Sketching stochastic valuation functions
该论文提出了一种高效的随机估值函数草图化方法，通过为每个物品构建支持集大小为 的离散化分布，在满足单调性及次加性或次模性等条件下，实现对任意大小不超过 的物品子集估值函数的常数因子近似，从而显著提升了最佳集合选择和社会福利最大化等优化问题中的评估效率。
📊 Category
stat.ME
209 篇论文
Causal Effects in Matching Mechanisms with Strategically Reported Preferences
本文提出了一种能够抵御策略性偏好误报的识别方法，利用智利大学录取数据推导了学校分配因果效应的精确界限，从而揭示了毕业成功率在偏好与分配结果上的显著异质性。
Calibrated Generalized Bayesian Inference
该论文提出了一种简单且直观的新方法，通过替换后验分布而非依赖显式高斯近似或后处理，为 misspecified 模型及广义（Gibbs）后验提供了准确且可靠的量化不确定性方案。
Constructing Genetic Risk Scores: Robust Bayesian Approach through Projected Summary Statistics and Flexible Shrinkage
该论文提出了一种结合摘要统计量投影技术与灵活贝叶斯桥先验的鲁棒方法（PRS-Bridge），以解决多源数据整合导致的后验非适定性问题，并在多种场景下实现了优于现有方法的遗传风险评分构建性能。
Spectral Graph Filtering for Modality-Specific Representation Learning
本文提出了 DELVE 方法，这是一种基于谱图滤波的无监督学习技术，通过构建多模态图并利用其连通性差异来设计滤波器，从而有效提取并保留仅存在于单一模态中的特异性潜在变量，同时抑制跨模态共享信号。
Euclidean mirrors and first-order changepoints in network time series
该论文提出了一种基于欧几里得镜像的模型，通过谱估计方法有效定位网络时间序列中由潜在位置过程驱动的一阶变点，并在模拟及类器官网络实证数据中验证了其在捕捉网络演化显著转变方面的有效性。
Forecasting Causal Effects of Future Interventions: Confounding and Transportability Issues
本文旨在通过建立新的非参数识别公式（g-计算）并阐明必要的结构假设，解决因时变混杂因素和效应修饰带来的挑战，从而构建一个理论框架以将过去观察到的因果效应准确预测并外推至未来人群。
Persistence-Robust Break Detection in Predictive CoVaR Regressions
本文提出了一种基于自归一化原理的结构断点检验方法，用于检测预测分位数和 CoVaR 回归中的不稳定性，该方法在预测变量平稳或非平稳时均有效，并通过模拟与实证研究验证了其优良性能。
Adaptive and Stratified Subsampling for High-Dimensional Robust Estimation
本文提出自适应重要性采样和分层子采样两种估计器，在高维稀疏回归中有效应对重尾噪声、-污染及-混合依赖性，填补了理论与算法间的空白，实现了最小化最优收敛率并提供了有效的坐标置信区间。
Empirical best prediction of poverty indicators via nested error regression with high dimensional parameters
该论文提出了一种扩展的嵌套误差回归模型，通过引入高效估计算法和针对异质性数据的参数自助法，实现了在小样本区域贫困指标估计中更低的偏差与误差，并有效解决了高维参数下的计算瓶颈及样本外区域预测问题。
A Restricted Latent Class Hidden Markov Model for Polytomous Responses, Polytomous Attributes, and Covariates: Identifiability and Application
本文提出了一种结合响应者协变量的受限潜类隐马尔可夫模型，用于处理具有多项属性及协变量的纵向数据，证明了模型的可识别性，并通过模拟研究与数学考试及情绪状态数据的实证分析验证了其有效性。
A Consequentialist Critique of Binary Classification Evaluation: Theory, Practice, and Tools
本文从决策理论的后果主义视角出发，批判了机器学习领域过度依赖固定阈值评估的现状，提出应优先采用 Brier 分数等严格评分规则，并通过构建决策框架、开发 Python 工具包及改进算法来弥合理论与实践的差距。
Parallel computations for Metropolis Markov chains with Picard maps
本文提出了一种基于 Picard 映射的并行算法，用于模拟针对对数凹分布的零阶（无梯度）Metropolis 马尔可夫链，该算法利用并行计算将收敛速度提升了倍，并在高维回归、无梯度流行病模型及精准医疗等实际应用中展现了高效性。
Using the rejection sampling for finding tests
本文提出了一种基于拒绝采样、概念直观且适用于任意维度的新统计检验方法，通过三个实证案例证明其在检验均值差异、均值向量及分布拟合方面具有与最优检验相当的统计功效。
Conditional Copula models using loss-based Bayesian Additive Regression Trees
本文提出了一种基于损失先验和自适应可逆跳跃马尔可夫链蒙特卡洛算法的半参数贝叶斯加法回归树（BART）方法，用于有效建模复杂非平滑的依赖结构并解决过拟合问题，同时通过实证案例展示了其在分析外部变量（如 GDP）对多变量间依赖关系影响方面的优越性。
An AI-powered Bayesian Generative Modeling Approach for Arbitrary Conditional Inference
该论文提出了一种名为贝叶斯生成建模（BGM）的统一框架，通过随机迭代贝叶斯更新算法学习生成模型，从而无需重新训练即可实现对任意变量子集的灵活条件推断，并兼具优越的预测性能、不确定性量化能力及理论保证。
Central subspace data depth
本文提出了一种名为“中心子空间数据深度”的新框架，该框架将传统数据深度的中心对称性推广至任意维度的子空间，不仅建立了从子空间向外的排序机制，还证明了其在子空间对称分布下的最优性，并探讨了其在投影追踪、降维及欺诈检测等应用中的理论与实证价值。
Efficient semiparametric estimation of marginal treatment effects with genetic instrumental variables
该研究提出利用有效影响函数改进基于遗传工具变量的边际处理效应半参数估计方法，以解决遗传依从者比例较小导致的倾向得分尾部估计不确定性问题，并发现最易出现酗酒倾向的个体其血压受到的负面影响最大。
Estimation of heterogeneous principal effects under principal ignorability
本文提出了一种在主要可忽略性假设下估计和处理异质性主要因果效应（包括二元处理与二元中介变量情形）的框架，开发了具有不同稳健性特征的多种估计量并建立了大样本理论，同时利用 Camden Coalition 热点干预试验展示了该方法在估计异质性依从者效应中的应用。
Uncertainty quantification for critical energy systems during compound extremes via BMW-GAM
本文提出了一种基于移动窗口贝叶斯广义加性模型与高斯 copula 的 BMW-GAM 方法，用于对极端天气事件下关键能源系统面临的复合风险进行可解释的不确定性量化分析。