Bayesian nonparametric community detection in assortative stochastic block models
本文研究了在 assortative 随机块模型中通过贝叶斯非参数方法进行社区检测，探讨了 assortativity 约束对社区检测的影响，并通过模拟研究验证了其有效性。
2025-11-24 math.PR math.ST stat.ME
Learning Latent Block Structure in Weighted Networks
社区检测是网络分析中的一项重要任务，我们的目标是学习一个网络分区，将具有相似社区级别连接模式的顶点分组在一起。通过找到具有相似结构角色的顶点组，我们提取了网络大规模结构的紧凑表示，这可以促进其科学解释和预测未知或未来的相互作用。流行的方法，包括随机块模型，假设边缘是未加权的，这通过丢弃潜在有用的信息来限制它们的效用。我们引入了“加权随机块模型”（WSBM），它将随机块模型推广到具有来自任何指数族分布的边缘权重的网络。该模型从边缘的存在和权重中学习，使其能够发现在权重被丢弃或阈值化时隐藏的结构。我们描述了一个贝叶斯变分算法，有效地近似这个模型的后验分布在潜在的块结构。然后，我们评估WSBM的性能的边缘存在和边缘权重预测任务的一组现实世界的加权网络。在所有情况下，WSBM在这些任务上的表现与最佳替代品一样好或更好。
2014-06-03 cs.SI physics.data-an physics.soc-ph
Bayesian Nonparametric Space Partitions: A Survey
School of Mathematics and Statistics, University of New South Wales（新南威尔士大学数学与统计学院）；School of Computer Science, Fudan University（复旦大学计算机科学技术学院）；School of Computing and Information Systems, University of Melbourne（墨尔本大学计算与信息系统学院）
贝叶斯非参数空间划分（BNSP）模型提供了多种策略，用于将$D$维空间划分为一组块。通过这种方式，位于同一块中的数据点将共享某种同质性。BNSP模型可以应用于各种领域，如回归/分类树，随机特征构建，关系建模等。在本调查中，我们通过以下三个方面调查了BNSP研究的最新进展：模型，回顾了空间中生成分区的各种策略，并讨论了它们的理论基础“自洽性”;应用，其中包括当前的主流使用BNSP模型和他们的潜在的未来业务;和挑战，其中确定当前未解决的问题和有价值的未来研究课题。由于目前还没有对BNSP的文献进行全面的综述，我们希望通过本文的综述能够引起对这一课题的进一步探索和利用。
2021-02-28 cs.LG stat.ML
Adapting the Stochastic Block Model to Edge-Weighted Networks
University of Colorado（科罗拉多大学）；BioFrontiers Institute（生物前沿研究所）；Santa Fe Institute（圣塔菲研究所）
我们推广的随机块模型的重要情况下，在边缘注释的权重从指数族分布。这种泛化引入了模型估计的几个技术难点，我们使用贝叶斯方法解决。我们引入了一个变分算法，有效地近似模型的后验分布密集图。在边缘加权网络的具体数值实验中，这种加权随机块模型优于首先对所有权重应用单个阈值然后应用经典随机块模型的常见方法，该方法可以掩盖网络中的潜在块结构。该模型将能够在比以前更广泛的网络数据中恢复潜在结构。
2013-05-24 cs.LG cs.SI physics.data-an
Consistent Estimation of Identifiable Nonparametric Mixture Models from Grouped Observations
University of Michigan（密歇根大学）；Technische Universität Berlin（柏林工业大学）
最近的研究已经建立了有限混合模型从分组观测中可识别的充分条件。这些条件允许混合成分是非参数的，并且具有大量（甚至全部）重叠。这项工作提出了一种算法，一致地估计任何可识别的混合模型从分组的意见。我们的分析利用了一个预言不等式的加权核密度估计组上的分布，以及一个一般的结果表明，一致的估计组上的分布意味着一致的估计混合成分。一个实际的实施提供了成对的观察，该方法表现出优于现有的方法，特别是当混合成分重叠显着。
2020-06-12 cs.LG math.ST stat.ML
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
The Nonparametric Metadata Dependent Relational Model
Brown University（布朗大学）
我们介绍了非参数元数据依赖关系（NMDR）模型，贝叶斯网络数据的非参数随机块模型。NMDR允许与每个节点相关联的实体在潜在社区的无界集合中具有混合成员资格。学习回归模型允许这些成员资格依赖于任意节点元数据，并根据任意节点元数据进行预测。我们开发了有效的MCMC算法学习NMDR模型部分观察到的节点关系。回顾MCMC方法允许我们的采样器直接与NMDR的无限棒断裂表示，避免了有限截断的需要。我们的研究结果表明，从现实世界的社会和生态网络中恢复有用的潜在社区，以及元数据在链接预测任务中的有用性。
2012-06-27 cs.LG cs.SI stat.ML
dirichletprocess: An R Package for Fitting Complex Bayesian Nonparametric Models
University of Edinburgh（爱丁堡大学）；University College London（伦敦大学学院）；IIT Kanpur（坎普尔印度理工学院）
该研究介绍了一个R包，提供灵活的Dirichlet过程对象，允许用户无需编程即可进行非参数贝叶斯分析，支持自定义模型和MCMC采样。
2026-05-02 stat.CO
Learning Nonparametric Forest Graphical Models with Prior Information
University of Chicago（芝加哥大学）；Toyota Technological Institute at Chicago（芝加哥丰田技术研究院）
我们提出了一个框架，将先验信息的图形模型的非参数估计。为了避免分布的假设，我们限制图是一个森林和森林密度估计（FDE）的工作。我们重新制定的FDE方法从贝叶斯的角度来看，并引入先验分布的图形。作为两个具体的例子，我们应用这个框架来估计无标度图和学习具有相似结构的多个图。所得到的算法是等价的，找到一个最大生成树的加权图与惩罚项的连通性模式的图。我们通过一个最小化最大化过程与Kruskal的算法来解决优化问题。仿真结果表明，所提出的方法优于竞争参数方法，并对真实数据分布具有鲁棒性。它们还导致两个真实数据集的预测能力和可解释性的改善。
2016-05-25 cs.LG stat.ME stat.ML
Nonparametric Bayesian Negative Binomial Factor Analysis
分析协变量-样本计数矩阵的一种常见方法是在泊松似然下对其进行因子分解，其中一个元素表示协变量在样本中出现的次数。我们发现它的局限性，在捕获的趋势，在一个样本中存在的协变量重复自己和激发相关的。为了解决这个问题，我们构建负二项因子分析（NBFA）分解下的负二项似然矩阵，并将其与狄利克雷-多项分布为基础的混合隶属度模型。为了支持可数无穷因子，我们提出了层次伽玛负二项过程。通过利用新证明的离散分布之间的连接，我们构造了两个阻塞和一个崩溃的吉布斯采样器，所有自适应截断其因子的数量，并证明了阻塞吉布斯采样器下开发的复合泊松表示收敛速度快，计算复杂度低。实例结果表明，NBFA具有独特的机制，根据样本长度调整其推断因子的数量，并提供了明显的优势，在简约的表示，预测能力，和计算复杂度比以前提出的离散潜变量模型，它要么完全忽略突发性，或模型只有协变量的突发性，但不是因素。
2017-10-05 stat.ME stat.ML
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
A Decision-Theoretic Comparison of Treatments to Resolve Air Leaks After Lung Surgery Based on Nonparametric Modeling
我们提出了一种基于贝叶斯非参数效用的组序贯设计，用于一项随机临床试验，以比较凝胶密封剂与标准护理在解决肺切除术后漏气方面的效果。在临床上，在手术后不久的几天内解决漏气是非常重要的，因为较长的解决时间会产生需要延长住院时间的不良并发症。由于分辨时间分布是偏斜的和多模态的，比较治疗的问题是复杂的，因此使用方法是误导性的。我们通过假设分辨率时间分布的贝叶斯非参数概率模型和基于加权平均值的比较检验来解决这些挑战。权重被引出作为解决时间的临床效用。建议的设计使用后验预期效用作为组序贯检验标准。该程序的频率属性进行了广泛的模拟研究。
2016-07-18 stat.AP
Bayesian Nonparametric Multilevel Clustering with Group-Level Contexts
Deakin University（迪肯大学）；University of Michigan（密歇根大学）；Nuance Communications（Nuance通信公司）
我们提出了一个贝叶斯非参数框架的多级聚类，利用组级上下文信息，同时发现低维结构的组内容和分区组成集群。使用Dirichlet过程作为构建块，我们的模型构建了一个产品基本测量与嵌套结构，以适应内容和上下文的观察在多个层次。该模型具有的属性，链接嵌套狄利克雷过程（nDP）和狄利克雷过程混合模型（dirichlet）在一个有趣的方式：整合出所有的内容的结果，在上下文中，而整合出特定于组的上下文的结果，在nDP混合物的内容变量。我们提供了一个Polya-urn视图的模型和一个有效的折叠吉布斯推理过程。在真实世界数据集上的大量实验表明，通过我们的模型在文本和图像域中利用上下文信息的优势。
2014-01-29 cs.LG stat.ML
Scaling Nonparametric Bayesian Inference via Subsample-Annealing
我们描述了一个适应的模拟退火算法的非参数聚类和相关的概率模型。这种新算法在不断增长和不断搅动的训练数据子样本上学习非参数潜在结构，其中子采样的数据部分可以被解释为退火时间表中的逆温度beta（t）。高温下的吉布斯抽样（即，具有非常小的子样本）可以通过（a）在潜在空间周围进行更长的跳跃（如在块吉布斯中）和（b）降低能量势垒（如在模拟退火中）来更快地探索最终潜在状态的草图。我们证明了子样本退火在一个简单的聚类模型中加快了混合时间N^2 -> N，在另一类模型中加快了exp（N）-> N，其中N是数据大小。根据经验，子样本退火在每挂钟时间的准确性方面优于朴素吉布斯抽样，并且可以扩展到更大的数据集和更深层次的模型。我们展示了改进的推断百万行子样本的美国人口普查数据和网络日志数据和307行医院评级数据集，使用Pitman-Yor概括的交叉分类模型。
2014-02-22 stat.CO stat.ML
A Theoretical Framework for Bayesian Nonparametric Regression
我们开发了一个统一的框架贝叶斯非参数回归研究的收缩率相对于集成的$L_2$ -距离，而不假设回归函数空间是一致有界的。该框架是非常灵活的，可以适用于广泛的一类非参数先验模型。三个非平凡的应用所提出的框架提供：有限的随机序列回归的$α$ -Hölder函数，自适应率的收缩到对数因子;未修改的块先验回归的$α$ -Sobolev函数，自适应和精确的收缩率;高斯样条回归的$α$ -Hölder函数，与近最优的后收缩。这些应用是文献中相应结果的推广或补充。扩展到固定设计的回归问题和稀疏添加剂模型在高维进行了讨论。
2019-04-26 math.ST stat.TH
Multiple co-clustering based on nonparametric mixture models with heterogeneous marginal distributions
我们提出了一种新的方法，多个集群，假设一个共同的聚类结构（分区的行和列的数据矩阵）在每个视图。该方法适用于高维数据。它是基于一个非参数贝叶斯方法，其中的视图的数量和功能/主题集群的数量推断在数据驱动的方式。我们同时模拟不同的分布族，如高斯分布，泊松分布和多项分布在每个集群块。这使得我们的方法适用于由数值和分类变量组成的数据集，这是生物医学数据通常所做的。聚类的解决方案是基于变分推断与平均场近似。我们将所提出的方法应用于合成和真实数据，并表明我们的方法在恢复真实的聚类结构和计算时间方面都优于其他多个聚类方法。最后，我们将我们的方法应用于抑郁症数据集，没有真正的聚类结构，从中得出有用的推论可能的聚类结构的数据。
2015-10-21 stat.ML
Analysis of block slice samplers for Bayesian GLMMs and GAMs with linear inequality and shape constraints
指数族模型、广义线性模型、广义线性混合模型和广义可加模型是统计学中广泛使用的模型。然而，许多科学应用需要对模型参数进行约束，例如形状和线性不等式约束。参数的约束估计和推断仍然是统计学中的一个普遍问题，其中许多方法依赖于修改刚性大样本理论假设进行推断。针对具有线性不等式和形状约束的贝叶斯GLM和GAM问题，提出了一种灵活的切片采样Gibbs算法。我们证明我们的后验样本遵循马尔可夫链中心极限定理（CLT），证明我们的马尔可夫链的一致遍历性和存在的一个矩母函数为我们的后验分布。我们使用我们的CLT的结果来获得联合频带和多重调整贝叶斯推断的非参数功能的影响。我们严格的CLT结果解决了文献中的一个缺点，在有限样本设置的约束参数获得有效的估计和推断。我们的算法和证明技术适用于无数重要的统计建模问题。我们将贝叶斯GAM应用到一个真实的数据分析实例中，该实例涉及具有形状约束和平滑非参数效应的儿童脑震荡恢复的比例优势回归。我们得到的单调非参数时间效应的多重调整推断，以阐明儿童的恢复趋势作为时间的函数。
2022-12-22 stat.ME
Stochastic blockmodels for exchangeable collections of networks
我们使用贝叶斯非参数混合构造了一类新的随机块模型。这些模型允许我们联合估计多个网络的结构，并明确地比较它们背后的社区结构，同时允许我们捕捉底层网络的真实属性。使用MCMC算法进行推理，该算法采用顺序分配的拆分-合并步骤来改善混合。使用模拟研究和各种现实生活中的例子来说明模型。
2016-06-16 stat.ME
A case study of causal mediation using Bayesian nonparametrics and semiparametric corrections
提出截断富集狄利克雷过程混合模型估计自然直接和间接效应，结合高效MCMC算法和基于有效影响函数的一步后验修正，解决贝叶斯非参数中因果估计量的可靠推断问题。
2026-06-19 stat.ME
General Bayesian inference schemes in infinite mixture models
贝叶斯统计模型使我们能够形式化我们对世界的知识，并对我们的不确定性进行推理，但需要更好的程序来准确地编码其复杂性。一种方法是通过组合模型，它是通过组合由更简单的模型组成的块而形成的。人们可以通过堆叠更多的块或使用不那么简单的模型作为构建块来增加组合模型的复杂性。本论文是后者的一个实例。第一个目标是扩大贝叶斯非参数（BNP）块的选择，用于构建易于处理的组成模型。到目前为止，大多数具有贝叶斯非参数分量的模型都使用Dirichlet过程或Pitman-Yor过程，因为它们具有易于处理和紧凑的表示。本论文展示了如何克服某些棘手的问题，以获得类似的紧表示类泊松-金曼先验，其中包括狄利克雷和Pitman-Yor过程。贝叶斯非参数构建块广泛使用的一个主要障碍是，推理往往是昂贵的，棘手的或难以执行。这是一个活跃的研究领域，因为处理模型的无限维组件禁止直接使用标准的基于模拟的方法。本论文的主要贡献是解决这个问题的各种推理方案：马尔可夫链蒙特卡罗和序贯蒙特卡罗方法，这是精确的推理方案，因为他们的目标是真正的后验。本论文的贡献，在一个更大的范围内，提供了通用的精确推理方案的味道或概率编程：用户能够选择从各种模型，只专注于建模部分。事实上，如果使用足够宽的Poisson-Kingman先验类作为我们的块之一，这个目标就实现了。
2017-02-28 stat.CO
WIKS: A general Bayesian nonparametric index for quantifying differences between two populations
确定两个样本是否来自同一分布的问题往往是许多研究调查中感兴趣的问题。许多统计方法已经致力于这个问题，但只有少数人认为贝叶斯非参数方法。我们提出了一个非参数贝叶斯指数（WIKS），它的目标是量化两个人口之间的差异$P_1$和$P_2$基于他们的样本。WIKS指数由$P_1$和$P_2$之间的Kolmogorov-Smirnov距离的加权后验期望定义，并且与大多数现有方法不同，可以使用$(P_1,P_2)$上的任何先验分布来容易地计算。此外，WIKS计算速度快，可以证明贝叶斯决策理论框架下。我们提出了一个模拟研究表明，WIKS方法是更强大的竞争方法在几个设置，甚至在多变量设置。我们还证明，WIKS是一个一致的程序，并控制的显着性水平均匀的原假设。最后，我们将WIKS应用于三组不同患者的量表测量数据集，这些患者提交了阿尔茨海默病诊断问卷。
2018-06-22 math.ST stat.TH
Inner spike and slab Bayesian nonparametric models
离散贝叶斯非参数模型的期望是一个凸线性组合的点质量在某个点的支持和扩散概率分布允许纳入强先验信息，同时仍然是非常灵活的。最近的贡献，在统计文献中成功地实现了这样的建模策略，在各种应用，包括密度估计，非参数回归和基于模型的聚类。我们提供了一个大类的非参数模型，我们称之为内穗和平板hNRMI模型，这是通过考虑均匀归一化随机措施与独立增量（hNRMI）与基础措施由一个点质量和扩散概率分布的凸线性组合得到的深入研究。在本文中，我们研究这些模型的分布特性，我们的结果包括：i）可交换分区概率函数，他们诱导，ii）分布的不同值的数量在一个可交换的样本，iii）后验预测分布，和iv）的分布的元素，符合与正概率的支持的唯一点。我们的研究结果是通过一个广义的Pólya瓮计划的贝叶斯内穗和平板hNRMI模型的实际实施的主要组成部分。
2021-07-21 math.ST stat.TH
Zero-inflated stochastic block modeling of efficiency-security tradeoffs in weighted criminal networks
针对犯罪网络效率-安全权衡及冗余群体结构难以推断的问题，提出贝叶斯零膨胀泊松随机块模型ZIP-SBM，可识别冗余犯罪群体与显隐块交互，在模拟和黑手党组织数据中验证了有效性。
2024-10-31 stat.AP stat.ME
Modelling heavy tail data with bayesian nonparametric mixtures
Department of Statistics, ITAM, Mexico（墨西哥自治工业大学统计系）
本文提出用贝叶斯非参数混合模型建模厚尾数据，通过移位伽玛-伽玛分布和归一化稳定过程进行建模，并利用MCMC方法进行后验推断。
2026-07-30 stat.ME
Nonparametric Bayesian Two-Level Clustering for Subject-Level Single-Cell Expression Data
单细胞测序的出现为个性化治疗开辟了新的途径。在本文中，我们解决了一个两级聚类问题，同时受试者亚组发现（受试者级）和细胞类型检测（细胞级）的单细胞表达数据从多个主题。然而，目前的统计方法要么聚类细胞，而不考虑受试者的异质性或分组的主题，而不使用单细胞的信息。为了弥补细胞聚类和受试者分组之间的差距，我们开发了一个非参数贝叶斯模型，受试者和细胞聚类单细胞表达数据（SCSC）模型，同时实现受试者和细胞分组。SCSC无需预先指定受试者亚组编号或细胞类型编号。它自动诱导受试者亚组结构并匹配受试者之间的细胞类型。此外，它通过故意考虑数据的丢失、库大小和过度分散来直接对单细胞原始计数数据进行建模。提出了一种分块Gibbs采样器用于后验推理。模拟研究和对多受试者iPSC scRNA-seq数据集的应用验证了SCSC同时聚类受试者和细胞的能力。
2021-02-19 stat.AP stat.ME
Bayesian Modeling of the Stochastic Block Model for Weighted Network Data with Zero-Inflated Negative Binomial Distribution
Department of Mathematics, Hiroshima University（广岛大学数学系）
本文提出基于零膨胀负二项分布的贝叶斯块模型，以应对加权网络中的过分散数据，通过零膨胀自然处理缺失交互，并利用多项式伽玛数据增强实现高效后验计算，提升社区检测和链接预测性能。
2026-04-27 stat.ME
Bayesian nonparametric estimation and consistency of mixed multinomial logit choice models
研究了基于混合多项logit（MMNL）模型的离散选择模型的非参数估计。它已被证明，MMNL模型包括所有的离散选择模型的随机效用最大化的假设下，识别一个未知的分布$G$。注意到混合模型描述的MMNL，我们采用贝叶斯非参数方法，使用非参数先验未知的混合分布$G$，估计选择概率。我们提供了一个重要的理论支持，使用所提出的方法，通过调查的一致性的后验分布的一般非参数前的混合分布。一致性是根据一个$L_1$型距离的选择概率的空间上定义的，并通过扩展到一个回归模型框架最近的方法来实现强一致性的基础上的平方根的先验概率的求和。移动到估计，略有不同的技术，非面板和面板数据模型进行了讨论。对于实际实施，我们描述了高效和相对易于使用的阻塞吉布斯采样程序。这些程序的基础上近似的随机概率测度类有限棒断裂过程。仿真研究也进行了调查所提出的方法的性能。
2011-02-24 math.ST stat.TH
Bayesian Nonparametric Modelling of Conditional Multidimensional Dependence Structures
近年来，允许变量之间的依赖关系根据一个或多个协变量的值而变化的条件Copula引起了越来越多的关注。在高维中，vine copula比多元copula提供更大的灵活性，因为它们是使用二元copula作为构建块来构建的。在本文中，我们提出了一种新的多元分布的推理方法，它结合了葡萄树结构的灵活性与贝叶斯非参数的优点，不需要指定的参数家庭的每对copula。使用葡萄树表达多变量Copula使我们能够轻松地解释驱动响应变量之间依赖性的协变量规范。更确切地说，我们指定葡萄藤copula密度作为高斯copula的无限混合，定义一个狄利克雷过程（DP）之前的混合措施，我们通过马尔可夫链蒙特卡罗（MCMC）采样进行后验推理。我们的方法是成功的聚类以及密度估计。我们进行了深入的模拟研究，并应用所提出的方法来调查自然灾害对金融发展的影响。我们的研究结果表明，该方法能够捕捉数据集的异质性，并揭示不同国家集群在自然灾害方面的不同行为。
2021-09-22 stat.ME
Adaptive and non-adaptive minimax rates for weighted Laplacian-eigenmap based nonparametric regression
本文针对基于加权拉普拉斯特征映射的非参数回归，在索伯列夫空间设定下建立了自适应与非自适应极小极大收敛速率，将已有结果推广到包括非归一化和随机游走拉普拉斯在内的广泛加权拉普拉斯矩阵。
2023-10-31 math.ST stat.ML stat.TH
Nonparametric inverse probability weighted estimators based on the highly adaptive lasso
逆概率加权估计量是估计因果效应的最古老且可能最常用的一类程序。通过加权机制调整选择偏差，这些程序通过构建一个伪群体来估计感兴趣的影响，其中选择偏差被消除。尽管它们易于使用，这些估计需要正确的规范的加权机制的模型，是已知的效率低下，并遭受灾难的维度。我们提出了一类非参数逆概率加权估计，其中的加权机制估计通过欠平滑的高度自适应套索，一个非参数回归函数证明收敛在$n^{-1/3}$率的真正的加权机制。我们证明了我们的估计是渐近线性的，方差收敛到非参数有效界。与双稳健估计不同，我们的方法既不需要推导有效的影响函数，也不需要指定条件结果模型。我们的理论发展具有广泛的影响，在大型统计模型和各种问题设置的有效的逆概率加权估计的建设。我们评估我们的估计在模拟研究中的实际表现，并证明使用我们提出的方法与数据从一个大规模的流行病学研究。
2021-07-03 math.ST stat.ME stat.ML
Model-Based Clustering of Nonparametric Weighted Networks with Application to Water Pollution Analysis
水污染是一个重大的全球性环境问题，它对公众健康和生物多样性构成了巨大的环境风险。这项工作的动机是通过增加硫酸盐浓度的河流网络，不属于任何简单的参数分布，煤炭开采的潜在环境威胁进行评估。然而，现有的网络模型主要集中在二进制或离散网络和已知参数权重分布的加权网络。提出了一种基于指数族随机图模型和局部似然估计的非参数加权网络模型，并研究了其基于模型的聚类方法，应用于大规模水污染网络分析。我们不需要对网络权重进行任何参数分布假设。该方法极大地扩展了统计网络模型的方法论和适用性。此外，它可扩展到大规模环境研究中的大型复杂网络。我们所提出的方法的力量是在模拟研究和硫酸盐污染网络分析在位于美国宾夕法尼亚州的俄亥俄州流域的实际应用证明。
2019-05-16 cs.SI stat.AP stat.CO
A Latent Source Model for Nonparametric Time Series Classification
MIT（麻省理工学院）；Twitter（推特）
对于分类时间序列，最近邻方法在实践中被广泛使用，其性能通常与诸如神经网络、决策树和支持向量机等更精细的方法竞争或更好。我们开发的有效性的最近邻类分类的时间序列的理论依据。我们的指导假设是，在许多应用中，例如预测哪些主题将成为Twitter上的趋势，实际上并没有那么多的原型时间序列开始，相对于我们可以访问的时间序列的数量，例如，话题在Twitter上只以几种不同的方式成为趋势，而我们可以收集大量的Twitter数据。为了实现这一假设，我们提出了一个潜在的源模型的时间序列，这自然会导致一个“加权多数表决”的分类规则，可以近似的最近邻分类。我们建立了非渐近性能保证加权多数表决和最近邻分类在我们的模型占多少的时间序列，我们观察和模型的复杂性。在人工数据上的实验结果表明，加权多数表决算法在观测较少的时间序列的情况下，取得了与最近邻分类算法相同的误分类率。然后，我们使用加权多数来预测Twitter上的哪些新闻主题成为趋势，我们能够在79%的时间内提前检测到这些“趋势主题”，平均提前优势为1小时26分钟，真阳性率为95%，假阳性率为4%。
2013-12-13 cs.LG cs.SI stat.ML
Community Detection in Weighted Multilayer Networks with Ambient Noise
我们介绍了一种新的模型，多层加权网络，占全球噪声除了本地信号。该模型类似于多层随机块模型（SBM），但关键的区别在于，块之间的相互作用在整个系统中是常见的，我们称之为环境噪声。单个块也由这些固定的环境参数表征，以表示不属于其他任何位置的成员。这种方法允许同时将块聚类和类型化为信号或噪声，以便更好地理解它们在整个系统中的作用，这是现有块模型所不能解释的。我们采用了一种新的应用分层变分推理，共同检测和区分类型的块。我们把这种多层加权网络模型称为随机块（带）环境噪声模型（SBANM），并开发了一个相关的社区发现算法。我们将这种方法应用于费城神经发育队列中的受试者，以发现与精神病相关的并发精神病理学受试者的社区。
2022-07-24 cs.SI physics.soc-ph stat.AP
Weighted Message Passing and Minimum Energy Flow for Heterogeneous Stochastic Block Models with Side Information
研究了一般异质随机块模型（SBM）中含有噪声或部分标签信息的社区检测的误分类错误。我们建立了一个连接的误分类率和最小能量的概念上的局部邻域的SBM。我们开发了一个最佳加权的消息传递算法来重建标签的SBM基于最小能量流和特定的马尔可夫转移阵的特征向量。在本文中考虑的一般SBM允许不等大小的社区，度异质性，不同的连接概率块之间。我们专注于如何最佳地权衡消息传递，以改善误分类。
2017-09-12 math.ST stat.ML stat.TH
Block Empirical Likelihood Inference for Longitudinal Generalized Partially Linear Single-Index Models
Wisdom Lake Academy of Pharmacy, Xi’an Jiaotong-Liverpool University（西交利物浦大学智慧药学学院）
本文提出了一种基于样条近似的块经验似然方法，用于纵向广义部分线性单索引模型的参数和方向联合推断，通过避免显式方差估计实现置信区间构造。
2026-02-18 math.ST stat.CO stat.ME
Online Estimation with Rolling Validation: Adaptive Nonparametric Estimation with Streaming Data
本文针对在线非参数估计中的模型选择与超参数调优问题，提出一种加权滚动验证方法，以极低额外计算保持在线特性，并能提升估计器的启发式性能与自适应收敛速率。
2025-07-04 math.ST stat.ME stat.ML
Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations
针对多维下常用最近邻和匹配估计量的偏差问题，提出基于K阶Voronoi镶嵌单元多项式最小二乘拟合的修改版本，实现√n速率收敛且无需平滑参数，还通过下界验证了回归函数平滑性的必要性并经模拟验证可行性。
2025-02-14 math.ST stat.ML stat.TH
Selecting the Number of Communities for Weighted Degree-Corrected Stochastic Block Models
针对加权网络社区数量选择问题，本文提出一种基于序贯检验和矩阵缩放的加权度校正随机块模型方法，无需完整似然建模，并在理论和实验上验证了其一致性。
2025-03-11 stat.ME stat.ML
Block Dense Weighted Networks with Augmented Degree Correction
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
具有加权连接的密集网络通常表现出类似社区的结构，其中尽管大多数节点彼此连接，但取决于每个节点的社区成员资格，可能会出现不同的边权重模式。我们提出了一个新的框架，用于生成和估计不同社区之间具有潜在不同连接模式的密集加权网络。所提出的模型依赖于一个特定类别的功能，将各个节点的特性映射到连接这些节点的边缘，允许灵活性，同时需要相对于边缘数量的少量参数。通过利用估计技术，我们还开发了一种自举方法，用于在同一组顶点上生成新的网络，这在无法收集多个数据集的情况下可能很有用。这些方法的性能进行了分析，在理论，仿真和实际数据。
2021-05-26 cs.LG stat.ML
