Bayesian Estimation Under Informative Sampling
贝叶斯分析在社会科学和其他应用领域越来越受欢迎,其中数据是从信息样本中观察到的。信息性抽样设计导致与感兴趣的响应变量相关的包含概率。由于样本数据中的信息平衡与总体数据中的信息平衡不同,因此,对于信息抽样下的总体生成模型,对从总体中采集的观察样本进行的模型推断将存在偏倚。在贝叶斯估计下解释信息性抽样设计的典型方法通常难以实现,因为它们需要对假设的生成模型进行重新参数化,或者专注于设计,而不是基于模型的推理。我们建议构造一个伪后验分布,利用基于边缘包含概率的采样权重来指数化每个采样单元的似然贡献,从而将样本中的信息加权回总体。我们的方法提供了一个几乎自动化的估计过程,适用于任何模型指定的数据分析人员的人口,并保留人口模型参数化和后验抽样几何。我们构造的条件,已知的边际和成对包含概率,定义一类抽样设计的伪后验的$L_{1}$一致性得到保证。我们证明了我们的方法上的应用程序有关的劳工统计局职位空缺和劳动力流动率调查。
2016-06-03 math.ST stat.ME stat.TH
Simultaneous Estimation of Piecewise Constant Coefficients in Elliptic PDEs via Bayesian Level-Set Methods
本文提出非参数贝叶斯水平集方法,联合重建椭圆偏微分方程中两个分段常数系数,证明后验适定性与Lipschitz连续性,并通过数值模拟验证其有效性和不确定性量化优势。
2025-05-27 cs.NA math.NA math.ST
On PAC-Bayesian reconstruction guarantees for VAEs
University of Oxford(牛津大学);University College London(伦敦大学学院);Inria(法国国家信息与自动化研究所)
尽管它的广泛使用和经验的成功,理论上的理解和研究的行为和性能的变分自编码器(VAE)只是在过去的几年中才出现。我们通过分析VAE对看不见的测试数据的重建能力,利用PAC贝叶斯理论的参数,为最近的工作做出贡献。我们提供的理论重建误差的泛化范围,并提供VAE目标的正则化效果的见解。我们说明了我们的理论结果与支持经典基准数据集上的实验。
2022-02-23 cs.CV cs.LG math.ST
Bathymetry Reconstruction by Bayesian Inference
Hamburg University of Technology(汉堡工业大学);University of Hamburg(汉堡大学)
本文提出基于贝叶斯推断的方法,利用水位点测量数据重建水深,通过合成数据测试性能并应用于波浪池实际水深重建,相比共轭优化方法,提高了重建精度并量化了不确定性。
2026-04-09 cs.CE cs.NA math.NA
Conjugate priors for Bayesian Variable Selection in exponential family Generalized Linear Models
University of Trento(特伦托大学);Fondazione Bruno Kessler (FBK)(布鲁诺·孔塞雷基金会);BCAM — Basque Center for Applied Mathematics(巴斯克应用数学中心);Ikerbasque — Basque Foundation for Science(巴斯克科学基金会)
提出一种全贝叶斯共轭框架,通过二进制包含指标实现广义线性模型中的变量选择与参数估计,并证明后验一致性,开发了高效Gibbs采样算法及R包。
2026-11-05 math.ST stat.CO stat.ME
Comparing Spike and Slab Priors for Bayesian Variable Selection
建立回归模型的一个重要任务是决定哪些回归变量应该包含在最终模型中。在贝叶斯方法中,变量选择可以使用混合先验进行,对于受选择影响的效应,混合先验具有尖峰和平板分量。由于尖峰集中在零处,因此变量选择基于将相应的回归效应分配给板组件的概率。这些后验包含概率可以通过MCMC采样来确定。在本文中,我们比较了几个尖峰和板先验的MCMC实现方面的后验包含概率和它们的抽样效率模拟数据。此外,我们调查后验包含概率分析不同的平板在两个简单的设置。应用程序的变量选择与穗和板先验的精神病患者的数据集,其目标是确定影响代谢的协变量。
2018-12-18 stat.ME
Scalable Bayesian model averaging through local information propagation
我们表明,经典的向前逐步变量包含过程的概率版本可以作为一个通用的数据增强计划模型空间分布(广义)线性模型。该潜在变量表示采用马尔可夫过程的形式,从而允许信息传播算法被应用于从模型空间后验进行采样。特别是,我们提出了一个序贯蒙特卡罗方法实现有效的无偏贝叶斯模型平均在高维问题,利用建议分布构造使用本地信息传播。我们说明了我们的方法-所谓的LIPS为本地信息传播为基础的采样-通过真实和模拟的例子,维数范围从15到1,000,并比较其性能估计后验包含概率和样本外预测的其他几种方法-即MCMC,BAS,iBMA和LASSO。此外,我们还表明,潜变量表示也可以作为一种建模工具,用于指定模型空间的先验知识,占模型的复杂性和条件包含关系。
2014-10-22 stat.CO stat.ME
Variational Bayesian Weighted Complex Network Reconstruction
Xi’an Jiaotong University(西安交通大学);Henan University(河南大学)
复杂网络重构是当前许多领域的研究热点。目前,最流行的数据驱动重建框架是基于lasso的。然而,它被发现,在噪声的存在下,套索失去了加权网络的效率。本文建立了一个新的框架来处理这个问题。其核心思想是采用一系列的线性回归问题来建模网络节点之间的关系,然后使用一个有效的变分贝叶斯算法来推断未知系数。对合成数据和真实数据进行的数值实验表明,新方法在重建精度和运行速度方面均优于lasso。
2020-02-29 cs.LG cs.SI stat.AP
Bayesian sparse reconstruction: a brute-force approach to astronomical imaging and machine learning
我们提出了一个原则性的贝叶斯信号重建框架,其中信号由基函数建模,基函数的数量(和形式,如果需要的话)由数据本身确定。这种方法是基于传统的稀疏重建和正则化技术的贝叶斯解释,其中稀疏性是通过先验贝叶斯模型选择。我们证明了我们的方法的噪声1-和2维信号,包括天文图像。此外,通过使用乘积空间方法,基函数的数量和类型可以被视为整数参数,其后验分布直接采样。我们表明,数量级的增加,计算效率是可能的,从这种技术相比,分别计算贝叶斯证据,进一步的计算收益是可能的,使用它与动态嵌套抽样相结合。我们的方法也可以很容易地应用于神经网络,它允许网络架构由数据确定的原则贝叶斯的方式,通过处理节点和隐藏层的数量作为参数。
2018-11-25 astro-ph.IM stat.ME stat.ML
A Bayesian Nonparametric approach to Reconstruction and Prediction of Random Dynamical Systems
基于马尔可夫链蒙特卡罗方法(MCMC),提出了一种贝叶斯非参数混合模型,用于离散随机动力系统的时间序列重构和预测.我们的研究结果可以用于物理建模的研究人员感兴趣的快速和准确的估计低维随机模型时,所观察到的时间序列的大小是小的,噪声过程(也许)是非高斯的。特别是在多项式映射的情况下,证明了推理过程的任意程度,当几何棒打破混合物的过程之前,在空间的密度,适用于添加剂的错误。我们的方法是简约的贝叶斯非参数技术的基础上Dirichlet过程的混合物,灵活和一般。基于合成时间序列的仿真。
2017-09-30 stat.AP stat.ME
Comment on Vogels et al.'s (2024) "Bayesian Structure Learning in Undirected Gaussian Graphical Models: Literature Review with Empirical Comparison": An updated performance check using BGGM
评论指出 Vogels 等人比较中 BGGM 因先验包含概率设置不当(2/3 对其他方法 0.2)导致性能被低估,改用 0.2 后 BGGM 性能与其他贝叶斯方法相当。
2026-09-29 stat.ME
Sparse-Group Bayesian Feature Selection Using Expectation Propagation for Signal Recovery and Network Reconstruction
Max Planck Institute for Molecular Genetics(马克斯·普朗克分子遗传学研究所)
我们提出了一种贝叶斯方法的特征选择中存在的分组信息之间和组内水平的稀疏性。而不是使用随机算法的参数推断,我们采用期望传播,这是一个确定性和快速的算法。在存在分组信息的情况下,用于特征选择的可用方法具有许多简短的描述:一方面,Lasso方法虽然快速,但低估了回归系数,并且没有很好地利用分组信息,另一方面,贝叶斯方法虽然在参数估计中准确,但通常依赖于随机且缓慢的吉布斯抽样过程来恢复参数,使得它们例如对于基因网络重建是不可行的。我们的方法的贝叶斯稀疏组框架与期望传播,使我们不仅能够恢复准确的参数估计信号恢复问题,但也使得有可能将此贝叶斯框架的大规模网络重建问题。所提出的方法是通用的,但在应用方面,我们专注于基因调控网络。我们的模拟和实验数据表明,该方法构成了一个很好的选择网络重建的正确选择的功能,预测新的数据和合理的计算时间的数量。
2018-09-25 cs.LG stat.CO stat.ML
Robust and Guided Bayesian Reconstruction of Single-Photon 3D Lidar Data: Application to Multispectral and Underwater Imaging
当使用多个波长时,或者当在高噪声环境(例如,通过遮光剂成像)。本文提出了一种分层贝叶斯算法的多光谱单光子激光雷达数据在这样的环境中的鲁棒重建。该算法利用多尺度信息来提供稳健的深度和反射率估计及其不确定性,以帮助决策。所提出的基于权重的策略允许使用可用的引导信息,该信息可以通过使用最先进的基于学习的算法来获得。所提出的贝叶斯模型及其估计算法的合成和真实图像上进行了验证,显示竞争力的结果相比,国家的最先进的算法的质量的推断和计算复杂性。
2021-03-18 eess.IV stat.AP
An unsupervised bayesian approach for the joint reconstruction and classification of cutaneous reflectance confocal microscopy images
本文研究了一种新的贝叶斯算法,用于反射共焦显微镜(RCM)图像的联合重建和分类,并将其应用于人体皮肤雀斑的识别。所提出的贝叶斯方法利用乘性散斑噪声的分布影响这些图像的真实反射率和适当的先验未知的模型参数。提出了一种马尔可夫链蒙特卡罗(MCMC)算法,在根据图像的反射率分布对图像进行分类的同时,联合估计模型参数和图像的真实反射率。准确地说,Metropolis-whitin-Gibbs采样器进行了研究,以采样与RCM图像相关的贝叶斯模型的后验分布,并建立其参数的估计,包括指示每个RCM图像的类的标签。所得到的算法被应用到合成数据和包含健康和雀斑患者的临床研究的真实图像。
2017-03-04 stat.ML
Bayesian inference and uncertainty quantification for image reconstruction with Poisson data
我们提供了一个完整的框架进行无限维贝叶斯推理和不确定性量化图像重建泊松数据。特别是,我们解决以下问题,使贝叶斯框架适用于实践。我们首先引入了一个保正的重参数化,并证明了在重参数化和混合先验下,后验分布在无穷维情况下是适定的。其次,我们提供了一个维度无关的MCMC算法,基于预处理的Crank-Nicolson Langevin方法,其中我们使用一个原始-对偶计划来计算偏移方向。第三,提出了一种结合模型偏差法和极大似然估计的混合先验中正则化参数的确定方法。最后,我们建议使用所获得的后验分布来检测恢复图像中的伪影。我们提供了一个例子来证明所提出的方法的有效性。
2019-10-20 cs.NA math.NA stat.CO
Hierarchical Bayesian sparse image reconstruction with application to MRFM
本文提出了一种分层贝叶斯模型,当观测值由线性变换获得并被加性高斯白噪声破坏时,重建稀疏图像。我们的分层贝叶斯模型非常适合于这种自然稀疏的图像应用,因为它无缝地通过适当的贝叶斯先验解释了图像的稀疏性和积极性等属性。我们提出了一个先验,是基于一个加权的混合正指数分布和质量为零。先验具有通过分层贝叶斯模型的边缘化自动调整的超参数。为了克服后验分布的复杂性,提出了一种Gibbs抽样策略。吉布斯样本可以用于估计要恢复的图像,例如通过最大化估计的后验分布。在我们的完全贝叶斯方法中,所有参数的后验均可用。因此,我们的算法提供了更多的信息比其他以前提出的稀疏重建方法,只给一个点估计。我们的分层贝叶斯稀疏重建方法的性能说明合成和真实的数据从烟草病毒样本使用原型MRFM仪器。
2009-09-23 cs.IT math.IT physics.data-an
Bayesian approach for inverse obstacle scattering with Poisson data
我们考虑了一个泊松数据的声障碍重建问题。由于数据的随机性,我们在贝叶斯反演的框架中解决这个问题。未知障碍物以其角度形式参数化。参数化未知量的先验知识在贝叶斯重建算法中起着关键作用。最常用的先验是高斯先验。在高斯先验假设下,我们进一步假设未知量满足全变差先验。在混合先验下,讨论了后验分布的适定性。数值算例验证了算法的有效性。
2019-07-09 cs.NA math.NA math.ST
A Bayesian Approach to CT Reconstruction with Uncertain Geometry
计算机断层摄影是一种用于从投影集合合成对象的体积或横截面图像的方法。计算机断层扫描的流行重建方法是基于理想化的模型和假设,在实践中可能是无效的。一个这样的假设是精确的投影几何形状是已知的。投影几何描述了每个投影的辐射源、对象和检测器的相对位置。然而,在实践中,用于描述辐射源、对象和检测器的位置和取向的几何参数是具有不确定性的估计量。未能准确估计几何形状可能导致重建时出现严重的未对准伪影,从而显著降低其科学或诊断价值。我们提出了一种新的重建方法,联合估计重建和投影几何。重建方法是基于贝叶斯方法,产生重建和几何参数的点估计,此外,还提供了有关其不确定性的有价值的信息。这是通过使用分层吉布斯采样器从重建和投影几何的联合后验分布中近似采样来实现的。使用真实的断层数据,我们证明了所提出的重建方法显着减少错位文物。与两种常用的对齐方法相比,我们提出的方法在具有挑战性的条件下取得了相当或更好的结果。
2022-03-02 cs.NA math.NA stat.AP
Recent advances in Bayesian optimization with applications to parameter reconstruction in optical nano-metrology
参数重构是光学纳米计量中的一个常见问题。它通常涉及一组测量,人们试图拟合测量过程的数值模型。模型评估通常涉及求解麦克斯韦方程组,因此是耗时的。这使得重建需要计算。有几种方法可以将模型拟合到测量值。一方面,用于昂贵的黑盒优化的贝叶斯优化方法通过训练偏差平方和的机器学习模型来实现有效的重建。另一方面,诸如Levenberg-Marquardt方法的曲线拟合算法考虑了所有模型输出与对应的测量值之间的偏差,这使得能够快速局部收敛。在本文中,我们提出了一个贝叶斯目标向量优化方案,结合这两种方法。我们比较所提出的方法对标准的Levenberg-Marquardt算法,传统的贝叶斯优化方案,和L-BFGS-B和Nelder-Mead单纯形算法的性能。作为纳米计量学问题的替代,我们采用了NIST标准参考数据库中的非线性最小二乘问题。我们发现,所提出的方法通常使用较少的调用的模型函数比任何竞争计划,以实现类似的重建性能。
2021-07-12 physics.comp-ph physics.optics stat.ML
A Fast Non-Gaussian Bayesian Matching Pursuit Method for Sparse Reconstruction
提出了一种基于贝叶斯方法的快速匹配追踪稀疏信号恢复方法。该方法被称为nGpFBMP,即使当信号先验是非高斯或未知时,也执行稀疏信号的贝叶斯估计。它是不可知的信号统计,并利用先验统计的加性噪声和稀疏率的信号,这是很容易估计的数据,如果没有。nGpFBMP利用一个贪婪的方法和顺序递归更新的度量,找到最主要的稀疏支持,以确定近似的最小均方误差(MMSE)估计的稀疏信号。仿真结果表明,我们提出的估计的权力和鲁棒性。
2012-06-19 stat.OT
Bayesian Rain Field Reconstruction using Commercial Microwave Links and Diffusion Model Priors
School of Electrical and Computer Engineering, Tel Aviv University, Tel Aviv, Israel(电气与计算机工程学院,特拉维夫大学,特拉维夫,以色列)
提出将雨场重建视为贝叶斯逆问题,利用扩散模型作为高保真空间先验,通过无需训练的后验采样方法(如即插即用、序贯蒙特卡洛和副本交换)实现优于传统方法的性能。
2026-05-28 cs.LG stat.AP stat.ML
An Improved Bayesian Semiparametric Model for Palaeoclimate Reconstruction: Cross-validation Based Model Assessment
基于化石的古气候重建是生态科学的一个重要领域,在全球气候变化辩论的背景下获得了动力。层次贝叶斯范式为研究这样重要的科学问题提供了一个有趣的平台。然而,我们的交叉验证为基础的评估现有的贝叶斯分层模型相对于两个现代的代理数据集的基础上摇蚊和花粉,分别显示,该模型是不够的数据集。在本文中,我们模拟的物种组合(组成数据)的零膨胀多项分布,而模拟的物种响应函数,基于Dirichlet过程的高斯混合。这种建模策略显着提高了性能,最近开发的模型充分性的正式贝叶斯测试表明,我们的新模型适用于两个现代数据集。此外,结合零膨胀假设,重要性恢复马尔可夫链蒙特卡罗(IRMCMC)和最近发展的基于变换的马尔可夫链蒙特卡罗(TMCMC),我们开发了一个强大的和有效的计算方法。
2013-12-12 stat.AP
Bayesian Reconstruction of Magnetic Resonance Images using Gaussian Processes
现代磁共振成像(MRI)的中心目标是减少产生高质量图像所需的时间。努力包括硬件和软件创新,如并行成像,压缩传感和基于深度学习的重建。在这里,我们提出并证明了贝叶斯方法来建立统计库的磁共振(MR)图像在k空间,并使用这些库来确定最佳的子采样路径和重建过程。具体来说,我们计算一个多元正态分布的基础上高斯过程使用一个公开的图书馆的T1加权图像的健康大脑。我们将这个库与物理信息包络函数相结合,只保留k空间中有意义的相关性。然后,该协方差函数用于使用贝叶斯优化来选择一系列环形子采样路径,使得它们最佳地探索空间,同时在商业MRI系统中保持实际可实现。结合针对一系列图像找到的优化的子采样路径,我们计算出一个广义的采样路径,当用于新图像时,与先前报道的重建过程相比,该采样路径产生最高的结构相似性和误差(即,仅采样12.5%的k空间数据,结构相似性为96.3%,归一化均方误差<0.003)。最后,我们使用这个重建过程的病理数据,而无需重新训练,表明重建图像是临床上有用的中风识别。
2023-03-23 physics.med-ph stat.AP
Bayesian Target-Vector Optimization for Efficient Parameter Reconstruction
参数重建是计量学中不可缺少的一部分。这里,目的是通过拟合测量过程的参数化模型来解释$K$实验测量。通过最小二乘法定期确定模型参数,即,通过最小化$K$模型预测值和$K$实验观测值之间的残差平方和$χ^2$。模型函数通常涉及计算要求高的数值模拟。贝叶斯优化方法特别适合于最小化昂贵的模型函数。然而,与诸如Levenberg-Marquardt算法的最小二乘法相比,它们仅考虑$χ^2$的值,而忽略$K$个体模型输出。我们提出了一个贝叶斯目标向量优化方案,其性能比以前的发展有所改进,考虑了模型函数的所有$K$贡献,并且特别适合于通常基于数百个观测的参数重建问题。它的性能相比,光学计量重建问题和两个合成最小二乘问题的方法。所提出的方法优于已建立的优化方法。它还可以通过在经过训练的代理模型上使用马尔可夫链蒙特卡罗抽样,用很少的实际模型函数观测值来确定准确的不确定性估计。
2022-05-24 physics.comp-ph physics.data-an stat.ML
Trustworthy MRI Reconstruction via Bayesian Uncertainty Quantification with Sparsity Prior Models
Department of Computer Science, University of Exeter(埃克塞特大学计算机科学系);UCL Hawkes Institute, Department of Computer Science, University College London(伦敦大学学院计算机科学系霍克斯研究所)
提出一种基于压缩感知磁共振图像重建的不确定性量化框架,采用贝叶斯线性逆问题建模,利用稀疏先验(总变分或小波变换)和分裂增广吉布斯采样器进行MCMC采样,在单线圈和多线圈数据集上验证了优于优化方法和深度学习方法的图像重建与不确定性量化性能。
2026-06-23 cs.CV stat.AP
Bayesian methods and Markov chain Monte Carlo algorithms for curve reconstruction and point cloud data analysis
University of Tennessee(田纳西大学)
本文针对点云数据量大、含噪声及缺失信息,现有重建无不确定性量化的问题,提出全贝叶斯框架与适配的MCMC采样器,经合成及LiDAR数据实验,实现精确曲线重建与不确定性量化。
2026-08-28 cs.LG stat.ML
Bayesian ECG reconstruction using denoising diffusion generative models
本文提出用健康心电图数据训练的去噪扩散生成模型(DDGM)进行贝叶斯心电图重建,实现逼真心电信号生成,并应用于QTc计算、噪声抑制、缺失导联恢复和异常识别等临床任务。
2023-12-18 cs.LG eess.SP stat.ML
A discussion of "Bayesian model selection based on proper scoring rules" by A.P. Dawid and M. Musio
本文是对A.P. Dawid和M. Musio,出现在贝叶斯分析中。虽然赞赏背后的概念使用适当的评分规则,包括不适当的先验知识,我们在这里指出一些可能的实际困难与提倡的方法。
2015-02-26 stat.ME
EEG reconstruction and skull conductivity estimation using a Bayesian model promoting structured sparsity
M/EEG源定位是一个开放的研究课题。为了解决这个问题,重要的是要有良好的知识的几个物理参数,建立一个可靠的头操作。其中,人类头骨的导电性的价值一直存在争议。本报告介绍了一种新的分层贝叶斯框架,估计头骨电导率联合从M/EEG测量的大脑活动,以提高重建质量。一个部分崩溃的吉布斯抽样器被用来绘制样本渐近分布根据相关的后验。然后,生成的样本用于在完全无监督的框架中联合估计大脑活动和模型超参数。我们使用合成和真实数据来说明重建的改进。我们的方法的性能还比较了两个优化算法引入Vallaghé \textit{et al.}和Gutierrez \textit{et al.}分别,表明我们的方法是能够提供类似或更好的质量,同时在更广泛的情况下仍然适用的结果。
2017-01-04 stat.AP stat.ME
Structural Gaussian Priors for Bayesian CT reconstruction of Subsea Pipes
X射线计算机断层扫描(CT)的无损检测(NDT)应用是通过2D横截面扫描检查运行中的海底管道。由于海底环境具有挑战性,数据采集既耗时又昂贵。减少扫描中的投影数量可以节省时间和成本,但如果使用传统的重建方法,则会损害重建质量。在这项工作中,我们采取贝叶斯方法进行CT重建,并专注于设计一个有效的利用现有的结构信息的管道几何形状。我们提出了一类新的结构高斯先验,通过高斯马尔可夫随机场(GMRF)先验,结合全局规律性的独立高斯先验的重建图像的不同区域中执行预期的材料属性。数值实验与合成和真实数据表明,所提出的结构高斯先验可以减少伪影和增强对比度的重建相比,只使用一个全球的GMRF先验或根本没有先验。我们展示了如何得到的后验分布可以有效地采样,即使是大规模的图像,这是必不可少的实际无损检测应用。
2022-09-21 cs.NA eess.IV math.NA
Bayesian hierarchical modeling for temperature reconstruction from geothermal data
提出了一种利用钻孔温度剖面重建古气候的贝叶斯分层建模方法。该方法依赖于通过具有阶跃函数和表面边界条件的热方程来模拟固体中的热传导。我们的分析包括模型误差,并假设边界条件是随机过程。该公式还能够分离测量误差和模型误差。我们将分析应用于犹他州圣拉斐尔地区的9个钻孔温度记录的数据。我们产生地表温度的历史与不确定性估计在过去的400年。我们特别注意使用的先验参数模型,说明借款强度的综合分析,所有九个钻孔。此外,我们回顾了选定的敏感性分析。
2011-07-25 stat.AP
Comparing Nonparametric Bayesian Tree Priors for Clonal Reconstruction of Tumors
University of Toronto(多伦多大学)
统计机器学习方法,特别是非参数贝叶斯方法,已经变得越来越流行,以推断肿瘤的克隆群体结构。在这里,我们描述了treeCRP,中国餐馆过程(CRP),一个流行的建设中使用的非参数混合模型的扩展,以推断癌细胞的人口中所代表的主要亚克隆谱系的遗传和基因型。我们还提出了新的分裂合并更新量身定制的亚克隆重建问题,提高混合时间的马尔可夫链。与PhyloSub中使用的树结构棒断裂之前相比,我们使用treeCRP与我们新的拆分-合并程序展示了优越的混合和运行时间。我们还表明,给定相同数量的样本,TSSB和treeCRP具有相似的恢复肿瘤亚克隆结构的能力。
2014-08-11 cs.LG q-bio.PE stat.ML
Joint Bayesian Inference of Genetic Effect Sizes and PK Parameters in Nonlinear Mixed-Effects Models
ELLIS Institute Finland(芬兰ELLIS研究所);Aalto University(阿尔托大学);Certara(Certara公司);Vanderbilt University Medical Center(范德堡大学医学中心);UMR1137 IAME(IAME联合研究实验室1137);Université Paris Cité, Université Paris Sorbonne Nord, INSERM(巴黎西岱大学、巴黎索邦北大学、法国国家健康与医学研究院)
本文提出一种联合推断非线性混合效应模型参数和SNP效应大小的贝叶斯框架,在单模型拟合中提供后验不确定性与包含总结。通过比较五种稀疏诱导先验,验证了其在高维遗传协变量选择中的有效性。
2026-04-15 stat.AP
A Bayesian spatiotemporal model for reconstructing climate from multiple pollen records
全新世(过去12,000年)的温度变化,包括从最后一个冰河时代到温暖气候的过渡,在芬兰南部,瑞典和爱沙尼亚的多个地点根据湖泊沉积物岩心的花粉化石数据进行重建。提出了一种新的贝叶斯统计方法,允许重建的温度历史,通过共享的环境响应参数和空间依赖性进行交互。过去温度的先验分布部分基于数值气候模拟。重建中的特征与基于更常用的重建技术的定量气候重建一致。结果表明,新的时空方法可以提供更平滑,更少的不确定性和更真实的比特定地点的个人重建的定量重建。
2015-11-05 stat.AP
Bayesian reconstruction of memories stored in neural networks from their connectivity
大型神经回路的全面突触接线图的出现创造了连接组学领域,并产生了一些开放的研究问题。其中一个问题是,在给定突触连接矩阵的情况下,是否有可能重建存储在递归神经元网络中的信息。在这里,我们通过确定在特定的吸引子网络模型中何时解决这样的推理问题在理论上是可能的,并通过提供一个实用的算法来解决这个问题。该算法建立在统计物理学的思想,执行近似贝叶斯推断,并服从精确分析。我们研究了它的性能在三种不同的模型,比较该算法的标准算法,如PCA,并探讨从突触连接重建存储的模式的局限性。
2022-08-29 cond-mat.stat-mech q-bio.NC stat.ML
Iterative Bayesian Reconstruction of Non-IID Block-Sparse Signals
提出了一种新的块迭代贝叶斯算法(Block-IBA),用于重构具有未知块结构的块稀疏信号。与现有的用于块稀疏信号恢复的算法不同,现有的算法假设未知信号的非零元素的簇结构是独立同分布的(i.i.d.),我们使用更现实的Bernoulli-Gaussian隐马尔可夫模型(BGHMM)来表征非独立同分布。在实践中经常遇到的块稀疏信号。块IBA迭代估计块稀疏信号的幅度和位置使用最陡上升的期望最大化(EM),并通过自适应阈值最优地选择块稀疏信号的非零元素。分析并证明了Block-IBA算法的全局收敛性,并通过数值实验和模拟仿真验证了Block-IBA算法的有效性。
2014-12-07 cs.IT math.IT stat.ML
Improved learning of Bayesian networks
Univ. of Economics Prague(布拉格经济大学);University of Utrecht(乌得勒支大学)
贝叶斯网络结构的搜索空间通常被定义为无环有向图(DAG),搜索通过DAG的局部变换来完成。但是贝叶斯网络的空间是由DAG马尔可夫模型包含来排序的,很自然地认为一个好的搜索策略应该考虑到这一点。第一次尝试(Chickering 1996)是使用DAG的等价类而不是DAG本身。这种方法可以产生更好的结果,但速度要慢得多。我们提出了这两种方法之间的妥协。它使用DAG来搜索空间,以这样一种方式,即考虑到包含的排序。这是通过在DAG的等价类内重复使用局部移动来实现的。我们表明,这种新的方法产生更好的结果比原来的DAG的方法没有实质性的变化,时间复杂度。我们目前的实证结果,启发式搜索和马尔可夫链蒙特卡罗的框架内,通过报警数据集提供。
2013-01-10 cs.AI cs.LG stat.ML
PAC-Bayesian Reconstruction Guarantees for Time Series Variational Autoencoders
LPSM, Sorbonne Université(索邦大学 LPSM);EDF R&D(法国电力集团研发部);University College London(伦敦大学学院);Inria(法国国家信息与自动化研究所)
本研究针对时间序列变分自编码器泛化保证有限的问题,开发了适用于马尔可夫隐变量结构的PAC-贝叶斯框架,该框架的保证不随轨迹长度增长,且所需假设限制较小。
2026-09-07 cs.LG stat.ML
Linear Embedding-based High-dimensional Batch Bayesian Optimization without Reconstruction Mappings
Graduate School of Information Science and Technology(信息科学技术研究生院);The University of Tokyo(东京大学);NTT Communication Science Laboratories(NTT通信科学实验室);Epistra Inc.(Epistra公司)
高维黑箱函数的优化是一个具有挑战性的问题。现有的贝叶斯优化(BO)方法在假设低维线性嵌入结构时,往往将原问题转化为低维空间的优化问题。他们利用低维结构,减少计算负担。然而,我们发现,这种方法可能是有限的或效率低下,在探索高维空间,主要是由于偏见重建的高维查询从低维查询。在本文中,我们研究了一种简单的替代方法:使用来自学习的低维结构的信息在原始高维空间中解决问题。我们提供了一个理论分析的探索能力。此外,我们表明,我们的方法是适用于批量优化问题的数千维没有任何计算困难。我们证明了我们的方法在高维基准和现实世界的功能的有效性。
2022-11-02 cs.LG stat.ML
Bayesian palaeoclimate reconstruction from zero-inflated count-compositional pollen data: A case study of Lago Grande di Monticchio in southern Italy
Hamilton Institute and Department of Mathematics and Statistics, Maynooth University(梅努斯大学汉密尔顿研究所与数学统计系);School of Mathematics and Statistics, University College Dublin(都柏林大学学院数学统计学院);Department of Biosciences, Durham University(杜伦大学生物科学系)
提出贝叶斯模块化框架,利用零膨胀计数成分花粉数据和贝叶斯加性回归树,结合切割后验分布与采样重要性重采样,实现古气候重建并量化不确定性。
2026-09-09 stat.AP stat.CO stat.ME
Bayesian Structured Sparsity from Gaussian Fields
对结构稀疏性的大量研究有助于分析许多不同的应用。然而,在这项工作中很少有贝叶斯程序。在这里,我们开发了一个贝叶斯模型的结构化稀疏性,使用一个高斯过程(GP)共享参数的稀疏诱导前的比例特征相似性定义的任意正定内核。对于线性回归,回归系数上的这种稀疏诱导先验是将混合模型转换为法线的尺度混合的典型尖峰和平板先验的松弛。这种先验保留了包含参数的显式后验概率-现在使用GP概率先验分布-但通过潜在高斯场的椭圆切片采样实现了易于处理的计算。我们使用关联映射的基因组应用或识别与连续性状相关的遗传变异来激励这种先验的发展。我们的贝叶斯结构稀疏模型产生稀疏的结果,大大提高了灵敏度和精度相对于可比的方法。通过模拟,我们发现三个属性是这种改进的关键:i)在协变量中建模结构,ii)使用包含的后验概率进行显著性检验,iii)模型平均。我们目前的结果,从应用该模型到一个大型的基因组数据集,以证明计算的易处理性。
2014-07-08 q-bio.GN stat.ME
Bayesian Estimation Under Informative Sampling with Unattenuated Dependence
信息性抽样设计导致与感兴趣的响应变量相关的单元包含概率。然而,多级抽样设计也可能会导致高阶相关性,这通常被忽略在文献中建立一致性的估计调查数据的条件下,需要渐近独立的单位包含概率。我们完善和放松这个条件的渐近独立或渐近分解,并证明了一致性仍然是在存在的残差采样依赖。基于调查样本对总体进行推断的流行方法是使用伪后验,其使用基于一阶包含概率的采样权重来对可能性取指数。我们证明了伪后验不仅对具有渐近因子分解的调查设计是一致的,而且对具有剩余或未衰减依赖的设计也是一致的。使用复杂的抽样设计的全国药物使用和健康调查,我们探讨了多级设计和顺序抽样的影响。调查加权伪后验的使用与我们对调查设计的宽松要求一起建立了广泛的分析模型,可以应用于各种各样的调查数据集。
2018-07-12 stat.ME
Bayesian reconstruction of past land-cover from pollen data: model robustness and sensitivity to auxiliary variables
过去的土地覆盖的现实需要调查史前环境变化,人为砍伐森林的影响,以及长期的土地覆盖气候反馈。基于观测的过去土地覆盖的重建是罕见的,常用的基于模型的重建表现出相当大的差异。最近,\citet [空间统计学,24:14--31,][]{PirzaLPG2018_24}开发了一种统计插值方法,可以从花粉组合中生成过去土地覆盖的空间完整重建。这些重建包含许多辅助数据集,这引发了有关该方法对不同辅助数据集的敏感性的问题。在这里,通过在三个时间段(1900 CE,1725 CE和4000 BCE)进行空间重建北欧的方法的灵敏度进行检查。所考虑的辅助数据集包括过去土地覆盖数据的最常用来源-例如由动态植被模型和人为土地覆盖变化模型得出的估计数。考虑了五个不同的辅助数据集,包括驱动DVM的不同气候数据和不同的ALCC模式。还使用交叉验证对所有时间段的重建结果进行了评估。对于最近的时间段,1900 CE,不同的土地覆盖重建与当今的森林地图进行了比较。验证证实,统计模型提供了一个强大的空间插值工具,具有低灵敏度的辅助数据的差异和高容量的花粉为基础的代理数据捕获信息。具有高空间细节的更多辅助数据可以提高地形复杂或观测数据较少的地区的模型性能。
2018-11-03 stat.AP
MPBART - Multinomial Probit Bayesian Additive Regression Trees
本文提出了多项式概率贝叶斯加性回归树(MPBART)作为BART-贝叶斯加性回归树的多项式概率扩展(Chipman et al(2010))。MPBART是灵活的,允许包括预测,描述观察单位以及可用的选择方案。通过两个模拟研究和四个真实数据的例子,我们表明,MPBART具有很好的预测性能相比,其他离散选择和多类分类方法。为了实现MPBART,我们开发了一个R包mpbart,可以从CRAN仓库免费获得。
2016-02-06 stat.ML
Bayesian optimization of the PC algorithm for learning Gaussian Bayesian networks
Universidad Politécnica de Madrid(马德里理工大学);Universidad Autónoma de Madrid(马德里自治大学);Departamento de Inteligencia Artificial(人工智能系);Departamento de Ingeniería Informática(信息工程系)
PC算法是学习高斯贝叶斯网络结构的一种流行方法。它进行统计测试,以确定网络中缺失的边缘。因此,它由两个参数控制:(i)检验类型,(ii)其显著性水平。这些参数通常设置为专家推荐的值。然而,这种方法可能会受到人类偏见的影响,导致次优的重建结果。在本文中,我们考虑一个更原则的方法来选择这些参数的自动化。为此,我们优化了一组不同的高斯贝叶斯网络上评估的重建分数。这个目标的评估成本很高,并且缺乏封闭形式的表达式,这意味着贝叶斯优化(BO)是一个自然的选择。BO方法使用模型来指导搜索,因此能够利用目标表面的平滑特性。我们发现,BO方法找到的参数优于随机搜索策略和专家推荐。重要的是,我们发现一个经常被忽视的统计测试提供了最好的整体重建结果。
2018-06-28 cs.LG stat.ML
Bayesian Pairwise Estimation Under Dependent Informative Sampling
信息性抽样设计导致选择包含概率与感兴趣的响应变量相关的单位。对所得观察样本进行的模型推断将对群体生成模型产生偏倚。产生渐近无偏推断的一种方法采用边际包含概率来形成采样权重,该采样权重用于对伪似然的每个似然贡献取指数,该伪似然用于形成伪后验分布。后验一致性条件将适用的抽样设计限制为两两包含依赖性渐近限制为0的设计。有许多抽样设计不受此限制;例如,对家庭内的个人进行抽样的多阶段设计。把每个家庭看作一个人口,个人之间的依赖性并没有减弱。在本文中,我们提出了一个更有针对性的方法推理集中在对个人或抽样单位,例如,物质使用的一个配偶在一个共同的家庭,条件是物质使用的另一个配偶。我们制定的伪似然权重的基础上成对或二阶概率和证明的一致性,删除渐近独立的要求,并取代它与高阶选择概率的限制。我们的方法提供了一个几乎自动化的估计过程,适用于数据分析师指定的任何模型。我们展示了我们的方法在全国药物使用和健康调查。
2017-10-27 stat.ME
Reconstruction-Aware Imaging System Ranking by use of a Sparsity-Driven Numerical Observer Enabled by Variational Bayesian Inference
Washington University in St Louis(圣路易斯华盛顿大学);University of Arizona(亚利桑那大学)
人们普遍认为,成像系统性能的优化应遵循基于任务的图像质量(IQ)指标。有人主张,成像硬件或数据采集设计应通过使用理想的观察者(IO),利用充分的统计知识的测量噪声和类的对象被成像,而不考虑重建方法进行优化。在实践中,完整对象统计的准确和易处理的模型通常难以确定。此外,在采用压缩感测概念的成像系统中,成像硬件和稀疏图像重建是固有耦合的技术。在这项工作中,一个稀疏驱动的观察员(SDO),可以用来优化硬件通过使用一个随机对象模型描述对象稀疏性的描述和调查。因此,SDO和稀疏重建方法可以在它们都利用关于要成像的对象的类别的相同统计信息的意义上“匹配”。为了有效地计算SDO检验统计量,最近开发的计算工具,变分贝叶斯推理稀疏线性模型。使用SDO排名数据采集设计在一个程式化的例子,磁共振成像(MRI)的动机证明。这项研究表明,SDO可以产生的排名是一致的重建图像的视觉评估,但不同的使用传统的霍特林观察员(HO)。
2019-05-14 cs.CV stat.AP
Deep Gaussian Process Priors for Bayesian Image Reconstruction
针对图像重建中非平稳先验需求,提出结合有理逼近与无行列式采样的深度高斯过程贝叶斯方法,通过分数阶SPDE高效采样,在多个重建任务中优于平稳GP。
2025-04-23 cs.NA math.NA stat.CO
Simulation-based Bayesian analysis for multiple changepoints
本文提出了一种马尔可夫链蒙特卡罗方法来产生近似后验样本的回溯多变点问题,其中的变化的数量是事先未知的。该方法使用共轭模型,从而连续变化点之间的数据的边际似然是易处理的。包含hyperpriors给出了一个接近自动的算法,提供了一个强大的替代流行的过滤递归方法的情况下,可能是敏感的先验信息。三个真实的例子来证明所提出的方法。
2010-11-12 stat.CO
Hierarchical Bayesian Inverse Problems: A High-Dimensional Statistics Viewpoint
本文从高维统计视角分析分层贝叶斯逆问题,利用正则化器的近似可分性获得最大后验估计重建误差的非渐近界,并解释了利用稀疏性的模型在高维环境下的准确重建机制。
2024-01-05 cs.NA math.NA math.ST