2026-06-24 每日 arXiv 资讯¶

高相关论文 16 篇 · 中相关 49 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, 7 篇)¶

1. 2606.21708 — Semi- and non-parametric approaches to individualized treatment regimes in the presence of causal mediation¶

作者: Misha Dolmatov, Erica E. M. Moodie, David A. Stephens, Dipankar Bandyopadhyay
分类: stat.ME
相关性 9/10 · novelty: new_method
摘要: 本文在因果中介分析框架下，探讨了存在多个中介变量时个体化治疗规则（ITR）的最优估计。传统最优ITR通常最大化总效应，而本文通过分离直接与间接因果路径，实现了针对特定中介路径的靶向优化。作者提出了贝叶斯半参数和非参数估计量，用于估计条件中介效应，并在此基础上构建最优ITR。模型采用高斯过程先验等非参数工具刻画中介变量分布，贝叶斯后验推断规避了plug-in估计的不确定性。肾脏分配数据实证表明，新规则在总存活率与特定健康指标间取得了权衡。该方法直接衔接您因果推断中的mediation子方向，其中贝叶斯半参数框架可与您熟悉的非参数统计学对照分析，但需先补充高斯过程先验的相关知识才能直接复刻其计算流程。
关键技术: Bayesian semiparametric, nonparametric Gaussian process, causal mediation analysis, individualized treatment rules, conditional mediation effects
为什么对您有用: 本文直接对应您primary interest中的因果推断mediation子方向，提出新的贝叶斯半参数/非参数估计量用于最优ITR，并处理多个中介变量。您的技术武器库中非常熟悉的nonparametric statistics可以用于理解其非参数成分的合理性，但贝叶斯后验推断和先验选择是您目前moderately familiar之外的领域，属于中期可做：需先在贝叶斯非参数（高斯过程先验与后验采样）上增长肌肉。值得一读，因为方法论新颖且应用场景清晰，可启发将半参数效率理论引入ITR-mediation框架。

2. 2606.22165 — Cumulative Natural Direct and Indirect Effects for Causal Mediation Analysis¶

作者: Yuta Kawakami, Jin Tian
分类: stat.ME
相关性 9/10 · novelty: new_method
摘要: 该文指出经典的自然直接效应（NDE）与自然间接效应（NIE）不满足偏斜对称性与可加性，可能导致解释悖论。针对连续处理变量，作者提出累积自然直接效应（CNDE）与累积自然间接效应（CNIE），通过将局部因果效应 E[∂_x Y_x] 分解为局部直接与间接路径实现总效应分解。新度量在标准序贯可忽略性假设下可识别，并自然保留偏斜对称性与可加性。对于有序分类处理，文中给出了离散版本的定义与识别条件。在线性含交互模型和真实数据中，CNDE/CNIE 相比 NDE/NIE 展现出更一致的解释。该文直接连接您的因果中介分析兴趣，特别是 identification theory 在 mediation 场景下的扩展。
关键技术: cumulative natural direct/indirect effects, local causal effect decomposition, skew-symmetry and additivity, sequential ignorability, mediation identification
为什么对您有用: 本文聚焦因果中介分析中的分解悖论，直接对应您 primary interest 中的 mediation 方向；您对 mediation 的 identification theory 只是 moderately_familiar，可通过本文加深对连续处理中介效应识别框架的理解（中期可做：需先熟悉扩张的序贯可忽略性条件）；您 very_familiar 的 causal inference estimation theory 可用于后续为 CNDE/CNIE 构造估计量（立即可做）。

3. 2606.22255 — Sensitivity Analysis for the Average Treatment Effect under Discrete Unobserved Confounders¶

作者: Sung Jae Jun, Federico Zincenko
分类: econ.EM
相关性 9/10 · novelty: new_theory
摘要: 本文在潜在结果框架下处理未观测混淆，假设存在有限但未知数量的离散潜在类型（latent types），将处理组和对照组的结果分布建模为有限混合模型。基于可识别的混合成分，作者刻画了潜在类型数量的 sharp identified set，并针对每个容许值推导出 ATE 的 sharp identified set，从而构建了一套自然的敏感性分析框架。理论结果显示存在一个临界点：当潜在类型数量超过该临界值时，ATE 的 identified set 退化为 Manski bounds；低于临界值时则严格更小，且该临界值仅随混合成分数量线性增长。估计与推断方面，作者提供了渐近理论保证，并以 LaLonde 数据进行实证演示。对您而言，这是因果推断敏感性分析方向的一个新颖 finite-mixture-based identification 方案。
关键技术: finite mixture model, sharp identified set, Manski bounds, sensitivity analysis, partial identification, latent types
为什么对您有用: 直接连接到您 primary interest 中的因果推断敏感性分析。本文的核心技术是 identification theory（有限混合模型下的 sharp bounds），属于您 moderately_familiar 的武器库范围，可以尝试用 semiparametric efficiency 视角审视其估计效率。中期可做：需先在 identification theory 或 finite mixture 的非参数/半参数估计上补充一些背景，才能判断能否用 HOIF 或更高阶的 influence function 改进其估计精度。

4. 2606.21840 — A Test for Treatment Heterogeneity under a Distributional Difference-in-Difference Framework¶

作者: Satarupa Bhattacharjee, Bing Li, Lingzhou Xue
分类: stat.ME · econ.EM · math.ST · stat.AP · stat.TH
相关性 8/10 · novelty: new_method
摘要: 本文在分布差异中的差异（Distributional DiD）框架下，针对处理效应异质性开发了一种非参数检验方法。通过最优传输（optimal transport），利用控制组估计从预处理到后处理期间的无处理分布漂移，并将其应用于处理组的预处理基线，构造无处理效应的反事实分布。原假设为运输后的反事实分布与观察到的处理组后处理分布相等，采用再生核希尔伯特空间（RKHS）中的最大均值差异（MMD）统计量进行检验，得到对位置、尺度、形状和尾部行为敏感的全局性检验。在原假设下，检验统计量渐近服从高斯二次型分布；在局部备择下，导出了Pitman局部势和中偏差一致性，揭示了可检测性如何受运输引起的漂移与RKHS几何的交互作用影响。模拟与Card-Krueger最低工资数据应用表明，该方法能识别经典均值DiD遗漏的关键分布处理效应。本文连接了因果推断中的异质性检验和假设检验子方向，可借非常熟悉的非参数统计理论（渐近极限、核方法）快速理解核心理论，且MMD统计量作为U统计量，与研究者擅长的更高阶U统计量计算（树宽/张量收缩）有直接的可迁移性：立即可做，武器库完全覆盖。
关键技术: distributional difference-in-differences, optimal transport, maximum mean discrepancy (MMD), reproducing kernel Hilbert space, Gaussian quadratic-form limit, Pitman local power
为什么对您有用: 直接连接到因果推断中的处理效应异质性检验子方向，具体是distributional DiD与最优运输识别假设。研究者可以用非常熟悉的nonparametric statistics（渐近分布、核方法）和high-dimensional U-statistics计算中的树宽/张量收缩视角分析MMD统计量的计算成本与高效实现。立即可做——核心理论（高斯二次型极限、局部势）已完全掌握，且U-statistics专长可直接用于优化检验统计量的计算与逼近。

5. 2606.23499 — A generalized multiple-intervention stepped wedge design framework for treatment effect estimation in the presence of non-uniform cluster-period correlation structures¶

作者: Samantha M. Levy, Jose-Miguel Yamal
分类: stat.ME
相关性 8/10 · novelty: weaker_assumption
摘要: 本文针对多干预阶梯楔形设计（M-SWD）中，簇-时期相关性结构非均匀（如自相关、距离衰减）时，现有多数方法假设可交换相关结构可能严重扭曲方差估计与检验功效的问题，提出一个统一的协方差建模框架。该框架将组内相关系数与显式的簇-时期相关矩阵分离，能同时涵盖可交换、自回归及一般距离依赖结构，并在线性混合模型下保持治疗效应估计量方差的闭式表达式。通过解析推导和仿真，作者证明在真实相关结构为时间依赖时，假设均匀相关会导致功效被高估或低估：独立假设下设计的试验可能过度保守，而复合对称假设则可能乐观或保守。研究强调了在设计阶段显式建模簇-时期相关性的重要性，并给出了实际功效计算与设计选择的指导。该结果直接关联您对纵向因果推断的兴趣——在cluster随机试验中，正确的方差估计是保证有效性推断的前提；您熟悉的minimax bound和非参数工具可进一步检验该框架在最坏情况下的稳健性。
关键技术: linear mixed model, cluster-period correlation matrix, closed-form variance expression, power analysis, stepped wedge design, multiple interventions
为什么对您有用: 本文直接涉及您在纵向因果推断（longitudinal causal inference）中的兴趣——阶梯楔形设计是cluster随机试验中常见的设计，尤其多干预设定下，您熟悉的非参数统计与高维渐近理论可用于评估其估计量的方差性能。您的技术库中'高维渐近'和'因果推断中的估计理论'可直接用于理解其闭式方差推导的准确性。中期可做：若想在相关结构更复杂（如非参数相关函数）时推广，需先熟悉您在 moderately_familiar 中的'semiparametric theory'来建模相关结构。

6. 2606.23656 — Causal Inference with Multiple Misclassified Exposures: A Control Variate-Adjusted Calibration Weighting Approach¶

作者: Nandini Murali, Keith Barnatchez, Jordana E. Hoppe, Brandie D. Wagner, Kayleigh P. Keller, Kevin P. Josey
分类: stat.ME · stat.AP
相关性 8/10 · novelty: new_method
摘要: 本文研究多个二值暴露变量同时存在误分类时的因果推断问题，设定为聚类观测数据，目标是在已知金标准与误差测量共存情形下估计暴露效应。核心方法是 calibration weighting（将误分类视为缺失数据问题，无需建模误分类机制即可获得一致性）与 control variate adjustment（利用误差观测降低方差，同时保持金标准估计量的一致性）。理论贡献包括证明所得估计量继承其成分估计量的双重稳健性，以及在二元暴露设定下刻画了效率增益的结构性上界——联合正确分类率限制了相对于一元情形的方差缩减幅度。模拟研究验证了模型误设定下的一致性与双重稳健性，实证分析显示 throat swab 相比 sputum 会低估约 69% 的 P. aeruginosa 对 FEV₁ 的因果效应。对您有用：这是因果推断中 measurement error / misclassification 方向的工作，涉及 multiple exposures 与 double robustness，与您 primary interest 中的 identification theory 和 semiparametric efficiency 直接相关。
关键技术: calibration weighting, control variate adjustment, double robustness, misclassification as missing data, multiple exposures, clustered observations
为什么对您有用: (1) 连接到因果推断中的 misclassification / measurement error 子方向，涉及 multiple exposures 的 identification 与 efficiency bound 问题。(2) 您的 very_familiar 中的 estimation theory in causal inference 和 moderately_familiar 中的 semiparametric theory、identification theory 可用于审视其 double robustness 条件与效率上界是否紧。(3) 中期可做：需先在 moderately_familiar 的 semiparametric efficiency bound 工具上长肌肉，以评估其结构性效率上界是否可改进、是否可推广至连续暴露或更高维误分类情形。

7. 2606.22230 — Distributional Granger Causality: Identification, Sequential Inference, and Adaptive Testing¶

作者: Ayush Jha
分类: econ.EM · stat.ML
相关性 8/10 · novelty: new_method
摘要: 本文在 Granger 因果框架下，将预测依赖性从条件均值扩展到完整条件分布（尺度、尾部、不对称性等特征），提出分布型 Granger 因果关系（Distributional Granger Causality）概念。在合适的确定性条件下，证明有限个 channel 特定限制（如分位数、方差等）构成完备菜单，从而将分布 Granger 非因果等价为一组可检验假设。基于该表示，开发自适应序贯检验程序，通过 alpha-investing 机制在多个 channel 间分配检验资源并控制族系错误率（FWER）。证明政策不变性（policy-invariant validity）定理，确保任意可容许选择规则下的有限样本尺寸控制；同时证明渐近效率定理，显示置信界分配规则达到与不可达 oracle 基准相同的功效。理论保证依赖于原始混合与矩条件以及 circular-block permutation 方案。本文连结时序因果推断中的识别与检验问题，对 longitudinal 因果推断及 hypothesis testing 中的序贯多重检验问题有直接参考价值。
关键技术: Distributional Granger causality, alpha-investing, circular-block permutation, sequential multiple testing, policy-invariant validity, asymptotic efficiency
为什么对您有用: 本文针对时序变量间的预测因果关系提出分布化扩展和自适应序贯检验，直接对应 causal inference 中的 longitudinal/时序设定及 hypothesis testing 中的多重检验问题。研究者可用非常熟悉的 nonparametric statistics 评估其 circular-block permutation 方案的合理性，并用 moderately familiar 的 identification theory 审视其分布 Granger 因果的识别条件。由于研究者 hypothesis testing 基础扎实，此工作可立即可做，例如探索其他检验统计量或更高效的计算实现。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 2606.23509 — Variance or Standard Deviation? Shell Geometry and Global-Scale Priors in High-Dimensional Shrinkage¶

作者: Wayne Yuan Gao, Zhiheng You
分类: stat.ME · econ.EM · stat.ML
相关性 8/10 · novelty: new_theory
摘要: 在高维收缩估计框架下，研究全局尺度先验（方差先验 vs 标准差先验）的选择如何影响收缩风险，并突出高维几何（shell geometry）的作用。通过引入径向幂基准（radial-power benchmark），比较两种先验在零尺度边界附近的质量分配差异。结果表明，标准差扁平先验在原点附近具有一个单位的渐近风险优势，在临界区域出现交叉，而对强信号则与方差扁平先验二阶等价。进一步分析显示，单全局尺度超先验和有界坐标乘子混合通过SD尺度密度的近零指数继承这些极限性质；对于重尾或稀疏先验，该指数仍能分类全局尺度分量，而局部尺度尾部、模型大小先验或分配先验也会影响风险。本文为高维贝叶斯收缩中默认先验的选择提供了理论基础，属于高维统计理论中关于先验影响风险的精深分析。
关键技术: high-dimensional shrinkage, global-scale priors, shell geometry, radial-power benchmark, near-zero exponent
为什么对您有用: 本文聚焦高维收缩估计中的先验选择问题，直接对应您的高维统计兴趣方向。所使用的径向幂基准和近零指数分析方法，可以借助您熟悉的high-dimensional asymptotics工具来理解其渐近性质，而风险比较的精妙之处也与minimax bounds技术有相通之处。但从follow-up粗判看，由于您对贝叶斯先验选择的理论基础并不熟悉（核心机器不在武器库中），目前暂不可做直接应用或扩展；若未来计划涉足贝叶斯高维方法，则本文可作为入门参考。

非参数 / 半参数 (nonparam_semipara, 2 篇)¶

1. 2606.22993 — Generalized nonparametric regression in reproducing kernel Hilbert spaces: Consistency and rates of convergence¶

作者: Ioannis Kalogridis
分类: math.ST · cs.LG · stat.ML · stat.TH
相关性 8/10 · novelty: new_theory
摘要: 本文在再生核希尔伯特空间（RKHS）中研究广义非参数M估计，覆盖凸与非凸损失函数（包括有界稳健损失），目标是最小化正则化经验风险。作者结合泛函分析与经验过程理论，证明了估计量的存在性与可测性，并推导了尖的收敛速率。核心创新在于引入一种新的复杂度指标，实现了偏差-方差的显式分解：方差项与模型误设无关，偏差项受源条件（source condition）控制。对于张量积Sobolev空间，得到了与混合光滑度（dominating mixed smoothness）相关的速率，表明该方法能规避维数诅咒。该理论无需闭式解或全局Lipschitz假设，且实现于C++。本文直接关联您的非参数统计与minimax界研究，其中的复杂度指标与偏差-方差分解可借助您熟悉的张量积结构与einsum库，用于U统计量计算复杂性分析。
关键技术: regularized M-estimation, reproducing kernel Hilbert space, complexity measure for bias-variance decomposition, source condition, tensor product Sobolev spaces, empirical process theory
为什么对您有用: 本文专注于非参数回归的RKHS理论，直接属于您的首要兴趣“非参数统计”与“minimax界”。文中复杂度指标与张量积结构可连接您武器库中的“minimax bounds for estimation problems”和“computation of higher-order U-statistics (treewidth/tensor contraction/einsum)”，用于分析U统计量的计算代价或设计新估计量。由于您对非参数统计和minimax界已非常熟悉，可立即将本文的复杂度工具应用于实际估计量性能分析，无需额外学习。因此，此为立即可做。

2. 2606.22993 — Generalized nonparametric regression in reproducing kernel Hilbert spaces: Consistency and rates of convergence¶

作者: Ioannis Kalogridis
分类: math.ST · cs.LG · stat.ML · stat.TH
相关性 8/10 · novelty: new_theory
摘要: 本文在再生核希尔伯特空间（RKHS）中系统发展了正则化M-估计的一致性及收敛速率理论，覆盖了包括有界稳健损失在内的大量凸和非凸损失函数。核心方法通过引入一种新的复杂度度量实现估计量的显式偏差-方差分解，证明方差项与模型误设无关，而偏差项由学习理论中的源条件参数刻画。针对张量积Sobolev空间，本文得到了与主导混合光滑性函数空间相联系的新的收敛速率，显著扩展了现有结果，并解释了为何该类估计器能避开维数诅咒。方法论上结合泛函分析与经验过程理论，在不依赖封闭解或全局Lipschitz假设的前提下实现了目标函数的渐近线性化，这一技巧具有独立意义。数值实验验证了理论结果。对您而言，本文在非参数回归的收敛率理论方面提供了新颖的偏差-方差分解和复杂度度量，可直接应用于您非常熟悉的非参数统计和minimax界分析中。
关键技术: reproducing kernel Hilbert spaces, regularized M-estimation, sharp rates of convergence, bias-variance decomposition, empirical process theory, tensor product Sobolev spaces
为什么对您有用: (1) 本文聚焦RKHS中非参数回归的收敛速率理论，直接契合您在非参数与半参数理论方面的核心兴趣。 (2) 文章提出的偏差-方差分解和新的复杂度度量可用来评估您熟悉的高维U-统计量中核方法的性能，属于您非常熟悉的nonparametric statistics和minimax bounds的范畴。 (3) 基于现有武器（nonparametric statistics, minimax bounds），您可以立即深入阅读并尝试将框架推广到更复杂的设定（如存在nuisance参数时），属立即可做。

效率理论 / Debiased ML (efficiency_dml, 3 篇)¶

1. 2606.22784 — Semiparametric Efficiency Theory as Differential Calculus on a Space of Probability Distributions¶

作者: Razieh Nabi
分类: stat.ME · math.ST · stat.TH
相关性 9/10 · novelty: survey
摘要: 本文是一篇关于半参数效率理论的教程，目标是建立 influence function、tangent space、nuisance tangent space、efficient influence function 等概念的统一几何直觉。核心框架是将半参数效率理论重构为概率分布空间上的微分学：分布路径对应曲线，score 对应速度向量，influence function 对应梯度，efficient influence function 对应投影梯度。通过这一类比，文章系统回答了若干基础问题：为何扰动方向由函数表示、为何 tangent space 仅依赖模型而 nuisance tangent space 依赖目标参数、为何 efficient influence function 通过正交投影得到。全文无新定理证明，但提供了清晰的几何视角来统一理解 one-step estimator、TMLE 等现代方法的理论基础。对您有用：作为半参数效率理论的入门/复习读物，适合与您正在深入的 HOIF 和 semiparametric theory 方向配合阅读。
关键技术: efficient influence function, tangent space, nuisance tangent space, score function, one-step estimator, geometric perspective
为什么对您有用: (1) 直接连接 primary interest 中的 efficiency theory（semiparametric efficiency bounds）和 semiparametric theory，为 HOIF 等高阶理论提供几何直觉基础。(2) 您的 technical_arsenal 中 semiparametric theory 和 HOIF 均标记为 moderately_familiar，本文可作为巩固基础概念的入门读物，帮助建立从 classical semiparametric efficiency 到 higher-order influence function 的概念桥梁。(3) 立即可做：用 very_familiar 的高维渐近和 minimax 视角审视本文的几何框架，思考如何将几何语言翻译成您熟悉的 estimation theory 语言；若后续想深入 HOIF，本文是必要的前置阅读。

2. 2606.22391 — On the Asymptotic Inadmissibility of Double Machine Learning Estimators Under Structure-Agnostic Models¶

作者: Lin Liu, Rajarshi Mukherjee, James M Robins
分类: math.ST · econ.EM · stat.ML · stat.TH
相关性 9/10 · novelty: new_method
摘要: 本文在structure-agnostic (SA)模型下研究Double Machine Learning (DML)估计量的渐近性质。SA模型假设数据生成分布在机器学习估计量的某邻域内，邻域半径由估计量的收敛速率决定。Balakrishnan等人(2026)已证明DML估计量对三个泛函（高斯序列模型二次泛函、二次密度积分泛函、期望条件协方差）是minimax的。但本文指出minimax不一定可容许，并证明对于前两个泛函，DML估计量是渐近不可容许的，即存在其他估计量渐近占优。具体而言，这两个泛函属于单调偏倚类，本文构造了二阶U统计量——经验高阶影响函数(HOIF)估计量，在SA模型下其渐近风险严格小于DML。对于第三个泛函，HOIF与DML同为minimax，但互不占优。该工作直接联系到HOIF理论和higher-order U-statistics的效率比较，对研究者近期关注的semiparametric效率界和debiased ML有直接参考价值。
关键技术: Double Machine Learning, Higher-Order Influence Functions, Structure-Agnostic Models, Minimax Estimation, U-statistics, Asymptotic Inadmissibility
为什么对您有用: 本文直接关联到研究者primary interest中的效率理论（DML vs HOIF的渐近效率比较）和higher-order U-statistics。研究者可以用very_familiar的higher-order U-statistics计算（树宽/张量收缩）来分析HOIF估计量的计算成本，并用moderately_familiar的HOIF理论理解其构造。此外，SA模型下的minimax与不可容许性问题是nonparametric statistics的经典话题。follow-up：立即可做——研究者已有的higher-order U-statistics工具可直接用于分析HOIF在不同泛函下的适用性和计算复杂度，并可进一步探索SA模型在其他causal参数上的扩展。

3. 2606.22391 — On the Asymptotic Inadmissibility of Double Machine Learning Estimators Under Structure-Agnostic Models¶

作者: Lin Liu, Rajarshi Mukherjee, James M Robins
分类: math.ST · econ.EM · stat.ML · stat.TH
相关性 9/10 · novelty: new_theory
摘要: 本文在结构无关（SA）模型下研究双重机器学习（DML）估计量的渐近性质。SA模型假设真实数据生成律位于黑箱机器学习估计量的某个 rn-邻域内，其中 rn 为收敛速率。作者证明对于二次泛函（高斯序列模型）和二次密度积分泛函，DML估计量是渐近不可容许的，即存在另一个估计量渐近地具有更小的均方误差。具体地，这些泛函属于单调偏倚类，二阶 U-统计量（即 Liu et al. 2017 提出的经验高阶影响函数 HOIF 估计量）能渐近占优 DML。对于期望条件协方差泛函，HOIF 与 DML 均为 minimax，但互不占优。理论工具包括 U-统计量投影、影响函数展开和 SA 模型的 minimax 分析。该结果对您在半参数效率理论和因果推断中评估 DML 的适用性有直接启发，尤其是 HOIF 在非光滑泛函中的潜在优势。
关键技术: double machine learning, structure-agnostic models, higher-order influence functions, U-statistics, asymptotic inadmissibility, minimax estimation
为什么对您有用: 本文直接连接您的 'efficiency theory (semiparametric efficiency bounds, debiased ML)' 和 'higher-order U-statistics' 兴趣。您可以用 moderately_familiar 的 'HOIF' 技术理解该论文的 HOIF 估计量如何占优 DML，并用 very_familiar 的 'minimax bounds for estimation problems' 验证其渐近最优性。Follow-up 粗判：立即可做，因为您已掌握非参数统计和最优化界，且 HOIF 在您的学习雷达上；您可立即将 HOIF 的渐近占优性推广到因果推断中的其他目标参数（如 ATE 在弱重叠下的估计）。

天体统计 (astrostats, 2 篇)¶

1. 2606.22572 — OASIS: Observation-Aware Simulation-Based Inference via Distributional Matching¶

作者: Arya Farahi, Conghao Zhou, Ritwik Vashistha
分类: stat.ME · astro-ph.IM · physics.data-an · stat.CO
相关性 8/10 · novelty: new_method
摘要: 本文提出 OASIS，一个面向观测过程的仿真推断框架，解决标准 SBI 方法忽略观测模型（测量误差、选择效应等）导致推断失配的问题。该方法将观测模型显式嵌入模拟器，利用最大均值差异（MMD）损失对先验样本加权，构造伪后验分布，无需手工构造汇总统计或训练神经代理模型。作者给出了蒙特卡洛一致性、经验伪后验收敛到总体版本、以及后验集中于 MMD-可识别参数集的理论保证。在带误差-变量的回归实验中，OASIS 在异质非高斯测量噪声下稳健恢复参数并给出良好校准的不确定性。在真实宇宙学应用中，通过多波段星系团观测数据展示方法处理非线性标度关系、异方差误差与不完备覆盖的能力。对您而言，该文是进入天体统计学领域的优秀入门读物，同时其中 MMD 分布匹配与基于模拟的推断方法也为您熟悉的非参数统计和统计计算工具提供了具体应用场景。
关键技术: Simulation-Based Inference, Maximum Mean Discrepancy (MMD), Pseudo-Posterior, Observation Model Embedding, Distributional Matching, Monte Carlo Consistency
为什么对您有用: (1) 该文是 astrostatistics 方向的 gateway reading，以清晰的语言介绍了模拟推断在天文数据中的应用（多波段星系团、测量误差、选择函数），符合您的二级兴趣入门需求；(2) 方法核心 MMD 是核方法的一种，属于您非常熟悉的 nonparametric statistics 范畴，您可以利用此背景快速理解其理论性质并评估其在实际数据中的表现；(3) 立即可做：从非常熟悉的非参数统计和软件开发入手，可以实现 OASIS 的基准版本或将其与现有因果推断中的分布匹配方法做对比。

2. 2606.22160 — Distributed Peer Review at ALMA: An Empirical Comparison with Panel-Based Review¶

作者: John M. Carpenter, Andrea Corvill\'on
分类: astro-ph.IM
相关性 8/10 · novelty: application
摘要: 本文基于ALMA望远镜13个周期超过20,000份提案和160,000份评审数据，实证比较分布式同行评审（DPR）与传统小组评审在排名结构上的异同。研究发现DPR系统在PI人口统计学特征、技术特性和科学领域方面均复现了小组评审的总体排名趋势，且顶级提案的科学多样性相似。单个提案的排名在DPR和小组讨论前均表现出较大离散度，讨论仅部分降低了这一方差，表明离散性主要源于评审者判断的内在差异而非流程差异。Cycle 12中大部分DPR书面评论被评为高质量或足够质量，但仍有10%低质量评论，凸显大规模评审中质量控制的挑战。总体而言，DPR在缺乏讨论的情况下仍能复现小组评审的种群级排序结构。对统计学家而言，本文提供了天文观测评审系统的真实数据结构和分析模式，是进入天文统计方向的优质入门读物。
关键技术: empirical rank comparison, reviewer variance decomposition, descriptive statistics of large-scale review data, rating quality assessment
为什么对您有用: 本文属于天文统计的gateway阅读：清晰介绍了ALMA评审系统和大规模评审数据的结构、噪声与选择效应，对统计学家友好，不依赖天文学术语。研究者可用非参数统计中的秩检验和方差分解方法进一步量化排名一致性与评审者效应，这属于'非常熟悉'的非参数统计武器库，立即可做。整体上值得花时间精读全文，以理解天文数据中观察性研究的分析范式。

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 2606.23150 — A missed opportunity? Labor demand and workforce diversity¶

作者: Anna Bindler, Barbara Boelmann, Lena Janys, Luisa H. Santiago Wolf
分类: econ.EM
相关性 8/10 · novelty: application
摘要: 本文利用德国统一作为自然实验，研究正向劳动力需求冲击如何影响工作场所的多样性与质量构成，尤其关注是否存在性别与机构质量的权衡。作者聚焦社会科学领域几乎全部东德教授被替换而STEM领域基本未变这一差异，采用区域双重差分设计，结合行政数据进行分析。研究发现新聘人员的机构质量分散度增加（即来自选拔性较弱的院系），但女性比例并未提高，反而东德的招聘性别构成向西部水平收敛。通过模拟保守假设下未雇佣合格女性导致的损失，作者发现边际女性雇员的学术资质比边际男性高约半个标准差。该研究为劳动力需求冲击对多样性的影响提供了因果证据，展示了如何利用自然实验和行政数据进行政策相关推断。您可运用因果推断的估计理论中的平行趋势检验与敏感性分析来评估该DID设计的稳健性，其方法框架对您完全熟悉，属于立即可做的gateway reading。
关键技术: difference-in-differences, natural experiment, administrative data, simulation-based counterfactual analysis, parallel trends assumption
为什么对您有用: 本文连接您对经济理论应用（因果推断）的次级兴趣，具体为利用德国统一作为自然实验的劳动力市场DID设计。您武器库中“因果推断中的估计理论”可直接用于评价其识别假设（平行趋势）和估计稳定性，且您熟悉的非参数统计可用于检验分布差异。鉴于方法成熟，您可以立即可做地阅读并评估其因果推断的有效性，甚至考虑开展敏感性分析作为扩展。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 3 篇)¶

1. 2606.22016 — On the use of auxiliary variables in multiple imputation when estimating the average causal effect with missing data¶

作者: Jiaxin Zhang, S. Ghazaleh Dashti, John B. Carlin, Katherine J. Lee, Margarita Moreno-Betancur
分类: stat.ME
相关性 7/10 · novelty: application
摘要: 本文研究在观测数据存在缺失时，使用多重插补（MI）估计平均因果效应（ACE）时如何利用辅助变量。作者基于缺失有向无环图（m-DAG）描述多种单变量和多变量缺失机制，并推导了每种设定下ACE的可恢复性（recoverability）条件。方法上，他们评估了基于MI和完整案例（complete-case）的方法，并结合正确指定的g-computation估计量；特别关注了中介变量与非中介变量这两类辅助变量的区分。模拟研究表明，错误区分中介辅助变量以及使用不兼容的MI模型会导致偏差，而兼容且灵活的非参数MI方法可以减轻这一问题。文章最后给出了实用的分析指南，强调在缺失数据场景下，辅助变量对识别ACE的至关重要性。对您而言，这项工作直接连接因果推断中的缺失数据处理与识别理论，您可以用非常熟悉的非参数统计和因果推断估计理论来理解其识别结果与模拟设计。
关键技术: multiple imputation, auxiliary variables, recoverability, missingness DAG, g-computation, compatibility of imputation models
为什么对您有用: 本文直接扎根于您的主要兴趣——因果推断中的识别与估计，特别是在缺失数据下利用辅助变量实现ACE的可恢复性。您武器库中非常熟悉的非参数统计和因果推断估计理论可用来检验其g-computation的正确性，而中等熟悉的半参数理论可用于评估MI模型的兼容性条件。这是一篇系统性的模拟与指导论文，立即可读：无须补充新工具即可理解其核心结论。

2. 2606.23146 — A Bias-Corrected Two-Stage Approach for Joint Modelling of Multidimensional Longitudinal HRQoL and Survival Data¶

作者: Hortense Doms, Philippe Lambert, Catherine Legrand
分类: stat.ME · stat.AP
相关性 7/10 · novelty: new_method
摘要: 在肿瘤学纵向研究中，目标是联合建模多维 HRQoL 问卷（有序数据）与生存结局，处理因疾病进展或死亡导致的非随机缺失。作者提出 slope-corrected two-stage (SC2S) 方法：第一阶段在多维 latent trait 框架下拟合纵向子模型，第二阶段通过 random effects 的 informative priors 将纵向信息传递至生存子模型，并重新估计纵向斜率参数以校正偏差。该方法在贝叶斯框架下避免了 fully joint estimation 在多随机效应维度下的计算瓶颈，同时显著降低了两阶段法的偏差。模拟与胶质母细胞瘤数据应用表明，SC2S 在计算效率与偏差校正间取得良好平衡，接近 fully joint 的估计精度。对您在 longitudinal causal inference 与 semiparametric theory 方向的兴趣有参考价值。
关键技术: joint modeling of longitudinal and survival data, two-stage estimation with bias correction, multidimensional latent trait model, Bayesian informative priors, shared random effects, ordinal longitudinal data
为什么对您有用: 直接连接到您 primary interest 中的 longitudinal causal inference 设定——joint model 是处理 informative dropout 的经典框架。您熟悉的 semiparametric theory 和 M-estimation theory（moderately_familiar）可用于分析其两阶段估计量的渐近性质，或探索非贝叶斯框架下的效率理论。中期可做：需先在 semiparametric theory 上长肌肉，才能将效率界/影响函数工具应用于此设定；若仅关注计算层面则立即可动手。

3. 2606.21745 — Blending Proxy Metrics with a North Star¶

作者: Winston Chou
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文面向在线实验(A/B测试)中的实际困境：实验者同时观测代理指标（灵敏但可能偏离长期目标）和北极星指标（统计不灵敏但代表真正目标），难以决定何时信任哪个。作者提出一个最优融合(blending)框架，通过决策理论将两者线性组合，权重由实验功效和代理质量自适应调整：实验功效越高越偏向北极星，代理质量越高越偏向代理。研究了融合框架对实验设计的影响，发现更好的代理指标应导向更小但更多的实验，反之应更大但更少的实验。方法还展示了如何利用历史实验数据估计最优融合权重和实验规模。最后以Netflix的实验项目为例说明实际部署。该方法不依赖深刻的因果识别条件，而是一种实用性的统计-决策折中。对您有用：直接关联因果推断中替代指标(surrogate/proxy)的使用场景，可作为长期因果实验方案设计的参考工具。
关键技术: optimal blending, proxy metric, north star, experiment design optimization, decision-theoretic framework, A/B testing power analysis
为什么对您有用: 本文属于在线实验中的代理指标与长期目标融合问题，是因果推断在平台实验中的具体应用。您可采用武器库中'estimation theory in causal inference'分析其权重估计的渐近性质，或用'modestly_familiar'的'M-estimation theory'验证估计的一致性。立即可做：基于已有因果推断软件工程经验，可实现该融合框架并扩展至多个代理指标场景。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 2606.23174 — Principal Covariate Regression with Nuclear Norm Penalty¶

作者: Kaiwen Liu, Lisa Verbeij, Wouter Weeda, Mark de Rooij
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 在高维数据设定下，维度约简和变量选择通常是统计学习的必要步骤。现有的主协变量回归（PCovR）类方法只能依次进行维度选择和正则化回归，无法同时完成这两步，迫使研究者需人工决定执行顺序。本文提出核范数惩罚主协变量回归（PcovRnnp），通过引入核范数（矩阵奇异值之和）惩罚项，将降维与稀疏回归融合为一个联合优化问题。该方法使用交替最小化算法求解，在每次迭代中对加载矩阵进行奇异值阈值化以实现低秩约束。模拟实验和实证分析表明，PcovRnnp在预测精度和变量选择稳定性上优于分步进行的PCovR变体。本文未提供收敛率或统计一致性理论，但为高维回归中的低秩结构与稀疏性同时建模提供了一个可操作的算法框架。对您而言，这篇论文连接了高维统计中的降维问题与统计计算中的算法设计，但缺乏理论深度，暂不构成主要阅读对象。
关键技术: Principal Covariate Regression, Nuclear Norm Regularization, Singular Value Thresholding, Alternating Minimization, Low-rank Approximation
为什么对您有用: 本文属于高维统计中的降维与正则化回归交叉领域，与您的primary interest“high-dimensional statistics”有部分重叠，但未涉及随机矩阵理论或渐近理论。您的very_familiar arsenal中的“high-dimensional asymptotics”可尝试分析该方法的估计误差界，但论文本身未提供理论结果，因此短期内难以直接动手改进。此外，该方法中的核范数惩罚与矩阵低秩结构可能对您 moderately_familiar 的“HOIF”方向连接较弱。综合看，这是一篇方法应用型工作，可用作了解当前PCovR发展的快速入口，但暂不值得深入研读全文。

2. 2606.21636 — Second order mixed moment inequalities based on Gram matrices¶

作者: Sergio Scarlatti
分类: math.ST · math.PR · stat.TH
相关性 5/10 · novelty: new_theory
摘要: 本文研究基于Gram矩阵的二阶混合矩不等式的一般族。作者证明近期[LT]中的Walker不等式推广（基于三个随机变量）实际上是该族的一个三维特例。该族适用于任意随机向量，通过Gram矩阵刻画随机变量间的二阶矩关系。文中还讨论了这些不等式对有偏估计的Cramér-Rao下界的影响。证明主要利用线性代数中的Gram矩阵正定性和Cauchy-Schwarz型不等式。该结果统一了多个已知矩不等式，并为随机向量的二阶矩结构提供了更清晰的刻画。对您而言，这篇工作在随机矩阵理论和高维渐近分析中有潜在应用价值。
关键技术: Walker's inequality, Gram matrices, second order mixed moment inequalities, Cramér-Rao lower bound
为什么对您有用: 本文连接高维统计与随机矩阵理论子方向，直接涉及Gram矩阵的矩不等式。您武器库中"high-dimensional asymptotics"可用于分析该不等式在高维协方差估计中的极限行为。这篇纯理论工作可直接理解，属于立即可做的门类——无需额外学习即可评估其在高维设定下的应用潜力。

非参数 / 半参数 (nonparam_semipara, 10 篇)¶

1. 2606.20930 — kNN estimation in semi-functional partial linear regression with missing responses at random¶

作者: Germ\'an Aneiros, Silvia Novo
分类: stat.ME · math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文考虑半函数部分线性回归模型，其中响应变量存在随机缺失（MAR），协变量包括有限维向量 X 和无限维函数型变量 X。假设 X 的效应为线性，X 的效应为非参数函数，目的是估计线性参数和非参数算子。作者基于 k 近邻（kNN）方法构建了三种估计量，并给出了初步的渐近性质（如相合性和渐近正态性），但尚未给出收敛速率。该方法结合了非参数平滑和函数型数据分析，适用于响应缺失的实际数据场景。对您而言：本文连接了非参数半参数理论，尤其是缺失数据下的半参数回归问题，技术工具（kNN、MAR机制）与您的武器库中非参数统计和估计理论有接口，但需进一步探索估计量的精确收敛性质。
关键技术: kNN estimation, semiparametric partial linear regression, missing at random (MAR), functional data, asymptotic properties
为什么对您有用: 本文直接关联您的主要兴趣：半参数与非参数理论（非参数部分结合函数型协变量）以及缺失数据下的估计问题（与因果推断中的缺失机制相通）。您的武器库中的非参数统计和估计理论可用来分析kNN估计量的minimax性质或设计更高效的调整方法。当前可作为中期可做的工作：需先在 moderately_familiar 的 semiparametric theory 领域积累函数型数据的处理经验，再深入探讨该模型的半参数效率界。

2. 2606.21707 — Quasi-Bayes empirical Bayes estimation of sums of random variables¶

作者: Stefano Favaro, Sandra Fortini
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文研究混合模型下随机变量和的函数估计问题，目标是对观测变量和潜变量的和函数进行非参数经验贝叶斯推断。现有方法大多依赖参数假设或局限于特定泛函类，本文提出 quasi-Bayes empirical Bayes 方法，通过 Newton 算法递归估计混合分布，再代入目标函数得到 plug-in 估计量。该方法计算效率高、可扩展，并能利用渐近高斯中心极限定理构造置信区间实现不确定性量化。理论上证明了 quasi-Bayes 估计与真实 Bayes 估计在渐近意义下合并，且在正确设定的频率模型下具有一致性。模拟和真实数据分析显示其精度与现有经验贝叶斯方法相当或更优。对您而言，本文提供了一种非参数经验贝叶斯的通用技术框架，可直接连接您的非参数统计与渐近理论这一核心兴趣，尤其是其中递归估计算法的收敛性分析可借助您熟练的经验过程工具来验证。
关键技术: Empirical Bayes, Newton's algorithm, Recursive estimation, Plug-in estimation, Gaussian central limit theorem, Asymptotic credible intervals
为什么对您有用: 本文直接服务于您的非参数统计兴趣子方向（非参数经验贝叶斯推断），且其递归估计算法的理论分析可以调用您的经验过程与 minimax 界工具（very_familiar）来推导更紧的收敛速度。立即可做：您可以用非参数统计中的经验过程方法分析该估计量的 minimax 风险，或将其扩展到更高阶泛函。

3. 2606.21907 — Nonparametric Deconvolution and Denoising using Simulation Based Inference¶

作者: Ritwik Vashistha, Abhra Sarkar, Arya Farahi
分类: stat.ME · stat.ML
相关性 7/10 · novelty: new_method
摘要: 针对加性测量误差下非参数密度反卷积与去噪问题，提出一种基于模拟推断的似然无关框架。核心思路是利用卷积最大均值差异（convMMD）损失，通过匹配观测数据分布与噪声卷积后模型分布来学习隐变量分布。该方法支持多变量同方差或异方差噪声，采用高斯混合或正则化流等灵活筛子类，使目标函数可微并适用于梯度优化。学得的密度作为经验先验，进一步用于单个隐变量的贝叶斯后验去噪。理论方面，将convMMD从参数情景推广至非参数情景，证明经验筛子最小化器的有限样本界和L2收敛速度；速度在一般光滑噪声下为多项式阶，在超光滑噪声下为对数阶，重现了经典反问题的速率特征。该工作为非参数反卷积提供了兼具理论基础和计算可行性的工具，且直接对应你熟悉的“逆问题加随机噪声”方向，可快速评估其速率是否最优。
关键技术: Convolutional Maximum Mean Discrepancy (convMMD), Simulation-based inference, Empirical sieve minimization, Normalizing flows, Sobolev smoothness, L2 convergence rate
为什么对您有用: 该论文直接关联你的非参数理论和逆问题研究：convMMD方法与反问题中的随机噪声设定一致，且其收敛速率的经典反演依赖（多项式/对数）可借助你熟悉的最小最大界工具验证最优性。由于你对非参数统计和逆问题都非常熟悉，可以立即评估其理论证明或将其应用于模拟数据。

4. 2606.22356 — Manifold Fitting: A Review of Methods and Applications¶

作者: Zhigang Yao, Jiaji Su
分类: stat.ME
相关性 7/10 · novelty: survey
摘要: 本文是一篇关于流形拟合（Manifold Fitting）的综述，系统回顾了这一领域从早期非参数统计方法到现代实用统计方法的发展历程。流形拟合旨在从高维数据中提取低维潜几何结构，与流形嵌入和去噪等方法有本质区别。综述将发展分为三个阶段：早期非参数方法（如局部线性回归、核方法）、数学分析驱动的几何方法（如拉普拉斯特征映射、扩散映射），以及当代结合神经网络的实用方法。应用部分重点展示了流形拟合在神经网络和生物信息学中的案例。最后指出理论问题（如收敛率、拓扑保持性）和实际问题（如规模可扩展性）仍是开放挑战。本文作为综述，对您非参数统计和降维理论方向的兴趣具有参考价值，可帮助建立几何视角的直觉。
关键技术: manifold fitting, nonparametric dimension reduction, spectral methods, diffusion maps, geometric inference, kernel methods
为什么对您有用: 本文直接关联到您primary interest中的nonparametric theory和high-dimensional statistics（降维子方向）。您very_familiar中的nonparametric statistics工具可用于理解流形拟合中的局部回归和核方法部分。但流形拟合的核心几何工具（如Hausdorff距离、测地距离估计、谱图收敛性）不在您当前武器库中，属于moderately_familiar之外，因此暂不可直接开展研究，但作为gateway reading非常合适：它清晰暴露了非参数降维中几何与概率的结合点，值得花时间通读全文以评估未来切入可能。

5. 2606.22915 — Logistic Gaussian process density regression: a generalized Bayesian approach¶

作者: Zichuan Chen, Lucas Kock, Jeong Eun Lee, David J. Nott
分类: stat.ME · stat.CO
相关性 7/10 · novelty: new_method
摘要: 该论文研究密度回归问题，即允许响应变量的整个分布随协变量灵活变化，而非仅低阶矩。在贝叶斯框架下，逻辑高斯过程先验已广泛用于密度估计，但拓展到密度回归时，每个观测都需要计算归一化常数，通常依靠数值积分，计算成本高昂。作者提出一种广义贝叶斯方法，使用基于Hyvarinen得分的损失函数，该得分仅依赖于对数密度对响应变量的导数，从而完全避免了归一化常数的计算。为了进一步处理高斯过程的大规模计算，论文结合稀疏诱导点近似和变分推断，发展出可扩展的算法。方法在模拟数据和一个包含超过15万条观测的德国天气数据集上验证，显示了良好的实用性和计算效率。该工作为非参数密度回归的贝叶斯计算提供了一个有效的替代方案，尤其适用于数据规模较大的场景。
关键技术: logistic Gaussian process, Hyvarinen score, generalized Bayesian inference, sparse inducing point approximations, variational inference
为什么对您有用: 本文属于非参数密度回归的贝叶斯计算方法，直接对应您主要兴趣中的“semiparametric & nonparametric theory”子方向。您非常熟悉的“nonparametric statistics”和“software development”武器可用来评估该方法的理论性质并尝试实现或扩展其计算流程。中期可做：若您希望在变分推断工具上进一步熟悉（属于您的moderately_familiar之外），可以将其与您已有的einsum/张量收缩计算经验结合，优化GP近似的数值实现。

6. 2606.23036 — Gaussian Process Differential Ensembles for Joint Inference on Curves, Derivatives, and Integrals¶

作者: Andreas Kryger Jensen, Adam Gorm Hoffmann
分类: stat.ME · math.DS · stat.CO
相关性 7/10 · novelty: new_method
摘要: 在函数数据分析中，研究者关注的目标往往不仅是曲线本身，还包括其导数、积分、边界值等构成的联合状态，传统方法难以同时处理跨层协方差和积分常数的不确定性。本文提出 anchored Gaussian process differential ensembles，将锚点函数 f_0 及其均方可导导数和重积分嵌入一个联合高斯状态，积分层显式引入高斯积分常数，从而分离锚点诱导的协方差与有限维边界不确定性。对于一维平稳核，作者使用 transformed Hilbert space GP 近似，对 Laplacian-Dirichlet 基函数施加微分/积分算子，建立算子级逼近界和条件有限格点后验收敛性。提出 TARTARE 目标感知校准程序，解决锚点校准基函数对导数分辨率不足的问题，模拟显示导数感知校准显著改善导数后验收敛。该方法为需要联合推断函数及其泛函（如极值点、累积量）的应用提供了统一框架，对您在纵向因果推断中处理函数型中介或累积暴露量可能有用。
关键技术: Gaussian process differential ensembles, mean-square derivatives and repeated integrals, Hilbert space GP approximation, Laplacian-Dirichlet basis functions, operator-level approximation bounds, target-aware calibration
为什么对您有用: 本文连接到您 primary interest 中的 semiparametric and nonparametric theory，特别是函数数据的非参数推断。您武器库中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可用于分析该 GP 近似的 minimax rate 是否紧；moderately_familiar 的 semiparametric theory 可用于思考如何将该框架嵌入 semiparametric efficiency 的框架中处理 nuisance parameters。中期可做：需先在 semiparametric theory 上长肌肉，才能将此 GP differential ensemble 与 semiparametric efficiency bound 结合，分析联合推断的效率界。

7. 2606.22074 — Kendall and Spearman bounds for Chatterjee's rank correlation under positive dependence¶

作者: Marcus Rockel
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_theory
摘要: 本文在正相关copula假设下，比较了Chatterjee's ξ与Kendall's τ和Spearman's ρ的大小关系。核心贡献是一个sharp的序违反概率界，将Kendall's tau中的条件序违反概率由Chatterjee's ξ中的交叉秩方差泛函控制。主要结果是：对所有随机递增copula，ξ ≤ τ成立，且等号仅在乘积copula的序数求和时达到；在左尾递减和右尾递增联合条件下，ξ ≤ ρ成立，等号仅出现在独立或共单调copula。反例表明左尾递减或右尾递增单独不足以推出ξ ≤ ρ，且两个条件一起也不足以推出ξ ≤ τ。这些不等式均为有方向性的。该研究连接了非参数依赖度量领域，研究者可利用higher-order U-statistics的投影工具进一步探讨Chatterjee's ξ的推广性质。
关键技术: Stochastic monotonicity, Order-violation bound, Copula theory, Conditional rank variance functionals, Chatterjee's rank correlation
为什么对您有用: 该论文直接对接您对非参数统计和假设检验的兴趣，特别是秩相关系数的理论比较。Chatterjee's ξ的U-statistic表示可运用武器库中'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'技术进行高阶推广或多元扩展。目前立即可做：用非参数渐近工具验证bound的紧性，或将其应用于因果推断中的条件独立性检验。

8. 2606.22074 — Kendall and Spearman bounds for Chatterjee's rank correlation under positive dependence¶

作者: Marcus Rockel
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_theory
摘要: 本文研究二元 copula 正相依假设下 Chatterjee 秩相关系数 ξ 与 Kendall τ、Spearman ρ 之间的序关系。核心 estimand 是三种 rank correlation 在 stochastically increasing、LTD（左尾递减）、RTI（右尾递增）等正相依条件下的不等式界。技术贡献是一个 sharp order-violation bound：用控制 Chatterjee ξ 的 cross-rank variance functional 来逐点控制 Kendall τ 中的条件序违反概率。主要结果包括：(1) 对任意 stochastically increasing copula，ξ ≤ τ 成立且界是紧的（ordinal sums of product copulas 达到等式）；(2) LTD 与 RTI 联合蕴含 ξ ≤ ρ，等号成立当且仅当 independence 或 comonotonicity copula；(3) 通过 checkerboard 反例证明 LTD 或 RTI 单独不保证 ξ ≤ ρ，且两条件联合也不保证 ξ ≤ τ。对您而言，这是 nonparametric dependence measures 的精细刻画，涉及 copula 理论与 rank-based inference 的交叉。
关键技术: copula theory, stochastic ordering, rank correlation, order-violation probability, cross-rank variance functional, checkerboard copula construction
为什么对您有用: 本文属于 nonparametric statistics 中 dependence measures 的理论工作，与您 primary interest 中的 nonparametric theory 直接相关。技术上，copula 随机序与 rank correlation 的精细不等式分析，可视为您熟悉的 minimax bound 和 nonparametric 工具在 dependence structure 刻画上的应用。中期可做：若想进入 copula-based dependence modeling，需先在 moderately_familiar 的 semiparametric theory 上补充 copula estimation 的效率理论；本文的 order-violation bound 技术本身是概率不等式，与您 very_familiar 的 minimax 工具相通，但需要熟悉 copula 文献的术语体系。

9. 2606.22850 — To select or not to select: predictively consistent priors instead of model selection¶

作者: Anna Elisabeth Riha, Leevi Lindgren, David Kohns, Paul-Christian B\"urkner, Aki Vehtari
分类: stat.ME
相关性 4/10 · novelty: new_method
摘要: 本文研究贝叶斯工作流中模型选择对预测性能的影响，核心问题是：在有限样本下，何时模型选择是不必要甚至有害的。作者提出 predictively consistent priors 的概念，要求随着模型复杂度增加（如添加协变量），先验预测分布的性质保持稳定。在线性/逻辑回归的变量选择、非线性建模等数值实验中，使用 predictively consistent priors 的复杂模型在 out-of-sample 预测性能上通常匹配或优于经选择后的简单模型。理论贡献主要是概念性框架，核心洞见是：当模型选择带来提升时，往往暗示联合先验设定存在问题（如过多先验质量分配给不合理的预测值）。对您在 semiparametric theory 和 efficiency 方面的工作有方法论层面的启发——涉及复杂度控制与估计效率之间的权衡。
关键技术: prior predictive checking, predictively consistent priors, forward variable selection, out-of-sample predictive performance, Bayesian model averaging, prior regularization
为什么对您有用: 本文触及您 primary interest 中 semiparametric theory 的核心议题——模型复杂度与估计效率/预测性能之间的权衡，但视角是贝叶斯先验设计而非频率派效率界。技术上，本文主要是概念框架和数值实验，缺乏严格的频率派理论分析（如 minimax rate、efficiency bound）。暂不可做：本文的核心机器（贝叶斯先验设计、predictive distribution 稳定性）不在您的武器库中，且您熟悉的 minimax bounds、semiparametric efficiency、higher-order U-statistics 等工具难以直接切入这篇 paper 的核心问题。若想进入此方向，需先补贝叶斯工作流和先验理论。

10. 2606.22730 — Optimal Estimating Equations for Compact-Memory Hawkes Processes¶

作者: Louis Davis, Conor Kresin
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_theory
摘要: 本文研究固定维 multivariate Hawkes 过程的参数估计问题，设定为 compact memory、nonlinear positive links、允许 inhibition 的 signed kernels，目标是建立一类 compensator-based estimating equations 的统一理论。作者证明 least squares、Takács–Fiksel 等矩方法与 likelihood score 同属一个估计方程类，在正则性、identification 和秩条件下，所有 admissible finite-library 估计量均达到 O(√(log T/T)) 的一致收敛率，且具有渐近正态性和 Godambe 协方差矩阵。核心贡献是一个 projection identity，精确量化了每个 library 相对于 score 的效率损失为 score information 在其 predictable span 之外的投影；同时给出 two-point bound 证明 √T 率不可改进。技术上利用 exponential forgetting 建立 Bernstein-type concentration，将理论从平稳初值推广到非平稳情形（对数 burn-in 后）。对您有用：这是 semiparametric efficiency theory 在点过程模型中的系统应用，Godambe 信息矩阵与 optimal weighting 的处理可类比您熟悉的 semiparametric efficiency bound 与 one-step estimation。
关键技术: estimating equations, Godambe information matrix, optimal weighting, Bernstein-type concentration, exponential forgetting, projection identity
为什么对您有用: 本文直接连接到您 primary interest 中的 efficiency theory（semiparametric efficiency bounds）——将 Godambe 最优估计方程框架系统应用于 Hawkes 过程，projection identity 的构造思路与 semiparametric efficiency bound 的投影论证高度平行。您可以用 very_familiar 的 minimax bounds 和 estimation theory 验证其声称的 √T 率是否紧、Godambe covariance 的计算是否正确；moderately_familiar 的 semiparametric theory 可帮助理解其 optimal weighting 与 one-step estimation 的对应关系。判断：立即可做——用您熟悉的效率理论工具审视其 projection identity 与 two-point bound 的严谨性，或将其框架迁移到其他点过程/计数过程模型。

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

1. 2606.21232 — Multi-Source Prediction-Powered Inference¶

作者: Wenhui Li, Fen Jiang, Xinyu Zhang
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文在预测驱动推断框架下，研究如何融合多个伪标签数据集以提升统计推断效率。目标是通过聚合多个机器学习模型生成的伪标签与少量金标准数据，构造更紧凑的置信区域。提出多源预测驱动推断（MPPI）方法，核心是估计各伪标签数据集的聚合权重，并通过最小化置信区域的渐近体积来优化权重。理论部分建立了渐近正态性，证明所得置信区域体积渐近等价于所考虑权重类内的Oracle最优体积。进一步刻画了MPPI相对于经典目标-only推断和单源预测驱动推断的优越条件，涵盖同质与异质（协变量偏移、领域偏移）设定。实际数据分析中使用双能X线吸收测定法验证了MPPI在保持推断有效性的同时能显著缩小置信区域。该方法与您的效率理论（信息界与最优估计）以及估计理论（权重优化与渐近方差）直接相关，可借鉴其权重选择策略扩展至其他半参数估计问题。
关键技术: Prediction-powered inference, Confidence region volume minimization, Aggregation weights estimation, Asymptotic normality, Covariate shift, Domain shift
为什么对您有用: 该工作直接连接您的效率理论兴趣，尤其是估计量的渐近方差最小化和最优权重组合。您 weapons 库中 'minimax bounds for estimation problems' 可用于验证其所提权重类是否达到信息下界，'nonparametric statistics' 可分析异质设定下的估计率。立即可做：利用您 very_familiar 的高维渐近工具推导更紧的置信区域覆盖精度，或将该聚合框架移植到因果推断中的多重稳健估计。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)¶

1. 2606.22008 — An Optimal Transportation Approach for Improved Confidence Intervals¶

作者: Christophe Quentin Valvason, Eustasio del Barrio, Stefan Sperlich
分类: stat.ME · math.PR · math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 该文针对复杂模型或小样本下传统置信区间渐近近似覆盖性能恶化的难题，提出基于最优传输(optimal transport)的置信区间构造新方法。核心机制是借助最优耦合(optimal coupling)对两个概率分布进行几何配准，从而最小化经验覆盖概率与名义水平之间的偏差。作者推导了该程序的一致性及覆盖概率误差指数的理论界，并设计了数据驱动型的超参数选取规则以免除用户调参负担。该方法本质上是经典分位数置信区间的一种最优传输推广。模拟结果表明，在多种估计问题(均值、分位数、回归系数)中，该方法在覆盖准确性和稳健性上均显著优于Bootstrap、正态近似等标准方法。对您而言，本文提供了一种使用几何最优传输改进统计推断精度的新思路，可直接应用于假设检验中置信区间的构造，而您对非参数统计和最小化界限的熟悉程度有助于快速理解其理论框架，并可能将类似策略迁移至因果推断中工具变量或中介分析下的置信区间优化问题。
关键技术: Optimal transport, Optimal coupling, Coverage probability, Quantile-based confidence intervals, Data-driven hyperparameters
为什么对您有用: 该文直接属于数学统计与假设检验中置信区间构造这一经典子方向。您非常熟悉的非参数统计和最小化界限分析工具可用于评估其理论界是否紧致，并对比现有方法。中期可做：若要在此方向添加后续研究(如推广到高维或因果推断中的置信区间)，需先了解最优传输的统计匹配和计算复杂度(目前不在您的技术武库中)，但借助您对非参数理论的掌握可较快入门。

2. 2606.22490 — Bayesian Model Pursuit and Near-Oracle Sparse Signal Discovery Under Dependence¶

作者: Prasenjit Ghosh, Arijit Chakrabarti
分类: stat.ME
相关性 6/10 · novelty: new_method
摘要: 本文研究在已知任意协方差结构的依赖下，稀疏信号发现（即从大量无效信号中识别少量活跃信号）的贝叶斯最优性问题。作者提出了一种贝叶斯逐步向下（BSD）程序，该程序采用后验引导的模型搜寻策略，顺序积累候选稀疏配置的证据，并显式利用数据的协方差结构。通过在稀疏单因子依赖模型下与贝叶斯 Oracle 的对比，模拟显示 BSD 在贝叶斯风险和支持恢复上几乎与 Oracle 不可区分，展现出近Oracle行为。另一有趣发现是 BSD 与频率学派的 MRD-GBS 程序（尽管框架迥异）结果高度一致，暗示了依赖下稀疏恢复的某种信息界。BSD 还具备残差表示，从而在任意协方差依赖下具有可容许性，并带来计算上的简化。主要理论贡献包括可容许性证明和近Oracle最优性，为依赖下的稀疏信号发现提供了新的贝叶斯风险前沿。对您可能有用：本文直接关联您在高维统计与假设检验方面的兴趣，您熟悉的极小极大界和高维渐近工具可用于验证其近Oracle最优性是否紧，并进一步探讨依赖结构对可检测性的影响。
关键技术: Bayesian Step-Down (BSD) procedure, posterior-guided model pursuit, Bayes Oracle, residual representation, admissibility under arbitrary covariance
为什么对您有用: 本文聚焦于依赖下的稀疏信号发现，直接对应您 primary interest 中的假设检验（多重检验）和高维统计子方向。您非常熟悉的 minimax bounds for estimation problems 和 high-dimensional asymptotics 可用于评估其近Oracle性质的紧性，或将其框架扩展到未知协方差结构的情形。基于这些武器，您可立即可做：直接利用已有的高维极小极大理论和经验过程工具，检验其在更一般依赖设定下的适应性和效率。

3. 2606.21551 — Reformulation Invariance and the Axiomatic Foundations of Inference¶

作者: Rapha\"el Tr\'esor, Thijs van de Laar, Bert de Vries
分类: math.ST · cs.IT · math.CT · math.IT · math.PR · stat.TH
相关性 6/10 · novelty: new_theory
摘要: 论文探讨统计推断的公理化基础：最大熵、贝叶斯更新和指数族估计都可视为在约束下最小化某个散度。核心问题是：为什么选择特定的散度（如KL散度）？作者从“重表述不变性”这一单一要求出发，证明推断必须是最小化某个f-散度；随着不变性要求加强，散度族逐步紧缩到α-散度，最终唯一到KL散度。方法上，将推断重新表述为在正测度预序中选择最小元，散度仅是重现该预序的数值尺度；利用范畴论将重表述视为推理问题的态射，推断算子成为一个协变函子，镜像了Cencov关于Fisher度量的刻画。证明首先在有限空间上建立，再通过初等闭包推广到一般可测空间，统一离散和连续情形。相比Shore-Johnson和Csiszar的公理化，本文的公理直接从重表述不变性导出，无需额外假设。对您而言，这篇论文为统计推断的散度选择提供了统一的理论框架，与您对数学统计和假设检验的基础兴趣紧密相连，尤其用范畴论重新诠释Cencov工作，可能启发新的统计原理思考。
关键技术: reformulation invariance, f-divergences, α-divergences, Kullback-Leibler divergence, Cencov's characterization of Fisher metric, categories of inference problems, covariant functor
为什么对您有用: 本文直接连接到您的“mathematical statistics & hypothesis testing”兴趣，提供了推断公理化的新视角。研究者当前的武器库集中在非参数、高维、因果推断，缺乏范畴论和Cencov几何工具（非常熟悉项中无此内容），因此直接跟进较难，属于暂不可做方向——需先补充范畴论和测度论基础。不过，作为统计理论深化的纯理论文章，值得阅读以拓展对推断本质的理解。

4. 2606.22403 — Maximum Likelihood Criterion for Non-nested Model Selection¶

作者: Min Tsao
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文针对非嵌套候选模型的选择问题，提出最大似然准则（MLC），直接选择具有最高最大似然值的模型，不施加任何惩罚项。在候选模型被视为平等且不偏好简约模型的设定下，传统惩罚准则（如AIC、BIC）可能因惩罚项引入偏差而表现不佳，MLC则避免了这一问题。作者利用标准似然理论证明了MLC的一致性：在大样本下能以概率1选出真实模型或最接近的模型。数值实验显示MLC在非嵌套情形下优于常见惩罚准则。本文的模型选择一致性问题与假设检验中的模型比较紧密相关，可作为统计推断方向的基础阅读。
关键技术: maximum likelihood criterion, model selection consistency, non-nested models, likelihood ratio
为什么对您有用: 本文直接对应您“mathematical statistics & hypothesis testing”兴趣中的模型选择一致性分析，是非嵌套设定下对似然比检验思想的扩展。您熟悉的非参数统计与高维渐近技术可用于研究MLC在更复杂模型类（如半参数、高维）下的性质，属于立即可做的入门工作。

5. 2606.21636 — Second order mixed moment inequalities based on Gram matrices¶

作者: Sergio Scarlatti
分类: math.ST · math.PR · stat.TH
相关性 5/10 · novelty: new_theory
摘要: 本文研究基于Gram矩阵的二阶混合矩不等式。Walker不等式最初针对三个随机变量给出一个矩不等式，近期被[LT; Theorem 3.1]推广到三维情形。本文证明该推广只是更一般的不等式族的特例：对任意随机向量，其Gram矩阵的谱性质可导出一族二阶混合矩不等式。作者进一步讨论了这些不等式对有偏估计量的Cramér-Rao下界的含义，给出了新的下界表达式。证明主要利用线性代数和矩的二次形式，未涉及高维渐近或复杂概率工具。结果虽简洁，但统一了若干已知不等式，并揭示了矩不等式与Fisher信息之间的内在联系。对研究者的随机矩阵理论和假设检验兴趣而言，Gram矩阵的不等式在谱分析和刀切法中常被使用，本文提供了一般框架。
关键技术: Gram matrices, Cramér-Rao lower bound, Walker's inequality, second order moments, matrix trace inequalities
为什么对您有用: 直接连接到研究者的数学统计与假设检验兴趣，特别是随机矩阵理论中Gram矩阵的谱分析。武器库中'high-dimensional asymptotics'和'minimax bounds'可用于检验这些不等式在高维下的sharpness或扩展至随机矩阵谱分布。该文属于纯理论结果，目前没有立即可做的问题，但中期可考虑将其与高维协方差估计中已知的矩不等式（如Bai–Silverstein bound）结合，需先在'moderately_familiar'的'theory of higher-order U-statistics'上补足高阶矩的投影技巧。

统计计算 / 算法 (stat_computing, 5 篇)¶

1. 2606.22775 — Target-Aware Linear Regression Under Distribution Shift¶

作者: Zhewen Hou, Tian Zheng
分类: stat.ME · cs.LG
相关性 6/10 · novelty: new_method
摘要: 本文研究在训练和部署分布存在偏移时，利用目标边际分布信息进行线性回归的问题。假设条件均值E[Y|X]在源域和目标域之间稳定，提出混合损失估计器作为基准，但该估计器需要求解耦合非线性优化，计算代价高。主要贡献是开发了两种计算可行的替代方法：约束矩匹配估计器和两阶段估计器（先用OLS再校准）。推导并比较了三种估计器的闭式渐近均方误差，给出了替代方法逼近基准的条件。蒙特卡洛实验验证了理论结果，并揭示了准确性-运行时间权衡。对于研究者而言，本文的分布偏移视角与因果推断中的可迁移性相关，而估计器的渐近分析可借助研究者较为熟悉的M-估计理论进行理解和扩展。
关键技术: hybrid-loss estimator, constrained moment-matching, two-stage calibration, asymptotic mean squared error, distribution shift
为什么对您有用: 本文关注的分布偏移问题直接对应因果推断中的外推有效性（external validity），属于其因果推断兴趣子方向。研究者对M-估计理论（technical_arsenal中moderately_familiar）较为熟悉，可直接运用以理解本文估计器的渐近行为，并可能拓展至非线性或高维设定。结论：立即可做——运用M-估计理论比较不同估计器的效率，或开发更通用的校准方法。

2. 2606.21466 — Likelihood Inference for Latent Network Models under Snowball Sampling¶

作者: Nurzhan Sapargali, Sergio Buttazzo, G\"oran Kauermann
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 在雪球抽样设计下，针对连续潜空间网络模型类，首次推导出多波样本的精确似然函数。利用条件边独立性假设，将对未观测网络构型的边缘化简化为闭式表达式，该表达式适用于整个CLS模型族。以欧几里得潜距离模型为例，开发随机EM算法进行参数估计，并给出具体实现。在德国半导体专利申请人合作网络的大规模数据上进行多轮雪球抽样，发现忽视抽样机制的naive估计严重低估潜空间方差，生成网络边数几乎翻倍，谱拟合优度比校正模型差约9倍。本文为基于雪球抽样的网络统计推断提供了计算上可行的偏差校正方案，其随机EM实现可直接适配到其他CLS模型。对您的统计计算（数值算法开发）和经济网络分析（专利合作数据）均有直接参考价值。
关键技术: snowball sampling, continuous latent space model, stochastic expectation-maximization, exact marginal likelihood, conditional edge independence, spectral goodness-of-fit
为什么对您有用: 本文直接对应您primary interest中的statistical computing（数值算法），其随机EM算法是具体可复现的计算实现，而您very_familiar的“software development”技能可以直接用于扩展或优化该算法（如并行化或多轮抽样设计）。此外，专利合作网络数据属于secondary interest中的经济理论应用，可作为gateway reading理解网络抽样偏差。立即可做：利用您已有的非参数统计和软件工程能力，可以复现该方法并测试不同潜空间设定下的EM稳定性。

3. 2606.21714 — A Tutorial on Bregman Projection in Statistics¶

作者: Gunhee Cho, Jae Kwang Kim, Yumou Qiu
分类: math.ST · stat.TH
相关性 5/10 · novelty: survey
摘要: 本文以教程形式系统阐述Bregman投影（Bregman divergence下的投影）作为统计推断的统一几何工具。首先从纯凸几何出发，定义严格的凸生成函数G及其共轭F，提供双坐标系下的投影定理（存在唯一性）和毕达哥拉斯定理。该定理自然导出两种对偶投影：信息投影（e-projection）作用于矩约束族，矩投影（m-projection）作用于指数族，二者由共轭对偶交换。第二部分将这一框架具体应用于广义线性模型（规范链接下得分方程等价于毕达哥拉斯正交）、最大熵、调查校准、过度识别矩模型、EM算法、变分推断、自编码器和期望传播。文章内容自包含，数学部分无需统计背景，统计部分仅需熟悉相应方法。对您而言，该教程提供了理解多种统计方法几何本质的统一视角，尤其连接了您对半参理论中矩估计和指数族投影的已有认知。
关键技术: Bregman divergence, convex conjugate duality, Pythagorean theorem for Bregman projections, information projection (e-projection), moment projection (m-projection), generalized linear model canonical link
为什么对您有用: 本文直接对应您对统计计算中几何算法的兴趣（stat_computing），同时与您 moderately_familiar 的 semiparametric theory 中过识别矩模型和指数族的投影估计高度相关。由于是教程，您可以立即可用 very_familiar 中的 nonparametric statistics 和 estimation theory in causal inference 来理解文中例子，并转化为课程笔记或软件实现。这是一篇 gateway reading 级别的综述，值得通读全文以强化统一框架。

4. 2606.21512 — Bayesian model selection of vine copulas: a loss-based perspective¶

作者: Rosario Barone, Luciana Dalla Valle, Fabrizio Leisen, Cristiano Villa
分类: stat.ME · stat.ML
相关性 4/10 · novelty: new_method
摘要: 该论文针对高维vine copula模型中模型选择的计算瓶颈问题，提出了一种结合损失函数驱动模型先验（loss-based prior）与shotgun stochastic search的贝叶斯框架。框架联合选择藤结构、copula族和参数估计，利用随机搜索策略降低模型空间的组合爆炸复杂性。损失先验通过数据适配的惩罚项自动促进稀疏结构，避免传统贝叶斯方法中先验设定的主观性。仿真和实际金融资产收益数据展示了方法在中等维度下的可行性和优于现有方法的预测性能。该方法实际上是一种高效的计算启发式策略，为贝叶斯模型选择在高维依赖建模中的实用化提供了新路径。
关键技术: loss-based prior, shotgun stochastic search, vine copula, Bayesian model selection, sparsity-inducing prior
为什么对您有用: 本论文提出的是通用模型选择计算框架，其shotgun stochastic search策略可推广到因果推断中的工具变量选择或高维协变量筛选等结构化模型空间搜索问题。您武器库中的'软件发展'技能可以直接将这一随机搜索逻辑实现为可复用的R/Python包，适配因果推断场景。中期可做：需先熟悉vine copula本身的依赖结构建模逻辑（目前未在武器库中），但核心搜索算法思想本身即值得借鉴。

5. 2606.23435 — Bayesian Analysis Using a Constrained Mixture of Normal-Inverse-Gamma Models¶

作者: Madelyn Clinch, Jonathan R. Bradley, Andr\'es F. Barrientos, Garritt L. Page
分类: stat.ME
相关性 4/10 · novelty: new_method
摘要: 本文针对高斯混合模型回归的贝叶斯推理，提出一种基于组合方法（method of composition）的采样策略，避免传统Gibbs采样中需更新离散潜变量的高计算成本。通过将后验分解为参数的条件分布和标签的边缘后验，参数可直接从封闭形式分布采样，无需MCMC迭代。进一步，利用贝叶斯选择性推断约束标签空间，从而缓解了标签增多带来的瓶颈问题。模拟研究表明，该方法在多种设定下优于基于MCMC的基准方法。实证部分使用CDC的出生率数据进行演示。该工作对统计计算领域具有参考价值，展示了一种在混合模型中避免MCMC的高效替代方案。
关键技术: Gibbs sampler, method of composition, Normal-Inverse-Gamma prior, Bayesian selective inference, constrained mixture, posterior sampling
为什么对您有用: 本文属于统计计算中的算法改进，直接对应研究者对统计计算兴趣中的数值方法与算法子方向。文中提出的组合采样策略与约束标签空间的思想，与研究者熟悉的软件开发和计算实验有一定交集。然而，该方法的理论基础（贝叶斯选择性推断）和技术细节处于研究者当前武器库之外，核心机器涉及贝叶斯混合模型和选择性推断，暂不可直接复现或迁移。

天体统计 (astrostats, 8 篇)¶

1. 2606.20832 — ReLaTS: a Reinforcement Learning-based method for dynamically determining the coupling Time Step in multi-scale simulations of self-gravitating systems¶

作者: Veronica Saz Ulibarrena, Simon Portegies Zwart
分类: astro-ph.IM · cs.LG
相关性 7/10 · novelty: new_method
摘要: 本文针对天体物理多尺度模拟（如恒星团包含行星系统）中子系统耦合时间步长的设定问题，提出ReLaTS强化学习框架以动态选择步长，优化精度与计算代价的权衡。传统固定步长依赖专家经验；ReLaTS以当前模拟状态（如能量误差）为输入，输出下一步长动作，训练目标是在能量误差低于预设阈值下最小化总计算开销。方法独立于具体N体积分算法，可跨不同设置泛化，在恒星团-行星系统模拟中，相比固定步长基线显著降低能量误差且不增加额外计算开销。对您而言，这是一篇gateway读物：问题设定清晰，但核心机制是强化学习而非统计推断，您的非参数统计与高维渐近工具能理解误差分析部分，但RL算法需额外学习。若计划进入天体物理模拟方向，值得一读。
关键技术: Reinforcement Learning-based coupling step selection, Multi-scale N-body simulation, Coupled subsystem integration, Energy error monitoring and control, Adaptive time-stepping
为什么对您有用: 本文作为天体物理多尺度模拟的入门应用，对不熟悉天文的统计学者来说，问题设定（恒星团-行星系统耦合）和方法步骤（RL权衡精度与速度）相对直观，但核心是强化学习而非统计模型，因此作为入门读物有一定门槛。您的武器库（非参数统计、高维渐近、统计计算软件）能够支撑理解其误差分析和计算复杂性部分，但RL算法本身不在当前能力范围内（需补充reinforcement learning基础）。建议视为了解多尺度模拟优化问题的兴趣读物，若计划进入天体物理统计应用方向则值得花时间读全文。

2. 2606.20838 — Ground control to major time-lag: on-sky results of data-driven predictive wavefront control at Keck Observatory¶

作者: Jules Fowler, Rebeca Jensen-Clem, Sylvain Cetre, Maaike A. M. van Kooten, Maissa Salama, Antonin Bouchez, Avinash Surendran, Charlotte Guthery, Eduardo Marin, Mahawa Cisse, Max Service, Charlotte Z. Bond, Emiel Por, Nour Skaf, Will Gauvin
分类: astro-ph.IM · astro-ph.EP
相关性 7/10 · novelty: application
摘要: 论文报告了在凯克II望远镜上实现的一种基于经验正交函数（EOF）的数据驱动预测波前控制方法的在线测试结果。该方法利用历史波前传感器数据通过主成分分析学习线性时间相关结构，提前预测波前状态，以补偿自适应光学系统中的时间延迟误差。与经典积分器控制器相比，预测控制器在Shack-Hartmann波前传感器残差上提升了约20%的性能，但在NIRC2成像的斯特列尔比和日冕仪对比度上提升不明显。参数优化研究表明，预测滤波器的超参数在一定范围内变化不会导致性能显著劣于积分器。本文还分析了主成分的功率分布，发现预测器在成分强度曲线下面积上仅有约3%的轻微改善。这项工作对凯克社区的当前观测有改进，并为极大望远镜的预测控制方法提供了先导经验。对您而言，本文是天文仪器中统计预测方法的应用案例，可作为astrostats方向的入门阅读，但方法论贡献有限，需要自适应光学背景才能完全理解。
关键技术: empirical orthogonal functions (EOF), predictive wavefront control, adaptive optics, Shack-Hartmann wavefront sensor, Strehl ratio, principal component analysis
为什么对您有用: 本文属于astrostats次兴趣领域，具体涉及天文自适应光学中的时序预测控制问题，使用了主成分分析这一统计工具。您的技术武器库中'nonparametric statistics'和'high-dimensional asymptotics'可以直接用于分析EOF预测器的统计性质（如预测误差的渐近分布或最优主成分数选择），属于立即可做的基线分析。但作为gateway reading，本文对自适应光学背景要求较高，并非入门级读物，且统计深度有限，值得快速浏览以了解天文预测控制的应用现状，但不必深入精读。

3. 2606.22159 — Deep RL for Fast Long-Horizon Operations Scheduling on NASA's Carruthers Geocorona Observatory Mission¶

作者: Alex Zhang, Jackson Craig, Lara Waldrop
分类: astro-ph.IM · astro-ph.EP · cs.LG
相关性 7/10 · novelty: application
摘要: 本文针对美国宇航局Carruthers Geocorona天文台任务的航天器操作调度问题，提出一个深度强化学习框架。该框架引入宏动作抽象（活动块）和动态动作掩码，以在指数级搜索空间中高效生成全局可行调度，同时严格满足功率、热和仪器等复杂约束。训练周期在6小时内完成，支持按需重新训练以应对变化约束；生成的调度在科学观测质量上优于传统启发式基线。该框架已作为该任务的默认调度器从任务初期开始部署，验证了深度强化学习在真实航天器运营中的可信任性。对您（统计研究者）而言，本文属于航天任务操作领域的应用案例，可作为了解宏观调度问题与深度RL结合的入门阅读，但本身不涉及统计推断或因果方法，直接方法论迁移空间有限。
关键技术: deep reinforcement learning, macro-action abstraction (activity blocks), dynamic action masking, combinatorial optimization under constraints, on-demand retraining
为什么对您有用: 本文属于astrostats gateway reading范畴：其清晰描述了航天任务调度的目标与约束，对外行读者较友好，但未深入数据模型或统计推断。研究者当前武器库不包含深度强化学习，因此无法直接动手迁移；若想介入此方向，需先熟悉RL基本概念（moderately_familiar级别）。作为一篇工程应用报告，其价值在于展示RL在高维组合优化中的实际可行性，但统计创新不足，适合花少量时间浏览而非深度研读。

4. 2606.23478 — ffortissimo: A Freeform Forward-Modeling Pipeline for High-Contrast Images of Circumstellar Disks Based on Automatic Differentiation¶

作者: Jay K. Kueny, Joseph D. Long, Jared R. Males, Alycia J. Weinberger, Laird M. Close, Joshua Liberman, Sebastiaan Haffert, Eden McEwen, Maggie Y. Kautz, Olivier Guyon, Logan Pearce, Parker T. Johnson, Katie Twitchell, Jialin Li, Alex Hedglen, Avalon Gower, Warren Foster, Jhen Lumbres, Lauren Schatz
分类: astro-ph.IM · astro-ph.SR
相关性 7/10 · novelty: application
摘要: 本文解决高对比度成像中环星盘建模的两个核心难题：传统参数化密度模型过于刚性，以及 PSF 减法（如 KLIP）在小角分离处引入的形态畸变。作者提出 ffortissimo 管线，采用 pixel-based freeform forward modeling，在 JAX 框架下利用 automatic differentiation 和 GPU 加速实现高效优化。方法应用于 MagAO-X 拍摄的 HR 4796A 盘可见光数据，展示了 freeform 模型拟合复杂尘埃分布的能力，并能从 PSF 减法伪影中推断尘埃散射性质。作者还展示了在衍射极限以下提取空间尘埃特征的潜力，但指出精确测光仍需解决背景、风驱动晕轮和 speckle 的更好刻画问题。作为天体统计学的入门阅读，本文清晰展示了 inverse problem + autodiff 优化这一现代计算统计工具在天文数据分析中的应用。
关键技术: automatic differentiation, forward modeling, KLIP PSF subtraction, pixel-based freeform model, JAX GPU acceleration, inverse problem optimization
为什么对您有用: 本文是典型的 gateway reading：清晰展示了 inverse problem（从 PSF-distorted 图像重建尘埃分布）如何通过 autodiff 求解，技术门槛低、天文背景交代清楚。武器库完全够用：nonparametric statistics 和 software development 的背景足以理解全文并复现方法。值得花时间读全文以了解天文图像处理中计算统计的实际应用模式，但方法学 novelty 对统计研究者有限（主要是工程实现）。

5. 2606.21110 — Optimization and robustness of cost-efficient seismic arrays for Newtonian noise cancellation at the Einstein Telescope¶

作者: Patrick Schillings, Johannes Erdmann
分类: astro-ph.IM · gr-qc
相关性 6/10 · novelty: application
摘要: 本文针对爱因斯坦望远镜（ET）低频段牛顿噪声的消除问题，该噪声由地震波引起的岩石密度波动主导。研究目标是优化放置在钻孔中的地震仪阵列的几何位置，以最大化噪声抑制能力。方法涉及多个地震仪共享一个钻孔的配置，并与单钻孔单地震仪阵列对比；同时评估在干涉仪隧道中增加地震仪的扩展方案。优化针对10 Hz频率进行，但通过1–10 Hz宽带抑制因子评价性能。鲁棒性分析考察地震仪位置随机扰动对抑制因子的影响，发现大阵列（50钻孔×10地震仪）抑制因子>15，且宽带性能在3–4 Hz以上稳定。对于统计学家，本文提供了一个典型的传感器网络优化与鲁棒性分析案例，适合作为进入观测引力波统计问题的入门读物。
关键技术: seismic array optimization, Newtonian noise cancellation, borehole seismometer placement, mitigation factor, robustness to position variations, broadband performance evaluation
为什么对您有用: 本文属于天文学仪器领域的工程优化研究，但清晰阐述了问题的物理背景（牛顿噪声源、地震波场测量）和优化目标（阵列抑制因子），数据规模与噪声结构明确，适合作为统计学家了解引力波探测中传感器布局问题的入门材料。武器库中的非参数统计和逆问题经验可迁移至理解其优化准则和鲁棒性分析框架，但缺乏高级统计方法；作为gateway reading，全文值得一读，尤其适合扩展对天体物理仪器数据采集设计方向的认识。

6. 2606.21606 — On-orbit Calibration of the Carruthers GCI: Instrument Effect Correction¶

作者: Alex Zhang, Heather Filippini, Lara Waldrop, Jason McPhate
分类: astro-ph.IM · astro-ph.EP
相关性 5/10 · novelty: application
摘要: 本文研究 Carruthers 地冕天文台 GeoCoronal Imager 的在轨仪器效应校正问题，目标是从原始遥测数据中系统性地识别并移除探测器引入的伪影（instrument effects），输出科学可用的校正图像。核心方法包括五类校正算法：探测器电压偏置校正、热暗电流扣除、粒子辐射伪影处理、平场校正、以及几何畸变校正；算法性能通过合成数值图像生成器及发射前实验数据验证。数据处理管线从原始遥测到校正后图像的完整流程被详细记录，属于典型的仪器数据处理方法论文。本文对您而言是 astrostatistics 领域的入门级 gateway reading——数据结构（时序图像、多视场）、噪声模型（暗电流、辐射伪影）和校正流程都有清晰交代，适合作为了解天文仪器数据处理范式的起点。
关键技术: bias correction, dark current subtraction, flat-field correction, geometric distortion correction, synthetic image validation
为什么对您有用: 本文属于 astrostats gateway reading：作为天文仪器数据处理的方法论文，它清晰展示了从原始遥测到科学数据的标准管线，对统计学家理解天文数据的噪声结构和校正需求有帮助。您的武器库（非参数统计、逆问题中的随机噪声、软件开发）足以支撑阅读和理解本文的技术细节。值得花时间浏览全文以建立对天文仪器数据处理的基本直觉，但方法学 novelty 有限，不建议深入跟进。

7. 2606.21720 — Digital Beam Pattern Optimisation for the GRAO 32-m Telescope: A Comparative Analysis of FIR Filter Design Methods¶

作者: Theophilus Ansah-Narh, Nia Imara, Benedicta Woode, Emmanuel Proven Adzri
分类: astro-ph.IM · eess.SP · math-ph · math.MP · physics.comp-ph · physics.ins-det
相关性 5/10 · novelty: application
摘要: 本文针对加纳射电望远镜GRAO 32-m的波束方向图优化问题，提出将波束优化重构成有限冲激响应（FIR）数字空间滤波问题。通过等效角位移与空间频率，采用窗口法和Parks-McClellan算法对模拟Jones场直接设计FIR滤波器。该方法能抑制由结构衍射和交叉极化泄漏导致的高频空间伪影，同时保持衍射极限分辨率。在5 GHz波束模型上，近旁瓣波纹显著降低，交叉极化泄漏在法线方向低于-30 dB。这些改进增强校准稳定性和偏振测量精度，有利于VLBI、谱线巡天和脉冲星计时。该方法为非侵入式且计算高效，可推广至其他单天线或相控阵仪器。
关键技术: FIR spatial filtering, Parks-McClellan algorithm, Jones field, sidelobe suppression, cross-polar leakage reduction
为什么对您有用: (1) 本文属astrostatistics方向，展示了射频仪器中数字信号处理与电磁建模的结合，对统计学家理解天文数据采集的校准问题有入门价值；(2) 研究者的统计计算兴趣（数值算法）可借鉴FIR滤波器设计的优化思路，但核心工具（数字滤波器设计）不在当前武器库中，需学习基础信号处理；(3) 作为gateway reading，本文对望远镜测量误差来源的定量刻画较为清晰，但方法学新颖性有限，属于工程应用，暂不可直接迁移到统计方法研究。

8. 2606.22705 — On-orbit Calibration of the Carruthers GCI: Radiometric Sensitivity¶

作者: Alex Zhang, Lara Waldrop, Heather Filippini, John Clarke, Pratik Joshi, Gonzalo Cucho-Padin, Parisa Karimi, Martin M. Sirk
分类: astro-ph.IM · astro-ph.EP · astro-ph.SR
相关性 5/10 · novelty: application
摘要: 该论文报告了Carruthers地球日冕天文台（GCI）的辐射灵敏度在轨校准工作。GCI包含两个共对准的宽带光度成像器，用于同时观测地球外逸层氢原子的紫外发射。校准目标是通过对恒星的精确光度测量，反演仪器的波长相关响应函数（带通）。论文提出了一种客观的、算法驱动的排序标准，从基于CALSPEC标准的紫外恒星光谱库中选出最优恒星子集。整个反演工作流通过合成观测数据验证，结果显示主Lyman-alpha科学通道的带通误差率低于7%。作为Astrostatistics的入门级阅读，本文清晰展示了天文仪器校准中的光谱建模、反演与验证流程，但统计方法深度有限，属于工程应用范畴。
关键技术: passband inversion, instrument responsivity calibration, spectral library matching, synthetic data validation
为什么对您有用: 本文属于Astrostatistics方向的gateway阅读材料。虽然论文未使用高级统计方法，但它清晰展示了天文仪器校准中的数据流程（恒星光谱库匹配、带通反演、合成验证），有助于了解天文观测中的测量误差来源和校准挑战。研究者若计划进入天文统计学领域，本文可作为理解天文数据处理实际问题的起点；武器库中的非参反演和优化工具可直接用于类似校准问题，但需额外学习天文学特有的噪声模型（如泊松噪声、校准源不确定性）。

经济理论 / 应用 (econ_theory, 5 篇)¶

1. 2606.21515 — A Censored Transformed Model for Proportional Outcomes with Boundary Mass and an Application to Loss Given Default Modeling¶

作者: Yuan Christopher Qiang, Fabio Sigrist
分类: stat.ME · q-fin.RM · q-fin.ST · stat.AP · stat.ML
相关性 6/10 · novelty: new_method
摘要: 本文针对比例响应变量（取值在[0,1]）在边界0和1处存在概率堆积的问题，提出零一截断转换正态（ZOC-TN）模型。模型核心是将截断正态分布与两参数仿射-logit变换结合，内部区间（0,1）用连续分布建模，边界用离散质量处理，同时刻画了变换参数与更广内部分布族的关系。作者建立了最大似然估计的大样本性质（相合性与渐近正态性），并证明模型在保持简洁、计算稳定性的同时能捕捉比基准模型更丰富的密度形状。模型可以扩展到树提升框架处理非线性与交互效应，并加入时空frailty高斯过程刻画残差空间-时间变异。实证部分基于美国住宅抵押贷款的大规模损失给定违约（LGD）数据集，结果显示树提升ZOC-TN加时空frailty模型在样本外预测上显著优于多个基准。该模型为有界比例响应且存在边界堆积的实际问题提供了一种参数灵活且计算可行的方案，对经济/金融领域的信用风险建模具有直接参考价值。
关键技术: censored Gaussian variable, affine-logit transformation, zero-one inflation, tree boosting, spatio-temporal frailty Gaussian process
为什么对您有用: 该论文属于经济理论（信用风险建模）的应用型工作，直接对应您的次要兴趣“经济理论（应用数据集、模型）”。模型中的仿射-logit变换和截断处理可迁移到因果推断中比例型结局变量的识别与估计（如中介效应中的比例测量）。从武器库来看，您可以用非参数统计和M估计理论（moderately_familiar）分析该模型变换的识别性或半参数效率，但具体边界堆积的离散-连续混合结构并非您现有武器库的核心工具，属于“中期可做”：需先在M估计理论（moderately_familiar）上深入，才能将模型改写成半参数框架并做后续效率推导。

2. 2606.22035 — Inference methods for unit-specific coefficients in panel data models with latent group structure¶

作者: Mikihito Nishi, Ryo Okui
分类: econ.EM · stat.ME
相关性 6/10 · novelty: new_method
摘要: 在面板数据模型中，目标是对具有潜在分组结构的 unit-specific 系数进行统计推断，假设系数在组内同质但组间异质，且分组身份未知需估计。核心方法是将标准推断（t-test、Wald test）与 group membership 的置信集相结合，提出两种策略：一是取 test statistic 在 membership 置信集上的最小值，可产生更短但可能不连通的置信集；二是针对潜在分组误判进行偏差校正，保证连通、可解释的区间。作者还发展了针对分组误判调整的标准误，在短面板（T 小）情形下仍有效。模拟显示，相比逐单位时间序列方法，对误差方差较大的单位可获得更窄置信集，而忽略分组不确定性的方法会导致 size 和 coverage 扭曲。实证部分用美国各州最低工资效应估计展示了方法应用。对您有用：这是 econ_theory 中处理 latent group structure 的推断工作，涉及分组不确定性传播，与您 primary interest 中的 semiparametric efficiency 和 identification 理论有方法论连接。
关键技术: latent group structure, confidence set for group membership, bias correction for misclassification, panel data inference, clustered standard errors, Wald test
为什么对您有用: (1) 连接到 econ_theory 中的面板数据因果推断，以及 primary interest 中的 semiparametric theory（分组身份作为 nuisance parameter 的估计不确定性传播）。(2) 您 very_familiar 的 M-estimation theory 和 moderately_familiar 的 semiparametric theory 可用于分析其 bias correction 的有效性，特别是分组误判对 influence function 的影响。(3) 中期可做：需先在 moderately_familiar 的 semiparametric theory 上加深，特别是 nuisance parameter estimation 对 inference 的影响（类似 debiasing 思路），才能判断其 bias correction 是否可进一步改进或推广到更复杂的分组结构。

3. 2606.22555 — Learning Dependence Structures for Econometric Inference¶

作者: Ulrich Hounyo
分类: econ.EM · stat.ME
相关性 6/10 · novelty: new_method
摘要: 本文开发了一个从经验依赖算子中学习依赖结构的框架，用于计量经济推断。它将聚类、因子和稀疏依赖等假设统一表示为希尔伯特空间中的协方差几何，并通过基于投影相似度得分的低维依赖概况来总结依赖关系。在主轴角度分离条件下建立了概况的识别性，证明了估计的相合性和渐近正态性，并导出了有限样本分类误差界。进一步指出，当协方差几何切空间重叠时，任何统计程序都无法在—阶区分这些几何，从而提供了模糊依赖结构的形式化刻画。投影残差诊断可用于评估绝对拟合优度并检测误定协方差字典。最后，研究表明依赖概况可以用于数据驱动地选择依赖鲁棒程序，产生与知道真实协方差几何的不可达神谕渐近等价的推断。
关键技术: empirical dependence operators, covariance geometry, principal-angle separation, projection similarity scores, tangent space overlap, oracle adaptivity
为什么对您有用: 本文属于经济理论方向的计量方法，与您的二级兴趣(econ_theory)直接相关。其提出的依赖结构学习框架可迁移至因果推断中的工具变量选择或中介分析中的混淆结构建模，特别是您熟悉的非参数统计和推断理论能用于验证该框架的有限样本性质。这是一篇方法学论文，值得作为计量经济方向的方法论补充阅读。

4. 2606.22483 — Neural networks for nonlinear regression with serially correlated disturbances: Evidence from cloud cover¶

作者: Sebastian Jensen, Siem Jan Koopman
分类: econ.EM · stat.AP
相关性 5/10 · novelty: application
摘要: 本文针对非线性回归中扰动项存在序列相关的问题，提出将自回归移动平均（ARMA）结构嵌入前馈神经网络的新方法，避免了传统仅使用滞后变量的时序建模方式。模型通过反向传播联合估计回归函数和误差动态参数，在模拟实验中能够准确恢复不同复杂度的回归函数及误差生成过程，且对模型设定错误（如遗漏滞后变量或误设误差结构）具有较好的稳健性。在真实应用中，采用地中海周边网格气象数据预测云覆盖率，所提模型相比线性ARMA模型和长短期记忆网络（LSTM）等基线取得更优的预测精度，尤其在山区等非线性效应较强的区域优势明显。作为计量经济学与深度学习的交叉方法，该文提供了将经典时间序列模型与神经网络结合的应用范例。对您而言，本文可作为经济时间序列应用领域的入门读物，所涉及的非线性回归与时序依赖处理思路与您关注的统计计算和应用经济模型方向有所关联。
关键技术: Feedforward neural networks, ARMA disturbance structure, Nonlinear time series regression, Backpropagation with autoregressive errors, Climate prediction
为什么对您有用: 本文属于经济时间序列模型的实证应用，直接对应您secondary interest中的经济理论应用（真实数据集和模型）。您的技术库中非参数统计和高维渐近理论（very_familiar）足以支撑理解文中非线性回归的收敛性，软件能力（very_familiar）可尝试复现或扩展其算法。虽然不涉及因果推断，但作为气象数据预测的应用，其建模流程和稳健性分析值得阅读，可为您进入经济计量交叉领域提供参照。

5. 2606.22599 — Networked risk perception and behavioral bubbles: the case of a pandemic¶

作者: Sepehr Ilami, Margherita Comola, Silvia Prina, Babak Heydari
分类: econ.EM
相关性 5/10 · novelty: application
摘要: 本文研究新冠肺炎疫情中风险感知如何通过社会网络传播，形成行为泡沫。利用马萨诸塞州313个城镇的周度移动性数据和疫情前的城际移动网络，采用双向固定效应面板回归分离本地病例响应、跨镇行为溢出和镇内惯性的影响。预先存在的网络和滞后同伴信号被用来处理标准的反射问题和内生群体问题。主要发现：跨镇行为溢出显著，且几乎完全局限在移动性定义的社区内，不跨社区传播；溢出包含超越病例信息的行为内容（当同时纳入网络病例暴露和网络行为暴露时，行为渠道显著而病例渠道失效）；溢出需要同时满足常规连接和人口统计相似性，排除纯共享条件混淆，指向观察性和规范性渠道而非纯信息渠道。这些结论将风险感知重新定义为网络化现象，并指出移动性社区而非行政单位是行为响应的操作尺度。对您的意义：这是一篇应用经济学因果推断论文，展示了如何利用外生网络结构解决空间溢出中的识别问题，与您的causal inference（尤其是网络识别与instrumental variable思路）和economic theory应用兴趣直接相关，可作为经济学的gateway reading，值得浏览其识别策略和数据构造。
关键技术: two-way fixed effects, pre-shock network, lagged peer signal, reflection problem identification, spatial spillover decomposition
为什么对您有用: 本文是应用经济学中标准但扎实的因果推断案例，使用预先存在的移动网络和滞后同伴信号克服反射问题，与您的causal inference（identification theory）和economic theory（应用）兴趣高度匹配。您不需要额外学习即可理解其识别逻辑（武器库中的identification theory足够），可作为经济学领域的gateway reading，了解行为溢出实证分析的数据结构和识别策略，值得花时间读全文以获取网络化因果推断的应用直觉。

其他 (other, 10 篇)¶

1. 2606.22712 — Unbiased estimation of normalized scale-invariant indices under the gamma distribution¶

作者: Roberto Vila, Helton Saulo, Felipe Quintino
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文针对伽马分布总体，引入了一类由齐次函数生成的标准化尺度不变指数（NPRI），涵盖基尼系数、广义基尼指数及熵度量等常见指标。利用总和的伽马分布性质与其对应的Dirichlet比例之间的独立性，推导出基于U统计量的简单无偏估计量。该估计量在伽马分布下对任意NPRI均保持无偏性，并给出了多个具体指数的显式估计式。蒙特卡洛模拟表明估计量在小样本下的偏差和方差表现良好，且扩展到广义伽马分布仍具有实用性。作者在美洲人均GDP数据集上展示了NPRI估计的实际建模效果。本文是U统计量在尺度不变指数无偏估计上的直接应用，其方法可推广至其他分布族的类似指数估计问题。
关键技术: U-statistic, homogeneous function, Dirichlet proportions, gamma distribution, normalized scale-invariant indices, Gini coefficient
为什么对您有用: 本文直接连接您'高阶U统计量'兴趣方向，展示了U统计量在基尼系数等尺度不变指数无偏估计中的系统应用。您武器库中'非常熟悉'的'高阶U统计量计算（树宽/张量收缩/einsum）'可立即用于分析本文U统计量的计算复杂度，并借助einsum库高效实现大规模模拟或扩展。同时，本文涉及的基尼系数和人均GDP数据属于econ_theory应用，可作入门参考。随访粗判：立即可做——您已具备所需的U统计量理论与计算工具。

2. 2606.22687 — What is your Prior Worth? Effective Sample Size and Sample Size Planning for Gaussian Graphical Models¶

作者: Giuseppe Arena, Lourens Waldorp, Maarten Marsman
分类: stat.ME
相关性 6/10 · novelty: new_method
摘要: 本文聚焦于贝叶斯高斯图模型(GGM)中先验分布的有效样本量(ESS)计算与样本量规划问题。Wishart和G-Wishart先验下精度矩阵元素存在依赖，传统ESS指标无法直接适用。作者形式化了GGM下的预数据ESS，提出五种ESS估计量，并通过行列式比（全局）和Cholesky分解（参数级）两种聚合方案计算。进一步构建了数据-先验信息比(DPIR)以确定数据主导先验所需样本量，以及扩展贝叶斯因子设计分析(BFDA)用于边缘存在性结论所需的样本量。模拟显示不同ESS估计量对网络结构和几何的敏感性有系统差异。本文为应用研究者提供了先验信息量化与样本量设计的可操作框架，对您在高维协方差建模中先验选择的诊断可能有所启发。
关键技术: effective sample size (ESS), Wishart prior, G-Wishart prior, Bayes factor design analysis, Cholesky decomposition for parameterwise ESS
为什么对您有用: 本文属于贝叶斯图模型的先验量化方法，与您的主要兴趣（高维统计、统计计算）有一定交叉：其中Cholesky分解的参数级ESS可用于诊断高维精度矩阵先验的局部信息强度。但核心工具不在您的武器库内（贝叶斯因子、MCMC后验评估），且无直接因果/半参联系，暂不建议深读；若未来需要为GGM设定推荐先验，可作为中期参考。

3. 2606.21551 — Reformulation Invariance and the Axiomatic Foundations of Inference¶

作者: Rapha\"el Tr\'esor, Thijs van de Laar, Bert de Vries
分类: math.ST · cs.IT · math.CT · math.IT · math.PR · stat.TH
相关性 6/10 · novelty: new_theory
摘要: 本文旨在回答一个基本问题：为什么在推断中经常使用Kullback-Leibler散度（KL散度）而不是其他散度？作者从“重新表述不变性”这一单一公理出发：当同一问题以等价形式（如重命名变量）呈现时，推断方法应返回相同答案。在此要求下，推断被形式化为在正测度构成的预序中选取最小元，而散度仅是再现该预序的一种数值尺度。通过范畴论中的协变函子与Cencov统计模型，作者在有限空间上证明：不变性本身强制推断对应某一经典散度的最小化；若进一步要求对更多类重新表述不变，则散度先被限制为α-散度族，最终唯一确定为KL散度。该结果统一了最大熵、贝叶斯更新和指数族估计等常见推断原则，并借助初等闭包从有限空间推广到一般可测空间。对您而言，本文虽与因果推断、高维统计等直接方向关联不强，但其散度选择的公理化论证为理解估计中的误差准则（如交叉熵）提供了深层视角。
关键技术: reformulation invariance, f-divergence, alpha-divergence, Kullback-Leibler divergence, category theory, Cencov's statistical model
为什么对您有用: 本文属于推断的公理化基础，与您的主要兴趣（如因果推断中的identification、高维假设检验）的直接关联较弱。您的武器库中的“nonparametric statistics”虽涉及KL散度，但本文的核心论证依赖范畴论和统计流形，不在您的技术栈内（缺范畴论熟练度）。因此，本文暂不可做——核心推理机器（协变函子、预序范畴）不在您当前武器库中。建议仅作为背景阅读，不构成近期可推进的研究方向。

4. 2606.22628 — Robust Expectation-Maximization for Covariance Estimation in SIRV Models with Missing Data: Application to InSAR Time Series¶

作者: M. Cherifi, M. N. El Korso, A. Hippert-Ferrer, Y. Yan
分类: stat.ME · eess.SP
相关性 5/10 · novelty: application
摘要: 本文针对 SIRV 模型在缺失数据下的协方差估计问题，提出一种稳健的期望最大化（EM）框架。通过为尺度变量引入逆伽马先验，观测模型转化为复多元 Student-t 分布，使得 E 步和 M 步均可获得闭式更新。算法层面集成了数值稳健技术，包括对常见缺失模式的运算复用、正则化矩阵求逆，以及强制厄米特正半定结构。实验基于合成数据与 Sentinel-1 干涉图，表明该方法在 MCAR 和 MNAR 两种缺失机制下均能有效重构缺失值并实现去噪。本文属于信号处理与遥感领域的应用导向工作，其 EM 算法框架和数值技巧对统计计算中的稳健实现有一定参考价值。
关键技术: Expectation-Maximization (EM), Scale-Invariant Random Vector (SIRV) models, Multivariate Student-t distribution, Regularized matrix inversion, Missing data (MCAR/MNAR), InSAR interferometry
为什么对您有用: 本文的稳健 EM 算法和正则化技巧可链接到统计计算兴趣中的数值方法与算法稳健性，属于技术人员可直接借鉴的实现思路。技术库中“逆问题与随机噪声”和“软件开发”两项可以直接用于评估其矩阵求逆策略的数值稳定性。但核心应用领域（遥感 InSAR）不在研究者当前兴趣或武器库内，属于暂不可做的方向，仅建议作为统计计算实现技巧的参考读物。

5. 2606.21714 — A Tutorial on Bregman Projection in Statistics¶

作者: Gunhee Cho, Jae Kwang Kim, Yumou Qiu
分类: math.ST · stat.TH
相关性 5/10 · novelty: survey
摘要: 本文是一篇系统教程，介绍Bregman投影这一几何操作在统计学中的统一作用。第一部分从纯凸几何出发，定义了严格凸生成函数G及其共轭F，建立对偶坐标系统、投影定理（存在唯一性）和勾股定理；勾股定理进一步导出信息（e-）投影（用于矩约束族）和矩（m-）投影（用于指数族），二者由G↔F共轭交换。第二部分展示经典统计方法如何统一为Bregman投影实例：广义线性模型（规范链接下评分方程即Pythagorean正交性）、最大熵、调查校准、过度识别矩模型、EM算法、变分推断、自编码器及期望传播；对于非平坦曲率族，则通过控制近似或邻近散度类比推广。该教程自包含，仅需对统一前的各方法有基本了解。对您而言，这篇教程提供了统计方法的几何统一视角，有助于加深对EM、变分推断等算法的理解，且与您熟悉的非参数估计和极小极大理论中的投影思想一脉相承，可作为理解多种计算算法深层联系的入门读物。
关键技术: Bregman divergence, dual coordinate systems, e-projection and m-projection, Pythagorean theorem for divergences, generalized linear models, variational inference
为什么对您有用: 本文直接衔接您对统计计算（尤其是算法统一视角）的兴趣，Bregman投影是EM、变分推断等数值方法的核心几何基础。您可以用非常熟悉的非参数统计和极小极大界工具来考察该框架下投影估计的收敛性质（例如e-投影在非参数密度估计中的效率）。这是立即可做的入门读物，论文自包含且数学严谨，无需额外准备即可开始阅读。

6. 2606.21038 — De-meaning Simulation Studies¶

作者: Thomas Lumley, Brian Williamson, Pamela Shaw
分类: stat.ME
相关性 4/10 · novelty: minor
摘要: 在模拟研究中评估渐近近似时，常用均值和标准差来总结重复模拟结果。本文从理论和实践两个角度论证这种方法可能不恰当：理论上，分布收敛并不保证矩收敛或矩存在，样本矩不能可靠反映分布逼近精度；实践中，近似正态分布可能含有异常值，导致均值和方差缺乏稳健性。文章建议改用中位数、中位绝对偏差和经验置信区间覆盖率作为通用摘要统计量。这些分位数基于的统计量对异常值更稳健，且直接对应分布尾部特征。在评估假设检验或置信区间方法时，这一建议尤其有价值，因为研究者更关心覆盖概率而非均值。文章还指出，应将矩保留给对矩本身有实质兴趣的模拟场景。
关键技术: quantile-based summaries, median absolute deviation, empirical coverage, convergence in distribution, moment existence
为什么对您有用: 本文直接关联到数学统计领域中渐近近似评估的实践规范，您在日常模拟研究中经常需要判断方法的有限样本表现。利用您对 minimax bounds 和分布收敛理论的熟悉，可以立刻理解其论点并迁移应用到自己的模拟实验中。这是即时可采纳的实践改进，无需额外工具。

7. 2606.23009 — Hierarchical Bayes meets hierarchical forecasting: A flexible framework for level-focused forecasts¶

作者: Arwen Nugteren, Mahdi Abolghasemi, Kerrie Mengersen, Christopher Drovandi
分类: stat.ME
相关性 4/10 · novelty: new_method
摘要: 本文针对分层预测系统中的概率预测问题，提出了一种全贝叶斯分层预测框架，在参数估计阶段直接纳入层次结构信息，避免了传统事后协调方法的弊端。该方法通过软惩罚机制灵活处理不一致性，并允许将预测目标聚焦于决策相关层次，从而得到更符合决策目标的参数估计。在模拟数据和澳大利亚国内旅游预测中，该方法提升了预测准确性。对您而言，该论文虽不直接涉及因果推断或高维统计等核心兴趣方向，但其贝叶斯分层建模框架在统计计算和预测方法上具有一定参考价值，可视为应用统计学的一个案例。
关键技术: Bayesian hierarchical modeling, forecast reconciliation, soft incoherence penalty, level-focusing, probabilistic forecasting
为什么对您有用: 本文主要关分层预测方法，与您的核心兴趣（因果推断、高维统计、非参半参等）关联较弱。但贝叶斯框架在统计计算中与数值方法有一定交叉，且旅游预测可视为经济应用的一个例子，整体相关性较低。

8. 2606.22105 — A Generative Model for Extremely Sparse Edge-Exchangeable Networks¶

作者: Valentin Kilian
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_method
摘要: 该论文提出了一种用于极度稀疏边缘可交换网络的图生成模型。现有稀疏图模型往往需要在可交换性与捕捉真实网络稀疏性之间权衡，而边缘可交换或顶点可交换框架虽能生成稀疏图，但难以达到“极度稀疏” regime（边数随节点数近线性增长）。最近在Caron-Fox顶点可交换框架中，通过引入新的完全随机测度（CRM）已实现这一 rate。本文将该 CRM 扩展到边缘可交换框架，从而在另一种可交换性假设下也能生成极度稀疏网络。模型基于点过程构建，具有良好的理论性质。该方法对网络数据建模有贡献，但当前与您的主要研究方向（因果推断、高维U统计、半参理论等）关联较弱。
关键技术: edge-exchangeable network, completely random measure (CRM), graph generative model, sparse graph regime
为什么对您有用: 该论文聚焦于图模型的稀疏性与可交换性，这一方向与您的主要兴趣（因果推断、高维统计等）关系不紧密。您的武器库中非参数统计、高维渐近等工具与该论文的问题设定有距离，直接迁移的可能性低。目前暂不可做——核心机器（图生成模型、点过程建模）不在您的武器库中，且没有明显连接U统计或计算复杂性的切入点。如果您有意拓展网络统计方向，可作为背景阅读，但优先级不高。

9. 2606.22105 — A Generative Model for Extremely Sparse Edge-Exchangeable Networks¶

作者: Valentin Kilian
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_method
摘要: 本文提出一种用于极稀疏边可交换网络的图生成模型。在稀疏图模型中，可交换性和稀疏性常存在权衡，现有基于顶点或边可交换的模型难以实现边数随节点数近线性增长的“极端稀疏” regime。最近在Caron和Fox的顶点可交换框架中引入了新型完全随机测度（CRM）并证明可达该速率。本文将这一CRM推广到边可交换框架，从而在保持边可交换性的同时实现极端稀疏性。模型通过CRM构造随机测度进而生成边序列，严格证明了其边可交换性和稀疏速率。模拟验证了模型对真实网络稀疏模式的拟合能力。该方法丰富了可交换图模型的理论工具箱，但对您的主要研究方向（因果推断、高维统计等）关联较弱，仅在高维稀疏性概念上有间接启发。
关键技术: Completely Random Measure, edge-exchangeability, vertex-exchangeability, extreme sparsity, graph generative model
为什么对您有用: 本文主题为网络图模型，不属于您的primary/secondary interests列表。唯一可能的连接是hight-dimensional statistics中的稀疏性，但模型工具（CRM）与您的武器库中的高维渐近或U统计量无直接交集，暂时没有可迁移的问题口。作为纯方法论文，不满足gateway-reading条件，无需细读。

10. 2606.22730 — Optimal Estimating Equations for Compact-Memory Hawkes Processes¶

作者: Louis Davis, Conor Kresin
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_theory
摘要: 该文研究具有紧记忆的多元Hawkes过程（允许非线性正链接和有符号核）的参数估计问题。传统似然推断计算成本高，而最小二乘、Takács-Fiksel等矩估计方法虽计算便捷但缺乏统一理论。作者证明这些方法均可归入基于补偿子的估计方程类，其中似然得分是效率基准成员。在正则性、可识别性和秩条件下，任意有限函数库的估计量达到均匀高概率和逐点几乎必然的O(√(log T/T))收敛率，渐近正态，协方差由Godambe公式给出。投影恒等式精确量化每个库的效率损失为得分中位于其可料张成空间外的信息量，两点界表明根T尺度不可一致改进。指数遗忘性质使理论可借Bernstein型浓度扩展到非平稳初始段。该结果与作者在效率理论与M估计方面的兴趣直接相关，且武器库中的M-estimation theory可用于验证其正则条件和效率界，但需先熟悉点过程强度估计工具，属中期可做方向。
关键技术: Estimating equations, Godambe covariance, Compensator-based methods, Hawkes process, Efficiency loss projection, Bernstein-type concentration
为什么对您有用: 该文将多个流行的点过程估计量统一为基于补偿子的估计方程类，并精确量化效率损失，与您对效率理论（半参数效率界）和M-估计的兴趣高度吻合。武器库中的M-estimation theory（中等熟悉）可用来检验该框架的正则条件是否可推广至更一般的计数过程模型，但当前您对点过程强度估计的掌握尚不深入，需先补足这方面的工具，因此属于中期可做。

🗂 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. 2606.21531 — Refining Effect-Size Measures and Classification for Differential Item Functioning: Toward Unified Guidelines Across Methods¶

作者: Michaela Cichrov\'a, Ad\'ela Hladk\'a, Patr\'icia Martinkov\'a
分类: stat.ME
相关性 3/10
评分理由: Psychometric DIF analysis; unrelated to primary research interests.

2. 2606.22148 — Ordering Stochastic Block Models via prior transitivity¶

作者: Lapo Santi, Nial Friel, Pierpaolo De Blasi
分类: stat.ME · stat.CO
相关性 3/10
评分理由: Network community detection; outside primary interests and technical arsenal.

3. 2606.22951 — The kurtosis of normal variance-mean mixtures¶

作者: Farrukh Javed
分类: stat.ME · stat.AP
相关性 3/10
评分理由: Specific distribution theory result, tangential to primary interests.

4. 2606.23116 — Direct and Indirect Discrimination in Generalized Linear Models¶

作者: Bertille Tierny, Arthur Charpentier, Fran\c{c}ois Hu
分类: stat.ME
相关性 3/10
评分理由: Fairness in GLMs, not in researcher's interests.

5. 2606.23326 — Online forecast reconciliation using linear models¶

作者: Tobias R{\o}nlev-Knudsen, Henrik Madsen, Jan Kloppenborg M{\o}ller
分类: stat.ME · stat.AP
相关性 3/10
评分理由: Online forecast reconciliation with linear models; not closely related to primary interests.

6. 2606.21243 — High multiplex and precision: the design and development of FLEX, a grid-based fiber positioner with large patrol radius and minimized telecentric error¶

作者: Aaron Omadutt, Roelof S. de Jong, Will Saunders, Joseph W. Barrow, Suryansh Saxena, Jon Lawrence, Thomas Liebner, Frank Dionies
分类: astro-ph.IM
相关性 3/10
评分理由: Pure instrumentation hardware paper; lacks data-analysis or modeling question for a statistician.

7. 2606.22267 — Reassessment of ammonia self- and air-broadened half-widths in the HITRAN database¶

作者: Ali Elkhazraji
分类: astro-ph.IM · astro-ph.EP · physics.optics
相关性 3/10
评分理由: Pure spectroscopic parameter calibration without clear statistical methodology or data-analysis questions for a statistician.

作者: Mohamadou Salifou (LISST)
机构: Laboratoire Interdisciplinaire Solidarités Sociétés Territoires
分类: math.ST · stat.TH
相关性 2/10
评分理由: Applied bike-sharing analysis is unrelated to any primary or secondary interest.

作者: Mohamadou Salifou (LISST)
机构: Laboratoire Interdisciplinaire Solidarités Sociétés Territoires
分类: math.ST · stat.TH
相关性 2/10
评分理由: Applied bike-sharing analysis is unrelated to any primary or secondary interest.

10. 2606.21543 — Development of TIFUUN: Terahertz Integral Field Units with Universal Nanotechnology¶

作者: Akira Endo, Tom J. L. C. Bakx, Jochem J. A. Baselmans, Dries Boleij, Stefanie A. Brackenhoff, Bernhard R. Brandl, Martino Calvo, Shahab O. Dabironezare, Hans van der Does, Rei Enokiya, Sho Fujisawa, Shinji Fujita, Enrico Garaldi, Wouter Gregoor, Masato Hagimoto, Davit Hakobyan, Angelina Harke-Hosemann, Robert Huiting, Shiro Ikeda, Reinier M. J. Janssen, Kenichi Karatsu, Nick de Keijzer, Kotaro Kohno, Takumi Kojima, Alkistis Kyriakidou, Louis H. Marting, Tomotake Matsumura, Cory Meijneke, Tetsuhiro Minamidani, Arend Moerman, Alessandro Monfardini, Kana Moriwaki, Kanako Narita, Yuri Nishimura, Erika Ogata, Leon G. G. Olde Scholtenhuis, Tristan Oude Essink, Jim R. Piek, Matus Rybak, Kana Sakaguri, Seiichi Sakamoto, Aurora Simionescu, Nikita A. Soshnin, Tatsuya Takekoshi, Yoichi Tamura, Akio Taniguchi, David J. Thoen, Sten Vollebregt, Lingyu Wang, Paul P. van der Werf, Stephen J. C. Yates, Naoki Yoshida, Silvia Zhang
分类: astro-ph.IM
相关性 2/10
评分理由: Pure instrumentation hardware paper; no statistical methodology or data-analysis problem exposed.

11. 2606.20822 — WST -- Wide-field Spectroscopic Telescope: The Next Leap in Wide-field Spectroscopy¶

作者: Roland Bacon, Olga Bellido, Philippe Dierickx, Paolo Franzetti, Roelof S. de Jong, David Lee, Vincenzo Mainieri, Sofia Randich, Richard I. Anderson, Henri Boffin, Julia Bryant, Richard Ellis, Gaston Gausachs, Alexandre Jeanneau, Laura Magrini, Arlette P\'econtal, Anna Puglisi, Rodolfo Smiljanic, Stefano Zibetti, Bodo Ziegler, Matthew Colless, Matt Lehnert, Pietro Schipani, Laurence Tresse, Dimitri Buffat, Letizia P. Cassar`a, Younes Chadid, Corentin Cudennec, Bianca De Caro, Laurane Fr\'eour, Marco Fumana, Adriana Gargiulo, Matteo Munari, Aaron Omadutt, Peder Norberg, Marco Palla, Marco Scodeggio, Elmo Tempel, Nicholas A. Walton
分类: astro-ph.IM
相关性 1/10
评分理由: Telescope description paper with no statistical content or data analysis exposition.

Maintained by 陈星宇 · Homepage · Source on GitHub