跳转至

2026-06-19 每日 arXiv 资讯

  • 高相关论文 3 篇 · 中相关 30 篇 · 其他 19 篇 · 会议/Seminar 事件 0 条

✍️ 手动录入的论文（精读）

你在网页上手动录入（粘贴 arXiv 链接）申请精读的论文，已默认加入收藏，并由当天的定时任务精读。点标题旁的 🔍 精读 查看解读。

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

1. 2405.08525 — Doubly-robust inference and optimality in structure-agnostic models with smoothness

  • 作者: Matteo Bonvini, Edward H. Kennedy, Oliver Dukes, Sivaraman Balakrishnan
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文研究观测数据中平均处理效应(ATE)的估计问题，在结构agnostic但附加光滑性约束的混合分布类中考察双稳健AIPW估计量的最优性。作者首先定义了一个新的分布类，它同时保留结构agnostic性（不对 nuisance 函数做结构假设）并施加了额外的光滑性约束。然后计算了该类以及纯结构agnostic类中ATE估计的minimax下界，揭示光滑性带来的潜在收益。提出一个新的ATE估计量，该估计量具有双稳健渐近线性性质，允许倾向得分或结果回归模型在任一放错或慢速估计下仍能构造渐近有效的Wald置信区间。在某些条件下，新估计量的收敛速率远快于标准AIPW估计量，并且匹配minimax下界，从而建立了其最优性。本文通过仿真验证了理论发现，并直接连接研究者的因果推断和效率理论兴趣，特别是高阶影响函数(HOIF)在最优估计中的应用。
  • 关键技术: augmented IPW estimator, minimax lower bound, asymptotically linear estimator, smoothness-constrained distribution class, doubly-robust inference, Wald-type confidence interval
  • 为什么对您有用: 本文直接针对ATE的双稳健估计和最优性理论，属于研究者的核心兴趣方向(efficiency theory & causal inference)。研究者可立即利用自身在minimax下界和非参数估计方面的熟练工具(very_familiar的minimax bounds)来验证本文的速率匹配结论，并尝试将混合分布类框架推广至其他因果参数(如IV、mediation)。立即可做，因为核心工具(非参数下界推导、双稳健估计)已在武器库中。

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 3 篇)

1. 2606.18459 — Apportioning Causal Responsibility of Two Risk Factors for an Adverse Outcome via Counterfactual Attribution

  • 作者: Shanshan Luo, Yafang Deng, Qingyuan Zhao, Zhi Geng
  • 分类: stat.ME
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本论文提出一个量化框架，用于在已发生不良结果（如肺癌）中，将因果责任分配给两个二元风险因素（如吸烟和石棉暴露）。与标准因果推断前瞻性估计平均因果效应不同，该框架需要回顾性地评估每个因素对已实现的结局的贡献。核心设定基于潜在结果类型（潜在因果类型），定义平均因果责任为类型特异性责任在潜在类型分布上的期望。在无混杂和单调性假设下，当类型特异性责任满足结构平衡条件时，该量可被非参数识别；否则可得到sharp bounds。论文使用无混杂和单调性假设实现识别，不依赖参数模型，与您关注的非参数识别理论紧密相连。您可以使用identification theory in causal inference工具直接理解并扩展该框架，例如放松单调性假设或引入敏感性分析。
  • 关键技术: counterfactual attribution, potential outcomes, nonparametric identification, monotonicity assumption, sharp bounds, causal responsibility
  • 为什么对您有用: 本篇直接连接您的causal inference子方向中的identification与反事实归因问题。您非常熟悉的nonparametric statistics和identification theory in causal inference可以立即用于理解该框架的识别逻辑，并评估其假设的可检验性。后续可从中期可做的方向（例如利用moderately_familiar的semiparametric theory引入协变量调整）或立即可做的方向（如编写软件包实现bound计算）跟进。

2. 2606.19117 — Wasserstein Policy Learning for Distributional Outcomes

  • 作者: Yiyan Huang, Cheuk Hang Leung, Qi Wu, Zhiheng Zhang
  • 分类: stat.ME · cs.LG · econ.EM · stat.ML
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究离线策略学习中的分布值结果问题，目标是从协变量学习一个映射到治疗的策略（个体化治疗规则），但每个潜在结果是一个概率测度，奖励通过Wasserstein barycenter上的效用泛函来定义。在逆概率加权（IPW）和双稳健（DR）估计框架下，构建策略学习目标函数，并证明有限样本后悔率的领先项为 \(\widetilde{\mathcal{O}}(\sqrt{\mathrm{N\text{-}dim}(\Pi)/N})\)，其中 \(\mathrm{N\text{-}dim}(\Pi)\) 是策略类的Natarajan维数。主要技术挑战是处理组合策略类与无限维分位数域上的均匀偏差，通过经验过程工具得出非渐进上界。此外，文章给出minimax下界，证明关于样本量N和策略类复杂度的领先依赖是紧的。这项工作将经典的政策学习从标量结果扩展到分布结果，为处理结局分布形状的因果效应提供了理论保障。对您而言，它直接关联到因果推断中off-policy估计与个性化治疗规则的方法学，且minimax下界的分析思路可迁移到您熟悉的高维统计与极小极大理论。
  • 关键技术: Wasserstein Policy Learning, Distributional Outcomes, Inverse Probability Weighting, Doubly Robust Estimation, Natarajan Dimension, Uniform Deviation Bounds
  • 为什么对您有用: (1) 本文扩展了因果推断中离线策略学习至分布结果，是您primary interest下causal inference的异质性效应新设定。 (2) 武器库中非常熟悉的minimax界和非参数统计可直接用于理解或复现文中的后悔率推导与下界证明。 (3) 立即可做：用您掌握的因果估计理论（IPW/DR框架）和极小极大工具，可以针对该设定设计更高效的双稳健估计器或探索其他效用泛函。

3. 2606.18512 — Causal Forecasting in Panel Data: A Two-Way Synthetic Forecasting Approach

  • 作者: Dennis Shen
  • 分类: econ.EM · stat.ME
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文聚焦面板数据中的因果预测问题，将合成控制的反事实推断逻辑与多元时间序列的预测结构相结合。核心设定是：在观察面板数据中，目标单元在观测窗口内未经历某种干预，但我们希望预测其未来在干预下的潜在结果。作者提出两路合成预测（TWSF）估计量：先利用干预前的结果学习跨单元关系（类似合成控制中的单位回归），再基于已接受干预的单元轨迹拟合时间序列模型，从而估计前瞻性因果预测值。在低秩时间因素假设下，识别了目标估计量；导出了有限样本预测误差界，并建立了点态一致性；进一步引入正交化校正以实现渐近正态性，从而为单步预测提供推断。文章还将框架扩展到固定多步预测的直接法和递归法，并保证了类似的理论性质。模拟和NFL体育场公共卫生影响的实证案例验证了方法的实用性。对您而言，该文在面板数据因果推断的扩展方向（从回顾性到前瞻性）上提出了新方法，其有限样本理论和正交化校正思路可借助您熟悉的因果推断估计理论直接理解和评估。
  • 关键技术: synthetic control, latent factor model, orthogonalized correction, finite-sample error bound, direct and recursive forecasting
  • 为什么对您有用: 本文直接关联您主要兴趣中的因果推断，特别是面板数据的政策评估（合成控制方法），且延伸至前瞻性预测这一重要场景。您掌握的“estimation theory in causal inference”（very_familiar）可立即用于审视其正交化校正的渐近推理是否紧，以及有限样本界是否可改进。立即可做的方向包括：将现有高阶U-统计量的组合优化思路用于TWSF估计量的计算复杂度分析，或者测试正交化校正对时序依赖的敏感性。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 3 篇)

1. 2606.18535 — Shrinkage priors for Bayesian Substitute Confounders

  • 作者: Yordan P. Raykov, Hengrui Luo, Justin D. Strait, Wasiur R. KhudaBukhsh
  • 分类: stat.ME · cs.LG · math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 在多原因观测研究的 substitute confounder（deconfounder）框架下，目标是当 latent variable identification 假设成立时对 mean potential outcome 进行一致估计。核心问题是灵活的 assignment model 会产生过度编码 treatment、破坏 overlap 或捕获单原因变异的 factor score；本文提出 Bayesian shrinkage prior 框架学习稀疏 substitute confounder，保留粗粒度多原因依赖结构。理论贡献在 posterior concentration、factor score contraction 与 overlap-preserving assignment geometry 层面陈述，不依赖特定 shrinkage prior，证明在此条件下 regression-adjusted estimator 具一致性。Shrinkage prior 自然倾向多原因支撑的低维 factor、抑制单原因 factor，并通过 progressive shrinkage 诱导 latent factor 排序；ADNI 实证表明稀疏 substitute score 可恢复直接条件于 CSF biomarker 的大部分调整效果。对您有用：本文将 overlap 与 posterior concentration 理论引入 deconfounder 设定，为 proximal CI / negative control 中的 latent variable 结构学习与 overlap 诊断提供新视角。
  • 关键技术: substitute confounder / deconfounder, Bayesian shrinkage prior, posterior concentration, overlap-preserving geometry, regression-adjusted estimator, latent variable identification
  • 为什么对您有用: 直接连接因果推断中多原因 unmeasured confounding 的 identification 与 estimation 问题，特别是 substitute confounder 设定下 overlap 与 factor 结构的理论保证。可用 semiparametric theory / M-estimation（moderately_familiar）分析其 regression-adjusted estimator 的效率界与 influence function，或用 minimax bounds（very_familiar）验证其 posterior concentration rate 是否紧。中期可做：需先在 semiparametric theory 上长肌肉以推导该 estimator 的 semiparametric efficiency bound 与可能的 debiased 版本。

2. 2606.18969 — Balanced Twins: Causal Inference on Time Series with Hidden Confounding

  • 作者: Ouali Maha, Ghattas Badih, Flachaire Emmanuel, Charpentier Philippe, Bozzi Laurent
  • 分类: stat.ME · cs.MS · stat.ML
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在带有隐藏混杂与交错干预（staggered treatment）的时间序列设定下，本文目标是估计受试者平均处理效应（ATT），核心策略是先恢复个体层面的反事实结果。作者提出一个神经网络框架，同时学习个体时间序列的低维潜在表示与倾向得分，随后通过灵活的匹配程序（避免经典合成控制方法的凸性约束）逼近个体处理效应（ITE）。该方法在个体层面操作，自然适应交错干预且不依赖显式的时间建模假设，从而在潜在混杂偏倚下改善反事实估计。实证部分涵盖高频电力需求响应数据与ICU半合成临床时间序列。对您可能有用：本文将倾向得分与表征学习结合以应对时间序列隐藏混杂，为纵向因果推断中的反事实估计提供了一种非参数神经匹配视角。
  • 关键技术: latent representation learning, propensity score estimation, flexible matching (non-convex), staggered treatment adoption, individual treatment effect (ITE) recovery, hidden confounding adjustment
  • 为什么对您有用: 直接连接到因果推断中的纵向/时间序列设定与隐藏混杂处理，属于交错干预下的ATT估计问题。从技术武器库看，本文的核心是神经表征+倾向得分匹配，缺乏经典半参数效率理论（如efficient influence function）的探讨；您可以用very_familiar的minimax bounds与estimation theory审视其估计量的收敛性质是否可达半参数效率界，或用moderately_familiar的identification theory检验其隐藏混杂下的非参数识别条件是否完备。中期可做：需先在moderately_familiar的semiparametric theory上长肌肉，将此神经匹配框架嵌入one-step/TMLE修正以获得n^{-1/2}-CAN与效率界。

3. 2606.18590 — Ranking Treatment Saturations under Clustered Network Interference

  • 作者: Seungjin Han, Julius Owusu, Youngki Shin
  • 分类: econ.EM
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究在聚类网络干扰下，对有限个处理饱和度水平进行排序的问题。作者采用两阶段随机化饱和度设计收集数据，提出基于经验成功（ES）的排序规则，对每对饱和度比较估计福利并选择更高者。在统计决策理论框架下，以可加可分离的遗憾损失评估ES规则性能。推导了ES规则最大遗憾的非渐近上界，该上界仅通过聚类内依赖结构的单一组合摘要依赖于网络结构。利用这些界刻画了两阶段随机化饱和度设计中准最优的第一阶段饱和度分布。进一步证明，在阈值排序规则中，ES规则在最小化最坏情况遗憾的上界意义下是渐近最优的。该工作为网络干扰下的实验设计和政策排序提供了理论保证，与您在因果推断（尤其是网络干扰实验设计）和经济学的应用方向直接相关。
  • 关键技术: two-stage randomized saturation design, empirical success (ES) ranking rule, additively separable regret loss, non-asymptotic regret bound, threshold ranking rule
  • 为什么对您有用: 该论文直接关联您在因果推断中对网络干扰下实验设计的兴趣，特别是处理饱和度排序这一具体子问题。您熟悉的最小极大界（minimax bounds）工具可以直接用于评估该文遗憾界的紧致性或扩展到其他目标函数。基于您已有的非参数统计和因果推断估计理论，立即可做：您可以尝试理解并复现其遗憾界推导，并探索更一般的网络结构下的扩展。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 2606.18949 — Feature Screening for High-Dimensional Structural Break Predictive Regression

  • 作者: Zhenjie Qin, Rongmao Zhang, Wenyang Zhang, Yang Zu
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对高维结构性断点预测回归问题，提出了一套融特征筛选与断点估计于一体的高效程序。研究允许断点个数随样本量增长，并同时处理平稳或协整的稀疏活跃预测变量。首先利用Sure Independence Canonical Screening (SICS) 筛选活跃预测变量，再通过Ratio-Controlled Regression Screening (RCRS) 估计断点位置，最后以信息准则消除冗余断点和预测变量。理论上证明了所提方法能够一致地估计和选择真实断点与活跃预测变量。数值模拟和实证研究展示了方法在有限样本下的有效性。该方法与您熟悉的高维渐近理论密切相关，可拓展至经济与金融时序预测的变量选择情境。
  • 关键技术: Sure Independence Canonical Screening, Ratio-Controlled Regression Screening, structural break detection, high-dimensional time series, cointegration, information criterion
  • 为什么对您有用: 本文关注高维预测回归中的变量筛选与断点检测，直接连接您对高维统计（特别是高维渐近理论）的兴趣。您非常熟悉的高维渐近工具（very_familiar）可直接用于检验其筛选程序的相合性率。此外，该方法在经济时间序列预测中有天然应用，与您对经济理论的二级兴趣重叠。由于您已有扎实的高维渐近和非参统计基础，此方向属于立即可做范畴：可尝试将SICS/RCRS思路移植到因果推断的时变混杂调整中。

2. 2606.19268 — Patnaik-Pearson intrinsic dimension for internal representations of neural networks

  • 作者: Tom Hadfield
  • 分类: math.ST · cs.CG · stat.TH
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种新的数据流形内在维度度量——Patnaik-Pearson 维度，并将其应用于神经网络（尤其是 Transformer）的内部表示。该度量结合了 Patnaik-Pearson 分布拟合与 TwoNN 维度估计的思想，通过分析权重矩阵的经验谱密度（ESD）来刻画维度。作者证明了该维度估计量的若干理论性质，包括样本量与谱尾部行为的关系。对于 ESD 服从 Pareto（幂律）分布的权重矩阵，Patnaik-Pearson 维度与 HTSR/SETOL 方法给出的尾指数临界值一致。进一步，研究了神经网络典型变换（如激活、残差连接）对 Patnaik-Pearson 维度的影响。在 BERT-base 和 DeepSeek-R1-Distill-Qwen-1 模型上，展示了词嵌入初始流形的维度及随层演化的趋势。对您可能有用：该工作将随机矩阵理论（ESD 分析、尾指数估计）与流形维度估计联系起来，直接关联您对高维统计与随机矩阵理论的兴趣。
  • 关键技术: Patnaik-Pearson dimension, Empirical Spectral Density (ESD), Pareto (power law) tail exponent, TwoNN intrinsic dimension estimator, HTSR/SETOL analysis, weight matrix spectrum
  • 为什么对您有用: 论文核心是使用随机矩阵谱分析和幂律尾指数来估计内在维度，属于高维统计与随机矩阵理论（RMT）的交叉应用。您非常熟悉 high-dimensional asymptotics 和 nonparametric statistics，可以用这些工具分析该维度估计量的相合性与收敛速率，例如研究 ESD 的 Marchenko-Pastur 极限与 Pareto 尾部假设的相容性。就 follow-up 而言，属于立即可做：您已有的 RMT 和谱分析知识足以复现并拓展其理论部分。

非参数 / 半参数 (nonparam_semipara, 7 篇)

1. 2606.19084 — Optimal score function estimation via derivatives constraints

  • 作者: Thomas Bonis, Thanh Mai Pham Ngoc, Viet Chi Tran
  • 分类: math.ST · stat.ML · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究从 μ 的 i.i.d. 样本估计平坦环面（flat torus）上概率测度 μ 的 score function（∇log p）的极小化率问题。核心方法是将经验风险最小化（ERM）的假设空间约束为 Sobolev 球，证明该约束足以防止过拟合并达到非参数极小化收敛率。随后将此结果迁移到 score-based generative modeling 场景，在一个将 score 估计误差与生成模型输出质量关联的猜想下，推导出基于 Sobolev 约束 score estimator 的生成方法的极小化率。对您可能有用：该工作给出了 score estimation 的 minimax rate 与 Sobolev 约策的显式联系，为非参数效率理论在扩散模型/逆问题中的延伸提供了理论锚点。
  • 关键技术: empirical risk minimization, Sobolev ball constraint, minimax estimation rate, score function estimation, score-based generative modeling
  • 为什么对您有用: 本文直接连接非参数极小化理论（primary interest: nonparametric theory / minimax bounds）与 score-based generative model 的估计问题。研究者可用 very_familiar 的 minimax bounds 工具审视其 Sobolev 约策下的率是否紧，或用 moderately_familiar 的 M-estimation theory 检查 ERM 在 Sobolev 约束下的收敛细节。Follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以将 flat torus 设定推广至更一般的非参数逆问题框架，并验证其连接 score 估计率与生成质量的猜想。

2. 2606.19084 — Optimal score function estimation via derivatives constraints

  • 作者: Thomas Bonis, Thanh Mai Pham Ngoc, Viet Chi Tran
  • 分类: math.ST · stat.ML · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究分数函数（score function）的估计问题，设定是在平坦环面上从 i.i.d. 样本中估计概率测度的分数函数。将假设空间约束为 Sobolev 球，通过经验风险最小化（ERM）得到估计量，并证明该约束足以防止过拟合，达到 minimax 最优收敛速率。进一步，将结果推广到分数生成建模（score-based generative modeling）场景：在连接分数估计误差与生成模型输出质量的假设下，同样使用 Sobolev 球约束的 ERM 估计量可获得 minimax 最优率。技术工具包括 Sobolev 空间的紧嵌入性、经验过程理论、以及 minimax 下限的构造。该工作为分数函数估计提供了非参数最优理论，对生成模型的理论保证有直接意义。对您而言，本文属于非参数 minimax 速率理论的前沿结果，可延展至高维或流形上分数估计的统计计算折中问题。
  • 关键技术: minimax rates, Sobolev ball, empirical risk minimization, score function, derivative constraints, generative modeling
  • 为什么对您有用: 直接对接 primary interest 中的 nonparametric theory 和 minimax bounds for estimation problems。您对 minimax 下界和非参数约束估计的证明技巧非常熟悉（very_familiar），能够快速评估其技术细节并可能将 Sobolev 约束思想迁移至因果推断中的密度比或倾向得分估计。立即可做：尝试用类似 Sobolev 约束改进您现有非参数估计的收敛率。

3. 2606.18700 — Bayesian Prediction in Gamma Models: Admissibility and Infinitesimal Prediction

  • 作者: Fumiyasu Komaki
  • 分类: math.ST · stat.TH
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 在已知形状参数 α、未知尺度参数 β 的 Gamma 模型下，研究基于 Kullback-Leibler 损失的估计与预测问题。当 α≤1 时，所有尺度不变估计量的风险为无穷，揭示了 α=1 处估计问题的质变。核心结论是：基于 Jeffreys prior 的贝叶斯预测密度对所有 α>0 均是容许的，彻底解决了 Gamma 模型下贝叶斯预测密度的容许性问题；同时证明了对应贝叶斯估计量在 α>1 下的容许性。为证明预测容许性，作者发展了基于 Gamma 过程的无穷小预测框架，将预测分布与 Lévy 测度相连，并在 Lévy 密度的 KL 损失下证明贝叶斯预测 Lévy 密度即为后验均值 Lévy 密度。与正态和 Poisson 模型不同，Gamma 模型的无穷小预测不退化为参数估计，而是退化为 Lévy 密度估计，作者从信息几何视角将其与均值混合曲率相联系。对您可能有用：本文的无穷小预测与 Lévy 密度估计框架为半参数/非参数理论中的容许性与信息几何提供了新视角。
  • 关键技术: Bayesian predictive density, admissibility under KL loss, Jeffreys prior, infinitesimal prediction, Gamma process, Levy density estimation, information geometry
  • 为什么对您有用: 本文连接了非参数/半参数理论中的容许性判定与信息几何，属于 primary interest 中的 nonparametric / semiparametric theory 子方向。技术武器库中 minimax bounds 与 M-estimation theory 可用于审视本文声称的容许性边界（α=1 的质变）是否能在更一般的半参数模型中推广。follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以将无穷小预测框架从 Gamma 模型推广至更一般的 Lévy 过程半参数模型。

4. 2606.18700 — Bayesian Prediction in Gamma Models: Admissibility and Infinitesimal Prediction

  • 作者: Fumiyasu Komaki
  • 分类: math.ST · stat.TH
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 在已知形状参数 α、未知尺度参数 β 的 Gamma 模型下，研究基于 Kullback-Leibler 损失的预测密度估计问题；当 α≤1 时所有尺度不变估计量风险无限，揭示了 α=1 处估计问题的质变。核心结论是：基于 Jeffreys prior 的贝叶斯预测密度对所有 α>0 均是可容许的，彻底解决了 Gamma 模型下贝叶斯预测密度的可容许性问题，并附带证明了 α>1 时对应贝叶斯估计量的可容许性。证明的关键是发展了一套基于 Gamma 过程的 infinitesimal prediction 框架，该框架自然导出针对 Lévy 密度的 KL 损失，并将预测分布与 Lévy 测度联系起来；在此损失下，贝叶斯预测 Lévy 密度即为后验均值 Lévy 密度。与正态和 Poisson 模型不同，Gamma 模型的 infinitesimal prediction 不退化为参数估计，而是退化为 Lévy 密度的估计，作者从信息几何视角将其与均值混合曲率相联系。对您可能有用：本文将可容许性与 Lévy 过程 / 信息几何结合的视角，为半参数 / 非参数理论中的预测问题提供了新的结构化工具。
  • 关键技术: admissibility of Bayesian predictive density, infinitesimal prediction framework, Gamma process, Kullback-Leibler loss for Lévy density, information geometry, mean mixture curvature
  • 为什么对您有用: 本文直接连接到非参数/半参数理论中的可容许性与预测推断子方向，其 infinitesimal prediction 框架将预测问题转化为 Lévy 密度估计，与您熟悉的 minimax bounds 和非参数估计理论有结构性对接。用您 very_familiar 的 minimax bounds 工具可以尝试分析该框架下 Lévy 密度估计的收敛率与效率界，验证其可容许性是否对应某种 minimax optimality。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以严格处理 Lévy 密度估计的 M-估计量理论性质。

5. 2606.18365 — Logarithmic energy distances and Gini covariance for Hilbert-valued random elements

  • 作者: Norbert Henze, M. Dolores Jim\'enez-Gamero
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 在实可分 Hilbert 空间中，研究广义能量距离（基于核 \(\|x-y\|^\alpha\)）在边界参数 \(\alpha\downarrow 0\) 下的极限行为，关键 regularity 假设为空间的可分性与适当归一化。经归一化后，该能量距离收敛至基于对数核 \(\log\|x-y\|\) 的对数能量距离，作者证明其保留了经典能量距离在 Hilbert 空间中的分布等价刻画性质，并给出其与 Gaussian-kernel MMD 的等价表示。基于此表示，提出了针对 \(k\)-样本问题的对数 Gini 协方差统计量，推导了其基于成对对数能量距离的分解、分布等价刻画定理，以及经验统计量在原假设与备择假设下的渐近理论（含极限分布与局部功效分析），并讨论了 permutation 实现方案。该对数框架揭示了能量型统计量族中的新边界现象，并与核方法、高维推断建立联系；对您有用之处在于：其 Hilbert 空间设定与渐近理论直接触及非参数检验与高维推断的交叉，对数核的 MMD 表示可为高维/函数数据的两样本检验提供新视角。
  • 关键技术: logarithmic energy distance, Gaussian-kernel maximum mean discrepancy, Gini covariance, characterization of equality of distributions, asymptotic null and alternative theory, permutation test
  • 为什么对您有用: 本文连接非参数假设检验与高维/函数数据的 MMD 方法，属于 primary interest 中非参数理论与假设检验的交叉；对数核在 Hilbert 空间中的 MMD 表示为高维两样本检验提供了新统计量，其渐近理论可被 very_familiar 的非参数统计与 minimax 理论直接审视（判断其检验功效是否达到 minimax rate）。Follow-up 判断：立即可做——用 very_familiar 的非参数 minimax 理论分析该对数 Gini 协方差检验在高维设定下的 rate，并与经典能量距离检验的 minimax rate 做对比。

6. 2606.18412 — Bayesian Nonparametric Detection of Anomalies in Multivariate Functional Data

  • 作者: Daniel Krasnov, David Stephens
  • 分类: stat.ME · stat.ML
  • 相关性 4/10 · novelty: new_method
  • 摘要: 在半监督设定下（仅 15% 正常样本有标签、类别严重不平衡），目标是多变量函数数据的异常检测。作者提出用无限混合的多输出 Gaussian process 模型生成数据，通过 slice sampling 自动确定有限混合成分数，异常观测被自动归入小权重成分而无需预先指定异常数量或性质。均值函数用小波基展开并施加 Besov prior 实现稀疏平滑表示，跨函数维度依赖通过 intrinsic coregionalization model (ICM) 捕获，协方差核选择则嵌入 Carlin-Chib product space MCMC 步骤联合求解。该方法在贝叶斯非参数框架下统一了成分推断、稀疏平滑与核选择，对您在非参数理论中研究 Besov 空间先验收缩率及多变量函数估计的 minimax 性质可能有参考价值。
  • 关键技术: infinite mixture of Gaussian processes, slice sampling, Besov prior wavelet regularization, intrinsic coregionalization model, Carlin-Chib product space MCMC, semi-supervised anomaly detection
  • 为什么对您有用: 本文连接到非参数理论子方向，特别是 Besov prior 在函数估计中的收缩率与稀疏性理论。您武器库中的 nonparametric statistics 与 minimax bounds 可以用来分析该模型在 Besov 空间下的后验收缩率是否达到 minimax 最优，以及 ICM 协方差结构下多变量 GP 估计的理论效率。Follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以建立贝叶斯非参数混合模型后验收敛性与频率学派 minimax 理论的桥梁。

7. 2606.19011 — Dimension reduction of multivariate densities in Bayes spaces

  • 作者: Ad\'ela Czolkov\'a, Karel Hron, Sonja Greven
  • 分类: stat.ME
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文在 Bayes space 框架下研究多变量概率密度函数（PDF）的降维问题，利用其 Hilbert 空间结构处理 PDF 的相对性与约束性。核心工具是 centred logratio (clr) 变换，建立了 Bayes space 与经典 L^2 空间子空间的等距同构，从而可将 functional principal component analysis (FPCA) 直接应用于密度数据。对多变量 PDF，Bayes space 嵌入允许将其正交分解为独立成分与交互成分，且独立部分可进一步分解为相互正交的几何边际，揭示了多变量密度变异的更深层来源。理论证明该总方差分解在 PCA 意义下最优，且直接对多变量密度做 FPCA 等价于对其分解形式做 multivariate FPCA，所得特征函数与得分也相应分解。实证部分在住房与地质数据上展示了该分解的可解释性。对您而言，本文提供了一种将非参数密度估计与 Hilbert 空间/FPCA 结合的几何视角，可作为 semiparametric theory 中处理密度约束与正交分解的参考读物。
  • 关键技术: Bayes space Hilbert structure, centred logratio (clr) transformation, functional principal component analysis (FPCA), orthogonal variance decomposition, geometric marginals
  • 为什么对您有用: 本文连接到 semiparametric/nonparametric theory 子方向，将密度函数嵌入 Hilbert 空间并做正交分解，与 semiparametric efficiency 中对 tangent space 的正交投影有结构相似性。武器库中 very_familiar 的 nonparametric statistics 与 minimax bounds 可用于审视其 FPCA 降维的统计收敛率是否达到 minimax optimal，moderately_familiar 的 semiparametric theory 可帮助理解其 clr 变换与 influence function 空间构造的类比。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，将 Bayes space 的正交分解与 tangent space / efficient influence function 的投影理论做严格对接，才能判断该框架能否推广到 semiparametric models 的效率界计算。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)

1. 2606.18378 — Inferential Models: The Power of Auxiliary Variables for Reasoning with Scientific Uncertainty

  • 作者: Chuanhai Liu
  • 分类: math.ST · stat.TH
  • 相关性 5/10 · novelty: survey
  • 摘要: 本文探讨推断模型（IMs）框架，旨在提供既情境特定又频率校准的不确定性评估。核心思想是将抽样模型中的辅助变量视为模型不确定性的唯一来源，通过预测随机集（PRS）预测未观测的辅助变量值，随后将可理性陈述转移到参数空间。与传统fiducial推断不同，IMs在转移之前进行预测，从而避免先验分布的必要性，并产生有效且自洽的推断。本文系统比较了IMs与Fisher fiducial、Neyman置信区间、Dempster-Shafer信度函数、广义fiducial推断和客观贝叶斯方法，阐明其关系。文章认为Jaynes的逻辑科学抱负可以在不强制所有不确定性进入精确先验分布的情况下继续，因为校准的不精确性通常是必要的。最后提出IMs的微分几何理论可能解决似然原理等基础问题。对您而言，该框架为假设检验和置信区间提供了新的基础视角，可能启发因果推断中识别条件的稳健性分析。
  • 关键技术: Inferential models, predictive random sets, auxiliary variable, plausibility function, Dempster-Shafer theory, fiducial inference
  • 为什么对您有用: 本文直接触及您注册兴趣中的“mathematical statistics & hypothesis testing”，探讨推断的频率性质与情境特定性的统一。技术上，您熟悉的非参数统计中的置信带构造方法（如经验过程覆盖论证）可用于评估IMs预测随机集的覆盖概率性质。follow-up粗判：由于IMs的随机集理论核心不在您当前武器库中（缺乏随机集覆盖的精确控制工具），目前暂不可做，但作为统计基础的新视角，值得通读全文。

2. 2606.18366 — A closed-form sample size correction for always-valid inference with optional stopping

  • 作者: M{\aa}rten Schultzberg
  • 分类: stat.ME
  • 相关性 4/10 · novelty: new_method
  • 摘要: 该论文针对A/B实验中可连续监控的顺序检验，提出了一个封闭形式的样本量校正因子，用于实现总是有效推断（always-valid inference）下的可选停止。传统方法依赖模拟计算样本量，难以规模化；或使用简单的最后点经验法则，导致保守浪费。作者导出了校正因子 k(α,β,t0) 的显式表达式，仅含初等函数和二元正态CDF，t0为burn-in比例。该校正仅依赖边界在计划终点处的值和斜率，适用于任何光滑凹边界，并具体应用于三类置信序列与混合SPRT。设定总样本量为 k·nz（nz为固定样本量），在高斯模拟中经验功效与目标偏差约3个百分点。相比最后点经验法则，在常用参数范围内节省8–20%的样本预算。该结果对您在假设检验和实验设计（尤其是A/B测试平台）方向有直接实用价值，且其解析方法可与您熟悉的渐近理论相结合进一步推广。
  • 关键技术: sequential testing, always-valid inference, optional stopping, confidence sequences, mixture sequential probability ratio test, closed-form sample size correction
  • 为什么对您有用: 本文直接对应您的主要兴趣中的数学统计与假设检验，特别是在顺序分析和A/B测试的样本规划问题。您非常熟悉的高维渐近理论与极小极大界技巧可用于评估该校正因子在非高斯数据下的稳健性，或推导其最坏情况下的误差界。这是一项立即可做的工作：您已有足够的统计检验理论基础来理解并复现该校正，且可借助您的软件开发能力将其封装为实用工具。

3. 2606.18445 — A spectral based coefficient of determination for the fit of an MA(q) model

  • 作者: Holger Dette, Sebastian K\"uhnert
  • 分类: math.ST · stat.ME · stat.TH
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对平稳时间序列的谱密度，提出一种基于谱的拟合优度系数（coefficient of determination），以衡量 MA(q) 模型对该谱密度的近似程度。在谱密度与 MA(q) 谱密度之比的平方积分作为 estimand 的设定下，作者基于 periodogram 构造了估计量，证明了其渐近正态性，并由此导出对 MA(q) 假设的检验。进一步，作者提出了一种序贯选择程序，用于确定满足给定近似精度要求的最小阶数 q。该工作将非参数谱密度与参数 MA(q) 模型的偏离量化为单一指标，对您在非参数/半参数假设检验及时间序列模型选择方向有直接参考价值。
  • 关键技术: spectral density estimation, periodogram-based estimator, asymptotic normality, goodness-of-fit test, MA(q) model selection, L2-distance of spectral densities
  • 为什么对您有用: 本文直接连接到 primary interest 中的 hypothesis testing 与 nonparametric theory 子方向：用非参数谱估计构造对参数模型（MA(q)）的拟合优度检验与阶数选择。用您 very_familiar 的 nonparametric statistics 与 minimax bounds 视角，可以审视其 periodogram 估计量的收敛率是否达到最优，以及该 R² 型指标在更一般半参数模型类下的推广可能性。立即可做：用 very_familiar 的非参数理论工具即可展开阅读与审视。

4. 2606.18445 — A spectral based coefficient of determination for the fit of an MA(q) model

  • 作者: Holger Dette, Sebastian K\"uhnert
  • 分类: math.ST · stat.ME · stat.TH
  • 相关性 4/10 · novelty: new_method
  • 摘要: 针对平稳过程的谱密度是否被MA(q)模型充分表示的问题，本文提出一种基于谱的确定系数，用以度量MA(q)模型对谱密度的拟合优度。方法利用周期图估计谱密度，构造了该系数的估计量，并建立了其渐近正态性。基于这一渐近理论，推导了用于检验MA(q)假设的统计推断程序，并给出了确定达到预先指定近似质量的最小阶数q的模型选择方法。该方法直接工作于频域，避免了时域方法对阶数选择的敏感性。从数学统计角度看，这项工作为时间序列模型诊断提供了一种新的假设检验工具，丰富了频域推断的统计理论。由于您对非参数统计和渐近理论非常熟悉，可以快速理解该文的周期图渐近性证明，并将该系数推广到其他平稳时间序列模型的拟合检验中。
  • 关键技术: spectral density estimation, periodogram, coefficient of determination, asymptotic normality, hypothesis testing for MA(q), order selection
  • 为什么对您有用: 该文直接连接您对数学统计与假设检验的兴趣，具体针对时间序列模型拟合检验。您对非参数统计（谱密度估计属非参数范畴）和渐近理论非常熟悉，可以立即理解周期图估计的分布理论及其检验构造，属于立即可做的查阅型文献——无需预先学习新工具即可深入评估其方法的新鲜度与可推广性。

统计计算 / 算法 (stat_computing, 1 篇)

1. 2606.19268 — Patnaik-Pearson intrinsic dimension for internal representations of neural networks

  • 作者: Tom Hadfield
  • 分类: math.ST · cs.CG · stat.TH
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文定义了一种新的数据流形内维度量——Patnaik-Pearson 维度，并将其应用于神经网络（特别是 Transformer）的内部表示分析。该定义受 Martin & Mahoney 的 HTSR/SETOL 理论与 Facco 等人的 TwoNN 内维估计启发，核心基于样本间距离比率的分布构造。作者证明了该估计量的若干性质，并在权重矩阵的经验谱密度服从 Pareto（幂律）分布的设定下，将 Patnaik-Pearson 维度与 HTSR/SETOL 的尾指数分析联系起来，证明两种方法在临界尾指数处一致。结合理论与数值实验，研究了数据流形在典型神经网络变换下 Patnaik-Pearson 维度的演化行为，并在 BERT-base 和 DeepSeek-R1-Distill-Qwen-1 模型上追踪了 token embedding 从输入到各层的内维变化。对您而言，本文将随机矩阵的谱分布（Pareto 尾）与流形内维估计桥接，提供了一个从高维渐近视角切入神经网络表示的入口。
  • 关键技术: Patnaik-Pearson intrinsic dimension, Empirical Spectral Density, Pareto (Power Law) tail exponent, HTSR / SETOL theory, TwoNN intrinsic dimension estimator, neural network layer-wise representation analysis
  • 为什么对您有用: 本文将随机矩阵理论（经验谱密度与 Pareto 尾指数）与流形内维估计桥接，直接触及您 primary interest 中的 RMT 与 stat_computing 交叉方向。您武器库中 very_familiar 的 high-dimensional asymptotics 可直接用来审视其 Pareto 尾指数临界值的理论推导是否紧致，以及经验谱密度估计在内维计算中的误差传播。立即可做：用您熟悉的 RMT 工具（如 Marchenko-Pastur 修正）检验其 Pareto 假设在有限样本下的偏离程度，或用 higher-order U-statistics / einsum 视角分析其距离比率统计量的计算复杂度。

天体统计 (astrostats, 6 篇)

1. 2606.18300 — Ultra-High-Resolution Astronomy with the Solar Gravitational Lens

  • 作者: Slava G. Turyshev
  • 分类: astro-ph.IM
  • 相关性 7/10 · novelty: application
  • 摘要: 该论文为太阳引力透镜（SGL）望远镜开发了一个可观测性框架，不局限于系外行星成像。框架涵盖了成像尺度、采样、背景噪声、PSF误差、校准与计量等多个环节，分离了向量泊松测量算子与标量卷积基准。针对四个天体场景（太阳模拟星、磁白矮星、M87*尺度毫米波喷流、0.1 AU原行星盘）进行传播与重建模拟，在给定的核失配、背景、校准误差等假设下，标量重建的SSIM值介于0.918至0.993之间。论文指出，许多自发光紧凑目标并非光子稀缺，主要瓶颈在于环提取、冕扣除、探测器动态范围、PSF先验、时间相干性等系统因素。最终强调，最优先的使能工作是SGL传递函数表征——需实测太阳多极、等离子体、延展太阳及仪器响应，以实现科学可解释成像。作为天文学方法论文，对统计学家而言，其逆重建与误差诊断思路（如FRC50、信息层灵敏度）有参考价值，但全文更偏物理工程而非统计方法。
  • 关键技术: solar gravitational lens, wave-optical observability framework, vector Poisson measurement operator, scalar convolution reconstruction, SSIM evaluation, transfer-function characterization
  • 为什么对您有用: 本文属于astrostats方向的gateway读物：(1) 对天文学局外人较友好——摘要中清晰列出了影响成像质量的关键因素（采样、背景、PSF、校准等），但没有深入具体仪器，适合用作天文高分辨率成像的入门介绍；(2) 研究者武器库中的非参数统计、逆问题与高维渐近工具足以理解其标量重建与误差分析，但若要深入参与（如优化重建算法或设计统计诊断），还需补充天文数据结构的特定知识（如泊松测量算子、PSF模型）；（3）值得花时间读全文，因为该框架提出了多个对统计学家有挑战的问题（如信息损失量化、正则化策略），但核心结论偏向工程可行性，而非统计方法论创新。

2. 2606.19329 — The Chandra-Gaia Catalog of Counterparts: Resolving ambiguous Gaia matches to X-ray sources in the Chandra Source Catalog using Machine Learning

  • 作者: V. Samuel P\'erez-D\'iaz, Vinay L. Kashyap, Joshua D. Ingram, David Fouhey, Juan Rafael Mart\'inez-Galarza, Pavlos Protopapas, Jeremy J. Drake, Dong-Woo Kim, Cecilia Garraffo
  • 分类: astro-ph.IM · cs.LG
  • 相关性 7/10 · novelty: application
  • 摘要: 本文解决X射线源（Chandra Source Catalog v2.1）与光学源（Gaia DR3）的跨波段星表交叉匹配问题，核心estimand是真实物理对应关系的概率与多重候选的消歧。方法上，先以贝叶斯框架NWAY利用位置误差与源密度构建高置信训练集，再训练梯度提升分类器（LightGBM）融合星等、色指数、距离等多维特征进行判别。在约254k个X射线源中，为113k找到对应，其中7k存在多重候选；同时排除了约10k个纯空间匹配的偶然重合。在COUP验证集上，ML模型仅用特征即复现了95%的NWAY匹配。对您而言，这是astrostats的优质gateway阅读：数据结构（星表位置误差、偶然重合、多候选消歧）与建模思路（贝叶斯先验+ML后验修正）清晰，且展示了真实大规模天文数据处理的完整pipeline。
  • 关键技术: Bayesian cross-matching (NWAY), gradient-boosted classifier (LightGBM), chance coincidence detection, multi-candidate disambiguation, catalog positional error modeling
  • 为什么对您有用: 本文是astrostats方向的优秀入门读物：(1) 对天文门外汉友好，清晰解释了星表交叉匹配中的位置误差、偶然重合与多候选消歧等核心数据问题，不依赖天文术语；(2) 数据侧（两星表特征、误差结构、样本量）与模型侧（贝叶斯先验+ML判别）均交代清楚，武器库中的software development与minimax/estimation理论虽不直接攻此问题，但足以支撑理解其pipeline逻辑；(3) 值得花时间读全文，以建立对天文星表匹配问题与数据规模的实感，为后续可能的统计方法改进（如更精细的误差建模或消歧决策理论）打基础。

3. 2606.19065 — Regularized covariance estimation from partially observed interferometric data

  • 作者: Teresa Bortolotti, Roberta Troilo, Francesco Casu, Simone Vantini, Alessandra Menafoglio
  • 分类: stat.ME · stat.AP
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究 InSAR（SBAS 技术）遥感地面位移数据的协方差估计问题，设定为二维域上的部分观测函数数据，面临大块系统性缺失（fragmented regime）。作者将协方差估计建模为带 Laplacian 正则化的矩阵补全问题，提出非参数估计器，无需平稳性或各向同性假设。模拟表明该方法在多种协方差结构下估计误差一致较低；在 Phlegraean Fields 实际数据上恢复了有意义的空间依赖模式。对您而言，这是一篇 astrostats 入门佳作：数据结构（系统性缺失、二维空间域）和模型（矩阵补全+图正则化）陈述清晰，适合作为空间缺失数据建模的 gateway reading。
  • 关键技术: functional data analysis, matrix completion, Laplacian regularization, fragmented partial observation regime, nonparametric covariance estimation, InSAR / SBAS remote sensing
  • 为什么对您有用: 本文属于 astrostats gateway reading：数据端（系统性大块缺失的二维空间遥感）和模型端（矩阵补全+图 Laplacian 正则化）均对外行友好，清晰展示了天文/环境数据中常见的缺失结构与空间依赖建模问题。武器库中 minimax bounds for estimation problems 和 software development 足够支撑进入此方向，可评估其非参数协方差估计的收敛率是否可达 minimax optimal。值得花时间读全文以了解空间缺失数据的实际建模范式。

4. 2606.18464 — Modeling Doppler Shifts in Radial-Velocity Data with Deep Learning toward Earth-mass Exoplanet Detection

  • 作者: Isidro G\'omez-Vargas, Xavier Dumusque, Yinan Zhao, Khaled Al Moulla, Michael Cretignier
  • 分类: astro-ph.IM · astro-ph.EP · cs.LG
  • 相关性 6/10 · novelty: application
  • 摘要: 该论文致力于利用深度学习从恒星径向速度数据中检测类地行星所产生的微小多普勒频移，挑战在于恒星活动的干扰。方法上，作者训练人工神经网络，输入采用基于通量和谱线形成温度的物理谱表示及速度梯度，并在HARPS-N太阳光谱上叠加人工行星信号构建训练数据。训练策略包括留出法和交叉验证，使用遗传算法优化超参数，蒙特卡洛dropout量化预测不确定性。主要结果：交叉验证下最精确的神经网络能够可靠恢复振幅≥25 cm/s、周期10-550天的行星信号，且温度谱表示优于通量表示；同时发布了Python包doppleriann。作为Astrostatistics的入门读物，本文清晰地阐述了天文数据中的信号检测问题与建模流程，数据结构和噪声模型透明，适合无天文学背景的统计学家了解领域问题。
  • 关键技术: artificial neural networks, Monte Carlo dropout, genetic algorithm hyperparameter optimization, physically-motivated spectral representations, radial-velocity data analysis
  • 为什么对您有用: 本文是Astrostatistics方向的高质量入门读物：它清晰解释了科学问题（类地行星检测）、数据来源（HARPS-N太阳光谱）和建模流程（物理特征+神经网络），数据与噪声模型透明，适合研究者快速了解这个领域的核心挑战。从武器库来看，您熟悉的逆问题和软件工程经验可用于理解其信号注入和数据预处理部分，但深度学习训练和超参数优化不在核心领域，因此暂不可直接动手移植。不过全文值得花时间阅读，有助于拓展统计应用的视野。

5. 2606.18332 — The Via Project: Overview of the Science, Instrument, and Survey

  • 作者: The Via Collaboration
  • 分类: astro-ph.IM · astro-ph.GA
  • 相关性 5/10 · novelty: survey
  • 摘要: 本文介绍了即将实施的全天光谱巡天项目 Via，其核心科学目标包括利用冷恒星流速度扰动探测暗物质亚晕、对银河系卫星星系进行化学动力学普查、通过 NaI 吸收线绘制星系周介质冷气体的三维层析图，以及快速表征 LSST 单次曝光深度的暂现源。巡天将在 MMT 和 Magellan/Clay 望远镜上配备相同的多目标光纤光谱仪，每台仪器有 576 根光纤，覆盖 1 度视场，计划 2027 年启动，为期五年，观测超过 200 万颗暗星（G<21）。论文详细描述了仪器参数：Viaspec（R≈15000，505-595 nm，540 根光纤）和 Boombox（R≈1000，360-1010 nm，36 根光纤），并提及辅助科学如 Lyα 森林、被污染白矮星、系外行星宿主星等。对统计学者而言，本文是进入天文统计方向的入门读物，呈现了具有挑战性的数据分析问题（如高精度视向速度测量、暂现源分类、信号检测），但全文侧重于项目概述而非统计方法，适合快速了解背景而非深度学习。
  • 关键技术: multi-object fiber spectroscopy, radial velocity stability at 100 m/s, cold stellar stream kinematics, circumgalactic medium tomography, transient follow-up spectroscopy
  • 为什么对您有用: 本文属于天文学 gateway 阅读范畴，适合对其感兴趣但缺乏背景的统计学者：首先，文章写作对初学者相对友好，关键科学问题与仪器参数交代清楚，但未深入统计模型；其次，研究者的技术武器库（如高维渐近理论、估计理论）为理解巡天数据中的信号检测与误差建模提供了基础，但还需补充天文成像与光谱学知识才能直接应用；总体而言，值得花半小时阅读全文以了解问题背景，但不必精读——本文不包含新的统计方法论，后续可寻找与此巡天相关的具体统计学论文。

6. 2606.18333 — Polarisation and Faraday rotation measure imaging at metre wavelengths with sub-arcsecond resolution: a foundational calibration strategy

  • 作者: R. J. van Weeren, J. M. G. H. J. de Jong, X. K Le Saux, V. A. Chakawri, Q. W. E. van Zegveld, D. de Jong, S. P. O'Sullivan, F. Sweijen, V. H. Mahatma, E. De Rubeis, L. K. Morabito, D. Alonso-L\'opez, A. Bonafede, C. Horellou, M. van der Wild
  • 分类: astro-ph.IM
  • 相关性 4/10 · novelty: application
  • 摘要: 本文解决LOFAR（低频射电阵列）在米波段实现亚角秒分辨率偏振与法拉第旋转测量成像的校准问题，核心设定是利用国际站（最长基线2000 km）恢复全分辨率偏振信息以减轻束偏振效应。方法上，对国际站施加全Jones矩阵校正（基于场内非偏振校准源），并在存在足够亮偏振源时，通过visibility层面的校正消除偏振角与旋转测量偏移，从而实现多epoch的法拉第深度对齐与联合成像去卷积。将该策略应用于ELAIS-N1场（4次8小时观测，共32小时积分），在0.3角秒分辨率下重新分辨已知偏振源的结构、发现新偏振源，并从M矮星双星系统CR Draconis探测到圆偏振发射及其自行运动。对您而言，这是射电偏振数据处理的gateway reading，清晰展示了低频偏振成像中校准、去卷积与法拉第深度对齐的数据与模型细节。
  • 关键技术: full-Jones matrix calibration, Faraday depth alignment, visibility-based polarization correction, beam depolarization mitigation, sub-arcsecond interferometric imaging
  • 为什么对您有用: 本文是优秀的astrostats入门读物：对外行友好，清晰解释了低频偏振成像的物理目标（磁场探测）与数据挑战（束偏振、校准偏移），并给出了完整的从visibility校正到联合去卷积的pipeline。(2) 您的武器库（software development与高维/逆问题经验）足以支撑理解其校准与成像的数值计算细节，但射电干涉测量与法拉第旋转的物理先验需额外补课。(3) 值得花时间读全文，以了解射电偏振数据的结构（visibility、法拉第深度立方体）及其中潜藏的统计建模机会。

经济理论 / 应用 (econ_theory, 1 篇)

  • 作者: Gabriel de Macedo Santos
  • 分类: econ.EM
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一个可复现的多块集成框架，用于追踪巴西实际中性利率（r）的代理指标。研究基于日度宏观金融数据，通过Fisher方程构造事前实际Selic利率，并构建经济活动周期测度。方法整合五个模块：简单移动平均、统计趋势滤波器（如HP滤波）、市场隐含曲线代理、收益率曲线状态空间模型（Kalman滤波），以及半结构IS-Phillips状态空间模型。由于IS-Phillips Kalman模型在当前样本下退化为局部水平趋势，其输出未被视为结构性r，在最终集成中赋零权重。最新估计（2026年5月）将操作中性利率代理定位在9.48% p.a.，四分位距显示块间范围为8.71%-9.97%，实际利率为10.04%，暗示政策缺口0.56 p.p.，项目阈值下呈中性姿态。主要贡献在于方法论和应用层面：提供了一个透明、可审计且可扩展的测量系统，可用于跟踪r*代理及货币政策立场。该论文是经济理论应用方向的良好入门读物，展示了如何组合多种统计模型（滤波、状态空间、集成）处理实际宏观数据，研究者的非参数统计和高维渐近知识有助于理解趋势滤波的法则选择和集成权重的稳定性分析，但状态空间模型（如Kalman滤波的具体实施）可能需要额外学习；整体值得花时间阅读以获取经济学应用实例。
  • 关键技术: Moving averages, HP filter, Kalman filter, State-space models (IS-Phillips), Ensemble averaging, Fisher equation
  • 为什么对您有用: 本文属于经济理论应用方向的gateway reading：它清晰展示了如何结合统计趋势滤波、状态空间模型和集成方法来解决宏观金融中的中性利率估计问题，对想进入经济学应用领域的研究者是一个结构良好的入门实例。研究者的武器库（非参数统计中的趋势滤波方法、高维渐近中的集成策略分析）可以支撑对文中滤波选择偏差和集成权重敏感性的深入理解，但状态空间模型（Kalman滤波的识别和初始设定）和IS-Phillips曲线经济学解读需额外学习。总体而言，这篇文章值得花时间精读，以获取完整的经济学实证分析流程和可迁移的数据处理模式。

流行病学 (epidemiology, 5 篇)

1. 2606.18809 — Applying the Weibull Shape Parameter test for signal detection in pharmacovigilance using the R package WSPsignal

  • 作者: Julia Dyck, Odile Sauzet
  • 分类: stat.ME · stat.AP
  • 相关性 6/10 · novelty: application
  • 摘要: 在药物警戒中，信号检测旨在从用药后不良事件的时间模式中发现潜在不良反应信号。Weibull形状参数（WSP）检验利用电子健康记录中的时间信息，通过检验危险函数是否恒定来产生信号。该方法族包括频率派与贝叶斯两种估计途径，并允许选择Weibull、双Weibull或幂广义Weibull分布来建模风险。作者开发了R包WSPsignal，将全部测试功能集成于统一开源接口，支持默认设置与基于模拟的调优。通过两个示例（大样本约20000例采用频率派检验、小样本约1000例采用贝叶斯检验）展示了包的使用流程。本文是流行病学应用中统计检验方法的实用化展示，对您开发或评估类似领域的R包具有参考价值。
  • 关键技术: Weibull shape parameter test, hazard modeling, time-to-event distribution, frequentist/Bayesian estimation, simulation-based tuning, R package development
  • 为什么对您有用: 本文属于流行病学中药物安全信号检测的应用，直接连接您的二级兴趣中的流行病学方向。您对软件发展（very_familiar）的熟练程度可立即用于评估该R包的接口设计、代码可复现性及扩展潜力，甚至尝试复现结果。这是一个可快速消化的入门级应用读物，无需额外学习新工具即可理解其统计框架。

2. 2606.19041 — Efficient Cumulative Incidence Estimation in Biobank Studies Using All Prevalent and Incident Events

  • 作者: David M. Zucker, Malka Gorfine
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在基于人群的 biobank 队列设定下，目标是估计累积发病函数（CIF），其中样本入组年龄介于 \(R_L\) 与 \(R_U\) 之间，且数据同时包含入组前已发病的 prevalent cases 与入组后发病的 incident cases。本文提出一种新 CIF 估计量，核心机制在于整合所有 prevalent 与 incident 病例而不受其后续生命历程限制，特别适用于年轻发病且长期存活的疾病场景。理论方面，作者建立了该估计量的渐近性质（一致性、渐近正态性），但摘要未明确给出是否达到 semiparametric efficiency bound 或推导 influence function。模拟与 UK Biobank 癌症数据应用展示了该方法相较于仅用 incident 数据的传统估计量的优势。对您而言，此文提供了流行病学队列中处理 left-truncation 与 prevalent cases 的真实数据场景，可作为因果推断中 left-truncated data 下 identification/estimation 的应用参考。
  • 关键技术: cumulative incidence function estimation, prevalent case incorporation, left-truncated survival data, asymptotic normality, UK Biobank cohort
  • 为什么对您有用: 本文属于流行病学队列数据的应用与方法拓展，连接到 epidemiology secondary interest 中处理 left-truncation 与 prevalent cases 的因果/生存分析设定。从 technical_arsenal 角度，可用 semiparametric theory（moderately_familiar）审视其估计量是否达到 efficiency bound 或推导其 influence function，作为切入点。follow-up 判定：中期可做——需先在 moderately_familiar 的 semiparametric theory 上长肌肉，推导该设定下的 efficient influence function 并验证其估计量的效率性质。

3. 2606.18942 — Group Efficient Randomized-Adaptive Designs with Delayed and Missing Responses

  • 作者: Guijing Zhang, Li-Xin Zhang
  • 分类: math.ST · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一类新的响应自适应随机化设计（Group ERADE），用于临床试验中分组招募且存在响应延迟和数据缺失的情形。该方法在原有 ERADE 框架上引入固定时间间隔的分组决策机制，并利用累积响应信息动态更新分配概率。理论分析证明了该设计仍能达到 Cramér-Rao 下界，且保留了原有设计的渐近性质。模拟和实际临床试验重新设计验证了方法的稳健性和实用性。对您而言，本文展示了如何在非理想条件下（延迟和缺失）保持自适应设计的统计最优性，可与您熟悉的因果推断中的实验设计方法形成对照。
  • 关键技术: response-adaptive randomization, efficient randomized-adaptive design (ERADE), Cramér-Rao lower bound, stopping time theory
  • 为什么对您有用: 本文属于流行病学中的临床试验设计方向，可作为 gateway reading: (1) 论文对原 ERADE 方法和扩展的假设、理论证明有清晰阐述，适合初学者理解渐近性质与 Cramér-Rao 界的联系； (2) 您的武器库中的 high-dimensional asymptotics 和 estimation theory in causal inference 可直接用于分析本文的渐近效率，无需额外工具； (3) 鉴于本文处理了实际中常见的延迟和缺失问题，且理论完备，值得花时间全文阅读，以便后续在流行病学数据分析中借鉴其设计思想。

4. 2606.18942 — Group Efficient Randomized-Adaptive Designs with Delayed and Missing Responses

  • 作者: Guijing Zhang, Li-Xin Zhang
  • 分类: math.ST · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对临床试验中的响应自适应随机化设计，提出分组高效随机化自适应设计（Group ERADE）。传统ERADE以逐个个案顺序入组，本文将其扩展为固定时间间隔（如每周、每两周）的分组招募，每组结束后利用累积响应信息动态更新分配概率。同时考虑实践中常见的随机缺失和响应延迟情况。理论分析证明新设计保留了原ERADE的渐近性质，仍能达到Cramér-Rao下界。通过仿真和一项真实临床试验的重设计，验证了方法的有效性。该设计中的效率分析（Cramér-Rao下界）与您的效率理论兴趣有概念联系，且缺失与延迟的处理对流行病学实际应用有参考价值。
  • 关键技术: Response-adaptive randomization, ERADE, Group sequential, Missing data, Response delay, Cramér-Rao lower bound
  • 为什么对您有用: 本文属于流行病学领域的临床试验设计方法，直接对应您的secondary interest（流行病学应用）。其渐近效率性质（Cramér-Rao下界）与您熟悉的效率理论有概念交集，但所依赖的停时理论等随机过程工具不在当前武器库中，属于暂不可做方向（缺乏停时/随机过程专业工具）。可作为了解流行病学实验设计及自适应随机化方法的入门材料。

5. 2606.19087 — What does ethnic density represent? Spatial co-occurrence networks of a widely used contextual measure using harmonised UK small-area census data

  • 作者: Joseph Lam
  • 分类: stat.ME
  • 相关性 4/10 · novelty: application
  • 摘要: 本文在流行病学与健康地理学设定下，将“ethnic density”（族群密度百分比）视为一个测量与识别问题而非单纯暴露变量，核心 estimand 是该百分比在不同族群与空间中所代表的多维语境结构。利用英国统一小区域普查数据（239,023 个单元、32 个节点），对八个目标族群分别拟合 mixed graphical model（MGM）以揭示族群密度与移民、宗教、语言等变量的共现网络结构；英格兰子样本进一步用 k-nearest-neighbour（k=8）构建空间滞后，计算 LISA 与 Global Moran's I（0.57–0.90），并对空间残差网络做条件独立性筛选。结果显示，等值百分比在不同族群间对应截然不同的最强边权重（如 Asian↔Middle East/Asia-born 0.59，Pakistani↔Muslim 0.47），且残差化后 64.3%–96.4% 的目标-节点边仍保留，说明族群密度并非单一语境标量而是 bundled measure。结论指出等值百分比跨族群不可比，直接影响因果 estimand 定义与调整策略；对您有用之处在于：它为流行病学因果推断中复合语境变量的 measurement error 与混杂调整提供了具体数据结构刻画。
  • 关键技术: mixed graphical model, spatial autocorrelation (LISA, Moran's I), k-nearest-neighbour spatial lag, residualised conditional independence network, contextual exposure measurement
  • 为什么对您有用: 本文直接连接流行病学因果推断中的混杂调整与 estimand 定义问题——当 bundled contextual measure（如 ethnic density）跨组不可比时，常规的回归调整或 IPW 会因 measurement heterogeneity 产生偏误。用您 very_familiar 的 nonparametric statistics 与 identification theory 视角，可以审视 MGM 残差化后保留的边是否意味着遗漏混杂结构，进而用 moderately_familiar 的 semiparametric theory 构造更稳健的调整估计量。中期可做：需先在 moderately_familiar 的 identification theory 上长肌肉，明确 bundled measure 下的因果识别条件，再结合 MGM 网络结构设计 debiased adjustment；当前缺乏对 spatial MGM 估计理论的熟悉度是主要缺口。

其他 (other, 1 篇)

1. 2606.18378 — Inferential Models: The Power of Auxiliary Variables for Reasoning with Scientific Uncertainty

  • 作者: Chuanhai Liu
  • 分类: math.ST · stat.TH
  • 相关性 5/10 · novelty: survey
  • 摘要: 本文系统审视了Inferential Models (IMs) 作为无先验概率推理框架的理论基础。核心思想是将抽样模型中的辅助变量视为模型不确定性的来源，并用校准的预测随机集 (PRS) 预测未观测的辅助变量，然后才将所得的可信性陈述转换到参数空间。这种顺序上的改变——先预测辅助变量再转换，而非Fisher fiducial inference的先转换再运算——使得IMs能同时得到有效的不确定性评估，并澄清了Fisher fiducial、Neyman置信理论、Dempster-Shafer信念函数、广义fiducial推断与IMs之间的关系。文章通过与客观贝叶斯推断的对比，论证了E.T. Jaynes的科学推理逻辑可以延续，但不必将所有不确定性强制进入精确先验，因为校准的不精确性往往是必要的。最后，文章指出IMs可能发展出一套微分几何理论，为解决似然原则等基础问题提供新路径。本文对您主要兴趣中的数学统计与假设检验领域有基础性启发，特别是IMs的频率校准思路可能为高维推断或半参模型中的不确定性量化提供新的思考角度。
  • 关键技术: Inferential models, Predictive random sets, Dempster-Shafer belief functions, Generalized fiducial inference, Fiducial inference
  • 为什么对您有用: 本文属于统计推断基础理论，直接关联您主要兴趣中的‘mathematical statistics & hypothesis testing’。文中IMs的频率校准机制与您熟悉的‘minimax bounds for estimation’中的校准问题存在潜在联系；此外，文中提到的微分几何视角可能为高维U统计量或半参效率界中的几何分析提供跨领域启发。不过本文属于基础性综述，暂时不涉及您武器库中的具体工具，但可作为理解频率学派新框架的入门读物，值得速览。

🗂 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. 2606.18409 — Learning Moment Maps for Continuous-Time Markov Chains under Monte Carlo Noise

  • 作者: Madison Pratt, Olivia Prosper-Feldman
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Surrogate modeling for CTMC moments is unrelated to the researcher's primary interests in causal inference, high-dim stats, or efficiency theory.

2. 2606.18843 — Improved prediction of extreme random effects in joint models: WRaPs

  • 作者: Eline Vanderpijpen, Els Goetghebeur
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Mixed effects prediction for clinical outcomes is tangential to the researcher's focus on causal inference, high-dim theory, and semiparametric efficiency.

3. 2606.19086 — Probability Bound Analysis for Dependence Uncertainty in Risk and Decision Models

  • 作者: Rowan Iskandar
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Focuses on probability bounds under dependence uncertainty; tangential to the researcher's primary interests in causal inference, efficiency theory, or high-dimensional statistics.

4. 2606.18299 — Building a Roadmap for Hubble Science into the 2030s: Revealing Atmospheric Structure and Evolution in Substellar Worlds Using HST

  • 作者: Allison M. McCarthy, Merle A. Schrader, Johanna M. Vos, Sven Kiefer, Cian O'Toole, Michael K. Plummer, Michael Poon, Daniella Bardalez Gagliuffi, Samuel Beiler, John E. Gizis, Melodie M. Kao, Gabriel-Dominique Marleau, Elisabeth C. Matthews, Philip S. Muirhead, Evert Nasedkin, Natalia Oliveros-Gomez, J. Sebastian Pineda, Kimberly Ward-Duong
  • 分类: astro-ph.IM · astro-ph.EP · astro-ph.SR
  • 相关性 3/10
  • 评分理由: Pure astrophysics roadmap for HST substellar atmospheres; lacks clear data/model exposition accessible to a statistician outsider, failing the astrostats gateway rubric.

5. 2606.18330 — THOR and HAMRR

  • 作者: Sean K. Terry, Jay Anderson
  • 分类: astro-ph.IM · astro-ph.EP
  • 相关性 3/10
  • 评分理由: Pure data reduction pipeline description for specific HST imaging; lacks general statistical methodology or clear data/model exposition for an outsider.

6. 2606.18804 — The atmospheric extinction curve at Lenghu site

  • 作者: Jin-Sheng Qiu, Xiao-Hui Xu, Qing-Feng Zhu, Xu Kong, Ting-Gui Wang, Lu-Lu Fan, Yong-Quan Xue, Ji-An Jiang, Zheng Lou, Xu Zhou, Xu-Zhi Li, Bo-Jun Tao, Jun-Han Zhao, Zhi-Yong Pu
  • 分类: astro-ph.IM
  • 相关性 2/10
  • 评分理由: Narrow atmospheric extinction measurement at a specific site; pure observational result with no broader statistical or inverse problem exposition.

7. 2606.19127 — Comparative Study of Hollow-Core and Standard Optical Fibers for Astronomy

  • 作者: Malak Galal, Oliver Pineda Su\'arez, Fr\'ed\'eric G\'er\^ome, Benoit Debord, Fetah Benabid, Jean-Paul Kneib
  • 分类: astro-ph.IM
  • 相关性 2/10
  • 评分理由: 纯仪器工程论文（光纤物理），缺乏数据/模型/统计方法 exposition，对统计学家无 gateway 价值。

8. 2606.19159 — Guiding Design Choices for Wide-Field IFS: Trade-Offs Between Replication and Complexity for WST

  • 作者: C. Cudennec, A. Jeanneau, R. Bacon, T. L\'epine, M. Lehnert, R. Giroud, J-E. Migniau, D. Lee, R. de Jong, L. Fr\'eour
  • 分类: astro-ph.IM
  • 相关性 2/10
  • 评分理由: 望远镜 IFS 光学设计论文，无统计方法论或数据分析问题 exposition，不适合作为 gateway 阅读。

9. 2606.18798 — The Array Control and Data Acquisition software of the Cherenkov Telescope Array Observatory

  • 作者: I. Oya, B. L\'opez, P. Aubert, G. Barni, P. Bauza, D. Berge, J. -P. Bolle, W. Boulakbech, P. Bruno, U. Bajc, A. Bulgarelli, M. Cappi, F. Cassol, S. Caroff, L. Castaldini, T. Collins, V. Conforti, A. Costa, L. David, G. De Cesare, E. de Ona Wilhelmi, A. Di Piano, K. Egberts, R. Fernandez, V. Fioretti, S. Fukami, E. Garc\'ia, E. Garcia, H. Gasparyan, S. Germani, J. Hinton, C. Hoischen, F. Incardona, D. Kostunin, E. Lyard, G. Maurin, D. Melkumyan, E. Mestre, K. Munari, T. Murach, A. Muraczewski, N. Nakhjiri, D. Neise, T. Oprinsen, G. Panebianco, N. Parmiggiani, E. Pietriga, V. Pollet, B. Rudak, I. Sadeh, S. Sah, A. Sarkar, M. Schefer, T. Schmidt, D. Soldevila, S. Spinello, C. Steppa, D. F. Torres, A. Tramacere, R. Vall\'es, T. Vuillaume, R. Walter, F. Werner, A. W\"orheide
  • 分类: astro-ph.IM · astro-ph.HE
  • 相关性 1/10
  • 评分理由: Pure software engineering / instrumentation paper for a specific observatory's data acquisition system; no statistical methodology or data-analysis problem.

10. 2606.18865 — Design and Testing of the Motorized 2-DoF Folding Mirror 1 for the VLT BlueMUSE Instrument

  • 作者: Gloria Mellinand, Diane Chapuis Kerouanton, Malak Galal, Axel Nicolier, Aur\'elien Genin, Zeno Amann, S\'ebastien Pernecker, R\'emi Giroud, Alexandre Jeanneau, Florence Laurent, Johan Richard, Jean-Paul Kneib
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: Instrument hardware design paper (folding mirror mechanism); completely unrelated to statistics.

11. 2606.18873 — Motorized Mount for the 3-DoF Folding Mirror 2 of the VLT's BlueMUSE Instrument

  • 作者: Gloria Mellinand, Diane Chapuis, Malak Galal, Eirini Tagkoudi, Evan Touraine, S\'ebastion Pernecker, R\'emi Giroud, Alexandre Jeanneau, Florence Laurent, Johan Richard, Chris Coote, Jon Moller, Jean-Paul Kneib
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: Pure instrumentation paper about a motorized mount for a spectrograph; no statistical methodology or data analysis problem presented.

12. 2606.18909 — Performance Testing of a Trillium-based 21-Positioner Module for Stage-5 Telescopes

  • 作者: Oliver Pineda Su\'arez, Jonathan Wei, Malak Galal, Melina Daniilidis, Maxime Rombach, S\'ebastien Pernecker, Jean-Paul Kneib
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: Hardware performance testing of robotic fiber positioners; no statistical data analysis or modeling content.

13. 2606.18915 — Testing of a 15-Positioner Module Based on the MPS Design for Stage-5 Telescopes

  • 作者: Jonathan Wei, Oliver Pineda Su\'arez, Malak Galal, Maxime Rombach, S\'ebastien Pernecker, Stefane Caseiro, Corentin Magnenat, Florian Boeckle, Jean-Paul Kneib
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: Hardware testing of micro-robotic positioners; purely engineering-focused with no statistical methodology.

14. 2606.18928 — Advancing Control Electronics for Next-Generation Astronomical Fiber Robotic Positioners

  • 作者: Sebastien Pernecker, Jonathan Wei, Maxime Rombach, Oliver Pineda Suarez, Tarik Ibrahimovic, Jean-Paul Kneib
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: Control electronics architecture for fiber positioners; no statistical or data-analysis relevance.

15. 2606.18957 — WST Multi-Object Spectrograph Fiber Positioners:Development of a 32,000-Unit Precision Robotic System

  • 作者: S\'ebastien Pernecker, Maxime Rombach, Malak Galal, Jonathan Wei, Oliver Pineda Su\'arez, David Lee, Steve Watson, Younes Chahid, Chris Waring, Anmol Goyal, Joseph W. Barrow, Will Saunders, Jon Lawrence, Aaron Omadutt, Roelof S. de Jong, Jean-Paul Kneib
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: Industrial-scale production and design of a precision robotic positioning system; no statistical methodology or data problem.

16. 2606.19007 — Characterisation of the NewAthena WFI's DEPFET Flight Production's Operational Parameters

  • 作者: L\'eonie Sommer, Johannes M\"uller-Seidlitz, Valentin Emberger, Robert Andritschke, Astrid Mayr, Annika Behrens, G\"unter Hauser, Peter Lechner, Christian Sandow, Anna Schweingruber, Jonas P. Reiffers, Elif Kutdemir \"Onc\"u
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: Detector operational parameter characterization for an X-ray imager; no accessible statistical or data modeling problem.

17. 2606.19043 — Ultra-precise Multi-fiber Optical Connectors for Astronomy

  • 作者: Malak Galal, Maxime Rombach, Jean-Paul Kneib
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: Optical engineering paper on fiber connectors; no statistical methodology or data analysis content.

18. 2606.19211 — Thermal Characterization of a 6-Positioner, 6.2-mm-Pitch Module for Stage-5 Telescopes

  • 作者: Maxime Rombach, Malak Galal, Jonathan Wei, Stefane Caseiro, Corentin Magnenat, Jean-Paul Kneib
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: 纯机械/热控工程论文（光纤定位器），与统计方法论或天文数据分析完全无关。

19. 2606.19013 — Embedding Equity, Diversity, and Inclusion in the WST Collaboration

  • 作者: Laurane Fr\'eour, Anna Puglisi, Maria Cristina Fortuna, Fatemeh Zahra Majidi, Umberto Rescigno, Amelia Bayo, Francesca Primas, Sabine Thater, Laurence Tresse, Stephanie Escoffier, Letizia P. Cassar`a, Roland Bacon, Sofia Randich, Vincenzo Mainieri
  • 分类: astro-ph.IM
  • 相关性 0/10
  • 评分理由: Organizational EDI policy paper for a telescope collaboration; completely unrelated to statistics.

Maintained by 陈星宇 · Homepage · Source on GitHub

评论