跳转至

2026-06-08 每日 arXiv 资讯

  • 高相关论文 9 篇 · 中相关 13 篇 · 其他 16 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. 2606.07174 — One-step Outcome Imputation: An Alternative to Multiple Imputation

  • 作者: Andreas Nordland, Klaus K. Holst, David Redek, Christian B. Pipper, Aske T. Iversen
  • 分类: stat.ME
  • 相关性 8/10 · novelty: new_method
  • 摘要: 在随机对照试验（RCT）的缺失结局设定下，多重插补（MI）结合 Rubin 规则常用于推断，但对 reference-based 等常用插补模型无法提供渐近有效的标准误。本文提出 one-step outcome imputation，直接针对给定插补模型隐含的 treatment effect estimand，通过其 efficient influence function 构建半参数有效的 one-step estimator。该方法绕过了 MI 的随机模拟与计算负担，从理论上保证了渐近有效推断。文中以 reference-based imputation 和 intercurrent-event-dependent imputation 为例展示了具体影响函数的推导与应用。对您有用：将 efficiency theory 的 one-step / influence function 武器直接应用于 RCT 缺失数据的因果推断设定，修补了 Rubin 规则的推断缺陷。
  • 关键技术: efficient one-step estimator, efficient influence function, reference-based imputation, missing outcome in RCT, semiparametric efficiency bound
  • 为什么对您有用: 本文直接连接到 causal inference 的 RCT 缺失数据处理设定，以及 efficiency theory 的 one-step estimator / influence function 机制。武器库中的 very_familiar: estimation theory in causal inference 和 moderately_familiar: semiparametric theory 正好是本文的核心工具，可以直接用 IF 视角审视 MI 模型隐含的 estimand。立即可做：用 very_familiar 的因果推断估计理论，可以立刻将此 one-step 框架推广到更复杂的 longitudinal / mediation 设定下的缺失数据处理。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2606.06632 — Smooth Hard-Thresholding for Singular Values with Stein's Unbiased Risk Estimate

  • 作者: Guanzhong Yang
  • 分类: math.ST · cs.NA · eess.IV · eess.SP · math.NA · stat.TH
  • 相关性 8/10 · novelty: new_method
  • 摘要: 在低秩矩阵去噪（带随机噪声的逆问题）设定下，目标是基于 Stein 无偏风险估计 (SURE) 选择奇异值硬阈值，克服经典截断规则非有限样本风险的缺陷。由于奇异值硬阈值不连续、不满足 Stein 引理条件，作者引入 logistic 平滑硬阈值谱估计器，证明其满足谱估计器版 Stein 引理的正规性条件，从而在 Gauss 噪声下获得固定阈值的精确无偏风险估计。对于固定观测矩阵与有限候选阈值，平滑 SURE 目标函数的排序最终与一个简单极限得分一致；该极限得分代数形式等同于有偏硬阈值 SURE 公式，但仅作为排序的计算工具。选定最小化阈值是数据自适应调参步骤，但最终选定估计器的 SURE 值不能被解释为其无偏风险估计。对您有用：本文将 SURE 与谱估计器结合的平滑技巧，直接对应您武器库中“带随机噪声的逆问题”与“高维渐近理论”方向，为低秩去噪的阈值选择提供了严格的有限样本风险框架。
  • 关键技术: Stein's Unbiased Risk Estimate (SURE), logistic smooth hard-thresholding, spectral estimator version of Stein's lemma, low-rank matrix denoising, singular value shrinkage
  • 为什么对您有用: 本文连接到“高维统计与随机矩阵理论”（奇异值收缩/阈值去噪）以及“带随机噪声的逆问题”子方向，处理低秩去噪中的阈值选择。您武器库中“带随机噪声的逆问题”与“高维渐近理论”可直接审视其谱估计器版 Stein 引理的证明，并评估该平滑阈值与经典 RMT 最优收缩率的衔接。立即可做：用 very_familiar 的逆问题与高维渐近工具，验证该平滑阈值在非 Gauss 噪声或更一般 RMT 设定下的渐近最优性。

非参数 / 半参数 (nonparam_semipara, 3 篇)

1. 2606.07325 — A Temporal Spatial Minimax Rate for Smoothly-Varying Distributions in Wasserstein Space

  • 作者: Munsik Kim
  • 分类: math.ST · cs.AI · cs.IT · math.IT · stat.TH
  • 相关性 9/10 · novelty: new_theory
  • 摘要: 本文研究在2-Wasserstein空间中，从有限个带噪历史观测点预测未来分布μ_{t_n+h}的minimax速率，假设速度场的k阶协变导数满足adiabatic bound ‖∇_t^k v‖≤ε。核心结果是给出统一的时空minimax下界：在局部transport-rich子类上，任何估计器的W_2风险M-exponent为γ_d(k+1)/(k+1+γ_d)，其中γ_d=min(1/d,1/2)，M为总样本量。证明通过temporal-to-spatial reduction实现：将光滑预算定义的可达W_2球沿时间轴嵌入transport packing，并用Fano argument控制整个snapshot实验的信息量。下界插值了维度无关的extrapolation floor εh^{k+1}与空间估计诅咒M^{-γ_d}，当k→∞时恢复静态分布估计率。匹配上界在k=0（速率M^{-1/(d+1)}, d≥3）及平移子模型中对所有k成立；k≥1时协变估计器在两个条件估计下达到速率，无条件一般k上界为开放问题。
  • 关键技术: Wasserstein minimax lower bound, temporal-to-spatial reduction, Fano argument, covariant derivative bound, transport packing, optimal-transport map estimation
  • 为什么对您有用: 直接连接nonparametric minimax theory与Wasserstein空间估计，属于primary interest中nonparametric/semiparametric theory的核心问题。temporal-to-spatial reduction与Fano argument是您very_familiar的minimax bound工具可直接攻入的口子；协变估计器的条件速率分析可借moderately_familiar的M-estimation theory展开。立即可做：用minimax bound工具验证其下界紧性并尝试构造k≥1的无条件上界。

2. 2606.07325 — A Temporal Spatial Minimax Rate for Smoothly-Varying Distributions in Wasserstein Space

  • 作者: Munsik Kim
  • 分类: math.ST · cs.AI · cs.IT · math.IT · stat.TH
  • 相关性 9/10 · novelty: new_theory
  • 摘要: 本文研究在2-Wasserstein空间中，从有限个带噪历史观测点预测未来分布μ_{t_n+h}的minimax速率，假设速度场的k阶协变导数满足adiabatic bound ‖∇_t^k v‖≤ε。核心结果是给出统一的时空minimax下界：在局部transport-rich子类上，任何估计器的W_2风险M-exponent为γ_d(k+1)/(k+1+γ_d)，其中γ_d=min(1/d,1/2)，M为总样本量。证明通过temporal-to-spatial reduction实现：将光滑预算定义的可达W_2球沿时间轴嵌入transport packing，并用Fano argument控制整个snapshot实验的信息量。下界插值了维度无关的extrapolation floor εh^{k+1}与空间估计诅咒M^{-γ_d}，当k→∞时恢复静态分布估计率。匹配上界在k=0（速率M^{-1/(d+1)}, d≥3）及平移子模型中对所有k成立；k≥1时协变估计器在两个条件估计下达到速率，无条件一般k上界为开放问题。
  • 关键技术: Wasserstein minimax lower bound, temporal-to-spatial reduction, Fano argument, covariant derivative bound, transport packing, optimal-transport map estimation
  • 为什么对您有用: 直接连接nonparametric minimax theory与Wasserstein空间估计，属于primary interest中nonparametric/semiparametric theory的核心问题。temporal-to-spatial reduction与Fano argument是您very_familiar的minimax bound工具可直接攻入的口子；协变估计器的条件速率分析可借moderately_familiar的M-estimation theory展开。立即可做：用minimax bound工具验证其下界紧性并尝试构造k≥1的无条件上界。

3. 2606.06632 — Smooth Hard-Thresholding for Singular Values with Stein's Unbiased Risk Estimate

  • 作者: Guanzhong Yang
  • 分类: math.ST · cs.NA · eess.IV · eess.SP · math.NA · stat.TH
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 在低秩矩阵去噪设定下，经典 SVD 截断方法的 rank 选择规则并非有限样本风险准则，因为低秩拟合不可避免地吸收噪声。本文基于 Stein 无偏风险估计 (SURE) 提出替代方案：由于奇异值硬阈值不连续、不满足 Stein 引理条件，作者引入 logistic 平滑硬阈值谱估计器。证明了该平滑收缩器满足谱估计器版 Stein 引理的正规性条件，从而在 Gaussian 噪声下对固定阈值拥有精确无偏风险估计。对于固定观测矩阵与有限候选阈值集（与观测奇异值有间隔），固定阈值平滑 SURE 目标的排序最终与一个简单极限得分一致；该极限得分与有偏硬阈值 SURE 公式代数形式相同，但仅作为排序候选的计算工具。选择最小化阈值是数据自适应调参步骤，最终选定估计器的 SURE 值不应被解释为其无偏风险估计。对您可能有用：本文将 SURE 从向量域推广到谱域的正规性论证，为高维逆问题与随机矩阵理论中的阈值选择提供了新的理论工具。
  • 关键技术: Stein's unbiased risk estimate (SURE), logistic smooth hard-thresholding, spectral-estimator Stein lemma, low-rank matrix denoising, singular value thresholding
  • 为什么对您有用: 本文连接到高维统计与随机矩阵理论中的低秩去噪/逆问题方向，谱域 SURE 的正规性证明为奇异值阈值选择提供了有限样本风险准则。研究者武器库中 'inverse problems with random noise' 与 'high-dimensional asymptotics' 可直接攻入本文的谱估计器 Stein 引理证明与极限得分分析；'very_familiar' 层的 minimax bounds 视角可用来验证本文平滑阈值在 minimax rate 上是否优于硬阈值。Follow-up 判断：立即可做——用 very_familiar 的逆问题与高维渐近工具即可展开对平滑阈值 minimax 性质的研究。

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

1. 2606.07065 — Ising Models on Inhomogeneous Random Graphs: Inference, Local Asymptotic Minimaxity, and Limit of Experiments

  • 作者: Somabha Mukherjee, Sanchayan Bhowal, Anirban Chatterjee, Bhaswar B. Bhattacharya
  • 分类: math.ST · math.PR · stat.ME · stat.TH
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 在非均匀随机图上的 Ising 模型亚临界参数区域中，本文建立自然参数 θ 的推断框架，关键假设为 subcritical regime（保证模型唯一平稳性）。首先刻画了基于单样本的 ML 估计量渐近分布，覆盖稀疏与稠密网络两种情形。为克服 ML 的计算不可行性，提出一步近似估计量（closed-form），证明其与 ML 估计量具有相同渐近分布与方差，从而给出计算可行且渐近有效的置信区间。核心贡献是建立 Hájek–Le Cam 型局部渐近 minimax 定理，证明所提估计量在收缩邻域上达到最小渐近最大风险（率与领先常数均最优），并推导对应的极限实验（limit of experiments）。对自然参数的 goodness-of-fit 检验，推导了似然比检验的局部功效与 minimax 检测率；分析依赖 Ising 模型 Hamiltonian 与随机配分函数的新涨落结果。对您有用：将经典参数效率理论（Hájek–Le Cam minimax / 极限实验）首次移植到网络依赖数据，与您 efficiency theory 和 hypothesis testing 的兴趣直接对接；一步近似估计量的构造与 semiparametric one-step correction 同构。
  • 关键技术: Hájek-Le Cam local asymptotic minimax, limit of experiments (Le Cam), one-step approximation to likelihood equation, maximum likelihood on inhomogeneous random graphs, likelihood ratio test local power, minimax detection rates
  • 为什么对您有用: 本文直接对接您 efficiency theory（Hájek–Le Cam minimax、极限实验）与 hypothesis testing（goodness-of-fit 局部功效、minimax 检测率）两个 primary interest 子方向；one-step 近似估计量与 semiparametric one-step correction 的结构同构，可用您 very_familiar 的 minimax bounds 工具审视其声称的率与常数是否紧。Follow-up 判断：立即可做——您对 Le Cam 局部渐近 minimax 与极限实验框架已有基础，可直接验证其涨落结果能否推广到超临界区域或更高维参数，并用 moderately_familiar 的 M-estimation theory 检查一步近似在更复杂图结构下的稳健性。

2. 2606.07065 — Ising Models on Inhomogeneous Random Graphs: Inference, Local Asymptotic Minimaxity, and Limit of Experiments

  • 作者: Somabha Mukherjee, Sanchayan Bhowal, Anirban Chatterjee, Bhaswar B. Bhattacharya
  • 分类: math.ST · math.PR · stat.ME · stat.TH
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 在非均匀随机图上的 Ising 模型（subcritical 参数域）中，目标是自然参数的渐近最优推断与 goodness-of-fit 检验。首先刻画了基于单样本的 ML 估计的渐近分布，覆盖稀疏与稠密网络两种 regime；随后提出一步近似估计（closed-form），证明其与 ML 估计具有相同的渐近分布与方差，从而在计算可行下达到渐近有效。核心理论贡献是建立了 Hájek–Le Cam 型局部渐近 minimax 定理——所提估计在收缩邻域上达到最小渐近最大风险（率与常数均最优），并推导了对应的极限实验（limit of experiments）。对 goodness-of-fit 检验，推导了似然比检验的局部功效与 minimax 检测率。分析依赖 Hamiltonian 与随机配分函数的新 fluctuation 结果。对您有用：Hájek–Le Cam minimax 与极限实验框架直接连接 efficiency theory 核心工具，一步估计的构造与 semiparametric one-step estimation 有结构相似性。
  • 关键技术: Hájek-Le Cam local asymptotic minimax, one-step approximation to likelihood equation, limit of experiments (Le Cam), fluctuation of random partition function on inhomogeneous random graphs, likelihood ratio test local power, minimax detection rate
  • 为什么对您有用: 直接连接 efficiency theory 的 Hájek–Le Cam minimax 与极限实验，以及 mathematical statistics 的 hypothesis testing（minimax detection rate）。研究者 very_familiar 的 minimax bounds for estimation 与 moderately_familiar 的 semiparametric theory 可直接理解此框架，并有望将 one-step 构造思路迁移到因果推断或高维设定中的计算不可行 ML 问题。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉（特别是 Le Cam 极限实验的微分几何视角与 one-step estimator 的正交条件构造），才能将此框架推广到更复杂的依赖数据结构。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 2606.06769 — Sequential testing of conditionally constrained hypotheses

  • 作者: Eugenio Clerico
  • 分类: math.ST · stat.TH
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 在条件非参数假设（由有限多个条件约束定义）的序贯检验设定下，本文完整刻画了 e-process 的类结构。核心结果是 complete-class 定理：任何针对此类假设的 e-process 均被一个由 affine one-step e-variables 的可预测乘积逐点控制，因此在广泛的条件序贯检验问题中，任意 e-process 可无损替换为 test supermartingale。该结果将先前单步约束检验与有界一维条件均值检验中的 complete-class 结果推广至更一般的条件序贯设定，技术关键在于将条件约束的凸结构嵌入序贯 e-variable 的构造。对您有用：本文直接推进 hypothesis testing 与 nonparametric theory 的交叉，complete-class 定理为 anytime-valid inference 提供了最优性刻画，与您在 mathematical statistics (hypothesis testing) 方向的兴趣高度契合。
  • 关键技术: e-process, test supermartingale, complete-class theorem, predictable product of affine one-step e-variables, conditional non-parametric constraints, anytime-valid inference
  • 为什么对您有用: 本文连接到 mathematical statistics (hypothesis testing) 的序贯/anytime-valid inference 子方向，complete-class 定理给出了 e-process 最优性的逐点刻画。您 very_familiar 的 nonparametric statistics 武器可直接审视其条件约束假设是否可放松至更一般的半参数设定；moderately_familiar 的 semiparametric theory 可用于探索将 efficient influence function 结构嵌入 affine one-step e-variable 构造的可能性。立即可做：框架与现有武器高度兼容，可着手验证 complete-class 结果在 semiparametric constrained hypotheses 下的适用性。

2. 2606.06769 — Sequential testing of conditionally constrained hypotheses

  • 作者: Eugenio Clerico
  • 分类: math.ST · stat.TH
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究在有限个条件约束定义的条件非参假设下，e-process 的完整类刻画问题。核心结果是 complete-class 定理：任何针对此类条件假设的 e-process 都被一个由可预测的 affine one-step e-variable 乘积构成的 test supermartingale 点态控制。该结论将先前单步约束检验和有界一维条件均值检验中的 complete-class 结果推广到更广泛的条件序贯检验设定，表明在此类问题中任意 e-process 可无损替换为 test supermartingale。对您可能有用：该工作为条件序贯检验提供了 e-process 的最优构造理论，直接连接到 hypothesis testing 与 semiparametric theory 的交叉——条件约束下的非参检验设定。
  • 关键技术: e-process, test supermartingale, complete-class theorem, predictable affine one-step e-variable, conditional non-parametric hypothesis, sequential testing
  • 为什么对您有用: 直接连接到 hypothesis testing 子方向，特别是序贯检验与 e-process 的最优性理论；complete-class 定理的证明思路可能可用 semiparametric efficiency bound 的类似极小化论证来审视其紧性。follow-up 判断：中期可做——需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将条件约束下的 e-process 构造与 influence function / efficient score 的联系形式化。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 1 篇)

1. 2606.06961 — Causal inference of Plackett-Burman designs in applications

  • 作者: Shuchen Chang, Zhi-ming Li
  • 分类: stat.ME
  • 相关性 7/10 · novelty: minor
  • 摘要: 本文在 Plackett-Burman (PB) 筛选实验设计下，基于潜在结果框架建立有限总体因果推断方法。定义了 PB 设计下的因果效应 estimand，给出 Neymanian 估计量及其方差-协方差估计。进一步实施 Fisher sharp null 假设检验，并通过算法构造 Fisherian 随机化区间。四个应用实例（工业筛选实验）演示了所提方法。技术路线本质上是将经典有限总体随机化推断（Neyman/Fisher）适配到 PB 分式因子设计的结构上，理论 novelty 有限。对您而言，仅当关注实验设计的因果推断视角时才有参考价值，与您主攻的 identification / semiparametric efficiency / proximal CI 方向距离较远。
  • 关键技术: Neymanian variance estimation, Fisher sharp null randomization test, finite-population potential outcomes, Plackett-Burman fractional factorial design, Fisherian confidence interval
  • 为什么对您有用: 本文触及因果推断与假设检验两个 primary interest，但子方向错位：有限总体随机化推断（Neyman/Fisher tradition）≠ 您关注的 identification / semiparametric efficiency / proximal CI；Fisher sharp null test ≠ 您关注的 minimax testing / asymptotic power 理论。武器库中 identification theory 与 semiparametric theory 对此文无直接攻入口。follow-up 判断：暂不可做——本文核心机器（有限总体随机化推断 + PB 设计组合结构）不在武器库中，且与您主攻方向的技术栈无交叉，不值得展开读。

非参数 / 半参数 (nonparam_semipara, 4 篇)

1. 2606.07354 — Dependence Measures via Adapted Optimal Transport: Stability and Rates of Convergence

  • 作者: Jonathan Ansari, Johannes Wiesel
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究 Chatterjee 型依赖度量（同时刻画独立性与完美函数依赖）的估计问题；这类度量因基于条件分布而非联合分布，无法在弱收敛拓扑下连续，导致经典经验分布 plug-in 估计失效。作者引入基于 adapted optimal transport 的收敛模式，捕捉条件分布的弱收敛并恢复连续性，并将此收敛模式与 adapted Wasserstein 距离、Knothe-Rosenblatt 距离及 copula 上的 d1-metric 建立等价/关联关系。在此基础上提出基于 adapted empirical measure 的 copula 估计器，并与经典 rank-based checkerboard 估计器做对比；在刻画条件弱连续的度量下，对两者均推导出 O(N^{-1/3}) 收敛速率。作为推论，得到多类依赖度量（rank-based 与 rearranged）plug-in 估计器的同一速率。O(N^{-1/3}) 低于半参数有效速率 n^{-1/2}，暗示此类依赖度量是非正则参数——对您在效率理论中理解非正则 estimand 的 rate landscape 有直接参考。
  • 关键技术: adapted optimal transport, adapted Wasserstein distance, Knothe-Rosenblatt rearrangement, copula d1-metric, rank-based checkerboard estimator, conditional weak convergence
  • 为什么对您有用: 本文直接触及非参数/半参数理论中依赖度量的收敛速率问题，属于您 primary interest 的 nonparametric theory 与 efficiency theory 交汇处：O(N^{-1/3}) 速率说明这些依赖度量不满足半参数正则性，与您熟悉的 semiparametric efficiency bound 视角形成对照。用您 very_familiar 的 minimax bounds 工具可验证该速率是否紧（是否可达 minimax lower bound）；moderately_familiar 的 semiparametric theory 可进一步分析其 influence function 为何不存在。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体是 non-regular parameter 的 rate classification），才能系统回答这类依赖度量能否被 HOIF / debiased 方法加速。

2. 2606.07499 — Non-asymptotic bounds for quasi-MLE, misspecified models, and dependence under group sequential sampling

  • 作者: Julian Aronowitz, Jay Bartroff
  • 分类: math.ST · math.PR · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究群组序贯抽样设定下，存在模型误设与组内依赖时 quasi-MLE 的渐近多元正态极限与非渐近正态逼近界。estimand 为 quasi-MLE，关键假设允许似然偏离真实数据生成机制且组内观测依赖。核心方法是用 Stein's method 导出具有已知常数的非渐近正态逼近界，并显式计算带随机组效应的 Poisson GLMM 的极限协方差结构与有限样本界。实证以癫痫临床试验数据展示。对您可能有用：此文的 misspecified quasi-MLE 非渐近界与协方差结构计算，可为 semiparametric efficiency / debiased ML 中 misspecification robustness 的有限样本分析提供工具。
  • 关键技术: Stein's method, quasi-MLE, group sequential sampling, model misspecification, non-asymptotic normal approximation, Poisson GLMM
  • 为什么对您有用: 本文连接到 semiparametric / efficiency theory 中 misspecified estimating equation 的 robustness 分析子方向。您武器库中的 minimax bounds 与 M-estimation theory（moderately_familiar）可直接攻本文 non-asymptotic bound 的紧性验证与协方差结构推导。follow-up 判断：中期可做——需先在 M-estimation theory 上长肌肉，以系统理解 misspecified quasi-MLE 的 influence function 与协方差结构。

3. 2606.07354 — Dependence Measures via Adapted Optimal Transport: Stability and Rates of Convergence

  • 作者: Jonathan Ansari, Johannes Wiesel
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究 Chatterjee 型依赖度量（同时刻画独立性与完美函数依赖）的估计问题；这类度量因基于条件分布而非联合分布，无法在弱收敛拓扑下连续，导致经典经验分布 plug-in 估计失效。作者引入基于 adapted optimal transport 的收敛模式，捕捉条件分布的弱收敛并恢复连续性，并将此收敛模式与 adapted Wasserstein 距离、Knothe-Rosenblatt 距离及 copula 上的 d1-metric 建立等价/关联关系。在此基础上提出基于 adapted empirical measure 的 copula 估计器，并与经典 rank-based checkerboard 估计器做对比；在刻画条件弱连续的度量下，对两者均推导出 O(N^{-1/3}) 收敛速率。作为推论，得到多类依赖度量（rank-based 与 rearranged）plug-in 估计器的同一速率。O(N^{-1/3}) 低于半参数有效速率 n^{-1/2}，暗示此类依赖度量是非正则参数——对您在效率理论中理解非正则 estimand 的 rate landscape 有直接参考。
  • 关键技术: adapted optimal transport, adapted Wasserstein distance, Knothe-Rosenblatt rearrangement, copula d1-metric, rank-based checkerboard estimator, conditional weak convergence
  • 为什么对您有用: 本文直接触及非参数/半参数理论中依赖度量的收敛速率问题，属于您 primary interest 的 nonparametric theory 与 efficiency theory 交汇处：O(N^{-1/3}) 速率说明这些依赖度量不满足半参数正则性，与您熟悉的 semiparametric efficiency bound 视角形成对照。用您 very_familiar 的 minimax bounds 工具可验证该速率是否紧（是否可达 minimax lower bound）；moderately_familiar 的 semiparametric theory 可进一步分析其 influence function 为何不存在。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体是 non-regular parameter 的 rate classification），才能系统回答这类依赖度量能否被 HOIF / debiased 方法加速。

4. 2606.07499 — Non-asymptotic bounds for quasi-MLE, misspecified models, and dependence under group sequential sampling

  • 作者: Julian Aronowitz, Jay Bartroff
  • 分类: math.ST · math.PR · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究群组序贯抽样设定下，存在模型误设与组内依赖时 quasi-MLE 的渐近多元正态极限与非渐近正态逼近界。estimand 为 quasi-MLE，关键假设允许似然偏离真实数据生成机制且组内观测依赖。核心方法是用 Stein's method 导出具有已知常数的非渐近正态逼近界，并显式计算带随机组效应的 Poisson GLMM 的极限协方差结构与有限样本界。实证以癫痫临床试验数据展示。对您可能有用：此文的 misspecified quasi-MLE 非渐近界与协方差结构计算，可为 semiparametric efficiency / debiased ML 中 misspecification robustness 的有限样本分析提供工具。
  • 关键技术: Stein's method, quasi-MLE, group sequential sampling, model misspecification, non-asymptotic normal approximation, Poisson GLMM
  • 为什么对您有用: 本文连接到 semiparametric / efficiency theory 中 misspecified estimating equation 的 robustness 分析子方向。您武器库中的 minimax bounds 与 M-estimation theory（moderately_familiar）可直接攻本文 non-asymptotic bound 的紧性验证与协方差结构推导。follow-up 判断：中期可做——需先在 M-estimation theory 上长肌肉，以系统理解 misspecified quasi-MLE 的 influence function 与协方差结构。

数理统计 / 假设检验 (hypothesis_testing, 3 篇)

1. 2606.06930 — Testing Equality of Conditional Distributions via Generative Models

  • 作者: Hanjia Gao, Linjun Huang, Yun Yang, Xiaofeng Shao
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在条件分布相等性检验问题中，目标是在 covariate overlap 假设下检验 P(Y|X)=Q(Y|X)。核心方法是从每个样本学习条件生成器，通过 cross-generation 对齐协变量后直接比较生成响应与观测响应，避免条件密度比估计和高维协变量上的局部平滑。检验统计量定义为 RKHS-indexed empirical process 的 supremum，采用 multiplier bootstrap 校准临界值；计算上基于 alternating maximization 与 kernel trick 实现高效求解。理论上推导了 null 和 alternative 下的极限分布，证明了 bootstrap validity 与检验一致性，并展示了关于条件生成器估计误差的 double-robustness 性质——只要两个生成器中至少一个估计准确，检验仍保持有效。该方法在高维协变量和多变量响应场景下表现良好；对您有用在于其 double-robustness 结构与 semiparametric efficiency theory 直接相连，且 RKHS empirical process 框架属于您熟悉的 nonparametric hypothesis testing 领域。
  • 关键技术: RKHS-indexed empirical process, conditional generative model, multiplier bootstrap, double-robustness, alternating maximization, kernel trick
  • 为什么对您有用: (1) 直接连接 hypothesis testing（primary interest）中的 nonparametric conditional distribution testing 子方向，RKHS empirical process + multiplier bootstrap 是经典 nonparametric 检验工具；(2) double-robustness 性质与 semiparametric efficiency theory（moderately_familiar）中的 orthogonal/DR 结构同源，可用 minimax bound（very_familiar）分析该检验在生成器估计误差下的 rate 是否紧；(3) 中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，才能将 HOIF 修正嵌入此检验框架以获得 sharper local power。

2. 2606.07466 — Covariance-Adaptive Residualization and Stagewise Calibration for Dependent Multiple Testing

  • 作者: Prasenjit Ghosh, Arijit Chakrabarti
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在任意协方差依赖结构下的多元高斯均值同时检验问题中，本文基于 MRD (Maximum Residual Down) 程序，提出采用 Gavrilov et al. (2009) 广义逐步下降临界常数的逐阶段校准 (stagewise calibration) 策略。新程序保留 MRD 的协方差自适应残差化机制，将模型依赖阈值替换为简单逐阶段校准规则；因属于 Ghosh & Chakrabarti (2026) 的单调残差逐步下降类，其容许性 (admissibility) 直接由该理论保证。作者推导了 MRD 残差统计量的替代表示——所有活跃残差通过单一活跃精度矩阵 (active precision matrix) 表达，显著降低计算复杂度。模拟显示在多种依赖结构下标准化误分类风险低于若干边际检验程序；结构化依赖下 FDR 接近名义水平、FNDR 极小、功效趋近 1。对您有用：本文推进了 hypothesis testing 方向——协方差自适应残差化与精度矩阵表示为依赖结构下多重检验提供了容许性理论与计算优化视角。
  • 关键技术: covariance-adaptive residualization, step-down multiple testing, stagewise calibration, active precision matrix representation, admissibility of monotone residual-based procedures, normalized misclassification risk
  • 为什么对您有用: 直接连接 primary interest 中 mathematical statistics (hypothesis testing) 子方向——任意协方差依赖下多重检验的容许性与校准策略。技术武器库中 'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)' 可直接攻其计算复杂度口子：active precision matrix 的逐阶段更新本质是一系列矩阵投影/残差化运算，可用 einsum 视角审视 contraction order 与 treewidth 结构。中期可做：需先在 'M-estimation theory' 上长肌肉以深入其 admissibility 证明框架，但精度矩阵计算复杂度分析部分立即可用 einsum/treewidth 工具展开。

3. 2606.07169 — When can a posterior predictive check identify the learning rate? Exact degeneracy in Gaussian models and implications for Generalised Bayesian Inerence

  • 作者: Nam Anh Le
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 在广义贝叶斯推断（GBI）框架下，学习率 η 通过 tempering likelihood 缓解模型误设，Zafar & Nicholls (2024) 提出用后验预测检验（PPC）p-value 选择最小不拒绝的 η。本文对 Gaussian 线性模型给出精确有限样本分析：已知方差 + flat prior 下，PPC p-value = P(χ²_n > RSS/σ₀²)，对 η 完全不变——selector 无法识别 η；方差误设时呈双侧 non-identifying。未知方差 + reference prior 下，p-value 仅依赖 (n, d, η) 而与数据或 DGP 无关，selector 在观测数据前即固定，通常坍缩至网格最小值，导致过度 tempering 与预测区间膨胀。该退化源于 Gaussian scale-location 族与 reference prior 的 pivotality 性质，informative prior 下消失。对您而言，本文展示了 PPC 作为 hypothesis testing 工具在特定模型族中的精确有限样本退化结构，属于 mathematical statistics 的范畴。
  • 关键技术: posterior predictive check, generalized Bayesian inference, pivotality property, finite-sample exact analysis, Gaussian scale-location family, learning rate selection
  • 为什么对您有用: 本文连接到 mathematical statistics & hypothesis testing 子方向：PPC 本质是 model-checking test，文中对 Gaussian 族精确 pivotality 退化的有限样本分析是典型的数学统计工作。用 very_familiar 的 minimax bounds 视角难以直接攻入——核心是 Bayesian pivotality 结构而非 minimax rate；但 moderately_familiar 的 M-estimation theory 可用于分析非 Gaussian / semiparametric 模型下 PPC selector 的渐近 identification 条件。中期可做：若想将此退化现象拓展到部分指定模型，需先在 M-estimation theory 上长肌肉，刻画 PPC selector 在 semiparametric 设定下的 identification 条件与渐近行为。

天体统计 (astrostats, 1 篇)

1. 2606.06692 — Where Not to Look: A Parametric Avoidance Model for SETI Target Selection

  • 作者: Sahin Torlakcik
  • 分类: astro-ph.IM · astro-ph.EP · astro-ph.GA · astro-ph.SR
  • 相关性 7/10 · novelty: application
  • 摘要: 本文在 SETI（搜寻地外智慧生命）目标选择问题下，提出基于七项恒星参数（年龄、金属丰度、多重性等）的规则过滤模型，从 Gaia DR3 的 174 万恒星样本中排除约一半，保留 777,835 个高优先级目标（主要为 K 型矮星与安静 M 型矮星）。核心机制是阈值截断式规则筛选，而非概率模型；年龄与金属丰度是主要排除驱动因素。关键发现包括：使用 Gaia 年龄上界而非点估计可挽救 355,086 颗星免于排除（涉及测量不确定性对决策的影响），以及 RUWE 指标比 Gaia 自身非单星标记多标记 2.7 倍双星（不同代理指标的一致性问题）。与 Breakthrough Listen 目标列表交叉匹配显示 56.5% 排除率，说明宜居性驱动与距离驱动调查的互补性。对您而言，本文作为 astrostats 入门读物有一定价值——数据规模大、科学问题明确，但统计方法极简（规则阈值而非概率模型），方法论迁移空间有限。
  • 关键技术: rule-based threshold filtering, proxy indicator comparison, measurement uncertainty sensitivity (upper bounds vs point estimates), cross-matching survey catalogs
  • 为什么对您有用: （1）本文属于 astrostats 入门读物范畴——SETI 目标选择是天文数据分析中有趣的应用场景，但统计方法仅为规则阈值筛选，无概率模型或推断框架；（2）您的武器库（高维渐近、非参数理论）远超本文所需，但本文未提供需要这些工具的问题入口——测量不确定性对排除决策的影响（上界 vs 点估计）是一个可被更严格统计框架（如部分识别/区间推断）改进的点，不过本文本身未触及此方向；（3）建议快速浏览摘要与数据描述部分即可，不必花时间读全文——方法论深度不足以支撑进一步研究连接。

经济理论 / 应用 (econ_theory, 3 篇)

1. 2606.07049 — CausalAlpha: A Real-Time Geopolitical Risk Index from OSINT Channels for Causal Discovery in Financial Markets

  • 作者: Andres Azqueta-Gavaldon, Borja Ureta
  • 分类: econ.EM
  • 相关性 7/10 · novelty: application
  • 摘要: 本文构建 CausalAlpha 框架，从 Telegram OSINT 频道用 NLP 提取高频地缘政治风险（GPR）指数，并对五类 GPR 指标与金融市场变量（商品、股指、信用工具）做因果发现。方法上采用 Peter-Clark（PC）算法恢复 DAG，跨四种 DAG 规范与三个显著性水平、500 次 block-bootstrap 重抽样估计。全局稳健发现：政治不稳定与能源媒体报道独立地因果先于冲突报道（α=0.10）；在 α=0.05 下冲突报道因果先于能源板块股收益（delta XLE）。Structural VAR 确认日频下地缘 NLP 信号对金融价格的动态传导统计上偏弱，暗示信号主要在媒体叙事系统内运作。框架已部署于 Google Cloud Run 作为生产级应用。对您而言，本文是经济因果应用的数据管线参考，但 PC 算法与您关注的 identification / semiparametric estimation 路线差异较大。
  • 关键技术: PC algorithm, causal discovery, DAG recovery, block-bootstrap resampling, Structural VAR, NLP-based sentiment index construction
  • 为什么对您有用: 本文连接到 secondary interest 中的经济理论（数据集、应用因果工作），提供了 OSINT→GPR 指数的完整数据管线与金融市场因果发现的应用案例，数据结构（高频文本→指数→宏观面板）对想进入宏观金融因果的研究者有参考价值。但方法学上 PC 算法是标准约束式因果发现，与您武器库中的 identification theory / semiparametric estimation / HOIF 路线无直接交集；若要将 semiparametric efficiency 或 debiased ML 思想引入此类高频宏观因果发现，需先在 moderately_familiar 的 M-estimation theory 或 causal discovery（constraint-based 假设体系）上长肌肉。中期可做。

2. 2606.06638 — Consistent estimation in logit models using historical choices as practical consideration set

  • 作者: C. Angelo Guevara
  • 分类: econ.EM
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 在离散选择模型（Logit DGP）中，考虑集（consideration set）是未观测的潜在变量；经典假设个体评估全部备选项，行为上不现实。本文提出用个体历史选择记录构造实用考虑集，并给出参数估计一致性的充分条件：在跨实例选择概率同质的前提下，历史选择可视为从真实考虑集的随机抽样，满足 uniform conditioning property，从而保证 Logit 参数的一致估计。核心论证是对 sampling-of-alternatives 定理的重新诠释——将历史选择视为从真实考虑集的抽样而非从全集抽样。Monte Carlo 实验验证了理论结论。对您可能有用：该文将潜在考虑集的 identification 问题转化为抽样框架下的 conditioning 问题，与因果推断中 latent variable 的 identification 思路有概念平行。
  • 关键技术: sampling-of-alternatives theorem, uniform conditioning property, Logit model consistency, latent consideration set, Monte Carlo validation
  • 为什么对您有用: 本文属于 econ_theory 二级兴趣下的离散选择模型理论，核心是潜在考虑集下的 identification 与一致估计条件。与您 moderately_familiar 的 identification theory in causal inference 有概念平行（潜在变量 → 可观测代理的 identification 条件），但具体机器（sampling-of-alternatives / uniform conditioning）不在您的武器库中。follow-up 判断：暂不可做——该文的 Logit 选择模型框架与 sampling-of-alternatives 定理是离散选择计量学的专用工具，您目前缺乏该子领域的模型设定与定理体系，需先补课才能判断其 identification 条件能否迁移到因果推断的 latent variable 设定中。

3. 2606.07469 — Statistical and Numerical Convergence in Stochastic Equilibrium

  • 作者: David Staines
  • 分类: econ.EM · cs.NA · econ.TH · math.NA · math.PR
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究 SELCKE 框架下随机均衡的计算与计量推断性质，设定为系统向长期均衡的几何收敛，收敛率由最接近单位圆的特征值与最大冲击持续性决定。核心机制包括：提出具有渐近功效的模拟检验程序以验证随机均衡存在性；证明随机稳态在任意阶展开下均提供最精确的扰动解；在二阶项消失时获得超一致参数估计量 \(O(1/T)\)；并对 Calvo、Taylor 合约与菜单成本模型的脉冲响应与边界行为给出解析界。主要理论结果为宏观定价模型提供了新的收敛与估计界，但对您而言，其超一致性估计与渐近检验仅作为经济理论中计量推断的参考案例，核心宏观均衡机制与因果/高维统计距离较远。
  • 关键技术: stochastic equilibrium, geometric convergence rate, super-consistent estimator, perturbation approximation, asymptotic power simulation test, eigenvalue bounds
  • 为什么对您有用: (1) 属于 secondary interest 中的 economic theory（宏观模型与计量推断），但偏向纯理论 DSGE 而非应用因果或数据集；(2) 其超一致性 \(O(1/T)\) 与渐近功效检验可尝试用 moderately_familiar 中的 M-estimation theory 分析其收敛条件；(3) 暂不可做：核心机器（宏观随机均衡的扰动展开与特征值收敛）不在武器库中，且缺乏真实数据集支撑应用因果分析。

其他 (other, 1 篇)

1. 2606.07447 — Community Detection on a Randomly Growing Network

  • 作者: Jianxiang Wang, Min Xu
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究非SBM框架下随机生长网络的社区检测问题：模型由K个优先依附（preferential attachment）树通过Erdős–Rényi边连接而成，节点继承所属树的社区标签，目标是从最终图恢复未观测的社区归属。该模型能产生真实网络中常见的幂律度分布、链与hub等SBM下极低概率的特征。首先证明任何算法都无法一致恢复所有节点的社区标签（impossibility result），然后设计两阶段算法——第一阶段分类高degree节点，第二阶段将社区分配扩展到其余节点——对多种中心性定义（到达时间、度等）下的核心节点子集实现可证明的部分标签恢复。数值实验与合著网络真实数据验证了方法有效性。对您可能有用：impossibility result的证明思路与minimax lower bound技术同源，可作为网络模型下估计不可行性的参考案例。
  • 关键技术: preferential attachment model, impossibility result, partial community recovery, two-stage classification algorithm, node centrality, Erdős-Rényi inter-community edges
  • 为什么对您有用: 本文的impossibility result本质上是一种minimax lower bound，与您very_familiar的minimax bounds for estimation problems有技术同源性；但核心主题是网络社区检测而非您的主攻方向（因果推断/RMT/U-statistics/半参数效率）。用您现有的minimax理论武器可以理解其不可行性证明，但论文的network growth model与partial recovery算法设计不在您的技术arsenal范围内。中期可做：若想进入network inference方向，需先在moderately_familiar的M-estimation theory上补充network-specific的empirical process工具。

🗂 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. 2606.06730 — Bayesian genome-wide clustering and variable selection of transcriptomic data via rank-based mixtures

  • 作者: Emilie Eliseussen, Haakon Muggerud, Luca Coraggio, Ida Scheel, Thomas Fleischer, Valeria Vitelli
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Bayesian rank-based clustering for omics data is tangential; high-dim context but core methodology is outside arsenal.

2. 2606.06753 — Cluster-Aware Conformal Calibration for Spatio-Temporal Distributional Prediction

  • 作者: Gooyoung Kim, Chae Young Lim, Wen-Ting Wang, Hao-Yun Huang, Wei-Ying Wu
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Spatio-temporal DeepKriging with conformal calibration is tangential to primary interests; spatial statistics focus.

3. 2606.07052 — Influence of continuous predictor modelling methods on prediction stability in clinical prediction model development: an empirical comparison using real clinical data

  • 作者: Phichayut Phinyo, Pakpoom Wongyikul, Noraworn Jirattikanwong, Natthanaphop Isaradech, Wuttipat Kiratipaisarl, Suppachai Lawanaskol, Noppadon Seesuwan, Wachiranun Sirikul
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Empirical comparison of predictor modelling in clinical prediction models; not theoretical enough for primary interests.

4. 2606.07213 — Principal Component Analysis for Multivariate Extremes

  • 作者: Dan Cooley, Anne Sabourin, Troy Wixson
  • 分类: stat.ME · math.ST · stat.ML · stat.TH
  • 相关性 3/10
  • 评分理由: PCA for multivariate extremes is a different subfield; no clear connection to primary interests (causal, high-dim RMT, U-stats, efficiency, stat-comp tradeoffs).

5. 2606.07022 — Integral stochastic orders of \(m\)-generalized order statistics from transform-ordered nonparametric families

  • 作者: Idir Arab, Tommaso Lando, Paulo Eduardo Oliveira, Tomasz Rychlik
  • 分类: math.ST · stat.TH
  • 相关性 3/10
  • 评分理由: Stochastic ordering of generalized order statistics; specialized topic tangential to primary interests despite nonparametric framing.

6. 2606.07227 — Chhavi: A Python Tool for Converting RAMSES Outputs to VTKHDF for High-Fidelity AMR Visualization

  • 作者: Hemangi C. Varkal (Space Applications Centre, L. J. Institute of Engineering and Technology, Ahmedabad, India), Shubhankar R. Gharote (Space Applications Centre), Munn Vinayak Shukla (Space Applications Centre), Mehul Pandya (Space Applications Centre)
  • 机构: Space Applications Services (Belgium)
  • 分类: astro-ph.IM
  • 相关性 3/10
  • 评分理由: Software tool for AMR data conversion; overlaps with software arsenal but very domain-specific with no statistical methodology question.

7. 2606.07373 — Learning Collapsed Patterns in Compositional Data: A Bayesian Heterogeneous Relative-Shift Approach

  • 作者: Maoran Xu, Guanyu Hu
  • 分类: stat.ME
  • 相关性 2/10
  • 评分理由: Bayesian compositional-data regression with clustering; tangential to all primary and secondary interests.

8. 2606.07406 — Deriving the Variance-Minimizing Design for Standard Addition via c-Optimality

  • 作者: Gerhard G\"ossler, Vera Hofer, Walter Goessler
  • 分类: stat.ME
  • 相关性 2/10
  • 评分理由: Optimal experimental design for standard addition in analytical chemistry; niche application, no overlap with primary interests.

9. 2606.07276 — The Balance Property: The Constrained Case, with a View on Risk Sharing

  • 作者: Mario V. W\"uthrich
  • 分类: math.ST · q-fin.RM · stat.TH
  • 相关性 2/10
  • 评分理由: Actuarial pricing focus with GLM balance property; tangential to core estimation theory interests.

10. 2606.06583 — The short and long of iPhoton science for a boosted Hubble

  • 作者: Stephan R. McCandliss, Jack Ford, Anne E. Jaskot, Matthew J. Hayes, Alberto Saldana-Lopez, Alaina Henry, Timothy Heckman, Sophia R. Flury, Claudia Scarlata, Cody Carr
  • 分类: astro-ph.IM · astro-ph.GA
  • 相关性 2/10
  • 评分理由: Truncated abstract; pure astrophysics proposal with no clear data/model exposition for a statistician.

11. 2606.07039 — Collisional excitation of H\(_2\)CO by He: Experimental validation of state-of-the-art scattering calculations

  • 作者: Chinmai Sai Jureddy, Sandor Demes, Francesca Tonolo, Francois Lique, Ian R. Sims
  • 分类: astro-ph.IM · physics.chem-ph
  • 相关性 2/10
  • 评分理由: Experimental physics validating scattering calculations; marginal statistical relevance, heavy domain jargon.

12. 2606.06699 — Robust inference for cyclic-stress accelerated life tests under interval monitoring with lognormal lifetimes

  • 作者: Mar\'ia Jaenada, Leandro Pardo, Kiran Prajapat
  • 分类: stat.ME · stat.AP
  • 相关性 1/10
  • 评分理由: Accelerated life testing with interval censoring is unrelated to any primary or secondary interest.

13. 2606.07256 — The Universe Observed with Particle Detectors: Astrophysical Legacy of Guido Barbiellini Amidei

  • 作者: Roberto Capuzzo Dolcetta (Dep. of Physics, Sapienza, University of Roma, Piazzale A. Moro 2, 00185 Rome, Italy, Istituto Nazionale di Fisica Nucleare, Centro di Ricerche E. Fermi, via Panisperna 89, 00184 Rome, Italy, Istituto Nazionale di Astrofisica, viale del Parco Mellini 8, 00136 Rome, Italy)
  • 机构: Istituto Nazionale di Fisica Nucleare · Centro Ricerche Enrico Fermi · Sapienza University of Rome · National Institute for Astrophysics
  • 分类: astro-ph.IM · cond-mat.other
  • 相关性 1/10
  • 评分理由: Memorial review of detector-driven astrophysics; no data/model exposition or statistical methodology.

14. 2606.06897 — The MICADO first light imager for the ELT: eliminating vibrations and excessive earthquake-loads on specific subsystems

  • 作者: H. Nicklas, S. Sch\"afer, H. Anwand-Heerwart, J. -O. Dette, J. Witschel, H. Huber
  • 分类: astro-ph.IM
  • 相关性 0/10
  • 评分理由: Pure telescope engineering paper; no statistical content.

15. 2606.06898 — MOSES -- The MONET Star and Exoplanet Spectrograph

  • 作者: S. Sch\"afer, L. Schmidt, H. Anwand-Heerwart, D. Jones, A. Reiners
  • 分类: astro-ph.IM · astro-ph.SR
  • 相关性 0/10
  • 评分理由: Instrument design description; no statistical methodology.

16. 2606.07154 — Second-Generation Fabry-P\'erot Unit for CARMENES

  • 作者: Hanna Lina Pleteit, Michael Debus, Sebastian Sch\"afer, Ansgar Reiners
  • 分类: astro-ph.IM
  • 相关性 0/10
  • 评分理由: Instrument technical paper on Fabry-Pérot unit; no statistical content.

Maintained by 陈星宇 · Homepage · Source on GitHub

评论