跳转至

2026-06-01 每日 arXiv 资讯

  • 高相关论文 8 篇 · 中相关 17 篇 · 其他 18 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. 2605.31443 — Modeling Covariate Transition for Efficient Estimation of Longitudinal Treatment Effects in Randomized Experiments

  • 作者: Naoki Chihara, Tatsushi Oka, Yasuko Matsubara, Yasushi Sakurai, Shota Yasui
  • 分类: stat.ME · cs.LG · econ.EM · math.ST · stat.TH
  • 相关性 8/10 · novelty: new_method
  • 摘要: 在纵向随机化实验的静态干预设定下，本文目标是利用中间结果与随时间演化的后干预协变量轨迹来估计纵向处理效应。作者提出基于 transition kernel 的回归调整框架，通过建模协变量转移来捕捉效应何时出现及持续多久，突破了传统回归调整仅关注平均效应的局限。所提估计量被证明具有渐近正态性，并推导出了该模型下的 semiparametric efficiency bound，从而支持更高效的统计推断。模拟与日本流媒体平台 A/B 测试实证展示了方差缩减与推断增益。对您可能有用：本文将 longitudinal causal inference 的效率理论与 transition kernel 建模结合，直接触及您 primary interest 中的纵向因果推断与 semiparametric efficiency bound 方向。
  • 关键技术: regression adjustment, transition kernel, semiparametric efficiency bound, asymptotic normality, longitudinal treatment effect, variance reduction
  • 为什么对您有用: 本文直接连接您 primary interest 中的 longitudinal causal inference 与 semiparametric efficiency bound 子方向，推导了含 transition kernel 结构下的效率界。您武器库中 very_familiar 的 estimation theory in causal inference 与 moderately_familiar 的 semiparametric theory 可直接用来审视其 efficiency bound 是否紧、influence function 构造是否完备。Follow-up 判断：立即可做——用您熟悉的 semiparametric efficiency 理论验证其 bound 的可达性，并可探索将该框架拓展至 dynamic regime 或 sensitivity analysis。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 2605.30609 — Rectified Linear Unit Regression

  • 作者: Tatsushi Oka
  • 分类: econ.EM · math.ST · stat.AP · stat.ME · stat.TH
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出 ReLU regression 框架，用于直接估计条件分布函数的积分泛函（integrated conditional distribution function），目标参数在 mild distributional 假设下被 identification，且允许非连续 outcome。核心机制是将 ReLU 变换后的 outcome 投影到协变量上，得到 closed-form estimator；其 population regression function 即为积分条件分布函数，再经 Legendre-Fenchel 变换（convex conjugate）恢复积分条件分位数函数。理论方面，建立了 estimator 的 uniform asymptotic distribution，并通过 Hadamard directionally differentiable map 的 delta method 为 conjugate functional 构造 inference。应用上，基于上述结果实现了任意概率子区间上平均分位数处理效应（average quantile treatment effects）的 identification 与 inference，拓展了分布参数的可估计范围。对您可能有用：该框架为分布/分位数处理效应提供了 closed-form、uniform inference 的 semiparametric 估计路径，直接连接因果推断中分布效应估计与 semiparametric efficiency 理论。
  • 关键技术: ReLU transformation, Legendre-Fenchel transformation, integrated conditional distribution function, Hadamard directionally differentiable delta method, uniform asymptotic distribution, average quantile treatment effects
  • 为什么对您有用: 直接连接因果推断中分布/分位数处理效应（distributional treatment effects）的 identification 与 inference 子方向，以及 semiparametric theory 中 Hadamard directional differentiability 的 inference 工具。您 very_familiar 的 nonparametric statistics 与 moderately_familiar 的 semiparametric theory / identification theory 足以切入：可以探讨该 closed-form estimator 相对于 kernel/sieve 方法的 minimax rate 优劣，或用 HOIF 视角分析其是否达到 semiparametric efficiency bound。立即可做：用 very_familiar 的 minimax bounds 工具验证其 uniform rate 是否 sharp，或用 moderately_familiar 的 semiparametric theory 检查其 influence function 与 efficiency bound。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)

1. 2605.31583 — Sharp minimax risks and phase transitions in sparse submatrix detection

  • 作者: Subhajit Goswami, Rajarshi Mukherjee
  • 分类: math.ST · math.PR · stat.TH
  • 相关性 9/10 · novelty: sharper_rate
  • 摘要: 在 \(N\times N\) 噪声矩阵中检测 \(n\times n\) 稀疏升高均值子矩阵的假设检验问题，设定 \(N=n^{1+\alpha}\)，研究 minimax risk 在整个二维相图中的精确渐近率。经典工作仅给出 0-1 检测边界，本文在边界之上定出了风险超指数衰减的精确指数，在边界之下定出了风险趋于 1 的精确多项式阶（至绝对常数），并在边界线上证明极稀疏情形（\(n\) 固定、\(N\to\infty\)）的 minimax risk 收敛到非退化常数 \(1/2\)。各相区的 sharp asymptotics 在临界线 \(\alpha+\delta=1/2\)（\(\delta\) 为距边界的带符号距离）处发生形式切换；上界由校准的 scan/sum test 达到，下界依赖针对各相区精细选取变量的 refined second-moment method。结果亦推广至 tensor 设定。对您有用：本文的 sharp minimax rate 与相变分析直接推进了高维假设检验的数学统计理论，且 tensor 推广触及您 higher-order U-stat / tensor contraction 的技术视角。
  • 关键技术: minimax hypothesis testing, sharp detection boundary, refined second-moment method, scan statistic, sum test, sparse submatrix detection
  • 为什么对您有用: 直接推进您 primary interest 中 mathematical statistics (hypothesis testing) 与 high-dimensional statistics 的 minimax 理论，给出了超越 0-1 边界的精确率。您可用 very_familiar 的 minimax bounds 工具审视其下界证明策略，并用 moderately_familiar 的 higher-order U-statistics / tensor contraction 视角审视其 tensor 推广中多项式统计量的计算代价与检验效力关系。立即可做：用现有 minimax 与 high-dim asymptotics 武器即可复现并延伸其 scalar/tensor 检验的 rate 分析。

2. 2605.31583 — Sharp minimax risks and phase transitions in sparse submatrix detection

  • 作者: Subhajit Goswami, Rajarshi Mukherjee
  • 分类: math.ST · math.PR · stat.TH
  • 相关性 9/10 · novelty: sharper_rate
  • 摘要: 在 \(N\times N\) 噪声矩阵中检测 \(n\times n\) 稀疏升高均值子矩阵的假设检验问题，设定 \(N=n^{1+\alpha}\)，研究 minimax risk 在整个二维相图中的精确渐近率。经典工作仅给出 0-1 检测边界，本文在边界之上定出了风险超指数衰减的精确指数，在边界之下定出了风险趋于 1 的精确多项式阶（至绝对常数），并在边界线上证明极稀疏情形（\(n\) 固定、\(N\to\infty\)）的 minimax risk 收敛到非退化常数 \(1/2\)。各相区的 sharp asymptotics 在临界线 \(\alpha+\delta=1/2\)（\(\delta\) 为距边界的带符号距离）处发生形式切换；上界由校准的 scan/sum test 达到，下界依赖针对各相区精细选取变量的 refined second-moment method。结果亦推广至 tensor 设定。对您有用：本文的 sharp minimax rate 与相变分析直接推进了高维假设检验的数学统计理论，且 tensor 推广触及您 higher-order U-stat / tensor contraction 的技术视角。
  • 关键技术: minimax hypothesis testing, sharp detection boundary, refined second-moment method, scan statistic, sum test, sparse submatrix detection
  • 为什么对您有用: 直接推进您 primary interest 中 mathematical statistics (hypothesis testing) 与 high-dimensional statistics 的 minimax 理论，给出了超越 0-1 边界的精确率。您可用 very_familiar 的 minimax bounds 工具审视其下界证明策略，并用 moderately_familiar 的 higher-order U-statistics / tensor contraction 视角审视其 tensor 推广中多项式统计量的计算代价与检验效力关系。立即可做：用现有 minimax 与 high-dim asymptotics 武器即可复现并延伸其 scalar/tensor 检验的 rate 分析。

3. 2605.31465 — The Nonparametric Kiefer-Weiss Problem

  • 作者: Michael Fauss, H. Vincent Poor, Abdelhak M. Zoubir
  • 分类: math.ST · cs.IT · math.IT · stat.TH
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文提出并求解了非参数 Kiefer-Weiss 问题：在给定序列空间上对所有可能分布取最大期望样本长度的约束下，最小化二元序贯检验错误概率的加权之和。首先证明该非参数问题可归约为最优停时问题；随后在限定最多 k 次随机化的假设下推导最优停时策略，再令 k→∞ 得到原问题的解。最优代价函数满足非线性 Bellman 方程，最优策略依赖二维检验统计量——一维追踪似然比，另一维追踪期望剩余样本长度。关键发现是策略通过随机化来增加部分试验的期望剩余样本长度同时让其余试验早停，最优随机化规则由一个将似然比映射到整值样本长度的函数决定。文中给出了该函数的两个实用近似，并以 Bernoulli 成功概率偏移和正态均值偏移的数值例子进行展示。对您有用之处在于：该工作将非参数 minimax 思想引入经典序贯检验，其 Bellman 方程与随机化停时机制为假设检验与最优停时的交叉研究提供了新视角。
  • 关键技术: nonparametric Kiefer-Weiss problem, optimal stopping theory, Bellman equation, sequential hypothesis testing, randomized stopping policy, minimax expected sample size
  • 为什么对您有用: 本文直接连接到 primary interest 中的 hypothesis testing 子方向，将 minimax 约束（对所有分布取最大期望样本长度）引入序贯检验，属于非参数检验设定下的新理论。从 technical_arsenal 看，very_familiar 的 minimax bounds for estimation problems 可直接迁移来审视其最大期望样本长度的 minimax 界是否紧，moderately_familiar 的 M-estimation theory 可用于分析其 Bellman 方程解的渐近性质。Follow-up 粗判：立即可做——用 minimax 界工具验证其声称的约束下界紧性，并探索该二维统计量在半参数模型下的推广。

4. 2605.31465 — The Nonparametric Kiefer-Weiss Problem

  • 作者: Michael Fauss, H. Vincent Poor, Abdelhak M. Zoubir
  • 分类: math.ST · cs.IT · math.IT · stat.TH
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文提出并求解了非参数 Kiefer-Weiss 问题：在给定序列空间上对所有可能分布取最大期望样本长度的约束下，最小化二元序贯检验错误概率的加权之和。首先证明该非参数问题可归约为最优停时问题；随后在限定最多 k 次随机化的假设下推导最优停时策略，再令 k→∞ 得到原问题的解。最优代价函数满足非线性 Bellman 方程，最优策略依赖二维检验统计量——一维追踪似然比，另一维追踪期望剩余样本长度。关键发现是策略通过随机化来增加部分试验的期望剩余样本长度同时让其余试验早停，最优随机化规则由一个将似然比映射到整值样本长度的函数决定。文中给出了该函数的两个实用近似，并以 Bernoulli 成功概率偏移和正态均值偏移的数值例子进行展示。对您有用之处在于：该工作将非参数 minimax 思想引入经典序贯检验，其 Bellman 方程与随机化停时机制为假设检验与最优停时的交叉研究提供了新视角。
  • 关键技术: nonparametric Kiefer-Weiss problem, optimal stopping theory, Bellman equation, sequential hypothesis testing, randomized stopping policy, minimax expected sample size
  • 为什么对您有用: 本文直接连接到 primary interest 中的 hypothesis testing 子方向，将 minimax 约束（对所有分布取最大期望样本长度）引入序贯检验，属于非参数检验设定下的新理论。从 technical_arsenal 看，very_familiar 的 minimax bounds for estimation problems 可直接迁移来审视其最大期望样本长度的 minimax 界是否紧，moderately_familiar 的 M-estimation theory 可用于分析其 Bellman 方程解的渐近性质。Follow-up 粗判：立即可做——用 minimax 界工具验证其声称的约束下界紧性，并探索该二维统计量在半参数模型下的推广。

天体统计 (astrostats, 1 篇)

1. 2605.31402 — Refining the Gaia DR3 Parallax Zero-point: A Hybrid Approach Combining Global Parametric Correction with Local Refinement

  • 作者: Ye Ding, Shilong Liao, Zhaoxiang Qi, Qiqi Wu, Qi Xu, Keyu Zhu
  • 分类: astro-ph.IM
  • 相关性 8/10 · novelty: application
  • 摘要: 在 Gaia DR3 视差零点校正问题中，目标是消除受星等、颜色和天球位置影响的复杂系统偏差（幅度达数十微角秒）。传统全局参数模型（如 L21）能去除大尺度趋势但受限于函数形式的刚性，无法捕捉小尺度空间系统误差。本文提出“全局预校正+局部精修”混合策略：先用 L21 模型移除主导的星等与颜色偏差，再用基于滑动窗口的局部非参数方法（k-最近邻）对残差建模——暗星（G>18）用类星体样本，亮星（G<18）用宽双星+大麦哲伦云样本。验证表明混合模型的残差图在全天空近乎平坦且接近零偏差。对您而言，这是天文统计入门的好案例：展示了非参数局部平滑如何修补参数模型残差，数据结构（天球位置、星等、颜色分层）和模型假设（局部同质性）的交互清晰可见。
  • 关键技术: global parametric correction, local non-parametric refinement, k-nearest neighbors sliding window, quasar-based validation, wide binary calibration, spatial systematics modeling
  • 为什么对您有用: 本文是 astrostats 的优质入门读物：数据侧（Gaia 视差偏差的结构、类星体/宽双星作为标准光源）和模型侧（全局参数+局部非参数的混合）均交代清楚，不假设天文背景。武器库完全够用——very_familiar 的 nonparametric statistics 可直接理解其局部平滑逻辑，moderately_familiar 的 M-estimation theory 可审视其参数基线拟合。值得花时间读全文，以了解天文数据中空间系统误差的典型形态和标准光源校正范式。

其他 (other, 1 篇)

1. 2605.31130 — Debiased inference for stochastic treatment interventions with survival outcomes

  • 作者: Torben Martinussen, Mark Bech Knudsen, Helene Rytgaard
  • 分类: stat.ME
  • 相关性 9/10 · novelty: new_method
  • 摘要: 在 illness-death 模型设定下，研究时变治疗对生存结局的因果效应，目标 estimand 是修改“未治疗→治疗”转移 hazard 的 stochastic intervention。作者首先指出固定时间点干预的 estimand 不可 pathwise differentiable，从而无法在 assumption-lean 框架下做半参数推断；为此转向在目标时间点附近窗口内分配治疗的 smoothed intervention，使参数变得可微。推导了该 smoothed estimand 的 efficient influence function，并提出具有多重鲁棒性的 debiased one-step estimator。模拟与 Stanford Heart Transplant 及不孕症治疗延迟数据验证了有限样本表现。对您有用：将 semiparametric efficiency 与 debiased one-step 推断拓展到生存分析的时变干预设定，直接连接 longitudinal CI 与 efficiency theory。
  • 关键技术: illness-death model, stochastic intervention, pathwise differentiability, efficient influence function, debiased one-step estimator, multiple robustness
  • 为什么对您有用: 直接连接 longitudinal causal inference 与 semiparametric efficiency theory：在生存分析时变干预下，从不可 pathwise differentiable 的 estimand 转向 smoothed estimand 以获得 EIF，这是您熟悉的 efficiency 理论在复杂生存设定中的典型应用。用 very_familiar 的 semiparametric theory 与 one-step estimation 即可复现其理论推导与模拟；若想进一步探索，可用 moderately_familiar 的 HOIF 分析 smoothed 窗口宽度对 higher-order bias 的影响，属于立即可做的范畴。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 1 篇)

1. 2605.30517 — Restricted mean time lost for survival and competing risks data using mets in R

  • 作者: Thomas Harder Scheike, Klaus K\"ahler Holst
  • 分类: stat.ME · stat.CO
  • 相关性 4/10 · novelty: application
  • 摘要: 本文介绍 R 包 mets 中针对生存与竞争风险数据的受限平均生存时间（RMST）及受限平均时间损失（RMTL，含特定原因）的非参数与回归估计软件实现。非参数部分可一次性计算所有时间截点的 RMST/RMTL 及标准误；回归部分基于 IPCW（逆概率删失加权）调整的估计方程。关键技术贡献是为所有模型提供了 influence function，从而支持标准误计算并使估计量可作为更复杂统计量（如复发事件的 while-alive 估计）的构建模块。在因果推断扩展中，包实现了标准化估计（G-computation）及竞争风险设定下 RMST/RMTL 的 ATE 估计，且计算复杂度与样本量呈线性关系。对您有用：提供了竞争风险下 RMST/RMTL 的完整 influence function 与 ATE 估计流程，可直接对接您对 semiparametric efficiency 与因果推断 estimation theory 的兴趣。
  • 关键技术: Restricted Mean Survival Time (RMST), Inverse Probability of Censoring Weighting (IPCW), influence function, G-computation, competing risks, Average Treatment Effect (ATE)
  • 为什么对您有用: 本文直接涉及因果推断中竞争风险设定下的 ATE 估计与 G-computation，属于您 primary interest 中因果推断 estimation theory 的范畴；其核心亮点是为所有估计量提供了显式 influence function，这恰好是您 very_familiar 的 estimation theory in causal inference 与 moderately_familiar 的 semiparametric theory 可以直接审视和拓展的口子（例如验证其 ATE 估计是否达到 semiparametric efficiency bound）。Follow-up 判断：立即可做——您可用现有的 semiparametric efficiency 工具检验其 IPCW-G-computation ATE 估计的效率性质，或探索更高阶的 HOIF 修正。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 2605.30636 — Free Energy Universality in Tensor Estimation via Generic Chaining

  • 作者: Wenxuan Zou, Galen Reeves
  • 分类: math.ST · cs.IT · math.IT · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 在张量结构数据的高维推断设定下，本文研究自由能（free energy）何时可被 Gaussian 比较模型的自由能近似，关键 regularity 假设为独立观测与模型误配（mismatch）允许、参数依赖维度的 scaling regime。核心机制是对似然展开在张量参数空间上的余项，用 generic chaining（而非 Slepian/Stein 等传统 Gaussian 比较工具）进行控制，从而将自由能逼近从矩阵设定推广到任意阶张量。作为应用，在二值超图模型（binary hypergraph model）中，仅假设平均度发散（minimal assumption），证明了自由能普适性：即使存在模型误配，其渐近行为仍与 Gaussian 张量模型一致。对您可能有用：本文将 Gaussian 比较从矩阵推向张量，与您的高维渐近理论及张量收缩/高阶 U-stat 计算兴趣直接交汇。
  • 关键技术: free energy universality, generic chaining, Gaussian comparison model, tensor-structured likelihood expansion, binary hypergraph model, model mismatch scaling regime
  • 为什么对您有用: 直接连接您的高维渐近理论（RMT）与张量结构推断兴趣，将矩阵自由能普适性推进到张量阶；您武器库中 very_familiar 的张量收缩/高阶 U-stat 计算经验可用来分析本文余项控制中张量参数空间的 combinatorial cost，这是具体攻入口子。follow-up 判定：中期可做——需先在 moderately_familiar 的 HOIF / 高阶 U-stat 理论上长肌肉，以理解张量似然展开余项的投影与链界如何与 influence function 高阶项对接。

2. 2605.30636 — Free Energy Universality in Tensor Estimation via Generic Chaining

  • 作者: Wenxuan Zou, Galen Reeves
  • 分类: math.ST · cs.IT · math.IT · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 在张量结构数据的高维推断设定下，本文研究自由能（free energy）何时可被 Gaussian 比较模型的自由能近似，关键 regularity 假设为独立观测与模型误配（mismatch）允许、参数依赖维度的 scaling regime。核心机制是对似然展开在张量参数空间上的余项，用 generic chaining（而非 Slepian/Stein 等传统 Gaussian 比较工具）进行控制，从而将自由能逼近从矩阵设定推广到任意阶张量。作为应用，在二值超图模型（binary hypergraph model）中，仅假设平均度发散（minimal assumption），证明了自由能普适性：即使存在模型误配，其渐近行为仍与 Gaussian 张量模型一致。对您可能有用：本文将 Gaussian 比较从矩阵推向张量，与您的高维渐近理论及张量收缩/高阶 U-stat 计算兴趣直接交汇。
  • 关键技术: free energy universality, generic chaining, Gaussian comparison model, tensor-structured likelihood expansion, binary hypergraph model, model mismatch scaling regime
  • 为什么对您有用: 直接连接您的高维渐近理论（RMT）与张量结构推断兴趣，将矩阵自由能普适性推进到张量阶；您武器库中 very_familiar 的张量收缩/高阶 U-stat 计算经验可用来分析本文余项控制中张量参数空间的 combinatorial cost，这是具体攻入口子。follow-up 判定：中期可做——需先在 moderately_familiar 的 HOIF / 高阶 U-stat 理论上长肌肉，以理解张量似然展开余项的投影与链界如何与 influence function 高阶项对接。

非参数 / 半参数 (nonparam_semipara, 9 篇)

1. 2605.31218 — Strong log-concavity in probit regression

  • 作者: Martin Chak, Giacomo Zanella
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 在 probit 回归模型下研究似然函数的强对数凹性（SLC），目标是在无 ridge 正则化时给出 SLC 成立的精确条件。对固定设计，给出了与 MLE 存在性类似的 SLC 刻画；对 Gaussian 设计，在维度与样本量之比 d/n=r∈[0,1) 的设定下，证明当 r 足够小时似然的条件数以高概率有限，且在 n,d→∞ 渐近下条件数与 r 无关。核心工具是 probit 连接函数的二阶导数下界与随机矩阵的谱分析（Gaussian 设计矩阵的最小特征值集中）。结果意味着 probit 似然天然具备良好曲率，无需额外正则化即可保证 MLE 的唯一性与算法收敛性。对您有用：该文将 SLC 与高维随机矩阵谱下界结合，直接触及您的高维渐近与 M-估计理论兴趣。
  • 关键技术: strong log-concavity, probit regression likelihood, condition number analysis, random matrix minimum eigenvalue concentration, high-dimensional asymptotics (d/n → r)
  • 为什么对您有用: 本文连接了高维随机矩阵谱分析（您 very_familiar 的高维渐近）与 M-估计理论（您 moderately_familiar），在 probit 模型下给出无正则化时 SLC 的精确刻画。您可用 very_familiar 的高维渐近与随机矩阵工具直接验证或拓展其 Gaussian 设计下条件数的界，甚至将分析迁移到其他链接函数（如 logistic 缺乏 SLC 的根源）。判断：立即可做——武器库中的高维渐近与 M-估计理论足以展开对本文结论的延伸与对比。

2. 2605.31599 — Normal approximations in nonparametric empirical Bayes

  • 作者: Jiafeng Chen, Nabarun Deb, Nikolaos Ignatiadis
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 在非参数经验贝叶斯（NPEB）框架下，目标是对带噪声的潜在参数进行去噪估计，核心假设是观测噪声的边际分布近似正态（仅需平均意义上的边际CLT成立，无需高维联合正态逼近）。本文证明NPMLE及相关sieve方法的去噪遗憾（denoising regret）可被分解为：精确正态设定下的最优速率 + 反映CLT逼近误差的额外项。作者识别了两种使正态逼近充分有效且经验贝叶斯先验仍具信息量的渐近regime，并证明该保证对数据依赖结构及方差估计误差具有鲁棒性。对您可能有用：本文将NPEB遗憾与CLT逼近误差的分解框架，为在更复杂semiparametric模型中评估非参数先验估计的鲁棒性提供了新视角。
  • 关键技术: nonparametric maximum likelihood estimation, denoising regret decomposition, marginal CLT approximation, sieve estimation, empirical Bayes
  • 为什么对您有用: 本文直接连接到非参数理论（primary interest）中的NPEB估计与遗憾界分析，其将遗憾分解为'正态基准+CLT误差'的思路与semiparametric效率理论中'参数部分最优+非参数余项'的结构高度同构。您可用very_familiar中的minimax bounds工具验证其声称的速率是否紧，或用moderately_familiar中的HOIF理论探索当sieve阶数更高时CLT余项能否被进一步压缩。立即可做：用minimax bound审视其遗憾界紧性，并尝试将分解框架迁移到您熟悉的因果推断非参数识别设定中。

3. 2605.31218 — Strong log-concavity in probit regression

  • 作者: Martin Chak, Giacomo Zanella
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 在 probit 回归模型下研究似然函数的强对数凹性（SLC），目标是在无 ridge 正则化时给出 SLC 成立的精确条件。对固定设计，给出了与 MLE 存在性类似的 SLC 刻画；对 Gaussian 设计，在维度与样本量之比 d/n=r∈[0,1) 的设定下，证明当 r 足够小时似然的条件数以高概率有限，且在 n,d→∞ 渐近下条件数与 r 无关。核心工具是 probit 连接函数的二阶导数下界与随机矩阵的谱分析（Gaussian 设计矩阵的最小特征值集中）。结果意味着 probit 似然天然具备良好曲率，无需额外正则化即可保证 MLE 的唯一性与算法收敛性。对您有用：该文将 SLC 与高维随机矩阵谱下界结合，直接触及您的高维渐近与 M-估计理论兴趣。
  • 关键技术: strong log-concavity, probit regression likelihood, condition number analysis, random matrix minimum eigenvalue concentration, high-dimensional asymptotics (d/n → r)
  • 为什么对您有用: 本文连接了高维随机矩阵谱分析（您 very_familiar 的高维渐近）与 M-估计理论（您 moderately_familiar），在 probit 模型下给出无正则化时 SLC 的精确刻画。您可用 very_familiar 的高维渐近与随机矩阵工具直接验证或拓展其 Gaussian 设计下条件数的界，甚至将分析迁移到其他链接函数（如 logistic 缺乏 SLC 的根源）。判断：立即可做——武器库中的高维渐近与 M-估计理论足以展开对本文结论的延伸与对比。

4. 2605.31599 — Normal approximations in nonparametric empirical Bayes

  • 作者: Jiafeng Chen, Nabarun Deb, Nikolaos Ignatiadis
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 在非参数经验贝叶斯（NPEB）框架下，目标是对带噪声的潜在参数进行去噪估计，核心假设是观测噪声的边际分布近似正态（仅需平均意义上的边际CLT成立，无需高维联合正态逼近）。本文证明NPMLE及相关sieve方法的去噪遗憾（denoising regret）可被分解为：精确正态设定下的最优速率 + 反映CLT逼近误差的额外项。作者识别了两种使正态逼近充分有效且经验贝叶斯先验仍具信息量的渐近regime，并证明该保证对数据依赖结构及方差估计误差具有鲁棒性。对您可能有用：本文将NPEB遗憾与CLT逼近误差的分解框架，为在更复杂semiparametric模型中评估非参数先验估计的鲁棒性提供了新视角。
  • 关键技术: nonparametric maximum likelihood estimation, denoising regret decomposition, marginal CLT approximation, sieve estimation, empirical Bayes
  • 为什么对您有用: 本文直接连接到非参数理论（primary interest）中的NPEB估计与遗憾界分析，其将遗憾分解为'正态基准+CLT误差'的思路与semiparametric效率理论中'参数部分最优+非参数余项'的结构高度同构。您可用very_familiar中的minimax bounds工具验证其声称的速率是否紧，或用moderately_familiar中的HOIF理论探索当sieve阶数更高时CLT余项能否被进一步压缩。立即可做：用minimax bound审视其遗憾界紧性，并尝试将分解框架迁移到您熟悉的因果推断非参数识别设定中。

5. 2605.30718 — Moment-Based Inference for Regression with Latent Dirichlet Covariates

  • 作者: Ziyu Jiang
  • 分类: econ.EM · stat.ME · stat.ML
  • 相关性 6/10 · novelty: new_method
  • 摘要: 在 latent Dirichlet allocation (LDA) 主题模型作为降维工具接入下游回归的设定下，目标是直接识别回归系数 β，而不需要估计文档级主题份额。核心困难在于：固定文档长度下主题份额不可一致估计，且传统 plug-in 两步法无法正确传播第一阶段不确定性。本文利用 corrected spectral moment 方法，在响应残差与用于识别的低阶 token moment 正交的假设下，构造响应加权词频 moment，经校正后所得 supervised operator 直接识别 β。关键障碍是校正依赖于未知 Dirichlet 总浓度 α₀；作者证明在 k≥3 主题及 generic finite-prorobe 条件下，α₀ 可由 corrected operator 族的可交换性（commutativity）识别——仅在真值处可交换，偏离则 generically 不可交换。由此得到 feasible estimator，随文档数增长（文档长度固定）具有渐近线性性，sandwich 标准误可传播 α₀ 估计不确定性至 β 推断。模拟显示近 nominal 覆盖率而 plug-in 方法严重 undercover。对您可能有用：该文将 moment-based identification 与 semiparametric 渐近线性推断结合，为 latent-variable 回归提供了绕过中间不可估参数的直接识别路径。
  • 关键技术: corrected spectral moment, latent Dirichlet allocation, commutativity identification, asymptotic linear estimator, sandwich standard errors, moment-based inference
  • 为什么对您有用: 本文直接连接 semiparametric efficiency 与 identification theory 子方向：它展示了如何在中间参数（主题份额）不可一致估计时，通过 moment 校正与 operator 可交换性实现目标参数 β 的直接识别与渐近线性推断，这正是 semiparametric 理论中绕过 nuisance parameter 的经典思路的新实例。用您 very_familiar 的 minimax bounds 与 M-estimation theory 可以审视其 fixed-document-length 下的渐近线性声称是否达到效率下界，或用 moderately_familiar 的 semiparametric theory 推导其 influence function 是否可进一步做 higher-order 校正以改善有限样本表现。Follow-up 判断：中期可做——需先在 moderately_familiar 的 semiparametric theory 上长肌肉，具体是推导该 moment estimator 的 efficient influence function 并评估其 semiparametric efficiency bound。

6. 2605.31567 — Addressing errors in multiple variables using generalized raking and cumulative probability models

  • 作者: Eric S. Kawaguchi, Chun Li, Frank E. Harrell Jr., Pamela A. Shaw, Thomas Lumley, Bryan E. Shepherd
  • 分类: stat.ME · stat.AP
  • 相关性 4/10 · novelty: new_method
  • 摘要: 在电子健康记录（EHR）数据存在测量误差的设定下，目标是利用全样本的误差数据与子样本的验证数据对累积概率模型（CPM）的参数进行无偏且更高效的估计。核心方法为广义 rake（generalized raking），通过校准验证抽样权重将全样本误差信息融入估计，结合 CPM 这一基于秩的半参数模型处理连续/有序/混合型结局。理论层面，作者发展了 CPM 下广义 rake 估计器的效率性质，证明其相较仅用验证子样本的估计能显著降低方差；实证与模拟对比了该估计器与 competing methods（如 IPW）的表现。对您可能有用：本文将半参数效率理论（raking 作为一种 calibration/IPW 变体）应用于测量误差校正，且 CPM 的秩基性质与您熟悉的非参数/半参数理论直接相连。
  • 关键技术: generalized raking, cumulative probability model, measurement error correction, validation subsample weighting, semiparametric efficiency, rank-based estimation
  • 为什么对您有用: 本文连接到半参数效率理论（primary interest）与流行病学应用（secondary interest）：raking 估计器本质上是利用辅助信息提升 IPW 效率的 calibration 方法，其效率界与您熟悉的 semiparametric efficiency bound / influence function 视角直接对接。用您 very_familiar 的 M-estimation theory 与 moderately_familiar 的 semiparametric theory 可以分析 CPM+raking 估计器的 influence function 与效率增益机制。立即可做：用 semiparametric efficiency bound 工具验证其声称的效率提升是否达到局部最小方差，或推导其 one-step / debiased 版本。

7. 2605.30496 — On the Bayesian analysis of a non-identifiable Binomial model

  • 作者: \'Eric Marchand
  • 分类: math.ST · stat.TH
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 在非可识别 Binomial 模型设定下，观测 Y|p₁,p₂ ∼ Binomial(n, p₁p₂)，目标参数为 (p₁,p₂)，先验取 [0,1]² 上的均匀分布。本文推导了该非可识别参数的后验分布与后验期望的精确解析形式，核心结果将后验密度表达为截断 Beta 分布与 Beta 有限混合，并利用调和数刻画了后验期望。进一步给出了大样本 n 下后验期望 E(p_i|y) 及后验联合密度归一化常数的简单近似。对您可能有用：该非可识别结构（p₁p₂ 乘积参数化）与因果推断中 latent-variable / proxy-variable 的 identification 缺失问题有结构相似性，解析后验结果可为 sensitivity analysis 提供参考。
  • 关键技术: non-identifiable model, Bayesian posterior analysis, truncated Beta distribution, finite mixture of Beta distributions, harmonic numbers, large-sample approximation
  • 为什么对您有用: 本文连接到因果推断中的 identification 理论：p₁p₂ 的乘积非可识别性与 proximal CI / IV 中 latent proxy 的 identification 缺失结构同构。用您 very_familiar 的 minimax bounds 工具可以分析该非可识别模型下任何估计器的极小风险下界，验证文中近似是否达到最优；用 moderately_familiar 的 identification theory 可以将此乘积结构推广到更一般的 latent-variable 因果设定。follow-up 粗判：立即可做——用 minimax 理论直接计算该非可识别 Binomial 模型的极小化风险界并与文中近似对比。

8. 2605.31416 — Second-order PACF asymptotics and discrimination between fractional Gaussian noise and \(\FARIMA(0,d,0)\)

  • 作者: Chunhao Cai
  • 分类: math.ST · math.PR · stat.TH
  • 相关性 4/10 · novelty: sharper_rate
  • 摘要: 在长记忆时间序列设定下，研究 fGn 与 FARIMA(0,d,0) 的二阶偏自相关函数（PACF）渐近展开，二者的一阶 PACF 均为 d/n 但二阶项不同。对 fGn 证明 α_fGn(n)=d/n+C_fGn(d)/n²+o(n⁻²) 且 C_fGn(d)<d²，而 FARIMA 的二阶系数为 d²，从而在二阶层面实现模型区分。核心证明工具包括 Bingham-Inoue-Kasahara 表示、相位系数展开与 Hankel 算子微扰论证，属于非参数渐近精细化的典型工作。结果解释了为何对 fGn 数据拟合 FARIMA 模型时短记忆阶数选择会不同。对您有用：此文的二阶渐近精细化思路与 higher-order U-statistics / HOIF 的逐阶展开视角同构，Hankel 算子微扰技术亦可作为非参数/半参数理论的新工具储备。
  • 关键技术: second-order PACF asymptotic expansion, Bingham-Inoue-Kasahara representation, Hankel operator perturbation, phase-coefficient expansion, long-memory time series discrimination
  • 为什么对您有用: 本文连接到非参数渐近理论子方向，其逐阶展开（一阶 vs 二阶）的思路与您熟悉的 higher-order U-statistics / HOIF 逐阶投影视角同构。Hankel 算子微扰论证是您武器库中尚未覆盖的新概率工具，但整体渐近分析框架与 minimax bounds / nonparametric statistics 的 very_familiar 武器高度兼容。中期可做：需先在 moderately_familiar 的 HOIF 逐阶展开与算子微扰技术上长肌肉，方可将此类二阶精细化方法迁移到因果推断或半参数效率界的二阶修正问题中。

9. 2605.30496 — On the Bayesian analysis of a non-identifiable Binomial model

  • 作者: \'Eric Marchand
  • 分类: math.ST · stat.TH
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 在非可识别 Binomial 模型设定下，观测 Y|p₁,p₂ ∼ Binomial(n, p₁p₂)，目标参数为 (p₁,p₂)，先验取 [0,1]² 上的均匀分布。本文推导了该非可识别参数的后验分布与后验期望的精确解析形式，核心结果将后验密度表达为截断 Beta 分布与 Beta 有限混合，并利用调和数刻画了后验期望。进一步给出了大样本 n 下后验期望 E(p_i|y) 及后验联合密度归一化常数的简单近似。对您可能有用：该非可识别结构（p₁p₂ 乘积参数化）与因果推断中 latent-variable / proxy-variable 的 identification 缺失问题有结构相似性，解析后验结果可为 sensitivity analysis 提供参考。
  • 关键技术: non-identifiable model, Bayesian posterior analysis, truncated Beta distribution, finite mixture of Beta distributions, harmonic numbers, large-sample approximation
  • 为什么对您有用: 本文连接到因果推断中的 identification 理论：p₁p₂ 的乘积非可识别性与 proximal CI / IV 中 latent proxy 的 identification 缺失结构同构。用您 very_familiar 的 minimax bounds 工具可以分析该非可识别模型下任何估计器的极小风险下界，验证文中近似是否达到最优；用 moderately_familiar 的 identification theory 可以将此乘积结构推广到更一般的 latent-variable 因果设定。follow-up 粗判：立即可做——用 minimax 理论直接计算该非可识别 Binomial 模型的极小化风险界并与文中近似对比。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2605.30485 — M-estimation with e-statistics

  • 作者: Hongjian Wang, Aaditya Ramdas
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文在 e-statistics（e-value / e-process）框架下提出 ME-estimator，即最小化对应 e-statistic（视作对参数的证据/赌注回报）的参数值，从而将 e-statistics 从推断/不确定性量化推广到点估计领域。作者首先利用 e-statistic 阈值化构造置信集的高概率界，建立了 ME-estimator 的一致性及几乎必然收敛速率，这一基于置信集收缩的路径与传统 M-estimator 的渐近理论截然不同。随后在 bounded mean estimation 设定下，采用经典 M-estimator 分析框架证明了 ME-estimator 的渐近正态性，并讨论了不同 betting strategy 对效率的影响（是否达到 Cramér-Rao 下界）。该工作为 e-value 这一新兴推断工具建立了估计理论，对您在 hypothesis testing 与 efficiency theory 交叉处的工作有直接参考价值。
  • 关键技术: e-statistics / e-values, ME-estimator (minimizing e-statistic), almost sure convergence via confidence set thresholding, asymptotic normality of M-estimators, betting strategy for e-processes, efficiency under bounded mean estimation
  • 为什么对您有用: 本文直接连接您 primary interest 中的 hypothesis testing 与 efficiency theory：它将 e-value（非传统似然/检验统计量）引入 M-estimation，并讨论其效率是否可达经典下界，这是估计与检验交叉处的新视角。您武器库中 very_familiar 的 M-estimation theory 与 minimax bounds 可直接用来审视其声称的收敛率与效率结论是否紧。立即可做：用您熟悉的 M-estimator 渐近理论工具，验证其 bounded mean 设定下不同 betting strategy 的效率分析，并尝试将 ME-estimator 推广到 semiparametric 模型中考察其是否触及 semiparametric efficiency bound。

天体统计 (astrostats, 1 篇)

1. 2605.30412 — Choosing the right MCMC sampler: a systematic benchmark of gradient-free methods

  • 作者: Colin M. Poppelaars, Marcel P. van Daalen
  • 分类: astro-ph.IM · astro-ph.CO · astro-ph.GA
  • 相关性 7/10 · novelty: minor
  • 摘要: 本文系统基准测试了多种无梯度 MCMC 采样器（含 affine-invariant stretch/walk、differential evolution、snooker 及作者新提出的 PCA-modified stretch 与 hybrid blend move），目标是在受控测试床（Rosenbrock、Neal's funnel 及 3/5/8 维 Gaussian random multimodal landscapes）下量化各算法的遍历性、鲁棒性与似然表现。核心机制包括：以目标接受率 25% 调参的 differential evolution move 在所有指标上一致胜出；用 quadtree 算法从采样点重构似然景观；以及后采样优化（optimization refinement）在高维时带来显著的 log-likelihood 增益。理论 novelty 有限（novelty_flag = minor），但对天文统计中常见的高维 multimodal posterior 采样提供了清晰的实操对比。对您可能有用：作为 astrostats gateway reading，它用统计学者熟悉的测试函数与 MCMC 指标，把天文中常用的 ensemble sampler 族系做了透明拆解。
  • 关键技术: affine-invariant MCMC, differential evolution move, Metropolis-Hastings benchmark, quadtree likelihood reconstruction, PCA-modified stretch move, post-sampling optimization refinement
  • 为什么对您有用: 本文属于 astrostats gateway reading：用统计学者熟悉的 Rosenbrock / Neal's funnel 与多维 Gaussian landscape 做透明测试床，清晰拆解了天文数据分析中常用的 ensemble sampler 族系，入门友好且数据/模型设定交代清楚。武器库完全够支撑研究者进入此方向（very_familiar 的 software development 与 high-dimensional asymptotics 可直接复现基准测试）。值得花时间读全文以了解天文 MCMC 实操痛点，但方法学 novelty 有限，不建议深度跟进算法改进。

其他 (other, 3 篇)

1. 2605.31184 — On public and private binary classification with metric space valued predictors

  • 作者: L\'aszl\'o Gy\"orfi, Martin Kroll, Harro Walk
  • 分类: math.ST · stat.ML · stat.TH
  • 相关性 5/10 · novelty: sharper_rate
  • 摘要: 在可分度量空间取值的预测变量 X 与二值标签 Y 的分类设定下，本文研究了 Proto-NN 分类器的收敛性质及局部差分隐私（LDP）约束下的统计-计算权衡。非隐私部分，对最近提出的 Proto-NN 分类器导出了依赖度量空间结构的收敛速率；隐私部分，在 LDP 框架下对特征与标签分别施加 Laplace 噪声机制，证明了仅使用隐私化数据的 Proto-NN 分类器具有普遍一致性，并给出了隐私约束下的收敛速率。核心工具为度量空间上的覆盖数（covering number）与 Laplace 机制的隐私-精度权衡分析。对您有用之处在于：该速率刻画直接展示了 LDP 下非参数分类的 minimax 速率退化，与您熟悉的 minimax bound 和 inverse problem with random noise 视角高度同构。
  • 关键技术: Proto-NN classifier, local differential privacy, Laplace mechanism, covering number, universal consistency, minimax convergence rate
  • 为什么对您有用: 直接连接非参数 minimax 速率理论：LDP 约束下分类速率的退化本质上是一个带隐私噪声的 inverse problem，可用您 very_familiar 的 minimax bounds 与 inverse problems with random noise 工具审视其速率是否紧。本文属于 gateway reading：对 LDP 下的统计-计算权衡给出了清晰的速率刻画，但未触及您 primary interest 中的低阶多项式/SoS 等计算复杂性下界工具。立即可做：用 minimax bound 验证其声称的 LDP 速率是否可达信息论下界。

2. 2605.31184 — On public and private binary classification with metric space valued predictors

  • 作者: L\'aszl\'o Gy\"orfi, Martin Kroll, Harro Walk
  • 分类: math.ST · stat.ML · stat.TH
  • 相关性 5/10 · novelty: sharper_rate
  • 摘要: 在可分度量空间取值的预测变量 X 与二值标签 Y 的分类设定下，本文研究了 Proto-NN 分类器的收敛性质及局部差分隐私（LDP）约束下的统计-计算权衡。非隐私部分，对最近提出的 Proto-NN 分类器导出了依赖度量空间结构的收敛速率；隐私部分，在 LDP 框架下对特征与标签分别施加 Laplace 噪声机制，证明了仅使用隐私化数据的 Proto-NN 分类器具有普遍一致性，并给出了隐私约束下的收敛速率。核心工具为度量空间上的覆盖数（covering number）与 Laplace 机制的隐私-精度权衡分析。对您有用之处在于：该速率刻画直接展示了 LDP 下非参数分类的 minimax 速率退化，与您熟悉的 minimax bound 和 inverse problem with random noise 视角高度同构。
  • 关键技术: Proto-NN classifier, local differential privacy, Laplace mechanism, covering number, universal consistency, minimax convergence rate
  • 为什么对您有用: 直接连接非参数 minimax 速率理论：LDP 约束下分类速率的退化本质上是一个带隐私噪声的 inverse problem，可用您 very_familiar 的 minimax bounds 与 inverse problems with random noise 工具审视其速率是否紧。本文属于 gateway reading：对 LDP 下的统计-计算权衡给出了清晰的速率刻画，但未触及您 primary interest 中的低阶多项式/SoS 等计算复杂性下界工具。立即可做：用 minimax bound 验证其声称的 LDP 速率是否可达信息论下界。

3. 2605.30493 — The Markup falsification Adaptative Set

  • 作者: Santiago Acerenza, Nestor Gandelman
  • 分类: econ.EM
  • 相关性 5/10
  • 摘要: 在 De Loecker & Warzynski (2012) 生产函数 markup 估计框架下，当标准假设（如产出弹性常数性、生产函数设定）被数据 falsification 拒绝时，目标是仍能给出 markup 的部分 identification。本文通过连续松弛原假设参数，构建一个"非伪造模型集"，在该集上计算 markup 随松弛参数变化的函数值，从而得到 markup 的 identified set（区间），无需引入额外经济假设。核心机制是假设松弛化 + 集合推断，类似部分识别 (partial identification) 逻辑，但未涉及 semiparametric efficiency bound 或 influence function 理论。实证用智利数据展示 falsification 下 markup 区间的宽度。对您可能有用：这是经济理论中 partial identification / sensitivity 的具体应用，可对比因果推断 sensitivity analysis 的 formal 框架。
  • 关键技术: markup estimation

🗂 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. 2605.30761 — Characterising and mitigating Bluetooth and WiFi radio frequency interference at the Parkes Observatory

  • 作者: Tommy Marshman, George Hobbs, J. R. Dawson, Stefan Oslowski, John Tuthill, Samantha Gordon, John E. Reynolds, Alex Dunning
  • 分类: astro-ph.IM
  • 相关性 4/10
  • 评分理由: RFI characterization and mitigation; articulates data structure and noise clearly, but the mitigation is signal-processing rather than a deep statistical modeling question.

2. 2605.30471 — Multidimensional Item Response Theory under General Latent Distributions

  • 作者: Chengyu Cui, Taoyi Chen, Chun Wang, Gongjun Xu
  • 分类: stat.ME · stat.AP
  • 相关性 3/10
  • 评分理由: Semiparametric MIRT estimation under general latent distributions, but psychometric focus is tangential to primary interests.

3. 2605.30658 — Consistent Bayesian Local Spatial Feature Selection with Application to Spatial Multimodal Omics

  • 作者: Kun Huang, Xiyu Peng, Huiyan Sang, Ligang Lu
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Bayesian local spatial feature selection; high-dimensional setting present, but Bayesian spatial focus is peripheral.

4. 2605.31440 — Synthetic Data Generation With Incomplete Survey Data Under Informative Sampling

  • 作者: Ayat Almomani, Won Chang, Youngdeok Hwang, Young Min Kim, Hang J. Kim
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Bayesian survey data synthesis under informative sampling; weak overlap with estimation theory but lacks semiparametric/causal focus.

5. 2605.30860 — Bayesian Inference with Shaped Deep Non-linear MLPs

  • 作者: Boris Hanin, Tianze Jiang
  • 分类: math.ST · cs.LG · math.PR · stat.TH
  • 相关性 3/10
  • 评分理由: Deep learning theory limits for MLPs are tangential to the researcher's core mathematical statistics and causal inference interests.

6. 2605.31413 — Improved Guarantees for Langevin Monte Carlo with Average Smoothness

  • 作者: Arnak S. Dalalyan, Avetik Karagulyan
  • 分类: math.ST · cs.LG · stat.TH
  • 相关性 3/10
  • 评分理由: Langevin Monte Carlo sampling bounds are computational statistics but focus on MCMC discretization, tangential to the researcher's specific computational interests.

7. 2605.30500 — Transformer-Based Source Detection and Morphological Classification in LOFAR Deep-Field Continuum Images

  • 作者: Guangwen Chen, Kristian Z. Adami, John Abela, Caijuan Yue, Weibin Sun, Fujia Li, Zhaoting Chen, Daniel Magro, Yogesh Wadadekar, Leah K. Morabito
  • 分类: astro-ph.IM · astro-ph.GA
  • 相关性 3/10
  • 评分理由: Transformer-based source detection for radio images; ML application paper without clear exposition of underlying statistical model/data structure for an outsider.

8. 2605.31301 — An Automated Photometric Pipeline for the 80cm Xizang University Telescope

  • 作者: Chao Xu, Jie Zheng, Tian-Lu Chen, Lin-Qiao Jiang, Hua Bao, Ying-Gang Li, SuoNan-DaJi, Xing-Lan Feng
  • 分类: astro-ph.IM
  • 相关性 3/10
  • 评分理由: Automated photometric pipeline; standard data-processing software, no novel statistical methodology or modeling question articulated.

9. 2605.30492 — Shrinkage-Constrained Functional Calibration for Complex Computer Models

  • 作者: Liam Myhill, Enrique Martinez, Sez Russcher
  • 分类: stat.ME · stat.CO
  • 相关性 2/10
  • 评分理由: Bayesian computer model calibration with GPs; tangential to primary interests and arsenal.

10. 2605.30516 — Benchmark of Likelihood-Free Inference Methods based on Neural and Optimal Transport Approaches

  • 作者: Samira Aka, Marie Kratz, Philippe Naveau
  • 分类: stat.ME · stat.ML
  • 相关性 2/10
  • 评分理由: Benchmark of neural/SBI likelihood-free inference; tangential to primary theoretical interests.

11. 2605.30577 — Dynamic Co-Expression Network Estimation via Multivariate Mixed-Effects Models

  • 作者: Samuel Ozminkowski, Lifang Hou, David R Jacobs Jr, Hongmei Jiang
  • 分类: stat.ME · stat.CO
  • 相关性 2/10
  • 评分理由: Dynamic co-expression networks via mixed-effects models; tangential to primary interests.

12. 2605.31341 — BEND: An R Package for the Bayesian Estimation of Nonlinear Longitudinal Data

  • 作者: Corissa T. Rohloff, Rik Lamm, Yadira Peralta, Nidhi Kohli, Eric F. Lock
  • 分类: stat.ME · stat.CO
  • 相关性 2/10
  • 评分理由: Applied Bayesian R package for longitudinal data; tangential to primary interests in causal inference and mathematical statistics.

13. 2605.31536 — Closed-form linear moments of the two-dimensional angular central Gaussian distribution

  • 作者: Sim\'eon Vareilles
  • 分类: math.ST · math-ph · math.MP · physics.data-an · stat.TH
  • 相关性 2/10
  • 评分理由: Closed-form moment calculations for a specific directional distribution; tangential to the researcher's core interests in causal inference, high-dim stats, or efficiency theory.

14. 2605.30384 — The EPS Research Astro-RAG Platform: A Unified Open-Science Infrastructure for Cross-Epoch Astrophysical Kinematic Analysis, LLM-Assisted Research Workflows, and Educational Outreach

  • 作者: David C. Flynn
  • 分类: astro-ph.IM · astro-ph.GA
  • 相关性 2/10
  • 评分理由: Astro-RAG/LLM infrastructure paper; lacks clear statistical data/model exposition for an outsider, purely software/ML workflow oriented.

15. 2605.31394 — A Dynamic Latent Space Model for Healthcare Mobility Networks: the Italian National Health Service case

  • 作者: Cecilia Manente, Marco Alf`o, Silvia D'Angelo
  • 分类: stat.ME · stat.AP
  • 相关性 1/10
  • 评分理由: Bayesian dynamic latent space model for healthcare mobility networks; unrelated to researcher's core methodological interests.

16. 2605.30958 — Additive Matrix Integer-Valued Autoregressive Model

  • 作者: Kaiyan Cui, Yikai Hu, Tianyun Guo
  • 分类: math.ST · stat.TH
  • 相关性 1/10
  • 评分理由: Matrix integer-valued time series models are unrelated to the researcher's primary interests in causal inference, high-dim theory, or semiparametrics.

17. 2605.30395 — Experiments on Settling of Granular and Cohesive Material in Low Gravity

  • 作者: Matthias Keulen, Timo Giese, Kolja Joeris, Jonathan Kollmer
  • 分类: astro-ph.IM · astro-ph.EP · cond-mat.soft
  • 相关性 0/10
  • 评分理由: Granular physics experiment in low gravity; no statistical methodology or data-analysis problem relevant to the researcher.

18. 2605.30565 — Gratis Mitigation of Polarization Aberration Effects in Coronagraphic Dark Holes

  • 作者: Richard A. Frazin
  • 分类: astro-ph.IM
  • 相关性 0/10
  • 评分理由: Optics/coronagraph engineering paper; no statistical methodology or data-analysis problem.

Maintained by 陈星宇 · Homepage · Source on GitHub

评论