JCGS — Vol 35 Issue 3 · 2026-10-16¶
- 共 26 篇 · Journal of Computational and Graphical Statistics
- 目录核对 ⚠️ 疑似漏 13 篇(对照 OpenAlex 39 篇):10.1080/10618600.2025.2580478、10.1080/10618600.2025.2602521、10.1080/10618600.2025.2592768、10.1080/10618600.2025.2581774、10.1080/10618600.2025.2590073 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 26 篇论文大致可归为四条主线:非参数检验与高维推断(图基独立性检验、矩阵均值检验、高维分位数回归迁移学习)、贝叶斯与变分计算(log-concave 密度后验、VARD、偏态变分推断、INLA 扩展、贝叶斯社会性模型)、大规模计算与优化(协方差平滑 TReK、流式 SVM、指数族因子分析、在线谱估计、约束贝叶斯优化)、以及应用驱动的方法开发(OD 矩阵预测、野火极值回归、临床试验设计、函数型数据增强等)。其中前两条主线在方法学上最为集中,后两条更偏算法与场景适配。
非参数检验与高维推断这条线最值得注意。图基独立性检验框架将最小生成树、最近邻图等方法统一为“先构图、再向量化”的两步范式,并在原假设下建立渐近分布,其与核/U 统计量的潜在联系可能为计算复杂度分析打开新口子。矩阵均值检验则通过最优投影利用低秩结构,在相关噪声下给出逐元素误差界,并处理了维度发散的情形——这与高维协方差估计的经典问题直接衔接。迁移学习方面的高维分位数回归论文,在信息集已知时给出 LASSO 型估计的误差界,未知时用假设检验筛选源数据,其去偏思路与高维推断的效率理论一脉相承。这三篇放在一起看,恰好覆盖了“检验统计量构造—结构利用—迁移效率”三个递进层次。
贝叶斯与变分计算这条线呈现出对后验近似精度的集中攻关。Martingale 后验分布一文将 log-concave 密度的 NPMLE 纳入贝叶斯框架,用 submartingale 收敛性保证后验存在性,绕开了 MCMC 的采样负担;偏态变分推断与 VARD 则分别从边际偏态校正和逐特征平滑性评估两个角度改进高斯近似的不足,前者嵌入 INLA 处理重尾似然,后者面向稀疏可加模型做变量选择。贝叶斯社会性模型对比了 MCMC 与变分推断在度异质性网络模型上的效率-精度权衡,可作为这一主线的应用注脚。若对后验近似的理论保证感兴趣,Martingale 后验一文最值得细读;若更关注计算可扩展性,偏态变分与 VARD 提供了可直接借鉴的算法模板。
与因果推断、半参数效率或高维理论最贴近的优先阅读顺序:图基独立性检验(非参检验与 U 统计量关联)、矩阵均值检验(低秩结构下的高维推断)、高维分位数回归迁移学习(去偏估计与误差界)、Martingale 后验(非参贝叶斯与形状约束的交汇)。其余论文多属计算或应用创新,方法学深度相对有限,但 TReK 协方差平滑与在线谱估计在流式数据场景下的设计,对处理大规模时间序列的同行也有参考价值。
高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶
1. 10.1080/10618600.2026.2628275 — Least Squares and Hypothesis Testing Based Transfer Learning for High-Dimensional Quantile Regression¶
- 作者: Kangning Wang, Xiaotong Zhu, Xiaofei Sun, Qi Sun, Shaomin Li
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Beijing Jiaotong University
- 分类: vol 35 · issue 3 · pp 1507-1522
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究高维分位数回归中的迁移学习问题,目标是在目标样本量有限而存在多个可能相关的源数据集时,利用源数据提升估计精度。在已知信息集(informative set)的设定下,作者提出基于LASSO最小二乘的分位数回归框架,并建立了估计误差界,该界优于仅用目标数据的估计。针对信息集未知的情形,提出基于假设检验的源数据集检测算法,并证明随着源数据量增大,错误排除可迁移源数据集的概率(即第一类错误)趋于零。计算上采用LARS算法以降低复杂度,数值实验验证了方法的有效性。对您而言,该文将高维分位数回归与迁移学习结合,其假设检验框架和误差界分析可能对您在高维统计与假设检验方面的兴趣有参考价值。
- 关键技术:
transfer learning,high-dimensional quantile regression,LASSO least squares,hypothesis testing based source detection,LARS algorithm - 为什么对您有用: 该文属于高维统计与假设检验的交叉方向,与您的高维统计和假设检验兴趣直接相关。您可以用您非常熟悉的高维渐近理论来审视其估计误差界是否紧,或用假设检验的工具分析其源检测算法的功效。中期可做:若想深入迁移学习的理论,需在 moderately_familiar 的 semiparametric theory 上加强。
非参数 / 半参数 (nonparam_semipara, 3 篇)¶
1. 10.1080/10618600.2026.2626382 — Distributed Nonparametric Regression with Heterogeneity Through Prediction-Based Aggregation¶
- 作者: Zhao Chen, Runze Li, Yikai Xu
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Fudan University · Pennsylvania State University
- 分类: vol 35 · issue 3 · pp 1407-1419
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究分布式非参数回归中,当各工作节点数据分布存在异质性时的估计问题。目标是在不共享原始数据、仅交换低维统计量的约束下,估计共同的非参数回归函数。作者提出一种基于预测性能的数据驱动加权聚合方法,利用各节点估计器的平方预测误差矩阵作为主要传输量,其维度为工作节点数的平方,从而保证通信效率。理论上证明了所提估计的权重在二次损失意义下渐近最优,并推导了数据驱动权重的极限分布。文章还研究了所提非参数函数估计的极小极大性质,并通过蒙特卡洛模拟和心率预测的真实数据案例验证了方法的有限样本表现。该方法为分布式异质环境下的非参数估计提供了一种通信高效且理论完备的聚合策略。
- 关键技术:
prediction-based weighted aggregation,squared prediction error matrix,distributed nonparametric regression,asymptotically optimal weights,minimax estimation - 为什么对您有用: 本文直接关联您的非参数统计与极小极大界这一核心兴趣,其加权聚合框架与您熟悉的估计理论在因果推断中的应用有相通之处。您可以用非常熟悉的非参数极小极大工具来检验其声称的最优权重是否达到最优收敛速率,或进一步分析其通信成本与统计效率的权衡。中期可做:若想将此法推广至异质因果效应估计,需在 moderately_familiar 的识别理论(如异质性处理效应)上先加强。
2. 10.1080/10618600.2026.2627458 · arXiv — Martingale Posterior Distributions for Log-Concave Density Functions¶
- 作者: Fuheng Cui, Stephen G. Walker
- 期刊/来源: Journal of Computational and Graphical Statistics
- 分类: vol 35 · issue 3 · pp 1471-1481
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对 log-concave 密度函数族,研究基于 NPMLE 的不确定性量化问题。传统上,log-concave 密度的 NPMLE 估计已有成熟算法,但其置信区间和贝叶斯后验推断发展不足。作者采用 martingale posterior distribution 框架,从 NPMLE 出发构造后验分布,避免了 MCMC 的复杂性。算法可并行实现,计算速度快。理论上,作者通过合适的 submartingale 收敛性证明了后验分布的存在性。数值实验和真实数据比较表明该方法与现有替代方法(如 MCMC 贝叶斯方法)表现相当或更优。对您而言,该文将非参数形状约束估计与贝叶斯不确定性量化结合,是 semiparametric/nonparametric theory 中一个有趣的新视角,且其并行算法设计值得关注。
- 关键技术:
martingale posterior distribution,nonparametric maximum likelihood estimator,log-concave density estimation,submartingale convergence,parallel computation - 为什么对您有用: 该文直接关联您的非参数/半参数理论兴趣,特别是形状约束密度估计的不确定性量化问题。您可尝试用您熟悉的非参数统计和 minimax 理论分析该后验的覆盖率和收缩率,检验其是否达到最优;也可考虑将 martingale posterior 方法推广到其他形状约束(如单调密度)或高维设定。中期可做:需先熟悉 martingale posterior 的细节,但核心工具(非参数估计、收敛性证明)已在您的武器库中。
3. 10.1080/10618600.2025.2612629 · arXiv — NeuroPMD: Neural Fields for Density Estimation on Product Manifolds¶
- 作者: William Consagra, Zhiling Gu, Zhengwu Zhang
- 期刊/来源: Journal of Computational and Graphical Statistics
- 分类: vol 35 · issue 3 · pp 1277-1290
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出一种基于神经网络的密度估计方法,适用于乘积黎曼流形域上的概率密度估计。网络直接参数化未知密度函数,并通过带惩罚的最大似然框架训练,惩罚项由流形微分算子构成。方法旨在缓解高维乘积流形上传统核估计和基展开估计的维数灾难,同时克服非专门设计的神经网络方法在流形上的收敛问题。作者通过大量模拟和脑结构连接数据的实际应用,展示了该方法相对于竞争方法的优势。该方法属于深度生成模型与经典非参数密度估计的交叉,其理论性质(如收敛速率)尚需进一步明确。
- 关键技术:
neural density estimation,penalized maximum likelihood,Riemannian manifold differential operators,product manifold domains,curse of dimensionality mitigation - 为什么对您有用: 本文涉及非参数密度估计在高维流形上的新方法,与您的非参数/半参数理论兴趣相关,但核心是深度学习方法而非经典统计理论。作为统计计算方向的算法创新,可关注其如何用神经网络规避维数灾难,但理论深度有限。
数理统计 / 假设检验 (hypothesis_testing, 2 篇)¶
1. 10.1080/10618600.2026.2627465 — A Graph-Based Framework for Nonparametric Tests of Multivariate Independence¶
- 作者: Yanhui Li, Yubin Tian, Jinjuan Wang
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Beijing Institute of Technology
- 分类: vol 35 · issue 3 · pp 1482-1490
- 相关性 7/10 · novelty:
new_method - 摘要: 本文提出一个基于图的非参数独立性检验框架,目标是检验两组变量之间的独立性。方法分两步:先对每组变量分别构造图(加权或未加权),再将图的向量化表示用于构造检验统计量。该框架统一并扩展了已有的图基方法(如基于最小生成树或最近邻图的检验),并允许数据仅提供成对距离矩阵。理论上,作者建立了检验统计量在原假设下的渐近分布,从而保证了大样本下的有效性。模拟研究表明,该方法能有效控制第一类错误率,并在多种备择假设下比现有方法具有更高的功效。两个真实数据应用进一步展示了其实际效用。对您而言,该工作与您的高阶U统计量研究有潜在联系:图基统计量可视为某种核或U统计量的变体,您可以用树宽/张量收缩的视角分析其计算复杂度,或利用您熟悉的非参数理论来审视其渐近性质。
- 关键技术:
graph-based independence testing,weighted and unweighted graph representations,vectorized graph statistics,asymptotic null distribution,distance-based inference - 为什么对您有用: 该论文直接属于您的主要兴趣之一——假设检验,特别是非参数独立性检验。它提供了一个统一的图基框架,与您熟悉的高阶U统计量有潜在联系:图统计量可视为某种核或U统计量的变体,您可以用树宽/张量收缩的视角分析其计算复杂度,或利用您熟悉的非参数理论来审视其渐近性质。此外,该框架对仅观测成对距离的数据适用,这在实际应用中很有价值。从可行性看,您现有的非参数统计和U统计量工具足以理解并可能扩展该工作,属于立即可做的范畴。
2. 10.1080/10618600.2026.2619517 — Mean Test for Matrix-Valued Data by Optimal Projection¶
- 作者: Jihang Jia, Bin Du, Junlong Zhao
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Beijing Normal University · Beijing Technology and Business University
- 分类: vol 35 · issue 3 · pp 1358-1366
- 相关性 0/10 · novelty:
new_method - 摘要: 本文针对矩阵型数据的均值检验问题,提出一种基于最优投影的检验方法,旨在利用矩阵的内在结构信息(如低秩性)提高检验功效。方法首先估计均值矩阵和协方差矩阵,然后通过一个带约束的正则化二次优化问题求解最优投影方向,将高维矩阵均值检验转化为低维投影后的检验。理论上,作者在相关噪声下建立了均值矩阵低秩逼近的逐元素误差界,并证明了当样本量趋于无穷或样本量固定而维度增大时,投影方向估计的相合性,从而保证了检验的有效性和功效。针对秩一均值矩阵这一重要特例,作者还开发了计算高效的检验流程。模拟研究和真实数据分析验证了所提方法的有效性。该方法与您在高维假设检验和统计计算方面的兴趣直接相关,其投影优化思路可能对您处理结构化高维检验问题有借鉴意义。
- 关键技术:
projection-based test,low-rank approximation,constrained quadratic optimization,entry-wise error bound,rank-one mean matrix - 为什么对您有用: 该论文属于高维假设检验方向,直接对应您的主要兴趣之一。您可以用 very_familiar 的 minimax 界技术来审视其投影方向相合性所需的信噪比条件是否最优,或用 moderately_familiar 的 M-估计理论分析其正则化优化估计量的渐近性质。中期可做:若想深入其低秩结构下的检验功效,需在 moderately_familiar 的更高阶 U-统计量理论上加强。
统计计算 / 算法 (stat_computing, 13 篇)¶
1. 10.1080/10618600.2026.2615054 · arXiv — Fast and Cheap Covariance Smoothing¶
- 作者: Ho Yun, Victor M. Panaretos
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: École Polytechnique Fédérale de Lausanne
- 分类: vol 35 · issue 3 · pp 1330-1347
- 相关性 7/10 · novelty:
new_method - 摘要: 本文提出 Tensorized-and-Restricted Krylov (TReK) 方法,用于估计观测规模很大的协方差张量,目标是在保持估计精度的同时大幅降低计算与存储成本。TReK 将 Krylov 子空间方法推广到带 range restriction 的设定,从而适用于多种协方差平滑问题(如协方差回归、协方差插值等)。算法利用张量-矩阵运算,避免显式构造大协方差矩阵,计算速度和内存开销比现有方法提升一个数量级。理论上,TReK 在无舍入误差时有限步收敛,实际中收敛也很快,适合大规模问题。算法是 tensor-free 的,支持广泛的 forward 和 projection 张量,灵活性高。对您而言,该方法的张量-矩阵运算与您熟悉的 higher-order U-statistics 的 tensor contraction / einsum 计算视角高度契合,可能为大规模协方差估计提供新的计算工具。
- 关键技术:
Krylov subspace method,tensor-matrix operations,range restriction,covariance smoothing,finite-step convergence - 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,且其核心的张量-矩阵运算与您 very_familiar 的 higher-order U-statistics 的 tensor contraction / einsum 计算视角高度契合。您可以用您熟悉的 tensor-network / einsum 复杂度分析来评估 TReK 的计算成本,甚至探索将其推广到更高阶 U-statistics 的估计问题。该文是计算方法的直接贡献,值得展开读。
2. 10.1080/10618600.2026.2619519 — Bayesian Smoothing and Variable Selection Using Variational Automatic Relevance Determination¶
- 作者: Zihe Liu, Diptarka Saha, Feng Liang
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Illinois Urbana-Champaign
- 分类: vol 35 · issue 3 · pp 1367-1375
- 相关性 6/10 · novelty:
new_method - 摘要: 本文提出变分自动相关性确定(VARD)方法,用于高维稀疏可加回归模型的拟合与变量选择。VARD 的核心创新在于对每个特征独立评估其平滑度,并能精确判断该特征对响应的贡献是零、线性还是非线性。为此,作者设计了一个高效的坐标下降算法来实现 VARD。在模拟和真实数据上的实证评估表明,VARD 在可加模型的变量选择方面优于现有方法。该方法将贝叶斯平滑与变分推断相结合,为高维非参数回归提供了一种计算可行的新工具。
- 关键技术:
variational inference,automatic relevance determination,additive models,coordinate descent,sparse regression - 为什么对您有用: 本文属于统计计算方向,与您对统计计算(数值方法、算法)的兴趣直接相关。其坐标下降算法和变分推断框架可作为您熟悉的高维统计工具的一个具体应用案例。您可以用 very_familiar 的软件开发和数值方法经验快速复现或扩展其算法,属于立即可做的范畴。
3. 10.1080/10618600.2025.2604177 — Renewable ℓ 1 -Regularized Linear Support Vector Machine with High-Dimensional Streaming Data¶
- 作者: Na Zhang, Jinhan Xie, Xiaodong Yan, Bei Jiang, Ting Li, Linglong Kong
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Alberta · Yunnan University · Xi'an Jiaotong University · Southern University of Science and Technology
- 分类: vol 35 · issue 3 · pp 1177-1189
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究高维流式数据下的线性支持向量机(SVM)的可更新(renewable)估计问题,目标是在不重新访问全部历史原始数据的前提下,仅利用当前批次数据与历史汇总统计量在线更新估计量。方法上提出两阶段流程:在线 ℓ1 正则化估计(在线 Lasso 型 SVM)与在线去偏(debiased)估计,后者用于构造置信区间或假设检验。理论部分在温和条件下证明了在线估计量的收敛速率,并与离线全量估计达到相同的统计效率。数值实验验证了方法在分类精度和计算效率上的有效性。对您而言,该文属于统计计算与高维推断的交叉,其在线去偏思路与您熟悉的高维推断和效率理论有直接关联,但核心贡献偏算法实现而非新统计理论。
- 关键技术:
renewable estimation,online ℓ1 regularization,online debiased estimation,streaming data,high-dimensional SVM - 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 和 high-dimensional statistics 相关。您可以用 very_familiar 的软件开发和 minimax 估计工具来复现或扩展其在线去偏步骤,但核心的在线更新机制并非您武器库中的强项,因此属于中期可做:需先在 moderately_familiar 的 M-estimation 理论上加强,以理解在线估计的渐近性质。
4. 10.1080/10618600.2026.2627453 · arXiv — Computational Approaches for Exponential-Family Factor Analysis¶
- 作者: Liang Wang, Luis Carvalho
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Boston University
- 分类: vol 35 · issue 3 · pp 1420-1438
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究一般指数族分布下的因子分析框架,其中 n×p 数据矩阵逐元素服从指数族分布。作者通过拟似然设定进一步放宽分布假设,引入离散参数和逐元素权重以刻画大方差和缺失值,使模型对分布误设更稳健,并能捕捉均值依赖的协方差结构。核心贡献在于计算效率:传统模拟极大似然(SML)方法在模拟样本量增长慢于 sqrt(n) 时会产生渐近偏差,不适用于大 n 场景。作者借鉴 EM 和随机梯度下降(SGD),提出三种基于迭代因子更新的估计程序,这些方法无渐近偏差,且对大矩阵分解的误差为 O(1/p),扩展性更好。通过模拟实验和四个案例研究验证了方法的有效性。
- 关键技术:
quasi-likelihood,expectation-maximization (EM),stochastic gradient descent (SGD),iterative factorization updates,simulated maximum likelihood (SML) - 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。您对统计计算(数值方法、算法)有明确兴趣,且本文提出的迭代算法(EM/SGD)与您熟悉的软件开发和计算工具(如 einsum)有潜在联系。您可以用 very_familiar 的软件开发技能复现其算法,或评估其计算复杂度。
5. 10.1080/10618600.2025.2612246 · arXiv — Adaptive Sequential Monte Carlo for Structured Cross Validation in Bayesian Hierarchical Models¶
- 作者: Geonhee Han, Andrew Gelman
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Columbia University
- 分类: vol 35 · issue 3 · pp 1262-1276
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对贝叶斯分层模型中的交叉验证(CV)问题,指出标准重要性采样(IS)在结构化删组(如 leave-group-out、group K-fold、one-step-ahead)下会因后验几何显著改变而失效,导致需要重新运行 MCMC,计算代价高昂。作者提出使用自适应序贯蒙特卡洛(ASMC)沿后验路径采样,从完整数据后验平滑过渡到删组后验,从而避免重新拟合模型。该方法自动构建路径并最小化 MCMC 干预,支持多种 CV 设计,并在三类预测评估中展示了实用性。核心贡献在于将 CV 视为路径采样问题,利用 SMC 的粒子重采样与自适应步长来应对多模态或几何变化剧烈的后验。对您而言,本文属于统计计算方向,其路径采样思想与您熟悉的 MCMC 和数值方法有交集,但并非您核心研究领域。
- 关键技术:
adaptive sequential Monte Carlo,importance sampling,leave-group-out cross validation,group K-fold cross validation,one-step-ahead validation,Bayesian hierarchical models - 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 相关,但并非核心。作为 gateway reading,它展示了如何用 SMC 解决分层模型中的计算难题,对您了解贝叶斯计算前沿有一定价值。您的武器库(如 MCMC、数值方法)足以理解其方法,但若要深入扩展,可能需要补充 SMC 的粒子滤波理论。总体而言,本文值得一读,但优先级不高。
6. 10.1080/10618600.2026.2628274 — Scalable Skewed Bayesian Inference for Latent Gaussian Models Using INLA and Variational Bayes¶
- 作者: Shourya Dutta, Janet van Niekerk, Håvard Rue
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: King Abdullah University of Science and Technology · University of Pretoria
- 分类: vol 35 · issue 3 · pp 1491-1506
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对潜变量高斯模型(LGM)的近似贝叶斯推断,提出一种可扩展的偏态变分推断方法。在INLA框架下,通过引入偏态的Laplace近似,使得部分边际后验分布允许偏态而其余保持高斯,同时用高斯copula维持变量间的依赖结构。该方法将变分推断嵌入INLA,旨在处理重尾似然或类别不平衡的二分类问题,如罕见病和大型糖尿病数据集。数值实验和实际应用表明,该方法在保持计算效率的同时,改善了后验近似的准确性,特别是在偏态明显的场景下。对您而言,本文展示了如何将变分推断与INLA结合以提升近似精度,与您统计计算和算法方向的兴趣相关,可作为扩展计算工具库的参考。
- 关键技术:
Integrated Nested Laplace Approximation (INLA),Variational Bayes,Skewed Laplace approximation,Gaussian copula,Latent Gaussian models - 为什么对您有用: 本文属于统计计算方向,直接关联您的primary interest中的statistical computing。您可以用very_familiar的软件开发和数值方法知识,快速理解其算法实现,并评估其在大规模数据上的可扩展性。作为gateway reading,本文对INLA和变分推断的衔接阐述清晰,适合作为进入贝叶斯计算领域的入门读物,且武器库足以支撑您深入阅读。
7. 10.1080/10618600.2026.2614076 · arXiv — Squintability and Other Metrics for Assessing Projection Pursuit Indexes, and Guiding Optimization Choices¶
- 作者: H. Sherry Zhang, Dianne Cook, Nicolas Langrené, Jessica Wai Yin Leung
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: The University of Texas at Austin · Monash University · Beijing Normal-Hong Kong Baptist University
- 分类: vol 35 · issue 3 · pp 1305-1316
- 相关性 4/10 · novelty:
application - 摘要: 本文针对投影寻踪(PP)引导的tour方法,提出量化PP指数平滑性和“squintability”(最优解仅在极小邻域内可检测的性质)的度量,以指导优化算法选择。作者将新提出的水母搜索优化器(JSO)与现有PP优化器比较,在管道形状目标上评估其检测能力,并在不同维度(d=4,6,8,10,12)和不同PP指数(平滑性/可斜视性各异)下测试其对正弦波形状的优化性能。实证发现,较高的squintability显著提升优化成功率,而平滑性影响不显著。JSO已实现于R包tourr,平滑性和squintability度量函数在ferrn包中提供。该工作属于计算统计与可视化领域,对您而言,其优化景观度量的思想可迁移到您熟悉的统计计算与算法评估中,但方法学新颖性有限,主要贡献在于实证比较和软件实现。
- 关键技术:
projection pursuit,guided tour,optimization landscape metrics,swarm optimization (Jellyfish Search Optimizer),R package development - 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。您可用very_familiar的软件开发和数值方法经验,快速复现其度量并评估JSO在您关心的优化问题上的表现,属于立即可做的范畴。
8. 10.1080/10618600.2026.2618112 · arXiv — Spatio-Temporal Prediction of Fine-Grained Origin-Destination Matrices with Applications in Ridesharing¶
- 作者: Run Yang, Runpeng Dai, Siran Gao, Xiaocheng Tang, Fan Zhou, Hongtu Zhu
- 期刊/来源: Journal of Computational and Graphical Statistics
- 分类: vol 35 · issue 3 · pp 1348-1357
- 相关性 4/10 · novelty:
application - 摘要: 本文研究网约车平台中细粒度 OD(起点-终点)需求矩阵的时空预测问题,目标是在区域数量庞大且数据稀疏(稀疏度>90%)时准确预测未来时段的 OD 流量。作者提出 OD-CED 模型,包含无监督空间粗化(coarsening)技术以缓解数据稀疏性,以及编码器-解码器架构来同时捕捉语义和地理依赖关系。实验表明,相比传统统计方法,OD-CED 在 RMSE 上最多降低 45%,在加权 MAPE 上最多降低 60%。该工作属于应用型方法论文,方法学创新主要体现在空间粗化与深度架构的结合,而非新的统计理论。对您而言,本文可作为统计计算与算法设计在交通应用中的案例,其空间粗化思想或可迁移到高维矩阵/张量降维问题。
- 关键技术:
unsupervised space coarsening,encoder-decoder architecture,spatio-temporal prediction,OD matrix,graph neural networks - 为什么对您有用: 本文属于统计计算与算法应用方向,与您的 primary interest 中 statistical computing 相关,但并非核心理论贡献。作为 gateway reading,它展示了如何将深度学习方法与统计稀疏性问题结合,对您了解应用驱动的方法设计有一定参考价值。武器库中的软件开发和矩阵计算经验足以理解其实现,但无需深入跟进。
9. 10.1080/10618600.2025.2612633 — Swarm-Based Search Procedure for Finding Optimal Multi-Stage Designs for Phase II Clinical Trials¶
- 作者: Ping-Yang Chen, Xinying Fang, Ray-Bing Chen, Shouhao Zhou, J. Jack Lee, Weng Kee Wong
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: National Taipei University · Pennsylvania State University · National Tsing Hua University · The University of Texas MD Anderson Cancer Center
- 分类: vol 35 · issue 3 · pp 1291-1304
- 相关性 4/10 · novelty:
application - 摘要: 本文针对多阶段 II 期临床试验的最优设计问题,提出了一种基于粒子群优化(PSO)的搜索算法。传统穷举搜索在阶段数≥3时因整数变量和顺序约束而计算不可行,作者通过球坐标变换将离散优化问题连续化,从而高效求解。该方法不仅复现了文献中的两阶段和三阶段设计,且计算效率更高。作者提供了可定制的 R 代码,便于用户生成特定需求的最优设计。该工作属于统计计算与优化算法在临床试验设计中的应用,方法学创新在于问题重构而非新统计理论。
- 关键技术:
Particle Swarm Optimization,spherical coordinate transformation,continuous relaxation of integer optimization,multi-stage clinical trial design - 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 的软件开发和数值方法技能,快速复现其 PSO 算法并评估其在不同约束下的表现。该文作为计算方法的入门读物,展示了如何将离散优化问题转化为连续问题,但方法学深度有限,不涉及您核心的因果推断或高维理论。
10. 10.1080/10618600.2026.2614102 · arXiv — Time-Varying Multi-Seasonal AR Models¶
- 作者: Ganna Fagerberg, Mattias Villani, Robert Kohn
- 期刊/来源: Journal of Computational and Graphical Statistics
- 分类: vol 35 · issue 3 · pp 1317-1329
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种时变多季节 AR 模型,允许常规和季节参数均随时间变化,并通过动态收缩过程建模参数演化,以刻画长期平稳、快速变化和突变等模式。为保证每个时间点的稳定性,模型采用特殊参数化,并能处理多个季节周期。估计方法上,作者开发了 Gibbs 采样器,其中包含粒子 Gibbs 更新步骤,但发现动态收缩导致的近退化性使粒子方法估计困难。为此,他们提出基于扩展卡尔曼滤波的近似采样器,声称更稳健、更快且更准确。模拟研究验证了模型和数值方法的有效性,并将模型应用于超过一个世纪的美国月度工业生产数据,揭示了季节性随时间的变化,特别是在大萧条和新冠疫情期间。对您而言,该文属于统计计算方向,其近似采样器设计(EKF 替代粒子滤波)与您对算法数值效率的兴趣相关,但方法论上并非您核心领域的前沿。
- 关键技术:
time-varying AR model,dynamic shrinkage,particle Gibbs,extended Kalman filter,approximate Bayesian computation - 为什么对您有用: 本文属于统计计算方向,涉及贝叶斯采样器的数值效率问题,与您对 statistical computing 的兴趣相关。但该文并非您核心领域(因果推断、高维统计等)的前沿,且方法上未涉及您武器库中的具体工具。作为 gateway reading,本文对您了解动态收缩和粒子滤波的数值挑战有一定帮助,但可能不值得深入阅读。
11. 10.1080/10618600.2025.2609645 · arXiv — Variational Inference for Hierarchical Models with Conditional Scale and Skewness Corrections¶
- 作者: Lucas Kock, Linda S. L. Tan, Prateek Bansal, David J. Nott
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: National University of Singapore
- 分类: vol 35 · issue 3 · pp 1221-1231
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对贝叶斯分层模型中高斯变分近似无法捕捉后验偏态的问题,提出将偏度校正直接纳入变分族的定义中。基线变分近似为全局参数的高斯边缘分布与给定全局参数下局部参数的高斯条件分布的乘积,偏度校正项自适应于全局参数值。优化过程联合进行基线变分参数与偏度校正,无需额外参数即可分别刻画位置、尺度和偏度。在广义线性混合模型和多项Logit离散选择模型上,该方法相比最先进的高斯近似仅增加少量计算成本,却显著提高了近似精度。对您而言,本文属于统计计算方向,其变分推断中的偏度校正思想可迁移至您在高维或因果推断中的后验近似问题。
- 关键技术:
Gaussian variational approximation,skewness correction,hierarchical models,conditional variational family,joint optimization - 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。您可运用 very_familiar 中的软件开发和数值方法经验,复现或扩展其算法;但变分推断本身并非您的核心武器,属于 moderately_familiar 之外的领域,因此中期可做,需先熟悉变分推断的基本框架。
12. 10.1080/10618600.2025.2611111 — Constrained Bayesian Optimization with Feasibility-Infeasibility Weighted Improvement Criterion¶
- 作者: Raju Chowdhury, Neelesh S. Upadhye
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Indian Institute of Technology Madras
- 分类: vol 35 · issue 3 · pp 1249-1261
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对贝叶斯优化中带约束优化问题,提出一种新的基于改进的采集函数——可行性-不可行性加权改进准则(FIWIC)。现有方法如EI的约束变体通常需要初始可行点,且限制搜索在可行域内,导致探索不足。FIWIC通过加权可行与不可行区域的改进量,在两者间平衡探索与利用,无需初始可行点。作者在四个基准问题上与最先进方法比较,并应用于水文地下水修复和神经网络超参数调优。结果表明FIWIC在收敛速度和最终解质量上具有竞争力,尤其在约束复杂时表现更优。该方法为统计计算中的序贯优化提供了新工具,对您在高维或非参数优化中的计算问题可能有参考价值。
- 关键技术:
Bayesian optimization,acquisition function,expected improvement,constraint handling,Gaussian process surrogate - 为什么对您有用: 本文属于统计计算方向,与您的primary interest中的统计计算(numerical methods, algorithm)直接相关。您可以用very_familiar的软件开发和数值方法经验,快速实现并测试该采集函数,属于立即可做的范畴。
13. 10.1080/10618600.2025.2603582 · arXiv — Online Spectral Density Estimation¶
- 作者: Shahriar Hasnat Kazi, Niall Adams, Edward A. K. Cohen
- 期刊/来源: Journal of Computational and Graphical Statistics
- 分类: vol 35 · issue 3 · pp 1166-1176
- 相关性 0/10 · novelty:
new_method - 摘要: 本文提出首个满足流式推断三核心要求(固定内存、固定计算复杂度、时间自适应)的谱密度在线估计算法。方法基于遗忘因子(forgetting factor)概念,提出在线遗忘因子周期图,并证明在平稳性下其渐近恢复离线对应量的性质。在此基础上构建在线 Whittle 估计器,并进一步开发自适应在线谱估计器,以 Whittle 似然为损失动态调整遗忘因子。通过大量模拟和海洋漂流浮标速度数据应用,展示了方法在实时追踪时变谱特性方面的强实证性能。对您而言,该工作将在线学习与经典时间序列谱分析结合,其遗忘因子机制和自适应调参思路可能对您在高维或因果推断中处理非平稳数据流有启发。
- 关键技术:
online spectral density estimation,forgetting factor,online periodogram,Whittle likelihood,adaptive 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 的软件开发能力快速复现其算法,并考虑将遗忘因子机制引入您熟悉的因果推断中的纵向数据在线估计问题。中期可做:需在 moderately_familiar 的 semiparametric theory 上稍加延伸,以处理非平稳下的渐近性质。
其他 (other, 7 篇)¶
1. 10.1080/10618600.2025.2606055 — Unveil Linear Patterns of Dependence via K Regression Clustering¶
- 作者: Liping Zhu, Yuling Jiao, Jian Huang, Erbo Li, Yifan Sun
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Renmin University of China · Wuhan University · Hong Kong Polytechnic University
- 分类: vol 35 · issue 3 · pp 1190-1204
- 相关性 6/10 · novelty:
new_method - 摘要: 本文提出 K-regression 聚类方法,将样本划分为 K 个簇,使簇内观测共享相同的线性依赖模式(即线性回归系数),簇间则不同。通过最小化簇内 ℓ1 和 ℓ2 损失函数估计回归系数,并从渐近角度证明估计量的强相合性和渐近正态性;从非渐近角度探讨模型可识别性和算法收敛性条件。作者还设计了针对回归聚类的 BIC 准则用于选择簇数。模拟和临床试验亚组分析表明,在异质性存在时,ℓ1 K-regression 在系数估计、簇数确定和亚组分类上优于 ℓ2 版本及其他方法,且计算高效。该方法对大规模异质性数据分析有吸引力,但方法学上属于聚类与回归的结合,理论深度中等。
- 关键技术:
K-means type clustering,ℓ1/ℓ2 loss minimization,asymptotic normality,BIC for model selection,subgroup analysis - 为什么对您有用: 本文属于统计计算与聚类方法,与您的主要兴趣(如高维统计、U-统计量)关联较弱,但可作为统计计算方向的入门读物。您的武器库(如非参数统计、M-估计理论)足以理解其渐近论证,但方法本身不涉及您擅长的因果推断或效率理论。若您对聚类或亚组分析感兴趣,可快速浏览,但不必深入。
2. 10.1080/10618600.2026.2621092 — Clustering Locally Stationary Time Series Using Quantile Autocorrelations¶
- 作者: Ángel López-Oriona, Ying Sun, José A. Vilar
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: King Abdullah University of Science and Technology · Universidade da Coruña
- 分类: vol 35 · issue 3 · pp 1376-1396
- 相关性 5/10 · novelty:
application - 摘要: 本文针对局部平稳时间序列的聚类问题,提出了一种基于分位数自相关函数的相异性度量。该方法在每个时间点局部估计分位数自相关函数,并构造距离,再结合带惩罚项的K-medoids型最小化问题,惩罚项控制局部估计的邻域大小。作者设计了迭代算法,保证目标函数每步单调下降。模拟研究表明,该方法在聚类准确性上通常优于自然基准方法。最后,通过沙特阿拉伯颗粒物时间序列数据展示了方法的实际应用效果。对您而言,本文属于统计计算与算法设计范畴,与您的主要兴趣(如统计计算)有一定关联,但方法本身并非您核心研究领域的前沿理论。
- 关键技术:
quantile autocorrelation,local stationarity,K-medoids clustering,penalized optimization,iterative algorithm - 为什么对您有用: 本文属于统计计算与算法设计范畴,与您的主要兴趣(如统计计算)有一定关联,但方法本身并非您核心研究领域的前沿理论。作为统计计算方向的入门读物,本文展示了局部估计与聚类优化的结合,但武器库(如高阶U统计、半参数理论)并非直接适用,因此暂不可做。
3. 10.1080/10618600.2026.2627456 — Edge-Covariate Differential Privacy for Covariate-Assisted Networks¶
- 作者: Jingnan Zhang, Shirong Xu
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Science and Technology of China · Xiamen University
- 分类: vol 35 · issue 3 · pp 1460-1470
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出 edge-covariate differential privacy(ECDP),一个同时保护网络边存在性及其边协变量的隐私框架,填补了现有边隐私方法忽略边协变量的空白。在联合潜在空间模型(joint latent space model)下,作者研究参数估计的隐私-效用权衡,采用混合私有化机制:边用 randomized response,协变量用 Laplace mechanism。理论结果表明,在该隐私约束下参数估计达到渐近相合性,且 minimax 最优性(至多差对数因子)。大量模拟和一个真实引文网络应用展示了强隐私保证与估计精度之间的良好平衡。该工作属于隐私保护统计推断方向,与研究者主要兴趣(因果推断、高维统计、半参数理论)无直接交集,但其中 minimax 最优性分析框架和私有化机制设计对统计推断理论有一定参考价值。
- 关键技术:
edge-covariate differential privacy,randomized response,Laplace mechanism,joint latent space model,minimax optimality,privacy-utility tradeoff - 为什么对您有用: 该论文属于隐私保护统计推断,与研究者主要兴趣(因果推断、高维统计、半参数理论)无直接交集,但其中 minimax 最优性分析框架和私有化机制设计对统计推断理论有一定参考价值。研究者可用其非常熟悉的 minimax 界技术审视其最优性证明,但该方向并非其核心领域,且无直接可迁移的方法论。
4. 10.1080/10618600.2026.2621093 · arXiv — Local Indicators of Mark Association for Marked Spatial Point Processes¶
- 作者: Matthias Eckardt, Mehdi Moradi
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Humboldt-Universität zu Berlin · Umeå University
- 分类: vol 35 · issue 3 · pp 1397-1406
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对标记空间点过程,提出了一族局部标记关联指标(LIMA),用于刻画点间标记关联的局部行为。与全局标记相关函数不同,LIMA 能识别不同标记行为共存时被掩盖的真实关联,并定位显著关联发生的点间距离。方法适用于一般状态空间上的点过程,支持实值标记和对象值标记。通过模拟和两个林业应用(含函数值标记)验证,LIMA 在检测关联、量化变异和确定有效空间范围上优于全局方法。对您而言,该文属于空间统计与点过程方向,与您的主要兴趣交集有限,但可作为统计方法在应用领域(林业生态)的参考。
- 关键技术:
marked spatial point processes,local indicators,mark correlation functions,function-valued marks - 为什么对您有用: 本文属于空间点过程统计,与您的主要兴趣(因果推断、高维、半参数等)无直接交集。作为 gateway reading,其方法学(局部指标)对非空间统计背景的读者有一定可读性,但数据与模型设定较为专业。武器库中的非参数与估计理论可帮助理解其局部估计的构造,但整体上不值得深入展开。
5. 10.1080/10618600.2026.2627454 · arXiv — Bayesian Sociality Models: A Scalable and Flexible Alternative for Network Analysis¶
- 作者: Juan Sosa, Carlos Martínez
- 期刊/来源: Journal of Computational and Graphical Statistics
- 分类: vol 35 · issue 3 · pp 1439-1459
- 相关性 4/10 · novelty:
application - 摘要: 本文提出贝叶斯社会性模型(Bayesian sociality models)作为网络分析的可扩展且灵活的替代方案,通过节点特定参数刻画度异质性,同时缓解潜在空间模型的可识别性问题。作者开发了基于MCMC和变分推断的完整贝叶斯推断框架,并评估了二者在效率与精度之间的权衡。通过模拟和实证研究,展示了模型在拟合优度、预测性能、聚类等网络分析任务中的稳健性。贝叶斯范式增强了不确定性量化和可解释性,使社会性模型成为现代网络科学中通用且强大的工具。
- 关键技术:
Bayesian inference,Markov chain Monte Carlo,variational inference,degree heterogeneity,latent space models - 为什么对您有用: 本文属于网络分析的应用方法,与您的主要兴趣(因果推断、高维统计等)无直接重叠,但可作为统计计算(变分推断与MCMC权衡)的入门读物。您的武器库(如M估计、高维渐近)足以理解其推断框架,但网络特定结构(如社会性参数)并非您熟悉领域,因此暂不可做直接迁移。作为gateway reading,本文清晰展示了贝叶斯建模与计算权衡,值得花时间阅读全文以拓宽视野。
6. 10.1080/10618600.2025.2610387 — Advanced Data Augmentation Methods in Neural Network for Functional Data Classification¶
- 作者: Sixuan Meng, Zhixia Yang, Junyou Ye, Xue Yang, Jieyu Yang
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: Xinjiang University
- 分类: vol 35 · issue 3 · pp 1232-1248
- 相关性 4/10 · novelty:
application - 摘要: 本文针对函数型数据分类问题,提出两种基于函数型神经网络的数据增强方法:D-FBNN 和 AD-FBNN。D-FBNN 利用函数型数据的导数信息,通过原始数据与导数的加权线性组合来丰富特征;AD-FBNN 借鉴时间序列的加法分解技术,将函数数据分解为趋势、季节和残差成分,并分析不同组合下的分类效果。在六个基准函数型数据集上的数值实验表明,两种方法均能有效提升分类器性能。该方法属于函数型数据分析和深度学习的交叉领域,但缺乏严格的理论性质分析,如收敛速率或泛化界。
- 关键技术:
functional data analysis,neural networks,data augmentation,derivative features,additive decomposition - 为什么对您有用: 本文属于函数型数据与深度学习的应用型工作,与您的主要兴趣(因果推断、高维统计、半参数理论等)关联较弱。但其中利用导数信息进行特征增强的思路,可能对您在高阶U统计量或非参数估计中利用导数信息有所启发。作为应用型论文,方法学新颖性有限,不建议作为核心阅读。
7. 10.1080/10618600.2025.2609641 · arXiv — Regression Modeling of Spatiotemporal Extreme U.S. Wildfires via Partially Interpretable Neural Networks¶
- 作者: Jordan Richards, Raphaël Huser
- 期刊/来源: Journal of Computational and Graphical Statistics
- 机构: University of Edinburgh · King Abdullah University of Science and Technology
- 分类: vol 35 · issue 3 · pp 1205-1220
- 相关性 0/10 · novelty:
application - 摘要: 本文提出一个用于时空极端野火回归的框架,目标是在高维预测变量下估计极端分位数(如条件分位数),并刻画温度、干旱对野火极值发生率的空间异质效应。方法上,将线性与加性回归结构嵌入神经网络,形成部分可解释的神经网络(PINN),兼顾预测精度与统计推断能力;同时提出一个新的点过程模型,克服广义极值分布族有限下端点问题。在估计上,采用分位数回归与点过程似然相结合的策略,并利用神经网络捕捉非线性与高维交互。实证部分使用美国野火数据,显示相比线性与样条回归有显著预测提升,并识别出高风险区域。对您而言,本文属于统计计算与可解释机器学习在环境极值中的应用,与您的主要兴趣(如效率理论、非参数方法)关联较弱,但可作为统计计算与算法方向的入门阅读。
- 关键技术:
partially interpretable neural networks,extreme quantile regression,point process model,generalized extreme value distribution,spatiotemporal modeling - 为什么对您有用: 本文属于统计计算与可解释机器学习在环境极值中的应用,与您的主要兴趣(如效率理论、非参数方法)关联较弱,但可作为统计计算与算法方向的入门阅读。武器库中'软件开发和数值方法'足以支撑理解其实现,但方法学上无直接可攻的口子,因此暂不可做。
Maintained by 陈星宇 · Homepage · Source on GitHub