259 篇论文
本文提出了一种基于序贯马尔可夫链蒙特卡洛（SMCMC）技术的局部数据同化方案，通过两种利用观测空间稀疏性的新策略，在避免粒子滤波权重退化问题的同时，有效处理了高维非线性非高斯地理物理模型（包括 SWOT 和漂流浮标数据）中的重尾观测噪声，并展示了其优于局部集合变换卡尔曼滤波（LETKF）的性能。
本文提出了一种结合加法激发与乘法抑制的多元 Hawkes 过程模型，通过贝叶斯推断有效解决了多变量动物声学通信中激发与抑制的识别难题，并成功应用于分析群居猫鼬和两种须鲸的呼叫数据以揭示其复杂的交互模式。
本文提出了一种名为 GRID-MOM 的网格化矩估计法，通过固定形状参数网格并联合矩估计与似然比较来求解截断偏正态分布的参数，有效克服了传统方法因截断引入的非线性导致的数值不稳定性，并在模拟与实证研究中展现了其稳定性与准确性。
该论文提出了一种双变量重随机化逆方差加权（BRIVW）估计量，通过联合建模 SNP-暴露与 SNP-结局的关联分布并校正样本结构，有效解决了孟德尔随机化中同时存在的赢家诅咒和样本结构偏差问题，从而获得更准确且无偏的因果效应估计。
这篇综述系统概述了将患者协变量聚类与临床结局模型相结合的方法，区分了利用结局信息构建聚类的“知情”模型与仅基于协变量的“无偏”模型，并探讨了其在高维数据、风险分层及亚组治疗效应估计等临床场景中的应用。
本文介绍了“边学边做”（LAGO）研究设计，该设计通过在试验过程中分阶段动态优化复杂的多组分健康干预方案，旨在以最小成本实现预设的统计功效和效果目标，从而降低传统随机对照试验在复杂公共卫生干预中失败的风险，并通过 BetterBirth 研究及多项 HIV 与非传染性疾病试验案例论证了其应用价值。
本文提出了一种利用稀疏精度结构的包裹高斯马尔可夫随机场（WGMRF）模型，以解决大规模空间方向数据（如海啸波浪方向）建模中传统包裹高斯过程方法计算效率低下的问题，并通过模拟与 2004 年印度洋海啸实例验证了其在预测性能和可扩展性上的优势。
该研究通过真实数据与模拟实验表明，虽然在线性交互效应下传统线性方法表现更优，但在交互效应偏离线性或样本量增加时，基于稳定选择的随机效应树等树基方法能作为线性模型的有力补充，有效解决元回归中交互效应的变量选择问题。
该研究利用三项家庭调查数据，通过贝叶斯时空模型和分层后处理技术，估算了2016至2023年间美国中央普吉特湾地区次县级住宅流离失所率，揭示了区域内部的地理差异及2020-2021年搬迁群体的暂时性缓和趋势，并提供了可推广的方法论与公开数据供利益相关者参考。
本文提出了一种名为 DistBART 的贝叶斯非参数分布回归方法，该方法通过将回归函数建模为带有贝叶斯加法回归树（BART）先验的线性泛函，并结合随机特征近似技术，在实现可扩展计算效率的同时，有效处理了分布型预测变量并保留了不确定性量化能力。
该研究提出了一种结合经典结构放射组学与基于肝 MRI 增强模式映射（EPM）的新型功能放射组学特征框架，通过像素级血流灌注信息有效捕捉肿瘤异质性，显著提升了肝癌诊断分类与分级分层的准确性，并展示了其在纵向成像研究中的潜力。
本文通过蒙特卡洛模拟研究，分析了有限选择模型中增强参数对估计器偏差、方差及均方误差的敏感性，揭示了适度增强可改善协变量平衡而过度增强会降低稳定性，从而为实验设计中的参数选择提供了实用指南。
该论文提出了一种基于高斯预测分布的方法，用于将稀疏纵向数据映射为功能性主成分得分，并证明了随着观测密度增加，预测分布会收敛至真实得分，从而解决了稀疏数据下点预测不一致的问题并推导了相应的收敛速率。
本文提出了一种与表示无关的神经反驳框架，用于在条件平均处理效应（CATE）估计中，通过理论推导和实验验证来界定由降维表示学习所引发的混淆偏差的上下界，从而解决低维表示导致信息丢失进而破坏估计有效性的问题。
该论文提出利用训练有素的 ReLU 分类器构建数据信息矩阵（DIM），从而在数据空间上揭示出一种几乎处处正则的奇异叶状结构，并展示了该结构在刻画数据分布及通过谱分析度量数据集距离以实现知识迁移方面的潜力。
该论文证明了在多种贝叶斯网络参数化模型（包括条件指数族、非参数模型及含隐变量情形）中，满足忠实性假设的参数集在相应拓扑下是稠密且开的，从而确立了忠实性在因果推断中的“典型性”，并保证了 PC 和 FCI 等约束型因果发现算法在典型情况下的渐近一致性。
该论文针对医疗因果推断中常被忽视的治疗效应随机性（即偶然性不确定性）问题，提出了一种名为 AU-learner 的新型正交学习器，通过偏识别方法获得条件治疗效应分布（CDTE）的紧确界，并证明了其满足 Neyman 正交性且具备准 Oracle 效率，同时给出了基于深度学习的参数化实现。
本文针对观测数据中处理变量为连续且效应非恒定的加性非线性模型，提出了一种基于辅助变量的独立性检验（AIT）条件，在完备性假设下证明了该条件对无效工具变量的检测具有必要性和充分性，并通过合成及真实数据集验证了其有效性。
本文提出了一种利用单一随机效应模型生成参数特异性有限样本偏差估计及置换检验值的诊断方法，以补充传统的豪斯曼设定检验，并通过汽油需求和教师增值评估等实证案例展示了其在随机效应面板数据分析中的应用。
该论文针对高斯过程贝叶斯优化中先验假设未知的实际问题，提出了基于 Thompson 采样的两种联合先验选择与遗憾最小化算法（PE-GP-TS 和 HP-GP-TS），并从理论 regret 上界及实验验证两方面证明了其有效性。