跳转至

JCGS · 2026-10-16

  • 共 28 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。

这一期共 28 篇,整体上可归纳为四条主线:半参数与非参数回归的效率与稳健推断(约 3 篇)、贝叶斯非参数与计算(约 7 篇)、高维矩阵/张量建模与变点检测(约 5 篇)、统计计算与可视化工具(约 8 篇),另有少量因果结构学习与拓扑数据分析的独立工作。因果推断方向仅 1 篇,但半参数效率理论贯穿多篇,是本期方法论的隐性主线。

最突出的是半参数效率与双重稳健估计。开篇的 Doubly Robust and Efficient Estimation in a Partially Linear Multiple-Index Model 将协变量分解为线性与多个非参数指标部分,构造新损失函数导出估计方程,同时实现双重稳健与半参数有效性,并给出偏差校正的经验对数似然比构造置信域。与之互补的 Tensor Additive Quantile Regression 将加性分位数回归推广至张量响应,用样条系数堆叠成张量并借 Tucker 分解降维,在高维下引入组惩罚做变量选择,理论上覆盖收敛速率与渐近分布。两篇均以非参数函数估计为工具,但前者侧重参数分量的效率推断,后者侧重张量结构的稀疏恢复,可对照阅读。

贝叶斯非参数是另一条密集主线,集中在依赖随机划分与相关过程的构造。Dependent Dirichlet processes via thinning 通过将 stick-breaking 中的 beta 变量置零,构造共享原子且权重可变的相依随机分布,兼顾表达力与计算简洁性;Bayesian local clustering of functional data via semi-Markovian random partitions 用 B 样条局部支撑性质实现函数型数据的局部聚类,半马尔可夫依赖结构比标准马尔可夫更灵活。两篇均处理“相关样本共享结构”的问题,但前者面向一般分布族,后者面向函数型数据。Loss-Based Prior for CART and BART Models 则从先验设计角度切入,用信息损失与复杂度损失构建树拓扑先验,缓解过拟合,与前述依赖过程形成互补。

高维矩阵/张量建模方面,Doubly Regularized Matrix-Variate Regression 将矩阵参数分解为低秩加稀疏,提出双重正则化准则并给出非渐近恢复保证;Change Point Detection in Precision Matrices with D-Trace Loss 用 Group Fused LASSO 加 D-trace 损失替代似然,同时估计分段常数精度矩阵与变点,但变点一致性条件不可验证,作者引入修正正则化保证解存在。两篇均针对高维结构化参数,前者关注静态恢复,后者关注动态分段。统计计算主线中,Scalable Subset Selection in Linear Mixed Models 将 l0 正则化扩展到数千预测变量,坐标下降加局部搜索,给出 KL 散度有限样本界;MCMC using bouncy Hamiltonian dynamics 统一 HMC 与 PDMP 采样器,构造无拒绝 Metropolis 提议,在高维后验上验证性能。这两篇分别代表优化与采样两条计算路径。

与因果推断最直接相关的是 A PC Algorithm for Max-Linear Bayesian Networks,处理重尾分布下 d-separation 失效的因果结构学习,提出基于 ∗-separation 的 PCstar 算法,适合关注因果发现的读者。半参数效率方向优先看 Doubly Robust and Efficient Estimation 与 Tensor Additive Quantile Regression;高维方向优先看 Doubly Regularized Matrix-Variate Regression 与 Change Point Detection in Precision Matrices;贝叶斯非参数方向优先看 Dependent Dirichlet processes via thinning 与 Bayesian local clustering of functional data。

因果推断 (causal_inference, 1 篇)

1. 10.1080/10618600.2026.2673046 · arXiv — A PC Algorithm for Max-Linear Bayesian Networks

  • 作者: Carlos Améndola, Benjamin Hollering, Francesco Nowell
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 分类: pp 1-12
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究 max-linear Bayesian networks (MLBNs) 的因果结构学习问题,这类模型适用于重尾分布变量,其条件独立关系由 ∗-separation 而非 d-separation 刻画,因此经典 PC 算法因 faithfulness 假设不成立而失效。作者在假设存在真实图的条件独立 oracle 下,证明了基于 ∗-separation 的 PC 算法仍能一致恢复图结构,尽管存在额外的 CI 关系。进一步提出新算法 PCstar,假设对 C∗-separation 的 faithfulness,能定向更多边,弥补 d- 或 ∗-separation 无法定向的不足。理论结果通过 oracle 设定下的 consistency 证明支撑,并附有补充材料。对您而言,该工作将因果发现算法推广到非 faithful 的图模型,与您关注的因果识别和估计理论有直接关联,尤其适合作为探索非标准 faithfulness 假设下结构学习的切入点。
  • 关键技术: PC algorithm, constraint-based causal discovery, max-linear Bayesian networks, ∗-separation, C∗-separation, conditional independence oracle
  • 为什么对您有用: 本文直接关联您 primary interest 中的 causal inference 子方向——因果结构学习,特别是 faithfulness 假设失效时的识别问题。您 very_familiar 中的 estimation theory in causal inference 和 moderately_familiar 中的 identification theory 可用于分析其 oracle 假设的合理性及扩展至有限样本情形。中期可做:将 PCstar 与您熟悉的 semiparametric 理论结合,研究在估计条件独立关系时的误差传播;暂不可做:若需处理高维或非 oracle 设定,则需补充高维统计或随机矩阵工具,当前武器库尚缺。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 10.1080/10618600.2026.2702534 — Doubly Regularized Matrix-Variate Regression

  • 作者: Zengchao Xu, Shan Luo, Binyan Jiang
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Shanghai Normal University · Shanghai Jiao Tong University · Hong Kong Polytechnic University
  • 分类: pp 1-10
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究矩阵变量回归中的参数估计问题,目标是在核范数正则化易受数据扰动影响时,通过将矩阵参数分解为低秩加稀疏结构来增强鲁棒性,并提出双重正则化回归(DRR)准则。方法上,作者设计了一种可扩展的一阶算法,并证明其达到一阶方法的最优收敛率。统计理论方面,在正则条件下建立了精确结构恢复的非渐近保证和估计误差界。数值实验包括模拟和EEG数据分析,并提供了R包drrglm。该工作与您在高维统计和统计计算方面的兴趣相关,特别是低秩加稀疏分解与核范数正则化的结合,以及算法的收敛率分析。
  • 关键技术: nuclear norm regularization, low-rank-plus-sparse decomposition, first-order optimization, non-asymptotic recovery guarantees, matrix-variate regression
  • 为什么对您有用: 该论文属于高维统计与统计计算的交叉,直接关联您的高维统计兴趣,特别是矩阵参数的结构化正则化。您可以用very_familiar的软件开发和逆问题经验来复现或扩展其算法,或用moderately_familiar的M估计理论来审视其非渐近界的紧性。中期可做:若想深入其算法复杂度,需在统计计算tradeoff方向补充知识。

2. 10.1080/10618600.2026.2685828 · arXiv — Change Point Detection in Precision Matrices with D-Trace Loss

  • 作者: Ying Lin, Benjamin Poignard, Ting Kei Pong, Akiko Takeda
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Hong Kong Polytechnic University · The University of Tokyo
  • 分类: pp 1-36
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究时变稀疏精度矩阵的估计与变点检测问题,假设精度矩阵分段常数。基于Group Fused LASSO和LASSO惩罚,提出用D-trace损失替代常用的高斯似然损失来同时估计精度矩阵和变点。给出了变点估计一致性和各段稀疏估计一致性的条件,并证明了在调参条件满足时解的存在性。但这些条件一般不可验证,给实际调参带来困难。为此引入修正正则化项,提出一个总能保证解存在的修正问题,可用于检测原问题不可解或获得原问题的解。采用ADMM算法求解修正问题,并通过数值实验验证了方法的有效性。对您可能有用:D-trace损失在稀疏精度矩阵估计中提供了比似然法更稳健的替代,其变点检测框架可迁移至高维协方差结构的纵向因果推断设定。
  • 关键技术: D-trace loss, Group Fused LASSO, change point detection, ADMM, sparse precision matrix
  • 为什么对您有用: 本文属于高维统计与统计计算交叉,直接关联您的高维统计兴趣,且D-trace损失与ADMM算法可视为您统计计算武器库的延伸。您可用very_familiar的高维渐近理论验证其一致性条件的紧性,或用软件工程能力复现其算法。中期可做:将其变点检测思想与您的因果推断中的纵向设定结合,但需先熟悉变点检测的BIC类准则。

非参数 / 半参数 (nonparam_semipara, 4 篇)

1. 10.1080/10618600.2026.2685845 — Doubly Robust and Efficient Estimation in a Partially Linear Multiple-Index Model

  • 作者: Qiang Liu, Liugen Xue, Riquan Zhang
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Capital University of Economics and Business · Henan University · Shanghai University of International Business and Economics
  • 分类: pp 1-17
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出部分线性多指标模型(partially linear multiple-index model),将协变量分为线性部分和多个非参数指标部分,目标是估计回归参数并构造置信域。作者构造了一个新的损失函数,导出一类一般性的估计方程,使得回归参数的估计具有双重稳健性(doubly robust)和半参数有效性。非参数函数通过局部线性拟合估计,并证明了估计量的渐近性质。进一步,提出了偏差校正的经验对数似然比,证明其渐近服从标准卡方分布,可直接用于构造回归参数的置信域。模拟和真实数据分析验证了方法的有效性。对您而言,该文的双重稳健估计和半参数效率理论直接关联您的效率理论兴趣,且其多指标模型设定为半参数理论提供了新的结构。
  • 关键技术: doubly robust estimation, estimating equations, local linear fitting, empirical likelihood, semiparametric efficiency
  • 为什么对您有用: 该文属于半参数与非参数理论方向,直接关联您的 primary interest 中的 semiparametric theory 和 efficiency theory。其双重稳健估计和偏差校正经验似然方法,可结合您 very_familiar 的 nonparametric statistics 和 moderately_familiar 的 semiparametric theory 来审视其效率界是否最优。中期可做:若想深入其多指标模型的理论,需在 semiparametric theory 上进一步打磨。

2. 10.1080/10618600.2026.2687761 — Tensor Additive Quantile Regression

  • 作者: Wenqi Lu, Yingying Zhang, Zhongyi Zhu, Heng Lian
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Nankai University · East China Normal University · Fudan University · City University of Hong Kong
  • 分类: pp 1-34
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出张量加性分位数回归模型,用于分析张量型响应变量与协变量之间的非线性关系,目标是在分位数水平上估计加性成分函数,以提供比均值回归更稳健和全面的推断。估计方法采用基函数(样条)逼近每个成分函数,并将样条系数堆叠为额外的张量维度,从而利用 Tucker 分解进行降维。在高维设定下,引入带组惩罚的稀疏张量加性分位数回归以实现变量选择,并创新性地处理了 Tucker 分解中稀疏张量元素的连接问题,提出可识别比 oracle 更广泛相关特征的方法,同时保证算法高效。理论上建立了估计量的大样本性质,包括收敛速率和渐近分布;模拟研究评估了有限样本表现,并在股票市场和头部姿态图像数据上进行了应用。对您而言,该方法将非参数加性模型与张量结构结合,并利用 Tucker 分解实现降维,与您在高维统计和统计计算方面的兴趣(特别是张量分解和计算效率)直接相关。
  • 关键技术: tensor additive model, quantile regression, B-spline basis approximation, Tucker decomposition, group penalty, variable selection, large sample theory
  • 为什么对您有用: 该论文属于非参数/半参数理论方向,具体涉及张量数据的加性分位数回归,与您的高维统计和统计计算兴趣相关。您可以用 very_familiar 中的非参数统计和软件工具来复现其估计方法,并利用您对张量分解(如 Tucker)的理解来评估其计算效率。中期可做:若想深入其理论证明,需在 moderately_familiar 的 M-估计理论上加强。

3. 10.1080/10618600.2026.2697928 — Exploration of Random Objects Through Increasing Ball Statistics

  • 作者: Soobin Kim, Hans-Georg Müller
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of California, Davis
  • 分类: pp 1-13
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一种探索度量空间取值随机对象的新方法,核心是构造随半径变化的球内 Fréchet 均值。具体地,对给定中心点,随着球半径增大,计算球内样本的 Fréchet 均值,并取其到全局 Fréchet 均值的距离,从而得到以半径和中心为自变量的实值函数,将对象数据转化为函数型数据,进而可应用传统函数型数据分析工具。理论部分建立了该方法的统计性质,包括一致性等。模拟和两个真实数据应用(人类死亡率、美国发电量)展示了该方法在可视化、探索性聚类和异常值检测方面的潜力。对您而言,该方法将非欧数据转化为函数型数据的思想,与您在高维和半参数理论中的函数型数据分析兴趣有潜在连接,但方法本身更偏向非参数探索性工具。
  • 关键技术: Fréchet mean, ball Fréchet mean, metric space-valued data, functional data analysis, exploratory clustering, outlier detection
  • 为什么对您有用: 本文属于非参数统计方向,涉及度量空间中的 Fréchet 均值,与您的非参数/半参数理论兴趣相关,但更偏向探索性数据分析。您可以用非常熟悉的非参数统计工具(如经验过程理论)来审视其理论性质,但核心方法(球内 Fréchet 均值)并非您武器库中的直接工具。作为入门读物,它展示了对象数据的一种新视角,但方法学深度有限,可能不值得优先深读。

4. 10.1080/10618600.2026.2679146 · arXiv — Elastic Full Procrustes Analysis of Plane Curves via Hermitian Covariance Smoothing

  • 作者: Almond Stöcker, Manuel Pfeuffer, Lisa Steyer, Sonja Greven
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Humboldt-Universität zu Berlin · École Polytechnique Fédérale de Lausanne
  • 分类: pp 1-14
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文在 square-root-velocity (SRV) 框架下提出平面曲线形状的弹性全 Procrustes 均值估计,目标是在平移、旋转、缩放和重参数化(warping)等价类下定义并估计均值形状,尤其处理曲线仅被不规则/稀疏采样的情况。作者将实平面与复数域等同,建立与稀疏函数型数据协方差估计的联系,引入 Hermitian 协方差平滑方法,并证明其可用于估计(非)弹性全 Procrustes 均值,填补了现有内在弹性形状均值在稀疏情形下的空白。文中还提供了独立有价值的基础结果:刻画旋转不变二元随机过程的协方差结构的复数表示分解,并识别允许精确观测稀疏采样曲线的导数/SRV 变换的采样方案。方法在舌形语音数据和基于手写数据的多种现实模拟中展示了性能。对您可能有用:该文将形状分析与函数型数据协方差估计结合,其 Hermitian 平滑技巧可迁移至您熟悉的非参数/半参数估计问题,尤其是处理纵向或稀疏观测数据时的协方差结构建模。
  • 关键技术: square-root-velocity (SRV) framework, full Procrustes mean, Hermitian covariance smoothing, sparse functional data analysis, complex representation of bivariate processes
  • 为什么对您有用: 本文属于非参数/半参数理论方向,具体涉及函数型数据的形状分析与协方差估计,与您的 primary interest 中 semiparametric and nonparametric theory 和 statistical computing 相关。您可以用 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 工具来审视其 Hermitian 协方差平滑的收敛性质,或将其与您熟悉的 U-statistics 投影技术结合,分析稀疏采样下均值估计的渐近行为。该文方法学新颖,但核心机器(协方差平滑、SRV)不在您的武器库中,属于中期可做:需先在 moderately_familiar 的 semiparametric theory 上加强,才能深入评估其效率性质。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 10.1080/10618600.2026.2686430 · arXiv — OPTICS: Order-Preserved Test-Inverse Confidence Set for Number of Change-Points

  • 作者: Ao Sun, Jingyuan Liu
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of Southern California · Xiamen University
  • 分类: pp 1-13
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对变点检测中的首要问题——确定变点个数,提出了一种统一的检验反演(test-inverse)程序来构造变点个数的置信集。与现有文献中仅给出单一估计且依赖难以验证的强一致性条件不同,该方法在更宽松的条件下,以指定置信水平保证真实变点个数落入所构造的集合中。作者进一步推导了该置信集基数的阶,证明其足够窄,具有统计功效和信息量。为增强稳定性,文章还提出了多重分裂(multiple-splitting)程序,并将方法推广至重尾和相依数据设定。作为副产品,该置信集可用于评估点估计算法的有效性。通过大量模拟和膀胱肿瘤微阵列数据的应用,展示了方法的优越性能。
  • 关键技术: test-inverse confidence set, multiple splitting, change-point detection, heavy-tailed and dependent settings, R package
  • 为什么对您有用: 本文属于假设检验与变点检测的交叉领域,直接关联您对 hypothesis testing 的兴趣;其检验反演构造置信集的思想与您熟悉的 M-estimation 和 semiparametric 理论有潜在联系,且多重分裂程序与 DML 中的 cross-fitting 有异曲同工之处。从问题发现角度看,您可以用 very_familiar 的 minimax bounds 工具分析该置信集的宽度是否最优,或用 moderately_familiar 的 HOIF 理论探索高阶影响函数在变点个数推断中的应用。

2. 10.1080/10618600.2026.2697922 · arXiv — The Bag-and-Whisker Plot: A New Bagplot for Bivariate Data

  • 作者: Shenghao Qin, Bowen Gang, Tiejun Tong, Hengjian Cui
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 分类: pp 1-14
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对经典二元数据可视化工具 bagplot 的两个缺陷提出改进:其一是离群点检测的固定膨胀因子不随样本量自适应,其二是用于可视化 fence 的凸包不稳定。作者将离群点检测重新表述为多重检验问题,从而得到数据自适应的 fence,能够控制统计错误率(如 FDR 或 FWER),提高离群点识别的可靠性。为克服图形不稳定性,新方法放弃凸包(bolster),直接绘制统计 fence,并辅以细粒度 whiskers 展示数据散布。通过大量模拟和真实数据分析,新 bag-and-whisker plot 在自适应性和稳健性上优于现有标准,并提供了 CRAN 上的 R 包 BagWhiskerPlot。对您而言,该工作将可视化工具与多重检验理论结合,属于假设检验在统计计算/可视化中的应用,可作为 gateway reading 了解该交叉方向,但方法学新颖性有限。
  • 关键技术: multiple testing, data-adaptive fence, outlier detection, bagplot, R package
  • 为什么对您有用: 该论文属于假设检验在统计计算/可视化中的应用,与您的 hypothesis testing 兴趣有直接交集,但更偏向应用与软件实现。您可用 very_familiar 的软件开发和假设检验知识快速评估其多重检验控制是否严谨,属于立即可做的范畴;但若追求理论深度,其 novelty 有限,可作为了解该领域现状的入门读物。

统计计算 / 算法 (stat_computing, 12 篇)

1. 10.1080/10618600.2026.2701133 · arXiv — Scalable Subset Selection in Linear Mixed Models

  • 作者: Ryan Thompson, Matt P. Wand, Joanna J. J. Wang
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of Technology Sydney
  • 分类: pp 1-14
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对线性混合模型(LMM)中的子集选择问题,提出了一种可扩展的 l0 正则化方法,能在包含数千个预测变量的数据集上在数秒至数分钟内完成计算,填补了现有稀疏 LMM 方法仅适用于数十或数百个预测变量的空白。计算上,作者开发了坐标下降算法作为主要工具,并证明了其收敛性;同时提出局部搜索算法以遍历非凸优化曲面。两种算法通过惩罚拟似然近似可扩展到广义线性混合模型。统计上,给出了新方法关于 Kullback-Leibler 散度的有限样本界。实验在合成和真实数据集上展示了优越性能。对您而言,该方法在统计计算与高维稀疏建模的交叉点上提供了新的算法思路,尤其适合您对统计计算和算法实现的兴趣。
  • 关键技术: l0 regularization, coordinate descent, local search, penalized quasi-likelihood, Kullback-Leibler divergence bound
  • 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。其坐标下降算法和收敛性分析可借鉴到您熟悉的高维估计问题中;同时,l0 正则化与混合模型的结合为高维因果推断中的变量选择提供了潜在工具。从问题发现角度看,您可用 very_familiar 的软件开发和算法实现技能复现或扩展其算法,属于立即可做的范畴。

2. 10.1080/10618600.2026.2685851 · arXiv — Multiple Linked Tensor Factorization

  • 作者: Zhiyu Kang, Raghavendra B. Rao, Eric F. Lock
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of Minnesota
  • 分类: pp 1-13
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出 MULTIFAC,一种扩展的 CP 分解方法,用于同时降维多个多源多模态张量数组,并识别共享与个体潜在结构。方法通过对潜在因子施加 L2 惩罚实现秩稀疏,自动区分共享与张量特有的成分。算法进一步扩展为 EM 版本以处理缺失数据,通过插补完成分解。模拟研究验证了其在信号逼近、结构识别和缺失数据插补方面的有效性。实证应用展示了在早期铁缺乏多组学数据上的可解释分解。
  • 关键技术: CP decomposition, L2 penalized factorization, rank sparsity, EM algorithm, multi-way multi-omics data
  • 为什么对您有用: 本文属于统计计算与算法方向,与您的统计计算兴趣相关。您熟悉的软件开发和数值方法可用于实现或扩展该算法。作为入门级方法论文,其核心是计算与优化,而非深层理论,因此可快速理解。

3. 10.1080/10618600.2026.2748036 · arXiv — DRtool: An Interactive Tool for Analyzing High-Dimensional Clusterings

  • 作者: Justin Lin, Julia Fukuyama
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Indiana University
  • 分类: pp 1-19
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对高维数据聚类分析中常见的过度聚类问题,提出了一套新的聚类验证技术,包括可视化评估和假设检验。作者指出,高维数据中的大量噪声会模糊聚类结构,而非线性降维方法可能产生虚假结构,导致分析师误判聚类数量。为此,他们开发了基于降维结果(如t-SNE、UMAP)的视觉诊断工具和一种正式的假设检验方法,用于区分真实聚类与噪声造成的假聚类。这些方法被整合到R包DRtool中,提供交互式界面,方便分析师探索和验证聚类结果。文章通过模拟和真实数据示例展示了工具的有效性。对您而言,这是一个统计计算与可视化工具的开发案例,其假设检验部分可能涉及聚类显著性的统计推断,与您对假设检验的兴趣有一定关联。
  • 关键技术: cluster verification, hypothesis testing for clustering, nonlinear dimension reduction, interactive visualization, R package development
  • 为什么对您有用: 本文属于统计计算与软件方向,与您的统计计算兴趣直接相关。其聚类验证的假设检验方法可能涉及多重检验或置换检验,您可以用熟悉的非参数统计工具(如bootstrap)来评估其检验的效力。作为软件工具论文,它提供了交互式数据分析的范例,但方法学新颖性有限,属于应用型贡献。可作中期参考,无需立即深入。

4. 10.1080/10618600.2026.2748046 · arXiv — MCMC using bouncy Hamiltonian dynamics: A unifying framework for Hamiltonian Monte Carlo and piecewise deterministic Markov process samplers

  • 作者: Andrew Chin, Akihiko Nishimura
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Johns Hopkins University
  • 分类: pp 1-34
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文提出一个统一框架,将哈密顿蒙特卡洛(HMC)与分段确定性马尔可夫过程(PDMP)采样器(如zig-zag和bouncy particle sampler)联系起来。核心观察是任何时间可逆的确定性动力学都可作为有效的Metropolis提议,而PDMP的特征性速度变化提供了接受-拒绝的替代方案。作者据此构造了基于bouncy哈密顿动力学的无拒绝Metropolis提议,兼具哈密顿性质与PDMP的不连续轨迹。当周期性刷新惯性时,该动力学在刷新频率趋于无穷时强收敛于对应的PDMP。基于此框架实现的一个与BPS密切相关的采样器,在数万参数的真实数据后验上表现出有竞争力的性能。该工作为HMC与PDMP之间的交叉创新提供了理论基础,有助于进一步扩展贝叶斯推断的可扩展性。
  • 关键技术: Hamiltonian Monte Carlo, piecewise-deterministic Markov process, bouncy particle sampler, rejection-free Metropolis proposal, time-reversible dynamics, strong 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。您对算法设计有浓厚兴趣,且熟悉MCMC方法,本文的理论统一框架可能启发您将类似思想应用于其他采样器或优化问题。从武器库看,您对MCMC和计算方法的熟悉程度足以理解本文,但若想深入分析其收敛性质,可能需要补充随机过程理论。总体而言,本文值得一读,但并非直接推进您的主要理论兴趣。

5. 10.1080/10618600.2026.2686429 — Sparsification Subsampling for Partial Least Squares Regression

  • 作者: Junyi Lin, Mengyu Li, Cheng Meng, Yongdao Zhou
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Renmin University of China · Tsinghua University · Nankai University
  • 分类: pp 1-32
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对大规模数据下偏最小二乘(PLS)回归计算负担重的问题,提出一种基于稀疏化子抽样的新方法。作者通过元素级子抽样构造稀疏草图矩阵,得到协方差矩阵的无偏近似,并在此基础上提出核心元素估计量,将子抽样稀疏矩阵有效融入PLS回归。算法采用基于核的优化框架提升计算效率。理论上,作者证明在特定概率下,稀疏化子抽样得到的近似矩阵对任意给定投影矩阵具有最小方差。大量蒙特卡洛模拟和真实数据分析表明,该方法在估计精度、预测能力和计算效率上均优于行抽样方法甚至全样本PLS。对您而言,该文属于统计计算方向,其稀疏草图与核优化框架可迁移至其他大规模矩阵估计问题。
  • 关键技术: sparsification subsampling, sketch matrix, unbiased covariance approximation, core-elements estimator, kernel-based optimization
  • 为什么对您有用: 本文属于统计计算方向,与您的 primary interest 中 statistical computing 直接相关。您可用 very_familiar 的软件开发和矩阵计算技能快速复现其算法,并考虑将稀疏化子抽样思想与您熟悉的高阶U统计量计算结合,探索大规模数据下U统计量的高效近似。中期可做:若想深入理论,需在 moderately_familiar 的 M-estimation 理论上加强。

6. 10.1080/10618600.2026.2686447 · arXiv — Differentially Private Bayesian Inference for Gaussian Copula Correlations

  • 作者: Shuo Wang, Joseph Feldman, Jerome P. Reiter
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 分类: pp 1-11
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究高斯 copula 相关矩阵的差分隐私估计问题。作者先将原始数据转换为基于边际中位数的二维计数表,再向计数添加噪声以满足差分隐私。利用真实计数与 copula 相关参数的一一对应关系,通过复合似然对真实计数的分布进行边缘化,从而得到相关参数的后验分布。此外还提出一种用于点估计的极大似然方法。模拟研究将所提方法与现有差分隐私 copula 相关估计方法进行了比较。该方法为隐私保护下的相关结构推断提供了一种实用途径,但其理论性质(如后验一致性、收敛速率)尚待深入分析。
  • 关键技术: differential privacy, Gaussian copula, composite likelihood, Bayesian inference, two-way contingency tables
  • 为什么对您有用: 本文属于统计计算方向,涉及贝叶斯推断与隐私保护,与您的统计计算兴趣相关。您可考虑用您熟悉的非参数统计和极小极大界工具分析其估计量的收敛速率,但核心的隐私机制(如拉普拉斯机制)并非您武器库中的强项,因此属于中期可做。

7. 10.1080/10618600.2026.2681775 · arXiv — Grid Particle Gibbs with Ancestor Sampling for State-Space Models

  • 作者: Mary Llewellyn, Ruth King, Víctor Elvira, Gordon Ross
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of Edinburgh
  • 分类: pp 1-15
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对一般状态空间模型,在贝叶斯框架下提出一种高效的粒子生成方案,用于估计模型参数和潜在状态。作者将粒子吉布斯(particle Gibbs)框架与状态空间划分形成的网格近似HMM相结合,提出网格粒子吉布斯与祖先采样(grid particle Gibbs with ancestor sampling)算法。算法通过网格划分近似状态空间,从而高效采样粒子,并详细讨论了计算和实际实现方面的多个问题,提出了若干改进计算效率的调整。在具有挑战性的机制转换模型(包括一个疫情后旅游需求模型)上,该方法相比现有粒子吉布斯与祖先采样方法展示了显著的计算优势。文章提供了代码、数据和补充材料,属于计算统计方法论文,对您而言,其网格近似与粒子滤波的结合思路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: particle Gibbs, ancestor sampling, grid-based approximation, hidden Markov model approximation, state-space models, Bayesian inference
  • 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。您可以用您非常熟悉的软件开发和数值方法技能来复现或扩展该算法,例如测试不同网格划分策略对效率的影响。中期可做:若想深入分析其近似误差,可能需要加强您在MCMC和粒子滤波理论方面的知识(属于 moderately_familiar 的 M-estimation 理论之外的领域)。总体而言,本文是统计计算领域的一篇扎实方法论文,值得一读。

8. 10.1080/10618600.2026.2689663 · arXiv — Adaptive Generative Moment Matching Networks for Improved Learning of Dependence Structures

  • 作者: Marius Hofert, Gan Yao
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of Hong Kong
  • 分类: pp 1-15
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种自适应带宽选择程序,用于最大均值差异(MMD)中的混合核,以改进生成矩匹配网络(GMMNs)对 copula 随机数生成器的拟合。训练过程中,基于训练损失的相对误差逐步增加核的数量,并利用验证损失的相对误差作为早停准则。在保持训练时间相近的情况下,自适应训练(AGMMNs)显著提升了训练性能,通过验证 MMD 轨迹、样本和验证 MMD 值得以展示。在三个应用中,AGMMNs 优于 GMMNs 和参数 copula 模型:首次在高达 100 维下研究基于拟随机与伪随机样本的估计量收敛速率;对 S&P 500 指数 50 个成分股去 GARCH 后的 copula 模型,复制验证 MMD 及蒙特卡洛和拟蒙特卡洛应用展示了改进的训练效果;最后,用该数据集和 FTSE 100 的 50 个成分股证明改进的训练确实转化为更好的模型预测。对您而言,本文涉及统计计算中的算法自适应策略,与您对统计计算和算法设计的兴趣相关,可作为计算方法的参考。
  • 关键技术: maximum mean discrepancy (MMD), generative moment matching networks (GMMNs), adaptive bandwidth selection, copula models, quasi-Monte Carlo
  • 为什么对您有用: 本文属于统计计算方向,涉及生成模型和 copula 拟合,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自适应带宽选择机制,并评估其在不同 copula 族上的表现。中期可做:结合您 moderately_familiar 的 M-estimation 理论分析其收敛性质。暂不可做:核心机制不依赖高阶 U 统计或张量网络,但可借鉴其自适应策略。

9. 10.1080/10618600.2026.2685849 · arXiv — A Dimension Reduction Approach to Edge Weight Estimation for Use in Spatial Models

  • 作者: Michael F. Christensen, Jo Eidsvik
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Brigham Young University · Norwegian University of Science and Technology · Department of Mathematical Sciences
  • 分类: pp 1-13
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对区域数据(areal data)的空间模型,提出一种降低边权矩阵有效维度的估计框架。传统模型通常使用未加权的邻接矩阵,隐含假设所有相邻区域交互强度相同,而 Christensen 和 Hoff (2023) 引入的协方差模型允许边权变化,但每个边权作为独立参数导致高维估计困难。作者通过基函数表示边权,将参数空间压缩到低维子空间,从而在保持灵活性的同时提升估计可行性与稳定性。方法通过模拟和真实数据示例展示了其在协方差模型中的性能提升。对您而言,该工作属于统计计算与高维参数降维的交叉,其基函数降维思路可迁移至您熟悉的非参数或半参数估计问题中,作为处理高维结构参数的实用工具。
  • 关键技术: basis function representation, edge weight matrix estimation, dimension reduction, spatial covariance models, areal data
  • 为什么对您有用: 本文属于统计计算方向,与您 primary interest 中的 statistical computing 直接相关;其降维思想可类比于您熟悉的非参数 sieve 方法,但应用于图结构参数。武器库中 very_familiar 的非参数统计和软件工程足以支撑您快速理解并复现该方法,属于立即可做的入门级阅读,可作为图结构协方差建模的补充参考。

10. 10.1080/10618600.2026.2681777 — A Semidefinite Programming Approach to Maximum Von Neumann Entropy Experimental Design for Multiresponse Models

  • 作者: Belmiro P.M. Duarte, Anthony C. Atkinson
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Polytechnic Institute of Coimbra · University of Coimbra · London School of Economics and Political Science
  • 分类: pp 1-35
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究多响应模型下基于最大冯·诺依曼熵的近似最优实验设计问题,目标是通过最大化 Fisher 信息矩阵的 vN 熵来促进各参数方向信息的均衡分配,尤其适用于输出相关的多响应模型。作者利用量子信息论中密度算子熵与统计推断中 FIM 参数不确定性的类比,将 vN-最优设计转化为一个可处理的凸优化问题,并借助半定规划与指数锥规划的统一框架,通过内点法高效求解。文中建立了相应的等价性定理以验证设计的 vN-最优性,并在三个应用中展示该框架:剂量-反应联合疗效-毒性建模、多模态系统传感器优化布置、非线性动力学模型参数估计。该工作将经典 D/A/E 最优设计的 SDP 方法拓展到 vN 熵准则,填补了该准则在计算实现上的空白。对您而言,本文属于统计计算方向,其凸优化建模与内点法实现思路可迁移至您在高维统计或因果推断中涉及的复杂约束优化问题。
  • 关键技术: semidefinite programming, exponential cone programming, von Neumann entropy criterion, interior-point methods, equivalence theorem, optimal experimental 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 SDP 求解流程,并评估 vN 熵准则在您熟悉的因果推断或高维问题中的适用性。中期可做:若想将 vN 熵准则推广到更复杂的模型(如非参数或高维),需在 moderately_familiar 的 semiparametric theory 上进一步积累。暂不可做:本文核心是凸优化,不涉及您武器库中缺失的复杂度理论工具,因此立即可读。

11. 10.1080/10618600.2026.2696264 — FedDecay: Balancing Model Performance and Rapid Personalization in Federated Learning with Learning Rate Scheduling

  • 作者: Joseph Lavond, Minhao Cheng, Yao Li
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of North Carolina at Chapel Hill · Pennsylvania State University
  • 分类: pp 1-11
  • 相关性 3/10 · novelty: application
  • 摘要: 本文研究联邦学习(FL)中,通过在每个本地训练轮次内应用学习率衰减(learning rate scheduling)来平衡全局模型性能与快速个性化(rapid personalization)的问题。作者不提出新的个性化联邦学习(PFL)方法,而是探索一种简单的学习率调度策略,以改善本地数据异质性下的模型泛化能力。理论上提供了关于学习率衰减如何影响模型收敛与泛化的见解,并在视觉、文本和图数据等多个领域进行了实证验证。实验表明,仅靠学习率调度在泛化到新用户数据上优于其他FL方法,且与PFL方法性能相当,同时保持与FL相似的计算和内存开销。该方法无需额外模型或复杂计算,易于集成到现有FL框架中。对您而言,本文展示了统计计算中算法调优的实用价值,但方法学新颖性有限,属于应用型贡献。
  • 关键技术: federated learning, learning rate scheduling, personalized federated learning, model aggregation, empirical evaluation
  • 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相关,但方法学贡献较弱。作为入门读物,它清晰地展示了联邦学习中的计算与个性化权衡,但武器库(如优化理论、分布式计算)足以理解,无需额外工具。鉴于其应用性质,不值得深入阅读,但可作为了解FL领域的背景材料。

12. 10.1080/10618600.2026.2685040 — Model-Based Clustering via Parsimonious Mixtures of Dimension-Wise Scaled Normal Mixtures

  • 作者: Salvatore D. Tomarchio, Luca Bagnato, Antonio Punzo
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of Catania · Università Cattolica del Sacro Cuore
  • 分类: pp 1-16
  • 相关性 3/10 · novelty: application
  • 摘要: 本文在模型聚类框架下,提出基于维度加权缩放正态混合(DSNM)的简约有限混合模型,以处理具有对称簇且各维度峰度可变的连续数据。DSNM 通过引入各维度独立的混合随机变量,在正态尺度混合框架下推广了多元正态分布,允许更一般的中心对称性和维度特异性的超额峰度,且保持不相关即独立的性质。作者以均匀分布和移位指数分布作为混合分布为例,得到闭式联合密度,并通过对条件相关、尺度和尾部参数施加约束,构建了包含 60 个可解释模型的家族。估计采用两种 EM 算法变体,具体取决于模型结构。模拟和真实数据实验表明,所提模型优于已有的对称重尾混合模型。对您而言,该文属于统计计算方向,其 EM 算法实现和模型选择策略可作为您软件开发的参考,但方法学新颖性有限。
  • 关键技术: dimension-wise scaled normal mixtures, finite mixture models, expectation-maximization algorithm, parsimonious parameterization, model-based clustering
  • 为什么对您有用: 该文属于统计计算方向,与您 primary interest 中的 statistical computing 相关,但方法学创新有限。作为 gateway reading,它展示了 EM 算法在复杂混合模型中的应用,但您武器库中的软件开发和数值方法足以支撑理解,无需深入。

其他 (other, 7 篇)

1. 10.1080/10618600.2026.2748043 · arXiv — Robustifying Approximate Bayesian Computation

  • 作者: Chaya Weerasinghe, Rubén Loaiza-Maya, Christopher Drovandi, David T. Frazier
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Peter Doherty Institute · Monash University · Queensland University of Technology
  • 分类: pp 1-32
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对近似贝叶斯计算(ABC)在模型误设定下表现不可靠的问题,提出一种稳健的ABC方法。该方法通过调整ABC的接受准则或权重,使其对模型误设定具有鲁棒性,并能识别与假设数据生成过程不相容的汇总统计量。在多个模拟实验中,该方法在模型误设定下比标准ABC方法提供更准确的点估计和不确定性量化。文章还通过一个实证例子展示了其相对于替代方法的优势。该方法属于计算统计与贝叶斯推断的交叉领域,对您而言,其稳健化思想与您关注的统计计算和因果推断中的敏感性分析有一定关联。
  • 关键技术: Approximate Bayesian Computation, model misspecification, robust inference, summary statistic diagnostics
  • 为什么对您有用: 本文属于统计计算方法,与您的统计计算兴趣相关,但并非您核心的因果推断或高维统计方向。作为计算统计的入门或扩展阅读,其稳健化处理模型误设定的思路可能对您处理因果推断中的敏感性分析有启发。武器库足以理解其方法,但直接可迁移性有限,属于中期可做的方向,需在贝叶斯计算上稍作了解。

2. 10.1080/10618600.2026.2748028 · arXiv — MaxTDA: Robust Statistical Inference for Maximal Persistence in Topological Data Analysis

  • 作者: Sixtus Dakurah, Jessi Cisewski-Kehe
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of Wisconsin–Madison
  • 分类: pp 1-26
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 MaxTDA 框架,针对拓扑数据分析中持久同调对噪声敏感、稳健方法易低估显著拓扑特征持久性的问题。方法结合核密度估计与基于拒绝采样的水平集阈值化,构造最大持久性特征的一致估计量,在保持对噪声和异常值稳健性的同时最小化偏差。作者建立了采样过程的一致性和最大持久性估计量的稳定性,并利用分位数构造拒绝带,实现对拓扑特征的统计推断。数值模拟涵盖多种数据集,包括系外行星天文学实例,展示了 MaxTDA 在恢复真实拓扑信号方面的有效性。对您而言,本文属于统计计算与稳健推断的交叉应用,虽非核心兴趣,但其拒绝采样与水平集阈值化的结合思路,以及天文数据应用,可作为统计计算和天体统计方向的入门阅读。
  • 关键技术: kernel density estimation, level-set thresholding, rejection sampling, persistent homology, rejection bands
  • 为什么对您有用: 本文属于统计计算与稳健推断的交叉应用,虽非核心兴趣,但其拒绝采样与水平集阈值化的结合思路,以及天文数据应用,可作为统计计算和天体统计方向的入门阅读。武器库中的非参数统计和软件工具足以理解其方法,但缺乏拓扑数据分析背景,暂不可直接跟进。

3. 10.1080/10618600.2026.2685866 · arXiv — High-Dimensional Bayesian Tobit Regression for Censored Response with Horseshoe Prior

  • 作者: The Tien Mai
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 分类: pp 1-32
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究高维 Tobit 回归中响应变量左删失的问题,目标是在协变量维数超过样本量时估计回归系数并实现变量选择。作者提出贝叶斯框架,使用 Horseshoe 先验诱导稀疏性,并通过数据增广策略实现 Gibbs 采样的高效后验计算。在稀疏性假设下,作者建立了后验相合性并推导了收缩率,这是高维贝叶斯 Tobit 模型的首次理论结果。数值实验表明该方法优于近期提出的 Lasso-Tobit 方法,并提供了 R 包 tobitbayes 实现。该工作属于贝叶斯高维回归与删失数据建模的交叉领域,与您的主要兴趣(如高维统计、半参数理论)关联较弱,但其中 Horseshoe 先验的收缩性质与后验收缩率分析可能对您在高维推断中的正则化方法研究有参考价值。
  • 关键技术: Horseshoe prior, data augmentation, Gibbs sampling, posterior consistency, concentration rates
  • 为什么对您有用: 本文属于贝叶斯高维回归,与您的主要兴趣(高维统计、半参数理论)关联较弱,但 Horseshoe 先验的收缩性质与后验收缩率分析可能对您在高维推断中的正则化方法研究有参考价值。从武器库看,您熟悉的高维渐近与 minimax 工具可用来审视其收缩率是否最优,但贝叶斯计算细节(Gibbs 采样)并非您的核心机器,因此暂不可做。

4. 10.1080/10618600.2026.2748033 · arXiv — Bayesian local clustering of functional data via semi-Markovian random partitions

  • 作者: Giovanni Toto, Antonio Canale
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: The University of Texas at Austin · University of Padua
  • 分类: pp 1-20
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一个贝叶斯框架,用于函数型数据的间接局部聚类。方法基于 B 样条基展开,并引入一种新的依赖随机划分模型,利用 B 样条的局部支撑性质,允许共享基系数在足够连续的区域上产生部分重合的函数行为。该依赖随机划分模型通过半马尔可夫依赖结构对划分序列建模,比标准马尔可夫假设更灵活,且与 B 样条基的阶数匹配,构成高度灵活的先验。模型不仅适用于函数型数据,还可推广到一般依赖划分序列问题。模拟数据和威尼斯潟湖潮位数据的实证分析展示了方法的有效性和通用性。对您而言,本文属于贝叶斯非参数与函数型数据分析的交叉,与您的主要兴趣(非参数/半参数理论)有间接关联,但方法核心并非您熟悉的因果推断或高维统计框架。
  • 关键技术: B-spline basis expansion, dependent random partition model, semi-Markovian dependence, Bayesian nonparametrics, local clustering
  • 为什么对您有用: 本文属于贝叶斯非参数与函数型数据分析的交叉,与您的主要兴趣(非参数/半参数理论)有间接关联,但方法核心并非您熟悉的因果推断或高维统计框架。作为 gateway reading,本文对非参数贝叶斯方法有一定介绍性,但并非您当前武器库的直接延伸;若您想了解贝叶斯非参数在函数型数据中的应用,可作为入门读物,但优先级不高。

5. 10.1080/10618600.2026.2750481 · arXiv — Dependent Dirichlet processes via thinning

  • 作者: Laura D’Angelo, Bernardo Nipoti, Andrea Ongaro
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of Milano-Bicocca
  • 分类: pp 1-47
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种基于 thinning 机制的 dependent Dirichlet process (DDP) 新框架,用于建模多个相关样本的集合。该方法通过将原始 stick-breaking 构造中的一部分 beta 随机变量置零,得到一组既共享原子又具有独特原子的相关随机分布,且共享原子在不同分布中具有不同权重。该构造的通用性允许表达多种依赖结构,同时其简洁性便于刻画理论性质并推导高效的后验推断计算方法。模拟研究表明,该方法在减少组特定推断不确定性的同时,能避免不必要的信息过度借用,优于相关的最先进模型。应用于 Collaborative Perinatal Project 数据,展示了模型估计组特定密度和揭示样本内外有意义分组的能力。对您而言,本文属于贝叶斯非参数方向,与您的主要兴趣(如 semiparametric/nonparametric theory)有一定关联,但并非核心领域。
  • 关键技术: dependent Dirichlet process, stick-breaking representation, thinning mechanism, Bayesian nonparametrics, posterior inference
  • 为什么对您有用: 本文属于贝叶斯非参数方法,与您的 semiparametric/nonparametric theory 兴趣有间接关联,但并非核心。作为 gateway reading,本文对非参数贝叶斯建模的依赖结构提供了清晰介绍,但您的武器库(如 minimax 理论、U-statistics)并不直接适用于此。因此,本文可作为了解贝叶斯非参数依赖建模的入门读物,但不太可能引发直接的方法学跟进。

6. 10.1080/10618600.2026.2703268 · arXiv — Loss-Based Prior for CART and BART Models

  • 作者: Francesco Serafini, Cristiano Villa, Fabrizio Leisen, Kevin Wilson
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: University of Bristol · Duke Kunshan University · King's College London · Newcastle University
  • 分类: pp 1-19
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种用于贝叶斯加性回归树(BART)模型中树拓扑结构的新型先验。该先验通过量化选择错误树结构所导致的信息损失和复杂度损失来构建,从而自然地偏向稀疏性,以缓解 BART 模型的过拟合倾向。先验分布通过两个参数分别控制树的深度和左右分支的平衡,并提供了默认校准方案,形成客观版本。作者在模拟和真实数据集上验证了方法的有效性。该方法属于贝叶斯非参数与统计计算交叉领域,与您的主要兴趣(如非参数/半参数理论、统计计算)有一定关联,但并非核心方向。
  • 关键技术: Bayesian Additive Regression Trees, loss-based prior, tree topology prior, sparsity-inducing prior, default calibration
  • 为什么对您有用: 本文涉及贝叶斯非参数建模与统计计算,与您的统计计算兴趣(算法)有轻度关联,但核心方法(树先验设计)与您的主要研究方向(因果推断、高维统计、U统计量等)交集有限。作为统计计算方向的入门或扩展阅读有一定价值,但并非高优先级。

7. 10.1080/10618600.2026.2685844 · arXiv — Supervised Bayesian Joint Graphical Model for Simultaneous Network Estimation and Subgroup Identification

  • 作者: Xing Qin, Xu Liu, Shuangge Ma, Mengyun Wu
  • 期刊/来源: Journal of Computational and Graphical Statistics
  • 机构: Shanghai University of International Business and Economics · Shanghai University of Finance and Economics · Yale University
  • 分类: pp 1-28
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种有监督的贝叶斯联合图模型(SBJGM),用于同时进行网络估计和亚组识别。模型假设异质性不仅体现在分子数据中,还与临床结局相关,通过引入新的相似性先验来有效利用不同亚组网络之间的相似性,从而促进有临床意义的网络构建和亚组识别。作者严格建立了估计量的一致性性质,并开发了高效算法。通过大量模拟研究和TCGA真实数据应用,展示了该方法在亚组和网络识别方面的优势。对您而言,该工作属于贝叶斯图模型与亚组分析的交叉,与您的主要兴趣(如高维统计、半参数理论)关联较弱,但其中网络估计与异质性建模的思路可能对您关注的因果推断中的异质性处理有间接启发。
  • 关键技术: Bayesian graphical model, similarity prior, subgroup identification, network estimation, consistency properties
  • 为什么对您有用: 该论文属于统计图模型与亚组分析的交叉领域,与您的主要兴趣(因果推断、高维统计、半参数理论)关联较弱,但其中网络估计与异质性建模的思路可能对您关注的因果推断中的异质性处理有间接启发。从武器库角度看,您对高维统计和M估计的熟悉程度足以理解其理论部分,但贝叶斯先验设计和MCMC算法并非您的核心工具,因此属于中期可做的方向,需先熟悉贝叶斯建模。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论