跳转至

2026-07-07 每日 arXiv 资讯

  • 高相关论文 5 篇 · 中相关 11 篇 · 其他 12 篇 · 会议/Seminar 事件 0 条

✍️ 手动录入的论文（精读）

你手动录入（粘贴 arXiv 链接 / 标题）申请精读、或收藏后补读的论文，由当天的定时任务精读。点标题旁的 🔍 精读 查看解读。

因果推断 (causal_inference, 2 篇)

1. 2606.23116 — Direct and Indirect Discrimination in Generalized Linear Models

  • 作者: Bertille Tierny, Arthur Charpentier, François Hu
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对广义线性模型（GLM）中的公平性诊断问题，提出了一种基于矩的分解框架，用于区分预测差异中的直接歧视（敏感变量系数）、间接歧视（通过代理协变量传递）、交互效应和结构效应。在线性高斯基准下，Wasserstein 重心的分布人口统计平价准则退化为两矩准则，并分解为四个线性分量。对于 GLM，作者定义了输出尺度准则 U_2(f)、组内代理准则 ˜U_2(f) 和主导分解 D_1(f)，后者在保留四个线性通道的基础上，增加了由逆链接函数诱导的两个曲率分量：曲率耦合和曲率放大。推导了 logistic、Poisson 和 Tweedie 分布的显式公式，并在医疗支出调查数据上进行了实证演示。该框架并非法律上的歧视测试，而是为精算师提供的一种可操作的诊断工具，用于识别预测差异的来源。对您而言，该分解思路可迁移至因果推断中的 mediation 分析，特别是处理非线性 link 下的直接与间接效应分解问题。
  • 关键技术: moment-based decomposition, Wasserstein barycenter, generalized linear models, direct/indirect discrimination, curvature coupling, Tweedie distribution
  • 为什么对您有用: 本文直接关联 primary interest 中的因果推断 mediation 子方向：其分解框架将预测差异拆解为直接效应（敏感变量系数）、间接效应（通过协变量路径）和交互项，与因果 mediation 的 direct/indirect effect 分解在结构上同构。武器库中 very_familiar 的 estimation theory in causal inference 可直接用于将本文的矩分解转化为因果参数（如 NIE/NDE）的估计量，并利用 semiparametric theory 推导效率界。中期可做：需先在 moderately_familiar 的 identification theory in causal inference 上深入理解非线性 link 下的 mediation identification 假设（如 sequential ignorability 在 GLM 中的形式），然后可尝试将本文的 curvature 项解释为 link 函数导致的 natural indirect effect 偏差。

2. 2606.24678 — Landmarking with Latent Class Mixed Models for Dynamic Prediction of Time-to-event Data with Heterogeneous Biomarker Trajectories

  • 作者: Víctor Velasco-Pardo, Nathan Constantine-Cooke, Charlie W. Lees, Catalina A. Vallejos
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对电子健康记录（EHR）中大规模异质性患者群体的动态风险预测问题，提出一种结合潜在类别混合模型（LCMM）的 landmarking 方法。传统 landmarking 假设纵向轨迹同质，而联合潜在类别模型虽能处理异质性但计算代价高，难以用于大规模数据。作者将 LCMM 嵌入 landmarking 框架，先通过混合模型识别潜在亚组轨迹，再在 landmark 时间点基于亚组后验概率进行动态预测。方法采用模块化 R 包 landmaRk 实现，支持灵活指定 landmarking 组件。模拟表明，在存在潜在异质性时，所提方法预测性能优于传统 landmarking，且计算效率远高于联合模型。真实数据示例进一步验证了实用性。该方法对您可能有用：它处理的是纵向数据中未观测异质性导致的混杂问题，与您的因果推断（尤其是纵向设定和未观测混杂）及流行病学应用方向直接相关。
  • 关键技术: latent class mixed model, landmarking, dynamic risk prediction, joint modeling, R package
  • 为什么对您有用: 本文直接连接您的因果推断（纵向设定、未观测混杂）和流行病学应用兴趣。其核心思路——用潜在类别处理未观测异质性——与 proximal causal inference 中利用 negative control 处理未观测混杂有概念上的共鸣。技术武器库中，您对非参数统计和因果推断估计理论非常熟悉，可立即评估其 LCMM 的模型假设是否可放松为半参数形式，或将其与您熟悉的逆概率加权/双重稳健估计结合。中期可做：若想将潜在类别框架与您 moderately_familiar 的识别理论（如 proximal g-formula）结合，需先在纵向因果推断的识别条件上长肌肉。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2606.21636 — Second order mixed moment inequalities based on Gram matrices

  • 作者: Sergio Scarlatti
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究基于 Gram 矩阵的二阶混合矩不等式族。作者证明 [LT] 中关于三个随机变量的 Walker 不等式推广实际上是该不等式族的一个三维特例。该不等式族适用于任意随机向量，通过 Gram 矩阵的正定性导出混合矩之间的约束。文章进一步讨论了这些不等式对有偏估计的 Cramér-Rao 下界的影响，给出了更紧的界。主要技术工具是线性代数中的 Gram 矩阵性质和矩不等式技巧。对您而言，该工作与 hypothesis testing 和 mathematical statistics 中的矩不等式工具直接相关，可能为高维统计中的检验问题提供新的不等式工具。
  • 关键技术: Gram matrix, Walker's inequality, Cramér-Rao lower bound, moment inequalities, positive semidefiniteness
  • 为什么对您有用: 该工作直接连接您的 hypothesis testing 和 mathematical statistics 兴趣，提供了基于 Gram 矩阵的通用矩不等式框架。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来检验这些不等式在高维设定下的紧性，属于立即可做的 follow-up。

统计计算 / 算法 (stat_computing, 3 篇)

1. 2606.26804 — Structured Secant Methods to Select Smoothing Parameters For General Smooth Models

  • 作者: Joshua Krause, Jelmer P. Borst, Jacolien van Rij
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对一般光滑模型（general smooth models）中平滑参数的选择问题，提出了一种结构化拟牛顿方法（qEFS）。这类模型通过降秩样条基和加权二次惩罚来参数化光滑函数，平滑参数通过优化拉普拉斯近似贝叶斯边际似然得到。现有二阶方法（如扩展Fellner-Schall方法）需要计算对数似然的Hessian矩阵，精确优化甚至需要四阶导数，推导困难且计算昂贵。qEFS方法采用结构化有限记忆割线近似来逼近Hessian，主要依赖一阶信息，同时允许对Hessian的子块进行精确约束，从而提高近似精度。理论分析表明，在一定条件下qEFS收敛到EFS方法；模拟研究显示，即使在条件不满足时，qEFS也能提供良好的估计。在置信区间覆盖和模型选择等需要Hessian的次要任务中，部分近似即可达到接近名义水平的性能。本文以隐马尔可夫模型和Tweedie模型为例，展示了qEFS在实现简便性上的显著优势。对您而言，该工作属于统计计算中的数值优化方法，其结构化近似思路可启发您在高阶U统计量或因果推断中涉及复杂似然优化时的计算策略。
  • 关键技术: quasi-Newton method, structured secant approximation, limited-memory BFGS, Laplace-approximate marginal likelihood, smoothing parameter selection, generalized additive models
  • 为什么对您有用: 本文属于统计计算方向，直接对应您的primary interest中的'statistical computing (numerical methods, algorithm)'。您武器库中'very_familiar'的'软件开发和逆问题'可用于复现或扩展其算法实现，而'moderately_familiar'的'M估计理论'可帮助理解其收敛性证明。中期可做：将结构化割线近似思想迁移到您的高阶U统计量计算中，用于加速涉及复杂惩罚似然的优化问题。

2. 2606.23998 — Inferential applications of the moments of the logit-normal distribution

  • 作者: John Holmes, Ness Arps, Marco Reale
  • 相关性 4/10 · novelty: minor
  • 摘要: 本文针对 logit-normal 分布矩的计算问题，提出了一种基于 logistic 函数近似的方法，可估计任意正整数阶矩。作者证明该方法在前 8 阶矩上精度很高，避免了基于 Mordell 积分的数值不稳定性，且在 R 中比数值积分更快。在推断应用方面，该方法能加速逻辑回归的期望传播（Expectation Propagation）实现，但不足以直接计算逻辑混合模型中的 logistic normal 积分。本文属于计算工具类贡献，方法学新颖性有限。
  • 关键技术: logit-normal moments, logistic function approximation, Mordell integral, Expectation Propagation, numerical integration
  • 为什么对您有用: 本文属于统计计算方向，与您的 primary interest 中的 statistical computing 直接相关。您武器库中的 software development 技能可立即用于复现或扩展该近似方法（如更高阶矩或不同基函数）。但该工作未涉及您核心的因果推断、高维或 U-统计量理论，属于中期可做：需先在 moderately_familiar 的 M-estimation 或 semiparametric theory 上建立连接（如将矩近似用于半参数效率界计算）。

3. 2606.25927 — Knowledge Cascade: Reverse Knowledge Distillation on Nonparametric Multivariate Functional Estimation

  • 作者: Luyang Fang, Haoran Lu, Yongkai Chen, Wenxuan Zhong, Ping Ma
  • 相关性 3/10 · novelty: new_method
  • 摘要: 本文提出 Knowledge Cascade (KCas)，一种反向知识蒸馏框架，旨在解决大规模非参数多元函数估计中计算瓶颈问题。核心设定是：先用小样本训练一个廉价的学生模型（如平滑样条），再通过渐近标度律将学生模型选出的平滑参数迁移到全样本教师模型，从而避免在全样本上重复进行高维平滑参数选择的昂贵计算。方法在再生核希尔伯特空间（RKHS）中通过平滑样条实现，并推广到核密度估计和深度学习超参数迁移。理论保证方面，作者证明了迁移后的教师模型保留了渐近最优性。模拟和真实数据实验显示，KCas 在显著降低计算成本的同时，统计性能与全样本过程相当甚至更优。对您而言，本文的统计计算 tradeoff 视角（用小模型指导大模型训练）与您 computational-statistical tradeoff 的 gateway 阅读兴趣高度吻合，且其渐近标度律的推导方法可迁移到您熟悉的非参数统计框架中。
  • 关键技术: Knowledge Cascade, reverse knowledge distillation, smoothing splines, reproducing kernel Hilbert space, asymptotic scaling laws, hyperparameter transfer
  • 为什么对您有用: 本文直接连接您 primary interest 中的 statistical-computational tradeoff 方向，属于 gateway 阅读：它清晰阐述了计算瓶颈（高维平滑参数选择）与统计性能之间的权衡，并用渐近标度律给出了可操作的解决方案。您武器库中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可以直接用于理解其理论框架，而 moderately_familiar 的 M-estimation theory 可用于评估其渐近最优性证明的严谨性。本文适合作为进入 computational-statistical tradeoff 领域的入门读物，值得花时间读全文。

其他 (other, 3 篇)

1. 1805.11214 — Distributed Statistical Inference for Massive Data

  • 作者: Song Xi Chen, Liuhua Peng
  • 机构: Peking University
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对大规模数据场景下的一般对称统计量（涵盖 U-统计量和 M-估计量）提出分布式统计推断框架。核心设定是数据分布在多个平台，需避免昂贵通信，因此将统计量分解为可在数据子块上独立计算的分布式版本。理论部分研究了分布式统计量的均方误差和渐近分布随数据块数的变化规律，给出了收敛条件。方法上提出了两种分布式 bootstrap 算法，计算高效且能捕捉分布式统计量的真实分布。数值模拟和真实数据应用验证了方法的有效性。对您而言，该工作直接连接您对 higher-order U-statistics 的计算兴趣（treewidth / tensor contraction / einsum），但本文的分布式设定和 bootstrap 推断思路可启发您思考如何将 U-统计量的 tensor-network 计算复杂度分析与分布式/并行计算结合。
  • 关键技术: distributed U-statistics, distributed M-estimators, distributed bootstrap, block-wise decomposition, mean square error analysis
  • 为什么对您有用: 直接连接 primary interest 中的 higher-order U-statistics 和 statistical computing。本文的分布式 U-统计量框架与您非常熟悉的 higher-order U-statistics 计算（treewidth / tensor contraction / einsum）有天然接口——您可以用 tensor-network 的 contraction-order 优化视角来分析分布式 U-统计量的通信-计算 tradeoff，这是立即可做的 follow-up（武器库中 very_familiar 的 'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)' 可直接上手）。此外，分布式 bootstrap 的渐近理论也值得关注。

2. 2606.21714 — A Tutorial on Bregman Projection in Statistics

  • 作者: Gunhee Cho, Jae Kwang Kim, Yumou Qiu
  • 相关性 6/10 · novelty: survey
  • 摘要: 本文是一篇关于Bregman投影在统计学中统一作用的教程。第一部分纯粹从凸几何出发，介绍严格凸生成函数G及其共轭F定义的双坐标系统，以及投影定理（存在唯一性）和勾股定理。勾股定理自然导出两种对偶投影：信息投影（e-投影，作用于矩约束族）和矩投影（m-投影，作用于指数族），两者通过G↔F共轭互换。第二部分将统计方法纳入该框架：广义线性模型（典范链接下）的得分方程恰为勾股正交性，拟合同时是自然坐标下的e-投影和均值坐标下的m-投影。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均被展示为该构造的特例（当底层族平坦时精确成立，否则为受控近似或邻域散度类比）。本文是纯方法论综述，无新理论或新方法，但为理解多种统计方法的几何统一视角提供了极佳入门。
  • 关键技术: Bregman divergence, information projection (e-projection), moment projection (m-projection), Pythagorean theorem for divergences, convex duality, exponential family
  • 为什么对您有用: 本文属于gateway-reading范畴，为统计计算与算法方向提供几何统一视角。武器库中'非参数统计'和'M估计理论'的熟悉度足以理解其核心论证（勾股定理与对偶投影），但本文不涉及高维或计算复杂性，因此暂不可做直接follow-up。值得花时间读全文，因为它将EM、变分推断、自编码器等算法统一为Bregman投影，可能启发研究者用树宽/张量收缩视角分析这些算法的计算代价。

3. 2606.17717 — Double zero-inflated spatio-temporal modeling of daily precipitation under detection thresholds

  • 作者: Juan Marcen-Gutierrez, Jorge Castillo-Mateo, Alan E. Gelfand, Jesús Asín, Ana C. Cebrián
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对日降水量数据中两类零值（真实无降水与检测限导致的未检出）提出双零膨胀时空模型。模型采用分层结构：通过probit回归建模零膨胀概率，Gamma回归刻画潜在正降水量，并引入检测限导致的截断观测机制。空间依赖性通过高斯过程嵌入各回归分量，在贝叶斯框架下实现完整推断与不确定性量化。方法提供了比较真实降水过程与观测过程差异的推断工具，可分析检测限对降水特征（如总量、高分位数）的影响。应用在西班牙埃布罗河流域70个站点15年的春季日降水数据上，发现检测限显著影响观测降水发生率（尤其在湿润地区），对总量影响较小但对高分位数有实质影响。该工作属于应用统计建模，方法学创新有限（主要组合现有工具），但对您而言可作为流行病学或环境健康中零膨胀纵向数据的建模参考——例如空气污染暴露数据常存在检测限导致的零值，其双零膨胀框架与空间高斯过程可迁移至此类设定。
  • 关键技术: zero-inflated model, probit regression, Gamma regression, Gaussian process, threshold-induced censoring, Bayesian hierarchical model
  • 为什么对您有用: 本文属于流行病学/环境统计的应用建模，与您的secondary interest（流行病学数据集与因果推断应用）直接相关。其双零膨胀+检测限截断的框架可迁移至流行病学队列研究中暴露变量（如污染物浓度）的测量误差建模，但您武器库中的非参数统计与因果推断方法（如proximal CI处理测量误差）可能比本文的贝叶斯参数模型更灵活。暂不可做——核心机器（贝叶斯分层模型与MCMC计算）不在您的武器库中，但可作为入门读物了解零膨胀时空数据的建模思路，无需深读全文。

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 3 篇)

1. 2607.02901 — Proximal Mediation Analysis with Unmeasured Treatment-Induced Confounding

  • 作者: Xiaoying Zhang, Jiawei Shan, Wei Li
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文在 mediation analysis 框架下处理 treatment-induced confounding 问题，即存在未观测的、受处理影响的混杂变量时，自然介导效应（natural mediation effects）不可识别。作者转而采用 interventional effects 作为 estimand，并引入 proximal causal inference 的思路，利用 observed variables 作为未观测混杂的 proxy，在 negative control 假设下建立四个 proximal identification 结果。估计方面，提出 multiply robust 且 semiparametric locally efficient 的 estimator，允许使用 flexible machine learning 估计 nuisance parameters，并采用 cross-fitting 实现 n^{-1/2}-CAN。理论部分推导了 influence function 和 semiparametric efficiency bound，证明 estimator 在至少两个 nuisance 模型正确时仍保持一致性。模拟和一项关于歧视介导的生活满意度种族差异的真实数据分析验证了方法。对您而言，本文直接连接 proximal CI 和 mediation 两个子方向，且 multiply robust 估计框架与您熟悉的 causal inference estimation theory 和 semiparametric theory 高度吻合。
  • 关键技术: proximal causal inference, multiply robust estimation, semiparametric efficiency bound, influence function, cross-fitting, interventional effects
  • 为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 mediation 和 proximal CI 两个子方向，且 multiply robust 估计器与您 very_familiar 的 estimation theory in causal inference 和 moderately_familiar 的 semiparametric theory 完全对口。您可以用 HOIF 视角分析其 multiply robust 结构是否可推广到更高阶，或用 minimax bound 验证其 efficiency bound 的紧性——立即可做。

2. 2607.03508 — Disentangling Causal Mechanisms in Conjoint Experiments Using Mediation

  • 作者: Michaël Aklin, Max Goplerud, Nicole E. Pashley, Jenna Salzman
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对 conjoint experiments（联合实验）中无法识别属性间因果机制的问题，提出一个扩展框架。在标准 conjoint 设计中，多个属性同时随机化，只能估计 controlled effect，无法得到 total 或 indirect effect，而后者依赖于属性间的中介关系。作者引入一个额外的简单实验来估计属性间的关联结构（如一个属性如何影响受访者对另一属性的信念），结合标准因果中介分析假设，实现间接效应的识别。估计采用 doubly robust 方法，允许使用机器学习拟合 nuisance 函数，从而在弱假设下获得 n^{-1/2}-CAN 估计量。通过一个预注册的候选人选择实验展示方法应用，分离了不同属性通过政党中介的效应。对您而言，本文是 causal mediation 在实验设计中的新应用，其识别策略和 DR 估计框架可直接迁移到您的纵向因果推断或 IV 设定中。
  • 关键技术: doubly robust estimation, causal mediation, conjoint experiment, controlled vs. total effect, machine learning nuisance estimation
  • 为什么对您有用: 本文直接连接您的 primary interest 中的 causal inference（mediation 子方向）。技术层面，其 doubly robust 估计框架可用您 very_familiar 的 estimation theory in causal inference 和 nonparametric statistics 来理解与扩展；识别策略中额外实验的设计思路可启发您处理 longitudinal 或 IV 设定中类似的中介识别问题。中期可做：若想将本文的 DR 估计推广到高维属性空间，需先在 moderately_familiar 的 semiparametric theory 上巩固（特别是 influence function 的推导）。

3. 2607.02898 — Conformalized Lee Inference: Distribution-Free Individual Treatment Effect Intervals under Monotone Sample Selection

  • 作者: Jung Hyub Lee
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究随机化实验中存在单边样本选择（monotone sample selection）时的个体处理效应（ITE）区间预测问题。目标是对始终可观测的单元（always-observed units）构造缺失的 treated 潜在结果和 ITE 的预测区间。方法将 Lee [2009] 的单调选择逻辑与 conformal prediction 结合：先用 treated 组被选中的观测训练并校准任意预测规则，然后利用观测到的 treatment-control 选择率差异调整截断点；对 control 组中被选中的单元，将缺失 treated 结果的区间平移观测到的 untreated 结果，得到 ITE 区间。核心理论贡献是证明该调整量恰好等于单调选择逻辑所隐含的不确定性量，无需预测规则正确设定即可保证覆盖率的有效性。模拟显示，在选择导致的分布偏移下，普通 conformal prediction 覆盖率偏低，而 Lee 调整后的方法达到目标覆盖率。本文方法保留了现代预测工具的实用性，为因果推断中的个体水平预测提供了分布自由的推断框架。对您而言，该工作直接连接 primary interest 中的因果推断（个体处理效应预测）和 sensitivity analysis（选择偏差调整），且其分布自由、无需模型正确的特点与您熟悉的非参数统计和因果推断估计理论高度契合。
  • 关键技术: conformal prediction, monotone sample selection, Lee bounds, individual treatment effect, distribution-free inference, selection correction
  • 为什么对您有用: 直接连接 primary interest 中的因果推断（个体处理效应预测与选择偏差调整），且方法无需模型正确设定，与您熟悉的非参数统计和 minimax 估计理论高度契合。武器库中 very_familiar 的因果推断估计理论可直接用于分析该方法的有限样本性质或扩展至更复杂的选择机制（如非单调选择）。中期可做：若想将方法推广到非随机化实验（如 IV 或 proximal CI 设定），需先在 moderately_familiar 的 identification theory 上长肌肉。

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

1. 2607.03351 — Outcome-adapted Automatic Debiased Machine Learning

  • 作者: Asger Waagepetersen, Asbjørn Risom, Niels Richard Hansen, Anton Rask Lundborg
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究因果推断中线性泛函参数（如处理效应）的自动去偏机器学习（AutoDML）框架。现有方法（如RieszNet、MADNet）使用共享的协变量中间表示，但该表示应预测Riesz表示还是结果变量尚不明确。作者证明，保留结果预测能力但丢弃Riesz表示信息的共享表示，在渐近意义下比使用全部协变量的基线AutoDML估计量更有效。基于此，提出结果自适应（outcome-adapted）AutoDML估计量，并在样本分割框架下建立其渐近性质。实现上采用神经网络学习稀疏协变量表示，该表示预测结果但不预测Riesz表示。在合成数据和半合成IHDP基准数据集上，该方法相比现有替代方案实现了效率提升和最优估计精度。该工作直接关联您对debiased ML和semiparametric efficiency bounds的兴趣，其理论结果（共享表示的信息取舍影响渐近效率）为理解DML中的表示学习提供了新视角。
  • 关键技术: Automatic Debiased Machine Learning (AutoDML), Riesz representer, shared covariate representation, asymptotic efficiency, sample splitting, neural network with sparse representation
  • 为什么对您有用: 该论文直接关联您对debiased ML和semiparametric efficiency bounds的兴趣，其核心贡献是理论证明共享表示中保留结果预测信息而丢弃Riesz表示信息可提升渐近效率。您可以用very_familiar的estimation theory in causal inference和minimax bounds工具来验证其声称的效率增益是否紧，或进一步分析该表示学习策略在更复杂因果参数（如mediation、longitudinal）下的推广。中期可做：需先在moderately_familiar的semiparametric theory上深入理解Riesz表示的正交性条件。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2607.03367 — Minimax Estimation of Kernel Stein Discrepancy: Trace versus Hilbert-Schmidt Scales

  • 作者: Davit Gogolashvili
  • 相关性 8/10 · novelty: sharper_rate
  • 摘要: 本文研究核斯坦因差异（KSD）的极小极大估计问题，目标是通过 n 个独立观测值估计 KSD(P0, P)，其中 P0 是仅通过得分函数已知的固定目标分布。核心发现是：控制极小极大风险的关键谱常数是斯坦因协方差算子 C 的 Hilbert-Schmidt 范数，给出极小极大尺度 sqrt(||C||_HS / n)。该尺度由正部平方根 U-统计量达到，而标准 plug-in V-统计量停留在迹尺度 sqrt(tr(C)/n) 上，因此次优性由 C 的有效秩的四次方根决定；对于固定带宽高斯核的高斯目标，该因子在维度上呈指数增长。技术工具包括 U-统计量投影理论、谱分解和算子范数分析。对您而言，本文直接连接高维统计和 U-统计量的理论，且其关于有效秩的指数因子结果对高维设定下的检验问题有重要启示。
  • 关键技术: Kernel Stein Discrepancy, minimax risk, Hilbert-Schmidt norm, positive-part square-root U-statistic, plug-in V-statistic, effective rank
  • 为什么对您有用: 本文直接连接您对 higher-order U-statistics 和 hypothesis testing 的兴趣，特别是 U-统计量在极小极大估计中的最优性分析。您可以用 very_familiar 的 U-统计量计算（treewidth / tensor contraction）工具来验证其 estimator 的计算成本，或用 minimax bound 技术检查其声称的 sharper rate 是否紧。中期可做：若想将结果推广到更一般的核或目标分布，需先在 moderately_familiar 的 higher-order U-statistics 理论上长肌肉。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 2 篇)

1. 2607.03364 — CaSPECT: Discovering Causally Homogeneous Subgroups via Directed Spectral Clustering

  • 作者: Arghya Pratihar, Shinjon Chakraborty, Swagatam Das
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出 CaSPECT，一种从观测数据中发现因果同质子组的因果谱聚类框架。其核心思想是：个体间的相似性不基于协变量空间，而基于学习到的有向无环图（DAG）的拓扑结构。方法流程包括：用 bootstrap 稳定的 PC 算法恢复因果骨架；提出新的方向验证得分（OVS），结合 PC 引导证据与 DirectLiNGAM 稳健地定向边；用后门准则识别的平均处理效应（ATE）作为有向边的权重，ATE 通过 OLS 或双机器学习估计。Chung 的有向拉普拉斯算子提供谱嵌入，使得在嵌入空间中相近的个体共享相同的因果传播路径。作者建立了整个流程的几乎必然一致性，并在 LaLonde CPS1、IHDP 和 401(k) 数据集上验证了方法，表明 CaSPECT 能在因果可比的子组内恢复正向且统计显著的处理效应，并在无需预先指定倾向得分模型的情况下纠正严重混杂。该方法将因果发现与聚类结合，对您关注的因果推断（特别是异质性处理效应与子组发现）有直接参考价值。
  • 关键技术: spectral clustering on directed graphs, PC algorithm with bootstrap stabilization, DirectLiNGAM, backdoor criterion, double machine learning, Chung's directed Laplacian
  • 为什么对您有用: 直接连接到您 primary interest 中的因果推断（异质性处理效应发现与子组分析）。您的武器库中 'estimation theory in causal inference' 和 'nonparametric statistics' 可用来分析其 DML 步骤的收敛性及 OVS 得分的统计性质；'minimax bounds for estimation problems' 可用于检验其声称的几乎必然一致性是否在有限样本下达到最优率。中期可做：需先在 'identification theory in causal inference' 上巩固，以理解其 DAG 学习与后门准则结合的识别假设是否可放松。

2. 2607.03088 — Inferring Cooperativity From Pooled Measurements

  • 作者: Robin Requadt, Housen Li
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究从聚合测量（pooled measurements）中推断潜在多组分随机系统内相互作用（cooperativity）的识别与估计问题。设定为有限状态连续时间马尔可夫过程，其转移速率通过聚合状态编码相互作用，数据仅以聚合形式观测。在自然结构条件下，证明了潜在动态参数的可识别性。定义了协同性指数（cooperativity index）以区分正协同、负协同与独立，并构造了相合估计。针对离散且带噪声的聚合数据，通过隐马尔可夫模型发展基于似然的推断，处理了嵌入问题，并证明了估计的相合性与渐近正态性。进一步提出了协同性的逐步检验（stepdown test），具有渐近的尺寸控制和功效保证。模拟与真实数据分析展示了方法的有效性。对您而言，本文的识别策略与检验方法可迁移至因果推断中潜在交互作用的敏感性分析或中介分析设定。
  • 关键技术: hidden Markov model, identifiability of latent parameters, stepdown test, consistency and asymptotic normality, cooperativity index
  • 为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的识别与估计，特别是潜在交互作用的可识别性。您的技术武库中'非参数统计'和'因果推断中的估计理论'可用于分析其识别条件是否可放松或推广至更一般的设定。中期可做：需先在'半参数理论'上提升，以处理更复杂的聚合机制或高维参数空间。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 2607.02943 — Geometric Information Decomposition for Weighted Empirical Measures on the Sphere

  • 作者: Kisung You
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究当观测数据已经是单位球面上的加权概率测度（如重要性采样、求积规则或注意力加权嵌入）时，如何量化其方向不确定性。标准做法是拟合 von Mises-Fisher (vMF) 分布并报告其浓度参数或熵，但这仅利用了均值方向信息，会遗漏对跖、轴向、环带或多模态结构。作者提出几何信息分解 (GID) 方法，通过拟合一个基于球面特征的最大熵投影嵌套序列，并报告每一层新增的熵差。第一层熵差恢复 vMF 信息，第二层捕捉 Fisher-Bingham/Bingham 型各向异性，后续层捕捉更精细的角结构。理论方面证明了 GID 的不变性、相合性、非零熵差时的渐近正态性，以及用于判断新层是否携带信息的二次型零分布校准。实验涵盖圆和球面示例、校准研究以及查询加权数字投影，展示了何时 vMF 不确定性足够、何时高阶间隙能揭示隐藏结构。
  • 关键技术: maximum-entropy projection, von Mises-Fisher distribution, Fisher-Bingham distribution, entropy decomposition, asymptotic normality, quadratic-form null calibration
  • 为什么对您有用: 本文属于非参数/半参数理论中的方向统计新方法，与您的 primary interest 中的非参数理论直接相关。技术武器库中 'nonparametric statistics' 和 'minimax bounds for estimation problems' 可用于分析 GID 的收敛速率和最优性；'higher-order U-statistics' 的树宽/张量收缩视角可能为计算高阶熵差提供高效算法。中期可做：需先在 'semiparametric theory' 上熟悉最大熵投影的渐近理论，然后可探索 GID 在因果推断中处理球面协变量（如方向数据）的敏感性分析。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)

1. 2607.03518 — Meager Success: A Theory of the Unlearnable for Hypothesis Testing

  • 作者: Hanti Lin
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究假设检验中逐点一致性（pointwise consistency）不可实现时的替代标准。作者提出一个拓扑学框架，定义了一组弱于逐点一致性的标准，要求检验统计量在概率测度空间的“大”子集上收敛到真值。主要定理是一个不可能性结果：对于有限精度检验，若两个假设在其并集中稠密，则每个假设内稠密地收敛到真值必然导致在余稀疏（comeager）集上不一致。分布自由的条件独立性检验是此类情形的一个实例。另外两个定理用纯拓扑条件刻画了每个较弱标准何时可实现，补充了Boeken等人（2026）关于逐点一致性的分析。本文为理解假设检验在不可学习环境下的最优可行标准提供了理论框架，对您在高维或非参数假设检验中处理分布自由或弱假设设定下的检验问题有直接参考价值。
  • 关键技术: pointwise consistency, topological framework, comeager set, finite-precision tests, distribution-free testing, conditional independence
  • 为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是当经典一致性标准不可实现时，如何定义和刻画次优标准。您的技术武器库中的非参数统计和minimax界可用于评估这些拓扑标准在具体检验问题中的紧性。中期可做：将本文的拓扑框架与您熟悉的higher-order U-statistics结合，研究U-统计量检验在类似稠密假设下的可行性。

2. 2607.03335 — A BHEP test for multivariate normality on incomplete data

  • 作者: Daniel Gaigall, Philipp Wübbolding
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对不完全数据（缺失数据）场景，提出了一个检验多元正态性（multivariate normality）的BHEP检验（基于Baringhaus-Henze-Epps-Pulley检验的推广）。在缺失数据下，首先给出了未知均值和协方差矩阵的估计量，然后利用特征函数构造检验统计量，并巧妙地规避了协方差矩阵估计奇异的问题。理论上，证明了在原假设和备择假设下检验统计量的几乎必然极限，以及原假设下的依分布收敛性。临界值通过bootstrap程序获得，模拟研究验证了检验的水平和功效，真实数据示例展示了应用。该工作将经典多元正态性检验推广到更实际的不完全数据设定，对您在高维统计和假设检验方面的兴趣有直接连接，尤其是处理缺失数据时检验方法的理论性质（收敛性、bootstrap有效性）值得关注。
  • 关键技术: BHEP test, characteristic function, incomplete data, bootstrap critical values, almost sure limit, convergence in distribution
  • 为什么对您有用: 直接连接到您'假设检验'和'高维统计'的primary interest，具体是多元正态性检验在不完全数据下的推广。您的武器库中'非参数统计'和'高维渐近理论'可以直接用于分析该检验统计量的渐近性质（如bootstrap有效性证明），属于立即可做的范畴——您可以用熟悉的高维渐近工具检验其理论证明的严谨性或提出改进。

3. 2607.03331 — When Does Heteroskedasticity Matter? A Contrast-Specific Theory of Robust Inference

  • 作者: Ulrich Hounyo
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文提出一种对比特异性的异方差理论，旨在回答经典问题：异方差何时对特定线性对比的推断有实质影响？在固定设计线性回归中，作者证明异方差稳健方差与同方差方差之差等于条件误差方差与对比特异性杠杆得分之间的经验协方差。由此定义异方差相关性比率和标准误膨胀因子，精确刻画异方差对特定系数或线性组合的推断效应。理论表明，即使模型存在异方差，若其与对比特异性杠杆得分不相关，则对目标对比的一阶推断无影响；反之，即使异方差幅度不大，若集中在高杠杆观测上，也可能显著影响推断。结果推广至一般协方差结构（如聚类标准误），并解释为何同一回归中不同系数的稳健、聚类和自助法标准误可能差异显著。对您而言，该工作直接关联假设检验与因果推断中的稳健推断问题，其对比特异性视角可迁移至因果效应估计的异方差敏感性分析。
  • 关键技术: heteroskedasticity-robust variance, contrast-specific leverage score, fixed-design linear regression, standard-error inflation factor, bootstrap inference
  • 为什么对您有用: 该文直接关联您对假设检验和因果推断中稳健推断的兴趣，其对比特异性视角可迁移至因果效应估计（如ATE或ATT）的异方差敏感性分析。您武器库中'非参数统计'和'高维渐近理论'可直接用于推导更一般设定下的异方差相关性比率，属于立即可做的延伸。

4. 2607.03391 — Power and Limits of Subset Selection in Statistical Estimation

  • 作者: Dina Barak-Pelleg, Daniel Berend
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究统计估计中通过子集选择（super-teaching）提升估计精度的能力与极限。在均值估计中，若分布密度在均值某邻域内远离零，教师可选取大小为 k = o(n^{1/3}) 的子集，使估计误差达到约 k!/n^k 量级，显著优于全样本估计。方法推广至方差、尺度参数等期望的光滑泛函，以及样本中位数等非线性估计量，在重尾分布下仍有效。关键工具包括对子集选择策略的构造性分析与误差界的精细刻画。实证表明，即使标准极大似然估计不一致或非渐近正态，super-teaching 仍可成功。本文为数据选择提升统计效率提供了统一理论框架，对您在高维统计与假设检验中探索数据自适应策略有参考价值。
  • 关键技术: super-teaching, subset selection, mean estimation, smooth functional, sample median
  • 为什么对您有用: 本文属于假设检验与估计理论方向，直接连接您对数学统计与假设检验的兴趣。您武器库中'非参数统计'和'极小极大界'可用于分析其子集选择策略的最优性，'高阶U统计量'的树宽/张量收缩视角可能为推广至更复杂估计量提供计算成本分析。中期可做：需先在'moderately_familiar'的M估计理论上提升，以处理非线性估计量的子集选择推广。

5. 2607.03225 — Post-Selection Inference for Multiverse Analysis in Mixed-Effects Models (PIMAX)

  • 作者: Anna Vesely, Angela Andreella
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出 PIMAX 框架，将多宇宙分析（multiverse analysis）的后选择推断与符号翻转得分检验（sign-flipping score test）扩展到聚类数据（如纵向、分层数据）的混合效应模型。核心设定是：研究者预先指定一组候选模型规格（固定效应和随机效应结构），PIMAX 在控制族系错误率（FWER）的前提下，提供全局 p 值检验是否存在非零效应，并给出多重性调整后的 p 值以识别具体贡献规格。方法的关键机制是：利用符号翻转得分检验对方差误设的稳健性，结合两阶段汇总统计量（flip2sss）处理聚类内依赖，从而避免依赖完全指定的随机效应协方差结构——这是传统方法因随机效应误设导致 I 类错误膨胀的主要来源。理论结果包括弱控制 FWER 的全局检验和强控制 FWER 的多重比较，适用于异方差、非平衡设计和聚类内相关。模拟和实证表明 PIMAX 在聚类数据多宇宙分析中有效控制错误率。对您而言，本文属于假设检验在因果推断中多模型比较的应用，其符号翻转检验的稳健性思路可迁移至您熟悉的因果推断敏感性分析（如 IV 或 proximal CI 中模型误设的检验），且聚类数据设定与您 secondary interest 中的流行病学队列研究直接相关。
  • 关键技术: sign-flipping score test, multiverse analysis, post-selection inference, family-wise error rate control, cluster-level summary statistics
  • 为什么对您有用: 本文连接您的 primary interest 中的假设检验和 secondary interest 中的流行病学应用。具体而言：(1) 多宇宙分析是因果推断中处理模型不确定性（如不同协变量调整集、不同随机效应结构）的实用框架，与您熟悉的因果推断敏感性分析直接相关；(2) 符号翻转得分检验的稳健性机制可被您 moderately_familiar 的 M-estimation 理论理解（得分函数与符号翻转的鞅差结构），中期可做：若您先巩固 M-estimation 的稳健推断工具，可尝试将 PIMAX 的 FWER 控制思路推广到更一般的半参数模型（如 DML 中的多重比较）；(3) 本文方法直接适用于流行病学队列研究的聚类数据（如多中心试验），属于 gateway-reading 范畴——作为应用论文，它清晰展示了统计方法如何解决实际数据中的模型误设问题，值得花时间读全文以获取分析模式。

统计计算 / 算法 (stat_computing, 1 篇)

1. 2607.02836 — stLMM: Bayesian Spatial and Space-Time Linear Mixed Models for Small-Area Ecological Estimation

  • 作者: Andrew O. Finley
  • 相关性 5/10 · novelty: application
  • 摘要: 本文介绍 stLMM 这一 R 包，用于贝叶斯空间/时空线性混合模型的小区域生态估计。包内统一了 iid 分组效应、AR 时间效应、GP/NNGP 点参考效应、CAR/DAGAR 区域效应、可分离区域时空效应及结构化变系数等多种潜效应。核心实现基于共享稀疏精度矩阵，在拟合时折叠结构化潜效应，之后恢复或保留用于拟合值、诊断、预测和后验汇总，从而提供从模型拟合到预测聚合的不确定性传播统一工作流。文章以华盛顿县生物量为例，使用 FIA 数据和树冠覆盖度估计县-年生物量均值，并附有可复现代码、数据、诊断及模型变体。对您而言，该包是统计计算（R 包开发、稀疏精度实现）的实用参考，但方法学新颖性有限，属于应用工具型工作。
  • 关键技术: Bayesian linear mixed models, nearest-neighbor Gaussian process (NNGP), conditional autoregressive (CAR), sparse precision matrix, small-area estimation
  • 为什么对您有用: 本文属于统计计算（R 包开发）方向，与您的 primary interest 中 'statistical computing (numerical methods, algorithm)' 直接相关。您的 very_familiar 武器库中的 'software development' 可直接用于评估该包的代码设计、稀疏精度实现效率及可扩展性。该包是生态小区域估计的实用工具，但方法学贡献较常规，属于中期可做——若您想深入，需先在 moderately_familiar 的 'M-estimation theory' 上巩固贝叶斯模型的理论基础。

天体统计 (astrostats, 2 篇)

1. 2607.03575 — SGN: A python framework for stream-processing pipelines

  • 作者: Yun-Jing Huang, Olivia Godwin, Chad Hanna, James Kennington, Jameson Rollins, Max Melching et al.
  • 相关性 4/10 · novelty: application
  • 摘要: 本文介绍 SGN（Stream Graph Navigator），一个轻量级 Python 框架，用于构建流式数据处理管道。其核心是将计算组件连接成有向无环图（DAG），在事件循环中运行，专为低延迟实时分析设计。扩展库 SGN-TS 提供了针对时间序列数据的信号处理方法。SGN 已被用于构建引力波匹配滤波搜索管道 SGNL，并被多个低延迟引力波数据分析项目采用。该框架强调可扩展性和可维护性，为实时数据流处理提供了标准化基础设施。对您而言，这是一篇 astrostatistics 方向的入门级工具论文，展示了引力波数据处理中流式管道的实际架构，但方法学贡献有限。
  • 关键技术: stream-processing pipeline, directed acyclic graph (DAG), event loop, matched-filtering, time-series signal processing
  • 为什么对您有用: 本文属于 astrostatistics 方向的 gateway reading，适合作为了解引力波数据处理基础设施的入门材料。武器库中的软件开发和 high-dimensional asymptotics 经验有助于理解其管道设计，但本文不涉及统计推断或计算复杂度理论，因此暂不可做后续方法学拓展。

2. 2607.03045 — nmma: An extended Bayesian framework for Nuclear Multimessenger Astronomy in the Era of Next-Generation Detectors

  • 作者: Henrik Rose, Hauke Koehn, Thibeau Wouters, Peter T. H. Pang, Mattia Bulla, Michael W. Coughlin et al.
  • 相关性 4/10 · novelty: application
  • 摘要: 本文介绍 nmma 框架的重大升级，旨在高效处理下一代探测器时代的多信使天文数据（引力波、电磁对应体）。核心贡献是将核物理参数（如中子星状态方程）与引力波、千新星、余辉参数纳入统一的贝叶斯推断框架。方法上，利用快速替代模型（surrogate models）和机器学习仿真器（emulators）加速电磁暂态模拟，并采用加速波形近似器（waveform approximants）提升引力波似然计算效率。通过对 2017 年双中子星并合事件的再分析，在采用更详细物理模型的同时实现了 20–60 倍加速。还展示了如何同时约束核参数和哈勃常数，并给出稳健的不确定性量化。作为 gateway reading，本文清晰阐述了多信使天文学的数据结构（引力波、光学/红外光变曲线）、噪声模型和似然设定，适合统计学家入门该领域。
  • 关键技术: Bayesian inference, surrogate models, emulators, waveform approximants, multimessenger astronomy
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，清晰展示了多信使数据（引力波+电磁）的贝叶斯推断流程，包括似然构建、仿真器加速和不确定性量化。研究者若想进入天文统计方向，本文是很好的入门材料——数据结构和模型假设都交代清楚，且武器库中的非参数统计和软件工程能力可直接用于理解或复现其加速方法。值得花时间读全文以建立领域直觉。

🗂 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. 2607.03290 — Directional variograms for multivariate extremes

  • 作者: Manuel Hentschel, Frank Röttger, Johan Segers, Sebastian Engelke
  • 相关性 3/10
  • 评分理由: Focuses on multivariate extremes and variograms, tangential to primary interests in causal inference or high-dimensional statistics.

2. 2607.03532 — How Low Can We Go? Minimum Spectroscopic Requirements For Supernova Subtype Classification

  • 作者: Willow Fox Fortino, Federica B. Bianco, Maryam Modjaz, Thomas Matheson, Umer Zubair
  • 相关性 3/10
  • 评分理由: Astrostatistics paper on supernova classification; lacks clear data/model exposition for an outsider.

3. 2607.03185 — DHARA: Data Handling and Automated Reduction pipeline for AIMPOL

  • 作者: Namita Uppal, Shashikiran Ganesh, Santosh Joshi, Dmitry Blinov, Konstantinos Tassis, Sadhana Singh
  • 相关性 3/10
  • 评分理由: Data reduction pipeline for polarimetry; weak relevance to statistical computing.

4. 2607.03059 — The SKAO Pulsar Timing Array

  • 作者: Ryan M. Shannon, N. D. Ramesh Bhat, Aurélien Chalumeau, Siyuan Chen, H. Thankful Cromartie, A. Gopakumar et al.
  • 相关性 3/10
  • 评分理由: 脉冲星计时阵列的天文学目标，未涉及统计方法或数据模型，作为入门阅读也不够清晰。

5. 2607.03586 — Bayes Estimation of GLARMA Models With Applications

  • 作者: Guilherme Pumi, Ana Julia Alves Câmara
  • 相关性 2/10
  • 评分理由: Bayesian time series for GLARMA models is unrelated to primary interests in causal inference, high-dimensional statistics, or U-statistics.

6. 2607.03186 — Effect of sampling on the descriptive distributions of correlated random walks

  • 作者: Joseph D. Bailey, Jessica Claridge
  • 相关性 2/10
  • 评分理由: Unrelated to primary or secondary interests; random walk sampling is not a focus area.

7. 2607.03404 — Simulation-based dynamic pointing analysis of AtLAST under wind loading and fast-scan conditions

  • 作者: Aleksej Kiselev, Martin Timpe, Matthias Reichert, Tony Mroczkowski, Claudia Cicone
  • 相关性 2/10
  • 评分理由: Engineering analysis of telescope pointing; unrelated to statistical interests.

8. 2607.03265 — FINER: development of the wideband millimeter-wave receiver system and preparations for first light on the Large Millimeter Telescope

  • 作者: Akio Taniguchi, Yoichi Tamura, Takeshi Sakai, Masato Hagimoto, Takuya Hashimoto, Akio K. Inoue et al.
  • 相关性 2/10
  • 评分理由: Instrumentation paper for millimeter-wave receiver; unrelated to statistical interests.

9. 2607.03106 — White Paper on Phototrophic Biosignatures: Research Priorities for the Search for Life on Other Worlds

  • 作者: Nancy Y. Kiang, Christopher Gisriel, Robert E. Blankenship, Mary N. Parenteau, Hazel A. Barton, Oded Béjà et al.
  • 相关性 2/10
  • 评分理由: 纯天体生物学白皮书，无统计方法或数据分析内容，与研究者兴趣无关。

10. 2607.03024 — Rapid Response Triggering for Radio Transients with the SKA Observatory

  • 作者: G. E. Anderson, S. I. Chastain, A. P. Curtin, K. Gourdji, N. Hurley-Walker, C. W. James et al.
  • 相关性 2/10
  • 评分理由: 望远镜快速响应触发机制的技术描述，无统计内容，与研究者兴趣无关。

11. 2607.03117 — Spectrally Tuned Bandwidth Selection for Kernel Fuzzy Relational Clustering

  • 作者: Efthymios Costa, John R. J. Thompson
  • 相关性 1/10
  • 评分理由: Kernel fuzzy clustering with bandwidth selection is unrelated to the researcher's primary or secondary interests.

12. 2607.03119 — Vector Apodizing Phase Plates for the ELT: From prototype to final optics for METIS and MICADO

  • 作者: J. A. van den Born, R. Landman, D. S. Doelman, F. Snik, Y. Nishie, Y. Watanabe et al.
  • 相关性 1/10
  • 评分理由: Optics and coronagraph design for ELT; unrelated to statistical interests.

Maintained by 陈星宇 · Homepage · Source on GitHub

评论