When to repeat a biomarker test? Decomposing sources of variation from conditionally repeated measurements
McGill University（麦吉尔大学）；Sanquin Research（桑金研究所）；King’s College, London（伦敦国王学院）
本文提出贝叶斯分层框架，用于分解条件性重复测量中的变异，以估计个体误分类风险并指导基于证据的重新检测决策。
2026-02-16 stat.AP
Clustering blood donors via mixtures of product partition models with covariates
出于准确预测连续献血之间的间隔时间的问题，我们在这里提出了一个一般类的贝叶斯非参数模型的聚类。这些模型允许预测新的复发，容纳描述样本个体的个人特征的协变量信息。我们引入了一个先验的随机分区的样本个体，鼓励两个人共同聚类，如果他们有相似的协变量值。我们的先验推广了文献中的PPMx模型，这些模型是根据内聚性和相似性函数定义的。我们假设的凝聚力功能，产生的PPMx模型的混合物，而我们的相似性函数表示一个集群的紧凑性。我们表明，包括协变量信息的先验规范提高了后验预测性能，并有助于解释估计的集群，在献血应用中的协变量。
2022-10-15 stat.AP stat.ME
Bayesian Marked Point Process Modeling for Generating Fully Synthetic Public Use Data with Point-Referenced Geography
许多数据管理员收集包括精细地理信息的机密数据。在与其他人共享这些数据时，数据管理员努力传播可用于各种空间和非空间分析的信息数据，同时保护数据主体身份和属性的机密性。通常情况下，数据管理员通过粗化已发布地理位置的分辨率来应对这一挑战，并根据需要扰乱机密属性。当以高强度完成时，这些编辑策略可能导致发布的数据分析质量较差。我们提出了一种基于完全合成数据的替代传播方法。我们使用标记点过程模型生成数据，该模型可以保持机密数据的统计特性和空间依赖结构。我们说明的方法，使用数据组成的死亡率记录从达勒姆，北卡罗来纳州。
2014-07-29 stat.ME
Bayesian Estimation of Attribute Disclosure Risks in Synthetic Data with the $\texttt{AttributeRiskCalculation}$ R Package
合成数据在许多情况下都是一种很有前途的隐私保护方法。贝叶斯合成模型，也称为合成器，模拟敏感变量的后验预测分布的合成值。然后，可以发布由此产生的合成数据来代替机密数据。合成数据发布前的一个重要评估是其隐私保护水平，通常以披露风险评估的形式进行。属性泄露是指入侵者正确推断合成记录的机密值，是一种具有挑战性的计算评估的泄露类型。本文以常用的贝叶斯综合器为例，详细回顾和讨论了属性信息披露风险评估的贝叶斯估计方法。我们创建的$\texttt{AttributeRiskCalculation}$ R包，以促进其实施，并证明其功能的例子，评估属性披露风险的合成样本的消费者支出调查。
2021-03-17 stat.CO stat.ME
Transformations in Semi-Parametric Bayesian Synthetic Likelihood
贝叶斯合成似然（Bayesian synthetic likelihood，BSL）是一种在似然函数难以处理的情况下进行近似贝叶斯推断的常用方法。在合成似然方法中，似然函数通过模型模拟进行参数近似，然后使用标准的基于似然的技术来执行推断。高斯合成似然估计已成为无处不在的BSL文献，主要是因为它的简单性和易于实现。然而，它通常限制性太强，并可能导致较差的后验近似。最近，一个更灵活的半参数贝叶斯合成似然（semiBSL）估计已被引入，这是显着更强大的不规则分布的汇总统计量。在这项工作中，我们提出了一些扩展semiBSL。首先，我们考虑使用变换核密度估计的边缘分布的更灵活的估计。其次，我们提出了白化semiBSL（wsemiBSL）-显着提高semiBSL的计算效率的方法。wsemiBSL在每次算法迭代时使用近似白化变换来解相关汇总统计量。本文开发的方法显着提高了BSL算法的通用性和效率。
2020-07-03 stat.CO stat.ME
An Improved and Extended Bayesian Synthetic Control
提出了一种改进和扩展的贝叶斯综合控制模型，扩展了Tuomaala 2019年的潜在因素模型。我们所做的更改包括：1）在模型拟合之前对数据进行标准化-这可以提高不同数据集的效率和泛化能力; 2）添加随时间变化的协变量; 3）添加具有多个治疗单位的能力; 4）在贝叶斯模型中拟合潜在因子;以及5）在自动调整潜在因子数量之前引入稀疏性。我们证明了估计值与Abadie，Diamond和Hainmueller 2010和Abadie，Diamond和Hainmueller 2015中的两个传统合成控制研究的相似性，并扩展到多个目标系列，其中一个新的例子是根据数字隐私法导致的数据收集变化估计数字网站访问量。
2021-03-30 stat.AP stat.ME
Bayesian shrinkage priors for penalized synthetic control estimators in the presence of spillovers
本文提出一种基于效用收缩先验的贝叶斯合成控制框架，通过结合协变量相似性和空间距离的效用函数，在存在溢出效应时平衡偏差与方差，从而更准确地估计政策干预的因果效应。
2025-11-03 stat.ME
Bayesian Synthetic Likelihood
本文介绍贝叶斯合成似然（BSL）方法，用于似然不可计算但可模拟的模型中的后验推断，并概述其可扩展稳健的扩展。
2023-05-10 stat.CO stat.ME
Bayesian Data Synthesis and the Utility-Risk Trade-Off for Mixed Epidemiological Data
流行病学研究中使用的许多微观数据都包含对真实个体的敏感测量。因此，出于隐私考虑，这些微观数据不能公布，使任何已公布的关于这些数据的统计分析几乎不可能复制。为了在不损害个人隐私的情况下促进关键数据集的传播，我们引入了一个有凝聚力的贝叶斯框架，用于生成混合分类，二进制，计数和连续变量的全合成，高维微数据集。这个过程围绕着一个联合贝叶斯模型，该模型同时兼容所有这些数据类型，从而能够通过后验预测采样创建混合合成数据集。此外，流行病学数据分析的一个重点是通过回归分析研究各种暴露与关键结果变量之间的条件关系。我们设计了一个修改后的数据合成策略，目标和保存这些条件关系，包括非线性和相互作用。所提出的技术被部署来创建一个机密数据集的合成版本，该数据集包含近20，000名北卡罗来纳州儿童的数十项健康，认知和社会测量。
2022-01-19 stat.ME
Bayesian and Frequentist Inference for Synthetic Controls
本文刻画线性因子模型中风险最小化权重成为合成控制的条件，提出可有效推断的贝叶斯合成控制方法，并证明其与 MLE 的渐近等价及稀疏模拟收敛，且用于两项实证研究。
2024-07-07 econ.EM stat.ME
Bayesian Regression and Classification Using Gaussian Process Priors Indexed by Probability Density Functions
在本文中，我们引入的概念，高斯过程的指标的概率密度函数扩展的Matérn家庭的协方差函数。我们使用一些工具，从信息几何，以提高效率和计算方面的贝叶斯学习模型。我们特别展示了如何贝叶斯推断与高斯过程先验（协方差参数估计和预测）可以付诸行动的概率密度函数的空间。我们的框架有能力分类和推断的数据观测，躺在非线性子空间。多个合成，半合成和真实数据上的大量实验表明，与当前最先进的方法相比，所提出的方法的有效性和效率。
2020-11-06 stat.ME
Synthetic likelihood in misspecified models
Monash University（莫纳什大学）；National University of Singapore（新加坡国立大学）；Queensland University of Technology（昆士兰科技大学）
研究分析了在模型不恰当情况下合成似然后验行为，揭示其可能呈现非标准特性如多模态和非高斯性，并指出传统鲁棒方法在合成似然中的不足。
2026-04-16 math.ST stat.ME stat.TH
On Consistent Bayesian Inference from Synthetic Data
本文研究如何从合成数据中获得一致的贝叶斯推断，证明在模型兼容条件下混合多个大规模合成数据集的后验样本可收敛到下游分析的后验，并展示了理论应用及失效情形。
2023-10-31 math.ST stat.ME stat.TH
Bayesian Nonparametric Common Atoms Regression for Generating Synthetic Controls in Clinical Trials
本研究提出贝叶斯非参数公共原子回归模型，利用电子健康记录为单臂临床试验构建合成对照臂，模拟实验显示其检测治疗效应效力更优，已应用于胶质母细胞瘤研究补充对照。
2023-05-06 stat.AP stat.ME
Robust Approximate Bayesian Inference with Synthetic Likelihood
贝叶斯合成似然（BSL）是一种用于在模型中进行近似贝叶斯推断的成熟方法，其中，由于似然函数的棘手性，精确贝叶斯方法要么是不可行的，要么是计算量太大。BSL应用中隐含的假设是，数据生成过程（DGP）可以生成模拟汇总统计量，以捕获观察到的汇总统计量的行为。我们证明，如果实际和假设的DGP之间的兼容性不满足，即，如果模型被错误指定，BSL会产生不可靠的参数推断。为了规避这个问题，我们提出了一个新的BSL方法，可以检测模型的误指定的存在，并同时提供有用的推论，即使在显着的模型误指定。两个模拟和两个真实数据的例子证明了这种新的方法BSL的性能，并证明其优越的精度比标准BSL时，假设的模型是错误的。
2020-06-11 stat.AP stat.CO stat.ME
Foundations of Bayesian Learning from Synthetic Data
Department of Statistics（统计系）；Barcelona GSE（巴塞罗那经济学院）；University of Warwick（华威大学）；Universitat Pompeu Fabra（庞培法布拉大学）；Mathematics Institute（数学研究所）；University of Oxford（牛津大学）；The Alan Turing Institute（阿兰·图灵研究所）
在真实数据的发布由于隐私或可用性约束而受到限制的环境中，使用合成数据作为机器学习的使能者存在显著增长和兴趣。尽管有大量的合成数据生成的方法，有相对较少的结果对合成数据上学习的模型的统计特性，更少的情况下，研究人员希望增加真实数据与另一方的合成数据。我们使用贝叶斯范式来验证在这些设置中学习时模型参数的更新，表明在应用常规学习算法而不适当考虑合成数据生成过程和学习任务时应谨慎。最近的结果一般贝叶斯更新支持一种新的和强大的方法贝叶斯综合学习决策理论的基础上，优于标准的方法在重复实验的监督学习和推理问题。
2020-11-24 cs.LG stat.AP 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
A normal-inverse-Wishart (NIW) Bayesian synthesizer for multivariate normal data with application to polygenic risk scores
Aalborg University（奥尔堡大学）；Aalborg University Hospital（奥尔堡大学医院）
本文提出基于正态-逆Wishart先验的多元正态数据贝叶斯合成器，揭示合成数据泄露风险与原始数据集规模、特征维度及合成信息量的关系，并将其应用于多基因风险评分数据集生成。
2026-09-03 math.PR stat.ME
Robust Bayesian Synthetic Likelihood via a Semi-Parametric Approach
贝叶斯合成似然（BSL）是一种成熟的方法，用于对不具有易处理的似然函数的基于模拟的模型进行近似贝叶斯参数估计。BSL近似一个棘手的似然函数的一个精心选择的汇总统计量的参数值与多元正态分布。该正态分布的均值协方差阵是根据模型的独立模拟估计的。由于BSL中隐含的参数假设，在某些对高维汇总统计量感兴趣的应用中，它可能优于其非参数竞争对手，近似贝叶斯计算。然而，尽管BSL的几个成功的应用，它在科学领域的广泛使用可能会受到阻碍的强正态性假设。在本文中，我们开发了一个半参数的方法，放松这一假设在一定程度上，并保持计算优势的BSL没有任何额外的调整。我们测试我们的新方法，semiBSL，在几个具有挑战性的例子，涉及模拟和真实数据，并证明semiBSL可以显着更强大的BSL和文献中的另一种方法。
2019-10-03 stat.CO stat.ME
Comparing Bayesian Dynamic Borrowing and Synthetic Control Methods: Apples to Oranges?
本研究比较了贝叶斯动态借用与合成控制方法在儿童异位性皮炎中的性能，发现合成控制方法在统计功效上略优，但I型错误率相近，选择方法需根据具体需求而定。
2026-09-11 stat.ME
Bayesian inference on the exponentiated Kumaraswamy distribution with applications
School of Mathematical and Physical Sciences The University of Sheffield, UK（谢菲尔德大学数学与物理科学学院）
研究指数化库马尔斯瓦米分布的贝叶斯估计，基于尺度-位置参数化，通过分层弱信息先验设置解决可识别性问题，用HMC实现，为从业者提供工具并在合成与真实数据上说明。
2026-08-25 stat.ME
Bayesian Sequential Experimental Design for a Partially Linear Model with a Gaussian Process Prior
研究了在高斯过程先验下估计部分线性模型参数分量的序贯试验设计问题。我们考虑一个主动学习设置，实验者自适应地决定收集哪些数据，以有效地实现他们的目标。实验者的目标可能会有所不同，例如降低分类错误概率或提高估计数据生成过程的参数的准确性。本研究旨在提高部分线性模型参数分量估计的精度。在某些假设下，部分线性模型的参数分量可被视为因果参数，即平均处理效应（ATE）或平均因果效应（ACE）。我们提出了一个贝叶斯序贯试验设计算法的部分线性模型与高斯过程先验，这也被认为是一个序贯试验设计定制的ATE或ACE的估计。我们通过数值实验的基础上合成和半合成数据所提出的方法的有效性。
2022-11-04 stat.ME
Empowering Differential Networks Using Bayesian Analysis
差分网络（DN）是模拟多个样本之间条件依赖关系变化的重要工具。贝叶斯方法估计DN，从经典的观点，介绍了一个计算效率的阈值选择图形模型的确定。该算法分别估计精度矩阵的DN使用贝叶斯自适应图形套索过程。合成实验表明，贝叶斯DN执行异常良好的数值精度和图形结构的确定相比，国家的最先进的方法。将所提出的方法应用于南非COVID- $19$数据，以研究大流行不同阶段之间DN结构的变化。
2021-05-28 stat.ME
Bayesian inference using synthetic likelihood: asymptotics and adjustments
在涉及复杂模型的应用中，实现贝叶斯推断通常在计算上具有挑战性，有时计算可能性本身也很困难。当可能性难以处理时，合成可能性是一种进行推理的方法，但从模型进行模拟是直接的。该方法通过将向量汇总统计量视为多变量正态分布来构建近似似然，其中未知均值和协方差阵通过模拟对任何给定参数值进行估计。本文有三个贡献。第一个表明，如果汇总统计量满足中心极限定理，则合成似然后验是渐近正态的，并产生具有正确频率覆盖水平的可信集。这一结果与近似贝叶斯计算结果相似。第二个贡献比较贝叶斯合成似然和近似贝叶斯计算的计算效率使用的接受概率拒绝和重要性抽样算法与"好"的建议分布。我们表明，贝叶斯合成似然比近似贝叶斯计算更有效的计算，并表现出类似的回归调整近似贝叶斯计算。基于渐近结果，第三个贡献，提出使用调整的推断方法时，可能误指定的形式，假定为合成似然的协方差阵，如对角或因子模型，以加快计算。该方法说明了一些模拟和真实的例子。
2021-03-12 stat.CO
Efficient Bayesian synthetic likelihood with whitening transformations
无似然方法是一种已建立的方法，用于对具有难处理的似然函数的模型执行近似贝叶斯推断。然而，它们可能需要计算。贝叶斯综合似然（Bayesian synthetic likelihood，BSL）是一种流行的方法，它用已知的、易处理的分布（通常是高斯分布）近似概括统计量的似然函数，然后使用标准的基于似然的技术执行统计推断。然而，随着汇总统计量的增加，精确估计该可能性的协方差阵所需的模型模拟数量迅速增加。这对BSL的应用提出了重大挑战，特别是在模型模拟昂贵的情况下。在这篇文章中，我们提出了白化BSL（wBSL）-一个有效的BSL方法，使用近似白化变换去相关的汇总统计在每个算法迭代。我们的经验表明，这可以减少所需的模型模拟实现BSL的数量超过一个数量级，而不会损失太多的准确性。我们探索了一系列的白化程序，并展示了一系列的模拟和真实的建模方案，从生态学和生物学的wBSL的性能。
2020-02-01 stat.CO stat.ME stat.ML
Mechanisms for Global Differential Privacy under Bayesian Data Synthesis
本文提出将贝叶斯合成模型转化为差分隐私机制的新方法，通过截断似然与向量加权伪后验机制结合，在最小化后验失真的同时实现严格的非渐近全局差分隐私保证。
2023-08-03 stat.ME
Bayesian estimators of the Gamma distribution
在本文中，我们介绍了两个贝叶斯估计学习的参数Γ分布。第一个算法使用一个众所周知的非归一化共轭先验的Gamma形状和第二个使用一个非线性近似的可能性和先验的形状是共轭的近似的可能性。在这两种情况下，使用拉普拉斯近似来计算所需的期望值。我们进行了理论上的比较，最大似然和贝叶斯算法，使我们能够提供非信息参数值的先验超参数。我们还提供了一个数值比较使用合成数据。这些新的贝叶斯估计的引入打开了包括Γ分布到更复杂的贝叶斯结构，例如变分贝叶斯混合模型的可能性。
2016-07-12 stat.ME
Patient stratification in multi-arm trials: a two-stage procedure with Bayesian profile regression
精准医学是一个新兴领域，它考虑到个体异质性，为更好的临床实践提供信息。在临床试验中，评价处理效应异质性是一个重要组成部分，最近，已经提出了许多统计方法，用于根据这种异质性将患者分为不同的亚组。然而，大多数为此目的开发的现有方法集中在二分治疗的情况下，并不直接适用于多组试验。在本文中，我们考虑在多组试验设置的患者分层的问题，并提出了一个两阶段的贝叶斯非参数框架内的程序。具体来说，我们首先使用贝叶斯加性回归树（BART）来预测每个患者在不同治疗方案下的潜在结果（治疗反应），然后我们利用贝叶斯轮廓回归根据患者的基线特征和预测的潜在结果将其聚类为亚组。我们进一步嵌入变量选择程序到我们提出的框架，以确定积极“驱动”的聚类结构的患者特征。我们进行模拟研究，以检查我们提出的方法的性能，并通过将其应用于英国的多臂献血试验来证明该方法，其中我们的方法揭示了五个有临床意义的供体亚组。
2023-02-22 stat.AP stat.ME
Bayesian Synthetic Control with a Soft Simplex Constraint
Texas A&M University（德州农工大学）
本文提出一种贝叶斯合成控制法，结合软单纯约束与尖峰-层变量选择，以提高高维数据下的反事实估计效率，并在理论和实证上验证其有效性。
2025-12-01 econ.EM stat.AP stat.ME
Corrected score methods for estimating Bayesian networks with error-prone nodes
出于使用有噪声的流式细胞术数据推断细胞信号网络的动机，我们开发了基于易错数据的贝叶斯网络推断程序。基于惩罚估计方法，提出了两种用于推断网络中节点之间因果关系的方法，该方法考虑了测量误差并鼓励稀疏性。我们讨论了建议的网络估计的一致性，并开发了一种方法来选择调整参数的惩罚估计方法。进行了实证研究，以比较所提出的方法和天真的方法，忽略测量误差与应用程序的合成数据和单细胞流式细胞术数据。
2020-02-10 stat.ME
A synthetic likelihood-based Laplace approximation for efficient design of biological processes
用于描述流行病学和生态学中的生物过程的复杂模型通常具有计算上难以处理或昂贵的可能性。这对贝叶斯推断提出了重大挑战，但更重要的是在实验设计方面。贝叶斯设计是通过在设计空间上最大化效用函数的期望来发现的，通常这需要从大量的后验分布中采样或近似。这使得在推理中采用的计算方法在设计中不可行。因此，在这些领域的最佳设计已被限制到一个小的尺寸或有限的范围内的效用函数。为了克服这些限制，我们提出了一个合成的基于似然的拉普拉斯近似近似效用函数的模型与棘手的似然。如将看到的，所提出的近似是灵活的，因为可以考虑广泛的效用函数，并且在高维中保持计算效率。为了探讨这种近似的有效性，从流行病学的一个说明性的例子被认为是。然后，我们的方法是用来设计实验，从流行病学和生态学的两个激励应用程序中的相对大量的观察。
2019-03-11 stat.ME
Bayesian Pseudo Posterior Mechanism under Asymptotic Differential Privacy
我们提出了一个贝叶斯伪后验机制来生成记录级的合成数据库配备了$(ε,δ)-$概率差分隐私（pDP）的保证，其中$δ$表示的概率，任何观察到的数据库超过$ε$。伪后验机制采用数据记录索引的、基于风险的权重向量，其权重值为$\in [0, 1]$，该权重值对用于模型估计的高风险记录的可能性贡献进行了外科手术式的降权，并生成用于公开发布的记录级合成数据。伪后验合成器在对数伪似然效用函数下使用该记录的Lipschitz界为每个数据记录构造权重，该对数伪似然效用函数概括了用于构造正式私有数据生成机制的指数机制（EM）。通过选择权重来去除具有非有限对数似然值的似然贡献，我们保证了我们的伪后验机制在每个样本量的有限局部隐私保证。我们的研究结果可以应用到\emph{any}合成模型所设想的数据传播者在计算上易于处理的方式，只涉及估计的伪后验分布的参数，$θ$，不像最近的方法，使用自然界的效用函数，通过EM实现。我们指定温和的条件，保证渐近收缩的$δ$到$0$在数据库的空间。我们说明了我们的伪后验机制敏感的家庭收入变量从消费者支出调查数据库公布的美国劳工统计局。我们表明，由于我们使用了有针对性的降权，与EM相比，我们的伪后验机制在合成数据中更好地保留了效用，这两种机制都使用相同的非私有合成器进行估计。
2021-08-13 stat.ME
Spillover Detection for Donor Selection in Synthetic Control Models
针对合成控制模型中潜在供体可能受干预溢出影响的问题，提出一种有理论依据的数据驱动供体选择与偏差界定方法，并利用被排除供体进一步去偏。
2024-06-17 stat.ME stat.ML
Wasserstein Gaussianization and Efficient Variational Bayes for Robust Bayesian Synthetic Likelihood
针对贝叶斯合成似然（BSL）的正态分布假设偏差及统计量兼容性需求，结合Wasserstein高斯化变换、鲁棒BSL与高效变分贝叶斯，提出一种高效可靠的无似然近似贝叶斯推断方法。
2024-08-15 stat.CO stat.ML
Non parametric Bayesian approach to LR assessment in case of rare haplotype match
对犯罪现场发现的污点的DNA图谱与嫌疑人（先前已确定）的DNA图谱之间的匹配进行评估涉及使用未知参数$p=(p_1, p_2, ...)$（表示潜在供体群体中不同DNA图谱的比例的有序向量）和不同DNA类型的名称。我们提出了一种贝叶斯非参数方法，认为$P$作为一个随机变量分布根据两个参数的泊松Dirichlet分布，并丢弃有关的DNA类型的名称的信息。该模型的最终目标是评估罕见类型情况下的DNA匹配，即嫌疑人的轮廓与犯罪污点轮廓匹配，而不是参考数据库中的那些轮廓之一的情况。
2015-09-18 stat.AP
Bayesian design of synthetic biological systems
在这里，我们介绍了一个新的设计框架，合成生物学，利用贝叶斯模型选择的优势。我们将论证推理和设计之间的区别在于，在前者中，我们试图重建产生我们观察到的数据的系统，而在后者中，我们试图构建产生我们想要观察的数据的系统，即期望的行为。我们的方法使我们能够利用贝叶斯统计的方法，包括有效探索模型空间和高维参数空间，以及根据模型生成某些类型数据的能力对模型进行排名的能力。此外，贝叶斯模型选择自动地在数学模型的复杂性和（预测或解释）性能之间取得平衡。为了处理分子系统的复杂性，我们采用了近似贝叶斯计算方案，它只需要我们从不同的竞争模型进行模拟，以达到在它们之间进行选择的合理标准。我们说明了结合设计和建模（或在硅片原型）阶段，目前被视为独立的合成生物学参考确定性和随机模型系统表现出自适应和开关样行为，以及细菌的双组分信号系统的优势。
2011-03-05 q-bio.MN stat.AP
Robust Synthetic Control
我们提出了一个强大的推广的合成控制法的比较案例研究。像经典的方法，我们提出了一个算法来估计不可观察的反事实的治疗单位。我们的算法的一个显着特点是通过奇异值阈值对数据矩阵进行去噪，这使得我们的方法在多个方面具有鲁棒性：它自动识别供体的良好子集，克服了缺失数据的挑战，并在可能不提供协变量信息的情况下继续良好地工作。首先，我们建立的条件下，在合成控制类方法的基本假设成立，即当治疗单位和捐助者池之间的线性关系在干预前和干预后的时期普遍存在。我们提供了第一个有限样本分析的更广泛的一类模型，潜变量模型，在文献中先前考虑的因素模型。此外，我们表明，我们的去噪过程准确地估算缺失的条目，产生一致的估计的基础信号矩阵提供$p = Ω( T^{-1 + ζ})$的一些$ζ> 0$ ;在这里，$p$是观察到的数据和$T$的分数是感兴趣的时间间隔。在相同的设置下，我们证明了我们的预测估计的均方误差（MSE）尺度为$O(σ^2/p + 1/\sqrt{T})$，其中$σ^2$是噪声方差。使用数据聚合的方法，我们表明，MSE可以小到$O(T^{-1/2+γ})$的任何$γ\in (0, 1/2)$，导致一致的估计。我们还引入了贝叶斯框架，通过后验概率来量化模型的不确定性。我们的实验，使用真实世界和合成数据集，表明我们的鲁棒推广产生了改进的经典合成控制法。
2017-11-18 econ.EM stat.AP stat.ML
Modeling Efficiency of Foreign Aid Allocation in Malawi
开放援助马拉维倡议收集了一个前所未有的数据库，为自2003年以来向马拉维提供的2 500多笔个人外国援助捐款中的每一笔捐款确定尽可能多的具体地点信息。确保有效使用和分配这些援助对捐助者和马拉维公民都很重要。然而，由于捐助方的目标不同，而且难以跟踪捐助方的协调情况，因此很难确定是否有有效的援助分配。我们比较了几个贝叶斯空间广义线性混合模型的援助分配的各种经济指标在七个捐赠部门。我们发现，空间伽玛回归模型最好地预测目前的援助分配。使用这个模型，首先，我们使用系数的推论，以检查是否有证据表明，有效的援助分配在每个部门。其次，我们使用这个模型来确定一个更有效的援助分配方案，并将此方案与当前的分配方案进行比较，为未来的援助捐款提供见解。
2017-11-01 stat.AP
BSL: An R Package for Efficient Parameter Estimation for Simulation-Based Models via Bayesian Synthetic Likelihood
贝叶斯合成似然（Bayesian synthetic似然函数，BSL）是一种用于估计复杂统计模型和随机过程的参数后验分布的常用方法。BSL通过模型模拟和密度估计来近似一个明智选择的数据汇总统计量的可能性，而不是评估可能性。与近似贝叶斯计算（ABC）等替代方法相比，当所选汇总统计量为高维时，BSL需要很少的调整，并且需要比ABC更少的模型模拟。原始的合成似然依赖于一个多元正态近似的棘手的可能性，其中的平均值和协方差估计模拟。BSL的扩展考虑用惩罚协方差估计量替换样本协方差，以减少所需模型模拟的数量。此外，半参数方法已被开发来放松正态性假设。在本文中，我们提出了一个名为BSL的R包，它将上述方法合并到一个单一的，易于使用的和连贯的软件中。R包还包括几个示例来说明如何使用该包并演示方法的实用性。
2019-07-25 stat.AP stat.CO stat.ML
Bayesian Nonparametric Quasi Likelihood
本文提出 Wedderburn 拟似然的贝叶斯非参数扩展，利用贝叶斯加性回归树建模均值函数，为异方差等复杂数据提供统一高效的推断框架，并解决了散度参数的推断难题。
2024-05-31 stat.ME stat.OT
Bayesian Optimization for Synthetic Gene Design
我们使用贝叶斯优化解决合成基因设计问题。设计基因时的主要问题是设计空间是根据不同长度的长字符串定义的，这使得优化变得难以处理。我们建议分三步处理这个问题。首先，我们使用一个高斯过程模型来模拟细胞的行为。作为模型的输入，我们使用一组具有生物学意义的基因特征，这使我们能够定义最佳的基因设计规则。基于模型的输出，我们定义了一个多任务采集功能，同时优化感兴趣的几个方面。最后，我们定义了一个评价函数，它允许我们对与最优设计策略一致的候选基因序列进行排序。我们说明了这种方法在一个真正的基因设计实验与哺乳动物细胞的性能。
2015-05-07 stat.ML
A Synthetic Reliability-Aware PINN Benchmark for Offshore Wind Turbine Support-Structure Monitoring with Bayesian Inverse Identification
School of Artificial Intelligence and Data Science, Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校人工智能与数据科学学院）；School of Management and Entrepreneurship, Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校管理与创业学院）
提出Digi Turbine基准，结合物理信息神经网络、贝叶斯逆识别和FORM筛选，用于海上风机单桩支撑结构监测，验证基于NREL 5MW参考风机。
2026-06-24 cs.CL stat.CO
Bayesian Pseudo Posterior Synthesis for Data Privacy Protection
统计机构利用模型合成响应级别的数据，作为实际数据记录的替代方案向公众发布。贝叶斯模型合成器通过采用分层先验构造来编码隐私保护，该分层先验构造引起真实数据分布的平滑。由于研究人员和数据分析师的许多可能用途，合成响应级数据记录通常比汇总数据表更受欢迎。各机构在综合数据的效用与披露风险之间进行权衡，并在发布综合数据集之前为披露风险设定具体的目标阈值。我们引入了一个伪后验似然，它通过（0，1）中的观察记录索引权重对每个贡献进行指数化，定义为与合成数据中该记录的披露风险成反比。我们使用的向量的权重允许更精确的降权的高风险记录的方式，更好地保留效用相比，使用标量权重。我们说明了我们的方法与模拟研究和应用程序的消费者支出调查的美国劳工统计局。我们演示了如何频率的一致性和不确定性量化的影响，由逆风险加权。
2020-05-15 math.ST stat.AP stat.ME
The Bayesian Synthetic Control: Improved Counterfactual Estimation in the Social Sciences through Probabilistic Modeling
社会科学家经常研究政策改革如何影响单个目标国家。越来越多地使用综合控制方法（SCM）来实现这一点。SCM将一国的反事实（非改革或未经处理）轨迹建模为其他国家结果的加权平均值。该方法努力量化不确定性;例如。它不能产生置信区间。也有过度拟合的嫌疑。我们提出了一种替代方法，贝叶斯综合控制（BSC），它没有这些缺陷。使用MCMC采样，我们实现了两个先前研究的数据集的方法。所提出的方法优于SCM在一个简单的测试中的预测准确性，并提出了一些怀疑的意义上的先前的调查结果。研究的改革是1990年的德国统一和1988年的加利福尼亚州烟草立法。平衡计分卡从供应链管理文献中借用了其因果模型，即线性潜在因素模型。与SCM不同，BSC通过降维明确地估计潜在因素。所有的不确定性都被捕获在后验分布中，因此，与SCM不同，可信区间很容易导出。此外，BSC的目标面板数据集的可靠性，可以通过后验预测检查进行评估; SCM和它的frequentist衍生物使用所需的信息，同时测试统计学意义。
2019-10-14 stat.AP
Bayesian inference of scaled versus fractional Brownian motion
本文提出了一种尺度布朗运动的贝叶斯推断方法，并在与分数布朗运动联合推断的情况下，研究了该方法在参数估计和模型选择中的性能。我们包括在这两个模型中的测量噪声的可能性。我们发现，对于几百个时间点的轨迹，该程序能够很好地解决真实的模型和参数。利用合成数据生成过程的先验信息进行推理，该方法是基于决策理论的最优方法。我们包括一个比较与推理使用的数据生成一个不同的先验。
2022-05-12 cond-mat.stat-mech physics.data-an q-bio.QM
A Bayesian Approach to Approximate Joint Diagonalization of Square Matrices
Dalian University of Technology（大连理工大学）；University College London（伦敦大学学院）
我们提出了一个贝叶斯方案的近似对角化的几个方阵不一定是对称的。一个吉布斯采样器来模拟这些矩阵的共同特征向量和特征值的样本。几个合成的例子来说明所提出的吉布斯采样器的性能，然后我们提供了几个其他联合对角化算法，这表明吉布斯采样器实现了国家的最先进的性能的例子考虑的比较。作为一个副产品，吉布斯采样器的输出可以用来估计对数边际似然，但是我们采用基于贝叶斯信息准则（BIC）的近似，在合成的例子中，它被认为正确地定位了公共特征向量的数量。然后，我们成功地应用采样器的源分离问题，以及常见的主成分分析和常见的空间模式分析问题。
2012-06-18 cs.LG stat.CO stat.ME
A Bayesian Nonparametric Approach to Dynamical Noise Reduction
基于马尔可夫链蒙特卡罗方法（MCMC），提出了一种贝叶斯非参数降噪方法，用于对被动态噪声污染的混沌时间序列进行降噪.潜在的未知噪声过程（可能）表现出重尾行为。我们介绍了动态降噪复制器（DNRR）模型，我们重建未知的动态方程，并在并行我们复制的动态降低噪声水平的动态扰动。动态噪声降低过程中，具体证明了在多项式映射的情况下。基于合成时间序列的仿真。
2018-02-17 nlin.CD stat.ME
Risk-Set Transported Synthetic Control with Difference-in-Differences Adjustment under Staggered Treatment Adoption
University of Calgary（卡尔加里大学）
针对交错处理下供体集收缩问题，提出RT-SC-DiD方法，通过向转移参考收缩权重并加双重差分校正，降低反事实估计误差，实验验证其有效性。
2026-09-18 cs.AI econ.EM q-fin.ST
Privacy Protection for Youth Risk Behavior Using Bayesian Data Synthesis: A Case Study to the YRBS
大量公开的调查数据集种类繁多，虽然有用，但引起了受访者对隐私的担忧。数据隐私和保密性的合成数据方法已被证明在隐私保护和效用维护方面是有用的。本文旨在说明如何合成数据可以促进高度敏感的信息传播的青年风险行为的样本的青年风险行为调查（YRBS）的合成数据的案例研究。鉴于YRBS中几乎所有变量的分类性质，采用Dirichlet过程多项乘积混合（DPMPM）合成器对YRBS样本进行部分合成。对效用和披露风险的详细评估表明，与YRSB机密样本相比，生成的合成数据能够显着降低披露风险，同时保持高水平的效用。
2022-05-22 stat.AP
Bayesian emulation for optimization in multi-step portfolio decisions
本文讨论了金融时间序列中多步投资组合研究的贝叶斯仿真计算方法。“决策的贝叶斯仿真”涉及将决策分析问题的技术结构映射到纯合成“仿真”统计模型中的贝叶斯推断。这提供了访问标准的后验分析，模拟和优化方法，产生决策问题的间接解决方案。我们在时间序列投资组合分析中使用经济和心理相关的多步投资组合效用函数。多变量货币，商品和股票指数时间序列的研究说明了这种方法，并显示了贝叶斯仿真方法的一些实际效用和好处。
2016-07-06 stat.AP stat.ME
A Bayesian algorithm for retrosynthesis
The Institute of Statistical Mathematics, Research Organization of Information and Systems（信息系统研究机构统计数学研究所）；Daicel Corporation（大赛璐公司）
以所需产物结束的合成路线的鉴定一直是固有的耗时过程，其在很大程度上依赖于关于整个反应空间的有限部分的专业知识。目前，新兴的机器学习技术正在颠覆逆合成规划的过程。本研究的目的是发现从给定的所需分子到市售化合物的反向合成路线。该问题被减少到一个组合优化任务的解决方案空间的组合复杂性的所有可能的购买反应物对。我们解决这个问题的框架内的贝叶斯推断和计算。工作流程包括两个步骤：训练深度神经网络，以高精度向前预测给定反应物的产物，然后通过条件概率的贝叶斯定律将该向前模型反转为向后模型。使用后向模型，一组不同的高度可能的反应序列结束一个给定的合成目标是详尽的探索使用蒙特卡罗搜索算法。贝叶斯逆合成算法可以成功地重新发现80.3%和50.0%的已知的合成路线的一步和两步反应的前10名的准确性，分别，从而优于国家的最先进的算法的整体准确性。值得注意的是，蒙特卡罗方法，这是专门设计的存在不同的多个路线，往往揭示了一个排名名单的数百个反应路线相同的合成目标。我们研究了基于合成有机化学专业知识的这些不同候选物的潜在适用性。
2020-03-06 cs.LG physics.chem-ph stat.ML
Bayesian Inference and Decision Audits for Public Archives of Frontier AI Evaluations
Yanan Long
本文通过贝叶斯推断和审计方法，分析公共AI评估档案中的选择性报告和缺失数据，发现单一终端记录与多种历史路径兼容，并验证了审计门限对虚假声明的过滤作用。
2026-06-16 cs.AI stat.ME
Degrees of Freedom and Information Criteria for the Synthetic Control Method
Rice University（莱斯大学）；Northwestern University（西北大学）；University of California, Berkeley（加州大学伯克利分校）
本文研究了合成控制法的度数与信息准则，用于选择惩罚变体的调节参数和加权矩阵，通过实验证明信息准则在模型选择中优于交叉验证。
2026-03-11 econ.EM stat.ME
The Harmonic Synthetic Control Method
Haas School of Business, University of California, Berkeley（加州大学伯克利分校哈斯商学院）；Stanford University（斯坦福大学）
本文提出谐波合成控制法（HSC），通过软分配机制替代二元选择，联合估计供体权重和被处理单位的平滑残差成分，并利用时间序列预测器外推残差成分。HSC通过滚动原点交叉验证选择调节参数，平衡供体匹配与预测。通过频谱解释显示HSC在供体匹配中降低低频残差成分，并将其分配给预测分支。蒙特卡洛实验表明HSC能适应不同 regime，而在随机趋势主要为共同或异质时表现良好。
2026-05-19 econ.EM stat.ME
