Bayesian Nonparametric Poisson-Process Allocation for Time-Sequence Modeling
分析多个时间序列的底层结构提供了对社交网络和人类活动的理解的见解。在这项工作中，我们提出了\emph{Bayesian nonparametric Poisson process allocation}（BaNPPA），一个潜在的功能模型的时间序列，自动推断的数量的潜在功能。我们将每个序列的强度建模为潜在函数的无限混合，每个潜在函数都是使用从高斯过程中提取的函数获得的。我们表明，这种混合模型的推理的技术挑战是不可识别的潜在功能的权重。我们建议通过调节变分推断算法中每个潜在函数的体积来处理这个问题。我们的算法是计算效率和规模以及大型数据集。我们证明了我们提出的模型的有用性，通过实验合成和真实世界的数据集。
2018-04-03 stat.ML
Bayesian Structured Prediction Using Gaussian Processes
University of Cambridge（剑桥大学）
我们引入了一个概念新颖的结构化预测模型，GPstruct，这是内核化的，非参数和贝叶斯，通过设计。我们激励模型与现有的方法，其中包括条件随机场（CRF），最大利润马尔可夫网络（M3N），结构化支持向量机（SVMstruct），它只体现了其属性的一个子集。我们提出了一个基于马尔可夫链蒙特卡罗的推理过程。该框架可以为各种结构化对象实例化，如线性链、树、网格和其他一般图形。作为概念证明，该模型是基准上的几个自然语言处理任务和视频手势分割任务，涉及线性链结构。我们显示预测精度GPstruct是相当或超过CRF和SVMstruct。
2013-07-15 cs.LG stat.ML
Bayesian Online Prediction of Change Points
MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；TU Darmstadt（达姆施塔特工业大学）
在线检测数据序列生成过程中的瞬时变化通常集中在对这些变化点的回顾性推断上，而不考虑它们未来的出现。我们扩展了贝叶斯在线变化点检测算法，以推断直到下一个变化点的时间步长的数量（即，剩余时间）。这使得能够处理依赖于总段持续时间的观察模型，这对于用时间缩放来建模数据序列是有用的。由此产生的推理算法段检测可以部署在一个在线的方式，我们说明了应用程序的合成和两个医疗现实世界的数据集。
2020-06-24 cs.LG stat.ML
Bayesian Optimization of Antibodies Informed by a Generative Model of Evolving Sequences
New York University（纽约大学）；BigHat Biosciences（比格哈特生物科学公司）
针对抗体搜索空间大、预算内难获合适抗体的问题，提出CloneBO方法，结合克隆家族训练的CloneLM大模型与扭曲序列蒙特卡洛流程优化抗体，实验显示其效率和效果均优于现有方法。
2024-12-10 cs.LG q-bio.BM stat.ML
A Continuous Relaxation for Discrete Bayesian Optimization
DIKU, University of Copenhagen（哥本哈根大学DIKU学院）；IMT, Université de Toulouse III（图卢兹第三大学IMT学院）；Center for Machine Learning in Life Science（生命科学机器学习中心）；DTU（丹麦技术大学）
针对离散数据且观测值极少的贝叶斯优化挑战，提出目标函数的连续松弛方法，利用分布对Hellinger距离加权构建协方差函数，支持连续或离散算法优化采集函数，并在生化序列任务上验证有效性。
2024-04-26 cs.LG stat.ML
Accelerating Bayesian Optimization for Biological Sequence Design with Denoising Autoencoders
New York University（纽约大学）；BigHat Biosciences（BigHat生物科学公司）
贝叶斯优化（BayesOpt）是查询高效连续优化的黄金标准。然而，它的药物设计的采用受到了阻碍的离散，高维的决策变量的性质。我们开发了一种新的方法（LaMBO），该方法联合训练去噪自动编码器与判别式多任务高斯过程头，允许在自动编码器的潜在空间中对多目标采集函数进行基于梯度的优化。这些获取功能允许LaMBO在多个设计回合中平衡探索-利用权衡，并通过优化帕累托边界上许多不同点的序列来平衡客观权衡。我们评估LaMBO的两个小分子设计任务，并介绍了新的任务优化大分子荧光蛋白的\emph{in silico}和\emph{in vitro}属性。在我们的实验中，LaMBO优于遗传优化器，并且不需要大量的预训练语料库，这表明BayesOpt对于生物序列设计是实用和有效的。
2022-07-12 cs.LG cs.NE q-bio.QM
Discrete Causal Representations from Heterogeneous Domains: A Bayesian Approach with Social Survey Applications
Department of Statistics, University of Chicago（芝加哥大学统计学系）；University of Tübingen（图宾根大学）；Department of Statistics & Data Science Institute, University of Chicago（芝加哥大学统计学与数据科学研究所）；Seminars for Statistics, ETH Zürich（苏黎世联邦理工学院统计系）
提出一种贝叶斯方法，从多环境数据中学习离散因果概念，通过序贯蒙特卡洛采样近似多模态后验，并在社会调查数据中验证了其推断有意义的高层概念和因果关系的有效性。
2026-06-04 cs.LG stat.ML
Intersection Two-Vehicle Crash Scenario Specification for Automated Vehicle Safety Evaluation Using Sequence Analysis and Bayesian Networks
本文提出了一种基于碰撞序列分析和贝叶斯网络建模的测试场景描述方法。交叉口两车碰撞数据来自2016年至2018年国家公路交通安全管理局碰撞报告抽样系统数据库。涉及碰撞的车辆根据其初始位置和轨迹进行了重新编号。碰撞序列被编码为包括详细的预碰撞事件和简明的碰撞事件。基于序列模式，将事故分为55种类型。贝叶斯网络模型的开发，以描述碰撞序列类型，碰撞后果，人为因素和环境条件之间的相互关系。通过查询贝叶斯网络条件概率表来指定场景。基于序列类型的条件指定操作设计域属性的分布，例如驾驶员行为、天气、照明条件、交叉口几何形状、交通控制设备。此外，序列类型的分布根据特定的崩溃结果或操作设计域属性的组合来指定。
2022-08-19 stat.AP
A Bayesian Framework for Regularized Estimation in Multivariate Models Integrating Approximate Computing Concepts
本文在贝叶斯框架下统一了多变量模型的正则化估计，连接贝叶斯推断与近似计算，提出均值收缩和正则化LDA的新算法，并通过数值实验验证。
2025-09-12 stat.ME
Approximate learning of parsimonious Bayesian context trees
Imperial College London（帝国理工学院）
本文提出一种简洁的贝叶斯上下文树模型，用于捕捉分类序列中的复杂依赖结构，通过高效参数减少和聚类上下文，提升实时数据流处理能力。
2024-07-27 stat.CO stat.ML
A Bayesian - Deep Learning model for estimating Covid-19 evolution in Spain
这项工作提出了一种半参数方法来估计Covid-19（SARS-CoV-2）在西班牙的演变。考虑到所有西班牙地区14天累积发病率的序列，它将现代深度学习（DL）技术与通常的贝叶斯泊松-伽马模型相结合，用于分析序列。DL模型提供了一个合适的描述所观察到的序列，但没有可靠的不确定性量化周围可以得到。为了克服这一点，我们使用从DL的预测作为专家引出的预期数量的计数以及它们的不确定性，从而获得后验预测分布的计数在正统的贝叶斯分析使用众所周知的泊松-伽马模型。整体产生的模型使我们能够预测所有区域序列的未来演变，以及估计最终情景的后果。
2021-03-06 stat.AP stat.ML
Warm Starting Bayesian Optimization
Cornell University（康奈尔大学）
我们开发了一个框架，热启动贝叶斯优化，减少了解决优化问题，这是一个相关的问题序列所需的解决时间。当优化无法提供衍生信息的随机模拟器的输出时，这是有用的，贝叶斯优化方法非常适合于此。当使用一个优化模型和在不同时间段或市场收集的输入数据做出多个业务决策时，会出现解决相关优化问题的序列。虽然许多基于梯度的方法可以通过在前一个问题的解处启动优化来热启动，但是这种热启动方法不适用于贝叶斯优化方法，贝叶斯优化方法从迭代到迭代携带目标函数的完整元模型。我们的方法建立了一个联合的统计模型的整个收集相关的目标函数，并使用一个价值的信息计算推荐点进行评估。
2016-08-11 cs.LG stat.AP stat.ML
Progressive Bayesian Particle Flows based on Optimal Transport Map Sequences
提出了一种基于确定性粒子的最优贝叶斯滤波方法。为了避免颗粒退化，不立即执行过滤步骤。相反，颗粒从前面逐渐流向后面。这是通过将过滤步骤分成一系列子步骤来实现的。在每个子步骤中，最优重定位是通过一个映射来完成的，该映射将非等权重粒子替换为等权重粒子。不需要映射的反演或单调性约束，大大简化了过程。对映射网络的参数进行了优化。到粒子集距离。该距离是可微的，并比较不相等和相等权重的粒子。映射序列的组成提供了从先前粒子到后验粒子的最终映射。径向基函数神经网络被用作映射。重要的是不需要中间连续密度表示。整个流直接使用粒子表示。这避免了昂贵的密度估计。
2023-03-04 cs.SY eess.SY stat.ML
Bayesian Detection of Changepoints in Finite-State Markov Chains for Multiple Sequences
我们考虑由分段齐次马尔可夫段组成的范畴序列集的分析。假设序列由共同的基础过程控制，每个序列的段以相同的顺序出现。片段由一组未观察到的变化点定义，其中变化点的位置和数量可以随序列而变化。我们提出了一个贝叶斯框架来分析这些数据，将先验的位置上的变点和转移矩阵，并使用马尔可夫链蒙特卡罗（MCMC）技术，以获得后验样本的数据。使用模拟数据的实验结果说明了该方法如何可以用于推断参数和变点的后验分布，以及处理不同序列中变点位置的相当大的变化的能力。我们还研究了应用程序的方法，从两个应用程序涉及季风降雨模式和树木的分支模式的顺序数据。
2015-04-07 stat.ME
Compressive Sensing Approaches for Autonomous Object Detection in Video Sequences
The University of Sheffield（谢菲尔德大学）
视频分析需要处理大量数据。压缩感测允许使用原始信号的稀疏性的先验知识来减少表示视频所需的测量的数量，但是它对设计矩阵施加了某些条件。贝叶斯压缩感知方法放宽了使用概率推理的传统方法的限制，并允许包括关于信号结构的不同先验知识。本文提出了两种贝叶斯压缩感知方法的自主目标检测的视频序列从静态摄像机。在真实数据集上与非贝叶斯贪心算法进行了性能比较。结果表明，贝叶斯方法可以提供相同的精度的贪心算法，但更快，或者如果计算时间不是关键的，他们可以提供更准确的结果。
2017-04-27 cs.CV stat.ML
On Universal Prediction and Bayesian Confirmation
贝叶斯框架是归纳推理的一个成熟和成功的框架，它包括假设检验和确认、参数估计、序列预测、分类和回归。但是，用于选择模型类和先验的标准统计准则并不总是可用或失败，特别是在复杂情况下。Solomonoff通过为模型类和先验提供严格、唯一、正式和通用的选择，完成了贝叶斯框架。我们讨论的广度如何和在何种意义上普遍（非i.i.d.）序列预测解决了传统贝叶斯序列预测的各种（哲学）问题。我们证明了Solomonoff模型具有许多理想的性质：强的总界和弱的瞬时界，并且与大多数经典的连续先验密度相反，没有零p（oste）rior问题，即可以确认普遍假设，是重新参数化和重组不变量，并避免了旧证据和更新问题。它甚至在不可计算的环境中表现良好（实际上更好）。
2007-09-11 cs.IT cs.LG math.IT
Seq2Seq Surrogates of Epidemic Models to Facilitate Bayesian Inference
Imperial College London（帝国理工学院）；University of Oxford（牛津大学）；University of Copenhagen（哥本哈根大学）
流行病模型是理解传染病的有力工具。然而，随着它们的大小和复杂性的增加，它们可能很快变得难以计算。近年来，代理模型在建模方法上的研究进展表明，它可以用来模拟具有高维参数空间的复杂传染病模型。我们发现，深度序列到序列（seq2seq）模型可以作为基于序列的模型参数的复杂流行病模型的准确替代品，有效地复制季节性和长期传播动态。一旦经过训练，我们的代理可以比原始模型快几千倍地预测场景，使其成为政策探索的理想选择。我们证明了用一个学习过的模拟器代替传统的流行病模型有利于鲁棒的贝叶斯推理。
2023-03-10 cs.AI cs.LG math.PR
Bayesian Learning from Sequential Data using Gaussian Processes with Signature Covariances
University of Oxford（牛津大学）
我们开发了一种贝叶斯方法，通过使用高斯过程（GP）与所谓的签名内核作为协方差函数从序列数据中学习。这允许使不同长度的序列具有可比性，并依赖于来自随机分析的强有力的理论结果。签名捕获序列结构与张量，可以缩放不利的序列长度和状态空间维度。为了解决这个问题，我们引入了一个稀疏变分方法与诱导张量。然后，我们将得到的GP与LSTM和GRU相结合，以构建更大的模型，这些模型利用了每种方法的优势，并将得到的GP在多变量时间序列（TS）分类数据集上进行基准测试。代码可在https://github.com/tgcsaba/GPSig获得。
2020-07-06 cs.LG math.PR stat.ML
Beyond similarity assessment: Selecting the optimal model for sequence alignment via the Factorized Asymptotic Bayesian algorithm
配对隐马尔可夫模型（PHOTO）是用于成对序列比对的概率模型，这是生物信息学中的一个典型问题。PHP包含三种隐藏状态：匹配、插入和删除。大多数以前的研究使用一个或两个隐藏状态的每一个PHMM状态类型。然而，很少有研究已经检查的状态的数量适合表示序列数据或提高比对精度。我们开发了一种新的方法来选择优越的模型（包括隐藏状态的数量）PHMM。我们的方法使用因子化信息准则（FIC）选择具有最高后验概率的模型，该准则广泛用于隐变量概率模型的模型选择。仿真结果表明，该方法具有良好的模型选择能力，对准精度略有提高。我们将我们的方法应用于5个和28个物种的DNA数据集，最终选择了比以前研究中使用的模型更复杂的模型。
2017-10-15 q-bio.QM stat.ML
Non-parametric Bayesian Models of Response Function in Dynamic Image Sequences
Estimation of response functions is an important task in dynamic medical imaging. This task arises for example in dynamic renal scintigraphy, where impulse response or retention functions are estimated, or in functional magnetic resonance imaging where hemodynamic response functions are required. These functions can not be observed directly and their estimation is complicated because the recorded images are subject to superposition of underlying signals. Therefore, the response functions are estimated via blind source separation and deconvolution. Performance of this algorithm heavily depends …
2015-03-19 stat.ML
A Fully Bayesian Infinite Generative Model for Dynamic Texture Segmentation
Sharif University of Technology（谢里夫理工大学）；City University of Hong Kong（香港城市大学）
生成式动态纹理模型（GDTM）被广泛用于视频序列的动态纹理（DT）分割。GDTM将DT表示为一组线性动态系统（LDS）。这些模型的一个主要限制是自动选择适当数量的DT。Dirichlet过程混合模型是近年来出现的非参数贝叶斯统计的基石，是解决这一问题的一个乐观的候选者。在此动机下，以解决上述缺点，我们提出了一种新的非参数完全贝叶斯方法DT分割，制定的基础上，一个联合的DSPER和GDTM建设。这种相互作用使得算法能够适当地克服自动分割的问题。我们推导出变分贝叶斯期望最大化（VBEM）推断所提出的模型。此外，在E-步骤的推理，我们应用Rauch-Tung-Striebel平滑（RTSS）算法的变分贝叶斯LDSS。最后，对不同的视频序列进行了实验。实验结果表明，该算法在效率和准确性上明显优于以往的方法。
2019-01-13 cs.GR cs.LG stat.ML
An Iterative Bayesian Robbins--Monro Sequence
本文提出迭代贝叶斯 Robbins–Monro 序列，将经典随机逼近与贝叶斯更新结合，在含噪且评估次数有限的求根问题中提升收敛速度与稳健性，并在非侵入性脑刺激阈值估计中验证其临床优势。
2025-08-17 math.OC stat.ME
Inferring the sources of HIV infection in Africa from deep sequence data with semi-parametric Bayesian Poisson flow models
病原体深度测序是传染病监测中越来越常用的技术。我们提出了一个半参数贝叶斯泊松模型，利用这些新出现的数据推断传染病传播流和感染源的人口水平。由于希尔伯特空间高斯过程近似，该框架在高维流空间中是计算可扩展的，允许采样偏差调整，以及以比以前可能的更精细的分辨率估计特定于性别和年龄的传输流。我们将该方法应用于乌干达Rakai的密集采样的基于人群的HIV深度序列数据，并发现大量证据表明青少年和年轻女性主要通过年龄差异的关系感染。
2022-01-05 stat.AP
Bayesian model averaging: A systematic review and conceptual classification
贝叶斯模型平均（Bayesian Model Averaging，BMA）是将贝叶斯推断应用于模型选择、组合估计和预测问题，它产生了一个简单的模型选择标准和风险较小的预测。然而，BMA的应用并不总是简单的，导致其不同方面的不同假设和情景选择。尽管BMA在文献中得到了广泛应用，但除了20世纪90年代末和21世纪初的一些里程碑式的修订外，对这些差异和趋势的描述并不多，因此没有考虑到过去15年中取得的任何进展。在这项工作中，我们通过对1996年至2014年间发表在BMA上的587篇文章进行仔细的内容分析，介绍了这些发展。我们还开发了一个概念性的分类方案，以更好地描述这一庞大的文献，了解其趋势和未来的发展方向，并为研究人员提供指导感兴趣的应用和发展的方法。分类方案和内容审查的结果，然后使用讨论的BMA文献的现在和未来。
2015-09-29 stat.AP stat.ME
Empirical Bayesian analysis of simultaneous changepoints in multiple data sequences
癌细胞的拷贝数变化和股票价格的波动性波动通常表现为在相关数据序列的相同位置发生的变点。我们介绍了贝叶斯建模框架，BASIC，采用变点之前捕捉这种类型的数据中的同现趋势。我们设计了有效的算法来采样和最大化的基本变点后，并开发了一个蒙特卡罗期望最大化的过程中选择先验超参数的经验贝叶斯时尚。我们使用由此产生的BASIC框架来分析NCI-60癌细胞系中的DNA拷贝数变化，并确定2000年至2009年影响标准普尔500指数股票价格波动的重要事件。
2017-04-14 stat.AP stat.CO stat.ME
Compositional Active Inference I: Bayesian Lenses. Statistical Games
我们引入了贝叶斯透镜的概念，描述了精确贝叶斯推理的双向结构，以及统计博弈，形式化了近似推理问题的优化目标。我们证明了贝叶斯反演是根据组合透镜模式进行组合的，并将统计博弈与一些经典的统计概念结合起来，从极大似然估计到广义变分贝叶斯方法。本文是第一个系列奠定了基础的积极推理理论的组成帐户，因此，我们特别注意统计游戏的自由能目标。
2022-06-08 math.CT math.ST nlin.AO
Bayesian Change Point Detection for Functional Data
我们提出了一种贝叶斯方法来检测功能数据的变化点。我们通过离散小波变换（DWT）来提取函数数据序列的特征，并独立地处理每个特征序列。我们认为，在可能不同的时间点，每个特征都可能发生变化。函数数据在整个观测序列中通过这种变化而演变。这个函数数据序列的变化点是所有特征变化的累积效应。我们分配的功能与先验结合的小波系数的特性。然后，我们计算每个特征序列的变化点的后验分布，并定义一个矩阵，其中每个条目是该序列中两个功能数据之间的相似性度量。我们计算所有可能分区的组间和组内平均相似度的比值，变化点是比值达到最小值的地方。我们使用气候变化数据集来演示这种方法。
2018-08-03 stat.ME
A Method for Compressing Parameters in Bayesian Models with Application to Logistic Sequence Prediction Models
由于马尔可夫链蒙特卡罗（MCMC）方法需要使用大量的参数，而且参数的数量随着阶数的增加而迅速增加，因此高阶交互作用下的贝叶斯分类和回归在很大程度上是不可行的。在本文中，我们展示了如何通过有效地减少参数的数量，利用许多相互作用对于所有训练案例都具有相同值的事实来使其可行。我们的方法使用一个单一的“压缩”参数来表示与一组模式相关的所有参数的总和，这些模式对于所有训练案例都具有相同的值。利用对称稳定分布作为原始参数的先验，我们可以很容易地找到这些压缩参数的先验。因此，当用MCMC训练模型时，我们只需要处理数量少得多的压缩参数。在考虑最高可能阶之前，压缩参数的数量可能已经收敛。在训练模型之后，我们可以根据需要将这些压缩的参数拆分为原始参数，以便对测试用例进行预测。我们详细介绍了如何压缩logistic序列预测模型的参数。模拟和真实数据的实验表明，大量的参数确实可以减少我们的压缩方法。
2007-11-30 stat.ME stat.ML
Classification of molecular sequence data using Bayesian phylogenetic mixture models
在系统发育推断的应用中，分子序列的位点之间的速率变化是常见的。存在几种方法来解释这一特征，但它们通常不能使研究人员以直接的方式查明在一种或另一种进化速率下进化的位点。重点是贝叶斯系统发育混合模型，增加分配变量，作为工具，网站分类和量化的分类不确定性。该方法不依赖于站点对类的成员关系或甚至类的数量的先验知识。此外，它不需要相关位点在序列比对中彼此相邻，不像一些系统发育隐马尔可夫模型或变点模型。在所提出的方法中，混合物成分的数量和类型的模型选择进行模型估计和站点分类之前，踏脚石采样器（SS）是用来选择竞争的混合物模型。灵长类动物的模拟数据和线粒体DNA的应用实例说明通过“增强”贝叶斯系统发育混合物的网站分类。在这两个例子中，所有的混合物优于常用的模型，现场率变化和模型，不考虑率的异质性。这些例子进一步证明了如何从分析输出中容易地获得站点分类。该方法是直接相关的贝叶斯遗传学的分区的选择，其应用可能会导致发现的结构，否则不承认在分子序列比对。贝叶斯系统发育模型估计的计算方面进行了讨论，包括使用简单的马尔可夫链蒙特卡罗（MCMC）移动，有效地混合没有回火的链。
2013-05-22 q-bio.QM stat.AP
What is the `relevant population' in Bayesian forensic inference?
在讨论法庭上出示法医证据的贝叶斯范例的著作中，经常提到“相关人群”的概念，但没有明确界定其含义，也没有就如何选择此类人群提出建议。本文旨在更好地理解这一概念。我们的分析旨在足够普遍，以适用于不同的法医技术，我们将考虑DNA分析和说话人识别作为例子。
2014-03-24 stat.AP
A Nonparametric Bayesian Approach for Sparse Sequence Estimation
针对高斯随机变量稀疏序列的估计问题，提出了一种非参数贝叶斯估计方法。我们采用流行的两组前一个组件是一个点质量为零，和其他组件是高斯分布的混合。虽然高斯族已经被证明是次优的这个问题，我们发现，高斯混合，与一个适当的选择的手段和混合权重，具有所需的渐近行为，例如，相应的后验集中在具有期望的极大极小速率的球上。为了达到计算效率，我们建议使用确定性变分算法来获得后验分布。几个基准数据集的实证研究表明，所提出的算法相比，其他替代品的优越性能。
2017-05-30 stat.ME
Bayesian Protein Sequence and Structure Alignment
蛋白质的结构在决定其功能方面至关重要，并且在进化过程中比序列保守得多。结构生物学的一个关键任务是比较蛋白质结构，以确定进化关系，估计新发现结构的功能，并预测未知结构。我们提出了一种贝叶斯方法的蛋白质结构比对，与前的比对的基础上的功能，惩罚“差距”在对齐的序列。我们展示了如何广泛的惩罚函数适合这个框架，以及如何得到的后验分布可以有效地采样。一个常用的缺口罚函数被证明是一个特殊的情况下，我们提出了一个新的罚函数，它消除了一个不可取的功能，常用的惩罚。我们说明了我们的方法在基准数据集，并发现它的竞争以及流行的工具，从计算生物学。我们的方法的好处是能够潜在地探索多个竞争的路线，并量化其优点的概率。该框架自然地允许包括进一步的信息，如氨基酸序列，并且可以适应其他情况，如柔性蛋白质或结构域交换。
2019-11-05 stat.CO stat.ME
A Bayesian Phylogenetic Hidden Markov Model for B Cell Receptor Sequence Analysis
人体能够产生一组不同的高亲和力抗体，B细胞受体（BCR）的可溶性形式，结合并中和入侵的病原体。为了设计针对流感和艾滋病毒等高度变异病原体的疫苗，必须了解BCR的自然发展。BCR多样性是由自然发生的组合“V（D）J”重排、突变和选择过程诱导的。目前大多数BCR序列分析方法都集中在对上述过程进行单独建模。统计系统发育方法通常用于模拟BCR序列数据的突变动态，但这些技术没有考虑与B细胞多样化相关的所有复杂性，如V（D）J重排过程。特别是，标准的系统发育方法假设祖先（或“幼稚”）序列的DNA碱基独立地出现，并根据相同的分布，忽略了V（D）J重排的复杂性。在本文中，我们介绍了一种新的方法，贝叶斯系统发育推断的BCR序列，是基于系统发育隐马尔可夫模型（HMM）。该技术不仅将朴素重排模型与BCR序列进化的系统发育模型相结合，而且通过后验分布采样，自然地解释了所有未观察到的变量（包括系统发育树）中的不确定性。
2019-06-27 q-bio.GN stat.AP stat.ME
Bayesian variance estimation in the Gaussian sequence model with partial information on the means
考虑高斯序列模型的附加假设，即平均值的固定分数是已知的。我们从频率论贝叶斯的角度研究方差估计问题。$σ^2$的最大似然估计（MLE）是有偏的和不一致的。这就提出了一个问题，在这种情况下，后验是否能够纠正MLE。通过开发一种新的证明策略，使用精细的后验分布的属性，我们发现，边缘后验是不一致的任何独立同分布。在平均参数之前。特别地，不需要强加关于先验衰减的假设。令人惊讶的是，我们还发现基于高斯混合的分层先验可以保持一致性。在这种情况下，我们还建立了一个极限形状的结果，并确定了极限分布。与经典的Bernstein-von Mises定理相反，极限是非高斯的。我们表明，贝叶斯分析导致新的统计估计优于正确校准的MLE在数值模拟研究。
2019-12-18 math.ST stat.TH
Exchangeability, prediction and predictive modeling in Bayesian statistics
本文综述了贝叶斯预测方法的基础概念，重点阐述可交换与部分可交换情形下的预测建模，揭示贝叶斯预测规则作为概率学习规则的本质，并探讨其为数据科学预测算法提供不确定性量化的新方向。
2024-11-21 math.ST stat.TH
On the well-posedness of Bayesian inverse problems
本文的主题是引入贝叶斯反问题适定性的新概念。（Lipschitz，Hellinger）适定性的传统概念在[Stuart 2010，Acta Numerica 19，pp. #35759;，在实践中很难验证，在某些情况下可能不合适。我们的概念简单地取代了Lipschitz连续性的后验测度在Hellinger距离连续性之间的概率测度适当的距离。除了Hellinger距离，我们调查适定性弱收敛，全变差距离，Wasserstein距离，也Kullback-Leibler分歧。我们证明，削弱连续性是可以容忍的，推广到其他距离是很重要的。这篇文章的主要结果是证明的适定性相对于一些大型类的贝叶斯逆问题的上述距离。在这里，关于底层模型的信息很少或根本不需要，这使得这些结果对于使用黑盒模型的从业者来说特别有趣。我们用来自机器学习和图像处理的数值例子来说明我们的发现。
2019-09-11 cs.NA math.NA math.ST
Bayesian Models of Graphs, Arrays and Other Exchangeable Random Structures
大多数贝叶斯方法的自然栖息地是由可交换的观测序列表示的数据，其中de Finetti定理提供了理论基础。狄利克雷过程聚类、高斯过程回归和许多其他参数和非参数贝叶斯模型都属于这个框架的范围;现代数据分析中出现的许多问题都不属于这个框架。本文介绍了可以通过随机结构建模的图、矩阵和其他数据的贝叶斯模型。我们描述的结果在概率论，推广de Finetti的定理，这样的数据，并讨论其相关性的非参数贝叶斯建模。基本思想到位，我们调查的例子模型在文献中，这些模型的应用包括协同过滤，链接预测，图形和网络分析。我们还强调了图论和概率的最新发展的连接，并勾勒出更一般的贝叶斯方法的其他类型的数据序列和数组以外的数学基础。
2015-02-13 math.ST stat.ML stat.TH
Bayesian non-parametric survival estimation: stochastic hyperparameter sequences and distribution splicing
本文提出一种用于生存时间数据的贝叶斯非参数框架，允许先验分布依赖随机源并随样本量更新，利用混合非递减可加过程研究累积危险函数，证明了其渐近性质并提供精确模拟算法，为非参数拼接模型提供了新方案。
2025-05-02 stat.ME
Applying Spatial Bootstrap and Bayesian Update in uncertainty assessment at oil reservoir appraisal stages
储层内在属性的地质统计学建模仅从可用的稀疏数据开始。这些估计数将在很大程度上取决于油井的数量及其位置。钻井成本如此之高，以至于不允许放置新井进行不确定性评估。除了这个困难之外，通常的地质统计学模型没有考虑到概念模型的不确定性，这一点应该加以考虑。空间自助法被用来评估估计的可靠性时，从原始字段的恢复是不是一个选项。考虑到不同的现实（概念模型）和不同的场景（估计），空间自举应用贝叶斯更新允许初始估计和概念模型的不确定性评估。在这项工作中，建议的方法来整合这两种技术，从而在一种方法来评估哪些模型更适合于一个给定的场景。
2017-02-15 stat.AP
BayesCAT: Bayesian Co-estimation of Alignment and Tree
传统上，同源性和序列比对是分开估计的：首先估计多个序列比对，然后基于在前一步骤中估计的序列比对来推断同源性。然而，在对齐估计的不确定性被忽略，导致，可能，在夸大的确定性，在遗传学估计。我们开发了一个联合模型，用于共同估计系统发育和序列比对，通过考虑系统发育推断中的比对不确定性，改进了传统方法的估计。我们的插入和缺失（indel）模型允许任意长度的重叠indel事件和indel片段大小的一般分布。我们采用贝叶斯方法，使用MCMC估计的联合后验分布的系统发育树和多序列比对。我们的方法有一个树和一个完整的历史的indel事件映射到树上的状态空间的马尔可夫链，而替代以前的方法有一个树和对齐。一个大的状态空间包含一个完整的历史的indel事件使我们的MCMC方法更具挑战性，但它使我们能够推断更多的信息indel过程。用模拟数据和实际数据比较了这种联合方法和传统的序贯方法的性能。名为BayesCAT（Bayesian Co-estimation of Alignment and Tree）的软件可在https://github.com/heejungshim/BayesCAT获得。
2014-11-22 q-bio.PE stat.AP
Asymptotically Minimax Prediction in Infinite Sequence Models
研究了无穷序列模型中的渐近极大极小预测分布。首先，我们讨论了无穷序列模型中的预测与函数模型中的预测之间的联系。其次，当参数空间为已知椭球时，我们构造了一个渐近Minimax预测分布。我们证明了基于高斯先验分布的贝叶斯预测分布在椭球上是渐近极小极大的。第三，我们构造了一个渐近极小极大预测分布的任何Sobolev椭球。我们表明，贝叶斯预测分布的基础上的产品斯坦的先验是渐近极小极大的任何Sobolev椭球。最后，我们提出了一个有效的抽样方法，从建议的贝叶斯预测分布。
2017-07-19 math.ST stat.TH
Bayesian Learning: A Selective Overview
本文概述了贝叶斯学习的一些概念。在过去的几十年里，贝叶斯学习的科学和工业应用的数量一直在迅速增长。这个过程开始于马尔可夫链蒙特卡罗方法的广泛使用，该方法在20世纪90年代初成为贝叶斯的主要计算技术。从那时起，贝叶斯学习已经在从机器人技术和机器学习到医学应用的多个领域中广泛传播。本文概述了一些广泛使用的概念，并显示了几个应用程序。这是一篇基于乔治梅森大学贝叶斯学习博士课程的学生所举办的一系列研讨会的论文。该课程于2021年秋季授课。因此，论文中涉及的主题反映了学生选择学习的主题。
2021-12-23 stat.ME
AntBO: Towards Real-World Automated Antibody Design with Combinatorial Bayesian Optimisation
University of Edinburgh（爱丁堡大学）；Technische Universität Darmstadt（达姆施塔特工业大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；University of Oslo（奥斯陆大学）；American University of Beirut Medical Centre（贝鲁特美国大学医学中心）；University College London（伦敦大学学院）
抗体是能够高度特异性分子识别的典型Y形多聚体蛋白。位于抗体可变链末端的CDRH 3区主导抗原结合特异性。因此，设计最佳的抗原特异性CDRH 3区以开发治疗性抗体是优先考虑的。然而，CDRH 3序列空间的组合性质使得不可能使用计算方法彻底且有效地搜索最佳结合序列。在这里，我们提出了\texttt{AntBO}：一个组合贝叶斯优化框架，使有效的\textit{in silico}设计的CDRH 3区。理想情况下，预期抗体具有高靶标特异性和可开发性。我们引入了CDRH 3信任区，将搜索限制在具有有利可开发性评分的序列中，以实现这一目标。对于基准测试，\texttt{AntBO}使用\texttt{Absolut!}软件套件作为黑盒预言机，以不受约束的方式~ \citep{robert2021one}对设计的抗体\textit{in silico}的靶特异性和亲和力进行评分。对\texttt{Absolut!}中使用的$159$离散抗原进行的实验证明了\texttt{AntBO}在设计具有不同生物物理特性的CDRH 3区中的益处。在$200$下调用黑盒oracle时，\texttt{AntBO}可以建议优于从690万个实验获得的CDRH 3和常用的遗传算法基线中得出的最佳结合序列的抗体序列。此外，\texttt{AntBO}仅在38种蛋白质设计中发现了非常高亲和力的CDRH 3序列，同时不…
2022-10-14 cs.AI cs.LG cs.NE
Bayesian Nonparametric Inference of Switching Linear Dynamical Systems
许多复杂的动力学现象可以通过在一组条件线性动力学模式之间切换的系统来有效地建模。我们考虑两个这样的模型：切换线性动力系统（SLDS）和切换向量自回归（VAR）过程。我们的贝叶斯非参数方法利用一个分层狄利克雷过程之前，学习未知数量的持久，平滑的动态模式。我们还采用自动相关性确定来推断一组稀疏的动态依赖关系，使我们能够学习SLDS与不同的状态维度或切换VAR过程与不同的自回归顺序。我们开发了一个采样算法，结合了截断近似的Dirichlet过程的模式和状态序列的有效联合采样。我们的模型的实用性和灵活性证明了合成数据，序列的蜜蜂跳舞，IBOVESPA股票指数，和机动目标跟踪应用程序。
2010-03-19 stat.ME stat.ML
The Redundancy of a Computable Code on a Noncomputable Distribution
我们引入新的定义的通用和超通用的可计算代码，这是基于代码的能力，以近似Kolmogorov复杂度在规定的范围内的所有个人序列从一个给定的集合。相对于某些概率测度，几乎可以肯定地挑出这样的序列集合。考虑一个用实参数参数化的测度，并在该参数上放置一个任意先验。贝叶斯测度是参数化测度相对于先验的期望。看来，任何可计算的贝叶斯测度的修改后的Shannon-Fano码，我们称之为贝叶斯码，在一组参数化测度上是超通用的-几乎所有序列的先验-几乎每个参数。根据这个结果，在数理统计的典型设置中，没有可计算代码享有冗余，其最终远小于贝叶斯代码。因此，我们引入了可计算代码的另一个特性：追赶时间是代码长度下降到Kolmogorov复杂度加上规定裕度以下的数据长度。一些代码可能具有比贝叶斯代码更小的追赶时间。
2009-04-10 cs.IT math.IT stat.ML
GP-ETAS: Semiparametric Bayesian inference for the spatio-temporal Epidemic Type Aftershock Sequence model
流行病型余震序列（ETAS）模型是描述地震自激现象的一种时空模型。虽然传统的推理方法只提供模型参数的点估计，我们的目标是在一个完整的贝叶斯模型推理处理，自然允许将先验知识和不确定性量化的结果估计。因此，我们通过高斯过程（GP）先验引入了空间变化ETAS背景强度的高度灵活的非参数表示。结合经典的触发函数，这导致了一个新的模型公式，即GP-ETAS模型。我们通过导出GP-ETAS推理问题的增强形式来实现易处理和有效的吉布斯抽样。这种新的采样方法使我们能够评估以观测到的地震目录为条件的后验模型变量，即，空间背景强度和触发函数的参数。两个合成数据集的实证结果表明，GP-ETAS优于标准模型，从而证明了对观测地震目录的预测能力，包括对估计参数的不确定性量化。最后，介绍了意大利拉奎拉地区2009年4月6日发生毁灭性事件的案例研究。
2020-05-26 physics.geo-ph stat.AP
Bayesian Centroid Estimation for Motif Discovery
生物序列可能包含信号重要的生物分子功能的模式;一个经典的例子是通过结合到基因组启动子区域中的特定模式的转录因子来调节基因表达。在基序发现中，我们给出了一组共享共同基序的序列，目的不仅是识别基序组成，而且是识别该组序列中每个序列的结合位点。我们提出了一个贝叶斯模型，这是一个扩展版本的吉布斯主题采样器所采用的模型，并提出了一个新的质心估计，从一个精致的和有意义的损失函数的结合位点推断。我们讨论了质心估计的模体发现的主要优点，包括计算的方便性，以及如何其原则性的推导提供了进一步的见解结合位点配置的后验分布。我们还说明，使用模拟和真实的数据集，质心估计可以不同于最大后验估计。
2012-04-06 stat.AP
On Bayesian Data Analysis
这介绍贝叶斯统计提出的主要概念，以及主张的主要原因，有利于贝叶斯建模。我们涵盖了各种方法事先确定以及基础渐近参数有利于使用贝叶斯估计。对贝叶斯推断的测试方面也作了详细的研究。
2010-02-09 stat.ME
On the Foundations of Universal Sequence Prediction
Solomonoff通过为模型类和先验提供严格、唯一、正式和通用的选择，完成了贝叶斯框架。我们讨论的广度如何和在何种意义上普遍（非i.i.d.）序列预测解决了传统贝叶斯序列预测的各种（哲学）问题。我们发现Solomonoff模型具有许多理想的性质：快速收敛和强界，与大多数经典的连续先验密度相比，它没有零p（oste）rior问题，即可以确认普遍的假设，是reparametrization和重组不变，并避免了旧的证据和更新问题。它甚至在不可计算的环境中表现良好（实际上更好）。
2006-05-03 cs.IT cs.LG math.IT
Fast Bayesian Multilevel Quasi-Monte Carlo
本研究将多层拟蒙特卡洛问题重构到贝叶斯求积框架，提出自适应贝叶斯效用函数与自适应光滑性数字位移不变核，实现高效可靠的误差估计。
2025-10-28 stat.CO
Bayesian Functional Data Analysis over Dependent Regions and Its Application for Identification of Differentially Methylated Regions
我们认为贝叶斯函数的数据分析的观测测量为极长的序列。将序列分割成具有可管理长度的多个小窗口，窗口可能不是独立的，特别是当它们彼此相邻时。我们建议利用贝叶斯平滑样条来估计每个窗口内的各个功能模式，并建立每个窗口中所涉及的参数的过渡模型，以解决窗口之间的依赖结构。在分析过程中，基于马尔可夫链蒙特卡罗样本的贝叶斯因子可以评价个体群体在每个窗口的功能差异。在本文中，我们研究所提出的方法，通过模拟研究，并将其应用于确定差异甲基化的基因区域在TCGA肺腺癌数据。
2021-12-09 stat.ME
Sparse Bayesian Partially Identified Models for Sequence Count Data
本文提出稀疏贝叶斯部分识别模型，用于处理序列计数数据中的稀疏性假设不确定性，从而减少差分分析中的I型和II型错误率。
2025-12-12 stat.ME
A discussion of "Bayesian model selection based on proper scoring rules" by A.P. Dawid and M. Musio
本文是对A.P. Dawid和M. Musio，出现在贝叶斯分析中。虽然赞赏背后的概念使用适当的评分规则，包括不适当的先验知识，我们在这里指出一些可能的实际困难与提倡的方法。
2015-02-26 stat.ME
Posterior Consistency for Bayesian Inverse Problems through Stability and Regression Results
在贝叶斯方法中，关于数学模型的输入的先验知识通过概率测度来描述。然后，使用贝叶斯公式对未知输入和数据的联合分布进行调节，得到未知输入的后验分布。在这种情况下，我们证明非线性反问题的后验一致性：一个序列的数据被认为是一个单一的真理与周围的波动减少，然后它是有趣的，以显示所产生的序列的后验措施所产生的这个序列的数据集中在用于生成数据的真理。后验一致性证明了贝叶斯方法的使用非常相同的方式，误差界和收敛结果的正则化技术。作为一个指导性的例子，我们考虑的逆问题重建的扩散系数从噪声观测的解决方案，椭圆型偏微分方程的散度型。这个问题是通过分裂成基础的连续模型和一个更简单的观察运营商的基础上的模型的输出的前向运营商。一般来说，这些分裂使我们能够得出结论后验一致性提供了一个确定性的稳定性结果的基础逆问题和后验一致性结果的贝叶斯回归问题与前推先验。此外，我们证明后验一致性的贝叶斯回归问题的基础上的规则性，尾部行为和小球概率的先验。
2013-07-16 math.ST stat.TH
