Randomization Tests for Adaptively Collected Data
随机化检验是统计学中的一种基本方法，能够进行推理任务，例如检验随机变量的（条件）独立性，在半参数位置模型中构建置信区间，以及通过保形推理构建（通过反转置换检验）无模型预测区间。随机化检验对任何样本量都是完全有效的，但它们的使用通常仅限于可交换的数据。然而，在许多应用中，数据是通过例如，（上下文）强盗和强化学习算法或自适应试验设计。在本文中，我们提出了一个通用的框架，随机化测试自适应收集的数据（尽管它的非交换），使用一种新的加权随机化测试，我们还提出了新的计算上易于处理的reservation算法，各种流行的自适应分配算法，数据生成环境，和类型的推理任务。最后，我们通过一系列的模拟证明了我们的框架测试和置信/预测区间建设的功效。
2023-03-19 stat.ME
Anytime-valid testing with e-values and confirmatory adaptive designs
University of Bremen（不来梅大学）
本文比较了基于e值的任意时刻验证检验与确认性自适应设计，揭示其形式与方法上的联系与差异，并指出各自优势及相互借鉴之处。
2026-05-30 stat.ME
Sample-Efficient Multiple Testing with Adaptive Data Collection
University of Pennsylvania（宾夕法尼亚大学）
本文提出基于e值的后验采样程序，在自适应多重检验中控制错误发现率并保证嵌套拒绝集，通过理论界和实验验证其样本高效性。
2026-09-23 stat.ME
Adaptive adequacy testing of high-dimensional factor-augmented regression model
本文针对高维因子增强回归模型在密集备择假设下检验效果不佳的问题，提出二次型检验统计量及自适应检验方法，在稀疏和密集备择假设下均具功效，并通过模拟与FRED-MD数据集验证其优势。
2025-04-03 stat.ME
Adaptive minimax testing for circular convolution
在非渐近框架下，考虑了受可加性测量误差污染的圆形随机变量的观测值的极大极小最优拟合优度检验问题。我们提出了直接和间接的测试程序，使用投影方法。最优检验的结构取决于模型的正则性和不适定性参数，这些参数在实际中是未知的。因此，自适应测试策略，同时进行了广泛的规律性和不适定性类的最佳。考虑到多个测试程序，我们得到自适应，即无干扰的程序，并分析其性能。与非自适应检验相比，它们的检验半径面临对数因子的恶化。我们表明，测试的均匀性，这种损失是不可避免的，通过提供一个下界。考虑索伯列夫空间和普通或超光滑误差密度的结果示出。
2020-07-13 math.ST stat.TH
Structure-Adaptive Conformal Inference for Large-Scale Out-of-Distribution Testing
Center for Data Science and School of Mathematical Sciences, Zhejiang University（数据科学中心和数学科学学院，浙江大学）
提出结构自适应共形q值(SCQ)和伪分数引导的直推式自动模型选择(P-TAMS)，在成对可交换性下实现结构化分布外检测的有限样本错误率控制、功效提升和可解释性增强。
2026-05-26 cs.AI cs.LG stat.ME
Multiple testing with the structure adaptive Benjamini-Hochberg algorithm
在同时测试大量假设的多重检验问题中，错误发现率（FDR）控制可以用众所周知的Benjamini-Hochberg过程来实现，该过程适应于数据中存在的信号量。已经提出了对该过程的许多修改，以提高假设被组织成组或层次结构以及其他结构化设置的场景中的功效。在这里，我们介绍SABHA，“结构自适应Benjamini-Hochberg算法”，作为这些自适应测试方法的推广。SABHA结合了关于假设列表内的信号和空值的位置模式中的任何预定类型的结构的先验信息，以数据自适应的方式重新加权p值。这通过在信号似乎更常见的地区进行更多的发现来提高功率。我们的主要理论结果证明，SABHA控制FDR在一个水平，这是最多略高于目标FDR水平，只要自适应权重被充分约束，以便不过拟合太多的数据有趣的是，多余的FDR可以相关的拉德马赫复杂度或高斯宽度的类，我们选择我们的数据自适应权重。我们将这个一般框架应用于各种结构化设置，包括有序，分组和低总变差结构，并获得每个特定设置的FDR上的界限。我们还研究了SABHA对fMRI活动数据和基因/药物反应数据以及模拟数据的经验表现。
2017-09-13 stat.ME
Covariate Adaptive False Discovery Rate Control with Applications to Omics-Wide Multiple Testing
传统的多重检验程序通常假设不同特征的假设是可交换的。然而，在许多科学应用中，关于信号和空值模式的额外协变量信息是可用的。在本文中，我们介绍了一个FDR控制过程中的大规模推理问题，可以纳入协变量信息。我们开发了一个快速算法来实现所提出的过程，并证明了其渐近有效性，即使底层模型是错误的，p值是弱相关的（例如，强混合）。进行了大量的模拟研究所提出的方法的有限样本性能，我们证明了新的方法是灵活的，强大的，强大的和计算效率提高了国家的最先进的方法。最后，我们将该方法应用于基因组学研究中产生的几个组学数据集，目的是识别与一些临床和生物表型相关的组学特征。我们表明，该方法是整体上最强大的竞争方法，特别是当信号稀疏。提出的协变量自适应多重检验过程在R软件包CAMT中实现。
2020-06-10 stat.ME
Locally Adaptive Conformal Inference for Operator Models
University of Connecticut（康涅狄格大学）；Meta Platforms Inc（Meta平台公司）
提出局部切片共形推断（LSCI），一种无分布框架，为算子模型生成函数值、局部自适应预测集，在合成和实际任务中比共形基线更紧、适应性更强。
2026-06-06 cs.LG stat.ML
Adaptive Monte Carlo Multiple Testing via Multi-Armed Bandits
蒙特卡罗（MC）排列检验被认为是统计假设检验的金标准，特别是当标准参数假设不明确或可能失败时。然而，在需要同时执行大量假设检验的现代数据科学环境中，由于其高昂的计算成本，很少使用它。例如，在全基因组关联研究中，假设检验$m$的数量约为$10^6$，而每个检验的MC样本数量$n$可能大于$10^8$，总计超过$nm$ = $10^{14}$样本。本文提出了自适应MC多重检验（AMT）来估计MC p值，并控制多重检验中的错误发现率。该算法输出与标准全MC方法相同的结果，具有高概率，同时仅需要$\tilde{O}(\sqrt{n}m)$样本。该样本复杂度被证明是最佳的。在Parkinson GWAS数据集上，该算法将完整MC的运行时间从2个月减少到1个小时。基于多臂强盗理论推导了AMT算法。
2019-05-18 cs.IT math.IT q-bio.GN
Adaptive Testing for High-dimensional Data
针对高维数据的全局检验问题，提出了一类基于$L_q$ -范数的U-统计量.这包括均值向量及其空间符号的检验、线性模型系数的同时检验以及高维观测值的分量独立性检验等。在原假设下，我们在温和的矩和累积量条件下，得到了几个$q$的基于$L_q$ -范数的U-统计量之间的渐近正态性和独立性.一个简单的组合，两个学生化的$L_q$为基础的检验统计量，通过其$p$值的建议，并实现对不同稀疏性的替代品的巨大权力。我们的工作是He et al.（2021）的实质性扩展，主要集中在均值和协方差检验上，并且我们设法为广泛的一类内核提供了基于$L_q$ -范数的U-统计量的渐近独立性的一般处理。为了减轻计算负担，我们通过在求和中使用单调指数来引入所提出的U-统计量的变体，从而得到具有非对称核的U-统计量。引入了一种动态规划方法，以减少计算成本从$O(n^{qr})$，这是需要计算的完整的U-统计量，$O(n^r)$，其中$r$是核的顺序。数值研究进一步证实了所提出的自适应测试相比，一些现有的竞争对手的优势。
2023-03-14 math.ST stat.ME stat.TH
Optimal Adaptive Strategies for Sequential Quantum Hypothesis Testing
我们考虑两个量子态之间的序贯假设检验，采用自适应和非自适应策略。在这种设置中，顺序地请求未知状态的样本，并且在每次测试之后做出是继续还是接受两个假设之一的决定。在样本数量有界的约束下，无论是在预期还是高概率，我们表现出自适应策略，最大限度地减少这两种类型的错误识别错误。也就是说，我们表明，这些错误呈指数下降（在停止时间）的衰减率由两个国家之间的测量相对熵。此外，如果我们允许对多个样本进行联合测量，则速率增加到相应的量子相对熵。我们还充分刻画了非自适应策略的可实现误差指数，并提供了数值证据表明，自适应测量是必要的，以实现我们的界限下，一些额外的假设。
2022-02-28 cs.IT math-ph math.IT
On training locally adaptive CP
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
本文提出通过可训练且依赖对象属性的单调变量变换重新定义 CP 一致性度量，从而获得边际有效、宽度局部自适应的预测区间，并用平滑目标直接梯度训练。
2023-06-05 cs.AI cs.LG stat.ML
Sharp adaptive and pathwise stable similarity testing for scalar ergodic diffusions
针对非参数扩散模型中未知漂移与参考漂移的相似性推断问题，提出无需先验违例区域信息的多重检验方法，证明其极小极大最优与自适应性，且对驱动噪声偏离布朗运动的情况（含近布朗运动的分数噪声）具稳健性。
2024-04-16 math.PR math.ST stat.ME
Adaptive testing on a regression function at a point
本文研究了当一个回归函数在零点下满足符号或形状约束时，在某一点上的推断问题。我们提出了一个测试，实现了最佳的极大极小率自适应的范围内的Hölder类，直到一个$\log\log n$长期，我们证明是必要的适应。我们将结果应用于自适应单侧检验的回归不连续性参数下的单调性限制，单调回归函数的值在边界和真实的零假设的比例在多重检验问题。
2015-10-14 math.ST stat.TH
Rank-adaptive covariance testing with applications to genomics and neuroimaging
University of Toronto（多伦多大学）；University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
本文提出Rank-Adaptive Covariance Testing方法，通过利用两组协方差矩阵的低秩结构差异提升检验效能，适用于基因表达网络和扩散张量成像数据的协方差异质性检验。
2025-07-23 math.ST stat.AP stat.ME
Adaptive FDR control under independence and dependence
在多假设检验的背景下，真实零假设在待检验的假设池中的比例$π_0$通常起着至关重要的作用，尽管它通常是先验未知的。为了提高效率而使用该量的隐式或显式估计的测试过程称为自适应。在本文中，我们专注于错误发现率（FDR）的控制问题，我们提出了新的自适应多测试程序与FDR的控制。首先，在假设独立的$p$值的情况下，我们提出了两个新的程序，并给出了一个统一的审查其他现有的自适应程序，已证明控制FDR。我们报告了大量的模拟结果比较这些程序和测试其鲁棒性时，违反独立性假设。拟议的新程序似乎与现有程序具有竞争力。不过，据报道，总体上最好的是Storey的估计量，但参数设置似乎以前没有考虑过。其次，我们提出了自适应版本的升压程序，证明控制FDR下的正依赖和未指定的依赖的$p$值，分别。虽然模拟只显示了在有限的情况下，非自适应程序的改进，这些是我们的知识，在第一个理论上成立的自适应多个测试程序，控制FDR时，$p$值是不独立的。
2009-02-17 math.ST stat.TH
Structure-Adaptive Sequential Testing for Online False Discovery Rate Control
考虑对一系列假设的在线测试，其中必须在下一个数据点到达之前做出实时决策。要求在{all}决策点控制错误率。传统的\emph{simultaneous testing rules}由于更严格的误差约束和缺乏未来数据而不再适用。此外，当总错误预算或阿尔法财富耗尽时，在线决策过程可能会停止。本文提出了一种新的结构--自适应序贯测试（SAST）规则，用于在线错误发现率（FDR）控制。在我们的建议中的一个关键因素是一个新的阿尔法-投资算法，精确地描述了收益和损失的顺序决策。SAST捕获数据流的时变结构，以持续的方式自适应地学习最佳阈值，并优化不同时间段的α财富分配。我们目前的理论和数值结果表明，所提出的方法是有效的在线FDR控制，并实现了显着的功率增益超过现有的在线测试规则。
2020-02-28 stat.ME stat.ML
Locally private non-asymptotic testing of discrete distributions is faster using interactive mechanisms
我们发现分离率测试多项式或更一般的离散分布的约束下的局部差分隐私。我们构建有效的随机算法和测试程序，在这两种情况下，只有非交互式的隐私机制是允许的，也在所有顺序交互式隐私机制是允许的。在后一种情况下，分离速率更快。我们证明一般信息理论界，使我们能够建立我们的算法的最优性之间的所有对隐私机制和测试程序，在大多数情况下。考虑的例子包括测试均匀，多项式和指数递减分布。
2020-05-26 math.ST stat.ME stat.ML
Locally Adaptive Nonparametric Binary Regression
本文提出了一种非参数局部自适应贝叶斯估计器来估计二元回归。通过将二元回归建模为概率单位回归的混合物来获得灵活性，其中每个概率单位回归的参数具有薄板样条，其具有自己的平滑参数，并且混合物权重取决于协变量。估计相比，一个单一的样条估计和最近提出的局部自适应估计。通过将其应用到模拟和真实的例子说明了该方法。
2007-09-21 stat.ME
Locally adaptive step sizes for Hamiltonian Monte Carlo methods
University of Stavanger（斯塔万格大学）；Rutgers University（罗格斯大学）
本文在更一般假设下解释说明Bou-Rabee等人提出的局部自适应步长过程，引入替代误差度量提升MCMC性能，并将该步长扩展至标准HMC等方法，通过数值研究验证所提误差度量的优势。
2026-10-14 stat.CO stat.ME stat.ML
Locally adaptive image denoising by a statistical multiresolution criterion
我们演示了如何选择平滑参数在图像去噪的统计多分辨率标准，全球和本地。以非齐次扩散和全变分正则化为例，提出了一种有效的局部自适应图像去噪方法。正如预期的那样，平滑参数在这个框架中充当边缘检测器。数值例子说明了我们的方法的实用性。我们还提出了一个共聚焦显微镜的应用。
2010-01-29 stat.ME
On the Advances and Challenges of Adaptive Online Testing
近年来，业界对开发自适应在线测试解决方案的兴趣显著增长。虽然与这种相对新的技术相关的进展已经在多个领域中开发，但在文献中缺乏对涉及探索，推理和分析的过程的系统和完整的处理。这篇简短的论文旨在全面了解自适应在线测试，包括各种构建模块和分析结果。我们还讨论了文献中较少提及的最新发展，研究方向和挑战。
2022-03-15 cs.IR stat.ME
Cluster-Adaptive Network A/B Testing: From Randomization to Estimation
A/B测试是产品开发中的一个重要决策工具，用于评估新服务、功能或产品的用户参与度或满意度。A/B测试的目标是估计新变更的平均处理效应（ATE），当用户交互时，这变得复杂。当A/B检验的重要假设，即稳定单位治疗值假设（SUTVA），即每个个体的反应仅受其自身治疗的影响，是不成立的，ATE的经典估计通常会导致错误的结论。在本文中，我们提出了一个簇自适应网络A/B测试过程，其中包括一个顺序的簇自适应随机化和簇调整估计。聚类自适应随机化被用来最小化两个治疗组内的聚类水平Mahalanobis距离，从而可以减小ATE估计的方差。此外，聚类调整估计器用于消除网络干扰引起的偏差，导致一致的估计ATE。数值研究表明，我们的聚类自适应网络A/B测试实现了一致的估计，具有更高的效率。基于真实网络进行了实证研究，以说明我们的方法如何在应用中有利于决策。
2020-08-19 stat.ME
Crackovid: Optimizing Group Testing
我们研究了在COVID-19背景下通常被称为群体测试的问题。鉴于$n$样本取自患者，我们应如何选择待检测样本的混合物，以最大限度地获取信息并减少检测次数？我们考虑自适应和非自适应的策略，并采取贝叶斯方法与前两个感染的患者和测试错误。我们首先提出了一个数学原则的目标，在信息论的基础上。然后，我们使用遗传算法优化非自适应优化策略，并利用自适应子模块化的数学框架，以获得理论保证的贪婪自适应方法。
2020-05-13 cs.LG math.PR stat.ME
Locally Adaptive Bayes Nonparametric Regression via Nested Gaussian Processes
本文提出了一种嵌套高斯过程（nGP）作为贝叶斯非参数回归的局部自适应先验。通过一组随机微分方程（SDEs）指定，nGP对函数的$m$阶导数施加高斯过程先验。嵌套是通过包括局部瞬时均值函数来实现的，该局部瞬时均值函数是从另一个高斯过程中提取的，该过程诱导对局部变化平滑度的自适应性。我们讨论了再生核Hilbert空间的闭包对nGP先验的支持，并考虑了后验的理论性质。后验均值下的nGP事先被证明是相当于一个嵌套的惩罚平方和的最小值，涉及罚款的整体和局部粗糙度的功能。使用高效的马尔可夫链蒙特卡罗的后验推理，所提出的方法在模拟研究相比，几个替代方案，并可扩展到大量的数据，说明通过蛋白质组学应用。
2012-01-20 stat.ME
Adaptive Group Testing with Mismatched Models
准确检测受感染者是阻止任何流行病的关键步骤之一。当疾病的潜在感染率较低时，对人群进行检测，而不是对人群中的每个人进行检测，可能更有效。在这项工作中，我们考虑噪声自适应组测试设计与特定的测试灵敏度和特异性，选择最佳的组给定以前的测试结果的基础上预先选择的效用函数。在以前的研究中，组测试，我们模拟这个问题作为一个连续的贝叶斯最优试验设计（BOED），以适应性地设计每个测试的组。我们分析所需的组测试的数量时，使用更新后的感染状态和相应的互信息（MI）作为我们的效用函数选择新的组。更重要的是，我们研究了群体测试的地面真实噪声的潜在偏见可能会影响群体测试样本的复杂性。
2021-10-05 eess.SP stat.ME
Fast and Locally Adaptive Bayesian Quantile Smoothing using Calibrated Variational Approximations
提出一种贝叶斯分位数趋势滤波方法，利用收缩先验和校准变分近似实现局部自适应的非平稳分位数趋势快速推断，计算效率优于Gibbs采样器且结果稳定。
2023-10-20 stat.ME
Adaptive Testing for Alphas in High-dimensional Factor Pricing Models
本文提出一种基于高维高斯逼近的自适应检验方法，用于在大量资产的线性因子定价模型中检验alpha的存在性，有效提升对稀疏和弱信号的检验力。
2023-05-22 stat.ME
Locally Optimal Design for A/B Testing in the Presence of Covariates and Network Connection
Clemson University（克莱姆森大学）；Illinois Institute of Technology（伊利诺伊理工学院）
本文提出一种考虑协变量和网络连接的A/B测试局部最优设计方法，通过条件自回归模型衡量治疗效应估计方差，并利用混合优化方法实现最优分配。
2022-02-14 stat.ME
Locally Differentially Private Two-Sample Testing
Department of Statistics, University of Warwick（华威大学统计系）
本文提出在局部差分隐私约束下，通过排列程序进行两样本检验的方法，改进了最小最大分离率，并验证了交互性对性能的提升。
2026-02-24 math.ST stat.ME stat.TH
Sparse Recovery With Multiple Data Streams: A Sequential Adaptive Testing Approach
本文提出同步多阶段自适应排序与阈值化（SMART）检验框架，在控制 FPR 与 MDR 的前提下最小化多数据流稀疏恢复的测量总数。
2024-06-14 stat.ME
Estimation and adaptive-to-model testing for regressions with diverging number of predictors
本文所描述的研究是出于模型检验的参数单指标模型与发散的预测。为了构造一个检验统计量，我们首先研究了在零假设和备择假设下，当样本容量样本量趋于无穷大且维数趋于无穷大时，相关参数估计的渐近性质.对于检验问题，我们研究了自适应模型残差标记经验过程作为构造检验统计量的基础。通过修改文献中的方法，以适应发散维数设置，我们构造了一个鞅变换。在零、局部和整体备择假设下，导出了经验过程的弱极限，并研究了检验统计量的渐近性质.进行了模拟研究，以检查测试的性能。
2017-06-23 stat.ME
Adaptive Testing for Alphas in Conditional Factor Models with High Dimensional Assets
针对高维资产条件因子定价模型中的 alpha 检验问题，本文提出最大型检验及其与和型检验结合的自适应检验，并通过理论、模拟和实证验证其优势。
2023-07-18 stat.ME
Locally adaptive smoothing with Markov random fields and shrinkage priors
我们提出了一个局部自适应非参数曲线拟合方法，在一个完全贝叶斯框架内操作。该方法使用收缩先验来诱导潜在趋势函数中k阶差异的稀疏性，从而提供局部自适应和全局控制的组合。使用收缩先验的法线表示的尺度混合，我们使我们的方法和k阶高斯马尔可夫随机场平滑之间的明确连接。我们称之为收缩先验马尔可夫随机场（SPMRF）的过程。我们使用哈密顿蒙特卡罗来近似模型参数的后验分布，因为这种方法在我们的模型所表现出的高维和强参数相关性的存在下提供了优越的性能。我们使用模拟数据比较了三种先验公式的性能，发现马蹄先验提供了偏差和精度之间的最佳折衷。我们将SPMRF模型应用于两个经常用于测试非参数方法的基准数据示例。我们发现，这种方法是足够灵活，以适应各种数据生成模型，并提供了自适应特性和计算的易处理性，使其成为一个有用的除了贝叶斯非参数工具箱。
2017-02-09 stat.ME
Adaptive Strategy of Testing Alphas in High Dimensional Linear Factor Pricing Models
针对高维线性因子定价模型的 alpha 检验，本文提出在稀疏备择下有效的 max 型检验，并利用其与 Pesaran–Yamagata sum 型检验的渐近独立性构造 Fisher 组合检验，实现对稠密与稀疏备择的良好兼顾。
2024-04-10 stat.ME
Analytics of Adaptive Online Testing in Practice Over a Decade
Chuo University（中央大学）；Kurume University（久留米大学）
本文分析了十年实践中自适应在线测试的效率与实用性，探讨了试题数量对测试效果的影响及如何避免受试者疲劳。
2025-11-20 stat.ME
Locally Adaptive Bayesian Isotonic Regression using Half Shrinkage Priors
本文提出一种基于半收缩先验的贝叶斯保序回归方法，通过全局-局部收缩先验和吉布斯采样，实现对目标函数局部突变的适应性估计，并验证了理论性质和实际效果。
2024-02-06 stat.ME
On the Consistency of Bayesian Adaptive Testing under the Rasch Model
本研究针对贝叶斯自适应测验缺乏大样本性质证明的问题，推导了Rasch模型下潜在特质后验分布收敛的条件，验证了先验误设时的稳健性，还提出了匹配最优估计性能的新型选题策略，为该类方法提供了理论支撑。
2024-12-10 stat.AP stat.ME
A Locally Adaptive Shrinkage Approach to False Selection Rate Control in High-Dimensional Classification
分类器的不确定性量化和错误控制在许多高后果决策场景中至关重要。我们提出了一个选择性的分类框架，提供了一个优柔寡断的选择，任何意见，不能与信心进行分类。错误选择率（FSR），定义为所有明确的分类中的错误分类的预期分数，提供了一个有用的错误率概念，权衡了一小部分的犹豫不决，更少的分类错误。我们开发了一类新的局部自适应收缩和选择（LASS）规则FSR控制的背景下，高维线性判别分析（LDA）。LASS易于分析，在稀疏和密集状态下都具有强大的性能。FSR控制的理论保证建立在没有强大的假设稀疏所需的现有理论在高维LDA。LASS的经验性能进行了研究，使用模拟和真实数据。
2022-10-09 math.ST stat.ME stat.TH
Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design
Google（谷歌）
当一种疾病的感染率较低时，Dorfman在80年前就证明了对人群进行检测比对个体进行检测更有效。我们在本文中的目标是提出新的组测试算法，可以在嘈杂的环境中运行（测试可能会出错），以自适应地决定（查看过去的结果）下一步测试哪些组，目标是尽快收敛到一个良好的检测，并尽可能少的测试。我们把这个问题作为一个贝叶斯序贯试验设计问题。使用$n$患者的感染状态向量的后验分布，考虑到迄今为止进行的观察试验，我们寻求形成具有最大效用的组。我们考虑了互信息等效用，但也考虑了与测试更直接相关的量，例如测试的ROC曲线的AUC。实际上，$\{0,1\}^n$上的后验分布由序贯蒙特卡罗（SMC）采样器近似，效用由贪婪优化器最大化。我们的程序在模拟中显示了自适应和非自适应基线的显着改善，并且在疾病患病率较低时比单独测试更有效。此外，我们经验表明，循环的信念传播（LBP），广泛认为是SoTA解码器，以决定一个人是否被感染或没有以前的测试，可以是不可靠的，并表现出振荡行为。我们的SMC解码器是更可靠的，并可以提高其他组测试算法的性能。
2020-07-22 cs.LG stat.AP stat.ME
The No-Underrun Sampler: A Locally-Adaptive, Gradient-Free MCMC Method
本文提出无下冲采样器（NURS），一种无需梯度的局部自适应MCMC方法，融合Hit-and-Run与No-U-Turn思想，理论保证可逆性及收敛性，实验成功采样Neal漏斗多尺度分布。
2025-02-25 math.PR math.ST stat.ME
Towards practical PDMP sampling: Metropolis adjustments, locally adaptive step-sizes, and NUTS-based time lengths
Université de Strasbourg（斯特拉斯堡大学）；University of Bristol（布里斯托大学）；Queensland University of Technology（昆士兰科技大学）
针对PDMP采样需要计算模型特定界限的难题，提出Metropolis调整近似、自适应步长机制和NUTS启发的路径长度选择，集成得到双重自适应PDMP采样器，提升鲁棒性和效率。
2026-06-19 math.PR math.ST stat.CO
