[论文解读] Being Bayesian in the 2020s: opportunities and challenges in the practice of modern applied Bayesian statistics

Joshua J. Bon, Adam Bretherton+13 more|arXiv (Cornell University)|Nov 18, 2022

Bayesian Modeling and Causal Inference被引用 4

一句话总结

本文概述了现代应用贝叶斯统计中的六个关键机遇与挑战，包括智能数据收集、新型数据源、联邦分析、隐式模型、模型迁移以及有目的的软件产品。通过先进的计算技术与特定领域的案例研究，展示了贝叶斯方法如何在珊瑚礁监测、疫苗风险评估和癌症发病率制图等现实应用中提升决策质量。

ABSTRACT

Building on a strong foundation of philosophy, theory, methods and computation over the past three decades, Bayesian approaches are now an integral part of the toolkit for most statisticians and data scientists. Whether they are dedicated Bayesians or opportunistic users, applied professionals can now reap many of the benefits afforded by the Bayesian paradigm. In this paper, we touch on six modern opportunities and challenges in applied Bayesian statistics: intelligent data collection, new data sources, federated analysis, inference for implicit models, model transfer and purposeful software products.

研究动机与目标

• 识别并解决2020年代应用贝叶斯统计中的新兴机遇与挑战。
• 展示贝叶斯方法如何提升复杂系统（如生态系统和公共卫生）中数据收集的效率与决策质量。
• 强调贝叶斯建模与新型数据类型（例如虚拟现实获取与公民科学）以及隐私保护技术（如联邦学习）的整合。
• 探索针对不可计算似然模型的无似然推断方法及其在不同领域间的模型迁移应用。
• 展示专为特定需求设计的贝叶斯软件产品如何支持公共卫生与环境科学中的基于证据的决策。

提出的方法

• 利用带有采样窗口的贝叶斯最优实验设计，提升生态监测中成本效益的数据收集效率。
• 采用具有Leroux先验的贝叶斯分层模型进行空间平滑，以生成可靠的小区域癌症发病率与生存率估计。
• 应用基于序列蒙特卡洛的近似贝叶斯计算（SMC-ABC）对具有不可计算似然的复杂代理模型进行校准。
• 开发联邦学习框架，在不共享原始数据的前提下，实现在多个数据源之间的空间相关潜在变量建模，保护数据隐私。
• 将贝叶斯网络与分层模型整合到交互式软件平台（如CoRiCAL、ReefCloud和澳大利亚癌症地图集）中。
• 利用计算技术的进步，实现对来自遥感与公民科学等多样化来源的大型复杂数据集的贝叶斯推断规模化处理。

实验结果

研究问题

• RQ1 如何通过带有采样窗口的贝叶斯最优实验设计提升大规模生态监测中的数据收集效率？
• RQ2 贝叶斯模型在何种方式下可增强对新型数据源（如虚拟现实获取与公民科学）的信任与整合？
• RQ3 如何通过具有空间相关潜在变量的联邦学习实现跨机构分布式数据的隐私保护分析？
• RQ4 在生物医学与生态系统中校准复杂隐式模型时，使用无似然推断（如SMC-ABC）的实际挑战与优势是什么？
• RQ5 如何在不同场景（如从一个地理区域迁移到另一个区域）中有效实现贝叶斯模型的迁移，以支持可扩展且具泛化能力的推断？

主要发现

• 带有采样窗口的贝叶斯最优实验设计在3,000个珊瑚礁的珊瑚礁监测中，降低了数据收集成本，同时保持了高推断准确性。
• 由贝叶斯分层模型驱动的ReefCloud平台，实现了自2004年以来全球范围的珊瑚覆盖趋势实时可视化，支持气候影响评估。
• 澳大利亚癌症地图集采用具有Leroux先验的贝叶斯空间模型，为2,148个小区域提供了高分辨率、可靠的发病率与生存率估计，揭示了区域间的不平等现象。
• 基于贝叶斯网络构建的CoRiCAL疫苗风险-收益计算器，在COVID-19疫情期间实现了个性化决策支持，整合了复杂的收益与风险数据。
• 具有空间相关潜在变量的联邦学习成功实现了多个数据保管方之间的协作建模，而无需共享原始数据，有效保护了隐私。
• 通过SMC-ABC实现的无似然推断，成功校准了一个复杂的肿瘤生长代理模型，证明了其在似然不可计算系统中的实用性。