AoAS — Vol 20 Issue 2 · 2026-10-10¶
- 共 29 篇 · Annals of Applied Statistics
- 目录核对 ⚠️ 疑似漏 12 篇(对照 OpenAlex 41 篇):10.1214/25-aoas2115、10.1214/26-aoas2149、10.1214/26-aoas2185、10.1214/26-aoas2163、10.1214/26-aoas2140 等
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 29 篇论文大致可归为四条主线。第一条是因果推断与政策/机制评估,包括面板数据自回归模型评估州级阿片政策、微生物组零膨胀中介分析 ZIMMA、纵向变量重要性轨迹推断、以及贝叶斯外部数据整合 BASE,共同点是在非标准数据结构和弱假设下追求因果效应的可解释性与稳健推断。第二条是高维协方差与结构化估计,涵盖结构化大协方差矩阵估计、高维协方差回归、以及组级主效应与交互的 Gmi 模型,均以惩罚或混合效应为工具处理 p≫n 或强先验结构。第三条是空间/时空建模与监测,包括时空疾病发病率序贯监测、时空网络点过程犯罪建模、Wasserstein 空间土壤侵蚀分布预测、以及时间依赖空间随机划分的蚊媒疾病模型,强调在复杂依赖结构下兼顾计算可行性与预测校准。第四条是计算推断与不确定性量化,涉及贝叶斯模型选择(突变特征 refitting)、神经后验估计(流行病模型)、保形预测(分布式能源)、以及重要性抽样置信区间(自动驾驶评估),聚焦于模拟或黑箱模型下的有效推断。
最突出的主线是因果推断与半参数效率的交叉。面板数据自回归模型一文明确将自回归估计量与因果效应联系,并分析假设违反时的偏倚,为双重差分和合成控制不适用的动态政策场景提供了形式化替代;ZIMMA 在因果中介框架下分解自然间接效应为丰度和流行度两条通路,用 spike-and-slab 先验实现高维稀疏估计,是零膨胀数据下机制分解的典型推进;纵向变量重要性轨迹一文则用交叉拟合和高效影响函数构造正交得分,在机器学习预测函数下实现 n^{-1/2} 收敛,与去偏机器学习思路一脉相承。这三篇分别从识别假设、中介分解、效率推断三个角度切入,适合关注因果推断方法学的研究者优先阅读。
第二条值得展开的主线是高维结构化估计与假设检验的结合。结构化协方差矩阵估计将问题重构为混合效应模型,仅需估计少量参数即可在 p=195、n=11 下获得相合估计,并处理缺失数据;高维协方差回归则通过数据分割、变量选择与聚合构造置信区间,应用于脑连接组学;Gmi 模型将二元通路-结局关联矩阵的稀疏估计转化为带层级与互斥约束的标准高维问题,两阶段流程兼顾计算与理论。这三篇共享「利用外部结构(空间、组、协变量)降低高维复杂度」的思路,但各自的目标参数和推断工具不同,可对照阅读。此外,自适应分块变点检测一文将空间依赖纳入高维稀疏检测,其分块策略对高维假设检验有迁移价值。
与因果推断、半参数效率、高维方向最贴合的优先阅读清单:面板数据自回归模型(因果识别与偏倚分析)、ZIMMA(中介分解与稀疏估计)、纵向变量重要性轨迹(高效影响函数与正交得分)、TMLE 用于积分投影模型(半参数效率在生态学模型导出量上的应用)、结构化协方差估计与高维协方差回归(高维结构化推断)。若关注计算与不确定性量化,神经后验估计和保形预测两篇也值得一读,但统计理论深度相对有限。
因果推断 (causal_inference, 4 篇)¶
1. 10.1214/26-aoas2168 · arXiv — Autoregressive models for panel data causal inference with application to state-level opioid policies¶
- 作者: Joseph Antonelli, Max Rubinstein, Denis Agniel, Rosanna Smart, Elizabeth A. Stuart, Matthew Cefalu et al.
- 期刊/来源: Annals of Applied Statistics
- 机构: University of Florida · RAND Corporation · Johns Hopkins University · Walt Disney (United States) · Rutgers, The State University of New Jersey
- 分类: vol 20 · issue 2 · pp 893-920
- 相关性 8/10 · novelty:
new_method - 摘要: 本文针对面板数据中的因果效应估计,提出基于自回归模型的新方法,以评估美国各州阿片类药物政策(如必须访问的处方药监测计划、纳洛酮获取法和医用大麻法)对处方量的影响。在多个政策重叠、样本量小的动态政策环境中,传统双重差分和合成控制方法难以应用,而自回归模型虽被使用但缺乏形式化因果解释。作者明确了将自回归模型与因果效应联系起来的假设,并研究了关键假设违反时估计的偏倚。通过模拟研究(镜像实际应用)显示,所提估计器通常优于现有方法。该工作为使用自回归模型评估州级政策效果提供了形式化依据,并应用于实际数据。
- 关键技术:
autoregressive models,panel data causal inference,difference-in-differences,synthetic controls,bias analysis - 为什么对您有用: 本文属于因果推断中纵向面板数据设定,直接关联您对 longitudinal causal inference 的兴趣。您可用 very_familiar 的估计理论(如最小二乘、GMM)来审视其识别假设的合理性,并考虑用 moderately_familiar 的 semiparametric theory 来推导更稳健的估计量。中期可做:在 semiparametric theory 上加强后,可尝试将自回归模型与 double machine learning 结合以处理高维协变量。
2. 10.1214/26-aoas2170 — Decoding microbiome dual mediation: Introducing ZIMMA for enhanced zero-inflated data analysis¶
- 作者: Xi Qiao, Ruitao Liu, Xueying Tang, Christine B. Peterson, Robert R. Jenq, Liangliang Zhang
- 期刊/来源: Annals of Applied Statistics
- 机构: Huntsman Cancer Institute · Case Western Reserve University · University of Arizona · The University of Texas MD Anderson Cancer Center · City Of Hope National Medical Center · City of Hope
- 分类: vol 20 · issue 2 · pp 963-985
- 相关性 7/10 · novelty:
application - 摘要: 本文针对微生物组计数数据中的零膨胀问题,提出了一种新的贝叶斯高维中介分析模型 ZIMMA。在因果中介分析框架下,目标是将总自然间接效应(NIE)分解为丰度(abundance)和流行度(prevalence)两条通路,以区分微生物存在与否和数量变化的不同生物学机制。方法上,对每个中介变量采用零膨胀负二项分布,结合 spike-and-slab 先验实现 NIE 的稀疏估计,并利用基于非零计数的信息先验改进离散参数估计,从而更好地区分真实零膨胀与计数分布本身的零值。通过模拟研究,ZIMMA 在识别稀有和丰富物种的不同中介机制方面优于现有方法。应用于饮食摄入与代谢综合征相关的人类微生物组研究,识别出关键微生物中介因子,提供了生物学解释。对您而言,该工作将高维中介分析与贝叶斯变量选择结合,且处理了零膨胀这一实际数据特征,与您因果推断中 mediation 和 longitudinal 方向相关,但其贝叶斯框架与您常用的半参数效率理论不同,可能作为应用对比参考。
- 关键技术:
Bayesian mediation analysis,zero-inflated negative binomial model,spike-and-slab priors,natural indirect effect decomposition,high-dimensional variable selection - 为什么对您有用: 该论文属于因果推断中 mediation 方向的应用型工作,处理了微生物组数据特有的零膨胀问题,与您 primary interest 中的 mediation 和 longitudinal 设定相关。从技术武器库看,您 very_familiar 中的 estimation theory in causal inference 可用于理解其 NIE 分解的识别假设,但贝叶斯计算和 MCMC 并非您的核心工具,因此属于中期可做:需在 moderately_familiar 的 identification theory 上加深理解,并补充贝叶斯建模知识。
3. 10.1214/26-aoas2186 · arXiv — Inference on summaries of a model-agnostic longitudinal variable importance trajectory with application to suicide prevention¶
- 作者: Brian D Williamson, Erica E. M. Moodie, Gregory E. Simon, Rebecca C. Rossom, Susan M. Shortreed
- 期刊/来源: Annals of Applied Statistics
- 机构: Kaiser Permanente Washington Health Research Institute · McGill University · University of Washington · HealthPartners
- 分类: vol 20 · issue 2 · pp 1340-1363
- 相关性 7/10 · novelty:
application - 摘要: 本文在纵向预测框架下,定义并估计了变量重要性轨迹的汇总度量(如平均重要性),目标是理解风险因素随时间对自杀企图预测的重要性。基于变量重要性度量(VIM)的最新进展,作者提出了非参数有效的估计与推断程序,以及零假设检验程序,这些程序在预测函数由复杂机器学习算法估计时仍然有效。关键机制是使用交叉拟合和高效影响函数(EIF)构造正交得分,从而在较弱的收敛条件下实现 n^{-1/2} 收敛和渐近正态性。模拟研究验证了所提方法的良好操作特性,并应用于两个大型卫生系统的电子健康记录数据,分析风险因素对自杀企图的纵向重要性。对您而言,本文是纵向因果推断与变量重要性度量结合的应用范例,其推断框架与您的 semiparametric efficiency 和 debiased ML 兴趣直接相关。
- 关键技术:
variable importance measures,efficient influence function,cross-fitting,nonparametric efficiency,hypothesis testing - 为什么对您有用: 本文属于因果推断中的变量重要性度量方向,与您的 primary interest 中的 causal inference 和 efficiency theory 直接相关。您可以用 very_familiar 的 semiparametric theory 和 influence function 工具来审视其效率界是否紧,以及检验程序在复杂机器学习下的有效性。中期可做:若想推广到更复杂的纵向结构(如时变混杂),需在 moderately_familiar 的 identification theory 上加强。
4. 10.1214/26-aoas2181 · arXiv — A Bayesian approach for selecting relevant external data (BASE): Application to a study of long-term outcomes in a hemophilia gene therapy trial (HOPE-B)¶
- 作者: Tianyu Pan, Yiyao Shi, Xiang Zhang, Weining Shen, Ting Ye
- 期刊/来源: Annals of Applied Statistics
- 机构: Stanford Medicine · Stanford University · CSL (Switzerland) · University of California, Irvine · University of Washington
- 分类: vol 20 · issue 2 · pp 1319-1339
- 相关性 5/10 · novelty:
application - 摘要: 本文提出一种贝叶斯框架 BASE,用于在基因治疗试验中整合外部数据以改进长期疗效推断。目标是估计长期内源性 FIX 水平,在内部试验随访时间有限而外部数据可能相关的设定下,通过边际似然定义相关性并选择外部子集。方法核心是贝叶斯模型选择与子集选择,理论证明所选外部子集在边际似然意义下与内部数据生成机制相关。模拟评估了多种场景下的表现,并应用于 HOPE-B 试验,预测的长期 FIX 水平与近期数据一致,表明基因治疗可维持 FIX 产生。对您而言,该工作涉及外部数据整合与因果推断中的传输学习问题,与您的因果推断兴趣相关,但方法学新颖性有限,主要是贝叶斯框架的应用。
- 关键技术:
Bayesian model selection,marginal likelihood,external data integration,subset selection,longitudinal prediction - 为什么对您有用: 本文属于因果推断中外部数据整合的范畴,与您的 causal inference 兴趣(特别是纵向数据和传输学习)相关。您可以用 very_familiar 的估计理论(如 semiparametric efficiency)来审视其贝叶斯方法是否达到效率界,或比较其与频率学派整合方法的差异。中期可做:若想深入,需在 moderately_familiar 的 identification theory 上加强,以理解外部数据相关性的识别条件。
高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)¶
1. 10.1214/26-aoas2183 · arXiv — A structured estimator for large covariance matrices in the presence of pairwise and spatial covariates¶
- 作者: Martin Metodiev, Marie Perrot-Dockès, Sarah Ouadah, Bailey K. Fosdick, Stéphane Robin, Pierre Latouche et al.
- 期刊/来源: Annals of Applied Statistics
- 机构: Centre National de la Recherche Scientifique · Université Clermont Auvergne · Laboratoire de Mathématiques Blaise Pascal · Université Paris Cité · Mathématiques Appliquées à Paris 5 · Sorbonne Université · Laboratoire de Probabilités, Statistique et Modélisation · Colorado School of Public Health 等
- 分类: vol 20 · issue 2 · pp 1736-1765
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究高维协方差矩阵估计问题,设定为观测数远小于变量数(p=195, n=11),且可利用变量对的协变量(如是否同簇)及空间结构。作者将问题重构为混合效应模型,仅需估计少量可解释参数,并通过标准过程选择。估计量在一般条件下相合且渐近正态,可处理均值方差结构已知或数据缺失的情形。模拟表明在模型假设及误设定下均优于多种流行方法。该方法为结构化协方差估计提供了新思路,对您在高维统计与统计计算方面的兴趣有直接关联。
- 关键技术:
mixed effects model,pairwise covariates,spatial structure,high-dimensional covariance estimation,asymptotic normality - 为什么对您有用: 本文属于高维协方差估计,与您的高维统计兴趣直接相关;其混合效应模型框架和参数化策略可迁移至您熟悉的统计计算与软件实现。您可用 very_familiar 的软件开发和最小最大界工具评估其估计量的效率或扩展至其他结构。
2. 10.1214/26-aoas2157 — Covariance regression with high-dimensional predictors: An application to link brain structural and functional connectivity¶
- 作者: Yuheng He, Changliang Zou, Yi Zhao
- 期刊/来源: Annals of Applied Statistics
- 机构: Nankai University · Indiana University School of Medicine
- 分类: vol 20 · issue 2 · pp 1477-1495
- 相关性 6/10 · novelty:
application - 摘要: 本文研究高维协方差回归问题,即预测变量为高维向量、响应为协方差矩阵时的回归建模。作者提出一种基于惩罚估计的整合方法,结合数据分割、变量选择、低维估计量聚合和稳健方差估计,以构建协变量系数的置信区间。在特定条件下,该方法提供了渐近分布和理论置信水平。模拟研究验证了该方法在高维预测变量下的良好表现。该方法应用于Lifespan Human Connectome Project Aging Study,识别出脑区DTI指标可预测网络内静息态功能连接,结果与已知脑科学知识一致。
- 关键技术:
penalized estimation,data splitting,variable selection,aggregation of low-dimensional estimators,robust variance estimation,confidence intervals - 为什么对您有用: 本文属于高维统计推断范畴,与您的高维统计和随机矩阵理论兴趣相关,但更侧重于应用。其数据分割和聚合策略与您的debiased ML和semiparametric效率理论有潜在联系。作为应用导向论文,其方法学新颖性有限,但脑影像数据(fMRI/DTI)和因果推断(结构连接预测功能连接)可能对您的流行病学或应用因果工作有参考价值。
3. 10.1214/26-aoas2179 — Gmi: Group-level main effects and interactions in high-dimensional data with applications to pathway and interaction discovery in gene expression analysis¶
- 作者: Jinyu Nie, Li Liu, Taobo Hu, Wei Liu, Huazhen Lin
- 期刊/来源: Annals of Applied Statistics
- 机构: Southwestern University of Finance and Economics · Wuhan University · Stockholm University · Science for Life Laboratory · Sichuan University
- 分类: vol 20 · issue 2 · pp 1078-1098
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出 Gmi 模型,在基因表达数据中同时识别与疾病结局相关的关键通路(group-level main effects)及其交互作用(group-level interactions),目标 estimand 是稀疏的二元通路-结局关联矩阵。为克服高维二元矩阵估计的计算困难,作者将问题重述为带层级(hierarchical)与互斥(exclusivity)约束的标准高维估计问题,并设计两阶段估计流程:第一阶段筛选重要通路,第二阶段在约束下估计交互项。理论分析给出估计量的收敛性质,模拟研究验证了有限样本表现,并在 TCGA 乳腺癌和密歇根肺癌数据上展示了优于基因级交互模型和两步法的预测精度与灵敏度。对您而言,该文的约束优化与高维稀疏估计框架可迁移至您的高维统计与因果推断中的变量选择问题。
- 关键技术:
group-level sparse estimation,hierarchical constraints,exclusivity constraints,two-stage estimation,high-dimensional binary matrix,penalized regression - 为什么对您有用: 该文属于高维统计在生物医学应用中的前沿工作,直接关联您的高维统计兴趣,特别是带结构约束的稀疏估计。您可用 very_familiar 的高维渐近与 minimax 工具分析其两阶段估计的收敛率是否最优,或探讨其约束条件在因果推断中介分析中的类似应用。中期可做:需在 moderately_familiar 的 M-estimation 理论上加强,以严格推导其估计量的 influence function。
非参数 / 半参数 (nonparam_semipara, 1 篇)¶
1. 10.1214/26-aoas2159 · arXiv — Spatial prediction of local soil erosion distribution in the Wasserstein space¶
- 作者: Jiaming Qiu, Xiongtao Dai, Zhengyuan Zhu, Shuiqing Yin
- 期刊/来源: Annals of Applied Statistics
- 机构: Fred Hutch Cancer Center · University of California, Berkeley · Iowa State University · Beijing Normal University
- 分类: vol 20 · issue 2 · pp 1168-1186
- 相关性 5/10 · novelty:
application - 摘要: 本文提出一种在 Wasserstein 空间中预测局部土壤侵蚀分布的空间统计方法。将局部侵蚀分布视为 Wasserstein 空间中的对象,通过映射到平方可积轨迹并做基展开,形成多元随机场以刻画空间依赖。在此基础上应用局部回归和 Kriging,可灵活预测任意位置的侵蚀分布,并改进分布泛函(如均值、超阈值概率)的预测精度。模拟研究表明该方法优于误设的参数化备选方法和现有 Fréchet 回归方法。案例分析使用陕西省流域实测数据,结合土地利用和海拔等协变量,将局部测量推广到全省范围的侵蚀分布预测。对您而言,该方法将函数型数据分析和空间统计结合,其 Wasserstein 空间中的对象表示与基展开思路,可能对您在高维或非参数设定下的分布预测问题有借鉴意义。
- 关键技术:
Wasserstein space,basis expansion,multivariate random field,local regression,Kriging,Fréchet regression - 为什么对您有用: 本文属于非参数/半参数方法的应用,涉及分布对象的回归与预测,与您的非参数统计兴趣相关;其 Wasserstein 空间中的表示和基展开技术,可能为处理分布型数据提供新视角。作为应用导向的论文,其方法学新颖性有限,但可作为了解 Wasserstein 空间统计建模的入门读物。
效率理论 / Debiased ML (efficiency_dml, 1 篇)¶
1. 10.1214/26-aoas2166 · arXiv — Targeted maximum likelihood estimation for integral projection models in population ecology¶
- 作者: Yunzhe Zhou, Giles Hooker
- 期刊/来源: Annals of Applied Statistics
- 机构: University of California, Berkeley · University of Pennsylvania
- 分类: vol 20 · issue 2 · pp 1033-1057
- 相关性 6/10 · novelty:
application - 摘要: 本文在种群生态学的积分投影模型(IPM)框架下,将长期种群增长率、其对繁殖力的弹性以及特定年份协变量下的期望增长率等模型导出量作为目标参数,采用定向最大似然估计(TMLE)进行稳健且高效的估计与推断。作者推导了这些目标参数的影响函数,并利用影响函数对初始分布估计进行倾斜更新,以消除偏差并改进不确定性量化。模拟研究验证了方法的有限样本性能,并应用于爱达荷草原植物群落和轮虫实验种群的两项长期实证数据。该方法为生态学中缺乏直接观测真值的模型导出量提供了基于机器学习的去偏推断工具,与您在半参数效率理论和去偏机器学习方面的兴趣高度契合。
- 关键技术:
targeted maximum likelihood estimation (TMLE),influence function,integral projection models,cross-fitting,debiased estimation - 为什么对您有用: 直接连接您对效率理论(semiparametric efficiency bounds, debiased ML)的兴趣,展示了TMLE在复杂模型导出参数上的应用;可用您非常熟悉的非参数统计和M估计理论来审视其影响函数推导的严谨性;属于应用型论文,方法模式可迁移至其他纵向或结构化模型,但需注意其理论深度有限,可作为中期可做的应用参考。
数理统计 / 假设检验 (hypothesis_testing, 2 篇)¶
1. 10.1214/26-aoas2158 · arXiv — Adaptive block-based change-point detection for sparse spatially clustered data with applications in remote sensing imaging¶
- 作者: Alan Moore, Lynna Chu, Zhengyuan Zhu
- 期刊/来源: Annals of Applied Statistics
- 机构: Iowa State University
- 分类: vol 20 · issue 2 · pp 1605-1625
- 相关性 6/10 · novelty:
new_method - 摘要: 本文提出一种非参数变点检测方法,用于高维观测或非欧几里得数据对象的时间序列中检测可能稀疏的分布变化,目标变化仅发生在少量未知维度且这些维度可能相关。方法基于自适应分块框架,利用维度间的空间依赖性来增强检测功效并提高变点位置估计精度。通过模拟研究,该方法在具有空间或局部组结构的数据中检测稀疏变化优于现有方法。最后应用于伊朗纳坦兹核设施的遥感影像,检测新建活动等变化。对您而言,该方法将高维稀疏检测与空间结构结合,其分块策略和功效分析思路可迁移至高维假设检验问题。
- 关键技术:
block-based change-point detection,spatial dependency modeling,nonparametric testing,high-dimensional sparse detection - 为什么对您有用: 本文属于高维假设检验与变点检测的交叉,直接关联您对 hypothesis testing 和高维统计的兴趣。其自适应分块利用空间相关性的思想,可尝试用您熟悉的 minimax 框架分析其检测功效的紧性;属于中期可做,需先熟悉空间统计或相关检验的功率分析。
2. 10.1214/26-aoas2156 — Evaluating a multiplex diagnostic test using partially ordered Bayes classifier¶
- 作者: Ying Kuen Cheung, Louise Kuhn
- 期刊/来源: Annals of Applied Statistics
- 机构: Columbia University
- 分类: vol 20 · issue 2 · pp 1283-1300
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究多重检测(multiplex assay)诊断测试的评估问题,目标是在每个生物标志物与疾病结局单调关联的假设下估计最优分类规则,即部分有序(partially ordered)的 Bayes 分类器。非参数估计通过将无约束的 Bayes 估计投影到部分有序子空间上实现,但投影计算涉及在随样本量指数增长的约束参数空间上最大化,计算困难。作者提出一种新的序贯更新(sequential update)方法,并设计递归算法,能够精确最大化关于分类型增益函数的后验增益,得到精确的 Bayes 解。与现有近似算法相比,新算法在模拟研究中大幅缩短了运行时间。该方法应用于人乳头瘤病毒(HPV)检测宫颈癌前病变的数据,得到的诊断规则在准确性上优于参数逻辑回归和单调广义加性模型等现有方法。对您而言,该文的投影与序贯优化思想可能对您在因果推断中处理单调性或形状约束估计问题有启发。
- 关键技术:
partially ordered Bayes classifier,projection-based nonparametric estimation,sequential update method,recursive algorithms,monotone generalized additive models - 为什么对您有用: 本文属于非参数与半参数理论中带形状约束的估计问题,与您的 primary interest 中 semiparametric/nonparametric theory 直接相关;其投影和序贯更新方法可迁移到因果推断中处理单调性约束的估计(如单调 IV 或单调处理效应),且计算复杂度分析可能用到您 very_familiar 的软件开发和算法设计技能。
统计计算 / 算法 (stat_computing, 2 篇)¶
1. 10.1214/26-aoas2165 — Domain-aware matrix completion for phenotype imputation using electronic health record data with applications in genomic research¶
- 作者: Hanqing Wu, Cue Hyunkyu Lee, Najmeh Abiri, Iuliana Ionita-Laza
- 期刊/来源: Annals of Applied Statistics
- 机构: Lund University · Columbia University · Malmö University
- 分类: vol 20 · issue 2 · pp 1010-1032
- 相关性 7/10 · novelty:
application - 摘要: 本文针对电子健康记录(EHR)中表型缺失问题,提出一种领域感知的矩阵补全方法 covImpute,目标是为下游遗传关联分析提供高功效的插补。与 softImpute 等通用矩阵补全不同,covImpute 将表型间的遗传协方差矩阵作为外部信息融入矩阵分解,使插补值携带潜在遗传成分。在模拟和 UK Biobank 多种疾病数据上,与 LTPI、softImpute 及自编码器等方法比较,covImpute 在遗传关联检验功效上显著优于通用插补方法,且比 LTPI 更灵活,可推广到遗传学以外的场景。该方法本质上是带约束的矩阵补全优化问题,涉及核范数正则化与协方差信息融合。对您而言,其将外部协方差结构融入低秩估计的思路,与您在高维统计和统计计算方面的兴趣相关,可作为矩阵补全方法在应用场景中的参考。
- 关键技术:
matrix completion,genetic covariance matrix,nuclear norm regularization,low-rank approximation,phenotype imputation - 为什么对您有用: 本文属于统计计算与高维矩阵补全的应用,与您 primary interest 中的 statistical computing 和 high-dimensional statistics 相关。您可以用 very_familiar 的软件开发和矩阵计算技能快速复现其优化算法,并评估其理论保证;但方法本身偏向应用,理论深度有限,作为入门读物可了解 EHR 数据插补的实际挑战。
2. 10.1214/26-aoas2148 — Explainable parameter calibration via importance-driven sequential design with an application to building energy systems¶
- 作者: Cheoljoon Jeong, Eunshin Byon
- 期刊/来源: Annals of Applied Statistics
- 机构: Clemson University · University of Michigan
- 分类: vol 20 · issue 2 · pp 1562-1585
- 相关性 5/10 · novelty:
application - 摘要: 本文研究计算机模型参数校准问题,目标是通过对齐现场观测与模型输出来估计不可观测参数,设定为物理仿真模型(建筑能耗)中的高维参数校准。核心挑战是参数众多导致贝叶斯优化效率低下,作者提出基于多臂老虎机(multi-armed bandit)的参数重要性排序方法,实现随机维度缩减,将高维问题转化为低维可处理问题。方法在贝叶斯优化框架内,根据参数重要性构建降维后的代理模型,并引导搜索空间的高效探索。数值实验和建筑能耗案例表明,该方法在校准精度和效率上均有显著提升,并能识别关键参数及其影响。对您而言,本文属于统计计算与算法设计方向,其重要性驱动的序贯设计思想与您的统计计算兴趣相关,但方法学新颖性一般,属于应用导向的改进。
- 关键技术:
Bayesian optimization,multi-armed bandit,dimension reduction,surrogate modeling,parameter calibration - 为什么对您有用: 本文属于统计计算(stat_computing)方向,与您的统计计算兴趣直接相关。您可以用 very_familiar 的软件开发和算法实现能力复现其方法,但核心的 bandit 和贝叶斯优化机制不在您的武器库中(属于 moderately_familiar 之外),因此属于中期可做:需先熟悉贝叶斯优化和 bandit 算法。作为应用导向的论文,其方法学贡献有限,但案例中的数据处理和校准流程可作为入门参考。
流行病学 (epidemiology, 2 篇)¶
1. 10.1214/26-aoas2153 — Transparent sequential learning and monitoring of spatiotemporal disease incidence rates¶
- 作者: Yuhang Zhou, Peihua Qiu
- 期刊/来源: Annals of Applied Statistics
- 机构: University of Florida
- 分类: vol 20 · issue 2 · pp 1364-1387
- 相关性 6/10 · novelty:
application - 摘要: 本文针对传染病暴发监测问题,提出一种基于累积和(CUSUM)控制图的序贯监测方法,用于实时追踪时空疾病发病率的变化。现有方法常依赖数据独立性和特定参数分布等强假设,且多为回顾性设计,难以满足实际监测中序贯决策的需求。新方法在序贯学习框架下构建控制图,持续利用新数据更新基线模型,从而捕捉时空数据的变异和相关结构。数值研究表明,与传统方法相比,该方法能更快、更可靠地检测疾病暴发。该方法为流行病学中的实时监测提供了新的统计工具,其序贯更新和基线模型估计的思路对您关注的纵向因果推断和流行病学应用具有参考价值。
- 关键技术:
CUSUM control chart,sequential learning,spatiotemporal modeling,baseline model updating,disease surveillance - 为什么对您有用: 本文属于流行病学应用,涉及纵向数据下的序贯监测,与您的流行病学应用兴趣直接相关。其序贯学习框架和基线模型更新机制,可启发您将因果推断中的纵向方法(如g-computation或IPW)融入实时监测场景。您可尝试用您熟悉的非参数估计和M-估计理论分析其基线模型估计的渐近性质,或探索将控制图与因果效应估计结合,以在监测中调整混杂。
2. 10.1214/26-aoas2195 · arXiv — Neural posterior estimation for stochastic epidemic modeling¶
- 作者: Prayag Chatha, Fan Bu, Jeffrey Regier, Evan Snitkin, Jon Zelner
- 期刊/来源: Annals of Applied Statistics
- 机构: University of Michigan
- 分类: vol 20 · issue 2 · pp 1409-1428
- 相关性 5/10 · novelty:
application - 摘要: 本文针对随机传染病模型(如 CRKP 传播的离散时间易感-感染模型)中似然不可解的问题,提出使用神经后验估计(NPE)进行基于模拟的推断。NPE 通过训练神经网络学习从模拟数据到参数后验的映射,避免了显式似然计算,适用于具有大规模隐状态空间的非线性动力系统。在模拟实验中,NPE 在计算成本上优于近似贝叶斯计算(ABC),并能准确估计未知感染率。在芝加哥医院 CRKP 传播的实证研究中,NPE 用于分析患者间传播风险的空间异质性。该方法为流行病学中复杂随机模型的校准提供了一种计算可行的替代方案,但其统计性质(如后验近似的收敛性)尚待深入分析。对您而言,本文是流行病学应用与前沿计算推断方法的结合,可作为了解模拟推断在真实队列数据中应用的入门读物。
- 关键技术:
Neural Posterior Estimation,simulation-based inference,Approximate Bayesian Computation,stochastic epidemic model,deep learning - 为什么对您有用: (1) 本文属于流行病学应用,且使用前沿的模拟推断方法,符合您的 secondary interest 中流行病学应用方向;(2) 您武器库中的非参数统计和估计理论可用于分析 NPE 后验近似的理论性质,例如其收敛速率与正则性条件,这是中期可做的方向;(3) 本文作为流行病学与计算推断的交叉入门读物,值得阅读全文以了解实际数据和分析流程。
其他 (other, 14 篇)¶
1. 10.1214/26-aoas2199 · arXiv — Hierarchical probabilistic conformal prediction for distributed energy resources adoption¶
- 作者: Wenbin Zhou, Shixiang Zhu
- 期刊/来源: Annals of Applied Statistics
- 机构: Carnegie Mellon University
- 分类: vol 20 · issue 2 · pp 1626-1645
- 相关性 6/10 · novelty:
application - 摘要: 本文提出一个针对分布式能源资源(DER)采纳预测的不确定性量化框架,目标是在配电网格的分层结构(电路与变电站层级)下保证预测的统计有效性。方法上,用多元 Hawkes 过程建模 DER 采纳动态,并设计一种定制的 split conformal prediction 算法,引入新的 nonconformity score,使得在聚合到更高层级时仍保持覆盖保证,同时维持预测效率。作者在温和条件下建立了理论有效性,并在印第安纳州 Indianapolis 的客户级太阳能板安装数据上验证,显示该方法在预测精度和不确定性校准上优于现有基线。对您而言,该文的 conformal prediction 与分层聚合保证思想可能对您在高维或因果推断中的不确定性量化有启发,但整体主题与您的主要兴趣距离较远。
- 关键技术:
split conformal prediction,multivariate Hawkes process,hierarchical validity,nonconformity score - 为什么对您有用: 本文属于应用统计(Annals of Applied Statistics),主题为能源领域的预测不确定性量化,与您的主要兴趣(因果推断、高维统计、半参数理论等)无直接交集。作为 gateway reading,它展示了 conformal prediction 在分层结构中的应用,但方法学深度有限,且不涉及您熟悉的统计计算或高阶 U 统计。武器库足以理解其方法,但缺乏可迁移的切入点,因此不值得优先深读。
2. 10.1214/26-aoas2176 · arXiv — Confidence intervals for rate estimation with importance sampling in autonomous vehicle evaluation¶
- 作者: Aiyou Chen, Ruixuan Rachel Zhou, Joseph J. Lee, Nicholas Chamandy, Henning Hohnhold
- 期刊/来源: Annals of Applied Statistics
- 分类: vol 20 · issue 2 · pp 1227-1246
- 相关性 6/10 · novelty:
application - 摘要: 本文针对自动驾驶车辆性能评估中的罕见事件率估计问题,提出一个统一的复合泊松模型框架,并采用 Horvitz-Thompson 估计量实现无偏估计。在罕见事件和复杂抽样并存时,传统渐近置信区间可能失效,作者因此提出一种基于 fiducial 推断的指数自助法(EB)来构造置信区间。该方法满足新提出的单调性准则:对不同类型事件率求和后,其置信上界应不低于各分量的置信上界,这在实际应用中便于解释。数值研究表明 EB 在多种相关设定下表现良好,且基于鞍点近似的快速实现具有独立的方法学价值。
- 关键技术:
compound Poisson model,Horvitz-Thompson estimator,exponential bootstrap,fiducial inference,saddlepoint approximation - 为什么对您有用: 本文属于统计计算与推断方法的应用,与您的统计计算兴趣相关,但并非核心方向。其指数自助法和鞍点近似实现可作为计算技巧的参考,但方法学新颖性有限,主要贡献在于特定应用场景的置信区间构造。
3. 10.1214/26-aoas2143 — High-dimensional locally stationary models for identifying neuroimaging biomarkers in Autism Spectrum Disorder¶
- 作者: Zichang Xiang, Raanju Sundararajan, Hernando Ombao
- 期刊/来源: Annals of Applied Statistics
- 机构: Southern Methodist University · King Abdullah University of Science and Technology
- 分类: vol 20 · issue 2 · pp 1452-1476
- 相关性 5/10 · novelty:
application - 摘要: 本文针对自闭症谱系障碍(ASD)的静息态 fMRI 数据,提出一种高维局部平稳模型来识别神经影像生物标志物。模型通过频域因子分析构造近似 Whittle 似然,可同时处理平稳/非平稳、高维、高斯/非高斯等特征,并估计频率特异的功能连接矩阵。两组比较(ASD vs 对照)通过比较功能连接边数分布的差异进行,使用多种候选离散分布(包括零膨胀离散分布)进行假设检验。结果显示 ASD 的功能连接改变在不同年龄组、静息态网络和频率上呈现不同模式。该方法为高维时间序列的频域建模与检验提供了新工具,但其核心贡献在于应用而非新的统计理论。
- 关键技术:
approximate Whittle likelihood,frequency domain factor model,locally stationary processes,zero-inflated discrete distributions,hypothesis testing for network edges - 为什么对您有用: 本文属于应用统计(神经影像),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,但可作为流行病学/应用因果方向的入门阅读,展示高维时间序列数据中的统计检验流程。您的武器库(如高维渐近、假设检验)足以理解其方法,但无需深入。作为 gateway reading,本文数据与模型阐述清晰,适合了解 fMRI 数据的统计挑战,但方法学新颖性有限,不值得优先精读。
4. 10.1214/26-aoas2154 — A novel Bayesian framework uncovering brain connectivity-to-shape relationship in preclinical Alzheimer’s disease¶
- 作者: Shengxian Ding, Emily Johns, Anton Orlichenko, Carolyn Fredericks, Yize Zhao
- 期刊/来源: Annals of Applied Statistics
- 机构: Yale University
- 分类: vol 20 · issue 2 · pp 1429-1451
- 相关性 5/10 · novelty:
application - 摘要: 本文提出 Connectivity-on-Shape Regression (COSR) 模型,用于研究临床前阿尔茨海默病中脑皮层下结构形状对功能连接网络的影响。模型在贝叶斯框架下,采用 relaxed-thresholded Gaussian process 先验实现特征选择,并结合随机块模型捕捉功能网络的未知模块结构。为处理顶点级形状数据,作者开发了高效的变分推断算法进行后验推断。模拟研究表明 COSR 在识别连接-形状关联和神经生物学信号方面优于现有方法。应用于 Anti-Amyloid Treatment in Asymptomatic Alzheimer 研究数据,发现了淀粉样蛋白阳性个体中结构-功能关系的意义。该工作属于应用统计方法在神经影像领域的创新,但方法学核心(贝叶斯先验、变分推断)与您的主要兴趣方向关联较弱。
- 关键技术:
Bayesian framework,Gaussian process prior,stochastic block model,variational inference,feature selection - 为什么对您有用: 本文属于应用统计在神经影像领域的应用,与您的主要兴趣(因果推断、高维统计、半参数理论)无直接重叠。作为流行病学或应用方向的阅读,它展示了贝叶斯建模和变分推断在复杂数据结构中的应用,但方法学新颖性有限,且不涉及因果推断或效率理论。因此,本文对您而言可能仅作为了解神经影像统计应用的入门材料,不值得深入阅读。
5. 10.1214/26-aoas2194 · arXiv — Incorporating correlated nugget effects in multivariate spatial models: An application to Argo ocean data¶
- 作者: Damilya Saduakhas, David Bolin, Xiaotian Jin, Alexandre B. Simas, Jonas Wallin
- 期刊/来源: Annals of Applied Statistics
- 机构: King Abdullah University of Science and Technology · Lund University
- 分类: vol 20 · issue 2 · pp 1187-1207
- 相关性 5/10 · novelty:
application - 摘要: 本文针对全球海洋 Argo 数据(温度、盐度剖面)提出高斯与非高斯(NIG)分层多变量 Matérn-SPDE 模型,并引入相关 nugget 效应以联合刻画小尺度变异与共定位观测的测量误差相关。模拟表明忽略此类相关会偏差交叉变量依赖估计,而纳入后可改善参数恢复。应用于 14 年全球 Argo 数据,发现相关噪声模型给出的温盐依赖低于独立噪声模型,说明标准做法高估了该依赖。交叉验证显示高斯相关噪声模型点预测最优,而非高斯独立噪声模型概率评分校准更好。对您而言,本文属于空间统计与大数据应用,虽非您核心方向,但其多变量分层建模与噪声相关设定对您关注的纵向/空间因果推断中的测量误差建模有参考价值。
- 关键技术:
Matérn-SPDE models,hierarchical multivariate models,correlated nugget effects,non-Gaussian NIG model,cross-validation - 为什么对您有用: 本文属于应用统计(空间统计),与您的主要兴趣(因果推断、高维、U-统计等)无直接交集,但作为流行病学/环境数据应用,其多变量分层建模和测量误差相关处理对您关注的纵向因果推断中的测量误差建模有间接启发。作为 gateway reading,本文数据描述清晰,方法部分对非空间统计背景者较友好,但核心方法(SPDE)不在您的武器库中,暂不可直接跟进。
6. 10.1214/25-aoas2120 — Spatiotemporal-network point processes for modeling crime events with landmarks¶
- 作者: Zheng Dong, Jorge Mateu, Yao Xie
- 期刊/来源: Annals of Applied Statistics
- 机构: Georgia Institute of Technology · Universitat Jaume I
- 分类: vol 20 · issue 2 · pp 1646-1670
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种时空网络点过程框架,用于在城市街道网络结构上建模犯罪事件的自我激发效应。与传统的连续空间自激点过程不同,该框架将街道网络作为事件空间,事件随机发生在网络边上,并采用网络距离度量事件间距离,以更真实地刻画犯罪移动模式。为捕捉城市设计对犯罪类型混合结构的影响,作者为每个事件构造了一个新标记,将犯罪类别与附近地标类型拼接,并利用图注意力网络学习标记间的交互。在西班牙瓦伦西亚的犯罪数据上,实验表明该框架在理解犯罪格局和区域犯罪风险预测方面有效。该方法结合了点过程建模与图神经网络,属于应用统计与机器学习交叉的实证研究。
- 关键技术:
self-exciting point process,spatiotemporal-network point process,graph attention network,street network distance,landmark-based marks - 为什么对您有用: 本文属于应用统计(犯罪学)领域,与您的主要兴趣(因果推断、高维统计等)无直接重叠,但作为应用统计的范例,展示了点过程与图神经网络的结合,可能对您了解复杂空间数据建模有参考价值。作为入门读物,本文方法学新颖性一般,但数据与模型描述清晰,适合作为了解空间点过程应用的快速阅读。
7. 10.1214/26-aoas2193 · arXiv — The Bradley–Terry stochastic block model¶
- 作者: Lapo Santi, Nial Friel
- 期刊/来源: Annals of Applied Statistics
- 机构: University College Dublin · Insight SFI Research Centre for Data Analytics
- 分类: vol 20 · issue 2 · pp 1766-1787
- 相关性 4/10 · novelty:
application - 摘要: 本文提出 Bradley–Terry 随机块模型(BT–SBM),将经典 Bradley–Terry 成对比较模型嵌入随机块模型,使项目(如网球选手)聚类,且同一簇内项目共享相同的并列排名。模型采用全贝叶斯设定,通过 Thurstonian 数据增广实现快速 Gibbs 采样,联合推断块数、块强度及项目分配。作者将该模型应用于 2000 至 2025 赛季 ATP 男子网球比赛数据,发现多数赛季中顶尖 105 名选手可大致分为三或四档,且最强档规模在 2000 年代中期至 2018 年较小,2019–2022 年出现过渡期,最强档逐渐扩大,而 2023–2025 年又回归精英化结构,与阿尔卡拉斯和辛纳等选手的崛起吻合。该工作属于应用统计方法,方法学创新在于将聚类引入排名模型,但理论深度有限。
- 关键技术:
Bradley-Terry model,stochastic block model,Bayesian inference,Gibbs sampling,Thurstonian data augmentation - 为什么对您有用: 本文属于应用统计,涉及聚类与排名模型,与您的主要兴趣(如高维统计、U-统计量)关联较弱,但可作为统计计算(Gibbs 采样)和贝叶斯建模的入门读物。武器库中的软件开发和 M-估计理论可帮助理解其采样器设计,但核心方法并非您熟悉的方向,暂不可做直接延伸。
8. 10.1214/26-aoas2196 — Robust high-throughput imaging analysis with Wasserstein geodesic transformations¶
- 作者: Gregory J. Hunt, Johann A. Gagnon-Bartsch
- 期刊/来源: Annals of Applied Statistics
- 机构: William & Mary · University of Michigan
- 分类: vol 20 · issue 2 · pp 1099-1123
- 相关性 4/10 · novelty:
application - 摘要: 本文针对高通量细胞成像数据(Cell Painting 实验)中的长尾分布、离群值和高杠杆点问题,提出 Wasserstein Geodesic Transformations (WGTs) 方法。该方法在 Wasserstein 空间中自适应地移动特征分布,以替代传统的 ad hoc 变换(如 log 或 rank 变换),使下游分析(如聚类、可视化)更稳定、可扩展。在 EU-OPENSCREEN 的 HepG2 细胞数据上,WGTs 改善了化合物聚类、可视化,并揭示了板布局引起的空间效应。与更激进的变换相比,WGTs 在保持分布特征的同时达到相当性能,且引入更少的失真。该方法的核心是计算经验分布之间的 Wasserstein 测地线,并沿测地线进行插值或投影,属于计算最优传输在应用统计中的落地。
- 关键技术:
Wasserstein geodesic,optimal transport,distributional transformation,high-throughput imaging,robust preprocessing - 为什么对您有用: 本文属于应用统计(Annals of Applied Statistics),与您的主要兴趣(因果推断、高维、U-统计等)无直接重叠,但作为 gateway reading 有一定价值:它展示了最优传输(Wasserstein 几何)在真实大规模生物数据中的应用,数据规模大、分布病态,统计预处理环节有方法论创新。您武器库中的非参数统计和计算工具(如软件开发和数值方法)足以理解其核心,但该文不涉及您熟悉的 minimax 或效率理论,属于中期可读的跨领域材料,若您对最优传输在统计预处理中的潜力感兴趣,值得花时间读全文。
9. 10.1214/26-aoas2171 · arXiv — Dynamic count models with flexible innovation processes for irregular maritime migration¶
- 作者: Gregor Zens, Jakub Bijak
- 期刊/来源: Annals of Applied Statistics
- 机构: International Institute for Applied Systems Analysis · University of Oxford
- 分类: vol 20 · issue 2 · pp 1671-1690
- 相关性 4/10 · novelty:
application - 摘要: 本文针对地中海(2015-2025)和英吉利海峡(2018-2025)每周海上越境人数的时间序列,提出一个贝叶斯动态计数模型框架。模型以泊松随机游走为基础,允许重尾创新或随机波动率,并显式区分结构零和抽样零。后验推断通过简单的MCMC算法实现。通过样本外预测比较,使用对数预测分数和预测分位数经验覆盖率评估,发现随机波动率模型表现最佳,覆盖率接近名义水平直至99分位。该框架可用于开发移民潮风险指标,并推广到其他零膨胀非平稳计数序列,如流行病学监测和公共安全事件。
- 关键技术:
Bayesian dynamic model,Poisson random walk,stochastic volatility,zero-inflation,MCMC,out-of-sample forecasting - 为什么对您有用: 本文属于流行病学应用(计数时间序列、零膨胀、预测),与您的流行病学兴趣相关,但方法学新颖性有限,主要是贝叶斯建模和MCMC的应用。作为入门读物,它展示了如何处理非平稳计数数据,但武器库中的工具(如U统计量、半参数理论)在此用处不大。值得快速浏览以了解应用场景,但不必深入。
10. 10.1214/26-aoas2172 · arXiv — Modeling temporal dependence in a sequence of spatial random partitions driven by spanning tree: An application to mosquito-borne diseases¶
- 作者: Jessica Pavani, Rosangela H. Loschi, Fernando A. Quintana
- 期刊/来源: Annals of Applied Statistics
- 机构: University of Calgary · Universidade Federal de Minas Gerais · Pontificia Universidad Católica de Chile
- 分类: vol 20 · issue 2 · pp 1388-1408
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种时间依赖的空间随机划分模型,用于刻画空间聚类随时间的演化。在每个时间点,空间划分被建模为随机划分,并通过产品划分先验(product partition prior)引入时间相关性,其中先验凝聚函数(cohesion)具有时间结构。为高效探索划分空间并保证空间约束聚类,作者利用随机生成树(random spanning tree)进行采样。针对蚊媒疾病数据的过度离散性,提出时空泊松混合模型,均值和离散参数均随时空协变量变化。模型应用于巴西东南部2018-2023年登革热周报病例数据,并通过模拟数据评估性能,结果显示模型在分析空间聚类时间演化方面具有竞争力。
- 关键技术:
product partition prior,random spanning trees,spatiotemporal Poisson mixture model,spatially constrained clustering,Bayesian inference - 为什么对您有用: 本文属于应用统计(Annals of Applied Statistics),涉及时空聚类和贝叶斯非参数方法,与您的主要兴趣(如非参数/半参数理论、统计计算)有一定交集,但核心方法并非您的主攻方向。作为流行病学应用(登革热数据),可作为流行病学数据集的入门参考,但方法学新颖性一般。
11. 10.1214/26-aoas2177 · arXiv — A time warping model for seasonal data with application to age estimation from narwhal tusks¶
- 作者: Lars N. Reiter, Adam G. Hoffmann, Mads Peter Heide-Jørgensen, Eva Garde, Adeline Samson, Susanne Ditlevsen
- 期刊/来源: Annals of Applied Statistics
- 机构: University of Copenhagen · Grønlands Naturinstitut · Université Grenoble Alpes · Laboratoire Jean Kuntzmann
- 分类: vol 20 · issue 2 · pp 1148-1167
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种针对周期可变信号的时间扭曲回归模型,将观测到的非线性时间轴映射到线性时间,通过引入一个隐性的严格正随机过程刻画瞬时频率,从而适应周期随时间变化的数据。模型在narwhal象牙的年生长层组元素信号上应用,用于估计个体年龄,并在已知周期数的模拟信号上验证了方法。文章详细讨论了实际建模中的挑战与实用考虑,属于应用导向的时间序列分析工作。对您而言,该文作为应用统计案例,展示了非线性时间变换与潜变量建模的结合,但方法学新颖性有限,主要价值在于跨学科应用示范。
- 关键技术:
time warping model,stochastic process for instantaneous frequency,regression model for periodic signals,age estimation from growth layers - 为什么对您有用: 本文属于应用统计(Annals of Applied Statistics),与您的次要兴趣(如流行病学应用)有一定距离,但作为时间序列建模的应用案例,可作入门读物了解生物数据中的周期信号处理。武器库中的非参数统计和估计理论足以理解其模型框架,但无直接可迁移的方法学创新,暂不值得深入展开。
12. 10.1214/26-aoas2160 · arXiv — A principal submanifold-based approach for clustering and multiscale RNA correction¶
- 作者: Menghao Wu, Zhigang Yao
- 期刊/来源: Annals of Applied Statistics
- 机构: National University of Singapore
- 分类: vol 20 · issue 2 · pp 986-1009
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种基于主子流形(PSM)的方法,用于在环面(torus)上分析RNA结构数据,以解决重建过程中的原子冲突问题。该方法通过低维特征表示克服了以往基于环面方法的局限,并结合DBSCAN聚类算法提出PSM-DBSCAN,提高了聚类精度和对噪声的鲁棒性。此外,该方法被应用于多尺度校正,有效解决RNA骨架在微观和介观尺度上的冲突。通过大量模拟和比较研究,展示了该方法在精度和可扩展性上的显著提升。对您而言,本文属于应用统计方法在结构生物学中的案例,与您的主要研究方向(如高维统计、非参数理论)关联较弱,但可作为了解流形学习在生物数据中应用的入门读物。
- 关键技术:
principal submanifold,DBSCAN clustering,torus data analysis,multiscale correction - 为什么对您有用: 本文属于应用统计(Annals of Applied Statistics),主题为流形学习在RNA结构数据中的应用,与您的主要兴趣(因果推断、高维统计、非参数理论)无直接重叠。作为gateway reading,本文对非专业人士较为友好,但方法学贡献有限,且不涉及您武器库中的核心工具。因此,不值得花时间精读全文,仅可作为了解生物信息学中统计应用的背景阅读。
13. 10.1214/26-aoas2167 · arXiv — Spectral-stimulus information for self-supervised stimulus encoding¶
- 作者: Jared Deighton, Wyatt Mackey, Ioannis Schizas, David L. Boothe, Vasileios Maroulas
- 期刊/来源: Annals of Applied Statistics
- 机构: Simmons University · United States Army Combat Capabilities Development Command · University of Tennessee at Knoxville
- 分类: vol 20 · issue 2 · pp 1247-1266
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种新的信息论度量,用于量化神经元群体对刺激的编码效率,特别是针对任意大小神经元群体的谱刺激信息(定义为刺激信息矩阵的最大特征值)。该度量考虑了神经元之间的相关性,并证明当神经元具有局部、非重叠的发放野时达到最大。作者将该度量应用于空间导航领域,分析小鼠和猴子的神经记录,揭示了不同神经元对和群体的编码效率差异。此外,他们展示了该度量可用于通过自监督学习训练循环神经网络(RNN),从而涌现出位置细胞和头部方向细胞。这项工作为理解群体水平的刺激编码提供了原则性框架,对神经科学和人工导航系统的优化具有潜在意义。对您而言,本文属于计算神经科学的应用,与您的主要兴趣(因果推断、高维统计等)无直接交集,但其中涉及的特征值分析和信息论度量可能对您在高维随机矩阵理论方面的兴趣有一定启发。
- 关键技术:
spectral stimulus information,stimulus information matrix,leading eigenvalue,self-supervised learning,recurrent neural networks - 为什么对您有用: 本文主题为计算神经科学,与您的主要兴趣(因果推断、高维统计、半参数理论等)无直接关联。但其中使用的谱方法(特征值分析)与您在高维随机矩阵理论方面的兴趣有一定技术重叠,可作为跨学科阅读材料。作为gateway reading,本文对统计学家而言,数据(神经记录)和模型(信息论度量)的阐述较为清晰,但方法学新颖性有限,主要贡献在于应用和框架整合。
14. 10.1214/26-aoas2138 — Bayesian selection and refitting of reference mutational signatures in cancer genomics¶
- 作者: Min Hua, Bin Zhu
- 期刊/来源: Annals of Applied Statistics
- 机构: Arkansas State University · National Institutes of Health · National Cancer Institute · Division of Cancer Epidemiology and Genetics
- 分类: vol 20 · issue 2 · pp 1058-1077
- 相关性 4/10 · novelty:
application - 摘要: 本文针对癌症基因组学中突变特征(mutational signatures)推断的小样本问题,提出 BayesSigRefitting 贝叶斯模型选择框架,目标是从外部参考特征集中选择最优子集进行 refitting,以估计各特征的活性。现有 refitting 方法常使用全部参考特征,导致过拟合和可解释性下降,而特征子集选择问题此前鲜有研究。方法上,作者采用带稀疏诱导 Laplace 先验的贝叶斯层次模型,并用 Shotgun Stochastic Search (SSS) 算法高效搜索特征子集空间,选出最优子集。理论部分建立了模型选择一致性(model selection consistency),并通过模拟和七种癌症类型的真实数据研究,证明其在特征选择和活性估计上优于现有方法。该工作对统计学家而言,是一个贝叶斯变量选择与随机搜索算法在生物医学应用中的清晰案例,但其方法学新颖性主要在于应用场景的适配,而非全新的统计理论。
- 关键技术:
Bayesian hierarchical model,Laplace prior,Shotgun Stochastic Search,model selection consistency,non-negative matrix factorization - 为什么对您有用: 本文属于应用统计(Annals of Applied Statistics),与您的主要兴趣(因果推断、高维、半参数等)无直接重叠,但可作为流行病学/癌症基因组学应用方向的入门读物。其贝叶斯变量选择与 SSS 算法虽非您武器库中的核心工具,但您对 M-估计和模型选择理论熟悉,足以理解其一致性证明。作为 gateway reading,本文数据与模型设定清晰,适合快速了解突变特征分析中的统计问题,但若时间有限,不必精读全文。
Maintained by 陈星宇 · Homepage · Source on GitHub