Bayesian Nonparametric System Reliability using Sets of Priors
提出了一种多部件系统可靠性的不精确贝叶斯非参数方法。这允许通过功能概率的界限以灵活的方式对部件故障分布的部分或不完善的先验知识进行建模。给定组件级测试数据,这些界限被传播到包含可与测试中使用的组件交换的新系统的功能概率的后验预测分布上的界限。该方法还使得能够基于组件级测试数据来识别系统级的先前数据冲突。Beta-二项分布的一阶随机优势的新结果使该技术计算上易于处理。我们的方法论贡献可以立即用于可靠性从业者的应用程序,因为我们提供易于使用的软件工具。
2016-02-04 stat.ME
A Closed-Form Solution to the 2-Sample Problem for Quantifying Changes in Gene Expression using Bayes Factors
本文针对RNA-Seq差异基因表达分析中的统计挑战,提出了一种基于共轭先验的闭式贝叶斯解,将复杂分析简化为计算贝叶斯因子的单一方程,用于对基因表达变化进行排序。
2024-06-28 q-bio.QM stat.ME
Optimal post-selection inference for sparse signals: a nonparametric empirical-Bayes approach
许多最近发展的贝叶斯方法集中在稀疏信号检测。然而,解决自然的后续问题所做的工作要少得多:如何对选择后这些信号的大小进行有效的推断。普通贝叶斯可信区间由于推理对象的自适应选择而存在选择偏差。现有的贝叶斯方法用于校正这种偏差产生具有差的频率论属性的可信区间,而现有的频率论方法需要牺牲贝叶斯方法中典型的收缩的益处,从而导致不必要的宽的置信区间。我们解决这个差距,提出了一个非参数的随机贝叶斯方法构建最佳选择调整的置信集。我们的方法产生的置信集是尽可能短的平均值,同时调整选择和保持精确的频率覆盖均匀的参数空间。我们的主要理论结果建立了一个重要的一致性属性,我们的程序:在温和的条件下,它渐近收敛到一个预言贝叶斯分析的结果,其中的信号大小的先验分布是已知的。在一系列的例子中,该方法优于现有的频率论技术的后选择推理,产生的置信度集,显着更短,但具有相同的覆盖率保证。
2020-11-13 stat.ME
Scalable Bayesian nonparametric measures for exploring pairwise dependence via Dirichlet Process Mixtures
在这篇文章中,我们提出了新的贝叶斯非参数方法,使用Dirichlet过程混合(Dirichlet Process Mixture)模型来检测随机变量之间的成对依赖关系,同时考虑潜在分布形式的不确定性。一个关键的标准是,这些程序应该扩展到大型数据集。在这方面,我们发现,正式计算的贝叶斯因子的依赖与。独立联合概率测度在计算上是不可行的。为了解决这个问题,我们提出了贝叶斯诊断措施,对成对独立的“空模型”的特征证据。在模拟研究中,以及一个真正的数据分析,我们表明,我们的方法提供了一个有用的工具,探索性的非参数贝叶斯分析的大型多元数据集。
2016-04-27 stat.ME
Bayesian Constraint Relaxation
先验信息通常采用参数约束的形式。贝叶斯方法通过具有约束支持的先验分布包括这样的信息。通过使用后验抽样算法,可以量化不确定性,而不依赖于渐近近似。然而,严格约束的先验(a)在某些设置中是不必要的;(b)往往将建模范围限制在一组狭窄的分布上,这些分布在计算上是容易处理的。受大量文献的启发,用连续近似代替了板和尖峰先验,我们建议用指数核代替约束的尖锐指示函数,从而在嵌入约束子空间的欧几里得空间内创建一个接近约束的邻域。该核以依赖于松弛超参数的速率随着与约束空间的距离而衰减。通过避免尖锐的约束,我们可以使用现成的后验采样算法,如哈密顿蒙特卡罗,促进自动计算广泛的模型。我们研究了多种设置下的约束和放松分布,并从理论上量化了它们的差异。我们通过多个新颖的建模实例来说明该方法。
2018-09-22 stat.ME
The Wasserstein Impact Measure (WIM): a generally applicable, practical tool for quantifying prior impact in Bayesian statistics
先验分布是贝叶斯分析中的一个重要组成部分,它的选择将影响后续的推理。因此,重要的是要有一个方便的方法来量化这种影响,因为这样的措施,以前的影响将有助于我们选择两个或两个以上的先验在一个给定的情况。最近提出的一种方法是确定由两个不同的先验产生的后验之间的瓦瑟斯坦距离,揭示它们有多近或多远。特别地,如果一个先验是均匀/平坦先验,则该距离导致对另一先验的先验影响的真实测量。虽然从理论的角度来看非常有吸引力和成功,但该建议受到实际限制:它要求先验分布嵌套,后验分布不应具有太复杂的形式,在大多数考虑的设置中,没有计算精确的距离,但提出了尖锐的上限和下限,并且到目前为止,该建议仅限于标量参数设置。在本文中,我们克服了所有这些限制,通过引入这种理论方法的实际版本,即Wasserstein影响测量(WIM)。在三个模拟的情况下,我们将比较WIM的理论Wasserstein的方法,以及两个竞争对手的影响之前的措施,从文献。最后,我们通过将其应用于两个数据集来说明WIM的多功能性。
2020-10-23 stat.CO stat.ME
Bayesian matching of unlabelled point sets using Procrustes and configuration models
研究了利用贝叶斯推断匹配无标号点集的问题。最近提出的两种模型的可能性进行了比较,根据Procrustes的大小和形状和完整的配置。利用马尔可夫链蒙特卡罗模拟对匹配点集进行贝叶斯推断。改进现有的Procrustes算法,提出了提高收敛速度,偶尔使用大的跳跃在老化期间。的Procrustes和配置方法进行了比较,在模拟研究和使用真实的数据,它是感兴趣的,以估计蛋白质结合位点之间的匹配的强度。这两种方法的性能通常非常相似,并且使用拉普拉斯近似在两个模型之间建立连接。
2010-09-16 stat.AP stat.CO stat.ME
WIKS: A general Bayesian nonparametric index for quantifying differences between two populations
确定两个样本是否来自同一分布的问题往往是许多研究调查中感兴趣的问题。许多统计方法已经致力于这个问题,但只有少数人认为贝叶斯非参数方法。我们提出了一个非参数贝叶斯指数(WIKS),它的目标是量化两个人口之间的差异$P_1$和$P_2$基于他们的样本。WIKS指数由$P_1$和$P_2$之间的Kolmogorov-Smirnov距离的加权后验期望定义,并且与大多数现有方法不同,可以使用$(P_1,P_2)$上的任何先验分布来容易地计算。此外,WIKS计算速度快,可以证明贝叶斯决策理论框架下。我们提出了一个模拟研究表明,WIKS方法是更强大的竞争方法在几个设置,甚至在多变量设置。我们还证明,WIKS是一个一致的程序,并控制的显着性水平均匀的原假设。最后,我们将WIKS应用于三组不同患者的量表测量数据集,这些患者提交了阿尔茨海默病诊断问卷。
2018-06-22 math.ST stat.TH
Quantifying uncertainty of individualized treatment effects in right-censored survival data: A comparison of Bayesian additive regression trees and causal survival forest
本文通过广泛的模拟研究,比较了在右删失生存数据中量化个体化处理效应不确定性时,贝叶斯加性回归树(BART)和因果生存森林(CSF)的区间估计覆盖率,发现BART在三种设置下均优于CSF。
2025-04-06 stat.AP stat.ME
Fuzzy sets in nonparametric Bayes regression
一个简单的贝叶斯方法非参数回归描述使用模糊集和隶属函数。隶属函数被解释为未知回归函数的似然函数,因此借助于参考先验,它们可以被转换为先验密度函数。未知的回归函数被分解成小波和分层贝叶斯方法是用于对所得到的小波系数进行推断。
2008-05-21 math.LO math.ST stat.ME
Application of Bayesian model inadequacy criterion for multiple data sets to radial velocity models of exoplanet systems
我们提出了一个简单的数学标准,以确定是否一个给定的统计模型不描述几个独立的测量集,或数据模式,充分。我们推导出这一标准的两个数据集,并推广到几个集,通过使用贝叶斯更新的后验概率密度。为了证明使用的标准,我们将其应用到观测的系外行星宿主恒星的径向速度HD 217107,Gliese 581,和\u{psion}仙女座重新分析,并表明,目前使用的模型不一定是足够的,在描述这些测量的属性。我们发现,虽然Gliese 581的两个数据集可以合理地建模,HD 217107的噪声模型需要修改。我们还揭示了\u{psion}仙女座星系径向速度的一些偏差,并报告了最近提出的4行星模型更新的轨道参数。由于我们的标准的一般性,不需要对测量,模型或模型参数的性质进行假设。我们提出的方法可以应用于任何天文问题,以及天文学领域之外,因为它是一个简单的后果贝叶斯规则的条件概率。
2011-06-29 astro-ph.EP stat.ME
Quantifying the mini-batching error in Bayesian inference for Adaptive Langevin dynamics
CERMICS, Ecole des Ponts(巴黎桥路学校 CERMICS 实验室);Inria Paris(法国国家信息与自动化研究所巴黎中心)
贝叶斯推断允许获得关于模型参数的有用信息,无论是在计算统计学中还是最近在贝叶斯神经网络的上下文中。在贝叶斯推断中,用于采样后验律的常用蒙特卡罗方法的计算成本与数据点的数量成线性比例。将其减少到该成本的一小部分的一个选项是采用mini-slave结合朗之万动力学的未调整离散化,在这种情况下,仅使用数据的随机部分来估计梯度。然而,这导致动态中的附加噪声,并且因此导致对由马尔可夫链采样的不变测量的偏差。我们提倡使用所谓的自适应朗之万动力学,这是一个标准的惯性朗之万动力学的修改与动态摩擦,自动纠正从迷你噪音所产生的增加。我们调查的实际相关性的假设支撑自适应Langevin(恒定协方差的梯度估计,高斯miniquisite噪声),这是不满意的贝叶斯推断的典型模型,并量化在这种情况下miniquisite引起的偏见。我们还提出了一个可能的扩展AdL,以进一步减少偏见的后验分布,通过考虑动态摩擦取决于当前值的参数样本。
2023-03-01 cs.LG stat.ML
Classical vs. Bayesian methods for linear system identification: point estimators and confidence sets
本文比较了经典的参数化方法和最近发展起来的贝叶斯系统辨识方法。一个完整的贝叶斯解决方案被认为是与经验贝叶斯范式的基础上的标准近似之一。关于点估计的脉冲响应以及置信区域的结果报告。
2015-07-02 stat.ML
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó,van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó,van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó,van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó,van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Bayesian Convolutional Deep Sets with Task-Dependent Stationary Prior
KAIST(韩国科学技术院)
卷积深度集是深度神经网络(DNN)的架构,可以对静态随机过程进行建模。该架构使用核平滑器和DNN来构造平移等变函数表示,从而将平稳性的归纳偏差反映到DNN中。然而,由于该架构采用称为非参数模型的内核平滑器,因此当数据点的数量没有充分给出时,它可能会产生模糊的表示。为了解决这个问题,我们引入了贝叶斯卷积深度集,它构建了具有静态先验的随机平移等变函数表示。此外,我们提出了如何对每个数据集施加任务相关的先验,因为错误施加的先验形成了比内核平滑器更差的表示。我们使用时间序列和图像数据集验证了所提出的架构及其在各种实验中的训练。
2022-10-22 cs.LG stat.ME stat.ML
Discussion of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
Szabó,van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率覆盖”讨论[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Honest Bayesian confidence sets for the L2-norm
我们研究了构建贝叶斯可信集的问题,这些可信集是诚实的,并且对于在[D; 2D]之间具有规律性的Sobolev类的尺度上的L2损失是自适应的,对于一些给定的D,在白噪声信号模型的上下文中。我们考虑一个由正则性超参数表示的先验分布尺度,分别用边际似然经验贝叶斯和分层贝叶斯方法选择超参数。接下来,我们考虑一个球中心周围的相应的后验均值与规定的后验概率。我们通过理论和实例表明,经验贝叶斯和分层贝叶斯可信集都为某些行为奇怪的事实提供了误导性的、过度自信的不确定性量化。在此基础上,我们构造了一种新的基于风险估计的经验贝叶斯方法,该方法给出了正确的不确定性量化和最优规模。
2014-04-23 math.ST stat.TH
Rejoinder to discussions of "Frequentist coverage of adaptive nonparametric Bayesian credible sets"
对Szabó、van der Vaart和van Zanten的“自适应非参数贝叶斯可信集的频率主义覆盖”的反驳[arXiv:1310.4489v5]。
2015-09-07 math.ST stat.TH
Spike and slab empirical Bayes sparse credible sets
在稀疏正态均值模型中,考虑了与尖峰和平板先验分布相关的自适应贝叶斯后验可信集的覆盖。通过边际最大似然经验贝叶斯校准的关键稀疏超参数。首先,相对于$q\leq 2$的$d_q$-型-距离导出自适应后收缩率。其次,在一类所谓的过度偏置条件下,构造了在指定的$1-α$置信水平下覆盖真参数且同时具有最优直径的可信集。我们还证明了,以前的条件不能显着削弱极大极小的角度来看。
2019-02-02 math.ST stat.TH
On Bayesian based adaptive confidence sets for linear functionals
研究了逆高斯白噪声模型中线性泛函的贝叶斯置信集的构造问题。我们的工作与一个规模的高斯先验指数的规律性超参数,并应用数据驱动的(略有修改)边际似然经验贝叶斯方法的选择这个超参数。我们通过理论和模拟表明,该方法构造的可信集一般具有次优行为。然而,通过假设“自相似性”的可信集有率自适应的大小和最佳的覆盖。作为这些结果的应用,我们构造了$L_{\infty}$ -可信带的真正的功能参数与自适应的大小和最佳覆盖下的自相似约束。
2015-04-18 math.ST stat.TH
Quantifying Power Systems Resilience Using Statistical Analysis and Bayesian Learning
Washington State University(华盛顿州立大学);Iowa State University(爱荷华州立大学)
本研究提出结合统计分析和贝叶斯学习的框架,定量建模天气参数与电力系统韧性指标的关系,发现风速、温度和降水对韧性有显著综合影响,为风险缓解和资源分配提供决策支持。
2025-11-04 cs.SY eess.SY stat.AP
Decision-theoretic justifications for Bayesian hypothesis testing using credible sets
在贝叶斯统计中,精确点原假设$θ=θ_0$可以通过检查$θ_0$是否包含在可信集中来检验.这允许测试$θ=θ_0$,而不必对假设施加先验概率。虽然这种可信集的反演在贝叶斯推理中有很长的历史,但它们因缺乏决策理论的理由而受到批评。我们认为,这些测试有许多优势,比标准的贝叶斯检验,使用点质量概率的原假设。通过研究一个具有方向性结论的三判定问题,我们给出了中心可信区间的反演的决策理论证明,并在一个特殊情况下证明了HPD集。通过解释证明中所使用的损失函数,讨论了基于可信集的检验在什么情况下适用。然后,我们给出了一些理由,使用可信集测试复合假设时,可信集的基础上,在这种情况下,测试符合标准测试。
2012-12-17 math.ST stat.TH
Quantifying sleep apnea heterogeneity using hierarchical Bayesian modeling
Duke University(杜克大学);Duke University School of Medicine(杜克大学医学院)
本文通过分层贝叶斯建模量化睡眠呼吸暂停的异质性,提出了一种基于随机效应的患者聚类方法,发现OSA与认知表现的关联。
2026-01-30 stat.AP
Adaptive Bayesian credible sets in regression with a Gaussian process prior
本文研究了两种经验贝叶斯方法和一种分层贝叶斯方法,用于在非参数回归模型中调整高斯过程的尺度。我们表明,所有的方法导致后收缩率,适应真正的回归函数的平滑度。此外,我们还证明了当真实回归函数满足一定的外推条件时,相应的可信集覆盖了该函数。这个条件取决于具体的方法,但是由自相似性的条件所暗示。后一个条件被证明是满足概率1下的先验分布。
2015-04-29 math.ST stat.TH
Using Mixed-Effects Models to Learn Bayesian Networks from Related Data Sets
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(达勒莫勒人工智能研究所(IDSIA));Ecole Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院(EPFL))
在学习贝叶斯网络的结构时,我们通常假设数据是一组同质的观测。然而,这些数据往往包括相关但不同质的不同数据集,因为它们是以不同方式收集的,或来自不同的人群。在我们之前的工作中(Azzimonti,Corani和Scutari,2021),我们提出了离散数据的封闭形式贝叶斯分层Dirichlet得分,该得分将相关数据集的信息汇集在一起,以学习单个包含的网络结构,同时考虑到其概率结构的差异。在本文中,我们提供了一个类似的解决方案,使用混合效应模型从连续数据中学习贝叶斯网络,以汇集相关数据集的信息。我们研究了它的结构,参数,预测和分类精度,我们表明,它优于条件高斯贝叶斯网络(不执行任何池)和经典高斯贝叶斯网络(忽略数据的异质性)。对于低样本量和不平衡的数据集,这种改善是显著的。
2022-08-04 cs.LG stat.ML
Asymptotic frequentist coverage properties of Bayesian credible sets for sieve priors
我们调查的频率覆盖属性的贝叶斯可信集一般的,自适应的,非参数的框架。众所周知,自适应和诚实的信心集的建设是不可能的一般。为了克服这个问题,我们引入一个额外的假设的功能参数,所谓的“一般抛光尾”的条件。然后,我们表明,在标准的假设下,分层和经验贝叶斯方法的结果在诚实的信心集筛类型的先验在一般情况下,我们表征其大小。我们应用派生的抽象结果的各种例子,包括非参数回归模型,密度估计使用指数族的先验,密度估计使用直方图先验和非参数分类模型,我们表明,它们的大小是近极大极小自适应相对于所考虑的特定半度量。
2019-02-04 math.ST stat.TH
A Bayesian Bradley-Terry model to compare multiple ML algorithms on multiple data sets
University of Campinas(坎皮纳斯大学)
本文提出基于 Bradley-Terry 的贝叶斯模型 BBT,可跨多个数据集和任意指标比较 ML 算法,并引入适用于频率学派排名方法的局部 ROPE。
2023-07-15 cs.LG stat.ME stat.ML
GAN-based Priors for Quantifying Uncertainty
University of Southern California(南加州大学)
贝叶斯推断被广泛地用于量化在一个相关领域的测量时,两者通过一个数学模型联系在一起的推断领域的不确定性。尽管有许多应用,贝叶斯推断面临的挑战时,推断具有大尺寸的离散表示,和/或具有先验分布,是难以数学表征的领域。在这项工作中,我们演示了如何将深度生成对抗网络(GAN)学习的近似分布用作贝叶斯更新中的先验,以解决这两个挑战。我们证明了这种方法在两个不同的,非常广泛的,类的问题的有效性。第一类是用于图像分类的监督学习算法,具有优越的分布检测和准确性,以及用于具有内置方差估计的图像修复。第二类导致图像去噪和解决物理驱动的逆问题的无监督学习算法。
2020-03-27 cs.CV cs.LG physics.comp-ph
Bayesian inference for high-dimensional nonstationary Gaussian processes
尽管非平稳空间建模和近似高斯过程(GP)方法的各种文献,有没有一般的方法进行充分的贝叶斯推断的中等大小的非平稳空间数据集在个人笔记本电脑。对于希望了解空间参考数据并进行后验推断和预测的统计学家和数据科学家来说,缺乏这种方法和相应的软件是一个重大限制。在本文中,我们开发的方法实现正式的贝叶斯推断的一般类的非平稳GP。我们的新方法使用预先存在的框架,以一种新的方式,适用于小到中等大小的数据集,通过现代GP似然近似表征非平稳性。后验采样采用灵活的MCMC方法,非平稳后验预测作为后处理步骤进行。我们在两个数据集上展示了我们的新方法,范围从几百到几千个位置,并将我们的方法与提供现成软件的相关统计方法进行比较。我们所有的方法都是在免费提供的BayesNSGP软件包中实现的。
2020-06-30 stat.CO stat.ME
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
Robust Bayesian Subspace Identification for Small Data Sets
从传统的子空间识别方法获得的模型估计可能会受到显着的方差。在大型模型或样本量有限的情况下,这种升高的方差会加剧。减少方差影响的常见解决方案是正则化估计,收缩估计和贝叶斯估计。在目前的工作中,我们调查后两种解决方案,尚未被应用于子空间识别。我们的实验结果表明,我们提出的估计可以减少估计风险的传统子空间方法的$40\%$。
2022-12-29 cs.SY eess.SY stat.ML
Beyond Confidence Regions: Tight Bayesian Ambiguity Sets for Robust MDPs
Department of Computer Science(计算机科学系);University of New Hampshire(新罕布什尔大学)
在强化学习中,鲁棒MDP(RMDP)可用于计算具有可证明的最坏情况保证的策略。RMDP解决方案的质量和鲁棒性由模糊集-合理转移概率集-决定,模糊集通常构造为多维置信区域。现有的方法构造模糊集的置信区域使用浓度不等式,导致过于保守的解决方案。本文提出了一种新的范例,可以实现更好的解决方案,具有相同的鲁棒性保证,而不使用置信区域作为模糊集。为了结合先验知识,我们的算法使用贝叶斯推理优化歧义集的大小和位置。我们的理论分析表明,所提出的方法的安全性,和实证结果表明其实际的承诺。
2019-02-20 cs.LG stat.ML
AABC: approximate approximate Bayesian computation when simulating a large number of data sets is computationally infeasible
近似贝叶斯计算(ABC)方法在评估似然性困难时对机械激励的参数统计模型的模型特定参数执行推断。ABC方法成功的关键是从参数模型中对数据集进行计算上廉价的模拟。然而,当从模型中模拟数据集的计算成本如此之高,以至于参数的后验分布不能通过ABC充分采样时,推断并不简单。我们提出了近似近似贝叶斯计算(AABC),一类方法,扩展基于模拟的推理ABC模型,其中模拟数据是昂贵的。在AABC中,我们首先模拟有限数量的数据集,这些数据集在计算上是可行的,可以从参数模型中进行模拟。我们使用这些数据集作为固定的背景信息,通知一个非机械的统计模型,近似正确的参数模型,并使大量的数据集的贝叶斯回归方法的有效模拟。我们发现,在温和的假设下,由AABC得到的后验分布收敛到由ABC得到的后验分布,从参数模型模拟的数据集的数量和观察数据集的样本量同时增加。我们说明了AABC的性能上的人口遗传模型的自然选择,以及混合历史的混合动力种群的模型。
2013-01-26 stat.CO
Value of information from vibration-based structural health monitoring extracted via Bayesian model updating
量化从结构健康监测(SHM)系统中提取的信息的价值是说服决策者实施这些系统的重要一步。我们量化这个值的贝叶斯决策分析框架的适应。与以往的工作相比,我们详细的模型的数据生成到处理,模型更新和可靠度计算的整个过程,并调查它在一个日益恶化的桥梁系统。该框架假设动态响应数据是以顺序的方式从部署的加速度计中获得的,随后通过仅输出的操作模态分析方案进行处理,以识别系统的模态特性。我们采用了经典的贝叶斯模型更新方法,顺序学习的恶化和估计的结构损伤随时间的演变。这将导致连续更新的结构可靠性,这构成了前验贝叶斯决策分析的基础。替代行动的定义和一个基于进化论的方法是采用生命周期优化。通过解决前验贝叶斯决策分析,人们能够量化长期SHM振动数据的可用性的好处。数值研究表明,该框架可以提供定量的措施,在特定的决策背景下的SHM系统的最优性。
2021-03-12 cs.SY eess.SY stat.AP
Robust Exploration with Tight Bayesian Plausibility Sets
University of New Hampshire(新罕布什尔大学)
对于许多被证明有效的强化学习算法来说,对状态和动作的乐观态度是探索的主要驱动力。我们提出了乐观面对明智的价值函数(OFVF)-一种新的数据驱动的贝叶斯算法来构建MDP的似然集,以探索鲁棒地最小化最坏情况下的探索成本。该方法通过引入两个新的想法来计算具有更严格的乐观估计的探索策略。首先,它是基于贝叶斯后验分布,而不是分布自由边界。其次,OFVF不构造可扩展性集作为简单的置信区间。置信区间作为相容性集是一个充分条件,但不是必要条件。OFVF使用价值函数的结构来优化可扩展性集合的位置和形状,以直接保证上界,而不必强制要求集合是置信区间。OFVF以发作的方式进行,其中发作的持续时间是固定和已知的。我们的算法本质上是贝叶斯的,可以利用先验信息。我们的理论分析表明,OFVF的鲁棒性,和实证结果表明其实际的承诺。
2019-04-17 cs.AI cs.LG stat.ML
Distributionally Robust Optimisation with Bayesian Ambiguity Sets
University of Warwick(华威大学)
本文提出DRO-BAS方法,利用后验信息构建贝叶斯模糊集并对最坏情况风险进行优化,以缓解模型不确定性和有限噪声观测导致的次优决策问题,并在报童问题中验证了其优于现有贝叶斯DRO方法的样本外鲁棒性。
2024-09-05 cs.LG stat.ML
On frequentist coverage of Bayesian credible sets for estimation of the mean under constraints
研究了信号加噪声模型中一类噪声分布下$(1-α)$ -最高后验密度可信集的频率覆盖问题。我们考虑一类特殊的钉板先验分布。不同的制度被确定,我们推导出封闭形式的表达式为$(1-α)$ -HPD对这些制度。与Marchand和Strawderman的早期工作类似,在适当的条件下,频率论覆盖可以下降到$1-3α/2.$
2020-03-09 math.ST stat.TH
On Bayesian credible sets in restricted parameter space problems and lower bounds for frequentist coverage
为了在Marchand和Strawderman(2006)的框架下估计下界参数函数,我们通过统一的方法给出了一类置信度为$1-α$且频率覆盖概率为$\frac{1-α}{1+α}$的贝叶斯置信区间.在潜在的枢轴分布是对称的情况下,调查结果表示扩展相对于通过选择{ \it消费函数}实现的可信集的规格,并包括Marchand和Strawderman的HPD程序的结果。对于非对称的情况下,这样一类贝叶斯可信集的确定填补了文献中的空白,包括HPD过程的“等尾”修改。几个例子展示了广泛的适用性。
2012-12-19 math.ST stat.TH
On frequentist coverage errors of Bayesian credible sets in moderately high dimensions
本文研究了具有(中等)高维回归变量的近似线性回归模型的贝叶斯可信集的频率覆盖误差,其中回归变量的维数可以随样本量而增加,但小于样本量.具体地说,我们考虑了准似然下的斜率向量与高斯误差分布的准贝叶斯推断。在这种设置下,我们推导出贝叶斯可信矩形的频率覆盖误差的有限样本界。这些界限的推导建立在一个新的Berry-Esseen型准后验分布和最近的结果高维CLT超矩形上的界限。我们使用这个一般的结果来量化覆盖误差的卡斯蒂略-尼克和$L^{\infty}$ -可信带高斯白噪声模型,线性逆问题,(可能是非高斯)非参数回归模型。特别是,我们表明,这些非参数模型的贝叶斯可信带的覆盖误差多项式衰减快的样本量,这意味着优势的贝叶斯可信带的置信带的基础上极值理论。
2019-06-27 math.ST stat.TH
Frequentist coverage of adaptive nonparametric Bayesian credible sets
本文研究了非参数环境下贝叶斯可信集的频率覆盖问题。我们考虑一个尺度的先验的变化规律性和选择的规则性的经验贝叶斯方法。接下来,我们考虑一个中心集的规定后验概率的后验分布所选择的规律。我们表明,这样一个自适应贝叶斯可信集给出了正确的不确定性量化的“抛光尾”参数,在这个意义上的高概率覆盖这些参数。在消极的一面,我们通过理论和例子表明,适应的前必然导致毛和偶然的不确定性量化的一些真正的参数,仍然在超矩形的规律性尺度。
2015-09-04 math.ST stat.TH
Quantification of observed prior and likelihood information in parametric Bayesian modeling
本文提出了两种与数据相关的信息度量来量化参数贝叶斯模型中先验和似然函数的信息,其中一种与Berger,Bernardo和Sun提出的参考先验和Lindley提出的信息度量密切相关.理论,经验和计算支持的组合提供的证据表明,这些信息理论指标可能是有用的诊断工具时,执行贝叶斯分析。
2017-09-07 cs.IT math.IT stat.AP
Is the Best Better? Bayesian Statistical Model Comparison for Natural Language Processing
Wrocław University of Science and Technology(弗罗茨瓦夫科技大学);City University of New York(纽约城市大学)
最近的工作引起了人们对使用标准分割来比较自然语言处理模型的关注。我们提出了一种贝叶斯统计模型比较技术,该技术使用跨多个数据集的k折交叉验证来估计一个模型将优于另一个模型的可能性,或者两个模型将产生几乎等同的结果。我们使用这种技术来排名六个英语词性标注在两个数据集和三个评价指标。
2020-10-06 cs.CL cs.LG stat.ME
BayesSummaryStatLM: An R package for Bayesian Linear Models for Big Data and Data Science
数据科学和大数据研究的最新发展产生了大量的大型数据集,由于计算机内存或存储容量的限制,这些数据集太大而无法进行整体分析。在这里,我们介绍了我们的R包“贝叶斯总结StatLM”的贝叶斯线性回归模型与马尔可夫链蒙特卡罗实现,克服了这些限制。我们的贝叶斯模型仅使用数据的汇总统计数据作为输入;这些汇总统计数据可以从大数据的子集中计算出来,并在子集上进行组合。因此,不需要将完整的数据集全部读入存储器,这消除了用户的任何物理存储器限制。我们的软件包包含R包'ff'及其函数,用于分块读取大数据集,同时计算汇总统计数据。我们描述我们的贝叶斯线性回归模型,包括几个选择的先验分布未知的模型参数,并说明我们的R包使用模拟和真实的数据集的功能和特点。
2015-04-23 stat.AP stat.CO
A Bayesian Hierarchical Score for Structure Learning from Related Data Sets
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(达莱莫莱人工智能研究所(IDSIA));USI(意大利语区大学);SUPSI(瑞士南部应用科学与艺术大学)
在文献中,用于学习贝叶斯网络结构的得分函数假设数据是一组同质的观测值;然而,通常情况下,它们包括以不同方式收集的不同相关但不同质的数据集。在本文中,我们提出了一个新的贝叶斯Dirichlet分数,我们称之为贝叶斯分层Dirichlet(BHD)。建议的分数是基于一个分层模型,该模型汇集了数据集之间的信息,以学习一个单一的包含网络结构,同时考虑到它们的概率结构的差异。我们推导出一个封闭形式的表达BHD使用变分近似的边际似然,我们研究了相关的计算成本,我们使用模拟数据评估其性能。我们发现,当数据包括多个相关的数据集,BHD优于贝叶斯狄利克雷等效均匀(BDeu)得分重建精度测量的结构汉明距离,它是准确的BDeu数据时,是均匀的。当网络中的变量数量或观测数量很大时,这种改进尤其明显。此外,由于误报弧的数量较少,估计的网络更稀疏,因此比使用BDeu获得的网络更易于解释。
2021-07-17 cs.LG stat.ML
On Exact Bayesian Credible Sets for Classification and Pattern Recognition
针对分类中离散可信水平无法精确匹配预设水平的问题,本文借助最高后验密度可信集与 Neyman–Pearson 引理的联系提出随机化广义可信集,并辅以 Steering Wheel Plot 可视化不确定性。
2023-08-21 math.ST stat.ME stat.ML
Bayesian Federated Inference for estimating Statistical Models based on Non-shared Multicenter Data sets
针对小数据集下多变量预测因子识别难、多中心数据直接整合受监管限制的问题,本文优化实现了贝叶斯联邦推断(BFI)框架,通过本地提取后验分布额外特征、仅需单轮推断即可达到FL的目标,在模拟和真实数据上验证了性能。
2024-03-09 stat.AP stat.ME stat.ML
How to combine correlated data sets -- A Bayesian hyperparameter matrix method
本文构造了一种“超参数矩阵”统计方法,用于对多个相关天文数据集进行联合分析,其中数据集的权重由其自身的统计特性决定。该方法是由Lahav等人(2000)和Hobson,Bridle和Lahav(2002)构建的超参数方法的推广,该方法旨在组合独立的数据集。该方法的优点是处理多个数据集之间的相关性,并给出适当的相关权重的多个数据集的相互相关性。我们定义了一种新的“元素式”乘积,它大大简化了超参数矩阵的似然函数。我们严格证明了联合似然的简化公式,并表明它恢复了原始的超参数方法在数据集之间没有协方差的限制。然后,我们说明的方法,将其应用到一个演示玩具模型拟合直线的两组数据。我们表明,超参数矩阵方法可以检测未计的系统误差或低估的数据集的错误。此外,贝叶斯因子的比率提供了包含超参数的必要性的明显指示。我们的例子表明,我们构建的相关数据集的联合分析的可能性可以广泛应用于许多天体物理系统。
2014-05-13 astro-ph.CO astro-ph.IM stat.AP
Tight Bayesian Ambiguity Sets for Robust MDPs
University of New Hampshire(新罕布什尔大学)
鲁棒性对于具有不确定概率参数的随机动态环境中的序贯决策非常重要。我们解决的问题,使用强大的MDP(RMDPs)计算政策与可证明的最坏情况下的保证强化学习。RMDP解的质量和鲁棒性由其模糊集决定。现有的方法构造模糊集,导致不切实际的保守的解决方案。在本文中,我们提出了RSVF,它实现了保守性较低的解决方案,具有相同的最坏情况下的保证,1)利用贝叶斯先验,2)优化的大小和位置的模糊集,最重要的是,3)放松的要求,该集是一个置信区间。我们的理论分析表明了RSVF的安全性,实验结果证明了它的实用前景。
2018-11-15 cs.LG stat.ML
Decision Making under Model Misspecification: DRO with Robust Bayesian Ambiguity Sets
University of Warwick(华威大学)
本文提出DRO-RoBAS方法,通过以鲁棒后验预测分布为中心的最大均值差异模糊集处理模型误设问题,在报童和投资组合问题上取得优于现有贝叶斯及经验DRO方法的样本外表现。
2025-05-06 cs.LG stat.ML
Out-of-Distribution Detection from Small Training Sets using Bayesian Neural Network Classifiers
Department of Mathematics and Statistics University of Ottawa(数学与统计学系 马尼托瓦大学)
本文提出了一种基于贝叶斯神经网络的分布外检测方法,通过预期logit向量生成得分,并在MNIST和CIFAR-10数据集上验证了其在小训练集下的优越性能。
2025-10-07 cs.LG stat.ML
A general measure of the impact of priors in Bayesian statistics via Stein's Method
我们提出了一个措施的影响,任何两个选择的先验分布量化的Wasserstein距离之间的各自产生的后验分布在任何固定的样本量。我们说明了这一措施的正常,二项和泊松模型。
2018-02-28 math.ST stat.TH