A general measure of the impact of priors in Bayesian statistics via Stein's Method
我们提出了一个措施的影响，任何两个选择的先验分布量化的Wasserstein距离之间的各自产生的后验分布在任何固定的样本量。我们说明了这一措施的正常，二项和泊松模型。
2018-02-28 math.ST stat.TH
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
Relevant statistics for Bayesian model choice
在贝叶斯推断中，特别是在ABC算法中使用的汇总统计量的选择对所得到的推断的验证有影响。然而，这些统计数据通常用于ABC算法中，而不进行一致性检查。我们得到了相应的Bayes因子收敛的汇总统计量的充要条件，即渐近选择真模型。这些条件相当于两种模型下汇总统计量的期望渐近不同，是非常自然的，可以在ABC设置中利用，通过Monte Carlo验证来推断汇总统计量的选择是否合适。
2013-08-22 math.ST q-bio.PE stat.CO
Comparison of Bayesian and Frequentist Multiplicity Correction For Testing Mutually Exclusive Hypotheses Under Data Dependence
考虑了用相依检验统计量检验互斥假设的问题。贝叶斯和频率论方法的多重性控制进行了研究和比较，以帮助获得理解的效果，检验统计量依赖于每种方法。贝叶斯方法被证明具有优良的频率特性，并被认为是最有效的方式获得频率多重控制，而不牺牲权力，当有相当大的检验统计量依赖。
2016-11-17 math.ST stat.TH
Statistical shape analysis in a Bayesian framework for shapes in two and three dimensions
在本文中，我们描述了一种新的形状分类方法，它是嵌入在贝叶斯范式。我们讨论的建模和由此产生的形状分类算法的二维和三维数据的形状。最后，我们评估所提出的算法的效率和功效的Kimia形状数据库的二维情况下。
2018-02-28 math.ST stat.AP stat.ME
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
Philosophy and the practice of Bayesian statistics
科学哲学中的一个重要学派将贝叶斯推理与归纳推理甚至合理性等同起来，并且似乎因贝叶斯统计的兴起和实际成功而得到加强。我们认为，贝叶斯统计的最成功的形式实际上并不支持这种特定的哲学，而是更符合复杂形式的假设演绎。我们研究了先验分布在贝叶斯模型中所起的实际作用，以及模型检查和模型修正的关键方面，这些方面超出了贝叶斯确认理论的范围。我们利用文献的一致性贝叶斯更新，也对我们的经验，在社会科学中的应用工作。对这些问题的澄清不仅有利于科学哲学，也有利于统计实践。最好的情况是，归纳主义的观点鼓励研究人员在不检查模型的情况下拟合和比较模型;最坏的情况是，理论家积极阻止实践者进行模型检查，因为它不适合他们的框架。
2011-06-28 math.ST physics.data-an stat.TH
Some Case Studies Using Bayesian Statistical Models
我们提供了四个案例研究，使用贝叶斯机器进行归纳推理。我们的主要动机在于提供几个实例，其中贝叶斯数据分析方法被最好地利用来执行复杂的任务，例如描述，测试，估计和预测。这项工作并不意味着是一个参考文本或调查在贝叶斯统计推断。我们的目标只是提供几个使用贝叶斯方法来解决数据驱动问题的例子。我们在这里涉及的主题，包括贝叶斯非参数，时间序列的贝叶斯分析和空间数据的贝叶斯分析的问题。
2021-11-17 stat.AP stat.ME
Objective Bayes, conditional inference and the signed root likelihood ratio statistic
分析了符号根似然比统计量的贝叶斯性质。一阶概率匹配的条件是通过检查贝叶斯后验和频率统计的手段。二阶匹配条件所示，从匹配的贝叶斯后验和频率方差的均值调整版本的签署根统计。推导并讨论了从属统计量模型中条件概率匹配的条件。
2015-03-19 math.ST stat.TH
On the large-sample limits of some Bayesian model evaluation statistics
本文研究贝叶斯模型评估准则（DIC、BPIC、WBIC）的大样本几乎必然极限，建立后验与广义后验一致性的新结果，并通过实例验证其有效性。
2025-10-28 math.ST stat.TH
Bayesian Statistical Pragmatism
《统计推断：The Big Picture》，R. E.卡斯[arXiv：1106.2895]
2011-06-16 stat.ME
Bayesian Joint Chance Constrained Optimization: Approximations and Statistical Consistency
Texas A& M University（得克萨斯农工大学）；Purdue University（普渡大学）
本文研究贝叶斯框架下机会约束随机优化问题，证明使用近似后验分布所得最优值具有频率学派统计一致性并给出概率收敛速率，同时证明问题的凸可行性，并在M/M/c排队模型上验证了方法有效性。
2022-10-01 cs.LG math.OC math.ST
Bayesian Restricted Likelihood Methods: Conditioning on Insufficient Statistics in Bayesian Regression
贝叶斯方法已被证明在广泛的科学问题上是成功的，并且与竞争方法相比具有许多有据可查的优势。然而，这些方法遇到困难的两个主要和普遍的问题：处理数据集与离群值和处理模型误指定。我们概述了这些问题的以前的解决方案的缺点，并提出了一种新的方法作为替代。当使用新方法时，数据通过一组不充分的统计量进行汇总，目标是感兴趣的推断量，并且先验分布使用汇总统计量而不是完整的数据进行更新。通过仔细选择条件统计量，我们保留了贝叶斯方法的主要优点，同时降低了分析对条件统计量未捕获的数据特征的敏感性。为了降低对离群值的敏感性，经典的鲁棒估计（例如，M-估计）是条件统计的自然选择。这项工作的一个主要贡献是发展的数据增强马尔可夫链蒙特卡罗（MCMC）算法的线性模型和一大类的汇总统计。我们证明了模拟和真实的数据集包含离群值和模型误指定的方法。与竞争方法相比，成功表现在对感兴趣的数据点具有更好的预测性能。
2018-12-19 stat.ME
Bayesian statistical learning using density operators
CCNU Wollongong Joint Institute（华中师范大学伍伦贡联合研究院）；Central China Normal University（华中师范大学）
这个简短的研究使用量子力学框架重新制定了统计贝叶斯学习问题。代表样本波函数的纯态系综的密度算子被用来代替概率密度。我们表明，这种表示允许制定统计贝叶斯学习问题在不同的坐标系上的样本空间。我们进一步表明，这样的表示允许使用内核技巧来学习密度算子的投影。特别是，这项研究强调，分解波函数，而不是概率密度，因为它是在内核嵌入，允许保留概率算子的性质。结果示出了一个简单的例子，使用离散正交小波变换的密度算子。
2023-01-17 cs.LG math.ST quant-ph
Bayesian Statistics Then and Now
关于布拉德利·埃夫隆（Bradley Efron）的《间接证据的未来》的讨论[arXiv：1012.1161]
2010-12-07 stat.ME
Bayesian Hypothesis Testing: Redux
贝叶斯假设检验重新审查的角度来看，先验评估的检验统计量分布下的替代。通过评估可观察的检验统计量的分布，而不是先验参数值，我们提供了一个实用的默认贝叶斯因子，这是直接解释。为了说明我们的方法，我们提供的例子中，贝叶斯证据惊人地支持空，但导致拒绝下一个经典的测试。最后，我们总结了未来研究的方向。
2018-08-26 math.ST stat.TH
On the relation between frequentist and Bayesian approaches for the case of Poisson statistics
我们提出了修改后的频率论定义的情况下，泊松统计的置信区间的确定。即，我们要求1-β' \geq \sum_{n=o}^{n_{obs}+k} P（n| λ）\geq“。我们证明了这个定义等价于先验为π（λ）\sim λ^{k}的贝叶斯方法。对于非零背景的情况，我们还提出了修正的频率论定义。
2012-06-18 physics.data-an stat.ME
Bayesian Computing in the Undergraduate Statistics Curriculum
自20世纪90年代计算发展以来，贝叶斯统计获得了巨大的发展势头。逐渐地，贝叶斯方法和软件的进步使得贝叶斯技术更容易被应用统计学家所使用，反过来，也可能改变本科阶段的贝叶斯教育。本文概述了实现贝叶斯计算方法的各种选择，以实现特定的学习成果。根据作者在课堂上使用这些方法的经验，描述了每种计算方法的优点和缺点。我们的目标是目前的指导计算的教师谁是介绍贝叶斯方法在他们的本科统计课程的选择。
2020-11-03 stat.CO
A Bayesian Statistics Course for Undergraduates: Bayesian Thinking, Computing, and Research
我们提出了一个学期的贝叶斯统计过程中，微积分和概率背景的本科生。通过将贝叶斯方法应用于实际数据问题，培养学生的贝叶斯思维。我们利用现代贝叶斯计算技术，不仅实现贝叶斯方法，而且加深学生对方法的理解。合作案例研究进一步丰富了学生的学习，并提供解决开放式应用问题的经验。本课程强调本科生的研究，在课堂上阅读，讨论和评论可访问的学术期刊文章。随着信心和熟悉程度的提高，学生们接受阅读，实施，有时扩展期刊文章中的方法的挑战，以完成他们的课程项目。
2020-08-28 stat.OT
Two discussions of the paper "Bayesian measures of model complexity and fit" by D. Spiegelhalter et al., Read before The Royal Statistical Society at a meeting organized by the Research Section on Wednesday, March 13th, 2002
这些是对D。Spiegelhalter et al.（2002），根据2013年9月3日在泰恩河畔纽卡斯尔举行的皇家统计学会年会上的讨论。
2013-10-11 stat.ME stat.ML
Recent Advances in Algebraic Geometry and Bayesian Statistics
Tokyo Institute of Technology（东京工业大学）
本文综述了近二十年来代数几何和贝叶斯统计研究领域的理论进展。许多包含层次结构或潜变量的统计模型和学习机被称为不可识别的，因为从参数到统计模型的映射不是一对一的。在不可辨识模型中，似然函数和后验分布一般都具有奇异性，因此很难分析它们的统计特性。然而，从20世纪末开始，建立了基于代数几何的新理论和方法，使我们能够在现实世界中研究这些模型和机器。本文报道了以下几个方面的最新进展。首先，我们解释了贝叶斯统计的框架，并从双有理几何引入了一个新的视角。其次，基于代数几何推导出两个数学解。通过分辨映射可以找到一个合适的参数空间，使得后验分布为正规交叉，对数似然比函数定义明确。第三，介绍了统计学的三个应用。将后验分布表示为重正化形式，导出了渐近自由能，建立了推广损失、交叉验证和信息准则之间的普适公式。本文报道的基于代数几何的两种数学解决方案和三种统计应用现在正在数据科学和人工智能的许多实际领域中使用。
2022-11-18 cs.LG math.ST stat.TH
The two envelopes paradox in non-Bayesian and Bayesian statistics
本文的目的是澄清（非贝叶斯和贝叶斯）双信封问题的量子语言（或测量理论），这是最近提出的量子力学的语言转向（哥本哈根解释）。两个信封悖论只是一种高中生的概率难题，说这是一个未解之谜可能有些夸张。然而，由于我们确信量子语言只是未来的统计，我们相信没有量子语言的描述就没有明确的答案。从这个意义上说，读者会发现量子语言提供了最终的答案（即，最简单和最深刻的理解）的两个问题，在非贝叶斯和贝叶斯统计。此外，我们还增加了对圣彼得堡双信封悖论的讨论。
2014-09-15 quant-ph stat.OT
Bayesian Statistics: A Review and a Reminder for the Practicing Reliability Engineer
本文回顾了贝叶斯可靠性原理，重点讨论成功/不成功数据分析，并介绍一种蒙特卡洛算法，用于在仅有系统级数据时基于子组件可靠性计算系统可靠性的后验分布。
2024-06-06 stat.ME
A Bayesian Redesign of the First Probability/Statistics Course
传统的以微积分为基础的统计推断介绍包括一个学期的概率，然后是一个学期的频率论推断。Cobb（2015）挑战统计教育界重新思考本科统计课程。特别是，他建议我们应该专注于两个目标：使基本概念易于理解，并最大限度地减少研究的先决条件。使用五个基本原则的Cobb，我们描述了一个新的微积分为基础的介绍，以模拟为基础的贝叶斯计算的统计。
2020-07-08 stat.OT
Statistical Assessment of Replicability via Bayesian Model Criticism
评估可复制性对于确保科学研究的质量和严谨性至关重要。在本文中，我们讨论了可复制性评估的推理和建模原则。针对不同的应用场景，我们提出了两种类型的贝叶斯模型的批评方法，以确定在科学实验中潜在的不可重现的结果。它们的动机是建立贝叶斯先验和后验预测模型检查程序，并概括了许多现有的可复制性评估方法。最后，我们讨论了所提出的可复制性评估方法的统计特性，并通过模拟和真实数据分析的示例来说明它们的用法，包括来自生殖项目的数据：心理学和预先存在的心血管疾病对COVID-19结果的影响的系统综述。
2021-05-09 stat.AP stat.ME
Mathematical Theory of Bayesian Statistics for Unknown Information Source
Tokyo Institute of Technology（东京工业大学）
在统计推断中，不确定性是未知的，所有模型都是错误的。也就是说，一个建立统计模型和先验分布的人同时意识到两者都是虚构的候选人。为了研究这种情况，统计措施，如交叉验证，信息标准，和边际似然，然而，他们的数学性质尚未完全澄清时，统计模型的参数不足和过度。我们介绍了一个地方的数学理论贝叶斯统计的未知的不确定性，它澄清了一般属性的交叉验证，信息标准，和边际似然，即使一个未知的数据生成过程是无法实现的模型，或者即使后验分布不能近似的任何正态分布。因此，它为一个不能相信任何特定模型和先验的人提供了一个有用的观点。本文共分三个部分。第一个是新的结果，而第二个和第三个是众所周知的新实验的结果。我们证明了存在比留一交叉验证更精确的泛化损失估计，存在比BIC更精确的边缘似然近似，并且泛化损失和边缘似然的最佳超参数是不同的。
2023-02-10 cs.LG math.ST stat.TH
Is the Best Better? Bayesian Statistical Model Comparison for Natural Language Processing
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）；City University of New York（纽约城市大学）
最近的工作引起了人们对使用标准分割来比较自然语言处理模型的关注。我们提出了一种贝叶斯统计模型比较技术，该技术使用跨多个数据集的k折交叉验证来估计一个模型将优于另一个模型的可能性，或者两个模型将产生几乎等同的结果。我们使用这种技术来排名六个英语词性标注在两个数据集和三个评价指标。
2020-10-06 cs.CL cs.LG stat.ME
Learning Summary Statistic for Approximate Bayesian Computation via Deep Neural Network
近似贝叶斯计算（ABC）方法用于近似具有未知或计算上难以处理的似然模型中的后验分布。ABC的准确性和计算效率都取决于汇总统计量的选择，但在已知最佳汇总统计量的特殊情况之外，尚不清楚可以使用哪些指导原则来构建有效的汇总统计量。在本文中，我们探索了通过训练深度神经网络来自动化构建汇总统计量的过程的可能性，以从人工生成的数据中预测参数：所得到的汇总统计量近似为参数的后验均值。通过最小的模型特定调整，我们的方法为伊辛模型和移动平均模型构建了汇总统计量，这些模型在所得后验的准确性方面匹配或超过了理论激励的汇总统计量。
2017-03-16 stat.CO stat.ME stat.ML
Combine Statistical Thinking With Open Scientific Practice: A Protocol of a Bayesian Research Project
统计界目前的发展情况表明，现代统计教育应该从整体上进行，即允许学生使用真实数据并回答具体的统计问题，但也要教育他们了解其他框架，如贝叶斯推断。在这篇文章中，我们描述了我们如何将这样一个整体的结构在有序二项概率的贝叶斯研究项目。该项目由三名心理学本科生组成，他们具有贝叶斯统计和编程的基础知识，但缺乏正式的数学训练。该研究项目旨在（1）传达贝叶斯推断的基本数学概念;（2）让学生体验整个经验周期，包括数据的收集，分析和解释;（3）教学生开放科学实践。
2022-01-06 stat.AP
Bayesian computation for statistical models with intractable normalizing constants
本文讨论了具有难处理的归一化常数的统计模型的贝叶斯分析中的一些计算问题。当似然函数中存在难以处理的归一化常数时，传统的MCMC方法无法应用。我们提出了一种方法，从这样的后验分布的样本。该方法可以被认为是Geyer和Thompson（1992）的MCMCMC-MLE方法的贝叶斯版本。据我们所知，这是第一个一般的和渐近一致的蒙特卡罗方法，这样的问题。我们用图像分割和社会网络建模的例子来说明该方法。我们还研究了算法的渐近性态，得到了经验平均值的一个强大数定律。
2008-04-21 stat.CO stat.ME
Being Bayesian in the 2020s: opportunities and challenges in the practice of modern applied Bayesian statistics
Queensland University of Technology（昆士兰科技大学）；The University of Queensland（昆士兰大学）
本文探讨了现代应用贝叶斯统计中的六个机遇与挑战，包括智能数据收集、新数据源、联邦分析、隐式模型推断、模型迁移及有目的的软件产品。
2023-01-17 stat.AP
Conjugate distributions in hierarchical Bayesian ANOVA for computational efficiency and assessments of both practical and statistical significance
根据数据中的不同因素评估变异性是统计学的基本技术。然而，通常被认为是方差分析（ANOVA）的方法通常仅限于数据中存在因子的所有水平（即因子水平的总体已经用尽）的情况。随机和混合效应模型用于更复杂的情况，但需要不同的术语，概念和理论，以及不同的推理程序。分层贝叶斯方法后，一个全面的方差分析框架，它统一了上述统计模型，强调实际而不是统计意义，解决了随机效应的参数可识别性问题，并提供了直接的计算程序的推理步骤。虽然这是以严格的方式完成的，但本文的内容可以被视为支持向方差分析转变的方法的意识形态。
2013-03-14 stat.ME
Computational Methods in Bayesian Statistics
本文着重于利用两种不同的贝叶斯方法来处理数据分析中出现的各种玩具问题。特别是，我们实现了变分贝叶斯和嵌套采样方法来解决多项式选择和高斯混合模型的问题，比较算法的处理速度和精度。在这里解决的问题，它是变分贝叶斯算法是更快的，虽然这两个结果给出了类似的结果。
2010-03-22 stat.CO
On the relevance of the Bayesian approach to Statistics
我们在这里争论的相关性和最终统一的贝叶斯方法在一个中立和不可知论的方式。我们的主题是贝叶斯数据分析是处理复杂模型的有效工具，正如应用科学中越来越多的贝叶斯研究所证明的那样。在这篇文章中，我们忽略了关于概率的深层含义和参数的随机性的哲学辩论，因为这些辩论是过去的事情，对这种方法有害，并且对大多数旁观者来说是不可理解的。
2010-03-25 stat.CO stat.ME
Building complex networks through classical and Bayesian statistics - a comparison
本研究是关于研究和比较两种不同的方法来构建复杂网络。我们研究的主要目标是找到一种有效的方法来构建网络，特别是当我们的观测值比变量少的时候。我们构建网络估计部分相关系数经典统计（逆方法）和贝叶斯统计（正常-逆Wishart共轭先验）。在本研究中，为了解决观测值少于变量的问题，我们提出了一种称为局部偏相关的新方法，该方法包括为每对变量选择与该对变量最相关的其他变量。我们将这些方法应用于模拟数据，并通过ROC曲线进行比较。最有吸引力的结果是，即使它有很高的计算成本，使用贝叶斯推断的树是更好的，当我们有更少的观察比变量。在其他情况下，这两种方法都取得了令人满意的结果。
2014-09-09 stat.ME
From priors to performance: enhancing statistical efficiency with Bayesian dynamic borrowing
University of North Carolina Chapel Hill（北卡罗来纳大学教堂山分校）；Getulio Vargas Foundation（热图利奥·瓦加斯基金会）
本文全面回顾贝叶斯动态借用方法，并展示如何利用公开软件实现模型选择、效应估计和敏感性分析，以增强分析人员整合外部数据的信心。
2026-09-15 stat.ME
Probabilistic morphisms and Bayesian nonparametrics
在本文中，我们开发了一种概率态射的函子语言，并将其应用于贝叶斯非参数的一些基本问题。首先，我们扩展和统一的Kleisli范畴的概率态射提出的Lawvere和Giry的统计模型提出的Chentsov和Morse-Sacksteder的范畴。然后，我们介绍了贝叶斯统计模型的概念，它形式化了贝叶斯统计中具有给定先验分布的参数空间的概念。{We使用概率态射重新讨论后验分布的存在性}。特别地，我们给出了贝叶斯统计模型的后验分布的一个显式公式，假设基本参数空间是Souslin空间，样本空间是完备连通有限维黎曼流形的一个子集.然后利用Sethuraman构造的Dirichlet映射的函子性质，给出了任意可测空间上Dirichlet测度存在性的一个新的证明.
2021-03-21 math.CT math.PR math.ST
A simple two-sample Bayesian t-test for hypothesis testing
本文针对两样本假设检验问题，提出了一种显式的封闭形式贝叶斯因子。所提出的方法可以被看作是贝叶斯版本的合并方差的t-统计量，并在实际应用中有各种吸引人的属性。它仅依赖于通过t统计量的数据，因此可以使用Excel电子表格或袖珍计算器进行计算。它避免了几个不希望的悖论，这可能会遇到以前的贝叶斯方法的Gonen等人。（2005）。具体来说，所提出的方法可以很容易地教在一个入门统计课程，重点是贝叶斯思维。为了说明的目的，提供了模拟和真实数据的例子。
2015-09-08 stat.ME
Constructing Genetic Risk Scores: Robust Bayesian Approach through Projected Summary Statistics and Flexible Shrinkage
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种基于投影汇总统计量和灵活收缩的贝叶斯方法，用于构建更稳健的遗传风险评分，通过广泛实验验证其在不同场景下的优越性能。
2026-03-09 stat.ME
Topics in Nonparametric Bayesian Statistics
University of Oslo（奥斯陆大学）
本文综述了非参数贝叶斯统计学领域内的各种理论和应用研究主题，补充和扩展了最近的综述文献，旨在探讨感兴趣的研究所涉及的领域。
2026-05-20 stat.ME
The Epistemic Uncertainty Hole: an issue of Bayesian Neural Networks
LORIA（洛里亚计算机科学与应用实验室）；CentraleSupélec（中央高等电力学院）
本文通过实验揭示贝叶斯深度学习中认知不确定性随模型增大或数据稀少而异常坍缩的“认知不确定性漏洞”，并评估其对分布外样本检测的影响。
2024-07-02 cs.LG stat.ML
BMW: Bayesian Model-Assisted Adaptive Phase II Clinical Trial Design for Win Ratio Statistic
Indiana University（印第安纳大学）
BMW设计提出一种基于赢比统计量的贝叶斯模型辅助适应性II期临床试验设计，通过联合渐近分布计算后验概率，实现灵活的中期监控和FWER控制，减少样本量并保持统计功效。
2026-02-19 stat.AP stat.ME
Statisticians Training STEM Educators in Statistics Methods and Pedagogy: A Case Study of Instructor Training in Bayesian Methods
本文以贝叶斯方法教师培训为案例，介绍由统计学家主导的“培训培训者”模式，并总结设计实施中的挑战、机会与建议。
2025-05-05 stat.OT
Bayesian Data Analysis in Empirical Software Engineering Research
本文针对频率统计在异构软件工程数据分析中灵活性不足、结果难解释的问题，介绍贝叶斯数据分析，并通过重新分析自动生成测试和编程语言性能两项研究展示其优势。
2019-08-26 cs.SE stat.ME
bayesics: Core Statistical Methods via Bayesian Inference in R
University of Iowa（爱荷华大学）；JANE LLC（JANE有限责任公司）
bayesics通过贝叶斯推断在R中实现核心统计方法，提供统一框架和关键推断量，支持多种统计程序和模型评估。
2026-02-16 stat.CO stat.ME
False Discovery Rate Control via Bayesian Mirror Statistic
针对高维模型中变量选择与推断同步进行的难题，提出基于贝叶斯框架的镜像统计FDR控制方法，利用系数后验分布构建统计量，无需拆分数据，适配多类场景且支持高维扩展。
2025-10-01 stat.ME stat.ML
Active Learning with Bayesian Reasoning: A POGIL-Based Pedagogy in Introductory Statistics
Marquette University（马凯特大学）；Wisconsin Lutheran College（威斯康星路德学院）
本文介绍一种面向过程的引导探究学习（POGIL）活动，用于在入门统计学中通过条件概率、贝叶斯定理和信念更新教授贝叶斯推理，并通过准实验比较POGIL与讲授式教学的效果，发现两者在考试表现和满意度上无显著差异。
2026-06-15 stat.AP stat.ME stat.OT
Asymptotics of approximate Bayesian computation when summary statistics converge at heterogeneous rates
本文研究汇总统计量以异质速率收敛时近似贝叶斯计算的渐近性质，给出后验收敛条件及形状的显式表示，并量化局部线性后处理的增益。
2023-11-16 stat.CO
Statistical comparison of classifiers through Bayesian hierarchical modelling
Istituto Dalle Molle di studi sull’Intelligenza Artificiale (IDSIA)（达勒莫勒人工智能研究所 (IDSIA)）；University of Ljubljana（卢布尔雅那大学）
通常人们通过零假设显著性检验（nhst）来比较两个竞争分类器的准确性。然而，nhst测试遭受的重要缺点，这可以通过切换到贝叶斯假设检验克服。我们提出了一个贝叶斯分层模型，共同分析交叉验证结果，由两个分类器在多个数据集。它返回两个分类器的准确度实际上相等或显著不同的后验概率。分层模型的另一个优点是，通过联合分析所有数据集上获得的结果，与对给定数据集上获得的交叉验证结果进行平均的通常方法相比，它减少了估计误差。
2016-11-22 cs.LG stat.ME stat.ML
Bayesian Reconstruction of Missing Observations
本文重点研究了一种基于贝叶斯重建的插值方法。在标准插值方法中，缺失数据是确定性插值的，而在贝叶斯重建中，缺失数据是使用贝叶斯处理概率性插值的。在本文中，我们将讨论贝叶斯重建的框架和它的应用在交通工程领域的交通数据重建问题。在本文的后半部分，我们描述了我们的贝叶斯流量重建模型的统计性能的评估，使用统计机械的方法，并澄清其统计行为。
2015-03-26 stat.ML
Learning Summary Statistics for Bayesian Inference with Autoencoders
Swiss Data Science Center（瑞士数据科学中心）；Università Svizzera italiana（瑞士意大利语区大学）；University of Insubria（因苏布里亚大学）
对于具有难处理的似然函数的随机模型，近似贝叶斯计算提供了一种通过重复比较观测值与模拟模型输出的一小部分汇总统计量来近似真实后验的方法。这些统计数据需要保留与约束参数相关的信息，但消除噪声。因此，它们可以被看作是一般随机模型的热力学状态变量。对于许多科学应用，我们需要比模型参数更多的汇总统计量来达到令人满意的后验近似。因此，我们建议使用基于深度神经网络的自动编码器的内部维度作为汇总统计。为了激励编码器对所有参数相关信息进行编码而不对噪声进行编码，我们向解码器提供了对关于噪声的显式或隐式信息的访问，该噪声已被用于生成训练数据。我们验证了两种类型的随机模型的经验方法。
2022-05-23 cs.LG stat.ME stat.ML
Bayesian Tracking of Emerging Epidemics Using Ensemble Optimal Statistical Interpolation (EnOSI)
我们探索使用最佳统计插值（OSI）数据同化方法的统计跟踪新出现的流行病，并研究疾病的空间动态。我们用于本研究的流行病模型是流行病学中常见的易感染-传染-去除（S-I-R）房室模型的空间变体。空间S-I-R流行病模型的应用程序来说明模拟的空间动态流行病数据从历史上的“黑死病”瘟疫的14世纪的欧洲。贝叶斯统计跟踪新出现的流行病，使用OSI，因为它展开说明了一个模拟的流行病波起源于新墨西哥州圣达菲。
2010-09-25 stat.CO
Bayesianize Fuzziness in the Statistical Analysis of Fuzzy Data
本文提出一种基于近似贝叶斯和 Gibbs 采样的回归框架，将模糊数据视为统计粗化结果，通过条件概率方法连接观测模糊统计量与潜在统计模型，从而提升模糊统计方法的可解释性与适用性。
2025-04-28 stat.AP stat.ME
Inherent Difficulties of Non-Bayesian Likelihood-based Inference, as Revealed by an Examination of a Recent Book by Aitkin
几十年来，统计学家一直试图在不打破贝叶斯鸡蛋的情况下准备贝叶斯煎蛋卷;也就是说，在不依赖信息丰富的先验分布的情况下获得基于概率似然的推断。最近的一个例子是Murray Aitkin的新书《{ \em统计推断}》，其中提出了一种基于竞争模型下可能性的后验分布比较的统计假设检验方法。Aitkin通过一些简单的例子，从iid数据和双向独立性测试中推断出他的方法。我们在这份说明中分析了其中采用的推理范式的一些后果，讨论了为什么这种方法是不兼容的贝叶斯的角度来看，为什么我们不认为它相关的应用工作。
2011-11-06 stat.ME stat.OT
