Sensitivity Analysis in Bayesian Networks: From Single to Multiple Parameters
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
以前的工作在贝叶斯网络的敏感性分析集中在单个参数，其目标是了解查询的敏感性，以单个参数的变化，并确定单个参数的变化，将强制执行一定的查询约束。在本文中，我们将工作扩展到多个参数，这可能是在一个单一的变量的CPT，或多个变量的CPT。我们不仅确定了多个参数的变化，将需要执行查询约束的解决方案空间，但我们也展示了如何找到最佳的解决方案，也就是说，一个干扰当前的概率分布最少（相对于一个特定的干扰措施）。我们的计算复杂性的特点，我们的新技术，并讨论其应用程序的开发和调试贝叶斯网络，和推理的新信息的价值（可靠性）的问题。
2012-07-11 cs.AI
Bayesian estimation of probabilistic sensitivity measures
本文提出基于单样本设计的全贝叶斯方法估计概率敏感性度量，利用分段常数先验和贝叶斯非参数密度估计量化不确定性，无需额外模拟器评估，并在合成与实际应用中验证其优于传统点估计量。
2019-08-08 stat.ME
Global Sensitivity Analysis of Uncertain Parameters in Bayesian Networks
School of Science and Technology, IE University（科学技术学院，IE大学）
本文提出用基于方差的全局敏感性分析替代传统OAT方法，通过将参数不确定性编码为附加变量并结合低秩张量分解与Sobol方法，更准确地揭示贝叶斯网络中不确定参数及其交互作用的影响。
2024-06-09 cs.AI
Sensitivity Analysis for Probability Assessments in Bayesian Networks
George Mason University（乔治梅森大学）
当从专家那里得到概率模型时，知识工程师可以将模型的结果与专家对测试场景的判断进行比较，然后调整模型参数，使模型的行为更符合专家的直觉。本文提出了一种灵敏度值的分析计算方法，以衡量网络参数的微小变化对目标概率值或分布的影响。这些价值观可以用来指导知识获取。它们也可以用在梯度下降算法中，以估计最大化局部和整体概率评估的拟合优度度量的参数值。
2013-03-06 cs.AI
A computationally-tractable measure of global sensitivity for sampling-based Bayesian inference
University College London（伦敦大学学院）
提出基于Fisher散度的全局敏感性分析方法，仅需参考后验样本和得分函数评估，计算可行且适用于高维问题。
2026-10-07 stat.CO stat.ME
Sensitivity and Early Detection of Bayesian Causal Impact Models for Marketing Interventions
Despegar
研究营销干预中贝叶斯因果影响模型的敏感性与早期检测，提出基于模拟框架，利用弃购营销旅程数据评估不同条件下警报激活概率及两种警报标准，揭示检测性能受多种因素影响，为动态营销监测决策提供实用方法。
2026-07-08 stat.ME
Bayesian measures of leverage and influence
University of Warwick（华威大学）
该研究从局部敏感性框架推导贝叶斯杠杆与影响诊断，关联预测信息准则，提出异常值检测等新诊断，为模型改进及先验-数据冲突分析提供方法。
2026-08-20 stat.ME
A Bayesian approach to sharing information on sensitivity of a Multi-Cancer Early Detection test across and within tumour types and stages
针对多癌种早期检测测试敏感性在不同癌症类型和分期间的异质性问题，提出基于贝叶斯层次模型的信息共享框架，发现特定共享假设能提升早期癌症敏感性估计精度。
2025-04-30 stat.ME
Sensitivity-Aware Amortized Bayesian Inference
Heidelberg University（海德堡大学）；University of Stuttgart（斯图加特大学）；TU Dortmund University（多特蒙德工业大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
提出敏感性感知的摊销贝叶斯推断（SA-ABI）方法，通过权重共享、快速推断和深度集成高效整合敏感性分析，避免重复拟合，为复杂建模提供隐藏维度的洞察。
2024-08-28 cs.LG stat.ME stat.ML
Efficient prior sensitivity analysis for Bayesian model comparison
University College London (UCL)（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出了一种基于学习谐波均值估计器的高效方法，用于贝叶斯模型比较中的先验敏感性分析，显著降低了计算成本。
2026-01-21 astro-ph.CO astro-ph.IM stat.ME
Hyper-differential sensitivity analysis in the context of Bayesian inference applied to ice-sheet problems
偏微分方程（PDE）约束的反问题在模型开发和校正中起着至关重要的作用。在许多应用中，模型中存在多个不确定参数，需要对其进行估计。虽然贝叶斯公式是有吸引力的，这样的问题，计算成本和高维经常禁止彻底探索的参数不确定性。一种常见的方法是通过将一些参数（我们称之为辅助参数）固定为最佳估计来降低维数，并使用PDE约束优化的技术来近似贝叶斯后验分布的属性。例如，可以计算最大后验概率（MAP）和后验协方差的拉普拉斯近似。在这篇文章中，我们建议使用超微分敏感性分析（HDSA）来评估MAP点对辅助参数变化的敏感性。我们将HDSA解释为后验分布中的相关性。我们提出的框架证明了对格陵兰冰盖基岩地形的反演与基础摩擦系数和气候强迫（冰积累率）引起的不确定性。
2022-12-23 math.OC stat.ME
{poscosea} : A Computationally Efficient Sensitivity Analysis for Bayesian Models using the posterior covariance representation
Okayama University（冈山大学）；The Institute of Statistical Mathematics（统计数学研究所）
本文针对贝叶斯模型敏感性分析的高计算成本问题，提出无需重复重拟合模型的PosCoSeA方法，经模拟与真实生态数据验证，还配套提供R包方便应用。
2026-08-27 stat.AP stat.ME
Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics
基于狄利克雷过程和其他棒打破先验的贝叶斯模型已被提出作为聚类，主题建模和其他无监督学习任务的核心成分。然而，对于这些模型来说，事先说明相对困难，因为它们的灵活性意味着事先选择的后果往往相对不透明。此外，这些选择可能对后验推理产生重大影响。因此，鲁棒性的考虑需要与非参数建模齐头并进。在本文中，我们利用变分贝叶斯方法，除了在拟合复杂的非参数模型的计算优势，还产生灵敏度方面的贝叶斯模型的参数和非参数方面的事实来应对这一挑战。特别是，我们演示了如何评估的灵敏度的结论选择的浓度参数和棒断裂分布的Dirichlet过程的混合物和相关的混合物模型下的推断。我们提供了理论和经验支持，我们的变分方法贝叶斯敏感性分析。
2021-10-25 stat.CO stat.ME stat.ML
Posterior and Likelihood Sensitivity in Bayesian Distributionally Robust Optimization
Chuo University（中央大学）；Sauder School of Business, University of British Columbia（不列颠哥伦比亚大学 Sauder 商学院）；National University of Singapore（新加坡国立大学）
本文提出最坏情况后验和似然敏感性的概念，用于量化贝叶斯模型对后验和似然扰动的鲁棒性，并证明分布鲁棒优化可实现性能与鲁棒性的近似帕累托最优权衡。
2026-05-29 cs.SY econ.EM eess.SY
A Practical Framework for Sensitivity Analysis in Externally Controlled Trials: An Illustration with a Bayesian Hybrid Evidence Synthesis Case Study
AbbVie（艾伯维）
针对外部对照试验中借用假设的敏感性分析缺乏结构化模板的问题，提出一个三支柱框架，包含八种模块化分析，并通过模拟数据示例展示其应用。
2026-06-29 stat.AP stat.ME
The diameter of a stochastic matrix: A new measure for sensitivity analysis in Bayesian networks
School of Science and Technology, IE University（IE大学科学技术学院）；University of Warwick（华威大学）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出用全变差距离和新的“直径”度量刻画贝叶斯网络中条件概率表的依赖强度，为模型误设提供更简单、可证明且透明的稳健性界，并将其融入贝叶斯网络构建。
2024-07-05 cs.LG stat.ME
Sensitivity Analysis for Predictive Uncertainty in Bayesian Neural Networks
我们推导出一种新的敏感性分析的输入变量预测认知和任意的不确定性。我们使用贝叶斯神经网络作为一个模型类的潜在变量，并说明我们的敏感性分析对现实世界的数据集的有用性。我们的方法增加了复杂的黑盒概率模型的可解释性。
2017-12-10 stat.ML
An MCMC Approach to Empirical Bayes Inference and Bayesian Sensitivity Analysis via Empirical Processes
考虑一个贝叶斯情形，我们观察$Y \sim p_θ$，其中$θ\in Θ$，我们有一个关于$Θ$的潜在先验分布族$\{ ν_h, \, h \in \mathcal{H} \}$。令$g$是$θ$的实值函数，并且令$I_g(h)$是当先验是$ν_h$时$g(θ)$的后验期望。我们感兴趣的两个问题：（i）选择一个特定的$h$值，（ii）估计家庭的后验期望$\{ I_g(h), \, h \in \mathcal{H} \}$。令$m_y(h)$为超参数$h$：$m_y(h) = \int p_θ(y) \, ν_h(dθ)$的边际似然。根据定义，$h$的经验贝叶斯估计是使$m_y(h)$最大化的$h$的值。事实证明，通常可以使用马尔可夫链蒙特卡罗来形成连续体中每个个体$h$的$m_y(h)$和$I_g(h)$的点估计，以及$m_y(h)$和$I_g(h)$的有效逐点置信区间。然而，我们感兴趣的是形成估计，置信声明，整个家庭的积分$\{ m_y(h), \, h \in \mathcal{H} \}$和$\{ I_g(h), \, h \in \mathcal{H} \}$：我们需要估计的第一个家庭，以便进行经验贝叶斯推断，我们需要估计的第二个家庭，以便做贝叶斯敏感性分析。我们建立强一致性和功能的中心极限定理，这些家庭的估计，使用的工具，从经验过程理论。我们给出了两个应用程序，一个潜在…
2018-07-05 stat.ME
Bayesian Nonparametric Sensitivity Analysis of Multiple Test Procedures Under Dependence
本文提出基于Dirichlet过程先验的多重检验程序敏感性分析方法，在任意相依性下控制FWER或FDR，提供不确定性量化并减少保守性，应用于COVID-19期间学校关闭对学生影响的大规模数据分析。
2025-09-18 stat.ME
Tail Sensitivity Analysis in Bayesian Networks
University of Cantabria（坎塔布里亚大学）
本文提出了一种模拟目标变量Z=h（X）的尾部的有效方法，它依赖于一组基本变量X=（X_1，.，. X_n）。为此，变量X_i，i=1，.，n以Z=h（x_1，...，x_i-1，X_i，.，X_n）保证在Z的尾部。当这种方法难以应用时，提出了一种替代方法，与蒙特卡罗方法相比，该方法导致样本值的拒绝比例较低。这两种方法被证明是非常有用的贝叶斯网络进行敏感性分析时，需要非常大的置信区间的边际/条件概率，如在可靠性或风险分析。当所有分数一致时，这些方法表现最好。所需的修改进行了讨论。文中给出了几个算例，并以一个实际案例说明了整个过程。
2013-02-13 cs.AI stat.AP
Sensitivity Analysis on Interaction Effects of Policy-Augmented Bayesian Networks
本文针对策略增强贝叶斯网络提出基于 ShapleyOwen 指数的交互效应度量方法，并开发序贯抽样非嵌套模拟算法以在固定预算下提升估计精度和计算效率。
2024-11-23 stat.CO 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
Regularizing Bayesian Predictive Regressions
我们表明，正则化贝叶斯预测回归提供了一个框架，事先敏感性分析。我们开发了一个程序，联合正则化的期望和方差-协方差阵使用一对收缩先验。我们的方法直接适用于向量自回归（VAR）和看似无关回归（SUR）。正则化路径提供先验灵敏度诊断。通过利用正则化惩罚和预测先验分布之间的二元性，我们重新解释了宏观金融研究的两个经典贝叶斯分析：股票溢价可预测性和预测宏观经济增长率。我们发现，存在合理的先验规范的可预测性超过标准普尔500指数收益率使用账面市值比，CAY（消费，财富，收入比），和国库券利率。我们使用市场时机策略评估预测，我们表明最佳正则化的解决方案优于买入并持有的方法。第二个实证应用涉及预测工业生产，通货膨胀和消费增长率，并证明了我们的方法的可行性。
2017-09-13 stat.ME
A Bayesian Parametric Approach to Handle Missing Longitudinal Outcome Data in Trial-Based Health Economic Evaluations
基于试验的经济学评价通常是对横截面变量进行的，这些变量仅来自研究中完成者的响应，使用的方法忽略了效用和成本数据的复杂性（例如偏度和峰值）。我们提出了一种替代和更有效的贝叶斯参数方法来处理经济评估中缺失的纵向结果，同时考虑到数据的复杂性。我们指定一个灵活的参数模型的观测数据和部分识别的部分识别限制和敏感性参数的缺失数据的分布。我们通过不同的灵敏度参数的先验知识，在观测数据上进行校准，探索替代的不可替代的场景。我们的方法是由一项试验的数据驱动的，并应用于该试验，该试验评估了一种新的治疗智力残疾和挑战性行为的成本效益。
2018-05-18 stat.ME
Local and global robustness in conjugate Bayesian analysis
研究了共轭先验扰动对贝叶斯推断的影响。一个扰动前定义在一个更大的家庭，局部混合模型，后验推理的效果进行了研究。该扰动在某种意义上推广了\cite{Gustafson1996}中研究的线性扰动。它是直观的，自然规范化，是灵活的统计应用。考虑了全局和局部敏感性分析。采用几何方法优化灵敏度方向函数、后验均值差和后验预测模型间的发散函数。所有的灵敏度测度函数都定义在一个具有非平凡边界的凸空间上，该凸空间是一个光滑流形。
2015-08-31 stat.AP stat.CO stat.ME
Species Sensitivity Distribution revisited: a Bayesian nonparametric approach
Bocconi Institute for Data Science & Analytics, Bocconi University（博科尼数据科学与分析学院，博科尼大学）；Univ. Grenoble Alpes, CNRS, Inria, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学，法国国家科学研究中心，法国国家信息与自动化研究所，格勒诺布尔理工学院）；Université Paris-Saclay, INRAE, MaIAGE（巴黎萨克雷大学，法国国家农业食品与环境研究院）
本文提出了一种基于贝叶斯非参数方法的物种敏感分布改进方法，以提高生态风险评估的准确性与鲁棒性。
2026-02-04 stat.AP stat.ME
A Bayesian Joint Modelling for Misclassified Interval-censoring and Competing Risks
针对前列腺癌主动监测中进展检测的误分类与竞争风险问题，开发了MCICJM贝叶斯联合模型，通过灵敏度参数处理误分类，并揭示其在参数估计与基线风险中的权衡影响。
2025-07-16 stat.AP stat.ME
Detecting and diagnosing prior and likelihood sensitivity with power-scaling
本文提出了一种基于重要性采样的幂缩放敏感性分析方法，用于高效估计先验或似然扰动对后验的影响，并提供诊断先验-数据冲突或似然无信息性的工具，已实现于R包priorsense。
2023-05-26 stat.ME
Sensitivity analysis, multilinearity and beyond
Universidade Federal do Rio de Janeiro（里约热内卢联邦大学）；The University of Warwick（华威大学）
离散贝叶斯网络输出分析的灵敏度方法已经被广泛研究并在不同的软件包中实现。这些方法通常侧重于研究灵敏度函数和参数变化对Chan-Darwiche距离的影响。虽然没有完全认识到，这些结果中的大多数严重依赖于原子概率的多线性结构的条件概率参数与这种类型的网络。通过定义一个统计模型，通过其相关的定义条件概率的多项式表达式，我们开发了一个统一的方法，适用于一个大的模型套件，包括贝叶斯网络的扩展，例如上下文特定的和动态的，和链事件图的灵敏度方法。然后专注于模型，其定义多项式是多线性的，我们的代数方法使我们能够证明，陈-Darwiche距离最小化的某一类多参数的同期变化时，参数按比例协变。
2016-07-04 cs.AI
Bayesian Restricted Likelihood Methods: Conditioning on Insufficient Statistics in Bayesian Regression
贝叶斯方法已被证明在广泛的科学问题上是成功的，并且与竞争方法相比具有许多有据可查的优势。然而，这些方法遇到困难的两个主要和普遍的问题：处理数据集与离群值和处理模型误指定。我们概述了这些问题的以前的解决方案的缺点，并提出了一种新的方法作为替代。当使用新方法时，数据通过一组不充分的统计量进行汇总，目标是感兴趣的推断量，并且先验分布使用汇总统计量而不是完整的数据进行更新。通过仔细选择条件统计量，我们保留了贝叶斯方法的主要优点，同时降低了分析对条件统计量未捕获的数据特征的敏感性。为了降低对离群值的敏感性，经典的鲁棒估计（例如，M-估计）是条件统计的自然选择。这项工作的一个主要贡献是发展的数据增强马尔可夫链蒙特卡罗（MCMC）算法的线性模型和一大类的汇总统计。我们证明了模拟和真实的数据集包含离群值和模型误指定的方法。与竞争方法相比，成功表现在对感兴趣的数据点具有更好的预测性能。
2018-12-19 stat.ME
A Bayesian partial identification approach to inferring the prevalence of accounting misconduct
本文介绍了使用灵活的贝叶斯回归模型估计部分确定的概率函数。我们的方法允许有效的敏感性分析关于先验对回归模型的部分确定的组成部分的后验影响。新的方法说明了一个重要的问题，只有部分观察到的数据是可用的-推断的普遍存在的会计不当行为之间的公开交易的美国企业。
2015-03-06 stat.ME
A Bayesian Framework for Non-Collapsible Models
本文讨论了不可塌缩性的概念，并提出了一种基于Dirichlet过程混合的估计不可塌缩模型中协变量条件效应的新方法。使用合成数据，我们评估我们提出的方法的性能，并检查其在不同的设置下的灵敏度。我们还将我们的方法应用于血液透析患者中通路失败的真实数据。
2018-07-06 stat.ME
Bayes Sensitivity with Fisher-Rao Metric
我们提出了一个几何框架来评估贝叶斯过程的敏感性建模假设的基础上的非参数Fisher-Rao度量。虽然框架是一般的精神，本文的重点是限制在两个设置下的度量为基础的诊断：评估局部和全局的鲁棒性贝叶斯过程的扰动的可能性和先验，并确定有影响力的意见。该方法是基于平方根表示的密度，使之能够计算测地线和测地距离的分析形式，方便自然校准的本地和全球的差异措施的定义。我们的方法的一个重要特点是定义的几何$ε$污染类的抽样分布和先验概率密度函数的空间上通过内在分析。我们展示了我们的框架在几个模拟玩具数据集上的适用性，以及在广义混合效应模型，方向数据和形状数据的真实数据设置中的适用性。
2014-04-25 stat.ME
Measuring the robustness of the journal h-index with respect to publication and citation values: A Bayesian sensitivity analysis
Braun et al.（2006）建议使用h指数作为期刊影响因子（IF）的替代方法来评定期刊。本文利用数学模型对期刊h指数对期刊发表/被引数变化的影响进行了基于贝叶斯的敏感性分析。h指数的敏感性对于引文数量的变化最为明显，几乎所有模型都显示出类似的行为模式，并且独立于研究领域。一般来说，h指数被发现对引用分布的第25个百分位数的引用变化具有鲁棒性，之后会膨胀其值。
2017-08-25 stat.AP
Sensitivity Analysis of Priors in the Bayesian Dirichlet Auto-Regressive Moving Average Model
本文通过模拟与标普500行业权重数据，系统评估了五种先验在B-DARMA模型中的表现，发现收缩先验（尤其horseshoe）能抑制过拟合噪声，但无法修复滞后阶数误设，强调正确滞后选择与收缩强度匹配的重要性。
2025-06-18 stat.AP stat.ME
Estimating Climate Sensitivity Using Bayesian Model Averaging for CMIP Models
Emory University（埃默里大学）；The Ohio State University（俄亥俄州立大学）
该研究采用贝叶斯模型平均法（BMA），基于CMIP6的37个气候模式，结合观测数据估算TCRE，得出的TCRE范围与IPCC AR6重叠但均值更高、标准差更低，2100年变暖预测更明确且不确定性更小，参数不确定性为主要方差来源。
2026-08-05 stat.AP stat.ME
Bayesian sensitivity analysis for a missing data model
本文针对缺失结局完全随机缺失假设，提出非参数贝叶斯敏感性分析方法，结合信息性先验，提供理论保证并模拟验证。
2023-05-11 math.ST stat.TH
Variance-based sensitivity of Bayesian inverse problems to the prior distribution
North Carolina State University（北卡罗来纳州立大学）
本文提出了一种基于高效替代模型和定制重要性采样的方法，用于贝叶斯反问题中先验超参数对后验统计量的全局敏感性分析。
2023-11-02 stat.CO
From data to decisions: Bayesian modelling and global sensitivity analysis for flotation control
University College London（伦敦大学学院）；Universidad Técnica Federico Santa María（弗雷德里科·萨马利亚技术大学）；Imperial College London（帝国理工学院）
本文提出一个数据驱动框架，集成高斯过程回归与基于Sobol指数的全局灵敏度分析及SHAP局部可解释性，用于浮选系统的可解释建模和决策支持，通过实验室数据建立静态GP代理模型，识别影响空气回收率的关键变量及其交互作用。
2026-06-04 cs.SY eess.SY stat.AP
Simulation-Based Calibration Checking for Bayesian Computation: The Choice of Test Quantities Shapes Sensitivity
本文提出一种新的基于模拟的校准检验（SBC）变体，通过引入数据依赖检验量（尤其是数据联合似然）克服传统方法无法检测后验等于先验等问题的局限，并给出理论分析、案例验证及 R 包实现。
2023-10-19 stat.ME
Bayesian Updating and Sequential Testing: Overcoming Inferential Limitations of Screening Tests
贝叶斯定理赋予作为疾病流行率函数的筛查测试的准确性固有的局限性。我们在以前的工作中已经表明，检测系统可以容忍患病率的显著下降，直到某个被称为$prevalence$ $threshold$的明确定义的点，低于该点，阳性筛查试验的可靠性急剧下降。在此，我们建立了一个数学模型，以确定序贯测试是否克服了上述贝叶斯限制，从而提高了筛选测试的可靠性。我们表明，对于接近$k$的$ρ$预期阳性预测值，$n_i$所需的阳性测试迭代次数为：$ n_i =\lim_{ρ\to k}\left\lceil\frac{ln\left[\frac{ρ(ϕ-1)}{ϕ(ρ-1)}\right]}{ln\left[\frac{a}{1-b}\right]}\right\rceil$其中$n_i$ =达到预期阳性预测值$ρ$所需的测试迭代次数，a =灵敏度，b =特异性，$ϕ$ =疾病患病率，$k$ =常数。基于上述推导，我们提供了获得$ρ(ϕ)$为50、75、95和99 $\%$所需的测试迭代次数的参考表，作为各种灵敏度、特异性和疾病患病率水平的函数。
2020-08-29 stat.ME
Parameter Estimation in Computational Biology by Approximate Bayesian Computation coupled with Sensitivity Analysis
我们解决的问题，参数估计模型的系统生物学噪声观测。我们考虑的模型的特点是同时确定性的非线性微分方程，其参数是从体外实验中，或手动调整模型开发过程中，再现观察系统。我们认为家庭的算法下的贝叶斯公式的近似贝叶斯计算（ABC），并表明，敏感性分析可以部署到量化的相对作用，不同的参数在系统中。系统相对不太敏感的参数（称为草率参数）不需要高精度估计，而更关键的参数（刚性参数）的值需要小心确定。计算复杂性和精确度之间的折衷，可以探测后验分布是这类算法的重要特征。
2017-04-28 q-bio.QM stat.ML
Bayesian Group Testing Regression with a Shape-Free Dilution Curve
提出BADGER模型，用无形状稀释曲线和Dirichlet先验建模分组检测灵敏度，通过精确Gibbs采样推断，并用贝叶斯因子衡量稀释证据，模拟和实际数据验证有效。
2026-09-09 stat.CO stat.ME
Robust Bayesian Predictive Model Selection using Bregman Divergence
Harvard University（哈佛大学）；University of Connecticut（康涅狄格大学）
针对基于对数得分的ELPD对异常值和尾部不匹配敏感的问题，提出基于Bregman散度的广义ELPD框架，通过β-散度族控制低密度观测影响，实现稳健模型选择。
2026-06-09 stat.ME
Efficient Prior Sensitivity and Tipping-point Analysis for Medical Research: Revisiting Sampling Importance Resampling
Tokyo University of Science（东京科学大学）；Keio University（庆应义塾大学）
研究医学研究中先验分布敏感性分析计算成本高的问题，采用重要性重采样（SIR）方法，通过两个案例研究表明，SIR能显著减少计算时间，且产生与MCMC重新拟合相似的后验摘要。
2026-07-21 stat.CO stat.ME
A Bayesian prevalence-incidence mixture model for screening outcomes with misclassification
Amsterdam University Medical Center（阿姆斯特丹大学医学中心）
BayesPIM通过整合协变量和贝叶斯方法，有效估计时间依赖性和协变量依赖性的疾病发病率，同时处理潜在患病率和不完美测试灵敏度问题。
2026-01-09 stat.CO stat.ME
Cautious Propagation in Bayesian Networks
Aalborg University（奥尔堡大学）
考虑这样一种情况，其中一些证据e已经被输入到贝叶斯网络中。在执行冲突分析、敏感性分析时，或者在回答诸如“如果X上的结果是y而不是x会怎么样？“你需要概率P（e'|h），其中e'是e的子集，并且h是（可能为空的）变量集合的配置。谨慎传播是将Hugin传播修改为类似Shafer-Shenoy的架构。它比HUGIN传播效率低;然而，它提供了对P（e'）的容易访问。|h）对于大量相关子集e '。
2013-02-20 cs.AI
A Bayesian Reinterpretation of Cornfield-Type Sensitivity Analysis: From Thresholds to Probabilities
GCS-fMRI, Koelliker Hospital and Department of Psychology, University of Turin（都灵大学心理系 GCS-fMRI 科埃利凯尔医院）；FOCUS Laboratory, Department of Psychology, University of Turin（都灵大学心理系 FOCUS 实验室）；Neuroscience Institute of Turin (NIT)（都灵神经科学研究所）
本文提出贝叶斯框架下的Cornfield型敏感性分析，将未测量混杂因素的强度视为随机变量，重新诠释E值为阈值，并计算混杂超过阈值的后验概率，提升稳健性评估的概率性。
2026-03-19 stat.OT
Bayesian EWMA and CUSUM Control Charts Under Different Loss Functions
指数加权移动平均（EWMA）和累积和（Cumulative Sum）控制图已被用于剖面监控，以跟踪在监控过程中发生的漂移。我们使用不同的损失函数、先验分布和似然分布，根据后验和后验预测分布构建贝叶斯EWMA和贝叶斯CUSUM图表。进行模拟研究，并通过平均运行长度（ARL）、运行长度的标准差（SDRL）、平均信号时间（ATS）和信号时间的标准差（SDTS）评价图表的性能。敏感性分析使用平滑参数、失控偏移大小和分布的超参数的选择进行。根据所得结果，我们提供了使用贝叶斯EWMA和贝叶斯EWMA控制图的建议。
2020-07-20 stat.ME
Efficient Bayes Factor Sensitivity Analysis via Posterior Density Ratios
University of Amsterdam（阿姆斯特丹大学）
本文提出一种通过单次模型拟合恢复整个敏感性曲线的方法，利用后验密度比和扩展模型中的Savage-Dickey密度比，提高了计算效率和准确性，适用于多超参数敏感性分析和贝叶斯模型平均。
2026-04-23 stat.CO stat.ME
Bayesian Analysis of AR(1) Model
一阶自回归过程AR（1）在时间序列分析中得到了广泛的应用。为了估计自回归参数，采用了不同的估计方法。这篇文章的重点是主观贝叶斯估计，而不是客观贝叶斯估计和频率程序。截断的正态分布被认为是先验的，以施加平稳性。导出了后验分布和Bayes估计。新推导的估计和其他现有的估计方法（频率论）之间的比较研究采用的模拟和实际数据。此外，后敏感性分析进行基于四种不同的先验：g先验，自然共轭先验，Jeffreys'先验和截断的正常先验和性能进行比较的最高后验密度区域的标准。
2016-11-26 stat.ME
Bayesian Model Calibration and Sensitivity Analysis for Oscillating Biological Experiments
针对振荡生物学实验中两类实验协调的统计难题，提出基于先进MCMC技术的贝叶斯校准框架及干预后验灵敏度分析方法，并通过粗糙脉孢霉昼夜节律振荡验证了有效性。
2024-12-13 stat.AP
A Differential Approach to Inference in Bayesian Networks
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出了一种新的贝叶斯网络推理方法，该方法主要基于偏微分。根据这种方法，将贝叶斯网络编译成多变量多项式，然后计算该多项式关于每个变量的偏导数。我们表明，一旦这样的衍生工具，可以计算在恒定时间的答案，一个大类的概率查询，这是中央的经典推理，参数估计，模型验证和敏感性分析。我们提出了一些复杂性的结果，这些多项式的编译和计算其偏导数。我们认为，结合简单性，全面性和计算复杂性的框架是唯一的现有框架中的推理贝叶斯网络。
2013-01-16 cs.AI
A Bayesian Approach for Nonignorable Dropout in Bivariate Longitudinal Models
Maastricht University（马斯特里赫特大学）；University of Florida（佛罗里达大学）；University College London（伦敦大学学院）
提出贝叶斯非参数方法处理双变量纵向数据中的非随机缺失，通过联合建模各响应的退出过程并利用识别约束处理数据复杂性，应用于成本效果评估。
2026-06-25 stat.ME
