跳转至

JUQ — Vol 14 Issue 4 · 2026-10-17

  • 共 6 篇 · SIAM/ASA Journal on Uncertainty Quantification
  • 目录核对 ✅ 未见遗漏(对照 OpenAlex 5 篇,权威目录可能尚未完全收录本期)

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 6 篇论文,主线集中在贝叶斯计算与不确定性量化,可进一步拆为三条:一是高斯过程/随机场的建模与计算(VPPE、BdryMatérn GP、量子采样),二是贝叶斯反问题与实验设计(低秩后验近似、子空间加速 sOED),三是PDE 驱动的 UQ 数值方法(QMC 肿瘤生长模型)。量子计算与经典统计方法的交叉是本期一个独特看点。

最突出的是无限维/高维贝叶斯推断的计算策略。低秩后验协方差近似一文在 Hilbert 空间中推广了 Spantini 等人的有限维结果,利用 Feldman–Hajek 定理刻画先验-后验等价性,并统一优化 Rényi、α-散度、Hellinger 与 KL 损失,为离散化逆问题提供了理论保证。子空间加速 sOED 一文则从另一角度切入:通过导数上界构造似然信息子空间(LIS)降维,结合条件测度传输映射实现序贯设计,两个 PDE 反问题实验验证了可扩展性。两篇都处理“高维参数 + 有限观测”的结构,但前者重近似精度理论,后者重计算流程设计,可对照阅读。

另一条主线是GP 代理模型的边界与规模问题。BdryMatérn GP 通过 SPDE 推导路径积分核,在不规则域上显式整合 Dirichlet/Neumann/Robin 边界条件,并给出有限元近似的误差分析,填补了现有边界集成 GP 在光滑性控制上的空白。VPPE 则针对向量值输出的计算机实验,将 scaled Vecchia 近似引入并行部分仿真框架,把似然计算从 O(n³) 降至近线性,在三个模拟器上验证了精度与速度的权衡。两篇分别从“域几何”和“数据规模”两个维度扩展 GP 的适用边界。

与因果推断/半参数效率直接相关的论文不多,但低秩后验协方差近似一文中的散度优化框架与半参数效率中的渐近方差控制有概念联系,适合关注无限维推断理论者优先看;子空间加速 sOED 与 QMC 肿瘤生长模型则适合关注高维贝叶斯计算与 PDE 反问题的读者。量子采样一文偏方法创新,若对量子计算与随机场结合感兴趣可单独查阅。

统计计算 / 算法 (stat_computing, 5 篇)

1. 10.1137/25m1784491 · arXiv — Optimal Low-Rank Posterior Covariance Approximation in Linear Gaussian Inverse Problems on Hilbert Spaces

  • 作者: Giuseppe Carere, Han Cheng Lie
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: University of Potsdam
  • 分类: vol 14 · issue 4 · pp 1366-1395
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究线性高斯逆问题中后验协方差的低秩近似,参数空间为无限维 Hilbert 空间,观测为有限维。利用 Feldman–Hajek 定理分析先验到后验的更新,证明后验与先验仅在一个有限维子空间上不同,并构造保持均值固定的低秩协方差近似。在无限维中,并非所有低秩近似都能保证近似后验与真实后验及先验等价,因此作者刻画了满足等价性的低秩近似及其精度(逆)形式。对于这些近似,作者同时优化一族损失函数,包括 Rényi 散度、Amari α-散度、Hellinger 距离和 KL 散度,得到统一的低秩最优近似。该结果将 Spantini 等人在有限维情形的结论推广到 Hilbert 空间,为离散化逆问题的低秩近似提供了离散化无关的理论基础。对您而言,本文涉及统计计算与无限维逆问题,与您对统计计算和算法数值方法的兴趣相关,可作为理解低秩近似理论的一个参考。
  • 关键技术: Feldman–Hajek theorem, low-rank approximation, Rényi divergence, Amari α-divergence, Hellinger metric, Kullback–Leibler divergence
  • 为什么对您有用: 本文属于统计计算方向,涉及无限维逆问题中的低秩近似,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背景来复现或验证其离散化无关性结论,属于立即可做的范畴。

2. 10.1137/25m1735329 · arXiv — Subspace Accelerated Measure Transport Methods for Fast and Scalable Sequential Experimental Design, with Application to Photoacoustic Imaging

  • 作者: Tiangang Cui, Karina Koval, Roland Herzog, Robert Scheichl
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: The University of Sydney · Heidelberg University
  • 分类: vol 14 · issue 4 · pp 1476-1503
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对贝叶斯反问题中的序贯最优实验设计(sOED),目标是最大化从先验到后验的期望信息增益(EIG),在非高斯、高维参数且模型昂贵时计算极具挑战。作者推导了一个基于导数的 iEIG 通用上界,该上界不仅指导设计点的选择,还用于构造似然信息子空间(LIS)上的投影算子,实现参数维度约简。结合条件测度传输映射(conditional measure transport maps)来逼近后验序列,提出了一个统一的可扩展至高维乃至无限维问题的 sOED 与摊销推断框架。数值实验在两个 PDE 控制的反问题(包括光声成像)上验证了所提上界作为设计准则的有效性。该方法为计算受限的贝叶斯实验设计提供了新的理论工具和算法,对您而言,其维度约简与传输映射的结合思路可能对高维统计推断中的计算问题有启发。
  • 关键技术: sequential optimal experimental design, expected information gain upper bound, likelihood-informed subspace, conditional measure transport, amortized inference, Bayesian inverse problems
  • 为什么对您有用: 本文属于统计计算方向,与您的 primary interest 中 statistical computing 和 statistical-computational tradeoff 相关。它提出了一种新的计算策略(基于上界的维度约简与传输映射),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,属于立即可做的范畴;同时,其维度约简思想也可能与您在高维统计中的工作产生交叉。

3. 10.1137/25m1789822 · arXiv — VPPE: Application of Scaled Vecchia Approximations to Parallel Partial Emulation

  • 作者: Josh Seidman, Elaine T. Spiller
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Marquette University
  • 分类: vol 14 · issue 4 · pp 1426-1451
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对计算机模拟器(computer simulators)的向量值输出,提出 VPPE(Vecchia Parallel Partial Emulation)方法,将 scaled Vecchia 近似引入并行部分仿真(PPE)框架,以加速高斯过程(GP)代理模型的拟合。PPE 虽能处理多维输出,但训练样本增加时计算成本快速上升;scaled Vecchia 近似通过局部条件独立假设,将多元高斯似然计算复杂度从 O(n^3) 降至近线性,从而使得大规模训练数据下的 GP 拟合可行。VPPE 在合成数据、水文模型和火山流模型三个计算机实验上,与标准 PPE 相比,预测精度相当,但运行时间大幅减少。该方法属于统计计算与不确定性量化(UQ)的交叉领域,为大规模仿真器的快速代理建模提供了实用工具。对您而言,本文展示了如何将近似似然技术(如 Vecchia)与特定模型框架结合,其计算效率提升的思路可迁移至您熟悉的统计计算或高维问题中,但方法学新颖性有限,主要是工程性改进。
  • 关键技术: Scaled Vecchia approximation, Gaussian process emulation, Parallel partial emulation, Multivariate Gaussian likelihood approximation, Uncertainty quantification
  • 为什么对您有用: 本文属于统计计算(statistical computing)方向,与您的主要兴趣之一直接相关。您熟悉非参数统计和高维渐近,可关注其近似似然方法的理论性质(如近似误差界),但本文更偏应用与实现。作为 gateway reading,它展示了大规模 GP 拟合的实用技巧,但武器库(如您熟悉的计算 U-statistics 的树宽方法)可能不直接适用,中期可做的是学习 Vecchia 近似的理论基础,以评估其适用性。

4. 10.1137/25m1805102 · arXiv — Quasi-Monte Carlo Methods for Uncertainty Quantification of Tumor Growth Modeled by a Parametric Semilinear Parabolic Reaction-diffusion Equation

  • 作者: Alexander D. Gilbert, Frances Y. Kuo, Dirk Nuyens, Graham Pash, Ian H. Sloan, Karen E. Willcox
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: UNSW Sydney · KU Leuven · The University of Texas at Austin
  • 分类: vol 14 · issue 4 · pp 1337-1365
  • 相关性 5/10 · novelty: application
  • 摘要: 本文研究用拟蒙特卡洛(QMC)方法对一类参数化半线性抛物型反应-扩散方程(用于肿瘤生长建模)进行不确定性量化。目标是高效计算感兴趣量(QoIs)的期望,以支持临床决策。作者先建立了模型的适定性,并针对均匀随机场情形证明了理论误差界,其线性收敛速率优于标准蒙特卡洛的 n^{-1/2}。数值实验验证了该理论速率,并对对数正态随机场给出了有前景的计算结果,提示可进一步开展理论分析。
  • 关键技术: quasi-Monte Carlo (QMC), semilinear parabolic PDE, reaction-diffusion equation, uncertainty quantification, well-posedness analysis, error bounds
  • 为什么对您有用: 本文属于统计计算方向,涉及高维数值积分与不确定性量化,与您的统计计算兴趣相关。您熟悉的非参数统计和极小极大理论可帮助评估其误差界的紧性;但核心是QMC与PDE数值方法,不在您当前武器库中,属于中期可做——需先熟悉QMC理论(moderately_familiar之外)。

5. 10.1137/25m1789834 · arXiv — Quantum Sampling and Moment Estimation for Transformed Gaussian Random Fields

  • 作者: Matthias Deiml, Daniel Peterseim
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 分类: vol 14 · issue 4 · pp 1452-1475
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种量子算法,用于在 d 维域上高效采样变换后的高斯随机场,基于经典移动平均法的增强版本。点态变换用于强制有界性,这对在量子计算中使用高斯随机场至关重要,例如在偏微分方程中建模微结构系数场。该方法直接在量子设备上从少量统计参数生成微结构,绕过了输入瓶颈,并制备一个逼近精度为 ε 的量子态,时间复杂度为 O(poly(1/ε, d))。结合振幅估计和量子伪随机数生成器,该算法可估计线性和非线性可观测量,包括混合矩和高阶矩,总复杂度为 O(poly(1/ε, d))。数值实验在模拟量子硬件上验证了理论结果。
  • 关键技术: quantum sampling, moving average method, amplitude estimation, quantum pseudorandom number generator, Gaussian random fields
  • 为什么对您有用: 本文属于统计计算方向,涉及随机场采样与矩估计的算法设计,与您的统计计算兴趣相关。虽然量子计算不是您的核心武器库,但其中的矩估计问题(尤其是高阶矩)与您熟悉的高阶 U-统计量有潜在联系。作为 gateway reading,本文对量子计算中的统计问题提供了清晰的算法框架,但需要补充量子计算基础知识。武器库中的经典统计工具(如 U-统计量理论)可用于分析其矩估计的统计性质,但量子算法部分暂不可直接攻取,需先学习量子计算基础。

其他 (other, 1 篇)

1. 10.1137/25m1790270 — The BdryMatérn GP: A New Gaussian Process Model for Incorporating Boundary Information

  • 作者: Liang Ding, Simon Mak, C. F. Jeff Wu
  • 期刊/来源: SIAM/ASA Journal on Uncertainty Quantification
  • 机构: Fudan University · Duke University · Chinese University of Hong Kong, Shenzhen
  • 分类: vol 14 · issue 4 · pp 1396-1425
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 BdryMatérn GP,一种新的高斯过程代理模型,用于在非超立方体(不规则)域上整合 Dirichlet、Neumann 和 Robin 边界信息。现有边界集成 GP 缺乏近似误差分析和样本路径光滑性控制,本文通过随机偏微分方程(SPDE)公式推导出路径积分形式的 BdryMatérn 协方差核,并证明其样本路径满足边界条件且导数光滑性可控。为高效计算该核,作者采用有限元方法进行近似,并给出严格的误差分析。模拟实验和 PDE 应用展示了该方法在不规则域上的有效性。
  • 关键技术: Gaussian process, Matérn kernel, stochastic partial differential equation, finite element method, boundary conditions
  • 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,但并非您的主要研究领域。作为入门读物,它清晰展示了如何将物理边界信息融入 GP 模型,但需要一定的 PDE 和有限元背景。您的武器库(如非参数统计、高维渐近)足以理解其核心思想,但若要深入其数值实现,可能需要补充有限元方法的知识。值得一读以拓宽视野,但非优先。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论