Bayesian Mendelian randomization testing of interval causal null hypotheses: ternary decision rules and loss function calibration
我们的方法孟德尔随机化（MR）分析的目的是增加因果效应的“发现”的可重复性：（i）使用贝叶斯方法进行推理;（ii）用实际等效区域代替点原假设，该实际等效区域包括对于感兴趣的效应的可忽略量值的值，同时利用贝叶斯分析的能力来量化落在区域内/区域外的影响的证据;（iii）拒绝通常的二元决策逻辑，而赞成三元逻辑，其中假设检验可能导致接受或拒绝空值，同时还适应“不确定”的结果。我们提出了一种方法来校准所提出的方法，通过损失函数，我们用我们的方法与频率论的比较。我们说明的方法与援助的因果关系的影响，肥胖的青少年心肌梗死的风险的研究。
2022-08-10 stat.ME
A Unified View of False Discovery Rate Control: Reconciliation of Bayesian and Frequentist Approaches
本文探讨了贝叶斯错误发现率（FDR）控制过程和频率论控制过程之间的内在联系。我们试图提供一个统一的观点，FDR控制内和外的设置测试可交换的假设。在标准两组模型和Oracle条件下，我们证明了贝叶斯和频率论方法可以在任意水平上实现渐近等价的FDR控制。基于这一结果，我们进一步说明，严格的后拟合模型诊断是必要的和有效的，以确保强大的FDR控制参数贝叶斯方法。此外，我们表明，贝叶斯FDR控制方法是连贯的，自然扩展到设置超越测试交换假设。特别是，我们说明，$p$值不再是自然的统计工具，最佳频率FDR控制在测试不可交换的假设。最后，我们说明了由我们的理论结果激励的简单数值配方可以有效地检查贝叶斯和频率论程序中通常假设的一些关键模型假设（例如，零假设）。
2018-03-14 stat.ME
Non-marginal Decisions: A Novel Bayesian Multiple Testing Procedure
本文考虑假设相依时的多重检验问题。在现有的大多数文献中，无论是贝叶斯还是非贝叶斯，决策规则主要集中在测试过程的有效性，而不是实际利用依赖性来提高效率。此外，关于不同假设的决定是边缘性的，因为它们不直接相互依赖。然而，在现实情况下，假设通常是相关的，因此希望联合做出有关相关假设的决策。在这篇文章中，我们开发了一种新的贝叶斯多重检验程序，连贯地考虑到这一要求。我们的方法，这是基于新的概念的错误和非错误的条款，大大提高了效率，明智地利用之间的依赖结构的假设。我们证明了我们的方法最小化与一个加性“0-1”损失函数相关的后验期望损失，我们还证明了相关错误概率的理论结果，建立了我们的方法的一致性和实用性。最佳决策配置是不是在封闭的形式，我们提出了一种新的和有效的模拟退火算法的优化，这也是一般适用于二进制优化问题。数值研究表明，在相关的情况下，我们的方法执行显着优于一些现有的流行的传统多重检验方法，在精度和功率控制。此外，我们的想法应用到一个真实的，空间数据集与放射性核素浓度在朗格拉普群岛产生了深刻的结果。
2018-07-09 stat.ME
Bayesian sequential analysis of adverse events with binary data
提出基于双臂临床试验二元数据的贝叶斯序贯检验方法评估相对风险，通过停止规则原则计算错误概率，并揭示与UMPBT的联系及实证验证。
2025-04-03 stat.AP stat.ME
Bayesian sequential composite hypothesis testing in discrete time
研究了观测值为代价时指数族中未知参数的两个备择假设的序贯检验问题。在贝叶斯环境中，问题可以嵌入马尔可夫框架中。以其中一个假设的条件概率为空间变量，证明了费用函数是凹的，且随着时间的推移，后验分布变得更加集中，并研究了价值函数的时间单调性.对于一个大类的模型规格，费用函数是非递减的时间，最佳停止边界是单调的。
2021-08-16 math.PR math.ST stat.TH
On Bayesian Sequential Clinical Trial Designs
临床试验通常涉及连续的患者输入。在设计临床试验时，通常需要包括对累积数据进行中期分析的规定，这些数据可能会提前停止试验。我们回顾贝叶斯序贯临床试验设计的基础上后验概率，后验预测概率和决策理论框架。一个相关的问题是贝叶斯序贯设计是否需要调整中期分析的计划。我们从三个角度回答这个问题：频率导向的角度，校准贝叶斯的角度，和主观贝叶斯的角度。我们还提供了新的见解似然原理，这是通常绑在统计推断和决策的顺序临床试验。一些理论结果的推导，并进行数值研究，以说明和评估这些设计。
2023-03-10 stat.ME
Sequential Bayesian Learning for Merton's Jump Model with Stochastic Volatility
跳随机波动率模型是金融计量经济学中波动率预测、投资组合风险管理和衍生品定价的核心。马尔可夫链蒙特卡罗（MCMC）算法对于波动状态变量和参数的顺序学习在计算上是不可行的，由此投资者必须在新信息到达时更新所有后验和预测密度。本文提出了一种粒子滤波和学习算法来对Merton跳跃随机波动率的后验分布进行采样。这允许过滤现货波动率和跳跃时间，以及跳跃和波动率参数的顺序更新（学习）。我们说明了我们的方法对谷歌的股票回报。我们的结论与未来的研究方向。
2016-10-31 stat.AP
Sequential Sampling for Optimal Bayesian Classification of Sequencing Count Data
高通量技术已成为生物医学应用中比较研究的首选实践。由于测序成本或获得感兴趣的生物体而导致的有限数量的样本点需要开发有效的样品收集以最大化下游统计分析的功效。本文提出了一种在最优贝叶斯分类框架下顺序选择训练样本的方法。针对RNA测序计数数据，所提出的方法利用了具有封闭形式更新的高效吉布斯抽样过程。我们的研究结果表明，增强的分类精度，相比随机抽样。
2018-07-12 eess.SP stat.ME
Bayesian optimization using sequential Monte Carlo
SUPELEC（巴黎高等电力学院）
我们认为，使用贝叶斯方法，其中$f$的评价是通过结合有关$f$，这是由一个随机过程模型，和过去的评价结果的先验信息顺序选择的实值连续函数$f$的优化问题。这种方法的主要困难是能够计算用于选择评估点的感兴趣的量的后验分布。在本文中，我们决定使用顺序蒙特卡罗（SMC）方法。
2011-11-21 cs.LG math.OC stat.CO
Bayesian sequential change diagnosis
序列变化诊断是检测和识别随机序列分布中突然的、不可观测的变化的联合问题。在这个问题中，i.i.d.随机变量在某个无序时刻突然改变为众多选择中的一个。这个无序时间标志着一个新制度的开始，其指纹是新的观察定律。无序时间和新政权的身份都是未知和不可观测的。目的是尽快发现政权更迭，同时尽可能准确地确定其身份。及时和正确的诊断对于快速执行最适当的措施以应对新制度至关重要，例如工业过程中的故障检测和隔离，以及国防中的目标检测和识别。该问题是制定在贝叶斯框架。找到了一个最优的顺序决策策略，并描述了一个精确的数值方案，其实施。通过数值例子说明了该最优策略的几何性质。传统的贝叶斯变化检测和贝叶斯序贯多假设检验问题作为特例得到解决。此外，获得了一个解决方案的问题的检测和识别的组件故障（S）在一个系统与假死。
2007-10-25 cs.IT math.IT math.PR
Bayesian inference: More than Bayes's theorem
本文面向贝叶斯推断初学者，强调边缘化在复合假设、冗余参数处理和不确定性量化中的核心作用，并提醒大参数空间下的使用需谨慎。
2024-06-28 astro-ph.IM stat.ME
Bayesian two-interval test
原假设检验（NHT）被广泛用于验证科学假设，但实际上受到了高度批评。虽然贝叶斯检验克服了一些批评，但仍然存在一些限制。我们提出了一个贝叶斯双区间检验（2 IT），其中两个假设的影响是存在或不存在的表示为预先指定的联合或不相交的区间，并计算其后验概率。同样的形式主义也适用于优效性、非劣效性或等效性检验。针对三个真实示例和三组模拟（比例和平均值与参考值的比较以及两个比例的比较）研究了2 IT。创建了几个场景（具有不同的样本量），并进行了模拟，以计算给定在其中一个假设下生成的数据时，目标参数在对应于任一假设的区间内的概率。后验估计使用共轭与低信息先验。还估计了偏倚。当一个假设为真时，接受该假设的概率逐渐增加样本量，趋向于1，而接受另一个假设的概率总是很低（小于5%），趋向于0。收敛的速度随着假设之间的差距及其宽度而变化。在平均值的情况下，偏差很低，很快就可以忽略不计。我们提出了一个贝叶斯检验，遵循科学合理的过程，其中两个区间假设被明确使用和测试。拟议的测试几乎没有NHT的局限性，并提出了新的功能，如偶然发现的理由或“数据趋势”的理由。2-IT的概念框架还允许计算样本量和在许多情况下使用序贯方法。
2021-07-02 stat.ME
Bayesian inference as iterated random functions with applications to sequential inference in graphical models
本文提出了具有半群性质的迭代随机函数的一般形式，在此形式下，精确和近似的贝叶斯后验更新可以看作是具体的例子。给出了迭代随机函数的一个收敛定理。作为一般理论的应用，我们分析的收敛行为的精确和近似的消息传递算法中出现的顺序变点检测问题，制定通过一个潜在的变量有向图模型。通过仿真实例说明了顺序推理算法及其支持理论。
2013-11-01 math.ST stat.ME stat.ML
Bayesian sequential estimation of the reliability of a parallel-series system
我们给出了一个风险规避的解决方案的问题，并串联系统的可靠性估计。我们采用β-二项式模型的组件的可靠性，并假设总的样本量的经验是固定的。在子系统或组件级的分配可以是随机的。在分别对并联系统和串联系统采样的基础上，提出了一种适用于并-串联系统的混合时序采样方案。利用鞅收敛性质证明了二次损失下的贝叶斯风险的渐近最优性。
2012-04-02 stat.AP
Bayesian Sequential Detection with Phase-Distributed Change Time and Nonlinear Penalty -- A POMDP Approach
我们证明了几种类型的贝叶斯序贯检测问题的最优决策策略在后验分布空间上具有阈值切换曲线结构。这是建立在部分观测马尔可夫决策过程（POMDP）框架中使用格规划和随机订单。提出了一种随机梯度算法来估计该阈值曲线的最佳线性逼近。我们说明这些结果首先考虑最快的时间检测相位型分布的变化时间和方差停止处罚。然后证明了阈值切换曲线也出现在其他几个贝叶斯决策问题，如最快的瞬态检测，指数延迟（风险敏感）的处罚，停止时间问题的社会学习，和多智能体调度在不断变化的世界。利用Blackwell优势，证明了动态决策问题的最优决策策略是近视策略的下界。最后，它示出了如何实现的最优决策策略的成本变化与变化的时间分布施加偏序的过渡矩阵。
2011-06-13 cs.IT math.IT stat.ME
Bayesian Optimization Sequential Surrogate (BOSS) Algorithm: Fast Bayesian Inference for a Broad Class of Bayesian Hierarchical Models
本文提出BOSS算法，结合贝叶斯优化与近似贝叶斯推断，大幅减少拟合条件潜在高斯模型的计算开销，并通过模拟及多领域实际应用验证其高效性与准确性。
2024-03-18 stat.AP stat.CO stat.ME
Sequential Bayesian inference for spatio-temporal models of temperature and humidity data
我们开发了一个时空模型来预测传感器输出在英格兰东北部的五个位置。该信号使用耦合动态线性模型描述，空间效应由高斯过程指定。使用随机算法分析数据流，该算法通过一系列重新加权和重新排序步骤依次逼近参数后验。迭代批量重要性抽样计划是用来规避粒子退化通过重采样移动步骤。对算法进行了改进，使其更高效、更可并行。该模型给出了一个很好的描述的基本过程，并提供合理的预测精度。
2018-06-14 stat.AP stat.CO
Objective Bayesian analysis under sequential experimentation
序贯实验的客观先验被认为是。常见的先验，如Jeffreys先验和参考先验，通常取决于用于序贯实验的停止规则。在各种情况下获得新的表达式的参考先验，并考虑涉及这种先验的计算问题。
2008-05-20 math.ST stat.CO stat.TH
Sequential Cooperative Bayesian Inference
Rutgers University（罗格斯大学）
在向其他代理人学习时，合作往往是隐含的假设。合作意味着选择数据的主体和从数据中学习的主体具有相同的目标，即学习者推断预期的假设。人类和机器学习的最新模型已经证明了合作的可能性。我们通过序列数据寻求贝叶斯代理合作推理的基础理论结果。我们开发了新的方法分析的一致性，收敛速度和稳定性的顺序合作贝叶斯推理（SCBI）。我们的有效性，样本效率和鲁棒性的分析表明，合作不仅是可能的，在特定的情况下，但在理论上是有根据的一般。我们讨论了人与人和人机合作的影响。
2020-07-01 cs.LG cs.MA stat.ML
Generalizations related to hypothesis testing with the Posterior distribution of the Likelihood Ratio
李克比的后验分布是Dempster在1974年提出的，用于简单假设与复合假设情况下的显著性检验。在这个假设检验案例中，经典频率论和贝叶斯假设检验是不可调和的，正如林德利悖论，伯杰和塞尔克在1987年和许多其他人所强调的那样。然而，Dempster表明PLR（内部阈值为1）等于简单高斯情况下的频率p值。1997年，Aitkin通过添加一个讨厌的参数扩展了这个结果，并在更一般的分布下证明了它的渐近有效性。在这里，我们扩展的PLR和频率p值之间的和解有限样本，通过一个框架类似于斯坦的定理框架中，一个可信的（贝叶斯）域等于一个置信度（频率）域。该一般协调结果仅涉及简单与复合假设检验。Aitkin在2010年和Evans在1997年提出的措施具有有趣的性质，并扩展了Dempster的PLR，但只是通过添加一个滋扰参数。在这里，我们提出了两个扩展的PLR概念的一般复合与复合假设检验。一旦后验是正确的，就可以为不正确的先验定义第一扩展。第二个扩展出现从一个新的贝叶斯型奈曼-皮尔逊引理，并强调，从贝叶斯的角度来看，LR作为一个差异变量的假设检验的作用。
2014-06-04 physics.data-an stat.ME
Bayesian sequential parameter estimation with a Laplace type approximation
提出了一种基于迭代拉普拉斯近似的动态隐高斯模型固定参数的序贯推断方法。该方法提供了一个有用的计算性能和准确性之间的权衡近似真实的后验分布。近似校正，以提高模拟研究中的近似精度。基于人口的方法也被证明提供了一个更强大的推理方法。
2015-09-25 stat.CO stat.ME
Sequential edge detection using joint hierarchical Bayesian learning
Dartmouth College（达特茅斯学院）；Old Dominion University（欧道明大学）
本文介绍了一种新的稀疏贝叶斯学习（SBL）算法，联合恢复的时间序列的边缘地图从噪声和欠采样的傅立叶数据。新方法是投在贝叶斯框架，并使用一个先验，同时结合图像内的信息，以促进稀疏在每个单独的边缘图与图像间的信息，以促进任何不变的区域的相似性。通过将边缘以及相邻图像之间的相似性都视为随机变量，不需要单独形成变化区域。因此，我们既避免了额外的计算成本，以及任何信息损失所造成的预处理的图像。我们的数值例子表明，我们的新方法相比，更标准的SBL方法。
2023-02-28 cs.LG stat.AP
Sequential Rank and Preference Learning with the Bayesian Mallows Model
University of Oslo（奥斯陆大学）；Lancaster University（兰卡斯特大学）；OsloCentre for Biostatistics and Epidemiology, University of Oslo（奥斯陆大学生物统计与流行病学中心）
本文提出基于贝叶斯马洛斯模型的序列估计算法，通过嵌套序列蒙特卡罗方法实现高效后验推断，并在F1车手排名中展示应用。
2025-06-03 stat.CO
Sequential Selection for Accelerated Life Testing via Approximate Bayesian Inference
加速寿命试验（ALT）通常用于评估材料在所需应力水平下的寿命可靠性。材料工程的最新进展使各种材料替代品变得容易获得。为了确定最可靠的材料设置与有效的试验设计，一个连续的测试计划策略是首选。为了保证一个易于处理的统计机制的信息收集和更新，我们开发了明确的模型参数更新公式，通过近似贝叶斯推断。理论表明，我们的显式更新公式给出了一致的参数估计。仿真研究和算例分析表明，与其他设计方法相比，所提出的序贯选择方法可以显著提高确定最佳可靠性性能材料方案的概率。
2020-01-16 stat.ME
Efficient Bayesian estimation for GARCH-type models via Sequential Monte Carlo
利用序贯蒙特卡罗（SMC）方法的优点，研究了广义自回归条件异方差模型的参数估计和模型选择方法.它提供了一种替代方法来量化相对于经典推理的估计不确定性。即使是长时间序列，它表明，模型参数的后验分布是非正态的，突出了贝叶斯方法和有效的后验抽样方法的需要。有效的方法，既在SMC的分布序列的构建，留一交叉验证，长时间序列数据也被提出。最后，一个无偏估计量的可能性开发的坏环境良好的环境模型，一个复杂的GARCH型模型，它允许精确的贝叶斯推断以前没有在文献中。
2020-03-05 econ.EM stat.AP stat.CO
Fully Bayesian Sequential Design for Heteroscedastic Stochastic Simulations
Department of Statistics and Actuarial Science, University of Waterloo（滑铁卢大学统计与精算科学系）
针对异方差随机模拟模型，提出一种基于双高斯过程和期望贝叶斯积分均方预测误差的完全贝叶斯序贯设计策略，有效提升有限预算下的预测精度和不确定性量化。
2026-07-03 stat.ME
Sequential Bayesian Learning for Hidden Semi-Markov Models
在本文中，我们探讨类的隐半马尔可夫模型（HSMM），一个灵活的扩展流行的隐马尔可夫模型（HMM），允许潜在的随机过程是一个半马尔可夫链。由于在评估似然函数时增加的计算挑战，HSMM通常比它们的基本HMM对应物使用得不那么频繁。此外，虽然两个模型本质上都是序贯的，但参数估计主要通过批估计方法进行。因此，本文的一个主要动机是提供方法来估计HSMM（1）在计算上可行的时间，（2）在一个精确的方式，即只受蒙特卡罗误差，（3）在一个连续的设置。我们提供并验证了一个高效的计算方案贝叶斯参数估计的HSMM。此外，我们探讨了自回归（AR）模型与隐半马尔可夫状态的波动率指数时间序列的HSMM的性能，并演示了如何使用该算法可以用于政权切换，模型选择和聚类的目的。
2023-01-25 econ.EM stat.AP stat.CO
A Comparative Tutorial of Bayesian Sequential Design and Reinforcement Learning
强化学习（RL）是一种在序列决策问题中进行奖励驱动学习的计算方法。它通过从与环境交互的代理中学习而不是从监督数据中学习来实现最佳动作的发现。我们对比和比较RL与传统的序贯设计，重点是基于模拟的贝叶斯序贯设计（BSD）。最近，人们对用于医疗保健应用的RL技术越来越感兴趣。我们介绍两个相关的应用程序作为激励的例子。在这两个应用程序中，决策的顺序性质仅限于顺序停止。而不是一个全面的调查，讨论的重点是使用标准工具的解决方案，这两个相对简单的顺序停止问题。这两个问题的灵感来自适应性临床试验设计。我们使用例子来解释每个框架的术语和数学背景，并将一个映射到另一个。实现和结果说明了RL和BSD之间的许多相似之处。这些结果激发了对每种方法的潜在优势和局限性的讨论。
2022-10-05 stat.ME
Efficient batch-sequential Bayesian optimization with moments of truncated Gaussian vectors
我们处理贝叶斯全局优化算法的高效并行化，更具体地说，那些基于预期的改进标准及其变种。建立了基于多元高斯累积分布函数的多点期望改进准则的广义形式的封闭形式公式。反过来，后者依赖于中间的结果，可能是独立的利益有关的截断高斯向量的时刻。所得到的扩展的标准，使研究其可微性方面的点批和计算相应的梯度在封闭的形式。此外，我们得到快速数值逼近这个梯度，并提出有效的批量优化策略。数值实验表明，所提出的方法，使计算节省一个和两个数量级之间，因此，使基于导数的批量顺序采集函数最大化，成为一个切实可行的和有效的标准。
2016-09-09 stat.AP stat.ME stat.ML
A Bayesian adaptive ensemble Kalman filter for sequential state and parameter estimation
本文提出了一种新的集合卡尔曼滤波器的序列状态和参数估计方法。该方法是完全贝叶斯和传播的联合后验密度的状态和参数随着时间的推移。为了实现该方法，我们考虑两种表示的边缘后验分布的参数：基于网格的方法和高斯近似。与现有的算法相反，新方法明确地考虑了参数的不确定性，并提供了一种正式的方法来结合不同时间段数据中的参数信息。该方法的说明和现有的方法相比，使用模拟和真实的数据。
2016-11-11 stat.CO 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
Sequential Bayesian Inference in Hidden Markov Stochastic Kinetic Models with Application to Detection and Response to Seasonal Epidemics
研究了含潜在因子的随机动力学模型中的序贯贝叶斯推断。假设连续观察所有的反应，我们的重点是联合推理的未知反应速率和动态的潜在状态，建模为一个隐马尔可夫因子。利用连续时间跳马尔可夫过程的非线性滤波的见解，我们开发了一种新的序贯蒙特卡罗算法。我们的方法应用粒子学习的思想，以最大限度地减少粒子退化，并利用分析跳跃马尔可夫结构。我们的方法的一个激励应用是通过一个房室流行病模型表示的季节性传染病暴发的建模。我们证明了在这样的模型中的推理与几个数值说明，并讨论了预测分析的流行病对策，使用顺序贝叶斯估计。
2013-01-16 math.PR math.ST stat.CO
Sequential Bayesian Inference for Factor Analysis
我们开发了一个有效的贝叶斯序贯推理框架，通过各种数据类型，如连续，二进制和有序数据的因素分析模型观察。在连续数据的情况下，它是可能的边缘化的潜在因素，建议的方法量身定制的迭代批量重要性抽样（IBIS）的肖邦（2002年）来处理这样的模型，我们将汉密尔顿马尔可夫链蒙特卡罗。对于二进制和有序数据，我们开发了一个有效的IBIS计划来处理参数和潜在的因素，结合拉普拉斯或变分贝叶斯近似。该方法可用于通过贝叶斯因子进行序贯假设检验的背景下，已知贝叶斯因子比传统的原假设检验具有优势。此外，开发的顺序框架提供了多种好处，即使在非顺序的情况下，通过提供后验分布，模型证据和评分规则（在先决框架下），并通过提供一个更强大的替代计算方案，马尔可夫链蒙特卡罗，可以在有问题的目标分布是有用的。
2022-01-26 stat.ME
Bayesian Causal Induction
Max-Planck Institute for Biological Cybernetics（马克斯·普朗克生物控制论研究所）
发现因果关系是一项艰巨的任务，往往因需要干预而受阻，而且往往需要大量数据来解决统计上的不确定性。然而，人类很快就能找到有用的因果关系。一个可能的原因是，人类从过去的经验中推断出新的、看不见的情况：也就是说，他们对因果不变性的信念进行编码，允许从他们直接在世界上行动所获得的观察中进行合理的概括。在这里，我们概述了因果归纳的贝叶斯模型，在竞争的因果假设的信念建模使用概率树。基于这个模型，我们说明了为什么，在一般情况下，我们需要干预加上我们的因果假设的约束，以提取因果信息，从我们的经验。
2011-11-30 cs.AI stat.ML
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
Sequential Ensemble Transform for Bayesian Inverse Problems
我们提出了顺序包络变换（SET）方法，一种从贝叶斯后验分布生成近似样本的方法。该方法探讨了后验分布，通过解决一系列离散的最优运输问题，产生一系列的运输计划，映射前样本后验样本。我们证明了当样本量趋于无穷大时，SET方法产生的Dirac混合分布序列弱收敛于真后验。此外，我们的数值计算结果表明，相比标准的序贯蒙特卡罗（SMC）方法，SET方法是更强大的马尔可夫突变内核的选择，并需要较少的计算工作，以达到类似的精度时，用于探索复杂的后验分布。最后，我们描述了自适应计划，允许完全自动化的SET方法的使用。
2020-09-20 stat.CO stat.ME
On Bayesian index policies for sequential resource allocation
本文研究随机多臂强盗模型中最小化（频率主义）后悔的指数策略，其灵感来自于贝叶斯观点。我们的主要贡献是证明了贝叶斯UCB算法，它依赖于分位数的后验分布，是渐近最优的奖励分布属于一个一维指数族，一个大类的先验分布。我们还表明，贝叶斯文献提供了新的见解，什么样的探索率可以用于频率，UCB型算法。事实上，贝叶斯最优解或有限时域Gittins指数的近似值为kl-UCB+和kl-UCB-H+算法提供了理由，其渐近最优性也被建立。
2017-11-06 stat.ML
Bayesian sequential data assimilation for COVID-19 forecasting
我们介绍了一种用于COVID-19预测的贝叶斯序贯数据同化方法。它假设合适的传输，流行病和观察模型是可用的，并事先验证和传输和流行病模型编码成一个动力系统。观测模型依赖于动态系统的状态变量和参数，并被转换为一个似然函数。我们得到的有效人口规模的先验分布，动力系统的初始条件和传染病接触率，并使用马尔可夫链蒙特卡罗抽样进行推断和预测的感兴趣的数量（QoI）在流行病爆发的开始。随着新数据的出现，预测将在流行病记录的滑动窗口内依次更新。在新的预测时间的状态变量的先验分布使用动态系统进行组装，针对先前的预测进行校准。此外，接触率和有效人口规模的变化是通过相应参数的自回归模型自然引入的。我们使用SEIR类型模型和来自几个墨西哥地区的COVID-19数据展示了我们的预测方法的性能。
2021-03-10 q-bio.PE stat.AP
A Bayesian sequential soft classification problem for a Brownian motion's drift
本文提出并求解了布朗运动漂移的贝叶斯序贯软分类问题，证明值函数为自由边界问题的唯一非平凡解，并刻画了停止边界对信噪比的依赖关系。
2025-01-20 math.PR math.ST stat.TH
A new Bayesian discrepancy measure
这篇文章的目的是作出贡献的贝叶斯过程中检验精确的假设参数模型。为此，我们定义了贝叶斯离散测度，它允许人们评估给定假设相对于可用信息（先验定律和数据）的适用性。为了总结这些信息，采用后中位数，允许简单评估与固定假设的差异。贝叶斯离散度量评估单个假设与观察数据的兼容性，而不是更常见的比较方法，即拒绝一个假设，支持一个竞争假设。所提出的证据度量具有一致性和不变性。在提出了一个参数的利益，无论是在存在和不存在的滋扰参数的措施的定义，我们说明了一些例子，显示其概念和解释的简单性。最后，我们比较了BDT与全贝叶斯显著性检验，这是一个著名的贝叶斯检验过程。
2022-11-18 stat.ME
A Comparison of the Bayesian Posterior Probability and the Frequentist $p$-Value in Testing Equivalence Hypotheses
本文提出在TOST中使用原假设为真的贝叶斯后验概率进行等价检验，并与频率派$p$值在功效、保守性、相关性及多重检验表现上系统比较。
2025-07-25 stat.ME
Pseudo-Bayesian Learning with Kernel Fourier Transform as Prior
Université Laval（拉瓦尔大学）；Univ Lyon（里昂大学）；UJM-Saint-Etienne（圣艾蒂安大学）；CNRS（法国国家科学研究中心）；Institut d’Optique Graduate School（光学研究所研究生院）；Inria（法国国家信息与自动化研究所）
我们通过PAC-Bayesian理论的视角重新审视Rahimi和Recht（2007）的核随机傅立叶特征（RFF）方法。虽然RFF的主要目标是近似一个内核，我们把傅立叶变换看作是三角假设上的先验分布。这自然意味着学习这些假设的后验。我们推导出泛化界，通过学习从封闭形式的表达式获得的伪后验进行优化。基于这项研究，我们考虑了两种学习策略：第一种是找到一个紧凑的基于地标的数据表示，其中每个地标都是由分布定制的相似性度量给出的，而第二种是为Sinha和Duchi（2016）的内核对齐方法提供PAC-贝叶斯证明。
2019-03-27 cs.LG stat.ML
Bayesian Inference for Logistic Regression Models Using Sequential Posterior Simulation
logistic规范已被广泛用于非贝叶斯统计，以模拟离散结果对指定协变量值的依赖性。由于似然函数是全局弱凹的，所以即使在通常出现的具有几十个或几百个参数的应用中，极大似然估计也是直接的。相比之下，贝叶斯推断已被证明是笨拙的，需要对现有的马尔可夫链蒙特卡罗和数据增强方法的可能性或专门的适应性进行正常近似。本文使用最近开发的一般序贯后验模拟（SPS）方法，只需要多一点的能力，以评估的似然函数的逻辑模型的贝叶斯推断。与现有的替代方案相比，SPS是简单得多，并提供了数字标准误和准确的近似边际可能性作为副产品。用于贝叶斯推断的SPS算法适合于大规模并行实现，并且当使用图形处理单元实现时，它比现有的替代方案更有效。本文通过几个例子来说明这些观点。
2013-04-16 stat.CO
The e-value and the Full Bayesian Significance Test: Logical Properties and Philosophical Consequences
本文对用于全贝叶斯显著性检验（FBST）的e值ev(H|X)做概念综述，通过逻辑性质刻画该检验，体现数理统计结果与理论基础逻辑需求的互补性。
2024-06-22 math.ST stat.TH
Sequential Embedding Induced Text Clustering, a Non-parametric Bayesian Approach
State University of New York at Buffalo（纽约州立大学布法罗分校）；University of California, Irvine（加州大学欧文分校）
当前最先进的非参数贝叶斯文本聚类方法通过词袋上的多项分布对文档进行建模。虽然这些方法可以有效地利用文档的单词突发性表示，并取得不错的性能，但它们没有探索文本的顺序信息和同义词之间的关系。本文将文档建模为词袋、序列特征和词嵌入的结合点。我们提出了顺序嵌入诱导狄利克雷过程混合模型（SiDPMM），有效地利用这种联合文档表示文本聚类。序列特征由编码器-解码器组件提取。通过连续词袋模型（CBOW）产生的词嵌入来处理同义词。实验结果表明，我们的模型在两个主要方面的好处：1）提高了性能在多个不同的文本数据集的归一化互信息（NMI）; 2）更准确的推理地面真理的聚类数与正则化效果的微小离群聚类。
2018-11-29 cs.IR cs.LG stat.ML
Testing hypotheses via a mixture estimation model
我们考虑一种新的范式贝叶斯检验的假设和贝叶斯模型比较。我们的替代传统的后验概率的建设，一个给定的假设是真的，或数据来源于一个特定的模型是考虑比较的模型作为混合模型的组成部分。因此，我们取代原来的测试问题的估计一个集中在一个混合模型中的一个给定的模型的概率权重。我们分析了各种先验模型的权重的后验分布的灵敏度。我们强调，在使用这种新颖的角度来看，一个主要的吸引力是，通用的不适当的先验是可以接受的，而不是把收敛的危险。在其他功能中，这允许解决林德利-杰弗里斯悖论。当在混合权重上使用参考Beta B（a，a）先验时，我们注意到，权重的后验估计对a选择的敏感性随着样本量的增加而消失，并支持从Rousseau和Mengersen（2011）导出的默认选择a=0.5。这个容易实现的替代经典贝叶斯解决方案的另一个特征是，权重的后验平均值和相应的后验概率的收敛速度非常相似。
2018-12-31 stat.ME
Asymptotic Optimality Theory For Decentralized Sequential Multihypothesis Testing Problems
在分布式传感器网络系统的背景下，顺序测试$M \ge 3$假设的贝叶斯公式进行了研究。在这样的系统中，本地传感器观察原始观测值，并将量化的传感器消息发送到融合中心，融合中心在停止观测时做出最终决定。渐近最优分散序贯检验是从一类“两阶段”测试，允许传感器网络系统作出初步决定，在第一阶段，然后相应地优化每个本地传感器量化器在第二阶段。它示出，在每个本地传感器在第二阶段的最佳本地量化器可以被定义为一个最大最小量化器，它原来是一个随机化的最多$M-1$明确的似然量化器（ULQ）。我们首先详细介绍了我们的结果与一个单一的传感器和二进制传感器的消息系统，然后扩展到更一般的情况下，涉及任何有限的字母表传感器的消息，多个传感器，或复合假设。
2010-11-01 math.ST stat.TH
Sequential Bayesian Experimental Design for Implicit Models via Mutual Information
University of Edinburgh（爱丁堡大学）；Queensland University of Technology（昆士兰科技大学）
贝叶斯试验设计（Bayesian Experimental Design，简称BED）是一种利用统计模型和不确定性下的决策来优化科学实验成本和性能的框架。与静态BED相反，序贯BED考虑的是我们可以通过实验中收集的数据顺序更新我们对模型参数的信念的场景。对于自然科学和医学科学特别感兴趣的一类模型是隐式模型，其中数据生成分布是棘手的，但从中采样是可能的。尽管在过去的几年里，隐式模型的静态床层展开已经有了大量的工作，但隐式模型的序贯床层展开这一出了名的难题却很少有人涉及。我们通过设计一种新颖的用于参数估计的序贯设计框架来解决文献中的这一差距，该框架使用模型参数和模拟数据之间的互信息（MI）作为效用函数来寻找最佳试验设计，这是以前没有针对隐式模型进行过的。我们的方法使用比率估计的似然自由推断，同时估计后验分布和MI。在连续的BED过程中，我们利用贝叶斯优化来帮助我们优化MI效用。我们发现，我们的框架是有效的各种隐式模型测试，产生准确的参数估计后，只有几次迭代。
2020-03-20 cs.LG stat.CO stat.ME
Generalized Bayesian Filtering via Sequential Monte Carlo
University of Warwick（华威大学）；The Alan Turing Institute（艾伦·图灵研究所）
我们引入了一个框架，在一般的状态空间隐马尔可夫模型（HHALGORY）的可能性误指定的推理。特别是，我们利用广义贝叶斯推断（GBI）的损失理论的角度来定义广义过滤递归的障碍，可以解决模型误指定下的推理问题。在这样做的过程中，我们到达的原则性程序，强大的推理对观察污染利用$β$分歧。通过序贯蒙特卡罗方法（SMC），其中大多数标准粒子方法及其相关的收敛结果，可以很容易地适应新的设置操作所提出的框架。我们将我们的方法应用于目标跟踪和高斯过程回归问题，并观察到标准滤波算法和其他鲁棒滤波器的性能改善。
2020-10-21 cs.LG stat.CO stat.ME
Sequential Bayesian Inference for Uncertain Nonlinear Dynamic Systems: A Tutorial
本文综述非线性非高斯动态系统的序贯贝叶斯方法，围绕粒子滤波构建统一框架，以稀疏测量解决状态、参数与驱动输入联合估计问题。
2022-01-20 cs.SY eess.SY stat.ME
Bayesian nonparametric modelling of sequential discoveries
我们的目标是在一系列的标签对象建模的外观不同的标签。这种类型的数据的常见示例包括语料库中的单词或样本中的不同物种。这些连续的发现通常通过累积曲线来总结，累积曲线计算在越来越大的对象集合中观察到的不同实体的数量。我们提出了一种新的贝叶斯非参数方法的物种抽样建模直接指定的概率，一个新的发现，因此允许灵活的规格。这种方法的渐近行为和有限样本性质进行了广泛的研究。有趣的是，我们扩大的序列过程类包括高度易处理的特殊情况。我们提出了一个子类的模型，其特征在于吸引人的理论和计算性能。此外，由于与逻辑斯谛回归模型的紧密联系，后一个子类可以自然地解释协变量。最后，我们测试我们的建议在合成和真实的数据，特别强调在芬兰的大型真菌生物多样性研究。
2020-11-12 stat.ME
Decision-theoretic justifications for Bayesian hypothesis testing using credible sets
在贝叶斯统计中，精确点原假设$θ=θ_0$可以通过检查$θ_0$是否包含在可信集中来检验.这允许测试$θ=θ_0$，而不必对假设施加先验概率。虽然这种可信集的反演在贝叶斯推理中有很长的历史，但它们因缺乏决策理论的理由而受到批评。我们认为，这些测试有许多优势，比标准的贝叶斯检验，使用点质量概率的原假设。通过研究一个具有方向性结论的三判定问题，我们给出了中心可信区间的反演的决策理论证明，并在一个特殊情况下证明了HPD集。通过解释证明中所使用的损失函数，讨论了基于可信集的检验在什么情况下适用。然后，我们给出了一些理由，使用可信集测试复合假设时，可信集的基础上，在这种情况下，测试符合标准测试。
2012-12-17 math.ST stat.TH
Bayesian Sequential Experimental Design for a Partially Linear Model with a Gaussian Process Prior
研究了在高斯过程先验下估计部分线性模型参数分量的序贯试验设计问题。我们考虑一个主动学习设置，实验者自适应地决定收集哪些数据，以有效地实现他们的目标。实验者的目标可能会有所不同，例如降低分类错误概率或提高估计数据生成过程的参数的准确性。本研究旨在提高部分线性模型参数分量估计的精度。在某些假设下，部分线性模型的参数分量可被视为因果参数，即平均处理效应（ATE）或平均因果效应（ACE）。我们提出了一个贝叶斯序贯试验设计算法的部分线性模型与高斯过程先验，这也被认为是一个序贯试验设计定制的ATE或ACE的估计。我们通过数值实验的基础上合成和半合成数据所提出的方法的有效性。
2022-11-04 stat.ME
Sequential Monte Carlo for Cut-Bayesian Posterior Computation
提出一种序贯蒙特卡洛方法高效计算 cut-Bayesian 后验量，通过有限样本集中界证明理论性质，并结合线性回火与参数排列优化计算效率，在化学反应器模块化推断中验证了其准确性与计算优势。
2024-11-12 stat.CO stat.ME
