JCGS — Vol 35 Issue 1 · 2026-07-13¶

共 40 篇 · Journal of Computational and Graphical Statistics
目录核对 ✅ 40 篇全部抓到（对照 OpenAlex 40 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。

这一期共40篇论文，主题分布广泛，但可归纳为三条主线：统计计算与算法设计（约20篇，涵盖变分推断、MCMC加速、自适应采样、张量分解、网络匹配等）、高维与结构化数据建模（约10篇，包括空间/网络/成分数据的贝叶斯与非参数方法）、以及假设检验与推断（约5篇，涉及变量选择评估、共形预测、网络相似性检验、离群值检测）。因果推断方向仅2篇，聚焦缺失数据与竞争风险场景。其余论文分散在形状分析、点过程、临床试验等应用领域。

在统计计算主线上，多篇论文探索了变分推断的扩展与加速：如《Non-Conjugate Variational Bayes for Pseudo-Likelihood Mixed Effect Models》将变分消息传递推广至非光滑损失，《Gaussian Variational Approximation for Ordinal Data with Crossed Random Effects》用delta方法实现百万级数据分钟级拟合，《Wasserstein Gaussianization and Efficient Variational Bayes for Robust Bayesian Synthetic Likelihood》则用Wasserstein梯度流解决正态性假设问题。另一批论文聚焦采样与优化效率：《Doubly Adaptive Importance Sampling》在变分推断与重要性采样间自适应插值，《fastkqr: A Fast Algorithm for Kernel Quantile Regression》通过有限光滑与谱分解加速核分位数回归，《On Seeded Subgraph-to-Subgraph Matching》用Frank-Wolfe处理NP难问题。此外，《Communication-Efficient Pilot Estimation for Non-Randomly Distributed Data in Diverging Dimensions》和《Efficient Approximation of Leverage Scores in Two-Dimensional Autoregressive Models》分别从分布式计算和结构化矩阵角度降低计算成本。

在高维与结构化数据主线上，空间与网络建模是核心：《Nonstationary Spatial Process Models with Spatially Varying Covariance Kernels》用HMC与嵌套交织采样处理非平稳空间过程，《Spatially Clustered Compositional Regression》用马尔可夫随机场约束实现成分数据空间聚类，《Spatial Adaptive Selection using Binary Conditional Autoregressive Model》用SAS-BCAR先验进行空间特征选择。网络方面，《Joint Community Detection in Random Effects Stochastic Block Models via the Split-Likelihood Method》用分裂似然处理多层网络社区检测，《Community Detection with Heterogeneous Block Covariance Model》将社区结构定义在协方差矩阵上。高维降维方面，《Principal Component Analysis Balancing Prediction and Approximation Accuracy for Spatial Data》提出可调权衡的降维算法，《Partial Envelope and Reduced-Rank Partial Envelope Vector Autoregressive Models》用包络方法简化VAR模型。

假设检验主线虽论文较少但方法多样：《Nonparametric Assessment of Variable Selection and Ranking Algorithms》将变量选择评估转化为非参数推断问题，《Fast Conservative Monte Carlo Confidence Sets》用反转Monte Carlo检验构建保守置信集，《Highest Probability Density Conformal Regions》结合共形推断与核密度估计实现自适应预测集，《A Bootstrap-based Method for Testing Similarity of Matched Networks》用参数化bootstrap检验网络相似性，《When Tukey Meets Chauvenet》提出样本量自适应的箱线图准则。

与因果推断最相关的两篇是《Boosting Prediction with Data Missing Not at Random》（展示半参数IPW/DR校正与boosting的结合）和《Analysis of Competing Risks Data with Covariates Subject to Detection Limits》（多重插补与拒绝抽样兼容性设计）。半参数效率方向可关注《Semiparametric Weighted Spline Regression (SWSR) in Confirmatory Clinical Trials with Time-Varying Placebo Effects》（样条加权估计ATE）。高维方向可优先看《Communication-Efficient Pilot Estimation for Non-Randomly Distributed Data in Diverging Dimensions》（分布式高维估计）和《On Optimal Tracking of Structural Changes in Time-Varying Networks》（极小极大下界）。

因果推断 (causal_inference, 2 篇)¶

1. 10.1080/10618600.2025.2541012 · arXiv — Boosting Prediction with Data Missing Not at Random¶

作者: Yuan Bian, Grace Y. Yi, Wenqing He
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 406-417
相关性 7/10 · novelty: new_method
摘要: 本文针对响应变量缺失非随机（MNAR）的场景，提出基于boosting的预测方法。核心挑战是缺失机制不可忽略，直接应用boosting会导致有偏预测。作者采用半参数估计思路，通过两种方式调整损失函数以校正缺失偏差：逆概率加权（IPW）和双重稳健（DR）损失。算法层面使用函数梯度下降实现boosting迭代，并严格证明了算法收敛性和估计量相合性。理论分析依赖于半参数理论中的影响函数和缺失数据框架。数值实验验证了有限样本下的性能优势。对您而言，本文展示了如何将缺失数据下的半参数校正（IPW/DR）与boosting这类非参数集成方法结合，其理论分析框架（收敛性+相合性）可直接迁移到您关注的因果推断中纵向数据或中介分析中的缺失值问题。
关键技术: semiparametric estimation, inverse probability weighting, doubly robust loss, functional gradient descent, missing not at random
为什么对您有用: 本文直接连接您primary interest中的因果推断（缺失数据是因果推断的常见障碍）和半参数理论（IPW/DR损失函数的设计）。技术武器库中'非参数统计'和'因果推断中的估计理论'可立即用于理解其算法收敛性证明，而'半参数理论'（moderately_familiar）正是本文核心工具——您可通过此文巩固半参数缺失数据处理框架，属于中期可做：需先在moderately_familiar的'半参数理论'上提升对缺失机制建模的熟练度。

2. 10.1080/10618600.2025.2526420 — Analysis of Competing Risks Data with Covariates Subject to Detection Limits¶

作者: Yilin Wu, Rui Huang, Huixia Judy Wang, Liming Xiang
期刊/来源: Journal of Computational and Graphical Statistics
机构: Nanyang Technological University · George Washington University
分类: vol 35 · issue 1 · pp 283-294
相关性 6/10 · novelty: new_method
摘要: 本文研究竞争风险数据中协变量因检测下限而删失时的回归分析问题。目标是在Fine-Gray子分布风险模型下，对删失协变量进行推断。提出一种新的多重插补方法，利用完全观测的协变量值和失效结局信息，通过拒绝抽样迭代插补删失协变量，使插补模型与实质模型兼容，显著提升估计效率。证明了估计量的一致性和渐近正态性，并通过模拟验证了有限样本性能。进一步将该方法扩展至评估删失协变量对竞争风险模型预测性能的影响。对您而言，本文的多重插补策略与因果推断中处理缺失协变量的思路相通，其拒绝抽样兼容性设计可迁移至proximal CI或纵向数据中的协变量删失问题。
关键技术: multiple imputation, rejection sampling, Fine-Gray subdistribution hazard model, covariate censoring, detection limits
为什么对您有用: 本文直接关联您primary interest中的因果推断（纵向数据/协变量缺失）和流行病学应用。技术层面，您very_familiar的'非参数统计'和'因果推断估计理论'可用于分析其插补模型的识别性假设；其拒绝抽样兼容性设计可启发proximal CI中negative control变量的缺失处理。中期可做：需先在moderately_familiar的'因果推断识别理论'上深入理解竞争风险框架下的因果参数定义，再考虑将方法扩展至因果效应估计。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)¶

1. 10.1080/10618600.2025.2547064 · arXiv — Nonparametric Assessment of Variable Selection and Ranking Algorithms¶

作者: Zhou Tang, Ted Westling
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 470-481
相关性 6/10 · novelty: new_method
摘要: 本文提出非参数框架来评估变量选择与排序算法的质量。首先定义了衡量算法性能的指标，如选择准确率与排序一致性。然后构造了这些指标的估计量，并建立了渐近正态性理论，支持大样本推断。为改善有限样本表现，提出了计算高效的局部bootstrap程序。数值实验与葡萄酒品质预测数据展示了方法的实用性。该工作将变量选择算法的评估问题转化为统计推断问题，为方法选择提供了理论依据。对您而言，其非参数推断思路与您熟悉的非参数统计和假设检验方向高度契合。
关键技术: nonparametric estimation, asymptotic normality, partial bootstrap, variable selection evaluation, ranking metrics
为什么对您有用: 本文直接关联您的主要兴趣——非参数统计与假设检验，将变量选择算法的比较形式化为统计推断问题。您熟悉的非参数统计与渐近理论可直接用于理解其估计量的收敛性质与推断程序。中期可做：若想拓展至更复杂的算法比较（如因果推断中的变量选择），需先在 moderately_familiar 的识别理论或半参数理论上加强。

2. 10.1080/10618600.2025.2526416 — Fast Conservative Monte Carlo Confidence Sets¶

作者: Amanda K. Glazer, Philip B. Stark
期刊/来源: Journal of Computational and Graphical Statistics
机构: Data One Global (United States) · The University of Texas at Austin · University of California, Berkeley
分类: vol 35 · issue 1 · pp 273-282
相关性 4/10 · novelty: new_method
摘要: 本文提出一种通用方法，通过反转 Monte Carlo 检验来构建实值或多维参数的保守置信集，适用于广泛的随机化方案。核心机制是利用两个事实：(i) 存在依赖模拟但仍保持保守性的 Monte Carlo 检验；(ii) 由于置信集的覆盖概率仅取决于真实原假设的检验显著性水平，所有原假设均可使用同一 Monte Carlo 样本进行检验。当参数为实值且 p 值关于参数（给定数据和 Monte Carlo 样本）是拟凹函数时，置信集可在 O(n) 时间内构建，其中 n 为数据量。对于某些检验统计量，不同 Monte Carlo 样本和参数值下的统计量值存在简单关系，可进一步节省计算。作者提供了开源的 Python 和 R 实现。该方法对您可能有用：它直接关联您对假设检验和统计计算（数值方法与软件）的兴趣，特别是其计算效率的讨论与您武器库中“软件发展”和“高维渐近”中的计算复杂度视角相呼应。
关键技术: Monte Carlo test inversion, conservative confidence sets, quasiconcave p-value, O(n) construction, randomization tests
为什么对您有用: 本文直接关联您对假设检验和统计计算（数值方法与软件）的兴趣。其核心贡献——利用同一 Monte Carlo 样本检验所有原假设以降低计算成本——是一个可立即尝试的实用技巧，属于“立即可做”范畴，因为您对非参数统计和软件发展非常熟悉。中期可考虑将其与您武器库中的“高阶 U 统计量”结合，探索在更复杂检验统计量下的计算效率。

3. 10.1080/10618600.2025.2520584 · arXiv — Highest Probability Density Conformal Regions¶

作者: Max Sampson, Kung-Sik Chan
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 241-250
相关性 4/10 · novelty: new_method
摘要: 本文在异方差回归框架下提出一种新的最高预测密度集（HPD）构建方法。该方法利用任何最高预测密度集都是标准化回归误差的某个最高密度集的平移与缩放这一性质，结合符号共形推断和核密度估计，高效计算共形预测区域。与大多数输出预测区间的共形方法不同，该方法能自适应目标分布：多峰时输出近似最小多峰集，单峰时输出近似最小区间。在温和正则条件下，证明这些共形预测集渐近接近真实最小预测集，且因共形保证，有限样本下覆盖概率有保障。模拟和真实数据分析表明，当目标分布多峰或强异方差时，该方法优于现有方法。对您而言，该方法的核心技术——共形推断与核密度估计的结合——属于非参数统计范畴，且其理论分析（渐近最优性）与您熟悉的minimax界和估计理论有直接关联，可作为理解共化推断在预测集构建中应用的一个入口。
关键技术: conformal prediction, kernel density estimation, signed conformal inference, highest predictive density set, heteroscedastic regression
为什么对您有用: 本文属于非参数统计与预测推断的交汇，直接对应您primary interest中的非参数统计和假设检验。技术上，共形推断的有限样本覆盖保证与您熟悉的minimax界和估计理论可形成互补视角——您可以用非参数统计的minimax工具分析其预测集的最优性是否紧。中期可做：需先在moderately_familiar的M估计理论中巩固共形推断的渐近性质，然后可尝试将本文的HPD思想推广到因果推断中的条件处理效应预测集。

4. 10.1080/10618600.2025.2509588 — A Bootstrap-based Method for Testing Similarity of Matched Networks¶

作者: Somnath Bhadra, Kaustav Chakraborty, Srijan Sengupta, Soumendra N. Lahiri
期刊/来源: Journal of Computational and Graphical Statistics
机构: University of Florida · University of Illinois Urbana-Champaign · North Carolina State University · Washington University in St. Louis
分类: vol 35 · issue 1 · pp 129-142
相关性 4/10 · novelty: new_method
摘要: 本文研究匹配网络（matched networks）的相似性检验问题，目标是在共同节点集上判断两个网络是否来自同一随机图模型（相等性）或概率矩阵是否成比例（缩放性）。方法基于参数化bootstrap和Frobenius范数检验统计量，覆盖随机块模型、Chung-Lu模型和随机点积图模型等多种设定。理论部分建立了检验的一致性，实证模拟展示了方法在多种模型类下的灵活性和计算效率。真实数据应用涉及Aarhus网络数据集，揭示了不同通信层的社会学模式。对您而言，该工作将bootstrap与网络假设检验结合，其理论框架（一致性证明）和计算策略（参数化bootstrap）可直接迁移到您在高维统计和假设检验中的网络比较问题。
关键技术: parametric bootstrap, Frobenius norm test statistic, stochastic blockmodel, Chung-Lu model, random dot product graph
为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是网络数据的相似性检验。您武器库中的非参数统计和minimax界工具可用于分析该检验的功率和最优性（例如，检验是否达到minimax可检测的差异界）。中期可做：需先在M估计理论（moderately_familiar）上加强，以处理更一般的网络模型下的检验问题。

5. 10.1080/10618600.2025.2520577 · arXiv — When Tukey Meets Chauvenet: A New Boxplot Criterion for Outlier Detection¶

作者: Hongmei Lin, Riquan Zhang, Tiejun Tong
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 198-211
相关性 2/10 · novelty: new_method
摘要: 本文提出一种结合 Tukey 箱线图与 Chauvenet 准则的新型离群值检测方法——Chauvenet-type boxplot。传统 Tukey 箱线图的 fence 系数固定（1.5×IQR），不随样本量调整，导致小样本下误检率偏高；Chauvenet 准则虽考虑样本量，但依赖均值和标准差，对离群值本身不稳健。作者通过精确控制每个观测的“外部率”（outside rate per observation）来动态确定 fence 系数，使新准则兼具箱线图的简单性和样本量自适应性。模拟和香港公务员薪酬调整的真实数据分析表明，该方法在不同样本量下均表现稳定，优于原 Tukey 箱线图和稳健化 Chauvenet 准则。作者还提供了 R 包“ChauBoxplot”以方便实际使用。对您而言，本文属于假设检验中离群值检测的实用方法改进，虽不涉及高深理论，但其“控制每个观测的误检率”的思路与您熟悉的 minimax 框架下的 error rate control 有相通之处，可作为教学或软件开发的参考。
关键技术: outlier detection, boxplot, Chauvenet's criterion, outside rate per observation, robustness
为什么对您有用: 本文属于假设检验中离群值检测的实用方法，直接对应 primary interest 中的 hypothesis testing 子方向。您武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可用于分析其 outside rate 控制是否在 worst-case 分布下仍成立，或推广到高维设定。中期可做：需先在 moderately_familiar 的 M-estimation theory 上熟悉稳健 M-估计的 influence function 分析，才能严格证明该方法的 breakdown point 或效率损失。

统计计算 / 算法 (stat_computing, 24 篇)¶

1. 10.1080/10618600.2025.2500977 · arXiv — Order Determination for Tensor-Valued Observations Using Data Augmentation¶

作者: Una Radojičić, Niko Lietzén, Klaus Nordhausen, Joni Virta
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 40-50
相关性 7/10 · novelty: new_method
摘要: 本文针对张量型观测数据，提出一种自动选择最优降维维度（即张量各模态的潜在秩）的方法。核心设定是噪声张量模型，目标是在不损失信息的前提下实现最大程度的维度压缩。方法将最近提出的数据增广（data augmentation）过程与高阶奇异值分解（HOSVD）以张量自然的方式结合，通过增广数据构造估计量来一致估计真实潜在维度。理论部分给出了调参的指导原则，并在总体和样本层面证明了估计量的一致性。此外，还提出了基于bootstrap的替代估计方案。模拟研究展示了两种方法在不同设定下的估计精度。对您而言，本文的张量降维自动选择问题与您在高阶U-统计量计算中关注的张量收缩/树宽复杂度有潜在联系，且其数据增广+分解的框架可作为统计计算中处理张量结构的一个新案例。
关键技术: higher-order singular value decomposition (HOSVD), data augmentation, bootstrap, tensor model, dimension reduction
为什么对您有用: 本文属于统计计算方向，直接对应您的primary interest中的'statistical computing (numerical methods, algorithm)'。其核心方法——数据增广结合HOSVD进行张量秩选择——与您非常熟悉的'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'有技术交集：张量分解的算法复杂度分析可借用树宽/收缩顺序的视角。中期可做：若您先在moderately_familiar的'theory of higher-order U-statistics'上长肌肉，可将本文的秩选择问题推广到更一般的张量结构（如CP分解）并分析其统计-计算权衡。

2. 10.1080/10618600.2025.2513964 — Communication-Efficient Pilot Estimation for Non-Randomly Distributed Data in Diverging Dimensions¶

作者: Yue Chao, Xiaochao Xia, Wei Zhong
期刊/来源: Journal of Computational and Graphical Statistics
机构: Xiamen University · Chongqing Technology and Business University · Chongqing University · Chongqing University of Science and Technology
分类: vol 35 · issue 1 · pp 155-172
相关性 6/10 · novelty: new_method
摘要: 本文针对分布式数据中非随机分布（heterogeneous）和高维（diverging dimension）场景，提出通信高效 pilot 估计（CEP）策略。传统 CSL 方法假设数据同分布且维度固定，不适用于异质分布或维度发散的数据。CEP 方法在各机器上抽取 pilot 样本，构造基于 pilot 样本的替代损失函数来逼近全局损失，得到 CEP 估计量。理论上证明了 CEP 估计量的收敛速度达到全局速率 √(p/(nN))，并在维度 p 随 pilot 样本量 r 发散时建立了渐近正态性。进一步提出正则化版本 CERP，对 Lasso 惩罚（CERP-Lasso）给出非渐近误差界，对自适应 Lasso 惩罚（CERP-aLasso）在广义线性模型下给出收敛速度和渐近正态性。模拟和真实数据验证了方法的有效性。该工作对您在高维统计计算和分布式推断方向有直接参考价值，特别是其 pilot 采样策略与您熟悉的非参数统计和 minimax 界技术可结合，用于设计更高效的分布式因果推断算法。
关键技术: communication-efficient surrogate likelihood, pilot sampling, diverging dimensions, Lasso penalty, adaptive Lasso, non-asymptotic error bounds
为什么对您有用: 本文属于统计计算（分布式推断）方向，直接连接您的 primary interest 中的 statistical computing。其 pilot 采样策略与您 very_familiar 的 minimax 界技术可结合：您可以用 minimax 界分析 pilot 样本量的最优选择，或验证其声称的收敛速率是否紧。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将 CEP 框架推广到半参数模型（如因果推断中的 ATE 估计）。

3. 10.1080/10618600.2025.2542381 — On Optimal Tracking of Structural Changes in Time-Varying Networks¶

作者: Yuzhao Zhang, Yifan Sun, Xin He, Jingnan Zhang, Junhui Wang
期刊/来源: Journal of Computational and Graphical Statistics
机构: City University of Hong Kong · Center For Remote Sensing (United States) · Renmin University of China · Beijing Academy of Artificial Intelligence · Beijing Advanced Sciences and Innovation Center · Shanghai University of Finance and Economics · University of Science and Technology of China · Chinese University of Hong Kong
分类: vol 35 · issue 1 · pp 418-428
相关性 5/10 · novelty: new_method
摘要: 本文研究时变网络（time-varying networks）中结构变化的检测问题。现有方法通常假设网络概率在相邻变化点之间保持同质，这在许多实际场景中过于严格。作者提出一种子空间追踪（subspace tracking）方法，将时变网络嵌入潜在嵌入子空间，并构造两个新的检测统计量来联合检测网络结构变化。理论上证明了该方法在检测网络结构变化时具有渐近一致性，并建立了极小极大意义下的不可能区域（impossibility region）。数值实验在合成网络和英国政治家社交网络上验证了方法的优势。该方法对您可能有用，因为它涉及高维统计推断和极小极大下界，与您在高维统计和假设检验方面的兴趣直接相关。
关键技术: subspace tracking, minimax lower bound, change point detection, time-varying networks, embedding subspace
为什么对您有用: 本文涉及高维网络数据的结构变化检测，与您在高维统计和假设检验方面的兴趣直接相关。您可以用 minimax 下界工具验证其声称的检测一致性是否紧，并考虑将子空间追踪思想迁移到因果推断中的时变处理效应检测。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理更复杂的网络依赖结构。

4. 10.1080/10618600.2025.2541004 · arXiv — fastkqr: A Fast Algorithm for Kernel Quantile Regression¶

作者: Qian Tang, Yuwen Gu, Boxiang Wang
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 395-405
相关性 5/10 · novelty: new_method
摘要: 本文针对再生核希尔伯特空间中的分位数回归提出快速算法 fastkqr。核心贡献是有限光滑算法，通过光滑化非光滑的分位数损失函数，却能精确得到回归分位数而非近似解。为加速计算，算法引入谱技巧重用矩阵分解结果，显著降低每次迭代的计算成本。此外，算法扩展至带数据驱动交叉惩罚的多水平分位数回归，解决分位数曲线交叉的可解释性问题。作者提供公开 R 包，模拟和真实数据实验表明 fastkqr 在保持精度的同时比现有算法快一个数量级。对您而言，该工作展示了如何将光滑化技巧与谱分解结合加速非参数估计，其算法设计思路（有限光滑 + 矩阵重用）可直接迁移到您熟悉的核方法或高维统计计算中。
关键技术: finite smoothing algorithm, spectral technique for matrix reuse, kernel quantile regression, crossing penalty
为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的 statistical computing。其有限光滑算法与谱技巧是您 very_familiar 的软件开发和 high-dimensional asymptotics 工具可以攻克的——您可分析该算法的计算复杂度（如矩阵分解的摊销成本）或将其推广至其他非光滑损失（如支持向量机）。中期可做：若想将光滑化思路与您的 higher-order U-statistics 计算结合（例如光滑化 U-统计量的目标函数），需先在 moderately_familiar 的 M-estimation theory 上补足光滑化对估计量的影响。

5. 10.1080/10618600.2025.2530048 · arXiv — Doubly Adaptive Importance Sampling¶

作者: Willem van den Boom, Andrea Cremaschi, Alexandre H. Thiery
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 330-338
相关性 5/10 · novelty: new_method
摘要: 本文提出一种双重自适应重要性采样（DAIS）方法，用于难以处理的后验分布的近似推断，目标是在变分推断（VI）的快速性与重要性采样（IS）的准确性之间取得平衡。该方法在每次迭代中通过插值自然梯度变分推断与重要性采样，并自适应地调整阻尼量，以保证固定的蒙特卡洛有效样本量（ESS）。利用高斯假设，通过Stein引理获得梯度信息，从而在强阻尼的VI阶段实现基于梯度的优化，并在弱阻尼的IS阶段降低蒙特卡洛误差。DAIS是一种通用、可高度并行化的自适应后验近似方法，数值实验表明其在模拟和真实数据上优于其他通用性较差的方法。对您而言，该方法属于统计计算中的自适应采样技术，与您对统计计算（数值方法、算法）的兴趣直接相关，且其自适应机制和并行化设计对开发高效推断算法有参考价值。
关键技术: Adaptive Importance Sampling, Natural-Gradient Variational Inference, Stein's Lemma, Effective Sample Size (ESS), Gaussian Approximation, Embarrassingly Parallel Computation
为什么对您有用: 本文直接对应您的 primary interest 中的“statistical computing (numerical methods, algorithm)”，属于统计计算中自适应采样与变分推断的混合方法。您武器库中的“software development”和“high-dimensional asymptotics”可用于分析其自适应阻尼策略的收敛性，而“nonparametric statistics”背景有助于理解其高斯假设的局限性。这是一篇方法学论文，立即可做：您可以用 very_familiar 的软件开发技能复现或扩展其并行化实现，或将其自适应ESS保证机制应用于您熟悉的因果推断中的后验采样问题。

6. 10.1080/10618600.2025.2509585 · arXiv — Bayesian Adaptive Tucker Decompositions for Tensor Factorization¶

作者: Federica Stolf, Antonio Canale
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 119-128
相关性 5/10 · novelty: new_method
摘要: 本文针对 Tucker 张量分解中潜在多秩（multi-rank）需预先指定的难题，提出一种贝叶斯自适应 Tucker 分解模型。该模型通过无限递增收缩先验（infinite increasing shrinkage prior）自动推断多秩，无需人工选择。核心机制是在核心张量上引入局部稀疏性，从而在保持丰富依赖结构的同时实现简约表示。后验推断采用高效的适应性 Gibbs 采样器，支持连续和二元数据，并能直接处理缺失数据插补。理论部分讨论了模型的基本性质并提供了理论依据。模拟与化学计量学、复杂生态数据的应用表明，该方法在拟合与预测上优于现有张量分解方法（如 PARAFAC）。对您而言，本文的贝叶斯自适应多秩推断策略与您熟悉的张量收缩/树宽计算（einsum）有直接接口——您可以用树宽视角分析其 Gibbs 采样中核心张量收缩的计算复杂度，或将其局部稀疏先验与您的高阶 U-统计量中的稀疏结构类比，属于中期可做方向（需先在 moderately_familiar 的 HOIF 或高阶 U-统计量理论上长肌肉）。
关键技术: Bayesian adaptive Tucker decomposition, infinite increasing shrinkage prior, adaptive Gibbs sampler, local sparsity in core tensor, missing data imputation
为什么对您有用: 本文直接连接您的 primary interest 中的 statistical computing（张量分解算法）和 higher-order U-statistics（张量收缩/树宽计算）。您的 very_familiar 武器库中的 treewidth / tensor contraction / einsum 计算可直接用于分析其 Gibbs 采样中核心张量收缩的计算成本，或设计更高效的收缩顺序。属于中期可做：需先在 moderately_familiar 的高阶 U-统计量理论上建立张量稀疏性与计算复杂度的联系。

7. 10.1080/10618600.2025.2505732 — Efficient Approximation of Leverage Scores in Two-Dimensional Autoregressive Models with Application to Image Anomaly Detection¶

作者: Junlie Huang, Xinlai Kang, Qiannan Huang, Mengyu Li, Cheng Meng, Jingyi Zhang
期刊/来源: Journal of Computational and Graphical Statistics
机构: Renmin University of China · Beijing University of Posts and Telecommunications
分类: vol 35 · issue 1 · pp 89-100
相关性 5/10 · novelty: new_method
摘要: 本文研究二维自回归模型（2D-AR）中 leverage scores 的高效近似计算问题。Leverage scores 是衡量数据点影响力的经典工具，常用于子抽样以加速大规模模型参数估计。作者利用 2D-AR 模型协变量矩阵的特殊结构（如 Toeplitz 或块 Toeplitz 结构），设计了一种快速算法来近似计算 leverage scores。理论上，推导了近似值与真实值之间的误差界，保证了近似精度。数值实验表明，该算法在合成数据上显著优于传统精确计算方法。在图像异常检测应用中，基于 leverage scores 的方法在检测精度上与现有先进方法相当，但计算时间大幅降低；而近似 leverage scores 进一步减少了时间开销且不损失检测精度。该工作对您作为统计计算方向的研究者具有参考价值，特别是其利用矩阵结构加速计算的思路可迁移到您熟悉的逆问题或高维统计中的计算瓶颈问题。
关键技术: leverage scores, two-dimensional autoregressive model, subsampling, Toeplitz matrix structure, error bound approximation
为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的 'statistical computing (numerical methods, algorithm)'。其核心是利用矩阵结构（Toeplitz）加速 leverage scores 计算，这一思路可迁移到您 very_familiar 的 'inverse problems with random noise' 和 'high-dimensional asymptotics' 中的计算加速问题。中期可做：若您想将类似结构加速方法推广到更一般的协变量矩阵（如非 Toeplitz 结构），需先在 moderately_familiar 的 'M-estimation theory' 上加强，以处理更复杂的误差分析。

8. 10.1080/10618600.2025.2549110 — Variational Inference Aided Variable Selection For Spatially Structured High Dimensional Covariates¶

作者: Siddhartha Nandy, Minwoo Kim, Shrijita Bhattacharya, Tapabrata Maiti
期刊/来源: Journal of Computational and Graphical Statistics
机构: Case Western Reserve University · Pusan National University · Michigan State University
分类: vol 35 · issue 1 · pp 482-493
相关性 4/10 · novelty: new_method
摘要: 本文研究线性回归中高维变量选择问题，当协变量存在空间结构时，采用Ising先验建模协变量间的图连接关系。标准Gibbs采样因需计算高维矩阵的行列式和逆矩阵而难以扩展。作者提出变分推断辅助的Gibbs方法，在保持变量恢复能力的同时大幅提升计算可扩展性。理论方面建立了强选择相合性，数值实验展示了竞争性能。该方法将变分推断与贝叶斯变量选择结合，为空间结构化高维数据提供了一种可扩展的推断框架。对您而言，本文展示了变分推断在统计计算中的实用价值，与您的统计计算兴趣直接相关，可作为入门读物了解变分推断在贝叶斯高维问题中的应用。
关键技术: variational inference, Ising prior, Gibbs sampling, variable selection consistency, spatial structure
为什么对您有用: 本文属于统计计算方向，展示了变分推断如何解决贝叶斯高维变量选择中的计算瓶颈。您的武器库中'软件开发和逆问题'可直接用于复现或扩展其算法，而'高维渐近理论'可用于验证其选择相合性证明。作为gateway reading，本文清晰阐述了计算问题（Gibbs不可扩展）和解决方案（变分近似），适合您快速进入变分推断领域。中期可做：若想深入变分推断理论，需先在moderately_familiar的M估计理论上加强。

9. 10.1080/10618600.2025.2546446 · arXiv — Approximate Bayesian Computation with Deep Learning and Conformal prediction¶

作者: Meïli Baragatti, Céline Casenave, Bertrand Cloez, David Métivier, Isabelle Sanchez
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 443-460
相关性 4/10 · novelty: new_method
摘要: 本文提出一种名为 ABCD-Conformal 的近似贝叶斯计算方法，旨在解决传统 ABC 方法对人工选择的汇总统计量、距离度量和容差阈值的依赖。该方法利用带 Monte Carlo Dropout 的神经网络直接估计后验均值（或其他矩型泛函），完全无需汇总统计量、距离和阈值，并借助共形预测理论为估计量构造具有正确频率边际覆盖的置信区间。核心机制是：神经网络作为条件均值回归器，Monte Carlo Dropout 提供不确定性量化，共形预测则保证有限样本下的覆盖性质。该方法适用于多维参数估计，且具有摊销计算（amortized）优势——训练后可在新观测数据上快速推断。在四个不同应用场景（包括模拟和真实数据）上与多种 ABC 变体进行了比较，展示了竞争性的点估计和区间估计性能。对您而言，本文展示了统计计算中一种将深度学习（神经网络+Dropout）与共形预测结合的新范式，其“无汇总统计量”的设计思路和共形预测的有限样本保证，对您在高维或复杂模型下的计算统计工具箱有参考价值。
关键技术: Approximate Bayesian Computation, Monte Carlo Dropout, conformal prediction, neural network regression, amortized inference
为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的“statistical computing (numerical methods, algorithm)”。您武器库中“software development”和“nonparametric statistics”可直接用于复现或扩展其神经网络+共形预测框架；共形预测的有限样本覆盖性质与您熟悉的 minimax 理论有潜在交叉（例如能否在 ABC 设定下推导出更紧的覆盖界）。中期可做：若想深入共形预测的理论保证，需先在 moderately_familiar 的“semiparametric theory”上补足（共形预测的 exchangeability 假设与半参数效率的联系）。

10. 10.1080/10618600.2025.2537250 — Joint Community Detection in Random Effects Stochastic Block Models via the Split-Likelihood Method¶

作者: Jiangzhou Wang, Meier Wu, Yang Liu, Binghui Liu, Jianhua Guo
期刊/来源: Journal of Computational and Graphical Statistics
机构: Shenzhen University · Shenyang Agricultural University · Northeast Normal University · Beijing Technology and Business University
分类: vol 35 · issue 1 · pp 364-376
相关性 4/10 · novelty: new_method
摘要: 本文研究多层网络中的联合社区检测问题，采用随机效应随机块模型（random effects SBM），该模型允许各层社区结构围绕一个共享的全局社区结构随机变异。由于精确拟合该模型是NP-hard问题，作者提出分裂似然方法（split-likelihood method），通过解耦行和列的社区标签来近似最大化似然，从而在检测精度与计算效率之间取得平衡。文章建立了所提方法的收敛理论以及社区标签估计的相合性理论。大量模拟表明该方法在检测精度和计算效率上均优于现有方法。最后，作者将方法应用于精神分裂症的静息态fMRI研究，展示了实际应用价值。对您而言，本文的split-likelihood策略与您熟悉的higher-order U-statistics中的treewidth/tensor contraction思路有潜在联系——解耦标签近似似然可视为一种计算-统计折中，而您对统计-计算权衡（statistical-computational tradeoff）的兴趣正好可以审视该近似是否达到了信息论下界。
关键技术: split-likelihood method, random effects stochastic block model, multi-layer network community detection, approximate likelihood maximization, consistency theory
为什么对您有用: 本文属于统计计算（stat_computing）方向，直接连接您对统计-计算权衡的兴趣。具体而言，split-likelihood方法通过解耦标签来降低计算复杂度，其近似误差与计算增益的权衡可被您用higher-order U-statistics的treewidth视角分析——即评估该近似是否在多项式时间内达到了最优检测率。武器库中'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'可直接用于建模该方法的计算成本，而'minimax bounds for estimation problems'可用于验证其相合性是否紧。中期可做：需先在moderately_familiar的'identification theory in causal inference'上长肌肉以理解随机效应模型的结构，但核心工具已就绪。

11. 10.1080/10618600.2025.2527925 · arXiv — Non-Conjugate Variational Bayes for Pseudo-Likelihood Mixed Effect Models¶

作者: Cristian Castiglione, Mauro Bernardi
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 304-314
相关性 4/10 · novelty: new_method
摘要: 本文提出一种统一的非共轭变分贝叶斯算法，用于近似贝叶斯广义混合效应模型的后验。模型由线性预测器经双射链接函数变换后定义，损失函数可允许非光滑（如分位数回归、支持向量机）。算法采用高斯变分近似下的消息传递优化策略，自动处理非共轭先验和非光滑损失，无需模型特定的数据增广表示。对于分位数回归和SVM等常见设定，推导了闭式更新公式。理论和实验表明，该方法在计算效率和近似精度上可作为现有贝叶斯技术的有效替代。对您而言，该文属于统计计算方向，展示了如何将变分推断扩展到非光滑损失场景，其消息传递框架与您熟悉的einsum/tensor-contraction计算模式有潜在联系，可作为gateway reading评估是否值得深入。
关键技术: non-conjugate variational Bayes, Gaussian variational approximation, message passing optimization, closed-form updates, quantile regression, support vector machines
为什么对您有用: 本文属于统计计算方向，与您的primary interest中的'statistical computing (numerical methods, algorithm)'直接相关。其消息传递优化策略与您非常熟悉的'einsum/tensor-contraction'计算模式有潜在联系——变分更新的闭式推导可能对应某种张量收缩结构。目前属于中期可做：需先在moderately_familiar的HOIF或semiparametric theory上长肌肉，才能将此类变分框架与您的高阶U-statistics计算工作结合。

12. 10.1080/10618600.2025.2520581 · arXiv — Wasserstein Gaussianization and Efficient Variational Bayes for Robust Bayesian Synthetic Likelihood¶

作者: Nhat-Minh Nguyen, Minh-Ngoc Tran, Christopher Drovandi, David Nott
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 212-228
相关性 4/10 · novelty: new_method
摘要: 本文针对贝叶斯合成似然（BSL）方法中汇总统计量正态性假设不成立的问题，提出了一种基于Wasserstein梯度流离散化的高斯化变换（Wasserstein Gaussianization），将任意分布的汇总统计量近似变换为高斯分布。该方法与稳健BSL（robust BSL）结合，解决了模拟与观测汇总统计量之间的兼容性问题。进一步，采用高效变分贝叶斯（Variational Bayes）进行后验逼近，形成一套完整的近似贝叶斯推断流程。理论贡献在于给出了Wasserstein梯度流离散化的收敛性保证，并证明了变换后统计量的分布逼近高斯分布的速度。数值实验在多个复杂模型（如随机波动率模型、流行病学传播模型）上展示了该方法相比标准BSL和ABC方法的精度与计算效率优势。对您而言，本文的Wasserstein梯度流与变分贝叶斯结合策略可迁移至您熟悉的统计计算与软件工具开发方向，尤其适合处理高维或非标准似然问题。
关键技术: Wasserstein gradient flow, Gaussianization transformation, Bayesian synthetic likelihood, robust BSL, variational Bayes, likelihood-free inference
为什么对您有用: 本文属于统计计算方法论，直接对应您的primary interest中的统计计算与算法方向。您武器库中'软件工具开发'和'高维渐近'能力可直接用于复现或扩展其Wasserstein梯度流离散化算法，中期可借助'moderately_familiar'的M估计理论分析其变分贝叶斯后验的收敛性。本文是gateway reading，适合作为进入近似贝叶斯计算领域的入口，值得花时间读全文。

13. 10.1080/10618600.2025.2518185 · arXiv — Principal Component Analysis Balancing Prediction and Approximation Accuracy for Spatial Data¶

作者: Si Cheng, Magali N. Blanco, Timothy V. Larson, Lianne Sheppard, Adam Szpiro, Ali Shojaie
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 184-197
相关性 4/10 · novelty: new_method
摘要: 本文针对多变量空间数据的降维问题，提出了一种平衡原始数据近似精度与下游建模预测效用的新方法。作者将降维目标形式化为两个互补但有时冲突的指标：近似精度（重构误差）和预测效用（低维得分对下游任务的贡献），并在此框架下统一刻画了现有方法（如PCA、空间PCA等）的权衡。核心贡献是提出了一种灵活的降维算法，通过一个可调参数实现两个目标的最优折中，并推导出计算简单的闭式解形式。算法基于特征分解，计算复杂度与标准PCA相当，易于实现。模拟和两个实际应用（空气污染建模、空间转录组学）展示了该方法在预测精度和解释性上的优势。对您而言，本文属于统计计算与算法设计方向，其“计算简单性”和“可调权衡”的思路对您开发高效统计软件有直接参考价值。
关键技术: principal component analysis, spatial data, dimension reduction, prediction-approximation tradeoff, eigen-decomposition
为什么对您有用: 本文属于统计计算方向，直接关联您的 primary interest 中的“statistical computing (numerical methods, algorithm)”。您武器库中“software development”和“high-dimensional asymptotics”可直接用于评估其算法的计算效率与理论性质。本文方法计算简单（闭式解），适合作为您开发空间数据降维软件包的起点——立即可做。

14. 10.1080/10618600.2025.2505018 — Gaussian Variational Approximation for Ordinal Data with Crossed Random Effects¶

作者: Manja Grønberg, John T. Ormerod, Line K. H. Clemmensen
期刊/来源: Journal of Computational and Graphical Statistics
机构: Technical University of Denmark · The University of Sydney
分类: vol 35 · issue 1 · pp 63-74
相关性 4/10 · novelty: application
摘要: 本文针对大规模序数响应数据中的交叉随机效应模型，提出了一种高斯变分近似（GVA）方法。核心挑战在于交叉随机效应导致的高维积分和计算瓶颈。作者利用 delta 方法简化了变分下界的优化，并推导了点估计和标准误的近似公式，避免了传统 Laplace 近似（LA）或 MCMC 的高计算成本。方法在百万级观测的推荐系统数据集上实现了分钟级拟合，且计算复杂度接近线性。与惩罚拟似然（PQL）相比，该方法在精度上更接近 LA，仅方差参数略有低估。本文展示了变分贝叶斯在复杂分层模型中的实用性和可扩展性，对您而言，这是一篇统计计算方向的优秀应用案例，展示了如何将近似推断技术（变分法）与大规模数据结合，其计算策略（如 delta 方法近似）可迁移至您熟悉的因果推断或高维统计中的计算问题。
关键技术: Gaussian variational approximation, delta method, crossed random effects, ordinal response models, Penalized Quasi-Likelihood (PQL), Laplace Approximation (LA)
为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的 'statistical computing (numerical methods, algorithm)'。您武器库中 'software development' 和 'high-dimensional asymptotics' 的熟练度可直接用于复现或扩展其计算框架（例如，将变分近似应用于您熟悉的因果推断中的纵向数据模型）。这是一篇 gateway reading，展示了变分法在非高斯、高维分层模型中的实用性和可扩展性，值得花时间阅读全文以了解其计算细节和 trade-off。

15. 10.1080/10618600.2025.2495780 · arXiv — A Stability Framework for Parameter Selection in the Minimum Covariance Determinant Problem¶

作者: Qiang Heng, Hui Shen, Kenneth Lange
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 27-39
相关性 4/10 · novelty: new_method
摘要: 本文针对最小协方差行列式（MCD）方法的参数选择问题，提出基于稳定性的模型选择框架。核心贡献在于构建了一个bootstrap程序来估计最佳子集算法的不稳定性，通过不稳定路径揭示数据的内点/异常点结构，并辅助选择合适的子集大小。方法上结合了统计深度初始化与浓度步骤等已有最佳实践，并通过多个真实数据集进行了严格基准测试。该工作为MCD方法提供了系统性的参数选择工具，增强了其在实际应用中的可用性。对于统计计算方向，本文展示了如何将bootstrap稳定性分析应用于鲁棒估计的模型选择，其思路可迁移至其他需要参数选择的鲁棒方法。
关键技术: Minimum Covariance Determinant (MCD), bootstrap stability estimation, statistical depth, concentration steps, instability path
为什么对您有用: 本文属于统计计算方向，直接对应您对统计计算（数值方法、算法）的兴趣。文中bootstrap稳定性框架是一种通用模型选择工具，您可以用very_familiar的软件开发和M-estimation经验快速复现并扩展至其他鲁棒估计问题（如高维协方差估计）。中期可做：若将稳定性路径与您moderately_familiar的HOIF理论结合，可发展出基于高阶影响函数的鲁棒模型选择诊断。

16. 10.1080/10618600.2025.2546451 — Correspondence Analysis on Sparse Bipartite Graphs with Hyperspecialization¶

作者: Cassandra Handan-Nader
期刊/来源: Journal of Computational and Graphical Statistics
机构: New York University
分类: vol 35 · issue 1 · pp 461-469
相关性 3/10 · novelty: new_method
摘要: 本文针对稀疏二分图（bipartite graph）中因存在高度专业化（hyperspecialization）的小节点子集而导致对应分析（CA）和典型对应分析（CCA）无法识别潜在梯度的问题，提出了一种新的计算方法。该方法基于CA特征值问题的马尔可夫链解释，通过识别并隔离这些高度专业化的节点，防止它们掩盖潜在梯度结构。与传统的图聚类技术相比，该方法能以更高精度识别高度专业化节点子集，并在正则化技术上表现出优势。作者使用一个跨越三十年、包含近2万名联邦公职候选人和300万捐赠者的美国政治筹款网络真实数据，验证了该方法在识别潜在梯度上的有效性。对您而言，本文提出的计算策略（基于马尔可夫链的节点识别与隔离）可视为一种新颖的预处理或正则化技术，与您统计计算（numerical methods, algorithm）的兴趣直接相关，且其处理稀疏图的思想可能启发您在高维或因果推断中处理稀疏数据时的算法设计。
关键技术: correspondence analysis, Markov chain interpretation of eigenvalue problem, hyperspecialization detection, sparse bipartite graph regularization
为什么对您有用: 本文直接关联您的统计计算兴趣，提出了一种新颖的计算方法来解决稀疏二分图中因高度专业化节点导致的梯度识别问题。您武器库中的非参数统计和高维渐近知识可用于分析该方法的理论性质（如一致性、收敛速度），而软件开发经验则有助于实现和扩展该算法。该问题本身是一个值得统计学家关注的数据分析问题，方法具有可迁移性，属于中期可做：需先在M估计理论上提升，以严格分析该方法的估计方程和渐近性质。

17. 10.1080/10618600.2025.2544182 · arXiv — On Seeded Subgraph-to-Subgraph Matching: The ssSGM Algorithm and Matchability Information Theory¶

作者: Lingyao Meng, Mengqi Lou, Jianyu Lin, Vince Lyzinski, Donniell E. Fishkind
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 429-442
相关性 3/10 · novelty: new_method
摘要: 本文研究子图到子图匹配问题：给定一对图和一个正整数 K，目标是在两图中各选出 K 个顶点并建立双射，使得邻接不一致数最小化；若部分双射已固定则称为“带种子”匹配。该问题是 NP 难的，作者提出 ssSGM 算法，利用 Frank-Wolfe 方法高效地寻找近似解。在广义相关随机伯努利图模型下，假设两图自然存在一个大小为 K 的匹配核心，作者给出了温和条件，使得子图匹配问题的解几乎必然等于正确的 K 对匹配顶点。理论部分还发展了匹配性信息论，刻画了可匹配性的信息论下界。仿真和真实数据实验验证了算法的有效性和理论预测。对您而言，本文的算法设计（Frank-Wolfe 优化）和理论分析（信息论下界）与您的统计计算兴趣直接相关，尤其是图匹配问题的计算复杂度与可识别性之间的权衡。
关键技术: Frank-Wolfe algorithm, subgraph matching, correlated random Bernoulli graph, information-theoretic lower bound, seeded matching
为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的 statistical computing。算法使用 Frank-Wolfe 方法，这是您 very_familiar 的优化工具，可以立即分析其收敛性。信息论下界的推导与您熟悉的 minimax 下界技术相通，中期可尝试将此类匹配问题的信息论界推广到更高阶的图结构（如超图匹配），这需要先在 moderately_familiar 的 HOIF 上提升。总体而言，本文是统计计算与图匹配的交叉，值得一读。

18. 10.1080/10618600.2025.2526412 — Kernelized Discriminant Analysis for Joint Modeling of Multivariate Categorical Responses¶

作者: Yisen Jin, Xin Zhang, Aaron J. Molstad
期刊/来源: Journal of Computational and Graphical Statistics
机构: University of Florida · Florida State University · University of Minnesota
分类: vol 35 · issue 1 · pp 251-262
相关性 3/10 · novelty: new_method
摘要: 本文针对多类别响应变量的联合概率质量建模问题，提出一种基于核化线性判别分析（kernelized LDA）的新方法。在响应变量数量、类别数或预测变量数较大时，传统似然方法失效或表现差。作者假设一个正态线性判别分析模型的变体，并引入离散核回归的惩罚似然方法以利用响应变量间的依赖结构。提出了两种估计量，均能产生可解释且简约的拟合模型。理论上建立了统计误差与近似误差之间的权衡关系。通过模拟和基因组数据应用，展示了该方法在分类准确性和模型可解释性上优于现有方法。对您而言，本文的离散核回归和惩罚似然技术可迁移到高维分类或因果推断中的多类别处理变量建模问题。
关键技术: kernelized linear discriminant analysis, discrete kernel regression, penalized likelihood, multivariate categorical responses, statistical-approximation error tradeoff
为什么对您有用: 本文属于统计计算与高维分类的交汇点，直接连接到您对统计计算（数值方法、算法）的兴趣。您的武器库中'非参数统计'和'高维渐近理论'可用于分析其离散核回归的逼近误差界，而'软件工程'技能可帮助复现或扩展其R包。中期可做：若您想深入其理论，需先在'半参数理论'上加强，以理解其估计量的渐近性质。

19. 10.1080/10618600.2025.2528938 — Partial Envelope and Reduced-Rank Partial Envelope Vector Autoregressive Models¶

作者: H. M. Wiranthe B. Herath, S. Yaser Samadi
期刊/来源: Journal of Computational and Graphical Statistics
机构: Drake University · Statistical and Applied Mathematical Sciences Institute
分类: vol 35 · issue 1 · pp 315-329
相关性 3/10 · novelty: new_method
摘要: 本文针对高维向量自回归（VAR）模型中的过参数化问题，提出部分包络VAR（PEVAR）模型。PEVAR通过一个降维子空间将均值函数与协方差结构联系起来，识别并剔除时间序列中的白噪声和无关成分，从而将估计聚焦于一组重要的滞后变量。进一步，作者将部分包络思想融入降秩VAR框架，提出降秩部分包络VAR（RPEVAR）模型，同时利用PEVAR和部分降秩VAR的优势。两种模型通过关注相关滞后变量实现系数估计的简约化，相比非部分VAR模型在估计效率和精度上均有显著提升。理论贡献在于将包络方法（envelope method）从独立同分布数据推广到时间序列的VAR设定，并给出了渐近性质。对您而言，本文属于统计计算与高维时间序列的交叉，其核心思想——利用子空间降维来提升估计效率——与您在高维统计和因果推断中处理高维协变量或工具变量的思路有潜在联系，但方法本身与您的主要兴趣方向（因果推断、U统计量、半参理论）距离较远，属于次要兴趣的gateway reading。
关键技术: envelope method, reduced-rank regression, vector autoregressive (VAR) model, subspace estimation, partial envelope
为什么对您有用: 本文属于统计计算与高维时间序列方法，与您的主要兴趣方向（因果推断、高维统计、U统计量）直接关联较弱。但作为gateway reading，它展示了包络方法在时间序列中的推广，其子空间降维思想对您在高维因果推断中处理高维协变量或工具变量有启发。武器库中'高维渐近理论'和'非参统计'可支撑理解其渐近性质，但核心方法（包络、降秩）不在您非常熟悉的武器中，属于'暂不可做'——需要先熟悉包络方法及其在时间序列中的理论。

20. 10.1080/10618600.2025.2520582 · arXiv — XGBoostPP: Tree-based Estimation of Point Process Intensity Functions¶

作者: Changqing Lu, Yongtao Guan, Marie-Colette van Lieshout, Ganggang Xu
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 229-240
相关性 3/10 · novelty: new_method
摘要: 本文针对中等规模点模式数据，提出了一种基于梯度提升回归树（XGBoost）的非参数强度函数估计方法XGBoostPP。该方法通过两种精心设计的损失函数扩展了XGBoost在点过程分析中的应用：第一种基于Poisson似然，适用于一般点过程；第二种引入空间依赖权重以提升聚类点过程的估计效率。算法包括高效的学习过程和配套的验证程序。模拟和两个真实数据分析表明，XGBoostPP在估计复杂强度函数时优于现有方法。该方法将机器学习中的树集成工具与点过程统计模型结合，为中等规模空间数据的非参数估计提供了实用方案。对您而言，本文展示了统计计算中算法设计与模型估计的融合，可作为统计计算方向的入门阅读材料。
关键技术: gradient-boosted regression trees, Poisson likelihood, weighted likelihood, point process intensity estimation, spatially dependent weights
为什么对您有用: 本文属于统计计算方向，展示了如何将XGBoost等机器学习算法适配到点过程强度估计这一统计问题中。您的武器库中'软件开发和M-estimation理论'可直接用于理解其损失函数设计和算法实现。作为gateway reading，本文适合了解统计计算中算法与模型结合的典型范式，但核心方法（树集成）不在您的主要兴趣范围内，属于中期可读材料。

21. 10.1080/10618600.2025.2516020 · arXiv — Nonstationary Spatial Process Models with Spatially Varying Covariance Kernels¶

作者: Sébastien Coube-Sisqueille, Sudipto Banerjee, Benoît Liquet
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 173-183
相关性 3/10 · novelty: new_method
摘要: 本文针对非平稳空间过程建模中计算瓶颈与高维参数空间的双重挑战，提出一类基于空间变化协方差核的可扩展模型。核心方法是将 Paciorek 型非平稳核嵌入贝叶斯框架，并采用混合蒙特卡洛与嵌套交织采样算法实现高效后验推断。模型通过局部核参数的空间平滑先验降低有效维度，同时利用 HMC 的梯度信息加速高维参数空间的探索。在合成数据上验证了模型选择与参数可识别性，并展示了非平稳建模相对于平稳模型的推断改进。最后在遥感归一化植被指数数据集上演示了实际应用中的优势与局限。对您而言，本文的统计计算策略（HMC + 嵌套交织）与高维参数空间降维思路，可迁移至您在高维统计或因果推断中处理复杂似然面的计算问题。
关键技术: Hybrid Monte Carlo, nested interweaving, spatially varying covariance kernel, Paciorek nonstationary kernel, Bayesian spatial process model
为什么对您有用: 本文属于统计计算方向，直接连接您的 primary interest 中的 statistical computing。其 HMC 与嵌套交织算法是处理高维参数空间的计算工具，您可以用 very_familiar 的软件开发和 high-dimensional asymptotics 经验来复现或改进其采样效率。中期可做：若想将类似计算策略推广至因果推断中的复杂模型（如 proximal CI 的高维 nuisance 参数），需先在 moderately_familiar 的 M-estimation theory 上加强，以理解算法收敛性。

22. 10.1080/10618600.2025.2505734 · arXiv — Mode and Ridge Estimation in Euclidean and Directional Product Spaces: A Mean Shift Approach¶

作者: Yikun Zhang, Yen-Chi Chen
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 101-110
相关性 3/10 · novelty: new_method
摘要: 本文研究在欧几里得空间与方向度量空间（如球面）的乘积空间上估计局部众数和密度脊线的问题。核心贡献是将（子空间约束）均值漂移算法推广到这类混合型乘积空间，并处理了推广过程中出现的几何与算法挑战。作者建立了所提算法的收敛性，并给出了实用的实现指南。在模拟和真实数据集上的实验验证了方法的有效性。该工作属于统计计算与算法领域，直接服务于高维非欧几何数据的非参数结构探索。对您而言，本文的算法设计与收敛性分析思路可迁移至您熟悉的非参数统计和软件工具开发方向。
关键技术: mean shift algorithm, subspace constrained mean shift, density ridge estimation, product space of Euclidean and directional metrics, algorithmic convergence analysis
为什么对您有用: 本文属于统计计算与算法方向，直接对应您的 primary interest 中的 'statistical computing (numerical methods, algorithm)'。您熟悉的非参数统计和软件工具开发能力可直接用于复现或扩展其算法实现。本文的算法收敛性分析思路也可与您熟悉的 minimax 框架结合，用于评估估计量的统计效率。中期可做：若您希望在方向统计或流形学习上建立更深的工具链，需先在 moderately_familiar 的 M-estimation 理论上加强。

23. 10.1080/10618600.2025.2510494 — Missing Value Imputation in Relational Data Using Variational Inference¶

作者: Simon Fontaine, Jian Kang, Ji Zhu
期刊/来源: Journal of Computational and Graphical Statistics
机构: Pennsylvania State University · University of Michigan
分类: vol 35 · issue 1 · pp 143-154
相关性 3/10 · novelty: application
摘要: 本文针对关系数据（网络数据）中节点属性缺失的问题，提出了一种联合潜变量模型，同时利用节点间的连接信息和观测到的属性信息进行缺失值插补。模型假设节点属性和边都由共享的低维潜变量生成，从而通过信息池化提升属性预测精度。作者采用变分推断近似潜变量的后验分布，进而得到缺失值的预测分布。数值实验表明，当观测信息较弱时，该方法能有效利用网络结构信息显著改善插补效果。该方法与统计计算中的变分推断和潜变量模型紧密相关，且提供了Python实现。对于您而言，本文展示了如何将图结构信息融入缺失数据处理，其变分推断框架和联合建模思路可迁移至您熟悉的因果推断或高维统计中的缺失数据问题。
关键技术: variational inference, latent space model, joint modeling of edges and attributes, missing data imputation, relational data
为什么对您有用: 本文属于统计计算方法的应用，与您的primary interest中的统计计算（变分推断）和secondary interest中的网络数据分析相关。您武器库中'非参数统计'和'高维渐近'可用于分析该潜变量模型的识别性和估计性质，但核心的变分推断技术属于您'中等熟悉'的范畴，因此属于中期可做：需先在变分推断或潜变量模型上积累经验，才能评估该方法在因果推断缺失数据问题中的适用性。

24. 10.1080/10618600.2025.2495257 — Finite Mixtures of Multivariate Contaminated Normal Censored Regression Models¶

作者: Tsung-I Lin, Wan-Lun Wang
期刊/来源: Journal of Computational and Graphical Statistics
机构: National Chung Hsing University · China Medical University · National Cheng Kung University
分类: vol 35 · issue 1 · pp 13-26
相关性 3/10 · novelty: new_method
摘要: 本文针对存在异常值和删失数据的复杂聚类问题，提出了多元污染正态混合模型（FM-MCNC）及其回归扩展（FM-MCNCR）。模型假设每个聚类内部数据来自一个多元污染正态分布，以同时建模正常点和异常点。参数估计采用交替期望条件最大化（AECM）算法，该算法在迭代中能同时恢复删失测量值和识别异常点。此外，文章给出了基于信息矩阵的渐近标准误近似公式。通过模拟和两个真实数据示例展示了方法的有效性。该工作属于统计计算与算法设计范畴，对您而言，其AECM算法框架和删失数据处理思路可迁移至因果推断中纵向数据或测量误差问题的计算实现。
关键技术: AECM algorithm, contaminated normal distribution, censored regression, model-based clustering, information matrix approximation
为什么对您有用: 本文属于统计计算方向，其AECM算法和删失数据处理框架对您处理因果推断中的纵向数据或测量误差问题有参考价值。您武器库中的'软件开发和M-estimation理论'可直接用于复现或扩展该算法，属于'中期可做'——需先在'moderately_familiar的M-estimation理论'上巩固EM算法与渐近方差估计的衔接。

其他 (other, 9 篇)¶

1. 10.1080/10618600.2025.2505725 · arXiv — Community Detection with Heterogeneous Block Covariance Model¶

作者: Xiang Li, Yunpeng Zhao, Qing Pan, Ning Hao
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 75-88
相关性 7/10 · novelty: application
摘要: 本文提出异质块协方差模型（HBCM），用于处理具有连续符号权重的网络社区检测问题。传统随机块模型（SBM）主要针对二值边，而HBCM将社区结构定义在协方差矩阵上，允许边权为连续值（正负均可），并考虑节点在社区内连接时的异质性。估计方法采用变分EM算法，并证明了社区成员估计的相合性。模拟实验验证了方法在不同设定下的表现，并应用于小鼠胚胎单细胞RNA-seq数据和股票价格数据集。对您而言，该工作属于应用型方法论文，与您的主要兴趣（因果推断、高维统计等）无直接技术关联，但社区检测与协方差建模的思路在统计计算或高维数据探索中可能有间接参考价值。
关键技术: variational EM, stochastic block model, covariance matrix clustering, community detection
为什么对您有用: 本文属于应用型方法论文，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接技术重叠。社区检测与协方差建模的思路在统计计算或高维数据探索中可能有间接参考价值，但核心方法（变分EM、块模型）不在您的技术武器库中，且未涉及您关注的识别、效率或计算复杂度问题。暂不可做：缺乏与您核心兴趣的直接连接，且方法学新颖性有限。

2. 10.1080/10618600.2025.2530757 — Longitudinal Mixed Membership Image-on-Scalar Model¶

作者: Zhihao Wu, Xinyuan Song, Kai Kang
期刊/来源: Journal of Computational and Graphical Statistics
机构: Chinese University of Hong Kong · Sun Yat-sen University
分类: vol 35 · issue 1 · pp 339-349
相关性 5/10 · novelty: application
摘要: 本文针对纵向MRI数据中个体异质性问题，提出了一种混合成员图像-标量模型。模型首先通过基展开近似纵向图像，然后引入概率权重向量刻画个体对多个聚类的不完全隶属关系，允许同一受试者的重复测量数据分属不同聚类。最后采用非线性轨迹模型捕捉正常衰老过程及从正常到严重阶段的潜在转变。采用贝叶斯框架结合高效MCMC算法进行推断，模拟研究验证了参数估计和模型选择的有效性。应用于ADNI数据集，揭示了AD进程中脑结构的演变模式。该方法主要面向应用统计和神经影像学，与您的主要兴趣（因果推断、高维统计、U-统计等）无直接交集，但纵向数据建模中的异质性处理思路可能对纵向因果推断中的个体处理效应异质性有所启发。
关键技术: basis expansion, mixed membership model, MCMC, longitudinal imaging
为什么对您有用: 本文属于应用统计（神经影像）范畴，与您的主要兴趣方向交集有限。纵向数据中的个体异质性建模思路对纵向因果推断中的个体处理效应异质性分析有间接启发，但核心方法（贝叶斯混合成员模型）不在您的技术武器库中，且无因果推断或效率理论成分。作为gateway reading价值不高，不建议深入阅读。

3. 10.1080/10618600.2025.2495256 — Spatial Adaptive Selection using Binary Conditional Autoregressive Model with Application to Brain-Computer Interface¶

作者: Zikai Lin, Junsouk Choi, Ruoxuan Mao, Bangyao Zhao, Jian Kang
期刊/来源: Journal of Computational and Graphical Statistics
机构: University of Michigan · Fudan University
分类: vol 35 · issue 1 · pp 1-12
相关性 5/10 · novelty: application
摘要: 本文提出一种新的贝叶斯标量-图像回归模型，用于解决医学影像中样本量小、预测变量高维且存在空间异质性激活模式和非线性关联的问题。核心创新是SAS-BCAR先验，它利用二元条件自回归模型捕捉特征选择指标间的空间依赖性，从而识别图像数据中具有空间结构的稀疏模式。模型还包含自适应特征选择机制，可根据不同图像区域调整空间依赖强度，提升特征选择的精确性和稳健性。通过计算机视觉基准数据集和脑机接口脑电图数据的模拟与实证分析，SAS-BCAR在训练数据有限时取得了优于现有方法的预测性能。该方法本质上是贝叶斯高维回归与空间统计的结合，与您的主要兴趣（因果推断、高维统计、半参数理论）无直接交集，但若您未来涉足神经影像或脑机接口领域的应用分析，其空间自适应特征选择思路可能提供参考。
关键技术: Binary Conditional Autoregressive (BCAR) model, Scalar-on-image regression, Bayesian variable selection, Spatially structured sparsity, Adaptive feature selection
为什么对您有用: 本文属于贝叶斯空间统计与高维回归的应用，与您的主要兴趣（因果推断、高维RMT、半参数效率理论）无直接技术交集。武器库中'非参数统计'和'高维渐近'可部分理解其建模框架，但核心的BCAR先验和MCMC计算不在您的熟悉或中等熟悉工具中。作为gateway阅读，本文对脑机接口应用有清晰的数据和模型描述，但方法学新颖性有限（主要是贝叶斯先验设计），暂不可做后续问题。

4. 10.1080/10618600.2025.2500978 — Spatially Clustered Compositional Regression: A Nonparametric Bayesian Approach¶

作者: Jingcheng Meng, Yimeng Ren, Xuening Zhu, Guanyu Hu
期刊/来源: Journal of Computational and Graphical Statistics
机构: Duke University · Fudan University · The University of Texas Health Science Center at Houston
分类: vol 35 · issue 1 · pp 51-62
相关性 5/10 · novelty: new_method
摘要: 本文提出一种非参数贝叶斯方法，用于成分数据回归中系数随空间位置聚类的问题。在成分数据回归中，协变量是成分（和为1的向量），传统log-contrast回归假设系数全局恒定，但本文允许系数在不同空间位置形成聚类，且聚类边界可以是连续的或不连续的。方法核心是使用马尔可夫随机场约束结合混合有限混合先验，对空间邻近的系数施加平滑性，同时允许突变。后验采样通过高效的MCMC算法实现，可同时推断聚类结构和每个聚类的回归系数。模拟实验和2019年美国50州及华盛顿特区的经济成分数据应用验证了方法的有效性。该方法属于贝叶斯空间统计与成分数据分析的交叉，与您的主要兴趣（因果推断、高维统计、半参理论）无直接技术重叠，但成分数据回归在流行病学（如膳食成分与健康）中有应用，可作为secondary interest的参考。
关键技术: Bayesian log-contrast regression, Markov random field prior, mixture of finite mixtures, spatial clustering, MCMC posterior sampling
为什么对您有用: 本文属于贝叶斯空间统计与成分数据分析，与您的主要兴趣方向（因果推断、高维统计、半参理论）无直接技术连接。武器库中无贝叶斯非参数空间聚类工具，且方法学核心（MRF先验、MCMC）不在您的技术栈内，暂不可做。若您未来进入流行病学成分数据应用，可作为入门文献，但当前无需深入。

5. 10.1080/10618600.2025.2507428 · arXiv — Semiparametric Weighted Spline Regression (SWSR) in Confirmatory Clinical Trials with Time-Varying Placebo Effects¶

作者: Tianyu Zhan, Yihua Gu
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 111-118
相关性 4/10 · novelty: application
摘要: 本文针对确认性 III 期临床试验中安慰剂效应随时间未知漂移的问题，提出半参数加权样条回归（SWSR）方法。目标 estimand 是平均处理效应（ATE），在非适应性设计下通过 B-spline 对时间趋势进行非参数建模。核心机制是：用 B-spline 基函数拟合安慰剂组的时间效应，同时用加权最小二乘估计处理效应，权重由倾向性评分或逆概率加权导出。该方法不依赖参数化时间趋势假设，通过样条自由度选择控制偏差-方差权衡。模拟和案例研究表明，SWSR 在控制 I 类错误率、保持统计功效方面优于现有方法（如 ANCOVA 或简单时间分层）。对您而言，本文是流行病学/临床试验中纵向因果推断的应用实例，其半参数加权思路可与您的 semiparametric theory 和 causal inference 兴趣对接，但方法学新颖性有限，属于成熟技术的组合应用。
关键技术: B-spline regression, semiparametric weighting, time-varying placebo effect, inverse probability weighting, confirmatory clinical trials
为什么对您有用: 本文属于流行病学/临床试验领域的应用工作，连接您的 secondary interest 中的 epidemiology 子方向。技术层面，其半参数加权框架与您 moderately_familiar 的 semiparametric theory 和 identification theory 有重叠，但核心机器（B-spline + IPW）在您的 very_familiar 武器库中已有覆盖。暂不可做：本文的方法学贡献较浅，未涉及您更感兴趣的高阶 U-statistic 或效率界，不值得投入时间深入复现或扩展。

6. 10.1080/10618600.2025.2540356 · arXiv — ACRONYM: Augmented Degree Corrected, Community Reticulated Organized Network Yielding Model¶

作者: Benjamin Leinwand, Vince Lyzinski
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 377-394
相关性 3/10 · novelty: new_method
摘要: 本文提出一种新的无权重网络生成与估计模型 ACRONYM，扩展了原本用于稠密加权网络的建模思路。模型允许不同子网络中的节点通过多种连接机制相互连接，从而诱导出灵活多样的社区结构，比现有模型能描述更广泛的网络类型。由于边是二值的，可以使用基于似然的估计方法，这有助于改善节点特征的估计精度。模型特别适用于网络不同区域密度异质性较强的情形。作者提供了在线补充材料和代码。该工作主要贡献在网络建模的方法论层面，与您的主要研究方向（因果推断、高维统计、U-统计量等）没有直接交集。
关键技术: likelihood-based estimation, network generation model, community detection, degree-corrected model
为什么对您有用: 本文属于网络建模的方法论文献，与您的主要兴趣方向（因果推断、高维统计、U-统计量、半参数理论等）没有直接连接。您的技术武器库中（如非参数统计、高阶U-统计量、因果推断估计理论）难以直接攻入本文的核心问题。暂不可做——核心机器（网络生成模型、社区检测的似然推断）不在武器库中。

7. 10.1080/10618600.2025.2526413 · arXiv — Bayesian Estimation of Clustered Dependence Structures in Functional Neuroconnectivity¶

作者: Hyoshin Kim, Sujit K. Ghosh, Adriana Di Martino, Emily C. Hector
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 263-272
相关性 3/10 · novelty: application
摘要: 本文提出一种基于贝叶斯聚类的协方差矩阵估计方法，用于高维高斯数据。核心思想是利用 Dirichlet 过程对协方差子矩阵进行聚类，形成独立的变量组，从而自然诱导协方差矩阵的稀疏结构。采用一种新的 split-merge 算法来改进 MCMC 的收敛性，模拟实验表明该方法能高精度恢复等大小和 Dirichlet 划分。方法应用于自闭症脑成像数据（ABIDE），将感兴趣区域聚类为功能独立的组。该方法在统计计算上有一定贡献（MCMC 算法改进），但核心问题（协方差聚类）与您的主要研究方向（因果推断、高维统计、U-统计量等）关联较弱。作为应用论文，其数据分析流程（脑成像数据的分组分析）对您可能仅作为流行病学或应用方向的参考，但方法学新颖性有限。
关键技术: Dirichlet process, split-merge MCMC, covariance clustering, Bayesian nonparametrics
为什么对您有用: 本文属于统计计算与贝叶斯方法的应用，与您的主要兴趣（因果推断、高维随机矩阵、U-统计量）无直接交集。作为流行病学/神经影像应用，其数据分析流程（ABIDE 数据集）可作参考，但方法学核心（协方差聚类）不在您的技术武器库中，且无直接可迁移的理论工具。暂不可做——核心机器（贝叶斯非参数、MCMC 算法）不在武器库中。

8. 10.1080/10618600.2025.2527295 — Tree-Enhanced Latent Space Models for Two-Mode Networks¶

作者: Dan Pu, Xinyan Fan, Kuangnan Fang
期刊/来源: Journal of Computational and Graphical Statistics
机构: Southwestern University of Finance and Economics · Renmin University of China · Xiamen University
分类: vol 35 · issue 1 · pp 295-303
相关性 3/10 · novelty: new_method
摘要: 本文针对二模网络（two-mode networks）提出树增强潜空间模型（TLSM），将节点间的层次树结构作为辅助信息融入潜变量建模。每个节点的潜嵌入向量被重参数化为树结构中对应中间节点向量的聚合，从而在嵌入空间中同时捕捉节点关系和层次结构。模型通过最大化带树正则项的log-likelihood进行估计，并设计了高效的ADMM算法求解。理论部分在温和条件下证明了估计量的一致性。模拟和Amazon评论数据集上的实证展示了模型在社区发现和预测上的有效性。该工作属于网络数据分析的方法论贡献，但未涉及因果推断、高维统计或效率理论等核心兴趣方向。
关键技术: latent space model, two-mode network, ADMM algorithm, tree-structured regularization, consistency
为什么对您有用: 该文属于网络统计建模，与您的主要兴趣（因果推断、高维统计、U统计量）无直接交集。武器库中的非参数统计和M估计理论可用于理解其一致性证明，但核心问题（层次树辅助的潜空间建模）不在您的技术路径上。暂不可做——缺乏网络数据分析的领域知识和工具积累。

9. 10.1080/10618600.2025.2535600 · arXiv — The Mean Shape under the Relative Curvature Condition¶

作者: Mohsen Taheri Shalmani, Stephen M. Pizer, Jörn Schulz
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 1 · pp 350-363
相关性 2/10 · novelty: application
摘要: 本文研究在形状空间中定义 Fréchet 均值的问题，目标是保证均值形状不出现局部自交等几何无效性。作者针对由 swept elliptical disks 表示的物体（如结肠、海马体），引入相对曲率条件（RCC）来约束形状空间，从而确保均值形状的几何有效性。核心方法是 Elliptical Tube Representation (ETRep) 框架，它基于骨架坐标系定义内在距离度量，并在此约束下计算测地路径。该方法被应用于统计形状分析，包括全局和部分假设检验，用于研究早期帕金森病中海马体结构的差异。本文属于计算几何与统计形状分析的交叉领域，方法学贡献在于为复杂非凸形状空间提供了系统性的有效均值保证。对您而言，该文与您的主要兴趣（如非参数统计、假设检验）仅有间接联系，但其中的形状空间约束思想可能对您在高维或因果推断中处理流形约束问题有启发。
关键技术: Fréchet mean, Relative Curvature Condition, Elliptical Tube Representation, geodesic path, shape space, hypothesis testing
为什么对您有用: 本文属于统计形状分析的应用领域，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接重叠。其核心方法（RCC约束、ETRep框架）是计算几何工具，不在您的技术武器库中。作为 gateway reading，本文对统计学家友好，清晰阐述了形状空间的定义和几何约束，但问题本身（保证均值形状的几何有效性）与您的统计推断兴趣距离较远。暂不可做：核心机器（形状空间、测地线计算）不在武器库里，且无直接迁移路径。

Maintained by 陈星宇 · Homepage · Source on GitHub