Nonparametric graphical model for counts
虽然多变量计数数据在许多应用领域都是常规收集的,但令人惊讶的是,很少有工作开发灵活的模型来表征它们的依赖结构。当兴趣集中在推断条件独立图时,这尤其如此。在这篇文章中,我们提出了一类新的两两马尔可夫随机场型模型的联合分布的多元计数向量。通过采用一种新的类型的转换,我们避免限制到非负依赖结构或通过截断诱导其他限制。采用贝叶斯方法进行推理,我们选择一个狄利克雷过程先验的随机效应的分布,以引起很大的灵活性的规格。提出了一种有效的马尔可夫链蒙特卡罗(MCMC)算法。我们证明了各种理论属性,包括后验一致性,并表明我们的COUNT非参数图形分析(CONGA)方法具有良好的性能,相对于竞争对手在模拟研究。该方法的动机是应用程序在小鼠神经元尖峰计数数据。
2020-05-15 stat.ME
Bayesian Structure Learning in Graphical Models using Shrinkage priors
我们考虑在稀疏性假设下学习高维精度矩阵结构的问题。我们建议使用收缩先验,称为DL-图形先验的基础上的狄利克雷-拉普拉斯先验用于高斯均值问题。同时给出了一种基于Gibbs抽样的后验抽样方案,并通过精度矩阵的后验收敛速度给出了该方法的理论保证。
2019-07-26 math.ST stat.ME stat.TH
Graphical posterior predictive classifier: Bayesian model averaging with particle Gibbs
在这项研究中,我们提出了一个多类的图形贝叶斯预测分类器,将不确定性的模型选择到标准的贝叶斯形式主义。对于每个类,所观察到的功能的依赖结构表示由一组可分解的高斯图形模型。然后重点放在贝叶斯模型平均,充分考虑到类特定的模型的不确定性,平均后验图模型的概率。众所周知,对模型概率的明确评估是不可行的。为了解决这个问题,我们考虑Olsson等人的粒子Gibbs策略。(2018 b)用于可分解图形模型的后验采样,该模型利用Olsson等人的圣诞树算法。(2018 a)作为建议内核。我们还推导出一个强大的超马尔可夫定律,我们称之为超正常Wishart法,允许进行贝叶斯计算本地。所提出的预测图形分类器显示出优越的性能相比,普通的贝叶斯预测规则,不考虑模型的不确定性,以及一些开箱即用的分类器。
2018-06-06 stat.ML
An Order of Magnitude Time Complexity Reduction for Gaussian Graphical Model Posterior Sampling Using a Reverse Telescoping Block Decomposition
Department of Statistics, Purdue University(普渡大学统计学系)
本文提出一种反向折叠块分解的MCMC方法,将高斯图模型后验估计的时间复杂度从O(p⁴)降低到O(p³),从而在大规模数据下提升了计算效率。
2026-03-20 stat.CO stat.ME
On the Prior and Posterior Distributions Used in Graphical Modelling
图形模型学习和推理通常使用贝叶斯技术来执行。特别是,学习通常是在两个独立的步骤中进行的。首先,从数据中学习图结构;然后根据该图结构估计模型的参数。虽然第二步中涉及的概率分布已被深入研究,但第一步中使用的概率分布尚未被详细探讨。在本文中,我们将研究在图结构空间上定义的先验分布和后验分布,以学习图模型的结构。特别是,我们将提供一个表征的行为,这些分布作为一个功能的可能边缘的图形。然后,我们将使用从这个特性产生的属性来定义贝叶斯和马尔可夫网络的结构变异性的措施,我们将指出他们的一些可能的应用。
2012-11-13 math.ST stat.ML stat.TH
Graphical and numerical diagnostic tools to assess multiple imputation models by posterior predictive checking
本文提出基于后验预测检验的诊断方法,用于评估多重插补模型的合理性,通过比较观测数据与生成的预测后验分布,验证模型的适应性。
2022-08-27 stat.CO
Bayesian Scalable Precision Factor Analysis for Massive Sparse Gaussian Graphical Models
我们提出了一种新的方法来估计精度矩阵的多元高斯数据,依赖于分解成一个低秩和对角分量。这样的分解对于建模大的协方差阵是非常流行的,因为它们允许基于潜在因子的表示,从而允许容易的推断。然而,由于缺乏计算上方便的表示,这限制了低到中等尺寸的问题的推理精度矩阵是不正确的。我们解决这个显着的差距,在文献中建立这样的分解精度矩阵的潜变量表示。建设导致一个有效的吉布斯采样器,规模非常好的高维问题远远超出了目前最先进的限制。有效地探索完整的后空间的能力,也可以很容易地评估模型的不确定性。分解至关重要的是,还允许我们适应稀疏诱导先验,将精度矩阵的无关紧要的条目缩小到零,使该方法适用于高维小样本稀疏设置。然后,通过一种新的后验错误发现率控制过程确定编码底层条件独立图的矩阵中的精确零。在较弱的正则性假设下,我们的方法获得了估计精度矩阵的一个近似极小极大最优后验集中率。我们通过合成实验评估该方法的经验性能,并说明其在两个不同应用领域的数据集的实际效用。
2022-08-16 stat.ME
Regression-Based Bayesian Estimation and Structure Learning for Nonparanormal Graphical Models
非超常图模型是高斯图模型的半参数推广,其中假设变量仅在某些未知的平滑单调变换后才遵循高斯图模型。我们认为贝叶斯方法推理的非超自然图形模型,我们把先验的未知变换通过一个随机序列的基础上B-样条。我们使用一个回归公式来构建的可能性,通过Cholesky分解的转换变量的基础精度矩阵,并把收缩先验的回归系数。我们应用一个插件变分贝叶斯算法学习稀疏精度矩阵和性能比较后吉布斯抽样计划在模拟研究。最后,我们将所提出的方法应用到一个真实的数据集。关键词:
2021-02-20 stat.ME
An empirical $G$-Wishart prior for sparse high-dimensional Gaussian graphical models
在高斯图模型中,精度矩阵中的零元素决定了依赖结构,因此估计稀疏精度矩阵并由此学习该底层结构是一个重要且具有挑战性的问题。我们提出了一个经验版本的$G$ -Wishart先验稀疏精度矩阵,先验模式是由数据以适当的方式通知。与图结构上的先验配对,获得相同的边缘后验分布,其采取两个$G$ -Wishart归一化常数的比率的形式。我们表明,这个比例可以很容易地和准确地计算使用拉普拉斯近似,从而导致快速和有效的后验采样,即使在高维。数值结果表明,所提出的方法的优越性能,在速度和精度方面,在各种设置,并提供了理论支持的形式后浓度率定理。
2019-12-09 math.ST stat.ME stat.TH
Bayesian estimation of a sparse precision matrix
我们考虑的问题,估计稀疏精度矩阵的多元高斯分布,包括维数$p$是大的情况下。高斯图模型提供了一个重要的工具,通过在底层图中的边的存在或不存在来描述条件独立性。一个流行的非贝叶斯方法估计的图形结构是由图形套索。在本文中,我们考虑了解决该问题的贝叶斯方法。我们使用先验,它把一个点质量的混合物在零和一定的绝对连续分布的非对角元素的精度矩阵。因此,所得到的后验分布可以用于图形结构学习。得到了精度矩阵的后验收敛速度。模型空间上的后验分布计算起来极其麻烦。我们提出了一种快速的计算方法近似的后验概率的各种图形使用拉普拉斯近似的方法,通过扩大后验模式,这是图形套索我们选择的先验分布周围的后验密度。我们还提供了近似的精度估计。
2014-04-07 math.ST stat.CO stat.TH
A scalable quasi-Bayesian framework for Gaussian graphical models
本文研究了高维高斯图模型的贝叶斯估计。我们开发了Meinshausen和Buhlmann(2006)的邻域选择方法的准贝叶斯实现,用于估计高斯图模型。该方法产生的产品形式的准后验分布,可以有效地探索并行计算。我们推导出了拟后验分布的收缩率的非渐近界。结果表明,所提出的准后验分布以邻域选择中涉及的线性回归的最差收缩率的速率向真精度矩阵收缩.我们开发了一个用于近似计算的马尔可夫链蒙特卡罗算法,遵循Atchade(2015)的方法。我们说明了模拟研究的方法。结果表明,该方法可以拟合高斯图模型的规模与其他贝叶斯方法的图模型。
2015-12-25 math.ST stat.TH
Posterior convergence rates for estimating large precision matrices using graphical models
当$p$可能远大于可用样本量$n$时,我们考虑$p\times p$精度矩阵的贝叶斯估计。众所周知,在这种超高维情况下的一致估计需要正则化,例如条带化、锥形化或阈值化。我们在模型中考虑带状结构,并通过高斯图模型在带状精度矩阵上引入先验分布,其中只有当两个顶点在给定距离内时才存在边。在适当选择图的阶数的情况下,得到了在一类精度矩阵上基于图模型的后验分布和Bayes估计在$L_{\infty}$ -算子范数下的一致收敛速度,即使真精度矩阵可能不具有带状结构.在证明的过程中,我们还计算了极大似然估计(MLE)在相同条件下的收敛速度,这是独立的兴趣。基于图模型的极大似然估计和贝叶斯估计是自动正定的,这是文献中其他估计所不具备的一个理想性质。我们还进行了模拟研究,以比较有限样本的贝叶斯估计和极大似然估计的性能的基础上的图形模型,通过使用Cholesky分解的精度矩阵。最后讨论了利用边缘似然函数选择图模型阶数的实用方法。
2014-11-06 math.ST stat.TH
Graphical Assistant Grouped Network Autoregression Model: a Bayesian Nonparametric Recourse
向量自回归模型在经典的时间序列数据分析中是普遍存在的。随着社交网站的迅速发展,基于潜图的时间序列数据越来越流行。在本文中,我们开发了一种新的贝叶斯分组网络自回归模型,同时估计组信息(组数和组配置)和组的参数。具体而言,一个图形辅助的中国餐馆的过程中纳入网络自回归模型的框架下,以提高统计推断性能。采用一种有效的马尔可夫链蒙特卡罗抽样算法对后验分布进行抽样。进行了广泛的研究,以评估我们提出的方法的有限样本性能。此外,我们分析了两个真实的数据集作为我们的方法的有效性的说明。
2021-10-11 stat.ME
Bayesian Posterior Learning of Mixed Graphical Models
University College London(伦敦大学学院);National University of Singapore(新加坡国立大学)
本文提出Mixed Graph WWA方法,通过潜在高斯变量和两种似然设定实现混合图模型的贝叶斯结构学习,在模拟和乳腺癌数据上验证了其准确性和高效性。
2026-09-23 stat.AP stat.CO stat.ME
Bayesian Graphical Models under Positivity Constraints: A Scalable Generalized Likelihood Approach
University of Florida(佛罗里达大学);Florida State University(佛罗里达州立大学)
该研究提出正性约束下贝叶斯图模型的可扩展广义似然方法,通过改进采样算法提升高维精度矩阵估计效率,在合成与金融数据上表现出计算优势。
2026-10-23 stat.ME
Bayesian model selection approach for colored graphical Gaussian models
我们考虑了一类有色图形高斯模型,通过在贝叶斯框架下对精度矩阵施加对称性约束而得到。精度矩阵上的先验分布是着色的$G$ -Wishart先验,其是Diaconis-Ylvisaker共轭先验。在本文中,我们开发了一个计算效率高的模型搜索算法,结合线性回归与双可逆跳马尔可夫链蒙特卡罗(MCMC)方法。后者是估计表示为两个竞争模型的后验概率之比的Bayes因子。我们还建立了基于贝叶斯因子的模型选择过程的渐近一致性。我们的程序避免了计算上不可能的穷举搜索。我们的方法与模拟和现实世界中的应用程序与蛋白质信号数据集。
2020-04-02 stat.ME
Bayesian Graphical Models for Multivariate Functional Data
图形模型表达变量之间的条件独立关系。虽然矢量值数据的方法已经很成熟,但函数数据图形模型仍然不发达。我们引入了随机函数之间的条件独立性的概念,并构建了一个框架,贝叶斯推断的无向,可分解的图在多元函数数据的背景下。这个框架是基于扩展马尔可夫分布和超马尔可夫定律从随机变量随机过程,提供了一个原则性的替代天真的应用程序的多元方法离散化的功能数据。马尔可夫性便于根据图的分解来组合似然和先验。我们的重点是使用正交基展开的高斯过程图形模型。我们提出了基展开的无穷系数序列的协方差核的超逆Wishart-process先验,证明了其存在性、唯一性、强超马尔可夫性和共轭性.随机搜索马尔可夫链蒙特卡罗算法的后验推理,通过模拟评估,并应用于大脑活动和酗酒的研究。
2016-01-05 stat.ME
Approximate Bayesian estimation in large coloured graphical Gaussian models
分布式估计方法最近被用来计算大型图形高斯模型精度矩阵的最大似然估计。我们的目的,在本文中,是给贝叶斯估计的精度矩阵的大型图形高斯模型,此外,对称性约束所施加的基础图形是彩色的。我们将精度矩阵的样本后验均值作为我们的估计。我们研究它的渐近行为下,经常渐近制度时,变量p是固定的,双渐近制度下,当p和n都增长到无穷大。我们特别表明,当局部模型的参数的数量是一致有界的,标准的收敛速度,我们得到的渐近一致性,在Frobenius范数,我们的精度矩阵的估计相比,以及在当前文献中的速率的最大似然估计。
2016-05-26 stat.ME
Mixture of Directed Graphical Models for Discrete Spatial Random Fields
The Hershey Company(好时公司);University of Texas at Austin(德克萨斯大学奥斯汀分校)
研究针对空间相关区域单元离散值建模的挑战,提出有向图模型混合(MDGMs)框架。其组件由有向无环图表示,计算快,非MRF近似。通过兼容性概念创建DAG集,在模拟和数据 分析中与MRF等比较,提供有效后验推断且计算更快更有原则。
2026-07-17 stat.ME
The G-Wishart Weighted Proposal Algorithm: Efficient Posterior Computation for Gaussian Graphical Models
针对不可分解高斯图模型在 G-Wishart 先验下后验计算成本高的问题,提出 G-Wishart 加权提议算法(WWA),通过延迟接受 MCMC、Gibbs 更新和并行提议分布降低采样频率,显著提升了后验推断效率。
2023-04-04 stat.CO
Multiple Jump MCMC: A Scalable Algorithm for Bayesian Inference on Binary Model Spaces
University of Amsterdam(阿姆斯特丹大学);Sabanci University(萨贝里大学)
本文提出多重跳跃MCMC算法,用于二元模型空间的贝叶斯推断,该算法简单、无拒绝机制且速度快,适用于高斯图模型、异或模型和变量选择等场景。
2026-04-02 stat.ME
Bayesian Analysis of High-dimensional Discrete Graphical Models
这项工作介绍了一种贝叶斯方法来拟合大型离散图形模型与尖峰和板先验编码稀疏。我们考虑一个准似然方法,使节点并行计算,从而降低计算复杂度。我们引入了一个可扩展的Langevin MCMC算法的采样从准后验分布,使变量的选择和估计同时进行。我们提出了广泛的仿真结果,以证明该方法的可扩展性和准确性。我们还分析了16个人格因素(PF)数据集,以说明该方法的性能。
2019-10-17 stat.CO stat.ME
Bayes Regularized Graphical Model Estimation in High Dimensions
在过去的十年中,贝叶斯图模型估计方法得到了很大的发展-然而,大多数现有的方法仅限于中等尺寸。我们提出了一种新的方法,适用于高维设置,通过解耦模型拟合和协方差选择。首先,基于完全图的完整模型在精度矩阵元素上的新型连续收缩先验下拟合,这在与基于Cholesky的正则化等价的情况下引起收缩,同时实现整个精度矩阵的共轭更新。随后,我们提出了一个后拟合的图形模型估计步骤,该步骤使用惩罚联合可信区域进行邻域选择顺序为每个节点。后验计算使用直接的完全吉布斯抽样进行,并且该方法可扩展到高维。所提出的方法被证明是渐近一致的估计固定$p$的图形结构时,真相是一个高斯图形模型。仿真结果表明,我们的方法相比,无论是在图形模型估计和计算效率方面的贝叶斯竞争对手。我们将我们的方法应用于癌症基因组学中的高维基因表达和microRNA数据集。
2013-08-19 stat.ME
Inference of multiple high-dimensional networks with the Graphical Horseshoe prior
我们开发了一种新的全贝叶斯方法多个相关的精度矩阵,称为多个图形马蹄铁(mGHS)。所提出的方法依赖于一种新的多变量收缩先验的基础上马蹄事先借用的强度和共享稀疏模式的群体,提高后边缘选择时,精度矩阵是相似的。另一方面,当组是独立的时,没有性能损失。此外,mGHS提供了一个相似性矩阵估计,有助于理解跨组的网络相似性。我们实现了一个有效的Metropolis-within-Gibbs后验推理,具体而言,局部方差参数更新通过一种新的和有效的修改拒绝抽样算法,从三参数Γ分布的样本。该方法的规模以及相对于变量的数量,并提供了一个最快的全贝叶斯方法估计多个精度矩阵。最后,边缘选择是一种新的方法,基于模型切割。我们的经验表明,mGHS优于竞争的方法,通过模拟研究和应用程序的自行车共享数据集。
2023-02-13 stat.CO stat.ME
The EAS approach for graphical selection consistency in vector autoregression models
正如频率论文献中的各种最近和重要的论文所证明的那样,以及在宏观经济学,基因组学和神经科学中的许多应用,仍然有大量的兴趣来理解高维向量自回归(VAR)模型的理论估计特性。然而,迄今为止,虽然贝叶斯VAR(BVAR)模型已经开发和研究经验(主要是在计量经济学文献)存在很少的理论研究的重复抽样性质的BVAR模型在文献中。在这个方向上,我们通过$\varepsilon$ - $admissible$子集(EAS)方法构建方法,基于VAR转换矩阵的所有活动/非活动组件(图形)的相对模型概率的广义信念分布进行后验推理。我们给出了稳定VAR(1)模型EAS方法的$pairwise$和$strong$图形选择一致性的数学证明,该方法对模型误设定具有鲁棒性,并通过数值计算证明了它在高维环境下是一种有效的策略.
2019-06-11 stat.ME
Structured variational approximations with skew normal decomposable graphical models
虽然有很多最近的工作发展灵活的变分方法贝叶斯计算,高斯近似结构协方差阵往往是首选的计算在高维设置。本文考虑复杂潜变量模型的近似推理方法,其中后验接近高斯,但后验边缘存在一定的偏斜。我们考虑斜可分解的图形模型(SDGM),这是基于封闭的斜正态分布族,作为变分逼近。这些近似能反映真实的后验条件独立性结构并捕捉后验偏度。不同的参数化探索这个变分家庭,收敛速度和质量的近似可以取决于所使用的参数化。为了增加灵活性,还开发了隐式copula SDGM近似,其中考虑了近似标准化SDGM随机向量的逐元素变换。我们的隐式Copula近似的参数化是新颖的,即使在高斯近似的特殊情况下。在一些涉及广义线性混合模型和状态空间模型的实际例子中检查的方法的性能,我们的结论是,我们的Copula方法是最准确的,但SDGM方法往往几乎一样好,具有较低的计算需求。
2023-02-07 stat.CO
cyclinbayes: Bayesian Causal Discovery with Linear Non-Gaussian Directed Acyclic and Cyclic Graphical Models
Texas A&M University(德克萨斯农工大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
cyclinbayes通过贝叶斯方法实现线性非高斯有向无环和有环图模型的因果发现,提供全面的不确定性量化和高效的MCMC算法。
2026-02-24 stat.CO
Bayesian Learning in Undirected Graphical Models: Approximate MCMC algorithms
无向图模型中的贝叶斯学习|计算参数和预测量的后验分布是非常困难的。我们猜想,对于一般的无向模型,有没有听话的MCMC(马尔可夫链蒙特卡罗)计划给出正确的平衡分布参数。虽然这种棘手性,由于分区函数,是熟悉的那些执行参数优化,贝叶斯学习的后验分布在无向模型参数尚未探索,并提出了新的挑战。我们提出了几个近似MCMC计划和测试充分观察的二元模型(玻尔兹曼机)的一个小的冠心病数据集和较大的人工系统。虽然近似必须在模型上表现良好,但它们与抽样方案的相互作用也很重要。基于变分平均场近似的采样器通常表现不佳,使用循环传播、简短采样和随机动力学的更先进的方法导致可接受的参数后验。最后,我们展示了这些技术上的马尔可夫随机场的隐变量。
2012-07-11 cs.LG stat.ML
On the Geometry of Bayesian Graphical Models with Hidden Variables
University of Warwick(华威大学)
在本文中,我们研究的几何形状的未知参数的可能性在一类简单的贝叶斯有向图的隐变量。这使我们能够在采用任何数值算法之前,获得对此类模型中固有的不可识别性的性质的某些见解,后验密度对先验密度敏感的方式以及这些后验密度可能采取的典型几何形式。这些见解中的许多都适用于具有系统性缺失数据的更复杂的贝叶斯网络。
2013-01-30 cs.LG stat.ML
A closed-form approach to Bayesian inference in tree-structured graphical models
我们考虑在一个精确的贝叶斯框架中的无向图模型的结构的推断。更具体地说,我们的目标是实现封闭形式的后验推理,避免任何采样步骤。这个任务将是棘手的,没有任何限制所考虑的图,所以我们限制我们的探索混合生成树。我们考虑在贝叶斯框架中的无向图模型的结构的推断。为了避免收敛问题和高要求的蒙特卡罗采样,我们专注于精确的推断。更具体地说,我们的目标是实现封闭形式的后验推理,避免任何采样步骤。为了这个目的,我们限制了一组考虑图的混合物的生成树。我们调查的条件下,先验-对树结构和参数-精确的贝叶斯推断可以实现。在这些条件下,我们得到了一个快速的精确算法来计算后验概率的边缘属于{树模型}使用一个代数结果称为矩阵树定理。我们表明,我们所做的假设并不妨碍我们的方法在合成和流式细胞术数据上表现良好。
2017-05-01 stat.ML
Graphical model-based clustering of categorical data
Università degli Studi di Milano-Bicocca(米兰比可卡大学);Università Cattolica del Sacro Cuore(天主教撒克心大学)
本文提出了一种基于图形模型的分类数据聚类方法,通过狄利克雷过程混合模型捕捉变量间的依赖结构,提升聚类效果。
2026-01-21 stat.ME
Robust Bayesian Graphical Regression Models for Assessing Tumor Heterogeneity in Proteomic Networks
本文提出稳健贝叶斯图回归模型rBGR,通过随机边际变换和图回归技术处理非正态数据下的异质网络估计,并在肺癌与卵巢癌蛋白质组网络分析中揭示了受免疫细胞丰度差异性影响的关键蛋白质相互作用。
2023-10-27 stat.ME
A permutation-based Bayesian approach for inverse covariance estimation
多维数据集的协方差估计与选择是现代统计学中的一个基本问题。高斯图形模型是用于此目的的一类流行的模型。目前高斯图形模型下逆协方差阵估计的贝叶斯方法需要底层图形,因此变量的排序是已知的。然而,在实践中,关于真正的基本模型的这种信息往往是不可用的。因此,我们提出了一种新的基于置换的贝叶斯方法来解决未知变量排序问题。特别是,我们对每个排列利用DAG-Wishart先验下的多个最大后验估计,然后构造逆协方差阵的最终估计。该估计量具有较小的变异性并具有阶不变性质。我们建立后验收敛率在温和的假设下,并通过仿真研究表明,我们的方法优于现有的方法在估计逆协方差阵。
2019-02-26 stat.ME
Exact Bayesian inference for off-line change-point detection in tree-structured graphical models
本文研究了多变量时间序列的变点检测问题。观测值的多变量分布应该遵循一个图形模型,其图形和参数随时间的突变而变化。我们证明,它是可能的执行精确的贝叶斯推断,只要一个认为是一个简单的类的无向图称为生成树作为可能的结构。然后,我们能够整合的图形和分割空间在同一时间结合经典的动态规划与代数结果有关的生成树。特别是,我们表明,数量,如后验分布的变化点或后边缘概率随时间的推移,可以有效地获得。我们说明了我们的研究结果的合成和实验数据来自生物学和神经科学。
2016-06-16 stat.ML
A skew Gaussian decomposable graphical model
本文提出了一种新的可分解的图形模型,以适应斜高斯图形模型。我们通过一个可分解的图对多元闭斜向正态随机向量的分量之间的条件独立结构进行编码,使得精度矩阵中的零非对角元素的模式对应于给定图的缺失边。我们提出的条件,保证适当的后验分布下的标准无信息的先验均值向量和精度矩阵,和一个适当的偏度参数的先验。的参数的可识别性进行了研究,通过仿真研究。最后,我们将我们的方法应用于两个数据集。
2013-09-20 math.ST stat.ME stat.TH
Bayesian inference as iterated random functions with applications to sequential inference in graphical models
本文提出了具有半群性质的迭代随机函数的一般形式,在此形式下,精确和近似的贝叶斯后验更新可以看作是具体的例子。给出了迭代随机函数的一个收敛定理。作为一般理论的应用,我们分析的收敛行为的精确和近似的消息传递算法中出现的顺序变点检测问题,制定通过一个潜在的变量有向图模型。通过仿真实例说明了顺序推理算法及其支持理论。
2013-11-01 math.ST stat.ME stat.ML
Bayesian inference for multiple Gaussian graphical models with application to metabolic association networks
我们调查镉(一种有毒的环境污染物)的相关结构上的一些尿代谢产物使用高斯图形模型(GGM)的影响。推断的代谢关联可以提供关于代谢系统的生理状态的重要信息和关于复杂代谢关系的见解。使用拟合的GGM,我们构建了差分网络,该网络突出了在不同实验条件下代谢物相互作用的显著变化。对这种代谢关联网络的分析可以揭示镉暴露引起的潜在生物反应的差异。我们考虑贝叶斯推断,并建议使用乘法(或Chung-Lu随机图)模型作为先验的图形空间。在乘法模型中,每条边都是独立选择的,其概率等于端节点的连通性的乘积。这类先验知识很节俭,但高度灵活;当有此类先验知识时,它可用于鼓励稀疏性或具有预先指定度分布的图形。我们将乘法模型扩展到多个GGM,通过逻辑斯谛回归将边缘包含的概率联系起来,并演示了这如何导致多个GGM的联合推理。提出了一种估计图的后验分布的序贯蒙特卡罗(SMC)算法。
2017-04-13 stat.ME
Gaussian graphical models with graph constraints for magnetic moment interaction in high entropy alloys
高熵合金中磁矩的相互作用对材料科学中高熵合金的设计具有重要的指导意义。虽然第一原理模拟可以捕捉单个原子的磁矩,但需要明确的模型来分析它们的相互作用。这实质上是一个逆协方差阵估计问题。与大多数关于图形模型的文献不同,逆协方差阵具有固有的结构约束,包括节点类型、节点的拓扑距离和部分指定的条件依赖模式。据我们所知,本文是第一个考虑图形模型中这种复杂结构的文章。特别是,我们引入图形约束,制定这些结构,从领域知识和可解释性是至关重要的,这导致了贝叶斯条件自回归模型与图形约束(CARGO)的结构化逆协方差阵。CARGO方法享有有效的实施与修改后的高斯-赛德尔计划通过接近算子的封闭形式后探索。我们建立算法收敛性的算法下,一个可验证的停止标准。仿真结果表明,相对于其他几种方法的竞争力的表现,货物和确认我们的收敛性分析。在一个新的实际数据应用HEAs,所提出的方法导致数据驱动的量化和解释的磁矩相互作用具有高度的可处理性和可转移性。
2021-05-11 stat.ME
Equivalence class selection of categorical graphical models
学习变量之间的依赖关系的结构是统计文献中普遍存在的问题。有向无环图(DAG)可以表示一组条件独立性,但不同的DAG可能编码同一组关系,并且使用观察数据无法区分。等价的DAG可以被收集到类中,每个类由称为基本图(EG)的部分有向图表示。结构学习直接在EG空间上进行,而不是在DAG的联合空间上进行,导致理论和计算上的好处。尽管如此,文献中的大多数努力都致力于高斯数据,较少关注为多变量分类数据设计的方法。然后,我们提出了一个贝叶斯方法的结构学习的分类EGs。结合一个建设性的参数先验启发与图驱动的似然分解,我们得到了一个封闭形式的表达分类EG模型的边际似然。渐近性质进行了研究,和MCMC采样方案的近似后验推理。我们评估我们的方法在模拟场景和真实数据,与国家的最先进的方法相比,具有可观的性能。
2021-02-12 stat.ME
Probability Based Independence Sampler for Bayesian Quantitative Learning in Graphical Log-Linear Marginal Models
贝叶斯方法的图形对数线性边际模型还没有发展到与传统的频率论方法相同的程度。在这项工作中,我们引入了一种新的贝叶斯方法,用于此类模型的定量学习。这些模型属于弯曲指数族,从贝叶斯的角度来看很难处理。此外,可能性不能解析地表示为边际对数线性相互作用的函数,而只能用细胞计数或概率表示。后验分布不能直接得到,需要MCMC方法。最后,一个定义良好的模型需要参数值,导致兼容的边际概率。因此,任何MCMC都应该考虑到这一重要限制。我们构建了一个全自动和高效的MCMC策略,用于处理这些问题的图形对数线性边际模型的定量学习。虽然先验表示的边际对数线性相互作用,我们建立了一个MCMC算法,采用概率参数空间的建议。通过参数变换,得到了关于边际对数线性相互作用的相应建议。通过这种策略,我们实现了在期望的目标空间内移动。在每一步中,我们直接使用定义良好的概率分布。此外,我们可以利用条件共轭设置来建立关于概率参数的有效建议。所提出的方法说明了模拟研究和真实的数据集。
2018-07-03 stat.ME
Bayesian Inference for High-dimensional Time Series with a Stationary Directed Acyclic Graphical Structure
University of Florida(佛罗里达大学);University of Maryland Baltimore County(马里兰大学巴尔的摩县分校);North Carolina State University(北卡罗来纳州立大学)
针对多变量时间序列的因果关系表征问题,提出一种基于有向无环图的贝叶斯建模方法,可适配平稳性并扩展至矩阵变量序列,配套高效算法与理论保证,经仿真和真实数据验证有效。
2026-09-01 math.ST stat.ME stat.TH
Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network
本文提出名为JSP-GFN的方法,用单个生成流网络联合推断贝叶斯网络的图结构与参数,该方法在模拟和真实数据上的表现优于现有方法,可准确近似联合后验分布。
2026-08-31 cs.LG stat.ML
On a wider class of prior distributions for graphical models
本文针对高斯图模型贝叶斯推断中图空间指数增长的问题,提出在循环空间上基于循环基线性组合构造新型先验,并实现MCMC算法,在缩小搜索空间的同时保持后验边包含估计的准确性。
2023-12-12 stat.ME
Estimation of partially known Gaussian graphical models with score-based structural priors
Rice University(莱斯大学);King Juan Carlos University(胡安·卡洛斯国王大学)
本文提出一种融合图上先验信息的部分已知高斯图模型支持估计算法,利用退火朗之万扩散和图神经网络估计分数函数,从后验分布采样以提升估计性能。
2024-02-23 cs.LG stat.ML
Efficient sampling of Gaussian graphical models using conditional Bayes factors
高斯图形模型的贝叶斯估计已被证明是具有挑战性的,因为高斯精度矩阵上的共轭先验分布,G-Wishart分布,具有双重难以处理的分区函数。最近的发展提供了一种直接从G-Wishart分布中采样的方法,这使得模型选择算法比以前更有效。尽管如此,估计高斯图形模型与少数几个变量仍然是一个几乎不可行的任务。在这里,我们提出了两种新的算法,使用直接采样器更有效地近似高斯图形模型的后验分布。第一种算法使用条件贝叶斯因子在Metropolis-Hastings框架中比较模型。第二种算法是基于连续时间马尔可夫过程。我们表明,这两种算法都大大快于国家的最先进的替代品。最后,我们展示了如何使用算法可以同时估计结构和功能连接之间的皮层下的大脑区域,使用静息态功能磁共振成像。
2014-09-09 q-bio.NC stat.ME
Sparsifying transform priors in Gaussian graphical models
Norwegian University of Science and Technology(挪威科技大学)
本文提出了一种新的ST先验分布,用于解决高斯图模型中MCMC算法的双重不可计算性问题,并在真实数据上验证了其有效性。
2026-01-13 stat.ME
Bayesian inference for Gaussian graphical models beyond decomposable graphs
图模型的贝叶斯推断近年来受到了广泛的关注。众所周知,当图G是可分解的时,贝叶斯推断比在一般的不可分解设置中明显更易处理。另一方面,惩罚似然推理在过去几年中在可扩展性和易处理性方面取得了巨大的进步。然而,贝叶斯推断并没有取得同样的成功,尽管可扩展的贝叶斯方法有其各自的优势,特别是在量化不确定性方面。为了解决这个问题,我们提出了一个可扩展的和灵活的新贝叶斯方法估计和模型选择高斯无向图模型。首先,我们开发了一类广义G-Wishart分布的多个形状参数的任意底层图。这个类包含G-Wishart分布作为特例。然后,我们引入了广义Bartlett(GB)图的类,并推导出一个有效的吉布斯抽样算法,以获得后验绘制从广义G-Wishart分布对应的GB图。广义Bartlett图类包含可分解图类作为特殊情况,但比可分解图类大得多。我们继续推导出所提出的吉布斯采样器的理论性质。然后,我们证明,建议的吉布斯采样器是可扩展的显着高维问题相比,使用一个接受拒绝或大都市-黑斯廷斯算法。最后,我们展示了所提出的方法对模拟和真实数据的有效性。
2015-05-04 stat.ME
Correlation between Multivariate Datasets, from Inter-Graph Distance computed using Graphical Models Learnt With Uncertainties
我们提出了一种多变量数据集的相关矩阵和图形模型的同时贝叶斯学习方法,以及每个数据集的不确定性,以随后计算一对数据集的学习图形模型之间的距离,使用一个新的度量,该度量近似于给定相应数据集的图形模型的后验概率之间的不确定性归一化Hellinger距离;然后计算该对数据集之间的相关性作为相应的相似性度量。我们实现了一个封闭形式的列间相关矩阵的似然边缘化的行间矩阵。在给定数据的情况下,首先更新该列间相关性,然后在给定在给定更新的相关性的情况下计算的部分相关性矩阵的情况下更新图形,从而允许学习数据的相关性矩阵和图形模型的95个$\%$最高概率密度可信区域。通过确认测量噪声,对学习的图形模型进行了区分,在一个小的模拟数据集上进行了演示,而大型人类疾病-症状网络-具有$>8,000$节点-使用真实数据进行学习。葡萄牙红葡萄酒和白葡萄酒样品的葡萄酒化学属性的数据学习与每个数据集的不确定性图形模型,随后,这些学习的图形模型之间的距离。
2018-11-06 stat.AP stat.ME
An Expectation Conditional Maximization approach for Gaussian graphical models
贝叶斯图模型是理解许多变量之间依赖关系的有用工具,特别是在具有外部先验信息的情况下。在高维环境中,可能的图的空间变得巨大,使得即使是最先进的贝叶斯随机搜索在计算上也不可行。我们提出了一个确定性的替代估计高斯和高斯copula图形模型使用期望条件最大化(ECM)算法,扩展EM方法从贝叶斯变量选择图形模型估计。我们表明,ECM方法可以快速后验探索下的混合先验序列,并可以将多个信息源。
2019-02-06 stat.ML
Spatially Varying Gene Regulatory Networks via Bayesian Nonparametric Covariate-Dependent Directed Cyclic Graphical Models
Texas A&M University(德克萨斯农工大学);University of Texas at Austin(得克萨斯大学奥斯汀分校)
该研究提出了一种基于贝叶斯非参数协变量依赖定向循环图模型的方法,用于学习空间变化的基因调控网络,通过划分平均获得平滑变化的图结构,并在空间转录组学数据中揭示了具有反馈回路的调控网络。
2025-12-12 stat.ME
Bayesian learning of forest and tree graphical models
University of Bristol(布里斯托大学)
在高斯图模型结构的贝叶斯学习中,通常将注意力限制在某些类别的图上,并通过使用MCMC或诸如随机鸟枪搜索(SSS)的方法重复地从一个图移动到另一个图来近似后验分布。我给两个校正版本的算法不可分解的图形和讨论随机图形分布,特别是作为先验分布。本论文的主要研究课题是贝叶斯森林结构学习。限制对这些图的关注可以使用随机图上的定理来证明。我描述了如何使用Chow $\unicode{x2013}$ Liu算法和矩阵树定理来找到树上的MAP森林和后验分布中的某些量。我给适应版本的MCMC和SSS近似的后验分布的森林和树木,和系统存储这些图,以便很容易选择移动到相邻的图形。实验表明,当真实图是树或稀疏图时,带有树的SSS表现良好。在某些情况下,树或森林的SSS比可分解图的SSS更好。图先验改进了枢纽的检测,但需要大范围的概率。森林上的MCMC不能很好地混合,树木上的MCMC比SSS慢。(For更长的摘要见论文。)
2021-08-31 cs.LG stat.ML
Outlier-Robust Bayesian Multivariate Analysis with Correlation-Intact Sandwich Mixture
Graduate School of Economics, Kyoto University(京都大学经济学研究科);Faculty of Economics, The University of Tokyo(东京大学经济学部);Faculty of Economics, Keio University(庆应义塾大学经济学部)
针对多元分析中离群值扭曲相关结构的问题,提出相关性保持的三明治混合模型,采用对称超重尾尺度分布实现后验稳健性,并开发高效吉布斯采样算法,在模拟和实证中验证优越性。
2025-10-24 stat.ME
Bayesian Regularization for Graphical Models with Unequal Shrinkage
Department of Statistics, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校统计学系)
我们考虑一个贝叶斯框架估计高维稀疏精度矩阵,其中自适应收缩和稀疏性诱导的拉普拉斯先验的混合物。除了讨论我们的配方从贝叶斯的角度来看,我们调查的MAP(最大后验概率)估计从惩罚的可能性的角度来看,产生了一个新的非凸罚款近似的$\ell_0$罚款。最佳的误差率估计一致性的各种矩阵范数以及稀疏结构恢复的选择一致性的唯一MAP估计在温和的条件下。为了快速有效地计算,提出了一种期望最大化算法来计算精度矩阵的MAP估计和底层稀疏结构边缘上的(近似)后验概率。通过广泛的模拟研究和实际应用的呼叫中心数据,我们已经证明了我们的方法与现有的替代品相比,优良的性能。
2018-05-20 cs.LG math.ST stat.CO
Bayesian Inference for Discrete Markov Random Fields Through Coordinate Rescaling
University of Amsterdam(阿姆斯特丹大学)
本文提出了一种基于坐标重新缩放的采样方法,用于提高离散马尔可夫随机场中贝叶斯推断的效率和准确性。
2026-10-02 stat.ME