A PAC-Bayesian View of Generalisation for Physics-Informed Machine Learning
Université Jean Monnet Saint-Étienne, CNRS, Institut d’Optique Graduate School, Laboratoire Hubert Curien UMR 5516（里昂蒙特大学圣埃蒂安分校、法国国家科学研究中心、光学研究生院、Hubert Curien实验室 UMR 5516）；Inria and University College London, France and United Kingdom（Inria 和 英国伦敦大学学院，法国和英国）
本文通过PAC-Bayesian框架，针对无界损失下的回归问题，推导了物理信息机器学习的高概率泛化界，并提出了自界感知学习算法，在标准PDE基准上验证了界的非平凡性和更紧性。
2026-10-06 cs.LG stat.ML
Repulsive Ensembles for Bayesian Inference in Physics-informed Neural Networks
Department of Information Technology Uppsala University（信息科技系乌普萨拉大学）；Department of Computer Science Aalto University（计算机科学系阿莱克特大学）
本研究提出排斥系综物理信息神经网络（RE-PINN），通过损失函数中的排斥项实现贝叶斯推断，获得更准确的不确定性估计和更高的样本多样性，优于标准系综。
2026-10-27 cs.LG stat.ML
B-PINNs: Bayesian Physics-Informed Neural Networks for Forward and Inverse PDE Problems with Noisy Data
Brown University（布朗大学）；Pacific Northwest National Laboratory（西北太平洋国家实验室）
提出了一种贝叶斯物理信息神经网络（B-PINN）来解决由偏微分方程（PDE）和噪声数据描述的正、逆非线性问题。在这个贝叶斯框架中，贝叶斯神经网络（BNN）结合PINN的偏微分方程作为前，而哈密顿蒙特卡罗（HMC）或变分推断（VI）可以作为后验的估计。B-PINN利用物理定律和分散的噪声测量来提供预测，并量化贝叶斯框架中噪声数据所产生的任意不确定性。与PINN相比，B-PINN除了量化不确定性外，由于其避免过拟合的能力，在大噪声场景中获得更准确的预测。我们对B-PINN后验估计的两种不同方法进行了系统的比较（即，HMC或VI），以及用于量化深度神经网络中的不确定性的dropout。我们的实验表明，HMC比VI更适合于B-PINNs的后验估计，而PINNs中采用的dropout很难提供具有合理不确定性的准确预测。最后，我们用截断的Karhunen-Loève（KL）展开与HMC或深度归一化流（DNF）模型相结合作为后验估计来替换先验中的BNN。KL是准确的BNN和更快，但这个框架不能很容易地扩展到高维问题，不像基于BNN的框架。
2020-03-13 cs.LG stat.ML
Bayesian Physics-Informed Neural Networks for Inverse Problems (BPINN-IP): Application in Infrared Image Processing
former CNRS, founder of ISCT, Bures-sur-Yvette, France（原法国CNRS机构，ISCT创始人）；Central South University (CSU), Changsha, China（中国长沙中央南大学）
本文提出贝叶斯物理信息神经网络用于逆问题，结合物理约束和数据驱动推理，提升红外图像处理的逆问题求解能力。
2025-12-02 cs.LG stat.ML
Anatomically informed Bayesian spatial priors for fMRI analysis
现有的贝叶斯空间先验的功能性磁共振成像（fMRI）数据对应于静态各向同性平滑滤波器，可能过度平滑解剖边界。我们提出了两个解剖学上知情的贝叶斯空间模型的功能磁共振成像数据与局部平滑的基础上，从T1加权的解剖图像估计的张量场在每个体素。我们表明，我们的解剖学上知情的贝叶斯空间模型的结果在后验概率地图，遵循解剖结构。
2019-10-18 eess.IV q-bio.NC stat.ME
Functional-prior-based approaches to Bayesian PDE-constrained inversion using physics-informed neural networks
Disaster Prevention Research Institute, Kyoto University（京都大学灾害预防研究所）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
本文提出功能先验方法，用于贝叶斯偏微分方程约束反演，通过结合物理信息神经网络，引入功能先验以提高反演精度，并展示了两种互补方法：FPI-BPINN和fParVI-PINN，分别在权重空间和函数空间进行贝叶斯推断。
2026-08-14 cs.LG physics.comp-ph physics.geo-ph
Bayesian Reasoning for Physics Informed Neural Networks
Institute for Theoretical Physics, University of Wroc aw（沃拉夫大学理论物理研究所）；Institute of Low Temperature and Structure Research（低温与结构研究所）；Polish Academy of Sciences（波兰科学院）
提出一种基于证据驱动的贝叶斯物理信息神经网络方法，通过拉普拉斯近似高效计算模型证据，自动优化偏微分方程残差、边界条件和观测数据之间的损失权重，并在热方程、波动方程和伯格斯方程上验证了其求解精度与不确定性量化能力。
2026-05-10 cs.LG physics.comp-ph physics.flu-dyn
BioBO: Biology-informed Bayesian Optimization for Perturbation Design
Johnson & Johnson Innovative Medicine（强生创新医药）；ETH Zurich（苏黎世联邦理工学院）
BioBO结合多模态基因嵌入和富集分析，提升代理建模和获取策略，提高标签效率25-40%，并提供路径级解释，链接设计与生物调控电路。
2026-03-23 cs.LG q-bio.QM stat.ML
Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology
University of Potsdam（波茨坦大学）；Institute of Mathematics（数学研究所）；Institute of Pharmacy（药剂学研究所）
使用治疗药物/生物标志物监测的模型通知精确给药（MIPD）提供了显著改善药物治疗的疗效和安全性的机会。目前的策略包括模型知情的剂量表或基于最大后验估计。然而，这些方法缺乏对不确定性的量化和/或仅考虑可用的患者特异性信息的一部分。我们提出了三种新的MIPD方法，采用贝叶斯数据同化（DA）和/或强化学习（RL）来控制中性粒细胞减少症，这是抗癌化疗中的主要剂量限制性副作用。与现有方法相比，这些方法有可能大幅降低危及生命的4级和亚治疗0级中性粒细胞减少症的发生率。我们进一步表明，RL允许通过识别驱动剂量决策的患者因素来获得进一步的见解。由于其灵活性，所提出的组合DA-RL方法可以很容易地扩展到整合多个终点或患者报告的结果，从而为未来的个性化治疗带来重要的益处。
2020-06-01 cs.LG q-bio.QM stat.AP
The Informed Sampler: A Discriminative Approach to Bayesian Inference in Generative Computer Vision Models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Microsoft Research Cambridge（微软研究院剑桥实验室）
计算机视觉是困难的，因为在照明，形状和纹理的大的可变性;此外，图像信号是非加性的，由于闭塞。生成模型承诺通过准确地将图像形成过程建模为具有先前信念的潜变量的函数来解释这种可变性。贝叶斯后验推理原则上可以解释观察结果。虽然直观上很吸引人，但由于后验推理的困难，计算机视觉的生成模型在很大程度上未能实现这一承诺。因此，社区倾向于有效的歧视性做法。我们仍然相信生成模型在计算机视觉中的有用性，但认为我们需要利用现有的判别式甚至启发式计算机视觉方法。我们实现这一想法的原则性的方式与“知情的采样器”，并在仔细的实验中证明它具有挑战性的生成模型，其中包含渲染程序作为其组件。我们专注于倒置现有的图形渲染引擎的问题，一种方法，可以被理解为“逆图形”。知情的采样器，使用简单的判别建议的基础上现有的计算机视觉技术，实现了显着的改进的推理。
2015-03-07 cs.CV cs.LG stat.ML
Supercharging Bayesian Inference with Reliable AI-Informed Priors
Department of Statistics, University of Connecticut（康涅狄格大学统计系）；Department of Statistics, University of Chicago（芝加哥大学统计系）
本文提出一种AI引导先验 elicitation框架，通过修正生成合成数据的AI诱导法则，减少推断偏差，提升可信区间覆盖率，并在真实皮肤疾病分类任务中验证了其提升预测性能的效果。
2026-05-11 cs.LG stat.ML
Bayesian Calibration of Imperfect Computer Models using Physics-Informed Priors
NTNU（挪威科技大学）
我们介绍了一个计算效率的数据驱动的框架，适用于量化的物理参数和模型制定的计算机模型，微分方程表示的不确定性。我们构建物理信息先验，这是多输出GP先验，编码模型的结构在协方差函数。这是扩展到一个完全贝叶斯框架，量化的物理参数和模型预测的不确定性。由于物理模型往往是不完美的描述真实的过程中，我们允许模型偏离观察到的数据，考虑差异函数。对于推断，使用哈密顿蒙特卡罗。此外，开发了大数据的近似，将计算复杂度从$\mathcal{O}(N^3)$降低到$\mathcal{O}(N\cdot m^2),$，其中$m \ll N.$我们的方法在模拟和真实数据案例研究中得到证明，其中物理学由时间相关的ODE描述（心血管模型）和时空相关的PDE（热方程）。研究表明，在以下情况下，我们的建模框架可以恢复物理模型的真实参数：1）现实比我们的建模选择更复杂; 2）数据采集过程存在偏差，同时也能产生准确的预测。此外，它表明，我们的方法是计算速度比传统的贝叶斯校准方法。
2023-01-31 cs.LG stat.ME stat.ML
Attentive Neural Processes and Batch Bayesian Optimization for Scalable Calibration of Physics-Informed Digital Twins
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
基于物理信息的动态系统模型是构建环境的数字孪生的关键组成部分。这些数字孪生可用于设计节能基础设施，但必须进行适当校准，以准确反映系统行为，用于下游预测和分析。现代建筑物的动力系统模型通常由大量参数描述，并且在仿真期间产生显著的计算开销。为了在不进行过度模拟的情况下处理数字孪生的大规模校准，我们提出了ANP-BBO：一种利用注意神经过程（ANP）的可扩展和可并行的批量贝叶斯优化（BBO）方法。
2021-06-29 cs.AI cs.LG math.OC
Gaussian processes for Bayesian inverse problems associated with linear partial differential equations
School of Mathematics, University of Edinburgh（爱丁堡大学数学学院）；Maxwell Institute for Mathematical Sciences（麦克斯韦数学科学研究所）
针对少量训练数据下线性偏微分方程相关贝叶斯反问题，扩展已有框架构建融合PDE信息的高斯先验并生成近似后验，实验证明其性能优于传统先验。
2023-07-17 cs.LG stat.ML
Bayesian Optimization of Antibodies Informed by a Generative Model of Evolving Sequences
New York University（纽约大学）；BigHat Biosciences（比格哈特生物科学公司）
针对抗体搜索空间大、预算内难获合适抗体的问题，提出CloneBO方法，结合克隆家族训练的CloneLM大模型与扭曲序列蒙特卡洛流程优化抗体，实验显示其效率和效果均优于现有方法。
2024-12-10 cs.LG q-bio.BM stat.ML
A Mathematical Optimization Approach for Expert-Informed Bayesian Best Subset Selection
Systems and Information Systems and Information Engineering（系统与信息系及信息工程）
提出Expert-Implied Bayesian Best Subsets (EBBS)方法，通过最大后验框架将领域专家对特征相关性的概率估计融入混合整数优化最佳子集问题，使用泊松二项分布、成对胜率或归一化平均秩聚合专家观点，形成对数几率惩罚项指导特征选择。
2026-06-28 cs.LG stat.ML
Informed Bayesian T-Tests
在整个实证科学中，很少有统计程序能与流行的频率主义t检验相媲美。相比之下，贝叶斯版本的t检验一直默默无闻。然而，近年来，贝叶斯t检验的理论和实践优势已变得越来越明显，并提出了各种贝叶斯t检验，既有客观的（基于一般必要条件），也有主观的（基于专家知识）。在这里，我们提出了一个灵活的t先验的标准化效应大小，允许计算贝叶斯因子通过评估一个单一的数值积分。本规范包含以前的客观和主观t检验贝叶斯因子作为特殊情况。此外，我们提出了两个措施，知情的先验分布，量化偏离客观贝叶斯因子的预测匹配和信息一致性。我们说明了使用知情的先验分布的基础上，专家事先启发的努力。
2018-12-14 stat.ME
Posterior Concentration of Bayesian Physics-Informed Neural Networks for Elliptic PDEs
School of Mathematics, University of Minnesota, Twin Cities（明尼苏达大学双城分校数学学院）
本文研究了贝叶斯物理信息神经网络在求解一般椭圆偏微分方程中的后验收缩率，通过构造合适的先验分布，证明后验分布以近最优速率集中于精确解，并提供了通过贝叶斯PINNs进行PDE不确定性量化统计保证。
2026-05-09 cs.NA math.NA math.ST
Proxy-informed Bayesian transfer learning with unknown sources
Department of Computer Science University of Manchester（曼彻斯特大学计算机科学系）；Inserm Bordeaux Population Health, Vaccine Research Institute, Université de Bordeaux, Inria Bordeaux Sud-ouest（法国波尔多大学疫苗研究学院）；Department of Computer Science Aalto University（埃斯波芬兰阿尔托大学计算机科学系）；University of Manchester（曼彻斯特大学）；Aalto University（阿尔托大学）；ELLIS Institute Finland（芬兰ELLIS研究所）
本文提出基于代理信息的鲁棒概率迁移学习方法 PROMPT，在源数据未知且目标任务无观测数据的情况下，通过贝叶斯视角解决由错误先验引起的负迁移问题。
2025-06-13 cs.LG stat.ML
Data-Free Likelihood-Informed Dimension Reduction of Bayesian Inverse Problems
识别一个低维的知情参数子空间提供了一个可行的路径，以减轻在基于采样的解决方案的大规模贝叶斯逆问题的维数挑战。本文提出了一种新的基于梯度的降维方法，该方法的信息子空间不依赖于数据。这允许在线-离线计算策略，其中在离线阶段检测问题的昂贵的低维结构，这意味着在观察数据之前。这种策略对于多个反演问题特别相关，因为可以重复使用相同的信息子空间。所提出的方法允许控制近似误差（在预期的数据）的后验分布。我们还提出了采样策略，利用知情子空间有效地绘制样本的确切后验分布。该方法成功地说明了两个数值例子：一个基于偏微分方程的反问题与高斯过程的先验和层析成像问题与泊松数据和Besov- $\mathcal{B}^2_{11}$先验。
2021-02-26 cs.NA math.NA stat.CO
Adaptive random neighbourhood informed Markov chain Monte Carlo for high-dimensional Bayesian variable Selection
我们介绍了一个有效的马尔可夫链蒙特卡罗（MCMC）算法的框架，目标是离散值的高维分布，如后验分布贝叶斯变量选择（BVS）问题。我们表明，许多最近推出的算法，如本地知情的采样器和自适应缩放的个人适应采样器（ASI），可以被视为框架内的特殊情况。然后，我们描述了一种新的算法，自适应随机邻域知情采样器（ARNI），从这两个现有的方法相结合的想法。我们使用几个例子的真实和模拟的数据集，计算效率高的逐点实现（PARNI）导致相对更可靠的推论的变量选择问题的范围内，特别是在非常大的$p$设置。
2021-10-26 stat.CO
Physics-Informed Sylvester Normalizing Flows for Bayesian Inference in Magnetic Resonance Spectroscopy
Eindhoven University of Technology（埃因霍温理工大学）；University Medical Center Utrecht（乌得勒支大学医学中心）
本研究提出基于Sylvester归一化流和物理解码器的贝叶斯推断框架，用于磁共振波谱代谢物定量，在模拟7T数据上实现准确量化与不确定性校准。
2026-09-17 cs.LG eess.SP q-bio.QM
Informed Initialization for Bayesian Optimization and Active Learning
Meta
HIPE是一种基于信息的初始化策略，通过平衡预测不确定性减少与超参数学习，提升贝叶斯优化和主动学习的性能。
2025-12-13 cs.LG
Coupling-Informed Transport Maps for Bayesian Filtering in Nonlinear Dynamical Systems
School of Mathematical Sciences, Tongji University（同济大学数学科学学院）；Key Laboratory of Intelligent Computing and Applications (Ministry of Education), Tongji University（智能计算与应用重点实验室（教育部））
本文提出基于状态与观测变量耦合的无似然传输滤波方法，通过块三角结构将滤波分析步骤改写为最大均值差（MMD）最小化问题，并引入训练自由传输滤波方法以避免MMD优化的非凸性，从而准确逼近非高斯滤波后验并避免粒子崩溃。
2026-05-13 cs.LG stat.CO stat.ML
Neural Latent Geometry Search: Product Manifold Inference via Gromov-Hausdorff-Informed Bayesian Optimization
ORI；University of Oxford（牛津大学）；Oxford-Man Institute（牛津曼研究所）；Mathematical Institute（数学研究所）；MLRG（机器学习研究组）
本文提出神经潜在几何搜索（NLGS），利用Gromov-Hausdorff距离度量候选几何差异，并结合贝叶斯优化高效搜索由常曲率空间乘积构成的最优潜在几何，以提升模型性能。
2023-10-27 cs.LG stat.ML
Stability-informed Bayesian Optimization for MPC Cost Function Learning
Technical University of Darmstadt（达姆施塔特工业大学）；University of California, Berkeley（加利福尼亚大学伯克利分校）
本文提出一种稳定性信息贝叶斯优化方法，用于学习MPC代价函数，通过约束优化闭环性能并保证稳定性，仿真验证了其有效性与安全性。
2024-04-18 cs.LG cs.SY eess.SY
Deep Reference Priors: What is the best way to pretrain a model?
University of Pennsylvania（宾夕法尼亚大学）
利用额外数据的最佳方法是什么？无论是来自同一任务的未标记数据，还是来自相关任务的标记数据，都可以学习给定任务。本文利用参考先验理论对该问题进行了形式化描述。参考先验是客观的，无信息的贝叶斯先验，最大化任务和模型权重之间的互信息。这样的先验使任务能够最大限度地影响贝叶斯后验，例如，参考先验依赖于可用于学习任务的样本数量，并且对于非常小的样本量，先验将更多的概率质量放在假设空间中的低复杂度模型上。本文首次展示了中等规模深度网络和基于图像的数据的参考先验。我们开发的参考先验的概括和演示应用程序两个问题。首先，通过使用未标记的数据来计算参考先验，我们开发了新的贝叶斯半监督学习方法，即使每个类的样本很少，这些方法也仍然有效。其次，通过使用来自源任务的标记数据来计算参考先验，我们开发了一种新的用于迁移学习的预训练方法，该方法允许来自目标任务的数据最大限度地影响贝叶斯后验。这些方法的实证验证进行图像分类数据集。代码可在https://github.com/grasp-lyrl/deep_reference_priors上获得。
2022-06-15 cs.LG stat.ML
Uncertainty Quantification for Physics-Informed Neural Networks with Extended Fiducial Inference
本文提出基于扩展置信推断的新方法，利用窄瓶颈超网络为物理信息神经网络提供严格不确定性量化，克服贝叶斯和dropout方法局限，仅凭观测数据构建诚实置信集，提升可靠性、可解释性并扩展至大规模模型。
2025-10-16 cs.LG stat.ML
Gryffin: An algorithm for Bayesian optimization of categorical variables informed by expert knowledge
Harvard University（哈佛大学）；Vector Institute for Artificial Intelligence（矢量人工智能研究所）；University of Toronto（多伦多大学）；Atinary Technologies Sàrl（Atinary技术有限公司）
设计功能分子和先进材料需要复杂的设计选择：调整连续工艺参数，如温度或流速，同时选择催化剂或溶剂。到目前为止，数据驱动的实验规划策略的自主实验的发展主要集中在连续的过程参数，尽管迫切需要制定有效的策略，选择分类变量。在这里，我们介绍Gryffin，一个通用的优化框架，用于由专家知识驱动的分类变量的自主选择。Gryffin增强了基于核密度估计的贝叶斯优化，并对分类分布进行了平滑近似。利用物理化学描述符形式的领域知识，Gryffin可以显着加速寻找有前途的分子和材料。Gryffin可以进一步强调所提供的描述符之间的相关性，以激发物理见解并培养科学直觉。除了全面的基准，我们还展示了Gryffin在材料科学和化学领域的三个例子中的能力和性能：（i）发现用于有机太阳能电池的非富勒烯受体，（ii）设计用于光捕获的混合有机-无机钙钛矿，以及（iii）识别Suzuki-Miyaura反应的配体和工艺参数。我们的研究结果表明，Gryffin，在其最简单的形式，是最先进的分类优化算法的竞争力。然而，当利用通过描述符提供的领域知识时，Gryffin优于其他方法，同时改进该领域知识以促进科学理解。
2021-05-28 cs.LG physics.app-ph stat.ML
Building Population-Informed Priors for Bayesian Inference Using Data-Consistent Stochastic Inversion
本文提出利用数据一致性反演（DCI）技术，从群体级数据中构建群体信息先验，以在观测数据有限时有效约束贝叶斯推断的不确定性，并从理论和数值实验上证明了该方法能显著提升个体化推断的信息增益。
2025-06-24 stat.ME
Bayesian Variable Selection on Small Sample Trial Data via Adaptive Posterior-Informed Shrinkage Prior
针对小样本临床试验（如CGT、超罕见病领域）的变量选择需求，提出自适应后验信息收缩先验（APSP）贝叶斯方法，通过自适应借用外部信息提升效率并保持稳健性，模拟及CIT研究应用验证其优于传统方法。
2025-11-17 stat.ME
Covariance-Informed Subspace: an Adaptive Gradient-Free Input Dimension Reduction Method for Bayesian Inference
CEA DAM DIF（法国原子能及替代能源委员会达姆达夫研究所）；Geosciences center, Mines Paris PSL（巴黎高等矿业学校PSL地球科学中心）；CMAP, CNRS, Ecole Polytechnique（法兰西学院国家科学研究中心数学与计算物理中心）；Autorité de Radioprotection et de Sureté Nucléaire (ASNR), PSE-ENV/SCAN（核安全与辐射防护管理局）
本文提出一种适应性梯度-free 输入维度约简方法，用于高分辨率二维或三维场的贝叶斯推断，通过协方差比指标确定数据驱动方向，提升后验近似精度。
2026-04-15 cs.NA math.NA math.ST
Phylogenetically informed Bayesian truncated copula graphical models for microbial association networks
微生物在宿主健康中起着关键作用。高通量测序技术的进步为更深入地了解微生物相互作用提供了机会。然而，由于16S核糖体RNA测序的限制，微生物组数据是零膨胀的，并且不能在受试者之间进行微生物丰度的定量比较。通过利用最近的微生物组分析技术，量化16S核糖体RNA微生物计数，我们提出了一种新的贝叶斯图形模型，通过系统发育树之前，并明确说明零通货膨胀使用截断高斯copula微生物的进化历史。我们的模拟研究表明，进化信息大大提高了网络估计的准确性。我们将所提出的模型应用于106名健康受试者的定量肠道微生物组数据，并确定了现有微生物网络估计模型无法确定的三种不同的微生物群落。我们进一步发现，这些社区是基于微生物利用氧气作为能源的能力来区分的。
2021-05-11 stat.ME
Hierarchical Bayesian estimation for continual learning during model-informed precision dosing
针对模型指导精准给药中的持续学习问题，提出层次贝叶斯估计框架，并比较多种推断算法，发现单内嵌套粒子滤波器在精度与计算复杂度间取得最佳平衡。
2025-05-26 stat.CO
Time-Series-Informed Closed-loop Learning for Sequential Decision Making and Control
Control and Cyber-Physical Systems Laboratory, Technical University of Darmstadt（控制与网络物理系统实验室，德累斯顿技术大学）
针对序列决策算法闭环性能依赖参数且标准贝叶斯优化忽略时间结构的问题，提出时间序列感知的多保真贝叶斯优化框架及概率早期停止准则，在非线性控制基准上实现资源减半性能相当或同资源性能更优，提升样本效率。
2025-11-17 cs.LG cs.SY eess.SY
Physiologically Informed Bayesian Analysis of ASL fMRI Data
动脉自旋标记（ASL）功能性磁共振成像（fMRI）数据提供了血液灌注的定量测量，其可以与神经元激活相关联。与BOLD测量相反，它是脑血流量的直接测量。然而，ASL数据具有较低的SNR和分辨率，使得感兴趣的灌注响应的恢复受到ASL信号中较强的血液动力学分量的污染。在这项工作中，我们考虑了ASL信号内的血流动力学和灌注成分的模型。这两个组件之间的生理联系进行了分析，并用于更准确地估计灌注响应函数，特别是在通常的ASL低SNR条件。
2015-01-06 q-bio.NC stat.AP
Informed Bayesian Inference for the A/B Test
A/B测试在商业上蓬勃发展，也是医学试验中的主要分析方法，它通过将干预或治疗的成功率与对照条件的成功率进行比较来评估干预或治疗的效果。在许多实际应用中，希望（1）可以获得支持治疗无效的原假设的证据;（2）随着数据的积累，可以监测证据;（3）可以考虑专家的先验知识。大多数现有的方法不能满足这些需求。在这里，我们描述了基于Kass和Vaidyanathan（1992）的贝叶斯A/B程序，该程序允许人们监测治疗具有积极作用、消极作用或关键的没有作用的假设的证据。此外，这种方法使人们能够将专家知识的竞争对手的假设的相对先验的可信度和预期的效果的大小，因为它是非零的。为了促进贝叶斯过程的广泛采用，我们在R中开发了abtest包。我们用一个虚构的业务示例和一个真实的数据医疗示例来说明包选项和相关的统计结果。
2020-11-13 stat.AP
Multi-Teacher Knowledge Distillation via Teacher-Informed Mixture Priors
Department of Statistics, University of Georgia（佐治亚大学统计系）；Department of Statistics, Harvard University（哈佛大学统计系）
提出多教师贝叶斯知识蒸馏（MT-BKD）框架，利用贝叶斯推断和教师引导的先验分布，结合熵加权机制，实现多教师知识的高效融合与不确定性量化。
2026-05-27 cs.AI cs.LG stat.ME
Gradient-Informed Bayesian and Interior Point Optimization for Efficient Inverse Design in Nanophotonics
Institute of Information Processing, Leibniz University Hannover（莱比锡洪堡大学信息处理研究所）；Flexcompute, Watertown, MA, USA（Flexcompute公司）；Institute of Artificial Intelligence, Leibniz University Hannover（莱比锡洪堡大学人工智能研究所）；L3S Research Center, Hannover, Germany（L3S研究中心）
本文提出BONNI算法，结合贝叶斯优化和内点优化，通过高效利用梯度信息提升纳米光子学反向设计效率，实现更优的分布式布拉格反射器和双层耦合器设计。
2026-03-25 cs.LG physics.optics
Efficient Amortized Bayesian Inference for Markov Random Fields via Gradient-Informed Grid Selection
LUT University（拉赫蒂理工大学）；JKU Linz（林茨约翰·开普勒大学）；Harvard University（哈佛大学）
本文提出一种高效摊销MCMC框架，通过梯度引导的网格选择和Hermite插值构建近似似然，提高推断准确性并降低计算成本，应用于隐藏Potts模型和北极冰盖模型。
2026-03-31 stat.CO stat.ME
Global Search with Bernoulli Alternation Kernel for Task-oriented Grasping Informed by Simulation
KTH Royal Institute of Technology（KTH皇家理工学院）
我们开发了一种从大型模拟数据集中受益的方法，并充分利用了最相关的有限在线数据。我们提出了一个变种的贝叶斯优化，交替使用知情和不知情的内核。有了这个Bernoulli交替内核，我们确保仿真和现实之间的差异不会妨碍在线调整机器人控制策略。所提出的方法被应用到一个具有挑战性的现实世界的问题，面向任务的新对象的把握。我们的进一步贡献是一个神经网络架构和训练管道，使用模拟中抓取物体的经验来学习抓取稳定性分数。我们使用卷积网络从标记数据集学习任务得分，该卷积网络用于为我们的贝叶斯优化变体构建知情内核。在ABB Yumi机器人上进行的具有真实传感器数据的实验证明了我们方法的成功，尽管存在满足任务要求和物体物理特性高度不确定性的挑战。
2018-10-10 cs.LG cs.RO
Accurate, scalable, and efficient Bayesian optimal experimental design with derivative-informed neural operators
针对高维贝叶斯最优传感器设计计算昂贵的问题，本文提出基于导数信息维度归约与 DINO 替代模型的框架，并结合改进交换贪心算法实现误差可控、可扩展且超1000倍加速。
2024-09-09 cs.CE math.OC stat.ME
Physics-Informed Bayesian Optimization of Variational Quantum Circuits
University of Bonn（波恩大学）；Helmholtz Institute for Radiation and Nuclear Physics (HISKP)（亥姆霍兹辐射与核物理研究所）；Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所）；Northeastern University London（东北大学伦敦分校）；Khoury College of Computer Sciences, Northeastern University（东北大学卡尔利计算机科学学院）；Deutsches Elektronen-Synchrotron (DESY)（德国电子同步加速器研究所）；Institute of Photonic Sciences, The Barcelona Institute of Science and Technology (ICFO)（光子科学研究所（巴塞罗那科学技术学院））；Prescient Design, gRED, Roche（罗氏公司gRED部门精准设计团队）；Technische Universität Berlin（柏林工业大学）；Max Planck Institut für Informatik（马克斯·普朗克信息学研究所）；RIKEN Center（理化学研究所中心）
本文提出物理信息贝叶斯优化方法用于变分量子本征求解器，通过推导融入量子电路先验的VQE核和新的采集函数EMICoRe，大幅减少所需观测点并提升优化性能。
2024-06-10 cs.LG quant-ph
A physics-informed Bayesian optimization method for rapid development of electrical machines
University College London（伦敦大学学院）；University of Bath（巴斯大学）
针对电机槽填充因子的优化问题，提出一种结合最大熵采样算法的物理信息贝叶斯优化方法PIBO-MESA，该方法较NSGA-II快45%，使SFF提高20%、最大扭矩提升12%，有效缩短了高性能电机的开发时间与成本。
2025-03-01 cs.AI cs.LG cs.SY
Nonparanormal Bayesian Learning of Directed Acyclic Graphs under Gamma and Inverse-Gamma Innovation Priors: Closed-Form Scores and Informed Sampling
Department of Statistics, Faculty of Mathematical Sciences, Ferdowsi University of Mashhad（马什哈德费尔多西大学数学科学学院统计学系）
针对非高斯数据，提出非参数正态贝叶斯DAG学习方法，利用Gamma和逆Gamma先验获得闭式得分，构建知情采样器，在模拟和真实数据上优于高斯方法。
2026-09-14 stat.ME
Rank-based Bayesian clustering via covariate-informed Mallows mixtures
本文提出带协变量的贝叶斯 Mallows 模型 (BMMx)，通过结合评估者特征进行排名数据聚类，利用 PPMx 相似性函数提升聚类效果，模拟与真实数据验证了其在理解偏好行为方面的潜力。
2024-02-16 stat.ME
Communicating uncertainty in Indigenous sea Country monitoring with Bayesian statistics: towards more informed decision-making
本研究通过澳大利亚原住民海洋监测案例，展示如何利用贝叶斯统计将不确定性纳入监测指标，以促进科学家与原住民社区间关于监测局限性的更充分交流，支持更明智的决策。
2023-07-31 stat.AP
Likelihood-informed dimension reduction across tempered Bayesian posteriors
KU Leuven（荷语鲁汶大学）；California Institute of Technology（加州理工学院）
本文提出了一种通用的方法，用于在温控贝叶斯后验中进行似然信息维度约简，通过理论支持构建部分信息空间并改进在数据有限和噪声大的实际应用中的性能。
2026-05-20 cs.NA math.NA stat.CO
Prediction-Oriented Sequential Bayesian Design of Physical Experiments Informed by Computer Models
Institute of Applied Statistics, Johannes Kepler University Linz（林茨约翰·开普勒大学应用统计研究所）
本文提出一种序列贝叶斯实验设计框架，通过互信息准则和局部模型复杂性度量提升预测性能，并通过加速策略减少计算开销，验证了方法在合成和生物化学案例中的有效性。
2026-09-30 stat.AP stat.CO
Bayesian Semiparametric Covariate Informed Multivariate Density Deconvolution
不同膳食成分长期平均摄入量的边际密度和联合密度的估计是营养流行病学中的一个重要问题。由于这些变量无法直接测量，因此通常以24小时回顾摄入量的形式收集数据。估计潜在的长期平均摄入量的密度的问题，从他们的观察，但错误污染的回忆，然后成为一个问题的多变量反卷积的密度。潜在的密度可能会随着受试者的人口统计学特征，如性别，种族，年龄等，在相关的精确测量的协变量的存在下，密度反卷积的问题，但是，从来没有被考虑过，甚至在单变量设置。我们提出了一个灵活的贝叶斯半参数方法协变量知情的多元反卷积。基于Copula反卷积和条件张量分解技术的最新进展，我们提出的方法不仅允许联合和边缘密度随相关预测因子灵活变化，而且允许自动选择最有影响力的预测因子。重要的是，该方法还允许感兴趣的密度和测量误差的密度随潜在的不同预测器组而变化。我们设计了马尔可夫链蒙特卡罗算法，可以实现高效的后验推理，适当地适应分析各个方面的不确定性。通过仿真实验验证了该方法的有效性。它的实际效用在上述营养流行病学应用中被证明是在估计不同膳食成分的协变量调整的长期摄入量。补充材料包括实质性的额外细节和R代码也可在线获得。
2022-05-17 stat.ME
Regularity-informed data assimilation: A hierarchical Bayesian approach to ensemble Kalman filtering for hyperbolic conservation laws
Division of Applied Mathematics, Linköping University（林雪平大学应用数学系）；Center for Computational Science and Engineering, Massachusetts Institute of Technology（麻省理工学院计算科学与工程中心）
该研究针对双曲守恒律的状态估计问题，提出结合分层广义稀疏贝叶斯学习先验的GSBL-EnKF方法，提升了滤波结果的物理真实性与准确性。
2026-09-04 cs.NA math.NA stat.ME
Informed Bayesian Finite Mixture Models via Asymmetric Dirichlet Priors
本文提出一种基于非对称 Dirichlet 先验的有限混合方法，允许直接对聚类数量设定先验信息，并通过数值实验和真实数据集验证了其灵活性与实用性。
2023-08-01 stat.ME
Physics-informed Bayesian inference of external potentials in classical density-functional theory
提出一种结合贝叶斯推断与经典DFT的统计学习框架，通过MC模拟数据准确推断多粒子系统的外部势及其不确定性，并验证了密度分布推断的准确性。
2023-09-14 cond-mat.stat-mech physics.data-an stat.ML
Human-in-the-Loop Meta Bayesian Optimization for Fusion Energy and Scientific Applications
Hewlett Packard Enterprise（惠普企业公司）；University of Rochester（罗切斯特大学）
本文提出HL-MBO框架，结合专家知识与少样本不确定性感知机器学习，加速数据稀缺的高风险科学领域发现，优于现有BO方法在聚变能优化和超导材料优化中的表现。
2026-09-15 cs.AI cs.LG physics.plasm-ph
