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
Sparse-Group Bayesian Feature Selection Using Expectation Propagation for Signal Recovery and Network Reconstruction
Max Planck Institute for Molecular Genetics（马克斯·普朗克分子遗传学研究所）
我们提出了一种贝叶斯方法的特征选择中存在的分组信息之间和组内水平的稀疏性。而不是使用随机算法的参数推断，我们采用期望传播，这是一个确定性和快速的算法。在存在分组信息的情况下，用于特征选择的可用方法具有许多简短的描述：一方面，Lasso方法虽然快速，但低估了回归系数，并且没有很好地利用分组信息，另一方面，贝叶斯方法虽然在参数估计中准确，但通常依赖于随机且缓慢的吉布斯抽样过程来恢复参数，使得它们例如对于基因网络重建是不可行的。我们的方法的贝叶斯稀疏组框架与期望传播，使我们不仅能够恢复准确的参数估计信号恢复问题，但也使得有可能将此贝叶斯框架的大规模网络重建问题。所提出的方法是通用的，但在应用方面，我们专注于基因调控网络。我们的模拟和实验数据表明，该方法构成了一个很好的选择网络重建的正确选择的功能，预测新的数据和合理的计算时间的数量。
2018-09-25 cs.LG stat.CO stat.ML
Bayesian image segmentations by Potts prior and loopy belief propagation
Tohoku University（东北大学）；Yamagata University（山形大学）；National Tsing Hua University（国立清华大学）
提出了一种基于Potts先验和循环置信传播的贝叶斯图像分割模型。该贝叶斯模型涉及到Potts模型的两两交互作用、彩色图像建模中高斯分布的平均向量和协变矩阵。这些术语通常被称为统计机器学习理论中的超参数。为了确定这些超参数，我们提出了一个新的方案，超参数估计的基础上的条件最大化熵的Potts先验。该算法基于循环置信传播算法。此外，我们比较了我们的条件最大熵框架与传统的最大似然框架，也澄清如何在LBP的Potts模型的一阶相变影响我们的超参数估计程序。
2014-08-18 cond-mat.dis-nn cond-mat.stat-mech cs.CV
Constrained Recurrent Bayesian Forecasting for Crack Propagation
IRT SystemX；SNCF（法国国家铁路公司）
本文针对铁路裂纹扩展预测问题，提出一种约束递归贝叶斯多步预测方法，在量化认知与偶然不确定性的同时引入物理和安全约束，揭示了预测精度与约束满足之间的权衡。
2024-10-18 cs.LG stat.ML
Tutorial on Exact Belief Propagation in Bayesian Networks: from Messages to Algorithms
在贝叶斯网络中，通过消息传递算法实现精确的置信传播。这些算法（例如：向内和向外）仅提供相应消息的递归定义。相比之下，当处理隐马尔可夫模型和变体时，人们通常首先明确定义这些消息（前向和后向量），然后导出所有结果和算法。在本文中，我们概括了隐马尔可夫模型的方法，通过引入一个明确的定义，在贝叶斯网络中的消息，从中我们得到所有相关的属性和结果，包括递归算法，允许计算这些消息。两个教学的例子（降水隐马尔可夫模型和谱系贝叶斯网络）被认为是沿文件来说明新的形式主义和独立的R信源编码中提供的附录。
2012-01-23 math.PR stat.CO
MIMO Detection via Gaussian Mixture Expectation Propagation: A Bayesian Machine Learning Approach for High-Order High-Dimensional MIMO Systems
针对高阶高维MIMO系统检测中多流并行传输带来的干扰噪声问题，提出基于高斯混合模型近似置信传播与期望传播消息的检测算法，在低复杂度下实现了优于现有最优算法的检测性能。
2024-12-12 cs.IT math.IT stat.ML
Bayesian and Variational Bayesian approaches for flows in heterogenous random media
本文研究非均质随机介质中的渗流问题。我们提出了一种高效的正演模拟技术，是专为变分贝叶斯反演。作为一个出发点，提出的前向模拟技术分解的解决方案到可分离的函数（相对于随机性和空间），其中每一项计算的基础上变分方法的总和。这类似于适当的广义分解（PGD）。接下来，我们应用多尺度技术来求解每个项，并进一步将随机函数分解为1D字段。因此，我们提出的方法提供了一个近似层次的解决方案，因为我们增加了扩展中的术语数量，也增加了每个术语的空间分辨率。我们使用变分贝叶斯近似的分层解决方案分布进行反问题的不确定性量化。我们进行了详细的数值研究，以探讨所提出的不确定性量化技术的性能，并显示理论后验浓度。
2018-02-09 stat.AP stat.CO
Bayesian Hierarchical Models for High-Dimensional Mediation Analysis with Coordinated Selection of Correlated Mediators
我们认为贝叶斯高维中介分析，以确定在一个大的相关的潜在介质的活跃的介导的影响，从暴露变量的利益的结果。在现代数据分析中经常观察到介质之间的相关性;例子包括大脑图像数据中连接区域内的激活体素、基因组数据中基因网络驱动的调节信号以及来自相同来源的相关暴露数据。当活性介体之间存在相关性时，不能考虑这种相关性的中介分析可能是次优的，并且可能导致在识别活性介体方面的能力损失。最近的高维中介分析框架的基础上，我们提出了两个贝叶斯分层模型，一个高斯混合物之前，使相关的中介选择和其他与Potts混合物之前，占活跃的中介之间的相关性在中介分析。我们为这两种方法开发了有效的采样算法。各种模拟表明，我们的方法能够有效地识别相关的活性介质，这可能是错过了使用现有的方法，假设事先独立的活性介质。所提出的方法适用于LIFECODES出生队列和多种族研究的动脉粥样硬化（MESA），并确定了新的活性介质具有重要的生物学意义。
2020-09-23 stat.AP
Scalable Bayesian model averaging through local information propagation
我们表明，经典的向前逐步变量包含过程的概率版本可以作为一个通用的数据增强计划模型空间分布（广义）线性模型。该潜在变量表示采用马尔可夫过程的形式，从而允许信息传播算法被应用于从模型空间后验进行采样。特别是，我们提出了一个序贯蒙特卡罗方法实现有效的无偏贝叶斯模型平均在高维问题，利用建议分布构造使用本地信息传播。我们说明了我们的方法-所谓的LIPS为本地信息传播为基础的采样-通过真实和模拟的例子，维数范围从15到1,000，并比较其性能估计后验包含概率和样本外预测的其他几种方法-即MCMC，BAS，iBMA和LASSO。此外，我们还表明，潜变量表示也可以作为一种建模工具，用于指定模型空间的先验知识，占模型的复杂性和条件包含关系。
2014-10-22 stat.CO stat.ME
Unity Smoothing for Handling Inconsistent Evidence in Bayesian Networks and Unity Propagation for Faster Inference
Aalborg University（奥尔堡大学）；University of Copenhagen（哥本哈根大学）
我们提出统一平滑（US）处理贝叶斯网络模型和新的看不见的观察之间的不一致。我们表明，预测精度，使用连接树算法与美国是拉普拉斯平滑。此外，在利用数据结构的稀疏性的应用中，US在存储器使用方面优于拉普拉斯平滑。此外，我们详细介绍了如何避免冗余的计算，否则必须执行的消息传递计划中的连接树算法，我们称之为统一传播（UP）。实验结果表明，它总是更快地利用UP上的Lauritzen-Spigelhalter消息传递计划的联合树算法。
2022-01-21 cs.LG stat.CO
Robust Mean Estimation with the Bayesian Median of Means
样本均值通常用于聚合参数的不同无偏估计，产生无偏但可能高方差的最终估计。本文介绍了均值的贝叶斯中位数，这是一种在样本均值和中位数之间进行粗略插值的聚集规则，从而以偏倚为代价获得方差小得多的估计值。虽然该过程是非参数的，但其平方偏差相对于方差是渐近可忽略的，类似于最大似然估计。贝叶斯中位数的平均值是一致的，估计的偏差和$L_1$错误的浓度范围，以及一个快速的非随机近似算法。精确和近似程序的性能匹配的样本均值在低方差设置，并表现出更好的结果在高方差的情况下。在真实和模拟数据中，以及在重要性抽样、交叉验证和装袋等应用中，检验了经验性能。
2019-06-04 math.ST stat.ME stat.TH
Bayesian Inference on Multivariate Medians and Quantiles
本文考虑了在Dirichlet过程先验下联合分布的多元中位数和多元分位数泛函的贝叶斯推断。由于，不像单变量分位数，多元中位数和多元分位数的确切后验分布是不能明确获得的，我们研究这些分布渐近。我们得到了多元$\ell_1$ -中位数关于一般$\ell_p$ -范数的Bernstein-vonMises定理，特别是证明了它的后验概率在$n^{-1/2}$ -速率下集中在它的真值附近，并且它的可信集具有渐近正确的频率论覆盖.特别是，渐近正态性的经验多元中位数一般$\ell_p$ -范数的结果也来自过程中的证明，从文献中的情况下$p=2$的结果扩展到一般的$p$。该技术涉及近似后狄利克雷过程的贝叶斯自助过程，并推导出一个条件Donsker定理。我们还获得了类似的结果的仿射等变版本的多变量$\ell_1$ -中位数的基础上的自适应变换和再变换技术。将所得结果推广到多元分位数的联合分布。通过仿真研究证实了渐近结果的准确性。我们还使用的结果，以获得贝叶斯可信区域的多元中位数费舍尔的虹膜数据，其中包括四个功能测量的三种植物物种。
2019-09-23 math.ST stat.TH
Generalized Median of Means Principle for Bayesian Inference
本文将均值中位数原理扩展至贝叶斯框架，提出鲁棒后验分布概念，量化其对异常值的鲁棒性，证明其满足Bernstein-von Mises定理，并在应用中表现良好。
2024-10-11 math.ST stat.TH
SPUX Framework: a Scalable Package for Bayesian Uncertainty Quantification and Propagation
我们提出SPUX -一个模块化的框架，贝叶斯推断，使不确定性量化和传播的线性和非线性，确定性和随机模型，并支持贝叶斯模型选择。SPUX可以耦合到以任何编程语言编写的任何串行或并行应用程序（例如，包括Python，R，Julia，C/C++，Fortran，Java或二进制可执行文件），可以轻松地从个人计算机上的串行运行扩展到并行高性能计算集群，并旨在提供一个特别适合支持和促进计算科学可重复性的平台。我们说明了SPUX的功能，一个简单而有代表性的随机游动模型，描述了如何耦合不同类型的用户应用程序，并展示了几个现成的例子，从环境科学。除了现有的最先进的数值推理算法，包括EMCEE，PMCMC（PF）和SABC，SPUX框架的开源性质和层次并行SPUX执行器的明确描述也应该大大简化其他推理和优化技术的实现和使用。
2021-05-12 cs.CE cs.MS stat.CO
Expectation-Propagation for Bayesian Empirical Likelihood Inference
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；School of Mathematics and Statistics, The University of Melbourne（墨尔本大学数学与统计学院）
本文提出基于期望传播的变分方法近似贝叶斯经验似然后验，解决其计算挑战，在小样本下实现更优成本-精度权衡，且理论上近似与目标后验渐近等价。
2026-08-05 stat.CO stat.ME
Uncertainty Propagation and Bayesian Fusion on Unimodular Lie Groups from a Parametric Perspective
本文研究单模李群上的不确定性传播与贝叶斯融合，通过Mckean-Gangolli注入将李群上的SDE转换为指数坐标参数化形式，推导出均值与协方差拟合及传播方程，并改进Kalman滤波器更新步骤以提升融合精度。
2025-03-07 cs.SY eess.SY math.ST
High-Dimensional Mediation Analysis for Generalized Linear Models Using Bayesian Variable Selection Guided by Mediator Correlation
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Brigham and Women’s Hospital（布莱根妇女医院）；Sungkyunkwan University（成均馆大学）
本文提出基于贝叶斯变量选择的高维中介分析方法，利用中介相关性在广义线性模型中识别中介路径并估计间接效应。
2026-02-12 stat.ME
Modelling Skewed and Heavy-Tailed Errors in Bayesian Mediation Analysis
针对传统中介模型误差正态假设违背的问题，提出中心化两段式学生t分布建模偏态厚尾误差，结合贝叶斯框架提升检验功效与稳健性，还开发了对应R包。
2025-09-03 stat.ME
Bayesian Image Mediation Analysis
University of Michigan（密歇根大学）；University of Chicago（芝加哥大学）
本文提出了一种基于空间变化系数结构方程模型的贝叶斯图像中介分析方法，用于高维神经影像数据中的中介效应估计与分析。
2025-12-29 math.ST stat.CO 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
Validating uncertainty propagation approaches for two-stage Bayesian spatial models using simulation-based calibration
本文针对两阶段贝叶斯空间模型的不确定性传播问题，验证了插件法和后验采样法，并提出基于INLA的Q不确定性方法，通过模拟校准验证其正确性，应用于菲律宾登革热病例分析。
2025-02-26 stat.CO stat.ME
A possibility-theoretic solution to Basu's Bayesian--frequentist via media
本文提出一种可能性理论方案来解决 Basu 的贝叶斯–频率主义中间道路问题，论证仅靠似然无法支持可靠概率推断，并展示如何利用不精确概率的灵活性逼近似然原则。
2023-07-26 math.ST stat.ME stat.OT
Bayesian Sparse Mediation Analysis with Targeted Penalization of Natural Indirect Effects
因果中介分析的目的是描述暴露对结果的影响，并量化通过给定的中介或一组感兴趣的中介作用的间接影响。随着对大量潜在介质（如表观基因组或微生物组）的测量的日益可用性，需要新的统计方法来同时容纳高维介质，同时直接靶向自然间接效应（NIE）的惩罚以用于活性介质识别。在这里，我们开发了两种新的先验模型，通过惩罚贝叶斯范式中的NIE，在高维中介分析中识别活跃的中介。这两种方法都指定了一个联合先验分布的保险中介效果和中介结果的效果与（a）一个四分量高斯混合先验或（b）一个产品阈值高斯先验。通过联合建模的两个参数，有助于NIE，所提出的方法，使惩罚他们的产品在一个有针对性的方式。结果推理可以考虑NIE背后的四分量复合结构。我们通过模拟表明，所提出的方法提高了选择和估计精度相比，其他竞争的方法。我们应用我们的方法对两项正在进行的流行病学研究进行了深入分析：多种族动脉粥样硬化研究（MESA）和LIFECODES出生队列。两项研究中确定的活性介质揭示了理解疾病机制的重要生物学途径。
2020-08-14 stat.AP
Data-Driven Uncertainty Quantification and Propagation in Structural Dynamics through a Hierarchical Bayesian Framework
在存在建模误差的情况下，主流贝叶斯方法通常低估了参数的固有变异性，因此很少对不确定性进行真实的描述。这个问题不是由于贝叶斯框架中的任何误解，因为它相对于建模假设和观察到的数据是绝对鲁棒的。相反，这个问题的根源在于用户无法开发适当的概率模型。本文弥合了这一重大差距，引入了一种新的贝叶斯分层设置，打破了时间历史的振动响应到几个部分，以捕捉和识别多个部分的推断参数的变异性。由于计算的后验分布在分层模型是昂贵和繁琐的，新的边缘化策略，渐近近似，和最大后验估计提出和概述的计算算法，旨在处理不确定性量化和传播任务。首次通过近似估计刻画了总体协方差阵与超分布参数之间的联系。实验和数值例子来说明所提出的方法的有效性和效率。据观察，当段对应于各种系统条件和输入特性，所提出的方法提供了强大的参数不确定性，如环境条件，输入特性和环境因素的未知现象。
2019-12-06 stat.AP
Bayesian kernel machine regression-causal mediation analysis
更好地了解环境混合物的作用途径对于设计有效的干预措施十分重要。我们提出了一种新的方法来估计自然的直接和间接影响，并通过一个中介变量控制的直接影响的复杂的混合物暴露的结果。我们实现贝叶斯核机器回归（BKMR），以允许所有可能的相互作用和非线性效应（1）共同暴露对中介，（2）共同暴露和中介对结果，以及（3）选定的协变量对中介和/或结果。从后验预测分布的中介和结果，我们模拟反事实，以获得后验样本，估计，和可信区间的中介效果。我们的模拟研究表明，当确定性-中介和确定性-中介-结果关系复杂时，BKMR-因果中介分析比现有的调解方法表现得更好。我们应用我们的方法来量化的贡献，出生长度之间的中介在子宫内共同暴露于砷，锰和铅，儿童的神经发育评分，在孟加拉国的一个前瞻性的出生队列。在年龄较小的儿童中，我们发现金属混合物和神经发育之间存在负（不利）关联。我们还发现，出生长度介导暴露于金属混合物对幼儿神经发育的影响。如果将出生身长固定为其$75^{th}$百分位值，则金属混合物对神经发育的有害影响减弱，这表明有助于增加胎儿生长的营养干预，从而出生身长可能会潜在地阻断金属混合物对神经发育的有害影响。
2021-12-21 stat.ME
Generalized Bayesian Record Linkage and Regression with Exact Error Propagation
记录链接（重复数据删除或实体解析）是合并噪声数据库以删除重复实体的过程。虽然记录链接从这样的数据库中删除重复的实体，但下游任务是链接数据上的任何推理、预测或链接后任务。下游任务的一个目标是获得更大的参考数据集，允许执行更准确的统计分析。此外，存在传递到下游任务的固有记录链接不确定性。基于上述考虑，我们提出了一种广义贝叶斯记录连接方法，并将多元回归分析作为下游任务。记录通过随机分区模型链接，该模型允许考虑广泛的类别。此外，我们联合模型的记录链接和下游的任务，它允许一个帐户的记录链接的不确定性。此外，一个是能够产生一个反馈传播机制的信息从建议的贝叶斯记录链接模型到下游任务。这种反馈效应对于消除可能危及下游任务的潜在偏差至关重要。我们将我们的方法应用于多元线性回归，并实证说明“反馈效应”能够提高记录链接的性能。
2018-10-11 stat.ME
