Tractable Fully Bayesian Inference via Convex Optimization and Optimal Transport Theory
我们考虑的问题，从一个连续的源分布的样本转换成另一个目标分布的样本。我们证明了与最优传输理论，当源分布可以很容易地采样和目标分布是对数凹的，这可以用凸优化tractably解决。我们表明，一个特殊的情况下，当源是先验和目标是后验，是贝叶斯推断。在这里，我们可以计算归一化常数并绘制后验i.i.d.。样品值得注意的是，我们的贝叶斯易于处理的标准是简单的对数先验和似然：易于计算的最大后验点估计相同的标准。通过模拟数据，我们展示了如何在模拟中获得贝叶斯风险。通过生理数据，我们证明了在重症监护室结局预测和基于脑电图的睡眠分期中点估计的改进。
2015-09-29 stat.ML
Transportability without Graphs: A Bayesian Approach to Identifying s-Admissible Backdoor Sets
本文提出了一种贝叶斯方法，通过结合观察和实验数据识别s-可接受后门集，以实现跨群体的无偏因果效应估计。
2026-02-02 cs.LG stat.ML
Practical Bayesian Optimization for Transportation Simulators
当目标函数为城市交通系统的复杂随机模拟时，给出了一种求解优化问题的方法。为了达到这个目标，一个贝叶斯优化框架的介绍。我们展示了如何选择的先验和推理算法的影响，我们的优化过程的结果。我们开发降维技术，使我们的优化技术适用于现实生活中的问题。我们开发了一个分布式的，高斯过程贝叶斯回归和主动学习模型，允许并行执行我们的算法，并使高性能计算的使用。我们提出了一个完全贝叶斯的方法，是更有效的样本，减少计算预算。我们的框架是支持理论分析和实证研究。我们展示了我们的框架上的问题，校准的多模式的城市布卢明顿，伊利诺伊州的交通网络。最后，我们讨论了进一步研究的方向。
2019-01-14 stat.CO
Bayesian inference for transportation origin-destination matrices: the Poisson-inverse Gaussian and other Poisson mixtures
在本文中，我们提出了泊松混合方法的起点-目的地（OD）的交通分析建模。我们引入协变量为基础的模型，其中包括不同的运输建模阶段，也允许直接概率推理的基础上贝叶斯预测的链路流量。重点放在泊松逆高斯作为一种替代常用的泊松伽马和泊松对数正态模型。我们提出了第一个完整的贝叶斯公式，并证明了泊松逆高斯是特别适合OD分析，由于理想的边际和层次属性。此外，集成嵌套拉普拉斯近似（INLA）被认为是一种替代马尔可夫链蒙特卡罗和两种方法进行了比较，在特定的建模假设。案例研究是基于2001年比利时人口普查数据，重点是一个大的，稀疏分布的OD矩阵，包含308佛兰芒自治市的行程信息。
2020-11-11 stat.AP stat.ME
Stein transport for Bayesian inference
King’s College London（伦敦国王学院）
该研究提出Stein传输方法，通过时变得分函数和粒子权重推动粒子沿回火分布曲线移动，在有限时间t=1达到后验近似，相比SVGD计算预算更低、后验更准确且缓解方差崩溃。
2024-11-28 cs.LG cs.NA math.NA
Learning non-Gaussian spatial distributions via Bayesian transport maps with parametric shrinkage
本文提出 ShrinkTM 方法，通过将贝叶斯传输映射分量向参数高斯族收缩并结合 Vecchia 近似，提升高维非高斯空间分布学习在少样本下的准确性与可扩展性。
2025-02-01 stat.AP stat.CO stat.ML
Bayesian Lasso Posterior Sampling via Parallelized Measure Transport
众所周知，Lasso可以被解释为具有Laplacian先验的贝叶斯后验模式估计。从完整的后验分布（Bayesian Lasso）中获取样本，与仅使用Lasso点估计相比，在性能方面具有重大优势。传统上，贝叶斯套索是通过吉布斯抽样方法，缺乏可扩展性，未知的收敛速度，并产生的样本，必然是相关的。我们提供了一个测量运输的方法来生成i.i.d样本的后，通过构建一个运输映射，将一个样本从拉普拉斯先验到一个样本的后。我们展示了如何建设这个运输地图可以并行成模块，迭代解决拉索问题，并执行封闭形式的线性代数更新。利用这种后验抽样方法，我们通过期望最大化算法对Lasso正则化参数进行极大似然估计。我们提供比较传统的吉布斯采样器使用糖尿病数据集的埃夫隆等人。最后，我们给出了一个例子，利用并行化，图形处理单元，其执行时间的计算系统上的实现方式有更少的依赖于尺寸相比，一个标准的实现。
2018-01-07 stat.CO
Structural Kernel Search via Bayesian Optimization and Symbolical Optimal Transport
Bosch Center for Artificial Intelligence（博世人工智能中心）
尽管最近在自动化机器学习方面取得了进展，但模型选择仍然是一个复杂且计算密集的过程。对于高斯过程（GP），选择内核是一项至关重要的任务，通常由专家手动完成。此外，评估高斯过程的模型选择标准通常在样本大小上按立方缩放，使得内核搜索在计算上特别昂贵。我们提出了一种新的，有效的搜索方法，通过一个一般的，结构化的核空间。以前的方法通过贝叶斯优化解决了这个任务，并依赖于直接在函数空间中测量GP之间的距离来构建核-核。我们提出了一种替代方法，通过定义一个内核内核的统计假设，是与内核的符号表示。我们的经验表明，这导致了一个计算上更有效的方式搜索通过一个离散的核空间。
2022-10-21 cs.AI cs.LG stat.ML
Scalable Bayesian transport maps for high-dimensional non-Gaussian spatial fields
多变量分布可以用从目标分布到简单参考分布的三角形迁移图来描述。我们提出了贝叶斯非参数推断的运输地图建模其组件使用高斯过程。这使得能够对地图估计进行正则化和不确定性量化，同时仍然产生封闭形式和可逆的后验地图。然后，我们专注于从少量的重复推断的非平稳空间场的分布。我们开发了特定的运输地图先验，是高度灵活的，是由一大类随机过程的行为的动机。由于数据相关的稀疏性和并行计算，我们的方法可扩展到高维分布。我们还讨论了扩展，包括Dirichlet过程混合灵活的边缘。我们提出的数值结果来证明我们的方法的准确性，可扩展性和实用性，包括非高斯气候模型输出的统计仿真。
2023-01-16 stat.AP stat.CO stat.ME
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
An Optimal Transport-Based Generative Model for Bayesian Posterior Sampling
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland at College Park（马里兰大学帕克分校）
本文提出了一种基于最优传输的生成模型，用于高效采样贝叶斯后验分布，支持连续和混合参数空间，并引入了基于最优传输的多元秩和分位数用于推断分析。
2026-03-01 stat.CO stat.ME
Sampling through iterated approximation: Gradient-free and multi-fidelity Bayesian inference via transport
Massachusetts Institute of Technology（麻省理工学院）；Sandia National Laboratories（桑迪亚国家实验室）
本文提出一种迭代框架，用于贝叶斯推断问题，结合几何退火与多保真度建模，通过变分学习生成测度传输代理，结合重要性加权方案，高效准确地解决低维强非高斯贝叶斯逆问题。
2026-03-12 cs.NA math.NA stat.CO
HINT: Hierarchical Invertible Neural Transport for Density Estimation and Bayesian Inference
Heidelberg University（海德堡大学）
许多最近的可逆神经架构是基于耦合块设计，其中变量被分成两个子集，作为一个容易可逆的（通常是仿射）三角变换的输入。虽然这样的变换是可逆的，但其雅可比矩阵非常稀疏，因此可能缺乏表达性。这项工作提出了一个简单的补救措施，注意到细分和（仿射）耦合可以在得到的子集内递归地重复，导致一个高效的可逆块与密集的三角形雅可比矩阵。通过经由分层架构制定我们的递归耦合方案，HINT允许从联合分布p（y，x）和对应的后验p（x）进行采样|y）使用单个可逆网络。我们评估我们的方法在一些标准的数据集和基准的密度估计和贝叶斯推断的一个新的数据集的二维形状的傅立叶参数化，这使得一致的可视化不同维度的样本的全部权力。
2021-05-25 cs.AI cs.LG stat.ML
Probabilistic Geometric Alignment via Bayesian Latent Transport for Domain-Adaptive Foundation Models
School of Information, Computer；Communication Technology Sirindhorn International Institute of Technology, Thammasat University Pathumthani, Thailand 0009-0006-4313-7359；epartment of Architecture, Faculty of Architecture Khon Kaen University Khon Kaen, Thailand
本文提出一种概率潜在传输框架，通过在表示空间中将领域适应建模为随机几何对齐问题，解决领域自适应中的潜在分布不匹配、优化动态不稳定和不确定性传播校准问题。
2026-03-26 cs.AI cs.LG math.OC
Bayesian model calibration for block copolymer self-assembly: Likelihood-free inference and expected information gain computation via measure transport
我们认为贝叶斯校准模型描述的现象嵌段共聚物（BCP）的自组装使用显微镜或X射线散射技术产生的图像数据。为了解释BCP平衡结构中的随机长程无序，我们引入辅助变量来表示这种偶然的不确定性。然而，这些变量导致通常难以评估的高维图像数据的综合可能性。我们解决这个具有挑战性的贝叶斯推断的问题，使用一个无似然的方法的基础上测量运输与建设的图像数据的汇总统计。我们还表明，预期的信息增益（EIGs）从观察到的数据模型参数可以计算，没有显着的额外成本。最后，我们提出了一个基于Ohta-Kawasaki模型的二嵌段共聚物薄膜自组装和自顶向下的显微镜表征的数值案例研究。对于校准，我们引入了几个特定领域的能量和傅立叶为基础的汇总统计，并量化其信息性使用EIG。我们证明了所提出的方法来研究数据损坏和实验设计对校准结果的影响。
2022-06-22 cond-mat.mtrl-sci physics.comp-ph stat.AP
A Bayesian Estimation for the Fractional Order of the Differential Equation that Models Transport in Unconventional Hydrocarbon Reservoirs
从地球中提取天然气已被证明是由关于通过多孔材料的流动的微分方程控制的。最近，已经开发了诸如分数阶微分方程的模型来模拟这种现象。这些模型的一个关键问题是估计微分方程的分数。传统的方法，如极大似然，最小二乘法，甚至矩量法是不可用的估计这个参数，因为传统的微积分方法不适用。我们开发了一种贝叶斯方法来估计模型在非常规油气藏中传输的微分方程的阶数的分数。在本文中，我们使用这种方法来充分量化与误差和预测相关的不确定性。模拟研究，以及评估建模方法的效用。
2017-09-26 stat.AP
A multiscale strategy for Bayesian inference using transport maps
在许多反问题中，模型参数不能从观测数据中精确确定。贝叶斯推断提供了一种用于捕获所得到的参数不确定性的机制，但是通常具有高计算成本。这项工作介绍了一种多尺度分解，利用跨尺度的条件独立性，当存在于某些类的反问题，解耦贝叶斯推断分为两个阶段：（1）一个计算易处理的粗尺度推理问题;（2）低维粗尺度后验分布映射到原来的高维参数空间。这种分解依赖于通过最佳传输映射的粗尺度和细尺度量的非高斯联合分布的表征。我们证明了我们的方法在地下水流中产生的一系列反问题，使用多尺度有限元方法离散的稳态压力方程。我们比较了多尺度策略与全维马尔可夫链蒙特卡罗在中等尺寸（100个参数）的问题，然后用它来推断超过10,000个参数描述的电导率场。
2016-02-18 math.PR stat.AP stat.CO
A Bayesian Additive Model for Understanding Public Transport Usage in Special Events
Technical University of Denmark（丹麦技术大学）；Singapore–MIT Alliance for Research and Technology（新加坡-麻省理工学院研究与技术联盟）；Nordita（北欧理论物理研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Stockholm University（斯德哥尔摩大学）；University of Coimbra（科英布拉大学）；Massachusetts Institute of Technology（麻省理工学院）
众所周知，体育比赛、音乐会和节日等公共特别活动会造成交通系统中断，经常让运营商措手不及。虽然这些活动通常都是提前计划好的，但其影响很难预测，即使组织者和交通运营商进行协调。当几个事件同时发生时，问题会大大增加。为了解决这些问题，在新加坡、伦敦或东京等大城市，成本高昂的流程严重依赖人工搜索和个人经验。本文提出了一种贝叶斯加性模型与高斯过程组件，结合智能卡记录从公共交通与上下文信息的事件，不断挖掘从Web。我们开发了一个有效的近似推理算法，使用期望传播，这使我们能够预测的公共交通出行的特殊事件领域的总数，从而有助于更适应的交通系统。此外，对于多个并发事件的情况下，所提出的算法是能够分解总行程计数到其最有可能的组件相关的特定事件和日常行为。使用来自新加坡的真实数据，我们表明，所提出的模型在R2中比最佳基线模型高出26%，并且对其各个组成部分也具有解释力。
2018-12-20 cs.LG stat.ML
Transform-based particle filtering for elliptic Bayesian inverse problems
在自适应SMC中引入了基于最优传输的响应。我们考虑椭圆型反问题推断水力传导系数的压力测量。考虑了两种导水率参数化：高斯随机场和一组标量（非）高斯分布参数和高斯随机场场。我们发现，对于标量参数的最佳运输基于SMC执行单项式基于SMC，但高斯高维随机场最佳运输基于SMC优于基于SMC单项式。当比较集合卡尔曼反演与突变（EKI），我们观察到，高斯随机场，最佳的运输为基础的SMC提供可比或更差的性能比EKI取决于参数化的复杂性。对于非高斯分布的参数，基于最优传输的SMC优于EKI。
2019-06-13 math.OC stat.CO
Estimating systematic errors in Bayesian inversion using transport maps
Physikalisch-Technische Bundesanstalt（德国联邦物理技术研究院）
本文提出结合贝叶斯推断、模型误差校正与传输采样方案的统一框架，利用两种损失训练传输图以估计贝叶斯反演的系统误差，经数值示例验证了方法的有效性。
2026-09-01 cs.NA math.NA math.PR
Robust probabilistic inference via a constrained transport metric
Texas A&M University（德州农工大学）
灵活的贝叶斯模型通常是使用具有许多通常无法解释的参数的大型参数模型的限制来构建的。在这篇文章中，我们提供了一种新的替代方法，通过构建一个指数倾斜的经验似然精心设计，集中在一个参数家庭的选择相对于一个新的变量的Wasserstein度量，然后结合模型参数的先验分布，以获得鲁棒后验分布。所提出的方法在各种各样的鲁棒推理问题中找到了应用，在这些问题中，我们打算在存在离群值的情况下对与中心分布相关的参数进行推理。我们提出的运输度量具有很大的计算简单性，利用Sinkhorn正则化离散最优运输问题，并具有内在的并行化。我们展示了优越的性能，我们的方法相比，国家的最先进的强大的贝叶斯推断方法。我们还证明了我们的方法与一个合适的渐近框架下的非参数贝叶斯公式的等价性，证明了它的灵活性。约束熵最大化，坐在我们的似然公式的心脏，发现其效用超出强大的贝叶斯推断;一个值得信赖的机器学习应用程序中提供的说明。
2023-03-17 cs.LG stat.ME stat.ML
Neural Architecture Search with Bayesian Optimisation and Optimal Transport
Carnegie Mellon University（卡内基梅隆大学）；Petuum Inc（Petuum公司）
贝叶斯优化（BO）是指一类用于全局优化函数$f$的方法，该函数只能通过点评估来访问。它通常用于评估$f$成本较高的环境中。BO在机器学习中的一个常见用例是模型选择，在这种情况下，不可能对统计模型的泛化性能进行分析建模，我们求助于噪声和昂贵的训练和验证过程来选择最佳模型。传统的BO方法集中在欧几里得域和分类域，在模型选择的背景下，仅允许调整机器学习算法的标量超参数。然而，随着人们对深度学习的兴趣激增，对神经网络\emph{architectures}进行调优的需求也越来越大。在这项工作中，我们开发了NASBOT，一个基于高斯过程的BO神经结构搜索框架。为了实现这一点，我们开发了一个距离度量空间的神经网络架构，可以有效地计算通过一个最佳的运输计划。这个距离可能是深度学习社区的独立兴趣，因为它可能会在BO之外找到应用程序。我们证明，NASBOT优于其他替代方案的架构搜索在几个交叉验证的多层感知器和卷积神经网络的模型选择任务。
2019-03-15 cs.LG stat.ML
Bayesian vector autoregressive analysis of macroeconomic and transport influences on urban traffic accidents
城市交通安全的宏观影响因素分析对指导城市发展方向、降低交通事故发生频率具有重要意义。利用北京市小样本量交通年报数据，构建贝叶斯向量自回归模型，探讨人口、GDP、私家车保有量、公交车保有量、地铁里程和道路平均车速等6个宏观经济和交通因素对交通事故的影响。结果表明，BVAR模型适用于小样本情况下的交通事故时间序列分析。在宏观经济因素方面，国内生产总值的增长被认为在长期内减少了交通事故的数量，而人口的增长在短期内对交通事故有积极的影响。在宏观交通因素方面，道路平均速度和私家车拥有量在长期内会增加交通事故，而公交车拥有量和地铁里程则会产生长期的负面影响，其中道路平均速度的正面影响最大，地铁里程的负面影响最大。本研究建议政府部门可以通过增加对公共交通基础设施的投资、限制私人车辆和道路速度来减少交通事故的数量。
2022-04-07 stat.AP
Exploiting Big Data in Logistics Risk Assessment via Bayesian Nonparametrics
在货物物流中，一个关键的绩效指标是运输风险，其定义为实际到达时间与计划到达时间的偏差。无论是早到还是迟到都是客户和货代所希望的。在本文中，我们探讨如何评估和预测运输风险使用半年的航空货运数据，提供了领先的货运代理在1336航线由20家航空公司。有趣的是，我们的初步数据分析显示，运输风险具有强烈的多式联运特征，这是由未观察到的事件（如货物错过航班）驱动的。为了适应这一特点，我们引入了贝叶斯非参数模型-概率单位棒断裂过程（PSBP）混合模型-用于灵活估计条件（即，状态相关）运输风险密度函数。我们证明，使用更简单的方法，如OLS线性回归，可能会导致误导性的推论。我们的模型为货代提供了一个工具，以提供定制的价格和服务报价。它还可以生成基准航空公司绩效，以实现公平的供应商评估。此外，该方法允许我们将经常性风险与中断风险分开。这一点很重要，因为针对这两种风险的对冲策略往往截然不同。
2016-07-21 stat.AP stat.ML
Bayesian Multi-Topology Express Transportation Network Design under Posterior Predictive Demand, Sorting-Efficiency and Delivery-Time Uncertainty
Visva-Bharati University（维斯瓦·巴拉蒂大学）
本文提出基于后验预测的贝叶斯多拓扑快递网络设计方法，通过学习需求和不确定性，优化成本与可靠性，在小幅额外成本下显著降低尾部交付风险并提升枢纽可靠性。
2026-05-07 stat.OT
LazyDINO: Fast, scalable, and efficiently amortized Bayesian inversion via structure-exploiting and surrogate-driven measure transport
California Institute of Technology（加州理工学院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Massachusetts Institute of Technology（麻省理工学院）
LazyDINO 利用导数感知神经代理与惰性映射变分推断，在昂贵 PtO 映射的高维贝叶斯反演中实现高效摊销，以极低离线样本成本超越拉普拉斯近似等现有方法。
2024-11-19 cs.LG cs.NA math.NA
Estimation of parameters of the logistic exponential distribution under progressive type-I hybrid censored sample
研究了在渐进I型混合截尾样本下Logistic指数分布模型参数的估计问题。利用Newton-Raphson方法，得到了该模型的最大似然估计，并进行了数值计算.进一步，在平方误差、LINEX和广义熵损失函数下，得到了贝叶斯估计。两种类型（独立和二元）的先验分布被认为是贝叶斯估计的目的。由于贝叶斯估计不具有显式形式，因此采用Lindley逼近技术得到近似的贝叶斯估计.基于正态近似的最大似然估计和正态近似的对数变换的最大似然估计，构造了参数的区间估计。采用重要性抽样方法得到了最大后验密度可信区间。此外，数值计算报告审查的一些结果中得到的文件。出于说明的目的，考虑真实生活数据集。
2023-02-10 stat.AP stat.ME
Deep Bayesian Unsupervised Lifelong Learning
Northeastern University（东北大学）
终身学习（LL）指的是不断学习和解决新问题的能力，随着时间的推移，随着可用信息的增加，同时保留以前的知识。最近，人们对带有标签数据流的监督式终身学习（SLL）给予了很大的关注。相比之下，我们专注于解决无监督终身学习（Unsupervised Lifelong Learning，简称EML）中的挑战，当数据分布和未知类标签随着时间的推移而演变时，使用未标记的数据流。贝叶斯框架很自然地结合了过去的知识，并用新的数据顺序地更新信念。我们开发了一个完整的贝叶斯推理框架，用于使用一种新型的端到端深度贝叶斯无监督终身学习（DBSTO）算法，该算法可以在学习潜在表示的同时逐步发现新的聚类，而不会忘记过去的未标记数据。为了有效地维护过去的知识，我们开发了一种新的知识保存机制，通过充分的统计数据的潜在表示的原始数据。为了检测潜在的新集群的飞行，我们开发了一个自动集群发现和冗余删除策略，在我们的推理启发非参数贝叶斯统计技术。我们在LL和批处理设置中使用图像和文本语料库基准数据集证明了我们方法的有效性。
2021-06-13 cs.LG stat.ML
Bayesian Evidential Deep Learning with PAC Regularization
Heidelberg University（海德堡大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
本文提出了一种新的神经网络预测分布模型的方法。在量化预测不确定性时，我们建立在证据深度学习的基础上，它既易于实现，又能以封闭形式访问预测不确定性。我们用它来模拟任意的不确定性，并将其扩展到考虑到认知的不确定性，将其转换为贝叶斯神经网络。在扩展其不确定性量化功能的同时，我们通过首次执行渐进矩匹配以近似权重边缘化来保持其可分析的预测分布模型。最终的模型引入了大量的超参数来进行稳定的训练。我们克服了这个缺点，推导出一个空洞的PAC界，包括边际似然预测和复杂性惩罚。我们在回归，分类和域外检测基准上观察到，我们的方法改进了模型拟合和不确定性量化。
2021-01-21 cs.LG stat.ML
Bayesian inference under model misspecification using transport-Lagrangian distances: an application to seismic inversion
在许多反问题中，模型误设定是可靠推理的主要障碍。例如，地震学中的反问题特别容易受到波传播速度的错误设定的影响。在本文中，我们专注于一个特定的地震反演问题-全波形矩张量反演-并开发了一个贝叶斯框架，寻求速度误指定的鲁棒性。我们的框架的一个新的元素是使用观察到的和模型预测的波形之间的运输拉格朗日（TL）距离指定的损失函数，并使用这种损失定义一个广义的信念更新通过吉布斯后验。TL距离自然忽略了对模型误指定更敏感的数据的某些特征，因此在此设置中产生较少的偏差或分散的后验分布。为了使后一个概念精确，我们使用几种诊断来评估推理和不确定性量化的质量，即，连续秩概率得分和秩直方图。我们解释这些诊断在贝叶斯设置和比较的结果，使用更典型的高斯噪声模型和平方误差损失，在各种情况下的误指定。最后，我们讨论了潜在的推广所提出的框架，更广泛的一类反问题模型误指定的影响。
2021-05-14 stat.CO stat.ME
Bayesian inference on dynamic linear models of day-to-day origin-destination flows in transportation networks
起讫点（OD）需求的估计在成功的交通研究中起着关键作用。在本文中，我们考虑估计时变的日常OD流量给定的交通流量在一个交通网络中的一个序列的日子。本文提出了一个动态线性模型（DLM）来描述OD流量随时间的随机演化。DLM是贝叶斯状态空间模型，可以捕获非平稳性。我们考虑到OD流量之间的分配路径和路段上的交通量分配的层次关系。路径选择概率通过基于过去路径成本的效用模型获得。提出了一种结合吉布斯抽样和前向滤波后向抽样技术的马尔可夫链蒙特卡罗算法，用于逼近OD流量和路径选择模型参数的联合后验分布。我们的方法可以应用到拥塞的网络，并在情况下，当数据只在一个子集的链接。我们说明了我们的方法的应用，通过模拟实验的测试网络从文献。
2016-08-24 stat.AP
Solving linear Bayesian inverse problems using a fractional total variation-Gaussian (FTG) prior and transport map
贝叶斯推理在许多科学和工程问题中有着广泛的应用，特别是在未知量为函数的无穷维线性反问题中。在这类问题中，选择一个合适的先验分布是一个重要的任务。特别地，当待推函数包含大量细节信息时，如多个突变、角点、不连续和非光滑振荡等，在函数空间中提出了所谓的全变差-高斯（TG）先验，但TG先验容易导致数值结果中的块状（阶梯）效应。在这项工作中，我们提出了一个分数阶TG（FTG）的混合之前，处理这样的问题，分数阶全变差（FTV）项被用来捕捉未知量的细节信息，同时使用高斯测度，以确保它的结果在一个定义良好的后验测度。对于线性反问题在函数空间中的数值实现，我们还提出了一种基于传输映射的高效独立采样器，该采样器使用来自对角映射的建议分布，并且与建议相关的接受概率与离散维数无关。为了充分利用运输图的特点，采用了多层贝叶斯框架灵活地确定正则化参数。最后，我们提供了一些数值例子来证明性能的FTG前和建议的独立采样器方法的效率和鲁棒性。
2021-12-10 math.ST stat.TH
Scalable Bayesian Optimization via Focalized Sparse Gaussian Processes
Tsinghua University（清华大学）；Google DeepMind（谷歌DeepMind）
本文提出聚焦GP和FocalBO方法，通过稀疏高斯过程提升贝叶斯优化效率，实现对高维问题的高效优化。
2025-12-17 cs.LG stat.ML
Ensemble transport smoothing. Part I: Unified framework
本文从测度传输视角提出一个基于非线性传输映射的通用集合平滑框架，解决了传统平滑方法在非高斯设置下的不一致或计算成本过高问题，并证明标准Kalman型平滑算法为其特例。
2023-11-22 stat.CO stat.ME stat.ML
Bayesian Estimation of the Degrees of Freedom Parameter of the Student-$t$ Distribution---A Beneficial Re-parameterization
研究了Student- $t$分布的自由度参数$ν$的条件数据增广（DA）问题.基于一个限制版本的预期增广费舍尔信息，它被证明，辅助DA是逐步更有效的MCMC估计比充分DA $ν$增加，与盈亏平衡点躺在低至$ν\approx4$。通过一个大型的模拟研究和美国宏观经济时间序列的应用，进一步研究和推广的索赔。最后，辅助充分交织策略的经验表明，结合两个DA的好处。所提出的算法可以设置用于估计作为任何模型的一部分的$ν$的新标准。
2021-09-03 stat.ME
Bayesian Calibration for Activity Based Models
我们认为基于活动的交通模拟器的校准和不确定性分析的问题。基于活动的模型（ABM）依赖于对个人旅行者行为的统计建模来预测大都市地区的高阶旅行模式。输入参数通常使用极大似然从旅行者调查中估计。我们开发了一种方法，使用一个高斯过程仿真器来校准这些参数使用交通流数据。我们的方法扩展了传统的仿真器来处理高维和非静态性质的交通模拟器。我们引入了一个深度学习降维模型，该模型与高斯过程模型联合估计以近似模拟器。我们展示了使用几个模拟的例子，以及通过校准的关键参数的布卢明顿，伊利诺伊州模型的方法。
2022-09-05 stat.AP stat.ML
Bayesian Sphere-on-Sphere Regression with Optimal Transport Maps
Trinity College Dublin（都柏林三一学院）；University of Wollongong, Australia（伍伦贡大学）；University of Sydney, Australia（悉尼大学）；University of New South Wales, Australia（新南威尔士大学）
本文提出了一种基于最优传输的贝叶斯球面回归方法，通过划分球面领域并局部建模回归映射，以捕捉复杂的球面关系，从而实现灵活且具有表现力的回归模型。
2026-05-18 math.ST stat.ME stat.TH
Conditional Optimal Transport on Function Spaces
本文从最优传输视角系统研究函数空间上的条件三角传输映射，发展约束最优传输理论以刻画条件测度，推广至无限维空间，并应用于摊销贝叶斯推断，通过数值实验验证其计算适用性。
2024-02-06 math.OC math.PR stat.CO
Gibbs flow for approximate transport with applications to Bayesian computation
设$π_{0}$和$π_{1}$是Borel空间$(\mathbb{R}^{d},\mathcal{B}(\mathbb{R}^{d}))$上的两个分布。任何可测量的函数$T:\mathbb{R}^{d}\rightarrow\mathbb{R}^{d}$，如果调用$X\simπ_{0}$，则$Y=T(X)\simπ_{1}$是从$π_{0}$到$π_{1}$的传输映射。对于任何$π_{0}$和$π_{1}$，如果可以获得从$π_{0}$到$π_{1}$的传输映射的分析表达式，则这可以直接应用于来自任何分布的样本。可以使用该传输映射将抽取从易于样本分布$π_{0}$映射到目标分布$π_{1}$。虽然它通常是不可能的，以获得一个明确的运输地图复杂的目标分布，我们在这里展示如何建立一个易于处理的近似一个新的运输地图。这是通过从$π_{0}$使用一个常微分方程的速度场，取决于目标的完整条件分布移动样本。即使当这个常微分方程是时间离散化和完整的条件分布的数值近似，映射样本的分布可以有效地评估和使用作为一个建议内的序贯蒙特卡罗采样器。我们证明了显着的收益超过国家的最先进的序贯蒙特卡罗采样器在一个固定的计算复杂度上的各种应用。
2020-01-21 stat.CO
Dual-space posterior sampling for Bayesian inference in constrained inverse problems
Department of Computer Science（计算机科学系）；University of Central Florida（中央佛罗里达大学）；Institute of Geophysics Polish Academy of Sciences（波兰科学院地球物理研究所）
本文提出在双空间中使用增强拉格朗日方法进行后验采样，以解决受约束反问题的贝叶斯推断问题，通过结合ADMM和SVGD实现约束条件的精确满足和高效采样。
2026-08-07 cs.LG physics.geo-ph stat.ML
Bayesian inference of inaccuracies in radiation transport physics from inertial confinement fusion experiments
第一性原理微观物理模型对于高能量密度物理实验的设计和分析是必不可少的。使用实验数据来研究基础物理也是必不可少的，特别是当模拟和实验彼此不一致时。这是一项艰巨的任务，因为大量的物理模型发挥作用，并由于实验的复杂性（因此，噪音）。这导致了大量的参数，使任何推理都成为一项艰巨的任务;同样重要的是要始终如一地对待实验和对问题的先验理解。在本文中，我们提出了一种贝叶斯方法，包括这两种效果，并允许推断的一组修改器已被构造，从实验数据提供有关微观物理模型的信息。我们特别注意辐射传输模型。该推理考虑了大量的实验参数和先验知识的估计，通过修改后的$χ^{2}$函数，这是最小化使用一个有效的遗传算法。这两个因素在我们的分析中起着至关重要的作用。我们发现，虽然有证据表明，离线计算的X射线驱动强度和Ge $L$壳吸收的不准确性，辐射传输的修改是无法调和1D HYDRONIC模拟和实验之间的差异。
2013-02-23 physics.atom-ph physics.data-an physics.plasm-ph
Self-Adversarially Learned Bayesian Sampling
State University of New York at Buffalo（纽约州立大学布法罗分校）；Fudan University（复旦大学）
可扩展贝叶斯采样在现代机器学习中发挥着重要作用，特别是在快速发展的无监督（深度）学习模型中。虽然通过可扩展的贝叶斯采样（如随机梯度MCMC（SG-MCMC）和Stein变分梯度下降（SVGD））已经取得了巨大的进展，但生成的样本通常高度相关。此外，他们的样本生成过程经常被批评为效率低下。在本文中，我们提出了一种新的自对抗学习框架，该框架自动学习条件生成器来模仿马尔可夫核（过渡核）的行为。高质量的样本可以通过直接向前传递通过学习生成器来有效地生成。最重要的是，学习过程采用自学习范例，不需要关于现有马尔可夫核的信息，例如，如何从中提取样本的知识。具体来说，我们的框架学习使用当前样本，无论是来自生成器还是预先提供的训练数据，来更新生成器，使得生成的样本逐渐接近目标分布，因此它被称为自学习。在合成数据集和真实数据集上的实验验证了该框架的优势，在抽样效率和样本质量方面优于相关方法。
2018-11-21 cs.LG stat.ML
Summarizing Bayesian Nonparametric Mixture Posterior -- Sliced Optimal Transport Metrics for Gaussian Mixtures
本文提出一种模型无关的贝叶斯非参数混合模型后验总结方法，以混合测度估计为核心目标，通过最小化基于切片 Wasserstein 距离的后验期望损失，并针对高斯混合设计了两种高效变体。
2025-05-08 stat.AP stat.CO stat.ME
Information Pursuit: A Bayesian Framework for Sequential Scene Parsing
Johns Hopkins University（约翰斯·霍普金斯大学）
尽管在目标检测和分类方面取得了巨大的进步，但将目标实例之间的预期上下文关系纳入现代识别系统的问题仍然是一个关键挑战。在这项工作中，我们提出了信息追求，贝叶斯框架的场景分析，结合先验模型的几何形状的场景和空间排列的对象实例与数据模型的输出高层次的图像分类器训练，以回答有关场景的具体问题。在拟议的框架中，现场的解释是逐步完善的证据积累从一系列问题的答案。在每一步，我们选择的问题，以最大限度地提高互信息之间的新的答案和充分的解释给定的当前证据从以前的调查。我们还提出了一种方法，用于从合成的，注释的场景中学习模型的参数，通过自上而下的采样从一个易于学习的生成场景模型。最后，我们介绍了一个数据库的注释室内场景的餐桌，我们用它来评估所提出的方法。
2017-01-09 cs.AI cs.CV stat.ML
Efficient Neural Network Approaches for Conditional Optimal Transport with Applications in Bayesian Inference
SIAM Journal on Scientific Computing（SIAM科学计算杂志）；Office of Naval Research（海军办公室）；US Department of Energy, Office of Advanced Scientific Computing Research（美国能源部高级科学计算研究办公室）；M2dt MMICC center（M2dt MMICC中心）；Office of Advanced Scientific Computing Research（高级科学计算研究办公室）；Air Force Office of Scientific Research（空军科学办公室）；Department of Defense Vannevar Bush Faculty Fellowship（国防部门范纳瓦尔·布什教职员工 fellowship）
本文提出两种神经网络方法求解条件最优传输问题，支持贝叶斯推断中的条件采样与密度估计，静态法高效，动态法灵活，并在基准和逆问题上验证了优越性。
2025-04-24 cs.LG stat.ML
Accelerating Bayesian Inference via Multi-Fidelity Transport Map Coupling
针对高保真模拟下贝叶斯参数推断成本高昂的问题，提出融合MCMC与MLMC的多保真度框架，并用新型传输映射耦合生成跨层级相关样本，在NACA0012翼型案例中将成本降低50%。
2025-10-20 stat.AP stat.ME
Bayesian Optimization of Functions over Node Subsets in Graphs
University of Oxford（牛津大学）；Google（谷歌公司）
针对图上节点子集函数的组合黑箱优化难题，提出基于贝叶斯优化与组合图局部递归采样的新框架，并在合成与真实任务中验证其有效性。
2025-01-05 cs.LG stat.ML
Structure-Informed Bayesian Inference of Anomalous Transport and Hidden Molecular Trapping in Amorphous Media
Laboratory for Disordered Systems, Phystech School of Applied Mathematics and Computer Science, Moscow Institute of Physics and Technology（莫斯科物理技术学院应用数学与计算机科学普列特赫学院无序系统实验室）；Center for Computational Physics, Landau School for Physics and Research, Moscow Institute of Physics and Technology（莫斯科物理技术学院朗道物理与研究中心计算物理中心）
针对非晶介质中分子扩散的局域捕获态提取难题，提出基于离散莫尔斯拓扑骨架的结构信息贝叶斯正则化方法，消除传统几何算法偏差，在干酪根中成功解码受限扩散机制。
2026-09-09 cond-mat.soft physics.chem-ph physics.comp-ph
An Efficient Procedure for Computing Bayesian Network Structure Learning
Osaka University（大阪大学）
提出一种基于渐进分级评分的全局最优贝叶斯网络结构发现算法，通过仅需单次遍历局部结构的高效分层计算方法，在仅用内存的情况下显著降低了峰值内存并提升了计算效率，成功处理了28个变量的网络。
2024-07-24 cs.LG stat.ML
Score Operator Newton transport
Georgia Institute of Technology（佐治亚理工学院）；Massachusetts Institute of Technology（麻省理工学院）
该研究提出一种基于目标分布得分构建输运映射的无穷维牛顿法，通过求解线性椭圆型PDE实现迭代，证明了收敛充分条件，可用于贝叶斯推断等采样任务，能在基础场景下快速收敛且避免模式崩溃。
2024-03-09 cs.LG cs.NA math.NA
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
Estimation of parameters of the Gumbel type-II distribution under AT-II PHCS with an application of Covid-19 data
本文研究了Gumbel Ⅱ型分布在自适应Ⅱ型渐进混合截尾样本下未知参数的经典估计和贝叶斯估计。最大似然估计（MLE）和最大产品间距估计（MPSE）的发展和数值计算使用牛顿-拉夫逊方法。贝叶斯方法被用来估计对称和非对称损失函数下的参数。贝叶斯估计没有明确的形式。因此，通过使用马尔可夫链蒙特卡罗（MCMC）方法以及Metropolis-Hastings（MH）算法获得贝叶斯估计。基于极大似然估计的正态性，构造了渐近置信区间。构造了Bootstrap区间和最高后验密度（HPD）可信区间。进一步进行了蒙特卡罗模拟研究。最后，分析了基于印度Covid-19死亡率的数据集，以说明目的。
2021-03-15 stat.ME
Order-Restricted Bayesian Ordinal Regression for the Modeling of Neuron Degeneration in Caenorhabditis elegans
Duke University（杜克大学）
提出一种计算高效的参数约束贝叶斯有序回归模型，用于分析秀丽隐杆线虫神经元损伤序数数据，揭示毒性暴露与渐进性神经元损伤的单调关联，并发现母体毒性会增强后代对鱼藤酮的敏感性。
2026-06-23 stat.AP stat.CO stat.ME
Diffusion Schrödinger Bridges for Bayesian Computation
本研究将去噪扩散模型思想拓展至贝叶斯计算，通过构造目标分布与正态分布间的加噪-去噪扩散对实现目标分布采样，并引入薛定谔桥提升有限时间内的采样效率。
2023-08-27 stat.CO
