Flexible Transformations for Bayesian Score Calibration
Queensland University of Technology（昆士兰科技大学）；Adelaide University（阿德莱德大学）；National University of Singapore（新加坡国立大学）
本文提出两种灵活变换（多项式扩展和顺序应用）用于贝叶斯评分校准，以修正复杂模型误差，并在模拟研究中展示其优于现有方法。
2026-09-09 stat.CO stat.ME
Sequential Design for Computer Experiments with a Flexible Bayesian Additive Model
在计算机实验中，在计算机上实现的数学模型用于表示复杂的物理现象。这些模型被称为计算机模拟器，可以对复杂现象的虚拟表示进行实验研究。模拟器可以被认为是复杂的功能，需要许多输入并提供输出。通常这些模拟器本身计算起来很昂贵，并且可以通过“替代模型”（如统计回归模型）来近似。在本文中，我们考虑了一种新的代理模型，贝叶斯集成的树（Chipman等。2010），与学习足够的模拟器的特定功能的模拟器可以估计的具体目标。我们专注于识别模拟器的全局最小值。利用贝叶斯版本的预期改善标准（琼斯等人，1998年），我们表明，这种合奏是特别有效的，当模拟器表现不佳，表现出非平稳性或突然变化的响应。一些插图的方法，包括潮汐发电的应用。
2012-07-01 stat.ME stat.ML
Nonlinear association structures in flexible Bayesian additive joint models
纵向和生存数据的联合模型已成为纵向生物标志物和事件过程之间的关联建模的重要工具。在现有的共享随机效应模型中，标记物和对数风险之间的关联被假设为线性，该假设通常未被检查。我们提出了一个扩展的框架，灵活的添加剂联合模型，允许估计的非线性，协变量的具体关联，利用贝叶斯P-样条。我们的联合模型估计在贝叶斯框架中使用结构化的添加剂预测的所有模型组件，允许在纵向子模型，生存子模型及其关联的平滑非线性，时变和随机效应条款的规格有很大的灵活性。捕捉真正的线性和非线性关联的能力进行了评估，并在广泛研究的罕见致命性肝病原发性胆汁性肝硬化的生物医学数据上进行了说明。所有方法都在R软件包bamlss中实现，以方便这种柔性关节模型在实际中的应用。
2017-10-23 stat.ME
The ARR2 prior: flexible predictive prior definition for Bayesian auto-regressions
提出ARR2先验，通过在贝叶斯时间序列模型中联合定义自回归分量及其诱导$R^2$，实现灵活直观的收缩，有效提升了稀疏推断质量与预测性能。
2025-02-06 econ.EM stat.CO
A flexible Bayesian g-formula for causal survival analyses with time-dependent confounding
本文提出一种结合BART的灵活贝叶斯g-formula，用于存在时变混杂的因果生存分析，可纳入纵向平衡得分并支持静态与动态治疗策略，通过模拟和电子健康记录数据验证其性能。
2025-02-22 stat.CO stat.ME stat.ML
Flexible Bayesian Last Layer Models Using Implicit Priors and Diffusion Posterior Sampling
Columbia University（哥伦比亚大学）
本文针对贝叶斯最后一层模型高斯先验表达能力受限的问题，提出结合扩散技术与隐式先验的变分学习方法，通过扩散采样近似后验预测，在保证计算效率的同时提升模型精度、校准和分布外检测性能。
2024-08-07 cs.AI cs.LG stat.ML
A Flexible Framework for Multi-Objective Bayesian Optimization using Random Scalarizations
Carnegie Mellon University（卡内基梅隆大学）；UC Berkeley（加州大学伯克利分校）
许多现实世界的应用程序可以被框定为多目标优化问题，我们希望同时优化多个标准。贝叶斯优化技术的多目标设置是相关的功能时，评估的问题是昂贵的。传统的多目标优化方法，贝叶斯和其他方法，旨在恢复这些目标的帕累托前沿。然而，在某些情况下，由于外部考虑，从业者可能希望仅在帕累托前沿的子集中识别帕累托最优点。在这项工作中，我们提出了一个基于随机标量化的目标，解决这个问题的战略。我们的方法能够灵活地从帕累托前沿的期望区域采样，并且在计算上比大多数MOO方法便宜得多。我们还研究了多目标环境中的后悔概念，并表明我们的策略实现了次线性后悔。我们的实验与合成和现实生活中的问题，并证明我们所提出的算法的灵活性和遗憾方面的优越性能。
2019-06-20 cs.LG stat.ML
BARTSIMP: flexible spatial covariate modeling and prediction using Bayesian additive regression trees
针对空间统计预测中现有方法难以兼顾协变量非线性建模与可靠不确定性估计的问题，提出结合高斯过程与BART的BARTSIMP方法，通过MCMC与INLA结合降本，经模拟和肯尼亚人体测量数据验证有效。
2025-02-21 stat.ME stat.ML
More Flexible PAC-Bayesian Meta-Learning by Learning Learning Algorithms
Institute of Science and Technology Austria (ISTA)（奥地利科学技术研究所）；Sharif University of Technology（谢里夫理工大学）
我们引入了一个基于PAC-Bayesian理论的元学习新框架，通过将元学习直接表达为学习未来任务的学习算法，实现了更灵活的任务间知识转移，并在理论和实验上均证明了其能提升预测质量。
2024-05-29 cs.LG stat.ML
A flexible Bayesian method for adaptive measurement in psychophysics
在心理物理学实验中，时间和参与者有限的善意通常是一个主要的限制。这是早期开发用于测量心理测量阈值的自适应方法的主要动机。最近，已经开发出以自适应方式测量整体心理测量功能的方法。在这里，我们描述了一个贝叶斯方法来测量自适应的心理物理功能的任何方面，从Kontsevich和泰勒的最佳贝叶斯测量方法的灵感。我们的方法是在一个完整的，易于使用的MATLAB软件包中实现的。
2008-09-02 stat.AP
Flexible Bayesian additive joint models with an application to type 1 diabetes research
纵向和时间-事件数据的联合建模是越来越受欢迎的重要工具，用于深入了解生物标志物和事件过程之间的关联。我们开发了一个通用框架的灵活添加剂联合模型，允许规格的各种影响，如平滑的非线性，时变和随机效应，在纵向和生存的部分模型。我们的扩展是出于波动的疾病特异性标志物之间的关系的调查，在这种情况下，自身抗体，和自身免疫性疾病1型糖尿病的进展。通过使用贝叶斯P样条，我们特别能够捕获高度非线性的受试者特异性标记物轨迹以及标记物与事件过程之间的时变关联，从而对疾病进展有新的见解。该模型是在贝叶斯框架内估计的，并在R-包bamlss中实现。
2017-01-20 stat.AP stat.ME
Flexible Empirical Bayesian Approaches to Pharmacovigilance for Simultaneous Signal Detection and Signal Strength Estimation in Spontaneous Reporting Systems Data
针对自发报告系统数据中药物警戒面临的信号检测与强度估计挑战，本文提出一套灵活的非参数先验经验贝叶斯方法，在保证性能的同时降低计算成本，提升实用价值。
2025-02-13 stat.ME
Sparse Bayesian ARX models with flexible noise distributions
研究了观测值受非标准分布随机干扰干扰时线性动态系统模型的估计问题。本文特别是由传感器的不完善的应用涉及到显着贡献的离群值或环绕的问题，导致多模态分布，如机器人应用中经常遇到的。如将要说明的，这些非标准的测量误差可以显着地损害标准估计方法的有效性，而这里开发的计算贝叶斯方法被证明是同样有效的标准方法在标准测量噪声的情况下，但显着更有效的非标准测量噪声分布的情况。
2018-07-06 eess.SP stat.AP stat.ME
A flexible Bayesian generalized linear model for dichotomous response data with an application to text categorization
我们提出了一类稀疏的广义线性模型，包括概率单位和逻辑斯谛回归作为特殊情况，并提供了一些额外的灵活性。我们提供了一个期望最大化算法，用于从数据中学习这些模型的参数。我们将我们的方法应用于文本分类和模拟数据，并表明我们的方法优于logistic和probit模型，也是弹性网，在一般情况下，由一个很大的保证金。
2007-08-07 stat.ME
Approximate Bayesian inference of directed acyclic graphs in biology with flexible priors on edge states
提出近似贝叶斯方法baycn，通过边的三种状态（两个方向与缺失）灵活指定先验，并设计伪贝叶斯抽样算法高效推断生物有向无环图，在基因组学问题与模拟中准确率显著优于现有方法。
2023-11-28 stat.CO 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
Bayesian linear regression models with flexible error distributions
本文提出了一种新的基于有限混合t分布的方法来模拟线性回归模型中的误差分布。新颖性在于一个特定的层次结构的混合物分布，其中第一级模型的模式的数量，负责容纳多模态和偏态特征，和第二级模型尾部行为。此外，后者的方式，没有自由度参数的估计，因此，已知的统计困难时，处理这些参数得到缓解，但模型的灵活性不受影响。通过马尔可夫链蒙特卡罗和仿真研究进行推理，以评估所提出的方法的性能。两个实际数据集的分析也被提出。
2017-11-12 stat.ME
flexBART: Flexible Bayesian regression trees with categorical predictors
针对传统BART独热编码分类预测变量导致划分受限的问题，提出可将多水平分配到节点两分支的flexBART，并新增空间数据决策规则先验，提升了预测性能与大数据扩展性。
2024-08-12 stat.ME stat.ML
Flexible Bayesian Quantile Analysis of Residential Rental Rates
本文提出一种基于广义非对称拉普拉斯分布的贝叶斯随机效应分位数回归模型，用于面板数据，并应用于全球金融危机后美国住宅租金率分析，结果表明该模型在多数分位数上提供了显著灵活性。
2023-09-06 econ.EM stat.ME
Fast and Flexible Bayesian Inference in Time-varying Parameter Regression Models
本文将含有K个解释变量和T个观测值的时变参数（TVP）回归模型写成含有KT个解释变量的常系数回归模型。与现有文献中假设系数按照随机游走演化的假设不同，本文引入了TVP的分层混合模型。由此产生的模型密切模仿一个随机系数的规格，分组的TVP到几个政权。这些灵活的混合物允许TVP具有少量、中等或大量的结构断裂。我们开发了计算效率的贝叶斯计量经济学方法的基础上的奇异值分解的KT回归。在人工数据中，我们发现我们的方法在计算时间方面比标准方法更准确，更快。在一个涉及使用大量预测因子进行通货膨胀预测的实证研究中，我们发现我们的模型比其他方法预测得更好，并且记录了不同的参数变化模式，而不是假设参数随机游走演化的方法。
2021-09-30 econ.EM stat.CO
Flexible Bayesian Dynamic Modeling of Correlation and Covariance Matrices
由于正定性约束和潜在的高维性，建模相关（和协方差）矩阵可能具有挑战性。我们的方法是将协方差阵分解为相关矩阵和方差矩阵，并提出了一种新的贝叶斯框架的基础上建模的相关性作为产品的单位向量。通过指定一个广泛的分布范围内的球（例如平方Dirichlet分布），所提出的方法诱导灵活的先验分布的协方差阵（超越常用的逆Wishart先验）。为了模拟具有复杂依赖结构的真实时空过程，我们将我们的方法扩展到动态情况，并引入单位向量高斯过程先验，以捕获多变量时间序列的分量之间的相关性的演变。为了处理由此产生的后验的棘手性，我们引入了自适应$Δ$ -球面哈密顿蒙特卡罗。我们证明了我们提出的框架的有效性和灵活性，在模拟研究的周期性过程和分析大鼠的局部场电位活动在一个复杂的序列记忆任务。
2019-01-16 stat.ME
Flexible cost-penalized Bayesian model selection: developing inclusion paths with an application to diagnosis of heart disease
本文提出一种灵活成本惩罚的贝叶斯模型选择方法，通过可调先验和包含路径可视化，帮助医疗从业者在考虑预测变量成本的情况下选择有用子集，并在心脏病诊断数据上验证其有效性。
2024-05-06 stat.ME
Flexible and efficient Bayesian pharmacometrics modeling using Stan and Torsten, Part I
Stan是一种开源的概率编程语言，主要用于贝叶斯数据分析。它的主要推理算法是一个自适应的哈密顿蒙特卡罗采样器，支持最先进的梯度计算。Stan的优势包括高效的计算，一种具有很大灵活性的表达性语言，以及允许建模者检查推理是否可靠的众多诊断。Torsten扩展了Stan的一系列功能，这些功能有助于指定药代动力学和药效学模型，并使指定临床事件时间表变得简单。本教程的第一部分演示了如何使用Stan和Torsten构建、拟合和评价标准的药代动力学和药效学模型。
2022-03-28 stat.AP
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
Flexible Bayesian Modeling of Counts: Constructing Penalized Complexity Priors
许多数据，特别是在医学和疾病绘图方面的数据都是有价值的。事实上，在计数数据的过度或过度分散的问题不信任的经典泊松模型的性能。针对这一问题，本文提出了一种新的贝叶斯结构可加回归模型，称为gamma计数，在离散建模方面具有足够的灵活性。在模型参数上设置方便的先验分布是贝叶斯统计中的一个重要问题，它表征了我们的不确定性参数的性质。依赖于最近提出的一类惩罚复杂性先验，从一组一般的建设原则的动机，我们推导出先验结构。该模型可以表示为一个隐高斯模型，因此，我们可以使用集成嵌套拉普拉斯近似方法进行快速计算。我们调查所提出的方法模拟研究。对不同的征用先验分布进行了检验，以提供合理的敏感性分析。为了解释所提出的模型的适用性，我们分析了两个真实世界的数据集相关的喉癌死亡率在德国和手球冠军联赛。
2021-05-18 stat.AP stat.ME
A flexible Bayesian non-confounding spatial model for analysis of dispersed count data in clinical studies
在使用空间回归模型进行计数时，我们通常会遇到两个问题。首先，忽略协变量和空间效应之间的固有共线性将导致因果推断。第二，真实计数数据通常揭示了经典泊松模型不适合使用的过度或欠分散。我们提出了一个灵活的贝叶斯分层建模方法，加入非混淆的空间方法和一个新的重新考虑的离散计数模型从更新理论来控制的问题。具体来说，我们扩展的方法来分析空间计数数据的基础上的Γ分布假设的等待时间。该模型可以表示为一个隐高斯模型，因此，我们可以使用集成嵌套拉普拉斯近似方法进行快速计算。我们还研究了不同的流行的方法来处理空间混淆，并比较它们的性能在分散的存在。我们使用所提出的方法来分析斯洛文尼亚胃癌发病率相关的临床数据集，并进行模拟研究，以更好地了解所提出的方法的优点。
2021-05-20 stat.AP stat.ME
The Cox-Polya-Gamma Algorithm for Flexible Bayesian Inference of Multilevel Survival Models
本文提出Cox-Polya-Gamma算法，通过泊松过程近似与充分降维策略，解决贝叶斯多层Cox半参数回归中非参数基线累积风险的单调性约束计算难题，并给出算法的一致遍历性条件。
2024-11-23 stat.ME
A Bayesian model for sparse graphs with flexible degree distribution and overlapping community structure
University of Oxford（牛津大学）；AITRICS；The Hong Kong University of Science and Technology（香港科技大学）；Pohang University of Science and Technology（浦项科技大学）
我们考虑一类非投影的非齐次随机图模型，具有可解释的参数和一些有趣的渐近性质。使用Bollobás等人的结果。[2007]，我们证明了i）这类模型是稀疏的，ii）取决于参数的选择，模型要么是无标度的，幂律指数大于2，要么是渐近度分布，幂律指数截止。我们提出了一个扩展的模型，可以容纳重叠的社区结构。由于链接概率的特定选择，可以执行可扩展的后验推理。我们在五个不同的真实世界网络上进行了实验，这些网络具有多达100，000个节点和边缘，表明该模型可以很好地拟合度分布，并很好地恢复潜在的社区结构。
2018-10-03 cs.LG cs.SI stat.ML
Efficient Bayesian estimation for flexible panel models for multivariate outcomes: Impact of life events on mental health and excessive alcohol consumption
我们考虑的问题考虑估计一个多变量纵向面板数据模型，其结果可以是离散和连续变量的组合。这个问题是具有挑战性的，因为可能性通常是难以分析的。我们的文章既在方法上做出了贡献，也对应用程序做出了实质性的贡献。方法上的贡献是在面板数据文献中引入粒子Metropolis within Gibbs方法来进行贝叶斯推断，使用哈密顿蒙特卡罗（Neal 2011}建议对未知参数的向量进行采样。我们注意到，在面板数据模型中，我们的第二个贡献是应用我们的方法对严重的生活事件对心理健康和过度饮酒的影响进行认真的分析。这两个结果之间的依赖性可能会更加明显，当饮酒过量和心理健康状况差，这反过来又影响了生活事件如何影响结果的联合分布。
2017-09-23 stat.ME
Flexible Bayesian Support Vector Machines for Brain Network-based Classification
目的：在心理健康研究中，大脑网络作为潜在的生物标志物已经得到越来越多的认可，但能够利用复杂的大脑网络进行准确分类的方法有限。我们的目标是开发一种新的贝叶斯支持向量机（SVM）的方法，采用高维网络作为协变量，并能够克服现有的惩罚方法的局限性。研究方法：我们开发了一种新的Dirichlet过程混合的双指数先验的系数在贝叶斯SVM模型，能够执行特征选择和不确定性量化，通过汇集信息的边缘，以确定差分稀疏水平在无监督的方式。我们开发了不同版本的模型，它结合了静态和动态连接功能，以及一个综合分析，共同包括多个扫描会话的功能。我们使用来自人类连接组计划（HCP）的静息状态fMRI数据和第二个注意力缺陷多动障碍（ADHD）分类任务对智力水平进行分类。结果：我们的研究结果清楚地揭示了相当大的分类精度下所提出的方法比国家的最先进的方法。多会话分析导致HCP数据分析中的最高分类准确度。结论：我们提供了具体的证据表明，新的贝叶斯支持向量机提供了一个无监督和自动化的方法，基于网络的分类，结果在相当大的改进惩罚方法和参数贝叶斯方法。重要性：我们的工作是第一个最终证明贝叶斯SVM在基于网络的心理健康结果分类中的优势，以及多会话网络分析的重要性。
2022-05-24 stat.ME
Flexible Bayesian inference for diffusion processes using splines
本文提出用样条基建模漂移与波动率函数的变换形式，并通过 MCMC 进行非参数贝叶斯后验推断，在金融、古气候和天体物理数据上揭示了常用参数扩散模型的可疑之处。
2023-09-29 stat.AP stat.CO stat.ME
Bayesian Deep Net GLM and GLMM
深度前馈神经网络（DFNN）是函数逼近的有力工具。我们描述了灵活的版本的广义线性和广义线性混合模型纳入基函数形成的DFNN。考虑随机效应的神经网络在文献中没有被广泛使用，可能是因为将主题特定参数纳入已经复杂的模型的计算挑战。高维贝叶斯推断的有效计算方法开发使用高斯变分近似，与一个简约的，但灵活的因素参数化的协方差阵。我们实现自然梯度方法的优化，利用自然梯度计算中的变分协方差阵的因子结构。我们灵活的DFNN模型和贝叶斯推断方法导致回归和分类方法，具有较高的预测精度，并能够量化的预测不确定性的原则和方便的方式。我们还描述了如何在我们的深度学习方法中执行变量选择。所提出的方法在广泛的模拟和真实数据的例子中进行了说明，其结果与统计文献中最先进的灵活回归和分类方法贝叶斯添加剂回归树（BART）方法相比毫不逊色。在Matlab、R和Python中实现所提出的方法的用户友好软件包可在https://github.com/VBayesLab上获得
2018-05-25 stat.CO
Greater Than the Sum of its Parts: Computationally Flexible Bayesian Hierarchical Modeling
我们提出了一个多级的方法，使推理在所有级别的贝叶斯分层模型（BHM）使用自然的数据分区，以提高效率，允许计算以并行的形式使用软件，是最适合每个数据分区。然后，通过模型数据分量的独立正态分布的积来近似完整的分层模型。在第二阶段，贝叶斯最大{ \it后验}（MAP）估计是通过最大化近似后验密度的参数。如果模型的参数可以表示为正态分布的随机效应，则第二阶段优化等效于拟合多元正态线性混合模型。该方法可以扩展以考虑在数据分区之间共享的公共固定参数，以及在分区之间不同的参数。在不同的参数估计的情况下，我们考虑第三阶段，其基于第二阶段的结果重新估计每个数据分区的不同参数。这允许来自整个数据集的更多信息正确地告知不同参数的后验分布。该方法证明了两个生态数据集和模型，一个随机效应GLM和综合人口模型（IPM）。多阶段的结果进行了比较，从模型的估计适合在单一阶段的整个数据集。这两个例子表明，多阶段点和后标准差估计接近拟合模型与所有数据同时获得的，因此可以考虑拟合分层贝叶斯模型时，它是计算禁止这样做的一个步骤。
2021-09-22 stat.CO stat.ME
Big Learning with Bayesian Methods
Tsinghua University（清华大学）
数据的爆炸式增长和廉价计算资源的可用性引发了人们对大学习的兴趣，大学习是一个新兴的子领域，研究可扩展的机器学习算法，系统和大数据应用。贝叶斯方法代表了机器学习的一类重要的统计方法，在自适应、灵活和可扩展的贝叶斯学习方面有了很大的发展。本文综述了大规模贝叶斯学习的最新进展，包括用于自适应推断模型复杂性的非参数贝叶斯方法、通过后验正则化提高灵活性的正则化贝叶斯推理，以及用于处理大规模应用的基于随机子采样和分布式计算的可扩展算法和系统。
2017-03-01 cs.LG stat.AP stat.CO
Flexible Bayesian modelling in dichotomous item response theory using mixtures of skewed item curves
大多数项目反应理论（IRT）的二分法反应模型是基于概率或logit链接函数，假设一个正确的反应的概率和提交给测试的个人的潜在特质之间的对称关系。这一假设将这些模型的使用限制在所有项目都具有对称行为的情况下。另一方面，文献中提出的非对称模型要求测试中的所有项目都具有非对称行为。这一假设不适用于大多数由对称和非对称项目组成的测验。此外，文献中现有模型的直接扩展将需要事先选择项目的对称/不对称状态。本文提出了一个贝叶斯项目反应理论模型，它以一种灵活而简约的方式解释了对称和非对称项目。这是通过在偏度参数之前分配一个有限混合物来实现的，其中一个混合物成分是零处的点质量。这允许在模型选择和模型平均方法下进行分析。非对称项曲线是通过中心偏态正态分布设计的，它在参数解释和计算效率方面具有特别吸引人的参数化。提出了一种有效的MCMC算法来进行贝叶斯推断，并在一些模拟例子中研究了它的性能。最后，所提出的方法被应用到一个大规模的教育考试在巴西的数据集。
2022-05-20 stat.ME
Bayesian matching of unlabelled point sets using Procrustes and configuration models
研究了利用贝叶斯推断匹配无标号点集的问题。最近提出的两种模型的可能性进行了比较，根据Procrustes的大小和形状和完整的配置。利用马尔可夫链蒙特卡罗模拟对匹配点集进行贝叶斯推断。改进现有的Procrustes算法，提出了提高收敛速度，偶尔使用大的跳跃在老化期间。的Procrustes和配置方法进行了比较，在模拟研究和使用真实的数据，它是感兴趣的，以估计蛋白质结合位点之间的匹配的强度。这两种方法的性能通常非常相似，并且使用拉普拉斯近似在两个模型之间建立连接。
2010-09-16 stat.AP stat.CO stat.ME
A Flexible Bayesian Model for Estimating Subnational Mortality
在国家以下一级进行可靠的死亡率估计，对于研究一个国家内的健康不平等现象至关重要。编制这种估计数的困难之一是人口较少，死亡人数的随机变化相对较大，因此基本的死亡率水平不清楚。我们提出了一个贝叶斯层次模型来估计在国家以下一级的死亡率。该模型建立在死亡率曲线的特征年龄模式上，死亡率曲线是使用一组参考死亡率曲线的主成分构建的。关于死亡率的信息在地理空间上被汇总，并随着时间的推移而平滑。该模型的测试表明，合理的估计和不确定性水平时，该模型被应用到模拟数据，模仿美国县，和法国部门的真实数据。该模型产生的估计数可直接应用于研究次区域保健模式和差距。
2016-07-12 stat.AP
Targeting functional parameters with semiparametric Bayesian inference
典型的贝叶斯推断需要通过似然参数化进行参数识别，这招致了批评，因为它比频率论框架灵活性差，并且容易出现错误。虽然在非参数模型空间下可以通过函数参数推断来避免误指定，但是不存在允许完全控制任何一般函数参数的边缘先验的灵活的贝叶斯半参数模型。我们提出了$θ$ -增强技术，它可以帮助我们将非参数模型操作成直接针对任何功能参数的半参数模型。该方法允许贝叶斯概率报表被定义为一个功能的经验分布的任何估计，而不需要一个似然函数，从而提供了一个路径贝叶斯分析的问题，如因果推断和审查，其中不存在公认的似然函数。
2022-11-25 stat.ME
Bayesian regularization for flexible baseline hazard functions in Cox survival models
本研究针对Cox生存模型中半参数基线风险的过拟合与不稳定问题，提出基于分段常数混合和B样条的灵活基线风险贝叶斯正则化方法，通过真实数据和模拟实验验证了模型稳健性及B样条设定的优势。
2024-01-31 stat.ME
Transformations in Semi-Parametric Bayesian Synthetic Likelihood
贝叶斯合成似然（Bayesian synthetic likelihood，BSL）是一种在似然函数难以处理的情况下进行近似贝叶斯推断的常用方法。在合成似然方法中，似然函数通过模型模拟进行参数近似，然后使用标准的基于似然的技术来执行推断。高斯合成似然估计已成为无处不在的BSL文献，主要是因为它的简单性和易于实现。然而，它通常限制性太强，并可能导致较差的后验近似。最近，一个更灵活的半参数贝叶斯合成似然（semiBSL）估计已被引入，这是显着更强大的不规则分布的汇总统计量。在这项工作中，我们提出了一些扩展semiBSL。首先，我们考虑使用变换核密度估计的边缘分布的更灵活的估计。其次，我们提出了白化semiBSL（wsemiBSL）-显着提高semiBSL的计算效率的方法。wsemiBSL在每次算法迭代时使用近似白化变换来解相关汇总统计量。本文开发的方法显着提高了BSL算法的通用性和效率。
2020-07-03 stat.CO stat.ME
Flexible objective Bayesian linear regression with applications in survival analysis
本文研究了残差按正态分布的两段尺度混合分布的线性回归模型的客观贝叶斯推断。这些模型允许捕捉偏离通常的假设，正常的重尾，不对称性，和某些类型的异方差的错误。我们提出了一个一般的无信息，尺度不变，先验结构，并提供充分条件的适当性的后验分布的模型参数，其中包括情况下，当响应变量被删失。这些结果使我们能够将所提出的模型应用于生存分析。本文代表了Rubio和Hong（2015）提出的模型的贝叶斯框架的扩展。我们提出了一个模拟研究，表现出良好的频率属性的后可信区间以及点估计与建议的先验。我们用癌症患者生存分析的实际数据说明了这些模型的性能。
2016-05-06 stat.AP
A flexible Bayesian framework to estimate age- and cause-specific child mortality over time from sample registration data
为了在年轻群体中实施针对疾病的干预措施，中低收入国家的决策者需要及时准确地估计特定年龄和原因的儿童死亡率。在最需要这些干预措施的情况下，没有高质量的数据，但有一个推动创建样本登记系统，收集详细的死亡率信息。目前从这些数据估计死亡率的方法采用多阶段框架，没有严格的统计理由，分别估计全因死亡率和特定原因死亡率，不足以适应捕捉数据的重要特征。我们提出了一个灵活的贝叶斯建模框架来估计样本登记数据的年龄和原因特定的儿童死亡率。我们提供了一个理论上的理由框架，通过模拟探索其属性，并使用它来估计死亡率的趋势，使用的数据在中国的妇幼健康监测系统。
2021-05-18 stat.AP
A Flexible Approach to Augmenting a Bayesian VAR with Nonlinear Factors
Federal Reserve Bank of Cleveland（克利夫兰联邦储备银行）；Johns Hopkins University（约翰斯·霍普金斯大学）；University of Salzburg（萨尔茨堡大学）；University of Strathclyde（斯特拉斯克莱德大学）
本文提出一种用回归树非参数建模非线性因子的向量自回归模型，通过因子方法简洁建模非线性，避免误设，实现高效贝叶斯计算，并适用于结构冲击识别。
2026-06-08 econ.EM stat.ME
qgam: Bayesian non-parametric quantile regression modelling in R
广义可加模型（GAM）是一种灵活的非线性回归模型，可以使用mgcv R软件包提供的近似贝叶斯方法有效地拟合。虽然mgcv提供的GAM方法是基于响应分布是参数化建模的假设，但在这里，我们讨论更灵活的方法，不需要任何参数假设。特别地，本文介绍了qgam包，它是mgcv的扩展，提供了用于在R中拟合分位数GAM（QGAM）的快速校准贝叶斯方法。QGAM基于Koenker（2005）的弹球损失的平滑版本，而不是基于似然函数，因此，联合实现分位数点估计的令人满意的精度和相应可信区间的覆盖需要采用Fasiolo、Wood、Zaffran、Nedellec和Goude（2020 b）的专门贝叶斯拟合框架。在这里，我们详细介绍了这个框架是如何在qgam中实现的，我们提供了一些例子来说明如何在实践中使用这个包。
2020-07-07 stat.AP stat.CO stat.ME
Flexible Bayesian Tensor Decomposition for Verbal Autopsy Data
针对口头尸检中潜在类别模型难以解释的问题，提出灵活贝叶斯张量分解框架，通过分组建模症状联合分布，在提升死因分配预测准确性的同时增强了潜在结构的可解释性。
2025-01-31 stat.AP stat.ME
A flexible Bayesian tool for CoDa mixed models: logistic-normal distribution with Dirichlet covariance
针对成分数据混合模型拟合含结构化随机效应时的难题，提出带狄利克雷协方差的逻辑正态模型LNDM，整合进R-INLA包并探索相关模型选择准则，经模拟和生态案例验证其应用潜力。
2023-11-08 stat.CO stat.ME
Flexible Bayesian Product Mixture Models for Vector Autoregressions
贝叶斯非参数方法的基础上Dirichlet过程混合物已经看到了巨大的成功，在各个领域，并呼吁能够借用信息的聚类样本共享相同的参数。然而，这样的方法可能面临的障碍，在异构设置中，对象被期望仅沿轴的子集聚类，或样本的集群共享仅相同参数的子集。我们克服了这样的局限性，通过开发一类新的产品的Dirichlet过程的位置规模的混合物，使独立的聚类在多个尺度，从而导致不同程度的信息共享样本。首先，我们开发了独立的多元数据的方法。随后，我们将其推广到多变量时间序列数据的框架下的多主题向量自回归（VAR）模型，这是我们的主要重点，超越参数单主题VAR模型。我们建立后验一致性和开发有效的后验计算的实施。涉及VAR模型的大量数值研究显示出在估计、聚类和特征选择准确性方面优于竞争方法的明显优势。我们对人类连接组项目的静息状态fMRI分析揭示了不同智力群体之间的生物学可解释的连接差异，而另一个空气污染应用则说明了与其他方法相比更高的预测准确性。
2022-07-01 math.ST stat.ME stat.TH
Flexible evaluation of surrogacy in Bayesian adaptive platform studies
试验水平的替代物是提高试验速度和成本效益的有用工具，但没有得到适当评估的替代物可能会导致误导性结果。评估程序通常是有背景的，取决于审判环境的类型。已经有许多用于试验水平替代评价的建议方法，但据我们所知，没有一种用于贝叶斯自适应平台研究的特定设置。随着适应性研究越来越受欢迎，需要使用它们进行替代评估的方法。这些研究还为替代评估提供了丰富的数据资源，这在正常情况下是不可能的。然而，它们也提供了一系列统计问题，包括研究人群的异质性，治疗，实施，甚至潜在的替代品的质量。我们建议使用分层贝叶斯半参数模型的潜在替代品的评估使用非参数先验分布的真实影响的基础上Dirichlet过程的混合物。这种方法的动机是灵活地对替代物上的处理效应与结果上的处理效应之间的关系建模，并且还以数据驱动的方式识别具有差异替代物值的潜在聚类。在模拟中，我们发现，我们提出的方法是优于一个简单的，但相当标准的，分层贝叶斯方法。我们演示了如何使用我们的方法可以在一个模拟的说明性的例子（基于ProBio试验），在其中，我们能够识别集群的代理，是没有用的。我们计划将我们的方法应用于ProBio试验，一旦它完成。
2022-08-21 stat.ME
Flexible extreme thresholds through generalised Bayesian model averaging
本文提出一种误差集成贝叶斯模型平均算法，通过结合混合模型检测适应预测变量的异质最优阈值，以提高高严重性索赔损失建模的准确性并降低对阈值选择的敏感性。
2025-04-28 stat.AP stat.ME
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
Flexible Bayesian Multiple Comparison Adjustment Using Dirichlet Process and Beta-Binomial Model Priors
University of Amsterdam（阿姆斯特丹大学）
本文提出基于贝塔-二项式先验的灵活贝叶斯多重比较调整方法，对比了狄利克雷过程先验和传统方法，通过随机搜索算法高效探索分区空间，用于均值、标准差和比例的比较。
2025-04-30 math.ST stat.ME stat.TH
A Greedy, Flexible Algorithm to Learn an Optimal Bayesian Network Structure
University at Buffalo, The State University of New York（布法罗大学，纽约州立大学）
在这份报告中，我们首先提出了一份报告的高级机器学习课程项目提供的数据集，然后提出了一种新的启发式算法，精确贝叶斯网络（BN）的结构发现，使用可分解的评分函数。我们的算法遵循不同的方法来解决BN结构发现的问题比以前使用的方法，如动态规划（DP）和分支定界，以减少搜索空间，并找到全局最优空间的问题。我们提出的算法有一定程度的灵活性，可以使它或多或少的贪婪。算法被设置为贪婪的越多，算法的速度就越快，最终的结构就越不优化。我们的算法运行在一个更少的时间比以前已知的方法，并保证有接近99%的最优性。因此，它牺牲了不到1%的最佳结构的得分，以获得更低的运行时间，并使算法适用于大数据集（我们可能会注意到，除了结果验证，我们从未使用任何工具箱）
2014-11-24 cs.AI stat.ML
Bayesian Geostatistical Modeling for Discrete-Valued Processes
我们引入了一个灵活的和可扩展的类离散数据的贝叶斯地质统计模型，基于类的最近邻混合过渡分布过程（NNMP），称为离散NNMP。所提出的类通过给定数量的邻居中的每一个的一阶条件概率质量函数（pmfs）的加权组合来表征空间变异性。该方法通过定义条件PMFS的一般双变量离散分布的规范，支持灵活的多变量依赖建模。此外，离散NNMP允许构建模型，给定一个预先指定的边缘分布家族，该家族可以在空间中变化，从而促进协变量的包含。特别是，我们开发了一个基于Copula的NNMP的建模和推理框架，可以实现灵活的依赖结构，激励使用二元Copula族的空间过程。与传统的空间广义线性混合模型相比，我们的基于过程的建模方法提供了计算和推理的优势。我们说明了合成数据的例子和北美繁殖鸟类调查数据的分析的好处。
2022-03-03 stat.ME
ReinBo: Machine Learning pipeline search and configuration with Bayesian Optimization embedded Reinforcement Learning
LMU Munich（慕尼黑大学）
机器学习流水线潜在地由几个操作阶段组成，如数据预处理、特征工程和机器学习模型训练。每个操作都有一组超参数，当操作未被选择时，这些超参数可能与管道无关。这就产生了一个分层的条件超参数空间。为了优化这种混合的连续和离散条件分层超参数空间，我们提出了一种有效的管道搜索和配置算法，该算法结合了强化学习和贝叶斯优化的力量。实验结果表明，我们的方法表现良好的最先进的方法，如自动sklearn，TPOT，树Parzen窗口，随机搜索。
2019-04-10 cs.AI cs.LG stat.ML
