PAC Bayesian Performance Guarantees for Deep (Stochastic) Networks in Medical Imaging
University of Pittsburgh(匹兹堡大学)
深度神经网络在医学成像任务中的应用在某种意义上已经变得司空见惯。尽管如此,深度学习运动的一个“眼中钉”是认为深度网络容易过拟合,因此在数据集很小时无法很好地泛化(这在医学成像任务中很常见)。增强信心的一种方法是在训练后对网络性能提供数学保证或界限,明确量化过拟合的可能性。在这项工作中,我们探讨了最近的进展,使用PAC贝叶斯框架提供大(随机)网络的泛化误差的界限。虽然以前的努力集中在更大的自然图像数据集(例如,MNIST和CIFAR-10),我们将这些技术应用于较小的医学成像数据集(ISIC 2018挑战集)的分类和分割。我们观察到,与一个更简单的基线相比,由此产生的界限是有竞争力的,同时也更容易解释,并减轻了对坚持集的需求。
2021-07-08 cs.CV cs.LG stat.ML
Bayesian sparse reconstruction: a brute-force approach to astronomical imaging and machine learning
我们提出了一个原则性的贝叶斯信号重建框架,其中信号由基函数建模,基函数的数量(和形式,如果需要的话)由数据本身确定。这种方法是基于传统的稀疏重建和正则化技术的贝叶斯解释,其中稀疏性是通过先验贝叶斯模型选择。我们证明了我们的方法的噪声1-和2维信号,包括天文图像。此外,通过使用乘积空间方法,基函数的数量和类型可以被视为整数参数,其后验分布直接采样。我们表明,数量级的增加,计算效率是可能的,从这种技术相比,分别计算贝叶斯证据,进一步的计算收益是可能的,使用它与动态嵌套抽样相结合。我们的方法也可以很容易地应用于神经网络,它允许网络架构由数据确定的原则贝叶斯的方式,通过处理节点和隐藏层的数量作为参数。
2018-11-25 astro-ph.IM stat.ME stat.ML
Edge-promoting adaptive Bayesian experimental design for X-ray imaging
这项工作认为连续的边缘促进贝叶斯试验设计(离散)线性逆问题,例如X射线断层扫描。在贝叶斯框架中解释了通过滞后扩散率迭代计算成像体内吸收的总变分类型重建的过程。假设一个高斯加性噪声模型,这导致一个近似的高斯后验与协方差结构,其中包含信息的边缘位置的后验均值。然后通过A-最优贝叶斯设计选择下一个投影几何,这对应于最小化说明新投影的更新后验协方差阵的迹。二维和三维数值模拟数据的基础上的例子证明了所介绍的方法的功能。
2021-04-01 cs.NA math.NA stat.ME
Unlabelled landmark matching via Bayesian data selection, and application to cell matching across imaging modalities
我们考虑两个未标记的点集之间的地标匹配的问题,特别是在每个云中的点的数量可能不同,并且在每个云中的点可能没有相应的匹配。我们调用贝叶斯框架来识别将一个云映射到另一个云的坐标变换,以及点的对应关系。这个问题需要一个新的方法,贝叶斯数据的选择;模型参数的同时推理,并选择的数据,导致最适合的模型的大多数数据。我们将其应用于发育生物学中的一个问题,其中地标对应于分割的细胞中心,细胞的潜在死亡或分裂可能导致每个图像的点集之间的差异。我们使用计算机测试和显微注射荧光标记实验来验证我们的方法的有效性。随后,我们将我们的方法应用于实时成像和免疫染色实验之间的细胞匹配,促进成像模式之间的单细胞数据的组合。此外,我们的贝叶斯数据选择方法广泛适用于数据科学,并有可能改变我们对数据拟合模型的思考方式。
2022-05-31 stat.ME
A Bayesian Group Sparse Multi-Task Regression Model for Imaging Genetics
动机:脑成像和高通量基因分型技术的最新进展促使研究检查遗传变异对脑结构的影响。Wang等人(Bioinformatics,2012)已经开发了一种用于分析成像基因组研究的方法,该方法使用基于新的组$l_{2,1}$ -范数惩罚的具有正则化的惩罚多任务回归,该惩罚鼓励基因水平和SNP水平的结构化稀疏性。虽然结合了一些有用的功能,所提出的方法只提供了一个点估计的回归系数,进行统计推断的技术不提供。本文提出了一种新的贝叶斯方法来克服这一局限性。结果如下:我们开发了一种贝叶斯分层建模公式,其中后验模式对应于Wang等人提出的估计量(Bioinformatics,2012),以及一种允许完整后验推断的方法,包括构建回归参数的区间估计。我们表明,所提出的分层模型可以表示为一个三级高斯尺度的混合物,这种表示有利于使用一个吉布斯抽样算法后验模拟。仿真研究表明,使用我们的方法获得的区间估计达到足够的覆盖概率,优于那些从非参数自举。我们提出的方法被应用于分析的神经影像学和遗传数据收集的阿尔茨海默氏病神经影像学倡议(ADNI)的一部分,ADNI队列的分析清楚地表明,将区间估计超出只有点估计的价值增加时,单核苷酸多态性脑成像内表型。
2016-10-17 stat.AP stat.ME stat.ML
Sparse Bayesian Imaging of Solar Flares
Università di Genova(热那亚大学);CNR - SPIN Genova(意大利国家研究委员会自旋物理研究所热那亚分部)
本文提出了一种基于贝叶斯方法的稀疏成像技术,用于从NASA RHESSI数据中重建太阳耀斑图像,通过参数化方法和蒙特卡罗算法提高图像质量和参数不确定性量化。
2018-11-22 astro-ph.IM cs.NA math.NA
A deep-learning based Bayesian approach to seismic imaging and uncertainty quantification
Georgia Institute of Technology(佐治亚理工学院)
不确定性量化是必不可少的,当处理病态的反问题,由于固有的非唯一性的解决方案。贝叶斯方法允许我们通过公式化后验分布来确定未知参数的估计的可能性。不幸的是,通常不可能用公式表示一个先验分布,它精确地编码了我们关于未知的先验知识。此外,坚持手工制作的先验可能会极大地偏倚贝叶斯分析的结果。为了解决这个问题,我们建议使用随机初始化的卷积神经网络的函数形式作为隐式结构化先验,这被证明可以促进自然图像并排除具有非自然噪声的图像。为了将模型的不确定性纳入最终估计,我们使用随机梯度Langevin动力学对后验分布进行采样,并对获得的样本进行贝叶斯模型平均。我们的合成数值实验验证了深度先验与贝叶斯模型平均相结合能够部分规避成像伪影并降低极端噪声存在下过拟合的风险。最后,我们提出了逐点方差的估计作为衡量的不确定性,这与更难以成像的区域相吻合。
2020-01-15 cs.LG physics.geo-ph stat.ML
Simultaneous Skull Conductivity and Focal Source Imaging from EEG Recordings with the help of Bayesian Uncertainty Modelling
Tampere University(坦佩雷大学);University of Bath(巴斯大学)
脑电图(EEG)源成像问题是非常敏感的检查下的病人的头骨的电气建模。不幸的是,目前可用的EEG设备及其嵌入式软件没有考虑到这一点;相反,通常使用基于文献的颅骨电导率参数。在本文中,我们提出了一种基于贝叶斯近似误差方法的统计方法,以补偿由于未知的颅骨电导率引起的源成像误差,同时计算实际颅骨电导率值的低阶估计。通过使用模拟的EEG数据,对应于焦点源活动,我们证明了潜在的方法来重建潜在的焦点源和低阶错误引起的未知的颅骨电导率。随后,使用估计的误差来近似颅骨电导率。结果表明,在源定位精度和可行的颅骨电导率估计的明显改善。
2020-01-31 cs.LG eess.SP stat.AP
Bayesian spike inference from calcium imaging data
我们提出了有效的贝叶斯方法从钙成像数据中提取神经元尖峰信息。我们的方法的目标是从脉冲序列的后验分布和模型参数(基线浓度,尖峰幅度等)给定的噪声钙成像数据进行采样。我们提出了离散时间算法,其中我们使用Gibbs方法对每个时间箱中尖峰的存在进行采样,以及连续时间算法,其中我们使用Metropolis-Hastings方法以任意分辨率对尖峰的数量及其位置进行采样点过程。我们提供了Rao-Blackwellized扩展,(i)在几个模型参数上边缘化,(ii)在连续时间内提供边缘尖峰后验分布的平滑估计。我们的方法作为标准点估计的补充,并允许量化的不确定性估计的基础脉冲序列和模型参数。
2013-11-27 q-bio.NC q-bio.QM stat.AP
Bayesian imaging using Plug & Play priors: when Langevin meets Tweedie
University of Oxford(牛津大学);Institut Universitaire de France(法国大学研究院);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)
本文针对贝叶斯成像中 Plug & Play (PnP) 先验方法缺乏收敛证明的问题,提出了两种可证明收敛的算法 PnP-ULA 和 PnP-SGD,并建立了详细的收敛保证,适用于图像去模糊、修复和去噪等任务。
2022-01-12 cs.CV eess.IV math.ST
An Efficient Bayesian Framework for Uncertainty Quantification in Nonlinear Imaging Inverse Problems
Case Western Reserve University(凯斯西储大学);IIT Gandhinagar(甘地纳加尔印度理工学院)
针对定量光声层析成像和电阻抗断层成像这两个非线性成像逆问题,基于两阶段推进方法开发高效贝叶斯框架,通过为辅助变量制定回归问题并避免MCMC采样,以较低计算成本实现准确重建和可靠不确定性估计。
2026-07-14 math.ST stat.TH
Statistical modelling and Bayesian inversion for a Compton imaging system: application to radioactive source localisation
本文提出了一种用于康普顿成像系统的统计正向模型,并在贝叶斯框架下结合Metropolis within Gibbs和期望最大化算法求解逆问题,以估计点状源的位置和能量,相比传统反投影方法提高了准确性并支持不确定性量化。
2024-02-16 eess.IV math-ph math.MP
Generative Translation Priors: Bayesian Imaging with Cross-Modality Image Translation
Johns Hopkins University(约翰斯·霍普金斯大学);Stanford University(斯坦福大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本研究提出生成式翻译先验(GTP)贝叶斯框架,将扩散式图像翻译模型转化为跨模态先验,推导两种离散化算法,在CT、PET重建任务中验证其可有效融入跨模态信息,欠采样下仍实现高保真重建。
2026-09-01 cs.CV cs.LG eess.IV
On Bayesian posterior mean estimators in imaging sciences and Hamilton-Jacobi Partial Differential Equations
变分方法和贝叶斯方法是两种广泛应用于图像重建的方法。本文提出了Hamilton-Jacobi(HJ)偏微分方程与一类广泛的贝叶斯方法和具有高斯数据保真度项和对数凹先验的后验均值估计之间的原始联系。而某些一阶HJ偏微分方程的初始数据的解决方案描述在贝叶斯设置的最大后验估计,在这里,我们表明,一些粘性HJ偏微分方程的初始数据的解决方案描述了广泛的一类后验均值估计。这些连接使我们能够建立几个代表性的公式和最佳界限,涉及后验均值估计。特别地,我们使用这些连接到HJ偏微分方程表明,一些贝叶斯后验均值估计可以表示为两次连续可微函数的近似映射,而且我们推导出这些函数的表示公式。
2020-03-12 math.ST stat.TH
A Spatial Bayesian Semiparametric Mixture Model for Positive Definite Matrices with Applications to Diffusion Tensor Imaging
扩散张量成像(DTI)是一种流行的磁共振成像技术,用于表征大脑中的微观结构变化。DTI研究使用估计的3x3对称正定扩散张量矩阵量化体素中水分子的扩散。DTI数据的统计分析具有挑战性,因为数据是正定矩阵。矩阵变量信息通常由单变量(例如分数各向异性(FA))概括,导致信息丢失。此外,DTI分析通常忽略相邻体素的空间关联,这可能导致不精确的估计。虽然空间建模的文献是丰富的,建模空间依赖正定矩阵是具有挑战性的。为了缓解这些问题,我们提出了一个矩阵变量贝叶斯半参数混合模型,其中正定矩阵分布为逆Wishart分布的混合物,混合物成分标签的马尔可夫模型捕获的空间依赖性。共轭和双梅特罗波利斯-黑斯廷斯算法导致快速和优雅的贝叶斯计算。我们的仿真研究表明,所提出的方法是更强大的比非空间的方法。我们还应用所提出的方法来研究可卡因使用对大脑结构的影响。我们的工作的贡献是提供了一个新的统计推断工具的DTI分析扩展空间统计学的矩阵变量数据。
2019-03-18 stat.AP stat.ME
Bayesian Pharmacokinetic Modeling of Dynamic Contrast-Enhanced Magnetic Resonance Imaging: Validation and Application
动态对比度增强磁共振成像数据的示踪剂动力学分析通常使用众所周知的Tofts模型和非线性最小二乘(NLLS)回归来执行。该方法产生模型参数的点估计,这些估计的不确定性可以例如通过附加的自举分析来评估。在这里,我们提出了一个贝叶斯概率建模方法的示踪剂动力学分析与Tofts模型,产生后验概率分布的灌注参数,因此承诺一个强大的和信息丰富的替代方案的基础上的框架概率分布。在本手稿中,我们使用定量成像生物标志物联盟(QIBA)Tofts体模来评估贝叶斯Tofts模型(BTM)与自举NLLS方法的对比。此外,我们演示了如何贝叶斯后验概率分布可以用来评估乳腺癌DCE-MRI数据集使用科恩的d。验证了BTM后验分布的准确度和精密度,发现与NLLS方法一致性良好,并且发现在参数估计的不确定性方面的治疗反应评估非常出色。总之,贝叶斯建模方法提供了一种优雅的手段,通过后验分布在一个步骤内确定不确定性,并提供有关参数估计值变化的诚实信息。
2019-04-03 physics.med-ph stat.AP
Bayesian imaging inverse problem with SA-Roundtrip prior via HMC-pCN sampler
Central South University(中南大学);Tongji University(同济大学)
本文提出SA-Roundtrip深度生成先验,结合自注意力双向GAN学习数据内在维度,并在低维潜在空间用HMC-pCN算法进行贝叶斯推断,在CT重建实验中优于现有方法并实现精确不确定性量化。
2023-10-24 cs.AI cs.LG math.PR
Variational Bayesian Imaging with an Efficient Surrogate Score-based Prior
California Institute of Technology(加州理工学院)
提出一种基于证据下界的高效代理先验,用于变分贝叶斯成像,在保持后验估计准确性的同时将优化速度提升至少两个数量级,为高维图像逆问题提供了实用解决方案。
2024-08-27 cs.CV
A Horseshoe mixture model for Bayesian screening with an application to light sheet fluorescence microscopy in brain imaging
在本文中,我们重点关注使用光片荧光显微镜(一种最近开发的全脑成像技术)识别差异激活的大脑区域。大多数现有的统计方法通过将大脑区域划分为两类来解决这个问题:显着和非显着激活。然而,对于我们研究的中心脑成像问题,这种二进制分组可能会通过过滤掉微弱但重要的信号来提供过于简单的发现,这些信号通常被数据中存在的噪声所掺杂。为了克服这一限制,我们引入了一种新的贝叶斯方法,该方法允许将大脑区域分类为具有不同程度相关性的几个层次。我们的方法是基于收缩先验的组合-广泛用于回归和多重假设检验问题-和混合模型-通常用于基于模型的聚类。在现有的正则化先验分布,它使用的尖峰和板前或连续规模的混合物,我们的类先验是基于连续规模的混合物的离散混合物,并设计了一个集群收缩版本的马蹄事先。因此,我们的方法为贝叶斯稀疏估计提供了一个更通用的设置,大大减少了所需的收缩参数的数量,并创建了一个跨感兴趣单元共享信息的框架。我们表明,这种方法导致我们的大脑成像问题更有生物学意义和可解释的结果,因为它允许活跃和不活跃的区域之间的歧视,而在同一时间排名的发现到集群代表层相似的重要性。
2023-01-27 stat.ME
Comparison of classical and Bayesian imaging in radio interferometry
CLEAN是无线电干涉测量中常用的成像算法,但它有许多缺点:在其基本版本中,它没有漫射通量的概念,并且将CLEAN分量与CLEAN波束卷积的常见做法消除了超分辨率的可能性;它不输出不确定性信息;它产生具有非物理负通量区域的图像;并且其结果高度依赖于所谓的加权方案以及任何人对引导成像的CLEAN掩模的选择。在这里,我们提出了贝叶斯成像算法解决,解决了上述问题,自然导致超分辨率。我们对天鹅座~A进行了四个不同频率的VLA观测,并利用单尺度CLEAN、多尺度CLEAN和分辨成像。除了天空亮度分布解析估计的噪声预算,贝叶斯等效的加权方案的基线相关的校正函数。我们报告的噪声校正系数在0.4和429之间。通过解析实现的增强是以更高的计算工作量为代价的。
2021-01-25 astro-ph.IM stat.AP
Reconstruction-Aware Imaging System Ranking by use of a Sparsity-Driven Numerical Observer Enabled by Variational Bayesian Inference
Washington University in St Louis(圣路易斯华盛顿大学);University of Arizona(亚利桑那大学)
人们普遍认为,成像系统性能的优化应遵循基于任务的图像质量(IQ)指标。有人主张,成像硬件或数据采集设计应通过使用理想的观察者(IO),利用充分的统计知识的测量噪声和类的对象被成像,而不考虑重建方法进行优化。在实践中,完整对象统计的准确和易处理的模型通常难以确定。此外,在采用压缩感测概念的成像系统中,成像硬件和稀疏图像重建是固有耦合的技术。在这项工作中,一个稀疏驱动的观察员(SDO),可以用来优化硬件通过使用一个随机对象模型描述对象稀疏性的描述和调查。因此,SDO和稀疏重建方法可以在它们都利用关于要成像的对象的类别的相同统计信息的意义上“匹配”。为了有效地计算SDO检验统计量,最近开发的计算工具,变分贝叶斯推理稀疏线性模型。使用SDO排名数据采集设计在一个程式化的例子,磁共振成像(MRI)的动机证明。这项研究表明,SDO可以产生的排名是一致的重建图像的视觉评估,但不同的使用传统的霍特林观察员(HO)。
2019-05-14 cs.CV stat.AP
Data augmentation in Rician noise model and Bayesian Diffusion Tensor Imaging
绘制白质束是了解大脑功能的重要一步。扩散磁共振成像(dMRI)是唯一的非侵入性技术,它可以检测在体内的水分子,这对应于在活的大脑中的神经纤维的三维扩散的各向异性。在这个过程中,通过磁共振扫描仪收集来自水分子位移分布的光谱数据。从统计学的观点来看,从这种稀疏和有噪声的光谱测量中反演傅立叶变换导致非线性回归问题。扩散张量成像(DTI)是最简单的建模方法,假设每个体积元素(体素)的高斯位移分布。通常,推断是基于线性对数正态回归模型,该模型可以拟合低频下的光谱数据。然而,这种近似不能拟合高频测量,高频测量包含关于位移分布的细节的信息,但具有低信噪比。在本文中,我们直接与赖斯噪声模型,并涵盖了整个范围的$b$值。利用数据增广来表示似然,我们将非线性回归问题归结为广义线性模型的框架。然后,我们构建了贝叶斯分层模型,以便同时进行张量场的估计和正则化。最后,利用马尔可夫链蒙特卡罗实现了贝叶斯范式。
2014-03-20 stat.AP stat.CO stat.ME
Proximal nested sampling for high-dimensional Bayesian model selection
本文提出近端嵌套采样方法,结合嵌套采样与近端MCMC技术,用于高维贝叶斯成像模型选择,可处理维度达10^6以上的非光滑对数凹模型,并在高斯模型和多种成像问题上验证了其有效性。
2022-09-09 astro-ph.IM stat.ME
Bayesian Volumetric Autoregressive generative models for better semisupervised learning
Institute of Neurology, UCL(伦敦大学学院神经病学研究所);School of Biomedical Engineering and Imaging Sciences, Kings College London(伦敦国王学院生物医学工程与成像科学学院)
深度生成模型在医学成像中迅速获得牵引力。尽管如此,大多数生成架构都难以捕获体积数据的潜在概率分布,存在收敛问题,并且没有提供模型不确定性的鲁棒指数。相比之下,自回归生成模型PixelCNN可以相对容易地扩展到体积数据,它很容易尝试学习真实的潜在概率分布,并且仍然允许贝叶斯重构,为模型不确定性的推理提供了原则性框架。我们在本文中的贡献有两个方面:首先,我们扩展了PixelCNN,使其能够处理体积脑磁共振成像数据。其次,我们表明,重新制定这个模型,以近似深高斯过程产生的不确定性的措施,提高性能的半监督学习,特别是分类性能的设置中的标记数据的比例是低的。我们在分类、回归和语义分割任务中量化了这种改进,并对包括T1加权和扩散加权序列的临床磁共振脑成像数据进行了训练和测试。
2019-07-26 cs.CV cs.LG eess.IV
Deep Bayesian inference for seismic imaging with tasks
我们建议使用来自贝叶斯推断和深度神经网络的技术,将震波成像中的不确定性转化为在图像上执行的任务中的不确定性,例如层位跟踪。震波成像是一个不适定的反问题,因为带宽和孔径的限制,这是由噪声和线性化误差的存在而阻碍。许多正则化方法,如变换域稀疏提升,已被设计来处理这些错误的不利影响,然而,这些方法运行的偏差的解决方案的风险,并没有提供信息的不确定性在图像空间中,以及这种不确定性如何影响图像上的某些任务。提出了一种系统的方法来翻译的不确定性,由于在数据中的噪声自动跟踪的图像中的地平线的置信区间。不确定性由卷积神经网络(CNN)表征,并且为了评估这些不确定性,从用于参数化图像的CNN权重的后验分布中提取样本。与传统的先验相比,文献中认为这些CNN引入了一种灵活的归纳偏差,非常适合各种各样的问题。采用随机梯度Langevin动力学方法对后验分布进行采样。该方法被设计为处理大规模的贝叶斯推断问题,其具有如在震波成像中的计算上昂贵的前向算子。除了提供一个强大的替代方案,以最大化后验估计,这是容易过度拟合,访问这些样本使我们能够转换图像中的不确定性,由于数据中的噪声,跟踪地平线上的不确定性。例如,它允许估计图像上的逐点标准差和其自动跟踪范围上的置信区间。
2022-06-15 physics.geo-ph stat.ML
Variational Auto-encoded Deep Gaussian Processes
University of Sheffield(谢菲尔德大学)
我们通过用识别模型增强深度高斯过程来开发一个可扩展的深度非参数生成模型。推理是在一种新型的可扩展变分框架中进行的,其中变分后验分布通过多层感知器重新参数化。这种重新表述的关键方面是,它可以防止扩散的变分参数,否则线性增长的样本大小成比例。我们推导出一种新的变分下界公式,使我们能够以一种能够处理主流深度学习任务大小的数据集的方式分配大部分计算。我们展示了该方法对各种挑战的有效性,包括深度无监督学习和深度贝叶斯优化。
2016-02-29 cs.LG stat.ML
Generalizing imaging biomarker repeatability studies using Bayesian inference: Applications in detecting heterogeneous treatment response in whole-body diffusion-weighted MRI of metastatic prostate cancer
提出一种基于 Hamiltonian Monte Carlo 的贝叶斯框架,以量化不同分布假设下影像异质性生物标志物的测量不确定性,并在 mCRPC 的 WBDWI 数据中验证其疗效评估价值。
2025-05-14 eess.IV stat.AP
Preference Exploration for Efficient Bayesian Optimization with Multiple Outcomes
Meta;Cornell University(康奈尔大学)
我们考虑贝叶斯优化昂贵的评估实验,产生向量值的结果,决策者(DM)的偏好。这些偏好由效用函数编码,该效用函数以封闭形式未知,但可以通过要求DM表达对结果向量的偏好来估计。为了解决这个问题,我们开发了贝叶斯优化与偏好探索,一个新的框架,交互式实时偏好学习与DM通过成对比较的结果之间的交替,贝叶斯优化与学习的DM效用和结果的组合模型。在这个框架内,我们提出了专门为这项任务设计的偏好探索策略,并通过广泛的模拟研究证明了它们的性能。
2022-03-21 cs.LG math.OC stat.ML
Efficient Bayesian Computation Using Plug-and-Play Priors for Poisson Inverse Problems
本文提出两种方法,利用插件式先验解决低光子泊松成像问题中的不确定性与约束挑战。
2026-01-09 cs.CV cs.NA math.NA
Bayesian active learning for choice models with deep Gaussian processes
Northwestern University(西北大学)
在本文中,我们提出了一个主动学习算法和模型,可以逐步学习个人的偏好,通过两两比较。主动学习方案的目的是找到个人的最喜欢的选择与最小数量的成对比较。基于选择模型和深度高斯过程的假设,将成对比较编码到概率模型中。下一个比较的决定是由一个新的采集功能。我们使用具有多个局部最优值和一个公共航空公司行程数据集的函数对所提出的算法和模型进行基准测试。实验结果表明了该主动学习算法和模型的有效性。
2018-05-04 cs.LG stat.ML
Marginal likelihood based model comparison in Fuzzy Bayesian Learning
Imperial College London(伦敦帝国学院);Sciemus Ltd(Sciemus有限公司);University of Oxford(牛津大学)
在最近的一篇论文[1]中,我们介绍了模糊贝叶斯学习(FBL)范式,其中专家意见可以以模糊规则库的形式编码,模糊集的超参数可以使用贝叶斯方法从数据中学习。本文扩展了这项工作,选择最合适的规则库之间的一组竞争的替代品,最好的解释数据,通过计算模型的证据或边际似然。我们解释了为什么这是一个有吸引力的替代简单地最小化预测的均方误差度量,并显示了使用合成的例子和现实世界的案例研究在金融服务部门的命题的有效性。
2017-03-29 cs.LG stat.ML
Random spanning tree Markov random field priors for Bayesian inverse problems in imaging
University of Eastern Finland(东芬兰大学)
本文提出了一种基于随机生成树的马尔可夫随机场先验,用于解决成像中的贝叶斯反问题,通过将连续和离散随机变量结合,改进了图像去噪、去模糊和修复等任务的性能。
2026-05-18 stat.CO stat.ME
Anatomically informed Bayesian spatial priors for fMRI analysis
现有的贝叶斯空间先验的功能性磁共振成像(fMRI)数据对应于静态各向同性平滑滤波器,可能过度平滑解剖边界。我们提出了两个解剖学上知情的贝叶斯空间模型的功能磁共振成像数据与局部平滑的基础上,从T1加权的解剖图像估计的张量场在每个体素。我们表明,我们的解剖学上知情的贝叶斯空间模型的结果在后验概率地图,遵循解剖结构。
2019-10-18 eess.IV q-bio.NC stat.ME
Functional Bayesian Networks for Discovering Causality from Multivariate Functional Data
多元函数数据有着广泛的应用。一项基本任务是理解这些功能对象之间的因果关系,这一点尚未得到充分探讨。在这篇文章中,我们开发了一个新的贝叶斯网络模型的多元函数数据的条件独立性和因果结构都编码的有向无环图。具体地说,我们允许函数对象偏离高斯过程,这是大多数现有的函数数据分析模型所采用的。更合理的非高斯假设是唯一的因果结构识别的关键,即使在测量的函数与噪声。设计了一个完全贝叶斯框架,通过后验摘要来推断具有自然不确定性量化的功能贝叶斯网络模型。仿真研究和实际数据的例子被用来证明所提出的模型的实际效用。
2022-10-23 stat.ME
Bayesian Inference for Brain Activity from Functional Magnetic Resonance Imaging Collected at Two Spatial Resolutions
针对术前fMRI空间精度与信噪比难以兼顾的问题,提出融合高、标准分辨率数据的高斯过程贝叶斯模型及可扩展后验算法,提升脑活动强度推断准确性。
2023-06-06 stat.AP stat.ME
A Plug-and-Play Method with Inpainting Network for Bayesian Uncertainty Quantification in Imaging
Heriot-Watt University(赫瑞-瓦特大学);University of Edinburgh(爱丁堡大学);Maxwell Institute for Mathematical Sciences(麦克斯韦数学科学研究所)
本文提出一种基于修复网络的插拔算法,用于图像贝叶斯不确定性量化,通过卷积修复神经网络改进局部结构检测方法,应用于医学图像重建问题。
2026-05-07 stat.ME
Robust Bayesian target detection algorithm for depth imaging from sparse single-photon data
本文提出了一种新的贝叶斯模型和相关算法,用于在非常低的光子计数(即,通常小于每像素20个光子)。该模型将每个激光雷达波形表示为未知的恒定背景水平,该背景水平在存在目标的情况下被组合到由目标强度加权并最终被泊松噪声破坏的已知脉冲响应。联合目标检测和深度成像问题表示为逐像素模型选择和估计问题,其使用贝叶斯推断来解决。有关问题的先验知识被嵌入在一个层次模型中,该模型描述了模型参数之间的依赖结构,同时考虑了它们的约束。特别是,马尔可夫随机场(MRF)被用来模拟联合分布的背景水平和目标存在的标签,这两者都被期望表现出显着的空间相关性。然后,提出了一种自适应马尔可夫链蒙特卡罗算法,包括可逆跳跃更新计算的贝叶斯估计的兴趣。该算法具有随机优化自适应机制,通过最大边际似然估计自动调整MRF的参数。最后,通过一系列使用真实数据的实验证明了所提出的方法的好处。
2016-10-13 physics.ins-det stat.AP
Efficient Aerosol Retrieval for Multi-angle Imaging SpectroRadiometer (MISR): A Bayesian Approach
针对多角度成像光谱辐射计(MISR)气溶胶光学厚度(AOD)反演算法的研究现状,提出了一种分层贝叶斯模型。然而,在他们的工作中使用的推理算法是马尔可夫链蒙特卡罗(MCMC),据报道,这是令人望而却步的缓慢。MCMC的速度差,大大限制了生产的可行性贝叶斯框架,如果大规模(如全球范围内)的气溶胶检索是理想的。在本文中,我们提出了一种替代的优化方法,以减轻速度问题。特别是,我们采用最大化后验概率(MAP)方法,并应用无梯度的“爬山”算法:坐标随机搜索。我们的方法比MCMC快得多(约100倍),更容易收敛,对超参数不敏感。为了进一步扩展我们的方法,我们使用Apache Spark并行化了我们的方法,它实现了CPU核心数量高达16的线性加速。由于这些努力,我们能够检索AOD在更精细的分辨率(1.1公里)与一小部分的时间消耗相比,现有的方法。在我们的研究中,我们发现,在低AOD水平,贝叶斯网络往往会产生高估的检索。我们还发现,高吸收气溶胶类型的检索在同一时间。这可能是由气溶胶类型的狄利克雷先验引起的,因为它表明在实践中鼓励选择吸收类型。将Dirichlet变换为均匀分布后,反演的气溶胶光学厚度与地面观测值在各层均表现出良好的一致性。
2017-08-06 stat.AP
A nonstationary nonparametric Bayesian approach to dynamically modeling effective connectivity in functional magnetic resonance imaging experiments
有效的连通性分析通过研究激活区域如何相互影响来了解大脑的功能组织。我们提出了一个非参数贝叶斯方法来模拟有效的连接假设一个动态的非平稳神经元系统。我们的方法使用Dirichlet过程来指定一个适当的(根据我们的先验信念最合理的)动态模型作为一组合理模型的“期望”,我们分配一个概率分布。这解决了与动态有效连接相关的模型不确定性。我们推导出一个吉布斯抽样方法,从联合(和边缘)的后验分布的未知数。仿真实验结果表明,我们的模型是灵活的,在许多情况下是一个更好的候选人。我们还使用我们的方法来分析Stroop任务的功能性磁共振成像(fMRI)数据:我们的分析为个体大脑区分和学习物体形状的机制提供了新的见解。
2011-07-21 stat.AP
Covariate-guided Bayesian mixture model for multivariate time series
随着脑活动和结构测量技术的迅速发展,现代脑成像的统计分析方法在科学进步中发挥着重要作用。测量脑功能的成像数据通常是多变量时间序列,并且在成像源和受试者之间是异质的,这导致各种统计和计算挑战。在本文中,我们提出了一种基于组的方法,通过贝叶斯混合平滑样条聚类的多元时间序列的集合。我们的方法假设每个多元时间序列是具有不同混合权重的多个分量的混合。与时间无关的协变量被假定为与混合物成分相关联,并通过混合专家模型的逻辑权重进行合并。我们制定了一个完整的贝叶斯框架下使用吉布斯抽样的组件的数量是基于偏差信息标准选择这种方法。所提出的方法相比,现有的方法,通过模拟研究,并适用于功能性近红外光谱(fNIRS),其目的是了解婴儿的情绪反应和恢复压力的研究。结果揭示了大脑活动的不同模式,以及这些模式与选定的协变量之间的关联。
2023-01-03 stat.AP stat.CO stat.ME
Bayesian nonparametric analysis for the detection of spikes in noisy calcium imaging data
最近在小型化荧光显微镜的进步,使人们有可能通过分析细胞内的钙信号,在清醒的行为动物的神经元对外部刺激的反应。一个持续的挑战是去卷积的时间信号,以提取尖峰列车从嘈杂的钙信号的时间序列。在这篇手稿中,我们提出了一个嵌套贝叶斯有限混合规范,允许尖峰活动的估计,同时,重建在不同的实验条件下的钙瞬态尖峰的幅度分布。该模型利用两个嵌套层的随机离散混合先验借用实验之间的信息,并发现神经元对不同刺激的反应的分布模式的相似性。此外,尖峰的强度值也在实验条件内和实验条件之间聚类,以确定共同(重现)响应幅度的存在。仿真研究和艾伦脑天文台的数据集的分析表明,该方法在聚类和检测神经元活动的有效性。
2022-01-27 stat.AP
Latent Score-Based Bayesian Cramér-Rao Bound Estimation for High-Dimensional Imaging Systems
Oden Institute for Computational Engineering and Sciences, the University of Texas at Austin(德克萨斯大学奥斯汀分校奥登计算工程与科学研究所);Graduate School of Biomedical Sciences at UT Southwestern Medical Center(德克萨斯大学西南医学中心生物医学科学研究生院);Mallinckrodt Institute of Radiology at Washington University in St. Louis(圣路易斯华盛顿大学马林克罗特放射学研究所)
提出数据驱动框架,在预训练变分自编码器潜在空间中估计高维成像系统的贝叶斯克拉美-罗界,引入Bochner空间切片分数匹配抑制高频伪影,并在百万参数qPACT乳腺成像中验证,获得稳定无伪影的界估计并揭示先验对设计方案的影响。
2026-10-06 cs.IT cs.LG cs.NA
Symmetry Exploits for Bayesian Cubature Methods
Aalto University(阿尔托大学);Newcastle University(纽卡斯尔大学)
本文研究了如何利用对称性来改进贝叶斯立方法,提出了一种新的方法来减少计算成本,并扩展了贝叶斯立方法、贝叶斯-萨德立方法和多输出贝叶斯立方法的对称性利用。
2019-01-26 cs.NA math.NA stat.CO
DiBS: Differentiable Bayesian Structure Learning
ETH Zurich(苏黎世联邦理工学院);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所)
贝叶斯结构学习允许从数据中推断贝叶斯网络结构,同时推理认知不确定性-这是实现主动因果发现和设计现实世界系统干预措施的关键要素。在这项工作中,我们提出了一个一般的,完全可微的框架贝叶斯结构学习(DiBS),在连续空间的潜在概率图表示。与现有的工作相反,DiBS是不可知的形式的局部条件分布,并允许联合后验推理的图形结构和条件分布参数。这使得我们的公式直接适用于复杂贝叶斯网络模型的后验推理,例如,由神经网络编码的非线性相关性。使用DiBS,我们设计了一个有效的,通用的变分推理方法近似分布结构模型。在模拟和真实世界的数据的评估,我们的方法显着优于相关的联合后验推理方法。
2021-12-16 cs.LG stat.ML
Nonlocal Prior Mixture-Based Bayesian Wavelet Regression with Application to Noisy Imaging and Audio Data
本文提出一种基于三成分尖峰-厚板先验的贝叶斯小波回归方法,结合MOM与IMOM先验并采用经验贝叶斯估计超参数,在脑电图和含噪音频数据上显著优于双成分小波方法。
2025-08-23 stat.AP stat.ME
Bayesian spatial transformation models with applications in neuroimaging data
本文的目的是开发一类空间变换模型(STM),在空间上模拟成像措施之间的变化关联在一个三维(3D)体积(或2D表面)和一组协变量。我们的STM包括一个不同的Box-Cox变换模型,用于处理非高斯分布的成像数据和高斯马尔可夫随机场模型的问题,将空间平滑的成像数据。后验计算通过有效的马尔可夫链蒙特卡罗算法进行。仿真和实际数据分析表明,STM在恢复有意义的几何图案方面明显优于带高斯噪声的逐体素线性模型。我们的扫描隧道显微镜能够揭示儿童注意缺陷多动障碍的重要脑区的形态学变化。
2016-07-26 stat.AP
Voxel-wise Bayesian Estimation for Multi-Population Positronium Lifetime Imaging
University of Central Florida(中佛罗里达大学);University of Bern(伯尔尼大学)
针对现有正电子素寿命成像(PLI)忽略同一位置多寿命群体的问题,提出三维群体特异性贝叶斯框架,通过体素级估计实现高效的多群体PLI,保留局部变异与不确定性,模拟和实验验证其有效性。
2026-08-25 stat.AP
Bayesian design of measurements for magnetorelaxometry imaging
本文针对磁弛豫成像中激活线圈位置选择问题,提出基于贝叶斯最优实验设计的顺序优化方法,结合高斯与全变差先验并利用滞后扩散迭代近似后验,实验表明非对称目标下优化位置可显著提升重建精度。
2023-05-31 cs.NA math.NA math.ST
A Bayesian Framework for Uncertainty-Aware Estimation of Main Pulmonary Artery Velocity Profiles from Phase-Contrast MRI
Edwards Lifesciences Foundation Cardiovascular Innovation and Research Center, Department of Biomedical Engineering, University of California, Irvine(加州大学尔湾分校爱德华生命科学基金会心血管创新与研究中心生物医学工程系)
提出一个贝叶斯框架,结合二维相位对比MRI和机理速度剖面公式,生成考虑不确定性的个体化肺动脉速度表示。
2026-05-28 stat.AP
Low-dose cryo electron ptychography via non-convex Bayesian optimization
最近,电子重叠关联成像对于原子或近原子分辨率的相敏成像的兴趣激增。然而,迄今为止,应用主要限于辐射硬样品,因为所需的剂量太高,无法以高分辨率对生物样品进行成像。我们建议使用非凸,贝叶斯优化来克服这个问题,并减少成功重建所需的剂量由两个数量级相比,以前的实验。我们建议使用这种方法在低温下对单个生物大分子进行成像,并在20 $e^- / Å^2$的剂量下从分辨率为7.9 μ $\,$的模拟数据中展示2D单粒子重建。当仅对15个低剂量数据集取平均值时,对于大分子复合物,4 μ $\,$的分辨率是可能的。由于其独立于显微镜的传递函数,直接恢复的相位衬度和更好的缩放的信噪比,冷冻电子重叠关联可能成为一个有前途的替代泽尼克相衬显微镜。
2017-02-19 math.OC physics.comp-ph physics.data-an
A hierarchical Bayesian perspective on majorization-minimization for non-convex sparse regression: application to M/EEG source imaging
优化最小化(MM)是一种标准的迭代优化技术,它包括最小化一系列凸代理泛函。MM方法已经特别成功地解决了逆问题和统计机器学习问题,其中正则化项是稀疏促进凹函数。然而,由于非凸性,MM找到的解决方案取决于它的初始化。均匀初始化是最自然和最常用的策略,因为它归结为在第一次MM迭代中同等地惩罚所有系数。然而,这种任意的选择可能会导致不满意的结果,严重欠确定的逆问题,如源成像与磁和脑电图(M/EEG)。层次贝叶斯模型(HBM)的框架是一种替代方法来编码稀疏性。这项工作表明,对于某些分层模型,一个简单的交替方案来计算完全贝叶斯最大后验概率(MAP)估计,导致与标准MM策略完全相同的更新序列(参见。Adaptive Lasso)。有了这个平行概述,我们展示了如何改进这些MM技术,探测多峰后验密度使用马尔可夫链蒙特卡罗(MCMC)技术。首先,我们表明,这些样本可以提供充分知情的初始化,帮助MM计划,以达到更好的局部极小值。其次,我们展示了它如何能够揭示不同模式的后验分布,以探索和量化的内在不确定性和模糊性,这种不适定的推理过程。在M/EEG的上下文中,每个模式对应于神经源的合理配置,这对于数据解释至关重要,特别是在临床环境中。模拟和真实数据集上的结果显示了传感器的数量或类型如何影响估计的不确定性。
2018-06-06 stat.AP
Intersection Two-Vehicle Crash Scenario Specification for Automated Vehicle Safety Evaluation Using Sequence Analysis and Bayesian Networks
本文提出了一种基于碰撞序列分析和贝叶斯网络建模的测试场景描述方法。交叉口两车碰撞数据来自2016年至2018年国家公路交通安全管理局碰撞报告抽样系统数据库。涉及碰撞的车辆根据其初始位置和轨迹进行了重新编号。碰撞序列被编码为包括详细的预碰撞事件和简明的碰撞事件。基于序列模式,将事故分为55种类型。贝叶斯网络模型的开发,以描述碰撞序列类型,碰撞后果,人为因素和环境条件之间的相互关系。通过查询贝叶斯网络条件概率表来指定场景。基于序列类型的条件指定操作设计域属性的分布,例如驾驶员行为、天气、照明条件、交叉口几何形状、交通控制设备。此外,序列类型的分布根据特定的崩溃结果或操作设计域属性的组合来指定。
2022-08-19 stat.AP
Compatibility-based Bayesian inference: asymptotic limits, variational principles, and Wasserstein geometry
University of Insubria(因苏布里亚大学)
该研究针对近似贝叶斯推理开发了统一测度论框架,结合差异、变分、传输等视角得出收敛结果与渐近表征,为相关推理提供多维度理论支撑。
2026-10-27 math.PR math.ST stat.TH
Bayesian variable selection using an informed reversible jump in imaging genetics: an application to schizophrenia
针对影像遗传学精神分裂症风险评估,本文为可逆跳MCMC贝叶斯变量选择提出数据驱动的知情提议,并用贝叶斯probit模型与模型平均实现判别变量选择和风险预测。
2025-01-10 stat.AP stat.CO stat.ME