Compound Poisson Processes, Latent Shrinkage Priors and Bayesian Nonconvex Penalization
本文讨论了稀疏学习问题的贝叶斯非凸惩罚问题。我们探索了一个非参数的潜在收缩参数使用从属，这是一维的Lévy过程。我们特别研究了一族连续复合Poisson从属算子和一族离散复合Poisson从属算子。我们提出了四个具体的从属：伽玛，泊松，负二项和平方贝塞尔从属。从属子的Laplace指数是Bernstein函数，因此它们可以用作稀疏诱导非凸罚函数。我们利用这些从属回归问题，产生一个层次模型与多个正则化参数。我们设计了ECME（Expectation/Conditional Maximization Either）算法来同时估计回归系数和正则化参数。模拟数据的实证评价表明，该方法在高维数据分析中是可行和有效的。
2015-05-15 stat.ME stat.ML
Shrinkage with shrunken shoulders: Gibbs sampling shrinkage model posteriors with guaranteed convergence rates
使用连续收缩先验-具有接近零的“尖峰”和朝向无穷大的重尾-是一种越来越流行的方法来诱导参数估计的稀疏性。然而，当参数仅通过似然性弱识别时，后验结果可能会像前验结果一样具有较重的尾部，从而危及推理的鲁棒性。一个自然的解决方案是通过在合理的参数范围之外减轻其尾部来“收缩收缩先验的肩部”，从而产生先验的正则化版本。我们开发了一种正则化方法，与以前的建议不同，它保留了原始收缩先验的计算上有吸引力的结构。我们研究了Gibbs采样器在得到的后验分布上的理论性质，重点研究了稀疏逻辑斯谛回归的P{ó}lya-Gamma Gibbs采样器的收敛速度.我们的分析表明，提出的正则化导致几何遍历下的广泛的全球局部收缩先验。本质上，唯一的要求是局部尺度$λ$上的先前$π_{\rm local}$满足$π_{\rm local}(0) < \infty$。如果$π_{\rm local}(\cdot)$进一步满足$\lim_{λ\to 0} π_{\rm local}(λ) / λ^a < \infty$为$a > 0$，在贝叶斯桥先验的情况下，我们表明，采样器是一致遍历的。
2021-09-15 math.ST stat.ME stat.TH
Posterior Concentration Properties of a General Class of Shrinkage Priors around Nearly Black Vectors
假设我们有一个根据多元正态分布生成的数据，其中有一个固定的未知均值向量，该向量在几乎为黑色的意义上是稀疏的。最优性的贝叶斯估计和后验浓度性质的极小极大风险的$l_2$规范对应于一个非常普遍的类连续收缩先验研究在这项工作中。考虑的先验类是丰富的，足以包括各种各样的重尾先验分布，如，三参数β正态混合（包括马蹄铁），广义双帕累托，逆伽玛和正常指数伽玛先验。假设非零分量的平均向量的数量是已知的，我们表明，贝叶斯估计对应于这一一般类先验达到极小极大风险的$l_2$规范（可能高达一个乘法常数）和相应的后验分布合同周围的真实均值向量在极小极大最优率适当选择的全球收缩参数。此外，我们提供的条件，这些后验分布合同周围相应的贝叶斯估计至少一样快的极小极大风险的$l_2$规范。我们还提供了一个下界的总后验方差的一个重要子类，这一般类收缩先验，包括广义双帕累托先验的形状参数$α=0.5$和三个参数β正常混合物的参数$a=0.5$和$b>0$（包括马蹄铁），特别是。本工作的灵感来自van der Pas等人（2014）最近的工作。在本设置下，马蹄先验的后收缩特性。我们扩展了他们的结果，这类先验知识，并提出了新的统一的证明工作的一个非常广泛的一类一组连续收缩先验。
2015-07-24 math.ST stat.TH
Dynamic Shrinkage Processes
提出了一类新的贝叶斯时间序列和回归分析的动态收缩过程。建立在一个全球性的局部框架之前的建设，其中连续规模的高斯分布的混合物采用理想的收缩性能和计算的易处理性，我们模型之间的依赖关系的局部尺度参数。由此产生的过程继承了流行的全局-局部先验（如马蹄铁先验）的理想收缩行为，但提供了额外的局部自适应性，这对于建模时间序列数据或具有局部特征的回归函数非常重要。我们构建了一个计算效率高的吉布斯抽样算法的基础上的Pólya-Gamma尺度混合表示的建议的过程。使用动态收缩过程，我们开发了一个贝叶斯趋势过滤模型，产生更准确的估计和更紧密的后验可信区间比竞争的方法，并应用该模型的不规则曲线拟合的每分钟的Twitter CPU使用数据。此外，我们开发了一个自适应的时变参数回归模型，以评估法玛-弗伦奇五因素资产定价模型的有效性与动量添加为第六个因素。我们对制造业和医疗保健行业数据的动态分析表明，除了市场风险外，没有其他风险因素是显著的，除了短期内。
2018-02-24 stat.ME
Structured Shrinkage Priors
针对回归系数需同时具备已知结构与稀疏性的问题，本文提出推广多元正态、Laplace等先验的结构化收缩先验，并用灵活的椭圆切片采样解决其计算难题。
2023-04-26 stat.ME
Conditions for Posterior Contraction in the Sparse Normal Means Problem
稀疏正态均值问题的第一个贝叶斯结果被证明为尖峰和厚板先验。然而，从计算的角度来看，这些先验不太方便。同时，大量的连续收缩先验被提出。许多收缩先验可以写成法线的比例混合，这使得它们特别容易实现。我们提出了一般的条件上的先验的局部方差的规模混合的法线，这样，后收缩在极大极小率是有保证的。这些条件要求尾翼至少和拉普拉斯一样重，但不能太重，并且相对于尾翼有大量的质量在零附近，随着稀疏度的增加，质量越大。这些条件给出了在近似黑色稀疏假设下选择收缩先验估计的一些一般准则。我们验证了Ghosh和Chakrabarti（2015）所考虑的先验类的这些条件，其中包括马蹄和正态指数伽玛先验，以及马蹄+，逆高斯先验，正态伽玛先验和尖峰和平板Lasso，从而扩展了收缩先验的数量，已知这些先验会导致极小极大估计率的后验收缩。
2015-10-13 math.ST stat.TH
Dynamic sparsity on dynamic regression models
在目前的工作中，我们考虑的变量选择和收缩的高斯动态线性回归贝叶斯框架内。特别是，我们提出了一种新的方法，允许随时间变化的稀疏性，基于扩展的尖峰和板先验的动态模型。这是通过为时变系数的方差分配适当的马尔可夫切换先验来完成的，扩展了Ishwaran和Rao（2005）以前的工作。此外，我们研究了不同的先验，包括过程方差的常见反向伽玛先验，以及其他混合先验分布，例如尖峰和平板的伽玛先验，这导致系数的正态伽玛先验的混合（Griffin ad Brown，2010）。从这个意义上说，我们的先验可以被视为一个动态变量选择先验，它在每个时间点诱导平滑（通过板）或收缩到零（通过尖峰）。用于后验计算的MCMC方法使用可以在每个时间点假设二进制状态的马尔可夫潜变量来生成系数的方差。通过这种方式，我们的模型是一个动态混合模型，因此，我们可以使用Gerlach等人（2000）的算法来生成潜在过程，而无需对状态进行调节。最后，通过模拟示例和真实数据应用程序来举例说明我们的方法。
2020-09-29 stat.CO stat.ME stat.ML
Bayesian nonparametric scalar-on-image regression via Potts-Gibbs random partition models
标量图像回归旨在研究基于高维成像数据的感兴趣标量响应的变化。我们提出了一种新的贝叶斯非参数标量图像回归模型，利用体素的空间坐标组体素具有相似的影响的响应有一个共同的系数。我们采用Potts-Gibbs随机分区模型作为随机分区的先验，其中分区过程是空间依赖的，从而鼓励代表空间连续区域的组。此外，贝叶斯收缩先验用于识别与预测最相关的协变量和区域。使用模拟数据集说明了所提出的模型。
2022-06-22 stat.AP stat.ME
Variational Bayesian Bow tie Neural Networks with Shrinkage
School of Mathematics and Maxwell Institute for Mathematical Sciences, University of Edinburgh（数学学院和麦克斯韦数学科学研究所，爱丁堡大学）
针对深度模型预测过度自信、易受攻击及现有贝叶斯推理依赖假设、对架构敏感等问题，提出带收缩的变分贝叶斯蝴蝶结神经网络，结合稀疏先验与Polya-Gamma数据增强推导快速推理算法，增强架构鲁棒性并兼顾可扩展性与多模态。
2025-06-17 cs.LG math.ST stat.ME
Multiscale Shrinkage and Lévy Processes
一个新的收缩为基础的建设开发的可压缩矢量$\boldsymbol{x}\in\mathbb{R}^n$，在这种情况下，$\xv$的组件自然与树结构。重要的示例是当$\xv$对应于数据的小波或块DCT表示的系数时。我们详细考虑的方法，并给出了数值结果，是基于增量的伽马过程。然而，我们证明，一般的框架是适当的许多其他类型的收缩先验，所有在Lévy过程的家庭，伽玛过程的特殊情况。贝叶斯推断是通过用MCMC算法的样本近似后验，以及通过构造后验的启发式变分近似来进行的。我们还考虑期望最大化（EM）的MAP（点）的解决方案。最先进的结果表现为压缩感知和去噪应用，后者具有尖峰（非高斯）噪声。
2014-01-11 stat.ML
Bayesian nonparametric modeling of latent partitions via Stirling-gamma priors
本文提出Stirling-gamma分布作为Dirichlet过程精度参数的新先验，通过理论分析证明其改进的稳健性和共轭性质，并在蚂蚁群落检测应用中验证了方法的有效性。
2024-09-02 math.ST stat.ME stat.TH
Going With the Flow: Normalizing Flows for Gaussian Process Regression under Hierarchical Shrinkage Priors
Harvard University（哈佛大学）；WU Vienna（维也纳经济大学）
本文提出将层次三重伽马收缩先验与正则化流变分推断相结合，用于高维高斯过程回归，实现变量稀疏化和高效后验近似，并在模拟及BACE-1结合亲和力数据上验证了其优于传统方法的性能。
2025-11-09 stat.ME
Bayesian Survival Analysis Using Gamma Processes with Adaptive Time Partition
在事件发生时间数据的贝叶斯半参数分析中，对于时间轴的给定有限分区，基线风险函数或累积基线风险函数采用非参数过程先验。然而，提出一个一般性的指导方针来构建最佳的时间划分将是有争议的。虽然已经做了大量的研究来放松其他非参数过程的固定分裂时间的假设，据我们所知，还没有方法已经开发的伽玛过程之前，这是最广泛使用的贝叶斯生存分析。在本文中，我们提出了一个新的贝叶斯框架比例风险模型的累积基线风险函数的伽玛过程建模先验。所提出的框架的一个关键特征是，区间截断点的数量和位置被视为随机的，并根据其后验分布进行估计。
2020-08-05 stat.CO stat.ME
Singularities in Bayesian Inference: Crucial or Overstated?
本文提出涵盖含零奇点与不含零奇点收缩先验的统一框架，借助 Gambel 分布刻画近原点与尾部行为，并给出性质比较、一致性、MCMC 推断及超参数选择指导。
2025-01-11 math.ST stat.ME stat.TH
Nonparanormal Bayesian Learning of Directed Acyclic Graphs under Gamma and Inverse-Gamma Innovation Priors: Closed-Form Scores and Informed Sampling
Department of Statistics, Faculty of Mathematical Sciences, Ferdowsi University of Mashhad（马什哈德费尔多西大学数学科学学院统计学系）
针对非高斯数据，提出非参数正态贝叶斯DAG学习方法，利用Gamma和逆Gamma先验获得闭式得分，构建知情采样器，在模拟和真实数据上优于高斯方法。
2026-09-14 stat.ME
A Horseshoe mixture model for Bayesian screening with an application to light sheet fluorescence microscopy in brain imaging
在本文中，我们重点关注使用光片荧光显微镜（一种最近开发的全脑成像技术）识别差异激活的大脑区域。大多数现有的统计方法通过将大脑区域划分为两类来解决这个问题：显着和非显着激活。然而，对于我们研究的中心脑成像问题，这种二进制分组可能会通过过滤掉微弱但重要的信号来提供过于简单的发现，这些信号通常被数据中存在的噪声所掺杂。为了克服这一限制，我们引入了一种新的贝叶斯方法，该方法允许将大脑区域分类为具有不同程度相关性的几个层次。我们的方法是基于收缩先验的组合-广泛用于回归和多重假设检验问题-和混合模型-通常用于基于模型的聚类。在现有的正则化先验分布，它使用的尖峰和板前或连续规模的混合物，我们的类先验是基于连续规模的混合物的离散混合物，并设计了一个集群收缩版本的马蹄事先。因此，我们的方法为贝叶斯稀疏估计提供了一个更通用的设置，大大减少了所需的收缩参数的数量，并创建了一个跨感兴趣单元共享信息的框架。我们表明，这种方法导致我们的大脑成像问题更有生物学意义和可解释的结果，因为它允许活跃和不活跃的区域之间的歧视，而在同一时间排名的发现到集群代表层相似的重要性。
2023-01-27 stat.ME
Bayesian Effect Selection in Structured Additive Distributional Regression Models
我们提出了一种新的spike和slab先验规范与缩放的beta素数边缘的重要性参数的回归系数，允许一般的效果选择类结构添加剂分布回归。这使我们能够对任意参数分布的所有分布参数进行建模，并考虑各种效应类型，如非线性或空间效应以及分层回归结构。我们的尖峰和板前依赖于一个参数扩展，分离块的回归系数到整体标量的重要性参数和向量的标准化系数。因此，我们可以使用标量来进行效果选择，而不是使用可能的高维效果向量，与经典的正态-逆伽马先验相比，这会产生改进的收缩和采样性能。我们调查的后验的适当性，显示出的前收益率理想的收缩性能，提出了一种方法，引出先验参数，并提供有效的马尔可夫链蒙特卡罗采样。使用模拟和三个大规模的数据集，我们表明，我们的方法是适用于数据的潜在大量的协变量，多层次的预测因子占分层嵌套的数据和非标准的响应分布，如二元正态或零膨胀泊松。
2019-02-27 stat.ME
Estimating the Mean and Variance of a High-dimensional Normal Distribution Using a Mixture Prior
本文提供了一个估计高维正态密度均值和方差的框架。考虑的主要设置是一个固定数量的向量，遵循高维正态分布，具有未知的均值和对角协方差阵。对角协方差阵可以是已知的或未知的。如果协方差阵未知，则样本量可以小至$2$。建议的估计是基于这样的想法，即未观察到的对每个维度的均值和方差是从一个未知的二元分布，我们的模型作为一个混合的正常逆伽马。正态-逆Γ分布的混合提供了优于基于正态-正态模型的更传统的经验贝叶斯方法的优点。在拟合混合模型时，我们基本上是将每个维度的未观察到的均值和方差对聚类到不同的组中，每组具有不同的正态-逆Γ分布。每个均值的估计量是收缩估计的后验均值，每个收缩估计都将样本均值收缩到混合分布的不同分量。类似地，所提出的方差估计量在混合分布的样本方差和分量方面具有类似的解释。如果对角协方差阵是已知的，则样本量可以小到$1$，并且我们将每个维度的已知方差和未知均值对视为来自正态-逆Γ分布的灵活混合的随机观测。
2018-11-15 stat.CO stat.ME
Nonparametric Sparse Tensor Factorization with Hierarchical Gamma Processes
University of Utah（犹他大学）
我们提出了一个稀疏观测张量的非参数因子分解方法。稀疏性并不意味着零值条目是大量的或占优势的。相反，它意味着观察到的条目非常少，随着张量的增长甚至更少;这在实践中是普遍存在的。与已有的工作相比，我们的模型不仅利用了观察到的入口指数的结构信息，而且提供了额外的可解释性和灵活性-它可以同时估计一组关于张量节点内在属性的位置因子，以及另一组反映其与他人互动时的外向活动的社交性因子;用户可以自由选择这两类因素之间的折衷。具体来说，我们使用分层Gamma过程和泊松随机测度来构造一个张量值过程，该过程可以自由地对两种类型的因子进行采样以生成张量，并且始终保证渐近稀疏性。然后，我们规范化张量过程，以获得分层Dirichlet过程采样每个观察到的条目索引，并使用一个高斯过程采样的条目值作为一个非线性函数的因素，以便捕获的稀疏结构属性和复杂的节点关系。为了有效的推理，我们使用Dirichlet过程的有限样本分区，密度变换和随机功能，开发一个随机变分估计算法。我们证明了我们的方法在几个基准数据集的优势。
2021-11-03 cs.LG stat.ML
Optimal Bayesian hierarchical model to accelerate the development of tissue-agnostic drugs and basket trials
组织不可知性试验根据患者的遗传生物标志物而不是肿瘤类型招募患者，试图确定新药是否可以成功治疗基于生物标志物的疾病。贝叶斯分层模型（BHM）提供了一个有吸引力的方法来设计II期组织不可知试验，允许跨多种疾病类型的信息借用。在这篇文章中，我们阐明了两个内在的和不可避免的问题，可能会限制使用BHM的组织不可知的试验：敏感性的收缩参数和竞争的“利益”之间的疾病类型增加功率和控制第一类错误的事先规范。为了解决这些问题，我们提出了最优BHM（OBHM）的方法。使用OBHM，我们首先指定一个灵活的效用函数，以根据研究目标量化不同疾病类型之间的第一类错误和功效之间的权衡，然后选择收缩参数的先验，以优化临床和监管利益的效用函数。OBMH有效地平衡了I类和II类错误，解决了先验选择的敏感性，减少了先验选择中的“不必要”的主观性。仿真研究表明，该方法及其扩展算法--分簇OBHM（COBHM）和自适应OBHM（AOBHM）具有良好的工作特性，优于现有的一些方法，具有更好的功率平衡和第一类错误控制。我们的方法提供了一个系统的，严格的方法来应用BHM和解决盲目使用一个无信息的逆伽马先验（具有较大的方差）或先验任意选择，可能会导致病理统计特性的常见问题。
2020-12-04 stat.AP stat.ME
Bayesian Repulsive Gaussian Mixture Model
我们开发了一般类的贝叶斯排斥高斯混合模型，鼓励良好分离的集群，旨在减少潜在的冗余组件产生的独立先验的位置（如狄利克雷过程）。在非参数密度估计的背景下，得到了该模型的后验分布的渐近结果，包括后验一致性和后验收缩率.更重要的是，我们表明，相比于独立的组件中心的先验，排斥先验引入额外的收缩效应的尾部概率的后验数的组件，这作为一个衡量模型的复杂性。此外，基于可交换分区分布和相应的瓮模型，提出了一种高效且易于实现的分块塌陷Gibbs采样器。我们评估的性能，并通过广泛的模拟研究和实际数据分析证明所提出的模型的优势。R代码可在https://drive.google.com/open?上获得id=0B_zFse0eqxBHZnF5cEhsUFk0cVE。
2017-10-21 stat.ME
Pochhammer Priors for Sparse Count Models
针对贝叶斯计数模型中浓度参数推断难、难以处理过零值与稀疏计数的问题，提出Pochhammer先验实现共轭更新与闭式后验矩，搭配马蹄型先验适配稀疏性，在模拟与真实场景中验证了有效性。
2024-11-01 stat.CO stat.ME
Inverse stable prior for exponential models
我们考虑一类非共轭先验作为一个参数的混合分布族（例如，离散和连续数据分布的指数子类的泊松或伽马速率、逆伽马的逆尺度或精度、正态分布的逆方差。先验类是正确的，在原点处是非零的（不像形状参数小于1的伽马和倒β先验以及泊松率的Jeffreys先验），并且很容易生成随机数。先验类还提供了灵活性，在捕获广泛的先验信念（右偏和左偏）调制的有界参数$α\in (0, 1).$在单参数的情况下，所产生的后验家庭可以表示为封闭形式，是正确的，使校准不必要的。由逆稳定族引起的混合导致以广义Mittag-Leffler函数的形式的边缘先验分布，其覆盖广泛的分布形状。我们推导出封闭形式的表达式的一些性质，如矩母函数和时刻。我们提出了从后验分布中产生样本的算法，并计算了用于实际数据分析的贝叶斯估计。我们制定了预测的先验分布和后验分布。我们使用蒙特卡罗模拟测试所提出的贝叶斯估计。扩展到分层建模和逆方差分量模型是简单的。我们可以找到$α$（其作用类似于平滑参数）值，在许多情况下，逆稳定可以提供比逆beta先验更好的收缩。我们说明了使用一个真实的数据集的方法，介绍了超先验密度的超参数，并将模型扩展到一个重尾分布。
2018-03-26 stat.ME
Inference of multiple high-dimensional networks with the Graphical Horseshoe prior
我们开发了一种新的全贝叶斯方法多个相关的精度矩阵，称为多个图形马蹄铁（mGHS）。所提出的方法依赖于一种新的多变量收缩先验的基础上马蹄事先借用的强度和共享稀疏模式的群体，提高后边缘选择时，精度矩阵是相似的。另一方面，当组是独立的时，没有性能损失。此外，mGHS提供了一个相似性矩阵估计，有助于理解跨组的网络相似性。我们实现了一个有效的Metropolis-within-Gibbs后验推理，具体而言，局部方差参数更新通过一种新的和有效的修改拒绝抽样算法，从三参数Γ分布的样本。该方法的规模以及相对于变量的数量，并提供了一个最快的全贝叶斯方法估计多个精度矩阵。最后，边缘选择是一种新的方法，基于模型切割。我们的经验表明，mGHS优于竞争的方法，通过模拟研究和应用程序的自行车共享数据集。
2023-02-13 stat.CO stat.ME
On the half-Cauchy prior for a global scale parameter
本文认为，在贝叶斯分层模型中，半柯西分布应取代逆Γ分布作为顶层尺度参数的默认先验，至少在需要适当先验的情况下是这样.我们的论点涉及贝叶斯和频率论推理的混合，旨在补充Gelman（2006）支持先验的折叠t家族的原始案例。首先，我们将半柯西先验推广到更广泛的超几何倒β先验。我们推导出后验矩和边际密度的表达式，当这些先验被用于贝叶斯分层模型中的顶级正态方差时。我们继续证明一个命题，连同结果的时刻和边际，使我们能够描述的频率风险的贝叶斯估计下所有的全球收缩先验的类。这些理论结果，反过来，使我们能够研究半柯西先验与广泛的一类替代品的频率属性。半柯西在这个类中占据了一个合理的“中间地带”：它在原点附近表现得很好，但在参数空间的其他部分不会导致剧烈的妥协。这为重复、常规地使用这个先验提供了一个替代的、经典的理由。我们还考虑的情况下，潜在的平均向量是稀疏的，我们认为，通常的共轭选择的逆伽马先验是特别不合适的，并可能导致高度扭曲的后验推理。最后，我们简要总结了层次模型中尺度项的默认先验规范中的一些公开问题。
2011-09-25 stat.ME
Bayesian Non-Parametric Factor Analysis for Longitudinal Spatial Surfaces
我们引入了一个贝叶斯非参数空间因子分析模型，该模型通过因子载荷的先验知识诱导空间依赖性。对于载荷矩阵的每一列，使用概率单位棒断裂过程（PSBP）对空间依赖性进行编码，并且跨列使用乘法伽马过程收缩先验以自适应地确定潜在因子的数量。通过将空间信息编码到载荷矩阵中，学习到尊重观察到的邻域依赖性的有意义的因素，使它们有助于评估空间上的速率。此外，空间PSBP先验可以用于聚类时间趋势，允许用户识别空间域中具有相似时间轨迹的区域，这在许多应用环境中是一项重要任务。在手稿中，我们说明了模型在模拟数据中的性能，但也在两个现实世界的例子：在秘鲁亚马逊地区的青光眼和疟疾监测的纵向监测。CRAN上提供的R包spBFA实现了该方法。
2019-11-11 math.ST stat.ME stat.TH
Nonparametric Bayesian volatility estimation
在给定固定时间间隔上的离散时间观测值的情况下，研究了随机微分方程波动系数的非参数贝叶斯估计方法。我们假设一个直方图型的波动率与分段常数实现箱形成一个分区的时间间隔。箱上的值被分配逆伽马马尔可夫链（IGMC）先验。后验推断是直接通过吉布斯抽样实现的，因为完整的条件分布是显式可用的，并且是逆伽马。我们还详细讨论了我们的方法的超参数的选择。我们的非参数贝叶斯方法导致良好的实际效果，在代表性的模拟例子。最后，我们将其应用于变点分析中的一个经典数据集：道琼斯工业平均指数的周收盘价。
2019-03-29 math.ST q-fin.ST stat.ME
Autoencoded sparse Bayesian in-IRT factorization, calibration, and amortized inference for the Work Disability Functional Assessment Battery
NIH Clinical Center（美国国立卫生研究院临床中心）；NIH NIDDK（美国国立卫生研究院国家糖尿病、消化和肾脏疾病研究所）
本研究提出一种贝叶斯层次模型，通过稀疏收缩和摊销推断，自洽地完成多维IRT的量表分解、项目选择与校准，避免传统事后方法的线性分解和统计检验，并在WD-FAB数据上验证其区分度优于传统方法。
2023-05-09 cs.LG stat.AP stat.ME
Model-based clustering based on sparse finite Gaussian mixtures
在有限混合高斯分布的基础上，基于贝叶斯模型的聚类框架中，我们提出了一种联合方法来估计混合成分的数量，同时识别集群相关的变量，以及获得一个确定的模型。我们的方法包括在指定稀疏分层先验的混合权重和组件的手段。在故意过拟合混合模型中，权重的稀疏先验在MCMC期间清空多余的分量。一个简单的估计的真实数量的组件是由MCMC采样期间访问的非空组件的最频繁的数量。在分量均值上的预收缩先验，即正常伽马先验，导致改进的参数估计以及聚类相关变量的识别。在使用基于数据增广和吉布斯抽样的MCMC方法估计混合模型之后，通过在绘制的点过程表示中重新标记MCMC输出来获得辨识模型。这是使用基于Mahalanobis距离的$K$ -质心聚类分析来执行的。我们评估我们提出的策略在模拟设置与人工数据，并将其应用到基准数据集。
2016-06-22 stat.ME
Infinite Edge Partition Models for Overlapping Community Detection and Link Prediction
提出了一种层次伽玛过程无限边划分模型，用于分解Bernoulli-Poisson链接下的无权无向关系网络的二元邻接矩阵。该模型描述了同伦和随机等价，并可扩展到大型稀疏网络的计算集中在对连接的节点。它不仅可以发现重叠社区和社区间的交互，还可以预测缺失的边缘。还提供了一个省略社区间互动的简化版本，我们揭示了它与现有模型的有趣联系。社区的数量是自动推断在一个非参数贝叶斯的方式，并通过吉布斯抽样使用新的数据增强技术推导出有效的推理。在四个真实网络上的实验结果证明了模型的可扩展性和最先进的性能。
2015-12-30 cs.SI stat.ML
