跳转至

JUQ — Vol 14 Issue 2 · 2026-10-17

  • 共 16 篇 · SIAM/ASA Journal on Uncertainty Quantification
  • 目录核对 ✅ 16 篇全部抓到(对照 OpenAlex 16 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16篇论文,整体上可归为三条主线:不确定性量化与逆问题中的计算统计(约10篇)、高斯过程与仿真器建模(约6篇)、以及敏感性分析与函数分解(2篇)。其中,计算统计主线内部又明显分化出两个子方向:一是面向PDE约束逆问题的贝叶斯推断与实验设计(如“A Control-Oriented Approach to Optimal Sensor Placement”“Local Sensitivity Analysis for Bayesian Inverse Problems”“The Bayesian Finite Element Method in Inverse Problems”),二是针对高维随机场与随机PDE的高效采样与降维方法(如“Hierarchical Gaussian Random Field Sampling”“High-Dimensional Stochastic Finite Volumes”“Dirichlet–Neumann Averaging”)。高斯过程主线则集中在仿真器代理建模与自适应采样(如“Tensor-Variate Gaussian Process Regression”“Cross-Validation Based Adaptive Sampling”“FLARE MCMC”)。

最突出的主线是贝叶斯逆问题中的不确定性量化与计算效率。这一方向在多个层面被推进:在实验设计层面,“A Control-Oriented Approach”将经典贝叶斯OED从最小化参数后验不确定性转向最小化控制目标不确定性,并给出PDE约束最优控制下的可扩展算法;“Gradient-Free Sequential Bayesian Experimental Design”则针对梯度不可得的复杂系统,用集成卡尔曼反演与仿射不变交互朗之万动力学替代梯度下降,并构造EIG的变分上下界。在离散化误差处理上,“The Bayesian Finite Element Method”系统比较了三种概率化FEM方法,结论是BFEM通过构造与基函数正交的协方差算子,能在逆问题中更稳健地传播离散化误差。在采样与降维方面,“Hierarchical Gaussian Random Field Sampling”将KL展开的降维能力与SPDE采样的可扩展性结合,利用几何多重网格保持协方差结构;“Dirichlet–Neumann Averaging”则通过离散余弦/正弦变换实现各向同性GP的快速模拟,并给出Matérn协方差的显式误差界。这些工作共同指向一个主题:在保持统计精度的前提下,如何将计算成本从后验采样或高维网格中剥离。

第二条值得注意的主线是高斯过程回归的结构化扩展与主动学习。“Tensor-Variate Gaussian Process Regression”将二维输出常用的外积仿真器和平行偏仿真器统一为张量变量GP的特例,并给出矩阵输出下两者的适用条件;“Cross-Validation Based Adaptive Sampling”提出基于归一化期望留一交叉验证误差的序贯采样准则,同时优化新点位置与层级选择,并按运行成本加权;“FLARE MCMC”则从MCMC角度切入,用低保真度似然近似加速高维后验采样,不要求似然具有特定结构。这三篇虽方法各异,但都围绕“如何用有限计算预算获得更准确的代理模型或后验估计”展开,其中交叉验证准则与成本加权策略对非参数回归中的实验设计有直接迁移价值。

与因果推断、半参数效率最贴近的论文是“A Kernel-Based Approach for Gaussian Process Modeling with Functional Information”,其将无限维函数约束(如边界条件)纳入RKHS框架,并建立与传统GP的极限等价性,对处理函数型协变量或约束估计有启发。此外,“On ANOVA-Type Decompositions of Functions with Non-independent Variables”提出的依赖ANOVA分解及其敏感性指标,在线性高斯模型下退化为Shapley效应,对理解非独立输入下的效应分解有参考意义。若关注高维计算,则“High-Dimensional Stochastic Finite Volumes”与“Hierarchical Gaussian Random Field Sampling”分别从张量列压缩和多重网格分层两个角度处理高维随机参数,值得优先浏览。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 10.1137/25m176430x — A Kernel-Based Approach for Gaussian Process Modeling with Functional Information

  • 作者: D. Andrew Brown, Peter Kiessler, John Nicholson
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Clemson University
  • 分类: vol 14 · issue 2 · pp 508-533
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种基于再生核希尔伯特空间(RKHS)的高斯过程(GP)建模方法,旨在统一有限训练数据与无限维函数信息(如边界条件或物理约束)的建模。作者利用条件期望与希尔伯特空间正交投影的等价性,构造了能同时处理点观测和不可数子集上已知函数行为的GP。他们证明了所提过程的存在性,并建立其作为传统GP在训练点数量趋于无穷时的极限。数值实验展示了该方法在灵活性和优势上的表现,例如避免了伪训练点选择的随意性。对您而言,该方法将无限维约束纳入GP框架的思路,可能对半参数建模中处理函数型协变量或约束估计有启发。
  • 关键技术: reproducing kernel Hilbert space, orthogonal projection, conditional expectation, Gaussian process regression, limit of conditioned GP
  • 为什么对您有用: 本文属于非参数/半参数理论方向,与您的兴趣直接相关。其核心机制(RKHS投影)可视为您武器库中'非参数统计'和'半参数理论'的具体应用,但更偏向函数型数据建模。您可以用熟悉的'minimax bounds'视角分析其估计量的最优性,或探索其与'higher-order U-statistics'在函数型数据上的联系。中期可做:需先熟悉函数型数据分析的文献。

统计计算 / 算法 (stat_computing, 8 篇)

1. 10.1137/25m179590x — Hierarchical Gaussian Random Field Sampling for Multilevel Markov Chain Monte Carlo: Coupling Stochastic Partial Differential Equation and the Karhunen–Loève Decomposition

  • 作者: Sohail Reddy
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Lawrence Livermore National Laboratory
  • 分类: vol 14 · issue 2 · pp 597-620
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对高维贝叶斯推断中高斯随机场(GRF)采样的计算瓶颈,提出一种保持结构的分层分解方法,用于多层级马尔可夫链蒙特卡洛(MLMCMC)。现有基于随机偏微分方程(SPDE)的采样方法虽可扩展,但会降低样本空间维度并牺牲推断精度;而基于Karhunen–Loève(KL)展开的方法虽能降维,但表示精度差、破坏采样器遍历性且高维下计算昂贵。作者将KL展开的降维能力与SPDE采样的可扩展性结合,利用几何多重网格层级构造分层分解,在各层级保持协方差结构,实现从粗到细的高效采样且保证样本来自目标分布。在基准地下水流问题上,该方法相比现有方法在计算效率和统计精度上均有提升,并展现出更好的收敛性质。对您而言,该工作属于统计计算方向,其分层采样与协方差结构保持思想可能对您在高维不确定性量化或大规模MCMC中的计算问题有参考价值。
  • 关键技术: multilevel Markov chain Monte Carlo, Karhunen-Loève expansion, stochastic partial differential equation, geometric multigrid hierarchy, Gaussian random field sampling
  • 为什么对您有用: 该论文属于统计计算(stat_computing)方向,与您的主要兴趣之一直接相关。其核心是设计高效的分层采样算法,涉及高维协方差结构保持和计算复杂度优化,您可以用您熟悉的软件开发和数值方法知识来评估其实现细节,或探索将其分层思想与您的高阶U统计量计算(如张量网络)结合的可能性。作为统计计算领域的应用型工作,它提供了可借鉴的算法设计模式,但方法学新颖性有限,属于应用改进。

2. 10.1137/25m1732039 · arXiv — High-Dimensional Stochastic Finite Volumes Using the Tensor Train Format

  • 作者: Juliette Dubois, Michael Herty, Siegfried Müller
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Technische Universität Berlin · University of Pretoria · RWTH Aachen University
  • 分类: vol 14 · issue 2 · pp 482-507
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出一种用于非线性双曲守恒律方程在高维随机参数下的不确定性量化方法。该方法将随机有限体积法与张量列(tensor train, TT)格式结合,创新点在于物理空间和时间维度保持为完整张量,而所有随机维度被压缩进一个张量列,形成每个空间单元和每个时间步对应一个张量列的混合格式。作者将 MUSCL 格式适配到该混合格式,并通过多个算例验证可行性。对于标量 Burgers 方程,进行了收敛性研究,并与全张量列(full-TT)格式在三个随机参数下对比,随后扩展到更多随机维度。对于守恒律方程组,聚焦 Euler 方程,对 Sod 激波管问题进行了参数研究和与 full-TT 的对比,并进一步研究了具有复杂波相互作用的 Shu–Osher 问题。该方法为将不确定性量化与既有双曲守恒律数值格式结合开辟了新途径。对您而言,该文展示了张量网络格式(TT)在高维随机偏微分方程数值求解中的应用,与您熟悉的张量收缩/树宽计算复杂度视角有直接关联,可作为统计计算方向的一个有趣案例。
  • 关键技术: tensor train format, stochastic finite volume method, MUSCL scheme, hyperbolic conservation laws, uncertainty quantification
  • 为什么对您有用: 该文属于统计计算方向,直接关联您 primary interest 中的 statistical computing 以及您对张量网络/einsum 复杂度的熟悉领域。您可以用 very_familiar 的张量收缩/树宽工具分析该混合格式的计算复杂度,例如评估 TT 秩对计算成本的影响,或对比不同压缩策略的效率。作为 gateway reading,该文对张量格式在数值 PDE 中的应用提供了清晰示例,但方法学 novelty 中等,属于应用型贡献。

3. 10.1137/24m1716835 · arXiv — Tensor-Variate Gaussian Process Regression for Efficient Emulation of Complex Systems: Comparing Regressor and Covariance Structures in Outer Product and Parallel Partial Emulators

  • 作者: D. Semochkina, S. E. Jackson, D. C. Woods
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: University of Southampton · Durham University
  • 分类: vol 14 · issue 2 · pp 394-414
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文系统发展了张量变量高斯过程(TvGP)回归,用于对高维输出的昂贵模拟器进行高效代理建模,其协方差采用 Kronecker 乘积结构。作者证明二维输出场景下常用的外积仿真器(OPE)和平行偏仿真器(PPE)都是 TvGP 的特例,从而可自然推广到更高维输出。针对矩阵输出这一重要特例,文章比较了两种方法的相对性能,关键在于 OPE 额外假定的依赖结构。通过两个案例研究(包括一个时空流感模拟器)展示了 OPE 在何种情况下具有优势。该工作为多输出仿真器的建模提供了统一框架,并给出了实用的计算与比较指南。
  • 关键技术: tensor-variate Gaussian process, Kronecker product covariance, outer product emulator, parallel partial emulator, multioutput emulation
  • 为什么对您有用: 本文属于统计计算方向,与您对 statistical computing 的兴趣直接相关,可作为多输出仿真器建模的入门读物。您熟悉的非参数统计和计算工具足以理解其核心思想,但若想深入 Kronecker 结构的计算优化,可能需要补充矩阵计算方面的知识。值得花时间读全文,以了解该领域的最新进展。

4. 10.1137/25m1795194 · arXiv — FLARE MCMC: Fidelity-Based Layer-Adaptive Recursive Proposals for MCMC

  • 作者: Harini Venkatesan, Christian Shelton, Ming-Feng Ho, Simeon Bird, Mengxuan Wu
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: University of California, Riverside · University of Michigan
  • 分类: vol 14 · issue 2 · pp 661-690
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 FLARE MCMC,一种多保真度分层 MCMC 方法,旨在利用低保真度似然近似(如可调分辨率或精度的模拟器)来加速高保真度推断。方法通过递归分层链和简单的层间调参,不要求似然具有特定数学结构,仅需能评估似然。实验表明,在水文学和宇宙学等不同科学领域,FLARE MCMC 在相同计算时间内能获得更大的有效样本量(ESS),从而改善混合性能并降低总计算成本。该方法属于计算统计中的算法设计,对统计计算方向有直接参考价值。
  • 关键技术: multifidelity MCMC, layered chains, recursive proposals, effective sample size, likelihood approximation
  • 为什么对您有用: 本文属于统计计算方向,与您的主要兴趣(统计计算、算法)直接相关。您可以用 very_familiar 的软件开发技能快速复现或扩展其算法;同时,其多保真度思想可能对您在高维统计或因果推断中的计算问题有启发。作为 gateway reading,本文对统计计算领域的外行友好,值得一读。

5. 10.1137/25m1745799 — Cross-Validation Based Adaptive Sampling for Multilevel Gaussian Process Models

  • 作者: Louise M. Kimpton, James M. Salter, Tim J. Dodwell, Peter G. Challenor
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: University of Exeter
  • 分类: vol 14 · issue 2 · pp 456-481
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对多层级高斯过程(GP)仿真器,提出一种基于交叉验证的自适应采样算法,以在预算约束下优化顶层预测精度。算法在每个未观测位置计算归一化平方期望留一交叉验证误差(ES-LOO),结合期望改进与排斥函数选择新设计点,并按各层级运行成本加权,从而同时优化新点位置与层级选择。方法支持单点与批量选择,批量可设计在单层或跨层最优分配。作者在多个示例上对比了单次设计与现有序贯设计方法,验证了算法的有效性,并提供了开源工具箱。该工作属于统计计算与主动学习范畴,对您而言,其交叉验证准则与成本加权策略可迁移至您熟悉的非参数估计或因果推断中的实验设计问题。
  • 关键技术: multilevel Gaussian process emulator, adaptive sampling, expected leave-one-out cross-validation error, expected improvement, repulsion function, batch selection
  • 为什么对您有用: 该论文属于统计计算方向,与您的统计计算兴趣直接相关;其自适应采样与成本加权思想可迁移至您熟悉的非参数估计或因果推断中的实验设计问题。您可用 very_familiar 的软件开发和数值方法技能快速复现或扩展该算法,属于立即可做的范畴。

6. 10.1137/25m1771946 · arXiv — Gradient-Free Sequential Bayesian Experimental Design via Interacting Particle Systems

  • 作者: Robert Gruhlke, Matei Hanu, Claudia Schillings, Philipp Wacker
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Freie Universität Berlin · University of Canterbury
  • 分类: vol 14 · issue 2 · pp 415-455
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一个无梯度的序贯贝叶斯最优实验设计(BOED)框架,适用于无法获得梯度信息的复杂系统。方法结合了集成卡尔曼反演(EKI)用于设计优化和仿射不变交互朗之万动力学(ALDI)采样器用于高效后验采样,两者均是无导数且基于集成的。为应对BOED中嵌套期望的计算挑战,作者提出变分高斯和参数化拉普拉斯近似,为期望信息增益(EIG)提供可处理的上界和下界。这些近似使得在高维空间和PDE约束反问题中可扩展的效用估计成为可能。数值实验从线性高斯模型到基于PDE的推断任务,展示了方法的鲁棒性、准确性和效率。对您而言,该文与统计计算兴趣直接相关,其无梯度框架和EIG近似技术可为处理复杂模型中的实验设计问题提供新思路。
  • 关键技术: Ensemble Kalman Inversion (EKI), Affine-Invariant Interacting Langevin Dynamics (ALDI), variational Gaussian approximation, Laplace approximation, Expected Information Gain (EIG) bounds
  • 为什么对您有用: 本文属于统计计算方向,与您的主要兴趣中的统计计算(numerical methods, algorithm)直接相关。其无梯度优化和近似推断技术可能对您在高维或复杂模型中的计算问题有启发。您可以用非常熟悉的软件开发和数值方法技能来复现或扩展其算法,属于立即可做的范畴。

7. 10.1137/24m1715854 · arXiv — Dirichlet–Neumann Averaging: The DNA of Efficient Gaussian Process Simulation

  • 作者: Robert Kutri, Robert Scheichl
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Heidelberg University
  • 分类: vol 14 · issue 2 · pp 313-340
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对高分辨率网格上高斯过程(GP)和随机场(GRF)的高效模拟问题,提出基于 Dirichlet–Neumann 平均(DNA)的新方法,目标是在规则网格上生成各向同性协方差的实现。该方法结合离散余弦和正弦变换,无需对协方差函数进行修改或 padding,从而大幅提升计算效率,但会引入协方差误差;作者对 Matérn 协方差给出了显式误差界,数值实验表明该误差在实际应用中可忽略。第二项贡献是将 DNA 方法与 SPDE 采样框架联系起来,证明通过 SPDE 方法采样并取特定边界条件的平均,可得到真正各向同性的实现,且无需域扩展,同时第一部分建立的误差界依然成立。该方法在需要大量实现的场景(如不确定性量化、贝叶斯反问题)中具有显著的计算优势。对您而言,本文属于统计计算方向,其基于变换的快速采样思路与您熟悉的软件开发和数值方法技能直接相关,可作为高效 GP 模拟的实用工具参考。
  • 关键技术: Dirichlet-Neumann averaging, discrete cosine/sine transforms, SPDE-based sampling, Matérn covariance error bounds, fast Gaussian process simulation
  • 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。其核心是快速 GP 模拟,与您熟悉的软件开发和数值方法技能高度契合;您可以用 very_familiar 的数值方法知识快速评估其误差界和实现细节,并考虑将其集成到现有模拟工具中。中期可做:若想深入分析其误差传播对下游推断的影响,需在 moderately_familiar 的 semiparametric 理论上稍作提升。

8. 10.1137/25m1765481 · arXiv — The Bayesian Finite Element Method in Inverse Problems: A Critical Comparison between Probabilistic Models for Discretization Error

  • 作者: Anne Poot, Iuri Rocha, Pierre Kerfriden, Frans van der Meer
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Delft University of Technology · Université Paris Sciences et Lettres · Centre des Matériaux · École Nationale Supérieure des Mines de Paris
  • 分类: vol 14 · issue 2 · pp 287-312
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对逆问题中有限元法(FEM)的离散化误差导致参数估计不准确且过度自信的问题,系统比较了三种概率建模方法:贝叶斯有限元法(BFEM)、随机网格有限元法(RM-FEM)和统计有限元法(statFEM)。BFEM 通过构造与 FEM 基函数正交的协方差算子,将离散化误差的不确定性仅留在补空间中,从而在贝叶斯逆问题中传播该不确定性到后验。数值实验表明,BFEM 相比 RM-FEM 能产生更准确的参数估计并避免过度自信,而 statFEM 虽可下游推断模型误设,但其可行性依赖充足数据。作者结论是 BFEM 是传播离散化误差不确定性最稳健的方法。对您而言,本文涉及贝叶斯逆问题中的不确定性量化,与您统计计算和逆问题的兴趣相关,但其方法学新颖性有限,主要是系统比较与数值验证。
  • 关键技术: Bayesian inverse problems, finite element method, discretization error, covariance operator, posterior uncertainty propagation
  • 为什么对您有用: 本文属于统计计算方向,涉及贝叶斯逆问题中的不确定性量化,与您的统计计算兴趣相关。作为 gateway reading,本文对逆问题中离散化误差的处理有清晰阐述,但方法学上主要是现有方法的比较,新颖性一般。您的武器库(如非参数统计、M估计)足以理解其核心思想,但直接迁移价值有限,暂不建议深入。

其他 (other, 7 篇)

1. 10.1137/25m1733537 · arXiv — A Control-Oriented Approach to Optimal Sensor Placement

  • 作者: Madhusudan Madhavan, Alen Alexanderian, Arvind K. Saibaba, Bart van Bloemen Waanders, Rebekah D. White
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: North Carolina State University · Sandia National Laboratories
  • 分类: vol 14 · issue 2 · pp 711-741
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种面向控制的最优实验设计(cOED)方法,用于线性PDE约束的贝叶斯逆问题。与经典贝叶斯OED最小化反演参数的后验不确定性不同,cOED优先最小化受控状态变量或控制目标的不确定性。作者为参数化PDE约束最优控制问题(控制变量与反演参数线性相关)建立了不确定性量化与cOED的数学框架,并给出可扩展的计算方法以求解传感器布置和量化控制目标的不确定性。数值实验以热传导应用为背景,展示了方法的有效性。该方法将实验设计与下游控制目标耦合,属于不确定性量化与最优控制交叉领域。
  • 关键技术: Bayesian inverse problems, optimal experimental design, PDE-constrained optimization, sensor placement, uncertainty quantification
  • 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(统计计算)有间接关联,但核心是PDE约束优化而非统计推断理论。作为gateway阅读,本文对非该领域读者有一定门槛,但问题设定清晰,数值方法部分可读。您的武器库(如软件开发和数值方法)足以理解其计算框架,但缺乏PDE约束优化的背景,因此暂不可直接开展后续工作。

2. 10.1137/25m1745350 · arXiv — Local Sensitivity Analysis for Bayesian Inverse Problems

  • 作者: Jürgen Dölz, David Ebert
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: University of Bonn
  • 分类: vol 14 · issue 2 · pp 341-368
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究贝叶斯逆问题中的局部敏感性分析(即扰动方法),目标是在给定先验和后验分布下高效近似随机变量的后验矩。作者假设测量算子和预测函数足够光滑,且关于先验分布的随机矩存在,在此条件下推导出后验矩的渐近展开式。该方法通过围绕先验均值进行局部展开,将后验矩的计算转化为一系列先验矩的修正项,从而避免了对后验分布的昂贵采样。数值实验验证了理论结果的准确性。对您而言,该文属于不确定性量化领域,与您的主要兴趣(因果推断、高维统计等)关联较弱,但其中渐近展开与扰动分析的思想或可迁移至您熟悉的统计推断问题。
  • 关键技术: asymptotic expansion, perturbation approach, Bayesian inverse problems, posterior moments
  • 为什么对您有用: 本文属于不确定性量化领域,与您的主要兴趣(因果推断、高维统计等)关联较弱,但其中渐近展开与扰动分析的思想或可迁移至您熟悉的统计推断问题。作为gateway reading,本文对统计学家而言入门门槛适中,但武器库中缺乏贝叶斯计算工具,暂不可做。

3. 10.1137/24m1712680 — On ANOVA-Type Decompositions of Functions with Non-independent Variables: Sensitivity Analysis

  • 作者: Matieyendou Lamboni
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Université de Montpellier · University of French Guiana · Institut de Recherche pour le Développement · UMR Espace-Dev
  • 分类: vol 14 · issue 2 · pp 691-710
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究非独立输入变量下函数 ANOVA 型分解的唯一性问题,目标是在输入相关时仍能获得主效应与交互效应之和等于输出方差的分解。作者提出依赖 ANOVA(DANOVA)分解,基于模型输出的最小对称等价表示,并给出选择此类表示的算法。由此导出新的敏感性指标,可解释为输出方差的百分比,且主指标与总指标有助于识别模型结构,便于仿真。在线性模型且输入为高斯时,这些指标退化为 Shapley 效应。文中还给出 DANOVA 分量的最小方差无偏估计、指标估计量,并应用于自回归模型。
  • 关键技术: ANOVA decomposition, dependent inputs, sensitivity indices, Shapley effects, minimum variance unbiased estimation
  • 为什么对您有用: 本文属于不确定性量化中的敏感性分析,与您的 primary interest(如因果推断中的 mediation 分解、semiparametric 理论)有一定概念联系,但并非直接的方法学推进。作为 gateway reading,它展示了非独立变量下函数分解的识别与估计问题,可能对您理解相关设定下的方差分解有帮助。武器库中的非参数统计和估计理论足以支撑阅读,但核心问题不在您的主攻方向,建议作为扩展阅读,不必深读。

4. 10.1137/25m1757708 — Relative Entropy Methods for the Approximation of Reactive Trajectories and Committor Functions

  • 作者: Gabriel Earle, Brian Van Koten
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: University of Massachusetts Amherst
  • 分类: vol 14 · issue 2 · pp 621-660
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究过阻尼 Langevin 动力学中反应轨迹与 committor 函数的近似问题,目标是在分子模拟中高效估计从反应物集合 A 到产物集合 B 的过渡轨迹分布。作者证明,精确反应轨迹等价于由奇异漂移(与 committor 函数相关)偏置的 Langevin 轨迹,并推导了精确与近似反应轨迹分布之间的相对熵的便捷公式。基于该公式,提出一种随机梯度下降方法,在计算反应轨迹的同时在线训练近似 committor 函数,并设计了基于相对熵的模型评估准则来比较不同近似的质量。理论部分给出了相对熵的显式表达式,数值实验验证了方法的有效性。对您而言,本文虽非统计推断核心,但其相对熵最小化与在线估计框架可视为一种非参数函数逼近的变体,与您对非参数理论的兴趣有间接联系。
  • 关键技术: relative entropy minimization, stochastic gradient descent, committor function approximation, overdamped Langevin dynamics, reactive trajectory sampling
  • 为什么对您有用: 本文属于计算统计与随机动力学的交叉,与您的主要兴趣(因果推断、高维、U-统计等)无直接重叠,但相对熵最小化与在线训练的思想可迁移至非参数估计中的分布逼近问题。作为 gateway reading,本文对统计学家而言入门门槛中等,需要熟悉随机微分方程与变分推断;您的武器库(非参数统计、M-估计)足以理解其核心机制,但缺乏分子模拟背景,暂不建议深入。

5. 10.1137/25m1764918 — Deterministic Kalman Filters for Dynamical Systems with Parametric Uncertainty

  • 作者: Karl Kunisch, Jesper Schröder
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Austrian Academy of Sciences · University of Graz · Johann Radon Institute for Computational and Applied Mathematics
  • 分类: vol 14 · issue 2 · pp 568-596
  • 相关性 4/10 · novelty: minor
  • 摘要: 本文从确定性视角研究具有参数不确定性的线性动力系统的状态估计问题,目标是扩展经典 Kalman(-Bucy) 滤波器以应对动力学模型和噪声协方差的不确定性。作者推导了估计误差关于不确定性方差的显式界,为鲁棒滤波提供了理论保证。数值实验比较了所提估计器与标准 Kalman 滤波器的性能,验证了理论结果。该工作属于鲁棒控制和不确定性量化领域,与您的核心统计兴趣(因果推断、高维、半参数等)无直接交集,但其中的误差传播分析和不确定性量化思想可能对统计计算中的数值稳定性问题有启发。
  • 关键技术: Kalman filter, robust filtering, parametric uncertainty, error bounds, deterministic viewpoint
  • 为什么对您有用: 本文属于不确定性量化(UQ)领域,与您的 primary interests(因果推断、高维统计等)无直接关联,但其中的误差传播分析和鲁棒性思想可能对统计计算中的数值稳定性问题有启发。作为 gateway reading,本文对统计学家而言入门门槛适中,但核心问题并非您的主要研究方向,且武器库中的工具(如 minimax 理论、U-statistics)难以直接迁移。因此,建议仅作为扩展视野的阅读,不值得深入投入时间。

6. 10.1137/25m1768126 · arXiv — Neural Field Equations with Random Data

  • 作者: Daniele Avitabile, Francesca Cavallini, Svetlana Dubinkina, Gabriel J. Lord
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Institut national de recherche en sciences et technologies du numérique · Université de Montpellier · Vrije Universiteit Amsterdam · Radboud University Nijmegen
  • 分类: vol 14 · issue 2 · pp 534-567
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究神经场方程在随机数据下的数学性质,将这类描述大规模皮层活动的非局部演化方程视为抽象 Banach 空间上的 Cauchy 问题,并允许突触核、发放率函数、外部刺激和初始条件均含随机性。作者给出了保证解的存在性、唯一性和可测性的随机数据条件,并考察了解的正则性与输入正则性之间的关系。结果覆盖线性和非线性神经场,以及该问题数值分析中最常见的两种函数设定。此外,作者还以抽象形式分析了空间离散化后的神经场,为后续不确定性量化(UQ)格式的分析奠定基础。该工作属于随机偏微分方程/随机动力系统的理论分析,与您的核心统计兴趣(因果推断、高维、半参数)无直接交集,但其中关于随机输入到解映射的正则性传递分析,对理解复杂随机系统的 UQ 问题有一定参考价值。
  • 关键技术: random dynamical systems, Banach space-valued Cauchy problem, regularity theory, uncertainty quantification, spatial discretization
  • 为什么对您有用: 本文属于随机动力系统与 UQ 的理论分析,与您的主要兴趣(因果推断、高维统计、半参数理论)无直接联系,但可作为 gateway reading 了解神经场模型中的随机性处理方式;您的武器库(如泛函分析、正则性理论)足以支撑理解本文,但缺乏随机偏微分方程的专业背景,暂不建议深入。

7. 10.1137/25m175319x · arXiv — Bayesian Inference for Non-synchronously Observed Diffusions

  • 作者: Ajay Jasra, Kengo Kamatani, Amin Wu
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Chinese University of Hong Kong, Shenzhen · The Institute of Statistical Mathematics · King Abdullah University of Science and Technology
  • 分类: vol 14 · issue 2 · pp 369-393
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究双变量扩散过程在非同步观测时间下的贝叶斯推断问题,这在金融高频交易和原油期货等应用中常见。作者采用扩散模型,对未知参数设定先验,并引入潜在变量表示缺失数据,构建贝叶斯模型。由于完全数据似然不可处理,必须借助时间离散化方法,这在低频观测时会给MCMC带来严重问题。针对高频观测,提出基于Euler-Maruyama离散化的简单粒子MCMC方法,并用多层蒙特卡洛(MLMC)增强。针对低频观测,引入连续时间后验的桥接表示,离散化后用MCMC和MLMC拟合。最后在模拟和真实数据上验证了方法的有效性。对您而言,本文的MLMC与桥接思想虽属计算统计,但与您的高维统计和统计计算兴趣关联较弱,主要作为计算方法的参考。
  • 关键技术: particle MCMC, multilevel Monte Carlo, Euler-Maruyama discretization, bridge representation, latent variable model
  • 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有部分重叠,但核心是贝叶斯推断和MCMC,而非您主要关注的因果推断或高维理论。作为gateway阅读,本文对非同步数据建模的清晰阐述可能有助于扩展视野,但武器库中的工具(如U统计量、RMT)难以直接迁移。暂不可做:核心机器(粒子滤波、MLMC)不在您的武器库中,需先补充相关计算技能。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论