Bayesian Design and Analysis of Precision Trials with Partial Borrowing
McGill University(麦吉尔大学);Kyoto University(京都大学)
本文提出了一种基于部分借鉴的贝叶斯方法,用于精准医学中临床试验的设计与分析,通过个体加权模型和动态借鉴比较,提高亚组效应估计的准确性。
2026-03-11 stat.AP stat.ME
Bayesian Sequential Design Based on Dual Objectives for Accelerated Life Tests
传统的加速寿命试验计划通常基于优化C-最优性,以最小化寿命分布的感兴趣分位数的方差。传统的方法依赖于一些指定的规划值的模型参数,这通常是未知的,在实际测试之前。指定参数的模糊性可能导致优化预期可靠性性能的次优设计。本文提出了一种基于双目标考虑的寿命试验计划序贯设计策略。在序贯实验的早期阶段,我们建议在优化D-最优性的基础上分配更多的设计位置,以快速获得估计模型参数的精度。在实验的后期,我们可以在优化C-最优性的基础上分配更多的样本,以最大化寿命分布的估计分位数的精度。我们比较了建议的顺序设计策略与现有的测试计划只考虑一个单一的标准,并说明了新的方法与聚合物复合材料的疲劳测试的例子。
2018-11-30 stat.AP
On the relationship between a Gamma distributed precision parameter and the associated standard deviation in the context of Bayesian parameter inference
University of Warwick(华威大学)
在贝叶斯推断中,未知的测量不确定度通常根据伽马分布精度参数来量化,当在推断期间应利用关于测量不确定度的标准差的先验信息时,这是不切实际的。因此,本文介绍了一种伽马分布精度参数和相关的标准差分布之间的转换方法。所提出的方法是基于数值优化,并显示出足够的结果,为广泛的场景。
2021-01-15 cs.LG stat.ME
Bayesian monotonic errors-in-variables models with applications to pathogen susceptibility testing
药物稀释法(MIC)和纸片扩散法(DIA)是医院和诊所用于确定未知病原体对各种抗生素敏感性的两种最常见的抗菌药物敏感性测定法。由于通常仅使用一种测定法,因此重要的是两种测定法给出相似的结果。DIA测定与MIC测定的校准通常使用误差率界限法进行,该方法选择使两种测定之间观察到的差异最小化的DIA断点。2000年,Craig提出了一种基于模型的方法,该方法专门对每个检测试剂盒的测量误差和舍入过程、潜在的病原体分布以及两个检测试剂盒之间的真实单调关系进行建模。然后,通过重点匹配正确分类(敏感、不确定和抗性)的概率来校准这两种测定。这种方法导致更高的精度和准确度估计DIA断点。在本文中,我们通过引入贝叶斯四参数逻辑模型(扩展Craig的原始三参数模型)以及贝叶斯非参数样条模型来描述两种检测之间的关系,从而扩展了基于模型的方法的灵活性。我们提出了两种方法来处理样条节点的选择,考虑许多等距节点,但限制过拟合通过一个随机游动事先和治疗的数量和位置的节点作为额外的未知参数。我们证明了这两种方法,通过一系列的模拟研究和应用的方法,两个真实的数据集。
2018-06-18 stat.AP stat.ME
Posterior Consistency via Precision Operators for Bayesian Nonparametric Drift Estimation in SDEs
本文研究了连续时间数据中一维扩散周期漂移函数的非参数估计的贝叶斯方法。重写的过程中的本地时间的可能性,并指定一个高斯前精度算子的微分形式,我们表明,后验也是高斯精度算子也是微分形式。由此产生的表达式是明确的,并导致算法是容易实现的。使用新的功能极限定理的本地时间的扩散的圆,我们绑定的速度后合同周围的真实漂移功能。
2012-08-25 stat.ME
Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology
University of Potsdam(波茨坦大学);Institute of Mathematics(数学研究所);Institute of Pharmacy(药剂学研究所)
使用治疗药物/生物标志物监测的模型通知精确给药(MIPD)提供了显著改善药物治疗的疗效和安全性的机会。目前的策略包括模型知情的剂量表或基于最大后验估计。然而,这些方法缺乏对不确定性的量化和/或仅考虑可用的患者特异性信息的一部分。我们提出了三种新的MIPD方法,采用贝叶斯数据同化(DA)和/或强化学习(RL)来控制中性粒细胞减少症,这是抗癌化疗中的主要剂量限制性副作用。与现有方法相比,这些方法有可能大幅降低危及生命的4级和亚治疗0级中性粒细胞减少症的发生率。我们进一步表明,RL允许通过识别驱动剂量决策的患者因素来获得进一步的见解。由于其灵活性,所提出的组合DA-RL方法可以很容易地扩展到整合多个终点或患者报告的结果,从而为未来的个性化治疗带来重要的益处。
2020-06-01 cs.LG q-bio.QM stat.AP
Bayesian Bandwidth Test and Selection for High-dimensional Banded Precision Matrices
假设带状结构是估计高维精度矩阵的常见做法之一。在这种情况下,估计精度矩阵的带宽是后续分析的关键初始步骤。虽然存在一些一致的频率论测试的带宽参数,带宽选择的一致性精度矩阵尚未建立在贝叶斯框架。在本文中,我们提出了一个适合于高维精度矩阵带宽估计的先验分布。带状结构是通过修正的Cholesky分解的Cholesky因子施加的。我们建立了带宽的强模型选择一致性以及贝叶斯因子的一致性。贝叶斯因子下的零假设和备择假设的收敛速度推导出产生类似的顺序的速率。作为一个副产品,我们还提出了一个估计程序的Cholesky因素产生一个几乎最优的收敛速度。还考虑了双样本带宽测试,结果表明,我们的方法能够一致地检测两个精度矩阵之间的带宽相等。仿真研究证实,我们的方法一般优于现有的频率和贝叶斯方法。
2018-10-26 math.ST stat.ME stat.TH
Bayesian estimation of a sparse precision matrix
我们考虑的问题,估计稀疏精度矩阵的多元高斯分布,包括维数$p$是大的情况下。高斯图模型提供了一个重要的工具,通过在底层图中的边的存在或不存在来描述条件独立性。一个流行的非贝叶斯方法估计的图形结构是由图形套索。在本文中,我们考虑了解决该问题的贝叶斯方法。我们使用先验,它把一个点质量的混合物在零和一定的绝对连续分布的非对角元素的精度矩阵。因此,所得到的后验分布可以用于图形结构学习。得到了精度矩阵的后验收敛速度。模型空间上的后验分布计算起来极其麻烦。我们提出了一种快速的计算方法近似的后验概率的各种图形使用拉普拉斯近似的方法,通过扩大后验模式,这是图形套索我们选择的先验分布周围的后验密度。我们还提供了近似的精度估计。
2014-04-07 math.ST stat.CO stat.TH
Individual participant data from digital sources informed and improved precision in the evaluation of predictive biomarkers in Bayesian network meta-analysis
本文提出一种结合聚合数据与个体参与者数据的贝叶斯网络荟萃回归模型,用于评估预测性生物标志物和靶向治疗,并通过乳腺癌和结直肠癌实例证明该方法可将亚组疗效估计的不确定性降低最多49%。
2023-08-07 stat.AP stat.ME
Bayesian precision matrix estimation for graphical Gaussian models with edge and vertex symmetries
\citet{HojLaur:2008}提出了边和顶点对称的图高斯模型,并给出了计算这类模型精度矩阵的最大似然估计的算法。在本文中,我们采取贝叶斯方法的精度矩阵的估计。我们只考虑那些模型的对称性约束施加在精度矩阵,从而形成一个自然的指数家庭的精度矩阵作为规范参数。我们首先确定了Diaconis-Ylvisaker共轭先验这些模型,并制定了一个计划,从先验和后验分布的样本。因此,我们得到的精度矩阵的后验均值的估计。其次,为了验证我们的估计的精度,我们推导出的精度矩阵的期望值的显式解析表达式时,我们的模型的图是一棵树,一个完全的图上的三个顶点和一个可分解的图上的四个顶点具有各种对称性。在这些情况下,我们将估计值与先验分布的平均值进行比较。我们还验证了我们的后验均值的估计的准确性与多达30个顶点和各种对称性的图的模拟数据。
2015-06-14 stat.ME
Bayesian sample size calculations for external validation studies of risk prediction models
Faculty of Pharmaceutical Sciences, The University of British Columbia(不列颠哥伦比亚大学药学院);Department of Statistics, The University of British Columbia(不列颠哥伦比亚大学统计系);British Columbia Centre For Disease Control(不列颠哥伦比亚疾病控制中心);CAPHRI Care and Public Health Research Institute, Maastricht University(马斯特里赫特大学CAPHRI健康与公共护理研究所);Department of Development and Regeneration, KU Leuven(荷语鲁汶大学发展与再生系);Department of Applied Health Sciences, School of Health Sciences, College of Medicine and Health, University of Birmingham(伯明翰大学健康科学学院应用健康科学系);National Institute for Health and Care Research (NIHR) Birmingham Biomedical Research Centre(英国国家卫生保健研究卓越创新中心伯明翰生物医学研究中心)
本文提出贝叶斯方法用于风险预测模型外部验证研究的样本量计算,通过多准则框架提升样本量确定的灵活性和准确性。
2025-05-23 stat.AP stat.CO stat.ME
Bayesian outcome-guided multi-view mixture models with applications in molecular precision medicine
聚类通常作为用于揭示组学数据集的结构的初始分析步骤来执行,例如以发现疾病的分子亚型。这些数据集的高通量,高维性质意味着它们提供了关于不同生物分子过程和途径的各种信息。不同的变量组(例如基因或蛋白质)将涉及不同的生物分子过程,因此进行仅限于识别整个数据集的单个聚类分区的分析,因此容易混淆可能由这些不同过程产生的多个聚类结构。为了解决这个问题,我们提出了一个多视图贝叶斯混合模型,识别变量组(“视图”),其中每个定义了一个不同的聚类结构。我们考虑分层医学中的应用,我们的主要目标是识别定义不同的,临床上可操作的疾病亚型的患者群。我们采用半监督,结果引导的混合建模方法的贝叶斯配置文件回归,利用一个响应变量,以指导推理的聚类,最相关的分层医学背景。我们提出的模型,连同说明性的模拟例子,并从泛癌症蛋白质组学的例子。我们演示了如何使用该方法来执行综合聚类,并考虑一个例子,其中不同的组学数据集集成在乳腺癌亚型的背景下。
2023-03-01 stat.AP stat.ME stat.ML
Concentration of a sparse Bayesian model with Horseshoe prior in estimating high-dimensional precision matrix
本文针对高维稀疏精度矩阵估计,提出基于Horseshoe先验的回火后验集中性理论,并给出模型误设下的oracle不等式,通过模拟验证了方法的有效性。
2024-09-13 math.ST stat.ML stat.TH
Precision spectral estimation at sub-Hz frequencies: Closed-form posteriors and Bayesian noise projection
Dipartimento di Fisica, Università di Trento(特伦托大学物理系);Trento Institute for Fundamental Physics and Application / INFN(特伦托基础物理与应用研究所/意大利国家核物理研究所)
本文提出一种贝叶斯方法,用于估计多变量高斯时间序列的频谱量,通过周期图和Wishart统计学得到闭式后验分布,适用于低频引力实验如LISA和LISA Pathfinder。
2026-09-11 astro-ph.IM eess.SP stat.AP
Do Bayesian Neural Networks Improve Weapon System Predictive Maintenance?
Naval Surface Warfare Center – Corona Division(海军水面战中心科罗纳分部)
本文提出基于贝叶斯推断的LaplaceNN方法,用于建模高可靠武器系统在区间删失数据下的失效时间,并通过标准分类指标在合成与真实数据集上验证了其有效性。
2024-01-06 cs.LG stat.AP
Approximate Bayesian estimation in large coloured graphical Gaussian models
分布式估计方法最近被用来计算大型图形高斯模型精度矩阵的最大似然估计。我们的目的,在本文中,是给贝叶斯估计的精度矩阵的大型图形高斯模型,此外,对称性约束所施加的基础图形是彩色的。我们将精度矩阵的样本后验均值作为我们的估计。我们研究它的渐近行为下,经常渐近制度时,变量p是固定的,双渐近制度下,当p和n都增长到无穷大。我们特别表明,当局部模型的参数的数量是一致有界的,标准的收敛速度,我们得到的渐近一致性,在Frobenius范数,我们的精度矩阵的估计相比,以及在当前文献中的速率的最大似然估计。
2016-05-26 stat.ME
Precision education: A Bayesian nonparametric approach for handling item and examinee heterogeneity in assessment data
本文通过引入问题水平的聚类效应,并进一步假设每个问题聚类下考生水平的异质性,提出了一种新的非参数贝叶斯IRT模型,其特征为混合二项分布。本文的主要贡献有三个方面:(1)证明了模型的可识别性。(2)聚类效果可以被捕获渐近和感兴趣的参数,测量考生在解决某些问题的熟练程度,可以估计在根n率(对数项)。(3)我们提出了一个易于处理的采样算法,以获得有效的后验样本,从我们提出的模型。我们通过一系列的模拟来评估我们的模型,并将其应用于英语评估数据。这个数据分析的例子很好地说明了我们的模型如何被测试者用来区分不同类型的学生,并帮助设计未来的测试。
2022-11-21 stat.ME
Non-stationary Bayesian Spatial Model for Disease Mapping based on Sub-regions
本文提出一种基于子区域的非平稳贝叶斯空间模型,通过多精度参数和联合惩罚复杂度先验捕捉复杂空间依赖,提升了疾病制图模型的解释力与适用性。
2023-06-29 stat.AP stat.ME
Hierarchical Bayesian estimation for continual learning during model-informed precision dosing
针对模型指导精准给药中的持续学习问题,提出层次贝叶斯估计框架,并比较多种推断算法,发现单内嵌套粒子滤波器在精度与计算复杂度间取得最佳平衡。
2025-05-26 stat.CO
Blending Bayesian and frequentist methods according to the precision of prior information with an application to hypothesis testing
下面这个自然界与统计学家之间的零和博弈,将贝叶斯方法与频率论方法(如p值和置信区间)相结合。自然选择一个与一组可能的先验一致的后验分布。同时,统计学家选择一个参数分布进行推断,目标是最大化在置信分布或其他基准分布上获得的最小Kullback-Leibler信息。一个检验简单原假设的应用程序导致统计学家报告假设的后验概率,该假设由贝叶斯和频率论方法提供信息,每个方法根据先验知识的程度进行加权。由于无论是贝叶斯方法还是频率论方法在涉及部分知识的先验分布的情况下是完全令人满意的,所提出的程序减少到一个贝叶斯方法给出的先验知识,一个频率论方法给出的先验知识的完全无知,和两个方法之间的混合给出的先验知识的部分。混合方法类似于贝叶斯方法,而不是频率论方法的精确程度,先验是已知的。测试点原假设的问题说明了所提出的框架。原假设为真的混合概率等于p值或未知贝叶斯后验概率的下限,以较大者为准。因此,给定由下限0表示的完全无知,使用p值代替任何贝叶斯后验概率。在已知先验的相反极端,p值被忽略。在中间情况下,使用最接近p值的可能贝叶斯后验概率进行推断。因此,贝叶斯方法和频率论方法都会影响所做的推断。
2011-07-12 cs.IT math.IT math.ST
Bayesian Structure Learning in Graphical Models using Shrinkage priors
我们考虑在稀疏性假设下学习高维精度矩阵结构的问题。我们建议使用收缩先验,称为DL-图形先验的基础上的狄利克雷-拉普拉斯先验用于高斯均值问题。同时给出了一种基于Gibbs抽样的后验抽样方案,并通过精度矩阵的后验收敛速度给出了该方法的理论保证。
2019-07-26 math.ST stat.ME stat.TH
Bayesian Scalable Precision Factor Analysis for Massive Sparse Gaussian Graphical Models
我们提出了一种新的方法来估计精度矩阵的多元高斯数据,依赖于分解成一个低秩和对角分量。这样的分解对于建模大的协方差阵是非常流行的,因为它们允许基于潜在因子的表示,从而允许容易的推断。然而,由于缺乏计算上方便的表示,这限制了低到中等尺寸的问题的推理精度矩阵是不正确的。我们解决这个显着的差距,在文献中建立这样的分解精度矩阵的潜变量表示。建设导致一个有效的吉布斯采样器,规模非常好的高维问题远远超出了目前最先进的限制。有效地探索完整的后空间的能力,也可以很容易地评估模型的不确定性。分解至关重要的是,还允许我们适应稀疏诱导先验,将精度矩阵的无关紧要的条目缩小到零,使该方法适用于高维小样本稀疏设置。然后,通过一种新的后验错误发现率控制过程确定编码底层条件独立图的矩阵中的精确零。在较弱的正则性假设下,我们的方法获得了估计精度矩阵的一个近似极小极大最优后验集中率。我们通过合成实验评估该方法的经验性能,并说明其在两个不同应用领域的数据集的实际效用。
2022-08-16 stat.ME
Bayesian inference for high-dimensional decomposable graphs
在本文中,我们考虑高维高斯图形模型,真正的底层图是可分解的。提出了一种分层的$G$ -Wishart先验,对精度矩阵及其图结构进行贝叶斯推理。近年来,虽然基于$G$ -Wishart先验的后验渐近性得到了越来越多的关注,但大多数结果都假设了适度的高维环境,其中变量数$p$小于样本量$n$。然而,这种假设在许多实际应用中可能不成立,如基因组学,语音识别和气候学。出于这个差距,我们调查下的高维设置,其中$p$可以远远大于$n$的后验的渐近性质。在此高维环境下,得到了两两贝叶斯因子一致性、后验比一致性和图选择一致性。进一步,在矩阵$\ell_1$ -范数下,得到了精确矩阵的后验收敛速度,证明了该收敛速度与稀疏精确矩阵的minimax收敛速度一致.仿真研究证实,所提出的贝叶斯过程优于竞争对手。
2021-02-17 math.ST stat.TH
Bayesian Modeling of Multiple Structural Connectivity Networks During the Progression of Alzheimer's Disease
阿尔茨海默病是最常见的神经退行性疾病。本研究的目的是使用皮质厚度测量来推断疾病进展导致的大脑连接的结构变化,这些测量来自一组健康对照组,或轻度认知障碍,或阿尔茨海默病患者。为此,我们开发了一种新的方法来推断多个网络的相关边缘值跨组。具体来说,我们推断一个高斯图形模型的联合框架内,每个组,我们依靠贝叶斯分层先验链接的精度矩阵条目组。我们的建议不同于现有的方法,因为它灵活地学习哪些组具有最相似的边缘值,并在跨组共享信息时考虑连接的强度(而不仅仅是边缘存在或不存在)。我们的研究结果确定了结构连接的关键改变,这可能反映了对健康大脑的破坏,例如随着疾病严重程度的增加,枕叶内的连接减少。我们还说明了所提出的方法,通过模拟,在那里我们证明了其性能的结构学习和精度矩阵估计的替代方法。
2020-01-15 stat.AP stat.ME
A positive-definiteness-assured block Gibbs sampler for Bayesian graphical models with shrinkage priors
尽管Wang(2012)提出的贝叶斯图LASSO的块Gibbs采样器近年来已被广泛应用并扩展到各种收缩先验,但它具有不太明显但可能严重的缺点,即在Gibbs采样器的每个循环中不能保证高斯图模型中精度矩阵的正定性。具体地说,如果精度矩阵的维数超过样本量,精度矩阵的正定性将难以满足,吉布斯采样器几乎肯定会失败。在本文中,我们建议修改原来的块吉布斯采样器,使精度矩阵永远不会失败,是正定的采样,正是从域的正定性。正如我们在蒙特卡罗实验中所示,这种修改不仅稳定了采样过程,而且显着提高了参数估计和图形结构学习的性能。我们还将我们提出的算法应用于股票数量超过样本周期的月度回报数据的图形模型,证明了其稳定性和可扩展性。
2022-04-14 stat.CO
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
Generalizing imaging biomarker repeatability studies using Bayesian inference: Applications in detecting heterogeneous treatment response in whole-body diffusion-weighted MRI of metastatic prostate cancer
提出一种基于 Hamiltonian Monte Carlo 的贝叶斯框架,以量化不同分布假设下影像异质性生物标志物的测量不确定性,并在 mCRPC 的 WBDWI 数据中验证其疗效评估价值。
2025-05-14 eess.IV stat.AP
Scalable Bayesian inference on high-dimensional multivariate linear regression
本文针对高维多元线性回归中系数矩阵与误差精度矩阵的联合贝叶斯估计问题,提出基于spike and slab和DAG-Wishart先验的精确方法及忽略响应依赖的两步近似方法,并证明其选择一致性与后验收敛速率。
2025-08-22 stat.ME
Bayesian Regularization of Gaussian Graphical Models with Measurement Error
我们考虑一个框架,用于确定和估计的条件成对关系的变量时,所观察到的样本被污染的测量误差在高维设置。假设真实的潜在变量遵循多元高斯分布,如果不存在测量误差,则通常通过在稀疏约束下估计精度矩阵来解决该问题。然而,当存在测量误差时,不对其进行校正会导致精度矩阵的不一致估计和关系的不良识别。我们提出了一种新的贝叶斯方法来纠正观测样本的测量误差。该贝叶斯程序利用最新的加标-平板Lasso变体获得精密度矩阵的点估计值,并通过最近提出的针对缺失数据设计的插补-正则化优化程序校正污染。我们的方法被证明比天真的方法,忽略测量误差在识别和估计精度。为了显示该方法的实用性,我们应用新的方法来建立一个条件基因网络从微阵列数据集。
2019-07-04 stat.ME
Bayesian Mass Averaging in Rigs and Engines
本文介绍了贝叶斯质量平均法,并详细介绍了其计算方法。由于发动机中流动的复杂性以及所用传感器设备的有限仪器和精度,很难严格计算质量平均值。本文在相关工作的基础上,将发动机(或试验台)内任何热力学量在轴平面上的空间变化视为高斯随机场场。在质量流率沿周向恒定但径向可通过多项式或样条表示的情况下,本文给出了贝叶斯质量平均的解析计算。在质量流率本身可以表示为高斯随机场的情况下,提出了一种抽样程序来计算贝叶斯质量平均值。贝叶斯质量平均温度的计算的例子,包括一个真正的发动机的情况下,速度分布推断从滞止压力测量研究。
2021-12-18 physics.flu-dyn stat.AP
Posterior Contraction Rates for the Bayesian Approach to Linear Ill-Posed Inverse Problems
本文考虑了一类带高斯噪声的可分希尔伯特空间中的线性反问题的贝叶斯非参数方法。我们假设高斯先验,这是共轭的模型,并提出了一种方法来识别后验使用其精度算子。与无界精度算子的工作使我们能够使用偏微分方程(PDE)的方法来获得收缩率的后验分布的狄拉克措施为中心的真正的解决方案。我们的方法假设先验协方差,噪声协方差和前向算子之间的关系相对较弱,允许广泛的应用。
2013-08-02 math.ST stat.TH
Bayesian Bits: Unifying Quantization and Pruning
Qualcomm AI Research(高通人工智能研究院)
我们介绍贝叶斯比特,一个实用的方法,联合混合精度量化和修剪,通过基于梯度的优化。贝叶斯比特采用了一种新的量化操作分解,它顺序地考虑了比特宽度的加倍。在每个新位宽处,量化全精度值与先前舍入值之间的残差。然后,我们决定是否添加该量化残余误差以获得更高的有效位宽和更低的量化噪声。通过从2的幂位宽开始,这种分解将始终产生硬件友好的配置,并通过额外的0位选项,作为修剪和量化的统一视图。Bayesian Bits然后引入了可学习的随机门,它们共同控制给定张量的位宽。因此,我们可以通过对门进行近似推断来获得低位解,其中先验分布鼓励大多数门被关闭。我们在几个基准数据集上通过实验验证了我们提出的方法,并表明我们可以学习修剪的混合精度网络,这些网络在准确性和效率之间提供了比静态位宽等效值更好的权衡。
2020-10-27 cs.CV cs.LG stat.ML
Bayesian System Identification based on Hierarchical Sparse Bayesian Learning and Gibbs Sampling with Application to Structural Damage Assessment
本文的重点是贝叶斯系统识别噪声不完整的模态数据的基础上,我们可以在更新结构模型时施加空间稀疏刚度的变化。为此,基于我们以前的工作类似的层次稀疏贝叶斯学习模型,我们提出了两个吉布斯抽样算法。这两种算法处理方程误差精度参数后验不确定性的策略不同,但都是从结构刚度参数和系统模态参数的条件后验概率密度函数(PDF)中采样。吉布斯抽样的有效维数较低,因为迭代采样仅从对应于三个参数组的三个条件后验PDF中完成,同时从其中一个算法中的另一个条件后验PDF中对方程误差精度参数进行采样,其中方程误差精度参数未被整合为“滋扰”参数。从计算的角度来看,一个很好的特点是,它是没有必要解决一个结构模型的非线性特征值问题。所提出的算法的有效性和鲁棒性说明将它们应用到IASE ASCE第二阶段的模拟和实验基准研究。我们的目标是使用不完整的模态数据识别之前和之后可能的损害,以检测和评估空间稀疏的刚度降低引起的任何损害。我们过去和现在的重点是满足所产生的挑战,从贝叶斯推断的结构刚度服务,以加强基于振动的结构系统识别的能力,但我们的方法也有更广泛的适用性,在科学和技术的逆问题,系统矩阵是从噪声的部分信息推断其特征量。
2017-01-13 stat.AP stat.ME stat.ML
Bayesian sparse graphical models and their mixtures using lasso selection priors
我们提出了高斯图形模型的贝叶斯方法,导致稀疏和自适应收缩的精度(逆协方差)矩阵的估计。我们的方法是基于套索型正则化先验导致简约的参数化的精度矩阵,这是必不可少的几个应用程序,涉及学习变量之间的关系。在这种情况下,我们引入了一种新类型的选择之前,开发一个稀疏结构的精度矩阵,使大多数元素正好为零,除了确保正定性-从而进行模型选择和估计同时进行。我们将这些方法扩展到有限和无限混合高斯图形模型的聚类数据使用Dirichlet过程先验。我们讨论了适当的后验模拟方案,以实现后验推理在所提出的模型,包括评估的归一化常数,这是感兴趣的参数的功能,从而导致相关矩阵的限制。我们评估我们的方法的操作特性,通过几个模拟和应用到真实的数据集。
2013-10-03 stat.ME
Bayesian Predictive Inference For Finite Population Quantities Under Informative Sampling
我们研究贝叶斯预测推理有限的人口数量时,有不平等的选择概率。关于样本设计的信息有限;即,只有对应于采样单元的一阶选择概率是已知的。与Chambers,Dorfman和Wang(1998)的方法不同,我们的方法可用于对有限总体数量进行推断,并提供精度和区间的度量。此外,我们的方法,使用马尔可夫链蒙特卡罗方法,避免了使用渐近封闭形式的近似,必要的其他方法,已提出。一组模拟的例子表明,信息模型提供了一个标准的可扩展模型的精度提高,并纠正选择偏差。
2018-04-09 stat.ME
Bayesian Analysis of Nonparanormal Graphical Models Using Rank-Likelihood
高斯图形模型,假设感兴趣的变量共同遵循具有稀疏精度矩阵的多元正态分布,已被用于研究变量之间的内在依赖性,但正态假设在许多设置中可能是限制性的。非超常图模型是高斯图模型的半参数推广,假设变量仅在某些未知的平滑单调变换后才遵循高斯图模型。我们认为贝叶斯方法的nonparanormal图形模型使用的秩似然保持不变的单调变换下,从而避免了需要把一个先验的变换函数。在转换变量的基础精度矩阵上,我们考虑了其Cholesky分解的马蹄先验,并使用有效的后验吉布斯抽样方案。我们提出了一个后验一致性结果的精度矩阵的基础上基于秩的似然。我们通过模拟研究研究所提出的方法的数值性能,并将其应用于一个真实的数据集。
2019-04-17 stat.ME
Regression-Based Bayesian Estimation and Structure Learning for Nonparanormal Graphical Models
非超常图模型是高斯图模型的半参数推广,其中假设变量仅在某些未知的平滑单调变换后才遵循高斯图模型。我们认为贝叶斯方法推理的非超自然图形模型,我们把先验的未知变换通过一个随机序列的基础上B-样条。我们使用一个回归公式来构建的可能性,通过Cholesky分解的转换变量的基础精度矩阵,并把收缩先验的回归系数。我们应用一个插件变分贝叶斯算法学习稀疏精度矩阵和性能比较后吉布斯抽样计划在模拟研究。最后,我们将所提出的方法应用到一个真实的数据集。关键词:
2021-02-20 stat.ME
Bayesian model selection approach for colored graphical Gaussian models
我们考虑了一类有色图形高斯模型,通过在贝叶斯框架下对精度矩阵施加对称性约束而得到。精度矩阵上的先验分布是着色的$G$ -Wishart先验,其是Diaconis-Ylvisaker共轭先验。在本文中,我们开发了一个计算效率高的模型搜索算法,结合线性回归与双可逆跳马尔可夫链蒙特卡罗(MCMC)方法。后者是估计表示为两个竞争模型的后验概率之比的Bayes因子。我们还建立了基于贝叶斯因子的模型选择过程的渐近一致性。我们的程序避免了计算上不可能的穷举搜索。我们的方法与模拟和现实世界中的应用程序与蛋白质信号数据集。
2020-04-02 stat.ME
A Data Driven Bayesian Graphical Ridge Estimator
贝叶斯方法在高斯图模型(GGM)估计中将精确关联优先于稀疏性,在科学文献中仍然相对较少。人们普遍认为,$\ell_2$惩罚在GGM估计中享有较小的计算足迹,而$\ell_1$惩罚鼓励被估量的稀疏性。贝叶斯自适应图形套索先验被用来作为一个出发点,在制定一个计算效率高的图形脊型先验的事件,准确的关联优先于稀疏表示。利用脊型惩罚构造了一种新的模拟精度矩阵的块吉布斯采样器。将贝叶斯图脊型先验扩展为贝叶斯自适应图脊型先验。合成实验表明,图形脊型估计享有计算效率,在中等尺寸,和数值性能,相对非稀疏精度矩阵,当比较他们的套索同行。自适应图形脊型估计应用于细胞信号数据,以推断人类T细胞信号中磷酸化蛋白质之间的关键关联。所有计算工作量都使用baygel R软件包进行。
2022-10-28 stat.ME
Bayesian Optimization of Hyperparameters from Noisy Marginal Likelihood Estimates
贝叶斯模型通常涉及通过最大化边际似然来确定的一小组超参数。贝叶斯优化是一种流行的迭代方法,其中底层函数的高斯过程后验通过新的函数评估顺序地更新。获取策略使用该后验分布来决定在何处放置下一个函数评估。我们提出了一种新的贝叶斯优化框架的情况下,用户控制的计算工作量,因此精度的功能评估。这是计量经济学中常见的情况,通常通过马尔可夫链蒙特卡罗(MCMC)或重要性抽样方法计算边际似然,边际似然估计量的精度由样本数量决定。新的获取策略使优化器可以选择使用廉价的噪声评估来探索函数,从而更快地找到最佳值。该方法被应用于估计先验超参数在两个流行的模型对美国宏观经济时间序列数据:稳态贝叶斯向量自回归(BVAR)和随机波动率的时变参数BVAR。该方法比传统的贝叶斯优化或网格搜索更快地找到最优解。
2022-08-17 econ.EM stat.CO
Synchronization in 5G: a Bayesian Approach
IHP – Leibniz-Institut für innovative Mikroelektronik(莱布尼茨创新微电子研究所);Humboldt University of Berlin(柏林洪堡大学)
在这项工作中,我们提出了一种混合的方法来同步大规模的网络。特别是,我们利用卡尔曼滤波(KF)以及由精确时间协议(PTP)生成的时间戳进行成对节点同步。此外,我们调查的优点因子图(FG)随着置信传播(BP)算法在实现高精度的端到端网络同步。最后,我们提出了将大型网络划分为本地同步域的想法,为每个同步域使用合适的同步算法。仿真结果表明,尽管在混合方法的简化,在偏移估计的误差保持在5纳秒以下。
2020-02-28 cs.LG cs.NI eess.SP
Robust Bayesian compressive sensing with data loss recovery for structural health monitoring signals
将压缩传感技术应用于结构健康监测是一个新兴的研究课题。CS中的基本思想是使用专门设计的无线传感器以压缩形式直接对在某些基(例如小波基)上稀疏的信号进行采样,然后在传输到中央处理单元之后使用某种反演算法精确地重构(重构)这些信号。然而,在结构健康监测中,大多数信号只是近似稀疏的,即在某些基中只有相对较少的信号系数是重要的,但其他系数通常不完全为零。在这种情况下,不期望从压缩测量进行完美重构。提出了一种新的贝叶斯CS算法,其中不确定参数的鲁棒处理进行了探索,包括集成的预测误差精度参数,以消除它作为一个“讨厌的”参数。新的CS算法的性能进行了研究,使用安装在空间框架结构和斜拉桥上的加速度计的压缩数据。与其他国家的最先进的CS方法,包括我们以前发表的贝叶斯方法,使用MAP(最大后验概率)估计的预测误差精度参数相比,新算法表现出优越的性能,重建的鲁棒性和后验不确定性量化。此外,我们的方法可以用于恢复丢失的数据在无线传输过程中,无论在信号的稀疏程度。
2015-03-28 stat.AP stat.CO stat.ML
Approximate Bayesian inference and forecasting in huge-dimensional multi-country VARs
面板向量自回归(PVAR)是分析多国数据集的常用工具。然而,估计参数的数量可能是巨大的,导致计算和统计问题。在本文中,我们开发了快速贝叶斯方法估计PVAR使用集成旋转高斯近似。我们利用国内信息往往比国际信息更重要的事实,并相应地对系数进行分组。快速近似被用来估计后者,而前者估计精度使用马尔可夫链蒙特卡罗技术。我们使用一个巨大的世界经济模型来说明,它可以快速产生有竞争力的预测。
2022-02-09 econ.EM stat.AP stat.ML
Bayesian nonparametric modeling of latent partitions via Stirling-gamma priors
本文提出Stirling-gamma分布作为Dirichlet过程精度参数的新先验,通过理论分析证明其改进的稳健性和共轭性质,并在蚂蚁群落检测应用中验证了方法的有效性。
2024-09-02 math.ST stat.ME stat.TH
Bayesian MISE convergence rates of Polya urn based density estimators: asymptotic comparisons and choice of prior parameters
混合模型以其通用性而闻名,贝叶斯范式是混合分析的合适平台,特别是当组分数量未知时。Bhattacharya(2008)介绍了一种基于狄利克雷过程的混合模型,其中需要指定组分的未知数的上界。在这里,我们考虑一个贝叶斯渐近框架,客观地指定的上界,我们假设依赖于样本量。特别是,我们定义了一个贝叶斯模拟的平均积分平方误差(贝叶斯MISE),并选择该形式的上界,以及该形式的精度参数的基础狄利克雷过程,贝叶斯MISE的一个特定的密度估计,这是一个合适的修改的Polya-urn基于先验预测模型,收敛在所需的速率。作为我们方法的副产品,我们研究了传统Dirichlet过程混合模型精度参数的渐近选择;我们在这里考虑的密度估计是Escobar & West(1995)与Polya瓮模型相关的先验预测分布的修改。与上述两种混合物有关的各种渐近问题,包括比较性能,也进行了研究。
2018-11-13 math.ST stat.TH
A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares
UCLA(加州大学洛杉矶分校);Airbnb(爱彼迎);Department of Biostatistics, UCLA Fielding School of Public Health(加州大学洛杉矶分校菲尔丁公共卫生学院生物统计系)
本文提出B-DARMA-DARCH模型,用于预测货币份额,通过引入狄利克雷ARCH组件,有效捕捉波动聚集性并提高预测精度。
2026-02-16 stat.ME
Estimating a smooth function on a large graph by Bayesian Laplacian regularisation
我们研究了贝叶斯方法来估计一个光滑函数的背景下,回归或分类问题的大型图形。我们推导出的理论结果表明,如何渐近最优贝叶斯正则化可以实现下的渐近形状假设的基础图形和平滑条件的目标函数,都制定在图形拉普拉斯算子。我们研究的先验是随机缩放的高斯分布,其精确运算符涉及图的拉普拉斯算子。
2017-03-05 math.ST stat.TH
Bayesian Regularization for Graphical Models with Unequal Shrinkage
Department of Statistics, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校统计学系)
我们考虑一个贝叶斯框架估计高维稀疏精度矩阵,其中自适应收缩和稀疏性诱导的拉普拉斯先验的混合物。除了讨论我们的配方从贝叶斯的角度来看,我们调查的MAP(最大后验概率)估计从惩罚的可能性的角度来看,产生了一个新的非凸罚款近似的$\ell_0$罚款。最佳的误差率估计一致性的各种矩阵范数以及稀疏结构恢复的选择一致性的唯一MAP估计在温和的条件下。为了快速有效地计算,提出了一种期望最大化算法来计算精度矩阵的MAP估计和底层稀疏结构边缘上的(近似)后验概率。通过广泛的模拟研究和实际应用的呼叫中心数据,我们已经证明了我们的方法与现有的替代品相比,优良的性能。
2018-05-20 cs.LG math.ST stat.CO
Constraining cosmological parameters from N-body simulations with Bayesian Neural Networks
在本文中,我们使用的Quijote模拟,以提取宇宙学参数通过贝叶斯神经网络。这类模型具有显著的不确定性估计能力,这是精确宇宙学时代的终极目标之一。我们证明了BNN的优势,从模拟中提取更复杂的输出分布和非高斯信息。
2021-12-22 astro-ph.CO stat.ML
Bayesian Probabilistic Matrix Factorization: A User Frequency Analysis
矩阵分解(MF)已经成为一种常见的方法,协同过滤,由于易于实现和可扩展性的大数据集。基本模型的两个现有缺点是,它没有包含关于用户或项目的辅助信息,并假设所有用户都有共同的差异。我们通过导出项的侧特征向量的吉布斯更新来扩展约束概率矩阵分解的工作(Salakhutdinov和Minh,2008)。我们表明,这种贝叶斯处理的约束PMF模型优于简单的MAP估计。我们还考虑了文献中引入的异方差精度的扩展(Lakshminarayanan,Bouchard和Archambeau,2011)。我们表明,这往往会导致过拟合的确定性近似算法(例如:变分推断)时,观察到的条目在用户/项目矩阵分布在一个非均匀的方式。鉴于此,我们提出了一个截断精度模型。我们的实验结果表明,该模型倾向于延迟过拟合。
2014-07-29 stat.ML
Scalable Bayesian Structure Learning for Gaussian Graphical Models Using Marginal Pseudo-likelihood
针对高斯图模型贝叶斯学习可扩展性差的问题,提出基于边际伪似然的连续时间与离散时间MCMC算法,实现千节点图的高效后验探索,兼具理论保证与计算优势。
2025-08-27 stat.CO stat.ME stat.ML
Expectation propagation on the diluted Bayesian classifier
Politecnico di Torino(都灵理工大学);Italian Institute for Genomic Medicine(意大利基因组医学研究所);INFN Sezione di Torino(意大利国家核物理研究所都灵分部);Amazon Alexa(亚马逊Alexa)
从高维数据集中有效地选择特征是许多数据驱动的科学和工程领域中的一个非常重要的挑战。我们引入了一个统计力学启发的策略,解决了稀疏特征选择的问题,在二进制分类的背景下,利用一个计算方案称为期望传播(EP)。该算法是用来训练一个连续权重感知器学习分类规则从一组(可能部分错误标记)的例子提供了一个教师感知器与稀释的连续权重。我们测试的方法在贝叶斯最优设置在各种条件下,并将其与其他国家的最先进的算法的基础上的消息传递和期望最大化的近似推理计划。总的来说,我们的模拟表明,EP是一个强大的和有竞争力的算法在变量选择属性,估计精度和计算复杂性,特别是当学生感知器训练相关的模式,防止其他迭代方法收敛。此外,我们的数值测试表明,该算法是能够在线学习的先验参数的未知值,如教师感知器的权重的稀释水平和错误标记的例子的分数,相当准确。这是通过一个简单的极大似然策略来实现的,该策略包括最小化与EP算法相关的自由能。
2021-01-31 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Adaptive Conformal Prediction via Bayesian Uncertainty Weighting for Hierarchical Healthcare Data
Rochester Institute of Technology(罗切斯特理工学院)
本文提出一种结合贝叶斯不确定性加权与置信校准的混合框架,用于提升医疗数据中的不确定性量化精度与覆盖保证。
2026-01-03 cs.LG stat.ML
Bayesian Inference in Nonparanormal Graphical Models
高斯图形模型已被用来研究几个变量之间的内在依赖性,但高斯假设可能在许多应用中受到限制。非超常图模型是连续变量的半参数推广,其中假设变量仅在每个变量上进行一些未知的平滑单调变换后才遵循高斯图模型。我们认为贝叶斯方法的nonparanormal图形模型,把先验的未知变换通过一个随机序列的基础上B-样条的系数有序诱导单调性。截断的正态先验导致模型中的部分共轭性,并且对于使用吉布斯抽样的后验模拟是有用的。在转换变量的基础精度矩阵上,我们考虑了尖峰和平板先验,并使用有效的后验吉布斯抽样方案。我们使用贝叶斯信息准则来选择尖峰和平板先验的超参数。我们提出了一个后验一致性结果的基础转换和精度矩阵。我们研究了所提出的方法的数值性能,通过广泛的模拟研究,最后将所提出的方法应用于一个真实的数据集。
2019-04-11 stat.ME