A nonparametric Bayesian analysis of independent and identically distributed observations of covariate-driven Poisson processes
ESOMAS Department, University of Turin（都灵大学 ESOMAS 系）
本文提出了一种基于多带宽高斯过程的非参数贝叶斯方法，用于分析协变量驱动的泊松过程的各向异性光滑性问题，并通过数值实验和野火数据集应用验证了方法的有效性。
2026-10-30 math.ST stat.ME stat.TH
Valid Bayesian Inference based on Variance Weighted Projection for High-Dimensional Logistic Regression with Binary Covariates
针对高维基线协变量下二元结果相关分类处理效应的推断挑战，提出基于方差加权投影的正交得分及新型贝叶斯框架，提供一致收敛结果并通过模拟与真实数据分析验证方法有效性。
2024-11-26 math.ST stat.ME stat.TH
Bayesian high-dimensional covariate selection in non-linear mixed-effects models using the SAEM algorithm
针对非线性混合效应模型中的高维协变量选择问题，提出结合 spike-and-slab 先验与 SAEM 算法的贝叶斯方法，通过惩罚参数网格选择相关变量，兼具速度、性能与灵活性。
2024-04-05 math.ST stat.TH
Adaptive Bayesian Estimation of Conditional Densities
我们考虑一个条件密度的非参数贝叶斯模型。该模型是一个有限的混合正态分布与协变量依赖的多项logit混合概率。在正整数上指定混合组分数的先验。未对协变量的边缘分布建模。研究了该模型后验概率的渐近频率论行为。具体来说，我们表明，当真正的条件密度有一定的平滑度，然后后收缩率周围的真理是等于一个对数因子的频率最小最大估计率。协变量空间是无界的情况下，也建立了一个扩展。由于我们的结果在没有真密度的平滑水平的先验知识的情况下成立，因此所建立的后验收缩率是自适应的。此外，我们表明，在模型中包含不相关的协变量的速度不受影响。在蒙特卡罗模拟中，该模型的一个版本与交叉验证的核条件密度估计相比是有利的。
2016-01-19 math.ST stat.TH
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
Dangers of Bayesian Model Averaging under Covariate Shift
NYU（纽约大学）；Covera Health
神经网络的近似贝叶斯推理被认为是标准训练的一种鲁棒替代方案，通常在分布外数据上提供良好的性能。然而，贝叶斯神经网络（BNN）的高保真近似推理，通过全批汉密尔顿蒙特卡罗实现协变量偏移下的泛化能力差，甚至不如经典的估计。我们解释了这一令人惊讶的结果，表明贝叶斯模型的平均值在协变量偏移下实际上是有问题的，特别是在输入特征中的线性依赖性导致缺乏后验收缩的情况下。我们还展示了为什么同样的问题不会影响许多近似推理程序，或经典的最大后验概率（MAP）训练。最后，我们提出了新的先验知识，提高了BNN对许多协变量偏移源的鲁棒性。
2021-12-06 cs.LG stat.ML
Joint Bayesian Variable and DAG Selection Consistency for High-dimensional Regression Models with Network-structured Covariates
考虑了高维回归模型中协变量的回归系数和协变量的协方差阵的联合稀疏估计问题，其中预测变量既与响应变量相关，又通过高斯有向无圈图（DAG）模型在函数上相互关联.高斯DAG模型在逆协方差阵的Cholesky因子中引入稀疏性，而稀疏性模式又对应于对基础预测变量的特定条件独立性假设。近年来已经开发了各种方法贝叶斯推理在确定这样的网络结构的预测回归设置，但这些模型的重要稀疏性选择属性还没有得到彻底的研究。本文研究了一类在回归系数上具有spike和slab先验的递阶模型和一类在逆协方差阵的Cholesky因子上具有多个形状参数的灵活且一般的DAG-Wishart分布.在温和的规律性假设下，我们建立了联合选择一致性的变量和潜在的DAG的协变量时，预测的维度允许增长远远大于样本量。我们证明了我们的方法优于现有的方法在选择网络结构的预测在几个模拟设置。
2020-04-20 math.ST stat.ME stat.TH
Modeling Multivariate Degradation Data with Dynamic Covariates Under a Bayesian Framework
本文提出一个贝叶斯框架，结合混合效应非线性一般路径模型和形状约束P样条，对含动态协变量的多元退化数据进行建模，并通过模拟验证及有机涂层寿命预测展示其有效性。
2025-04-07 stat.AP stat.ME
Bayesian Prediction with Covariates Subject to Detection Limits
在工业问题中，由于信号干扰或测量设备缺乏灵敏度而导致的协变量缺失值是常见的。我们提出了一个完整的贝叶斯解决方案的预测问题，一个有效的马尔可夫链蒙特卡罗（MCMC）算法，更新所有的删失协变量值联合在一个随机扫描吉布斯采样。我们发现，缺失协变量值的联合更新可以比单变量更新至少高两个数量级。这种提高的效率被证明是至关重要的快速学习缺失的协变量值和他们的不确定性在实时决策的背景下，特别是当有大量的相关性在后的缺失值。该方法进行了评估模拟数据和电信部门的数据。我们的研究结果表明，所提出的贝叶斯插补提供了更准确的预测比天真的插补，并在插补辅助变量的使用提供了额外的预测能力。
2022-01-19 stat.AP stat.ME
Bayesian correction for covariate measurement error: a frequentist evaluation and comparison with regression calibration
处理协变量测量误差的贝叶斯方法已经很成熟，但可以说研究人员仍然很少使用。对于一些人来说，这可能是由于不熟悉或不同意贝叶斯推理范式。对其他人来说，一个促成因素是标准统计软件包无法进行这种贝叶斯分析。在本文中，我们首先给出了一个概述的贝叶斯方法来处理协变量测量误差，并将其与回归校准（RC），可以说是最常用的方法。然后，我们认为，为什么贝叶斯方法有一些统计优势相比，RC，并证明，实施贝叶斯方法通常是相当可行的分析。接下来，我们描述了密切相关的极大似然和多重插补方法，并解释了为什么我们认为贝叶斯方法通常是更可取的。然后，我们经验比较RC和贝叶斯方法，通过模拟研究的频率属性。贝叶斯方法的灵活性，以处理测量误差和缺失数据，然后说明通过分析数据从第三次全国健康和营养检查调查。
2016-03-20 stat.ME
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
Unsupervised empirical Bayesian multiple testing with external covariates
在经验贝叶斯设置，我们提供了一个新的多重检验方法，有用的时候，一个额外的协变量是可用的，影响每个原假设是真的概率。我们在协变量和数据的条件下测量每个检验的后验显著性，从而获得更大的功效。使用协变量为基础的先验信息在无监督的方式，我们产生了一个列表的显着的假设不同的长度和顺序从列表中获得的方法不考虑协变量信息。使用快速近似算法估计每个原假设的协变量调制的后验概率。新方法被应用到表达数量性状基因座（eQTL）数据。
2008-07-29 stat.AP
Bayesian prognostic covariate adjustment
关于疾病结局的历史数据可以通过多种方式整合到临床试验分析中。我们建立在现有文献的基础上，这些文献使用预测模型的预后评分，通过协变量调整来提高处理效应估计的效率。在这里，我们更进一步，利用贝叶斯框架，结合预测协变量调整与经验先验分布从预测模型的预测性能在过去的试验中学习。贝叶斯方法在既往扩散时采用严格第一类错误控制的预后协变量调整与既往达到峰值时采用单臂试验之间进行插值。理论上表明，该方法可大幅提高统计功效，同时在合理条件下限制第一类错误率。我们证明了我们的方法在模拟和分析过去的阿尔茨海默病的临床试验的效用。
2020-12-24 stat.AP stat.ME stat.ML
Bayesian Clustered Coefficients Regression with Auxiliary Covariates Assistant Random Effects
在区域经济学研究中，一个令人感兴趣的问题是检测区域之间的相似性，并估计它们在经济模型中的共享系数。在这篇文章中，我们提出了一个有限混合物（MFM）聚类回归模型的辅助协变量，占人口或经济特征的相似性在空间域的混合。我们的贝叶斯构造提供了聚类数和聚类配置的推断，以及每个聚类的参数估计。通过模拟实验说明了该模型的实证性能，并进一步应用于佐治亚州每月住房成本的影响因素的研究。
2021-08-28 econ.EM 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
Bayesian estimation of covariate assisted principal regression for brain functional connectivity
本文提出CAP回归的贝叶斯重新表述，通过将协方差矩阵映射至切空间利用欧几里得几何进行后验推断，在统一框架内实现参数联合估计与不确定性量化，并应用于脑功能连接性分析。
2024-08-29 stat.ME
Bayesian subcohort selection for longitudinal covariate measurements in follow-up studies
针对随访研究中资金受限下的纵向协变量测量规划，提出利用既往数据的贝叶斯最优子队列序贯选择准则，并在模拟与真实数据中验证其相较随机抽样可提高生存模型协变量效应估计精度。
2016-09-06 stat.ME
On the Convergence of Bayesian Regression Models
本文考虑异方差非参数回归模型，当均值函数和方差函数均未知且需要用非参数方法估计时。我们得到了该模型的后验分布与不同的先验，包括样条和高斯过程先验的收敛速度。结果是基于一般的独立，非同分布的观测值的后验分布的收敛速度，并建立了随机协变量的情况下，和确定性协变量。我们还说明，结果可以实现所有水平的规律性，这意味着他们是自适应的。
2010-10-06 math.ST stat.TH
On Posterior consistency of Bayesian Changepoint models
虽然最近在高维线性模型的贝叶斯模型选择和变量选择方面取得了很多进展，但与频率论不同，文献中存在变点的工作并不多。我们考虑一个分层贝叶斯线性模型，其中通过均值模型影响观测值的协变量的活动集在不同的时间段之间可以变化。这种结构可能出现在社会科学/经济科学中，例如基于外部经济因素的房价突然变化，基于社会和建筑环境因素的犯罪率变化等。使用适当的自适应先验，我们概述了一个分层贝叶斯方法的发展，可以选择真正的变化点以及真正的协变量，具有很高的概率。我们提供了第一个详细的理论分析后验一致性或无协变量，在适当的条件下。吉布斯抽样技术提供了一种有效的计算策略。我们也考虑小样本模拟研究以及应用于犯罪预测的应用。
2021-02-25 math.ST stat.ME stat.TH
Bayesian Covariate-Dependent Circadian Modeling of Rest-Activity Rhythms
本文提出一种贝叶斯协变量依赖昼夜节律模型，通过l_1球投影先验实现稀疏建模，用于分析可穿戴设备活动数据并揭示影响静息-活动节律的复杂因素。
2025-02-05 stat.AP stat.ME
Bayesian Soft-Tree Poisson Process Model for Covariate-Dependent Point Patterns
Iowa State University（爱荷华州立大学）
本文针对协变量依赖点模式估计难题，提出贝叶斯软树泊松过程模型，结合自适应协变量划分与平滑强度函数，采用RJ-MCMC算法，经模拟与野火数据验证其性能优于现有方法。
2026-10-09 stat.CO stat.ME
Bayesian Analysis of Rank Data with Covariates and Heterogeneous Rankers
经常会遇到排名列表形式的数据，并且组合来自不同来源的排名结果可以潜在地生成更好的排名列表并帮助理解排名者的行为。这里感兴趣的是以下设置下的排名数据：（i）可用于排名实体的协变量信息;（ii）不同质量或具有不同意见的排名者;以及（iii）非重叠子组的不完整排名列表。我们回顾了过去几十年来研究人员围绕Thurstone模型家族构建的一些关键思想，并提供了一种统一的方法，用于协变量的贝叶斯秩数据分析（BARC）及其扩展，用于处理异质秩。在贝叶斯框架下，我们可以研究排名者的不同质量，聚类排名者的异质性意见，并测量相应的不确定性。为了使一个有效的贝叶斯推断，我们提倡一个参数扩展的吉布斯抽样从目标后验分布。后验样本还产生贝叶斯聚合排名列表，其中可信区间量化其不确定性。我们调查和比较所提出的方法和其他秩聚合方法在模拟研究和两个真实数据的例子中的性能。
2020-07-17 stat.ME
Bayesian analysis of restricted mean survival time adjusted for covariates using pseudo-observations
本文提出一种结合伪观测与广义矩方法的新型贝叶斯方法，无需建模生存函数即可估计协变量调整的RMST，模拟与前列腺癌III期试验验证其有效性、精度及可解释性。
2025-03-27 stat.AP stat.ME
Bayesian Hierarchical Spatial Regression Models for Spatial Data in the Presence of Missing Covariates with Applications
在许多应用中，勘测数据是从不同地区的不同勘测中心收集的。在某些情况下，响应变量完全被观察到，而协变量有缺失值。在本文中，我们提出了一个联合空间回归模型的响应变量和缺失的协变量通过一系列的一维条件空间回归模型。我们进一步构建了缺失协变量数据机制的联合空间模型。所提出的模型的性质进行了检查和马尔可夫链蒙特卡罗抽样算法是用来从后验分布的样本。此外，贝叶斯模型的比较标准，修改的偏差信息准则（mDIC）和修改的对数的伪边际似然比（mLPML），被开发来评估空间回归模型的空间数据的拟合。进行了广泛的模拟研究，以检查所提出的方法的经验性能。我们进一步应用所提出的方法来分析一个真实的数据集，从中国健康与营养调查（CHNS）在2011年进行。
2020-07-05 stat.ME
Prediction of cancer dynamics under treatment using Bayesian neural networks: A simulated study
本研究提出分层贝叶斯模型结合贝叶斯神经网络，利用基线协变量预测治疗下癌症动态，模拟实验表明其优于线性模型，可推广至其他癌症及时间序列预测。
2024-05-23 q-bio.QM stat.ML
Modeling Score Distributions and Continuous Covariates: A Bayesian Approach
Perceptive Automata, Inc.（感知自动机公司）；University of Notre Dame（圣母大学）；Harvard University（哈佛大学）
计算机视觉从业者必须彻底了解他们的模型的性能，但条件评估是复杂和容易出错的。在生物特征验证中，模型在连续协变量（影响性能的图像实数属性）上的性能研究特别具有挑战性。我们开发了一个生成模型的匹配和非匹配分数分布在连续协变量和现代贝叶斯方法进行推理。我们使用混合模型来捕获任意分布，使用局部基函数来捕获非线性、多变量趋势。三个实验证明了我们的方法的准确性和有效性。首先，我们研究了年龄和人脸验证性能之间的关系，发现以前的方法可能会夸大性能和信心。其次，我们研究了CNN的预处理，并发现了模型性能的高度非线性、多变量表面。我们的方法是准确的和数据效率时，对以前的合成方法进行评估。第三，我们展示了我们的方法的行人跟踪和计算可变阈值和预期的性能，同时控制多个协变量的新应用。
2020-09-21 cs.CV cs.LG stat.ML
Modelling spatial heterogeneity in the effects of area-level covariates on income distributions using Bayesian nonparametric methods
King’s College London（伦敦国王学院）；University College London（伦敦大学学院）
本文提出NLMFM-C模型，通过混合潜在因子密度分析收入分布变化，探讨空间和协变量效应，应用于美国四个州2016和2020年的微观数据，揭示收入水平和人口特征对收入分布的影响。
2026-04-25 stat.AP stat.ME
Rank-based Bayesian clustering via covariate-informed Mallows mixtures
本文提出带协变量的贝叶斯 Mallows 模型 (BMMx)，通过结合评估者特征进行排名数据聚类，利用 PPMx 相似性函数提升聚类效果，模拟与真实数据验证了其在理解偏好行为方面的潜力。
2024-02-16 stat.ME
Bayesian Controlled FDR Variable Selection via Parameter-Expanded Latent Knockoffs
Rice University（莱斯大学）；University of Florence（佛罗伦萨大学）；University of California at Los Angeles（加州大学洛杉矶分校）
本文提出一种基于参数扩展的贝叶斯FDR变量选择方法，通过构建隐含的knockoff层，利用高斯图模型捕捉协变量的条件独立结构，从而在有限样本中控制FDR。
2026-04-21 math.ST stat.ME stat.TH
Hierarchical Bayesian Claim Count modeling with Overdispersed Outcome and Mismeasured Covariates in Actuarial Practice
针对保险索赔计数中的过度离散与协变量测量误差问题，提出结合层次贝叶斯GLMM与SIMEX的新框架，在工作场所缺勤数据上验证其拟合优度优于朴素方法。
2023-10-11 stat.ME
Bayesian Functional Generalized Additive Models with Sparsely Observed Covariates
McLean等人（2013）最近提出了函数广义可加模型（FGAM），作为常见函数线性模型（FLM）的更灵活的替代方案，用于回归函数协变量的标量。在本文中，我们开发了一个贝叶斯版本的FGAM的高斯误差的情况下，单位链接功能。我们的方法允许函数协变量被稀疏地观察和测量，而McLean et al.（2013）的估计过程要求它们在规则网格上被无噪声地观察。我们认为这两个蒙特卡罗和变分贝叶斯方法拟合FGAM稀疏观测协变量。由于模型后验分布和全条件分布的复杂形式，标准蒙特卡罗和变分贝叶斯算法不能使用。我们使用的策略来处理更新的参数没有封闭形式的完整条件应该是独立的兴趣应用贝叶斯统计学家与非共轭模型。我们的数值研究表明，我们的算法的好处，首先使用标准技术恢复完整的轨迹，然后拟合一个功能回归模型的两步方法。在一个真实的数据分析中，我们的方法被应用到预测在网上拍卖网站eBay上拍卖的物品的收盘价。
2017-05-26 stat.CO stat.ME
Bayesian Covariate-Dependent Quantile Directed Acyclic Graphical Models for Individualized Inference
提出贝叶斯协变量依赖分位数DAG模型qDAGx，利用参数扩展马蹄先验实现大规模变量下的个体化网络结构推断，克服均值回归局限，在精准医学中成功推断肺癌患者特异性的蛋白质相互作用网络。
2023-05-22 stat.ME
Tackling covariate shift with node-based Bayesian neural networks
Aalto University（阿尔托大学）；University of Helsinki（赫尔辛基大学）；University of Manchester（曼彻斯特大学）
贝叶斯神经网络（BNN）通过提供认知不确定性的原则性概率表示，承诺在协变量移位下改进泛化。然而，基于权重的BNN通常会与大规模架构和数据集的高计算复杂度作斗争。基于节点的BNN最近被引入作为可扩展的替代方案，其通过将每个隐藏节点与潜在的随机变量相乘来诱导认知不确定性，同时学习权重的点估计。在本文中，我们将这些潜在的噪声变量解释为训练过程中简单和领域不可知的数据扰动的隐式表示，从而产生在由于输入损坏导致的协变量偏移下表现良好的BNN。我们观察到隐式腐败的多样性取决于潜变量的熵，并提出了一种直接的方法来增加这些变量在训练过程中的熵。我们评估的方法在分布图像分类基准，并显示改进的不确定性估计的基于节点的BNN下的协变量转移由于输入扰动。作为副作用，该方法还提供了对噪声训练标签的鲁棒性。
2022-06-09 cs.LG stat.ML
Laplace Approximation in High-dimensional Bayesian Regression
我们考虑稀疏高维回归中的贝叶斯变量选择，其中协变量$p$的数量相对于样本量$n$可能很大，但至多有中等数量的协变量$q$是活跃的。具体来说，我们处理广义线性模型。经典理论证明，对于具有良好先验分布的单一固定稀疏模型，当样本量足够大时，模型的边缘似然的Laplace近似是精确的$n$。我们扩展了这个理论，给出结果的拉普拉斯近似在所有模型的统一精度在一个高维的情况下，其中$p$和$q$，因此也考虑模型的数量，可能会增加与$n$。此外，我们展示了如何边际似然和拉普拉斯近似之间的连接可以用来获得一致性的结果贝叶斯方法在高维回归变量选择。
2015-03-28 math.ST stat.TH
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
Covariate Adjustment in Bayesian Adaptive Randomized Controlled Trials
本文研究贝叶斯自适应随机对照试验中的协变量调整方法，展示如何从调整分析中获取边际估计目标的后验样本，并通过模拟和COVID-19试验证明其能提高检验效能、增加提前停止概率并降低预期样本量。
2023-11-23 stat.AP stat.ME
Bayesian Semiparametric Multivariate Density Regression with Coordinate-Wise Predictor Selection
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种灵活的贝叶斯方法，用于估计多变量结果在存在分类协变量时的联合密度。通过高斯Copula框架，方法有效捕捉多变量响应不同坐标的依赖结构，利用共享原子的灵活混合模型和新的Tucker张量分解结构，实现坐标特定的协变量子集识别。
2026-10-22 stat.ME
Covariate-guided Bayesian mixture model for multivariate time series
随着脑活动和结构测量技术的迅速发展，现代脑成像的统计分析方法在科学进步中发挥着重要作用。测量脑功能的成像数据通常是多变量时间序列，并且在成像源和受试者之间是异质的，这导致各种统计和计算挑战。在本文中，我们提出了一种基于组的方法，通过贝叶斯混合平滑样条聚类的多元时间序列的集合。我们的方法假设每个多元时间序列是具有不同混合权重的多个分量的混合。与时间无关的协变量被假定为与混合物成分相关联，并通过混合专家模型的逻辑权重进行合并。我们制定了一个完整的贝叶斯框架下使用吉布斯抽样的组件的数量是基于偏差信息标准选择这种方法。所提出的方法相比，现有的方法，通过模拟研究，并适用于功能性近红外光谱（fNIRS），其目的是了解婴儿的情绪反应和恢复压力的研究。结果揭示了大脑活动的不同模式，以及这些模式与选定的协变量之间的关联。
2023-01-03 stat.AP stat.CO stat.ME
Semi-Parametric Bayesian Additive Regression Trees for Risk Prediction with High-Dimensional Epigenetic Signatures and Low-Dimensional Covariates
University of Chicago（芝加哥大学）；BC Cancer Research Institute（不列颠哥伦比亚癌症研究所）
提出半参数贝叶斯加性回归树（spBART），通过参数组件建模低维协变量以获得可解释系数，同时用树集成捕捉高维预测变量的复杂非线性关联，并开发基于交叉验证的稳定变量选择方法，在多发性骨髓瘤研究中实现高判别性能（AUC=0.96）。
2026-05-22 stat.AP stat.CO stat.ML
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
Aggregated Gaussian Processes with Multiresolution Earth Observation Covariates
对于许多基于调查的空间建模问题，由于资源有限，在调查区域观察到的响应是空间聚集的。来自天气模型和卫星图像的协变量可以在许多不同的空间分辨率下观测，这使得协变量的预处理成为任何空间建模任务的关键挑战。我们提出了一个高斯过程回归模型，灵活地处理多分辨率协变量，采用加性内核，可以有效地聚合功能的决议。与依赖于分辨率匹配的现有方法相比，我们的方法更好地维护了分辨率之间的分布信息，从而获得更好的性能和可解释性。我们的模型在模拟和作物产量数据集上都具有更强的预测性能和可解释性。
2022-04-01 stat.AP stat.ME
The Covariate-Assisted Bayesian Intransitive Bradley-Terry Model via Combinatorial Hodge Theory
Tokyo University of Science（东京科学大学）；Meisei University（明海大学）；Keio University（庆应义塾大学）；RIKEN（理化学研究所）
针对成对比较数据中的非传递性问题，提出CA-BIBT模型，利用组合霍奇分解将潜在匹配分解为正交流，通过全局-局部收缩先验自适应处理传递与非传递情形，并给出后验不确定性量化与排序总结。
2026-07-24 stat.ME
Personalized Treatment Hierarchies in Bayesian Network Meta-Analysis
McGill University（麦吉尔大学）
本文探讨了在包含治疗-协变量交互的贝叶斯网络元分析中，如何根据特定协变量配置创建治疗等级，通过实证研究展示了方法的应用。
2026-01-27 stat.AP stat.ME
BARTSIMP: flexible spatial covariate modeling and prediction using Bayesian additive regression trees
针对空间统计预测中现有方法难以兼顾协变量非线性建模与可靠不确定性估计的问题，提出结合高斯过程与BART的BARTSIMP方法，通过MCMC与INLA结合降本，经模拟和肯尼亚人体测量数据验证有效。
2025-02-21 stat.ME stat.ML
Bayesian community detection for networks with covariates
本文提出一种带有依赖协变量随机划分先验的贝叶斯随机块模型，用于密集和稀疏网络的社区检测，能通过后验推断自动学习社区数量并优于现有方法。
2023-04-06 cs.SI stat.CO stat.ME
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift
University of Cambridge（剑桥大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Alan Turing Institute（艾伦图灵研究所）
现代神经网络已被证明是功能强大的函数逼近器，在许多应用中提供最先进的性能。然而，他们缺乏量化预测信心的能力-这在涉及关键决策的高风险应用中至关重要。贝叶斯神经网络（BNN）的目标是通过在网络参数上放置先验分布来解决这个问题，从而诱导出封装预测不确定性的后验分布。虽然基于蒙特卡罗丢弃的BNN的现有变体对分布内数据产生可靠的（尽管是近似的）不确定性估计，但它们倾向于在对特征分布与训练数据不同的目标数据进行的预测中表现出过度自信，即，协变量偏移设置。在本文中，我们开发了一个近似的贝叶斯推断计划的基础上后验正则化，其中未标记的目标数据被用作“伪标签”的模型的信心，用于正则化模型的损失标记的源数据。我们表明，这种方法显着提高了协变量移位数据集的不确定性量化的准确性，对底层模型架构的修改最小。我们证明了我们的方法在全球不同人群中转移前列腺癌预后模型的背景下的实用性。
2020-06-26 cs.LG stat.ML
Spatial Clustering of Curves with Functional Covariates: A Bayesian Partitioning Model with Application to Spectra Radiance in Climate Study
在气候变化研究中，气候变化的红外光谱特征近年来已被概念化，并被广泛应用于识别和归因大气成分变化。提出了一种基于函数协变量和局部特征的高维函数数据空间聚类的贝叶斯层次模型。我们耦合的功能混合效应模型与广义空间分区方法：（1）产生空间连续的集群的高维空间功能数据;（2）提高计算效率，通过并行计算的子区域或多级分区;和（3）捕捉数据驱动的分区的近边界的模糊性和不确定性。我们提出了一种广义的分区方法，它对空间簇的形状限制较少。参数空间的降维也是通过贝叶斯小波来实现的，以减轻由聚类引入的模型复杂性的增加。该模型很好地捕捉到了大气和云的光谱辐射测量的区域性影响。结果阐述了利用空间连续分区识别区域效应和小尺度变异的重要性。
2016-03-19 stat.AP
Bayesian Varying-Effects Vector Autoregressive Models for Inference of Brain Connectivity Networks and Covariate Effects in Pediatric Traumatic Brain Injury
提出贝叶斯变效应向量自回归模型，利用高斯过程混合先验和变分推断，同时估计组特异性脑网络并识别年龄、性别等协变量效应。
2024-05-01 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
Bayesian Prognostic Covariate Adjustment With Additive Mixture Priors
本文提出 Bayesian PROCOVA，用 DTG 生成的预后评分调整协变量，并以可预指定的加性混合先验融合历史对照信息，从而在控制偏倚的同时降低方差、缩小试验规模。
2024-02-28 stat.AP stat.ME 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
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
BNSP: an R Package for Fitting Bayesian Semiparametric Regression Models and Variable Selection
R包BNSP为半参数位置-尺度回归和随机搜索变量选择提供了一个统一的框架。该软件包所基于的统计方法学利用基函数展开来表示均值和方差函数中的半参数协变量效应，并利用尖峰-平板先验来执行估计效应的选择和正则化。除了执行后验采样的主函数外，该软件包还包括用于评估采样器收敛性、汇总模型拟合、可视化协变量效应以及获得给定特征/协变量向量的新响应或其均值的预测的函数。
2018-10-08 stat.OT
Bayesian Covariate-Dependent Graph Learning with a Dual Group Spike-and-Slab Prior
本文提出了一种新颖的双重组spike-and-slab先验方法，用于协变量依赖图学习，通过嵌套策略实现协变量、节点和个体多级稀疏选择，并开发免调参Gibbs采样器进行后验推断，在图恢复精度上优于现有方法并应用于微生物组数据分析。
2025-04-03 stat.ME
