On Bayesian Estimation via Divergences
在本说明中,我们介绍了一种新的方法,贝叶斯推理通过使用$ϕ$ -分歧和对偶技术。建立了估计的渐近律。
2011-12-26 math.ST stat.ME stat.TH
Bayesian Shrinkage Estimation for Stratified Count Data
针对含聚合辅助信息的分层 Poisson 计数数据,本文基于共轭先验构造贝叶斯收缩估计量,比较其与直接估计量的风险,给出占优条件并证明极小极大性与容许性。
2023-11-03 math.ST stat.TH
Bayesian Nonparametric Density Estimation under Length Bias
一个密度估计方法在贝叶斯非参数框架下,当记录的数据不是直接来自感兴趣的分布,但从一个长度偏置的版本。从贝叶斯的角度来看,由于无法规避归一化常数的问题,有条件地对长度偏差数据进行计算评估后验量的努力受到了阻碍。在本文中,我们提出了一种新的贝叶斯非参数方法的长度偏差抽样问题,它绕过了归一化常数的问题。给出了数值例子和一个实际数据例子,并将该估计量与Jones(1991)的间接数据核密度估计量进行了比较。
2015-10-22 math.ST stat.TH
Non-parametric Bayesian drift estimation for stochastic differential equations
本文考虑一维随机微分方程漂移系数的非参数贝叶斯估计问题。在适当的正则性条件下,弱于文献中先前提出的,我们建立后验一致性在这种情况下。此外,我们表明,后验一致性扩展到多维设置,以及,据我们所知,这是一个新的结果,在这种设置。
2013-02-25 math.ST stat.TH
Minimax and minimax adaptive estimation in multiplicative regression : locally bayesian approach
本文讨论了带乘性噪声的回归方程的非参数估计问题。利用局部多项式拟合和贝叶斯方法,构造了迷向Hölder类估计的Minimax.接下来应用Lepski的方法,我们提出的估计,这是最佳自适应的各向同性的Hölder类的集合。为了证明所提出的方法的最优性,我们特别建立了局部最佳估计与待估计参数的偏差的指数不等式。这些理论结果通过仿真研究得到了验证。
2012-07-23 math.ST stat.TH
Nonparametric Bayesian estimation of multivariate Hawkes processes
本文研究了多变量Hawkes过程参数的非参数估计。我们考虑贝叶斯设置和推导后验浓度率。第一速率导出的L1度量的随机强度的霍克斯过程。然后,我们推导出速率的L1-范数的相互作用函数的过程。我们的研究结果举例说明使用先验的基础上分段常数函数,定期或随机分区和先验的基础上的混合贝塔分布。数值例子,然后提出了在考虑应用推断功能连接图的神经元。
2018-03-26 math.ST stat.TH
Bayesian Estimation of Multinomial Cell Probabilities Incorporating Information from Aggregated Observations
针对熵损失下有聚合数据辅助信息的多项分布单元概率估计问题,采用Jeffreys先验推导贝叶斯估计量,证明纳入辅助信息可得到更优估计器。
2023-11-07 math.ST stat.TH
Bayesian Simultaneous Estimation for Means in $k$ Sample Problems
本文讨论了当怀疑$k$总体均值近似相等时,对$k$总体均值的同时估计问题。作为一种替代的初步测试估计的基础上的检验统计量检验假设的平均值相等,我们推导出贝叶斯和极大极小估计,缩小个人样本均值的平均值向一个合并的平均估计的假设下。结果表明,无论是初步的测试估计和贝叶斯极大极小收缩估计进一步改善通过收缩的合并的均值估计。通过仿真研究了所提出的收缩估计器的性能。
2018-08-23 math.ST stat.TH
Bayesian multivariate mixed-scale density estimation
虽然连续密度估计在贝叶斯非参数文献中得到了广泛的关注,但多元混合尺度密度估计的理论却很有限。在这份说明中,我们考虑了一个通用的框架,联合建模连续,计数和分类变量下的非参数先验,这是通过舍入潜变量具有未知的密度相对于勒贝格测度。对于提出的先验类,我们提供了大支持,强一致性和后验收缩率的充分条件。这些条件允许人们将在多元连续密度估计的设置中获得的充分条件转换为混合尺度的情况。为了说明这个过程,引入了一个圆形的多变量非参数混合高斯,并应用于犯罪和社区数据集。
2014-05-23 math.ST stat.TH
Nonparametric Bayesian estimation of a concave distribution function with mixed interval censored data
假设我们观察到有限数量的检查时间以及关于在这些时间中的每一个之前是否发生了特定事件的信息。假设重复的测量在多个事件时间上可用。包括检查次数的检查时间组对于每个事件可能不同。这被称为混合情况区间删失数据。我们考虑事件时间的分布函数的贝叶斯估计,同时假设它是凹的。我们提供了充分条件的先验,使所得到的程序是一致的贝叶斯的观点。我们还提供了计算方法,从后,并说明贝叶斯方法在模拟研究和两个真实的数据集的性能。
2020-11-15 math.ST stat.TH
Bayesian nonparametric estimation for Quantum Homodyne Tomography
我们估计的量子态的光束从量子零差层析噪声测量的结果进行了同样准备的量子系统。我们提出了两种贝叶斯非参数方法。第一种方法是基于混合模型,并通过仿真例子说明。第二种方法是基于随机基展开。我们研究了第二种方法的理论性能,通过量化的收缩率的后验分布周围的真正的量子态在$L^2$度量。
2016-10-06 math.ST stat.TH
Bayesian Estimation for the Multivariate Hypergeometric Distribution Incorporating Information from Aggregated Observations
针对平方误差损失下带聚合数据辅助信息的多元超几何参数估计问题,采用对称多项先验推导贝叶斯估计量,证明引入辅助信息可得到更优的估计器。
2023-11-07 math.ST stat.TH
PAC-Bayesian Estimation and Prediction in Sparse Additive Models
本文研究稀疏性假设下高维可加模型的估计和预测问题($p\gg n$范式)。研究了一种PAC-Bayesian策略,给出了概率上的预言不等式.通过最近的成果在高维MCMC算法的实施,我们的方法的性能进行评估模拟数据。
2013-02-01 math.ST stat.ME stat.TH
Dimension-free PAC-Bayesian bounds for the estimation of the mean of a random vector
本文给出了一个新的随机向量均值的估计,它是通过对范数应用某种门限函数来计算的。在弱矩假设下,利用PAC-Bayesian不等式证明了非渐近无量纲的几乎亚高斯界。
2018-02-12 math.ST stat.TH
Bayesian estimation of nonlinear Hawkes process
多变量点过程被广泛应用于事件类型数据的建模,如自然灾害,在线消息交换,金融交易或神经元尖峰序列。一个非常流行的点过程模型是霍克斯过程,其中新事件发生的概率取决于过程的过去。在这项工作中,我们考虑的非线性霍克斯过程,特别是模型之间的尺寸的过程中的激发和抑制现象。在非参数贝叶斯估计框架下,在对先验分布和模型的适当假设下,得到了参数的后验分布的集中率。这些结果也导致了贝叶斯估计的收敛速度。事件数据建模中的另一个感兴趣的对象是恢复现象的交互图-或Granger连接图。我们提供一致性保证贝叶斯方法估计这个数量,特别是,我们证明了后验分布是一致的图形邻接矩阵的过程中,以及贝叶斯估计的基础上,一个足够的损失函数。
2023-01-26 math.ST stat.TH
Bayesian nonparametric estimation of Simpson's evenness index under $α-$Gibbs priors
Lijoi等人(2007,2008)最近介绍了一种贝叶斯非参数方法,用于研究物种多样性,该方法基于选择随机离散分布作为未知物种相对丰度的先验模型。在属于$α$ -Gibbs类的先验下,获得了{ \it物种丰富度}的显式后验预测估计(Gnedin & Pitman,2006)。在这里,我们专注于{ \it物种均匀度}的后验估计,它考虑了多样性的接近的情况下,均匀分布的人口到不同的物种。我们专注于辛普森指数,并提供了贝叶斯估计下的平方损失函数,其方差,在一些特定的$α-$吉布斯先验。
2012-03-08 math.PR math.ST stat.TH
Adaptive Bayesian Estimation of Mixed Discrete-Continuous Distributions under Smoothness and Sparsity
我们考虑非参数估计的混合离散-连续分布各向异性光滑条件下的离散部分的分布和可能增加的支持点的数量。对于这些设置,我们推导出在全变差距离的估计率的下界。接下来,我们考虑一个非参数混合正态模型,该模型使用连续潜变量作为观测的离散部分。我们发现,在这个模型中的后验合同率等于派生的下界的对数因子。因此,贝叶斯混合正态模型可以用于混合离散-连续分布的最优自适应估计。
2018-06-19 econ.EM math.ST stat.TH
Bayesian Shrinkage Approaches to Unbalanced Problems of Estimation and Prediction on the Basis of Negative Multinomial Samples
在本文中,我们处理负多项式变量的估计和预测问题,特别是考虑不平衡的设置。首先,在标准化平方误差损失下,讨论了多个负多项式参数向量的估计问题,在适当的条件下,得到了一个新的优于UMVU估计的经验Bayes估计。其次,我们考虑了Kullback-Leibler发散下多个多项式表的联合预测密度的估计,得到了关于分层收缩先验的贝叶斯预测密度优于关于Jeffreys先验的贝叶斯预测密度的一个充分条件.第三,我们提出的贝叶斯估计和预测密度在模拟中提供了风险改善。最后讨论了负多项式变量的联合预测密度的估计问题。
2021-11-19 math.ST stat.ME stat.TH
Hybrid Bayesian Estimation in the additive hazards model
针对右删失数据下的半参数加性风险模型,提出一种结合Lin-Ying估计方程的混合贝叶斯估计方法,获得闭式后验估计量,并通过模拟和Nickels矿工数据集验证。
2025-05-27 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
Horseshoe shrinkage methods for Bayesian fusion estimation
我们考虑高维信号的估计和结构学习的问题,通过正常的序列模型,其中潜在的参数向量是分段常数,或具有块结构。我们开发了一种贝叶斯融合估计方法,通过使用马蹄铁前诱导一个强大的收缩效应的连续差异的平均参数,同时施加足够的前浓度为非零值相同。因此,所提出的方法有利于一致的估计和结构恢复的信号片。我们提供了理论上的理由,我们的方法推导出后验收敛率和建立选择的一致性在适当的假设。我们还将我们提出的方法扩展到任意图上的信号去噪,并开发了有效的计算方法,同时提供了理论保证。我们通过大量的模拟和两个现实生活中的信号去噪在生物和地球物理应用的例子证明了基于马蹄铁贝叶斯融合估计方法的优越性能。我们还展示了我们的方法在一个现实世界的大型网络的图形信号去噪问题的估计性能。
2021-03-30 math.ST stat.ME stat.TH
Bayesian mode and maximum estimation and accelerated rates of contraction
本文研究了在噪声存在下,未知回归函数的模和最大值的估计问题。我们采用贝叶斯方法,使用张量积B样条和赋予高斯先验的系数。在通常的固定在先进的抽样计划中,我们建立后验收缩率的模式和最大值,并表明他们符合这个问题的极大极小率。为了量化估计的不确定性,我们为这两个数量构建了可信集,这些数量具有最佳大小的高覆盖概率。如果一个被允许收集数据顺序,我们进一步提出了贝叶斯两阶段估计过程,其中第二阶段后验是建立在从第一阶段后验构造的可信集内收集的样本的基础上。在此可信集半径的适当条件下,我们可以加速最优收缩率从固定在先进的设置到最小极大序列率。仿真实验表明,我们的贝叶斯两阶段过程优于单阶段过程,也略有改善后,非贝叶斯两阶段过程。
2018-03-15 math.ST stat.ME stat.TH
Bayesian estimation of topological features of persistence diagrams
持久同调是拓扑数据分析中的一种常用技术,它提供关于样本空间的几何和拓扑信息。所有这些信息,被称为拓扑特征,在持久性图中进行了总结,主要的兴趣是识别最持久的,因为它们对应于贝蒂数值。鉴于采样过程中固有的随机性,以及持久性图取值的空间的复杂结构,Betti数的估计并不简单。在这项工作中遵循的方法利用特征的生命周期,并提供了一个完整的贝叶斯聚类模型,基于随机分区,以估计贝蒂数。还提出了一个模拟研究。
2022-04-03 math.ST stat.ME stat.TH
Lower-bounds on the Bayesian Risk in Estimation Procedures via $f$-Divergences
我们认为在贝叶斯设置的参数估计的问题,并提出了一个一般的下限,包括家庭的$f$分歧的一部分。然后将结果应用于感兴趣的特定设置,并与文献中的其他显著结果进行比较。特别是,我们表明,使用互信息的已知界限可以通过使用,例如,最大泄漏,海林格发散,或广义的曲棍球棒发散。
2022-05-18 cs.IT math.IT math.PR
Multi Snapshot Sparse Bayesian Learning for DOA Estimation
利用稀疏贝叶斯学习(SBL)方法,从多快拍传感器阵列数据中估计平面波的到达方向(DOA)。先验源振幅假设为独立的零均值复高斯分布,超参数为未知方差(即源功率)。对于超参数为未知噪声方差的复高斯似然,导出了相应的高斯后验分布。对于给定数量的DOA,通过最大化证据自动选择超参数,并促进稀疏DOA估计。讨论了SBL DOA估计方法,并与LASSO($\ell_1$ -正则化)、常规波束形成和MUSIC方法进行了比较
2016-02-29 cs.IT math.IT math.ST
Bayesian State Estimation for Unobservable Distribution Systems via Deep Learning
Cornell University(康奈尔大学)
研究了不可观测配电系统的状态估计问题。提出了一种用于实时应用的贝叶斯状态估计的深度学习方法。所提出的技术包括随机功率注入的分布学习、用于训练用于状态估计的深度神经网络的蒙特卡罗技术以及贝叶斯坏数据检测和过滤算法。研究了深层神经网络的结构特征。仿真说明了贝叶斯状态估计对不可观测系统的准确性,并证明了采用深度神经网络的好处。数值结果表明,贝叶斯状态估计对建模和估计误差的鲁棒性和坏数据和缺失数据的存在。与伪测量技术相比,通过深度学习神经网络的直接贝叶斯状态估计优于现有的基准。
2019-02-25 cs.LG stat.AP stat.ML
Improving Bayesian estimation of Vaccine Efficacy
一个完整的贝叶斯方法来估计疫苗的效力,这是一个改进,目前使用的确切的方法条件下的病例总数。例如,我们重新考虑了BioNTech/Pfizer方案的统计部分,该方案于2020年导致了第一种获批的抗Covid-19疫苗。
2021-03-07 stat.AP stat.ME
Generalizing Tree Probability Estimation via Bayesian Networks
概率估计是统计学和机器学习的基本任务之一。然而,用于离散对象上的概率估计的标准方法不能以令人满意的方式处理对象结构。在本文中,我们推导出一个一般的贝叶斯网络公式的概率估计叶标记的树木,使灵活的近似,可以概括超越观察。我们表明,学习贝叶斯网络的有效算法可以很容易地扩展到这个具有挑战性的结构空间的概率估计。合成和真实数据的实验表明,我们的方法大大优于目前的实践中使用的经验分布,以及以前的努力概率估计的树木。
2018-11-05 stat.AP
Enhancing Off-Grid One-Bit DOA Estimation with Learning-Based Sparse Bayesian Approach for Non-Uniform Sparse Array
本文提出一种学习型稀疏贝叶斯框架,利用展开神经网络自主学习超参数,在单快照一比特离网DOA估计中兼顾精度与效率,适用于均匀及非均匀稀疏阵列。
2024-12-14 eess.SP stat.ML
A Fast Iterative Bayesian Inference Algorithm for Sparse Channel Estimation
本文提出了一种基于导频符号观测值的多载波贝叶斯信道估计算法。利用无线多径信道固有的稀疏性,通过建模多径分量的增益的先验分布与Bessel K概率密度函数的分层表示,然后将一种高效,快速的迭代贝叶斯推断方法应用于所提出的模型。由此产生的估计优于其他国家的最先进的贝叶斯和非贝叶斯估计,无论是通过产生较低的均方估计误差或通过达到相同的精度与改进的收敛速度,如我们的数值评估。
2013-03-06 cs.IT math.IT stat.ML
Bayesian Estimation of Kendall's tau Using a Latent Normal Approach
两个变量之间基于秩的关联可以通过向有序数据引入潜在正态水平来建模。我们演示了这种方法如何产生贝叶斯推断肯德尔的秩相关系数,改善最近的贝叶斯解的渐近性质的检验统计量。
2018-05-24 stat.ME
E-Bayesian Estimation For Some Characteristics Of Weibull Generalized Exponential Progressive Type-II Censored Samples
可靠度和危险率的估计是工程研究和寿命预测中的重要问题之一。在这方面,使用了不同的估计方法。每种方法都利用各种工具,并且存在诸如计算复杂、精度低等问题。本文应用E-Bayesian方法估计威布尔广义指数分布的参数和生存函数。在渐进II型删失样本下,得到了平方误差和LINEX损失函数下的估计量。基于超参数的三种先验,导出了E-Bayes估计,研究了不同先验对估计的影响。研究了E-Bayesian估计的渐近性质以及它们之间的关系。最后,使用真实数据和蒙特卡罗模拟,对极大似然、贝叶斯估计和E-Bayes估计进行了比较。实验结果表明,该方法比以往的方法更有效.
2021-07-26 stat.ME
A Bayesian Framework for Regularized Estimation in Multivariate Models Integrating Approximate Computing Concepts
本文在贝叶斯框架下统一了多变量模型的正则化估计,连接贝叶斯推断与近似计算,提出均值收缩和正则化LDA的新算法,并通过数值实验验证。
2025-09-12 stat.ME
Robust Bayesian Sequential Borrowing for Multi-Population Clinical Programmes
Faculty of Informatics and Data Science, University of Regensburg(雷根斯堡大学信息科学与数据科学学院)
本文提出鲁棒贝叶斯序列借用框架,用于在多人群临床试验中跨相邻亚组推断证据,通过稳健混合先验结合信息性成分和单位信息成分,避免先验数据冲突,提升异质性下的动态衰减效果。
2026-04-24 stat.ME
Quasi-Bayesian Estimation and Inference with Control Functions
针对内生离散选择模型,本文提出结合频率学派非参数控制函数估计与贝叶斯结构参数估计的准贝叶斯方法,分析其渐近性质并通过自助法获得渐近有效置信区间。
2025-05-19 econ.EM stat.ME
Bayesian estimation of the functional spatial lag model
空间滞后模型(SLM)已被广泛研究的文献空间化数据建模在各个学科,如地理,经济,人口,区域科学等,这是一个扩展的经典线性模型,考虑到接近的空间单元建模。\cite{Ahmed}提出了SLM模型在功能框架(FSLM模型)中的扩展以及截断极大似然技术的估计。在本文中,我们提出了一个贝叶斯估计的FSLM模型。贝叶斯MCMC技术被用作模型参数的估计方法。为了比较贝叶斯估计方法和截断极大似然方法的结果,进行了模拟研究。作为一个例子,拟议的贝叶斯方法被用来建立失业率和文盲率曲线之间的关系,在塞内加尔的45个省观察。
2019-08-07 stat.ME
A review of Approximate Bayesian Computation methods via density estimation: inference for simulator-models
本文通过密度估计的视角,综述了进行贝叶斯后验推理的近似贝叶斯计算(ABC)方法。我们描述了几个最近的算法,并与传统的方法。我们展示了基于参数化方法的模型的优点和局限性,然后我们提请注意机器学习的发展,我们认为这有可能使ABC可扩展到更高的维度,并可能是未来的研究方向在这一领域。
2019-09-06 stat.CO stat.ME
A Bayesian estimation approach to analyze non-Gaussian data-generating processes with latent classes
近年来,在各个领域积累了大量的观测数据,并且越来越需要估计这些数据的生成过程。基于外部影响的非高斯性,提出了一种线性非高斯非循环模型(LiNGAM)来估计变量的数据生成过程。然而,如果存在潜在类,则估计的结果可能有偏差。在本文中,我们首先回顾LiNGAM,其扩展模型,以及LiNGAM的贝叶斯框架中的估计过程。然后,我们提出了一个新的贝叶斯估计过程,解决了这个问题。
2014-08-02 stat.ML
Bayesian Benchmarking Small Area Estimation via Entropic Tilting
Faculty of Economics, Keio University(庆应义塾大学经济学部);School of Commerce, Meiji University(明治大学商学部);Graduate School of Social Sciences, Chiba University(千叶大学社会科学研究院)
本文提出基于熵倾斜的统一贝叶斯基准化框架,为小域估计提供原则性的基准化后验分布定义,并给出分层贝叶斯下的蒙特卡洛方法和经验贝叶斯下的解析解,实现点估计与不确定性量化的一致性。
2025-09-19 stat.ME
On default priors for robust Bayesian estimation with divergences
本文提出了基于分歧的抗野值贝叶斯估计的客观先验。最小$γ$ -散度估计是众所周知的工作,以及对严重污染的估计。近年来,基于分歧的准后验分布的稳健贝叶斯方法也被提出。在客观贝叶斯框架下,在这种准后验分布下,违约先验分布的选择是一个重要问题。本文基于$γ$ -散度,给出了准后验分布下参考先验和矩匹配先验的一些性质。特别是,我们表明,所提出的先验近似鲁棒的污染分布的条件下,不假设任何条件的污染率。一些模拟研究也被提出。
2020-12-18 stat.ME
An Approximate Bayesian Approach to Model-assisted Survey Estimation with Many Auxiliary Variables
复杂调查数据的模型辅助估计是调查抽样中一个重要的实际问题。当有许多辅助变量时,选择与研究变量相关的显著变量对于有效估计感兴趣的总体参数是必要的。在本文中,我们制定了一个正则化回归估计的贝叶斯推断的框架内使用的惩罚函数作为收缩前模型选择。所提出的贝叶斯方法使我们不仅能得到有效的点估计,而且能得到合理的可信区间。从两个有限的模拟研究结果,以方便与现有的频率论方法进行比较。
2020-03-31 stat.ME
Bayesian estimation for novel geometric INGARCH model
本文提出基于新型几何分布的INGARCH模型,采用条件最大似然和HMC贝叶斯方法估计参数,模拟与真实数据验证了模型性能及预测效果。
2025-06-21 stat.CO stat.ME
Discussion of the article "Bayesian cluster analysis: point estimation and credible balls" by Wade and Ghahramani
我们提出了一个讨论的文件“贝叶斯聚类分析:点估计和可信的球”韦德和Ghahramani。我们认为,本文的贡献很大的文献贝叶斯聚类填补了一个重要的方法空白,通过提供一种手段来评估周围的点估计的最佳聚类解决方案的基础上,一个给定的损失函数的不确定性。在我们的讨论中,我们反映了贝叶斯最优分区周围的不确定性的特征,揭示了其他可能的替代方案,可能是可行的。此外,我们提出了其他重要的扩展的方法,这可能会导致更广泛的适用性。
2018-04-06 stat.ME
Estimation of Distribution Algorithms with Matrix Transpose in Bayesian Learning
研究提出一种专为贝叶斯结构学习设计的矩阵转置变异算子,将其应用于分布估计算法中,实验证明该算子能显著提升算法在贝叶斯结构学习中的性能,优于传统方法。
2024-07-11 cs.NE stat.ML
Bayesian Uncertainty Estimation for Batch Normalized Deep Networks
我们证明了使用批量归一化训练深度网络相当于贝叶斯模型中的近似推理。我们进一步证明,这一发现使我们能够使用传统架构对模型的不确定性进行有意义的估计,而无需修改网络或训练过程。通过在一系列不同任务的实证实验中测量不确定性的质量,我们的方法得到了彻底验证。它的表现优于基线,具有很强的统计意义,并显示出与最近的贝叶斯方法的竞争力。
2018-07-16 stat.ML
Sharp sup-norm Bayesian curve estimation
超范数曲线估计是一个基本的统计问题,原则上是构造无穷维参数置信带的前提。在贝叶斯框架中,Giné和Nickl(2011)提出的超范数后验测度集中方法是否涉及解决一个利用核和投影型密度估计在其期望周围的集中特性的测试问题,可以产生最小最大最优速率,在此肯定地解决了共轭先验设置之外的问题,模型对,如随机直方图、狄利克雷高斯或拉普拉斯混合,可用于密度、回归或分位数估计。
2016-03-21 stat.ME
Sparse Bayesian joint modal estimation for exploratory item factor analysis
The University of Tokyo(东京大学);London School of Economics and Political Science(伦敦政治经济学院)
本文提出一种可扩展的贝叶斯估计算法,用于探索性项目因子分析中的稀疏估计,基于经典贝叶斯估计方法——联合模态估计(BJME)。该算法通过交替优化方案迭代更新模型参数和潜在变量,实现高效计算和准确的变量选择与潜在因子恢复。
2026-10-01 stat.CO stat.ME
Bayesian estimation of in-game home team win probability for college basketball
提出了两种新的贝叶斯方法来估计和预测比赛中主队获胜概率。第一种方法有一个先验,它根据导联差和经过的时间进行调整。第二个是第一个的调整版本,其中调整是贝叶斯估计与时间加权的赛前获胜概率的线性组合。所提出的方法相比,现有的方法,显示新的方法进行更好的估计和预测。该实用程序通过2016年NCAA Division 1锦标赛的应用程序来说明。
2022-04-25 stat.AP stat.ME stat.OT
Bayesian Masking: Sparse Bayesian Estimation with Weaker Shrinkage Bias
Kyoto University(京都大学);National Institute of Informatics(国立信息学研究所)
稀疏线性回归的一个常见策略是引入正则化,通过使相应的权重为零来消除不相关的特征。然而,正则化经常缩小相关特征的估计量,这导致不正确的特征选择。出于上述问题,我们提出了贝叶斯掩蔽(BM),稀疏估计方法,不施加正则化的权重。BM的关键概念是引入随机屏蔽特征的二进制潜变量。估计掩蔽率自动确定特征的相关性。我们推导出一个变分贝叶斯推断算法,最大限度地提高了下界的因子分解信息准则(FIC),这是最近开发的渐近标准,用于评估边际对数似然。此外,我们提出了重新参数化,以加速收敛的派生算法。最后,我们表明,BM优于Lasso和自动相关性确定(ARD)的稀疏收缩权衡。
2015-10-06 cs.LG stat.ML
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
Density Estimation via Bayesian Inference Engines
University of Technology Sydney(悉尼科技大学)
我们解释如何有效的自动概率密度函数估计可以使用当代贝叶斯推断引擎,如那些基于无掉头采样和期望传播。广泛的模拟研究表明,建议的密度估计有很好的比较性能和规模非常大的样本量由于分箱策略。此外,该方法是完全贝叶斯和所有的估计都伴随着逐点可信区间。随附的R语言包便于使用新的密度估计。
2021-09-26 cs.LG stat.ML
Discussion on Bayesian Cluster Analysis: Point Estimation and Credible Balls by Sara Wade and Zoubin Ghahramani
我开始我的讨论,给出一个概述的主要结果。然后,我继续触及的问题,是否可信的球构造可以被解释为一个信心球,建议减少计算成本,和后验一致性或收缩率。
2018-06-27 stat.ME
Bayesian Fractional Polynomials for Optimal Dosage Estimation with Fish Nutrition Applications
NMBU, Norway(挪威生命科学大学)
本文提出贝叶斯分数多项式框架,用于建模非线性剂量反应关系,通过贝叶斯模型平均实现模型不确定性量化和稳健预测,实验证明其在鱼营养实验数据中优于传统方法。
2026-05-07 stat.AP stat.ME
Seismic Bayesian evidential learning: Estimation and uncertainty quantification of sub-resolution reservoir properties
我们提出了一个框架,使估计低维次分辨率储层属性直接从地震资料,而不需要解决一个高维地震逆问题。我们的工作流程基于贝叶斯证据学习方法,并利用学习地震资料和储层性质之间的直接关系来有效地估计储层性质。我们开发的理论框架允许将非线性统计模型用于地震估计问题。使用近似贝叶斯计算进行不确定性量化。借助一个估算次分辨率薄砂岩储层中储层净总饱和度和平均流体饱和度的综合实例,展望了无监督和监督学习方法在地震估算问题中的适用性。最后,我们通过使用三维叠前地震资料估计来自海上三角洲数据集的亚分辨率薄砂岩储层中储层净对总的后验不确定性来证明我们的方法的有效性。
2019-05-14 physics.geo-ph stat.ML