Traffic prediction at signalised intersections using Integrated Nested Laplace Approximation
贝叶斯方法预测信号交叉口的交通流被认为是使用的INLA框架。INLA是一种确定性的，计算效率高的替代MCMC估计后验分布。它被设计用于参数遵循联合高斯分布的潜在高斯模型。从LGM自然演化的假设是高斯马尔可夫随机场（GMRF）的假设。可以证明，基于空间和时间的流量预测模型满足这一假设，因此，当模型中包括空间、时间和其他相关协变量时，INLA算法提供准确的预测。
2021-07-08 stat.AP
A toolbox for fitting complex spatial point process models using integrated nested Laplace approximation (INLA)
本文开发的方法，提供了一个工具箱，经常拟合复杂的模型，以现实的空间点模式数据。我们考虑的模型是基于对数高斯Cox过程，并考虑构建的协变量，包括在这些局部相互作用。这使我们能够使用集成嵌套拉普拉斯近似，并大大加快推理任务。此外，模型比较和模型评估方法也有助于建模过程。该方法的性能进行了评估，在模拟研究。为了证明该方法的多功能性，模型拟合到两个相当不同的例子，一个大型的热带雨林数据集的协变量和多个标记的点模式。
2013-01-09 stat.AP
Estimating the Expected Value of Partial Perfect Information in Health Economic Evaluations using Integrated Nested Laplace Approximation
完全部分信息期望值（EVPPI）是一种决策理论，主要用于卫生经济决策中的参数不确定性的“成本”。尽管有这种决策理论基础，但在实践中对EVPPI计算的采用一直很缓慢。这部分是由于通过蒙特卡罗模拟估计EVPPI所需的计算时间过高。然而，最近的发展表明，EVPPI可以通过非参数回归方法来估计，这大大减少了近似EVPPI所需的计算时间。在某些情况下，建议使用高维高斯过程回归，但这仍然是非常昂贵的。应用空间统计学中开发的快速计算方法，使用集成嵌套拉普拉斯近似（INLA），并从高维投影到低维输入空间，使我们能够减少拟合这些高维高斯过程的计算时间，通常是显着的。我们表明，使用我们的高斯过程回归的方法计算的EVPPI是符合标准的高斯过程回归的方法，尽管这种新方法的明显的方法复杂性，R函数是可用的包BCEA简单，有效地实现它。
2016-11-04 stat.AP
Computation of Maximum Likelihood Estimates for Multiresponse Generalized Linear Mixed Models with Non-nested, Correlated Random Effects
Arizona State University（亚利桑那州立大学）
本文针对具有非嵌套相关随机效应的多响应GLMM，改进适配EM算法与拉普拉斯近似的估计方法，将其应用于联合泊松-二元模型及教师评价相关随机效应模型，提供R语言源代码。
2026-10-23 stat.CO
Spatiotemporally Consistent Multivariate Bias Correction for Climate Projections via Nested Vine Copulas
University of Lausanne（洛桑大学）；University of Applied Sciences and Arts Western Switzerland (HES-SO)（瑞士西部应用科学和艺术大学）
本文提出GN-VBC方法，利用GAM分离时空确定性效应与残差，结合嵌套藤Copula建模变量间依赖，提升气候预测的时空一致性和可靠性。
2026-07-16 stat.AP stat.ME
Integrated Nested Laplace Approximation for Bayesian Nonparametric Phylodynamics
群体动态学是群体遗传学和群体遗传学的交叉领域，其目标是从遗传数据中重建群体大小动态。最近，一系列的非参数贝叶斯方法已经提出了这样的人口重建。这些方法依赖于基于高斯过程的先验规范，并通过马尔可夫链蒙特卡罗（MCMC）方法近似种群大小轨迹的后验分布来进行。在本文中，我们采用集成嵌套拉普拉斯近似（INLA），最近提出的近似贝叶斯推断的潜在高斯模型，人口规模的轨迹估计。我们表明，当一个家谱的采样个人可以可靠地估计从遗传数据，INLA享有高精度，可以完全取代MCMC。我们证明了显着的计算效率超过国家的最先进的MCMC方法。我们说明了INLA为基础的人口规模推断使用模拟和家谱的丙型肝炎和人类流感病毒。
2012-10-16 q-bio.PE stat.AP
Using Integrated Nested Laplace Approximation for Modeling Spatial Healthcare Utilization
近年来，空间和时空建模已成为许多领域（流行病学，环境研究，疾病地图）的重要研究领域。在这项工作中，我们提出了不同的空间模型来研究医院招聘，包括一些潜在的解释变量。感兴趣的是每个地理单元的分布，即居住在该地理单元的患者人数与同一地理单元的人口之间的比例。模型考虑的框架内的贝叶斯潜在高斯模型。我们的响应变量假设遵循具有logit链接的二项分布，其参数是地理单元中的人群和相应的相对风险。结构化加性预测因子以加性方式解释各种协变量的效应，包括协变量的平滑函数（例如空间效应），协变量的线性效应。为了近似后边缘，这不是在封闭的形式，我们使用集成嵌套拉普拉斯近似（INLA），最近提出的近似贝叶斯推断在潜在的高斯模型。INLA的优点是给出非常精确的近似值，并且当参数的数量不超过6时（就像我们的情况一样），比McMC方法更快。使用DIC标准评估模型比较。
2010-06-18 stat.AP stat.ME
Designing a Bayesian adaptive clinical trial to evaluate novel mechanical ventilation strategies in acute respiratory failure using Integrated Nested Laplace Approximations
本研究利用INLA算法设计贝叶斯自适应试验，通过大量模拟优化急性呼吸衰竭机械通气策略的试验参数，在保证I类错误和功效的前提下确定了最佳试验设计。
2023-03-31 stat.AP
Scalable Bayesian Quantile Regression via EM and INLA: The EM-INLA Algorithm
Statistics Department, Universidad Nacional de Colombia（哥伦比亚国立大学统计系）
研究提出EM-INLA算法用于经验贝叶斯分层分位数回归，结合EM与INLA，利用ALD混合表示重述M步为加权高斯回归，避免MCMC采样，可扩展至大型复杂数据集，模拟及实际应用中展现出与HMC相当的准确性和显著加速。
2026-07-28 stat.CO stat.ME
Fast and flexible inference for joint models of multivariate longitudinal and survival data using Integrated Nested Laplace Approximations
本文提出基于R-INLA的贝叶斯近似方法，加速多元纵向与生存数据联合模型的推断，减少计算负担和估计变异性，并成功应用于原发性胆汁性胆管炎临床试验中的多标记竞争风险分析。
2023-07-12 stat.AP stat.CO stat.ME
Pointless Continuous Spatial Surface Reconstruction
在包括流行病学和社会科学在内的许多学科中，对地区一级的汇总摘要数据进行分析是很常见的。通常，马尔可夫随机场空间模型已被用来确认空间依赖性，并允许数据驱动的平滑。在本文中，我们利用最近的理论和计算的连续空间建模的进展进行重建的基础连续空间表面。特别是，我们专注于基于随机偏微分方程（SPDE）的模型。我们还考虑了有趣的情况下，其中的聚合数据补充点数据。我们进行贝叶斯推断，并在广义线性混合模型的语言，如果链接是线性的，一个有效的实现模型是通过集成嵌套拉普拉斯近似。对于非线性链接，我们提出了两种方法：一个完全贝叶斯实现使用哈密顿蒙特卡罗算法，和经验贝叶斯实现，这是快得多，是基于拉普拉斯近似。我们使用模拟的方法检查的属性，然后估计一个潜在的连续的风险表面的经典苏格兰唇癌数据。
2017-09-27 stat.ME
Extending INLA to a class of near-Gaussian latent models
这项工作将集成嵌套拉普拉斯近似（INLA）方法扩展到潜在高斯模型范围之外的潜在模型，其中潜在场的独立分量可以具有近高斯分布。所提出的方法是一个更大项目的重要组成部分，该项目旨在扩展R包INLA（R-INLA），以允许用户以简单直观的方式增加灵活性并挑战一些模型组件的高斯假设。我们的方法被应用到两个例子，并与马尔可夫链蒙特卡罗（MCMC）得到的结果进行了比较，显示出类似的精度，只有一小部分的计算时间。R-INLA包中提供了拟议扩展的实现。
2013-04-22 stat.CO
INLA or MCMC? A Tutorial and Comparative Evaluation for Spatial Prediction in log-Gaussian Cox Processes
我们研究了两个选项进行贝叶斯推断的空间对数高斯Cox过程假设一个空间连续的潜场：马尔可夫链蒙特卡罗（MCMC）和集成嵌套拉普拉斯近似（INLA）。我们首先描述了一个空间连续的高斯场近似的高斯马尔可夫随机场上的离散晶格的设备，并提出了一个模拟研究表明，仔细选择的参数值，小的邻域大小可以得到很好的近似。然后，我们介绍了空间对数高斯Cox过程，并描述MCMC和INLA方法在这个模型类的空间预测。我们报告的模拟研究的结果，在其中我们比较MALA和近似的连续的潜在领域的离散的技术，然后通过INLA的近似贝叶斯推断超过18个模拟场景的选择。结果质疑了后一种技术在此设置中比MCMC更快且更稳健的概念;在台式PC上运行20分钟内的100，000次MALA算法迭代提供了比默认\verb =INLA=策略更高的预测准确性，后者运行4分钟，并与运行39分钟的完整拉普拉斯近似进行比较。
2012-03-19 stat.CO
Confidence regions for excursion sets in asymptotically Gaussian random fields, with an application to climate
本文的目的是给出一个给定阈值以上的空间函数的偏移集的置信区域，从重复的噪声观测的细网格上的固定位置。给定目标函数的渐近高斯估计，构造一对数据依赖的嵌套偏移集，它们分别是真实偏移集的子集和超集，具有期望的置信度。渐近覆盖概率是通过一个乘数自助法确定的，不需要高斯性的原始数据，也不需要平稳性或光滑性的限制高斯场。该方法用于确定北美地区的夏季和冬季平均气温预计到21世纪中叶将增加2摄氏度以上。
2015-01-28 stat.AP stat.ME
A geostatistical two field model that combines point observations and nested areal observations, and quantifies long-term spatial variability -- A case study of annual runoff predictions in the Voss area
在这项研究中，年径流量估计使用贝叶斯地统计模型插值的水文数据的不同空间支持。也就是说，来自集水区的径流观测（面积数据）以及降水和蒸发数据（点数据）。该模型包含一个气候空间效应，这是共同的所有研究中的年份，和一年的具体空间效应。因此，该框架能够量化由于长期天气模式和过程造成的空间变异性。这有助于更好地理解环境建模中的偏差和不确定性。通过采用集成嵌套拉普拉斯近似（INLA）和随机偏微分方程方法（SPDE）进行空间模拟，两个场模型是计算上可行的和快速的。建议的模型进行了测试，预测10年的年径流量在挪威沃斯周围，并通过模拟研究。我们发现，平均而言，我们受益于结合点和面数据相比，只使用一种数据类型，嵌套的面数据和点数据之间的相互作用，使我们超越平滑的空间模型。另一个发现是，当气候效应超过年度效应时，可以预期径流随时间的系统性低估和高估。另一方面，一个占主导地位的气候空间效应意味着，短期记录的径流，否则未测量集水区可以导致径流的可预测性大大提高。
2020-04-14 stat.AP
Advances in Approximate Bayesian Inference for Models in Epidemiology
本综述探讨了近似贝叶斯推断在流行病学建模中的应用，重点评估了四类方法在平衡推断准确性与可扩展性方面的创新，并提供了方法选择的实用指南。
2025-04-28 stat.CO stat.ME
Estimating Causal Attribution of Anthropogenic Forcing on High-Temperature Extremes Using a Latent Gaussian Spatial Model
Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文通过构建双变量极值分布模型，利用潜在高斯框架分析气温极值的空间变化系数，量化人为因素对高温极端事件的影响，并估计其趋势及显著因果效应的可信区间。
2026-04-25 stat.AP stat.ME
Joint Modeling and Prediction of Massive Spatio-Temporal Wildfire Count and Burnt Area Data with the INLA-SPDE Approach
本文介绍了RedSea团队在EVA 2021会议组织的数据竞赛中使用的方法。我们开发了一个新的两部分模型，共同描述野火计数数据和烧毁面积数据提供的比赛组织者与协变量。我们提出的方法依赖于集成嵌套拉普拉斯近似结合随机偏微分方程（INLA-SPDE）的方法。在第一部分中，一个二进制的非平稳时空模型被用来描述的基本过程，确定是否有野火在特定的时间和位置。在第二部分中，我们考虑了一个非平稳模型，这是基于对数高斯Cox过程的正野火计数数据，和一个非平稳对数高斯模型的正烧毁面积数据。正计数数据和正燃烧面积数据之间的依赖性由共享的时空随机效应捕获。我们的两部分建模方法在数据竞赛组织者选择的预测评分标准方面表现良好。此外，我们的模型结果表明，表面压力是野火发生的最有影响力的驱动因素，而表面净太阳辐射和表面压力是大量野火的关键驱动因素，温度和蒸发是大面积烧毁的关键驱动因素。
2022-02-14 stat.AP
A Data Fusion Model for Meteorological Data using the INLA-SPDE method
本文提出一种基于INLA-SPDE的气象数据融合模型，结合稀疏气象站与数值天气预报数据，通过贝叶斯模型平均方法进行推断，有效解决了观测数据稀疏问题并提升了预测准确性。
2025-01-30 stat.AP
Fast spatial simulation of extreme high-resolution radar precipitation data using INLA
本文提出基于INLA的高维空间降水极值建模与快速模拟方法，结合潜高斯模型刻画尾部相依和边际分布，并在挪威中部高分辨率雷达数据上验证了其高效性与准确性。
2024-09-30 stat.AP stat.ME
Missing data analysis and imputation via latent Gaussian Markov random fields
在本文中，我们重铸的问题，在协变量的回归模型作为一个潜在的高斯马尔可夫随机场（GMRF）模型在一个完全贝叶斯框架。我们提出的方法是基于定义的协变量插补子模型作为一个潜在的影响与GMRF结构。我们展示了这种提法如何适用于连续协变量，并提供了一些见解如何将其扩展到分类协变量。由此产生的贝叶斯分层模型自然适合集成嵌套拉普拉斯近似（INLA）框架，我们使用模型拟合。因此，我们的工作填补了INLA方法中的一个重要空白，因为它允许处理协变量中有缺失值的模型。与任何其他完全贝叶斯框架一样，通过依赖INLA进行模型拟合，可以为数据、插补协变量及其缺失机制制定联合模型。通过这种方式，我们能够通过对不同的替代方案进行敏感性分析来对未观察到的协变量进行建模，从而解决评估缺失机制的更普遍的问题。最后，我们用两个健康风险因素建模和疾病映射的例子来说明所提出的方法。在这里，我们依赖于两种不同的插补机制的基础上，一个典型的多元线性回归和空间模型，分别。鉴于INLA模型拟合的速度，我们能够在短时间内拟合关节模型，并轻松进行敏感性分析。
2019-12-23 stat.AP stat.CO stat.ME
