Functional regression approximate Bayesian computation for Gaussian process density estimation
我们提出了一种新的贝叶斯非参数方法的分层建模的一组相关的密度函数，其中分组数据的形式，从每个密度函数的样本是可用的。在这方面，在各群体之间借用力量是一项重大挑战。为了解决这个问题，我们引入了一个分层结构的先验，定义在一组单变量密度函数，使用方便的高斯过程的变换。推理是通过近似贝叶斯计算（ABC），通过一种新的功能回归调整。所提出的方法的性能说明通过模拟研究和分析农村高中考试在巴西的表现。
2014-10-30 stat.CO
A simple Bayesian model to estimate proportions and ratios from count data with a hierarchical error structure with an application to droplet digital PCR experiments
针对生物医学中层级误差结构的计数数据比例/比率估计问题，提出一种贝叶斯框架，实现了R语言Gibbs采样器，并与随机效应模型进行对比。
2023-05-04 stat.AP
Flexible Bayesian Nonlinear Model Configuration
University of Oslo（奥斯陆大学）；Norwegian Computing Center（挪威计算中心）；Medical University of Vienna（维也纳医科大学）
回归模型被广泛应用于各种领域，为不同领域的研究人员提供了强大的科学工具。线性或简单的参数模型通常不足以描述输入变量和响应之间的复杂关系。这种关系可以通过灵活的方法（如神经网络）更好地描述，但这会导致更少的可解释模型和潜在的过拟合。可替代地，可以使用特定的参数非线性函数，但是这样的函数的规范通常是复杂的。在本文中，我们介绍了一个灵活的方法，高度灵活的非线性参数回归模型的建设和选择。非线性特征是分层生成的，类似于深度学习，但在要考虑的可能特征类型上具有额外的灵活性。这种灵活性与变量选择相结合，使我们能够找到一小部分重要的特征，从而找到更可解释的模型。在可能的功能的空间内，贝叶斯方法，根据其复杂性引入先验的功能，被认为是。采用遗传改进的跳模马尔可夫链蒙特卡罗算法进行贝叶斯推断，估计模型平均的后验概率。在各种应用中，我们说明了如何使用我们的方法来获得有意义的非线性模型。此外，我们将其预测性能与几种机器学习算法进行了比较。
2021-11-23 cs.LG stat.CO stat.ME
Exploring Bayesian Models for Multi-level Clustering of Hierarchically Grouped Sequential Data
Indian Institute of Science（印度科学学院）
已经提出了各种各样的贝叶斯模型的数据，分为分层成组。这些模型的目的是通过为每个数据点分配混合成分，并为每个组分配混合分布，在不同的分组级别上对数据进行聚类。通过组共享这些组件和分布，促进了多级聚类。在本文中，我们引入了共享度（DoS）的概念的混合成分和分布，旨在分析和分类各种现有的模型。接下来，我们介绍了一个广义的层次贝叶斯模型，现有的模型可以被证明是特殊情况。与大多数这些模型不同，我们的模型在分配混合成分和分布时考虑了数据的顺序性质以及不同级别的各种其他时间结构。我们展示了该模型的一个专门化，旨在新闻文本的分层分割，并提出了一个基于Gibbs抽样的推理算法。我们还通过实验表明，该模型优于现有的模型，对于相同的任务。
2015-04-19 cs.AI cs.LG
A Bayesian Programming Approach to Car-following Model Calibration and Validation using Limited Data
College of Engineering and Computing（工程与计算学院）
针对工作区场景下跟驰模型标定困难的问题，采用贝叶斯方法评估数据集充足性、对比不同标定方法、探索分层建模优势，并将成果应用于沃尔普跟驰模型的概率建模与验证。
2023-07-19 cs.LG stat.ME stat.ML
Bayesian biclustering for microbial metagenomic sequencing data via multinomial matrix factorization
高通量测序技术为定量探索人类肠道微生物组及其与疾病的关系提供了前所未有的机会。微生物组数据具有组成性、稀疏性、噪声性和异质性等特点，这对统计建模提出了严峻的挑战。我们提出了一个可识别的贝叶斯多项式矩阵分解模型来推断微生物和宿主上的重叠簇。所提出的方法表示观察到的过度分散的零膨胀计数矩阵的狄利克雷多项式的混合物上的潜在集群结构的层次。在贝叶斯框架下，聚类的数量是自动确定的，并且自然地结合了来自微生物分类等级树的可用信息，这大大提高了我们发现的可解释性。我们证明了所提出的方法的实用性，通过比较模拟中的替代方法。应用于涉及患有炎性肠病的患者的人类肠道微生物组数据集揭示了有趣的簇，其包含根据生物学文献已知与炎性肠病及其亚型相关的细菌家族拟杆菌科、双歧杆菌科、肠杆菌科、梭杆菌科、毛螺菌科、瘤胃球菌科、巴斯德菌科和卟啉单胞菌科。我们的研究结果可以帮助产生潜在的假设，用于未来对人类肠道微生物组异质性的研究。
2020-10-08 stat.ME
Bayesian information criteria for clustering normally distributed data
最大似然估计（MLE）是渐近正态分布的，该属性用于荟萃分析，以检验单个聚类或多个子组的估计值的异质性。最近，风险因素和疾病之间的关联的最大似然估计已被分层聚类，以寻找具有共同的根本原因的疾病，但需要一个客观的统计标准来确定聚类的数量和组成。为了解决这个问题，传统的统计测试进行了简要回顾，然后再考虑后验分布的数据划分成集群。后验分布是通过边缘化未知聚类中心来计算的，并且与混合模型相关的可能性不同。该计算与用于获得贝叶斯信息准则（BIC）的计算等效，但是精确的，没有拉普拉斯近似。结果包括平方和项，以及取决于簇的数量和组成的项，这些项对模型中的自由参数的数量进行惩罚。通常的BIC被证明是不适合聚类应用程序，除非在每个单独的集群中的项目的数量是足够大的。
2022-02-24 math.ST stat.AP stat.ME
Nonparametric Bayesian Double Articulation Analyzer for Direct Language Acquisition from Continuous Speech Signals
Ritsumeikan University（立命馆大学）
人类婴儿可以直接从未分割的语音信号中发现单词，而无需任何明确标记的数据。在本文中，我们开发了一种新的机器学习方法，称为非参数贝叶斯双清晰度分析器（NPB-DAA），可以直接从观察到的连续语音信号获取语言和声学模型。为此，我们提出了一个综合的生成模型，结合了语言模型和声学模型到一个单一的生成模型称为“层次狄利克雷过程隐藏语言模型“（HDP-HLM）。HDP-HLM是通过扩展Johnson等人提出的分层Dirichlet过程隐半马尔可夫模型（HDP-HSMM）而得到的，并利用HDP-HSMM的分块Gibbs采样器导出了HDP-HLM的推理过程.该过程使得能够从连续的语音信号同时和直接地推断语言和声学模型。基于HDP-HLM及其推理过程，我们开发了一种新的双清晰度分析器。通过假设HDP-HLM作为观测时间序列数据的生成模型，并通过推断模型的潜在变量，该方法可以分析潜在的双发音结构，即，分层组织的潜在单词和音素，以无监督的方式的数据。新型无监督双清晰度分析器被称为NPB-DAA。该算法能自动估计出语音信号中的双清晰度结构。我们还进行了两个评价实验，使用合成数据和实际的人连续语音信号代表日本元音序列。在单词获取和音素分类任务中，NPB-DAA优于传统的双清晰度分析器（DAA）和基线自动语音识别系统，其声学模型以监督的方式进行训练。
2016-03-09 cs.AI cs.CL cs.LG
Multidimensional Bayesian IRT Model for Hierarchical Latent Structures
在许多情况下，我们有理由认为，个体的潜在特征具有层次结构，因此，更一般的特征是更具体的特征的适当组合。现有的项目反应模型，占这样的层次结构的功能有相当大的局限性，在建模和/或推理。出于这些限制和主题的重要性，本文旨在提出一种改进的方法，在建模和推理方面，以处理层次结构的潜在特质的项目反应理论的背景下。从建模的角度来看，所提出的方法允许真正的多维项目和假设的层次结构中的所有潜在特征是在同一规模上。项目可以是二分的或分级的反应。设计了一种有效的MCMC算法，从所提出的模型的所有未知量的联合后验分布中进行采样。特别地，在吉布斯抽样算法中，所有潜在特质参数从它们的全条件分布联合抽样。所提出的方法适用于模拟数据和真实的数据集有关的Enem考试在巴西。
2020-07-26 stat.ME
Trans-Dimensional Bayesian Inference for Gravitational Lens Substructures
我们介绍了贝叶斯解决方案的问题时，透镜星系可能包含多个黑暗或微弱的子结构推断强引力透镜的密度分布。源和透镜模型基于未知数量的非负基函数（或“斑点”）的叠加，其形式以速度作为主要标准来选择。该方法分层地确定了二进制大对象属性的先验分布，因此子结构的质量函数是该方法的自然输出。我们使用扩散嵌套采样（DNS）中的可逆跳马尔可夫链蒙特卡罗（MCMC）对后验分布进行采样，并评估模型的边缘似然性，包括源和透镜中未知数量的斑点的总和。我们在两个模拟数据集上演示了该方法：一个具有单个子结构，另一个具有十个子结构。我们还将该方法应用到“宇宙马蹄铁”系统的g-波段图像，并找到了大于零的子结构的证据。然而，这些具有大的空间范围，并且可能仅指向模型中的错误指定（诸如平滑透镜组件的形状或点扩散函数），这难以完全一般性地防范。
2015-10-09 astro-ph.CO astro-ph.GA astro-ph.IM
Bayesian clustering using random effects models and predictive projections
线性混合模型广泛用于分析涉及缺失和不平衡研究设计的分层结构数据。我们考虑一个贝叶斯聚类方法，结合线性混合模型和预测预测。对于每个观测，我们考虑一个预测性重复，其中只有一个随机效应子集在观测和其重复之间共享，其余部分使用条件先验进行积分。然后定义预测投影，其中共享随机效应所取的不同值的数量是有限的，以获得不同的聚类。整合出一些随机效应充当噪声过滤器，允许聚类仅集中于数据的某些选定特征。该方法的灵感来自贝叶斯模型检查的方法，其中模拟数据复制从拟合模型用于模型的批评，通过检查它们的相似性，以相关的方式观察到的数据。在这里，预测重复用于以相关方式定义观测之间的相似性以进行聚类。为了说明我们的方法在不同尺度上揭示数据方面的方式，我们考虑使用傅立叶余弦基拟合纵向数据的时间趋势，每个基函数具有随机效应，以及由低频或高频项的重复的共享随机效应定义的不同聚类。该方法在一系列的实际例子证明。
2021-07-06 stat.ME
Bayesian Structure Learning in Multi-layered Genomic Networks
对来自多个基因组平台的数据进行综合网络建模，可以深入了解交互系统的整体情况，以及包括癌症在内的许多疾病领域的信息流。基本数据结构由每个个体受试者的分层有序数据集序列组成，这有助于整合不同的输入，如基因组学，转录组学和蛋白质组学数据。在这样的背景下，一个主要的分析任务是对网络的分层架构进行建模，其中顶点可以自然地划分为有序的层，由多个平台决定，并表现出无向和有向的关系。我们提出了一个多层高斯图形模型（mlGGM），以研究人类癌症中这种多级基因组网络中的条件独立结构。我们实现了贝叶斯节点选择（BANS）方法的基础上的变量选择技术，连贯地占mlGGM的多种类型的依赖关系，这种灵活的策略利用特定于边缘的先验知识，并选择稀疏和可解释的模型。通过各种情况下产生的模拟数据，我们证明了BANS优于其他现有的基于多元回归的方法。我们对多种癌症类型的关键信号通路的整合基因组网络分析突出了p53整合网络的共性和差异，以及BRCA 2对p53的表观遗传效应及其与T68磷酸化CHK 2的相互作用，这可能具有寻找生物标志物和治疗靶点的翻译效用。
2020-02-17 stat.ME
Hierarchical Bayesian inference for community detection and connectivity of functional brain networks
ShanghaiTech University（上海科技大学）；Monash University（蒙纳士大学）；The Hong Kong Polytechnic University（香港理工大学）；University College London（伦敦大学学院）；CIFAR（加拿大高级研究所）
提出基于贝叶斯潜在块模型的多层社区检测方法，在个体和群体层面稳健检测加权功能网络社区结构，保留个体变异性，并通过模拟和真实fMRI数据验证其准确性和可靠性。
2026-06-17 q-bio.NC stat.AP
Bayesian Effect Selection in Structured Additive Distributional Regression Models
我们提出了一种新的spike和slab先验规范与缩放的beta素数边缘的重要性参数的回归系数，允许一般的效果选择类结构添加剂分布回归。这使我们能够对任意参数分布的所有分布参数进行建模，并考虑各种效应类型，如非线性或空间效应以及分层回归结构。我们的尖峰和板前依赖于一个参数扩展，分离块的回归系数到整体标量的重要性参数和向量的标准化系数。因此，我们可以使用标量来进行效果选择，而不是使用可能的高维效果向量，与经典的正态-逆伽马先验相比，这会产生改进的收缩和采样性能。我们调查的后验的适当性，显示出的前收益率理想的收缩性能，提出了一种方法，引出先验参数，并提供有效的马尔可夫链蒙特卡罗采样。使用模拟和三个大规模的数据集，我们表明，我们的方法是适用于数据的潜在大量的协变量，多层次的预测因子占分层嵌套的数据和非标准的响应分布，如二元正态或零膨胀泊松。
2019-02-27 stat.ME
Adaptive Bayesian computation for efficient biobank-scale genomic inference
MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单位）
本文提出自适应聚焦策略，结合块坐标上升变分推断框架，实现高效多单元贝叶斯分析，提升生物银行级基因组推断效率与统计性能。
2026-04-29 stat.AP
Assessing an Alternative for `Negative Variance Components': A Gentle Introduction to Bayesian Covariance Structure Modelling for Negative Associations Among Patients with Personalized Treatments
多水平模型（MLM）是描述分层聚类观测值间相关性的常用方法。一个主要特征是能够估计（集群特定的）随机效应参数，而它们的分布描述了跨集群的变化。然而，MLM只能对聚类观测值之间的正关联建模，并且不适合小样本量。当估计方法对随机效应方差产生负估计时，MLM的局限性变得明显，这可以被视为观测值负相关的指示。对贝叶斯协方差结构模型（BCSM）进行了简单的介绍，这使得它也可以对负相关的观测值进行建模。BCSM不通过随机（群集特定）效应，而是通过协方差阵对依赖性进行建模。我们表明，这使得BCSM特别适用于小数据样本。我们特别注意检测个性化干预的效果。个性化治疗的效果可能会因个体而异，这可能会导致由同一治疗师治疗的个体的测量结果之间的负面关联。结果表明，BCSM使建模的负关联之间的聚类测量和艾滋病的负聚类效应的解释。通过模拟研究，并通过分析一个真实的数据例子，我们讨论了适合的BCSM的小数据集和探索个性化治疗的效果，特别是当（标准）MLM软件产生负或零方差估计。
2021-06-18 stat.CO stat.ME
A hierarchical Bayesian approach for population-based structural health monitoring in ship hull structures
Politecnico di Milano（米兰理工大学）；National Technical University of Athens（雅典国立技术大学）
针对船体板单元群体中数据稀缺导致的初始过度挠度检测难题，本文提出分层贝叶斯模型，结合有限元数据、MCMC推断与代理似然，实现群体和领域层面的挠度分布推断，并证明其在不确定性量化上更稳健。
2025-10-18 cs.CE stat.AP
Using prior expansions for prior-data conflict checking
任何贝叶斯分析都涉及组合通过不同模型组件表示的信息，当不同的信息源发生冲突时，检测这一点很重要。在这里，我们考虑通过将用于分析的先验扩展为更大的先验家族来检查贝叶斯模型中的先验数据冲突，并考虑扩展参数的边际似然得分统计。考虑不同的扩展可以提供有关任何冲突的性质，并扩展到分层指定的先验和连接与其他方法的先验数据冲突检查进行了讨论。在复杂情况下的实施说明了两个应用程序。第一个问题是检验在线性回归中系数的收缩估计中LASSO惩罚的适当性。我们的方法相比，最近在文献中提出的建议，旨在强大的指数幂家族的替代品，我们使用这个家庭作为先验扩展构建我们的检查。第二个应用涉及量子状态估计中的问题，其中多项式模型被认为具有对模型参数的物理约束。在这个例子中，不同的先验扩展的有用性被证明用于获得对先验的不同方面敏感的检查。
2020-03-12 quant-ph stat.ME
Partially Bayes p-values for large scale inference
该研究提出部分贝叶斯p值用于大规模推断，通过非参数先验建模干扰参数，提高校准和功效。
2025-12-09 stat.ME
Patch-Prompt Aligned Bayesian Prompt Tuning for Vision-Language Models
National Key Laboratory of Radar Signal Processing, Xidian University（西安电子科技大学雷达信号处理国家重点实验室）；McCombs School of Business, The University of Texas at Austin（德克萨斯大学奥斯汀分校麦库姆斯商学院）
本文提出Patch-Prompt对齐贝叶斯提示调优方法，通过分层随机提示生成和视觉-语言统计距离正则化，提升视觉-语言模型在少样本识别、泛化及迁移等任务中的表现。
2024-07-01 cs.CL cs.CV cs.LG
