Visualisation for Exploratory Modelling Analysis of Bayesian Hierarchical Models
针对贝叶斯分层模型开发中结构选择的挑战，本文提出基于稳健原则的新型可视化方法，通过参数/超参数比较多模型，结合PISA数据案例验证其能辅助模型选择并增强决策合理性。
2024-12-04 stat.AP stat.ME
Multilevel and hierarchical Bayesian modeling of cosmic populations
宇宙人口的人口学研究必须与测量误差和选择效应作斗争。我们调查的一些关键的想法天文学家已经开发出处理这些并发症，在银河系调查和文学Malmquist和爱丁顿偏差的校正的背景下。从现代统计学的角度来看，这种修正在多水平模型的背景下自然出现，特别是在贝叶斯处理这种模型时：分层贝叶斯模型。我们调查了分层贝叶斯模型的一些关键教训，包括收缩估计，这是密切相关的天文学家设计的传统修正。我们描述了一个框架，层次贝叶斯模型的宇宙人口，量身定制的天文调查，是不是典型的调查在其他学科的功能。这种细化的潜在标记点过程框架占选择（检测）和测量之间的联系，在天文调查，治疗选择和测量误差的影响，在一个自洽的方式。
2019-11-27 astro-ph.IM stat.AP
A simple Bayesian model to estimate proportions and ratios from count data with a hierarchical error structure with an application to droplet digital PCR experiments
针对生物医学中层级误差结构的计数数据比例/比率估计问题，提出一种贝叶斯框架，实现了R语言Gibbs采样器，并与随机效应模型进行对比。
2023-05-04 stat.AP
Spatial Bayesian Hierarchical Modelling with Integrated Nested Laplace Approximation
我们认为潜在的高斯场建模空间依赖的背景下，空间点模式和面积数据，提供两个不同的应用。利用随机偏微分方程，建立了描述希腊地震序列的非齐次对数高斯Cox过程模型。Besag-York-Mollie模型适用于意大利北部Covid-19感染的疾病映射。这两个模型都属于贝叶斯分层模型类的潜在高斯字段，其后验是不可用的封闭形式。因此，使用集成嵌套拉普拉斯近似执行推断，该集成嵌套拉普拉斯近似为感兴趣的后验量提供准确且相对快速的分析近似。
2020-09-08 stat.AP
Bayesian hierarchical rule modeling for predicting medical conditions
我们提出了一种统计建模技术，称为层次关联规则模型（HARM），预测患者的当前和过去的历史报告的条件下，患者的未来可能的医疗条件。我们的技术的核心是一个贝叶斯层次模型，用于从一个大的候选规则集选择预测关联规则（如“条件1和条件2 $\rightarrow$条件3”）。因为这种方法使用许多类似患者的状况“借用力量”，所以即使在关于患者的病史的信息很少的情况下，它也能够提供针对任何给定患者的预测。
2012-06-28 stat.AP
Global estimation of unintended pregnancy and abortion using a Bayesian hierarchical random walk model
需要对意外怀孕和堕胎进行估计，以便为全球卫生方案和政策提供信息，并推动其投资。数据的可得性和可靠性的可变性给编制估计数带来了挑战。我们开发了一个贝叶斯模型，同时估计195个国家和地区的意外怀孕和堕胎的发生率。我们的建模策略是由生育率的直接决定因素告知的：（i）由妇女人数（按婚姻和避孕药具使用状况分组）及其各自的怀孕率定义的意外怀孕发生率，以及（ii）由特定组的怀孕和堕胎倾向定义的堕胎发生率。分层随机游动模型被用来估计国家组特定时期的怀孕率和流产倾向。
2020-07-17 stat.AP
Hierarchical Bayesian Modeling for Time-Dependent Inverse Uncertainty Quantification
本文提出一种新型分层贝叶斯模型，结合高斯过程、主成分分析与神经网络构建代理模型，利用NUTS实现高效后验采样，有效解决了核热工水力系统时变反问题不确定性量化，显著提升了参数估计精度并降低了过拟合倾向。
2024-03-26 stat.AP
Evidence of bias in the Eurovision song contest: modelling the votes using Bayesian hierarchical models
欧洲歌唱大赛（Eurovision Song Contest）是欧洲广播联盟（European Broadcasting Union）自1956年以来举办的年度音乐比赛。该活动在欧洲各地进行电视直播。每个参赛国家都将献上一首歌曲，并通过电话投票和陪审团投票的方式进行投票。多年来，这导致了对战术投票的猜测，歧视了一些参与者，从而导致最终结果的偏见。在本文中，我们通过贝叶斯分层模型研究了参与国的地理邻近性，移民和文化特征的投票中存在的积极或消极偏见（这可能大致表明偏袒或歧视）。我们的分析没有发现负面偏见的证据，尽管轻微的正面偏见似乎系统地出现，将选民与表演者联系起来。
2013-08-28 stat.AP
Bayesian hierarchical nonlinear modelling of intra-abdominal volume during pneumoperitoneum for laparoscopic surgery
针对腹腔镜气腹充气安全与操作空间平衡问题，本研究采用贝叶斯非线性增长混合效应模型分析重复测量数据，以评估充气压力与腹内容积的关系。
2021-06-14 stat.AP
EggCounts: a Bayesian hierarchical toolkit to model faecal egg count reductions
这是R包eggCounts 2.0版本的一个小插曲。该软件包实现了一套贝叶斯分层模型处理粪便鸡蛋计数减少。模型设计用于各种实际情况，包括个体治疗疗效、零膨胀、小样本量（小于10）和潜在离群值。这些功能使用直观，其输出易于解释，从而保护用户免受复杂的贝叶斯分层建模任务的影响。此外，该软件包包括绘图功能，以视觉上吸引人的方式显示数据和结果。该模型在Stan建模语言中实现，该语言提供了有效的采样技术来获得后验样本。本小插图简要介绍了不同的模型，并提供了一个简短的步行通过分析示例数据。
2022-02-03 stat.AP stat.CO
Bayesball: A Bayesian hierarchical model for evaluating fielding in major league baseball
统计建模在棒球中的应用最近在媒体和学术界都受到了极大的关注。我们专注于一个相对未充分探讨的主题：使用统计模型的分析，基于高分辨率的数据组成的现场位置的击球防守。我们结合空间建模与层次贝叶斯结构，以评估个人的外野手的表现，同时在每个位置的外野手之间共享信息。我们目前的结果在四个赛季的MLB数据（2002- 2005年），并比较我们的方法与其他的外场评估程序。
2009-08-14 stat.AP
MUCE: Bayesian Hierarchical Modeling for the Design and Analysis of Phase 1b Multiple Expansion Cohort Trials
针对1a期剂量递增后开展的新型1b期多扩展队列首次人体研究，提出基于贝叶斯分层模型的MUCE方法，可跨组自适应借信息，基于后验概率辅助选组决策。
2020-06-17 stat.AP stat.ME
Predictions of damages from Atlantic tropical cyclones: a hierarchical Bayesian study on extremes
本研究针对大西洋热带气旋损害预测问题，提出分层贝叶斯模型，在双时间尺度结合气候指数建模气旋特征与损害的联合分布，构建季节及单气旋损害预测模型，经多方法验证具备优异预测能力。
2025-06-11 stat.AP
Dynamic Bayesian Influenza Forecasting in the United States with Hierarchical Discrepancy
及时准确地预测季节性流感将有助于公共卫生决策者规划干预战略，有效地分配资源，并可能挽救生命。基于这些原因，流感预测是重要的。然而，由于数据嘈杂和有限，对疾病传播过程的理解不完整，以及疾病传播过程和数据生成过程之间的不匹配，及时准确地进行流感预测已被证明具有挑战性。在本文中，我们介绍了一个动态贝叶斯（DB）流感预测模型，利用模型的差异，通过分层模型。DB模型允许预测部分观察到的流感季节，借用以前观察到的流感季节的差异信息。我们将DB模型与参加CDC 2015- 2016年流感预测挑战的所有模型进行了比较。DB模型优于所有模型，表明DB模型是领先的流感预测模型。
2017-08-30 stat.AP
Bayesian Hierarchical Models for the Prediction of Volleyball Results
近年来，体育数据的统计建模变得越来越流行，并且已经提出了不同类型的模型来实现各种目标：从识别导致球队获胜或失败的关键特征到预测比赛结果或国家联赛中的球队排名。虽然不像足球或篮球那样受欢迎，但排球是一项团队运动，几乎每个国家都有国家和国际级别的比赛。然而，几乎没有研究调查预测排球比赛的结果和球队在全国联赛中的排名。我们提出了一个贝叶斯层次模型的预测排名的排球国家队，这也允许估计的结果，在联赛中的每场比赛。我们考虑了两种不同复杂度的替代模型规格，这些规格使用2017-2018赛季意大利女排意甲A1的数据进行了验证。
2019-11-20 stat.AP
Hierarchical Bayesian Modeling of Hitting Performance in Baseball
我们已经开发了一个复杂的统计模型，用于预测美国职业棒球大联盟球员的击球表现。贝叶斯范式提供了一个原则性的方法来平衡过去的表现与关键的协变量，如球员的年龄和位置。我们通过使用混合分布来控制收缩以提高准确性，从而跨时间和跨玩家共享信息。我们比较了我们的模型的性能，目前的sabermetric方法上举行了一个赛季（2006年），并讨论了成功和局限性。
2009-02-09 stat.AP stat.ME
Bayesian Modeling of Effective and Functional Brain Connectivity using Hierarchical Vector Autoregressions
分析大脑连接对于理解大脑如何处理信息非常重要。我们提出了一种新的贝叶斯向量自回归（VAR）分层模型，用于分析自闭症谱系障碍（ASD）患者和健康对照的静息态fMRI数据集的大脑连接。我们的方法模型功能和有效的连接同时，这是新的VAR文献的大脑连接，并允许组和单个主题的推理以及组比较。我们结合分析边缘化与哈密顿蒙特卡罗（HMC），以获得高效的后验抽样。与我们的结果相比，更简化的协方差设置的结果通常对区域之间的功能连接过于乐观。此外，我们的建模异质受试者特定的协方差阵的有效连接相比，一个共同的协方差阵的所有科目的模型的差异较小。
2021-12-08 stat.AP
Tools for predicting rainfall from lightning records: events identification and rain prediction using a Bayesian hierarchical model
我们提出了一个新的统计协议，利用闪电数据的降水估计。我们首先使用扫描统计来识别下雨事件，然后估计降雨照明比（RLR），以将闪电数量转换为给定风暴强度的降雨量。然后，我们建立了一个层次贝叶斯模型，旨在预测15和30分钟的累积降水在未观测到的位置和时间在同一地区的闪电信息。更具体地说，我们建立了一个贝叶斯分层模型，其中降水量建模为闪电计数和时空变化的函数处理使用特定的结构化（随机）的影响。模型的平均分量与降水和闪电有关，假设在规则网格上记录的闪电数量取决于相邻单元中发生的闪电数量。我们分析了几个模型配方风暴的传播速度，空间依赖性和时间变化结合不同的描述的现象在手。假设时空变化是可分离的。该研究区域位于意大利中部，其中两个风暴，不同的持续时间和强度，提出。
2015-06-14 stat.AP
Bayesian Hierarchical Modeling of Longitudinal Glaucomatous Visual Fields using a Two-Stage Approach
贝叶斯方法已经变得越来越流行，因为它允许通过马尔可夫链蒙特卡罗（MCMC）采样来建模相当复杂的模型。然而，现在也认识到，当复杂的模型需要拟合到大的数据集时，MCMC采样可能在计算上变得过高。为了克服这个问题，我们应用并扩展了最近提出的两阶段的方法来模拟一个复杂的分层数据结构的青光眼患者参与正在进行的荷兰研究。青光眼是世界上最主要的致盲性疾病之一。为了在早期阶段检测退化，需要用于及时预测视野（VF）的模型。因此，可以确定真正的潜在VF进展，然后可以优化治疗策略以防止进一步的VF丧失。由于我们无法拟合这些数据与经典的一阶段的方法，目前流行的贝叶斯软件的基础上，我们使用了两阶段的贝叶斯方法。所考虑的分层纵向模型涉及估计大量的随机效应，并处理删失和高测量变异性。此外，我们扩展了模型评估工具的方法
2015-02-13 stat.AP
Investigating Experiential Effects in Online Chess using a Hierarchical Bayesian Analysis
本研究利用在线国际象棋的大量数据，采用分层贝叶斯回归模型探讨胜负经验效应，发现总体缺乏跨玩家一致的经验效应证据，仅部分个体存在此类效应，并针对时间序列数据进行了模型有效性检验。
2025-08-09 stat.AP
Fast Out-of-Sample Predictions for Bayesian Hierarchical Models of Latent Health States
分层贝叶斯模型在精确医学环境中特别有用，其中临床医生对估计与个体当前健康状态及其轨迹相关的患者水平潜在变量感兴趣。这种模型通常使用批处理马尔可夫链蒙特卡罗（MCMC）来拟合。然而，批处理MCMC计算的缓慢速度使得难以在临床环境中实施，在临床环境中，响应于新的患者数据，通常需要立即的潜在变量估计。在这份报告中，我们讨论了如何重要性抽样（IS），而不是可以用来获得快速，在诊所估计的患者水平的潜变量。我们将IS应用于Coley等人（2015）提出的分层模型，用于预测个体的潜在前列腺癌状态。我们发现，通过IS的潜在变量估计通常可以在1-10秒内获得每个人，并与来自长期运行的批处理MCMC方法的估计值高度一致。还讨论了样本外拟合和在线更新的替代选项。
2015-10-29 stat.AP
Bayesian hierarchical models for the prediction of the driver flow and passenger waiting times in a stochastic carpooling service
拼车是智能碳中和城市的一个组成部分，特别是为了方便家庭作业通勤。我们研究了由初创公司Ecov开发的一种创新的拼车服务，该公司专门从事城市周边和农村地区的家庭作业通勤。当乘客提出拼车请求时，并不像传统的拼车服务那样分配指定的司机;相反，乘客等待第一个司机，从已经在路上的非专业司机中，到达。我们提出了一个两阶段的贝叶斯层次模型，以克服相当大的困难，由于稀疏观察的司机和乘客的数据，从一个胚胎随机拼车服务，提供高质量的预测司机流量和乘客等待时间。第一阶段侧重于驱动程序流，其预测在日常水平上聚合以补偿数据稀疏性。第二阶段将该单个每日驾驶员流量处理成乘客等待时间的次每日（例如，每小时）预测。我们证明，我们的模型主要优于频率论和非分层贝叶斯方法的观测数据，从运营拼车服务在法国里昂，我们也验证了我们的模型模拟数据。
2020-07-17 stat.AP
A Bayesian spatial hierarchical model for extreme precipitation in Great Britain
众所周知，强降水事件与洪水风险增加有关。由于与洪水有关的社会和基础设施风险，极端降水需要仔细建模。极端值分析通常用于模拟大的降水事件，虽然逐站点分析往往会产生空间不一致的风险估计。实际上，人们会期望相邻地点比相隔很远的地点有更多类似的风险估计。我们提出了一种方法，在贝叶斯分层建模框架，对广义帕累托分布的参数施加空间结构。特别是，我们看看这种方法在提高回报水平估计的空间一致性和提高这些估计的精度的明显好处。与许多以前的方法，池信息的位置，我们占空间依赖性的数据在我们的置信区间。我们实现了这个模型的网格降水数据在英国。
2017-10-05 stat.AP
A Bayesian hierarchical model for meta-analysis
Shanghai Pharmaceutical School（上海医药学校）；ShanghaiTech University（上海科技大学）
提出贝叶斯分层元分析框架，通过解析积分实现小样本下的稳健参数估计，并应用于奥卡西平与卡马西平的癫痫治疗安全性比较，发现前者副作用风险更低。
2026-09-02 stat.AP
Data-Driven Uncertainty Quantification and Propagation in Structural Dynamics through a Hierarchical Bayesian Framework
在存在建模误差的情况下，主流贝叶斯方法通常低估了参数的固有变异性，因此很少对不确定性进行真实的描述。这个问题不是由于贝叶斯框架中的任何误解，因为它相对于建模假设和观察到的数据是绝对鲁棒的。相反，这个问题的根源在于用户无法开发适当的概率模型。本文弥合了这一重大差距，引入了一种新的贝叶斯分层设置，打破了时间历史的振动响应到几个部分，以捕捉和识别多个部分的推断参数的变异性。由于计算的后验分布在分层模型是昂贵和繁琐的，新的边缘化策略，渐近近似，和最大后验估计提出和概述的计算算法，旨在处理不确定性量化和传播任务。首次通过近似估计刻画了总体协方差阵与超分布参数之间的联系。实验和数值例子来说明所提出的方法的有效性和效率。据观察，当段对应于各种系统条件和输入特性，所提出的方法提供了强大的参数不确定性，如环境条件，输入特性和环境因素的未知现象。
2019-12-06 stat.AP
Bayesian hierarchical modeling for temperature reconstruction from geothermal data
提出了一种利用钻孔温度剖面重建古气候的贝叶斯分层建模方法。该方法依赖于通过具有阶跃函数和表面边界条件的热方程来模拟固体中的热传导。我们的分析包括模型误差，并假设边界条件是随机过程。该公式还能够分离测量误差和模型误差。我们将分析应用于犹他州圣拉斐尔地区的9个钻孔温度记录的数据。我们产生地表温度的历史与不确定性估计在过去的400年。我们特别注意使用的先验参数模型，说明借款强度的综合分析，所有九个钻孔。此外，我们回顾了选定的敏感性分析。
2011-07-25 stat.AP
Bayesian hierarchical modelling for inferring genetic interactions in yeast
定量适合度分析（QFA）是一种用于测量微生物种群生长的高通量实验和计算方法。QFA筛选可用于比较查询基因中有突变和无突变的细胞群体的健康状况，以推断全基因组的遗传相互作用强度，检查数千种不同的基因型。我们引入贝叶斯，层次模型的人口增长率和遗传相互作用，更好地反映QFA实验设计比目前的方法。我们的新方法模型种群动力学和遗传相互作用的同时，从而避免通过一个单变量的健身总结模型之间传递信息。更紧密地匹配实验结构，贝叶斯分层方法更有效地使用数据，并在已发布的数据集中找到与酵母端粒相互作用的基因的新证据。
2015-08-14 q-bio.GN q-bio.QM stat.AP
A Bayesian hierarchical model for inferring player strategy types in a number guessing game
本文对一个实验进行了深入的统计分析，该实验旨在测量玩家在一个简单游戏中根据流行的行为经济模型的行为程度。选美比赛是一个多人猜数字的游戏，被广泛用于研究策略行为。本文介绍了选美比赛的数据分析师的观众的实验，特别关注一类模型的游戏称为k步思维模型，它允许每个玩家在游戏中采用一种特殊的策略。我们拟合贝叶斯统计模型来估计我们的玩家人口的比例，其游戏与k步思维模型兼容。我们的调查结果显示，这一数字约为25%。
2014-09-16 stat.AP
Bayesian algorithmic perfumery: A Hierarchical Relevance Vector Machine for the Estimation of Personalized Fragrance Preferences based on Three Sensory Layers and Jungian Personality Archetypes
University of Groningen（格罗宁根大学）
本研究提出一种结合层级相关向量机与荣格人格原型的贝叶斯算法，用于个性化香氛推荐，通过三层香气偏好与人格特质关联，实现自适应可解释推荐。
2024-11-06 cs.LG stat.AP
Comment: Bayesian Checking of the Second Levels of Hierarchical Models
注释：分层模型第二水平的贝叶斯检验[arXiv：0802.0743]
2008-02-06 stat.ME
Comment: Bayesian Checking of the Second Levels of Hierarchical Models
注释：分层模型第二水平的贝叶斯检验[arXiv：0802.0743]
2008-02-06 stat.ME
Rejoinder: Bayesian Checking of the Second Levels of Hierarchical Models
反驳：分层模型第二层的贝叶斯检验[arXiv：0802.0743]
2008-02-06 stat.ME
Sequential edge detection using joint hierarchical Bayesian learning
Dartmouth College（达特茅斯学院）；Old Dominion University（欧道明大学）
本文介绍了一种新的稀疏贝叶斯学习（SBL）算法，联合恢复的时间序列的边缘地图从噪声和欠采样的傅立叶数据。新方法是投在贝叶斯框架，并使用一个先验，同时结合图像内的信息，以促进稀疏在每个单独的边缘图与图像间的信息，以促进任何不变的区域的相似性。通过将边缘以及相邻图像之间的相似性都视为随机变量，不需要单独形成变化区域。因此，我们既避免了额外的计算成本，以及任何信息损失所造成的预处理的图像。我们的数值例子表明，我们的新方法相比，更标准的SBL方法。
2023-02-28 cs.LG stat.AP
Comment: Bayesian Checking of the Second Level of Hierarchical Models: Cross-Validated Posterior Predictive Checks Using Discrepancy Measures
注释：分层模型第二水平的贝叶斯检验[arXiv：0802.0743]
2008-02-06 stat.ME
Bayesian Hierarchical Words Representation Learning
Microsoft（微软公司）；Tel Aviv University（特拉维夫大学）；Bar-Ilan University（巴伊兰大学）
本文提出了贝叶斯层次词表示（BHWR）学习算法。BHWR促进了变分贝叶斯词表示学习与通过分层先验的语义分类建模相结合。通过在相关词之间传播相关信息，BHWR利用分类法来提高这种表示的质量。几个语言数据集的评估表明，BHWR的优势，适当的替代品，促进贝叶斯建模或没有语义先验。最后，我们进一步表明，BHWR产生更好的表示罕见的话。
2020-04-12 cs.CL cs.LG stat.ML
HiBayES: A Hierarchical Bayesian Modeling Framework for AI Evaluation Statistics
UK AI Security Institute（英国人工智能安全研究所）
针对AI评估的高成本与分层复杂性，提出分层贝叶斯建模框架HiBayES，基于广义线性模型实现稳健的不确定性量化与参数估计，尤其适用于低数据场景，并提供配套软件包。
2025-07-13 cs.AI stat.AP
Leveraging joint sparsity in hierarchical Bayesian learning
MIT（麻省理工学院）；Dartmouth College（达特茅斯学院）
提出层次贝叶斯方法，利用联合稀疏先验从多测量向量中推断稀疏参数，实验证明其优于常用方法。
2024-05-24 cs.LG cs.NA math.NA
Hierarchical Bayesian Level Set Inversion
水平集方法自20世纪90年代系统发展以来，在界面反问题的研究中取得了广泛的成功。最近，它已被用于贝叶斯反演的背景下，允许量化的不确定性重建的接口。然而，贝叶斯方法是非常敏感的长度和幅度尺度的先验概率模型。本文演示了如何规模的敏感性，可以规避通过一个层次的方法，使用一个单一的标量参数。随着分层参数的变化，编码概率测度等价的算法的发展与仔细考虑一起，这导致了通过交替的Metropolis-Hastings更新的水平集函数和分层参数发现的定义良好的基于Gibbs的MCMC方法。这些方法明显优于非分层贝叶斯水平集方法。
2016-09-09 math.PR stat.ME
Hierarchical Bayesian Models to Mitigate Systematic Disparities in Prediction with Proxy Outcomes
本文提出分层贝叶斯模型，用于缓解代理结果中的系统性差异，通过提升预测准确性与算法公平性，帮助评估预测对测量过程的敏感性。
2024-11-25 stat.AP stat.ME
Bayesian Hierarchical Invariant Prediction
Department of Technology, Management and Economics, Danish Technical University（丹麦技术大学技术、管理与经济系）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出贝叶斯分层不变预测(BHIP)，通过分层贝叶斯框架重新定义不变因果预测(ICP)，利用分层结构显式测试因果机制在异质数据下的不变性，提升计算可扩展性，并利用先验信息。
2026-04-04 cs.AI cs.LG stat.ME
A Bayesian Hierarchical Model for Criminal Investigations
The Alan Turing Institute（艾伦·图灵研究所）；Imperial College London（帝国理工学院）；University of Warwick（华威大学）
潜在的暴力犯罪分子往往需要经过一系列的准备步骤，然后才能执行他们的计划。在这一升级过程中，警察有机会通过他们所了解的情况，观察和从关于这些人活动的情报报告中了解到的情况，评估这些人构成的威胁。在本文中，我们定制了一个三层贝叶斯层次模型来描述这个过程。这能够实时的传播常规和意外的证据。我们讨论了如何建立这样一个模型，使其校准领域专家的判断。模型插图包括基于潜在的基于车辆的恐怖袭击的假设示例。
2019-11-05 cs.AI cs.LG stat.AP
Nonparametric Bayesian models of hierarchical structure in complex networks
分析和理解复杂关系数据的结构在许多应用中非常重要，包括分析人脑中的连通性。这样的网络在不同的尺度上可能有突出的模式，需要一个分层结构的模型。我们提出了两个非参数贝叶斯分层网络模型的吉布斯碎片树先验的基础上，并证明了他们的能力，捕捉嵌套模式在模拟网络。在真实的网络上，我们展示了层次结构的检测，并显示出与最先进水平相当的预测性能。我们设想，我们的方法可以用于探索性分析大规模复杂网络，例如模拟人脑连接。
2013-11-21 stat.ML
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
Comment: Bayesian Checking of the Second Levels of Hierarchical Models
我们讨论了Evans和Moshonov [Bayesian Analysis 1（2006）893- 914，Bayesian Statistics and Its Applications（2007）145- 159]关于检查先验数据冲突的方法及其与本文提出的方法的相关性。[arXiv：0802.0743]
2008-02-06 stat.ME
Hierarchical Bayesian spectral analysis of multiple stationary time series
本文提出HBEST方法，通过分层贝叶斯估计多平稳时间序列的功率谱，提升计算效率和估计准确性，并应用于心率变异性时间序列以捕捉心血管风险因素关联。
2025-11-24 stat.AP stat.ME
A hierarchical Bayesian approach for population-based structural health monitoring in ship hull structures
针对船体板单元群体中数据稀缺导致的初始过度挠度检测难题，本文提出分层贝叶斯模型，结合有限元数据、MCMC推断与代理似然，实现群体和领域层面的挠度分布推断，并证明其在不确定性量化上更稳健。
2025-10-18 cs.CE stat.AP
Bayesian hierarchical stacking: Some models are (somewhere) useful
Columbia University（哥伦比亚大学）；University of Ljubljana（卢布尔雅那大学）；Aalto University（阿尔托大学）
堆叠是一种广泛使用的模型平均技术，其在线性平均值之间渐近地产生最优预测。我们发现，当模型预测性能在输入中是异质的时，堆叠是最有效的，并且我们可以用分层模型进一步改进堆叠的混合物。我们将堆叠推广到贝叶斯分层堆叠。模型权重作为数据的函数而变化，部分合并，并使用贝叶斯推断进行推断。我们进一步结合离散和连续的输入，其他结构化的先验，时间序列和纵向数据。为了验证所提出的方法的性能增益，我们推导出理论界，并证明了几个应用问题。
2021-05-20 cs.LG stat.ME stat.ML
BOSH: Bayesian Optimization by Sampling Hierarchically
Lancaster University（兰卡斯特大学）
贝叶斯优化（BO）用于具有随机评估的函数的部署，例如通过交叉验证和仿真优化的参数调整，通常优化目标函数的固定噪声实现集合的平均值。然而，以这种方式忽略真正的目标函数会找到错误函数的高精度最优值。为了解决这个问题，我们提出了贝叶斯优化分层采样（BOSH），一种新的BO例程配对的分层高斯过程与信息理论框架，以生成一个不断增长的实现池的优化进展。我们证明了BOSH在综合基准测试、仿真优化、强化学习和超参数调整任务中提供了比标准BO更高效、更高精度的优化。
2020-07-02 cs.LG stat.ML
Modelling dependency completion in sentence comprehension as a Bayesian hierarchical mixture process: A case study involving Chinese relative clauses
University of Potsdam（波茨坦大学）；École Nationale de la Statistique et de l’administration économique（国家统计与经济管理学院）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine（巴黎九大）；PSL Research University（巴黎文理研究大学）
我们提出了一个案例研究证明贝叶斯分层混合模型的有用性，调查认知过程。在句子理解中，人们普遍认为语言共同依存关系之间的距离影响依存关系解决的延迟：距离越长，检索时间越长（基于距离的帐户）。另一种理论，直接访问，假设检索时间是两个分布的混合：一个分布代表成功的检索（这些是独立的依赖距离），另一个代表一个初始的失败，以检索正确的依赖，其次是重新分析，导致成功的检索。我们将这两个模型作为贝叶斯层次模型来实现，结果表明，直接访问模型比距离帐户更好地解释了中文关系从句阅读时间数据。
2017-05-05 cs.CL stat.AP stat.ME
Bayesian hierarchical weighting adjustment and survey inference
我们结合贝叶斯预测和加权推理作为一个统一的方法来调查推理。贝叶斯分析的一般原则意味着，调查结果的模型应取决于影响纳入概率的所有变量。我们将加权变量的框架下的多级回归和后分层，作为一个副产品生成基于模型的权重平滑后。我们研究了深层的相互作用，并引入了结构化的先验分布的平滑和稳定的估计。计算通过Stan完成，并在开源R包“rstanarm”中实现，可供公众使用。仿真研究表明，基于模型的预测和加权推理优于经典加权。我们将该建议应用于纽约幸福纵向研究。新方法产生强大的权重，并提高有限人口推断的效率，特别是对人口的子集。
2020-06-23 stat.AP stat.CO stat.ME
Detailed Derivations of Small-Variance Asymptotics for some Hierarchical Bayesian Nonparametric Models
Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）
本文详细推导了分层狄利克雷过程（HDP）混合模型和HDP隐马尔可夫模型（HDP-HMM，a.k.a.无限HMM）。我们包括推导某些CRP和CRF分区的概率，这是更普遍的兴趣。
2014-12-31 cs.LG stat.ML
Parallel hierarchical sampling: a practical multiple-chains sampler for Bayesian model selection
本文介绍了并行分层采样器（PHS），一种同时使用多个链的马尔可夫链蒙特卡罗算法。说明了PHS与并行回火（PT）算法之间的联系，证明了PHS联合转移核的收敛性，强调了PHS联合转移核的实用优势。我们说明了使用PHS，并行回火和梅特罗波利斯-黑斯廷斯算法的贝叶斯模型选择问题，即高斯聚类，协变量的选择线性回归模型和选择的结构树生存模型的推断。
2008-12-08 stat.CO stat.ME
Income, education, and other poverty-related variables: a journey through Bayesian hierarchical models
本研究提出使用贝叶斯分层模型分析泰国多分辨率治理结构中的贫困相关变量，发现其优于完全池化和无池化模型，并揭示教育在地区与家庭收入间起中介作用。
2023-08-31 math.ST stat.AP stat.ME
Scalable Rejection Sampling for Bayesian Hierarchical Models
贝叶斯分层建模是一种流行的方法来捕捉未观察到的异质性在各个单位。然而，标准的估计方法，如马尔可夫链蒙特卡罗（MCMC）的建模结果，从大量的单位可能是不切实际的。本文提出了一种新的贝叶斯模型的后验分布抽样方法，而不需要使用MCMC。样本是独立的，所以它们可以并行收集，我们不需要关心链收敛和自相关等问题。该算法在单个单元条件独立的弱假设下是可扩展的，使其适用于大型数据集。它也可以用来计算边际似然。
2014-11-02 stat.CO stat.ME
