Bayesian subcohort selection for longitudinal covariate measurements in follow-up studies
针对随访研究中资金受限下的纵向协变量测量规划，提出利用既往数据的贝叶斯最优子队列序贯选择准则，并在模拟与真实数据中验证其相较随机抽样可提高生存模型协变量效应估计精度。
2016-09-06 stat.ME
Bayesian estimation of covariate assisted principal regression for brain functional connectivity
本文提出CAP回归的贝叶斯重新表述，通过将协方差矩阵映射至切空间利用欧几里得几何进行后验推断，在统一框架内实现参数联合估计与不确定性量化，并应用于脑功能连接性分析。
2024-08-29 stat.ME
Dangers of Bayesian Model Averaging under Covariate Shift
NYU（纽约大学）；Covera Health
神经网络的近似贝叶斯推理被认为是标准训练的一种鲁棒替代方案，通常在分布外数据上提供良好的性能。然而，贝叶斯神经网络（BNN）的高保真近似推理，通过全批汉密尔顿蒙特卡罗实现协变量偏移下的泛化能力差，甚至不如经典的估计。我们解释了这一令人惊讶的结果，表明贝叶斯模型的平均值在协变量偏移下实际上是有问题的，特别是在输入特征中的线性依赖性导致缺乏后验收缩的情况下。我们还展示了为什么同样的问题不会影响许多近似推理程序，或经典的最大后验概率（MAP）训练。最后，我们提出了新的先验知识，提高了BNN对许多协变量偏移源的鲁棒性。
2021-12-06 cs.LG stat.ML
Modeling Multivariate Degradation Data with Dynamic Covariates Under a Bayesian Framework
本文提出一个贝叶斯框架，结合混合效应非线性一般路径模型和形状约束P样条，对含动态协变量的多元退化数据进行建模，并通过模拟验证及有机涂层寿命预测展示其有效性。
2025-04-07 stat.AP stat.ME
Bayesian Analysis of Rank Data with Covariates and Heterogeneous Rankers
经常会遇到排名列表形式的数据，并且组合来自不同来源的排名结果可以潜在地生成更好的排名列表并帮助理解排名者的行为。这里感兴趣的是以下设置下的排名数据：（i）可用于排名实体的协变量信息;（ii）不同质量或具有不同意见的排名者;以及（iii）非重叠子组的不完整排名列表。我们回顾了过去几十年来研究人员围绕Thurstone模型家族构建的一些关键思想，并提供了一种统一的方法，用于协变量的贝叶斯秩数据分析（BARC）及其扩展，用于处理异质秩。在贝叶斯框架下，我们可以研究排名者的不同质量，聚类排名者的异质性意见，并测量相应的不确定性。为了使一个有效的贝叶斯推断，我们提倡一个参数扩展的吉布斯抽样从目标后验分布。后验样本还产生贝叶斯聚合排名列表，其中可信区间量化其不确定性。我们调查和比较所提出的方法和其他秩聚合方法在模拟研究和两个真实数据的例子中的性能。
2020-07-17 stat.ME
NExON-Bayes: A Bayesian approach to network estimation informed by ordinal covariates
MRC Biostatistics Unit（MRC生物统计学单元）；University of Cambridge（剑桥大学）
NExON-Bayes通过结合序数协变量的贝叶斯方法，改进高维组学数据中网络估计的准确性与可靠性。
2026-01-24 stat.ME
Bayesian Prediction with Covariates Subject to Detection Limits
在工业问题中，由于信号干扰或测量设备缺乏灵敏度而导致的协变量缺失值是常见的。我们提出了一个完整的贝叶斯解决方案的预测问题，一个有效的马尔可夫链蒙特卡罗（MCMC）算法，更新所有的删失协变量值联合在一个随机扫描吉布斯采样。我们发现，缺失协变量值的联合更新可以比单变量更新至少高两个数量级。这种提高的效率被证明是至关重要的快速学习缺失的协变量值和他们的不确定性在实时决策的背景下，特别是当有大量的相关性在后的缺失值。该方法进行了评估模拟数据和电信部门的数据。我们的研究结果表明，所提出的贝叶斯插补提供了更准确的预测比天真的插补，并在插补辅助变量的使用提供了额外的预测能力。
2022-01-19 stat.AP stat.ME
Hierarchical Bayesian Claim Count modeling with Overdispersed Outcome and Mismeasured Covariates in Actuarial Practice
针对保险索赔计数中的过度离散与协变量测量误差问题，提出结合层次贝叶斯GLMM与SIMEX的新框架，在工作场所缺勤数据上验证其拟合优度优于朴素方法。
2023-10-11 stat.ME
Objective Bayes Covariate-Adjusted Sparse Graphical Model Selection
提出了一种用于高斯多元回归模型中协方差选择的客观贝叶斯方法，该模型的误差项具有关于有向无环图（DAG）的马尔可夫协方差结构。范围是协变量调整稀疏图形模型选择，一个日益重要的主题，特别是在遗传基因组学（eQTL分析）领域。具体来说，我们提供了一个封闭形式的表达的边缘可能性的任何DAG（与小的父集），其计算几乎不需要主观的启发由用户，只涉及共轭矩阵正常Wishart分布。这是通过一种特定形式的先验分配来实现的，根据分数贝叶斯因子的概念，在完整的DAG模型下只需要指定一个先验。其他DAG模型下的所有先验都是使用Geiger & Heckerman（2002）的术语中的先验模块性和全局参数独立性导出的。由于我们获得的边际似然是恒定的每一类马尔可夫等价的DAG，我们的方法自然专门协变量调整可分解的图形模型。
2015-10-08 stat.ME
Bayesian Hierarchical Spatial Regression Models for Spatial Data in the Presence of Missing Covariates with Applications
在许多应用中，勘测数据是从不同地区的不同勘测中心收集的。在某些情况下，响应变量完全被观察到，而协变量有缺失值。在本文中，我们提出了一个联合空间回归模型的响应变量和缺失的协变量通过一系列的一维条件空间回归模型。我们进一步构建了缺失协变量数据机制的联合空间模型。所提出的模型的性质进行了检查和马尔可夫链蒙特卡罗抽样算法是用来从后验分布的样本。此外，贝叶斯模型的比较标准，修改的偏差信息准则（mDIC）和修改的对数的伪边际似然比（mLPML），被开发来评估空间回归模型的空间数据的拟合。进行了广泛的模拟研究，以检查所提出的方法的经验性能。我们进一步应用所提出的方法来分析一个真实的数据集，从中国健康与营养调查（CHNS）在2011年进行。
2020-07-05 stat.ME
Bayesian Prognostic Covariate Adjustment With Additive Mixture Priors
本文提出 Bayesian PROCOVA，用 DTG 生成的预后评分调整协变量，并以可预指定的加性混合先验融合历史对照信息，从而在控制偏倚的同时降低方差、缩小试验规模。
2024-02-28 stat.AP stat.ME stat.ML
Rank-based Bayesian clustering via covariate-informed Mallows mixtures
本文提出带协变量的贝叶斯 Mallows 模型 (BMMx)，通过结合评估者特征进行排名数据聚类，利用 PPMx 相似性函数提升聚类效果，模拟与真实数据验证了其在理解偏好行为方面的潜力。
2024-02-16 stat.ME
Total robustness in Bayesian Nonlinear Regression
University of Warwick（华威大学）；University College London（伦敦大学学院）
本文提出首个针对非线性回归中协变量测量误差、模型误设和误差分布误设的总稳健性贝叶斯非参数学习框架，通过联合狄利克雷过程先验和后验伪样本实现推断校准，建立泛化界并证明在非退化测量误差下的收敛性与一致性。
2026-03-24 stat.ME stat.ML
Bayesian Clustered Coefficients Regression with Auxiliary Covariates Assistant Random Effects
在区域经济学研究中，一个令人感兴趣的问题是检测区域之间的相似性，并估计它们在经济模型中的共享系数。在这篇文章中，我们提出了一个有限混合物（MFM）聚类回归模型的辅助协变量，占人口或经济特征的相似性在空间域的混合。我们的贝叶斯构造提供了聚类数和聚类配置的推断，以及每个聚类的参数估计。通过模拟实验说明了该模型的实证性能，并进一步应用于佐治亚州每月住房成本的影响因素的研究。
2021-08-28 econ.EM stat.AP stat.ME
Bayesian Covariate-Dependent Quantile Directed Acyclic Graphical Models for Individualized Inference
提出贝叶斯协变量依赖分位数DAG模型qDAGx，利用参数扩展马蹄先验实现大规模变量下的个体化网络结构推断，克服均值回归局限，在精准医学中成功推断肺癌患者特异性的蛋白质相互作用网络。
2023-05-22 stat.ME
Direct Bayesian Regression for Distribution-valued Covariates
本文提出一种直接利用重复测量作为协变量的分布值回归方法，避免密度估计，具有变换不变性，并基于高斯过程先验实现闭式贝叶斯推断，理论上达到最优误差界，实证优于需中间密度估计的方法。
2024-04-18 math.ST stat.ME stat.TH
Bayesian Covariate-Dependent Circadian Modeling of Rest-Activity Rhythms
本文提出一种贝叶斯协变量依赖昼夜节律模型，通过l_1球投影先验实现稀疏建模，用于分析可穿戴设备活动数据并揭示影响静息-活动节律的复杂因素。
2025-02-05 stat.AP stat.ME
Bayesian Soft-Tree Poisson Process Model for Covariate-Dependent Point Patterns
Iowa State University（爱荷华州立大学）
本文针对协变量依赖点模式估计难题，提出贝叶斯软树泊松过程模型，结合自适应协变量划分与平滑强度函数，采用RJ-MCMC算法，经模拟与野火数据验证其性能优于现有方法。
2026-10-09 stat.CO stat.ME
Nonparametric Bayesian Negative Binomial Factor Analysis
分析协变量-样本计数矩阵的一种常见方法是在泊松似然下对其进行因子分解，其中一个元素表示协变量在样本中出现的次数。我们发现它的局限性，在捕获的趋势，在一个样本中存在的协变量重复自己和激发相关的。为了解决这个问题，我们构建负二项因子分析（NBFA）分解下的负二项似然矩阵，并将其与狄利克雷-多项分布为基础的混合隶属度模型。为了支持可数无穷因子，我们提出了层次伽玛负二项过程。通过利用新证明的离散分布之间的连接，我们构造了两个阻塞和一个崩溃的吉布斯采样器，所有自适应截断其因子的数量，并证明了阻塞吉布斯采样器下开发的复合泊松表示收敛速度快，计算复杂度低。实例结果表明，NBFA具有独特的机制，根据样本长度调整其推断因子的数量，并提供了明显的优势，在简约的表示，预测能力，和计算复杂度比以前提出的离散潜变量模型，它要么完全忽略突发性，或模型只有协变量的突发性，但不是因素。
2017-10-05 stat.ME stat.ML
Bayesian nonparametric inference for the covariate-adjusted ROC curve
疾病的准确诊断在临床实践和医学研究中至关重要。在医学诊断试验常规用于实践之前，必须通过统计分析严格评估其区分疾病和非疾病状态的能力。受试者工作特征（ROC）曲线是评价连续结果诊断试验区分能力的最常用工具。已经认识到有几个因素（例如，受试者特异性特征，如年龄和/或性别）可以影响测试的准确性，而不仅仅是疾病状态。最近，协变量调整的ROC曲线已被提出并成功地应用为考虑协变量信息的诊断准确性的全局汇总度量。我们鼓励使用协变量调整的ROC曲线，并开发了一个高度稳健的B-样条依赖Dirichlet过程混合模型和贝叶斯自助模型的基础上相结合的模型。多个模拟研究表明，我们的模型能够成功地恢复真正的协变量调整ROC曲线，并在各种复杂的情况下产生有效的推断。我们的方法的动机和应用于内分泌研究，其主要目标是评估身体质量指数的准确性，根据年龄和性别进行调整，用于预测心血管疾病风险因素的集群。的R-包AROC，实现我们提出的方法，提供。
2018-05-30 stat.ME
Bayesian Functional Generalized Additive Models with Sparsely Observed Covariates
McLean等人（2013）最近提出了函数广义可加模型（FGAM），作为常见函数线性模型（FLM）的更灵活的替代方案，用于回归函数协变量的标量。在本文中，我们开发了一个贝叶斯版本的FGAM的高斯误差的情况下，单位链接功能。我们的方法允许函数协变量被稀疏地观察和测量，而McLean et al.（2013）的估计过程要求它们在规则网格上被无噪声地观察。我们认为这两个蒙特卡罗和变分贝叶斯方法拟合FGAM稀疏观测协变量。由于模型后验分布和全条件分布的复杂形式，标准蒙特卡罗和变分贝叶斯算法不能使用。我们使用的策略来处理更新的参数没有封闭形式的完整条件应该是独立的兴趣应用贝叶斯统计学家与非共轭模型。我们的数值研究表明，我们的算法的好处，首先使用标准技术恢复完整的轨迹，然后拟合一个功能回归模型的两步方法。在一个真实的数据分析中，我们的方法被应用到预测在网上拍卖网站eBay上拍卖的物品的收盘价。
2017-05-26 stat.CO stat.ME
Bayesian Varying-Effects Vector Autoregressive Models for Inference of Brain Connectivity Networks and Covariate Effects in Pediatric Traumatic Brain Injury
提出贝叶斯变效应向量自回归模型，利用高斯过程混合先验和变分推断，同时估计组特异性脑网络并识别年龄、性别等协变量效应。
2024-05-01 stat.ME
Bayesian Semiparametric Multivariate Density Regression with Coordinate-Wise Predictor Selection
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种灵活的贝叶斯方法，用于估计多变量结果在存在分类协变量时的联合密度。通过高斯Copula框架，方法有效捕捉多变量响应不同坐标的依赖结构，利用共享原子的灵活混合模型和新的Tucker张量分解结构，实现坐标特定的协变量子集识别。
2026-10-22 stat.ME
Unsupervised Bayesian classification for models with scalar and functional covariates
本文针对带标量与函数型协变量的无监督分类问题，提出用基展开降维并结合贝叶斯方法估计混合模型参数与潜在分类向量，并通过模拟比较 Gibbs 抽样与变分贝叶斯推断的性能。
2022-02-08 stat.ME
Bayesian analysis of restricted mean survival time adjusted for covariates using pseudo-observations
本文提出一种结合伪观测与广义矩方法的新型贝叶斯方法，无需建模生存函数即可估计协变量调整的RMST，模拟与前列腺癌III期试验验证其有效性、精度及可解释性。
2025-03-27 stat.AP stat.ME
Robust Bayesian Inference for Measurement Error Misspecification: The Berkson and Classical Cases
University of Warwick（华威大学）
本文提出了一种鲁棒的贝叶斯非参数学习框架，用于处理测量误差规格不正确的问题，适用于经典和Berkson误差模型，并通过MMD损失提供泛化误差的界限。
2026-01-15 stat.ME stat.ML
The Covariate-Assisted Bayesian Intransitive Bradley-Terry Model via Combinatorial Hodge Theory
Tokyo University of Science（东京科学大学）；Meisei University（明海大学）；Keio University（庆应义塾大学）；RIKEN（理化学研究所）
针对成对比较数据中的非传递性问题，提出CA-BIBT模型，利用组合霍奇分解将潜在匹配分解为正交流，通过全局-局部收缩先验自适应处理传递与非传递情形，并给出后验不确定性量化与排序总结。
2026-07-24 stat.ME
Prediction of cancer dynamics under treatment using Bayesian neural networks: A simulated study
本研究提出分层贝叶斯模型结合贝叶斯神经网络，利用基线协变量预测治疗下癌症动态，模拟实验表明其优于线性模型，可推广至其他癌症及时间序列预测。
2024-05-23 q-bio.QM stat.ML
Modelling spatial heterogeneity in the effects of area-level covariates on income distributions using Bayesian nonparametric methods
King’s College London（伦敦国王学院）；University College London（伦敦大学学院）
本文提出NLMFM-C模型，通过混合潜在因子密度分析收入分布变化，探讨空间和协变量效应，应用于美国四个州2016和2020年的微观数据，揭示收入水平和人口特征对收入分布的影响。
2026-04-25 stat.AP stat.ME
Bayesian community detection for networks with covariates
本文提出一种带有依赖协变量随机划分先验的贝叶斯随机块模型，用于密集和稀疏网络的社区检测，能通过后验推断自动学习社区数量并优于现有方法。
2023-04-06 cs.SI stat.CO stat.ME
An Approximate Bayesian Approach to Covariate-dependent Graphical Modeling
高斯图模型通常假设所有主题的均匀结构，这在应用中通常是限制性的。在这篇文章中，我们提出了一个加权伪似然方法的图形建模，允许不同的主题有不同的图形结构取决于无关的协变量。伪似然方法用每个变量的条件分布的乘积代替联合分布。我们将条件分布转换为异方差回归问题，具有协变量依赖方差项，以使信息直接从数据中借用，而不是分层框架。这允许对每个主题进行独立的图形建模，同时保留分层贝叶斯模型的优点，并且在计算上易于处理。提出了一种有效的并行变分算法来逼近后验估计，并得到了图的估计。使用分数变分的框架，我们推导出渐近风险界的估计方面的一个新的变种的$α$ -Rényi分歧。我们从理论上证明了跨协变量的信息借用相对于独立建模的优势。我们通过模拟研究显示了该方法的实际优势，并使用CNV信息作为协变量说明了乳腺癌患者蛋白质表达水平的依赖结构。
2023-03-15 stat.CO stat.ME
Spatially Varying Gene Regulatory Networks via Bayesian Nonparametric Covariate-Dependent Directed Cyclic Graphical Models
Texas A&M University（德克萨斯农工大学）；University of Texas at Austin（得克萨斯大学奥斯汀分校）
该研究提出了一种基于贝叶斯非参数协变量依赖定向循环图模型的方法，用于学习空间变化的基因调控网络，通过划分平均获得平滑变化的图结构，并在空间转录组学数据中揭示了具有反馈回路的调控网络。
2025-12-12 stat.ME
Covariate balance under Bayesian decision theory
本文在贝叶斯线性模型下推导同时依赖样本量与协变量均值平衡的贝叶斯风险，刻画最优处理-对照分配及等分配最优条件，并扩展至序贯患者到达场景。
2025-09-01 math.ST stat.TH
Covariate-guided Bayesian mixture model for multivariate time series
随着脑活动和结构测量技术的迅速发展，现代脑成像的统计分析方法在科学进步中发挥着重要作用。测量脑功能的成像数据通常是多变量时间序列，并且在成像源和受试者之间是异质的，这导致各种统计和计算挑战。在本文中，我们提出了一种基于组的方法，通过贝叶斯混合平滑样条聚类的多元时间序列的集合。我们的方法假设每个多元时间序列是具有不同混合权重的多个分量的混合。与时间无关的协变量被假定为与混合物成分相关联，并通过混合专家模型的逻辑权重进行合并。我们制定了一个完整的贝叶斯框架下使用吉布斯抽样的组件的数量是基于偏差信息标准选择这种方法。所提出的方法相比，现有的方法，通过模拟研究，并适用于功能性近红外光谱（fNIRS），其目的是了解婴儿的情绪反应和恢复压力的研究。结果揭示了大脑活动的不同模式，以及这些模式与选定的协变量之间的关联。
2023-01-03 stat.AP stat.CO stat.ME
Bayesian Covariate-Dependent Graph Learning with a Dual Group Spike-and-Slab Prior
本文提出了一种新颖的双重组spike-and-slab先验方法，用于协变量依赖图学习，通过嵌套策略实现协变量、节点和个体多级稀疏选择，并开发免调参Gibbs采样器进行后验推断，在图恢复精度上优于现有方法并应用于微生物组数据分析。
2025-04-03 stat.ME
Modeling Score Distributions and Continuous Covariates: A Bayesian Approach
Perceptive Automata, Inc.（感知自动机公司）；University of Notre Dame（圣母大学）；Harvard University（哈佛大学）
计算机视觉从业者必须彻底了解他们的模型的性能，但条件评估是复杂和容易出错的。在生物特征验证中，模型在连续协变量（影响性能的图像实数属性）上的性能研究特别具有挑战性。我们开发了一个生成模型的匹配和非匹配分数分布在连续协变量和现代贝叶斯方法进行推理。我们使用混合模型来捕获任意分布，使用局部基函数来捕获非线性、多变量趋势。三个实验证明了我们的方法的准确性和有效性。首先，我们研究了年龄和人脸验证性能之间的关系，发现以前的方法可能会夸大性能和信心。其次，我们研究了CNN的预处理，并发现了模型性能的高度非线性、多变量表面。我们的方法是准确的和数据效率时，对以前的合成方法进行评估。第三，我们展示了我们的方法的行人跟踪和计算可变阈值和预期的性能，同时控制多个协变量的新应用。
2020-09-21 cs.CV cs.LG stat.ML
Tackling covariate shift with node-based Bayesian neural networks
Aalto University（阿尔托大学）；University of Helsinki（赫尔辛基大学）；University of Manchester（曼彻斯特大学）
贝叶斯神经网络（BNN）通过提供认知不确定性的原则性概率表示，承诺在协变量移位下改进泛化。然而，基于权重的BNN通常会与大规模架构和数据集的高计算复杂度作斗争。基于节点的BNN最近被引入作为可扩展的替代方案，其通过将每个隐藏节点与潜在的随机变量相乘来诱导认知不确定性，同时学习权重的点估计。在本文中，我们将这些潜在的噪声变量解释为训练过程中简单和领域不可知的数据扰动的隐式表示，从而产生在由于输入损坏导致的协变量偏移下表现良好的BNN。我们观察到隐式腐败的多样性取决于潜变量的熵，并提出了一种直接的方法来增加这些变量在训练过程中的熵。我们评估的方法在分布图像分类基准，并显示改进的不确定性估计的基于节点的BNN下的协变量转移由于输入扰动。作为副作用，该方法还提供了对噪声训练标签的鲁棒性。
2022-06-09 cs.LG stat.ML
Covariate-Assisted Bayesian Graph Learning for Heterogeneous Data
提出协变量依赖的贝叶斯高斯图模型，利用乘积划分、似然/伪似然与 G-Wishart 先验刻画异质数据的图结构，并证明 minimax 后验收缩率。
2023-08-15 stat.ME
Covariate Adjustment in Bayesian Adaptive Randomized Controlled Trials
本文研究贝叶斯自适应随机对照试验中的协变量调整方法，展示如何从调整分析中获取边际估计目标的后验样本，并通过模拟和COVID-19试验证明其能提高检验效能、增加提前停止概率并降低预期样本量。
2023-11-23 stat.AP stat.ME
A nonparametric Bayesian analysis of independent and identically distributed observations of covariate-driven Poisson processes
ESOMAS Department, University of Turin（都灵大学 ESOMAS 系）
本文提出了一种基于多带宽高斯过程的非参数贝叶斯方法，用于分析协变量驱动的泊松过程的各向异性光滑性问题，并通过数值实验和野火数据集应用验证了方法的有效性。
2026-10-30 math.ST stat.ME stat.TH
For high-dimensional hierarchical models, consider exchangeability of effects across covariates instead of across datasets
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Broad Institute（博德研究所）
分层贝叶斯方法可以在多个相关的回归问题中共享信息。虽然标准做法是将回归参数（效应）建模为（1）在数据集之间可交换，（2）在协变量之间具有不同程度的相关性，但我们发现，当协变量的数量超过数据集的数量时，这种方法的统计性能较差。例如，在统计遗传学中，我们可能会对成千上万个个体（反应）的数十个特征（定义数据集）进行回归，以获得数百万个遗传变异（协变量）。当分析师的协变量多于数据集时，我们认为将效应建模为（1）协变量之间的可交换性和（2）数据集之间不同程度的相关性通常更自然。为此，我们提出了一个层次模型表达我们的替代观点。我们设计了一个经验贝叶斯估计学习数据集之间的相关程度。我们开发的理论表明，我们的方法优于经典的方法时，协变量的数量占主导地位的数据集的数量，并证实了这一结果经验上的几个高维多元回归和分类问题。
2021-07-13 cs.LG stat.ME stat.ML
On Asymptotic Outlier Rejection in Bayesian Mixed Poisson Regression Models Under Extreme Target and Covariate Values
University of Helsinki（赫尔辛基大学）
研究混合泊松回归模型在协变量或目标值异常时的稳健性，发现模型对目标异常稳健但对协变量异常不稳健，需开发新方法。
2026-09-23 stat.ME
Unsupervised empirical Bayesian multiple testing with external covariates
在经验贝叶斯设置，我们提供了一个新的多重检验方法，有用的时候，一个额外的协变量是可用的，影响每个原假设是真的概率。我们在协变量和数据的条件下测量每个检验的后验显著性，从而获得更大的功效。使用协变量为基础的先验信息在无监督的方式，我们产生了一个列表的显着的假设不同的长度和顺序从列表中获得的方法不考虑协变量信息。使用快速近似算法估计每个原假设的协变量调制的后验概率。新方法被应用到表达数量性状基因座（eQTL）数据。
2008-07-29 stat.AP
Semi-parametric Bayes Regression with Network Valued Covariates
越来越多的人认识到大脑网络作为精神健康和精神病学研究中的神经影像学生物标志物的作用。我们的重点是创伤后应激障碍（PTSD），其中大脑网络以复杂的方式与环境暴露相互作用，以推动疾病进展。寻求表征临床表型与脑网络中的整个边缘集之间的关系的现有线性模型可能过于简单化，并且通常涉及导致计算负担和不准确估计的膨胀的参数数量。在第一个这样的努力之一，我们开发了一种新的两阶段贝叶斯框架，找到一个节点特定的低维表示的网络使用潜在规模的方法在第一阶段，然后使用一个灵活的高斯过程回归框架预测涉及的潜在规模和其他补充协变量在第二阶段。所提出的方法放松了线性假设，解决了维数灾难，并可扩展到高维网络，同时保持在网络的节点级别的可解释性。从我们的激励PTSD应用程序的广泛的模拟和结果显示了竞争的线性和非线性方法的预测和覆盖方面的明显优势，所提出的方法。
2019-10-09 stat.ME
Bayesian dependent mixture models: A predictive comparison and survey
本文综述了贝叶斯协变量相依混合模型，将其分为联合模型、单权重条件模型和协变量相依权重条件模型三类，并通过预测方程分析和模拟数据比较探讨模型选择问题。
2023-07-30 stat.ME
Identifying treatment effect heterogeneity in dose-finding trials using Bayesian hierarchical models
药物开发中的一项重要任务是确定患者对实验性治疗的反应更好或更差。识别影响处理效应并可用于定义患者亚组的预测协变量是这项任务的关键方面。然而，已知处理效应异质性分析具有挑战性，因为可能的协变量或亚组的数量通常很大，而药物开发早期阶段的样本量通常很小。此外，区分预测协变量与预后协变量（其影响与给定治疗无关的反应）通常很困难。虽然已经提出了许多解决这些问题的方法，但大多数方法都集中在两组临床试验环境中，即给予患者治疗或对照。在本文中，我们考虑平行组剂量探索试验，其中患者给予不同剂量的相同治疗。为了研究这种情况下的处理效应异质性，我们提出了一个协变量对剂量反应参数有影响的贝叶斯分层剂量反应模型。我们利用收缩先验来防止过度拟合，当考虑的协变量数量很大而样本量很小时，过度拟合很容易发生。我们在模拟中比较了几个这样的先验，并研究了预后和预测效应的相关建模，以更好地区分这两种类型的效应。我们说明了使用我们提出的方法，使用II期剂量探索试验，并显示它如何可以用来确定预测协变量和亚组的患者增加处理效应。
2018-11-26 stat.ME
Co-data Learning for Bayesian Additive Regression Trees
Amsterdam Public Health Research Institute（阿姆斯特丹公共卫生研究所）；Amsterdam University Medical Centers（阿姆斯特丹大学医学中心）；Cancer Center Amsterdam（阿姆斯特丹癌症中心）
针对医学预测中小样本高维协变量的难题，提出融入协数据的贝叶斯加性回归树经验贝叶斯框架，可同时处理多类协数据、估计超参数，仿真和淋巴瘤预后应用均验证了其变量选择和预测性能优势。
2024-11-03 cs.LG stat.ML
Bayesian Semiparametric Covariate Informed Multivariate Density Deconvolution
不同膳食成分长期平均摄入量的边际密度和联合密度的估计是营养流行病学中的一个重要问题。由于这些变量无法直接测量，因此通常以24小时回顾摄入量的形式收集数据。估计潜在的长期平均摄入量的密度的问题，从他们的观察，但错误污染的回忆，然后成为一个问题的多变量反卷积的密度。潜在的密度可能会随着受试者的人口统计学特征，如性别，种族，年龄等，在相关的精确测量的协变量的存在下，密度反卷积的问题，但是，从来没有被考虑过，甚至在单变量设置。我们提出了一个灵活的贝叶斯半参数方法协变量知情的多元反卷积。基于Copula反卷积和条件张量分解技术的最新进展，我们提出的方法不仅允许联合和边缘密度随相关预测因子灵活变化，而且允许自动选择最有影响力的预测因子。重要的是，该方法还允许感兴趣的密度和测量误差的密度随潜在的不同预测器组而变化。我们设计了马尔可夫链蒙特卡罗算法，可以实现高效的后验推理，适当地适应分析各个方面的不确定性。通过仿真实验验证了该方法的有效性。它的实际效用在上述营养流行病学应用中被证明是在估计不同膳食成分的协变量调整的长期摄入量。补充材料包括实质性的额外细节和R代码也可在线获得。
2022-05-17 stat.ME
A Bayesian Nonparametric Approach for Identifying Differentially Abundant Taxa in Multigroup Microbiome Data with Covariates
针对含协变量的多组微生物组数据，提出零膨胀贝叶斯非参数（ZIBNP）方法，利用半参数中餐馆过程降维并处理零膨胀，在模拟和真实数据集上验证了其差异丰度分析的准确性。
2023-12-27 stat.ME
Personalized Treatment Hierarchies in Bayesian Network Meta-Analysis
McGill University（麦吉尔大学）
本文探讨了在包含治疗-协变量交互的贝叶斯网络元分析中，如何根据特定协变量配置创建治疗等级，通过实证研究展示了方法的应用。
2026-01-27 stat.AP stat.ME
Valid Bayesian Inference based on Variance Weighted Projection for High-Dimensional Logistic Regression with Binary Covariates
针对高维基线协变量下二元结果相关分类处理效应的推断挑战，提出基于方差加权投影的正交得分及新型贝叶斯框架，提供一致收敛结果并通过模拟与真实数据分析验证方法有效性。
2024-11-26 math.ST stat.ME stat.TH
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift
University of Cambridge（剑桥大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Alan Turing Institute（艾伦图灵研究所）
现代神经网络已被证明是功能强大的函数逼近器，在许多应用中提供最先进的性能。然而，他们缺乏量化预测信心的能力-这在涉及关键决策的高风险应用中至关重要。贝叶斯神经网络（BNN）的目标是通过在网络参数上放置先验分布来解决这个问题，从而诱导出封装预测不确定性的后验分布。虽然基于蒙特卡罗丢弃的BNN的现有变体对分布内数据产生可靠的（尽管是近似的）不确定性估计，但它们倾向于在对特征分布与训练数据不同的目标数据进行的预测中表现出过度自信，即，协变量偏移设置。在本文中，我们开发了一个近似的贝叶斯推断计划的基础上后验正则化，其中未标记的目标数据被用作“伪标签”的模型的信心，用于正则化模型的损失标记的源数据。我们表明，这种方法显着提高了协变量移位数据集的不确定性量化的准确性，对底层模型架构的修改最小。我们证明了我们的方法在全球不同人群中转移前列腺癌预后模型的背景下的实用性。
2020-06-26 cs.LG stat.ML
Covariate-localized False Discovery Rates
Duke University（杜克大学）
本文提出基于非参数高斯混合模型和权重局部化预测递归的协变量局部化错误发现率估计方法，实现更高效、更可控的多重检验。
2026-09-11 stat.ME
Bayesian Shape Invariant Model for Latent Growth Curve with Time-Invariant Covariates
在注意力缺陷多动障碍（ADHD）研究中，儿童被开了不同的兴奋剂药物。纵向记录身高测量值以及用药时间。通过平移和旋转叠加（SITAR）模型建议的参数捕获患者之间的差异，该模型使用三个受试者特异性参数来估计其与平均生长曲线的偏差。在本文中，我们推广了SITAR模型的贝叶斯方式与时不变的协变量。时不变模型使我们能够预测潜在的生长因子。由于患者患有共同的疾病，他们通常表现出相似的模式，并且很自然地建立形状不变的非线性模型。该模型是半参数的，人口时间曲线是用自然三次样条。原始的形状不变的生长曲线模型，由青春期身高随时间的演变的流行病学研究的动机，适合的基本形状函数的身高随年龄的变化，并估计受试者的具体偏差从这个曲线的大小，节奏，和速度使用极大似然。注意缺陷多动障碍（ADHD）的研究说明了该模型的有用性。此外，我们证明了刺激性药物对性别青春期生长的影响。
2021-03-24 stat.ME
