XiaoMi-AI文件搜索系统
World File Search System随机模型
EMT 和 CSC 在癌症中的相互作用及潜在的治疗策略
细胞类型在人体内转换，通过分子谱识别，并导致人类疾病（Regev et al., 2017）。上皮-间质转化（EMT）被定义为细胞表型从上皮型变为间质型，N-钙粘蛋白和波形蛋白高表达，发生在正常细胞和癌细胞等各种条件下（Tanabe, 2015a; Noh et al., 2017）。EMT 在细胞过程中发挥各种作用，如迁移、细胞外基质 (ECM) 改变和细胞凋亡 (Song and Shi, 2018; Peixoto et al., 2019)。EMT 还能驱动细胞可塑性并导致肿瘤内异质性 (Krebs et al., 2017; Wahl and Spike, 2017)。癌症在不同恶性阶段存在实体特异性差异和群体多样性 ( Dawood 等，2014；Fatima 等，2019 )。癌症干细胞 (CSC)，即癌症中的干细胞群体，可通过 CD44 等标志物检测，而迄今为止尚未确定 CSC 的独特标志物 ( Yan 等，2015；Ghuwalewala 等，2016 )。癌症产生的两种可能性，例如随机模型和层次模型，已被长期讨论，但仍然存在争议。CSC 由具有干细胞样特征的癌细胞组成，这些癌细胞具有自我更新、在癌细胞中分化的能力 ( Sato 等，2016 )。此外，已知一些 CSC 群体具有 EMT 样细胞特征 ( Shibue and Weinberg，2017 )。 EMT 和 CSC 之间的潜在联系是癌症药物耐药性获得的关键，也是癌细胞可塑性的关键，癌细胞可塑性是指癌细胞转化为恶性细胞，反之亦然 ( Loret et al., 2019 )。要揭示癌症药物耐药性的机制，必须了解 EMT 和 CSC 的特征
疫苗 - WRAP：沃里克
血吸虫病是影响 79 个不同国家数百万人的最重要的被忽视的热带病 (NTD) 之一。世界卫生组织 (WHO) 已指定到 2020 年和 2025 年要实现的两个控制目标 - 发病率控制和消除作为公共卫生问题 (EPHP)。大规模药物管理 (MDA) 是控制血吸虫病的主要方法，但有时很难确保每年或每两年提供足够的最有效药物吡喹酮来治疗数百万感染者，也无法在地方性感染地区的目标社区实现高治疗覆盖率。开发替代控制方法仍然是当务之急。在本文中，我们使用基于个体的随机模型，分析单独添加新型疫苗或与药物治疗相结合是否是更有效的控制策略，以实现 WHO 目标，以及与单独使用 MDA 相比实现这些目标的时间和成本。我们分析的主要目的是帮助促进决策，以便将有前途的候选疫苗通过 I、II 和 III 期人体试验，转化为最终产品，供资源匮乏的环境使用。我们发现，在低到中等传播环境中，疫苗接种和 MDA 都极有可能在 15 年内实现世卫组织的目标，而且可能具有成本效益。在高传播环境中，仅靠 MDA 无法实现目标，而疫苗接种与 MDA 结合可以实现两个目标。在这些环境中，只要每全程疫苗接种费用不超过 7.60 美元，即使是短期疫苗接种也是具有成本效益的。疫苗的公共卫生价值取决于疫苗保护的持续时间、接种疫苗前的基线流行率和世卫组织的目标。2020 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
大脑神经元网络的仿真可伸缩性得益于时间异步
处理。t这里有越来越庞大的研究项目，其1个目标是模拟大脑区域甚至完整的大脑2，以更好地了解其工作方式。让我们引用3个立场：欧洲的人脑项目（1），大脑4通过疾病研究的综合神经技术映射5（大脑/思想）在日本或大脑倡议（3）中，在6个联合国家中。几种方法是可行的。有7种生化方法（4），它注定了与大脑一样复杂的系统8。已经研究了一种更具生物物理的方法，例如，请参见（5），其中已成功模拟了皮质桶10，但仅限于10 5 11个神经元。然而，人脑含有约10 11个neu-12 rons，而像marmosets（2）这样的小猴子已经具有13 6×10 8神经元（6），而更大的猴子（如猕猴）具有14 6×10 9神经元（6）。15为了模拟如此庞大的网络，减少模型可以制作16个。特别是，神经元没有更多的物理形状，并且仅由具有18个特定电压的网络中的一个点表示。Hodgkin-Huxley方程（7），可以重现物理形状，代表了离子通道的动态，21，但这些耦合方程的复杂性形成了22个混乱的系统（8），使系统非常前端，使该系统非常前端，以模拟23个巨大的网络23。如果忽略了离子通道动态，则24个最简单的电压模型是集成与火的模型（9）。25使用此类模型，超级计算机26可以模拟人尺度的小脑网络，该网络达到约27 68×10 9神经元（10）。28然而，还有另一种观点，这可能使29我们可以使用简化的模型模拟此类大型网络。30的确，人们可以使用更多随机模型来重现31神经元的基本动力学：它们的插图模式。32不仅连接图的随机化，而且33图表上的动力学使模型更接近手头的34个数据，并在一定程度上解释其可变性。35随机的引入不是新的，并且在包括Hodgkin-Huxley（11）和泄漏37
使用
关键词：光束法区域网平差、自校准、系统校准、非度量相机 摘要 使用市售的非度量相机（例如佳能、尼康）进行摄影测量操作正变得非常流行。使用它们的原因有几个，例如有效载荷更轻、传感器成本低、尺寸更小，以适应有限的机载空间（例如无人机作为数据采集平台）、快速周转项目、易于更换等。与使用数字高分辨率度量图像传感器（Hexagon DMC、Microsoft Vexcel UltraCam 系统等）相比，所有这些属性都具有优势。然而，为了获得接近使用度量系统获得的结果，必须考虑上述非度量图像传感器的所有系统误差；对它们进行建模并消除（或尽量减少）它们对所获取图像的影响。本文回顾了与使用非度量图像传感器相关的功能和随机模型。将关注传感器内部校准参数，即校准焦距、主点、对称 - 非对称 - 切向镜头畸变模式和可能严重扭曲所获取图像的其他偏差。为此，使用焦距为 50 毫米的尼康 D810 数码相机在摄影测量测试场区域“Franklin Mills Mall”进行相机校准。该场地覆盖了多个飞行高度，分别产生 15 和 30 厘米 GSD 的图像。飞行了两个垂直摄影测量飞行带，具有高端搭接和侧搭接。测试场区域拥有大约 25 个目标控制和检查点，这些点的测量精度为 2 厘米或更高。使用 PIX4Dmapper（专为从无人机或地面获取的图像而创建的软件包）对上述图像进行自动空中三角测量。导出图像观测结果（ASCII），并使用汉诺威莱布尼茨大学程序系统 BLUH 进行相应的束流区域调整，该系统能够通过附加参数（十二个标准加上不同失真模式的中型非度量数字相机）进行自我校准。调查中使用了不同数量和分布的地面控制点 (GCP) 和检查点 (ChkPts)。本文介绍了结果。
城市能源系统中太阳能整合的时空预测与优化
不可调度的可再生能源（如光伏 (PV) 系统）在发电结构中的渗透率不断提高，对电力系统的运行性能提出了挑战。在需求方面，提高客户负载灵活性和电气化程度的先进方案将显著改变电力需求。此外，屋顶安装的光伏系统会改变其所连接建筑物的电力需求，因为所产生的电力首先服务于建筑物的电力负载，从而影响电网所经历的所谓净负载。本论文研究增强分散太阳能光伏电力与电力系统集成的解决方案，特别关注概率和多变量预测以及基于此类预测的控制框架。此外，本论文还通过太阳能光伏逆变器的无功功率控制来评估电压控制。使用静态和动态预测模型生成概率太阳能、负载和净负载预测，其中后者可减少约 99% 的计算时间，并提高校准和锐度，但降低预测分辨率。随后，动态预测模型用于研究客户空间聚集对预测密度的影响，从而提高校准和清晰度。有趣的是，在聚集少数客户时，积极影响已经显而易见，这可以改善社区层面的决策。还研究了时间和时空轨迹形式的多元预测，其中多元分布由 copula 表示。具体而言，结果表明，经验 copula 特别适合高维时空预测，而高斯 copula 非常适合具有较大预测范围的时间预测。此外，该论文开发了基于场景的随机模型预测控制算法的增强版本，该算法实现全局最优控制动作（如果存在）而不是独立最优控制动作的期望，从而更有效地管理预测误差。最后，将基于种群的搜索方法应用于无功功率控制，该方法能够明确且独立地模拟分散太阳能光伏逆变器之间的空间和时间关系，从而以比基准更小的种群获得更好的电压曲线。总之，本文表明，可以使用多种方法改进预测，例如，通过空间聚合客户、结合光伏发电和用电量、预先选择信息预测因子或对预测进行后处理。反过来，预测准确性的提高可以增加其在诸如最优控制问题等应用中的价值，从而改善城市能源系统中的太阳能光伏集成。
利用大数据转换供应链...
大数据和预测分析的抽象演变启动了现代供应链管理的范式转变。传统的供应链设计和需求预测方法依赖于历史，通常在以快速市场波动，不断发展的消费者行为和全球复杂性为特征的环境中不再需要静态数据。预测分析（由大型和多样化的数据集）的能力 - 供应链利益相关者有效预测需求变化，优化资源分配并减轻风险。本审查论文对大数据驱动的预测分析如何改变供应链设计和需求预测进行了深入的研究。我们讨论了大数据的基本概念，探索尖端分析方法，分析对战略和运营决策的影响，并确定挑战和前景。通过巩固关键的技术见解和最佳实践，本文旨在为供应链专业人士，数据科学家和研究人员提供综合资源，以探索如何利用数据驱动的决策来创建弹性，敏捷和透明的供应链。关键字：数据科学，大数据，供应链，数据驱动的决策在当今快速发展的市场，较旧的计划和预测方法中，根本无法跟上突然的市场波动，不断变化的消费者口味以及全球的不确定性。多亏了大数据和预测分析，我们现在可以筛选大型的，多样化的数据源，以发现需求趋势，微调资源分配并减少风险在成为昂贵的问题之前。当代供应连锁店承受着巨大，敏捷和可持续性的巨大压力，同时又提供了较高的客户服务水平。传统的供应链设计和管理方法通常使用小型或静态数据集依赖确定性或随机模型，从而使它们容易受到突然的市场转变和无法预料的破坏。随着高级信息技术的出现，企业现在可以访问大量不同的数据（例如，交易数据，传感器数据，社交媒体趋势，天气报告，经济指标等）。大数据的扩散引起了人们对预测分析的重大兴趣，即各种统计，机器学习（ML）的伞术和数据挖掘技术，这些技术将原始数据转化为可行的见解[1]。预测分析对战略供应链决策有重大影响，例如设施的位置，容量扩展和供应商的选择以及运营领域，例如需求预测，库存管理和物流优化。通过启用实时或接近实时数据驱动
耶鲁大学生物医学工程博士毕业生
Ryan Nguyen 用于揭示组织工程和癌症中的机械生物学现象的多尺度方法 Mak 2023 年 5 月 Kate Bridges 经食道超声心动图患者特定二尖瓣建模的图像分析和生物力学 Miller-Jensen 2023 年 5 月 Liang Yang 体外自组装网络的分析 Levchenko 2023 年 5 月 Yuqi Wang 揭示小鼠生殖系干细胞中 MILI 的功能和分子机制 Lin 2023 年 5 月 Alborz Feizi 用于高通量离体人体器官研究的工程工具 Tietjen 2023 年 5 月 David Dellal 先进机电器官保存平台的开发和验证 Sestan 2023 年 5 月 Kevin Ta 超声心动图心脏运动分析和分割的多任务学习 Duncan 2023 年 5 月 Alexandra Suberi mRNA 治疗的肺部递送 Saltzman 2023 年 5 月 Archer Hamidzadeh 使用基于 FRET 的生物传感器阐明细胞外信号调节激酶 (ERK) 动力学 Levchenko 2022 年 12 月 Dave O'Connor 脑内动态功能连接的定量分析 Constable 2022 年 12 月 Feimei Liu 扩展单域抗体库和应用 Carson 2022 年 12 月 Xingjian Zhang 癌症和镰状细胞病的生物物理特征 Mak 2022 年 12 月 Alexander Josowitz 用于局部递送小分子抑制剂的聚合物纳米粒子：胶质母细胞瘤和气道的应用 Saltzman 2022 年 12 月 Shawn Ahn 注意力神经网络在 3D 超声心动图心脏应变分析中的应用 Duncan 2022 年 12 月 Rebecca Byler 治疗皮肤利什曼病的局部贴剂开发的合理方法 Kyriakides 2022 年 12 月 Hao Xing 基于细胞和细胞外基质的方法研究糖尿病成纤维细胞并改善伤口愈合 Kyriakides 2022 年 5 月 Chang Liu 3D 组织模型中肿瘤细胞的迁移以及与 ECM 和基质的相互作用 Mak 2022 年 5 月 Zach Connerty-Marin 在纳米尺度上量化膜拓扑结构 Bewersdorf 2022 年 5 月 MinSoo Khang 鞘内递送 NP 用于治疗软脑膜转移 Saltzman 2022 年 5 月 Shi Shen 逆转录病毒的研究工程心脏组织中的重塑现象 Campbell 2022 年 5 月 Jenette Creso 心肌机械功能和疾病的多尺度建模 Campbell 2022 年 5 月 Juntang Zhuang 机器学习方法估计全脑有效连接组以识别自闭症 Duncan 2022 年 5 月 Margaret Elise Bullock 使用 HIV 基因表达随机模型探索染色质介导的转录噪声调控 Miller-Jensen 2022 年 5 月 Ann Chen 开发和提供基因组编辑疗法以改善胶质母细胞瘤治疗 Zhou 2022 年 5 月 Katherine Leiby 工程功能性远端肺上皮 Niklason 2022 年 5 月 Ons M'Saad 蛋白质在其超微结构背景下的光学显微镜检查 Bewersdorf 2022 年 5 月 Kevin Hu 活细胞中的多色各向同性超分辨率 Bewersdorf 2022 年 5 月 Samantha Rossano Synaptic使用正电子发射断层扫描的 SV2A 密度成像：参考区域分析的优化和 Carson 2021 年 12 月 Andrew Barentine 定量超分辨率显微镜 Bewersdorf 2021 年 12 月 Muhammad Khan 脑癌跨室钠成像 Hyder 2021 年 12 月 Allison Greaney 肺组织工程的改进：迈向功能性气管和肺置换 Niklason 2021 年 5 月 Siyuan Gao 高维脑成像数据的潜在因子分析 Scheinost 2021 年 5 月 Rita Matta 微血管信号在神经源性微环境的作用 Gonzalez 2021 年 5 月 Edward Han 血管生物人工内分泌胰腺的开发 Niklason 2021 年 5 月 Heather Liu PET 中的动力学建模、参数估计和模型比较：神经递质动力学的功能图像 Morris 2021 年 5 月 John Walsh 监测肿瘤进展和治疗反应的独特血管和代谢特征 Hyder 2021 年 5 月 Micha Sam Raredon 肺泡肺的单细胞系统工程 Niklason 2020 年 12 月 Luyao Shi 高级定量心脏核成像 Liu 2020 年 12 月 Amanda Alexander 研究 TLR4 诱导的巨噬细胞分泌中细胞间异质性的调节和后果 Miller-Jensen 2020 年 12 月 Jason Szafron 用于改进组织工程血管移植物设计的数学模型 Humphrey 2020 年 12 月 Lorenzo Sewanan 使用人类干细胞衍生的心肌细胞、enginCampbell 2020 年 12 月 Zach Augenfeld 自动使用 MRI 距离图通过术中锥形束 CT 分割进行多模态配准 Duncan 2020 年 5 月 Jeffery (Alex) Clark 表征微尺度异质性对心肌宏观机械功能的影响 u Campbell 2020 年 5 月 Ramak Khosravi 用于治疗先天性心脏病的组织工程血管移植物的数据驱动计算模型 D Humphrey 2020 年 5 月 Rebecca LaCroix 激酶定位对细胞信号传导和行为影响的研究 Levchenko 2020 年 5 月 Xiaoxiao Li 用于表征自闭症神经影像生物标志物的数据驱动策略 Duncan 2020 年 5 月 Ayomiposi Loye 用于骨科应用的块状金属玻璃 Kyriakides 2020 年 5 月 Ronald Ng 研究机械负荷在致心律失常性心肌病中的作用 Campbell 2020 年 5 月 Fan Zhang Layer卷积神经网络中的嵌入分析可改善不确定性估计和分类 Duncan 2020 年 5 月 Sean Bickerton 纳米粒子系统用于在体内生成调节性 T 细胞用于自身免疫性疾病治疗 Fahmy 2019 年 12 月 Nadine Dispenza 加速非线性梯度编码策略用于并行磁共振成像 Constable 2019 年 12 月 Alexander Svoronos 使用 pH 低插入肽 (pHL) 进行肿瘤靶向抑制致癌微小 RNA 用于癌症治疗 Engelman 2019 年 12 月 MaryGrace Velasco 用于深层组织应用的三维 STED 显微镜 Bewersdorf 2019 年 12 月 Shari Yosinski 用于片上实验室诊断的电子粒子操作 Reed 2019 年 12 月 Yang Xiao 微血管工程用于疾病建模和再生医学 Fan 2019 年 5 月 Alexander Engler 综合生理与系统设计全肺组织工程方法 Niklason 2019 年 5 月 Young-Eun Seo 用于局部递送 miRNA 抑制剂治疗胶质母细胞瘤的纳米粒子 Saltzman 2019 年 5 月 Zhuo Chen 用于分析巨噬细胞活化动力学的单细胞微芯片 Fan 2019 年 5 月 Ian Linsmeier 活性肌动球蛋白力学：无序网络中收缩的协同性和缩放性 Murrell 2018 年 12 月 Haiying (Allen) Lu 基于学习的心脏应变分析正则化 Duncan 2018 年 12 月
贝叶斯数据分析
请在我们身份验证您的情况下等待...2016年贝叶斯分析学会的2016年奖项获得了这本著名的书，现在是第三版，被广泛认为是贝叶斯方法的主要文本，它因其实用和可访问的方法来分析数据和解决研究问题而受到赞扬。介绍先进的方法，文本具有从真实应用和研究中得出的众多工作示例，强调在本版中使用贝叶斯推断在实践中的实践中使用了四章，这些章节是关于非参数建模的四章，以及关于弱小的先验，避免边界的先验，跨越的先验，交叉竞争和预测信息的宣布，在三个方面使用的学生的最新章节：原则；对于研究生，它提出了贝叶斯建模和计算的有效当前方法；对于研究人员而言，它在应用统计数据中提供了各种贝叶斯方法的其他材料，包括数据集，选定练习的解决方案和软件说明，在书的网页上提供了一些研究人员，强调了在组织科学中使用贝叶斯方法进行数据分析的重要性。 但是，在采用贝叶斯方法时，仍然存在一些挑战和局限性。 例如，一个问题是贝叶斯方法需要指定先前的分布，这可能很困难，尤其是在使用复杂模型时。 Berger，J。2016年贝叶斯分析学会的2016年奖项获得了这本著名的书，现在是第三版，被广泛认为是贝叶斯方法的主要文本，它因其实用和可访问的方法来分析数据和解决研究问题而受到赞扬。介绍先进的方法，文本具有从真实应用和研究中得出的众多工作示例，强调在本版中使用贝叶斯推断在实践中的实践中使用了四章，这些章节是关于非参数建模的四章，以及关于弱小的先验，避免边界的先验，跨越的先验，交叉竞争和预测信息的宣布，在三个方面使用的学生的最新章节：原则；对于研究生，它提出了贝叶斯建模和计算的有效当前方法；对于研究人员而言，它在应用统计数据中提供了各种贝叶斯方法的其他材料，包括数据集，选定练习的解决方案和软件说明，在书的网页上提供了一些研究人员，强调了在组织科学中使用贝叶斯方法进行数据分析的重要性。但是，在采用贝叶斯方法时，仍然存在一些挑战和局限性。例如，一个问题是贝叶斯方法需要指定先前的分布，这可能很困难，尤其是在使用复杂模型时。Berger，J。一些研究人员提出了各种技术来提出专家判断以告知先前分布的技术。，例如，O'Hagan等。（2006）提供了先前启发的综合指南，包括技术和潜在的陷阱。其他研究的重点是开发使用贝叶斯先验的专家的信念的方法（例如，Johnson等，2010）。此外，还有各种可用的在线资源可以帮助进行贝叶斯分析。例如，Van de Schoot的在线统计培训提供了有关高级统计主题的教程和练习。总的来说，在组织科学中使用贝叶斯方法的使用变得越来越重要，但是它需要仔细考虑先前的分布和启发技术，以确保准确的结果。注意：我已经删除了一些特定的参考，并重点介绍了要点。让我知道您是否希望我保留更多原始文本！van de de Schoot-Hubeek，W.，Hoijtink，H.，Van de Schoot，R.，Zondervan-Zwijnenburg，M。＆Lek，K。评估专家判断引发程序，以相关性和应用于贝叶斯分析。客观的贝叶斯分析：对主观贝叶斯分析的案例，批评和个人观点。Brown，L。D.经验贝叶斯和贝叶斯方法的现场测试，用于击球平均赛季预测。Candel，M。J.，Winkens，B。Monte Carlo研究在纵向设计中多级分析中的经验贝叶斯估计值的性能。Ibrahim，J。G.，Chen，M。H.，Gwon，Y。Ibrahim，J。G.，Chen，M。H.，Gwon，Y。darnieder，W。F.贝叶斯方法依赖数据依赖的先验。＆Chen，F。权力先验：具有统计功率计算的理论和应用。Muthen，B。，Asparouhov，T。贝叶斯结构方程建模：使用数据依赖性先验对实体理论的更灵活的表示。Rietbergen，C.，Klugkist，I.，Janssen，K。J.，Moons，K。G.＆Hoijtink，H。将历史数据纳入随机治疗试验的分析中，以及基于系统文献搜索和专家精力提示的知识的贝叶斯PTSD-Traigntory分析。van der Linden，W。J.在自适应测试中使用响应时间进行项目选择。Wasserman，L。使用数据依赖性先验对混合模型的渐近推断。请注意，我保留了您的消息的原始语言而不翻译。给定文本：释义此文本：数据（版本V1.0）。Zenodo（2020）。元素Google Scholar Chung，Y.，Gelman，A.，Rabe-Hesketh，S.，Liu，J。＆Dorie，V。层次模型中协方差矩阵的点估计值较弱。J.教育。行为。Stat。40，136–157（2015）。Google Scholar Gelman，A.，Jakulin，A.，Pittau，M。G.＆Su，Y.-S。 logistic和其他回归模型的弱信息默认分布。ann。应用。Stat。2，1360–1383（2008）。MathScinetMath Google Scholar Gelman，A.，Carlin，J。 B.，Stern，H。S.＆Rubin，D。B. Bayesian数据分析卷。 2（Chapman＆Hallcrc，2004）。Jeffreys，H。概率理论卷。 am。 Stat。2，1360–1383（2008）。MathScinetMath Google Scholar Gelman，A.，Carlin，J。B.，Stern，H。S.＆Rubin，D。B. Bayesian数据分析卷。2（Chapman＆Hallcrc，2004）。Jeffreys，H。概率理论卷。am。Stat。3（Clarendon，1961）.Seaman III，J。W.，Seaman Jr，J。W.＆Stamey，J。D.指定非信息先验的隐藏危险。66，77–84（2012）.MathScinet Google Scholar Gelman，A。层次模型中方差参数的先前分布（Browne和Draper对文章的评论）。贝叶斯肛门。1，515–534（2006）.MathScinet Math Google Scholar Lambert，P.C.，Sutton，A。J.，Burton，P.R.，Abrams，K。R.＆Jones，D。R.含糊不清？对使用Winbugs在MCMC中使用模糊的先验分布的影响的仿真研究。Stat。Med。24，2401–2428（2005）。MathScinetGoogle Scholar Depaoli，S。在不同程度的类别分离的情况下，GMM中的混合类别恢复：频繁主义者与贝叶斯的估计。Psychol。方法18，186–219（2013）。Google Scholar DePaoli，S。＆Van de Schoot，R。贝叶斯统计中的透明度和复制：WAMBS-CHECKLIST。Psychol。方法22，240（2017）。本文提供了有关如何在使用贝叶斯统计数据估算模型时如何检查各个点的分步指南。统计建模模型检查中的贝叶斯模型检查和鲁棒性是一种用于评估统计模型准确性的方法。它涉及使用各种诊断工具来检查模型的潜在问题，例如偏见或过度拟合。贝叶斯模型检查是传统模型检查的扩展，将先前的信念纳入分析中。再次。贝叶斯模型检查的关键应用之一是检测先前数据冲突。贝叶斯模型检查近年来变得越来越重要，因为它能够提供对统计模型的更细微理解的能力。它允许研究人员量化数据中包含的信息量，并评估其结论的可靠性。一些研究人员为贝叶斯模型检查技术的发展做出了重大贡献，包括Nott等，Evans和Moshonov，Young and Pettit，Kass和Raftery，Bousquet，Veen和Stoel，以及Nott等。这些研究人员介绍了各种诊断工具和评估先前数据协议和冲突的标准。这会发生在同一数据集的先前信念和数据之间存在差异时。像埃文斯（Evans），莫索诺夫（Moshonov）和杨（Young）这样的研究人员已经开发了使用诸如后验预测分布等指标来量化这一冲突的方法。贝叶斯模型检查也已应用于贝叶斯模型中的可能性推断。像Gelman，Simpson和Betancourt这样的研究人员强调了理解表达先前信念的上下文的重要性。除了其方法论上的意义外，贝叶斯模型检查还在社会科学，医学和金融等领域还采用了实际应用。它可以通过确定统计模型的潜在问题来帮助研究人员和政策制定者做出更明智的决定。在此处给定文章，此处28，319–339（2013）.MathScinet Math Google Scholar Rubin，D。B. Bayesian具有合理的频率计算，适用于应用的统计学家。ann。Stat。J.am。12，1151–1172（1984）。Mathscinet Math Google Scholar Gelfand，A。E.＆Smith，A。F. M.基于采样的方法来计算边际密度。 Stat。 合作。 85，398–409（1990）。 这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。 ifna（1991）。 3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。 4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。 ieee trans。 模式肛门。 马赫。 Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。12，1151–1172（1984）。Mathscinet Math Google Scholar Gelfand，A。E.＆Smith，A。F. M.基于采样的方法来计算边际密度。Stat。合作。85，398–409（1990）。 这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。 ifna（1991）。 3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。 4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。 ieee trans。 模式肛门。 马赫。 Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。85，398–409（1990）。这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。ifna（1991）。3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。ieee trans。模式肛门。马赫。Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。Intell。6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。J. Chem。物理。21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J.＆Roweth，D。Hybrid Monte Carlo。物理。Lett。 J. am。 Stat。 合作。Lett。J.am。Stat。合作。b 195，216–222（1987）。＆Wong，W。H.通过数据增强计算后验分布。82，528–540（1987）。 本文解释了当直接计算感兴趣参数的后验密度时，如何使用数据扩展。马尔可夫链蒙特卡洛手册（CRC，2011年）。 本书对MCMC及其在许多不同的应用中的使用进行了全面评论。Gelman，A。Burn-in MCMC，为什么我们更喜欢“热身”一词。 元建模，因果推理和社会科学（2017）。Gelman，A。 ＆Rubin，D。B. 使用多个序列从迭代模拟中推断。 Stat。 SCI。 7，457–511（1992）。 一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.82，528–540（1987）。本文解释了当直接计算感兴趣参数的后验密度时，如何使用数据扩展。马尔可夫链蒙特卡洛手册（CRC，2011年）。本书对MCMC及其在许多不同的应用中的使用进行了全面评论。Gelman，A。Burn-in MCMC，为什么我们更喜欢“热身”一词。元建模，因果推理和社会科学（2017）。Gelman，A。＆Rubin，D。B.使用多个序列从迭代模拟中推断。Stat。SCI。 7，457–511（1992）。 一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.SCI。7，457–511（1992）。一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.一般方法用于监测迭代模拟的收敛性。J. Comput。图。Stat。7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。马尔可夫链蒙特卡洛在实践中57，45-58（1996）。（2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。（2017）。关键参考包括Minka（2013），Hoffman等。（2015），Liang等。 Q.（2015），Liang等。Q.Q.新方法利用排序差异，折叠和本地化技术来增强\（\ hat {r} \）的准确性。此外，本综述强调了贝叶斯建模中变异推理方法的重要性，尤其是随机变体，这些变体是大型数据集或复杂模型的流行近似贝叶斯推理方法的基础。（2013），Kingma和BA（2014），Li等。 （2008），Forte等。 （2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。 （2014）。 用于回归分析中的稀疏信号。 该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。 该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。 其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。 L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J. ＆Friston，K。J. Neuroimage（2005）。 咨询。 临床。（2013），Kingma和BA（2014），Li等。（2008），Forte等。 （2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。 （2014）。 用于回归分析中的稀疏信号。 该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。 该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。 其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。 L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J. ＆Friston，K。J. Neuroimage（2005）。 咨询。 临床。（2008），Forte等。（2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。（2014）。用于回归分析中的稀疏信号。该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J.＆Friston，K。J. Neuroimage（2005）。咨询。临床。Google Scholar Smith，M.，Pütz，B。，Auer，D。＆Fahrmeir，L。Neuroimage（2003）中还讨论了通过空间贝叶斯变量选择评估大脑活动。Google Scholar此外，检查了Zhang，L。，Guindani，M.，Versace，F。＆Vannucci，M。Neuroimage（2014）的时空非参数贝叶斯变量选择模型用于聚类相关时间课程。判断中信息处理的研究采用了各种方法，如Bolt等人的研究中所见，他们探讨了两种戒烟剂在联合使用的有效性，理由是J.Psychol。80，54–65，2012）。在类似的脉中，Billari等。基于贝叶斯范式内的专家评估（人口统计学51，1933–1954，2014）开发了随机人群预测模型。其他研究已经深入研究了暂时的生活变化及其对离婚时间的影响（Fallesen＆Breen，人口统计学53，1377-1398，2016）。同时，Hansford等人。分析了美国律师将军在最高法院的政策领域的位置（Pres。螺柱。49，855–869，2019）。此外，研究重点是使用健康行为综合模型来预测限制“自由糖”消耗（Phipps等人，食欲150，104668，2020）。此外，研究还将贝叶斯统计数据引入了健康心理学，并强调了其在该领域的潜在好处（Depaoli等人，Health Psychol。修订版11，248–264，2017）。Psychol。Gen. 142，573–603，2013; Lee，M。D.，J。 数学。Gen. 142，573–603，2013; Lee，M。D.，J。数学。贝叶斯估计的应用已显示在各种情况下取代传统的t检验，包括认知建模和生态研究（Kruschke，J。Exp。Psychol。55，1-7，2011）。此外，层次结构的贝叶斯模型已在生态学中用于建模种群动态和推断环境参数（Royle＆Dorazio，生态学的分层建模和推断）。通过包括Gimenez等人在内的各种研究人员的工作进一步开发了这种方法。（在标记人群中建模的人口统计过程中，3）和King等。（贝叶斯分析人群生态学）。研究还研究了贝叶斯方法在生态学中的使用，例如使用汉密尔顿蒙特卡洛（Monnahan等人，方法ECOL。Evol。8，339–348，2017）。贝叶斯对生态学的重要性的重要性已被埃里森（Elison）等研究人员（ecol。Lett。 7，509–520，2004）。 最后，已经探索了通过设计启发将专家意见整合到贝叶斯统计模型中，突出了其为先验知识提供信息并提高模型准确性的潜力（Choy等，生态学90，265-277，2009）。 也已经讨论了有关使用贝叶斯评估诊断人群下降的诊断人群下降的方法（King等，J。R. Stat。 Soc。 系列C 57，609–632，2008）。 在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。 - Dennis等。 -McClintock等。Lett。7，509–520，2004）。最后，已经探索了通过设计启发将专家意见整合到贝叶斯统计模型中，突出了其为先验知识提供信息并提高模型准确性的潜力（Choy等，生态学90，265-277，2009）。也已经讨论了有关使用贝叶斯评估诊断人群下降的诊断人群下降的方法（King等，J。R. Stat。Soc。系列C 57，609–632，2008）。 在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。 - Dennis等。 -McClintock等。系列C 57，609–632，2008）。在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。- Dennis等。-McClintock等。总而言之，对判断中信息处理的研究以及贝叶斯统计在各个领域的应用，使人们对这些概念及其对决策和人口建模的影响有了更深入的了解。这些作品涵盖了种群建模的各个方面，包括贝叶斯估计，综合人群模型和遗传关联研究。关键论文包括： - King and Brooks（2008）关于贝叶斯对具有异质性和模型不确定性的封闭种群的估计。（2006）使用生态数据估计密度依赖性，过程噪声和观察误差。（2012）基于多阶段随机步行开发了一个一般的离散时间框架，用于动物运动。-Aeberhard等。（2018）对渔业科学的州空间模型进行了综述。其他值得注意的贡献包括： - Isaac等。（2020）讨论了大规模物种分布模型的数据集成。-McClintock等。（2020）提出了一种使用隐藏的马尔可夫模型来发现生态状态动力学的方法。- King（2014）审查了统计生态及其应用。- Andrieu等。（2010）引入了粒子马尔可夫链蒙特卡洛方法，用于复杂的种群建模。这些研究表明，从人口生存能力分析到遗传关联研究，在理解生态系统中采用的统计技术的多样性，强调了该领域数据整合和高级建模方法的重要性。提出一种利用转移学习以提高数据质量的方法。基因组学，统计和机器学习的交集在理解复杂的生物系统中变得越来越重要。最近的研究探索了多摩智数据集的整合，以发现对人类健康和疾病的新见解。由Argelaguet等人建立了整合多派数据集的框架，该框架采用贝叶斯方法来识别生物学过程的关键因素。该方法已应用于包括单细胞转录组学在内的各个领域，如Yau和Campbell的工作所示，他们使用贝叶斯统计学习来分析大型数据集。研究的另一个领域涉及在英国生物库中对跨树木结构的常规医疗数据进行遗传关联的分析。诸如Stuart和Satija的研究表明，将单细胞分析与基因组学相结合以揭示有关复杂生物系统的新信息的潜力。深层生成模型的发展也促进了单细胞转录组学的进步，如Lopez等人的工作所证明的那样，后者应用了深层生成模型来分析大型数据集。此外，与Wang等人一起，对单细胞转录组学中数据降解和转移学习的研究已显示出令人鼓舞的结果。最近的研究还强调了科学研究中可重复性和公平原则（可访问，可互操作和可重复使用）的重要性。这包括诸如癌症基因组图集和Dryad＆Zenodo之类的举措，旨在促进开放研究实践。提出了功能性变分贝叶斯神经网络。机器学习技术（包括变异自动编码器）的应用也在理解复杂的生物系统方面变得越来越重要。正如Paszke等人的评论中所述，变化自动编码器为将基因组学和统计数据与深层生成模型的整合提供了有希望的方法。总体而言，多摩智数据集，机器学习技术和统计分析的进步的整合已经开辟了新的途径，以理解复杂的生物系统并揭示了对人类健康和疾病的新见解。概率建模的最新进展导致了几种将深度学习与贝叶斯推论相结合的技术的发展。该领域的一个关键概念是变异自动编码器（VAE），它通过将其映射到较低维度的空间中来了解输入数据的概率分布。Hinton等人引入的Beta-Vae框架将VAE限制为学习基本的视觉概念。研究人员还探索了贝叶斯方法在神经网络中的应用，例如高斯过程和周期性随机梯度MCMC。例如，尼尔在神经网络上的贝叶斯学习方面的工作突出了神经网络与高斯过程之间的联系。此外，已证明将深层合奏用于预测不确定性估计在各种任务中都是有效的。最近的预印象提出了新的新技术，包括功能变分贝叶斯神经网络和细心的神经过程。后者使用注意机制从输入数据中学习相关特征。res。另一项研究的重点是开发更可扩展和可解释的模型，例如标准化流量和周期性随机梯度MCMC。该领域在理解深度学习的理论基础上，包括神经网络与高斯过程之间的联系，也看到了重大进展。Mackay和Williams的作品为贝叶斯倒退网络提供了一个实用的框架，而Sun等人。总的来说，这些进步有助于我们理解概率建模及其在深度学习中的应用。Hoffman，M。D.＆Gelman，A。 No-U-Turn采样器：在汉密尔顿蒙特卡洛（Monte Carlo）的自适应设置路径长度。 J. Mach。 学习。 15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。Hoffman，M。D.＆Gelman，A。No-U-Turn采样器：在汉密尔顿蒙特卡洛（Monte Carlo）的自适应设置路径长度。J. Mach。 学习。 15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。J. Mach。学习。15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。Stat。Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。J.am。Stat。合作。93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。J. R. Stat。Soc。系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。Stat。计算。10，325–337（2000）。Google Scholar Ntzoufras，I。使用Winbugs Vol。698（Wiley，2011）.Lunn，D。J.，Thomas，A.，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。Stat。计算。10，325–337（2000）。Spiegelhalter，D.，Thomas，A。，Best，N。＆Lunn，D。OpenBugs用户手册版本3.2.3。OpenBugs（2014）.Plummer，M。Jags：使用Gibbs采样的贝叶斯图形模型分析程序。proc。第三国际统计计算的国际研讨会124，1-10（2003）。Google Scholar Plummer，M。Rjags：使用MCMC的贝叶斯图形模型。r软件包版本，4（6）（2016）.Salvatier，J.，Wiecki，T。V.＆Fonnesbeck，C。使用Pymc3在Python中进行概率编程。peerj Comput。SCI。 2，E55（2016）。 Google Scholar de Valpine，P。等。 与模型的编程：编写敏捷的通用模型结构的统计算法。 J. Comput。 图。SCI。2，E55（2016）。 Google Scholar de Valpine，P。等。 与模型的编程：编写敏捷的通用模型结构的统计算法。 J. Comput。 图。2，E55（2016）。Google Scholar de Valpine，P。等。与模型的编程：编写敏捷的通用模型结构的统计算法。J. Comput。图。Stat.s 26, 403–413 (2017).MathSciNet Google Scholar Bayesian analysis software JASP version 0.14 available for computer use (2020) Lindgren F & Rue H used R-INLA for Bayesian spatial modeling in a Stats journal article (2015) Vanhatalo et al's GPstuff allowed Bayesian Gaussian process modeling with Machine Learning Res articles (2013) Blaxter gave research methods in他的2010年McGraw-Hill教育书《如何进行研究》 BetanCourt在Github上创建了一个原则上的贝叶斯工作流程，主张最佳实践（2020）Veen＆Schoot使用了对英超联赛数据的后验预测检查，并在OSF（2020年）上发布了它，并在Kramer＆Bosman（2020）Kramer＆Bosman在Kramer＆Bosman在Kramersship Sumpership Summerschool inter Smixship Summershood prosentie in Utrech Torne in utrecht in of to inty介绍（2019年），UTRECHINE（2019年）（2019年）（2019年）（2019年）（2019年）（2019年）（2019年） Acta Math匈牙利文章（1955）Lesaffre＆Lawson在2012年Wiley Publication撰写了一种新的公理概率理论（1955年），Hoijtink等人使用了贝叶斯评估，用于认知诊断评估，发表在Psych Methods In In In Psych Methods Journal（2014）