Bayesian Hybrid Matrix Factorisation for Data Integration
University of Cambridge（剑桥大学）
我们介绍了一种新的贝叶斯混合矩阵分解模型（HMF）的数据集成，结合多个矩阵分解方法，可用于在和外的矩阵预测缺失值的基础上。该模型非常通用，可用于集成不同实体类型的许多数据集，包括重复实验，相似性矩阵和非常稀疏的数据集。我们将我们的方法应用于两个生物应用程序，并将其与最先进的机器学习和矩阵分解模型进行了广泛的比较。对于药物敏感性数据集的矩阵预测，我们获得了比现有方法更好的性能。当我们增加数据集的稀疏性时，情况尤其如此。此外，我们对甲基化和基因表达数据集进行了矩阵外预测，并在三个数据集中的两个数据集上获得了最佳结果，特别是当数据集的预测性很高时。
2017-04-17 cs.LG stat.ML
BET: Bayesian Ensemble Trees for Clustering and Prediction in Heterogeneous Data
我们提出了一种新的“树平均”模型，利用分类和回归树（CART）的合奏。每个组成树估计与相似的数据的子集。我们把这个分组的子集贝叶斯集成树（BET）和模型作为一个无限的混合Dirichlet过程。我们表明，BET适应数据的异质性，并准确地估计每个组件。与Bootstrap-聚集方法相比，BET以较少的树显示出更好的预测性能。我们开发了一个有效的估计过程与改进的抽样策略在CART和混合模型。我们通过模拟、乳腺癌分类和囊性纤维化患者肺功能测量的回归来证明BET的这些优点。关键词：贝叶斯CART;狄利克雷过程;包围方法;异质性;混合树。
2014-08-18 stat.CO stat.ML
Bayesian Probabilistic Numerical Integration with Tree-Based Models
Imperial College London（帝国理工学院）；Brown University（布朗大学）；University of Oxford（牛津大学）；University College London（伦敦大学学院）
贝叶斯求积（Bayesian quadrature，BQ）是一种以贝叶斯方式解决数值积分问题的方法，它允许用户量化他们对解决方案的不确定性。BQ的标准方法基于被积函数的高斯过程（GP）近似。因此，BQ本质上限于GP近似可以以有效方式完成的情况，因此通常禁止非常高维或非光滑的目标函数。本文提出了一种新的贝叶斯数值积分算法的基础上贝叶斯加性回归树（BART）的先验，我们称之为BART-Int。BART先验很容易调整，非常适合于不连续的功能。我们证明，他们也自然地借给自己的顺序设计设置和明确的收敛速度，可以在各种设置。这种新方法的优点和缺点突出的一组基准测试，包括Genz功能，和贝叶斯调查设计问题。
2021-12-02 cs.LG cs.NA math.NA
ARCO-BO: Adaptive Resource-aware COllaborative Bayesian Optimization for Heterogeneous Multi-Agent Design
Department of Mechanical Engineering, Northwestern University（机械工程系，西北大学）
针对多智能体在目标、预算和设计空间上的异构协作优化问题，本文提出ARCO-BO，通过自适应共识、异步预算协调和部分空间共享提升复杂场景下的优化性能。
2025-10-18 cs.LG stat.ML
BayReL: Bayesian Relational Learning for Multi-omics Data Integration
Texas A&M University（得克萨斯农工大学）
高通量分子谱分析技术产生了高维多组学数据，使得能够在基因组尺度上系统地理解生命系统。研究不同数据类型的分子相互作用有助于揭示不同分子类别的信号转导机制。在本文中，我们开发了一种新的贝叶斯表示学习方法，推断跨多组学数据类型的关系交互。我们的方法，贝叶斯关系学习（BayReL）的多组学数据集成，利用先验已知的关系，在同一类分子，建模为一个图形在每个相应的视图，学习视图特定的潜变量，以及多部图，编码跨视图的相互作用。我们在几个真实世界数据集上的实验表明，与现有基线相比，BayReL在推断有意义的交互方面的性能有所增强。
2020-10-22 cs.LG q-bio.MN stat.AP
Invariant Priors for Bayesian Quadrature
University College London（伦敦大学学院）；Microsoft Research Cambridge（微软剑桥研究院）；University of Tübingen（蒂宾根大学）
贝叶斯求积（Bayesian quadrature，BQ）是一种基于模型的数值积分方法，能够通过编码和利用手头的积分任务的已知结构来提高样本效率。在本文中，我们探讨了先验编码下的输入域中的双射变换，特别是一些酉变换，如旋转，轴翻转，或点对称的被积函数的不变性。我们展示了在几个合成和一个现实世界中的应用相比，标准贝叶斯正交的优越性能的初步结果。
2021-12-02 cs.LG stat.ML
Bayesian Analysis of Rank Data with Covariates and Heterogeneous Rankers
经常会遇到排名列表形式的数据，并且组合来自不同来源的排名结果可以潜在地生成更好的排名列表并帮助理解排名者的行为。这里感兴趣的是以下设置下的排名数据：（i）可用于排名实体的协变量信息;（ii）不同质量或具有不同意见的排名者;以及（iii）非重叠子组的不完整排名列表。我们回顾了过去几十年来研究人员围绕Thurstone模型家族构建的一些关键思想，并提供了一种统一的方法，用于协变量的贝叶斯秩数据分析（BARC）及其扩展，用于处理异质秩。在贝叶斯框架下，我们可以研究排名者的不同质量，聚类排名者的异质性意见，并测量相应的不确定性。为了使一个有效的贝叶斯推断，我们提倡一个参数扩展的吉布斯抽样从目标后验分布。后验样本还产生贝叶斯聚合排名列表，其中可信区间量化其不确定性。我们调查和比较所提出的方法和其他秩聚合方法在模拟研究和两个真实数据的例子中的性能。
2020-07-17 stat.ME
Discrete Causal Representations from Heterogeneous Domains: A Bayesian Approach with Social Survey Applications
Department of Statistics, University of Chicago（芝加哥大学统计学系）；University of Tübingen（图宾根大学）；Department of Statistics & Data Science Institute, University of Chicago（芝加哥大学统计学与数据科学研究所）；Seminars for Statistics, ETH Zürich（苏黎世联邦理工学院统计系）
提出一种贝叶斯方法，从多环境数据中学习离散因果概念，通过序贯蒙特卡洛采样近似多模态后验，并在社会调查数据中验证了其推断有意义的高层概念和因果关系的有效性。
2026-06-04 cs.LG stat.ML
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
Frank-Wolfe Bayesian Quadrature: Probabilistic Integration with Theoretical Guarantees
有新的兴趣制定集成作为一个推理问题，通过获得一个完整的分布，可以通过后续的计算传播的数值误差的动机。目前的方法，如贝叶斯求积，表现出令人印象深刻的经验性能，但缺乏理论分析。一个重要的挑战是调和这些概率积分严格的收敛保证。在本文中，我们提出了第一个概率积分，承认这样的理论治疗，称为弗兰克-沃尔夫贝叶斯正交（FWBQ）。根据FWBQ，收敛到真值的积分是指数和后收缩率被证明是超指数。在模拟中，FWBQ与最先进的方法相比具有竞争力，并且优于基于Frank-Wolfe优化的替代方案。我们的方法是成功地量化数值误差的解决方案，在细胞生物学中具有挑战性的模型选择问题。
2015-12-06 stat.ML
Asymptotics of approximate Bayesian computation when summary statistics converge at heterogeneous rates
本文研究汇总统计量以异质速率收敛时近似贝叶斯计算的渐近性质，给出后验收敛条件及形状的显式表示，并量化局部线性后处理的增益。
2023-11-16 stat.CO
Bayesian X-Learner: Calibrated Posterior Inference for Heterogeneous Treatment Effects under Heavy-Tailed Outcomes
Independent researcher（独立研究者）
本文提出贝叶斯X学习器，通过交叉拟合双重稳健伪结果和Welsch红降伪似然，实现对异质处理效应的校准后验推断，具有鲁棒性与高精度。
2026-04-30 cs.LG stat.ML
Spatially-Heterogeneous Causal Bayesian Networks for Seismic Multi-Hazard Estimation: A Variational Approach with Gaussian Processes and Normalizing Flows
Johns Hopkins University（约翰斯·霍普金斯大学）；Data Science and AI Institute, Johns Hopkins University（约翰斯·霍普金斯大学数据科学与人工智能学院）
本文提出空间异质因果贝叶斯网络 Spatial-VCBN，结合高斯过程与归一化流建模地震效应随地理位置变化的因果机制，在三次地震评估中 AUC 最高提升 35.2%，为灾害评估和应急资源分配提供支持。
2025-04-05 cs.LG stat.AP stat.ML
Referenced Thermodynamic Integration for Bayesian Model Selection: Application to COVID-19 Model Selection
模型选择是应用贝叶斯统计方法学的基本部分。赤池信息准则（Akaike Information Criterion）等准则在实践中通常用于选择模型，但没有考虑模型参数的不确定性，可能会给出误导性的选择。使用完整后验分布的一种方法是计算两个模型的归一化常数之比，称为贝叶斯因子。通常在现实问题中，这涉及到分析上难以处理的高维分布的积分，因此需要使用随机方法，如热力学积分（TI）。在本文中，我们应用的TI方法，简称为参考TI，计算一个单一的模型的归一化常数在一个有效的方式，通过使用一个明智的选择参考密度的变化。的方法和理论考虑的优点，连同明确的教学1和2D的例子。基准与可比的方法，我们发现有利的收敛性能。该方法被证明是有用的，在实践中，当应用到一个真正的问题-执行模型选择的半机械分层贝叶斯模型的COVID-19在韩国的传播，涉及200 D密度的整合。
2021-01-07 stat.AP stat.ML
Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Amsterdam University Medical Centre（阿姆斯特丹大学医学中心）
该研究提出贝叶斯融合森林框架，结合随机试验与真实世界数据估计生存异质性处理效应，经模拟和HIV数据分析显示其效率优于仅试验分析，可明确识别患者获益。
2026-08-03 stat.ME stat.ML
Batch Selection for Parallelisation of Bayesian Quadrature
University of Oxford（牛津大学）
非负被积函数上的积分是机器学习中的一个核心问题（例如，用于模型平均、（超）参数边缘化和计算后验预测分布）。贝叶斯求积法是一种概率数值积分技术，与传统的马尔可夫链蒙特卡罗方法相比，其表现令人鼓舞。然而，与易于并行化的MCMC方法相比，贝叶斯求积方法到目前为止本质上是串行的，在算法的每个步骤中选择一个点进行采样。我们提供的方法来选择批次的点在每一步，根据最近提出的批量贝叶斯优化文献。这种并行化显著减少了计算时间，特别是当被积函数的采样成本很高时。
2018-12-04 cs.LG stat.CO stat.ML
Hierarchical Bayesian Bootstrap for Heterogeneous Treatment Effect Estimation
因果推断的一个主要焦点是估计异质性平均处理效应（HTE）-另一个关注变量（如生物标志物水平、教育或年龄分层）分层内的平均处理效应。推断涉及估计特定于层的回归，并将其整合到该层中混杂因素的分布上-这本身必须被估计。标准实践涉及独立估计这些层特异性混杂因素分布（例如，通过经验分布或Rubin的贝叶斯自助法），这对于具有很少观察到的混杂因素向量的稀疏人口层来说是有问题的。在本文中，我们开发了一个非参数的分层贝叶斯自助（HBB）先验的分层特定的混杂分布的HTE估计。HBB部分地汇集了特定于层的分布，从而允许在稀疏性是一个问题时跨层原则性地借用混淆信息。我们发现，在HBB下的后验推理可以产生效率增益超过标准的边缘化方法，同时避免强参数假设的混杂分布。我们使用我们的方法来评估质子与光子放化疗在各种癌症类型中的不良事件风险。
2023-01-04 stat.ME
Heterogeneous Learning from Demonstration
Georgia Institute of Technology（佐治亚理工学院）
开发能够利用人类和其机器人对应物两者的优势的人类-机器人系统已经受到极大的追捧，因为可以预见的是，对整个工业和研究的广泛影响。我们认为，除非机器人能够高度自主地行动，减少手动任务或远程操作的负担，否则这些系统的真正潜力无法实现。为了实现这种程度的自主性，机器人必须能够与人类合作伙伴流畅地工作，在没有明确命令的情况下推断他们的需求。这种推理要求机器人能够检测和分类其合作伙伴的异质性。我们提出了一个框架，从异构的示范贝叶斯推理的基础上学习，并评估一套方法在现实世界的数据集的游戏星际争霸II。该评估提供的证据表明，我们的贝叶斯方法可以优于传统的方法高达12.8 $%$。
2020-04-14 cs.LG stat.ML
On the Effects of Heterogeneous Errors on Multi-fidelity Bayesian Optimization
University of California, Irvine（加州大学欧文分校）
本文针对多保真度贝叶斯优化中低保真度数据全局相关性差和噪声异方差的问题，提出了一种为每个数据源学习噪声模型并利用局部相关低保真度源的多保真度仿真方法，通过分析示例和材料设计工程问题验证了其有效性。
2023-09-06 cs.LG stat.ML
Bayesian inference of heterogeneous epidemic models: Application to COVID-19 spread accounting for long-term care facilities
我们提出了一个高维贝叶斯推断框架，用于学习COVID-19模型的异质动态，并具体应用于COVID-19在长期护理（LTC）设施内外的动态和严重程度。我们开发了一个异质房室模型，该模型考虑了LTC设施内外COVID-19随时间变化的传播和严重程度的异质性，其特征在于离散化后的$\sim$ 1500维中的时间依赖随机过程和时间无关参数。为了推断这些参数，我们使用报告的数据的数量确认，住院，和死亡的情况下，适当的后处理，在确定性反演方法与适当的正则化作为第一步，其次是贝叶斯反演与适当的先验分布。为了解决维数灾难和高维推理问题的不适定性，我们提出了使用维度无关的投影Stein变分梯度下降方法，并证明了反问题的内在低维性。我们目前的推理结果与量化的不确定性，新泽西州和得克萨斯州，经历了不同的流行阶段和模式。此外，我们还根据我们对COVID-19未来轨迹的推断的经验后验样本提出了预测和验证结果。
2020-11-02 math.OC stat.ME
Residual lifetime prediction for heterogeneous degradation data by Bayesian semi-parametric method
Indian Statistical Institute（印度统计研究所）
本文提出基于贝叶斯半参数方法的异质退化数据残余寿命预测模型，通过狄利克雷过程混合正态分布建模退化路径，并利用MCMC技术预测残余寿命。
2026-01-14 stat.AP stat.ME
A semiparametric modeling approach using Bayesian Additive Regression Trees with an application to evaluate heterogeneous treatment effects
贝叶斯加性回归树（Bayesian Additive Regression Trees，BART）是一种灵活的机器学习算法，能够捕获结果和协变量之间的非线性以及协变量之间的相互作用。我们将BART扩展到一个半参数回归框架，其中对结果的条件期望是治疗、其效应修饰因子和混杂因素的函数。不具有科学意义的混杂因素允许具有未指定的函数形式，而治疗和其他具有科学重要性的协变量则由参数回归给出通常的线性形式。结果是贝叶斯半参数线性回归模型，其中线性部分的参数的后验分布可以解释为参数贝叶斯回归。这在以下情况下是有用的：变量的一个子集是实质性的，而其他变量是我们想要控制的讨厌的变量。这方面的一个例子发生在结构平均模型（SMM）的因果建模中。在一定的因果假设下，我们的方法可以用作贝叶斯SMM。我们的方法证明了模拟研究和应用程序的数据集，涉及新开始抗逆转录病毒治疗的艾滋病毒/丙型肝炎合并感染的成年人。这些方法在R包semibart中可用。
2018-06-11 stat.AP
CrossCat: A Fully Bayesian Nonparametric Method for Analyzing Heterogeneous, High Dimensional Data
MIT（麻省理工学院）；Louisville（路易斯维尔大学）
有一个广泛的需要，统计方法，可以分析高维数据集没有强加限制性或不透明的建模假设。本文介绍了一种领域通用的数据分析方法CrossCat。CrossCat推断数据的多个非重叠视图，每个视图由变量的子集组成，并使用单独的非参数混合来对每个视图进行建模。CrossCat基于数据表的分层非参数模型中的近似贝叶斯推理。该模型由数据表的列上的狄利克雷过程混合组成，其中每个混合成分本身是行上的独立狄利克雷过程混合;内部混合成分是简单的参数模型，其形式取决于表中数据的类型。CrossCat结合了混合建模和贝叶斯网络结构学习的优势。与混合建模一样，CrossCat可以通过设定潜在变量来对广泛的分布进行建模，并生成可以有效调节和采样以进行预测的表示。与贝叶斯网络一样，CrossCat表示变量之间的依赖性和独立性，因此在存在多个统计信号时保持准确。推理是通过一个可扩展的吉布斯抽样方案，本文表明，它在实践中工作良好。本文还包括多达1000万个单元格的异质表格数据的实证结果，如医院成本和质量指标、投票记录、失业率、基因表达测量和手写数字图像。CrossCat推断的结构与多个领域中公认的发现和常识一致，并产生与生成式，判别式和无模型替代方案相竞争的预测准确性。
2015-12-03 cs.AI stat.CO stat.ML
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
Bayesian Cluster Geographically Weighted Regression for Spatial Heterogeneous Data
本文提出结合贝叶斯地理加权回归与高斯混合及Dirichlet过程混合模型的方法，引入协变量效应聚类，解决区域协变量重要性差异问题，并优化大型空间数据集的MCMC计算，经模拟与实际数据验证有效。
2023-11-21 stat.AP stat.ME
Learning Bayesian Networks with Heterogeneous Agronomic Data Sets via Mixed-Effect Models and Hierarchical Clustering
University of Florence（佛罗伦萨大学）；Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达勒·莫勒人工智能研究所）；University of Milan（米兰大学）
针对异构层次农艺数据，本文提出将随机效应融入贝叶斯网络学习的方法，提升模型可解释性与因果发现能力，并将玉米产量预测错误率由28%降至17%。
2024-01-15 cs.LG stat.AP stat.ML
Ensemble Learning based Anomaly Detection for IoT Cybersecurity via Bayesian Hyperparameters Sensitivity Analysis
Western Sydney University（西悉尼大学）；The University of Sydney（悉尼大学）；Central Queensland University（中央昆士兰大学）
针对物联网异构数据下的网络安全异常检测难题，提出结合贝叶斯超参数优化的集成学习统一框架，相比传统方法具备更高预测准确率。
2023-07-20 cs.LG cs.SI stat.ML
Bayesian Mixture Models for Heterogeneous Extremes
Unité Biostatistique et Processus Spatiaux, INRAE, France（生物统计与空间过程单元，法国国家农业食品与环境研究院）；School of Mathematics, University of Edinburgh, UK（爱丁堡大学数学学院）；Department of Mathematics, University of Aveiro, Portugal（阿威罗大学数学系）；Department of Environmental Sciences, Informatics and Statistics, Ca’Foscari University of Venice, Italy（威尼斯卡福斯卡里大学环境科学、信息学与统计学系）
本文提出一种贝叶斯混合模型，用于处理极值的异质性，通过Dirichlet过程混合GEV分布，提升灵活性并捕捉观测间的极值相似性。
2026-04-13 stat.ME
Quantifying uncertainty in the numerical integration of evolution equations based on Bayesian isotonic regression
本文提出一种新的贝叶斯框架，通过引入收缩先验、变量变换和单调性约束，将贝叶斯等渗回归技术应用于常微分方程数值解的离散化误差方差估计，并利用高斯混合模型开发了高效的吉布斯采样算法。
2024-11-13 cs.NA math.NA physics.data-an
Bayesian nonparametric modeling of heterogeneous populations of networks
University of Milano-Bicocca（米兰比可卡大学）；Instituto Tecnológico Autónomo de México（墨西哥自治理工学院）
本文提出了一种基于Dirichlet过程混合模型的贝叶斯非参数方法，用于识别具有相似连接模式的异质网络群体，并通过模拟和脑网络数据验证了其有效性。
2026-03-06 stat.ME
Learning Heterogeneous Ordinal Graphical Models via Bayesian Nonparametric Clustering
KLATASDS-MOE, School of Statistics, East China Normal University（华东师范大学统计学院）；Department of Statistics & Probability, Michigan State University（密歇根州立大学统计与概率系）
本文提出一种非参数贝叶斯框架，通过混合有限混合方法，解决有序数据建模中的异质性问题，实现灵活的子群体发现和参数估计，适用于体育分析中的潜在模式识别。
2025-12-04 stat.ME
Target-aware Bayesian inference via generalized thermodynamic integration
本文提出广义热力学积分（GTI）方案，将靶向感知的后验期望估计转化为多个独立边际似然估计任务，并通过数值模拟验证其在不同场景下的有效性。
2025-02-04 cs.CE stat.CO stat.ME
Bayesian shared parameter joint models for heterogeneous populations
针对异质性总体下标准联合模型的不足及联合潜在类别模型（JLCMs）的计算难题，提出基于马尔可夫链蒙特卡洛和并行计算的贝叶斯推断框架，经模拟和PAQUID队列数据验证其可行性与优越性。
2024-10-29 stat.CO stat.ME
Learning Collapsed Patterns in Compositional Data: A Bayesian Heterogeneous Relative-Shift Approach
Indiana University Bloomington（印第安纳大学布卢明顿分校）；Michigan State University（密歇根州立大学）
提出贝叶斯异质性相对位移回归模型，联合学习潜在聚类和简约效应结构，通过投影收缩先验和有限混合先验实现，并开发了嵌入确定性替代塌缩算子的混合MCMC算法。
2026-06-05 stat.ME
SunBURST: Deterministic GPU-Accelerated Bayesian Evidence via Mode-Centric Laplace Integration
Braude College of Engineering（布雷德工程学院）
SunBURST通过模式中心拉普拉斯积分实现高维贝叶斯证据计算，结合GPU并行加速，适用于高斯和近高斯后验，提供高精度且高效的结果。
2026-01-27 astro-ph.CO astro-ph.IM stat.CO
Amortized Bayesian Disease Mapping and Boundary Detection on Heterogeneous Spatial Graphs
University of California, Los Angeles（加州大学洛杉矶分校）
针对异质空间图谱，提出协变量感知的贝叶斯边界模型与摊销后验近似，实现疾病制图与边界检测，并在多区域数据上验证其有效性与可重用性。
2026-09-28 stat.AP stat.ME
Variational Bayesian Adaptation of Noise Covariances in Non-Linear Kalman Filtering
本文研究非线性随机状态空间模型中状态和时变噪声协方差阵的联合估计问题。本文提出了一种基于变分贝叶斯和高斯滤波的近似滤波后验后验分布的有效计算方法。非线性状态空间模型计算的基于高斯滤波的公式化允许使用有效的高斯积分方法，例如无迹变换、体积积分和高斯-厄米特积分以及经典的泰勒级数近似。该算法的性能示出在一个模拟的应用程序。
2013-02-04 stat.ME
Econometric Inference on a Large Bayesian Game with Heterogeneous Beliefs
本文聚焦具有异质信念的大型贝叶斯博弈，通过引入事后遗憾概念及其无信念界，开发了不依赖邻域规模且一致有效的自助法推断程序，用于对结构参数进行实证检验。
2023-05-24 stat.AP
Bayesian Federated Inference for regression models based on non-shared multicenter data sets from heterogeneous populations
针对多中心数据因隐私无法共享导致回归模型过拟合问题，提出贝叶斯联邦推断（BFI）方法，通过合并各中心本地统计推断结果实现等效于合并数据的分析，并开发了配套R包。
2024-09-24 stat.AP stat.CO stat.ME
Bayesian methods for genetic association analysis with heterogeneous subgroups: From meta-analyses to gene-environment interactions
遗传关联分析通常涉及来自多个潜在异质亚组的数据。异质性的预期量可以从适度（例如，典型的元分析）到大（例如，一个强的基因-环境相互作用）。然而，现有的统计工具在处理这种异质性方面能力有限。事实上，大多数遗传关联荟萃分析使用“固定效应“分析，该分析假设没有异质性。在这里，我们开发和应用贝叶斯关联方法来解决这个问题。这些方法很容易应用（在最简单的情况下，只需要对每个亚组的遗传效应及其标准误误差进行点估计），并且有效地包括标准频率主义荟萃分析方法，包括通常的“固定效应“分析，作为特殊情况。我们将这些工具应用于两个大型的遗传关联研究：一个是来自全球脂质联盟的全基因组关联研究的荟萃分析，第二个是表达数量性状基因座（eQTL）的交叉群体分析。在Global Lipids数据中，我们发现，也许令人惊讶的是，不同研究的效果通常相当均匀。在eQTL研究中，我们发现eQTL通常在不同大陆群体之间共享，并讨论了这对研究设计的影响。
2014-04-14 stat.AP stat.ME
hIPPYlib-MUQ: A Bayesian Inference Software Framework for Integration of Data with Complex Predictive Models under Uncertainty
贝叶斯推理为数据与数学模型的集成提供了一个系统框架，以量化逆问题解中的不确定性。然而，解决贝叶斯逆问题的复杂的正向模型描述的偏微分方程（PDE）仍然是禁止与黑箱马尔可夫链蒙特卡罗（MCMC）方法。我们提出了hIPPYlib-MUQ，一个可扩展和可扩展的软件框架，其中包含最先进的算法，旨在克服高维，PDE约束的贝叶斯逆问题的挑战的实现。这些算法通过利用参数空间的几何和固有的低维性，通过导数信息和低秩近似来加速MCMC采样。该软件集成了两个互补的开源软件包，hIPPYlib和MUQ。hIPPYlib使用自动生成的基于伴随的导数来解决PDE约束的逆问题，但它缺乏完整的贝叶斯功能。MUQ提供了一系列功能强大的贝叶斯反演模型和算法，但预计前向模型将配备梯度和Hessian，以允许大规模的解决方案。通过结合这两个库，我们创建了一个强大的，可扩展的，高效的软件框架，实现了各自的优势，并使我们能够解决复杂的大规模贝叶斯逆问题。为了说明hIPPYlib-MUQ的功能，我们对几个逆问题的多种MCMC方法进行了比较。这些问题包括线性和非线性偏微分方程，各种噪声模型，以及不同的参数尺寸。结果表明，大（$\sim 50\times$）加速比传统的黑盒和基于梯度的MCMC算法可以通过利用海森信息（从日志后验），强调集成的hIPPYlib-MUQ框架的力量。
2022-12-29 cs.MS cs.NA math.NA
Bayesian Models for Heterogeneous Personalized Health Data
本研究的目的是利用现代技术（如Beckman et al.（2014）中的移动或网络应用程序）来丰富流行病学数据并推断疾病的传播。关于总体水平的同质性研究在以往的工作中已经得到了深入的研究。相比之下，我们开发了分层图耦合隐马尔可夫模型（hGCHESTs），同时跟踪感染的传播在一个小的手机社区，并通过利用链接之前，结合额外的协变量捕捉个人特定的感染参数。我们还重新审视了从简单的HALGOR和LDA的hGCHMM模型的演变，阐明了额外的灵活性和可解释性。由于稀疏耦合的Hyndrome的非共轭性，我们设计了一个新的近似分布，使我们的方法更适用于其他应用领域。此外，我们研究了两个常见的链接函数，β指数先验和sigmoid函数，这两者都允许发展一个原则性的贝叶斯分层框架的疾病传播。我们的模型的结果使我们能够预测每个人每天的感染概率，并推断个人的身体脆弱性以及与协变量的相关关联。我们证明了我们的方法实验模拟数据和真实的流行病学记录。
2015-09-01 stat.AP
Spiked Laplacian Graphs: Bayesian Community Detection in Heterogeneous Networks
在网络数据分析中，使用显示\emph{heterogeneity}的图形集合越来越常见。例如，来自患者队列的神经成像数据越来越多地可用。一个关键的分析任务是确定社区，并定期使用基于拉普拉斯的方法。然而，这些方法目前仅限于一个单一的网络，不提供社区分配的不确定性的措施。在这项工作中，我们提出了一种称为“尖峰拉普拉斯图”的概率网络模型，该模型将每个网络视为拉普拉斯算子的可逆变换，其特征值由修改后的尖峰结构建模。这有效地减少了特征向量中的参数的数量，并且它们的符号模式允许对社区结构的有效估计。此外，特征向量的后验分布为社区估计提供了不确定性量化。随后，我们引入了贝叶斯非参数方法来解决一组图形中的异质性问题。理论结果建立在后验一致性的程序，并提供洞察力模型的分辨率和精度之间的权衡。我们说明了合成数据集上的方法的性能，以及与工作记忆中的大脑活动相关的神经科学研究。关键词：层次社区检测，等周常数，混合效应特征分解，归一化图割，Stiefel流形
2020-03-09 stat.ME
Heterogeneous large datasets integration using Bayesian factor regression
现代统计应用中的两个关键挑战是，每个人记录的信息量很大，而且这些数据往往不是一次性收集的，而是分批收集的。这些批次效应可能很复杂，导致均值和方差的扭曲。我们提出了一种新的稀疏潜在因子回归模型来整合这种异构数据。该模型提供了一种通过降维进行数据探索的工具，同时校正了一系列的批量效应。我们研究了使用几个稀疏先验（本地和非本地）来学习潜在因素的维度。我们的模型拟合在一个确定性的方式通过一个期望最大化算法，我们推导出封闭形式的更新，贡献了一种新的可扩展算法的非本地先验的利益超出了本文的直接范围。我们提出了几个例子，重点是生物信息学的应用。我们的研究结果表明，在降维的准确性增加，与非本地先验大大提高重建的因素基数，以及需要考虑批量效应，以获得可靠的结果。我们的模型为潜在因子回归提供了一种新的方法，该方法平衡了稀疏性和敏感性，并且计算效率很高。
2019-05-20 stat.AP stat.ME
Bayesian Structural Equation Modeling in Multiple Omics Data Integration with Application to Circadian Genes
众所周知，不同数据源之间的整合是可靠的，因为它有可能揭示在单一来源分析中可能处于休眠状态的基因组表达的新功能。此外，不同的研究证明了对多平台数据进行更强大的分析的合理性。为此，在这项研究中，我们考虑了昼夜节律基因的组学特征，如拷贝数变化和RNA序列数据以及它们的生存反应。我们开发了一种贝叶斯结构方程模型，结合线性回归和对数正态加速失效时间回归，以整合这两个平台之间的信息来预测受试者的生存。我们把共轭先验的回归参数，并推导出吉布斯抽样使用它们的条件分布。我们广泛的模拟研究表明，综合模型提供了一个更好的适合的数据比其最接近的竞争对手。对来自最大的基因组学和转录组学数据库TCGA的胶质母细胞瘤癌症数据和乳腺癌数据的分析支持了我们的发现。所开发的方法被封装在R CRAN提供的R包semmcmc中。
2021-12-06 stat.AP stat.ME
Bayesian Inverse Problems with Heterogeneous Variance
本文研究希尔伯特空间中相关高斯噪声下的轻度不适定贝叶斯反问题，提出小波基的vaguelette-vaguelette方法以应用序列空间技术，分析后验收缩率与极小极大速率，并证明自适应经验贝叶斯后验在最优速率下收缩。
2022-10-20 math.AP math.ST stat.TH
Bayesian integration G-formula for platform SMART designs allowing for adding new treatments
Duke-NUS Medical School（杜克-国大医学院）；National University of Singapore（新加坡国立大学）；Duke University（杜克大学）；University of Melbourne（墨尔本大学）
本文提出了一种整合平台试验和SMART设计的新型平台SMART，引入贝叶斯整合G公式（BIG）估计量以处理非同步治疗比较，并通过模拟和SNAP试验验证其有效性。
2026-04-28 stat.ME
Mesoscopic Bayesian Inference by Solvable Models
本文提出一种解析理论处理线性回归中有限次测量情况，通过引入中观变量分析贝叶斯测量的参数估计、模型选择与测量整合，并证明自由能差异可由两个中观变量解析化简，为理解贝叶斯测量结果提供新方法。
2024-08-27 math.ST physics.data-an stat.TH
Bayesian Joint Modeling of Longitudinal Symptomatology Scale Responses and Fall Outcomes via Heterogeneous Latent Transition Analysis
University of Michigan（密歇根大学）
本研究针对全国女性健康研究（SWAN）的长期随访数据，提出联合多层潜在转移模型，将潜在类别转移序列聚类并关联自我报告跌倒结局，还通过模拟评估了方法的运行特性。
2026-08-04 stat.AP
Bayesian variable selection and data integration for biological regulatory networks
分子生物学研究的一个重要焦点是基因调控网络：一组转录因子和靶基因，它们控制活细胞中不同生物过程的参与。以前用于鉴定基因调控网络的统计方法已经使用基因表达数据、ChIP结合数据或启动子序列数据，但是这些资源中的每一个仅提供部分信息。我们提出了一个贝叶斯层次模型，集成了所有三种数据类型的原则变量选择框架。基因表达数据被建模为未知基因调控网络的函数，该未知基因调控网络具有基于ChIP结合和启动子序列数据的知情先验分布。我们还提出了一个可变的加权方法的原则平衡的多信源的先验信息。我们应用我们的程序，发现在酿酒酵母（酵母）的基因调控关系，我们可以使用几个外部来源的信息来验证我们的结果。我们推断的关系显示出更大的生物相关性的外部验证措施比以前的数据集成方法。我们的模型还估计了转录因子之间的协同和拮抗相互作用，其中许多已被先前的研究所验证。我们还评估了从我们的程序为多信源的先验信息加权的结果。最后，我们讨论了我们的方法的背景下，以前的方法，数据集成和贝叶斯变量选择。
2007-12-14 math.ST q-bio.MN stat.AP
Factorial Multivariate Bayesian Causal Forests: heterogeneous main and interaction effects of multiple treatments on correlated outcomes
Royal College of Surgeons in Ireland (RCSI University of Medicine and Health Sciences)（爱尔兰皇家外科医学院（RCSI 医学与健康科学大学））
本文提出阶乘多元贝叶斯因果森林，统一估计多个二元处理对相关结果的异质主效应与交互效应，提供高效采样与可解释性工具，模拟验证稳健，并应用于多领域数据。
2026-09-28 stat.AP stat.CO stat.ME
Trajectory-based real-time pedestrian crash prediction at intersections: A novel non-linear link function for block maxima led Bayesian GEV framework addressing heterogeneous traffic condition
本研究提出一种基于轨迹的实时行人碰撞预测框架，采用贝叶斯GEV模型和非线性连接函数，结合行为归一化MRC指标，在异构交通下提高预测精度与置信度。
2025-10-14 physics.soc-ph stat.AP stat.ME
A flexible Bayesian framework for detecting cross-sample spatial expression variability in heterogeneous tissues
Department of Biostatistics, Yale University（耶鲁大学生物统计学系）
本研究提出一种灵活的贝叶斯框架，结合非参数空间建模与跨样本信息共享，可检测异质性组织的跨样本空间可变基因，用于描绘组织域并发现功能基因簇。
2026-08-20 stat.AP
Nonparametric Bayesian Instrumental Variable Analysis: Evaluating Heterogeneous Effects of Coronary Arterial Access Site Strategies
经皮冠状动脉介入治疗（PCI）是一种非外科手术，用于打开通往心脏的阻塞血管，通常使用导管放置支架。导管可以通过腹股沟动脉或手腕动脉插入血管。由于临床试验表明，通过腕部进入可能导致术后并发症较少，住院时间缩短，并且最终成本低于腹股沟进入，因此鼓励采用通过腕部进入。然而，在常规护理中接受治疗的患者可能与参与临床试验的患者不同，并且有理由相信腕关节入路的有效性在男性和女性之间可能存在差异。此外，动脉入路策略的选择可能会受到患者或医生不可测量因素的影响。为了研究两种动脉穿刺部位策略对住院费用的有效性，我们使用了来自国家规定的临床登记处的数据，包括7，963例接受PCI的患者。在潜在指数建模框架下引入基于分层贝叶斯似然的工具变量分析，以联合建模结局和治疗状态。我们的方法占未观察到的异质性通过潜在的因素结构，并允许非参数误差分布与Dirichlet过程混合模型。我们的研究结果表明，动脉进入手腕减少住院费用相比，在腹股沟，男性患者的平均减少。
2019-11-04 stat.AP
