On Bayesian Sequential Clinical Trial Designs
临床试验通常涉及连续的患者输入。在设计临床试验时，通常需要包括对累积数据进行中期分析的规定，这些数据可能会提前停止试验。我们回顾贝叶斯序贯临床试验设计的基础上后验概率，后验预测概率和决策理论框架。一个相关的问题是贝叶斯序贯设计是否需要调整中期分析的计划。我们从三个角度回答这个问题：频率导向的角度，校准贝叶斯的角度，和主观贝叶斯的角度。我们还提供了新的见解似然原理，这是通常绑在统计推断和决策的顺序临床试验。一些理论结果的推导，并进行数值研究，以说明和评估这些设计。
2023-03-10 stat.ME
Bayesian Point Set Registration
点集配准涉及识别两个点集中的对应点之间的平滑可逆变换，其中一个点集可能小于另一个点集，并且可能被观测噪声破坏。这个问题传统上被分解成两个单独的优化问题：（i）分配或对应，以及（ii）识别有序点集之间的最佳变换。在这项工作中，我们提出了一种同时解决这两个问题的方法。特别是，一个连贯的贝叶斯制定的问题的结果在一个边际后验分布的变换，这是探讨内的马尔可夫链蒙特卡罗计划。受原子探针层析成像（APT）的启发，在高熵合金（HEA）结构推断的背景下，我们重点研究了已知参考构型刚性变换的噪声稀疏观测的配准问题，最后在合成数据集上对我们的方法进行了测试。
2018-12-24 stat.AP
A Bayesian approach to estimate the completeness of death registration
本研究提出带GL先验的分层贝叶斯线性混合模型，基于GBD 2019数据集估计多层面死亡登记完整性，可提升参数估计与预测精度，并以哥伦比亚各省数据验证了方法有效性。
2023-10-03 math.ST stat.AP stat.TH
A flexible Bayesian framework to estimate age- and cause-specific child mortality over time from sample registration data
为了在年轻群体中实施针对疾病的干预措施，中低收入国家的决策者需要及时准确地估计特定年龄和原因的儿童死亡率。在最需要这些干预措施的情况下，没有高质量的数据，但有一个推动创建样本登记系统，收集详细的死亡率信息。目前从这些数据估计死亡率的方法采用多阶段框架，没有严格的统计理由，分别估计全因死亡率和特定原因死亡率，不足以适应捕捉数据的重要特征。我们提出了一个灵活的贝叶斯建模框架来估计样本登记数据的年龄和原因特定的儿童死亡率。我们提供了一个理论上的理由框架，通过模拟探索其属性，并使用它来估计死亡率的趋势，使用的数据在中国的妇幼健康监测系统。
2021-05-18 stat.AP
Sequential Selection for Accelerated Life Testing via Approximate Bayesian Inference
加速寿命试验（ALT）通常用于评估材料在所需应力水平下的寿命可靠性。材料工程的最新进展使各种材料替代品变得容易获得。为了确定最可靠的材料设置与有效的试验设计，一个连续的测试计划策略是首选。为了保证一个易于处理的统计机制的信息收集和更新，我们开发了明确的模型参数更新公式，通过近似贝叶斯推断。理论表明，我们的显式更新公式给出了一致的参数估计。仿真研究和算例分析表明，与其他设计方法相比，所提出的序贯选择方法可以显著提高确定最佳可靠性性能材料方案的概率。
2020-01-16 stat.ME
Fully Bayesian Sequential Design for Heteroscedastic Stochastic Simulations
Department of Statistics and Actuarial Science, University of Waterloo（滑铁卢大学统计与精算科学系）
针对异方差随机模拟模型，提出一种基于双高斯过程和期望贝叶斯积分均方预测误差的完全贝叶斯序贯设计策略，有效提升有限预算下的预测精度和不确定性量化。
2026-07-03 stat.ME
A Comparative Tutorial of Bayesian Sequential Design and Reinforcement Learning
强化学习（RL）是一种在序列决策问题中进行奖励驱动学习的计算方法。它通过从与环境交互的代理中学习而不是从监督数据中学习来实现最佳动作的发现。我们对比和比较RL与传统的序贯设计，重点是基于模拟的贝叶斯序贯设计（BSD）。最近，人们对用于医疗保健应用的RL技术越来越感兴趣。我们介绍两个相关的应用程序作为激励的例子。在这两个应用程序中，决策的顺序性质仅限于顺序停止。而不是一个全面的调查，讨论的重点是使用标准工具的解决方案，这两个相对简单的顺序停止问题。这两个问题的灵感来自适应性临床试验设计。我们使用例子来解释每个框架的术语和数学背景，并将一个映射到另一个。实现和结果说明了RL和BSD之间的许多相似之处。这些结果激发了对每种方法的潜在优势和局限性的讨论。
2022-10-05 stat.ME
Bayesian Functional Registration of fMRI Activation Maps
功能性磁共振成像（fMRI）为我们理解人类行为提供了宝贵的见解。然而，在进行组分析和进行群体水平的推断时，解剖对齐后大脑解剖结构和功能定位的个体间差异仍然是一个主要的限制。本文通过开发和验证一种新的计算技术来解决这个问题，该技术通过将每个受试者的功能数据空间转换到一个共同的参考图来减少功能脑系统中个体之间的不对准。我们提出的贝叶斯功能配准方法使我们能够评估不同受试者的大脑功能差异和激活拓扑的个体差异。它将基于强度和基于特征的信息结合到一个集成的框架中，并允许通过后验样本对变换进行推理。我们在模拟研究中评估该方法，并将其应用于热痛研究的数据。我们发现，所提出的方法提供了更高的灵敏度组级推理。
2021-11-01 stat.AP
Sequential Bayesian Inference for Factor Analysis
我们开发了一个有效的贝叶斯序贯推理框架，通过各种数据类型，如连续，二进制和有序数据的因素分析模型观察。在连续数据的情况下，它是可能的边缘化的潜在因素，建议的方法量身定制的迭代批量重要性抽样（IBIS）的肖邦（2002年）来处理这样的模型，我们将汉密尔顿马尔可夫链蒙特卡罗。对于二进制和有序数据，我们开发了一个有效的IBIS计划来处理参数和潜在的因素，结合拉普拉斯或变分贝叶斯近似。该方法可用于通过贝叶斯因子进行序贯假设检验的背景下，已知贝叶斯因子比传统的原假设检验具有优势。此外，开发的顺序框架提供了多种好处，即使在非顺序的情况下，通过提供后验分布，模型证据和评分规则（在先决框架下），并通过提供一个更强大的替代计算方案，马尔可夫链蒙特卡罗，可以在有问题的目标分布是有用的。
2022-01-26 stat.ME
Estimating maternal mortality using data from national civil registration vital statistics systems: A Bayesian hierarchical bivariate random walk model to estimate sensitivity and specificity of reporting
民事登记人口动态统计数据被用于编制国家孕产妇死亡率估计数，但由于对孕产妇死亡的错误分类，这些数据往往存在重大报告错误。可以通过比较基于民事登记和人口动态统计系统的孕产妇和非孕产妇死亡人数与从专门研究中获得的人数来评估民事登记和人口动态统计系统的准确性，专门研究是对特定国家时期孕产妇死亡率的严格评估。我们开发了贝叶斯双变量随机游动模型，以估计CRVS数据中孕产妇死亡率报告的敏感性和特异性，以及相关的CRVS调整因子。该模型适用于民事登记和人口动态统计的全球数据集和专门研究数据。验证工作表明，该模型在预测没有专门研究的国家时期基于CRVS的孕产妇死亡比例方面表现良好。联合国孕产妇死亡率机构间小组在使用民事登记和人口动态统计数据估计孕产妇死亡率时使用了新模型来解释错误分类错误。
2019-09-18 stat.AP
Bayesian nonparametric modelling of sequential discoveries
我们的目标是在一系列的标签对象建模的外观不同的标签。这种类型的数据的常见示例包括语料库中的单词或样本中的不同物种。这些连续的发现通常通过累积曲线来总结，累积曲线计算在越来越大的对象集合中观察到的不同实体的数量。我们提出了一种新的贝叶斯非参数方法的物种抽样建模直接指定的概率，一个新的发现，因此允许灵活的规格。这种方法的渐近行为和有限样本性质进行了广泛的研究。有趣的是，我们扩大的序列过程类包括高度易处理的特殊情况。我们提出了一个子类的模型，其特征在于吸引人的理论和计算性能。此外，由于与逻辑斯谛回归模型的紧密联系，后一个子类可以自然地解释协变量。最后，我们测试我们的建议在合成和真实的数据，特别强调在芬兰的大型真菌生物多样性研究。
2020-11-12 stat.ME
Bayesian semiparametric modelling of phase-varying point processes
我们提出了一个贝叶斯半参数方法注册的多点过程。我们的方法需要建模的平均措施的相位变化的点过程与Bernstein-Dirichlet先验，这导致了所有翘曲函数的空间上的先验。导出了诱导先验支持性的理论结果，并在较弱的条件下得到了后验一致性。数值实验表明，所提出的方法具有良好的性能，和气候学的实际数据的例子来展示如何在实践中使用的方法。
2020-12-11 stat.ME
Bayesian Sequential Experimental Design for a Partially Linear Model with a Gaussian Process Prior
研究了在高斯过程先验下估计部分线性模型参数分量的序贯试验设计问题。我们考虑一个主动学习设置，实验者自适应地决定收集哪些数据，以有效地实现他们的目标。实验者的目标可能会有所不同，例如降低分类错误概率或提高估计数据生成过程的参数的准确性。本研究旨在提高部分线性模型参数分量估计的精度。在某些假设下，部分线性模型的参数分量可被视为因果参数，即平均处理效应（ATE）或平均因果效应（ACE）。我们提出了一个贝叶斯序贯试验设计算法的部分线性模型与高斯过程先验，这也被认为是一个序贯试验设计定制的ATE或ACE的估计。我们通过数值实验的基础上合成和半合成数据所提出的方法的有效性。
2022-11-04 stat.ME
Bayesian Inference for Sequential Treatments under Latent Sequential Ignorability
我们专注于纵向治疗的因果推断，其中单位被分配给多个时间点的治疗，旨在评估不同治疗序列对最终点观察到的结果的影响。类似研究中的一个常见假设是序贯可忽略性（SI）：假设每个时间点的治疗分配独立于过去观察到的结局和协变量的未来潜在结局。当治疗参与取决于个人选择，治疗分配可能取决于与未来结局相关的不可观察的数量时，SI是值得怀疑的。我们依赖于主分层来制定SI的宽松版本：潜在的顺序忽略性（LSI）假设治疗分配有条件地独立于过去治疗的未来潜在结果，协变量和主分层成员，由观察到的联合值定义的潜在变量和缺失的中间结果。我们评估SI和LSI，使用理论参数和模拟研究，以调查两个假设的性能时，一个持有和推理下进行。仿真结果表明，当SI不成立时，在SI下进行的推理会导致误导性的结论。相反，LSI通常会导致正确的后验分布，无论哪个假设成立。
2019-05-12 stat.ME
Frequentist-calibrated Bayesian group sequential design with dynamic borrowing
Sapienza University of Rome（罗马第一大学）；McGill University（麦吉尔大学）
该研究针对临床试验设计的监管要求，提出带动态借用的贝叶斯组序贯设计，利用贝叶斯与频率学派检验的对应关系，通过数值研究及结核病预防试验验证了其性能。
2026-08-03 stat.ME
Robust Bayesian Sequential Borrowing for Multi-Population Clinical Programmes
Faculty of Informatics and Data Science, University of Regensburg（雷根斯堡大学信息科学与数据科学学院）
本文提出鲁棒贝叶斯序列借用框架，用于在多人群临床试验中跨相邻亚组推断证据，通过稳健混合先验结合信息性成分和单位信息成分，避免先验数据冲突，提升异质性下的动态衰减效果。
2026-04-24 stat.ME
A Bayesian group sequential schema for ordinal endpoints
在临床研究中，顺序终点很常见。例如，对于COVID-19，最常用的终点是7点顺序量表。另一个例子是在II期癌症研究中，疗效通常被评估为基于实体瘤缓解水平的有序变量，分为四类：完全缓解、部分缓解、疾病稳定和进展，尽管在实践中通常使用二分法。然而，尽管Whitehead等人（1993，2017）、Jaki等人（2003）列出了一些设计，但缺乏顺序终点的设计。在本文中，我们提出了一个通用的组顺序模式的基础上贝叶斯方法的顺序端点，包括三种方法，比例优势模型（PO）的基础上，非比例优势模型（NPO）的基础上，PO/NPO开关模型的设计，这使得我们提出的方法通用，能够处理各种情况。我们进行了广泛的模拟，以证明所提出的方法和R包贝叶斯有序设计的理想性能也已开发。
2022-06-09 stat.ME
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
Bayesian sequential analysis of adverse events with binary data
提出基于双臂临床试验二元数据的贝叶斯序贯检验方法评估相对风险，通过停止规则原则计算错误概率，并揭示与UMPBT的联系及实证验证。
2025-04-03 stat.AP stat.ME
Bayesian sequential parameter estimation with a Laplace type approximation
提出了一种基于迭代拉普拉斯近似的动态隐高斯模型固定参数的序贯推断方法。该方法提供了一个有用的计算性能和准确性之间的权衡近似真实的后验分布。近似校正，以提高模拟研究中的近似精度。基于人口的方法也被证明提供了一个更强大的推理方法。
2015-09-25 stat.CO stat.ME
Sequential Sampling for Optimal Bayesian Classification of Sequencing Count Data
高通量技术已成为生物医学应用中比较研究的首选实践。由于测序成本或获得感兴趣的生物体而导致的有限数量的样本点需要开发有效的样品收集以最大化下游统计分析的功效。本文提出了一种在最优贝叶斯分类框架下顺序选择训练样本的方法。针对RNA测序计数数据，所提出的方法利用了具有封闭形式更新的高效吉布斯抽样过程。我们的研究结果表明，增强的分类精度，相比随机抽样。
2018-07-12 eess.SP stat.ME
A Bayesian adaptive ensemble Kalman filter for sequential state and parameter estimation
本文提出了一种新的集合卡尔曼滤波器的序列状态和参数估计方法。该方法是完全贝叶斯和传播的联合后验密度的状态和参数随着时间的推移。为了实现该方法，我们考虑两种表示的边缘后验分布的参数：基于网格的方法和高斯近似。与现有的算法相反，新方法明确地考虑了参数的不确定性，并提供了一种正式的方法来结合不同时间段数据中的参数信息。该方法的说明和现有的方法相比，使用模拟和真实的数据。
2016-11-11 stat.CO stat.ME
Scaling Bayesian Probabilistic Record Linkage with Post-Hoc Blocking: An Application to the California Great Registers
概率记录链接（ProbabilityRecordLinkage，PRL）是在没有唯一标识符的情况下确定两个数据库中的哪些记录对应于同一基础实体的过程。这个问题的贝叶斯解决方案提供了一个强大的机制，传播不确定性，由于不确定的记录之间的联系（通过后验分布）。然而，计算上的考虑严重限制了现有的贝叶斯方法的实用性。我们提出了一种新的计算方法，提供了一个快速算法，用于获得点估计的链接结构，适当占一对一的匹配和一个受限制的MCMC算法，从一个近似的后验分布的样本。我们的进步使得有可能进行贝叶斯PRL更大的问题，并评估结果的灵敏度，以不同的先验规范。我们演示的方法上的一个子集的OCR的数据集，加州大登记册，收集5700万选民登记从1900年至1968年，包括唯一的面板数据集的政党登记收集之前的科学调查。
2020-01-07 stat.AP stat.CO stat.ME
Sequential Ensemble Transform for Bayesian Inverse Problems
我们提出了顺序包络变换（SET）方法，一种从贝叶斯后验分布生成近似样本的方法。该方法探讨了后验分布，通过解决一系列离散的最优运输问题，产生一系列的运输计划，映射前样本后验样本。我们证明了当样本量趋于无穷大时，SET方法产生的Dirac混合分布序列弱收敛于真后验。此外，我们的数值计算结果表明，相比标准的序贯蒙特卡罗（SMC）方法，SET方法是更强大的马尔可夫突变内核的选择，并需要较少的计算工作，以达到类似的精度时，用于探索复杂的后验分布。最后，我们描述了自适应计划，允许完全自动化的SET方法的使用。
2020-09-20 stat.CO stat.ME
Bayesian inference as iterated random functions with applications to sequential inference in graphical models
本文提出了具有半群性质的迭代随机函数的一般形式，在此形式下，精确和近似的贝叶斯后验更新可以看作是具体的例子。给出了迭代随机函数的一个收敛定理。作为一般理论的应用，我们分析的收敛行为的精确和近似的消息传递算法中出现的顺序变点检测问题，制定通过一个潜在的变量有向图模型。通过仿真实例说明了顺序推理算法及其支持理论。
2013-11-01 math.ST stat.ME stat.ML
Sequential Monte Carlo for Cut-Bayesian Posterior Computation
提出一种序贯蒙特卡洛方法高效计算 cut-Bayesian 后验量，通过有限样本集中界证明理论性质，并结合线性回火与参数排列优化计算效率，在化学反应器模块化推断中验证了其准确性与计算优势。
2024-11-12 stat.CO stat.ME
Quasi-Bayesian sequential deconvolution
University of Torino（都灵大学）；Collegio Carlo Alberto（卡罗阿尔贝托学院）；Bocconi University（博科尼大学）
针对流式数据密度反卷积的计算瓶颈，提出基于牛顿递归算法的准贝叶斯非参数序列反卷积方法，兼具精度与计算优势，可扩展至大规模数据。
2026-08-10 stat.ME stat.ML
Bayesian Optimization Sequential Surrogate (BOSS) Algorithm: Fast Bayesian Inference for a Broad Class of Bayesian Hierarchical Models
本文提出BOSS算法，结合贝叶斯优化与近似贝叶斯推断，大幅减少拟合条件潜在高斯模型的计算开销，并通过模拟及多领域实际应用验证其高效性与准确性。
2024-03-18 stat.AP stat.CO stat.ME
Sequential Bayesian inference for implicit hidden Markov models and current limitations
隐马尔可夫模型通过将数据视为任意复杂马尔可夫过程的噪声测量，可以描述出现在各个科学领域中的时间序列。序贯蒙特卡罗（SMC）方法已经成为估计给定观测值和固定参数值的隐马尔可夫过程的标准工具。我们回顾了最近的一些发展，允许列入参数的不确定性以及模型的不确定性。从算法复杂性的角度强调了目前可用的方法的缺点。时间序列分析中感兴趣的统计对象是在一个玩具“Lotka-Volterra”模型用于人口生态学。一些开放的挑战进行了讨论，审查的方法，更长的时间序列，高维状态空间和更灵活的模型的可扩展性。
2015-05-16 stat.CO stat.ME
Sequential Bayesian Analysis of Multivariate Count Data
我们开发了一类新的动态多变量泊松计数模型，允许快速在线更新，我们将这些模型称为多变量泊松尺度β（MPSB）。MPSB模型允许计数中的序列依赖性以及在随机公共环境下跨多个序列的依赖性。其他显着的功能包括状态传播和预测似然密度的分析形式。通过更新静态模型参数的充分统计量来进行顺序更新，从而产生完全适应的粒子学习算法和一类新的预测似然和边缘分布，我们将其称为（动态）多变量融合超几何负二项分布（MCHG-NB）和动态多变量负二项分布（DMNB）。为了说明我们的方法，我们使用了各种模拟研究，并计算了每周非耐用品消费者需求的数据。
2016-09-15 stat.CO stat.ME
Covariance-Corrected WAIC for Bayesian Sequential Data Models
本文提出协方差校正WAIC（CC-WAIC），通过纳入对数似然后验协方差结构改进贝叶斯序列数据模型选择，并引入基于有效样本量的偏差校正，经模拟实验验证其在不同时间依赖水平下的可靠性。
2025-09-22 stat.CO stat.ME
Sequential Bayesian Inference for Uncertain Nonlinear Dynamic Systems: A Tutorial
本文综述非线性非高斯动态系统的序贯贝叶斯方法，围绕粒子滤波构建统一框架，以稀疏测量解决状态、参数与驱动输入联合估计问题。
2022-01-20 cs.SY eess.SY stat.ME
Bayesian optimization using sequential Monte Carlo
SUPELEC（巴黎高等电力学院）
我们认为，使用贝叶斯方法，其中$f$的评价是通过结合有关$f$，这是由一个随机过程模型，和过去的评价结果的先验信息顺序选择的实值连续函数$f$的优化问题。这种方法的主要困难是能够计算用于选择评估点的感兴趣的量的后验分布。在本文中，我们决定使用顺序蒙特卡罗（SMC）方法。
2011-11-21 cs.LG math.OC stat.CO
Efficient batch-sequential Bayesian optimization with moments of truncated Gaussian vectors
我们处理贝叶斯全局优化算法的高效并行化，更具体地说，那些基于预期的改进标准及其变种。建立了基于多元高斯累积分布函数的多点期望改进准则的广义形式的封闭形式公式。反过来，后者依赖于中间的结果，可能是独立的利益有关的截断高斯向量的时刻。所得到的扩展的标准，使研究其可微性方面的点批和计算相应的梯度在封闭的形式。此外，我们得到快速数值逼近这个梯度，并提出有效的批量优化策略。数值实验表明，所提出的方法，使计算节省一个和两个数量级之间，因此，使基于导数的批量顺序采集函数最大化，成为一个切实可行的和有效的标准。
2016-09-09 stat.AP stat.ME stat.ML
Sequential Bayesian Experimental Design for Implicit Models via Mutual Information
University of Edinburgh（爱丁堡大学）；Queensland University of Technology（昆士兰科技大学）
贝叶斯试验设计（Bayesian Experimental Design，简称BED）是一种利用统计模型和不确定性下的决策来优化科学实验成本和性能的框架。与静态BED相反，序贯BED考虑的是我们可以通过实验中收集的数据顺序更新我们对模型参数的信念的场景。对于自然科学和医学科学特别感兴趣的一类模型是隐式模型，其中数据生成分布是棘手的，但从中采样是可能的。尽管在过去的几年里，隐式模型的静态床层展开已经有了大量的工作，但隐式模型的序贯床层展开这一出了名的难题却很少有人涉及。我们通过设计一种新颖的用于参数估计的序贯设计框架来解决文献中的这一差距，该框架使用模型参数和模拟数据之间的互信息（MI）作为效用函数来寻找最佳试验设计，这是以前没有针对隐式模型进行过的。我们的方法使用比率估计的似然自由推断，同时估计后验分布和MI。在连续的BED过程中，我们利用贝叶斯优化来帮助我们优化MI效用。我们发现，我们的框架是有效的各种隐式模型测试，产生准确的参数估计后，只有几次迭代。
2020-03-20 cs.LG stat.CO stat.ME
Generalized Bayesian Filtering via Sequential Monte Carlo
University of Warwick（华威大学）；The Alan Turing Institute（艾伦·图灵研究所）
我们引入了一个框架，在一般的状态空间隐马尔可夫模型（HHALGORY）的可能性误指定的推理。特别是，我们利用广义贝叶斯推断（GBI）的损失理论的角度来定义广义过滤递归的障碍，可以解决模型误指定下的推理问题。在这样做的过程中，我们到达的原则性程序，强大的推理对观察污染利用$β$分歧。通过序贯蒙特卡罗方法（SMC），其中大多数标准粒子方法及其相关的收敛结果，可以很容易地适应新的设置操作所提出的框架。我们将我们的方法应用于目标跟踪和高斯过程回归问题，并观察到标准滤波算法和其他鲁棒滤波器的性能改善。
2020-10-21 cs.LG stat.CO stat.ME
Objective Bayesian analysis under sequential experimentation
序贯实验的客观先验被认为是。常见的先验，如Jeffreys先验和参考先验，通常取决于用于序贯实验的停止规则。在各种情况下获得新的表达式的参考先验，并考虑涉及这种先验的计算问题。
2008-05-20 math.ST stat.CO stat.TH
Sequential Cooperative Bayesian Inference
Rutgers University（罗格斯大学）
在向其他代理人学习时，合作往往是隐含的假设。合作意味着选择数据的主体和从数据中学习的主体具有相同的目标，即学习者推断预期的假设。人类和机器学习的最新模型已经证明了合作的可能性。我们通过序列数据寻求贝叶斯代理合作推理的基础理论结果。我们开发了新的方法分析的一致性，收敛速度和稳定性的顺序合作贝叶斯推理（SCBI）。我们的有效性，样本效率和鲁棒性的分析表明，合作不仅是可能的，在特定的情况下，但在理论上是有根据的一般。我们讨论了人与人和人机合作的影响。
2020-07-01 cs.LG cs.MA stat.ML
Connections between sequential Bayesian inference and evolutionary dynamics
长期以来，人们一直认为，描述生物学进化过程的动力学方程与序贯贝叶斯学习方法之间存在联系。这份手稿描述了一项新的研究，其中这种精确的联系是在连续时间设置中严格建立的。在这里，我们专注于一个偏微分方程称为Kushner-Stratonovich方程描述的后验密度随时间的演变。特别重要的是一个分段光滑的近似的观察路径，从离散时间滤波方程，这是收敛到一个Stratonovich解释的Kushner-Stratonovich方程。然后，这种光滑的公式将被用来绘制非线性随机滤波和复制-增变动力学之间的精确连接。此外，梯度流制剂将被调查，以及一种形式的复制-增变动力学，这是有益的误指定模型过滤问题。希望这项工作将刺激进一步研究顺序学习和进化生物学之间的交流，并激发过滤和采样的新算法。
2025-03-12 math.PR q-bio.PE stat.ME
Sequential time-window learning with approximate Bayesian computation: an application to epidemic forecasting
COVID-19大流行持续时间长，导致感染率和死亡率多次爆发，即所谓的流行病浪潮。这种复杂的行为不再是简单的房室模型所能处理的，需要更复杂的数学技术来分析流行病数据和生成可靠的预测。在这项工作中，我们提出了一个框架，用于分析复杂的动力系统划分的数据在连续的时间窗口分别进行分析。我们通过近似贝叶斯计算（ABC）算法拟合每个时间窗口的参数，并将一个窗口获得的参数的后验分布用作下一个窗口的先验分布。这种贝叶斯学习方法用多个国家的COVID-19病例数据进行了测试，结果表明，它提高了ABC的性能，并产生了良好的短期预测。
2022-03-21 math.OC q-bio.QM stat.ME
Bayesian Sequential Detection with Phase-Distributed Change Time and Nonlinear Penalty -- A POMDP Approach
我们证明了几种类型的贝叶斯序贯检测问题的最优决策策略在后验分布空间上具有阈值切换曲线结构。这是建立在部分观测马尔可夫决策过程（POMDP）框架中使用格规划和随机订单。提出了一种随机梯度算法来估计该阈值曲线的最佳线性逼近。我们说明这些结果首先考虑最快的时间检测相位型分布的变化时间和方差停止处罚。然后证明了阈值切换曲线也出现在其他几个贝叶斯决策问题，如最快的瞬态检测，指数延迟（风险敏感）的处罚，停止时间问题的社会学习，和多智能体调度在不断变化的世界。利用Blackwell优势，证明了动态决策问题的最优决策策略是近视策略的下界。最后，它示出了如何实现的最优决策策略的成本变化与变化的时间分布施加偏序的过渡矩阵。
2011-06-13 cs.IT math.IT stat.ME
Sequential Bayesian Model Selection of Regular Vine Copulas
正则vine copula比多元Gaussian copula和多元Student's t copula能描述更广泛的依赖模式。本文提出了两个贡献有关的正则藤copula模型的选择。首先，我们的对copula家庭选择过程扩展了现有的贝叶斯家庭选择方法，允许对家庭从任意一组候选家庭中选择。其次，我们的方法代表了第一种将常规藤蔓密度构建纳入其推理范围的贝叶斯模型选择方法。我们的方法的优点是建立在一个模拟研究中，基准对目前文献中提出的方法。一个用于风险度量和投资分配的组合资产收益预测的实际数据例子说明了所提出的方案的可行性和相关性。
2015-12-03 math.ST stat.ME stat.TH
Sequential Rank and Preference Learning with the Bayesian Mallows Model
University of Oslo（奥斯陆大学）；Lancaster University（兰卡斯特大学）；OsloCentre for Biostatistics and Epidemiology, University of Oslo（奥斯陆大学生物统计与流行病学中心）
本文提出基于贝叶斯马洛斯模型的序列估计算法，通过嵌套序列蒙特卡罗方法实现高效后验推断，并在F1车手排名中展示应用。
2025-06-03 stat.CO
Bayesian sequential composite hypothesis testing in discrete time
研究了观测值为代价时指数族中未知参数的两个备择假设的序贯检验问题。在贝叶斯环境中，问题可以嵌入马尔可夫框架中。以其中一个假设的条件概率为空间变量，证明了费用函数是凹的，且随着时间的推移，后验分布变得更加集中，并研究了价值函数的时间单调性.对于一个大类的模型规格，费用函数是非递减的时间，最佳停止边界是单调的。
2021-08-16 math.PR math.ST stat.TH
Sequential Bayesian Inference in Hidden Markov Stochastic Kinetic Models with Application to Detection and Response to Seasonal Epidemics
研究了含潜在因子的随机动力学模型中的序贯贝叶斯推断。假设连续观察所有的反应，我们的重点是联合推理的未知反应速率和动态的潜在状态，建模为一个隐马尔可夫因子。利用连续时间跳马尔可夫过程的非线性滤波的见解，我们开发了一种新的序贯蒙特卡罗算法。我们的方法应用粒子学习的思想，以最大限度地减少粒子退化，并利用分析跳跃马尔可夫结构。我们的方法的一个激励应用是通过一个房室流行病模型表示的季节性传染病暴发的建模。我们证明了在这样的模型中的推理与几个数值说明，并讨论了预测分析的流行病对策，使用顺序贝叶斯估计。
2013-01-16 math.PR math.ST stat.CO
Sequential Bayesian Learning for Merton's Jump Model with Stochastic Volatility
跳随机波动率模型是金融计量经济学中波动率预测、投资组合风险管理和衍生品定价的核心。马尔可夫链蒙特卡罗（MCMC）算法对于波动状态变量和参数的顺序学习在计算上是不可行的，由此投资者必须在新信息到达时更新所有后验和预测密度。本文提出了一种粒子滤波和学习算法来对Merton跳跃随机波动率的后验分布进行采样。这允许过滤现货波动率和跳跃时间，以及跳跃和波动率参数的顺序更新（学习）。我们说明了我们的方法对谷歌的股票回报。我们的结论与未来的研究方向。
2016-10-31 stat.AP
Sequential multiple importance sampling for high-dimensional Bayesian inference
本文提出序贯多重重要性采样（SeMIS）算法，通过软截断先验作为中间提议分布连接先验与后验，在高维贝叶斯推断中实现了更优的证据估计与后验采样，并在有限元模型更新中成功定位结构损伤。
2025-07-07 cs.NA math.NA math.ST
Bayesian Learning from Sequential Data using Gaussian Processes with Signature Covariances
University of Oxford（牛津大学）
我们开发了一种贝叶斯方法，通过使用高斯过程（GP）与所谓的签名内核作为协方差函数从序列数据中学习。这允许使不同长度的序列具有可比性，并依赖于来自随机分析的强有力的理论结果。签名捕获序列结构与张量，可以缩放不利的序列长度和状态空间维度。为了解决这个问题，我们引入了一个稀疏变分方法与诱导张量。然后，我们将得到的GP与LSTM和GRU相结合，以构建更大的模型，这些模型利用了每种方法的优势，并将得到的GP在多变量时间序列（TS）分类数据集上进行基准测试。代码可在https://github.com/tgcsaba/GPSig获得。
2020-07-06 cs.LG math.PR stat.ML
On Bayesian index policies for sequential resource allocation
本文研究随机多臂强盗模型中最小化（频率主义）后悔的指数策略，其灵感来自于贝叶斯观点。我们的主要贡献是证明了贝叶斯UCB算法，它依赖于分位数的后验分布，是渐近最优的奖励分布属于一个一维指数族，一个大类的先验分布。我们还表明，贝叶斯文献提供了新的见解，什么样的探索率可以用于频率，UCB型算法。事实上，贝叶斯最优解或有限时域Gittins指数的近似值为kl-UCB+和kl-UCB-H+算法提供了理由，其渐近最优性也被建立。
2017-11-06 stat.ML
A Bayesian sequential soft classification problem for a Brownian motion's drift
本文提出并求解了布朗运动漂移的贝叶斯序贯软分类问题，证明值函数为自由边界问题的唯一非平凡解，并刻画了停止边界对信噪比的依赖关系。
2025-01-20 math.PR math.ST stat.TH
Bayesian Inference for Logistic Regression Models Using Sequential Posterior Simulation
logistic规范已被广泛用于非贝叶斯统计，以模拟离散结果对指定协变量值的依赖性。由于似然函数是全局弱凹的，所以即使在通常出现的具有几十个或几百个参数的应用中，极大似然估计也是直接的。相比之下，贝叶斯推断已被证明是笨拙的，需要对现有的马尔可夫链蒙特卡罗和数据增强方法的可能性或专门的适应性进行正常近似。本文使用最近开发的一般序贯后验模拟（SPS）方法，只需要多一点的能力，以评估的似然函数的逻辑模型的贝叶斯推断。与现有的替代方案相比，SPS是简单得多，并提供了数字标准误和准确的近似边际可能性作为副产品。用于贝叶斯推断的SPS算法适合于大规模并行实现，并且当使用图形处理单元实现时，它比现有的替代方案更有效。本文通过几个例子来说明这些观点。
2013-04-16 stat.CO
Sequential Embedding Induced Text Clustering, a Non-parametric Bayesian Approach
State University of New York at Buffalo（纽约州立大学布法罗分校）；University of California, Irvine（加州大学欧文分校）
当前最先进的非参数贝叶斯文本聚类方法通过词袋上的多项分布对文档进行建模。虽然这些方法可以有效地利用文档的单词突发性表示，并取得不错的性能，但它们没有探索文本的顺序信息和同义词之间的关系。本文将文档建模为词袋、序列特征和词嵌入的结合点。我们提出了顺序嵌入诱导狄利克雷过程混合模型（SiDPMM），有效地利用这种联合文档表示文本聚类。序列特征由编码器-解码器组件提取。通过连续词袋模型（CBOW）产生的词嵌入来处理同义词。实验结果表明，我们的模型在两个主要方面的好处：1）提高了性能在多个不同的文本数据集的归一化互信息（NMI）; 2）更准确的推理地面真理的聚类数与正则化效果的微小离群聚类。
2018-11-29 cs.IR cs.LG stat.ML
Sequential Bayesian inference for spatio-temporal models of temperature and humidity data
我们开发了一个时空模型来预测传感器输出在英格兰东北部的五个位置。该信号使用耦合动态线性模型描述，空间效应由高斯过程指定。使用随机算法分析数据流，该算法通过一系列重新加权和重新排序步骤依次逼近参数后验。迭代批量重要性抽样计划是用来规避粒子退化通过重采样移动步骤。对算法进行了改进，使其更高效、更可并行。该模型给出了一个很好的描述的基本过程，并提供合理的预测精度。
2018-06-14 stat.AP stat.CO
Bayesian sequential estimation of the reliability of a parallel-series system
我们给出了一个风险规避的解决方案的问题，并串联系统的可靠性估计。我们采用β-二项式模型的组件的可靠性，并假设总的样本量的经验是固定的。在子系统或组件级的分配可以是随机的。在分别对并联系统和串联系统采样的基础上，提出了一种适用于并-串联系统的混合时序采样方案。利用鞅收敛性质证明了二次损失下的贝叶斯风险的渐近最优性。
2012-04-02 stat.AP
