Recurrent Dirichlet Belief Networks for Interpretable Dynamic Relational Data Modelling
University of Technology Sydney(悉尼科技大学);University of New South Wales(新南威尔士大学);Fudan University(复旦大学)
Dirichlet Belief Network~(DirBN)是最近提出的一种学习对象可解释的深层潜在表征的方法。在这项工作中,我们利用其可解释的建模架构,并提出了一个深度的动态概率框架-递归狄利克雷信念网络~(递归DBN)-研究可解释的隐藏结构的动态关系数据。所提出的递归DBN具有以下优点:(1)它为时间步内和跨时间步的对象推断可解释和有组织的分层潜在结构;(2)它能够实现递归长期时间依赖建模,其性能优于大多数动态概率框架中的一阶马尔可夫描述。此外,我们开发了一种新的推理策略,首先向上和向后传播潜计数,然后向下和向前样本变量,使有效的吉布斯采样的递归DBN。我们将递归DBN应用于动态关系数据问题。在真实数据上的大量实验结果验证了递归DBN在可解释的潜在结构发现和改进的链接预测性能方面优于现有模型。
2020-04-29 cs.LG stat.ML
Variational Inference For Probabilistic Latent Tensor Factorization with KL Divergence
Boğaziçi University(博阿齐希大学);University of Copenhagen(哥本哈根大学)
本文提出基于变分贝叶斯的完整贝叶斯推断方法,用于概率潜在张量分解框架,实现更强大的建模和复杂的推断,应用于模型阶选择和链接预测。
2014-09-29 cs.NA math.NA stat.CO
Latent Dirichlet Allocation in Generative Adversarial Networks
University of Electronic Science and Technology of China(电子科技大学)
我们研究了基于生成对抗网络(GANs)的图像多模态生成建模问题。尽管现有的方法取得了成功,但它们往往忽略了视觉数据的底层结构或其多模态生成特性。为了解决这个问题,我们引入狄利克雷先验的多模态图像生成,这导致了一个新的潜在狄利克雷分配的GAN(LDAGAN)。详细地,对于生成过程建模,LDAGAN为每个样本定义生成模式,确定其属于哪个生成子过程。对于对抗训练,LDAGAN推导出一种变分期望最大化(VEM)算法来估计模型参数。在真实数据集上的实验结果表明,LDAGAN的性能优于其他现有的GANs。
2019-11-06 cs.CV cs.LG stat.ML
Perfect Clustering in Nonuniform Hypergraphs
本文提出交互超图模型以分析非均匀超图,定义交互潜在嵌入并证明其谱估计在交互充足时可实现完美聚类。
2025-04-11 math.ST stat.ME stat.ML
Disentangling Latent Risk Pathways via Bayesian Hypergraph Inference
University of Science and Technology of China(中国科学技术大学)
提出贝叶斯超图推断框架,通过风险因子调节的潜在疾病路径建模多疾病,实现可解释的高阶结构、校准的不确定性估计和罕见病改进预测。
2026-06-04 cs.LG stat.AP stat.ME
Autoregressive Hypergraph
本文提出首个具有理论保证的动态超图AR(1)模型,定义超边时间演化,提供闭式概率性质与最大似然推断,并扩展至HSBM社区检测和变点估计,通过模拟及真实数据验证其有效性。
2025-06-20 stat.ME
A general joint latent class model of longitudinal and survival data with the covariance modelling
该研究提出一种一般联合潜在类别模型,通过协方差回归子模型建模异质随机效应,结合纵向与生存数据,实现无偏估计与动态预测。
2025-03-25 stat.ME
Modelling multivariate spatio-temporal data with identifiable variational autoencoders
针对时空盲源分离仅支持线性解混的问题,本文将可识别变分自编码器扩展至非线性非平稳场景,提出两种潜维度估计方法,经模拟和气象应用验证,可有效恢复潜成分并提升预测精度。
2024-11-01 stat.ME
An information-theoretic approach to hypergraph psychometrics
本文提出基于超图的信息论心理测量框架,以捕捉三个及以上心理变量间的高阶相互依赖,克服传统网络方法仅建模成对关系的局限,并在模拟和真实数据上展示了冗余与协同交互的识别能力。
2022-05-13 stat.ME
Modeling Hypergraphs with Diversity and Heterogeneous Popularity
本文针对多元关系超图,提出一种由超边多样性和节点异质流行度驱动、基于行列式点过程的潜在空间模型,支持任意超边基数与多重性,并证明估计量性质、给出优化算法和实证应用。
2025-01-08 stat.ME
Multidimensional Bayesian IRT Model for Hierarchical Latent Structures
在许多情况下,我们有理由认为,个体的潜在特征具有层次结构,因此,更一般的特征是更具体的特征的适当组合。现有的项目反应模型,占这样的层次结构的功能有相当大的局限性,在建模和/或推理。出于这些限制和主题的重要性,本文旨在提出一种改进的方法,在建模和推理方面,以处理层次结构的潜在特质的项目反应理论的背景下。从建模的角度来看,所提出的方法允许真正的多维项目和假设的层次结构中的所有潜在特征是在同一规模上。项目可以是二分的或分级的反应。设计了一种有效的MCMC算法,从所提出的模型的所有未知量的联合后验分布中进行采样。特别地,在吉布斯抽样算法中,所有潜在特质参数从它们的全条件分布联合抽样。所提出的方法适用于模拟数据和真实的数据集有关的Enem考试在巴西。
2020-07-26 stat.ME
Spatial Latent Gaussian Modelling with Change of Support
针对不同空间支撑数据,提出贝叶斯空间潜在高斯模型,通过基函数与高斯马尔可夫随机场处理支撑变化,并在估计和预测中纳入不确定性,经模拟和实际数据验证。
2024-03-13 stat.ME
On the number of signals in multivariate time series
我们假设一个二阶源分离模型,其中所观察到的多元时间序列是一个潜在的,时间上不相关的时间序列与一些成分纯白噪声的线性混合物。为了避免噪声的建模,我们使用一些标准的方法提取非噪声潜在成分,允许单独建模提取的单变量时间序列。一个重要的问题是确定哪些潜在成分在建模中是感兴趣的,哪些可以被认为是噪声。基于Bootstrap的方法最近已被用于确定潜在的尺寸在各种方法的无监督和监督的降维,我们提出了一套类似的估计策略,二阶平稳时间序列。仿真研究和一个声波的例子来说明该方法的有效性。
2018-01-14 stat.ME
A flexible class of latent variable models for the analysis of antibody response data
University of Birmingham(伯明翰大学);Lancaster University(兰卡斯特大学);Lund University(隆德大学)
本文提出了一种灵活的潜在变量模型,用于分析抗体反应数据,通过连续的潜在免疫反应表示个体免疫状态,提升了对年龄相关抗体分布变化的捕捉能力,并展示了模型的广泛适用性。
2026-02-24 stat.ME
Deep Recurrent Modelling of Granger Causality with Latent Confounding
University College London(伦敦大学学院)
当无法进行干预时,推断观测时间序列数据中的因果关系是一项重要任务。Granger因果关系是一个流行的框架来推断不同时间序列之间的潜在因果机制。格兰杰因果关系的原始定义仅限于线性过程,并在存在潜在混淆因素的情况下导致虚假结论。在这项工作中,我们利用递归神经网络的表达能力,并提出了一种基于深度学习的方法,通过直接考虑潜在的混杂因素来建模非线性格兰杰因果关系。我们的方法利用多个递归神经网络来参数化预测分布,并且我们提出了使用双解码器设置来进行Granger测试的新方法。我们展示了非线性随机时间序列的模型性能,其中潜在的混淆因素影响不同时滞的因果关系;结果显示了我们的模型与现有基准相比的有效性。
2022-02-23 cs.LG stat.ME
Modelling Correlation Matrices in Multivariate Dyadic Data: Latent Variable Models for Intergenerational Exchanges of Family Support
我们定义了一个多个连续潜变量的联合分布模型,其中包括一个模型,它们的相关性如何依赖于解释变量。这是出于分析家庭内代际帮助和支持的社会科学研究问题的动机,并应用于这些问题,其中相关性描述了代际之间的相互帮助和不同类型帮助的互补性。我们提出了一个MCMC程序估计的模型,保持了正定性的隐含的相关矩阵,并描述了理论结果,证明这种方法,并促进有效的实施it.The模型应用于英国家庭纵向研究的数据分析交流的实际和财政支持的成年人和他们的非共同居住的父母。
2022-10-26 stat.AP stat.ME
Can a latent Hawkes process be used for epidemiological modelling?
Imperial College London(伦敦帝国理工学院)
了解COVID-19的传播一直是众多研究的主题,突出了可靠的流行病模型的重要性。在这里,我们介绍了一种新的流行病模型,使用时间协变量的潜在Hawkes过程建模的感染。与其他模型不同的是,我们通过由潜在的霍克斯过程驱动的概率分布对报告的病例进行建模。通过Hawkes过程对感染进行建模,使我们能够估计受感染个体被谁感染。我们提出了一个核密度粒子滤波器(KDPF)的推理的潜在情况下,再生数和预测的新情况下,在不久的将来。计算工作量与感染的数量成比例,使得可以使用粒子滤波器类型的算法,例如KDPF。我们在英国各地方当局的合成数据集和COVID-19报告病例上展示了所提出算法的性能,并将我们的模型与替代方法进行了基准测试。
2022-08-15 cs.LG q-bio.PE stat.ME
Multilevel latent class (MLC) modelling of healthcare provider causal effects on patient outcomes: Evaluation via simulation
如果需要对医疗保健提供者的绩效进行比较,则必须在提供者之间平衡患者的特征和感兴趣的健康状况,以便进行公平比较。这在观察性数据中不太可能可行,因为患者人群特征可能因地理位置而异,患者护理可能因健康状况特征而异。我们基于先前使用的真实世界数据集模拟了患者和提供者的数据,并在较高水平上分别考虑了二元和连续协变量效应。多层潜在类(MLC)建模提出了分区的预测重点在病人的水平(容纳casemix)和因果推断重点在供应商的水平。MLC模型恢复了一系列模拟的信任水平效应。中位恢复值几乎与二进制信任水平协变量的模拟值相同,并且我们观察到至少有3个潜在信任类的连续信任水平协变量的成功恢复。可信区间随着误差方差的增加而变宽。MLC方法成功地划分了预测和因果推断的建模,解决了这两种不同分析策略之间的潜在冲突。这改进了仅针对差异选择进行调整的策略。患者水平的变化和测量的不确定性被容纳在潜在的类。
2019-09-03 stat.AP stat.ME
Broad Spectrum Structure Discovery in Large-Scale Higher-Order Networks
本文提出一类概率模型,通过将相似单元类视为潜在超图节点并利用低秩表示建模相互作用,高效发现大规模超图中的介观结构,在链路预测上优于现有方法并揭示真实系统的可解释结构。
2025-05-27 cs.SI stat.CO stat.ME
Latent Space Network Modelling with Hyperbolic and Spherical Geometries
一个丰富的网络模型将每个节点与一个低维潜在坐标相关联,该坐标控制着连接形成的倾向。这种类型的模型在网络分析文献中得到了很好的建立,其中通常假设基础几何是欧几里得的。最近的工作探讨了这种选择的后果,并激发了依赖于非欧几里德潜在几何模型的研究,主要集中在球面和双曲几何。在本文中,我们研究在何种程度上可以从网络中的可观察链接推断出潜在的功能,考虑依赖于球形和双曲几何的网络模型。对于每一个几何形状,我们描述了一个潜在的空间网络模型,详细的限制,消除了众所周知的可识别性问题的潜在坐标,并提出贝叶斯估计方案。因此,我们开发的计算程序来执行推理的网络模型中,底层几何的属性起着至关重要的作用。最后,我们评估这些模型的真实数据的有效性。
2022-02-10 stat.AP stat.CO stat.ME
How does academic performance affect self-efficacy? Interpretable modelling through latent academic achievement
Human Technology Institute, University of Technology Sydney(人类技术研究所,悉尼科技大学);School of Mathematical and Physical Sciences, University of Technology Sydney(数理科学学院,悉尼科技大学)
本文提出贝叶斯模型,将潜在学业成就作为预测变量纳入自我效能回归,并通过变量选择识别相关因素,揭示学业成就与自我效能的关系。
2026-07-01 stat.AP stat.ME
Parsimonious Bayesian Factor Analysis for modelling latent structures in spectroscopy data
近年来,随着市场货架上草饲乳制品的日益流行,动物饮食受到越来越多的关注,特别是研究基于牧场的喂养战略对牛奶和乳制品质量的影响。到目前为止,可用于验证草饲乳制品的测试方法有限,因此这些产品很容易受到食品欺诈和掺假的影响。因此,需要统计工具来研究来自不同饲养系统的动物的牛奶样本之间的潜在差异,从而提高产品真实性的安全性。红外光谱技术被广泛用于收集牛奶样品的数据和预测牛奶相关性状。虽然这些数据通常用于预测牛奶的宏观成分的组成,但每个光谱都提供了关于样品的未利用信息的储存库。由于这些数据的高维性和光谱变量之间的关系,对这些数据的解释提出了许多挑战。在这项工作中,我们提出了一个修改的标准因子分析,以诱导一个吝啬的总结光谱数据。该过程将观测映射到低维潜在空间,同时对观测变量进行聚类。该方法指出了数据中可能存在的冗余,有助于理清波长之间的复杂关系。一个灵活的贝叶斯估计过程中提出的模型拟合,提供合理的潜在因素和集群的数量值。该方法适用于牛奶中红外光谱数据从奶牛在不同的牧场和非牧场为基础的饮食,提供准确的建模的数据相关性,聚类的变量和信息之间的差异,从不同的饮食奶牛的牛奶样品。
2021-01-29 stat.AP stat.ME
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
A Bayesian binomial regression model with latent Gaussian processes for modelling DNA methylation
表观遗传观察结果由来自给定细胞池的读数总数和甲基化读数的数量表示,使得通过二项分布对该数据进行建模是合理的。有许多因素可以影响在特定区域的成功概率。此外,这些概率具有很强的空间(与基因组一起)依赖性。我们将依赖于协变量和空间依赖的甲基化概率的观察池的细胞通过一个二项式回归模型与潜在的高斯场和logit链接函数。我们采用贝叶斯方法,包括模型配置的先验规范。为了得到参数和模型的联合后验分布,我们在不同的协变量选择上运行跳模马尔可夫链蒙特卡罗算法(MJMCMC)。这还允许找到最佳协变量集以对感兴趣的基因组区域内的甲基化概率和协变量的个体边缘包含概率进行建模。
2020-04-28 q-bio.GN q-bio.QM stat.AP
Bayesian Multilevel Bivariate Spatial Modelling of Italian School Data
本文使用空间贝叶斯多层回归模型结合双变量ICAR潜在效应,研究意大利高中学生能力与市镇基础设施禀赋的关系,发现基础设施和空间结构化潜在效应对解释学生成绩差异均具有显著作用。
2024-12-23 stat.AP stat.ME
Fast ABC with joint generative modelling and subset simulation
University of Neuchâtel(纳沙泰尔大学);University of Bern(伯尔尼大学);University of Lausanne(洛桑大学)
我们提出了一种新的方法来解决高维输入和昂贵的前向映射的反问题。它利用联合深度生成建模将原始问题空间转移到低维潜在空间。通过联合建模输入和输出变量,并赋予潜在的先验分布,拟合的概率模型间接地提供了访问的近似条件分布的兴趣。由于模型误差和未知分布的观测噪声在实践中很常见,因此我们采用近似贝叶斯计算(ABC)进行无似然推理。我们的方法调用ABC通过子集模拟来探索潜在空间的区域,所生成的输出和观察到的输出之间的差异低于规定的阈值。我们诊断的多样性,通过监测这些区域的概率内容作为阈值的函数的近似后验解。我们进一步分析所得诊断曲线的曲率,以提出适当的ABC阈值。当应用到一个跨钻孔层析成像的例子,从地球物理学,我们的方法提供了有前途的性能,而不使用先验知识的前也不是噪声分布。
2021-04-16 cs.AI cs.LG stat.ME
Factor Modelling for Clustering High-dimensional Time Series
我们提出了一种新的无监督学习方法聚类大量的时间序列的基础上的潜在因素结构。除了影响所有相关时间序列的一些公共因子之外,每个聚类的特征在于其自身的聚类特殊因子。我们的设置还提供了一些灵活性,即某些时间序列可能不属于任何聚类。对于公共因子、簇-特殊因子、潜在簇的估计,建立了与显式收敛速度的一致性。数值说明与模拟数据以及一个真实的数据的例子也报告。作为一个副产品,提出的新方法还显着推进了Lam和Yao(2012)的因子模型的统计推断。
2022-09-08 math.ST stat.ME stat.TH
not-MIWAE: Deep Generative Modelling with Missing not at Random Data
Technical University of Denmark(丹麦技术大学);Inria(法国国家信息与自动化研究所);Laboratoire J.A. Dieudonné(迪厄多内实验室)
当缺失的过程依赖于缺失值本身时,需要显式建模并在进行基于似然性的推理时将其考虑在内。我们提出了一种方法,用于建立和拟合深度潜变量模型(DLVM)的情况下,缺失的过程是依赖于缺失数据。具体来说,深度神经网络使我们能够灵活地对给定数据的缺失模式的条件分布进行建模。这允许将关于缺失类型的先验信息(例如,自删失)并入模型中。我们的推理技术,基于重要性加权变分推断,涉及最大限度地降低联合可能性。通过在隐空间和数据空间中使用重新参数化技巧,得到了该界的随机梯度。我们在各种数据集和缺失模式上显示,明确地对缺失过程进行建模是非常宝贵的。
2021-03-18 cs.LG stat.ME stat.ML
Generalised Linear Models Driven by Latent Processes: Asymptotic Theory and Applications
University College Dublin(都柏林大学学院);City University of Hong Kong(香港城市大学)
本文提出了一种由潜在过程驱动的广义线性模型,扩展了现有方法,允许响应分布属于双参数指数族,并提供了预测和推断的理论框架及实际应用案例。
2026-02-18 math.ST stat.ME stat.TH