A Practical Framework for Sensitivity Analysis in Externally Controlled Trials: An Illustration with a Bayesian Hybrid Evidence Synthesis Case Study
AbbVie（艾伯维）
针对外部对照试验中借用假设的敏感性分析缺乏结构化模板的问题，提出一个三支柱框架，包含八种模块化分析，并通过模拟数据示例展示其应用。
2026-06-29 stat.AP stat.ME
Bayesian Synthesis: Combining subjective analyses, with an application to ozone data
贝叶斯模型平均使人们能够以连贯的方式组合多个模型的不同预测，从而获得卓越的预测性能。性能的提高来自于对做出不同预测的模型进行平均。在这项工作中，我们利用可能是不同预测的最大驱动力-不同的分析师-以获得模型平均的全部好处。在我们的方法的标准实现中，几个数据分析师独立地处理数据集的各个部分，得出单独的模型，这些模型最终通过特定的加权方法进行更新和组合。我们称这个建模过程为贝叶斯综合。该方法有助于减轻人们对贝叶斯范式的基本基础与贝叶斯统计实践之间存在巨大差距的担忧。在实验工作中，我们表明，人类建模的预测性能优于许多自动建模技术，包括AIC，BIC，平滑样条，CART，袋装CART，贝叶斯CART，BMA和LARS，只有略逊于BART。我们还表明，贝叶斯合成进一步提高了预测性能。此外，我们检查了分析师之间的简单平均值的预测性能，我们称之为凸合成，并发现它也产生了改进。
2011-07-29 stat.AP
Bayesian model-data synthesis with an application to global Glacio-Isostatic Adjustment
我们介绍了一个框架，更新大规模的地理空间过程中使用的模型数据合成方法的基础上贝叶斯分层建模。两个主要的挑战来自于更新大规模高斯过程和建模的非平稳性。为了解决第一个问题，我们采用了SPDE方法，使用稀疏高斯马尔可夫随机场（GMRF）的近似，以减少计算成本，并通过使用INLA方法实现贝叶斯推断。对于非平稳的全球进程，我们提出了两个通用的模型，以适应常见的地理空间问题。最后，我们展示了一个例子，更新全球冰川均衡调整（GIA）的估计使用GPS测量。
2018-04-30 stat.AP stat.OT
Bayesian Predictive Decision Synthesis
该研究提出贝叶斯预测决策综合（BPDS）方法，以决策导向视角拓展模型不确定性研究，通过新颖的主观贝叶斯模型加权视角，将决策分析结果整合到多模型评估比较中，并在回归设计、金融预测等场景验证了有效性。
2023-05-05 math.ST stat.ME stat.TH
Bayesian Causal Synthesis for Meta-Inference on Heterogeneous Treatment Effects
本文提出 Bayesian causal synthesis，通过综合多个因果估计并识别综合函数，在模型误设和未观测混杂下实现异质性处理效应的一致估计，并以模拟和实证验证其优势。
2024-05-08 stat.ME
Value of Information: Sensitivity Analysis and Research Design in Bayesian Evidence Synthesis
假设我们有一个贝叶斯模型，它结合了来自几个不同来源的证据。我们想知道哪些模型参数最影响模型的估计或决策，或者哪些参数不确定性导致决策不确定性。此外，我们希望优先考虑应该收集哪些进一步的数据。这些问题可以通过信息价值（VoI）分析来解决，在该分析中，我们通过学习特定参数或收集给定设计的数据来估计预期的损失减少。我们描述了贝叶斯证据合成的VOI的理论和实践，使用和扩展的想法，从卫生经济学，计算机建模和贝叶斯设计。该方法是一般的一系列决策问题，包括点估计和离散行动之间的选择。我们将它们应用于估计艾滋病毒感染流行率的模型，结合来自几次调查，登记和专家信念的间接信息。该分析显示了哪些参数对每个流行率估计值的不确定性贡献最大，并提供了通过收集特定数量的额外数据而预期的精度改进。
2017-03-27 stat.AP
Bayesian Predictive Synthesis with Outcome-Dependent Pools
本文研究贝叶斯预测合成（BPS）方法，聚焦结果依赖型模型混合框架，提出动态BPS新方法并通过金融时间序列分析验证，拓展了多模型预测密度融合的理论与应用。
2023-05-03 stat.ME
Bayesian Data Synthesis and Disclosure Risk Quantification: An Application to the Consumer Expenditure Surveys
发布根据数据估算的模型生成的合成数据有助于统计机构传播具有高度实用性和隐私保护的答卷人数据。在美国劳工统计局的消费者支出调查（CE）中传播包含地理信息的敏感变量的挑战，我们提出了两个非参数贝叶斯模型作为每个数据记录的县标识符的数据合成器：贝叶斯潜在类模型和贝叶斯面积模型。这两种数据合成器都使用Dirichlet Process先验来聚类具有相似特征的观测值，并允许在观测值之间借用信息。我们开发了创新的披露风险措施，以量化CE机密数据中的固有风险，以及我们提出的合成器如何改善这些数据风险。通过分别在最小和最大披露风险情景下创建披露风险的下限和上限，我们提出的固有风险度量提供了一系列可接受的披露风险，用于评估合成数据集中的风险水平。
2021-02-02 stat.AP
Applying Meta-Analytic-Predictive Priors with the R Bayesian evidence synthesis tools
在临床试验设计和分析中使用历史数据已显示出各种优势，如减少研究内安慰剂治疗的受试者数量和增加研究把握度。荟萃分析预测（MAP）方法采用分层模型解释试验间异质性，以便从历史（通常为对照）数据中获得信息性先验。在本文中，我们介绍了包RBesT（R贝叶斯证据合成工具），实现了MAP方法与正常（已知采样标准差），二项式和泊松端点。用MCMC对层次MAP模型进行了评价。代表MAP先验的数值MCMC样本用期望最大化算法获得的参数混合密度近似。参数混合密度表示便于MAP先验的轻松通信，并能够通过快速准确的分析程序来评估具有信息丰富的MAP先验的试验设计的特性。本文首先介绍了强大的贝叶斯证据合成在这种情况下的框架，然后解释RBesT如何促进推导和评估的信息MAP之前，从历史对照数据。此外，我们描述了元分析框架如何涉及到进一步的应用，包括成功的概率计算。
2019-12-11 stat.AP
Bayesian Data Synthesis and the Utility-Risk Trade-Off for Mixed Epidemiological Data
流行病学研究中使用的许多微观数据都包含对真实个体的敏感测量。因此，出于隐私考虑，这些微观数据不能公布，使任何已公布的关于这些数据的统计分析几乎不可能复制。为了在不损害个人隐私的情况下促进关键数据集的传播，我们引入了一个有凝聚力的贝叶斯框架，用于生成混合分类，二进制，计数和连续变量的全合成，高维微数据集。这个过程围绕着一个联合贝叶斯模型，该模型同时兼容所有这些数据类型，从而能够通过后验预测采样创建混合合成数据集。此外，流行病学数据分析的一个重点是通过回归分析研究各种暴露与关键结果变量之间的条件关系。我们设计了一个修改后的数据合成策略，目标和保存这些条件关系，包括非线性和相互作用。所提出的技术被部署来创建一个机密数据集的合成版本，该数据集包含近20，000名北卡罗来纳州儿童的数十项健康，认知和社会测量。
2022-01-19 stat.ME
Using Bayesian Evidence Synthesis Methods to Incorporate Real World Evidence in Surrogate Endpoint Evaluation
目的：传统上，替代终点的验证是使用RCT数据进行的。然而，RCT数据可能过于有限，无法验证替代终点。在本文中，我们试图通过纳入真实世界证据（RWE）来改善替代终点的验证。研究设计和环境：我们使用来自比较RWE（cRWE）和单组RWE（sRWE）的数据，以补充RCT证据，用于评估无进展生存期（PFS）作为转移性结直肠癌（mCRC）总生存期（OS）的替代终点。使用来自RCT、cRWE和匹配sRWE的处理效应估计值（比较抗血管生成治疗与化疗），根据对PFS的处理效应，为替代模式和对OS的处理效应预测提供信息。结果：共纳入7项RCT、4项cRWE研究和3项匹配的sRWE研究。在RCT中增加RWE降低了替代关系参数估计值的不确定性。在RCT中添加RWE还提高了使用观察到的PFS效应数据获得的OS处理效应预测的准确度和精密度。结论：将RWE添加到RCT数据中提高了描述PFS和OS的处理效应与预测临床获益之间替代关系的参数的精度。
2021-12-16 stat.AP stat.ME
Multivariate Bayesian Predictive Synthesis in Macroeconomic Forecasting
我们发展的方法和详细的案例研究中使用的一类贝叶斯预测合成（BPS）模型的多变量时间序列预测。这将最近引入的BPS基础框架扩展到多变量环境，并在货币政策环境中的多步骤宏观经济预测的主题和挑战性背景下详细应用。BPS评估-顺序和自适应地随着时间的推移-不同的预测偏差和方面的个别预测密度的误校准，和-关键-随时间变化的相互依赖关系，他们之间在多个系列。我们开发了新的BPS方法的一个特定的子类的动态多变量潜在因素模型隐含的BPS理论。结构化动态潜在因子BPS在此的动机是应用背景--对多个美国宏观经济时间序列进行连续预测，预测结果来自几个传统的计量经济学时间序列模型。案例研究突出了BPS在多个预测范围内改善多个系列预测的潜力，以及它在学习预测模型或代理之间的动态关系中的用途。
2018-08-13 stat.ME
Conflict Diagnostics in Directed Acyclic Graphs, with Applications in Bayesian Evidence Synthesis
由有向无环图（DAG）表示的复杂随机模型越来越多地用于合成多个，不完善和不同的证据来源，以估计难以直接测量的数量。不同的数据源依赖于共享的参数，因此有可能相互冲突，也可能与模型冲突。在贝叶斯框架中，该模型由三个部分组成：先验分布、可能性的假设形式和结构假设。这些组件中的任何一个都可能与观察到的数据不兼容。因此，检测和量化这种冲突和相互不一致的数据源是模型批评过程的一个关键组成部分。我们首先回顾贝叶斯模型的批评，重点是冲突检测，然后描述一个一般的诊断，用于检测和量化的证据之间的冲突，在不同的分区的DAG。诊断是基于将有助于关于“分隔符”节点或节点组的推断的信息分成两个独立组并测试这两个组是否导致关于分隔符节点的相同推断的p值。我们用三个全面的例子来说明这种方法：估计艾滋病毒流行率的证据合成;估计流感病例严重程度的证据合成;以及大鼠体重的分层增长模型。
2013-10-02 stat.ME
Estimation of HIV Burden through Bayesian Evidence Synthesis
规划、执行和评价控制人体免疫机能丧失病毒（艾滋病毒）流行病的公共卫生政策需要定期监测疾病负担。这包括艾滋病毒感染者的比例，无论是否确诊，以及一般人口和特定风险群体和区域的新感染率。这些数量的估计并不简单：直接告知它们的数据通常不可用，但来自监测系统和特别研究的大量间接信息可以告知这些数量的功能。在本文中，我们将展示如何通过贝叶斯证据合成方法成功地解决估计问题，放松对经典方法通常受限的“最佳可用”数据的关注。这种更全面、更灵活的证据使用方式使我们的建议方法成为自2005年以来联合王国估计艾滋病毒流行率的官方方法。
2014-05-19 stat.ME
Bridging disconnected networks of first and second lines of biologic therapies in rheumatoid arthritis with registry data: Bayesian evidence synthesis with target trial emulation
本文利用BSRBR-RA注册数据模拟目标试验，结合RCT证据构建双变量网络荟萃分析，桥接类风湿关节炎生物制剂一线与二线治疗的断连证据网络，降低二线疗效估计不确定性并实现未评估治疗的疗效预测。
2022-01-05 stat.AP stat.ME
Data Privacy Protection and Utility Preservation through Bayesian Data Synthesis: A Case Study on Airbnb Listings
在向公众发布包含敏感信息的记录级数据时，数据传播者有责任保护数据集中每条记录的隐私，同时保留数据的重要特征供用户分析。这些目标可以通过数据合成来实现，其中机密数据被基于机密数据估计的统计模型模拟的合成数据替换。在本文中，我们提出了一个数据合成的案例研究，在纽约Airbnb开放数据的样本中创建了价格和可用天数的合成值，以保护隐私。一个敏感的变量，Airbnb房源的可用天数，有大量的零值记录，也在两端被截断。我们提出了一个零膨胀截断泊松回归模型的合成。我们利用一个连续的综合方法，进一步综合敏感的价格变量。对由此产生的合成数据进行效用保护和隐私保护评估，后者以披露风险的形式存在。此外，我们提出的方法来调查如何入侵者的知识的不确定性会影响识别披露风险的合成数据。特别是，我们探讨了几个现实的情况下，入侵者的知识，可用信息的不确定性，并评估其对所产生的识别披露风险的影响。
2022-04-21 stat.AP
A Bayesian Evidence Synthesis Approach to Estimate Disease Prevalence in Hard-To-Reach Populations: Hepatitis C in New York City
估计纽约市（NYC）慢性丙型肝炎（HCV）患病率的现有方法范围有限，无法评估难以接触的高风险亚群，如注射毒品使用者（IDUs）。为了解决这些局限性，我们采用贝叶斯多参数证据合成模型，系统地结合多个数据来源，在某些数据来源的偏见，并提供无偏的HCV患病率估计与相关的不确定性。我们的方法通过明确考虑注射毒品使用并包括来自高风险亚群（如被监禁者）的数据，改进了以前的估计，并且更具包容性，利用了10个纽约市数据来源。此外，我们推导出两个新的方程，允许年龄在第一次注射毒品使用数据的前和当前的注射吸毒者被纳入贝叶斯证据合成，第一次为这种类型的模型。截至2012年，我们估计纽约市20-59岁成年人的总体HCV患病率为2.78%（95% CI 2.61-2.94%），代表124，900至140，000例慢性HCV病例。这些估计表明，纽约市的HCV流行率高于先前从家庭调查（2.2%）和监测系统（2.37%）中显示的，并且在纽约市年轻注射成年人中HCV传播正在增加。从我们的研究结果中获得的一个附带好处是对纽约市目前20-59岁的注射吸毒者的估计：0.58%或27，600人。
2018-01-14 stat.AP
Privacy Protection for Youth Risk Behavior Using Bayesian Data Synthesis: A Case Study to the YRBS
大量公开的调查数据集种类繁多，虽然有用，但引起了受访者对隐私的担忧。数据隐私和保密性的合成数据方法已被证明在隐私保护和效用维护方面是有用的。本文旨在说明如何合成数据可以促进高度敏感的信息传播的青年风险行为的样本的青年风险行为调查（YRBS）的合成数据的案例研究。鉴于YRBS中几乎所有变量的分类性质，采用Dirichlet过程多项乘积混合（DPMPM）合成器对YRBS样本进行部分合成。对效用和披露风险的详细评估表明，与YRSB机密样本相比，生成的合成数据能够显着降低披露风险，同时保持高水平的效用。
2022-05-22 stat.AP
Rapid Bayesian optimisation for synthesis of short polymer fiber materials
新材料合成工艺的发现涉及到工艺设计、操作和材料性能等诸多方面的决策。实验是至关重要的，但随着复杂性的增加，使用传统的组合方法探索变量可能变得不切实际。我们描述了一种迭代方法，它使用机器学习来优化过程开发，将多个定性和定量目标。我们展示了一种新的流体加工平台的方法，用于合成短聚合物纤维，并显示了如何合成过程可以有效地实现材料和工艺目标。
2018-02-16 physics.comp-ph stat.ML
Ensemble Doubly Robust Bayesian Inference via Regression Synthesis
针对倾向得分与结果模型均可能错误设定的问题，本文提出双重稳健贝叶斯回归合成方法，通过个体自适应集成权重提升因果效应估计的稳健性与不确定性量化能力。
2024-09-10 stat.ME
Bayesian Spatial Predictive Synthesis
针对空间数据模型误设和异质性，提出贝叶斯空间预测综合方法，通过潜在因子空间变化系数模型综合多个预测，实现精确最小最大化预测，并在模拟和真实数据中优于现有方法。
2025-01-25 stat.ME stat.ML
Bayesian Quantile-Based Correction and Synthesis of Hydrologic Products
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
本研究提出基于DQLMs的贝叶斯分位数校正合成框架，结合多源水文数据，实现中期流量预报及多水平不确定性量化，为水文预报提供有效方法。
2026-08-18 stat.AP
Bayesian Generative Adversarial Networks via Gaussian Approximation for Tabular Data Synthesis
Department of Social Statistics, The University of Manchester（社会统计系，曼彻斯特大学）；Alliance Manchester Business School, The University of Manchester（曼彻斯特商业联盟学院，曼彻斯特大学）
本文提出GACTGAN，通过高斯近似技术在CTGAN中整合贝叶斯后验近似，以更高效地生成表格数据，提升数据结构和统计信息的保真度并降低隐私风险。
2026-02-25 cs.LG stat.ML
BOiLS: Bayesian Optimisation for Logic Synthesis
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；University College London（伦敦大学学院）
在逻辑综合过程中优化电路的结果质量（QoR）是一个艰巨的挑战，需要探索指数大小的搜索空间。虽然专家设计的操作有助于发现有效的序列，但逻辑电路复杂性的增加有利于自动化程序。受机器学习成功的启发，研究人员将深度学习和强化学习应用于逻辑合成应用。无论多么成功，这些技术都受到高样本复杂性的影响，从而阻止了广泛采用。为了实现高效和可扩展的解决方案，我们提出了BOiLS，第一个算法适应现代贝叶斯优化导航空间的合成操作。BOiLS不需要人为干预，并通过新颖的高斯过程内核和信任区域约束采集有效地权衡探索与开发。在EPFL基准测试的一组实验中，我们证明了BOiLS在样本效率和QoR值方面的优越性能。
2021-11-11 cs.LG stat.ML
Bayesian Pseudo Posterior Synthesis for Data Privacy Protection
统计机构利用模型合成响应级别的数据，作为实际数据记录的替代方案向公众发布。贝叶斯模型合成器通过采用分层先验构造来编码隐私保护，该分层先验构造引起真实数据分布的平滑。由于研究人员和数据分析师的许多可能用途，合成响应级数据记录通常比汇总数据表更受欢迎。各机构在综合数据的效用与披露风险之间进行权衡，并在发布综合数据集之前为披露风险设定具体的目标阈值。我们引入了一个伪后验似然，它通过（0，1）中的观察记录索引权重对每个贡献进行指数化，定义为与合成数据中该记录的披露风险成反比。我们使用的向量的权重允许更精确的降权的高风险记录的方式，更好地保留效用相比，使用标量权重。我们说明了我们的方法与模拟研究和应用程序的消费者支出调查的美国劳工统计局。我们演示了如何频率的一致性和不确定性量化的影响，由逆风险加权。
2020-05-15 math.ST stat.AP stat.ME
Bayesian Predictive Synthesis for Dynamic Networks: Forecasting and Identifying Structural Mechanisms
Yale University（耶鲁大学）；The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
提出动态贝叶斯预测合成方法，通过时变权重组合多个结构机制（如社区、几何、枢纽）的预测，实现校准的边预测并识别主导机制。
2026-06-26 cs.SI math.ST stat.ME
Bayesian Portfolio Optimization by Predictive Synthesis
Data Analytics Department（数据分析部门）；Mizuho-DL Financial Technology Co., Ltd.（Mizuho-DL金融科技有限公司）
针对金融市场不确定性导致单一预测模型失效的问题，提出基于贝叶斯预测合成（BPS）的投资组合优化方法，通过动态线性模型组合多个资产收益预测，构建均值-方差和分位数投资组合。
2025-10-08 cs.LG econ.EM q-fin.CP
A numerically stable algorithm for integrating Bayesian models using Markov melding
当统计分析考虑多个数据源时，马尔可夫融合提供了一种用于组合特定于源的贝叶斯模型的方法。马尔可夫融合将具有公共量的子模型连接在一起。一个挑战是这个量的先验可能是隐含的，并且必须估计其先验密度。我们表明，在这个密度估计的误差，使两阶段的马尔可夫链蒙特卡罗抽样马尔可夫融合不稳定和不可靠。我们提出了一个强大的两阶段算法，估计所需的先验边缘自密度比使用加权样本，大大提高了精度的分布的尾部。该算法的稳定版本是务实的，并提供可靠的推理。我们展示了我们的方法，使用证据合成推断艾滋病毒的流行，和证据合成的A/H1N1流感。
2021-09-23 stat.AP stat.CO stat.ME
Bayesian Synthesis of Probabilistic Programs for Automatic Data Modeling
Massachusetts Institute of Technology（麻省理工学院）
我们提出了新的技术，自动构建数据分析，解释和预测的概率程序。这些技术与概率领域特定的数据建模语言一起工作，这些语言捕获广泛类别的数据生成过程的关键属性，使用贝叶斯推理在给定观察数据的情况下在这些建模语言中合成概率程序。我们提供了一个精确的配方贝叶斯合成自动数据建模，确定了充分的条件所产生的合成过程是健全的。我们还推导出一般类的合成算法指定的概率上下文无关文法的特定领域的语言，并建立健全的方法，这些语言。我们应用的技术，自动合成的概率程序的时间序列数据和多元表格数据。我们展示了如何分析合成程序的结构，以计算感兴趣的关键定性属性，潜在的数据生成过程表现出这些属性的概率。其次，我们翻译概率程序在特定领域的语言概率程序的风险投资，一个通用的概率编程系统。然后执行翻译后的Venture程序，以获得新的时间序列数据和新的多变量数据记录的预测。实验结果表明，我们的技术可以准确地推断多个真实世界的数据集的定性结构，并在预测和预测新数据的标准数据分析方法。
2019-07-14 cs.AI cs.LG cs.PL
Dynamic Mixed Frequency Synthesis for Economic Nowcasting
我们开发了一种新的贝叶斯框架，用于对混合频率数据进行动态建模，以预测美国季度GDP增长。引入的框架利用基础贝叶斯理论，并将以不同频率采样的数据视为后来合成的潜在因素，允许基于兴趣和效用的灵活方法规范。混合频率数据之间随时间变化的相互依赖性被学习并有效地映射到易于解释的参数上。一项使用多个月度经济变量对美国季度GDP增长进行即时预测的宏观经济研究表明，与文献中的标准相比，即时预测的表现和可解释性有所改善。该研究进一步表明，在一个季度内纳入信息显着提高性能的点和密度nowcasts。
2018-06-07 stat.ME
Bayesian Optimization Approach for Analog Circuit Synthesis Using Neural Network
Fudan University（复旦大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
以高斯过程为代理模型的贝叶斯优化已成功地应用于模拟电路综合。在传统的高斯过程回归模型中，核函数是显式定义的。训练的计算复杂性为O（N3），预测的计算复杂性为O（N2），其中N为训练数据的个数。高斯过程模型也可以从权值空间的角度出发，将原始数据映射到特征空间，核函数定义为非线性特征的内积。在本文中，我们提出了一个贝叶斯优化方法的模拟电路综合使用神经网络。我们使用深度神经网络来提取良好的特征表示，然后使用提取的特征定义高斯过程。采用模型平均法提高了不确定性预测的质量。与核函数明确定义的高斯过程模型相比，基于神经网络的高斯过程模型可以从数据中自动学习核函数，从而可以提供更准确的预测，从而加快后续优化过程。此外，基于神经网络的模型具有O（N）的训练时间和恒定的预测时间。通过两个实际模拟电路验证了该方法的有效性。
2019-12-01 cs.LG cs.SY eess.SY
Data-Driven DRO and Economic Decision Theory: An Analytical Synthesis With Bayesian Nonparametric Advancements
本文提出一种融合数据驱动分布鲁棒优化与经济决策理论的统一框架，并利用贝叶斯非参数方法（如DP和HDP）构建新DRO模型，通过过滤异常观测提升预测准确性与稳定性。
2025-02-26 cs.LG stat.ML
Mechanisms for Global Differential Privacy under Bayesian Data Synthesis
本文提出将贝叶斯合成模型转化为差分隐私机制的新方法，通过截断似然与向量加权伪后验机制结合，在最小化后验失真的同时实现严格的非渐近全局差分隐私保证。
2023-08-03 stat.ME
On the Proofs of the Predictive Synthesis Formula
针对贝叶斯预测合成的核心预测密度方程缺乏证明的问题，该技术报告回顾相关研究，给出两种证明，填补了已知结果与实际应用方程间的空白，阐明了预测合成的结构。
2024-09-15 stat.ME
Bayesian Clustering Prior with Overlapping Indices for Effective Use of Multisource External Data
针对多源外部数据异质性导致先验综合信息失真问题，提出基于重叠指数的贝叶斯聚类先验框架，通过K-Means算法平衡一致性与鲁棒性识别最优聚类，有效借用外部信息并提升临床试验设计与分析效果。
2024-12-08 stat.ME
Personalized Treatment Hierarchies in Bayesian Network Meta-Analysis
McGill University（麦吉尔大学）
本文探讨了在包含治疗-协变量交互的贝叶斯网络元分析中，如何根据特定协变量配置创建治疗等级，通过实证研究展示了方法的应用。
2026-01-27 stat.AP stat.ME
Bayesian multi-parameter evidence synthesis to inform decision-making: a case study in hormone-refractory metastatic prostate cancer
在卫生技术评估方面，决策是根据复杂的成本效益模型作出的，而要执行这些模型，需要许多输入参数。当一些相关的估计数不可用时，可能需要简化模型。多参数证据合成允许结合来自不同证据来源的数据，从而获得临床决策所需的估计值，否则可能无法获得。我们演示了如何双变量荟萃分析（BVMA）可以用来预测未报告的估计的处理效应，使多状态马尔可夫模型的实施，否则需要简化。为了说明这一点，我们使用了多西他赛联合泼尼松龙治疗转移性难治性前列腺癌（mHRPC）的成本-效果分析的例子。在一项评价多西他赛的研究中，使用BVMA对关于总生存期（OS）和无进展生存期（PFS）的处理效应的联合可用数据进行建模，以预测未报告的对PFS的影响。预测的对PFS的处理效应允许实施三态马尔可夫模型，包括疾病稳定、疾病进展和死亡状态，而缺乏估计值将模型限制为两态模型（疾病稳定和死亡状态）。通过计算增量成本-效果比比较了两状态和三状态模型，三状态模型的增量成本-效果比要低得多：每QALY获得21966英镑，而两状态模型获得30026英镑。与两态模型相比，三态模型的优势在于区分了进展的患者和未进展的患者。使用先进的荟萃分析技术有助于获得相关参数估计，以填充更准确描述自然史的模型，同时有助于防止有价值的临床数据被丢弃。
2017-05-31 stat.AP
Graphon-Level Bayesian Predictive Synthesis for Random Network
The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）；Yale University（耶鲁大学）
本文提出图核层面的贝叶斯预测合成方法，用于随机网络，证明其在最小最大L^2速率最优，并展示其在结构特性控制和厚尾理论方面的贡献。
2026-09-14 math.ST stat.ME stat.TH
Scenario Synthesis and Macroeconomic Risk
本文提出贝叶斯框架将情景分析与统计预测模型相融合，通过一致性度量、预测综合和情景集完备性处理，系统评估并量化不同情景下的宏观经济风险。
2025-05-08 econ.EM stat.ME
Two-Phase Data Synthesis for Income: An Application to the NHIS
我们提出了一个两阶段的合成过程，合成收入，一个敏感的变量，通常是高度倾斜，并有一些报告的零。我们考虑两种形式的连续收入变量：二元形式，在第1阶段建模和合成;非负连续形式，在第2阶段建模和合成。贝叶斯综合模型提出的两阶段的合成过程中，和其他合成模型是容易实现的。我们展示了我们的方法与应用程序的样本从全国健康访谈调查（NHIS）。所生成的合成数据集的效用和风险概况进行了评估，并与单相合成过程的结果进行了比较。
2020-07-22 stat.AP
Analysing Multiple Epidemic Data Sources
对不同人口阶层和地点的传染病负担，包括流行率、发病率、严重程度和传播情况的循证知识，以及可能的实时知识，对于规划和评价公共卫生政策至关重要。直接观察疾病过程是不可能的。然而，流行病的潜在特征及其演变往往可以从各种常规数据来源的间接信息以及专家意见的综合中推断出来。多个数据源的同时综合，往往方便地进行贝叶斯框架，提出了一些统计和计算的挑战：在类型，相关性和粒度的数据，以及选择和信息的观察偏差的异质性，导致复杂的概率模型，难以建立和拟合，并具有挑战性的批评。本章使用流感的激励案例研究，说明了贝叶斯证据合成的背景下，模型开发和批评的周期，突出了复杂的模型构建，计算效率的推理和相互冲突的证据的挑战。
2018-08-13 stat.AP stat.ME
Bayesian Subspace HMM for the Zerospeech 2020 Challenge
Bogazici University（博阿齐奇大学）；Brno University of Technology（布尔诺理工大学）；IT4I Center of Excellence（IT4I卓越中心）
在本文中，我们描述了我们提交的Zerospeech 2020挑战，其中要求参与者从未注释的语音中发现潜在的表示，并使用这些表示来执行语音合成，合成质量作为单位质量的代理度量。在我们的系统中，我们使用贝叶斯子空间隐马尔可夫模型（SHMM）的单位发现。SHMM将每个单元建模为HMM，HMM的参数被约束为位于总参数空间的低维子空间中，该总参数空间被训练以对语音变异性建模。我们的系统与人类评估的字符错误率的基线相比，同时保持显着较低的单位比特率。
2020-07-27 cs.CL cs.LG eess.AS
Bayesian prediction for physical models with application to the optimization of the synthesis of pharmaceutical products using chemical kinetics
工业过程中的质量控制越来越多地利用先前的科学知识，这些知识通常编码在需要数值近似的物理模型中。统计预测和后续优化是确保过程输出满足规格目标的关键。然而，近似的模型的数值费用提出了计算的挑战，识别的组合的过程中的因素，有信心的质量的响应。最近的工作在贝叶斯计算和统计近似（仿真）昂贵的计算模型被用来开发一种新的策略，优化后验概率的过程满足规格。随后的方法是由化学合成工艺驱动的，并在该工艺中得到证明，该工艺用于生产药品，其中一组初始物质在某些工艺条件下根据化学反应演变成一系列新物质。其中一种物质是目标药物产品，两种是不需要的副产品。目的是确定工艺条件和初始物质量的组合，以最大限度地提高获得足够目标药物产品的可能性，同时确保不需要的副产物不超过给定水平。的因素和感兴趣的物质的量之间的关系在理论上描述的解决方案的常微分方程系统，包括温度依赖性。使用数据从一个小的实验，它显示了如何的方法可以近似的多变量后验预测分布的药物目标和副产品，因此确定合适的操作值。重复分析的材料可在www.github.com/amo105/chemicalkinetics上找到。
2018-10-22 stat.OT
Reverse-Bayes methods for evidence assessment and research synthesis
针对零假设显著性检验的缺陷及贝叶斯方法的先验问题，本研究提出通过逆转贝叶斯定理使用方式的逆贝叶斯方法，可推导先验、解决多类推断难题，为证据评估与研究综合提供更易用的贝叶斯分析路径。
2021-07-14 stat.ME
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
On the Bayesian Solution of Differential Equations
数值方法的解释，如微分方程的有限差分法，作为点估计允许正式的统计量化的误差，由于离散化的数值环境。竞争的统计范式可以被认为是贝叶斯概率数值方法（PNM）时，贝叶斯统计原理部署。贝叶斯PNM在组合下是封闭的，这样由于不同来源的离散化导致的不确定性可以联合建模并严格传播。然而，我们认为，还没有严格的贝叶斯PNM数值解的常微分方程（ODEs）。为了解决这一差距，我们在基础层面上工作，提出了一种新的贝叶斯PNM作为概念验证。我们的建议是一个综合的经典李群方法，利用梯度场的基本结构，和非参数回归的常微分方程的变换的解决方案空间。详细介绍了一阶常微分方程的程序，并依赖于一定的技术条件-存在一个可解的李代数-被满足。提供了数值说明。
2018-05-22 stat.ME
Spatial Non-parametric Bayesian Clustered Coefficients
本文提出贝叶斯空间 Dirichlet 过程聚类异质回归模型，通过非参数框架推断聚类数量与配置并估计各聚类参数，经模拟数据验证后应用于 Queensland 儿童健康发展分析，为区域健康干预政策提供依据。
2023-11-23 stat.AP
Bayesian Estimation of Attribute Disclosure Risks in Synthetic Data with the $\texttt{AttributeRiskCalculation}$ R Package
合成数据在许多情况下都是一种很有前途的隐私保护方法。贝叶斯合成模型，也称为合成器，模拟敏感变量的后验预测分布的合成值。然后，可以发布由此产生的合成数据来代替机密数据。合成数据发布前的一个重要评估是其隐私保护水平，通常以披露风险评估的形式进行。属性泄露是指入侵者正确推断合成记录的机密值，是一种具有挑战性的计算评估的泄露类型。本文以常用的贝叶斯综合器为例，详细回顾和讨论了属性信息披露风险评估的贝叶斯估计方法。我们创建的$\texttt{AttributeRiskCalculation}$ R包，以促进其实施，并证明其功能的例子，评估属性披露风险的合成样本的消费者支出调查。
2021-03-17 stat.CO stat.ME
Optimal design of observational studies: overview and synthesis
我们回顾了观察性研究规划中遇到的典型设计问题，并提出了一个统一的框架，使我们能够使用相同的概念和符号来解决不同的问题。在该框架中，设计被定义为观测过程空间中的一个概率测度，该过程确定在给定时间特定单元是否观测到变量的值。然后根据贝叶斯决策论，将最优设计定义为使与设计相关的期望效用最大化的设计。我们提出的例子上使用的框架和讨论的方法来获得最佳或近似最优设计。
2017-11-01 math.ST stat.ME stat.TH
Decision synthesis in monetary policy
本文提出贝叶斯预测决策综合（BPDS）方法，以规范货币政策决策过程，整合多个模型、决策目标与预期，并通过中央银行目标利率案例展示其对多步宏观经济预测的改进。
2025-02-25 econ.EM stat.ME
Foundations of Bayesian Learning from Synthetic Data
Department of Statistics（统计系）；Barcelona GSE（巴塞罗那经济学院）；University of Warwick（华威大学）；Universitat Pompeu Fabra（庞培法布拉大学）；Mathematics Institute（数学研究所）；University of Oxford（牛津大学）；The Alan Turing Institute（阿兰·图灵研究所）
在真实数据的发布由于隐私或可用性约束而受到限制的环境中，使用合成数据作为机器学习的使能者存在显著增长和兴趣。尽管有大量的合成数据生成的方法，有相对较少的结果对合成数据上学习的模型的统计特性，更少的情况下，研究人员希望增加真实数据与另一方的合成数据。我们使用贝叶斯范式来验证在这些设置中学习时模型参数的更新，表明在应用常规学习算法而不适当考虑合成数据生成过程和学习任务时应谨慎。最近的结果一般贝叶斯更新支持一种新的和强大的方法贝叶斯综合学习决策理论的基础上，优于标准的方法在重复实验的监督学习和推理问题。
2020-11-24 cs.LG stat.AP stat.ME
Low-rank statistical finite elements for scalable model-data synthesis
统计学习对物理推导的数学模型的补充在文献中越来越受到关注。最近的一种方法是用数据驱动的贝叶斯统计方法学来增强控制方程的基础物理。该方法通过在控制方程中嵌入随机强迫来承认先验模型的错误。在收到额外的数据，离散有限元解的后验分布更新使用经典贝叶斯滤波技术。由此产生的后验联合量化与模型误指定和数据旨在代表感兴趣的真实过程的普遍存在的问题相关联的不确定性。尽管有这种吸引力，计算的可扩展性是一个挑战statFEM的应用程序通常在物理和工业环境中经历的高维问题。本文通过嵌入底层稠密协方差阵的低秩近似值克服了这一障碍，该矩阵是从满秩替代方案的首阶模式中获得的。证明了一系列的反应扩散问题的维数增加，使用实验和模拟数据，该方法重建稀疏观测的数据生成过程，以最小的信息损失，在后验均值和方差，铺平了道路，进一步整合的物理和概率的方法来复杂的系统。
2022-03-21 cs.NA math.NA stat.ME
Graph-Enabled Efficient Federated Bayesian Modeling
University of California, Berkeley（加州大学伯克利分校）；National University of Singapore（新加坡国立大学）；Columbia University（哥伦比亚大学）
提出FLaG-MCMC框架，通过将历史后验样本编码到低维潜在空间并构建k近邻图，实现高效联邦贝叶斯学习，在阿片类药物使用障碍患病率估计和联邦主题建模中验证了其近似全局后验的能力。
2026-09-16 stat.AP stat.CO stat.ME
Detecting Conflicts in Evidence Synthesis Models Using Score Discrepancies
MRC Biostatistics Unit, University of Cambridge（剑桥大学 MRC 生物统计学单元）；Department of Statistics and Data Science, Institute of Operations Research and Analytics, National University of Singapore（新加坡国立大学统计与数据科学系运筹与分析研究所）
针对证据合成模型中的数据冲突检测难题，提出基于评分差异的通用框架，扩展先验-数据冲突诊断至层次模型潜在空间，模拟和流感模型应用验证其有效性与互补性。
2026-09-15 stat.CO stat.ME
