Distributed Pseudo-Likelihood Method for Community Detection in Large-Scale Networks
针对大规模网络社区检测问题，提出基于分块拆分的分布式伪似然方法，通过主从节点迭代优化降低计算复杂度，还可扩展至度校正随机块模型，经实验验证性能优越。
2024-11-02 stat.ME
Pseudo Empirical Likelihood Inference for Non-Probability Survey Samples
本文提出基于伪经验似然方法分析非概率调查样本的新推断程序，其点估计量与现有方法渐近等价，但在置信区间特性和二元响应变量处理上表现更优。
2025-08-12 stat.ME
An Accurate Standard Error Estimation for Quadratic Exponential Logistic Regressions by Applying Generalized Estimating Equations to Pseudo-Likelihoods
针对二次指数二元分布最大似然估计计算难、伪似然低估标准误的问题，本研究提出将广义估计方程应用于伪似然时采用独立工作相关结构可获一致估计，推导了理论性质并通过模拟与实例验证了方法有效性。
2025-10-01 stat.ME
Near Universal Consistency of the Maximum Pseudolikelihood Estimator for Discrete Models
当似然函数比其边缘分量和条件分量更难处理时，最大伪似然（MPL）估计是最大似然（ML）估计的有用替代。此外，MPL估计子包括大量的估计技术，包括ML估计，最大复合边际似然估计，最大成对似然估计。当只考虑离散模型的估计（可能可数无限支持），我们表明，一个简单的有限性假设的熵为基础的措施是足够的评估MPL估计的一致性。因此，我们证明了在有界支撑上的任何离散模型的MPL估计将是一致的。我们的结果是有效的参数，半参数和非参数设置。
2017-08-29 stat.ME
Maximum pseudo-likelihood estimation in copula models for small weakly dependent samples
最大伪似然（MPL）是一种半参数估计方法，常用于从数据中获得Copula模型中的相依参数。它已被证明，尽管是一致的，在某些情况下有效的，MPL估计可能高估的依赖程度，特别是对于小的弱相关样本。我们表明，MPL方法使用的期望值的顺序统计量，我们建议使用相同的顺序统计量的中位数或模式。在一个模拟研究中，我们比较了有限样本性能的估计与原来的MPL和反演方法估计的基础上肯德尔的τ和斯皮尔曼的ρ。结果表明，改进的MPL估计，尤其是基于顺序统计量的MPL估计，在保持原MPL方法大样本性质的同时，具有更好的有限样本性能.
2022-09-06 stat.ME
A pseudo-likelihood approach for multivariate meta-analysis of test accuracy studies with multiple thresholds
与在每个阈值独立进行的单变量荟萃分析相比，当在多个阈值下根据灵敏度和特异性评价试验时，试验准确性研究的多变量荟萃分析代表了通过充分利用数据合成结果的有效方法。通过一个正常的多变量随机效应模型，在不同的阈值的灵敏度和特异性的logit转换的近似是一个最近的建议，直接扩展了双变量模型推荐的一个阈值的情况下。然而，该方法的缺点，如对研究内敏感性和特异性之间的相关性估计不佳以及严重的计算问题，可能使其缺乏吸引力。我们提出了一种替代方法，用于推断共同的诊断措施，使用伪似然构造下的工作独立性假设之间的敏感性和特异性在不同的阈值在同一研究。该方法不需要研究内的相关性，克服了收敛问题，可以毫不费力地实现。仿真研究表明，该方法具有令人满意的性能，在不同的情况下，显着改善了多元正态对应的结果。伪似然方法是说明在用于诊断先兆子痫作为孕产妇和围产期发病率和死亡率的原因的测试的评价。
2019-01-28 stat.ME
Penalized pairwise pseudo likelihood for variable selection with nonignorable missing data
在过去的二十年中，对于完全观测的数据集，变量选择的正则化方法得到了很好的发展。在存在缺失值的情况下，这种方法需要针对不同的缺失数据机制进行调整。在本文中，我们专注于一个灵活的和普遍适用的缺失数据机制，其中包含可验证和不可验证的缺失数据机制的假设。我们展示了如何在这种缺失数据机制下调整变量选择的正则化方法。建立了变量选择一致性的计算和理论性质。所提出的方法进一步说明了全面的模拟研究和实际数据分析，低维和高维设置。
2017-07-28 stat.ME
Pseudo-Likelihood Ratio Screening based on Network Data with Applications
针对社交网络超高维类别标签偏好分析中传统方法忽略网络结构的问题，提出可识别自相关与网络相关特征的伪似然比筛选方法，经理论分析、模拟和新浪微博数据验证有效。
2025-05-19 stat.ME
Bayesian Inference for Discrete Markov Random Fields Through Coordinate Rescaling
University of Amsterdam（阿姆斯特丹大学）
本文提出了一种基于坐标重新缩放的采样方法，用于提高离散马尔可夫随机场中贝叶斯推断的效率和准确性。
2026-10-02 stat.ME
Bayesian jackknife empirical likelihood with complex surveys
提出贝叶斯刀切经验似然方法分析不等概率抽样调查数据，证明其渐近正态性，用于构建置信区间，数值研究表明其优于传统方法。
2023-09-13 stat.ME
A pseudo empirical likelihood approach for stratified samples with nonresponse
在调查中，不回答是很常见的。当调查变量$Y$的响应概率通过观察到的辅助分类变量$Z$取决于$Y$时（即，$Y$的回答概率有条件地独立于$Y$（给定$Z$），实践中经常使用的一种简单方法是使用$Z$类别作为插补单元格，并通过插补非应答者或在每个插补单元格内重新加权应答者来构建估计量。然而，当某些$Z$类别具有小尺寸并且经常应用特别方法来折叠小填充单元时，这种简单方法是低效的。假设一个参数模型的条件概率$Z$给定$Y$和一个非参数模型的分布$Y$，我们开发了一个伪经验似然方法，以提供更有效的调查估计。我们的方法避免了任何特别的折叠小$Z$类别，因为重新加权或插补是跨$Z$类别完成的。基于伪经验似然方法，导出了总体均值估计量的渐近分布。对于方差估计，我们考虑了一个自助过程，并建立了它的一致性。一些模拟结果提供评估有限样本性能的估计。
2009-03-03 stat.ME
Jackknife empirical likelihood with complex surveys
针对一般不等概率抽样设计的调查数据，提出了刀切经验似然方法，并对U统计量定义的参数进行了分析。从理论上证明了刀切伪经验似然比统计量作为卡方随机变量渐近分布，并可用于构造复杂调查样本的置信区间。在研究过程中，我们考虑了有无辅助信息，利用设计权重或校准权重。仿真结果表明，在覆盖概率和尾误差率方面，刀切伪经验似然比置信区间优于基于正态近似的置信区间.
2023-03-27 stat.ME
Pseudo Bayesian Estimation of One-way ANOVA Model in Complex Surveys
针对复杂调查中的单向方差分析模型，提出两种调查加权伪后验估计方法，在满足关键条件下实现渐近无偏估计，并与频率学派方法对比。
2023-05-12 stat.ME
Pseudo-Empirical Likelihood Methods for Causal Inference
本文提出两种基于双样本伪经验似然的平均处理效应推断方法，分别利用倾向得分和结果回归模型，并建立PEL比统计量的理论性质及自助置信区间构造方法。
2024-01-12 stat.ME
A pseudo-likelihood approach to community detection in weighted networks
社区结构在许多真实网络中很常见，节点聚集在共享相同连接模式的组中。虽然许多社区检测方法已被开发用于具有二进制边缘的网络，但其中很少有适用于具有加权边缘的网络，这在实践中很常见。我们提出了一个伪似然社区估计算法下的加权随机块模型的正态分布的边缘权重的网络，扩展了二进制网络的伪似然算法，它提供了一些最佳的组合的准确性和计算效率。我们证明了所提出的方法得到的估计是一致的假设下，同质网络，种植分区模型的加权模拟，并表明，他们在实践中工作良好的同质和异构网络。我们在模拟网络和fMRI数据集上说明了该方法，其中边缘权重表示大脑区域之间的连接，并且预计通过构建接近正态分布。
2023-03-10 stat.ME stat.ML
The Block Pseudo-Marginal Sampler
伪边缘（PM）方法越来越多地用于统计模型中的贝叶斯推断，其中可能性是棘手的，但可以无偏地估计。%示例包括大数据设置中的随机效应模型、状态空间模型和数据子采样。Dkillannelman等人（2016）展示了如何通过将用于形成未知参数当前和建议值下的似然估计的基础蒙特卡罗（MC）随机数相关联来使PM方法更加有效。他们的方法大大加快了标准PM算法的速度，因为它需要更少的样本或粒子来形成最佳似然估计。我们的论文提出了一种替代实现的相关PM方法，称为块PM，它将底层的随机数分成块，使建议的参数值和当前值的似然估计值仅在一个块中的随机数不同。我们表明，对于某些特定问题，相关PM的这种实现可能比Dkillanneal等人（2016）中的实现更有效;例如，当通过子采样估计似然性时，或者似然性是每个项的乘积，每个项都由一个积分给出，该积分可以通过随机化准蒙特卡罗无偏估计。我们的文章提供了有效实现块PM的方法和指导方针。块PM的第二个优点是，它提供了一种直接的方法来控制当前参数值和建议参数值下的似然估计值之间的相关性，而不是Dkillanneal等人（2016）中的实现。我们获得了基于理想化但现实的假设选择最佳样本数量的方法和指南。
2017-09-10 stat.ME
Smooth blockwise iterative thresholding: a smooth fixed point estimator based on the likelihood's block gradient
提出的平滑分块迭代阈值估计（SBITE）是一种模型选择技术，定义为通过迭代基于似然梯度的阈值函数达到的固定点。平滑James-Stein阈值函数具有两个正则化参数$λ$和$ν$，以及平滑参数$s$。它像岭回归一样平滑，像套索一样选择变量。重点高斯回归，我们表明，SBITE是唯一定义的，其Stein无偏风险估计是一个光滑的函数的$λ$和$ν$，更好地选择两个正则化参数。我们进行了蒙特卡罗模拟，调查的预测和预言性能的平滑版本的自适应套索。动机是从几个相伴的时间序列中探测引力波爆发。一个非参数的小波基估计器的开发，结合信息从所有的捕获块阈值多分辨率系数。我们研究了光滑参数$s$如何缓和风险估计的不确定性，并在此规范设置下导出了一个通用的阈值，一个信息准则和一个预言不等式。
2011-10-05 stat.ME
Bayesian Inference for State Space Models using Block and Correlated Pseudo Marginal Methods
本文讨论了问题的有效贝叶斯推断在动态系统中使用粒子的方法，并作出了一些贡献。首先，我们开发了一个相关的伪边缘（CPM）的贝叶斯推断的方法在状态空间（SS）模型，是基于过滤的干扰，而不是状态。当状态转移密度难以计算或计算效率低时，以及当扰动维数低于状态维数时，这种方法是有用的。其次，我们提出了一个块伪边缘（BPM）的方法，使用的G独立的无偏估计的可能性的平均值作为估计的可能性。我们关联一组基本的统一的标准正态随机数，用于构建每个个体的无偏似然估计，然后使用组件明智的马尔可夫链蒙特卡罗更新参数向量联合这些随机数的一组时间。这导致在模型参数的建议值和当前值处的估计似然的对数之间的近似1-1/G的相关性。第三，我们证明了一些非平稳状态空间模型的BPM方法是更有效的CPM方法，因为它是很难翻译的高相关性在底层的随机数之间的高相关性的日志的可能性估计。虽然我们的重点一直是应用BPM方法的状态空间模型，我们的结果和方法可以用于广泛的应用程序的PM方法，如面板数据模型，子采样问题和近似贝叶斯计算。
2016-12-21 stat.ME
Additivity Assessment in Nonparametric Models Using Ratio of Pseudo Marginal Likelihoods
非参数回归模型（如贝叶斯加性回归树（BART））可用于将一组协变量的灵活函数拟合到响应，同时考虑非线性和交互作用。然而，它们往往很难解释。如果适当的话，将函数分解为附加成分，可以简化解释，提高模型的实用性。另一方面，建立非加和性可能有助于确定个性化预测和治疗选择的需要。非参数回归模型中单协变量的可加性检验已被广泛研究。然而，不相交的变量集的非参数函数的可加性评估并没有得到太多的关注。我们提出了一种检测两个不相交的变量集的非加性的方法，通过拟合两个BART模型的总和，每个模型使用自己的一组变量。然后，我们比较了这个BART总和模型与单个BART模型的伪边缘似然（PsML），其中所有变量都在一起，比例称为伪贝叶斯因子（PsBF）。我们的方法的一个特殊情况检查一个感兴趣的变量和另一组变量之间的加性，其中加性模型允许直接解释感兴趣的变量，同时以灵活的非参数方式调整其余变量。我们扩展了上述方法，以允许使用logit链接的二进制响应。我们还提出了一个系统的方法来设计用于可加性评估的模拟。在模拟研究中，PsBF表现出更好的性能相比，在选择正确的模型的样本外预测误差，同时避免了计算昂贵的交叉验证，并提供了一个可解释的标准模型选择。我们将我们的方法应用于两个不同的例子，具有连续和二元结果。
2018-06-28 stat.ME
A path following algorithm for Sparse Pseudo-Likelihood Inverse Covariance Estimation (SPLICE)
给定p维随机向量的n个观测值，在许多应用中需要得到协方差阵及其逆矩阵（精度矩阵）。当p与样本量n相当时，样本协方差（例如，其特征结构）可能会表现不佳。正则化经常被用来缓解这个问题。本文提出了逆协方差阵的l1-模惩罚伪似然估计。由于l1-范数惩罚，这种估计是稀疏的，我们称这种方法为SPLICE。它的正则化路径可以通过基于同伦/LARS-Lasso算法的算法来计算。对p=15和n=20，1000的各种逆协方差结构进行了模拟研究。我们比较SPLICE与l1-范数惩罚似然估计和l1-范数惩罚Cholesky分解为基础的方法。SPLICE在精确度矩阵和ROC曲线的三个指标方面为模型选择提供了最佳的整体性能。此外，我们的模拟结果表明，SPLICE估计是正定的正则化路径的大部分，即使没有强制执行的限制。
2008-07-23 stat.CO stat.ME
Likelihood-Free Inference via Structured Score Matching
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出结合分数匹配与梯度优化的无似然推断框架，通过定制化分数匹配估计器和架构正则化方案，提升参数估计精度与可扩展性，并通过实验验证其有效性。
2026-03-30 stat.ME
Fast Network Community Detection with Profile-Pseudo Likelihood Methods
随机块模型是研究最多的社区发现网络模型之一。众所周知，大多数用于拟合随机块模型似然函数的算法不能扩展到大规模网络。一个突出的工作，克服了这一计算挑战是阿米尼等人。（2013），其提出了用于将随机块模型拟合到大型稀疏网络的快速伪似然方法。然而，这种方法不具有收敛保证，并且不太适合于中小规模的网络。在这篇文章中，我们提出了一种新的基于似然的方法，在似然函数，这使得一个快速的交替最大化的行和列的标签，新方法是计算效率高，表现良好的小型和大型网络，并具有可证明的收敛保证。我们表明，我们的方法提供了强相合估计的社区在一个随机块模型。仿真结果表明，该方法在估计精度和计算效率方面都优于伪似然方法，特别是对于大型稀疏网络。我们进一步考虑扩展我们提出的方法来处理网络的度异质性和二分属性。
2021-08-29 math.ST stat.ME stat.ML
Two-Stage Pseudo Maximum Likelihood Estimation of Semiparametric Copula-based Regression Models for Semi-Competing Risks Data
本文面向半竞争风险数据，提出基于 copula 半参数模型的两阶段伪极大似然估计方法，证明渐近性质并验证其更稳健、高效。
2024-10-25 stat.ME
EM Estimation of the B-Spline Copula with Penalized Pseudo-Likelihood Functions
本研究针对B样条copula函数，提出带SCAD惩罚的改进EM算法以最大化惩罚伪似然，模拟验证了稀疏场景下估计的均方误差更小，还通过237国出生率死亡率数据完成了模型参数估计。
2024-12-14 stat.CO stat.ME
A convex pseudo-likelihood framework for high dimensional partial correlation estimation with convergence guarantees
稀疏高维图形模型选择是现代统计学中一个非常有趣的话题。一种流行的方法是将l1-罚分应用于（1）参数似然，或者（2）正则化回归/伪似然，后者具有明显的优势，即它们不显式地假设高斯性。由于没有一个流行的方法提出解决伪似然为基础的目标函数具有可证明的收敛保证，这是不清楚，如果相应的估计存在或甚至是可计算的，或者如果他们实际上产生正确的偏相关图。本文提出了一种新的基于伪似然的图形化模型选择方法，旨在克服现有方法的一些缺点，但在同一时间保留各自的优点。特别是，我们引入了一个新的框架，导致凸制定的偏协方差回归图的问题，导致在一个目标函数组成的二次型。然后通过坐标方式优化目标。目标函数的特定函数形式便于进行严格的收敛性分析，从而保证收敛性;当维数大于样本量时，这是一个无法使用标准结果建立的重要属性，这在高维应用中经常发生。这些收敛保证确保估计量在非常一般的条件下是定义良好的，并且总是可计算的。此外，该方法产生的估计，具有良好的大样本特性，也尊重对称性。此外，模拟/真实数据，时序比较和数值收敛的应用程序被证明。我们还提出了一个新颖的统一框架，该框架将所有图形伪似然方法作为更一般公式的特殊情况，从而获得重要的见解。
2014-08-14 stat.CO stat.ME stat.ML
A Pseudo-likelihood Approach to Under-5 Mortality Estimation
针对中低收入国家现有儿童死亡模式估计方法表现不佳的问题，提出参数与非参数伪似然法，从复杂调查数据估计5岁以下儿童死亡率，验证了参数法在数据稀疏场景的优势及在中低收入国家的适用性。
2024-08-15 stat.AP stat.ME
L$_1$ Regularization for Reconstruction of a non-equilibrium Ising Model
利用精确学习算法重构稀疏非对称异步伊辛网络中的耦合。L $_1$正则化用于去除伪弱连接，否则将通过简单地最小化有限数据集的负似然来发现伪弱连接。为了详细了解L $_1$正则化是如何工作的，我们以几种方式执行计算，包括（1）通过迭代最小化等于减去数据的对数似然加上L $_1$惩罚项的成本函数，以及（2）基于成本函数在其最小值附近的二次展开的近似方案。在这些方案中，我们跟踪连接是如何修剪的L $_1$惩罚的强度从零增加到大的值。各种耦合强度的方法的性能进行量化使用ROC曲线。
2012-11-15 cond-mat.dis-nn physics.data-an stat.ME
Structure Learning of Contextual Markov Networks using Marginal Pseudo-likelihood
马尔可夫网络是离散多变量系统的流行模型，其中变量的依赖结构由无向图指定。为了允许更有表现力的依赖结构，已经提出了马尔可夫网络的几种推广。在这里，我们考虑一类上下文马尔可夫网络，它考虑到可能的上下文特定的变量对之间的独立性。上下文马尔可夫网络的结构学习是非常具有挑战性的，由于非常大数量的可能结构。其中一个主要的挑战是设计一个分数，通过这个分数，可以根据与复杂性相关的模型拟合来评估结构，而不需要假设弦性。在这里，我们引入了边际伪似然作为一般上下文马尔可夫网络的分析易处理的标准。我们的标准是产生一个一致的结构估计。实验表明，我们的方法在推断模型的预测精度方面具有良好的性能。
2021-03-29 math.ST stat.ME stat.ML
Pseudo-variance quasi-maximum likelihood estimation of semi-parametric time series models
本文提出基于高斯拟似然和参数化伪方差的半参数时间序列估计方法，推导其渐近性质与限制检验，证明其不受伪方差误设影响且效率更高，并通过模拟和实证验证其有效性。
2025-07-18 math.ST stat.ME stat.TH
Non-conjugate variational Bayes for pseudo-likelihood mixed effect models
提出一种统一且易编码的非共轭变分贝叶斯算法，通过高斯变分近似和消息传递优化策略，实现通用贝叶斯广义混合效应模型的后验近似，无需数据增强即可处理非共轭先验和非平滑损失，并在计算效率和近似精度上表现优异。
2025-10-13 stat.CO stat.ME
A Pseudo-Likelihood Approach to Linear Regression with Partially Shuffled Data
George Mason University（乔治梅森大学）；U.S. Census, CSRM（美国人口普查局CSRM）
最近，由于单独的数据收集和数据整合的不确定性，在对应于同一统计单元的匹配对中没有观察到预测因子和响应的情况下，线性回归引起了极大的兴趣。不匹配的配对会显著影响模型拟合并破坏回归参数的估计。在本文中，我们提出了一种方法来调整这种不匹配下的“部分洗牌”，其中一个足够大的部分（预测，响应）对观察到他们的正确对应。所提出的方法是基于伪似然，其中每个术语采取的形式的两个组件的混合物密度。期望最大化方案提出了优化，其中（i）规模有利的样本数量，（ii）实现了优异的统计性能相对于一个预言机，可以访问正确的配对，通过模拟和案例研究验证。特别是，所提出的方法可以容忍相当大的比例的失配比现有的方法，并能够估计的噪声水平以及失配的比例。所得估计量（标准误、置信区间）的推断可以基于复合似然估计的已建立理论。在此过程中，我们还提出了一个统计检验的存在的失配，并建立其一致性在适当的条件下。
2019-10-03 cs.LG stat.ME stat.ML
In all LikelihoodS: How to Reliably Select Pseudo-Labeled Data for Self-Training in Semi-Supervised Learning
Ludwig-Maximilians-Universität (LMU) Munich（慕尼黑路德维希-马克西米利安大学）
自我训练是半监督学习中一种简单而有效的方法。这个想法是通过添加伪标记数据来迭代增强训练数据。其泛化性能很大程度上取决于这些伪标记数据（PLS）的选择。在本文中，我们的目标是使PLS更强大的对所涉及的建模假设。为此，我们建议选择伪标记的数据，最大限度地提高多目标效用函数。后者是为了解释不同来源的不确定性，其中三个我们更详细地讨论：模型选择，累积误差和协变量的变化。在这种不确定性的二阶信息的情况下，我们还考虑了广义贝叶斯α-切割更新规则的信用集的通用方法。作为一个实际的概念证明，我们强调我们的三个强大的扩展模拟和真实世界的数据的应用。结果表明，特别是鲁棒性w.r.t.模型选择可以导致相当大的精度增益。
2023-03-02 cs.LG math.ST stat.ME
Rising Above Chaotic Likelihoods
Berliner（混沌系统的Likestival和Bayesian预测，J. Am. Stat. Assoc.1991）指出了在贝叶斯范式中使用似然函数的一些困难，这些困难出现在混沌系统的状态估计和参数估计中。即使当方程的系统是给定的，他证明了“混沌似然函数”的初始条件和参数值的Logistic映射。混沌似然函数，而最终顺利，有这样复杂的小尺度结构，在实践中确定高似然状态的可能性表示怀疑。在本文中，混沌似然的挑战是克服嵌入在一个更高的维度序列空间的观察，这使得良好的状态估计有限的计算能力。介绍了一种重要抽样方法，在序列空间中采用伪轨道数据同化，首先识别相关伪轨道，然后识别相关轨道。估计数的确定与可能性的数量级高于先前确定的例子中给出的柏林。伪轨道数据同化重要采样器利用来自模式动力学和观测的信息。当然，从相关先验（这里是自然测量）中采样最终会产生一个可靠的样本，但考虑到现实的计算资源，这种传统方法根本不会提供高似然点。虽然柏林人提出的挑战之一是克服，他的中心结论是支持。参数估计的“混沌似然函数”仍然是一个挑战;这一事实有助于澄清为什么物理学家保持初始条件不确定性和参数不确定性之间的强烈区别。
2016-12-28 nlin.CD physics.data-an stat.ME
Regularized Maximum Likelihood Estimation for the Random Coefficients Model
随机系数模型$Y_i={β_0}_i+{β_1}_i {X_1}_i+{β_2}_i {X_2}_i+\ldots+{β_d}_i {X_d}_i$（其中$\mathbf{X}_i$、$Y_i$、$\mathbfβ_i$ i.i.d和$\mathbfβ_i$独立于$X_i$）通常用于捕获群体中未观察到的异质性。提出了一种估计随机系数模型联合密度分布的拟极大似然方法。该方法隐含地涉及Radon变换的反演，以重建联合分布，因此是一个逆问题。基于核方法或傅立叶逆的$\mathbfβ_i=({β_0}_i,\ldots, {β_d}_i)$联合密度的非参数估计是近年来提出的。这些方法中的大多数假定重尾设计密度$f_\mathbf{X}$。为了增加解的稳定性，我们应用正则化方法。我们分析了该方法的收敛性，而不假设重尾$f_\mathbf{X}$和说明性能的模拟和真实数据上应用该方法。为了增加稳定性的解决方案，我们应用Tikhonov型正则化方法。
2021-08-15 stat.AP stat.ME
StepMix: A Python Package for Pseudo-Likelihood Estimation of Generalized Mixture Models with External Variables
Université de Montréal（蒙特利尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；Massachusetts Institute of Technology（麻省理工学院）；Leiden University（莱顿大学）；Institut universitaire en santé mentale de Montréal（蒙特利尔大学精神卫生大学研究所）
本文介绍开源 Python 包 StepMix，它在统一 EM 框架下实现带协变量与远端结局的广义混合模型的一步、两步及偏差校正三步伪似然估计，并兼容 scikit-learn 与 R。
2024-06-17 cs.LG stat.ME stat.ML
Frequentist-Bayes Hybrid Covariance Estimationfor Unfolding Problems
在本文中，我们提出了一个频率-贝叶斯混合方法估计展开分布的协方差使用伪实验。该方法与其他协方差估计方法进行了比较，使用无偏Rao-Cramer界（RCB）和频率伪实验。我们发现，无偏RCB方法偏离其他两种方法时，正则化。对于不同的正则化量，新的混合方法与频率伪实验方法吻合得很好。然而，混合方法具有不需要明确的似然定义的额外优点，并且可以与使用响应矩阵来对检测器响应进行建模的任何展开算法结合使用。
2021-10-15 hep-ex stat.ME
Scalable Bayesian Structure Learning for Gaussian Graphical Models Using Marginal Pseudo-likelihood
针对高斯图模型贝叶斯学习可扩展性差的问题，提出基于边际伪似然的连续时间与离散时间MCMC算法，实现千节点图的高效后验探索，兼具理论保证与计算优势。
2025-08-27 stat.CO stat.ME stat.ML
Variational Bayes algorithm and posterior consistency of Ising model parameter estimation
伊辛模型起源于统计物理学，广泛应用于空间数据建模和计算机视觉问题。然而，该模型的统计推断仍然具有挑战性，由于棘手的性质的归一化常数的可能性。在这里，我们使用伪似然，而不是研究贝叶斯估计的两个参数，逆温度，磁化，伊辛模型与一个完全指定的耦合矩阵。我们开发了一个计算效率高的变分贝叶斯模型估计过程。在高斯平均场变分族下，我们得到了伪似然变分后验的后验收缩率。我们还讨论了伪似然方法的损失，由于变后验超过真正的后验。广泛的模拟研究验证了平均场高斯和双变量高斯家庭的伊辛模型参数的推断变分家庭的可能选择的功效。
2021-09-03 math.ST stat.ME stat.TH
Maximum likelihood estimation of potential energy in interacting particle systems from single-trajectory data
本文研究了连续时间单轨迹数据下相互作用粒子系统二次势能的参数估计问题。即使这样的动力系统是高维的，我们表明，香草最大似然估计（无正则化）是能够估计的相互作用势参数与最佳的收敛速率同时在平均场的限制和长时间的动态。这在一定程度上避免了在粒子相互作用的对称性下估计大型动力系统的维数灾难。
2021-04-12 math.PR math.ST stat.ME
Likelihood Based Inference in Fully and Partially Observed Exponential Family Graphical Models with Intractable Normalizing Constants
Purdue University（普渡大学）
本文提出一种在对数稀疏设置下对完全和部分观测指数族图模型进行高效完全似然推断的方法，利用可处理独立模型估计难处理的归一化常数及其梯度，并通过数值结果和理论验证其有效性。
2026-09-23 stat.CO stat.ME stat.ML
Bayesian Inference from Composite Likelihoods, with an Application to Spatial Extremes
复合似然越来越多地用于完全似然在分析上未知或计算上禁止的应用中。虽然最大合成似然估计具有类似于通常的极大似然估计的频率论性质，但基于合成似然的贝叶斯推断还有待探索。在本文中，我们研究使用梅特罗波利斯-黑斯廷斯算法来计算基于复合似然的伪后验分布。提出了两种调整算法的方法，并使用模拟数据集和实际降雨空间极值数据研究了它们在逼近真实后验分布方面的性能。
2011-07-06 math.ST stat.ME stat.TH
Robust Clustering with Normal Mixture Models: A Pseudo $β$-Likelihood Approach
针对正态混合模型似然估计鲁棒性差的问题，提出基于β似然的伪β似然鲁棒聚类方法，通过迭代重加权最小二乘同步实现聚类与异常检测，在模拟和真实数据上表现优于现有主流方法。
2023-12-19 math.ST stat.AP stat.ME
Two Sides of Schur Damping: High-Dimensional Pseudo-Likelihoods and Portfolio Allocation
本文揭示空间统计中的Schur补（用于高维高斯伪似然估计）与投资组合中的残余风险（用于层次风险平价与最小方差组合）是同一数学对象，通过可靠性收缩统一，并证明最优阻尼具有闭式解。
2026-06-16 q-fin.MF q-fin.PM q-fin.RM
