Accelerating Bayesian inference for stochastic epidemic models using incidence data
本文针对随机传染病仓室模型在发病率计数数据下的贝叶斯推断问题，提出基于线性噪声近似的相关伪边际与解析边缘化两种方法，并通过合成及真实数据验证其有效性。
2023-08-07 stat.AP stat.CO
How Bayesian Should Bayesian Optimisation Be?
University of Exeter（埃克塞特大学）
贝叶斯优化（BO）使用概率代理模型-通常是高斯过程（GP）-用于优化昂贵的黑盒函数。在每次BO迭代中，GP超参数通过最大化边缘似然来拟合先前评估的数据。然而，这并不能解释超参数本身的不确定性，导致模型预测过于自信。这种不确定性可以通过采用贝叶斯方法将模型超参数边缘化来解释。我们调查是否完全贝叶斯处理的高斯过程超参数在BO（FBBO）导致改进的优化性能。由于分析方法是棘手的，我们比较FBBO使用三个近似推理方案的最大似然方法，使用预期改善（EI）和置信上限（UCB）的收购功能与ARD和各向同性Matern内核配对，在15个著名的基准问题4观测噪声设置。使用具有ARD内核的EI的FBBO在无噪声设置中导致最佳性能，当噪声增加时，BO分量的组合之间的差异小得多。FBBO会导致UCB的过度勘探，但对EI无害。因此，我们建议FBBO使用带有ARD内核的EI作为BO的默认选择。
2021-05-03 cs.LG 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
Quantification of tumour evolution and heterogeneity via Bayesian epiallele detection
动机：肿瘤内的表观遗传异质性可以在肿瘤演变和对治疗的耐药性的出现中发挥重要作用。人们越来越认识到，沿着基因组的DNA甲基化（DNAm）模式的研究-所谓的“表观等位基因”-比单独检查DNAm标记的常规分析提供了对表观遗传动力学更深入的了解。结果：我们已经开发了一个贝叶斯模型来推断哪些表观等位基因存在于同一肿瘤的多个区域。我们将我们的方法应用于一个肺癌肿瘤和一个匹配的正常样本的多个区域的减少代表性亚硫酸氢盐测序（RRBS）数据。该模型从所有肿瘤区域借用信息，以利用更大的统计能力。表观等位基因的总数、表观等位基因DNAm模式和噪声超参数都是从数据自动推断的。通过在适当的后验密度上边缘化来明确地并入关于观察到的测序读数源自哪个表观等位基因的不确定性。肿瘤样本被正常组织污染的程度可以被估计和校正。通过追踪表观等位基因在整个肿瘤中的分布，我们可以推断肿瘤的系统发育史，识别正常组织和癌症组织之间不同的表观等位基因，并定义全球表观遗传疾病的量度。
2017-02-20 math.ST q-bio.GN q-bio.QM
Investigating Experiential Effects in Online Chess using a Hierarchical Bayesian Analysis
本研究利用在线国际象棋的大量数据，采用分层贝叶斯回归模型探讨胜负经验效应，发现总体缺乏跨玩家一致的经验效应证据，仅部分个体存在此类效应，并针对时间序列数据进行了模型有效性检验。
2025-08-09 stat.AP
Investigating the efficiency of the Asian handicap football betting market with ratings and Bayesian networks
Queen Mary University of London（伦敦玛丽女王大学）；The Alan Turing Institute（艾伦·图灵研究所）
尽管亚洲差点（AH）足球（足球）博彩市场非常受欢迎，但其效率尚未得到相关文献的充分研究。本文结合评级系统与贝叶斯网络，并提出了第一个公布的模型专门开发的预测和评估的AH博彩市场的效率。结果基于13个英超赛季，并与传统市场进行比较，其中投注是赢，输或平局。我们研究了不同的投注情况，包括a）平均和最大（最佳可用）市场赔率，b）预测和公布赔率之间的所有可能的投注决策阈值，c）投资回报和利润的优化，以及d）简单的股权调整，以调查在传统和AH市场中以同等利润为目标时回报的方差如何变化。虽然AH市场被发现分享传统市场的低效率，研究结果揭示了两者之间有趣的差异以及相似之处。
2023-03-23 cs.AI stat.AP
MCMC computations for Bayesian mixture models using repulsive point processes
排斥混合模型最近在贝叶斯聚类检测中得到了普及。与更传统的混合模型相比，排斥混合模型产生更少数量的分离良好的集群。后验推理最常用的方法要么需要事先确定分量的数量，要么基于可逆跳MCMC计算。我们提出了一个一般框架的混合模型，当前的“集群中心”是一个有限的排斥点过程取决于一个超参数，指定的密度，这可能取决于一个棘手的归一化常数。通过研究这类混合模型的后验特征，我们得到了一个MCMC算法，它避免了众所周知的困难与可逆跳MCMC计算。特别是，我们使用的辅助变量的方法，它消除了棘手的规范化常数的黑斯廷斯比的问题。辅助变量法依赖于一个完美的模拟算法，我们证明这是快速的，因为组件的数量通常很小。在几个模拟研究和社会学数据的应用中，我们说明了我们的新方法比现有方法的优势，我们比较使用的行列式或排斥吉布斯点过程先验模型。
2021-04-19 stat.CO stat.ME
Extending Bayesian analysis of circular data to comparison of multiple groups
圆形数据是以角度测量的数据，出现在各种科学学科中。贝叶斯方法承诺允许灵活分析循环数据。三个现有的MCMC方法（吉布斯，大都会黑斯廷斯，拒绝）的一组圆形数据被扩展到用于一个受试者之间的设计，提供了一个新的程序来比较组的圆形数据。通过仿真研究，发现所有方法都高估了后验集中参数，而覆盖率是合理的。剔除采样器表现最好。在未来的研究中，MCMC方法可能会扩展到包括协变量或受试者内设计。
2015-05-11 stat.CO
Fast Adaptive Weight Noise
在神经网络的内部表示或参数中边缘化不确定量对于广泛的学习技术（例如经验、变分或全贝叶斯方法）具有核心重要性。我们开始概括快速丢弃（Wang & Manning，2013），以涵盖神经网络中更广泛的噪声过程。这导致了边缘似然和预测分布的有效计算，避免了采样以及由于高度变化的梯度估计而导致的训练时间的相应增加。这使我们能够近似的前馈神经网络的参数变分贝叶斯。受最小描述长度原则的启发，我们还提出并实验验证了正则化预测分布的直接优化。该方法产生的结果与以前的神经网络为基础的方法和高斯过程的广泛的回归任务的竞争力。
2015-07-19 cs.LG stat.ML
Projection-pursuit Bayesian regression for symmetric matrix predictors
本文提出一种针对对称矩阵预测变量的贝叶斯多指标回归方法，利用投影寻踪结构并施加稀疏先验，通过贝叶斯回拟进行推断，在模拟和脑连接数据案例中验证了有效性。
2024-07-18 stat.ME
Investigating the HIV Epidemic in Miami Using a Novel Approach for Bayesian Inference on Partially Observed Networks
提出一种针对部分观测网络的贝叶斯推断方法，利用同余类模型克服计算负担，显著降低网络属性估计误差，并揭示了迈阿密MSM社区间更高的混合程度。
2024-07-23 stat.AP
Bayesian Uncertainty Quantification for Low-Rank Matrix Completion
我们考虑未知低秩矩阵$\mathbf{X}$的不确定性量化问题，给出了其条目的部分和噪声观测。这种不确定性的量化对于许多现实问题至关重要，包括图像处理，卫星成像和地震学，为验证科学结论和指导决策提供了原则性框架。然而，现有的文献主要集中在完成（即，点估计）的矩阵$\mathbf{X}$，几乎没有工作调查其不确定性。为此，我们在这项工作中提出了一个新的贝叶斯建模框架，称为BayeSMG，参数化未知的$\mathbf{X}$通过其底层的行和列子空间。这种贝叶斯子空间参数化使得能够在矩阵子空间上进行有效的后验推理，这在许多应用中代表了可解释的现象。然后可以利用这一点来改善基质回收。我们证明了BayeSMG的有效性，现有的贝叶斯矩阵恢复方法在数值实验中，图像修复，和地震传感器网络应用。
2022-03-25 stat.ME
A Bayesian Residual Transform for Signal Processing
多尺度分解已经成为处理生理信号的宝贵工具。基于尺度空间理论和小波变换的信号多尺度分解方法已成为研究的热点。在这项研究中，我们采取了不同的角度对多尺度分解的可行性调查利用贝叶斯为基础的方法进行多尺度信号分解称为贝叶斯残差变换（BRT）的生理信号处理的目的。在BRT中，信号被建模为残差信号的总和，每个残差信号表征来自不同尺度的信号的信息。介绍了一种深度级联框架作为BRT的实现。使用心电图（ECG）信号的信噪比（SNR）分析被用来说明使用BRT抑制生理信号中的噪声的可行性。在这项研究中的结果表明，它是可行的，利用BRT处理生理信号的任务，如噪声抑制。
2015-06-02 stat.ME
Investigating the performance of multi-objective optimization when learning Bayesian Networks
University of Milano-Bicocca（米兰比可卡大学）；SYSBIO/ISBE.IT Centre for Systems Biology（SYSBIO/ISBE.IT系统生物学中心）；Eindhoven University of Technology（埃因霍温理工大学）；University of Bergamo（贝加莫大学）；Stanford University（斯坦福大学）
贝叶斯网络在过去的几十年中被广泛应用于许多领域，用于描述随机变量之间的统计依赖关系。一般来说，学习这种模型的结构是一个具有相当大的理论兴趣的问题，提出了许多挑战。一方面，这是一个众所周知的NP完全问题，实际上由于可能的解决方案的巨大搜索空间而变得更加困难。另一方面，I-等价现象，即，支持同一组统计依赖性的不同图形结构可能导致多模态适应度景观，进一步阻碍解决该任务的最大似然方法。特别是，我们利用NSGA-II多目标优化程序，以明确占的解决方案的可能性和所选弧的数量，通过设置这些作为该方法的两个目标函数。本工作的目的是研究NSGA-II的行为和分析其解决方案的质量。因此，我们彻底检查了在广泛的模拟数据集上获得的优化结果，通过考虑在所实现的目标函数值方面推断出的解决方案的优度，并通过将检索到的结构与真实情况进行比较，即，用于生成目标数据的网络。我们的研究结果表明，NSGA-II可以收敛到解决方案的特点是更好的可能性和更少的弧比经典的方法，虽然矛盾的特点是在许多情况下，与目标网络的相似性较低。
2021-07-20 cs.LG stat.ML
Comparison of two coefficients of variation: a new Bayesian approach
本文针对两个独立总体变异系数是否相等的检验问题，采用 Bayesian Discrepancy Measure，并将其扩展到变异系数依赖多参数、需借助 MCMC 的多种分布及真实数据场景。
2023-06-03 stat.ME
An Early Stopping Bayesian Data Assimilation Approach for Mixed-Logit Estimation
混合logit模型是一种灵活的工具，在交通选择分析，它提供了有价值的见解之间和个体内的行为异质性。然而，混合logit模型的应用受到模型估计的高计算和数据要求的限制。当估计小样本时，贝叶斯估计方法容易受到过度拟合和欠拟合的影响。这对于调查特定人口亚群体或数据可用性低的细分市场的行为是有问题的。当将现有模型转移到新的位置或时间段时，也会出现类似的挑战，例如，在估计大流行后的旅行行为时。我们提出了一个早期停止贝叶斯数据同化（ESBDA）模拟器估计混合logit结合了贝叶斯统计方法与机器学习方法。其目的是提高混合logit模型的可转移性，并使稳健的选择模型的估计与低数据可用性。这种方法可以提供新的见解选择行为的传统估计的混合logit模型是不可能的，由于低数据可用性，并开辟了新的机会，投资和规划决策支持。ESBDA估计量是针对直接应用方法进行基准测试的，这是一种具有随机起始参数值的基本贝叶斯模拟器和一种没有提前停止的贝叶斯数据同化（BDA）模拟器。ESBDA方法被发现可以有效地克服模拟中的欠拟合和过拟合以及不收敛问题。其产生的模型在预测准确性方面明显优于参考模拟器。此外，用ESBDA估计的模型往往更稳健，即使在小样本估计时，其符号和数值与行为理论一致的重要参数也是如此。
2021-01-27 cs.DM stat.CO stat.ME
Spatial Clustering Regression of Count Value Data via Bayesian Mixture of Finite Mixtures
本文提出贝叶斯有限混合之混合空间聚类回归模型，利用 Markov 随机场先验识别 Poisson 回归系数的空间同质性，并辅以理论、MCMC 算法、模拟和佐治亚州数据验证。
2023-06-04 stat.AP stat.CO stat.ME
Bayesian models are better than frequentist models in identifying differences in small datasets comprising phonetic data
该研究以小型语音数据集为对象，比较混合效应模型与贝叶斯回归模型，发现贝叶斯假设检验比事后检验更能准确识别单语者和双语者的元音声学差异。
2023-12-02 stat.AP stat.ME
A robust Bayesian analysis of variable selection under prior ignorance
我们提出了一个谨慎的贝叶斯变量选择程序，通过调查的敏感性分层模型，其中的回归系数指定的穗和板坯先验。我们利用潜变量来理解协变量的重要性。这些潜变量还允许我们获得模型空间的大小，这是高维问题的一个重要方面。在我们的方法中，而不是固定一个单一的先验，我们采用了一种特定类型的鲁棒贝叶斯分析，在那里我们考虑一组先验在同一个参数的家庭，以指定这些潜变量的选择概率。我们通过考虑一组预期的先验选择概率来实现这一点，这使我们能够进行敏感性分析，以了解先验启发对变量选择的影响。敏感性分析为我们提供了一套后验的回归系数以及选择指标，我们表明，后验概率的模型选择概率是单调的选择概率的先验期望。我们还分析了合成和现实生活中的数据集，以说明我们谨慎的变量选择方法，并将其与其他知名的方法进行比较。
2022-05-03 stat.ME
Overcoming Model Misspecification in Bayesian Inference of Molecular Signalling Networks
Newcastle University（纽卡斯尔大学）；University of Turin（都灵大学）；Collegio Carlo Alberto（卡洛阿尔贝托学院）
针对分子信号网络贝叶斯推断中模型误设导致过度自信的问题，提出基于预测导向后验的后贝叶斯方法，并扩展至潜变量模型，实证验证其在网络推断中的有效性。
2026-09-22 stat.AP stat.ME
A New Bayesian Test to test for the Intractability-Countering Hypothesis
我们提出了一个新的假设检验，其中我们寻求的零条件的数据的概率，其中的零是一个简化进行，以对抗更复杂的模型的棘手性，更简单的零模型嵌套在。由于更复杂的模型变得难以处理，空模型使用简化的假设，该假设允许在给定数据的情况下学习未知参数向量。贝叶斯因子被证明是已知的，只有一个未知的数据依赖常数的比例-一个问题，不能治愈使用处方类似的建议，以解决贝叶斯因子计算引起的问题，由非信息先验。因此，需要一个新的测试，我们可以绕过贝叶斯因子计算。在该测试中，我们从模型中生成数据，其中原假设为真，并且可以通过比较给定测量数据的模型参数的边缘化后验与给定此类生成数据的后验，在测量数据中获得对原假设的支持。然而，这样一个比率的边缘化后验可能混淆解释的比较支持在一个测量的数据为空，在另一个数据集为一个不同的空。给定其中进行这种比较的应用，我们可替代地通过识别与测量数据不太一致的模型参数来定义在测量数据集中对空值的支持，所述模型参数比给定生成的数据的最低可能性低，并且认识到这样的参数值的数量越高，在测量数据中对空值的支持就越少。然后，在基于MCMC的方案内，通过在给定测量数据的情况下，在与测量数据相同或比与生成数据更一致的参数值上对后验进行边缘化，来给出数据上的空条件的概率。
2016-09-18 astro-ph.GA stat.AP
Expressing and visualizing model uncertainty in Bayesian variable selection using Cartesian credible sets
本文提出笛卡尔可信集方法，通过连接变量分区块上的子模型，从马尔可夫链蒙特卡洛输出中计算并可视化贝叶斯变量选择中的模型不确定性，帮助理解变量的包含模式。
2024-10-15 stat.ME
Bayesian Bivariate Subgroup Analysis for Risk-Benefit Evaluation
亚组分析是评价观察到的基线患者特征之间处理效应异质性和治疗损害异质性的常用工具。虽然治疗疗效和不良事件指标通常分别报告每个亚组，但分析其亚组内联合分布对于更好地了解患者决策至关重要。在本文中，我们描述了用于进行亚组分析的贝叶斯模型，以比较两个治疗组之间主要终点和不良事件的联合发生率。我们的方法强调估计这种亚组间联合分布的异质性，我们的方法直接适应观察到的主要和不良事件组合数量较少的亚组。此外，我们描述了几种方法，其中我们的模型可用于生成每个亚组的获益-风险权衡的可解释的汇总指标。本文描述的方法通过一项大型心血管试验（N = 9，361）进行说明，该试验研究了将收缩压降低至低于正常目标的干预措施的有效性。
2018-08-11 stat.AP stat.ME
Sparse Bayesian Lasso via a Variable-Coefficient $\ell_1$ Penalty
本文提出一种变系数 $\ell_1$ 惩罚的稀疏贝叶斯 Lasso 方法，通过可学习惩罚权重减少偏差，应用于变分贝叶斯，实现低偏差和不确定性量化，计算效率高，并成功应用于伊拉克内战流离失所数据的时空建模。
2023-05-12 stat.CO stat.ME stat.ML
Bayesian Brain Edge-Based Connectivity (BBeC): a Bayesian model for brain edge-based connectivity inference
Institute of Mathematical Sciences, ShanghaiTech University（上海科技大学数学科学学院）
本研究提出了一种基于有限维狄利克雷分布的贝叶斯模型，用于推断脑网络拓扑和高维协方差结构，提高了算法稳定性与参数估计准确性。
2026-09-22 stat.ME
Joint identification of spatially variable genes via a network-assisted Bayesian regularization approach
本研究针对现有空间可变基因识别方法未兼顾基因间网络结构、易受细胞组成混杂变异影响的问题，提出带阈值化图拉普拉斯正则化的贝叶斯方法，基于零膨胀负二项分布适配数据特性，经模拟和真实数据验证性能优异。
2025-10-03 stat.ME
Optimally adaptive Bayesian spectral density estimation for stationary and nonstationary processes
本文改进了现有的估计平稳和非平稳时间序列的谱密度的方法，假定一个高斯过程的先验。通过使用平滑样条协方差结构优化适当的特征分解，我们的方法更适合于简单和复杂的周期结构的数据模型。我们进一步证明了这种最佳特征分解的效用，通过研究其他协方差函数的平滑样条的性能。我们表明，最佳特征分解提供了一个材料的改进，而其他协方差函数检查没有，所有的表现比较好的平滑样条。在我们的计算研究中，我们引入了新的验证指标的谱密度估计，灵感来自物理科学。我们在广泛的模拟研究中验证了我们的模型，并利用真实数据展示了卓越的性能。
2022-05-31 physics.data-an stat.ME stat.ML
Investigating the Impact of Model Misspecification in Neural Simulation-based Inference
Improbable（Improbable公司）；Bristol University（布里斯托大学）；Durham University（杜伦大学）
在神经密度估计的帮助下，近年来已经取得了相当大的进展，一套基于仿真的推理（SBI）方法，能够执行灵活的，黑箱，近似贝叶斯推断的随机仿真模型。虽然已经证明，神经SBI方法可以提供准确的后验近似，建立这些结果的模拟研究只考虑了明确的问题-也就是说，模型和数据生成过程完全一致。然而，这种算法在模型误指定的情况下的行为很少受到关注。在这项工作中，我们提供了第一个全面的研究神经SBI算法的行为存在各种形式的模型误指定。我们发现，错误的规格可以有一个深刻的有害影响的表现。一些缓解策略进行了探讨，但没有方法测试，防止在所有情况下失败。我们的结论是，需要新的方法来解决模型的错误指定，如果神经SBI算法是依赖于得出准确的科学结论。
2022-09-05 cs.LG stat.CO stat.ML
Modelling dependency completion in sentence comprehension as a Bayesian hierarchical mixture process: A case study involving Chinese relative clauses
University of Potsdam（波茨坦大学）；École Nationale de la Statistique et de l’administration économique（国家统计与经济管理学院）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine（巴黎九大）；PSL Research University（巴黎文理研究大学）
我们提出了一个案例研究证明贝叶斯分层混合模型的有用性，调查认知过程。在句子理解中，人们普遍认为语言共同依存关系之间的距离影响依存关系解决的延迟：距离越长，检索时间越长（基于距离的帐户）。另一种理论，直接访问，假设检索时间是两个分布的混合：一个分布代表成功的检索（这些是独立的依赖距离），另一个代表一个初始的失败，以检索正确的依赖，其次是重新分析，导致成功的检索。我们将这两个模型作为贝叶斯层次模型来实现，结果表明，直接访问模型比距离帐户更好地解释了中文关系从句阅读时间数据。
2017-05-05 cs.CL stat.AP stat.ME
Multi-View Bayesian Correlated Component Analysis
Dmochowski等人（2012）提出的相关成分分析是一种用于研究大脑对给定刺激的多个视图的反应的相似性的工具。相关的组件被确定的假设下，所涉及的空间网络是相同的。在这里，我们提出了一个层次概率模型，可以推断这样的多视图数据的普遍性水平，从完全不相关的表示，对应于典型的相关分析，相同的表示，相关成分分析。这个新的模型，我们表示贝叶斯相关成分分析，评价有利的模拟数据对三个相关算法。一个完善的基准EEG数据集被用来进一步验证新模型，并推断跨多个主题的空间表示的变异性。
2018-02-07 stat.ML
Bayesian Design and Analysis of Precision Trials with Partial Borrowing
McGill University（麦吉尔大学）；Kyoto University（京都大学）
本文提出了一种基于部分借鉴的贝叶斯方法，用于精准医学中临床试验的设计与分析，通过个体加权模型和动态借鉴比较，提高亚组效应估计的准确性。
2026-03-11 stat.AP stat.ME
Inference for a Class of Partially Observed Point Process Models
本文提出了一个基于模拟的框架，从部分和离散观察点过程（PP）模型的静态参数的顺序推断。以贝叶斯的角度来看，静态参数，我们建立在序贯蒙特卡罗（SMC）方法，调查的问题，执行顺序滤波和平滑复杂的例子，目前的方法往往失败。我们考虑各种方法近似后验分布使用SMC。我们的方法，与一些理论上的讨论，说明了一个双随机点过程的背景下，金融。
2012-01-22 stat.ME
Bayesian Lifetime Regression with Multi-type Group-shared Latent Heterogeneity
由于共享但未观察到的协变量的影响导致潜在异质性，由同一批次生产或在同一地区使用的产品通常表现出相关的寿命观察结果。不可用的组共享协变量涉及多个不同类型（例如，离散的，连续的，或混合型），并诱导不同的结构不可或缺的群体共享的潜在异质性。如果不仔细捕捉这种潜在的异质性，寿命建模的准确性将大大削弱。在这项工作中，我们提出了一个通用的贝叶斯寿命建模方法，通过全面调查的结构，组共享的潜在异质性所造成的不同类型的组共享的未观测协变量。该方法可以灵活地刻画生命周期数据中多类型组共享的潜在异构性。此外，它可以处理缺乏群体成员信息的情况下，解决有限的样本量的问题。进一步发展了贝叶斯抽样算法和数据增强技术，以联合量化观测协变量和组共享潜在异质性的影响。此外，我们进行了全面的数值研究，以证明所提出的建模方法通过与替代模型的比较，提高了性能。我们还提出了实证研究结果，调查组数和每组的样本量估计组共享的潜在异质性的影响，并证明模型识别的不同结构的未观察到的组共享的协变量的方法。我们还提出了一个真实的案例研究来说明所提出的方法的有效性。
2021-07-14 stat.AP stat.ME
Long-run Behaviour of Multi-fidelity Bayesian Optimisation
University College London（伦敦大学学院）；Matterhorn Studio（马特霍恩工作室）
本研究通过基准实验探究多保真贝叶斯优化在长期运行中的潜在不佳表现，分析其场景与原因，以评估其实际应用可靠性。
2023-12-19 cs.LG stat.ML
Frequentist and Bayesian population pharmacometrics: similarities, differences, and practical implications
Uppsala University（乌普萨拉大学）；Central South University（中南大学）；University of British Columbia（不列颠哥伦比亚大学）
本文对比了药物代谢动力学中频率派与贝叶斯推断方法的理论、算法差异，经模拟与真实数据验证，旨在降低该领域应用两类方法的门槛。
2026-10-14 stat.AP stat.ME
Bayesian Hierarchical Models for the Prediction of Volleyball Results
近年来，体育数据的统计建模变得越来越流行，并且已经提出了不同类型的模型来实现各种目标：从识别导致球队获胜或失败的关键特征到预测比赛结果或国家联赛中的球队排名。虽然不像足球或篮球那样受欢迎，但排球是一项团队运动，几乎每个国家都有国家和国际级别的比赛。然而，几乎没有研究调查预测排球比赛的结果和球队在全国联赛中的排名。我们提出了一个贝叶斯层次模型的预测排名的排球国家队，这也允许估计的结果，在联赛中的每场比赛。我们考虑了两种不同复杂度的替代模型规格，这些规格使用2017-2018赛季意大利女排意甲A1的数据进行了验证。
2019-11-20 stat.AP
A Bayesian framework for case-cohort Cox regression: application to dietary epidemiology
病例队列研究设计通过仅收集整个队列的一小部分的某些昂贵的协变量来绕过资源限制。加权Cox回归是Cox模型中分析病例队列数据最广泛使用的方法，但效率低下。基于多重插补和非参数极大似然的替代方法分别遭受不相容性和计算问题。我们介绍了一种新的贝叶斯框架的情况下，队列Cox回归，避免了上述问题。用户可以包括辅助变量，以帮助预测未测量的昂贵的协变量与他们选择的预测模型，而讨厌的参数的模型是非参数化指定和集成。可以使用基于伪边缘MCMC算法的程序来进行后验采样。该方法可以有效地扩展到大型复杂的数据集，正如我们的应用所证明的那样：使用EPIC-Norfolk研究调查饱和脂肪酸与2型糖尿病之间的关联。作为我们分析的一部分，我们还开发了一种新的方法来处理Cox模型中的成分数据，与以前的研究相比，得到了更可靠和更可解释的结果。我们的方法的性能与广泛的模拟说明。用于生成本文结果的代码可以在https://github.com/andrewyiu/bayes_cc上找到。
2021-09-09 stat.AP stat.ME
Identifying Treatment Effect Heterogeneity with Bayesian Hierarchical Adjustable Random Partition in Adaptive Enrichment Trials
McGill University（麦吉尔大学）；Concordia University（康科迪亚大学）
本文提出BHARP模型，通过贝叶斯分层可调随机分区方法识别治疗效应异质性，提升临床试验中亚组反应估计的准确性和精度。
2026-03-04 stat.AP stat.ME
Bayesian Joint Modeling for Longitudinal Magnitude Data with Informative Dropout: an Application to Critical Care Data
本文提出了一种包含随机效应的贝叶斯回归方法来分析幅度数据，并扩展为联合建模策略以应对信息性退出问题，有效减轻缺失数据偏差，最后应用于ICU患者膈肌厚度变化研究。
2025-07-14 stat.AP stat.ME
Investigating the 'old boy network' using latent space models
本文探讨了一组英国学校之间的机构联系的性质，其中包括很大比例的私立学校，可能会被认为是有助于“老男孩网络”。分析是基于双边确定的学校橄榄球联盟夹具网络。在确定这些装置的地理接近的首要重要性提供了一个空间的“地面真相”，对模型的性能进行评估。贝叶斯拟合的潜在位置集群模型被发现提供最佳的模型检查。这是用来证明各种方法，共同提供了一个一致的和微妙的解释影响社区和边缘形成的因素在网络中。同质性在费用和寄宿生的比例的影响被确定为显着的，有证据表明，这是由一个社区的学校寄宿生的比例最高，收取最高的费用，暗示的存在和性质的“老男孩网络”在机构层面。
2021-12-22 stat.AP
A Bayesian hierarchical meta-analytic method for modelling surrogate relationships that vary across treatment classes using aggregate data
替代终点在药物开发中发挥重要作用，因为它们可用于与最终临床结局相比早期测量处理效应，并预测临床获益或危害。通过使用荟萃分析方法研究替代物上的处理效应与最终结局之间的替代关系，评估这些终点的临床获益预测值。当替代关系在治疗类别之间变化时，由于每个治疗类别内的数据有限，这种验证可能会失败。在本文中，两种替代贝叶斯元分析方法介绍了允许从其他治疗类的信息借用时，探索代孕在一个特定的类。第一种方法将替代终点评价的标准模型扩展为分层荟萃分析模型，假设所有治疗类别之间的替代关系完全交换，从而促进跨类别信息的借用。第二种方法是能够放宽这一假设，允许部分交换的替代关系的治疗类，以避免过度借用的信息，从明显不同的类。我们进行了一项模拟研究，以评估所提出的方法在九个数据的情况下，并比较它们与亚组分析使用的标准模型在每个治疗类。我们还将该方法应用于结直肠癌的说明性例子，从而获得更高精度的替代关系的参数描述。
2019-09-04 stat.AP stat.ME
Investigating the Robustness of Knowledge Tracing Models in the Presence of Student Concept Drift
WPI（威斯理安理工学院）
针对在线学习平台中学生概念漂移问题，评估四种知识追踪模型在五个学年数据上的表现，发现BKT模型鲁棒性最强，而基于注意力的复杂模型性能下降更快。
2025-11-04 cs.LG stat.ML
Investigating Methods to Improve Language Model Integration for Attention-based Encoder-Decoder ASR Models
RWTH Aachen University（亚琛工业大学）；AppTek GmbH（AppTek公司）
基于注意力的编码器-解码器（AED）模型从训练transmits学习隐式内部语言模型（ILM）。与在更多未配对文本上训练的外部LM集成通常会带来更好的性能。混合自回归换能器（HAT）中的贝叶斯解释建议除以判别声学模型的先验，其对应于该隐式LM，类似于混合隐马尔可夫模型方法。隐式LM不能有效地计算在一般情况下，目前还不清楚什么是最好的方法来估计it.In这项工作中，我们比较不同的方法从文献中，并提出了几种新的方法来估计ILM直接从AED模型。我们提出的方法优于所有以前的方法。我们还研究了其他抑制ILM的方法，主要是通过降低AED模型的容量，限制标签上下文，以及通过训练AED模型和预先存在的LM。
2021-06-17 cs.CL cs.SD eess.AS
A Two-Stage Bayesian Semiparametric Model for Novelty Detection with Robust Prior Information
新颖性检测方法旨在将测试单元划分为已经观察到的和以前未见过的模式。然而，出现了两个重要的问题：可能会有相当大的兴趣，在确定特定的结构内的新颖性，和污染的已知类别可能完全模糊的实际分离之间的显着和新的群体。出于这些问题，我们提出了一个两阶段的贝叶斯半参数新奇检测器，建立在先验信息鲁棒地从一组完整的学习单元中提取。我们设计了一个通用的多变量方法，我们也扩展到处理功能数据对象。我们通过研究相关的半参数先验的理论性质，提供了对模型行为的见解。从计算的角度来看，我们提出了一个合适的$\boldsymbolξ$ -序列来构建一个独立的切片高效采样器，考虑到显式和新颖的组件之间的差异。我们展示了我们的模型性能，通过广泛的模拟研究和应用程序的多元和功能的数据集，其中发现了不同的和独特的未知模式。
2021-06-17 stat.AP
Bayesian principal stratification with longitudinal data and truncation by death
提出贝叶斯纵向主分层框架，处理死亡截断的纵向数据，估计不同时间点存活者层的因果效应，并应用于企业生存与招聘政策评估。
2023-12-30 stat.AP stat.ME
Modeling the Uncertainty in Electronic Health Records: a Bayesian Deep Learning Approach
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
随着电子健康记录（EHR）的爆炸性增长，深度学习模型在预测任务中表现出了卓越的性能。然而，由于缺乏透明度，深度学习模型的行为很难解释。没有可信度，深度学习模型将无法帮助医疗保健问题的现实决策过程。我们提出了一种基于贝叶斯神经网络（BNN）的深度学习模型来预测由数据噪声引起的不确定性。引入不确定性是为了提供具有额外置信度的模型预测。我们的实验验证了具有高不确定性的实例对模型性能是有害的。此外，通过研究模型预测和不确定性的分布，我们发现有可能识别出一组患者进行及时干预，从而降低数据噪声将更有利于这些患者的预测准确性。
2019-07-14 cs.LG stat.ML
The Bayesian optimal two-stage design for clinical phase II trials based on Bayes factors
本文提出了一种基于贝叶斯因子的临床II期试验的贝叶斯最优两阶段设计，通过三元树分支方法优化样本量并提高设计效率。
2025-11-28 math.ST stat.AP stat.ME
Moderation effects and elasticities in compositional regression with a total. Application to Bayesian spatiotemporal modelling of all-cause mortality from environmental stressors
University of Girona（赫罗纳大学）；Centro de Investigación Biomédica en Red de Epidemiología y Salud Pública, Instituto de Salud Carlos III（公共卫生与流行病学生物医学研究中心，卡洛斯三世健康研究所）
本文提出了一种基于贝叶斯空间时间建模的方法，用于分析环境压力源对全部原因死亡率的影响，考虑总效应和调节效应。
2025-05-12 stat.AP stat.ME
On the convergence rate of noisy Bayesian Optimization with Expected Improvement
Center for Applied Scientific Computing, Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室应用科学计算中心）；National University of Singapore（新加坡国立大学）
针对贝叶斯优化中期望改进（EI）的理论收敛问题，本文在高斯过程（GP）先验假设下，首次建立带噪声观测的GP-EI渐近误差界及速率，并通过分析EI函数的探索利用性质，改进了无噪声和有噪声场景下的误差界。
2025-02-12 cs.LG math.OC stat.ML
A Bayesian Nonparametric model for textural pattern heterogeneity
癌症放射组学是一门新兴的学科，有望通过增强模式、纹理、形态和形状来阐明病变表型和肿瘤异质性。图像纹理分析的主流技术依赖于灰度共生矩阵（GLCM）的构造和合成。目前的做法减少了结构化的计数数据的GLCM减少和冗余的汇总统计分析需要变量选择和多重比较，为每个应用程序，从而限制了再现性。在这篇文章中，我们开发了一个贝叶斯多变量概率框架的分析和无监督聚类的样本的灰度共生矩阵对象。通过适当地考虑所观察到的计数的偏度和零膨胀，并同时调整现有的空间自相关在附近的细胞，该方法有利于估计纹理图案分布内的GLCM晶格本身。该技术适用于集群图像的肾上腺病变CT扫描与管理的对比。我们进一步评估是否由此产生的亚型是临床导向的，通过调查他们的对应关系与病理诊断。此外，我们还将性能与目前用于癌症放射组学的一类机器学习方法进行了模拟研究。
2020-11-11 stat.AP
Bayesian optimization for automatic design of face stimuli
King’s College London（伦敦国王学院）；Birkbeck College（伯贝克学院）；University of Cambridge（剑桥大学）；Stanford University（斯坦福大学）；Gatsby Computational Neuroscience Unit（盖茨比计算神经科学单元）
研究面孔加工的认知和神经机制是现代神经科学和心理学的一项基本任务。迄今为止，大多数此类研究都集中在使用预先选定的刺激。个性化刺激的缺乏带来了严重的局限性，因为它无法解释每个人的面部处理系统是如何适应文化嵌入的，或者它是如何在疾病中被破坏的。在这项工作中，我们提出了一个新的框架，该框架将生成对抗网络（GANs）与贝叶斯优化相结合，以识别对许多不同面孔的个体反应模式。形式上，我们采用贝叶斯优化来有效地搜索最先进的GAN模型的潜在空间，目的是自动生成新的面孔，以最大限度地提高个体受试者的响应。我们提出了基于网络的原理证明研究的结果，参与者通过对GAN的潜在空间执行贝叶斯优化来对自己的图像进行评级。我们展示了该算法如何有效地定位一个人的最佳面孔，同时映射出他们的反应在不同的语义转换的脸;个体间的分析表明，该方法可以提供丰富的信息，在面部处理的个体差异。
2020-07-20 cs.HC cs.LG stat.ML
PAC-Bayesian risk bounds for fully connected deep neural network with Gaussian priors
本文利用 PAC-Bayes 界研究高斯先验下全连接贝叶斯深度神经网络，建立了其在 Besov 空间中匹配极小极大最优速率的预测风险上界，适用于非参数回归和 logistic 损失二分类，并覆盖 Lipschitz 连续激活函数。
2025-05-07 math.ST stat.ML stat.TH
Contamination mapping in Bangladesh using a multivariate spatial Bayesian model for left-censored data
孟加拉国地下水的砷和其他有毒元素污染每天对数百万人构成重大威胁。了解砷和其他元素之间的复杂关系可以为减轻饮用水中的砷中毒提供有用的见解，并需要对元素进行多变量建模。然而，这些污染物的环境监测往往涉及到很大比例的左删失观测值低于最低检测限（MDL）。这个问题促使我们提出了一个多变量空间贝叶斯模型左删失数据调查孟加拉国地下水中的砷的丰度，并创建污染物的空间地图。使用自适应马尔可夫链蒙特卡罗（MCMC）采样的模型参数的推断。所提出的模型的计算时间是相同的顺序作为一个多变量高斯过程模型，不插补删失值。该方法适用于砷污染数据集提供的孟加拉国水发展委员会（BWDB）。砷，钡（Ba），和钙（Ca）浓度在地下水中的空间地图准备使用后预测手段计算的细格在孟加拉国。我们的研究结果表明，吉大港和达卡司遭受砷浓度过高，只有拉杰沙希和Rangpur司根据世界卫生组织（WHO）的建议，有安全的饮用水。
2021-11-25 stat.AP
Active Learning and Bayesian Optimization: a Unified Perspective to Learn with a Goal
Politecnico di Torino（都灵理工大学）；Imperial College London（帝国理工学院）；Massachusetts Institute of Technology（麻省理工学院）
本文提出统一视角，将贝叶斯优化与主动学习形式化为由共同原则驱动的共生自适应采样方法，并通过准则映射、通用分类及基准实验揭示两者协同作用与适用边界。
2024-07-07 cs.LG stat.ML
