跳转至

2026-05-21 每日 arXiv 资讯

  • 高相关论文 3 篇 · 中相关 11 篇 · 其他 13 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 1 篇)

1. 2605.20359 — The Harmonic Synthetic Control Method

  • 作者: Ziyi Liu, Yiqing Xu
  • 相关性 8/10 · novelty: new_method
  • 摘要: 在面板数据的合成控制（SC）设定下，当结果序列含单位特定随机趋势时，传统 SC 易产生虚假匹配，而差分或预过滤会丢弃共享的非平稳变异。本文提出调和合成控制（HSC），通过软分配机制联合估计供体权重与处理单元的平滑残差，并利用时间序列预测器外推残差至干预后时期。调节参数由滚动原点交叉验证选定，控制匹配与预测的分配比例，使 HSC 在差分 SC 与带截距/趋势的原始 SC 之间连续插值。谱域解释表明 HSC 在供体匹配中降权低频残差成分并将其分配给预测分支；预测误差分解则将权重估计扭曲与残差预测误差分离。蒙特卡洛实验显示 HSC 在随机趋势以共性或异质性为主的机制下均能自适应。对您有用：为纵向因果推断（面板 SC）的非平稳性问题提供谱域视角的软分配方案，其误差分解思路可迁移至其他纵向因果方法的敏感性分析。
  • 关键技术: synthetic control method, stochastic trends, spectral interpretation, soft allocation mechanism, prediction-error decomposition, rolling-origin cross-validation
  • 为什么对您有用: 直接推进了纵向因果推断（面板数据 SC）中非平稳趋势下的估计问题，其谱域降权与预测误差分解框架对您在因果推断敏感性分析及纵向数据模型构建有迁移价值。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2605.19364 — Optimal Spectral Algorithms for Correlated Two-view Models in High Dimensions

  • 作者: Hang Du, Henry Hu, Saba Lepsveridze
  • 相关性 9/10 · novelty: new_theory
  • 摘要: 本文研究高维相关双视角模型中的谱推断问题，目标是在 spiked 结构下实现 strong detection 与 weak recovery。作者基于统计物理中的 TAP-type heuristic 提出统一框架，覆盖三个经典模型：高维典型相关分析（CCA）、correlated spiked Wigner 模型与 correlated spiked Wishart 模型。核心贡献是在三个设定下构造显式谱算法，在达到相应信息论下界的阈值处即可实现 strong detection 与 weak recovery，且算法无需已知模型参数、仅依赖观测数据。理论结果证明了谱方法在这些模型中的最优性，并揭示了统计-计算之间无 gap。对您可能有用：该文将 RMT spiked 模型与 TAP 变分框架结合，给出谱算法的精确阈值与最优性证明，直接关联您的高维统计与 RMT 兴趣，并为理解统计-计算 tradeoff 提供了一个无 gap 的基准案例。
  • 关键技术: TAP-type heuristic, spiked Wigner model, spiked Wishart model, high-dimensional CCA, spectral algorithm, information-theoretic lower bound
  • 为什么对您有用: 直接关联您的高维统计与 RMT 兴趣：给出 spiked 结构下谱方法的精确阈值与最优性证明，且统计-计算无 gap，可作为理解 computationally constrained statistics 的基准入门案例。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2605.21360 — Linear Functional Testing with General Loadings in Sparse Regression: Separation Rates and Computational Barriers

  • 作者: Jie Xie, Dongming Huang
  • 相关性 9/10 · novelty: new_theory
  • 摘要: 在高维稀疏线性回归（Gaussian 随机设计，未知协方差）中，研究任意 loading ξ 下线性泛函 H_0: ξ^⊤β=t_0 的检验问题，要求在 k_u-sparse null 下控制 Type I error，对 k-sparse alternatives 评估功效。构造了计算可行的 mixed test 给出 adaptive separation distance 上界，并建立了基于 ξ 幅度轮廓的信息论下界。在 ultra-sparse 区域 (k_u≲√n/log p)，上下界至 log 因子匹配，刻画了 adaptive separation rate；在 moderately sparse 区域，对部分 ξ 匹配但一般情形有差距。该区域进一步证明了与上界匹配的 low-degree lower bound，并对 flat sparse loadings 给出从 sparse CCA 的多项式时间归约，表明超越 mixed test 速率若统计可能则计算困难。在 signed-spiked 协方差下，信息论下界可由不可行程序达到但 low-degree 下界仍成立，证实了 stat-comp gap。
  • 关键技术: adaptive separation distance, low-degree polynomial lower bound, sparse CCA reduction, mixed test, high-dimensional hypothesis testing, statistical-computational gap
  • 为什么对您有用: 直接连接您的高维假设检验与 stat-comp tradeoff 兴趣，是理解 low-degree barrier 与 planted reduction 在经典检验中如何刻画 info-computation gap 的绝佳 gateway reading。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 2 篇)

1. 2605.21367 — Correlated Random Coefficient Distributions in Linear Panel Models

  • 作者: Irene Botosaru, James L. Powell
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在短面板线性模型中研究相关与无关随机系数的分布识别问题，其中相关系数可任意依赖可观测回归变量，而无关系数与它们独立，且不对误差项的时间序列结构做限制。对常规设计，相关系数分布通过反卷积（deconvolution）论证实现非参数识别；对不规则设计，利用基于stayer（近奇异回归矩阵实现）的论证完成识别。估计方面，提出两步最小距离筛估计器（two-step minimum distance sieve estimator），并用交叉验证选择调谐参数。实证应用于条件现金转移RCT项目的卡路里-支出弹性，揭示弹性分布存在显著异质性（大量质量集中于零附近及不可忽视的负值）。对您有用：为面板数据中异质性因果效应（随机系数）的非参数识别与筛估计提供了完整框架，直接连接因果推断的identification与半参数筛估计理论。
  • 关键技术: random coefficient model, deconvolution identification, stayer-based argument, minimum distance sieve estimator, cross-validation, heterogeneous treatment effects
  • 为什么对您有用: 直接连接因果推断中的异质性效应识别与半参数筛估计理论，且实证部分（条件现金转移RCT）为经济理论secondary interest提供了真实数据与结构因果模型范例。

2. 2605.20601 — Endogenous Quantile Regression with Measurement Error in Dependent Variable

  • 作者: Xuanjing Su
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在三角系统（triangular system）的因果框架下，研究因变量含加性测量误差且存在内生回归变量的分位数回归问题，目标 estimand 为条件分位数系数函数及全部分布参数。采用 control-function 方法处理内生性，证明在非参数设定下条件分位数系数函数与所有分布参数可非参数识别——这是 constructive identification 结果。基于此识别策略提出两步 sieve ML 估计量：第一步估计 control function，第二步以 copula 权重嵌入生成的 control 变量做 sieve 似然最大化。当分位数网格节点数以适当速度增长时，估计量一致且渐近正态（n^{-1/2}-CAN），允许 bootstrap 推断。Monte Carlo 模拟表明相对于忽略内生性与测量误差的现有方法，该估计量显著减少偏差。对您有用：将 control-function/IV 思路与 sieve 半参数估计结合处理内生性+测量误差，与您在 causal inference（IV/内生性）及 semiparametric theory（sieve estimation）两个 primary interest 直接相关。
  • 关键技术: control function approach, sieve ML estimation, triangular system identification, copula weighting, generated regressor asymptotics, bootstrap inference
  • 为什么对您有用: 直接连接 causal inference 的 IV/内生性设定与 semiparametric theory 的 sieve 估计；对处理因变量测量误差下的分位数因果效应估计提供了新的 identification + estimation 路径，可迁移至您关注的 proximal CI 或 IV 敏感性分析场景。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2605.21860 — Robust Statistical Estimators with Bounded Empirical Sensitivity

  • 作者: Valentio Iverson, Gautam Kamath, Argyris Mouzakis, Adam Smith
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文提出了一种新的鲁棒性度量——经验敏感性（empirical sensitivity），定义为在高概率下，当数据集中最多ηn个点被篡改后，估计量变化的上确界。研究聚焦于高维高斯均值估计问题，目标是刻画估计量在对抗性污染下必然承受的偏差下界。作者证明，任何达到最优ℓ₂误差O(√(d/n))的估计量，其经验敏感度至少为Ω(η+√(ηd/n))，其中两项分别来自均值和方差层面的本质障碍（借助Efron-Stein不等式论证）。进一步地，结合现有鲁棒均值估计方法，该下界在对数因子意义下是紧的。技术核心包括Efron-Stein不等式、minimax最优性分析以及鲁棒统计的联合界技巧。该结果对您的高维统计与假设检验研究具有参考价值：它揭示了高维鲁棒估计中稳健性与精度之间的基本张力，为设计可对抗污染的高维假设检验统计量提供了理论下限。
  • 关键技术: Empirical sensitivity, Gaussian mean estimation, Efron-Stein inequality, Minimax lower bound, Robust statistics
  • 为什么对您有用: 直接关联高维统计中的均值估计理论，其敏感性下界对理解高维假设检验的鲁棒性有基础性指导价值，也属于统计鲁棒性这一您可能关注的方向。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2605.19648 — Influence as soft sparsity: Estimation of monotone functions on \(\{0,1\}^d\)

  • 作者: Gérard Biau
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究在布尔超立方体 {0,1}^d 上从均匀随机顶点的噪声观测中估计单调函数 f 的问题，目标 estimand 为 f 本身，关键假设为 f 单调且总 L^1-影响 I(f)≤K。核心机制利用布尔分析中的 Friedgut junta 定理精神：I(f)≤K 的单调函数之 Fourier 谱集中在低阶影响坐标子集上，从而实现“软稀疏”——有效维度由 K 而非 d 控制。提出的 Fourier thresholding estimator 自适应未知 K，在 log d≤n^{1-ε} 条件下达到均匀于 d 的上界 C K / √(log n)；下界 c K² / (log n)^{3/2} 通过超立方体中间层的 Varshamov–Gilbert packing 与 Fano 不等式构造。上下界在 K 与 n 的依赖上仍有间隙，但首次将 L^1-影响作为复杂度度量引入 minimax 分析。对您有用：将 Boolean influence 作为软稀疏度替代硬稀疏（junta 维度），与您在 semiparametric / nonparametric efficiency 中用影响函数刻画有效维度的思路有概念共鸣；Fano + packing 的下界技术也可迁移到您的高维 hypothesis testing 研究。
  • 关键技术: Boolean Fourier analysis, Friedgut junta theorem, L^1-influence as soft sparsity, Fourier thresholding estimator, Varshamov-Gilbert packing, Fano's inequality
  • 为什么对您有用: 将 Boolean influence 作为软稀疏度替代硬稀疏（junta 维度），与您在 semiparametric / nonparametric efficiency 中用影响函数刻画有效维度的思路有概念共鸣；Fano + packing 的 minimax 下界技术可迁移到您的高维 hypothesis testing 研究。

2. 2605.21365 — \(L^2\) over Wasserstein: Statistical Analysis for Optimal Transport

  • 作者: Riccardo Passeggeri, Rohan M. Shenoy, Pengcheng Ye
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文在随机概率测度设定下构建最优传输的统计推断框架，核心 estimand 是 Wasserstein 空间上的距离与梯度流，关键假设为经验测度在 Wasserstein 距离下的收敛性。作者引入 L² over Wasserstein 空间，证明其继承 Wasserstein 空间的形式 Riemannian 结构并刻画距离与 geodesic 几何；在该结构下随机流具有 Wasserstein 梯度流样本路径，自然扩展确定性梯度流动力学。利用经验测度，作者在 L² over Wasserstein 框架下统一了最优传输工具的统计收敛结果；在 Bayesian 非参数设定下将 Schwartz 一致性定理精细化到 Wasserstein 拓扑，推导后验收敛性。最后将 transformer 中随机 token 采样与 self-attention 流路径嵌入该框架。对您可能有用：该工作为 Wasserstein 空间上的非参数推断提供形式化 Riemannian 结构与后验收敛理论，可迁移至您关注的 semiparametric/nonparametric 效率界与 Bayesian 非参数一致性分析。
  • 关键技术: Wasserstein space Riemannian structure, L² over Wasserstein space, Wasserstein gradient flow, Bayesian nonparametric posterior convergence, Schwartz consistency theorem refinement, random token sampling in transformers
  • 为什么对您有用: 直接连接您 primary interest 中的 semiparametric/nonparametric 理论：为 Wasserstein 空间上的非参数推断提供形式化几何结构与后验收敛结果，可借鉴其 Schwartz 定理精细化思路至效率界与一致性分析。

效率理论 / Debiased ML (efficiency_dml, 1 篇)

1. 2605.20572 — Minimax unbiased estimation for finite populations with bounded outcomes

  • 作者: P. M. Aronow, Patrick Lopatto
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 在有限总体抽样设定下，目标为设计无偏估计总体总量 ∑y_i，已知个体结局有界 y_i∈[a_i,b_i]。对任意包含概率 π_i>0 的抽样设计，作者证明了在矩形参数空间上 worst-case 平方误差的 sharp minimax 下界，且该下界可达当且仅当单元包含指示变量 pairwise independent，此时 minimax 估计量为 midpoint-differenced Horvitz-Thompson 估计量 ∑m_i+∑_{i∈S}(y_i-m_i)/π_i（m_i=(a_i+b_i)/2）。进一步在约束 ∑π_i≤n 下求解联合设计与估计问题：minimax 策略以概率 π_i^*=min(1,c(b_i-a_i)) 独立抽取单元并使用 midpoint-differenced 估计量，将 Gabler (1990) 的线性 minimax 结果推广至全部设计无偏估计类。还证明了该估计量在无偏估计类中 admissible 且 affine equivariant。对您有用：这是 finite-population 框架下 sharp minimax bound 与最优设计的完整刻画，与您 efficiency theory（minimax rate / sharp bound）兴趣直接相连，可作为 bounded-outcome 设定下 minimax 效率理论的参考范式。
  • 关键技术: sharp minimax lower bound, midpoint-differenced Horvitz-Thompson estimator, pairwise independence characterization, joint design-and-estimation optimization, admissibility among unbiased estimators
  • 为什么对您有用: 直接关联您 efficiency theory 兴趣中的 minimax sharp bound 与最优估计量刻画；finite-population bounded-outcome 设定下的完整 minimax 解可作为对比参照，启发您在 semiparametric / high-dim 设定下类似 sharp-bound 思路。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 2605.20099 — A Goodness-of-Fit Test for Independent Component Models in High Dimensions

  • 作者: Mingshuo Liu, Siyao Wang, Miles E. Lopes
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在 d/n → γ 的高维比例极限设定下，本文针对独立成分（IC）模型提出拟合优度检验，目标 estimand 是数据与 IC 模型的兼容性，关键假设是维度与样本量同阶增长且无需预白化。核心方法构造了一种绕过预白化步骤的检验统计量，避免了高维下协方差矩阵估计对检验功效与适用性的瓶颈。理论证明了在比例极限下检验的 Type-I error 控制（validity guarantee），填补了高维 IC 模型 GoF 检验的理论空白。数值实验与基因表达数据验证了 size/power 表现。对您有用：直接连接您的高维假设检验与 higher-order U-statistics 兴趣——Lopes 的高维检验多基于 U-statistic 投影，本文是该框架在 IC 模型上的新拓展，提供了高维 GoF 绕过预白化的具体技术路线。
  • 关键技术: goodness-of-fit test, independent component model, high-dimensional proportionality limit, pre-whitening avoidance, high-dimensional test statistic
  • 为什么对您有用: 直接连接您的高维假设检验与 higher-order U-statistics 兴趣；Lopes 团队的高维 GoF 检验通常基于高阶 U-statistic 构造，本文是该框架在 IC 模型上的新拓展，提供了高维下绕过预白化步骤的具体技术路线与理论保证。

2. 2605.20012 — Testing Heteroskedasticity Under Measurement Error

  • 作者: Xiaojun Song, Jichao Yuan
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种在回归自变量存在测量误差时检验异方差性的新方法。设定为经典线性回归模型，协变量观测值含有加性测量误差，目标是检验误差方差是否恒定。受积分条件矩（ICM）方法启发，构造基于去卷积残差标记经验过程的检验统计量，并在测量误差分布已知（分为普通光滑和超光滑情形）下建立了渐近性质。针对测量误差分布未知的情况，利用重复测量数据估计其特征函数，并引入乘子bootstrap方法获得临界值，同时成功校正了参数估计效应。模拟和关于玉米产量与家庭预算份额的实证研究表明检验具有良好的有限样本表现。该工作对您从事的假设检验方向有直接参考价值，尤其为存在测量误差时异方差性检验提供了一个严谨的理论框架和实用的bootstrap计算方案。
  • 关键技术: deconvolved residual-marked empirical process, integrated conditional moment (ICM) approach, multiplier bootstrap, measurement error characteristic function estimation, ordinary smooth and supersmooth cases
  • 为什么对您有用: 与您的 primary interest 中的 hypothesis testing 高度相关，直接处理测量误差情形下的异方差检验问题，拓展了经典检验方法的应用范围，并提供了实用的 bootstrap 实现；对因果推断中涉及测量误差的稳健推断也有间接启发。

天体统计 (astrostats, 2 篇)

1. 2605.21531 — Fisher Information Velocity: A New Geometric Channel for Precision Glitch Identification in Gravitational-Wave Detectors

  • 作者: James Kennington, Zach Yarbrough
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在引力波探测器的非平稳噪声环境下，目标是区分仪器瞬态干扰与天体物理信号，传统基于能量的指标（如 BLRMS）易混淆全局幅度变化与谱形重构。本文提出 Fisher 信息速度，将探测器功率谱密度（PSD）建模为 Riemannian 流形上的点，通过外代数计算切向量发散角 sinθ，从数学上解耦能量激增与谱形扭曲。基于此构建 sgn-drift 流式计算管线，对约 40 小时 Advanced LIGO O4a 数据提取 28 万余个流形速度样本。相空间映射揭示严重非平稳性的双峰分类（87.2% 结构枢轴 vs 12.8% 各向同性激增），几何通道在 74% 共检事件中显著性高于 BLRMS，且对真实引力波事件具有鲁棒不敏感性。对您有用：作为 astrostats 入门，它清晰展示了引力波 DetChar 的核心痛点与数据结构，并将 Fisher 信息与 Riemannian 几何应用于谱形异常检测，直接桥接您对效率理论与天文数据分析的双重兴趣。
  • 关键技术: Fisher information velocity, Riemannian manifold of PSD, exterior algebra tangent divergence, streaming pipeline (sgn-drift), band-limited RMS (BLRMS), detector characterization (DetChar)
  • 为什么对您有用: 作为天文统计入门，清晰展示了引力波 DetChar 的核心痛点与数据结构；同时将 Fisher 信息与 Riemannian 几何应用于谱形异常检测，直接桥接您对效率理论（Fisher info）与 astrostats 的双重兴趣。

2. 2605.22162 — Spectra as Language: Large Language Models for Scalable Stellar Parameter and Abundance Inference

  • 作者: Hai-Ling Lu, Yu-Yang Li, Yin-Bi Li, Cun-Shi Wang, A-Li Luo, Jun-Chao Liang et al.
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出将恒星光谱视为连续序列信号，利用大语言模型（LLM）的两阶段框架推断恒星物理参数（有效温度、表面重力、金属丰度及约20种化学元素丰度）。传统特征提取或模型拟合在高维海量光谱数据上面临泛化差与计算效率瓶颈，作者将光谱离散化为序列后直接输入预训练LLM，利用其自注意力机制进行特征学习与参数回归。Scaling-law 分析表明随数据量增加性能系统性提升，为未来大规模光谱巡天提供可扩展推断框架。对您而言，此文作为 astrostats 入门阅读展示了光谱数据结构（连续序列、高维、噪声）与模型假设（序列化、预训练迁移），但方法学 novelty 有限（LLM 直接套用），主要价值在于数据侧与问题设定。
  • 关键技术: large language model transfer, spectral sequence discretization, two-stage inference framework, scaling-law analysis, stellar parameter regression
  • 为什么对您有用: 作为 astrostats 入门阅读，清晰展示了恒星光谱数据结构（连续序列、高维、噪声）与推断目标（温度、重力、丰度），但方法学 novelty 有限（LLM 直接套用），主要价值在于数据侧与问题设定。

其他 (other, 1 篇)

1. 2605.20739 — Revisiting the Misspecified Cramér-Rao Bound

  • 作者: Malaak Khatib, Nadav Harel, Joseph Tabrikian, Tirza Routtenberg
  • 相关性 7/10
  • 摘要: 在参数估计模型误设(model misspecification)设定下，本文重新审视了误设Cramér-Rao下界(MCRB)的理论基础，目标是为MCRB提供严格的估计量类刻画与可达性条件。作者首先指出仅基于局部误设无偏性(local misspecified unbiasedness)的朴素MCRB一般不紧且可能不可达；随后引入"逐点等价模型"(pointwise equivalent models)概念，通过对这些模型最大化朴素下界，重构了经典MCRB，并给出了构造性推导、估计量类的显式刻画及等式条件(equality condition)。最后定义了"有效误设估计量"(efficient misspecified estimator)，并证明若其存在则由误设极大似然(MML)估计量实现。该工作填补了MCRB长期缺乏估计量类严格刻画的空白，对您研究效率理论（尤其是efficiency bounds在模型误设下的推广与可达性分析）提供了新的构造性视角。
  • 关键技术: misspecified Cramér-Rao bound, pointwise equivalent models

🗂 其他论文（仅 LLM 评分，未生成摘要）

未生成中文摘要的论文，按 LLM 评分由高到低排列，仅保留评分与简评，便于回溯查全。一般为相关性低于展示阈值者；个别历史页也含当时因单日摘要上限未展开的高分篇目（评分仍清楚标着）。

1. 2605.22062 — A Circular Chatterjee's Correlation Coefficient

  • 作者: Sourav Majumdar
  • 相关性 3/10
  • 评分理由: 非参数关联度量但局限于圆形数据，与核心兴趣（因果推断、高维、效率理论）无实质联系。

2. 2605.20550 — Kernel Density Estimation under \(C^{1,1}\) Regularity: AMISE, Weak Curvature, and Plug-in Bandwidths

  • 作者: Alireza Kabgani, Elaheh Lotfian
  • 相关性 3/10
  • 评分理由: KDE在C^{1,1}条件下的AMISE与带宽选择，属于非参数理论但非常具体且与研究者核心方向无实质连接。

3. 2605.19989 — Error Bounds for Importance Sampling with Estimated Proposal Distributions

  • 作者: Cathrine Aeckerle-Willems, Ilja Klebanov, Simon Weissmann
  • 相关性 3/10
  • 评分理由: Non-asymptotic bounds for importance sampling with estimated proposals has mild overlap with statistical computing but little connection to primary interests.

4. 2605.22407 — Hostless extragalactic transients in Fink: Results from the ELEPHANT pipeline

  • 作者: R. Durgesh, P. J. Pessi, E. E. O. Ishida, J. Peloton
  • 相关性 3/10
  • 评分理由: 天文瞬变事件过滤管线，偏工程实现而非统计方法论；对外行不够友好，数据/模型层面未清晰展开。

5. 2605.22400 — STARFIRE-2: Can we detect the global redshifted 21-cm signal from the cosmic dawn in Earth orbit?

  • 作者: Yogen Pranesh, Mayuri Sathyanarayana Rao, Saurabh Singh
  • 相关性 3/10
  • 评分理由: 宇宙黎明21-cm信号探测可行性评估，偏物理/工程分析；虽有科学大问题但统计建模层面薄弱，对外行不友好。

6. 2605.20518 — Mapping Cosmological Signal Scales to Beam Calibration Requirements in 21cm Experiments and Implications for Near-Field Measurement

  • 作者: Daniel C. Jacobs
  • 相关性 3/10
  • 评分理由: 21cm实验束校准需求与系统误差，涉及测量精度问题但偏仪器物理，统计模型层面未充分展开。

7. 2605.19482 — Methodological Synergies between Technosignature and UHE Neutrino Searches

  • 作者: Paramita Dasgupta
  • 相关性 3/10
  • 评分理由: Cross-community methodology transfer paper within astronomy; the shared statistical problem (rare signal detection of unknown morphology) is relevant but no new statistical theory or method is developed.

8. 2605.21416 — Data driven extreme value distribution estimation: Derivation of the Mean Integrated Squared Error, optimal bandwidth selection and stability conditions

  • 作者: Michael Sandbichler, Tobias Hell
  • 相关性 2/10
  • 评分理由: 极值分布的核估计与带宽选择，属于非常小众的非参数问题，与研究者核心兴趣几乎无关。

9. 2605.20541 — Finite-Sample Bounds for Expected Signature Estimation under Weak Dependence

  • 作者: Bryson Schenck
  • 相关性 2/10
  • 评分理由: Rough-path expected signature estimation is tangential to the researcher's core interests in causal inference, high-dim statistics, and computational tradeoffs.

10. 2605.20880 — Down going muon rate monitoring in the ANTARES detector

  • 作者: K. Gracheva, M. Anghinolfi, V. Kulikovskiy, E. Shirokov, Y. Yakovenko
  • 相关性 2/10
  • 评分理由: 中微子探测器μ子率监测，纯物理探测器论文，无统计方法论内容，对外行不友好。

11. 2605.19900 — Uniform projection designs under the stratified \(L_2\)-discrepancy

  • 作者: Sixu Liu, Yaping Wang
  • 相关性 1/10
  • 评分理由: Uniform projection designs for space-filling experimental design is unrelated to the researcher's listed interests.

12. 2605.20714 — Data Formats and Visualisation BoF

  • 作者: Keith Shortridge
  • 相关性 1/10
  • 评分理由: 天文数据格式讨论（FITS等），无统计内容，纯软件/标准议题。

13. 2605.19459 — Spectro Capture: A Software System for Automated Small-Observatory Spectroscopy

  • 作者: Paul Luckas
  • 相关性 1/10
  • 评分理由: Pure software-engineering paper for observatory automation; no statistical methodology, modeling, or data-analysis content relevant to the researcher's interests.

Maintained by 陈星宇 · Homepage · Source on GitHub

评论