Bayesian Nonparametric Nonhomogeneous Poisson Process with Applications to USGS Earthquake Data
灰度估计是空间点模式数据统计分析中的一个常见问题。提出了一种基于有限混合模型(MFM)的空间点过程强度估计的非参数贝叶斯方法。MFM方法在考虑异质性的同时,对不同地区的空间点模式强度进行了相合估计。提出了一种有效的马尔可夫链蒙特卡罗(MCMC)算法。进行了广泛的模拟研究,以检查所提出的方法的经验性能。我们提出的方法的使用进一步说明了美国地质调查局(USGS)地震数据的地震灾害计划的分析。
2019-07-06 stat.AP stat.ME
Bayesian Nonparametric Calibration and Combination of Predictive Distributions
我们介绍了贝叶斯方法预测密度校准和组合,占参数的不确定性和模型集的不完整性,通过使用随机校准泛函和随机组合权重。在Ranjan,R.和Gneiting,T.(2010)和Gneiting,T.和Ranjan,R.(2013),我们使用无限beta混合物进行校准。所提出的贝叶斯非参数方法利用Dirichlet过程混合物的灵活性来实现线性组合预测分布的任何连续变形。推理过程是基于吉布斯抽样,并允许占混合物组分,混合物重量,和校准参数的数量的不确定性。在适当的条件下,给出了真密度未知时贝叶斯非参数校正的弱后验一致性。我们研究的方法,在模拟的例子与肥尾和多模态密度,并将其应用于密度预测的每日标准普尔回报和每日最大风速在法兰克福机场。
2016-10-25 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
Combining Random Walks and Nonparametric Bayesian Topic Model for Community Detection
几十年来,社区检测一直是一个活跃的研究领域。在所有的概率模型中,随机块模型一直是最流行的一种。提出了一种基于随机游动和分层Dirichlet过程的社区抽取概率模型RW-HDP。在RW-HDP中,在社交网络中进行的随机游动被视为文档;节点被视为单词。通过使用分层狄利克雷过程,一个非参数贝叶斯模型,我们不仅能够聚类节点到不同的社区,而且可以自动确定社区的数量。我们使用随机变分推断为我们的模型推理,这使得我们的方法的时间效率,可以很容易地扩展到一个在线学习算法。
2016-08-03 stat.AP stat.ML
Bayesian nonparametric statistics, St-Flour lecture notes
本文为2023年圣弗卢尔暑期学校讲义,系统介绍贝叶斯非参数统计的理论与方法。
2024-02-26 math.ST stat.TH
Comment on "Bayesian Nonparametric Inference - Why and How" by Mueller and Mitra
由于其极大的灵活性,非参数贝叶斯方法已被证明是一个有价值的工具,发现数据中的复杂模式。术语“非参数贝叶斯”表明,这些方法继承了经典非参数方法的无模型操作特性,以及贝叶斯程序提供的一致不确定性评估。然而,正如作者在文章的结论中所说,非参数贝叶斯方法可能更适合描述为“大规模参数”。此外,我认为,许多默认的非参数贝叶斯程序只是贝叶斯在最弱意义上的术语,不能假设提供诚实的评估不确定性仅仅因为他们携带贝叶斯标签。无论这些程序多么有用,我们都应该谨慎地宣传默认的非参数贝叶斯程序,因为它们要么是“无假设”的,要么是对我们的不确定性的描述。如果我们希望我们的非参数贝叶斯过程具有贝叶斯解释,我们应该修改默认的NP贝叶斯方法以适应真实的先验信息,或者至少仔细评估超参数对感兴趣的后验量的影响。
2013-04-12 stat.ME
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
A Nonparametric Bayesian Item Response Modeling Approach for Clustering Items and Individuals Simultaneously
项目反应理论(IRT)是一种流行的建模范式,用于根据测试或问卷中的离散反应来测量被试的潜在特质和项目属性。关于项目和个体的异质性模式检测的讨论非常有限。在本文中,我们介绍了一个非参数贝叶斯方法的聚类项目和个人同时在Rasch模型。具体来说,我们提出的方法是基于有限混合物(MFM)模型的混合。MFM同时获得项目和个体的聚类数和聚类配置。通过仿真研究评估了MFM Rasch模型下参数估计和参数聚类的性能,并应用实际数据集来说明MFM Rasch建模。
2020-05-29 stat.AP stat.ME
Nonparametric Bayesian methods for one-dimensional diffusion models
在本文中,我们回顾了最近发展的一维扩散模型的非参数贝叶斯推断方法。我们讨论了不同的可能的先验分布,计算问题,和渐近结果。
2013-03-04 stat.ME
Moment conditions and Bayesian nonparametrics
通过矩条件表达的模型是现代推理的核心。在这里,这些矩条件嵌入在非参数贝叶斯设置中。处理这样的模型在概率上并不简单,因为后验模型在流形上有支持。我们解决了相关问题,建立新的概率和计算工具,使用豪斯多夫措施来分析它们的真实和模拟数据。这些新方法涉及流形上的模拟,具有广泛的应用前景,包括对拟似然、线性和非线性回归、缺失数据和分层模型的贝叶斯分析。
2016-01-13 math.PR math.ST stat.AP
Bayesian Nonparametrics: An Alternative to Deep Learning
School of Electrical Engineering, Arizona State University(亚利桑那州立大学电气工程学院)
本综述系统阐述了贝叶斯非参数模型的理论基础与应用价值,重点展示其在多目标跟踪等复杂问题中作为深度学习替代方案的灵活性和有效性。
2024-03-29 cs.LG stat.ML
Compound decisions and empirical Bayes via Bayesian nonparametrics
University of Chicago(芝加哥大学)
本文通过贝叶斯非参数方法研究高斯序列复合决策问题,证明基于狄利克雷过程的估计器可实现接近最优的懊悔界,并展示后验均值贝叶斯规则的可接受性。
2026-09-10 econ.EM math.ST stat.ME
Shrinkage priors for nonparametric Bayesian prediction of nonhomogeneous Poisson processes
研究强度函数未知的非齐次泊松过程模型的非参数贝叶斯估计和预测问题。我们提出了一类强度函数的非正常先验。非参数贝叶斯推理与核混合的基础上类不当的先验被证明是有用的,虽然不当的先验还没有被广泛用于非参数贝叶斯问题。与有限维独立泊松模型相应的几个定理对具有无限维参数空间的非齐次泊松过程模型也成立。在Kullback-Leibler损失下证明了基于不适当先验的贝叶斯估计和预测是可容许的。研究了基于先验信息的贝叶斯推理的数值方法。
2021-05-08 math.ST stat.TH
Bayesian Nonparametric Models for Biomedical Data Analysis
在这篇论文中,我们开发了非参数贝叶斯模型用于生物医学数据分析。特别地,我们关注肿瘤异质性的推断和缺失数据的推断。首先,我们提出了一个贝叶斯特征分配模型的肿瘤亚克隆重建突变对。关键的创新在于使用映射到近端单核苷酸变体(SNV)对的短读段。相比之下,大多数现有方法仅使用未配对SNV的边缘读段。在相同的背景下,使用突变对,为了恢复亚克隆的系统发育关系,我们然后开发了贝叶斯树特征分配模型。与常用的特征分配模型相比,我们允许潜在的特征是依赖的,使用树结构来引入依赖。最后,我们提出了一个非参数贝叶斯方法来处理纵向研究中的单调缺失数据。与大多数现有的方法相比,我们的方法允许从辅助协变量中整合信息,并且能够捕获响应、缺失和辅助协变量之间的复杂结构。我们的模型通过模拟研究进行验证,并应用于现实世界的生物医学数据集。
2017-10-26 stat.AP stat.CO stat.ME
On Bayesian Nonparametric Continuous Time Series Models
本文是关于连续时间序列的贝叶斯非参数混合模型的一个注记。我们确定了这些模型的关键要求,然后确定有一个单一类型的模型,满足这一要求。事实证明,该模型在多个变点问题中是众所周知的。
2013-03-03 stat.ME
Bayesian Nonparametric Weighted Sampling Inference
历史上,在基于设计的调查环境中执行贝叶斯推断一直是一个挑战。本文提出了一个贝叶斯模型的抽样推断存在逆概率权重。我们使用一个分层的方法,在该方法中,我们在人口中的非抽样单位的权重分布模型,同时包括它们作为预测的非参数高斯过程回归。我们使用模拟研究来评估我们的程序的性能,并将其与经典的基于设计的估计。我们将我们的方法应用于脆弱家庭和儿童福利研究。我们的研究发现贝叶斯非参数有限总体估计比经典的基于设计的估计更鲁棒,而不会损失效率,这是因为我们诱导了小细胞的正则化,因此这是一种自动平滑高度可变权重的方法。
2015-09-04 stat.AP stat.CO stat.ME
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó,van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó,van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó,van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó,van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Bayesian nonparametric estimation of survival functions with multiple-samples information
在许多实际问题中,需要比交换矩阵更一般的依赖结构。例如,在某些情况下,部分交换是一个更合理的假设。由于这个原因,依赖贝叶斯非参数先验向量最近得到了普及。它们提供了灵活的模型,从计算和理论的角度来看是易于处理的。在本文中,我们专注于他们的使用估计生存函数与多样本信息。我们的方法允许建立模型的生存时间之间的依赖关系,不同的观察组和扩展以前的工作到任意的维度。提供了有关完全随机测量的基础相关向量的后验行为的理论结果。该模型的性能进行了测试模拟数据集所产生的分布克莱顿copula。
2018-03-18 stat.AP stat.CO stat.ME
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó,van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
A Bayesian nonparametric test for conditional independence
本文介绍了一种贝叶斯非参数方法,用于量化数据集中的相对证据,以支持两个变量在第三个变量条件下的依赖或独立。该方法使用Polya树先验空间的条件概率密度,占不确定性的形式的基本分布的非参数的方式。贝叶斯观点提供了条件依赖性或独立性的固有对称概率测度,这是在因果发现中特别有利的特征,并且在这种类型的现有程序中没有采用。
2020-07-16 stat.CO stat.ME stat.ML
Bayesian nonparametric analysis for a species sampling model with finitely many types
本文对Gnedin(2009)提出的一类具有多种Gibbs形式的种群抽样模型进行了显式贝叶斯非参数分析,该模型具有$α= -1$型.我们的结果补充了Lijoi等人(2008)提出的$α\in [0, 1)$型Gibbs先验下的现有分析。计算依赖于Cerquetti(2008)中引入的Gibbs分区的组顺序构造。
2010-01-01 math.PR math.ST stat.TH
A Tutorial on Bayesian Nonparametric Models
统计建模中的一个关键问题是模型选择,即如何在适当的复杂程度上选择模型。这个问题出现在许多设置中,最突出的是在混合模型中选择聚类数或因子分析中选择因子数。在本教程中,我们将描述贝叶斯非参数方法,这是一类通过允许数据确定模型复杂性来回避这个问题的方法。本教程是对贝叶斯非参数方法的高级介绍,并包含其应用的几个示例。
2011-08-04 stat.ME stat.ML
On some Bayesian nonparametric estimators for species richness under two-parameter Poisson-Dirichlet priors
我们提出了一种替代方法的贝叶斯非参数分析条件下的物种丰富度的两个参数泊松Dirichlet先验。我们依赖于一个已知的特征删除类属性和Beta-二项分布的结果。除了导致简化和更直接的证明,我们的建议提供了一个新的规模混合表示的条件渐近律。
2010-02-02 math.PR math.ST 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
Nonparametric Bayesian label prediction on a graph
一个非参数贝叶斯方法来解决图上的二进制分类问题的实现。被认为是一个随机缩放高斯先验的分层贝叶斯方法。先验使用图拉普拉斯算子来考虑图的底层几何形状。提出了一种基于理论上最优先验的方法和一种更灵活的利用部分共轭的方法。两个模拟数据的例子和两个例子,使用真实数据,以说明所提出的方法。
2017-06-15 stat.CO stat.ML
Marginally Constrained Nonparametric Bayesian Inference through Gaussian Processes
非参数贝叶斯模型通常用作复杂数据的灵活和强大的模型。很多时候,统计学家可能对感兴趣的数据分布有额外的信息信念,例如,它的均值或子集分量,不是非参数先验的一部分,甚至与非参数先验不相容。一个重要的挑战是将这种部分先验信念纳入非参数贝叶斯模型。在本文中,我们的动机设置从业者有额外的分布信息的一个子集的坐标的观测建模。我们的方法将这个问题与条件密度模型联系起来。我们的主要思想是一种新的约束贝叶斯模型,基于一个扰动的参数分布与变换高斯过程之前的扰动函数。我们还开发了相应的后验抽样方法的基础上的数据增强。我们说明了我们提出的约束非参数贝叶斯模型在各种现实世界的情况下,包括建模环境和地震数据的有效性。
2022-11-05 stat.CO stat.ME
Nonparametric Bayesian label prediction on a large graph using truncated Laplacian regularization
本文描述了一个非参数贝叶斯方法来解决图上的二进制分类问题的实现。我们考虑一个分层贝叶斯方法与前,通过截断一系列扩展的软标签函数使用图形拉普拉斯特征函数作为基函数。我们比较我们的截断之前的未截断的拉普拉斯算子为基础的模拟和真实数据的例子,以说明改进的可扩展性方面的基础图形的大小。
2018-04-13 stat.CO stat.ML
Rejoinder to discussions of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
对Szabó、van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率主义覆盖”的反驳[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Bayesian Nonparametric Density Estimation under Length Bias
一个密度估计方法在贝叶斯非参数框架下,当记录的数据不是直接来自感兴趣的分布,但从一个长度偏置的版本。从贝叶斯的角度来看,由于无法规避归一化常数的问题,有条件地对长度偏差数据进行计算评估后验量的努力受到了阻碍。在本文中,我们提出了一种新的贝叶斯非参数方法的长度偏差抽样问题,它绕过了归一化常数的问题。给出了数值例子和一个实际数据例子,并将该估计量与Jones(1991)的间接数据核密度估计量进行了比较。
2015-10-22 math.ST stat.TH
Anomaly detection in video with Bayesian nonparametrics
提出了一种新的动态贝叶斯非参数主题模型用于视频异常检测。批处理和在线吉布斯采样器的推理。本文介绍了一种新的决策异常测度。所提出的方法进行了评估合成和真实数据。与非动态模型的比较表明,所提出的动态异常检测的分类性能方面的优越性。
2016-06-27 stat.ML
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
Bayesian Nonparametrics in Topic Modeling: A Brief Tutorial
在贝叶斯分层建模中,越来越多地探索使用非参数方法作为增加模型灵活性的一种方式。虽然该领域显示出很大的希望,但许多模型(包括层次狄利克雷过程(HDP))中的推理仍然非常缓慢。一个有前途的路径是利用印度自助过程(IBP)中固有的子模块性,在多项式时间内获得接近最优的解决方案。在这项工作中,我将提出一个关于贝叶斯非参数方法的简短教程,特别是当它们应用于主题建模时。我将展示不同的非参数模型和当前最先进的参数模型,潜在狄利克雷分配(LDA)之间的比较。
2015-01-16 stat.ML
Scalable Bayesian nonparametric measures for exploring pairwise dependence via Dirichlet Process Mixtures
在这篇文章中,我们提出了新的贝叶斯非参数方法,使用Dirichlet过程混合(Dirichlet Process Mixture)模型来检测随机变量之间的成对依赖关系,同时考虑潜在分布形式的不确定性。一个关键的标准是,这些程序应该扩展到大型数据集。在这方面,我们发现,正式计算的贝叶斯因子的依赖与。独立联合概率测度在计算上是不可行的。为了解决这个问题,我们提出了贝叶斯诊断措施,对成对独立的“空模型”的特征证据。在模拟研究中,以及一个真正的数据分析,我们表明,我们的方法提供了一个有用的工具,探索性的非参数贝叶斯分析的大型多元数据集。
2016-04-27 stat.ME
Bayesian Nonparametric Model for Weighted Data Using Mixture of Burr XII Distributions
狄利克雷过程混合模型(DPMM)是一种流行的贝叶斯非参数模型。在本文中,我们将此模型应用于加权数据,然后使用梅特罗波利斯-黑斯廷斯算法从相应的加权分布估计未加权分布。然后,我们应用DPMM与不同的内核模拟和真实的数据集。特别是,我们在删失数据的存在下使用寿命数据,然后计算估计的密度和生存值。
2018-12-11 stat.CO stat.ME
Rediscovery of Good-Turing estimators via Bayesian nonparametrics
估计发现概率的问题起源于统计生态学的背景下,近年来,它已成为流行的,由于其频繁出现在遗传学,生物信息学,语言学,实验设计,机器学习等具有挑战性的应用程序。一个全方位的统计方法,参数和非参数以及频率论和贝叶斯,已经提出了估计发现概率。在本文中,我们研究了著名的古德图灵方法,这是一个频率主义的非参数方法在20世纪40年代,最近在文献中介绍的贝叶斯非参数方法之间的关系。具体而言,假设两个参数的泊松-狄利克雷先验,我们证明了贝叶斯非参数估计的发现概率是渐近等价的,对于一个大的样本量,适当地平滑好图灵估计。作为这个结果的副产品,我们介绍和调查的方法来获得准确和渐近的可信区间与发现概率的贝叶斯非参数估计。所提出的方法是说明通过一个全面的模拟研究和分析所产生的表达序列标签数据的基准互补DNA文库测序。
2015-06-16 stat.ME
Deep Bayesian Nonparametric Factor Analysis
Columbia University(哥伦比亚大学)
我们提出了一个深度生成因子分析模型与beta过程之前,可以近似复杂的非阶乘分布的潜在代码。我们概述了一个随机的期望最大化算法可扩展的推理在这个模型的一个特定的实例,并提出了一些初步的结果。
2020-11-09 cs.LG stat.ML
System identification using Bayesian neural networks with nonparametric noise models
系统辨识在科学和工程中具有特殊的意义。本文研究随机动态系统中的系统辨识问题,其目的是估计系统的参数及其未知噪声过程。特别是,我们提出了一个贝叶斯非参数方法的系统识别离散时间非线性随机动力系统假设只有马尔可夫过程的顺序是已知的。该方法取代了高斯分布的误差分量的假设与一个高度灵活的家庭的概率密度函数的基础上贝叶斯非参数先验。此外,利用贝叶斯神经网络估计系统的函数形式,这也导致灵活的不确定性量化。在隐层神经元个数上,该模型渐近收敛于完全非参数贝叶斯回归模型。提出了一种用于后验推理的Gibbs采样器,并在模拟和真实时间序列上说明了其有效性。
2022-01-25 stat.ME stat.ML
Nonparametric hierarchical Bayesian quantiles
在这里,我们开发了一种方法进行非参数贝叶斯推断的分位数。依靠几何测度理论和采用Hausdorff基测度,我们能够指定有意义的先验的分位数,而处理的数据分布,否则非参数。我们进一步扩展的方法,一个层次模型的分位数的亚群,仅通过他们的分位数连接在一起的子组。我们的方法是计算简单,允许审查和噪声数据。我们展示了模拟数据和应用问题,从体育统计,它被观察到稳定和改善推理和预测的建议的方法。
2016-05-11 stat.ME
Bayesian nonparametric estimation for Quantum Homodyne Tomography
我们估计的量子态的光束从量子零差层析噪声测量的结果进行了同样准备的量子系统。我们提出了两种贝叶斯非参数方法。第一种方法是基于混合模型,并通过仿真例子说明。第二种方法是基于随机基展开。我们研究了第二种方法的理论性能,通过量化的收缩率的后验分布周围的真正的量子态在$L^2$度量。
2016-10-06 math.ST stat.TH
Superiority of Bayes estimators over the MLE in high dimensional multinomial models and its implication for nonparametric Bayes theory
本文重点讨论了贝叶斯估计的性能,与极大似然估计相比,在多项模型与相对较大的细胞。贝叶斯估计的先验被认为是共轭狄利克雷,即,多变量Beta,在坐标上具有可交换的分布,包括无信息的均匀分布。选择多项式的动机是它在商业和工业中的许多应用,但也是为了提供一个简单的未知分布的非参数估计。令人惊讶的是,贝叶斯过程优于渐近有效的MLE在大多数的参数空间,即使是适度的大尺寸参数空间和相当大的样本量。
2019-10-05 math.ST stat.TH
Bayesian nonparametric models for ranked data
INRIA(法国国家信息与自动化研究所)
我们开发了一个贝叶斯非参数扩展流行的Plackett-Luce选择模型,可以处理无限数量的选择项目。我们的框架是基于随机原子措施的理论,事先指定的伽马过程。我们推导出一个后验特征和一个简单有效的吉布斯采样后验模拟。我们开发了一个随时间变化的扩展我们的模型,并将其应用到纽约时报的每周畅销书名单。
2012-11-19 cs.LG stat.ME stat.ML
Uncertainty Quantification for nonparametric regression using Empirical Bayesian neural networks
我们提出了一种新的,两步经验贝叶斯类型的神经网络的方法。我们表明,在上下文中的非参数回归模型的程序(对数因子)提供了最佳的恢复感兴趣的基本功能参数,并提供贝叶斯可信的频率覆盖保证集。该方法只需拟合神经网络一次,因此比Bootstrapping类型的方法快得多。我们证明了我们的方法在合成数据,观察良好的估计性能和可靠的不确定性量化的适用性。
2022-04-28 math.ST stat.TH
Consistent nonparametric Bayesian inference for discretely observed scalar diffusions
研究了离散时间低频数据下一维遍历扩散模型的非参数漂移估计问题的贝叶斯方法。我们给出了后验一致性的条件,并验证了这些条件的具体先验,包括先验小波展开的基础上。
2013-01-31 math.ST stat.TH
A nonparametric regression alternative to empirical Bayes approaches to simultaneous estimation
本文针对同时估计问题提出一种完全频率学派的非参数回归替代方案,通过惩罚回归和形状约束避免贝叶斯推理,并证明其具有渐近最优遗憾且在模拟和基因表达数据分析中表现优异。
2023-05-29 math.ST stat.TH
A Bayesian Nonparametric System Reliability Model which Integrates Multiple Sources of Lifetime Information
我们提出了一个贝叶斯非参数系统可靠性模型,该模型具有很好的可扩展性,并提供了很大的灵活性建模。贝叶斯方法自然地处理可能存在的不同数量的组件和子系统数据。然而,传统的贝叶斯可靠性模型是相当复杂的计算,依赖于MCMC技术。我们的方法利用了beta-Stacy过程的共轭性质,这是我们模型的基本构建块。使用矩估计方法将这些单独的模型链接在一起。该模型计算速度快,允许右删失数据,并用于估计和预测系统的可靠性。
2022-03-21 stat.ME
Wasserstein posterior contraction rates in non-dominated Bayesian nonparametric models
后验收缩率(PCR)加强了贝叶斯一致性的概念,量化了后验分布集中在真实模型的任意小邻域的速度,随着样本量趋于无穷大,概率趋于1或几乎肯定。在贝叶斯非参数框架下,PCR研究中的一个常见假设是模型对观测值占主导地位;也就是说,假设后验可以通过贝叶斯公式表示。在本文中,我们考虑的问题,建立PCR的贝叶斯非参数模型的后验分布是不能通过贝叶斯公式,因此模型是非支配的观察。通过Wasserstein距离和一个合适的筛选结构,我们的主要结果建立了贝叶斯非参数模型的PCR后验是通过一个更一般的解体比贝叶斯公式。据我们所知,这是第一个通用的方法,提供非支配贝叶斯非参数模型中的PCR,它依赖于最小的建模假设和一个合适的连续性假设的后验分布。在对先验分布作了进一步假设的情况下,对所得结果进行了改进,并给出了Dirichlet过程先验和标准化扩展Gamma过程先验的应用.
2022-01-28 math.PR math.ST stat.TH
Fuzzy sets in nonparametric Bayes regression
一个简单的贝叶斯方法非参数回归描述使用模糊集和隶属函数。隶属函数被解释为未知回归函数的似然函数,因此借助于参考先验,它们可以被转换为先验密度函数。未知的回归函数被分解成小波和分层贝叶斯方法是用于对所得到的小波系数进行推断。
2008-05-21 math.LO math.ST stat.ME
A Unified Bayesian Nonparametric Framework for Ordinal, Survival, and Density Regression Using the Complementary Log-Log Link
本文提出统一贝叶斯非参数框架,利用互补对数-对数链接解决有序回归、生存分析和密度回归问题,结合贝叶斯加性回归树实现便捷计算并验证理论性质。
2025-02-02 stat.ME
A Bayesian Nonparametric Approach to Dynamical Noise Reduction
基于马尔可夫链蒙特卡罗方法(MCMC),提出了一种贝叶斯非参数降噪方法,用于对被动态噪声污染的混沌时间序列进行降噪.潜在的未知噪声过程(可能)表现出重尾行为。我们介绍了动态降噪复制器(DNRR)模型,我们重建未知的动态方程,并在并行我们复制的动态降低噪声水平的动态扰动。动态噪声降低过程中,具体证明了在多项式映射的情况下。基于合成时间序列的仿真。
2018-02-17 nlin.CD stat.ME
A Bayesian Nonparametric Perspective on Mahalanobis Distance for Out of Distribution Detection
Electrical and Computer Engineering Department(电气与计算机工程系);Duke University(杜克大学);Statistics Department(统计学系);Stanford University(斯坦福大学);Wu Tsai Neurosciences Institute(吴泰教授神经科学研究所)
本文通过建立贝叶斯非参数模型与相对马氏距离评分(RMDS)之间的形式关系,提出具有分层先验的贝叶斯非参数混合模型来推广RMDS,并在OpenOOD基准上证明其在训练类协方差结构不同且每类数据点较少时优于现有方法。
2026-05-27 cs.LG stat.ML
Nonparametric Bayesian estimation of multivariate Hawkes processes
本文研究了多变量Hawkes过程参数的非参数估计。我们考虑贝叶斯设置和推导后验浓度率。第一速率导出的L1度量的随机强度的霍克斯过程。然后,我们推导出速率的L1-范数的相互作用函数的过程。我们的研究结果举例说明使用先验的基础上分段常数函数,定期或随机分区和先验的基础上的混合贝塔分布。数值例子,然后提出了在考虑应用推断功能连接图的神经元。
2018-03-26 math.ST stat.TH