跳转至

JASA · 2026-10-10

  • 共 28 篇 · Journal of the American Statistical Association

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 JASA 的 28 篇论文大致可归为四条主线:因果推断与实验设计(约 7 篇)、高维统计与信号恢复(约 5 篇)、假设检验与多重比较(约 4 篇)、以及分布式/隐私保护计算与网络建模(约 6 篇)。其余论文分散在非参数变换模型、函数型数据、空间统计与天文应用等领域。因果主线内部又分出两个子方向:一类聚焦于高维中介分析的检验功效(如 Power Enhancement in High-Dimensional Heterogeneous Mediation Analysis),另一类关注随机化与匹配设计下的推断有效性(如 Re-evaluating the Impact of Hormone Replacement Therapy、Statistical Inference with Mixed-Effect Model、ARMA-Design)。假设检验主线则集中在 FDR 控制的稳健性与选择性推断,包括 Model-X Knockoffs 的矩匹配充分性、Post-clustering Inference under Dependence,以及 E-Value 框架在脑影像区域检测中的应用。

因果推断与实验设计是本期最密集的板块。高维中介分析一文直接回应了总间接效应检验在效应异质或方向相反时的功效失效问题,其方法结合高维推断与多重检验,并附带 R 包实现,适合关注中介效应分解的研究者。匹配设计的重估一文则从置换分布的正确性入手,显式建模 Z-dependence,纠正了经典 HRT 研究的 anticonclusive 结论,技术上依赖图论与组合算法,对观察性研究中的匹配后推断有直接参考价值。协变量自适应随机化一文在混合效应模型框架下处理大量分层,证明长因子存在时混合效应估计量的方差优势,并给出与固定效应估计量的渐近等价性,为多中心试验设计提供了理论依据。ARMA-Design 则将实验设计拓展到部分可观测时间序列场景,用小信号渐近简化 MSE 计算,并引入强化学习求解最优分配,与纵向因果推断中的动态处理分配问题衔接紧密。

高维与假设检验板块中,高维聚类与信号恢复一文值得注意:它在块状信号结构下提出 CFA-PCA 与 MA-PCA 两种算法,分别针对稀疏与稠密信号,并推导了统计与计算极小极大下界,将计算复杂性纳入最优性分析。Model-X Knockoffs 的稳健性研究则首次从理论上证明高斯 knockoffs 生成器在矩匹配条件下能实现渐近 FDR 控制,填补了该框架在实际应用中的理论空白。Post-clustering Inference under Dependence 将选择性推断推广到任意依赖结构,并给出协方差可估的充分条件,适合处理相关观测的聚类后检验。E-Value 过滤器在脑影像中的应用展示了 E 值聚合在区域级多重比较中的有限样本控制能力,对空间相关数据的信号检测有借鉴意义。

若按主题优先阅读:因果推断方向可先看高维中介分析、匹配重估与协变量自适应随机化三篇;高维与假设检验方向可关注高维聚类信号恢复、Model-X Knockoffs 稳健性及 Post-clustering Inference;分布式与隐私计算方向则以 MOSAiC 和私有函数型数据估计为代表,前者用张量列框架解决多中心单轮通信问题,后者系统刻画了用户级与中心差分隐私下的极小极大成本。

因果推断 (causal_inference, 7 篇)

1. 10.1080/01621459.2026.2739445 — Power Enhancement in High-Dimensional Heterogeneous Mediation Analysis

  • 作者: Xiufan Yu, Ken Kelley
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Notre Dame
  • 分类: pp 1-94
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文研究高维中介分析中的异质性中介效应检验问题,设定为暴露变量通过多个可能相关的中间变量影响结局的线性或广义线性模型。作者指出现有基于总间接效应的检验在效应异质(甚至方向相反)时功效严重不足,并剖析其根源。他们提出新的检验方法,能够处理异质和对比性中介效应,在不牺牲第一类错误率的前提下显著提升统计功效。方法上结合了高维推断和多重检验的思想,并给出了严格的理论保证和数值模拟验证。真实数据应用考察了医疗支出在经济增长与公共健康之间的中介作用,并开发了R包POEM。对您而言,该文涉及高维中介分析中的假设检验功效问题,与您的高维统计和因果推断兴趣直接相关。
  • 关键技术: high-dimensional mediation analysis, heterogeneous mediation effects, total indirect effect, multiple testing, power enhancement
  • 为什么对您有用: 该文直接关联您的主要兴趣中的因果推断(中介分析)和高维统计,且聚焦于假设检验的功效问题,与您的数学统计兴趣契合。您可以用您非常熟悉的高维渐近和U统计工具来审视其检验统计量的构造,例如分析其功效提升是否源于对异质性结构的更有效利用。中期可做:若想深入其多重检验校正部分,需在 moderately_familiar 的 semiparametric theory 上稍加巩固。

2. 10.1080/01621459.2026.2691321 · arXiv — Re-evaluating the Impact of Hormone Replacement Therapy on Heart Disease Using Match-Adaptive Randomization Inference

  • 作者: Samuel D. Pimentel, Ruoqi Yu
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Illinois Urbana-Champaign
  • 分类: pp 1-13
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对观察性研究中匹配设计后的推断问题:标准做法将匹配后的数据视为分层随机试验,在配对内置换处理,但忽略了配对本身依赖于处理状态(Z-dependence),导致置换分布不正确。作者提出 match-adaptive randomization inference,一种计算高效的算法,能够刻画并采样最优倾向得分匹配后处理的正确条件分布。该方法纠正了著名的 HRT 与冠心病观察性研究中原本 anticonservative 的结果,并佐证了 HRT 在不同年龄女性中具有异质性效应的实验发现。核心贡献在于将匹配后的推断从忽略配对选择机制转向显式建模 Z-dependence,并通过图论和组合算法实现可行采样。
  • 关键技术: match-adaptive randomization inference, optimal propensity score matching, permutation test, Z-dependence, graph algorithms
  • 为什么对您有用: 直接关联因果推断中的匹配设计与敏感性分析,且其纠正 Type I error 的思路可迁移至您熟悉的估计理论;可用您 very_familiar 的软件开发和计算 U-statistics 的图论/树宽视角来分析其算法的计算复杂度,属于立即可做的方向。

3. 10.1080/01621459.2026.2740146 — Statistical Inference with Mixed-Effect Model for Covariate-Adaptive Randomized Experiments

  • 作者: Yang Liu, Lucy Xia, Feifang Hu
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Renmin University of China · University of Hong Kong · George Washington University
  • 分类: pp 1-105
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究协变量自适应随机化实验中存在大量分层(如多中心临床试验中的研究中心)时的统计推断问题。在混合效应模型框架下,目标是对处理效应的估计与推断,并考虑分层数随样本量增长的情形。作者证明,在长因子(多水平)存在时,混合效应估计量比固定效应估计量具有更低的方差,这一方差缩减源于随机化程序引入的边缘不平衡,且设计越精细的协变量平衡会带来更高的效率与检验功效。随着样本量增大,混合效应与固定效应估计量渐近等价。理论结果通过模拟和临床试验案例验证,为大量分层下的临床试验设计与分析提供了新见解。
  • 关键技术: covariate-adaptive randomization, mixed-effect model, fixed-effect model, asymptotic equivalence, variance reduction
  • 为什么对您有用: 本文属于因果推断中随机化实验的设计与推断子方向,与您的兴趣(causal inference 的 estimation theory)直接相关。您可以用 very_familiar 的 estimation theory in causal inference 来审视其方差缩减的机制,并考虑用 moderately_familiar 的 semiparametric theory 来推导其效率界。中期可做:将混合效应模型与 DML 结合,处理大量分层下的高维协变量调整。

4. 10.1080/01621459.2026.2735068 · arXiv — ARMA-Design: Optimal Treatment Allocation Strategies for A/B Testing in Partially Observable Experiments

  • 作者: Ke Sun, Linglong Kong, Hongtu Zhu, Chengchun Shi
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Alberta · University of North Carolina at Chapel Hill · London School of Economics and Political Science
  • 分类: pp 1-61
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究部分可观测环境下 A/B 测试的最优治疗分配设计,目标是最小化平均处理效应(ATE)估计的渐近均方误差。作者引入受控向量自回归移动平均(ARMA)模型来刻画部分可观测性,并采用小信号渐近框架简化不同设计下 ATE 估计量渐近 MSE 的计算。他们提出两种算法求解最优设计:一种基于约束优化,另一种基于强化学习。通过两个模拟调度器和来自网约车公司的两个真实数据集,展示了所提设计相对于现有方法的优越性能。该工作将实验设计与时间序列模型结合,为纵向因果推断中的动态治疗分配提供了新视角。
  • 关键技术: controlled vector autoregressive moving average model, small signal asymptotic framework, asymptotic mean squared error, constrained optimization, reinforcement learning, A/B testing design
  • 为什么对您有用: 本文直接关联因果推断中的纵向设定与实验设计,属于您 primary interest 中 causal inference 的 longitudinal 子方向。您可以用 very_familiar 的 estimation theory in causal inference 来审视其小信号渐近框架的合理性,并考虑将 higher-order U-statistics 的 treewidth 视角用于分析其估计量的计算成本。中期可做:若想深入强化学习求解部分,需在 moderately_familiar 的 identification theory 上加强。

5. 10.1080/01621459.2026.2735065 — Entity Ranking with Covariates and Sparse Intrinsic Scores

  • 作者: Jianqing Fan, Jikai Hou, Mengxin Yu
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Princeton University
  • 分类: pp 1-91
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究带协变量的条目排序问题,在 Bradley-Terry-Luce (BTL) 模型基础上引入协变量,并假设协变量无法完全解释偏好分数,剩余的个体内在分数是稀疏的。作者提出了新的模型可识别条件,并分析了正则化惩罚极大似然估计 (MLE) 的统计收敛速率。进一步,他们构造了惩罚 MLE 的去偏估计量,并研究了其渐近分布性质。该方法还被用于检验无潜在内在分数的模型(即协变量完全解释偏好分数)的拟合优度,并提供了排名的置信区间。数值研究验证了理论结果。
  • 关键技术: Bradley-Terry-Luce model, penalized MLE, debiased estimator, sparse intrinsic scores, goodness-of-fit test, confidence intervals for ranks
  • 为什么对您有用: 该论文涉及高维稀疏估计、去偏推断和假设检验,与您的高维统计、假设检验及效率理论兴趣直接相关。其去偏估计和置信区间构造方法可迁移至因果推断中的敏感性分析或中介分析。您可运用 very_familiar 的 minimax 界技术验证其速率是否最优,或利用 moderately_familiar 的 semiparametric 理论分析其效率界。

6. 10.1080/01621459.2026.2736314 · arXiv — Optimal estimators and tests for reciprocal effects

  • 作者: Qunqiang Feng, Jiashun Jin, Yaru Tian, Ting Yan
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Science and Technology of China · Southeast University · Central China Normal University
  • 分类: pp 1-161
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究有向网络 p1 模型中互惠效应参数 ρ 的估计与检验问题,该参数刻画节点间相互指向边的倾向,是网络数据分析中的核心参数。由于模型中的非线性因子,ρ 的有效估计长期未解。作者采用广义环计数方法,关键发现是:在相同长度的广义环中,可精心挑选一对环,使得两者期望计数之比中非线性因子恰好抵消,比值恰为 exp(ρ)。基于此,作者构造了 ρ 的估计量和对 ρ=ρ0 的检验过程,并在允许广泛互惠效应、网络稀疏性和度异质性的设定下,证明估计量达到最优收敛速率,检验达到最优相变。技术上,所提统计量为 U-统计量,分析涉及复杂组合学,作者通过精细的组合论证处理了非线性因子和稀疏性带来的挑战。
  • 关键技术: U-statistics, cycle count ratio, network models, optimal estimation rate, phase transition
  • 为什么对您有用: 本文直接关联您对 higher-order U-statistics 和 hypothesis testing 的兴趣,其核心统计量为 U-统计量,且分析涉及复杂组合学,与您熟悉的 U-统计量投影和树宽视角可对接。您可用 very_familiar 的 U-统计量计算工具(如 einsum)验证其估计量的计算可行性,或从 minimax 角度审视其最优速率是否紧。

7. 10.1080/01621459.2026.2736788 · arXiv — Optimal Model Selection for Conformalized Robust Optimization

  • 作者: Yajie Bao, Yang Hu, Haojie Ren, Peng Zhao, Changliang Zou
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Fudan University · Shanghai Jiao Tong University · Jiangsu Normal University · Nankai University
  • 分类: pp 1-99
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究不确定性下的决策问题,即上下文鲁棒优化(CRO),其目标是在预测集上最小化最坏情况下的决策损失。作者将模型选择纳入CRO框架,提出CROMS框架,旨在同时控制鲁棒性(1−α)并近似最小化平均决策风险。为高效求解,提出E-CROMS算法,在渐近意义上实现鲁棒性控制和决策最优性。针对有限样本下的控制偏差,进一步提出F-CROMS(保证1−α鲁棒性但需搜索标签空间)和J-CROMS(计算成本更低但仅保证1−2α鲁棒性)。此外,将框架扩展至个体化设定,通过最小化给定协变量的条件决策风险进行模型选择。数值实验表明,该方法在多种合成和真实数据上显著提升决策效率,优于基线方法。对您而言,该工作将conformal prediction与决策风险最小化结合,其模型选择思路可迁移至因果推断中的个体化处理效应估计与政策学习。
  • 关键技术: conformal prediction, robust optimization, model selection, decision risk minimization, finite-sample correction
  • 为什么对您有用: 该论文属于因果推断与决策的交叉领域,具体连接您的'causal inference'兴趣中的'policy learning'和'individualized treatment effects'子方向。您可以用'very_familiar'中的'nonparametric statistics'和'minimax bounds'来评估其模型选择准则的有限样本性质,或探讨其鲁棒性控制与因果推断中敏感性分析的类比。中期可做:需先熟悉conformal prediction的细节(属于'moderately_familiar'中的'identification theory'之外的新工具),然后可尝试将CROMS框架应用于因果推断中的最优治疗分配。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 10.1080/01621459.2026.2737403 · arXiv — High-dimensional Clustering and Signal Recovery under Block Signals

  • 作者: Wu Su, Yumou Qiu
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Peking University
  • 分类: pp 1-104
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究高维聚类与信号恢复问题,在块状信号结构下提出两类计算高效的方法:CFA-PCA(针对稀疏块信号)和MA-PCA(针对稠密块信号)。CFA方法利用块内U-统计量非参数地聚合和选择信号,适用于非高斯、异方差和非对角协方差的数据。作者证明了在比现有方法更弱的信号强度下,所提方法对聚类和信号恢复均具有一致性。进一步,他们推导了统计和计算极小极大下界(SMLB和CMLB),其中CMLB限制在多项式时间算法内,并表明所提方法分别达到稀疏和稠密块信号下的CMLB,即计算极小极大最优。模拟和全球温度变化的案例研究验证了方法的实用性。对您而言,该文将高维聚类与信号恢复的极小极大理论延伸到计算复杂性视角,且CFA中的块状U-统计量设计直接关联您对高阶U-统计量的兴趣。
  • 关键技术: block-wise U-statistic, principal component analysis (PCA), minimax lower bounds, computational lower bounds, polynomial-time algorithms, non-Gaussian data
  • 为什么对您有用: 该文直接涉及您的高维统计与极小极大理论兴趣,并引入计算极小极大下界,属于统计-计算权衡方向,可作为该领域的入门阅读。CFA方法中的块状U-统计量设计为您熟悉的高阶U-统计量工具提供了新应用场景,您可用自己的U-统计量计算复杂度视角(如treewidth/einsum)分析其计算效率。基于您的武器库,该文的核心方法(PCA和U-统计量)属于very_familiar范畴,但计算下界的推导可能需要补充平均情况复杂度知识,因此中期可做:需在低度似然比或SQ下界方面加强。

2. 10.1080/01621459.2026.2729128 · arXiv — Model-free Feature Screening and False Discovery Control for High-dimensional Quantile Regressions

  • 作者: Cong Cheng, Tianyi Zhang, Runze Li, Yuan Ke
  • 期刊/来源: Journal of the American Statistical Association
  • 分类: pp 1-84
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对高维分位数回归中的特征筛选问题,提出了一种模型无关的筛选框架。现有方法常依赖线性或可加等模型假设,而本文利用新提出的 Copula Quantile Dependence 度量,在给定分位水平下量化预测变量与响应的函数依赖,无需预设模型结构。基于该度量,作者开发了 QC-Screen 方法,按依赖度排序并选取信息量最大的特征,同时提出数据驱动的 QC-FDR 程序以控制错误发现率(FDR)。理论上,作者证明了 QC-Screen 的 sure screening 和 rank consistency 性质,并证明 QC-FDR 能渐近控制 FDR 于目标水平。模拟研究和真实经济数据分析验证了方法的优越性。对您而言,该工作将 copula 依赖度量与高维筛选结合,其理论分析(如 sure screening 的证明)可联系您熟悉的高维渐近与 minimax 框架,但方法本身更偏向非参数筛选而非随机矩阵理论。
  • 关键技术: Copula Quantile Dependence, model-free feature screening, sure screening property, rank consistency, false discovery rate control, high-dimensional quantile regression
  • 为什么对您有用: 该论文属于高维统计与假设检验的交叉领域,直接关联您的主要兴趣之一——高维统计与假设检验。其提出的模型无关筛选方法可视为对传统模型假设的放松,您可用您熟悉的非参数统计和 minimax 理论来审视其 sure screening 性质的紧性。此外,FDR 控制部分与您的假设检验兴趣相关。从技术武器库看,您非常熟悉的高维渐近工具可用于验证其理论结果,但该文未涉及随机矩阵理论或计算复杂度,因此属于中期可做的方向——需在非参数筛选理论上稍作延伸。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 10.1080/01621459.2026.2739658 · arXiv — Deep Transformation Model

  • 作者: Tong Wang, Shunqin Zhang, Sanguo Zhang, Jian Huang, Shuangge Ma
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Southeast University · University of Chinese Academy of Sciences · Hong Kong Polytechnic University · Yale University
  • 分类: pp 1-75
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种深度变换模型(Deep Transformation Model),属于非参数变换模型框架,将响应变量经未知单调变换后与DNN预测器建立关系,涵盖了许多现有模型(如Cox、加速失效时间等)作为特例,从而对模型误设不敏感,并能适应重尾误差。为估计该模型,作者设计了一种与现有损失函数根本不同的新损失函数,并基于双修正线性单元(DReLU)构造可计算估计量。针对输入变量维数发散或含噪声的情形,引入基于群惩罚的变量选择方法,并将模型扩展至右删失生存数据。理论上建立了估计和变量选择的相合性及渐近性质,模拟和实际数据分析验证了方法的实用性。对您而言,该工作将非参数变换模型与深度网络结合,其半参数效率性质和DReLU估计量的渐近理论值得关注,可联系您在semiparametric & nonparametric theory以及efficiency theory方面的兴趣。
  • 关键技术: nonparametric transformation model, deep neural network, double rectified linear unit (DReLU), group penalization, censored survival data
  • 为什么对您有用: 本文属于非参数/半参数理论方向,直接关联您的primary interest中的semiparametric and nonparametric theory和efficiency theory。您可以用very_familiar的非参数统计和minimax bounds工具来审视其估计量的收敛速率是否最优,或探索其影响函数结构。中期可做:若想深入其半参数效率界,需在moderately_familiar的semiparametric theory上加强。

2. 10.1080/01621459.2026.2736783 · arXiv — Effect Decomposition of Functional-Output Computer Experiments via Orthogonal Additive Gaussian Processes

  • 作者: Yu Tan, Yongxiang Li, Xiaowu Dai, Kwok-Leung Tsui
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Shanghai Jiao Tong University · University of California, Los Angeles · The University of Texas at Arlington
  • 分类: pp 1-66
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对黑箱计算机实验中函数型输出的方差分解问题,提出了一种函数型输出正交加性高斯过程(FOAGP)模型。传统FANOVA方法依赖预定义基函数或参数结构,且对数据分布有较强假设,难以实现数据驱动的正交效应分解。FOAGP通过对可分离先验过程施加条件正交性约束,构造了函数型输出正交加性核,从而无需分布假设即可实现数据驱动的正交分解。该方法还提供了局部Sobol'指数和期望条件方差敏感性指数的解析表达式,可同时捕捉全局和局部效应显著性。通过两个模拟研究和飞机机身形状控制的真实案例验证了模型在正交效应分解和方差分解中的有效性。
  • 关键技术: Functional ANOVA, Gaussian process, orthogonal additive kernel, Sobol' indices, variance-based sensitivity analysis
  • 为什么对您有用: 本文属于非参数/半参数方法在计算机实验中的应用,与您的非参数理论兴趣相关,但更偏向应用。其正交分解思想与您熟悉的非参数估计和U-统计量有潜在联系,但核心是GP建模,非您的主要武器。作为应用型论文,可了解工程中敏感性分析的实际需求,但方法学新颖性有限。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)

1. 10.1080/01621459.2026.2731642 · arXiv — Asymptotic FDR Control with Model-X Knockoffs: Is Moments Matching Sufficient?

  • 作者: Yingying Fan, Lan Gao, Jinchi Lv, Xiaocong Xu
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Southern California · University of Tennessee at Knoxville · University of Pittsburgh
  • 分类: pp 1-102
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究 model-X knockoffs 框架在实际应用中的稳健性,特别是当真实协变量分布被用户指定分布(如基于样本学习的分布)替代时,近似 knockoffs 过程的渐近 FDR 控制问题。作者提出一个统一的理论框架,用三个关于近似 knockoff 统计量的条件替代 model-X 的分布可交换性条件,从而建立渐近 FDR 控制。在此框架下,他们证明最常用的基于前两阶矩匹配的高斯 knockoffs 生成器,在使用相应的两阶矩 knockoff 统计量时,能实现渐近 FDR 控制。这是文献中首次从理论上严格证明高斯 knockoffs 生成器的有效性和稳健性。模拟和真实数据实验验证了理论结果。对您而言,该文将高维假设检验与因果推断中的负控制思想联系起来,其理论框架可能对您在高维统计推断中的研究有启发。
  • 关键技术: model-X knockoffs, approximate knockoffs, asymptotic FDR control, moments matching, Gaussian knockoffs generator
  • 为什么对您有用: 本文属于高维假设检验领域,直接关联您对 hypothesis testing 和高维统计的兴趣。其核心是渐近 FDR 控制,与您熟悉的 minimax 界和 empirical process 技术相关。您可以用 very_familiar 的 high-dimensional asymptotics 工具来审视其理论框架的紧性,例如检验其三个条件是否可放宽或是否达到最优。立即可做:基于您的高维渐近知识,可尝试推导更紧的 FDR 控制界或扩展至非高斯情形。

2. 10.1080/01621459.2026.2707221 · arXiv — Post-clustering Inference under Dependence

  • 作者: Javier González-Delgado, Mathis Deronzier, Juan Cortés, Pierre Neuvial
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Université Toulouse III - Paul Sabatier · Laboratoire d'Analyse et d'Architecture des Systèmes · Institut National des Sciences Appliquées de Toulouse · Centre de Recherche en Économie et Statistique · Institut de Mathématiques de Toulouse · Centre National de la Recherche Scientifique · Université de Toulouse
  • 分类: pp 1-13
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在 Gao et al. (2024) 提出的 post-clustering inference 框架下,将选择性推断从独立同分布的高斯观测推广到允许观测间和特征间存在任意依赖结构的情形。目标是检验估计出的聚类均值差异,并控制选择性 I 类错误,同时估计未知协方差参数。作者建立了在一般依赖框架下扩展该理论框架的充分条件,并给出了协方差矩阵可相容估计的理论条件。方法适用于层次凝聚聚类(多种 linkage)和 k-means 算法。通过合成数据和蛋白质结构真实数据验证了方法的有效性。对您而言,该工作将选择性推断与高维协方差估计结合,其理论条件分析可借鉴您在高维统计和假设检验方面的工具。
  • 关键技术: selective inference, post-clustering inference, hierarchical agglomerative clustering, k-means, covariance estimation, Gaussian selective type I error control
  • 为什么对您有用: 该论文直接关联您的主要兴趣:假设检验(选择性推断)和高维统计(协方差估计)。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来检验其协方差估计条件的紧性,或探索其选择性推断框架在更一般依赖结构下的效率界。中期可做:结合您 moderately_familiar 的 semiparametric theory 来推导选择性推断的 semiparametric efficiency bounds。

3. 10.1080/01621459.2026.2735067 · arXiv — A general randomized test for Alpha

  • 作者: Daniele Massacci, Lucio Sarno, Lorenzo Trapani, Pierluigi Vallarino
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: King's College London · Conference Board · University of Cambridge · University of Leicester · University of Pavia · Università della Svizzera italiana
  • 分类: pp 1-75
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种检验线性因子定价模型中资产收益面板的 alpha 是否联合为零(即“零 alpha”原假设)的方法。该方法基于逐方程估计,并使用估计 alpha 的随机化版本,仅需估计量的收敛速率,无需估计任何协方差矩阵。检验允许 N 和 T 均趋于无穷,且 N 可能比 T 增长更快,并能容纳条件异方差、非高斯性和误差项的强横截面依赖。作者还提出一种去随机化的决策规则,用于判断线性因子定价模型设定是否正确。蒙特卡洛模拟表明该检验性质良好,且优于若干现有检验。实证部分将该检验应用于 S&P 500 成分股的线性因子定价模型。
  • 关键技术: randomized test, alpha testing, panel data, factor pricing model, derandomized decision rule
  • 为什么对您有用: 该论文属于假设检验方向,与您对 hypothesis testing 的兴趣直接相关;其随机化检验技术可视为一种新的检验构造思路,您可用熟悉的非参数统计和 minimax 理论来审视其检验功效与最优性。

4. 10.1080/01621459.2026.2735971 · arXiv — Structure-Adaptive E-Value Filter for Detecting Regional Signals in Brain Imaging

  • 作者: Jingcheng He, Hangjin Jiang, Wenguang Sun, for the Alzheimer’s Disease Neuroimaging Initiative
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Zhejiang University
  • 分类: pp 1-41
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对脑影像结构MRI数据,提出结构自适应E值过滤器(SEFT),目标是在控制区域级多重比较错误的同时,将体素级证据聚合为区域级结论。方法上,SEFT利用灵活的工作模型构造空间自适应的体素级得分,并聚合成区域部分合取E值;结合e-BH程序,在任意区域间依赖结构下提供集合级FDR的有限样本控制。ADNI数据分析显示,正常认知与轻度认知障碍的差异集中在内侧颞叶区域,而轻度认知障碍与痴呆的差异更广泛地涉及颞-边缘和后部联合区域,且与正常-痴呆基准有重叠的解剖核心。该方法为高维空间相关数据的区域信号检测提供了新工具,其E值框架在多重检验中具有稳健性。对您而言,该文的E值聚合与FDR控制思想可迁移至您的高维假设检验或因果推断中的多重比较问题。
  • 关键技术: e-values, e-BH procedure, partial conjunction, spatially adaptive scores, finite-sample FDR control
  • 为什么对您有用: 本文属于假设检验方向,与您的主要兴趣中的hypothesis testing直接相关,特别是多重比较和FDR控制。您可以用您very_familiar中的非参数统计和高维渐近工具来审视其E值聚合的有限样本性质,或探索将其扩展到因果推断中的多重检验问题。中期可做:需先熟悉E值理论(moderately_familiar中的M估计理论可辅助),但核心机制简单,立即可尝试复现或扩展。

统计计算 / 算法 (stat_computing, 2 篇)

1. 10.1080/01621459.2026.2698025 — MOSAiC: Multi-Site One-Shot Aggregation of Compressed Risk Functions

  • 作者: Yong Chen, Yiwen Lu, Jing-Mei Qiu, Huiyuan Wang, Yudong Wang
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Pennsylvania · University of Delaware
  • 分类: pp 1-15
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对现代分布式研究网络中多中心推断面临的实际约束(隐私法规、站点异质性、多轮通信负担),将其提炼为四个数学要求,并提出了 MOSAiC 这一统一元算法框架。MOSAiC 利用科学计算中的张量列(tensor-train)工具,将分布式学习重新表述为多元函数逼近问题,从而实现单轮通信、对小规模或不规则站点的稳健性、与合并分析相当的精度,以及无需额外查询即可进行解析子模型灵活性。作者在四个机构的部署以及药物标签变更、药物再利用和上市后安全监测等应用中展示了该方法的可行性和可扩展性。该方法为设计下一代联邦学习方法提供了操作层面的基础,将统计严谨性与实际协作的运营节奏相结合。对您而言,本文的核心价值在于其将张量分解/张量列技术引入分布式统计推断,这与您在高阶 U-统计量计算中使用的张量收缩/树宽视角高度相关,可能启发新的计算策略。
  • 关键技术: tensor-train decomposition, one-shot distributed inference, multivariate function approximation, federated learning, meta-algorithm
  • 为什么对您有用: 本文属于统计计算方向,直接关联您的主要兴趣之一。其核心机制——张量列/张量分解——与您在高阶 U-统计量计算中使用的 tensor-network / einsum 复杂度工具高度契合,您可以用 very_familiar 的树宽/张量收缩视角来分析其计算成本与可扩展性。此外,该框架对分布式推断的统计精度与通信约束的权衡分析,也可能与您的 semiparametric 效率理论兴趣产生交叉。总体而言,这是一篇值得展开读的方法学论文,且立即可做的 follow-up 是用您的张量计算专长评估其算法复杂度或提出改进。

2. 10.1080/01621459.2026.2740825 · arXiv — Tensor Completion using Subspace Information

  • 作者: Jingyang Li, Michael K. Ng
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Fudan University · Hong Kong Baptist University
  • 分类: pp 1-69
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究张量补全问题,在标准均匀采样下,现有多项式时间算法所需的样本量通常超过自由度,暗示高缺失率下可能存在统计-计算差距。作者利用实际中可获得的边信息(side information)来缓解这一困难,提出 TCSI 算法:先从边信息中估计子空间,再将张量补全转化为矩阵回归问题。理论分析表明,当子空间信息准确时,所需样本复杂度降至近线性于非耦合维度的乘积,耦合维度不再出现在主导项中。相比现有被动均匀采样保证,TCSI 在利用估计子空间后获得了更宽松的信噪比要求,并在额外温和条件下得到更优的统计误差界。数值实验和全球总电子含量(TEC)图重建验证了方法的有效性。该工作直接关联您的统计-计算权衡兴趣,特别是信息-计算差距的实证研究,且其子空间利用思想可能对您的高阶 U-统计量计算复杂度分析有启发。
  • 关键技术: tensor completion, subspace estimation, matrix regression, sample complexity analysis, signal-to-noise ratio
  • 为什么对您有用: 本文直接触及您对统计-计算权衡的兴趣,特别是张量补全中可能存在的统计-计算差距,并展示如何利用边信息突破该差距。您可以用 very_familiar 的高阶 U-统计量计算(treewidth/einsum)视角分析 TCSI 的算法复杂度,或评估其样本复杂度界是否与计算成本匹配。中期可做:需先熟悉 moderately_familiar 的识别理论以严格刻画边信息假设。

天体统计 (astrostats, 1 篇)

1. 10.1080/01621459.2026.2738231 · arXiv — Statistical methods for partitioning ribbon and globally-distributed flux using data from the Interstellar Boundary Explorer

  • 作者: Lauren J. Beesley, Dave Osthus, Kelly R. Moran, Madeline A. Stricklin, Grant David Meadors, Thomas K. Kim et al.
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Los Alamos National Laboratory · National Authority for Remote Sensing and Space Sciences · Astronomy and Space · Princeton University
  • 分类: pp 1-24
  • 相关性 7/10 · novelty: application
  • 摘要: 本文针对 NASA IBEX 卫星收集的 energetic neutral atoms (ENAs) 数据,提出统计方法将全天 ENA 强度图分解为 ribbon 和 globally-distributed flux 两个来源,并估计相应不确定性。方法上采用分层贝叶斯或似然框架,增强模型灵活性并改进不确定性传播,同时提出估计近椭圆 ribbon 中心的新方法,用于研究局部星际磁场。模拟研究验证了方法在逼真数据下的表现。对您而言,这是一篇应用导向的论文,展示了在复杂天文数据中分解信号与估计不确定性的统计建模流程,可作为进入 astrostatistics 方向的入门读物。
  • 关键技术: Bayesian hierarchical modeling, uncertainty propagation, spatial decomposition, elliptical center estimation, simulation study
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading,以清晰的数据和模型描述展示了如何将统计分解方法应用于天文观测数据。您的武器库(如非参数建模、MCMC 等)足以理解其方法,但无需深入方法学细节。作为入门读物,它有助于了解天文数据结构和统计需求,但方法学新颖性有限,不值得优先深读。

其他 (other, 10 篇)

1. 10.1080/01621459.2026.2730522 · arXiv — Optimal estimation in private distributed functional data analysis

  • 作者: Gengyu Xue, Zhenhua Lin, Yi Yu
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Warwick · National University of Singapore
  • 分类: pp 1-86
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文系统研究了函数型数据分析中的差分隐私保护问题,从函数均值估计扩展到变系数模型估计。作者提出了一个包含多个服务器的分布式学习框架,每个服务器收集若干稀疏观测的函数,由此引入了混合隐私概念:函数内对m个离散观测施加用户级差分隐私,服务器层面采用中心差分隐私,服务器间仅交换私有信息以符合联邦差分隐私约束。利用极小极大理论,文章揭示了从稀疏到稠密函数型数据、从用户级到中心及联邦差分隐私成本,以及函数型数据不同机制与隐私保护之间的复杂相互作用。据作者所知,这是首个在多重隐私约束下严格研究函数型数据估计的工作。理论结果辅以高效的私有算法和大量数值实验,为该挑战性问题提供了全面探索。对您而言,本文的极小极大框架和分布式隐私设定为高维统计与统计计算交叉领域提供了新的视角,但主题与您的主要兴趣距离较远。
  • 关键技术: differential privacy, minimax theory, functional data analysis, distributed learning, varying coefficient model
  • 为什么对您有用: 本文属于统计计算与隐私保护的交叉领域,与您的主要兴趣(如高维统计、极小极大理论)有部分重叠,但并非核心方向。作为入门读物,本文对差分隐私和函数型数据结合的设定阐述清晰,但武器库中的工具(如极小极大界、U-统计量)足以支撑理解,不过该主题并非您当前研究重点,建议仅作泛读,不值得深入展开。

2. 10.1080/01621459.2026.2744433 · arXiv — How many labelers do you have? A closer look at gold-standard labels

  • 作者: Chen Cheng, Hilal Asi, John Duchi
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Stanford University
  • 分类: pp 1-104
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究监督学习数据标注流程的统计后果:传统上对每个实例收集多个标签并聚合为“金标准”标签,作者质疑这一做法,建立了一个风格化的理论模型。在模型下,他们分析使用非聚合标签(原始标签)与聚合标签(如多数投票)对训练校准良好的模型的影响,发现非聚合标签信息可使校准更可行,但结论微妙:聚合估计量稳健但收敛速率较慢,而能有效利用全部标签的估计量在忠实于真实标注过程时收敛更快。理论预测了真实数据集中非聚合标签何时应提升学习性能,并通过实验验证了这些预测。对您而言,本文虽非直接的方法论贡献,但其对标签聚合与校准的统计效率分析,与您在高维统计和效率理论方面的兴趣有潜在关联,可作为了解标注数据统计特性的入门读物。
  • 关键技术: label aggregation, calibrated models, convergence rates, stylized theoretical model
  • 为什么对您有用: 本文属于统计学习理论范畴,与您的主要兴趣(如效率理论、高维统计)有间接关联,但并非直接的方法论进展。作为入门读物,它清晰阐述了标签聚合对校准的影响,但武器库(如 minimax 理论)足以理解其理论框架,不过其核心问题(标注流程设计)并非您当前研究重点,因此暂不值得深入展开。

3. 10.1080/01621459.2026.2739659 · arXiv — Semi-Supervised Generative Learning via Latent Space Distribution Matching

  • 作者: Kwong Yu Chong, Long Feng
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Hong Kong
  • 分类: pp 1-66
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出 Latent Space Distribution Matching (LSDM) 框架,用于半监督生成建模,目标是在仅有少量配对数据的情况下学习条件分布。方法分两步:先从配对和未配对数据中学习低维潜空间,再在潜空间中用 1-Wasserstein 距离进行联合分布匹配(仅用配对数据)。该两步法最小化联合分布间 1-Wasserstein 距离的上界,从而减少对配对样本的依赖,并支持快速一步生成。理论上建立了非渐近误差界,并证明未配对数据能提升生成输出的几何保真度。此外,LSDM 提供了一个统一视角,将潜扩散模型 (LDM) 视为其变体(通过 score matching 实现联合分布匹配),从而为 LDM 的一致性提供理论洞见。实验在类条件生成和图像超分辨率等任务上验证了方法有效性。
  • 关键技术: 1-Wasserstein distance, latent space learning, distribution matching, non-asymptotic error bounds, score matching
  • 为什么对您有用: 本文属于生成建模与最优传输方向,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接交集,但其中潜空间分布匹配与 Wasserstein 距离的理论分析可能对您在高维统计或非参数方法中的思考有启发。作为 gateway reading,本文方法学新颖性一般,但理论框架(非渐近界、一致性)值得一读。

4. 10.1080/01621459.2026.2732273 · arXiv — Two-way Homogeneity Pursuit for Quantile Network Vector Autoregression

  • 作者: Wenyang Liu, Ganggang Xu, Jianqing Fan, Xuening Zhu
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Fudan University · University of Miami · Princeton University
  • 分类: pp 1-142
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种用于网络时间序列数据的双向分组分位数网络向量自回归(TGNQ)模型,旨在刻画有向网络中节点间的异质性和非对称交互。模型为每个节点分配两个潜在群组隶属度,分别对应出度和入度方向,从而灵活捕捉方向性交互。估计过程同时进行节点聚类和参数估计,并在群组数过指定时仍保证群组隶属度和参数估计的一致性;当群组数正确指定时,参数估计量渐近正态,支持统计推断。此外,作者开发了分位数信息准则以一致地选择群组数。模拟研究验证了有限样本性能,新浪微博数据应用展示了模型揭示行为动态和用户交互模式的能力。
  • 关键技术: quantile regression, network vector autoregression, grouped estimation, homogeneity pursuit, information criterion
  • 为什么对您有用: 本文属于网络时间序列与分位数回归的交叉领域,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,但其中分组估计和一致性推断的思想可能对您在高维或纵向数据中的聚类与推断问题有启发。作为应用导向的方法论文,其理论保证(过指定群组数的一致性)值得关注,但核心机器(网络VAR、分位数回归)不在您的武器库中,暂不可直接开展后续工作。

5. 10.1080/01621459.2026.2732172 · arXiv — Privacy-Preserving Transfer Learning for Community Detection using Locally Distributed Multiple Networks

  • 作者: Xiao Guo, Xuming He, Xiangyu Chang, Shujie Ma
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Northwest University · Washington University in St. Louis · Xi'an Jiaotong University · University of California, Riverside
  • 分类: pp 1-67
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出 TransNet,一个基于谱聚类的迁移学习框架,用于在本地差分隐私约束下,利用多个异质且隐私保护的辅助源网络提升目标网络的社区检测精度。方法核心是:每个本地数据提供者通过 randomized response 扰动边后再发布,无需可信第三方;TransNet 通过新颖的自适应加权方案聚合源网络的特征空间,同时考虑隐私和异质性,并与目标网络特征空间进行正则化以平衡两者。理论上,作者建立了误差界-预言性质:聚合特征空间的估计误差仅依赖于信息性源网络,对高度异质或强隐私化的源网络具有鲁棒性;并证明 TransNet 的误差界不劣于仅用目标网络或仅用(加权)源网络的估计器。实证上,TransNet 在多种隐私水平和异质性模式下均取得显著提升。此外,文章还给出 TransNetX 扩展,基于高斯扰动投影矩阵,但假设存在可信的本地数据管理者。
  • 关键技术: spectral clustering, local differential privacy, randomized response, transfer learning, adaptive weighting, eigenspace aggregation
  • 为什么对您有用: 本文属于网络数据分析与隐私保护的交叉领域,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,但可作为统计计算与算法设计的拓展阅读。您熟悉的谱方法、随机矩阵理论(RMT)可用于分析其扰动特征空间的误差传播,但核心的差分隐私机制和迁移学习框架并非您的武器库重点。作为入门读物,本文对隐私网络数据的建模和理论分析较为清晰,但若时间有限,可仅读摘要和结论部分。

6. 10.1080/01621459.2026.2739450 · arXiv — A Transfer Learning Framework for Multilayer Networks via Model Averaging

  • 作者: Yongqin Qiu, Xinyu Zhang
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Science and Technology of China · Chinese Academy of Sciences · Academy of Mathematics and Systems Science
  • 分类: pp 1-66
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对多层网络的链接预测问题,提出了一种基于双层模型平均的迁移学习框架。现有方法多依赖共享结构假设且需访问原始辅助数据,实用性受限。作者利用基于边的K折交叉验证准则,自动为层间和层内候选模型分配权重,从而在无需共享结构先验的情况下实现信息迁移并缓解模型不确定性。理论上,在温和条件下证明了所提方法的预测最优性和权重收敛性。计算上,该方法支持跨服务器并行处理且无需传输原始数据,适用于数据共享受限的场景。模拟实验表明其在预测精度和稳健性上优于现有方法,并通过两个推荐系统实例展示了实际价值。
  • 关键技术: model averaging, K-fold cross-validation, multilayer networks, transfer learning, link prediction
  • 为什么对您有用: 本文属于网络数据与模型平均的交叉领域,与您的主要兴趣(如高维统计、统计计算)关联较弱,但模型平均的权重选择与交叉验证准则可能对您的统计计算兴趣有一定启发。作为入门读物,其方法框架清晰,但统计深度有限,不值得优先深读。

7. 10.1080/01621459.2026.2737387 · arXiv — A flexible Bayesian framework for detecting cross-sample spatial expression variability in heterogeneous tissues

  • 作者: Meng Zhou, Shuangge Ma, Mengyun Wu
  • 期刊/来源: Journal of the American Statistical Association
  • 分类: pp 1-39
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一个灵活的贝叶斯分层模型,用于在空间转录组数据中检测跨样本的空间可变(SV)基因。现有方法依赖预定义的空间模式,难以捕捉组织复杂性,且缺乏多样本整合的标准方法。模型采用自适应非参数空间过程,能够捕捉广泛的空间模式并保持可解释性;引入新的先验在样本间借用信息,增强多组织切片中SV基因检测的稳健性。为可扩展的后验计算,开发了高效的变分近似算法。在人类大脑和皮肤癌组织的空间转录组数据上,模型识别出空间结构化的SV基因,支持组织域划分和功能相关基因簇的发现。对您而言,本文展示了贝叶斯非参数建模与变分推断在复杂生物数据中的应用,可作为统计计算与高维数据建模的参考,但与其主要研究方向(因果推断、高维统计、U统计量等)关联较弱。
  • 关键技术: Bayesian hierarchical model, nonparametric spatial process, variational approximation, multi-sample information sharing, spatial transcriptomics
  • 为什么对您有用: 本文属于统计计算与高维数据建模的应用,与您的主要兴趣(因果推断、高维统计、U统计量等)关联较弱,但可作为统计计算与高维数据建模的参考。作为gateway reading,本文对非空间统计背景的读者较为友好,但需要一定的贝叶斯建模基础。您的武器库(如变分推断、非参数方法)足以支撑理解本文,但若想深入空间统计方向,可能需要补充空间点过程或高斯过程建模的知识。总体而言,本文值得一读以拓宽视野,但优先级不高。

8. 10.1080/01621459.2026.2735069 · arXiv — Mixture of Directed Graphical Models for Discrete Spatial Random Fields

  • 作者: J. Brandon Carter, Catherine A. Calder
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Hershey (United States) · The University of Texas at Austin
  • 分类: pp 1-51
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对离散取值、空间相关的面元数据,提出了一种新的统计建模框架——有向图模型混合(MDGM)。其核心思想是用一组有向无环图(DAG)的混合来替代传统马尔可夫随机场(MRF),每个 DAG 由空间邻接的无向图模板导出,从而在保持空间依赖结构的同时实现快速计算。作者引入“兼容性”概念,说明如何从无向图模板构造一组 DAG,使得整体混合模型保留模板中的依赖关系。与精确 MRF 推断相比,MDGM 提供有效的后验推断且计算更快;与常用的伪似然近似(aMRF)相比,MDGM 更 principled。通过模拟和青少年健康与发展情境研究中的 ecometrics 数据分析,作者比较了 MDGM 与 MRF 及 aMRF 的性能。该方法对您而言,其图模型与计算权衡的视角可能对统计计算兴趣有启发,但整体与您的主要研究方向(因果推断、高维、半参数等)关联较弱。
  • 关键技术: mixture of directed graphical models, directed acyclic graphs, compatibility, Markov random fields, pseudo-likelihood approximation, Bayesian inference
  • 为什么对您有用: 本文属于统计建模与计算方向,与您的统计计算兴趣有部分重叠,但并非您主要研究领域的核心问题。作为入门读物,它清晰展示了图模型在空间数据中的应用,但方法学深度有限。您的武器库(如非参数统计、M估计)足以理解其框架,但难以直接迁移到您的研究中。因此,不值得花大量时间读全文,除非您对空间图模型的计算权衡特别感兴趣。

9. 10.1080/01621459.2026.2739444 — Physics-guided Statistical Data Fusion for Reconstructing 3D Current Fields of Oceanic Eddies

  • 作者: Wu Su, He Li, Zhao Jing, Yumou Qiu, Song Xi Chen
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Peking University · Ocean University of China · Tsinghua University
  • 分类: pp 1-73
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一个物理引导的统计数据融合框架,用于重建海洋中尺度涡旋的三维流场。目标估计量是涡旋内部的三维流速结构,模型结合了卫星测高、温度数据、GLORYS再分析数据和漂流浮标原位观测。方法核心是利用Navier-Stokes方程导出的地转平衡关系,引导神经网络从海面条件推断次表层流场;海面条件则通过一个高维线性混合模型估计,该模型整合了具有系统性偏差的卫星测高和稀疏浮标数据,实现空间自适应偏差校正。框架在2024年9月黑潮延伸体的一次气旋涡现场观测中部署,实时控制七台水下滑翔机,与现有数据产品相比,交叉验证精度显著提升,并与ADCP观测一致性更强。该方法实现了对中尺度涡旋内部的高分辨率受控网络观测,是统计与物理海洋学结合的应用型工作。对您而言,本文展示了高维混合模型与神经网络在复杂空间数据融合中的实际应用,可作为统计计算与高维推断在环境科学中的案例参考。
  • 关键技术: high-dimensional linear mixed model, spatially adaptive bias correction, physics-guided neural network, geostrophic balance, multi-source data fusion
  • 为什么对您有用: 本文属于应用型工作,与您的主要兴趣(因果推断、高维统计、半参数理论)无直接方法学关联,但涉及高维线性混合模型和空间数据融合,可作为统计计算与高维推断在环境科学中的案例参考。作为gateway reading,本文对统计学家友好,数据结构和模型设定清晰,但方法学新颖性有限,不值得深入阅读。

10. 10.1080/01621459.2026.2730499 — Bending the Learning Curve for EHR Research via Knowledge-Driven Online Multimodal Automated Phenotyping System

  • 作者: Xin Xiong, Sara Morini Sweet, Chuan Hong, Clara-Lea Bonzel, Vidul Ayakulangara Panickan, Doudou Zhou et al.
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Harvard University · Duke University · National University of Singapore · Massachusetts General Hospital · VA Boston Healthcare System · Boston Children's Hospital · Dana-Farber Cancer Institute · Brigham and Women's Hospital 等
  • 分类: pp 1-32
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出 KOMAP,一个基于汇总统计的自动化 EHR 表型识别系统,旨在解决诊断编码噪声大、特征识别困难、标签有限及数据共享受限等问题。系统包含三层:MultiReL 嵌入层融合多中心 EHR 共现信息与生物医学语言模型表示;ONCE 特征引擎利用 MultiReL 和本地支持检索并排序疾病相关概念;表型层仅基于汇总统计训练、验证和迁移疾病算法。在四个医疗中心的验证中,KOMAP 支持患者亚型分析、生成高精度表型算法,并提升下游 PheWAS 的统计功效。在针对他汀相关遗传变异的 PheWAS 中,KOMAP 发现了标准方法未检测到的脱发和脂溢性皮炎的显著保护性关联。该方法降低了隐私、计算和技术障碍,支持大规模多机构生物医学发现。对您而言,本文展示了在隐私受限的分布式数据环境下,如何利用汇总统计进行高效推断,与您对因果推断和统计计算中数据共享问题的兴趣相关。
  • 关键技术: summary statistics-based phenotyping, multi-source representation learning, biomedical language model embeddings, privacy-preserving distributed analysis, phenome-wide association study
  • 为什么对您有用: 本文属于应用型工作,涉及 EHR 数据中的表型识别和 PheWAS,与您的流行病学应用兴趣相关。它展示了在数据共享受限时如何利用汇总统计进行多中心分析,这与您对因果推断中数据隐私和分布式计算的关注有交集。作为 gateway reading,本文对统计学家友好,数据结构和模型设定清晰,但方法学 novelty 有限,主要是工程集成。武器库中的统计计算和软件工具足以理解其实现,但无需深入方法学跟进。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论