Learning in Volatile Environments with the Bayes Factor Surprise
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
基于惊喜的学习允许代理快速适应以突然变化为特征的非平稳随机环境。我们表明，确切的贝叶斯推断在层次模型中产生了一个模糊调制的权衡之间的遗忘旧的意见，并将它们与新的。调制取决于概率比，我们称之为“贝叶斯因素惊喜”，它测试了当前信念的先验信念。我们证明，在几个现有的近似算法的贝叶斯因子惊喜调制适应新的观察的速度。我们推导出三种新的基于递归的算法，一个在家庭的粒子滤波器，一个在家庭的变分学习，和其他家庭的消息传递，具有恒定的缩放观察序列长度和特别简单的更新动态指数家庭中的任何分布。实证结果表明，这些基于递归的算法估计参数优于替代近似方法，并达到计算上更昂贵的算法的性能水平。贝叶斯因子惊奇与香农惊奇有联系但又有区别。在两个假设的实验中，我们对生理指标进行了可检验的预测，这些指标将贝叶斯因子惊喜与香农惊喜分离开来。将各种方法铸造为基于递归的学习的理论见解，以及所提出的在线算法，可以应用于动物和人类行为的分析，以及非平稳环境中的强化学习。
2020-09-23 cs.LG q-bio.NC stat.AP
Mutual Information Surprise: Rethinking Unexpectedness in Autonomous Systems
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H.米尔顿·斯图尔特工业与系统工程学院，佐治亚理工学院）
本文提出互信息惊奇框架，将惊奇定义为知识增长信号，通过统计检验序列和反应策略提升系统稳定性、响应性和预测精度。
2026-06-28 cs.LG stat.AP
Modeling arousal potential of epistemic emotions using Bayesian information gain: Inquiry cycle driven by free energy fluctuations
The University of Tokyo（东京大学）
本研究基于自由能最小化原理的两类信息增益构建认知情绪的数学模型，发现其构成类似冯特曲线的上凸函数，揭示认知情绪驱动的理想探究循环机制，统一大脑自由能原理与唤醒潜力理论。
2023-12-14 cs.AI cs.IT math.IT
From a Point Cloud to a Simulation Model: Bayesian Segmentation and Entropy based Uncertainty Estimation for 3D Modelling
BMW Group（宝马集团）；Alpen-Adria-University Klagenfurt（克拉根福阿尔卑斯-亚德里亚大学）
室内环境的3D建模和过程模拟的生成在工厂和装配规划中发挥着重要作用。在棕地规划案例中，现有数据通常是过时和不完整的，特别是对于旧工厂，这些工厂主要是以2D规划的。因此，当前的环境模型不能直接基于现有数据生成，并且关于如何以高度自动化的方式构建这样的工厂模型的整体方法几乎不存在。在生产工厂中生成环境模型的主要步骤包括数据收集和预处理、对象识别以及姿态估计。在这项工作中，我们详细阐述了一个有条不紊的工作流程，从大规模室内环境的数字化开始，到静态环境或模拟模型的生成结束。使用能够进行点云分割的贝叶斯神经网络来实现对象识别步骤。我们阐述了如何使用贝叶斯分割框架产生的网络不确定性信息，以建立一个更准确的环境模型。数据收集和点云分割的步骤，以及由此产生的模型的准确性进行评估的真实世界的数据集收集在一个大规模的汽车生产工厂的装配线。分割网络进一步评估公开的斯坦福大学大规模三维室内空间数据集。贝叶斯分割网络显然超过了频率论基线的性能，并允许我们大大提高模拟场景中模型放置的准确性。
2021-02-04 cs.LG stat.ML
Implementing Bayesian inference on a stochastic CO2-based grey-box model for assessing indoor air quality in Canadian primary schools
本研究通过在基于CO2的随机灰箱模型上实施贝叶斯推断来量化空气换气次数估算的不确定性，并应用于加拿大小学教室，发现清洁空气供应不足，建议补充800 cfm洁净空气输送率以满足ASHRAE 241要求。
2024-05-02 stat.AP
Joint Positioning and Radio Map Generation Based on Stochastic Variational Bayesian Inference for FWIPS
基于指纹的WLAN室内定位系统（FWIPS）提供了一种有前景的室内定位解决方案，以满足对室内基于位置的服务（例如，室内寻路或地理围栏）。FWIPS是优选的，因为它不需要额外的基础设施来部署FWIPS并通过重用可用的WLAN和移动设备来实现位置估计，并且能够提供绝对位置估计。对于基于指纹的定位（FbP），创建模型以提供可观察特征（例如，来自接入点（AP）信号强度）作为离线阶段期间位置的函数。为FWIPS建立完整和准确的参考数据库（即无线电地图（RM））的一种广泛应用的方法是在整个感兴趣区域（RoI）进行现场调查。沿着现场勘测，收集来自每个参考点（RP）处的所有可见AP的接收信号强度（RSS）的读数。然而，这种现场调查是耗时且劳动密集的，特别是在ROI很大的情况下（例如，机场或大型购物中心）。这一瓶颈阻碍了FWIPS的广泛商业应用（例如，购物中心中的邻近促销）。为了减少现场调查的成本，我们提出了一个概率模型，它结合了基于指纹定位（FbP）和RM生成基于随机变分贝叶斯推断（SVBI）。该基于SVBI的位置和RSS估计具有三个属性：i）能够预测估计的位置和RSS的分布，ii）将每个RP处的RSS的每个观测作为示例来学习FbP和RM生成，而不是使用整个RM作为示例，以及iii）对于定位和RSS估计两者，仅需要SVBI模型的一次训练。这些优点使它优于以前提出的方法。
2017-05-17 stat.AP stat.ML
Indoor Navigation Using Information From A Map And A Rangefinder
Concern CSRI Elektropribor（CSRI Elektropribor 康采恩）；ITMO University（ITMO大学）
移动物体的室内导航的问题，使用地图和测量到墙壁的距离被认为是。在贝叶斯方法的背景下，制定了一个非线性滤波问题，旨在计算所寻求参数的均方根意义上的最佳值。介绍了基于点质量法求解该问题的算法。仿真结果表明所提出的问题陈述和由此产生的算法的优点进行了讨论。
2019-08-20 cs.RO stat.AP
Divide-and-Conquer Predictive Coding: a structured Bayesian inference algorithm
Vanderbilt University（范德堡大学）；VERSES AI Research Lab（VERSES AI研究实验室）；Vienna University of Technology（维也纳技术大学）
本文提出分治预测编码（DCPC），在保持生物合理性的同时尊重生成模型相关结构并实现最大似然参数更新，在多个结构化推理问题上优于现有预测编码方法。
2024-10-17 cs.AI cs.LG q-bio.NC
VASE: Variational Assorted Surprise Exploration for Reinforcement Learning
University of Otago（奥塔哥大学）
在具有连续控制和稀疏奖励的环境中进行探索仍然是强化学习（RL）的关键挑战。最近，惊喜被用作一种内在奖励，鼓励系统和有效的探索。我们引入了一个新的惊喜的定义和它的RL实现命名为变分什锦惊喜探索（VASE）。VASE使用贝叶斯神经网络作为环境动态模型，并使用变分推理进行训练，交替更新代理模型和策略的准确性。我们的实验表明，在连续控制稀疏奖励环境中，VASE优于其他基于探索的技术。
2019-10-31 cs.LG stat.ML
Exploring Monetary Policy Shocks with Large-Scale Bayesian VARs
本文提出高维BVAR框架，以潜在因子和Gibbs采样识别常规货币政策冲击，发现美联储对分项消费价格的影响在2022—2024年显著波动。
2025-05-10 econ.EM stat.AP
Extracting Bayesian Evidence from Frequentist p-Values
University of Cologne（科隆大学）；University of Zurich（苏黎世大学）；University of Amsterdam（阿姆斯特丹大学）
研究从频率主义p值中提取贝叶斯证据的方法，核心是杰弗里斯近似贝叶斯因子（JAB），它在单位信息先验下仅需p值和有效样本量，经大量测试表明能很好近似客观贝叶斯因子，为p值提供样本量敏感补充且在选择性停止时也有效。
2026-07-15 math.ST stat.ME stat.TH
Information Pursuit: A Bayesian Framework for Sequential Scene Parsing
Johns Hopkins University（约翰斯·霍普金斯大学）
尽管在目标检测和分类方面取得了巨大的进步，但将目标实例之间的预期上下文关系纳入现代识别系统的问题仍然是一个关键挑战。在这项工作中，我们提出了信息追求，贝叶斯框架的场景分析，结合先验模型的几何形状的场景和空间排列的对象实例与数据模型的输出高层次的图像分类器训练，以回答有关场景的具体问题。在拟议的框架中，现场的解释是逐步完善的证据积累从一系列问题的答案。在每一步，我们选择的问题，以最大限度地提高互信息之间的新的答案和充分的解释给定的当前证据从以前的调查。我们还提出了一种方法，用于从合成的，注释的场景中学习模型的参数，通过自上而下的采样从一个易于学习的生成场景模型。最后，我们介绍了一个数据库的注释室内场景的餐桌，我们用它来评估所提出的方法。
2017-01-09 cs.AI cs.CV stat.ML
Learning Personalized Thermal Preferences via Bayesian Active Learning with Unimodality Constraints
Purdue University（普渡大学）；School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）；Lyles School of Civil Engineering, Purdue University（普渡大学莱尔工程学院）；Center for High Performance Buildings, Ray W. Herrick Laboratories, Purdue University（普渡大学雷·W·赫里克实验室高性能建筑中心）
热偏好因人而异，可能会随着时间的推移而变化。本文的主要目标是依次提出智能查询的占用者，以最佳地学习室内空气温度值，最大限度地提高他们的满意度。我们的中心假设是，一个居住者的偏好关系室内空气温度可以描述使用这些温度的标量函数，我们称之为“居住者的热效用函数”。我们可以通过居住者对热偏好查询的响应来获得有关居住者对这些温度的偏好的信息：“更喜欢温暖”、“更喜欢凉爽”和“满意”，我们将其解释为关于其效用函数的导数的陈述，即效用函数分别为“增加”、“减少”和“恒定”。我们使用具有内置单峰约束的高斯过程先验来建模这个隐藏的效用函数，即，效用函数有唯一的最大值，我们使用贝叶斯推理训练这个模型。这允许基于预期的改进来选择下一个偏好查询以向占用者摆姿势，这考虑了探索（从高不确定性的区域采样）和利用（从可能提供优于当前最佳观察的改进的区域采样）两者。我们使用这个框架来顺序设计实验，并通过显示与其他方法相比，它需要更少的观测来学习最大优选的温度值来说明它的好处。该框架是智能HVAC系统发展的重要一步，该系统将能够响应居住者的个性化热舒适需求。为了鼓励使用我们的PE框架并确保结果的可重复性，我们发布了我们工作的实现，名为GPPrefElicit，作为Python中的开源包。
2019-04-01 cs.HC cs.LG stat.ML
Topic-Level Bayesian Surprise and Serendipity for Recommender Systems
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
该论文提出基于内容的的公式化（即根于内容的利用用户历史中相似用户的消费历史，实现协同过滤，从而识别用户能够体验来自新颖、未见类别的的内容。一种缓解这种不良行为的方法，推荐具有高奇遇性潜力的即基于高潜在被高度为奇遇性的的物品。
2023-10-18 cs.AI cs.IR cs.LG
A Bayesian Additive Model for Understanding Public Transport Usage in Special Events
Technical University of Denmark（丹麦技术大学）；Singapore–MIT Alliance for Research and Technology（新加坡-麻省理工学院研究与技术联盟）；Nordita（北欧理论物理研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Stockholm University（斯德哥尔摩大学）；University of Coimbra（科英布拉大学）；Massachusetts Institute of Technology（麻省理工学院）
众所周知，体育比赛、音乐会和节日等公共特别活动会造成交通系统中断，经常让运营商措手不及。虽然这些活动通常都是提前计划好的，但其影响很难预测，即使组织者和交通运营商进行协调。当几个事件同时发生时，问题会大大增加。为了解决这些问题，在新加坡、伦敦或东京等大城市，成本高昂的流程严重依赖人工搜索和个人经验。本文提出了一种贝叶斯加性模型与高斯过程组件，结合智能卡记录从公共交通与上下文信息的事件，不断挖掘从Web。我们开发了一个有效的近似推理算法，使用期望传播，这使我们能够预测的公共交通出行的特殊事件领域的总数，从而有助于更适应的交通系统。此外，对于多个并发事件的情况下，所提出的算法是能够分解总行程计数到其最有可能的组件相关的特定事件和日常行为。使用来自新加坡的真实数据，我们表明，所提出的模型在R2中比最佳基线模型高出26%，并且对其各个组成部分也具有解释力。
2018-12-20 cs.LG stat.ML
Uncertainty Estimation in Deep Neural Networks for Point Cloud Segmentation in Factory Planning
BMW Group（宝马集团）；Alpen-Adria Universität（阿尔卑斯-亚德里亚大学）
数字化工厂无疑为未来的生产系统在效率和效益方面提供了巨大的潜力。实现真实工厂的数字复制的一个关键方面是基于3D数据对复杂室内环境的理解。为了生成包括主要组件（即建筑部件、产品资产和工艺细节）的精确工厂模型，可以使用先进的深度学习方法处理数字化过程中收集的3D数据。在这项工作中，我们提出了一个完全贝叶斯和近似贝叶斯神经网络的点云分割。这使我们能够分析这些网络中估计不确定性的不同方法如何改善原始3D点云的分割结果。我们实现了优越的模型性能，贝叶斯和近似贝叶斯模型相比，频率。当将网络的不确定性纳入其预测时，这种性能差异变得更加惊人。为了进行评估，我们使用了科学数据集S3DIS以及作者在德国汽车生产厂收集的数据集。在这项工作中提出的方法导致更准确的分割结果和不确定性信息的纳入，使这种方法特别适用于安全关键应用。
2020-12-13 cs.CV stat.ML
Evaluating the relative contribution of data sources in a Bayesian analysis with the application of estimating the size of hard to reach populations
当在分析中使用多个数据源时，了解每个数据源对分析的影响以及数据源之间和模型之间的一致性非常重要。我们建议使用一个追溯价值的信息框架，以解决这些问题。信息价值方法在计算上可能很困难。我们说明了使用的计算方法，允许这些方法被应用，即使在相对复杂的设置。在说明所提出的方法，我们专注于应用程序中估计的规模难以达到的人口。具体而言，我们考虑通过结合乌克兰五年多来和许多次国家地区的所有现有数据来源，估计乌克兰注射毒品使用者的人数。这一应用引起了公共卫生研究人员的兴趣，因为这一难以接触的人群在艾滋病毒的传播中起着重要作用。我们应用贝叶斯分层模型，并评估每个数据源的绝对影响力，预期影响力和惊喜水平的贡献。最后，我们应用信息方法的价值，为未来的数据收集提供建议。
2020-09-04 stat.AP
Bayesian dimensionality reduction with PCA using penalized semi-integrated likelihood
本文讨论了主成分分析中主成分个数的估计问题。尽管在文献中提出的问题和众多的解决方案的重要性，它来作为一个惊喜，不存在一个连贯的渐近框架，这将证明不同的方法取决于数据集的实际大小。在本文中，我们解决这个问题，提出了一个近似的贝叶斯方法的基础上拉普拉斯近似，并介绍了一种通用的方法，用于建立模型选择标准，称为PEnalized SEMI集成的Likewise（PESEL）。我们的一般框架包括各种现有的方法的基础上的概率模型，例如贝叶斯信息准则的概率PCA（PPCA），并允许建设新的标准，这取决于手头的数据集的大小。具体来说，我们定义PESEL时，变量的数量大大超过观察的数量。我们还报告了广泛的模拟研究和实际数据分析的结果，这说明了我们提出的标准相比，国家的最先进的方法和最近的建议，良好的性能。具体而言，这些模拟表明，PESEL为基础的标准可以是相当强大的概率模型假设的偏差。用于估计主成分数量的选定的基于PESEL的标准在R包varnish中实现，该包可在github（https：//github.com/psobczyk/varnish）上获得。
2016-07-05 stat.ME
Semi-parametric Bayesian change-point model based on the Dirichlet process
在这项工作中，我们介绍了一个半参数贝叶斯变点模型，定义其时间动态作为一个潜在的马尔可夫过程的基础上的狄利克雷过程。我们将变点的数目视为一个随机变量，并在模型拟合过程中对其进行估计。后验推理进行了使用马尔可夫链蒙特卡罗算法的基础上边缘化的版本所提出的模型。该模型是用模拟的例子和两个真实的数据集，即煤矿灾害，这是一个广泛使用的数据集说明的目的，和室内氡记录的数据集。通过仿真实例，我们证明了该模型能够恢复参数和变点的数量，并将我们的结果与最先进的模型进行了比较，在变点识别方面有了明显的改善。对煤矿开采灾害和氡数据的分析结果与以往文献一致。
2018-08-24 stat.CO
bayprior: Structured Bayesian Prior Elicitation, Conflict Diagnostics, and Regulatory Reporting
bayprior是一个R包和Shiny应用，整合贝叶斯先验引出、冲突诊断、敏感性分析和监管报告，支持FDA和EMA指南，并通过合成肿瘤学试验验证。
2026-10-12 stat.AP stat.CO stat.ME
Bayesian Modal Regression for Forecast Combinations
本研究提出将模回归纳入预测组合的贝叶斯分层框架，利用非对称重尾误差分布建模条件模，在真实分析师预测数据中优于均值回归，揭示了收入预测误差的偏态与肥尾特性。
2025-04-04 stat.ME
Reclaiming the "frequentist" role of marginal likelihood in Bayesian belief revision
Anhui University（安徽大学）
本研究指出贝叶斯计算中常将边缘似然视为静态常数的疏漏，提出将其恢复为实时正则项，引入诊断指标与混合概率，为非平稳场景下的序贯估计与风险管理提供正则化机制。
2026-07-30 stat.ME
AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Allen Institute for AI（人工智能研究院）；Capital One
AutoDiscovery通过贝叶斯惊喜驱动科学探索，实现开放性科学发现，显著提升发现数量和质量。
2026-02-12 cs.AI cs.CL cs.LG
Optimizing Forecast Combination Weights Using Exponentially Weighted Hit and Win Rate Losses
本文针对分析师预测汇总中的收入预测问题，提出使用指数加权命中率和胜率损失函数优化组合权重，并开发贝叶斯插补框架处理缺失预测，实证表明该方法优于传统等权重和线性组合基准。
2025-03-25 stat.ME
Learning and Planning with a Semantic Model
UC Berkeley（加州大学伯克利分校）；Facebook AI Research（脸书人工智能研究院）
构建能够泛化和适应未知环境的深度强化学习代理仍然是人工智能面临的一个根本挑战。本文介绍了这一挑战的背景下，人造环境，这是视觉上的多样性，但包含内在的语义的进展。我们提出了一种混合的基于模型和无模型的方法，学习和规划与语义（LEAPS），由一个多目标的子政策，作用于视觉输入，和贝叶斯模型的语义结构。当被放置在一个看不见的环境中时，代理使用语义模型进行规划以做出高层决策，为子策略提出下一个子目标以执行，并基于新的观察结果更新语义模型。我们使用House3D进行视觉导航任务的实验，House3D是一个3D环境，包含不同的人类设计的室内场景与现实世界的对象。LEAPS优于没有明确计划使用语义内容的强基线。
2018-09-28 cs.AI cs.LG stat.ML
Grey-box Bayesian Optimization for Sensor Placement in Assisted Living Environments
University of Alberta（阿尔伯塔大学）
提出基于灰盒贝叶斯优化的样本高效方法，融合活动空间分布的领域知识进行传感器放置优化，在真实和模拟环境中以更少的函数查询实现更优的活动识别。
2023-09-11 cs.AI cs.HC cs.LG
Modeling and interpolation of the ambient magnetic field by Gaussian processes
Aalto University（阿尔托大学）；University of Cambridge（剑桥大学）；Uppsala University（乌普萨拉大学）
环境磁场中的异常可以用作室内定位和导航中的特征。通过使用麦克斯韦方程组，我们推导并提出了一个贝叶斯非参数概率建模方法的磁场的内插和外推。我们的模型的磁场分量联合施加高斯过程（GP）之前的潜在标量位的磁场。通过重写GP模型的希尔伯特空间表示，我们规避了计算陷阱与GP建模，并提供了一个计算效率高，物理上合理的建模工具的环境磁场。该模型允许连续更新的估计和随时间变化的磁场。该模型在不同的应用中表现良好：我们演示了使用廉价的Raspberry Pi动力机器人和使用标准智能手机步行的磁场映射。
2018-03-21 cs.RO stat.ML
A statistical approach to simultaneous mapping and localization for mobile robots
移动机器人需要基本的信息来在环境中导航：他们需要知道自己在哪里（定位），他们需要知道自己要去哪里。对于后者，机器人需要一张环境地图。使用各种形式的传感器，机器人在环境中移动时收集信息，以建立地图。本文提出了一种新的采样算法来解决室内环境中的同时地图构建和定位（SLAM）问题。我们从贝叶斯统计的角度来处理这个问题。这些数据对应于在离散时刻获得的一组测距仪和里程计测量值。我们专注于估计的后验分布的空间可能的地图给定的数据。通过利用该分布的不同因子分解，我们推导出三种基于重要性抽样的抽样算法。我们说明了我们的方法的结果，通过机器人导航在卡内基梅隆大学和智利天主教大学的办公楼内获得的两个真实的数据集测试的算法。
2007-08-31 stat.AP
Environment-Aware Indoor LoRaWAN Path Loss: Parametric Regression Comparisons, Shadow Fading, and Calibrated Fade Margins
针对室内LoRaWAN传播受环境因素影响的问题，提出环境感知路径损耗框架，对比多种回归模型，分析阴影衰落特性，通过校准衰落余量提升可靠性，为室内物联网规划提供可部署的工作流程。
2025-10-05 cs.LG cs.NA cs.NI
