JRSSB · 2026-10-10¶
- 共 25 篇 · Journal of the Royal Statistical Society Series B
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JRSSB的25篇论文大致可归为五条主线:因果推断与缺失数据(约7篇)、半参数效率与去偏估计(2篇)、假设检验与多重比较(3篇)、高维与张量时间序列(1篇)、以及统计计算与算法设计(约6篇)。其余论文分散在空间统计、函数型数据、生成模型训练等方向。因果推断与半参数效率是本期最集中的主题,且多篇论文在方法上相互呼应——例如front-door模型、rerandomization、跨人群迁移等场景都涉及“在复杂识别条件下构造有效估计量”这一核心问题。
因果推断主线中,Flexible nonparametric inference for causal effects under the front-door model 与 The promises of multiple experiments 分别从识别假设和数据结构两个角度推进因果效应的推断:前者利用中介变量替代后门调整,给出TMLE和一步估计量并推导二阶余项界;后者通过多个实验数据集的可迁移性假设识别潜在结果联合分布,并将数据集指示符类比为工具变量。Online inference under over-parameterized models with hidden confounders 则引入随机矩阵理论处理高维过参数化下的在线推断,与 Augmented transfer regression learning(跨人群完全缺失协变量)共同构成“复杂数据下因果参数估计”的补充。Bounds for the regression parameters in dependently censored survival models 在极弱删失假设下给出部分识别界,与 Asymptotic inference with flexible covariate adjustment under rerandomization(研究rerandomization下M-估计量的渐近性质)一起,展示了因果推断中识别与效率的权衡。
半参数效率与去偏估计方面,Optimal inference of the mean outcome under optimal treatment regime 针对非正则参数(OTR非唯一)推导效率下界并构造达到该下界的估计量,与front-door模型论文中的二阶余项分析形成方法上的互补——两者都强调在nuisance估计不精确时仍保持根号n一致性和渐近正态性。Semiparametric fiducial inference for Cox models 将fiducial推断引入半参数框架,在MLE失效时提供稳健替代,与上述去偏思路形成对照。假设检验主线中,False discovery rate control with compound p-values 系统刻画了BH过程在复合p值下的FDR界(独立时上界1.93α),Knockoff inference under privacy constraints 将差分隐私融入Model-X knockoff并保持精确FDR控制,两篇均涉及“放宽或改变检验输入后控制错误率”的问题。Structural classification of locally stationary time series 则从分类角度处理时间序列的二阶特征,与高维张量时间序列的 CP-factorization 在“利用序列相关结构”上略有交集。
若按主题优先阅读:因果推断方向建议先看front-door模型、多实验联合分布、rerandomization三篇;半参数效率方向关注OTR最优推断与Cox fiducial;高维与多重检验方向可看knockoff隐私与复合p值FDR。统计计算方向的 Optimized annealed sequential Monte Carlo samplers 与 An optimal transport-based generative model 虽非因果主题,但其方差分析与传输映射思想对复杂模型推断有参考价值。
因果推断 (causal_inference, 7 篇)¶
1. 10.1093/jrsssb/qkag122 · arXiv — Flexible nonparametric inference for causal effects under the front-door model¶
- 作者: Anna Guo, David Benkeser, Razieh Nabi
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: Emory University
- 相关性 8/10 · novelty:
new_method - 摘要: 本文在 front-door 模型下研究因果效应的非参数推断,目标是 ATE 和 ATT 的识别与估计,该模型利用不受未测量混杂影响的完全中介变量来替代后门调整。作者提出了多种基于观测数据分布的参数化方案的一步估计量和 TMLE,其中一种方案完全避免对中介密度建模,并允许使用灵活的机器学习估计 nuisance 参数。通过推导二阶余项界,建立了根号 n 一致性和渐近线性的条件。此外,在编码广义 (Verma) 独立约束的半参数扩展模型中,开发了用于检验识别假设的灵活检验,包括双重稳健检验,并展示了如何利用这些约束提高因果效应估计的效率。模拟研究验证了有限样本性能,教育和急诊医学的真实数据应用展示了实用性。对您而言,本文在因果推断的识别与估计、半参数效率理论以及双重稳健方法方面与您的主要兴趣高度相关,特别是其利用 Verma 约束提升效率的思路可能对您的效率理论工作有启发。
- 关键技术:
one-step estimator,targeted minimum loss-based estimation (TMLE),second-order remainder bounds,doubly robust testing,Verma independence constraints,machine learning nuisance estimation - 为什么对您有用: 本文直接推进了您主要兴趣中的因果推断(front-door 模型下的识别与估计)和效率理论(半参数效率界、渐近线性),并涉及双重稳健方法。您可以用 very_familiar 的估计理论和非参数统计工具来审视其估计器的有限样本性质,或用 moderately_familiar 的半参数理论来验证其效率提升声明。中期可做:利用您对 higher-order U-statistics 的熟悉,分析其高阶余项或构造高阶影响函数以改进估计。
2. 10.1093/jrsssb/qkag118 · arXiv — The promises of multiple experiments: identifying joint distribution of potential outcomes¶
- 作者: Peng Wu, Xiaojie Mao
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: Beijing Technology and Business University · Tsinghua University
- 相关性 8/10 · novelty:
new_method - 摘要: 本文提出一个利用多个实验数据集识别和估计潜在结果联合分布的新框架。典型因果效应基于潜在结果的边际分布,但许多应用需要联合分布(如个体处理效应、主分层效应)。作者引入跨数据集的状态转移概率可迁移性假设,并辅以正则秩条件,从而识别联合分布。该假设在过度识别设定下具有可检验的蕴含,且与工具变量假设类似,数据集指示符充当“工具”。估计方面,提出一个基于最小二乘的简单估计量,证明其一致性和渐近正态性。框架进一步扩展到主因果效应的识别与估计。通过大量模拟和真实数据(替代终点评估)验证了方法的有效性。
- 关键技术:
transportability of state transition probabilities,instrumental variable analogy,least-squares estimation,overidentification test,principal causal effects - 为什么对您有用: 直接关联您的因果推断兴趣,特别是识别策略和工具变量类比。您可以用 very_familiar 的估计理论(如最小二乘、渐近正态性)来验证其估计量的有限样本性质,或用 moderately_familiar 的识别理论来审视其可迁移性假设的合理性。中期可做:结合您对 HOIF 的熟悉,推导该估计量的高阶影响函数,以获得更精细的推断。
3. 10.1093/jrsssb/qkag110 — Online inference under over-parameterized models with hidden confounders¶
- 作者: Shuyan Chen, Xingdong Feng, Yeheng Ge, Tao Li, Mengyun Wu
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of Science and Technology of China · Shanghai University of Finance and Economics · Hong Kong Polytechnic University
- 相关性 8/10 · novelty:
new_method - 摘要: 本文研究存在隐藏混杂时,在线估计与推断回归系数的问题,利用过参数化模型。与依赖因子模型和稀疏模型的离线方法不同,作者提出的闭式估计器同时消除隐藏混杂偏差,并可直接用于流式数据。借助随机矩阵理论,作者分析了当样本量从小于预测变量数过渡到大于预测变量数时,系数估计量方差的相变现象。值得注意的是,增加更多协变量对估计量方差影响很小,缓解了过参数化设置中方差膨胀的担忧。通过模拟和两个真实数据集的应用,验证了该方法在单个系数推断和多重检验中的有效性。
- 关键技术:
random matrix theory,phase transition,closed-form estimator,online estimation,hidden confounders,over-parameterized models - 为什么对您有用: 本文直接关联到您的主要兴趣:高维统计与随机矩阵理论,以及因果推断中的隐藏混杂问题。您可以用 very_familiar 的高维渐近工具来验证其相变现象的精确性,或用 moderately_familiar 的识别理论来审视其消除混杂偏差的假设。中期可做:若想深入其在线推断的算法细节,需在 moderately_familiar 的 M-估计理论上加强。
4. 10.1093/jrsssb/qkag131 · arXiv — Augmented transfer regression learning for completely missing covariates¶
- 作者: Huali Zhao, Tianying Wang
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: Huazhong University of Science and Technology · Colorado State University
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究跨人群完全缺失协变量问题:目标人群(如 UK Biobank)完全未测量某些协变量,而源人群测量了它们,构成一种特殊的缺失数据设定。关键识别条件是子人群漂移假设:结果与观测协变量的联合分布可跨人群不同,但缺失协变量给定观测变量的条件分布不变。方法上,作者提出增强迁移回归学习,将重要性加权估计方程与缺失协变量一阶、二阶矩的插补项结合,得到双重稳健估计量:密度比模型或两个插补模型之一正确时仍一致。当所有 nuisance 模型正确时,估计量达到 n^{1/2} 一致性和渐近正态性,并达到半参数效率界。该工作为跨人群迁移学习提供了严格的统计理论框架,对因果推断中的外部效度问题有直接启示。
- 关键技术:
importance-weighted estimating equations,imputation models,doubly robust estimation,semiparametric efficiency bound,cross-population transfer learning - 为什么对您有用: 直接连接因果推断中的外部效度与缺失数据识别问题,且其双重稳健与效率界结果属于半参数理论核心。可用 very_familiar 的估计理论在因果推断中的工具(如 influence function 推导)验证其效率界推导,或将其识别条件与 proximal CI 的 negative control 设定对比。立即可做:基于现有半参数工具复现其效率界;中期可做:若想推广到高维协变量,需在 moderately_familiar 的 HOIF 上长肌肉。
5. 10.1093/jrsssb/qkag119 · arXiv — Bounds for the regression parameters in dependently censored survival models¶
- 作者: Ilias Willems, Jad Beyhum, Ingrid Van Keilegom
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: KU Leuven
- 相关性 7/10 · novelty:
new_method - 摘要: 本文提出一个半参数模型,用于在删失机制假设极弱的情况下研究协变量对删失事件时间分布的影响。模型是部分识别的,作者获得了允许随时间变化的协变量效应的界,这些界可解释为经典置信区间。方法通过聚合协变量空间上的条件Peterson界来构造,作为特例可应用于Cox比例风险模型,同时完全不需要指定删失分布及其与感兴趣时间的依赖关系。模拟研究展示了良好的有限样本性能,并在经济学和医学数据上进行了应用。所有方法已实现为R包depCensoring。
- 关键技术:
partial identification,Peterson bounds,semiparametric model,Cox proportional hazards model,time-dependent effects - 为什么对您有用: 本文属于因果推断中删失数据处理的识别与估计问题,与您的primary interest中的causal inference(特别是纵向和删失数据)直接相关。您可以用very_familiar的估计理论(如M-estimation)来审视其界估计的有限样本性质,或探索将部分识别框架与proximal causal inference结合的可能性。
6. 10.1093/jrsssb/qkag117 · arXiv — Asymptotic inference with flexible covariate adjustment under rerandomization and stratified rerandomization¶
- 作者: Bingkai Wang, Fan Li
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of Michigan · Yale University
- 相关性 7/10 · novelty:
new_theory - 摘要: 本文在 rerandomization 和分层 rerandomization 的随机化分配机制下,研究灵活协变量调整估计量的渐近推断问题。作者针对一类广泛的 M-估计量(包括 g-computation、广义线性回归、双重稳健方法)以及基于数据自适应机器学习的有效估计量,建立了渐近理论。核心发现是:在简单随机化和 rerandomization 下,任何 M-估计量的渐近线性性和影响函数保持不变,但 rerandomization 可能导致非高斯渐近分布;若在最终估计量中适当调整 rerandomization 变量,则可恢复渐近正态性。这些结果被推广到分层 rerandomization,并证明了基于机器学习的有效估计量在 rerandomization 下仍具有半参数有效性。模拟和集群随机实验的重分析验证了理论结果。对您而言,该文将 rerandomization 设计与现代半参数效率理论结合,为因果推断中的随机化实验设计提供了新的理论视角。
- 关键技术:
rerandomization,M-estimation,influence function,semiparametric efficiency,data-adaptive machine learning,asymptotic normality - 为什么对您有用: 该文直接关联您的因果推断和半参数效率理论兴趣,特别是随机化实验中的协变量调整与有效估计。您可以用 very_familiar 的 M-估计理论和影响函数工具来验证其渐近结果,或进一步探索 rerandomization 下的有限样本性质。中期可做:结合您 moderately_familiar 的 HOIF 理论,研究高阶影响函数在 rerandomization 下的表现。
7. 10.1093/jrsssb/qkag130 · arXiv — Modelling positive and unlabelled data with a generalized additive density ratio model¶
- 作者: Peijun Sang, Yifan Sun, Qinglong Tian, Donglin Zeng, Pengfei Li
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of Waterloo · University of Michigan
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究正例与未标注(PU)数据的学习问题,其中只有部分正例被标注,其余正例与负例混合。经典指数倾斜模型通过线性结构保证可识别性,但在真实关系非线性时可能严重误设。作者提出广义可加密度比框架,在保持可识别性的同时允许非线性和特征特定效应。方法配有实用拟合算法和支撑理论,可对混合比例及其他感兴趣量进行估计和推断。模拟和真实数据分析表明,在线性模型正确时该方法与标准指数倾斜方法相当,在非线性时则明显更优。总体而言,该框架在灵活性和可解释性之间取得平衡,为PU数据提供估计、预测和不确定性评估的原则性工具。对您而言,该工作与因果推断中的选择偏差和缺失标签问题相关,其密度比建模思路可迁移到proximal CI或mediation分析中的nuisance函数估计。
- 关键技术:
generalized additive density ratio model,identifiability under nonlinearity,mixture proportion estimation,profile likelihood,sieve estimation - 为什么对您有用: 该论文直接关联您的因果推断兴趣,特别是处理选择偏差和标签缺失问题;其密度比框架可视为一种灵活的nuisance建模工具,您可以用very_familiar的非参数统计和估计理论来评估其sieve估计的收敛性,或将其与proximal CI中的bridge函数估计对比。中期可做:若想深入理论,需在semiparametric theory上加强(moderately_familiar),以推导其效率界。
高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶
1. 10.1093/jrsssb/qkag125 · arXiv — CP-factorization for high-dimensional tensor time series and double projection iterations¶
- 作者: Jinyuan Chang, Guanglin Huang, Qiwei Yao, Long Yu
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: Chinese Academy of Sciences · Southwestern University of Finance and Economics · Academy of Mathematics and Systems Science · London School of Economics and Political Science · Shanghai University of Finance and Economics
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究高维张量时间序列的CP分解,目标是识别和估计因子载荷矩阵。作者提出一种基于序列相关结构的矩阵特征分析的one-pass估计程序,在因子载荷向量线性独立的一般条件下建立渐近性质,允许因子相关且载荷向量非近似正交。该方法能适应载荷向量的稀疏性,容纳弱因子,并在多种场景下表现良好。为进一步减小估计误差,作者引入基于新颖双投影思想的迭代算法,理论上证明了迭代估计量的改进收敛速度并推导了极限分布。文章还提供渐近方差的一致估计量,对相关推断问题至关重要。所有结果通过大量模拟和两个真实数据应用验证。
- 关键技术:
canonical polyadic (CP) decomposition,eigen-analysis,double projection iteration,weak factors,sparsity adaptation - 为什么对您有用: 本文属于高维统计与随机矩阵理论的应用,直接关联您的高维统计与随机矩阵理论兴趣;其one-pass特征分析方法和双投影迭代的收敛性分析,可用您熟悉的非参数统计和极小极大界工具来审视,中期可做的是将双投影思想与您的高阶U统计量计算框架结合,探索张量分解的计算复杂度。
非参数 / 半参数 (nonparam_semipara, 3 篇)¶
1. 10.1093/jrsssb/qkag111 · arXiv — Semiparametric fiducial inference for Cox models¶
- 作者: Yifan Cui, Jan Hannig, Paul Edlefsen
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: Zhejiang University · University of North Carolina at Chapel Hill · Fred Hutch Cancer Center
- 相关性 7/10 · novelty:
new_theory - 摘要: 本文首次将 fiducial 推断引入半参数统计框架,以 Cox 比例风险模型为具体载体,目标是构造回归系数的 fiducial 分布并用于推断。方法上,作者将 Cox 模型的累积风险函数视为 nuisance 参数,利用非参数极大似然估计(NPMLE)或 Breslow 估计量,结合 fiducial 推断的广义逆思想,构造出半参数 fiducial 分布。理论部分证明了所提 fiducial 分布具有渐近正确性,即其置信区间在正则条件下达到名义覆盖。数值实验表明,在最大似然估计失效的情形(如分离数据或小样本)下,所提方法表现尤为稳健。此外,文章还讨论了其他半参数模型(如加速失效时间模型)的扩展。对您而言,本文连接了半参数效率理论与 fiducial 推断这一较少交叉的领域,其构造 nuisance 参数的方式与您熟悉的 semiparametric theory 和 M-estimation 有直接对话空间。
- 关键技术:
fiducial inference,Cox proportional hazards model,nonparametric maximum likelihood estimation,Breslow estimator,generalized inverse,asymptotic validity - 为什么对您有用: 本文属于半参数理论的新方向,直接关联您的 primary interest 中的 semiparametric & nonparametric theory 和 efficiency theory。您可以用 very_familiar 的 semiparametric theory 工具(如 influence function、渐近线性展开)来审视其 fiducial 分布的一阶渐近性质,并进一步探索其与高效估计量的关系。中期可做:若想深入其计算方面,需在 moderately_familiar 的 M-estimation 理论上加强。总体而言,这是一个值得展开读的新颖理论贡献。
2. 10.1093/jrsssb/qkag114 · arXiv — Deep learning with missing data¶
- 作者: Tianyi Ma, Tengyao Wang, Richard J Samworth
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of Cambridge · London School of Economics and Political Science
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究协变量缺失下的多元非参数回归问题,目标是估计回归函数 E(Y|X),其中 X 的部分分量可能缺失。作者提出模式嵌入神经网络(PENNs),该方法可与任意现有插补技术结合:除在插补数据上训练的主神经网络外,还将观测指示向量输入第二个神经网络以学习紧凑表示,最后通过第三个网络组合输出。核心理论假设观测模式可划分为若干单元,且每个单元上的贝叶斯回归函数属于组合型 Hölder 类;在此假设下,作者给出了对任意缺失机制成立的有限样本超额风险界,并结合互补的极小极大下界,证明 PENN 估计量在典型情形下达到与单元划分已知时相同的极小极大收敛速率(至多相差样本量的多对数因子)。数值实验在模拟、半合成和真实数据上表明,PENN 一致地优于未嵌入模式的标准神经网络,且常提升显著。该方法对您可能有用,因为它将非参数回归与组合结构假设结合,并提供了清晰的有限样本理论,可联系到您的非参数/半参数理论兴趣,尤其是组合型函数类的极小极大分析。
- 关键技术:
pattern embedded neural networks,compositional Hölder class,finite-sample excess risk bound,minimax lower bound,missing data imputation - 为什么对您有用: 该论文属于非参数回归与缺失数据交叉领域,直接关联您的非参数/半参数理论兴趣,特别是组合型函数类的极小极大速率分析。您可以用 very_familiar 的极小极大界工具来检验其速率是否紧,或探索将模式嵌入思想推广到半参数估计(如缺失协变量下的 ATE 估计)。中期可做:需在 moderately_familiar 的 HOIF 上提升,以处理缺失数据下的高阶影响函数。
3. 10.1093/jrsssb/qkag121 · arXiv — Quantiles on global non-positive curvature spaces¶
- 作者: Ha-Young Shin, Hee-Seok Oh
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: Soongsil University · Seoul National University
- 相关性 5/10 · novelty:
new_method - 摘要: 本文在 Hadamard 空间(全局非正曲率空间)上提出几何分位数的概念,目标是定义分布特征、检测异常值并检验分布相等性。作者给出了分位数损失函数的梯度条件,并证明了强相合性和联合渐近正态性。计算方法采用双曲空间上的梯度下降算法,并详细说明了实现步骤。通过变换-逆变换过程进行异常值检测,并用于检验分布相等性。模拟和真实生物数据展示了方法的实用性。对您而言,该文将非参数统计中的分位数概念推广到非欧几何空间,可能为您的非参数理论兴趣提供新的几何视角。
- 关键技术:
geometric quantiles,Hadamard spaces,gradient descent,asymptotic normality,transformation-retransformation - 为什么对您有用: 该文属于非参数统计理论,直接关联您的非参数与半参数理论兴趣,特别是分位数估计在非欧空间中的推广。您可以用非常熟悉的最小极大界工具来评估其渐近结果的最优性,或探索其在高维数据中的应用。中期可做:结合您的半参数理论,考虑在流形数据上建立半参数效率界。
效率理论 / Debiased ML (efficiency_dml, 1 篇)¶
1. 10.1093/jrsssb/qkag127 · arXiv — Optimal inference of the mean outcome under optimal treatment regime¶
- 作者: Shuoxun Xu, Xinzhou Guo
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: Hong Kong University of Science and Technology · University of California, Berkeley
- 相关性 8/10 · novelty:
new_theory - 摘要: 本文研究最优治疗策略(OTR)下平均结局的推断问题,目标是在 OTR 非唯一(非正则)时仍能进行有效且最优的推断。经典方法假设估计的 OTR 与真实 OTR 相同,在正则性假设被违反时会产生偏差。作者通过对估计的 OTR 进行自适应平滑来消除偏差,并提出了一个在正则性满足与否下均有效的推断过程。他们推导了针对 OTR 下平均结局的稳健渐近线性无偏估计量的渐近方差下界,并证明所提估计量达到该下界,从而建立了非正则情形下的效率最优性理论。该方法在 ACTG 175 试验数据上进行了演示。对您而言,本文在非正则参数下推导效率界并构造最优估计的思路,与您在半参数效率理论和去偏机器学习方面的兴趣直接相关。
- 关键技术:
adaptive smoothing,semiparametric efficiency bound,asymptotically linear estimator,nonregularity,optimal treatment regime - 为什么对您有用: 本文直接涉及半参数效率理论中的非正则推断问题,属于您 primary interest 中 efficiency theory 和 semiparametric theory 的核心交叉点。您可以用 very_familiar 的 minimax 界和半参数理论来审视其方差下界的推导是否紧,并考虑将自适应平滑思想推广到其他非正则估计问题。中期可做:若想深入其估计量的构造细节,需在 moderately_familiar 的 semiparametric theory 上进一步巩固。
数理统计 / 假设检验 (hypothesis_testing, 4 篇)¶
1. 10.1093/jrsssb/qkag116 · arXiv — False discovery rate control with compound p-values¶
- 作者: Rina Foygel Barber, Richard J Samworth
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of Chicago · University of Cambridge
- 相关性 7/10 · novelty:
new_theory - 摘要: 本文研究多重检验中复合 p 值(compound p-values)的 FDR 控制问题,其中复合 p 值仅要求在所有真实原假设上平均满足超均匀性,而非逐点成立。作者分析 Benjamini–Hochberg 过程应用于复合 p 值时的 FDR 表现:在独立性假设下,证明 FDR 至多为 1.93α,并构造分布使 FDR 达到 76α;若所有原假设均为真,上界可改进为 α+2α²,下界为 α+α²/4。在正相依情形下,FDR 可能被放大 O(log m) 倍。文中给出多个复合 p 值自然出现的实际场景,如信息不足无法构造非平凡 p 值,或为获得更高效检验而使用复合 p 值。该工作为多重检验中放宽 p 值假设提供了理论边界,对假设检验方向有直接参考价值。
- 关键技术:
compound p-values,Benjamini-Hochberg procedure,false discovery rate,superuniformity,worst-case analysis - 为什么对您有用: 直接关联您的主要兴趣之一——假设检验,具体是多重检验的 FDR 控制。您非常熟悉的 minimax 界和 worst-case 分析工具可用于验证本文的常数界是否紧,或探索其他相依结构下的 FDR 上界。中期可做:若想推广到更一般的相依结构,需在 empirical process 或 concentration inequality 上加强(属 moderately_familiar 的 M-estimation 理论范畴)。
2. 10.1093/jrsssb/qkag120 — Knockoff inference under privacy constraints¶
- 作者: Zhanrui Cai, Yingying Fan, Lan Gao
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of Hong Kong · University of Southern California · University of Tennessee at Knoxville
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究在差分隐私约束下的 Model-X knockoff 变量选择问题,目标是同时保证有限样本 FDR 控制和隐私保护。作者提出一个通用框架,将差分隐私机制融入 knockoff 构造过程,并证明所提方法在满足 ε-差分隐私的同时,仍能保持原始 Model-X knockoff 的精确 FDR 控制性质。在功效分析方面,文章建立了充分条件,使得为隐私保护而加入的噪声不会在渐近意义上损害选择功效。通过数值实验和实际应用,展示了该方法在低维和高维设定下均能有效实现隐私保护的变量选择。该工作为隐私保护下的高维推断提供了新的理论保证,对您在高维统计与假设检验方向的研究有直接参考价值。
- 关键技术:
Model-X knockoff,differential privacy,FDR control,power analysis,high-dimensional inference - 为什么对您有用: 本文属于高维统计与假设检验的交叉方向,直接关联您对 FDR 控制和变量选择的理论兴趣。您可以用 very_familiar 的高维渐近工具(如 minimax 界)来检验其功效损失条件是否紧,或探索将差分隐私噪声与更高阶 U-统计量结合的可能性,属于立即可做的方向。
3. 10.1093/jrsssb/qkag084 · arXiv — On the statistical analysis of grouped data: when Pearson χ2 and other divisible statistics are not goodness-of-fit¶
- 作者: Sara Algeri, Estate V Khmaladze
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of Minnesota · Victoria University of Wellington
- 相关性 6/10 · novelty:
new_theory - 摘要: 本文研究分组数据(grouped data)的统计检验问题,指出在大量分组(bins)导致频数稀疏的设定下,传统可加统计量(如 Pearson χ2、似然比、谱统计量)并非有效的拟合优度检验。作者提出一个统一框架,将这类可加统计量纳入同一分析体系,并研究其在局部(contiguous)备择下的功效。核心结果表明,在稀疏分组情形下,大多数现有检验可被改进为更有效的检验,且没有任何基于可加统计量的检验能构成真正的拟合优度检验。文章还构造了分布自由的拟合优度检验。该工作对高维稀疏分类数据的假设检验理论有直接贡献,并与您对 hypothesis testing 和 high-dimensional statistics 的兴趣高度相关。
- 关键技术:
divisible statistics,Pearson chi-square,likelihood ratio,spectral statistics,contiguous alternatives,distribution-free tests - 为什么对您有用: 本文属于 hypothesis testing 方向,直接关联您对数学统计与假设检验的兴趣。其稀疏分组设定与高维统计中的稀疏性问题相通,您可以用 very_familiar 的 minimax 理论来审视其功效界是否最优,或用 higher-order U-statistics 的视角分析其统计量的高阶性质。该文是立即可读并可能引发后续工作的理论文章。
4. 10.1093/jrsssb/qkag083 · arXiv — Structural classification of locally stationary time series based on second-order characteristics¶
- 作者: Chen Qian, Xiucai Ding, Lexin Li
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of California, Davis · University of California, Berkeley
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究基于二阶时域特征的局部平稳时间序列的二分类问题。方法利用局部平稳过程的 AR 逼近,不要求训练样本量,并证明当两类序列的二阶特征仅轻微差异时,分类错误率渐近为零。数值模拟显示该方法优于基于小波、树、卷积以及深度学习的多种现有方法,并在癫痫脑电数据分类中验证了实用性。
- 关键技术:
autoregressive approximation,locally stationary time series,second-order characteristics,classification - 为什么对您有用: 本文属于假设检验/分类框架,与您的高维统计和统计计算兴趣相关;其 AR 逼近和渐近理论可联系到您的非参数/半参数理论。技术上,您可用非常熟悉的非参数统计和 minimax 工具来审视其分类误差率的最优性,属于中期可做(需在时间序列渐近理论上稍作补充)。
统计计算 / 算法 (stat_computing, 3 篇)¶
1. 10.1093/jrsssb/qkag126 · arXiv — An optimal transport-based generative model for Bayesian posterior sampling¶
- 作者: Ke Li, Wei Han, Yuexi Wang, Yun Yang
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of Illinois Urbana-Champaign · University of Maryland, College Park
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究贝叶斯推断中从具有不可计算归一化常数的后验分布采样的计算问题。作者在传输映射生成模型框架下,提出一类受最优传输(OT)约束的传输映射,通过约束优化学习从参考分布到目标后验的确定性映射。该方法利用OT映射的结构性质,能够高效生成大量独立且高质量的后验样本,并支持连续及混合离散-连续参数空间,针对潜变量模型和近高斯后验有专门适配。除计算优势外,该框架还基于OT导出的多元秩和分位数提供新的贝叶斯探索性分析与可视化工具。通过多个模拟研究和真实数据分析验证了方法的有效性。对您而言,本文属于统计计算方向,其OT映射与生成模型结合的思想可能对您在高维或复杂模型中的计算问题有启发。
- 关键技术:
optimal transport,transport map,generative model,constrained optimization,posterior sampling,multivariate ranks and quantiles - 为什么对您有用: 本文属于统计计算方向,与您的主要兴趣(统计计算)直接相关。您熟悉的非参数统计和软件工程技能可用于复现或扩展其算法;但核心的OT理论可能需要补充学习。作为计算方法的创新,值得关注,但并非您核心理论方向的突破。
2. 10.1093/jrsssb/qkag082 — Optimized annealed sequential Monte Carlo samplers¶
- 作者: Saifuddin Syed, Alexandre Bouchard-Côté, Kevin Chern, Arnaud Doucet
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of British Columbia · University of Oxford
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究退火序贯蒙特卡洛(ASMC)采样器,其目标是在平滑分布路径上估计归一化常数。作者基于归一化常数估计量的方差建立性能模型,系统研究了稠密调度极限,并由此提出全局势垒(global barrier)概念,刻画了该性能模型下归一化常数近似的内在复杂度。他们将理论近似转化为算法性能的替代目标函数,用于指导方法开发,提出了优化退火SMC(OASMC)算法。OASMC 具有可预测性:在确定已知时间产生一系列精度递增的估计;其特例优化退火重要性采样(OAIS)在粒子数上内存成本恒定,通信需求显著降低。这些特性使 OAIS 在 GPU 上高效运行,作者提供了开源高性能 GPU 实现,相比最先进的自适应 AIS 方法实现了高达百倍的加速。对您而言,该文属于统计计算方向,其 GPU 实现和自适应调度策略可能对您的高维统计计算或软件工作有启发。
- 关键技术:
annealed sequential Monte Carlo,normalizing constant estimation,adaptive importance sampling,GPU computing,variance-based performance model - 为什么对您有用: 本文属于统计计算(stat_computing)方向,与您的 primary interest 中的 statistical computing 直接相关。您可以用 very_familiar 的软件开发技能评估其 GPU 实现,并考虑将自适应调度思想迁移到您自己的计算问题中。中期可做:若想深入理解其理论,需在 moderately_familiar 的 M-estimation 理论上稍作加强。
3. 10.1093/jrsssb/qkag113 — Fully decentralized inference for spatial data using low-rank models¶
- 作者: Jianwei Shi, Sameh Abdulah, Ying Sun, Marc G Genton
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: King Abdullah University of Science and Technology
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对大规模空间数据,提出了一种完全去中心化的参数推断框架,用于空间低秩模型(如固定秩克里金)。核心难点在于观测间的空间依赖性使得对数似然无法分解为各节点独立求和,从而阻碍了去中心化优化。作者利用证据下界(ELBO)构造了新的目标函数,使其可分解,并采用结合多共识和动态共识平均的块下降方法进行优化。理论部分证明了在真实参数附近目标函数的凸性,保证了收敛性,并首次给出了该估计量在空间低秩模型下的一致性和渐近正态性结果。模拟和真实数据实验验证了方法的稳健性和可扩展性。对您而言,该文展示了如何将统计计算中的分布式优化技术(如共识平均)与空间统计模型结合,其理论分析框架(凸性证明、渐近性质)与您的统计计算和渐近理论兴趣直接相关。
- 关键技术:
evidence lower bound (ELBO),decentralized optimization,block descent method,multi-consensus averaging,dynamic consensus averaging,fixed-rank kriging - 为什么对您有用: 该文属于统计计算方向,与您的 primary interest 中的 statistical computing 直接相关。它展示了如何利用 ELBO 分解似然,从而在分布式环境下进行推断,并提供了完整的渐近理论。您可以用 very_familiar 的软件开发和数值方法技能来复现或扩展其算法,例如实现更高效的共识协议或处理更复杂的空间协方差结构。中期可做:若要深入分析其收敛速度或与集中式方法的效率比较,可能需要补充对分布式优化理论(如共识算法的收敛分析)的熟悉,这属于 moderately_familiar 之外的领域。
其他 (other, 6 篇)¶
1. 10.1093/jrsssb/qkag124 · arXiv — Optimal federated learning for functional mean estimation under heterogeneous privacy constraints¶
- 作者: T Tony Cai, Abhinav Chakraborty, Lasse Vuursteen
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of Pennsylvania · Columbia University · Duke University
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究联邦学习框架下函数型均值估计的最优性问题,设定为离散采样数据且各服务器在个体数、测量数和隐私参数上异构,并区分共同设计与独立设计两种采样方案。目标是估计潜在的均值函数,在本地差分隐私约束下刻画估计误差的 minimax 上下界。方法上提出达到隐私-精度最优权衡的算法,并证明其最优性,揭示共同设计与独立设计在分布式隐私约束下的本质差异。理论结果通过模拟和健康与退休研究中的 BMI 轨迹真实数据加以验证。对您而言,本文属于函数型数据与分布式隐私估计的交叉,虽非您核心兴趣,但其 minimax 下界技术(如 Le Cam 方法)与您熟悉的 minimax 理论有相通之处。
- 关键技术:
federated learning,local differential privacy,functional mean estimation,minimax lower bounds,Le Cam method - 为什么对您有用: 本文属于函数型数据与分布式隐私估计的交叉,虽非核心兴趣,但其 minimax 下界技术(如 Le Cam 方法)与您熟悉的 minimax 理论有相通之处。作为统计计算方向的延伸,可关注其算法实现;但方法学迁移性有限,暂不建议深读。
2. 10.1093/jrsssb/qkag129 — Meta Fusion: a unified framework for multimodal fusion with adaptive mutual learning¶
- 作者: Ziyi Liang, Annie Qu, Babak Shahbaba
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of California, Santa Barbara · University of California, Irvine
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出 Meta Fusion,一个统一多模态融合的灵活框架,将早期、中期和晚期融合策略作为特例。该方法受深度互学习和集成学习启发,基于多种潜在表示组合构建模型群,并通过软信息共享提升预测性能。模型对潜在表示的学习是模型无关的,能适应各模态特性。理论上,软信息共享机制可降低泛化误差,并开发了具有严格覆盖保证的不确定性量化框架。实证研究在阿尔茨海默病检测和神经解码等任务中优于传统方法。对您而言,该文的不确定性量化框架与您对假设检验和效率理论的兴趣有一定关联,但整体方法偏向深度学习应用,与您的主要研究方向交集有限。
- 关键技术:
multimodal fusion,deep mutual learning,ensemble learning,soft information sharing,uncertainty quantification - 为什么对您有用: 本文属于统计机器学习应用,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。但其不确定性量化框架(覆盖保证)与您的假设检验兴趣有微弱联系,可作为了解多模态融合前沿的入门读物。武器库足以理解其理论部分,但无需深入。
3. 10.1093/jrsssb/qkag112 · arXiv — Regression by composition¶
- 作者: Daniel M Farewell, Rhian M Daniel, Mats J Stensrud, Anders Huitfeldt
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: Ghent University · University of Toronto · Shanghai Jiao Tong University
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出一种模块化回归框架,称为“回归组合”(regression by composition),其中协变量依赖的变换通过群作用组合并作用于概率分布。该框架基于向量空间的群作用,这类变换族计算方便且适合建模和推断。协变量对每个群作用的贡献通过相应的线性映射量化,这些线性映射是唯一需要估计的模型参数。群作用的代数性质(特别是其不变子集)能反映回归模型的局部统计性质。向量空间在仿射空间上的作用提供了比较分布的最小几何结构,仿射变换刻画了可折叠对比(collapsible contrasts)。作者通过两个实际数据分析展示了如何将非常规模型表达为组合回归,包括插值个体婴儿生长曲线和生成标准人群生长图表的非线性模型,以及为HIV抗逆转录病毒治疗定制机制驱动的二元回归模型。
- 关键技术:
group actions,vector space actions,affine transformations,collapsibility,modular regression - 为什么对您有用: 该论文属于统计建模与计算方向,与您的统计计算兴趣相关,但并非核心的因果推断或高维理论。它提供了一种灵活的建模框架,可能对您处理复杂数据结构的应用有启发。作为入门读物,它解释了群作用在回归中的应用,但需要一定的代数背景。武器库中的非参数统计和M估计理论足以理解其推断部分,但群作用代数可能不是您熟悉的领域。值得花时间阅读全文以了解其建模灵活性,但方法学新颖性一般。
4. 10.1093/jrsssb/qkag123 · arXiv — The partial K function¶
- 作者: Jake P Grainger, Tuomas A Rajala, David J Murrell, Sofia C Olhede
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: École Polytechnique Fédérale de Lausanne · Natural Resources Institute Finland · University College London
- 相关性 4/10 · novelty:
application - 摘要: 本文在空间点过程框架下提出 partial K 函数,目标是刻画多类型点过程中某两类点之间的交互,同时控制其他类型点的影响。该方法在其余点与目标点独立时退化为经典 K 函数,保持了可解释性。作者通过模拟和实例展示 partial K 函数能揭示被传统 K 函数掩盖的依赖结构,并讨论了偏差校正与超参数选择。还扩展了协变量调整版本,并在 Lansing Woods 数据集上演示。对您而言,该文属于空间统计的应用方法,与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但其中对依赖结构的分解思路或可类比于条件独立/混杂控制的概念。
- 关键技术:
spatial point process,K function,partial dependence,bias correction,covariate adjustment - 为什么对您有用: 本文属于空间统计应用,与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但其中对依赖结构的分解思路或可类比于条件独立/混杂控制的概念。作为 gateway reading,本文对空间点过程领域外人士较为友好,但方法学深度有限,不值得优先投入时间。
5. 10.1093/jrsssb/qkag115 · arXiv — Exact Bayesian inference for Markov switching diffusions¶
- 作者: Timothée Stumpf-Fétizon, Krzysztof Łatuszyński, Jan Palczewski, Gareth Roberts
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: Bocconi University · University of Warwick · Wrocław University of Science and Technology
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对离散观测的马尔可夫切换扩散模型,提出了首个精确贝叶斯推断方法。该模型允许瞬时漂移和波动率随潜在连续时间马尔可夫过程跳跃,目标是推断扩散参数和潜在状态过程的精确后验。方法基于 MCMC 和 MCEM 算法,通过引入潜在跳跃时间等辅助变量,实现对连续时间模型的精确后验采样,误差仅来自蒙特卡洛。数值实验表明,其计算成本与离散近似方法相当,但避免了离散化偏差。对您而言,本文属于统计计算与算法设计方向,与您的主要兴趣(统计计算)有交集,但并非核心领域。
- 关键技术:
Markov chain Monte Carlo,MCEM algorithm,exact posterior inference,auxiliary variable methods,regime switching diffusions - 为什么对您有用: 本文属于统计计算与算法设计方向,与您的主要兴趣(统计计算)有交集,但并非核心领域。作为入门读物,它展示了如何通过辅助变量实现精确推断,但武器库(如 MCMC 理论)并非您最熟悉的领域。若您对计算统计的算法设计感兴趣,可作中期阅读,但暂不可做直接跟进。
6. 10.1093/jrsssb/qkag099 · arXiv — Recursive learning without collapse: a weighting-based stabilization framework¶
- 作者: Hengzhi He, Shirong Xu, Guang Cheng
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 机构: University of California, Los Angeles · Xiamen University
- 相关性 4/10 · novelty:
new_method - 摘要: 本文研究递归生成模型训练中的模型崩溃现象,提出一个加权训练框架,在每轮迭代中结合新采集的真实数据和上一轮生成的合成数据。作者在高斯分布估计、广义线性模型和非参数估计等设定下,理论刻画了合成数据混合比例与加权方案对最终模型性能的影响。核心发现是,不同设定下最优加权方案渐近地遵循一个统一表达式,揭示了利用合成数据与模型性能之间的基本权衡;在某些情形下,真实数据的最优权重恰为黄金比例的倒数。作者通过大量模拟和一个真实表格数据集验证了理论结果。该工作属于生成模型训练策略的统计理论分析,与您的主要兴趣(因果推断、高维统计等)无直接交集,但其中非参数估计的最优加权分析可能对您理解数据混合下的估计效率有参考价值。
- 关键技术:
weighted training,model collapse,asymptotic analysis,nonparametric estimation,generalized linear models - 为什么对您有用: 本文属于生成模型训练策略的统计理论,与您的主要兴趣(因果推断、高维统计等)无直接交集,但其中非参数估计的最优加权分析可能对您理解数据混合下的估计效率有参考价值。作为统计理论文章,其渐近分析框架与您的非参数/半参数理论背景有方法上的可读性,但并非核心方向。
Maintained by 陈星宇 · Homepage · Source on GitHub