A Bayesian Evidence Synthesis Approach to Estimate Disease Prevalence in Hard-To-Reach Populations: Hepatitis C in New York City
估计纽约市（NYC）慢性丙型肝炎（HCV）患病率的现有方法范围有限，无法评估难以接触的高风险亚群，如注射毒品使用者（IDUs）。为了解决这些局限性，我们采用贝叶斯多参数证据合成模型，系统地结合多个数据来源，在某些数据来源的偏见，并提供无偏的HCV患病率估计与相关的不确定性。我们的方法通过明确考虑注射毒品使用并包括来自高风险亚群（如被监禁者）的数据，改进了以前的估计，并且更具包容性，利用了10个纽约市数据来源。此外，我们推导出两个新的方程，允许年龄在第一次注射毒品使用数据的前和当前的注射吸毒者被纳入贝叶斯证据合成，第一次为这种类型的模型。截至2012年，我们估计纽约市20-59岁成年人的总体HCV患病率为2.78%（95% CI 2.61-2.94%），代表124，900至140，000例慢性HCV病例。这些估计表明，纽约市的HCV流行率高于先前从家庭调查（2.2%）和监测系统（2.37%）中显示的，并且在纽约市年轻注射成年人中HCV传播正在增加。从我们的研究结果中获得的一个附带好处是对纽约市目前20-59岁的注射吸毒者的估计：0.58%或27，600人。
2018-01-14 stat.AP
Privacy Protection for Youth Risk Behavior Using Bayesian Data Synthesis: A Case Study to the YRBS
大量公开的调查数据集种类繁多，虽然有用，但引起了受访者对隐私的担忧。数据隐私和保密性的合成数据方法已被证明在隐私保护和效用维护方面是有用的。本文旨在说明如何合成数据可以促进高度敏感的信息传播的青年风险行为的样本的青年风险行为调查（YRBS）的合成数据的案例研究。鉴于YRBS中几乎所有变量的分类性质，采用Dirichlet过程多项乘积混合（DPMPM）合成器对YRBS样本进行部分合成。对效用和披露风险的详细评估表明，与YRSB机密样本相比，生成的合成数据能够显着降低披露风险，同时保持高水平的效用。
2022-05-22 stat.AP
Bayesian Quantile-Based Correction and Synthesis of Hydrologic Products
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
本研究提出基于DQLMs的贝叶斯分位数校正合成框架，结合多源水文数据，实现中期流量预报及多水平不确定性量化，为水文预报提供有效方法。
2026-08-18 stat.AP
Bayesian Model Calibration and Sensitivity Analysis for Oscillating Biological Experiments
针对振荡生物学实验中两类实验协调的统计难题，提出基于先进MCMC技术的贝叶斯校准框架及干预后验灵敏度分析方法，并通过粗糙脉孢霉昼夜节律振荡验证了有效性。
2024-12-13 stat.AP
Dynamic Bayesian regression quantile synthesis for forecasting outlook-at-risk
Meiji University（明治大学）；Keio University（庆应义塾大学）；Nagoya University（名古屋大学）
本文提出动态贝叶斯回归分位数合成方法，通过引入时间变化的潜在因子结构，提升多变量时间序列的分位数预测性能。
2026-03-12 stat.AP stat.ME
Estimating maternal mortality using data from national civil registration vital statistics systems: A Bayesian hierarchical bivariate random walk model to estimate sensitivity and specificity of reporting
民事登记人口动态统计数据被用于编制国家孕产妇死亡率估计数，但由于对孕产妇死亡的错误分类，这些数据往往存在重大报告错误。可以通过比较基于民事登记和人口动态统计系统的孕产妇和非孕产妇死亡人数与从专门研究中获得的人数来评估民事登记和人口动态统计系统的准确性，专门研究是对特定国家时期孕产妇死亡率的严格评估。我们开发了贝叶斯双变量随机游动模型，以估计CRVS数据中孕产妇死亡率报告的敏感性和特异性，以及相关的CRVS调整因子。该模型适用于民事登记和人口动态统计的全球数据集和专门研究数据。验证工作表明，该模型在预测没有专门研究的国家时期基于CRVS的孕产妇死亡比例方面表现良好。联合国孕产妇死亡率机构间小组在使用民事登记和人口动态统计数据估计孕产妇死亡率时使用了新模型来解释错误分类错误。
2019-09-18 stat.AP
Bayesian Evidence Synthesis for the common effect model
University of Ioannina（约阿尼纳大学）；University Medical Center Utrecht（乌得勒支大学医学中心）；Athens University of Economics and Business（雅典经济与商业大学）；Utrecht Unversity（乌得勒支大学）
本文提出了一种基于贝叶斯因子的共同效应模型证据合成方法，结合了频率学和贝叶斯证据的相互作用，并通过模拟和实际案例验证了方法的有效性。
2026-01-19 stat.AP stat.ME
General Bayesian Predictive Synthesis
本文提出GBPS方法，在贝叶斯框架下通过损失最小化整合专家预测分布，无需参数估计，并以模拟研究验证其用于贝叶斯集成决策的性能。
2024-06-13 stat.ME
Bayesian Nonparametrics for Gene-Gene and Gene-Environment Interactions in Case-Control Studies: A Synthesis and Extension
St. Xavier’s College (Autonomous), Kolkata（加尔各答圣泽维尔学院（自治））；Indian Statistical Institute, Kolkata（加尔各答印度统计研究所）
本文提出了一种新的贝叶斯非参数方法，用于分析基因-基因和基因-环境相互作用，通过综合和扩展方法，提高了对复杂性状变异的解释能力。
2026-02-17 stat.AP stat.ME
Bayesian Predictive Decision Synthesis
该研究提出贝叶斯预测决策综合（BPDS）方法，以决策导向视角拓展模型不确定性研究，通过新颖的主观贝叶斯模型加权视角，将决策分析结果整合到多模型评估比较中，并在回归设计、金融预测等场景验证了有效性。
2023-05-05 math.ST stat.ME stat.TH
A robust Bayesian bias-adjusted random effects model for consideration of uncertainty about bias terms in evidence synthesis
荟萃分析是一种用于证据合成的统计方法，用于合并、分析和总结具有相同目标终点的研究，旨在使用固定和随机效应模型或网络模型得出汇总的定量估计值。纳入研究之间的差异取决于目标人群的差异（即异质性）以及研究设计和执行导致的研究质量差异（即偏倚）。偏倚风险通常采用批判性评价进行定性评估，定量偏倚分析可用于评估偏倚对感兴趣数量的影响。我们提出了一种方法来考虑无知或模糊性，在如何量化偏差分析中的偏差项，通过不精确性（作为概率界限）来表征偏差，并使用鲁棒贝叶斯分析来估计整体效果。稳健贝叶斯分析在这里被视为在一组相干概率分布上执行的贝叶斯更新，其中该组来自一组偏差项。我们展示了如何根据对偏差相对大小的判断来指定偏差项的集合（即，低、不清楚和高偏倚风险）。为了说明，我们应用了一个强大的贝叶斯偏倚调整随机效应模型，已经发表的荟萃分析利妥昔单抗对类风湿关节炎的影响，从Cochrane系统评价数据库。
2022-04-22 stat.AP stat.ME
Risk-Efficient Bayesian Data Synthesis for Privacy Protection
统计机构利用模型来综合答复者一级的数据，以便向公众发布，以保护隐私。在这项工作中，我们有效地诱导隐私保护到任何贝叶斯合成模型，通过采用伪似然指数每个可能性贡献的观察记录索引的权重在[0，1]，定义为成反比的识别风险的记录。我们从记录的识别风险的边际概率开始，它由记录的身份可能被披露的概率组成。我们对美国劳工统计局消费者支出调查（CE）的应用表明，轻微风险调整的合成器提供了整体改善的隐私保护;然而，由于加权后隔离度增加，在风险调整的伪后验估计合成后，一些中等风险的记录的识别风险实际上增加了;我们将这种现象称为“打地鼠”。我们继续从与其他记录的成对识别风险概率的集合中为每个记录构建权重，其中每个成对概率测度重新识别该对记录的联合概率，这减轻了打地鼠问题，并产生了一组更有效的合成数据，其对于CE数据具有更低的风险和更高的效用。
2021-02-08 stat.AP stat.ME
Stochastic Modeling of Composite Interfaces: Sensitivity to Spatial Correlation and Bayesian Identification from Standard Fracture Tests
Airbus Operation SAS（空中客车运营股份公司）；DTIS, ONERA, Université de Toulouse（图卢兹大学国家航空航天研究学院）；DMAS, ONERA, Université Paris-Saclay（巴黎萨克雷大学国家航空航天研究学院）
提出随机有限元框架，通过空间相关随机场表征界面变异性，从标准断裂试验中利用近似贝叶斯计算提取关键参数，提升航空复合材料可靠性评估。
2026-07-21 stat.AP
Combining support for hypotheses over heterogeneous studies with Bayesian Evidence Synthesis: A simulation study
本研究通过蒙特卡洛模拟评估贝叶斯证据综合在异质性研究间汇总假设支持的性能，证明其能处理复杂假设且不受方法论差异影响，为传统方法失效时提供新工具。
2023-12-22 stat.ME
Rapid Bayesian optimisation for synthesis of short polymer fiber materials
新材料合成工艺的发现涉及到工艺设计、操作和材料性能等诸多方面的决策。实验是至关重要的，但随着复杂性的增加，使用传统的组合方法探索变量可能变得不切实际。我们描述了一种迭代方法，它使用机器学习来优化过程开发，将多个定性和定量目标。我们展示了一种新的流体加工平台的方法，用于合成短聚合物纤维，并显示了如何合成过程可以有效地实现材料和工艺目标。
2018-02-16 physics.comp-ph stat.ML
Bayesian reconstruction of past land-cover from pollen data: model robustness and sensitivity to auxiliary variables
过去的土地覆盖的现实需要调查史前环境变化，人为砍伐森林的影响，以及长期的土地覆盖气候反馈。基于观测的过去土地覆盖的重建是罕见的，常用的基于模型的重建表现出相当大的差异。最近，\citet [空间统计学，24：14--31，][]{PirzaLPG2018_24}开发了一种统计插值方法，可以从花粉组合中生成过去土地覆盖的空间完整重建。这些重建包含许多辅助数据集，这引发了有关该方法对不同辅助数据集的敏感性的问题。在这里，通过在三个时间段（1900 CE，1725 CE和4000 BCE）进行空间重建北欧的方法的灵敏度进行检查。所考虑的辅助数据集包括过去土地覆盖数据的最常用来源-例如由动态植被模型和人为土地覆盖变化模型得出的估计数。考虑了五个不同的辅助数据集，包括驱动DVM的不同气候数据和不同的ALCC模式。还使用交叉验证对所有时间段的重建结果进行了评估。对于最近的时间段，1900 CE，不同的土地覆盖重建与当今的森林地图进行了比较。验证证实，统计模型提供了一个强大的空间插值工具，具有低灵敏度的辅助数据的差异和高容量的花粉为基础的代理数据捕获信息。具有高空间细节的更多辅助数据可以提高地形复杂或观测数据较少的地区的模型性能。
2018-11-03 stat.AP
Bayesian multi-parameter evidence synthesis to inform decision-making: a case study in hormone-refractory metastatic prostate cancer
在卫生技术评估方面，决策是根据复杂的成本效益模型作出的，而要执行这些模型，需要许多输入参数。当一些相关的估计数不可用时，可能需要简化模型。多参数证据合成允许结合来自不同证据来源的数据，从而获得临床决策所需的估计值，否则可能无法获得。我们演示了如何双变量荟萃分析（BVMA）可以用来预测未报告的估计的处理效应，使多状态马尔可夫模型的实施，否则需要简化。为了说明这一点，我们使用了多西他赛联合泼尼松龙治疗转移性难治性前列腺癌（mHRPC）的成本-效果分析的例子。在一项评价多西他赛的研究中，使用BVMA对关于总生存期（OS）和无进展生存期（PFS）的处理效应的联合可用数据进行建模，以预测未报告的对PFS的影响。预测的对PFS的处理效应允许实施三态马尔可夫模型，包括疾病稳定、疾病进展和死亡状态，而缺乏估计值将模型限制为两态模型（疾病稳定和死亡状态）。通过计算增量成本-效果比比较了两状态和三状态模型，三状态模型的增量成本-效果比要低得多：每QALY获得21966英镑，而两状态模型获得30026英镑。与两态模型相比，三态模型的优势在于区分了进展的患者和未进展的患者。使用先进的荟萃分析技术有助于获得相关参数估计，以填充更准确描述自然史的模型，同时有助于防止有价值的临床数据被丢弃。
2017-05-31 stat.AP
Sensitivity Analysis for Predictive Uncertainty in Bayesian Neural Networks
我们推导出一种新的敏感性分析的输入变量预测认知和任意的不确定性。我们使用贝叶斯神经网络作为一个模型类的潜在变量，并说明我们的敏感性分析对现实世界的数据集的有用性。我们的方法增加了复杂的黑盒概率模型的可解释性。
2017-12-10 stat.ML
Two-Phase Data Synthesis for Income: An Application to the NHIS
我们提出了一个两阶段的合成过程，合成收入，一个敏感的变量，通常是高度倾斜，并有一些报告的零。我们考虑两种形式的连续收入变量：二元形式，在第1阶段建模和合成;非负连续形式，在第2阶段建模和合成。贝叶斯综合模型提出的两阶段的合成过程中，和其他合成模型是容易实现的。我们展示了我们的方法与应用程序的样本从全国健康访谈调查（NHIS）。所生成的合成数据集的效用和风险概况进行了评估，并与单相合成过程的结果进行了比较。
2020-07-22 stat.AP
{poscosea} : A Computationally Efficient Sensitivity Analysis for Bayesian Models using the posterior covariance representation
Okayama University（冈山大学）；The Institute of Statistical Mathematics（统计数学研究所）
本文针对贝叶斯模型敏感性分析的高计算成本问题，提出无需重复重拟合模型的PosCoSeA方法，经模拟与真实生态数据验证，还配套提供R包方便应用。
2026-08-27 stat.AP stat.ME
Bayesian Generative Adversarial Networks via Gaussian Approximation for Tabular Data Synthesis
Department of Social Statistics, The University of Manchester（社会统计系，曼彻斯特大学）；Alliance Manchester Business School, The University of Manchester（曼彻斯特商业联盟学院，曼彻斯特大学）
本文提出GACTGAN，通过高斯近似技术在CTGAN中整合贝叶斯后验近似，以更高效地生成表格数据，提升数据结构和统计信息的保真度并降低隐私风险。
2026-02-25 cs.LG stat.ML
A Practical Framework for Sensitivity Analysis in Externally Controlled Trials: An Illustration with a Bayesian Hybrid Evidence Synthesis Case Study
AbbVie（艾伯维）
针对外部对照试验中借用假设的敏感性分析缺乏结构化模板的问题，提出一个三支柱框架，包含八种模块化分析，并通过模拟数据示例展示其应用。
2026-06-29 stat.AP stat.ME
BOiLS: Bayesian Optimisation for Logic Synthesis
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；University College London（伦敦大学学院）
在逻辑综合过程中优化电路的结果质量（QoR）是一个艰巨的挑战，需要探索指数大小的搜索空间。虽然专家设计的操作有助于发现有效的序列，但逻辑电路复杂性的增加有利于自动化程序。受机器学习成功的启发，研究人员将深度学习和强化学习应用于逻辑合成应用。无论多么成功，这些技术都受到高样本复杂性的影响，从而阻止了广泛采用。为了实现高效和可扩展的解决方案，我们提出了BOiLS，第一个算法适应现代贝叶斯优化导航空间的合成操作。BOiLS不需要人为干预，并通过新颖的高斯过程内核和信任区域约束采集有效地权衡探索与开发。在EPFL基准测试的一组实验中，我们证明了BOiLS在样本效率和QoR值方面的优越性能。
2021-11-11 cs.LG stat.ML
Evolutionary Structural Shift in Security Screening Sensitivity within the U.S. Aviation Network: A 15-Year Longitudinal Bayesian Assessment (2010-2024)
Purdue University（普渡大学）
本文通过三级分层贝叶斯模型分析2010-2024年间美国国内航空网络航班延误的演变因果机制，发现安全延误在疫情前后呈现结构性转变，从负向缓冲器转变为正向延迟驱动因素。
2026-03-25 stat.AP
Sensitivity Analysis of Wind Energy Resources with Bayesian non-Gaussian and nonstationary Functional ANOVA
从不可再生能源向可再生能源的过渡是一项全球性的社会挑战，对于发展中国家来说，制定可持续的能源组合是一项特别艰巨的任务，因为这些国家几乎没有关于风能等可再生资源丰富程度的信息。在沙特阿拉伯这样一个幅员辽阔、地理分布多样的国家，观测数据稀少，天气模型模拟是获得此类信息的关键。然而，这种模型的输出是不确定的，因为它取决于输入，如物理过程的参数化和模拟域的空间分辨率。在这种情况下，必须进行敏感性分析，输入可能具有风的空间异质性影响。在这项工作中，我们提出了一个潜在的高斯函数的方差方差分析（ANOVA）模型，依赖于一个非平稳高斯马尔可夫随机场近似的连续的潜在过程。所提出的方法是能够捕捉高斯和非高斯风特性的局部敏感性，如在一个大的模拟域的速度和阈值风速，和一个连续的底层过程也使我们能够评估不同的空间分辨率的效果。我们的研究结果表明：（1）非局部行星边界层方案和高空间分辨率都有助于捕获风速和能量（特别是在复杂的山区地形），（2）行星边界层方案和分辨率对沙特阿拉伯计划的风电场的影响很小（最多1.4%）。因此，我们的研究结果为未来十年这些风电场的建设提供了支持。
2022-09-10 stat.AP
Bayesian Portfolio Optimization by Predictive Synthesis
Data Analytics Department（数据分析部门）；Mizuho-DL Financial Technology Co., Ltd.（Mizuho-DL金融科技有限公司）
针对金融市场不确定性导致单一预测模型失效的问题，提出基于贝叶斯预测合成（BPS）的投资组合优化方法，通过动态线性模型组合多个资产收益预测，构建均值-方差和分位数投资组合。
2025-10-08 cs.LG econ.EM q-fin.CP
Bayesian Causal Synthesis for Meta-Inference on Heterogeneous Treatment Effects
本文提出 Bayesian causal synthesis，通过综合多个因果估计并识别综合函数，在模型误设和未观测混杂下实现异质性处理效应的一致估计，并以模拟和实证验证其优势。
2024-05-08 stat.ME
From data to decisions: Bayesian modelling and global sensitivity analysis for flotation control
University College London（伦敦大学学院）；Universidad Técnica Federico Santa María（弗雷德里科·萨马利亚技术大学）；Imperial College London（帝国理工学院）
本文提出一个数据驱动框架，集成高斯过程回归与基于Sobol指数的全局灵敏度分析及SHAP局部可解释性，用于浮选系统的可解释建模和决策支持，通过实验室数据建立静态GP代理模型，识别影响空气回收率的关键变量及其交互作用。
2026-06-04 cs.SY eess.SY stat.AP
Bayesian Predictive Synthesis with Outcome-Dependent Pools
本文研究贝叶斯预测合成（BPS）方法，聚焦结果依赖型模型混合框架，提出动态BPS新方法并通过金融时间序列分析验证，拓展了多模型预测密度融合的理论与应用。
2023-05-03 stat.ME
Tail Sensitivity Analysis in Bayesian Networks
University of Cantabria（坎塔布里亚大学）
本文提出了一种模拟目标变量Z=h（X）的尾部的有效方法，它依赖于一组基本变量X=（X_1，.，. X_n）。为此，变量X_i，i=1，.，n以Z=h（x_1，...，x_i-1，X_i，.，X_n）保证在Z的尾部。当这种方法难以应用时，提出了一种替代方法，与蒙特卡罗方法相比，该方法导致样本值的拒绝比例较低。这两种方法被证明是非常有用的贝叶斯网络进行敏感性分析时，需要非常大的置信区间的边际/条件概率，如在可靠性或风险分析。当所有分数一致时，这些方法表现最好。所需的修改进行了讨论。文中给出了几个算例，并以一个实际案例说明了整个过程。
2013-02-13 cs.AI stat.AP
Bayesian calibration and sensitivity analysis of heat transfer models for fire insulation panels
评估防火板性能的常用方法是组分添加法（CAM）。CAM的参数是基于面板的温度相关的热材料特性。这些材料特性可以通过使用实验测量的温度记录校准有限元传热模型来导出。在过去，材料特性的校准是通过试错法手动完成的，这是低效的并且容易出错。在这方面的贡献，校准问题重新制定的概率设置和解决使用贝叶斯模型校准框架。这不仅给出了一组最佳拟合参数，而且给出了后者的置信区间。为了使这一框架可行，通过使用先进的代理建模技术：多项式混沌扩展结合主成分分析的过程加快。这种替代建模技术还允许通过访问Sobol指数进行基于方差的敏感性分析，而无需额外费用。最后通过使用校准的材料特性来预测在不同的实验设置中的温度发展来验证校准。
2020-01-07 stat.AP stat.CO
Sensitivity analysis for Bayesian hierarchical models
先验敏感性检验在贝叶斯分析中起着重要的作用。这对于贝叶斯分层模型尤其如此，其中层次结构中更深层内的参数的可解释性变得具有挑战性。此外，缺乏信息以及可识别性问题可能意味着这些模型的先验分布对后验推断具有不期望的影响。尽管它的相关性，非正式的方法，以前的敏感性分析目前使用。它们需要使用临时修改的基础先验参数值重复重新运行模型。其他形式的方法，以前的敏感性分析遭受缺乏普及，在实践中，主要是由于他们的高计算成本和缺乏软件实现。我们提出了一种新的形式化方法，先验敏感性分析，这是快速和准确的。它量化灵敏度，而无需重新运行模型。我们在R中开发了一个即用型priorSens软件包，用于R-INLA的常规先验灵敏度调查。在一系列的例子中，我们展示了我们的方法可以用来检测一些参数的高先验灵敏度以及可能过度参数化贝叶斯分层模型中的可识别性问题。
2013-12-17 stat.ME
Geometric Sensitivity Measures for Bayesian Nonparametric Density Estimation Models
本文提出了一个几何框架来评估密度估计的贝叶斯非参数模型的全局灵敏度。研究了基于Dirichlet型先验的密度估计的非参数贝叶斯模型对精度参数或基概率测度扰动的敏感性。为了量化这些模型中参数和超参数的扰动对后验的不同影响，我们定义了三个几何激励的全局敏感性度量，这些度量基于在密度空间上的非参数Fisher-Rao黎曼度量下计算的测地线路径和距离，应用于密度的后验样本：（1）后验样本的密度平均值之间的Fisher-Rao距离，（2）后验样本的Karcher方差的对数比，（3）由后验样本得到的经验协方差算子的标度累积特征值之差的范数。我们验证我们的方法，使用多个模拟研究，并考虑贝叶斯密度估计模型的敏感性分析问题的背景下，以前已经研究过的三个真实的数据集。
2018-10-08 stat.ME
A computationally-tractable measure of global sensitivity for sampling-based Bayesian inference
University College London（伦敦大学学院）
提出基于Fisher散度的全局敏感性分析方法，仅需参考后验样本和得分函数评估，计算可行且适用于高维问题。
2026-10-07 stat.CO stat.ME
Bayesian Data Synthesis and the Utility-Risk Trade-Off for Mixed Epidemiological Data
流行病学研究中使用的许多微观数据都包含对真实个体的敏感测量。因此，出于隐私考虑，这些微观数据不能公布，使任何已公布的关于这些数据的统计分析几乎不可能复制。为了在不损害个人隐私的情况下促进关键数据集的传播，我们引入了一个有凝聚力的贝叶斯框架，用于生成混合分类，二进制，计数和连续变量的全合成，高维微数据集。这个过程围绕着一个联合贝叶斯模型，该模型同时兼容所有这些数据类型，从而能够通过后验预测采样创建混合合成数据集。此外，流行病学数据分析的一个重点是通过回归分析研究各种暴露与关键结果变量之间的条件关系。我们设计了一个修改后的数据合成策略，目标和保存这些条件关系，包括非线性和相互作用。所提出的技术被部署来创建一个机密数据集的合成版本，该数据集包含近20，000名北卡罗来纳州儿童的数十项健康，认知和社会测量。
2022-01-19 stat.ME
Bayesian Spatial Predictive Synthesis
针对空间数据模型误设和异质性，提出贝叶斯空间预测综合方法，通过潜在因子空间变化系数模型综合多个预测，实现精确最小最大化预测，并在模拟和真实数据中优于现有方法。
2025-01-25 stat.ME stat.ML
Posterior and Likelihood Sensitivity in Bayesian Distributionally Robust Optimization
Chuo University（中央大学）；Sauder School of Business, University of British Columbia（不列颠哥伦比亚大学 Sauder 商学院）；National University of Singapore（新加坡国立大学）
本文提出最坏情况后验和似然敏感性的概念，用于量化贝叶斯模型对后验和似然扰动的鲁棒性，并证明分布鲁棒优化可实现性能与鲁棒性的近似帕累托最优权衡。
2026-05-29 cs.SY econ.EM eess.SY
Bayesian Synthesis of Probabilistic Programs for Automatic Data Modeling
Massachusetts Institute of Technology（麻省理工学院）
我们提出了新的技术，自动构建数据分析，解释和预测的概率程序。这些技术与概率领域特定的数据建模语言一起工作，这些语言捕获广泛类别的数据生成过程的关键属性，使用贝叶斯推理在给定观察数据的情况下在这些建模语言中合成概率程序。我们提供了一个精确的配方贝叶斯合成自动数据建模，确定了充分的条件所产生的合成过程是健全的。我们还推导出一般类的合成算法指定的概率上下文无关文法的特定领域的语言，并建立健全的方法，这些语言。我们应用的技术，自动合成的概率程序的时间序列数据和多元表格数据。我们展示了如何分析合成程序的结构，以计算感兴趣的关键定性属性，潜在的数据生成过程表现出这些属性的概率。其次，我们翻译概率程序在特定领域的语言概率程序的风险投资，一个通用的概率编程系统。然后执行翻译后的Venture程序，以获得新的时间序列数据和新的多变量数据记录的预测。实验结果表明，我们的技术可以准确地推断多个真实世界的数据集的定性结构，并在预测和预测新数据的标准数据分析方法。
2019-07-14 cs.AI cs.LG cs.PL
Species Sensitivity Distribution revisited: a Bayesian nonparametric approach
Bocconi Institute for Data Science & Analytics, Bocconi University（博科尼数据科学与分析学院，博科尼大学）；Univ. Grenoble Alpes, CNRS, Inria, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学，法国国家科学研究中心，法国国家信息与自动化研究所，格勒诺布尔理工学院）；Université Paris-Saclay, INRAE, MaIAGE（巴黎萨克雷大学，法国国家农业食品与环境研究院）
本文提出了一种基于贝叶斯非参数方法的物种敏感分布改进方法，以提高生态风险评估的准确性与鲁棒性。
2026-02-04 stat.AP stat.ME
Bayesian Sensitivity Analysis for Missing Data Using the E-value
敏感性分析是一个框架，用于评估从缺失的结局数据中得出的结论如何容易偏离不可检验的基础假设。我们扩展了E值，一个流行的度量标准，用于量化因果结论的稳健性，设置缺失的结果。从部分观察到的Facebook转换事件的激励的例子，我们提出的方法进行敏感性分析的规模与三个贡献。首先，我们开发了一种利用噪声基准（例如，用于保护单元级隐私的聚合报告）;探索经验得出的主观和客观先验两者。其次，利用贝叶斯估计的敏感性参数，我们提出了一种机制，通过模拟后验推断的E值。最后，封闭形式的分布的E-值的构造，使直接推理时，后验模拟是不可行的，由于计算的限制。我们展示了使用基于数据的模拟，辅以Facebook转换事件的案例研究的E值的渐近推断的性能增益。
2021-08-30 stat.ME
Local and global robustness in conjugate Bayesian analysis
研究了共轭先验扰动对贝叶斯推断的影响。一个扰动前定义在一个更大的家庭，局部混合模型，后验推理的效果进行了研究。该扰动在某种意义上推广了\cite{Gustafson1996}中研究的线性扰动。它是直观的，自然规范化，是灵活的统计应用。考虑了全局和局部敏感性分析。采用几何方法优化灵敏度方向函数、后验均值差和后验预测模型间的发散函数。所有的灵敏度测度函数都定义在一个具有非平凡边界的凸空间上，该凸空间是一个光滑流形。
2015-08-31 stat.AP stat.CO stat.ME
Using Bayesian Evidence Synthesis Methods to Incorporate Real World Evidence in Surrogate Endpoint Evaluation
目的：传统上，替代终点的验证是使用RCT数据进行的。然而，RCT数据可能过于有限，无法验证替代终点。在本文中，我们试图通过纳入真实世界证据（RWE）来改善替代终点的验证。研究设计和环境：我们使用来自比较RWE（cRWE）和单组RWE（sRWE）的数据，以补充RCT证据，用于评估无进展生存期（PFS）作为转移性结直肠癌（mCRC）总生存期（OS）的替代终点。使用来自RCT、cRWE和匹配sRWE的处理效应估计值（比较抗血管生成治疗与化疗），根据对PFS的处理效应，为替代模式和对OS的处理效应预测提供信息。结果：共纳入7项RCT、4项cRWE研究和3项匹配的sRWE研究。在RCT中增加RWE降低了替代关系参数估计值的不确定性。在RCT中添加RWE还提高了使用观察到的PFS效应数据获得的OS处理效应预测的准确度和精密度。结论：将RWE添加到RCT数据中提高了描述PFS和OS的处理效应与预测临床获益之间替代关系的参数的精度。
2021-12-16 stat.AP stat.ME
Multivariate Bayesian Predictive Synthesis in Macroeconomic Forecasting
我们发展的方法和详细的案例研究中使用的一类贝叶斯预测合成（BPS）模型的多变量时间序列预测。这将最近引入的BPS基础框架扩展到多变量环境，并在货币政策环境中的多步骤宏观经济预测的主题和挑战性背景下详细应用。BPS评估-顺序和自适应地随着时间的推移-不同的预测偏差和方面的个别预测密度的误校准，和-关键-随时间变化的相互依赖关系，他们之间在多个系列。我们开发了新的BPS方法的一个特定的子类的动态多变量潜在因素模型隐含的BPS理论。结构化动态潜在因子BPS在此的动机是应用背景--对多个美国宏观经济时间序列进行连续预测，预测结果来自几个传统的计量经济学时间序列模型。案例研究突出了BPS在多个预测范围内改善多个系列预测的潜力，以及它在学习预测模型或代理之间的动态关系中的用途。
2018-08-13 stat.ME
A Bayesian Joint Modelling for Misclassified Interval-censoring and Competing Risks
针对前列腺癌主动监测中进展检测的误分类与竞争风险问题，开发了MCICJM贝叶斯联合模型，通过灵敏度参数处理误分类，并揭示其在参数估计与基线风险中的权衡影响。
2025-07-16 stat.AP stat.ME
Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics
基于狄利克雷过程和其他棒打破先验的贝叶斯模型已被提出作为聚类，主题建模和其他无监督学习任务的核心成分。然而，由于这些模型的灵活性，先前选择的结果可能是不透明的。因此，事先说明可能相对困难。同时，先验选择对后验推理也有很大的影响。因此，鲁棒性的考虑需要与非参数建模齐头并进。在本文中，我们利用变分贝叶斯方法，除了在拟合复杂的非参数模型的计算优势，还产生灵敏度方面的贝叶斯模型的参数和非参数方面的事实来应对这一挑战。特别是，我们演示了如何评估的灵敏度的结论选择的浓度参数和棒断裂分布的Dirichlet过程的混合物和相关的混合物模型下的推断。我们提供了理论和经验支持，我们的变分方法贝叶斯敏感性分析。
2022-01-25 stat.ME
Bayesian Predictive Synthesis for Dynamic Networks: Forecasting and Identifying Structural Mechanisms
Yale University（耶鲁大学）；The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
提出动态贝叶斯预测合成方法，通过时变权重组合多个结构机制（如社区、几何、枢纽）的预测，实现校准的边预测并识别主导机制。
2026-06-26 cs.SI math.ST stat.ME
Bayesian Optimization Approach for Analog Circuit Synthesis Using Neural Network
Fudan University（复旦大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
以高斯过程为代理模型的贝叶斯优化已成功地应用于模拟电路综合。在传统的高斯过程回归模型中，核函数是显式定义的。训练的计算复杂性为O（N3），预测的计算复杂性为O（N2），其中N为训练数据的个数。高斯过程模型也可以从权值空间的角度出发，将原始数据映射到特征空间，核函数定义为非线性特征的内积。在本文中，我们提出了一个贝叶斯优化方法的模拟电路综合使用神经网络。我们使用深度神经网络来提取良好的特征表示，然后使用提取的特征定义高斯过程。采用模型平均法提高了不确定性预测的质量。与核函数明确定义的高斯过程模型相比，基于神经网络的高斯过程模型可以从数据中自动学习核函数，从而可以提供更准确的预测，从而加快后续优化过程。此外，基于神经网络的模型具有O（N）的训练时间和恒定的预测时间。通过两个实际模拟电路验证了该方法的有效性。
2019-12-01 cs.LG cs.SY eess.SY
Bayesian Pseudo Posterior Synthesis for Data Privacy Protection
统计机构利用模型合成响应级别的数据，作为实际数据记录的替代方案向公众发布。贝叶斯模型合成器通过采用分层先验构造来编码隐私保护，该分层先验构造引起真实数据分布的平滑。由于研究人员和数据分析师的许多可能用途，合成响应级数据记录通常比汇总数据表更受欢迎。各机构在综合数据的效用与披露风险之间进行权衡，并在发布综合数据集之前为披露风险设定具体的目标阈值。我们引入了一个伪后验似然，它通过（0，1）中的观察记录索引权重对每个贡献进行指数化，定义为与合成数据中该记录的披露风险成反比。我们使用的向量的权重允许更精确的降权的高风险记录的方式，更好地保留效用相比，使用标量权重。我们说明了我们的方法与模拟研究和应用程序的消费者支出调查的美国劳工统计局。我们演示了如何频率的一致性和不确定性量化的影响，由逆风险加权。
2020-05-15 math.ST stat.AP stat.ME
Sensitivity-Aware Amortized Bayesian Inference
Heidelberg University（海德堡大学）；University of Stuttgart（斯图加特大学）；TU Dortmund University（多特蒙德工业大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
提出敏感性感知的摊销贝叶斯推断（SA-ABI）方法，通过权重共享、快速推断和深度集成高效整合敏感性分析，避免重复拟合，为复杂建模提供隐藏维度的洞察。
2024-08-28 cs.LG stat.ME stat.ML
Data-Driven DRO and Economic Decision Theory: An Analytical Synthesis With Bayesian Nonparametric Advancements
本文提出一种融合数据驱动分布鲁棒优化与经济决策理论的统一框架，并利用贝叶斯非参数方法（如DP和HDP）构建新DRO模型，通过过滤异常观测提升预测准确性与稳定性。
2025-02-26 cs.LG stat.ML
Conflict Diagnostics in Directed Acyclic Graphs, with Applications in Bayesian Evidence Synthesis
由有向无环图（DAG）表示的复杂随机模型越来越多地用于合成多个，不完善和不同的证据来源，以估计难以直接测量的数量。不同的数据源依赖于共享的参数，因此有可能相互冲突，也可能与模型冲突。在贝叶斯框架中，该模型由三个部分组成：先验分布、可能性的假设形式和结构假设。这些组件中的任何一个都可能与观察到的数据不兼容。因此，检测和量化这种冲突和相互不一致的数据源是模型批评过程的一个关键组成部分。我们首先回顾贝叶斯模型的批评，重点是冲突检测，然后描述一个一般的诊断，用于检测和量化的证据之间的冲突，在不同的分区的DAG。诊断是基于将有助于关于“分隔符”节点或节点组的推断的信息分成两个独立组并测试这两个组是否导致关于分隔符节点的相同推断的p值。我们用三个全面的例子来说明这种方法：估计艾滋病毒流行率的证据合成;估计流感病例严重程度的证据合成;以及大鼠体重的分层增长模型。
2013-10-02 stat.ME
Efficient prior sensitivity analysis for Bayesian model comparison
University College London (UCL)（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出了一种基于学习谐波均值估计器的高效方法，用于贝叶斯模型比较中的先验敏感性分析，显著降低了计算成本。
2026-01-21 astro-ph.CO astro-ph.IM stat.ME
Estimation of HIV Burden through Bayesian Evidence Synthesis
规划、执行和评价控制人体免疫机能丧失病毒（艾滋病毒）流行病的公共卫生政策需要定期监测疾病负担。这包括艾滋病毒感染者的比例，无论是否确诊，以及一般人口和特定风险群体和区域的新感染率。这些数量的估计并不简单：直接告知它们的数据通常不可用，但来自监测系统和特别研究的大量间接信息可以告知这些数量的功能。在本文中，我们将展示如何通过贝叶斯证据合成方法成功地解决估计问题，放松对经典方法通常受限的“最佳可用”数据的关注。这种更全面、更灵活的证据使用方式使我们的建议方法成为自2005年以来联合王国估计艾滋病毒流行率的官方方法。
2014-05-19 stat.ME
Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics
基于狄利克雷过程和其他棒打破先验的贝叶斯模型已被提出作为聚类，主题建模和其他无监督学习任务的核心成分。然而，对于这些模型来说，事先说明相对困难，因为它们的灵活性意味着事先选择的后果往往相对不透明。此外，这些选择可能对后验推理产生重大影响。因此，鲁棒性的考虑需要与非参数建模齐头并进。在本文中，我们利用变分贝叶斯方法，除了在拟合复杂的非参数模型的计算优势，还产生灵敏度方面的贝叶斯模型的参数和非参数方面的事实来应对这一挑战。特别是，我们演示了如何评估的灵敏度的结论选择的浓度参数和棒断裂分布的Dirichlet过程的混合物和相关的混合物模型下的推断。我们提供了理论和经验支持，我们的变分方法贝叶斯敏感性分析。
2021-10-25 stat.CO stat.ME stat.ML
