Simulation-Based Prior Knowledge Elicitation for Parametric Bayesian Models
针对贝叶斯先验提取中难利用多形式专家知识且受模型结构限制的问题，提出基于仿真的方法，通过随机梯度下降学习先验超参数，经多类模型验证具备有效性与适配性。
2024-04-15 stat.ME stat.ML
Prior knowledge elicitation: The past, present, and future
本文回顾先验知识引导的现状，分析其关键方面并分类文献，指出研究不足，提出改进先验引导方法的新方向。
2023-05-09 stat.ME
Prior Elicitation for Generalised Linear Models and Extensions
本文提出一种贝叶斯广义线性模型（GLMs）及其扩展的先验提取方法，通过专家概率预测参数化先验分布，提取场景依赖关系构建规范藤copula模型，支持多数据类型并在R包eglm中实现。
2023-03-27 stat.AP stat.ME
Quantitative system risk assessment from incomplete data with belief networks and pairwise comparison elicitation
提出了一种在风险评估中进行贝叶斯启发和学习的方法。它假设风险过程可以被描述为一个故障树。这被看作是一个信念网络，其主要事件概率的先验分布是通过成对比较的方法得出的。贝叶斯更新程序，下面的观察故障树中的一些或所有的事件，描述。以航天器控制再入爆炸风险评估为例，说明了该方法的应用。
2019-04-05 stat.ME
Causal Preference Elicitation
University of California, Berkeley（加州大学伯克利分校）
提出一种贝叶斯框架，通过主动查询局部边关系来集中有向无环图的后验分布，实现专家参与的因果发现。
2026-06-02 cs.AI cs.LG stat.ME
Customised Structural Elicitation
已建立的结构启发方法通常依赖于代码建模标准图形模型类，最常见的是贝叶斯网络。然而，更合适的模型可能来自于用共同语言向专家提出问题，关于什么可能与什么相关，并探索陈述的逻辑含义。只有在确定了最佳匹配结构之后，才能将其修饰成一个完全量化的概率模型。这种更灵活的方法的有效性和潜力的示例如下所示，用于四类图形模型：贝叶斯网络，链事件图，多元回归动态模型和流图。我们认为，要充分有效的任何结构诱导阶段必须首先定制的应用程序，如果有必要的新类型的结构与自己的定制语义引起。
2018-07-10 stat.ME
Flexible Prior Elicitation via the Prior Predictive Distribution
在基于贝叶斯方法的统计推断过程中，未知模型参数的先验分布起着至关重要的作用。然而，指定合适的先验往往是困难的，即使详细的先验知识是在原则上。挑战在于以概率分布的形式表达定量信息。先验启发通过从专家那里提取主观信息并将其转换为有效的先验来解决这个问题。然而，大多数现有的方法需要提供关于不可观测参数的信息，这些参数对数据生成过程的影响通常是复杂的且难以理解的。我们提出了一种替代方法，只需要知识的可观察到的结果-知识，这往往是更容易为专家提供。建立在一个原则性的统计框架，我们的方法利用先验预测分布隐含的模型自动转换专家的判断合理的结果值，以适当的先验参数。我们还提供了计算策略来执行推理和指导方针，以促进实际使用。
2020-03-16 stat.ME
Bayesian prior elicitation and selection for extreme values
极值分析的一个主要问题是确定形状参数$ξ$的通用广义极值（GEV）和广义帕累托（GP）分布，驱动尾部的行为，并对收益率水平和周期的估计有重大影响。许多从业者选择贝叶斯框架来进行这种评估，以核算参数不确定性，这些不确定性在以少量观测为特征的分析中通常很高。尽管如此，这样的方法可以为$ξ$提供大的可信度域，包括负值和正值，这不允许对尾部的性质做出结论。考虑到块极大值的框架，一个通用的方法来确定的值和符号的$ξ$从模型选择之间的Fréchet，Gumbel和Weibull可能的域的吸引条件的观察。与通常选择GEV作为{ \it采样}极值的适当模型相反，必须非常小心地进行这种模型选择。正确的，信息丰富的和易于使用的先验的启发是基于以下原则进行的：对于所有的参数尺寸，他们作为后验的noninformative先验和虚拟样本。这些虚拟样本的统计数据可以从先前的预测信息中评估，并且可以执行相容性规则以完成校准，即使它们只是半共轭的。此外，模型选择是使用混合包围框架进行的，该框架允许处理贝叶斯因子的计算。激励一个真正的案例研究，涉及气象量级的专家知识的启发，玩具的例子也说明了整体的方法。
2018-06-17 stat.ME
Clustering with a Reject Option: Interactive Clustering as Bayesian Prior Elicitation
University of Edinburgh（爱丁堡大学）；Microsoft Research（微软研究院）；Stanford University（斯坦福大学）
一个好的聚类可以帮助数据分析师探索和理解数据集，但是什么是好的聚类可能取决于特定于领域和特定于应用程序的标准。这些标准可能很难正式化，即使分析师在看到一个集群时很容易知道一个好的集群。我们提出了一种新的方法来交互式聚类数据探索，称为\ciif，基于一个特别简单的反馈机制，在该机制中，分析师可以选择拒绝个别集群，并要求新的。新的聚类应该与以前拒绝的聚类不同，同时仍然很好地拟合数据。我们正式这种互动在一个新的贝叶斯先验启发框架。在每次迭代中，先验被适配为考虑所有先前的反馈，然后从后验分布产生新的聚类。为了实现必要的交互式设置的计算效率，我们提出了一种增量优化方法，使用拉格朗日松弛的数据minibatches。实验表明，\ciif可以产生准确和多样的聚类。
2016-06-08 cs.LG stat.ML
Bayesian preference elicitation for decision support in multiobjective optimization
Institute of Applied Analysis（应用分析研究所）；Numerical Simulation , University of Stuttgart, Germany（数值模拟，斯图加特大学，德国）；Institute for Parallel（并行系统研究所）；Distributed Systems , University of Stuttgart, Germany（分布式系统，斯图加特大学，德国）；Surrogate Modeling Lab , Ghent University - imec, Belgium（替代建模实验室，根特大学-imec，比利时）；Department of Computing（计算部门）；Mathematical Sciences , California Institute of Technology, USA（数学科学，加州理工学院，美国）
针对多目标优化中决策者识别偏好解的需求，提出基于贝叶斯模型和成对比较的偏好诱导方法，通过平衡探索与利用的交互查询策略高效发现高效用解，经实验验证性能更优且提供开源实现。
2025-11-11 cs.AI cs.LG stat.ML
Clustering with a Reject Option: Interactive Clustering as Bayesian Prior Elicitation
University of Edinburgh（爱丁堡大学）；Microsoft Research（微软研究院）；Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）；Twitter（推特）
一个好的聚类可以帮助数据分析师探索和理解数据集，但是什么是好的聚类可能取决于特定于领域和特定于应用程序的标准。这些标准可能很难形式化，即使分析师在看到一个集群时很容易知道一个好的集群。我们提出了一种新的方法，称为TINDER的数据探索的交互式聚类，基于一个特别简单的反馈机制，在该机制中，分析师可以拒绝给定的聚类，并要求一个新的，这是选择从以前的聚类不同，同时适合的数据。我们在贝叶斯框架中将这种相互作用形式化为先前启发的方法，其中每个不同的聚类由经过修改以阻止先前拒绝的聚类的先验分布产生。我们表明，TINDER成功地产生了一组不同的聚类，每个质量相当，这是更多样化的比随机重新启动。
2016-06-19 cs.LG stat.ML
Preference elicitation and inverse reinforcement learning
Frankfurt Institute for Advanced Studies（法兰克福高等研究院）；EPFL（洛桑联邦理工学院）
我们陈述了逆强化学习在偏好诱导方面的问题，从而得到了一个原则性的（贝叶斯）统计公式。这概括了以前的工作贝叶斯逆强化学习，并允许我们获得一个后验分布代理的偏好，政策和可选的，获得的奖励序列，从观察。通过分析和实验结果，我们研究了所得方法与其他统计方法的关系。我们表明，偏好可以准确地确定，即使所观察到的代理的政策是次优相对于自己的喜好。在这种情况下，显着改善的政策，相对于代理的喜好，获得相比，其他方法和表现的政策。
2011-06-29 cs.LG stat.ML
Gradient-based Optimization for Bayesian Preference Elicitation
Google Research（谷歌研究院）
随着推荐系统（RS）的交互性和会话性越来越强，有效的获取用户偏好的技术变得越来越重要。一个常见的和概念上有吸引力的贝叶斯标准选择查询是期望值的信息（EVOI）。不幸的是，它是计算上禁止构造查询与最大EVOI在RS与大项目空间。我们通过引入EVOI的连续公式来解决这个问题，EVOI是一个可微网络，可以使用现代机器学习（ML）计算框架（例如，TensorFlow、PyTorch）。我们利用这一点开发一种新的，可扩展的蒙特卡罗方法EVOI优化，这是更大的项目空间比方法需要明确枚举的项目可扩展性。虽然我们强调使用这种方法进行成对（或k-明智）的项目比较，我们也展示了我们的方法可以适应查询涉及的项目属性或“部分项目”的子集，这往往是更认知管理的用户。实验表明，我们的基于梯度的EVOI技术在几个领域实现了最先进的性能，同时扩展到大的项目空间。
2019-11-20 cs.AI cs.LG stat.ML
Bayesian Deck-of-cards-based Ordinal Regression with Sequential Preference Elicitation
Poznań University of Technology（波兹南理工大学）；University of Catania（卡塔尼亚大学）
提出B-DOR，一种基于扑克牌式排序的贝叶斯序数回归方法，通过累积链接似然建模偏好强度，采用两种贝叶斯推断算法并支持多步诱导，实验证明其优于现有方法并适用于综合指标构建。
2026-09-30 cs.LG math.OC stat.ML
Bayesian estimation for a parametric Markov Renewal model applied to seismic data
本文提出了一个完整的方法，贝叶斯推断的半马尔可夫过程，从启发的先验分布，计算后验摘要，包括指导其JAGS实现。假设保持时间（以两个给定状态之间的过渡为条件）为威布尔分布。我们检查引出的联合先验密度的形状和尺度参数的韦布尔分布，推导出一个特定的类的先验在一个自然的方式，以及一种方法用于确定超参数的基础上"学习数据“和时刻存在条件。这个框架适用于三种类型的严重性（低，中，高尺寸），发生在意大利北部亚平宁山脉中部和收集的\cite{CPTI04}目录的地震数据。两种类型的能量积累和释放机制的假设进行了评估。
2014-04-04 stat.ME
Dynamic Bayesian Networks, Elicitation and Data Embedding for Secure Environments
针对安全环境下犯罪建模的数据缺失、滞后及保密问题，提出一种以图形模型为框架的正式协议，可实现学术模型向警方的安全转换，构建模型库支持实时决策，并以疑似车辆袭击为例验证了应用可行性。
2024-09-11 cs.CR stat.AP stat.ME
AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling
Imperial College London（伦敦帝国理工学院）；Vector Institute（向量研究所）；University of Toronto（多伦多大学）
本文提出AutoElicit方法，通过从大型语言模型中提取知识来构建预测模型的先验分布，以降低样本复杂度。研究表明，该方法能显著减少预测误差，并在构建尿路感染预测模型时节省超6个月标注工作。
2025-05-28 cs.CL cs.LG stat.ML
Advances in Bayesian Modeling: Applications and Methods
本文综合 MCMC 与变分近似，系统展示贝叶斯建模在多领域的建模、先验获取、计算及评估方法。
2025-02-17 stat.AP stat.CO stat.ME
Better Decision Making in Drug Development Through Adoption of Formal Prior Elicitation
随着贝叶斯方法在药物开发中的使用不断增加，统计学家需要有工具来开发强大的和可辩护的信息先验分布。虽然相关的经验数据应该在可能的情况下为这种先验提供基础，但通常情况下，数据和/或我们的理解的局限性可能会妨碍直接构建基于数据的先验。正式的专家启发方法是一个关键技术，可以用来确定在这些情况下的先验知识。在葛兰素史克（GSK）内部，我们采用了一种基于SHELF启发框架的结构化方法来进行先前启发，并定期将其与下一项研究的成功概率（保证）计算结合使用，以告知关键项目里程碑的内部决策。本文的目的是分享我们的经验，嵌入使用事先启发在一个大型制药公司，突出了事先启发的好处和挑战，通过一系列的案例研究。我们发现，将团队信念转化为量化的概率分布，可以为所有内部决策提供一个坚实的基础，使团队能够为投资委员会提供正式的试验成功概率估计，并在适当的情况下为临时决策规则提供稳健的计划。作为一个额外的好处，启发过程提供了关于潜在药物的信念和风险的透明度，最终实现更好的投资组合和公司范围的决策。
2017-08-31 stat.AP
Probabilistic elicitation of expert knowledge through assessment of computer simulations
我们提出了一种使用人类专家评估来自统计模型的模拟数据的二元响应来概率获取专家知识的新方法，其中参数受到不确定性的影响。二进制响应描述的绝对现实主义的个人模拟或一对模拟的相对现实主义的两个替代版本的方法。每个版本都提供了一个非参数表示的专家信念分布的值的模型参数，而不要求断言的任何意见的参数值本身。我们的框架还集成了使用主动学习来有效地查询专家，并有可能提供有用的错误诊断。我们验证这两种方法的自动专家判断二项分布，并在美国和挪威的政党的选民分布判断人类专家。这两种方法都提供了人类专家信念的灵活和有意义的表示，正确地识别了挪威政党之间选民的高度分散。
2020-03-09 stat.AP stat.CO stat.ME
Informative extended Mallows priors in the Bayesian Mallows model
这项工作的目的是研究马洛斯模型与斯皮尔曼的距离，一个流行的基于距离的排名或排列数据模型的先验启发的问题。以往的贝叶斯推断，这种模型已被限制到使用的统一先验空间的排列。我们提出了一种新的策略，以引起主观先验信念的位置参数的模型，讨论超参数的解释和先验选择的后验分析的含义。
2019-01-30 stat.ME
Constructive Preference Elicitation by Setwise Max-margin Learning
University of Trento（特伦托大学）；Sorbonne Universités（索邦大学）；UPMC Univ Paris 06（巴黎第六大学（皮埃尔和玛丽·居里大学））；CNRS（法国国家科学研究中心）
在本文中，我们提出了一种方法，以优惠的启发，是适合于大的配置空间超出了现有的国家的最先进的方法。我们的setwise最大保证金方法可以被视为一个泛化的最大保证金学习集，并可以产生一组“不同”的项目，可用于向用户询问信息查询。此外，该方法可以鼓励参数空间中的稀疏性，以有利于对集中在少数特征上的权重组合的效用评估。我们提出了一个混合整数线性规划公式，并展示了我们的方法与贝叶斯偏好诱导方法相比，可以轻松地扩展到现实的数据集。
2016-04-20 cs.AI cs.LG stat.ML
Bayesian inference on the exponentiated Kumaraswamy distribution with applications
School of Mathematical and Physical Sciences The University of Sheffield, UK（谢菲尔德大学数学与物理科学学院）
研究指数化库马尔斯瓦米分布的贝叶斯估计，基于尺度-位置参数化，通过分层弱信息先验设置解决可识别性问题，用HMC实现，为从业者提供工具并在合成与真实数据上说明。
2026-08-25 stat.ME
Moment-based Bayesian Poisson Mixtures for inferring unobserved units
我们利用一个合适的矩为基础的表征混合泊松分布的发展贝叶斯推断为未知大小的有限人口的单位是受到多次发生在枚举抽样阶段。这是一个特别具有挑战性的设置，许多其他的尝试已经作出推断的未知特性的人口。在这里，我们把特别强调的混合分布的特征的默认先验启发的建设。我们评估我们的方法在实际数据应用和模拟研究中的比较性能。
2018-06-18 stat.ME
Penalized complexity priors for degrees of freedom in Bayesian P-splines
贝叶斯P-样条假设一个内在的高斯马尔可夫随机场之前的样条系数，条件是一个精确的超参数$τ$。$τ$的既往诱导是困难的。为了克服这个问题，我们的目标是建立先验模型的可解释的属性，表明平滑函数的复杂性估计。根据这个想法，我们提出了惩罚复杂性（PC）先验的有效自由度的数量。我们提出了这些新的PC先验的建设背后的一般思想，描述他们的属性，并显示如何实现它们在P-样条高斯数据。
2016-04-27 stat.ME
Methods and Tools for Bayesian Variable Selection and Model Averaging in Univariate Linear Regression
在本文中，我们简要回顾了回归模型中变量选择的背景下，贝叶斯方法的模型选择和模型平均的应用有关的主要方法学方面。这包括先前的启发，总结的后验分布和计算策略。然后，我们检查和比较各种公开的{ \tt R}-软件包的实际实现，总结和解释软件包之间的差异，并为应用用户提供建议。我们发现，所有的软件包审查导致非常相似的结果，但有潜在的重要差异的灵活性和效率的包。
2016-12-07 stat.CO
Human-in-the-loop Active Covariance Learning for Improving Prediction in Small Data Sets
Department of Computer Science, Aalto University（阿尔托大学计算机科学系）；Helsinki Institute for Information Technology (HIIT)（赫尔辛基信息技术研究所(HIIT)）
从高维数据中学习预测模型是高维统计学中的一个关键问题。专家知识启发可以提供帮助，一个强大的工作线集中在直接引出参数的信息先验分布。这要么需要大量统计专门知识，要么很费力，因为重点是准确性，而不是过程的效率。另一种工作是一次查询一个特征的重要性，假设它们是独立的，因此缺少协方差信息。相比之下，我们建议引发专家知识的成对特征相似性，借用统计强度的预测，并使用顺序决策技术，以尽量减少专家的努力。实证结果表明，在高维线性回归任务中，基于顺序启发，我们用高斯过程学习协方差结构，从而提高了模拟和真实数据的预测性能。
2019-03-18 cs.HC cs.LG stat.ML
Incentives for Federated Learning: a Hypothesis Elicitation Approach
UC Santa Cruz（加州大学圣克鲁兹分校）
联邦学习为从分布式数据源收集机器学习模型而不损害用户的数据隐私提供了一个有前途的范例。一个可信的联邦学习系统的成功建立在这样一个假设的基础上，即分散的和自私的用户将愿意以一种值得信赖的方式参与贡献他们的本地模型。然而，如果没有适当的激励措施，用户可能会简单地选择退出贡献周期，或者会被错误地激励来贡献垃圾信息/虚假信息。本文介绍了激励本地用户端机器学习模型真实报告的解决方案，用于联邦学习。我们的研究结果建立在文献的信息引出，但重点是引出假设（而不是引出人类的预测）的问题。我们提供了一个评分规则为基础的框架，激励真实报告的地方假设在贝叶斯纳什均衡。我们也研究了我们提出的解决方案的市场实施，准确性和鲁棒性。我们使用MNIST和CIFAR-10数据集验证了我们的方法的有效性。特别是，我们表明，通过报告低质量的假设，用户将获得递减的分数（奖励或付款）。
2020-07-21 cs.GT cs.LG stat.ML
Infrastructure Recovery Curve Estimation Using Gaussian Process Regression on Expert Elicited Data
基础设施恢复时间估计对于灾难管理和规划至关重要。受最近的弹性规划计划的启发，我们考虑了一种情况，即要求专家估计不同基础设施系统在场景危害事件后恢复到某些功能级别的时间。我们提出了一个方法框架，使用专家引发的数据来估计一个特定的基础设施系统的预期恢复时间曲线。该框架使用高斯过程回归（GPR）来捕获专家估计的不确定性，并满足已知的恢复过程的物理约束。该框架的目的是找到一个平衡的数据收集成本的专家启发和GPR的预测精度。我们评估的框架，现实模拟专家引发的数据有关的两个案例研究事件，1995年坂神淡路大地震和2011年东日本大地震。
2020-08-24 stat.ME
Default Bayesian Analysis for the Multivariate Ewens Distribution
本文导出了多元Ewens分布参数的Jeffreys先验，并研究了它的一些性质。特别是，我们表明，这是正确的，并没有有限的时刻。我们还研究了这种默认先验对物种数量的先验分布和发现新物种的先验概率的影响，这通常是在主观先验启发。Jeffreys先验后验推理的效果说明使用的情况下产生的物种抽样模型和Dirichlet过程混合模型的推断的例子。
2012-09-08 math.ST stat.ME stat.TH
Bayesian Modal Regression based on Mixture Distributions
本文提出基于单峰混合分布的贝叶斯众数回归统一框架，推导后验正常性条件，并通过模拟和实际数据证明其对离群点稳健、能发现均值或中位数回归遗漏的协变量效应并构建更紧的预测区间。
2024-06-28 stat.AP stat.ME
Bayesian Wavelet Shrinkage with Beta Priors
在小波收缩和阈值，大多数的标准技术不考虑的信息，小波系数可能是有界的，虽然有界的能量在信号中的信息可以很容易地获得。为了解决这个问题，我们提出了一个贝叶斯方法收缩有界小波系数的背景下，非参数回归。我们提出了一个零污染的β分布的支持对称周围为零的先验分布的位置参数在小波域中的模型加性高斯误差的使用。该模型的超参数与收缩水平密切相关，这有利于它们的提取和解释。对于低信噪比的信号，与标准技术相比，相关的贝叶斯收缩规则在仿真研究中提供了显着的性能改善。
2020-11-11 stat.ME
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
Incorporating genuine prior information about between-study heterogeneity in random effects pairwise and network meta-analyses
背景资料：采用固定效应和随机效应模型的配对和网络荟萃分析通常用于综合随机对照试验的证据。这些模型在假设和对结果的解释方面有所不同。模型的选择取决于分析的目的和对纳入研究的了解。固定效应模型经常被使用，因为只有很少的研究可以单独从数据中估计研究间的标准差。目的：我们的目的是提出一个框架，以引出一个信息丰富的先验分布的研究间的标准差在贝叶斯随机效应荟萃分析模型，真正代表异质性时，数据稀疏。研究方法：我们开发了一种启发式方法，使用外部信息，如经验证据和专家的信念的“范围”的处理效应，以推断研究间的标准差的先验分布。我们还开发了在R中实现的方法。结果如下：三阶段启发式方法允许不确定性由真实的先验分布表示，以避免做出误导性的推断。它对专家可以提供的判断是灵活的，并且适用于所有类型的结果测量，对于这些结果测量，处理效应可以在累加标度上构建。结论：使用固定效应或随机效应荟萃分析模型的选择取决于所需的推论，而不是可用研究的数量。我们的启发式框架捕捉异质性的外部证据，并克服了往往难以置信的假设，研究估计相同的处理效应，从而提高决策中的推断质量。
2017-08-03 stat.ME
Bayesian Inference for the Multivariate Extended-Skew Normal Distribution
多元扩展的偏态正态分布允许容纳偏态和重尾的原始数据，并且具有至少三个吸引人的统计特性，即条件下的闭合、仿射变换和边缘化。在本文中，我们提出了一个贝叶斯计算方法的基础上的序贯蒙特卡罗（SMC）抽样估计这样的分布。讨论了该算法的每一步的实际实现，先验分布的推导考虑了似然函数和相应的费舍尔信息矩阵的一些不寻常的行为。使用蒙特卡罗模拟，我们提供了强有力的证据，SMC采样器的性能以及一些新的见解有关的参数化的扩展的偏态正态分布。推广到扩展的偏正态样本选择模型。最后，我们对两个真实数据集进行了分析。
2015-06-18 stat.ME
A Bayesian - Deep Learning model for estimating Covid-19 evolution in Spain
这项工作提出了一种半参数方法来估计Covid-19（SARS-CoV-2）在西班牙的演变。考虑到所有西班牙地区14天累积发病率的序列，它将现代深度学习（DL）技术与通常的贝叶斯泊松-伽马模型相结合，用于分析序列。DL模型提供了一个合适的描述所观察到的序列，但没有可靠的不确定性量化周围可以得到。为了克服这一点，我们使用从DL的预测作为专家引出的预期数量的计数以及它们的不确定性，从而获得后验预测分布的计数在正统的贝叶斯分析使用众所周知的泊松-伽马模型。整体产生的模型使我们能够预测所有区域序列的未来演变，以及估计最终情景的后果。
2021-03-06 stat.AP stat.ML
Bayesian Hypothesis Assessment in Two-arm Trials Using Relative Belief Ratios
本文发展了一种贝叶斯方法，用于评估两组试验中的等效性和非劣效性假设，使用相对置信比。相对置信比是统计证据的度量，可以表示支持或反对假设的证据。除了相对置信比之外，我们还计算了该证据的强度的度量，作为相对置信比的校准。此外，我们使用相对置信比作为证据的度量，以评估给定的先验是否会导致支持或反对假设的偏差。先验启发，模型检查和检查先验数据冲突程序的开发，以确保模型和先验的选择是相关的具体应用。我们强调的方法的适用性，并说明所提出的方法，将其应用到从两个手臂的临床试验获得的数据集。
2014-01-17 stat.AP
Spying on the prior of the number of data clusters and the partition distribution in Bayesian cluster analysis
聚类分析的目的是将数据划分成组或簇。在实际应用中，常常需要处理聚类数目未知的问题。在这样的应用中采用的贝叶斯混合模型通常指定一个灵活的先验，考虑到相对于集群的数量的不确定性。然而，涉及使用这些模型的一个主要的经验挑战是在分区的诱导前的表征。这项工作介绍了一种方法来计算描述性统计的先验的分区为三个选定的贝叶斯混合模型开发的贝叶斯有限混合物和贝叶斯nonparametrics领域。所提出的方法涉及计算有效的枚举的前样本中的集群（称为“数据集群”）的数量，并确定前两个对称的加性统计特征的分区的时刻。随附的参考实现在R包'fipp'中提供。最后，我们说明了所提出的方法，通过比较，并讨论了在应用程序中的先前启发的影响。
2022-01-26 stat.ME
A Bayesian Approach to Clustering via the Proper Bayesian Bootstrap: the Bayesian Bagged Clustering (BBC) algorithm
University of Pavia（帕维亚大学）
本文提出贝叶斯袋装聚类（BBC）算法，结合k-means先验引出与恰当贝叶斯自助法重采样的集成聚类思路，提升聚类的鲁棒性与可解释性，还可通过香农熵不确定性度量确定最优聚类数，模拟实验验证了其方法与实证优势。
2024-09-13 cs.LG stat.ML
Large Language Model-Derived Priors Can Improve Bayesian Survival Analyses: A Glioblastoma Application
本文提出利用生成式 AI 快速生成贝叶斯生存模型中比较胶质母细胞瘤疗法的风险比先验分布，经放射肿瘤学家评估与敏感性分析，证实 AI 先验是替代专家意见获取的优选方法。
2025-11-03 stat.AP
Duality between Approximate Bayesian Methods and Prior Robustness
在本文中，我们表明，有一个近似贝叶斯方法和先验鲁棒性之间的联系。我们表明，通常被认为是近似的可能性，无论是由于模拟数据的近似贝叶斯计算（ABC）方法或由于功能近似的可能性，而不是也可以被视为一个隐含的演习之前的鲁棒性。我们首先定义两个新的类的先验的情况下，有足够的统计数据，建立其数学性质和显示，一个简单的说明性的例子，这些类的先验也可以用来获得后验分布，将通过实施ABC。然后，我们概括和定义两个进一步类的先验，适用于非常一般的情况下，一个充分统计量是不可用的，另一个地方的可能性近似使用函数逼近。然后，我们讨论的解释和启发方面提出的类，以及它们的潜在应用和可能的计算效益。这些类建立了近似贝叶斯推断和先验鲁棒性之间的对偶性，用于广泛的贝叶斯推断方法。
2020-04-02 stat.ME
The underreported death toll of wars: a probabilistic reassessment from a structured expert elicitation
针对UCDP冲突死亡数据可能因报告偏差被低估的问题，结合结构化专家启发与统计建模提出更稳健的不确定性衡量方法，配套数据集和R包，助力偏差认知与冲突预测精度提升。
2024-09-13 stat.AP stat.ME
Adaptive Bayesian Online Learning via Expert Aggregation
Inha University（仁荷大学）
研究如何改进贝叶斯在线学习，将其更新规则视为专家，按顺序预测损失聚合专家。通过在线共形推理和高斯过程回归实例化框架，得到平滑贝叶斯对应物及神谕不等式，实验显示聚合能跟踪强大专家且无需神谕专家选择。
2026-07-23 cs.LG stat.ML
Comparing Methods of Expert Elicitation for Treatment Effect or Borrowing Parameters in Standard and Rare Disease Clinical Trials: A Systematic Mapping Study
本研究通过系统性映射综述，比较了标准与罕见病临床试验中处理效应或借用参数的专家启发与聚合方法，识别出6种启发和10种聚合方法，并指出缺乏正式框架的方法论空白。
2025-08-08 stat.AP
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
Had enough of experts? Quantitative knowledge retrieval from large language models
DFKI GmbH（德国人工智能研究中心）；Osaka Metropolitan University（大阪公立大学）；Amazon Web Services（亚马逊网络服务）；University of Kaiserslautern–Landau（凯泽斯劳滕-兰道大学）
该研究探究大语言模型用于定量知识检索的可行性，提出借助其提取类专家先验知识、填补缺失数据以优化贝叶斯工作流的框架，经多数据集测试可提升预测准确率、降低数据需求，还讨论了将大语言模型视为专家的影响与挑战。
2025-02-06 cs.CL cs.IR stat.AP
A Generative Bayesian Model for Aggregating Experts' Probabilities
Stanford University（斯坦福大学）
为了改进预测，决策者通常将各种来源给出的概率结合起来，例如人类专家和机器学习分类器。当几乎没有训练数据可用时，可以通过合并关于被预测的事件和关于专家的显著属性的先验知识来改进聚合。为此，我们开发了一个生成贝叶斯聚集模型的概率分类。该模型包括一个事件特定的先验，个别专家的偏见，校准，准确性的措施，和专家之间的依赖性的措施。而不是需要绝对的措施，我们表明，聚合可以表示在专家之间的相对准确性。该模型的结果在一个加权对数意见池（LogOps），满足一致性标准，如外部贝叶斯属性。我们推导出独立的和可交换的专家的解析解。实证检验表明，该模型的使用，比较其准确性与其他聚合方法。
2012-07-11 cs.LG stat.ML
Bayesian estimation of optical constants using mixtures of Gaussian process experts
Aalto University（阿尔托大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；LUT University（拉彭兰塔-拉赫蒂理工大学）
本文提出利用高斯过程专家混合建模吸收光谱测量，通过灵活的统计模型实现插值与外推，并结合Kramers-Kronig关系估计复折射率。同时统计建模锚点以考虑测量误差，自动选择外推测量点。
2026-03-27 physics.data-an stat.AP
Integrating Bayesian Spectral Deconvolution and Expert Scientific Reasoning for Robust Peak Estimation
Hitotsubashi University（一桥大学）；The University of Tokyo（东京大学）；University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
本文提出一种结合频谱反卷积与专家科学推理的贝叶斯框架，用于在存在高强度噪声或未知背景时稳健地估计峰结构，通过将物理性质回归层与贝叶斯频谱反卷积结合，提升峰识别的准确性。
2026-05-17 physics.data-an stat.AP stat.ML
On Bayesian Softmax-Gated Mixture-of-Experts Models
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文研究了贝叶斯专家混合模型的softmax门控机制，分析了后验分布的渐近行为，推导了密度估计、参数估计和模型选择的收敛性保证，并提出了专家数量选择策略。
2026-04-22 cs.LG stat.ML
On Bayesian Exponentially Embedded Family for Model Order Selection
The University of Rhode Island（罗德岛大学）
本文利用指数嵌入族方法推导了贝叶斯模型的序选择规则，称为贝叶斯EEF。与许多其他贝叶斯模型选择方法不同，贝叶斯EEF可以使用模糊的正确先验和不正确的无信息先验来客观地提取参数先验。此外，该规则的惩罚项是参数维数的一半和参数与观测数据之间的估计互信息之和。这有助于揭示EEF在模型阶数选择中的作用机制，并从信息论的角度对模型阶数选择的最优惩罚项选择和先验选择等问题提供新的见解.最后给出了线性模型选阶的重要实例，说明了算法和参数的选取。最后，使用Jeffreys先验的贝叶斯EEF与频率主义策略导出的EEF规则一致。这显示了频率论和贝叶斯哲学在模型选择中的另一个有趣的关系。
2018-12-21 cs.LG stat.ML
Semi-parametric Expert Bayesian Network Learning with Gaussian Processes and Horseshoe Priors
National University of Singapore（新加坡国立大学）；Harvard University（哈佛大学）
该研究提出带线性约束的半参数专家贝叶斯网络学习模型，结合高斯过程与差异化尺度马蹄先验引入少量非线性，可生成多样适配用户输入的图，在合成及UCI肝病数据集上性能优于现有半参数贝叶斯网络模型。
2024-01-29 cs.LG stat.ML
Bayesian multitask inverse reinforcement learning
EPFL（洛桑联邦理工学院）；Frankfurt Institute for Advanced Studies（法兰克福高等研究院）
我们从多个演示中将逆强化学习的问题推广到多个任务。每一个都可以代表一个试图解决不同任务的专家，或者是试图解决相同任务的不同专家。我们的主要贡献是通过一些结构化的先验知识，将问题正式化为统计偏好诱导，其形式捕捉了我们对不同任务或专家政策相关性的偏见。在这样做时，我们引入了一个先验的政策最优性，这是更自然的指定。我们表明，我们的框架使我们不仅能够有效地从多个专家那里学习，而且还可以有效地区分每个专家的目标。可能的应用包括分析行为实验中受试者的内在动机和从多个教师那里学习。
2011-11-17 cs.AI stat.ML
ExpertBayes: Automatically refining manually built Bayesian networks
CRACS INESC TEC LA；University of Porto（波尔图大学）；University of Wisconsin, Madison（威斯康星大学麦迪逊分校）
贝叶斯网络结构通常仅使用数据并从空网络或朴素贝叶斯结构开始构建。很多时候，在某些领域，如医学，先验结构知识是已知的。该结构可以自动或手动细化，以寻找更好的性能模型。在这项工作中，我们采用专家构建的贝叶斯网络，并表明对原始网络的微小扰动可以以非常小的计算成本产生更好的分类器，同时保持原始模型的大部分预期含义。
2014-06-10 cs.AI cs.LG stat.ML
