A Bayesian Nonparametric System Reliability Model which Integrates Multiple Sources of Lifetime Information
我们提出了一个贝叶斯非参数系统可靠性模型，该模型具有很好的可扩展性，并提供了很大的灵活性建模。贝叶斯方法自然地处理可能存在的不同数量的组件和子系统数据。然而，传统的贝叶斯可靠性模型是相当复杂的计算，依赖于MCMC技术。我们的方法利用了beta-Stacy过程的共轭性质，这是我们模型的基本构建块。使用矩估计方法将这些单独的模型链接在一起。该模型计算速度快，允许右删失数据，并用于估计和预测系统的可靠性。
2022-03-21 stat.ME
Comment on "Bayesian Nonparametric Inference - Why and How" by Mueller and Mitra
由于其极大的灵活性，非参数贝叶斯方法已被证明是一个有价值的工具，发现数据中的复杂模式。术语“非参数贝叶斯”表明，这些方法继承了经典非参数方法的无模型操作特性，以及贝叶斯程序提供的一致不确定性评估。然而，正如作者在文章的结论中所说，非参数贝叶斯方法可能更适合描述为“大规模参数”。此外，我认为，许多默认的非参数贝叶斯程序只是贝叶斯在最弱意义上的术语，不能假设提供诚实的评估不确定性仅仅因为他们携带贝叶斯标签。无论这些程序多么有用，我们都应该谨慎地宣传默认的非参数贝叶斯程序，因为它们要么是“无假设”的，要么是对我们的不确定性的描述。如果我们希望我们的非参数贝叶斯过程具有贝叶斯解释，我们应该修改默认的NP贝叶斯方法以适应真实的先验信息，或者至少仔细评估超参数对感兴趣的后验量的影响。
2013-04-12 stat.ME
Hellinger Distance and Bayesian Non-Parametrics: Hierarchical Models for Robust and Efficient Bayesian Inference
本文介绍了一个层次化的框架，将Hellinger距离方法贝叶斯分析。我们建议修改先验的非参数密度的指数的两倍之间的候选人和参数密度的Hellinger距离。通过将先验的第二密度的参数，我们到达一个层次模型，其中的非参数模型之间的参数和数据。族的参数然后可以被估计为模型中的超参数。在频率估计中，最小化核密度估计和参数族之间的Hellinger距离已被证明可以产生对离群值具有鲁棒性的估计量，并且在参数模型正确时具有统计效率。在本文中，我们证明了同样的结果是适用时，非参数贝叶斯密度估计取代核密度估计。然后，我们证明了所提出的分层模型的鲁棒性和效率。有限样本的估计行为进行了研究，通过模拟和现实世界的数据。
2013-09-26 stat.ME
Scalable Bayesian nonparametric measures for exploring pairwise dependence via Dirichlet Process Mixtures
在这篇文章中，我们提出了新的贝叶斯非参数方法，使用Dirichlet过程混合（Dirichlet Process Mixture）模型来检测随机变量之间的成对依赖关系，同时考虑潜在分布形式的不确定性。一个关键的标准是，这些程序应该扩展到大型数据集。在这方面，我们发现，正式计算的贝叶斯因子的依赖与。独立联合概率测度在计算上是不可行的。为了解决这个问题，我们提出了贝叶斯诊断措施，对成对独立的“空模型”的特征证据。在模拟研究中，以及一个真正的数据分析，我们表明，我们的方法提供了一个有用的工具，探索性的非参数贝叶斯分析的大型多元数据集。
2016-04-27 stat.ME
A Unified Bayesian Nonparametric Framework for Ordinal, Survival, and Density Regression Using the Complementary Log-Log Link
本文提出统一贝叶斯非参数框架，利用互补对数-对数链接解决有序回归、生存分析和密度回归问题，结合贝叶斯加性回归树实现便捷计算并验证理论性质。
2025-02-02 stat.ME
Optimal Bayesian clustering using non-negative matrix factorization
基于贝叶斯模型的聚类是一种广泛应用的发现数据集中相关观测组的过程。这些方法使用贝叶斯混合模型，用MCMC估计，提供模型参数和聚类分区的后验样本。虽然对模型参数的推断已经很好地建立，但对聚类分区的推断还不太发达。提出了一种基于贝叶斯聚类模型的两两后验相似矩阵估计最优划分的新方法。这种方法使用非负矩阵分解（NMF）提供一个低秩近似的相似性矩阵。因子分解允许硬或软分区，并表现出更好的性能比几个流行的替代品下的各种惩罚函数。
2018-09-20 stat.ME
Rediscovery of Good-Turing estimators via Bayesian nonparametrics
估计发现概率的问题起源于统计生态学的背景下，近年来，它已成为流行的，由于其频繁出现在遗传学，生物信息学，语言学，实验设计，机器学习等具有挑战性的应用程序。一个全方位的统计方法，参数和非参数以及频率论和贝叶斯，已经提出了估计发现概率。在本文中，我们研究了著名的古德图灵方法，这是一个频率主义的非参数方法在20世纪40年代，最近在文献中介绍的贝叶斯非参数方法之间的关系。具体而言，假设两个参数的泊松-狄利克雷先验，我们证明了贝叶斯非参数估计的发现概率是渐近等价的，对于一个大的样本量，适当地平滑好图灵估计。作为这个结果的副产品，我们介绍和调查的方法来获得准确和渐近的可信区间与发现概率的贝叶斯非参数估计。所提出的方法是说明通过一个全面的模拟研究和分析所产生的表达序列标签数据的基准互补DNA文库测序。
2015-06-16 stat.ME
Comparison of Bayesian Nonparametric Density Estimation Methods
在本文中，我们提出了一个非参数贝叶斯方法的Lindsey和惩罚高斯混合方法。我们比较这些方法与Dirichlet过程混合模型。我们的方法是一个贝叶斯非参数方法，而不仅仅是基于一个参数家庭的概率分布。因此，拟合的模型对模型误指定更稳健。此外，与贝叶斯方法，我们有我们感兴趣的参数的整个后验分布，它可以概括为通过可信区间，平均值，中位数，标准差，分位数等林赛，惩罚高斯混合物，和狄利克雷过程混合物的方法进行审查。通过马尔可夫链蒙特卡罗（MCMC）方法进行估计。惩罚高斯混合方法通过哈密顿蒙特卡罗（HMC）实现。我们表明，在一定的正则条件下，随着n的增加，后验分布的权重收敛到一个正态分布。仿真结果和数据分析报告。
2020-11-27 stat.ME
Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics
基于狄利克雷过程和其他棒打破先验的贝叶斯模型已被提出作为聚类，主题建模和其他无监督学习任务的核心成分。然而，由于这些模型的灵活性，先前选择的结果可能是不透明的。因此，事先说明可能相对困难。同时，先验选择对后验推理也有很大的影响。因此，鲁棒性的考虑需要与非参数建模齐头并进。在本文中，我们利用变分贝叶斯方法，除了在拟合复杂的非参数模型的计算优势，还产生灵敏度方面的贝叶斯模型的参数和非参数方面的事实来应对这一挑战。特别是，我们演示了如何评估的灵敏度的结论选择的浓度参数和棒断裂分布的Dirichlet过程的混合物和相关的混合物模型下的推断。我们提供了理论和经验支持，我们的变分方法贝叶斯敏感性分析。
2022-01-25 stat.ME
Regression Adjustment for Noncrossing Bayesian Quantile Regression
针对分位数回归中多个分位数的拟合曲线可能交叉的问题，提出了一种两阶段的方法。在第一阶段应用标准贝叶斯分位数回归模型，然后进行高斯过程回归调整，该调整使分位数函数单调化，同时从附近的分位数借用强度。两阶段方法在计算上是高效的，并且比现有技术更通用。该方法被证明是具有竞争力的替代方法，通过其性能在模拟的例子。
2015-02-04 stat.ME
Nonparametric hierarchical Bayesian quantiles
在这里，我们开发了一种方法进行非参数贝叶斯推断的分位数。依靠几何测度理论和采用Hausdorff基测度，我们能够指定有意义的先验的分位数，而处理的数据分布，否则非参数。我们进一步扩展的方法，一个层次模型的分位数的亚群，仅通过他们的分位数连接在一起的子组。我们的方法是计算简单，允许审查和噪声数据。我们展示了模拟数据和应用问题，从体育统计，它被观察到稳定和改善推理和预测的建议的方法。
2016-05-11 stat.ME
Bayesian nonlinear hyperspectral unmixing with spatial residual component analysis
提出了一种新的高光谱图像非线性混合分解的贝叶斯模型和算法。提出的模型表示像素反射率的线性组合的端元，损坏的非线性（相对于端元）条款和加性高斯噪声。先验知识的问题是嵌入在一个层次模型，描述了模型参数和它们的约束之间的依赖结构。特别是，伽马马尔可夫随机场被用来模拟的联合分布的非线性项，预计将表现出显着的空间相关性。然后提出了一种自适应马尔可夫链蒙特卡罗算法来计算感兴趣的贝叶斯估计和执行贝叶斯推断。该算法配备了随机优化自适应机制，通过最大边际似然估计自动调整伽玛马尔可夫随机场的参数。最后，所提出的方法证明了通过一系列的实验与比较，使用合成和真实的数据，并与竞争国家的最先进的方法。
2015-10-05 stat.ME
On the collapsibility of measures of effect in the counterfactual causal framework
如果关联性度量的边际值等于层特异性关联性度量的加权平均值，则关联性度量在一组基线协变量上被称为可折叠的。在本文中，我们考虑两个微妙的不同定义的可解释性，并表明，通过考虑因果措施的效果的反事实变量的基础上，有可能分离出的组件的不可解释性，这是由于数学性质的效果措施。我们提供的权重，使因果风险差和因果风险比是可折叠的任意基线协变量，并证明，这样的一般权重不存在的比值比。
2017-10-24 stat.ME
A Kernel Approach to Tractable Bayesian Nonparametrics
流行的非参数贝叶斯模型中的推断通常依赖于采样或其他近似。本文提出了一个一般的方法来构造新的易处理的非参数贝叶斯方法，通过应用核技巧的推断参数贝叶斯模型。例如，可以从贝叶斯线性回归以这种方式导出高斯过程回归。尽管高斯过程框架取得了成功，但在贝叶斯文献中很少明确考虑内核技巧。在本文中，我们的目标是填补这一空白，并展示了在更广泛的背景下，而不仅仅是回归，将内核技巧应用于易于处理的贝叶斯参数模型的潜力。作为一个例子，我们提出了一个直观的贝叶斯核机的密度估计，是通过应用核技巧高斯生成模型在特征空间。
2011-08-12 stat.ME stat.ML
Bayesian-based deconvolution fluorescence microscopy using dynamically updated nonparametric nonstationary expectation estimates
荧光显微镜广泛用于生物样品的研究。去卷积可以显着提高使用荧光显微镜产生的图像的分辨率和对比度;特别是，基于贝叶斯的方法在去卷积荧光显微镜中已经变得非常流行。基于贝叶斯的方法的持续挑战是在处理低SNR成像条件下的噪声的存在。在这项研究中，我们提出了一种基于贝叶斯的方法进行反卷积使用动态更新的非参数非平稳期望估计，可以提高荧光显微镜图像质量的噪声存在下，没有明确使用的空间正则化。
2015-02-03 stat.AP stat.ME
A Tutorial on Bayesian Nonparametric Models
统计建模中的一个关键问题是模型选择，即如何在适当的复杂程度上选择模型。这个问题出现在许多设置中，最突出的是在混合模型中选择聚类数或因子分析中选择因子数。在本教程中，我们将描述贝叶斯非参数方法，这是一类通过允许数据确定模型复杂性来回避这个问题的方法。本教程是对贝叶斯非参数方法的高级介绍，并包含其应用的几个示例。
2011-08-04 stat.ME stat.ML
System identification using Bayesian neural networks with nonparametric noise models
系统辨识在科学和工程中具有特殊的意义。本文研究随机动态系统中的系统辨识问题，其目的是估计系统的参数及其未知噪声过程。特别是，我们提出了一个贝叶斯非参数方法的系统识别离散时间非线性随机动力系统假设只有马尔可夫过程的顺序是已知的。该方法取代了高斯分布的误差分量的假设与一个高度灵活的家庭的概率密度函数的基础上贝叶斯非参数先验。此外，利用贝叶斯神经网络估计系统的函数形式，这也导致灵活的不确定性量化。在隐层神经元个数上，该模型渐近收敛于完全非参数贝叶斯回归模型。提出了一种用于后验推理的Gibbs采样器，并在模拟和真实时间序列上说明了其有效性。
2022-01-25 stat.ME stat.ML
Marginally Constrained Nonparametric Bayesian Inference through Gaussian Processes
非参数贝叶斯模型通常用作复杂数据的灵活和强大的模型。很多时候，统计学家可能对感兴趣的数据分布有额外的信息信念，例如，它的均值或子集分量，不是非参数先验的一部分，甚至与非参数先验不相容。一个重要的挑战是将这种部分先验信念纳入非参数贝叶斯模型。在本文中，我们的动机设置从业者有额外的分布信息的一个子集的坐标的观测建模。我们的方法将这个问题与条件密度模型联系起来。我们的主要思想是一种新的约束贝叶斯模型，基于一个扰动的参数分布与变换高斯过程之前的扰动函数。我们还开发了相应的后验抽样方法的基础上的数据增强。我们说明了我们提出的约束非参数贝叶斯模型在各种现实世界的情况下，包括建模环境和地震数据的有效性。
2022-11-05 stat.CO stat.ME
Bayesian Nonparametric Model for Weighted Data Using Mixture of Burr XII Distributions
狄利克雷过程混合模型（DPMM）是一种流行的贝叶斯非参数模型。在本文中，我们将此模型应用于加权数据，然后使用梅特罗波利斯-黑斯廷斯算法从相应的加权分布估计未加权分布。然后，我们应用DPMM与不同的内核模拟和真实的数据集。特别是，我们在删失数据的存在下使用寿命数据，然后计算估计的密度和生存值。
2018-12-11 stat.CO stat.ME
Adaptive Inference through Bayesian and Inverse Bayesian Inference with Symmetry-Bias in Nonstationary Environments
Tokyo Denki University（东京电机大学）；The University of Tokyo（东京大学）；SoftBank Robotics Group Corp.（软银机器人集团）；Shinshu University（信州大学）；Osaka Metropolitan University（大阪公立大学）；Waseda University（早稻田大学）
本研究提出贝叶斯与逆贝叶斯（BIB）推断框架，通过引入对称性偏差和动态调节学习率，解决了传统贝叶斯推断中适应性与准确性的权衡，并在非平稳环境中实现了临界动力学与计算效率的共存。
2025-10-31 cs.MA stat.ME
Bayesian Nonlinear Models for Repeated Measurement Data: An Overview, Implementation, and Applications
非线性混合效应模型已成为一个标准的分析平台，当数据是在连续和重复测量的受试者从一个感兴趣的人口的形式，而受试者的时间曲线通常遵循非线性趋势。虽然非线性混合效应模型的频率论分析有着悠久的历史，但直到20世纪80年代末，模型的贝叶斯分析才受到相对较少的关注，主要是由于贝叶斯计算的耗时性。自20世纪90年代初以来，贝叶斯模型方法开始出现，以利用计算能力的快速发展，最近，由于（1）量化参数估计的不确定性的优越性，（2）将先验知识结合到模型中的实用性，（3）将先验知识引入到模型中，（4）将先验知识引入到模型中，（5）将先验知识引入到模型中。以及（3）灵活性，以准确地匹配来自不同工业和学术领域的日益复杂的科学研究。这篇综述文章概述了非线性混合效应模型的建模策略，以实现贝叶斯方法，从设计一个科学问题的现实生活中的问题，以实际计算。
2022-03-02 stat.CO stat.ME
Nonnegative Bayesian nonparametric factor models with completely random measures for community detection
我们提出了一个贝叶斯非参数泊松因子分解模型建模网络数据的未知和潜在的重叠社区的数量不断增加。该构造基于完全随机的措施，并允许社区的数量以指定的对数或多项式速率随节点的数量增加，或者有界。我们开发的节点数量和网络的度分布的渐近性，并推导出一个马尔可夫链蒙特卡罗算法，针对这个模型的确切后验分布。该方法的实用性说明了各种真实的网络。
2019-02-27 cs.SI stat.ME
Bayesian inference under small sample size -- A noninformative prior approach
本文提出了一种适用于小样本、稀疏数据问题的贝叶斯推断方法。提出了一种一般的先验（$\propto 1/σ^{q}$），用于小样本量下的贝叶斯后验推理问题。它表明，这种类型的先验可以代表广泛的先验，如经典的无信息先验和渐近局部不变的先验。它进一步表明，在这项研究中，这样的先验可以推导出的正态-逆-伽玛共轭先验的极限状态，允许贝叶斯后验和预测的分析评估。在小样本量条件下，利用全局似然法比较了不同无信息先验的性能。采用拉普拉斯近似的方法来估计全局似然。数值线性回归问题和实际的疲劳可靠性问题被用来证明该方法和确定最佳的无信息先验。结果表明，使用Jeffreys的先验的预测优于其他人。在小样本量条件下，证明了无信息贝叶斯估计量优于常规最小二乘估计量。
2020-10-13 stat.AP stat.ME
Some comments about James Watson's and Chris Holmes' "Approximate Models and Robust Decisions": Nonparametric Bayesian clay for robust decision bricks
本文讨论了Watson和Holmes（2016）以及他们对更稳健的贝叶斯决策的支持。虽然我们承认并赞扬作者为贝叶斯鲁棒性设定了新的和包罗万象的原则，我们也欣赏这些原则在决策理论参考中的强大锚定，但我们仍然不确定这些原则在多大程度上可以应用于二元决策之外。我们还想知道Kullback-Leibler邻域的最终相关性，以增强鲁棒性，并有利于沿非参数轴的扩展。
2016-04-09 stat.CO stat.ME
Bayesian Nonparametric Quasi Likelihood
本文提出 Wedderburn 拟似然的贝叶斯非参数扩展，利用贝叶斯加性回归树建模均值函数，为异方差等复杂数据提供统一高效的推断框架，并解决了散度参数的推断难题。
2024-05-31 stat.ME stat.OT
A Bayesian Nonparametric Approach to Dynamical Noise Reduction
基于马尔可夫链蒙特卡罗方法（MCMC），提出了一种贝叶斯非参数降噪方法，用于对被动态噪声污染的混沌时间序列进行降噪.潜在的未知噪声过程（可能）表现出重尾行为。我们介绍了动态降噪复制器（DNRR）模型，我们重建未知的动态方程，并在并行我们复制的动态降低噪声水平的动态扰动。动态噪声降低过程中，具体证明了在多项式映射的情况下。基于合成时间序列的仿真。
2018-02-17 nlin.CD stat.ME
Bayesian nonparametric scalar-on-image regression via Potts-Gibbs random partition models
标量图像回归旨在研究基于高维成像数据的感兴趣标量响应的变化。我们提出了一种新的贝叶斯非参数标量图像回归模型，利用体素的空间坐标组体素具有相似的影响的响应有一个共同的系数。我们采用Potts-Gibbs随机分区模型作为随机分区的先验，其中分区过程是空间依赖的，从而鼓励代表空间连续区域的组。此外，贝叶斯收缩先验用于识别与预测最相关的协变量和区域。使用模拟数据集说明了所提出的模型。
2022-06-22 stat.AP stat.ME
Bayesian Nonparametric Nonhomogeneous Poisson Process with Applications to USGS Earthquake Data
灰度估计是空间点模式数据统计分析中的一个常见问题。提出了一种基于有限混合模型（MFM）的空间点过程强度估计的非参数贝叶斯方法。MFM方法在考虑异质性的同时，对不同地区的空间点模式强度进行了相合估计。提出了一种有效的马尔可夫链蒙特卡罗（MCMC）算法。进行了广泛的模拟研究，以检查所提出的方法的经验性能。我们提出的方法的使用进一步说明了美国地质调查局（USGS）地震数据的地震灾害计划的分析。
2019-07-06 stat.AP stat.ME
Scalable Bayesian Nonparametric Clustering and Classification
我们开发了一个可扩展的多步蒙特卡罗算法推理下的一大类非参数贝叶斯模型的聚类和分类。每一步都是“并行的”，并且可以使用相同的马尔可夫链蒙特卡罗采样器来实现。我们的方法的简单性和通用性使得推理适用于大型数据集的贝叶斯非参数混合模型。具体来说，我们应用的方法推断下的产品分区模型与回归协变量。我们展示了两个激励数据集的推理结果：一个大型的电子健康记录（EHR）和一个银行电话营销数据集。我们发现有趣的集群和良好的分类性能相对于其他广泛使用的竞争分类。
2018-06-07 stat.CO stat.ME
A Bayesian Nonparametric approach to Reconstruction and Prediction of Random Dynamical Systems
基于马尔可夫链蒙特卡罗方法（MCMC），提出了一种贝叶斯非参数混合模型，用于离散随机动力系统的时间序列重构和预测.我们的研究结果可以用于物理建模的研究人员感兴趣的快速和准确的估计低维随机模型时，所观察到的时间序列的大小是小的，噪声过程（也许）是非高斯的。特别是在多项式映射的情况下，证明了推理过程的任意程度，当几何棒打破混合物的过程之前，在空间的密度，适用于添加剂的错误。我们的方法是简约的贝叶斯非参数技术的基础上Dirichlet过程的混合物，灵活和一般。基于合成时间序列的仿真。
2017-09-30 stat.AP stat.ME
A Bayesian nonparametric test for conditional independence
本文介绍了一种贝叶斯非参数方法，用于量化数据集中的相对证据，以支持两个变量在第三个变量条件下的依赖或独立。该方法使用Polya树先验空间的条件概率密度，占不确定性的形式的基本分布的非参数的方式。贝叶斯观点提供了条件依赖性或独立性的固有对称概率测度，这是在因果发现中特别有利的特征，并且在这种类型的现有程序中没有采用。
2020-07-16 stat.CO stat.ME stat.ML
Bayesian nonparametrics for stochastic epidemic models
绝大多数传染病传播的模型本质上是参数化的，涉及关于疾病如何在人群中传播的基本假设。在这篇文章中，我们考虑使用贝叶斯非参数方法来分析疾病暴发的数据。具体来说，我们专注于简单模型的假设下，这个过程具有显式的时间依赖性的感染过程的估计方法。
2017-06-09 stat.AP stat.CO stat.ME
Quasi-Bayesian Nonparametric Density Estimation via Autoregressive Predictive Updates
University of Oxford（牛津大学）；Novo Nordisk（诺和诺德）；University College London（伦敦大学学院）
贝叶斯方法是一种流行的选择，统计推断在小数据制度，由于正则化效应引起的先验。在密度估计的背景下，标准的非参数贝叶斯方法是针对Dirichlet过程混合模型的后验预测。通常，后验预测的直接估计是棘手的，因此方法通常求助于近似后验分布作为中间步骤。然而，最近发展的准贝叶斯预测copula更新，使得有可能进行易于处理的预测密度估计，而不需要后验近似。虽然这些估计在计算上是有吸引力的，但它们往往在非光滑数据分布上挣扎。这是由于提出的copula更新所依据的似然模型的相对限制性形式。为了解决这个问题，我们考虑了一个贝叶斯非参数模型与自回归似然分解和高斯过程先验。虽然这样的模型的预测更新通常是棘手的，我们得到一个准贝叶斯预测更新，实现国家的最先进的结果在小数据制度。
2023-02-18 cs.LG stat.ME stat.ML
The semi-Markov beta-Stacy process: a Bayesian non-parametric prior for semi-Markov processes
关于离散时间半马尔可夫过程分析的贝叶斯方法的文献很少。本文介绍了半马尔可夫β-Stacy过程，这是一个用于半马尔可夫过程的贝叶斯非参数分析的随机过程。半马尔可夫β-Stacy过程相对于由半马尔可夫过程生成的数据是共轭的，这一性质使得容易获得概率预测。其预测分布的特点是由一个强化的随机游动的骨灰盒系统。
2020-07-23 math.ST stat.ME stat.TH
Bayesian nonparametric models for ranked data
INRIA（法国国家信息与自动化研究所）
我们开发了一个贝叶斯非参数扩展流行的Plackett-Luce选择模型，可以处理无限数量的选择项目。我们的框架是基于随机原子措施的理论，事先指定的伽马过程。我们推导出一个后验特征和一个简单有效的吉布斯采样后验模拟。我们开发了一个随时间变化的扩展我们的模型，并将其应用到纽约时报的每周畅销书名单。
2012-11-19 cs.LG stat.ME stat.ML
Nonparametric Bayesian testing for monotonicity
本文从非参数贝叶斯的角度研究了函数单调性的检验问题。构造了两个新的检验族。第一个使用约束平滑样条，连同一个层次的随机过程之前，明确控制的先验概率的单调性。第二个使用回归样条，连同两个建议的先验的回归系数。有限样本性能的测试，通过模拟，以改善现有的频率论和贝叶斯方法。本文还研究了高斯模型中比较单调与非单调回归函数的贝叶斯因子的渐近性质。我们的结果显着扩展了目前可用的，主要集中在确定参数线性模型的尺寸。
2014-06-01 math.ST stat.ME stat.TH
Nonparametric Bayesian volatility estimation for gamma-driven stochastic differential equations
针对伽马过程驱动的随机微分方程，提出一种基于分段常数先验和伽马先验的非参数贝叶斯波动率估计方法，通过MCMC进行后验推断，并给出收缩率理论保证及实验验证。
2021-08-26 math.ST stat.ME stat.TH
Bayesian Nonparametric Models for Biomedical Data Analysis
在这篇论文中，我们开发了非参数贝叶斯模型用于生物医学数据分析。特别地，我们关注肿瘤异质性的推断和缺失数据的推断。首先，我们提出了一个贝叶斯特征分配模型的肿瘤亚克隆重建突变对。关键的创新在于使用映射到近端单核苷酸变体（SNV）对的短读段。相比之下，大多数现有方法仅使用未配对SNV的边缘读段。在相同的背景下，使用突变对，为了恢复亚克隆的系统发育关系，我们然后开发了贝叶斯树特征分配模型。与常用的特征分配模型相比，我们允许潜在的特征是依赖的，使用树结构来引入依赖。最后，我们提出了一个非参数贝叶斯方法来处理纵向研究中的单调缺失数据。与大多数现有的方法相比，我们的方法允许从辅助协变量中整合信息，并且能够捕获响应、缺失和辅助协变量之间的复杂结构。我们的模型通过模拟研究进行验证，并应用于现实世界的生物医学数据集。
2017-10-26 stat.AP stat.CO stat.ME
Compound decisions and empirical Bayes via Bayesian nonparametrics
University of Chicago（芝加哥大学）
本文通过贝叶斯非参数方法研究高斯序列复合决策问题，证明基于狄利克雷过程的估计器可实现接近最优的懊悔界，并展示后验均值贝叶斯规则的可接受性。
2026-09-10 econ.EM math.ST stat.ME
Moment conditions and Bayesian nonparametrics
通过矩条件表达的模型是现代推理的核心。在这里，这些矩条件嵌入在非参数贝叶斯设置中。处理这样的模型在概率上并不简单，因为后验模型在流形上有支持。我们解决了相关问题，建立新的概率和计算工具，使用豪斯多夫措施来分析它们的真实和模拟数据。这些新方法涉及流形上的模拟，具有广泛的应用前景，包括对拟似然、线性和非线性回归、缺失数据和分层模型的贝叶斯分析。
2016-01-13 math.PR math.ST stat.AP
Nonparametric Bayesian Calibration of Computer Models
Simon Fraser University（西蒙菲莎大学）；Colorado State University（科罗拉多州立大学）；Sanofi（赛诺菲）；University of Colorado at Denver（科罗拉多大学丹佛分校）
本文提出非参数贝叶斯方法校准计算机模型参数分布，通过场观测建立后验分布，证明其最大熵性质和连续性，并进行统计分析。
2026-06-27 math.ST stat.CO stat.ME
BayesFBHborrow: An R Package for Bayesian borrowing for time-to-event data from a flexible baseline hazard
AstraZeneca R&D（阿斯利康研发）；University of Gothenburg（哥德堡大学）；LSHTM（伦敦卫生与热带医学院）
提出一种半参数贝叶斯借用模型，通过平滑先验灵活建模基线风险，利用“块-涂抹”先验增强对非交换历史数据的鲁棒性，并开发R包实现协变量调整借用与边际风险比估计。
2026-06-23 stat.AP stat.CO stat.ME
Non-Bayesian Learning in Misspecified Models
该研究挑战了将偏离贝叶斯更新视为次优的传统观点，证明在模型误设的学习场景中，非贝叶斯更新的表现能够优于贝叶斯更新。
2025-10-03 econ.TH math.ST stat.TH
Bayesian nonparametric statistics, St-Flour lecture notes
本文为2023年圣弗卢尔暑期学校讲义，系统介绍贝叶斯非参数统计的理论与方法。
2024-02-26 math.ST stat.TH
A note on non-parametric Bayesian estimation for Poisson point processes
本文导出了泊松点过程强度函数的非参数贝叶斯估计的后验收缩率。
2018-04-14 math.ST stat.TH
The two envelopes paradox in non-Bayesian and Bayesian statistics
本文的目的是澄清（非贝叶斯和贝叶斯）双信封问题的量子语言（或测量理论），这是最近提出的量子力学的语言转向（哥本哈根解释）。两个信封悖论只是一种高中生的概率难题，说这是一个未解之谜可能有些夸张。然而，由于我们确信量子语言只是未来的统计，我们相信没有量子语言的描述就没有明确的答案。从这个意义上说，读者会发现量子语言提供了最终的答案（即，最简单和最深刻的理解）的两个问题，在非贝叶斯和贝叶斯统计。此外，我们还增加了对圣彼得堡双信封悖论的讨论。
2014-09-15 quant-ph stat.OT
Consistent non-parametric Bayesian estimation for a time-inhomogeneous Brownian motion
建立了非时齐布朗运动离散系数非参数贝叶斯估计的后验相合性。
2013-04-24 math.ST stat.TH
Shrinkage priors for nonparametric Bayesian prediction of nonhomogeneous Poisson processes
研究强度函数未知的非齐次泊松过程模型的非参数贝叶斯估计和预测问题。我们提出了一类强度函数的非正常先验。非参数贝叶斯推理与核混合的基础上类不当的先验被证明是有用的，虽然不当的先验还没有被广泛用于非参数贝叶斯问题。与有限维独立泊松模型相应的几个定理对具有无限维参数空间的非齐次泊松过程模型也成立。在Kullback-Leibler损失下证明了基于不适当先验的贝叶斯估计和预测是可容许的。研究了基于先验信息的贝叶斯推理的数值方法。
2021-05-08 math.ST stat.TH
Posterior contraction rate for non-parametric Bayesian estimation of the dispersion coefficient of a stochastic differential equation
本文给出了线性随机微分方程确定性离差系数的非参数贝叶斯估计的后误差收缩率。
2014-09-09 math.ST stat.TH
Local Nonstationarity for Efficient Bayesian Optimization
Centro Universitario de la Defensa（国防大学中心）
贝叶斯优化已被证明是一个基本的全局优化算法在许多应用中：从自动机器学习，机器人，强化学习，实验设计，仿真等最流行和有效的贝叶斯优化依赖于一个代理模型的形式，高斯过程，由于其灵活性，以代表一个先验函数。然而，许多算法和设置依赖于高斯过程的平稳性假设。在本文中，我们提出了一种新的非平稳贝叶斯优化策略，能够在静态和非平稳问题中超越贝叶斯优化的最新技术水平。
2015-06-05 cs.LG stat.ML
Nonlinear MCMC for Bayesian Machine Learning
我们探讨了在[1]中首次引入的非线性MCMC技术在贝叶斯机器学习问题中的应用。我们提供了一个收敛保证总变分，使用新的结果，长时间收敛和大粒子（“混沌传播”）收敛。我们应用这种非线性MCMC技术的采样问题，包括贝叶斯神经网络CIFAR10。
2022-11-24 cs.LG math.PR stat.ML
Bayesian Nonparametrics: An Alternative to Deep Learning
School of Electrical Engineering, Arizona State University（亚利桑那州立大学电气工程学院）
本综述系统阐述了贝叶斯非参数模型的理论基础与应用价值，重点展示其在多目标跟踪等复杂问题中作为深度学习替代方案的灵活性和有效性。
2024-03-29 cs.LG stat.ML
A particle-based variational approach to Bayesian Non-negative Matrix Factorization
贝叶斯非负矩阵分解（NMF）是一种很有前途的方法来理解矩阵数据的不确定性和结构。然而，大量的应用工作优化了传统的非贝叶斯NMF目标，无法提供一个原则性的理解NMF固有的不可识别性-一个问题，理想地解决了贝叶斯方法。尽管它们的适用性，目前的贝叶斯NMF方法未能获得普及的应用环境中，他们牺牲灵活性建模易于处理的计算，往往陷入局部模式，并需要成千上万的样本有意义的不确定性估计。我们通过贝叶斯NMF的基于粒子的变分方法来解决这些问题，该方法仅需要联合似然可微以实现可处理性，使用新型初始化技术来识别后验中的多个模式，并允许领域专家检查“小”集忠实地代表后验的因子分解。我们引入并采用了一类似然和先验分布的NMF，制定一个贝叶斯模型，使用流行的非贝叶斯NMF目标。在几个真实的数据集上，我们在比基线更短的时间内获得了对贝叶斯NMF后验的更好的粒子近似，并证明了多模态在NMF相关任务中发挥的重要作用。
2018-03-16 stat.ML
Toric and non-toric Bayesian networks
该研究从交换代数角度研究贝叶斯网络，刻画有向环面贝叶斯网络类，给出首个非有向环面贝叶斯网络实例，证明相关猜想并给出二次关系的图必要条件。
2023-06-27 math.AC math.ST stat.TH
