JRSS-C — Vol 73 Issue 1 · 2026-07-04¶

共 13 篇 · Journal of the Royal Statistical Society Series C
目录核对 ✅ 13 篇全部抓到（对照 OpenAlex 13 篇）

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期JRSS-C Vol 73 Issue 1共13篇论文，整体上可归纳为三条主线：因果推断与纵向/函数型数据、流行病学中的复杂数据建模（包括半竞争风险、测量误差、中断时间序列、聚类复发事件）、以及高维/贝叶斯/空间统计计算。因果推断主线仅有一篇（Causal inference with a functional outcome），直接处理二值处理对函数型结果的因果效应，方法上属于经典框架的扩展。流行病学主线最为密集，涵盖半竞争风险（Penalised semi-parametric copula method for semi-competing risks）、纵向测量误差（Multivariate longitudinal analysis for the association between brain atrophy and cognitive impairment）、中断时间序列（Modelling change processes in multivariate interrupted time series data）、聚类复发事件（Models and methods for analysing clustered recurrent hospitalisations）、以及传染病模型校准（Efficient calibration for imperfect epidemic models）和生态学关联（Bayesian kernel machine regression for count data）。高维/贝叶斯/空间计算主线包括贝叶斯分位数回归（Horseshoe prior Bayesian quantile regression）、空间协变量测量误差下的分位数回归（Semiparametric M-quantile regression with measurement error in spatial covariates）、移动轨迹建模（Statistical inference for complete and incomplete mobility trajectories under the flight-pause model）、金融时间序列分位数（CAViaR models for Value-at-Risk and Expected Shortfall）、遥感标注不确定性（Categorising the world into local climate zones）、以及空间降尺度（High-resolution global precipitation downscaling with latent Gaussian models）。

在流行病学主线中，半竞争风险（Penalised semi-parametric copula method for semi-competing risks）和纵向测量误差（Multivariate longitudinal analysis for the association between brain atrophy and cognitive impairment）两篇均涉及变量选择或校正偏倚，前者用惩罚copula处理死亡对二次骨折的信息删失，后者用两阶段测量误差校正处理暴露与结局的关联。传染病模型校准（Efficient calibration for imperfect epidemic models）引入经验似然估计量，在半参数效率界下优于传统最小二乘，适用于模型设定错误场景。中断时间序列（Modelling change processes in multivariate interrupted time series data）则关注多元动态加性模型中的时变序列依赖，强调忽略该依赖会导致估计偏倚。这些论文共同展示了流行病学中处理复杂数据结构的多种策略，但方法学创新程度不一，其中校准和半竞争风险两篇在理论上有明确贡献。

在高维/贝叶斯主线中，Horseshoe prior Bayesian quantile regression将全局-局部收缩先验与分位数回归结合，适用于高维稀疏设定，计算上采用Gibbs采样。空间协变量测量误差下的M-分位数回归（Semiparametric M-quantile regression with measurement error in spatial covariates）则用惩罚似然处理空间异质性，但方法学工具较为经典。空间降尺度（High-resolution global precipitation downscaling with latent Gaussian models）展示了INLA+SPDE在大规模非平稳空间数据上的计算能力，涉及数千万观测量的贝叶斯推断。

与因果推断方向最贴合的论文是：Causal inference with a functional outcome（函数型结果因果效应）、Efficient calibration for imperfect epidemic models（半参数效率校准）、Multivariate longitudinal analysis for the association between brain atrophy and cognitive impairment（纵向测量误差校正）。与半参数效率方向相关的是Efficient calibration for imperfect epidemic models。与高维方向相关的是Horseshoe prior Bayesian quantile regression和Penalised semi-parametric copula method for semi-competing risks（变量选择）。

因果推断 (causal_inference, 1 篇)¶

1. 10.1093/jrsssc/qlad092 · arXiv — Causal inference with a functional outcome¶

作者: Kreske Ecker, Xavier de Luna, Lina Schelin
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Statistical Service · Umeå University
分类: vol 73 · issue 1 · pp 221-240
相关性 8/10 · novelty: application
摘要: 本文研究二值处理对函数型结果变量的因果效应，定义了函数型平均处理效应（FATE）。在未混淆假设下，采用结果回归估计量，并利用同时置信带对FATE进行全域推断。模拟实验表明同时置信带能有效控制多重比较问题。实证部分使用瑞典出生队列数据，估计早期居住地对后续收入轨迹的因果效应。方法学上属于经典因果推断框架在函数型数据上的直接扩展，未涉及高维或半参数效率理论。对您而言，该文可作为函数型结果因果推断的入门参考，但方法学创新有限。
关键技术: functional average treatment effect, outcome regression estimator, simultaneous confidence bands, observational study
为什么对您有用: 本文连接您对因果推断（纵向/函数型结果）的兴趣，但方法学上仅使用结果回归，未涉及您熟悉的DR估计或半参数效率理论。武器库中'非参数统计'和'因果推断估计理论'可轻松复现其模拟，但方法学深度不足以产生新问题——暂不可做，因核心机器（函数型数据推断工具）不在武器库中。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1093/jrsssc/qlad084 · arXiv — High-resolution global precipitation downscaling with latent Gaussian models and non-stationary stochastic partial differential equation structure¶

作者: Jiachen Zhang, Matthew Bonas, Diogo Bolster, Geir-Arne Fuglstad, Stefano Castruccio
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 1 · pp 65-81
相关性 4/10 · novelty: application
摘要: 本文针对全球降水数据的高分辨率降尺度问题，提出一种基于潜高斯模型和非平稳随机偏微分方程（SPDE）的新方法。核心设定是：将降水视为稀疏、非平稳的空间过程，通过局部变形的SPDE捕捉空间各向异性，并引入陆海缓冲区以区分不同区域的空间结构。方法上，采用有限体积法近似SPDE，结合集成嵌套拉普拉斯近似（INLA）实现贝叶斯推断，可处理数千万量级的观测数据。模拟研究表明，该方法在预测精度上优于平稳和无缓冲区的替代模型。最终，该方法被用于生成美国每日降水的高分辨率模拟图。对您而言，本文展示了大规模空间统计计算（INLA+SPDE）在环境科学中的应用，其计算框架（有限体积法+INLA）与您熟悉的统计计算和软件工具有潜在交集，可作为gateway reading了解该领域的数据结构和建模挑战。
关键技术: stochastic partial differential equation (SPDE), integrated nested Laplace approximation (INLA), finite volume approximation, latent Gaussian model, non-stationary spatial anisotropy
为什么对您有用: 本文属于统计计算与空间统计的交叉应用，可作为gateway reading。 (1) 连接secondary interest astrostatistics：降水数据的稀疏、非平稳特性与天文数据（如星系分布）有相似之处，本文的SPDE+INLA框架可迁移至天文空间统计问题。 (2) 武器库中'very_familiar'的'软件开发和'high-dimensional asymptotics'可支撑理解其计算实现（有限体积法）和推断理论（INLA的渐近性质），但核心的SPDE建模和INLA算法本身属于'moderately_familiar'的M-estimation理论范畴，需先熟悉空间统计基础。 (3) 暂不可做：核心机器（SPDE参数化、INLA的数值积分）不在武器库中，需先补充空间统计和贝叶斯计算知识。

流行病学 (epidemiology, 5 篇)¶

1. 10.1093/jrsssc/qlad087 — Multivariate longitudinal analysis for the association between brain atrophy and cognitive impairment in prodromal Huntington’s disease subjects¶

作者: Cheng Zheng, Lili Tong, Ying Zhang
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Nebraska Medical Center
分类: vol 73 · issue 1 · pp 104-122
相关性 6/10 · novelty: application
摘要: 本文针对亨廷顿病前驱期受试者，研究脑萎缩与认知障碍的纵向关联。核心问题是处理纵向暴露（脑萎缩测量）与多个结局（不同认知域）中可能相关的测量误差。作者提出了一种两阶段测量误差校正方法：第一阶段用线性混合模型对暴露和结局分别建模，第二阶段将校正后的暴露预测值纳入结局模型，并采用独立工作相关结构估计回归系数。文章推导了估计量的渐近正态性，并通过模拟验证了有限样本性能。该方法在RSSC期刊的应用论文中属于方法学贡献明确的一类，对您作为流行病学应用方向（纵向因果推断、测量误差校正）的参考价值较高。
关键技术: measurement error correction, two-stage estimation, linear mixed model, working correlation structure, longitudinal data analysis
为什么对您有用: 本文直接对应您的流行病学应用兴趣，特别是纵向数据中暴露测量误差的处理。您武器库中的非参数统计和因果推断估计理论可用于评估其独立工作相关结构假设的稳健性，或扩展至更灵活的误差模型。中期可做：若想推广至非参数暴露-结局关系，需先在半参数理论上长肌肉。

2. 10.1093/jrsssc/qlad093 — Penalised semi-parametric copula method for semi-competing risks data: application to hip fracture in elderly¶

作者: Tao Sun, Weijie Liang, Gongzi Zhang, Danhui Yi, Ying Ding, Lihai Zhang
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Renmin University of China · Chinese PLA General Hospital · University of Pittsburgh
分类: vol 73 · issue 1 · pp 241-256
相关性 5/10 · novelty: application
摘要: 本文针对老年髋部骨折患者中二次骨折与死亡构成的半竞争风险数据，提出了一种带惩罚的半参数copula方法。半竞争风险下死亡依信息删失二次骨折，但反之不成立，传统边际方法无法同时处理两个终点的变量选择。作者对两个边际分别采用Cox比例风险模型，并用copula刻画其相关性，通过坐标下降优化算法实现惩罚估计。模拟表明该方法在变量选择和效应估计上优于传统惩罚边际方法。实际应用于一项基于人群的老年髋部骨折队列研究，识别了有效治疗和重要协变量。该方法为流行病学中常见的半竞争风险数据提供了可操作的变量选择工具，对您从事的流行病学应用研究有直接参考价值。
关键技术: semi-competing risks, copula model, Cox proportional hazards, penalized variable selection, coordinate descent algorithm
为什么对您有用: 本文属于流行病学应用（secondary interest），使用半竞争风险框架处理临床队列数据，方法学上结合了copula和惩罚回归，分析模式可迁移至您关注的因果推断中的纵向数据或竞争风险设定。武器库中的非参数统计和M估计理论可帮助理解其半参数效率，但核心机器（copula与坐标下降的耦合）不在当前武器库中，属于暂不可做方向，但作为流行病学入门读物值得一读。

作者: Fedelis Mutiso, Hong Li, John L Pearce, Sara E Benjamin-Neelon, Noel T Mueller, Brian Neelon
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Medical University of South Carolina · University of California, Davis · Johns Hopkins University
分类: vol 73 · issue 1 · pp 257-274
相关性 4/10 · novelty: application
摘要: 本文针对 COVID-19 死亡率的生态学关联研究，提出负二项 Bayesian kernel machine regression (BKMR) 模型，将 BKMR 从连续结局扩展到计数数据。模型以 Social Vulnerability Index (SVI) 的 15 个普查变量为暴露，通过核函数捕捉非线性和交互效应，产出 county 级别的“脆弱性效应”估计。为处理时空异质性，模型加入了空间随机效应、协变量和平滑时间函数。贝叶斯推断采用数据增广 Gibbs 采样器，计算上可处理。模拟和南卡罗来纳州 2021 年 COVID-19 死亡数据应用表明，该方法能识别关键 SVI 变量并预测脆弱性变化的影响。对您而言，这是一篇流行病学应用论文，其 BKMR 框架可视为一种半参数暴露-响应建模工具，与您的非参数和因果推断兴趣有间接关联，但方法学 novelty 有限。
关键技术: Bayesian kernel machine regression, negative binomial model, data-augmented Gibbs sampler, spatial random effects, variable importance
为什么对您有用: 本文属于流行病学应用，使用 BKMR 建模暴露-响应关系，与您的 secondary interest 流行病学数据集和因果推断应用相关。但方法学上，BKMR 本质是核方法加贝叶斯，与您的核心武器库（非参数 minimax、U-statistic、efficiency theory）交集不大；若想深入，需先熟悉贝叶斯非参数和 MCMC 计算（不在 very_familiar 中），因此暂不可做。可作为流行病学应用案例阅读，了解 SVI 数据结构和分析流程。

4. 10.1093/jrsssc/qlad083 · arXiv — Efficient calibration for imperfect epidemic models with applications to the analysis of COVID-19¶

作者: Chih-Li Sung, Ying Hung
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 1 · pp 47-64
相关性 4/10 · novelty: new_method
摘要: 本文针对传染病模拟中模型不完美（imperfect model）的校准问题，提出一种新的半参数有效估计方法。传统最小二乘估计在模型设定错误时效率低下，作者引入基于经验似然（empirical likelihood）的校准估计量，证明其渐近一致且方差小于最小二乘估计，并达到半参数效率界。方法核心是通过加权观测与模拟输出的距离，利用模型偏差的结构信息提升效率。数值实验验证了有限样本性能，并应用于20个国家的COVID-19数据，基于SEIR模型估计基本再生数R0和平均潜伏期。该工作为流行病学中的模型校准提供了理论严谨且实用的工具，尤其适用于模型简化假设普遍存在的实际场景。对您而言，本文是流行病学中应用半参数效率理论的典型案例，可连接您的效率理论（semiparametric efficiency bounds）和因果推断（如IV/mediation）中的模型校准问题。
关键技术: empirical likelihood, semiparametric efficiency bound, imperfect model calibration, least-squares estimator, SEIR model
为什么对您有用: 本文直接对应您的secondary interest中的流行病学（epidemiology）应用，且使用了半参数效率理论（semiparametric efficiency bounds）这一您非常熟悉的武器。方法核心（经验似然加权）可迁移至因果推断中的模型校准问题，例如在proximal CI或IV中处理负对照假设的模型偏差。中期可做：需先在moderately_familiar的identification theory中理解模型偏差的结构化假设，但核心工具（经验似然、效率界）已在您的武器库中。

5. 10.1093/jrsssc/qlad088 — Modelling change processes in multivariate interrupted time series data using a multivariate dynamic additive model: An application to heart rate and blood pressure self-monitoring in heart failure with drug changes¶

作者: Sun-Joo Cho
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Vanderbilt University
分类: vol 73 · issue 1 · pp 123-142
相关性 3/10 · novelty: application
摘要: 本文针对心力衰竭患者自我监测的心率（HR）和血压（BP）数据，提出一种多元动态加性模型（multivariate dynamic additive model）来分析药物变化引起的多元中断时间序列中的变化过程。模型同时处理水平变化、线性或非线性趋势变化以及时变序列依赖。通过模拟研究评估参数恢复性能，并展示忽略时变序列依赖会导致水平变化和趋势变化的估计偏倚和标准误偏大。该应用展示了如何利用患者自测的纵向生理数据评估药物干预效果，对流行病学中基于真实世界数据的因果推断有参考价值。
关键技术: multivariate interrupted time series, dynamic additive model, time-varying serial dependence, simulation-based evaluation
为什么对您有用: 本文属于流行病学应用，使用中断时间序列分析评估药物变化对生理指标的影响，与您的secondary interest（流行病学数据集和因果推断应用）直接相关。您的very_familiar工具（非参数统计、因果推断估计理论）可用于改进其模型中的趋势变化估计或处理更复杂的时变混杂。作为应用论文，值得花时间阅读全文以了解其数据结构和分析流程，但方法学新颖性有限。

其他 (other, 6 篇)¶

1. 10.1093/jrsssc/qlad086 — Semiparametric M-quantile regression with measurement error in spatial covariates: an application to housing price modelling¶

作者: Riccardo Borgoni, Francesco Schirripa Spagnolo, Alessandra Michelangeli, Nicola Salvati, Antonella Carcagnì
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Milano-Bicocca · University of Pisa
分类: vol 73 · issue 1 · pp 82-103
相关性 6/10 · novelty: application
摘要: 本文针对空间协变量存在测量误差时的M-分位数回归，提出了一种半参数方法。研究动机来自米兰公寓市场异质性分析，目标是估计空间协变量测量误差下的条件分位数关系。方法采用惩罚似然框架进行参数估计，并给出了标准误的解析表达式。文章还推导了估计量的渐近性质。实证部分展示了该方法在房价建模中的应用，揭示了空间协变量测量误差对分位数回归估计的影响。该工作将测量误差修正与半参数分位数回归结合，但核心方法（惩罚似然、渐近正态性）属于经典工具，未引入新的识别策略或效率理论。对您而言，本文涉及测量误差和半参数建模，但与您的主要兴趣（因果推断、高维统计、U统计量、效率理论）关联较弱，且方法学创新有限。
关键技术: M-quantile regression, measurement error correction, penalized likelihood, spatial covariates, semiparametric estimation
为什么对您有用: 本文涉及测量误差和半参数回归，与您的次要兴趣（经济理论应用）中的房价建模有数据层面关联。但方法学上，它未使用您武器库中的核心工具（如U统计量、效率界、双机器学习），且未涉及因果识别或高维问题。作为应用论文，其方法学新颖度有限，不值得深入阅读。

2. 10.1093/jrsssc/qlad091 · arXiv — Horseshoe prior Bayesian quantile regression¶

作者: David Kohns, Tibor Szendrei
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 1 · pp 193-220
相关性 5/10 · novelty: application
摘要: 本文将 horseshoe prior 扩展到贝叶斯分位数回归框架，提出了一种适用于高维设定的快速采样算法。在稀疏设计和极端分位数估计中，该方法在系数偏差和预测误差上优于其他收缩先验。通过一个高维增长风险预测应用，使用超过200个宏观经济变量预测尾部风险和完整预测密度。分位数特定和密度校准评分函数表明，该方法在短期和中期预测中具有竞争力。核心贡献在于将 horseshoe prior 的全局-局部收缩特性与分位数回归的非对称损失结合，并利用 Gibbs 采样实现高效计算。对您而言，本文属于贝叶斯高维回归的应用拓展，与您的主要兴趣（因果推断、高维统计）无直接方法学关联，但可作为高维预测的参考案例。
关键技术: horseshoe prior, Bayesian quantile regression, Gibbs sampling, global-local shrinkage, high-dimensional forecasting
为什么对您有用: 本文属于贝叶斯高维回归的应用，与您的主要兴趣（因果推断、高维统计、半参理论）无直接方法学重叠。武器库中的 minimax bounds 或 high-dimensional asymptotics 可用来分析其收缩性质，但核心机器（horseshoe prior 的贝叶斯计算）不在您的技术栈中。暂不可做——需要先熟悉贝叶斯分层模型和 MCMC 诊断。

3. 10.1093/jrsssc/qlad082 — Models and methods for analysing clustered recurrent hospitalisations in the presence of COVID-19 effects¶

作者: Xuemei Ding, Kevin He, John D Kalbfleisch
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Michigan
分类: vol 73 · issue 1 · pp 28-46
相关性 5/10 · novelty: application
摘要: 本文针对透析设施中患者多次住院的聚类复发事件数据，提出了一种新的统计分析方法。研究背景是美国医疗保险和医疗补助服务中心需要评估近8000个透析设施、超过50万患者的数据，现有方法在计算上难以应对如此规模。该方法采用灵活的基础风险率函数，并兼具间接标准化和直接标准化的优点，在计算效率上显著优于R包survival。通过模拟研究验证了方法的稳健性，并应用于美国透析设施监测，同时针对COVID-19的影响进行了时变调整。本文主要贡献在于计算效率的提升和标准化方法的融合，但方法学创新性有限，属于应用导向的增量工作。对您而言，本文与您的核心兴趣（因果推断、高维统计、半参理论等）关联较弱，但如果您关注流行病学或医疗质量评估中的实际数据分析，可作为了解大型聚类复发事件数据建模的入门参考。
关键技术: clustered recurrent events, flexible baseline rate function, indirect vs direct standardization, computational efficiency
为什么对您有用: 本文属于流行病学应用领域，与您的secondary interest（流行病学数据集、应用因果工作）有弱关联。但方法学上以计算效率改进为主，未涉及您武器库中的核心工具（如非参统计、U统计量、半参效率界等），且缺乏因果推断或高维统计的理论深度。作为gateway reading，本文对流行病学中大型聚类复发事件数据的分析框架有清晰展示，但您若想深入该方向，需补充frailty模型和生存分析中聚类数据的专业知识（目前不在您的武器库中）。总体而言，暂不可做，除非您计划将流行病学中的复发事件分析作为新方向。

4. 10.1093/jrsssc/qlad090 · arXiv — Statistical inference for complete and incomplete mobility trajectories under the flight-pause model¶

作者: Marcin Jurek, Catherine A Calder, Corwin Zigler
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 1 · pp 162-192
相关性 3/10 · novelty: application
摘要: 本文针对手机追踪（MPT）数据，提出了一种统计飞行-暂停模型（FPM），将人类移动轨迹建模为一系列称为“运动”的随机对象。在FPM框架下，作者发展了参数推断和轨迹插补的统计方法，特别处理了多种缺失数据机制。关键发现是：MPT数据中常见的缺失数据假设（如随机缺失）不适用于FPM中随机运动的生成机制，这代表了一种未被充分研究的缺失数据现象。方法上，作者通过模拟和真实数据展示了缺失数据的后果以及所提调整的有效性，并讨论了MPT数据收集与设计的启示。该工作主要贡献在于为移动轨迹数据提供了一套完整的统计推断工具，并揭示了其独特的缺失数据问题。
关键技术: flight-pause model, missing data mechanisms, trajectory imputation, mobile phone tracking data
为什么对您有用: 本文属于应用统计工作，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠。但作为流行病学或经济理论中可能使用的移动性数据建模方法，可作为入门读物了解此类数据的统计挑战。武器库中的非参数统计和M估计理论可帮助理解其模型设定，但核心缺失数据机制分析并非您当前工具集的重点，暂不可做。

5. 10.1093/jrsssc/qlad081 — CAViaR models for Value-at-Risk and Expected Shortfall with long range dependency features¶

作者: Gelly Mitrodima, Jaideep Oberoi
期刊/来源: Journal of the Royal Statistical Society Series C
机构: London School of Economics and Political Science · University of London · SOAS University of London
分类: vol 73 · issue 1 · pp 1-27
相关性 3/10 · novelty: application
摘要: 本文在 CAViaR（条件自回归分位数）框架下，针对 Value-at-Risk 和 Expected Shortfall 的估计，提出了包含慢变分量和异质滞后收益作为回归量的新模型规格。使用 10 个股票指数的数据评估模型表现，发现所提特征能更好地捕捉尾部动态。方法上属于金融时间序列分位数回归的应用，未涉及因果推断、高维统计或半参效率理论等核心兴趣方向。
关键技术: CAViaR, quantile regression, Value-at-Risk, Expected Shortfall, long memory
为什么对您有用: 本文属于金融计量应用，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。作为 gateway reading 价值有限，因为未提供可迁移的统计方法论或清晰的数据/模型结构。暂不可做。

6. 10.1093/jrsssc/qlad089 · arXiv — Categorising the world into local climate zones: towards quantifying labelling uncertainty for machine learning models¶

作者: Katharina Hechinger, Xiao Xiang Zhu, Göran Kauermann
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Ludwig-Maximilians-Universität München · Technical University of Munich
分类: vol 73 · issue 1 · pp 143-161
相关性 2/10 · novelty: application
摘要: 本文针对遥感图像分类中的标注不确定性问题，提出一个多项混合模型来量化多位专家标注的分歧。模型假设每个图像的真实类别是唯一的，但专家意见存在随机性，通过随机期望最大化算法估计模型参数。分析参数可揭示标注不确定性的来源：类别本身的模糊性、专家异质性以及图像来源城市的影响。该方法为机器学习中依赖人工标注的图像分类任务提供了一种量化标注不确定性的框架。对您而言，本文属于应用统计方法在遥感领域的案例，与您的主要研究方向（因果推断、高维统计等）无直接技术交集，但可作为了解标注不确定性建模的入门读物。
关键技术: multinomial mixture model, stochastic expectation maximization, label uncertainty quantification, remote sensing image classification
为什么对您有用: 本文属于应用统计方法在遥感领域的案例，与您的主要研究方向（因果推断、高维统计等）无直接技术交集。作为gateway-reading，本文对遥感领域的数据结构（卫星图像、多位专家标注）和模型假设（多项混合模型）有清晰阐述，适合作为了解标注不确定性建模的入门读物。但武器库中缺乏处理此类空间数据或专家标注模型的核心工具，暂不可做。

Maintained by 陈星宇 · Homepage · Source on GitHub