Bayesian Model Calibration for Extrapolative Prediction via Gibbs Posteriors
目前的标准贝叶斯模型校准方法，它分配一个高斯过程之前的差异项，往往遭受的不可识别性和计算复杂性和不稳定性的问题。当目标是量化外推预测的物理参数的不确定性时，则不需要对差异项执行推断。考虑到这一点，我们引入吉布斯后验作为一种替代贝叶斯方法模型校准，更新与损失函数连接的数据参数的先验。推理的目标是使期望损失最小的物理参数值。我们建议调整损失规模的吉布斯后验模型的差异形式的假设下，以保持名义频率覆盖率，并提出了一个自举实现近似覆盖率。我们的方法是高度模块化的，允许分析师轻松地对各种各样的假设进行编码。此外，我们提供了一个原则性的方法，结合后验的数据子集计算。我们将我们的方法应用于测量钽材料特性的实验数据。
2019-09-12 stat.ME
Bayesian Mendelian randomization testing of interval causal null hypotheses: ternary decision rules and loss function calibration
我们的方法孟德尔随机化（MR）分析的目的是增加因果效应的“发现”的可重复性：（i）使用贝叶斯方法进行推理;（ii）用实际等效区域代替点原假设，该实际等效区域包括对于感兴趣的效应的可忽略量值的值，同时利用贝叶斯分析的能力来量化落在区域内/区域外的影响的证据;（iii）拒绝通常的二元决策逻辑，而赞成三元逻辑，其中假设检验可能导致接受或拒绝空值，同时还适应“不确定”的结果。我们提出了一种方法来校准所提出的方法，通过损失函数，我们用我们的方法与频率论的比较。我们说明的方法与援助的因果关系的影响，肥胖的青少年心肌梗死的风险的研究。
2022-08-10 stat.ME
On the Bayesian calibration of expensive computer models with input dependent parameters
计算机模型旨在模拟复杂的真实系统，通常根据数据进行校准以提高性能。标准校准方法假设校准参数的最优值对模型输入是不变的。在一些现实世界的应用中，模型涉及复杂的参数化，其最佳值取决于模型的输入，这样的假设可能过于限制，并可能导致误导性的结果。我们提出了一个完全贝叶斯方法，产生输入相关的校准参数的最佳值，以及它的特点通过后验分布的相关不确定性。方法的核心是将校准参数制定为阶跃函数的思想，该阶跃函数的不确定结构通过二叉树过程适当地建模。我们的方法是特别适合于解决问题的计算机模型需要选择一个子模型从一组竞争的，但选择的“最好的”子模型可能会改变与输入值。该方法为给定输入的每个子模型产生选择概率。我们提出了合适的可逆跳跃操作，以方便具有挑战性的计算。我们评估了我们的方法对基准示例的性能，并用它来分析一个现实世界的应用程序与大规模的气候模型。
2017-08-31 stat.ME
Sequential Bayesian experimental design for calibration of expensive simulation models
针对昂贵仿真模型校准效率低的问题，提出一种以学习参数后验密度为目标的序贯贝叶斯实验设计框架，可同时兼顾后验不确定区探索与高后验密度区利用，经多组仿真及核物理反应模型验证有效。
2023-05-25 stat.ME
Calibration of Computational Models with Categorical Parameters and Correlated Outputs via Bayesian Smoothing Spline ANOVA
在没有数据的地区，使用复杂的计算机模型来预测结果已经变得司空见惯。通常，这些模型需要使用一些实验数据进行校准和验证，这些数据通常由多个相关结果组成。此外，一些模型参数在本质上可以是分类的，诸如指向系统的一些物理特性的替代模型（或子模型）的指针变量。在这里，我们提出了一个通用的方法，在这种情况下，一个模拟器的计算要求很高的模型和一个差异项从模型到现实的贝叶斯平滑样条（BSS）方差分析框架内表示校准。与传统的高斯过程相比，BSS-ANOVA框架具有几个优点，包括易于处理分类输入和相关输出，以及提高计算效率。最后，这个框架，然后应用到激励其设计的问题;一个鼓泡流化床，它被用作吸收器中的CO2捕获系统的计算流体动力学模型的校准。
2014-06-17 stat.ME
Elastic Multi-Fidelity Bayesian Model Calibration
Sandia National Laboratories（桑迪亚国家实验室）；University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of New Mexico（新墨西哥大学）
本文提出弹性多保真贝叶斯模型校准，通过对齐高、低保真函数输出至共同参考，结合映射或融合策略，在合成与材料问题中提升预测精度并收紧后验。
2026-09-24 stat.ME
Bayesian Nonparametric Calibration and Combination of Predictive Distributions
我们介绍了贝叶斯方法预测密度校准和组合，占参数的不确定性和模型集的不完整性，通过使用随机校准泛函和随机组合权重。在Ranjan，R.和Gneiting，T.（2010）和Gneiting，T.和Ranjan，R.（2013），我们使用无限beta混合物进行校准。所提出的贝叶斯非参数方法利用Dirichlet过程混合物的灵活性来实现线性组合预测分布的任何连续变形。推理过程是基于吉布斯抽样，并允许占混合物组分，混合物重量，和校准参数的数量的不确定性。在适当的条件下，给出了真密度未知时贝叶斯非参数校正的弱后验一致性。我们研究的方法，在模拟的例子与肥尾和多模态密度，并将其应用于密度预测的每日标准普尔回报和每日最大风速在法兰克福机场。
2016-10-25 stat.AP stat.ME
Bayesian Projected Calibration of Computer Models
我们开发了一种贝叶斯方法，称为贝叶斯投影校准，以解决校准一个不完美的计算机模型，使用观测数据从一个复杂的物理系统的问题。校准参数和物理系统通过$L_2$投影以可识别的方式参数化。物理过程被分配一个高斯过程先验，这自然会导致通过$L_2$投影约束的校准参数的先验分布。通过校正参数的后验分布估计校正参数，为不确定度的量化提供了一种自然的、非渐近的方法。我们提供了一个严格的大样本的理由，所提出的方法，通过建立有效的协方差阵的校准参数的后验的渐近正态性。此外，设计了两种基于随机逼近的有效计算算法，并给出了理论保证。通过广泛的模拟研究和两个真实世界的数据集分析，我们表明，贝叶斯投影校准可以准确地估计校准参数，适当地校准计算机模型，并与其他方法相比。
2019-02-07 math.ST stat.ME stat.TH
Bayesian Calibration of Computer Models with Informative Failures
将计算机模型与实验数据进行校准有许多实际困难。一个这样的复杂性是校准输入的某些组合可能导致代码输出缺乏基本属性的数据，甚至根本不产生输出。在许多情况下，研究人员希望或需要在他们的分析中排除这些“失败”的可能性。我们提出了一个贝叶斯（Meta）模型，其中校准参数的后验分布自然排除了对应于失败运行的输入空间区域。也就是说，我们定义了一个统计选择模型来严格耦合二进制分类和计算机模型校准的不相交问题。我们证明了我们的方法使用的数据从碳捕获实验中的计算流体动力学的数值容易不稳定。
2020-06-13 stat.AP stat.ME
Posterior accuracy and calibration under misspecification in Bayesian generalized linear models
针对广义线性模型中似然族和连接函数选择困难的问题，通过大规模模拟研究评估错误设定下的后验准确性与校准，发现某些似然和连接函数稳健，并给出实用选择建议。
2023-11-15 stat.ME
Flexible Transformations for Bayesian Score Calibration
Queensland University of Technology（昆士兰科技大学）；Adelaide University（阿德莱德大学）；National University of Singapore（新加坡国立大学）
本文提出两种灵活变换（多项式扩展和顺序应用）用于贝叶斯评分校准，以修正复杂模型误差，并在模拟研究中展示其优于现有方法。
2026-09-09 stat.CO stat.ME
Population Calibration using Likelihood-Free Bayesian Inference
在本文中，我们开发了一种无似然性的人口校准方法，它涉及到找到模型参数的分布时，通过模型产生一组输出，匹配现有的人口数据。与大多数其他方法人口校准，我们的方法产生的不确定性量化的估计分布。此外，该方法可以应用于任何群体校准问题，无论感兴趣的模型是确定性的还是随机的，或者无论群体数据是在有或没有测量误差的情况下观察到的。我们演示了几个例子，包括一个真实的数据的方法。我们还讨论了该方法的计算限制。这里开发的方法立即应用于医学研究的许多领域，包括癌症，COVID-19，药物开发和心脏病学。
2022-02-04 stat.CO stat.ME
Adjustments to Computer Models via Projected Kernel Calibration
计算机仿真中的模型参数辨识是计算机实验中的一个重要课题。我们提出了一种新的方法，称为投影核校准方法，估计这些模型参数。该方法被证明是渐近正态和半参数有效的。作为一种频率论方法，所提出的方法是有效的$L_2$校准方法提出的Tuo和吴[安。43（2015）2331-2352]。另一方面，所提出的方法具有自然贝叶斯版本，这是$L_2$方法所不具有的。该贝叶斯版本允许用户计算校准参数的可信区域，而无需使用大样本近似。我们还指出，Kennedy和O 'Hagan [J. R. Stat. Soc. Ser. B. Stat.美沙酮63（2001）425-464]可以通过简单修改核矩阵来校正。
2017-05-09 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
Microsimulation Model Calibration using Incremental Mixture Approximate Bayesian Computation
微观模拟模型（MSM）被用来预测人口水平的影响，通过模拟个人层面的结果的医疗保健政策。模拟结果由选择的未知参数控制，以便模型准确预测特定目标，这一过程称为模型校准。校准目标可以来自随机对照试验、观察性研究和专家意见，通常是汇总统计量。一个经过良好校准的模型可以重现各种各样的目标。MSM校准通常涉及到搜索高维参数空间和通过模型仿真预测多个目标。这需要有效的方法来探索参数空间和足够的计算资源。我们开发了增量混合近似贝叶斯计算（IMABC）作为MSM校准的方法，并通过高性能的计算工作流程，它提供了必要的计算规模来实现它。IMABC从基于拒绝的近似贝叶斯计算（ABC）步骤开始，从先验分布中提取参数样本并模拟校准目标。接下来，通过从多元正态分布的混合物中绘制额外的点来迭代地更新样本，这些点以产生接近观察目标的模拟目标的点为中心。后验估计通过加权采样参数向量来获得，以说明自适应采样方案。我们通过校准结直肠癌自然史的MSM来证明IMABC，以从模型参数的联合后验分布获得模拟绘制。
2018-08-13 stat.AP stat.ME
Calibration-Free Robust Bayesian Inference for Discrete Unnormalized Models
Texas A&M University（得克萨斯农工大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文提出DFD-BETEL，一种无需标定的半参数贝叶斯框架，通过离散Fisher散度矩条件实现非归一化离散模型的鲁棒推断，保证渐近校准的不确定性量化。
2026-10-08 stat.AP stat.ME
Continuity of the Solution of a Non-Parametric Bayesian Statistical Calibration Procedure
Simon Fraser University（西蒙菲莎大学）
研究非参数贝叶斯校准方法中解算子对输入参数分布的连续性，证明其在总变差度量下一致连续且在广泛分布类中弱连续。
2026-03-21 math.ST stat.ME stat.TH
Calibration of multi-physics computational models using Bayesian networks
本文提出了一种基于贝叶斯网络的多物理场模型校正方法，将各种不确定性来源与计算模型和实验数据的信息相结合。我们采用肯尼迪和O 'Hagan（KOH）框架下的模型校准不确定性，并开发扩展到多物理模型和各种情况下的可用数据。任意不确定性（由于自然变异性）和认识不确定性（由于缺乏信息，包括数据不确定性和模型不确定性）都在校准过程中得到考虑。研究了多物理场模型贝叶斯校正的几个重要方面，包括：（1）利用不同形式的实验数据（例如，区间数据和时间序列数据）;（2）当模型的解析表达式已知或未知时，确定模型参数的可辨识性;（3）共享公共参数的多个物理模型的校准，这使得能够有效地利用数据，特别是当实验资源有限时。提出了一种基于一阶泰勒级数展开的方法来确定哪些模型参数是可识别的。根据KOH框架，估计概率差异函数并将其添加到校准模型的预测中，试图考虑模型的不确定性。当有足够的数据可用于多个模型输入组合时，该差异函数被建模为高斯过程，并且当可用数据有限时，该差异函数被建模为随机变量。使用与微机电系统（MEMS）装置相关的两个应用实例来说明总体方法：（1）用时间序列数据校准电介质充电模型，以及（2）使用不同装置中的不同物理量的测量校准两个物理模型（吸合电压和蠕变）。
2012-06-21 physics.data-an stat.ME
Bayesian calibration of Arterial Windkessel Model
这项工作的动机是基于观察和物理模型的个性化数字双胞胎，用于治疗和预防高血压。通常使用的模型是对实际过程的简化，目的是对物理上可解释的参数进行推断。为了解释模型的差异，我们建议在贝叶斯校准框架中建立估计问题。这自然解决了在模型公式化、参数估计和预测中说明和量化不确定性的逆问题。我们专注于逆问题，即估计给定观测的物理参数。我们考虑的模型是两个和三个参数的Windkessel模型（WK2和WK3）。这些模型模拟给定血液流入和一组物理上可解释的校准参数的血压波形。WK3中的第三个参数用作调优参数。WK2模型提供了物理可解释的参数，因此我们采用它作为贝叶斯校准公式中的计算机模型选择。在合成模拟研究中，我们模拟了WK3模型的噪声数据。我们估计模型参数使用传统的方法，即最小二乘优化和通过贝叶斯校准框架。结果表明，我们的公式可以重建复杂模型的血压波形，但最重要的是可以根据两个模型之间的已知数学关系学习参数。我们还成功地将此配方应用于一个真实的案例研究，其中数据是从一个试点随机对照试验研究中获得的。我们的方法是成功的模拟研究和实际情况。
2022-01-18 stat.AP stat.ME
Dynamic Bayesian Nonlinear Calibration
在许多领域，如分析化学和辐射测量中，曲线为非线性的统计校准是重要的。特别是在辐射测量中，仪器的特性会随着时间的推移而变化，因此只要仪器在使用中，就必须进行校准。我们提出了一个动态贝叶斯方法进行校准的参考测量和响应变量之间的曲线关系的存在。动态校准方法充分推导出存在漂移回归参数时的时间相关校准分布。该方法适用于微波辐射计数据和模拟光谱数据的基础上工作的Lundberg和de Maré（1980年）。
2014-11-13 stat.AP
Analytically Corrected Bayesian Modularization for Local Item Calibration
Duolingo（多邻国）
该研究针对自适应路由下试点样本量小的问题，提出模块化局部校准（MLC）的贝叶斯框架，推导闭式去衰减映射，经模拟验证其可降低衰减偏差并保证区间覆盖率。
2026-08-13 stat.AP stat.ME
Bayesian Calibration of MEMS Accelerometers
University of Applied Sciences (HTWG) Konstanz（康斯坦茨应用科学大学（HTWG））；Southern Taiwan University of Science and Technology (STUST)（南台科技大学（STUST））
本研究针对MEMS加速度计校准中参数受噪声影响存在不确定性的问题，借助概率编程最新进展引入贝叶斯方法，利用其能反映参数不确定性、融入先验知识的优势，为传感器校准提供新方案。
2023-06-09 cs.LG eess.SP stat.AP
Bayesian calibration for forensic evidence reporting
AGNITIO Research（AGNITIO 研究机构）
我们引入贝叶斯解决方案的问题，在法医说话人识别，可能有很少的背景材料估计得分校准参数。我们的工作范围内的贝叶斯范式的证据报告，并制定一个原则性的概率处理的问题，这导致在贝叶斯似然比作为车辆报告的证据的重量。相反，我们表明，报告似然比分布并不能解决这个问题。我们的解决方案在模拟的法医场景上进行了实验，使用NIST SRE'12分数，与传统的插件校准配方相比，所提出的方法具有明显的优势。
2014-06-10 cs.LG stat.AP stat.ML
Regularized Bayesian calibration and scoring of the WD-FAB IRT model improves predictive performance over marginal maximum likelihood
项目反应理论（IRT）是一种统计学范式，它是测试反应的主要生成概率模型家族的基础，用于量化个体相对于目标人群的特质。分级反应模型（Graded Response Model，GRM）是一种特殊的IRT模型，用于有序多分类测试反应。GRM和其他IRT模型的开发和应用都需要统计决策。为了制定这些模型（校准），需要决定项目选择，推理和正则化的方法。为了应用这些模型（测试评分），人们需要做出类似的决定，通常优先考虑计算的易处理性和/或可解释性。在许多应用中，例如在工作障碍功能评估组合（WD-FAB）中，易处理性意味着使用均值和方差的估计来近似个人的分数分布，并且仅根据校准模型的点估计来获得该分数。在本文中，我们使用贝叶斯交叉验证评估了这种常见用例下模型的校准和评分。应用于WD-FAB响应收集的美国国立卫生研究院，我们评估的预测能力的实现GRM的基础上，他们的能力，产生，验证集的受访者，能力估计是最预测的项目响应模式。我们的主要发现表明，正则化贝叶斯校准的GRM优于正则化的经验贝叶斯边际极大似然的过程。我们还鼓励在测试评分中使用compensation支持的先验。
2021-12-02 stat.AP stat.ME
Bayesian Calibration with Functional Outputs Using Elastic Partial Matching
CEA（法国替代能源和原子能委员会）；Université Paris-Saclay, CNRS, CentraleSupélec, Laboratoire des signaux et systèmes（巴黎萨克雷大学、法国国家科学研究中心、中央理工-苏佩莱克学院）；Centre de Mathématiques Appliquées, Ecole polytechnique, Institut Polytechnique de Paris（应用数学中心，巴黎综合理工学院，巴黎理工学院）
针对仿真模型函数型输出时间错位及支撑集不一致问题，提出基于弹性部分匹配的贝叶斯校准方法，扩展至可变起止时间，并在合成案例及状态方程校准中验证了改进效果。
2026-09-22 stat.CO stat.ME
An efficient Bayesian experimental calibration of dynamic thermal models
动态热模型的实验校准是模型预测控制和表征建筑节能性能所必需的。在这些应用中，参数估计值的不确定性评估是决定性的;这就是为什么提出贝叶斯校准程序（选择，校准和验证）。校准基于适用于线性和高斯状态空间模型的改进的梅特罗波利斯-黑斯廷斯算法。一个真实的房子的实验表明，该算法是更强大的初始条件比极大似然优化与拟牛顿算法。此外，当数据信息不足时，使用先验分布有助于使问题正规化。
2019-04-12 stat.AP
Elastic Bayesian Model Calibration
本文提出一种针对未对齐函数数据的贝叶斯模型校准框架，通过生成隔离幅度与相位变化的两类数据实现同时匹配，并在仿真数据与动态材料科学实验中验证了有效性。
2024-09-23 stat.AP stat.ME
BayCANN: Streamlining Bayesian Calibration with Artificial Neural Network Metamodeling
目的：贝叶斯校正算法能够揭示校正后参数的联合后验分布，因而在理论上优于标准的直接搜索算法。然而，到目前为止，贝叶斯校准还没有经常使用的健康决策科学由于实际和计算负担。在本文中，我们建议使用人工神经网络（ANN）作为这些限制的解决方案之一。研究方法：使用人工神经网络的贝叶斯校准（BayCANN）涉及（1）在模型输入和输出的样本上训练ANN元模型，以及（2）然后在概率编程语言中校准经训练的ANN元模型而不是完整模型，以获得校准参数的后验联合分布。我们通过校准结直肠癌的自然史模型来证明BayCANN，以腺瘤患病率和癌症发病率数据。此外，我们比较的效率和准确性BayCANN对执行贝叶斯校准直接使用增量混合重要性抽样（IMIS）算法的模拟模型。结果：BayCANN在恢复“真实”参数值方面通常比IMIS更准确。在9个校准参数中，有8个参数的绝对ANN偏离真实值的比率小于1，表明BayCANN比综管系统更准确。此外，BayCANN总共花了大约15分钟，而综管系统的方法花了80分钟。结论：在我们的案例研究中，BayCANN比IMIS更准确，速度快五倍。由于BayCANN不依赖于仿真模型的结构，它可以适应各种复杂程度的模型，只需对其结构进行微小的更改。我们提供BayCANN在R中的开源实现。
2020-10-26 stat.CO stat.ME stat.ML
Nonparametric Bayesian Calibration of Computer Models
Simon Fraser University（西蒙菲莎大学）；Colorado State University（科罗拉多州立大学）；Sanofi（赛诺菲）；University of Colorado at Denver（科罗拉多大学丹佛分校）
本文提出非参数贝叶斯方法校准计算机模型参数分布，通过场观测建立后验分布，证明其最大熵性质和连续性，并进行统计分析。
2026-06-27 math.ST stat.CO stat.ME
Estimating Scale Discrepancy in Bayesian Model Calibration for ChemCam on the Mars Curiosity Rover
火星探测器Currency携带一种名为ChemCam的仪器，用于确定土壤和岩石的成分。ChemCam为此使用激光诱导击穿光谱（LIBS）。洛斯阿拉莫斯国家实验室已经开发出一种模拟能力，可以从ChemCam预测光谱，但预测和观察之间存在重大尺度差异。当使用贝叶斯模型校准来确定描述LIBS观测的未知物理参数时，这提出了一个挑战。我们提出了一种分析LIBS数据，以支持ChemCam的基础上，包括一个结构化的差异模型的贝叶斯模型校准方案。这既是贝叶斯模型校准的一种新应用，也是解释这种背景下理论和观测之间系统差异的一种通用方法。
2020-04-08 stat.AP
Online Bayesian Calibration under Gradual and Abrupt System Changes
Department of Industrial and Systems Engineering（工业与系统工程系）；University of Washington（华盛顿大学）；Seattle, WA 98195（华盛顿州西雅图98195）
本文提出BRPC框架，用于处理流数据中的系统渐进变化和突发变化，通过分离校准参数更新和偏差更新，提升校准精度和鲁棒性。
2026-11-03 cs.ET cs.LG stat.ML
A Bayesian Beta Markov Random Field Calibration of the Term Structure of Implied Risk Neutral Densities
我们在Fackler和King（1990）的工作基础上，提出了一个更一般的隐含风险中性密度的校准模型。我们的模型允许通过贝叶斯动态贝塔马尔可夫随机场联合校准的一组密度在不同的到期日和日期。我们的方法允许具有相同成熟度的密度之间可能的时间依赖性，以及在同一时间点跨成熟度的依赖性。这种解决问题的方法包括模型灵活性，参数简约性，更重要的是，跨密度的信息池。
2014-09-05 q-fin.CP stat.AP
Validating uncertainty propagation approaches for two-stage Bayesian spatial models using simulation-based calibration
本文针对两阶段贝叶斯空间模型的不确定性传播问题，验证了插件法和后验采样法，并提出基于INLA的Q不确定性方法，通过模拟校准验证其正确性，应用于菲律宾登革热病例分析。
2025-02-26 stat.CO stat.ME
Multi-Level Bayesian Calibration of a Multi-Component Dynamic System Model
Vanderbilt University（范德堡大学）；Mitsubishi Heavy Industries, Ltd.（三菱重工业有限公司）
本文针对时变多组分系统，提出多级贝叶斯校准方法，融合异构信息并考虑不确定性，通过迭代策略校准参数，在离线和在线场景下，基于燃气涡轮发动机转子叶片数据验证了方法的有效性。
2026-08-20 cs.CE cs.SY eess.SY
Design-marginal calibration of Gaussian process predictive distributions: Bayesian and conformal approaches
Transvalor S.A.；Univ. Paris-Saclay（巴黎-萨克雷大学）；CNRS（国家科学研究中心）；CentraleSupélec（中央超导大学）；L2S（L2S实验室）
本文提出两种高斯过程预测分布的校准方法，通过改进的符合预测系统和广义正态模型，提升预测分布的准确性和稳定性。
2025-12-05 cs.LG stat.ME stat.ML
Bayesian Model Calibration with Integrated Discrepancy: Addressing Inexact Dislocation Dynamics Models
Clemson University（克莱姆森大学）
本文提出了一种基于集成偏差的贝叶斯模型校准方法，通过重新定义模型偏差高斯过程并整合到模拟器中，以提高对位错动力学模型不精确性的校准效果。
2026-03-12 cond-mat.mtrl-sci stat.ME
Calibration of Deep Probabilistic Models with Decoupled Bayesian Neural Networks
Universitat Politècnica de València（瓦伦西亚理工大学）；Universidad Autónoma de Madrid（马德里自治大学）
深度神经网络（DNN）在许多任务中已经实现了最先进的准确性性能。然而，最近的工作指出，这些模型提供的输出没有得到很好的校准，严重限制了它们在关键决策场景中的使用。在这项工作中，我们建议使用一个解耦的贝叶斯阶段，实现了贝叶斯神经网络（BNN），映射由DNN提供的未校准的概率校准，不断提高校准。我们的研究结果表明，纳入不确定性提供了更可靠的概率模型，实现良好的校准的关键条件。我们报告了在标准化图像分类基准测试中使用高精度DNN的大量实验结果，显示了我们的方法相对于几种最先进的校准方法的良好性能，灵活性和鲁棒性。提供了再现性代码。
2020-02-28 cs.LG stat.ML
Bayesian calibration of simulation models: A tutorial and an Australian smoking behaviour model
流行病学，生物，生态和环境过程的模拟模型越来越多地使用贝叶斯统计进行校准。贝叶斯方法提供了简单的规则来合成多个数据源，并计算由于校准数据的不确定性而导致的模型输出的不确定性。随着发表的教程和研究的数量增加，这些领域贝叶斯校准中常见困难的解决方案变得更加明显，并且正在出现一个在所有这些领域成功校准的分步过程。我们提供了一个声明的关键步骤贝叶斯校准，我们概述了分析和方法，从这些应用科学的一个或多个出现的每一步。因此，我们提出了一个综合的贝叶斯校准方法，跨越了一些科学学科。为了演示这些步骤，并提供贝叶斯校准所涉及的计算的进一步细节，我们校准了澳大利亚吸烟行为的房室模型。我们发现，估计在2016年达到20岁之前吸烟的出生队列比例处于20世纪初以来的最低值，戒烟率处于最高水平。作为一个新的结果，我们量化了戒烟者在晚年接受调查时转为报告为“从不吸烟者”的比率;据我们所知，这种现象从未使用横断面调查数据进行量化。
2022-03-07 stat.AP stat.CO
Bayesian Neural Network Versus Ex-Post Calibration For Prediction Uncertainty
Monash University（莫纳什大学）
来自神经网络的概率预测在分类期间解释预测不确定性，这在许多现实世界和高影响决策制定设置中是至关重要的。然而，在实践中，大多数数据集都是在非概率神经网络上训练的，默认情况下，这些神经网络不捕获这种固有的不确定性。这个众所周知的问题导致了事后校准程序的发展，例如普拉特缩放（逻辑），等渗和β校准，将分数转换为校准良好的经验概率。校准方法的一个合理替代方案是使用贝叶斯神经网络，它直接对预测分布进行建模。虽然它们已被应用于图像和文本数据集，但它们在表格和小数据领域的应用有限。在本文中，我们证明了贝叶斯神经网络产生竞争力的性能相比，校准的神经网络，并在广泛的数据集进行实验。
2022-09-29 cs.AI cs.LG stat.ML
Bayesian Calibration for Prediction in a Multi-Output Transposition Context
Inria Saclay Centre（法国国家信息与自动化研究所萨克莱中心）；CMAP, CNRS, Ecole polytechnique, Institut Polytechnique de Paris（巴黎综合理工学院数学应用与计算中心，法国国家科学研究中心，巴黎理工学院）
针对多输出转置情境，提出一种在分层贝叶斯模型中引入额外数值输入参数与联合模型误差的校准方法，有效预测未观测输出并验证了分层公式的优势。
2025-10-14 math.ST stat.ME stat.TH
A Framework for the Bayesian Calibration of Complex and Data-Scarce Models in Applied Sciences
IMDEA Materials Institute（IMDEA材料研究所）；Universidad Politécnica de Madrid（马德里理工大学）
本文提出了一种统一的贝叶斯校准框架，整合多种方法并提供开源库，以支持复杂模型在数据稀缺情况下的可靠校准。
2026-01-30 cond-mat.mtrl-sci math.OC math.ST
CaliCo: a R package for Bayesian calibration
在这篇文章中，我们提出了一个最近发布的R包贝叶斯校准。许多工业领域面临着不可行或昂贵的现场实验。这些实验被替换为通过运行数值代码实现的数值/计算机实验。贝叶斯校准旨在通过后验分布估计代码的输入参数，以使代码输出接近可用的实验数据。代码可能是耗时的，而贝叶斯校准意味着大量的代码调用，这使得研究过于繁重。当实验数据与数值代码输出不兼容时，数值代码与物理系统之间也可能出现差异。CaliCo软件包通过四个统计模型处理这些问题，这些模型处理耗时的代码或不处理差异。为用户提供了一个指南，以说明主要功能及其参数。最后，一个玩具的例子是详细使用Calico。这个例子（基于一个真实的物理系统）是在五个维度，并使用模拟数据。
2018-08-29 stat.CO
Calibration procedures for approximate Bayesian credible sets
University of Auckland（奥克兰大学）；CEREMADE, CNRS, Université Paris-Dauphine, PSL University（巴黎第九大学数学与决策研究中心，法国国家科学研究中心，巴黎文理研究大学）
本文提出并应用了两种校准程序，用于检查使用蒙特卡洛方法估计的可信区间覆盖性。研究核心是通过半参数逻辑回归和重要性采样来估计后验覆盖，以评估近似可信集的性能。
2019-04-08 stat.CO stat.ME
Uncertainty Calibration in Bayesian Neural Networks via Distance-Aware Priors
AWS（亚马逊云科技）；Amazon（亚马逊）
当我们远离数据时，预测的不确定性应该增加，因为各种各样的解释与很少的可用信息是一致的。我们引入了距离感知先验（DAP）校准，这是一种在训练域之外纠正贝叶斯深度学习模型过度自信的方法。我们将DAP定义为模型参数的先验分布，这些参数通过测量输入与训练集的距离来依赖于输入。DAP校准对于后验推断方法是不可知的，并且它可以作为后处理步骤来执行。我们在各种分类和回归问题中证明了它对几个基线的有效性，包括旨在测试远离数据的预测分布质量的基准。
2022-07-17 cs.AI cs.LG stat.ML
Goal-Oriented Lower-Tail Calibration of Gaussian Processes for Bayesian Optimization
Univ. Paris-Saclay, CNRS, CentraleSupélec, L2S, Gif-sur-Yvette, France（巴黎萨克雷大学，国家科学研究中心，中央超算实验室，L2S，法国吉夫-sur-伊夫特）
本文研究了在无噪声情况下，针对低于低阈值t的标准高斯过程模型的预测分布进行面向目标的校准，提出了一种后处理方法tcGP，以校准预测分布低于t的部分，并展示了基于此的全局优化算法在设计空间中保持密集性，实验表明相较于标准高斯过程模型和全局校准高斯过程模型，改进了低尾校准和贝叶斯优化性能。
2026-09-11 cs.LG stat.ME stat.ML
Using systemic modeling and Bayesian calibration to investigate the role of the tumor microenvironment on chemoresistance
本文提出基于环境应激水平的数学模型，并用粒子滤波贝叶斯校准体外数据，揭示缺氧与基质刚度对肝癌细胞化疗响应的个体及协同影响。
2023-10-30 math.DS q-bio.CB stat.AP
A Bayesian framework for functional calibration of expensive computational models through non-isometric matching
我们研究统计校准，即，调整计算模型的在其相关联的物理系统中不可观察或不可控制的特征。我们专注于功能校准，这是在许多制造过程中出现的不可观察的功能，称为校准变量，是输入变量的函数。在许多应用中的一个主要挑战是计算模型是昂贵的，只能评估有限的次数。此外，如果不进行强有力的假设，校准变量是不可识别的。我们提出了贝叶斯非等距匹配校准（BNMC），允许昂贵的计算模型的校准，只有有限数量的样本从计算模型及其相关的物理系统。BNMC用动态高斯过程（GP）代替计算模型，其参数在校准过程中训练。为了解决可识别性问题，我们提出了从几何角度的非等距曲线曲面匹配的校准问题，这使我们能够利用组合优化技术，以提取必要的信息，构建先验分布。我们的数值实验表明，在预测精度方面，BNMC优于，或与其他现有的校准框架。
2020-05-22 stat.ML
Bayesian Consensus Calibration of Continuously Evolving IRT Item Banks
Duolingo（多邻国）
针对AI生成题库规模大、更新频繁导致传统IRT重拟合成本高的问题，提出共识校准方法，通过分治策略独立校准各时期并分层重建合并后验，在大规模评估中验证了其有效性。
2026-09-15 stat.AP stat.ME
Bayesian Calibration of the Intelligent Driver Model
提出记忆增强的贝叶斯校准技术并开发MA-IDM模型，通过高斯过程建模时间相关误差，在HighD数据集上实现了比贝叶斯IDM更真实的驾驶行为和更优的不确定性量化。
2024-01-12 stat.AP
Epidemiological Model Calibration via Graybox Bayesian Optimization
Texas A&M University（德克萨斯农工大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）
针对计算昂贵的仓室流行病学模型，提出利用函数结构的灰盒贝叶斯优化及解耦决策校准方法，在合成与COVID-19数据上提升精度并加快收敛。
2024-12-10 cs.LG stat.ML
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
A Generalized Polynomial Chaos-Based Method for Efficient Bayesian Calibration of Uncertain Computational Models
本文讨论了动态模型的参数和结构的不确定性，特别是当不确定参数是未知的/知之甚少的时空变化的子系统模型的贝叶斯校准。具有不确定超参数的独立平稳高斯过程描述了模型结构和参数的不确定性，而Karhunnen-Loeve展开被用来谱表示这些高斯过程。将先验高斯过程的Karhunnen-Loeve展开投影到广义多项式混沌的基础上，而利用侵入式Galerkin投影计算模拟器输出的相关系数。贝叶斯推断用于更新广义多项式混沌基的先验概率分布，其与混沌展开系数一起表示后验概率分布。识别量化模拟器模型的可信度的后验分布的参数。所提出的方法被证明是校准的模拟器的准一维流动通过扩张喷嘴。
2012-11-01 math.PR stat.CO
Variational Calibration of Computer Models
EURECOM（欧洲通信研究院）
黑盒计算机模型的贝叶斯校准提供了一个既定的框架，以获得模型参数的后验分布。传统的贝叶斯校准涉及计算机模型的仿真和使用高斯过程的加性模型差异项;然后使用MCMC进行推断。这些选择提出了计算和统计的挑战和限制，我们克服了提出使用近似深高斯过程和变分推断技术。其结果是一个实用的和可扩展的框架校准，获得竞争力的性能相比，国家的最先进的。
2018-10-29 cs.LG stat.AP stat.ME
Bayesian Calibration of Imperfect Computer Models using Physics-Informed Priors
NTNU（挪威科技大学）
我们介绍了一个计算效率的数据驱动的框架，适用于量化的物理参数和模型制定的计算机模型，微分方程表示的不确定性。我们构建物理信息先验，这是多输出GP先验，编码模型的结构在协方差函数。这是扩展到一个完全贝叶斯框架，量化的物理参数和模型预测的不确定性。由于物理模型往往是不完美的描述真实的过程中，我们允许模型偏离观察到的数据，考虑差异函数。对于推断，使用哈密顿蒙特卡罗。此外，开发了大数据的近似，将计算复杂度从$\mathcal{O}(N^3)$降低到$\mathcal{O}(N\cdot m^2),$，其中$m \ll N.$我们的方法在模拟和真实数据案例研究中得到证明，其中物理学由时间相关的ODE描述（心血管模型）和时空相关的PDE（热方程）。研究表明，在以下情况下，我们的建模框架可以恢复物理模型的真实参数：1）现实比我们的建模选择更复杂; 2）数据采集过程存在偏差，同时也能产生准确的预测。此外，它表明，我们的方法是计算速度比传统的贝叶斯校准方法。
2023-01-31 cs.LG stat.ME stat.ML
