2026-06-04 每日 arXiv 资讯

• 高相关论文 11 篇 · 中相关 14 篇 · 其他 11 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 6 篇)

1. 2606.05120 — Stochastic Sensitivity Analysis for Matched Observational Studies

• 作者: Mengqi Lin, Colin B. Fogarty, Gongjun Xu
• 分类: stat.ME
• 相关性 9/10 · novelty: new_method
• 摘要: 在匹配观察性研究的敏感性分析框架下，目标是评估未测量混杂对因果结论的颠覆强度。传统方法在给定潜在结果及所有混杂下推断，寻找未测量混杂的最差情形分配，导致潜在结果与隐藏偏差近乎完美相关的极端假定。本文提出随机敏感性分析，改为在给定潜在结果与已测量混杂下推断，将未测量混杂视为具有未知条件分布律的随机变量，并在广泛的分布类上寻找最差条件分布律。这保留了敏感性分析的对抗精神，同时通过一个标量敏感性参数允许隐藏偏差与潜在结果之间存在不完全对齐。作者考虑了无参数假定的可解释分布类与 Bernoulli 条件分布类两种限制，并通过设计敏感性计算与实证数据说明，即使引入极小的随机性也能显著提升对隐藏偏差的稳健性报告。对您可能有用：本文为匹配设计下的敏感性分析提供了新的随机化视角，直接连接到因果推断的 sensitivity analysis 子方向。
• 关键技术: matched observational study, sensitivity analysis, worst-case conditional law, design sensitivity, stochastic confounding model, Fisher randomization inference
• 为什么对您有用: 本文直接推进因果推断的 sensitivity analysis 子方向，从确定性最差情形转向随机化最差条件分布律，为评估隐藏偏差提供了更灵活的理论框架。您武器库中的 identification theory in causal inference（moderately_familiar）可直接用来审视其条件分布律的 identification 假设与标量参数的约束逻辑。中期可做：需先在 moderately_familiar 的 identification theory 上长肌肉，以将此随机敏感性框架从匹配设计推广至更一般的 semiparametric 模型或 longitudinal 设定。

2. 2606.04276 — Local Sensitivity Under Transport Restrictions

• 作者: Hongseok Namkoong
• 分类: math.ST · stat.TH
• 相关性 9/10 · novelty: new_theory
• 摘要: 在因果推断的 semiparametric 模型设定下，本文量化了模型结构知识（即先验限制）对 estimand 稳定性的价值。核心工具是 estimand 在 Otto-Wasserstein 几何下的分布扰动局部敏感度：单位概率质量位移引起的 estimand 最大一阶变化，等于 efficient influence function 空间梯度的 dual norm。模型者通过限制允许的 transport 类别来编码结构知识，敏感度的降低即为其 inductive bias 的价值。以此解释了因果推断中长期谜题：无论 propensity score 是否已知，经典 semiparametric efficiency bound 均相同，但实际中未知时估计极不稳定；本文证明已知 propensity score 显著降低了对 misspecification 的局部敏感度。对您有用：为 sensitivity analysis 与 semiparametric efficiency theory 提供了基于 Wasserstein 几何的新视角。
• 关键技术: Otto-Wasserstein geometry, local sensitivity analysis, efficient influence function, dual norm of spatial gradient, transport restriction, propensity score misspecification
• 为什么对您有用: 直接连接因果推断的 sensitivity analysis 与 semiparametric efficiency theory 两个子方向，用 Wasserstein 几何下的 influence function 梯度 dual norm 重新解释了 propensity score 已知/未知时 efficiency bound 不变但实际稳定性差异的经典问题。您武器库中 very_familiar 的 estimation theory in causal inference 与 moderately_familiar 的 semiparametric theory / HOIF 完全足以攻入本文：可尝试用 HOIF 展开到二阶，验证一阶局部敏感度在何种 misspecification 幅度下失效，或将其 dual norm 敏感度框架推广到 proximal CI 的 negative-control 设定中。立即可做。

3. 2606.04276 — Local Sensitivity Under Transport Restrictions

• 作者: Hongseok Namkoong
• 分类: math.ST · stat.TH
• 相关性 9/10 · novelty: new_theory
• 摘要: 在因果推断的 semiparametric 模型设定下，本文量化了模型结构知识（即先验限制）对 estimand 稳定性的价值。核心工具是 estimand 在 Otto-Wasserstein 几何下的分布扰动局部敏感度：单位概率质量位移引起的 estimand 最大一阶变化，等于 efficient influence function 空间梯度的 dual norm。模型者通过限制允许的 transport 类别来编码结构知识，敏感度的降低即为其 inductive bias 的价值。以此解释了因果推断中长期谜题：无论 propensity score 是否已知，经典 semiparametric efficiency bound 均相同，但实际中未知时估计极不稳定；本文证明已知 propensity score 显著降低了对 misspecification 的局部敏感度。对您有用：为 sensitivity analysis 与 semiparametric efficiency theory 提供了基于 Wasserstein 几何的新视角。
• 关键技术: Otto-Wasserstein geometry, local sensitivity analysis, efficient influence function, dual norm of spatial gradient, transport restriction, propensity score misspecification
• 为什么对您有用: 直接连接因果推断的 sensitivity analysis 与 semiparametric efficiency theory 两个子方向，用 Wasserstein 几何下的 influence function 梯度 dual norm 重新解释了 propensity score 已知/未知时 efficiency bound 不变但实际稳定性差异的经典问题。您武器库中 very_familiar 的 estimation theory in causal inference 与 moderately_familiar 的 semiparametric theory / HOIF 完全足以攻入本文：可尝试用 HOIF 展开到二阶，验证一阶局部敏感度在何种 misspecification 幅度下失效，或将其 dual norm 敏感度框架推广到 proximal CI 的 negative-control 设定中。立即可做。

4. 2606.04134 — Optimal Treatment Policy Estimation for Recurrent Events with a Competing Terminal Event: An Instrumented Difference-in-Differences Approach

• 作者: Ritoban Kundu, James Flory, Sean Hennessy, Ashkan Ertefaie
• 分类: stat.ME
• 相关性 8/10 · novelty: new_method
• 摘要: 在行政健康数据中，目标是在有竞争性终止事件（死亡）的复发事件设定下估计最优治疗策略，面临未测量混杂和“降低复发事件但增加死亡率”的 trivial policy 问题。作者提出 Instrumented Difference-in-Differences (iDID) 框架，利用政策诱导的治疗变异并允许跨人群的持久未测量差异，其假设比传统 IV 或 DID 更合理。方法给出两种 IPW identification 公式，并构建 multiply robust estimator：只要若干 nuisance model 子集中任一组合正确即可保证一致性。大样本理论证明了估计量的一致性与渐近正态性，模拟显示其有限样本表现优于现有方法。实证应用于全国 Medicare 数据优化 2 型糖尿病一线策略，在控制生存的前提下最小化疾病相关住院。对您可能有用：iDID 框架为 longitudinal/IV 设定下的 policy learning 提供了新 identification 路径，其 multiply robust 结构与 semiparametric efficiency 理论直接对接。
• 关键技术: Instrumented Difference-in-Differences, multiply robust estimation, Inverse Probability Weighted identification, optimal treatment policy, competing risk / terminal event, recurrent event outcomes
• 为什么对您有用: 本文直接连接 causal inference 中的 IV 与 longitudinal/competing-risk 设定，iDID 的 identification 策略对您研究 proximal CI / sensitivity 的思路有参考价值。multiply robust estimator 的 nuisance model 结构可以用您 moderately_familiar 的 semiparametric theory / M-estimation theory 推导其 influence function 并检验是否达到 semiparametric efficiency bound。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，具体是推导该 multiply robust estimator 的 efficient influence function 并验证其效率性质。

5. 2606.04416 — Powerful Multivariate Sensitivity Analysis via Sample Splitting in an Observational Study of the Effects of Poverty on Cardiovascular Disease Risk Factors

• 作者: William Bekerman, Anurag Mehta, Rebecca E. Hasson, Leah E. Robinson, Dylan S. Small, Colin B. Fogarty
• 分类: stat.ME · math.ST · stat.AP · stat.TH
• 相关性 8/10 · novelty: new_method
• 摘要: 在观察性研究中评估暴露对多个结局的因果效应时，全局零假设检验常需寻找使敏感性最小的结局线性组合。传统 Scheffé 投影或约束变体虽可遍历组合，但多重检验校正会严重削弱功效，尤其在结局数量较多时。本文提出样本分割策略：用 planning sample 选出最优线性组合，再用 analysis sample 进行推断与敏感性分析。作者给出了理论刻画，证明在特定线性组合集合内，该 split-sample 方法的渐近功效与全样本方法一致；模拟显示有限样本下功效提升显著。实证应用于贫困对儿童青少年心血管风险因素（体成分、体力活动、烟草暴露）的影响，发现烟草暴露对未测量混杂有一定鲁棒性，其余结局则较敏感。对您有用：本文将 sample splitting 引入多结局敏感性分析，与您 causal inference 中 sensitivity analysis 及 hypothesis testing 的交叉兴趣直接相关。
• 关键技术: sample splitting for multiple testing, Scheffe projection for linear combinations, Rosenbaum sensitivity analysis, multivariate outcome testing, asymptotic power characterization
• 为什么对您有用: 直接连接 causal inference 的 sensitivity analysis 子方向，特别是多结局全局检验中如何减弱未测量混杂对推断的影响。您 technical_arsenal 中 very_familiar 的 minimax bounds 与 hypothesis testing 理论可用来审视作者声称的渐近功效等价性是否紧、split-sample 的信息损失是否可进一步量化。立即可做：用您熟悉的 minimax / power analysis 工具验证其渐近功效界，并探索该 split-sample 框架在连续暴露或高维结局下的扩展。

6. 2606.04673 — Improving Longitudinal Targeted Maximum Likelihood Estimation in Target Trial Emulation using Joint Calibrated Weights

• 作者: Juliette M. Limozin, Shaun R. Seaman, Li Su
• 分类: stat.ME
• 相关性 8/10 · novelty: new_method
• 摘要: 在 target trial emulation (TTE) 框架下，目标是估计 per-protocol 随时间变化的处理效应，采用 marginal structural models (MSMs) 参数化。传统 IPW 估计器在有限样本下不稳定且对权重模型误设敏感；LTMLE 虽具 double robustness 且理论上更高效，但仍依赖逆概率权重而继承 IPW 的不稳定性。本文提出 joint calibrated LTMLE，将 LTMLE 与针对处理与删失过程同时进行协变量平衡的联合校准权重 (joint calibrated weights) 相结合。校准步骤通过同时约束处理与删失倾向得分模型的矩条件，改善了有限样本表现与权重模型误设下的稳健性。模拟显示该方法相较标准 LTMLE 有更优的效率与鲁棒性；HIV 队列数据的实证分析验证了实用性。对您有用：本文在纵向因果推断的 TTE 设定下改进了 TMLE 类估计器的有限样本性质，直接触及您 primary interest 中的 longitudinal CI 与 efficiency theory。
• 关键技术: longitudinal TMLE, joint calibrated weights, marginal structural model, target trial emulation, double robustness, inverse probability weighting
• 为什么对您有用: 本文直接连接您 primary interest 中的 longitudinal causal inference 与 efficiency theory (TMLE / double robustness)，并在 TTE 设定下提出了改善有限样本效率与鲁棒性的 joint calibration 机制。您武器库中 very_familiar 的 causal inference estimation theory 与 moderately_familiar 的 semiparametric theory 完全可以用来分析该 joint calibrated LTMLE 的 influence function 结构与 semiparametric efficiency bound 是否因校准步骤而改变，这是一个立即可做的 follow-up 方向。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2606.04683 — Minimax Private Estimation of Smooth Optimal-Transport Maps

• 作者: Cl\'ement Lalanne, David Rodr\'iguez-V\'itores, Franck Iutzeler, Jean-Michel Loubes
• 分类: math.ST · stat.TH
• 相关性 8/10 · novelty: new_theory
• 摘要: 在差分隐私（DP）约束下，研究两个概率分布之间光滑最优传输（OT）映射的估计问题；目标 estimand 为光滑 OT 映射，关键假设为密度与映射的光滑性及 DP 隐私预算参数。核心方法基于小波密度估计器与光滑 OT 映射的近期稳定性界，分别提出适用于中心 DP 与局部 DP 模型的估计器；高维（d≥2）主估计器达到近 minimax 最优收敛率，而一维（d=1）情形下基于分位数的估计器在中心 DP 下达到精确 minimax 最优率。配套证明了匹配的 minimax 下界，确认了近最优性；这是首个具备 minimax 最优性保证的差分隐私 OT 映射估计程序。对您可能有用：本文将 minimax 理论与隐私约束下的非参数估计结合，下界构造与率的分析直接关联您熟悉的 minimax bound 工具。
• 关键技术: differential privacy (central & local), wavelet density estimation, optimal transport map stability bounds, minimax lower bounds, quantile-based estimator
• 为什么对您有用: 本文直接连接非参数理论（nonparametric statistics）与 minimax bounds 两个具体子方向，属于隐私约束下的 minimax 估计理论前沿。您武器库中 very_familiar 的 minimax bounds for estimation problems 可直接用来审视其下界构造是否紧、隐私参数对率的影响是否可进一步刻画。立即可做：用熟悉的 minimax 下界工具（如 Fano / Le Cam）验证其隐私下界推导，甚至可尝试将光滑性假设放松或迁移到其他非参数 estimand（如密度之比）的隐私 minimax 问题。

2. 2606.04683 — Minimax Private Estimation of Smooth Optimal-Transport Maps

• 作者: Cl\'ement Lalanne, David Rodr\'iguez-V\'itores, Franck Iutzeler, Jean-Michel Loubes
• 分类: math.ST · stat.TH
• 相关性 8/10 · novelty: new_theory
• 摘要: 在差分隐私（DP）约束下，研究两个概率分布之间光滑最优传输（OT）映射的估计问题；目标 estimand 为光滑 OT 映射，关键假设为密度与映射的光滑性及 DP 隐私预算参数。核心方法基于小波密度估计器与光滑 OT 映射的近期稳定性界，分别提出适用于中心 DP 与局部 DP 模型的估计器；高维（d≥2）主估计器达到近 minimax 最优收敛率，而一维（d=1）情形下基于分位数的估计器在中心 DP 下达到精确 minimax 最优率。配套证明了匹配的 minimax 下界，确认了近最优性；这是首个具备 minimax 最优性保证的差分隐私 OT 映射估计程序。对您可能有用：本文将 minimax 理论与隐私约束下的非参数估计结合，下界构造与率的分析直接关联您熟悉的 minimax bound 工具。
• 关键技术: differential privacy (central & local), wavelet density estimation, optimal transport map stability bounds, minimax lower bounds, quantile-based estimator
• 为什么对您有用: 本文直接连接非参数理论（nonparametric statistics）与 minimax bounds 两个具体子方向，属于隐私约束下的 minimax 估计理论前沿。您武器库中 very_familiar 的 minimax bounds for estimation problems 可直接用来审视其下界构造是否紧、隐私参数对率的影响是否可进一步刻画。立即可做：用熟悉的 minimax 下界工具（如 Fano / Le Cam）验证其隐私下界推导，甚至可尝试将光滑性假设放松或迁移到其他非参数 estimand（如密度之比）的隐私 minimax 问题。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2606.04520 — Beyond First-order Asymptotics in Sequential Mean Testing

• 作者: Vikas Deep, Shubhada Agrawal
• 分类: stat.ME · math.ST · stat.TH
• 相关性 9/10 · novelty: new_theory
• 摘要: 在 level-α power-one 框架下研究有界分布均值的序贯检验问题，estimand 为均值，核心假设为分布有界且 α→0。本文分析了已知能达到期望停止时间信息论下界（精确常数）的 KL_inf 序贯检验。超越一阶渐近，作者首先证明了 KL_inf 统计量本身的 CLT，刻画其在确定性极限附近的波动；进而利用该结果证明停止时间经适当中心化和 √log(1/α) 缩放后收敛到方差显式给出的 Gaussian 极限。这给出了有界分布下渐近最优序贯检验的二阶刻画，数值实验验证了理论。对您有用：为序贯假设检验的 higher-order 渐近分析提供了精确二阶结果，与您对 hypothesis testing 和 higher-order 理论的兴趣直接相连。
• 关键技术: sequential mean testing, KL_inf statistic, second-order asymptotics, central limit theorem for stopping time, power-one level-alpha test, information-theoretic lower bound
• 为什么对您有用: 直接连接您 primary interest 中的 hypothesis testing 子方向，给出了序贯检验停止时间的二阶 CLT，超越了经典的一阶信息论下界。您 very_familiar 中的 minimax bounds 和 moderately_familiar 中的 higher-order U-statistics / M-estimation 理论可以用来审视其 KL_inf 统计量波动分析的投影与逼近技巧，判断该二阶刻画是否可推广到更一般的 semiparametric 序贯设定。立即可做：用您熟悉的 minimax 与 higher-order 渐近工具验证其方差常数的紧性，并探索将 CLT 证明策略移植到 semiparametric 序贯检验的可行性。

天体统计 (astrostats, 2 篇)

1. 2606.04094 — Multifrequency Synthesis via CHIBI: Colorful Hierarchical Interferometric Bayesian Imaging

• 作者: Erandi Chavez, Paul Tiede, Sara Issaoun, Michael D. Johnson, Dominic Pesce, Yuh Tsunetoe, Daniel C. M. Palumbo
• 分类: astro-ph.IM · astro-ph.HE
• 相关性 8/10 · novelty: application
• 摘要: 本文在射电干涉测量（VLBI/EHT）设定下，研究多频合成（MFS）的图像重建与谱指数推断问题，核心 estimand 是射电源的空间亮度分布及其跨频率的谱演化。方法基于层级干涉贝叶斯推断框架 CHIBI，参数化利用同步辐射的谱行为（synchrotron emission），将多频率观测数据联合成像以获得更密的 uv 覆盖与更高保真度。技术核心是贝叶斯层级模型与 Comrade.jl 实现，通过联合似然融合多频数据，约束谱指数图并提升空间分辨率。实证部分用 MOJAVE 目录的 VLBA 观测与 M87* 的 EHT 模拟数据验证了 MFS 在重建高保真图像与谱图上的优势。对您而言，本文是进入天文干涉测量贝叶斯成像的优质入门读物，清晰展示了数据结构（uv 覆盖、频率采样）与模型设定（层级先验、谱参数化）的对接方式。
• 关键技术: hierarchical Bayesian inference, multifrequency synthesis (MFS), interferometric imaging reconstruction, synchrotron spectral parametrization, uv-coverage sampling, Comrade.jl
• 为什么对您有用: 本文作为 astrostats gateway reading 非常合格：对外行友好，清晰解释了干涉测量的数据结构（uv 覆盖、多频采样）与贝叶斯层级模型的对接，且数据/模型两侧 exposition 充分。您武器库中的软件开发与贝叶斯计算经验足以支撑进入此方向，Comrade.jl 的 Julia 实现也便于代码级探索。值得花时间读全文以理解天文干涉测量的统计建模范式，但方法论 novelty 对您而言偏 application（天文专用谱参数化），不构成 primary interest 的直接推进。

2. 2606.04875 — A Model Selection Criterion for Multidimensional Gaussian Processes: Application to Radial Velocities

• 作者: Barrag\'an Oscar
• 分类: astro-ph.IM · astro-ph.EP · astro-ph.SR · physics.data-an · stat.ME
• 相关性 8/10 · novelty: application
• 摘要: 在天体统计的径向速度（RV）分析设定下，目标是识别哪些辅助活动指标组合能最好地约束恒星信号，核心难点是经典模型比较方法无法直接应用于涉及不同时间序列组合的多维高斯过程（multi-GP）模型。本文提出一种信息准则 MGIC_rv，通过结合条件 RV 似然与有效参数计数（后者量化了 multi-GP 模型对 RV 分量的正则化效应）来比较 multi-GP 模型。该方法在 RV 数据分析中展示了定量且稳健的模型选择能力，虽源于 RV 分析，但可推广至任何推断聚焦于特定可观测量的 multi-GP 问题。对您而言，这是一篇关于多维 GP 模型选择的入门级应用文献，展示了天体统计中 GP 正则化与信息准则的实际交互。
• 关键技术: multidimensional Gaussian process, information criterion, conditional likelihood, effective parameter count, radial velocity model comparison
• 为什么对您有用: 本文属于 astrostats gateway reading：(1) 是一篇较好的入门读物，清晰展示了天体统计中径向速度数据如何用多维 GP 剥离恒星与行星信号，以及 GP 正则化如何影响信息准则；(2) 武器库完全够支撑进入此方向——nonparametric statistics 与 minimax bounds 的背景足以理解 GP 模型选择的理论基础；(3) 值得花时间读摘要和引言以了解天体统计的典型数据结构与建模范式，但方法学 novelty 偏应用层面，无需深读证明。

📌 中相关论文（按主题分组）

非参数 / 半参数 (nonparam_semipara, 4 篇)

1. 2606.04267 — Unbiased estimation of squared concentration in the Fisher-von Mises-Langevin distribution and the impossibility of unbiased concentration

• 作者: Zain Jabbar, Yuqin Jiang, Andrey A. Popov
• 分类: math.ST · cs.NA · math.NA · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 在 Fisher-von Mises-Langevin (FvML) 分布设定下，目标是对浓度参数 κ（方向统计中类比高斯精度矩阵的参数）进行无偏估计。本文首先证明 κ 本身不存在无偏估计量，随后提出以平方浓度 κ²（命名为 intensity）作为替代参数化，并证明其无偏估计是可行的。核心方法是基于部分和 U-statistic 构造 κ² 的（几乎）无偏估计量，利用 FvML 分布下样本内积的矩结构实现截断求和。理论结果给出了无偏性的 impossibility 定理与 κ² 估计的构造性证明；实证在合成数据、纽约出租车轨迹与球面词嵌入上验证了估计量表现。对您可能有用：本文将 impossibility 结果与 U-statistic 构造直接结合，是 higher-order U-statistic 在方向统计中的具体实例。
• 关键技术: unbiased estimation impossibility, partial sum U-statistic, Fisher-von Mises-Langevin distribution, squared concentration parameterization, moment structure of spherical inner products
• 为什么对您有用: 本文直接触及 primary interest 中的 higher-order U-statistic 与数学统计假设检验/估计理论：impossibility of unbiased estimation 是经典 Lehmann-Scheffé 型结论的延伸，而 partial sum U-statistic 的构造正是您 very_familiar 的 U-statistic 计算与 moderately_familiar 的 higher-order U-statistic 理论的应用场景。用您武器库中 very_familiar 的 higher-order U-statistic (treewidth / einsum) 视角，可以分析该 partial sum U-statistic 的计算复杂度与截断阶数的 tradeoff，这是立即可做的 follow-up；若想进一步探索该估计量的效率界与 HOIF 改进，需在 moderately_familiar 的 HOIF 上长肌肉。

2. 2606.04267 — Unbiased estimation of squared concentration in the Fisher-von Mises-Langevin distribution and the impossibility of unbiased concentration

• 作者: Zain Jabbar, Yuqin Jiang, Andrey A. Popov
• 分类: math.ST · cs.NA · math.NA · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 在 Fisher-von Mises-Langevin (FvML) 分布设定下，目标是对浓度参数 κ（方向统计中类比高斯精度矩阵的参数）进行无偏估计。本文首先证明 κ 本身不存在无偏估计量，随后提出以平方浓度 κ²（命名为 intensity）作为替代参数化，并证明其无偏估计是可行的。核心方法是基于部分和 U-statistic 构造 κ² 的（几乎）无偏估计量，利用 FvML 分布下样本内积的矩结构实现截断求和。理论结果给出了无偏性的 impossibility 定理与 κ² 估计的构造性证明；实证在合成数据、纽约出租车轨迹与球面词嵌入上验证了估计量表现。对您可能有用：本文将 impossibility 结果与 U-statistic 构造直接结合，是 higher-order U-statistic 在方向统计中的具体实例。
• 关键技术: unbiased estimation impossibility, partial sum U-statistic, Fisher-von Mises-Langevin distribution, squared concentration parameterization, moment structure of spherical inner products
• 为什么对您有用: 本文直接触及 primary interest 中的 higher-order U-statistic 与数学统计假设检验/估计理论：impossibility of unbiased estimation 是经典 Lehmann-Scheffé 型结论的延伸，而 partial sum U-statistic 的构造正是您 very_familiar 的 U-statistic 计算与 moderately_familiar 的 higher-order U-statistic 理论的应用场景。用您武器库中 very_familiar 的 higher-order U-statistic (treewidth / einsum) 视角，可以分析该 partial sum U-statistic 的计算复杂度与截断阶数的 tradeoff，这是立即可做的 follow-up；若想进一步探索该估计量的效率界与 HOIF 改进，需在 moderately_familiar 的 HOIF 上长肌肉。

3. 2606.04322 — Robust Prediction Variance Estimation for Gaussian Process Regression Under Covariance Smoothness Misspecification

• 作者: Roberto Rivera
• 分类: stat.ME · math.ST · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 在 Gaussian Process Regression (GPR) 框架下，研究协方差函数（尤其是平滑度）误设对 Best Linear Unbiased Prediction (EBLUP) 预测方差的影响。核心设定是假设工作协方差与真实协方差属于非等价测度类（non-equivalent measures），此时 quasi-EBLUP 的 MSPE 偏差收敛至正常数且随预测位置平滑变化。作者据此提出一种新的 MSPE 估计量，显式纳入协方差函数的不确定性以修正传统 plug-in 方法的向下偏差。理论证明新估计量在误设下的一致性，模拟对比四种传统预测方差估计量显示：误设越严重，新方法优势越明显。对您可能有用：该文处理的是半参数/非参数模型中似然误设下的稳健推断问题，其 MSPE 常数偏差界与您关注的 minimax rate 及 semiparametric efficiency 理论有概念连接。
• 关键技术: Gaussian Process Regression, Best Linear Unbiased Prediction (BLUP), covariance smoothness misspecification, non-equivalent measures, mean squared prediction error (MSPE), plug-in variance correction
• 为什么对您有用: 本文连接到非参数理论中模型误设下的稳健推断子方向；您可用 minimax bound 的视角审视其声称的 MSPE 常数偏差界是否紧，或用 M-estimation theory 分析 quasi-EBLUP 的 influence function。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以将本文的 GPR 误设分析推广到更一般的半参数缺失数据场景。

4. 2606.04523 — Bias Correction for Scalar-on-Density Regression Models

• 作者: Fenglin Xie, Todd Ogden
• 分类: stat.ME
• 相关性 5/10 · novelty: new_method
• 摘要: 在 scalar-on-density 回归设定下，目标为基于每个观测单元有限测量点估计的密度函数作为协变量时的系数函数；关键假设是测量点数有限导致密度估计误差，进而使系数函数估计产生衰减偏差（attenuation bias）。本文证明偏差随每单元测量点数单调递减，并提出基于 SIMEX（simulation extrapolation）的偏差校正方法：通过 bootstrap 重抽样模拟更少测量点数的场景，再外推至测量点数无穷大以校正有限测量偏差。模拟研究表明 SIMEX 外推估计的 MISE 低于直接使用全部测量点的朴素估计，且偏差随测量点数增加而下降。实证分析使用 NHANES 数据将 24 小时体力活动密度曲线与全因死亡率关联，验证方法实用性。对您可能有用：此框架将测量误差导致的衰减偏差与函数型回归结合，其 SIMEX 外推思路可迁移至因果推断中处理测量误差协变量的敏感性分析。
• 关键技术: scalar-on-density regression, attenuation bias correction, SIMEX (simulation extrapolation), bootstrap resampling, functional covariate measurement error, mean integrated squared error (MISE)
• 为什么对您有用: 本文连接到 semiparametric / nonparametric theory 中函数型协变量测量误差的偏差校正问题，属于非参数函数回归的衰减偏差修正。从 technical_arsenal 看，用 very_familiar 的 nonparametric statistics 与 M-estimation theory 可以直接分析其系数函数估计的收敛率与 SIMEX 外推的渐近性质（当前论文未给出严格理论保证，仅经验验证），这是一个可攻的口子。follow-up 粗判：立即可做——用 minimax bounds 工具推导不同测量点数下系数函数估计的收敛率，并验证 SIMEX 外推是否达到 n^{-1/2}-CAN 或 semiparametric efficiency bound。

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

1. 2606.04128 — On prediction-powered inference for quantile regression via convolution smoothing

• 作者: Shota Takeishi, Jimin Ding, Xuming He
• 分类: stat.ME
• 相关性 7/10 · novelty: new_method
• 摘要: 在数据受限设定下研究分位数回归，其中金标准结局仅少量可得而代理结局（AI预测）广泛可用，目标是做 prediction-powered inference。直接将 PPI 框架扩展到分位数回归面临 check-loss 不连续导致的计算困难与置信区间过度保守两个挑战。本文提出基于卷积的 check-loss 目标函数平滑方法，并据此开发两种估计量变体，使计算可行并缓解过度覆盖。理论贡献是在可能误设的线性分位数回归模型下建立了所提估计量的渐近分布，并进一步提出两估计量的 ensemble 组合。对您可能有用：此处的卷积平滑技术与半参数效率理论中的核平滑 / sieve 思路相通，且 PPI 框架与您关注的 debiased ML / semiparametric efficiency bound 在利用代理变量改善估计效率上有直接交集。
• 关键技术: prediction-powered inference, convolution smoothing of check-loss, quantile regression under misspecification, asymptotic distribution of smoothed estimator, ensemble estimation
• 为什么对您有用: 本文连接到您 primary interest 中的 efficiency theory（debiased ML / semiparametric efficiency bound）子方向——PPI 利用代理变量改善估计效率，与 debiased ML 用机器学习代理 nuisance 参数的思路有结构相似性。您武器库中 very_familiar 的 nonparametric statistics（核平滑 / 卷积近似）可直接用来分析此卷积平滑估计量的偏差-方差权衡与效率性质。follow-up 判断：立即可做——用 very_familiar 的非参理论工具即可切入，验证其平滑带宽选择下的渐近效率是否达到 semiparametric efficiency bound，或用 minimax bound 判断其声称的覆盖改善是否紧。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 2606.05072 — Adaptive Sequential Change Detection using Mixtures of Predictive Distributions

• 作者: Topi Halme, H. Vincent Poor, Visa Koivunen
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: sharper_rate
• 摘要: 在独立观测序列的变点检测设定下，目标是当后变点分布未知时最小化检测延迟（estimand 为平均运行长度 / 检测延迟），假设观测独立且变点时刻未知。本文提出 PM-CuSum 算法，在 CuSum 递推中聚合由不同长度滑动窗口构建的预测分布，权重基于近期预测表现自适应更新。理论证明在温和条件下 PM-CuSum 达到一阶渐近最优性，且其渐近延迟界的余项阶数比任何固定窗口（含 oracle 窗口）更小，这是核心 rate 改进。模拟显示基于完整预测分布的似然比相比 plug-in 似然有显著性能提升。对您有用：该文的渐近最优性与更小余项阶数直接关联 hypothesis testing 与 minimax rate 兴趣，自适应权重机制可启发高维/非参序列检验的类似聚合策略。
• 关键技术: CuSum recursion, predictive distribution mixture, adaptive window weighting, first-order asymptotic optimality, remainder order improvement, sequential change detection
• 为什么对您有用: 直接关联 hypothesis testing 子方向（序列变点检测的渐近最优性与 rate sharpening）。您 very_familiar 的 minimax bounds for estimation problems 可用于审视该文声称的余项阶数改进是否紧；moderately_familiar 的 M-estimation theory 可分析其自适应权重聚合的收敛性质。Follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以严格刻画预测分布聚合在非参设定下的影响函数与 rate。

2. 2606.05072 — Adaptive Sequential Change Detection using Mixtures of Predictive Distributions

• 作者: Topi Halme, H. Vincent Poor, Visa Koivunen
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: sharper_rate
• 摘要: 在独立观测序列的变点检测设定下，目标是当后变点分布未知时最小化检测延迟（estimand 为平均运行长度 / 检测延迟），假设观测独立且变点时刻未知。本文提出 PM-CuSum 算法，在 CuSum 递推中聚合由不同长度滑动窗口构建的预测分布，权重基于近期预测表现自适应更新。理论证明在温和条件下 PM-CuSum 达到一阶渐近最优性，且其渐近延迟界的余项阶数比任何固定窗口（含 oracle 窗口）更小，这是核心 rate 改进。模拟显示基于完整预测分布的似然比相比 plug-in 似然有显著性能提升。对您有用：该文的渐近最优性与更小余项阶数直接关联 hypothesis testing 与 minimax rate 兴趣，自适应权重机制可启发高维/非参序列检验的类似聚合策略。
• 关键技术: CuSum recursion, predictive distribution mixture, adaptive window weighting, first-order asymptotic optimality, remainder order improvement, sequential change detection
• 为什么对您有用: 直接关联 hypothesis testing 子方向（序列变点检测的渐近最优性与 rate sharpening）。您 very_familiar 的 minimax bounds for estimation problems 可用于审视该文声称的余项阶数改进是否紧；moderately_familiar 的 M-estimation theory 可分析其自适应权重聚合的收敛性质。Follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以严格刻画预测分布聚合在非参设定下的影响函数与 rate。

统计计算 / 算法 (stat_computing, 4 篇)

1. 2606.04237 — Constrained Weighted Bayesian Bootstrap

• 作者: Sam Rosen, Jason Xu
• 分类: stat.ME · stat.CO
• 相关性 7/10 · novelty: new_method
• 摘要: 在带约束的 Bayesian posterior 设定下，本文将 weighted Bayesian bootstrap (WBB) 推广至 general constrained posterior sampling，目标是在 mild regularity 假设下实现近似后验抽样。核心机制是利用 convex optimization 的快速工具执行约束投影，算法简洁且可调用现成求解器。理论证明：在 regularity 条件下，该 bootstrap 样本的渐近分布协方差与 restricted maximum likelihood estimator (REML) 一致，从而达到 semiparametric efficiency bound。实证覆盖多种 constrained Bayesian 问题，并在 European-style option pricing surface 的 case study 中展示了仅靠优化得 point estimate 的问题如何借此获得 uncertainty quantification。对您有用：此方法为 constrained inference 提供了计算友好的 efficient sampling 路径，直接连接 stat_computing 与 efficiency theory。
• 关键技术: weighted Bayesian bootstrap, constrained posterior sampling, convex optimization projection, restricted maximum likelihood estimator, asymptotic covariance matching, uncertainty quantification for constrained estimators
• 为什么对您有用: 直接连接 stat_computing（约束后验抽样算法）与 efficiency theory（渐近协方差匹配 REML 达到 efficient estimator）。用 very_familiar 的 estimation theory in causal inference 与 software development 武器即可审视其 constrained inference 框架在 causal setting（如 instrumental variable 约束、mediation monotonicity 约束）下的可移植性，并动手复现算法。判断：立即可做。

2. 2606.04417 — saCI: An R Package for Stochastic Approximation Confidence Intervals for Correlation Coefficients

• 作者: Pengyu Chen, Yifan Jiang, Jiashuo Shao
• 分类: stat.ME · stat.CO
• 相关性 5/10 · novelty: minor
• 摘要: 本文介绍 R 包 saCI，用于构建 Pearson 相关系数的非参数置信区间，核心 estimand 为 ρ，无需正态性假设。包实现了 Garthwaite (1996) 提出并经 Xiong & Xu (2016) 发展的 stochastic approximation (SA) 算法，通过序贯更新搜索置信界，同时提供 bootstrap BCa 方法作为对比基准，并附带 Shiny 交互界面。SA 方法属于非参数数值计算范畴，避免了 bootstrap 的大规模重抽样计算成本。本文主要是软件发布与 CRAN 合规性说明，方法学 novelty 有限（novelty_flag = minor）。对您而言，若需在非正态设定下快速计算相关系数区间，该包提供了现成工具，但理论深度不足以支撑进一步研究。
• 关键技术: stochastic approximation confidence interval, Pearson correlation coefficient, bootstrap BCa, nonparametric interval estimation, sequential search algorithm
• 为什么对您有用: 本文属于 stat_computing 领域的软件发布，连接到您对统计计算与数值方法的兴趣，但 SA 算法本身是 1996 年的旧方法，无新理论或 sharper rate。您的 very_familiar 武器库中 minimax bounds / high-dimensional asymptotics 无法在此找到攻破口子，因为该包仅是既有算法的工程实现。暂不可做：核心机器（SA 序贯搜索的理论收敛性质深入分析）不在您当前武器库的主要关注线上，且本文无理论展开，不值得花时间深读全文。

3. 2606.04440 — Asymptotic analysis of parameterised univariate Gaussian splitting

• 作者: Dmitry Mikhin, Athena Xiourouppa
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: minor
• 摘要: 本文研究用等间距同方差 Gauss 分量混合逼近标准一维 Gauss 分布的 splitting 算法，目标 estimand 为混合逼近与原分布的 L² 范数平方误差。核心设定要求混合分量均值间距 h 足够小或分量数 M 足够大，以保证逼近精度。方法通过最小化 L² mismatch 求解混合权重与参数，并分别对 h→0 和 M→∞ 两个极限做渐近分析，给出误差衰减的显式阶。主要理论结果刻画了 L² 误差随 h 和 M 变化的渐近速率，为 splitting 算法的精度-计算成本权衡提供定量依据。对您可能有用：若将此类 Gauss splitting 用于高阶 U-stat 或数值积分的 Monte Carlo 方案，渐近速率可直接指导分量数 M 的选取。
• 关键技术: Gaussian mixture approximation, L² norm minimization, asymptotic expansion (small step / large M), homoscedastic mixands, univariate splitting algorithm
• 为什么对您有用: 本文属于 stat_computing 方向的数值逼近方法，关注 Gauss 分布的混合逼近精度与渐近速率，直接关联 statistical computing 中的数值方法与算法设计。从 technical_arsenal 看，very_familiar 中的 software development 与高阶 U-stat 计算经验可立即用于实现该 splitting 算法并验证其渐近速率，或将其嵌入 Monte Carlo / tensor contraction 的数值流程中。follow-up 判断：立即可做——用 very_familiar 的软件开发与数值计算工具即可复现并测试该算法在更复杂积分场景（如高阶 U-stat 数值逼近）中的表现。

4. 2606.04440 — Asymptotic analysis of parameterised univariate Gaussian splitting

• 作者: Dmitry Mikhin, Athena Xiourouppa
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: minor
• 摘要: 本文研究用等间距同方差 Gauss 分量混合逼近标准一维 Gauss 分布的 splitting 算法，目标 estimand 为混合逼近与原分布的 L² 范数平方误差。核心设定要求混合分量均值间距 h 足够小或分量数 M 足够大，以保证逼近精度。方法通过最小化 L² mismatch 求解混合权重与参数，并分别对 h→0 和 M→∞ 两个极限做渐近分析，给出误差衰减的显式阶。主要理论结果刻画了 L² 误差随 h 和 M 变化的渐近速率，为 splitting 算法的精度-计算成本权衡提供定量依据。对您可能有用：若将此类 Gauss splitting 用于高阶 U-stat 或数值积分的 Monte Carlo 方案，渐近速率可直接指导分量数 M 的选取。
• 关键技术: Gaussian mixture approximation, L² norm minimization, asymptotic expansion (small step / large M), homoscedastic mixands, univariate splitting algorithm
• 为什么对您有用: 本文属于 stat_computing 方向的数值逼近方法，关注 Gauss 分布的混合逼近精度与渐近速率，直接关联 statistical computing 中的数值方法与算法设计。从 technical_arsenal 看，very_familiar 中的 software development 与高阶 U-stat 计算经验可立即用于实现该 splitting 算法并验证其渐近速率，或将其嵌入 Monte Carlo / tensor contraction 的数值流程中。follow-up 判断：立即可做——用 very_familiar 的软件开发与数值计算工具即可复现并测试该算法在更复杂积分场景（如高阶 U-stat 数值逼近）中的表现。

天体统计 (astrostats, 2 篇)

1. 2606.04895 — Posterior sampling in the Age of Emulators

• 作者: Andreas Nygaard, Luca Janken, Steen Hannestad, Thomas Tram
• 分类: astro-ph.IM · astro-ph.CO
• 相关性 7/10 · novelty: application
• 摘要: 在宇宙学参数推断设定下，研究基于全可微神经网络似然模拟器（emulator）的后验采样策略，目标是在 ΛCDM 及 sterile-neutrino 扩展模型中高效估计后验分布。核心机制是利用模拟器提供的快速似然评估与自动微分，系统比较 MH、MALA、HMC、NUTS 与 AIES 五种采样器的收敛样本量与 wall-time 效率；关键技术工具包括 whitening 变换、covariance adaptation 以及 TensorFlow 批量计算。主要实证结果：NUTS 收敛所需样本最少，但单步计算代价使其在 wall-time 指标下未必最优，MALA 与标准 MH 仍具强竞争力；whitening 与协方差适配显著提升采样效率。对您可能有用：作为 astrostats gateway reading，本文清晰展示了统计计算（MCMC 算法选择与自动微分加速）在天文大数据推断中的实际 tradeoff。
• 关键技术: neural-network likelihood emulator, Hamiltonian Monte Carlo, No U-Turn Sampler, Metropolis-Adjusted Langevin Algorithm, whitening transformation, covariance adaptation
• 为什么对您有用: 本文是优秀的 astrostats 入门读物：(1) 不假设天文背景，清晰解释了宇宙学参数推断的 likelihood-emulator 设定与 MCMC 算法选择问题；(2) 武器库中的 statistical computing 与 software development 完全足以支撑进入此方向，甚至可直接用 BEST 包复现或扩展实验；(3) 值得花时间读全文——对理解梯度加速采样在复杂似然下的 wall-time tradeoff 有直接参考价值，且代码开源便于动手。

2. 2606.04304 — All-Sky Ultra-Narrowband Spectral Imaging with the OVRO-LWA: Technosignature Constraints and Axion-Like Particle Prospects

• 作者: Nikita Kosogorov, Gregg Hallinan, Greg Hellbourg, Marin M. Anderson, Judd D. Bowman, Ruby Byrne, Morgan Catha, Bin Chen, Xingyao Chen, Sherry Chhabra, Larry D'Addario, Ivey Davis, Jayce Dowell, Katherine Elder, Dale Gary, Charlie Harnach, Jack Hickish, Rick Hobbs, David Hodge, Mark Hodges, Yuping Huang, Andrea Isella, Daniel C. Jacobs, Ghislain Kemby, John T. Klinefelter, Matthew Kolopanis, James Lamb, Casey Law, Nivedita Mahesh, Surajit Mondal, Brian O'Donnell, Kathryn Plant, Corey Posner, Travis Powell, Vinand Prayag, Andres Rizo, Andrew Romero-Wolf, Jun Shi, Greg Taylor, Jordan Trim, Mike Virgin, Akshatha Vydula, Sandy Weinreb, Scott White, David Woody, Sijie Yu, Thomas Zentmeyer, Peijin Zhang, T. Joseph W. Lazio
• 分类: astro-ph.IM
• 相关性 5/10 · novelty: application
• 摘要: 本文在 OVRO-LWA 射电阵列的 decametric 波段（50–86 MHz）上，进行全天空 ultra-narrowband 连续波 technosignature 搜索。核心数据管线是离线 GPU pipeline：对 raw voltage 做 upchannelization 至约 10 Hz 频率分辨率，每个 30 s epoch 产出超过 3×10^6 张全天空图像。候选信号筛选采用 multi-kernel matched filtering、经验噪声标准化与 false-discovery-rate (FDR) 控制；经质量截断（剔除展源、坏图、RFI）后仅剩三个 >10σ 候选，更高时空分辨率 re-imaging 显示它们不符合紧凑天体窄带发射特征，最终报告无外星 technosignature 检测。代表性灵敏度约 100 Jy/channel，对应 10 pc 处 EIRP 上限 ~10^14 W。该框架可扩展至更深积分与 neutron-star ALP line conversion 的 stacked search。对您而言，这是 astrostats gateway reading：海量图像流 + matched filter + FDR 的组合是统计计算与假设检验的典型场景。
• 关键技术: upchannelization (fine spectral resolution), multi-kernel matched filtering, empirical noise standardization, false-discovery-rate control, GPU-accelerated imaging pipeline, re-imaging with finer temporal/spectral resolution
• 为什么对您有用: 本文是 astrostats 方向的 gateway reading：数据结构（3×10^6 张全天空图像、10 Hz 频率网格）和模型（matched filter + FDR 多重检验）对统计学家非常透明，无需天文背景即可理解其假设检验框架。武器库中 very_familiar 的 software development 与 hypothesis testing 完全可以支撑进入此类海量频谱图像的筛选问题。值得花时间读全文，重点关注其 matched filter 设计与 FDR 截断的具体实现，而非天文结论。

经济理论 / 应用 (econ_theory, 1 篇)

1. 2606.04356 — Sequential algorithm for structural estimations with equilibrium constraints

• 作者: Takeshi Fukasawa
• 分类: econ.EM
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究带均衡约束的结构模型估计问题，目标参数为 MLE/GMM 下的 estimand，关键假设是算法满足 Zero Jacobian Property (ZJP) 且有 consistent initial estimate。核心提出 Sequential Linearly Constrained (SLC) 算法：利用 ZJP，算法在大样本下实现 near-quadratic 局部收敛；若初始估计一致，仅需一次迭代即可获得 asymptotically efficient estimator。SLC 无需显式计算均衡约束的 Jacobian，避免了 Nested Fixed Point (NFXP) 方法中内层 fixed point iteration 的反复求解，计算速度可提升数倍。数值实验覆盖带时变异质性的动态离散博弈与动态需求模型。对您有用：SLC 算法为经济结构模型中的 constrained M-estimation 提供了高效计算方案，直接连接您对 statistical computing 与经济理论应用的双重兴趣。
• 关键技术: Zero Jacobian Property, Sequential Linearly Constrained algorithm, Nested Fixed Point algorithm, asymptotically efficient one-step iteration, Generalized Method of Moments, structural equilibrium constraints
• 为什么对您有用: 本文直接连接经济理论中的结构估计与您的 statistical computing 兴趣：SLC 算法通过避免显式计算约束 Jacobian 和内层 fixed point iteration，显著降低了带均衡约束的 constrained optimization 的计算复杂度。您武器库中的 M-estimation theory (moderately_familiar) 和 software development / numerical methods (very_familiar) 可以直接用来验证 SLC 在更一般 semiparametric constrained M-estimation 下的 one-step efficiency 声称，并实现该算法进行 benchmark。立即可做：用 very_familiar 的软件开发与数值方法能力复现 SLC 算法，并在动态离散博弈数据集上对比 NFXP 的运行时间与估计精度。

🗂 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. 2606.04250 — Locally Equivalent Weights for Multilevel Regression and Poststratification

• 作者: Ryan Giordano, Alice Cima, Jared Murray, Erin Hartman, Avi Feller
• 分类: stat.ME
• 相关性 4/10
• 评分理由: Survey weighting for MrP models is methodological but primarily applied survey statistics; weak overlap with primary theoretical interests.

2. 2606.05026 — Removal of Multivariate Environmental Influences in Structural Health Monitoring through Conditional Covariances and Supervised Learning

• 作者: Lizzie Neumann, Philipp Wittenberg, Jan Gertheiss
• 分类: stat.ME · stat.AP
• 相关性 4/10
• 评分理由: Weak secondary match via confounding removal, but the structural health monitoring application and response surface methodology are far from the researcher's causal inference and semiparametric estimation theory.

3. 2606.04561 — Penalized Order Selection for ARFIMA Models

• 作者: Chunhao Cai
• 分类: math.ST · stat.TH
• 相关性 4/10
• 评分理由: Order selection for ARFIMA via penalized criteria is classical time-series theory; methodological overlap with minimax bounds is weak and no direct connection to primary interests.

4. 2606.04113 — Scale-Ordered Contagion: A Spectral Theory of Heterogeneous Information Adaptation in Financial Networks

• 作者: Avishek Bhandari, Ipsita Parida
• 分类: econ.EM
• 相关性 4/10
• 评分理由: Spectral theory of financial contagion is econ-theory application, but the abstract focuses on market adaptation speeds rather than causal inference or estimation methodology.

5. 2606.04114 — Global Warming Has Been Accelerating Since At Least 1990

• 作者: J. Eduardo Vera-Valdes
• 分类: stat.ME
• 相关性 3/10
• 评分理由: Applied time-series/trend testing for climate data; tangential to primary interests in causal inference, high-dim theory, or semiparametric efficiency.

6. 2606.04495 — Fused Spatial Latent Block Models for Co-Clustering

• 作者: Biao Cai, Yuanxing Chen, Kuangnan Fang, Xiaolong Lin
• 分类: stat.ME
• 相关性 3/10
• 评分理由: Spatial transcriptomics co-clustering is unrelated to the researcher's primary interests in causal inference, high-dim theory, or stat-comp tradeoffs.

7. 2606.04144 — Characterizing Transiting Exoplanet Atmospheres in the 2030s with the Hubble Space Telescope

• 作者: Joshua D. Lothringer, Hannah R. Wakeford, Robert C. Frazier, Lili Alderson, Munazza K. Alam, David K. Sing, Mei Ting Mak, Nikole K. Lewis, Lia Corrales, Eva-Maria Ahrer
• 分类: astro-ph.IM · astro-ph.EP
• 相关性 3/10
• 评分理由: 纯天体物理/仪器白皮书，缺乏对数据结构、噪声模型或统计方法的清晰阐述，对外行统计学家不友好。

8. 2606.04546 — Bivariate inverse Gaussian degradation processes with shared random effects and an application to fatigue cracks

• 作者: Yuvraj Dutta, Sandip Barui, Debanjan Mitra, Narayanaswamy Balakrishnan
• 分类: stat.ME · stat.AP
• 相关性 2/10
• 评分理由: Bivariate degradation modeling with inverse Gaussian processes is an applied reliability topic clearly outside the researcher's subfields.

9. 2606.04879 — Bootstrap-based Hypothesis Test of 2D Contours using Elastic Shape Analysis

• 作者: Susan Glenn, Justin Strait, Kelly Moran, Chris Danly, Matthew P Selwood
• 分类: stat.ME · stat.AP
• 相关性 2/10
• 评分理由: Bootstrap-based hypothesis testing for 2D shape contours is tangential; lacks connection to the researcher's specific high-dim or causal inference testing frameworks.

10. 2606.04977 — An update to Allocating Time on Scientific Platforms in Outer Space using five cycles of JWST General Observer programs

• 作者: Christopher Williams
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 关于JWST时间分配的多元回归与政策分析，属于社会学/管理研究范畴，与统计方法论或astrostats核心问题无关。

11. 2606.04052 — Relativistic Lightsail Propulsion Dynamics

• 作者: Chao Shen, Jiaze Li
• 分类: astro-ph.IM
• 相关性 0/10
• 评分理由: Pure astrophysics paper on lightsail propulsion dynamics with no statistical methodology or data/model exposition; completely unrelated.

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论