保尔·克里斯蒂安·比尔克纳;马克西米利安·舒尔茨;斯特凡·拉德夫（Stefan T.Radev）。 有些模型很有用，但我们怎么知道是哪一个呢？走向统一的贝叶斯模型分类法。 （英文） Zbl 07785068号 统计调查。 17, 216-310 (2023). 概要：概率（贝叶斯）建模在几乎所有定量科学和工业领域都经历了一次应用浪潮。这一发展是由几个因素共同推动的，包括更好的概率估计算法、灵活的软件、更强的计算能力以及对概率学习好处的日益认识。然而，一个原则性的贝叶斯模型构建工作流还远未完成，仍然存在许多挑战。为了帮助原则贝叶斯工作流的未来研究和应用，我们询问并回答了我们所认为的贝叶斯建模的两个基本问题，即（a）“实际上是什么是贝叶斯模型？”和（b）“什么使好的贝叶斯模型？”。作为对第一个问题的回答，我们提出了PAD模型分类法，该分类法定义了四种基本的贝叶斯模型，每种模型代表所有可观察和不可观察变量（P）、后验近似值（a）和训练数据（D）的假设联合分布的某种组合。作为对第二个问题的回答，我们提出并讨论了十个效用维度，根据这些维度我们可以全面评估贝叶斯模型，即（1）因果一致性，（2）参数可恢复性，（3）预测性能，（4）公平性，（5）结构忠实性，（6）简约性，（7）可解释性，（8）收敛性，（9）估计速度和（10）稳健性。最后，我们提出了两个效用决策树示例，根据驱动模型构建和测试的推断目标描述效用之间的层次结构和权衡。 MSC公司： 62C05型 统计决策理论的一般考虑 62C10个 贝叶斯问题；贝叶斯过程的特征 关键词：概率模型;统计学习;贝叶斯统计;机器学习;模型比较 软件：贝叶斯雷;后面的;普里尔森;业务风险管理系统;pyABC公司;TensorFlow公司;贝叶斯流;美国广播公司无线电频率;piDMD公司;卡爪;亚当;桥式取样;R-INLA公司;坚果;ElemStatLearn（电子状态学习）;贝叶斯DA;ts桥;GMRF库;斯坦;重新思考;lme4公司 PDF格式BibTeX公司 XML格式引用 \textit{P.-C.Bürkner}等人，Stat.Surv。17、216--310（2023；Zbl 07785068） 全文： 内政部 arXiv公司 链接 参考文献： [1] AGUILAR，J.E.和BÜRKNER，P.-C.（2023年）。贝叶斯线性多级模型的直观联合先验：R2D2M2先验。电子统计杂志17 1711-1767。出版商：数理统计研究所和伯努利学会。数字对象标识符：10.1214/23-EJS2136谷歌学者：查找链接数学科学网：MR4609453·Zbl 07725166号 ·doi:10.1214/23-EJS2136 [2] AKHTAR，N.和MIAN，A.（2018年）。对抗性攻击对计算机视觉深度学习的威胁：一项调查。IEEE接入6 14410-14430。 [3] ARDIZZONE，L.、KRUSE，J.、LüTH，C.、BRACHER，N.、ROTHER，C.和KØTHE，U.（2021年）。用于不同图像到图像转换的条件可逆神经网络。模式识别：第42届DAGM德国会议，DAGM GCPR 2020，德国图宾根，2020年9月28日至10月1日，会议记录42 373-387。斯普林格。 [4] ARDIZZONE，L.、KRUSE，J.、WIRKERT，S.、RAHNER，D.、PELLEGRINI，E.W.、KLESSEN，R.S.、MAIER-HEIN，L.，ROTHER，C.和KÚTHE，U.（2018年）。用可逆神经网络分析反问题。arXiv预打印。 [5] 协会，A.E.R.编辑（2011年）。教育和心理测试标准。华盛顿特区美国教育研究协会OCLC:ocn826867074。 [6] AVECILLA，G.、CHUONG，J.N.、LI，F.、SHERLOCK，G.，GRESHAM，D.和RAM，Y.（2022）。神经网络能够从适应动力学中高效、准确地基于模拟推断进化参数。《公共科学图书馆·生物学》20 e3001633。 [7] BADDOO，P.J.、HERRMANN，B.、MCKEON，B.J.、KUTZ，J.N.和BRUNTON，S.L.（2021）。基于物理的动态模式分解（piDMD）。arXiv预印本。数学科学网：MR4574819 [8] BAK，M.A.（2022年）。计算公平：公共卫生中建模和模拟的伦理。模拟98 103-111. [9] BAROCAS，S.、HARDT，M.和NARAYANAN，A.（2019年）。公平和机器学习。fairmlbook.org网站网址：http://www.fairmlbook.org。 [10] BARRIENTOS，P.G.，RODRíGUEZ，J.á。和RUIZ-HERRERA，A.（2017）。季节强迫SIR流行病模型中的混沌动力学。数学生物学杂志75 1655-1668。数学科学网：MR3712325·Zbl 1387.92081号 [11] BATES，D.、KLIEGL，R.、VASHITHH，S.和BAAYEN，H.（2015）。节俭的混合模式。arXiv预打印。 [12] BATES，D.、MáCHLER，M.、BOLKER，B.和WALKER，S.（2015年）。使用lme4拟合线性混合效应模型。统计软件杂志67 1-48。 [13] BECK，C.和COHEN，E.G.D.（2003年）。超统计学。物理学A：统计力学及其应用322 267-275。数字对象标识符：10.1016/S0378-4371（03）00019-0谷歌学者：查找链接数学科学网：MR1980540·Zbl 1038.82049号 ·doi:10.1016/S0378-4371（03）00019-0 [14] BENETTIN，G.、GALGANI，L.、GIORGILLI，A.和STRELCYN，J.-M.（1980）。光滑动力系统和哈密顿系统的Lyapunov特征指数；一种计算所有这些参数的方法。第一部分：理论。麦加尼卡15 9-20. ·Zbl 0488.70015号 [15] BENNETT，C.H.（1976年）。从蒙特卡罗数据中有效估计自由能差异。计算物理杂志22 245-268。数学科学网：MR0471852 [16] BERAHA，M.、FALCO，D.和GUGLIELMI，A.（2021）。JAGS，NIMBLE，Stan：贝叶斯MCMC软件之间的详细比较。arXiv预打印。 [17] 伯杰·J.O.、莫雷诺·E.、佩里奇·L.R.、巴亚里·M.J.、伯纳多·J.M.、卡诺·J.A.、德拉霍拉·J.、马丁·N·J.，RíOS-INSÒA、D.、贝特·B.、达斯古普塔·A.、古斯塔夫森·P.、沃瑟曼·L.、卡丹·J.B.、斯里尼瓦桑·C.、莱文·M.、奥哈根·A.、波拉斯克·W.、罗伯特·C.P.、戈蒂斯·C.、鲁盖里·F.SALINETTI，G.和SIVAGANESAN，S.（1994年）。稳健贝叶斯分析概述。测试3 5-124. 数字对象标识符：10.1007/BF02562676谷歌学者：查找链接数学科学网：MR3420903·doi:10.1007/BF02562676 [18] BERGER，J.O.和PERICCHI，L.R.（1996）。用于模型选择和预测的内在贝叶斯因子。美国统计协会杂志91 109-122。数学科学网：MR1394065·Zbl 0870.62021号 [19] BERK，R.、HEIDARI，H.、JABBARI，S.、KEARNS，M.和ROTH，A.（2021）。刑事司法风险评估中的公平：最新进展。社会学方法与研究50 3-44。数字对象标识符：10.1177/0049124118782533谷歌学者：查找链接数学科学网：MR4198551·doi:10.177/049124118782533 [20] BERLINER，L.M.（1991）。混沌系统的可能性和贝叶斯预测。美国统计协会杂志86 938-952。数学科学网：MR1146342·Zbl 0771.62073号 [21] BERNARDO，J.M.和SMITH，A.F.M.（1994）。贝叶斯理论。霍博肯：威利。数学科学网：MR1274699·Zbl 0796.6202号 [22] BESAG，J.（1974年）。空间相互作用和晶格系统的统计分析。英国皇家统计学会杂志：B辑（方法学）36 192-225。数字对象标识符：10.1111/j.2517-6161.1974.tb00999.x谷歌学者：查找链接数学科学网：MR0373208·Zbl 0327.60067号 ·doi:10.1111/j.2517-6161.1974.tb00999.x [23] BEST，N.、DALLOW，N.和MONTAGUE，T.（2020年）。事先启发。药物研究中的贝叶斯方法87-109。 [24] BETANCOURT，M.（2017年）。哈密尔顿蒙特卡罗的概念介绍。arXiv预打印。 [25] BETANCOURT，M.（2018年）。校准基于模型的推断和决策。arXiv预打印。 [26] BHADRA，A.、DATTA，J.、LI，Y.和POLSON，N.（2020年）。复杂和深层模型中机器学习的马蹄规则化。《国际统计评论》88 302-320。数字对象标识符：10.1111/insr.12360谷歌学者：查找链接·Zbl 07776797号 ·doi:10.1111/insr.12360 [27] BHADRA，A.、DATTA，J.、POLSON，N.G.和WILLARD，B.（2016）。具有全局-局部收缩先验的默认贝叶斯分析。生物特征103 955-969. 数学科学网：MR3620450·Zbl 1506.62343号 [28] BISSIRI，P.G.、HOLMES，C.和WALKER，S.（2016）。更新信念分布的一般框架。英国皇家统计学会期刊：B系列（统计方法）78 1103-1130。数字对象标识符：10.1111/rssb.12158谷歌学者：查找链接数学科学网：MR3557191·Zbl 1414.62039号 ·doi:10.1111/rssb.12158 [29] BLEI，D.M.、KUCUKELBIR，A.和MCAULIFFE，J.D.（2017）。变分推理：统计学家综述。美国统计协会杂志112 859-877。数字对象标识符：10.1080/01621459.2017.1285773谷歌学者：查找链接数学科学网：MR3671776·doi:10.1080/01621459.2017.1285773 [30] BLEI，D.M.、KUCUKELBIR，A.和MCAULIFFE，J.D.（2017）。变分推理：统计学家综述。美国统计协会杂志112 859-877。数字对象标识符：10.1080/01621459.2017.1285773谷歌学者：查找链接数学科学网：MR3671776·doi:10.1080/01621459.2017.1285773 [31] 布鲁默，A.、埃伦菲赫特，A.、哈斯勒，D.和沃姆斯，M.K.（1987）。奥卡姆剃刀。信息处理信函24 377-380。数学科学网：MR0896392·Zbl 0653.68084号 [32] BOCCALETTI，S.、GREBOGI，C.、LAI，Y.-C.、MANCINI，H.和MAZA，D.（2000）。混沌控制：理论与应用。物理报告329 103-197。数学科学网：MR1752753 [33] BOELTS，J.、LUECKMANN，J.-M.、GAO，R.和MACKE，J.H.（2022年）。灵活高效的基于仿真的决策模型推理。电子生活11电子77220。 [34] BONAT，W.H.，JR，P.J.R.和ZEVIANI，W.M.（2013）。单位区间上响应的回归模型：规范、估计和比较。巴西生物识别杂志30 18。 [35] BONCHI，F.、HAJIAN，S.、MISHRA，B.和RAMAZZOTTI，D.（2017年）。揭示歧视的概率因果结构。国际数据科学与分析杂志3 1-21。 [36] BORSBOOM，D.、MELLENBERGH，G.和HEERDEN，J.（2004）。有效性的概念。心理评论111 1061-71。数字对象标识符：10.1037/0033-295X.111.41061谷歌学者：查找链接·doi:10.1037/0033-295X.111.41061 [37] 布莱曼，L.（2001）。统计建模：两种文化（作者的评论和反驳）。统计科学16 199-231。数字对象标识符：10.1214/s/1009213726谷歌学者：查找链接MathSciNet:MR1874152·Zbl 1059.62505号 ·doi:10.1214/ss/1009213726 [38] BURKART，N.和HUBER，M.F.（2021）。监督机器学习的可解释性研究。《人工智能研究杂志》70 245-317。数字对象标识符：10.1613/jair.1.12228谷歌学者：查找链接数学科学网：MR4224661·Zbl 1497.68412号 ·doi:10.1613/jair.1.12228 [39] BüRKNER，P.-C.，GABRY，J.和VEHTARI，A.（2021年）。贝叶斯非因式正态和Student-t模型的有效离场交叉验证。计算统计学36 1243-1261。数学科学网：MR4255808·Zbl 1505.62082号 [40] BüRKNER，P.-C.（2017）。brms：使用Stan的贝叶斯多级模型的R包。统计软件杂志80 1-28。 [41] BüRKNER，P.-C.（2018年）。使用R包brms的高级贝叶斯多级建模。R期刊10 395-411。数字对象标识符：10.32614/RJ-2018-017谷歌学者：查找链接·doi:10.32614/RJ-2018-017 [42] BüRKNER，P.-C.（2021年）。使用brms和Stan在R中建立贝叶斯项目响应模型。《统计软件杂志》1-54。 [43] BüRKNER，P.-C.（2022年）。关于从比较判断中获得的信息。心理测量学1-34. 出版商：斯普林格。数学科学网：MR4504998 [44] BüRKNER，P.-C.和CHARPENTIER，E.（2020年）。贝叶斯回归模型中序数预测因子的单调效应建模。英国数学与统计心理学杂志1-32。 [45] BüRKNER，P.-C.，GABRY，J.，KAY，M.和VEHTARI，A.（2022年）。后部：用于处理后部分布的工具。R包版本1.3.0。 [46] BüRKNER，P.-C.，GABRY，J.和VEHTARI，A.（2020年）。贝叶斯时间序列模型的近似离职交叉验证。统计计算与模拟杂志1-25。数学科学网：MR4145352·Zbl 07480189号 [47] BüRKNER，P.-C.，KRØKER，I.，OLADYSHKIN，S.和NOWAK，W.（2022年）。稀疏多项式混沌展开：一种具有系数联合先验和全局项选择的完全贝叶斯方法。arXiv预印本。数学科学网：MR4594126·Zbl 07696975号 [48] BüRKNER，P.-C.，SCHULTE，N.和HOLLING，H.（2018）。关于瑟斯顿IRT模型的统计和实际局限性。教育和心理测量79 827-854。出版商：洛杉矶：Sage。 [49] BüRKNER，P.-C.和VUORRE，M.（2019年）。心理学中的顺序回归模型：教程。心理科学方法与实践进展2 77-101。 [50] 卡彭特，B.，盖尔曼，A.，霍夫曼，M.D.，李，D.，古德里奇，B.，贝当古，M.，布鲁贝克，M.、郭，J.，李，P.和里德尔，A.（2017）。斯坦：一种概率编程语言。统计软件杂志76。 [51] 卡瓦略、波森和斯科特（2010年）。稀疏信号的马蹄形估计器。生物特征97 465-480. 数学科学网：MR2650751·Zbl 1406.62021号 [52] CASELLA，G.和BERGER，R.L.（2002）。统计推断。Cengage学习。数学科学网：MR1051420 [53] CATALINA，A.、BüRKNER，P.-C.和VEHTARI，A.（2022）。广义线性和可加多级模型的投影预测推理。人工智能与统计（AISTATS）会议记录。 [54] CHAN，J.、PERRONE，V.、SPENCE，J.，JENKINS，P.、MATHIESON，S.和SONG，Y.（2018年）。使用可交换神经网络的群体遗传数据的类似无障碍推理框架。神经信息处理系统进展31。 [55] CHEN，H.、CHEN，J.和KALBFLEISCH，J.D.（2004）。具有两个部件的有限混合模型的测试。英国皇家统计学会杂志：B辑（统计方法）66 95-115。数学科学网：MR2035761·Zbl 1061.62025号 [56] CHEN，Y.、ZHANG，D.、GUTMANN，M.、COURVILLE，A.和ZHU，Z.（2020年）。隐式模型的神经近似充分统计。arXiv预打印。 [57] CHOULDECHOVA，A.和ROTH，A.（2018）。机器学习中公平的前沿。 [58] CINELLI，C.、FORNEY，A.和PEARL，J.（2020年）。良好和不良控制的速成课程。SSRN电子期刊。数字对象标识符：10.2139/ssrn.3689437谷歌学者：查找链接·doi:10.2139/ssrn.3689437 [59] CORBETT-DAVIES，S.和GOEL，S.（2018年）。公平的衡量和误判：公平机器学习的批判性评论。arXiv预打印。 [60] CORMEN，T.H.、LEISERSON，C.E.、RIVEST，R.L.和STEIN，C.（2022）。算法简介。麻省理工学院出版社。数学科学网：MR2572804·Zbl 1503.68002号 [61] COWLES，M.K.和CARLIN，B.P.（1996年）。马尔可夫链蒙特卡罗收敛诊断：比较综述。美国统计协会杂志91 883-904。数学科学网：MR1395755·Zbl 0869.62066号 [62] CRANMER，K.、BREHMER，J.和LOUPPE，G.（2020年）。基于模拟的推理的前沿。美国国家科学院院刊。数学科学网：MR4263287·Zbl 1485.62004号 [63] CUSUMAN-TONER，M.F.和MANSINGHKA，V.K.（2017）。使用概率规划测量序列蒙特卡罗采样器的非渐近收敛性。arXiv预打印。 [64] DAI，C.、HENG，J.、JACOB，P.E.和WHITELEY，N.（2020年）。邀请连续蒙特卡罗采样器。arXiv预印本。数学科学网：MR4480734·Zbl 1506.65007号 [65] DE OLIVEIRA，L.、PAGANINI，M.和NACHMAN，B.（2017）。通过示例学习粒子物理：用于物理合成的位置软件生成对抗网络。大科学的计算和软件1 1-24。 [66] DE VALPINE，P.（2021年）。仔细看一些线性模型MCMC比较-NIMBLE。https://r-nimble.org/a-close-look-at-some-linear-model-mcmc-comparations。 [67] DEISTLER，M.、GONCALVES，P.J.和MACKE，J.H.（2022年）。基于可伸缩和无障碍模拟推理的截短建议。神经信息处理系统进展35 23135-23149。 [68] DEL MORAL，P.、DOUCET，A.和JASRA，A.（2006年）。连续蒙特卡罗采样器。英国皇家统计学会杂志：B辑（统计方法）68 411-436。数字对象标识符：10.1111/j.1467-9868.2006.00553.x谷歌学者：查找链接数学科学网：MR2278333·Zbl 1105.62034号 ·文件编号：10.1111/j.1467-9868.2006.00553.x [69] DEPAOLI，S.、WINTER，S.D.和VISSER，M.（2020年）。贝叶斯统计中先验敏感性分析的重要性：使用交互式Shiny应用程序进行演示。心理学前沿。 [70] DHAKA，A.K.，CATALINA，A.，ANDERSEN，M.R.，MAGNUSSON，M.，HUGGINS，J.和VEHTARI，A.（2020年）。用于变分推理的稳健、准确的随机优化。神经信息处理系统的进展33 10961-10973。 [71] DIGGLE，P.J.和GRATTON，R.J.（1984）。隐式统计模型的蒙特卡罗推理方法。英国皇家统计学会杂志：B辑（方法学）46 193-212。数学科学网：MR0781880·Zbl 0561.62035号 [72] DINH，L.、SOHL-DICKSTEIN，J.和BENGIO，S.（2016）。使用实际nvp进行密度估计。arXiv预打印arXiv:1605.08803。 [73] DOSHI-VELEZ，F.和KIM，B.（2017年）。走向可解释机器学习的严格科学。arXiv预打印。 [74] DOSS，C.R.、FLEGAL，J.M.、JONES，G.L.和NEATH，R.C.（2014）。分位数的马尔可夫链蒙特卡罗估计。电子统计杂志8 2448-2478。数字对象标识符：10.1214/14-EJS957谷歌学者：查找链接数学科学网：MR3285872·Zbl 1329.62363号 ·doi:10.1214/14-EJS957 [75] DOUCET，A.、DE FREITAS，N.和GORDON，N.（2001）。序贯蒙特卡罗方法简介。《序贯蒙特卡罗方法在实践中的应用》（A.Doucet，N.de Freitas and N.Gordon，eds.）3-14。施普林格，纽约，纽约。数字对象标识符：10.1007/978-1-4757-3437-9_1谷歌学者：查找链接数学科学网：MR1847784·Zbl 1056.93576号 ·doi:10.1007/978-14757-3437-9_1 [76] DRASGOW，F.、LEVINE，M.V.、TSIEN，S.、WILLIAMS，B.和MEAD，A.D.（1995年）。将多模项目反应理论模型应用于多项选择测验。应用心理测量19 143-166。数字对象标识符：10.1177/014662169501900203谷歌学者：查找链接·doi:10.1177/014662169501900203 [77] Drakler，F.、VESCHGINI，K.、SALMHOFER，M.和HAMPRECHT，F.（2018年）。神经网络能源领域基本上没有障碍。第35届国际机器学习会议论文集1309-1318。PMLR公司。 [78] DUERR，O.、SICK，B.和MURINA，E.（2020年）。概率深度学习：使用Python、Keras和TensorFlow概率。西蒙和舒斯特。 [79] DURáN，J.M.（2020年）。什么是仿真模型？思维与机器30 301-323。 [80] DURKAN，C.、MURRAY，I.和PAPAMAKARIOS，G.（2020年）。关于无相似推理的对比学习。在2771-2781国际机器学习会议上。PMLR公司。 [81] EL MOSELHY，T.A.和MARZOUK，Y.M.（2012）。最优映射的贝叶斯推理。计算物理杂志231 7815-7850。数学科学网：MR2972870·Zbl 1318.62087号 [82] EMBRETSON，S.E.和REISE，S.P.（2000）。项目反应理论。心理学出版社。 [83] EMERY，A.F.和NENAROKOMOV，A.V.（1998年）。优化实验设计。测量科学与技术9 864。 [84] ERDOGDU，M.A.、MACKEY，L.和SHAMIR，O.（2018年）。离散扩散的全局非凸优化。神经信息处理系统进展31。 [85] ETZ，A.和WAGENMAKERS，E.-J.（2017）。霍尔丹对贝叶斯因子假设检验的贡献。统计科学32。数字对象标识符：10.1214/16-STS599谷歌学者：查找链接数学科学网：MR3648962·Zbl 1381.62009年 ·doi:10.1214/16-STS599 [86] EVANS，M.和JANG，G.H.（2011年）。弱信息性和先验信息相对于另一先验信息。统计科学26 423-439。数学科学网：MR2917964·Zbl 1246.62007年 [87] EVANS，M.和MOSHONOV，H.（2006年）。正在检查前数据冲突。贝叶斯分析1 893-914。数学科学网：MR2282210·Zbl 1331.62030号 [88] FEDOROV，V.（2010）。优化实验设计。威利跨学科评论：计算统计学2 581-589。 [89] FELDMAN，M.、FRIEDLER，S.A.、MOELLER，J.、SCHEIDEGGER，C.和VENKATASUBRAMANIAN，S.（2015）。认证并消除不同的影响。第21届ACM SIGKDD知识发现和数据挖掘国际会议论文集259-268。澳大利亚新南威尔士州悉尼ACM。数字对象标识符：10.1145/2783258.2783311谷歌学者：查找链接·doi:10.1145/2783258.2783311 [90] FENGLER，A.、GOVINDARAJAN，L.N.、CHEN，T.和FRANK，M.J.（2021年）。认知神经科学中模拟模型快速推理的似然近似网络（LAN）。埃利夫10电子65074。 [91] FLEGAL，J.M.、HARAN，M.和JONES，G.L.（2008）。马尔可夫链蒙特卡罗：我们能相信第三个重要数字吗？统计科学23。数字对象标识符：10.1214/08-STS257谷歌学者：查找链接MathSciNet:MR2516823·Zbl 1327.62017年 ·doi:10.1214/08-STS257 [92] FLORIDI，L.和CHIRIATTI，M.（2020年）。GPT-3：其性质、范围、限制和后果。思维与机器30 681-694。数字对象标识符：10.1007/s11023-020-09548-1谷歌学者：查找链接·doi:10.1007/s11023-020-09548-1 [93] FOONG，A.、BURT，D.、LI，Y.和TURNER，R.（2020）。贝叶斯神经网络中近似推理的表达。神经信息处理系统的进展33 15897-15908。 [94] 福克斯·C·W和罗伯茨·S·J（2012）。变分贝叶斯推理教程。《人工智能评论》38 85-95。数字对象标识符：10.1007/s10462-011-9236-8谷歌学者：查找链接·doi:10.1007/s10462-011-9236-8 [95] FRAZIER，D.T.和DROVANDI，C.（2021）。具有合成似然的稳健近似贝叶斯推理。计算与图形统计杂志30 958-976。数学科学网：MR4356598·Zbl 07499930号 [96] FRAZIER，D.T.、ROBERT，C.P.和ROUSSEAU，J.（2020年）。近似贝叶斯计算中的模型错误指定：后果和诊断。英国皇家统计学会杂志：B辑（统计方法）82 421-444。数学科学网：MR4084170·Zbl 07554760号 [97] FREEDMAN，D.A.（2010年）。统计模型和因果推断：和社会科学的对话。剑桥大学出版社。数学科学网：MR2668307·Zbl 1312.62002号 [98] 弗里德曼·J·H（1991）。多元自适应回归样条。统计年鉴19 1-67。数学科学网：MR1091842·Zbl 0765.62064号 [99] FROME，E.L.（1983年）。使用泊松回归模型进行利率分析。生物计量学39 665-674. 数字对象标识符：10.2307/2531094谷歌学者：查找链接·Zbl 0534.62073号 ·doi:10.2307/2531094 [100] FUGLSTAD，G.-A.、SIMPSON，D.、LINDGREN，F.和RUE，H.（2019年）。构造惩罚高斯随机场复杂性的先验函数。美国统计协会期刊114 445-452。数学科学网：MR3941267·Zbl 1478.62279号 [101] GABAIX，X.和LAIBSON，D.（2008年）。好模型的七个特性。实证和规范经济学的基础：手册292-319。 [102] GABRY，J.、SIMPSON，D.、VEHTARI，A.、BETANCOURT，M.和GELMAN，A.（2019年）。贝叶斯工作流中的可视化。英国皇家统计学会杂志：A辑（社会统计）182 389-402。数学科学网：MR3902665 [103] GAO，Y.、KENNEDY，L.、SIMPSON，D.和GELMAN，A.（2021）。利用结构化先验改进多水平回归和后分层。贝叶斯分析16 719-744。数学科学网：MR4303866 [104] GARIPOV，T.、IZMAILOV，P.、PODOPRIKHIN，D.、VETROV，D.P.和WILSON，A.G.（2018年）。损失面、模式连通性和DNN的快速集成。神经信息处理系统进展31。 [105] GELFAND，A.E.（2000年）。吉布斯采样。美国统计协会杂志95 1300-1304。数学科学网：MR1825281·Zbl 1072.65503号 [106] GELFAND，A.E.和VOUNATSOU，P.（2003）。空间数据分析的适当多元条件自回归模型。生物统计学4 11-15. ·Zbl 1142.62393号 [107] GELMAN，A.（2004）。参数化和贝叶斯建模。美国统计协会杂志99 537-545。数字对象标识符：10.1198/016214500000458谷歌学者：查找链接·Zbl 1117.62343号 ·doi:10.1198/016214500000458 [108] GELMAN，A.、CARLIN，J.B.、STERN，H.S.、DUNSON，D.B.、VEHTARI，A.和RUBIN，D.B.（2013）。贝叶斯数据分析（第3版）。查普曼和霍尔/CRC。数字对象标识符：10.1201/b16018谷歌学者：查找链接数学科学网：MR3235677·doi:10.1201/b16018 [109] GELMAN，A.、GOODRICH，B.、GABRY，J.和VEHTARI，A.（2019年）。贝叶斯回归模型的R平方。美国统计学家73 307-309。数字对象标识符：10.1080/00031305.2018.1549100谷歌学者：查找链接数学科学网：MR3989374·兹伯利07588159 ·doi:10.1080/00031305.2018.1549100 [110] GELMAN，A.和HILL，J.（2006年）。使用回归和多级/层次模型进行数据分析。剑桥大学出版社。 [111] GELMAN，A.和RUBIN，D.B.（1992年）。使用多序列的迭代模拟推断。统计科学7 457-472。数学科学网：MR1294072·Zbl 1386.65060号 [112] GELMAN，A.、SIMPSON，D.和BETANCOURT，M.（2017）。先验通常只能在可能性的背景下理解。熵19 555-567. [113] GELMAN，A.、VEHTARI，A.、SIMPSON，D.、MARGOSSIAN，C.C.、CARPENTER，B.、YAO，Y.、KENNEDY，L.、GABRY，J.、BüRKNER，P.-C.和MODRáK，M.（2020年）。贝叶斯工作流。arXiv预打印。 [114] GEORGE，E.I.、MAKOV，U和SMITH，A.（1993）。共轭似然分布。《斯堪的纳维亚统计杂志》147-156。数学科学网：MR1229290·Zbl 0776.62027号 [115] GERTHEISS，J.和TUTZ，G.（2009年）。带有序数预测因子的惩罚回归。《国际统计评论》77 345-365。 [116] GESMUNDO，A.和DEAN，J.（2022）。大规模多任务学习系统中动态引入任务的进化方法。arXiv预打印。 [117] GEYER，C.J.（1992）。实用马尔可夫链蒙特卡罗法。统计科学473-483。 [118] GHOSH，S.、YAO，J.和DOSHI-VELEZ，F.（2019年）。贝叶斯神经网络中基于马蹄形先验的模型选择。机器学习研究杂志20 1-46。数学科学网：MR4048993·Zbl 1433.68392号 [119] GILMORE，R.和MCCALLUM，J.（1995）。Duffing振子分岔图中的结构。物理评论E 51 935。数学科学网：MR1383543 [120] GLYMOUR，C.、ZHANG，K.和SPIRTES，P.（2019）。回顾基于图形模型的因果发现方法。遗传学前沿10 524。 [121] GNEITING，T.、BALABDAOUI，F.和RAFTERY，A.E.（2007年）。概率预测、校准和清晰度。英国皇家统计学会杂志：B辑（统计方法）69 243-268。数学科学网：MR2325275·Zbl 1120.62074号 [122] GOEL，P.K.和DEGROOT，M.H.（1981年）。关于层次模型中超参数的信息。美国统计协会杂志76 140-147。数学科学网：MR0608185·Zbl 0457.62006号 [123] GON J.ALVES，P.J.、LUECKMANN，J.-M.、DEISTLER，M.、NONNEMACHER，M.，ØCAL，K.、BASSETTO，G.、CHINTALURI，C.、PODLASKI，W.F.、HADDAD，S.A.、VOGELS，T.P.等人（2020年）。训练深层神经密度估计器以识别神经动力学的机械模型。埃利夫9 e56261。 [124] GOODFELLOW，I.、BENGIO，Y.和COURVILLE，A.（2016）。深度学习。麻省理工学院出版社。数学科学网：MR3617773·Zbl 1373.68009号 [125] GRAZZINI，J.、RICHIARDI，M.G.和TSIONAS，M.（2017）。基于代理模型的贝叶斯估计。《经济动态与控制杂志》77 26-47。数学科学网：MR3626045·Zbl 1401.91459号 [126] GREENBERG，D.、NONNENMACHER，M.和MACKE，J.（2019年）。自动后验变换用于无似然推理。在2404-2414国际机器学习会议上。 [127] GRETTON，A.、BORGWARDT，K.M.、RASCH，M.J.、SCHLKOPF，B.和SMOLA，A.（2012）。内核双样本测试。机器学习研究杂志13 723-773。数学科学网：MR2913716·Zbl 1283.62095号 [128] 格罗瑙，Q.F.，萨拉福格鲁，A.，MATZKE，D.，LY，A.，BOEHM，U.，MARSMAN，M.，LESLIE，D.S.，FORSTER，J.J.，WAGENMAKERS，E.-J.和STEINGROEVER，H.（2017）。桥梁采样教程。《数学心理学杂志》81 80-97。数字对象标识符：10.1016/j.jmp.2017.09.005谷歌学者：查找链接数学科学网：MR3722819·Zbl 1402.62042号 ·doi:10.1016/j.jmp.2017.09.005 [129] GRONAU，Q.F.，SINGMANN，H.和WAGENMAKERS，E.-J.（2020年）。桥接采样：一个R包，用于估计归一化常数。统计软件杂志92 1-29。数字对象标识符：10.18637/jss.v092.i10谷歌学者：查找链接·doi:10.18637/jss.v092.i10 [130] GU，X.、MULDER，J.和HOIJTINK，H.（2018）。近似调整分数贝叶斯因子：检验信息假设的通用方法。英国数学与统计心理学杂志71 229-261·Zbl 1460.62180号 [131] GUALA，F.（2002）。模型、模拟和实验。在基于模型的推理：科学，技术，价值观59-74。斯普林格。 [132] HALDANE，J.B.S.（1932年）。关于逆概率的注记。剑桥大学哲学学会数学学报28 55-61。剑桥大学出版社·Zbl 0003.35602号 [133] HANSEN，M.H.和YU，B.（2001）。模型选择和最小描述长度原则。美国统计协会杂志96 746-774。数学科学网：MR1939352·Zbl 1017.62004号 [134] HASTIE，T.、TIBSHIRANI，R.、FRIEDMAN，J.H.和FRIEDMAN，J.H（2009）。统计学习的要素：数据挖掘、推理和预测2。斯普林格。数学科学网：MR2722294·Zbl 1273.62005年 [135] 哈斯廷斯·W·K（1970）。使用马尔可夫链的蒙特卡罗抽样方法及其应用。牛津大学出版社。数学科学网：MR3363437·Zbl 0219.65008号 [136] HERMANS，J.、BEGY，V.和LOUPPE，G.（2020年）。具有摊销近似比率估计值的无似然mcmc。在国际机器学习会议4239-4248。PMLR公司。 [137] HOBAN，S.、BERTORELLE，G.和GAGGIOTTI，O.E.（2012）。计算机模拟：用于人口和进化遗传学的工具。《自然评论遗传学》13 110-122。 [138] HODGES，J.S.和SARGENT，D.J.（2001）。计算等级和其他丰富参数模型中的自由度。生物特征88 367-379. 数学科学网：MR1844837·Zbl 0984.62045号 [139] HOFFMAN，M.和GELMAN，A.（2014）。无转动取样器：在哈密顿蒙特卡罗中自适应设置路径长度。机器学习研究杂志。数学科学网：MR3214779·Zbl 1319.60150号 [140] HOLLAND，P.W.和WAINER，H.（1993）。差异项目功能。劳特利奇。 [141] HOSSENFELDER，S.（2018年）。数学迷路：美是如何导致物理误入歧途的。英国哈切特·Zbl 1405.81002号 [142] HüLLERMEIER，E.和WAEGEMAN，W.（2021）。机器学习中的任意和认知不确定性：概念和方法介绍。机器学习110 457-506。数学科学网：MR4234924·Zbl 07432810号 [143] HYTTINEN，A.、EBERHARDT，F.和JáRVISALO，M.（2015）。当真图未知时进行计算。在阿拉伯联合酋长国395-404. Citeser。 [144] IBRAHIM，J.G.和CHEN，M.H.（2000）。回归模型的幂先验分布。统计科学15 46-60。数学科学网：MR1842236 [145] IMBENS，G.W.和RUBIN，D.B.（2015）。统计、社会和生物医学科学中的因果推理。剑桥大学出版社。数学科学网：MR3309951·Zbl 1355.6202号 [146] IVANOVA，D.R.、FOSTER，A.、KLEINEGESSE，S.、GUTMANN，M.U.和RAINFORTH，T.（2021）。隐式深度适应性设计：基于政策的无可能性实验设计。神经信息处理系统进展34 25785-25798。 [147] IZHIKEVICH，E.M.（2003）。尖峰神经元的简单模型。IEEE神经网络汇刊14 1569-1572。 [148] IZMAILOV，P.、VIKRAM，S.、HOFFMAN，M.D.和WILSON，A.G.G.（2021）。贝叶斯神经网络的后验函数到底是什么样的？第38届机器学习国际会议论文集4629-4640。PMLR公司。 [149] JANITZA，S.、STROBL，C.和BOULESTEIX，A.-L.（2013）。基于AUC的随机森林排列变量重要性度量。BMC生物信息学14 1-11。 [150] JANSON，L.、FITHIAN，W.和HASTIE，T.J.（2015）。有效自由度：一个有缺陷的隐喻。生物特征102 479-485. 数学科学网：MR3371017·Zbl 1452.62251号 [151] JIANG，B.、WU，T.-Y.、ZHENG，C.和WONG，W.H.（2017）。通过深度神经网络学习用于近似贝叶斯计算的摘要统计。统计中国1595-1618。数学科学网：MR3701500·Zbl 1392.62073号 [152] 蒋德、于杰、季川和石南（2011）。随机SIR模型整体正解的渐近性。数学和计算机建模54 221-232。数学科学网：MR2801881·Zbl 1225.60114号 [153] JOSPIN，L.V.、LAGA，H.、BOUSSAID，F.、BUNTINE，W.和BENNAMOUN，M.（2022）。亲身体验贝叶斯神经网络——深度学习用户指南。IEEE计算智能杂志17 29-48。 [154] KALLIOINEN，N.、PAANANEN，T.、BüRKNER，P.-C.和VEHTARI，A.（2021）。利用功率标度检测和诊断先验和似然敏感性。arXiv预打印。 [155] KANTZ，H.（1994）。一种估计时间序列最大Lyapunov指数的稳健方法。《物理快报》A 185 77-87。 [156] 卡普兰，D.（2008）。结构方程建模：基础与扩展10。洛杉矶：圣人。 [157] KARNIADAKIS，G.E.，KEVREKIDIS，I.G.，LU，L.，PERDIKARIS，P.，WANG，S.和YANG，L.（2021年）。基于物理的机器学习。《自然评论物理学》3 422-440。 [158] KASS，R.E.和RAFTERY，A.E.（1995）。贝叶斯因素。美国统计协会杂志90 773-795。数字对象标识符：10.1080/01621459.1995.10476572谷歌学者：查找链接数学科学网：MR3363402·Zbl 0846.62028号 ·doi:10.1080/01621459.1995.10476572 [159] KIM，B.、KHANNA，R.和KOYEJO，O.O.（2016）。榜样不够，学会批评！对可解释性的批评。神经信息处理系统进展29。 [160] KIM，S.、MA，R.、MESA，D.和COLEMAN，T.P.（2013）。通过凸优化和最优传输的高效贝叶斯推理方法。2013年IEEE信息理论国际研讨会2259-2263。电气与电子工程师协会。 [161] KINGMA，D.P.和BA，J.（2017年）。亚当：一种随机优化方法。arXiv预打印。 [162] KINGMA，D.P.和DHARIWAL，P.（2018）。辉光：具有可逆（1乘1）卷积的生成流。神经信息处理系统进展31。 [163] KLEIJN，B.和VAN DER VAART，A.（2006年）。无限维贝叶斯统计中的错误规范。统计年鉴837-877。数学科学网：MR2283395·Zbl 1095.62031号 [164] KLEIJN，B.和VAN DER VAART，A.（2012年）。错误指定下的Bernstein-Von-Mises定理。电子统计杂志6 354-381。数学科学网：MR2988412·Zbl 1274.62203号 [165] KLINGER，E.、RICKERT，D.和HASENAUER，J.（2018）。pyABC：分布式的，类似于自由推理。生物信息学34 3591-3593. [166] KOBYZEV，I.、PRINCE，S.J.和BRUBAKER，M.A.（2020年）。规范化流程：对当前方法的介绍和回顾。IEEE模式分析和机器智能事务43 3964-3979。 [167] KOCAOGLU，M.、SNYDER，C.、DIMAKIS，A.G.和VISHWANATH，S.（2017年）。Causalgan：通过对抗训练学习因果内隐生成模型。arXiv预打印。 [168] KOLCZYNSKA，M.和BüRKNER，P.-C.（2021）。随着时间的推移建立公众舆论模型：对潜在趋势模型的模拟研究。调查统计与方法杂志。 [169] KONG，A.、LIU，J.S.和WONG，W.H.（1994）。顺序插补和贝叶斯缺失数据问题。美国统计协会杂志89 278-288。数字对象标识符：10.1080/01621459.1994.10476469谷歌学者：查找链接·Zbl 0800.62166号 ·doi:10.1080/01621459.1994.10476469 [170] KOREN，I.、TZIPERMAN，E.和FEINGOLD，G.（2017）。探索非线性云雨方程。混沌：非线性科学的跨学科期刊27 013107。数学科学网：MR3594279 [171] KRUEGER，J.（2001）。零假设显著性检验：关于有缺陷方法的生存性。美国心理学家56 16-26。数字对象标识符：10.1037/0003-066X56.1.16谷歌学者：查找链接·doi:10.1037/0003-066X.56.1.16 [172] LAMBERT，B.和VEHTARI，A.（2022年）\（R^\ast\）：使用决策树分类器对具有不确定性的MCMC收敛性进行稳健诊断。贝叶斯分析17 353-379。出版商：国际贝叶斯分析学会。数学科学网：MR4483223 [173] LAVIN，A.，ZENIL，H.，PAIGE，B.，KRAKAUER，D.，GOTTSCHLICH，J.，MATTSON，T.，ANANDKUMAR，A.，CHOUDRY，S.，ROCKI，K.，BAYDIN，A.G.，PRUNKL，C.，PAIGE，B.，ISAYEV，O.，PETERSON，E.，MCMAHON，P.L.，MACKE，J.、CRANMER，K.、ZHANG，J.2021年）。模拟智能：迈向新一代科学方法。arXiv预打印。 [174] LE，T.A.、BAYDIN，A.G.和WOOD，F.（2017年）。推理编译和通用概率编程。人工智能与统计学1338-1348。PMLR公司。 [175] Lee，A.和Whiteley，N.（2018年）。粒子滤波中的方差估计。生物特征105 609-625. 数字对象标识符：10.1093/biomet/asy028谷歌学者：查找链接数学科学网：MR3842888·Zbl 1435.60053号 ·doi:10.1093/biomet/asy028 [176] LEE，J.、BAHRI，Y.、NOVAK，R.、SCHOENHOLZ，S.S.、PENNINGTON，J.和SOHL-DICKSTEIN，J.（2018）。作为高斯过程的深度神经网络。arXiv-print.数字对象标识符：10.48550/arXiv.1711.00165谷歌学者：查找链接·兹伯利07330523 ·doi:10.48550/arXiv.1711.00165 [177] LEE，Y.，OH，S.H.和KIM，M.W.（1991）。反向传播学习中初始权重对过早饱和的影响。在IJCNN-91-西雅图国际神经网络联合会议i 765-770第1卷。数字对象标识符：10.1109/IJCNN.1991.155275谷歌学者：查找链接·doi:10.1109/IJCNN.1991.155275 [178] LEHMANN，E.L.和CASELLA，G.（2006）。点估计理论。施普林格科技与商业媒体。数学科学网：MR1639875·Zbl 0916.62017号 [179] LIDDELL，T.M.和KRUSCHKE，J.K.（2018年）。用度量模型分析序数数据：可能出现什么问题？实验社会心理学杂志79 328-348。 [180] LINDGREN，F.和RUE，H.（2015）。基于R-INLA的贝叶斯空间建模。《统计软件杂志》63 1-25。 [181] LINDLEY，D.V.（1956年）。对实验提供的信息进行测量。数学统计年鉴986-1005。数学科学网：MR0083936·Zbl 0073.14103号 [182] LORENZ，E.N.（1963年）。确定性非周期流动。大气科学杂志20 130-141。数学科学网：MR4021434·Zbl 1417.37129号 [183] LOTFI，S.、IZMAILOV，P.、BENTON，G.、GOLDBLUM，M.和WILSON，A.G.（2022年）。贝叶斯模型选择、边际似然和泛化。arXiv预打印。 [184] LUECKMANN，J.-M.、BASSETTO，G.、KARALETSOS，T.和MACKE，J.H.（2019年）。利用仿真器网络进行无似然推理。在近似贝叶斯推断进展研讨会32-53。PMLR公司。数学科学网：MR3980813 [185] LUECKMANN，J.-M.、GONCALVES，P.J.、BASSETTO，G.、ØCAL，K.、NONNEMACHER，M.和MACKE，J.H.（2017）。神经动力学机械模型的灵活统计推断。神经信息处理系统进展30。 [186] LUNDERMAN，S.、MORZFELD，M.、GLASSMEER，F.和FEINGOLD，G.（2020年）。从大涡模拟中估计非线性云和雨方程的参数。Physica D:非线性现象410 132500。数学科学网：MR4091346 [187] LURIE，A.I.（2002）。分析力学。施普林格科技与商业媒体。数学科学网：MR1950333·Zbl 1015.70001号 [188] MACEACHERN，S.N.（2016）。非参数贝叶斯方法：简单介绍和概述。统计应用和方法通信23 445-466。 [189] MACKAY，D.（2003年）。信息理论、推理和学习算法。剑桥大学出版社。数学科学网：MR2012999·Zbl 1055.94001号 [190] MACKAY，D.J.（1995年）。贝叶斯神经网络和密度网络。物理研究中的核仪器和方法A部分：加速器、光谱仪、探测器和相关设备354 73-80。 [191] MACKAY，D.J.等人（1998年）。高斯过程简介。北约ASI F系列计算机和系统科学168 133-166·Zbl 0936.68081号 [192] MADRY，A.、MAKELOV，A.、SCHMIDT，L.、TSIPRAS，D.和VLADU，A.（2017）。面向抗对抗性攻击的深度学习模型。arXiv预打印。 [193] MARIN，J.-M.、PUDLO，P.、ESTOUP，A.和ROBERT，C.（2018）。无似然模型选择。查普曼和霍尔/CRC出版社。数学科学网：MR3889283 [194] MARJORAM，P.、MOLITOR，J.、PLAGNOL，V.和TAVAR E，S.（2003）。无可能性的马尔可夫链蒙特卡罗。美国国家科学院院刊100 15324-15328。 [195] MARK，C.、METZNER，C.、LAUTSCHAM，L.、STRISSEL，P.L.、STRICK，R.和FABRY，B.（2018年）。复杂动态系统的贝叶斯模型选择。自然通信9 1803。数字对象标识符：10.1038/s41467-018-04241-5谷歌学者：查找链接·doi:10.1038/s41467-018-04241-5 [196] MARTIN，G.M.、FRAZIER，D.T.和ROBERT，C.P.（2021）。21世纪的近似贝叶斯。arXiv预打印。 [197] 马塞戈萨，A.（2020）。模型错误指定下的学习：变分和集成方法的应用。神经信息处理系统的进展33 5479-5491。 [198] MAY，R.M.（1976年）。具有非常复杂动力学的简单数学模型。性质261 459. ·Zbl 1369.37088号 [199] MAYO-WILSON，C.和ZOLLMAN，K.J.（2021）。计算哲学：模拟是一种核心的哲学方法。合成1-27. 数学科学网：MR4341870 [200] MCCALLUM，R.S.（2003）。非语言评估手册30。斯普林格。 [201] MCCULLAGH，P.（1980年）。有序数据的回归模型。英国皇家统计学会期刊：B辑（方法论）42 109-127。数学科学网：MR0583347·Zbl 0483.62056号 [202] MCELREATH，R.（2020年）。统计反思：一门贝叶斯课程，以R和Stan为例。查普曼和霍尔/CRC。 [203] MENG，X.-L.和WONG，W.H.（1996）。通过简单恒等式模拟归一化常数的比率：一种理论探索。中国统计局6 831-860。数学科学网：MR1422406·Zbl 0857.62017号 [204] MESTDAGH，M.、VERDONCK，S.、MEERS，K.、LOOSSENS，T.和TUERLINCKX，F.（2019年）。预付参数估计，无可能性。《公共科学图书馆·计算生物学》15 e1007181。 [205] MIKKOLA，P.、MARTIN，O.A.、CHANDRAMOULI，S.、HARTMANN，M.、PLA，O.A、THOMAS，O.、PESONEN，H.、CORANDER，J.、VEHTARI，A.、KASKI，S、BüRKNER、PAUL-CHRISTIAN和KLAMI，ARTO（2021）。先验知识启发：过去、现在和未来。arXiv预打印。 [206] MILLER，T.（2019）。人工智能解释：来自社会科学的见解。人工智能267 1-38。数字对象标识符：10.1016/j.artint.2018.07.007谷歌学者：查找链接数学科学网：MR3874511·Zbl 1478.68274号 ·doi:10.1016/j.artint.2018.07.007 [207] MINKA，T.P.（2013）。近似贝叶斯推理的期望传播。arXiv预打印。 [208] MODRáK，M.、MOON，A.H.、KIM，S.、BüRKNER，P.、HURRE，N.、FALTEJSKOVá，K.、GELMAN，A.和VEHTARI，A.（2023年）。贝叶斯计算的基于仿真的校准检查：测试数量的选择形状敏感性。arXiv:2211.02383[统计]。数字对象标识符：10.48550/arXiv.2211.02383谷歌学者：查找链接·doi:10.48550/arXiv.2211.02383 [209] 莫尔纳，C.（2020）。可解释机器学习。露露网。 [210] MORGAN，S.L.和WINSHIP，C.（2015）。反事实和因果推断。剑桥大学出版社。 [211] 莫里斯·M、惠勒-马丁·K、辛普森·D、莫尼·S·J、盖尔曼·A和迪马戈·C（2019）。贝叶斯层次空间模型：在Stan中实现Besag-York-Mollié模型。空间和时空流行病学31 1-18。 [212] MüLLER，A.（1997年）。积分概率度量及其函数生成类。应用概率的进展29 429-443。数学科学网：MR1450938·Zbl 0890.60011号 [213] NALBORCZYK，L.、BüRKNER，P.-C.和WILLIAMS，D.R.（2019年）。实用主义不应取代统计素养，Albers、Kiers和van Ravenzwaaij的评论（2018）。Collabra：心理学5。 [214] NEAL，R.M.（2011）。使用哈密顿动力学的MCMC。《马尔可夫链蒙特卡罗手册》139-188。查普曼和霍尔/CRC。数学科学网：MR2858447 [215] Nelder，J.A.和Wedderburn，R.W.（1972年）。广义线性模型。英国皇家统计学会杂志：A辑（综述）135 370-384。数学科学网：MR0375592 [216] NOBLE，D.（2012）。生物相对论：没有特权级别的因果关系。界面焦点2 55-64。 [217] NOCEDAL，J.和WRIGHT，S.J.（1999）。数值优化。斯普林格。数学科学网：MR1713114·Zbl 0930.65067号 [218] NUSSBAUMER，A.、POPE，A.和NEVILLE，K.（2021）。将伦理设计应用于应急管理决策支持系统的框架。信息系统杂志。 [219] O'HAGAN，A.（1995年）。模型比较的分数贝叶斯因子。英国皇家统计学会杂志：B辑（方法学）57 99-118。数学科学网：MR1325379·兹伯利0813.62026 [220] O'HAGAN，A.（2019年）。专家知识启发：主观但科学。美国统计学家。数学科学网：MR3925710·Zbl 07588187号 [221] OPPER，M.和WINTHER，O.（2000）。高斯分类过程：平均场算法。神经计算12 2655-2684。 [222] OSTERLIND，S.J.和EVERSON，H.T.（2009）。差异项功能161。圣人。 [223] PAANANEN，T.、PIIRONEN，J.、BüRKNER，P.-C.和VEHTARI，A.（2021）。隐式自适应重要性抽样。统计与计算31 16。数字对象标识符：10.1007/s11222-020-09992-2谷歌学者：查找链接数学科学网：MR4216405·Zbl 1475.62053号 ·doi:10.1007/s11222-020-09982-2 [224] PACCHIARDI，L.和DUTTA，R.（2021）。使用评分规则估计器的广义贝叶斯似无蹄推理。arXiv预打印。 [225] PACCHIARDI，L.和DUTTA，R.（2022）。基于评分规则最小化的生成神经网络无似然推理。arXiv预打印arXiv:2205.15784·Zbl 07625191号 [226] PAIGE，B.和WOOD，F.（2016年）。图形模型中顺序蒙特卡罗的推理网络。国际机器学习会议48 3040-3049。 [227] PALMINTERI，S.、WYART，V.和KOECHLIN，E.（2017年）。伪造在计算认知建模中的重要性。认知科学趋势21 425-433。 [228] PAPAMAKARIOS，G.和MURRAY，I.（2016年）。基于贝叶斯条件密度估计的仿真模型快速无ε推理。第30届神经信息处理系统国际会议论文集1036-1044。 [229] PAPAMAKARIOS，G.、NALISNICK，E.T.、REZENDE，D.J.、MOHAMED，S.和LAKSHMINARAYANAN，B.（2021年）。规范化用于概率建模和推理的流。J.马赫。学习。第22 1-64号决议。数学科学网：MR4253750·Zbl 07370574号 [230] PAPAMAKARIOS，G.、PAVLAKOU，T.和MURRAY，I.（2017年）。用于密度估计的掩蔽自回归流。神经信息处理系统进展30。 [231] PAPAMAKARIOS，G.、STERRATT，D.和MURRAY，I.（2019年）。序贯神经似然法：用自回归流进行快速似然推理。在第22届国际人工智能与统计大会上，837-848。PMLR公司。 [232] 《议会与欧盟》，C.（2016年）。一般数据保护规定。 [233] PARNO，M.、MOSELHY，T.和MARZOUK，Y.（2016）。使用传输映射进行贝叶斯推断的多尺度策略。SIAM/ASA不确定性量化期刊4 1160-1190。数学科学网：MR3556075·Zbl 1356.62038号 [234] PAVONE，F.、PIIRONEN，J.、BüRKNER，P.-C.和VEHTARI，A.（2022）。在变量选择中使用参考模型。计算统计。数字对象标识符：10.1007/s00180-022-01231-6谷歌学者：查找链接数学科学网：MR4556024·Zbl 07696213号 ·doi:10.1007/s00180-022-01231-6 [235] PEARL，J.（2009）。统计学中的因果推理：概述。统计调查3 96-146。数学科学网：MR2545291·Zbl 1300.62013年 [236] PEARL，J.（2009）。因果关系剑桥大学出版社。数学科学网：MR2548166·Zbl 1188.68291号 [237] PEARL，J.（2012）。重新审视了do-calculus。arXiv预打印。 [238] PEARL，J.（2019年）。因果推理的七种工具，以及对机器学习的反思。ACM 62 54-60通信。 [239] 皮亚塔多西，S.T.（2018）。一个参数就足够了。AIP预付款8 095118。 [240] PIIRONEN，J.和VEHTARI，A.（2017年）。马蹄铁和其他收缩前的稀疏信息和规则化。电子统计杂志11 5018-5051。数学科学网：MR3738204·兹比尔1459.62141 [241] PIIRONEN，J.和VEHTARI，A.（2017年）。贝叶斯预测方法在模型选择中的比较。统计与计算27 711-735。数字对象标识符：10.1007/s11222-016-9649-y谷歌学者：查找链接数学科学网：MR3613594·Zbl 1505.62321号 ·doi:10.1007/s11222-016-9649-y [242] PLUMMER，M.等人（2003年）。JAGS：使用吉布斯抽样分析贝叶斯图形模型的程序。第三届分布式统计计算国际研讨会论文集124 1-10。奥地利维也纳。 [243] PRITCHARD，J.K.、SEIELSTAD，M.T.、PEREZ-LEZAUN，A.和FELDMAN，M.W.（1999）。人类Y染色体的群体增长：Y染色体微卫星的研究。分子生物学与进化16 1791-1798。 [244] PéREZ，C.、MARTíN，J.和RUFO，M.J.（2006）。基于MCMC的局部参数敏感性估计。计算统计与数据分析51 823-835。数学科学网：MR2297491·Zbl 1157.62364号 [245] RADEV，S.T.、D’ALESSANDRO，M.、MERTENS，UK、VOSS，A.、KØTHE，U.和BüRKNER，P.-C.（2021）。摊销贝叶斯模型与证据深度学习的比较。IEEE神经网络和学习系统汇刊。 [246] RADEV，S.T.、GRAW，F.、CHEN，S.、MUTTERS，N.T.，EICHEL，V.M.、BáRNIGHAUSEN，T.和KØTHE，U.（2021年）。爆发流：利用可逆神经网络对疾病爆发动力学进行基于模型的贝叶斯推断及其在德国新冠肺炎疫情中的应用。《公共科学图书馆·计算生物学》17 e1009472。 [247] RADEV，S.T.、MERTENS，UK K.、VOSS，A.、ARDIZZONE，L.和KØTHE，U.（2020年）。贝叶斯流：使用可逆神经网络学习复杂随机模型。IEEE神经网络和学习系统汇刊。数学科学网：MR4516681 [248] RADEV，S.T.、SCHMITT，M.、PRATZ，V.、PICCHINI，U.、KØTHE，U.和BüRKNER，P.C.（2023年）。JANA：复杂贝叶斯模型的联合摊销神经近似。人工智能的不确定性（UAI）会议记录。arXiv:2302.09125[cs，stat]。数字对象标识符：10.48550/arXiv.2302.09125谷歌学者：查找链接·doi:10.48550/arXiv.2302.09125 [249] RADEV，S.T.、VOSS，A.、WIESCHEN，E.M.和BüRKNER，P.C.（2020年）。认知模型的分期贝叶斯推理。在国际认知建模会议（ICCM）上。 [250] RAGINSKY，M.、RAKHLIN，A.和TELGARSKY，M.（2017）。通过随机梯度langevin动力学的非凸学习：一个非症状分析。学习理论会议1674-1703。PMLR公司。 [251] RAISSI，M.（2019年）。基于物理的神经网络：用于解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架。计算物理杂志22。数学科学网：MR3881695·Zbl 1415.68175号 [252] RANGANATH，R.、GERRISH，S.和BLEI，D.（2014）。黑箱变分推理。第十七届国际人工智能与统计会议记录814-822。PMLR公司。 [253] RASMUSSEN，C.E.（2003）。机器学习中的高斯过程。在机器学习夏令营63-71。斯普林格·Zbl 1120.68436号 [254] RAYNAL，L.、MARIN，J.-M.、PUDLO，P.、RIBATET，M.、ROBERT，C.P.和ESTOUP，A.（2019年）。用于贝叶斯参数推断的ABC随机森林。生物信息学35 1720-1728. [255] RISSANEN，J.（1978）。通过最短数据描述建模。Automatica公司14 465-471. ·兹伯利0418.93079 [256] ROBERT，C.P.、CASELLA，G.和CASELLA（1999）。蒙特卡洛统计方法2。斯普林格。数学科学网：MR1707311·Zbl 0935.62005号 [257] ROOS，M.、MARTINS，T.G.、HELD，L.和RUE，H.（2015）。贝叶斯层次模型的敏感性分析。贝叶斯分析10 321-349。数学科学网：MR3420885·Zbl 1335.62059号 [258] ROTHWELL，J.（2014）。禁毒战争如何损害黑人的社会流动性。布鲁金斯学会。 [259] RUBIN，D.B.（1984）。应用统计学家的贝叶斯合理和相关频率计算。《统计年鉴》12 1151-1172。数学科学网：MR0760681·Zbl 0555.62010号 [260] RUE，H.和HELD，L.（2005）。高斯马尔可夫随机场：理论与应用。查普曼和霍尔/CRC。数字对象标识符：10.1201/9780203492024谷歌学者：查找链接数学科学网：MR2130347·邮编1093.60003 ·doi:10.1201/9780203492024 [261] Rue，H.、Martino，S.和Chopin，N.（2009年）。利用集成嵌套拉普拉斯近似对潜在高斯模型进行近似贝叶斯推断。英国皇家统计学会杂志：B辑（统计方法）71 319-392。数字对象标识符：10.1111/j.1467-9868.2008.00700.x谷歌学者：查找链接数学科学网：MR2649602·Zbl 1248.62156号 ·doi:10.1111/j.1467-9868.2008.00700.x [262] RUE，H.、RIEBLER，A.、SØRBYE，S.H.、ILLIAN，J.B.、SIMPSON，D.P.和LINDGREN，F.K.（2017）。基于INLA的贝叶斯计算：综述。统计及其应用年鉴4 395-421。数学科学网：MR3634300 [263] RUST，J.和GOLOMBOK，S.（2014）。《现代心理测量学：心理评估科学》（第三版）。劳特利奇。数字对象标识符：10.4324/9781315787527谷歌学者：查找链接·doi:10.4324/9781315787527 [264] 圣马丁·N，E.（2018）。结构特征的可识别性：它与贝叶斯方法的相关性如何？《巴西概率与统计杂志》32 346-373。数学科学网：MR3787758·Zbl 1453.62271号 [265] 圣马丁E.和冈萨雷斯J.（2010）。贝叶斯可识别性：对非决定性辩论的贡献。智利统计杂志1 69-91。数学科学网：MR2756120·Zbl 1213.62011年 [266] SCHAD，D.J.、BETANCOURT，M.和VASHITHH，S.（2021）。认知科学中的原则贝叶斯工作流。心理学方法26 103。 [267] SCHAD，D.J.、NICENBOIM，B.、BüRKNER，P.-C.、BETANCOURT，M.和VASISHTH，S.（2021年）。稳健使用贝叶斯因子的工作流技术。心理学方法。 [268] SCHAFER，T.L.J.和MATTESON，D.S.（2023）。计数时间序列中趋势和中断的局部自适应收缩先验。arXiv预印本。arXiv:2309.00080[stat]。 [269] SCHMITT，M.、BüRKNER，P.-C.、KØTHE，U.和RADEV，S.T.（2023年）。用神经网络检测摊销贝叶斯推理中的模型错误指定。德国模式识别会议（GCPR）论文集。 [270] SCHOLZ，M.和BüRKNER，P.-C.（2022）。在因果一致贝叶斯广义线性模型中，预测可以安全地用作解释的代理。arXiv预打印arXiv:2210.06927。 [271] SCHUSTER，H.G.和JUST，W.（2006）。确定性混沌：导论。约翰·威利父子公司。数学科学网：MR2190040·Zbl 1094.37001号 [272] 夏尔马S.、夏尔马S.和雅典A.（2017年）。神经网络中的激活函数。走向数据科学6 310-316。 [273] SHMUELI，G.（2010）。解释还是预测？统计科学25 289-310。数学科学网：MR2791669·Zbl 1329.62045号 [274] SIMON，H.A.（1996年）。人工科学。麻省理工学院出版社。 [275] SISSON，S.A.、FAN，Y.和TANAKA，M.M.（2007年）。无可能性的连续蒙特卡罗。国家科学院院刊104 1760-1765。数学科学网：MR2301870·Zbl 1160.65005号 [276] SORNETTE，D.（2009）。股市为何崩盘。《股市为何崩盘》，普林斯顿大学出版社·兹比尔1126.91001 [277] SPIEGELHALTER，D.J.、BEST，N.G.、CARLIN，B.P.和VAN DER LINDE，A.（1998）。贝叶斯偏差、有效参数数和任意复杂模型的比较技术报告，Citeser。 [278] SPIRTES，P.和ZHANG，K.（2016）。因果发现和推理：概念和最近的方法学进展。《应用信息学》3 1-28。SpringerOpen。 [279] SPRINGER，S.、HAARIO，H.、SUSILUOTO，J.、BIBOV，A.、DAVIS，A.和MARZOUK，Y.（2021）。大型混沌动力系统的有效贝叶斯推理。地球科学模型开发14 4319-4333。 [280] STONE，M.（1978年）。交叉验证：综述。统计学：理论与应用统计学杂志9 127-139。数学科学网：MR0494581·Zbl 0392.62052号 [281] STORCH，L.S.、PRINGLE，J.M.、ALEXANDER，K.E.和JONES，D.O.（2017）。重新审视逻辑图：仔细观察具有生态现实空间结构和扩散的经典混沌种群模型的动力学。理论种群生物学114 10-18。 [282] SUNN O.KER，M.、BUSETTO，A.G.、NUMMINEN，E.、CORANDER，J.、FOLL，M.和DESSIMOZ，C.（2013）。近似贝叶斯计算。PLOS计算生物学9 e1002803。数字对象标识符：10.1371/journal.pcbi.1002803谷歌学者：查找链接数学科学网：MR3032718·doi:10.1371/journal.pcbi.1002803 [283] S A ILYNOJA，T.、BüRKNER，P.-C.和VEHTARI，A.（2022年）。离散均匀性的图形测试及其在薄膜质量评估和多样品比较中的应用。统计与计算32 32。数字对象标识符：10.1007/s11222-022-10090-6谷歌学者：查找链接数学科学网：MR4402179·Zbl 1484.62010年 ·doi:10.1007/s11222-022-10090-6 [284] TALTS，S.、BETANCOURT，M.、SIMPSON，D.、VEHTARI，A.和GELMAN，A.（2018年）。用基于模拟的校准验证贝叶斯推理算法。arXiv预打印。 [285] TAVARé，S.、BALDING，D.J.、GRIFFITHS，R.C.和DONNELY，P.（1997）。从DNA序列数据推断聚合时间。遗传学145 505-518. [286] STAN开发团队（2022年）。Stan建模语言用户指南和参考手册，2.30版。 [287] THALL，P.F.和VAIL，S.C.（1990年）。具有过度分散的纵向计数数据的一些协方差模型。生物计量学657-671. 数学科学网：MR1085814·Zbl 0712.62048号 [288] 汤普森E.和瓦雷拉F.J.（2001）。根本体现：神经动力学和意识。认知科学趋势5 418-425。 [289] TURNER，B.M.和SEDERBERG，P.B.（2014）。用于后验估计的一种广义的、类似无网格的方法。心理通报与评论21 227-250。 [290] 范德林登，W.J.和汉密尔顿，R.K.（1997）。现代项目反应理论手册。斯普林格·弗拉格。数学科学网：MR1601043·Zbl 0872.62099号 [291] 范德帕斯，S.（2021）。马蹄铁和其他全局-局部收缩先验的理论保证。贝叶斯变量选择手册133-160。查普曼和霍尔/CRC·Zbl 07533215号 [292] VAN DER SCHAFT，A.（2007年）。Port-Hamilton系统：介绍性综述。2006年8月22日至30日，马德里国际数学家大会会议记录（M.Sanz-Solé、J.Soria、J.L.Varona和J.Verdera编辑）1339-1365。欧洲数学学会出版社，瑞士苏埃里奇。数字对象标识符：10.4171/022-3/65谷歌学者：查找链接·Zbl 1108.93012号 ·doi:10.4171/022-3/65 [293] VAN ERP，S.、OBERSKI，D.L.和MULDER，J.（2019年）。贝叶斯惩罚回归的收缩先验。数学心理学杂志89 31-50。出版商：爱思唯尔。数学科学网：MR3903921·Zbl 1431.62564号 [294] VANDERWEELE，T.（2015）。因果推理中的解释：调解和互动的方法。牛津大学出版社。 [295] VEHTARI，A.（2021年）。MCMC有效样本量估计值的比较。https://avehtari.github.io/rhat_ess/ess_comparison.html。 [296] VEHTARI，A.、GELMAN，A.和GABRY，J.（2017年）。使用留一交叉验证和WAIC的实用贝叶斯模型评估。统计与计算27 1413-1432。数字对象标识符：10.1007/s11222-016-9696-4谷歌学者：查找链接数学科学网：MR3647105·Zbl 1505.62408号 ·数字标识代码：10.1007/s11222-016-9696-4 [297] VEHTARI，A.、GELMAN，A.、SIMPSON，D.、CARPENTER，B.和BüRKNER，P.-C.（2021）。秩正规化、折叠和局部化：一种用于评估MCMC收敛性的改进的（hat{R}）。贝叶斯分析16。数字对象标识符：10.1214/20-BA1221谷歌学者：查找链接数学科学网：MR4298989·Zbl 07637221号 ·doi:10.1214/20-BA1221 [298] VEHTARI，A.、GELMAN，A.、SIVULA，T.、JYL AL NKI，P.、TRAN，D.、SAHAI，S.、BLOMSTEDT，P.，CUNNINGHAM，J.P.、SCHIMINOVICH，D.和ROBERT，C.P.（2020年）。期望传播作为一种生活方式：对分区数据进行贝叶斯推断的框架。机器学习研究Jorunal 21 1-53。数学科学网：MR4071200·Zbl 1498.68287号 [299] VEHTARI，A.和OJANEN，J.（2012）。模型评估、选择和比较的贝叶斯预测方法综述。统计调查6 142-228。数学科学网：MR3011074·Zbl 1302.62011年 [300] VEHTARI，A.、SIMPSON，D.、GELMAN，A.、YAO，Y.和GABRY，J.（2021年）。帕雷托平滑了重要性抽样。arXiv预打印。 [301] VICTORIA，A.H.和MARAGATHAM，G.（2021）。使用贝叶斯优化自动调整超参数。进化系统12 217-223。 [302] VIVES，J.、LOSILLA，J.-M.和RODRIGO，M.-F.（2006）。统计心理学应用研究中的数据。心理报告98 821-835。 [303] VON KRAUSE，M.、RADEV，S.T.和VOSS，A.（2022）。对一百多万参与者的分析显示，60岁之前的心理速度很快。自然-人类行为1-9。 [304] WAGENAAR，W.A.和SAGARIA，S.D.（1975年）。对指数增长的误解。感知与心理物理学18 416-422。 [305] WAGENMAKERS，E.-J.、SARAFOGLOU，A.和ACZEL，B.（2022年）。一个统计分析不能将其全部排除在外。 [306] WAINBERG，M.、MERICO，D.、KELLER，M.C.、FAUMAN，E.B.和TRIPATHY，S.J.（2022）。利用高级病因学知识从精神病全基因组关联研究中预测致病基因。分子精神病学27 3095-3106。数字对象标识符：10.1038/s41380-022-01542-6谷歌学者：查找链接·doi:10.1038/s41380-022-01542-6 [307] WARD，D.，CANNON，P.，BEAUMONT，M.，FASIOLO，M.和SCHMON，S.（2022年）。稳健的神经后验估计和统计模型批评。神经信息处理系统的进展35 33845-33859。 [308] WATANABE，S.（2009年）。代数几何与统计学习理论。剑桥大学出版社。数学科学网：MR2847990·Zbl 1180.93108号 [309] WATANABE，S.和OPPER，M.（2010）。奇异学习理论中贝叶斯交叉验证的渐近等价性和广泛适用的信息准则。机器学习研究杂志11。数学科学网：MR2756194·Zbl 1242.62024号 [310] WELANDAWE，M.、ANDERSEN，M.R.、VEHTARI，A.和HUGGINS，J.H.（2022年）。稳健、自动化和准确的黑盒变分推理。arXiv预打印。 [311] Williams，C.K.和Rasmussen，C.E.（1996）。回归的高斯过程。神经信息处理系统进展514-520。 [312] 威廉姆斯·D.R.、卡尔松·R.和BüRKNER·P.-C.（2017年）。荷尔蒙和行为发育研究中的窝间变异：假阳性增加，功率降低。神经内分泌前沿47 154-166。 [313] B.温特和P.-C.布瑞克纳（2021）。语言学家的泊松回归：使用brms建模计数数据的教程介绍。语言与语言学指南15 e12439。 [314] WIQVIST，S.、FRELLSEN，J.和PICCHINI，U.（2021年）。序贯神经后验和似然逼近。arXiv预印本。 [315] 伍德，S.N.（2003）。薄板回归样条。英国皇家统计学会杂志：B辑（统计方法）65 95-114。数学科学网：MR1959095·Zbl 1063.62059号 [316] WRINCH，D.和JEFFREYS，H.（1919）。关于概率论的某些方面。《伦敦、爱丁堡和都柏林哲学杂志》和《科学杂志》38 715-731。 [317] YANG，J.-B.，SHEN，K.-Q.，ONG，C.-J.和LI，X.-P.（2009）。MLP神经网络的特征选择：概率输出的随机排列的使用。IEEE神经网络汇刊20 1911-1922。 [318] YAO，Y.、VEHTARI，A.、SIMPSON，D.和GELMAN，A.（2018年）。使用叠加平均贝叶斯预测分布（讨论）。贝叶斯分析13 917-1007。数学科学网：MR3853125·Zbl 1407.62090号 [319] YAO，Y.、VEHTARI，A.、SIMPSON，D.和GELMAN，A.（2018年）。是的，但它有效吗评估变分推理。机器学习研究论文集80 5581-5590。 [320] YARKONI，T.和WESTFALL，J.（2017）。在心理学中选择预测而不是解释：机器学习的教训。心理科学展望12 1100-1122。 [321] 张安忆和周华华（2020）。群落检测中平均场变分推断的理论和计算保证。《统计年鉴》48 2575-2598。数学科学网：MR4152113·Zbl 1462.62221号 [322] ZHANG，F.和GAO，C.（2020年）。变分后验分布的收敛速度。《统计年鉴》48 2180-2207。数学科学网：MR4134791·Zbl 1471.62243号 [323] ZHANG，Q.，WU，Y.N.和ZHU，S.-C.（2018）。可解释的卷积神经网络。计算机视觉和模式识别会议论文集8827-8836。 [324] ZHANG，Q.-S.和ZHU，S.-C.（2018）。深度学习的视觉可解释性：一项调查。信息技术与电子工程前沿19 27-39。数字对象标识符：10.1631/FITEE.1700808谷歌学者：查找链接·doi:10.1631/FITEE.1700808 [325] ZHANG，Y.D.、NAUGHTON，B.P.、BONDELL，H.D.和REICH，B.J.（2020年）。使用模型拟合先验的贝叶斯回归：R2-D2收缩先验。美国统计协会杂志1-13。数学科学网：MR4436318·兹比尔1507.62266 [326] ZHOU，Y.、JOHANSEN，A.M.和ASTON，J.A.D.（2016）。走向自动模型比较：一种自适应序贯蒙特卡罗方法。计算与图形统计杂志25 701-726。数字对象标识符：10.1080/10618600.2015.060885谷歌学者：查找链接数学科学网：MR3533634·doi:10.1080/10618600.2015.1060885 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。