Bayesian sample size determination for multi-site replication studies
针对多地点复制研究中的异质性检验，提出贝叶斯样本量确定方法，以在数据收集后提供有力证据。
2023-05-06 stat.AP stat.ME
Bayesian sample size determination using commensurate priors to leverage pre-experimental data
本文推导了两组比较试验的贝叶斯样本量公式。我们假设实验数据将在贝叶斯框架中进行分析，其中来自多个来源的预实验信息可以表示为强大的先验。特别是，这种强大的先验解释了关于支持历史和新实验的参数之间的成对可验证性的初步信念，以允许灵活地借用信息。在新的实验数据的概率空间上求平均，根据控制后验分布的某些方面的标准找到适当的样本量，例如定义的密度区域的覆盖概率或长度。我们的贝叶斯方法可以应用于新实验中的共同方差已知或未知的情况。精确的解决方案是基于贝叶斯样本量确定考虑的大多数标准，而搜索过程中描述的情况下，没有封闭形式的表达式。我们说明了我们的贝叶斯样本量公式在设计临床试验的设置中的应用。假设的数据的例子，激发罕见疾病的试验与专家的先验意见，并提出了一个全面的性能评价所提出的方法。
2020-11-02 stat.AP stat.ME
Planning to Be Surprised: Optimal Bayesian Exploration in Dynamic Environments
IDSIA（达勒·莫尔人工智能研究所）
为了最大限度地取得成功，AGI通常需要探索其最初未知的世界。有没有一个最佳的方法来做到这一点？在这里，我们得到一个肯定的答案，为广泛的一类环境。
2011-03-29 cs.AI stat.ML
On Bayesian Data Analysis
这介绍贝叶斯统计提出的主要概念，以及主张的主要原因，有利于贝叶斯建模。我们涵盖了各种方法事先确定以及基础渐近参数有利于使用贝叶斯估计。对贝叶斯推断的测试方面也作了详细的研究。
2010-02-09 stat.ME
Determination of hysteresis in finite-state random walks using Bayesian cross validation
考虑使用高阶马尔可夫链对有限状态随机游动的滞后建模问题。这封信介绍了一个贝叶斯框架，以确定，从数据中，在最近的历史上，一个轨迹是统计依赖的先前状态的数量。一般的建议是使用留一交叉验证，使用以封闭形式提供的易于计算的公式。重要的是，当存在大量数据时，使用平面模型先验的贝叶斯因子偏向于过于复杂的模型（更多滞后），而赤池信息准则（AIC）偏向于过于稀疏的模型（较少滞后）。
2018-07-20 cs.LG physics.data-an q-bio.QM
Multi-Step Bayesian Optimization for One-Dimensional Feasibility Determination
贝叶斯最优化方法分配有限的抽样预算，以最大限度地提高昂贵的评估功能。通常使用一步先行策略，但计算最佳多步先行策略仍然是一个挑战。我们考虑一个专门的贝叶斯最优化问题：寻找一个昂贵的一维函数的超水平集，与马尔可夫过程的先验。我们有效地计算了贝叶斯最优抽样策略，并描述了一步前瞻的次优性。我们的数值实验表明，一步前瞻政策是接近最佳的，在这个问题中，在98%的最佳实验设置考虑。
2016-07-11 cs.LG math.OC stat.CO
Exploring complex dependence structures using Bayesian bi-clustering and log-linear graphical modelling
University of St Andrews（圣安德鲁斯大学）
该研究结合贝叶斯双聚类与对数线性图模型，通过理论推导与模拟、真实数据验证，揭示变量依赖结构，阐明混合建模与图对数线性建模的关系，助力高效探索庞大的模型空间。
2026-08-25 stat.ME
Bayesian Set of Best Dynamic Treatment Regimes and Sample Size Determination for SMARTs with Binary Outcomes
序贯、多重分配、随机试验（SMART）的主要目标之一是找到最有效的设计嵌入动态治疗方案。被称为最佳多重比较（MCB）的分析方法允许在动态治疗方案之间进行比较，并在连续结果的频率论设置中确定一组最佳方案，从而直接解决SMART的主要目标。在本文中，我们开发了一个贝叶斯概括MCB的SMART与二进制的结果。此外，我们展示了如何选择样本量，以便以指定的功效筛选出劣质的嵌入式DTR。我们使用其精确分布比较不同DTR之间的对数几率，而不依赖于分析或功效计算中的渐近正态性。我们在两个SMART设计下进行了广泛的模拟研究，并说明了我们的方法在酒精和可卡因依赖适应性治疗（ENGAGE）试验中的应用。
2020-08-05 stat.AP stat.ME
Determination of emissivity profiles using a Bayesian data-driven approach
本研究提出一种贝叶斯数据驱动方法，结合CAMEL发射率数据库与土地覆盖图，通过高分辨率Huang剖面的凸组合确定光谱发射率剖面，经IASI数据验证，效果优于CAMEL数据的线性样条插值。
2024-06-27 stat.AP
Bayesian sample size determination in basket trials borrowing information between subsets
篮子试验越来越多地用于在一个总体方案下在不同患者亚组中同时评价新治疗。我们提出了一个贝叶斯方法来确定样本量篮试验，允许借用信息之间的相称子集。具体来说，我们考虑一个随机篮子试验设计，其中患者被随机分配到新的治疗或控制在每个试验子集（简称“子试验”）。推导出封闭形式的样本量公式，以确保每个子试验都有特定的机会通过一些临床相关差异正确决定新治疗是否优于或不优于对照。给定预先规定的成对（不）可检验性水平，同时求解子试验样本量。建议的贝叶斯方法类似于频率制定的问题，产生可比的样本量的情况下，没有借款。当在相当的子试验之间启用借用时，与广泛实施的无借用方法相比，需要的试验样本量要小得多。我们说明了我们的样本量公式的使用与两个例子的基础上真正的篮子试验。一个全面的仿真研究进一步表明，所提出的方法可以保持在理想的水平的真阳性率和假阳性率。
2022-05-24 stat.AP stat.ME
The variation of the posterior variance and Bayesian sample size determination
我们认为贝叶斯样本量的确定使用的标准，利用前两个时刻的预期后验方差。我们研究了所产生的样本量依赖于所选择的先验和探索的成功率约束的后验方差低于规定的限制下的真实抽样分布。与基于后验方差的期望平均值的样本量确定相比，所提出的标准导致样本量的增加和显着提高的成功率。一般的渐近性质证明，如渐近表达式的样本量和一种相变。我们的研究说明使用两个真实世界的数据集与泊松和正态分布的数据。根据我们的研究结果给出了一些建议。
2020-02-27 math.ST stat.TH
PlaNet of the Bayesians: Reconsidering and Improving Deep Planning Network by Incorporating Bayesian Inference
Panasonic Corporation（松下公司）；Ritsumeikan University（立命馆大学）
在本文中，我们提出了一个扩展的深度规划网络（PlaNet），也被称为PlaNet的贝叶斯（PlaNet-Bayes）。在部分可观测的环境中对模型预测控制（MPC）的需求日益增长，在部分可观测的环境中，由于例如缺乏昂贵的传感器而无法获得完整的信息。PlaNet是实现这种潜在MPC的一种很有前途的解决方案，因为它用于通过基于基于模型的强化学习（MBRL）来训练状态空间模型，并在潜在空间中进行规划。然而，最近的国家的最先进的MBRR文献中提到的战略，如涉及到培训和规划的不确定性，没有被考虑，显着抑制培训性能。建议的扩展是使PlaNet的不确定性感知的贝叶斯推理的基础上，其中模型和动作的不确定性。潜在模型中的不确定性表示使用神经网络集成来近似地推断模型后验。最佳行动候选人的合奏也被用来捕捉多模态的不确定性的最优性。动作集合的概念依赖于一般变分推理MPC（VI-MPC）框架及其实例，轨迹采样概率动作集合（PaETS）。在本文中，我们扩展VI-MPC和PaETS，这最初是在以前的文献中介绍，以解决部分可观察的情况。我们实验比较连续控制任务的性能，并得出结论，我们的方法可以不断提高渐近性能相比，PlaNet。
2020-03-01 cs.LG cs.NE cs.RO
Bayesian Analysis of Marginal Log-Linear Graphical Models for Three Way Contingency Tables
本文讨论了三向列联表边际独立图模型的贝叶斯分析。我们使用一个边际对数线性参数化，根据该模型是通过合适的零约束的相互作用参数计算的边缘分布。我们对这些模型进行了全面的贝叶斯分析，包括先验分布的适当选择、估计、模型确定以及相关的计算问题。该方法示出了参考两个真实的数据集。
2008-07-07 stat.ME
Bayesian Approaches to Designing Replication Studies
本文提出利用贝叶斯设计先验结合原始数据与外部知识来确定重复研究样本量，以确保足够的重复成功概率，并通过正态-正态分层模型及社会行为实验多站点重复项目验证其有效性，方法已实现于R包BayesRepDesign。
2023-08-11 stat.ME
Bayesian probabilistic projections of proportions with limited data: An application to subnational contraceptive method supply shares
针对地方级避孕供应份额数据不足的问题，本研究提出基于贝叶斯层次模型、结合惩罚样条与空间相关结构的预测方法，利用DHS数据生成可靠的地方级公私部门避孕供应份额估计，优于现有方法，可为分权背景下的计划生育决策提供支持。
2025-10-29 stat.ME
Prioritizing covariates in the planning of future studies in the meta-analytic framework
科学可以被看作是一个连续的过程，每一项新的研究都为现有的知识增加了证据。为了在这一过程中产生影响的最佳前景，应该考虑到以前的研究和其他先前的信息，以最佳方式设计新的研究。我们提出了一种协变量优先级排序的正式方法，即，在一项新的研究中决定要测量的协变量。决策标准可以基于条件功效、p值的变化、置信限的变化、库尔贝克-莱布勒散度、贝叶斯因子、贝叶斯错误发现率或先验和后验期望之间的差异。该标准也可用于决定样本量。作为一个例子，我们认为协变量优先级的基础上全基因组关联研究的C-反应蛋白水平，并提出建议的基因进行进一步研究。关键词：设计;循证医学;荟萃分析;功效;科学方法
2016-08-08 stat.ME
Closed-Form Power and Sample Size Calculations for Bayes Factors
本文提出了无需蒙特卡洛模拟即可计算贝叶斯因子假设检验中功效与样本量的方法，在近似正态性假设下推导出闭式解公式，并开发了R包bfpwr以支持复杂先验下的研究设计。
2024-11-13 stat.ME
Bayesian Sample Size Determination of Vibration Signals in Machine Learning Approach to Fault Diagnosis of Roller Bearings
VIT University（韦洛尔理工大学）
数据集的样本量确定是一个重要的统计过程，用于分析数据以达到最佳准确度并使用最少的计算工作。这一过程的应用是可信的，在每一个领域，处理大数据集和高计算工作。本研究使用贝叶斯分析确定的最小样本量的振动信号被认为是使用预定义的参数，如逆标准概率和可接受的误差幅度的轴承故障诊断。为此，本文提出了确定样本量的解析公式。轴承的故障诊断是使用机器学习方法，使用基于熵的J48算法。下面的方法将帮助参与故障诊断的研究人员确定最小样本量进行分析，以获得良好的统计稳定性和精度。
2014-02-25 cs.LG stat.ML
Enhanced Welding Operator Quality Performance Measurement: Work Experience-Integrated Bayesian Prior Determination
在建筑制造业中，操作员质量绩效的测量一直是具有挑战性的。在各种原因中，学习效应是一个重要的因素，需要将其纳入实现可靠的操作员质量性能分析。本研究旨在通过引入学习效应（即，工作经验）。为了实现这一目标，高原学习模型的选择，定量表示质量绩效和工作经验之间的关系，通过β-二项式回归方法。基于这种关系，信息先验确定方法，其中包括操作员的工作经验信息，开发，以加强以前的贝叶斯为基础的操作员质量绩效测量。在学术上，本研究提供了一个系统的方法来获得贝叶斯信息先验，通过整合多源信息。实际上，所提出的方法可靠地测量制造质量控制过程中的操作员质量性能。
2019-01-03 stat.AP
Variance-Based Rewards for Approximate Bayesian Reinforcement Learning
University of Michigan（密歇根大学）
探索-利用困境是强化学习（RL）的核心挑战之一。贝叶斯强化学习通过以环境先验分布的形式为智能体提供信息来解决这个难题;然而，完全贝叶斯规划是棘手的。使用平均MDP进行规划是贝叶斯规划的一种常见近视近似。我们推导出一种新的奖励奖金，这是一个功能的后验分布的环境，当添加到奖励计划与平均MDP，结果在一个代理，有效地探索。虽然我们的方法是类似于现有的方法，当给定一个无信息或非结构化的先验，与现有的方法不同，我们的方法可以利用结构化的先验。我们证明了我们的方法导致多项式样本的复杂性，并实证证明了其在结构化探索任务中的优势。
2012-03-15 cs.AI cs.LG stat.ML
An introduction to the determination of the probability of a successful trial: Frequentist and Bayesian approaches
在临床研究的资源优化中，确定进行-不进行决策的后验概率和预测能力变得越来越普遍。关于这些主题有大量的出版文献;然而，这些术语在文献中的使用并不一致。此外，对成功概率的各种概念缺乏统一的表述。我们试图填补这一空白。本文首先提供了一个详细的推导，这些成功的措施下的频率和贝叶斯范式在一般设置的概率。随后，我们分别给出了连续、二元和至事件发生时间终点的这些成功概率指标的分析公式。本文可用作单点参考，以确定以下指标：（a）基于中期结果的条件把握度（CP），（b）基于有或无先验分布的中期结果的成功预测把握度（PPoS），以及（d）设计阶段前瞻性试验的成功概率（PoS）。我们讨论了临床成功和试验成功。本文的讨论主要是基于先验分布的正态逼近和有关参数的估计。此外，还提出了使用二项式情况下的beta先验的预测能力。并举例说明。计算CP和PPoS的R函数可通过LongCART软件包获得。一个R闪亮的应用程序也可以在https://ppos.herokuapp.com/上找到。
2021-09-23 stat.AP stat.ME
Gaussian Process Planning with Lipschitz Continuous Reward Functions: Towards Unifying Bayesian Optimization, Active Learning, and Beyond
National University of Singapore（新加坡国立大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种新的非近视自适应高斯过程规划（GPP）框架，赋予了一般类的Lipschitz连续奖励函数，可以统一一些主动学习/传感和贝叶斯优化标准，并提供从业者一些灵活性，以指定他们所需的选择，定义新的任务/问题。特别是，它利用了一个原则性的贝叶斯顺序决策问题的框架，共同和自然优化的勘探开发权衡。一般来说，由于候选观测的不可数集合，所得到的诱导GPP策略不能精确地导出。因此，我们在这里的工作的一个关键贡献在于利用Lipschitz连续性的奖励函数来解决非近视自适应ε-最优GPP（ε-GPP）的政策。为了实时规划，我们进一步提出了一个渐进最优的，分支和边界的任何时候都有性能保证的ε-GPP的变体。我们实证证明了我们的ε-GPP政策的有效性，它的任何时候都在贝叶斯优化和能量收集任务的变体。
2015-11-21 cs.AI cs.LG cs.RO
Bayesian sample size determination using robust commensurate priors with interpretable discrepancy weights
Newcastle University（纽卡斯尔大学）；Boehringer Ingelheim Pharma GmbH & Co. KG（勃林格殷格翰制药两合公司）；University of Bath（巴斯大学）
本文提出了一种稳健的可比先验方法，通过线性化技术使样本量随权重均匀变化，从而提高权重的可解释性，便于专家在试验设计阶段提供合理值。
2024-05-28 stat.AP stat.ME
Exact Bayesian Planning for Simple Step-Stress Accelerated Life Testing with Competing Risks
Newcastle University（纽卡斯尔大学）
本文提出一种贝叶斯框架，用于规划简单步应力加速寿命测试，考虑两个独立竞争失效模式。通过累积暴露模型和对数线性应力-寿命关系连接不同应力水平下的失效时间分布，采用非渐近方法优化p分位数的预后方差。
2026-04-10 stat.AP stat.ME
Strategic decision points in experiments: A predictive Bayesian optional stopping method
本文提出预测性贝叶斯可选停止方法（pBOS），结合预演模拟预测未来数据，在资源约束下动态决定实验停止时机，成本效益较传统BOS提升118%，优化了资源利用。
2025-03-02 stat.AP stat.ME
Bayesian sample size determination for diagnostic accuracy studies
理想情况下，新诊断测试的开发遵循一系列阶段，其中包括评估技术性能。这包括分析有效性研究、诊断准确性研究和干预性临床效用研究。目前的诊断准确性研究的设计和分析方法可能会受到过大的样本量和具有不良性质的区间估计的影响。在本文中，我们提出了一种新的贝叶斯方法，它利用了分析有效性阶段的信息。我们根据后验概率区间的目标宽度，利用保证计算所需的样本量，并且在随后推断检测准确度时，可以选择使用或忽略分析有效性研究的数据。进行敏感性分析以评估拟定样本量对先验选择的稳健性，并通过将数据与先验预测分布进行比较来评价先验数据冲突。我们说明了所提出的方法，使用激励现实生活中的应用程序，涉及呼吸机相关性肺炎的诊断测试。最后，我们比较所提出的方法对常用的替代品的属性。结果表明，通过更好地利用现有的数据从早期的研究，基于保证的方法，不仅可以减少所需的样本量相比，替代品，但也可以产生更可靠的样本量的诊断准确性研究。
2022-03-14 stat.AP stat.ME
Determination of Bayesian optimal warranty length under Type-II unified hybrid censoring scheme
对于制造商来说，确定产品使用寿命的适当保修期是一个重要问题。本文基于第二类统一混合截尾数据，研究了在免费更换和按比例保修相结合的情况下产品的最优保修期。在这种情况下，提出了一种非线性的按比例保修政策。通过最大化一个期望效用函数得到最优保修期。期望值是根据失效时间数据的后验预测模型得出的。据观察，非线性按比例保修政策提供了一个更大的保修长度与最大利润相比，线性保修政策。最后，通过一个实际数据集的分析，说明了采用非线性比例保证策略的优势。
2020-04-18 econ.GN q-fin.EC stat.CO
Planning to the Information Horizon of BAMDPs via Epistemic State Abstraction
Stanford University（斯坦福大学）；DeepMind（深度思维）
贝叶斯-自适应马尔可夫决策过程（Bayes-Adaptive Markov Decision Process，BAMDP）形式主义追求强化学习中探索-利用权衡的贝叶斯最优解。由于贝叶斯学习问题的精确解的计算是棘手的，许多文献都集中在开发合适的近似算法。在这项工作中，在潜入算法设计，我们首先定义，温和的结构假设下，BAMDP规划的复杂性措施。由于BAMDPs中的有效探索取决于明智地获取信息，我们的复杂性度量突出了收集信息和耗尽认知不确定性的最坏情况下的困难。为了说明它的意义，我们建立了一个计算困难的，精确的规划算法，利用这一措施，以显示更有效的规划。然后，我们的结论是引入一种特定形式的状态抽象的潜力，以减少BAMDP的复杂性，并产生一个计算易处理的，近似的规划算法。
2022-10-30 cs.LG stat.ML
Constrained Bayesian Experimental Design via Online Planning
ELLIS Institute Finland（芬兰ELLIS研究所）；Department of Computer Science, Aalto University, Finland（芬兰阿尔托大学计算机科学系）；Department of Computer Science, University of Manchester, UK（英国曼彻斯特大学计算机科学系）
提出一种结合离线预训练摊销策略和后验网络与在线多步前瞻规划（场景树）的方法，以在动态约束下优化贝叶斯实验设计，相比现有方法获得更优信息序列且计算开销适中。
2026-05-26 cs.LG stat.ML
Bayesian Automatic Relevance Determination for Utility Function Specification in Discrete Choice Models
Technical University of Denmark (DTU)（丹麦技术大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
效用函数是应用离散选择框架理解支配用户选择的行为过程的关键一步。然而，确定最好的模型和解释所观察到的选择的效用函数规格可能是一个非常具有挑战性和耗时的任务。本文旨在帮助建模者利用贝叶斯框架和自动相关性确定（ARD）的概念，以自动确定一个最佳的效用函数规范从一个指数级大的可能的规格在一个纯粹的数据驱动的方式。基于最新进展的近似贝叶斯推断，双随机变分推断的发展，这使得建议的DCM-ARD模型的规模非常大，高维数据集。使用半人工选择数据，所提出的方法被证明是非常准确地恢复真正的效用函数规范，管理观察到的选择。此外，当应用到真正的选择数据，DCM-ARD被证明能够发现高质量的规格，可以优于以前的文献根据多个标准，从而证明其实用性。
2019-06-10 cs.LG stat.ML
Bayesian Statistical Modeling in Action for Estimation and Forecasting in Low- and Middle-income Countries: The Case of the Family Planning Estimation Tool
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；NYU（纽约大学）；Hamilton Institute and Department of Mathematics and Statistics, Maynooth University（梅努斯大学数学与统计学院汉密尔顿研究所）；Avenir Health（Avi未来健康）；Track20 (India), Avenir Health（Track20（印度）/ Avi未来健康）；Ministry of Health, Uganda（乌干达卫生部）；United Nations Population Fund（联合国人口基金）；Track20 and Ministry of Health and Child Care（Track20及儿童保健卫生部）
本文介绍了用于低收入和中等收入国家计划生育指标预测的贝叶斯统计模型，并探讨了其最新更新及验证结果。
2025-12-09 stat.AP
Bayesian CP Factorization of Incomplete Tensors with Automatic Rank Determination
RIKEN Brain Science Institute（理化学研究所脑科学综合研究中心）；Shanghai Jiao Tong University（上海交通大学）
不完全数据的CANDECOMP/PARAFAC（CP）张量因子分解是一种通过显式捕获多线性潜在因子来实现张量完备化的强大技术。现有的CP算法需要手动指定张量秩，然而，张量秩的确定仍然是一个具有挑战性的问题，特别是对于CP秩。此外，现有的方法没有考虑潜在因素的不确定性信息，以及缺失的条目。为了解决这些问题，我们使用分层概率模型来制定CP因子分解，并通过在多个潜在因素上引入稀疏诱导先验和在所有超参数上引入适当的超先验来采用完全贝叶斯处理，从而实现自动排名确定。为了学习模型，我们开发了一个有效的确定性贝叶斯推理算法，该算法随数据大小线性扩展。我们的方法的特点是作为一个调整参数的方法，它可以有效地推断潜在的多线性因素与低秩约束，同时也提供了预测分布缺失的条目。对合成数据的大量模拟说明了我们的方法的内在能力，以恢复CP秩的地面真相，并防止过拟合问题，即使大量的条目丢失。此外，从现实世界的应用，包括图像修补和面部图像合成的结果表明，我们的方法优于最先进的方法，张量因式分解和张量完成方面的预测性能。
2014-10-09 cs.CV cs.LG stat.ML
Automatic Relevance Determination Bayesian Neural Networks for Credit Card Default Modelling
University of Johannesburg（约翰内斯堡大学）
信用风险建模是全球金融体系的一个组成部分。虽然用于信用违约预测的神经网络模型受到了极大的关注，但此类模型往往缺乏所需的解释机制和对其预测不确定性的测量。这项工作的发展和比较贝叶斯神经网络（BNN）的信用卡违约建模。这包括高斯近似训练的BNN和混合蒙特卡罗（HMC）训练的BNN在信用风险建模中的首次实现。在台湾信用数据集上的结果表明，具有自动相关性确定（ARD）的BNN优于没有ARD的正常BNN。结果还表明，高斯近似训练的BNN显示出与HMC训练的BNN相似的预测性能。结果进一步表明，BNN与ARD可以用来推断不同功能的相对重要性，从而至关重要地帮助决策者解释模型输出给消费者。使用两种不同的方法训练BNN，识别为重要的特征之间的高度一致性加强了这一结果的鲁棒性。
2019-06-14 cs.LG stat.AP stat.ML
Bayesian Perspective for Orientation Determination in Cryo-EM with Application to Structural Heterogeneity Analysis
Princeton University（普林斯顿大学）；Tel Aviv University（特拉维夫大学）
本文提出了一种贝叶斯框架用于提高冷冻电镜中方向估计的准确性，通过MMSE估计器在低信噪比条件下显著提升三维分子结构重建的精度和鲁棒性，从而推动高保真构象景观重建。
2026-02-23 stat.AP stat.ME
A Bayesian Decision Support System in Energy Systems Planning
高斯过程（GP）仿真器被广泛用于在输入空间上近似复杂的计算机模型行为。受计算机模型耦合问题的影响，近年来在连通GP仿真器网络分析理论方面取得了一些进展。在本文中，我们结合这些最新的方法与经典的状态空间模型来构建贝叶斯决策支持系统。这种方法给出了一个连贯的概率模型，产生的预测与测量的不确定性方面的两个第一时刻，使不确定性的传播，从个人的决策组件。这种方法是用来产生一个决策支持工具，英国郡议会考虑低碳技术改造其基础设施，以达到净零碳目标。特别是，我们演示了如何耦合来自能源模型，供热需求模型，天然气和电力价格时间序列的信息，以定量评估各种政策选择和能源市场变化对运营成本的影响。
2022-04-19 stat.AP
Enhancing the use of family planning service statistics using a Bayesian modelling approach to inform estimates of modern contraceptive use in low- and middle-income countries
本文提出一种贝叶斯分层建模方法，将服务统计数据推导的EMU年度变化率纳入FPET以改进中低收入国家mCPR估计，并通过验证和案例研究证明其能提升预测性能。
2025-02-06 stat.AP
Optimal Inspection and Maintenance Planning for Deteriorating Structural Components through Dynamic Bayesian Networks and Markov Decision Processes
University of Liege（列日大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；Aalborg University（奥尔堡大学）
土木和海事工程系统，尤其是从桥梁到海上平台和风力涡轮机，必须得到有效的管理，因为它们在整个使用寿命期间都暴露于老化机制，如疲劳或腐蚀。确定最佳的检查和维修政策需要解决一个复杂的顺序决策问题的不确定性，有效地控制与结构故障相关的风险的主要目标。为了解决这种复杂性，基于风险的检查规划方法，通常由动态贝叶斯网络支持，评估一组预定义的启发式决策规则，以合理地简化决策问题。然而，所得到的策略可能会受到决策规则定义中考虑的有限空间的影响。部分可观测马尔可夫决策过程（POMDPs）为不确定行为结果和观测下的随机最优控制提供了一种原则性的数学方法，其中最优行为被规定为整个动态更新的状态概率分布的函数。在本文中，我们结合动态贝叶斯网络与POMDPs在一个联合框架的最佳检查和维修规划，我们提供了制定无限和有限的地平线POMDPs在结构可靠性的背景下。所提出的方法的实施和测试的情况下，受到疲劳退化的结构部件，展示了最先进的点为基础的POMDP求解器的能力，用于解决潜在的规划优化问题。在数值实验中，POMDP和基于竞争的政策进行了彻底的比较，结果表明，POMDP实现大幅降低成本相比，他们的同行，即使是传统的问题设置。
2021-11-28 cs.AI cs.SY eess.SY
On the relation between frequentist and Bayesian approaches for the case of Poisson statistics
我们提出了修改后的频率论定义的情况下，泊松统计的置信区间的确定。即，我们要求1-β' \geq \sum_{n=o}^{n_{obs}+k} P（n| λ）\geq“。我们证明了这个定义等价于先验为π（λ）\sim λ^{k}的贝叶斯方法。对于非零背景的情况，我们还提出了修正的频率论定义。
2012-06-18 physics.data-an stat.ME
Bayesian Reinforcement Learning via Deep, Sparse Sampling
Chalmers University of Technology（查尔姆斯理工大学）；University of Oslo（奥斯陆大学）
我们使用有效的基于模型的在线规划解决贝叶斯强化学习的问题。我们提出了一个无乐观的贝叶斯自适应算法，以诱导更深，更稀疏的探索与理论界的性能相对于贝叶斯最优策略，具有较低的计算复杂性。主要的新颖性是使用候选策略生成器，在规划树中生成长期选项（超过信念），这使我们能够创建更稀疏和更深的树。在不同环境下的实验结果表明，与现有算法相比，该算法不仅在计算效率上更高，而且在离散环境下获得了更高的回报.
2020-06-27 cs.AI cs.LG stat.ML
Health improvement framework for planning actionable treatment process using surrogate Bayesian model
Kyowa Hakko Bio Co., Ltd.（协和发酵生物株式会社）；Kyoto University（京都大学）；Hirosaki University（弘前大学）
基于个人特征的治疗临床决策导致有效的健康改善。机器学习（ML）已经成为根据综合患者信息进行诊断支持的主要关注点。然而，剩下的突出问题是在临床情况下的客观治疗过程的发展。本研究提出了一种新的框架，以数据驱动的方式规划治疗过程。该框架的一个关键点是通过使用替代贝叶斯模型以及高性能非线性ML模型来评估个人健康改善的“可操作性”。我们首先从使用合成数据集的方法论角度评估了该框架。随后，该框架被应用于包括来自3，132名参与者的数据的实际健康检查数据集，以改善个人水平的收缩压值。我们证实，计算的治疗过程是可行的，并与降低血压的临床知识一致。这些结果表明，我们的框架可以促进医疗领域的决策，为临床医生提供更深入的见解。
2020-11-13 cs.AI cs.LG stat.ML
Bayesian semiparametric modelling of contraceptive behavior in India via sequential logistic regressions
在印度，计划生育的特点是战略方案差异很大，包括针对具体方法的避孕目标、强制绝育和最近的无目标方法。随着时间的推移，计划生育政策的这些重大变化激发了人们对评估不同方案的有效性的极大兴趣，同时了解哪些人口亚群没有得到适当解决。目前的研究考虑了上述政策的具体方面，例如，包括与使用避孕药具的妇女选择绝育以外的其他避孕方法有关的因素。虽然这些分析产生了相关的见解，但它们未能提供对不同计划生育政策以及避孕选择背后的决定因素的全球概览。出于这种考虑，我们提出了一个贝叶斯半参数模型依赖于通过一组条件伯努利选择的多项式概率质量函数的重新参数化。连续的二元结构被定义为与印度目前的计划生育政策相一致，并与避孕选择的合理过程相一致。这种灵活的表述和仔细的重新参数化相结合，使得在一个单一的模型内对印度的不同政策和避孕偏好有一个更广泛和可解释的概览。
2017-07-31 stat.AP
The relation between frequentist confidence intervals and Bayesian credible intervals
我们调查频率和贝叶斯方法之间的关系。也就是说，我们找到了“频率论”的Bayes先验π_{f}（λ，x_{obs}）= - \frac{\int_{-\infty}^{x_{obs}}\frac{\partial f(x,λ)}{\partial λ}dx}{f(x_{obs},λ)}（f（x，λ）是概率密度），在这个先验下，频率论和Bayes方法确定置信区间的结果是一致的。在许多情况下（但并不总是），再现频率论结果的“频率论”先验与杰弗里斯先验一致。
2012-11-14 math.ST physics.data-an stat.ME
On an Approach to Bayesian Sample Sizing in Clinical Trials
本文探讨了临床试验中贝叶斯样本量的确定方法。这种方法属于通常所谓的“正确的贝叶斯”范畴，因为它没有将频率论概念与贝叶斯概念混合在一起。根据后验概率定义“成功试验”的标准，使用数据的边缘分布评估其概率，该概率构成选择样本量的基础。我们用临床试验中的一个标准问题来说明，即确定新药优于对照药物。
2012-04-19 math.ST stat.ME stat.TH
Manifold Relevance Determination
University of Sheffield（谢菲尔德大学）；KTH – Royal Institute of Technology（瑞典皇家理工学院）；Wellcome Trust Centre for Human Genetics（惠康信托人类遗传学中心）
在本文中，我们提出了一个完全贝叶斯潜变量模型，利用条件非线性（不）依赖结构学习一个有效的潜在表示。潜在空间被分解以表示来自数据的多个视图的共享和私有信息。与以前的方法相比，我们引入了一个放松的离散分割，并允许一个“软”共享的潜在空间。此外，贝叶斯技术允许我们自动估计潜在空间的维度。该模型能够捕捉极高维空间的结构。这是通过对具有万分之一像素的未处理图像进行建模来说明的。这也允许我们通过从发现的潜在空间中采样，直接从训练模型中生成新的图像。我们还证明了该模型的预测在一个模糊的设置中的人的姿势。我们的贝叶斯框架，使我们能够执行消歧的原则性方式，包括潜在的空间先验，将数据的动态性质。
2012-06-18 cs.CV cs.LG stat.ML
Uncertainty Estimation in Deep Neural Networks for Point Cloud Segmentation in Factory Planning
BMW Group（宝马集团）；Alpen-Adria Universität（阿尔卑斯-亚德里亚大学）
数字化工厂无疑为未来的生产系统在效率和效益方面提供了巨大的潜力。实现真实工厂的数字复制的一个关键方面是基于3D数据对复杂室内环境的理解。为了生成包括主要组件（即建筑部件、产品资产和工艺细节）的精确工厂模型，可以使用先进的深度学习方法处理数字化过程中收集的3D数据。在这项工作中，我们提出了一个完全贝叶斯和近似贝叶斯神经网络的点云分割。这使我们能够分析这些网络中估计不确定性的不同方法如何改善原始3D点云的分割结果。我们实现了优越的模型性能，贝叶斯和近似贝叶斯模型相比，频率。当将网络的不确定性纳入其预测时，这种性能差异变得更加惊人。为了进行评估，我们使用了科学数据集S3DIS以及作者在德国汽车生产厂收集的数据集。在这项工作中提出的方法导致更准确的分割结果和不确定性信息的纳入，使这种方法特别适用于安全关键应用。
2020-12-13 cs.CV stat.ML
Sparse Methods for Automatic Relevance Determination
Massachusetts Institute of Technology（麻省理工学院）
这项工作认为，在贝叶斯回归的应用在非线性系统识别的方法施加稀疏。我们首先回顾自动相关性确定（ARD）和分析证明需要额外的正则化或阈值，以实现稀疏模型。然后，我们讨论了两类方法，正则化和阈值的基础上，ARD学习线性问题的简约解决方案。在正交协变量的情况下，我们分析证明了良好的性能，关于学习一个小的一组活动项的线性系统与稀疏的解决方案。几个例子的问题，提出了一套比较所提出的方法的优势和局限性ARD在基地数百个元素。本文的目的是分析和理解导致几种算法的假设，并提供理论和实证结果，以便读者可以获得洞察力，并对稀疏贝叶斯回归做出更明智的选择。
2020-05-18 cs.LG math.ST stat.ML
Quantitative comparisons between finitary posterior distributions and Bayesian posterior distributions
贝叶斯统计推断的主要目的是确定后验分布。有时，这些定律是为缺乏经验值的量给出的。当我们只考虑有限视界框架时，这个严重的缺点就消失了。然而，假设无限的交换率会产生相当容易处理的{ \it a posteriori}量，这在应用中是非常有吸引力的。因此，为了调和这两个方面的贝叶斯推理方式，在本文中，我们提供了定量比较后验分布的有限参数和后验分布的盟军参数出现在通常的统计模型。
2008-07-08 math.PR math.ST q-fin.ST
Bayesian Constrained-Model Selection for Factor Analytic Modeling
我的论文围绕贝叶斯方法对约束统计推断的因素分析（FA）模型。考虑了两种相互关联的受限模型选择.这些类型与探索性FA（EFA）和验证性FA（CFA）模型中的选择问题有着天然的联系，被称为I型和II型模型选择。I类约束-模型选择是指确定模型的适当维数。这种类型的约束模型选择与EFA在选择潜在向量的最佳维度的意义上连接。第二类模型选择是指在参数空间上确定适当的不等式、阶数或形状限制。本文将第二类约束模型选择与验证性因素分析相结合，着重于确定线性不等式约束作为因素载荷的方向和（相对）强度的表达。本文所附的数字摘自我在多伦多APA 2015年度大会上的第5部门奖研讨会邀请演讲的幻灯片。这些载玻片可从\url{https://github.com/CFWP/ConventionTalk}中检索。
2016-04-12 stat.AP
Stabilities of Shape Identification Inverse Problems in a Bayesian Framework
在贝叶斯框架下研究了一般形状识别反问题。这个问题需要从有限维观测数据中确定欧几里得空间中一个域的未知形状，这些观测数据带有一些高斯随机噪声。然后，对观测数据的后验稳定性进行了研究。对于空间的每个点，考虑该点被包括在给定观测数据的未知域中的条件概率。并对这种概率分布的稳定性进行了研究。作为我们的反问题的模型问题，热反问题被认为是。这个问题需要从热导体表面的某个部分的温度数据来确定热导体中的空腔的未知形状。为了将上述稳定性结果应用于该模型问题，需要前向算子的可测性和有界性。显示了这些属性。
2020-02-18 math.AP math.ST stat.TH
Identifying Informative Environments for Cognition Parameter Inference via Bayesian Experimental Design
该研究针对认知参数推断的环境选择问题，将认知规划实验建模为贝叶斯实验设计问题，提出摊销贝叶斯实验设计框架，经Mouselab-MDP实验验证其高效性，揭示了环境选择的权衡关系。
2026-08-04 cs.AI stat.ML
Efficient computation of Bayesian optimal discriminating designs
一个有效的算法确定竞争回归模型的贝叶斯最优判别设计的开发，其中的主要重点是模型的一般分布假设超出了“经典”的情况下，正态分布的同方差误差。为此，我们考虑López-Fidalgo等人（2007）引入的Kullback-Leibler（KL）最优性准则的贝叶斯版本。离散化的先验分布导致当地的KL-最优鉴别设计问题的大量竞争模型。现有的方法要么计算量大，要么不能计算出最优判别设计，因为它们只能有效地处理少量的模型比较。在本文中，我们开发了一个新的算法来确定贝叶斯最优判别设计的Kullback-Leibler准则。它表明，新算法是能够计算出最佳的鉴别设计与合理的精度和计算时间的情况下，所有目前可用的程序是缓慢或失败。
2015-08-02 stat.CO
A new approach to Poissonian two-armed bandit problem
本文考虑了一个连续时间的双臂强盗问题，其中收入由泊松过程描述。我们发展了任意先验分布的贝叶斯方法。给出了确定贝叶斯分段常数策略和贝叶斯风险的两种形式的递推方程和极限情形下的偏微分方程。与先前考虑的贝叶斯设置不同，我们的描述使用过程的当前历史，而不是后验分布的演变。
2019-07-13 math.ST stat.TH
Minimax Simple Bayes Estimators of a Normal Variance
Chiba University（千叶大学）
本文提出了一种简洁的贝叶斯估计器，解决了正态方差在熵损失下的最小最大性问题，提供了闭式结果。
2026-02-28 math.ST stat.TH
Variational Bayesian inference for linear and logistic regression
本文介绍线性与逻辑回归的变分贝叶斯推断，涵盖模型、推导及MATLAB/Octave实现，并作为教程与示例文档，提供免费在线函数。
2019-06-29 stat.ML
