集成最大稳定过程与贝叶斯模型平均以预测多模式集合中的极端气候事件

BayesBlend：在 Python 中使用伪贝叶斯模型平均、堆叠与分层堆叠进行便捷模型融合

BayesBlend: Easy Model Blending using Pseudo-Bayesian Model Averaging, Stacking and Hierarchical Stacking in Python

本文提出 BayesBlend Python 包，集成伪贝叶斯模型平均、堆叠及独有的分层贝叶斯堆叠方法，用于估计模型权重并将多个贝叶斯模型的预测分布融合为统一的预测分布，以提升预测性能。

截尾正态分量平均贝叶斯模型的概率风速预测

Probabilistic wind speed forecasting using Bayesian model averaging with truncated normal components

贝叶斯模型平均（Bayesian Model Averaging，BMA）是一种统计方法，用于对从多次运行的数值天气预报模型中获得的大气变量的预报集合进行后处理，以创建校准的预测概率密度函数（PDF）。未来天气量的BMA预测PDF是对应于集合成员的各个PDF的混合，并且使用集合成员和来自给定训练期的验证观测来估计权重和模型参数。在本文中，我们介绍了一个BMA模式校准风速预报，其中的PDF组件遵循截断正态分布与截止为零，并将其应用到ALADIN-HUNEPS集合的匈牙利气象服务。提出了三种参数估计方法，每种方法的模型在校正和预测精度方面都优于传统的伽马BMA模型。此外，由于这里参数的极大似然估计不需要数值优化，因此可以比在伽马混合物的情况下更快地执行建模。

不完全数据下贝叶斯网参数学习的改进

Improving parameter learning of Bayesian nets from incomplete data

本文讨论了不完全数据下贝叶斯网络的参数估计问题。通常通过多次运行期望最大化（EM）算法来处理该任务，以获得高对数似然估计。我们认为，选择最大对数似然估计（以及最大惩罚对数似然和最大后验估计）有严重的缺点，受到过拟合和模型不确定性的影响。讨论了两个想法，以克服这些问题：最大熵的方法和贝叶斯模型平均的方法。这两个想法都可以很容易地应用于EM之上，而熵的想法也可以通过一个专用的非线性求解器以更复杂的方式实现。大量的实验表明，这些想法产生显着更好的估计和推理比传统的和广泛使用的最大（惩罚）对数似然和最大后验估计。特别地，如果EM被采用作为优化引擎，则模型平均方法是性能最好的方法;当使用非线性求解器实现时，其性能与熵方法相匹配。结果表明，这些想法的适用性是直接的（它们很容易实现，并集成到目前可用的推理引擎），他们构成了一个更好的方式来学习贝叶斯网络参数。

Bayesian model averaging over tree-based dependence structures for multivariate extremes

Describing the complex dependence structure of extreme phenomena is particularly challenging. To tackle this issue we develop a novel statistical algorithm that describes extremal dependence taking advantage of the inherent hierarchical dependence structure of the max-stable nested logistic distribution and that identifies possible clusters of extreme variables using reversible jump Markov chain Monte Carlo techniques. Parsimonious representations are achieved when clusters of extreme variables are found to be completely independent. Moreover, we significantly decrease the computational comple…

后验众数引导的贝叶斯模型平均降维方法在重尾线性回归中的应用

Posterior Mode-Guided Dimension Reduction for Bayesian Model Averaging in Heavy-Tailed Linear Regression

针对重尾线性回归中贝叶斯模型平均的计算难题，提出结合MAP估计与MCMC的ECM引导算法，实现变量选择、尾重估计与不确定性量化，优于现有MAP方法。

COBRA-DOSE：基于Copula的贝叶斯模型平均剂量选择方法

COBRA-DOSE: Copula-based Bayesian Model Averaging for Dose Selection

COBRA-DOSE是基于Copula的贝叶斯模型平均框架，用于小样本剂量选择，通过R包实现，在类风湿关节炎I期试验中验证了其性能，可辅助临床决策。

贝叶斯条件高斯网络分类器及其在质谱分类中的应用

Bayesian Conditional Gaussian Network Classifiers with Applications to Mass Spectra Classification

基于概率图模型的分类器是非常有效的。在连续域中，最大似然通常用于评估这些分类器的预测。当数据稀缺时，这很容易导致过度拟合。在任何概率设置中，贝叶斯平均（BA）提供理论上的最佳预测，并且已知对过拟合具有鲁棒性。在这项工作中，我们引入贝叶斯条件高斯网络分类器，它有效地执行精确的贝叶斯平均参数。我们评估建议的分类器对最大似然替代品提出迄今为止在标准UCI数据集，得出的结论是，执行BA提高了质量的评估概率（条件对数似然），同时保持出错率。过度拟合更可能发生在数据项数量少而变量数量大的域中。这两个条件在生物信息学领域得到满足，其中从质谱早期诊断癌症是一项相关的任务。我们提供了一个应用程序，我们的分类框架的问题，比较它与标准的最大似然替代，在评估概率的质量的提高得到证实。

使用分层最大无穷可分过程建模候鸟首次到达时间

Modeling First Arrival of Migratory Birds using a Hierarchical Max-infinitely Divisible Process

本研究首次将极值理论的最大无穷可分过程应用于候鸟迁徙研究，基于eBird数据库的木兰林莺观测数据，实现了年度首次到达的空间插值与未来动态预测。

调和二元重复观测：超越平均值

Reconciling Binary Replicates: Beyond the Average

针对二元重复观测中平均值法的局限，提出中位数、最大惩罚似然估计和贝叶斯算法三种替代方法，理论分析与模拟及真实医学数据表明其能提升诊断准确性与患病率估计。

An integration of fast alignment and maximum-likelihood methods for electron subtomogram averaging and classification

Motivation: Cellular Electron CryoTomography (CECT) is an emerging 3D imaging technique that visualizes subcellular organization of single cells at submolecular resolution and in near-native state. CECT captures large numbers of macromolecular complexes of highly diverse structures and abundances. However, the structural complexity and imaging limits complicate the systematic de novo structural recovery and recognition of these macromolecular complexes. Efficient and accurate reference-free subtomogram averaging and classification represent the most critical tasks for such analysis. Existing s…

里奥格兰德-do-苏尔州最大降水事件的空间和时间变异性统计分析

Statistical Analysis of Spatial and Temporal Variability of Maximum Precipitation Events on the Rio Grande do Sul

本文通过拟合理论变异函数分析了里奥格兰德-do-苏尔州最大年降水事件及其发生时间的空间和时间模式，探讨了中纬度地区低空和高空喷流及其相互作用对极端天气的影响。

Modeling Non-Stationary Temperature Maxima Based on Extremal Dependence Changing with Event Magnitude

The modeling of spatio-temporal trends in temperature extremes can help better understand the structure and frequency of heatwaves in a changing climate. Here, we study annual temperature maxima over Southern Europe using a century-spanning dataset observed at 44 monitoring stations. Extending the spectral representation of max-stable processes, our modeling framework relies on a novel construction of max-infinitely divisible processes, which include covariates to capture spatio-temporal non-stationarities. Our new model keeps a popular max-stable process on the boundary of the parameter space…

利用保形集成量化气候预测中的不确定性

Quantifying uncertainty in climate projections with conformal ensembles

本文提出保形集成（CE）方法，通过保形预测集结合观测数据约束GCM气候预测不确定性，在SSP2-4.5下优于模型间变率方法并生成更物理一致的预测。