JUQ — Vol 13 Issue 2 · 2026-10-17¶
- 共 19 篇 · SIAM/ASA Journal on Uncertainty Quantification
- 目录核对 ✅ 19 篇全部抓到(对照 OpenAlex 19 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。
本期共 19 篇论文,整体可归纳为三条主线:贝叶斯反问题与不确定性量化(UQ)的计算方法、随机偏微分方程(SPDE)与动力系统的数值逼近、以及非参数/半参数推断与模型校准。其中前两条主线占据绝对多数,且相互交织——多篇论文将采样、多层蒙特卡洛、稀疏网格等计算工具用于高维或随机场设定下的反演与误差控制。另有少量论文涉及假设检验(floodgate 敏感性分析)、生成模型统计保证(群不变 GAN)及函数型数据推断,但主题较为分散。
最突出的是贝叶斯反问题与 UQ 计算方法,共 8 篇,且方法工具高度集中:张量列(TT)近似(Tensor Train Based Sampling)、多层蒙特卡洛(Multilevel MCMC、Antithetic Multilevel Methods)、鲁棒实验设计(Robust A-Optimal Design)、代理模型与多保真度融合(Surrogate Modeling、Feature Calibration)。这些论文共享一个目标——在高维或昂贵观测下降低计算成本并保持统计保证。例如,Multilevel MCMC with Likelihood Scaling 针对高分辨率观测引入层相关数据分辨率并证明收敛率;Antithetic Multilevel Methods 则通过构造无需 Lévy 面积的估计量提升强误差阶。值得注意的交叉点是,Tensor Train 采样与 Energy-Based Model 方法都试图通过概率密度近似来规避高维积分困难,但前者侧重 Langevin 动力学模拟,后者侧重稀有事件概率估计,二者可互为补充。
第二条主线是SPDE 与动力系统的数值逼近,共 5 篇,但方法取向差异明显:一类是随机守恒律与分数阶方程的自适应/稀疏网格方法(Adaptive UQ for Hyperbolic Conservation Laws、Sparse Grid for LLG Equation),强调正则性分析与误差控制;另一类是逆散射与源项重建(Inverse Scattering with Surrogate Modeling、Inverse Source Problem for Fractional Diffusion-Wave),侧重贝叶斯推断与相位恢复。其中,Sparse Grid for LLG Equation 的 Gronwall 型正则性论证技术具有跨方程推广潜力,而 Inverse Scattering 一文将核代理与多保真度结合,与第一条主线中的代理模型方法形成呼应。
与因果推断、半参数效率或高维统计最贴近的论文包括:Comparing Scale Parameter Estimators(高斯过程插值中留一交叉验证与 MLE 的渐近校准比较,涉及核选择与不确定性量化)、Statistical Inference for Conservation Law McKean–Vlasov SDEs(深度神经网络 MLE 的非参数密度估计与收敛速率)、以及 Surrogate-Based Global Sensitivity Analysis via Floodgate(模型无关变量重要性推断的置信区间构造)。若您关注计算与推断的接口,Tensor Train Sampling 和 Multilevel MCMC 的高维采样策略也值得一读,尽管其应用场景偏 PDE 反问题。
非参数 / 半参数 (nonparam_semipara, 2 篇)¶
1. 10.1137/23m1586884 — Comparing Scale Parameter Estimators for Gaussian Process Interpolation with the Brownian Motion Prior: Leave-One-Out Cross Validation and Maximum Likelihood¶
- 作者: Masha Naslidnyk, Motonobu Kanagawa, Toni Karvonen, Maren Mahsereci
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University College London · EURECOM · University of Helsinki · University of Tübingen
- 分类: vol 13 · issue 2 · pp 679-717
- 相关性 6/10 · novelty:
new_theory - 摘要: 本文在无噪声高斯过程回归插值框架下,以布朗运动核的尺度参数估计为切入点,理论比较了留一交叉验证(LOOCV)与最大似然估计(MLE)两种核选择方法。作者证明,对于更广泛的地真函数类别,LOOCV 能产生渐近良好校准的置信区间,而 MLE 则不能,从而表明前者在不确定性量化上具有优势。该结论基于对插值误差和估计量渐近行为的精细分析,涉及高斯过程的样本路径性质。受此启发,作者提出了一种新的“内部交叉验证”方法,能适应更广泛的地真函数类别。本文为核选择与不确定性校准提供了新的理论视角,对贝叶斯非参数方法中先验选择的影响有深入洞察。
- 关键技术:
Gaussian process regression,Brownian motion kernel,leave-one-out cross-validation,maximum likelihood estimation,credible interval calibration,asymptotic analysis - 为什么对您有用: 本文直接关联非参数与半参数理论中的不确定性量化问题,特别是核选择对置信区间校准的影响。您熟悉的非参数统计和渐近分析工具可用于验证或扩展其理论结果,例如检查 LOOCV 与 MLE 在更一般核或含噪情形下的表现。该研究为贝叶斯非参数方法中的先验选择提供了新视角,可能启发您在高维或因果推断中处理模型不确定性。
2. 10.1137/24m1668949 — Statistical Inference for Conservation Law McKean–Vlasov SDEs via Deep Neural Networks¶
- 作者: Denis Belomestny, Tatiana Orlova
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: National Research University Higher School of Economics · University of Duisburg-Essen
- 分类: vol 13 · issue 2 · pp 425-448
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究基于守恒律 McKean–Vlasov SDE 观测数据的通量函数统计推断问题。该过程具有非线性漂移项,依赖于过程分布函数。作者提出一种基于深度神经网络的 MLE 型方法,同时估计不变密度和通量函数。理论部分推导了估计不变密度与真实值之间相对熵距离的收敛速率,并由此得到通量函数估计的速率。技术上,本文是首批处理非紧支撑密度 MLE 的深度神经网络方法之一。数值实验基于相应粒子系统的观测,验证了方法的可行性。对您而言,该文的非参数密度估计与收敛速率分析可联系到您的非参数/半参数理论兴趣,但其核心设定(McKean–Vlasov 过程)与您的武器库交集有限。
- 关键技术:
maximum likelihood estimation,deep neural networks,McKean–Vlasov SDE,relative entropy convergence,particle system - 为什么对您有用: 该文属于非参数/半参数理论方向,涉及密度估计的收敛速率,与您的非参数统计兴趣相关。但核心设定为非线性 SDE,与您熟悉的因果推断、U-统计量等方向距离较远。作为入门读物,其深度神经网络 MLE 的收敛分析可能提供新视角,但武器库中缺乏处理 SDE 的工具,暂不可做。
数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶
1. 10.1137/24m1718330 — Surrogate-Based Global Sensitivity Analysis with Statistical Guarantees via Floodgate¶
- 作者: Massimo Aufiero, Lucas Janson
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Harvard University
- 分类: vol 13 · issue 2 · pp 563-590
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对计算模型(如水文、气象模拟)的全局敏感性分析,在代理模型(surrogate)替代昂贵原模型以降低计算成本的场景下,提出基于 floodgate 方法的有效置信区间,而非仅点估计。核心目标是估计原模型(而非代理模型)的全局敏感性指标,并给出渐近有效的统计保证,且几乎不对计算模型或代理模型施加条件。方法的关键在于将 floodgate 的模型无关变量重要性推断框架适配到代理设定,利用代理与原模型的差异构造保守但有效的区间。置信区间宽度随代理精度提高而收缩,从而在计算收益与统计精度间取得平衡。数值实验涵盖小型 Hymod 水文模型和基于神经网络代理的复杂 CBM-Z 气象模型。对您而言,该方法将变量重要性推断与计算成本约束结合,可视为一种在计算受限下的高效推断策略,与您在高维统计和假设检验方面的兴趣有潜在联系。
- 关键技术:
floodgate,surrogate model,global sensitivity analysis,confidence intervals,model-free variable importance - 为什么对您有用: 本文属于假设检验/推断方向,具体连接您对模型无关变量重要性和高效推断的兴趣;您熟悉的非参数统计和渐近理论可用于验证其置信区间的覆盖性质,但核心 floodgate 机制需先熟悉,故为中期可做。
统计计算 / 算法 (stat_computing, 11 篇)¶
1. 10.1137/24m1633765 — Tensor Train Based Sampling Algorithms for Approximating Regularized Wasserstein Proximal Operators¶
- 作者: Fuqun Han, Stanley Osher, Wuchen Li
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of California, Los Angeles · University of South Carolina
- 分类: vol 13 · issue 2 · pp 775-804
- 相关性 7/10 · novelty:
new_method - 摘要: 本文提出一种基于张量列(TT)近似的采样算法,用于近似正则化 Wasserstein 近端算子,从而模拟过阻尼 Langevin 动力学的高维概率密度演化。该方法利用近端算子的 softmax 积分形式,但该积分在高维下难以直接计算,因此借助 TT 近似实现可操作。在 Gaussian 分布情形下,作者严格证明了算法的无偏性和线性收敛性。数值实验涵盖 Gaussian 族、混合 Gaussian、双峰分布及 Bayesian 逆问题,表明相比经典 Langevin 采样算法,所提方法在精度和收敛速度上更优。该工作将张量网络压缩技术与采样算法结合,为高维概率密度演化提供了新的计算途径。
- 关键技术:
tensor train approximation,regularized Wasserstein proximal operator,overdamped Langevin dynamics,softmax integration,Bayesian inverse problems - 为什么对您有用: 本文直接关联您的统计计算兴趣,特别是张量网络与数值算法方向。您对高阶 U-统计量的 treewidth/张量收缩计算非常熟悉,可立即用该视角分析 TT 近似的误差传播与复杂度权衡,属于立即可做的 follow-up。
2. 10.1137/24m1644778 — Complex-Valued Signal Recovery Using a Generalized Bayesian LASSO¶
- 作者: Dylan Green, Jonathan Lindbloom, Anne Gelb
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Dartmouth College
- 分类: vol 13 · issue 2 · pp 831-861
- 相关性 6/10 · novelty:
application - 摘要: 本文针对复值图像从含噪间接观测中恢复的问题,提出了一种广义贝叶斯 LASSO 方法,旨在同时恢复幅度和相位并量化不确定性。方法将实值稀疏信号的贝叶斯 LASSO 推广到复值情形,假设幅度在某个变换域(如梯度域)稀疏,并采用分层先验建模。算法通过 Gibbs 采样或变分推断实现后验计算,数值实验展示了其对噪声的鲁棒性和计算效率。该工作属于贝叶斯反问题与不确定性量化的交叉,为复值信号恢复提供了新的统计工具。对您而言,其计算框架和不确定性量化思路可迁移至您熟悉的逆问题与高维统计场景,但方法学创新性一般。
- 关键技术:
Bayesian LASSO,complex-valued signal recovery,hierarchical priors,Gibbs sampling,uncertainty quantification - 为什么对您有用: 本文属于统计计算与逆问题方向,与您的统计计算兴趣相关,但非核心。作为入门读物,它展示了贝叶斯方法在复值信号恢复中的应用,但未涉及您擅长的因果推断或高维理论。武器库中的非参数统计和计算工具足以理解其方法,但缺乏深层理论联系。建议作为了解贝叶斯计算在成像应用的参考,无需深入阅读。
3. 10.1137/24m1667543 — Robust A-Optimal Experimental Design for Sensor Placement in Bayesian Linear Inverse Problems¶
- 作者: Ahmed Attia, Sven Leyffer, Todd S. Munson
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Argonne National Laboratory
- 分类: vol 13 · issue 2 · pp 744-774
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究贝叶斯线性反问题中传感器放置的A-最优实验设计,目标是在先验或测量不确定性被错误指定时仍能获得鲁棒的设计。作者采用最坏情况(worst-case)框架,将不确定参数纳入优化目标,提出鲁棒A-最优准则,并分别讨论松弛法和随机求解法。算法层面结合了半定规划松弛与随机逼近,给出了收敛性分析和计算复杂度讨论。数值实验在参数识别问题中验证了方法对模型误设的稳健性,并与非鲁棒设计对比展示了优势。对您而言,该文将实验设计、贝叶斯反问题与鲁棒优化结合,其最坏情况目标函数和松弛求解思路可迁移到您熟悉的统计计算与反问题场景。
- 关键技术:
A-optimal design,Bayesian inverse problems,worst-case robustness,semidefinite programming relaxation,stochastic approximation - 为什么对您有用: 本文属于统计计算方向,涉及实验设计和优化算法,与您的统计计算兴趣直接相关。您可以用 very_familiar 的软件开发和数值方法技能复现其算法,并尝试将最坏情况框架扩展到非线性或高维问题。中期可做:结合 moderately_familiar 的 M-估计理论分析鲁棒设计估计量的渐近性质。
4. 10.1137/24m1637295 — Advancing Inverse Scattering with Surrogate Modeling and Bayesian Inference for Functional Inputs¶
- 作者: Chih-Li Sung, Yao Song, Ying Hung
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Michigan State University · Rutgers, The State University of New Jersey
- 分类: vol 13 · issue 2 · pp 449-471
- 相关性 5/10 · novelty:
application - 摘要: 本文研究逆散射问题中的函数型输入推断,目标是从散射波数据中重建有界散射体的折射率函数,并量化不确定性。作者提出一个贝叶斯框架,使用基于核函数的代理模型直接处理函数型输入,并通过后验分布进行推断。该方法进一步扩展至多保真度设置,结合有限元方法的高保真模拟器和 Born 近似的低保真模拟器,以提高重建精度。与基于有限基展开的现有方法相比,所提方法在函数重建上更准确且预测变异性更小。本文为函数型逆问题提供了完整的贝叶斯推断流程,但方法论创新主要在于将现有技术(核代理、多保真度)整合到逆散射场景。
- 关键技术:
Bayesian inverse problems,Gaussian process surrogate,kernel-based functional inputs,multi-fidelity simulation,Born approximation - 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,但并非核心方法学突破。作为入门读物,它展示了如何将贝叶斯推断和代理模型应用于逆问题,但武器库中的工具(如高斯过程、多保真度)已足够理解,无需额外学习。值得快速浏览以了解函数型逆问题的应用场景,但不建议深入精读。
5. 10.1137/24m1634333 — Multilevel Markov Chain Monte Carlo with Likelihood Scaling for Bayesian Inversion with High-resolution Observations¶
- 作者: P. Vanmechelen, G. Lombaert, G. Samaey
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: KU Leuven
- 分类: vol 13 · issue 2 · pp 375-399
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出一种用于高分辨率观测下贝叶斯反问题的多层马尔可夫链蒙特卡洛(multilevel MCMC)方法,目标是从 PDE 模型的高分辨率数据中推断随机场参数(如杨氏模量)。与现有 multilevel MCMC 方法不同,作者引入与层相关的数据分辨率,并设计合适的似然缩放(likelihood scaling)以保证跨层比较的一致性。理论上证明,在 Lipschitz 连续变换的高斯随机场(Matérn 协方差)设定下,该方法能达到与层无关数据处理相同的收敛率,但计算成本显著降低。数值实验在二维平面应力问题中验证了方法,从位移场的离散化估计杨氏模量。该方法对高分辨率观测下的贝叶斯反演具有实际意义,其似然缩放思想可能对分层推断或计算统计中的方差缩减有启发。
- 关键技术:
multilevel MCMC,likelihood scaling,Bayesian inversion,Gaussian random fields,Matérn covariance,convergence analysis - 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。您可以用 very_familiar 的软件开发和数值方法经验,快速复现其数值实验或实现似然缩放模块;中期可做的是将 multilevel 思想与您 moderately_familiar 的 M-estimation 理论结合,分析估计量的偏差-方差权衡。
6. 10.1137/24m1695178 — Antithetic Multilevel Methods for Elliptic and Hypoelliptic Diffusions with Applications¶
- 作者: Yuga Iguchi, Ajay Jasra, Mohamed Maama, Alexandros Beskos
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University College London · Chinese University of Hong Kong, Shenzhen · King Abdullah University of Science and Technology
- 分类: vol 13 · issue 2 · pp 805-830
- 相关性 4/10 · novelty:
new_method - 摘要: 本文提出一种新的反阶梯多水平蒙特卡洛(MLMC)方法,用于估计椭圆或次椭圆扩散过程路径泛函的期望,其中扩散需通过时间离散化数值模拟。方法受近期工作启发,构造的 MLMC 估计量无需模拟 Lévy 面积,且具有强误差阶 2 和弱误差阶 2。作者进一步将该方法应用于部分观测扩散的离散时间滤波问题。数值实验表明,在多个问题中,尤其是次椭圆扩散情形,新方法相比现有方法具有效率优势。
- 关键技术:
antithetic multilevel Monte Carlo,strong error order 2,weak error order 2,Lévy area-free simulation,filtering for partially observed diffusions - 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。您熟悉的软件开发和数值方法背景可用于复现或扩展其 MLMC 实现;中期可做的是将反阶梯技巧与您 moderately_familiar 的 M-estimation 理论结合,分析估计量的方差缩减机制。
7. 10.1137/24m1673280 — Goal-Oriented Error Estimation and Adaptivity for Stochastic Collocation FEM¶
- 作者: Alex Bespalov, Dirk Praetorius, Thomas Round, Andrey Savinov
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of Birmingham · TU Wien
- 分类: vol 13 · issue 2 · pp 613-638
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对带随机输入的线性椭圆 PDE,提出并分析了一种面向目标量(QoI)的自适应稀疏网格随机配位有限元方法(SC-FEM)。QoI 由有界线性或连续 Gâteaux 可微的非线性泛函表示,目标是在有限元离散和随机维度上自适应地分配计算资源。核心创新是引入一个修正项到 QoI 的近似中,以补偿 SC-FEM 设置中缺乏全局 Galerkin 正交性的问题,从而得到可靠的 QoI 误差后验估计。作者证明了这些后验估计的可靠性,并基于此设计了自适应算法。数值实验覆盖了仿射和非仿射参数依赖的椭圆问题以及多种线性和非线性目标泛函,展示了方法的有效性。对您而言,该文的后验误差估计与自适应策略思想,可迁移到您统计计算中关于数值积分或高维近似误差控制的问题。
- 关键技术:
stochastic collocation,sparse grids,a posteriori error estimation,goal-oriented adaptivity,finite element method - 为什么对您有用: 本文属于统计计算方向,涉及数值方法(随机配位、稀疏网格)和自适应算法,与您的 primary interest 中 statistical computing 直接相关。您可以用 very_familiar 的软件开发和数值分析能力,快速实现其自适应策略并测试在简单随机 PDE 上的表现;中期可做的是结合您 moderately_familiar 的 M-estimation 理论,分析其误差估计器的统计性质;暂不可做的是若需深入分析其有限元收敛性,则需补充更专业的 PDE 数值分析工具。
8. 10.1137/23m1549584 — Learning Inducing Points and Uncertainty on Molecular Data by Scalable Variational Gaussian Processes¶
- 作者: Mikhail Tsitsvero, Mingoo Jin, Andrey Lyalin
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Hokkaido University · National Institute for Materials Science
- 分类: vol 13 · issue 2 · pp 543-562
- 相关性 4/10 · novelty:
application - 摘要: 本文研究变分高斯过程(VGP)在分子数据上的可扩展性与不确定性量化问题,目标是预测分子能量和原子力,并给出可靠的预测不确定性。方法上引入诱导点(inducing points)作为潜在变量,在分子描述符空间中学习其位置,并比较了多种边际对数似然近似目标(如ELBO、预测对数似然等)和变分分布。实验表明,在分子动力学数据集上,变分学习诱导点能有效表示训练初始化中未出现的分子构型,且预测对数似然目标在不确定性和预测精度上表现最佳。对于大规模分子晶体系统,VGP通过稀疏表示高效拟合原子力,展示了良好的可扩展性。本文属于应用型方法研究,方法学创新有限,但对材料科学和化学中的自主机器学习管道有实际价值。对您而言,本文可作为统计计算方向的一个应用案例,其变分推断和稀疏近似技术可能对您在高维或大规模数据中的计算问题有启发。
- 关键技术:
variational Gaussian processes,inducing point methods,sparse approximations,predictive log-likelihood,molecular dynamics datasets - 为什么对您有用: 本文属于统计计算(stat_computing)方向的应用研究,与您的统计计算兴趣相关。虽然方法学新颖性不高,但变分GP的稀疏近似和不确定性量化技术是您可能感兴趣的。从武器库看,您对软件开发和数值方法熟悉,但变分推断和GP的细节可能不是核心,因此属于中期可做:需先熟悉变分推断和GP的稀疏近似(moderately_familiar)。本文作为应用案例,值得快速浏览以了解分子数据上的计算挑战,但可能不值得深入精读。
9. 10.1137/23m1605065 — An Energy-Based Model Approach to Rare Event Probability Estimation¶
- 作者: Lea Friedli, David Ginsbourger, Arnaud Doucet, Niklas Linde
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of Lausanne · University of Bern · University of Oxford
- 分类: vol 13 · issue 2 · pp 400-424
- 相关性 4/10 · novelty:
new_method - 摘要: 本文提出一种基于能量模型(EBM)的稀有事件概率估计方法,目标是在数量超过临界值时估计系统失效或灾害的概率。作者引入偏置势(bias potential)来高效估计自由能函数,并优化该势使得对应的概率密度逼近预先指定的失效区域目标分布。该方法不仅适用于变量分布已知的传统稀有事件设定,也适用于变量服从后验分布的反演设定。结合基于 Stein 散度的停止准则,方法在精度与效率之间取得平衡。文中探索了偏置势的参数化与非参数化两种途径,后者无需选择特定参数化但依赖核密度估计的精度。通过三个测试案例(涵盖传统与反演设定),作者展示了所提 EBM 方法在适当配置下能稳定高效地估计稀有事件概率,并优于子集抽样方法。对您而言,该方法中的自由能估计与偏置势优化思想,与您在高维统计和计算统计中的兴趣有潜在联系,尤其是其非参数化途径中的核密度估计精度问题。
- 关键技术:
energy-based models,free energy estimation,bias potential optimization,Stein discrepancy stopping criterion,kernel density estimation,subset sampling comparison - 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直接相关;其非参数化偏置势依赖核密度估计,可联系您熟悉的高维统计与 minimax 理论来评估其精度;作为计算统计的新方法,值得作为入门阅读,但核心机制(EBM 优化)不在您当前武器库中,属于中期可探索方向。
10. 10.1137/23m1604564 — A Convergent Interacting Particle Method for Computing KPP Front Speeds in Random Flows¶
- 作者: Tan Zhang, Zhongjian Wang, Jack Xin, Zhiwen Zhang
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of Hong Kong · Nanyang Technological University · University of California, Irvine
- 分类: vol 13 · issue 2 · pp 639-678
- 相关性 3/10 · novelty:
new_method - 摘要: 本文针对随机流中 KPP 反应-扩散-平流方程的传播速度计算问题,提出一种收敛的随机交互粒子方法(IPM)。核心是将问题转化为线性平流-扩散算子主特征值(Lyapunov 指数)的求解,利用随机平流场的 Fourier 表示和 Feynman-Kac 公式,将主特征值表示为粒子系统的适应度函数。算法实现为遗传进化过程:粒子经历平流-扩散和基于适应度的突变/选择,通过算子分裂分析其收敛性。数值实验覆盖 2D 细胞流和 3D ABC 流(含随机扰动),2D 结果与半拉格朗日方法一致,3D 结果表明该方法无网格、自适应,在高维无界域的对流主导区高效且无需截断。对您而言,该粒子方法的收敛性分析(算子分裂)和 Feynman-Kac 表示与您的统计计算兴趣相关,可作为随机偏微分方程数值方法的入门参考。
- 关键技术:
interacting particle method,Feynman-Kac formula,genetic evolution algorithm,operator splitting,Lyapunov exponent,Fourier representation - 为什么对您有用: 本文属于统计计算(数值方法)方向,与您的 primary interest 中的 statistical computing 直接相关。虽然核心是 PDE 特征值问题,但粒子方法、Feynman-Kac 表示和算子分裂收敛分析是您熟悉的数值工具(如软件开发和算法实现)可以攻克的;作为 gateway reading,本文展示了随机环境下的计算挑战,但方法学迁移性有限,属于中期可做——需先熟悉随机偏微分方程的数值分析基础。
11. 10.1137/23m1624750 — Adaptive Uncertainty Quantification for Stochastic Hyperbolic Conservation Laws¶
- 作者: Jake J. Harmon, Svetlana Tokareva, Anatoly Zlotnik, Pieter J. Swart
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Los Alamos National Laboratory
- 分类: vol 13 · issue 2 · pp 339-374
- 相关性 3/10 · novelty:
new_method - 摘要: 本文针对随机双曲守恒律方程(如Burgers方程和Euler方程)提出了一种预测-校正自适应不确定性量化方法。该方法基于随机有限体积(SFV)框架,避免了蒙特卡洛采样或模拟集合,同时保持了系统的双曲性和离散解的守恒性。作者扩展了SFV理论,给出了统计量(特别是push-forward密度)的先验收敛结果,并通过数值实验验证。通过将细化指标与物理和随机空间的区域关联,驱动离散化的各向异性细化,在有利处引入新的自由度。数值实验展示了该方法在非线性双曲PDE中的有效性。对您而言,该方法在不确定性量化中的自适应网格细化策略和收敛性分析,与您对统计计算和数值方法的兴趣相关,但属于计算PDE领域,与您的核心统计方向距离较远。
- 关键技术:
stochastic finite volume methods,adaptive mesh refinement,predictor-corrector schemes,push-forward density estimation,hyperbolic conservation laws - 为什么对您有用: 本文属于统计计算方向,但更偏向计算PDE,而非您核心的统计推断。作为gateway阅读,它展示了不确定性量化中数值方法的设计,但方法学上对您的统计工作直接帮助有限。武器库中数值方法和软件开发的技能可帮助理解,但无需深入。
其他 (other, 5 篇)¶
1. 10.1137/24m163253x — Feature Calibration for Computer Models¶
- 作者: Wenzhe Xu, Daniel B. Williamson, Frederic Hourdin, Romain Roehrig
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Beijing University of Posts and Telecommunications · University of Exeter · British Library · The Alan Turing Institute · Centre National de la Recherche Scientifique · Sorbonne Université · Centre National de Recherches Météorologiques · Météo-France 等
- 分类: vol 13 · issue 2 · pp 591-612
- 相关性 5/10 · novelty:
application - 摘要: 本文研究计算机模型校准问题,目标是在高维输出(如空间场)下,利用部分且不完美的真实观测来学习模型输入参数,使输出与观测一致。作者指出,当关键涌现现象的位置发生偏移时,常用的基于少量基向量线性组合的方法无法恰当比较模型输出与数据,导致校准不佳。为此提出基于核的历史匹配(KHM)方法,将模型输出和观测投影到更高维特征空间,使模式比较不依赖于固定位置。方法上发展了核选择算法,并应用于法国气候模型 IPSL-CM 的边界层云校准。该方法属于不确定性量化与计算机实验领域,与您的核心兴趣(因果推断、高维统计等)无直接交集,但核方法在特征空间中的投影思想可能对高维数据建模有一定启发。
- 关键技术:
kernel-based history matching,feature space projection,expert-driven kernel selection,computer model calibration - 为什么对您有用: 本文属于不确定性量化与计算机实验领域,与您的核心兴趣(因果推断、高维统计等)无直接交集。作为 gateway reading,本文对统计学家而言入门性一般,需要一定领域知识;武器库中的核方法和高维投影思想可支撑理解,但无需深入。建议仅作泛读,不值得花时间精读全文。
2. 10.1137/24m1666628 — Statistical Guarantees of Group-Invariant GANs¶
- 作者: Ziyu Chen, Markos A. Katsoulakis, Luc Rey-Bellet, Wei Zhu
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of Massachusetts Amherst
- 分类: vol 13 · issue 2 · pp 862-890
- 相关性 4/10 · novelty:
new_theory - 摘要: 本文首次为群不变生成模型(特别是群不变GAN)提供统计性能保证。在图像、分子等具有群对称性的真实数据设定下,作者将生成器和判别器硬编码为群等变/不变结构,并严格量化了这种结构带来的样本复杂度降低和判别器逼近误差下界的改进。具体地,学习群不变分布时,所需样本数以群大小的因子成比例减少,且判别器逼近误差的下界更紧。关键结论是,仅通过数据增强无法达到同样的误差降低效果,这凸显了模型结构本身的重要性。理论结果通过数值实验得到验证,并讨论了向score-based生成模型等其它生成模型的推广。
- 关键技术:
group-invariant GANs,sample complexity analysis,discriminator approximation error,data augmentation comparison - 为什么对您有用: 本文属于生成模型的理论分析,与您的主要兴趣(如高维统计、非参数理论)有间接联系,但并非直接相关。作为gateway reading,它展示了如何将对称性结构纳入统计学习理论,对您理解结构约束如何影响样本复杂度可能有一定启发。但该主题不在您的核心武器库内,且方法学上未涉及您熟悉的U-统计量或半参数理论,因此仅作一般性了解。
3. 10.1137/24m1704324 — Deep Learning for Model Correction of Dynamical Systems with Data Scarcity¶
- 作者: Caroline Tatsuoka, Dongbin Xiu
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: The Ohio State University
- 分类: vol 13 · issue 2 · pp 718-743
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种在仅有稀缺高保真数据时修正现有动力系统模型的深度学习方法。设定中,研究者拥有一个能合理捕捉动力学但分辨率不足的低保真模型,以及少量高保真数据。方法首先用深度神经网络(DNN)逼近低保真模型,然后利用稀缺高保真数据通过迁移学习(TL)修正该DNN模型,从而获得高精度预测。该方法不假设修正项的具体形式,而是通过TL对低保真模型进行内在修正。数值实验展示了方法的有效性。对您而言,本文属于统计计算与算法方向的应用,但核心是深度学习和迁移学习,与您的主要兴趣(如因果推断、高维统计)关联较弱,可作为了解模型修正与数据稀缺问题的入门读物。
- 关键技术:
transfer learning,deep neural networks,model correction,scarce data - 为什么对您有用: 本文属于统计计算(算法)方向,但方法核心是深度学习和迁移学习,与您的主要兴趣(因果推断、高维统计)关联较弱。作为gateway reading,本文对局外人(统计学家)的友好度中等:问题设定清晰,但深度学习方法对不熟悉该领域的读者可能略显黑箱。武器库(如非参数统计、U统计量)不足以直接支撑进入该方向,但可作为了解模型修正与数据稀缺问题的入门读物,值得花时间读全文以拓宽视野。
4. 10.1137/23m1628334 — An Inverse Source Problem for the Stochastic Multiterm Time-Fractional Diffusion-Wave Equation¶
- 作者: Xiaoli Feng, Qiang Yao, Peijun Li, Xu Wang
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Xidian University · Chinese Academy of Sciences · Academy of Mathematics and Systems Science · University of Chinese Academy of Sciences
- 分类: vol 13 · issue 2 · pp 518-542
- 相关性 4/10 · novelty:
application - 摘要: 本文研究由分数布朗运动驱动的随机多时间项分数阶扩散-波动方程的正问题与反源问题。正问题方面,建立了适定性并刻画了解的 regularity。反问题方面,研究了从边界数据的方差中确定随机源中扩散系数的唯一性与不稳定性,并给出了无相位 Fourier 模的重构公式。为从无相位 Fourier 模重构时间依赖的源函数,采用 PhaseLift 算法结合谱截断正则化处理相位恢复问题。数值实验验证了所提方法的有效性。该工作属于随机偏微分方程反问题与相位恢复的交叉,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接交集,但其中无相位 Fourier 模与相位恢复问题可能对您在高维统计中的相位恢复或压缩感知方向有间接启发。
- 关键技术:
PhaseLift algorithm,spectral cut-off regularization,fractional Brownian motion,phaseless Fourier modes,inverse source problem - 为什么对您有用: 本文主题为随机分数阶偏微分方程的反源问题,属于数学物理反问题范畴,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接交集。但其中相位恢复问题(PhaseLift)与高维统计中的低秩矩阵恢复有联系,可作为了解该方向的入门材料。武器库中无直接对应工具,暂不可做。
5. 10.1137/24m1646054 — Sparse Grid Approximation of Nonlinear SPDEs: The Landau–Lifshitz–Gilbert Equation¶
- 作者: Xin An, Josef Dick, Michael Feischl, Andrea Scaglioni, Thanh Tran
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: UNSW Sydney · TU Wien
- 分类: vol 13 · issue 2 · pp 472-517
- 相关性 3/10 · novelty:
new_method - 摘要: 本文研究随机 Landau–Lifshitz–Gilbert (LLG) 方程的稀疏网格逼近,目标是量化其解分布的逼近误差收敛率。该方程强非线性、时间依赖、具有非凸约束,且随机噪声参数化包含可数个无界参数,正则性低于常见的椭圆/抛物型 UQ 问题。作者提出一种基于 Gronwall 型估计和隐函数定理的新技术,建立参数到解映射的一致全纯正则性,该技术基于抽象假设,可推广到其他方程。数值实验验证了稀疏网格的可行性,并展示了多层稀疏网格方案的明显优势。对您而言,本文的正则性论证技巧(Gronwall + 隐函数定理)与您武器库中的非参数/半参数理论有潜在联系,但整体主题偏离您的主要兴趣。
- 关键技术:
sparse grid approximation,multilevel sparse grid,holomorphic regularity,implicit function theorem,Gronwall-type estimate - 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、U-统计量等)无直接交集。但其中建立参数到解映射正则性的方法(Gronwall + 隐函数定理)可能对您处理非参数/半参数模型中的光滑性条件有启发。作为 gateway reading,本文对统计学家而言可读性一般,需要一定的 PDE 背景。武器库中非参数理论(moderately_familiar)可支撑理解其正则性论证,但整体不值得深入阅读。
Maintained by 陈星宇 · Homepage · Source on GitHub