JCGS · 2026-10-12¶
- 共 29 篇 · Journal of Computational and Graphical Statistics
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 JCGS 的 29 篇论文可大致归为四条主线:高维图模型与多重检验(约 5 篇)、网络数据建模与推断(约 6 篇)、贝叶斯计算与采样方法(约 6 篇)、以及大规模/流式数据下的计算与估计(约 8 篇)。其余零散工作涉及成分数据降维、函数型张量、GAN 插补等,主题较为分散。高维与检验方向集中在精度矩阵估计、分布式 FDR 控制、离散 p 值合并;网络方向则从动态图建模、链接预测到图相关性检验均有覆盖;计算方向以 ABC、粒子滤波、ADMM 和子抽样为主。
最突出的一条主线是高维图模型与多重检验的交叉。Spatial-Sign 一文用空间符号协方差近似处理重尾分布下的稀疏精度矩阵估计,给出 SCLIME 和 SGLASSO 两种估计器,并延伸到椭圆图模型与 LDA;Directional FDR 一文则在分布式数据下结合 debiased 估计量控制符号错误发现率,强调隐私约束下渐近功效趋于 1。两篇均以精度矩阵为对象,但一个侧重稳健估计、一个侧重推断控制,形成互补。此外,Optimal Adjustment 将离散 p 值合并问题纳入最优传输框架,统一处理多种经典合并方法,并讨论与 UMP 检验的效率关系;Conformal Link Prediction 则把共形推断与 FDR 控制结合,处理部分观测网络的缺失链接问题,其 e 值聚合方案可适应任意依赖结构。这四篇共同展示了从估计、检验到预测的完整链条,且都涉及高维或复杂依赖下的误差控制。
另一条值得注意的主线是网络数据的动态建模与表示学习。Dynamic Random Dot Product Graphs 一文用 Gibbs 后验实现动态网络的贝叶斯更新,强调计算复杂度与观测边数线性;Functional Tensor Model 则假设各层共享公共不变子空间,用函数型 Tucker 分解处理多层动态网络,并支持缺失数据;Representation Learning of Dynamic Networks 将 FDA 引入网络嵌入,使节点表示连续化,支持插值。三篇均处理动态网络,但分别从贝叶斯、张量分解和函数型三个角度切入,方法工具差异明显。若关注网络数据的统计推断,RKHS-Based Latent Position Random Graph Correlation 一文用核方法检验两个图的潜在位置相关性,并给出渐近分布,可作为该主线的补充。
贝叶斯计算与采样方面,Frankenfilter 针对粒子滤波中条件似然为零的失效问题,提出部分存活粒子的无偏估计器,在异常值下效率提升 2–3 倍;ABC with Correlated Random Numbers 则通过非中心化参数化与相关随机数改善 ABC 的接受率,适用于潜变量模型。两篇都试图缓解采样方法在极端情形下的计算瓶颈,但切入点不同——前者改粒子滤波,后者改 ABC。大规模数据计算主线中,Moment-Assisted Subsampling 将均匀子抽样与样本矩结合,在 Cox 模型下达到接近全数据偏似然的效率;Simultaneous Feature- and Sample-Splitting ADMM 则针对秩回归的二次计算复杂度,用分布式 ADMM 缓解内存限制。这两篇都关注计算约束下的效率权衡,适合对大规模统计推断感兴趣的读者。
若按主题优先阅读:因果推断方向虽无直接论文,但 Directional FDR 与 Conformal Link Prediction 的误差控制框架可迁移至因果效应的多重检验;半参数/非参方向可看 Bayesian Penalized Transformation Models(结构化加性位置-尺度回归)与 Adaptive Mode Learning(非平稳流式众数估计,含极小极大最优率);高维方向则以 Spatial-Sign 和 Optimal Adjustment 为入口。
高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶
1. 10.1080/10618600.2026.2743036 — Spatial-Sign based Robust Sparse Precision Matrix Estimation and its Applications¶
- 作者: Zhengke Lu, Long Feng
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Nankai University · Department of Mathematical Sciences
- 分类: pp 1-31
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究高维重尾分布下逆形状矩阵的稳健稀疏估计问题。作者观察到在高维情形下,协方差矩阵可被空间符号协方差矩阵乘以常数近似,基于此提出两种新方法:SCLIME(空间符号约束L1逆矩阵估计)和SGLASSO(空间符号图形套索估计)。在温和正则条件下,建立了与现有估计量一致的收敛速率。方法被应用于椭圆图形模型和线性判别分析两个经典问题。大量模拟和真实数据表明,在正态数据下与现有方法相当,在重尾分布下表现更优。
- 关键技术:
spatial-sign covariance,graphical lasso,CLIME,inverse shape matrix,heavy-tailed robustness - 为什么对您有用: 本文属于高维统计与稳健估计的交叉,与您的高维统计兴趣直接相关;其核心思想(利用空间符号协方差近似)可视为一种非参数变换,可能用您熟悉的非参数统计工具(如U统计量投影)分析其高阶性质。从问题发现角度看,可中期尝试:用您 moderately_familiar 的 HOIF 理论分析该估计量的高阶影响函数,以改进有限样本性质;目前暂不可做的是将方法推广到非椭圆分布并建立 minimax 最优性,这需要更精细的浓度不等式工具。
非参数 / 半参数 (nonparam_semipara, 3 篇)¶
1. 10.1080/10618600.2026.2703269 · arXiv — Bayesian Penalized Transformation Models: Structured Additive Location-Scale Regression for Arbitrary Conditional Distributions¶
- 作者: Johannes Brachem, Paul F. V. Wiemann, Thomas Kneib
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Göttingen · The Ohio State University
- 分类: pp 1-16
- 相关性 6/10 · novelty:
new_method - 摘要: 本文提出贝叶斯惩罚变换模型(PTM),一种半参数位置-尺度回归族,直接估计响应的条件分布,并通过结构化加性预测器建模位置和尺度。模型核心是单调递增的变换函数,将响应分布映射到参考分布,并配以平滑先验来正则化估计分布与参考的偏离。PTM 可视为条件变换模型与 GAMLSS 之间的桥梁,MCMC 推断为条件分布和协变量效应提供直接的不确定性量化。模拟研究展示了方法的有效性,并与多种替代方法比较;应用涉及荷兰第四次生长研究和 Framingham 心脏研究。完整实现以 Python 库提供。对您而言,该文的半参数建模与贝叶斯推断框架,以及结构化加性预测器,与您的 semiparametric theory 和 statistical computing 兴趣直接相关,可作为扩展建模工具箱的参考。
- 关键技术:
penalized transformation models,structured additive predictors,location-scale regression,Bayesian MCMC inference,smoothness priors - 为什么对您有用: 本文属于半参数回归建模,直接连接您的 semiparametric & nonparametric theory 兴趣;其贝叶斯 MCMC 实现和 Python 库与您的 statistical computing 兴趣相关。从问题发现角度,您可用 very_familiar 的软件开发和 M-estimation 理论来审视其计算效率或扩展其变换函数形式;属于中期可做,需在 semiparametric theory 上稍加熟悉以深入理论性质。
2. 10.1080/10618600.2026.2709742 · arXiv — Principal Component Analysis in Bayes Spaces for Sparsely Sampled Density Functions¶
- 作者: Lisa Steyer, Sonja Greven
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Humboldt-Universität zu Berlin
- 分类: pp 1-12
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对稀疏采样密度函数,提出一种在 Bayes 空间中进行函数型主成分分析(FPCA)的新方法。传统两步法先估计密度再作 FPCA,在每密度样本量小或异质时误差大;本文直接利用观测数据,将潜在密度视为隐变量,在最大似然框架下建模。利用中心化对数比(clr)变换,Bayes 空间与 L^2 子空间等距同构,从而将约束问题转化为无约束函数型主成分分析。估计采用 Monte Carlo EM(MCEM)算法,同时处理隐变量与函数型主成分的估计。方法适用于密度数据的探索性分析、降维以及改进预处理。应用包括柏林夏季最高日气温分布(70 年)和慕尼黑各区租金价格分布。
- 关键技术:
Bayes spaces,centered log-ratio transformation,functional principal component analysis,Monte Carlo Expectation Maximization,latent variable model - 为什么对您有用: 本文属于非参数函数型数据分析,与您的 semiparametric/nonparametric theory 兴趣相关,且 MCEM 算法涉及统计计算。但方法学核心(Bayes 空间、FPCA)与您的主要武器库(U-statistics、因果推断、RMT)交集有限,可作为了解密度数据函数型分析方法的入门读物。
3. 10.1080/10618600.2026.2708056 — Adaptive Mode Learning for Nonstationary Streaming Data¶
- 作者: Tao Wang
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Victoria
- 分类: pp 1-22
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对非平稳流式数据提出自适应条件众数估计框架,目标是在分布漂移下稳健估计给定协变量的最可能结果,区别于传统均值或分位数估计。估计器采用指数加权观测的递归核密度更新,实现有界内存的实时计算;为适应时间漂移,引入基于预测差异的带宽自适应机制和交叉验证的遗忘策略在线调参。理论上,在平稳和非平稳设定下建立了逐点和一致相合性、非渐近误差界,并在 Hölder 类上达到极小极大最优收敛率;从在线学习角度,推导了次线性累积遗憾界,并通过匹配的极小极大下界确认最优性。方法对重尾噪声稳健,且能局部适应未知光滑度。模拟和共享单车需求数据应用展示了实用适应性和预测精度。对您而言,该文的在线核密度估计与自适应带宽机制可迁移到您熟悉的非参数统计和流式因果推断中的时变 nuisance 估计问题。
- 关键技术:
recursive kernel density estimation,exponentially weighted observations,prediction-discrepancy-driven bandwidth adaptation,cross-validated forgetting,minimax optimality over Hölder classes,sublinear regret bound - 为什么对您有用: 该文属于非参数统计与在线学习交叉方向,直接连接您的 primary interest 中的非参数/半参数理论,以及统计计算中的实时算法。您可用 very_familiar 的非参数极小极大界工具验证其收敛率是否紧,并考虑将自适应带宽机制引入纵向因果推断中的时变 nuisance 估计。中期可做:需在 moderately_familiar 的 M-估计理论上稍加延伸以处理非平稳相依数据。
数理统计 / 假设检验 (hypothesis_testing, 6 篇)¶
1. 10.1080/10618600.2026.2719786 — Directional False Discovery Rate Control via Distributed Procedures for Gaussian Graphical Models¶
- 作者: Eugen Pircalabelu, Ensiyeh Nezakati
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: UCLouvain
- 分类: pp 1-11
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究高斯图模型条件独立性的多重检验问题,目标是在分布式数据(K 个本地样本)下控制 directional false discovery rate(dFDR),即关注估计符号的错误发现率。由于隐私限制无法聚合数据,作者基于 debiased 和 distributed 估计量构造检验统计量,并证明在正则条件下所提过程能渐近控制 dFDR 于任意预设水平,且在精度矩阵非零元条件下渐近功效趋于 1。方法结合了分布式推断与多重检验,并通过模拟和真实数据验证了有限样本表现。对您而言,该文将高维图模型推断与 FDR 控制结合,且涉及 debiased 估计,与您的效率理论和假设检验兴趣相关。
- 关键技术:
debiased estimator,distributed estimation,directional false discovery rate,multiple testing,Gaussian graphical model - 为什么对您有用: 该文属于假设检验方向,具体涉及高维图模型中的多重检验和分布式推断,与您的高维统计和假设检验兴趣直接相关。您可以用 very_familiar 的高维渐近工具(如 debiased 估计的收敛性分析)来审视其 dFDR 控制证明的严密性,或考虑将方法推广到其他图模型。中期可做:若想深入分布式推断的通信效率问题,需在 moderately_familiar 的 M-estimation 理论上加强。
2. 10.1080/10618600.2026.2732157 · arXiv — Optimal Adjustment and Combination of Independent Discrete p -Values¶
- 作者: Gonzalo Contador Revetria, Zheyang Wu
- 期刊/来源: Journal of Computational and Graphical Statistics
- 分类: pp 1-63
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究离散 p 值的合并检验问题,目标是在多个独立离散检验的设定下构造有效的合并统计量并控制 Type I error。作者扩展了基于最优传输的框架,通过最小化变换后离散零分布与连续模拟之间的 Wasserstein 距离,构造连续替代分布。该框架统一处理了 Fisher、Pearson、George、Stouffer 和 Edgington 等经典合并方法。理论分析和模拟表明,当调整后的离散统计量方差与连续情形接近时,能实现准确的 Type I error 控制。进一步,当似然比检验是合并统计量的单调函数时,所提近似能达到与 UMP 检验相当的检验功效。方法在罕见变异病例对照遗传关联研究中得到应用,并实现于 R 包 DPComb。对您而言,该工作将最优传输与假设检验结合,为离散数据下的检验问题提供了新视角,与您的假设检验兴趣直接相关。
- 关键技术:
optimal transport,Wasserstein distance,p-value combination,discrete p-values,likelihood ratio test,Type I error control - 为什么对您有用: 该论文直接涉及您的 primary interest 中的 hypothesis testing,特别是离散 p 值合并这一经典但具挑战性的问题。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来审视其方差匹配条件的紧性,或探索最优传输框架在更复杂离散结构下的推广。立即可做:基于现有框架进行数值模拟验证;中期可做:将 Wasserstein 距离方法与其他离散校正方法(如 mid-p)进行理论对比。
3. 10.1080/10618600.2026.2719794 · arXiv — Conformal Network Link Prediction with False Discovery Rate Control Under Unstructured Missingness¶
- 作者: Wenqin Du, Wanteng Ma, Dong Xia, Yuan Zhang, Wen Zhou
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Southern California · University of Pennsylvania · Hong Kong University of Science and Technology · The Ohio State University · New York University
- 分类: pp 1-11
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究部分观测网络中的多重缺失链接预测问题,目标是在控制错误发现率(FDR)的同时预测缺失链接,这是网络分析中一个尚未解决的挑战。主要难点在于处理复杂依赖和未知的缺失机制。作者提出了一种基于加权图模型交换性结构的分布自由方法——共形链接预测,通过新颖的多重分割策略在局部测试集内恢复交换性,从而在未知缺失机制下保证行级 FDR 控制。为实现对所有缺失链接的全局 FDR 控制,进一步开发了基于 e 值的聚合方案,可适应网络预测间的任意依赖。该方法不要求缺失率假设,适用于加权、无权、无向和二部网络,并具有有限样本理论保证。大量模拟和真实数据研究证实了方法的有效性和稳健性。对您而言,该方法将共形推断与多重检验结合,为高维网络数据中的假设检验提供了新工具,与您的假设检验和高维统计兴趣直接相关。
- 关键技术:
conformal prediction,false discovery rate control,e-values,graphon models,multi-splitting,exchangeability - 为什么对您有用: 本文属于假设检验方向,具体涉及网络数据中的多重检验与FDR控制,与您的高维统计和假设检验兴趣直接相关。您熟悉的非参数统计和极小极大界工具可用于分析其有限样本保证的紧性,例如检验其行级FDR控制是否在更弱假设下仍成立。中期可做:需先熟悉共形推断的细节(属于 moderately_familiar 的 M-estimation 理论范畴),但核心思想可迁移。
4. 10.1080/10618600.2026.2703276 · arXiv — Generative Conformal Prediction Under Covariate Shift¶
- 作者: Cheng Li, Siming Zheng, Yuanyuan Lin
- 期刊/来源: Journal of Computational and Graphical Statistics
- 分类: pp 1-9
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究协变量偏移下监督学习预测区间的构建问题,目标是保证新输入点的覆盖有效性。方法上,作者提出一种深度生成式共形预测方法:先在源数据上训练条件生成器,再用深度神经网络估计源与目标数据之间的边际密度比,进而计算加权共形分数并估计条件分位数。理论贡献包括非渐近的上下覆盖有效性界,并缓解了维度灾难问题。模拟和真实数据实验表明该方法优于现有方法。对您而言,其加权共形分数与密度比估计的结合,与您在高维统计和假设检验方面的兴趣相关,但方法本身更偏向预测而非因果推断。
- 关键技术:
conformal prediction,covariate shift,density ratio estimation,deep generative model,weighted conformity scores - 为什么对您有用: 本文属于假设检验与预测区间构建的交叉领域,与您对 hypothesis testing 的兴趣相关;其密度比估计和加权共形分数可视为一种分布偏移下的校准方法。从武器库看,您可用 very_familiar 的非参数统计和 minimax 界工具来审视其覆盖界的紧性,属于立即可做的方向。
5. 10.1080/10618600.2026.2652933 · arXiv — RKHS-Based Latent Position Random Graph Correlation¶
- 作者: Xiaoyi Wen, Junhui Wang, Liping Zhu
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Renmin University of China · Chinese University of Hong Kong
- 分类: pp 1-21
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究两个潜在位置随机图(latent position random graph)之间相关性的检验问题,目标是在图数据上检验两个图的潜在位置是否相关。作者提出基于核方法的检验统计量,并利用邻接矩阵的谱分解进行估计,无需指定核函数即可使样本图协方差收敛到总体版本。他们推导了样本协方差的渐近分布,并设计了基于置换检验的独立性检验程序,证明了检验的一致性和有效性。估计方法可推广到归一化拉普拉斯矩阵谱分解和非齐次随机图。模拟和真实数据实验均展示了方法的良好表现。对您而言,该文将图相关检验与核方法、谱分解结合,属于假设检验在高维非欧数据上的新应用,可连接您对假设检验和统计计算(谱分解算法)的兴趣。
- 关键技术:
kernel method,spectral decomposition of adjacency matrix,permutation test,graph covariance,latent position random graph - 为什么对您有用: 该文属于假设检验方向,具体是图数据上的相关性检验,与您对 hypothesis testing 的兴趣直接相关。您可以用 very_familiar 的高维渐近和核方法工具来审视其检验统计量的渐近性质,或考虑其与 U-statistics 的联系(图协方差可视为某种 U-statistic),中期可做:若想深入图模型的极限理论,需在随机图模型(如 inhomogeneous random graph)上补充知识,这属于 moderately_familiar 之外的领域。总体而言,这是一篇方法学论文,值得一读。
6. 10.1080/10618600.2026.2652918 — Sequential Bootstrap for More Powerful Similarity Test¶
- 作者: Zengjing Chen, Linglong Kong, Xiaodong Yan, Donglin Zeng, Ce Zhang, Guodong Zhang
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Shandong University · University of Alberta · Xi'an Jiaotong University · University of Michigan · Shandong University of Finance and Economics
- 分类: pp 1-13
- 相关性 4/10 · novelty:
new_method - 摘要: 本文研究相似性检验(similarity test),用于评估生物类似药与原研药在药代/药效指标上的等效性,目标是检验绝对临床差异是否小于预设等效界值。传统方法需同时检验左右两个单边假设(因缺乏先验知识),而本文提出序贯自助法(sequential bootstrap),在重采样数据中自适应地选择数据支持的单一零假设,从而构造更针对性的检验统计量,提高功效。作者推导了检验统计量的渐近分布:原假设下为带零处尖峰密度的 bandit 分布,备择假设下为双正态分布。数值实验验证了理论结果,并展示了相比传统检验的显著功效提升。对您而言,该文将 bootstrap 与自适应假设选择结合,属于假设检验领域的新方法,且其渐近分布推导(bandit 分布)可能对您在高维或非参数检验中的思路有启发。
- 关键技术:
sequential bootstrap,adaptive hypothesis selection,bandit distribution,asymptotic distribution theory,similarity test - 为什么对您有用: 本文属于假设检验方向,直接对应您的主要兴趣之一。其核心创新在于用序贯重采样自适应选择零假设,这涉及多重检验和自适应方法的理论,您可以用您熟悉的非参数统计和渐近理论来审视其有效性。此外,bandit 分布的推导可能对您在高维或随机矩阵背景下的检验问题有参考价值。
统计计算 / 算法 (stat_computing, 14 篇)¶
1. 10.1080/10618600.2026.2709001 · arXiv — Efficient Log-Rank Updates for Random Survival Forests¶
- 作者: Erik Sverdrup, James Yang, Michael LeBlanc
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Monash University · Stanford University · University of Washington · Fred Hutch Cancer Center
- 分类: pp 1-7
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对随机生存森林中标准 log-rank 分裂准则的计算瓶颈,提出常数时间的更新算法。在右删失数据下,每个候选分裂点的 log-rank 统计量通常需要 O(M) 时间重新计算(M 为节点内不同事件时间数),在大规模队列数据上成为训练瓶颈。作者重新审视 LeBlanc 和 Crowley (1995) 的近似,推导出简单的常数时间更新公式,并在 grf 的 R 包中实现。实验表明,该方法在大数据集上显著减少训练时间,同时保持预测精度。对您而言,这是一个统计计算与算法优化的具体案例,与您对统计计算和算法效率的兴趣直接相关,且实现开源可复现。
- 关键技术:
log-rank splitting criterion,constant-time updates,random survival forests,right-censoring,grf package - 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 的软件开发和算法分析能力快速理解其更新机制,并评估其在大规模数据上的扩展性。这是一个立即可做的入门级阅读,无需额外工具。
2. 10.1080/10618600.2026.2734226 · arXiv — Statistical Theory of Multi-stage Newton Iteration Algorithm for Online Continual Learning¶
- 作者: Xinjia Lu, Chuhan Wang, Qian Zhao, Lixing Zhu, Xuehu Zhu
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: City University of Hong Kong · Xi'an Jiaotong University · Beijing Normal University · Beijing Normal University, Zhuhai
- 分类: pp 1-25
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对在线持续学习中的非平稳数据流问题,提出一个统计视角下的持续学习框架。该框架对所有模型参数引入随机效应,并允许参数维度发散至无穷,为持续学习问题提供了通用表述。为高效处理流式数据,作者开发了多步牛顿迭代算法,通过减轻矩阵求逆负担来降低计算成本。理论上,他们推导了估计量的渐近正态性,支持后续统计推断。通过合成数据实验和两个真实数据集分析验证了方法的有效性。对您而言,该算法与您熟悉的统计计算和M估计理论相关,其多步迭代思想可能启发您在高维或U统计量计算中的算法设计。
- 关键技术:
multi-step Newton iteration,random effects model,online learning,asymptotic normality,high-dimensional parameters - 为什么对您有用: 本文属于统计计算方向,与您的统计计算兴趣直接相关。其多步牛顿迭代算法可视为一种计算技巧,您可以用您非常熟悉的M估计理论来审视其收敛性,或用您的高阶U统计量计算经验来分析其计算复杂度。中期可做:若想深入,需在在线学习或随机优化方面稍作补充(属于moderately_familiar的M估计理论可支撑初步分析)。
3. 10.1080/10618600.2026.2739978 · arXiv — Bayesian mixture modeling using a mixture of finite mixtures with normalized inverse Gaussian weights¶
- 作者: Fumiya Iwashige, Shintaro Hashimoto
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Hiroshima University
- 分类: pp 1-26
- 相关性 5/10 · novelty:
new_method - 摘要: 本文在贝叶斯混合模型框架下,针对未知分量数的有限混合模型(MFM),提出用归一化逆高斯(NIG)权重替代对称 Dirichlet 权重作为混合权重的先验,以增强对权重分布的稳健性,避免浓度参数选择对后验推断的敏感影响。方法上,通过引入潜在变量,采用分块 Gibbs 采样实现后验计算,无需可逆跳跃算法,并进一步扩展到动态 MFM,澄清了与 telescoping sampling 的关系。数值实验和真实数据(聚类、密度估计、社区检测)展示了所提方法的性能。对您而言,本文属于统计计算方向,其计算策略(潜在变量引入、分块 Gibbs)与您熟悉的软件开发和算法设计兴趣相关,但方法学新颖性有限,主要是对现有 Dirichlet 权重的替代性改进。
- 关键技术:
mixture of finite mixtures,normalized inverse Gaussian weights,blocked Gibbs sampling,telescoping sampling,dynamic MFM - 为什么对您有用: 本文属于统计计算方向,与您的 statistical computing 兴趣相关,但并非核心方法学突破。您可以用 very_familiar 的软件开发和算法设计能力快速复现其 Gibbs 采样流程,评估 NIG 权重在实际数据中的稳健性增益。中期可做:若想深入,需在 moderately_familiar 的 M-estimation 理论上补强,以分析其收敛性质。暂不可做:本文不涉及您武器库之外的核心机制,因此可立即阅读并判断是否值得借鉴其计算技巧。
4. 10.1080/10618600.2026.2718766 · arXiv — Optimal Combination of Composite Likelihoods Using Approximate Bayesian Computation with Application to State-Space Models¶
- 作者: Wentao Li, Rosabeth White, Dennis Prangle
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Manchester · Newcastle University · University of Bristol
- 分类: pp 1-14
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对复合似然(CL)方法中权重选择任意和后验不确定性校准不足的问题,提出在近似贝叶斯计算(ABC)框架下使用多个复合得分汇总统计量进行推断。对于可识别、低至中等维度的参数模型,作者将同分布的次得分分批以控制汇总维度,并证明了批内等权重的最优性,使得基于汇总的后验在估计函数类中达到最优的 Godambe 信息。当边际似然无闭式时,提出用大小为 N 的 Monte Carlo 样本估计所有伪数据的边际得分,理论表明额外噪声可忽略且计算成本与数据规模线性。还提出自适应选择复合得分分量的方案,并分析了汇总统计量异质收敛速率下 ABC 的渐近行为。数值实验显示新方法显著优于现有贝叶斯复合似然方法,在所选分量捕捉主要依赖结构时可接近全似然效率。对您而言,该方法将 ABC 与复合似然结合,为状态空间模型等复杂似然场景提供了计算可行的贝叶斯推断路径,与您统计计算和计算约束统计的兴趣相关。
- 关键技术:
composite likelihood,approximate Bayesian computation (ABC),Godambe information,Monte Carlo score estimation,adaptive summary selection - 为什么对您有用: 本文属于统计计算方向,涉及 ABC 和复合似然的结合,与您的统计计算兴趣直接相关;同时其计算成本分析和自适应选择机制可作为计算约束统计的入门案例。从武器库看,您对软件开发和数值方法熟悉,可立即复现其算法;但若要深入分析其渐近理论,需补充 ABC 和估计方程方面的知识,属于中期可做。
5. 10.1080/10618600.2026.2703747 — NBDO: An Autoencoder-Based Algorithm for Efficient Optimal Experimental Design in High-Dimensional Settings¶
- 作者: Theodoros Ladas, Kalliopi Mylona, Davide Pigoli
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: King's College London
- 分类: pp 1-13
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对高维最优实验设计(OED)中传统算法(如坐标交换法 CE)计算代价过高的问题,提出 NeuroBayes Design Optimizer (NBDO) 算法。该方法将自编码器与贝叶斯优化结合,在压缩的潜在空间中搜索设计,直接优化 A-最优性准则。在二阶响应面模型和标量-函数线性模型两类代表性模型上,NBDO 在多种场景下达到 97–99% 以上的效率,同时相比 CE 及其 JMP 实现大幅缩短运行时间。结果表明,基于神经网络的方法可作为传统搜索算法的可扩展替代方案,尤其适用于函数型输入或因子数较多的场景。对您而言,该工作属于统计计算方向,其降维搜索思路与您熟悉的计算工具(如 einsum 优化)有潜在结合点,但方法本身并非您核心兴趣的理论突破。
- 关键技术:
autoencoder,Bayesian optimization,A-optimality,coordinate exchange,latent space search - 为什么对您有用: 该论文属于统计计算(statistical computing)方向,与您的 primary interest 中的统计计算和算法相关。您可以用 very_familiar 的软件开发和计算工具(如 einsum 优化)来复现或扩展其降维搜索策略,但核心方法(自编码器+贝叶斯优化)并非您武器库中的强项,因此属于中期可做:需先熟悉贝叶斯优化和自编码器的实现细节。
6. 10.1080/10618600.2026.2732167 · arXiv — Scalable Fitting Methods for Multivariate Gaussian Additive Models with Covariate-dependent Covariance Matrices¶
- 作者: Vincenzo Gioia, Matteo Fasiolo, Ruggero Bellio, Simon N. Wood
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Trieste · University of Bristol · University of Udine · University of Edinburgh
- 分类: pp 1-30
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对多元高斯加性模型提出可扩展的计算方法,其中均值向量和协方差矩阵均随协变量变化,并在经验贝叶斯框架下进行拟合。为保证协方差矩阵正定,作者对无约束参数化矩阵建模,重点采用修正Cholesky分解和矩阵对数。核心计算挑战在于参数数量随响应向量维度二次增长,因此本文通过利用稀疏模型结构、稀疏导数系统和分块计算方法,实现中等高维下的快速计算和低内存占用。方法在SCM R包中实现,并提供了复现实验的代码。对您而言,该文展示了在高维参数化模型中结合稀疏结构和分块计算来突破计算瓶颈的实用策略,与您统计计算和算法方向的兴趣直接相关。
- 关键技术:
modified Cholesky decomposition,matrix logarithm,sparse derivative systems,block-oriented computation,empirical Bayes - 为什么对您有用: 本文属于统计计算方向,直接对应您的主要兴趣“statistical computing (numerical methods, algorithm)”。您可以用 very_familiar 的软件开发和数值方法经验,快速评估其分块计算和稀疏导数策略的通用性;中期可做的是将类似稀疏结构思想迁移到您熟悉的高维估计问题中。
7. 10.1080/10618600.2026.2703277 — Simultaneous Feature- and Sample-Splitting ADMM for Penalized Rank Regression¶
- 作者: Yifan Jiang, Songshan Yang, Le Bao, Runze Li
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Pennsylvania State University · Renmin University of China
- 分类: pp 1-10
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对高维惩罚秩回归的计算可扩展性问题,提出同时进行特征分裂和样本分裂的 ADMM 算法。秩回归通过响应变量和协变量的成对差构造中位数回归,导致计算复杂度随样本量二次增长,且内存需求大。作者在并行框架下将原问题分解为多个子问题,每个子问题仅需处理部分特征和样本,从而缓解单机内存限制。理论上,在温和条件下证明了算法生成的系数序列收敛到唯一的原始最小化器。模拟研究表明,所提算法在估计精度和处理内存限制方面优于现有方法。对您而言,该工作属于统计计算方向,其分布式 ADMM 框架与您熟悉的软件开发和算法设计技能直接相关,可作为大规模稳健回归计算的一个实用参考。
- 关键技术:
ADMM,feature splitting,sample splitting,parallel computing,penalized rank regression,convergence analysis - 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。您可以用 very_familiar 的软件开发技能复现其算法,并评估其在大规模数据上的实际性能;同时,其分布式优化思想可能启发您在高阶 U-统计量计算中引入并行化策略。
8. 10.1080/10618600.2026.2711783 · arXiv — A new framework for non-stationary spatio-temporal data fusion of multi-fidelity models¶
- 作者: Pietro Colombo, Fabio Sigrist, Claire Miller, Ruth O’Donnell, Xiaochen Yang, Paolo Maranzano
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Glasgow · ETH Zurich · Seminar for Statistics · Fondazione Eni Enrico Mattei · University of Milano-Bicocca
- 分类: pp 1-27
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出一个可扩展的多保真高斯过程(MFGP)时空数据融合框架,支持完全基于似然的平稳与非平稳保真度集成推断,面向环境应用中大量有噪低保真数据(如卫星或再分析产品)与稀疏精确高保真原位观测的融合。核心方法贡献是分解的多保真协方差结构,使得 Vecchia 近似可直接应用于潜在低保真和差异过程,结合基于 Woodbury 的重建,无需构造完整多保真协方差矩阵即可数值稳定且高效地计算联合边际似然。此外,引入带保真度特定偏移的广义最小二乘(GLS)均值去除策略,防止系统偏差被吸收进交叉保真度依赖。通过合成数据和大规模意大利伦巴第地区风速重建应用验证,所提 Vecchia 基 MFGP 在受控设置下接近精确多保真推断,并在预测精度、相关性和局部变异性表示上显著优于标准单保真时空高斯过程。对您而言,该文展示了如何将稀疏近似(Vecchia)与矩阵恒等式(Woodbury)结合以突破计算瓶颈,与您统计计算和算法兴趣直接相关,且其 GLS 均值去除策略对因果推断中的偏差处理也有启发。
- 关键技术:
multi-fidelity Gaussian processes,Vecchia approximation,Woodbury matrix identity,generalized least squares (GLS),likelihood-based inference,spatio-temporal modeling - 为什么对您有用: 该文属于统计计算方向,直接连接您的 primary interest 中的 statistical computing(数值方法、算法)。其核心是计算可扩展性:通过 Vecchia 近似和 Woodbury 恒等式避免构造大协方差矩阵,这正是您 very_familiar 武器库中软件开发和数值方法的用武之地。您可以立即评估其计算复杂度与精度权衡,甚至考虑将类似分解思想应用于高维 U-统计量的计算。中期可做:若想深入,需在稀疏高斯过程近似(如 Vecchia)上加强,这属于 moderately_familiar 的 M-估计理论范畴。
9. 10.1080/10618600.2026.2702530 · arXiv — Moment-Assisted Subsampling Method for Cox Proportional Hazards Model with Large-Scale Data¶
- 作者: Miaomiao Su, Ruoyu Wang
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Beijing University of Posts and Telecommunications · Harvard University
- 分类: pp 1-24
- 相关性 5/10 · novelty:
new_method - 摘要: 针对大规模生存数据下 Cox 比例风险模型的计算瓶颈(尤其含时变协变量时),提出一种 moment-assisted 子抽样估计方法。该方法将计算高效的均匀子抽样估计量与全数据易算的样本矩信息相结合,构造新的估计量。理论证明该估计量渐近正态,且渐近方差在 Loewner 序下小于均匀子抽样估计量。进一步推导出使渐近方差最小的最优样本矩,采用该最优矩时估计效率可与基于全数据的偏似然估计相媲美,同时保留子抽样的计算优势。模拟与真实数据验证了有限样本下估计与计算效率的优越性。对您而言,该方法属于大规模数据下统计计算与效率权衡的典型问题,与您对统计计算和计算约束下统计推断的兴趣直接相关。
- 关键技术:
subsampling,Cox proportional hazards model,moment-assisted estimation,asymptotic variance minimization,Loewner order - 为什么对您有用: 本文属于统计计算方向,直接对应您 primary interests 中的 statistical computing 与 computational-statistical tradeoff 主题。您可用 very_familiar 的软件开发和估计理论工具快速复现其算法,并检验其最优矩推导是否可推广到其他半参数模型(如加速失效时间模型)。中期可做:结合您 moderately_familiar 的 semiparametric theory 分析其效率界是否达到半参数有效界。暂不可做:无需额外工具。
10. 10.1080/10618600.2026.2719812 · arXiv — An Enhanced Projection Pursuit Tree Classifier with Visual Methods for Assessing Algorithmic Improvements¶
- 作者: Natalia da Silva, Dianne Cook, Eun-Kyung Lee
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Universidad de la República de Uruguay · Monash University · Ewha Womans University
- 分类: pp 1-11
- 相关性 4/10 · novelty:
application - 摘要: 本文针对投影寻踪树分类器(projection pursuit tree classifier)提出增强版本,并开发可视化诊断方法来评估算法改进的实际效果。原算法限制树的深度小于类别数,在类别间协方差结构不等或非线性分离的多分类问题中过于僵化。增强版允许更多分裂和更灵活的类别分组,从而提升复杂多分类场景下的性能。作者强调提出算法改进容易,但验证其真实效用困难,因此设计了两种高维可视化诊断方法,在基准数据集上检查模型拟合是否符合理论预期。此外,他们还开发了交互式网页应用,让用户在受控场景下对比原版与增强版分类器的行为。所有增强功能已实现于 CRAN 上的 R 包 PPtreeExt 中。对您而言,本文展示了如何用可视化手段验证算法改进的有效性,与您统计计算方向中对算法实现与验证的兴趣相关。
- 关键技术:
projection pursuit,tree classifier,high-dimensional visualization,interactive web application,R package development - 为什么对您有用: 本文属于统计计算与算法实现方向,与您的 primary interest 中 statistical computing 直接相关。它提供了一个具体案例:如何通过可视化诊断来验证算法改进的效用,而非仅凭理论或单一指标。从您的技术武器库看,您对软件开发和统计计算很熟悉,可以立即评估其 R 包 PPtreeExt 的实现质量,并思考可视化诊断方法是否可迁移到您自己的算法验证流程中。中期可做:若想深入其投影寻踪的优化细节,可能需要补充优化算法的知识(moderately_familiar 之外)。总体而言,这是一篇值得快速浏览的算法+可视化方法论文,但方法学新颖性一般。
11. 10.1080/10618600.2026.2732158 · arXiv — Robust, partially alive particle Metropolis-Hastings via The Frankenfilter¶
- 作者: Chris Sherlock, Andrew Golightly, Anthony Lee
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Lancaster University · Durham University · University of Bristol
- 分类: pp 1-40
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对隐马尔可夫模型中条件似然可能为零的情形,提出了一种新的粒子滤波方法——Frankenfilter,用于解决标准粒子滤波在异常观测或参数初值不佳时因所有粒子权重为零而失效的问题。该方法在固定模拟次数上下界的同时,以用户设定的成功次数为目标,生成部分存活的粒子,从而得到似然的无偏估计,适用于伪边际Metropolis-Hastings(PMMH)算法。作者证明,在异常值和错误初始参数下,基于Frankenfilter的PMMH比标准粒子滤波更稳健,且效率通常提高2-3倍。文中还给出了选择目标成功次数的建议,对于n个精确观测,建议目标为n次成功。该方法为计算统计中的粒子滤波和MCMC提供了一种新的稳健替代方案,对您从事统计计算和算法研究有直接参考价值。
- 关键技术:
particle filter,pseudo-marginal Metropolis-Hastings,unbiased likelihood estimation,alive particle filter,robustness to outliers - 为什么对您有用: 本文属于统计计算方向,直接对应您的主要兴趣之一。您对算法和数值方法熟悉,可立即评估其无偏性证明和效率改进是否可迁移到其他粒子滤波变体。中期可做:若想深入分析其计算复杂度与精度权衡,需在MCMC理论方面加强。
12. 10.1080/10618600.2026.2705296 — A New Sampling Method via Approximate Bayesian Computation with Correlated Random Numbers¶
- 作者: Hang Qian
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: MathWorks (United States)
- 分类: pp 1-10
- 相关性 4/10 · novelty:
new_method - 摘要: 本文提出一种新的采样方法,用于似然不可解或难以调参的分层/潜变量模型的贝叶斯推断。方法基于前向数据生成过程,无需直接评估似然即可实现精确后验采样。核心思想是将近似贝叶斯计算(ABC)与非中心化参数化结合,通过引入潜变量间的相关性来提高接受率和混合效率。作者从前向验证器出发,产生独立的后验样本,并利用相关随机数改善采样性能。在贝叶斯 Lasso、随机效应模型和随机波动率模型上的应用表明,该方法在恢复精确后验的同时获得了显著的计算收益。
- 关键技术:
Approximate Bayesian Computation (ABC),non-centered parameterization,correlated random numbers,forward data generative process,posterior sampling - 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。您可以用 very_familiar 的软件开发技能快速实现并验证该方法,中期可做的是将其与您 moderately_familiar 的 M-estimation 理论结合,分析其计算效率与统计效率的权衡。
13. 10.1080/10618600.2026.2714131 — Scalable balanced k -d tree construction for distributed data¶
- 作者: Aritra Chakravorty, William S. Cleveland, Patrick J. Wolfe
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Purdue University West Lafayette
- 分类: pp 1-18
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种在分布式数据集上构建 k-d 树的 scalable 方法,目标是在单次遍历中近似每次递归划分的中位数,从而支持大规模统计计算。算法基于 MapReduce 框架,实现 O(N) 构建时间和 O(1) 内存,适合 Spark 等分布式环境。作者给出了中位数近似质量的理论界,并通过模拟研究评估了准确性和可扩展性。最后,将该方法应用于分布式 M-估计回归,展示了实际效用。对您而言,该工作与统计计算中的算法设计相关,其近似中位数的思想可能对高维或大规模数据下的高效估计有启发。
- 关键技术:
k-d tree,MapReduce,median approximation,distributed computing,M-estimation - 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。您可以用 very_familiar 的软件开发和算法设计能力快速理解其实现,并评估其近似中位数策略在您熟悉的非参数或高维估计问题中的适用性。作为 gateway reading,本文对分布式计算入门友好,但方法学深度有限,值得快速浏览而非精读。
14. 10.1080/10618600.2026.2686821 · arXiv — GeoERM: Geometry-Aware Multi-Task Representation Learning on Riemannian Manifolds¶
- 作者: Aoran Chen, Yang Feng
- 期刊/来源: Journal of Computational and Graphical Statistics
- 分类: pp 1-12
- 相关性 3/10 · novelty:
new_method - 摘要: 本文提出 GeoERM,一种在黎曼流形上进行多任务表示学习的框架。传统 MTL 方法将共享表示视为欧氏空间中的点,忽略了其非欧几何结构,在任务异质或对抗性环境下鲁棒性不足。GeoERM 将共享表示嵌入其自然黎曼流形,并通过显式流形操作优化:每轮训练执行黎曼梯度步以尊重搜索空间的曲率,随后进行高效的极坐标回缩以保持在流形上,保证几何保真度。该方法适用于广泛的矩阵分解类 MTL 模型,相比现有 MTL 框架显著降低运行时间,同时保持每轮迭代成本竞争力。在合成实验(任务异质性)和两个真实数据集(可穿戴传感器活动识别、带污染的 MNIST)上,GeoERM 在估计精度、负迁移减少和对抗性标签噪声稳定性方面均优于主流 MTL 和单任务方法。
- 关键技术:
Riemannian gradient descent,polar retraction,multi-task representation learning,matrix factorization - 为什么对您有用: 本文属于统计计算方向,涉及流形优化算法,与您的统计计算兴趣相关。您可以用 very_familiar 的软件开发和数值方法技能,复现其算法并测试在您熟悉的因果推断或高维问题中的表现。作为 gateway reading,本文对统计学家友好,但方法本身与您的主要兴趣(因果推断、高维统计)关联较弱,属于中期可做的探索方向。
其他 (other, 5 篇)¶
1. 10.1080/10618600.2026.2714133 · arXiv — Generalized Bayesian Inference for Dynamic Random Dot Product Graphs¶
- 作者: Joshua Daniel Loyal
- 期刊/来源: Journal of Computational and Graphical Statistics
- 分类: pp 1-14
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对动态随机点积图(dynamic random dot product graph)模型提出一种广义贝叶斯推断框架,以解决现有文献中缺乏对潜在位置先验的连贯贝叶斯更新以及缺乏带不确定性量化的网络预测这两个缺陷。方法采用基于最小二乘损失函数的 Gibbs 后验,实现对贝叶斯信念的连贯更新,并在常用的高斯随机游走先验下建立了该后验的一致性和收缩率。估计方面,作者开发了快速 Gibbs 采样器,其采样潜在位置的时间复杂度与动态网络中的观测边数呈线性关系,显著快于现有精确采样器。模拟研究和国际冲突预测的应用表明,所提方法在样本内拟合和预测性能上均优于竞争方法。对您而言,本文属于网络数据分析的贝叶斯计算方法,与您的主要兴趣(统计计算、算法)有一定关联,但并非核心方向。
- 关键技术:
Gibbs posterior,random dot product graph,Gaussian random walk prior,contraction rate,Gibbs sampler - 为什么对您有用: 本文属于统计计算与网络模型的应用,与您的统计计算兴趣有部分重叠,但并非核心方向。作为入门读物,它展示了广义贝叶斯方法在复杂约束模型中的应用,但方法学深度有限。您的武器库(如 M-estimation 理论、非参数统计)足以理解其理论部分,但该主题对您的研究主线帮助不大,不建议投入时间精读。
2. 10.1080/10618600.2026.2737261 · arXiv — A Functional Tensor Model for Dynamic Multilayer Networks with Common Invariant Subspaces and the RKHS Estimation¶
- 作者: Runshi Tang, Runbing Zheng, Anru R. Zhang, Carey E. Priebe
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Wisconsin–Madison · Johns Hopkins University · Duke University
- 分类: pp 1-34
- 相关性 6/10 · novelty:
application - 摘要: 本文提出一种用于动态多层网络的函数型张量模型,核心假设是各层共享一个公共不变子空间(捕捉共同顶点结构),同时允许层间异质性和随时间平滑变化的动态。估计方法基于函数型张量 Tucker 分解与再生核希尔伯特空间(RKHS)框架,并设计了有效的初始化策略以提升计算效率。该方法可推广到更一般的函数型张量问题,并能处理缺失数据或未对齐观测。作者在模拟数据和两个真实数据集(Citi Bike 动态网络、国际食品贸易多层网络)上验证了方法的有效性,并展示了其在降维、社区检测、周期分析等下游任务中的应用。对您而言,该文的函数型张量分解与 RKHS 估计框架可能为高维网络数据的统计建模提供新视角,但其方法论与您的核心兴趣(因果推断、U-统计量、效率理论)关联较弱。
- 关键技术:
functional tensor Tucker decomposition,reproducing kernel Hilbert space (RKHS),common invariant subspace,dynamic multilayer networks,initialization strategy - 为什么对您有用: 本文属于统计计算与高维网络数据分析方向,与您的高维统计和统计计算兴趣有间接关联,但并非核心。作为 gateway reading,其函数型张量分解和 RKHS 估计方法可能对您在高维张量数据的计算问题上有启发,但武器库中的工具(如 U-统计量、einsum 复杂度)难以直接迁移。暂不可做:核心机器(函数型张量分解的渐近理论)不在您的武器库中,且该文更偏应用而非理论突破。
3. 10.1080/10618600.2026.2709007 — Mask-Aware Smoothness-Regularized GANs for Spatio-Temporal Data Imputation¶
- 作者: Qi Chen, Maozai Tian
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Renmin University of China · Changji University · Xinjiang University of Finance and Economics
- 分类: pp 1-18
- 相关性 4/10 · novelty:
application - 摘要: 本文针对生物医学等应用中时空数据的高缺失率与复杂缺失机制问题,提出基于 MISGAN 框架的掩码感知时空正则化生成对抗插补方法 ST-MISGAN。现有生成式插补方法虽能恢复观测数据分布,但未显式施加时空平滑性;而现有时空对抗插补模型多通过网络架构隐式编码时空依赖,且对缺失掩码利用较粗糙。ST-MISGAN 在 MISGAN 基础上引入显式的时空正则化,并联合建模观测数据与缺失掩码,以在复杂缺失机制下平衡分布恢复精度与下游任务性能。方法通过对抗训练隐式逼近目标分布,无需显式密度估计,适用于复杂时空分布。实验部分(摘要未详述)应展示其在插补精度与下游任务上的改进。对您而言,本文属于统计计算与生成模型的应用,与您的主要兴趣(因果推断、高维统计等)关联较弱,但可作为生成式插补方法的入门参考。
- 关键技术:
Generative Adversarial Networks,MISGAN,spatio-temporal regularization,missingness mask modeling,adversarial imputation - 为什么对您有用: 本文属于统计计算与生成模型的应用,与您的主要兴趣(因果推断、高维统计等)关联较弱,但可作为生成式插补方法的入门参考。
4. 10.1080/10618600.2026.2708993 · arXiv — Principal Subsimplex Analysis¶
- 作者: Hyeon Lee, Kassel Liam Hingee, Janice L. Scealy, Andrew T. A. Wood, Eric Grunsky, J. S. Marron
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of North Carolina at Chapel Hill · Australian National University · University of Waterloo
- 分类: pp 1-12
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对成分数据(位于单纯形中的数据)提出了一种新的降维方法——主子单纯形分析(Principal Subsimplex Analysis)。传统方法通常先进行 log-ratio 变换再应用 PCA,但该方法会放大次要变量的变异、无法直接处理含零数据,且难以捕捉单纯形上的线性模式。作者提出构造嵌套的、维度递减的子单纯形序列,类似于反向主成分分析,从而提供可解释的低维表示和线性变异模式。该方法无需修改即可直接应用于含零数据。作者在模拟数据和上新世晚期硅藻物种相对丰度数据上展示了方法的有效性,并提供了 R 实现。
- 关键技术:
compositional data analysis,principal component analysis,backwards PCA,nested simplices,zero handling - 为什么对您有用: 本文属于统计计算与降维方法,虽不直接对应您的主要兴趣(因果推断、高维统计等),但作为统计计算方向的算法创新,可能对您在统计计算(numerical methods, algorithm)方面的兴趣有参考价值。不过,其方法学核心(单纯形上的几何降维)与您的技术武器库(如 U-统计量、半参数理论)关联较弱,作为入门读物或方法学参考尚可,但不太可能直接催生后续研究。
5. 10.1080/10618600.2026.2705295 · arXiv — Representation Learning of Dynamic Networks¶
- 作者: Haixu Wang, Jiguo Cao, Jian Pei
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Calgary · Simon Fraser University · Duke University
- 分类: pp 1-40
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种动态网络的表示学习方法,将功能数据分析(FDA)引入网络嵌入,使节点表示定义在连续时间上,而非离散快照。方法通过拟合时间相关的函数表示,同时支持属性学习、社区检测和链接预测,并能插值观测时间点之间的边概率。作者设计了可扩展的估计算法,并在模拟和真实数据(蚂蚁社会网络)上验证了有效性,展示了生物学上合理的角色转换模式。该方法在保持表示学习能力的同时强调可解释性,为动态网络结构分析提供了统计框架。
- 关键技术:
functional data analysis,dynamic network embedding,community detection,link prediction,scalable estimation - 为什么对您有用: 本文属于统计计算与网络数据分析的交叉,与您的统计计算兴趣相关,但并非您的主要研究方向。作为入门读物,它展示了功能数据分析在网络动态建模中的应用,但方法学深度一般。您的武器库(如非参数统计、高维渐近)足以理解,但缺乏直接可迁移的切入点,暂不建议深入阅读。
Maintained by 陈星宇 · Homepage · Source on GitHub