JUQ — Vol 14 Issue 3 · 2026-10-17¶
- 共 17 篇 · SIAM/ASA Journal on Uncertainty Quantification
- 目录核对 ✅ 17 篇全部抓到(对照 OpenAlex 17 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 17 篇论文,整体上可归为三条主线:统计计算与贝叶斯推断(约 9 篇)、随机动力系统与不确定性量化(约 5 篇)、以及非参数/半参数估计与敏感性分析(约 3 篇)。计算主线占据主导,聚焦于高维、多保真度、物理信息约束下的推断效率与可扩展性;随机动力系统主线则关注带噪声、记忆或随机初值过程的统计性质与数值方法;非参数主线篇幅虽少,但涉及 SDE 漂移函数估计与全局敏感性度量,与理论统计联系最紧。
计算主线中,多保真度与资源分配是反复出现的主题。Optimally Balancing Exploration and Exploitation 将 bandit 学习与多水平 BLUE 结合,动态分配协方差估计与最终估计的计算预算,理论保证 MSE 与 oracle 相当;Bifidelity Parameter Estimation 则用低保真扩散模型做摊销推断、高保真模型做自适应细化,处理多模态后验。物理信息与模型融合是另一子主题:Brownian Bridge as Physics-Informed Prior 将泊松方程变分问题与高斯过程回归等价,建立 PDE 正则化的贝叶斯解释并给出 Wasserstein 收敛性;Statistical Finite Elements 用嵌套 UKF 联合估计状态与物理参数,与粒子 MCMC 对比揭示统计最优性与可解释性的权衡;Model Forest Ensemble Kalman Filter 将线性控制变量推广到多模型森林结构,统一融合物理与数据驱动模型。高维与稀疏推断方面,High-Dimensional OU Processes 利用正交载荷矩阵避免卡尔曼滤波求逆,EM 闭式更新;Sparse Bayesian Learning 用 Knothe–Rosenblatt 重排构造稀疏先验到标准正态的传输映射,加速 MCMC。此外,Expected Information Gain 分析了两阶段密度估计的样本分配,证明 MSE 收敛快于嵌套蒙特卡洛;Unbiased Approximations 用随机化 MLMC 构造 McKean-Vlasov 平稳分布的无偏估计器。
随机动力系统主线中,Rough Differential Equations 的逆问题用路径签名迭代校准驱动信号,收敛性在 p-变差拓扑下成立;Hyperbolic Equations with Random Data 推导点态统计量的输运方程,提供核密度估计的先验误差界;Generalized Langevin Equations 用加权范数下的 resolvent 估计与 hypocoercive Lyapunov 距离,建立核估计误差到轨迹预测误差的传递;Second-Order Reliability Method 结合大偏差最优涨落与自动微分,实现 SDE 极端事件概率的高维可扩展计算。非参数主线中,SDE with Explanatory Process 构造投影最小二乘估计器并给出 Sobolev 空间风险界与模型选择;Global Activity Scores 基于有限差分定义敏感性度量,与 Sobol' 指数建立理论联系,在噪声下更稳定。
若按主题优先阅读:因果推断与半参数效率方向,SDE with Explanatory Process 的漂移函数估计与模型选择最贴近;高维计算方向,High-Dimensional OU Processes 与 Sparse Bayesian Learning 的可扩展策略值得关注;多保真度与资源分配方向,Optimally Balancing Exploration and Exploitation 与 Expected Information Gain 的样本分配分析是核心;物理信息推断方向,Brownian Bridge as Physics-Informed Prior 的收敛性结果与 Statistical Finite Elements 的对比分析最具理论深度。
非参数 / 半参数 (nonparam_semipara, 1 篇)¶
1. 10.1137/25m1780778 · arXiv — Nonparametric Estimation in SDE Models Involving an Explanatory Process¶
- 作者: Fabienne Comte, Nicolas Marie
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Centre National de la Recherche Scientifique · Université Paris Cité · Mathématiques Appliquées à Paris 5 · Université Paris Nanterre · Modélisation aléatoire de Paris Nanterre
- 分类: vol 14 · issue 3 · pp 779-828
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究由 SDE dX_t = b(X_t, Y_t)dt + dB_t 驱动的过程,其中 Y 是外生解释过程,目标是估计漂移函数 b。首先从概率角度证明该 SDE 解的存在唯一性,并建立 X_t 分布关于 Lebesgue 测度密度的存在性及适当控制。随后,基于观测副本,构造投影最小二乘估计器,并在特定 Sobolev 空间中建立风险界和收敛速率。进一步提出模型选择程序,在理论和实践中实现偏差-方差权衡。该工作将非参数估计推广到含协变量过程的 SDE 模型,属于半参数/非参数理论在随机过程领域的应用。
- 关键技术:
projection least squares estimator,Sobolev space risk bounds,model selection,SDE density estimation - 为什么对您有用: 本文属于非参数估计在 SDE 模型中的扩展,与您的非参数/半参数理论兴趣直接相关;其投影估计和模型选择技术可迁移至您熟悉的非参数统计框架。您可用 very_familiar 的 minimax 界工具检验其速率是否最优,或考虑将方法推广至因果推断中的纵向数据设定。
统计计算 / 算法 (stat_computing, 10 篇)¶
1. 10.1137/25m1761744 — Optimally Balancing Exploration and Exploitation to Automate Multifidelity Statistical Estimation¶
- 作者: Thomas Dixon, Alex A. Gorodetsky, John Jakeman, Akil Narayan, Yiming Xu
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of Michigan · Sandia National Laboratories · University of Utah · University of Kentucky
- 分类: vol 14 · issue 3 · pp 1104-1133
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究多保真度蒙特卡洛估计中的资源分配问题,目标是在给定计算预算下最小化高保真模型期望估计的均方误差。现有方法假设已知模型间的协方差(oracle statistics),但实际中需用额外模型评估来估计,其成本和误差常被忽略。作者提出自适应算法,结合多水平最优线性无偏估计(BLUE)和 bandit 学习,动态平衡用于估计协方差与构建最终估计器的计算资源。在温和假设下,证明该算法产生的估计器的均方误差与使用最优分配和真实协方差的 BLUE 估计器相当。数值实验包括参数椭圆 PDE 和冰盖质量变化问题,验证了理论结果。对您而言,该工作将统计估计与在线学习结合,其 bandit 分配策略可能对您在高维或因果推断中的计算效率问题有启发。
- 关键技术:
multilevel best linear unbiased estimator,bandit learning,adaptive resource allocation,Monte Carlo estimation,multifidelity methods - 为什么对您有用: 该论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 的软件开发技能复现其算法,并探索将 bandit 分配策略应用于您熟悉的 U-statistics 或因果推断中的计算问题。中期可做:需先熟悉 bandit 学习理论(moderately_familiar 之外),但核心算法实现不难。
2. 10.1137/25m1740164 · arXiv — Expected Information Gain Estimation via Density Approximations: Sample Allocation and Dimension Reduction¶
- 作者: Fengyi Li, Ricardo Baptista, Youssef Marzouk
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Massachusetts Institute of Technology · University of Toronto
- 分类: vol 14 · issue 3 · pp 974-1007
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究贝叶斯最优实验设计中期望信息增益(EIG)的估计问题,目标是在一般非线性/非高斯模型下高效估计先验到后验的互信息。方法上提出基于传输(transport)的两阶段方案,利用边际和条件密度估计来估计或界定 EIG,适用于标准及隐式贝叶斯模型。作者分析了训练(密度估计)与外层先验期望近似之间的最优样本分配,证明在该分配下 EIG 估计的均方误差收敛速度快于标准嵌套蒙特卡洛。针对高维问题,推导了基于梯度的互信息损失上界,通过最小化上界得到低维投影,从而获得优于其他线性降维方法的 EIG 近似。数值实验在 PDE 约束的贝叶斯反问题中展示了维度截断与非高斯性建模之间的有利权衡。对您而言,本文的样本分配分析和降维上界技巧可迁移到您在高维统计和统计计算中的估计效率问题。
- 关键技术:
transport-based density estimation,nested Monte Carlo,sample allocation optimization,gradient-based mutual information upper bound,linear dimension reduction - 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;其样本分配优化和降维上界方法可借鉴到您熟悉的高维统计和估计理论中。具体而言,您可以用 very_familiar 的 minimax bounds 工具分析其最优样本分配是否达到最优收敛率,或用 moderately_familiar 的 semiparametric theory 审视其密度估计步骤的影响函数。中期可做:需先熟悉 transport-based density estimation 的细节(属于 moderately_familiar 之外的新工具)。
3. 10.1137/25m1756831 · arXiv — An Interpretation of the Brownian Bridge as a Physics-Informed Prior for the Poisson Equation¶
- 作者: Alex Alberts, Ilias Bilionis
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Purdue University West Lafayette
- 分类: vol 14 · issue 3 · pp 1008-1044
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究逆问题中利用物理信息先验进行贝叶斯推断的统计基础。作者证明布朗桥高斯过程可视为泊松方程的软约束物理先验:首先建立泊松方程变分问题与核岭回归目标的等价性,再通过高斯过程回归与核方法的联系,构造一个后验均值与变分问题解一致的高斯过程,从而将 PDE 正则化纳入完全贝叶斯框架。基于此连接,作者在函数空间中发展有限维表示,并证明投影先验及后验在 Wasserstein 距离下的收敛性。最后,该方法被用于识别模型形式误差,提供模型误设的诊断工具。对您而言,本文展示了将 PDE 约束与高斯过程先验结合的贝叶斯非参数方法,其收敛性分析(Wasserstein 距离)与您的非参数/半参数理论兴趣相关,且其计算实现思路可迁移到您的统计计算工具箱。
- 关键技术:
Gaussian process priors,kernel ridge regression,variational problems,Wasserstein convergence,model misspecification diagnostics - 为什么对您有用: 本文属于统计计算与贝叶斯非参数的交界,直接关联您的统计计算兴趣;其核心的变分-核方法等价性分析可视为一种半参数估计的替代视角,与您的非参数/半参数理论有潜在联系。从问题发现看,您可用 very_familiar 的软件开发和逆问题经验复现其有限维近似,中期可尝试用 moderately_familiar 的 HOIF 理论分析其后验收缩率,属于中期可做。
4. 10.1137/25m1735019 — Parameter Estimation for Statistical Finite Elements¶
- 作者: Daniel G. Claassen, Thomas Stemler, Edward Cripps, Michael Bertolacci
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: The University of Western Australia
- 分类: vol 14 · issue 3 · pp 1080-1103
- 相关性 5/10 · novelty:
application - 摘要: 本文扩展统计有限元方法(StatFEM),将基于物理模型的参数不确定性纳入贝叶斯滤波框架。核心是提出嵌套贝叶斯滤波方案:外层用无迹卡尔曼滤波(UKF)传播参数后验的高斯近似,内层以代表性参数点条件化状态级StatFEM滤波器,并利用各状态级滤波器的边际似然进行参数分布的贝叶斯更新。该嵌套高斯结构实现了状态、物理参数和结构不确定性的联合在线估计,计算高效。在线性热方程示例中,与粒子MCMC和SMC²对比,揭示了统计最优性与物理可解释性之间的权衡:粒子方法探索完整误设定后验,而快速递归高斯近似能有效恢复真实物理参数。在非线性KdV方程应用中,展示了处理复杂动力学的能力,此时蒙特卡洛方法可能计算上不可行。对您而言,本文的嵌套滤波与边际似然更新机制,可视为统计计算中算法设计的参考,与您对数值方法和算法的兴趣相关。
- 关键技术:
Statistical Finite Element Method (StatFEM),Unscented Kalman Filter (UKF),nested Bayesian filtering,marginal likelihood,Particle MCMC,Sequential Monte Carlo Squared - 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,快速实现其嵌套滤波框架,并评估其计算复杂度。该文作为 gateway reading 可帮助您了解贝叶斯滤波与有限元结合的最新进展,但方法学 novelty 一般,属于应用型方法扩展。
5. 10.1137/25m1770205 · arXiv — Fast Data Inversion for High-Dimensional Ornstein–Uhlenbeck Processes from Noisy Measurements¶
- 作者: Yizi Lin, Xubo Liu, Paul Segall, Mengyang Gu
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of California, Santa Barbara · Stanford University
- 分类: vol 14 · issue 3 · pp 1134-1159
- 相关性 5/10 · novelty:
application - 摘要: 本文提出一种可扩展的潜在因子模型,用于高维 Ornstein-Uhlenbeck 过程的快速数据反演。模型允许每个潜在因子具有独立的相关系数和方差参数,且因子载荷矩阵正交(可固定或估计)。通过利用正交载荷矩阵,避免了卡尔曼滤波中每一步对后验协方差矩阵的求逆,并在 EM 算法中推导出参数估计的闭式表达式,从而在不引入近似的情况下大幅降低计算复杂度。模拟研究表明该方法在精度和可扩展性上优于现有替代方法。在 Cascadia 地区大地测量数据上的应用表明,估计的慢滑移事件与独立测量的地震震颤数据更吻合。该方法为大规模噪声数据的处理提供了显著加速,适用于地质灾害量化等场景。
- 关键技术:
latent factor model,Ornstein-Uhlenbeck process,Kalman filter,expectation-maximization,orthogonal factor loading - 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、数值方法)直接相关。其核心贡献在于利用正交结构避免矩阵求逆,这类似于您在计算高阶 U 统计量时利用张量网络结构降低复杂度,可以借鉴其计算技巧。武器库中的软件开发和逆问题经验足以理解本文,但若要深入扩展(如处理非正交载荷或非线性状态空间),可能需要补充更高级的数值线性代数知识。总体而言,本文作为统计计算的应用范例,值得一读,但方法学新颖性一般。
6. 10.1137/25m1743867 · arXiv — Scalability of the Second-Order Reliability Method for Stochastic Differential Equations with Multiplicative Noise¶
- 作者: Timo Schorlepp, Tobias Grafke
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Courant Institute of Mathematical Sciences · New York University · University of Warwick
- 分类: vol 14 · issue 3 · pp 920-973
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究带小乘性布朗噪声的随机微分方程(SDE)中极端事件概率的渐近精确估计,目标是在高维和时间离散化下高效计算二阶可靠性方法(SORM)估计量。该方法基于大偏差理论中的最优涨落(instanton)和局部扰动展开,涉及算子迹和Carleman–Fredholm行列式等无穷维量。作者利用自动微分在JAX中实现黑盒式数值计算,使得SORM估计在时间离散化和空间维度上具有可扩展性。文中通过多个SDE和随机偏微分方程示例(包括二维随机平流扩散模型)验证了方法的准确性和效率。核心贡献在于将经典理论结果转化为可扩展的数值算法,并公开了实现代码。对您而言,本文展示了如何将高维统计计算中的复杂算子运算与自动微分结合,可能对您在高阶U统计量或张量网络计算中的数值实现有启发。
- 关键技术:
second-order reliability method (SORM),sharp large deviation theory,Carleman-Fredholm determinants,automatic differentiation,JAX implementation,operator trace computation - 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经验,评估其JAX实现的可扩展性,并考虑将类似自动微分技术应用于高阶U统计量的计算。中期可做:需在自动微分或JAX生态上稍作熟悉(moderately_familiar),即可复现或扩展其方法。
7. 10.1137/25m1790427 · arXiv — Efficient Sampling for Sparse Bayesian Learning Using Hierarchical Prior Normalization¶
- 作者: Jan Glaubitz, Youssef M. Marzouk
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Linköping University · Massachusetts Institute of Technology
- 分类: vol 14 · issue 3 · pp 829-857
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对稀疏贝叶斯学习(SBL)中高维后验分布的 MCMC 采样效率问题,提出一种基于层次先验归一化传输映射(TM)的新方法。核心创新在于利用 SBL 先验的乘积形式和 Knothe–Rosenblatt 重排,解析地构造将稀疏促进先验变换为标准正态的确定性耦合。该变换将复杂的目标后验转化为具有标准正态先验的参考分布,从而允许使用更高效、利用结构信息的采样器。数值实验涵盖信号去模糊、非线性无粘 Burgers 方程反演和脉冲图像恢复,展示了标准 MCMC 技术的显著性能提升。对您而言,该方法中传输映射的构造与计算成本分析,可联系到您对统计计算中算法效率的兴趣,尤其是与您熟悉的张量网络/收缩复杂度视角有潜在交叉。
- 关键技术:
transport maps,Knothe–Rosenblatt rearrangement,sparse Bayesian learning,hierarchical priors,MCMC sampling - 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经验,快速复现其传输映射构造,评估其计算开销;中期可做的是将传输映射思想与您 moderately_familiar 的 HOIF 结合,探索高维后验的近似采样;本文不涉及因果推断或高维渐近,但作为计算方法的创新,值得关注。
8. 10.1137/25m1734567 · arXiv — Bifidelity Parameter Estimation Using Conditional Diffusion Models¶
- 作者: Caroline Tatsuoka, Minglei Yang, Dongbin Xiu, Guannan Zhang
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: The Ohio State University · Oak Ridge National Laboratory
- 分类: vol 14 · issue 3 · pp 743-778
- 相关性 5/10 · novelty:
application - 摘要: 本文提出一种双保真度(bifidelity)参数估计方法,用于复杂系统的贝叶斯推断,目标是在给定观测数据下高效近似参数的后验分布。传统方法如MCMC需要反复调用昂贵的高保真前向模型,且每次新观测都要重跑整个算法,计算负担大。该方法首先训练一个低保真条件生成模型,实现摊销贝叶斯推断,能快速近似广泛数据观测下的后验密度。当对特定观测需要更高精度时,采用自适应细化:利用低保真生成模型的输出缩小参数采样空间,从而高效使用昂贵的高保真求解器。随后训练一个高保真无条件生成模型,以更精确地逼近目标后验分布。两个生成模型都能高效地从目标后验采样,且无需重复模拟高保真前向模型。数值实验展示了方法在多模态密度情形及等离子体物理中逃逸电子模拟模型上的有效性。对您而言,该方法属于统计计算与不确定性量化的交叉,其双保真度框架与您对计算成本敏感的统计推断兴趣相关,但方法学新颖性一般,主要是工程性组合。
- 关键技术:
conditional diffusion models,amortized Bayesian inference,bifidelity methods,adaptive refinement,generative models for posterior sampling - 为什么对您有用: 本文属于统计计算方向,与您对 computationally constrained statistics 的兴趣相关,但更偏向工程应用而非理论。作为 gateway reading,它展示了生成模型在贝叶斯推断中的实用潜力,但武器库中的工具(如 MCMC、变分推断)足以理解其方法,无需额外学习。值得花时间读全文以了解生成模型在 UQ 中的最新应用,但方法学贡献有限。
9. 10.1137/25m172392x · arXiv — Unbiased Approximations for Stationary Distributions of McKean-Vlasov SDEs¶
- 作者: Elsiddig Awadelkarim, Neil K. Chada, Ajay Jasra
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: King Abdullah University of Science and Technology · City University of Hong Kong · Chinese University of Hong Kong, Shenzhen
- 分类: vol 14 · issue 3 · pp 892-919
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对 McKean-Vlasov 随机微分方程(MVSDEs)的平稳分布估计问题,提出了一种无偏估计器。由于 MVSDEs 通常无法精确模拟,且其平稳分布未知,传统时间离散化方法会引入离散化偏差和无法模拟平稳分布带来的偏差。作者借鉴无偏 Monte Carlo 文献(如随机化 Multilevel Monte Carlo)的思想,构造了一个无偏估计器,并在一定假设下证明了其无偏性。证明过程中需要建立离散化过程(通过适当的离散格式)向不变测度收敛的遍历性结果。数值实验涵盖 Curie-Weiss 模型、三维神经科学模型和参数估计问题,验证了估计器的有效性。该方法对您可能有用,因为它涉及随机化估计器和遍历性理论,与您对统计计算和算法数值方法的兴趣相关。
- 关键技术:
unbiased Monte Carlo,randomized multilevel Monte Carlo,McKean-Vlasov SDEs,ergodicity,time discretization - 为什么对您有用: 本文属于统计计算方向,涉及无偏估计和随机模拟算法,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来复现或扩展其算法,例如实现随机化 MLMC 并测试不同离散格式。中期可做:若想深入分析其遍历性证明,可能需要加强马尔可夫链收敛理论(moderately_familiar 中未列出,但可视为统计计算的一部分)。总体而言,这是一篇方法学论文,值得作为统计计算方向的入门或参考读物。
10. 10.1137/25m1792943 · arXiv — The Model Forest Ensemble Kalman Filter¶
- 作者: Andrey A. Popov, Adrian Sandu
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of Hawaiʻi at Mānoa · Virginia Tech
- 分类: vol 14 · issue 3 · pp 858-891
- 相关性 4/10 · novelty:
application - 摘要: 本文提出模型森林集成卡尔曼滤波器(Model Forest Ensemble Kalman Filter),用于数据同化中融合多个不同来源的仿真模型(如物理模型与数据驱动模型)与观测数据。传统方法假设模型构成线性层级,而实际中模型间关系复杂,作者将线性控制变量理论推广到模型森林结构,从而统一处理多种模型。该滤波器通过广义线性控制变量实现多保真度融合,在保持分析精度的同时提高计算效率。数值实验基于高保真准地转模型及其两个降阶模型,展示了模型森林方法的优势。对您而言,本文的模型融合与计算权衡思想可能对统计计算中的算法设计有启发,但属于应用导向的方法论扩展。
- 关键技术:
ensemble Kalman filter,multifidelity methods,linear control variates,model hierarchies,data assimilation - 为什么对您有用: 本文属于统计计算领域,涉及多模型融合与计算效率权衡,与您的统计计算兴趣相关;但核心是数据同化应用,方法学新颖性一般。作为入门读物,它清晰展示了多保真度建模的实用框架,但武器库(如U统计量、张量网络)难以直接迁移,暂不可做后续研究。
其他 (other, 6 篇)¶
1. 10.1137/25m1801426 · arXiv — Global Activity Scores¶
- 作者: Ruilong Yue, Giray Ökten
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Florida State University
- 分类: vol 14 · issue 3 · pp 1281-1303
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出一种新的全局敏感性度量——全局活动分数(global activity scores),基于函数的有限差分而非导数,以识别对输出影响较大的输入变量。作者建立了该度量与 Sobol' 敏感性指数之间的理论联系,并通过数值实验与 Sobol' 指数、基于导数的度量及活动分数进行比较。结果表明,在存在加性噪声或高变异性时,全局活动分数比基于导数的方法和活动分数更稳定可靠;在无噪声情形下,三种方法表现相当。该工作属于不确定性量化领域,方法上以有限差分为核心,理论分析相对基础。
- 关键技术:
finite differences,Sobol' sensitivity indices,derivative-based sensitivity measures,activity scores - 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,但可作为统计计算或非参数方法的边缘参考。作为 gateway reading,本文对非专家较为友好,但方法学深度有限,不值得优先投入时间。
2. 10.1137/25m177148x · arXiv — The Inverse Problem for Single Trajectories of Rough Differential Equations¶
- 作者: Thomas Morrish, Theodore Papamarkou, Anastasia Papavasiliou, Yang Zhao
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: University of Warwick · National Technical University of Athens
- 分类: vol 14 · issue 3 · pp 1234-1280
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究粗糙微分方程(RDE)单条离散观测轨迹的逆问题:给定观测路径 y,目标是构造一个几何 p-粗糙路径 X,使其作为驱动信号时 RDE 的响应与 y 匹配。作者首先严格定义连续逆问题,并将其解构造为一系列离散逆问题的极限,收敛性在 p-变差拓扑下成立。核心方法基于有界变差路径的校准,这些路径的极限定义了 y 的粗糙路径提升。数值算法利用路径的签名表示,在响应与控制之间迭代修正,并针对分段线性路径情形简化为局部梯度的同步更新,证明其关于观测时间间隔 δ 一致收敛。文中还讨论了分裂方法与可约性条件以提升效率,并通过数值例子展示算法的鲁棒性与效率。对您而言,本文属于统计计算与随机分析交叉领域,与您的主要兴趣(统计计算、非参数/半参数理论)关联较弱,但其中迭代算法与收敛性分析思路或可迁移至您熟悉的估计问题中。
- 关键技术:
rough path theory,signature representation,p-variation convergence,iterative calibration,splitting methods - 为什么对您有用: 本文主题为粗糙路径逆问题,属于随机分析与统计计算的交叉,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接重叠。但作为统计计算方向的算法设计论文,其迭代修正与收敛性证明思路可能对您处理复杂估计问题有启发。鉴于您对统计计算有兴趣,可作为扩展阅读,但非核心相关。
3. 10.1137/25m1777955 · arXiv — The Evolution of Pointwise Statistics in Hyperbolic Equations with Random Data¶
- 作者: Alina Chertock, Pierre Degond, Amir Sagiv, Li Wang
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: North Carolina State University · Centre National de la Recherche Scientifique · Université Toulouse III - Paul Sabatier · Institut National des Sciences Appliquées de Toulouse · Université de Toulouse · Institut de Mathématiques de Toulouse · New Jersey Institute of Technology · University of Minnesota
- 分类: vol 14 · issue 3 · pp 1045-1079
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究一维双曲型偏微分方程(线性和非线性)在随机初值下的点态统计量,即解在固定时空点的概率测度。对于线性方程,解的概率密度函数(PDF)满足同一线性PDE;对于非线性方程,作者推导了CDF的线性输运方程和PDF的非局部线性PDE,但仅在激波形成前有效,并给出反例说明该限制本质。对于线性方程组,引入多点统计量并推导其演化方程。这些统计演化方程使得无需对底层PDE做系综求解即可高效评估随机动力学,且计算成本不受随机参数维度影响。此外,这些方程还提供了蒙特卡洛方法(特别是核密度估计)应用于随机双曲PDE时的先验统计误差界。
- 关键技术:
probability density function (PDF) evolution,cumulative distribution function (CDF) transport equation,multi-point statistics,kernel density estimation,Monte Carlo error bounds - 为什么对您有用: 本文属于不确定性量化(UQ)与PDE随机数据的交叉领域,与您的主要兴趣(统计计算、高维统计)有一定关联,但并非核心方向。其统计演化方程方法避免了系综模拟,成本不随随机维度增长,这对高维随机PDE问题有启发;但方法本身不涉及因果推断、半参数效率或U统计量。作为gateway reading,本文对统计学家而言可读性尚可,但需要PDE背景;武器库中的非参数统计和计算工具足以理解其误差界推导,但缺乏PDE知识可能限制深入。
4. 10.1137/26m1837290 · arXiv — Error Analysis of Generalized Langevin Equations with Approximated Memory Kernels¶
- 作者: Quanjun Lang, Jianfeng Lu
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Pennsylvania State University · Duke University
- 分类: vol 14 · issue 3 · pp 1304-1335
- 相关性 4/10 · novelty:
new_theory - 摘要: 本文研究带记忆的随机动力系统(广义 Langevin 方程,即随机 Volterra 方程)中,当记忆核被近似估计时,轨迹预测误差的定量界。在强凸势能假设下,作者证明轨迹偏差的衰减率由记忆核的衰减率决定,且被核估计在加权范数下的误差所控制。方法上,将同步噪声耦合与 Volterra 比较定理结合,覆盖次指数和指数核类;对一阶模型用加权空间中的 resolvent 估计得到矩和扰动界,对二阶模型用 hypocoercive Lyapunov 型距离证明收缩与稳定性。框架允许非平移不变核和白噪声强迫,明确建立了核估计改进与轨迹预测提升之间的联系。数值实验验证了理论结果。对您而言,该文属于随机动力系统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,但其中的核估计误差传播分析思路或可类比于非参数估计中的偏差-方差权衡。
- 关键技术:
stochastic Volterra equations,synchronized noise coupling,Volterra comparison theorem,resolvent estimates in weighted spaces,hypocoercive Lyapunov-type distance - 为什么对您有用: 本文属于随机动力系统与不确定性量化,与您的主要兴趣(因果推断、高维统计等)无直接交集。作为 gateway reading,它展示了核估计误差如何传播到轨迹预测,但并非您领域的核心文献。武器库中的非参数估计理论可帮助理解其加权范数误差界,但整体相关性较低,不值得优先深读。
5. 10.1137/24m1690382 · arXiv — Empirical Risk Minimization for Risk-Neutral Composite Optimal Control with Applications to Bang-Bang Control¶
- 作者: Johannes Milz, Daniel Walter
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Georgia Institute of Technology · Johannes Kepler University of Linz
- 分类: vol 14 · issue 3 · pp 1207-1233
- 相关性 4/10 · novelty:
new_method - 摘要: 本文研究风险中性复合最优控制问题的经验风险最小化(ERM)方法,目标函数为可能非凸的期望函数与非光滑凸函数之和。作者采用蒙特卡洛样本近似,证明了估计量的渐近相合性,并给出了非渐近样本量估计。分析利用了PDE约束优化中常见的结构,如紧嵌入和增长条件。方法应用于bang-bang型最优控制问题,并提出用条件梯度法高效求解。数值实验验证了理论结果。对您而言,其非渐近样本量界与ERM相合性分析虽非您核心方向,但可作为随机优化与不确定性量化领域的入门参考。
- 关键技术:
empirical risk minimization,Monte Carlo approximation,nonasymptotic sample size estimates,conditional gradient method,nonsmooth composite optimization - 为什么对您有用: 本文属于随机优化与不确定性量化领域,与您的主要兴趣(因果推断、高维统计等)无直接交集。作为gateway reading,其ERM相合性和非渐近界的分析框架对统计学家有一定可读性,但武器库(如经验过程、集中不等式)足以支撑理解。鉴于主题偏离核心,建议仅作泛读,不值得投入全文时间。
6. 10.1137/25m1762695 · arXiv — Adaptive Grid Designs for Classifying Monotonic Binary Deterministic Computer Simulations¶
- 作者: Tian Bai, Dianpeng Wang, Kuangqi Chen, Xu He
- 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
- 机构: Beijing Institute of Technology · Chinese Academy of Sciences · Aerospace Information Research Institute · Academy of Mathematics and Systems Science
- 分类: vol 14 · issue 3 · pp 1160-1206
- 相关性 4/10 · novelty:
new_method - 摘要: 本文研究单调二元确定性计算机模拟(如破冰动力学模拟)中的分类问题,目标是仅用少量仿真运行确定正负结果区域之间的临界边界。作者推导了任意静态和自适应设计下达到给定分类精度所需函数评估次数的下界,并提出了自适应网格设计——一系列分辨率递增且低分辨率网格是高分辨率网格子集的网格序列。通过优先在低分辨率点运行仿真并跳过冗余运行,自适应网格设计所需的运行次数与最优自适应设计同阶,比最优静态设计少一个数量级。数值实验在测试函数、道路碰撞模拟和破冰模拟中验证了其优越性。
- 关键技术:
adaptive design,grid refinement,lower bounds,deterministic binary classification,computer experiments - 为什么对您有用: 本文属于统计计算与实验设计方向,与您的统计计算兴趣相关,但并非核心方法论文。作为入门读物,它清晰展示了自适应设计在昂贵仿真中的价值,但武器库中的工具(如非参数统计、U统计量)并非直接适用。若您对计算机实验设计感兴趣,可作扩展阅读,但优先级不高。
Maintained by 陈星宇 · Homepage · Source on GitHub