JCGS — Vol 35 Issue 2 · 2026-07-13¶

共 42 篇 · Journal of Computational and Graphical Statistics
目录核对 ✅ 未见遗漏（对照 OpenAlex 41 篇，权威目录可能尚未完全收录本期）

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 42 篇论文，整体关注两条主线：因果推断中的未测量混杂处理与统计计算中的算法效率与鲁棒性。前者集中在敏感性分析与去混杂方法，后者则覆盖分布式计算、张量结构、MCMC 加速、鲁棒估计等子主题。此外，高维假设检验、半参数/非参数方法、函数型数据分析也有若干篇，但数量较少。

因果推断主线有 2 篇：Optimization-Based Sensitivity Analysis for Unmeasured Confounding Using Partial Correlations 提出基于偏相关系数的约束优化框架，将 OLS 和 TSLS 的偏差用偏相关系数显式表达，并利用 bootstrap 构造敏感性区间；Spectrally Deconfounded Random Forests 将谱去混杂从线性模型扩展到随机森林，通过协变量矩阵的谱分解移除与未观测混杂相关的特征方向，在高维设定下控制偏差。两篇均聚焦未测量混杂，但前者侧重线性因果效应的敏感性分析，后者侧重非线性回归函数的去混杂估计。

统计计算主线最为密集，可细分为几个子方向：分布式与鲁棒估计方面，Byzantine-Robust Distributed One-Step Estimation 针对拜占庭故障提出鲁棒一步估计量，在分布式 M-估计中兼顾鲁棒性与渐近效率；Efficient Quantization Mean Estimation for Distributed Learning 通过方差缩减的相关量化降低通信开销；A Generalized Mean Approach for Distributed-PCA 用矩阵 β-均值聚合多机 PCA 结果，提升聚合精度。张量方法方面，Efficient Decision Trees for Tensor Regressions 设计快速随机化算法处理标量-张量回归，Conformalized Tensor Completion with Riemannian Optimization 将 conformal prediction 嵌套进张量补全，用 Riemannian 梯度下降估计缺失倾向。MCMC 与贝叶斯计算方面，Efficient Multivariate Initial Sequence Estimators for MCMC 将协方差矩阵累积和递归更新，复杂度从 O(p³) 降至 O(p²)；Quick Adaptive Ternary Segmentation 提出分治译码算法，将 HMM 译码复杂度降至多对数级别；On Gibbs Sampling for Endpoint-Conditioned Neighbor-Dependent Sequence Evolution Models 修正了已有采样算法的偏差。鲁棒与混合模型方面，Robust Linear Mixed Models Using Hierarchical Gamma-Divergence 用层次伽马散度自动降低异常值权重，Heckman Selection-Contaminated Normal Model 用污染正态分布处理样本选择模型中的重尾和异常值。此外，Simultaneous Estimation of Many Sparse Networks via Hierarchical Poisson Log-Normal Model 结合变分 EM 与 ADMM 并行计算，适用于单细胞数据中的多网络估计。

高维假设检验有 2 篇：Effective Permutation Tests for Differences Across Multiple High-Dimensional Correlation Matrices 引入方差稳定变换，使检验在稀疏和稠密设定下均能控制第一类错误；Online Change-Point Detection for Functional Data 基于 CUSUM 统计量，在相依函数型数据中实现非参数在线变点检测。半参数/非参数方向有 Semiparametric Estimation for Error-Prone Partially Linear Single-Index Models，处理测量误差下的半参数估计与变量选择；Reproducing Kernel-Based Semiparametric Functional Smoothed Score Estimation with Binary Responses 在函数型数据分类中建立误分类率误差界。高维稀疏回归方面，Optimal Sparse Sliced Inverse Regression via Random Projection 用随机投影加速广义特征值分解，Graph-based Square-Root Estimation for Sparse Linear Regression 结合图结构与平方根损失，避免噪声标准差预估计。

与因果推断最直接相关的两篇是 Optimization-Based Sensitivity Analysis 和 Spectrally Deconfounded Random Forests；半参数效率方向可关注 Semiparametric Estimation for Error-Prone Partially Linear Single-Index Models；高维假设检验方向优先看 Effective Permutation Tests for Differences Across Multiple High-Dimensional Correlation Matrices 和 Online Change-Point Detection for Functional Data；高维稀疏回归方向可看 Optimal Sparse Sliced Inverse Regression 和 Graph-based Square-Root Estimation。

因果推断 (causal_inference, 2 篇)¶

1. 10.1080/10618600.2025.2573156 · arXiv — Optimization-Based Sensitivity Analysis for Unmeasured Confounding Using Partial Correlations¶

作者: Tobias Freidling, Qingyuan Zhao
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 902-912
相关性 8/10 · novelty: new_method
摘要: 本文针对线性因果效应中未测量混杂和潜在工具变量的敏感性分析问题，提出了一种基于约束随机优化的灵活框架。核心创新在于将OLS和TSLS估计量的偏差用偏相关系数显式表达，并利用偏相关系数之间的代数关系（如部分相关系数的链式法则）构建直观的敏感性模型。方法允许研究者通过约束偏相关系数的取值范围来界定偏差，无需解析解。作者指出简单的“plug-in”敏感性区间缺乏置信度保证，转而提出基于bootstrap的敏感性区间构造方法，并在数值模拟中验证了其有限样本表现。该方法通过可视化工具（如敏感性热力图）增强了可解释性，并在教育对收入的因果效应实证研究中展示了实用性。对您而言，本文连接了因果推断中的敏感性分析（primary interest）与统计计算中的bootstrap方法（very_familiar），且其将偏差参数化为偏相关系数的思路可迁移至proximal CI或IV设定下的敏感性分析。
关键技术: partial correlation, constrained stochastic optimization, bootstrap confidence interval, OLS/TSLS bias decomposition, sensitivity model
为什么对您有用: 本文直接对应您primary interest中的因果推断敏感性分析，特别是IV设定下未测量混杂的偏差量化。您very_familiar的nonparametric statistics和high-dimensional asymptotics可用于分析其bootstrap区间在复杂依赖结构下的覆盖性质；此外，其偏相关系数代数关系与您moderately_familiar的identification theory结合，可拓展至非线性或高维IV场景。中期可做：需先在moderately_familiar的semiparametric theory上加强，以处理非参数IV的敏感性模型。

2. 10.1080/10618600.2025.2569602 · arXiv — Spectrally Deconfounded Random Forests¶

作者: Markus Ulmer, Cyrill Scheidegger, Peter Bühlmann
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 758-768
相关性 7/10 · novelty: new_method
摘要: 本文提出了一种改进的随机森林方法（SDForests），用于在存在未观测混杂变量时估计回归函数。该方法针对高维观测协变量设定，利用谱去混杂技术对最小二乘目标函数进行去混杂化处理。核心机制是通过对协变量矩阵进行谱分解，移除与未观测混杂相关的特征方向，从而减小遗漏变量偏差。理论部分证明了在一定的线性且密集混杂假设下，偏差可被控制。模拟和基于单细胞基因表达数据的半合成实验表明，即使假设不完全满足，SDForests 在估计直接回归函数时仍优于经典随机森林，且在无混杂时性能相当。该方法将谱去混杂的思想从线性模型扩展到了非线性随机森林框架，对您在高维因果推断中处理未观测混杂问题具有参考价值。
关键技术: spectral deconfounding, random forests, high-dimensional confounding, omitted variable bias, semi-synthetic data
为什么对您有用: 本文直接关联您 primary interest 中的因果推断（未观测混杂下的估计），且使用了谱去混杂这一技术，与您在高维统计和因果推断中的工具（如 minimax bounds、estimation theory）可对接。您可以用 very_familiar 的高维渐近理论分析其偏差-方差权衡，或用 moderately_familiar 的识别理论评估其假设的合理性。中期可做：若想将谱去混杂与您熟悉的 HOIF 结合，需先在 moderately_familiar 的 semiparametric theory 上加强。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.1080/10618600.2025.2571161 · arXiv — Optimal Sparse Sliced Inverse Regression via Random Projection¶

作者: Jia Zhang, Runxiong Wu, Xin Chen
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 782-794
相关性 7/10 · novelty: new_method
摘要: 针对高维小样本（large p small n）设定下的稀疏切片逆回归（SIR）问题，提出基于随机投影的稀疏SIR方法。该方法将原问题嵌入广义特征值框架，最终归结为并行执行低维广义特征值分解，从而大幅提升计算效率。理论上证明了该方法在适当假设下达到极小化最优收敛速率。算法引入精细的重加权方案，显著增强了对活跃协变量集合的可识别性。大量数值实验表明，所提算法在性能上优于现有竞争方法。该工作对您在高维统计与随机矩阵理论方面的兴趣有直接参考价值，尤其是随机投影与特征值分解的结合策略。
关键技术: random projection, sliced inverse regression, generalized eigenvalue decomposition, minimax optimal rate, sparse recovery, reweighting scheme
为什么对您有用: 直接关联您的高维统计与随机矩阵理论兴趣：随机投影将高维广义特征值问题降维至低维并行计算，其理论分析（极小化最优率）可借助您熟悉的minimax bound工具验证。中期可做：若将重加权方案与您moderately_familiar的HOIF理论结合，可能推导出更紧的变量选择界，但需先熟悉随机投影的Johnson-Lindenstrauss引理变体（目前武器库中未明确列出）。

2. 10.1080/10618600.2025.2571164 · arXiv — Graph-based Square-Root Estimation for Sparse Linear Regression¶

作者: Peili Li, Zhuomei Li, Yunhai Xiao, Chao Ying, Zhou Yu
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 804-817
相关性 6/10 · novelty: new_method
摘要: 本文针对高维稀疏线性回归中噪声标准差未知的挑战，提出了一种基于图的平方根估计（GSRE）模型。核心创新在于使用平方根损失函数替代传统最小二乘损失，使估计量不依赖于未知的误差标准差，从而避免了在估计过程中对噪声方差的预估计。同时，利用预测变量之间的图结构信息，以节点对节点形式设计稀疏正则化项，增强了模型对变量间相关结构的适应性。理论上，作者在不依赖误差标准差的前提下，推导了GSRE的有限样本界、渐近正态性和模型选择一致性。计算上采用交替方向乘子法（ADMM）实现高效求解。模拟和真实数据实验表明，GSRE在估计、预测和模型选择方面优于现有方法。该工作将图结构先验与平方根损失结合，为高维稀疏回归提供了一种鲁棒且无需噪声方差估计的框架，对您在高维统计和统计计算方面的兴趣有直接参考价值。
关键技术: square-root loss, graph-based regularization, alternating direction method of multipliers (ADMM), finite sample bounds, model selection consistency
为什么对您有用: 本文直接关联您在高维统计和统计计算方面的兴趣。其平方根损失与图结构正则化的结合，可视为一种无需噪声方差估计的稳健方法，您可以用非常熟悉的高维渐近理论和minimax界工具来检验其有限样本界的紧性。中期可做：若想将图结构先验推广到更复杂的图模型（如非链式图），需先在 moderately_familiar 的 M-估计理论中加强处理图约束的能力。

非参数 / 半参数 (nonparam_semipara, 5 篇)¶

1. 10.1080/10618600.2025.2560626 — Semiparametric Estimation for Error-Prone Partially Linear Single-Index Models¶

作者: Li-Pang Chen, Jou-Chin Wu, Grace Y. Yi
期刊/来源: Journal of Computational and Graphical Statistics
机构: National Chengchi University · Western University
分类: vol 35 · issue 2 · pp 669-684
相关性 6/10 · novelty: new_method
摘要: 本文研究部分线性单指标模型（PLSIM）在协变量存在测量误差时的半参数估计与变量选择问题。模型包含一个线性预测项和一个非参数单指标项，且两者均可能受测量误差污染。作者提出三阶段估计程序：第一阶段用校正方法消除测量误差偏差；第二阶段结合 boosting 算法进行变量选择和参数估计，避免使用不可微的惩罚函数；第三阶段建立渐近正态性和一致性理论。理论部分还证明了 boosting 算法的收敛性和变量选择的一致性。数值模拟和实际数据分析验证了有限样本性能。该方法对您在半参数理论和非参数统计方面的兴趣有直接连接，尤其是测量误差下的估计和变量选择问题。
关键技术: partially linear single-index model, measurement error correction, boosting algorithm, variable selection, asymptotic normality, consistency
为什么对您有用: 本文直接连接您的非参数与半参数理论兴趣，特别是测量误差下的估计问题。您可以用 very_familiar 中的非参数统计和估计理论工具来评估其 boosting 算法的收敛速率是否最优，或与您熟悉的 M-估计理论对比。中期可做：若想将方法推广到高维或因果推断设定，需先在 moderately_familiar 的 semiparametric theory 上加强。

2. 10.1080/10618600.2025.2574532 — Reproducing Kernel-Based Semiparametric Functional Smoothed Score Estimation with Binary Responses¶

作者: Meichen Liu, Peijun Sang, Xiaodong Yan, Linglong Kong, Bei Jiang, Xingcai Zhou
期刊/来源: Journal of Computational and Graphical Statistics
机构: University of Alberta · University of Waterloo · Xi'an Jiaotong University · Nanjing Audit University
分类: vol 35 · issue 2 · pp 924-936
相关性 5/10 · novelty: new_method
摘要: 本文研究二元响应下函数型数据的半参数分类问题，目标是在无限维函数空间中估计斜率函数并实现分类。方法基于 smoothed score (SS) 分类器，采用正则化的非凸光滑损失函数进行经验风险最小化。理论贡献包括：建立了误分类率的严格误差界，揭示了调谐参数与候选函数类大小之间的权衡；导出了 SS 估计在 L2 范数下的非正则收敛速率 hn^{-(1-ν)} n^{-μ/(2(μ+1))}，其中 hn 为光滑损失带宽。技术上，将函数型数据投影到 RKHS 中的单一方向来估计斜率函数，并开发了高效的近端梯度算法处理非凸优化。模拟和 ADNI 真实数据分析表明该方法在预测和估计上优于若干流行分类器。对您而言，本文的 RKHS 半参数框架和收敛速率分析可连接到非参数统计与半参数理论，其非凸优化算法对统计计算方向也有参考价值。
关键技术: smoothed score classifier, reproducing kernel Hilbert space, non-convex loss regularization, proximal gradient algorithm, functional data classification
为什么对您有用: 本文属于非参数与半参数理论方向，其 RKHS 投影和收敛速率分析可直接与您熟悉的非参数统计和 minimax 界工具对话。中期可做：若您想在半参数效率理论上进一步深入，可尝试将本文的 SS 估计与 influence function 结合，推导 semiparametric efficiency bound——这需要先在 moderately_familiar 的 semiparametric theory 上长肌肉。

3. 10.1080/10618600.2025.2569651 — The Quantile Integrated Depth with Applications to Noisy Functional Data¶

作者: Man Luo, Stanislav Nagy, Todd Ogden, Sara López-Pintado
期刊/来源: Journal of Computational and Graphical Statistics
机构: University of California San Diego · Human Longevity (United States) · Charles University · Institute of Mathematical Statistics · Columbia University · Northeastern University
分类: vol 35 · issue 2 · pp 769-781
相关性 5/10 · novelty: new_method
摘要: 本文针对函数型数据提出了一族新的深度概念——分位数积分深度（QID），其核心思想是将单变量深度（如修正带符号秩深度）的分布积分到第 K 个分位数，从而得到一条曲线的中心性度量。QID 族继承了经典函数型深度的理想性质：仿射不变性、中心处取最大值、以及关于最深点的单调性。在理论方面，作者证明了 QID 在噪声函数型数据下的稳健性，并给出了其与现有深度（如修正带符号秩深度、带状深度）的对比分析。方法上，QID 的计算依赖于单变量深度的经验分布，无需复杂的优化或调参，计算成本可控。模拟和真实数据实验表明，QID 在识别形状异常值（如幅度或相位异常）方面优于现有方法，尤其当数据被噪声污染时。本文属于非参数函数型数据分析的方法学贡献，对您而言，其深度框架与您熟悉的非参数统计和稳健估计方向直接相关，且 QID 的积分构造思路可能启发您在高维或因果推断中设计新的稳健排序或异常检测工具。
关键技术: functional data depth, quantile integration, modified band depth, robust outlier detection, noisy functional data
为什么对您有用: 本文属于非参数函数型数据分析的方法学贡献，直接连接到您的 primary interest 中的非参数统计与稳健估计。您非常熟悉的非参数统计工具（如经验分布、分位数）可以直接用于理解 QID 的构造和性质，属于立即可做的范畴——您可以用 minimax 界或 U-统计量的视角分析 QID 在噪声下的收敛速度，或将其与您熟悉的深度概念（如带状深度）进行理论对比。

4. 10.1080/10618600.2025.2551268 — Deep Neural Network for Functional Graphical Models Structure Learning¶

作者: Shuoyang Wang, Guanqun Cao
期刊/来源: Journal of Computational and Graphical Statistics
机构: University of Louisville · Michigan State University
分类: vol 35 · issue 2 · pp 554-565
相关性 5/10 · novelty: new_method
摘要: 本文研究功能型图模型（functional graphical model）的结构学习问题，目标是在多变量随机函数数据中估计节点的条件独立邻域。现有方法通常依赖高斯假设或精度算子存在性，这在函数数据中常不成立。作者提出一种基于深度神经网络的非参数回归与特征选择方法，直接估计每个节点的邻域，再合并得到全图结构。该方法不要求随机函数服从特定分布，也不需要精度算子存在。理论方面，建立了模型选择的一致性，收敛速率达到经典非参数回归速率（仅差对数因子），并发现一个关键的临界采样频率，该频率同时控制密集观测和稀疏观测下DNN估计量的收敛行为。模拟和真实数据实验验证了方法的有效性。对您而言，本文的非参数图结构学习思路可迁移至高维因果推断中的变量选择问题，且其收敛速率分析中使用的非参数技术（如DNN逼近界）与您熟悉的minimax bound工具直接对接，属于立即可做的交叉方向。
关键技术: deep neural network regression, functional graphical model, neighborhood selection, nonparametric convergence rate, critical sampling frequency
为什么对您有用: 本文连接您的非参数与半参数理论兴趣，具体在函数型数据图模型这一子方向。您武器库中的非参数统计和minimax bound工具可直接用于验证其声称的收敛速率是否紧，或推广至更一般的图结构。属于立即可做的交叉方向。

5. 10.1080/10618600.2025.2576163 · arXiv — Supervised Manifold Learning for Functional Data¶

作者: Ruoxu Tan, Yiming Zang
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 951-962
相关性 3/10 · novelty: new_method
摘要: 本文研究函数型数据分类问题，从流形学习视角出发，假设函数型数据位于未知低维流形上。作者提出一种新的邻近度量，利用标签信息学习低维表示（即监督流形学习），再将低维表示与多元分类器结合，构建一类新的函数型分类器。理论上，证明了基于k-NN分类器的函数型分类器具有渐近最优性。数值实验表明，该方法与多种经典多元分类器结合，在合成和真实数据上均取得有竞争力的分类性能。该工作将流形学习引入函数型数据分类，为高维函数型数据的降维与分类提供了新思路，对您在高维统计与非参数理论方面的兴趣有参考价值。
关键技术: manifold learning, functional data classification, supervised dimensionality reduction, k-NN classifier, asymptotic optimality
为什么对您有用: 本文连接了非参数统计中的流形学习与函数型数据分类，属于非参数与半参数理论范畴。您可以用非常熟悉的非参数统计和minimax界工具来评估其渐近最优性是否紧，以及流形假设对分类误差率的影响。中期可做：若想将流形学习与您的高阶U-统计量或HOIF结合，需先在moderately_familiar的HOIF上长肌肉。

数理统计 / 假设检验 (hypothesis_testing, 3 篇)¶

1. 10.1080/10618600.2025.2550527 — Effective Permutation Tests for Differences Across Multiple High-Dimensional Correlation Matrices¶

作者: José Á. Sánchez Gómez, Elio Zhang, Yufeng Liu
期刊/来源: Journal of Computational and Graphical Statistics
机构: University of California, Riverside · Seattle University · Eastern Michigan University · University of Michigan
分类: vol 35 · issue 2 · pp 528-537
相关性 7/10 · novelty: new_method
摘要: 该文研究高维情形下多个相关矩阵或协方差矩阵相等性的假设检验问题。传统方法在高维（p >> n）下失效，且性能常依赖于差异矩阵的稀疏或稠密结构，而该信息通常未知。作者提出一类新的置换检验程序，核心创新在于引入方差稳定变换，使得检验在稀疏和稠密设定下均能良好控制第一类错误并保持较高功效。方法无需对差异矩阵的稀疏性做先验假设，通过置换分布近似零分布，避免了参数化假设。理论方面，作者建立了检验功效的非渐近保证，证明了在稀疏和稠密两种极端情形下检验的可靠性。模拟和真实数据（基因表达、脑成像）分析表明，该方法在尺寸控制和功效上显著优于现有竞争方法。对您而言，该文直接关联您对高维假设检验的兴趣，且其置换检验框架与您熟悉的非参数统计工具（如U统计量的置换分布）有技术交集，可考虑将方差稳定变换思想推广至更一般的矩阵结构检验问题。
关键技术: permutation test, variance-stabilizing transformation, high-dimensional covariance testing, non-asymptotic power guarantee, sparse vs dense alternatives
为什么对您有用: 直接命中 primary interest 中的 hypothesis testing 和高维统计。该文的置换检验框架与您非常熟悉的非参数统计工具（如U统计量的置换分布）有技术交集，可考虑将方差稳定变换思想推广至更一般的矩阵结构检验问题。中期可做：需先在 moderately_familiar 的 higher-order U-statistics 理论上长肌肉，以处理更复杂的矩阵泛函的置换分布逼近。

2. 10.1080/10618600.2025.2560625 — Online Change-Point Detection for Functional Data¶

作者: Hanbing Zhu, Houlin Zhou, Yehua Li, Xuejun Wang, Xinyuan Song
期刊/来源: Journal of Computational and Graphical Statistics
机构: Anhui University · Chinese University of Hong Kong
分类: vol 35 · issue 2 · pp 661-668
相关性 5/10 · novelty: new_method
摘要: 本文针对相依函数型数据提出了一种在线变点检测方法，目标是在均值函数发生突变时及时发出警报。方法基于CUSUM型监控统计量，完全非参数化，无需对函数观测进行降维（如主成分分析），避免了因降维导致的信息损失。在无变点的原假设下，推导了监控统计量的渐近分布，从而得到控制全局虚警率的阈值。进一步证明了该序贯检验的渐近功效为1，即当变点存在时能以概率1检测到。模拟研究和真实数据应用验证了方法的有限样本性能。对您而言，该工作属于假设检验在函数型数据在线监控中的直接应用，其非参数设定和渐近理论（CUSUM统计量、相依数据下的极限分布）与您对数学统计和假设检验的兴趣高度契合。
关键技术: CUSUM monitoring statistic, functional data, online change-point detection, nonparametric, asymptotic distribution under null, asymptotic power one
为什么对您有用: 本文直接对应您 primary interest 中的 'hypothesis testing' 子方向，特别是函数型数据的在线变点检测这一具体设定。您武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 两项非常熟悉的技术可直接用于理解其非参数框架和渐近推导，而 'M-estimation theory'（中等熟悉）可用于进一步分析其监控统计量的稳健性。中期可做：若将方法推广至更复杂的相依结构或高维函数型数据，需先在 'high-dimensional asymptotics' 上进一步巩固。

3. 10.1080/10618600.2025.2573147 · arXiv — Exact Confidence Intervals for the Mixing Distribution from Binomial Mixture Distribution Samples¶

作者: Pallavi Basu, Barak Brill, Daniel Yekutieli
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 880-890
相关性 4/10 · novelty: new_method
摘要: 本文针对二项混合分布样本，提出构造混合分布累积分布函数和分位数的逐点置信区间方法，无需对混合分布形状做任何参数假设。核心方法是通过反演关于混合分布的复合零假设的精确检验来构建区间，要求检验统计量对混合分布的随机增广具有随机单调性。作者采用有限Polya树的分层贝叶斯方法建模混合分布，提供稳定且准确的去卷积估计，无需额外调参。主要技术贡献是证明了该分层贝叶斯方法产生的检验统计量满足随机单调性。基于此性质，推导了该方法所能构造的最小渐近置信区间，并探讨了在不做参数假设下能否构造更小区间的开放问题。对您而言，本文在非参数假设下通过精确检验构造置信区间的思路，与您在高维统计和假设检验方面的兴趣直接相关，其随机单调性证明技术可能迁移到您熟悉的U统计量或因果推断中的敏感性分析问题。
关键技术: exact test inversion, stochastic monotonicity, finite Polya tree, hierarchical Bayes deconvolution, composite null hypothesis
为什么对您有用: 本文属于假设检验方向，直接连接您的primary interest中的'假设检验'和'非参数理论'。技术武器库中'非参数统计'和'高维渐近理论'可用来分析其随机单调性证明的紧致性，或探讨其置信区间能否通过U统计量投影方法改进。中期可做：若您先熟悉'M估计理论'（moderately_familiar），可尝试将本文的检验反演框架推广到因果推断中的部分识别问题。

统计计算 / 算法 (stat_computing, 25 篇)¶

1. 10.1080/10618600.2025.2572325 · arXiv — Efficient Decision Trees for Tensor Regressions¶

作者: Hengrui Luo, Akira Horiguchi, Li Ma
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 840-853
相关性 7/10 · novelty: new_method
摘要: 本文提出 tensor-input tree (TT) 方法，解决标量-张量回归和张量-张量回归问题。核心贡献在于设计了快速随机化和确定性算法，使得 TT 在计算效率上优于张量输入高斯过程模型。方法基于递归划分张量输入空间，并扩展到张量-张量回归的加法树集成。理论部分提供了收敛性保证，实验验证了对输入张量逐元素噪声的鲁棒性。代码开源。对您而言，本文的算法设计与统计计算（特别是张量结构下的高效实现）直接相关，且树模型的可解释性可能为因果推断中的异质性分析提供新思路。
关键技术: tensor-input regression tree, randomized splitting algorithm, additive tree ensemble, scalar-on-tensor regression, tensor-on-tensor regression
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。您非常熟悉的树模型和软件工程经验可立即用于复现或改进其算法（立即可做）。中期可做：将 TT 与您 moderately_familiar 的 HOIF 结合，用于高维张量因果效应的异质性估计。

2. 10.1080/10618600.2025.2554671 · arXiv — Conformalized Tensor Completion with Riemannian Optimization¶

作者: Hu Sun, Yang Chen
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 594-605
相关性 7/10 · novelty: new_method
摘要: 本文研究张量补全的不确定性量化问题，将 split conformal prediction 框架嵌套进张量补全，把 UQ 问题转化为对每个张量条目缺失倾向的估计。缺失机制用张量 Ising 模型刻画，参数为低秩张量。估计方法采用最大伪似然估计（MPLE）配合 Riemannian 梯度下降算法，在低秩流形上优化。理论部分建立了 conformal interval 的有限样本覆盖保证，连接了缺失倾向估计与 conformal 预测的 validity。模拟实验验证了区间覆盖率的合理性，并在区域总电子含量（TEC）重建问题上展示了实际应用。对您而言，本文的 Riemannian 优化与张量低秩结构结合是一个可迁移的计算工具，且 conformal 预测框架为高维张量补全提供了 uncertainty quantification 的入口，与您的高维统计和统计计算兴趣直接相关。
关键技术: split conformal prediction, tensor Ising model, maximum pseudo-likelihood estimation, Riemannian gradient descent, low-rank tensor completion
为什么对您有用: 本文连接了您的两个兴趣点：统计计算（Riemannian 优化在张量流形上的实现）和高维统计（张量补全的 uncertainty quantification）。您的 very_familiar 武器库中的高维渐近理论和软件工程能力可直接用于复现和扩展其 Riemannian 优化算法，例如测试不同低秩约束下的收敛性。中期可做：若想深入其 conformal 预测的覆盖保证，需在 moderately_familiar 的 M-estimation 理论上加强，特别是 pseudo-likelihood 的渐近性质。

3. 10.1080/10618600.2025.2560623 — Influential Observations Detection by Random Projection in High-Dimensional Multivariate Response Linear Model¶

作者: Chao Liu, Bin Du, Jiaqi Li, Junlong Zhao
期刊/来源: Journal of Computational and Graphical Statistics
机构: Shenzhen University · Beijing Technology and Business University · Southern University of Science and Technology · Beijing Normal University
分类: vol 35 · issue 2 · pp 651-660
相关性 6/10 · novelty: new_method
摘要: 本文研究高维多元响应线性模型中影响点检测的难题。目标是在响应维度高、存在相依性的设定下，识别对回归估计有异常影响的观测点。作者提出 MRIP 算法，核心创新在于利用随机投影将多元响应降维至一维投影方向，并证明当投影方向数趋于无穷时，检验统计量收敛到极限形式，从而大幅简化计算。该方法通过投影整合了响应间的相依信息，有效缓解了 masking 和 swamping 效应。模拟和真实数据实验表明，MRIP 在检测精度和计算效率上均优于现有方法。该算法可扩展至大规模数据集，具有实际应用价值。对您而言，本文的随机投影降维思路可迁移至高维因果推断中的敏感性分析或异常值检测，且其计算效率分析可与您熟悉的统计计算（算法）兴趣点对接。
关键技术: random projection, multivariate response linear model, influential point detection, masking and swamping, limit distribution of projection statistic
为什么对您有用: 本文属于统计计算（算法）方向，直接对应您的 primary interest 中的 statistical computing。随机投影降维技术可迁移至高维因果推断中的敏感性分析或异常值检测，而您对 high-dimensional asymptotics 和 estimation theory 的熟悉程度足以理解其理论证明。中期可做：若想将类似投影方法用于 proximal CI 的 negative control 设定，需先在 moderately_familiar 的 identification theory 上长肌肉。

4. 10.1080/10618600.2025.2576165 · arXiv — Heckman Selection-Contaminated Normal Model¶

作者: Heeju Lim, José Alejandro Ordoñez, Antonio Punzo, Victor H. Lachos
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 963-975
相关性 5/10 · novelty: new_method
摘要: 本文针对 Heckman 样本选择模型，提出用双变量污染正态分布替代经典的双变量正态假设，以处理重尾和异常值。模型识别性得到讨论，并给出了基于截断多元正态分布闭式公式的 ECM 算法，E 步有解析表达式。模拟研究比较了污染正态、正态和 Student-t 三种设定下的有限样本表现，并考察了缺失率变化的影响。两个真实数据案例展示了模型的有效性。算法已封装在 R 包 HeckmanEM 中。对您而言，本文的 ECM 算法设计和 R 包实现是统计计算中处理截断分布参数估计的实用案例，可迁移到您软件开发的兴趣方向。
关键技术: ECM algorithm, truncated multivariate normal distribution, contaminated normal distribution, Heckman selection model, R package implementation
为什么对您有用: 本文属于统计计算方向，核心贡献是 ECM 算法和 R 包实现，直接对应您 primary interest 中的 statistical computing 和 software development。您可以用 very_familiar 的软件开发和 M-estimation 经验，快速理解并复用其 ECM 框架（如 E 步闭式公式的推导技巧），中期可做的是将类似算法扩展到其他截断分布族（需在 moderately_familiar 的 M-estimation 上稍加练习）。

5. 10.1080/10618600.2025.2551266 · arXiv — Byzantine-Robust Distributed One-Step Estimation¶

作者: Chuhan Wang, Xuehu Zhu, Lixing Zhu
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 538-553
相关性 5/10 · novelty: new_method
摘要: 本文针对分布式 M-估计中节点机器遭受拜占庭故障（Byzantine failure）的问题，提出了一种鲁棒一步估计量（ROSE）。该方法首先使用鲁棒方差缩减局部中位数（VRMOL）估计器确定初始参数值，然后在 Newton-Raphson 迭代过程中在节点机器与中央处理器之间通信，以鲁棒方式估计梯度和 Hessian 矩阵，从而得到最终估计量。ROSE 在不增加计算复杂度的前提下，比一般中位数估计量具有更高的渐近相对效率，且能处理中央处理器上的异常或缺失样本问题。作者在参数维度随样本量发散的高维设定下证明了渐近正态性，并在更弱假设下推导了收敛速度。数值模拟和真实数据应用验证了 ROSE 的有效性和鲁棒性。该工作对您作为统计计算方向的研究者具有直接参考价值，特别是其分布式鲁棒估计框架与您熟悉的 M-估计理论和高维渐近分析工具高度契合。
关键技术: Byzantine-robust distributed estimation, one-step M-estimation, median-of-means, Newton-Raphson iteration, high-dimensional asymptotics
为什么对您有用: 本文直接关联您的 primary interest 中的统计计算（分布式算法）和高维统计（参数维度发散时的渐近理论）。您非常熟悉的 M-估计理论和高维渐近分析工具可直接用于理解本文的收敛性证明，且其鲁棒聚合策略（中位数）与您熟悉的 minimax 界技术有潜在联系。中期可做：若想将 ROSE 扩展到更复杂的因果推断设定（如分布式 DML），需先在 moderately_familiar 的 semiparametric theory 上加强，特别是 influence function 的分布式鲁棒聚合。

6. 10.1080/10618600.2025.2551270 · arXiv — Simultaneous Estimation of Connectivity and Dimensionality in Samples of Networks¶

作者: Wenlong Jiang, Chris McKennan, Jesús Arroyo, Joshua Cape
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 566-578
相关性 5/10 · novelty: new_method
摘要: 本文针对多网络样本的联合分析，提出同时估计连接概率矩阵及其嵌入维数（秩）的方法。设定中，每个观测网络具有随机块模型结构，节点社区数和成员关系可先通过现有方法预估计。核心方法是将问题表述为凸优化问题，并采用交替方向乘子法求解。理论方面，在节点成员关系可能不完美恢复的情况下，建立了Frobenius范数和核范数下的估计误差界；当成员关系可完美恢复且维数远小于社区数时，该方法优于传统的基于平均的估计方法。数值实验和灵长类动物脑网络数据集分析表明，实际连接概率矩阵并非满秩，凸显了灵活降维方法的必要性。对您而言，本文的凸优化框架和ADMM求解策略是统计计算中处理结构化矩阵估计的典型范例，与您的统计计算兴趣直接相关。
关键技术: convex optimization, alternating direction method of multipliers (ADMM), stochastic block model, nuclear norm regularization, Frobenius norm error bound
为什么对您有用: 本文属于统计计算方向，核心是凸优化与ADMM算法在网络矩阵估计中的应用。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ADMM求解器，属于立即可做的范畴。此外，其核范数正则化与误差界分析也与您熟悉的高维渐近理论有交集，可作为统计计算与高维统计交叉的入门阅读。

7. 10.1080/10618600.2025.2561234 · arXiv — A Generalized Mean Approach for Distributed-PCA¶

作者: Zhi-Yu Jou, Su-Yun Huang, Hung Hung, Shinto Eguchi
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 685-693
相关性 5/10 · novelty: new_method
摘要: 本文针对分布式主成分分析（DPCA）中多机结果聚合效率低的问题，提出了一种利用特征值信息的矩阵 β-均值聚合方法（β-DPCA）。该方法通过可调参数 β 灵活选择聚合方式：β=1 对应算术平均，β=-1 对应调和平均，β→0 对应几何平均。β-均值与矩阵 β-散度（Bregman 矩阵散度的子类）相关联，为聚合的鲁棒性提供了理论支撑。文章还研究了 β-DPCA 下特征向量排序在扰动下的稳定性。数值实验验证了所提方法相比 Fan 等人仅用投影矩阵平均的方法在聚合精度上的提升。对您而言，本文属于统计计算中分布式算法设计的具体案例，其矩阵均值聚合思想与您熟悉的软件开发和数值方法有直接联系，可作为分布式统计计算入门的参考。
关键技术: distributed PCA, matrix β-mean, Bregman matrix divergence, eigenvalue information aggregation
为什么对您有用: 本文属于统计计算中分布式算法设计的具体案例，与您的 primary interest 中 'statistical computing (numerical methods, algorithm)' 直接相关。您武器库中 'very_familiar' 的 'software development' 和 'high-dimensional asymptotics' 可用于理解其算法实现与收敛性分析。本文是统计计算方向的入门级读物，方法学新颖度一般，但可帮助您了解分布式 PCA 的聚合策略，值得花时间阅读全文以拓展算法视野。

8. 10.1080/10618600.2025.2572328 · arXiv — Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For Hidden Markov Models¶

作者: Alexandre Mösching, Housen Li, Axel Munk
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 865-879
相关性 4/10 · novelty: new_method
摘要: 本文针对隐马尔可夫模型（HMM）的译码问题，提出了一种名为 QATS 的分治算法。传统 Viterbi 和 PMAP 算法的时间复杂度与观测序列长度呈线性关系，与状态空间大小呈次二次关系；QATS 则将序列长度上的复杂度降至多对数级别，代价是状态空间大小上的立方复杂度，因此特别适合长序列、少状态的 HMM。算法核心思想是：通过自适应搜索，在最多三段的分段上依次最大化局部似然得分，并保证所得路径是可接受的（admissible）。QATS 还提供了一种基于累积和的紧凑数据存储方式。模拟实验展示了 QATS 相对于 Viterbi 和 PMAP 的加速效果，并进行了精度分析。该算法已在 R 包 QATS 中实现。对您而言，本文属于统计计算中的算法设计，其分治策略和复杂度权衡思路可迁移至您在高阶 U-统计量计算中遇到的树宽/张量收缩优化问题。
关键技术: divide-and-conquer, adaptive search, local likelihood maximization, cumulative sum storage, polylogarithmic complexity
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。其分治策略和复杂度分析（序列长度多对数 vs. 状态空间立方）可启发您在高阶 U-统计量计算中利用树宽/张量收缩的复杂度权衡。您可以用 very_familiar 的树宽/张量收缩工具分析 QATS 的分段策略是否可推广到更一般的分段常数模型。中期可做：需先在 moderately_familiar 的 HOIF 上长肌肉，以理解其局部似然得分与影响函数的关系。

9. 10.1080/10618600.2025.2572324 — Efficient Quantization Mean Estimation for Distributed Learning¶

作者: Xiaojun Mao, Hengfang Wang, Xiaofei Zhang
期刊/来源: Journal of Computational and Graphical Statistics
机构: Shanghai Jiao Tong University · Fujian Normal University · Zhongnan University of Economics and Law
分类: vol 35 · issue 2 · pp 830-839
相关性 4/10 · novelty: minor
摘要: 本文研究分布式学习中均值估计的通信效率问题，目标是在数据有界支撑下通过量化减少通信开销。提出一种方差缩减的相关量化（variance reduced correlated quantization）方案，在固定设计和随机设计下均能降低均方误差（MSE）。理论推导了不同量化水平和维度下MSE的改进量，并与经典相关量化方法进行了对比。方法的核心机制是通过引入方差缩减项来校正量化噪声，从而在保持低通信成本的同时提高估计精度。合成数据实验验证了理论MSE缩减的可靠性，并在多种学习任务（如线性回归、分类）的真实数据上展示了实用性。对您而言，本文属于统计计算中通信高效估计的典型问题，但方法学创新有限（主要是对现有量化方案的增量改进），且与您的主要兴趣方向（因果推断、高维统计、U统计量）无直接技术交集。
关键技术: correlated quantization, variance reduction, distributed mean estimation, mean square error analysis
为什么对您有用: 本文属于统计计算中的通信高效估计问题，与您的primary interest中的'statistical computing'有弱关联。但方法学上主要是对现有量化方案的增量改进（降低常数），缺乏新的理论框架或算法突破。您的武器库中'nonparametric statistics'和'high-dimensional asymptotics'可用于分析其MSE界是否紧，但核心问题（量化策略设计）与您的技术栈距离较远。暂不可做——核心机器（量化理论、分布式优化）不在武器库中。

10. 10.1080/10618600.2025.2571167 · arXiv — Simultaneous Estimation of Many Sparse Networks via Hierarchical Poisson Log-Normal Model¶

作者: Changhao Ge, Hongzhe Li
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 818-829
相关性 4/10 · novelty: new_method
摘要: 针对单细胞RNA测序（scRNA-seq）计数数据中零膨胀和网络稀疏性的挑战，提出分层泊松对数正态模型（hPLN）以同时估计多个条件特异性基因网络。模型通过泊松分布建模计数，对数正态随机效应刻画基因间条件依赖，并引入分层先验共享跨条件的网络结构。估计采用变分EM与交替方向乘子法（ADMM）结合的算法，支持并行计算以处理大规模数据。模拟表明，该方法在网络结构恢复和参数估计上优于基于高斯图或独立估计的传统方法。应用于酵母（11种环境）和炎症性肠病患者（13个样本）的scRNA-seq数据，揭示了更丰富的条件依赖网络。对您而言，本文的变分EM+ADMM并行计算框架可迁移至您在高维统计计算中的大规模优化问题，且其处理零膨胀计数数据的思路对因果推断中的纵向或中介分析有参考价值。
关键技术: variational EM, alternating direction method of multipliers (ADMM), hierarchical Poisson Log-Normal model, simultaneous network estimation, single-cell RNA-seq
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中的统计计算（数值方法与算法）。其变分EM+ADMM并行框架是您very_familiar的软件开发和high-dimensional asymptotics工具可攻的具体口子——您可评估该算法的收敛速度与计算复杂度，或将其推广至其他高维稀疏估计问题。中期可做：需先在moderately_familiar的M-estimation理论上长肌肉，以严格分析变分EM的统计性质。

11. 10.1080/10618600.2025.2567948 · arXiv — Efficient Multivariate Initial Sequence Estimators for MCMC¶

作者: Arka Banerjee, Dootika Vats
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 734-742
相关性 4/10 · novelty: new_method
摘要: 本文针对 MCMC 后验样本的 Monte Carlo 误差估计问题，聚焦于 multivariate initial sequence estimator 计算效率低下的瓶颈。该估计量虽在有限样本下优于其他多元方法，但其计算复杂度随链长和维度增长迅速，限制了实际应用。作者提出一种高效替代方案，在保留原估计量渐近性质（相合性、正定性保证）和有限样本优越性的同时，大幅降低计算成本。核心技巧是通过递归更新协方差矩阵的累积和，避免每次迭代的矩阵乘法，将复杂度从 O(p^3) 降至 O(p^2)。数值实验在多个 MCMC 示例（包括分层模型和随机效应模型）中验证了加速效果，且估计精度无显著损失。此外，文章还给出了并行 MCMC 链场景下的单变量和多元初始序列估计量，并与流行的 batch means 方法对比，展示了更优的有限样本表现。对您而言，本文是统计计算中算法效率与统计效率权衡的典型案例，您可以用 very_familiar 的软件开发和 minimax 思维来评估其计算复杂度分析是否紧致，并考虑将类似递归加速技巧迁移到您熟悉的 U-statistics 计算中。
关键技术: initial sequence estimator, multivariate Monte Carlo error, recursive covariance update, batch means, parallel MCMC
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。您可以用 very_familiar 的软件开发经验评估其算法实现细节，并用 minimax 思维检验其声称的计算复杂度下界是否紧。中期可做：将递归加速思想迁移到 higher-order U-statistics 的 einsum 计算中，但需先在 moderately_familiar 的 HOIF 理论上长肌肉以理解高阶协方差结构。

12. 10.1080/10618600.2025.2565235 · arXiv — Robust Linear Mixed Models Using Hierarchical Gamma-Divergence¶

作者: Shonosuke Sugasawa, Francis K. C. Hui, A. H. Welsh
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 720-733
相关性 4/10 · novelty: new_method
摘要: 针对线性混合模型（LMM）对异常值敏感的问题，提出一种基于层次伽马散度（hierarchical gamma-divergence）的稳健估计与推断方法。该方法通过归一化幂加权密度自动降低误差项和随机效应中异常值的权重，无需手动指定异常值阈值。估计采用可扩展的MM算法（minorization-maximization），不确定性量化使用聚类bootstrap，调参采用Hyvarinen评分准则。在正则条件下，即使存在协变量依赖的强污染，估计量仍具有渐近控制性质。模拟表明该方法在多种污染场景下一致优于现有稳健LMM方法（如稳健似然、M估计等）。对您而言，该文的MM算法设计与bootstrap推断框架可迁移至您熟悉的因果推断或高维统计中的稳健估计问题，且Hyvarinen评分准则对调参自动化有参考价值。
关键技术: gamma-divergence, minorization-maximization algorithm, clustered bootstrap, Hyvarinen score, robust linear mixed models
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 (numerical methods, algorithm)'。您武器库中'very_familiar'的'软件开发和M-estimation理论'可立即用于复现或扩展其MM算法（例如将gamma散度替换为其他散度族）。中期可做：若您想将层次伽马散度推广至因果推断中的纵向数据稳健估计，需先在'moderately_familiar'的'identification theory in causal inference'上补足（特别是纵向数据下的g-computation与稳健估计的接口）。暂不可做：无。

13. 10.1080/10618600.2025.2573852 — Variational Estimation for Multidimensional Graded Response Model¶

作者: Qian-Zhen Zheng, Laixu Shang, Ping-Feng Xu, Na Shan, Zhigen Gao
期刊/来源: Journal of Computational and Graphical Statistics
机构: Zhejiang Normal University · Northeast Normal University · Shanghai Zhangjiang Laboratory · Czech Academy of Sciences, Institute of Mathematics
分类: vol 35 · issue 2 · pp 913-923
相关性 3/10 · novelty: new_method
摘要: 本文针对多维等级响应模型（MGRM）的参数估计问题，提出了一种高斯变分期望最大化（GVEM）方法。MGRM 是心理测量学中用于分析 Likert 型有序响应数据的标准模型，其似然函数涉及高维潜变量的积分，传统数值积分方法计算成本高。GVEM 通过构造一个精心推导的变分下界来近似边际对数似然，从而得到闭式更新公式，避免了直接数值积分。该方法显著提升了计算效率，尤其适用于高维潜变量场景。为校正变分近似带来的偏差，作者进一步提出了重要性加权 GVEM（IW-GVEM）算法。模拟研究表明，GVEM 和 IW-GVEM 在确认性和探索性分析中均比基准的 MH-RM 算法快得多，且估计精度具有竞争力。该方法的核心技术是变分贝叶斯与 EM 算法的结合，利用高斯分布族作为变分分布，并通过重要性采样修正近似误差。对于您而言，本文展示了变分方法在解决高维积分计算瓶颈中的具体应用，其“变分下界+重要性加权”的框架可迁移至您感兴趣的统计计算（如高维 U-统计量的近似计算）或因果推断中涉及潜变量模型的估计问题。
关键技术: Gaussian variational EM, variational lower bound, importance-weighted variational inference, multidimensional graded response model, closed-form updates
为什么对您有用: 本文直接关联您 primary interest 中的“statistical computing”，特别是高维潜变量模型的计算效率问题。您武器库中“very_familiar”的“inverse problems with random noise”和“software development”可直接用于复现或扩展其变分框架；而“moderately_familiar”的“M-estimation theory”可用于分析变分估计的渐近性质。本文的“变分下界+重要性加权”策略是一个中期可做的切入点：您可尝试将其应用于高维 U-统计量的近似计算，利用树宽/张量收缩的视角分析其计算复杂度与近似精度之间的权衡。

14. 10.1080/10618600.2025.2571162 — Online Bayesian Inference for Cox Proportional Hazards Model¶

作者: Junhyeok Choi, Jeyong Lee, Yongdai Kim, Minwoo Chae
期刊/来源: Journal of Computational and Graphical Statistics
机构: Pohang University of Science and Technology · Seoul National University
分类: vol 35 · issue 2 · pp 795-803
相关性 3/10 · novelty: new_method
摘要: 本文针对右删失数据下的Cox比例风险模型，提出了一种在线贝叶斯推断方法。该方法假设数据以mini-batch形式顺序到达，每到达一个批次，就将当前后验作为下一批次的先验进行更新。更新过程分为两步：首先利用偏似然更新回归系数的边际后验，然后利用泊松形式贝叶斯bootstrap似然更新条件后验。该方法能够同时推断回归系数和基线累积风险函数，据作者所知是首个针对Cox模型的在线贝叶斯方法。数值实验和真实数据分析表明，即使mini-batch规模较小，该方法也优于现有的频率学派在线方法，且与在全数据集上学习的批处理方法性能相当。对您而言，本文展示了在线学习框架与贝叶斯非参数（贝叶斯bootstrap）的结合，其更新策略和计算效率分析对您熟悉的统计计算和软件开发方向有参考价值。
关键技术: online Bayesian inference, Cox proportional hazards model, partial likelihood, Bayesian bootstrap, right-censored data, sequential posterior updating
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直接相关。您非常熟悉的软件开发和M-estimation理论可用于分析其在线更新策略的收敛性和计算复杂度，例如评估其两步更新是否可视为某种随机梯度MCMC的变体。中期可做：若您想深入，需先在moderately_familiar的semiparametric theory上熟悉Cox模型的偏似然渐近理论，以验证其贝叶斯bootstrap近似的有效性。

15. 10.1080/10618600.2025.2573152 — Flexible Bayesian Estimation of Elliptical Copulas¶

作者: Panfeng Liang, Ori Rosen
期刊/来源: Journal of Computational and Graphical Statistics
机构: The University of Texas at El Paso
分类: vol 35 · issue 2 · pp 891-901
相关性 3/10 · novelty: minor
摘要: 本文在贝叶斯框架下提出了一种灵活的椭圆copula生成函数估计方法。椭圆copula由相关矩阵和标量生成函数参数化，生成函数的估计因函数参数性质而具有挑战性。作者利用B样条密度混合来稳健地评估椭圆copula似然，该方法比现有方法更简单、更稳健且表现更优。主要贡献在于提供了一种严格的贝叶斯估计途径，避免了传统方法的数值不稳定性。模拟研究验证了方法的有效性，并提供了Matlab代码。该方法对高维依赖结构建模具有潜在价值，但理论性质（如后验一致性、收敛速度）未深入探讨。对您而言，本文属于统计计算中的数值方法应用，但方法学新颖性有限，且与您的主要兴趣（因果推断、高维统计、U统计量）无直接技术连接。
关键技术: B-spline mixtures, elliptical copula, Bayesian estimation, likelihood evaluation
为什么对您有用: 本文属于统计计算方向，涉及数值方法与软件实现，与您的secondary interest中的'statistical computing'有弱关联。但方法学核心（B样条混合贝叶斯估计）不在您的技术武器库中，且与您的主要兴趣（因果推断、高维RMT、U统计量）无直接交集。作为gateway reading价值低，因为未涉及您关注的统计-计算权衡或高阶U统计量计算复杂度问题。暂不可做——核心机器不在武器库里，且缺乏理论深度。

16. 10.1080/10618600.2025.2559675 — Approximations in the Homogeneous Ising Model with Application to Scene Analysis¶

作者: Alejandro Murua Sazo, Ranjan Maitra
期刊/来源: Journal of Computational and Graphical Statistics
机构: Université de Montréal · Iowa State University
分类: vol 35 · issue 2 · pp 631-644
相关性 3/10 · novelty: new_method
摘要: 本文针对齐次 Ising 模型中的归一化常数、活跃顶点期望数和自旋相互作用期望等关键量，提出了一套可计算的近似公式。这些量在统计推断中频繁出现，但由于配分函数难以计算，传统方法在大规模图上不可行。作者利用鞍点近似和变分方法，推导出封闭形式的近似表达式，避免了 MCMC 或数值积分的高计算成本。模拟实验表明，近似公式在节点数和图度数增长时仍保持高精度，且计算时间几乎不受图规模影响。应用部分展示了该方法在 fMRI 激活检测的贝叶斯推断、似然比检验、开心果产量空间各向异性检验以及巨幅图像 LSB 独立性检验中的实用性。对您而言，本文提供了一种处理大规模图模型计算瓶颈的实用工具，尤其适合需要快速计算 Ising 模型统计量的场景，与您的统计计算兴趣直接相关。
关键技术: saddlepoint approximation, variational approximation, Ising model, normalizing constant approximation, Markov random field
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。您可以用 very_familiar 的软件开发和数值方法技能，将本文的近似公式实现为高效软件包，并测试其在更大规模图上的扩展性。中期可做：若需将方法推广到非齐次 Ising 模型，需先在 moderately_familiar 的 M-estimation 理论上提升，以处理更复杂的参数结构。

17. 10.1080/10618600.2025.2561900 — Concurrent Prediction of Multiple Survival Outcomes with a Refined Stacking Algorithm¶

作者: Xiaowen Cao, Shuai You, Grace Y. Yi, Xuekui Zhang, Li Xing
期刊/来源: Journal of Computational and Graphical Statistics
机构: University of Victoria · Western University · University of Saskatchewan
分类: vol 35 · issue 2 · pp 694-703
相关性 3/10 · novelty: application
摘要: 本文针对多任务预测算法 MTPS 无法处理生存数据的局限，提出了一种扩展版本，用于同时预测多个生存结局。方法基于残差堆叠框架，在第一步分别用参数化加速失效时间模型和 Elastic Net AFT 模型构建单任务学习器，第二步通过堆叠整合各学习器的信息。通过模拟和真实数据（共病疾病）验证，新算法在预测性能上优于单任务学习器。该工作本质上是算法工程改进，未涉及新的统计推断理论或效率界。对您而言，本文可作为统计计算中集成学习与生存分析结合的入门参考，但方法学 novelty 有限。
关键技术: stacking algorithm, accelerated failure time model, Elastic Net, multi-task learning, residual stacking
为什么对您有用: 本文属于统计计算方法在生存数据上的应用扩展，与您的 primary interest 中的 statistical computing 方向相关。武器库中的 software development 经验可直接复现或改进其算法实现，但核心方法（堆叠集成）并非您熟悉的非参/高维工具，且缺乏理论深度，属于中期可做但优先级不高的方向。

18. 10.1080/10618600.2025.2551271 · arXiv — Discrete Autoregressive Switching Processes with Cumulative Shrinkage Priors for Graphical Modeling of Time Series Data¶

作者: Beniamino Hadj-Amar, Aaron M. Bornstein, Michele Guindani, Marina Vannucci
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 579-593
相关性 3/10 · novelty: application
摘要: 本文提出一种贝叶斯方法，用于多元时间序列的稀疏高斯图模型。模型假设观测数据由一个隐藏的离散自回归过程驱动，状态特定的精度矩阵通过图形马蹄先验实现稀疏化。混合概率采用累积收缩先验，可自动处理非活跃成分的零膨胀参数，并通过稀疏诱导的Dirichlet先验从数据中估计有效状态数。后验推断开发了一种采样程序，能同时估计离散自回归滞后阶数和状态数，巧妙避免了参数空间维度变化的问题。模拟研究验证了方法的性能，并在fMRI数据上展示了动态脑连接估计的应用。该方法对统计计算方向有参考价值，特别是贝叶斯非参数先验与MCMC采样策略的设计。
关键技术: graphical horseshoe prior, cumulative shrinkage prior, Dirichlet prior, hidden Markov model, MCMC sampling
为什么对您有用: 本文属于统计计算方向，与您的统计计算（数值方法、算法）兴趣直接相关。您的武器库中'软件开发和M-estimation理论'可用于分析其MCMC采样器的收敛性，但核心的贝叶斯非参数先验（累积收缩、马蹄先验）不在您的熟悉工具中，属于'暂不可做'——需先补充贝叶斯非参数建模的基础知识。作为gateway reading，本文对统计计算入门者友好，但方法学novelty一般，主要是现有技术的组合应用。

19. 10.1080/10618600.2025.2549454 — Bayesian Multilevel Network Recovery Selection¶

作者: Mohamed Salem, Inyoung Kim
期刊/来源: Journal of Computational and Graphical Statistics
机构: Virginia Tech
分类: vol 35 · issue 2 · pp 510-527
相关性 3/10 · novelty: minor
摘要: 本文研究高维多层级非加性模型下的变量选择与网络恢复问题。设定为两层结构：高层变量包含嵌套的低层变量，变量间存在条件依赖，目标是在非加性模型框架下同时选择变量并识别高层与低层变量间的依赖结构。方法上，作者提出多层级非参数核机器方法，结合新提出的多层级 Ising spike-slab 先验，使用 MCMC 和变分贝叶斯推断进行参数估计。变分推断的创新点在于将采样的依赖结构作为观测变量而非响应变量。该方法不仅能进行变量选择和网络恢复，还能给出原始响应变量的均值和分位数估计。模拟研究和基因通路分析展示了方法的优势。对您而言，本文的变分贝叶斯推断与核机器方法属于统计计算方向，但核心问题（多层级变量选择与网络恢复）与您的主要兴趣（高维统计、因果推断中的变量选择）关联较弱，且方法学 novelty 有限。
关键技术: multilevel Ising spike-slab prior, variational Bayes inference, nonparametric kernel machine, Markov-chain Monte Carlo, network recovery
为什么对您有用: 本文属于统计计算方法的应用，但核心问题（多层级变量选择与网络恢复）与您的主要兴趣（高维统计、因果推断）关联较弱。武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 可部分理解其核机器方法，但变分推断和 Ising 先验并非您熟悉的核心工具。本文方法学 novelty 有限（主要是先验设计的组合），暂不可做——缺乏变分贝叶斯和 Ising 模型的专业知识。

20. 10.1080/10618600.2025.2574535 · arXiv — Computationally Efficient Algorithms for Simulating Isotropic Gaussian Random Fields on Graphs with Euclidean Edges¶

作者: Alfredo Alegría, Xavier Emery, Tobia Filosi, Emilio Porcu
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 937-950
相关性 2/10 · novelty: new_method
摘要: 本文研究在具有欧几里得边的度量图（比线性网络更一般的图结构）上连续索引的高斯随机场模拟问题。目标是在电阻度量（resistance metric）下，生成协方差函数仅依赖于该度量的随机场。作者提出了三种通用算法，能够重建近期文献中提出的宽谱随机场。算法应用于街道网络的合成案例，证明快速且准确：能复现目标协方差函数，且有限维分布近似高斯。核心贡献在于将模拟从线性网络推广到更一般的图结构，并提供了计算上可行的方案。对您而言，本文展示了统计计算中针对复杂图结构的高效算法设计，与您的统计计算兴趣（数值方法、算法）直接相关，可作为图模型模拟的入门参考。
关键技术: Gaussian random fields, metric graphs, resistance metric, simulation algorithms, linear networks
为什么对您有用: 本文属于统计计算（stat_computing）方向，直接对应您的primary interest中的统计计算（数值方法、算法）。作为gateway reading，它清晰阐述了图结构上的随机场模拟问题，算法设计思路对您理解图模型的计算挑战有帮助。武器库中'软件开发和算法设计'可支撑您复现或扩展这些算法，属于'立即可做'的范畴。

21. 10.1080/10618600.2025.2561905 — Designing a Data Science Simulation with ℳℰℛℐ𝒯𝒮: A Primer¶

作者: Corrine F. Elliott, James P. C. Duncan, Tiffany M. Tang, Merle Behr, Karl Kumbier, Bin Yu
期刊/来源: Journal of Computational and Graphical Statistics
机构: University of Michigan · University of Regensburg
分类: vol 35 · issue 2 · pp 704-719
相关性 2/10 · novelty: survey
摘要: 本文提出 MERITS 框架，用于指导数据科学模拟研究的设计与评估。MERITS 包含六个维度：Modularity（模块化）、Efficiency（效率）、Realism（现实性）、Stability（稳定性）、Intuitiveness（直观性）和 Transparency（透明性），分别对应 PCS（可预测性-可计算性-稳定性）框架中的不同方面。作者将模拟研究类比为烹饪，提供了概念框架（模拟“配方”的解剖结构）和 13 条实用指南。通过一个案例研究，展示了如何使用 MERITS 框架对现有模拟研究进行“尸检”式评估。该工作旨在整合跨学科的最佳实践，为可信、真实的数据科学模拟提供统一指导。对您而言，本文属于统计计算与软件方法论的实用指南，可帮助您在设计模拟实验（如评估因果推断或高维统计方法的性能）时，系统性地提升研究质量与可复现性。
关键技术: MERITS framework, PCS (Predictability-Computability-Stability) framework, simulation study design, case study autopsy
为什么对您有用: 本文属于统计计算与软件方法论的实用指南，直接对应您 primary interest 中的 'statistical computing (numerical methods, algorithm)'。您武器库中 'software development' 和 'nonparametric statistics' 的模拟经验可直接用于评估和扩展该框架。中期可做：若想将 MERITS 应用于您自己的模拟研究（如评估高维 U-统计量的计算成本），需先在 'semiparametric theory' 上提升，以设计更贴近实际数据生成过程的现实性模拟。

22. 10.1080/10618600.2025.2554675 · arXiv — Choice of Trimming Proportion and Number of Clusters in Robust Clustering based on Trimming¶

作者: Luis Angel García-Escudero, Christian Hennig, Agustín Mayo-Iscar, Gianluca Morelli, Marco Riani
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 606-618
相关性 2/10 · novelty: application
摘要: 本文针对基于修剪的鲁棒聚类方法中两个关键参数——聚类数 k 和修剪比例 α——的选择问题，提出了一种自动化辅助工具。传统上依赖“分类修剪似然曲线”进行视觉判断，主观性强且难以复现。作者首先为这些曲线的形状和拐点提供了理论解释，建立了与数据几何结构（如分离程度、噪声水平）的联系。核心贡献是提出参数自助法（parametric bootstrap）来生成一个缩减的“合理”参数候选列表，而非单一最优解，用户可结合领域知识从中挑选。方法通过模拟和真实数据展示了其减少主观性、提高可复现性的效果。对您而言，本文属于统计计算中算法选择与自动化的工作，其自助法思路可迁移至您熟悉的因果推断或高维统计中模型选择（如调优参数）的自动化问题，属于中期可做方向（需先在 moderately_familiar 的 M-estimation 理论上巩固）。
关键技术: parametric bootstrap, classification trimmed likelihood curves, robust clustering, trimming proportion selection, number of clusters selection
为什么对您有用: 本文属于统计计算中算法自动化的应用型工作，连接您的 primary interest 中的“statistical computing”子方向。其 parametric bootstrap 思路可迁移至您熟悉的因果推断或高维统计中模型选择（如调优参数）的自动化问题，属于中期可做方向——需先在 moderately_familiar 的 M-estimation 理论上巩固，以理解自助法在复杂模型下的有效性条件。

23. 10.1080/10618600.2025.2560621 — On Gibbs Sampling for Endpoint-Conditioned Neighbor-Dependent Sequence Evolution Models¶

作者: Yongkang Li, Joseph Mathews, Scott C. Schmidler
期刊/来源: Journal of Computational and Graphical Statistics
机构: Duke University · Statistical Service · Statistical Research (United States)
分类: vol 35 · issue 2 · pp 645-650
相关性 2/10 · novelty: minor
摘要: 本文针对 Hobolth (2008) 提出的用于邻位依赖 DNA 序列进化模型的端点条件路径采样算法，指出其未能从正确的目标分布中采样，并给出了一个简单的 Metropolis 接受步骤修正。作者还比较了一种更简单的 Metropolis 提议分布，该提议在效率上更优，因此被推荐使用。通过在原始论文中的参数估计问题上进行数值演示，展示了修正对估计结果的实际影响。该工作聚焦于 MCMC 采样算法的正确性与效率，属于统计计算中算法诊断与改进的典型问题。对于您而言，这是一篇短小精悍的统计计算论文，展示了如何发现并修复一个已发表算法中的采样偏差，其方法论（Metropolis 校正、提议分布比较）可直接迁移到您自己开发的统计软件或算法中，用于验证和提升采样器的可靠性。
关键技术: Gibbs sampling, Metropolis-Hastings correction, neighbor-dependent substitution models, MCMC diagnostics, path sampling
为什么对您有用: 本文直接关联到您的 primary interest 中的 statistical computing（算法与软件）。您武器库中 very_familiar 的软件开发和 M-estimation 理论可以立即用于复现和扩展本文的数值实验，例如用您熟悉的 einsum 框架高效实现邻位依赖模型的似然计算，并对比不同采样器的效率。这是一篇立即可做的 follow-up：您可以用自己的统计计算工具包（如基于 tensor contraction 的 U-statistic 计算）来重新实现并验证本文的修正效果，甚至推广到更一般的图结构依赖模型。

24. 10.1080/10618600.2026.2638126 — Correction¶

作者:
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 991-994
相关性 0/10 · novelty: minor
摘要: 这是一篇勘误（Correction），针对原发表在 Journal of Computational and Graphical Statistics 上的论文“Ultra-efficient MCMC for Bayesian longitudinal functional data analysis”。勘误内容通常涉及对原论文中公式、代码或结果的修正，不包含新的方法论贡献或理论结果。对于统计计算方向的研究者而言，此类勘误本身不提供可迁移的技术工具或新的算法见解。该勘误与您的主要兴趣（如高效 MCMC 或贝叶斯计算）仅有非常间接的关联，且不涉及您武器库中的任何具体技术项。
为什么对您有用: 本文为勘误，不包含新的方法或理论，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接关联。作为统计计算方向的 gateway reading 价值极低，不值得投入时间阅读全文。

25. 10.1080/10618600.2026.2621604 — Correction¶

作者:
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 990-990
相关性 0/10 · novelty: minor
摘要: 这是一篇勘误（Correction），针对原论文《Fast Computer Model Calibration Using Annealed and Transformed Variational Inference》。原论文提出了一种结合退火和变换变分推断的快速计算机模型校准方法，旨在加速贝叶斯校准过程。该方法通过变分推断近似后验分布，并利用退火策略和可逆变换提高逼近精度和计算效率。勘误通常涉及对原文中公式、数值结果或引用文献的修正，但具体内容未在摘要中详述。由于是勘误，不包含新的方法论贡献或理论结果。对于您而言，这篇勘误本身不提供新的统计计算技术或可迁移的方法论，仅作为对原论文的补充信息。
关键技术: variational inference, annealing, transformed variational inference, computer model calibration
为什么对您有用: 本文属于统计计算（stat_computing）方向，但仅为勘误，不包含新方法或理论。您的武器库中'软件开发和统计计算'虽相关，但本文无实质内容可攻。暂不可做：核心机器（变分推断的退火与变换技术）不在您的武器库里，且本文无新结果。不值得花时间读全文。

其他 (other, 5 篇)¶

1. 10.1080/10618600.2025.2572327 · arXiv — Adaptive Shrinkage with a Nonparametric Bayesian Lasso¶

作者: Santiago Marin, Bronwyn Loong, Anton H. Westveld
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 854-864
相关性 5/10 · novelty: new_method
摘要: 本文提出非参数贝叶斯Lasso（NPBL），一种用于高维回归的自适应收缩先验。模型在 spike-and-slab Lasso 框架基础上，对收缩参数施加 Dirichlet process 先验，使得回归系数先验成为无穷混合的 Laplace 分布，每个分量提供不同的正则化强度，从而实现对不同信号水平的自适应收缩。后验推断采用高效的 MCMC 算法。模拟和真实数据分析表明，NPBL 在系数恢复、变量选择和预测精度上可与或优于现有收缩先验（如 horseshoe、regularized horseshoe）。对您而言，本文属于贝叶斯高维变量选择的方法学工作，与您的主要兴趣（高维统计、假设检验）有间接关联，但核心工具（Dirichlet process 混合、MCMC）不在您的技术武器库中，且缺乏您关注的统计-计算权衡或效率理论视角。
关键技术: spike-and-slab Lasso, Dirichlet process prior, infinite mixture of Laplace distributions, MCMC for posterior inference
为什么对您有用: 本文属于贝叶斯高维回归方法，与您的高维统计兴趣有弱关联，但核心机制（DP 混合先验、MCMC 采样）不在您的技术武器库中，且未涉及您关注的统计-计算权衡或效率理论。暂不可做——缺少贝叶斯非参数和 MCMC 的熟练度。

2. 10.1080/10618600.2025.2549452 · arXiv — Spline Autoregression Method for Estimation of Quantile Spectrum¶

作者: Ta-Hsin Li
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 495-509
相关性 5/10 · novelty: new_method
摘要: 本文提出了一种新的分位数谱估计方法——样条自回归（SAR）。分位数谱是传统谱分析的推广，能捕捉时间序列的非线性动态（如随机波动率），但现有估计方法在频率和分位数水平的双变量平滑上存在困难。SAR方法的核心是两步：首先通过分位数离散傅里叶变换（QDFT）和分位数回归构造分位数序列（QSER），该序列表示原始序列在给定分位数附近的振荡特征；然后在分位数水平网格上对QSER拟合一个函数型自回归（AR）模型，其中AR系数用平滑样条表示，通过惩罚最小二乘估计。该方法将分位数谱估计转化为一个带平滑约束的回归问题，有效利用了分位数谱随分位数水平光滑变化的假设。模拟研究表明，SAR方法在估计双变量分位数谱方面优于现有替代方法。对您而言，本文属于时间序列谱分析的方法学工作，与您的主要兴趣（因果推断、高维统计等）无直接交集，但其中将函数型系数与样条平滑结合的技术思路，在您熟悉的非参数统计框架下有一定参考价值。
关键技术: quantile discrete Fourier transform, trigonometric quantile regression, smoothing splines, functional autoregressive model, penalized least squares
为什么对您有用: 本文属于时间序列谱分析的方法学论文，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接交集。技术层面，样条平滑和函数型系数估计是您熟悉的非参数统计工具，但核心问题（分位数谱估计）不在您的武器库覆盖范围内。作为一篇方法学论文，它不涉及因果推断、高维或计算复杂性等您关心的方向，因此暂不可做——核心机器（分位数谱、QDFT）不在武器库中，且与您的长期研究路线关联较弱。

3. 10.1080/10618600.2025.2579526 — Hidden Markov Quantile Graphical Models¶

作者: Beatrice Foroni, Luca Merlo, Lea Petrella, Nicola Salvati
期刊/来源: Journal of Computational and Graphical Statistics
机构: Sapienza University of Rome · Link Campus University · University of Pisa
分类: vol 35 · issue 2 · pp 976-989
相关性 4/10 · novelty: application
摘要: 本文提出隐马尔可夫分位数图模型（HMQGM），用于捕捉多元时间序列中时变的条件依赖结构。模型通过隐马尔可夫链驱动状态转移，在每个状态下用分位数回归刻画变量间的条件独立性，利用回归系数的稀疏模式恢复状态特定的图结构。估计采用带惩罚的EM算法（LASSO型惩罚）实现伪极大似然估计，诱导分位数回归系数的稀疏性。模拟实验与现有方法对比验证了模型性能。应用部分分析2019-2022年意大利北部14个城市的PM2.5浓度数据，揭示不同隐状态下的污染依赖网络。该方法将分位数回归与隐马尔可夫模型结合，拓展了图模型在非高斯、异质性时间序列中的应用。对您而言，这是一篇统计计算与时间序列图模型的应用论文，与您的主要兴趣（因果推断、高维统计）关联较弱，但惩罚EM算法和分位数回归的稀疏化思路在您熟悉的高维统计框架下可快速理解。
关键技术: Hidden Markov model, quantile regression, penalized EM algorithm, conditional independence graph, sparsity-inducing penalty
为什么对您有用: 本文属于时间序列图模型的应用论文，与您的主要兴趣（因果推断、高维统计、半参理论）关联较弱。武器库中'高维渐近'和'软件实现'可快速理解其惩罚EM算法和稀疏化机制，但核心方法（隐马尔可夫分位数回归）不在您熟悉的因果推断或U统计量框架内。暂不可做——缺乏隐马尔可夫模型和分位数回归的深度背景，且无直接可迁移的因果识别或效率理论问题。

4. 10.1080/10618600.2025.2554680 · arXiv — A Bayesian Nonparametric Stochastic Block Model for Directed Acyclic Graphs¶

作者: Clement Lee, Marco Battiston
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 619-630
相关性 4/10 · novelty: minor
摘要: 本文针对顶点具有内在层次序的有向图（如引文网络，老文献不能引用新文献），提出一种有向无环图（DAG）的随机块模型（SBM）扩展。标准SBM忽略这种拓扑序会导致块数估计有偏。作者将拓扑序视为未知参数并赋予先验，在贝叶斯非参数框架下同时学习层次序和潜在块数。后验推断通过MCMC实现。在文献计量数据集上展示了模型的实际应用。该工作主要贡献在于将图结构中的序信息纳入SBM建模，但方法学上属于贝叶斯非参数图模型的增量扩展，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: Stochastic Block Model, Directed Acyclic Graph, Bayesian nonparametrics, MCMC, topological ordering
为什么对您有用: 本文属于图模型的应用扩展，与您的主要兴趣（因果推断、高维统计、效率理论）无直接交集。方法学上未涉及您武器库中的核心工具（如U统计量、半参效率界、随机矩阵理论）。可作为网络分析领域的背景阅读，但不值得投入时间精读。

5. 10.1080/10618600.2025.2567952 · arXiv — Overlapping Indices for Dynamic Information Borrowing in Bayesian Hierarchical Modeling¶

作者: Xuetao Lu, J. Jack Lee
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 35 · issue 2 · pp 743-757
相关性 3/10 · novelty: application
摘要: 该论文研究贝叶斯分层模型（BHM）中跨子组信息借用的动态性与异质性识别问题。核心挑战在于：聚类同质性与信息借用增益之间存在权衡，且不同簇的借用强度需自适应确定。作者提出两个重叠指标：重叠聚类指标（OCI）用于识别最优聚类结果，重叠借用指标（OBI）用于为各簇分配适当的借用强度。方法上，通过最大化OCI的加权K-Means聚类算法获得最优聚类，并将OBI嵌入BHM以实现簇内动态借用。模拟和实例表明该方法在异质性识别和动态信息借用方面有效且稳健。该论文主要贡献在贝叶斯计算与聚类算法，与您的主要兴趣（因果推断、高维统计、U统计量等）无直接技术关联，但可作为统计计算中聚类与信息借用问题的参考。
关键技术: Bayesian hierarchical model, weighted K-Means clustering, overlapping clustering index, dynamic information borrowing
为什么对您有用: 该论文属于贝叶斯分层建模与聚类算法方向，与您的主要兴趣（因果推断、高维统计、U统计量、半参效率理论）无直接技术重叠。武器库中的非参数统计或M估计理论可间接用于分析其聚类一致性问题，但核心机器（贝叶斯计算、聚类指标）不在您的武器库中，属于暂不可做方向。作为统计计算领域的应用论文，可快速浏览以了解信息借用问题的设定，但不值得深入阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub