Bayesian Outlier Detection for Matrix-variate Models
本文提出基于预测贝叶斯因子的序贯贝叶斯异常值检测框架，将单变量方法扩展至矩阵变量模型，并通过模拟及宏观经济、金融数据应用验证其准确、可扩展且支持在线检测。
2025-08-29 econ.EM stat.ME
Robust Bayesian Modeling of Counts with Zero inflation and Outliers: Theoretical Robustness and Efficient Computation
针对零膨胀与大型异常值导致标准计数模型后验失真的问题，提出基于重标度 beta 分布的稳健贝叶斯框架，配合定制 Gibbs 采样实现高效计算与理论后验稳健性。
2024-05-08 stat.ME
On Bayesian quantile regression and outliers
在这项工作中，我们讨论了贝叶斯分位数回归模型的进展，因为他们的第一个建议，我们讨论了所有参数的重要性，在推理过程中。使用的非对称拉普拉斯分布作为一个正常的和一个指数分布的混合物的表示，我们讨论的相关性的尺度参数的存在，以控制模型中的方差。除此之外，我们还考虑了混合表示中潜在变量的后验分布，以显示贝叶斯分位数回归拟合的离群观测值，其中我们将每个潜在变量的后验分布与其他潜在变量进行比较。我们说明了这些结果与模拟研究，并与数据有关的基尼系数在巴西各州的人口普查信息。
2016-01-27 stat.ME
Bayesian Robustness to Outliers in Linear Regression and Ratio Estimation
整体鲁棒性是统计模型的一个很好的属性。这意味着当离群值接近正负无穷大时，其影响逐渐消失。到目前为止，贝叶斯文献提供的结果，确保整体的鲁棒性的位置-尺度模型。在本文中，我们做了两个贡献。首先，我们推广的结果，以达到整个鲁棒性在简单的线性回归通过原点，这是一个必要的步骤，一般的线性回归模型的结果。我们允许误差项的方差依赖于解释变量。这种灵活性导致的第二个贡献：我们提供了一个简单的贝叶斯方法来鲁棒地估计有限的人口手段和比率。由于采用了超重尾分布假设代替了传统的误差项正态假设，因此获得全局鲁棒性的策略很简单。因此，用户可以像往常一样使用后验分布估计参数。
2018-08-12 stat.ME
Efficient variational Bayesian neural network ensembles for outlier detection
Imperial College London（帝国理工学院）
在这项工作中，我们进行离群值检测使用的神经网络的集合通过变分近似的贝叶斯神经网络设置中的后验。变分参数通过梯度下降法从真实后验样本中采样得到。我们表明，我们的离群值检测结果与使用其他有效的集成方法获得的结果相当。
2017-04-22 cs.LG stat.ML
Bayesian OOD detection with aleatoric uncertainty and outlier exposure
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Bristol（布里斯托大学）
OOD检测的典型贝叶斯方法使用认知不确定性。令人惊讶的是，从贝叶斯的角度来看，有许多方法成功地使用任意不确定性来检测OOD点（例如Hendryks等人。此外，很难使用离群暴露来改进贝叶斯OOD检测模型，因为不清楚是否可能或期望增加离群点处的后验（认识）不确定性。我们表明，生成模型的数据策展提供了一个原则性的帐户任意的不确定性OOD检测。特别是，任意的不确定性信号一个特定类型的OOD点：一个没有定义良好的类标签，我们的数据策展模型给出了这些点的可能性，为我们提供了一个机制，用于调节离群点，从而执行原则性贝叶斯离群暴露。我们的原则贝叶斯方法，结合任意性和认识的不确定性与离群值暴露比单独使用任意性或认识的方法更好。
2021-10-28 cs.LG stat.ML
Surprise Reduction and Nullification in Bayesian and Inverse Bayesian Inference under Ambiguous Prediction-Error Attribution
Tokyo Denki University（东京都立大学）；Osaka Metropolitan University（大阪公立大学）；The University of Tokyo（东京大学）；Utsunomiya University（宇都宫大学）；Waseda University（早稻田大学）
针对非平稳环境下预测误差归因模糊的问题，提出贝叶斯与逆贝叶斯推断框架，通过内生消除强度区分惊奇减少与消除，在变化点跟踪和异常值稳定性上优于自适应滤波器等基线。
2026-09-11 stat.ME
On Asymptotic Outlier Rejection in Bayesian Mixed Poisson Regression Models Under Extreme Target and Covariate Values
University of Helsinki（赫尔辛基大学）
研究混合泊松回归模型在协变量或目标值异常时的稳健性，发现模型对目标异常稳健但对协变量异常不稳健，需开发新方法。
2026-09-23 stat.ME
Practical Bayesian optimization in the presence of outliers
Centro Universitario De La Defensa（国防大学中心）；SigOpt
异常值存在时的推理是一个重要的研究领域，因为异常值是普遍存在的，并且可能在各种问题和领域中出现。贝叶斯优化是一种严重依赖概率推理的方法。这允许出色的样本效率，因为概率机制提供了整个优化过程的记忆。然而，当记忆中充满离群值时，这种优点就变成了缺点，从而导致估计中的偏差。在本文中，我们提出了一个经验评估贝叶斯优化方法中存在的离群值。经验证据表明，稳健回归贝叶斯优化往往产生次优结果。然后，我们提出了一个新的算法，结合强大的回归（高斯过程与学生t似然）与离群值诊断分类数据点作为离群值或内点。通过使用调度器对离群值进行分类，我们的方法比标准的鲁棒回归更有效，并且具有更好的收敛性。此外，我们表明，即使在没有预期离群值的受控情况下，我们的方法也能够产生更好的结果。
2017-12-12 cs.LG stat.ML
A New Bayesian Approach to Robustness Against Outliers in Linear Regression
线性回归在统计分析中无处不在。众所周知，当假设误差服从经典正态分布时，相互冲突的信息源可能会影响推理。由轻的正常尾部引起的污染来自于不期望的效果：后部集中在不同源之间的区域中，具有足够大的缩放以将它们全部合并。贝叶斯统计中的冲突解决理论（O'Hagan和Pericchi（2012））建议通过限制离群值的影响来解决这个问题，以获得与大部分数据一致的结论。在本文中，我们提出了一个具有超重尾误差的模型来实现这一点。我们证明了它是完全鲁棒的，这意味着离群值的影响逐渐消失，因为他们越来越远离总趋势。超重尾密度类似于尾部之外的正常密度，这产生了一个有效的估计过程。此外，估计数很容易计算。这一点通过详细的用户指南来强调，其中所有步骤都通过模拟案例研究来解释。使用模拟显示的性能。所有需要的代码都已给出。
2019-06-11 stat.ME
Robust Particle Filtering via Bayesian Nonparametric Outlier Modeling
本文研究了一个非线性动态系统的在线估计问题。重点是异常值存在于正常噪声之间的情况。我们假设异常值遵循一个未知的产生机制，偏离正常的噪音，然后使用贝叶斯非参数模型称为狄利克雷过程混合（Dirichlet process mixture，简称EMM）的模型。一个顺序的粒子为基础的算法推导出后验推断的离群模型，以及系统的状态估计。由此产生的算法被称为基于鲁棒PF（DPM-RPF）。非参数特征使该算法允许数据“自己说话”，以确定离群值模型的复杂性和结构。仿真结果表明，它的性能显着优于两个国家的最先进的方法，特别是当离群值出现频繁沿时间。
2019-05-11 stat.CO
Reconciling Bayesian and frequentist approaches to robustness against outliers
Université de Montréal（蒙特利尔大学）；Université du Québec à Montréal（蒙特利尔魁北克大学）
本文通过广义贝叶斯框架弥合贝叶斯与频数派在抗异常值方法上的差异，使两者能够使用相同工具并获得一致结果。
2026-07-24 stat.ME
Robustness of Bayesian ordinal response model against outliers via divergence approach
针对有序响应模型受异常值影响的问题，提出基于密度幂散度和γ-散度的一般后验方法，实现稳健贝叶斯推断，并通过实验验证其优于普通贝叶斯方法。
2023-05-12 math.ST stat.ME stat.TH
Robust Bayesian Modeling with Adaptive Posterior FDR Control for Large-Scale Data
Osaka Metropolitan University（大阪公立大学）
本文提出了一种基于厚尾建模的鲁棒贝叶斯方法，用于大规模数据中的FDR控制，并通过后验预测p值检测异常值，同时提出自适应方法确定后验FDR水平，通过结直肠癌基因表达数据验证方法有效性。
2026-03-31 stat.ME
Outlier robust system identification: a Bayesian kernel-based approach
本文提出了一种基于正则核的线性系统辨识方法。未知脉冲响应被建模为零均值高斯过程，其协方差（核）由最近提出的稳定样条核给出，该样条核编码关于正则性和指数稳定性的信息。为了建立对离群值的鲁棒性，我们将测量噪声建模为独立拉普拉斯随机变量的实现。将辨识问题置于贝叶斯框架下，并采用一种新的马尔可夫链蒙特卡罗（MCMC）方法求解。特别是，利用拉普拉斯随机变量的高斯尺度混合物的表示，我们设计了一个吉布斯采样器，快速收敛到目标分布。数值模拟表明，在国家的最先进的基于核的方法的估计的准确性有很大的改善。
2013-12-24 stat.ML
$β$-Cores: Robust Large-Scale Bayesian Data Summarization in the Presence of Outliers
University of Cambridge（剑桥大学）
现代机器学习应用程序应该能够解决在大规模真实世界数据集上进行推理所带来的内在挑战，包括可扩展性和对离群值的鲁棒性。尽管贝叶斯方法有许多优点（如不确定性感知预测，专家知识的结合和分层建模），但经典贝叶斯推理的质量关键取决于观察是否符合假设的数据生成模型，这在实践中是不可能保证的。在这项工作中，我们提出了一种变分推理方法，在原则上，可以同时扩展到大型数据集，并鲁棒化推断后验相对于观测数据中的离群值的存在。利用$β$ -散度对贝叶斯定理进行了改进，提出了一种鲁棒伪贝叶斯后验概率作为推理目标。此外，依赖于可扩展贝叶斯推理的黎曼核心集的最新配方，我们提出了一个稀疏变分近似的鲁棒后验和一个高效的随机黑箱算法来构建it. Overall我们的方法允许释放清洗的数据摘要，可以广泛应用于包括结构化数据损坏的场景。我们说明了我们的方法在不同的模拟和真实数据集，各种统计模型，包括高斯均值推断，逻辑和神经线性回归，证明其优越性，现有的贝叶斯摘要方法中存在离群值的适用性。
2020-11-09 cs.AI cs.LG stat.AP
Bayesian Restricted Likelihood Methods: Conditioning on Insufficient Statistics in Bayesian Regression
贝叶斯方法已被证明在广泛的科学问题上是成功的，并且与竞争方法相比具有许多有据可查的优势。然而，这些方法遇到困难的两个主要和普遍的问题：处理数据集与离群值和处理模型误指定。我们概述了这些问题的以前的解决方案的缺点，并提出了一种新的方法作为替代。当使用新方法时，数据通过一组不充分的统计量进行汇总，目标是感兴趣的推断量，并且先验分布使用汇总统计量而不是完整的数据进行更新。通过仔细选择条件统计量，我们保留了贝叶斯方法的主要优点，同时降低了分析对条件统计量未捕获的数据特征的敏感性。为了降低对离群值的敏感性，经典的鲁棒估计（例如，M-估计）是条件统计的自然选择。这项工作的一个主要贡献是发展的数据增强马尔可夫链蒙特卡罗（MCMC）算法的线性模型和一大类的汇总统计。我们证明了模拟和真实的数据集包含离群值和模型误指定的方法。与竞争方法相比，成功表现在对感兴趣的数据点具有更好的预测性能。
2018-12-19 stat.ME
Robust Hierarchical Bayes Small Area Estimation for Nested Error Regression Model
许多国家的国家统计机构现在被授权为按地理和（或）人口划分的小区域编制人口、收入、失业、健康结果等重要变量的可靠统计数据。由于这些地区的样本量较小，直接基于样本的估计往往不可靠。基于模型的小面积估计现在被广泛用于通过适当的模型从其他地区和相关变量“借用力量”来生成可靠的统计数据。离群值对基于标准模型的小面积估计值产生不利影响。为了处理离群值，Sinha和Rao（2009）提出了一种鲁棒的频率论方法。在这篇文章中，我们提出了一个强大的贝叶斯替代嵌套误差回归模型的单位级数据，以减少离群值。我们考虑了一个两个组件的混合比例的正态分布的单位水平的误差模型离群值，并提出了一种计算方法，以产生贝叶斯预测的小面积平均值下的非信息先验模型参数。一个真实的例子和广泛的模拟令人信服地表明我们的贝叶斯预测离群值的鲁棒性。模拟比较这两种方法与Datta和Ghosh（1991）的贝叶斯预测和Chambers等人（2014）的M分位数估计的结果表明，当存在离群值时，我们提出的方法在偏倚，变异性和预测区间的覆盖概率方面优于其他方法。优越的频率性能，我们的程序显示其双重（贝叶斯和频率）的优势，并使其吸引力的所有从业者，贝叶斯和频率，小面积估计。
2018-10-24 stat.AP stat.ME
Bayesian Analysis on Limiting the Student-$t$ Linear Regression Model
针对线性回归中异常值处理时Student-$t$模型应用缺乏理论支撑的问题，本研究基于正则变化理论提出了保证该模型对y方向异常值稳健性的实用简洁条件。
2025-10-03 stat.ME
A Robust Bayesian Exponentially Tilted Empirical Likelihood Method
本文提出了一种新的贝叶斯方法来分析矩条件模型的情况下，数据可能被野值污染。该方法建立在Schennach（2005）开发的基础上，他提出了贝叶斯指数倾斜经验似然（BETEL）方法，证明了经验似然（EL）可以被解释为贝叶斯过程的非参数极限，当隐含概率从最大化熵中获得时，受到一些给定的时刻约束。考虑到离群值被认为对总体矩估计的影响，我们开发了一种新的鲁棒BETEL（RBETEL）推理方法来处理这个潜在的问题。我们展示了BETEL方法如何与Bissiri，Holmes和Walker（2016）的最新工作联系起来，他们提出了一个通过损失函数更新先验信念的一般框架。控制仿真实验进行了研究的RBETEL方法的性能。我们发现，所提出的方法产生可靠的后验推理的基本关系，嵌入在大多数的数据，即使离群值存在。该方法还说明了在一项实证研究中使用的数据集包含65个不同的陆地动物物种的大脑重量体重。
2017-12-31 stat.ME
Robust Bayesian Nonparametric Variable Selection for Linear Regression
钉板和马蹄回归可以说是最流行的贝叶斯变量选择方法的线性回归模型。然而，如果数据中存在离群值和异方差，则其性能可能会恶化，这是许多现实世界统计和机器学习应用中的常见特征。在这项工作中，我们提出了一个贝叶斯非参数方法线性回归，执行变量选择，同时考虑离群值和异方差。我们提出的模型是一个狄利克雷过程尺度混合模型的优点，我们可以得到完整的条件分布的所有参数在封闭的形式，从而产生一个有效的吉布斯采样后验推理的一个实例。此外，我们提出了如何扩展模型，以考虑重尾的响应变量。该模型的性能进行了测试，对竞争算法的合成和真实世界的数据集。
2022-10-19 stat.ME
Full Bayesian analysis for a class of jump-diffusion models
一个新的贝叶斯显着性检验调整的跳跃检测扩散过程。这对于具有极端值异常值的时间数据（如金融数据、洪积或构造力记录等）是有利的过程。
2008-02-23 stat.ME
Detecting Outliers in Multiple Sampling Results Without Thresholds
针对贝叶斯统计中先验分布难确定、多抽样结果受选择效应影响且阈值依赖的异常值定义降低结论说服力的问题，本研究提出无需设置阈值的异常值定义方法，以排除异常样本结果保障结论可靠性。
2024-11-26 stat.ME
Robust Bayesian Functional Principal Component Analysis
本文提出鲁棒贝叶斯函数型主成分分析方法，利用偏椭圆分布建模函数型数据，采用退火序贯蒙特卡洛推断，在离群值场景下优于现有方法，并能有效识别环境与生物数据中的离群观测。
2025-04-14 stat.ME
A Bayesian hierarchical model for disease mapping that accounts for scaling and heavy-tailed latent effects
提出一种扩展BYM2的贝叶斯层次模型，通过尺度混合结构处理重尾潜在效应并识别离群值，在模拟和里约寨卡数据分析中优于现有方法。
2024-03-20 stat.ME
Divergence-based Robust Generalised Bayesian Inference for Directional Data via von Mises-Fisher models
School of Data Science, Meisei University（明成大学数据科学学院）；RIKEN Center for Brain Science（理化学研究所脑科学中心）；School of Business Administration, Meiji University（明治大学商学院）；Department of Information Sciences, Tokyo University of Science（东京科学技术大学信息科学系）
本文提出基于密度幂发散和γ-发散的贝叶斯推断方法，用于稳健估计方向数据的参数，通过模拟和真实数据验证其有效性。
2025-12-24 math.ST stat.CO stat.ME
Robust Bayesian graphical modeling using $γ$-divergence
本文提出一种基于 $\gamma$-散度的稳健贝叶斯高斯图模型推断方法，通过贝叶斯图形套索实现后验稳健性，并开发了加权贝叶斯自助法高效计算算法。
2025-01-23 stat.ME
Variational Bayesian Inference For A Scale Mixture Of Normal Distributions Handling Missing Data
本文提出了一种适用于含有异常值和缺失值的数据分类和聚类的正态分布尺度混合模型。分类方法，基于混合模型，侧重于引入潜变量，使我们有可能处理模型对离群值的敏感性，并允许对缺失数据进行限制性较小的建模。通过变分贝叶斯近似进行推理，并采用贝叶斯处理进行模型学习、监督分类和聚类。
2017-11-22 stat.ML
A Hierarchical Bayesian Model Accounting for Endmember Variability and Abrupt Spectral Changes to Unmix Multitemporal Hyperspectral Images
高光谱解混是一个盲源分离问题，它包括估计包含在高光谱图像中的参考光谱特征，以及它们根据给定的混合模型对每个像素的相对贡献。在实践中，该过程进一步复杂化的固有光谱变化的观察场景和可能存在的离群值。更具体地，多时间高光谱图像，即，在不同时刻在相同区域上获取的高光谱图像序列可能同时表现出适度的端元变化性和突然的光谱变化，这是由于离群值或连续获取之间的显著时间间隔造成的。除非适当考虑，这两个扰动可以显着影响的解混过程。在这种情况下，我们提出了一个新的解混模型的多时相高光谱图像占平稳的时间变化，解释为光谱变异性，和突然的光谱变化解释为离群值。建议的分层贝叶斯模型推断使用马尔可夫链蒙特卡罗（MCMC）方法，允许后验的兴趣进行采样和贝叶斯估计近似。从文献上的合成和真实数据的解混技术的比较允许的兴趣，所提出的方法被赞赏。
2017-11-18 physics.data-an stat.ME
An automatic robust Bayesian approach to principal component regression
主成分回归使用主成分作为回归量。它在具有高维协变量的预测设置中特别有用。现有的文献处理贝叶斯方法是相对稀疏的。我们引入了一种贝叶斯方法，该方法对因变量和协变量中的离群值都具有鲁棒性。离群值可以被认为是与一般趋势不一致的观测值。所提出的方法自动惩罚这些观察结果，使其对后验的影响逐渐消失，因为它们越来越远离总趋势，对应于贝叶斯统计中称为整体鲁棒性的概念。因此，产生的预测与大部分数据一致。该方法还利用主成分的几何形状来有效地识别那些重要的主成分。根据模型平均机制，合并从所产生的模型中获得的各个预测，以考虑模型的不确定性。该方法进行评估的真实数据和相比，其非鲁棒贝叶斯对应，传统的频率论方法，和一个常用的强大的频率论方法。提供了使整个统计程序自动化的详细准则。所有必需的代码都可用，请参见ArXiv：1711.06341。
2020-01-25 stat.ME
Robust Bayesian Optimization with Student-t Likelihood
SigOpt Inc.（SigOpt公司）；Centro Universitario de la Defensa, Zaragoza（萨拉戈萨国防大学中心）
贝叶斯优化最近吸引了自动机器学习社区的注意，因为它在超参数调整方面的出色结果。BO的特点是样本效率，它可以优化昂贵的黑盒功能。效率是以类似于学习学习方法的方式实现的：代理模型（通常以高斯过程的形式）学习目标函数并执行智能采样。这种代理模型甚至可以在存在噪声的情况下应用;然而，与大多数回归方法一样，它对离群数据非常敏感。这可能会导致错误的预测，在BO的情况下，会导致有偏见和效率低下的探索。在这项工作中，我们提出了一个GP模型，是强大的离群值，使用学生t似然隔离离群值和强大的贝叶斯优化。我们提出的数值结果评估所提出的方法在人工函数和真正的问题。
2017-07-18 cs.AI cs.LG stat.ML
SubTSBR to tackle high noise and outliers for data-driven discovery of differential equations
Purdue University（普渡大学）
数据驱动的微分方程发现是一个新兴的研究课题。提出了一种新的基于子采样的阈值稀疏贝叶斯回归（SubTSBR）算法来处理高噪声和离群值。子采样技术用于提高贝叶斯学习算法的准确性。它有两个参数：子采样大小和子采样数。当二次抽样的大小增加，总样本量固定时，我们的算法的精度先上升后下降。当子样本的数量增加时，我们的算法的精度不断上升。我们演示了如何使用我们的算法一步一步，并比较我们的算法与阈值稀疏贝叶斯回归（TSBR）的发现微分方程。我们表明，我们的算法产生更好的结果。我们还讨论了从数据中发现微分方程的优点，并演示了如何发现具有随机初始和边界条件的模型以及具有分支的模型。数值示例为：（1）带噪声的捕食者-食饵模型，（2）带野值的浅水方程，（3）带随机初边值的热扩散，（4）带分支的捕鱼问题。
2020-10-27 cs.LG stat.ML
A Bayesian Nonparametric IRT Model
本文介绍了一个灵活的贝叶斯非参数项目反应理论（IRT）模型，它适用于二分或多分项目反应，并可以适用于一维或多维标度。这是一个无限混合的IRT模型，具有个人能力和项目难度参数，并具有被分配混合分布的随机截距参数，混合权重是其他个人和项目参数的概率单位函数。贝叶斯非参数IRT模型具有灵活性，可以对后验分布中的个人能力参数和项目难度参数进行离群稳健估计。该模型的后验分布的估计是由标准的马尔可夫链蒙特卡罗（MCMC）方法切片抽样的基础上进行。通过对教师准备问卷的真实数据进行分析，说明了这种混合IRT模型，该问卷由多项组成，并由描述考生（教师）的其他协变量组成。对于这些数据，该模型获得零离群值和1的R平方。最后，本文简要介绍了如何应用项目反应理论模型分析项目反应数据，并使用作者开发的菜单驱动软件。
2015-02-11 stat.ME
A Bayesian Approach Toward Robust Multidimensional Ellipsoid-Specific Fitting
Hong Kong Institute of Science & Innovation Chinese Academy of Sciences（中国科学院香港创新研究院）；Academy of Mathematics and Systems Science, CAS（中国科学院数学与系统科学研究院）；BAAI（北京智源人工智能研究院）；Peking University（北京大学）；School of Computer Science and Technology, Shandong University（山东大学计算机科学与技术学院）；Institute of Automation, CAS（中国科学院自动化研究所）
本文提出一种基于贝叶斯框架的多维椭球特定拟合方法，通过均匀先验约束和预测分布上的均匀分布增强对噪声与异常值的鲁棒性，并引入ε加速技术提升EM收敛速度，在多维空间及多种实际应用中验证了其有效性。
2024-07-27 cs.CV stat.ME
Bayesian measures of leverage and influence
University of Warwick（华威大学）
该研究从局部敏感性框架推导贝叶斯杠杆与影响诊断，关联预测信息准则，提出异常值检测等新诊断，为模型改进及先验-数据冲突分析提供方法。
2026-08-20 stat.ME
BASTION: A Bayesian Framework for Trend and Seasonality Decomposition
Cornell University（康奈尔大学）
BASTION是一种基于贝叶斯方法的时序分解框架，能够准确估计趋势和季节性，增强鲁棒性并提供稳健的不确定性量化。
2026-01-26 econ.GN q-fin.EC stat.ME
Distributional Gaussian Process Layers for Outlier Detection in Image Segmentation
Imperial College London（伦敦帝国理工学院）；University College London（伦敦大学学院）
我们提出了一个参数有效的贝叶斯层分层卷积高斯过程，结合高斯过程操作在Wasserstein-2空间可靠地传播不确定性。这直接取代卷积高斯过程与距离保持仿射算子的分布。我们对脑组织分割的实验表明，所得到的架构接近成熟的确定性分割算法（U-Net）的性能，这是以前的分层高斯过程从未实现过的。此外，通过将相同的分割模型应用于分布外数据（即，图像与病理，如脑肿瘤），我们表明，我们的不确定性估计结果的分布外检测，优于以前的贝叶斯网络和重建为基础的方法，学习规范分布的能力。
2021-04-28 cs.LG stat.ML
A two-component normal mixture alternative to the Fay-Herriot model
本文考虑了一种稳健的分层贝叶斯方法来处理小面积均值的随机效应，当这些效应中的一些假设极值，导致离群值。在存在离群值的情况下，在随机效应的正态假设下，用于对地区水平数据建模的标准Fay-Herriot模型可能高估随机效应方差，从而提供了低于理想的合成回归预测收缩，并抑制了借用信息。即使是少量的随机效应的实质性离群值也会导致Fay-Herriot模型中随机效应方差的较大估计值，从而对模型的合成部分几乎没有收缩，或者对任何小区域的常规贝叶斯估计值相关的后验方差几乎没有减少。虽然已发现随机效应的具有已知混合分布的正态分布的尺度混合在存在离群值的情况下是有效的，但解决方案取决于混合分布。作为一个可能的替代解决方案的问题，一个两个组件的正常混合模型已被提出的基础上的模型方差参数，回归系数和混合概率的非信息先验。基于真实、模拟和合成数据的数据分析和仿真研究表明，该方法优于随机效应正态分布下的标准贝叶斯Fay-Herriot解。
2015-10-22 stat.ME
Variational Bayesian Inference for Robust Streaming Tensor Factorization and Completion
Department of Mathematics, UC Santa Barbara（加州大学圣巴巴拉分校数学系）；Department of ECE, UC Santa Barbara（加州大学圣巴巴拉分校电气工程与计算机科学系）
流张量分解是一个强大的工具，用于处理互联网网络，推荐系统和图像/视频数据分析中的大容量和多路时态数据。现有的流式张量分解算法依赖于最小二乘数据拟合，并且它们不具有用于张量秩确定的机制。这使得它们容易受到离群值的影响，并且容易过度拟合。本文提出了一种贝叶斯鲁棒流张量分解模型，用于识别稀疏离群点，自动确定底层张量秩，精确拟合低秩结构。我们在Matlab中实现了我们的模型，并将其与动态MRI和互联网流量生成的张量数据集上的现有算法进行了比较。
2018-12-31 cs.LG eess.SP stat.ML
An approach to robust Bayesian regression in astronomy
针对天文数据中的异常值与噪声模型误设，提出基于 Student t 分布的通用稳健贝叶斯线性回归方法，并通过模拟和真实数据验证其低偏差与可用性。
2025-07-31 astro-ph.IM stat.ME
Approximate Gibbs sampler for Bayesian Huberized lasso
贝叶斯套索是众所周知的贝叶斯替代套索。虽然贝叶斯套索的优点是能够对参数进行完全概率不确定性量化，但相应的后验分布可能对离群值敏感。为了克服这一问题，近年来提出了鲁棒贝叶斯回归模型。本文从完全贝叶斯的角度研究了贝叶斯Huberized套索回归的稳健有效估计。提出了一种新的贝叶斯Huberized Lasso回归的后验计算算法。建议的近似吉布斯采样器是基于全条件分布的近似，它是可能的，以估计一个调谐参数的伪Huber损失函数的鲁棒性。本文还导出了后验分布的一些理论性质。我们通过仿真研究和实际数据的例子来说明所提出的方法的性能。
2022-07-05 stat.ME
On default priors for robust Bayesian estimation with divergences
本文提出了基于分歧的抗野值贝叶斯估计的客观先验。最小$γ$ -散度估计是众所周知的工作，以及对严重污染的估计。近年来，基于分歧的准后验分布的稳健贝叶斯方法也被提出。在客观贝叶斯框架下，在这种准后验分布下，违约先验分布的选择是一个重要问题。本文基于$γ$ -散度，给出了准后验分布下参考先验和矩匹配先验的一些性质。特别是，我们表明，所提出的先验近似鲁棒的污染分布的条件下，不假设任何条件的污染率。一些模拟研究也被提出。
2020-12-18 stat.ME
Robust Bayesian Regression with Synthetic Posterior
虽然线性回归模型是统计科学中的基本工具，但估计结果可能对离群值敏感。虽然在频率论框架中已经提出了几种稳健的方法，但统计推断并不一定是简单的。本文提出了一种基于$γ$ -散度的合成后验分布的线性回归模型的贝叶斯鲁棒推断方法，它使我们能够通过后验分布自然地评估估计的不确定性。我们也考虑使用收缩先验的回归系数进行稳健贝叶斯变量选择和估计的同时。我们在吉布斯抽样中采用贝叶斯自助法，发展了一种有效的后验计算算法。通过仿真研究和著名数据集的应用，说明了所提出的方法的性能。
2020-05-26 stat.ME
Robust Bayesian inference in complex models with possibility theory
我们提出了一个通用的解决方案，强大的贝叶斯推断在复杂的设置，可能存在异常值的问题。在实践中，鲁棒贝叶斯分析的自动化在涉及大型和复杂数据集的许多应用中是重要的。所提出的解决方案依赖于重新制定的贝叶斯推断的基础上的可能性理论，并利用观察，在这种情况下，边际似然数据评估先验和似然之间的一致性，而不是模型的适应性。我们的方法不需要额外的参数，在其最简单的形式，并有一个有限的影响，计算复杂性相比，非鲁棒性的解决方案。我们的解决方案的一般性是通过模拟和真实数据，包括矩阵估计和变点检测的应用程序。
2022-04-14 stat.ME
Robust estimation in controlled branching processes: Bayesian estimators via disparities
本文关注的是贝叶斯推理方法的数据控制分支过程，占模型的鲁棒性，通过使用的差异。在正则条件下，我们证明了在假设模型下，基于概率的后验估计，如期望和最大后验估计，是相容的和有效的。此外，我们表明，估计是强大的模型误设定和存在异常离群值。为此，我们开发了几个基本的想法，最小差异估计贝叶斯估计建立在基于可靠性的后验，依赖树结构的数据。我们通过一个模拟的例子来说明我们的方法，并将我们的方法应用到一个真实的数据集从细胞动力学。
2018-02-16 stat.ME
Detection of Two-Way Outliers in Multivariate Data and Application to Cheating Detection in Educational Tests
本文提出了一种新的隐变量模型，用于同时（双向）检测项目反应类型数据的离群个体和项目。该模型是一个因素模型之间的协同作用，捕捉正常的项目响应行为和一个潜在的类模型，捕捉边远的个人和项目的二进制响应和连续响应时间。一个统计决策框架下提出的模型，提供复合决策规则控制本地错误发现/nondiscovery率的离群值检测。统计推断是在贝叶斯框架下进行的，为此开发了马尔可夫链蒙特卡罗算法。所提出的方法被应用到检测作弊的教育考试中，由于项目泄漏使用基于计算机的非自适应执照评估的案例研究。所提出的方法的性能进行了评估，通过仿真研究。
2021-10-22 stat.AP stat.ME
Doubly Outlier-Robust Online Infinite Hidden Markov Model
Oxford-Man Institute of Quantitative Finance（牛津量化金融研究所）；Mathematical Institute, University of Oxford（牛津大学数学研究所）
本文提出BR-iHMM，通过引入两个可调参数平衡适应性与鲁棒性，在限价订单数据、小时电力需求和高维线性系统中，将一阶预测误差降低67%，并提供有界后验影响函数的理论保证。
2026-05-12 cs.LG stat.ML
A Robust Asymmetric Kernel Function for Bayesian Optimization, with Application to Image Defect Detection in Manufacturing Systems
Virginia Tech（弗吉尼亚理工大学）；Kuwait University（科威特大学）；Department of Industrial and Systems Engineering, Virginia Tech（弗吉尼亚理工大学工业与系统工程系）；Department of Industrial and Management Systems Engineering, Kuwait University（科威特大学工业与管理系统工程系）
Some response surface functions in complex engineering systems are usually highly nonlinear, unformed, and expensive-to-evaluate. To tackle this challenge, Bayesian optimization , which conducts sequential design via a posterior distribution over the objective function, is a critical method used to find the global optimum of black-box functions. Kernel functions play an important role in shaping the posterior distribution of the estimated function. The widely used kernel function, e.g., radial basis function (RBF), is very vulnerable and susceptible to outliers; the existence of outliers is ca…
2021-09-22 cs.LG stat.ML
Addressing outliers in mixed-effects logistic regression: a more robust modeling approach
Syneos Health；University of the Free State（自由州大学）；KU Leuven（荷语鲁汶大学）；University of Stellenbosch（斯泰伦博斯大学）
本研究提出了一种基于t分布的稳健混合效应逻辑回归模型，用于处理有界计数数据中的异常值，通过模拟验证其在鲁棒性和准确性方面的优势。
2026-02-16 stat.ME
A Bayesian Approach for Robust Longitudinal Envelope Models
Auburn University（奥本大学）
本文提出了一种稳健的纵向包络模型，通过引入尺度混合分布和Grassmann流形上的先验分布，提高了处理纵向数据中异常值和重复测量的能力。
2025-12-10 stat.ME
Outlier-robust copula regression for bivariate continuous proportions: an application to cushion plant vitality
Syneos Health；Dept. of Mathematical Statistics and Actuarial Science, University of the Free State（自由州大学数学统计与精算科学系）；CEMSE Division, King Abdullah University of Science and Technology（阿卜杜拉国王科技大学CEMSE学部）；Dept. of Statistics, University of Pretoria（比勒陀利亚大学统计学系）；Dept. of Plant and Soil Sciences, University of Pretoria（比勒陀利亚大学植物与土壤科学系）；Dept. of Botany and Plant Biotechnology, University of Johannesburg（约翰内斯堡大学生物学与植物生物技术系）
针对二元连续比例数据的内部异常值与残差依赖问题，提出结合矩形beta边缘与单参数copula的贝叶斯稳健回归方法，经垫状植物调查与模拟验证性能优异，可作为跨领域成对比例数据的稳健分析工具。
2025-11-13 stat.ME
Genome scans for detecting footprints of local adaptation using a Bayesian factor model
种群基因组学的核心部分是寻找与局部适应有关的基因组区域。群体基因组分析是基于对许多分子标记进行基因分型，并根据遗传分化的模式寻找离群位点。选择扫描的最常见方法之一是基于测量群体分化的统计数据，例如$F_{ST}$。然而，它们是与$F_{ST}$相关的方法的重要警告，因为它们需要将个体分组到群体中，并且它们还假设了群体结构的特定模型。在这里，我们实现了一个更灵活的基于个人的方法的基础上贝叶斯因子模型。因子模型用称为因子的潜变量来捕捉种群结构，因子可以描述个体聚集成种群或按距离隔离的模式。使用分层贝叶斯模型，我们都推断人口结构和确定离群位点的候选人，当地的适应。作为离群基因座，分层因子模型搜索与潜在因子测量的群体结构相关的基因座。在一个模型的人口分歧，我们表明，因子模型可以实现2倍或更多的减少错误发现率相比，软件BayeScan或相比，$F_{ST}$的方法。我们分析了人类基因组多样性小组的数据，以提供一个例子，说明因子模型如何用于检测大量SNP的局部适应。贝叶斯因子模型在开源PCAdapt软件中实现。
2014-07-29 q-bio.PE stat.AP
Robust and Parallel Bayesian Model Selection
有效而准确的模型选择是现代数据分析中的一个重要问题。主要挑战之一是处理无法在一台机器上存储或处理的大型数据集所需的计算负担。人们可能遇到的另一个挑战是存在异常值和污染，这会损害推理质量。并行的“分而治之”模型选择策略将完整数据集的观测值划分为大致相等的子集，并在每个子集上独立地执行推理和模型选择。在局部子集推断之后，该方法通过使用几何中值的概念来聚集后验模型概率或其他模型/变量选择标准以获得最终模型。这种方法导致在找到“正确”模型和模型参数方面的改进的集中，并且也可证明对离群值和数据污染是鲁棒的。
2018-03-22 stat.ML
Robust local empirical Bayes correction for Bayesian modeling
本文提出一种稳健的局部经验贝叶斯校正方法，用于贝叶斯建模，以区分并消除收入中的暂时性与永久性冲击，并在英国数据上验证了其效果。
2025-06-22 stat.AP stat.ME
