之间的关系的调查,在这种情况下,自身抗体,和自身免疫性疾病1型糖尿病的进展。通过使用贝叶斯P样条,我们特别能够捕获高度非线性的受试者特异性标记物轨迹以及标记物与事件过程之间的时变关联,从而对疾病进展有新的见解。该模型是在贝叶斯框架内估计的,并在R-包bamlss中实现。
2017-01-20 stat.AP stat.ME
Bayesian semi-parametric inference for clustered recurrent events with zero-inflation and a terminal event/4163305
复发性事件数据在临床研究中很常见,当受试者纵向随访时,经常发生终末事件。随着具有异质性来源人群的大型实用性试验的日益普及,参与者通常嵌套在诊所中,并且可能对复发过程敏感或结构上不敏感。这些复杂性需要新的建模策略,以适应潜在的零事件膨胀以及分层数据结构的终端和非终端事件过程。在本文中,我们开发了一个贝叶斯半参数模型,以联合特征的零膨胀的复发事件过程和终端事件过程。我们使用一个点质量混合的非齐次泊松过程来描述经常性的强度,并引入共享的随机效应从不同的来源来桥接非终端和终端事件过程。为了实现鲁棒性,我们考虑非参数Dirichlet过程建模的剩余的加速失效时间模型的生存过程以及集群特定的脆弱性分布,并开发一个马尔可夫链蒙特卡罗算法的后验推理。我们证明了我们提出的模型与竞争模型相比,通过模拟的优越性,并将我们的方法应用到一个务实的集群随机试验中的老年人跌倒伤害预防。
2022-12-05 stat.ME
A Bayesian Proportional Mean Model Using Panel Binary Data-An Application to Health and Retirement Study
针对面板二元复发事件数据缺乏贝叶斯方法的问题,提出贝叶斯比例均值模型及验证、选择与影响诊断技术,并通过模拟和 HRS 数据分析验证其有效性。
2025-03-15 stat.AP stat.ME
A Bayesian approach to the analysis of time symmetry in light curves: Reconsidering Scorpius X-1 occultations
我们提出了一种新的方法来分析光变曲线的时间对称性,例如在天蝎座X-1掩星辩论的中心的X射线。我们的方法使用了一个新的参数化这样的事件(生物事件配置文件),并提供了一个明确的,物理上相关的表征每个事件的关键功能。我们还展示了马尔可夫链蒙特卡罗算法进行这种分析,包括一个新的独立链配置的估计每个事件的位置在光变曲线。这些工具被应用于张等人(2007)提出的天蝎座X-1光变曲线,提供了基于时间序列的额外证据,表明迄今为止探测到的事件很可能不是TNO的掩星。
2009-04-04 astro-ph.EP astro-ph.IM stat.AP
Bayesian Semiparametric Joint Modeling of Gap-Time Distribution for Multitype Recurrent Events and a Terminal Event
针对多类型复发事件与终点事件,提出一种基于间隔时间的贝叶斯半参数联合模型,通过共享脆弱性和伽马过程先验灵活量化事件依赖性,并开发高效MCMC算法,在模拟与ALLHAT数据中表现优越。
2025-09-12 stat.ME
Direct-Assisted Bayesian Unit-level Modeling for Small Area Estimation of Rare Event Prevalence
University of Washington(华盛顿大学)
本文提出两种单元级贝叶斯模型,利用高层直接估计提高稀有事件患病率小区域估计的聚合一致性,并应用于赞比亚新生儿死亡率估计。
2025-10-09 stat.AP stat.ME
Bayesian Nonparametric Inference for Panel Count Data with an Informative Observation Process
本文考虑了重复事件的面板计数数据分析。这种分析对于在临床试验和观察性研究中研究肿瘤或感染复发是有用的。提出了一个双变量高斯Cox过程模型,用于联合建模观测过程和复发事件过程。贝叶斯非参数推断提出了同时估计回归参数,二元脆弱性效应和基线强度函数。推理是通过马尔可夫链蒙特卡罗,充分发展的计算技术。预测推理下的贝叶斯设置也进行了讨论。通过仿真研究表明,该方法是有效的。皮肤癌患者的临床试验数据集进行了分析,以说明所提出的方法。
2017-12-11 stat.AP stat.ME
Bayesian random-effects meta-analysis of aggregate data on clinical events
University Medical Center Göttingen(哥廷根大学医学中心);University of Marburg(马尔堡大学);Merck KGaA(默克KGaA);DZHK (German Center for Cardiovascular Research)(德国心血管研究中心)
本文提出一种贝叶斯随机效应模型,用于分析罕见临床事件的干预效果,结合生存方法并进行敏感性分析和模拟验证。
2026-02-06 stat.ME
A Bayesian Dynamic Graphical Model for Recurrent Events in Public Health
为了分析某些类型的公共卫生干预措施的影响,我们需要估计适用于异质开放人群的处理效应和结果。动态修改包含风险群体的人群,这些群体对协变量的变化反应非常不同,这无疑是一项挑战。在这里,我们提出了一种新的贝叶斯图形模型,称为减少动态链事件图(RDCEG)定制这样的人群。这些模型将基于树的链事件图推广到一类特殊的图支持的半马尔可夫过程。它们提供了一个接口之间的自然语言解释什么可能发生在个人和正式的统计分析。在这里,我们展示了RDCEG如何能够表达每个脆弱个体的不同可能进展,以及该人群中不同个体之间这些进展中的概率对称性假设。我们展示了如何完善的贝叶斯网络技术可以几乎无缝地转移到这个类。我们的工作是出于对复发性事件过程的非药物干预建模的挑战。我们说明了我们的方法在两个设置:干预,以减少老年人之间的跌倒和试验,以检查延迟治疗的影响,个人提出的早期癫痫。
2019-10-11 stat.ME
Bayesian Bivariate Subgroup Analysis for Risk-Benefit Evaluation
亚组分析是评价观察到的基线患者特征之间处理效应异质性和治疗损害异质性的常用工具。虽然治疗疗效和不良事件指标通常分别报告每个亚组,但分析其亚组内联合分布对于更好地了解患者决策至关重要。在本文中,我们描述了用于进行亚组分析的贝叶斯模型,以比较两个治疗组之间主要终点和不良事件的联合发生率。我们的方法强调估计这种亚组间联合分布的异质性,我们的方法直接适应观察到的主要和不良事件组合数量较少的亚组。此外,我们描述了几种方法,其中我们的模型可用于生成每个亚组的获益-风险权衡的可解释的汇总指标。本文描述的方法通过一项大型心血管试验(N = 9,361)进行说明,该试验研究了将收缩压降低至低于正常目标的干预措施的有效性。
2018-08-11 stat.AP stat.ME
Peer-group Behaviour Analytics of Windows Authentications Events Using Hierarchical Bayesian Modelling
网络安全分析师每天都会收到越来越多的警报。这主要是由于许多现有的方法来检测威胁的精度低,产生大量的误报。通常,在计算机网络内实现若干基于签名和统计的异常检测器以检测威胁。最近在用户和实体行为分析建模方面的努力揭示了如何通过更好地了解对等群体行为来减轻安全运营中心分析人员的负担。从统计学上讲,这项挑战包括准确地将具有相似行为的用户分组,然后识别出那些偏离同龄人的用户。这项工作提出了一种新的方法,对等组的行为建模的Windows身份验证事件,使用分层贝叶斯模型的原则。这是一个两阶段的方法,在第一阶段,对等组是基于数据驱动的方法,给定用户的个人身份验证模式。在第二阶段中,用户认证到不同实体的计数按小时聚合,并通过泊松分布建模,同时考虑到季节性成分和分层原则。最后,我们比较分组用户的基础上,他们的人力资源记录对数据驱动的方法,并提供经验证据减少警报的真实世界的认证数据集,从一个大的企业网。
2022-09-27 cs.CR stat.AP
Efficient Bayesian estimation for flexible panel models for multivariate outcomes: Impact of life events on mental health and excessive alcohol consumption
我们考虑的问题考虑估计一个多变量纵向面板数据模型,其结果可以是离散和连续变量的组合。这个问题是具有挑战性的,因为可能性通常是难以分析的。我们的文章既在方法上做出了贡献,也对应用程序做出了实质性的贡献。方法上的贡献是在面板数据文献中引入粒子Metropolis within Gibbs方法来进行贝叶斯推断,使用哈密顿蒙特卡罗(Neal 2011}建议对未知参数的向量进行采样。我们注意到,在面板数据模型中,我们的第二个贡献是应用我们的方法对严重的生活事件对心理健康和过度饮酒的影响进行认真的分析。这两个结果之间的依赖性可能会更加明显,当饮酒过量和心理健康状况差,这反过来又影响了生活事件如何影响结果的联合分布。
2017-09-23 stat.ME
Bayesian learning of COVID-19 Vaccine safety while incorporating Adverse Events ontology
虽然疫苗对结束COVID-19大流行至关重要,但公众对疫苗安全性的信心一直很脆弱。许多统计方法已应用于VAERS(疫苗不良事件报告系统)数据库,以研究COVID-19疫苗的安全性。然而,所有这些方法都忽略了不良事件(AE)本体。AE自然相关;例如,干呕、吞咽困难和反流事件均与消化系统异常相关。明确地将AE关系引入模型可以帮助在噪声中检测真实的AE信号,同时减少误报。我们提出了一个贝叶斯图形模型来估计所有的AE,同时将AE本体。我们提出了策略,以构建共轭形式导致一个有效的吉布斯采样器。基于后验分布,我们提出了一种阴性对照方法来减轻报告偏倚,并提出了一种富集方法来检测关注的AE组。使用模拟研究对所提出的方法进行了评估,并在研究COVID-19疫苗的安全性时进行了进一步说明。所提出的方法在R包\textit{BGrass}中实现,源代码可在https://github.com/BangyaoZhao/BGrass获得。
2022-02-10 stat.ME
Bayesian Semiparametric Joint Dynamic Model for Multitype Recurrent Events and a Terminal Event
Department of Biostatistics, School of Public Health, University of Alabama at Birmingham(阿拉巴马大学伯明翰分校公共卫生学院生物统计系)
本文提出一种贝叶斯半参数联合动态模型,用于分析多类型复发事件与终端事件之间的关系,并提供基于过去事件影响的风险评估方法。
2025-12-08 stat.ME
Generalized Bayesian Inference for Scientific Simulators via Amortized Cost Estimation
Tübingen AI Center(图宾根人工智能中心);Machine Learning in Science, Excellence Cluster Machine Learning, University of Tübingen(图宾根大学机器学习卓越集群科学机器学习系);Department Empirical Inference, Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所经验推断系)
本文提出摊还代价估计ACE,用神经网络学习参数模拟与观测间的期望代价并结合MCMC,实现误设科学模拟器的稳健、免重复模拟广义贝叶斯推断。
2023-11-02 cs.LG stat.ML
Conjunctive Bayesian networks
联合贝叶斯网络(CBN)是一种描述事件累积的图形模型,这些事件的发生顺序受到限制。一个CBN由一个(有限)事件集上的偏序给出。CBN通过允许事件的发生取决于一个以上的前驱事件来概括Desper等人的致癌树模型。本文研究了立方氮化硼的统计和代数性质。我们确定的最大似然参数,并提出了一个组合的解决方案的模型选择问题。我们的方法在两个数据集上表现良好,其中事件是与耐药性相关的HIV突变。最后研究了立方氮化硼的代数性质,证明了立方氮化硼经过坐标变换后是复曲面簇,其理想具有二次Gröbner基。
2007-11-27 math.CO math.ST stat.TH
Separating the Wheat from the Chaff: Bayesian Regularization in Dynamic Social Networks
近年来,人们对使用关系事件模型进行动态社会网络分析越来越感兴趣。这些模型的基础是“事件”的概念,定义为时间,发送者和接收者的一些社会互动的三元组。关系事件模型旨在回答的关键问题是什么驱动了参与者之间的社会互动。研究人员在研究中经常考虑大量的预测因子(包括外生变量、内生网络效应和各种交互效应)。然而,问题是采用过多的效应可能导致模型过拟合和膨胀的第一类错误率。因此,拟合模型很容易变得过于复杂,隐含的社会互动行为变得难以解释。这个问题的一个潜在的解决方案是使用收缩先验应用贝叶斯正则化。在本文中,我们提出了贝叶斯正则化方法的关系事件模型,使用四种不同的先验:一个平坦的先验模型,没有收缩效应,岭估计与正常的先验,贝叶斯套索与拉普拉斯先验,和马蹄估计与数值构造的先验,有一个渐近线在零。我们开发和使用这些模型的演员为导向的关系事件模型和二元关系为导向的关系事件模型。我们展示了如何将贝叶斯正则化方法应用于这些模型,并提供了关于哪种方法效果最好的见解以及如何在实践中应用它们的指导方针。我们的研究结果表明,收缩先验可以减少第一类错误,同时保持合理的高预测性能和产生简约的模型来解释社会网络行为。
2022-03-23 stat.ME
A Bayesian Joint Modelling of Current Status and Current Count Data
本文提出一种基于共享脆弱性的半参数回归贝叶斯联合建模方法,利用自适应Metropolis-Hastings算法估计重复与非重复事件的依赖程度及风险因素,并通过模拟和骨折-骨质疏松数据验证了有效性。
2024-10-13 stat.ME
Bayesian Network Enhanced with Structural Reliability Methods: Methodology
我们结合贝叶斯网络(BN)和结构可靠性方法(SRMs)创建一个新的计算框架,称为增强贝叶斯网络(eBN),工程结构和基础设施的可靠性和风险分析。贝叶斯网络是有效的表示和评估复杂的概率依赖结构,目前在基础设施和结构系统,他们促进贝叶斯更新的模型时,新的信息变得可用。另一方面,SRM能够准确评估由计算要求高的基于物理的模型表示的罕见事件的概率。通过结合这两种方法,eBN框架提供了一个统一的和强大的工具,有效地计算在复杂的结构和基础设施系统中,信息随时间演变的罕见事件的概率。通过几个概念性的例子来描述建模和有效地分析eBN的策略。配套文件适用于eBN方法的例子结构和基础设施系统。
2012-03-27 stat.AP stat.ME stat.ML