跳到正文

论文解读

arXiv 论文中文摘要 + 关键要点 · 最近 7 天· 已显示 14 篇

stat.ME·已译

网络干扰下因果函数恢复的填充距离引导主动学习

Fill-Distance-Guided Active Learning for Causal Function Recovery under Network Interference

Peiyao Liu · Hongtao Zhu · Sizhe Zhang · 3+

因果推断旨在学习结果在替代干预下如何变化,但网络交互使这一任务复杂化。在网络干扰下,结果同时取决于自身处理和邻居处理,使因果效应成为邻域暴露的函数,而非单一处理对比。现有方法主要针对预先指定的因果对比或其估计精度,全局响应函数恢复基本未被探索。研究有限实验预算下的序贯实验,目标是恢复完整的暴露依赖总体平均响应函数。为此提出 FANCI(Fill-Distance-Guided Active Learning for Network-Interference Causal Inference)。在函数学习方面,处理特定的高斯过程(Gaussian process)灵活建模非线性条件响应曲面。在实验设计方面,将全局响应函数恢复表述为覆盖问题,提出填充距离(fill distance)准则引导新实验走向覆盖不足区域。为考虑网络对可达暴露模式的约束,开发全网络与目标筛选两种策略选择可行的网络—分配对。理论上推导了连接填充距离与响应函数估计的一致误差界,并刻画目标筛选带来的近似损失。模拟与在线游戏实验表明,FANCI 改善非线性暴露依赖效应的恢复,并揭示忽略网络干扰时被掩盖的处理模式。

stat.ME·已译

平衡划分森林用于因果加权

Balancing Partition Forest for Causal Weighting

Felipe Angelim · Alessandro Leite

在观察性因果推断中,平衡权重用于构建一个处理与观察到的预处理协变量相互独立的总体。理想权重是协变量边际分布与处理边际分布之积同其联合分布之比,对二元和连续处理均适用。提出平衡划分树(Balancing Partition Tree, BPT)与平衡划分森林(Balancing Partition Forest, BPF),在学到的协变量—处理空间矩形划分上估计该比值。每次分裂最大化由联合计数与边际计数计算出的 Bregman 散度增益。两种散度选择分别得到最大化划分所捕获互信息或降低权重平方误差的准则。证明两种准则的总体残差均能界定使用总体划分权重的逆概率加权与双稳健响应估计器的偏差。在 17 个合成与半合成设置及三个响应估计器上,BPF 在七种权重估计器中取得最低平均 RMSE 排名,单棵树在 16,512 个观测上拟合耗时 0.14 秒。

stat.ME·已译

约束采样的动能 Langevin 分裂格式

Kinetic Langevin Splitting Schemes for Constrained Sampling

Neil K. Chada · Lu Yu

约束采样指从限制在凸集上的分布中生成样本,是计算统计中的重要问题。该工作通过对约束目标的惩罚替代项应用动能 Langevin 动力学的对称 BAOAB 与 ABOBA 分裂,提出新的未调整采样算法,并包含其随机梯度版本。由于惩罚替代项的 Hessian 在约束集边界处不连续,依赖 Lipschitz Hessian 的分析不适用;因此仅基于强凸性与光滑性建立分析,证明两种格式的一步 Wasserstein 收缩、非渐近 Wasserstein 界与复杂度界。随机梯度版本的复杂度较传统 Euler 型离散化显著改进。数值实验在玩具问题与贝叶斯约束回归上验证理论;分裂格式在比 Euler 型方法大数倍的步长下保持稳定,达到给定精度所需梯度评估次数少 5 至 17 倍。

stat.ME·已译

面向删失数据的稳健治疗规则学习

Learning Robust Treatment Rules for Censored Data

Yifan Cui · Junyi Liu · Tao Shen · 2+

直接通过最大化期望结果来估计最优治疗规则的研究快速增长。在生物医学与运营应用中,常观察到删失生存结局,此时截断平均生存时间与生存概率备受关注。针对删失生存结局,提出两种稳健准则学习最优治疗规则:前者以给定分位数(如中位数)为截断点,最大化截断平均生存时间;后者最大化缓冲生存概率,其中预设阈值根据截断平均生存时间进行调整。开发基于采样的差凸算法学习所提最优治疗规则,并给出理论依据。模拟研究中,估计量相比现有方法表现更优。利用 AIDS 临床试验数据演示所提方法。

stat.ME·已译

通用机器学习子组识别的统计性能保证

Statistical Performance Guarantee for Subgroup Identification with Generic Machine Learning

Michael Lingzhi Li · Kosuke Imai

在许多学科中,研究者使用机器学习(ML)算法来识别最可能从治疗中获益(“异常响应者”)或受损的子组。子组识别的常见方法分两步:首先用ML算法估计条件平均处理效应(CATE),然后根据估计的CATE选择预测受治疗影响最大(正向或负向)的个体。然而,CATE估计常有偏且噪声大,且用同一数据同时识别子组和估计其组平均处理效应会导致多重检验问题。为此,我们为按通用ML算法排序的组平均处理效应(GATES)估计开发了一致置信带。利用这些一致置信带,研究者可以在统计保证下识别出GATES超过某一效应大小的子组,无论该效应大小如何选择。该方法使用随机处理分配、单元随机抽样以及连续性和矩条件,不要求ML得分的一致性(consistency)或单调性。我们推导了估计误差的Wiener表示,并对经验子组阈值和固定处理样本量进行了校正。通过高斯抽样估计该表示,无需重新拟合ML模型即可获得渐近精确的一致覆盖。我们还为均值调整处理效应和其他评估指标开发了一致带。一个模拟设计和一个晚期前列腺癌临床试验的应用说明了子组识别问题。

stat.ME·已译

COSI:稳健有效推断框架

COSI: A Framework for Robustly Valid Inference

Arun K. Kuchibhotla · Sivaraman Balakrishnan · Larry Wasserman

COSI(COnfidence from Scale Invariance,尺度不变性置信)是一个为统计泛函构建置信集的框架。它基于 HulC(Hull-based Confidence),后者利用中位数无偏性从批次估计构造置信集。COSI 利用许多常见估计量共有的尺度不变性:将数据划分为批次,在每个批次内计算估计,并保留那些使批次估计通过尺度不变性检验的候选参数值。所得置信集在比经典 Wald 和 bootstrap 程序更弱的假设下渐近有效,且在小样本中覆盖率更接近名义水平。应用包括均值、误设定线性模型回归系数、张量范数和 Fréchet 均值的稳健推断。

stat.ME·已译

局部线性广义单索引回归

Locally Linear Generalized Single Index Regression

Tristan Luca Saidi · Arun Kuchibhotla

针对广义单索引回归模型提出并分析一种估计流程。该框架将响应变量 Y 的条件均值建模为协变量 X 的函数,映射形式为 f∘g,其中 g 为 β-Hölder 连续且 β≥2,f 可为有界变差的不连续函数。所提通用流程对协变量 X 的分布仅要求有界、足够光滑且关于 Lebesgue 测度绝对连续。通过求解局部加权线性最小二乘问题,联合估计梯度向量 v̂(x)≈∇g(x) 与条件均值 μ(x)=f(g(x))。推导了梯度估计 v̂_x 与回归估计 μ̂(x) 的中心极限定理,并给出收敛速率,表明当 β=2 且 f 具有局部 Lipschitz 导数时达到极小极大均方误差速率。与已有方法不同,速度估计结果允许连接函数属于局部有界变差类,从而可处理非光滑甚至不连续的连接函数,同时在几乎每个推断点保持相合性与渐近正态性。最后将模型实例化到 g=Π 为到紧致正则嵌入 C³ 曲线 γ 的最近点投影的情形,并辅以真实与合成数据实验验证方法效用。

stat.ME·已译

固定基准二项混合的方差自适应置信域及其在 LLM 评估中的应用

Variance-adaptive confidence regions for fixed-benchmark binomial mixtures, with application to LLM evaluation

Kuancheng Ye

针对每个问题将语言模型运行 n 次得到的独立计数 c_i~Bin(n,p_i),为成功概率 p_1,...,p_m 的经验分布 F_m 的线性泛函 θ(F_m)=∫h dF_m 构造置信区间。对任意 n、m 和固定 (p_i),对所有有界 h 同时保证覆盖概率至少 1-α。方差自适应(VA)域利用候选混合分布所隐含的尾部计数条件方差来检验每个候选混合分布;该方差关于分布是线性的,因此该域可化为线性规划,并用单元包络保证其在网格外仍然有效。按独立同分布采样校准的域针对超总体分布,对 θ(F_m) 偏保守。在给定全部 n 个尾部计数、固定 n、连续 h 且网格随 m→∞ 细化的条件下,VA 宽度的辨识部分在一阶意义下达到最坏情况最优,与任何具有相同索引集的定位方法相同。在主要比较器运行前固定的规则下,VA 在每个 n 上都比两阶段 plug-in 带更窄(n=128 时宽度比中位数为 0.60),但在 n=128 时并不比渐近逐点 AMARI 区间更窄;在真实 rollout 池上,当 n≤128 时它比逐点 AMARI 和 Bonferroni 校正 AMARI 都更宽。对于 P(p>0) 和 k≫n 的 pass@k,数据仅支持下界。

stat.ME·已译

并非所有错误标签都相同:基于置信序列的任务感知高效审计

Not All Mislabels Are Equal: Efficient Task-Aware Auditing with Confidence Sequences

Fangyuan Lin · Noah Krever · Jakub \v{C}ern\'y · 1+

研究固定数据集中类别标签的高效自适应审计,动机来自生物多样性信用项目:物种记录专家核验成本高,下游评分(如付款)对某些标签错误更敏感。提出的 ATLAS 框架将任意时间有效推断与任务感知自适应审计策略结合。通过混淆矩阵表示标签修正,依据标签不确定性和潜在修正对下游评分函数的影响,优先选择下一个检查的数据点。在肯尼亚生物多样性数据的主要案例中,任务感知审计在保持任意时间有效保证的同时,减少了估计错误标签率和非线性生物多样性评分所需的专家审查量。还在图像分类和命名实体识别的公开数据集上评估 ATLAS。在线性和非线性评分的实验中,ATLAS 通常以显著更少的审计达到与竞争任意时间有效方法相同的精度。当无分布保证成本过高时,开发基于模型的贝叶斯替代方案,依赖建模假设进一步减少审计次数。生物多样性案例研究突显统计有效性与实际可行性之间的差距:Serfling 界和现有置信序列程序等通用方法严谨,但实践中可能需要过多专家审查。结果表明,任务感知审计能显著减少所需专家审计次数,同时提供有限样本、任意时间有效的保证。

stat.ME·已译

动态双图 Matérn–Whittle 过程:学习时空场之间的依赖图

Dynamic bigraphical Mat\'ern--Whittle processes: learning dependence graphs among spatial-temporal fields

Alokesh Manna · Debangan Dey

许多研究在多个地点按时间序列记录若干变量,例如监测站的污染物浓度或各区的传染病病例数。核心问题是变量间的依赖关系及其随时间的变化。为此提出动态双图 Matérn–Whittle(DBMW)过程。每个变量对应一个空间场,按自回归方式演化;变量间的图结构耦合各场的时间新息,其连边随时间出现与消失,且连边符号可改变。站点上的图拉普拉斯给出空间结构,典范指数族将场与高斯、计数或二项响应相连。潜在场在所有站点、变量和时段上的联合分布按图拉普拉斯的特征模态分解,其归一化常数与图及动态无关。因此给定场后,时变带符号图的后验可通过前向—后向递推精确计算。估计分三步:无图拟合(同时给出带区间的切换率)、精确图后验、联合重拟合。模拟中,DBMW 恢复图的平均精度高于 graphical lasso、时变 graphical lasso 和 Poisson log-normal 网络;对留出数据的预测优于用 Matérn 场与自回归演化、经集成嵌套拉普拉斯近似分别拟合各变量的标准时空模型。在 288 个美国站点的周度空气质量数据中,恢复了臭氧与二氧化氮之间符号的季节性变化;在德国七种疾病的监测数据中,区级连边在 COVID-19 大流行期间保持为正且稳定。

stat.ME·已译

β 模型中的同质追踪

Homogeneous pursuit in $\beta$ model

Ergan Shang · Si Chen · Canhong Wen

大数据时代,网络形式的数据广泛出现在各个领域。为揭示并恢复由核心单元与大量链接构成的真实模型,稀疏约束下的 β 模型被提出,以满足统计学家与工程师的期望。该网络模型不仅继承了 Erdős-Rényi 模型的优良性质,还通过调节稀疏参数 s 展现度异质性。本文提出同质追踪(Homogeneous Pursuit, HP),一种通过原始-对偶算法实现的 ℓ0 约束最大似然估计方法。为降低计算难度,通过原始-对偶过程找到目标函数的替代函数,进而导出 Majorization Minimization 算法。经细致评估,该算法以压缩映射方式呈现良好的收敛速率。在若干温和条件下,用于选择稀疏水平的广义信息准则(GIC*)具有相合性。将 HP 与 GIC* 结合得到自适应过程 HP-GIC*;HP-BIC 表示用 BIC 选择稀疏度的同一估计方法。模拟研究表明,在报告的比较中 GIC* 相对 BIC 改善了支撑恢复,而 HP 在保持与稀疏基准方法相当的估计精度同时计算成本更低。小额信贷应用展示了 HP-GIC* 用于研究网络显著性与参与度之间关联的用途,在报告的村级回归中拟合更优。

stat.ME·已译

风险感知分位数学习用于个性化动态治疗方案

Risk-Aware Quantile Learning for Personalized Dynamic Treatment Regimes

Chunyin Lei · Annie Qu

序贯临床决策往往不只是最大化平均疗效。临床医生可能需要同时优化结局分布中临床相关的尾部、控制治疗相关风险,并在多个治疗选项间选择。现有的分位数动态治疗方案(DTR)方法能刻画治疗结局的分布特征,但大多局限于仅关注疗效的目标和二分类治疗。为此,提出风险感知分位数动态治疗方案(RQDTR),一个统一框架,在优化累积潜在结局的预设分位数的同时显式纳入治疗相关风险。还开发了一种基于角度的表述,用于跨多个治疗类别联合学习决策规则。该框架包含三个可解释的子类:仅疗效的分位数学习、带群体水平风险控制的约束式学习,以及通过复合获益-风险效用进行的效用式学习。理论上,建立了可识别性与 oracle 等价性、在递增二次惩罚下的替代与估计量一致性、渐近风险可行性,以及有限样本性能误差界。大量模拟研究以及在 All of Us 重性抑郁障碍和 MIMIC-III 脓毒症数据上的应用表明,RQDTR 相比现有分位数 DTR 方法改善了面向尾部的疗效,并实现了更有利的获益-风险权衡。

stat.ME·已译

序列模型的精确约束解码:控制器增强隐马尔可夫模型及扩展

Exact Constrained Decoding for Sequence Models: Controller-Augmented Hidden Markov Models and Beyond

Lekha Patel · Luis Damiano

隐马尔可夫模型是序列推断的基础,但以路径约束(如优先级要求、访问基数或单调状态推进)为条件会引入长程依赖,需要额外内存进行动态规划。为此,提出控制器增强隐马尔可夫模型(CHMMs),将每个约束编译为跟踪充分有限历史的有限状态控制器,随后在增强链上使用标准前向-后向和 Viterbi 递归,在离散时间中计算精确约束后验和最大后验路径,并通过均匀化在连续时间中计算观测时刻的最大后验增强状态序列。建立若干理论保证的同时,11 个约束族的控制器编码目录使框架可操作。在 3 个真实序列标注任务上评估经典和神经解码器(有无控制器增强):黑腹果蝇基因结构解码、CASAS 智能家居自由生活活动识别、可穿戴传感器协议定义活动识别。理论与实验共同刻画了精确控制器增强何时有用、何时更简单方法已足够。

stat.ME·已译

大规模因果推断中基于核估计器的快速不确定性量化

Fast Uncertainty Quantification for Kernel-Based Estimators in Large-Scale Causal Inference

Matthew Kosko · Falco J. Bargagli-Stoffi · Lin Wang · 1+

核方法广泛用于因果推断中的处理效应估计、策略评估和策略学习。Bootstrap 因其广泛适用性成为不确定性量化的标准工具。随着数据集规模增大,例如 National Vital Statistics System (NVSS) 的 2023 年美国出生数据包含 3,605,081 例登记出生(队列限制后分析样本为 2,980,739 例),这些方法的计算需求显著增加。核方法随样本量扩展性差,而 bootstrap 需要重复重拟合,进一步加剧了这一限制。因此,大规模场景下基于核估计器的 bootstrap 推断在计算上可能不可行。本文将 Kosko 等人 (2023) 的因果 Bag of Little Bootstraps (cBLB) 算法扩展到核方法,通过结合子采样与重采样实现计算可扩展性,同时保持一阶不确定性量化和渐近正确的覆盖率。在三种代表性实现上评估:核化增强结果加权学习、基于核的极小极大加权,以及带核支持向量机的双重机器学习。模拟表明,该方法以少量计算成本获得名义覆盖率的置信区间。进一步利用 NVSS 数据估计任意吸烟量对出生体重的影响及最优处理方案,展示了实际应用价值,而标准 bootstrap 在此规模下计算成本过高、实际不可行。

已到最早一页已出中文摘要 14