Robust Bayesian Regression with Synthetic Posterior
虽然线性回归模型是统计科学中的基本工具，但估计结果可能对离群值敏感。虽然在频率论框架中已经提出了几种稳健的方法，但统计推断并不一定是简单的。本文提出了一种基于$γ$ -散度的合成后验分布的线性回归模型的贝叶斯鲁棒推断方法，它使我们能够通过后验分布自然地评估估计的不确定性。我们也考虑使用收缩先验的回归系数进行稳健贝叶斯变量选择和估计的同时。我们在吉布斯抽样中采用贝叶斯自助法，发展了一种有效的后验计算算法。通过仿真研究和著名数据集的应用，说明了所提出的方法的性能。
2020-05-26 stat.ME
Transformations in Semi-Parametric Bayesian Synthetic Likelihood
贝叶斯合成似然（Bayesian synthetic likelihood，BSL）是一种在似然函数难以处理的情况下进行近似贝叶斯推断的常用方法。在合成似然方法中，似然函数通过模型模拟进行参数近似，然后使用标准的基于似然的技术来执行推断。高斯合成似然估计已成为无处不在的BSL文献，主要是因为它的简单性和易于实现。然而，它通常限制性太强，并可能导致较差的后验近似。最近，一个更灵活的半参数贝叶斯合成似然（semiBSL）估计已被引入，这是显着更强大的不规则分布的汇总统计量。在这项工作中，我们提出了一些扩展semiBSL。首先，我们考虑使用变换核密度估计的边缘分布的更灵活的估计。其次，我们提出了白化semiBSL（wsemiBSL）-显着提高semiBSL的计算效率的方法。wsemiBSL在每次算法迭代时使用近似白化变换来解相关汇总统计量。本文开发的方法显着提高了BSL算法的通用性和效率。
2020-07-03 stat.CO stat.ME
Statistical methods for linguistic research: Foundational Ideas - Part II
我们提供了贝叶斯数据分析方法的介绍性综述，重点是语言学，心理学，心理语言学和认知科学的应用。经验导向的研究人员将受益于贝叶斯方法的一部分，他们的统计工具包，由于这个框架的许多优点，其中包括更容易解释的结果相对于研究假设，灵活的模型规格。我们提出了一个非正式的介绍背后的贝叶斯数据分析的基本思想，使用，作为一个例子，从一个典型的心理语言学实验的数据的线性混合模型分析。我们讨论了使用贝叶斯因子的假设检验和使用交叉验证的模型选择。我们关闭一些例子说明了贝叶斯框架中的模型规范的灵活性。还提供了进一步阅读的建议。
2016-01-31 stat.AP stat.ME
Bayesian Nonparametric Common Atoms Regression for Generating Synthetic Controls in Clinical Trials
本研究提出贝叶斯非参数公共原子回归模型，利用电子健康记录为单臂临床试验构建合成对照臂，模拟实验显示其检测治疗效应效力更优，已应用于胶质母细胞瘤研究补充对照。
2023-05-06 stat.AP stat.ME
Synthetic likelihood in misspecified models
Monash University（莫纳什大学）；National University of Singapore（新加坡国立大学）；Queensland University of Technology（昆士兰科技大学）
研究分析了在模型不恰当情况下合成似然后验行为，揭示其可能呈现非标准特性如多模态和非高斯性，并指出传统鲁棒方法在合成似然中的不足。
2026-04-16 math.ST stat.ME stat.TH
On Consistent Bayesian Inference from Synthetic Data
本文研究如何从合成数据中获得一致的贝叶斯推断，证明在模型兼容条件下混合多个大规模合成数据集的后验样本可收敛到下游分析的后验，并展示了理论应用及失效情形。
2023-10-31 math.ST stat.ME stat.TH
BSL: An R Package for Efficient Parameter Estimation for Simulation-Based Models via Bayesian Synthetic Likelihood
贝叶斯合成似然（Bayesian synthetic似然函数，BSL）是一种用于估计复杂统计模型和随机过程的参数后验分布的常用方法。BSL通过模型模拟和密度估计来近似一个明智选择的数据汇总统计量的可能性，而不是评估可能性。与近似贝叶斯计算（ABC）等替代方法相比，当所选汇总统计量为高维时，BSL需要很少的调整，并且需要比ABC更少的模型模拟。原始的合成似然依赖于一个多元正态近似的棘手的可能性，其中的平均值和协方差估计模拟。BSL的扩展考虑用惩罚协方差估计量替换样本协方差，以减少所需模型模拟的数量。此外，半参数方法已被开发来放松正态性假设。在本文中，我们提出了一个名为BSL的R包，它将上述方法合并到一个单一的，易于使用的和连贯的软件中。R包还包括几个示例来说明如何使用该包并演示方法的实用性。
2019-07-25 stat.AP stat.CO stat.ML
Bayesian Synthetic Likelihood
本文介绍贝叶斯合成似然（BSL）方法，用于似然不可计算但可模拟的模型中的后验推断，并概述其可扩展稳健的扩展。
2023-05-10 stat.CO stat.ME
Bayesian inference using synthetic likelihood: asymptotics and adjustments
在涉及复杂模型的应用中，实现贝叶斯推断通常在计算上具有挑战性，有时计算可能性本身也很困难。当可能性难以处理时，合成可能性是一种进行推理的方法，但从模型进行模拟是直接的。该方法通过将向量汇总统计量视为多变量正态分布来构建近似似然，其中未知均值和协方差阵通过模拟对任何给定参数值进行估计。本文有三个贡献。第一个表明，如果汇总统计量满足中心极限定理，则合成似然后验是渐近正态的，并产生具有正确频率覆盖水平的可信集。这一结果与近似贝叶斯计算结果相似。第二个贡献比较贝叶斯合成似然和近似贝叶斯计算的计算效率使用的接受概率拒绝和重要性抽样算法与"好"的建议分布。我们表明，贝叶斯合成似然比近似贝叶斯计算更有效的计算，并表现出类似的回归调整近似贝叶斯计算。基于渐近结果，第三个贡献，提出使用调整的推断方法时，可能误指定的形式，假定为合成似然的协方差阵，如对角或因子模型，以加快计算。该方法说明了一些模拟和真实的例子。
2021-03-12 stat.CO
Wasserstein Gaussianization and Efficient Variational Bayes for Robust Bayesian Synthetic Likelihood
针对贝叶斯合成似然（BSL）的正态分布假设偏差及统计量兼容性需求，结合Wasserstein高斯化变换、鲁棒BSL与高效变分贝叶斯，提出一种高效可靠的无似然近似贝叶斯推断方法。
2024-08-15 stat.CO stat.ML
Neural Architectures for Amortized Bayesian Inference: Statistical Foundations and Empirical Assessments
Department of Mathematics and Statistics, Indian Institute of Technology Kanpur（数学与统计学系，印度理工学院坎浦尔分校）；Marshall School of Business, University of Southern California（马歇尔商学院，南加州大学）
探讨用于摊销贝叶斯推理的神经架构，从统计角度分析前馈网络等架构如何支持摊销推理，通过模拟研究评估其在不同场景下的表现，展现其优势与局限。
2026-07-17 cs.LG stat.CO stat.ML
Efficient Bayesian synthetic likelihood with whitening transformations
无似然方法是一种已建立的方法，用于对具有难处理的似然函数的模型执行近似贝叶斯推断。然而，它们可能需要计算。贝叶斯综合似然（Bayesian synthetic likelihood，BSL）是一种流行的方法，它用已知的、易处理的分布（通常是高斯分布）近似概括统计量的似然函数，然后使用标准的基于似然的技术执行统计推断。然而，随着汇总统计量的增加，精确估计该可能性的协方差阵所需的模型模拟数量迅速增加。这对BSL的应用提出了重大挑战，特别是在模型模拟昂贵的情况下。在这篇文章中，我们提出了白化BSL（wBSL）-一个有效的BSL方法，使用近似白化变换去相关的汇总统计在每个算法迭代。我们的经验表明，这可以减少所需的模型模拟实现BSL的数量超过一个数量级，而不会损失太多的准确性。我们探索了一系列的白化程序，并展示了一系列的模拟和真实的建模方案，从生态学和生物学的wBSL的性能。
2020-02-01 stat.CO stat.ME stat.ML
Bayesian and Frequentist Inference for Synthetic Controls
本文刻画线性因子模型中风险最小化权重成为合成控制的条件，提出可有效推断的贝叶斯合成控制方法，并证明其与 MLE 的渐近等价及稀疏模拟收敛，且用于两项实证研究。
2024-07-07 econ.EM stat.ME
Bayesian Synthetic Control with a Soft Simplex Constraint
本文提出一种贝叶斯合成控制法，结合软单纯约束与尖峰-层变量选择，以提高高维数据下的反事实估计效率，并在理论和实证上验证其有效性。
2025-12-01 econ.EM stat.AP stat.ME
Bayesian design of synthetic biological systems
在这里，我们介绍了一个新的设计框架，合成生物学，利用贝叶斯模型选择的优势。我们将论证推理和设计之间的区别在于，在前者中，我们试图重建产生我们观察到的数据的系统，而在后者中，我们试图构建产生我们想要观察的数据的系统，即期望的行为。我们的方法使我们能够利用贝叶斯统计的方法，包括有效探索模型空间和高维参数空间，以及根据模型生成某些类型数据的能力对模型进行排名的能力。此外，贝叶斯模型选择自动地在数学模型的复杂性和（预测或解释）性能之间取得平衡。为了处理分子系统的复杂性，我们采用了近似贝叶斯计算方案，它只需要我们从不同的竞争模型进行模拟，以达到在它们之间进行选择的合理标准。我们说明了结合设计和建模（或在硅片原型）阶段，目前被视为独立的合成生物学参考确定性和随机模型系统表现出自适应和开关样行为，以及细菌的双组分信号系统的优势。
2011-03-05 q-bio.MN stat.AP
Catalytic Priors: Using Synthetic Data to Specify Prior Distributions in Bayesian Analysis
本文提出催化先验方法，通过从简单模型预测分布采样合成数据来扩充观测数据，以构建贝叶斯先验，在数据不足时提升复杂模型的估计准确性与预测性能，并探讨其与正则化方法的联系。
2023-09-22 stat.ME
The Full Bayesian Significance Test and the e-value -- Foundations, theory and application in the cognitive sciences
假设检验是心理学研究和认知科学中的一种重要统计方法。虽然原假设显著性检验（NHST）的问题已被广泛讨论，很少有有吸引力的替代品存在。在本文中，我们提供了关于全贝叶斯显著性检验（FBST）和e值的教程，e值是依赖于p值的传统显著性检验的全贝叶斯替代品。FBST是一种先进的方法程序，可应用于多个领域。在本教程中，我们展示了在心理学研究中广泛使用的统计方法的两个例子如何在实践中使用FBST，为研究人员提供了如何进行它的明确指导方针，并提供R代码来重现所有结果。FBST是一种创新的方法，它已经清楚地证明比频率显著性检验更好。然而，据我们所知，到目前为止，它还没有在心理科学中使用，应该引起心理学和认知科学研究人员的广泛兴趣。
2020-06-05 stat.ME
Bayesian Optimization for Synthetic Gene Design
我们使用贝叶斯优化解决合成基因设计问题。设计基因时的主要问题是设计空间是根据不同长度的长字符串定义的，这使得优化变得难以处理。我们建议分三步处理这个问题。首先，我们使用一个高斯过程模型来模拟细胞的行为。作为模型的输入，我们使用一组具有生物学意义的基因特征，这使我们能够定义最佳的基因设计规则。基于模型的输出，我们定义了一个多任务采集功能，同时优化感兴趣的几个方面。最后，我们定义了一个评价函数，它允许我们对与最优设计策略一致的候选基因序列进行排序。我们说明了这种方法在一个真正的基因设计实验与哺乳动物细胞的性能。
2015-05-07 stat.ML
Bayesian Donor Set Selection in Synthetic Controls
Seoul National University（首尔大学）；University of Seoul（首尔大学）；University of Texas at Arlington（阿灵顿得克萨斯大学）
研究提出贝叶斯层次模型，在合成控制中选择捐赠者集，保持单纯形约束，能同时估计权重与活跃捐赠者集。经数值模拟和实际应用验证，该模型在含无关或弱相关单元时表现良好，为现有方法提供简洁灵活扩展。
2026-07-10 stat.ME
Learning Dynamic Bayesian Networks from Data: Foundations, First Principles and Numerical Comparisons
本文系统梳理了从轨迹样本数据中学习动态贝叶斯网络的基础理论、模型解析形式与评分函数，并对代表性学习算法在不同设置下进行了数值比较。
2024-08-30 cs.LG math.ST stat.TH
Variational Routing: A Scalable Bayesian Framework for Calibrated Mixture-of-Experts Transformers
Department of Computing, Imperial College London（伦敦帝国理工学院计算机系）
提出变分混合专家路由（VMoER），通过将贝叶斯推断限制在专家选择阶段，实现大规模模型的不确定性校准，在微调基础模型上显著提升路由稳定性、降低校准误差并提高分布外检测AUROC，且额外计算开销极小。
2026-05-28 cs.AI cs.LG stat.ML
Rethinking the Funding Line at the Swiss National Science Foundation: Bayesian Ranking and Lottery
资助机构依靠同行评审和专家小组来选择值得资助的研究。同行评议有其局限性，包括对风险提案或跨学科研究的偏见。评审员和小组之间的评分员之间的可靠性很低，特别是对于接近供资额度的提案。供资机构也越来越认识到机会的作用。瑞士国家科学基金会（SNSF）推出了一项抽签计划，以选出好的但不是优秀的提案。在这篇文章中，我们介绍了贝叶斯层次模型的评估过程。为了对提案进行排名，我们估计了它们的预期排名（ER），其中包含了提案之间估计差异的大小和不确定性。根据应急资源和预算确定临时供资项目。ER及其可信区间用于确定与供资项目重叠的质量和可信区间相似的提案。这些建议都是抽签决定的。我们说明了两个SNSF赠款计划在职业生涯和项目资助的方法。我们认为，该方法可以减少在评估过程中的偏见。本文的R代码、数据和其他材料可在线获取。
2022-05-30 stat.AP
Probabilistic Geometric Alignment via Bayesian Latent Transport for Domain-Adaptive Foundation Models
School of Information, Computer；Communication Technology Sirindhorn International Institute of Technology, Thammasat University Pathumthani, Thailand 0009-0006-4313-7359；epartment of Architecture, Faculty of Architecture Khon Kaen University Khon Kaen, Thailand
本文提出一种概率潜在传输框架，通过在表示空间中将领域适应建模为随机几何对齐问题，解决领域自适应中的潜在分布不匹配、优化动态不稳定和不确定性传播校准问题。
2026-03-26 cs.AI cs.LG math.OC
BAM! Bayesian Anything Model: a foundation model for generative computational imaging
Université Paris Cité（巴黎西岱大学）；CNRS（法国国家科学研究中心）；Heriot-Watt University（赫瑞-瓦特大学）；Maxwell Institute for Mathematical Sciences（麦克斯韦数学科学研究所）
提出BAM，一种轻量级物理感知基础模型，通过条件流映射实现少步后验采样，仅36M参数，在多个线性逆问题基准上以3步超越专用模型和零样本方法，降低计算成本。
2026-10-01 cs.CV stat.ML
The Bayesian Synthetic Control: Improved Counterfactual Estimation in the Social Sciences through Probabilistic Modeling
社会科学家经常研究政策改革如何影响单个目标国家。越来越多地使用综合控制方法（SCM）来实现这一点。SCM将一国的反事实（非改革或未经处理）轨迹建模为其他国家结果的加权平均值。该方法努力量化不确定性;例如。它不能产生置信区间。也有过度拟合的嫌疑。我们提出了一种替代方法，贝叶斯综合控制（BSC），它没有这些缺陷。使用MCMC采样，我们实现了两个先前研究的数据集的方法。所提出的方法优于SCM在一个简单的测试中的预测准确性，并提出了一些怀疑的意义上的先前的调查结果。研究的改革是1990年的德国统一和1988年的加利福尼亚州烟草立法。平衡计分卡从供应链管理文献中借用了其因果模型，即线性潜在因素模型。与SCM不同，BSC通过降维明确地估计潜在因素。所有的不确定性都被捕获在后验分布中，因此，与SCM不同，可信区间很容易导出。此外，BSC的目标面板数据集的可靠性，可以通过后验预测检查进行评估; SCM和它的frequentist衍生物使用所需的信息，同时测试统计学意义。
2019-10-14 stat.AP
A normal-inverse-Wishart (NIW) Bayesian synthesizer for multivariate normal data with application to polygenic risk scores
Aalborg University（奥尔堡大学）；Aalborg University Hospital（奥尔堡大学医院）
本文提出基于正态-逆Wishart先验的多元正态数据贝叶斯合成器，揭示合成数据泄露风险与原始数据集规模、特征维度及合成信息量的关系，并将其应用于多基因风险评分数据集生成。
2026-09-03 math.PR stat.ME
Bayesian Marked Point Process Modeling for Generating Fully Synthetic Public Use Data with Point-Referenced Geography
许多数据管理员收集包括精细地理信息的机密数据。在与其他人共享这些数据时，数据管理员努力传播可用于各种空间和非空间分析的信息数据，同时保护数据主体身份和属性的机密性。通常情况下，数据管理员通过粗化已发布地理位置的分辨率来应对这一挑战，并根据需要扰乱机密属性。当以高强度完成时，这些编辑策略可能导致发布的数据分析质量较差。我们提出了一种基于完全合成数据的替代传播方法。我们使用标记点过程模型生成数据，该模型可以保持机密数据的统计特性和空间依赖结构。我们说明的方法，使用数据组成的死亡率记录从达勒姆，北卡罗来纳州。
2014-07-29 stat.ME
Robust Bayesian Synthetic Likelihood via a Semi-Parametric Approach
贝叶斯合成似然（BSL）是一种成熟的方法，用于对不具有易处理的似然函数的基于模拟的模型进行近似贝叶斯参数估计。BSL近似一个棘手的似然函数的一个精心选择的汇总统计量的参数值与多元正态分布。该正态分布的均值协方差阵是根据模型的独立模拟估计的。由于BSL中隐含的参数假设，在某些对高维汇总统计量感兴趣的应用中，它可能优于其非参数竞争对手，近似贝叶斯计算。然而，尽管BSL的几个成功的应用，它在科学领域的广泛使用可能会受到阻碍的强正态性假设。在本文中，我们开发了一个半参数的方法，放松这一假设在一定程度上，并保持计算优势的BSL没有任何额外的调整。我们测试我们的新方法，semiBSL，在几个具有挑战性的例子，涉及模拟和真实数据，并证明semiBSL可以显着更强大的BSL和文献中的另一种方法。
2019-10-03 stat.CO stat.ME
A Bayesian algorithm for retrosynthesis
The Institute of Statistical Mathematics, Research Organization of Information and Systems（信息系统研究机构统计数学研究所）；Daicel Corporation（大赛璐公司）
以所需产物结束的合成路线的鉴定一直是固有的耗时过程，其在很大程度上依赖于关于整个反应空间的有限部分的专业知识。目前，新兴的机器学习技术正在颠覆逆合成规划的过程。本研究的目的是发现从给定的所需分子到市售化合物的反向合成路线。该问题被减少到一个组合优化任务的解决方案空间的组合复杂性的所有可能的购买反应物对。我们解决这个问题的框架内的贝叶斯推断和计算。工作流程包括两个步骤：训练深度神经网络，以高精度向前预测给定反应物的产物，然后通过条件概率的贝叶斯定律将该向前模型反转为向后模型。使用后向模型，一组不同的高度可能的反应序列结束一个给定的合成目标是详尽的探索使用蒙特卡罗搜索算法。贝叶斯逆合成算法可以成功地重新发现80.3%和50.0%的已知的合成路线的一步和两步反应的前10名的准确性，分别，从而优于国家的最先进的算法的整体准确性。值得注意的是，蒙特卡罗方法，这是专门设计的存在不同的多个路线，往往揭示了一个排名名单的数百个反应路线相同的合成目标。我们研究了基于合成有机化学专业知识的这些不同候选物的潜在适用性。
2020-03-06 cs.LG physics.chem-ph stat.ML
Privacy Protection for Youth Risk Behavior Using Bayesian Data Synthesis: A Case Study to the YRBS
大量公开的调查数据集种类繁多，虽然有用，但引起了受访者对隐私的担忧。数据隐私和保密性的合成数据方法已被证明在隐私保护和效用维护方面是有用的。本文旨在说明如何合成数据可以促进高度敏感的信息传播的青年风险行为的样本的青年风险行为调查（YRBS）的合成数据的案例研究。鉴于YRBS中几乎所有变量的分类性质，采用Dirichlet过程多项乘积混合（DPMPM）合成器对YRBS样本进行部分合成。对效用和披露风险的详细评估表明，与YRSB机密样本相比，生成的合成数据能够显着降低披露风险，同时保持高水平的效用。
2022-05-22 stat.AP
Using Synthetic Data to Train Neural Networks is Model-Based Reasoning
University of Oxford（牛津大学）；Indiana University（印第安纳大学）
我们绘制了使用合成训练数据优化神经网络参数和近似，贝叶斯，基于模型的推理之间的正式连接。特别地，使用合成数据训练神经网络可以被视为学习用于合成数据生成模型中的近似推理的建议分布生成器。我们在识别任务中展示了这种联系，我们开发了一种新的验证码破解架构，并使用合成数据对其进行训练，展示了最先进的性能和计算特定任务后验不确定性的方法。使用以这种方式训练的神经网络，我们还成功地打破了Facebook和维基百科目前使用的真实世界的验证码。从这些经验结果中进行推理，并与贝叶斯建模建立联系，我们讨论了合成数据结果的鲁棒性，并提出了在使用合成数据进行训练时确保良好神经网络泛化的重要考虑因素。
2017-03-02 cs.CV cs.LG stat.ML
Bayesian Pseudo Posterior Synthesis for Data Privacy Protection
统计机构利用模型合成响应级别的数据，作为实际数据记录的替代方案向公众发布。贝叶斯模型合成器通过采用分层先验构造来编码隐私保护，该分层先验构造引起真实数据分布的平滑。由于研究人员和数据分析师的许多可能用途，合成响应级数据记录通常比汇总数据表更受欢迎。各机构在综合数据的效用与披露风险之间进行权衡，并在发布综合数据集之前为披露风险设定具体的目标阈值。我们引入了一个伪后验似然，它通过（0，1）中的观察记录索引权重对每个贡献进行指数化，定义为与合成数据中该记录的披露风险成反比。我们使用的向量的权重允许更精确的降权的高风险记录的方式，更好地保留效用相比，使用标量权重。我们说明了我们的方法与模拟研究和应用程序的消费者支出调查的美国劳工统计局。我们演示了如何频率的一致性和不确定性量化的影响，由逆风险加权。
2020-05-15 math.ST stat.AP stat.ME
A Synthetic Reliability-Aware PINN Benchmark for Offshore Wind Turbine Support-Structure Monitoring with Bayesian Inverse Identification
School of Artificial Intelligence and Data Science, Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校人工智能与数据科学学院）；School of Management and Entrepreneurship, Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校管理与创业学院）
提出Digi Turbine基准，结合物理信息神经网络、贝叶斯逆识别和FORM筛选，用于海上风机单桩支撑结构监测，验证基于NREL 5MW参考风机。
2026-06-24 cs.CL stat.CO
Latent Variable Models for Bayesian Causal Discovery
Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；ÉTS Montréal（蒙特利尔高等技术学院）
学习不依赖于虚假相关性的预测器涉及构建因果表示。然而，学习这样的表示是非常具有挑战性的。因此，我们制定了从高维数据中学习因果表示的问题，并研究了因果恢复与合成数据。这项工作介绍了一个潜在的变量解码器模型，解码器BCD，贝叶斯因果发现，并在轻度监督和无监督的设置进行实验。我们提出了一系列的合成实验来表征因果发现的重要因素，并表明使用已知的干预目标作为标签有助于无监督贝叶斯推理的结构和参数的线性高斯加性噪声潜在的结构因果模型。
2022-08-11 cs.AI cs.LG stat.ML
Bayesian Screening: Multi-test Bayesian Optimization Applied to in silico Material Screening
我们提出了新的多测试贝叶斯优化模型和算法，用于大规模的材料筛选应用。我们的筛选问题是围绕两个测试设计的，一个昂贵，一个便宜。本文不同于其他最近的工作多测试贝叶斯优化通过使用一个灵活的模型，允许复杂的，非线性关系之间的廉价和昂贵的测试成绩。这种额外的建模灵活性在我们描述的材料筛选应用中是必不可少的。我们证明了我们的新算法的力量，一个家庭的合成玩具问题，以及从两个大规模的筛选研究的真实数据。
2020-09-11 cs.LG math.OC stat.AP
Bayesian shrinkage priors for penalized synthetic control estimators in the presence of spillovers
本文提出一种基于效用收缩先验的贝叶斯合成控制框架，通过结合协变量相似性和空间距离的效用函数，在存在溢出效应时平衡偏差与方差，从而更准确地估计政策干预的因果效应。
2025-11-03 stat.ME
In-Context Learning for Latent Space Bayesian Optimization
Aalto University（阿尔托大学）
针对潜空间贝叶斯优化中上下文学习模型与优化任务不匹配的问题，提出在分子VAE潜空间上定义合成优化任务进行持续预训练，并引入正则化器保持原始先验，显著提升分子优化性能。
2026-06-08 cs.LG stat.ML
Bayesian Vector AutoRegression with Factorised Granger-Causal Graphs
CSIRO’s Data61（联邦科学与工业研究组织Data61）；CSIRO’s Environment（联邦科学与工业研究组织环境部门）
提出一种贝叶斯向量自回归模型，通过分层因子化先验独立推断二元格兰杰因果图，在低数据场景下性能更优且不确定性感知更强。
2024-05-24 cs.LG stat.ML
Bayesian Model Averaging Using the k-best Bayesian Network Structures
Iowa State University（爱荷华州立大学）
我们研究了从数据中学习贝叶斯网络结构的问题。我们开发了一个算法来寻找k-最好的贝叶斯网络结构。我们建议通过贝叶斯模型在k-best贝叶斯网络上平均来计算感兴趣的假设的后验概率。我们提出的实证结果结构发现几个真实的和合成数据集，并表明该方法优于模型选择方法和最先进的MCMC方法。
2012-03-15 cs.AI cs.LG stat.ML
A Bayesian Approach to Approximate Joint Diagonalization of Square Matrices
Dalian University of Technology（大连理工大学）；University College London（伦敦大学学院）
我们提出了一个贝叶斯方案的近似对角化的几个方阵不一定是对称的。一个吉布斯采样器来模拟这些矩阵的共同特征向量和特征值的样本。几个合成的例子来说明所提出的吉布斯采样器的性能，然后我们提供了几个其他联合对角化算法，这表明吉布斯采样器实现了国家的最先进的性能的例子考虑的比较。作为一个副产品，吉布斯采样器的输出可以用来估计对数边际似然，但是我们采用基于贝叶斯信息准则（BIC）的近似，在合成的例子中，它被认为正确地定位了公共特征向量的数量。然后，我们成功地应用采样器的源分离问题，以及常见的主成分分析和常见的空间模式分析问题。
2012-06-18 cs.LG stat.CO stat.ME
Bayesian Data Synthesis and the Utility-Risk Trade-Off for Mixed Epidemiological Data
流行病学研究中使用的许多微观数据都包含对真实个体的敏感测量。因此，出于隐私考虑，这些微观数据不能公布，使任何已公布的关于这些数据的统计分析几乎不可能复制。为了在不损害个人隐私的情况下促进关键数据集的传播，我们引入了一个有凝聚力的贝叶斯框架，用于生成混合分类，二进制，计数和连续变量的全合成，高维微数据集。这个过程围绕着一个联合贝叶斯模型，该模型同时兼容所有这些数据类型，从而能够通过后验预测采样创建混合合成数据集。此外，流行病学数据分析的一个重点是通过回归分析研究各种暴露与关键结果变量之间的条件关系。我们设计了一个修改后的数据合成策略，目标和保存这些条件关系，包括非线性和相互作用。所提出的技术被部署来创建一个机密数据集的合成版本，该数据集包含近20，000名北卡罗来纳州儿童的数十项健康，认知和社会测量。
2022-01-19 stat.ME
Bayesian Models of Graphs, Arrays and Other Exchangeable Random Structures
大多数贝叶斯方法的自然栖息地是由可交换的观测序列表示的数据，其中de Finetti定理提供了理论基础。狄利克雷过程聚类、高斯过程回归和许多其他参数和非参数贝叶斯模型都属于这个框架的范围;现代数据分析中出现的许多问题都不属于这个框架。本文介绍了可以通过随机结构建模的图、矩阵和其他数据的贝叶斯模型。我们描述的结果在概率论，推广de Finetti的定理，这样的数据，并讨论其相关性的非参数贝叶斯建模。基本思想到位，我们调查的例子模型在文献中，这些模型的应用包括协同过滤，链接预测，图形和网络分析。我们还强调了图论和概率的最新发展的连接，并勾勒出更一般的贝叶斯方法的其他类型的数据序列和数组以外的数学基础。
2015-02-13 math.ST stat.ML stat.TH
Bayesian Regression and Classification Using Gaussian Process Priors Indexed by Probability Density Functions
在本文中，我们引入的概念，高斯过程的指标的概率密度函数扩展的Matérn家庭的协方差函数。我们使用一些工具，从信息几何，以提高效率和计算方面的贝叶斯学习模型。我们特别展示了如何贝叶斯推断与高斯过程先验（协方差参数估计和预测）可以付诸行动的概率密度函数的空间。我们的框架有能力分类和推断的数据观测，躺在非线性子空间。多个合成，半合成和真实数据上的大量实验表明，与当前最先进的方法相比，所提出的方法的有效性和效率。
2020-11-06 stat.ME
Bayesian surrogate learning in dynamic simulator-based regression problems
Cavendish Laboratory, University of Cambridge（剑桥大学卡文迪许实验室）；University of Cambridge（剑桥大学）；Cavendish Laboratory（卡文迪许实验室）
对物理系统的未知参数值（或隐变量、控制变量）的估计通常依赖于当参数值变化时测量数据与由系统的某些数值模拟器产生的合成数据的比较。该过程通常遇到两个主要困难：如果系统模型复杂，则针对每个所考虑的参数值集合生成合成数据可能在计算上是昂贵的;以及参数空间的探索可能是低效的和/或不完整的，典型的示例是当探索变得陷入表征测量数据与合成数据之间的失配的目标函数的局部最优时。提出了一种解决这两个问题的方法，其中：一个代理模型（或代理），它模拟计算昂贵的系统模拟器，使用深度递归网络（DRN）构建;和一个嵌套采样（NS）算法进行有效和强大的探索的参数空间。分析是在贝叶斯的背景下进行的，其中的样本的参数，从参数估计和不确定性很容易得出的完整的联合后验分布。所提出的方法与传统的方法相比，在一些数值例子中，结果表明，一个可以加快参数估计过程至少一个数量级。
2019-01-25 cs.LG stat.ML
Do Bayesian Neural Networks Improve Weapon System Predictive Maintenance?
Naval Surface Warfare Center – Corona Division（海军水面战中心科罗纳分部）
本文提出基于贝叶斯推断的LaplaceNN方法，用于建模高可靠武器系统在区间删失数据下的失效时间，并通过标准分类指标在合成与真实数据集上验证了其有效性。
2024-01-06 cs.LG stat.AP
Modeling Multiscale Variable Renewable Energy and Inflow Scenarios in Very Large Regions with Nonparametric Bayesian Networks
在本文中，我们提出了一个非参数贝叶斯网络方法来生成合成情景的每小时发电量的可变可再生能源（VRE）的工厂。该方法包括一个非参数估计的概率分布的VRE生成，其次是逆概率积分变换，以获得正态分布的变量的VRE生成。然后，我们建立了一个贝叶斯网络的基础上评估的变量（VRE发电量和水流入量，但负荷预测，温度，和其他类型的随机变量也可以与所提出的框架）之间的空间相关性，以产生未来的综合方案，同时保持历史的空间相关性结构。最后，我们提出了一个现实生活中的案例研究，使用来自巴西电力系统的真实数据，以显示改进，本方法允许现实生活中的研究。
2020-03-10 stat.AP
Invariant Priors for Bayesian Quadrature
University College London（伦敦大学学院）；Microsoft Research Cambridge（微软剑桥研究院）；University of Tübingen（蒂宾根大学）
贝叶斯求积（Bayesian quadrature，BQ）是一种基于模型的数值积分方法，能够通过编码和利用手头的积分任务的已知结构来提高样本效率。在本文中，我们探讨了先验编码下的输入域中的双射变换，特别是一些酉变换，如旋转，轴翻转，或点对称的被积函数的不变性。我们展示了在几个合成和一个现实世界中的应用相比，标准贝叶斯正交的优越性能的初步结果。
2021-12-02 cs.LG stat.ML
Bayesian Data Synthesis and Disclosure Risk Quantification: An Application to the Consumer Expenditure Surveys
发布根据数据估算的模型生成的合成数据有助于统计机构传播具有高度实用性和隐私保护的答卷人数据。在美国劳工统计局的消费者支出调查（CE）中传播包含地理信息的敏感变量的挑战，我们提出了两个非参数贝叶斯模型作为每个数据记录的县标识符的数据合成器：贝叶斯潜在类模型和贝叶斯面积模型。这两种数据合成器都使用Dirichlet Process先验来聚类具有相似特征的观测值，并允许在观测值之间借用信息。我们开发了创新的披露风险措施，以量化CE机密数据中的固有风险，以及我们提出的合成器如何改善这些数据风险。通过分别在最小和最大披露风险情景下创建披露风险的下限和上限，我们提出的固有风险度量提供了一系列可接受的披露风险，用于评估合成数据集中的风险水平。
2021-02-02 stat.AP
Bayesian inference of scaled versus fractional Brownian motion
本文提出了一种尺度布朗运动的贝叶斯推断方法，并在与分数布朗运动联合推断的情况下，研究了该方法在参数估计和模型选择中的性能。我们包括在这两个模型中的测量噪声的可能性。我们发现，对于几百个时间点的轨迹，该程序能够很好地解决真实的模型和参数。利用合成数据生成过程的先验信息进行推理，该方法是基于决策理论的最优方法。我们包括一个比较与推理使用的数据生成一个不同的先验。
2022-05-12 cond-mat.stat-mech physics.data-an q-bio.QM
On the Foundations of Universal Sequence Prediction
Solomonoff通过为模型类和先验提供严格、唯一、正式和通用的选择，完成了贝叶斯框架。我们讨论的广度如何和在何种意义上普遍（非i.i.d.）序列预测解决了传统贝叶斯序列预测的各种（哲学）问题。我们发现Solomonoff模型具有许多理想的性质：快速收敛和强界，与大多数经典的连续先验密度相比，它没有零p（oste）rior问题，即可以确认普遍的假设，是reparametrization和重组不变，并避免了旧的证据和更新问题。它甚至在不可计算的环境中表现良好（实际上更好）。
2006-05-03 cs.IT cs.LG math.IT
The Bayesian Way: Uncertainty, Learning, and Statistical Reasoning
本文介绍了贝叶斯推断的基础理论与应用，涵盖从贝叶斯定理到现代模拟方法的全面内容，旨在为统计实践中的贝叶斯方法提供入门指导。
2025-12-05 math.ST stat.ME stat.TH
Data Privacy Protection and Utility Preservation through Bayesian Data Synthesis: A Case Study on Airbnb Listings
在向公众发布包含敏感信息的记录级数据时，数据传播者有责任保护数据集中每条记录的隐私，同时保留数据的重要特征供用户分析。这些目标可以通过数据合成来实现，其中机密数据被基于机密数据估计的统计模型模拟的合成数据替换。在本文中，我们提出了一个数据合成的案例研究，在纽约Airbnb开放数据的样本中创建了价格和可用天数的合成值，以保护隐私。一个敏感的变量，Airbnb房源的可用天数，有大量的零值记录，也在两端被截断。我们提出了一个零膨胀截断泊松回归模型的合成。我们利用一个连续的综合方法，进一步综合敏感的价格变量。对由此产生的合成数据进行效用保护和隐私保护评估，后者以披露风险的形式存在。此外，我们提出的方法来调查如何入侵者的知识的不确定性会影响识别披露风险的合成数据。特别是，我们探讨了几个现实的情况下，入侵者的知识，可用信息的不确定性，并评估其对所产生的识别披露风险的影响。
2022-04-21 stat.AP
Robust Learning of Fixed-Structure Bayesian Networks
Duke University（杜克大学）；University of Southern California（南加州大学）；University of California, San Diego（加州大学圣地亚哥分校）
我们研究了贝叶斯网络在一个鲁棒模型中的学习问题，其中样本的$ε$ -分数被逆向损坏。在这项工作中，我们研究了完全可观察的离散的情况下，网络的结构。即使在这种基本设置中，以前的学习算法要么在指数时间内运行，要么在其误差保证中丢失维度相关因子。我们为这个问题提供了第一个计算效率高的鲁棒学习算法，具有与维数无关的误差保证。我们的算法具有接近最佳的样本复杂度，运行在多项式时间，并实现了误差，规模与不利损坏的样本的分数接近线性。最后，我们在合成和半合成数据上表明，我们的算法在实践中表现良好。
2018-10-29 cs.AI cs.DS cs.LG
Anomaly detection in video with Bayesian nonparametrics
提出了一种新的动态贝叶斯非参数主题模型用于视频异常检测。批处理和在线吉布斯采样器的推理。本文介绍了一种新的决策异常测度。所提出的方法进行了评估合成和真实数据。与非动态模型的比较表明，所提出的动态异常检测的分类性能方面的优越性。
2016-06-27 stat.ML
