Bayesian estimation of probabilistic sensitivity measures
本文提出基于单样本设计的全贝叶斯方法估计概率敏感性度量,利用分段常数先验和贝叶斯非参数密度估计量化不确定性,无需额外模拟器评估,并在合成与实际应用中验证其优于传统点估计量。
2019-08-08 stat.ME
Sensitivity Analysis for Predictive Uncertainty in Bayesian Neural Networks
我们推导出一种新的敏感性分析的输入变量预测认知和任意的不确定性。我们使用贝叶斯神经网络作为一个模型类的潜在变量,并说明我们的敏感性分析对现实世界的数据集的有用性。我们的方法增加了复杂的黑盒概率模型的可解释性。
2017-12-10 stat.ML
Efficient prior sensitivity analysis for Bayesian model comparison
University College London (UCL)(伦敦大学学院);The Alan Turing Institute(艾伦·图灵研究所)
本文提出了一种基于学习谐波均值估计器的高效方法,用于贝叶斯模型比较中的先验敏感性分析,显著降低了计算成本。
2026-01-21 astro-ph.CO astro-ph.IM stat.ME
Posterior and Likelihood Sensitivity in Bayesian Distributionally Robust Optimization
Chuo University(中央大学);Sauder School of Business, University of British Columbia(不列颠哥伦比亚大学 Sauder 商学院);National University of Singapore(新加坡国立大学)
本文提出最坏情况后验和似然敏感性的概念,用于量化贝叶斯模型对后验和似然扰动的鲁棒性,并证明分布鲁棒优化可实现性能与鲁棒性的近似帕累托最优权衡。
2026-05-29 cs.SY econ.EM eess.SY
Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics
基于狄利克雷过程和其他棒打破先验的贝叶斯模型已被提出作为聚类,主题建模和其他无监督学习任务的核心成分。然而,对于这些模型来说,事先说明相对困难,因为它们的灵活性意味着事先选择的后果往往相对不透明。此外,这些选择可能对后验推理产生重大影响。因此,鲁棒性的考虑需要与非参数建模齐头并进。在本文中,我们利用变分贝叶斯方法,除了在拟合复杂的非参数模型的计算优势,还产生灵敏度方面的贝叶斯模型的参数和非参数方面的事实来应对这一挑战。特别是,我们演示了如何评估的灵敏度的结论选择的浓度参数和棒断裂分布的Dirichlet过程的混合物和相关的混合物模型下的推断。我们提供了理论和经验支持,我们的变分方法贝叶斯敏感性分析。
2021-10-25 stat.CO stat.ME stat.ML
Sensitivity and Early Detection of Bayesian Causal Impact Models for Marketing Interventions
Despegar
研究营销干预中贝叶斯因果影响模型的敏感性与早期检测,提出基于模拟框架,利用弃购营销旅程数据评估不同条件下警报激活概率及两种警报标准,揭示检测性能受多种因素影响,为动态营销监测决策提供实用方法。
2026-07-08 stat.ME
Hyper-differential sensitivity analysis in the context of Bayesian inference applied to ice-sheet problems
偏微分方程(PDE)约束的反问题在模型开发和校正中起着至关重要的作用。在许多应用中,模型中存在多个不确定参数,需要对其进行估计。虽然贝叶斯公式是有吸引力的,这样的问题,计算成本和高维经常禁止彻底探索的参数不确定性。一种常见的方法是通过将一些参数(我们称之为辅助参数)固定为最佳估计来降低维数,并使用PDE约束优化的技术来近似贝叶斯后验分布的属性。例如,可以计算最大后验概率(MAP)和后验协方差的拉普拉斯近似。在这篇文章中,我们建议使用超微分敏感性分析(HDSA)来评估MAP点对辅助参数变化的敏感性。我们将HDSA解释为后验分布中的相关性。我们提出的框架证明了对格陵兰冰盖基岩地形的反演与基础摩擦系数和气候强迫(冰积累率)引起的不确定性。
2022-12-23 math.OC stat.ME
{poscosea} : A Computationally Efficient Sensitivity Analysis for Bayesian Models using the posterior covariance representation
Okayama University(冈山大学);The Institute of Statistical Mathematics(统计数学研究所)
本文针对贝叶斯模型敏感性分析的高计算成本问题,提出无需重复重拟合模型的PosCoSeA方法,经模拟与真实生态数据验证,还配套提供R包方便应用。
2026-08-27 stat.AP stat.ME
The YODO algorithm: An efficient computational framework for sensitivity analysis in Bayesian networks
IE University(IE大学)
敏感性分析测量贝叶斯网络参数对网络定义的感兴趣数量的影响,例如变量取特定值的概率。已经定义了各种灵敏度度量来量化这种影响,最常见的是关于网络的条件概率的感兴趣的偏导数的量的函数。然而,在具有数千个参数的大型网络中计算这些度量可能在计算上变得非常昂贵。我们提出了一种算法结合自动微分和精确推理,有效地计算灵敏度措施,在一个单一的通过。它首先使用例如变量消除将整个网络边缘化一次,然后反向传播该操作以获得相对于所有输入参数的梯度。该方法可用于单方向和多方向的敏感性分析以及容许域的推导。仿真研究突出了我们的算法的效率,通过将其扩展到具有多达100'000个参数的大规模网络,并调查通用多路分析的可行性。我们的日常工作也在两个中型贝叶斯网络上进行了展示:第一个是对人道主义危机的国家风险进行建模,第二个是研究在COVID-19大流行期间技术的使用与强制社会隔离的心理影响之间的关系。使用流行的机器学习库PyTorch的方法的实现是免费的。
2023-02-01 cs.AI stat.ME
Bayesian measures of leverage and influence
University of Warwick(华威大学)
该研究从局部敏感性框架推导贝叶斯杠杆与影响诊断,关联预测信息准则,提出异常值检测等新诊断,为模型改进及先验-数据冲突分析提供方法。
2026-08-20 stat.ME
A Bayesian approach to sharing information on sensitivity of a Multi-Cancer Early Detection test across and within tumour types and stages
针对多癌种早期检测测试敏感性在不同癌症类型和分期间的异质性问题,提出基于贝叶斯层次模型的信息共享框架,发现特定共享假设能提升早期癌症敏感性估计精度。
2025-04-30 stat.ME
A Practical Framework for Sensitivity Analysis in Externally Controlled Trials: An Illustration with a Bayesian Hybrid Evidence Synthesis Case Study
AbbVie(艾伯维)
针对外部对照试验中借用假设的敏感性分析缺乏结构化模板的问题,提出一个三支柱框架,包含八种模块化分析,并通过模拟数据示例展示其应用。
2026-06-29 stat.AP stat.ME
Robust learning Bayesian networks for prior belief
Graduate School of Information Systems, University of Electro-Communications(电气通信大学信息系统研究生院)
最近的报告描述了学习贝叶斯网络是高度敏感的选择等效样本容量(ESS)的贝叶斯狄利克雷等价均匀(BDeu)。这种敏感性往往会产生一些不稳定或不希望的结果。本文描述了BDeu的一些渐近分析,以解释敏感性及其影响的原因。此外,本文提出了一个强大的ESS学习分数的建议,通过消除从log-BDeu近似的敏感因素。
2012-02-14 cs.LG stat.ML
Measuring the robustness of the journal h-index with respect to publication and citation values: A Bayesian sensitivity analysis
Braun et al.(2006)建议使用h指数作为期刊影响因子(IF)的替代方法来评定期刊。本文利用数学模型对期刊h指数对期刊发表/被引数变化的影响进行了基于贝叶斯的敏感性分析。h指数的敏感性对于引文数量的变化最为明显,几乎所有模型都显示出类似的行为模式,并且独立于研究领域。一般来说,h指数被发现对引用分布的第25个百分位数的引用变化具有鲁棒性,之后会膨胀其值。
2017-08-25 stat.AP
On Sensitivity of the MAP Bayesian Network Structure to the Equivalent Sample Size Parameter
Helsinki Institute for Information Technology (HIIT)(赫尔辛基信息技术研究所);University of Helsinki(赫尔辛基大学)
BDeu边际似然得分是一种基于样本数据选择贝叶斯网络结构的流行模型选择标准。这种非信息性评分标准为编码相同独立性语句的网络结构分配相同的分数。然而,在应用BDeu评分之前,必须确定一个参数,即等效样本量α。不幸的是,没有普遍接受的规则来确定阿尔法参数已建议。这是令人不安的,因为在本文中,我们通过一系列具体的实验表明,网络结构优化问题的解决方案是高度敏感的选择α参数值。基于这些结果,我们能够解释这种现象是如何发生的,为什么会发生,并讨论解决这个问题的想法。
2012-06-20 cs.LG stat.ML
The Sensitivity of Variational Bayesian Neural Network Performance to Hyperparameters
Statistical Sciences Group, Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室统计科学组)
本研究通过全局敏感性分析揭示变分贝叶斯神经网络的超参数间相互作用对预测精度与不确定性量化的影响,并建议采用全局敏感性分析或贝叶斯优化辅助超参数选择。
2025-09-24 cs.LG stat.ML
Sensitivity Analysis on Interaction Effects of Policy-Augmented Bayesian Networks
本文针对策略增强贝叶斯网络提出基于 ShapleyOwen 指数的交互效应度量方法,并开发序贯抽样非嵌套模拟算法以在固定预算下提升估计精度和计算效率。
2024-11-23 stat.CO stat.ME
Local and global robustness in conjugate Bayesian analysis
研究了共轭先验扰动对贝叶斯推断的影响。一个扰动前定义在一个更大的家庭,局部混合模型,后验推理的效果进行了研究。该扰动在某种意义上推广了\cite{Gustafson1996}中研究的线性扰动。它是直观的,自然规范化,是灵活的统计应用。考虑了全局和局部敏感性分析。采用几何方法优化灵敏度方向函数、后验均值差和后验预测模型间的发散函数。所有的灵敏度测度函数都定义在一个具有非平凡边界的凸空间上,该凸空间是一个光滑流形。
2015-08-31 stat.AP stat.CO stat.ME
Bayesian sensitivity analysis for a missing data model
本文针对缺失结局完全随机缺失假设,提出非参数贝叶斯敏感性分析方法,结合信息性先验,提供理论保证并模拟验证。
2023-05-11 math.ST stat.TH
An MCMC Approach to Empirical Bayes Inference and Bayesian Sensitivity Analysis via Empirical Processes
考虑一个贝叶斯情形,我们观察$Y \sim p_θ$,其中$θ\in Θ$,我们有一个关于$Θ$的潜在先验分布族$\{ ν_h, \, h \in \mathcal{H} \}$。令$g$是$θ$的实值函数,并且令$I_g(h)$是当先验是$ν_h$时$g(θ)$的后验期望。我们感兴趣的两个问题:(i)选择一个特定的$h$值,(ii)估计家庭的后验期望$\{ I_g(h), \, h \in \mathcal{H} \}$。令$m_y(h)$为超参数$h$:$m_y(h) = \int p_θ(y) \, ν_h(dθ)$的边际似然。根据定义,$h$的经验贝叶斯估计是使$m_y(h)$最大化的$h$的值。事实证明,通常可以使用马尔可夫链蒙特卡罗来形成连续体中每个个体$h$的$m_y(h)$和$I_g(h)$的点估计,以及$m_y(h)$和$I_g(h)$的有效逐点置信区间。然而,我们感兴趣的是形成估计,置信声明,整个家庭的积分$\{ m_y(h), \, h \in \mathcal{H} \}$和$\{ I_g(h), \, h \in \mathcal{H} \}$:我们需要估计的第一个家庭,以便进行经验贝叶斯推断,我们需要估计的第二个家庭,以便做贝叶斯敏感性分析。我们建立强一致性和功能的中心极限定理,这些家庭的估计,使用的工具,从经验过程理论。我们给出了两个应用程序,一个潜在…
2018-07-05 stat.ME
Variance-based sensitivity of Bayesian inverse problems to the prior distribution
North Carolina State University(北卡罗来纳州立大学)
本文提出了一种基于高效替代模型和定制重要性采样的方法,用于贝叶斯反问题中先验超参数对后验统计量的全局敏感性分析。
2023-11-02 stat.CO
From data to decisions: Bayesian modelling and global sensitivity analysis for flotation control
University College London(伦敦大学学院);Universidad Técnica Federico Santa María(弗雷德里科·萨马利亚技术大学);Imperial College London(帝国理工学院)
本文提出一个数据驱动框架,集成高斯过程回归与基于Sobol指数的全局灵敏度分析及SHAP局部可解释性,用于浮选系统的可解释建模和决策支持,通过实验室数据建立静态GP代理模型,识别影响空气回收率的关键变量及其交互作用。
2026-06-04 cs.SY eess.SY stat.AP
Species Sensitivity Distribution revisited: a Bayesian nonparametric approach
Bocconi Institute for Data Science & Analytics, Bocconi University(博科尼数据科学与分析学院,博科尼大学);Univ. Grenoble Alpes, CNRS, Inria, Grenoble INP, LJK(格勒诺布尔阿尔卑斯大学,法国国家科学研究中心,法国国家信息与自动化研究所,格勒诺布尔理工学院);Université Paris-Saclay, INRAE, MaIAGE(巴黎萨克雷大学,法国国家农业食品与环境研究院)
本文提出了一种基于贝叶斯非参数方法的物种敏感分布改进方法,以提高生态风险评估的准确性与鲁棒性。
2026-02-04 stat.AP stat.ME
Parameter Estimation in Computational Biology by Approximate Bayesian Computation coupled with Sensitivity Analysis
我们解决的问题,参数估计模型的系统生物学噪声观测。我们考虑的模型的特点是同时确定性的非线性微分方程,其参数是从体外实验中,或手动调整模型开发过程中,再现观察系统。我们认为家庭的算法下的贝叶斯公式的近似贝叶斯计算(ABC),并表明,敏感性分析可以部署到量化的相对作用,不同的参数在系统中。系统相对不太敏感的参数(称为草率参数)不需要高精度估计,而更关键的参数(刚性参数)的值需要小心确定。计算复杂性和精确度之间的折衷,可以探测后验分布是这类算法的重要特征。
2017-04-28 q-bio.QM stat.ML
Bayesian Nonparametric Sensitivity Analysis of Multiple Test Procedures Under Dependence
University of Illinois-Chicago(伊利诺伊大学芝加哥分校)
本文提出基于Dirichlet过程先验的多重检验程序敏感性分析方法,在任意相依性下控制FWER或FDR,提供不确定性量化并减少保守性,应用于COVID-19期间学校关闭对学生影响的大规模数据分析。
2025-09-18 stat.ME
A Bayesian Interpretation of Adaptive Low-Rank Adaptation
Idiap Research Institute(Idiap研究所);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本研究针对AdaLoRA的敏感度重要性评分问题,提出结合SNR指标与IVON优化器的贝叶斯版自适应低秩适配方法,性能更优且速度更快,还揭示了两类指标的关联及参数重要性的主导因素。
2025-01-11 cs.CL cs.LG stat.ML
A Bayesian Joint Modelling for Misclassified Interval-censoring and Competing Risks
针对前列腺癌主动监测中进展检测的误分类与竞争风险问题,开发了MCICJM贝叶斯联合模型,通过灵敏度参数处理误分类,并揭示其在参数估计与基线风险中的权衡影响。
2025-07-16 stat.AP stat.ME
PAC-Bayesian Adversarially Robust Generalization for Message Passing Graph Neural Networks: A Sensitivity Analysis
School of Information Science and Engineering, Southeast University(信息科学与工程学院,东南大学);Squirrel Ai Learning
通过敏感性感知的PAC-Bayesian框架,利用输出雅可比矩阵的秩约束和异向高斯后验,为消息传递图神经网络导出更紧的对抗鲁棒泛化界。
2026-06-04 cs.LG stat.ML
A robust Bayesian analysis of variable selection under prior ignorance
我们提出了一个谨慎的贝叶斯变量选择程序,通过调查的敏感性分层模型,其中的回归系数指定的穗和板坯先验。我们利用潜变量来理解协变量的重要性。这些潜变量还允许我们获得模型空间的大小,这是高维问题的一个重要方面。在我们的方法中,而不是固定一个单一的先验,我们采用了一种特定类型的鲁棒贝叶斯分析,在那里我们考虑一组先验在同一个参数的家庭,以指定这些潜变量的选择概率。我们通过考虑一组预期的先验选择概率来实现这一点,这使我们能够进行敏感性分析,以了解先验启发对变量选择的影响。敏感性分析为我们提供了一套后验的回归系数以及选择指标,我们表明,后验概率的模型选择概率是单调的选择概率的先验期望。我们还分析了合成和现实生活中的数据集,以说明我们谨慎的变量选择方法,并将其与其他知名的方法进行比较。
2022-05-03 stat.ME
Regularizing Bayesian Predictive Regressions
我们表明,正则化贝叶斯预测回归提供了一个框架,事先敏感性分析。我们开发了一个程序,联合正则化的期望和方差-协方差阵使用一对收缩先验。我们的方法直接适用于向量自回归(VAR)和看似无关回归(SUR)。正则化路径提供先验灵敏度诊断。通过利用正则化惩罚和预测先验分布之间的二元性,我们重新解释了宏观金融研究的两个经典贝叶斯分析:股票溢价可预测性和预测宏观经济增长率。我们发现,存在合理的先验规范的可预测性超过标准普尔500指数收益率使用账面市值比,CAY(消费,财富,收入比),和国库券利率。我们使用市场时机策略评估预测,我们表明最佳正则化的解决方案优于买入并持有的方法。第二个实证应用涉及预测工业生产,通货膨胀和消费增长率,并证明了我们的方法的可行性。
2017-09-13 stat.ME
A Bayesian Reinterpretation of Cornfield-Type Sensitivity Analysis: From Thresholds to Probabilities
GCS-fMRI, Koelliker Hospital and Department of Psychology, University of Turin(都灵大学心理系 GCS-fMRI 科埃利凯尔医院);FOCUS Laboratory, Department of Psychology, University of Turin(都灵大学心理系 FOCUS 实验室);Neuroscience Institute of Turin (NIT)(都灵神经科学研究所)
本文提出贝叶斯框架下的Cornfield型敏感性分析,将未测量混杂因素的强度视为随机变量,重新诠释E值为阈值,并计算混杂超过阈值的后验概率,提升稳健性评估的概率性。
2026-03-19 stat.OT
Bayesian Model Calibration and Sensitivity Analysis for Oscillating Biological Experiments
针对振荡生物学实验中两类实验协调的统计难题,提出基于先进MCMC技术的贝叶斯校准框架及干预后验灵敏度分析方法,并通过粗糙脉孢霉昼夜节律振荡验证了有效性。
2024-12-13 stat.AP
A Bayesian Parametric Approach to Handle Missing Longitudinal Outcome Data in Trial-Based Health Economic Evaluations
基于试验的经济学评价通常是对横截面变量进行的,这些变量仅来自研究中完成者的响应,使用的方法忽略了效用和成本数据的复杂性(例如偏度和峰值)。我们提出了一种替代和更有效的贝叶斯参数方法来处理经济评估中缺失的纵向结果,同时考虑到数据的复杂性。我们指定一个灵活的参数模型的观测数据和部分识别的部分识别限制和敏感性参数的缺失数据的分布。我们通过不同的灵敏度参数的先验知识,在观测数据上进行校准,探索替代的不可替代的场景。我们的方法是由一项试验的数据驱动的,并应用于该试验,该试验评估了一种新的治疗智力残疾和挑战性行为的成本效益。
2018-05-18 stat.ME
Information-theoretic Analysis of Test Data Sensitivity in Uncertainty
Osaka university(大阪大学)
针对现有不确定性信息论分析无法解释测试-训练数据敏感性的问题,本研究提出新型预测不确定性分解方法,用信息论量定义该敏感性,还扩展贝叶斯元学习分析,首次揭示任务间新型敏感性。
2023-07-23 cs.LG stat.ML
Value of Information: Sensitivity Analysis and Research Design in Bayesian Evidence Synthesis
假设我们有一个贝叶斯模型,它结合了来自几个不同来源的证据。我们想知道哪些模型参数最影响模型的估计或决策,或者哪些参数不确定性导致决策不确定性。此外,我们希望优先考虑应该收集哪些进一步的数据。这些问题可以通过信息价值(VoI)分析来解决,在该分析中,我们通过学习特定参数或收集给定设计的数据来估计预期的损失减少。我们描述了贝叶斯证据合成的VOI的理论和实践,使用和扩展的想法,从卫生经济学,计算机建模和贝叶斯设计。该方法是一般的一系列决策问题,包括点估计和离散行动之间的选择。我们将它们应用于估计艾滋病毒感染流行率的模型,结合来自几次调查,登记和专家信念的间接信息。该分析显示了哪些参数对每个流行率估计值的不确定性贡献最大,并提供了通过收集特定数量的额外数据而预期的精度改进。
2017-03-27 stat.AP
Detecting and diagnosing prior and likelihood sensitivity with power-scaling
本文提出了一种基于重要性采样的幂缩放敏感性分析方法,用于高效估计先验或似然扰动对后验的影响,并提供诊断先验-数据冲突或似然无信息性的工具,已实现于R包priorsense。
2023-05-26 stat.ME
Sensitivity Analysis of Priors in the Bayesian Dirichlet Auto-Regressive Moving Average Model
本文通过模拟与标普500行业权重数据,系统评估了五种先验在B-DARMA模型中的表现,发现收缩先验(尤其horseshoe)能抑制过拟合噪声,但无法修复滞后阶数误设,强调正确滞后选择与收缩强度匹配的重要性。
2025-06-18 stat.AP stat.ME
Estimating maternal mortality using data from national civil registration vital statistics systems: A Bayesian hierarchical bivariate random walk model to estimate sensitivity and specificity of reporting
民事登记人口动态统计数据被用于编制国家孕产妇死亡率估计数,但由于对孕产妇死亡的错误分类,这些数据往往存在重大报告错误。可以通过比较基于民事登记和人口动态统计系统的孕产妇和非孕产妇死亡人数与从专门研究中获得的人数来评估民事登记和人口动态统计系统的准确性,专门研究是对特定国家时期孕产妇死亡率的严格评估。我们开发了贝叶斯双变量随机游动模型,以估计CRVS数据中孕产妇死亡率报告的敏感性和特异性,以及相关的CRVS调整因子。该模型适用于民事登记和人口动态统计的全球数据集和专门研究数据。验证工作表明,该模型在预测没有专门研究的国家时期基于CRVS的孕产妇死亡比例方面表现良好。联合国孕产妇死亡率机构间小组在使用民事登记和人口动态统计数据估计孕产妇死亡率时使用了新模型来解释错误分类错误。
2019-09-18 stat.AP
Estimating Climate Sensitivity Using Bayesian Model Averaging for CMIP Models
Emory University(埃默里大学);The Ohio State University(俄亥俄州立大学)
该研究采用贝叶斯模型平均法(BMA),基于CMIP6的37个气候模式,结合观测数据估算TCRE,得出的TCRE范围与IPCC AR6重叠但均值更高、标准差更低,2100年变暖预测更明确且不确定性更小,参数不确定性为主要方差来源。
2026-08-05 stat.AP stat.ME
Bayesian Restricted Likelihood Methods: Conditioning on Insufficient Statistics in Bayesian Regression
贝叶斯方法已被证明在广泛的科学问题上是成功的,并且与竞争方法相比具有许多有据可查的优势。然而,这些方法遇到困难的两个主要和普遍的问题:处理数据集与离群值和处理模型误指定。我们概述了这些问题的以前的解决方案的缺点,并提出了一种新的方法作为替代。当使用新方法时,数据通过一组不充分的统计量进行汇总,目标是感兴趣的推断量,并且先验分布使用汇总统计量而不是完整的数据进行更新。通过仔细选择条件统计量,我们保留了贝叶斯方法的主要优点,同时降低了分析对条件统计量未捕获的数据特征的敏感性。为了降低对离群值的敏感性,经典的鲁棒估计(例如,M-估计)是条件统计的自然选择。这项工作的一个主要贡献是发展的数据增强马尔可夫链蒙特卡罗(MCMC)算法的线性模型和一大类的汇总统计。我们证明了模拟和真实的数据集包含离群值和模型误指定的方法。与竞争方法相比,成功表现在对感兴趣的数据点具有更好的预测性能。
2018-12-19 stat.ME
A Bayesian partial identification approach to inferring the prevalence of accounting misconduct
本文介绍了使用灵活的贝叶斯回归模型估计部分确定的概率函数。我们的方法允许有效的敏感性分析关于先验对回归模型的部分确定的组成部分的后验影响。新的方法说明了一个重要的问题,只有部分观察到的数据是可用的-推断的普遍存在的会计不当行为之间的公开交易的美国企业。
2015-03-06 stat.ME
Computational approaches for empirical Bayes methods and Bayesian sensitivity analysis
我们认为在贝叶斯分析的情况下,我们有一个家庭的先验$ν_h$的参数$θ$,其中$h$不断变化的空间$\mathcal{H}$,我们处理两个相关的问题。第一项涉及灵敏度分析,说明如下。假设我们修复$θ$的函数$f$。如何有效地同时估计$\mathcal{H}$中所有$h$的$f(θ)$后验期望?第二个问题是我们如何识别$\mathcal{H}$的子集,这些子集引起$ν_h$的合理选择?我们假设,我们能够生成马尔可夫链样本的先验的有限数量的后,我们开发了一种方法,基于组合的重要性抽样和控制变量的使用,用于处理这两个问题。该方法适用于非常普遍的,我们展示了它是如何适用于特别是一个常用的模型变量选择贝叶斯线性回归,并给出了一个说明在美国犯罪数据的Vandaele。
2012-02-23 math.ST stat.TH
Tail Sensitivity Analysis in Bayesian Networks
University of Cantabria(坎塔布里亚大学)
本文提出了一种模拟目标变量Z=h(X)的尾部的有效方法,它依赖于一组基本变量X=(X_1,.,. X_n)。为此,变量X_i,i=1,.,n以Z=h(x_1,...,x_i-1,X_i,.,X_n)保证在Z的尾部。当这种方法难以应用时,提出了一种替代方法,与蒙特卡罗方法相比,该方法导致样本值的拒绝比例较低。这两种方法被证明是非常有用的贝叶斯网络进行敏感性分析时,需要非常大的置信区间的边际/条件概率,如在可靠性或风险分析。当所有分数一致时,这些方法表现最好。所需的修改进行了讨论。文中给出了几个算例,并以一个实际案例说明了整个过程。
2013-02-13 cs.AI stat.AP
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
Bayes Sensitivity with Fisher-Rao Metric
我们提出了一个几何框架来评估贝叶斯过程的敏感性建模假设的基础上的非参数Fisher-Rao度量。虽然框架是一般的精神,本文的重点是限制在两个设置下的度量为基础的诊断:评估局部和全局的鲁棒性贝叶斯过程的扰动的可能性和先验,并确定有影响力的意见。该方法是基于平方根表示的密度,使之能够计算测地线和测地距离的分析形式,方便自然校准的本地和全球的差异措施的定义。我们的方法的一个重要特点是定义的几何$ε$污染类的抽样分布和先验概率密度函数的空间上通过内在分析。我们展示了我们的框架在几个模拟玩具数据集上的适用性,以及在广义混合效应模型,方向数据和形状数据的真实数据设置中的适用性。
2014-04-25 stat.ME
Bayesian calibration and sensitivity analysis of heat transfer models for fire insulation panels
评估防火板性能的常用方法是组分添加法(CAM)。CAM的参数是基于面板的温度相关的热材料特性。这些材料特性可以通过使用实验测量的温度记录校准有限元传热模型来导出。在过去,材料特性的校准是通过试错法手动完成的,这是低效的并且容易出错。在这方面的贡献,校准问题重新制定的概率设置和解决使用贝叶斯模型校准框架。这不仅给出了一组最佳拟合参数,而且给出了后者的置信区间。为了使这一框架可行,通过使用先进的代理建模技术:多项式混沌扩展结合主成分分析的过程加快。这种替代建模技术还允许通过访问Sobol指数进行基于方差的敏感性分析,而无需额外费用。最后通过使用校准的材料特性来预测在不同的实验设置中的温度发展来验证校准。
2020-01-07 stat.AP stat.CO
Bayesian calibration and sensitivity analysis for a karst aquifer model using active subspaces
本文对新近发展起来的岩溶水文模型进行了参数研究。该研究包括一个高维贝叶斯逆问题和一个全局敏感性分析。在岩溶水文学中,我们首次采用主动子空间方法,从先验分布到后验分布,在参数空间中寻找主导贝叶斯更新的方向,以有效地降低问题的维数,提高计算效率。此外,计算出的活动子空间可以用来构建对每个单独参数的灵敏度度量,并用于构建自然模型代理。该模型由21个参数,以重现位于Kerschbaum泉补给区在奥地利Waidhofen a.d. Ybbs岩溶含水层的泉水流量的水文行为。实验的空间和时间序列数据的推理过程中收集的自来水厂在Waidhofen。我们表明,这种情况下的研究具有隐含的低维,我们运行一个调整后的马尔可夫链蒙特卡罗算法在低维子空间构建样本的后验分布。通过后推分布图对结果进行可视化和验证,后推分布图显示了由于数据中的实验噪声而导致的预测排放值的不确定性。最后,讨论提供了这些结果的Kerschbaum地区的水文解释。
2019-07-16 cs.NA math.NA stat.CO
Bayesian Group Testing Regression with a Shape-Free Dilution Curve
提出BADGER模型,用无形状稀释曲线和Dirichlet先验建模分组检测灵敏度,通过精确Gibbs采样推断,并用贝叶斯因子衡量稀释证据,模拟和实际数据验证有效。
2026-09-09 stat.CO stat.ME
Efficient Prior Sensitivity and Tipping-point Analysis for Medical Research: Revisiting Sampling Importance Resampling
Tokyo University of Science(东京科学大学);Keio University(庆应义塾大学)
研究医学研究中先验分布敏感性分析计算成本高的问题,采用重要性重采样(SIR)方法,通过两个案例研究表明,SIR能显著减少计算时间,且产生与MCMC重新拟合相似的后验摘要。
2026-07-21 stat.CO stat.ME
Global sensitivity analysis in probabilistic graphical models
School of Human Sciences & Technology, IE University(IE大学人文科学与技术学院)
我们展示了如何应用Sobol的全局敏感性分析方法来衡量一组节点的证据对贝叶斯网络所表达的兴趣量的影响。该方法利用网络结构,将Sobol指数估计问题转化为边缘化推理问题。通过这种方式,我们可以有效地计算网络的指数,其中基于方差的敏感性分析的基于蛮力或蒙特卡罗的估计量需要数百万个昂贵的样本。此外,我们的方法给出了精确的结果时,使用精确的推理,也支持相关输入的情况下。该算法的灵感来自于张量网络领域,并将早期的张量灵敏度技术从非循环推广到循环情况。我们展示了三个中型到大型贝叶斯网络,涵盖项目风险管理和可靠性工程领域的方法。
2021-10-07 cs.AI cs.LG stat.ML
A Bayesian prevalence-incidence mixture model for screening outcomes with misclassification
Amsterdam University Medical Center(阿姆斯特丹大学医学中心)
BayesPIM通过整合协变量和贝叶斯方法,有效估计时间依赖性和协变量依赖性的疾病发病率,同时处理潜在患病率和不完美测试灵敏度问题。
2026-01-09 stat.CO stat.ME
A Bayesian approach for global sensitivity analysis of (multi-fidelity) computer codes
复杂的计算机代码被广泛用于科学和工程中,以模拟物理现象。此外,它们通常具有大量的输入参数。全球灵敏度分析旨在识别对产出有最重要影响的因素。Sobol指数是执行此类分析的流行工具。然而,他们的估计需要大量的模拟,往往不能在合理的时间限制下处理。为了解决这个问题,本文建立了一个高斯过程回归模型来替代计算机代码,并通过它来估计Sobol指数,目的是提供一种通过替代模型来估计Sobol指数的方法,该方法同时考虑了估计误差和替代模型误差。特别是,它使我们能够获得非渐近的置信区间的Sobol指数估计。此外,我们将建议的策略扩展到可以以不同准确度运行的多保真度计算机代码的情况。对于这样的模拟器,我们使用高斯过程回归模型的多元输出的扩展。
2013-07-08 math.ST stat.TH
Efficient Bayes Factor Sensitivity Analysis via Posterior Density Ratios
University of Amsterdam(阿姆斯特丹大学)
本文提出一种通过单次模型拟合恢复整个敏感性曲线的方法,利用后验密度比和扩展模型中的Savage-Dickey密度比,提高了计算效率和准确性,适用于多超参数敏感性分析和贝叶斯模型平均。
2026-04-23 stat.CO stat.ME
Stochastic Modeling of Composite Interfaces: Sensitivity to Spatial Correlation and Bayesian Identification from Standard Fracture Tests
Airbus Operation SAS(空中客车运营股份公司);DTIS, ONERA, Université de Toulouse(图卢兹大学国家航空航天研究学院);DMAS, ONERA, Université Paris-Saclay(巴黎萨克雷大学国家航空航天研究学院)
提出随机有限元框架,通过空间相关随机场表征界面变异性,从标准断裂试验中利用近似贝叶斯计算提取关键参数,提升航空复合材料可靠性评估。
2026-07-21 stat.AP