AutoPrognosis: Automated Clinical Prognostic Modeling via Bayesian Optimization with Structured Kernel Learning
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Alan Turing Institute（艾伦·图灵研究所）
从大规模医疗数据中获得的临床预后模型可以为关键的诊断和治疗决策提供信息。为了使机器学习（ML）在预后研究中的离线使用成为可能，我们开发了AUTOPROGNOSIS：一种用于自动设计为临床预后量身定制的预测建模管道的系统。AUTOPROGNOSIS使用一种新的批处理贝叶斯优化（BO）算法有效地优化了管道配置的集合，该算法在BO过程的同时学习管道高维超参数空间的低维分解。这是通过将管道性能建模为具有高斯过程先验的黑盒函数，并通过具有Dirichlet先验的稀疏加性核来建模管道基线算法之间的相似性来实现的。元学习用于通过使用模拟经验贝叶斯方法的算法校准先验来用来自类似患者队列的外部数据暖启动BO。该系统通过向临床医生提供逻辑关联规则来自动解释其预测，这些规则将患者特征与预测的风险层联系起来。我们使用10个代表心血管患者护理各个方面的主要患者队列来证明AUTOPROGNOSIS的效用。
2018-02-20 cs.LG stat.ML
Bayesian Probabilistic Numerical Methods
新兴的概率数值学领域迄今为止还缺乏明确的统计原理。本文建立了贝叶斯概率数值方法，这些方法可以作为贝叶斯框架内某些反问题的解决方案。这使我们能够建立贝叶斯概率数值方法定义良好的一般条件，包括非线性和非高斯模型。对于一般的计算，提出了一个数值逼近方案，并建立了其渐近收敛性。理论发展，然后扩展到管道的计算，其中概率数值方法组成，以解决更具挑战性的数值任务。的贡献突出了一个重要的研究前沿的接口的数值分析和不确定性量化，具有挑战性的工业应用。
2017-07-07 cs.NA math.NA math.ST
Bayesian identification of bacterial strains from sequencing data
在DNA测序的最新技术进步之后，快速测定从医院患者或环境来源获得的样品中存在的细菌物种的多样性已经成为可能。对于几种应用，重要的是根据从样品获得的短序列读数准确地鉴定靶生物体的存在并估计其相对丰度。当感兴趣的集合包括非常密切相关的生物体时，例如不同的病原菌菌株，这一任务特别具有挑战性，这些菌株在毒力、抗性和传播方面可能差异很大。使用先进的贝叶斯统计建模和计算技术，我们引入了一种新的细菌识别管道，该管道的性能优于目前领先的管道。我们的方法能够快速准确地基于序列识别细菌菌株，同时仅使用适度的计算资源。因此，它为广泛的应用提供了有用的工具，包括快速临床诊断，以区分引起医院感染的密切相关的菌株。该软件的实现可在https://github.com/PROBIC/BIB上获得
2016-02-17 q-bio.GN q-bio.QM stat.AP
Attacking Bayes: On the Adversarial Robustness of Bayesian Neural Networks
New York University（纽约大学）
本文通过三类任务上的攻击实验，证明贝叶斯神经网络及其不确定性预测流程并不天然具备对抗鲁棒性，并纠正了先前工作中的概念与实验错误。
2024-04-27 cs.AI cs.CV cs.LG
Bayesian optimization for modular black-box systems with switching costs
Georgia Tech（佐治亚理工学院）；Emory University（埃默里大学）
现有的大多数黑箱优化方法都假设被优化系统中的所有变量具有相等的成本，并且在每次迭代中可以自由改变。然而，在许多现实世界的系统中，输入是通过一系列不同的操作或模块传递的，这使得处理的早期阶段的变量更新成本更高。这种结构在数据处理流水线的早期部分中对切换变量强加了成本。在这项工作中，我们提出了一种新的算法，称为懒惰模块贝叶斯优化（LaMBO）的开关成本感知优化。该方法有效地识别全局最优，同时通过在早期模块中被动地改变变量来最小化成本。该方法具有理论基础，并在增加切换成本的情况下实现了无遗憾。我们将LaMBO应用于神经科学应用中使用的多个合成函数和三阶段图像分割流水线，在那里我们获得了优于当前成本感知贝叶斯优化算法的有希望的改进。我们的研究结果表明，LaMBO是一个有效的黑盒优化策略，能够最大限度地减少开关成本的模块化系统。
2021-10-11 cs.LG stat.ML
UltraNest -- a robust, general purpose Bayesian inference engine
UltraNest是一个用于参数估计和模型比较的通用贝叶斯推断包。它允许拟合指定为用Python、C、C++、Fortran、Julia或R编写的似然函数的任意模型。UltraNest专注于正确性和速度（按此顺序），特别适用于多模态或非高斯参数空间，计算昂贵的模型，在强大的管道中。可对计算集群进行并行化并恢复未完成的运行。
2021-04-07 astro-ph.IM stat.CO
Bayesian Outdoor Defect Detection
University of Hong Kong（香港大学）
我们引入贝叶斯缺陷检测器，以促进粗糙纹理表面上的运动模糊图像的缺陷检测。为了提高贝叶斯检测去除非缺陷像素的准确性，我们开发了一类反射非局部先验分布，这是通过使用分布的模式减去其密度构造的。反射的非局部先验迫使贝叶斯检测器在非缺陷位置处接近0。我们进行了实验研究，以证明贝叶斯检测器在消除非缺陷点的优越性能。我们在运动模糊的无人机图像中实现了贝叶斯检测器，其中检测器成功地识别了粗糙表面上的冰雹损坏，并大大提高了整个缺陷检测流水线的准确性。
2018-08-30 cs.CV cs.LG stat.ML
TinyBayes: Closed-Form Bayesian Inference via Jacobi Prior for Real-Time Image Classification on Edge Devices
Data Science Group（数据科学组）；Chennai Mathematical Institute（钦奈数学研究所）
本文提出TinyBayes框架，结合闭式贝叶斯分类器与移动端计算机视觉流水线，实现边缘设备上高效的作物疾病检测，达到78.7%的准确率，模型大小仅9.5MB，且推理速度达150ms/张。
2026-05-07 cs.AI cs.CV cs.LG
Propagating Uncertainty in Multi-Stage Bayesian Convolutional Neural Networks with Application to Pulmonary Nodule Detection
Draper（德雷珀实验室）
受肺结节计算机辅助检测（CAD）问题的启发，我们引入了在多级贝叶斯卷积神经网络（CNN）架构中传播和融合不确定性信息的方法。我们试图回答的问题是“我们能否利用一个深度学习模型提供的模型不确定性来提高后续深度学习模型的性能，并最终提高多级贝叶斯深度学习架构的整体性能？".我们的实验表明，通过管道传播不确定性使我们能够提高最终预测精度和模型置信度方面的整体性能。
2017-12-01 cs.CV stat.ML
A Bayesian approach to star-galaxy classification
恒星-星系分类是巡天天文学中最基本的数据处理任务之一，也是科学利用巡天数据的关键起点。对于明亮的源，这种分类可以几乎完全可靠地完成，但对于接近调查的检测极限的众多源，每个图像仅编码有限的形态信息。在这一领域，许多新的科学发现可能来自这一领域，利用关于一个来源的所有可用信息至关重要，这些信息既来自多次测量，也来自关于恒星和星系种群的先验知识。提供分类概率也比提供决定性分类更有用和现实。所有这些desiderata可以满足通过采用贝叶斯方法的恒星星系分类，我们开发了一个非常普遍的形式主义这样做。应用贝叶斯定理这个问题的直接含义是，它是不可能在不使用颜色信息的情况下，在不同的波段结合形态测量以及正式;然而，我们开发了几个近似，尽可能多地忽略颜色信息。由此产生的计划适用于从UKIRT红外深空巡天（UKIDSS）的数据，并通过比较深斯隆数字巡天（SDSS）条纹82相同的源的测量结果进行测试。从UKIDSS数据中获得的贝叶斯分类概率与深度SDSS分类总体上（与UKIDSS管道分类器的0.044相比，失配率为0.022）和接近UKIDSS检测限（与UKIDSS管道分类器的0.075相比，失配率为0.068）都非常一致。这里开发的贝叶斯形式主义可以应用于提高任何仅基于形态统计测量值的恒星星系分类方案的可靠性。
2010-11-26 astro-ph.IM physics.data-an stat.AP
Variational Bayesian Decision-making for Continuous Utilities
Helsinki Institute for Information Technology HIIT（赫尔辛基信息技术研究所 HIIT）；University of Helsinki（赫尔辛基大学）
贝叶斯决策理论概述了一个严格的框架，使最佳决策的基础上最大限度地提高预期效用的模型后验。然而，从业者往往没有获得完整的后验和诉诸近似推理策略。在这种情况下，在执行推理时考虑最终的决策任务允许校准后验近似以最大化效用。我们提出了一个自动流水线，co-opts连续效用到变分推断算法，占决策。我们提供了实用的策略，近似和最大化的增益，并根据经验证明一致的改进时，校准近似特定的实用程序。
2019-10-27 cs.LG stat.ML
Sampling Bias Correction for Supervised Machine Learning: A Bayesian Inference Approach with Practical Applications
Local Maximum Labs（Local Maximum实验室）
给定一个有监督的机器学习问题，其中训练集受到已知的采样偏差的影响，如何训练模型来拟合原始数据集？我们通过贝叶斯推断框架，通过改变后验分布来解释抽样函数。然后，我们将此解决方案应用于二进制逻辑斯谛回归，并讨论了数据集可能会受到故意的样本偏差，如标签不平衡的情况。这种技术广泛适用于大数据的统计推断，从医学科学到图像识别再到营销。熟悉它将为从业者提供工具，以改进从数据收集到模型选择的推理管道。
2022-03-15 cs.LG stat.ML
Do Bayesian imaging methods report trustworthy probabilities?
Maxwell Institute for Mathematical Sciences（麦克斯韦数学研究所）；Heriot-Watt University（赫瑞瓦特大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
针对贝叶斯成像方法的概率是否具备实验可重复性的问题，提出蒙特卡洛检验方法，经1000 GPU小时实验验证五种经典方法，发现其大多无法提供可靠的不确定性量化结果。
2024-05-13 cs.LG eess.IV eess.SP
Bayesian Projection of Extant Refugee and Asylum Seeker Populations
本文提出基于贝叶斯分层时间序列和中断逻辑过程的建模流程，利用UNHCR数据按原籍国预测难民与寻求庇护者人口，并验证其1、5、10年预测效果。
2025-10-20 stat.AP
Lifelong Bayesian Optimization
University of Cambridge（剑桥大学）；University of Oxford（牛津大学）；University of California, Los Angeles（加州大学洛杉矶分校）
自动机器学习（Auto-ML）系统解决了数据科学预测模型或管道设计自动化的问题。在本文中，我们提出了终身贝叶斯优化（LBO），一个在线的，多任务的贝叶斯优化（BO）算法，旨在解决问题的模型选择的数据集到达和随着时间的推移而演变。为了适用于“终身”贝叶斯优化，算法需要随着不断增加的采集数量而扩展，并且应该能够在学习当前最佳模型时利用过去的优化。我们将模型选择问题转化为一个黑箱函数优化问题。在LBO中，我们利用函数之间的相关性，通过使用先前学习的函数的组件来加速新到达的数据集的学习过程。在真实数据和合成数据上的实验表明，LBO算法优于标准BO算法。
2019-06-21 cs.LG stat.ML
Embracing Ambiguity: Bayesian Nonparametrics and Stakeholder Participation for Ambiguity-Aware Safety Evaluation
本文提出了一种基于贝叶斯非参数方法和利益相关者参与的框架，用于模糊性感知的安全评估，通过量化尾部风险和整合利益相关者偏好提升生成模型的可信度。
2026-01-22 cs.AI stat.AP
AutoBayes: Automated Bayesian Graph Exploration for Nuisance-Robust Inference
Northeastern University（东北大学）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室（MERL））
学习捕获任务相关特征但不受干扰变化影响的数据表示仍然是机器学习中的关键挑战。我们引入了一个自动贝叶斯推理框架，称为AutoBayes，它探索了连接分类器，编码器，解码器，估计器和对抗网络块的不同图形模型，以优化滋扰不变的机器学习管道。AutoBayes还支持学习分解表示，其中潜在变量被拆分为多个部分，以施加与滋扰变量和任务标签的各种关系。我们在几个公共数据集上对框架进行了基准测试，并分析了它在有/没有变分建模和对抗训练的情况下进行主题迁移学习的能力。我们展示了一个显着的性能改善与集成学习探索图形模型。
2020-11-30 cs.LG eess.SP stat.ML
Interpretable Traffic Event Analysis with Bayesian Networks
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
提出基于贝叶斯网络的可解释框架，通过保留关键信息的数据集构建流程，实现交通事故预测并揭示天气与交通事件的因果关系，为减少事故提供参考。
2023-10-10 cs.LG stat.AP
Bayesian Incremental Learning for Deep Neural Networks
AI Centre, Samsung Research Russia（三星俄罗斯研究院人工智能中心）；Moscow State University（莫斯科国立大学）；National Research University Higher School of Economics（俄罗斯高等经济研究大学）；University of Amsterdam（阿姆斯特丹大学）
在工业机器学习管道中，数据通常以部分形式到达。特别是在深度神经网络的情况下，每次从头开始训练模型可能太昂贵了，所以人们宁愿使用以前学习的模型和新数据来提高性能。然而，与完整数据集相比，当仅在新数据上训练时，深度神经网络容易陷入次优解决方案。我们的工作重点是一个持续的学习设置，其中任务总是相同的，新的数据部分顺序到达。我们应用贝叶斯方法来更新后验近似与每一个新的数据，并发现这种方法优于传统的方法在我们的实验。
2018-03-27 cs.LG stat.ML
Bayesian Deep Count Regression and Anomaly Detection: Evidence from GDELT Event Panels
University of Central Florida（中佛罗里达大学）
本文提出基于贝叶斯计数回归的深度模型，结合负二项和零膨胀负二项分布头，用于预测和检测异常，通过地理统计方法分析事件传播。
2026-03-26 stat.AP stat.CO
GIGA-Lens: Fast Bayesian Inference for Strong Gravitational Lens Modeling
我们介绍GIGA镜头：一个基于梯度信息的GPU加速贝叶斯框架，用于对强引力透镜系统进行建模，在TensorFlow和JAX中实现。这三个组件，使用多开始梯度下降的优化，变分推理的后验协方差估计，以及通过Hamiltonian Monte Carlo进行采样，都通过自动微分和图形处理单元（GPU）上的大规模并行化利用梯度信息。我们在一个大型的模拟系统上测试了我们的流水线，并详细展示了其高水平的性能。在四个Nvidia A100 GPU上对单个系统建模的平均时间为105秒。该框架所提供的鲁棒性、速度和可扩展性使得对当前调查中发现的大量强透镜进行建模成为可能，并为有望在Vera C时代发现的$\mathcal{O}(10^5)$透镜系统建模提供了非常有前途的前景。鲁宾天文台，欧几里得和南希格雷斯罗马太空望远镜。
2022-02-15 astro-ph.CO astro-ph.IM stat.AP
Bayesian methods and Markov chain Monte Carlo algorithms for curve reconstruction and point cloud data analysis
University of Tennessee（田纳西大学）
本文针对点云数据量大、含噪声及缺失信息，现有重建无不确定性量化的问题，提出全贝叶斯框架与适配的MCMC采样器，经合成及LiDAR数据实验，实现精确曲线重建与不确定性量化。
2026-08-28 cs.LG stat.ML
ddtlcm: An R package for overcoming weak separation in Bayesian latent class analysis via tree-regularization
本文提出R包ddtlcm，通过树正则化贝叶斯潜在类别模型解决弱类别分离和小样本下的估计难题，并提供可视化与Shiny交互工具。
2023-09-20 stat.CO
Bayesian reversal of the liquid level trajectory in a draining tank for pollution forensics
University of Notre Dame（圣母大学）；Oregon State University（俄勒冈州立大学）
针对污染事件中未知初始液位的反问题，提出基于贝叶斯统计反演的框架，结合托里拆利定律物理模型和经验偏差函数，从最终液位和排水时长推断初始液位并量化不确定性。
2026-05-28 stat.AP
Adaptive Bayesian computation for efficient biobank-scale genomic inference
MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单位）
本文提出自适应聚焦策略，结合块坐标上升变分推断框架，实现高效多单元贝叶斯分析，提升生物银行级基因组推断效率与统计性能。
2026-04-29 stat.AP
Kepler Presearch Data Conditioning II - A Bayesian Approach to Systematic Error Correction
由于开普勒航天器具有前所未有的测光精度，在开普勒测光数据中可以观察到凌日信号电平的显著系统和随机误差。这些误差包括不连续性、异常值、系统趋势和其他仪器特征，使天体物理信号变得模糊不清。开普勒数据分析管道的预研究数据调节（PDC）模块试图消除这些错误，同时保留行星凌日和其他天体物理学上有趣的信号。在开普勒数据中观察到的全新的噪声和恒星变率制度对标准的共同趋势方法（如SYSREM和TFA）提出了一个重大问题。变星通常具有特殊的天体物理学意义，因此保存它们的信号对天体物理学界具有重要意义。我们提出了一个贝叶斯最大后验概率（MAP）的方法，其中一个子集的高度相关和安静的明星被用来生成一个共同趋势的基础向量集，这反过来又被用来建立一个范围内的“合理的”强大的拟合参数。然后，这些稳健的拟合参数用于生成贝叶斯先验和贝叶斯后验概率分布函数（PDF），当最大化时，找到最佳拟合，同时去除系统效应，同时减少信号失真和噪声注入，这通常会影响简单的最小二乘（LS）拟合。采用数值和经验方法，其中贝叶斯先验PDF从拟合到光曲线分布本身生成。
2012-03-07 astro-ph.IM stat.AP
Uncertainty-Aware Surrogate-based Amortized Bayesian Inference for Computationally Expensive Models
Department of Stochastic Simulation and Safety Research for Hydrosystems（随机模拟与安全研究部门）；Cluster of Excellence SimTech（卓越中心SimTech）；University of Stuttgart（斯图加特大学）；Department of Statistics（统计学系）；TU Dortmund University（多特蒙德技术大学）
本文提出UA-SABI框架，结合替代模型和amortized贝叶斯推断，以量化和传播替代不确定性，实现对计算昂贵模型的快速可靠推断。
2026-01-16 cs.LG stat.ME stat.ML
BP3M: Bayesian Positions, Parallaxes, and Proper Motions derived from the Hubble Space Telescope and Gaia data
本研究提出分层贝叶斯流程BP3M，结合HST与Gaia数据测量天体位置、视差和自行，无需背景星系即可校准参考帧，在稀疏天区也能实现更高的天体测量精度。
2023-11-04 astro-ph.GA stat.AP
Approximate Bayesian Image Interpretation using Generative Probabilistic Graphics Programs
MIT（麻省理工学院）；Siberian Federal University（西伯利亚联邦大学）
计算机视觉作为计算机图形学的贝叶斯逆问题的想法有着悠久的历史和吸引人的优雅，但它已被证明难以直接实现。相反，大多数视觉任务是通过复杂的自下而上的处理管道来完成的。在这里，我们表明，它是可以编写简短，简单的概率图形程序，定义灵活的生成模型，并自动反转它们来解释现实世界的图像。生成概率图形程序包括一个随机场景生成器，基于图形软件的渲染器，连接渲染器的输出和数据的随机似然模型，以及调整渲染器的保真度和似然模型的容限的潜变量。计算机图形学的表示和算法最初是为了产生高质量的图像而设计的，现在被用作高度近似和随机生成模型的确定性支柱。该公式结合了概率编程、计算机图形学和近似贝叶斯计算，并且仅依赖于通用的自动推理技术。我们描述两个应用程序：读取退化和不利模糊的字母数字字符序列，并从车载摄像机图像推断3D道路模型。我们提出的每一个概率图形程序都依赖于不到20行的概率代码，并支持对模糊的真实世界图像进行准确的近似贝叶斯推断。
2013-06-29 cs.AI cs.CV stat.ML
Bayesian Anomaly Detection and Classification
African Institute of Mathematical Sciences（非洲数学科学研究所）；South African Radio Astronomical Observatory（南非射电天文台）
统计不确定性很少被纳入机器学习算法，特别是异常检测。在这里，我们提出了贝叶斯异常检测和分类（BADAC）的形式主义，它提供了一个统一的统计方法，在分层贝叶斯框架内的分类和异常检测。BADAC通过边缘化数据的未知、真实价值来处理不确定性。使用模拟数据与高斯噪声，BADAC被证明是优于标准算法的分类和异常检测性能的不确定性的存在下，虽然与显着增加的计算成本。此外，BADAC提供了校准良好的分类概率，对于科学管道的使用很有价值。我们表明，BADAC可以工作在在线模式，是相当强大的模型误差，这可以通过模型选择方法进行诊断。此外，它可以执行无监督的新类检测，并可以自然地扩展到搜索数据的异常子集。因此，BADAC是理想的计算成本是不是一个限制因素和统计的严谨性是重要的。我们讨论的近似，以加快BADAC，如使用高斯过程，最后引入一个新的度量，排名加权得分（RWS），这是特别适合于评估算法的能力，以检测异常。
2019-02-22 cs.AI cs.LG stat.ML
Quantile-Scaled Bayesian Optimization Using Rank-Only Feedback
African Institute for Mathematical Sciences, Ghana（非洲数学科学研究所，加纳）
针对标准贝叶斯优化依赖精确目标值、不适用于仅排序反馈场景的问题，提出分位数缩放贝叶斯优化框架，将排序转换为异方差高斯目标以适配标准BO流程，实验证明其在合成基准上显著优于随机搜索，可应用于偏好学习等场景。
2025-09-28 cs.LG math.ST stat.ML
Domain Elastic Transform: Bayesian Function Registration for High-Dimensional Scientific Data
Institute of Science and Engineering, Kanazawa University（金泽大学科学与工程研究所）；Department of Computer Science, Sapienza University of Rome（罗马大学计算机科学系）
本文提出领域弹性变换（DET），一种无网格概率框架，用于高维科学数据的几何与功能对齐，通过将数据视为不规则域上的函数，实现高维信号直接注册，无需分箱，且在大规模数据集上表现优异。
2026-09-18 cs.AI cs.CV stat.ML
Straightforward Bayesian A/B testing with Dirichlet posteriors
针对高频 A/B 测试中联合后验构建耗时且依赖专家的问题，本研究提出使用 Dirichlet-Categorical 模型近似真实联合后验，该方法在模拟与实际场景中表现良好，已被作为标准分析方法。
2025-08-11 stat.ME
Simple Extensions of Single-Objective Acquisition Functions and Hedge Strategies for Multi-Objective Bayesian Optimization
本文提出通过超体积变换和对冲策略扩展单目标采集函数至多目标贝叶斯优化，简化流程，实验证明其性能匹配或超越复杂MOBO方法。
2026-09-29 cs.LG math.OC stat.ML
SunBURST: Deterministic GPU-Accelerated Bayesian Evidence via Mode-Centric Laplace Integration
Braude College of Engineering（布雷德工程学院）
SunBURST通过模式中心拉普拉斯积分实现高维贝叶斯证据计算，结合GPU并行加速，适用于高斯和近高斯后验，提供高精度且高效的结果。
2026-01-27 astro-ph.CO astro-ph.IM stat.CO
VIBNN: Hardware Acceleration of Bayesian Neural Networks
Syracuse University（雪城大学）；University of Southern California（南加利福尼亚大学）
贝叶斯神经网络（BNN）已经被提出来解决训练和推理中的模型不确定性问题。通过引入与条件概率分布相关联的权重，BNN能够解决传统神经网络中常见的过拟合问题，并允许通过变分推理过程进行小数据训练。在这个过程中频繁使用高斯随机变量需要适当优化的高斯随机数发生器（GRNG）。传统GRNG的高硬件成本使得BNN的硬件实现具有挑战性。在本文中，我们提出了VIBNN，基于FPGA的硬件加速器设计变分推理BNN。我们探索了BNN中大量高斯变量采样任务的设计空间。具体来说，我们介绍了两个高性能的高斯（伪）随机数发生器：基于RAM的线性反馈高斯随机数发生器（RLF-GRNG），这是由二项式分布和线性反馈逻辑的性质的启发;和贝叶斯神经网络面向华莱士高斯随机数发生器。为了实现高的可扩展性和高效的内存访问，我们提出了一个深度流水线加速器架构，具有快速执行和良好的硬件利用率。实验结果表明，所提出的VIBNN在FPGA上的实现可以实现321，543.4 Images/s的吞吐量和高达52，694.8 Images/J的能量效率，同时保持与其软件对应物相似的精度。
2018-02-02 cs.AR cs.LG stat.ML
Personalized and uncertainty-aware coronary hemodynamics simulations: From Bayesian estimation to improved multi-fidelity uncertainty quantification
本文提出一种端到端不确定性感知的冠状动脉血流模拟框架，通过贝叶斯估计个性化分支血流，并结合多保真度蒙特卡洛与降维方法，以更低成本实现更高精度的临床与生物力学量预测。
2024-09-03 cs.CE math.ST physics.comp-ph
A frequentist test of proportional colocalization after selecting relevant genetic variants
本研究提出了一种频率学派的比例共定位条件检验方法prop-coloc-cond，通过考虑变异选择的不确定性来恢复准确的I型错误控制，仅需遗传关联汇总数据即可实现，可作为贝叶斯共定位检验的有力补充。
2024-02-19 q-bio.GN stat.ME
BOAT: Navigating the Sea of In Silico Predictors for Antibody Design via Multi-Objective Bayesian Optimization
MRC Biostatistics Unit, University of Cambridge（剑桥大学生物统计学单位）；Centre for AI, Data Science and Artificial Intelligence, R&D, AstraZeneca（人工智能、数据科学和人工智能研究中心，阿斯利康研发部）
本文提出BOAT框架，通过贝叶斯优化与遗传算法联合优化抗体多属性，解决抗体设计中的多目标优化问题，展示其在序列空间中的高效探索能力。
2026-04-15 cs.LG q-bio.QM stat.ML
Measuring Cluster Stability for Bayesian Nonparametrics Using the Linear Bootstrap
聚类过程通常估计哪些数据点聚集在一起，这是许多分析中最重要的数量。通常用作降维或促进解释的初步步骤，找到鲁棒和稳定的聚类通常对于下游分析至关重要。在目前的工作中，我们考虑贝叶斯非参数（BNP）模型，一组特别流行的贝叶斯模型聚类，由于其灵活性。由于其复杂性，贝叶斯后验往往不能精确计算，必须采用近似。平均场变分贝叶斯通过求解优化问题形成后验近似，由于其速度快而被广泛使用。当提供不同的数据时，确切的BNP后验可能会有很大差异。因此，应评估聚类的稳定性和稳健性。评估稳定性的一种流行方法是通过重新排序数据来应用bootstrap，并对每个模拟数据集进行聚类。因此，时间成本通常非常昂贵，特别是对于通常使用聚类的探索性分析。我们建议使用一个快速和自动近似的完整的引导称为“线性引导”，这可以看出，由本地数据扰动。在这项工作中，我们演示了如何将这个想法应用到数据分析管道，包括MFVB近似BNP聚类后的时间过程基因表达数据。我们表明，使用自动微分工具，必要的计算可以自动完成，并且线性引导是一种快速但近似的替代引导。
2017-12-05 stat.ME
