Latent Space Network Modelling with Hyperbolic and Spherical Geometries
一个丰富的网络模型将每个节点与一个低维潜在坐标相关联，该坐标控制着连接形成的倾向。这种类型的模型在网络分析文献中得到了很好的建立，其中通常假设基础几何是欧几里得的。最近的工作探讨了这种选择的后果，并激发了依赖于非欧几里德潜在几何模型的研究，主要集中在球面和双曲几何。在本文中，我们研究在何种程度上可以从网络中的可观察链接推断出潜在的功能，考虑依赖于球形和双曲几何的网络模型。对于每一个几何形状，我们描述了一个潜在的空间网络模型，详细的限制，消除了众所周知的可识别性问题的潜在坐标，并提出贝叶斯估计方案。因此，我们开发的计算程序来执行推理的网络模型中，底层几何的属性起着至关重要的作用。最后，我们评估这些模型的真实数据的有效性。
2022-02-10 stat.AP stat.CO stat.ME
Modeling Dynamic Functional Connectivity with Latent Factor Gaussian Processes
动态功能连接，如通过神经信号的时变协方差测量的，被认为在认知的许多方面起着重要作用。虽然已经提出了许多方法，但由于神经成像数据的高维性和噪声性，可靠地建立大脑连接的存在和特征是具有挑战性的。我们提出了一个潜在的因素高斯过程模型，通过学习一个简约的表示连接动态来解决这些挑战。所提出的模型自然允许时变连接的推理和可视化。作为该模型的科学实用性的一个例证，应用于在复杂的非空间记忆任务期间记录的大鼠局部场电位活动的数据集提供了刺激分化的证据。
2019-10-29 stat.ME
A consensus-constrained parsimonious Gaussian mixture model for clustering hyperspectral images
University College Dublin（都柏林大学学院）
针对高光谱图像像素标注中基于阈值方法的主观性与泛化性问题，提出共识约束简约高斯混合模型（ccPGMM），通过潜变量模型和共识聚类提升聚类性能与计算效率，在食品样本高光谱图像中验证有效。
2024-12-10 cs.CV eess.IV stat.ME
Latent Conjunctive Bayesian Network: Unify Attribute Hierarchy and Bayesian Network for Cognitive Diagnosis
针对传统属性层级方法参数复杂度高、缺乏统计依赖性解释的问题，提出统一属性层级与贝叶斯网络的潜在合取贝叶斯网络，搭配两步EM算法，在国际教育评估数据集上得到可解释的认知诊断结果。
2023-08-24 stat.AP stat.ME
Modelling spatial heterogeneity in the effects of area-level covariates on income distributions using Bayesian nonparametric methods
King’s College London（伦敦国王学院）；University College London（伦敦大学学院）
本文提出NLMFM-C模型，通过混合潜在因子密度分析收入分布变化，探讨空间和协变量效应，应用于美国四个州2016和2020年的微观数据，揭示收入水平和人口特征对收入分布的影响。
2026-04-25 stat.AP stat.ME
Bayesian Plackett--Luce latent block models for ranked data
University College Dublin（都柏林大学学院）；Rinn Artificial Intelligence（Rinn人工智能）；University of Oslo（奥斯陆大学）
该研究提出了一种联合划分评估者与项目的贝叶斯Plackett-Luce潜在块模型，通过模拟验证其不确定性表征能力，将其应用于TCGA泛癌基因排序，揭示组织驱动的样本结构并支持生物学解释。
2026-07-30 stat.AP stat.CO stat.ME
Bayesian Multilevel Bivariate Spatial Modelling of Italian School Data
本文使用空间贝叶斯多层回归模型结合双变量ICAR潜在效应，研究意大利高中学生能力与市镇基础设施禀赋的关系，发现基础设施和空间结构化潜在效应对解释学生成绩差异均具有显著作用。
2024-12-23 stat.AP stat.ME
Bayesian Nested Latent Class Models for Cause-of-Death Assignment using Verbal Autopsies Across Multiple Domains
本文提出LCVA框架，利用嵌套潜在类别模型联合建模多领域口头尸检数据，解决分布偏移问题，实现死因分配与死亡比例估计，并优于现有方法。
2023-06-22 stat.AP stat.ME
Parsimonious Topic Models with Salient Word Discovery
Pennsylvania State University（宾夕法尼亚州立大学）
我们提出了一个简约的主题模型的文本语料库。在相关的模型中，如潜在狄利克雷分配（LDA），所有的单词都是特定于主题的，即使许多单词在不同的主题中以相似的频率出现。我们的建模确定了每个主题的突出词，这些词具有特定主题的概率，其余的由通用共享模型解释。此外，在LDA中，所有主题原则上都存在于每个文档中。相比之下，我们的模型给出了稀疏的主题表示，确定每个文档的相关主题的（小）子集。我们推导出贝叶斯信息准则（BIC），平衡模型的复杂性和拟合优度。在这里，有趣的是，我们确定了有效的样本量和相应的惩罚特定于我们的模型中的每个参数类型。我们最小化BIC以完全无监督的方式共同确定整个模型-特定于主题的单词，特定于文档的主题，所有模型参数值，{ \it和}主题的总数。三个文本语料库和图像数据集的结果表明，我们的模型实现了更高的测试集的可能性和更好的协议与地面真相类标签，LDA和设计的模型，以纳入稀疏性。
2014-09-11 cs.CL cs.IR cs.LG
A general joint latent class model of longitudinal and survival data with the covariance modelling
该研究提出一种一般联合潜在类别模型，通过协方差回归子模型建模异质随机效应，结合纵向与生存数据，实现无偏估计与动态预测。
2025-03-25 stat.ME
A Flexible and Parsimonious Modelling Strategy for Clustered Data Analysis
统计建模策略是数据分析成功的关键。灵活性和简约性之间的权衡在统计建模中起着至关重要的作用。在集群数据分析中，为了考虑集群之间的异质性，建模中需要一定的灵活性，但也需要简约性来防止复杂性并考虑集群之间的同质性。在本文中，我们提出了一个灵活的和简约的建模策略聚类数据分析。该策略在灵活性和简约性之间取得了很好的平衡，并很好地解决了集群之间的异质性和同质性，这往往具有很强的现实意义。事实上，它的有用性已经超越了聚类数据分析，它也为迁移学习带来了希望。在所得到的模型中的未知量的估计程序，并建立估计量的渐近性质。进行了深入的模拟研究，以证明如何以及所提出的方法的工作，并提出了一个真实的数据分析，以说明如何应用建模策略和相关的估计过程，以回答一些实际问题，从现实生活中产生的。
2023-02-16 stat.ME
A method for Bayesian regression modelling of composition data
许多科学和工业过程产生的数据最好作为相对值的向量进行分析，通常称为成分或比例。狄利克雷分布是用于成分或比例数据的自然分布。它具有参数数量少的优点，使其在许多情况下成为节俭的选择。在本文中，我们考虑的情况下，一个过程的结果是狄利克雷，依赖于一个或多个解释变量的回归设置。我们探讨了一些现有的方法来解决这个问题，然后介绍了一种新的模拟方法来拟合这样的模型，贝叶斯框架的基础上。我们通过模拟实例和在体育科学中的应用说明了新方法的优点。这些优势包括：增加的拟合精度、增加的推断能力以及引入随机效应而不增加分析复杂性的能力。
2018-01-09 stat.ME
Multiplicative Latent Force Models
University of Edinburgh（爱丁堡大学）
动态系统的贝叶斯建模必须在提供过程的完整机械规范，同时保持处理数据相对于模型复杂性稀疏或完整规范难以激励的情况的灵活性之间实现折衷。潜力模型通过指定一个包含附加潜高斯过程（GP）强迫项的简约线性演化方程来实现这一双重目标。在这项工作中，我们扩展了潜在的力量框架，允许乘法之间的相互作用的GP和潜在的状态，导致更多的控制几何轨迹。不幸的是，推理不再是简单的，所以我们引入了一个近似的逐次逼近的方法的基础上，并使用模拟研究检查其性能。
2018-11-01 cs.LG stat.ML
Modelling Latent Travel Behaviour Characteristics with Generative Machine Learning
Ryerson University（瑞尔森大学）
在本文中，我们实现了一个信息理论的方法，通过引入一个生成建模框架，以确定信息的潜在特征，在旅游决策的旅行行为分析。它涉及使用受限玻尔兹曼机（RBM）生成建模框架开发联合三方贝叶斯图形网络模型。我们将此框架应用于模式选择调查数据，以识别抽象潜变量，并将性能与具有特定潜偏好（安全性、舒适性和环境）的传统潜变量模型进行比较。在加拿大魁北克省的一项联合声明和显示偏好模式选择调查中收集的数据被用来校准RBM模型。结果表明，一个显着的影响模型的似然统计，并建议机器学习工具是非常适合建模复杂的网络条件独立的行为相互作用。
2018-09-15 cs.LG stat.ML
Without Pain -- Clustering Categorical Data Using a Bayesian Mixture of Finite Mixtures of Latent Class Analysis Models
本文提出一种贝叶斯两层有限混合模型，用潜在类别分析近似簇分布，结合伸缩采样器和标签切换处理，实现对未知簇数多元分类数据的简约聚类，并在模拟和下背痛数据上验证了有效性。
2024-07-07 stat.ME
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
A Mutually-Dependent Hadamard Kernel for Modelling Latent Variable Couplings
我们引入了一个新的内核，模型的输入依赖耦合多个潜在的过程。成对联合核以相互依赖的方式测量沿输入和跨不同潜在信号的协方差。潜在相关高斯过程（LCGP）模型通过依赖于输入的混合矩阵将这些非平稳潜在分量组合成多个输出。通过变分贝叶斯推断得到多观测集的概率分类和支持度。几个数据集上的结果表明，LCGP模型可以恢复潜在信号之间的相关性，同时实现最先进的性能。我们突出了潜在的协方差与EEG分类数据集，其中潜在的大脑过程及其耦合同时出现的模型。
2017-10-03 stat.ML
A Bayesian binomial regression model with latent Gaussian processes for modelling DNA methylation
表观遗传观察结果由来自给定细胞池的读数总数和甲基化读数的数量表示，使得通过二项分布对该数据进行建模是合理的。有许多因素可以影响在特定区域的成功概率。此外，这些概率具有很强的空间（与基因组一起）依赖性。我们将依赖于协变量和空间依赖的甲基化概率的观察池的细胞通过一个二项式回归模型与潜在的高斯场和logit链接函数。我们采用贝叶斯方法，包括模型配置的先验规范。为了得到参数和模型的联合后验分布，我们在不同的协变量选择上运行跳模马尔可夫链蒙特卡罗算法（MJMCMC）。这还允许找到最佳协变量集以对感兴趣的基因组区域内的甲基化概率和协变量的个体边缘包含概率进行建模。
2020-04-28 q-bio.GN q-bio.QM stat.AP
Bayesian Pyramids: Identifiable Multilayer Discrete Latent Structure Models for Discrete Data
高维分类数据是生物医学和社会科学中的常规数据。建立可解释的简约模型，进行降维，并从这些离散数据中发现有意义的潜在结构是非常重要的。可识别性是在这种情况下进行有效建模和推理的基本要求，但当存在复杂的潜在结构时，解决这一问题具有挑战性。在这篇文章中，我们提出了一类可识别的多层（潜在的深）离散的潜在结构模型的离散数据，称为贝叶斯金字塔。我们建立了贝叶斯金字塔的可识别性，通过开发新的透明条件，对深潜有向图的形状。所提出的可辨识性条件能够在适当的先验条件下保证贝叶斯后验一致性。作为一个例子，我们考虑两个潜在层模型，并提出了贝叶斯收缩估计方法。该模型的仿真结果证实了模型参数的可辨识性和可估计性。DNA核苷酸序列数据的方法的应用程序发现有用的离散的潜在功能，是高度预测的序列类型。该框架为离散数据的可解释无监督学习提供了一种方法，并且可以成为流行的机器学习方法的有用替代方案。
2023-01-30 math.ST stat.ME stat.TH
Parametric Modelling of Multivariate Count Data Using Probabilistic Graphical Models
CIRAD（法国农业研究与国际合作组织）；Inria（法国国家信息与自动化研究所）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Laboratoire Jean Kuntzmann（让·库茨曼实验室）
多变量计数数据定义为从总体内的抽样中发布的不同类别的项目的数量，其中个体被分组到类别中。多变量计数数据的分析是许多建模问题中经常出现的关键问题，特别是在生物学和生态学（其中数据可以表示与多类型分支过程相关的儿童计数），社会学和计量经济学领域。我们专注于I）识别同时出现的类别，或者相反，相互排斥的类别。这是通过以下方式实现的：识别变量之间的条件独立关系; II）构建与这些关系一致的简约参数模型; III）表征和检验协变量对计数的联合分布的影响。为了实现这些目标，我们提出了一种基于图形概率模型的方法，更具体地说，部分有向无环图。
2013-12-16 cs.LG stat.ME 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
Spatial Latent Gaussian Modelling with Change of Support
针对不同空间支撑数据，提出贝叶斯空间潜在高斯模型，通过基函数与高斯马尔可夫随机场处理支撑变化，并在估计和预测中纳入不确定性，经模拟和实际数据验证。
2024-03-13 stat.ME
Spatial Bayesian Hierarchical Modelling with Integrated Nested Laplace Approximation
我们认为潜在的高斯场建模空间依赖的背景下，空间点模式和面积数据，提供两个不同的应用。利用随机偏微分方程，建立了描述希腊地震序列的非齐次对数高斯Cox过程模型。Besag-York-Mollie模型适用于意大利北部Covid-19感染的疾病映射。这两个模型都属于贝叶斯分层模型类的潜在高斯字段，其后验是不可用的封闭形式。因此，使用集成嵌套拉普拉斯近似执行推断，该集成嵌套拉普拉斯近似为感兴趣的后验量提供准确且相对快速的分析近似。
2020-09-08 stat.AP
Goal-oriented adaptive sampling under random field modelling of response probability distributions
在自然和人工复杂系统的研究中，不完全由所考虑的决策变量确定的响应通常是概率建模的，导致响应分布在决策空间中变化。我们考虑的情况下，这些响应分布的空间变化不仅涉及他们的平均值和/或方差，但也包括其他功能，例如形状或单模态与多模态。我们的贡献建立在一个非参数贝叶斯方法建模，从而诱导领域的概率分布，特别是空间扩展的逻辑高斯模型。所考虑的模型在候选点处提供响应分布的概率预测，例如允许执行概率密度函数的（近似）后验模拟，以联合预测目标分布的多个矩和其他泛函，以及量化收集新样本对感兴趣的分布场的知识状态的影响。特别是，我们引入自适应采样策略，利用所考虑的广义过程场模型的潜力，以目标为导向的方式指导系统评估，以期从非线性（随机）反演和全局优化中节俭地解决校准和相关问题。
2021-03-17 math.OC stat.AP stat.CO
A flexible class of latent variable models for the analysis of antibody response data
University of Birmingham（伯明翰大学）；Lancaster University（兰卡斯特大学）；Lund University（隆德大学）
本文提出了一种灵活的潜在变量模型，用于分析抗体反应数据，通过连续的潜在免疫反应表示个体免疫状态，提升了对年龄相关抗体分布变化的捕捉能力，并展示了模型的广泛适用性。
2026-02-24 stat.ME
A Bayesian Approach to Sparse plus Low rank Network Identification
研究了用稀疏动态贝叶斯网络模型对多元时间序列进行建模的问题。这种结构转化为稀疏加低秩模型。在本文中，我们提出了一个高斯回归方法来识别这样的模型。
2015-09-26 math.OC stat.ML
Disentangling Latent Risk Pathways via Bayesian Hypergraph Inference
University of Science and Technology of China（中国科学技术大学）
提出贝叶斯超图推断框架，通过风险因子调节的潜在疾病路径建模多疾病，实现可解释的高阶结构、校准的不确定性估计和罕见病改进预测。
2026-06-04 cs.LG stat.AP stat.ME
Finite mixtures in capture-recapture surveys for modelling residency patterns in marine wildlife populations
本文提出一种基于贝叶斯有限混合模型的捕获-再捕获方法，利用种群结构先验知识估计动物丰度，并通过模拟实验和2018-2020年台伯河河口瓶鼻海豚数据验证了其在种群规模与结构估计上的优势。
2023-09-19 stat.AP stat.OT
Conditionally linear, matrix normal state space models
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）
本文提出矩阵正态状态空间模型，推导矩阵卡尔曼滤波与贝叶斯推断算法，应用于美国50州宏观经济面板，以少量潜在因子实现高维系统的简约建模。
2026-09-17 econ.EM stat.ME
A New Reliable & Parsimonious Learning Strategy Comprising Two Layers of Gaussian Processes, to Address Inhomogeneous Empirical Correlation Structures
Brunel University London（伦敦布鲁内尔大学）
提出一种基于两层高斯过程的新学习策略，通过非平稳核处理数据相关结构的非均匀性，仅需每层每维一个超参数，并在真实数据上验证其有效性。
2024-04-18 cs.LG stat.ML
Unifying Linear-Time Attention via Latent Probabilistic Modelling
University College London, AI Centre（伦敦大学学院，人工智能中心）；UiPath
本文通过潜在概率建模统一线性时间注意力，提出定向参数化方法以解决方向性问题，并在语言建模中取得优于现有方法的性能。
2025-12-02 cs.CL stat.ML
Bayesian size-and-shape regression modelling
ETH Zurich（苏黎世联邦理工学院）；Università della Svizzera italiana（瑞士意大利语大学）；Polytechnic of Turin（都灵理工大学）；Sapienza University（罗马第一大学）
本研究基于已有成果，提出带高斯地标点的尺寸与形状响应变量回归模型的贝叶斯估计方法，该方法属于贝叶斯潜变量模型框架，具备高度灵活的建模能力。
2024-06-10 stat.ME
Learning Collapsed Patterns in Compositional Data: A Bayesian Heterogeneous Relative-Shift Approach
Indiana University Bloomington（印第安纳大学布卢明顿分校）；Michigan State University（密歇根州立大学）
提出贝叶斯异质性相对位移回归模型，联合学习潜在聚类和简约效应结构，通过投影收缩先验和有限混合先验实现，并开发了嵌入确定性替代塌缩算子的混合MCMC算法。
2026-06-05 stat.ME
Neighbour-Driven Gaussian Process Variational Autoencoders for Scalable Structured Latent Modelling
Department of Computer Science, University of Manchester, Manchester, UK（计算机科学系，曼彻斯特大学，曼彻斯特，英国）
提出邻居驱动的近似策略，利用潜空间局部邻接关系实现可扩展的GPVAE推理，在保留依赖性的同时减少诱导点需求，并在多项任务中优于其他GPVAE变体。
2025-08-15 cs.LG stat.ML
Robust Deep Mixture Models
The University of Queensland（昆士兰大学）
该研究提出一种基于通路级共享尺度混合构造的鲁棒深度混合模型，采用随机期望最大化算法估计参数，在重尾及污染场景下聚类性能优于深度高斯混合模型，可识别异质潜在结构并降低异常观测影响。
2026-08-20 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
Additive interaction modelling using I-priors
针对带交互项的加性回归模型估计与选择难题，研究将I-prior方法扩展至多协变量场景，提出交互模型简约设定，既简化参数估计又支持基于边际似然的模型选择。
2023-06-13 math.ST stat.ME stat.ML
A latent variable approach to heat load prediction in thermal grids
Luleå University of Technology（吕勒奥理工大学）；Optimation AB（奥普蒂梅申公司）；Uppsala University（乌普萨拉大学）
本文提出了一种区域能源系统热负荷预测的新方法。该方法使用标称模型预测的室外温度依赖的空间热负荷，和数据驱动的潜变量模型预测的时间依赖的余热负荷。余热负荷主要来自于空间供暖和通风的时间依赖性操作以及生活热水生产。由此产生的模型递归更新的超参数自由实现的基础上，在一个简约的模型，允许高的计算性能的结果。该方法被应用到一个单一的多住宅建筑在瑞典吕勒亚，预测热负荷使用相对较少的模型参数和容易获得的测量。使用人工神经网络的预测结果进行比较，表明该方法实现了更好的预测精度的验证情况。此外，所提出的方法通过使用可解释的物理模型表现出可解释的行为。
2020-02-13 cs.LG eess.SP stat.ML
A Latent Variable Approach to Gaussian Process Modeling with Qualitative and Quantitative Factors
Northwestern University（西北大学）
计算机模拟通常涉及定性和数值输入。现有的高斯过程（GP）方法主要是假设一个不同的响应面的水平的定性因素的每个组合，并通过多响应交叉协方差阵将它们联系起来。我们引入了一个基本不同的方法，每个定性因素映射到一个潜在的数值潜变量（LV），与映射值为每个级别估计类似的相关参数。这提供了一个简约的GP参数化，将定性因素视为数值变量，并将其视为通过类似的物理机制影响响应。这有很强的物理理由，因为在任何基于物理的模拟模型中，定性因素的影响必须始终归因于一些潜在的数值变量。即使当潜在的变量很多，足够的降维参数意味着他们的影响可以表示为一个低维LV。这一猜想得到了在各种示例中观察到的卓越预测性能的支持。此外，映射的LV提供了大量的洞察性质和影响的定性因素。
2019-01-30 cs.LG stat.ML
Recurrent Flow Networks: A Recurrent Latent Variable Model for Density Modelling of Urban Mobility
Technical University of Denmark（丹麦技术大学）
按需移动（MoD）系统代表了一种快速发展的交通模式，其中，由协调的车队动态地处理旅行请求。至关重要的是，国防部系统的效率高度依赖于供应和需求分布在时空空间中的对齐程度（即，为了满足用户的需求，汽车必须在正确的地点和所需的时间提供）。要做到这一点，我们认为，预测模型的目标应该明确解开时间和空间变化之间的城市交通需求的演变。然而，目前的方法通常忽略了这一区别，要么共同对待这两个来源的变异性，或完全忽略它们的存在摆在首位。在本文中，我们提出了循环流网络（RFN），我们探讨了（i）包含潜在的随机变量在循环神经网络的隐藏状态，以模拟时间的变化，和（ii）规范化的流量，以模拟移动性需求的空间分布。我们展示了预测模型如何明确地解开空间和时间的变化表现出几个理想的属性，并以经验表明，这使得生成的分布匹配潜在的复杂的城市拓扑结构。
2022-05-04 cs.LG stat.ML
Parsimonious Feature Extraction Methods: Extending Robust Probabilistic Projections with Generalized Skew-t
我们提出了一种新的概括学生t概率主成分方法：（1）占观察数据的非对称分布;（2）是一个框架，分组和广义多自由度结构，这提供了一个更灵活的方法来建模组的边缘尾部依赖的观察数据;（3）分离的尾部效应的误差项和因素。新的特征提取方法是在不完整的数据设置中导出的，以有效地处理观测向量中存在的缺失值。我们讨论了各种特殊情况下的算法是一个结果的简化假设的过程中产生的数据。新框架的适用性在由市值最高的加密货币组成的数据集上得到了说明。
2020-09-24 stat.AP stat.ME stat.ML
Gaussian Parsimonious Clustering Models with Covariates and a Noise Component
我们考虑基于模型的聚类方法的连续，相关的数据，占外部信息的混合型固定协变量的存在下，提出了MoEClust套件的模型。这些模型允许协变量的不同子集通过将混合物的参数建模为协变量的函数来影响组分重量和/或组分密度。一个熟悉的范围内的约束特征分解参数的组件协方差阵也容纳。因此，本文讨论了等价的目标，包括协变量的高斯简约聚类模型，并将简约协方差结构的高斯混合专家框架的所有特殊情况下。MoEClust模型在单变量和多变量数据集的应用中从这两个角度都表现出显着的改进。新的扩展，包括一个统一的噪声组件捕获离群值，并解决期望最大化算法的初始化，模型选择，和可视化的结果也提出了。
2021-07-13 stat.ME
From Complexity to Parsimony: Integrating Latent Class Analysis to Uncover Multimodal Learning Patterns in Collaborative Learning
Monash University（莫纳什大学）
本研究将潜在类别分析（LCA）整合到多模态学习分析（MMLA）中，将17个单模态指标映射为四个简约的潜在类别，并通过认知网络分析验证其在解释任务与协作表现上更优，为协作学习分析提供了更简约有效的方法。
2024-11-23 cs.HC cs.LG stat.ME
Multilevel latent class (MLC) modelling of healthcare provider causal effects on patient outcomes: Evaluation via simulation
如果需要对医疗保健提供者的绩效进行比较，则必须在提供者之间平衡患者的特征和感兴趣的健康状况，以便进行公平比较。这在观察性数据中不太可能可行，因为患者人群特征可能因地理位置而异，患者护理可能因健康状况特征而异。我们基于先前使用的真实世界数据集模拟了患者和提供者的数据，并在较高水平上分别考虑了二元和连续协变量效应。多层潜在类（MLC）建模提出了分区的预测重点在病人的水平（容纳casemix）和因果推断重点在供应商的水平。MLC模型恢复了一系列模拟的信任水平效应。中位恢复值几乎与二进制信任水平协变量的模拟值相同，并且我们观察到至少有3个潜在信任类的连续信任水平协变量的成功恢复。可信区间随着误差方差的增加而变宽。MLC方法成功地划分了预测和因果推断的建模，解决了这两种不同分析策略之间的潜在冲突。这改进了仅针对差异选择进行调整的策略。患者水平的变化和测量的不确定性被容纳在潜在的类。
2019-09-03 stat.AP stat.ME
Parsimonious Factor Models for Asymmetric Dependence in Multivariate Extremes
University of Melbourne（墨尔本大学）；UNSW Sydney（新南威尔士大学）
本文提出了一种稀疏因子模型，用于捕捉多变量极值中的非对称依赖结构，通过极值理论推导并验证了其在实际数据中的有效性。
2025-12-04 stat.ME
Joint Modelling of Multiple Network Views
Hoff等人（2002）在网络的每个节点在D维欧氏潜在空间中有一个未知位置的基本假设下引入了网络数据的潜在空间模型（LSM）：通常潜在空间中两个节点之间的距离越小，它们连接的概率越大。在本文中，我们提出了一个变分贝叶斯方法来估计的LSM的棘手后验。在许多情况下，同一组节点上的不同网络视图可用。因此，建立一个能够共同总结所有网络视图给出的信息的模型可能是有用的。为此，我们引入潜在空间联合模型（LSJM），它合并了多个网络视图给出的信息，假设每个网络视图中的节点与其他节点连接的概率由一个唯一的潜在变量来解释。这一模型通过对两个数据集的分析得到证明：“青少年朋友和生活方式研究”中50名女孩在三个时间点的数据摘录和酿酒酵母基因和物理蛋白质-蛋白质相互作用。
2014-09-25 stat.AP stat.ME
How does academic performance affect self-efficacy? Interpretable modelling through latent academic achievement
Human Technology Institute, University of Technology Sydney（人类技术研究所，悉尼科技大学）；School of Mathematical and Physical Sciences, University of Technology Sydney（数理科学学院，悉尼科技大学）
本文提出贝叶斯模型，将潜在学业成就作为预测变量纳入自我效能回归，并通过变量选择识别相关因素，揭示学业成就与自我效能的关系。
2026-07-01 stat.AP stat.ME
High-dimensional factor copula models with estimation of latent variables
因子模型是一种使用几个潜在变量来解释变量相关性的简约方法。在高斯单因子和结构因子模型（如双因子、斜因子）及其因子Copula对应模型中，因子得分或代理被定义为给定观测变量的潜变量的条件期望。在温和的假设下，当样本量和与每个潜变量相关的观测变量的数量趋于无穷大时，相应潜变量的代理是一致的。在没有预先假设连接观测变量和潜变量的二元copula函数的情况下，采用序贯方法进行潜变量估计、copula函数族选择和参数估计。使用代理变量的因子copula意味着近似的对数似然可以用来估计copula参数与更少的计算工作量的数值积分。
2022-05-28 math.ST stat.ME stat.TH
Modelling heterogeneity in Latent Space Models for Multidimensional Networks
多维网络数据可以具有不同的复杂程度，因为节点可以由异构的个体特定特征表征，这些特征可以在网络中变化。本文介绍了一类多维网络数据的模型，其中可以考虑不同层次的网络内和网络之间的异构性。所提出的框架是在潜在空间模型家族中开发的，其目的是区分节点和节点特定特征之间的对称关系。通过马尔可夫链蒙特卡罗算法估计模型参数。仿真数据和应用程序的一个真实的例子，水果进口/出口数据，被用来说明和评论所提出的模型的性能。
2019-06-07 stat.ME
Latent Space Modelling of Hypergraph Data
描述目标人群之间相互作用的关系数据越来越普遍，促使了关于统计网络分析的广泛文献。在许多应用中，交互可能涉及两个以上的群体成员，这些数据更适合用超图表示。在本文中，我们提出了一个模型的超图数据扩展了完善的潜在空间的方法图，并通过绘制一个连接到计算拓扑结构，我们开发了一个模型，其可能性是廉价的计算。提出了一种延迟接受MCMC方案来获得后验样本，我们依靠Bookstein坐标来消除与潜在表示相关的可识别性问题。我们从理论上研究在我们的框架下生成的超图的度分布，并通过模拟，我们研究我们的模型的灵活性，并考虑预测分布的估计。最后，我们将探讨我们的模型在两个真实世界数据集上的应用。
2021-11-02 stat.ME
Modelling Ordinal Responses with Uncertainty: a Hierarchical Marginal Model with Latent Uncertainty components
在回答评级问题时，个人可能会根据他/她的知识/意识或他/她的犹豫不决/不确定性水平给出答案，通常由回答风格驱动。由于忽略这种双重行为可能会导致误导性的结果，我们定义了一个多变量模型的顺序评级反应，通过引入，为每个项目，一个二元潜变量，区分意识不确定的反应。潜在变量和可观察变量之间的一些独立假设描述了不确定行为，并使模型更容易解释。通过指定概率分布来模拟不确定的响应，这些概率分布可以描述表征不确定评定者的不同响应风格。边际参数化允许一个简单和直接的解释的参数之间的关联意识到的反应和他们的依赖解释因素。该模型的有效性证明通过应用到实际数据和支持的蒙特卡罗研究。
2018-05-16 stat.ME
Model Based Clustering for Mixed Data: clustMD
一个基于模型的聚类过程的混合型数据，clustMD，开发使用的潜变量模型。它提出了一个潜在的变量，下面的混合高斯分布，产生混合型的观测数据。观测数据可以是连续、二元、有序或名义变量的任何组合。clustMD采用了一个简约的协方差结构的潜在变量，导致一套六个聚类模型的复杂性不同，并提供了一个优雅的和统一的方法来聚类混合数据。期望最大化（EM）算法用于估计clustMD;在存在标称数据的情况下，需要蒙特卡罗期望最大化算法。clustMD模型通过聚类模拟的混合型数据和前列腺癌患者来说明，在这些患者上已经记录了混合数据。
2015-11-05 stat.ME
Can a latent Hawkes process be used for epidemiological modelling?
Imperial College London（伦敦帝国理工学院）
了解COVID-19的传播一直是众多研究的主题，突出了可靠的流行病模型的重要性。在这里，我们介绍了一种新的流行病模型，使用时间协变量的潜在Hawkes过程建模的感染。与其他模型不同的是，我们通过由潜在的霍克斯过程驱动的概率分布对报告的病例进行建模。通过Hawkes过程对感染进行建模，使我们能够估计受感染个体被谁感染。我们提出了一个核密度粒子滤波器（KDPF）的推理的潜在情况下，再生数和预测的新情况下，在不久的将来。计算工作量与感染的数量成比例，使得可以使用粒子滤波器类型的算法，例如KDPF。我们在英国各地方当局的合成数据集和COVID-19报告病例上展示了所提出算法的性能，并将我们的模型与替代方法进行了基准测试。
2022-08-15 cs.LG q-bio.PE stat.ME
Deep Recurrent Modelling of Granger Causality with Latent Confounding
University College London（伦敦大学学院）
当无法进行干预时，推断观测时间序列数据中的因果关系是一项重要任务。Granger因果关系是一个流行的框架来推断不同时间序列之间的潜在因果机制。格兰杰因果关系的原始定义仅限于线性过程，并在存在潜在混淆因素的情况下导致虚假结论。在这项工作中，我们利用递归神经网络的表达能力，并提出了一种基于深度学习的方法，通过直接考虑潜在的混杂因素来建模非线性格兰杰因果关系。我们的方法利用多个递归神经网络来参数化预测分布，并且我们提出了使用双解码器设置来进行Granger测试的新方法。我们展示了非线性随机时间序列的模型性能，其中潜在的混淆因素影响不同时滞的因果关系;结果显示了我们的模型与现有基准相比的有效性。
2022-02-23 cs.LG stat.ME
