A comparative review of variable selection techniques for covariate dependent Dirichlet process mixture models
Dirichlet Process Mixture（Dirichlet Process Mixture）模型已经越来越多地用于指定考虑协变量内可能模式的随机划分模型。此外，为了处理大量的协变量，已经提出了用于选择最重要的协变量的方法。通常，选择协变量是因为它们在确定观测值聚类中的重要性，或者是因为它们对响应变量水平的影响（当指定回归模型时）。通常，这两种策略都涉及规范模型中协变量的潜在指标。常见的例子包括使用尖峰和平板先验分布。在这项工作中，我们回顾了最相关的模型，包括协变量信息的诱导分区的观察，我们专注于这些模型的变量选择技术。我们强调了每个模型的主要特点，并在模拟和实际数据应用中进行了演示。
2016-10-29 stat.AP
Identifying treatment effect heterogeneity in dose-finding trials using Bayesian hierarchical models
药物开发中的一项重要任务是确定患者对实验性治疗的反应更好或更差。识别影响处理效应并可用于定义患者亚组的预测协变量是这项任务的关键方面。然而，已知处理效应异质性分析具有挑战性，因为可能的协变量或亚组的数量通常很大，而药物开发早期阶段的样本量通常很小。此外，区分预测协变量与预后协变量（其影响与给定治疗无关的反应）通常很困难。虽然已经提出了许多解决这些问题的方法，但大多数方法都集中在两组临床试验环境中，即给予患者治疗或对照。在本文中，我们考虑平行组剂量探索试验，其中患者给予不同剂量的相同治疗。为了研究这种情况下的处理效应异质性，我们提出了一个协变量对剂量反应参数有影响的贝叶斯分层剂量反应模型。我们利用收缩先验来防止过度拟合，当考虑的协变量数量很大而样本量很小时，过度拟合很容易发生。我们在模拟中比较了几个这样的先验，并研究了预后和预测效应的相关建模，以更好地区分这两种类型的效应。我们说明了使用我们提出的方法，使用II期剂量探索试验，并显示它如何可以用来确定预测协变量和亚组的患者增加处理效应。
2018-11-26 stat.ME
Bayesian Hierarchical Copula Models with a Dirichlet-Laplace Prior
本文针对金融时间序列聚类提出贝叶斯分层copula模型，采用Dirichlet-Laplace全局-局部收缩先验解决后验不适定问题并刻画聚类间依赖，通过模拟和真实数据验证性能。
2025-02-06 stat.ME
The Group R2D2 Shrinkage Prior for Sparse Linear Models with Grouped Covariates
本文提出组R2D2先验，用于处理具有分组协变量的稀疏线性模型，通过狄利克雷分布实现灵活的收缩，提升估计精度和预测性能。
2025-12-13 stat.ME
Dependent Dirichlet Process Rating Model (DDP-RM)
典型的IRT评分量表模型假设被试的评分类别阈值参数相同。然而，可以说，许多评级数据集违反了这一假设。为了解决这个实际的心理测量问题，我们引入了一种新的，贝叶斯非参数IRT模型的评级量表项目。该模型是一个基于局部依赖狄利克雷过程（DDP）的Rasch部分信用模型的无限混合。该模型将评级阈值视为受混合物影响的随机参数，并具有协变量相关的混合物权重。因此，新模型允许评分类别阈值在项目和考生之间灵活变化，并且允许类别阈值的分布作为协变量的函数灵活变化。我们通过模拟数据集的分析，并通过一个真正的评级数据集，这是众所周知的心理测量学文献的分析说明了新的模型。该模型被证明有更好的预测拟合性能，相比其他常用的IRT评级模型。
2013-03-21 stat.ME
For high-dimensional hierarchical models, consider exchangeability of effects across covariates instead of across datasets
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Broad Institute（博德研究所）
分层贝叶斯方法可以在多个相关的回归问题中共享信息。虽然标准做法是将回归参数（效应）建模为（1）在数据集之间可交换，（2）在协变量之间具有不同程度的相关性，但我们发现，当协变量的数量超过数据集的数量时，这种方法的统计性能较差。例如，在统计遗传学中，我们可能会对成千上万个个体（反应）的数十个特征（定义数据集）进行回归，以获得数百万个遗传变异（协变量）。当分析师的协变量多于数据集时，我们认为将效应建模为（1）协变量之间的可交换性和（2）数据集之间不同程度的相关性通常更自然。为此，我们提出了一个层次模型表达我们的替代观点。我们设计了一个经验贝叶斯估计学习数据集之间的相关程度。我们开发的理论表明，我们的方法优于经典的方法时，协变量的数量占主导地位的数据集的数量，并证实了这一结果经验上的几个高维多元回归和分类问题。
2021-07-13 cs.LG stat.ME stat.ML
PReMiuM: An R Package for Profile Regression Mixture Models using Dirichlet Processes
PReMiuM是最近开发的R包贝叶斯聚类使用Dirichlet过程混合模型。该模型是回归模型的替代模型，通过聚类成员关系将响应向量与协变量数据非参数化地联系起来。该软件包支持Bernoulli、Binomial、Poisson、Normal和分类响应，以及Normal和离散协变量。此外，可以对响应进行预测，并处理协变量的缺失值。几个采样器和标签切换移动与诊断工具一起实施，以评估收敛。还提供了一些用于输出后处理的R函数。除了拟合混合物之外，还可能需要确定哪些协变量主动驱动混合物成分。这在包中作为变量选择实现。
2014-04-25 stat.CO
Dirichlet Posterior Sampling with Truncated Multinomial Likelihoods
我们考虑的问题，从后验分布下形成的Dirichlet先验和截断多项式似然，我们的意思是一个多项式似然函数，我们的条件下，一个或多个计数为零的先验。对该后验分布进行采样在基于狄利克雷分布或狄利克雷过程的分层贝叶斯模型的推理算法中是有意义的，特别是分层狄利克雷过程隐半马尔可夫模型的吉布斯抽样算法。我们提供了一个数据增强采样算法，易于实现，快速混合和执行，并易于扩展到许多维度。我们证明了该算法的优势，一个通用的大都市黑斯廷斯抽样算法在几个数值实验。
2012-09-03 stat.ME
Bayesian Hierarchical Models For Multi-type Survey Data Using Spatially Correlated Covariates Measured With Error
我们引入贝叶斯分层模型来预测高维表格调查数据，这些数据可以分布在一个或多个分布类别中（例如，高斯、泊松、二项式等）。我们采用贝叶斯实现的分层广义变换（HGT）模型来处理非高斯数据模型的非共轭时，估计使用潜在的高斯过程（LGP）模型。调查数据通常容易出现高度的抽样误差，我们使用的协变量既有容易出现测量误差的，也有没有这种误差的。定义了一个经典的测量误差分量来处理协变量中的采样误差。所提出的模型可以是高维的，我们采用基函数展开的概念，提供了一个有效的方法来降低降维。HGT组件为我们的模型提供了灵活性，可以在统一的潜在过程模型框架下合并多类型的响应数据集。为了证明我们的方法的适用性，我们提供了模拟研究和数据应用程序所产生的数据集组成的美国人口普查局的美国社区调查（ACS）5年期估计的贫困线下的总人口数和ACS 5年期估计的中位数在美国多个州的县级住房成本。
2022-11-17 stat.AP stat.ME
Density regression via Dirichlet process mixtures of normal structured additive regression models
本文提出单权重相依 Dirichlet 过程正态结构化加法回归混合模型，利用惩罚 B 样条和张量积实现灵活密度回归，并通过闭式满条件分布支持高效 Gibbs 后验推断。
2024-05-13 stat.AP stat.ME
Bayesian Covariate-Varying Interaction Analysis for Multivariate Count Data: Application to Microbiome Studies
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of California Santa Cruz（加州大学圣克鲁兹分校）
本文提出了一种贝叶斯协变量变化因子模型，用于分析微生物组数据中的多元计数数据，通过非参数贝叶斯框架解决高维和离散性等挑战。
2026-03-12 stat.ME
A hierarchical Bayesian non-asymptotic extreme value model for spatial data
针对极端降水空间重现水平估计，本文提出放宽渐近假设的贝叶斯分层非渐近极值模型，利用潜在时空过程和地理协变量刻画事件发生与空间依赖，并通过模拟和北卡罗来纳州降雨应用证明其显著降低了估计不确定性。
2023-04-26 stat.ME
Bayesian Multivariate Quantile Regression Using Dependent Dirichlet Process Prior
在这篇文章中，我们考虑了一个非参数贝叶斯方法的多元分位数回归。给定单变量协变量X的响应向量Y的相关条件分布的集合使用依赖狄利克雷过程（DDP）先验建模。DDP用于引入跨x的依赖性。由于Dirichlet过程先验的实现几乎肯定是离散的，我们需要将其与内核卷积。为了尽可能灵活地建模误差分布，我们使用多维正态分布的可数混合作为我们的内核。对于后验计算，我们使用DDP的截断棒断裂表示。这种近似使我们能够只处理1000个参数。我们使用一个块吉布斯采样器估计模型参数。我们用模拟研究和实际数据应用说明了我们的方法。最后，我们通过后验一致性为所提出的方法提供了理论依据。我们提出的方法是新的，即使当响应是单变量的。
2020-07-01 stat.ME
Bayesian Estimation of Hierarchical Linear Models from Incomplete Data: Cluster-Level Interaction Effects and Small Sample Sizes
针对小样本和部分观测数据下HLM的估计问题，提出一种直接从精确后验分布填补参数与缺失值的兼容Gibbs采样器，通过模拟证明其优于现有方法。
2025-01-31 stat.ME
Bayesian nonparametric inference for the covariate-adjusted ROC curve
疾病的准确诊断在临床实践和医学研究中至关重要。在医学诊断试验常规用于实践之前，必须通过统计分析严格评估其区分疾病和非疾病状态的能力。受试者工作特征（ROC）曲线是评价连续结果诊断试验区分能力的最常用工具。已经认识到有几个因素（例如，受试者特异性特征，如年龄和/或性别）可以影响测试的准确性，而不仅仅是疾病状态。最近，协变量调整的ROC曲线已被提出并成功地应用为考虑协变量信息的诊断准确性的全局汇总度量。我们鼓励使用协变量调整的ROC曲线，并开发了一个高度稳健的B-样条依赖Dirichlet过程混合模型和贝叶斯自助模型的基础上相结合的模型。多个模拟研究表明，我们的模型能够成功地恢复真正的协变量调整ROC曲线，并在各种复杂的情况下产生有效的推断。我们的方法的动机和应用于内分泌研究，其主要目标是评估身体质量指数的准确性，根据年龄和性别进行调整，用于预测心血管疾病风险因素的集群。的R-包AROC，实现我们提出的方法，提供。
2018-05-30 stat.ME
Nonparametric Bayesian Inference for Mean Residual Life Functions in Survival Analysis
平均剩余寿命函数是生存分布的一个关键泛函。它有一个实际有用的解释为预期的剩余寿命给定的生存到一个特定的时间点，它也表征了生存分布。然而，在概率建模框架下的推理方法方面，它受到了有限的关注。我们试图提供一般的推断方法，平均剩余寿命回归。生存数据通常包括一组生存反应分布的预测变量，在许多情况下，将协变量作为随机变量纳入建模是很自然的。因此，我们采用Dirichlet过程混合建模的协变量和生存响应的联合随机机制。这种方法意味着一个灵活的模型结构的平均剩余寿命的条件响应分布，允许一般形状的平均剩余寿命作为一个函数的协变量给定一个特定的时间点，以及时间的函数给定特定值的协变量向量。为了扩大建模框架的范围，我们扩展了混合模型，将实验组之间的依赖性，如治疗组和对照组。该扩展是从特定于组的混合分布的相关Dirichlet过程之前构建的，具有通过潜在双变量Beta分布随机变量在组之间变化的公共位置和权重。我们开发的回归模型的属性，并讨论了先验规范和后验推理的方法。该方法的不同组成部分与模拟数据的例子进行了说明，该模型也适用于数据集，包括右删失生存时间。
2018-10-09 stat.ME
Shared Differential Clustering across Single-cell RNA Sequencing Datasets with the Hierarchical Dirichlet Process
针对单细胞RNA测序数据分析受数据收集问题与偏差影响的难题，本研究构建集成贝叶斯模型同时处理归一化、插补、批次效应并跨数据集非参数聚类细胞，还开发了基于HDP有限维近似的Gibbs采样器用于后验推断。
2023-12-13 q-bio.GN stat.ME
A Bayesian hierarchical model for related densities using Polya trees
贝叶斯分层模型用于在相关样本之间共享信息，并获得样本水平参数、共同结构和样本间变异的更准确估计。当感兴趣的参数是连续变量的分布或密度时，需要连续分布的分层模型。在文献中已经描述了许多这样的模型，使用狄利克雷过程和相关过程的扩展，通常作为混合核参数的分布。我们提出了一个新的层次模型的基础上的Pólya树，它允许直接建模的密度，并享有一些计算优势的Dirichlet过程。Pólya树还允许对样本之间的变化进行更灵活的建模，提供更明智的收缩，并允许对分散函数进行后验推断，该分散函数量化了样本密度之间的变化。我们还展示了如何将该模型扩展到集群样本的情况下，所观察到的样本被认为是从几个潜在的人口。
2019-06-15 stat.ME
An Approximate Bayesian Approach to Covariate-dependent Graphical Modeling
高斯图模型通常假设所有主题的均匀结构，这在应用中通常是限制性的。在这篇文章中，我们提出了一个加权伪似然方法的图形建模，允许不同的主题有不同的图形结构取决于无关的协变量。伪似然方法用每个变量的条件分布的乘积代替联合分布。我们将条件分布转换为异方差回归问题，具有协变量依赖方差项，以使信息直接从数据中借用，而不是分层框架。这允许对每个主题进行独立的图形建模，同时保留分层贝叶斯模型的优点，并且在计算上易于处理。提出了一种有效的并行变分算法来逼近后验估计，并得到了图的估计。使用分数变分的框架，我们推导出渐近风险界的估计方面的一个新的变种的$α$ -Rényi分歧。我们从理论上证明了跨协变量的信息借用相对于独立建模的优势。我们通过模拟研究显示了该方法的实际优势，并使用CNV信息作为协变量说明了乳腺癌患者蛋白质表达水平的依赖结构。
2023-03-15 stat.CO stat.ME
A Nonparametric Bayesian Technique for High-Dimensional Regression
本文提出了一个非参数贝叶斯框架称为VariScan的同时聚类，变量选择和预测在高通量回归设置。Poisson-Dirichlet过程用于检测协变量的低维潜在聚类。为响应构造了自适应非线性预测模型，实现了模型简约性和灵活性之间的平衡。与传统的信念相反，集群检测显示为后验一致的一般类的模型的协变量和主题的数量的增长。仿真研究和数据分析表明，VariScan往往优于几个著名的统计方法。
2016-04-12 stat.ME
A Nonparametric Bayesian Method for Clustering of High-Dimensional Mixed Dataset
本文是从高吞吐量混合数据集的聚类问题出发的。这些数据集的聚类可以提供对生物学关联的深入了解。在这种情况下，一个开放的问题是同时聚类高维混合数据集。本文填补了这一空白，并提出了一种非参数贝叶斯方法称为Gen-VariScan的高维混合数据集的双聚类。Gen-VariScan利用广义线性模型（GLM）和潜在变量方法来整合混合数据集。我们利用Poisson Dirichlet过程（PDP）来识别混合协变量的低维结构。我们发现，协变量协聚类检测是后验一致的，随着受试者和协变量的数量的增长。通过数值模拟和数据分析，验证了Gen-VariScan的优越性。作为一个副产品，我们推导出一个工作值的方法来执行beta回归。本文的补充材料可在网上查阅。
2018-08-14 stat.ME
Bayesian Nonparametric Instrumental Variable Regression Approach to Quantile Inference
本研究扩展了贝叶斯非参数工具变量回归模型，以确定协变量对响应变量条件分位数的结构效应。误差分布是使用二元正态分布的Dirichlet混合物非参数建模的。均值函数包括以加法方式使用样条函数表示的协变量的平滑效应。第二阶段误差的条件方差也使用样条函数建模，使得它随协变量平滑地变化。因此，所提出的模型允许相当大的灵活性，在形状的分位数函数，同时校正的内消效应。该模型的后验推理是基于马尔可夫链蒙特卡罗方法，不需要大都会黑斯廷斯更新。使用模拟和真实的数据在日本的死亡率在两次世界大战期间的方法进行了演示。
2016-08-29 stat.ME
Bayesian nonparametric temporal dynamic clustering via autoregressive Dirichlet priors
在本文中，我们考虑动态聚类的问题，集群成员可能会随着时间的推移而改变，集群可能会随着时间的推移分裂和合并，从而创建新的集群和破坏现有的。我们提出了一个贝叶斯非参数方法，通过混合建模的动态聚类。我们的方法依赖于一种新的时间依赖性非参数先验定义相结合：i）基于Copula的高斯自回归过程的变换; ii）狄利克雷过程的棒断裂构造。后验推理是通过粒子马尔可夫链蒙特卡罗算法，这是简单的，计算效率高，可扩展到大规模的数据集。所提出的方法的优点包括应用的灵活性，易于计算和可解释性。我们提出了一个应用程序，我们的动态贝叶斯非参数混合模型的时间动态的形容词和职业在20世纪和21世纪的美国性别刻板印象的研究。此外，为了突出我们的模型的灵活性，我们提出了额外的应用程序与协变量和空间结构的时间相关的数据。
2019-10-23 stat.ME
A Gentle Introduction to Bayesian Hierarchical Linear Regression Models
考虑到贝叶斯建模的灵活性和适用性，在这项工作中，我们修改了回归设置中的两个层次模型的主要特征。我们研究了模型的完整概率结构以及每个模型参数的完整条件分布。在我们的分层扩展下，我们允许模型第二阶段的均值对一组协变量具有线性依赖性。充分描述和推导了拟合模型时用于获取样本的吉布斯抽样算法。此外，我们考虑一个案例研究中，植物的大小，其特征在于作为一个功能的氮土壤浓度和分组因子（农场）。
2021-10-20 stat.ME
Hierarchical mixture of discriminative Generalized Dirichlet classifiers
Université de Sherbrooke（谢布鲁克大学）
本文提出基于广义狄利克雷后验分布的判别式分类器及其层次混合模型，并首次推导变分上界用于参数学习，在垃圾邮件检测和颜色空间识别中验证了效果。
2024-05-02 cs.LG stat.ML
Dirichlet Process Mixture Models with Shrinkage Prior
我们提出了Dirichlet过程混合（Dirichlet Process Mixture）模型的预测和集群明智的变量选择，基于两种选择的收缩基线先验分布的线性回归系数，即马蹄先验和正态伽玛先验。我们在模拟研究中表明，这两个建议的ESTA模型往往优于标准ESTA模型的基础上的非收缩正常的先验，在预测，变量选择和聚类精度。这对于马蹄模型尤其如此，并且当协变量的数量超过群内样本量时。一个真实的数据集进行了分析，以说明所提出的建模方法，两个建议的预测模型再次获得更好的预测精度。
2021-02-25 stat.AP stat.ME
The supervised hierarchical Dirichlet process
Google Inc.（谷歌公司）；University of Edinburgh（爱丁堡大学）
我们提出了监督分层狄利克雷过程（sHDP），一组观测值和一个与整个组直接相关的响应变量的联合分布的非参数生成模型。我们比较sHDP与另一种领先的分组数据回归方法，监督潜在狄利克雷分配（sLDA）模型。我们评估我们的方法在两个现实世界的分类问题和两个现实世界的回归问题。贝叶斯非参数回归模型的基础上的狄利克雷过程，如狄利克雷过程广义线性模型（DP-GLM）先前已被探索，这些模型允许灵活的非线性关系建模。然而，到目前为止，分层狄利克雷过程（HDP）混合物在分组数据的监督问题中还没有得到显着的应用，因为HDP在分组数据上的直接应用会导致无法预测响应的学习聚类。sHDP通过允许从组结构和分配给每个组的标签中联合学习集群来解决这个问题。
2014-12-17 cs.LG stat.ML
Cooperative Hierarchical Dirichlet Processes: Superposition vs. Maximization
University of Technology Sydney（悉尼科技大学）
协同层次结构是文本挖掘（作者-论文-词）和多标签分类（标签-实例-特征）等领域中常见的重要数据结构。著名的贝叶斯方法的合作层次结构建模大多是基于主题模型。然而，这些方法存在一个严重的问题，即隐藏主题/因子的数量需要预先确定，并且不适当的数量可能导致过拟合或欠拟合。解决这个问题的一个优雅的方法是贝叶斯非参数学习，但在这方面的现有工作仍然不能适用于合作的层次结构建模。在本文中，我们提出了一个合作的层次狄利克雷过程（CHDP），以填补这一空白。在一个合作的层次结构中的每个节点被分配一个Dirichlet过程来模拟其权重的无限隐藏的因素/主题。结合层次Dirichlet过程的测度继承，讨论了两种测度合作，即，叠加和最大化被定义为捕获协作分层结构中的多对多关系。此外，两个建设性的表示CHDP，即，断棒和国际餐厅的过程中，旨在方便模型的推理。对具有协同层次结构的合成数据和真实数据的实验表明了CHDP的协同层次结构建模的特性和能力及其在实际应用中的潜力。
2017-07-18 cs.LG stat.ML
Learning discrete Bayesian networks with hierarchical Dirichlet shrinkage
Gladstone Institute of Data Science and Biotechnology（格拉德斯通数据科学与生物技术研究所）；Duke University（杜克大学）
本文提出一种层次模型用于节点-父条件概率，通过后验诱导收缩低维潜在参数，结合Gibbs采样和Metropolis调整 Langevin 算法进行高效采样，并通过模拟验证方法在稀疏计数、图结构发现和竞争DAG选择中的性能，应用于乳腺癌预后网络结构分析。
2026-08-25 stat.ME stat.ML
Total robustness in Bayesian Nonlinear Regression
University of Warwick（华威大学）；University College London（伦敦大学学院）
本文提出首个针对非线性回归中协变量测量误差、模型误设和误差分布误设的总稳健性贝叶斯非参数学习框架，通过联合狄利克雷过程先验和后验伪样本实现推断校准，建立泛化界并证明在非退化测量误差下的收敛性与一致性。
2026-03-24 stat.ME stat.ML
Modeling population structure under hierarchical Dirichlet processes
我们提出了一个贝叶斯非参数模型来推断人口混合，扩展了分层狄利克雷过程，使基因座之间的相关性，由于连锁不平衡。给定来自个体样本的多位点基因型数据，该模型允许推断将个体分类为未混合的或混合的，推断混合群体的祖先亚群的数量和染色体区域的起源群体。我们的模型不假设任何特定的突变过程，可以应用于大多数常用的遗传标记。我们提出了一个MCMC算法进行后验推理的模型和讨论的方法来总结MCMC输出的人口混合分析。我们证明了所提出的模型在模拟和实际应用中的性能，使用来自EDAR基因的遗传数据，由于众所周知的等位基因频率变化以及整个祖先的表型效应，该基因被认为是祖先信息。该数据集的结构分析导致在欧洲人中鉴定出一种罕见的单倍型。
2015-03-28 stat.AP stat.ME stat.OT
Borrowing strengh in hierarchical Bayes: Posterior concentration of the Dirichlet base measure
University of Michigan（密歇根大学）
本文研究了Dirichlet测度的基概率测度在给定采样Dirichlet过程的观测值时，当观测值个数趋于无穷大时的后验集中性态.基础测量本身被赋予另一个狄利克雷先验，一种被称为分层狄利克雷过程的构造（Teh等人[J. Amer. Statist. 101（2006）1566-1581]）。收敛速度是在传输距离中建立的（即，Wasserstein度量）在各种条件下对真基测度的支持几何的研究。作为该理论的结果，我们证明了在多组数据的推断中“借用力量”的好处-这是一种经常被用来激励分层建模的强大洞察力。在某些设置中，由于潜在的层次结构，效率的增益可以是显著的，从标准的非参数速率提高到参数的收敛速率。开发的工具包括运输距离的非参数贝叶斯层次的随机措施，存在的狄利克雷措施的测试，和几何性质的支持狄利克雷措施。
2016-03-24 cs.LG math.PR math.ST
Conjugate Modeling Approaches for Small Area Estimation with Heteroscedastic Structure
小面积估计已成为官方统计的一个重要工具，用于估算样本量较小的领域的人口数量。典型的区域级模型作为一种异方差回归，其中假设每个域的方差是已知的，并在基于设计的估计之后插入。最近的工作已经考虑了方差的分层模型，其中基于设计的估计值被用作额外的数据点，以模拟每个域中的潜在真实方差。这些分层模型可能包含协变量信息，但在高维环境中可能难以采样。利用最近的分布理论，我们探讨了一类贝叶斯分层模型的小面积估计平滑的设计为基础的估计的均值和方差。此外，我们开发了一类异方差高斯响应数据的单位级模型。重要的是，我们结合了协变量信息以及空间依赖性，同时保留了一个共轭模型结构，允许有效的采样。我们说明我们的方法，通过实证模拟研究，以及使用美国社区调查的数据的应用程序。
2022-09-04 stat.ME
A Bayesian Framework for Non-Collapsible Models
本文讨论了不可塌缩性的概念，并提出了一种基于Dirichlet过程混合的估计不可塌缩模型中协变量条件效应的新方法。使用合成数据，我们评估我们提出的方法的性能，并检查其在不同的设置下的灵敏度。我们还将我们的方法应用于血液透析患者中通路失败的真实数据。
2018-07-06 stat.ME
Model Selection for Maternal Hypertensive Disorders with Symmetric Hierarchical Dirichlet Processes
Singapore Institute for Clinical Sciences (SICS), Agency for Science, Technology and Research (A*STAR)（新加坡临床科学研究所（SICS），科学技术研究局（A*STAR））；Department of Decision Sciences and BIDSA, Bocconi University（博科尼大学决策科学与BIDSA系）
本文提出了一种基于对称分层狄利克雷过程的贝叶斯非参数方法，用于妊娠高血压疾病的模型选择和心脏功能分析。
2022-07-24 stat.AP stat.ME
Spatially Varying Gene Regulatory Networks via Bayesian Nonparametric Covariate-Dependent Directed Cyclic Graphical Models
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
Dynamic Hierarchical Dirichlet Process for Abnormal Behaviour Detection in Video
本文提出了一种新的动态分层Dirichlet过程主题模型，考虑连续观测之间的依赖性。传统的后验推理算法需要对整个数据进行多次处理。对于海量或连续的数据，它在计算上是难以处理的。我们设计了基于吉布斯抽样的批量和在线推理算法。它允许处理连续数据，通过新的观察增量更新模型。该模型被应用于视频序列中的异常行为检测。提出了一种新的异常性度量方法。将该方法与基于非动态分层Dirichlet过程的方法进行了比较，并推导了基于非动态分层Dirichlet过程的在线Gibbs采样器和异常测度。与合成和真实数据的结果表明，在主题模型中的动态考虑提高了异常行为检测的分类性能。
2016-06-27 stat.ML
Unsupervised Bayesian classification for models with scalar and functional covariates
本文针对带标量与函数型协变量的无监督分类问题，提出用基展开降维并结合贝叶斯方法估计混合模型参数与潜在分类向量，并通过模拟比较 Gibbs 抽样与变分贝叶斯推断的性能。
2022-02-08 stat.ME
Flexible clustering via hidden hierarchical Dirichlet priors
贝叶斯推理方法的突出之处在于，它自然地允许跨异质群体借用信息，不同的样本可能共享相同的分布。一个流行的贝叶斯非参数模型聚类概率分布是嵌套狄利克雷过程，然而，它有一个缺点，分组分布在一个单一的集群时，观察到的领带跨样本。为了实现一个灵活和有效的聚类方法的样本和观察的目标，我们调查了一个非参数先验，出现作为两个不同的离散随机结构的组成，并推导出一个封闭形式的表达式的诱导分布的随机分区，基本工具调节模型的聚类行为。一方面，这允许更深入地了解模型的理论特性，另一方面，它产生用于评估感兴趣的贝叶斯推断的MCMC算法。此外，我们挑出这种算法的局限性时，与两个以上的人口，因此，设计一种替代更有效的抽样方案，作为一个副产品，允许测试不同人群之间的同质性。最后，我们进行了比较与嵌套狄利克雷过程，并提供说明性的例子，合成和真实的数据。
2022-01-18 math.ST stat.ME stat.TH
Hierarchical Multinomial-Dirichlet model for the estimation of conditional probability tables
我们提出了一种新的方法来估计条件概率表，根据一个联合，而不是独立的，属于同一表的条件分布的估计。我们推导出精确的解析表达式的估计，我们分析和模拟他们的属性。然后，我们将此方法应用于贝叶斯网络中的参数估计。给定网络的结构，所提出的方法更好地估计联合分布，并显着提高了分类性能相对于传统的方法。
2017-08-23 stat.ML
High-dimensional single-index Bayesian modeling of brain atrophy
我们提出了一个脑萎缩模型，作为高维遗传信息和低维协变量，如性别，年龄，APOE基因和疾病状态的函数。提出了一种高维非参数单指标贝叶斯模型，用于描述未知函数的B样条级数先验和随机效应分布的中心正态Dirichlet过程尺度混合先验之间的关系.随着样本量的增加，在固定数量的区域和时间点建立无随机效应的后验收缩率。我们通过哈密顿蒙特卡罗（HMC）算法实现了一个有效的计算算法。所提出的贝叶斯方法的性能进行了比较与相应的最小二乘估计在线性模型与马蹄先验，LASSO和SCAD惩罚的高维协变量。将所提出的贝叶斯方法应用于748个个体的多次访问记录的脑区域体积数据集，每个个体使用620，901个SNP和6个其他协变量，以识别与脑萎缩相关的因素。
2019-02-11 stat.ME
Probabilistic Trajectory Segmentation by Means of Hierarchical Dirichlet Process Switching Linear Dynamical Systems
Technische Universität Darmstadt（达姆施塔特工业大学）
使用运动基元库是使机器人能够解决更复杂任务的有效手段。为了建立这些运动库，目前的算法需要事先分割的演示轨迹。一种有前途的方法是将轨迹建模为由一组切换线性动态系统生成，并通过检查切换动态特征的过渡点来推断有意义的分割。关于学习，采用非参数贝叶斯方法，利用吉布斯采样器。
2020-03-01 cs.LG cs.RO stat.ML
Identification and estimation of causal mechanisms in cluster-randomized trials with post-treatment confounding using Bayesian nonparametrics
Yale University School of Public Health（耶鲁大学公共卫生学院）；University of Florida（佛罗里达大学）
本文提出一种贝叶斯非参数框架，用于处理集群随机试验中的干扰和事后混杂，通过多变量高斯 copula 实现识别，并通过模拟和实际案例展示方法性能。
2026-03-24 stat.ME
Exact slice sampler for Hierarchical Dirichlet Processes
我们提出了一种用于分层狄利克雷过程（HDP）及其相关混合模型的精确切片采样器（Teh等人，2006年）。虽然有现有的MCMC算法的采样从HDP，切片采样器已失踪的文献。切片采样以其理想的特性而闻名，包括其快速混合和其自然的并行化潜力。另一方面，HDPs的分层性质对采用成熟的切片采样器提出了挑战，该采样器自动截断所有涉及的无限测量而无需特别修改。在这项工作中，我们采用贝叶斯变量增强的强大思想来应对这一挑战。通过引入新的隐变量，我们得到了适合于切片抽样的联合分布的全因子分解。我们的算法有几个吸引人的特点，如（1）快速混合;（2）保持精确，同时允许自然截断的基础无限维措施，如（Kalli等人，2011），导致在每次迭代中仅更新有限数量的必要原子和权重;以及（3）自然地适合于并行实现。全似然联合因子分解的基本原理很简单，可以应用于许多其他设置，例如为一般相关Dirichlet过程（DDP）模型设计采样算法。
2019-03-21 cs.LG stat.CO stat.ML
Parallel hierarchical sampling: a practical multiple-chains sampler for Bayesian model selection
本文介绍了并行分层采样器（PHS），一种同时使用多个链的马尔可夫链蒙特卡罗算法。说明了PHS与并行回火（PT）算法之间的联系，证明了PHS联合转移核的收敛性，强调了PHS联合转移核的实用优势。我们说明了使用PHS，并行回火和梅特罗波利斯-黑斯廷斯算法的贝叶斯模型选择问题，即高斯聚类，协变量的选择线性回归模型和选择的结构树生存模型的推断。
2008-12-08 stat.CO stat.ME
The Hierarchical Dirichlet Process Hidden Semi-Markov Model
Massachusetts Institute of Technology（麻省理工学院）
层次狄利克雷过程隐马尔可夫模型（HDP-HMM）作为传统HMM的一种自然贝叶斯非参数扩展，引起了人们极大的兴趣。然而，在许多设置中，HDP-HMM的严格马尔可夫约束是不可取的，特别是如果我们希望学习或编码非几何状态持续时间。我们可以扩展的HDP-HMM捕捉这样的结构，利用显式持续时间的半马尔可夫，这已经在参数设置，允许建设高度可解释的模型，承认自然的先验信息的状态持续时间。在本文中，我们介绍了显式持续时间HDP-HSMM和开发后验抽样算法的有效推理，在直接分配和弱极限近似设置。我们证明了效用的模型和我们的推理方法的合成数据，以及实验上的发言人日记化问题和一个例子，学习莫尔斯电码的模式。
2012-03-15 cs.LG stat.ML
Adaptive Bayesian Sum of Trees Model for Covariate Dependent Spectral Analysis
本文介绍了一种灵活的、自适应的非参数方法，用于估计多个协变量与多个时间序列的功率谱之间的关联。所提出的方法使用贝叶斯树模型的总和，以捕捉复杂的依赖关系和协变量和功率谱之间的相互作用，这是经常观察到的生物医学时间序列的研究。局部功率谱对应的终端节点内的树木估计非参数使用贝叶斯惩罚线性样条。树被认为是随机的，并使用贝叶斯回拟合马尔可夫链蒙特卡罗（MCMC）算法，顺序考虑树的修改，通过可逆跳MCMC技术。对于高维协变量，稀疏诱导Dirichlet超先验树分裂比例被认为是，它提供了稀疏估计协变量的影响和有效的变量选择。通过对树的后验分布进行平均，该方法可以恢复多个协变量之间功率谱的平滑和突变。经验性能通过模拟评估，以证明所提出的方法的能力，准确地恢复复杂的关系和相互作用。建议的方法是用来研究步态成熟的幼儿通过评估与年龄相关的变化，在其他协变量的存在下，功率谱的步幅间隔时间序列。
2021-09-29 stat.AP stat.CO stat.ME
A Bayesian Functional Concurrent Zero-Inflated Dirichlet-Multinomial Regression Model with Application to Infant Microbiome
Colorado State University（科罗拉多州立大学）
本文提出一种新的回归模型，用于分析婴儿微生物组随时间变化的关系，考虑零膨胀、组成性和重复测量。模型能准确估计功能关系并适用于大规模数据。
2026-03-27 stat.AP stat.ME
Hierarchical Bayesian Modeling of Total Column Ozone: Unraveling Equatorial Variability over Ethiopia Using Satellite Data and Multisource Covariates
本研究利用INLA贝叶斯分层模型和SPDE方法分析埃塞俄比亚2012-2022年总柱臭氧时空动态，发现模型预测准确且揭示了环境协变量的正负关联，为赤道臭氧悖论提供新见解并支持气候政策规划。
2025-07-11 stat.AP
Bayesian inference for a class of latent Markov models for categorical longitudinal data
针对一类隐马尔可夫模型提出了一种贝叶斯推断方法。这些模型被广泛用于纵向分类数据的分析，当感兴趣的是在研究一个人的不可观察的特征的演变。我们认为，特别是，基本的潜在马尔可夫，它不占个别协变量，其版本，包括这样的协变量的测量模型。所提出的推理方法是基于一个系统的先验制定的初始和转移概率的潜在马尔可夫链的转换。这个先验系统等价于基于狄利克雷分布的先验系统。为了从参数和潜在状态数的联合后验分布中抽取样本，我们实现了一个可逆的跳跃算法，该算法将Metropolis-Hastings类型的移动与分裂/合并和出生/死亡类型的移动交替进行。所提出的方法说明通过两个应用程序的基础上纵向数据集。
2011-01-04 stat.ME
A unifying modelling approach for hierarchical distributed lag models
提出统一框架实现分布滞后模型，基于惩罚GAMs支持贝叶斯推断与分层结构，应用于死亡率数据发现湿度在寒冷时增加风险。
2024-07-18 stat.AP stat.ME
Hierarchical Bayesian Modeling of Hitting Performance in Baseball
我们已经开发了一个复杂的统计模型，用于预测美国职业棒球大联盟球员的击球表现。贝叶斯范式提供了一个原则性的方法来平衡过去的表现与关键的协变量，如球员的年龄和位置。我们通过使用混合分布来控制收缩以提高准确性，从而跨时间和跨玩家共享信息。我们比较了我们的模型的性能，目前的sabermetric方法上举行了一个赛季（2006年），并讨论了成功和局限性。
2009-02-09 stat.AP stat.ME
Outcome identification in electronic health records using predictions from an enriched Dirichlet process mixture
我们提出了一种新的半参数模型的联合分布的连续纵向结果和基线协变量使用丰富的Dirichlet过程（EDP）的先验。对于给定协变量和协变量的边缘值的结果，该联合模型分解为线性混合模型。非参数EDP先验被放置在回归和样条系数、误差方差和控制预测器空间的参数上。我们预测未观察到的时间点的结果，受试者在其他时间点的数据，以及新的受试者只有基线协变量。当存在大量协变量时，我们发现改进的Dirichlet过程（DP）先验混合模型预测。我们的方法被证明与电子健康记录组成的第二代抗精神病药物，这是已知的增加糖尿病的风险的发起人。我们使用我们的模型来预测每个人的糖尿病实验室指标值，并从预测的数据集中评估疑似糖尿病的发病率。我们的模型也可以作为一个功能聚类算法，在该算法中，受试者被聚类成具有随时间推移的结果的类似纵向轨迹的组。
2018-06-06 stat.ME
Hierarchical Random Measures without Tables
Luiss University（卢伊斯大学）；University of Milano-Bicocca（米兰比可卡大学）
提出一种层次狄利克雷过程的新先验，消除潜在表格变量，实现后验的准共轭分布和高效采样算法，并推广至归一化层次随机测度框架。
2026-06-11 math.PR math.ST stat.ME
