A Bayesian Approach to Sparse plus Low rank Network Identification
研究了用稀疏动态贝叶斯网络模型对多元时间序列进行建模的问题。这种结构转化为稀疏加低秩模型。在本文中,我们提出了一个高斯回归方法来识别这样的模型。
2015-09-26 math.OC stat.ML
Bayesian Adaptive Polynomial Chaos Expansions
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Sandia National Laboratory(桑迪亚国家实验室)
针对多项式混沌展开在统计学领域贝叶斯实现稀缺的问题,研究团队开发了带R包khaos的全贝叶斯自适应PCE方法,具备新型提议分布与定制g-先验,在多项UQ相关任务中性能优异。
2025-10-28 stat.ME stat.ML
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
Robust Bayesian Subspace Identification for Small Data Sets
从传统的子空间识别方法获得的模型估计可能会受到显着的方差。在大型模型或样本量有限的情况下,这种升高的方差会加剧。减少方差影响的常见解决方案是正则化估计,收缩估计和贝叶斯估计。在目前的工作中,我们调查后两种解决方案,尚未被应用于子空间识别。我们的实验结果表明,我们提出的估计可以减少估计风险的传统子空间方法的$40\%$。
2022-12-29 cs.SY eess.SY stat.ML
Deep Adaptive Bayesian Screening
KU Leuven(卢森堡大学)
研究在高维离散设计空间的自适应因子筛选问题,提出深度自适应贝叶斯筛选方法DABS,通过学习策略网络选择实验,集成吉布斯后验推断,相比经典和贝叶斯基线,在实验预算紧张时准确性和可扩展性更优。
2026-11-17 cs.LG stat.ML
Adaptive Sampling for Estimating Distributions: A Bayesian Upper Confidence Bound Approach
University of Southern California(南加州大学);University of California, San Diego(加州大学圣地亚哥分校)
研究了概率质量函数(pmf)一致估计的自适应抽样问题。采样策略的性能以最差情况下的均方误差来衡量。提出了一种贝叶斯变体现有的置信上限(UCB)为基础的方法。分析表明,这种贝叶斯变体的性能并不比现有的方法差。贝叶斯设置中pmfs上的后验分布允许更严格地计算置信上限,这在实践中导致显著的性能增益。使用这种方法,自适应采样协议提出了估计SARS-CoV-2血清阳性率在不同的群体,如位置和种族。这一战略的有效性进行了讨论,使用从洛杉矶县的血清阳性率调查获得的数据。
2020-12-08 cs.LG stat.ME
Bayesian Parameter Identification for Jump Markov Linear Systems
本文提出了一种跳变马尔可夫线性系统参数辨识的贝叶斯方法。一个主要的动机是提供准确的量化参数的不确定性,而不依赖于渐近的数据长度参数。为了实现这一点,本文详细介绍了粒子吉布斯抽样方法,提供所需的后验分布的样本。这些样本是通过利用修改后的离散粒子滤波器和精心选择的共轭先验。
2021-02-10 cs.SY eess.SY stat.AP
Probabilistic Numeric SMC Sampling for Bayesian Nonlinear System Identification in Continuous Time
University of Sheffield(谢菲尔德大学)
本文提出一种基于概率数值SMC采样的方法,用于连续时间贝叶斯非线性系统辨识,通过将ODE求解与概率建模结合,在含噪数据下高效估计系统参数与状态,并量化数据和辨识过程的不确定性。
2024-04-23 cs.LG stat.ML
On-line Bayesian System Identification
University of Padova(帕多瓦大学)
本文提出一种在线贝叶斯系统辨识方法,通过边际似然最大化更新超参数,仅需一次迭代优化算法,实验验证其有效性。
2016-01-17 cs.LG cs.SY eess.SY
Input Adaptive Bayesian Model Averaging
Department of Statistics(统计学系);Department of Computer Science(计算机科学系)
本文提出输入自适应贝叶斯模型平均(IA-BMA),根据输入条件分配模型权重,通过摊销变分推断估计自适应后验,在回归和分类任务中优于非自适应基线和现有自适应方法。
2025-10-24 cs.LG stat.ML
Online Bayesian system identification in multivariate autoregressive models via message passing
Eindhoven Artificial Intelligence Systems Institute(埃因霍温人工智能系统研究所);Department of Electrical Engineering, Eindhoven University of Technology(电子工程系,埃因霍温理工大学)
本文提出基于因子图消息传递的多元自回归模型递归贝叶斯辨识方法,可同时估计自回归系数与噪声精度的完整后验分布,并支持在线模型证据计算,在合成与机械系统上验证了收敛性和竞争力。
2025-06-03 cs.LG eess.SP stat.ML
Rapid Bayesian identification of sparse nonlinear dynamics from scarce and noisy data
提出一种基于贝叶斯框架的快速概率方法 Bayesian-SINDy,通过高斯近似加速计算,在稀缺和含噪声数据下高效识别非线性动力学微分方程并量化不确定性,为生物数据分析和实时控制中的主动学习奠定基础。
2024-09-23 nlin.CD stat.ME stat.ML
Bayesian System Identification based on Hierarchical Sparse Bayesian Learning and Gibbs Sampling with Application to Structural Damage Assessment
本文的重点是贝叶斯系统识别噪声不完整的模态数据的基础上,我们可以在更新结构模型时施加空间稀疏刚度的变化。为此,基于我们以前的工作类似的层次稀疏贝叶斯学习模型,我们提出了两个吉布斯抽样算法。这两种算法处理方程误差精度参数后验不确定性的策略不同,但都是从结构刚度参数和系统模态参数的条件后验概率密度函数(PDF)中采样。吉布斯抽样的有效维数较低,因为迭代采样仅从对应于三个参数组的三个条件后验PDF中完成,同时从其中一个算法中的另一个条件后验PDF中对方程误差精度参数进行采样,其中方程误差精度参数未被整合为“滋扰”参数。从计算的角度来看,一个很好的特点是,它是没有必要解决一个结构模型的非线性特征值问题。所提出的算法的有效性和鲁棒性说明将它们应用到IASE ASCE第二阶段的模拟和实验基准研究。我们的目标是使用不完整的模态数据识别之前和之后可能的损害,以检测和评估空间稀疏的刚度降低引起的任何损害。我们过去和现在的重点是满足所产生的挑战,从贝叶斯推断的结构刚度服务,以加强基于振动的结构系统识别的能力,但我们的方法也有更广泛的适用性,在科学和技术的逆问题,系统矩阵是从噪声的部分信息推断其特征量。
2017-01-13 stat.AP stat.ME stat.ML
Bayesian Subspace Identification in the MIMO Case
FEDERAL UNIVERSITY OF MINAS GERAIS(米纳斯吉拉斯联邦大学)
本文提出了一种适用于多输入多输出系统的贝叶斯子空间识别方法,并通过实验验证其有效性。
2025-12-30 cs.SY eess.SY stat.AP
Outlier robust system identification: a Bayesian kernel-based approach
本文提出了一种基于正则核的线性系统辨识方法。未知脉冲响应被建模为零均值高斯过程,其协方差(核)由最近提出的稳定样条核给出,该样条核编码关于正则性和指数稳定性的信息。为了建立对离群值的鲁棒性,我们将测量噪声建模为独立拉普拉斯随机变量的实现。将辨识问题置于贝叶斯框架下,并采用一种新的马尔可夫链蒙特卡罗(MCMC)方法求解。特别是,利用拉普拉斯随机变量的高斯尺度混合物的表示,我们设计了一个吉布斯采样器,快速收敛到目标分布。数值模拟表明,在国家的最先进的基于核的方法的估计的准确性有很大的改善。
2013-12-24 stat.ML
Identification in Bayesian Estimation of the Skewness Matrix in a Multivariate Skew-Elliptical Distribution
Harvey et al.(2010)将Sahu et al.(2003)的贝叶斯估计方法扩展到具有一般偏度矩阵的多元偏椭圆分布,并将其应用于具有更高矩的贝叶斯投资组合优化。虽然他们的方法是划时代的,因为它可以处理资产收益之间的偏度依赖关系,并将更高的时刻到投资组合优化,它不能识别偏度矩阵中的所有元素,由于吉布斯采样器中的标签切换。为了处理这个识别问题,我们建议修改他们的采样算法,通过对多元斜椭圆分布的偏度矩阵施加正下三角约束和改进的可解释性。此外,我们提出了一个贝叶斯稀疏估计的偏度矩阵与马蹄之前,以进一步提高精度。在仿真研究中,我们证明了所提出的方法与识别约束可以成功地估计的真实结构的偏度依赖,而现有的方法遭受的识别问题。
2021-08-09 q-fin.PM stat.CO stat.ME
Bayesian Estimation of Attribute and Identification Disclosure Risks in Synthetic Data
对数据保密的合成数据方法进行了积极研究,在过去十年左右的时间里,发表了大量关于开发创新合成器、制定适当的效用措施和风险措施等方面的高质量工作。相对于大量的工作合成器的开发和实用措施的创建,测量风险得到了整体较少的关注。本文重点介绍了一些贝叶斯方法的详细结构,提出了估计披露风险的合成数据。在介绍属性和识别信息披露风险评估方法的过程中,重点介绍了关键步骤,强调了贝叶斯思想,并结合实际应用实例进行了说明,同时讨论了面临的挑战和未来的研究方向。我们希望给读者一个全面的贝叶斯估计程序,使合成数据的研究人员和生产者使用这些程序来评估披露风险,并鼓励更多的研究人员在这个重要的增长领域的工作。
2021-05-07 stat.ME
Multiple Adaptive Bayesian Linear Regression for Scalable Bayesian Optimization with Warm Start
贝叶斯优化(BO)是一种基于模型的无梯度黑箱函数优化方法。通常,BO由高斯过程(GP)驱动,其算法复杂度是评估数量的立方。因此,基于GP的BO不能利用大量的过去或相关的函数评估,例如,来热启动BO过程。我们开发了一个多自适应贝叶斯线性回归模型作为一个可扩展的替代方案,其复杂性是线性的观察。多个贝叶斯线性回归模型通过共享的前馈神经网络耦合,该前馈神经网络学习联合表示并跨机器学习问题传递知识。
2017-12-08 stat.ML
Bayesian system identification for structures considering spatial and temporal correlation
本文提出考虑模型预测误差空间与时间相关性的结构贝叶斯系统辨识方法,通过高效对数似然计算和嵌套采样实现模型选择,并在合成案例与真实钢桥上验证其有效性。
2023-08-18 stat.ME
Stochastic processes and feedback-linearisation for online identification and Bayesian adaptive control of fully-actuated mechanical systems
Oxford University(牛津大学)
本文提出了一种新的方法,结合概率识别与控制,利用随机过程先验条件和拉格朗日力学结构知识,通过反馈线性化实现对完全驱动机械系统的灵活非参数贝叶斯学习。
2014-04-01 cs.LG cs.SY eess.SY
A Bayesian Semiparametric Factor Analysis Model for Subtype Identification
疾病亚型识别(聚类)是生物医学研究中的一个重要问题。基因表达谱通常用于推断疾病亚型,这通常导致对疾病的生物学意义的见解。尽管有许多成功的,现有的聚类方法可能无法很好地执行时,基因是高度相关的,许多无信息的基因,包括聚类由于高维。在这篇文章中,我们介绍了一种新的亚型识别方法在贝叶斯设置的基础上基因表达谱。这种方法,称为BCSub,采用了创新的半参数贝叶斯因子分析模型,以减少数据的维度到几个因素得分聚类。具体而言,因子得分被假定为遵循狄利克雷过程混合模型,以诱导聚类。通过广泛的模拟研究,我们表明,BCSub的常用聚类方法的性能有所提高。当应用于两个基因表达数据集时,我们的模型能够识别出比现有方法更具有临床相关性的亚型。
2016-09-26 stat.ME
On Identification of Sparse Multivariable ARX Model: A Sparse Bayesian Learning Approach
University of Cambridge(剑桥大学);Huazhong University of Science and Technology(华中科技大学);Cardwell Investment Tech(卡德韦尔投资科技公司);UC Berkeley(加州大学伯克利分校)
本文提出一种基于稀疏贝叶斯学习的方法,用于识别稀疏多变量ARX模型的布尔结构和节点间动态,无需先验知识,通过最大后验估计结合复杂性和组稀疏性惩罚。
2016-09-30 cs.LG cs.SY eess.SY
Bayesian Functional Data Analysis over Dependent Regions and Its Application for Identification of Differentially Methylated Regions
我们认为贝叶斯函数的数据分析的观测测量为极长的序列。将序列分割成具有可管理长度的多个小窗口,窗口可能不是独立的,特别是当它们彼此相邻时。我们建议利用贝叶斯平滑样条来估计每个窗口内的各个功能模式,并建立每个窗口中所涉及的参数的过渡模型,以解决窗口之间的依赖结构。在分析过程中,基于马尔可夫链蒙特卡罗样本的贝叶斯因子可以评价个体群体在每个窗口的功能差异。在本文中,我们研究所提出的方法,通过模拟研究,并将其应用于确定差异甲基化的基因区域在TCGA肺腺癌数据。
2021-12-09 stat.ME
BINDy -- Bayesian identification of nonlinear dynamics with reversible-jump Markov-chain Monte-Carlo
Dynamics Research Group University of Sheffield(动力学研究组谢菲尔德大学)
针对非线性动力学稀疏识别易过拟合的问题,提出基于可逆跳跃马尔可夫链蒙特卡洛的贝叶斯方法BINDy,通过联合后验分布推断在模型空间生成稀疏模型,在基准案例中表现优于ensemble SINDy。
2025-06-25 cs.LG math.DS stat.ML
Convergence Guarantees for Adaptive Bayesian Quadrature Methods
EURECOM(欧洲电信学院);University of Tübingen(图宾根大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
自适应贝叶斯求积(ABQ)是一种强大的数值积分方法,在中等维度(非自适应求积不具有竞争力)的问题上,它与蒙特卡罗积分相比具有优势。它的关键成分是一个获取函数,该函数作为先前收集的被积函数值的函数而变化。虽然这种适应性在经验上似乎很强大,但它使分析复杂化。因此,到目前为止,这类方法还没有理论上的保证。在这项工作中,对于广泛的自适应贝叶斯求积方法,我们证明了一致性,推导出非紧但信息量大的收敛速度。为了做到这一点,我们引入了一个新的概念,我们称之为弱适应性。我们的研究结果确定了一个大的和灵活的自适应贝叶斯求积规则一致,从业者可以开发经验有效的方法。
2019-10-28 cs.LG cs.NA math.NA
Error analysis in Bayesian identification of non-linear state-space models
在过去的二十年中,基于序贯蒙特卡罗(SMC)和马尔可夫链蒙特卡罗(MCMC)的随机非线性状态空间模型(SSM)的贝叶斯辨识方法已经被提出。众所周知,这些基于仿真的识别方法的性能取决于其设计中使用的数值近似。我们建议使用后验Cramér-Rao下界(PCRLB)作为均方误差(MSE)界。使用PCRLB,一个系统的程序来分析贝叶斯识别方法提供的估计偏差,MSE和效率。所提出的方法的有效性和实用性说明通过一个数值例子。
2013-07-23 stat.AP stat.CO 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
Bayesian non-parametric non-negative matrix factorization for pattern identification in environmental mixtures
环境健康研究人员可能会致力于确定代表来源的暴露模式,产品使用,或行为,引起潜在有害的环境化学品暴露的混合物。我们提出了贝叶斯非参数非负矩阵分解(BN ^2 MF)作为一种新的方法来识别模式的化学品暴露时,模式的数量是未知的先验。我们将非负连续先验放置在模式负载和个体分数上以增强可解释性,并使用聪明的非参数稀疏先验来估计模式数。我们进一步推导出估计值周围的变分置信区间;这是一个关键的发展,因为它量化了模型对估计模式的置信度。这些独特的功能与现有的模式识别方法在这一领域中所采用的是有限的用户指定的模式数,缺乏解释性的模式在人类的理解,以及缺乏不确定性量化。
2021-09-24 stat.AP stat.ME stat.ML
Bayesian kernel-based system identification with quantized output data
KTH Royal Institute of Technology(皇家理工学院);University of Padova(帕多瓦大学)
本文提出一种新的线性系统辨识方法,利用稳定样条核作为高斯过程的协方差函数,通过马尔可夫链蒙特卡洛方法估计系统参数,显著提升了量化数据下的辨识精度。
2015-04-26 cs.SY eess.SY stat.ML
MCMC with Adaptive Principal-Component Transformation: Rotation-Invariant Universal Samplers for Bayesian Structural System Identification
Harbin Institute of Technology(哈尔滨工业大学);California Institute of Technology(加州理工学院)
本文提出APM-SGHMC算法,通过自适应旋转坐标轴对齐当前后验样本的主成分方向,实现旋转不变的采样性能,提升贝叶斯结构系统识别的通用性和效率。
2026-04-25 stat.AP stat.ME stat.ML
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
Supervised Bayesian joint graphical model for simultaneous network estimation and subgroup identification
School of Statistics and Data Science, Shanghai University of International Business and Economics(上海对外经贸大学统计与数据科学学院);School of Statistics and Data Science, Shanghai University of Finance and Economics(上海财经大学统计与数据科学学院);Department of Biostatistics, Yale School of Public Health(耶鲁公共卫生学院生物统计学系)
本文提出了一种监督式贝叶斯联合图模型,用于同时估计异质网络并识别亚组,通过引入新的相似性先验,提升了生物网络构建和亚组识别的临床意义。
2026-02-24 stat.ME
Stochastic Convergence Rates and Applications of Adaptive Quadrature in Bayesian Inference
我们提供了第一个随机收敛速度的家庭自适应正交规则用于规范化的后验分布贝叶斯模型。我们的结果适用于一致的相对误差的近似后验密度,覆盖概率的近似可信集,近似的时刻和分位数,从而保证快速渐近收敛的近似汇总统计量在实践中使用。该系列的积分规则包括自适应高斯-厄米特积分,我们将这一规则在两个具有挑战性的低维的例子。此外,我们演示了如何自适应正交可以作为一个重要组成部分的现代近似贝叶斯推断过程的高维添加剂模型。该方法在R语言的aghq包中实现并公开提供,可在CRAN上获得。
2022-10-25 stat.ME
Bayesian identification of protein differential expression in multi-group isobaric labelled mass spectrometry data
在本文中,我们开发了贝叶斯统计推断的方法,在多个实验的同量异位素标记的MS/MS蛋白质组数据的统一分析。开发了跨多个预定义组和实验的同量异位素标记的报告离子的对数强度的显式概率模型。然后,这被用来开发一个完整的贝叶斯统计方法学的差异表达的蛋白质的鉴定,相对于对照组,在多个组和实验。该方法被实施,然后在模拟数据和使用TMT标记协议的两个模型实验数据集(其中差异表达的蛋白质是已知的)上进行评估。
2014-07-24 q-bio.QM stat.AP
Fault Detection and Identification using Bayesian Recurrent Neural Networks
Massachusetts Institute of Technology(麻省理工学院);ExxonMobil Research and Engineering(埃克森美孚研究与工程公司)
在加工和制造业中,一直在大力推动生产更高质量的产品,并确保流程的最大效率。这就需要采取有效的方法来检测和解决干扰,以确保最佳运行。虽然控制系统可以补偿许多类型的干扰,但仍然不能充分处理过程的变化。因此,重要的是进一步开发监测系统,以有效地检测和识别这些故障,从而使操作员能够快速解决这些故障。本文提出了一种新的概率故障检测和识别方法,该方法采用了新开发的深度学习方法,使用具有变差丢弃的贝叶斯循环神经网络(BRNN)。BRNN模型是通用的,可以模拟复杂的非线性动力学。此外,与传统的基于神经网络的数据驱动的故障检测和识别方法相比,所提出的基于BRNN的方法产生的不确定性估计,允许同时故障检测的化学过程,直接故障识别,故障传播分析。在Tennessee Eastman过程TEP和一个实际化工生产数据集上,与工业上广泛应用的动态主成分分析进行了对比,并验证了该方法的优越性。
2020-06-26 cs.LG cs.SY eess.SY
Canonical Bayesian Linear System Identification
Massachusetts Institute of Technology(麻省理工学院);Broad Institute of MIT and Harvard(MIT和哈佛大学Broad研究所);Basis Research Institute(Basis研究机构);Eric and Wendy Schmidt Center(埃里克和温迪·施密特中心);BCAM (Basque Center for Applied Mathematics)(BCAM(巴斯克应用数学中心));Ikerbasque (Basque Foundation for Science)(Ikerbasque(巴斯克科学基金会))
针对LTI系统贝叶斯辨识中的参数不可辨识与多模态后验问题,提出将规范形式嵌入贝叶斯框架,实现可辨识推断、结构先验与渐近理论保证,并通过MCMC实验验证其效率和不确定性估计优势。
2025-08-28 cs.LG cs.SY eess.SY
Adaptive Gaussian process approximation for Bayesian inference with expensive likelihood functions
我们考虑计算密集型似然函数的贝叶斯推断问题。我们提出了一种基于高斯过程(GP)的方法来近似未知参数和数据的联合分布。特别是,我们写的联合密度近似为一个近似的后验密度和一个exponentiated GP代理的产品。然后,我们提供了一个自适应算法来构建这样的近似,其中使用主动学习方法来选择设计点。数值例子表明,该方法具有竞争力的性能对现有的贝叶斯计算方法。
2018-03-14 stat.CO stat.ML
State estimations and noise identifications with intermittent corrupted observations via Bayesian variational inference
School of Mathematical Sciences, Beihang University(北京航空航天大学数学科学学院);Key Laboratory of Mathematics, Informatics and Behavioral Semantics (LMIB), Beihang University(北京航空航天大学数学、信息与行为语义重点实验室(LMIB))
本文提出了一种基于贝叶斯变分推断的变分贝叶斯自适应卡尔曼滤波方法,用于解决分布式传感器网络中间歇性数据丢失、观测损坏和未知噪声协方差的问题,通过双掩码生成模型提升状态估计和参数识别的准确性。
2026-04-03 cs.LG math.OC stat.CO
Input design for Bayesian identification of non-linear state-space models
提出了一种随机非线性状态空间模型在线贝叶斯辨识的最优输入设计算法。所提出的方法依赖于最小化的后Cramér Rao下界导出的模型参数,相对于输入序列。为了使优化问题在计算上易于处理,将输入参数化为输入空间中的多维马尔可夫链。所提出的方法是通过一个仿真例子来说明。
2013-07-23 stat.AP stat.CO stat.ME
Bounds for Bayesian order identification with application to mixtures
研究了两种贝叶斯序估计的有效性。通过使用非参数技术,我们证明了新的低估和高估的界限。结果适用于各种模型,包括混合模型。在这种情况下,误差分别显示为$O(e^{-an})$和$O((\log n)^b/\sqrt{n})$($a,b>0$)。
2008-04-04 math.ST stat.TH
Subgroup Identification and Interpretation with Bayesian Nonparametric Models in Health Care Claims Data
住院护理在医疗保健总支出中占很大比例,因此分析住院患者利用模式是了解医疗保健支出增长驱动因素的重要组成部分。住院利用措施的共同特点包括零通货膨胀,过度分散,偏态,所有这些复杂的统计建模。混合建模是一种流行的方法,可以适应这些功能的医疗保健利用数据。在这项工作中,我们添加了一个非参数聚类组件,这样的模型。我们的完全贝叶斯模型框架允许未知数量的混合组分,因此数据确定混合组分的数量。当我们将建模框架应用于肺癌患者住院时间的数据时,我们发现不同的患者亚组在住院天数、健康和治疗协变量以及协变量与住院时间之间的关系的均值和方差方面存在差异。
2017-11-20 stat.ML
Robust Bayesian Modeling with Adaptive Posterior FDR Control for Large-Scale Data
Osaka Metropolitan University(大阪公立大学)
本文提出了一种基于厚尾建模的鲁棒贝叶斯方法,用于大规模数据中的FDR控制,并通过后验预测p值检测异常值,同时提出自适应方法确定后验FDR水平,通过结直肠癌基因表达数据验证方法有效性。
2026-03-31 stat.ME
On the Consistency of Bayesian Adaptive Testing under the Rasch Model
本研究针对贝叶斯自适应测验缺乏大样本性质证明的问题,推导了Rasch模型下潜在特质后验分布收敛的条件,验证了先验误设时的稳健性,还提出了匹配最优估计性能的新型选题策略,为该类方法提供了理论支撑。
2024-12-10 stat.AP stat.ME
Adaptive empirical Bayesian smoothing splines
在本文中,我们开发和研究自适应经验贝叶斯光滑样条。这些都是平滑样条函数,平滑参数和惩罚顺序都是通过经验贝叶斯方法从模型的边际似然确定的。选择的阶数和平滑参数用于构造具有良好频率覆盖的底层回归函数的自适应可信集。我们使用这些可信的集合作为代理,以显示自适应经验贝叶斯平滑样条相比,频率平滑样条的优越性能。
2015-11-17 math.ST stat.TH
A Metropolized adaptive subspace algorithm for high-dimensional Bayesian variable selection
提出了一种简单有效的自适应马尔可夫链蒙特卡罗(MCMC)方法--Metropolized Adaptive Subspace(MAdaSub)算法,用于贝叶斯变量选择中的高维后验模型分布采样. MAdaSub算法基于独立的Metropolis-Hastings采样器,其中解释变量的个体建议概率在每次迭代后使用贝叶斯自适应学习的形式进行更新,以最终收敛到各自协变量的后验包含概率的方式。我们证明了算法的遍历性,并提出了一个并行版本的MAdaSub的适应计划的建议概率的基础上,从多个链的信息组合。该算法的有效性通过各种模拟和真实数据的例子,包括一个高维问题,超过20,000协变量证明。
2022-07-07 stat.CO stat.ME
Integrated Pre-Processing for Bayesian Nonlinear System Identification with Gaussian Processes
提出GP-FNARX模型,通过集成数据预处理与稀疏高斯过程回归,实现从原始数据到辨识模型的自动化流程,并利用边际似然最大化同时优化预处理参数和超参数,获得能报告不确定性的贝叶斯动力学模型。
2013-09-17 cs.AI cs.RO cs.SY
A fast, flexible simulation framework for Bayesian adaptive designs -- the R package BATSS
MRC Biostatistics Unit, University of Cambridge(剑桥大学医学研究委员会生物统计学单位);School of Public Health and Preventive Medicine, Monash University(莫纳什大学公共卫生与预防医学院);Faculty of Informatics and Data Science, University of Regensburg(雷根斯堡大学信息科学与数据科学学院)
本文提出R包BATSS,用于快速模拟贝叶斯自适应设计,支持多种主要结果类型及常见自适应机制,提供灵活的模块化结构。
2026-07-01 stat.CO stat.ME
Adaptive Bayesian Learning with Action and State-Dependent Signal Variance
Columbia Business School(哥伦比亚商学院)
本文提出将动作和状态依赖的信号方差纳入贝叶斯学习决策模型的新框架,并通过多个示例展示其在不同经济决策场景中的通用性。
2023-11-28 cs.LG econ.EM math.ST
Bayesian identification of nonseparable Hamiltonians with multiplicative noise using deep learning and reduced-order modeling
University of Michigan(密歇根大学);University of California San Diego(加利福尼亚大学圣迭戈分校)
本文提出一种保持结构不变的贝叶斯方法,用于辨识含乘性噪声的不可分离哈密顿系统,通过高斯滤波和降阶建模实现高效高维参数估计,显著提升预测精度。
2024-07-20 cs.LG math.DS physics.data-an
Bayesian Error-in-Variables Models for the Identification of Power Networks
间歇性可再生能源发电的日益一体化,特别是在配电水平,需要先进的规划和优化方法,取决于电网的知识,特别是导纳矩阵捕获的拓扑结构和线路参数的electricnetwork。然而,一个可靠的估计导纳矩阵可能会丢失或迅速成为过时的时间变化的网格。在这项工作中,我们提出了一个数据驱动的identificationmethod利用从微型PMU收集的电压和电流测量。更确切地说,我们首先提出了一个最大似然方法,然后转向贝叶斯框架,利用最大后验估计的原则。与大多数现有的contributions相比,我们的方法不仅在电压和电流数据的测量噪声的因素,但也能够利用现有的先验信息,如稀疏模式和knownline参数。在基准案例上进行的仿真表明,与其他算法相比,我们的方法可以实现更高的精度。
2021-12-19 cs.SY eess.SY stat.ML
Adaptive Metropolis Algorithm Using Variational Bayesian Adaptive Kalman Filter
马尔可夫链蒙特卡罗(MCMC)方法是分析复杂统计问题的有力计算工具。然而,它们的计算效率高度依赖于所选择的建议分布,这通常很难找到。解决这个问题的一种方法是使用自适应MCMC算法,该算法在MCMC运行期间自动调整提案分布的统计信息。提出了一种新的自适应MCMC算法--变分贝叶斯自适应Metropolis(VBAM)算法. VBAM算法使用变分贝叶斯自适应卡尔曼滤波器(VB-AKF)来更新提议的协方差阵。证明了VBAM算法的一个强大数律。文中还给出了三个模拟算例和两个实际数据算例的经验收敛结果。
2014-10-01 math.ST stat.TH
Sparse Kalman Identification for Partially Observable Systems via Adaptive Bayesian Learning
School of Astronautics(航天学院)
本文提出一种基于自适应贝叶斯学习的在线稀疏卡尔曼识别方法,用于部分可观测系统的高效模型识别与结构选择。
2025-11-22 cs.LG cs.SY eess.SY
A flexible Bayesian method for adaptive measurement in psychophysics
在心理物理学实验中,时间和参与者有限的善意通常是一个主要的限制。这是早期开发用于测量心理测量阈值的自适应方法的主要动机。最近,已经开发出以自适应方式测量整体心理测量功能的方法。在这里,我们描述了一个贝叶斯方法来测量自适应的心理物理功能的任何方面,从Kontsevich和泰勒的最佳贝叶斯测量方法的灵感。我们的方法是在一个完整的,易于使用的MATLAB软件包中实现的。
2008-09-02 stat.AP
Parameter Identification for Electrochemical Models of Lithium-Ion Batteries Using Bayesian Optimization
The Ohio State University(俄亥俄州立大学)
针对锂离子电池电化学模型参数辨识鲁棒性差、成本高、易陷局部最优的问题,提出用贝叶斯优化调校E-ECM动态参数,经实验验证其在精度和稳定性上均优于梯度下降与PSO方法。
2024-05-17 cs.LG cs.SY eess.SY