跳转至

2026-07-03 每日 arXiv 资讯

  • 高相关论文 1 篇 · 中相关 14 篇 · 其他 13 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 1 篇)

1. 2607.00980 — An Instrumental Variable Approach to Account for Informative Treatment Switching in Real-world Evidence

  • 作者: Yang Liu, Andrew Ying, Zongqi Xia, Jue Hou
  • 分类: stat.ME
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对真实世界证据中因信息性治疗转换导致的混杂偏倚，提出了一种工具变量方法。研究设定在结构累积生存模型下，将基线治疗作为有效工具变量，通过中心化工具变量与鞅型残差过程的关联构建估计方程，识别治疗效应。该方法具有双稳健性，即基线倾向模型或无转换结局模型之一正确设定时估计一致。在加性风险模型下，通过治疗效应参数与生存结局回归模型的协同训练，消除了对观测无转换子集的需求。进一步开发了基线生存校正的交叉拟合方法，以纳入通用机器学习模型估计 nuisance 函数。数值实验表明，在基准方法产生偏倚或矛盾结果的多种设定下，该方法有效。该方法为因果推断中处理纵向治疗转换问题提供了新工具，尤其适用于流行病学队列研究中的药物效果比较。
  • 关键技术: instrumental variable, structural cumulative survival model, doubly robust estimation, martingale residual process, cross-fitting, additive hazards model
  • 为什么对您有用: 直接连接 primary interest 中的因果推断（IV 方法）和纵向数据（treatment switching）。技术武器库中 'estimation theory in causal inference' 和 'identification theory in causal inference' 可立即用于理解其双稳健性和识别条件；'semiparametric theory' 可分析其效率。中期可做：将 HOIF 框架应用于此类生存模型，提升高阶偏差校正。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 2 篇)

1. 2607.00350 — Robust Estimation and Inference with Selective Borrowing in Hybrid Controlled Trials: A Tutorial with SelectiveIntegrative and intFRT

  • 作者: Ke Zhu, Hairong Huang, Shu Yang, Xiaofei Wang
  • 分类: stat.ME
  • 相关性 7/10 · novelty: application
  • 摘要: 本文针对混合对照试验（HCT）中利用外部对照（EC）提升统计效率的问题，提供了一个实用教程。核心设定是：RCT样本有限时，通过选择性借用EC数据来估计平均处理效应（ATE），但需处理协变量偏移和结局漂移带来的偏倚。方法上，教程系统梳理了从目标 estimand 定义、识别假设（如无未测量混杂、EC可比性）、资格对齐、匹配策略到完全/选择性借用策略的完整工作流，并给出了渐近推断和随机化检验两种推断框架。技术实现上，作者提供了 R 包 SelectiveIntegrative 和 intFRT 的逐步操作指南，并用模拟 CALGB 9633 试验的合成肺癌数据集演示了全流程。主要贡献在于为应用统计学家提供了一个透明、可复现的 HCT 分析模板，特别强调了选择性借用（而非全借用）在控制偏倚与提升效率之间的权衡。对您而言，本文是流行病学/临床试验中因果推断方法落地的优秀入门读物，其选择性借用的识别假设和推断策略可直接与您熟悉的因果推断估计理论（如 IPW、DR 估计）对接，且 intFRT 包中的随机化检验思路可能为您的假设检验兴趣提供新视角。
  • 关键技术: selective borrowing, external control adjustment, randomization test, covariate shift correction, outcome drift modeling, hybrid controlled trial workflow
  • 为什么对您有用: 本文直接连接您的 primary interest 中的因果推断（临床试验中的 ATE 估计与选择性借用）和流行病学 secondary interest（应用数据集与因果方法）。您的武器库中 'estimation theory in causal inference'（very_familiar）可直接用于分析其选择性借用策略的识别条件与效率增益，而 'identification theory in causal inference'（moderately_familiar）可帮助您评估其假设的合理性。中期可做：若想深入其随机化检验的有限样本性质，需先在 'semiparametric theory'（moderately_familiar）上长肌肉以理解其渐近框架。

2. 2607.00312 — Post-selection inference for network structure

  • 作者: Eric Auerbach, Jonathan Auerbach, Sidonia McKenzie
  • 分类: econ.EM · stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究网络结构分析中，基于数据选择子群（如社区、集团）后，对组间连接密度进行推断时产生的选择性偏差问题。目标是对任意两个非退化相对大小的子群之间的连接密度构建后选择置信区间。作者提出了两种置信区间：第一种基于 Berk et al. (2013) 的经典后选择推断策略；第二种基于 Talagrand 型经验过程集中不等式。核心理论贡献在于证明第二种区间在渐近意义下达到最优宽度（至多常数因子），而第一种则不能。两种方法均计算简单、可扩展至大规模网络。实证部分展示了三个网络例子（社交网络的同质性、贸易网络的枢纽-辐条结构、工人流动网络的市场分割），说明是否校正选择效应会改变实质性结论。对您而言，本文的后选择推断框架与您在高维统计和因果推断中处理数据驱动选择问题的兴趣直接相关，其 Talagrand 不等式技术也可迁移至您熟悉的经验过程工具。
  • 关键技术: post-selection inference, Talagrand-type concentration inequality, empirical process, simultaneous coverage, network density estimation
  • 为什么对您有用: 本文连接您在高维统计和因果推断中对数据驱动选择（如变量选择、子群选择）后推断的兴趣。您的武器库中'非参数统计'和'高维渐近理论'可直接用于理解其 Talagrand 不等式的证明框架，而'经验过程'工具（moderately_familiar）可用于评估其最优性论证是否紧。中期可做：将类似的后选择校正思路迁移至因果推断中的子群分析（如 heterogeneous treatment effect 的 subgroup discovery），需先在 moderately_familiar 的'识别理论'上巩固。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2607.00645 — Approximate full-conformal multi-task regression with reproducing kernels

  • 作者: Davidson Lova Razafindrakoto (SAMM), Alain Celisse (SAMM), J\'er\^ome Lacaille
  • 分类: math.ST · stat.ML · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究多任务回归中的全共形预测区域构造问题。设定为向量值函数RKHS框架，目标是构建包含未知输出向量的预测区域，并保证任意置信水平。核心挑战在于全共形预测需要训练无穷多个预测器，计算不可行。作者提出一种近似构造方法，在已知任务间协方差矩阵时，该近似区域包含真实全共形区域，并给出了体积上界的理论保证；在协方差矩阵需估计时，也提供了经验验证。数值实验表明，该方法在合成数据上优于分裂共形预测。对您而言，共形预测是假设检验与不确定性量化的前沿工具，本文的近似构造思路可迁移至您熟悉的非参数统计与高维设定。
  • 关键技术: full-conformal prediction, multi-task regression, reproducing kernel Hilbert space, vector-valued functions, split-conformal prediction
  • 为什么对您有用: 本文属于假设检验与不确定性量化方向，直接连接您的primary interest中的hypothesis testing。技术层面，共形预测的近似构造可与您very_familiar的非参数统计与高维渐近工具结合，例如用minimax bound验证其体积上界是否紧。中期可做：需先在moderately_familiar的M-estimation理论上长肌肉，以处理协方差估计带来的额外不确定性。

统计计算 / 算法 (stat_computing, 2 篇)

1. 2607.00214 — A Short Review of Estimators for the GLM predictive of Laplace Bayesian Neural Networks

  • 作者: Romie Banerjee
  • 分类: math.ST · stat.TH
  • 相关性 4/10 · novelty: survey
  • 摘要: 本文是一篇关于Laplace近似贝叶斯神经网络预测分布估计方法的短综述，聚焦于广义线性模型（GLM）框架下的估计策略。综述涵盖了从需要完整Jacobian计算的精确GLM方法到通过蒙特卡洛近似在计算成本与统计效率之间权衡的各类方法。文章介绍了Laplace近似的理论基础、Kronecker因子近似曲率（KFAC）方法用于可扩展后验推断，以及文献中发展的多种预测估计技术。作者提供了一个统一的表述，阐明了各方法之间的关系，并突出了它们各自的计算与统计权衡。本文属于综述性质，未提出新方法或理论结果，但系统梳理了该领域的主要技术路线。对于您而言，本文可作为了解贝叶斯神经网络中计算-统计权衡的入门读物，与您对统计计算和算法效率的兴趣直接相关。
  • 关键技术: Laplace approximation, Kronecker-factored approximate curvature (KFAC), Monte Carlo approximation, Generalized Linear Model (GLM) predictive
  • 为什么对您有用: 本文属于gateway-reading范畴，适合您作为统计计算领域的入门读物。文章清晰阐述了Laplace近似和KFAC等核心技术的计算-统计权衡，武器库中的'软件开发和数值方法'知识足以支撑理解全文。值得花时间阅读以了解贝叶斯神经网络预测估计的现状，但方法学新颖性有限。

2. 2607.00214 — A Short Review of Estimators for the GLM predictive of Laplace Bayesian Neural Networks

  • 作者: Romie Banerjee
  • 分类: math.ST · stat.TH
  • 相关性 4/10 · novelty: survey
  • 摘要: 本文是一篇关于Laplace近似贝叶斯神经网络预测分布估计方法的短综述，聚焦于广义线性模型（GLM）表述。综述覆盖了从需要完整Jacobian计算的精确GLM方法到通过蒙特卡洛近似在计算成本与统计效率之间权衡的策略。文章介绍了Laplace近似的理论基础、用于可扩展后验推断的Kronecker因子近似曲率（KFAC）方法，以及文献中发展的多种预测估计技术。作者提供了一个统一的框架来阐明各方法之间的关系，并突出其各自的计算与统计权衡。对于您而言，本文可作为统计计算中计算-统计权衡（computational-statistical tradeoff）的入门读物，尤其适合了解贝叶斯神经网络中近似推断方法的全景。
  • 关键技术: Laplace approximation, Kronecker-factored approximate curvature (KFAC), Monte Carlo approximation, Generalized Linear Model (GLM) predictive
  • 为什么对您有用: 本文属于统计计算（stat_computing）方向的gateway reading，直接对应您对'statistical-computational tradeoff'的兴趣。作为一篇综述，它清晰阐述了不同估计方法在计算成本与统计效率之间的权衡，适合作为该领域的入门读物。您的武器库中'软件开发和计算'能力足以支撑理解本文的方法论框架，但若要深入KFAC等具体算法细节，可能需要补充一些贝叶斯深度学习的基础知识。总体而言，本文值得花时间阅读全文以建立该领域的全景认知。

天体统计 (astrostats, 3 篇)

1. 2607.00348 — GTLS: A GPU-accelerated method for periodic transit detection

  • 作者: Quanquan Hu, Jian Ge, Luoxi Jin, Kevin Willis
  • 分类: astro-ph.IM · astro-ph.EP
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出 GTLS，一种基于 GPU 加速的 Transit Least Squares (TLS) 算法，用于从大规模测光巡天数据中高效检测周期性凌星信号。GTLS 将 TLS 搜索中的相位折叠、凌星时长评估、滑动窗口深度估计和卡方计算等主要步骤并行化到 GPU 上。在 Kepler 长曝光模拟光变曲线上的基准测试显示，单张 RTX 4090 GPU 上处理 3000 天数据约需 138 秒，而 CPU 版 TLS 需 3289 秒；双 GPU 可进一步降至 79 秒。在恢复实验中，GTLS 的检测性能（精度 9.3%，召回率 79.4%）与 TLS（9.4%，81.1%）统计一致。该工作主要贡献是工程优化，而非新统计方法。对您而言，这是一篇很好的 astrostatistics 入门读物，清晰展示了天文凌星检测的数据结构（不规则时间序列、周期折叠、信号形状模板）和计算瓶颈，适合了解该领域的基本问题设定。
  • 关键技术: GPU parallelization, Transit Least Squares (TLS), phase folding, box-least-squares (BLS), matched filtering
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了凌星检测的数据结构（不规则时间序列、周期折叠、模板匹配）和计算瓶颈，不预设天文术语，适合作为入门读物。您的武器库中 'software development' 和 'high-dimensional asymptotics' 足以理解其工程优化逻辑，但核心机器（GPU 并行化、周期搜索算法）不在您的技术栈中，因此暂不可做——不过本文值得花时间读全文以建立对天文统计问题的直觉。

2. 2607.01032 — Point spread function wavefront recovery from in-focus stellar observations

  • 作者: Ezequiel Centofanti, Samuel Farrens, Jean-Luc Starck, Tobias Liaudat
  • 分类: astro-ph.IM
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对望远镜点扩散函数（PSF）建模中的波前误差（WFE）恢复问题，提出一种改进的半参数PSF模型WaveDiff。该模型将参数化与可学习特征结合，通过可微前向光学模型在波前空间表示PSF，并利用PSF在视场中的空间变化从焦内观测进行相位恢复。原始WaveDiff在像素空间恢复PSF效果出色，但WFE恢复相对误差约30%。本文通过波前特征投影桥接参数与非参数组件，并增加优化循环次数，将WFE恢复误差降至约3%（十倍的提升），同时进一步降低像素空间误差。这是首个在单一框架内结合宽视场WFE恢复、仅焦内多色观测和非参数波前特征的方法。代码已公开。对您而言，这是一篇优秀的入门级天文统计文献，清晰展示了逆问题建模、半参数方法与可微光学模型的结合，适合作为进入天文统计方向的起点。
  • 关键技术: semi-parametric PSF model, wavefront error recovery, differentiable forward optical model, phase retrieval, wavefront feature projection, in-focus polychromatic observations
  • 为什么对您有用: 本文属于astrostats方向的gateway reading，适合作为统计学家进入天文统计的入门材料。文章清晰阐述了数据侧（噪声、欠采样、焦内观测）和模型侧（半参数波前表示、可微光学模型），问题本身（逆问题中的WFE恢复）具有统计方法改进空间。您的武器库中'非参数统计'和'逆问题'可直接用于理解其半参数建模策略，但核心光学模型和PSF物理细节需要额外学习，因此属于'暂不可做'——缺少天文光学系统的领域知识。值得花时间读全文以了解天文统计的问题结构和数据特点。

3. 2607.00546 — Open Science in Astrophysics: Citation Benefits of Open Code, Open Data, and Open Access

  • 作者: Parth Joshi, Rupert Croft
  • 分类: astro-ph.IM · physics.soc-ph
  • 相关性 4/10 · novelty: application
  • 摘要: 本文基于NASA天体物理数据系统（ADS）中2021年1月至2025年4月间发表的53,194篇经同行评议的天体物理学论文，量化分析了开放数据、开放代码和开放获取文本三种开放科学实践与论文引用量之间的关系。研究通过多元最小二乘回归模型，并辅以偏相关和非参数检验，在控制资助数量、代码规模、编程语言、数据仓库大小、作者数、论文长度和发表日期等协变量后，分别估计每种开放形式的引用优势。结果显示，开放数据带来+32%（p<10^-24）、开放获取+26%（p<10^-67）、开放代码+16%（p=0.003）的显著引用优势。该优势在太阳系、行星、恒星、星际介质、高能和星系+宇宙学六个子领域均存在，尤其在星系+宇宙学和星际介质领域最为突出，这些领域有更强的共享模拟输出和观测数据产品的文化。本文为开放科学实践提供了基于大规模数据的实证证据，对您作为统计学家进入天体统计学领域是一篇优秀的入门读物，清晰展示了天文领域的数据结构（引用、元数据）和建模问题（多变量回归、非参数检验），且不假设读者具备天文学背景。
  • 关键技术: multivariate least-squares regression, partial correlations, non-parametric tests, citation analysis, open science metrics
  • 为什么对您有用: 本文属于astrostats方向的gateway reading。它不要求天文学背景，清晰阐述了数据来源（ADS）、变量定义（开放代码/数据/文本的二元指标）和统计方法（回归+偏相关+非参数检验），适合作为进入天体统计学的入门读物。您的武器库中的非参数统计和软件工具足以理解并复现其分析流程，但本文本身是应用实证研究而非方法论创新，因此暂不可做直接的方法学跟进，但值得花时间阅读全文以了解天文领域的数据文化和常见分析模式。

其他 (other, 6 篇)

1. 2607.00376 — Distributed Prediction under Heterogeneity with Unidentifiable Parameter

  • 作者: Erbo Li, Zhaojun Hu, Ting Wei, Yifan Sun, Liping Zhu
  • 分类: stat.ME · math.OC · math.ST · stat.TH
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究协变量降维中结构参数不可识别时的分布式预测问题。在分布式设定下，数据异质性和通信成本进一步加剧了非凸优化的困难。作者提出一种新的分布式半参数框架，利用迹相似性惩罚进行自适应同质性追踪以处理异质性。为解决严重的非凸性和通信瓶颈，引入invex松弛技术结合多步局部更新算法，确保稳定收敛到全局最优并显著降低通信开销。理论上，建立了非渐近无模型预测误差界，证明估计量达到两阶段极小极大最优收敛率和更尖锐的无模型预测误差界。模拟和真实多中心医疗数据验证了方法的优越性。该工作对您可能有用：它涉及高维统计和分布式优化，但核心问题（不可识别参数下的预测）与您的主要兴趣方向（如高维统计、半参数理论）关联较弱，且未涉及因果推断或U统计量等您更熟悉的领域。
  • 关键技术: trace-similarity penalty, invex relaxation, multi-step local update, minimax optimal convergence rate, distributed semiparametric framework
  • 为什么对您有用: 本文涉及高维统计和分布式优化，但核心问题（不可识别参数下的预测）与您的主要兴趣方向（如高维统计、半参数理论）关联较弱。技术武器库中'非参数统计'和'高维渐近理论'可用于理解其预测误差界，但方法本身（invex松弛、迹相似性惩罚）不在您熟悉的工具范围内。暂不可做：核心机器（invex分析、分布式非凸优化）不在武器库中，且与您的主要研究方向（因果推断、U统计量、效率理论）距离较远。

2. 2607.00847 — Transfert learning and adaptive LASSO quantile

  • 作者: Gabriela Ciuperca
  • 分类: stat.ME · stat.CO
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对分位数回归提出了一种迁移学习估计方法，利用源数据库的估计量作为先验信息，通过两个L1惩罚项（自适应LASSO）实现知识迁移。在几种不同场景下，证明了所提迁移学习估计量具有相合性和稀疏性，并给出了收敛速率和渐近性质。该方法的一个优势是计算时间比标准自适应LASSO更短，且适用于非高斯误差模型。为实施计算，作者还设计了一个具体算法。模拟实验验证了理论结果，并表明该迁移学习估计量优于LASSO估计量。最后，通过蛋白质三级结构理化性质的真实数据应用展示了其实用性。本文与您的主要兴趣（因果推断、高维统计、半参理论等）关联较弱，但迁移学习与分位数回归的结合在流行病学等应用领域可能有参考价值。
  • 关键技术: adaptive LASSO, quantile regression, transfer learning, L1 penalization, sparsity
  • 为什么对您有用: 本文属于迁移学习与分位数回归的方法论结合，与您的主要兴趣（因果推断、高维统计、半参理论）直接关联较弱。不过，其迁移学习框架在流行病学等应用领域（如利用历史队列数据改进当前估计）可能有参考价值。从技术武器库看，您对高维渐近理论（very_familiar）可帮助理解其收敛速率证明，但核心方法（自适应LASSO与分位数回归的迁移）并非您的核心工具。暂不可做：本文的方法论核心不在您的武器库中，且未涉及您关注的效率理论或U统计量。

3. 2607.00645 — Approximate full-conformal multi-task regression with reproducing kernels

  • 作者: Davidson Lova Razafindrakoto (SAMM), Alain Celisse (SAMM), J\'er\^ome Lacaille
  • 分类: math.ST · stat.ML · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究多任务回归中的全共形预测区域构造问题。目标是在向量值函数RKHS框架下，为多输出回归问题构建数据依赖的预测区域，使其以给定置信水平包含未知输出向量。全共形预测需要训练无穷多个预测器，计算上不可行；本文提出一种近似构造方法，该近似区域包含真实的全共形区域，从而保证了覆盖率的保守性。作者考虑了两种场景：任务间协方差矩阵已知和未知（需估计）。在已知协方差场景下，给出了近似区域体积的上界理论保证；在两种场景下均通过合成数据实验验证了近似方法在体积上优于分裂共形预测。
  • 关键技术: full-conformal prediction, multi-task regression, reproducing kernel Hilbert space (RKHS), vector-valued functions, split-conformal prediction
  • 为什么对您有用: 本文属于共形预测与多任务学习的交叉，与您的主要兴趣（非参数/半参数理论、假设检验）有间接关联，但核心方法（全共形预测的近似）与您的技术武器库（非参数统计、高维渐近）有部分重叠。然而，本文是纯方法论文，未涉及因果推断、高维随机矩阵或U-统计量等您最核心的方向，且理论结果（体积上界）的紧性尚不明确。作为gateway阅读价值有限：共形预测是假设检验的一种非参数替代，但本文的多任务设定和RKHS工具与您的日常武器库距离较远，暂不可做——核心缺失在于共形预测的交换性论证和计算近似理论。

4. 2607.00722 — How does academic performance affect self-efficacy? Interpretable modelling through latent academic achievement

  • 作者: Sarah Lee, Matias Quiroz, Sally Cripps
  • 分类: stat.ME · stat.AP
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究学业表现（序数测量）对自我效能感（连续测量）的因果方向性影响，构建了一个贝叶斯条件回归模型。模型将潜在学业成就作为预测变量纳入自我效能感回归方程，同时通过贝叶斯变量选择识别与两个响应相关的协变量。核心创新在于条件化公式化，它允许设计一个定制的部分 collapsed Gibbs 采样器，在更新变量包含指标时解析地积分掉回归系数，从而提升采样效率和变量选择性能。模拟表明，该方法在采样效率和变量选择上优于更一般的联合高斯 copula 回归。实证部分使用澳大利亚儿童纵向队列研究数据，揭示了潜在学业成就与自我效能感的关系，并发现两个结果变量关联的协变量集合存在显著差异。本文方法学贡献在于贝叶斯计算技巧（部分 collapsed Gibbs 与解析积分），而非因果推断或高维统计的新理论。对您而言，该文属于应用贝叶斯建模，与您的主要兴趣（因果推断、高维统计、U-统计量）关联较弱，但纵向数据分析和变量选择思路对流行病学应用方向有一定参考价值。
  • 关键技术: Bayesian variable selection, partially collapsed Gibbs sampler, latent variable model, ordinal regression, longitudinal data analysis
  • 为什么对您有用: 本文属于应用统计建模，与您的主要兴趣方向（因果推断、高维统计、U-统计量、效率理论）直接关联较弱。其贝叶斯变量选择和部分 collapsed Gibbs 采样器是计算技巧，但不在您的技术武器库核心范围内。作为流行病学应用（澳大利亚儿童纵向队列），它展示了序数暴露与连续结局的建模流程，但方法学新颖性有限。暂不可做：核心机器（贝叶斯变量选择、Gibbs 采样器设计）不在您的武器库中，且该文未涉及您熟悉的 minimax 界、U-统计量或因果识别理论。

5. 2607.00330 — Ergodicity and High-Frequency Inference for Hybrid Switching L\'{e}vy-Driven Stochastic Differential Equations

  • 作者: Yuzhong Cheng
  • 分类: math.ST · math.PR · stat.TH
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究混合切换 Lévy 驱动随机微分方程在高频观测下的统计推断。目标是对漂移、尺度及切换率参数进行联合估计，模型包含纯跳噪声和状态依赖的切换率。提出三阶段推断程序：结合分段高斯拟似然和强度型对比函数。建立了混合过程加权指数遍历性的可检验充分条件，证明不依赖布朗平滑，而是利用固定骨架链论证结合小跳可达性和状态连通性。在遍历性和高频采样下，证明了估计量的一致性、联合渐近正态性和多项式型大偏差不等式。联合极限具有透明协方差结构：漂移和尺度块通过驱动 Lévy 噪声的三阶矩耦合，而切换率块与连续系数块渐近不相关。数值实验用正态逆高斯噪声驱动模型展示了有限样本表现。
  • 关键技术: Gaussian quasi-likelihood, intensity-type contrast, weighted exponential ergodicity, skeleton-chain argument, high-frequency sampling, joint asymptotic normality
  • 为什么对您有用: 本文属于随机过程统计推断，与您的主要兴趣（因果推断、高维统计等）无直接重叠。但其中使用的分段拟似然和遍历性论证技术，对您 moderately_familiar 的 M-estimation 理论有一定参考价值。作为 gateway reading 价值不高，因为设定特殊且需要随机过程背景。暂不可做——核心机器（Lévy 过程、切换扩散的遍历性理论）不在您的武器库中。

6. 2607.00330 — Ergodicity and High-Frequency Inference for Hybrid Switching L\'{e}vy-Driven Stochastic Differential Equations

  • 作者: Yuzhong Cheng
  • 分类: math.ST · math.PR · stat.TH
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究混合切换 Lévy 驱动的随机微分方程（SDE）在高频观测下的统计推断问题。模型包含纯跳噪声和状态依赖的切换率，目标是对漂移、尺度（scale）和切换率参数进行联合估计。作者提出三阶段推断程序：结合分段高斯拟似然和强度型对比函数，依次估计漂移、尺度和切换率参数。在可验证的加权指数遍历性条件下（通过固定骨架链论证建立，不依赖布朗平滑），证明了估计量的一致性、联合渐近正态性以及多项式型大偏差不等式。联合极限的协方差结构透明：漂移和尺度块通过驱动 Lévy 噪声的三阶矩耦合，而切换率块与连续系数块渐近不相关。数值实验以正态逆高斯噪声驱动的模型验证了有限样本表现。该论文属于高维/非标准 SDE 的统计推断，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集，但其中的遍历性论证和分段推断策略对处理复杂纵向数据中的切换过程可能有一定启发。
  • 关键技术: Gaussian quasi-likelihood, intensity-type contrast, weighted exponential ergodicity, skeleton-chain argument, high-frequency sampling, joint asymptotic normality
  • 为什么对您有用: 该论文属于概率论与数理统计交叉领域，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集。作为 gateway reading 价值有限：模型设定（Lévy 驱动的混合切换 SDE）和推断目标（漂移/尺度/切换率参数）与您的武器库（非参统计、minimax 界、U-统计量计算）距离较远。暂不可做——核心机器（Lévy 过程遍历性、高频渐近理论）不在武器库中。

🗂 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. 2607.00373 — Confidence Intervals for the Risk Difference in Combined Unilateral and Bilateral Data Incorporating a Distribution-Based Approach

  • 作者: Jia Zhou, Chang-Xing Ma
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Methodology for binary paired data is tangential to primary interests in causal/high-dim stats.

2. 2607.01220 — TIME Commissioning Observations: II. On-sky Characterization and the 2D Map Data Processing Pipeline

  • 作者: Benjamin J. Vaughan, Abigail T. Crites, Dongwoo T. Chung, Ryan P. Keenan, James J. Bock, Charles M. Bradford, Victoria L. Butler, Tzu-Ching Chang, Yun-Ting Cheng, Audrey Dunn, Nicholas Emerson, Clifford Frez, Jonathon Hunacek, Chao-Te Li, Ian N. Lowe, King Lau, Daniel P. Marrone, Evan C. Mayer, Sophie M. McAtee, Dang Pham, Shwetha Prakash, Guochao Sun, Isaac Trumper, Anthony D. Turner, Ta-Shun Wei, Selina F. Yang, Michael Zemcov
  • 分类: astro-ph.IM
  • 相关性 3/10
  • 评分理由: 天文谱线强度映射数据处理，但摘要未展示数据模型或统计方法细节，不符合astrostats入门阅读标准。

3. 2607.00915 — Simulating Node Manipulations in Gaussian Graphical Models: The GGMNIRA Framework for Continuous and Ordinal Psychological Network Data

  • 作者: Yiming Wu, Fei Wang, Hongyun Liu
  • 分类: stat.ME
  • 相关性 2/10
  • 评分理由: Psychological network simulation, unrelated to the researcher's primary or secondary interests.

4. 2607.00217 — The Rubin Observatory Target-of-Opportunity System in the First Year of Operations

  • 作者: Sean Patrick MacBride, R. Lynne Jones, Peter Yoachim, Tiago Ribeiro, Leanne P. Guy, Shreya Anand, Erin Leigh Howard, Ian S. Sullivan, Daniel L. Wang, Eric C. Bellm, Robert Armstrong, W. M. Wood-Vasey, Alex Drlica-Wagner, Kenneth Herner, Gautham Narayan, Tatiana Acero-Cuellar, Federica Bettina Bianco, Igor Andreoni, Bruno O. S\'anchez, John Banovetz, Anastasia Alexov, Erik Dennihy, Robert D. Blum, Yousuke Utsumi, Marcelle Soares-Santos, Robert H. Lupton, Keith Bechtol, \v{Z}eljko Ivezi\'c, Kris Mortensen, Paulina Venegas, Yijung Kang, Alysha B. Shugart, Narayan Khadka, Kshitija Kelkar, Danica \v{Z}ilkov\'a, Kevin Fanning, Christopher W. Walter, Chris Weaver, Fabian Araneda-Baltierra, Andreja Gomboc, J. Anthony Tyson, Colin Orion Chandler, Pedro H. Bernardinelli, Devanshi Singh
  • 分类: astro-ph.IM
  • 相关性 2/10
  • 评分理由: 天文观测系统操作描述，缺乏统计方法论或数据建模细节，不符合网关阅读标准。

5. 2607.00163 — Rubin M1M3 Dynamic performance : stability and actuation during operations

  • 作者: HyeYun Park, Petr Kub\'anek, Kshitija Kelkar, Ignacio Sevilla-Noarbe, Andrea Jeremie, Brian Stalder, Bruno C. Quint, David Sanmartim, Dominique Boutigny, Douglas R. Neill, Erik Dennihy, Felipe Daruich, Freddy Mu\~noz Arancibia, Kevin Fanning, Kevin Reil, Laura Toribio San Cipriano, Malhar Sonaniskar, Marina S. Pavlovic, Noah Gonzalez, Paulina Venegas, Sandrine Thomas, Tiago Ribeiro, Yijung Kang
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: 纯天文仪器工程论文，无数据/模型统计内容，不符合网关阅读标准。

6. 2607.01132 — WST, the Wide-field Spectroscopic Telescope: Mechanical Design and FE Analyses for the High Resolution Spectrograph

  • 作者: Simone D'Auria, Andrea Tozzi, Anna Brucalassi, Matteo Munari, Ciro Del Vecchio, Maria Sofia Randich, Roland Bacon, David Lee
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: 纯天文仪器机械设计，与统计兴趣完全无关。

7. 2607.01134 — WST, the Wide-field Spectroscopic Telescope: Telescope structure FE analyses

  • 作者: Simone D'Auria, Vincenzo Cianniello, Ciro Del Vecchio, Vincenzo De Caprio, Philippe Dierickx, Gaston Gausachs, Tony Trauvillon, William Sutherland, Olga Bellido
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: 纯天文望远镜结构有限元分析，与统计兴趣完全无关。

8. 2607.01150 — WST, the wide-field spectroscopic telescope: progress on the design of the instruments

  • 作者: David Lee, Joel Vernet, Elizabeth George, Omar Sqalli, Olaf Iwert, Alessandro Meoli, Vincenzo Mainieri, Philippe Dierickx, Alexandre Jeanneau, Corentin Cudennec, Paolo Franzetti, Olga Bellido, Roelof de Jong, Andreas Kelz, Aaron Omadutt, Steve Watson, Younes Chahid, Chris Waring, Laura Gibbs, Anmol Goyal, Dave Melotte, Lawrence Bissell, Jay Stephan, Oscar Gonzalaez, Sebastien Pernecker, Maxime Rombach, Jonathan Wei, Jean-Paul Kneib, Joseph Barrow, Jon Lawrence, Will Saunders, Dimitri Buffat, Kjetil Dohlen, Andrea Tozzi, Anna Brucalassi, Simone DAuria, Sofia Randich, Matteo Munari, Andrea Bianco, Christophe Yeche, Christophe Magneville, Etienne Burtin, Thomas Augusteijn, Jan Kragt, Ramon Navarro, Julia Bryant, Laurane Freour, Roland Bacon
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: 纯天文仪器设计进展，与统计兴趣完全无关。

9. 2607.00265 — The Simons Observatory: Overview of the Cryogenic Half-wave Plate Polarization Modulators

  • 作者: Junna Sugiyama, Kyohei Yamada, Bryce Bixler, Daichi Sasaki, Yuki Sakurai, Kam Arnold, Nicholas Galitzki, Akito Kusaka
  • 分类: astro-ph.IM
  • 相关性 0/10
  • 评分理由: 纯仪器工程论文，与统计或因果推断无任何关联。

10. 2607.00268 — Nautilus Space Observatory: Unveiling the Diversity and Origin of Sub-Neptunes with the Nautilus Space Observatory

  • 作者: Luis Welbanks, Kylie E. Hall, Julien de Wit, Ana Glidden, Noah Tuchow, Ilaria Pascucci, D\'aniel Apai, Robin Wordsworth, Benjamin V. Rackham, Chia-Lung Lin, Raymond Pierrehumbert, Mercedes L\'opez-Morales, A. D. Feinstein
  • 分类: astro-ph.IM · astro-ph.EP
  • 相关性 0/10
  • 评分理由: 系外行星科学论文，无数据或模型方法论细节，不适合统计学家入门。

11. 2607.00759 — A First-Order Assessment of Permanent Magnet Deflection for Space Radiation Protection

  • 作者: Valerio Parisi (Department of Physics, Sapienza University of Roma, 2, Piazzale A. Moro, 00185 Roma, Italy), Roberto Capuzzo Dolcetta (Department of Physics, Sapienza University of Roma, 2, Piazzale A. Moro, 00185 Roma, Italy), Fabrizio Frezza (Department of Information Engineering, Electronics and Telecommunications, Sapienza University of Roma, 18, via Eudossiana, 00184 Roma, Italy), Luca Lunati (GSI Helmholtz-Zentrum, Biophysics Department, 1, Planckstra{\ss}e 1, 64291 Darmstadt, Germany)
  • 分类: astro-ph.IM · physics.space-ph
  • 相关性 0/10
  • 评分理由: 空间辐射防护的工程可行性评估，与统计无关。

12. 2607.00925 — The "dark dips" phenomenon in the LSST Camera on-sky images

  • 作者: Claire Juramy, Pierre Antilogus, Pierre Astier, John Banovetz, Sean Patrick MacBride, Andrew P. Rasmussen, Yousuke Utsumi
  • 分类: astro-ph.IM
  • 相关性 0/10
  • 评分理由: CCD图像伪影的仪器效应描述，无统计方法论。

13. 2607.01045 — Studying Ionosphere Using SKA-Low and SKA-Mid

  • 作者: Abhirup Datta, Samit Kumar Pal, Sarvesh Mangla, Bhuvnesh Brawar, Sumanjit Chakraborty, Sudipta Sasmal, Anshuman Tripathi
  • 分类: astro-ph.IM
  • 相关性 0/10
  • 评分理由: 电离层效应的射电天文学研究，无统计方法论或数据模型阐述。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论