Examining posterior propriety in the Bayesian analysis of capture-recapture models
将某些已知的数学结果应用于生态学,存在着潜在的危险。有些结果不适用于手头的问题。我们发现了这样一种趋势。基于数理统计中的几个定理,Link(2013)警告生态学家在某些条件下使用离散一致先验在分析中是不合适的,而是建议在分析过程中常规使用尺度先验。这一建议立即被生态学家广泛采纳。在这项研究中,我们考虑了两个基本的捕获-再捕获模型,广泛应用于生态学,$M_0$和$M_h$,并推导出后验适当的条件,通过检查的行为的右尾的后验分布的动物种群大小$N$在贝叶斯分析。我们证明了这两种可能性都比Link(2013)中考虑的可能性更有效。我们认为,没有特别的规范性的方法,应采取生态学家在选择先验的恐惧后不当。相反,我们建议的问题和手头的数据的可能性的有效建设,选择先验的现有知识的参数的利益,并鼓励检查后验适当的渐近参数,如本研究所示。
2016-11-08 stat.AP
Convergence analysis of the block Gibbs sampler for Bayesian probit linear mixed models with improper priors
在这篇文章中,我们考虑马尔可夫链蒙特卡罗(MCMC)算法探索棘手的后验密度与贝叶斯概率线性混合模型在不适当的先验下的回归系数和方差分量。特别是,我们构造的两块吉布斯采样器使用的数据增强(DA)技术。此外,我们证明了Gibbs抽样的几何遍历性,这是建立基于MCMC的估计和后续推理的中心极限定理的基础。几何收敛的条件与保证后验性质的条件相似。当设计矩阵采取通常观察到的形式时,我们也提供了后适当的条件。一般而言,用于DA的Haar参数展开(PX- DA)算法是DA算法的改进,并且已经表明,它在理论上至少与DA算法一样好。在这里,我们构建了一个Haar PX DA算法,它具有基本相同的计算成本的两块吉布斯采样器。
2018-11-22 math.ST stat.TH
Posterior propriety in Bayesian extreme value analyses using reference priors
广义Pareto(GP)分布和广义极值(GEV)分布在极值分析中起着重要的作用,分别作为阈值超集和块极大值的模型。对于这些分布中的每一个,我们认为贝叶斯推断使用“参考”先验分布(在一般意义上的先验构造使用正式的规则)的模型参数,特别是Jeffreys先验,最大数据信息(MDI)先验和独立的统一先验模型参数。我们调查的重要问题,这些不适当的先验是否导致适当的后验分布。我们表明,在GP和GEV的情况下,MDI之前,除非修改,从来没有产生一个适当的后,在GEV的情况下,这也适用于Jeffreys之前。我们还表明,样本量为三(四)是足够的独立均匀先验产生一个适当的后验分布在GP(GEV)的情况下。
2015-08-20 stat.ME
A Comprehensive Bayesian Treatment of the Universal Kriging model with Matérn correlation kernels
Gibbs参考后验分布为具有Matérn各向异性核的平稳高斯过程的预测问题提供了一个客观的全贝叶斯解决方案。一个完整的贝叶斯方法是可能的,因为后验分布表示为一致遍历马尔可夫核的不变分布,我们给出了一个明确的表达式。在本文中,我们表明,它是适当的泛克里格框架,即当一个未知的函数被添加到平稳高斯过程。我们给出了适用于各种实际情况的吉布斯参考后验的存在性和适当性的充分条件,并用几个例子说明了该方法。最后,高斯过程的模拟表明,吉布斯参考后验具有良好的频率属性的预测区间的覆盖。
2018-01-15 math.ST stat.TH
A Bayesian Approach for Analyzing Data on the Stiefel Manifold
方向数据出现在广泛的应用中,从大气科学到医学成像。然而,由于这些数据被限制在非欧几里得空间(如流形),因此对这些数据进行建模带来了独特的挑战。在这里,我们提出了一个统一的贝叶斯框架推理的Stiefel流形上使用矩阵Langevin分布。具体来说,我们提出了一个新的家庭共轭先验,并建立了一些相关的统计推断的理论性质。重要的是,这些包括这些先验和浓度表征的适当性。共轭使这些属性的翻译,其相应的后验,我们利用开发后验推理方案。为了实现后验计算,包括后验采样,我们采用了一种新的计算程序来评估矩阵参数的超几何函数,这些参数在相关密度中表现为归一化常数。
2019-07-09 math.ST stat.TH
Objective Bayesian analysis for the generalized exponential distribution
本文针对广义指数分布提出基于独立 Jeffreys 先验的客观贝叶斯推断,验证后验适定性,并通过广义均匀比抽样算法进行高效后验推断,模拟和真实数据验证了方法表现。
2023-09-23 math.ST stat.ME stat.TH
Objective Bayesian analysis for spatial Student-t regression models
先验分布的选择是贝叶斯分析的一个关键方面。对于空间回归模型,参数的主观先验选择可能并不简单,从这一角度出发,利用客观贝叶斯分析框架,为自由度未知的空间Student-t回归模型引入了一个参考。空间Student-t回归模型提出了两个主要的挑战时,引发的先验:一个空间依赖参数和自由度的其他之一。众所周知,后验分布相对于客观先验的适当性并不总是得到保证,而适当的先验分布的使用可能会主导和偏置后验分析。在本文中,我们展示的条件下,我们提出的参考先验收益率适当的后验分布。模拟研究,以评估性能的参考之前,一个常用的模糊适当的前。
2020-04-09 math.ST stat.TH
Analyzing Relevance Vector Machines using a single penalty approach
Iowa State University(爱荷华州立大学)
相关向量机(RVM)是一种流行的稀疏贝叶斯学习模型,通常用于预测。最近的研究表明,在RVM中对多个惩罚参数假设不正确的先验可能会导致不正确的后验概率。目前在文献中,RVM的后验适当性的充分条件不允许在多个惩罚参数的不适当的先验。在这篇文章中,我们提出了一个单一的惩罚相关向量机(SPRVM)模型,其中多个惩罚参数被替换为一个单一的惩罚,我们认为一个半贝叶斯方法来拟合SPRVM。SPRVM的后验适当性的充分必要条件比RVM的更自由,并允许几个不适当的先验的惩罚参数。此外,我们还证明了用于分析SPRVM模型的Gibbs采样器的几何遍历性,从而可以估计与后验预测分布的平均值的蒙特卡罗估计相关的渐近标准误。这样的蒙特卡罗标准误不能在RVM的情况下计算,因为用于分析RVM的吉布斯采样器的收敛速率是未知的。通过对三个真实数据集的分析,比较了RVM和SPRVM的预测性能。
2021-07-05 cs.LG stat.ME stat.ML
Posterior Consistency of Bayesian Inverse Regression and Inverse Reference Distributions
我们认为贝叶斯推断逆回归问题的目标是推断未观察到的协变量从观察到的响应和协变量。我们建立后验一致性的贝叶斯逆回归problemunder适当的先验在留一交叉验证设置中的未观察到的协变量。我们将其与逆参考分布的后验一致性(Bhattacharya(2013))相关联,以评估模型的充分性。我们用贝叶斯逆回归的各种例子来说明我们的理论和方法,以及足够的模拟实验。
2020-05-01 math.ST stat.TH
Convergence analysis of the Gibbs sampler for Bayesian general linear mixed models with improper priors
一般线性混合模型数据的贝叶斯分析是具有挑战性的,因为任何非平凡的前导致一个棘手的后验密度。然而,如果采用条件共轭先验密度,则可以使用简单的Gibbs采样器来探索后验密度。在条件共轭先验中,一个常见的缺陷是不适当的先验,它与回归参数上的平坦先验和每个方差分量上的所谓幂先验形成乘积形式。本文对相应的Gibbs采样器进行了收敛速度分析。主要结果是Gibbs-马尔可夫链几何遍历性的一个简单、易检验的充分条件。这个结果接近于最好的可能结果,因为这个充分条件仅仅比确保后验适当性所需的条件稍微强一些。本文中开发的理论是非常重要的,从实用的角度来看,因为它保证了存在的中心极限定理,允许计算有效的渐近标准误差的估计使用吉布斯采样器计算。
2013-02-18 math.ST stat.TH
Natural (non-)informative priors for skew-symmetric distributions
在本文中,我们提出了一个创新的方法来构建适当的先验偏度(形状)参数的偏对称分布族。所提出的方法是基于分配的形状参数,这是量化的全变差距离的扰动效应的先验分布。我们讨论的策略,翻译成一个信息的先验分布这一类的数据的不对称性的先验信念。我们通过蒙特卡罗模拟研究表明,我们的非信息先验诱导后验分布具有良好的频率属性,类似于Jeffreys先验。我们的信息先验比文献中的竞争对手产生更好的结果。我们还提出了一个尺度和位置不变的先验结构的模型与未知的位置和尺度参数,并提供了充分条件,相应的后验分布的适当性。使用模拟和真实数据的说明性例子。
2017-08-25 math.ST stat.ME stat.TH
A skew Gaussian decomposable graphical model
本文提出了一种新的可分解的图形模型,以适应斜高斯图形模型。我们通过一个可分解的图对多元闭斜向正态随机向量的分量之间的条件独立结构进行编码,使得精度矩阵中的零非对角元素的模式对应于给定图的缺失边。我们提出的条件,保证适当的后验分布下的标准无信息的先验均值向量和精度矩阵,和一个适当的偏度参数的先验。的参数的可识别性进行了研究,通过仿真研究。最后,我们将我们的方法应用于两个数据集。
2013-09-20 math.ST stat.ME stat.TH
Robust Gaussian Stochastic Process Emulation
我们认为估计的高斯随机过程(GaSP)的参数,在仿真(近似)的计算机模型的结果是实值标量的上下文中。主要重点是通过各种广义最大似然方法估计GaSP参数,主要涉及寻找后验模式;这是因为计算机模型仿真中的全贝叶斯分析通常过于昂贵。所研究的后验模式来自客观先验,例如参考先验。这些先验已经在文献中研究了各向同性协方差函数的情况下,或在GaSP建设中使用的模型运行的输入设计中的可分性的假设下。在本文中,我们考虑更一般的设计(例如,拉丁超立方体设计),其具有一类常用的各向异性相关函数,所述各向异性相关函数可以被写为各向同性相关函数的乘积,每个相关函数具有未知的范围参数和固定的粗糙度参数。我们讨论了GaSP参数的客观先验和边缘似然的性质,并建立了GaSP参数的后验性质,但我们的主要重点是证明某些参数化会导致比其他参数更鲁棒的GaSP参数估计,并且应该避免一些常用的参数化。这些结果适用于许多常用的协方差函数,例如,幂指数、Mat{é}rn、有理二次和球面协方差。我们还推广的结果与块金参数的GaSP模型。理论和数值的证据提出有关的性能的研究程序。
2017-08-16 math.ST stat.TH
Convergence properties of Gibbs samplers for Bayesian probit regression with proper priors
贝叶斯概率回归模型(Albert和Chib(1993))是流行的,广泛用于二元回归。虽然在没有任何先验信息的情况下,回归系数的不适当的平坦先验是适当的选择,但是当先验信息可用时或者在系数的数量($p$)大于样本大小($n$)的现代高维设置中,适当的正态先验是期望的。对于这两种选择的先验,由此产生的后验密度是棘手的,数据Dugmentation(DA)马尔可夫链是用来产生近似样本的后验分布。建立这个DA马尔可夫链的几何遍历性是很重要的,因为它提供了理论保证构造标准误差的马尔可夫链为基础的后验量的估计。在本文中,我们首先表明,在正常的先验的情况下,DA马尔可夫链是几何遍历 * 的所有 * 选择的设计矩阵$X$,$n$和$p$(不像不适当的先验的情况下,其中$n \geq p$和另一个条件$X$后的适当性本身)。我们还得到了DA马尔可夫链是迹类的充分条件,即,相应算子的本征值是可求和的。特别是,这使我们能够得出结论,Haar PX-DA三明治算法(通过在DA算法的两个步骤之间插入一个廉价的额外步骤获得)在适当的意义上严格优于DA算法。
2017-01-03 math.ST stat.ME stat.TH
Properly constrained reference priors decay rates for efficient and robust posterior inference
本文提出两种约束纳入策略,构建可处理的参考先验,调和客观性与可计算性,强调Jeffreys先验衰减率的核心作用,并用文献示例验证其实际适用性。
2024-09-19 math.ST stat.ME stat.TH
Fiducial, confidence and objective Bayesian posterior distributions for a multidimensional parameter
我们提出了一种方法来构建信念分布的多维参数,使用一步一步的条件过程有关的参数的组件的推断的重要性。对于离散模型,其中信念分布的非唯一性是众所周知的,我们建议使用几何平均值的“极端情况”,并显示其良好的行为相对于更传统的算术平均。与广义信念推断方法开发的Hannig和置信分布的连接进行了分析。当统计模型属于自然指数族的一个子类时,建议的程序大大简化,称为条件可约的,其中包括多项式和负多项式模型。此外,由于信念推断和客观贝叶斯分析都试图在没有任何先验信息的情况下导出未知参数的分布,因此讨论它们之间的关系是很自然的。特别是,参考后验,这也取决于参数的重要性排序是比较的自然条款。我们发现,基准和参考后验分布在位置-尺度模型相吻合,我们的特点是有条件的可还原的自然指数家庭,这种情况发生。文章最后以一些典型例子作为结尾。
2016-12-06 math.ST stat.TH
Robust Bayesian graphical modeling using $γ$-divergence
本文提出一种基于 $\gamma$-散度的稳健贝叶斯高斯图模型推断方法,通过贝叶斯图形套索实现后验稳健性,并开发了加权贝叶斯自助法高效计算算法。
2025-01-23 stat.ME
Flexible objective Bayesian linear regression with applications in survival analysis
本文研究了残差按正态分布的两段尺度混合分布的线性回归模型的客观贝叶斯推断。这些模型允许捕捉偏离通常的假设,正常的重尾,不对称性,和某些类型的异方差的错误。我们提出了一个一般的无信息,尺度不变,先验结构,并提供充分条件的适当性的后验分布的模型参数,其中包括情况下,当响应变量被删失。这些结果使我们能够将所提出的模型应用于生存分析。本文代表了Rubio和Hong(2015)提出的模型的贝叶斯框架的扩展。我们提出了一个模拟研究,表现出良好的频率属性的后可信区间以及点估计与建议的先验。我们用癌症患者生存分析的实际数据说明了这些模型的性能。
2016-05-06 stat.AP
Bayesian linear regression with skew-symmetric error distributions with applications to survival analysis
研究了正态误差分布具有斜对称尺度混合的贝叶斯线性回归模型。这些类型的模型可以用来捕捉偏离通常的假设,即重尾和不对称方面的误差正态性。我们为这些回归模型提出了一个一般的无信息先验结构,并证明了相应的后验分布在温和的条件下是适当的。我们扩展这些适当的结果的情况下,响应变量被删失。后一种情况是感兴趣的加速失效时间模型,这是相关的生存分析的上下文中。我们提出了一个模拟研究,表现出良好的频率属性的后可信区间相关的建议先验。这项研究还揭示了一些之间的权衡增加模型的灵活性和过度拟合的风险。我们用实际数据说明了所提出的模型的性能。虽然我们关注的是单变量响应变量的模型,但我们也在支持网络材料中对多变量情况进行了一些扩展。
2016-01-10 stat.AP
Bayesian modelling of skewness and kurtosis with two-piece scale and shape distributions
我们正式和推广的定义的家庭的单变量双两件分布,通过使用基于密度的变换的单峰对称连续分布的形状参数。由此产生的分布包含五个可解释的参数,这些参数控制模式以及每个方向上的尺度和形状。这类分布,捕获不同类型的不对称性的四参数子家庭进行了讨论。我们提出了可解释的规模和位置不变的基准先验,并推导出相应的后验分布的适当性条件。使用的先验结构允许通过灵活的分布族内的贝叶斯因子进行有意义的比较。这些分布被应用于金融、互联网流量和医疗数据,并与相应的竞争对手进行比较。
2015-08-06 stat.ME
Subsampled Pseudo-posteriors for Scalable Bayesian Moment-condition Inference
Hong Kong University of Science and Technology(香港科技大学)
针对矩条件下贝叶斯伪推断的两大障碍,本文提出子采样伪后验方法,通过小批量伪后验聚合结合矩函数控制变量,近似全数据伪后验并降低计算成本。
2026-09-07 math.ST stat.TH
A theoretical framework for M-posteriors: frequentist guarantees and robustness properties
本研究提出M-后验的理论框架,证明其在温和条件下的渐近正态性与频率论一致性,通过新定义的后验影响函数和崩溃点刻画其鲁棒性,并在多类模型与数值实验中验证了理论的适用性与实证价值。
2025-10-01 math.ST stat.ML stat.TH
Robust Bayes-Like Estimation: Rho-Bayes estimation
本文从非渐近的角度考虑了贝叶斯范式下$n$独立随机变量的联合分布$P$的估计问题。假设$P$承认一些密度$s$相对于一个给定的参考措施,我们考虑一个密度模型$\overline S$的$s$,我们赋予一个先验分布$π$(支持$\overline S$),我们建立一个强大的替代经典的贝叶斯后验分布,具有类似的浓度属性周围$s$时,它属于模型$\overline S$。此外,在密度估计中,经典后验分布和稳健后验分布之间的Hellinger距离趋于0,因为在对模型和先验的适当假设下,观测值的数量趋于无穷大,只要模型$\overline S$包含真密度$s$。然而,与经典的贝叶斯后验分布发生的情况不同,我们表明,这种新的后验分布的浓度属性仍然保留在模型的错误指定的情况下,即当$s$不属于$\overline S$,但足够接近它相对于Hellinger距离。
2020-03-27 math.ST stat.TH
Generalized mutual information and their reference priors under Csizar f-divergence
本文揭示了参考先验理论与全局敏感性分析的类比,基于 f-散度提出广义互信息并构建广义参考先验框架,证明其极限简化了先验定义,且无约束时 Jeffreys 先验最大化广义互信息。
2024-04-25 math.ST stat.TH
Bayesian inference for nonlinear inverse problems
贝叶斯方法被积极用于参数识别和不确定性量化时,解决非线性逆问题的随机噪声。然而,只有很少的理论结果证明贝叶斯方法。最近的论文,例如\cite{Nickl2017,lu2017bernsteinvon}和其中的参考文献,说明了在非参数设置中研究后验分布的性质的主要困难和挑战。本文为研究非参数贝叶斯过程的频率论性质提供了一种新的途径。该方法的思想是通过引入一个辅助函数参数,用罚函数代替非线性结构方程,并在辅助参数上施加一个先验,从而松弛非线性结构方程。对于这样的扩展模型,我们状态的后验浓度和惩罚的MLE和高斯近似的后验的准确性上的界限,以及一些进一步的结果。所有的界限给出的有效尺寸,我们表明,建议的镇定装置不会显着影响这个值。
2020-02-02 math.ST stat.TH
When can a posterior predictive check identify the learning rate? Exact degeneracy in Gaussian models and implications for Generalised Bayesian Inerence
National Economics University(国家经济大学)
本文通过精确有限样本分析,揭示了在高斯线性模型中,基于后验预测检查的学习率选择器存在退化现象,即p值不依赖于学习率或数据,导致选择器失效,并提出了数据无关的预筛选诊断方法。
2026-06-05 math.ST stat.ME stat.TH
On a prior based on the Wasserstein information matrix
我们引入了一个先验的单变量连续分布的参数,基于Wasserstein信息矩阵,这是不变的下重新参数化。我们讨论了所提出的先验与信息几何之间的联系。我们提出了充分条件的适当性的后验分布的一般类别的模型。我们提出了一个模拟研究表明,诱导后验具有良好的频率属性。
2022-07-27 math.ST stat.ME stat.TH
A Modified Reference Prior for the Generalized Gamma Distribution
本文提出了广义Γ分布参数的一种客观贝叶斯估计方法。获得了各种参考先验,但表明它们导致不适当的后验分布。我们克服了这个问题,提出了一个修改的参考先验分布,允许一个适当的后验分布的广义Γ分布的参数。我们进行了模拟研究,以研究所提出的方法,这也充分说明了一个真实的数据集的效率。
2014-12-18 stat.ME
Parallel Tempering With a Variational Reference
从复杂的目标分布中采样是贝叶斯推断的基本挑战性任务。并行回火(PT)通过在后验分布和固定参考分布之间插值的分布序列的扩展状态空间上构建马尔可夫链来解决这个问题,该固定参考分布通常被选择为先验分布。然而,在先验和后验几乎相互奇异的典型情况下,PT方法在计算上是禁止的。在这项工作中,我们解决这个挑战,通过构建一个广义退火路径连接后的自适应调整变分参考。使用简单的无梯度矩匹配程序调整参考分布,以使前向(包括在内)KL与后验分布的发散最小化。我们表明,我们的自适应过程收敛到前向KL极小值,和前向库尔贝克-莱布勒散度作为一个很好的代理,以前开发的PT性能的措施。我们还表明,在典型的贝叶斯模型的大数据限制,所提出的方法提高了性能,而传统的PT任意恶化。最后,我们引入PT与两个参考-一个固定的,一个变-与一个新的分裂退火路径,确保稳定的变参考适应。本文最后通过实验证明,我们的方法在广泛的现实贝叶斯推断场景中取得了巨大的经验收益。
2023-01-16 stat.CO
Centered-Innovation MA for Bayesian Dirichlet ARMA: Theoretical Equivalence and an Application to Bank-Asset Shares
Airbnb, Inc.(爱彼迎公司)
本文研究了对组合时间序列的贝叶斯狄利克雷ARMA进行最小修改:用中心创新替代原始加性对数比残差。证明了在固定参数下,中心化规格与digamma链接DARMA在1/ϕ阶上的等价性,并通过银行资产份额数据验证了其预测性能。
2026-08-11 math.ST q-fin.ST stat.ME
Extrapolation of Tempered Posteriors
King’s College London(伦敦国王学院);Newcastle University(纽卡斯尔大学);ENSAE, Institut Polytechnique de Paris(巴黎高等统计与行政学院,巴黎理工学院);Alan Turing Institute(艾伦·图灵研究所)
本文针对贝叶斯计算中后验分布近似问题,提出基于回火期望外推与平滑的新方法,可作为序贯蒙特卡洛的后处理方差缩减工具,无需高质量近似$p_1$即可得到所需后验量。
2026-08-20 math.ST stat.CO stat.ME
Flexible linear mixed models with improper priors for longitudinal and survival data
针对具有灵活随机效应和残差误差分布的分层线性混合模型,提出了一种使用不适当先验的贝叶斯方法。误差分布是使用比例混合的法线,它可以捕捉比那些正态分布的尾部重建模。这种概括对于产生对离群值的存在具有鲁棒性的模型是有用的。还研究了非对称残差的情况。我们目前的一般结果的适当性后,也包括情况下,审查意见,允许使用这些模型的背景下流行的纵向和生存分析。我们考虑使用灵活的边际copula建模之间的依赖关系的随机效应,但我们的研究结果涵盖使用任何随机效应分布。因此,我们的论文提供了一个正式的理由贝叶斯推断在一个非常广泛的一类模型(几乎涵盖了所有的文献)有吸引力的事先结构,限制所需的用户启发。
2018-02-05 stat.AP stat.ME
Objective Bayesian inference with proper scoring rules
当完全似然性以及完全后验分布过于复杂且难以指定时,或者如果需要对数据或模型错误指定的稳健性,则可能难以执行标准贝叶斯分析。在这些情况下,我们建议根据适当的评分规则,对感兴趣的参数采用后验分布。评分规则是一种损失函数,设计用于测量随机变量的概率分布的质量(给定其观测值)。重要的例子是Tsallis评分和Hyvärinen评分,它们允许我们处理模型错误指定或复杂模型。此外,完全似然和合成似然都是评分规则的特殊实例。该文致力于研究两个问题.首先,我们讨论了在贝叶斯公式中使用评分规则来计算一个后验分布,称为SR-后验分布,并推导了它的渐近正态性。其次,我们提出了一个为感兴趣的未知参数建立默认先验的过程,该过程可以用于更新SR-后验分布中的评分规则所提供的信息。特别地,通过最大化来自SR-后验分布的平均$α-$散度来获得参考先验.对于$0 \leq |α|<1$,结果是Jeffreys型先验,其与关联于评分规则的Godambe信息矩阵的行列式的平方根成比例。文中还讨论了一些实例。
2019-01-06 math.ST stat.ME stat.TH
Laplace-Fisher Gate Identities for Optimal Matrix-Gated Blended Score Estimation
The Oden Institute for Computational Engineering and Sciences(奥登计算工程与科学研究院);The University of Texas at Austin(德克萨斯大学奥斯汀分校);The Department of Aerospace Engineering & Engineering Mechanics(航空航天工程与机械系)
针对非归一化目标采样中的得分估计问题,提出矩阵值门控混合得分估计方法,推导出方差最优门公式(Laplace-Fisher 门恒等式),并证明有限参考一致性,应用于贝叶斯逆问题的归一化密度评估。
2026-07-02 cs.LG math.ST stat.TH
Bayesian Modal Regression based on Mixture Distributions
本文提出基于单峰混合分布的贝叶斯众数回归统一框架,推导后验正常性条件,并通过模拟和实际数据证明其对离群点稳健、能发现均值或中位数回归遗漏的协变量效应并构建更紧的预测区间。
2024-06-28 stat.AP stat.ME
A Stein Gradient Descent Approach for Doubly Intractable Distributions
针对双重难处理分布,提出蒙特卡洛斯坦因变分梯度下降方法,通过高效梯度近似快速变换参考分布逼近后验,在多个模型上实现显著计算加速且保持推断性能。
2025-08-07 math.ST stat.ML stat.TH
Objective Bayesian Analysis for the Differential Entropy of the Gamma Distribution
本文提出一种客观贝叶斯方法,通过重新参数化伽马分布并推导多种客观先验,估计其微分熵的后验分布,经模拟和两个数据集验证了方法的有效性。
2023-11-13 math.ST stat.AP stat.TH
Graph-dependent shrinkage priors for Bayesian trend filtering
Scuola Internazionale Superiore di Studi Avanzati (SISSA)(高等国际研究学院);Cornell University(康奈尔大学)
该研究提出图依赖收缩先验的贝叶斯趋势滤波框架,通过在趋势、局部收缩、MCMC采样环节利用图,提升了数据估计精度与计算效率,成功应用于美国县域失业数据的时空建模与预测。
2026-08-26 stat.ME stat.ML
Ensemble Transport Filter via Optimized Maximum Mean Discrepancy
School of Mathematical Sciences, Tongji University(同济大学数学科学学院)
本文提出一种基于集成的滤波方法,通过传输图重构粒子滤波的分析步骤,直接将先验粒子传输到后验粒子。利用最大均值差异损失函数优化传输图,提升高维同化问题的精度和鲁棒性。
2026-02-06 cs.LG stat.ML stat.OT
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
Objective Bayesian meta-analysis based on generalized multivariate random effects model
目的推导推广到椭圆等高分布的多元随机效应模型参数的贝叶斯推断方法。通过分配两个无信息先验的模型参数,即Berger和Bernardo参考先验和Jeffreys先验,推导出总体平均向量和研究间协方差阵的后验,其解析表达式在弱分布假设下获得。结果表明,后验是适当的唯一条件是,样本量大于数据生成模型的尺寸,独立的椭圆轮廓分布的广义多变量随机效应模型的定义中使用的类。本文的理论研究结果被应用到实际数据组成的10项研究的有效性,高血压治疗降低血压的处理效应的收缩压和舒张压进行了调查。
2021-04-05 math.ST stat.ME stat.TH
Latent Annealed Posterior Sampling with a Variance-Preserving Local Gaussian Approximation for Sparsely Observed Random Fields
School of Statistics and Mathematics, Yunnan University of Finance and Economics(云南财经大学统计与数学学院)
针对稀疏观测随机场后验推断的两大挑战,本文提出带方差保持桥的潜在退火后验采样(LAPS)方法,实验表明其在后验准确性、不确定性校准与计算效率间实现了良好权衡。
2026-11-17 cs.LG stat.ML
Deep Reference Priors: What is the best way to pretrain a model?
University of Pennsylvania(宾夕法尼亚大学)
利用额外数据的最佳方法是什么?无论是来自同一任务的未标记数据,还是来自相关任务的标记数据,都可以学习给定任务。本文利用参考先验理论对该问题进行了形式化描述。参考先验是客观的,无信息的贝叶斯先验,最大化任务和模型权重之间的互信息。这样的先验使任务能够最大限度地影响贝叶斯后验,例如,参考先验依赖于可用于学习任务的样本数量,并且对于非常小的样本量,先验将更多的概率质量放在假设空间中的低复杂度模型上。本文首次展示了中等规模深度网络和基于图像的数据的参考先验。我们开发的参考先验的概括和演示应用程序两个问题。首先,通过使用未标记的数据来计算参考先验,我们开发了新的贝叶斯半监督学习方法,即使每个类的样本很少,这些方法也仍然有效。其次,通过使用来自源任务的标记数据来计算参考先验,我们开发了一种新的用于迁移学习的预训练方法,该方法允许来自目标任务的数据最大限度地影响贝叶斯后验。这些方法的实证验证进行图像分类数据集。代码可在https://github.com/grasp-lyrl/deep_reference_priors上获得。
2022-06-15 cs.LG stat.ML
Limiting behavior of the Jeffreys Power-Expected-Posterior Bayes Factor in Gaussian Linear Models
期望-后验先验(EPP)已被证明是非常有用的检验假设的正态线性模型的回归系数。使用EPP的优点之一是基线先验的不适当不会导致不确定性。然而,在回归问题中,他们基于一个或多个\textit{training samples},这可能会影响得到的后验分布。功率期望后验先验是最小信息先验,通过结合功率先验和单位信息先验方法的思想,减少了训练样本对EPP方法的影响。在本文中,我们显示的一致性时,使用功率期望后验先验,独立Jeffreys(或参考)作为基线,正常的线性模型在设计矩阵上非常温和的条件下。
2014-11-30 stat.CO
Objective Bayesian inference for the Dhillon distribution
本文为Dhillon分布提出目标贝叶斯框架,推导三种目标先验,证明后验性质,通过MCMC进行推断,并模拟与实证验证其有效性。
2025-09-08 stat.ME
An Optimal Transport-Based Generative Model for Bayesian Posterior Sampling
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Maryland at College Park(马里兰大学帕克分校)
本文提出了一种基于最优传输的生成模型,用于高效采样贝叶斯后验分布,支持连续和混合参数空间,并引入了基于最优传输的多元秩和分位数用于推断分析。
2026-03-01 stat.CO stat.ME
Power-Expected-Posterior Priors for Variable Selection in Gaussian Linear Models
在线性模型中贝叶斯变量选择的期望后验先验(EPP)方法的背景下,我们结合了幂先验和单位信息先验方法的思想,同时产生最小信息先验并减少训练样本的影响。结果是,在实践中,我们的功率预期后验(PEP)方法是足够不敏感的训练样本的大小n*,由于PEP的单位信息的建设,一个可以采取n* 等于全数据样本量n和免除训练样本。在本文中,我们专注于高斯线性模型和开发我们的方法在两个不同的基线先验选择:独立Jeffreys(或参考)前,产生的J-PEP后,和Zellner g先验,导致Z-PEP。我们发现,在参考基线先验下,PEP贝叶斯因子的渐近性与Schwartz的BIC准则的渐近性是等价的,从而保证了PEP方法在模型选择中的一致性。我们比较我们的方法的性能,在模拟研究和一个真实的例子,涉及预测的空气污染物浓度从气象协变量,与各种先前定义的变量的贝叶斯因素的客观变量选择。我们的先验,由于其单位信息结构,导致变量选择过程,(1)系统地比具有最小训练样本的基本EPP更简约,同时不牺牲期望的性能特征来实现这种简约;(2)对训练样本的大小是鲁棒的,因此享受上述的优点,完全避免训练样本;以及(3)识别实现良好的样本外预测性能的最大后验模型。
2014-05-20 stat.CO
Reference prior for Bayesian estimation of seismic fragility curves
针对有限二元数据下地震易损性曲线贝叶斯估计的先验选择难题,提出基于参考先验理论的客观方法,首次推导该问题的Jeffreys先验,证明其后验正常且无退化,能得到更稳健的可信区间。
2024-04-12 stat.AP stat.ME
Priors for New Physics
使用贝叶斯方法,根据新物理学的多参数模型对数据进行解释,需要构建多参数先验。我们提出了一个建设,使用贝叶斯参考分析的元素。我们的想法是启动链的推理与参考先验的似然函数,依赖于一个单一的参数的兴趣,是一个函数的参数的物理模型。感兴趣参数的参考后验密度在物理模型的参数空间上诱导出一类后验密度。我们建议继续从这个类的一个特定的密度的推理链,即,一个不可区分的模型是等概率的,并使用它作为后续分析的先验。我们说明了我们的方法,将其应用到约束最小超对称标准模型和它的两个非通用的变种。
2011-08-02 physics.data-an stat.ME
Kernel Methods for Bayesian Elliptic Inverse Problems on Manifolds
研究了流形上偏微分方程(PDE)的贝叶斯反问题的构造和实现。具体地说,我们研究的逆问题,确定扩散系数的二阶椭圆型偏微分方程的闭流形从噪声测量的解决方案。受流形学习技术的启发,我们用一个基于核的积分算子来近似椭圆微分算子,该算子可以通过蒙特卡洛离散化,而不需要参考黎曼度量。由此产生的计算方法是无网格的,易于实现,并且可以在不完全了解底层流形的情况下应用,前提是流形样本的点云可用。我们采用贝叶斯的角度来看,逆问题,并建立一个上限的全变差之间的距离的真实后验和近似后定义的核前向映射。支持的数值结果表明所提出的方法的有效性。
2019-10-23 cs.NA math.NA math.ST
Robust a posteriori estimation of probit-lognormal seismic fragility curves via sequential design of experiments and constrained reference prior
CMAP, CNRS, École polytechnique, Institut Polytechnique de Paris(CMAP,法国国家科学研究中心,巴黎综合理工学院,巴黎理工学院)
本文提出了一种基于序列实验设计和约束参考先验的方法,用于稳健估计概率-对数正态地震脆弱曲线,有效缓解小数据下的似然退化问题。
2025-12-16 stat.AP
dapper: Data Augmentation for Private Posterior Estimation in R
本文介绍了R包dapper,它提供了一个采样框架,支持在给定私有化数据时对统计模型参数和潜变量进行精确MCMC模拟,使应用研究者能对受差分隐私保护的数据进行有效贝叶斯推断并正确处理隐私噪声。
2026-11-20 stat.CO
Evaluating Posterior Distributions by Selectively Breeding Prior Samples
使用马尔可夫链蒙特卡罗从后验分布中进行抽样是使贝叶斯数据分析实用化的关键创新。然而,众所周知,MCMC很难调优、诊断和并行化。本教学笔记探讨了通用{ \em non}-马尔可夫链蒙特卡罗方案的变体,用于从后验分布进行采样。基本思想是从先验分布中提取参数值,评估每次提取的可能性,然后复制与其可能性成比例的多次提取。复制后的分布是对后验的近似,当初始样本的数量达到无穷大时,后验变得精确;近似的收敛性很容易分析,并且在Glivenko-Cantelli类上是一致的。虽然不{ \em完全}实用,但该方案易于实现(几行R),易于并行化,并且不需要拒绝,老化,收敛诊断或任何控制设置的调整。我提供了对现有技术的参考,该现有技术以计算和分析的简单性为代价来处理一些实际障碍。
2022-03-17 stat.CO
Bayesian Analysis of Modified Weibull distribution under progressively censored competing risk model
本文研究了逐步截尾竞争风险模型下修正韦布尔分布的风险分析。本研究是针对逐步删失数据进行的。我们使用确定性扫描吉布斯抽样结合切片采样来从后验分布生成。将先验分布作为参考验前,形成后验分布。为了说明的目的,示出了真实生活数据分析。
2016-05-21 stat.CO stat.ME