跳转至

2026-06-03 每日 arXiv 资讯

  • 高相关论文 2 篇 · 中相关 23 篇 · 其他 7 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. 2606.02833 — Identification, Estimation, and Inference for Sequential Causally Ordered Mediation Pathways

  • 作者: Ritoban Kundu, Canyi Chen, Peter X. K. Song
  • 分类: stat.ME
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对纵向研究中常见的顺序因果中介路径（sequential mediators），建立了完整的识别、估计和推断框架。目标是将总效应分解为沿时间顺序的路径特定效应（path-specific effects），在连续型和分类结局下均适用。估计程序基于回归和权重方法，无需强参数假设。推断方面，作者提出了数据分割（data-splitting）结合学生化统计量的检验策略，能在复合原假设下有效控制I类错误，并避免了传统Bootstrap的复杂性与偏差。通过大规模模拟和两个实证数据分析（如流行病学队列），展示了方法在高维中介路径下的稳健性和功效优势。该工作将单中介方法系统拓展至多中介时序场景，填补了纵向因果中介方法论的重要空白。
  • 关键技术: sequential mediation, path-specific effects, data-splitting, studentized statistic, composite null hypothesis testing
  • 为什么对您有用: 直接对应您的因果推断兴趣中的纵向中介（longitudinal mediation）和假设检验子方向。您可运用非常熟悉的因果推断估计理论（estimation theory in causal inference）来快速理解其估计流程，并借助 moderately_familiar 的识别理论（identification theory）深入分析其识别条件是否可放松。中期可做：需要先在「识别理论」中对顺序中介的DAG分解和路径特定效应识别假设做系统梳理，之后可在您已有的U-统计量/tensor工具上尝试推广至非参数路径分解。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2606.03863 — Assessing the Impact of Intercurrent Events on Power and Sample Size for Estimands with Time-to-Event Endpoints

  • 作者: Daniel J Bratton, Fiona Guillard, Sunita Rehal, Thomas Drury
  • 分类: stat.ME · stat.AP
  • 相关性 8/10 · novelty: new_method
  • 摘要: 在 ICH E9(R1) 框架下，针对含 intercurrent events (IE) 的生存时间终点 estimand，研究其检验 power 与样本量的精确计算问题；核心假设为 IE 之间及 IE 与终点事件相互独立。本文提出了一套基于 treatment policy / hypothetical / composite 等策略的 closed-form power 公式，避免了传统模拟方法的高计算成本。在固定随访时长设定下，公式推导利用了 IE 发生率与 post-IE 效果的参数化分解，验证表明其与模拟结果高度一致；当 IE 与终点存在依赖时，文章探讨了 power 偏差的敏感性。对您可能有用：该 closed-form 框架为临床试验的样本量设计提供了快速计算工具，其 IE 独立性偏离下的敏感性分析思路可迁移至因果推断中处理 post-treatment 事件的 sensitivity analysis 设定。
  • 关键技术: closed-form power formula, intercurrent event handling strategies, treatment policy estimand, hypothetical estimand, sensitivity analysis for independence deviation, time-to-event endpoint
  • 为什么对您有用: 本文连接到因果推断中处理 intercurrent events (post-treatment variables) 的 identification 与 sensitivity analysis 子方向，特别是 ICH E9(R1) 框架下 treatment policy / hypothetical 等策略与因果 estimand 的对应关系。研究者武器库中的 identification theory in causal inference 可直接攻入本文 IE 独立性假设偏离时的 sensitivity 模块——将本文的参数化偏差模型替换为更系统的 causal sensitivity framework（如 marginal sensitivity model）。立即可做：用 very_familiar 的 causal identification 工具重写其 IE 依赖偏离的 sensitivity 设定，给出更一般的非参数边界。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 1 篇)

1. 2606.03477 — Surrogate-assisted optimal sampling for risk prediction under measurement constraints

  • 作者: Sunhyun Park, Seong-ho Lee
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在测量受限设定下（大规模人群中仅有协变量与代理响应可观测，真实响应仅在有限子集上昂贵获取），本文研究如何分配测量预算以构建最优风险预测模型。目标参数为基于代理阴性样本选择性测量策略下的预测风险，核心假设为代理能识别确认阳性而阴性需抽样。方法提出最小化期望交叉熵损失主导项的最优抽样设计，并将其嵌入逆概率加权（IPW）交叉熵估计器；设计仅依赖协变量、代理与初步估计器，无需在设计阶段获取未标记样本的真实响应。理论证明了估计器的一致性、渐近正态性及主导阶预测最优性，模拟与实际数据表明在代理误设定与罕见结局下仍具鲁棒性。对您可能有用：该文在测量约束下的最优设计问题与 IPW 估计框架，直接连接到因果推断中 selection bias / missing data 的 identification 与 estimation 子方向。
  • 关键技术: inverse-probability weighting (IPW), optimal sampling design, cross-entropy loss minimization, asymptotic normality, surrogate-negative sampling
  • 为什么对您有用: 本文直接连接到因果推断中 measurement constraint / two-phase sampling 设计下的 identification 与 estimation 子方向。研究者武器库中非常熟悉的 estimation theory in causal inference 与 moderately_familiar 的 semiparametric theory 可直接攻入本文 IPW 交叉熵估计器的效率界分析——可验证其声称的 leading-order optimality 是否达到 semiparametric efficiency bound，或探索用 HOIF 构造更高阶修正以提升罕见结局设定下的效率。Follow-up 粗判：立即可做。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)

1. 2606.03018 — A Fast Screening Approach for High-dimensional Outcomes and High-dimensional Predictors

  • 作者: Hongju Park, Zhenyao Ye, Shuo Chen
  • 分类: stat.ME · cs.LG · math.ST · stat.ML · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在高维结果与高维预测变量的交叉模态分析中，现有筛选方法仅缩减预测空间，导致响应维度保持不变，计算负担重且解释性差。本文提出图独立性双端筛选（GIDS），同时缩减响应变量和预测变量的维度，设计高效算法以处理超大规模数据。方法基于图独立性度量构建筛选统计量，并建立筛选一致性等理论性质。模拟研究表明GIDS在特征缩减精度和后续选择稳定性上均优于传统只筛选预测变量的方法。在阿尔茨海默病神经影像学倡议（ADNI）数据中，GIDS将86.5万CpG位点和4.9万转录本分别缩减至约9000和2000，发现块状交互结构并揭示协调的调控机制。您熟悉的高维渐近理论可以直接用于评估该方法的筛选条件是否紧致，或将其与U统计量框架结合以应对更复杂的相依结构。
  • 关键技术: Graph Independence Dual Screening, dual response-predictor screening, screening consistency, blockwise interaction structure
  • 为什么对您有用: 本文属于高维统计中的双端筛选方法，直接对应您的高维统计primary interest。您可以使用very_familiar中的high-dimensional asymptotics检验其理论条件（如筛选一致性所需的条件数），或用nonparametric statistics评估其独立性度量的合理性。立即可做：您目前已具备分析其渐近性质的全部工具。

2. 2606.03880 — Principal Components Decomposition of Fraction of Variance Explained in High Dimensional Linear Models with Strong Correlation

  • 作者: Man Luo, Chun Chieh Fan, David Azriel, Armin Schwartzman
  • 分类: stat.ME · stat.AP
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在高维线性模型（p,n 同阶增长）下研究方差解释分数（FVE/heritability）的估计，当 predictors 之间存在强相关性（如脑影像数据）时，现有 GWASH 与 LMM-REML 估计器偏差显著。本文提出 FVE 的主成分分解框架：将 FVE 拆分为捕捉强相关结构的低维成分（可用传统低维方法估计）与剩余弱相关的高维成分（可用 GWASH / LMM-REML 等高维方法估计）。核心机制是先提取 dominant PCs 从设计矩阵中剥离强相关信号，再对残差部分应用高维估计，从而减少偏差；理论上证明了在 p,n → ∞ 比例渐近下该分解估计的一致性。模拟与 ABCD 脑影像数据实证表明，相比直接使用 GWASH 或 LMM-REML，该分解策略在强相关设定下偏差更小。对您可能有用：该文的高维 FVE 分解与 RMT 比例渐近设定直接相关，且 dominant PC 剔除策略与高维信号检测中的 spike model 思路一致。
  • 关键技术: fraction of variance explained (FVE), principal components decomposition, high-dimensional proportionality asymptotics, GWASH estimator, LMM-REML, spike model signal separation
  • 为什么对您有用: 直接连接到 primary interest 中的高维统计与 RMT：本文处理的是 p/n → γ 比例渐近下强相关（spike）结构的剥离与剩余弱相关部分的 FVE 估计，属于 RMT spike model 在线性模型方差解释中的应用。用 technical_arsenal 中 very_familiar 的「high-dimensional asymptotics」可直接审视其比例渐近下的一致性证明与偏差缩减机制，判断其 spike 剔除是否达到 minimax 意义下的 sharper rate。follow-up 判断：立即可做——用您熟悉的高维渐近与 spike model 工具即可复现其理论分析并探索更紧的偏差界。

3. 2606.03750 — Extending TCLUST to higher dimensions

  • 作者: Luc\'ia Trapote Reglero, Luis \'Angel Garc\'ia Escudero, Agust\'in Mayo \'Iscar
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在高维聚类设定下，目标是解决 TCLUST 因参数维度爆炸而失效的问题，同时放宽 RLG 方法对相交子空间和等方差正交误差的过强假设。本文提出 tHHDC 方法，将 TCLUST 的 trimming 策略与 HDDC 的 eigenvalue-constraint 降维框架结合，在混合模型下对 scatter matrix 的 eigenstructure 施加约束以减少待估参数。理论部分给出了该方法在 trimming + eigenvalue-constraint 双重限制下的部分性质，并提供了基于约束优化的可行算法。模拟与实例展示了参数选择及方法表现。对您可能有用：该文在高维 scatter matrix 上施加 eigenvalue-constraint 的思路，与 RMT 中对样本协方差阵谱结构的约束分析有方法论交集。
  • 关键技术: trimmed clustering, eigenvalue constraints, mixture model estimation, constrained optimization, subspace clustering
  • 为什么对您有用: 本文涉及高维 scatter matrix 的 eigenvalue-constraint 估计，与您 primary interest 中高维统计 / RMT 对协方差阵谱结构的分析有交集，但核心是算法与聚类应用而非 RMT 或 minimax 理论。用您 very_familiar 的高维渐近理论可以审视其 eigenvalue-constraint 在 SNR 极低或 n/p→0 时的估计一致性是否成立。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，才能严格分析该约束 M-estimator 的渐近性质与效率。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2606.03023 — Marginalised Poisson Hurdle Model for Cross-Sectional Count Data with Excess Zeros

  • 作者: Fred Fosu Agyarko, Edward Acheampong, Issah Seidu, Samuel Iddi
  • 分类: stat.ME · stat.AP
  • 相关性 6/10 · novelty: new_method
  • 摘要: 在零膨胀计数数据的 hurdle model 设定下，目标是让计数分量的系数直接参数化边际均值 E[Y]，而非传统的 Poisson 结构率。本文提出 Marginalised Poisson Hurdle Model (MPHM)，通过非线性 connector equation 将结构 Poisson 率与参数化边际均值相连，并证明 connector 解的存在性与唯一性。推导了 score equations 与 block-diagonal Fisher information，建立 M-estimator 的渐近正态性，证明 exp(beta) 在所有协变量取值下精确恒定（即 IDR 常数）。数值求解采用 vectorised Brent's method；模拟（n=100-1000，零比例 0.2-0.8）显示一致性、近零偏差及 95% Wald 覆盖率 0.905-0.975。对您可能有用：MPHM 的 connector equation 与渐近理论为流行病学零膨胀数据的边际效应估计提供了可直接套用的参数化框架。
  • 关键技术: Poisson hurdle model, marginal mean reparametrisation, nonlinear connector equation, Brent's method root-finding, block-diagonal Fisher information, M-estimation asymptotic normality
  • 为什么对您有用: (1) 直接连接流行病学应用中的零膨胀计数数据因果/关联效应估计，MPHM 提供了无需额外 marginalisation 即可报告恒定 IDR 的框架。(2) 武器库中 M-estimation theory (moderately_familiar) 可直接攻其渐近正态性与 Fisher information 推导的细节，甚至可探讨 connector equation 在更复杂 semiparametric 设定下的扩展。(3) 立即可做：用 very_familiar 的软件开发能力实现该 vectorised Brent solver 并复现 NMES1988 数据分析，同时用 moderately_familiar 的 M-estimation theory 检查其渐近理论是否可推广至 longitudinal 零膨胀设定。

2. 2606.03805 — Regularization in Paired Comparison Models via Pseudo-Games and Phantom Players

  • 作者: Mark E. Glickman
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 在配对比较模型（Bradley-Terry / Thurstone-Mosteller）设定下，当比较图不连通或近分离时，MLE 不稳定或不可行，目标是获得有限且收缩的 ability 参数估计。本文提出两种数据增广视角的 regularization：一是对所有竞争者对添加 fractional pseudo-games，二是引入固定强度的 phantom player 并赋予每个真实竞争者加权伪胜/伪负。两种增广均产生有限收缩估计，且 phantom-player 构造自动解决位置不可识别性而无需显式线性约束。在 Bradley-Terry 模型下，两种增广对应透明惩罚函数，可与 ridge penalty 直接对比；2025 MLB 数据实证表明调参后的增广估计能紧密复现 ridge 结果并保留直观的增广数据解释。对您可能有用：此处的 phantom-player 位置识别处理与 M-estimation 中的参数约束有相通之处，pseudo-game 增广则提供了一种将 penalty 转化为增广似然的显式构造思路。
  • 关键技术: paired comparison model, Bradley-Terry model, data augmentation regularization, pseudo-game augmentation, phantom player construction, ridge penalty equivalence
  • 为什么对您有用: 本文连接到 M-estimation 理论与 semiparametric 识别问题：phantom-player 自动解决位置不可识别性的机制，对研究 semiparametric / causal 模型中类似 nuisance 参数约束有启发；pseudo-game 增广将 penalty 转化为增广似然的显式构造，与 M-estimation 的 penalty-likelihood 对偶视角直接相关。用 very_familiar 的 M-estimation 理论即可分析此增广估计的 asymptotic property（如 shrinkage 对 influence function 的影响），属于立即可做的 follow-up 方向。

效率理论 / Debiased ML (efficiency_dml, 2 篇)

1. 2606.03154 — Efficient Federated Estimation and Inference for High-Dimensional Tail Index Regression

  • 作者: Haoyu Geng, Liuhua Peng, Changliang Zou, Xiaolong Cui
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 在高维 tail index regression 设定下，本文研究异质多源（federated）数据中的个性化估计与推断问题，目标 estimand 为各 client 的稀疏回归系数及潜在分组结构。核心方法结合稀疏正则化与非凹融合惩罚（fusion penalty），同时完成系数估计、变量选择与分组恢复，并证明估计量具有 oracle property 及非渐近收敛率。推断方面，提出基于自适应加权聚合的 debiased federated inference，构建置信区间与假设检验，其效率优于仅用本地数据的 target-only 推断。计算上开发了基于 ADMM 的联邦算法并保证其收敛。对您可能有用：其 debiased 聚合推断思路可借鉴到您关注的 semiparametric efficiency / debiased ML 框架中处理异质数据源的效率界问题。
  • 关键技术: high-dimensional tail index regression, nonconcave fusion penalty, debiased federated inference, adaptive weighted aggregation, ADMM federated algorithm, oracle property
  • 为什么对您有用: 直接连接您 primary interest 中的 efficiency theory (debiased ML)：本文的 debiased federated inference 通过跨 client 自适应加权聚合提升效率，本质上是在异质数据约束下逼近 semiparametric efficiency bound 的一种策略，您可用 minimax bound / semiparametric efficiency 理论验证其声称的效率提升是否真正达到该设定下的效率极限。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以推导 federated 约束下的 efficiency bound 并与本文的 debiased 聚合方案做严格对比。

2. 2606.03211 — Optimized Labeling Resource Allocation for Prediction-Assisted Inference via OPAL

  • 作者: Virginia L. Ma, Emmanuel J. Cand`es
  • 分类: stat.ME · stat.ML
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在 active statistical inference 框架下，目标是利用黑盒 ML 模型的不确定性得分来优化标注资源分配，从而对总体参数（如 odds ratio）进行有效推断。本文提出 OPAL 方法，在可处理的平滑策略类中学习标注策略，以最小化所得估计量的方差。OPAL 构建了端到端流水线：将黑盒不确定性转化为数据自适应标注策略，再对收集样本执行推断，有效缓解了原有框架在不确定性估计噪声下易碎的问题。理论上，OPAL 保证了有限样本下的名义覆盖率和方差最优性；实证上，在医学影像、计算社会科学和蛋白质组学数据上验证了其有效性。对您可能有用：OPAL 的方差最小化目标直接关联 semiparametric efficiency bound 的思想，其平滑策略类的优化可视为一种 constrained efficient inference 设计。
  • 关键技术: active statistical inference, variance-minimizing labeling policy, smooth policy class optimization, prediction-assisted inference, finite-sample coverage guarantee
  • 为什么对您有用: 本文直接关联 efficiency theory 子方向：OPAL 的核心是在约束策略类下最小化估计量方差，这与 semiparametric efficiency bound 的 constrained optimization 视角高度同构。用 technical_arsenal 中的 semiparametric theory 和 minimax bounds for estimation problems 可以分析其平滑策略类下的方差下界是否紧，或探索该策略类是否逼近 unconstrained efficiency bound。follow-up 粗判：中期可做——需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将 OPAL 的方差最小化问题严格嵌入 semiparametric efficiency 框架并推导可能的 sharper rate。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)

1. 2606.03012 — Powerful Switchback Experiments -- Or Not?

  • 作者: Sergei Pankratev
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 在 switchback 实验设定下（treatment 以 cluster×time-period 为单位分配），目标是推导个体水平 OLS 估计量的 closed-form 多层渐近方差近似，从而填补该设计下无显式功效公式的空白。核心机制在于将方差分解为个体噪声与宏观冲击两部分：前者随观测密度消失，后者则受 cluster 大小不平衡的乘性惩罚，形成统计功效的结构性下界。作者证明分层等高级分配设计仅能部分消除不平衡惩罚，而针对宏观冲击的方差缩减技术比针对残差噪声的效率增益更大；同时形式化了个体水平与 cell 水平估计量之间的有限样本功效权衡。对您可能有用：为 cluster×time 交叉设计下的功效分析提供了显式方差公式与结构性下界，直接补充了假设检验与实验设计方向的理论工具。
  • 关键技术: switchback experiment design, multi-level asymptotic variance approximation, OLS estimator variance decomposition, cluster size imbalance penalty, power formula derivation, finite-sample power trade-off
  • 为什么对您有用: 直接连接到 hypothesis testing 子方向，为 cluster×time 交叉设计提供了显式功效公式与结构性下界，填补了该实验设定下无 closed-form power formula 的空白。用 very_familiar 中的 minimax bounds / high-dimensional asymptotics 视角可以审视其多层方差近似的紧性，并验证其声称的 conservative upper bound 是否在更一般的扰动设定下成立。立即可做：用熟悉的渐近分析与 M-estimation 理论即可展开对其方差分解与功效权衡的深入验证与扩展。

2. 2606.03415 — A Better Comparison under right-censoring: ABC Statistic for Equivalence Testing and Quantification

  • 作者: Simon Mack, Kathrin M\"ollenhoff, Dennis Dobler
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 在右删失生存数据设定下，本文研究 ABC（area between curves）统计量的大样本性质，目标 estimand 为两条生存曲线间归一化 L^1 距离，即使生存函数交叉该量仍具可解释性。估计基于两组独立样本的 Kaplan-Meier 曲线积分绝对差；作者推导了该统计量的渐近分布，并指出其极限分布可能非正态，因此考察了多种重抽样方案（如 bootstrap / subsampling）来逼近该分布。基于上述理论突破，构建了等价检验以确认两组生存差异在实践上可忽略，并给出 ABC 点估计的置信区间以量化曲线差异。模拟覆盖比例 hazards、交叉与部分相等生存函数场景；肺癌试验数据展示了方法应用。对您可能有用：本文为非标准极限分布下的等价检验提供了完整的 semiparametric 推理框架，直接补充了您在 hypothesis testing 与 semiparametric theory 方面的兴趣。
  • 关键技术: Kaplan-Meier estimation, L1-distance functional, asymptotic distribution under right-censoring, non-normal limit distribution, resampling-based inference, equivalence testing
  • 为什么对您有用: 本文直接连接您 hypothesis testing 子方向，处理的是非标准（可能非正态）极限分布下的等价检验构造，属于 semiparametric M-estimation 的渐近推理范畴。您武器库中 M-estimation theory 与 semiparametric theory 可直接攻入其极限分布推导与重抽样有效性论证的口子。follow-up 判断：立即可做——用 very_familiar 的高维渐近与 moderately_familiar 的 M-estimation 理论即可审视其渐近展开是否可进一步给出 influence function 形式或 sharper rate。

3. 2606.03670 — Projection Diagnostics for Directional Asymmetry and Tail-Ratio Departure in Multivariate Data

  • 作者: Sayantan Banerjee, Soudeep Deb
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 6/10 · novelty: new_method
  • 摘要: 针对多元数据中的方向不对称性和尾部比率偏离的诊断问题，提出一种基于投影的分位数方法。通过将多元问题降至一维投影，计算方向偏度（跨多个分位数水平）和分位数间尾部比率（相对于基准），将数据分为四类：对称基准尾、对称尾偏离、偏斜基准尾、偏斜尾偏离。分位数公式避开了三阶和四阶矩，在重尾分布下更稳健。建立了在中心对称和椭圆分布下的总体性质，推导了被搜索方向上的均匀有限样本界，证明了在分离区域下阈值分类的一致性。还利用稀疏秩一计算说明了坐标方向为何能补充高维中的随机方向。该诊断旨在为后续建模（如选择对称、偏斜、尾偏离或组合模型）提供依据。论文在假设检验和非参数诊断理论上有清晰贡献，其均匀界技巧和投影思路可以直接迁移到高维统计问题（如高维U统计的对称性检验）。
  • 关键技术: projection pursuit, quantile-based summaries, directional skewness, interquantile tail-ratio, uniform finite-sample bounds, sparse rank-one calculation
  • 为什么对您有用: 论文属于假设检验与非参数诊断的交叉，与你主兴趣中的数学统计与假设检验直接相关。你对非参数统计（均匀界、投影方法）和高维渐近非常熟悉，可以立即用于分析该诊断方法的投影方向选择锐利性或改进均匀界，例如利用 minimax 界检验其阈值是否最优。立即可做——你的非参数武器足以评价其理论性质，甚至可进一步将方法推广到高维 U 统计的对称性诊断。

4. 2606.03656 — Beyond Point Estimates: Reliable Evaluation of Prediction Performance Metrics under Clustered Data

  • 作者: Taekwon Hong, Daeyoung Lim, Woojung Bae
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在聚类/重复测量等依赖数据设定下，本文研究预测性能指标（accuracy、F1等）的不确定性量化与假设检验问题，目标参数为混淆矩阵概率的平滑泛函。核心方法是将各类指标统一表示为混淆矩阵概率的平滑泛函，进而利用 cluster-robust sandwich variance estimator 构建渐近有效的置信区间、假设检验与配对模型比较，覆盖二分类与多分类场景。理论证明了在聚类依赖下该 sandwich estimator 的渐近正态性与覆盖率性质，并基于 pilot data 给出功效与样本量近似公式以支持实验设计。模拟显示 naive 方法严重低估变异性而本文方法达到近名义覆盖率，实证分析表明考虑聚类可实质性改变结论。对您可能有用：该框架将分类指标视为平滑泛函并做 sandwich 推断，与您在 semiparametric efficiency 和 M-estimation 方向的 arsenal 直接相关。
  • 关键技术: smooth functional of confusion-matrix probabilities, cluster-robust sandwich variance estimator, asymptotic confidence intervals, paired model comparison, power and sample size approximation
  • 为什么对您有用: 本文连接到 hypothesis testing 与 semiparametric theory 子方向：将分类指标统一为混淆矩阵概率的平滑泛函并做 cluster-robust 推断，与您 M-estimation theory 和 semiparametric theory 的 moderately_familiar arsenal 对接，可用 M-estimator 的 influence function 视角审视其 sandwich variance 是否达到 semiparametric efficiency bound。Follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，具体可攻的口子是用 HOIF 或 higher-order U-statistic 分析该 smooth functional estimator 在强聚类依赖下的高阶渐近性质（如 Edgeworth 展开），当前 arsenal 对 cluster-robust 的高阶修正尚缺直接工具。

统计计算 / 算法 (stat_computing, 4 篇)

1. 2606.03961 — A Neural Estimation Framework for Aggregated Relational Data under Intractable Likelihoods

  • 作者: Rowland G Seymour, Joseph Marsh
  • 分类: stat.ME · stat.AP
  • 相关性 6/10 · novelty: new_method
  • 摘要: 在聚合关系数据（ARD）的间接推断设定下，目标是估计隐藏人群规模及潜在网络结构，传统贝叶斯方法假设各子群体计数条件独立，但同质性、潜在空间聚类和不完美回忆均会破坏该假设。本文提出一种基于模拟的神经估计框架，仅需生成器即可处理不可写或不可计算似然的模型。核心机制是训练置换不变的神经 Bayes 估计器，通过最小化多分位数 pinball loss 并结合 cumulative-gap 构造，返回每个边际参数的后验中位数与 95% 置信区间，且从设计上杜绝分位数交叉。在三个结构不同的不可处理 NSUM 扩展模型（随机块模型、潜在空间模型、回忆子集模型）及卢旺达 ARD 家庭调查数据上验证了框架的有效性。对您可能有用：该框架为不可处理似然提供了 simulation-based inference 的计算方案，与您 statistical computing 方向的数值方法与软件实现兴趣直接相关。
  • 关键技术: simulation-based inference, neural Bayes estimator, multi-quantile pinball loss, cumulative-gap construction, permutation-invariant neural network, intractable likelihood
  • 为什么对您有用: (1) 本文连接到您 primary interest 中 statistical computing（数值方法与软件）子方向，提供了针对不可处理似然的 simulation-based inference 与神经估计器的完整计算框架。(2) 您武器库中 very_familiar 的 software development 可以直接攻这篇 paper 的实现口子——复现其 permutation-invariant 网络与 cumulative-gap pinball loss 训练流程，并探索将其应用于因果推断中不可处理似然的设定。(3) 立即可做：用 very_familiar 的软件开发与高维渐近工具即可动手复现框架并测试其在不同生成模型下的表现。

2. 2606.02589 — Rashomon-Seeded Annealing for Robust Bayesian Inference in Factorial Designs

  • 作者: Yiyang Fan, Soumyakanti Pan, Tyler H. McCormick
  • 分类: stat.ME · stat.ML
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在 factorial design 的 Bayesian model averaging 设定下，目标是对含组合爆炸交互效应的多模态后验进行全模型空间推断，传统 MCMC 在此面临严重收敛困难。本文提出 Rashomon-seeded annealing 框架，将 Rashomon set（高预测性能模型集）作为 annealed importance sampling (AIS) 的 warm start 初始密度锚定在高证据区域，同时保留全局支撑。该方法避免将推断截断于 Rashomon set 内，而是通过 AIS 修正恢复完整后验推断，将 Rashomon 证书转化为 proposal 机制。具体使用 Rashomon Partition Sets (RPS) 作为 factorial design 的 certified seed constructor，所得算法产出一致的 self-normalized 后验摘要（model-averaged cell means、credible intervals 等），无需枚举全模型空间。对您可能有用：该框架为高维离散模型空间的 Bayesian 计算提供了一种结合 model discovery 与 rigorous inference 的通用策略，直接关联 statistical computing 与 factorial design 下的推断效率。
  • 关键技术: Rashomon set, annealed importance sampling, Bayesian model averaging, Rashomon Partition Sets, multimodal posterior sampling, factorial design
  • 为什么对您有用: 本文连接 statistical computing 与 factorial design 下的 Bayesian 推断计算，属于您 primary interest 中 statistical computing 子方向。您武器库中 very_familiar 的 software development 与 moderately_familiar 的 M-estimation theory 可用于审视 RPS seed 的构造算法效率及 AIS 修正步的数值稳定性。Follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以分析 Rashomon set 边界（ε-容差）与 AIS 温度调度对后验一致性收敛的交互影响；若想深入 factorial design 的 identification theory，也需补充该领域特定正则性假设的知识。

3. 2606.03230 — Predictively-Oriented Kalman Filtering

  • 作者: Zheyang Shen, Gerardo Duran-Martin, Chris. J. Oates
  • 分类: stat.ME · stat.CO
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在非线性状态空间模型的在线滤波设定下，本文针对动态模型或观测模型存在误设定时传统贝叶斯滤波过度自信的问题，提出基于 predictively-oriented (PrO) 后验的后贝叶斯方法。PrO 后验的核心机制是：仅当整体模型正确设定时才产生后验集中，否则拒绝学习，从而绕开严格遵循贝叶斯定理的更新。由于 PrO 后验的精确刻画困难，主要技术贡献是提出一种快速近似线性高斯更新程序 EKF-PrO，类比于迭代扩展卡尔曼滤波（IEKF），无需调谐超参数且计算成本与现有滤波方法相当。理论层面未给出严格的收敛率或大样本保证，主要贡献在算法设计与数值实验。实证部分在系统误设定的线性和非线性场景中验证了 EKF-PrO 避免过度自信的效果。对您可能有用：若关注统计计算中数值方法与算法设计，此文提供了一个无超参数、计算轻量的滤波近似方案。
  • 关键技术: predictively-oriented posterior, extended Kalman filter, iterated extended Kalman filter, linear-Gaussian approximation, state-space model filtering, post-Bayesian learning
  • 为什么对您有用: 本文属于 stat_computing 方向的算法改进，核心是数值近似与计算效率，与您 primary interest 中的 statistical computing（numerical methods, algorithm）直接相连。从 technical_arsenal 看，您 very_familiar 中的 software development 与 inverse problems with random noise 可以直接用来复现和测试 EKF-PrO 在不同误设定场景的表现，但本文缺乏严格的数学统计理论（如 minimax rate / influence function），无法用您熟悉的非参或高维工具切入理论分析。Follow-up 判断：立即可做——用 very_familiar 的软件开发与数值实验能力复现算法、探索其在特定逆问题中的表现；若想做理论跟进（如 PrO 后验的收敛性/效率界），则需先在 moderately_familiar 的 M-estimation theory 上长肌肉以建立框架。

4. 2606.03429 — Modeling Discrete Data with High-Order Vector Potts Models

  • 作者: Aaron De Clercq, Merijn Moody, Cl\'elia de Mulatier
  • 分类: stat.ME · cond-mat.dis-nn · cond-mat.stat-mech · math-ph · math.MP · physics.data-an
  • 相关性 4/10 · novelty: new_method
  • 摘要: 在高维离散数据设定下，本文将最大熵模型从二值 Ising 模型推广至 q-state vector Potts 模型，以刻画变量间任意阶数的长程交互作用。核心机制是利用离散 Fourier 分析与 loop expansion 重写配分函数，证明 spin model 的统计性质完全由交互作用的代数结构决定；进而定义 gauge transformation，使不同阶交互的模型在 gauge 等价下对应同一抽象统计模型。在模型选择层面，作者将 binary Minimally Complex Models (MCM) 推广至离散情形，导出 marginal likelihood 的闭式表达，从而实现快速贝叶斯模型选择。主要理论结果揭示了代数结构对配分函数与 gauge invariance 的决定性作用，实证用简单真实数据演示了高阶 Potts MCM 的可用性。对您可能有用：本文的 loop expansion 与 gauge 等价视角为高阶交互模型的代数简化提供了新路径，与您在 higher-order U-statistics 中用 tensor contraction / einsum 刻画组合复杂度的思路有结构上的共鸣。
  • 关键技术: q-state vector Potts model, discrete Fourier analysis on spin interactions, loop expansion of partition function, gauge transformation for model equivalence, Minimally Complex Models (MCM), closed-form marginal likelihood
  • 为什么对您有用: 本文连接到 statistical computing 与 higher-order U-statistics 的交叉地带：高阶 Potts 模型的 loop expansion 将配分函数的求和结构显式为代数/组合对象，这与您用 treewidth / tensor contraction / einsum 分析高阶 U-statistic 计算复杂度的技术 arsenal (very_familiar) 直接对口——可以用 einsum 视角审视其 loop expansion 的 contraction order 与计算代价。Follow-up 判断：立即可做——您可用 very_familiar 的 tensor contraction / einsum 工具分析其 loop expansion 求和的图论复杂度，验证 MCM 的闭式 marginal likelihood 是否在更高阶或更大 q 下仍有计算优势，甚至将 gauge invariance 与 tensor network 的对称性做形式类比。

天体统计 (astrostats, 1 篇)

1. 2606.02788 — Neutrino Fingerprints: Image-Based Encodings of IceCube Events for CNN Direction Reconstruction

  • 作者: Floriano Tori, Brecht Verbeken, Vincent Ginis
  • 分类: astro-ph.IM · cs.LG
  • 相关性 6/10 · novelty: application
  • 摘要: 本研究针对IceCube中微子观测站的方向重建问题，提出了一种新颖的图像编码方法——中微子指纹（neutrino fingerprints），将稀疏、不规则的脉冲数据编码为稠密的72×72×3图像，每个像素代表一个探测器，脉冲时序和电荷统计量作为颜色通道。使用ResNet18卷积神经网络在这一紧凑表示上进行训练，在IceCube-Neutrinos in Deep Ice Kaggle竞赛的1.4亿模拟事件数据集上实现了平均角度误差1.10弧度。结果表明，卷积网络在此编码下能够与更复杂的架构相竞争，同时提供了一个有效、可解释的基线方法。该工作主要贡献在于数据表示的转换，而非统计方法本身的创新。对于您而言，本文可作为了解天文物理学中实际数据挑战（大规模稀疏、不规则监测数据）的入门读物，您熟悉的高维统计和非参数技术可用于此类表示学习问题的理论分析。
  • 关键技术: Neutrino fingerprint encoding, Convolutional neural network (ResNet18), Angular error reconstruction, Sparse irregular pulse data to dense image
  • 为什么对您有用: 本文属于astrostatistics应用，适合作为gateway reading：它清晰介绍了IceCube数据结构和科学问题（中微子方向重建），不预设天文学行话，外行容易理解。您的技术武器库（非参数统计、高维渐近、软件工程）足以支撑理解并评估其表示方法的统计效率，但本工作本身方法学简单，不需要额外工具。值得花时间读全文，因为它提供了天体物理学数据挑战的具体案例，有助于您熟悉该领域的常见数据形态和分析痛点。

经济理论 / 应用 (econ_theory, 2 篇)

1. 2606.03828 — Network Time Series Models for Multivariate Volatility Forecasting

  • 作者: Chiara Boetti, Matthew A. Nunes
  • 分类: stat.ME
  • 相关性 7/10 · novelty: minor
  • 摘要: 在多元已实现方差（realized variance）预测设定下，本文提出广义网络 HAR（GNHAR）模型，目标是通过有向图刻画跨资产波动溢出效应并提升预测精度。核心机制是将 Granger 因果检验或连通性指数推断出的有向网络结构嵌入异质自回归（HAR）框架，从而在保持参数稀疏性的同时引入截面依赖。模型避免了传统多元波动率模型（如 VAR-RV）的过度参数化问题，通过网络拓扑筛选有效溢出路径，使参数集能动态追踪跨市场依赖的强弱变化。实证基于 10 只股票在平静期与危机期的数据，GNHAR 在短期与长期预测上均优于基准 HAR 模型，且在引入跳跃-连续分解或期权隐含方差时仍保持优势。对您可能有用：该文提供了金融波动率预测中网络结构推断的完整实证流程，可作为经济理论应用方向的入门案例阅读。
  • 关键技术: heterogeneous autoregressive (HAR) model, Granger-causality network inference, connectedness index, realized variance forecasting, jump-continuous decomposition, option-implied variance
  • 为什么对您有用: 本文属于经济理论（金融波动率预测）的应用实证工作，核心是将网络拓扑嵌入 HAR 框架以解决多元波动率模型的过度参数化问题。对您而言，本文是经济理论方向较好的入门读物，清晰展示了从 Granger 因果推断网络到稀疏参数化建模的完整 pipeline，但方法学 novelty 属于模型规格层面的增量改进（novelty_flag = minor），未触及您熟悉的 semiparametric efficiency 或 minimax rate 等理论深度。武器库完全够支撑阅读和复现此文的实证部分（very_familiar: software development / high-dimensional asymptotics），但若要从理论层面推进（如给 GNHAR 的 Granger-causality 网络推断建立 semiparametric efficiency bound 或 higher-order U-statistic 检验），需先在 moderately_familiar 的 semiparametric theory 上长肌肉。整体判断：值得花时间读全文以了解经济波动率预测的实证范式，但暂不可做深层理论跟进。

2. 2606.03665 — Sparse Tree-Based Aggregation for Time Series Regressions

  • 作者: Marie Corillon, Stephan Smeekes, Ines Wilms
  • 分类: econ.EM · stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在高阶自回归与混频回归的高维时间序列设定下，目标是通过时间聚合而非传统稀疏化来降低维度，关键假设是滞后系数在不同频率层级上具有树状结构。本文提出 StarTime（Sparse Tree-based Aggregation for Time Series），一种凸惩罚方法：将滞后项按从高频到低频的树状层级排列，灵活选择系数在不同频率上聚合、稀疏或两者兼有。核心理论贡献是给出了 StarTime 的新误差界（error bound），证明其在估计精度与聚合/稀疏结构恢复上的优势。模拟与金融/宏观经济实证表明 StarTime 相较基准方法有更优表现。对您有用之处在于：该树状惩罚结构与您在 higher-order U-statistic 中用 treewidth/tensor contraction 刻画计算复杂度的图论视角有形式上的呼应，且混频回归的聚合降维思路可迁移至纵向因果推断中多时间尺度测量的处理。
  • 关键技术: convex penalization with tree structure, temporal aggregation for dimension reduction, mixed-frequency regression, high-order autoregression, error bounds for penalized estimation, hierarchical lag selection
  • 为什么对您有用: 本文连接到经济理论（宏观/金融时间序列）与纵向因果推断的混频设定。StarTime 的树状惩罚结构在形式上与您 very_familiar 的 treewidth/tensor contraction 视角相通——滞后项的层级聚合本质上是在树图上做系数收缩，这为用您的图论/张量工具分析此类惩罚估计器的计算-统计权衡提供了直接入口。Follow-up 判断：立即可做——您可用 treewidth/einsum 框架分析 StarTime 惩罚下估计器的计算代价，并尝试将聚合降维思路移植到纵向因果推断的混频数据处理中。

其他 (other, 4 篇)

1. 2606.03360 — Structured drift design for denoising diffusion models

  • 作者: Mahsa Taheri
  • 分类: math.ST · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究扩散生成模型的前向过程设计问题，目标是在高度相关、多模态分布（如基因数据）下，避免各向同性噪声破坏数据的几何结构。作者提出 Geometry-aware Ornstein-Uhlenbeck (GOU) 过程，通过方差感知的各向异性漂移，在低方差方向快速收缩、高方差方向缓慢收缩，从而在前向过程中保留多模态聚类结构。核心理论贡献是证明 GOU 的反向初始化误差由局部方差而非全局方差控制，从而减少初始失配并加速收敛。实验表明 GOU 在模式分离、相关性保持和统计有效性上优于各向同性模型。对您而言，本文的各向异性漂移设计与高维渐近理论中的协方差结构分析有概念联系，但核心是生成模型而非推断。
  • 关键技术: anisotropic Ornstein-Uhlenbeck process, variance-aware drift design, backward initialization error bound, local variance control, multimodal structure preservation
  • 为什么对您有用: 本文属于生成模型设计，与您核心的因果推断/高维推断/效率理论方向无直接交集。各向异性漂移的协方差结构设计虽与您熟悉的高维渐近理论有概念上的呼应，但本文未涉及统计推断或计算复杂性壁垒。暂不可做：核心机器（扩散模型的 SDE 设计与反向过程收敛分析）不在您的武器库内，且缺乏对您 primary interest 的实质性推进，不建议花时间深读。

2. 2606.03360 — Structured drift design for denoising diffusion models

  • 作者: Mahsa Taheri
  • 分类: math.ST · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究扩散生成模型的前向过程设计问题，目标是在高度相关、多模态分布（如基因数据）下，避免各向同性噪声破坏数据的几何结构。作者提出 Geometry-aware Ornstein-Uhlenbeck (GOU) 过程，通过方差感知的各向异性漂移，在低方差方向快速收缩、高方差方向缓慢收缩，从而在前向过程中保留多模态聚类结构。核心理论贡献是证明 GOU 的反向初始化误差由局部方差而非全局方差控制，从而减少初始失配并加速收敛。实验表明 GOU 在模式分离、相关性保持和统计有效性上优于各向同性模型。对您而言，本文的各向异性漂移设计与高维渐近理论中的协方差结构分析有概念联系，但核心是生成模型而非推断。
  • 关键技术: anisotropic Ornstein-Uhlenbeck process, variance-aware drift design, backward initialization error bound, local variance control, multimodal structure preservation
  • 为什么对您有用: 本文属于生成模型设计，与您核心的因果推断/高维推断/效率理论方向无直接交集。各向异性漂移的协方差结构设计虽与您熟悉的高维渐近理论有概念上的呼应，但本文未涉及统计推断或计算复杂性壁垒。暂不可做：核心机器（扩散模型的 SDE 设计与反向过程收敛分析）不在您的武器库内，且缺乏对您 primary interest 的实质性推进，不建议花时间深读。

3. 2606.03702 — Dynamic Mini Max Design and Sequential HB Inference for Repeated Surveys

  • 作者: Siu-Ming Tam
  • 分类: stat.ME
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出动态最小最大设计(DMM)框架，用于重复调查的联合优化，包括样本量和波重叠，满足水平估计和变化估计的同时精度约束、应答负担和预算限制。方法包含两个组件：动态最小最大设计(DMM Design)和顺序层次贝叶斯更新(SHBU)。DMM设计基于minimax原则，在给定约束下求解最优样本分配和重叠设计；SHBU则利用贝叶斯方法逐波更新参数。使用2021年澳大利亚人口普查数据及模拟的后续三波进行演示，与经典设计相比，DMM在满足所有精度约束下将初始样本量从42,018减少至40,251，节省约6.3%成本。水平覆盖的精度相当，但变化覆盖方面DMM达到100%而经典设计仅82%–96%，后者因忽略模型方差而低估了变化的不确定性。文中还介绍了DMM在联合推断、顺序更新和小区域估计方面的额外优势。对于关注纵向调查或面板数据设计的研究者，本框架可提供高效的样本规划和推断参考。
  • 关键技术: Dynamic Mini-Max Design (DMM), Sequential Hierarchical Bayes Update (SHBU), repeated surveys, sample size and wave overlap optimization, precision constraints under budget
  • 为什么对您有用: 本文虽不直接涉及因果推断，但重复调查的设计与纵向数据(longitudinal)研究密切相关，研究者对因果推断中的纵向设定有兴趣，其样本规划思路可借鉴。研究者非常熟悉的“软件开发”能力可复现和扩展本算法；中等熟悉的“识别理论”可帮助思考如何在面板因果设计中引入类似优化。目前来看，本框架为中期可做方向：需先在使用纵向因果识别方法（如g-formula或MSM）上积累经验，才能将其中的成本约束思想融入因果推断样本设计。

4. 2606.02912 — Data-Driven Forecasting of three-Component Seismograms Using Transformer Architectures

  • 作者: Waleed Esmail, Stuart Russell, Jana Klinge, Alexander Kappes, Christine Thomas
  • 分类: astro-ph.IM · cs.LG · gr-qc · physics.geo-ph
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究地震波形的自回归预测问题，目标是在给定 P 波到 S 波后一段上下文波形的前提下，递归生成未来三分量地震波形（无真实样本参考）。方法采用基于 Transformer 的 SeismoGPT 模型，将预测建模为物理约束的动力学延续问题，在合成地震图数据（震源深度 5–100 km、震中距 10–90°、震级 3–7）上训练。核心评估指标为距离归一化上下文比例下的归一化互相关，模型在 120 s 和 240 s 预测窗口下中位数 NCC > 0.93，成功预测保持了相位一致性和谱能量分布；失败模式主要为自回归展开中的相位漂移而非非物理信号。本文属于深度学习在物理时间序列预测的应用，无统计理论 novelty，但对您关注的统计计算（序列模型数值实现）和天文统计（引力波探测器地震噪声抑制）有间接参考价值。
  • 关键技术: transformer autoregressive model, normalized cross correlation, distance-normalized context ratio, phase coherence analysis, physically constrained continuation
  • 为什么对您有用: 本文与您 primary 的因果推断/高维/效率理论无直接交集，但作为天文统计 gateway reading 有一定价值：它展示了地震噪声对下一代引力波探测器（Einstein Telescope）的影响及数据驱动建模思路，天文背景交代尚可但统计建模深度不足。您的武器库（software development / numerical methods）足以理解其工程实现，但缺乏地震物理先验，且本文无方法论 novelty 供迁移。中期可做：若想进入引力波地震噪声统计建模方向，需先在 moderately_familiar 的 M-estimation 或 inverse problems 上结合物理约束模型长肌肉；目前不建议花时间读全文，仅浏览 intro 了解应用场景即可。

🗂 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. 2606.02676 — Diagnostic Tools for Extreme Value Regression Models

  • 作者: Ed Mackay, Jordan Richards, Philip Jonathan
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Extreme value regression diagnostics; tangential to primary interests.

2. 2606.02653 — Systematic Polarization Errors from Parallactic-Angle Dependent Leakage in Pseudo-Circular Feeds

  • 作者: Dipanjan Mitra
  • 分类: astro-ph.IM
  • 相关性 2/10
  • 评分理由: Pure radio interferometer instrumentation/calibration paper; lacks accessible data/model exposition for a stats outsider and no clear statistical methodology question.

3. 2606.02665 — Enabling tomorrow's planetary defence and space resource economy: Autonomous fleet-based asteroid rendezvous missions

  • 作者: Stefania Soldini, Paul A. Abell, Daniel J. Scheeres, Yuichi Tsuda, Xiaoyu Fu, Nicol`o Stronati, Hanjoon Shim, Sui Chen, Anirudh Chhabra, Ricardo Torres, Andrew Jones
  • 分类: astro-ph.IM · astro-ph.EP
  • 相关性 2/10
  • 评分理由: Engineering/mission design paper for asteroid rendezvous; no statistical data analysis or modeling problem articulated for a statistician.

4. 2606.02746 — Bridging the UV Gap: The HST Ultraviolet Foundation for Star Formation Science in the Era of Roman, Euclid, and HWO

  • 作者: F. Z. Majidi, A. Bayo, K. Biazzo, J. M. Alcal\'a, K. France, E. Gaidos, M. G. Guarcello
  • 分类: astro-ph.IM · astro-ph.EP · astro-ph.GA · astro-ph.SR
  • 相关性 1/10
  • 评分理由: Astrophysics white paper advocating for HST UV observations; purely scientific advocacy with no statistical methodology or data problem exposed.

5. 2606.02825 — A High-Bandwidth Backplane for Wideband Radio Interferometers and Integration with the CHORD Telescope Correlators

  • 作者: Wellington Avelino, Joshua Montgomery, Jean-Francois Cliche, Graeme Smecher, Matt Dobbs
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: Hardware backplane architecture for radio correlators; pure engineering with no statistical or data-analysis overlap.

6. 2606.03966 — The OAD Flagship Ecosystem

  • 作者: Joyful E. Mdhluli (on behalf of the IAU Office of Astronomy for Development)
  • 机构: Union astronomique internationale
  • 分类: astro-ph.IM · physics.soc-ph
  • 相关性 1/10
  • 评分理由: Astronomy-for-development program ecosystem overview; no statistical methodology or data-analysis problem presented.

7. 2606.02795 — Recovering Direct Price Effects of Environmental Amenities in Housing Markets: Regression and Causal Machine Learning Model Assessment with Empirical Monte Carlo Simulation

  • 作者: Zhenshan Chen (Virginia Tech), Klaus Moeltner (Virginia Tech), Matthew Mair (Virginia Tech)
  • 机构: Virginia Tech
  • 分类: econ.EM · stat.ML
  • 相关性 0/10

Maintained by 陈星宇 · Homepage · Source on GitHub

评论