Particle Gibbs Sampling for Bayesian Phylogenetic inference
组合序贯蒙特卡罗（CSMC）方法是一种有效的补充标准马尔可夫链蒙特卡罗（MCMC）方法的贝叶斯系统发生树推断方法。将CSMC和MCMC结合在粒子Gibbs（PG）采样器的框架下，联合估计系统发育树和进化参数是一种很有吸引力的方法。然而，粒子吉布斯的马尔可夫链可能混合不良，如果底层SMC遭受路径退化问题。一些补救措施，包括粒子吉布斯与祖先采样和相互作用粒子MCMC，已被提出来改善PG。但他们要么不能适用于组合树空间或仍然效率低下。我们引入了一种新的CSMC方法，提出了一个更有效的建议分布。它也可以结合到粒子吉布斯采样器框架来推断演化模型中的参数。新算法可以很容易地通过分配样本在不同的计算核心并行化。我们通过数值实验验证了所开发的CSMC可以在各种粒子Gibbs采样器中更有效地对树进行采样。我们的实现可以在https://github.com/liangliangwangsfu/phyloPMCMC上获得
2020-08-11 stat.CO
Approximate blocked Gibbs sampling for Bayesian neural networks
The University of Manchester（曼彻斯特大学）
本文提出近似分块 Gibbs 采样以提升前馈神经网络小批量 MCMC 的可行性，通过参数分组与深层降方差缓解深度增加导致的接受率消失，从而支持更长链运行并改善分类准确率与不确定性量化。
2023-07-24 cs.LG stat.CO stat.ME
Particle-Gibbs Sampling For Bayesian Feature Allocation Models
University of British Columbia（英属哥伦比亚大学）；BC Cancer Agency（不列颠哥伦比亚癌症机构）
贝叶斯特征分配模型是一种流行的工具，用于对具有组合潜在结构的数据进行建模。这些模型中的精确推断通常是棘手的，因此从业者通常应用马尔可夫链蒙特卡罗（MCMC）方法进行后验推断。最广泛使用的MCMC策略依赖于特征分配矩阵的元素明智吉布斯更新。这些逐元素更新可能是低效的，因为特征通常是强相关的。为了克服这个问题，我们开发了一个吉布斯采样器，可以更新一整行的功能分配矩阵在一个单一的移动。然而，这种采样器是不切实际的模型与大量的功能，计算复杂性的规模指数的特征数量。我们开发了一个粒子吉布斯采样器，其目标是与行吉布斯更新相同的分布，但计算复杂度仅在特征数量上线性增长。我们比较了我们提出的方法的性能标准吉布斯采样器使用合成数据从一系列的特征分配模型。我们的研究结果表明，行明智的更新使用PG方法可以显着提高性能的特征分配模型的采样器。
2020-01-25 cs.LG stat.CO stat.ML
Regularization by denoising: Bayesian model and Langevin-within-split Gibbs sampling
Institut Denis Poisson, University of Orléans（德尼·泊松研究所，奥尔良大学）；University of Toulouse, IRIT/INP-ENSEEIHT, CNRS（图卢兹大学，法国国家信息与自动化研究所/国立高等电子、电子技术、计算机与机械学院，法国国家科学研究中心）
本文提出一种基于去噪正则化（RED）的图像反演贝叶斯框架，并设计了内含Langevin Monte Carlo步骤的分裂Gibbs采样算法，通过去模糊等任务验证了其有效性。
2024-02-19 cs.CV cs.LG stat.ML
Is Gibbs sampling faster than Hamiltonian Monte Carlo on GLMs?
本文通过利用计算图结构将GLMs的Gibbs采样时间复杂度从O(d²)降至O(d)，证明其在维度扩展上优于HMC，同时指出HMC在条件数扩展方面仍有优势，两者互不占优。
2025-03-12 stat.CO stat.ME
Hybrid Variational/Gibbs Collapsed Inference in Topic Models
University of California Irvine（加利福尼亚大学欧文分校）；University College London（伦敦大学学院）；Radboud University Nijmegen（拉德堡德大学）
变分贝叶斯推理和（塌陷）吉布斯抽样是贝叶斯网络的两类重要的推理算法。两者都有其优点和缺点：塌陷吉布斯采样是无偏的，但对于大计数值也是低效的，并且需要对许多样本进行平均以减少方差。另一方面，变分贝叶斯推理是有效的，准确的大计数值，但遭受小计数的偏见。我们提出了一种混合算法，结合了两个世界的最佳：它的样本非常小的计数和应用变分更新大计数。这种杂交显着提高测试集的困惑相对于变分推理在没有计算成本。
2012-06-13 cs.LG stat.ML
Gibbs sampler and coordinate ascent variational inference: a set-theoretical review
贝叶斯统计中的一个基本问题是后验分布的近似。吉布斯抽样和坐标上升变分推理是著名的利用近似技术，依赖于随机和确定性近似。在本文中，我们定义了贝叶斯推理中经常使用的基本密度集。我们将从集合论的观点来澄清这两种方案。这种新的方法提供了一个替代机制，分析这两个方案赋予教学的见解。
2021-05-02 math.ST stat.TH
Penalized complexity priors for degrees of freedom in Bayesian P-splines
贝叶斯P-样条假设一个内在的高斯马尔可夫随机场之前的样条系数，条件是一个精确的超参数$τ$。$τ$的既往诱导是困难的。为了克服这个问题，我们的目标是建立先验模型的可解释的属性，表明平滑函数的复杂性估计。根据这个想法，我们提出了惩罚复杂性（PC）先验的有效自由度的数量。我们提出了这些新的PC先验的建设背后的一般思想，描述他们的属性，并显示如何实现它们在P-样条高斯数据。
2016-04-27 stat.ME
Fast Gibbs Sampling on Bayesian Hidden Markov Model with Missing Observations
The Chinese University of Hong Kong（香港中文大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文提出了一种在存在缺失观测时快速进行贝叶斯隐马尔可夫模型采样的方法，通过整合缺失观测和潜在状态，提高了计算效率和采样精度。
2026-01-04 cs.LG stat.ME stat.ML
Fast Gibbs sampling for high-dimensional Bayesian inversion
Centre for Medical Image Computing, University College London（医学图像计算中心，伦敦大学学院）
本文提出了一种改进的吉布斯采样方法，用于高维贝叶斯反演问题，支持多种先验分布，如一般ℓ_𝑝^𝑞先验和硬约束，并通过计算实例展示了其在CT数据反演中的应用效果。
2016-07-05 cs.NA math.NA math.PR
Bayesian Local Extrema Splines
考虑闭集X上的形状约束非参数回归问题。\in R;其中，它是合理的，假设该函数有不超过H的局部极值内部X：以下贝叶斯方法，我们开发了一个非参数先验的一种新的类的局部极值样条。这种方法被证明是一致的建模时，任何连续可微的功能考虑的类内的功能，并用于开发的曲线的形状上的假设检验的方法。采样算法的开发，该方法被应用于模拟研究和数据的例子中的曲线的形状是感兴趣的。
2016-04-04 stat.ME
Bayesian spectral density estimation using P-splines with quantile-based knot placement
本文提出了一种贝叶斯方法来估计一个平稳的时间序列的谱密度，使用一个基于P-样条分布的混合先验。我们的建议是由Edwards等人（2019）的B样条Dirichlet过程先验与Whittle似然相结合，旨在降低其后验计算的高计算复杂性。B样条Dirichlet过程先验优于Choudhuri等人（2004）的Bernstein-Dirichlet过程先验的优势在于，由于B样条具有可变数量和节点位置的灵活性，它能够估计具有尖峰和突变的谱密度。这里，我们建议使用Eilers和Marx（1996）的P样条，它将B样条基与基系数的离散惩罚相结合。除了等距节点，提出了一种新的策略，更方便的节点的位置，利用周期图提供的信息的频谱功率分布的陡峭度。我们在模拟研究和两个真实的案例研究中证明，这种方法保留了B样条的灵活性，由于新的数据驱动的节点分配方案，实现了类似的能力，准确地估计峰值，但显着降低了计算成本。
2021-01-22 stat.ME
Bayesian Quantile Regression Using Random B-spline Series Prior
本文考虑实变量同时分位数回归的贝叶斯方法。通过单调变换，我们可以使响应变量和预测变量都在单位区间内取值。分位数函数的一种表示是由两个不依赖于预测变量的单调递增函数$ξ_1$和$ξ_2$的凸组合给出的。在贝叶斯方法中，通过将先验分布置于$ξ_1$和$ξ_2$上，将先验置于分位数函数上。通过系数在单位区间内递增的样条基展开，得到曲线$ξ_1$和$ξ_2$的单调性约束.我们把一个狄利克雷先验分布的系数向量的间距。基于样条函数的有限随机序列服从形状约束。我们比较了我们的方法与贝叶斯方法使用高斯过程通过广泛的模拟研究和其他一些贝叶斯方法在文献中提出的。给出了一个应用于大西洋地区飓风活动资料的例子.我们还将我们的方法应用于美国1985- 2010年期间的区域人口数据。
2016-09-09 stat.ME
Heron Inference for Bayesian Graphical Models
Nanyang Technological University（南洋理工大学）；National University of Singapore（新加坡国立大学）；Institute for Infocomm Research（信息通信研究院）
贝叶斯图模型在许多应用领域中已被证明是从真实世界数据中发现不确定性和因果结构的有力工具。目前的推理方法主要遵循计算复杂性和预测精度之间的不同类型的权衡。在光谱的一端，变分推理方法在计算效率方面表现良好，而在另一端，吉布斯采样方法在实践中被认为是相对准确的预测。在本文中，我们扩展了现有的吉布斯抽样方法，并提出了一个新的确定性苍鹭推理（苍鹭）的家庭贝叶斯图模型。除了对非平凡可分布性的支持之外，Heron的另一个好处是它不仅能够让我们轻松地评估收敛状态，而且还可以大大提高运行效率。我们评估苍鹭对标准的崩溃吉布斯采样器和国家的最先进的状态增强方法在推理著名的图形模型。使用公开的真实数据的实验结果表明，苍鹭显着优于基线方法推断贝叶斯图形模型。
2018-02-19 cs.LG stat.ML
Online but Accurate Inference for Latent Variable Models with Local Gibbs Sampling
Technicolor（特艺集团）；INRIA（法国国家信息与自动化研究所）
我们研究大规模潜变量模型中的参数推断。我们首先提出了一个统一的治疗在线推理的潜变量模型从一个非典型的指数家庭，并绘制明确的链接之前提出的几个频率或贝叶斯方法。然后，我们提出了一种新的推理方法的频率估计的参数，适应MCMC方法在线推理的潜变量模型与适当使用的本地吉布斯抽样。然后，对于潜在的Dirich-let分配，我们提供了一组广泛的实验和与现有工作的比较，我们的新方法优于所有以前提出的方法。特别是，使用吉布斯抽样潜变量推理优于变分推理的测试对数似然。此外，贝叶斯推理通过变分方法执行差，有时会导致更高维度的潜在变量更差的拟合。
2018-01-31 cs.LG stat.ML
Sequential pCN-MCMC, an efficient MCMC method for Bayesian inversion of high-dimensional multi-Gaussian priors
在地质统计学中，高斯随机场常用于模拟土壤或地下参数的非均匀性。为了给出这些随机场的空间近似，将它们离散化。然后，不同的地质统计反演技术被用来对测量数据的条件。在这些技术中，马尔可夫链蒙特卡罗（MCMC）技术脱颖而出，因为它们产生渐近无偏的条件实现。然而，标准的马尔可夫链蒙特卡罗（MCMC）方法在细化离散化时遭受维数灾难。这意味着它们的效率随着离散单元数量的增加而迅速降低。已经开发了几种MCMC方法，使得MCMC效率不依赖于随机场的离散化。预条件Crank Nicolson马尔可夫链蒙特卡罗（pCN-MCMC）和顺序吉布斯（或块吉布斯）采样是两个例子。在本文中，我们将提出一个结合的pCN-MCMC和顺序吉布斯抽样。我们的算法，顺序pCN-MCMC，将取决于两个调谐参数：pCN方法的相关参数$β$和顺序吉布斯方法的块大小$κ$。原始的pCN-MCMC和吉布斯抽样算法是我们的方法的特殊情况。我们提出了一种算法，自动找到最佳的调谐参数组合（$κ$和$β$）在老化阶段的算法，从而选择最好的可能的两种方法之间的混合。在我们的测试用例中，我们实现了$1-5.5$在pCN和$1-6.5$在吉布斯的加速因子。此外，我们提供了我们的方法作为开源代码的MATLAB实现。
2021-03-24 stat.CO
Bregman geometry-aware split Gibbs sampling for Bayesian Poisson inverse problems
Institut Denis Poisson（德尼·泊松研究所）；CNRS（法国国家科学研究中心）；University of Tours（图尔大学）；Univ Rouen Normandie（鲁昂诺曼底大学）；INSA Rouen Normandie（鲁昂诺曼底国立应用科学学院）；Normandie Univ（诺曼底大学）；LITIS（信息、信号与图像处理实验室）；University of Toulouse（图卢兹大学）；IRIT（图卢兹计算机研究所）；INP-ENSEEIHT（图卢兹国立综合理工学院-高等电力、电子、计算机、水力与电信学院）；CEA（法国原子能和替代能源委员会）；University of Paris-Saclay（巴黎萨克雷大学）
针对泊松逆问题的非利普希茨梯度、正定性约束等挑战，本文提出Bregman几何感知的分裂吉布斯采样贝叶斯框架，结合数据增强与HRLMC算法，在多类成像任务上取得了有竞争力的重建性能。
2026-09-29 cs.CV eess.IV stat.CO
Advancing Stepped Wedge Cluster Randomized Trials Analysis: Bayesian Hierarchical Penalized Spline Models for Immediate and Time-Varying Intervention Effects
针对阶梯楔形整群随机试验的时间趋势混杂问题，提出两种贝叶斯分层惩罚样条模型，分别用于即时和时变干预效应估计，经模拟和真实试验验证，其估计准确性与可靠性均优于传统方法。
2024-02-01 stat.ME
Penalty-Induced Basis Exploration for Bayesian Splines
本文针对贝叶斯样条基探索中因有限近似导致的欠拟合问题，提出一种结合粗糙度惩罚与岭型惩罚的惩罚诱导先验，能够适应未知光滑性并达到极小极大最优后验收缩速率，模拟和实际数据均验证了其优越性。
2025-04-08 stat.ME
Laplace approximation for fast Bayesian inference in generalized additive models based on penalized regression splines
广义可加模型（GAM）是一种成熟的统计工具，用于对协变量与假设具有指数族条件分布的响应之间的复杂非线性关系进行建模。在这篇文章中，P-样条和拉普拉斯近似耦合的灵活和快速的近似贝叶斯推断的GAM。建议的拉普拉斯-P-样条模型有助于开发一种新的方法来探索后验惩罚空间，通过考虑一个确定性的基于网格的策略或马尔可夫链采样器，根据预测中的平滑加法项的数量。我们的方法的优点是依赖于封闭形式的分析表达式的梯度和Hessian的近似后验惩罚向量，这使得能够构建准确的后验逐点和可信的集合估计的潜在字段变量在一个相对较低的计算预算，即使是大量的光滑的附加组件。基于简单的高斯近似的条件潜在字段后验，建议的方法具有良好的统计特性。通过不同的模拟场景，拉普拉斯P样条模型的性能得到证实，并在两个真实数据集上说明了该方法。
2020-03-16 stat.ME
Approximate Gibbs sampler for Bayesian Huberized lasso
贝叶斯套索是众所周知的贝叶斯替代套索。虽然贝叶斯套索的优点是能够对参数进行完全概率不确定性量化，但相应的后验分布可能对离群值敏感。为了克服这一问题，近年来提出了鲁棒贝叶斯回归模型。本文从完全贝叶斯的角度研究了贝叶斯Huberized套索回归的稳健有效估计。提出了一种新的贝叶斯Huberized Lasso回归的后验计算算法。建议的近似吉布斯采样器是基于全条件分布的近似，它是可能的，以估计一个调谐参数的伪Huber损失函数的鲁棒性。本文还导出了后验分布的一些理论性质。我们通过仿真研究和实际数据的例子来说明所提出的方法的性能。
2022-07-05 stat.ME
Calibration of Computational Models with Categorical Parameters and Correlated Outputs via Bayesian Smoothing Spline ANOVA
在没有数据的地区，使用复杂的计算机模型来预测结果已经变得司空见惯。通常，这些模型需要使用一些实验数据进行校准和验证，这些数据通常由多个相关结果组成。此外，一些模型参数在本质上可以是分类的，诸如指向系统的一些物理特性的替代模型（或子模型）的指针变量。在这里，我们提出了一个通用的方法，在这种情况下，一个模拟器的计算要求很高的模型和一个差异项从模型到现实的贝叶斯平滑样条（BSS）方差分析框架内表示校准。与传统的高斯过程相比，BSS-ANOVA框架具有几个优点，包括易于处理分类输入和相关输出，以及提高计算效率。最后，这个框架，然后应用到激励其设计的问题;一个鼓泡流化床，它被用作吸收器中的CO2捕获系统的计算流体动力学模型的校准。
2014-06-17 stat.ME
EM-Based Smooth Graphon Estimation Using Bayesian and Spline-Based Approaches
本文提出了一种利用期望最大化算法的原理对网络数据分析中的光滑图子模型进行估计的方法。该方法既考虑了网络节点排序的变异性，又考虑了非参数回归对图子的平滑估计。为此，使用（线性）B样条，其允许以节点排序为条件的图子的平滑估计。这提供了M步骤。从图子模型中产生的节点的真实排序仍然是不可观察的，贝叶斯思想被用来获得给定网络数据的后验样本。这产生了E步骤。结合这两个步骤给出了一个基于EM的方法来估计光滑图子。与其他方法不同，该方法不需要对单调边缘函数进行限制。建议graphon估计允许探索节点排序策略，因此比较常见的度为基础的节点排名与网络上的排序条件。考虑到使用MCMC技术的可变性和不确定性。实例和模拟研究支持的方法的适用性。
2021-09-15 stat.ME
Flexible Modeling of Demographic Transition Processes with a Bayesian Hierarchical B-splines Model
本文提出B样条转变模型（BTM），用数据自适应的B样条结合贝叶斯分层框架建模多人群人口指标转变过程，在TFR和mCPR预测中表现优于或相当于现有参数模型。
2025-04-08 stat.ME
Direct Sampling of Bayesian Thin-Plate Splines for Spatial Smoothing
径向基函数是一种常用的数学工具，用于从一组数据点构造光滑的插值函数。基于薄板样条径向基函数的空间先验可以很容易地实现，从而产生可以直接使用蒙特卡罗积分进行采样的后验，避免了蒙特卡罗马尔可夫链（MCMC）采样方案的计算负担和潜在的低效率。证明了先验和抽样方案的推导。
2019-06-13 stat.CO stat.ME
Bayesian Triangulation Splines: Spatial Adaptation on Irregular Domains
Yonsei University（延世大学）；University of Southern California（南加州大学）
提出贝叶斯三角剖分样条方法，通过约束Delaunay三角剖分处理不规则域边界和异质性平滑，实现空间自适应，并证明其最优后验收缩率和Oracle性质。
2026-06-11 stat.ME
Flexible estimation in cure survival models using Bayesian P-splines
在生存数据的分析中，通常假设任何单位将经历关注的事件，如果观察足够长的时间。然而，可以明确假设研究人群中未知比例的人群将永远不会发生监测事件。具有生物学动机的晋升时间模型是考虑这一特征的生存模型之一。提升时间模型假设每个主体的失效时间由N个潜伏事件时间的最小值产生，这N个潜伏事件时间独立于与N无关的公共分布。我们提出了一个扩展，它允许协变量同时影响被治愈的概率和潜在的分布。我们使用灵活的Cox比例风险模型估计潜在分布，其中使用贝叶斯P-样条指定基线风险函数的对数。在潜在分布中引入协变量意味着总体风险函数可能没有比例风险结构。但是，使用P样条函数可以平滑估计人群风险比随时间的变化。我们提出了一个限制使用的模型时，后续的研究是不够长。一个模拟研究评估我们的方法的准确性。所提出的模型说明了从III期黑色素瘤e1684临床试验的数据。
2014-05-14 stat.ME
Bayesian model selection in additive partial linear models via locally adaptive splines
我们提供了一个灵活的框架中选择一类添加剂部分线性模型，允许线性和非线性添加剂成分。在实践中，它是具有挑战性的，以确定哪些添加剂成分应被排除在模型，同时确定是否非零添加剂成分应表示为线性或非线性成分在最终的模型。在本文中，我们提出了一种贝叶斯模型选择方法，该方法通过仔细指定的一类模型来实现，包括先验分布的选择和用于非线性添加剂成分的非参数模型。我们采用了一系列的潜变量，确定每个变量之间的三种可能性（无影响，线性效应，非线性效应）的影响，并同时确定每个样条的结的一个合适的惩罚光滑的功能。使用伪先验分布以及折叠方案使我们能够部署性能良好的马尔可夫链蒙特卡罗采样器，用于模型选择和拟合优选模型。我们的方法和算法部署在一套数值研究，并应用于营养流行病学研究。数值结果表明，所提出的方法优于以前可用的方法的有效样本量的马尔可夫链采样器和整体的错误分类率。
2021-09-17 stat.ME
Estimating the proportion of modern contraceptives supplied by the public and private sectors using a Bayesian hierarchical penalized spline model
本文提出贝叶斯分层惩罚样条模型，利用DHS数据中潜在属性和跨方法相关性，对各国公共/私营部门现代避孕供应比例进行年度估计与预测，为评估计划生育项目有效性提供依据。
2022-12-07 stat.ME
Bayesian Model Calibration for Extrapolative Prediction via Gibbs Posteriors
目前的标准贝叶斯模型校准方法，它分配一个高斯过程之前的差异项，往往遭受的不可识别性和计算复杂性和不稳定性的问题。当目标是量化外推预测的物理参数的不确定性时，则不需要对差异项执行推断。考虑到这一点，我们引入吉布斯后验作为一种替代贝叶斯方法模型校准，更新与损失函数连接的数据参数的先验。推理的目标是使期望损失最小的物理参数值。我们建议调整损失规模的吉布斯后验模型的差异形式的假设下，以保持名义频率覆盖率，并提出了一个自举实现近似覆盖率。我们的方法是高度模块化的，允许分析师轻松地对各种各样的假设进行编码。此外，我们提供了一个原则性的方法，结合后验的数据子集计算。我们将我们的方法应用于测量钽材料特性的实验数据。
2019-09-12 stat.ME
Penalty parameter selection and asymmetry corrections to Laplace approximations in Bayesian P-splines models
本文提出改进的LPS方法，通过将潜空间二分以分别处理潜变量和未惩罚参数，结合非高斯不对称近似与Laplace近似，在保持无采样快速计算的同时显著提升了后验估计精度。
2022-10-04 stat.ME
Posterior Concentration Rates for Bayesian Penalized Splines
尽管贝叶斯惩罚样条函数在实际中得到了广泛的应用，但其渐近性质至今尚未得到研究。我们关闭这个差距，并研究后验浓度率贝叶斯惩罚样条在高斯非参数回归模型。该方法的一个关键特征是平滑方差的超先验，这允许在实践中进行自适应平滑，但由于它破坏了共轭性并排除了后验矩的解析表达式，因此使理论分析变得相当复杂。为了得到我们的理论结果，我们依赖于几个新的概念，包括一个仔细定义的适当版本的部分不适当的惩罚样条之前，以及一个创新的样条估计，项目的意见到第一个Demmler-Reinsch基础的基础函数。我们的研究结果表明，后验浓度在接近最优的速度，可以实现如果超先验的平滑方差之间的过度平滑和欠平滑，这可以满足例如由威布尔超先验形状参数1/2之间的平衡。我们补充我们的理论结果与实证证据表明在实践中的超先验的适应性。
2022-03-23 math.ST stat.ME stat.TH
Bayesian isotonic logistic regression via constrained splines: an application to estimating the serve advantage in professional tennis
在职业网球比赛中，发球方往往具有先发优势。事实上，大多数分数都是由发球者赢得的，这使得发球成为这项运动中最重要的元素之一。在本文中，我们专注于发球优势的作用，赢得一个点作为一个函数的集会长度。本文提出了一个关于发球得分概率的贝叶斯保序逻辑斯谛回归模型。特别是，我们通过B样条基函数的线性组合来分解获胜概率的logit，并具有运动员特定的基函数系数。此外，我们通过对样条系数施加约束，确保发球优势随拉力赛长度而减小。我们还考虑了每个球员的反弹能力，并研究了不同类型的法院可能会影响球员的反弹能力。我们将我们的方法应用于大满贯单打比赛数据集。
2019-08-29 stat.AP stat.ME
Bayesian spline-based hidden Markov models with applications to actimetry data and sleep analysis
本文提出基于 B-spline 发射分布的贝叶斯 HMM 框架，利用跨维 MCMC 与边际似然同时估计结点配置和状态数，并通过模拟、鲨鱼活动及人类睡眠昼夜节律分析验证其灵活性与优势。
2023-10-02 stat.AP stat.ME
Adaptive Bayesian Multivariate Spline Knot Inference with Prior Specifications on Model Complexity
针对多元样条回归中节点推断的难题，提出考虑模型空间复杂度的全贝叶斯新方法，采用可逆跳转MCMC采样，在节点推断、流形去噪及含跳跃间断点的函数拟合中表现优异。
2024-05-22 stat.ME stat.ML
A note on Bayesian logistic regression for spatial exponential family Gibbs point processes
近年来，指数族Gibbs空间点过程的逻辑斯谛回归推理方法被提出.我们将它与二次切向变分逼近技术相结合，导出了一种新的贝叶斯空间点模式分析方法。该技术进行了详细描述，并证明了数值例子。
2014-11-03 stat.ME stat.OT
Bayesian Stacking via Proper Scoring Rule Optimization using a Gibbs Posterior
针对协作预测中的权重选择问题，提出基于Gibbs后验、通过恰当评分规则优化的贝叶斯堆叠最优线性池，兼具正则化与权重不确定性量化能力，在模拟和FluSight竞赛数据上表现优于对比方法。
2025-09-04 stat.ME
Why not a thin plate spline for spatial models? A comparative study using Bayesian inference
本研究提出用薄板样条低秩近似替代高斯随机场作为贝叶斯空间模型中的空间随机效应，通过截断谱分解降低计算复杂度，并利用Stan进行推断，模拟和实际应用表明其在保证参数恢复和预测性能的同时，具有更快的收敛速度和更好的计算效率。
2024-04-19 stat.CO stat.ME
A Semi-parametric Technique for the Quantitative Analysis of Dynamic Contrast-enhanced MR Images Based on Bayesian P-splines
动态对比增强磁共振成像（DCE-MRI）是检测癌组织中细微动态变化的重要工具。DCE-MRI的定量分析通常涉及动脉输入函数（AIF）与造影剂浓度的非线性药代动力学模型的卷积。动力学模型的参数具有生物学意义，但非线性模型的优化具有显著的计算问题。在实践中，优化算法的收敛性得不到保证，并且模型拟合的准确性可能受到损害。为了克服这个问题，本文提出了一种半参数惩罚样条平滑方法，其中AIF与一组B样条卷积，以产生一个设计矩阵，使用局部自适应平滑参数的基础上贝叶斯惩罚样条模型（P样条）。它已被证明，动力学参数估计，可以从得到的反卷积响应函数，这也包括对比度增强的发病。该方法的详细验证，无论是模拟和体内数据，提供。
2008-01-26 physics.med-ph stat.AP stat.ME
Laplacian-P-splines for Bayesian inference in the mixture cure model
用于分析生存数据的混合治愈模型的特征在于假设研究人群分为一组受试者，该组受试者将在有限的时间范围内发生关注事件，另一组治愈受试者无论随访持续时间如何都不会发生事件。当使用贝叶斯范式推断具有治愈分数的生存模型时，通常的做法是依靠马尔可夫链蒙特卡罗（MCMC）方法从后验分布中采样。虽然计算上可行，但MCMC的迭代性质通常意味着长采样时间来探索具有可能遭受缓慢收敛和不良混合的链的目标空间。本文提出了一种基于拉普拉斯近似和惩罚B样条的混合硫化模型快速、灵活的无采样贝叶斯推断方法。假设治愈比例为逻辑斯谛回归模型，并使用具有P样条近似基线风险的考克斯比例风险模型来指定易感受试者的条件生存函数。拉普拉斯近似的条件潜在向量是基于对数似然的梯度和海森的分析公式，从而大大加快了近似后验分布。在模拟研究中评估了所提出的拉普拉斯-P-样条混合曲线（LPSMC）模型的统计性能和计算效率。结果表明，LPSMC是一个有吸引力的替代经典MCMC近似贝叶斯推断在标准的混合硫化模型。最后，新的LPSMC方法说明了三个应用程序，涉及真正的生存数据。
2021-05-17 stat.CO stat.ME
Bayesian Non-parametric Simultaneous Quantile Regression for Complete and Grid Data
本文考虑了多个连续预测变量取值在单位区间内的非参数分位数回归的贝叶斯方法。在第一种方法中，假设分位数函数在解释变量上是光滑的，并在B样条基函数的张量积中展开。在第二种方法中，假设分布函数在解释变量上是光滑的，并将其展开为B样条基函数的张量积。与其他现有的非参数分位数回归方法不同，所提出的方法估计整个分位数函数，而不是估计的分位数网格。先验的B样条系数放在这样一种方式，估计的分位数水平的单调性保持不同于本地多项式分位数回归方法。所提出的方法也被修改为分位数网格数据，其中只有百分位数范围的每个响应观测是已知的。模拟研究提供了完整的和分位数的网格数据。该方法已被用来估计美国家庭收入数据和北大西洋飓风强度数据的分位数。
2016-12-01 stat.ME
fkbma: An R Package for Detecting Tailoring Variables with Free-Knot B-Splines and Bayesian Model Averaging
本文介绍 R 包 fkbma，利用自由节点 B 样条与贝叶斯模型平均识别治疗适配变量，并通过模拟和真实数据验证其应用价值。
2025-03-17 stat.CO stat.ME
Smoothing for age-period-cohort models: a comparison between splines and random process
本研究揭示了APC模型平滑处理中频率学派惩罚样条法与贝叶斯学派随机过程法的理论关联，通过模拟与真实数据验证二者样本内预测相近，指出贝叶斯随机过程因更完整捕捉不确定性在样本外预测中更具优势。
2023-12-15 stat.ME
Gibbs Sampling for Bayesian Generalized Poisson Matrix Factorization
Organization for the Establishment of the Faculty of Sports Data Science and Business, Chuo University（中央大学体育数据科学与商业学部设立机构）；School of Pharmaceutical Sciences, Wakayama Medical University（和歌山医科大学药学部）
本文提出贝叶斯广义泊松矩阵分解（Bayesian GPMF），通过复合泊松表示和吉布斯采样实现后验推断，量化不确定性，模拟和足球数据实验验证其精度优于传统GPMF。
2026-09-14 stat.ME
Stability of the Gibbs Sampler for Bayesian Hierarchical Models
本文证明了在具有任意对称误差分布的分层线性模型中，从参数和缺失数据的联合后验分布中采样的Gibbs采样器的收敛性。我们表明，收敛可以是均匀的，几何或亚几何依赖于相对尾部行为的误差分布，并选择的参数化。我们的理论被用来证明潜在高斯过程模型上Gibbs抽样器的收敛性。我们指出，我们介绍的理论框架将是有用的，在分析更复杂的模型。
2007-10-23 stat.CO stat.ME
Bayesian local clustering of functional data via semi-Markovian random partitions
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Department of Statistics, University of Padova（帕多瓦大学统计系）
本文提出一种基于B样条基函数和新型依赖随机分区模型的贝叶斯框架，用于函数数据的间接局部聚类，通过半马尔可夫依赖结构实现灵活的先验模型，展示其在模拟数据和威尼斯泻湖潮汐数据中的有效性。
2026-10-14 stat.ME
Gibbs optimal design of experiments
本文提出Gibbs最优设计框架，将最优实验设计从依赖正确统计模型的贝叶斯范式推广到对模型误设更稳健的Gibbs推断，并给出计算方法及在多种模型上的示例验证。
2025-01-02 stat.ME
Bayesian semi-parametric forecasting of ultrafine particle number concentration with penalised splines and autoregressive errors
观测的时间序列数据往往表现出周期性的时间趋势和自相关性，也可能依赖于协变量。因此，需要能够捕获这些趋势并同时对任何剩余自相关进行建模的灵活回归模型。对残差中的自相关进行建模，比假设独立性更能得到更真实的预测。在本文中，我们提出了一种方法，结合样条半参数回归建模的自回归误差的建模。该方法被应用到一个模拟的数据集，以显示其有效性和超细颗粒数浓度在芬兰赫尔辛基，以显示其在现实世界中的问题。
2012-09-25 physics.ao-ph physics.data-an stat.AP
Bayesian nonparametric scalar-on-image regression via Potts-Gibbs random partition models
标量图像回归旨在研究基于高维成像数据的感兴趣标量响应的变化。我们提出了一种新的贝叶斯非参数标量图像回归模型，利用体素的空间坐标组体素具有相似的影响的响应有一个共同的系数。我们采用Potts-Gibbs随机分区模型作为随机分区的先验，其中分区过程是空间依赖的，从而鼓励代表空间连续区域的组。此外，贝叶斯收缩先验用于识别与预测最相关的协变量和区域。使用模拟数据集说明了所提出的模型。
2022-06-22 stat.AP stat.ME
Component-wise approximate Bayesian computation via Gibbs-like steps
Université Paris-Dauphine, Université PSL, CNRS, CEREMADE（巴黎第九大学、巴黎文理研究大学、法国国家科学研究中心、计算与数据科学数学中心）
本文提出一种基于Gibbs步骤的分量近似贝叶斯计算方法，通过降维汇总统计量提升效率，实现更高效的参数估计。
2020-09-17 stat.CO stat.ME
Bayesian Modeling of Gibbs Point Processes via Basis Function Expansions
University of Missouri（密苏里大学）
该研究针对非齐次成对交互Gibbs点过程模型，提出基于基函数展开的分层贝叶斯框架与完全空间随机性检验程序，并通过水黾、森林火灾两个真实基准数据验证了方法有效性。
2026-08-14 stat.AP stat.CO stat.ME
Mixtures of g-Priors for Generalised Additive Model Selection with Penalised Splines
我们提出了一个客观的贝叶斯方法来选择协变量和惩罚样条变换广义加性模型。为模型参数指定一个合理的默认先验，并结合模型本身的多重性校正先验，对于这项任务至关重要。在这里，我们使用了良好的研究和良好的行为连续混合的g先验作为默认先验。我们在正态模型中引入该方法，并将其推广到非正态指数族。仿真研究和文献中的应用说明了所提出的方法。一个有效的实现是在R-包“hypergsplines”。
2012-08-20 stat.ME
Efficient Gibbs Sampling in Cox Regression Models Using Composite Partial Likelihood and Pólya-Gamma Augmentation
National Institute of Infectious Diseases（国立感染症研究所）
针对Cox回归贝叶斯方法基线风险建模复杂、计算低效的问题，提出GS4Cox全吉布斯采样器，结合广义贝叶斯框架、复合部分似然、Pólya-Gamma增强及仿射校准，实现高效采样并提升估计性能。
2025-11-18 stat.ME
Gradient Profile Estimation Using Exponential Cubic Spline Smoothing in a Bayesian Framework
获得可靠的剖面梯度对于许多物理系统来说至关重要。在大多数情况下，由于噪声，梯度的估计可能不准确。通常的做法是首先估计底层系统，然后通过取随后的解析导数来计算剖面梯度。基础系统通常通过使用其他技术拟合或平滑数据来估计。对一个估计函数求随后的解析导数可能是不适定的。随着系统中噪声的增加，病态性变得更糟。结果，梯度估计中产生的不确定性增加。在本文中，一种方法来估计离散噪声数据的轮廓梯度的理论框架。该方法在贝叶斯框架内开发。在不同的随机噪声水平的合成数据进行了全面的数值试验。所提出的方法的准确性进行了量化。我们的研究结果表明，所提出的梯度轮廓估计方法优于国家的最先进的方法。
2019-12-09 physics.data-an stat.ME
