Latent Autoencoder Ensemble Kalman Filter for Data assimilation
该论文提出了一种潜在自编码器集合卡尔曼滤波（LAE-EnKF）方法，通过在具有线性稳定动力学的潜在空间中重构数据同化问题，有效解决了标准集合卡尔曼滤波在处理强非线性系统时的性能瓶颈，并在保持计算效率的同时显著提升了同化精度与稳定性。
📊 Category
stat.ME
219 篇论文
CREDO: Epistemic-Aware Conformalized Credal Envelopes for Regression
本文提出了 CREDO 方法，通过先构建能反映认知不确定性的可信集包络、再应用分箱共形校准，实现了兼具分布无关覆盖率保证与可解释性（可分解为偶然噪声、认知膨胀及校准松弛）的回归预测区间。
Demonstration Experiments
本文在自适应多臂老虎机框架下，针对在线平台等场景中“证明至少存在一个干预对特定子群产生正向效应”的目标，提出了两种推断程序（包括基于适度偏差原理的时序均匀多重检验方法），并将实验设计转化为以信噪比为奖励的带优化问题，从而实现了在完全自适应采样下的有效统计推断与算法设计。
Fréchet regression of multivariate distributions with nonparanormal transport
本文提出了一种基于非高斯传输度量的弗雷歇回归新方法，通过将多元分布响应分解为边缘分布与依赖结构的独立回归，有效解决了高维分布数据回归中的计算与统计挑战，并证明了其理论收敛性。
TEA-Time: Transporting Effects Across Time
本文提出了名为 TEA-Time 的框架，用于将随机对照试验的治疗效应跨时间外推至未进行实验的时期，通过两种识别策略（重复试验与公共处理臂）构建了双重稳健估计量，并在 Upworthy 实验数据中揭示了精度与偏差之间的权衡关系。
Integrating Heterogeneous Information in Randomized Experiments: A Unified Calibration Framework
本文提出了一种统一的校准框架，通过凸优化定义的校准权重整合随机化实验中的异质信息（如辅助协变量、机器学习预测及外部数据），在确保估计有效性的同时实现了无效率损失的方差缩减，并推广至分层数与信息源数量随样本量增长的渐近理论。
Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics
该论文提出了一种基于轻量级深度生成架构的时空回归方法，通过内源性量化不确定性，在低频率流行病数据集上实现了优于现有基准的准确且可靠的概率预测。
Conditional Rank-Rank Regression via Deep Conditional Transformation Models
该论文提出了一种基于深度条件变换模型（DCTM）和交叉拟合的改进型条件秩 - 秩回归方法，通过估计协变量调整后的条件秩来有效解决非线性、高阶交互及离散有序结果下的代际流动性测量难题，并建立了相应的渐近理论，在模拟与实证研究中均展现出优于传统方法的准确性与解释力。
Dirichlet kernel density estimation on the simplex with missing data
本文提出了一种基于逆概率加权与自适应狄利克雷核的非参数密度估计方法，用于处理缺失数据下的单纯形成分数据，该方法不仅具备优良的大样本性质，且在模拟与 NHANES 白细胞数据应用中表现优于基于对数比变换的传统方法。
Probabilistic Inference and Learning with Stein's Method
这篇专著全面概述了基于Stein方法的概率推断与学习的理论与方法，详细阐述了Stein算子与Stein集的构建、Stein差异的性质及其与Stein变分梯度下降的联系，并提供了严谨的定义、结果及证明参考。
Evaluating consumption effects of intelligent control algorithms for district heated buildings
本文针对现有建筑能耗评估方法难以区分智能控制效果与其他干扰因素的问题，提出了一种基于模型的分解方法，利用丹福斯十年实测数据验证了其在量化和追踪区域供热建筑中智能控制具体节能贡献方面的有效性。
Dissecting Spectral Granger Causality through Partial Information Decomposition
本文提出了一种基于部分信息分解的谱格兰杰因果分析新方法（PDGC），通过解耦冗余、独特和协同的高阶因果相互作用，揭示了神经介导性晕厥患者中由交感神经控制的低频心血管与脑血管振荡异常模式。
Group-Sparse Smoothing for Longitudinal Models with Time-Varying Coefficients
本文提出了一种名为 TV-Select 的统一框架，通过结合 B 样条近似与双重惩罚机制（组 Lasso 与光滑惩罚），在纵向数据变系数模型中同时实现变量选择以及区分效应是时变还是恒定的结构识别，从而在避免过拟合的同时提升估计精度与预测性能。
Post-Hoc Large-Sample Statistical Inference
本文建立了一套渐近后验推断理论，提出了比现有非渐近方法假设更弱且更精确的渐近后验置信集和 p 值，从而解决了传统统计推断中显著性水平必须预先设定的局限性。
Unifying On- and Off-Policy Variance Reduction Methods
该论文通过证明在线均值差估计量与带有最优控制变量的离线逆倾向评分估计量等价，以及回归调整方法与双重鲁棒估计的结构一致性，统一了在线实验与离线策略评估中常用的方差缩减方法。
Minimax estimation for Varying Coefficient Model via Laguerre Series
本文提出了一种基于拉盖尔级数的变系数模型估计方法，该方法在拉盖尔 - 索伯列夫空间下实现了系数函数的极小极大最优收敛速率，并建立了估计量的渐近正态性、置信区间及点态假设检验，同时通过模拟和实证研究验证了其有限样本性能及优越性。
Estimating Reproducibility in Genome-Wide Association Studies
该论文提出了可重复率（RR）和假不可重复率（FIR）两个概率指标，用于定量评估全基因组关联研究（GWAS）中主要发现的可重复性及不可重复结果中潜在的真阳性，并给出了相应的估计方法。
Controlling the joint local false discovery rate is more powerful than meta-analysis methods in joint analysis of summary statistics from multiple genome-wide association studies
该论文提出了一种基于联合局部错误发现率（Jlfdr）控制的汇总统计量联合分析新方法，证明其在控制错误发现率的前提下比传统荟萃分析方法具有更高的统计功效，尤其适用于处理多个全基因组关联研究中的异质数据。
Asymptotics of cut distributions and robust modular inference using Posterior Bootstrap
本文从渐近角度研究了用于阻断错误模型信息传播的截断分布，推导了 Bernstein-von Mises 定理和带有定量界限的拉普拉斯近似，并提出了一种基于后验 Bootstrap 的算法，使其生成的可信区间具备名义上的频率渐近覆盖率。
Degrees of Freedom and Information Criteria for the Synthetic Control Method
该论文通过解析合成控制法的模型灵活性（以自由度形式表征）并推导可估计的信息准则，为在协变量或惩罚变体中选择参数提供了优于交叉验证的方法，并通过天津车牌摇号政策的实证研究验证了其有效性。