Fast MCMC sampling for Markov jump processes and continuous time Bayesian networks
Gatsby Computational Neuroscience Unit(盖比计算神经科学单元);University College London(伦敦大学学院)
马尔可夫跳过程和连续时间贝叶斯网络是一类重要的连续时间动态系统。在本文中,我们通过引入一个快速辅助变量吉布斯采样器来解决这些模型中未观测路径的推断问题。我们的方法是基于均匀化的思想,并建立了一个马尔可夫链的路径通过采样一组有限的虚拟跳跃时间,然后运行一个标准的隐马尔可夫模型的前向滤波-后向采样算法的状态在现有的和虚拟的跳跃时间。我们证明了显着的计算效益超过一个国家的最先进的吉布斯采样器上的一些连续时间贝叶斯网络。
2012-02-14 cs.LG stat.ME stat.ML
Passive learning to address nonstationarity in virtual flow metering applications
NTNU(挪威科技大学);Solution Seeker AS(索卢申西克尔公司)
稳态过程模型由于计算复杂度低、模型开发和维护成本低而在虚拟流量计应用中很常见。然而,稳态模型的预测性能通常会随着时间的推移而下降,这是由于被建模的底层过程的固有非平稳性。很少有研究探讨如何学习方法可以应用于维持稳态虚拟流量计的预测精度。本文探讨了被动学习,其中模型经常根据新数据进行校准,作为解决非平稳性和提高长期性能的一种方法。被动学习的一个优点是它与行业中使用的模型兼容。两种被动学习方法,定期批量学习和在线学习,应用不同的校准频率训练虚拟流量计。六种不同的模型类型,从数据驱动的第一原则,从10口油井的历史生产数据进行训练。结果是双重的:第一,在频繁到达的测量值的存在下,频繁的模型更新随着时间的推移维持了优异的预测性能;第二,在间歇的和不频繁到达的测量值的存在下,除了利用专家知识之外,频繁的更新对于增加性能准确度是必不可少的。调查可能是感兴趣的专家开发的软测量非平稳过程,如虚拟流量计。
2022-02-07 cs.LG cs.SY eess.SP
Prior Specification for Bayesian Matrix Factorization via Prior Predictive Matching
Norwegian University of Science and Technology(挪威科技大学);University of Helsinki(赫尔辛基大学)
针对贝叶斯模型先验选择需反复高成本后验推断的问题,提出基于先验预测匹配的无后验推断先验选择方法,可解析确定泊松分解超参数,还给出通用随机优化方案并在层次矩阵分解中验证。
2022-09-30 cs.LG stat.ML
On gray-box modeling for virtual flow metering
NTNU(挪威科技大学);Solution Seeker AS(Solution Seeker公司);TechnipFMC(德希尼布FMC公司)
虚拟流量计(VFM)能够连续预测石油生产系统中的流量。预测的流率可以帮助石油资产的日常控制和优化。灰盒建模是一种结合了机械建模和数据驱动建模的方法。我们的目标是创建一个计算上可行的VFM用于实时应用,具有高预测精度和科学一致的行为。本文研究了五种不同的灰箱模型类型的工业案例研究,使用真实的,历史的生产数据,从10个油井,跨越最多四年的生产。结果表明,该方法预测的油液流量误差在1.8%~ 40.6%之间。此外,这项研究揭示了平衡物理和数据学习的重要任务。因此,对不同混合模型的适用性提供一般性建议是具有挑战性的。然而,结果是有希望的,并表明灰箱VFM可以减少预测误差的机械VFM,同时保持科学的一致性。研究结果激励进一步的实验与灰箱VFM模型,并提出了几个未来的研究方向,以提高性能和科学的一致性。
2021-10-27 cs.LG cs.SY eess.SY
Correcting boundary over-exploration deficiencies in Bayesian optimization with virtual derivative sign observations
贝叶斯优化(BO)是一种全局优化策略,旨在通过使用高斯过程(GP)作为目标的代理模型来找到通常定义在$\mathcal{R}^d$的紧凑子集上的昂贵黑盒函数的最小值。尽管当前可用的采集功能以不同程度的成功来解决该目标,但是通常观察到搜索空间的轮廓的过度探索效应。然而,在诸如机器学习算法配置之类的问题中,函数域保守地很大,并且全局最小值很可能不位于域的边界上。我们提出了一种方法,通过在搜索空间的边界处的\gp中添加虚拟导数观测,将这些知识纳入搜索过程。我们使用GP的属性对目标的偏导数施加条件。该方法适用于任何采集功能,它易于使用,并始终减少了优化目标所需的评估数量,而不管使用的采集。我们说明了我们的方法在广泛的实验比较的好处。
2018-09-21 stat.CO stat.ME stat.ML
Efficient Incremental Belief Updates Using Weighted Virtual Observations
Offtopia(奥夫托皮亚);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
针对贝叶斯概率程序中Monte Carlo推理的增量信念更新问题,提出通过构建加权虚拟观测并优化权重来重建后验的方法,具有高效、鲁棒且与具体编程语言无关的特性。
2024-02-10 cs.LG stat.ML
BayesDLL: Bayesian Deep Learning Library
Samsung AI Center Cambridge(三星剑桥人工智能中心);University of Edinburgh(爱丁堡大学)
BayesDLL 是一个面向 PyTorch 的大规模贝叶斯神经网络库,支持 ViTs 等大型模型,无需修改骨干网络代码,并支持预训练权重作为先验均值,便于对基础模型进行贝叶斯推断。
2023-09-22 cs.LG stat.ML
Farm-wide virtual load monitoring for offshore wind structures via Bayesian neural networks
ANAST, University of Liege(ANAST,利耶日大学);Department of Wind and Energy Systems, Technical University of Denmark(风能与能源系统系,丹麦技术大学);OWI-Lab, Vrije Universiteit Brussel(OWI实验室,布鲁塞尔自由大学)
本文提出基于贝叶斯神经网络的风电场虚拟负载监测框架,通过训练模型预测未完全监测风机的负载,利用不确定性分析提升生命周期管理决策的准确性。
2023-08-24 cs.AI cs.LG cs.SY
Virtual Smart Metering in District Heating Networks via Heterogeneous Spatial-Temporal Graph Neural Networks
Intelligent Maintenance and Operations Systems Lab., EPFL, Lausanne, Switzerland(智能维护与运营系统实验室,瑞士联邦理工学院洛桑分校,洛桑,瑞士);Department of Electronic Systems, Aalborg University, Aalborg, Denmark(电子系统系,奥尔堡大学,奥尔堡,丹麦)
本文提出异构时空图神经网络(HSTGNN)用于构建虚拟智能热表,解决区域供暖网络中观测不足和传感器故障的问题,通过学习流体、温度和压力的时空动态关系提升监控能力。
2026-10-09 cs.AI cs.LG cs.SY
Weak neural variational inference for solving Bayesian inverse problems without forward models: applications in elastography
Technical University of Munich(慕尼黑工业大学);Munich Data Science Institute(慕尼黑数据科学研究所)
提出弱神经变分推断(WNVI)方法,通过加权残差作为探针在无前向模型下求解高维贝叶斯逆问题,将状态变量视为潜变量并用神经网络逼近逆映射,在弹性成像实验中展现出高准确度、高效率及处理不适定问题的能力。
2024-07-30 cs.LG stat.ML
Input-State-Parameter-Noise Identification and Virtual Sensing in Dynamical Systems: A Bayesian Expectation-Maximization (BEM) Perspective
结构识别和损伤检测可以概括为对输入力、物理参数和动力状态的同时估计。虽然卡尔曼型滤波器是解决这个问题的有效工具,但噪声协方差阵的校准是繁琐的。例如,在增广或对偶卡尔曼滤波器中,输入噪声协方差阵的校准是一项关键任务,因为其值的微小变化会对估计产生不利影响。本研究发展了一种贝叶斯期望最大化(BEM)方法的不确定性量化和传播耦合输入-状态-参数-噪声识别问题。它还提出了将输入虚拟观测稳定的潜在状态的低频分量和减轻潜在的漂移。在这方面,虚拟观测的协方差阵也基于测量数据来校准。此外,一个明确的配方提供了研究的贝叶斯估计,这有助于表征最低传感器的要求的理论可观性。最后,边界元法进行了测试和验证,通过数值和实验的例子,其中传感器配置,多输入力,和突然的刚度变化进行了研究。据证实,边界元法提供了准确的估计的状态,输入和参数,同时表征的程度,相信这些估计的基础上,后验不确定性驱动的应用贝叶斯的观点。
2022-07-05 stat.AP
Regime-Adaptive Bayesian Optimization via Dirichlet Process Mixtures of Gaussian Processes
Department of Computer Science, Florida State University(佛罗里达州立大学计算机科学系);Department of Computer Science, University of Chicago(芝加哥大学计算机科学系);School of Mechanical Engineering, Purdue University(普渡大学机械工程学院);College of Nanotechnology, Science, and Engineering, State University of New York at Albany(纽约州立大学阿尔巴尼分校纳米技术、科学与工程学院)
本文提出RAMBO方法,通过狄利克雷过程混合高斯过程实现自适应贝叶斯优化,有效处理多制度问题,提升分子构象优化、药物发现等任务的性能。
2026-07-29 cs.LG stat.ML
Inferring Personalized Bayesian Embeddings for Learning from Heterogeneous Demonstration
Georgia Institute of Technology(佐治亚理工学院)
为了使辅助机器人和虚拟代理实现无处不在,机器将需要预测人类同行的需求。示教学习(LfD)领域已经寻求使机器能够推断用于自主机器人控制的人类行为的预测模型。然而,人类在决策中表现出异质性,这是传统的LfD方法无法捕捉的。为了克服这一挑战,我们提出了一个贝叶斯LfD框架,通过推断人类特定的嵌入来推断所有人类任务演示者的综合表示,从而提取其独特的特征。我们验证了我们的方法能够在合成和真实世界的数据集上胜过最先进的技术。
2019-03-14 cs.AI cs.HC cs.LG
CobBO: Coordinate Backoff Bayesian Optimization with Two-Stage Kernels
Alibaba Group(阿里巴巴集团)
贝叶斯优化是一种用于优化昂贵的黑盒函数的流行方法。然而,它经常在计算可能过于繁重的高维空间中挣扎。为了缓解这个问题,我们引入了具有两阶段内核的协调退避贝叶斯优化(CobBO)。在每一轮中,第一阶段使用一个简单的粗糙内核,牺牲近似精度以提高计算效率。它通过有意消除局部波动来捕捉全球景观。然后,在同一轮的第二阶段中,将全空间中的过去观测点投影到所选择的子空间以形成虚拟点。这些虚拟点,连同使用第一阶段的简单内核估计的其未知函数值的均值和方差,在第二阶段中被拟合到更复杂的内核模型。在所选择的低维子空间内,在其中进行贝叶斯优化的计算成本变得负担得起。为了进一步提高性能,在同一子空间中收集一系列连续的观测值,这可以有效地改进函数的近似。这种细化一直持续到满足停止规则,确定何时从某个子空间后退并切换到另一个子空间。这种解耦显著降低了高维中的计算负担,这充分利用了整个空间中的观测,而不是仅依赖于每个坐标子空间中的观测。广泛的评估表明,CobBO找到了与其他最先进的方法相当或更好的解决方案,尺寸范围从几十到几百,同时降低了试验的复杂性和计算成本。
2022-04-19 cs.AI cs.LG math.OC
A probabilistic generative model for semi-supervised training of coarse-grained surrogates and enforcing physical constraints through virtual observables
Technical University of Munich(慕尼黑工业大学)
以数据为中心构建细粒度物理模型的廉价替代物一直处于计算物理学的最前沿,因为它在许多查询任务(如不确定性量化)中具有重要的实用性。最近的努力已经利用了来自机器学习(例如,深度神经网络)领域的使能技术与模拟数据的组合。虽然这种策略即使在高维问题中也显示出了希望,但它们通常需要大量的训练数据,即使代理的构建根据定义是一个小数据问题。而不是采用基于数据的损失函数,它已被提议利用的控制方程(在最简单的情况下,在配置点),以灌输领域知识的训练,否则黑盒样插值。本论文提供了一个灵活的概率框架,该框架考虑了训练目标和代理模型本身中的物理结构和信息。我们提倡一种概率(贝叶斯)模型,其中可以从物理学(例如残差,守恒定律)中获得的等式可以作为虚拟观测量引入,并且可以通过可能性提供额外的信息。我们进一步提倡生成模型,即尝试学习输入和输出的联合密度的模型,该模型能够以半监督的方式利用未标记的数据(即仅输入),以促进发现低维嵌入,但这些嵌入仍然可以预测细粒度模型的输出。
2020-06-02 cs.LG stat.ML
Simplifying Bayesian Optimization Via In-Context Direct Optimum Sampling
University of Waterloo(滑铁卢大学);Vector Institute(向量研究所);BMO, Technology & Operations(BMO技术与运营)
提出一种完全上下文内、零样本的贝叶斯优化方法,利用预训练深度生成模型直接从最优点后验采样,无需代理拟合或采集函数优化,效率提升超35倍。
2025-05-29 cs.LG stat.ML
Learning under Model Misspecification: Applications to Variational and Ensemble methods
University of Almería(阿尔梅里亚大学);University of Copenhagen(哥本哈根大学)
事实上,我们在机器学习中用来进行预测的任何模型都不能完美地代表现实。因此,大多数学习都发生在模型错误指定的情况下。在这项工作中,我们对模型误指定和独立同分布下的贝叶斯模型平均的泛化性能提出了一种新的分析数据使用一个新的家庭的二阶PAC-Bayes界限。该分析以简单直观的方式表明,当模型被错误指定时,贝叶斯模型平均提供了次优的泛化性能。因此,我们提供了强有力的理论论据,表明贝叶斯方法不是学习预测模型的最佳方法,除非模型类是完全指定的。使用新的二阶PAC-Bayes界,我们得到了一个新的家庭的贝叶斯算法,它可以实现为变分和集成方法。这些算法的输出是一个新的后验分布,不同于贝叶斯后验,它导致后验预测分布具有更好的泛化性能。贝叶斯神经网络的实验说明了这些发现。
2020-10-22 cs.LG math.ST stat.ML
Prediction of multi-dimensional spatial variation data via Bayesian tensor completion
University of California, Santa Barbara(加州大学圣巴巴拉分校)
本文提出了一种多维的计算方法来预测的空间变化数据内部和跨多个芯片的晶圆。该技术基于张量计算。张量是矩阵或向量的高维推广。利用高维数据阵列的低秩特性,可以从少量随机测量样本中预测出大量未知变化的测试数据。张量秩决定了张量表示的复杂性,由可用的变分贝叶斯方法决定。我们的方法是通过一个实际的芯片测试数据集验证,它可以很容易地概括为表征多个晶圆的工艺变化。在处理高维芯片测试数据时,我们的方法在内存和计算成本方面比以前的虚拟探针技术更有效。
2019-01-03 cs.LG math.ST stat.CO
Amortized Bayesian Decision Making for simulation-based models
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Tübingen AI Center(图宾根人工智能中心);University of Tübingen(图宾根大学)
针对基于仿真的推理后验近似粗糙导致决策次优的问题,提出用神经网络直接预测期望成本的摊销贝叶斯决策方法,在基准和医学仿真任务中均实现接近真实后验的低成本决策。
2023-12-18 cs.AI cs.LG stat.ML
Sequential Design for Computer Experiments with a Flexible Bayesian Additive Model
在计算机实验中,在计算机上实现的数学模型用于表示复杂的物理现象。这些模型被称为计算机模拟器,可以对复杂现象的虚拟表示进行实验研究。模拟器可以被认为是复杂的功能,需要许多输入并提供输出。通常这些模拟器本身计算起来很昂贵,并且可以通过“替代模型”(如统计回归模型)来近似。在本文中,我们考虑了一种新的代理模型,贝叶斯集成的树(Chipman等。2010),与学习足够的模拟器的特定功能的模拟器可以估计的具体目标。我们专注于识别模拟器的全局最小值。利用贝叶斯版本的预期改善标准(琼斯等人,1998年),我们表明,这种合奏是特别有效的,当模拟器表现不佳,表现出非平稳性或突然变化的响应。一些插图的方法,包括潮汐发电的应用。
2012-07-01 stat.ME stat.ML
Scalable First-Order Bayesian Optimization via Structured Automatic Differentiation
Cornell University(康奈尔大学)
贝叶斯优化(BO)已经显示出巨大的潜力,用于评估昂贵的函数的全局优化,但尽管取得了许多成功,标准方法在高维中仍然存在困难。为了提高BO的性能,先前的工作建议将梯度信息合并到目标的高斯过程代理中,从而产生用于$d$维度中的$n$观测的大小为$nd \times nd$的核矩阵。天真地乘(resp。求逆)这些矩阵需要$\mathcal{O}(n^2d^2)$(分别$\mathcal{O}(n^3d^3$))操作,这对于中等尺寸和样本量变得不可行。在这里,我们观察到,广泛的内核产生结构化矩阵,使一个精确的$\mathcal{O}(n^2d)$矩阵向量乘法梯度观测和$\mathcal{O}(n^2d^2)$海森观测。除了规范的内核类,我们得到一个编程的方法来利用这种类型的结构的转换和讨论的内核类的组合,这构成了一个结构感知的自动微分算法。我们的方法适用于几乎所有的典型内核,并自动扩展到复杂的内核,如神经网络,径向基函数网络,光谱混合内核没有任何额外的衍生,使灵活的,问题相关的建模,同时缩放一阶BO到高$d$。
2022-06-16 cs.AI cs.LG cs.MS
Bayesian regression and Bitcoin
Massachusetts Institute of Technology(麻省理工学院)
在本文中,我们讨论了贝叶斯回归方法及其预测比特币(一种最近流行的虚拟加密货币)价格变化的有效性。贝叶斯回归是指利用经验数据作为代理进行贝叶斯推理。我们利用贝叶斯回归的所谓的“潜在源模型”。Chen,Nikolov and Shah(2013)和Bresler,Chen and Shah(2014)介绍并讨论了“潜在源模型”的贝叶斯回归,用于二进制分类。他们建立了二元分类设置方法的理论和经验功效。在本文中,我们利用它来预测真实价值的数量,即比特币的价格。基于这种价格预测方法,我们设计了一个简单的比特币交易策略。该策略能够在不到60天的时间内对实际数据跟踪运行时,投资几乎翻了一番。
2014-10-06 cs.AI math.ST stat.TH
Online Bayesian Model Averaging with Joint Uncertainty Quantification for Models and Regression Coefficients in Binary Regression
The University of Iowa(爱荷华大学)
针对流式二元响应数据,提出基于可再生估计的在线贝叶斯模型平均方法,在降低计算成本的同时近似离线推断,并量化模型与系数的不确定性,支持自适应问题分配。
2026-09-21 stat.AP stat.CO stat.ME
Efficient Bayesian Learning Curve Extrapolation using Prior-Data Fitted Networks
Machine Learning Lab(机器学习实验室);University of Freiburg(弗莱堡大学)
本文提出 LC-PFN,利用先验数据拟合网络以单次前向传播实现高效贝叶斯学习曲线外推,在精度上超过 MCMC 且速度提升超万倍,并在多个基准上验证了其外推性能与早停加速效果。
2023-10-31 cs.AI cs.LG stat.ML
Bayesian Forecasting in Economics and Finance: A Modern Review
本综述系统回顾了贝叶斯统计范式在经济学与金融学概率预测中的应用,阐述了如何通过积分量化未知量不确定性,并介绍了现代贝叶斯计算方法及实施细节。
2023-07-29 econ.EM stat.AP stat.ME
Bayesian prior elicitation and selection for extreme values
极值分析的一个主要问题是确定形状参数$ξ$的通用广义极值(GEV)和广义帕累托(GP)分布,驱动尾部的行为,并对收益率水平和周期的估计有重大影响。许多从业者选择贝叶斯框架来进行这种评估,以核算参数不确定性,这些不确定性在以少量观测为特征的分析中通常很高。尽管如此,这样的方法可以为$ξ$提供大的可信度域,包括负值和正值,这不允许对尾部的性质做出结论。考虑到块极大值的框架,一个通用的方法来确定的值和符号的$ξ$从模型选择之间的Fréchet,Gumbel和Weibull可能的域的吸引条件的观察。与通常选择GEV作为{ \it采样}极值的适当模型相反,必须非常小心地进行这种模型选择。正确的,信息丰富的和易于使用的先验的启发是基于以下原则进行的:对于所有的参数尺寸,他们作为后验的noninformative先验和虚拟样本。这些虚拟样本的统计数据可以从先前的预测信息中评估,并且可以执行相容性规则以完成校准,即使它们只是半共轭的。此外,模型选择是使用混合包围框架进行的,该框架允许处理贝叶斯因子的计算。激励一个真正的案例研究,涉及气象量级的专家知识的启发,玩具的例子也说明了整体的方法。
2018-06-17 stat.ME
Variational Inference for Bayesian MIDAS Regression
Independent Researcher(独立研究者)
本文提出了一种针对贝叶斯MIDAS回归的变分推断算法,通过双线性结构和闭合形式解实现高效推断,相较于通用ADVI方法,CAVI在速度和精度上表现更优。
2026-02-23 cs.LG stat.CO stat.ME
See You at the Posterior Line: Learning Bayesian Modeling Through a Car Racing Game
Swarthmore College(斯沃斯莫尔学院);Harvard University(哈佛大学)
本文提出一项课堂活动,通过赛车游戏让学生将主观知识转化为先验分布并用数据更新,以教授贝叶斯建模,反馈显示能提升愉悦感与概念清晰度。
2026-09-22 stat.OT
An Iterative Bayesian Robbins--Monro Sequence
本文提出迭代贝叶斯 Robbins–Monro 序列,将经典随机逼近与贝叶斯更新结合,在含噪且评估次数有限的求根问题中提升收敛速度与稳健性,并在非侵入性脑刺激阈值估计中验证其临床优势。
2025-08-17 math.OC stat.ME
Decision Theoretic Subgroup Detection With Bayesian Machine Learning
本文从贝叶斯决策理论出发,提出BRAIDS效用用于子组检测,插值风险寻求与规避,并强调正则化先验以缓解赢家诅咒,在临床试验数据上验证了其有效性。
2026-09-25 stat.ME
Active learning for data-driven reduced models of parametric differential systems with Bayesian operator inference
Department of Mathematics, Brigham Young University(数学系, Brigham Young University);Centre for Mathematical Sciences, Lund University(数学科学中心, Lund University);Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin(计算工程与科学研究院, The University of Texas at Austin)
本文提出基于贝叶斯算子推断的主动学习方法,用于提升参数微分系统数据驱动降阶模型的稳定性和准确性。
2026-09-04 cs.CE cs.LG cs.NA
Stochastic Modeling of Composite Interfaces: Sensitivity to Spatial Correlation and Bayesian Identification from Standard Fracture Tests
Airbus Operation SAS(空中客车运营股份公司);DTIS, ONERA, Université de Toulouse(图卢兹大学国家航空航天研究学院);DMAS, ONERA, Université Paris-Saclay(巴黎萨克雷大学国家航空航天研究学院)
提出随机有限元框架,通过空间相关随机场表征界面变异性,从标准断裂试验中利用近似贝叶斯计算提取关键参数,提升航空复合材料可靠性评估。
2026-07-21 stat.AP
Voice Biometrics Security: Extrapolating False Alarm Rate via Hierarchical Bayesian Modeling of Speaker Verification Scores
St. Petersburg Electrotechnical University(圣彼得堡电工大学);ITMO University(ITMO大学);University of Eastern Finland(东芬兰大学);NEC Corp.(日本电气公司)
自动说话人验证(ASV)技术有多安全?更具体地说,给定一个特定的目标说话者,它有多大可能找到另一个被错误地接受为该目标的人?这个问题可以通过研究足够大的语料库中自然易混淆的说话者对来经验性地解决。为此,人们可能期望找到至少一些在ASV方面彼此无法区分的说话者对。在一定程度上,这一目标反映在标准化的ASV评估基准中。然而,这种评估基准中的说话者数量仅代表所有可能的人类声音的一小部分,这使得在给定语料库之外推断性能具有挑战性。此外,在绩效评估中使用的冒名顶替者通常是随机选择的。一个潜在的更有意义的冒名顶替者的定义-至少在安全驱动的ASV应用程序的上下文中-将是最接近(最容易混淆)的其他扬声器到一个给定的目标。我们提出了一种新的性能评估框架,以解决随机冒名顶替者评估模型的不足和评估语料库的大小限制,通过解决ASV安全性对最接近的冒名顶替者在任意大的数据集。该框架允许一个给定的ASV技术的安全性,在其当前状态下,任意大的扬声器数据库大小的虚拟(采样)扬声器组成的预测。作为概念验证,我们分析了两个最先进的ASV系统的性能,基于i矢量和x矢量扬声器嵌入(在流行的Kaldi工具包中实现),在最近的VoxCeleb 1和2语料库。我们发现,无论是i-向量或x-向量系统是免疫增加假警报率在增加冒名顶替者数据库的大小。
2019-11-04 cs.LG cs.SD eess.AS
"Crash Test Dummies" for AI-Enabled Clinical Assessment: Validating Virtual Patient Scenarios with Virtual Learners
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Federal University of Catalão(卡塔朗联邦大学);University of Iowa(爱荷华大学);Case Western Reserve University(凯斯西储大学);McMaster University(麦克马斯特大学);University of Peradeniya(佩拉德尼亚大学)
本文提出了一种开源AI虚拟患者平台和测量模型,通过虚拟学习者验证评估流程,实现稳健的能力评估和AI辅助评估的验证。
2026-01-26 cs.AI cs.HC stat.AP
Quantifying uncertainty in thermal properties of walls by means of Bayesian inversion
我们引入了一个计算框架,从现场测量的空气温度和表面热通量的统计推断任何给定的墙壁的热物理性质。所提出的框架使用这些测量,在贝叶斯校准方法,顺序推断输入参数的一维热扩散模型,描述了热性能的墙壁。这些输入包括空间可变的函数,其表征壁的热导率和体积热容。我们编码我们的计算框架中的算法,顺序更新我们的概率知识的热物理性质的新的测量变得可用,从而使这些属性的动态不确定性量化。此外,所提出的算法使我们能够调查的影响的离散化的基本热扩散模型的热物理性质和相应的预测分布的热通量的估计的准确性。通过虚拟/合成和真实实验,我们展示了所提出的方法的能力:(i)分析与未知腔和绝缘体相关的非均匀热物理性质;(ii)获得有效热性质的快速准确的不确定性估计(例如热透射率);以及(iii)精确地计算壁的热性能的统计描述,反过来,在评估可能的改造措施方面至关重要。
2018-08-15 stat.AP
Virtual sensing of subsoil strain response in monopile-based offshore wind turbines via Gaussian process latent force models
Delft University of Technology(代尔夫特理工大学)
本文提出利用高斯过程潜在力模型实现单桩基础海上风电涡轮机亚土壤应变的虚拟感知,通过结合物理模型与数据驱动模型,验证该方法在实际场景中的有效性。
2023-07-05 stat.AP stat.CO
int3ract: Johnson-Neyman Technique and its Three-Way Extension for Frequentist and Bayesian Models in R
University of Kentucky(肯塔基大学)
int3ract包通过实现Johnson-Neyman技术及其三重扩展,为频繁主义和贝叶斯模型提供交互效应的区域显著性分析,支持多种模型家族的交互效应可视化。
2026-04-23 stat.ME
Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel
本文提出带神经网络核的贝叶斯优化方法,以少量 TDDFT 计算引导高维化学空间搜索,并在 63 个掺杂石墨烯量子点中高效发现高光吸收结构。
2024-08-03 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
Bayesian Model Pursuit and Near-Oracle Sparse Signal Discovery Under Dependence
Texas A&M University(德克萨斯农工大学);Indian Statistical Institute(印度统计研究所)
提出贝叶斯逐步下降(BSD)过程,利用后验引导的模型追踪策略在任意已知协方差依赖下进行稀疏信号发现,模拟显示其接近贝叶斯最优,并具有可容许性和计算简化优势。
2026-06-23 stat.ME
adabay: an R package for rapid evaluation and calibration of Bayesian group sequential designs across common endpoint types
The George Institute for Global Health, Imperial College London(全球健康乔治研究所,伦敦帝国理工学院);Imperial Clinical Trials Unit, Imperial College London(伦敦帝国理工学院临床试验中心);School of Mathematics, University of Bristol(布里斯托大学数学学院)
adabay是开源R包,可快速评估校准贝叶斯组序贯设计,复现相关工具结果且运行速度更快,支持多类终点及多种决策规则。
2026-08-04 stat.ME
Including historical control data in simultaneous inference for pre-clinical multi-arm studies
University Medical Center Göttingen(哥廷根大学医学中心);German Federal Institute for Risk Assessment(德国联邦风险评估研究所);Leibniz University Hannover(汉诺威莱布尼茨大学)
本文提出基于贝叶斯方法的动态借用和可信区间,用于减少预临床多臂研究中动物使用,通过重用历史对照数据实现样本量减少。
2026-03-12 stat.ME
Rapid evaluation and calibration of Bayesian group sequential designs via conjugate-mixture semi-simulation
The George Institute for Global Health, Imperial College London(乔治全球健康研究院,伦敦帝国理工学院);Imperial Clinical Trials Unit, Imperial College London(伦敦帝国理工学院临床试验中心);School of Mathematics, University of Bristol(布里斯托大学数学学院);The George Institute for Global Health, University of New South Wales(乔治全球健康研究院,新南威尔士大学)
研究针对贝叶斯组序贯设计在设计阶段操作特征评估计算负担大的问题,引入共轭混合半模拟框架,通过创新方法和预计算策略,快速评估校准,应用于ADRENAL试验时大幅提速,使常规校准在计算上可行。
2026-07-28 stat.ME
Flexible linear mixed models with improper priors for longitudinal and survival data
针对具有灵活随机效应和残差误差分布的分层线性混合模型,提出了一种使用不适当先验的贝叶斯方法。误差分布是使用比例混合的法线,它可以捕捉比那些正态分布的尾部重建模。这种概括对于产生对离群值的存在具有鲁棒性的模型是有用的。还研究了非对称残差的情况。我们目前的一般结果的适当性后,也包括情况下,审查意见,允许使用这些模型的背景下流行的纵向和生存分析。我们考虑使用灵活的边际copula建模之间的依赖关系的随机效应,但我们的研究结果涵盖使用任何随机效应分布。因此,我们的论文提供了一个正式的理由贝叶斯推断在一个非常广泛的一类模型(几乎涵盖了所有的文献)有吸引力的事先结构,限制所需的用户启发。
2018-02-05 stat.AP stat.ME
Causal Inference with the Instrumental Variable Approach and Bayesian Nonparametric Machine Learning
Arizona State University(亚利桑那州立大学);Medical College of Wisconsin(威斯康星医学院)
我们提供了一个新的灵活的推理框架与工具变量模型。而不是使用线性规格,函数表征的影响,文书和其他解释变量估计使用机器学习通过贝叶斯加性回归树(BART)。误差项及其分布推断使用狄利克雷过程混合物。仿真和实例表明,当真函数为线性时,损失很小。但是当存在非线性时,几乎不需要手动调谐就可以获得显著的改善。
2021-02-01 cs.LG stat.ML
Upscaling Uncertainty with Dynamic Discrepancy for a Multi-scale Carbon Capture System
模型参数的不确定性和小尺度模型的不一致性影响着大尺度系统预测的准确性和可靠性。这些不确定性的代表性不足,可能会导致不准确和过度自信的预测在放大到更大的模型。因此,多尺度建模的努力必须量化的影响,传播的不确定性在升级。使用贝叶斯方法,我们校准一个小规模的固体吸附剂模型的热重(TGA)数据的功能配置文件,使用基于化学的先验。这项工作的关键是模型差异的表示,它使用贝叶斯平滑样条(BSS-ANOVA)框架。我们使用一个侵入性的不确定性量化(UQ)的方法,包括化学速率表达式内的差异功能,从而在一组随机微分方程。这种方法允许通过将联合模型参数和差异后验传播到速率表达式的较大规模系统中来容易地传播不确定性。这里提出的广泛的UQ框架可能对几乎所有使用多尺度建模的科学领域产生深远的影响。
2014-12-17 stat.ME
Using Bayesian Optimization to Accelerate Virtual Screening for the Discovery of Therapeutics Appropriate for Repurposing for COVID-19
IBM Research Europe(IBM欧洲研究院)
被称为SARS-CoV-2的新型武汉冠状病毒在非战时环境中带来了几乎前所未有的影响,严重打击了社会,经济和卫生系统。能够采取药物干预措施来抵消其影响将是这场正在进行的战斗中扭转局势的一个重大转折点。最近,世界上最强大的超级计算机SUMMIT通过高通量虚拟筛选方法来鉴定现有的可能具有抗SARS-CoV-2活性的小分子药物。在这次交流中,我们展示了如何使用贝叶斯优化可以为这些计算的优先级提供有价值的服务,从而加速识别高性能候选人,从而扩大HPC系统用于时间关键筛选的实用范围
2020-05-11 cs.LG q-bio.BM q-bio.QM
Human AI Construction of Bayesian Networks for Operational Decision Support -- A Virtual Survey Approach
研究如何构建贝叶斯网络用于运营决策支持,提出利用大语言模型的新方法,通过人工智能代理估计概率并去噪,开发六步框架,以客户咨询医生意图建模为例,揭示因素影响,得出有效策略。
2026-07-17 cs.AI cs.LG
Sequential Monte Carlo applied to virtual flow meter calibration
Solution Seeker AS(Solution Seeker公司);University of Oslo(奥斯陆大学);Norwegian University of Science and Technology(挪威科技大学)
本文提出基于生产分离器测量值和序贯蒙特卡洛的虚拟流量计连续联合校准方法,在十口井案例中无需井测试即可有效估计各井调节因子与流量组成。
2023-04-13 cs.LG stat.AP
Bayesian Autoencoders for Drift Detection in Industrial Environments
Institute for Manufacturing University of Cambridge Cambridge, United Kingdom
自编码器是无监督模型,已用于检测多传感器环境中的异常。一个典型的应用包括使用来自正常条件下运行的传感器的数据训练预测模型,并使用该模型检测异常。异常可能来自环境的真实变化(真实漂移),也可能来自错误的传感设备(虚拟漂移);然而,尚未考虑使用自动编码器来区分不同的异常。为此,我们首先提出了贝叶斯自动编码器的发展,以量化认识和任意的不确定性。然后,我们使用现实世界的工业数据集进行液压状态监测测试贝叶斯自动编码器。该系统被注入噪声和漂移,我们已经发现的认知不确定性是不太敏感的传感器扰动相比,重建损失。通过观察重构信号的不确定性,我们获得了可解释的见解,这些不确定性提供了一个潜在的途径来区分真实和虚拟的漂移。
2021-07-28 cs.LG
Virtual vs. Real: Trading Off Simulations and Physical Experiments in Reinforcement Learning with Bayesian Optimization
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ETH Zurich(苏黎世联邦理工学院);Max Planck ETH Center for Learning Systems(马克斯·普朗克-苏黎世联邦理工学习系统中心)
本文提出利用模拟数据优化强化学习,通过结合低成本但不准确的模拟信息与高成本但准确的物理实验,提高效率。
2017-03-03 cs.LG cs.RO cs.SY
Search at the Cost of Sampling: Nearly-Instant Latent Space Bayesian Optimization
University of British Columbia(不列颠哥伦比亚大学);Vector Institute(向量研究所);Tübingen AI Center(图宾根人工智能中心);InstaDeep;University of Pennsylvania(宾夕法尼亚大学);Lancaster University(兰卡斯特大学)
本文提出一种利用球形对称性和线性代理模型,在潜空间中进行近乎即时贝叶斯优化的方法,实现至少100倍加速,使贝叶斯优化适用于从头设计流程。
2026-09-18 cs.LG
PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty
Department of Civil, Environmental and Geomatic Engineering, ETH Zürich(土木、环境与地理工程系,苏黎世联邦理工学院);Future Resilient Systems(未来韧性系统)
本文提出PiGGO框架,结合物理引导的图神经ODE与扩展卡尔曼滤波,实现非线性动态结构的在线虚拟传感和不确定性感知状态估计,优于传统方法和开环图神经模型。
2026-04-29 cs.LG physics.app-ph
Semi-Supervised Learning with Variational Bayesian Inference and Maximum Uncertainty Regularization
Applied Artificial Intelligence Institute (A2I2), Deakin University(应用人工智能研究所(A2I2),迪肯大学)
我们提出了两个通用的方法来改善半监督学习(SSL)。第一个集成的权重扰动(WP)到现有的“一致性正则化”(CR)为基础的方法。我们实现WP利用变分贝叶斯推理(VBI)。第二种方法提出了一种新的一致性损失称为“最大不确定性正则化”(MUR)。虽然大多数一致性损失作用于每个数据点附近的扰动,但MUR积极搜索位于该区域之外的“虚拟”点,这些点导致最不确定的类预测。这允许MUR在输入-输出歧管中的更宽区域上施加平滑。我们的实验表明,当它们与VBI或MUR或两者结合时,各种基于CR的方法的分类错误有了明显的改善。
2021-03-18 cs.AI cs.LG
Policy Optimization in Dynamic Bayesian Network Hybrid Models of Biomanufacturing Processes
Northeastern University(东北大学);University of Maryland(马里兰大学);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
生物制药制造业是一个快速增长的行业,几乎影响到所有的医药分支。生物制造过程需要密切监测和控制,在存在复杂的生物过程动态与许多相互依赖的因素,以及由于实验成本高以及个性化生物药物的新颖性而导致的数据极其有限的情况下。我们开发了一种新的基于基于模型的强化学习框架,可以在低数据环境中实现人类级别的控制。该模型使用动态贝叶斯网络来捕获因素之间的因果关系,并预测不同输入的影响如何通过生物过程机制的途径传播。这使得过程控制策略的设计既可解释又能抵御模型风险。我们提出了一个计算效率高,可证明收敛的随机梯度法优化这些政策。验证是在一个现实的应用程序与多维,连续的状态变量。
2022-07-24 cs.AI cs.LG