A generalized tetrad constraint for testing conditional independence given a latent variable
Peking University（北京大学）；Beijing Technology and Business University（北京工商大学）
本文提出广义四元约束用于检验给定潜在变量下的条件独立性，适用于非线性和非参数模型，在非线性模型中仍为必要条件。通过模拟和实际数据应用验证了该方法的有效性。
2026-03-31 stat.ME
High-dimensional low-rank matrix regression with unknown latent structures
针对多个体高维矩阵回归，提出张量结构同质性追踪框架，以共享子空间与个体载荷建模系数矩阵，并采用缩放梯度下降估计，兼顾共享信息与个体差异，提升收敛速度与可解释性。
2025-10-25 stat.ME
Testing for equality between two transformations of random variables
考虑被两个未知变换污染的两个随机变量。本文的目的是测试这些转换的平等性。区分两种情况：第一，两个随机变量具有已知的分布。第二，它们是未知的，但在污染之前被观察到。本文提出了一种基于经验累积分布函数的非参数检验统计量。进行蒙特卡罗研究以分析检验的水平和功效。通过一个真实的数据集的说明。
2011-10-31 stat.ME
Factor-Adjusted Multiple Testing for High-Dimensional Individual Mediation Effects
School of Data Science, Fudan University（复旦大学数据科学学院）；Business Division, New York University Shanghai（纽约大学上海分校商学院）
本文提出FADMT框架，通过因子调整实现高维个体中介效应的去偏推断与FDR控制，提升观测研究中对共享潜在变异驱动的虚假关联的鲁棒性。
2026-02-18 stat.ME
Hypothesis Testing for Equality of Latent Positions in Random Graphs
考虑广义随机点积图的两个顶点$i$和$j$具有相同的潜在位置的假设检验问题，可能达到缩放。该假设检验的特殊情况包括测试随机块模型或度校正的随机块模型图中的两个顶点是否具有相同的块成员向量，或者测试受欢迎度调整的块模型中的两个顶点是否具有相同的社区分配。我们提出了几个检验统计量的基础上的经验马氏距离之间的$i$和$j$行的邻接或规范化的拉普拉斯谱嵌入的图形。我们表明，在温和的条件下，这些检验统计量的限制χ 2分布下的零和本地的备择假设，我们推导出明确的表达式的非中心参数下的本地备择。利用这些极限结果，我们解决了模型选择问题，包括标准随机块模型和它的度校正变量之间的选择，ER模型和随机块模型之间的选择。我们所提出的测试的有效性，通过模拟研究和实际数据的应用。
2022-03-12 stat.ME stat.ML
Bayesian Rank-Based Hypothesis Testing for the Rank Sum Test, the Signed Rank Test, and Spearman's $ρ$
贝叶斯推断的秩序问题是挫败的情况下，一个明确的似然函数。这一障碍可以通过假设与数据中的序数信息一致的潜在正态表示来克服：观察到的等级被概念化为底层连续尺度的贫困反映，并且推断涉及管理潜在表示的参数。我们应用这种通用的数据增强方法来获得贝叶斯因子的三个流行的基于秩的测试：秩和检验，符号秩检验，和斯皮尔曼的$ρ_s$。
2019-05-17 stat.ME
A semiparametric two-sample hypothesis testing problem for random dot product graphs
随机图的双样本假设检验自然出现在神经科学、社交网络和机器学习中。本文研究了一类潜在位置随机图的双样本假设检验的半参数问题。我们制定了一个概念的一致性在这种情况下，并提出了一个有效的测试的假设，两个有限维随机点积图在一个共同的顶点集有相同的生成潜在的位置或生成潜在的位置，是缩放或对角变换的另一个。我们的检验统计量是每个图的邻接矩阵的谱分解的函数，并且我们的检验程序在广泛的替代方案中是一致的。我们将我们的测试程序应用于真实的生物数据：在神经连接体图的测试-重测数据集中，我们能够区分来自不同受试者的扫描;在{ \em C.elegans}连接体中，我们能够区分化学网络和电网络。后一个例子是一个具体的证明，我们的测试可以有权力，即使是小样本量。最后，我们讨论我们的测试程序和广义似然比检验之间的关系。
2015-06-18 stat.ME
Learning and scoring Gaussian latent variable causal models with unknown additive interventions
针对未知性质扰动下含潜变量的因果结构学习难题，提出利用系统不变性的最大似然估计器输出干预等价类，给出图形表征并通过多类数据验证，配套Python包utlvce。
2023-10-07 math.ST stat.ME stat.TH
RKHS-based Latent Position Random Graph Correlation
Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）；Department of Statistics, The Chinese University of Hong Kong（香港中文大学统计系）
本文针对两个潜在位置随机图的相关性检验问题，提出基于核方法的检验统计量及对应估计方法，验证其有效性并扩展适用场景，在模拟与真实数据上表现良好。
2026-08-19 stat.ME
Deep Computerized Adaptive Testing
University of Chicago（芝加哥大学）
本文提出一种基于多变量潜在特质的深度自适应测验系统，利用贝叶斯稀疏多变量IRT方法，通过直接采样提升信息论项目选择效率，并采用双重深度Q学习算法优化项目选择策略。
2026-03-14 stat.ME
Estimation of a Two-component Mixture Model with Applications to Multiple Testing
我们考虑一个已知组分的两组分混合模型。我们开发了非参数估计混合比例和未知分布的方法，给定i.i.d.~混合模型的数据，使用形状约束函数估计的思想。我们建立了估计量的一致性。我们发现的混合比例的估计的收敛速度和渐近极限。为混合比例制定了完全自动的无分布诚实有限样本置信下限。讨论了与多重检验问题的联系。模型的可辨识性，以及未知分布的密度估计也得到了解决。我们比较建议的估计，这是很容易实现的，与一些现有的程序，通过模拟研究和分析两个数据集，一个产生的应用在天文学和其他微阵列实验。
2015-11-09 stat.ME
DIF Analysis with Unknown Groups and Anchor Items
针对比较组与锚题均未知的 DIF 分析问题，本文提出结合潜在类别模型与 L1 正则化的统一统计框架，并用 EM 算法同时识别潜在分组和 DIF 项目。
2023-11-19 stat.AP stat.ME
Statistical hypothesis testing for differences between layers in dynamic multiplex networks
Imperial College London（帝国理工学院）
针对动态多重网络中不同边类型层级间连接性差异，提出基于潜空间网络模型的假设检验框架，通过谱嵌入展开图邻接矩阵构建检验统计量，实现层级间全局差异检验。
2026-08-25 stat.ME
On estimation and inference in latent structure random graphs
我们定义了一个潜在的结构模型（LSM）随机图作为一个随机点积图（RDPG），其中的潜在位置分布结合了概率和几何约束，划定了一个家庭的基础分布在一些固定的欧几里得空间，和结构支持子流形，从该图的潜在位置绘制。对于一个一维潜在的结构模型与已知的结构支持，我们展示了如何谱估计的潜在位置的RDPG可以用于有效的估计的参数的LSM。我们描述了如何估计或学习的结构支持的情况下，它是未知的，说明性的重点与潜在的位置沿Hardy-Weinberg曲线的图形。最后，我们使用潜在的结构模型制定测试双边同源果蝇连接体。
2020-04-17 stat.ME
More good news on the (only) affine invariant test for multivariate reflected symmetry about an unknown center
我们重新审视的问题，测试多元反射对称性的一个未指定的点。虽然这个测试问题对于满秩仿射变换是不变的，但在迄今为止提出的几个测试中，只有[12]中研究的测试尊重这个属性。我们确定了一个测量偏差$Δ$（比方说）与对称性相关的检验统计量$T_n$（比方说），我们得到了极限正态分布的$T_n$为$n \to \infty$下一个固定的替代对称性。由于这个极限正态分布的方差的相合估计量是可用的，我们得到了$Δ$的渐近置信区间。该测试，当应用到一个经典的数据集，强烈拒绝反射对称的假设，虽然其他测试甚至不反对更强的假设椭圆对称。
2018-07-17 stat.ME
Testing for white noise under unknown dependence and its applications to goodness-of-fit for time series models
在计量经济学和统计学的文献中，对白噪声的检验已经有了很好的研究。对于大多数的检验统计量，如著名的Box-Pierce检验统计量与固定滞后截断数，渐近零分布下获得的独立和同分布的假设，并可能不适用于相关的白噪声。由于最近流行的条件异方差模型（例如，Gestival模型），这意味着非线性依赖与零自相关，有必要了解现有的检验统计量的渐近性质未知的依赖。本文证明了当滞后截断数随样本量的增加而以适当的速率增长时，在弱相依性未知的情况下，具有一般权值的Box-Pierce检验统计量的渐近零分布仍然成立.进一步的应用程序，诊断检查的ARMA和FARIMA模型与相关的白噪声的错误也解决了。我们的研究结果超越了早期的允许非高斯和条件异方差误差的ARMA和FARIMA模型，并提供了理论支持文献中报道的一些实证研究结果。
2009-06-29 math.PR math.ST stat.ME
A minimum-risk and cost-efficient two-sample sequential testing framework for the shifted exponential models with application to precipitation data
Indian Institute of Technology Delhi（印度德里理工学院）
提出一种双序贯抽样框架，通过控制第一类错误概率并最小化包含第二类错误和抽样成本的损失函数，检验两个移位指数模型的位置参数差异，具有一阶、二阶效率和风险效率。
2026-06-19 stat.ME
Testing for Association in Multi-View Network Data
在本文中，我们考虑由多个网络组成的数据，每个网络由一组公共节点上的不同边集组成。许多模型已经被提出来分析这样的多视图网络数据的假设下，数据视图是密切相关的。在本文中，我们提供了评估这一假设的工具。我们尤其要问：给定两个网络，每个网络都遵循随机块模型，两个网络中节点的潜在社区成员之间是否存在关联？为了回答这个问题，我们扩展了一个单一的网络视图的随机块模型的两个视图设置，并开发了一个新的假设检验的原假设，潜在的社区成员在两个数据视图是独立的。我们将我们的测试应用于来自HINT数据库的蛋白质-蛋白质相互作用数据（Das和Hint，2012）。我们发现证据的潜在社区成员的蛋白质定义相对于二进制相互作用数据和潜在社区成员的蛋白质定义相对于共同复杂的关联数据之间的弱关联。我们还将此建议扩展到节点协变量的网络设置。
2021-03-22 stat.ME stat.ML
Local Independence Testing for Point Processes
基于约束的点过程因果结构学习需要局部独立性的经验检验。现有的测试需要强有力的模型假设，例如，真正的数据生成模型是一个霍克斯过程，没有潜在的混杂因素。即使在限制对霍克斯过程的关注时，潜在混杂因素也是一个主要的技术困难，因为边缘化过程通常本身不是霍克斯过程。我们引入了一个类似于Volterra展开的扩展作为一种工具来表示边缘化的强度。我们的主要理论结果是，这样的扩展可以近似的真实边缘强度任意。在此基础上，我们提出了一个测试的局部独立性，并调查其性质在真实和模拟数据。
2021-10-25 stat.ME stat.ML
Hidden Markov models with an unknown number of states and a repulsive prior on the state parameters
本文提出一种贝叶斯框架，将隐马尔可夫模型的状态数视为随机变量，结合可逆跳跃MCMC与排斥先验，避免过拟合并提升状态可区分性，在模拟和两个生态案例中验证了有效性。
2024-07-18 stat.AP stat.ME
Testing for latent structure via the Wilcoxon--Wigner random matrix of normalized rank statistics
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文提出基于Wilcoxon-Wigner随机矩阵的统计检验方法，用于大规模数据中潜在结构的检测，具有计算高效和鲁棒性强的特点。
2025-12-21 math.PR math.ST stat.ME
Restricted maximum-likelihood method for learning latent variance components in gene expression data with known and unknown confounders
University of Bergen（卑尔根大学）
随机效应模型是用于检测和校正由于全基因组基因表达数据中隐藏的混杂因素而导致的虚假样本相关性的流行统计模型。在已知某些混杂因素的应用中，同时估计随机效应模型中已知和潜在方差分量的贡献是一项挑战，迄今为止，该挑战依赖于基于数值梯度的优化器来最大化似然函数。这是不令人满意的，因为所得的解决方案的特征很差，并且该方法的效率可能是次优的。在这里，我们证明分析，最大似然潜变量总是可以选择正交的已知的混杂因素，换句话说，最大似然潜变量解释样本协方差还没有解释已知的因素。基于这一结果，我们提出了一种限制最大似然方法，通过最大化正交于已知混杂因素的限制子空间上的似然来估计潜在变量，并表明这降低到该子空间上的概率PCA。然后，该方法使用该问题的新推导的解析解，通过在给定潜变量的情况下最大化似然函数中的剩余项来估计方差-协方差参数。与基于梯度的优化器相比，我们的方法获得了更大或相等的似然值，可以使用标准矩阵运算进行计算，导致潜在因素不与任何已知因素重叠，并且运行时间减少了几个数量级。因此，限制的最大似然方法有利于随机效应建模策略的应用，学习潜在的方差分量更大的基因表达数据集比可能与当前的方法。
2021-11-04 cs.LG q-bio.GN q-bio.QM
Comment on 'Sparse Bayesian Factor Analysis when the Number of Factors is Unknown' by S. Frühwirth-Schnatter, D. Hosszejni, and H. Freitas Lopes
本文评论探讨了如何将稀疏性和因子选择技术应用于网络数据的潜在空间模型，以解决因子的识别问题，并指出因子载荷限制有助于实现识别。
2024-11-14 econ.EM stat.ME
Kernel Hypothesis Testing with Set-valued Data
我们提出了一个一般的框架假设检验的分布集的个别例子。集合可以表示许多常见的数据源，例如时间序列中的观察组、文本中的单词集合或给定现象的一批图像。然而，这种观察模式与假设检验所需的常见假设不同：每个集合的大小不同，可能具有不同的噪声水平，并且还可能包含与感兴趣现象的分析无关的干扰变异性;如果不考虑，则会使测试决策产生偏差的所有特征。在本文中，我们建议解释集作为独立的样本从一个潜在的概率分布的集合，并介绍核双样本和独立性测试在这个潜在的分布空间。我们证明了测试的一致性，并观察到它们在广泛的合成实验中表现出色。最后，我们展示了它们在医疗保健和气候数据实验中的实际应用，在这些实验中，以前需要进行特征提取和测试。
2021-02-02 stat.ME stat.ML
Multiple testing, uncertainty and realistic pictures
我们研究了噪声图像中灰度目标的统计检测。感兴趣的对象具有未知的形状并且具有未知的强度，其可以在对象上变化并且可以是负的。没有边界形状的约束施加在对象上，只有一个弱体条件的对象的内部是必需的。我们提出了一种算法，可用于检测未知形状的灰度对象中存在的非参数噪声的未知水平。我们的算法是基于非参数多重检验过程。我们通过一个明确的，封闭的形式，非渐近和非参数的一致性界建立我们的方法的适用性限制。这个界限对广泛的一类非参数噪声分布是有效的。我们通过证明有限格上渗流的不确定性原理来实现这一点。
2011-02-23 math.PR math.ST stat.ME
Gaussian Process Latent Force Models for Learning and Stochastic Control of Physical Systems
Aalto University（阿尔托大学）；University of Sheffield（谢菲尔德大学）；Amazon（亚马逊）
本文研究了包含未知输入信号的物理系统学习与随机控制问题，通过高斯过程建模未知信号，提出隐力模型并探讨其统计推断、学习方法及可观测性和可控性理论。
2018-08-13 cs.SY eess.SY math.DS
Testing Equivalence of Clustering
在本文中，我们测试是否两个数据集共享一个共同的聚类结构。作为一个领先的例子，我们专注于比较聚类结构在两个独立的随机样本从两个混合的多元正态分布。这些正态分布的平均参数被视为潜在未知的冗余参数，并允许不同。假设知识的平均参数，我们首先确定的相位图的测试问题的整个范围内的信噪比，通过提供两个下界和测试，实现它们。当冗余参数是未知的，我们提出的测试，实现检测边界自适应，只要环境尺寸的数据集以次线性速率增长的样本量。
2022-11-18 math.ST stat.ME stat.TH
Conformalized Multiple Testing under Unknown Null Distribution with Symmetric Errors
针对大规模多重检验中理论零分布偏差影响FDR分析的问题，提出采用自校准经验零样本的共形化经验贝叶斯方法，仅需误差对称弱条件即可实现有限样本FDR控制，兼具更高检验功效与最优性理论支撑。
2025-09-04 math.ST stat.ME stat.TH
Estimating Unknown Population Sizes Using the Hypergeometric Distribution
McGill University（麦吉尔大学）；Mila - Québec Artificial Intelligence Institute（米拉-魁北克人工智能研究所）
本文提出基于超几何似然的新方法，在总体及类别规模均未知且严重欠采样条件下估计离散分布，并结合变分自编码器，在NLP和单细胞基因组学中验证了其优越性。
2024-06-09 cs.LG stat.ME stat.ML
Estimation, Confidence Intervals, and Large-Scale Hypotheses Testing for High-Dimensional Mixed Linear Regression
研究了高维混合线性回归模型，其中输出变量来自两个线性回归模型之一，且混合比例未知，随机协变量的协方差结构未知.基于一个高维的期望最大化算法，我们提出了一个迭代过程来估计两个回归向量，并建立其收敛速度。基于迭代估计，我们进一步构造了去偏估计，并证明了它们的渐近正态性。对于单个坐标，构造以去偏估计量为中心的置信区间。此外，提出了一个大规模的多重检验程序来检验的回归系数，并示出控制的错误发现率（FDR）渐近。仿真研究进行了检查所提出的方法的数值性能和现有的方法相比，其优越性。所提出的方法进一步说明，通过分析的数据集的多重图像细胞仪，其中调查的细胞表型，包括20个表位或标记物的组合的表达水平之间的相互作用网络。
2020-11-06 stat.ME stat.ML
Adaptive, Rate-Optimal Hypothesis Testing in Nonparametric IV Models
本文提出一种自适应假设检验方法，用于非参数工具变量模型中的不等式和等式约束，达到自适应极小极大检验速率，并通过模拟和实证验证其有效性。
2024-11-06 econ.EM stat.ME stat.ML
Testing Homological Equivalence Using Betti Numbers
本文提出基于Betti数的单样本和双样本检验，用于判断未知分布支撑集的同调等价性，并在临界与超临界机制下证明一致性，通过模拟和真实数据验证其有效性。
2023-11-30 math.ST stat.ME stat.TH
