Agentic Bayesian Optimization through Surrogate-Augmented Autoresearch
Meta;RWTH Aachen University(亚琛工业大学)
该研究提出代理式贝叶斯优化范式,构建Sara代理与lenz后端,在合成及真实基准测试中,其兼具可靠性与性能,还可动态重构优化问题。
2026-08-13 cs.LG stat.ML
BayGo: Joint Bayesian Learning and Information-Aware Graph Optimization
Centre for Wireless Communication, University of Oulu(奥卢大学无线通信中心)
本文讨论分布式机器学习的问题,其中代理基于其本地数据集更新其模型,并以完全分散的方式协作地聚合更新的模型。在本文中,我们解决了多智能体网络中出现的信息异构性问题,其中信息代理的位置在学习动态中起着至关重要的作用。具体来说,我们提出了BayGo,一种新的完全分散的联合贝叶斯学习和图优化框架,在稀疏图上具有快速收敛性。在我们的框架下,智能体能够学习和交流的最翔实的代理自己的学习。与以前的作品不同,我们的框架假设没有先验知识的数据分布在代理,也不假设系统的真实参数的任何知识。所提出的交替最小化的框架,确保在一个完全分散的方式,同时最大限度地减少通信链路的数量的全球连通性。我们从理论上表明,通过优化建议的目标函数,后验概率分布的估计误差在每次迭代呈指数下降。通过大量的模拟,我们表明,我们的框架实现了更快的收敛速度和更高的精度相比,全连接和星形拓扑图。
2021-02-19 cs.LG stat.ML
Sequential Cooperative Bayesian Inference
Rutgers University(罗格斯大学)
在向其他代理人学习时,合作往往是隐含的假设。合作意味着选择数据的主体和从数据中学习的主体具有相同的目标,即学习者推断预期的假设。人类和机器学习的最新模型已经证明了合作的可能性。我们通过序列数据寻求贝叶斯代理合作推理的基础理论结果。我们开发了新的方法分析的一致性,收敛速度和稳定性的顺序合作贝叶斯推理(SCBI)。我们的有效性,样本效率和鲁棒性的分析表明,合作不仅是可能的,在特定的情况下,但在理论上是有根据的一般。我们讨论了人与人和人机合作的影响。
2020-07-01 cs.LG cs.MA stat.ML
Bayesian SPLDA
在本文中,我们将推导出实现简化概率线性判别分析(SPLDA)模型参数的变分贝叶斯估计所需的方程。这可用于调整SPLDA从一个数据库到另一个几乎没有开发数据的数据库,或执行完全的贝叶斯配方。我们的方法类似于Bishop的VB PPCA。
2015-11-20 stat.ML
The Relevance of Bayesian Layer Positioning to Model Uncertainty in Deep Bayesian Active Learning
Stanford University(斯坦福大学);NVIDIA(英伟达)
深度学习工具的主要挑战之一是它们无法捕捉模型的不确定性。虽然贝叶斯深度学习可以用来解决这个问题,但贝叶斯神经网络通常需要比确定性网络更多的时间和计算能力来进行训练。我们的工作探讨是否需要完全贝叶斯网络来成功地捕捉模型的不确定性。我们改变贝叶斯层在网络中的数量和位置,并将它们在主动学习上的性能与MNIST数据集进行比较。我们发现,我们可以充分捕捉模型的不确定性,只需使用几个贝叶斯层附近的网络输出,结合确定性和贝叶斯网络的优势。
2018-11-29 cs.AI cs.LG stat.ML
Bayesian Neural Networks for Genetic Association Studies of Complex Disease
从大型遗传关联研究中发现因果遗传变异带来了许多困难的挑战。评估哪些遗传标记参与决定性状状态是一项计算要求很高的任务,特别是在存在基因-基因相互作用的情况下。本文提出了一种贝叶斯神经网络形式的非参数贝叶斯方法,用于分析遗传关联研究。对合成和真实数据的演示表明,他们能够有效和准确地确定哪些变异参与确定病例对照状态。使用图形处理单元(GPU),构建这些模型所需的时间减少了几个数量级。与检测遗传相互作用的常用方法相比,贝叶斯神经网络在广泛的可能遗传关系中表现非常好,同时具有处理大型数据集所需的计算效率。
2014-04-16 q-bio.GN stat.AP stat.ML
Training Restricted Boltzmann Machines with Binary Synapses using the Bayesian Learning Rule
RIKEN Center for Advanced Intelligence Project(日本理化学研究所先进智能项目中心);Institute for Physics of Intelligence(智能物理研究所);The University of Tokyo(东京大学)
具有低精度突触的受限玻尔兹曼机(RBM)具有高能量效率。然而,由于突触的离散性质,训练具有二元突触的RBM是具有挑战性的。最近Huang提出了一种在变分推理框架下结合梯度上升和消息传递算法来训练具有二元突触的RBM的有效方法。然而,需要额外的启发式裁剪操作。在本技术说明中,受Huang工作的启发,我们提出了一种使用贝叶斯学习规则的替代优化方法,这是一种自然梯度变分推理方法。与Huang的方法相反,我们更新变分对称Bernoulli分布的自然参数而不是期望参数。由于自然参数在整个实域中取值,因此不需要额外的裁剪。有趣的是,\cite{huang2019data}中的算法可以被视为所提出的算法的一阶近似,这证明了其启发式裁剪的有效性。
2020-07-09 cond-mat.dis-nn cs.LG stat.ML
Using Social Network Information in Bayesian Truth Discovery
Nanyang Technological University(南洋理工大学)
我们调查的问题,真理发现的基础上,从多个代理人谁可能是不可靠的或有偏见的意见。我们考虑的情况下,代理人的可靠性或偏见是相关的,如果他们属于同一个社区,这定义了一组代理人有类似的意见,关于一个特定的事件。对于不同的事件,智能体可以属于不同的社区,而这些社区是先验未知的。我们将知识的代理人的社会网络在我们的真理发现框架和开发拉普拉斯变分推理方法来估计代理人的可靠性,社区和事件状态。我们还开发了一个随机变分推理方法,将我们的模型扩展到大型社交网络。对真实数据的仿真和实验表明,当观测稀疏时,我们提出的方法比其他几种推理方法,包括多数投票,Truthfall,AccuSim,置信度感知的真相发现方法,贝叶斯分类器组合(BCC)方法和社区BCC方法表现得更好。
2019-04-29 cs.LG cs.MA cs.SI
Decentralized Online Ensembles of Gaussian Processes for Multi-Agent Systems
Stony Brook University(石溪大学)
针对多智能体系统中贝叶斯去中心化学习方案有限的问题,提出完全去中心化、渐近精确的高斯过程随机特征近似方法,并结合基于在线贝叶斯模型平均的集成方案解决超参数选择,在数据集上与贝叶斯及频率主义方法测试对比。
2025-02-07 cs.LG cs.MA eess.SP
Position: agentic AI orchestration should be Bayes-consistent
ESSEC Business School(ESSEC商学院);VinUniversity(文大学);Imperial College London(伦敦帝国理工学院);Mila - Quebec AI Institute(魁北克人工智能研究所);Technical University of Denmark(丹麦技术大学);Pyramidal Inc.(Pyramidal公司);University of Notre Dame(诺特大学);Cognizant AI Lab(Cognizant人工智能实验室);University College London(伦敦大学学院);KTH Royal Institute of Technology(瑞典皇家理工学院);Ghent University(根特大学);New York University(纽约大学)
本文探讨了在代理AI系统中,贝叶斯原则在协调层的应用,而非LLM参数,以提升决策一致性和协作效率。
2026-05-06 cs.AI cs.LG stat.ML
Efficient Bayesian Learning in Social Networks with Gaussian Estimators
University of Pennsylvania(宾夕法尼亚大学);U.C. Berkeley(加州大学伯克利分校);California Institute of Technology(加州理工学院)
我们考虑一组贝叶斯代理谁试图估计的世界状态$θ$通过在社交网络上的互动。每个代理$v$最初接收$θ$的私有测量:从具有平均值$θ$和标准差1的高斯分布中挑选的数字$S_v$。然后,在每个离散时间迭代中,每个都向其邻居揭示其$θ$的估计,并且观察其邻居的动作,使用贝叶斯定律更新其信念。这个过程有效地聚集了信息,在这个意义上,所有的代理人都收敛到他们会有的信念,如果他们能够访问所有的私人测量。我们表明,这个过程是计算效率,使每个代理的计算可以很容易地进行。我们还表明,在任何图的过程收敛后,在最多$2N \cdot D$步骤,其中$N$是代理的数量和$D$是网络的直径。最后,我们表明,在树上和距离传递图的过程收敛后,$D$步骤,它保留隐私,使代理学习很少的私人信号的大多数其他代理,尽管有效的信息聚合。我们的研究结果扩展了第一和最后一位作者未发表的手稿。
2016-06-26 cs.LG stat.AP stat.ML
Application of Bayesian Methods for Age-dependent Reliability Analysis
本文提出了一种退化或老化系统、结构和部件的寿命相关可靠性分析的一般方法,该方法基于贝叶斯方法和推理,它具有结合先验信息的能力,并基于老化可被看作是可靠性参数的寿命相关变化的思想,当信念的改变不仅由于新的故障数据或及时可用的其他信息而发生时,而且由于时间的流动和信念的演变而连续改变。本文的主要目的是提出明确的方法,如何贝叶斯方法可以应用于从业人员来处理考虑老化现象的风险和可靠性分析。该方法描述了一步一步的老化系统的故障率分析:从贝叶斯模型的建立,其验证和推广与贝叶斯模型平均,作者在本文中建议,可以作为替代各种拟合优度评估工具和通用工具,以应付各种来源的不确定性。
2012-10-18 stat.AP
Structured Cooperative Multi-Agent Reinforcement Learning: a Bayesian Network Perspective
本文提出基于贝叶斯网络的结构化合作MARL方法,通过定义价值依赖集构建P-DTDE范式,证明其策略梯度估计器方差小于CTDE,并开发可扩展actor-critic算法,在大规模多智能体应用中实现更高效收敛。
2025-10-11 cs.LG cs.MA cs.SY
Bayesian calibration of differentiable agent-based models
University of Oxford(牛津大学);Massachusetts Institute of Technology(麻省理工学院)
针对可微分基于智能体模型(ABM)的贝叶斯推断研究空白,提出利用广义变分推断过程提供对误设鲁棒的参数推断,并在COVID-19大流行ABM实验中验证了其准确性。
2023-05-24 cs.AI cs.MA stat.ML
Dual-Axis Policy Optimization for LLM Agents: Bayesian Feedback Attribution and Trajectory Mass Normalization
Zhejiang University(浙江大学);University of Science and Technology of China(中国科学技术大学);University of New South Wales(新南威尔士大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
提出双轴策略优化框架BATON,通过贝叶斯反馈归因和轨迹质量归一化分别优化轨迹内反馈利用与轨迹间聚合,在多个基准上取得一致最优性能。
2026-09-18 cs.AI stat.ML
A Bayesian Analysis of Migration Pathways using Chain Event Graphs of Agent Based Models
基于代理的模型(ABM)通常用于建模迁移,并越来越多地用于模拟个人移民决策和展开事件,通过一系列启发式的if-then规则。然而,ABM缺乏嵌入更有原则的策略来执行推理以估计和验证模型的方法,这两者对于现实世界的案例研究都非常重要。链事件图(CEG)可以满足这一需求:它们可以用来提供准确表示ABM的贝叶斯框架。通过使用的CEG,我们说明了如何将一个引发ABM到贝叶斯框架,并概述了这种方法的好处。
2021-11-08 stat.AP
Causal, Bayesian, & Non-parametric Modeling of the SARS-CoV-2 Viral Load Distribution vs. Patient's Age
感染SARS-CoV-2的患者的病毒载量在对数尺度上变化,并可能随年龄而变化。关于病毒载量分布是否实际上取决于患者的年龄,文献中提出了有争议的主张。这种依赖性将对COVID-19传播机制、年龄依赖性免疫系统反应以及政策制定产生影响。我们特此开发一种方法,在灵活的、非参数的、分层的、贝叶斯的和因果的模型中分析病毒载量分布数据与患者年龄的函数关系。所开发的重建的因果性质还允许测试数据中的偏差。这可能是由于,例如,患者检测和数据收集中的偏倚或病毒载量测量中的系统误差。我们通过计算每个隐含的可能因果方向的贝叶斯证据来执行这些测试。在其他情况下,测试数据收集中的偏差和确定因果方向的可能性也非常有用。因此,我们免费提供我们的模型。当应用于公开可用的年龄和SARS-CoV-2病毒载量数据时,我们发现病毒载量随年龄的增加有统计学意义,但仅针对两个分析数据集之一。如果我们考虑这个数据集,并基于目前对病毒载量对患者传染性影响的理解,我们预计不同年龄组的传染性存在不可忽略的差异。尽管如此,这种差异太小,不能证明任何年龄组都是无传染性的。
2022-12-12 stat.AP stat.ME stat.ML
Bayesian Decision Making in Groups is Hard
Massachusetts Institute of Technology(麻省理工学院)
我们研究贝叶斯代理在网络上交换意见时进行的计算。代理人的行为反复对他们的私人信息,并采取短视的行动,最大化他们的预期效用根据一个完全理性的后验信念。我们表明,这样的计算是NP-困难的两个自然的效用函数:一个与二进制的行动,和另一个代理揭示他们的后验信念。事实上,我们证明了区分集中在世界不同状态的后验是NP困难的。因此,即使近似贝叶斯后验信念也很困难。我们还描述了一个自然的搜索算法来计算代理的行动,我们称之为消除不可能的信号,并表明,如果网络是可传递的,该算法可以修改为在多项式时间内运行。
2019-07-27 cs.CC cs.LG cs.MA
Distributed Thompson sampling under constrained communication
Harvard School of Engineering and Applied Sciences(哈佛工程与应用科学学院)
本文提出一种基于高斯过程的分布式汤普森采样方法,用于通信图受限的多智能体贝叶斯优化,并证明只要通信图连通,其贝叶斯遗憾上界在时间上优于顺序单智能体方法。
2025-01-01 cs.LG cs.SY eess.SY
Is control of type I error rate needed in Bayesian clinical trial designs?
University of Helsinki(赫尔辛基大学);University of Vaasa(瓦萨大学)
本文探讨了贝叶斯临床试验设计中I类错误率控制的必要性,提出用贝叶斯方法替代传统频繁主义方法,通过后验概率进行序列误差控制,避免多重检验的膨胀效应。
2026-07-29 stat.ME
Flexible Bayesian Modelling of Age-Specific Counts in Many Demographic Subpopulations
针对人口子群体观察计数少且异质性大的挑战,提出一种利用平滑潜因子和分层先验的贝叶斯模型,用于联合分析多子群体的年龄别计数,并在奥地利移民流案例中展现出优于基准框架的插补与预测性能。
2025-05-28 stat.AP
Bayesian Age Category Reconciliation for Age- and Cause-specific Under-five Mortality Estimates
按性别分列的卫生数据对于有效的公共卫生规划和监测至关重要。例如,监测五岁以下儿童死亡率需要非常详细的年龄数据,因为在生命的最初几年内,潜在死亡原因的分布情况差异很大。比较研究人员往往不得不依赖于多个数据源,然而,这些数据源往往有不同层次的年龄汇总,这使得很难将数据组合成一个单一的,连贯的画面。为了解决这一挑战的背景下,五岁以下的死因特异性死亡率,我们提出了一种贝叶斯方法,校准数据与不同的年龄结构,以产生统一和准确的估计标准化的年龄组分布。我们认为按年龄分类的死亡人数作为完全分类的多项式数据,并表明,通过将部分分类的汇总数据,我们可以构建一个改进的贝叶斯估计的多项式参数下的Kullback-Leibler(KL)损失。我们说明了使用合成和真实数据的方法,表明所提出的方法在输入不完整的分类达到足够的性能。最后,我们提出了数值研究的结果,研究获得改进的估计所需的条件。这些研究提供了见解和解释,可用于帮助未来的研究,并为从业人员提供关于适当年龄分类水平的指导,目的是提高五岁以下儿童死因死亡率估计数的准确性和可靠性。
2023-02-21 stat.AP stat.ME
Efficient Calibration of Multi-Agent Simulation Models from Output Series with Bayesian Optimization
Columbia University(哥伦比亚大学);J.P.Morgan AI Research(摩根大通人工智能研究院)
多智能体模拟通常用于多个学科,特别是近年来在人工智能中,它为下游机器学习或强化学习任务创造了环境。然而,在许多实际场景中,只有仿真代理的交互产生的输出序列是可观察的。因此,需要校准模拟器,使模拟输出序列与历史相似-这相当于解决复杂的模拟优化问题。在本文中,我们提出了一个简单而有效的框架来校准模拟器参数的历史输出序列观测。首先,我们考虑了一个新的概念的资格集绕过潜在的不可识别性问题。其次,我们推广了带Bonferroni校正的两样本Kolmogorov-Smirnov(K-S)检验来检验两个高维分布之间的相似性,这给出了一个简单而有效的输出序列样本集之间的距离度量。第三,我们建议使用贝叶斯优化(BO)和信任区域BO(TuRBO)来最小化上述距离度量。最后,我们证明了我们的框架的效率,使用数值实验上的多智能体金融市场模拟器。
2022-09-21 cs.AI cs.CE cs.LG
AAA: Triple-adaptive Bayesian designs for the identification of optimal dose combinations in dual-agent dose-finding trials
我们提出了一个灵活的设计,用于确定最佳剂量组合的双剂剂量探索临床试验。该设计被称为AAA,代表三种适应:自适应模型选择、自适应剂量插入和自适应队列划分。适应性突出的需要和机会,创新的双剂剂量发现,并支持在拟议的模拟研究中提出的数值结果。据我们所知,这是第一个同时允许所有三种适应的设计。我们发现AAA改善了统计推断,提高了找到最佳剂量组合的机会,并缩短了试验持续时间。正在计划一项临床试验以应用AAA设计。
2017-06-10 stat.ME
A flexible Bayesian framework to estimate age- and cause-specific child mortality over time from sample registration data
为了在年轻群体中实施针对疾病的干预措施,中低收入国家的决策者需要及时准确地估计特定年龄和原因的儿童死亡率。在最需要这些干预措施的情况下,没有高质量的数据,但有一个推动创建样本登记系统,收集详细的死亡率信息。目前从这些数据估计死亡率的方法采用多阶段框架,没有严格的统计理由,分别估计全因死亡率和特定原因死亡率,不足以适应捕捉数据的重要特征。我们提出了一个灵活的贝叶斯建模框架来估计样本登记数据的年龄和原因特定的儿童死亡率。我们提供了一个理论上的理由框架,通过模拟探索其属性,并使用它来估计死亡率的趋势,使用的数据在中国的妇幼健康监测系统。
2021-05-18 stat.AP
Bayesian analysis of verbal autopsy data using factor models with age- and sex-dependent associations between symptoms
本文提出一种考虑症状关联随年龄和性别变化的贝叶斯因子模型,用于从口头尸检数据中估计死因分布,并在金标准数据上验证了其性能优于现有方法。
2024-03-18 stat.AP
De-Linearizing Agent Traces: Bayesian Inference of Latent Partial Orders for Efficient Execution
Department of Statistics, University of Oxford(牛津大学统计系);Zhejiang University(浙江大学)
提出BPOP贝叶斯框架,从噪声线性化轨迹中推断潜在依赖偏序,通过可处理的边界-softmax似然实现高效MCMC推理,在云基础设施任务和科学工作流上显著减少令牌使用和执行时间。
2026-05-24 stat.AP
Bayesian isochrone fitting and stellar ages
恒星演化理论在解释恒星形成、演化和死亡的不同阶段方面非常成功。虽然最强的限制传统上来自双星,但星震学的出现正在对特征良好的恒星进行独特的测量。然而,对于一般的恒星星族,通常只有光度测量是可用的,与恒星演化理论预测的比较大多是定性的。例如,等时线的几何形状已被用来推断同时代人口的年龄,但没有任何适当的统计基础。在这一章中,我们提供了一个贝叶斯形式主义的教学审查,使定量推断的性质,单,二进制和小合奏的恒星,包括未解决的人口。作为一个例子,我们展示了如何恒星演化理论可以在一个严格的方式作为先验信息来测量ZAMS和氦闪光之间的恒星的年龄,以及它们的不确定性,只使用光度数据。
2016-07-11 astro-ph.GA astro-ph.IM physics.hist-ph
Considerations in Bayesian agent-based modeling for the analysis of COVID-19 data
基于Agent的模型(ABM)通过模拟自治个体(Agent)的行为和相互作用,已被广泛用于研究传染病的传播。在ABM中,代理状态,例如感染或易感,根据一组简单的规则进行分配,疾病传播的复杂动态由代理随时间的集体状态来描述。尽管ABM在实际建模中具有灵活性,但由于难以处理的似然函数导致难以估计参数和量化模型输出的不确定性,ABM受到统计学家的关注较少。为了克服这一局限性,我们建议把整个系统作为一个隐马尔可夫模型和发展ABM的贝叶斯框架内的传染病传播。模型中的隐藏状态由个体代理随时间的状态表示。利用粒子马尔可夫链蒙特卡罗算法估计模型的隐态和参数。在各种模拟条件下,参数恢复和预测的方法以及对先前假设的敏感性的性能进行了评估。最后,我们将所提出的方法应用于研究钻石公主号邮轮上的COVID-19爆发,并在考虑不同网络结构和COVID-19检测在邮轮上的局限性的同时,研究了关键人口特征的传播差异。
2022-12-08 stat.AP
Bayesian local clustering of age-period mortality surfaces across multiple countries
Bocconi University(博科尼大学);University of Padova(帕多瓦大学)
提出一种新的多国对数死亡率贝叶斯模型,利用B样条展开和时间依赖随机划分先验编码国家间局部聚类模式,结合Gibbs采样器实现后验推断,揭示了14国死亡率数据中已知与未知的人口趋势。
2026-10-28 stat.AP stat.ME
A Projection-Based Approach to Bayesian Age Estimation under Stratigraphic Constraints
Nantes Université - CNRS(南特大学);Univ Rennes - CNRS(雷恩大学)
针对层序约束贝叶斯定年中持续时间膨胀问题,提出基于投影的无约束后验方法,通过等渗回归计算Wasserstein最近约束分布,显著降低偏差并提升精度。
2026-09-23 stat.ME
Bayesian Multivariate Approach to Subnational mortality graduation with Age-Varying Smoothness
针对亚国家死亡率数据稀疏问题,提出带年龄差异化折扣因子的多变量贝叶斯动态线性模型,通过跨群体信息共享实现死亡率联合修匀,在英格兰威尔士数据的缺失场景中验证了有效性。
2025-05-20 stat.AP stat.ME stat.OT
A hierarchical Bayesian model for estimating age-specific COVID-19 infection fatality rates in developing countries
本文提出一种贝叶斯分层模型,将COVID-19感染病死率估计为年龄的连续函数,融合血清学与死亡数据并共享跨地区信息,在26个发展中国家地区验证了方法的有效性。
2023-08-08 stat.AP
Bayesian inference for age-structured population model of infectious disease with application to varicella in Poland
Institute of Mathematics, Polish Academy of Sciences(波兰科学院数学研究所);Faculty of Mathematics, Informatics and Mechanics, University of Warsaw(华沙大学数学、信息学与力学学院);National Institute of Public Health - National Institute of Hygiene(国家公共卫生研究所-国家卫生研究所)
本文探讨了基于年龄结构的传染病模型的贝叶斯数据同化方法,通过水痘在波兰的实证研究,展示了如何利用观测数据校准模型参数,获得无偏的后验分布。
2016-06-20 cs.NA math.NA stat.AP
Bayesian Learning without Recall
Massachusetts Institute of Technology(麻省理工学院)
本文研究了在社交网络中,学习者无法回忆历史观察并无法推断他人信念形成的贝叶斯学习模型,探讨了该模型在分析理性代理行为及非贝叶斯更新规则中的应用。
2016-11-07 cs.SI cs.SY eess.SY
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
Estimating fine age structure and time trends in human contact patterns from coarse contact data: the Bayesian rate consistency model
本研究提出贝叶斯率一致性模型,可从粗略年龄分组的接触调查数据中重建1年分辨率的年龄-性别接触模式,结合希尔伯特空间高斯过程先验与报告疲劳校正,经德国疫情早期数据验证有效,可量化不确定性并适配当代调查数据。
2022-10-20 stat.AP
Hierarchical Bayesian state-space modeling of age- and sex-structured wildlife population dynamics
全球生物多样性正在以惊人的速度下降,包括大型野生哺乳动物。因此,必须制定有效的人口保护和恢复战略。种群动力学模型可以深入了解导致某一物种特定种群数量下降的过程及其相对重要性。我们开发了一个综合的贝叶斯状态空间种群动态模型的野生动物种群,并说明它使用topi人口居住在肯尼亚的马赛马拉生态系统。该模型具有通用性,将地面人口调查与航测监测数据相结合。它结合了人口的年龄和性别结构和生活史特征,并将出生率,年龄特定的存活率和性别比与气象协变量,事先人口密度,环境季节性和捕食风险。该模型运行在一个月的时间步长,使生殖季节性,物候,同步和多产的出生和少年招募的准确表征。模型的性能进行了评估,使用平衡的自助抽样和比较预测与空中人口规模估计。该模型采用MCMC方法实现,并再现了马拉托皮人口的几个众所周知的功能,包括惊人的和持续的人口下降,出生和青少年招募的季节性。它可以很容易地适应其他野生动物物种,并扩展到包括几个额外的有用功能。
2021-12-19 stat.AP
Witnessing Quantum Bayesian Inference beyond Classical Learning
Nagoya University(名古屋大学)
本文证明量子贝叶斯逆推可产生与任何经典贝叶斯学习不相容的预测,且五结果测量即突破经典界限,展示其更强的表达力。
2026-10-09 math.ST quant-ph stat.TH
Variational Inference and Bayesian CNNs for Uncertainty Estimation in Multi-Factorial Bone Age Prediction
Institute of Computer Graphics and Vision(计算机图形与视觉研究所);Graz University of Technology(格拉茨理工大学);School of Computer Science(计算机科学学院);University of Auckland(奥克兰大学)
除了在临床医学中的广泛使用外,法医学中的生物年龄(BA)还用于评估身份证明文件不可用的应用中未知的实际年龄(CA)。在文献中提出的年龄估计的自动方法是预测点估计,这可能是误导的预测不确定性的量化。在我们的MRI数据的多因素年龄估计方法中,我们使用变分推理方法来估计贝叶斯CNN模型的不确定性。区分模型不确定性和数据不确定性,我们将数据不确定性解释为生物学变异,即具有相同BA的受试者的可能CA范围。
2020-02-25 cs.LG eess.IV stat.ML
Combining Bayesian Inference and Reinforcement Learning for Agent Decision Making: A Review
本文综述贝叶斯推断与强化学习的结合,梳理基础及前沿方法、经典组合、性能比较与六类复杂RL问题,为提升智能体决策的数据效率、泛化、可解释性和安全性提供系统框架。
2025-05-12 cs.AI cs.LG
Asynchronous Bayesian Learning over a Network
Oklahoma State University(俄克拉荷马州立大学);U.S. Army Research Laboratory(美国陆军研究实验室)
我们提出了一个实用的异步数据融合模型,网络代理进行分布式贝叶斯学习,而无需共享原始数据。我们的算法使用了一个基于流言的方法,对随机选择的代理采用未经调整的朗之万动态参数采样。我们还引入了一个事件触发机制,以进一步减少八卦代理之间的通信。这些机制大大减少了通信开销,并有助于避免分布式算法通常遇到的瓶颈。此外,通过该算法减少的链路利用率预计将增加对偶尔链路故障的弹性。我们建立了我们的算法的数学保证,并通过数值实验证明其有效性。
2022-11-16 cs.DC cs.LG
Deep Interactive Bayesian Reinforcement Learning via Meta-Learning
University of Oxford(牛津大学);Microsoft Research(微软研究院)
与其他代理交互的代理通常不知道其他代理的策略是什么,但必须在与其他代理交互并了解其他代理的同时最大化自己的在线回报。最佳适应行为的不确定性下,对其他代理人的策略w.r.t.原则上可以使用交互式贝叶斯强化学习框架来计算一些先验。不幸的是,这样做在大多数情况下是棘手的,现有的近似方法仅限于小任务。为了克服这一点,我们建议元学习近似信念推理和贝叶斯最优行为对于给定的先验。为了对其他代理的信念进行建模,我们结合了顺序和分层变分自动编码器,并将此推理模型与策略一起进行元训练。我们的经验表明,我们的方法优于现有的方法,使用无模型的方法,从近似后验样本,保持无记忆模型的其他人,或不充分利用已知的环境结构。
2022-04-15 cs.LG cs.MA
Bayesian Action Decoder for Deep Multi-Agent Reinforcement Learning
University of Oxford(牛津大学);DeepMind(深度思考);Facebook AI Research(Facebook人工智能研究院)
当观察他人的行为时,人类会推断他们为什么会这样做,以及这对世界意味着什么;人类也会利用他们的行为将以这种方式被解释的事实,使他们能够以信息的方式行事,从而有效地与他人沟通。虽然学习算法最近在一些两人零和游戏中取得了超人的表现,但可扩展的多智能体强化学习算法可以在复杂的、部分可观察的环境中发现有效的策略和惯例,但事实证明这是难以捉摸的。我们提出了贝叶斯动作解码器(BAD),一种新的多智能体学习方法,使用近似贝叶斯更新,以获得一个公共的信念,在环境中的所有代理所采取的行动的条件。BAD引入了一个新的马尔可夫决策过程,公共信念MDP,其中的行动空间由所有确定性的部分政策,并利用这样一个事实,即代理只在这个公共信念状态下行事,仍然可以学习使用其私人信息,如果行动空间被扩大到所有部分政策映射到环境的行动。贝叶斯更新与人类在观察他人行为时进行的心理推理理论密切相关。我们首先验证BAD的原理证明两步矩阵游戏,它优于策略梯度方法,然后我们评估BAD的挑战性,合作的部分信息卡游戏Hanabi,其中,在两个玩家的设置,它超过了所有以前发表的学习和手工编码的方法,建立一个新的艺术状态。
2019-09-10 cs.AI cs.LG cs.MA
Multi-agent Bayesian Deep Reinforcement Learning for Microgrid Energy Management under Communication Failures
University of Ottawa(渥太华大学);University of Vienna(维也纳大学);Vienna University of Technology(维也纳工业大学)
微电网(MG)是未来交互式能源系统的重要参与者,其中许多智能物联网(IoT)设备在智能电网中交互以进行能源管理。虽然已经有许多关于MG能量管理的工作,但大多数研究假设一个完美的通信环境,其中不考虑通信故障。在本文中,我们认为MG是一个多Agent环境,其中AI Agent与其对等体交换信息以进行协作。然而,协作信息可能由于通信故障或分组丢失而丢失。这些事件可能会影响整个MG的运行。为此,我们提出了一种多智能体贝叶斯深度强化学习(BA-DRL)方法,用于通信故障下的MG能量管理。我们首先定义了一个多智能体部分可观察的马尔可夫决策过程(MA-POMDP)来描述通信故障下的代理,其中每个代理可以更新其信念的行动,它的同行。然后,我们将双深度Q学习(DDQN)架构应用于BA-DRL中的Q值估计,并提出了一种基于信念的相关均衡用于多智能体BA-DRL的联合行动选择。仿真结果表明,BA-DRL对电源不确定性和通信故障不确定性具有鲁棒性。在1%的通信失败概率下,BA-DRL比Nash深度Q学习(Nash-DQN)和交替方向乘法器(ADMM)分别高出4.1%和10.3%。
2021-11-22 cs.LG cs.SY eess.SY