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
Hierarchical Bayesian estimation of inequality measures with nonrectangular censored survey data with an application to wealth distribution of French households
基于区间删失的调查数据,研究了财富不平等测度及其置信区间的估计问题。我们依赖于贝叶斯分层模型。它包括一个模型,其中,由于调查抽样和单位无响应,家庭的财富分布的总结观察到错误;一个多变量模型的财富组成部分的混合物,其中组对应于资产组合;和一个先验的参数。吉布斯采样器用于数值目的来进行推断。我们将这一策略应用于2004年法国财富调查。为了减少不答复的情况,以括号的形式系统地收集了这些数额。关于被调查者对财富税的责任和对概览问题的答复的匹配行政数据被用来更好地本地化财富组成部分。它意味着非矩形多维删失。在模型中的人口不平等措施的误差项的方差是使用线性化,并考虑到复杂的抽样设计和各种权重调整。
2011-07-29 stat.AP
Robust Bayesian Inference for Censored Survival Models
本文针对删失生存数据提出稳健贝叶斯加速失效时间模型,通过广义伽马分布尺度混合引入超厚尾混合密度,理论证明完全后验稳健性,开发高效MCMC算法,经数值实验和真实数据验证性能。
2025-04-15 stat.ME
Handling Missingness and Censoring in Dirichlet Mixture Models
本文提出一种保留单纯形结构的狄利克雷混合模型似然方法,通过EM类算法同时完成参数估计与插补,经仿真及捕虏体、PM₂.₅真实数据验证,可有效处理成分数据的缺失与删失问题。
2026-07-31 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
Estimating Latent Demand of Shared Mobility through Censored Gaussian Processes
Danmarks Tekniske Universitet (DTU)(丹麦技术大学);Donkey Republic(驴共和公司)
交通运输需求在很大程度上取决于供应,尤其是在共享交通运输服务方面,供应往往有限。由于观察到的需求不可能高于现有的供应,历史运输数据通常代表了真实的潜在需求模式的一个有偏见的或经过审查的版本。如果不明确说明这一内在区别,需求预测模型必然代表真实需求的一个有偏见的版本,从而不能有效地预测服务用户的需求。为了解决这个问题,我们提出了一个一般的方法,审查意识的需求建模,我们设计了一个审查的似然函数。我们将这种方法应用于共享移动需求预测的任务,通过将删失似然的高斯过程模型,它可以灵活地近似任意函数形式。在人工和真实世界数据集上的实验表明,在获得用户需求行为的无偏预测模型的过程中,考虑供应对需求的限制作用是至关重要的。
2020-02-17 cs.LG stat.ML
A Menu-Driven Software Package of Bayesian Nonparametric (and Parametric) Mixed Models for Regression Analysis and Density Estimation
大多数应用统计学涉及数据的回归分析。本文介绍了一个独立的和菜单驱动的软件包,贝叶斯回归:非参数和参数模型。目前,该软件包为用户提供了83个贝叶斯模型的选择,用于数据分析。它们包括47个贝叶斯非参数(BNP)无限混合回归模型; 5个用于密度估计的BNP无限混合模型;以及31个正态随机效应模型(HLM),包括正态线性模型。78个回归模型中的每一个都处理连续、二元或有序因变量,并且可以处理多水平(分组)数据。所有83个贝叶斯模型都可以处理加权观测的分析(例如,对于荟萃分析),以及左删失、右删失和/或区间删失数据的分析。每个BNP无限混合模型具有分配了各种BNP先验分布之一的混合分布,包括由Dirichlet过程、Pitman-Yor过程(包括归一化稳定过程)、beta(双参数)过程、归一化逆高斯过程、几何权重先验、相关Dirichlet过程或相关无限概率先验定义的先验。软件用户可以点击鼠标选择贝叶斯模型,并通过马尔可夫链蒙特卡罗(MCMC)抽样进行数据分析。采样完成后,软件自动打开文本输出,报告模型后验分布的基于MCMC的估计值和模型对数据的预测拟合。通过鼠标单击其他菜单选项可以生成其他文本和/或图形输出。这包括MCMC收敛分析的输出,以及选定泛函和协变量值的模型后验预测分布的估计。用MATLAB语言编制了BNP回归分析软件,并对实际数据进行了BNP回归分析。
2015-07-14 stat.CO
Neural Bayes estimators for censored inference with peaks-over-threshold models
本文提出利用神经贝叶斯估计器和数据增强技术高效处理删失超阈值峰值模型的空间极值推断,显著提升计算与统计效率,并成功应用于沙特阿拉伯PM2.5浓度评估。
2024-06-18 stat.ME stat.ML
A new mixture-based fixed-effect model for a biometrical case-study related to immunogenecity with highly censored data
提出了一种新的连续-离散混合回归模型,该模型适用于描述强删失数据。我们激励我们的调查的基础上,在生物统计学在海地麻疹疫苗的案例研究。在本病例研究中,中和抗体水平由所用疫苗类型、剂量水平和患者性别解释。该混合模型允许我们考虑过量的删失观测,并且由Birnbaum-Saunders分布和伯努利分布组成。这些分布描述了抗体水平和删失观察值的点质量。我们用极大似然方法估计模型参数。通过蒙特卡罗模拟和生物统计数据对模型进行了数值评估,两者都显示了其良好的性能和潜在的应用。
2018-07-29 stat.AP stat.ME
Mixture of linear experts model for censored data: A novel approach with scale-mixture of normal distributions
经典的线性专家混合模型(MoE)是数据建模、分类和聚类的常用统计框架之一。经典的MoE模型建立在误差项的正态性假设基础上,具有两个挑战:1)对非典型观测值和离群值敏感; 2)对删失数据可能产生误导性的推断结果。然后,本文旨在解决这两个挑战,同时,提出了一种新的鲁棒MoE模型的基于模型的聚类和判别删失数据与未观察到的误差项的正态分布类的尺度混合。基于这个新的模型,我们开发了一个分析的期望最大化(EM)型算法,以获得极大似然参数估计。仿真研究进行了检查所提出的方法的性能,有效性和鲁棒性。最后,通过实际数据验证了新模型的优越性.
2020-07-13 stat.AP stat.CO stat.ME
Lapse risk modelling in insurance: a Bayesian mixture approach
本文主要研究寿险保单的退保时间模型。在这种情况下,通常会在合同的头几个月观察到较大的失效率,几个月后该比率会下降。取消时间的建模必须考虑到这一特定行为。另一个程式化的事实是,在研究期间没有取消的政策被认为是审查。为了解释审查和异质失效率,这项工作假设了一个贝叶斯生存模型与回归的混合。该推断基于数据增强,即使对于超过一百万个客户端的数据集也可以进行快速计算。此外,还提出了基于期望最大化算法的可扩展点估计。一个说明性的例子模拟了人寿保险合同的典型行为和模拟研究调查所提出的模型的属性。特别是,在保险背景下观察到的审查可能高达50%的数据,这是非常不寻常的生存模型在其他领域,如流行病学。这方面是利用我们的模拟研究。
2022-07-14 stat.AP stat.CO
Robust Bayesian model selection for heavy-tailed linear regression using finite mixtures
在本文中,我们提出了一种新的方法来执行重尾分布的线性模型的贝叶斯模型选择。我们考虑一个有限的混合分布模型的潜在变量,其中每个组成部分的混合物对应于一个可能的模型内的对称类的正态独立分布。当然,高斯模型是其中一种可能性。这允许基于每个模型的后验概率进行同时分析。推理是通过马尔可夫链蒙特卡罗-吉布斯抽样与大都会黑斯廷斯步骤的一类参数。模拟的例子突出了这种方法的优势相比,隔离分析的基础上任意选择的模型选择标准。给出了真实数据的示例,并介绍和讨论了对截尾线性回归的扩展。
2017-08-18 stat.ME
Log-Laplace Nuggets for Fully Bayesian Fitting of Spatial Extremes Models to Threshold Exceedances
Colorado State University(科罗拉多州立大学)
本文提出一种乘法对数拉普拉斯 nugget 方法,通过在截断似然中引入条件独立性,实现高维空间极值模型的高效贝叶斯推断,同时保持极值依赖结构。
2026-04-08 stat.ME
Space-Time VON CRAMM: Evaluating Decision-Making in Tennis with Variational generatiON of Complete Resolution Arcs via Mixture Modeling
体育跟踪数据是对体育赛事的高分辨率时空观测。在职业体育中,这些数据的收集越来越多,这使我们能够解决现代体育的一个基本问题:如何将价值归因于个人行为?利用网球运动中球和运动员运动的平滑性,我们提出了一个函数数据框架来估计连续时间内的期望击球值(ESV)。我们的方法是一个三步配方:1)一个生成模型的球和球员轨迹的全分辨率功能表示使用无限贝叶斯高斯混合模型(GMM),2)条件的GMM观察到的位置数据,和3)预测投篮结果给定的功能编码的投篮事件。从ESV,我们得出三个指标的核心利益:增加值与投篮(VAST),投篮智商,和增加值与球场覆盖率(VACC),分别属性值投篮执行,投篮选择和运动在球场上。我们在2019年美国公开赛上对这些先进的指标进行了球员表现的评估,并展示了每一项指标如何为网球的表现评估增添了一个新的视角,通过定量评估球员在某一点上所做的决定,超越了简单的结果计数。
2020-05-22 stat.AP
In-Context Learning for Data-Driven Censored Inventory Control
Julius-Maximilians-Universität Würzburg(乌尔姆-马克斯·普朗克大学);Zaragoza Logistics Center(萨拉戈萨物流中心);National University of Singapore(新加坡国立大学)
本文提出ICGPS方法,结合生成模型与上下文自回归生成,通过学习潜在需求完成来解决决策依赖的censored新svendor问题,理论证明其贝叶斯遗憾可被控制,并在实际应用中表现优异。
2026-05-14 cs.LG math.OC stat.ML
A Bayesian Finite Mixture Model with Variable Selection for Data with Mixed-type Variables
University of Florida(佛罗里达大学);University of Florida Health Cancer Center(佛罗里达大学健康癌症中心);University of Pittsburgh(匹兹堡大学)
有限混合模型是聚类方法的一个重要分支,可以应用于混合类型变量的数据集。然而,在其应用中存在挑战。首先,它通常依赖于期望最大化算法,该算法可能对初始值的选择敏感。其次,生物标志物受检测限(LOD)的限制在临床数据中是常见的,这将删失变量带入有限混合模型。此外,由于可用于聚类的变量数量越来越多,研究人员最近对变量重要性越来越感兴趣。为了解决这些挑战,我们提出了一个贝叶斯有限混合模型,同时进行变量选择,占生物标志物LOD和获得聚类结果。为了克服期望最大化算法的局限性,我们采用贝叶斯方法来获得参数估计和聚类隶属度。为了解释LOD,我们在吉布斯抽样中增加了一个步骤,以迭代地填充低于或高于LOD的生物标志物值。此外,我们把一个尖峰和平板型的先验对每个变量,以获得变量的重要性。在各种情况下进行模拟,以检查这种方法的性能。还进行了电子健康记录的真实数据应用。
2019-05-09 cs.LG stat.AP stat.ML
Mixture Modeling based Probabilistic Situation Awareness
从概率建模的角度研究了态势感知问题。将态势作为一个隐变量,引入隐马尔可夫模型(HMM)和扩展状态空间模型(ESSM)来数学表达态势的动态演化规律以及态势与可观测量之间的关系。我们使用高斯混合模型(GMM)制定专家知识,这是需要在建立HMM和ESSM。我们表明,ESSM模型是更可取的HMM相比,因为使用ESSM,我们也可以得到一个实时估计的枢轴变量,连接的情况与可观察的量。通过一个威胁监视的仿真实验,验证了两种模型的有效性和效率.
2015-10-07 stat.AP
Bridging Asymptotic Independence and Dependence in Spatial Extremes Using Gaussian Scale Mixtures
高斯尺度混合物被构造为具有随机方差的高斯过程。它们具有非高斯边缘,并且可以表现出与高斯过程不同的渐近依赖性,高斯过程除了完全依赖的情况外是渐近独立的。在本文中,我们详细研究了高斯尺度混合物的极值依赖性质,我们统一和扩展的联合尾衰减率在渐近依赖和独立的情况下的一般结果。出于对空间极值的分析,我们提出了几种灵活而简约的参数Copula模型,这些模型可以从渐近依赖平滑地插值到独立性,并将高斯依赖作为特例。我们展示了如何使用删失似然方法将这些新模型拟合到高阈值的一致性,并且我们证明了它们提供了有关尾部特征的有价值的信息。我们的参数方法优于广泛使用的非参数$χ$和$\barχ$统计,通常用于指导模型选择在探索阶段,通过借用跨位置的强度,更好地估计渐近依赖类。我们证明了我们的方法的能力,充分捕捉极端属性的风速数据收集在太平洋西北部,美国。
2017-01-27 stat.ME
Mixture models applied to heterogeneous populations
混合模型提供了一个灵活的表示异构性在有限数量的潜在类。从贝叶斯的角度来看,马尔可夫链蒙特卡罗方法提供了一种从这些模型中得出推论的方法。特别是,当亚群的数量被认为是未知的,需要更复杂的方法来执行贝叶斯分析。在这种情况下,可逆跳跃马尔可夫链蒙特卡罗是通过模拟计算后验分布的替代方法。与这类模型的贝叶斯分析相关的一些问题是常见的,例如所谓的“标签转换”问题。然而,随着群体异质性水平的增加,这些问题预计将变得不那么频繁,模型的性能将得到改善。因此,这项工作的目的是评估正常的混合模型拟合使用不同的设置下的异质性和先验信息的混合比例的模拟数据。还提出了一个模拟研究,以评估该模型的性能,考虑已知的组件的数量和估计it.Finally,该模型被应用到一个删失的真实数据集包含抗体水平的巨细胞病毒在个人。
2020-05-05 stat.ME
Modeling Bimodal Discrete Data Using Conway-Maxwell-Poisson Mixture Models
在汇总调查数据和用户评分中,当受访者意见不一时,经常可以观察到双峰截断计数分布。它们也出现在删失计数数据中,其中最高类别可能会创建额外的模式。在离散数据中建模双峰行为对于各种目的都很有用,从比较不同样本(或调查问题)的形状到预测新评分者的未来评分。泊松分布是用于拟合计数数据的最常见分布,并且可以被修改以实现截断的泊松分布的混合。然而,它只适合于建模等分散分布,并在其捕获双峰的能力是有限的。Conway-Maxwell-Poisson(CMP)分布是泊松分布的两参数推广,其允许过分散和欠分散。在这项工作中,我们提出了一个混合的CMP捕获范围广泛的截断离散数据,可以表现出单峰和双峰的行为。我们提出了使用EM方法估计两个CMP分布的混合物的参数的方法。我们的方法在M步中引入了一个特殊的两步优化来估计多个参数。我们研究计算和理论问题。使用模拟和真实的例子说明了建模有序评级数据以及截断计数数据的方法。
2014-01-23 stat.ME
Optimal stratification of survival data via Bayesian nonparametric mixtures
分层比例风险模型代表了一种简单的解决方案,可以解释数据中的异质性,同时保持对风险函数的乘法效应。层通常通过诉诸于分类协变量所取的值来先验地定义。提出了一个一般框架,它允许分层的通用加速寿命模型,包括作为一个特殊情况下的威布尔比例风险模型。考虑到分层可能以不同的基线生存率以及预测因子的不同影响为特征,后验确定分层。这是通过考虑贝叶斯非参数混合模型及其在数据分区空间上诱导的后验分布来实现的。最优分层,然后确定的信息准则的变化,反过来,层特定的推理进行。所提出的方法的性能和它的鲁棒性的存在下,右删失的意见进行了研究,通过广泛的模拟研究。从马萨诸塞大学艾滋病研究单位IMPACT研究中提取的数据集的分析提供了进一步的说明。
2021-03-16 stat.ME
Paternity testing and other inference about relationships from DNA mixtures
我们提出的方法推断之间的关系的贡献者的DNA混合物和其他个人的已知基因型:一个基本的例子是测试是否一个贡献者的混合物是一个孩子的父亲的已知基因型。这种关系的证据被评估为指定关系与不存在这种关系的替代关系的似然比。我们分析了一个刑事案件和一个有争议的亲子鉴定案件的真实案例;在这两个例子中,部分证据来自DNA混合物。DNA样本的质量参差不齐,因此在解释方面存在挑战性问题。我们的方法是基于最近的统计模型的DNA混合物,其中贝叶斯网络(BN)被用作计算设备,目前的工作建立在这种方法上,但更明确地使用BN的建模。用于分析的R代码可作为补充材料免费提供。我们展示了与分析中的关系相关的特定基因型的额外信息如何极大地加强了由此产生的推断。我们发现,充分考虑到DNA混合物中固有的不确定性,可以产生非常接近于如果我们有一个单一来源的DNA图谱,人们将获得的似然比。此外,该方法可以容易地扩展以分析不同的情况,因为我们的方法不限于实施例中使用的特定基因分型试剂盒、所使用的等位基因频率数据库、假设的贡献者的数量、同时分析的迹线的数量,也不限于测试的特定假设。
2017-01-27 stat.AP
Bayesian significance test for discriminating between survival distributions
本文的主要目的是评价FBST,完全贝叶斯显著性检验,仅限于生存模型。生存分布应在树中选择,对数正态分布,伽玛分布和威布尔分布。对于这种歧视,一个线性混合的三个分布,其中的混合权重定义的狄利克雷分布的顺序三,是一个重要的工具:FBST是用来测试的假设定义的混合权重空间。该文件的另一个特点是,所有三个分布重新参数化,所有六个参数-每个分布两个-被写入的函数的平均值和方差的人口进行了研究。请注意,这三个分布在混合模型中共享相同的两个参数。混合密度于是具有四个参数,相同的两个用于三个区分密度,两个用于混合权重。一些数值模拟结果与一些右删失数据被认为是。对数正态-伽马-威布尔模型也适用于一个真正的研究与数据集组成的患者的生存时间的慢性肾功能衰竭的末期接受血液透析程序的患者;数据来自里约热内卢医院。权重的后验密度表示混合权重的顺序,FBST用于区分三种生存分布。关键词:模型选择;分离模型;生存分布;混合模型;显著性检验; FBST
2017-05-31 stat.ME
A Semiparametric Bayesian Method for Instrumental Variable Analysis with Partly Interval-Censored Time-to-Event Outcome
University of California Los Angeles(加利福尼亚大学洛杉矶分校)
针对部分区间删失生存数据,本文提出基于两阶段 Dirichlet 过程混合工具变量(DPMIV)模型的半参数贝叶斯方法,放宽正态误差假设以估计内生变量的因果效应,模拟和 UK Biobank 数据验证了其稳健性与优越性。
2025-01-23 cs.LG stat.AP stat.CO
Species Sensitivity Distribution revisited: a Bayesian nonparametric approach
Bocconi Institute for Data Science & Analytics, Bocconi University(博科尼数据科学与分析学院,博科尼大学);Univ. Grenoble Alpes, CNRS, Inria, Grenoble INP, LJK(格勒诺布尔阿尔卑斯大学,法国国家科学研究中心,法国国家信息与自动化研究所,格勒诺布尔理工学院);Université Paris-Saclay, INRAE, MaIAGE(巴黎萨克雷大学,法国国家农业食品与环境研究院)
本文提出了一种基于贝叶斯非参数方法的物种敏感分布改进方法,以提高生态风险评估的准确性与鲁棒性。
2026-02-04 stat.AP stat.ME
BNPdensity: Bayesian nonparametric mixture modeling in R
在潜在的模型错误设定下,稳健的统计数据建模通常需要将参数世界留给非参数世界。在后者中,参数是无限维对象,例如函数、概率分布或无限向量。在贝叶斯非参数方法中,为这些参数设计了先验分布,这为在实践中管理非参数模型的复杂性提供了一个手柄。然而,大多数现代贝叶斯非参数模型似乎往往遥不可及的从业者,推理算法需要精心设计,以处理无限数量的参数。这项工作的目的是通过提供贝叶斯非参数推理的计算工具来促进旅程。介绍了\R软件包BNPdensity中的一组可用函数,以便对无限混合模型(包括所有类型的删失数据)进行密度估计。该软件包提供了一个大类的这种模型的基础上规范化的随机措施,这代表了一个普遍的狄利克雷过程的混合物。这种推广的一个显著优点是,它提供了比狄利克雷更强大的聚类数先验。另一个关键的优点是在指定集群的规模和位置参数的先验的完全灵活性,因为共轭是不需要的。推理是使用一个理论接地近似抽样方法称为弗格森和克拉斯算法。该软件包还提供了几个拟合优度诊断,如QQ图,包括交叉验证标准,条件预测坐标。所提出的方法是说明一个经典的生态风险评估方法,称为物种敏感性分布(SSD)的问题,展示贝叶斯非参数框架的好处。
2021-10-20 stat.CO stat.ME
Mixture model modal clustering
两种最广泛的基于密度的聚类方法肯定是混合模型聚类和模态聚类。在混合模型方法中,密度被表示为混合物,并且聚类与不同的混合物组分相关联。在模态聚类中,聚类被理解为高密度区域,它们被低密度区域彼此分开,因此它们与密度模式周围的某些区域密切相关。如果真实密度确实在假设的混合密度类中,则混合模型聚类允许仔细检查比模态聚类更微妙的情况。然而,当以非参数方式使用混合建模时,利用混合密度筛的密集性来近似任何密度,则聚类和混合组分之间的对应关系可能变得可疑。在本文中,我们介绍了两种方法,采用模态聚类的观点后,混合模型拟合。提供了许多例子来说明,混合建模也可以用于聚类在非参数意义上,只要集群被理解为域的密度模式的吸引力。
2016-09-15 stat.CO stat.ML
Dirichlet Process Mixtures of Generalized Mallows Models
University of Washington(华盛顿大学);Massachusetts Institute of Technology(麻省理工学院)
提出了离散不完全排序下的Dirichlet过程混合模型,研究了两种估计后验聚类的Gibbs抽样推断技术。第一种方法使用切片采样子分量来估计聚类参数。第二种方法利用条件后验的近似来边缘化几个聚类参数。我们实证证明了(1)这种近似方法在提高收敛性方面的有效性,(2)Dirichlet过程模型在排名数据的其他聚类技术上的优势,以及(3)该方法在探索大型现实世界排名数据集方面的适用性。
2012-03-15 cs.LG stat.ML
Adaptive Recurrent Neural Network Based on Mixture Layer
Machine Intelligence Technology Lab, Alibaba Group(阿里巴巴集团机器智能技术实验室)
虽然循环神经网络(RNN)已经成为一个强大的工具来建模序列数据,它的性能是不够的,当处理序列与多个模式。在本文中,我们通过引入新的混合层和构建自适应RNN来解决这一挑战。混合层增广RNN(M-RNN)将训练序列中的模式划分为多个类,并将主模式作为混合模型中各成分的原型向量存储。通过利用混合层,该方法可以根据编码输入和原型向量之间的相似性自适应地更新状态,从而提高了对多模式序列的同化能力。此外,我们的方法可以通过利用有关数据的先验知识来进一步扩展。在模拟数据集和真实数据集上的实验证明了该方法的有效性。
2019-02-27 cs.AI cs.LG stat.ML
Mean regression for (0,1) responses via beta scale mixtures
University of Pretoria(比勒陀利亚大学);University of the Witwatersrand(威特沃特斯兰德大学)
本文提出beta尺度混合模型,用于更灵活地建模(0,1)响应,通过引入混合随机变量控制尾部行为,提升skewness和kurtosis的适应性,在模拟和真实数据上验证了其优于传统方法的性能。
2026-02-09 stat.ME
A Non-Iterative Quantile Change Detection Method in Mixture Model with Heavy-Tailed Components
Purdue University(普渡大学);North Carolina State University(北卡罗来纳州立大学)
混合模型的参数估计有着广泛的应用,从分类问题到复杂分布的估计。目前大多数关于估计混合密度的参数的文献是基于迭代期望最大化(EM)类型的算法,其需要使用对潜在标签变量的期望或使用贝叶斯规则从这种潜在标签的条件分布生成样本。此外,当分量的数量未知时,由于公知的标签切换问题\cite{richardson1997bayesian},该问题在计算上变得更加苛刻。在本文中,我们提出了一种基于变点方法的鲁棒且快速的方法来确定几乎适用于任何位置尺度家族的混合成分的数量,即使成分是重尾的(例如,柯西)。我们提出了几个数值例子,通过比较我们的方法与一些流行的方法在文献中使用模拟数据和真实的案例研究。所提出的方法被证明是高达500倍的速度比一些竞争的方法,也被证明是更准确的估计的混合分布的拟合优度检验。
2020-06-19 cs.LG stat.ML
$k$-MLE: A fast algorithm for learning statistical mixture models
Sony Computer Science Laboratories, Inc(索尼计算机科学实验室)
我们描述了$k$ -MLE,一个快速,高效的局部搜索算法学习有限的指数族,如高斯混合模型的统计混合。传统上,混合模型是使用期望最大化(EM)软聚类技术来学习的,该技术单调地增加了不完整(期望完整)的可能性。给定给定混合权重,硬聚类$k$ -MLE算法迭代地将数据分配给最可能的加权分量,并使用最大似然估计器(MLE)更新分量模型。利用指数族和Bregman发散之间的对偶性,证明了$k$ -MLE的完全似然的局部收敛性直接来自于对偶加性加权Bregman硬聚类的收敛性. $k$ -MLE的内部循环可以使用任何$k$ -means启发式算法来实现,比如著名的Lloyd的批处理或Hartigan的贪婪交换更新。然后,我们展示了如何更新混合权重最小化的交叉熵标准,这意味着更新权重,通过采取集群点的相对比例,并重复的混合参数更新和混合权重更新过程,直到收敛。硬EM被解释为$k$ -MLE的特殊情况下,当组件更新和权重更新都在内部循环中连续执行。为了初始化$k$ -MLE,我们提出了$k$ -MLE++,一个仔细的初始化$k$ -MLE保证概率上的最佳可能的完全似然的全球范围。
2012-03-23 cs.LG stat.ML
Nonparametric Bayesian Inference for Mean Residual Life Functions in Survival Analysis
平均剩余寿命函数是生存分布的一个关键泛函。它有一个实际有用的解释为预期的剩余寿命给定的生存到一个特定的时间点,它也表征了生存分布。然而,在概率建模框架下的推理方法方面,它受到了有限的关注。我们试图提供一般的推断方法,平均剩余寿命回归。生存数据通常包括一组生存反应分布的预测变量,在许多情况下,将协变量作为随机变量纳入建模是很自然的。因此,我们采用Dirichlet过程混合建模的协变量和生存响应的联合随机机制。这种方法意味着一个灵活的模型结构的平均剩余寿命的条件响应分布,允许一般形状的平均剩余寿命作为一个函数的协变量给定一个特定的时间点,以及时间的函数给定特定值的协变量向量。为了扩大建模框架的范围,我们扩展了混合模型,将实验组之间的依赖性,如治疗组和对照组。该扩展是从特定于组的混合分布的相关Dirichlet过程之前构建的,具有通过潜在双变量Beta分布随机变量在组之间变化的公共位置和权重。我们开发的回归模型的属性,并讨论了先验规范和后验推理的方法。该方法的不同组成部分与模拟数据的例子进行了说明,该模型也适用于数据集,包括右删失生存时间。
2018-10-09 stat.ME
Modeling citation concentration through a mixture of Leimkuhler curves
本文针对标准Leimkuhler函数拟合信息计量数据精度不足的问题,提出将概率密度函数与异质性因子结合的新方法,引入PG和PIG混合分布并给出闭式表达式,实证表明混合模型优于基于Power和Pareto分布的基本模型。
2024-01-13 cs.DL stat.AP