JUQ — Vol 13 Issue 1 · 2026-10-17¶
- 共 12 篇 · SIAM/ASA Journal on Uncertainty Quantification
- 目录核对 ✅ 12 篇全部抓到(对照 OpenAlex 12 篇)
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。
本期 12 篇论文大致可归为三条主线:多保真度建模与不确定性量化(约 5 篇)、贝叶斯计算与采样算法(约 4 篇)、函数空间上的推断与逼近理论(约 3 篇)。多保真度主线覆盖从替代模型构造、密度/尾部估计到模型校准的完整流程;贝叶斯计算主线聚焦大规模或高维场景下的采样效率与实验设计;函数空间主线则从最优传输和傅里叶表示两个方向推进非参数/半参数推断的工具箱。
多保真度主线是本期最集中的主题,且各篇切入角度互补。Worst-Case Learning 与 Sampling Low-Fidelity Outputs 分别从确定性误差保证和极值密度估计两端处理低保真数据的选择问题,前者用最优恢复理论给出 Chebyshev 中心解,后者引入重要性采样与 proposal 分布的最优性分析。Elastic Bayesian Model Calibration 将相位变异显式建模为扭曲函数,与 Polynomial Chaos Surrogate 中通过 Rosenblatt 变换分离内在随机性与参数不确定性的做法形成对照——两者都在处理「模型输出与数据之间的失配来源」这一核心问题。Multiobjective Optimization 虽面向应用,但其期望分位数改进准则与多保真框架的序贯设计逻辑可视为同一主线的决策导向延伸。
贝叶斯计算主线中,HMC and Underdamped Langevin United 在理论上统一了两类采样器,将高斯情形的收敛率从 O(κ) 改进到 O(√κ),并推广至 log-concave 光滑目标的随机梯度版本,是本期对算法理论贡献最直接的一篇。Scalable Method for Bayesian Experimental Design 则从另一侧切入,利用条件期望正交投影避开后验积分,配合神经网络近似与迁移学习减少 PDE 观测模型评估次数,与 Entropy-Based Burn-in Time Analysis 的实用性能度量形成互补——前者优化设计点选择,后者评估链何时达到平稳。Adaptive Hierarchical Ensemble Kalman Filter 的在线降基策略虽偏工程,但与多保真主线共享「低成本模型动态更新」的思想。
函数空间主线的两篇理论性最强。Conditional Optimal Transport on Function Spaces 将三角传输映射推广至无限维可分空间,给出条件测度的块三角 Monge 映射刻画与正则性估计,对摊销贝叶斯推断和非参数效率界研究均有参考价值。Equispaced Fourier Representations 则从计算角度解决大规模高斯过程回归,利用 Toeplitz 结构与 FFT 实现 O(N log N) 复杂度,并附核近似误差界,适合处理低维大样本场景。
与因果推断、半参数效率、高维方向最贴合的优先阅读顺序:Conditional Optimal Transport(无限维条件测度与正则性)、HMC and Underdamped Langevin(高维采样收敛率)、Worst-Case Learning(最优恢复的误差保证框架)、Equispaced Fourier Representations(大规模非参数回归的计算理论)。
非参数 / 半参数 (nonparam_semipara, 1 篇)¶
1. 10.1137/23m1618922 — Conditional Optimal Transport on Function Spaces¶
- 作者: Bamdad Hosseini, Alexander W. Hsu, Amirhossein Taghvaei
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of Washington
- 分类: vol 13 · issue 1 · pp 304-338
- 相关性 4/10 · novelty:
new_theory - 摘要: 本文在可分无限维函数空间上系统研究了条件三角传输映射,从最优传输视角出发,为摊销贝叶斯推断提供理论基础。作者提出了约束最优传输问题,刻画了块三角Monge映射,该映射能表征条件测度,并给出了相应的Kantorovich松弛。该工作将最优三角传输理论推广到一般代价函数的无限维情形,并针对贝叶斯推断问题,获得了从先验到后验的条件映射的正则性估计。数值实验展示了这些理论结果在摊销和似然自由推断中的计算可行性。对您而言,其无限维函数空间上的条件测度刻画与正则性分析,与您在半参数与非参数理论方面的兴趣高度相关,尤其是其中对映射的正则性估计方法可能对您研究非参数估计的效率界有启发。
- 关键技术:
optimal transport,triangular transport maps,Kantorovich relaxation,amortized Bayesian inference,likelihood-free inference - 为什么对您有用: 本文属于非参数/半参数理论范畴,具体涉及函数空间上的最优传输与条件测度建模,与您的非参数理论兴趣直接相关。您可运用非常熟悉的最小极大界工具来审视其正则性估计是否最优,或探索其与半参数效率理论中影响函数的关系。中期可做:需先熟悉最优传输的Kantorovich对偶理论(目前不在武器库中),才能深入评估其理论贡献。
统计计算 / 算法 (stat_computing, 5 篇)¶
1. 10.1137/23m1603364 · arXiv — Scalable Method for Bayesian Experimental Design without Integrating over Posterior Distribution¶
- 作者: Vinh Hoang, Luis Espath, Sebastian Krumscheid, Raúl Tempone
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: RWTH Aachen University
- 分类: vol 13 · issue 1 · pp 114-139
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对基于偏微分方程观测模型的 A-最优贝叶斯实验设计,提出一种无需对后验分布进行采样或积分的似然无关方法。核心思想是利用条件期望的正交投影性质,将期望条件方差估计为条件期望的方差,从而避免后验积分。作者推导了该估计量的渐近误差界,并通过数值实验验证。对于连续设计参数域,进一步提出基于人工神经网络的非局部条件期望近似,并结合迁移学习与数据增强以减少观测模型评估次数。数值实验表明,与广泛使用的基于重要性采样的方法相比,该方法大幅减少了观测模型评估次数。
- 关键技术:
A-optimal Bayesian experimental design,likelihood-free estimation,orthogonal projection property,conditional expectation approximation,neural network surrogate,transfer learning,data augmentation - 为什么对您有用: 本文属于统计计算方向,与您的 statistical computing 兴趣直接相关。其核心技巧——利用正交投影性质避免后验积分——与您熟悉的非参数统计和投影方法有相通之处。您可以用 very_familiar 的软件开发和数值方法技能快速复现其算法,并评估其渐近误差界是否可改进。中期可做:若想深入分析神经网络近似的理论性质,需在 moderately_familiar 的 M-estimation 理论上加强。
2. 10.1137/23m1608963 — HMC and Underdamped Langevin United in the Unadjusted Convex Smooth Case¶
- 作者: Nicolaï Gouraud, Pierre Le Bris, Adrien Majka, Pierre Monmarché
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Sorbonne Université · Laboratoire Jacques-Louis Lions · Qubit Pharmaceuticals · Institut des Hautes Études Scientifiques · ENSAE Paris · Institut Universitaire de France
- 分类: vol 13 · issue 1 · pp 278-303
- 相关性 4/10 · novelty:
new_theory - 摘要: 本文研究了一族未调整的广义 HMC 采样器,涵盖标准位置 HMC 和欠阻尼 Langevin 离散化。在高斯情形下,通过部分速度刷新,将收敛率从条件数 κ 的 O(κ) 改进到 O(√κ),并经验验证了 Metropolis 调整版本和动力学分段确定性马尔可夫过程的类似效果。进一步,作者考虑了随机梯度版本,在 log-concave 光滑目标上建立了无维度依赖的收敛率,统一并推广了位置 HMC 与欠阻尼 Langevin 的已有结果。该工作为采样算法的参数优化和收敛性分析提供了统一框架,对您在高维统计计算中的算法设计有直接参考价值。
- 关键技术:
generalized HMC,underdamped Langevin,partial velocity refreshment,stochastic gradient,log-concave sampling,dimension-free convergence - 为什么对您有用: 本文属于统计计算方向,直接关联您的主要兴趣之一。您熟悉的非参数统计和最小最大界工具可用于验证其收敛率的最优性;同时,其统一框架可能启发您在高维 U-统计量计算中的采样方法设计。
3. 10.1137/23m1611932 — Entropy-Based Burn-in Time Analysis and Ranking for (A)MCMC Algorithms in High Dimension¶
- 作者: Didier Chauveau, Pierre Vandekerkhove
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Université d'Orléans · Centre National de la Recherche Scientifique · Institut Denis Poisson · Laboratoire d’Analyse et de Mathématiques Appliquées · Université Gustave Eiffel
- 分类: vol 13 · issue 1 · pp 251-277
- 相关性 4/10 · novelty:
new_method - 摘要: 本文提出一种基于熵估计的仿真方法来评估和比较(自适应)MCMC算法在高维下的最短 burn-in 时间,目标是在缺乏理论收敛率时提供实用的性能度量。方法利用 Kullback 散度准则,通过估计每次迭代算法密度的熵来判断链是否达到平稳,熵估计基于 i.i.d. 模拟链。作者证明了基于核密度估计的熵估计在 MCMC 设定下的一致性,并研究了 Kozachenko-Leonenko 最近邻(NN)熵估计,指出在高维下两者收敛慢且偏差显著。为降低偏差,他们采用 Wang-Kulkarni-Verdú 的交叉 NN 型非参数 Kullback 散度估计,并在一般 MCMC 算法类的连续密度上证明了其一致性。针对更高维情形,提出基于 PCA 的降维策略以减少维数和偏差,前提是 PCA 有效。算法已集成到 R 包 EntropyMCMC 中,并利用并行计算提升效率。对您而言,该工作涉及非参数密度估计和熵估计的渐近理论,与您在高维统计和统计计算方面的兴趣相关,但其核心是 MCMC 诊断而非因果推断或高维推断。
- 关键技术:
Kullback-Leibler divergence,nearest-neighbor entropy estimation,kernel density estimation,crossed NN divergence estimator,PCA dimension reduction,MCMC burn-in diagnostics - 为什么对您有用: 本文属于统计计算方向,涉及非参数熵估计和 MCMC 诊断,与您的主要兴趣(统计计算、非参数理论)有部分重叠,但并非核心方向。作为入门读物,它展示了如何将非参数估计理论应用于 MCMC 实践,但需要您熟悉 MCMC 和熵估计基础。您的武器库(非参数统计、高维渐近)足以理解其理论部分,但若要深入改进估计器或处理更高维问题,可能需要补充 MCMC 收敛理论的知识。总体而言,值得快速浏览以了解方法,但可能不值得深入阅读全文。
4. 10.1137/24m1653690 — An Adaptive Hierarchical Ensemble Kalman Filter with Reduced Basis Models¶
- 作者: Francesco A. B. Silva, Cecilia Pagliantini, Karen Veroy
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Eindhoven University of Technology · University of Pisa
- 分类: vol 13 · issue 1 · pp 140-170
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对非线性偏微分方程系统的状态估计问题,提出一种自适应分层集合卡尔曼滤波器,结合了降阶模型与多保真/多水平集合卡尔曼滤波方法。传统方法在离线阶段构建低保真模型,难以同时保证精度与计算效率;本文提出在线自适应降基技术,通过结合少量全阶解和先前时间步训练的降阶模型信息,动态更新逼近空间。该方法旨在同时确保模型精度与低成本,从而提升多保真和多水平方法的性能。理论分析可能涉及误差界与计算复杂度权衡,但摘要未给出具体收敛率。数值实验预计展示所提方法在基准问题上的有效性与效率。对您而言,本文属于统计计算与不确定性量化的交叉领域,其自适应降基思想与您对算法计算成本的兴趣相关,但方法本身与您的主要统计理论兴趣距离较远。
- 关键技术:
ensemble Kalman filter,reduced basis methods,multifidelity methods,multilevel methods,adaptive model reduction - 为什么对您有用: 本文属于统计计算与不确定性量化领域,与您的统计计算兴趣相关,但并非您的主要理论方向。作为计算方法的改进,其自适应降基策略可能对处理大规模逆问题有启发,但您更关注统计推断的效率理论,因此相关性有限。武器库中的软件开发和数值方法经验可帮助理解实现细节,但无需深入。建议作为了解前沿计算方法的泛读材料,不投入深度阅读。
5. 10.1137/23m1565310 — Equispaced Fourier Representations for Efficient Gaussian Process Regression from a Billion Data Points¶
- 作者: Philip Greengard, Manas Rachh, Alex H. Barnett
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Columbia University · Flatiron Institute
- 分类: vol 13 · issue 1 · pp 63-89
- 相关性 0/10 · novelty:
new_method - 摘要: 本文提出一种基于傅里叶变换的高斯过程回归快速算法,适用于低维空间中的大规模数据。其核心思想是将平移不变协方差核用等距笛卡尔频率网格上的复指数近似,从而将权重空间系统矩阵转化为Toeplitz结构,进而利用FFT在O(N log N)时间内完成矩阵-向量乘法,与数据点数N无关。系统矩阵的构建通过非均匀FFT在O(N log N)内完成,支持迭代求解器高效处理大规模回归问题,即使对于重尾谱密度的核(如大平滑参数的Matérn核)也有效。作者给出了核近似误差和后验均值误差的理论界。数值实验表明,在一维、二维和三维空间中,对于平方指数核和Matérn核,该方法在相当精度下通常比最先进的秩结构求解器快1-2个数量级。例如,二维Matérn-1/2回归可在标准桌面计算机上两分钟内处理10亿数据点,后验均值精度达到10^-2,将空间统计应用规模扩大了100倍。对您而言,该工作展示了如何利用FFT和Toeplitz结构突破大规模高斯过程计算瓶颈,与您对统计计算和算法设计的兴趣直接相关。
- 关键技术:
Gaussian process regression,Fourier approximation,Toeplitz matrix,Fast Fourier Transform (FFT),Nonuniform FFT,Iterative solvers - 为什么对您有用: 本文属于统计计算方向,直接关联您的主要兴趣之一。其核心创新在于利用FFT和Toeplitz结构实现大规模高斯过程回归,这与您熟悉的数值方法和算法设计高度相关。您可以用您非常熟悉的软件开发和数值分析技能来复现或扩展该方法,例如测试不同核函数或高维情形。这是一个立即可做的方向,因为您已具备所需的计算工具和数值分析基础。
其他 (other, 6 篇)¶
1. 10.1137/24m1671025 — Worst-Case Learning under a Multifidelity Model¶
- 作者: Simon Foucart, Nicolas Hengartner
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Texas A&M University · Los Alamos National Laboratory
- 分类: vol 13 · issue 1 · pp 171-194
- 相关性 5/10 · novelty:
new_theory - 摘要: 本文研究多保真度模型下的最坏情况学习问题,目标是在高保真与低保真代码的有限次运行基础上,构造输入输出关系的替代模型,并给出确定性的误差保证而非随机性保证。作者采用最优恢复(optimal recovery)理论框架,在三个场景中推导了新的理论结果:线性泛函的全局最优估计、Hilbert 空间中任意感兴趣量的全局最优逼近,以及局部最优逼近。局部最优逼近问题归结为两个超椭球交集上的 Chebyshev 中心求解。该框架具有一般性,可推广至其他上下文。对您而言,本文属于计算统计与逼近理论方向,与您的主要兴趣(统计计算、非参数理论)有间接关联,但并非直接推进您的研究主线。
- 关键技术:
optimal recovery,worst-case error,multifidelity surrogate,Chebyshev center,hyperellipsoid intersection - 为什么对您有用: 本文属于统计计算与逼近理论,与您的统计计算兴趣有交集,但并非核心方向。作为 gateway reading,本文的数学框架(最优恢复)对非参数估计的 worst-case 分析有一定启发,但武器库中的工具(如 minimax 理论)足以理解,无需额外学习。建议作为扩展阅读,不必深读。
2. 10.1137/24m1633625 — Multiobjective Optimization Using Expected Quantile Improvement for Decision Making in Disease Outbreaks¶
- 作者: Daria Semochkina, Alexander I. J. Forrester, David C. Woods
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of Southampton · Nottingham Trent University
- 分类: vol 13 · issue 1 · pp 228-250
- 相关性 4/10 · novelty:
application - 摘要: 本文研究在环境变量(不可控输入)不确定性下的多目标优化问题,目标是为公共卫生决策(如炭疽孢子扩散)提供鲁棒的 Pareto 前沿。方法将期望分位数改进(EQI)准则扩展至多目标情形,采用序贯设计策略,通过 Monte Carlo 采样积分掉环境变量的不确定性,并用高斯过程代理模型(emulator)近似模拟器输出。在双目标设定下,算法迭代选择新的模拟器评估点以改进 Pareto 前沿的估计。实证部分以炭疽孢子空间扩散为案例,展示了在气象特征等输入不确定性较大时仍能有效识别 Pareto 前沿。对您而言,本文属于不确定性量化和序贯实验设计在应用场景中的方法学贡献,与您的主要兴趣(如因果推断、高维统计)关联较弱,但可作为统计计算和代理模型应用的参考。
- 关键技术:
expected quantile improvement,multiobjective optimization,Gaussian process emulation,sequential design,Monte Carlo integration - 为什么对您有用: 本文属于不确定性量化与序贯设计领域,与您的主要兴趣(因果推断、高维统计、U-统计量)无直接重叠,但其中高斯过程代理模型和序贯设计的思想可能对您感兴趣的统计计算方向有启发。作为 gateway reading,本文对统计学家而言入门友好,但方法学 novelty 一般,属于应用型方法扩展。
3. 10.1137/24m1644092 — Elastic Bayesian Model Calibration¶
- 作者: Devin Francom, J. Derek Tucker, Gabriel Huerta, Kurtis Shuler, Daniel Ries
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Los Alamos National Laboratory · Sandia National Laboratories
- 分类: vol 13 · issue 1 · pp 195-227
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对计算机模型输出为函数型数据且存在相位(对齐)变异时的贝叶斯模型校准问题。传统校准方法通常假设模型输出与实验数据在相位上对齐,当参数同时影响幅度和相位时性能不佳。作者提出将失配的函数响应分解为对齐后的幅度函数和扭曲函数,分别对这两类数据进行仿真和实验建模,并利用两者进行校准,以同时匹配实验数据的幅度和相位。方法在建模相位变异时注意约束条件,并设计为可直接使用现有校准软件实现。通过两个模拟例子和两个动态材料科学问题(飞片实验的强度模型校准、Z-machine的状态方程校准)展示了方法的有效性。
- 关键技术:
Bayesian model calibration,functional data analysis,phase-amplitude separation,warping functions,Gaussian process emulation - 为什么对您有用: 本文属于统计计算与不确定性量化方向,与您的统计计算兴趣相关,但方法学上主要依赖贝叶斯校准和函数型数据分析,与您的主要兴趣(因果推断、高维统计、U统计量)关联较弱。作为gateway阅读,本文对函数型数据校准的建模思路有清晰阐述,但武器库(如非参数统计、M估计)足以理解,无需额外工具。若您对函数型数据或不确定性量化感兴趣,可作入门读物,否则可略读。
4. 10.1137/23m161433x — Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI¶
- 作者: Felix Terhag, Philipp Knechtges, Achim Basermann, Raúl Tempone
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Deutsches Zentrum für Luft- und Raumfahrt e. V. (DLR) · RWTH Aachen University · King Abdullah University of Science and Technology
- 分类: vol 13 · issue 1 · pp 90-113
- 相关性 0/10 · novelty:
application - 摘要: 本文针对 MRI 左心室分割中体积估计的不确定性量化问题,提出一种后验(post-hoc)方法:用 Itô 随机微分方程(SDE)对沿心脏长轴的左心室面积路径的预测误差进行建模,从而得到体积预测的路径式不确定性。该方法与底层分割算法无关,可适配任意 U-Net 类分割网络,且对数据集变化鲁棒,适合标注数据有限的医疗中心。核心贡献在于将不确定性建模从分割像素层面提升到临床关心的体积估计层面,并给出可干预的可靠性指标。实验验证了方法在跨厂商/协议场景下的有效性。对您而言,本文属于应用型工作,方法学 novelty 有限,但 SDE 建模与医学影像分割结合的角度可作为 gateway reading 了解 UQ 在临床应用的现状。
- 关键技术:
Itô stochastic differential equations,post-hoc uncertainty quantification,U-Net segmentation,pathwise error modeling,left ventricle volume estimation - 为什么对您有用: 本文属于应用型工作,与您的主要兴趣(因果推断、高维统计等)无直接交集,但可作为 gateway reading 了解医学影像中不确定性量化的实际需求与建模思路。您的武器库(如非参数统计、M估计)足以理解其方法,但缺乏 SDE 建模的专门训练,因此暂不可直接迁移。若您对医学影像 UQ 感兴趣,本文值得一读,但不必深究。
5. 10.1137/24m1639142 — Sampling Low-Fidelity Outputs for Estimation of High-Fidelity Density and Its Tails¶
- 作者: Minji Kim, Kevin O’Connor, Vladas Pipiras, Themistoklis Sapsis
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of North Carolina at Chapel Hill · Massachusetts Institute of Technology
- 分类: vol 13 · issue 1 · pp 30-62
- 相关性 0/10 · novelty:
new_method - 摘要: 在 multifidelity 设定下,同一条件下存在低成本低保真与高成本高保真两类数据源,本文研究当目标是估计高保真输出的概率密度(尤其尾部与极值)时,应如何选择低保真输出对应的采样点来获取高保真输出。作者从重要性采样视角出发,对低保真输出按某个 proposal 分布加权,并结合极值理论对尾部做专门处理,引入最优 proposal 分布的概念,并在理论与模拟中研究其性质。方法通过船舶运动记录极值的密度估计实例加以说明,其中两个不同保真度的计算机代码提供数据。该工作属于不确定性量化与计算统计的交叉,对您而言,其重要性采样与极值理论的结合可作为统计计算方向的入门阅读,但方法论上与您的主要兴趣(因果推断、高维、半参数)关联较弱。
- 关键技术:
multifidelity estimation,importance sampling,extreme value theory,optimal proposal distribution,density estimation - 为什么对您有用: 本文属于统计计算与不确定性量化方向,可作为 gateway reading 了解 multifidelity 与重要性采样的结合;但核心机器(极值理论、重要性采样)不在您的武器库中,且与主要兴趣无直接交集,因此仅作一般了解,不值得深入展开。
6. 10.1137/23m1613505 — Polynomial Chaos Surrogate Construction for Random Fields with Parametric Uncertainty¶
- 作者: Joy N. Mueller, Khachik Sargsyan, Craig J. Daniels, Habib N. Najm
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Sandia National Laboratories California
- 分类: vol 13 · issue 1 · pp 1-29
- 相关性 0/10 · novelty:
new_method - 摘要: 本文针对具有参数不确定性和内在随机性的随机计算模型,提出了一种扩展的多项式混沌展开(PCE)代理模型构建方法。传统PCE仅适用于确定性模型,本文通过Rosenblatt变换将内在随机性与参数不确定性映射到联合空间,其中条件累积分布函数通过核密度估计实现。对于随机场数据,进一步结合Karhunen–Loève展开进行降维。利用PCE的Sobol指数闭式解,可进行全局敏感性分析,量化内在噪声对输出方差的贡献。所构建的联合PCE具有生成性,可在任意参数设置下生成统计上近似等价的随机实现。方法在化学催化实例和可切换单峰/双峰响应的合成例上得到验证。
- 关键技术:
polynomial chaos expansion,Rosenblatt transformation,kernel density estimation,Karhunen–Loève expansion,Sobol indices,surrogate modeling - 为什么对您有用: 本文属于不确定性量化(UQ)领域,与您的主要兴趣(因果推断、高维统计等)无直接重叠,但其中使用的Karhunen–Loève展开和Sobol指数在统计计算和随机场建模方面有一定关联。作为统计计算方向的入门读物,本文方法清晰,但武器库(如非参数统计、核方法)足以支撑理解,不过对您的研究主线帮助有限,暂不值得深入阅读。
Maintained by 陈星宇 · Homepage · Source on GitHub