跳转至

JUQ — Vol 14 Issue 1 · 2026-10-17

  • 共 10 篇 · SIAM/ASA Journal on Uncertainty Quantification
  • 目录核对 ✅ 10 篇全部抓到(对照 OpenAlex 10 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。

这一期共10篇论文,主线集中在统计计算与不确定性量化(UQ)的交叉地带,可粗分为三条脉络:一是大规模高斯过程(GP)与代理模型的可扩展计算(PCE-Net、FSA迭代方法、RFF-GP、LOL-GP、异方差Rational Kriging);二是贝叶斯计算与实验设计(子空间分裂采样、GO-OED、粒子梯度流批量BO);三是方差缩减与UQ理论(PINN控制变量、Lippmann–Schwinger域UQ)。整体上,方法工具以低秩近似、子空间分解、梯度流和神经网络为主,目标均指向高维或大规模场景下的计算可行性。

最突出的是GP与代理模型的可扩展性主线,五篇论文从不同角度切入。PCE-Net用VAE降维后接PCE,绕开高维输入直接建模;FSA迭代方法提出FITC预条件子加速共轭梯度,并推广至Vecchia近似,直接回应大规模空间数据的矩阵运算瓶颈;RFF-GP以随机傅里叶特征做低秩近似,将复杂度降至O(nm²)并证明收敛性;LOL-GP则转向迁移学习,用潜在正则化识别可迁移区域以避免负迁移;异方差Rational Kriging针对主动学习中的局部剧烈变化,用非平稳模型替代均匀填充策略。这五篇共享同一目标——在保持精度的前提下突破GP的计算墙,但策略分化明显:降维、预条件、低秩、迁移、异方差,值得对照阅读。

第二条主线是贝叶斯计算与优化中的采样与设计问题。子空间分裂采样利用欠定问题系数矩阵的基本子空间正交性,将RTO采样分解为信号子空间与零空间上的独立步骤,避免显式协方差求逆;GO-OED将最优实验设计从参数空间转向预测目标量(QoI)的EIG,用嵌套蒙特卡洛加MCMC处理非线性模型;粒子梯度流批量BO则在概率测度空间上构造凹的采集函数,以梯度流求解内层优化,规避传统非凹采集函数的局部最优。这三篇的共同点是将原问题重新表述为更易处理的几何或测度空间结构,而非单纯改进算法细节。

方差缩减与UQ理论构成第三条较短的线索。PINN控制变量用物理信息神经网络求解Poisson方程作为控制变量,在Green-Kubo公式中降低方差,且保持无偏性;Lippmann–Schwinger域UQ则证明体积积分方程主算子关于形状变化的全纯性,为稀疏网格和多项式混沌在几何不确定性问题中的应用提供理论支撑。前者偏算法实证,后者偏理论保证,但都服务于UQ中“如何高效且可靠地量化不确定性”这一核心。

若按主题优先阅读:因果推断方向本期无直接论文,但半参数效率与高维相关的读者可从PCE-Net(高维降维+代理)、RFF-GP(低秩近似+收敛性)和子空间分裂采样(高维后验采样)入手;关注大规模GP计算的读者建议先看FSA迭代方法与RFF-GP的对比;对实验设计感兴趣的读者可直接读GO-OED与粒子梯度流批量BO。

统计计算 / 算法 (stat_computing, 8 篇)

1. 10.1137/24m1723838 — PCE-Net : High-Dimensional Surrogate Modeling for Learning Uncertainty

  • 作者: Paz Fink Shustin, Shashanka Ubaru, Małgorzata J. Zimoń, Songtao Lu, Vasileios Kalantzis, Lior Horesh et al.
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: University of Oxford · IBM Research - Austin · University of Manchester · Chinese University of Hong Kong · Tel Aviv University
  • 分类: vol 14 · issue 1 · pp 168-196
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出 PCE-Net,一种用于高维不确定性量化(UQ)的代理模型,目标是在数据维度中等至高时降低计算成本。方法采用两阶段学习:先用变分自编码器(VAE)学习输入分布的低维潜在表示,再用多项式混沌展开(PCE)将潜在分布映射到输出目标。该方法无需对数据做先验统计假设,即可在低维潜在空间中高效捕捉系统动态、学习不确定性下的数据表示与输入输出映射、估计高维系统中的不确定性,并匹配输出分布的高阶矩。数值实验展示了所提方法在多个高维问题上的性能。对您而言,该工作属于统计计算与不确定性量化的交叉,其两阶段降维+代理建模思路与您对统计计算和算法实现的兴趣相关,但方法学新颖性有限,主要是工程性组合创新。
  • 关键技术: variational autoencoder, polynomial chaos expansion, dimensionality reduction, surrogate modeling, uncertainty quantification
  • 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;其两阶段降维+代理建模策略可视为一种计算成本与精度权衡的实践案例。从武器库看,您对软件开发和数值方法熟悉,可快速复现或评估其性能,但核心方法(VAE+PCE)并非您专长,且无新理论贡献,因此属于中期可做的探索性阅读,而非立即可攻的研究问题。

2. 10.1137/25m1731320 · arXiv — Iterative Methods for Full-Scale Gaussian Process Approximations for Large Spatial Data

  • 作者: Tim Gyger, Reinhard Furrer, Fabio Sigrist
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Institute of Mathematics and Mathematical Modeling · Lucerne University of Applied Sciences and Arts · ETH Zurich · Seminar for Statistics
  • 分类: vol 14 · issue 1 · pp 142-167
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对大规模空间数据中高斯过程(GP)回归的可扩展性问题,研究全尺度近似(FSA)下的迭代计算方法。FSA 结合 predictive process 与协方差 tapering,同时逼近全局与局部结构,但直接计算似然、梯度和预测分布仍受限于矩阵运算。作者提出一种新的预条件子(FITC preconditioner),从理论和实证两方面证明其能加速共轭梯度法的收敛,并降低对 FSA 参数和原始协方差矩阵特征值结构的敏感性,优于现有的 pivoted Cholesky 预条件子。此外,利用随机模拟与迭代方法实现预测方差的高效近似计算,并将该预条件子推广至 Vecchia 近似,实验表明其优于现有最先进预条件子。所有方法已实现为开源 C++ 库并配有 Python 和 R 接口。对您而言,本文属于统计计算方向,其预条件子设计思路与迭代求解器分析可迁移至您在高维统计或因果推断中涉及的大规模矩阵问题。
  • 关键技术: full-scale approximation, preconditioned conjugate gradient, FITC preconditioner, pivoted Cholesky, Vecchia approximation, stochastic simulation for predictive variance
  • 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。您可用 very_familiar 的软件开发和数值方法经验,快速复现其预条件子并测试于其他协方差结构;中期可结合 moderately_familiar 的 HOIF 或 semiparametric 理论,将迭代求解器用于高效计算影响函数或估计方程。

3. 10.1137/25m1744605 · arXiv — Subspace Splitting Fast Sampling from Gaussian Posterior Distributions of Linear Inverse Problems

  • 作者: Daniela Calvetti, Erkki Somersalo
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Case Western Reserve University
  • 分类: vol 14 · issue 1 · pp 111-141
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对线性逆问题中高斯先验与高斯似然下的高斯后验采样问题,目标是在高维未知量下避免显式构造后验协方差矩阵。作者利用欠定问题中系数矩阵基本子空间的正交性,结合 randomize-then-optimize (RTO) 思想,提出一种低复杂度的子空间分裂快速采样器。该方法将采样分解为在信号子空间和零空间上的独立步骤,从而无需 Cholesky 分解或协方差求逆。理论部分分析了采样器的复杂度与正确性,数值实验涵盖非线性前向模型和条件高斯分层模型,验证了方法的实用性。对您而言,该文属于统计计算方向,其子空间分裂与 RTO 的结合思路可迁移到您熟悉的高维逆问题或贝叶斯计算场景。
  • 关键技术: randomize-then-optimize (RTO), subspace splitting, Gaussian posterior sampling, fundamental subspaces, low-complexity sampling
  • 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。其核心思想——利用子空间正交性分解采样问题——可视为一种计算复杂度优化,与您熟悉的树宽/张量收缩视角有潜在类比:您可以用 very_familiar 的软件开发和逆问题经验快速实现并验证该采样器,属于立即可做的范畴。

4. 10.1137/24m1684220 — Random Fourier Features Based Gaussian Process Models for Stochastic Simulations

  • 作者: Ying Wu, Shifeng Xiong, Peter Chien
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Chinese University of Hong Kong · Chinese University of Hong Kong, Shenzhen · Chinese Academy of Sciences · Academy of Mathematics and Systems Science · University of Chinese Academy of Sciences · University of Wisconsin–Madison
  • 分类: vol 14 · issue 1 · pp 48-76
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对随机模拟(stochastic simulation)的仿真器(emulator)建模问题,提出基于随机傅里叶特征(random Fourier features, RFF)的全贝叶斯高斯过程(GP)方法。该方法利用GP相关函数的低维特征对相关矩阵进行低秩近似,从而将计算复杂度从O(n^3)降至O(nm^2)(m为特征数),并保持预测精度。作者证明了所提RFF方法的收敛性,并通过数值模拟和一个现代地铁仿真案例展示了其在计算时间和精度上的优势。该方法属于统计计算与不确定性量化的交叉领域,为大规模GP仿真器提供了一种可扩展的近似推断方案。对您而言,本文的RFF低秩近似思想与您在高维统计和统计计算中的兴趣相关,尤其是其收敛性分析可能借鉴了随机矩阵或谱方法,但整体方法创新性一般,属于应用驱动的改进。
  • 关键技术: random Fourier features, low-rank approximation, Gaussian process emulator, Bayesian inference, 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。RFF方法是一种核近似技术,其收敛性分析可能涉及谱方法或随机矩阵理论,您可以用very_familiar中的high-dimensional asymptotics来审视其近似误差界。不过,本文更偏向应用,方法学新颖性有限,且与您核心的因果推断、U统计量等方向关联较弱。作为gateway reading,它可帮助您了解大规模GP仿真的计算瓶颈,但武器库足以支撑理解,无需额外学习。建议作为中期可做的参考,而非立即可攻的问题。

5. 10.1137/24m1649344 · arXiv — Goal-Oriented Bayesian Optimal Experimental Design for Nonlinear Models Using Markov Chain Monte Carlo

  • 作者: Shijie Zhong, Wanggang Shen, Tommie Catanach, Xun Huan
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Johns Hopkins University · University of Michigan · Sandia National Laboratories California
  • 分类: vol 14 · issue 1 · pp 19-47
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一种面向预测目标量(QoI)的贝叶斯最优实验设计(GO-OED)计算框架,适用于非线性观测与预测模型。传统OED最大化模型参数的期望信息增益(EIG),而本文关注参数的非线性函数(QoI)上的EIG,通过嵌套蒙特卡洛估计器计算QoI的EIG,其中使用MCMC进行后验采样,并用核密度估计评估后验预测密度及其与先验预测密度的KL散度。设计空间上的EIG最大化采用贝叶斯优化完成。作者通过多个测试问题和对流扩散场源反演的传感器布置应用,展示了非线性GO-OED方法的有效性及其与传统非GO-OED的差异。该方法为计算密集型贝叶斯实验设计提供了实用工具,但理论性质(如估计器收敛速率)未深入探讨。对您而言,其嵌套蒙特卡洛与贝叶斯优化结合的计算策略,以及核密度估计在KL散度计算中的应用,与您的统计计算兴趣直接相关,可作为计算方法的参考。
  • 关键技术: nested Monte Carlo estimator, Markov chain Monte Carlo, kernel density estimation, Bayesian optimization, expected information gain
  • 为什么对您有用: 本文属于统计计算方法(stat_computing),与您的统计计算兴趣直接相关。其核心是嵌套蒙特卡洛估计EIG,涉及MCMC和核密度估计,您可运用熟悉的软件开发和数值方法经验,评估其计算效率或改进估计器。作为gateway reading,本文对贝叶斯实验设计的外行读者友好,但方法学深度有限,值得快速浏览以了解GO-OED框架。

6. 10.1137/24m1721591 · arXiv — Active Learning via Heteroskedastic Rational Kriging

  • 作者: Shangkun Wang, V. Roshan Joseph
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Georgia Institute of Technology
  • 分类: vol 14 · issue 1 · pp 1-18
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对复杂计算机模型的主动学习(active learning)仿真问题,提出一种新的异方差高斯过程模型,以克服传统平稳高斯过程在主动学习中均匀填充整个实验区域、对仅在局部区域变化剧烈的函数浪费采样资源的缺陷。方法基于最近提出的有理克里金(rational kriging)模型进行修改,使其能够灵活地捕捉函数的异方差性,从而在主动学习中将设计点更多地放置在响应面更感兴趣的区域,提高代理模型的精度。作者将该主动学习方法与最先进的非平稳高斯过程方法在模拟和两个真实数据集上进行比较,结果表明所提方法在精度上相当或更优,但计算速度快数个数量级。该工作属于统计计算与不确定性量化领域,对您而言,其核心价值在于提供了一种在异方差设定下高效构建代理模型的思路,与您对统计计算和算法效率的兴趣相关。
  • 关键技术: rational kriging, heteroskedastic Gaussian process, active learning, surrogate modeling, sequential design
  • 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直接相关。您可以用您非常熟悉的非参数统计和最小最大界工具来分析其异方差建模的估计效率,或利用您在高维统计方面的知识评估其在高维输入下的表现。该文提出的计算加速思路(相比其他非平稳方法快数个数量级)值得关注,但核心机器(高斯过程与克里金)不在您的武器库中,属于中期可做的方向,需先熟悉高斯过程回归和主动学习的基本框架。

7. 10.1137/23m1549080 · arXiv — Batch Bayesian Optimization via Particle Gradient Flows

  • 作者: Enrico Crovini, Simon L. Cotter, Konstantinos Zygalakis, Andrew B. Duncan
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Imperial College London · University of Manchester · University of Edinburgh
  • 分类: vol 14 · issue 1 · pp 197-220
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究批量贝叶斯优化(batch BO)中内层采集函数优化困难的问题,将批量 BO 重新表述为概率测度空间上的优化问题。作者基于多点期望改进(multipoint expected improvement)构造了一个在概率测度空间上凹的采集函数,从而避免了传统采集函数非凹导致的局部最优问题。求解该内层优化问题的实用方案自然涌现为这一目标函数的梯度流(gradient flow),例如粒子梯度流方法。作者在多个基准函数上验证了方法的有效性,并与最先进的批量 BO 方法进行了比较。该方法为批量 BO 提供了一种新的理论视角和计算框架,但主要贡献在于算法设计和实证表现,而非统计推断理论。
  • 关键技术: Bayesian optimization, batch BO, multipoint expected improvement, gradient flow, probability measure optimization, particle methods
  • 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,但并非您核心的因果推断或高维统计领域。作为 gateway reading,本文对优化和概率测度方法的介绍较为清晰,但需要一定的变分推断背景。您的武器库(如软件开发和数值方法)足以理解其算法实现,但若要深入梯度流的理论性质,可能需要补充最优传输或偏微分方程知识。总体而言,本文值得一读以拓宽计算视野,但方法学 novelty 有限,属于应用型方法论文。

8. 10.1137/24m1710693 · arXiv — Neural Network Approaches for Variance Reduction in Fluctuation Formulas

  • 作者: G. A. Pavliotis, R. Spacek, G. Stoltz, U. Vaes
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Imperial College London · Institut national de recherche en sciences et technologies du numérique · École nationale des ponts et chaussées · CERMICS · Institut Polytechnique de Paris · MATHERIALS: MATHematics for MatERIALS
  • 分类: vol 14 · issue 1 · pp 221-255
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出利用物理信息神经网络(PINN)求解 Poisson 方程,并将其作为控制变量,以降低输运系数(如 Green-Kubo 公式和广义 Einstein 公式)波动公式估计量的方差。作者通过神经网络构造 Poisson 方程的近似解,并将其嵌入 Monte Carlo 模拟中作为有效控制变量,显著减小估计方差。文中给出了详细的数值分析和神经网络训练方法,并展示了该方法在中等高维问题中的适用性,此时完全确定性的求解不可行。核心机制是利用 PINN 的近似解来逼近最优控制变量,从而在保持无偏性的同时提高估计精度。数值实验表明,该方法在多个测试问题上均能有效降低方差,且对维度具有一定的鲁棒性。对您而言,本文展示了神经网络作为数值工具在方差缩减中的应用,与您统计计算和算法方向的兴趣相关,但其方法本身并非您核心理论武器库的一部分。
  • 关键技术: physics-informed neural networks, control variates, Poisson equation, Green-Kubo formula, variance reduction
  • 为什么对您有用: 本文属于统计计算方向,涉及神经网络求解 PDE 并用于方差缩减,与您的统计计算兴趣相关,但并非您核心理论武器库(如 U-统计量、半参数理论)的直接延伸。作为入门读物,本文对 PINN 和方差缩减的阐述较为清晰,但方法学 novelty 一般,属于应用型贡献。您的武器库(如非参数统计、最小最大界)足以理解其数值分析,但若要深入改进,可能需要补充神经网络训练的理论知识。

其他 (other, 2 篇)

1. 10.1137/24m1703057 · arXiv — Local Transfer Learning Gaussian Process Modeling, with Applications to Surrogate Modeling of Expensive Computer Simulators

  • 作者: Xinming Wang, Simon Mak, John Miller, Jianguo Wu
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Peking University · Duke University
  • 分类: vol 14 · issue 1 · pp 256-286
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种局部迁移学习高斯过程模型(LOL-GP),用于昂贵计算机模拟器的代理建模。其核心创新是一个潜在正则化模型,能够识别源系统与目标系统行为相似的区域(可迁移)与行为不同的区域(应避免迁移),从而缓解负迁移风险。作者推导了适用于多源和多保真度迁移设置的Gibbs采样算法,用于高效的后验预测采样。通过数值实验和喷气涡轮设计应用,展示了LOL-GP相比现有方法的代理性能提升。该工作属于不确定性量化与计算机实验设计领域,与您的主要兴趣(因果推断、高维统计等)无直接交集,但其中关于迁移学习与局部建模的思想可能对您感兴趣的统计计算方向有启发。
  • 关键技术: Gaussian process, transfer learning, latent regularization, Gibbs sampling, surrogate modeling, multifidelity
  • 为什么对您有用: 本文属于统计计算与不确定性量化方向,与您的主要兴趣(因果推断、高维统计等)无直接交集,但可作为统计计算领域的入门读物,了解迁移学习在代理建模中的应用。您的技术武器库(如软件开发和M估计理论)足以支撑理解其方法,但该文对您的研究方向帮助有限,不值得优先深读。

2. 10.1137/24m1677782 · arXiv — Domain Uncertainty Quantification for the Lippmann–Schwinger Volume Integral Equation

  • 作者: Fernando Henríquez, Ignacio Labarca-Figueroa
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: TU Wien · Pontificia Universidad Católica de Chile · Universität Innsbruck
  • 分类: vol 14 · issue 1 · pp 77-110
  • 相关性 3/10 · novelty: new_theory
  • 摘要: 本文研究声波在无界介质中传播时,由非均匀区域几何形状不确定性引起的模型输出不确定性量化问题。作者将原始无界域物理模型转化为基于体积积分方程(Lippmann–Schwinger 方程)的易处理形式,并证明该积分方程的主算子及其解关于非均匀区域支撑的形状变化具有全纯依赖性(shape holomorphy)。这一性质是计算 UQ 中多种方法(如稀疏网格、多项式混沌)分析与实现的关键。作者进一步探讨了该结果对正问题和反问题 UQ 的意义,并通过数值实验验证了理论预测。
  • 关键技术: shape holomorphy, volume integral equations, Lippmann–Schwinger equation, uncertainty quantification, polynomial chaos
  • 为什么对您有用: 本文属于计算 UQ 与积分方程方法的交叉,与您的主要兴趣(统计计算、非参数/半参数理论)关联较弱,但 shape holomorphy 这一解析性概念可能对您在高维或反问题中的正则性分析有启发。作为 gateway reading,本文对 UQ 方法的数学基础阐述清晰,但需要偏 PDE 的背景,武器库中的统计工具难以直接迁移,暂不建议深入。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论