Bayesian shrinkage priors for penalized synthetic control estimators in the presence of spillovers
Department of Biostatistics, Brown University（布朗大学生物统计系）
本文提出一种基于效用收缩先验的贝叶斯合成控制框架，通过结合协变量相似性和空间距离的效用函数，在存在溢出效应时平衡偏差与方差，从而更准确地估计政策干预的因果效应。
2025-11-03 stat.ME
Singular Value Shrinkage Priors for Bayesian Prediction
在已知协方差阵的矩阵变量正态模型中，我们建立了均值矩阵参数的奇异值收缩先验。我们的先验是超调和的，并且对具有较小奇异值的矩阵赋予更多权重。它们是Stein先验的自然推广。在有限样本下，基于先验的贝叶斯估计和贝叶斯预测密度是极大极小的，并且优于基于一致先验的估计和贝叶斯预测密度。特别是，当参数的真实值具有低秩时，我们的先验工作得很好。
2021-04-02 math.ST stat.TH
Constructing Genetic Risk Scores: Robust Bayesian Approach through Projected Summary Statistics and Flexible Shrinkage
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种基于投影汇总统计量和灵活收缩的贝叶斯方法，用于构建更稳健的遗传风险评分，通过广泛实验验证其在不同场景下的优越性能。
2026-03-09 stat.ME
Bayesian Masking: Sparse Bayesian Estimation with Weaker Shrinkage Bias
Kyoto University（京都大学）；National Institute of Informatics（国立信息学研究所）
稀疏线性回归的一个常见策略是引入正则化，通过使相应的权重为零来消除不相关的特征。然而，正则化经常缩小相关特征的估计量，这导致不正确的特征选择。出于上述问题，我们提出了贝叶斯掩蔽（BM），稀疏估计方法，不施加正则化的权重。BM的关键概念是引入随机屏蔽特征的二进制潜变量。估计掩蔽率自动确定特征的相关性。我们推导出一个变分贝叶斯推断算法，最大限度地提高了下界的因子分解信息准则（FIC），这是最近开发的渐近标准，用于评估边际对数似然。此外，我们提出了重新参数化，以加速收敛的派生算法。最后，我们表明，BM优于Lasso和自动相关性确定（ARD）的稀疏收缩权衡。
2015-10-06 cs.LG stat.ML
Information Borrowing in Regression Models
模型开发通常需要考虑数据结构、主题因素、模型假设和拟合优度。要诊断这些因素中的任何一个的问题，在更细粒度的级别上理解回归模型估计值可能会有所帮助。我们提出了一种新的方法分解点估计从回归模型通过放置在数据集群的权重。权重仅由模型规格和数据可用性提供，因此可用于将数据不平衡和模型假设的影响与实际模型估计值明确联系起来。在现有文献中，在线性模型中，权重矩阵被理解为帽子矩阵。我们将其扩展到贝叶斯分层回归模型，通过随机效应之间的协方差，将先验信息和复杂的依赖结构。我们表明，模型的权重，我们称之为借款因素，概括收缩和信息借用所有回归模型。相比之下，帽子矩阵的重点主要放在表示杠杆金额的对角元素上。我们还提供了汇总借款因素的指标，这些指标实际上很有用。我们提出的理论属性的借款因素和相关的指标，并证明他们的用法在两个例子。通过明确量化借用和收缩，研究人员可以更好地整合领域知识，评估模型性能和数据属性（如数据不平衡或影响点）的影响。
2022-01-09 stat.ME
Power Transformations of Relative Count Data as a Shrinkage Problem
在这里，我们展示了我们最近提出的信息几何方法的组成数据分析（CoDA）的应用。本申请涉及相对计数数据，例如，从测序实验中获得。首先，我们详细回顾了各种必要的概念，从基本的计数分布和它们的信息几何描述之间的联系贝叶斯统计和收缩使用的功率变换CoDA。然后，我们表明，供电，即，等价于单纯形上的标量乘，可以理解为单纯形的切空间上的收缩问题。在信息几何术语中，传统的收缩对应于沿着混合（或m-）测地线的优化，而幂（或者，正如我们所说的，指数收缩）可以沿着指数（或e-）测地线进行优化。虽然m-测地线对应于使用共轭先验的多项式计数的后验平均值，但e-测地线对应于后验的另一种参数化，其中先验和数据贡献由几何平均值而不是算术平均值加权。为了优化指数收缩参数，我们使用均方误差作为切空间上的成本函数。这只是与真实参数的期望平方艾奇逊距离。我们推导出一个解析解的基础上的三角洲方法，并通过模拟测试它的最小值。我们还讨论了指数收缩作为替代零插补的降维和数据规范化。
2023-02-20 math.ST stat.AP stat.ME
HALO: Learning to Prune Neural Networks with Shrinkage
Cornell University（康奈尔大学）
深度神经网络通过从非结构化数据中提取丰富的特征集，在各种任务中实现了最先进的性能，但这种性能与模型大小密切相关。用于诱导稀疏性和减小模型大小的现代技术是（1）网络修剪，（2）使用稀疏诱导惩罚进行训练，以及（3）与网络的权重联合训练二进制掩码。我们从贝叶斯分层模型的角度研究了不同的稀疏性诱导惩罚，并提出了一种新的惩罚称为分层自适应套索（HALO），它通过可训练的参数学习自适应地稀疏给定网络的权重。当用于训练过参数化网络时，我们的惩罚产生具有高精度的小子网络，而无需微调。从经验上讲，在图像识别任务中，我们发现HALO能够学习高度稀疏的网络（只有5%的参数），在相同稀疏度水平下，与最先进的幅度修剪方法相比，性能有显着提高。代码可在https://github.com/skyler120/sparsity-halo上获得。
2021-02-28 cs.CV cs.LG stat.ML
High Dimensional Bayesian Network Classification with Network Global-Local Shrinkage Priors
本文提出了一种新的贝叶斯分类框架的网络标记的节点。虽然关于网络数据的统计建模的文献通常涉及对单个网络的分析，但最近在包括脑成像研究在内的几种生物应用中出现的复杂数据提出了为受试者设计网络分类器的需求。本文考虑了大脑连接体研究的一个应用，其总体目标是根据受试者的大脑网络数据将其分为两个独立的组，并识别有影响力的感兴趣区域（ROI）（称为节点）。现有的方法要么把所有的边权值作为一个长向量，要么用几个摘要度量来概括网络信息。这两种方法都忽略了完整的网络结构，可能会导致在小样本中不太理想的推断，并且没有被设计为识别重要的网络节点。我们提出了一种新的二进制逻辑斯谛回归框架与网络作为预测和二进制响应，网络预测系数建模使用一类新的全局-局部收缩先验。该框架能够准确地检测网络中影响分类的节点和边缘。我们的框架是使用一个有效的马尔可夫链蒙特卡罗算法。理论上，我们表现出渐近最优分类的建议框架时，网络边缘的数量增长速度比样本量。通过大量的模拟研究和对大脑连接体数据的分析，该框架得到了经验性的验证。
2020-09-23 stat.AP stat.ME
Spike-and-slab shrinkage priors for structurally sparse Bayesian neural networks
Computational Science Initiative, Brookhaven National Laboratory（布鲁克海文国家实验室计算科学倡议）；Department of Statistics and Probability, Michigan State University（密歇根州立大学统计与概率系）
本文提出结构稀疏贝叶斯神经网络，利用尖峰-平板组Lasso和Horseshoe先验剪除冗余节点，实现高效压缩与低延迟推理。
2024-08-21 cs.LG stat.ME stat.ML
Ostrom-Weighted Bootstrap: A Theoretically Optimal and Provably Complete Framework for Hierarchical Imputation in Multi-Agent Systems
OWB是一种基于重采样的方法，能够实现精确最优性、贝叶斯后验均值解释、经验贝叶斯收缩、渐近效率和零NaN保证，适用于多智能体系统的分层填补。
2025-12-01 stat.AP stat.ME
Bayesian Transfer Learning for Enhanced Estimation and Inference
Vagelos College of Physicians and Surgeons, Columbia University（哥伦比亚大学瓦格洛斯医师与外科医学院）；Columbia University Mailman School of Public Health（哥伦比亚大学米尔曼公共卫生学院）；University of California, Los Angeles（加州大学洛杉矶分校）；The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）
研究针对迁移学习中统计推断的挑战，提出贝叶斯方法TRADER，通过预训练模型实现多源迁移，能收缩目标参数，理论证明其在多方面优势，数值研究和实际应用表明该方法提升了估计和推断准确性。
2026-07-22 stat.ME
Robust high-dimensional Bayesian regression with non-Gaussian errors under global--local shrinkage priors
Ferdowsi University of Mashhad（马什哈德 Ferdowsi 大学）
针对高维多元回归中非高斯误差问题，提出基于尺度-位置混合误差分布与马蹄+先验的稳健贝叶斯框架，实现系数和残差精度矩阵的联合稀疏性，理论证明后验收缩性和选择一致性，模拟和实证表明优于高斯方法。
2026-06-08 stat.AP stat.CO stat.ME
Hierarchical Modeling and Shrinkage for User Session Length Prediction in Media Streaming
Massachusetts Institute of Technology（麻省理工学院）；Pandora Media, Inc.（潘多拉媒体公司）；Stanford（斯坦福大学）
在线流媒体服务内的用户满意度和参与度的重要度量是用户会话长度，即，他们连续不中断地花费在服务上的时间量。能够预测此值直接有益于音乐和视频流媒体服务中的推荐和广告节奏上下文。最近的研究表明，由于用户可以结束会话的许多外部因素以及缺乏预测协变量，预测所花费的确切时间是非常重要的。大多数关于基于持续时间的用户参与度的其他相关文献都集中在网站的停留时间，搜索和显示广告，主要用于点击后满意度预测或广告排名。在这项工作中，我们提出了一个新的框架的启发，层次贝叶斯建模预测，在登录的那一刻，用户将花费在流媒体服务的时间量。用户在平台上花费的时间取决于通过分层收缩学习的用户特定的潜在变量。我们的框架享有理论保证，并自然地结合了灵活的参数/非参数模型的协变量，包括模型鲁棒离群值。我们的建议被发现在现实世界的公共和私人数据集的效率和预测性能方面优于最先进的估计。
2018-06-22 cs.LG stat.ML
Variational Bayesian Bow tie Neural Networks with Shrinkage
School of Mathematics and Maxwell Institute for Mathematical Sciences, University of Edinburgh（数学学院和麦克斯韦数学科学研究所，爱丁堡大学）
针对深度模型预测过度自信、易受攻击及现有贝叶斯推理依赖假设、对架构敏感等问题，提出带收缩的变分贝叶斯蝴蝶结神经网络，结合稀疏先验与Polya-Gamma数据增强推导快速推理算法，增强架构鲁棒性并兼顾可扩展性与多模态。
2025-06-17 cs.LG math.ST stat.ME
Compressive Bayesian non-negative matrix factorization for mutational signatures analysis
Harvard University（哈佛大学）
本文提出一种基于压缩超先验的贝叶斯非负矩阵分解方法，自动推断因子数量并整合先验信息，在突变特征分析中提升检测与估计的鲁棒性和准确性。
2026-09-15 stat.ME
Sensitivity Analysis of Priors in the Bayesian Dirichlet Auto-Regressive Moving Average Model
本文通过模拟与标普500行业权重数据，系统评估了五种先验在B-DARMA模型中的表现，发现收缩先验（尤其horseshoe）能抑制过拟合噪声，但无法修复滞后阶数误设，强调正确滞后选择与收缩强度匹配的重要性。
2025-06-18 stat.AP stat.ME
M-estimators of scatter with eigenvalue shrinkage
一种流行的正则化（收缩）协方差估计是收缩样本协方差阵（SCM），它与SCM共享相同的特征向量集，但将其特征值向其总均值收缩。本文考虑了一种更一般的方法，其中SCM被散布矩阵的M-估计所取代，并提出了一种全自动的数据自适应方法来计算具有最小均方误差的最优收缩参数。我们的方法允许使用任何权重函数，如高斯，Huber的，或$t$的权重函数，所有这些都是常用的M-估计框架。我们的仿真例子表明，收缩M-估计的基础上提出的最佳调整结合强大的权重函数不松散的性能收缩SCM估计时，数据是高斯，但提供显着改善的性能时，数据是从重尾分布采样。
2020-02-12 stat.ME stat.ML
Shrinking the eigenvalues of M-estimators of covariance matrix
一种非常流行的正则化（收缩）协方差阵估计是收缩样本协方差阵（SCM），它与SCM共享相同的特征向量集，但将其特征值向SCM特征值的总均值收缩。本文提出了一种更一般的方法，即用散布矩阵的M-估计量代替SCM，并提出了一种全自动的数据自适应方法来计算最优收缩参数，使均方误差最小。我们的方法允许使用任何权重函数，如高斯，胡贝尔，泰勒，或t-权重函数，所有这些都是常用的M-估计框架。我们的仿真例子表明，收缩M-估计的基础上提出的最佳调整结合鲁棒权函数不松动的性能收缩SCM估计时，数据是高斯，但提供显着改善的性能时，数据是从一个未指定的重尾椭圆对称分布。最后，通过真实数据和模拟数据验证了该方法在实际应用中的有效性。
2020-10-28 stat.ME
Post Selection Shrinkage Estimation for High Dimensional Data Analysis
在高维数据环境中，$p\gg n$，许多惩罚正则化方法进行了研究，同时变量的选择和估计。然而，由于弱效应协变量的存在，许多现有的变量选择方法，包括Lasso及其衍生方法，无法区分弱贡献和无贡献的协变量。因此，仅基于选定协变量的子集模型的预测可能是低效的。在本文中，我们提出了一个后选择收缩估计策略，以提高选择子集模型的预测性能。这种后选择收缩估计器（PSE）是数据自适应的，并且通过在所选择的候选子集的方向上收缩后选择加权脊估计器来构造。在渐近分布二次风险准则下，分析了其预测性能。我们表明，建议后选择PSE表现优于后选择加权岭估计。更重要的是，它显著提高了从大多数现有的Lasso型变量选择方法中选择的任何候选子集模型的预测性能。通过仿真研究和实际数据分析，证明了后选择PSE的相对性能。
2016-03-23 stat.ME
Design Effect Ratios for Bayesian Survey Models: A Diagnostic Framework for Identifying Survey-Sensitive Parameters
College of Education, The University of Alabama（阿拉巴马大学教育学院）；U.S. Bureau of Labor Statistics（美国劳工统计局）
本文提出设计效应比率作为识别调查敏感参数的诊断工具，通过选择性校正提升覆盖率并保持受保护参数的准确性。
2026-09-15 stat.AP stat.ME
Network reconstruction via the minimum description length principle
IT:U Interdisciplinary Transformation University（IT:U跨学科转型大学）；Central European University（中欧大学）
针对网络重构中L1正则化交叉验证成本高、易过拟合的问题，提出基于MDL原理与分层贝叶斯、权重量化的非参数正则化方案，无需交叉验证，适配多类模型，在人工与实证网络中均提升准确率，可用于微生物互作网络重构与干预预测。
2025-03-21 cs.LG cs.SI physics.data-an
Using meta-analytic priors to incorporate external information for study evaluation
背景：COVID-19大流行对全球的健康、日常生活和经济产生了深远影响。与COVID-19感染相关的一个重要并发症是急性肾损伤。最近一项针对在德国柏林一家三级医疗中心多个地点接受治疗的COVID-19患者的观察性队列研究确定了发生（重度）急性肾损伤的风险因素。由于从单一研究中推断结果可能很棘手，我们验证了这些发现，并通过纳入其他关于急性肾损伤和COVID-19研究的外部信息来调整结果。方法：我们通过贝叶斯荟萃分析将主要研究的结果与其他试验进行综合。外部信息用于构建预测分布，并导出感兴趣研究的后验估计。我们专注于急性肾损伤发展的各种重要的潜在风险因素，如机械通气，血管加压药的使用，高血压，肥胖，糖尿病，性别和吸烟。结果如下：我们的研究结果表明，根据数据的异质性程度，估计的效应量可能会大大改善与外部数据的纳入。我们的研究结果证实，机械通气和使用血管加压药是COVID-19患者发生急性肾损伤的重要风险因素。高血压似乎也是一个不应忽视的危险因素。收缩权重在很大程度上取决于模型中估计的异质性。结论：我们的工作显示了如何使用外部信息来调整初步研究的结果，使用贝叶斯元分析方法。从外部研究中借用多少信息将取决于模型中存在的异质性程度。
2022-12-02 stat.AP stat.ME
Big Data Analysis Using Shrinkage Strategies
本文针对样本数小于预测变量数的高维多元回归模型，利用收缩策略有效地估计了回归系数。我们假设在稀疏线性模型中，一些预测因子对感兴趣的响应具有非常弱的影响。我们建议收缩估计比平常更多。具体来说，我们使用集成估计策略，在子模型和完整的模型和收缩的集成估计，通过纳入一个有界的可测函数的一些权重。所展示的双收缩估计量显著提高了从现有Lasso型变量选择方法中选择的子模型的预测性能。蒙特卡罗模拟研究以及眼睛数据和Riboavin数据的真实例子证实了估计器在高维回归模型中的优越性能。
2017-04-17 stat.ME
Improving prediction in M-estimation by integrating external information from heterogeneous populations
本研究提出一种改进M估计预测与推断的新方法，通过联合渐近性结合异质总体的内外数据集估计，引入通用变换下的收缩估计量以保证总体间一致性。
2025-09-04 stat.ME
Dirichlet Scale Mixture Priors for Bayesian Neural Networks
Department of Statistics & Data Science, University of Oslo（统计与数据科学系，奥斯陆大学）
本文提出狄利克雷尺度混合先验用于贝叶斯神经网络，通过结构化收缩解决现有局限，提升模型稀疏性、鲁棒性和预测性能。
2026-02-23 cs.LG stat.ML
Improved Small Domain Estimation via Compromise Regression Weights
小域参数的收缩估计通常利用仅使用来自特定小域的数据的噪声“直接”估计和更稳定的回归估计的组合。当回归模型被错误指定时，噪声较大的域的估计性能可能会受到影响，这是由于对估计较差的回归表面的大幅收缩。在本文中，我们引入了一类新的鲁棒的，由驱动的回归权重，目标估计的小域的手段下潜在的误指定的全球回归模型。我们的回归权重是与最佳线性无偏预测器（BLUP）相关的基于模型的权重和与观察到的最佳预测器（OBP）相关的基于模型的权重的凸组合。通过最小化小域均值的均方预测误差的新颖的无偏估计来找到该凸组合中的折衷参数，并且我们将相关的小域估计标记为“折衷最佳预测器”或CBP。使用数据自适应混合回归权重使CBP能够拥有OBP的鲁棒性，同时在回归模型正确时保留EBLUP的主要优势。我们证明了使用CBP在应用程序中估计老年人的步态速度。
2022-01-10 stat.ME
Beyond Exchangeability: Distribution-Shift-Aware Integration of External Control Data in Randomized Trials
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of California, San Diego（加州大学圣地亚哥分校）；Dartmouth College（达特茅斯学院）
针对随机试验与外部对照数据间分布偏移问题，提出通过校准方程平衡人群的增强估计量，并开发自适应收缩估计量以保证一致性和效率优势。
2026-10-23 stat.ME
Shrinkage Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation
University College London（伦敦大学学院）
本文开发了一个稀疏诱导版本的贝叶斯因果森林，最近提出的非参数因果回归模型，采用贝叶斯加性回归树，是专门设计来估计异质性处理效应使用观察数据。我们引入的稀疏诱导成分是由实证研究激发的，其中并非所有可用的协变量都是相关的，从而导致在估计个体处理效应时感兴趣的表面的稀疏程度不同。在这项工作中提出的扩展版本，我们称之为收缩贝叶斯因果森林，配备了一对额外的先验，允许模型通过树集合中相应的分裂数来调整每个协变量的权重。这些先验提高了模型对稀疏数据生成过程的适应性，并允许在处理效应估计的框架中执行完全贝叶斯特征收缩，从而揭示驱动异质性的调节因素。此外，该方法允许将有关相关混杂协变量及其对结果影响的相对幅度的先验知识纳入模型中。我们说明了我们的方法在模拟研究中的性能，与贝叶斯因果森林和其他最先进的模型相比，展示了它如何随着协变量数量的增加而扩展，以及它如何处理强烈混淆的场景。最后，我们还提供了一个使用真实世界数据的应用程序的例子。
2021-11-16 cs.LG stat.ME stat.ML
Symmetry-Aware Convex Shrinkage for High-Dimensional Covariance Estimation
Darwin Deason Institute for Cyber Security（达尔文迪森网络安全研究所）
本文提出了一种数据自适应的收缩估计器，用于高维协方差估计，通过在有限对称群下使用雷诺德投影作为收缩目标，并结合结构化目标和自适应凸收缩方法，提高了估计精度。
2026-06-09 cs.IT eess.SP math.IT
Knowledge-Guided Wasserstein Distributionally Robust Optimization
Columbia University（哥伦比亚大学）；Northwestern University（西北大学）；Columbia Mailman School of Public Health（哥伦比亚大学梅尔曼公共卫生学院）；Hong Kong University of Science and Technology（香港科技大学）
针对普通WDRO在小样本迁移学习中过度保守的问题，提出KG-WDRO框架，通过源知识引导构建更小模糊集减轻协变量预测投影扰动，理论证明其与收缩估计等价，模拟验证其在小样本迁移学习中的优越性能与适应性。
2025-02-12 cs.LG stat.ME stat.ML
Regularized Fingerprinting in Detection and Attribution of Climate Change with Weight Matrix Optimizing the Efficiency in Scaling Factor Estimation
本文提出用非线性收缩估计误差协方差矩阵构造权重矩阵，以优化气候变化检测与归因中尺度因子的估计效率，并在渐近和有限样本下验证其优于现有线性收缩方法。
2020-12-08 stat.AP stat.ME
CARB: A Covariate-Assessed Robust Borrowing Strategy with Literature-Informed Prior Weights for External Data
Yale School of Public Health（耶鲁大学公共卫生学院）；Yale Cancer Center, Yale School of Medicine（耶鲁大学医学院耶鲁癌症中心）；Pfizer Inc.（辉瑞公司）
CARB是一种仅用汇总信息、基于基线协变量差异设定先验权重的框架，可在无外部患者协变量数据时实现透明稳健的外部数据借用，降低偏倚与I类错误并提高效率。
2026-09-01 stat.ME
Integrating Randomized Controlled Trial and External Control Data Using Balancing Weights: A Comparison of Estimands and Estimators
针对RCT样本受限问题，研究整合外部对照数据，厘清不同因果估计量并提出基于平衡权重的估计器，模拟揭示其偏倚与效率随数据相似性而变化。
2025-02-19 stat.ME
Meta-analytic-predictive priors based on a single study
University Medical Center Göttingen（哥廷根大学医学中心）；DZHK (German Center for Cardiovascular Research)（德国心血管研究中心）；DZKJ (German Center for Child and Adolescent Health)（德国儿童与青少年健康中心）
本文探讨外部数据仅含单项研究时元分析预测先验的设定与实现，基于正态-正态分层模型展示方法，并用临床医学实例说明其应用。
2025-11-10 stat.ME
Mediation with External Summary Statistic Information (MESSI)
提出MESSI框架，通过整合外部总效应汇总信息提升中介分析中自然直接与间接效应的估计效率，并增强对不协调外部信息的稳健性。
2023-06-28 stat.ME
Flexible co-data learning for high-dimensional prediction
临床研究通常集中在复杂的特征，其中许多变量在驱动或治疗疾病的机制中发挥作用。当数据是高维的时，临床预测是困难的，但是额外的信息，如领域知识和先前发表的研究，可能有助于改善预测。这种互补数据或协数据提供了关于协变量的信息，例如来自外部研究的基因组位置或p值。我们的方法可以利用多个和各种协同数据源来改进预测。我们使用离散或连续的协数据来定义可能重叠或分层结构的协变量组。然后，这些用于估计广义线性和Cox模型的自适应多组岭罚。我们结合经验贝叶斯估计组惩罚超参数与额外的收缩水平。这提供了一个独特的灵活框架，因为任何类型的收缩都可以在组级别上使用。超参数收缩学习特定协同数据源的相关性，对抗许多组的超参数的过拟合，并考虑结构化协同数据。我们描述了各种类型的协数据，并提出了合适的形式hypershrinkage。该方法是非常通用的，因为它允许多个协数据集的整合和加权，包括未惩罚的协变量和后验变量选择。我们在两个癌症基因组学应用中证明了这一点，并表明它可以大大提高其他密集和简约预后模型的性能，并稳定变量选择。
2020-05-08 stat.ME stat.ML
Data Integration for Estimating Subgroup-Specific Conditional Average Treatment Effects (CATEs) Using Coarsened External Information in Randomized Trials
University of Michigan（密歇根大学）；Yale University（耶鲁大学）
本文提出一种新型James-Stein估计器，通过利用粗化外部估计提高内部研究中细分子组CATEs的估计，同时处理不同人群边际CATEs的不兼容性。
2026-04-22 stat.ME
Improving prediction models by incorporating external data with weights based on similarity
针对小样本临床预测建模，提出一种结合数据集级和观测级权重的逆概率加权方法，利用外部数据相似度改进预测性能，并通过放疗剂量预测应用验证。
2024-05-28 stat.AP stat.ME
Case Weighted Adaptive Power Priors for Hybrid Control Analyses with Time-to-Event Data
本研究提出病例加权自适应幂先验方法，通过按兼容性为外部对照分配折扣权重，在时间-事件数据混合分析中稳健借用外部数据增强RCT内部对照。
2023-05-10 stat.AP stat.ME
Estimation of High-Dimensional Normal Means through Inferential Models
Purdue University（普渡大学）
针对高维正态均值估计问题，提出基于推断模型的无先验点估计类，利用广义概率积分变换和重加权Anderson-Darling统计量的有序均匀预测随机集，实现有效推断并解释Stein悖论。
2026-06-23 math.ST stat.ME stat.TH
Augmenting treatment arms with external data through propensity-score weighted power-priors: an application in expanded access
针对扩大可及性外部患者数据扩充治疗组的问题，提出结合倾向评分加权与修正幂先验的ProPP方法，提升精度并控制I类错误率。
2023-06-02 stat.AP stat.ME
