Comparison of Gaussian process modeling software
高斯过程拟合或克里金法通常用于从一组数据创建模型。许多可用的软件包做到这一点，但我们表明，即使使用相同的数据和模型，可以从不同的包得到非常不同的结果。我们描述了在四个不同平台上运行的八个不同的拟合包所使用的参数化，功能和优化。然后，我们使用各种数据函数和数据集比较这八个软件包，发现软件包之间存在明显的差异。除了比较预测精度外，还评估了预测方差-这对于评估预测精度很重要，并且经常用于停止标准。
2017-10-09 stat.CO
MAGI: A Package for Inference of Dynamic Systems from Noisy and Sparse Data via Manifold-constrained Gaussian Processes
MAGI是一个贝叶斯框架下的软件包，利用流形约束高斯过程从噪声稀疏数据中推断非线性常微分方程动态系统的未知参数，并处理未观测组件，支持R、MATLAB和Python。
2023-10-16 stat.CO
Twenty ways to estimate the Log Gaussian Cox Process model with point and aggregated case data: the rts2 package for R
该论文介绍了R包rts2，提供了二十种估计Log高斯Cox过程模型的方法，包括数据处理工具和针对聚合数据的新颖实现，支持实时监测和不确定性量化。
2024-03-14 stat.CO
Gaussian process modelling of infectious diseases using the Greta software package and GPUs
本研究利用基于Tensorflow的Greta软件，将高斯过程回归应用于传染病时空数据，通过GPU加速实现最高70%的计算时间缩减，并探讨协方差核选择对预测传播的影响，以英格兰结核病数据为例验证。\n
2025-03-28 stat.CO
GPfit: An R package for Gaussian Process Model Fitting using a New Optimization Algorithm
高斯过程（GP）模型是常用的统计元模型，用于仿真昂贵的计算机仿真器。如果输入空间中的任何一对设计点靠近在一起，则拟合GP模型在数值上可能不稳定。Ranjan，Haynes和Karsten（2011）提出了一种计算稳定的方法，用于将GP模型拟合到确定性计算机模拟器。他们使用了一种基于遗传算法的方法，这种方法是鲁棒的，但计算量很大，可以最大化可能性。本文实现了Ranjan等人（2011）提出的模型的略微修改版本，作为新的R包GPfit。一种新的参数化的空间相关函数和一个新的多开始基于梯度的优化算法产生的优化，是强大的，通常比基于遗传算法的方法更快。我们给出了两个R代码的例子来说明GPfit中主要函数的用法。几个测试函数用于与流行的R包mlegp进行性能比较。GPfit是一个自由软件，并根据通用公共许可证分发，作为R软件项目的一部分（R开发核心团队2012）。
2013-05-03 stat.CO
nimblewomble: An R package for Bayesian Wombling with nimble
介绍nimblewomble软件包，用于在R环境中用nimble语言执行边界分析，通过特定函数实现高斯过程模型及预测推断，展示基于模型的贝叶斯推断并提供不确定性量化。
2026-07-28 stat.CO stat.ME
New frontiers in Bayesian modeling using the INLA package in R
INLA软件包为各种广泛使用的模型（更正式的是潜在高斯模型类）提供了一种计算效率高的贝叶斯建模和推理工具。它是一个基于非采样的框架，使用稀疏矩阵为贝叶斯推断提供近似结果。这种贝叶斯建模框架的迅速采用植根于该方法的计算效率，并受到大数据时代提出的需求的催化。在本文中，我们提出了新的发展内的INLA包的目的是提供一个计算效率高的机制，贝叶斯推断的相关挑战性的情况。
2019-07-25 stat.CO stat.ME
BayesBD: An R Package for Bayesian Inference on Image Boundaries
我们提出了BayesBD包提供贝叶斯推断噪声图像的边界。BayesBD软件包实现了灵活的高斯过程先验，通过圆索引来恢复二进制或高斯噪声图像中的边界，具有对估计边界的保证几何限制，（接近）最小最大最优和平滑自适应收敛速度以及在某些假设下方便的联合推断的优点。我们的模型的核心采样任务具有线性复杂性，并且我们使用Rcpp和RcppArmadillo包在c++中的实现在计算上是高效的。用户可以在Rgui和相应的shiny应用程序中访问包的全部功能。此外，该软件包还包括许多实用功能，以帮助用户准备数据和分析结果。我们使用模拟和实际数据应用程序与选定的现有软件包进行比较，并展示了BayesBD的出色性能和灵活性，即使观察包含可能违反其假设的复杂结构信息。
2017-08-21 stat.CO
GPTreeO: An R package for continual regression with dividing local Gaussian processes
University of Oslo（奥斯陆大学）
GPTreeO是一个用于持续学习问题的可扩展高斯过程回归R包，基于DLGP算法动态构建局部回归器二叉树，并扩展了超参数持续优化、不确定性校准和新分区策略，提供计算速度与准确性的精细控制。
2024-10-17 cs.LG stat.CO
BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs
Università Cattolica del Sacro Cuore（天主教圣心大学）；Università degli Studi di Milano-Bicocca（米兰比可卡大学）
有向无环图（DAG）提供了一个强大的框架来模拟多变量环境中变量之间的因果关系;此外，通过do-calculus理论，它们允许从纯观测数据中识别和估计变量之间的因果关系。在这种情况下，从数据中推断DAG结构的过程被称为因果结构学习或因果发现。我们介绍了BCDAG，一个用于贝叶斯因果发现和高斯观测数据因果效应估计的R包，实现了Castelletti和Mascaro（2021）提出的马尔可夫链蒙特卡罗（MCMC）方案。我们的实现可以有效地扩展观测的数量，并且只要DAG足够稀疏，就可以扩展数据集中的变量数量。该软件包还提供了收敛诊断和可视化和总结后验推理的功能。在本文中，我们提出了基本方法的主要特点，以及其在BCDAG中的实现。然后，我们说明了真实和模拟数据集上的主要功能和算法。
2022-01-28 cs.LG stat.ME stat.ML
Joint models as latent Gaussian models - not reinventing the wheel
近年来，随着向各个方向的扩展，联合模型受到越来越多的关注;其中包括许多风险函数、不同的关联结构、线性和非线性纵向轨迹。其中许多导致了新的R包和联合模型的新公式。然而，具有线性双变量高斯关联结构的联合模型仍然是潜在高斯模型（LGM），因此可以使用大多数现有的LGM包来实现。在本文中，我们将表明，这些联合模型可以实现从一个LGM的观点使用R-INLA包。作为一个特殊的例子，我们将集中在一个非线性的纵向轨迹的联合模型，最近开发的部分线性联合模型。而不是通常的样条方法，我们认为使用贝叶斯平滑样条框架的关节模型，是稳定的结的选择，因此不那么麻烦的从业者。
2019-01-27 stat.ME
cyclinbayes: Bayesian Causal Discovery with Linear Non-Gaussian Directed Acyclic and Cyclic Graphical Models
Texas A&M University（德克萨斯农工大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
cyclinbayes通过贝叶斯方法实现线性非高斯有向无环和有环图模型的因果发现，提供全面的不确定性量化和高效的MCMC算法。
2026-02-24 stat.CO
stLMM: Bayesian Spatial and Space-Time Linear Mixed Models for Small-Area Ecological Estimation
Department of Forestry, Michigan State University（密歇根州立大学林学院）；Department of Statistics and Probability, Michigan State University（密歇根州立大学统计与概率学院）
研究为小区域生态估计开发stLMM包，有多种潜在效应公式接口，采用共享稀疏精度实现，给出从模型拟合到预测等的后验抽样工作流程，以华盛顿县生物量示例展示。
2026-11-13 stat.CO stat.ME
Species distribution modelling with spatio-temporal nearest neighbour Gaussian processes
1.）的人。在生态调查中，难以分析的时空数据集是常见的。有软件包可用于分析这些数据集，但其中许多需要高级编码技能。人们越来越需要易于使用的软件包，研究人员可以用它来分析常见的生态数据集2。我们开发了一个特定的广义线性混合模型的时空点参考数据，是足够灵活的，以适应大多数生态调查的数据，同时被结构化，以方便分析，而无需先进的编码。我们在staRVe包中的实现使用了最近邻高斯过程的计算效率版本，从而能够分析相对较大的数据集。3.）第三章一个简短的模拟研究表明，我们的模型产生准确的预测和预报，而卡罗莱纳州的鹪鹩调查的教程分析建议分析的建议工作流程。我们还分析了一个更复杂的黑线鳕科学调查，以展示我们的模型的能力。4.）我们的模型和软件包是可以很容易地添加到研究人员的工作流程中的工具，以帮助理解生态调查数据。我们强调我们的模型创建有用的可视化数据，然后可以导致识别物种分布的重要趋势的能力。
2021-10-05 stat.AP stat.ME
Bayesian inference for case-control point pattern data in spatial epidemiology with the \texttt{inlabru} R package
本研究针对空间流行病学中的病例-对照点模式数据分析问题，提出基于inlabru R包和INLA方法的贝叶斯分析框架，可评估空间风险变异、风险因素及污染源效应，经Chorley-Ribble数据集验证结果与文献一致。
2025-03-19 stat.CO stat.ME
Vecchia-Laplace approximations of generalized Gaussian processes for big non-Gaussian spatial data
广义高斯过程（GGP）是一种高度灵活的模型，它将潜在的GP与来自指数族的潜在非高斯似然相结合。GGP可以用于各种设置，包括GP分类，非参数计数回归，非高斯空间数据建模和分析点模式。然而，对GGP的推断在分析上可能是难以处理的，并且由于GP协方差阵的求逆，大型数据集带来计算挑战。我们提出了一个Vecchia-拉普拉斯近似的GGP，它结合了一个拉普拉斯近似的非高斯似然与计算效率的Vecchia近似的GP，从而在一个简单的，一般的，可扩展的，和准确的方法。我们提供模拟和真实空间数据的数值研究和比较。我们的方法在一个免费的R包中实现。
2020-06-04 stat.CO stat.ME
Implementing Approximate Bayesian Inference using Adaptive Quadrature: the aghq Package
介绍了用自适应求积实现近似贝叶斯推断的aghq软件包。该方法和软件进行了描述，并说明了在几个具有挑战性的低维和高维模型的近似贝叶斯推断包的使用。例子包括传染病模型;用于估计银河系质量的天体统计模型;基于非高斯模型的地质统计学中的两个例子，包括一个包含零膨胀的例子，这是不容易使用其他方法拟合的;零膨胀，过度分散计数数据的模型。aghq软件包与用于自动微分和拉普拉斯近似的流行的TMB接口特别兼容，并且该软件的现有用户可以使用非常少的附加代码使用aghq进行近似贝叶斯推断。aghq包可以从CRAN获得，本文中所有示例的完整代码可以在https://github.com/awstringer1/aghq-software-paper-code上找到。
2021-06-21 stat.CO
Bayesian spatially varying coefficient models in the spBayes R package
本文描述并说明了spBayes（版本0.4-2）R包中用于拟合空间变系数模型的新功能。新的spSVC函数使用计算效率高的马尔可夫链蒙特卡罗算法，并扩展了仅拟合空间变化截距回归模型的当前spBayes函数，以拟合回归设计矩阵中任意列集的独立或多元高斯过程随机效应。讨论并演示了spSVC的新添加的OpenMP并行化选项，以及用于联合和逐点预测以及模型拟合诊断的帮助函数。所提出的模型的效用说明使用PM10分析在中欧。
2019-12-30 stat.CO
Gaussian process single-index models as emulators for computer experiments
单指数模型（SIM）通过将参数（线性）投影与单变量非参数（非线性）回归模型相结合来提供简约的多维非线性回归。我们表明，一个特定的高斯过程（GP）制定是简单的工作和理想的模拟器，为某些类型的计算机实验，因为它可以优于典型的可分离的GP回归模型通常用于这种设置。我们的贡献集中在大幅简化，重新解释，然后推广最近提出的完全贝叶斯GP-SIM组合，然后说明其良好的性能合成数据和真实数据的计算机实验。在CRAN上发布的两个R软件包已经被增强，以便于在我们提出的模型下进行推理。
2011-08-17 stat.CO stat.ME
Parallelizing Gaussian Process Calculations in R
我们考虑并行计算的高斯过程计算，以克服计算和内存的限制，可以分析的数据集的大小。使用混合并行化方法，使用线程（共享内存）和消息传递（分布式内存），我们实现了空间统计学和高斯过程回归中使用的核心线性代数运算在R包称为bigGP，依赖于C和MPI。该方法将矩阵划分为块，使得计算负载在进程之间平衡，而进程之间的通信是有限的。该软件包提供了一个API，使R程序员能够通过使用分布式线性代数运算来实现基于高斯过程的方法，而无需任何C或MPI编码。我们通过分析n= 67，275观测的天体物理数据集来说明方法和软件。
2013-05-21 cs.MS stat.CO
pivmet: Pivotal Methods for Bayesian Relabelling and k-Means Clustering
组的原型（即，表示不同数据点组的数据集的元素）的识别可以与聚类、分类和混合建模的任务相关。本文提出的R包pivmet包括从数据集中提取关键单元的不同方法。关键方法的主要应用之一是马尔可夫链蒙特卡罗（MCMC）重新标记过程，以解决混合模型贝叶斯估计中的标签转换问题。每种方法都返回后验估计，以及一组用于可视化输出的图形工具。该软件包提供JAGS和Stan高斯混合采样程序，并允许用户定义先验参数。该软件包还提供了基于关键单元执行共识聚类的功能，这可以允许通过仔细播种来改进经典技术（例如，k均值）。本文提供了应用程序的例子，真实和模拟数据集。
2021-03-31 stat.CO stat.ME
Novel Bayesian Procrustes Variance-based Inferences in Geometric Morphometrics & Novel R package: BPviGM1
与丰富的经典几何学文献相比，到目前为止，几何形态测量学中的Procrustes形状分析的贝叶斯文献很少，可能是因为它是统计研究的一个相对较新的分支，并且与贝叶斯分析相关的固有计算困难。此外，我们可以从形状参数分布的贝叶斯Procrustes分析中获得过多的新推论。在本文中，我们建议把后验的Procrustes形状方差的形态变异性指标。在这里，我们提出了新的贝叶斯方法Procrustes形状分析的基础上地标数据的各向同性方差假设，并提出了一个贝叶斯统计检验模型验证的新物种发现使用的形态变化反映在后验分布的地标方差的对象下研究几何形态计量学。我们将考虑基于高斯分布和基于重尾t分布的模型进行Procrustes分析。到目前为止，我们还不知道有任何直接的R包用于基于地标的几何形态学的贝叶斯Procrustes分析。因此，我们介绍了一个新颖的，简单的R包\textbf{BPviGM1}（“Bayesian Procrustes Variance-based inferences in Geometric Morphometrics 1”），其基本上包含用于所提出的模型和方法的计算的R代码实现，如马尔可夫链蒙特卡罗（MCMC）R函数运行用于从关注参数的后验中抽取样本，R函数用于基于显著性形态学的模型验证的拟议贝叶斯检验变化量作为一个应用，我们可以定量地表明，灵长类动物的男性面孔可能是遗传可行的…
2021-01-19 stat.CO stat.ME
PyINLA: Fast Bayesian Inference for Latent Gaussian Models in Python
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
本文介绍PyINLA，一个Python包，提供直接接口到inla程序，用于指定潜在高斯模型、运行基于INLA的推断并获取后验摘要，整合到科学计算流程中。
2026-03-28 cs.MS stat.AP stat.CO
High-Dimensional Bayesian Regularised Regression with the BayesReg Package
贝叶斯惩罚回归技术，如贝叶斯套索和贝叶斯马蹄估计，最近在统计文献中受到了大量的关注。然而，在通用马尔可夫链蒙特卡罗平台（如STAN）之外，实现最先进的贝叶斯惩罚回归的软件相对较少。本文介绍了一个新的工具箱bayesreg，用于拟合具有连续收缩先验密度的贝叶斯惩罚回归模型。该工具箱的特点是具有高斯或重尾误差模型的贝叶斯线性回归和具有岭、套索、马蹄和马蹄$+$估计量的贝叶斯逻辑斯谛回归。该工具箱是免费的，开源的，可用于MATLAB和R数值平台。
2016-12-20 stat.CO
Advanced Bayesian Multilevel Modeling with the R Package brms
brms包允许R用户轻松地指定各种贝叶斯单级和多级模型，这些模型在后台使用概率编程语言Stan进行拟合。支持几种响应分布，其中所有参数（例如，位置、规模和形状），从而允许分布回归。非线性关系可以使用非线性预测项或半参数方法（如样条或高斯过程）来指定。为了使所有这些建模选项在多级框架中成为可能，brms提供了一个直观而强大的公式语法，它扩展了众所周知的lme4公式语法。本文的目的是详细介绍这种句法，并通过四个例子证明它的实用性，每个例子都显示了句法的其他相关方面。
2017-10-15 stat.CO
RobustCalibration: Robust Calibration of Computer Models in R
本文介绍R包RobustCalibration，通过统计模拟器、贝叶斯与最大似然方法及高斯随机过程，解决计算昂贵的计算机模型校准与数据反演问题。
2024-02-19 stat.AP stat.CO
Robustly fitting Gaussian graphical models: the R-package robFitConGraph
给出了对R包robFitConGraph的教程式介绍。后者为高斯图形模型提供了一个强大的拟合优度测试。它的使用在音乐表演焦虑的数据示例中得到了证明，这也说明了为什么人们想要拟合高斯图形模型-以及为什么人们应该这样做。基本的统计理论进行了简要说明。本文描述了从2022年12月1日起在CRAN上提供的软件包版本0.4.1。请访问https://CRAN.R-project.org/package=robFitConGraph
2022-12-01 stat.CO stat.ME
BayesMortalityPlus: A package in R for Bayesian graduation of mortality modelling
本文介绍 R 软件包 BayesMortalityPlus，它整合 Heligman-Pollard、动态线性平滑及贝叶斯 Lee-Carter 模型，用于死亡率建模、预测与不确定性评估。
2023-06-02 stat.AP stat.CO
Local likelihood estimation for covariance functions with spatially-varying parameters: the convoSPAT package for R
尽管基于卷积的方法对非平稳空间建模很有兴趣和吸引力，但用于模型拟合的现成软件尚未存在。基于卷积的模型非常灵活，但众所周知，即使是相对较小的数据集也很难拟合。由于普遍缺乏用于模型拟合的预包装选项，因此很难将非平稳建模中的新方法与其他现有方法进行比较，因此大多数新模型只是与平稳模型进行比较。使用卷积为基础的方法，我们提出了一个新的非平稳协方差函数的空间高斯过程模型，允许有效的计算在两个方面：第一，通过离散的混合或“混合成分”模型表示的空间变化的参数，第二，通过估计的混合成分的参数，通过局部似然方法。为了使基于卷积的非平稳空间模型的计算更容易实现，本文还介绍了R.非平稳模型是适合于一个合成的数据集和一个真正的数据应用，涉及年降水量，以证明该软件包的能力。
2017-02-03 stat.CO
Scalable Gaussian Process Inference with Stan
本文在Stan中实现了两种扩展高斯过程推断的方法，包括基于有向无环图的稀疏近似和基于快速傅里叶变换的精确方法，并通过基准实验和实例为从业者提供选择指导。
2024-01-10 stat.CO stat.ME
Bayesian Structure Learning in Sparse Gaussian Graphical Models
用相对较少的观测数据解读大量变量之间的复杂关系是科学中的关键问题之一。解决这个问题的一种方法是高斯图形建模，它通过底层图中边的存在或不存在来描述变量的条件独立性。在本文中，我们介绍了一种新的和有效的贝叶斯框架的高斯图形模型的确定，这是一个跨维的马尔可夫链蒙特卡罗（MCMC）方法的基础上的连续时间生灭过程。我们涵盖了该方法的理论和计算细节。它易于实现，计算上可行的高维图。我们表明，我们的方法优于其他贝叶斯方法的收敛性，混合在图空间和计算时间。与频率主义方法不同，它为结构学习提供了一种原则性的，在实践中也是明智的方法。我们说明了广泛的模拟数据的方法的效率。然后，我们将该方法应用于人类和乳腺基因表达研究的大规模实际应用中，以显示其经验有用性。此外，我们在R软件包BDgraph中实现了该方法，该软件包可在http://CRAN.R-project.org/package=BDgraph免费获得
2019-04-25 stat.ME
A clustered Gaussian process model for computer experiments
高斯过程是计算机仿真的重要方法之一。然而，高斯过程的平稳性假设和大规模数据集的复杂性限制了它在实际应用中的有效性。在这篇文章中，我们提出了一个聚类的高斯过程模型，该模型将输入数据分成多个聚类，在每个聚类中执行一个高斯过程模型。随机期望最大化被用来有效地拟合模型。在我们的模拟以及太阳辐照度仿真的实际应用中，我们提出的方法比其主要竞争对手具有更小的均方误差，具有竞争力的计算时间，并通过发现集群提供了有价值的见解。在一个开放的存储库中提供了用于拟议方法的R包。
2020-11-05 stat.ME
acebayes: An R Package for Bayesian Optimal Design of Experiments via Approximate Coordinate Exchange
我们描述的R包acebayes，并证明其使用贝叶斯最优试验设计。一个决策理论的方法，采用最优设计最大化的预期效用。为现实问题寻找贝叶斯最优设计是具有挑战性的，因为期望效用通常是棘手的，并且设计空间可能是高维的。该软件包实现了近似坐标交换算法，通过一系列有条件的一维优化步骤来优化（近似）预期效用。在每个步骤中，使用高斯过程回归模型来近似并随后优化作为单个设计坐标（一个可控变量对于一次实验运行所取的值）的函数的预期效用。除了用户自定义效用函数的定制设计问题的功能外，acebayes还提供了为常见的广义线性和非线性模型找到设计的功能。该软件包提供了一个步骤的变化，可以解决的问题的复杂性，使设计可以找到更多的变量和运行比以前可能的。我们提供了四个说明性的例子，不同的复杂性，设计的参数估计，模型选择和预测的目标的方法的应用教程。这些例子展示了以前看不见的acebayes功能。
2018-12-26 stat.CO
deepspat: An R package for modeling nonstationary spatial and spatio-temporal Gaussian and extremes data through deep deformations
Research School of Finance, Actuarial Studies and Statistics, Australian National University（澳大利亚国立大学金融、精算与统计研究学院）；Statistics Program, CEMSE Division, King Abdullah University of Science and Technology（阿卜杜拉国王科技大学CEMSE学部统计学项目）；School of Mathematics and Applied Statistics, University of Wollongong（伍伦贡大学数学与应用统计学院）
deepspat通过深度变形方法实现非平稳空间和时空数据的建模与预测，适用于高斯和极值数据。
2025-12-09 stat.CO stat.ME
FBMS: An R Package for Flexible Bayesian Model Selection and Model Averaging
Stockholm University（斯德哥尔摩大学）；University of Oslo（奥斯陆大学）；NMBU（挪威生命科学大学）
本研究推出R包FBMS，核心采用高效MJMCMC算法优化贝叶斯广义线性模型的多峰后验混合，还提供GMJMCMC算法支持非线性特征生成与贝叶斯广义非线性模型估计，可适配多种复杂回归建模场景。
2025-08-31 cs.LG stat.AP stat.CO
Improving the INLA approach for approximate Bayesian inference for latent Gaussian models
本文引入了一种新的基于Copula的广义线性混合模型修正方法，并将其应用于潜在高斯模型的近似贝叶斯推断的集成嵌套拉普拉斯近似（INLA）方法中.虽然INLA通常非常准确，但一些（相当极端）GLP-A病例（例如，二项式或泊松数据）被认为是有问题的。当模型中的平滑程度或“借用强度”非常低时，可能会出现不准确，因此我们开发了一种修正方法，旨在扩大INLA的适用范围。我们的新校正已被实现为R-INLA包的一部分，只增加了微不足道的计算成本。对真实数据和模拟数据的实证分析表明，该方法效果良好。
2015-12-15 math.ST stat.CO stat.ME
meta4diag: Bayesian Bivariate Meta-analysis of Diagnostic Test Studies for Routine Practice
本文介绍了\proglang{R}软件包\pkg{meta4diag}，用于实现诊断试验研究的贝叶斯双变量荟萃分析。我们的软件包\pkg{meta4diag}是\proglang{R}软件包\pkg{INLA}的专用前端。虽然\pkg{INLA}使用集成嵌套拉普拉斯近似为大量潜在高斯模型提供了完整的贝叶斯推理，但\pkg{meta4diag}提取了二元荟萃分析所需的特征，并以直观的方式呈现它们。它允许用户一个简单的模型规格，并提供用户特定的先验分布。此外，新提出的惩罚复杂性先验框架的支持，建立在先验的直觉的行为的方差和相关参数。准确的后验边缘分布的灵敏度和特异性以及所有的超参数，和协变量直接获得没有马尔可夫链蒙特卡罗采样。此外，感兴趣的单变量估计，如比值比，以及SROC曲线和其他常见图形可直接用于解释。交互式图形用户界面为用户提供了软件包的全部功能，而无需任何\proglang{R}编程。该软件包可通过CRAN \url{https://cran.r-project.org/web/packages/meta4diag/}获得，并将使用三个真实数据示例说明其用法。
2016-07-07 stat.AP stat.ME
Bayesian computing with INLA: new features
INLA方法的近似贝叶斯推断的潜在高斯模型已被证明是一个有价值的工具，在实践中，通过R-包R-INLA的后验边缘的快速和准确的估计。在本文中，我们正式的R-INLA包的新发展，并显示这些功能如何大大扩展了模型的范围，可以通过这个接口进行分析。我们还讨论了目前的默认方法在R-INLA近似后边缘的超参数，只使用一个适度数量的联合后验分布的超参数的评估，而不需要任何数值积分。
2013-02-20 stat.CO
TMB: Automatic Differentiation and Laplace Approximation
TMB是一个开源的R软件包，可以快速实现复杂的非线性随机效应（潜在变量）模型，其方式类似于已建立的AD模型构建器软件包（ADMB，admb-project.org）。此外，它还提供了方便的并行计算。用户将数据和随机效应的联合似然定义为C++模板函数，而所有其他操作都在R中完成;例如，读取数据。该软件包评估并最大化边际似然的拉普拉斯近似，其中随机效应自动积分出来。这种近似及其衍生物是使用联合似然的自动微分（最多三阶）获得的。对于具有许多随机效应（~10^6）和参数（~10^3）的问题，计算被设计为快速。使用ADMB和TMB的计算时间进行了比较，从简单的模型到大型空间模型，其中随机效应是高斯随机场的一套例子。加速范围从1.5到约100获得与大问题的增益增加。该软件包和示例可在http://tmb-project.org上获得。
2015-09-02 stat.CO
BPEC: An R Package for Bayesian Phylogeographic and Ecological Clustering
BPEC是贝叶斯系统地理学和生态聚类的R软件包，它允许地理，环境和表型测量与DNA序列相结合，以揭示迁移事件导致的聚类结构。DNA序列的建模使用一个简化的合并模型投影到单倍型树，随后引起的迁移发生的约束聚类的折叠版本。在每个聚类中，使用协变量（地理，环境，表型）的多变量高斯分布。推断遵循定制的可逆跳跃马尔可夫链蒙特卡罗采样，使得聚类的数量（即，迁移）不需要预先指定。提供了许多输出图和可视化，反映了感兴趣的参数的后验分布。BPEC还包括创建可加载到Google Earth中的输出文件的函数。包命令说明通过一个例子数据集的多型近东棕色青蛙蛙macrocnemis使用BPEC分析。
2018-09-18 stat.AP
Vecchia-approximated Deep Gaussian Processes for Computer Experiments
深度高斯过程（DGP）通过函数组合升级普通GP，其中中间GP层扭曲原始输入，为非平稳动态建模提供灵活性。在最近的文献中出现了两种DGP制度。在机器学习中流行的“大数据”机制有利于近似的、基于优化的推理，以实现快速、高保真的预测。一个“小数据”制度，首选计算机代理建模，部署后集成增强不确定性量化（UQ）。我们的目标是通过引入Vecchia近似来扩展贝叶斯DGP后验推理的能力，从而弥合这一差距，允许线性计算缩放而不影响精度或UQ。我们的动机是模拟活动的替代建模，运行次数超过100，000次-对于以前的全贝叶斯实现来说太大了-并证明预测和UQ优于“大数据”竞争对手。所有方法都在CRAN上的“deepgp”包中实现。
2022-08-12 stat.CO
Compositionally-warped additive mixed modeling for a wide variety of non-Gaussian spatial data
随着地理信息系统的发展，非高斯空间数据集变得越来越大，越来越多样化。本研究开发了一个快速灵活的非高斯回归，特别是空间/时空建模的一般框架。开发的模型，被称为成分翘曲的加性混合模型（CAMM），结合了添加剂混合模型（AMM）和成分翘曲的高斯过程建模各种各样的非高斯连续数据，包括空间和其他影响。建议的CAMM的一个具体的优点是，它不需要显式的数据分布假设不同于现有的AMM。蒙特卡罗实验表明，CAMM的估计精度和计算效率的建模非高斯数据，包括厚尾和/或偏态分布。最后，将该模型应用于犯罪数据，以检验回归分析和预测的实证性能。结果表明，CAMM提供了直观合理的系数估计，并在预测精度方面优于AMM。CAMM被证明是一个快速和灵活的模型，有可能涵盖各种非高斯数据建模。所提出的方法是在R包spmoran中实现的。
2021-06-22 stat.ME
A Menu-Driven Software Package of Bayesian Nonparametric (and Parametric) Mixed Models for Regression Analysis and Density Estimation
大多数应用统计学涉及数据的回归分析。本文介绍了一个独立的和菜单驱动的软件包，贝叶斯回归：非参数和参数模型。目前，该软件包为用户提供了83个贝叶斯模型的选择，用于数据分析。它们包括47个贝叶斯非参数（BNP）无限混合回归模型; 5个用于密度估计的BNP无限混合模型;以及31个正态随机效应模型（HLM），包括正态线性模型。78个回归模型中的每一个都处理连续、二元或有序因变量，并且可以处理多水平（分组）数据。所有83个贝叶斯模型都可以处理加权观测的分析（例如，对于荟萃分析），以及左删失、右删失和/或区间删失数据的分析。每个BNP无限混合模型具有分配了各种BNP先验分布之一的混合分布，包括由Dirichlet过程、Pitman-Yor过程（包括归一化稳定过程）、beta（双参数）过程、归一化逆高斯过程、几何权重先验、相关Dirichlet过程或相关无限概率先验定义的先验。软件用户可以点击鼠标选择贝叶斯模型，并通过马尔可夫链蒙特卡罗（MCMC）抽样进行数据分析。采样完成后，软件自动打开文本输出，报告模型后验分布的基于MCMC的估计值和模型对数据的预测拟合。通过鼠标单击其他菜单选项可以生成其他文本和/或图形输出。这包括MCMC收敛分析的输出，以及选定泛函和协变量值的模型后验预测分布的估计。用MATLAB语言编制了BNP回归分析软件，并对实际数据进行了BNP回归分析。
2015-07-14 stat.CO
Modeling Binary Time Series Using Gaussian Processes with Application to Predicting Sleep States
受睡眠状态预测问题的启发，我们建立了一个二进制时间序列的混合效应模型，其中随机成分由高斯过程表示。固定分量捕获协变量对二进制值响应的影响。高斯过程捕获二进制响应中未被协变量和过去实现解释的残差变化。我们开发了一个频率建模框架，提供有效的推理和更准确的预测。结果表明，改进的预测率比现有的方法，如逻辑斯谛回归，广义加法混合模型，有序数据模型，梯度提升，决策树和随机森林的优势。使用我们提出的模型，我们表明，以前的睡眠状态和心率是未来睡眠状态的重要预测因素。仿真研究也表明，我们提出的方法是有前途的和强大的。为了处理计算复杂度，我们利用拉普拉斯近似，黄金分割搜索和逐次抛物线插值。在本文中，我们还提交了一个R-包（HIBITS），实现了所提出的程序。
2018-10-21 stat.ME
The GeometricKernels Package: Heat and Matérn Kernels for Geometric Learning on Manifolds, Meshes, and Graphs
University of Cambridge（剑桥大学）；University of Oxford（牛津大学）；KTH Royal Institute of Technology（皇家理工学院）；Italian Institute of Artificial Intelligence for Industry（意大利人工智能工业研究所）；Cornell University（康奈尔大学）；ETH Zürich and University of Edinburgh（苏黎世联邦理工学院和爱丁堡大学）
GeometricKernels 是一个用于几何学习的Python包，实现了热核和Matérn核，支持在流形、网格和图上进行不确定性量化和自动微分。
2026-03-02 cs.LG stat.CO stat.ML
Gaussian ARMA models in the ts.extend package
本文介绍并描述了R软件包ts.extend，它增加了平稳高斯ARMA模型的概率函数和时间序列的相关效用函数。我们将展示如何使用该软件包来计算此类模型的密度和分布函数，并从该模型生成随机向量。该软件包允许用户使用边缘或条件模型，使用简单的语法来调节变量和边缘化元素。这允许用户模拟来自任何平稳高斯ARMA模型的时间序列向量，即使某些元素是条件值或省略值。我们还展示了如何使用该软件包来计算时间序列向量的谱强度，并实现时间序列向量的置换谱测试来检测周期信号的存在。
2021-09-25 stat.CO
Prior distributions for Gaussian processes in computer model emulation and calibration
针对计算机模型仿真与校准中高斯过程参数的MLE在小样本下不稳定的问题，本文提出适用于标量和向量输出的默认贝叶斯先验，并综述相关校准先验进展与软件工具。
2025-03-15 stat.AP stat.ME
Natural Gradients in Practice: Non-Conjugate Variational Inference in Gaussian Process Models
Imperial College London（帝国理工学院）
自然梯度法已被有效地用于共轭高斯过程模型，但非共轭的情况下，在很大程度上还没有探索。我们研究了自然梯度如何在非共轭随机环境中使用，以及超参数学习。我们的结论是，自然梯度可以显着提高性能方面的挂钟时间。对于病态后验的自然梯度方法的好处是特别明显的，我们展示了一个实际的设置，普通的梯度是不可用的。我们展示了如何使用自动微分在任何参数化中有效地自动计算自然梯度。我们的代码集成到GPflow包中。
2018-03-24 cs.LG stat.ML
A clustering tool for nucleotide sequences using Laplacian Eigenmaps and Gaussian Mixture Models
我们提出了一个新的程序聚类核苷酸序列的基础上的“拉普拉斯特征映射”和高斯混合模型。然后将该建议应用于一组100个DNA序列，这些DNA序列来自扁形动物和线虫属物种的集合的经尿道编码的NADH脱氢酶3（ND3）基因。所得到的集群，然后示出与使用最大似然法计算的基因系统发育树是一致的。这种比较特别表明，由拉普拉斯特征映射与高斯混合模型相结合的方法产生的聚类与遗传学以及NCBI分类学是一致的。我们还为此过程开发了一个Python包，可以在线获得。
2016-10-26 math.ST q-bio.QM stat.TH
Extending the saemix package for R to fit non Gaussian outcomes
Université Paris Cité（巴黎西岱大学）；Université Sorbonne Paris Nord（北索邦大学）；Inserm, IAME（法国国家健康与医学研究院，IAME实验室）；Université Paris-Saclay（巴黎萨克雷大学）；INRAE, MaIAGE（法国国家农业、食品与环境研究所，MaIAGE实验室）；Ecole Polytechnique（巴黎综合理工学院）
本文扩展了R中的saemix包，使其能够处理非高斯数据，通过SAEM算法提高模型拟合能力，并应用于二元和生存类型数据。
2026-03-03 stat.CO stat.ME
parallelMCMCcombine: An R Package for Bayesian Methods for Big Data and Analytics
大数据和分析研究的最新进展提供了大量的大型数据集，由于计算机内存或存储大小的限制，这些数据集太大而无法进行整体分析。新的贝叶斯方法已经被开发用于由于大样本量而仅大的大数据集;这些方法将大数据集划分为子集，并对子集执行独立的贝叶斯马尔可夫链蒙特卡罗分析。然后，该方法结合独立的子集后验样本估计后验密度给定的完整数据集。这些方法被证明是有效的贝叶斯模型，包括逻辑斯谛回归模型，高斯混合模型和分层模型。在这里，我们介绍了R包parallelMCMCcombine，它执行了四种用于组合独立子集后验样本的技术。我们说明了每一种方法使用贝叶斯逻辑斯谛回归模型的模拟数据和贝叶斯伽马模型的真实数据，我们还展示了功能和功能的R包。该软件包假设用户已执行贝叶斯分析，并已在软件包外生成独立的次后验样本。该方法主要适用于连续参数空间中具有固定维数未知参数的模型。我们设想这个工具将使研究人员能够探索各种方法，以满足其特定的应用，并将有助于在这个快速发展的领域的未来进展。
2014-09-28 stat.AP
lgcp An R Package for Inference with Spatio-Temporal Log-Gaussian Cox Processes
本文介绍了一个用于时空预测和对数高斯Cox过程预测的R软件包。这些模型的主要计算工具是马尔可夫链蒙特卡罗和新的软件包，lgcp，因此也提供了一个可扩展的功能套件，用于实现MCMC算法的过程中，这种类型的。建模框架和推理程序的细节，首先提出之前的lgcp功能的旅游是通过步行通过数据分析。涵盖的主题包括读取和转换数据，估计模型的关键组件和参数，指定输出和模拟量，计算蒙特卡罗预期，后处理和模拟数据集。
2011-10-27 stat.CO
bssm: Bayesian Inference of Non-linear and Non-Gaussian State Space Models in R
我们提出了一个R包BSSM贝叶斯非线性/非高斯状态空间建模。与现有的软件包不同，bssm允许基于高斯近似（如拉普拉斯近似和扩展卡尔曼滤波器）的易于使用的近似推理。该软件包还容纳离散观察潜在的扩散过程。推理基于超参数上的全自动、自适应马尔可夫链蒙特卡罗（MCMC），具有可选的重要性抽样后校正以消除任何近似偏差。该软件包还实现了一个直接的伪边际MCMC和延迟接受伪边际MCMC使用中间近似。该软件包提供了一个易于使用的界面，用于定义具有非高斯观测模型的线性高斯状态动力学模型，并具有一个Rcpp界面，用于指定自定义非线性和扩散模型。
2021-05-28 stat.CO
An Intuitive Tutorial to Gaussian Process Regression
University of Waterloo（滑铁卢大学）
本教程面向机器学习初学者等广泛受众，讲解高斯过程回归的基础概念、算法实现及相关工具包，帮助读者直观掌握其核心原理与不确定性量化等特性。
2024-01-28 cs.LG cs.RO stat.ML
