Nonparametric hierarchical Bayesian quantiles
在这里，我们开发了一种方法进行非参数贝叶斯推断的分位数。依靠几何测度理论和采用Hausdorff基测度，我们能够指定有意义的先验的分位数，而处理的数据分布，否则非参数。我们进一步扩展的方法，一个层次模型的分位数的亚群，仅通过他们的分位数连接在一起的子组。我们的方法是计算简单，允许审查和噪声数据。我们展示了模拟数据和应用问题，从体育统计，它被观察到稳定和改善推理和预测的建议的方法。
2016-05-11 stat.ME
Scalable Bayesian nonparametric measures for exploring pairwise dependence via Dirichlet Process Mixtures
在这篇文章中，我们提出了新的贝叶斯非参数方法，使用Dirichlet过程混合（Dirichlet Process Mixture）模型来检测随机变量之间的成对依赖关系，同时考虑潜在分布形式的不确定性。一个关键的标准是，这些程序应该扩展到大型数据集。在这方面，我们发现，正式计算的贝叶斯因子的依赖与。独立联合概率测度在计算上是不可行的。为了解决这个问题，我们提出了贝叶斯诊断措施，对成对独立的“空模型”的特征证据。在模拟研究中，以及一个真正的数据分析，我们表明，我们的方法提供了一个有用的工具，探索性的非参数贝叶斯分析的大型多元数据集。
2016-04-27 stat.ME
Bayesian Nonparametric Modeling for Multivariate Ordinal Regression
通常假设单变量或多变量有序响应来自潜在连续参数分布，协变量效应线性进入。本文介绍了一种单变量和多变量有序回归的贝叶斯非参数建模方法，该方法基于潜响应和协变量的联合分布的混合建模。建模框架可以高度灵活地推断有序回归关系，避免协变量效应中的线性或加性假设。在标准参数有序回归模型中，计算挑战来自于可识别性约束和需要非标准推理技术的参数估计。非参数模型的一个关键特征是它实现了推理的灵活性，同时避免了这些困难。特别是，我们建立了充分支持的非参数混合模型下的固定截止点，通过离散化的潜在连续响应与顺序响应。通过应用到两个数据集的计量经济学，一个例子，涉及臭氧浓度的回归关系，和多评价协议问题的建模方法的实际效用说明。
2016-09-20 stat.ME
A Bayesian Nonparametric System Reliability Model which Integrates Multiple Sources of Lifetime Information
我们提出了一个贝叶斯非参数系统可靠性模型，该模型具有很好的可扩展性，并提供了很大的灵活性建模。贝叶斯方法自然地处理可能存在的不同数量的组件和子系统数据。然而，传统的贝叶斯可靠性模型是相当复杂的计算，依赖于MCMC技术。我们的方法利用了beta-Stacy过程的共轭性质，这是我们模型的基本构建块。使用矩估计方法将这些单独的模型链接在一起。该模型计算速度快，允许右删失数据，并用于估计和预测系统的可靠性。
2022-03-21 stat.ME
Wavelet Shrinkage in Nonparametric Regression Models with Positive Noise
小波收缩估计器通过降低经验系数的大小来对小波域的数据进行去噪，在许多科学领域中得到了广泛的应用。在非参数回归问题中，大多数的收缩规则都是由带有加性高斯噪声的未知函数组成的模型推导出来的。虽然高斯噪声假设在一些实际数据分析中是合理的，主要是在大样本量的情况下，但它并不普遍。在实际应用中，正噪声污染数据是经常出现的，正噪声污染的非参数回归模型给小波收缩带来了挑战。本文在指数和对数正态分布下，利用加性和严格正噪声的非参数回归框架，提出了一种估计小波系数的贝叶斯收缩规则。计算方面进行了讨论和模拟研究，以分析所提出的收缩规则的性能，并与标准技术进行比较。最后给出了在波士顿马拉松比赛数据集上的应用.
2021-09-13 stat.ME
A Unified Bayesian Nonparametric Framework for Ordinal, Survival, and Density Regression Using the Complementary Log-Log Link
本文提出统一贝叶斯非参数框架，利用互补对数-对数链接解决有序回归、生存分析和密度回归问题，结合贝叶斯加性回归树实现便捷计算并验证理论性质。
2025-02-02 stat.ME
Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics
基于狄利克雷过程和其他棒打破先验的贝叶斯模型已被提出作为聚类，主题建模和其他无监督学习任务的核心成分。然而，由于这些模型的灵活性，先前选择的结果可能是不透明的。因此，事先说明可能相对困难。同时，先验选择对后验推理也有很大的影响。因此，鲁棒性的考虑需要与非参数建模齐头并进。在本文中，我们利用变分贝叶斯方法，除了在拟合复杂的非参数模型的计算优势，还产生灵敏度方面的贝叶斯模型的参数和非参数方面的事实来应对这一挑战。特别是，我们演示了如何评估的灵敏度的结论选择的浓度参数和棒断裂分布的Dirichlet过程的混合物和相关的混合物模型下的推断。我们提供了理论和经验支持，我们的变分方法贝叶斯敏感性分析。
2022-01-25 stat.ME
Comparison of Bayesian Nonparametric Density Estimation Methods
在本文中，我们提出了一个非参数贝叶斯方法的Lindsey和惩罚高斯混合方法。我们比较这些方法与Dirichlet过程混合模型。我们的方法是一个贝叶斯非参数方法，而不仅仅是基于一个参数家庭的概率分布。因此，拟合的模型对模型误指定更稳健。此外，与贝叶斯方法，我们有我们感兴趣的参数的整个后验分布，它可以概括为通过可信区间，平均值，中位数，标准差，分位数等林赛，惩罚高斯混合物，和狄利克雷过程混合物的方法进行审查。通过马尔可夫链蒙特卡罗（MCMC）方法进行估计。惩罚高斯混合方法通过哈密顿蒙特卡罗（HMC）实现。我们表明，在一定的正则条件下，随着n的增加，后验分布的权重收敛到一个正态分布。仿真结果和数据分析报告。
2020-11-27 stat.ME
Scalable Bayesian nonparametric regression via a Plackett-Luce model for conditional ranks
我们提出了一种新的贝叶斯非参数回归模型的协变量X和连续的，真正的响应变量Y。该模型根据Y和X的边缘分布以及调整条件分布F（y）的随机排序的回归函数进行参数化|x）。通过采用近似的复合似然方法，我们表明，由此产生的后验推理可以解耦的模型的单独组件。该过程可以扩展到非常大的数据集，并允许使用来自贝叶斯非参数密度估计和Plackett-Luce排名估计的标准现有软件。作为一个例子，我们展示了我们的方法在美国人口普查数据集上的应用，该数据集有超过130万个数据点和100多个协变量。
2015-06-24 stat.ME
Geometric Sensitivity Measures for Bayesian Nonparametric Density Estimation Models
本文提出了一个几何框架来评估密度估计的贝叶斯非参数模型的全局灵敏度。研究了基于Dirichlet型先验的密度估计的非参数贝叶斯模型对精度参数或基概率测度扰动的敏感性。为了量化这些模型中参数和超参数的扰动对后验的不同影响，我们定义了三个几何激励的全局敏感性度量，这些度量基于在密度空间上的非参数Fisher-Rao黎曼度量下计算的测地线路径和距离，应用于密度的后验样本：（1）后验样本的密度平均值之间的Fisher-Rao距离，（2）后验样本的Karcher方差的对数比，（3）由后验样本得到的经验协方差算子的标度累积特征值之差的范数。我们验证我们的方法，使用多个模拟研究，并考虑贝叶斯密度估计模型的敏感性分析问题的背景下，以前已经研究过的三个真实的数据集。
2018-10-08 stat.ME
A Nonparametric Bayesian Technique for High-Dimensional Regression
本文提出了一个非参数贝叶斯框架称为VariScan的同时聚类，变量选择和预测在高通量回归设置。Poisson-Dirichlet过程用于检测协变量的低维潜在聚类。为响应构造了自适应非线性预测模型，实现了模型简约性和灵活性之间的平衡。与传统的信念相反，集群检测显示为后验一致的一般类的模型的协变量和主题的数量的增长。仿真研究和数据分析表明，VariScan往往优于几个著名的统计方法。
2016-04-12 stat.ME
A Tutorial on Bayesian Nonparametric Models
统计建模中的一个关键问题是模型选择，即如何在适当的复杂程度上选择模型。这个问题出现在许多设置中，最突出的是在混合模型中选择聚类数或因子分析中选择因子数。在本教程中，我们将描述贝叶斯非参数方法，这是一类通过允许数据确定模型复杂性来回避这个问题的方法。本教程是对贝叶斯非参数方法的高级介绍，并包含其应用的几个示例。
2011-08-04 stat.ME stat.ML
A Kernel Approach to Tractable Bayesian Nonparametrics
流行的非参数贝叶斯模型中的推断通常依赖于采样或其他近似。本文提出了一个一般的方法来构造新的易处理的非参数贝叶斯方法，通过应用核技巧的推断参数贝叶斯模型。例如，可以从贝叶斯线性回归以这种方式导出高斯过程回归。尽管高斯过程框架取得了成功，但在贝叶斯文献中很少明确考虑内核技巧。在本文中，我们的目标是填补这一空白，并展示了在更广泛的背景下，而不仅仅是回归，将内核技巧应用于易于处理的贝叶斯参数模型的潜力。作为一个例子，我们提出了一个直观的贝叶斯核机的密度估计，是通过应用核技巧高斯生成模型在特征空间。
2011-08-12 stat.ME stat.ML
Marginally Constrained Nonparametric Bayesian Inference through Gaussian Processes
非参数贝叶斯模型通常用作复杂数据的灵活和强大的模型。很多时候，统计学家可能对感兴趣的数据分布有额外的信息信念，例如，它的均值或子集分量，不是非参数先验的一部分，甚至与非参数先验不相容。一个重要的挑战是将这种部分先验信念纳入非参数贝叶斯模型。在本文中，我们的动机设置从业者有额外的分布信息的一个子集的坐标的观测建模。我们的方法将这个问题与条件密度模型联系起来。我们的主要思想是一种新的约束贝叶斯模型，基于一个扰动的参数分布与变换高斯过程之前的扰动函数。我们还开发了相应的后验抽样方法的基础上的数据增强。我们说明了我们提出的约束非参数贝叶斯模型在各种现实世界的情况下，包括建模环境和地震数据的有效性。
2022-11-05 stat.CO stat.ME
Bayesian Nonparametric Model for Weighted Data Using Mixture of Burr XII Distributions
狄利克雷过程混合模型（DPMM）是一种流行的贝叶斯非参数模型。在本文中，我们将此模型应用于加权数据，然后使用梅特罗波利斯-黑斯廷斯算法从相应的加权分布估计未加权分布。然后，我们应用DPMM与不同的内核模拟和真实的数据集。特别是，我们在删失数据的存在下使用寿命数据，然后计算估计的密度和生存值。
2018-12-11 stat.CO stat.ME
System identification using Bayesian neural networks with nonparametric noise models
系统辨识在科学和工程中具有特殊的意义。本文研究随机动态系统中的系统辨识问题，其目的是估计系统的参数及其未知噪声过程。特别是，我们提出了一个贝叶斯非参数方法的系统识别离散时间非线性随机动力系统假设只有马尔可夫过程的顺序是已知的。该方法取代了高斯分布的误差分量的假设与一个高度灵活的家庭的概率密度函数的基础上贝叶斯非参数先验。此外，利用贝叶斯神经网络估计系统的函数形式，这也导致灵活的不确定性量化。在隐层神经元个数上，该模型渐近收敛于完全非参数贝叶斯回归模型。提出了一种用于后验推理的Gibbs采样器，并在模拟和真实时间序列上说明了其有效性。
2022-01-25 stat.ME stat.ML
Bayesian-based deconvolution fluorescence microscopy using dynamically updated nonparametric nonstationary expectation estimates
荧光显微镜广泛用于生物样品的研究。去卷积可以显着提高使用荧光显微镜产生的图像的分辨率和对比度;特别是，基于贝叶斯的方法在去卷积荧光显微镜中已经变得非常流行。基于贝叶斯的方法的持续挑战是在处理低SNR成像条件下的噪声的存在。在这项研究中，我们提出了一种基于贝叶斯的方法进行反卷积使用动态更新的非参数非平稳期望估计，可以提高荧光显微镜图像质量的噪声存在下，没有明确使用的空间正则化。
2015-02-03 stat.AP stat.ME
Bayesian surface regression versus spatial spectral nonparametric curve regression
分析了2020年2月至10月期间部分西班牙社区省份的COVID-19发病率。两个无限维回归方法进行了测试。第一个是在Ruiz-Medina，Miranda和Espejo（2019）中介绍的回归框架中实现的。具体地说，一个baidom框架中采用的时间自相关算子的纯点谱的估计，表征表面序列的二阶结构。第二种方法是在空间曲线回归的背景下制定的。基于空间周期图算子，计算谱密度算子的非参数估计量来逼近曲线之间的空间相关性。降维是通过投影到长期空间协方差算子的经验特征向量上来实现的。交叉验证程序来测试两个功能回归方法的性能。
2021-10-30 stat.AP stat.ME
A Bayesian Nonparametric Approach to Dynamical Noise Reduction
基于马尔可夫链蒙特卡罗方法（MCMC），提出了一种贝叶斯非参数降噪方法，用于对被动态噪声污染的混沌时间序列进行降噪.潜在的未知噪声过程（可能）表现出重尾行为。我们介绍了动态降噪复制器（DNRR）模型，我们重建未知的动态方程，并在并行我们复制的动态降低噪声水平的动态扰动。动态噪声降低过程中，具体证明了在多项式映射的情况下。基于合成时间序列的仿真。
2018-02-17 nlin.CD stat.ME
Scalable Bayesian Nonparametric Clustering and Classification
我们开发了一个可扩展的多步蒙特卡罗算法推理下的一大类非参数贝叶斯模型的聚类和分类。每一步都是“并行的”，并且可以使用相同的马尔可夫链蒙特卡罗采样器来实现。我们的方法的简单性和通用性使得推理适用于大型数据集的贝叶斯非参数混合模型。具体来说，我们应用的方法推断下的产品分区模型与回归协变量。我们展示了两个激励数据集的推理结果：一个大型的电子健康记录（EHR）和一个银行电话营销数据集。我们发现有趣的集群和良好的分类性能相对于其他广泛使用的竞争分类。
2018-06-07 stat.CO stat.ME
A Bayesian nonparametric test for conditional independence
本文介绍了一种贝叶斯非参数方法，用于量化数据集中的相对证据，以支持两个变量在第三个变量条件下的依赖或独立。该方法使用Polya树先验空间的条件概率密度，占不确定性的形式的基本分布的非参数的方式。贝叶斯观点提供了条件依赖性或独立性的固有对称概率测度，这是在因果发现中特别有利的特征，并且在这种类型的现有程序中没有采用。
2020-07-16 stat.CO stat.ME stat.ML
A Bayesian Nonparametric approach to Reconstruction and Prediction of Random Dynamical Systems
基于马尔可夫链蒙特卡罗方法（MCMC），提出了一种贝叶斯非参数混合模型，用于离散随机动力系统的时间序列重构和预测.我们的研究结果可以用于物理建模的研究人员感兴趣的快速和准确的估计低维随机模型时，所观察到的时间序列的大小是小的，噪声过程（也许）是非高斯的。特别是在多项式映射的情况下，证明了推理过程的任意程度，当几何棒打破混合物的过程之前，在空间的密度，适用于添加剂的错误。我们的方法是简约的贝叶斯非参数技术的基础上Dirichlet过程的混合物，灵活和一般。基于合成时间序列的仿真。
2017-09-30 stat.AP stat.ME
Nonnegative Bayesian nonparametric factor models with completely random measures for community detection
我们提出了一个贝叶斯非参数泊松因子分解模型建模网络数据的未知和潜在的重叠社区的数量不断增加。该构造基于完全随机的措施，并允许社区的数量以指定的对数或多项式速率随节点的数量增加，或者有界。我们开发的节点数量和网络的度分布的渐近性，并推导出一个马尔可夫链蒙特卡罗算法，针对这个模型的确切后验分布。该方法的实用性说明了各种真实的网络。
2019-02-27 cs.SI stat.ME
Bayesian nonparametrics for stochastic epidemic models
绝大多数传染病传播的模型本质上是参数化的，涉及关于疾病如何在人群中传播的基本假设。在这篇文章中，我们考虑使用贝叶斯非参数方法来分析疾病暴发的数据。具体来说，我们专注于简单模型的假设下，这个过程具有显式的时间依赖性的感染过程的估计方法。
2017-06-09 stat.AP stat.CO stat.ME
Bayesian nonparametric scalar-on-image regression via Potts-Gibbs random partition models
标量图像回归旨在研究基于高维成像数据的感兴趣标量响应的变化。我们提出了一种新的贝叶斯非参数标量图像回归模型，利用体素的空间坐标组体素具有相似的影响的响应有一个共同的系数。我们采用Potts-Gibbs随机分区模型作为随机分区的先验，其中分区过程是空间依赖的，从而鼓励代表空间连续区域的组。此外，贝叶斯收缩先验用于识别与预测最相关的协变量和区域。使用模拟数据集说明了所提出的模型。
2022-06-22 stat.AP stat.ME
Bayesian nonparametric models for ranked data
INRIA（法国国家信息与自动化研究所）
我们开发了一个贝叶斯非参数扩展流行的Plackett-Luce选择模型，可以处理无限数量的选择项目。我们的框架是基于随机原子措施的理论，事先指定的伽马过程。我们推导出一个后验特征和一个简单有效的吉布斯采样后验模拟。我们开发了一个随时间变化的扩展我们的模型，并将其应用到纽约时报的每周畅销书名单。
2012-11-19 cs.LG stat.ME stat.ML
Bayesian nonparametric statistics, St-Flour lecture notes
本文为2023年圣弗卢尔暑期学校讲义，系统介绍贝叶斯非参数统计的理论与方法。
2024-02-26 math.ST stat.TH
Fuzzy sets in nonparametric Bayes regression
一个简单的贝叶斯方法非参数回归描述使用模糊集和隶属函数。隶属函数被解释为未知回归函数的似然函数，因此借助于参考先验，它们可以被转换为先验密度函数。未知的回归函数被分解成小波和分层贝叶斯方法是用于对所得到的小波系数进行推断。
2008-05-21 math.LO math.ST stat.ME
Compound decisions and empirical Bayes via Bayesian nonparametrics
University of Chicago（芝加哥大学）
本文通过贝叶斯非参数方法研究高斯序列复合决策问题，证明基于狄利克雷过程的估计器可实现接近最优的懊悔界，并展示后验均值贝叶斯规则的可接受性。
2026-09-10 econ.EM math.ST stat.ME
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
Moment conditions and Bayesian nonparametrics
通过矩条件表达的模型是现代推理的核心。在这里，这些矩条件嵌入在非参数贝叶斯设置中。处理这样的模型在概率上并不简单，因为后验模型在流形上有支持。我们解决了相关问题，建立新的概率和计算工具，使用豪斯多夫措施来分析它们的真实和模拟数据。这些新方法涉及流形上的模拟，具有广泛的应用前景，包括对拟似然、线性和非线性回归、缺失数据和分层模型的贝叶斯分析。
2016-01-13 math.PR math.ST stat.AP
Bayesian Nonparametrics: An Alternative to Deep Learning
School of Electrical Engineering, Arizona State University（亚利桑那州立大学电气工程学院）
本综述系统阐述了贝叶斯非参数模型的理论基础与应用价值，重点展示其在多目标跟踪等复杂问题中作为深度学习替代方案的灵活性和有效性。
2024-03-29 cs.LG stat.ML
Nonparametric Bayesian Calibration of Computer Models
Simon Fraser University（西蒙菲莎大学）；Colorado State University（科罗拉多州立大学）；Sanofi（赛诺菲）；University of Colorado at Denver（科罗拉多大学丹佛分校）
本文提出非参数贝叶斯方法校准计算机模型参数分布，通过场观测建立后验分布，证明其最大熵性质和连续性，并进行统计分析。
2026-06-27 math.ST stat.CO stat.ME
Nonparametric Bayesian volatility estimation
在给定固定时间间隔上的离散时间观测值的情况下，研究了随机微分方程波动系数的非参数贝叶斯估计方法。我们假设一个直方图型的波动率与分段常数实现箱形成一个分区的时间间隔。箱上的值被分配逆伽马马尔可夫链（IGMC）先验。后验推断是直接通过吉布斯抽样实现的，因为完整的条件分布是显式可用的，并且是逆伽马。我们还详细讨论了我们的方法的超参数的选择。我们的非参数贝叶斯方法导致良好的实际效果，在代表性的模拟例子。最后，我们将其应用于变点分析中的一个经典数据集：道琼斯工业平均指数的周收盘价。
2019-03-29 math.ST q-fin.ST stat.ME
Shrinkage priors for nonparametric Bayesian prediction of nonhomogeneous Poisson processes
研究强度函数未知的非齐次泊松过程模型的非参数贝叶斯估计和预测问题。我们提出了一类强度函数的非正常先验。非参数贝叶斯推理与核混合的基础上类不当的先验被证明是有用的，虽然不当的先验还没有被广泛用于非参数贝叶斯问题。与有限维独立泊松模型相应的几个定理对具有无限维参数空间的非齐次泊松过程模型也成立。在Kullback-Leibler损失下证明了基于不适当先验的贝叶斯估计和预测是可容许的。研究了基于先验信息的贝叶斯推理的数值方法。
2021-05-08 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó，van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv：1310.4489v5]。
2015-09-07 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó，van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv：1310.4489v5]。
2015-09-07 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó，van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv：1310.4489v5]。
2015-09-07 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó，van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv：1310.4489v5]。
2015-09-07 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó，van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv：1310.4489v5]。
2015-09-07 math.ST stat.TH
Bayesian nonparametric analysis for a species sampling model with finitely many types
本文对Gnedin（2009）提出的一类具有多种Gibbs形式的种群抽样模型进行了显式贝叶斯非参数分析，该模型具有$α= -1$型.我们的结果补充了Lijoi等人（2008）提出的$α\in [0, 1)$型Gibbs先验下的现有分析。计算依赖于Cerquetti（2008）中引入的Gibbs分区的组顺序构造。
2010-01-01 math.PR math.ST stat.TH
On some Bayesian nonparametric estimators for species richness under two-parameter Poisson-Dirichlet priors
我们提出了一种替代方法的贝叶斯非参数分析条件下的物种丰富度的两个参数泊松Dirichlet先验。我们依赖于一个已知的特征删除类属性和Beta-二项分布的结果。除了导致简化和更直接的证明，我们的建议提供了一个新的规模混合表示的条件渐近律。
2010-02-02 math.PR math.ST stat.TH
Nonparametric Bayesian label prediction on a graph
一个非参数贝叶斯方法来解决图上的二进制分类问题的实现。被认为是一个随机缩放高斯先验的分层贝叶斯方法。先验使用图拉普拉斯算子来考虑图的底层几何形状。提出了一种基于理论上最优先验的方法和一种更灵活的利用部分共轭的方法。两个模拟数据的例子和两个例子，使用真实数据，以说明所提出的方法。
2017-06-15 stat.CO stat.ML
Doubly Decomposing Nonparametric Tensor Regression
提出了张量回归的非参数扩张。通过结合低秩张量分解，将高维张量空间中的非线性分解为简单的局部函数。与朴素的非参数方法相比，我们的公式大大提高了估计的收敛速度，同时在特定条件下保持与同一函数类的一致性。为了估计局部函数，我们开发了一个具有高斯过程先验的贝叶斯估计器。实验结果表明，该方法具有良好的理论性能和预测实际复杂网络汇总统计量的高性能。
2016-03-08 stat.ML
Nonparametric Bayesian label prediction on a large graph using truncated Laplacian regularization
本文描述了一个非参数贝叶斯方法来解决图上的二进制分类问题的实现。我们考虑一个分层贝叶斯方法与前，通过截断一系列扩展的软标签函数使用图形拉普拉斯特征函数作为基函数。我们比较我们的截断之前的未截断的拉普拉斯算子为基础的模拟和真实数据的例子，以说明改进的可扩展性方面的基础图形的大小。
2018-04-13 stat.CO stat.ML
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
Rejoinder to discussions of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
对Szabó、van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率主义覆盖”的反驳[arXiv：1310.4489v5]。
2015-09-07 math.ST stat.TH
Anomaly detection in video with Bayesian nonparametrics
提出了一种新的动态贝叶斯非参数主题模型用于视频异常检测。批处理和在线吉布斯采样器的推理。本文介绍了一种新的决策异常测度。所提出的方法进行了评估合成和真实数据。与非动态模型的比较表明，所提出的动态异常检测的分类性能方面的优越性。
2016-06-27 stat.ML
Bayesian Nonparametrics in Topic Modeling: A Brief Tutorial
在贝叶斯分层建模中，越来越多地探索使用非参数方法作为增加模型灵活性的一种方式。虽然该领域显示出很大的希望，但许多模型（包括层次狄利克雷过程（HDP））中的推理仍然非常缓慢。一个有前途的路径是利用印度自助过程（IBP）中固有的子模块性，在多项式时间内获得接近最优的解决方案。在这项工作中，我将提出一个关于贝叶斯非参数方法的简短教程，特别是当它们应用于主题建模时。我将展示不同的非参数模型和当前最先进的参数模型，潜在狄利克雷分配（LDA）之间的比较。
2015-01-16 stat.ML
A Theoretical Framework for Bayesian Nonparametric Regression
我们开发了一个统一的框架贝叶斯非参数回归研究的收缩率相对于集成的$L_2$ -距离，而不假设回归函数空间是一致有界的。该框架是非常灵活的，可以适用于广泛的一类非参数先验模型。三个非平凡的应用所提出的框架提供：有限的随机序列回归的$α$ -Hölder函数，自适应率的收缩到对数因子;未修改的块先验回归的$α$ -Sobolev函数，自适应和精确的收缩率;高斯样条回归的$α$ -Hölder函数，与近最优的后收缩。这些应用是文献中相应结果的推广或补充。扩展到固定设计的回归问题和稀疏添加剂模型在高维进行了讨论。
2019-04-26 math.ST stat.TH
Deep Bayesian Nonparametric Factor Analysis
Columbia University（哥伦比亚大学）
我们提出了一个深度生成因子分析模型与beta过程之前，可以近似复杂的非阶乘分布的潜在代码。我们概述了一个随机的期望最大化算法可扩展的推理在这个模型的一个特定的实例，并提出了一些初步的结果。
2020-11-09 cs.LG stat.ML
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
Uniform Consistency in Nonparametric Mixture Models
本文研究了非参数混合模型以及密切相关的混合回归（也称为混合回归）模型的一致相合性，其中允许回归函数是非参数的，并且假设误差分布是高斯密度的卷积。我们在一般条件下构造一致一致性估计，同时突出了几个痛点，在扩展现有的逐点一致性结果，以统一的结果。由此产生的分析结果是不平凡的，并在此过程中开发了一些新的技术工具。在混合回归的情况下，我们证明了$L^1$收敛的回归函数，同时允许组件回归函数相交任意经常，这提出了额外的技术挑战。我们还考虑一般（即非卷积）非参数混合的推广。
2022-12-28 math.ST stat.ML stat.TH
Bayesian Nonparametric Survival Analysis using mixture of Burr XII distributions
近年来，贝叶斯非参数方法在生存研究中的应用越来越受到人们的关注。由于生存数据的多模态性，混合模型在这一领域非常普遍。Dirichlet过程先验是贝叶斯非参数模型的著名先验之一。本文介绍了一种以Burr分布（Burr型XII）为核的贝叶斯非参数混合模型。由于Burr分布在生存分析中具有一般分布的良好性质，因此比其他分布具有更大的灵活性。通过将该模型应用于模拟和真实的失效时间数据集，我们展示了该模型的优越性，并将其与其他具有不同核函数的Dirichlet过程混合模型进行了比较。并且证明了该模型适用于右删失数据。为了计算推断和建模参数的后验，我们使用了MCMC模拟方法，特别是吉布斯抽样。
2016-12-23 stat.AP
