A General Bayesian Nonparametric Approach for Estimating Population-Level and Conditional Causal Effects
Seoul National University（首尔大学）；University of Chicago（芝加哥大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
本文提出了一种通用的贝叶斯非参数方法，用于估计群体层面和条件因果效应，通过灵活建模结果分布以提高治疗效应异质性的估计精度。
2025-11-28 stat.ME
Rediscovery of Good-Turing estimators via Bayesian nonparametrics
估计发现概率的问题起源于统计生态学的背景下，近年来，它已成为流行的，由于其频繁出现在遗传学，生物信息学，语言学，实验设计，机器学习等具有挑战性的应用程序。一个全方位的统计方法，参数和非参数以及频率论和贝叶斯，已经提出了估计发现概率。在本文中，我们研究了著名的古德图灵方法，这是一个频率主义的非参数方法在20世纪40年代，最近在文献中介绍的贝叶斯非参数方法之间的关系。具体而言，假设两个参数的泊松-狄利克雷先验，我们证明了贝叶斯非参数估计的发现概率是渐近等价的，对于一个大的样本量，适当地平滑好图灵估计。作为这个结果的副产品，我们介绍和调查的方法来获得准确和渐近的可信区间与发现概率的贝叶斯非参数估计。所提出的方法是说明通过一个全面的模拟研究和分析所产生的表达序列标签数据的基准互补DNA文库测序。
2015-06-16 stat.ME
Locally Adaptive Bayes Nonparametric Regression via Nested Gaussian Processes
本文提出了一种嵌套高斯过程（nGP）作为贝叶斯非参数回归的局部自适应先验。通过一组随机微分方程（SDEs）指定，nGP对函数的$m$阶导数施加高斯过程先验。嵌套是通过包括局部瞬时均值函数来实现的，该局部瞬时均值函数是从另一个高斯过程中提取的，该过程诱导对局部变化平滑度的自适应性。我们讨论了再生核Hilbert空间的闭包对nGP先验的支持，并考虑了后验的理论性质。后验均值下的nGP事先被证明是相当于一个嵌套的惩罚平方和的最小值，涉及罚款的整体和局部粗糙度的功能。使用高效的马尔可夫链蒙特卡罗的后验推理，所提出的方法在模拟研究相比，几个替代方案，并可扩展到大量的数据，说明通过蛋白质组学应用。
2012-01-20 stat.ME
Gaussian Process Models for Nonparametric Functional Regression with Functional Responses
近年来，在功能再生核希尔伯特空间（fRKHS）框架下提出了一种具有功能反应的非参数功能模型。出于其优越的性能，也是其局限性，我们提出了一个高斯过程模型，其后验模式符合fRKHS估计。贝叶斯方法与其前身相比具有几个优点。首先，多个未知参数可以在一个统一的框架内与回归函数一起推断。其次，作为贝叶斯方法，统计推断是直接通过后验分布。我们还使用适应空间统计学文献的预测过程模型，以克服计算的局限性，从而将这种流行的技术的适用性扩展到一个新的问题。然而，在我们的背景下，预测过程模型的修改是至关重要的，以获得有效的推断。数值结果表明了改进的有效性。
2010-08-10 stat.ME
Estimating Stochastic Production Frontiers: A One-stage Multivariate Semi-Nonparametric Bayesian Concave Regression Method
本文描述了一种方法来估计生产前沿，满足公理的单调性和单调性在非参数贝叶斯设置。一个低效率的长期，允许显着偏离先前的分布假设，在一个单一的阶段与参数先验假设联合估计。我们通过局部超平面收缩超参数将异方差引入到无效项中，并使用有界约束的局部非线性回归来施加单调性。我们的最小超平面估计量施加了。我们的蒙特卡罗模拟实验表明，前沿和效率估计是有竞争力的，经济合理的，并允许分析更大的数据集比现有的非参数方法。我们使用2007-2010年日本混凝土行业的数据验证了所提出的方法。结果表明，在这段时间内，效率水平保持相对较高。
2015-10-06 stat.AP stat.ME
A Nonparametric Bayesian Approach for Sparse Sequence Estimation
针对高斯随机变量稀疏序列的估计问题，提出了一种非参数贝叶斯估计方法。我们采用流行的两组前一个组件是一个点质量为零，和其他组件是高斯分布的混合。虽然高斯族已经被证明是次优的这个问题，我们发现，高斯混合，与一个适当的选择的手段和混合权重，具有所需的渐近行为，例如，相应的后验集中在具有期望的极大极小速率的球上。为了达到计算效率，我们建议使用确定性变分算法来获得后验分布。几个基准数据集的实证研究表明，所提出的算法相比，其他替代品的优越性能。
2017-05-30 stat.ME
Nonparametric Density Estimation for Data Scattered on Irregular Spatial Domains: A Likelihood-Based Approach Using Bivariate Penalized Spline Smoothing
针对不规则空间域数据，本文提出基于三角剖分二元惩罚样条平滑的似然非参数密度估计方法，证明其渐近收敛速率，并通过模拟和波特兰盗车数据验证其优势。
2024-10-27 stat.ME
A Nonparametric Bayesian Methodology for Regression Discontinuity Designs
在回归不连续性设计中，估计阈值处的平均处理效应的最流行方法之一是局部线性回归（LLR），该方法将更大的权重放在更接近阈值的单元上。我们提出了一个高斯过程回归的方法，作为一个贝叶斯模拟LLR的回归不连续性设计。我们的方法提供了一个灵活的适合治疗和控制响应放置一个一般的平均响应函数之前。此外，与LLR不同的是，我们的方法可以在估计处理效应时将单位加权的不确定性纳入其中。我们证明了我们的方法在估计阈值处的平均处理效应时是一致的。此外，我们发现，通过模拟，我们的方法具有良好的覆盖范围，间隔长度，和均方误差属性相比，标准LLR和国家的最先进的LLR方法。最后，我们探讨了我们的方法在现实世界的例子，通过研究的影响，是第一轮选秀权的表现和发挥时间的篮球运动员在美国国家篮球协会。
2018-09-30 stat.ME
Semiparametric robust mixture of experts based on nonparametric maximum likelihood
Pukyong National University（釜庆国立大学）；University of Connecticut（康涅狄格大学）；Sungkyunkwan University（成均馆大学）
该研究针对现有MoE模型对误差分布参数假设敏感的问题，提出基于非参数极大似然的半参数鲁棒MoE模型，可提升复杂误差下的鲁棒性且在高斯设定下仍具竞争力。
2026-08-06 stat.ME
Nonparametric identification and efficient estimation of causal effects with instrumental variables
本文整理了基于条件Wald估计量的因果效应非参数识别条件，提出了对应边际和条件因果对比泛函的非参数有效估计量，并通过观察性研究和随机试验验证了方法。
2024-02-14 stat.ME
Bayesian nonparametric generative modeling of large multivariate non-Gaussian spatial fields
本文扩展了基于三角传输映射的贝叶斯方法，将多元非高斯空间场推断转化为独立高斯过程回归任务，实现了高可扩展的非参数贝叶斯建模，适用于少量样本场景。
2023-11-10 stat.ME
Comparison of Bayesian Nonparametric Density Estimation Methods
在本文中，我们提出了一个非参数贝叶斯方法的Lindsey和惩罚高斯混合方法。我们比较这些方法与Dirichlet过程混合模型。我们的方法是一个贝叶斯非参数方法，而不仅仅是基于一个参数家庭的概率分布。因此，拟合的模型对模型误指定更稳健。此外，与贝叶斯方法，我们有我们感兴趣的参数的整个后验分布，它可以概括为通过可信区间，平均值，中位数，标准差，分位数等林赛，惩罚高斯混合物，和狄利克雷过程混合物的方法进行审查。通过马尔可夫链蒙特卡罗（MCMC）方法进行估计。惩罚高斯混合方法通过哈密顿蒙特卡罗（HMC）实现。我们表明，在一定的正则条件下，随着n的增加，后验分布的权重收敛到一个正态分布。仿真结果和数据分析报告。
2020-11-27 stat.ME
Variable Selection for Nonparametric Gaussian Process Priors: Models and Computational Strategies
本文提出了一个统一的处理高斯过程模型，扩展到数据从指数分散家庭和生存数据。我们的具体兴趣是在分析数据集的预测，有一个先验未知的形式可能的非线性关联的响应。我们所描述的建模方法结合高斯过程在一个广义线性模型框架，以获得一类非参数回归模型的协方差阵依赖于预测。我们认为，特别是，连续的，分类和计数的反应。我们还研究了考虑生存结果的模型。我们探索替代协方差公式的高斯过程之前，并证明了建设的灵活性。接下来，我们专注于从可能的预测变量集选择变量的重要问题，并描述了一个通用的框架，采用混合先验。我们比较替代MCMC策略的后验推理，并实现了计算效率和实用的方法。我们在模拟和基准数据集上展示了性能。
2011-06-16 stat.ME
Nonparametric Stein-type Shrinkage Covariance Matrix Estimators in High-Dimensional Settings
估计协方差阵在变量数大于观测数的应用中是一项重要任务。估计高维协方差矩阵的收缩方法经常被用来规避样本协方差阵的限制。提出了一类新的非参数Stein型收缩协方差估计，其成员表示为样本协方差阵和预定可逆目标矩阵的凸线性组合.在Frobenius范数准则下，定义最佳凸线性组合的最佳收缩强度取决于不可观测的协方差阵，并且必须从数据中估计。一个简单而有效的估计过程，产生非参数和相合估计量的最佳收缩强度为三个流行的目标矩阵。在模拟中，建议斯坦型收缩协方差阵估计的基础上缩放的单位矩阵似乎是高达80%的效率比现有的极端高维设置。结肠癌数据集进行了分析，以证明所提出的估计的效用。一个经验法则的特设选择三个常用的目标矩阵的建议。
2014-11-03 stat.ME
Nonparametric Bayesian Adjustment of Unmeasured Confounders in Cox Proportional Hazards Models
本文提出一种两阶段非参数贝叶斯方法，通过基于暴露与结局似然的聚类检测并在各聚类内估计风险比，以解决Cox比例风险模型中未测量混杂因素导致的HR估计偏倚和参数识别困难问题。
2024-10-01 stat.ME
A Latent-Variable Bayesian Nonparametric Regression Model
本文介绍了贝叶斯非参数回归的一个随机划分模型。该模型是基于无限多的不相交区域的范围内的潜在协变量依赖的高斯过程。给定该过程的实现，共享公共区域的因变量响应的集群被假设为来自相同的分布。而且，潜在的高斯过程先验允许随机划分（即，观察的集群）以展示彼此之间的依赖性。该模型通过对教育产生的真实数据集的分析，以及通过对从复杂的数据生成模型生成的模拟数据的分析来说明。
2013-01-02 stat.ME
Nonparametric contaminated Gaussian mixture of regressions
University of Pretoria（比勒陀利亚大学）；University of California, Riverside（加州大学河滨分校）
本文提出半参数和非参数污染高斯回归混合模型，通过EM和ECM算法实现鲁棒估计，用于观测聚类和异常值检测。
2026-01-10 stat.ME
Marginally Constrained Nonparametric Bayesian Inference through Gaussian Processes
非参数贝叶斯模型通常用作复杂数据的灵活和强大的模型。很多时候，统计学家可能对感兴趣的数据分布有额外的信息信念，例如，它的均值或子集分量，不是非参数先验的一部分，甚至与非参数先验不相容。一个重要的挑战是将这种部分先验信念纳入非参数贝叶斯模型。在本文中，我们的动机设置从业者有额外的分布信息的一个子集的坐标的观测建模。我们的方法将这个问题与条件密度模型联系起来。我们的主要思想是一种新的约束贝叶斯模型，基于一个扰动的参数分布与变换高斯过程之前的扰动函数。我们还开发了相应的后验抽样方法的基础上的数据增强。我们说明了我们提出的约束非参数贝叶斯模型在各种现实世界的情况下，包括建模环境和地震数据的有效性。
2022-11-05 stat.CO stat.ME
Posterior Consistency via Precision Operators for Bayesian Nonparametric Drift Estimation in SDEs
本文研究了连续时间数据中一维扩散周期漂移函数的非参数估计的贝叶斯方法。重写的过程中的本地时间的可能性，并指定一个高斯前精度算子的微分形式，我们表明，后验也是高斯精度算子也是微分形式。由此产生的表达式是明确的，并导致算法是容易实现的。使用新的功能极限定理的本地时间的扩散的圆，我们绑定的速度后合同周围的真实漂移功能。
2012-08-25 stat.ME
A Bayesian Nonparametric System Reliability Model which Integrates Multiple Sources of Lifetime Information
我们提出了一个贝叶斯非参数系统可靠性模型，该模型具有很好的可扩展性，并提供了很大的灵活性建模。贝叶斯方法自然地处理可能存在的不同数量的组件和子系统数据。然而，传统的贝叶斯可靠性模型是相当复杂的计算，依赖于MCMC技术。我们的方法利用了beta-Stacy过程的共轭性质，这是我们模型的基本构建块。使用矩估计方法将这些单独的模型链接在一起。该模型计算速度快，允许右删失数据，并用于估计和预测系统的可靠性。
2022-03-21 stat.ME
Incorporating nonparametric methods for estimating causal excursion effects in mobile health with zero-inflated count outcomes
针对移动健康微随机试验中的零膨胀计数结果，本文提出结合非参数技术的新颖因果偏移效应估计方法，并验证了其性能。
2024-03-12 stat.AP stat.ME
Nonparametric Heterogeneous Treatment Effect Estimation in Repeated Cross Sectional Designs
确定人口对健康或政策干预的反应的异质性对于评估和告知政策决定至关重要。我们提出了一种新的异质性处理效应估计的差异中的差异设计与重复的横截面数据，在那里我们观察不同的样本的人口在两个时间段分开的政策干预，以及作为控制的人口样本。我们的估计器具有正交特性，能够快速学习处理效应，同时允许较慢的速率估计滋扰成分。我们的建议在各种模拟设置中显示出有前途的经验性能。
2021-08-22 stat.ME
Bayesian Nonparametric Dynamic State Space Modeling with Circular Latent States
状态空间模型以其在建模各种科学学科中出现的动态系统中的多功能性而闻名。虽然参数状态空间模型已经得到了很好的研究，但相比之下，非参数方法的研究要少得多。在这篇文章中，我们提出了一种新的贝叶斯非参数方法的状态空间建模假设的观测和演化函数是未知的，并随时间变化的关键，我们假设未知的演化方程描述了一些潜在的圆形随机变量的动态演化。基于适当的核卷积的标准维纳过程，我们模型的时变观测和进化函数作为适当的高斯过程，同时采取线性和循环变量作为参数。此外，对于时变演化函数，我们将这样构造的高斯过程围绕单位圆包裹，形成一个合适的圆形高斯过程。我们表明，我们的过程，从而创造满足理想的性能。为了推理的目的，我们开发了一种基于MCMC的方法，结合吉布斯抽样和梅特罗波利斯-黑斯廷斯算法。模拟数据集，一个真实的风速数据集和一个真实的臭氧数据集的应用程序表现出相当令人鼓舞的性能，我们的模型和方法。
2015-07-22 stat.ME
Nonparametric method for space conditional density estimation in moderately large dimensions
在本文中，我们考虑的问题，估计一个条件密度在适度大的尺寸。条件密度比回归函数信息量大得多，是最近方法中的主要兴趣，特别是在贝叶斯框架中（研究后验分布，找到其模式.）。考虑到最近研究的家庭的核估计，我们选择逐点多元带宽通过重新访问贪婪算法Rodeo（正规化的导数期望算子）。该方法解决了几个问题：通过迭代过程实现贪婪和计算效率，通过在过程中早期选择变量来避免在一些适当定义的稀疏条件下的高维诅咒，以准最优极大极小速率收敛。
2018-01-19 stat.ME
Nonparametric estimation of extremal dependence
人们越来越感兴趣的是了解随机向量不仅在其分布的中心，而且在尾部的相关结构。极值理论通过分别对边缘分布和相关结构进行建模来处理对多元分布的联合尾部进行建模的问题。对于估计高水平的相关性，稳定的尾部相关函数和谱测度特别方便。这些对象也在于非参数技术的基础上，在最大域的吸引力设置的极端之间的依赖性建模。在渐近独立的情况下，这种设置是不够的，更精细的尾部依赖系数存在，服务，除其他外，渐近依赖和独立之间的区别。在整个过程中，这些方法都是用财务数据来说明的。
2014-11-03 stat.ME
Bayesian nonparametric spectral analysis of locally stationary processes
基于一种新的局部平稳过程的动态Whittle似然逼近，提出了一种估计时变谱密度的贝叶斯非参数方法。这种基于动态频域的似然近似是能够描绘的时间-频率演化的过程中，利用移动周期图先前介绍的自举文献。后验分布是通过更新Bernstein-Dirichlet过程的二元扩展的动态Whittle似然先验得到的。渐近性质，如超范数后验一致性和L2-范数后验收缩率。此外，该方法能够基于贝叶斯因子在平稳性和非平稳性之间进行模型选择。有限样本性能的方法进行了研究，在模拟研究和应用到现实生活中的数据集。
2023-03-21 stat.ME
GNet: A scalable and flexible Gaussian process network with nonparametric neurons
University of California, Santa Barbara（加利福尼亚大学圣塔芭芭拉分校）
研究开发GNet这种可扩展灵活高斯过程网络，引入联合逆卡尔曼滤波器降低成本，通过统一优化设置，在多种测试问题中展现竞争力，能广泛应用于大规模预测建模并降低计算和存储成本。
2026-09-22 stat.CO stat.ME stat.ML
Nonparametric mixture of Gaussian graphical models
图模型已被广泛用于研究高维数据的复杂依赖结构，通常假设观测数据遵循齐次图模型。然而，观察通常来自不同的资源，并在现实世界的应用中具有异构隐藏的共性。因此，估计异质依赖关系，发现具有一定共性的子总体是非常重要的。在这项工作中，我们介绍了一种新的正则化估计方案学习非参数混合高斯图形模型，扩展了高斯图形模型和混合模型的方法和适用性。我们提出了一个统一的惩罚似然方法来有效地估计非参数函数参数和异构图形参数。我们进一步设计了一个有效的广义有效的期望最大化算法，以解决三个重大挑战：高维，非凸性，标签切换。在理论上，我们研究了我们提出的算法的算法收敛性和我们提出的估计的渐近性质。在数值上，我们展示了我们的方法在模拟研究和实际应用中的性能，以估计人类大脑功能的连接从ADHD成像数据，其中两个异质条件依赖性解释通过分析人口统计变量和现有的科学研究结果的支持。
2015-12-31 stat.ME stat.ML
Gaussian Process-Based Bayesian Nonparametric Inference of Population Trajectories from Gene Genealogies
种群规模的变化影响种群的遗传多样性，因此，在种群中的个体基因组中留下这些变化的签名。我们感兴趣的是从基因组数据重建过去的种群动态的逆问题。我们从一个标准的框架开始，该框架基于聚结，这是一个随机过程，它生成连接感兴趣的群体中随机抽样个体的系谱。这些家谱是人口统计学历史和基因组序列之间的粘合剂。事实证明，只有系谱谱系合并的时间包含有关人口规模动态的信息。将这些合并时间视为一个点过程，估计种群规模轨迹相当于估计该点过程的条件强度。因此，我们的反问题类似于估计一个非齐次泊松过程强度函数。我们演示了如何在高斯过程为基础的非参数推断泊松过程的最新进展，可以扩展到贝叶斯非参数估计的人口规模动态下的合并。我们比较我们的高斯过程（GP）的方法，最先进的高斯马尔可夫随机场（GMRF）的方法估计人口轨迹。利用模拟数据，我们证明了我们的方法具有更好的准确性和精度。接下来，我们分析了从丙型肝炎病毒和人类甲型流感病毒的真实序列重建的两个谱系。在这两种情况下，我们恢复更多的相信方面的病毒人口统计学的历史比GMRF的方法。我们还发现，我们的GP方法产生更合理的不确定性估计比GMRF方法。
2012-10-14 q-bio.PE stat.ME
A Kernel Approach to Tractable Bayesian Nonparametrics
流行的非参数贝叶斯模型中的推断通常依赖于采样或其他近似。本文提出了一个一般的方法来构造新的易处理的非参数贝叶斯方法，通过应用核技巧的推断参数贝叶斯模型。例如，可以从贝叶斯线性回归以这种方式导出高斯过程回归。尽管高斯过程框架取得了成功，但在贝叶斯文献中很少明确考虑内核技巧。在本文中，我们的目标是填补这一空白，并展示了在更广泛的背景下，而不仅仅是回归，将内核技巧应用于易于处理的贝叶斯参数模型的潜力。作为一个例子，我们提出了一个直观的贝叶斯核机的密度估计，是通过应用核技巧高斯生成模型在特征空间。
2011-08-12 stat.ME stat.ML
Nonparametric Multivariate L1-median Regression Estimation with Functional Covariates
当协变量取值于无穷维空间时，本文提出了多元条件分布的L1-中位数的非参数估计。多变量情况更适合于同时预测随机变量向量的分量，而不是分别预测它们中的每一个。在利用著名的Nadarya-Waston估计量估计条件L1-median函数时，我们证明了该估计量的强相合性和渐近正态性。我们还提出了一些模拟，并提供如何建立条件con？多元L1-中位数回归的置信椭圆。对化学计量实际数据进行了数值研究，比较了协变量X为曲线，X为随机向量时多元L1-中位数回归与边际中位数回归向量的异同。
2013-04-16 math.ST stat.ME stat.TH
Functional Gaussian Process Model for Bayesian Nonparametric Analysis
高斯过程是一种理论上很有吸引力的非参数分析模型，但其计算复杂性阻碍了其大规模应用，现有的降秩解通常是启发式的。在这项工作中，我们提出了一种新的高斯过程的建设作为一个投影从固定的离散频率到任何连续的位置。这导致了一个有效的随机过程，具有理论上的支持与降低秩的谱密度，以及一个高速的计算算法。我们的方法提供了准确的估计的协方差参数和简洁的形式的预测分布的空间预测。对于非平稳数据，我们采用混合框架与定制的光谱依赖结构。这使得聚类基于局部平稳性，同时保持联合高斯性。我们的工作是直接适用于解决空间数据中的一些挑战，如大规模计算，各向异性协方差，时空建模等，我们说明了使用的模型通过模拟和应用程序上的一个巨大的数据集。
2015-11-24 stat.CO stat.ME stat.ML
On the Optimality of Gaussian Kernel Based Nonparametric Tests against Smooth Alternatives
近年来，通过分布的核嵌入的非参数检验已经取得了大量的实际成功。然而，这些测试的统计特性在很大程度上是未知的，超出了对固定替代品的一致性。为了填补这一空白，我们在这里研究的拟合优度，同质性和独立性测试使用高斯内核，可以说是最流行和成功的此类测试的渐近性质。我们的研究结果提供了理论上的理由，这种常见的做法表明，使用高斯核与适当选择的缩放参数的测试是最小最大的光滑的替代品在所有三个设置。此外，我们的分析还指出了在使用高斯内核时选择发散缩放参数的重要性，并建议在广泛的平滑替代方案中选择数据驱动的缩放参数，以获得最佳的测试，直到迭代对数因子。数值实验也进一步证明了该方法的实用价值。
2019-09-07 math.ST stat.ME stat.ML
Bayesian nonparametric estimation of the spectral density of a long or intermediate memory Gaussian process
一个平稳的高斯过程被认为是长距离相关的（分别是，抗持久性），如果它的谱密度$f(λ)$可以写为$f(λ)=|λ|^{-2d}g(|λ|)$，其中$0<d<1/2$（分别，$-1/2<d<0$），并且$g$是连续的和正的。我们提出了一种新的贝叶斯非参数方法估计的谱密度，这样的过程。我们证明后验一致性$d$和$g$，在适当的条件下，先验分布。我们建立了一般类先验的收敛速度，并将我们的结果应用于分数指数先验的家庭。我们的方法是基于真实的可能性，而不是诉诸惠特尔的近似。
2012-07-23 math.ST stat.ME stat.TH
One- and two-sample nonparametric tests for the signal-to-noise ratio based on record statistics
引入了一类新的非参数统计-r-统计量。它由计数样本的累积和的记录数组成。对于高斯和均匀分布的变量，单样本r-统计量几乎与Student t-统计量一样强大，并且只要数据不是太重尾，就比符号和Wilcoxon符号-秩统计量更强大。提出了三种两样本参数r-统计量，一种比Mann-Whitney U-检验具有更高的特异性但灵敏度较小，另一种具有更高的灵敏度但特异性较小。引入了一种非参数两样本r-统计量，对于高斯分布或均匀分布的变量，其功效与Welch统计量非常接近。
2015-07-13 physics.soc-ph q-fin.GN stat.ME
Sparse Nonparametric Graphical Models
University of Chicago（芝加哥大学）；Princeton University（普林斯顿大学）；Carnegie Mellon University（卡内基梅隆大学）
我们提出了一些非参数的方法，图形建模。在离散情况下，数据是二进制的或从有限字母表中提取的，马尔可夫随机场已经基本上是非参数的，因为集团只能取有限数量的值。连续数据是不同的。高斯图模型是连续数据的标准参数模型，但它的分布假设往往是不切实际的。我们讨论了两种构建更灵活的图形模型的方法。一个允许任意图形和高斯的非参数扩展;另一个使用核密度估计并将图形限制为树和森林。这两种方法的例子。我们还讨论了非参数图形建模未来可能的研究方向。
2013-01-07 cs.LG stat.ME stat.ML
Increasing domain asymptotics for covariate-based nonparametric Bayesian intensity estimation with Gaussian and Besov-Laplace priors
ESOMAS Department, University of Turin（都灵大学 ESOMAS 系）
研究在递增域渐近性和协变量遍历性假设下，使用高斯先验和贝索-拉普拉斯先验的非参数贝叶斯方法估计协变量驱动点过程强度函数，并证明其达到极小极大最优后验收缩率。
2026-05-29 math.ST stat.ME stat.TH
Doubly robust capture-recapture methods for estimating population size
使用不完全列表估计种群规模（也称为捕获-再捕获问题）在许多生物和社会科学中有着悠久的历史。例如，人权团体和其他团体往往编制不完整和重叠的武装冲突受害者名单，希望利用这一信息来估计受害者的总人数。这种设置的早期统计方法要么使用潜在的限制性参数假设，要么依赖于通常次优的插件型非参数估计量;然而，这两种方法都可能导致实质性偏差，前者通过模型错误指定，后者通过平滑。在一个确定的假设下，两个列表是有条件独立的测量协变量的信息，我们做了几个贡献。首先，我们推导出估计捕获概率的非参数效率界，这表明任何估计器的最佳性能，并揭示了捕获-再捕获方法的统计限制。然后，我们提出了一个新的估计，并研究其有限样本性质，表明它具有双重鲁棒性新的捕获-再捕获，它是近最优的非渐近意义下，在相对温和的非参数条件。其次，我们给出了由一般捕获概率估计量构造总体大小的置信区间的方法，并证明了非渐近近似有效性。最后，我们研究我们的方法在模拟，并将其应用到估计在秘鲁的内部武装冲突期间，1980年和2000年之间的杀害和失踪归因于不同群体的数量。
2021-07-31 math.ST stat.ME stat.TH
A nonparametric copula approach to conditional Value-at-Risk
风险价值及其条件寓言，考虑到有关经济环境的可用信息，构成了巴塞尔银行业市场风险评估框架的核心。在本文中，提出了一个新的非参数框架估计这个条件的风险价值。一个非参数的方法是特别相关的，因为传统上使用的参数分布已被证明是不够强大和灵活的，在大多数的股票回报数据集在实践中观察到。该方法提取的分位数的条件分布的兴趣，其估计是基于一种新的估计的Copula描述的动态依赖性的一系列回报的密度。真实世界的回测分析表明，该方法的潜力，其性能可能优于其行业同行。
2019-10-02 q-fin.ST stat.AP stat.ME
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
Bayesian nonparametric estimation of survival functions with multiple-samples information
在许多实际问题中，需要比交换矩阵更一般的依赖结构。例如，在某些情况下，部分交换是一个更合理的假设。由于这个原因，依赖贝叶斯非参数先验向量最近得到了普及。它们提供了灵活的模型，从计算和理论的角度来看是易于处理的。在本文中，我们专注于他们的使用估计生存函数与多样本信息。我们的方法允许建立模型的生存时间之间的依赖关系，不同的观察组和扩展以前的工作到任意的维度。提供了有关完全随机测量的基础相关向量的后验行为的理论结果。该模型的性能进行了测试模拟数据集所产生的分布克莱顿copula。
2018-03-18 stat.AP stat.CO stat.ME
Dirichlet Process Mixtures of Trees with Gaussian Process Splits: A Bayesian Nonparametric Framework with Posterior Contraction Rate
Indian Statistical Institute（印度统计研究所）
提出一种基于狄利克雷过程先验的贝叶斯非参数回归树混合模型，利用高斯过程分裂规则统一多种树方法，实现数据驱动的集成规模选择，并证明后验收敛率，在多个基准和应用中优于现有方法。
2026-09-24 cs.LG math.ST stat.ME
Nonparametric Uniform Inference in Binary Classification and Policy Values
School of Economics, Shandong University（山东大学经济学院）；Department of Economics, Vanderbilt University（范德堡大学经济系）；Department of Economics, University of Toronto（多伦多大学经济系）
本文提出了一种非参数均匀推断方法，用于成本敏感二元分类和政策价值的推断，通过严格凸替代损失函数实现点识别，并在模拟和实际应用中验证了其有效性。
2025-12-13 econ.EM math.ST stat.ME
