Latent Mixture Modeling for Clustered Data
本文提出了一种混合建模方法来估计聚类（分组）数据中的聚类条件分布。我们适应的混合专家模型的潜在分布，并提出了一个模型，其中每个集群明智的密度表示为一个混合的潜在专家与集群明智的混合比例分布为Dirichlet分布。模型参数的估计，通过最大化的边缘似然函数使用新开发的蒙特卡罗期望最大化算法。我们还扩展了模型，使集群的混合比例的分布取决于一些集群级协变量。通过仿真研究，将该模型的有限样本性能与现有的一些混合建模方法以及线性混合模型进行了比较。该模型还说明了在日本公布的土地价格数据。
2017-04-20 stat.ME
A Bayesian Dynamic Latent Space Model for Weighted Networks
Ca’ Foscari University of Venice（威尼斯卡福斯卡里大学）；Luiss University（卢伊斯大学）
本文提出一种新的动态潜在空间Eigen模型，用于处理加权时间网络中的整数权重、零过剩、时间变化的节点位置和网络稀疏性。通过向量自回归过程建模潜在位置，并采用贝叶斯方法解决动态LSM中的推断难题。
2026-04-14 stat.CO stat.ME
A Bayesian Nonparametric Latent Space Approach to Modeling Evolving Communities in Dynamic Networks
动态（时变）网络数据中的社区演化是一个突出的感兴趣的话题。理解这些动态网络的一种流行方法是将二元关系嵌入到潜在度量空间中。虽然使用这种方法进行聚类的方法存在于动态网络中，但它们都假设静态社区结构。本文提出了一个动态网络的贝叶斯非参数模型，可以模拟网络与不断变化的社区结构。我们的模型扩展了现有的潜在空间的方法，明确建模的添加，删除，分裂和合并的组与层次狄利克雷过程隐马尔可夫模型。我们提出的方法，层次狄利克雷过程潜在位置聚类模型（HDP-LPCM），采用了传递性，模型的数据的个人和群体层面的方面，并避免了计算昂贵的选择所需的群体数量最流行的方法。我们提供了一个马尔可夫链蒙特卡罗估计算法，并将我们的方法应用于合成和真实世界的网络，以证明其性能。
2020-03-16 stat.ME
Examination of Nonlinear Longitudinal Processes with Latent Variables, Latent Processes, Latent Changes, and Latent Classes in the Structural Equation Modeling Framework: The R package nlpsem
nlpsem R包提供非线性纵向模型分析工具，支持潜在变量、过程、变化和类的建模，包含拟合检验、可视化及模型选择功能。
2025-11-30 stat.ME
Network Weighted Functional Regression: a method for modeling dependencies between functional data in a network
本文提出网络加权函数回归（NWFR）模型，通过显式建模网络结构来处理网络设定下的函数数据，并开发了函数保形预测程序生成免分布预测区间，显著提升了点预测准确度及预测区间的有效性与精确度。
2025-05-30 stat.ME
A General Latent Embedding Approach for Modeling Non-uniform High-dimensional Sparse Hypergraphs with Multiplicity
针对现有超图建模依赖均匀性且忽略重复观测的局限，提出整合潜在嵌入、顶点度异质性与阶数调整参数的通用方法，证明了可识别性并确立收敛速度与渐近分布，通过模拟和共引超图应用验证了有效性。
2025-11-03 stat.ME
A Latent Class Modeling Approach for Generating Synthetic Data and Making Posterior Inferences from Differentially Private Counts
存在用于从列联表创建差异私有计数的几种算法，例如双向或三向边际计数。所得到的噪声计数通常不对应于相干列联表，使得如果想要所释放的计数对应于相干列联表，则需要一些后处理步骤。我们提出了一种潜在的类建模方法，用于后处理差异私人边际计数，可用于（i）创建差异私人合成数据的边缘计数的集合，以及（ii）使后验推断的机密计数。我们使用2016年美国社区调查公共使用微数据集和2004年国家长期护理调查的子集来说明这种方法。
2022-01-25 stat.ME
Modeling homophily and stochastic equivalence in symmetric relational data
本文讨论了一种用于对称关系数据推理和预测的隐变量模型。该模型基于特征值分解的思想，将两个节点之间的关系表示为节点特定的潜在特征向量的加权内积。这个“特征模型”概括了其他流行的潜在变量模型，如潜在类和距离模型：它在数学上表明，任何潜在类或距离模型都有一个特征模型的表示，但反之亦然。在三个真实数据集的背景下，这一点的实际影响进行了研究，其中特征模型具有良好或更好的样本预测性能比其他两个模型。
2007-11-07 stat.ME
A Bayesian Adaptive Latent Mixture Model for Zero-Inflated Weighted Brain Connectome Analysis
University of Central Florida（中佛罗里达大学）；School of Data, Mathematical, and Statistical Sciences（数据、数学与统计科学学院）
本文提出一种贝叶斯自适应潜在混合模型，用于处理零膨胀加权网络中的结构零和异质非零边强度，通过共享低秩潜在分数矩阵和hurdle似然分离边存在与条件边强度，实现稳定潜在线性模式和异质主体混合。
2026-05-13 stat.AP stat.CO stat.ME
Modeling Dynamic Functional Connectivity with Latent Factor Gaussian Processes
动态功能连接，如通过神经信号的时变协方差测量的，被认为在认知的许多方面起着重要作用。虽然已经提出了许多方法，但由于神经成像数据的高维性和噪声性，可靠地建立大脑连接的存在和特征是具有挑战性的。我们提出了一个潜在的因素高斯过程模型，通过学习一个简约的表示连接动态来解决这些挑战。所提出的模型自然允许时变连接的推理和可视化。作为该模型的科学实用性的一个例证，应用于在复杂的非空间记忆任务期间记录的大鼠局部场电位活动的数据集提供了刺激分化的证据。
2019-10-29 stat.ME
Dynamic Latent Class Structural Equation Modeling: A Hands-On Tutorial for Modeling Intensive Longitudinal Data
University of Tübingen（蒂宾根大学）；University of Zürich（苏黎世大学）；University of Kassel（卡塞尔大学）
本文提供了一套动手指南，指导如何在JAGS中实现动态潜在类别结构方程模型，用于分析密集纵向数据。
2026-03-03 stat.ME
Covariate Selection for Joint Latent Space Modeling of Sparse Network Data
Harvard TH Chan School of Public Health（哈佛陈曾熙公共卫生学院）
本文提出了一种联合潜在空间建模方法，用于稀疏网络数据的共变量选择，解决了稀疏网络中孤立节点信息利用、高维协变量筛选和潜在位置不确定性的问题。
2026-02-04 stat.ME
Modeling Multivariate Mixed-Response Functional Data
我们提出了一个贝叶斯建模框架，用于联合分析不同类型（例如二进制和连续数据）的多个功能响应。我们的方法是基于一个多变量的潜在的高斯过程和模型之间的依赖性的功能响应，通过潜在的过程。我们的框架很容易容纳额外的协变量。我们提供了一种方法来估计多变量的潜在协方差，允许实施多变量函数主成分分析（FPCA），以指定基扩展和简化计算。我们证明了我们的方法，通过模拟研究和应用程序的牙周研究的真实数据。
2016-01-11 stat.ME
Incorporating sparse labels into hidden Markov models using weighted likelihoods improves accuracy and interpretability in biologging studies
该研究提出一种加权似然方法，将稀疏标签纳入隐马尔可夫模型，以提高解码动物潜在行为过程的准确性和可解释性。
2024-09-27 stat.AP stat.ME
Nonparametric Dynamic State Space Modeling of Observed Circular Time Series with Circular Latent States: A Bayesian Perspective
循环时间序列在统计学中受到的关注相对较少，并且使用状态空间方法对复杂循环时间序列进行建模在文献中不存在。在这篇文章中，我们介绍了一个灵活的贝叶斯非参数方法来观察循环时间序列的状态空间建模，即使潜在的状态是循环随机变量。至关重要的是，我们假设观测函数和进化函数的形式都是未知的和随时间变化的，它们在本质上都是循环的。我们对这些未知的循环函数进行了适当的包装高斯过程具有理想的性能。我们开发了一个有效的马尔可夫链蒙特卡罗策略来实现我们的贝叶斯模型，通过明智地结合吉布斯抽样和大都会黑斯廷斯方法。验证我们的想法与模拟研究和两个真正的双变量循环时间序列数据集，我们假设的变量之一是不可观察的，我们的模型和方法显示非常令人鼓舞的性能。最后，我们分析了一个数据组成的鲸鱼迁徙的方向，考虑到未观察到的洋流方向的潜在的循环过程的利益。我们得到的结果是令人鼓舞的，所观察到的过程的后验预测分布正确地预测了所观察到的鲸鱼运动。
2017-03-15 stat.ME
Modeling large dimensional matrix time series with partially known and latent factors
本文通过在矩阵因子模型中引入回归项，提出一种融合已知因子与潜在因子的高维矩阵时间序列建模方法，并给出收敛速率及实证验证。
2024-11-25 stat.ME
Modeling heterogeneity in random graphs through latent space models: a selective review
我们提出了一个选择性的审查随机图的异质性的概率建模。我们专注于潜在的空间模型，更特别的是随机块模型及其扩展，在过去五年中经历了重大的发展。
2014-09-25 math.ST stat.ME stat.TH
Local statistical modeling by cluster-weighted
我们调查的统计特性的监督加权建模，这是一个监督学习的框架，最初开发的目的是为了重新创建一个数字小提琴与传统的输入和现实的声音。与有限混合回归模型进行了比较分析。基于一些几何参数，我们强调，加权建模提供了一个相当一般的框架，局部统计建模。理论结果说明的地面上的一些数值模拟。
2011-06-15 stat.CO stat.ME
Derivation of outcome-dependent dietary patterns for low-income women obtained from survey data using a Supervised Weighted Overfitted Latent Class Analysis
本文提出监督加权过拟合潜在类别分析（SWOLCA），将调查抽样权重纳入贝叶斯暴露-结局模型以校正复杂调查设计偏倚，并用于刻画美国低收入女性中与高血压相关的膳食模式。
2024-06-28 stat.AP stat.ME
Longitudinal modeling of age-dependent latent traits with generalized additive latent and mixed models
我们提出了广义加性潜伏和混合模型（GALASTIC）的聚类数据的响应和潜变量依赖于观测变量顺利分析。提出了一种可扩展的极大似然估计算法，利用拉普拉斯近似，稀疏矩阵计算，自动微分。混合响应类型、异方差性和交叉随机效应自然被纳入框架。开发的模型的动机是在认知神经科学中的应用，并提出了两个案例研究。首先，我们展示了GALASTIC如何共同模拟情节记忆，工作记忆和速度/执行功能的复杂寿命轨迹，分别由加利福尼亚语言学习测试（CVLT），数字广度测试和Stroop测试测量。接下来，我们研究了社会经济地位对大脑结构的影响，使用教育和收入数据以及通过磁共振成像估计的海马体积。通过将半参数估计与潜在变量建模相结合，GALASTIC可以更真实地表示大脑和认知在整个生命周期中的变化，同时从测量项目中估计潜在特征。模拟实验表明，即使在中等样本量的情况下，模型估计值也是准确的。
2023-02-02 stat.AP stat.ME
Generalized Linear Gaussian Cluster-Weighted Modeling
CWM是一种灵活的混合建模方法，用于将来自异质总体的数据的联合概率建模为边缘分布和条件分布的乘积的加权和。本文引入一类广义线性高斯簇加权模型，其中假设条件分布属于具有标准链的指数族.此外，我们表明，在适当的意义下，混合的广义线性模型可以被认为是嵌套在广义线性高斯簇加权模型。该建议说明了通过许多数值研究的基础上模拟和真实的数据集。
2012-12-19 stat.AP stat.CO stat.ME
Location Tests with Noisy Proxies for Latent Variables
面向单细胞 CRISPR 筛选中潜在二元扰动变量的含噪代理问题，本文用 Pitman 相对效率刻画代理质量，并提出最大似然自适应检验与基于阳性对照的效率估计选择策略。
2025-07-25 math.ST stat.ME stat.TH
Modeling of Multisite Precipitation Occurrences Using Latent Gaussian-based Multivariate Binary Response Time Series
建立了一个新的多点观测日降水过程的随机模式。模型的概念是用指示函数和多元高斯分布的椭圆形状来表示日降水发生的联合概率。通过使用这个概念，所需的降水发生建模的参数的数量可以大大减少时，常用的两个状态的马尔可夫链的方法相比。通过这种参数的减少，模拟不同地点观测到的日降水发生过程的时空依赖性不再困难。一个说明性的应用程序，使用的降水记录从网络的10个雨量计在魁北克省南部地区的结果，也证明了所提出的模型的准确性和可行性。
2020-03-18 stat.AP stat.ME
Multi-Signal Safety Surveillance with Bayesian Latent Factor Modeling and Bias Correction
Department of Biostatistics, University of Michigan（密歇根大学生物统计学系）
该研究针对观察性医疗数据多信号安全监测的复杂问题，提出结合经验偏差校正与低秩潜在因子建模的多信号贝叶斯序贯监测框架，经美国保险理赔数据库的疫苗安全监测研究验证有效。
2026-08-05 stat.AP stat.ME
Random Reward Phase-Type Distributions with Applications in Latent Severity Modeling
Institute of Applied Statistics, Johannes Kepler University（应用统计研究所，约翰内斯·开普勒大学）
本文提出了一种扩展离散相型分布（DPH）的方法，引入随机奖励以建模系统中访问特定状态时奖励不为确定性的情况。通过引入惯性-升级模型（IEM），展示了该方法在潜在严重程度建模中的应用，并讨论了参数推断。
2026-04-21 stat.CO stat.ME
Estimating the size of a closed population by modeling latent and observed heterogeneity
本文描述了一类新的捕获-再捕获模型的封闭的人口时，个人的协变量是可用的。新颖之处在于结合潜在的类模型的分布的捕获历史，其中类权重和条件分布给定的潜在可能取决于协变量，与一个模型的边际分布的可用协变量在\cite{Liu2017}。此外，当根据潜在变量和协变量有条件地对捕获历史进行建模时，允许任何一般形式的序列依赖。提出了一种极大似然估计的Fisher评分算法，并利用隐函数定理证明了观测协变量的边缘分布与不被捕获概率之间的映射是一一对应的.概述了渐进结果，并给出了构建总体大小基于似然的置信区间的过程。两个基于实际数据的例子被用来说明所提出的方法
2021-11-05 math.ST stat.ME stat.TH
Latent variable modeling with random features
Princeton University（普林斯顿大学）
基于高斯过程的潜变量模型是用于非线性降维的灵活且理论上有基础的工具，但是在该非线性框架内推广到非高斯数据似然性在统计上是具有挑战性的。在这里，我们使用随机特征来开发一系列非线性降维模型，这些模型可以很容易地扩展到非高斯数据的可能性，我们称这些随机特征潜在变量模型（RFLVMs）。通过用一个关于随机特征的线性函数来近似潜空间和观测值之间的非线性关系，我们导出了关于潜变量的后验分布的封闭形式的梯度。这使得RFLVM框架支持计算上易于处理的非线性潜变量模型的指数族中的各种数据的可能性，而无需专门的推导。我们的广义RFLVMs产生的结果与其他国家的最先进的降维方法对不同类型的数据，包括神经尖峰训练记录，图像和文本数据。
2020-06-19 cs.LG stat.ME stat.ML
A Review of Dynamic Network Models with Latent Variables
我们提出了一个选择性的审查统计建模的动态网络。我们专注于具有潜变量的模型，具体而言，潜空间模型和潜类模型（或随机块模型），它们研究网络的观测特征和未观测结构。我们首先概述静态模型，然后介绍动态扩展。对于每一个动态模型，我们也讨论了它的应用，已在文献中研究，与数据源在附录中列出。在回顾的基础上，我们总结了一系列的开放性问题和挑战，在动态网络建模的潜变量。
2018-05-30 stat.ME stat.OT
lsirm12pl: An R package for latent space item response modeling
本文介绍R包lsirm12pl，实现潜空间项目反应模型的贝叶斯估计及其扩展，支持多种数据类型与缺失处理，并提供聚类、汇总和绘图等功能以增强模型解释。
2025-03-08 stat.CO stat.ME
Latent Gaussian dynamic factor modeling and forecasting for multivariate count time series
针对多元高维计数时间序列，提出基于潜高斯动态因子变换的建模方法，利用二阶性质与主成分分析估计参数并证明理论一致性，结合 Kalman 滤波与序贯 Monte Carlo 实现预测。
2025-04-03 econ.EM stat.ME
Dynamic Latent Space Modeling of Inhomogeneous Poisson Network Processes with Applications to International Relations
Data Science Institute, University of Chicago（芝加哥大学数据科学研究所）；Department of Statistics and Actuarial Science, Simon Fraser University（西蒙菲莎大学统计与精算系）
本文提出一种基于B样条的非齐次泊松动态潜空间模型，用于分析连续时间关系事件数据，并通过可识别性证明和高效算法，揭示国际合作的动态模式与行为体角色。
2026-09-14 stat.AP stat.ME stat.ML
Extremal graphical modeling with latent variables via convex optimization
本文针对含潜变量的极值图模型学习问题，提出可求解的凸规划方法 eglatent，通过将 Hüsler-Reiss 精度矩阵分解为稀疏与低秩分量，一致恢复条件图和潜变量数量，并在合成与真实数据上验证了性能提升。
2025-04-11 math.ST stat.ME stat.ML
Modeling National Latent Socioeconomic Health and Examination of Policy Effects via Causal Inference
本研究通过基于模型的方法开发了一个国家的社会经济健康指数，该方法结合了空间依赖性，并通过因果建模框架检查了政策的影响。由于国内生产总值一直被视为衡量一个国家经济业绩的过时衡量标准和工具，人们日益一致认为应该采用一种替代衡量标准-如综合“福祉”指数-来全面反映一个国家的社会经济健康业绩。许多构建幸福/健康指数的传统方法涉及将不同的可观察指标（如预期寿命和教育水平）结合起来，以形成一个指数。然而，健康本质上是潜在的，指标实际上是健康的可观察指标。与国内生产总值或其他传统的健康指数相比，我们的方法提供了一个国家整体“健康”的整体量化。我们建立在潜在的健康因素指数（LHFI）的方法，已被用来评估不可观察的生态/生态系统健康。该框架集成地建模了指标、潜在健康状况和协变量之间的关系，这些协变量驱动了健康状况的概念。在本文中，LHFI结构与空间建模和统计因果建模相结合，以评估政策变量（强制性产假天数）对一个国家的社会经济健康的影响，同时正式占国家之间的空间依赖性。我们将我们的模型应用于世界各地的国家，使用与社会健康不同方面有关的各种指标和潜在协变量的数据。该方法是在贝叶斯分层框架结构和结果得到的马尔可夫链蒙特卡罗技术。
2019-11-01 econ.GN q-fin.EC stat.AP
