跳转至

2026-10-20 每日资讯

  • 高相关论文 2 篇 · 中相关 24 篇 · 其他 11 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文(按主题分组)

因果推断 (causal_inference, 1 篇)

1. 2610.27425 — A Bayesian machine learning approach to direct and spillover effects in cluster-randomized trials with noncompliance

  • 作者: Saurabh Bhandari, Fan Li, Michael J. Daniels
  • 机构: Chicago Department of Public Health · Yale University · University of Florida
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在集群随机试验中,针对治疗不依从(noncompliance)情形,提出一种贝叶斯机器学习方法来估计直接效应和溢出效应。为灵活建模结局和治疗接受情况,同时考虑集群内相关性,作者将贝叶斯加性回归树(BART)与集群水平随机效应相结合。他们通过引入一个基于初步接受模型预测的同伴治疗比例作为'聪明协变量'(clever covariate),来缓解正则化对效应分解造成的扭曲。在贝叶斯 g-computation 框架下,估计集群平均意向治疗效应(ITT)和集群平均局部平均治疗效应(LATE),并检验其分解所依赖的跨世界(cross-world)假设的敏感性。模拟研究表明,在模型误设下该方法能降低偏差,而正确设定的参数模型则表现出预期的频率学性质。应用肯尼亚小学驱虫项目数据,发现感染风险降低,且个体治疗接受贡献大于同伴接受贡献。该方法为存在治疗不依从时直接与溢出效应的灵活贝叶斯分解提供了新工具。
  • 关键技术: Bayesian additive regression trees (BART), cluster-level random effects, clever covariate, Bayesian g-computation, intent-to-treat (ITT) effects, local average treatment effects (LATE)
  • 为什么对您有用: 本文直接关联因果推断中的集群随机试验、不依从处理和溢出效应估计,属于您的主要兴趣方向。其巧妙之处在于用 BART 加随机效应处理复杂依赖,并通过 clever covariate 改善效应分解,这为您的因果推断研究提供了新的建模思路。您可考虑用您熟悉的 semiparametric theory 或 higher-order influence functions 来审视其估计量的渐近性质,或将其与现有 DML 方法对比。

其他 (other, 1 篇)

1. 2610.28387 — Exact Covariance Structure and Efficient Computation for L-Comoments

  • 作者: Palakorn Seenoi, Jeong-Soo Park
  • 机构: Khon Kaen University · Chonnam National University
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究 L-comoments(L-moments 的多元推广)的有限样本协方差结构。作者利用显式条件 U-统计量核,推导出样本 L-comoments 的精确有限样本协方差公式,填补了该领域仅有一元 L-moments 协方差理论的空白。基于此,他们构造了渐近投影估计量和有限样本协方差的无偏估计量,并开发了正定修正以保证估计量的可逆性。计算上,提出一种高效的 rank-prefix 算法,能在 O(n^2) 时间内计算完整的无偏协方差估计量,无需枚举不相交子集,数值实验显示显著的计算节省。该结果为一阶协方差近似(如 L-comoment 比值)及后续多元 L-moment 估计提供了理论基础。对您而言,本文的核心贡献在于将高阶 U-统计量的精确协方差计算与高效算法结合,直接关联您对高阶 U-统计量计算(treewidth/张量收缩)的兴趣,且其 O(n^2) 算法可能启发您对类似统计量的计算复杂度优化。
  • 关键技术: conditional U-statistic kernels, exact finite-sample covariance, asymptotic projection estimator, positive-definite correction, rank-prefix algorithm
  • 为什么对您有用: 本文属于高阶 U-统计量理论,直接对应您 primary interest 中的 higher-order U-statistics 和 statistical computing。其核心是推导精确协方差公式并设计高效算法,您可用 very_familiar 的 U-统计量计算(treewidth/张量收缩)视角审视其 rank-prefix 算法是否可推广到更一般的 U-统计量结构。中期可做:若想将方法扩展到更复杂的 L-comoment 组合,需在 moderately_familiar 的 HOIF 理论上加强。

📌 中相关论文(按主题分组)

因果推断 (causal_inference, 4 篇)

1. 2610.28379 — Interpretable subgroup identification across survival and generalized-linear outcomes

  • 作者: Larry F. Leon, Keaven M. Anderson
  • 相关性 7/10 · novelty: application
  • 摘要: 本文研究临床试验中可解释亚组的识别与推断问题,目标是在大量候选亚组中选出效应最强的子集并给出校正后的推断。方法上,作者将亚组定义为协变量切分的合取形式,并通过森林搜索、因果森林或交叉拟合曲面估计器生成候选,每种建模选择都在亚组大小与效应强度间权衡。筛选规则基于分裂一致性(效应在半分裂样本中的复现率),其闭式形式等价于互补对稳定性选择,且候选族上的最大值分布控制族wise错误率。推断采用免重拟合的乘子重抽样,给出亚组及其补集的一侧校正界,可联合成两亚组声明,覆盖渐近精确性在分离选择下成立、在局部竞争下刻画、并条件于由结局提出的候选族。模拟与两个试验应用覆盖生存、二元和连续结局。对您而言,本文的亚组选择与推断框架可连接到因果推断中的异质性效应估计和敏感性分析,尤其是多重比较校正与选择后推断的结合点。
  • 关键技术: subgroup identification, stability selection, multiplier resampling, causal forest, cross-fitting, family-wise error control
  • 为什么对您有用: 本文属于因果推断中异质性处理效应估计的应用型方法论文,直接连接到您的 primary interest 中的因果推断(异质性效应)和假设检验(多重比较校正)。您的 very_familiar 工具(如非参数统计、估计理论)足以理解其筛选与推断机制,但若要深入其稳定性选择的闭式推导,可能需要补充组合概率知识;总体而言,中期可做——可考虑将类似的选择后推断框架应用到您熟悉的纵向或中介分析场景。

2. 2610.27873 — Data-Driven Learning of Directed Acyclic Graphs in Gaussian Linear Structural Equation Models with Latent Variables

  • 作者: Siliang Zhang, Yunxiao Chen, Irini Moustaki
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究含潜变量的高斯线性结构方程模型中的半探索性DAG学习问题:测量模型的载荷结构已知,但结构变量间的路径图(DAG)未知,需从数据中学习。作者首先证明了结构模型的可识别性,即未知DAG仅可识别到其马尔可夫等价类。随后提出DAGGLE方法,一种两阶段基于似然的DAG结构学习与参数估计方法:第一阶段通过惩罚边际似然的连续优化筛选候选边,第二阶段在马尔可夫等价类空间上进行BIC引导的后向搜索以剪枝。在温和的正则性与搜索条件下,DAGGLE能以趋于1的概率恢复真实的马尔可夫等价类。数值模拟和欧洲社会调查(司法信任模块)的应用验证了方法的有效性,所得模型与实质性理论一致且拟合更优。对您而言,该文将潜变量SEM与DAG学习结合,其两阶段策略和等价类搜索思想可迁移至您关注的因果推断中结构学习问题。
  • 关键技术: Gaussian linear SEM, latent variables, DAG learning, Markov equivalence class, penalized marginal likelihood, BIC-guided backward search
  • 为什么对您有用: 该文属于因果推断中结构学习方向,具体连接您的identification theory in causal inference兴趣;其两阶段似然方法可尝试用您熟悉的semiparametric theory或M-estimation理论分析其渐近性质,但核心的DAG搜索算法并非您武器库中的强项,属于中期可做(需在identification theory上进一步熟悉DAG模型)。

3. 2610.27741 — Rerandomization and high-dimensional adjustment with assignment-dependent auxiliary variables under network interference

  • 作者: Honghao Zhang, Yanghao Wei, Hanzhong Liu
  • 机构: Tsinghua University
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究网络干扰下实验设计的精度提升问题,目标是在存在近似邻域干扰时,利用依赖于处理分配的辅助变量(如处理加权邻居摘要)来改进估计。作者提出基于这些辅助暴露效应估计误差的再随机化和协变量调整方法。对于基于马氏距离的再随机化,推导了 Horvitz-Thompson 和 Hájek 估计量的渐近分布,并量化了精度增益。分析阶段提出的协变量调整方法直接作用于估计误差,无需对辅助变量归一化,并在相应线性调整类中达到最优。当再随机化阈值趋于零时,再随机化与协变量调整渐近等价,且该等价性在干扰存在时仍成立。针对高维辅助变量,提出 Lasso 调整估计量,并在稀疏条件下建立联合渐近正态性,且与固定维再随机化结合时保持相同渐近分布。模拟和社交网络应用展示了所提方法的精度提升。
  • 关键技术: rerandomization, Mahalanobis distance, Horvitz-Thompson estimator, Hájek estimator, covariate adjustment, Lasso adjustment, network interference
  • 为什么对您有用: 本文属于因果推断中实验设计与估计的交叉方向,直接关联您的 primary interest 中的 causal inference 和 efficiency theory。其核心是处理分配依赖的辅助变量,这涉及 semiparametric 理论中的渐近等价性,您可以用 very_familiar 的 minimax 和 high-dimensional asymptotics 工具来审视其 Lasso 调整的稀疏条件是否最优,或探索其与 higher-order U-statistics 在干扰结构下的联系。

4. 2610.27466 — Strong Simultaneous Inference for Restricted Mean Survival Time Processes in Multi-Arm Trials under Covariate-Adaptive Randomization

  • 作者: Guannan Zhai, Feifang Hu
  • 机构: George Washington University
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究多臂临床试验中,在协变量自适应随机化(CAR)下,对受限平均生存时间(RMST)过程进行强同时推断的问题。目标估计量是各治疗组与共同对照的RMST差异,并需在多个限制时间点上同时控制族错误率。作者首先推导了多臂试验中标准Kaplan-Meier RMST估计量的联合渐近分布,发现Pocock-Simon最小化下,当随机化因素对生存有交互作用时,极限协方差包含一个设计项。为消除该设计项,他们提出分层标准化估计量,并在删失依赖于分层时仍保持有效性。基于高斯乘子校准的max-T检验程序可控制族错误率并提供同时置信带。模拟显示该方法在各类随机化程序下控制第一类错误,且在获益减弱时优于分层log-rank检验。ICON6三臂试验的应用展示了其实用性。对您而言,该文将CAR设计与RMST推断结合,属于因果推断中纵向/生存数据估计的延伸,其分层标准化思想与您的identification theory和semiparametric理论有直接关联。
  • 关键技术: covariate-adaptive randomization, restricted mean survival time, Kaplan-Meier estimator, joint asymptotic distribution, stratum-standardized estimator, Gaussian multiplier bootstrap, max-T procedure
  • 为什么对您有用: 该文直接关联您的主要兴趣中的因果推断(纵向/生存数据)和半参数理论。其处理CAR下设计项的策略,可视为对您熟悉的identification theory的一个具体应用;同时,同时推断和置信带方法涉及假设检验,与您的数学统计兴趣相关。从问题发现角度,您可用very_familiar的估计理论(如influence function)来审视其渐近方差的推导,或用moderately_familiar的semiparametric theory来评估其效率性。该文属于方法学进展,但更偏向应用导向,novelty_flag为new_method。

非参数 / 半参数 (nonparam_semipara, 3 篇)

1. 2610.27857 — Central Limit Theorems for Optimal Transport Functionals

  • 作者: Haruki Kono
  • 机构: Hitotsubashi University
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究二次最优传输映射与势函数的标量泛函(如 Wasserstein 代价和基于传输分位数的风险度量)的经验 plug-in 估计量的中心极限定理。设定为一元样本问题,目标分布有 i.i.d. 观测,参考分布已知。作者证明在维度至少为 2 时,经验传输映射误差在 L^2 下不存在任何归一化尺度下的非零弱极限,因此不能直接结合泛函 delta 方法。取而代之,他们直接在目标分布上对泛函线性化,得到影响函数展开,余项由传输映射误差控制,影响函数由线性椭圆偏微分方程刻画。在正则性条件下,他们利用该展开证明低维下的 CLT 并建立经验 bootstrap 的有效性,同时推导半参数效率界并证明 plug-in 估计量达到该界。
  • 关键技术: optimal transport, influence function expansion, functional delta method, semiparametric efficiency bound, empirical bootstrap
  • 为什么对您有用: 本文直接关联半参数效率理论与非参数估计的渐近理论,属于 primary interest 中的 efficiency theory 与 semiparametric/nonparametric theory。您熟悉的影响函数与半参数效率界工具(very_familiar 中的 nonparametric statistics 与 minimax bounds)可用于验证其效率界的紧性,且其处理非光滑泛函(传输映射)的线性化策略可能对您在高阶 U 统计量中的投影方法有启发。中期可做:需先熟悉最优传输理论(moderately_familiar 之外的领域),但核心影响函数机制可立即迁移。

2. 2610.28056 — Nonparametric In-Context Learning and Inference via Measure-Indexed Kernel Ridge Regression

  • 作者: Zuofeng Shang, Tianyang Hu, Fan Yang, Yingcong Li
  • 机构: New Jersey Institute of Technology · Chinese University of Hong Kong · Chinese University of Hong Kong, Shenzhen
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究 in-context learning 的统计基础,提出 measure-indexed RKHS 框架,将估计量视为上下文经验测度的函数,从而刻画跨任务自适应。在此框架下,提出 measure-indexed kernel ridge regression 估计量,并证明其达到 minimax 最优收敛率。进一步证明该估计量逐点渐近正态,可构造均值置信区间和响应预测区间,且无需重新拟合即可实现有效的不确定性量化。作为特例,当所有任务共享同一函数时,框架退化为经典分布式非参数回归。通过潜在高斯过程示例说明框架的适用性。对您而言,该工作将非参数回归与分布(测度)输入结合,其渐近正态性和不确定性量化结果与您的 semiparametric/nonparametric 理论兴趣直接相关,且 measure-indexed 视角可能为处理复杂数据结构的非参数推断提供新思路。
  • 关键技术: measure-indexed RKHS, kernel ridge regression, minimax optimal rate, pointwise asymptotic normality, confidence intervals, distributed nonparametric regression
  • 为什么对您有用: 该论文属于非参数与半参数理论方向,直接连接您的 primary interest 中的 semiparametric/nonparametric theory。其 measure-indexed RKHS 框架和渐近正态性结果可视为非参数回归的新变体,您可以用 very_familiar 的 minimax bounds 和 empirical process 工具来验证其收敛率的最优性,或探索其与 higher-order U-statistics 的潜在联系(例如估计量的 Hoeffding 分解)。中期可做:若想深入其分布理论,需在 moderately_familiar 的 semiparametric theory 上加强。

3. 2610.27424 — Mixture of Censored Partially Linear Experts Models for Symmetric or Asymmetric Data with or without Outlying Observations: A novel approach with two-piece scale-mixture of normal distributions

  • 作者: Mohsen Maleki, Geoffrey J. McLachlan
  • 机构: Fasa University of Medical Sciences · Queensland University of Technology · The University of Queensland
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一种半参数混合专家模型,用于处理存在删失、偏态、厚尾和异常值的异质性数据。模型将部分线性模型与混合专家框架结合,并假设误差项服从两片尺度混合正态分布族,从而灵活刻画非对称和重尾特征。估计采用ECME算法,利用该分布族的性质在E步获得闭式表达式,避免了MCMC近似,提高了计算稳定性和效率。通过模拟和真实数据分析验证了方法在异质性和删失并存场景下的有效性。该工作属于半参数回归与混合模型的结合,但理论深度有限,主要贡献在于模型构建和计算实现。
  • 关键技术: mixture of experts, partially linear model, two-piece scale-mixture of normal, ECME algorithm, censored regression
  • 为什么对您有用: 本文属于半参数与非参数理论方向,但更偏向应用建模,与您的主要兴趣(如效率理论、U统计量)关联较弱。不过,其混合专家框架和删失处理可能对您在因果推断中处理异质性人群或纵向数据删失问题有启发。从技术武器库看,您可用非常熟悉的非参数统计和M估计理论来审视其估计的渐近性质,但核心贡献不在理论创新,因此作为入门或应用参考价值有限。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 2610.28235 — Likelihood-Based Confidence Curves for Bounded Parameters

  • 作者: Hedvig Borgen Reiersrud, Clara Bertinelli Salucci, Riccardo De Bin, Alessandra Rosalba Brazzale
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究有界参数下似然比统计量的极限分布,指出 Wilks 定理的卡方近似失效,其渐近零分布依赖于零值到边界的距离,在边界处为卡方棒平方分布,在参数空间内部退化为卡方分布。作者推导了该分布,并用于构造有界参数的置信曲线(嵌套的双侧置信区间或区域)。将标量参数的结果推广到二维参数(一个或两个分量有界)的情形,由于二维分布是正态分布的积分、无法化为标准统计函数,还给出了基于矩匹配的简单近似分布。方法在高能物理的经典泊松信号加本底实验上进行了演示。对您可能有用:该结果直接关联您对假设检验和非正则渐近的兴趣,且其边界分布与约束推断中的卡方棒平方理论相关。
  • 关键技术: likelihood ratio statistic, chi-bar-square distribution, confidence curves, moment-matching approximation, bounded parameter inference
  • 为什么对您有用: 直接连接到 primary interest 中的 hypothesis testing 和 mathematical statistics:处理有界参数下似然比检验的非标准渐近,是约束推断的典型问题。可用您 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 视角审视其分布近似的精度,或探索高维有界参数情形的推广。中期可做:需在 moderately_familiar 的 semiparametric theory 上加深对 profile likelihood 边界行为的理解。

2. 2610.28025 — Optimal aggregation in multiclass classification

  • 作者: Felix Abramovich, Or Davidovitch-Servadio
  • 机构: Tel Aviv University
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究多分类问题中的聚合(aggregation)问题,将二分类的经典结果推广到多类设定。给定有限字典的得分函数和训练样本,目标是构造数据驱动的聚合器,使其风险尽可能接近某个指定函数类中的最优聚合器(oracle)。作者在0/1损失和多项逻辑损失下分别研究了模型选择聚合和凸聚合。对于0/1损失,最优聚合速率不依赖于类别数K,且经验风险最小化(ERM)聚合器在模型选择中是速率最优的,在凸聚合中近似最优(差一个sqrt(log K)因子)。对于多项逻辑损失,情况更微妙:虽然最优聚合速率仍不依赖K,但限制在凸包中的proper聚合会导致速率随K恶化,揭示了proper聚合的根本局限。为克服此局限,作者提出非proper的概率混合聚合器,直接平均诱导的类别概率而非原始得分函数,再映射回得分函数空间,从而获得与K无关的最优或近似最优速率。最后,作者还引入了一个直接在概率空间定义聚合类和oracle的新框架。
  • 关键技术: empirical risk minimization, model selection aggregation, convex aggregation, multinomial logistic loss, improper aggregation, probability mixture
  • 为什么对您有用: 本文属于非参数与半参数理论中的聚合问题,与您对非参数估计和假设检验的兴趣直接相关;其关于聚合速率与类别数K的精细刻画,可联系到您在高维统计中对维数效应的理解。技术上,本文的ERM聚合器分析涉及经验过程理论,您可用非常熟悉的非参数统计工具(如minimax界)来验证其速率的最优性,属于立即可做的范畴。

统计计算 / 算法 (stat_computing, 3 篇)

1. 2610.28332 — RECAP: Representation-Based Calibration with Amortized Pooling for Frequentist Simulation-Based Inference

  • 作者: Runshi Tang, Genevera I. Allen
  • 机构: University of the District of Columbia · University of Missouri · Columbia University
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 RECAP,一种用于频率学派模拟推断(SBI)的通用校准框架,目标是在高维参数空间下降低校准成本。其核心思想是利用零分布随参数变化的低维结构,通过一个表示(representation)将模拟分数池化,使不同参数配置共享校准信息,从而近似或精确保持分布。表示可来自模型结构或独立学习,基于池化分数的经验分位数构造检验和置信集,并建立了理论覆盖保证。模拟研究表明,RECAP 相比现有方法有更低的覆盖误差,功效接近逐点 oracle,同时保持摊销校准的计算优势。应用部分展示了在群体基因组学中的学习低维校准和可解释的不确定性量化。
  • 关键技术: simulation-based inference, amortized calibration, representation learning, pooled empirical quantiles, coverage guarantees
  • 为什么对您有用: 本文属于统计计算方向,与您对 simulation-based inference 和计算效率的兴趣相关。您可以用 very_familiar 的软件开发和 minimax 界工具来评估其覆盖保证的紧性,或探索其表示学习与您熟悉的 U-statistic 投影之间的联系。作为 gateway reading,本文对 SBI 的校准问题有清晰阐述,值得一读。

2. 2610.27563 — Active Pilot Sampling for Multi-fidelity Estimation in Stochastic Optimization

  • 作者: Thomas E. Coons, Aniket Jivani, Xun Huan
  • 机构: University of Michigan · University of Southern California
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对随机优化中多保真度估计的计算瓶颈,提出主动试点采样框架。在每次目标评估需进行采样型不确定性量化的外循环优化中,多保真度估计器(如近似控制变量 ACV)依赖模型输出协方差信息,而该信息通常未知,需通过试点采样估计。现有策略多为一次性估计,未利用迭代优化中协方差在设计域内平滑变化、可跨查询共享的结构。作者用矩阵对数变换的相关性和对数标准差构造正定参数化,学习协方差矩阵的概率代理模型,为新查询提供 ACV 估计所需的协方差,避免重复独立估计。主动学习采集函数将试点样本分配到协方差信息最不确定且对外层优化目标最相关的设计点。在四分支基准和基于多保真度贝叶斯最优实验设计的传感器布置与测量时间选择(对流扩散系统)上,相对单保真度蒙特卡洛和简单试点策略,优化性能提升。
  • 关键技术: multi-fidelity estimation, approximate control variates, active learning, probabilistic emulator, matrix-logarithm parameterization, Bayesian optimal experimental design
  • 为什么对您有用: 本文属于统计计算方向,与您 primary interest 中的 statistical computing 直接相关,且其主动学习与不确定性量化框架可迁移至您熟悉的因果推断中的敏感性分析或实验设计问题。您可用 very_familiar 的软件开发和估计理论工具,复现其基准测试或将其代理模型思想用于处理因果推断中的 nuisance 参数估计,属于立即可做的范畴。

3. 2610.27619 — Divide-and-Conquer Neural Bayes Estimation for Spatial and Spatiotemporal Point Process Models

  • 作者: Bokgyeong Kang, Andrew Zammit-Mangion, Erin M. Schliep, Robert S. Schick
  • 机构: Dongguk University · UNSW Sydney · North Carolina State University · Southall Environmental Associates (United States)
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对空间与时空点过程模型,提出一种分治神经贝叶斯估计框架,以解决似然不可解、潜在结构高维及依赖事件历史导致的贝叶斯推断计算瓶颈。方法直接处理原始点模式实现,利用基于Transformer的架构在时空域分区上提取局部摘要,并通过注意力机制最优组合这些局部摘要,避免了预定义汇总统计量的信息损失。模拟研究表明,该方法在可扩展性上优于现有通用神经推断方法和经典似然方法,同时保持可靠的推断性能。在Cape Cod Bay的鲸鱼叫声数据分析中,训练后的估计器能以极低计算成本提供参数估计和可信区间。该方法属于神经似然-free推断与分治策略的结合,为大规模点过程数据的贝叶斯推断提供了新途径。
  • 关键技术: neural Bayes estimation, divide-and-conquer, transformer architecture, attention mechanism, likelihood-free inference
  • 为什么对您有用: 本文属于统计计算方向,与您对统计计算(数值方法、算法)的兴趣直接相关。其分治+注意力机制的组合策略,可借鉴到您熟悉的高阶U统计量计算中,用于处理大规模数据的张量收缩问题;但该文核心是深度学习架构,您需要评估是否值得投入时间,作为gateway reading了解神经推断的最新进展。

天体统计 (astrostats, 3 篇)

1. 2610.27733 — Gaussian process-based Bayesian imaging of bolometric (sub-)millimetre data

  • 作者: Richard Fuchs, Jonas Würzinger, Joshiwa van Marrewijk, Thomas W. Morris, Tony Mroczkowski, Luca Di Mascolo et al.
  • 相关性 7/10 · novelty: application
  • 摘要: 本文针对单碟亚毫米望远镜(如 MUSTANG-2)的宽场观测数据,提出一种基于高斯过程的贝叶斯成像框架,用于从被大气涨落和仪器噪声污染的时间序列数据中重建天空图。方法建立在 maria-nifty 之上,利用 NIFTy 的模块化生成模型,将天体信号与大气辐射分离,并提供像素级的不确定性量化。在合成数据上验证后,应用于 GBT 上 MUSTANG-2 对星系团 RXJ1347.5-1145 的实测数据,成功分离了延展的团内介质发射与中心致密源,相比标准最大似然重建得到更平滑、伪影更少的图像。实现基于 JAX 并支持 GPU 加速,为下一代单碟望远镜的大规模数据处理奠定了基础。对您而言,这是一篇典型的 astrostatistics 入门读物,展示了贝叶斯非参数建模与不确定性量化在天文成像中的实际应用,但方法学上并无新的统计理论贡献。
  • 关键技术: Gaussian process, Bayesian imaging, generative models, NIFTy, pixel-wise uncertainty quantification, JAX/GPU acceleration
  • 为什么对您有用: 本文属于 astrostatistics 方向的 gateway reading:它清晰展示了天文成像中的数据生成模型、噪声结构(大气+仪器)和贝叶斯推断流程,适合作为入门读物。您的武器库(非参数统计、贝叶斯方法、计算工具)足以理解其核心思想,但本文没有新的统计方法学,主要是应用与工程实现。值得花时间读全文以了解天文数据的特点和 NIFTy 框架,但不必期待可迁移的新理论。

2. 2610.27742 — Estimator Precision and Selection for Up-the-Ramp Sampling with a High-Read-Noise InGaAs Camera

  • 作者: Wei-Jie Meng, Fang-Yu Xu, Zhen-Yu Jin, Guang-Qian Liu
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究InGaAs相机在up-the-ramp采样中的估计器精度与选择问题,目标是量化OLS、CDS与GLS在已知协方差下的精度差异,并给出选择准则。在恒定流量、均匀采样、独立白噪声加泊松噪声的设定下,利用有限样本方差表达式,推导出OLS与CDS方差相等的边界η=10(N≥4),OLS在η<10时更优,CDS在η>10时更优。通过解析和蒙特卡洛比较三种增益模式,量化了简化估计器相对GLS的精度损失;在高增益实测数据中,OLS(20s)和CDS(90s)相对两轮FGLS的背景残差标准差分别增加3.55%和3.01%。观测到的OLS-CDS交叉点早于理论预测,表明实际时间协方差影响选择边界;中低增益的选择依赖校准参数的模拟。本文是典型的应用型论文,方法学新颖性有限,但提供了清晰的估计器选择框架和实测数据验证流程。对您而言,作为gateway reading,本文清晰展示了天文成像中噪声模型与估计器选择的权衡,但统计方法较为基础,与您的主要兴趣(如效率理论、U统计量)关联较弱。
  • 关键技术: generalized least squares (GLS), ordinary least squares (OLS), correlated double sampling (CDS), feasible GLS (FGLS), Monte Carlo simulation, variance comparison
  • 为什么对您有用: 本文属于astrostatistics的gateway reading,适合作为入门读物了解天文成像中的噪声建模与估计器选择问题。您的技术武器库(如非参数统计、高维渐近)足以理解本文的统计方法,但本文方法较为基础,可能不足以支撑深入的方法学拓展。值得花时间读全文以了解天文数据的具体结构(如噪声特性、采样模式),但不必期待直接的方法学迁移。

3. 2610.30186 — SIGNN++: Robust Graph Neural Star Identification on Earth

  • 作者: Jeongbin Sohn, Jina Lee, Max Yen, Dowan Gwon, Jeahn Han, Floyd Hepburn-Dickins et al.
  • 机构: Gwangju Institute of Science and Technology · Ames Research Center
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出 SIGNN++,一种基于图神经网络(GNN)的星图识别(SID)框架,用于 GNSS 拒止环境下夜间地面天文导航。针对现有学习型 SID 方法主要依赖合成或非地面环境评估、真实地面条件下可靠性不明的问题,SIGNN++ 在原有 SIGNN 基础上引入三个组件:更真实的地面观测噪声模型用于训练数据、对角度距离边特征进行傅里叶变换(FT)、以及基于 RANSAC 的透视星对准用于识别和姿态精化。实验表明,SIGNN++ 对地面观测扰动更鲁棒,在星识别准确率和求解率上优于原始 SIGNN 及公开基线,同时保持相当的姿态精度和适合连续运行的计算时间。代码和数据集将公开。
  • 关键技术: graph neural networks, Fourier transform of edge features, RANSAC-based alignment, realistic noise modeling, star identification
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading:作为对天文一无所知的统计学家,本文清晰展示了星图识别中的数据生成模型(噪声、特征构造)和算法流程(GNN + RANSAC),适合作为入门读物。武器库中的图神经网络和鲁棒估计(RANSAC)足以理解核心方法,但无需深入方法学细节。值得花时间读全文以了解天文导航中的实际数据挑战和统计建模思路。

流行病学 (epidemiology, 3 篇)

1. 2610.27772 — Variance estimation for generalized linear regression with binary outcome when using case-cohort data

  • 作者: Lola Etievant
  • 机构: Centre National de la Recherche Scientifique · Laboratoire Jean Kuntzmann · Université Grenoble Alpes
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对 case-cohort 设计中二元结局的广义线性回归(log-linear 或 logistic)提出基于影响函数的方差估计方法。case-cohort 设计因抽样机制复杂,方差估计常具挑战性,而现有文献多关注生存分析,对二元结局的推断研究较少。作者考虑两种抽样设计:(i) 对协变量相关变量分层但病例全抽的设计;(ii) 进一步按病例状态分层的设计。方法通过影响函数显式刻画抽样特征,方差估计可由标准 R 命令(如 glm、glmgee)的输出直接计算,计算成本远低于 bootstrap,且模拟和 National Wilms Tumor Study 数据表明其更可靠。该方法为流行病学队列研究中 case-cohort 数据的回归推断提供了实用且灵活的方差估计工具。
  • 关键技术: influence function, case-cohort design, variance estimation, logistic regression, bootstrap comparison
  • 为什么对您有用: 本文属于流行病学应用方向,涉及 case-cohort 设计下的回归推断,与您的流行病学应用兴趣直接相关。您熟悉的 semiparametric theory 和 influence function 技术可用于理解其方差估计的渐近性质,但本文方法较为直接,无需新工具。作为入门读物,它清晰展示了影响函数在实际复杂抽样设计中的应用,值得阅读全文以了解其实现细节。

2. 2610.28548 — A general class of shared gamma frailty models for risk prediction, with application to breast cancer screening adherence

  • 作者: Marco Bonetti, Edoardo Ratti, Solveig Hofvind
  • 机构: Bocconi University · University of Milano-Bicocca · Norwegian Institute of Public Health
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一类新的共享伽马脆弱模型(shared gamma frailty model),用于纵向或聚类二元数据的风险预测,灵感来自共享脆弱多变量生存模型。模型设定允许所有相关量具有闭式解,从而带来高效的计算推断和预测。作者聚焦于一个易于解释的模型规格,讨论个体风险预测,并与传统的随机截距GLMM进行对比。方法应用于挪威奥斯陆地区乳腺癌筛查依从性的大型纵向数据集。结果表明该模型在拟合和预测上具有竞争力,且计算效率更高。对您而言,这是一个流行病学应用中的纵向二元数据建模案例,其闭式解和计算效率值得关注。
  • 关键技术: shared frailty model, closed-form likelihood, GLMM comparison, risk prediction, longitudinal binary data
  • 为什么对您有用: 本文属于流行病学应用领域,涉及纵向二元数据的风险预测,与您的次要兴趣(流行病学应用因果工作)相关。作为入门读物,它清晰展示了共享脆弱模型在真实队列数据中的应用,但方法本身并非您核心武器库中的前沿工具。武器库足以理解其统计框架,但无需深入。值得花时间读全文以了解流行病学数据结构和建模实践,但非高优先级。

3. 2610.27862 — Beyond the Mean: A Two-Stage GAMLSS Framework for Physical Activity Bout Patterns and Survival in COPD

  • 作者: Irantzu Barrio, Cristóbal Esteban, Thomas Kneib
  • 机构: University of the Basque Country · Basque Center for Applied Mathematics · Hospital de Galdakao · University of Göttingen
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对 COPD 患者加速度计衍生的体力活动 bout 数据,提出一个两阶段分布回归框架。第一阶段用 GAMLSS 对 bout 相关结局(每日 bout 分钟数、bout 次数、bout 内 MET 面积)建模,同时刻画位置、尺度以及零膨胀概率,从而超越均值捕捉患者异质性。第二阶段将估计的分布参数作为协变量纳入 Cox 生存分析,检验均值之外的信息是否与死亡风险相关。基于 512 名 COPD 患者的队列数据,发现分布参数(尤其是变异度)与死亡率显著相关,且提供超出平均活动水平的信息。该方法为纵向或重复测量场景下的分布回归与生存分析的结合提供了范例,对您而言,其两阶段思路可迁移至因果推断中的 mediation 或 longitudinal 设定,且 GAMLSS 的分布建模与您的 semiparametric 兴趣有交集。
  • 关键技术: GAMLSS, distributional regression, zero-inflated modeling, survival analysis, accelerometer data
  • 为什么对您有用: 本文属于流行病学应用,使用真实队列数据,方法上结合分布回归与生存分析,可作为流行病学中处理异质性结局的入门读物。您的武器库(非参数统计、M估计)足以理解其建模框架,但若要深入扩展(如加入因果推断),需熟悉 GAMLSS 的惩罚似然估计细节。值得花时间读全文,因其展示了如何从分布参数中提取临床相关信息,可能启发您在因果推断中利用分布信息。

其他 (other, 6 篇)

1. 2610.27601 — Functional meta-analysis of survival curves across reporting formats and time points

  • 作者: Keisuke Hanada
  • 机构: Wakayama Medical University
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一种功能随机效应模型,在互补对数-对数尺度上综合不同研究报告格式(Kaplan-Meier 曲线或离散时间生存概率)和不同观察时间的生存数据,以估计共同目标时间的生存函数。模型将生存曲线视为功能数据,利用未报告目标时间生存的研究的观测曲线来估计组别平均函数,从而贡献于目标时间的估计。组间对比在比例风险假设下解释为对数风险比,在非比例风险下解释为时间特定的对数累积风险比。模拟实验(含延迟效应和交叉生存曲线)显示,所提方法在对数累积风险比的均方根误差上优于两阶段Cox方法,且区间覆盖率接近名义水平。应用于可切除非小细胞肺癌的无病生存数据时,两阶段Cox方法给出平均风险比,而所提方法捕捉了累积风险比随时间的非线性变化。对您而言,该方法属于功能数据分析和生存分析的交叉领域,与您的主要兴趣(如半参数理论、因果推断中的纵向数据)有一定距离,但可作为方法学参考。
  • 关键技术: functional random-effects model, complementary log-log scale, meta-analysis, Kaplan-Meier curves, two-stage Cox method
  • 为什么对您有用: 本文属于功能数据分析和生存分析的交叉领域,与您的主要兴趣(如半参数理论、因果推断中的纵向数据)关联较弱,但可作为方法学参考。作为gateway reading,本文对统计学家而言入门门槛较低,但武器库(如半参数理论、U统计量)不足以直接支撑深入该方向,暂不可做。

2. 2610.28260 — Bayesian nonparametric mixtures of asymmetric Archimedean copulas

  • 作者: Radu V. Craiu, Luis E. Nieto-Barajas
  • 机构: University of Toronto · Instituto Tecnológico Autónomo de México
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种贝叶斯非参数混合模型,用于拟合非可交换的 Archimedean copula。标准 Archimedean copula 具有可交换性,即单一生成元参数控制所有成对关联,且对参数置换不变;即使混合 Archimedean copula 也继承此性质。作者通过 Khoudraji 变换引入非对称性,该变换将参数进行幂变换并加入独立 copula 因子,得到的成对 Kendall tau 系数依赖于幂参数,且原 Archimedean copula 是特例。模型使用 Poisson-Dirichlet 过程作为混合分布,对生成元参数和不对称参数进行混合,从而按依赖强度和方向对观测分组。文中推导了 copula 密度、成对关联度量、尾部系数及完整后验条件分布,并进行了模拟和真实数据分析,结果显示 Khoudraji 混合模型显著优于或至少不差于可交换拟合。
  • 关键技术: Bayesian nonparametric mixture, Poisson-Dirichlet process, Khoudraji transformation, Archimedean copulas, posterior computation
  • 为什么对您有用: 本文属于贝叶斯非参数建模与 copula 方法,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接交集,但可作为统计建模的拓展阅读。其混合模型和依赖结构分析对您可能感兴趣的流行病学或经济数据中的相关结构建模有一定参考价值,但方法学上并非您武器库的直接延伸。

3. 2610.27827 — Robust and Sparse Personalized Federated Learning via Gamma-Divergence

  • 作者: Kotaro Akimaru, Kensuke Tanioka
  • 机构: Doshisha University
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对联邦学习中客户端间统计异质性和客户端内数据污染问题,提出基于 gamma-散度的鲁棒稀疏个性化联邦学习方法 Gamma-PFL。该方法将 gamma-散度损失与融合正则化和稀疏正则化相结合,以利用客户端间回归系数的相似性,同时实现个性化模型的鲁棒估计和变量选择。为高效求解服务器-客户端系统中的估计问题,作者开发了结合交替方向乘子法(ADMM)和 Majorization-Minimization(MM)算法的优化算法。数值模拟表明,随着污染比例或异常值幅度的增加,Gamma-PFL 能保持相对稳定的估计精度,显示出对客户端内数据污染的鲁棒性。真实数据分析显示,Gamma-PFL 的预测性能与现有个性化联邦学习方法相当或更优。对您而言,该工作属于统计计算与鲁棒估计的交叉,但其核心贡献在于联邦学习框架,与您的主要研究方向(因果推断、高维统计等)关联较弱。
  • 关键技术: gamma-divergence, fused regularization, sparse regularization, ADMM, Majorization-Minimization algorithm
  • 为什么对您有用: 本文属于统计计算与鲁棒估计的交叉,但核心是联邦学习框架,与您的主要兴趣(因果推断、高维统计等)关联较弱。作为 gateway reading,它展示了 gamma-散度在分布式鲁棒估计中的应用,但方法学上并未触及您武器库中的核心工具(如 U-统计量、半参数效率理论)。因此,本文仅作为了解鲁棒联邦学习方向的入门读物,不值得深入阅读。

4. 2610.27647 — BARRR: Bidimensional Augmented Reduced Rank Regression for Multi-View Multi-Cohort Data

  • 作者: Jiuzhou Wang, Eric F. Lock
  • 机构: University of Minnesota
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种用于多视图多队列数据的双维增强降秩回归方法(baRRR),旨在同时整合多个样本组(队列)和多个数据模态(视图)的信息。与现有主要处理单一维度的整合方法不同,该方法在双维框架下建模协变量相关与无关的效应,并将效应分解为全局、部分共享和个体三个层次。通过模拟研究,作者展示了该方法在信号恢复、结果预测和缺失数据插补方面的优势,并在TCGA数据上以体细胞突变作为协变量,揭示了不同组学平台和癌症类型间的变异模式。该方法属于监督式双维整合方法,填补了现有方法多为无监督的空白。
  • 关键技术: reduced rank regression, multi-view multi-cohort integration, covariate-adjusted decomposition, missing data imputation, TCGA data analysis
  • 为什么对您有用: 本文属于统计计算与高维数据整合的应用,与您的主要兴趣(高维统计、统计计算)有间接关联,但方法学新颖性有限,且不涉及因果推断或效率理论。作为gateway reading,它展示了多模态生物医学数据的整合分析框架,但可能不是您优先深入的方向。

5. 2610.27408 — Structural equation modelling--based meta-analytic model for diagnostic test accuracy studies

  • 作者: Zelalem F. Negeri
  • 机构: University of Waterloo
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对诊断试验准确性(DTA)meta-analysis 中联合合成灵敏度与特异度的问题,提出一种新的双变量结构方程模型(BSEM)方法。传统方法如双变量线性混合模型(BLMM)和双变量广义线性混合模型(BGLMM)在稀疏数据下可能对分布假设敏感,导致准确性估计和异质性估计有偏。作者通过大量模拟研究,在多种研究数量、样本量、准确性和异质性条件下,比较了 BSEM、BLMM 和 BGLMM 的性能,评估指标包括偏差、均方根误差(RMSE)、置信区间宽度、经验覆盖率(CP)和收敛性。模拟中随机效应分别从双变量正态、t 和 Laplace 分布生成,以检验对分布误设的稳健性。结果显示 BSEM 在合并灵敏度和特异度方面通常比 BLMM 产生更小的偏差和 RMSE,且覆盖率接近名义水平,BGLMM 的表现介于两者之间;BLMM 收敛稳定但倾向于低估研究间异质性。两个实证 DTA 数据集的应用结果与模拟模式一致。总体而言,BSEM 为 DTA meta-analysis 中联合建模灵敏度和特异度提供了灵活的替代方案,性能优于 BLMM 且与 BGLMM 相当。
  • 关键技术: bivariate structural equation modeling, bivariate linear mixed model, bivariate generalized linear mixed model, simulation study, diagnostic test accuracy meta-analysis
  • 为什么对您有用: 本文属于应用统计方法研究,与您的主要兴趣(如 semiparametric 理论、M-estimation)关联较弱,但可作为流行病学中诊断准确性 meta-analysis 的应用参考。其方法比较框架(模拟+实证)对您评估新估计量性能有一定借鉴意义,但核心工具(结构方程模型)不在您的技术武器库中,且方法学新颖性有限。

6. 2610.28488 — Discrete Exterior Calculus-based Whittle-Matérn Fields on Meshes

  • 作者: Michael Gillan
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种基于离散外微积分(DEC)的 Whittle-Matérn 场稀疏精度矩阵构造方法,将 k-余链作为潜在对象建模,统一处理所有 k 和整数 α 值。利用 Whitney 映射将 1-余链上的先验推前到离散向量场,从而支持向量场推断。在球面上进行向量场插值实验验证模型。该方法为几何统计建模提供了新视角,但属于计算/几何方法,与您的核心兴趣(因果推断、高维统计、U-统计量等)关联较弱。
  • 关键技术: Discrete Exterior Calculus, Whittle-Matérn fields, sparse precision matrix, Whitney maps, vector field interpolation
  • 为什么对您有用: 本文属于统计计算与几何建模的交叉,与您的统计计算兴趣有轻微关联,但并非核心方向。作为入门读物,DEC 概念可能对理解流形上的高斯过程有帮助,但武器库(如张量网络、U-统计量)难以直接迁移。建议仅作泛读,不值得深入。

🗂 其他论文(仅 LLM 评分,未生成摘要)

未生成中文摘要的论文,按 LLM 评分由高到低排列,仅保留评分与简评,便于回溯查全。一般为相关性低于展示阈值者;个别历史页也含当时因单日摘要上限未展开的高分篇目(评分仍清楚标着)。

1. 2610.27765 — Control variates for dry friction under colored noise: variance rates for non-smooth observables

  • 作者: Lihong Guo
  • 机构: City University of Hong Kong, Shenzhen Research Institute
  • 相关性 3/10
  • 评分理由: Control variates for dry friction under colored noise; stochastic analysis, tangential to primary interests.

2. 2610.28006 — An improvement to the spatial discretisation in the Astrophysical Weighted Particle Hydrodynamics method

  • 作者: Alex Massaro Achá, Isaac Alonso Asensio, Claudio Dalla Vecchia
  • 机构: Universidad de La Laguna · Instituto de Astrofísica de Canarias
  • 相关性 3/10
  • 评分理由: Numerical method for a specific astrophysics simulation; tangential to statistical interests.

3. 2610.27621 — A Radiation-Hardened, Fault-Aware Quantized Neural Network That Self-Heals

  • 作者: Peter Xiangyuan Ma, Joshua S. Bloom
  • 机构: University of California, Berkeley
  • 相关性 3/10
  • 评分理由: Hardware fault tolerance for neural networks; unrelated to primary statistical interests.

4. 2610.27679 — Cramer-Rao Type Bounds for Generalized Exponential Families

  • 作者: Satyajit Dhadumia, M Ashok Kumar
  • 机构: Indian Institute of Technology Palakkad
  • 相关性 0/10

5. 2610.27502 — On the Accuracy of Approximate Leave-One-Out with Blockwise Nonsmooth Regularization in High-dimensions

  • 作者: Honghao Lin, Songbin Liu, Arian Maleki, Vahab Mirrokni, Chen Shang, David P. Woodruff et al.
  • 机构: Columbia University · Carnegie Mellon University
  • 相关性 0/10

6. 2610.28175 — Where Has the Foreign Signal Gone?

  • 作者: Piyush Akimitsu, Ulrich Hounyo
  • 机构: University at Albany, State University of New York
  • 相关性 0/10

7. 2610.28169 — A multiplier bootstrap score test for Tobit specification

  • 作者: Xuewen Li, Xiaojun Song, Xiaogang Wang, Feipeng Zhang
  • 机构: North Minzu University · Peking University · Xi'an Jiaotong University
  • 相关性 0/10

8. 2610.28605 — Community Lessons from builders of infrared multi-object spectrographs

  • 作者: Solange V. Ramirez, Maren Cosens, Nicholas P. Konidaris, Francisco Garzón, Brian McLeod, Suzanne Ramsay et al.
  • 机构: Carnegie Institution for Science · Instituto de Astrofísica de Canarias · Smithsonian Astrophysical Observatory · European Southern Observatory · The Ohio State University · Johns Hopkins University · Pennsylvania State University
  • 相关性 0/10

9. 2610.28485 — A Solar Optical Clock

  • 作者: Connor Fredrick, Ryan K. Cole, Ryan Terrien, Suvrath Mahadevan, Scott A. Diddams
  • 机构: University of Colorado Boulder · Bates College · Carleton College · Pennsylvania State University
  • 相关性 0/10

10. 2610.28482 — The "Rubin 2036: Opportunities for Discovery" Workshop: A Community Roadmap for the Future of the Vera C. Rubin Observatory After the LSST

  • 作者: Andrés Alejandro Plazas Malagón, Steve Allen, Shreya Anand, Muhammad Awais, Simon Birrer, Lindsey Bleem et al.
  • 机构: Stanford University · Stony Brook University · Argonne National Laboratory · SLAC National Accelerator Laboratory · Harvard University · Osservatorio Astronomico di Palermo · NSF-DOE Vera C. Rubin Observatory · Kavli Institute for Particle Astrophysics and Cosmology 等
  • 相关性 0/10

11. 2610.28347 — Revisiting the Unknown Unknowns in Transient Astrophysics with the SKA Telescopes

  • 作者: A. Andersson, M. Caleb, J. Callingham, A. Deller, D. Dobie, N. Hurley-Walker et al.
  • 机构: University of Oxford · The University of Sydney · Astronomical Institute of the Slovak Academy of Sciences · University of Amsterdam · Netherlands Institute for Radio Astronomy · Swinburne University of Technology · Curtin University · International Centre for Radio Astronomy Research 等
  • 相关性 0/10

Maintained by 陈星宇 · Homepage · Source on GitHub

评论