Model selection-based estimation for generalized additive models using mixtures of g-priors: Towards systematization
本文研究广义可加模型的贝叶斯模型选择估计，通过Laplace近似扩展至指数分布族，发现g-先验混合比单位信息先验更有效，且基于模型选择的方法优于其他贝叶斯方法。
2024-08-30 stat.ME
Eliciting Informative Priors by Modelling Expert Decision Making
本文提出通过贝叶斯模型建模专家历史决策过程，推断相关随机变量参数分布并转化为罕见事件先验，无需专家具备统计知识，且可识别影响决策的变量。
2023-07-14 math.ST stat.ME stat.TH
On the correspondence from Bayesian log-linear modelling to logistic regression modelling with $g$-priors
考虑一组分类变量，其中至少有一个是二进制的。描述所得列联表中计数的对数线性模型意味着特定的逻辑斯谛回归模型，以二进制变量作为结果。在贝叶斯框架内，$g$先验和$g$先验的混合通常被分配给广义线性模型的参数。我们证明了，指定一个$g$先验（或混合的$g$先验）的参数，一定的对数线性模型指定一个$g$先验（或混合的$g$先验）的参数相应的逻辑斯谛回归。通过推导一个渐近结果，并与数值例子，我们表明，当采用$g$ -前，这种对应关系扩展到后验分布的模型参数。因此，关于主效应和交互作用项的存在，将拟合对数线性模型的推断转换为逻辑斯谛回归框架内的推断是有效的。
2017-05-04 stat.ME
On the Prior and Posterior Distributions Used in Graphical Modelling
图形模型学习和推理通常使用贝叶斯技术来执行。特别是，学习通常是在两个独立的步骤中进行的。首先，从数据中学习图结构;然后根据该图结构估计模型的参数。虽然第二步中涉及的概率分布已被深入研究，但第一步中使用的概率分布尚未被详细探讨。在本文中，我们将研究在图结构空间上定义的先验分布和后验分布，以学习图模型的结构。特别是，我们将提供一个表征的行为，这些分布作为一个功能的可能边缘的图形。然后，我们将使用从这个特性产生的属性来定义贝叶斯和马尔可夫网络的结构变异性的措施，我们将指出他们的一些可能的应用。
2012-11-13 math.ST stat.ML stat.TH
From Deep Additive Kernel Learning to Last-Layer Bayesian Neural Networks via Induced Prior Approximation
Texas A&M University（德克萨斯农工大学）
针对高维GP层导致DKL计算困难的问题，提出结合加性结构与诱导先验近似的DAK模型，自然导出最后一层BNN，并在回归和分类任务上优于现有DKL方法。
2025-02-14 cs.LG stat.ML
The experiment is just as important as the likelihood in understanding the prior: A cautionary note on robust cognitive modelling
认知建模与统计建模有许多共同的特征，这使得借用稳健贝叶斯统计的实践来保护稳健认知建模的实践显得微不足道。我们采取的一个方面的统计工作流程事先预测检查，并探讨如何将其应用于认知建模任务。我们发现，它不仅是需要解释先验的可能性，我们还需要将实验信息以及。这表明，虽然认知建模可能借鉴统计实践，特别是工作流程，但必须注意进行必要的调整。
2019-07-10 stat.AP
Density regression via Dirichlet process mixtures of normal structured additive regression models
本文提出单权重相依 Dirichlet 过程正态结构化加法回归混合模型，利用惩罚 B 样条和张量积实现灵活密度回归，并通过闭式满条件分布支持高效 Gibbs 后验推断。
2024-05-13 stat.AP stat.ME
Functional Uniform Priors for Nonlinear Modelling
本文研究了当统计模型的一个主要组成部分依赖于一个非线性函数时，求先验分布的问题。利用在一般度量空间中构造均匀分布的结果，我们提出了一个在非线性函数的函数形状空间中均匀分布的先验分布，然后通过逆变换得到原模型参数的先验分布.本文中考虑的主要应用是非线性回归，但这个想法可能会超出这种情况。对于非线性回归，这样构造的先验的优点是它们是参数化不变的，并且不违反似然原理，而不是参数或Jeffrey先验的均匀分布。通过一个真实的数据实例和模拟，在临床剂量探索试验中的非线性回归建模的背景下，证明了所提出的先验的效用。此外，建议的先验被用于计算最优贝叶斯设计。
2011-10-19 stat.CO stat.ME
Log-Linear Bayesian Additive Regression Trees for Multinomial Logistic and Count Regression Models
本文介绍了对数线性模型的贝叶斯加性回归树（BART），包括多项逻辑斯谛回归和计数回归，其中包含零膨胀和过度离差。BART已被应用于非参数均值回归和二进制分类问题在一系列的设置。然而，现有的应用程序的BART已被限制为高斯“数据”，无论是观察到的或潜在的模型。这主要是因为有效的MCMC算法可用于高斯似然。但是，虽然许多有用的模型是自然铸造的潜在高斯变量，许多其他人不是-包括本文考虑的模型。我们开发了新的数据增强策略，并仔细指定这些新模型的先验分布。像原来的BART先验一样，新的先验分布经过精心构造和校准，在防止过拟合的同时具有灵活性。新的先验和数据增强方案使我们能够在高斯模型的背景之外实现一个有效的MCMC采样器。这些新方法的效用说明了与以前公布的数据集的例子和应用程序。
2019-08-26 stat.ME
Bayesian Prognostic Covariate Adjustment With Additive Mixture Priors
本文提出 Bayesian PROCOVA，用 DTG 生成的预后评分调整协变量，并以可预指定的加性混合先验融合历史对照信息，从而在控制偏倚的同时降低方差、缩小试验规模。
2024-02-28 stat.AP stat.ME stat.ML
Modelling the effects of air pollution on health using Bayesian Dynamic Generalised Linear Models
短期暴露于空气污染与死亡率或发病率之间的关系一直是最近许多研究的主题，其中标准的分析方法使用泊松线性或相加模型。在本文中，我们使用贝叶斯动态广义线性模型（DGLM）来估计这种关系，它允许标准的线性或添加剂模型扩展到两种方式：（i）的长期趋势和时间相关性存在于健康数据可以模拟的自回归过程，而不是一个平滑的日历时间函数;（ii）空气污染的影响允许随着时间的推移而演变。这两个扩展的有效性进行了研究，通过应用一系列的动态和非动态模型，从大伦敦的空气污染和死亡率数据。采用贝叶斯方法进行推理，并给出了一种马尔可夫链蒙特卡罗仿真算法。另一种可能性为基础的分析，以允许直接比较，只有以前的空气污染和健康数据分析使用DGLM。
2012-01-26 stat.AP stat.ME
Bayesian semiparametric modelling of phase-varying point processes
我们提出了一个贝叶斯半参数方法注册的多点过程。我们的方法需要建模的平均措施的相位变化的点过程与Bernstein-Dirichlet先验，这导致了所有翘曲函数的空间上的先验。导出了诱导先验支持性的理论结果，并在较弱的条件下得到了后验一致性。数值实验表明，所提出的方法具有良好的性能，和气候学的实际数据的例子来展示如何在实践中使用的方法。
2020-12-11 stat.ME
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
Additive Gaussian Process Regression
加法交互回归最近已被证明提供有吸引力的极大极小误差率超过传统的非参数多元回归在各种各样的设置，包括预测计数的情况下，远远大于样本量和许多预测有重要的影响，可能通过复杂的相互作用的响应。我们提出了一个贝叶斯实现的添加剂交互回归使用添加剂高斯过程（AGP）之前，并开发了一个有效的马尔可夫链采样器，扩展随机搜索变量选择在这种设置。仔细的先验和超参数规范的性能和计算的考虑，开发和关键的创新解决困难，探索联合后验分布在多个子集的高维预测包含向量。该方法提供了最先进的支持和交互恢复，同时在不同的模拟和真实数据集上的预测准确性方面大大优于竞争对手。真实数据研究的结果提供了强有力的证据，加性交互框架是一个有吸引力的建模平台，高维非参数回归。
2014-11-25 stat.CO stat.ME
Hybrid Bayesian Estimation in the additive hazards model
针对右删失数据下的半参数加性风险模型，提出一种结合Lin-Ying估计方程的混合贝叶斯估计方法，获得闭式后验估计量，并通过模拟和Nickels矿工数据集验证。
2025-05-27 math.ST stat.ME stat.TH
High-Dimensional Bayesian Inference in Nonparametric Additive Models
提出了一种完全贝叶斯方法用于超高维非参数可加模型，其中可加成分的数量可能大于样本量，尽管理想情况下真正的模型被认为只包括少量的成分。贝叶斯方法可以进行随机模型搜索，通过随机抽取实现灵活的参数估计。理论分析表明，所提出的模型选择方法具有令人满意的性质。例如，当与模型先验相关的超参数被正确指定时，随着样本量变为无穷大，真实模型的后验概率接近1;当该超参数被错误指定时，所选模型仍然是可接受的，因为渐进地证明它嵌套在真实模型中。为了提高模型的灵活性，提出了两个新的$g$先验，并检验了它们的理论性能。我们还提出了一个有效的MCMC算法来处理计算问题。几个仿真例子来证明我们的方法的计算优势。
2013-09-23 stat.ME
Robust modelling framework for short-term forecasting of global horizontal irradiance
电力需求的增加和对清洁能源的需求增加了太阳能的使用。为了便于电网管理，需要准确的太阳能预测。本文利用比勒陀利亚大学2020年7月至2021年8月的数据，比较了两种高斯过程回归（GPR）模型与加性分位数回归（AQR）和贝叶斯结构时间序列（BSTS）模型相结合对全球水平辐照度进行提前2天预报的精度。采用四种方法进行变量选择，Lasso，ElasticNet，Boruta和GBR（梯度提升回归）。使用GBR选择的变量，因为它们产生最低的MAE（最小绝对误差）值。比较了七种模型GPR（高斯过程回归）、双层DGPR（双层深度高斯过程回归）、bstslong（贝叶斯结构时间序列长）、AQRA（加性分位数回归平均）、QRNN（分位数回归神经网络）、PLAQR（部分线性加性分位数回归）和Opera（ExpRt聚合在线预测）。用于选择最佳模型的评估指标是MAE（平均绝对误差）和RMSE（均方根误差）。使用适当的评分规则和墨菲图进行了进一步的评估。最好的个人模型被认为是GPR。最佳预测组合为基于MAE的AQRA（AQR Averaging）。而基于RMSE的GPNN是最佳的预测组合方法。像Eskom这样的公司可以使用本研究中采用的方法来控制和管理电网。其结果将促进经济发展和能源资源的可持续性。
2022-12-12 stat.AP
Bayesian Additive Distribution Regression
Department of Statistics and Data Sciences（统计与数据科学系）
DistBART通过贝叶斯加法回归树先验建模分布回归，结合浅层决策树和随机特征近似，实现高效非参数回归与不确定性量化。
2026-03-06 stat.ME stat.ML
Integrating Complex Covariate Transformations in Generalized Additive Models
University of Edinburgh（爱丁堡大学）；University of Bristol（布里斯托大学）；Électricité de France R&D（法国电力公司研发部）
本文提出在广义加性模型中整合可解释的数值变量变换框架，通过最大后验方法联合估计参数，用于预测英国电力净需求和伦敦房价。
2026-03-27 stat.AP stat.ME
Gaussian Process Priors for Dynamic Paired Comparison Modelling
University of Melbourne（墨尔本大学）
动态配对比较模型，如Elo和Glicko，经常用于体育预测和排名球员或球队。我们提出了一种替代的动态配对比较模型，它使用一个高斯过程（GP）作为先验的时间动态，而不是通常假设的马尔可夫动态。此外，我们表明，GP模型可以很容易地纳入协变量。基于拉普拉斯近似和稀疏线性代数，我们导出了一个有效的近似贝叶斯推断过程。我们选择超参数最大化其边际似然使用贝叶斯优化，比较结果与随机搜索。最后，我们在2018赛季的ATP网球比赛中拟合和评估了该模型，在那里它表现得很有竞争力，在对数损失方面优于Elo和Glicko，特别是当包含表面协变量时。
2019-02-20 cs.LG stat.AP stat.ML
Bayesian model selection in additive partial linear models via locally adaptive splines
我们提供了一个灵活的框架中选择一类添加剂部分线性模型，允许线性和非线性添加剂成分。在实践中，它是具有挑战性的，以确定哪些添加剂成分应被排除在模型，同时确定是否非零添加剂成分应表示为线性或非线性成分在最终的模型。在本文中，我们提出了一种贝叶斯模型选择方法，该方法通过仔细指定的一类模型来实现，包括先验分布的选择和用于非线性添加剂成分的非参数模型。我们采用了一系列的潜变量，确定每个变量之间的三种可能性（无影响，线性效应，非线性效应）的影响，并同时确定每个样条的结的一个合适的惩罚光滑的功能。使用伪先验分布以及折叠方案使我们能够部署性能良好的马尔可夫链蒙特卡罗采样器，用于模型选择和拟合优选模型。我们的方法和算法部署在一套数值研究，并应用于营养流行病学研究。数值结果表明，所提出的方法优于以前可用的方法的有效样本量的马尔可夫链采样器和整体的错误分类率。
2021-09-17 stat.ME
Effect Decomposition of Functional-Output Computer Experiments via Orthogonal Additive Gaussian Processes
针对函数输出黑箱计算机实验，本文提出FOAGP模型与正交加性核，实现无分布假设的数据驱动效应分解，并支持全局与局部敏感性分析。
2025-06-15 stat.ME stat.ML
PriorCVAE: scalable MCMC parameter inference with Bayesian deep generative modelling
University of Oxford（牛津大学）；Aalto University（阿尔托大学）；Institute of Science and Technology Austria（奥地利科学技术研究所）；University of Copenhagen（哥本哈根大学）；Imperial College London（伦敦帝国学院）
PriorCVAE通过以随机过程超参数为条件编码GP先验，实现超参数联合估计与可扩展MCMC推断，且适用于ODE解等模型，具有广泛实用性。
2023-11-10 cs.LG stat.ML
GP-BART: a novel Bayesian additive regression trees approach using Gaussian processes
Maynooth University（梅努斯大学）；Hamilton Institute（汉密尔顿研究所）；Insight Centre for Data Analytics（洞察数据分析中心）
针对标准 BART 缺乏平滑性和显式协方差结构的局限，提出 GP-BART 模型，通过为所有树的终端节点预测假设 Gaussian process 先验进行扩展，在模拟与真实数据中超越传统方法。
2023-09-14 cs.LG stat.ME stat.ML
Modelling for Poisson process intensities over irregular spatial domains
我们开发了泊松过程的非参数贝叶斯建模方法，使用结构化的β密度的加权组合来表示点过程强度函数。对于一个规则的空间域，如单位正方形，模型的建设意味着一个Bernstein-Dirichlet先验的泊松过程密度，这支持点过程泛函的一般推断。该方法的主要贡献是两类灵活和计算效率高的模型空间泊松过程强度不规则域。我们解决的选择或估计的β基密度的数量，并开发的方法事先规范和后验模拟的点过程的泛函的充分推断。合成和真实的数据集的方法进行说明。
2021-06-08 stat.ME
AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling
Imperial College London（伦敦帝国理工学院）；Vector Institute（向量研究所）；University of Toronto（多伦多大学）
本文提出AutoElicit方法，通过从大型语言模型中提取知识来构建预测模型的先验分布，以降低样本复杂度。研究表明，该方法能显著减少预测误差，并在构建尿路感染预测模型时节省超6个月标注工作。
2025-05-28 cs.CL cs.LG stat.ML
Additive Nonparametric Regression with Spatial and Network Objects
Texas A&M University（德克萨斯农工大学）；Indiana University（印第安纳大学）；University of California, San Francisco（加州大学旧金山分校）
本文提出一种加性非参数回归框架，将t-fMRI和s-MRI视为函数型数据，用高斯过程先验建模网络和函数型预测因子的非线性效应，以预测脑激活图，并具有理论保证和实证验证。
2026-09-24 stat.AP stat.ME stat.ML
Generative Modelling With Inverse Heat Dissipation
Aalto University（阿尔托大学）
本文提出一种通过随机逆转热方程生成图像的新模型，利用图像多尺度结构实现由粗到细的生成，并展现出颜色与形状解耦等优于标准扩散模型的特性。
2023-04-12 cs.CV cs.LG stat.ML
Structured Sparse Modelling with Hierarchical GP
本文提出了一种新的具有时空结构的稀疏线性回归贝叶斯模型。它结合了结构假设的基础上，一个分层的高斯过程之前的尖峰和板系数。我们设计了一个基于期望传播的推理算法，并在真实数据上对模型进行了评估。
2017-04-27 stat.ML
BART: Bayesian additive regression trees
我们开发了一个贝叶斯“树的总和”模型，其中每棵树都受到正则化的约束，然后成为一个弱学习者，拟合和推理是通过迭代贝叶斯反拟合MCMC算法来完成的，该算法从后验中生成样本。实际上，BART是一种非参数贝叶斯回归方法，它使用维度自适应随机基元素。受总体方法的启发，特别是增强算法，BART由统计模型定义：先验和似然。这种方法能够实现完整的后验推断，包括未知回归函数的点和区间估计以及潜在预测因子的边际效应。通过跟踪预测因子包含频率，BART也可以用于无模型变量选择。BART的许多功能说明了一个烘烤小康对竞争的方法对42个不同的数据集，模拟实验和药物发现分类问题。
2010-10-07 stat.AP stat.ME stat.ML
Information-Theoretic Scoring Rules to Learn Additive Bayesian Network Applied to Epidemiology
University of Zurich（苏黎世大学）
贝叶斯网络建模是一种非常适合研究杂乱和高度相关的数据集的方法，这些数据集在例如，系统流行病学从观测数据集学习贝叶斯网络的一种流行方法是在搜索和评分方法中识别最大后验网络。许多分数都是基于贝叶斯或频率论提出的。从应用的角度来看，一个合适的方法将允许数据的多个分布，并且足够强大，可以自主运行。计算分数的一个有前途的框架是广义线性模型。事实上，存在快速估计算法和许多针对常见流行病学问题的定制解决方案。本文的目的是提出一个R包ABN，它具有多个频率论分数的实现和一些现实的模拟，显示其可用性和性能。它包括有效处理数据分离和调整的功能，这在系统流行病学中非常常见。
2018-08-03 cs.LG stat.CO stat.ML
Gaussian Processes for Music Audio Modelling and Content Analysis
Queen Mary University of London（伦敦玛丽女王大学）
真正的音乐信号是高度可变的，但它们具有强大的统计结构。关于声音产生的基本物理机制和构建复杂声音结构的规则（音符，和弦，完整的乐谱）的先验信息可以使用贝叶斯建模技术自然统一。通常，自动音乐转录的算法独立地执行单个任务，例如多个F0检测和节拍跟踪。挑战仍然是执行所有参数的联合估计。我们提出了一种贝叶斯方法来建模音乐音频和内容分析。所提出的方法的基础上高斯过程寻求联合估计的多个音乐概念，通过合并到内核先验信息的非平稳行为，动态，和丰富的频谱内容中存在的建模音乐信号。我们说明了这种方法的好处，通过两个任务：音高估计，并推断丢失的段在复调录音。
2016-06-10 cs.SD stat.ML
Bayesian Inference in Epidemic Modelling: A Beginner's Guide
本文通过经典SIR模型介绍贝叶斯推断与MCMC方法，推导似然函数，设定先验分布，并实现Metropolis-Hastings算法以采样后验分布，适合数学流行病学研究生和研究者入门。
2026-03-17 math.DS q-bio.PE stat.ME
Bayesian modelling of skewness and kurtosis with two-piece scale and shape distributions
我们正式和推广的定义的家庭的单变量双两件分布，通过使用基于密度的变换的单峰对称连续分布的形状参数。由此产生的分布包含五个可解释的参数，这些参数控制模式以及每个方向上的尺度和形状。这类分布，捕获不同类型的不对称性的四参数子家庭进行了讨论。我们提出了可解释的规模和位置不变的基准先验，并推导出相应的后验分布的适当性条件。使用的先验结构允许通过灵活的分布族内的贝叶斯因子进行有意义的比较。这些分布被应用于金融、互联网流量和医疗数据，并与相应的竞争对手进行比较。
2015-08-06 stat.ME
Continuous-Time Bayesian Networks with Structured Shrinkage Priors for Modelling Multimorbidity Trajectories in Large-Scale Electronic Health Records
University of East Anglia（东英吉利大学）
提出结构化贝叶斯连续时间贝叶斯网络框架，通过顺序依赖收缩先验控制高阶效应组合爆炸，从纵向电子健康记录中学习疾病有向依赖网络，并在UK Biobank数据中识别出以糖尿病为中心的心血管代谢模块和连接呼吸与特应性疾病的炎症模块。
2026-07-03 stat.ME
Bayesian Quantile Regression for Partially Linear Additive Models
本文研究了条件分位数回归中部分线性可加模型的半参数贝叶斯估计和模型选择方法。非对称Laplace分布为基于校验损失的分位数回归模型的贝叶斯推断提供了一种机制。这种新方法的优点是，非线性，线性和零函数分量可以自动分离，同时在模型拟合，而无需预先指定或参数调整。这是通过使用两组指标变量的尖峰和厚板先验来实现的。对于后验推理，我们设计了一个有效的部分折叠吉布斯采样器。仿真研究被用来说明我们的算法。所提出的方法进一步说明了两个真实的数据集的应用程序。
2013-07-10 stat.CO stat.ME
Fast ABC with joint generative modelling and subset simulation
University of Neuchâtel（纳沙泰尔大学）；University of Bern（伯尔尼大学）；University of Lausanne（洛桑大学）
我们提出了一种新的方法来解决高维输入和昂贵的前向映射的反问题。它利用联合深度生成建模将原始问题空间转移到低维潜在空间。通过联合建模输入和输出变量，并赋予潜在的先验分布，拟合的概率模型间接地提供了访问的近似条件分布的兴趣。由于模型误差和未知分布的观测噪声在实践中很常见，因此我们采用近似贝叶斯计算（ABC）进行无似然推理。我们的方法调用ABC通过子集模拟来探索潜在空间的区域，所生成的输出和观察到的输出之间的差异低于规定的阈值。我们诊断的多样性，通过监测这些区域的概率内容作为阈值的函数的近似后验解。我们进一步分析所得诊断曲线的曲率，以提出适当的ABC阈值。当应用到一个跨钻孔层析成像的例子，从地球物理学，我们的方法提供了有前途的性能，而不使用先验知识的前也不是噪声分布。
2021-04-16 cs.AI cs.LG stat.ME
Bayesian Nonlinear Tensor Regression with Functional Fused Elastic Net Prior
本文提出非线性贝叶斯张量加性回归模型，并设计函数融合弹性网先验，以同时建模非线性与空间平滑性、检测边界跳跃并识别活跃区域，模拟和人脸数据验证了其灵活性与可解释性。
2023-02-16 stat.ME
Bayesian Effect Selection in Additive Models with an Application to Time-to-Event Data
提出基于 Demmler-Reinsch 基展开的正交分解方法，结合正态 beta prime spike and slab 先验，实现加性模型中连续协变量线性与非线性效应的准确选择与一致估计，并在地理加性 Cox 回归模型中验证了其优越性。
2024-01-01 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
Bayesian Generalized Additive Model Selection Including a Fast Variational Option
本文提出贝叶斯广义加性模型选择方法，利用组 LASSO 先验和辅助变量实现 MCMC 与快速平均场变分推断，并提供 R 包支持大规模数据应用。
2023-09-28 stat.ME
Truly Multivariate Structured Additive Distributional Regression
针对真正多元响应的分布回归挑战，提出基于高斯copula的多元分布模型，保留GAMLSS灵活性，通过贝叶斯收缩先验估计，在模拟及真实数据集上验证竞争力并补充现有模型。
2024-11-11 stat.ME
Type 2 Tobit Sample Selection Models with Bayesian Additive Regression Trees
本文提出TOBART-2模型，通过在选择与结果方程中引入树的求和及Dirichlet过程混合分布，有效解决样本选择偏差并处理非线性与模型不确定性，提升了个体处理效应估计的准确性。
2025-11-02 econ.EM stat.ML
A Generative Model for Natural Sounds Based on Latent Force Modelling
Queen Mary University of London（伦敦玛丽女王大学）
自然声音的子带振幅包络分析的最新进展已经导致令人信服的合成，显示子带振幅是感知的重要组成部分。概率潜变量分析特别具有启发性，但现有的方法不包含有关振幅包络的物理行为的先验知识，例如指数衰减和反馈。我们使用潜在的力量建模，概率学习范式，将物理知识纳入高斯过程回归，跨频谱子带包络模型的相关性。我们通过明确地对多个时间步长的相关性进行建模来增强标准的潜在力模型方法。对这种先验知识的阐述加强了对潜在函数作为产生信号的源的解释。我们通过一个实验来研究这种解释，该实验表明，从我们的概率模型中采样产生的声音被认为比基于非负矩阵分解的类似模型产生的声音更真实，即使在我们的模型从重建误差的角度来看表现出色的情况下。
2019-03-27 cs.LG cs.SD eess.AS
Model-robust Bayesian design through Generalised Additive Models for monitoring submerged shoals
最佳的采样战略是调查更深的珊瑚礁和浅滩系统的关键，由于访问和实地采样这些偏远和了解甚少的生态系统的成本很高。此外，由于水深的原因，无法采用在浅礁系统中使用的既定标准潜水员取样技术。在这里，我们开发了贝叶斯设计策略，以优化采样的浅滩深礁系统使用三年的试点数据。贝叶斯设计通常是通过最大化效用函数关于参数的联合分布的期望和假设的统计模型条件下的响应来找到的。不幸的是，指定这样一个模型的先验是困难的，因为知识的数据生成过程通常是不完整的。为了解决这个问题，我们提出了一种方法来寻找对未知模型不确定性具有鲁棒性的贝叶斯设计。这是通过在广义加性建模框架内表达指定模型并制定先验信息来实现的，该先验信息允许加性组件捕获假设与基础数据生成过程之间的差异。这样做的动机是使贝叶斯设计下的认知模型的不确定性，贝叶斯设计的一个非常理想的属性。我们的方法最初证明了一个范例的设计问题的理论结果推导和用于探索最优设计的属性。然后，我们应用我们的方法来设计未来的监测淹没浅滩关闭澳大利亚西北海岸的目的是显着改善目前的监测设计。
2022-08-30 stat.AP stat.ME
Aggregated Gaussian Processes with Multiresolution Earth Observation Covariates
对于许多基于调查的空间建模问题，由于资源有限，在调查区域观察到的响应是空间聚集的。来自天气模型和卫星图像的协变量可以在许多不同的空间分辨率下观测，这使得协变量的预处理成为任何空间建模任务的关键挑战。我们提出了一个高斯过程回归模型，灵活地处理多分辨率协变量，采用加性内核，可以有效地聚合功能的决议。与依赖于分辨率匹配的现有方法相比，我们的方法更好地维护了分辨率之间的分布信息，从而获得更好的性能和可解释性。我们的模型在模拟和作物产量数据集上都具有更强的预测性能和可解释性。
2022-04-01 stat.AP stat.ME
Epidemia: An R Package for Semi-Mechanistic Bayesian Modelling of Infectious Diseases using Point Processes
这篇文章介绍了一个R软件包，用于传染病的贝叶斯回归建模。所实现的模型定义了所有观测数据的可能性，同时还明确建模传输动态：一种通常称为半机械的方法。使用更新方程随时间传播感染。这种方法的灵感来自自激，连续时间点过程，如霍克斯过程。使用该软件包可以执行各种推理任务。关键的流行病学数量，包括繁殖数量和潜伏感染，可以在框架内估计。这些模型可用于评估传播率变化的决定因素，包括控制措施的效果。流行病动态可以通过拟合模型或先验模型来模拟;允许先验/后验预测检查、实验和预测。
2021-10-24 stat.CO stat.ME
Parallel Bayesian Additive Regression Trees
贝叶斯加性回归树（Bayesian Additive Regression Trees，BART）是一种灵活的非线性回归的贝叶斯方法，已被证明与最好的现代预测方法（如基于Bagging和Boosting的方法）竞争。BART提供了一些优势。例如，随机搜索马尔可夫链蒙特卡罗（MCMC）算法可以提供对模型空间的更完整的搜索，并且MCMC绘制之间的变化可以以通常的贝叶斯方式捕获不确定性水平。BART先验是稳健的，因为通常使用默认先验规范获得合理的结果。然而，在R软件包BayesTree中公开的BART算法的实现速度不够快，不能被认为是与超过一千个观察结果交互的，甚至不太可能运行50，000到100，000个观察结果。在本文中，我们将展示如何BART算法可能会被修改，然后计算使用单程序，多数据（SPMD）并行计算实现的消息传递接口（MPI）库。该方法在处理器内核的数量上几乎线性地扩展，使从业者能够对大量数据集执行统计推断。我们的方法还可以处理太大而无法容纳在任何单个数据存储库中的数据集。
2013-09-07 stat.CO
From data to decisions: Bayesian modelling and global sensitivity analysis for flotation control
University College London（伦敦大学学院）；Universidad Técnica Federico Santa María（弗雷德里科·萨马利亚技术大学）；Imperial College London（帝国理工学院）
本文提出一个数据驱动框架，集成高斯过程回归与基于Sobol指数的全局灵敏度分析及SHAP局部可解释性，用于浮选系统的可解释建模和决策支持，通过实验室数据建立静态GP代理模型，识别影响空气回收率的关键变量及其交互作用。
2026-06-04 cs.SY eess.SY stat.AP
Modelling dependence within and across run-off triangles for claims reserving
我们提出了一个索赔准备金的随机模型，捕捉依赖性沿发展年内的一个单一的三角形。这种依赖关系是$p$阶的自回归形式，并通过使用潜变量来实现。我们对模型参数进行贝叶斯推断，并通过使用分层先验，在来自不同业务线或公司的几个三角形上借用力量。
2019-11-27 stat.AP
Bayesian modelling and quantification of Raman spectroscopy
Lappeenranta-Lahti University of Technology（拉彭兰塔-拉赫蒂理工大学）；University of Strathclyde（斯特拉斯克莱德大学）；University of Warwick（华威大学）；University of Cambridge（剑桥大学）
本文提出基于贝叶斯模型的SMC算法，用于分离拉曼光谱中的峰与基线，提高低浓度分子的检测精度。
2026-01-31 stat.AP stat.CO
Additive Partially Linear Models for Massive Heterogeneous Data
我们考虑一个添加剂的部分线性框架建模大量的异构数据。主要目标是在所有子群体中同时提取多个共同特征，同时探索每个子群体的异质性。我们提出了一个聚集型估计的共性参数，具有渐近最优界和渐近分布，如果没有异质性。当子种群的数量增长不太快并且仔细选择调优参数时，这个预言结果成立。一个插件估计的异质性参数进一步构建，并具有渐近分布，如果共性信息是可用的。此外，我们开发了一个异质性测试的线性成分和同质性测试的非线性成分。所提出的方法的性能进行评估，通过模拟研究和应用程序的医疗保险提供者利用和支付数据。
2018-12-28 math.ST stat.ME stat.TH
Adaptive wavelet estimation of the diffusion coefficient under additive error measurements
研究了当观测值被噪声模糊时，离散数据中扩散系数的非参数估计问题。在过去的10年里，这些问题已经在几个应用领域，特别是在高频金融数据建模中得到了发展，但主要是从参数和半参数的角度来看。本文讨论了在一个相对一般的设置（可能是随机的）扩散系数的路径的非参数估计。通过开发预平均技术结合小波阈值，我们构建自适应估计，实现了一个接近最佳的速度在一个大规模的Besov型的平滑约束。由于扩散系数通常是真正随机的，我们提出了一个新的标准来评估估计的质量，我们检索通常的极大极小理论时，这种方法是限制在一个确定性的扩散系数。特别地，我们利用Reiss [33]关于具有加性噪声的高斯扩散与高斯白噪声模型之间的渐近等价性的最新结果，以证明尖锐的下界。
2011-12-29 math.ST stat.TH
