2026-07-08 每日 arXiv 资讯

• 高相关论文 14 篇 · 中相关 55 篇 · 其他 32 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 8 篇)

1. 2607.04644 — A General Exposure-Mapping-Agnostic Framework for Causal Inference under Interference

• 作者: Yihui He, Eric J. Tchetgen Tchetgen
• 分类: stat.ME
• 相关性 9/10 · novelty: new_method
• 摘要: 本文在集群实验（two-stage randomization）的干扰（interference）设定下，发展了一个不依赖暴露映射（exposure mapping）假设、不排除跨集群干扰、也不要求伯努利处理分配的一般性因果推断框架。核心贡献是对 Godambe (1955) 定义的线性加权（LW）估计量族进行了完整刻画，证明该类估计量能在干扰下识别多种网络因果效应。文中提出了若干新估计量，相比标准 IPTW 具有更好的理论保证和有限样本表现；对大多数 LW 估计量建立了中心极限定理和保守方差估计量，并揭示了不同加权方案下不同的渐近行为。特别地，作者识别了一类“cluster-agnostic”LW 估计量，其收敛速率与集群数无关，达到最优的根号 N 率（N 为总个体数）。对于完全随机化设计，还发展了可能独立受用的新技巧，用于建立一般相依统计量之和的 CLT 以及构造保守且偏差校正的方差估计量。该工作直接连接您 primary interest 中的因果推断（干扰下的识别与估计）和 semiparametric 理论（线性估计量的渐近性质），且其“不依赖暴露映射”的思路对您熟悉的 proximal CI 框架下的 negative control 设定也有启发。
• 关键技术: linear weighted estimators, two-stage randomization, central limit theorem for dependent statistics, conservative variance estimation, cluster-agnostic estimators, design-based causal inference
• 为什么对您有用: (1) 直接连接 primary interest 中的因果推断子方向——干扰（interference）下的识别与估计，特别是其“不依赖暴露映射”的框架与您熟悉的 proximal CI 的 negative control 设定有深层关联；(2) 可用您 very_familiar 的 minimax bounds 工具来检验文中声称的“最优根号 N 率”是否紧，以及用 higher-order U-statistics 的 treewidth 视角分析其 LW 估计量的计算成本；(3) 中期可做：若先补上 moderately_familiar 的 HOIF 工具，可将本文的线性估计量推广到高阶影响函数版本，以处理更复杂的干扰结构。

2. 2607.02787 — When Does Real-World Data Make a Randomized Trial More Efficient, and How Would You Know? A Report Card, an Efficiency Map, and Selection-Aware Inference for Adaptive-TMLE

• 作者: M. Ehsan Karim
• 分类: stat.ME
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究在随机对照试验（RCT）中融合真实世界数据（RWD）以提升效率的问题，目标是在给定RCT和RWD联合数据下，对平均处理效应（ATE）进行更有效的估计和推断。核心方法是自适应目标最大似然估计（A-TMLE），它通过数据自适应地学习RWD与RCT之间的选择偏差模型，并构建一个可审计的“报告卡”来量化该偏差模型的恢复质量。作者进一步开发了一个“效率地图”，将融合估计器的方差分解为结构部分，并精确刻画了融合增益何时为正：增益主要由RWD偏差的大小而非其函数复杂度驱动，且在小样本RCT中优势明显，存在一个明确的盈亏平衡点。针对增益本身（作为数据自适应目标量）的推断，作者比较了十种标准误估计量，发现只有分块刀切法（block jackknife）能提供校准的置信区间，尽管偏保守。三个公开数据集（HIV生物医学试验、公共卫生试验、职业培训试验）的实证分析验证了这些工具的有效性。该工作对您的主要兴趣——因果推断中的效率理论（debiased ML）和统计计算（软件实现）——有直接参考价值，特别是其关于A-TMLE方差分解和选择偏差建模的见解可迁移至您熟悉的proximal causal inference或IV设定中。
• 关键技术: Adaptive Targeted Maximum Likelihood Estimation (A-TMLE), variance decomposition, block jackknife, selection bias modeling, efficiency map, honest inference
• 为什么对您有用: 本文直接连接您的主要兴趣——因果推断中的效率理论（debiased ML）和统计计算。其核心贡献在于为RCT+RWD融合场景下的A-TMLE提供了可审计的偏差模型和精确的方差分解，这正好可以用您非常熟悉的非参数统计和估计理论中的minimax bound工具来验证其声称的“偏差大小主导增益”是否在更一般的函数类下成立。此外，分块刀切法的校准性分析为软件实现中的推断模块提供了具体指导。中期可做：若要进一步推广其效率地图到proximal CI或IV设定，需先在中等熟悉的HOIF（高阶影响函数）上长肌肉，因为融合场景下的偏差模型可能涉及高阶项。

3. 2607.03824 — Targeted Highly Adaptive Lasso Minimum Loss Estimation of Target Functions

• 作者: Vanessa Rodriguez, Karla Diaz-Ordaz, Brieuc Lehmann, Mark J. van der Laan
• 分类: stat.ME · stat.ML
• 相关性 8/10 · novelty: new_method
• 摘要: 本文针对非路径可微泛函参数（如连续暴露下的剂量-反应曲线 DRC）的估计问题，提出了一种 Targeted Highly Adaptive Lasso (Targeted HAL) 方法。假设目标函数属于 k 阶光滑类，可用 k 阶样条基函数的线性组合良好逼近。方法首先将真实目标函数投影到一个由初始 k 阶样条基函数张成的大维有限维工作模型上，得到目标泛函参数的一个路径可微近似。然后应用标准 TMLE，但用 HAL 样条基函数上的 LASSO 步骤替代 MLE 的 targeting 步骤，初始拟合采用数据自适应方式。理论证明 Targeted HAL-MLE 是逐点渐近正态的，收敛速度仅由目标函数的维数和光滑度决定，可达忽略 log n 因子的维数自由速率。模拟实验（DRC）显示，Targeted HAL 在偏差和均方误差上优于 HAL plug-in 估计量。该方法为泛函参数的推断提供了完全数据自适应的途径，无需指定 sieve 或参数假设。对您而言，该工作直接连接因果推断中的剂量-反应曲线估计和半参数效率理论，且其“投影+TMLE+LASSO”的构造思路可能启发您在 proximal CI 或 mediation 中处理非路径可微参数的新估计策略。
• 关键技术: Targeted Highly Adaptive Lasso, TMLE, pathwise differentiable approximation, k-th order spline basis, dimension-free convergence rate
• 为什么对您有用: 本文直接连接您的 primary interest 中的 causal inference（剂量-反应曲线估计）和 semiparametric theory（非路径可微泛函的推断）。技术武器库中 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 可直接用于理解其投影+TMLE+LASSO 的构造；moderately_familiar 的 semiparametric theory 可用于评估其渐近正态性证明的紧性。中期可做：若将类似思路推广到 proximal CI 中的 bridge function 估计，需先在 moderately_familiar 的 identification theory in causal inference 上加强。

4. 2607.03999 — Significance-First Splitting: Aligning Treatment Heterogeneity Detection with Honest Estimation

• 作者: Pantelis Z. Hadjipantelis, Josephine Chiang, Karthik Nagesh
• 分类: stat.ME · cs.LG · stat.ML
• 相关性 8/10 · novelty: new_method
• 摘要: 本文提出一种混合算法，在因果树框架下同时实现异质性检测和诚实推断。现有方法中，基于显著性分裂的树能直接识别交互效应但缺乏有效推断，而诚实因果树（Athey & Imbens 2016）虽能给出名义置信区间覆盖，但分裂准则与结果无关，牺牲了交互敏感性。作者将显著性分裂（使用处理×侧交互的平方t统计量t²作为分裂准则）与诚实样本分裂、交叉验证结合，证明当交互效应较强时t²准则与诚实EMSE_τ准则直接对齐。后验诚实交叉验证选择代价复杂度惩罚，得到单一原则性估计量，在叶节点水平实现名义CI覆盖。对于森林，保留bootstrap计数向量以使用无穷小刀切（IJ）方差估计来评估蒙特卡洛收敛，而非正式逐点推断。在Athey & Imbens (2016)的三个合成设计上，单棵树在90%名义水平下达到约90%的叶平均CI覆盖；在Criteo和Starbucks uplift数据集上，Qini系数与S-和T-learner基线相当。该方法对您可能有用：它直接连接您因果推断中异质性处理效应（CATE）估计的兴趣，且其分裂准则与诚实推断的对齐分析可借助您非常熟悉的非参数统计和因果推断估计理论来进一步理解或改进。
• 关键技术: honest causal tree, significance-based splitting, squared t-statistic splitting criterion, honest sample-splitting, cross-validation for cost-complexity penalty, infinitesimal jackknife variance estimation
• 为什么对您有用: 本文直接连接您primary interest中的因果推断（CATE估计与推断）子方向，特别是树方法中分裂准则与推断性质的对齐问题。您非常熟悉的非参数统计和因果推断估计理论可直接用于分析其t²分裂准则的渐近性质或扩展至更复杂的异质性模式。中期可做：若想将分裂准则推广到高维协变量或使用更复杂的交互检测，需先在moderately_familiar的HOIF（高阶影响函数）上长肌肉，以处理高阶交互的识别与推断。

5. 2607.04036 — B-CALM: Bias-Limited Bayesian Borrowing for RCT-Anchored Treatment Effects under Covariate Mismatch

• 作者: Amir Asiaee, Samhita Pal
• 分类: stat.ME
• 相关性 8/10 · novelty: new_method
• 摘要: 本文针对RCT样本量小、OS样本量大但存在混杂和协变量不重叠的问题，提出B-CALM方法用于估计RCT锚定的条件平均处理效应（CATE）。该方法将各数据源的协变量映射到共享潜空间，联合建模RCT和OS的结果曲面，并引入基线偏倚和比较偏倚函数来刻画OS相对于RCT estimand的偏离。比较偏倚的先验被设计为显式的敏感性旋钮：作者证明了有限特征下的偏倚受限信息界，表明OS关于RCT处理效应函数的对比信息受该偏倚函数先验精度的上限约束，并推导出有效样本量公式，显示OS贡献的RCT等效信息随OS样本量增长而饱和。理论部分还结合了PAC-Bayes试验风险界与积分概率度量（IPM）对齐和校准分解，将RCT经验风险、潜空间对齐和去偏OS曲面的残差校准分离。在合成、半合成和儿童肥胖外部对照研究中，B-CALM保持了接近名义水平的平均覆盖率和低负迁移，而pooled方法和因果森林基线在比较偏倚下可能变得过度自信。该方法对您的主要兴趣——因果推断中的敏感性分析和纵向设定——有直接参考价值，其偏倚受限信息界和有效样本量饱和公式为处理异质性估计中的数据融合问题提供了理论工具。
• 关键技术: Bayesian borrowing, PAC-Bayes bound, integral probability metric (IPM), latent variable alignment, effective sample size formula, sensitivity analysis
• 为什么对您有用: 直接连接到您的主要兴趣——因果推断中的敏感性分析和纵向设定。该文的偏倚受限信息界和有效样本量饱和公式，可用您非常熟悉的非参数统计和极小极大界工具来检验其紧性（是否可改进为更锐的界），属于立即可做的follow-up。此外，其潜空间对齐框架与您中等熟悉的识别理论（identification theory in causal inference）有交叉，可探讨在proximal CI设定下是否可放松负对照假设。

6. 2607.04327 — External anchors reveal target-population effects hidden by published clinical-trial evidence

• 作者: Dan Kasumi, Ryoya Nakano, Takahiro Hoshino
• 分类: stat.ME
• 相关性 8/10 · novelty: new_method
• 摘要: 本文提出参考锚定元分析（reference-anchored meta-analysis），解决已发表临床试验证据因发表偏倚而无法反映目标人群真实效应的问题。该方法利用外部未治疗结局分布来定义目标人群，并通过每个试验的对照组均值作为外部锚定工具变量，校正发表选择偏倚。在抗抑郁药文献中，使用严格留出的隐藏试验作为基准，该方法能恢复所有试验的基准效应。应用于失眠总睡眠时间和2型糖尿病HbA1c的安慰剂对照文献时，估计的目标人群效应显著小于已发表平均值，同时第一阶段诊断可预先提示哪些情况下不应尝试校正。证据综合由此成为目标明确的估计，且选择假设可审计。对您而言，该方法将工具变量思想引入元分析中的发表偏倚校正，与您的因果推断（IV）和流行病学应用兴趣直接相关。
• 关键技术: reference-anchored meta-analysis, external anchor, publication bias correction, control-arm mean as instrument, diagnostic test for selection
• 为什么对您有用: 本文直接连接您的因果推断（IV）兴趣子方向，将工具变量思想创新性地用于元分析的发表偏倚校正。您的技术武器库中'identification theory in causal inference'（moderately_familiar）可用来分析其锚定假设的可检验性，而'minimax bounds for estimation problems'（very_familiar）可用于评估其估计量的最优性。中期可做：需先在moderately_familiar的identification theory上进一步熟悉，以严格推导锚定假设的识别条件。

7. 2607.04957 — Identification and Bounding of Central Moments of Causal Effects Using Marginal Moments Information

• 作者: Naoya Hashimoto, Yuta Kawakami, Jin Tian
• 分类: stat.ME · stat.ML
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究个体因果效应（ICE）的中心矩（方差、偏度等）的识别与边界问题。设定为潜在结果框架，目标是在仅知道每个潜在结果的边际中心矩（而非完整边际分布）的条件下，对ICE分布的形状参数进行推断。核心机制是利用矩不等式和优化方法，在给定边际矩信息下推导ICE中心矩的可行区间（识别区间）。与现有依赖完整边际分布的方法相比，边际矩信息在实证中更易获得，例如仅需处理组和对照组的样本矩。文章通过两个实证案例（如教育干预或医疗政策）展示了该方法的实用性。对您而言，该工作直接连接因果推断中的异质性量化问题，且其识别策略可视为一种弱假设下的敏感性分析，与您的proximal CI和IV方向中处理未观测混杂的思路互补。
• 关键技术: marginal moment constraints, identification bounds, individual causal effect (ICE), treatment effect heterogeneity, optimization-based bounds
• 为什么对您有用: 直接连接您的primary interest中的因果推断异质性量化子方向。该文的识别策略（仅用边际矩而非完整分布）可视为一种弱假设下的敏感性分析，与您熟悉的proximal CI和IV中处理未观测混杂的思路互补。中期可做：若想将此类矩约束推广到更复杂的设定（如纵向或工具变量），需先在moderately_familiar的identification theory上长肌肉。

8. 2607.05293 — Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries

• 作者: Wenling Zhang, Cecilia Cotton, Lan Wen
• 分类: stat.ME
• 相关性 8/10 · novelty: application
• 摘要: 本文研究纵向设定下重复事件结局（如急性肾损伤复发）的平均因果效应估计，目标 estimand 是标准 vs 强化降压治疗对复发风险的 intention-to-treat 或 per-protocol 效应。方法采用 doubly robust 框架，结合逆概率加权（IPW）和 outcome regression，以应对时变治疗、时变混杂以及模型误设定。具体地，作者利用 g-computation 和 IPTW 的 double robust 版本，在每期对 treatment 和 censoring 机制建模，并通过叠加半竞争风险（死亡）的复合结局处理来避免 informative censoring。理论部分证明了 estimator 的 double robustness 性质：只要 treatment 机制或 outcome 模型之一正确指定，估计量即一致。实证部分使用 SPRINT 试验数据，展示了不同依从性定义下的效应估计，并进行了敏感性分析。对您而言，本文是纵向因果推断中 double robust 方法在真实流行病学队列上的应用范例，其处理时变混杂和半竞争风险的策略可直接迁移到您关注的流行病学应用方向。
• 关键技术: doubly robust estimation, inverse probability weighting, g-computation, time-varying confounding, semi-competing risks
• 为什么对您有用: 本文属于流行病学应用方向，使用 double robust 方法处理纵向因果推断中的时变混杂和半竞争风险，与您 secondary interest 中的流行病学应用直接相关。您的武器库中 'estimation theory in causal inference'（very_familiar）和 'identification theory in causal inference'（moderately_familiar）足以理解并复现其方法框架，但若要深入改进其 double robust estimator 的效率（例如推导 semiparametric efficiency bound），则需在 'semiparametric theory'（moderately_familiar）上进一步积累。总体判断：立即可做——您可以用 very_familiar 的因果推断估计理论直接阅读并评估其方法设计。

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

1. 2607.04743 — Stabilized Higher-Order Influence Functions: Statistical Theory of a Class of Bilinear Forms

• 作者: Na Liu, Chang Li, Yujia Gu, Lin Liu
• 分类: math.ST · econ.EM · stat.ME · stat.ML · stat.TH
• 相关性 9/10 · novelty: new_method
• 摘要: 本文针对高阶影响函数（HOIF）框架下的统计泛函估计问题，提出了一类新的稳定化高阶估计量。传统HOIF估计量（Robins et al., 2008）需要非参数密度估计，计算和统计难度大；后续的实证HOIF估计量（Liu et al., 2017）虽避免了密度估计，但需样本分割并求逆大维样本Gram矩阵，数值不稳定。本文提出的稳定化估计量无需样本分割，通过直接估计逆总体Gram矩阵Ω的某种稳定形式，避免了病态矩阵求逆。作者证明了该估计量在统计上与原HOIF估计量享有相同的收敛速率和渐近性质，且有限样本表现更稳定。核心技术工具包括：高阶影响函数展开、Gram矩阵的谱分析、以及无需交叉拟合的稳定化逆估计。对您而言，本文直接连接您在高阶U统计量和效率理论方面的兴趣，特别是HOIF与高阶U统计量的深层联系——您熟悉的树宽/张量收缩视角可用于分析该估计量的计算复杂度。
• 关键技术: Higher-Order Influence Functions, Gram matrix inversion, stabilized estimation, sample-splitting avoidance, spectral analysis
• 为什么对您有用: 本文直接连接您在高阶U统计量和效率理论方面的兴趣（primary interests），特别是HOIF与高阶U统计量的深层联系。您熟悉的树宽/张量收缩视角（very_familiar中的'computation of higher-order U-statistics'）可用于分析该估计量的计算复杂度——例如，Gram矩阵求逆的代价是否可通过einsum优化。中期可做：需先在HOIF理论（moderately_familiar）上长肌肉，才能深入理解其与高阶U统计量的精确关系。

2. 2607.04743 — Stabilized Higher-Order Influence Functions: Statistical Theory of a Class of Bilinear Forms

• 作者: Na Liu, Chang Li, Yujia Gu, Lin Liu
• 分类: math.ST · econ.EM · stat.ME · stat.ML · stat.TH
• 相关性 9/10 · novelty: new_method
• 摘要: 本文针对高阶影响函数（HOIF）框架下的统计泛函估计问题，提出了一类新的稳定化高阶估计量。传统高阶估计量（Robins et al., 2008）需要非参数密度估计，计算复杂且不稳定；而经验高阶估计量（Liu et al., 2017）虽避免了密度估计，但需样本分割并求逆大维样本Gram矩阵，数值不稳定。本文提出的新估计量无需样本分割，通过直接稳定化逆Gram矩阵的估计（如引入正则化或收缩技术），在有限样本下表现出更稳定的数值性能。理论方面，作者证明了该稳定化估计量在适当条件下仍能达到与经验高阶估计量相同的统计收敛速率（如n^{-1/2}或更优的minimax率），且无需额外的样本分割步骤。关键技术工具包括高阶影响函数展开、Gram矩阵的谱分析以及正则化逆估计的偏差-方差权衡。该工作为HOIF的实际应用扫清了一个关键计算障碍，对您在高阶U统计量和效率理论方面的研究有直接参考价值——特别是其稳定化策略可迁移至您熟悉的树宽/张量收缩框架下的高阶统计量计算问题。
• 关键技术: higher-order influence functions, sample Gram matrix inversion, regularized inverse estimation, sample-splitting avoidance, bilinear form estimation
• 为什么对您有用: 本文直接对应您primary interest中的'efficiency theory (semiparametric efficiency bounds, debiased ML)'和'higher-order U-statistics'两个子方向。您武器库中'very_familiar'的'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'可以立即用于分析该稳定化估计量的计算复杂度——特别是其逆Gram矩阵的稀疏结构是否可被树宽优化。此外，您'moderately_familiar'的'HOIF (Higher-Order Influence Functions)'正是本文核心，因此这是一篇立即可做的follow-up：您可以用minimax bound验证其声称的收敛速率是否紧，或将其稳定化策略与您的einsum计算框架结合，开发出可扩展的HOIF软件包。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)

1. 2607.03719 — Asymptotic Bayes Optimality Under Sparsity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure

• 作者: Prasenjit Ghosh, Arijit Chakrabarti
• 分类: math.ST · stat.TH
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文在稀疏高斯序列模型（spike-and-slab 先验）下，研究 Gavrilov-Benjamini-Sarkar (GBS) 逐步向下多重检验过程的渐近贝叶斯最优性（ABOS）。现有 ABOS 结果主要针对 Benjamini-Hochberg 过程，而 GBS 过程虽在有限样本中表现优异且应用广泛，其渐近最优性尚未被证明。作者避开传统的阈值局部化近似方法，直接分析贝叶斯风险，将错误发现率和错误未发现率分别控制。关键技术包括：针对 GBS 临界常数导出的移位顺序统计量有限样本不等式，以及利用逐步向下结构对备择假设 p 值进行信号交叉论证。这是 GBS 过程的首个渐近决策理论分析，证明了其在稀疏性假设下的 ABOS 性质。该结果对您在高维假设检验（如多重比较中的 FDR 控制）的理论兴趣有直接连接，且证明技巧（顺序统计量不等式）可迁移至您熟悉的 U-统计量或高维渐近分析中。
• 关键技术: Gavrilov-Benjamini-Sarkar step-down procedure, asymptotic Bayes optimality under sparsity (ABOS), spike-and-slab prior, shifted order statistics inequality, signal-crossing argument, false discovery rate (FDR) control
• 为什么对您有用: 直接连接您 primary interest 中的 hypothesis testing（多重比较的渐近最优性）。技术核心——移位顺序统计量的有限样本不等式——可用您 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来检验其紧性，或推广到更一般的依赖结构（如 U-统计量驱动的检验）。立即可做：用您熟悉的高维渐近框架验证该不等式在非高斯噪声下的鲁棒性。

2. 2607.05223 — Sharp Lower Bound on the Minimax Risk for Multinomial Uniformity Testing via a Conditional Central Limit Theorem

• 作者: Alon Kipnis
• 分类: math.ST · cs.IT · math.IT · stat.TH
• 相关性 8/10 · novelty: sharper_rate
• 摘要: 本文研究多项分布均匀性检验的 minimax 风险下界。设定为从 N 个类别中抽取 n 个观测，备择假设为 ℓ_p 范数偏离大小为 ε_n。在中间渐近 regime N=o(n^2) 且信噪比 u_n = ε_n^2 n N^{3/2-2/p}/√2 收敛到有限常数 u* 时，minimax 风险收敛到非平凡常数。Poissonized 版本的下界已由作者先前工作给出，本文证明多项分布版本的下界与之匹配。关键技术步骤是在 Poisson 混合先验下，以总计数为条件，建立加权和的条件中心极限定理。结合上界，得到中间 regime 下 minimax 风险的精确常数刻画。该结果对您在高维假设检验和 minimax 理论方面的兴趣有直接连接，且条件 CLT 技术可能迁移到您熟悉的 U-统计量投影分析中。
• 关键技术: minimax lower bound, conditional central limit theorem, Poissonization, ℓ_p departures, signal-to-noise ratio
• 为什么对您有用: 直接连接到您 primary interest 中的 hypothesis testing 和 minimax 理论。该文在中间 regime 下给出精确常数，技术核心是条件 CLT，这与您非常熟悉的非参统计和 minimax 界工具高度匹配——您可以用 U-统计量投影或经验过程技术验证其下界是否紧。立即可做：用您已有的 minimax 界工具和条件 CLT 理解，可以立即复现或扩展其 regime 条件。

3. 2607.03719 — Asymptotic Bayes Optimality Under Sparsity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure

• 作者: Prasenjit Ghosh, Arijit Chakrabarti
• 分类: math.ST · stat.TH
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文在稀疏高斯序列模型（spike-and-slab 先验）下，研究 Gavrilov-Benjamini-Sarkar (GBS) step-down 多重检验过程的渐近贝叶斯最优性（ABOS）。现有文献对 Benjamini-Hochberg 过程的 ABOS 已有充分研究，但 GBS 过程尽管有限样本表现优异且应用广泛，其渐近最优性结果一直缺失。作者直接分析贝叶斯风险，将错误发现率和错误未发现率分别控制，而非像 BH 分析那样依赖随机拒绝阈值的确定性近似。关键技术包括：针对 GBS 临界常数对应的移位次序统计量建立新的有限样本不等式，以及利用过程逐步下降结构对备择假设 p 值进行信号穿越论证。这是首次对 GBS 过程进行渐近决策理论分析，并证明了其在稀疏性下的 ABOS 性质。对您而言，该工作直接关联您对假设检验和稀疏高维问题的兴趣，其有限样本不等式和次序统计量分析技巧可能对您在高维统计中的其他检验问题有借鉴意义。
• 关键技术: step-down multiple testing, asymptotic Bayes optimality under sparsity (ABOS), spike-and-slab prior, finite-sample inequality for shifted order statistics, signal-crossing argument
• 为什么对您有用: 直接命中 primary interest 中的 hypothesis testing 和 high-dimensional statistics。本文的 ABOS 分析框架和有限样本不等式技术，可用您 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来检验其最优性是否紧，或推广到其他 step-down 过程。中期可做：若想将类似论证推广到更一般的依赖结构（如相关检验），需先在 moderately_familiar 的 M-estimation theory 上长肌肉以处理依赖下的次序统计量分布。

4. 2607.05223 — Sharp Lower Bound on the Minimax Risk for Multinomial Uniformity Testing via a Conditional Central Limit Theorem

• 作者: Alon Kipnis
• 分类: math.ST · cs.IT · math.IT · stat.TH
• 相关性 8/10 · novelty: sharper_rate
• 摘要: 该论文研究多项分布均匀性检验的极小极大风险下界。设定为从 N 个类别中抽取 n 个多项观测，备择假设为 ℓ_p 范数偏差大小为 ε_n。在中间渐近 regime N=o(n^2) 且信噪比 u_n = ε_n^2 n N^{3/2-2/p}/√2 收敛到有限常数 u^ 时，极小极大风险趋于非平凡常数。Poissonized 版本的风险已由作者先前工作给出为 2Φ(-u^/2)，提供了上界。本文通过 Poisson 混合先验下加权和的条件中心极限定理（以总计数为条件），证明了匹配的下界。结合上界，得到了中间 regime 下多项分布极小极大风险的精确常数刻画。该结果对您在高维假设检验和 minimax 理论方面的兴趣有直接价值，因为它展示了如何利用条件 CLT 技术处理离散数据下的精确下界问题。
• 关键技术: minimax risk, conditional central limit theorem, Poisson mixture prior, ℓ_p departures, sharp constant characterization
• 为什么对您有用: 直接连接到您 primary interest 中的 hypothesis testing 和 high-dimensional statistics 子方向。该文在中间 regime 下给出了多项分布均匀性检验的精确极小极大风险常数，技术上使用了条件 CLT 和 Poisson 化技巧，这些工具与您武器库中 minimax bounds 和 high-dimensional asymptotics 高度匹配。立即可做：您可以用 very_familiar 的 minimax 下界技术（如 Le Cam 或 Fano 方法）验证该结果是否可推广到其他 ℓ_p 球或稀疏备择设定。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 7 篇)

1. 2607.02702 — Targeted maximum likelihood estimation for longitudinal two-stage designs with outcome subsampling

• 作者: Kirsten E. Landsiedel (University of California, Berkeley), Maya L. Petersen (University of California, Berkeley), Mark J. van der Laan (University of California, Berkeley)
• 机构: University of California, Berkeley
• 分类: stat.ME
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对纵向两阶段设计（如HIV死亡率研究中的重抽样设计）中结局变量在第二阶段被有选择地观测的情形，提出高效估计因果参数的方法。研究设定中，第一阶段收集所有参与者的协变量和部分结局信息，第二阶段仅对丢失随访的亚组进行结局追踪，导致数据缺失机制复杂。作者首先将IPCW-TMLE扩展至纵向设定（IPCW-LTMLE），通过估计并target第二阶段的已知抽样权重，相比直接使用已知权重可降低方差达36%。其次，为避免逆概率加权固有的效率损失，提出将第二阶段抽样指示变量作为干预节点纳入序贯回归框架的LTMLE，完全避免逆加权，实现plug-in估计。模拟表明，LTMLE相比加权Kaplan-Meier估计量方差降低可达73%，常见设置下降低30-50%；IPCW-LTMLE稳定降低20-35%。此外，交叉拟合方差估计对有效推断至关重要：标准方差估计量置信区间覆盖率低至76%，而交叉拟合变体可恢复名义水平。该工作对您有用：它直接连接您因果推断中纵向设定和效率理论（semiparametric efficiency bounds）的兴趣，且LTMLE框架与您熟悉的debiased ML和cross-fitting技术高度契合。
• 关键技术: targeted maximum likelihood estimation (TMLE), longitudinal TMLE (LTMLE), inverse probability of censoring weighting (IPCW), two-stage design with outcome subsampling, cross-fitted variance estimation, sequential regression
• 为什么对您有用: 本文直接连接您对因果推断中纵向设定和效率理论的兴趣，特别是semiparametric efficiency bounds和debiased ML。您武器库中very_familiar的estimation theory in causal inference和nonparametric statistics可直接用于理解其LTMLE框架的效率增益机制；moderately_familiar的semiparametric theory可用于验证其声称的方差降低是否达到semiparametric efficiency bound。中期可做：若想将本文的IPCW-LTMLE推广至proximal causal inference设定（如处理negative control下的缺失数据），需先在moderately_familiar的identification theory in causal inference上长肌肉。

2. 2607.03597 — What is the Causal Effect of a Conversation? Estimands and Inference in AI Mediated Conversations

• 作者: Adriane Fresh, Aiden Shin
• 分类: stat.ME
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文在潜在结果框架下系统分析了AI中介对话作为处理变量时的因果推断问题。核心挑战在于：对话并非被简单接收，而是由受访者与AI代理共同生成，因此对话内容对受访者身份是内生的。作者区分了多种因果对象：分配到对话条件、分配到对话策略、开场白、对话中的消息、实现的对话特征以及完整的实现对话，每种对应不同的估计量和识别假设。标准随机化设计仅能识别部分估计量，其余需要额外假设，如序贯假设、对话历史表示或显式消息级干预。本文为定义、解释和设计对话实验提供了统一语言，特别适用于政治科学中AI中介交互的研究。对您而言，该工作将因果推断拓展到动态、交互式处理场景，与您对IV、纵向数据和识别理论的兴趣直接相关，且其框架可启发您在高维或非参数设定下处理类似内生性问题。
• 关键技术: potential outcomes framework, sequential ignorability, conversational policy, message-level intervention, endogenous treatment
• 为什么对您有用: 本文直接连接您对因果推断中识别理论的兴趣，特别是处理变量内生性这一核心挑战。您武器库中'identification theory in causal inference'和'estimation theory in causal inference'可直接用于分析其提出的不同估计量的识别条件，并可能进一步探索非参数或高维设定下的估计方法。中期可做：需先在'moderately_familiar'的identification theory上深入理解其序贯假设与标准IV假设的关系，然后可尝试将本文框架与您的proximal causal inference工作结合，处理更复杂的对话内生性。

3. 2607.04257 — Randomization Tests in Randomized Saturation Designs

• 作者: Jizhou Liu, Azeem M. Shaikh, Liang Zhong
• 分类: stat.ME · econ.EM
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对随机饱和设计（randomized saturation designs）中的溢出效应（spillover effects）检验问题，提出了一套基于随机化推断（randomization tests）的假设检验框架。首先，对于固定的一对饱和水平，研究了两种个体水平原假设：部分尖锐零假设（无溢出效应）和有界零假设（个体溢出效应受预设常数限制），二者均可通过条件随机化框架结合焦点单元重标号分布（focal-unit relabeling distribution）实现有限样本精确检验。其次，针对弱平均溢出零假设，证明了虽然无法获得有限样本精确条件检验，但学生化重标号统计量（studentized relabeling statistics）可提供渐近有效的随机化推断。最后，针对多个有序饱和水平，开发了有限样本有效的无条件配对插补检验（unconditional pairwise-imputation test）用于全局单调性假设。模拟实验和Zomba现金转移实验的应用展示了方法的有限样本表现。该工作为集群随机实验中溢出效应的严谨推断提供了新工具，对您从事的因果推断（尤其是实验设计和敏感性分析）有直接参考价值。
• 关键技术: randomization tests, randomized saturation designs, spillover effects, focal-unit relabeling, studentized relabeling statistics, pairwise-imputation test
• 为什么对您有用: 本文直接关联您的primary interest中的因果推断（实验设计、溢出效应检验），且方法学上属于随机化推断的经典框架，与您非常熟悉的非参数统计和因果推断估计理论高度契合。武器库中'very_familiar'的'非参数统计'和'因果推断估计理论'可直接用于理解其检验构造和有限样本性质；'moderately_familiar'的'识别理论'可用于评估其假设的现实合理性。立即可做：可尝试将本文的随机化检验框架推广到更复杂的实验设计（如阶梯设计）或结合敏感性分析。

4. 2607.05279 — Emputation: Identification-Guided Neural Imputation Framework

• 作者: Yanjiao Yang, Yikun Zhang, Xinwei Shen, Yen-Chi Chen
• 分类: stat.ME · stat.ML
• 相关性 7/10 · novelty: new_method
• 摘要: 本文提出 Emputation 框架，一种基于深度生成模型的插补方法，目标是在给定观测变量条件下学习缺失变量的外推分布（extrapolation distribution）。训练由特定的缺失机制假设引导，这些假设保证了目标分布的可识别性（identification）。训练目标称为 emputation risk，基于能量分数（energy score），其中识别假设决定了如何对观测条目进行掩码以及哪些观测参与训练。该框架支持直接条件采样以进行多重插补。理论证明，在包括多种非随机缺失（MNAR）假设在内的广泛识别假设类下，emputation risk 的总体最小化器能够恢复目标外推分布。模拟实验在逐点和分布评估指标下均表现强劲，在阿尔茨海默病数据集上的应用展示了其实用价值。对您而言，本文的核心贡献在于将因果推断中的识别假设（如 MNAR）系统性地融入深度生成插补的训练目标，为处理缺失数据提供了新的理论指导，直接关联您的因果推断和半参数理论兴趣。
• 关键技术: energy score, identification assumptions, missing-not-at-random (MNAR), deep generative model, multiple imputation, extrapolation distribution
• 为什么对您有用: 本文直接连接您的因果推断兴趣中的缺失数据识别问题，特别是将 MNAR 等识别假设嵌入深度生成模型的训练目标，这与您熟悉的非参数统计和估计理论高度相关。技术上，您可以用 minimax 界来评估其估计量的最优性，或用半参数效率理论分析其渐近性质——这是您非常熟悉的武器。中期可做：若想将框架扩展到更复杂的因果 estimand（如 ATE 在缺失数据下的识别），需先在 moderately_familiar 的识别理论上进一步深入。

5. 2607.04567 — Causal Overlap Effects: A Cumulative Fixed Effect Approach

• 作者: Jingying He, Felix Elwert
• 分类: econ.EM
• 相关性 7/10 · novelty: application
• 摘要: 本文提出一个多维处理框架来定义“重叠效应”（overlap effect），即个体暴露于某种社会情境的持续时间与内容共同产生的因果效应。以祖父母重叠效应为例，目标 estimand 是祖父母所有可观测与不可观测特征（内容）对孙辈在其共同生命历程（持续时间）上的联合因果效应。传统固定效应模型无法处理此类多维处理，因为未观测的情境特征同时扮演混杂因素和效应组成部分的双重角色。作者开发了累积固定效应（CFE）方法，利用三波个体面板数据估计异质性因果重叠效应。模拟表明 CFE 在高度非线性设定下仍保持无偏性。文章讨论了识别假设与扩展方向。对您而言，本文是纵向因果推断中处理多维处理/暴露持续时间的应用型工作，其识别策略与面板数据设定可直接迁移至流行病学队列研究或经济学中的长期效应分析。
• 关键技术: cumulative fixed effects, multidimensional treatment, panel data causal inference, overlap effect, unobserved confounding
• 为什么对您有用: 本文属于纵向因果推断（longitudinal causal inference）的应用型工作，直接对应 primary interest 中的 longitudinal 子方向。武器库中 very_familiar 的 estimation theory in causal inference 可直接用于理解其 CFE 估计量的偏差性质，而 moderately_familiar 的 identification theory 可用于审视其多维处理下的识别假设是否可推广至更一般的 proximal CI 设定。中期可做：若想将本文的 CFE 思路与 higher-order U-statistics 结合（例如用 U-statistic 形式表达累积效应），需先在 moderately_familiar 的 HOIF 上长肌肉。

6. 2607.05024 — Post-Learning Inference for Combinatorial Optimizers with High-Dimensional Sparse Contextual Information via Minimal Directional Perturbation

• 作者: Pengyu Li, Shuting Shen
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究数据驱动的组合优化器（如品类混合、库存或资源可行性分类）的结构性质的后学习推断问题。目标不是推断潜在参数或光滑泛函，而是判断一个oracle优化器是否属于某个预设类别。设定为高维上下文多项logit模型，数据通过序贯自适应收集，参数到优化器的映射不连续，且策略引入时间依赖性。作者提出一种基于非光滑最大差值收入统计量的扰动检验，比较最优零假设品类与最优备选品类。检验在选定的支持集上扰动估计的终端收入曲面：随机单位方向捕捉方向不确定性，最小扰动半径捕捉幅度不确定性并生成p值。该方法将推断局部化在零假设与备选假设的边界附近，避免了对整个候选类别的均匀误差控制。数据由ℓ1惩罚在线似然策略收集，该策略在控制遗憾的同时进行变量选择。利用高斯最大值差的新反集中论证和鞅高斯耦合，作者建立了均匀估计率、有效支持恢复以及自适应品类选择下p值的渐近有效性，并证明了在局部化信号条件下的渐近尺寸控制和功效一致性。
• 关键技术: perturbation test, nonsmooth max-difference statistic, minimal directional perturbation, martingale Gaussian coupling, anti-concentration for Gaussian maxima, ℓ1-penalized online likelihood
• 为什么对您有用: 本文直接关联您对因果推断中序贯自适应数据收集（如动态治疗分配）的兴趣，其扰动检验方法为处理不连续映射下的推断提供了新思路。您武器库中'高维渐近理论'和'逆问题'的功底可用于理解其均匀估计率和耦合论证，而'HOIF'的视角或可帮助分析其检验的局部化效率。中期可做：需先在'半参理论'上加强，以将扰动思想推广至更一般的因果结构（如动态IV）。

7. 2607.05024 — Post-Learning Inference for Combinatorial Optimizers with High-Dimensional Sparse Contextual Information via Minimal Directional Perturbation

• 作者: Pengyu Li, Shuting Shen
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究高维稀疏情境下组合优化器（如品类混合、库存可行性）的后学习推断问题。目标不是估计潜在参数，而是检验数据驱动的优化器是否属于某个预设类别（如最优品类集）。设定为高维上下文多项logit模型，数据由ℓ1惩罚在线似然策略自适应收集，导致时间依赖性和参数-优化器映射的不连续性。提出基于非光滑最大差值收益统计量的扰动检验：在估计的支持集上施加随机单位方向扰动以捕捉方向不确定性，通过最小扰动半径量化幅度不确定性并构造p值。该方法将推断局部化在零假设与备择假设的边界附近，避免对整个候选类进行均匀误差控制。利用高斯最大值差的反集中不等式和鞅高斯耦合，建立了均匀估计率、有效支持恢复和p值渐近有效性。在局部化信号条件下证明了渐近尺寸控制和功效一致性。对您有用：该扰动检验框架可迁移至因果推断中的敏感性分析（如IV或proximal CI中弱工具变量或负对照的边界检验），且其反集中论证技术对高维统计推断有参考价值。
• 关键技术: perturbation test, nonsmooth max-difference statistic, minimal perturbation radius, martingale Gaussian coupling, anti-concentration for Gaussian maxima, ℓ1-penalized online likelihood
• 为什么对您有用: 连接因果推断中敏感性分析和IV弱工具变量检验的子方向：其扰动检验思想可直接用于proximal CI中负对照假设的局部化检验。武器库中'高维渐近理论'和'逆问题'可攻该文的鞅耦合和反集中论证，但核心的'组合优化器推断'设定与当前武器库距离较远——中期可做：需先在moderately_familiar的'识别理论'上理解其局部化边界概念，再考虑迁移。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2607.05273 — Subgraph counting estimation for the \(\beta\)-model in sparse networks

• 作者: Qunqiang Feng, Jiashun Jin, Yaru Tian, Ting Yan
• 分类: stat.ME
• 相关性 7/10 · novelty: sharper_rate
• 摘要: 本文针对稀疏网络中的β模型，提出了一种基于环计数比（CCR）的节点参数估计方法。β模型常用于刻画真实网络中常见的度异质性现象，但现有方法在极稀疏条件下（网络密度接近Erdős–Rényi下界log n/n）性能有限。CCR估计量利用两个网络环计数统计量的对数比，具有显式表达式且计算简便。在极弱条件max θ_t → 0且θ_t ‖θ‖_1 → ∞下，证明了CCR估计量的相合性，并达到均方误差意义下的极小极大最优速率，该速率与信噪比的平方成正比。进一步在稍强条件下建立了均匀相合性和渐近正态性，渐近方差为θ_t ‖θ‖_1。数值实验和稀疏网络数据应用验证了理论结果。该工作对您在高维统计和稀疏网络推断方向有直接参考价值，其环计数技巧与您熟悉的U-统计量计算（树宽/张量收缩）存在潜在联系。
• 关键技术: Cycle counting ratio estimator, β-model, minimax rate, sparse network, asymptotic normality
• 为什么对您有用: 本文属于高维统计与网络数据分析的交叉方向，直接对应您primary interest中的高维统计与假设检验。其环计数比估计量本质上是一种高阶U-统计量，与您非常熟悉的higher-order U-statistics计算（树宽/张量收缩）有技术共鸣——您可以用einsum复杂度分析该估计量的计算成本，或用minimax bound验证其声称的速率是否紧。中期可做：需先在moderately_familiar的higher-order U-statistics理论上进一步熟悉环计数统计量的投影分解，即可动手扩展至更一般网络模型。

非参数 / 半参数 (nonparam_semipara, 7 篇)

1. 2607.04692 — Conditional Mean Independence and Global Sensitivity Analysis using Nearest Neighbor Graphs

• 作者: Anirban Chatterjee, Ziang Niu, Bhaswar B. Bhattacharya
• 分类: stat.ME · math.ST · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究条件均值独立性的非参数检验与全局敏感性分析问题。目标是用一个非参数度量——响应变量被回归函数解释的变异比例（即多元 Sobol' 指数）——来量化条件均值函数对响应的解释程度。作者提出基于最近邻图的估计量，可在近线性时间内计算，并推导了其收敛速率。在条件均值独立原假设下，学生化后的估计量渐近服从标准正态分布，从而得到一个无需自助法或样本分割的计算高效且一致的条件均值独立性检验。进一步，该估计量被用于构建模型无关的变量筛选算法，并证明其一致性。文章还讨论了将框架推广到高阶 Sobol' 指数以度量交互效应。模拟和真实数据示例验证了方法的有效性。该工作与您的非参数统计和假设检验兴趣直接相关，其基于最近邻图的计算策略对您的高维统计计算背景有参考价值。
• 关键技术: nearest neighbor graphs, Sobol' indices, conditional mean independence test, U-statistics, variable screening
• 为什么对您有用: 本文连接您的非参数统计与假设检验兴趣，其核心是条件均值独立性的非参数检验，属于您熟悉的 minimax 框架。技术武器库中'非参数统计'和'高维渐近理论'可直接用于分析该估计量的收敛性质与检验功效。中期可做：该估计量本质上是 U-统计量，您可尝试用'高阶 U-统计量理论'（moderately_familiar）推导其更精细的 Berry-Esseen 界或高阶渐近展开。

2. 2607.04823 — Minimax prediction in the Functional Autoregressive Model

• 作者: Andr\'e Mas (IMAG), Angelina Roche (UPCit\'e)
• 机构: Universidad Peruana de Ciencias e Informática
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: sharper_rate
• 摘要: 本文研究函数型自回归模型（FAR）的预测均方误差的非渐近下界。FAR 将多元 AR(1) 推广到 Hilbert 空间值的时间序列，是函数型时间序列的基础模型。作者提出了一种岭型估计器替代传统的函数主成分分析（FPCA）正则化，避免了协方差算子谱的预估计。推导了该估计器的非渐近上界，该上界与下界在乘法常数意义下匹配，从而刻画了 minimax 最优预测率。偏差分析揭示了函数光滑参数与极值理论中正则/缓变函数之间的关联。模拟结果验证了理论结论。
• 关键技术: Functional Autoregressive Model, Ridge-type estimator, Non-asymptotic minimax lower bound, Mixed smoothness, Regularly varying functions
• 为什么对您有用: 本文直接关联非参数与半参数理论中的 minimax 界推导，且其非渐近上界匹配下界的技术（如混合光滑性刻画）可迁移至您熟悉的非参数统计与高维渐近工具。中期可做：需先熟悉函数型数据分析的算子理论（moderately_familiar 中未列出，但可快速补足），然后可尝试将类似 ridge 正则化思路用于您因果推断中的高维协变量预测问题。

3. 2607.04823 — Minimax prediction in the Functional Autoregressive Model

• 作者: Andr\'e Mas (IMAG), Angelina Roche (UPCit\'e)
• 机构: Universidad Peruana de Ciencias e Informática
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: sharper_rate
• 摘要: 本文研究函数型自回归模型（FAR）的预测均方误差的非渐近下界。FAR 将多元 AR(1) 推广到 Hilbert 空间值的时间序列，是函数型时间序列的基础模型。作者提出了一种岭型估计器替代传统的函数主成分分析（FPCA）正则化，避免了协方差算子谱的预先估计。推导了该估计器的非渐近上界，该上界与下界在乘法常数意义下匹配。偏差分析揭示了函数光滑参数与正则/缓变函数（极值理论常见）之间的联系。模拟结果验证了理论结论。对您而言，本文的非渐近 minimax 分析技术（尤其是下界构造和上界匹配）可直接迁移到您熟悉的高维统计和逆问题设定中。
• 关键技术: ridge-type estimator, non-asymptotic minimax lower bound, functional autoregressive model, Hilbert-valued Markov chain, regularly varying functions
• 为什么对您有用: 本文属于非参数/半参数理论（函数型数据预测），直接连接您 primary interest 中的非参数统计和 minimax 界。您的技术武器库中“非参数统计”和“逆问题”两项可直接用于分析其下界构造和上界匹配策略——例如，用您熟悉的 minimax 框架验证其下界是否紧，或将其 ridge 估计器推广到其他函数型时间序列设定。中期可做：需先在 moderately_familiar 的“M-估计理论”上熟悉函数型数据的算子正则化技巧。

4. 2607.03888 — Local Gaussian Correlation in the Tails: A Scarcity Diagnostic, an Optimal Local Bandwidth, and the Limits of Adaptivity

• 作者: Akash Deep, Gagan Deep
• 分类: stat.ME · q-fin.ST
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究局部高斯相关（LGC）在尾部依赖估计中的适应性带宽问题。首先，通过诊断发现，重尾数据生成过程中参数边际预变换对积分误差影响极小（仅第四位小数），而核心约束是局部有效样本量，其复制离散度遵循Fisher方差下限 sd ~ (1 - rho^2)/sqrt(eff_n)。其次，将Hjort-Jones局部似然渐近理论特化到LGC拟合的双变量高斯族，推导出首个位置特定的AMISE最优带宽 b*(x) ∝ [(1 - rho^2)^2 / (f beta^2)]^(1/6) n^(-1/6)，并直接验证了偏差展开（偏差 ∝ b^2 beta, R² ≈ 0.9）。第三，通过蒙特卡洛模拟绘制了依赖强度与曲面曲率的“机制图”：自适应规则仅在中等依赖且曲面弯曲时优于全局带宽；弱依赖时无曲率可挖掘，强依赖时有限样本偏差主导，自适应效果更差且误差随样本量增长。最后，在波动率过滤的股票收益数据上，自适应估计在重抽样下产生更稳定的尾部依赖曲面。核心警示是：尾部LGC的约束是数据稀缺性，而非带宽位置，任何最优带宽都无法恢复数据中不包含的信息。对您而言，本文的非参数局部似然渐近分析（AMISE最优带宽推导）与您熟悉的非参数统计和极小极大界工具高度相关，可直接用于评估您工作中U统计量或因果推断中核估计的边界自适应问题。
• 关键技术: local Gaussian correlation, AMISE-optimal bandwidth, Hjort-Jones local likelihood, Fisher variance floor, bias expansion validation, adaptive bandwidth regime map
• 为什么对您有用: 本文直接连接您的非参数统计兴趣，特别是局部似然估计的渐近理论。您可以用非常熟悉的极小极大界工具验证其声称的AMISE最优带宽是否紧，并利用高阶U统计量的树宽/张量收缩视角分析其估计量的计算成本。中期可做：需先在HOIF（高阶影响函数）上提升，以将本文的局部带宽思想推广到您的高阶U统计量设定中。

5. 2607.03927 — Posterior uncertainty for kernel density estimates

• 作者: Dennis Christensen, Torjus Svardal, Leiv R{\o}nneberg, Emil A. Stoltenberg
• 分类: stat.ME
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文在预测贝叶斯框架下研究经典核密度估计（KDE）的后验不确定性。作者证明，KDE的预测测度几乎必然弱收敛，从而其关联的预测重抽样序列几乎必然渐近可交换。他们给出了极限随机概率测度矩的估计量。同时，该序列不满足条件同分布（c.i.d.）或几乎条件同分布（a.c.i.d.）等标准假设，为预测序列提供了一个非平凡的反例。对于高斯核，极限导向测度几乎必然关于勒贝格测度绝对连续，因此存在概率密度。基于此，他们推导了KDE的置信区间，并在两个真实数据集上进行了展示。该工作连接了非参数密度估计与贝叶斯不确定性量化，对您在高维统计与非参数理论方面的兴趣有参考价值。
• 关键技术: predictive Bayesian inference, kernel density estimation, weak convergence, exchangeable sequences, credibility intervals
• 为什么对您有用: 本文直接关联非参数统计（核密度估计）与贝叶斯推断，属于您的primary interest。技术武器库中'非参数统计'和'minimax bounds for estimation problems'可用于分析其收敛速率与置信区间的最优性。中期可做：需先熟悉'预测贝叶斯'框架（moderately_familiar），但核心工具（弱收敛、核方法）已具备。

6. 2607.04375 — Spatial depth characterizes probability measures

• 作者: Alberto Gonz\'alez-Sanz, Dimitri Konen
• 分类: math.ST · math.PR · stat.TH
• 相关性 4/10 · novelty: new_theory
• 摘要: 本文解决了空间深度（spatial depth）和空间分位数（spatial quantile）的两个公开问题。首先，在无限维空间中，证明了空间分布函数及其对应的空间分位数能够唯一刻画底层概率分布，这一结果在有限维中由 Koltchinskii (1997) 建立，但无限维情形此前未知。其次，更令人惊讶的是，空间深度本身也能完全刻画概率测度，这是自 Chaudhuri (1996) 和 Vardi & Zhang (2000) 提出该概念以来，即使在有限维中也悬而未决的问题。证明引入了新颖的技术工具，可推广至其他深度和分位数概念。该结果为基于深度的非参数统计推断提供了理论基础。对您而言，本文属于非参数统计理论的核心进展，直接关联您的 primary interest 中的非参数理论方向，且其刻画性质可能为高维或函数型数据的深度基推断提供新视角。
• 关键技术: spatial depth, spatial quantile, characterization of probability measures, infinite-dimensional statistics, nonparametric depth-based inference
• 为什么对您有用: 本文直接关联您的 primary interest 中的非参数统计理论，解决了空间深度刻画概率测度的公开问题，属于该方向的基础理论进展。您的技术武器库中 'nonparametric statistics' 和 'minimax bounds for estimation problems' 可直接用于评估该刻画性质在估计问题中的统计效率（如深度基估计量的 minimax 最优性）。中期可做：若想将结果推广至其他深度概念（如 Mahalanobis depth），需先在 'semiparametric theory' 上长肌肉以处理更复杂的结构。

7. 2607.04375 — Spatial depth characterizes probability measures

• 作者: Alberto Gonz\'alez-Sanz, Dimitri Konen
• 分类: math.ST · math.PR · stat.TH
• 相关性 4/10 · novelty: new_theory
• 摘要: 本文解决了空间深度（spatial depth）和空间分位数（spatial quantiles）的两个公开问题。首先，在无限维空间中，证明了空间分布函数及其对应的空间分位数能够完全刻画底层概率分布，这一结果在有限维中已由Koltchinski (1997)建立，但无限维情形此前未知。其次，更令人惊讶的是，空间深度本身也能完全刻画概率测度，这是自Chaudhuri (1996)和Vardi & Zhang (2000)引入这些概念以来，即使在有限维中也悬而未决的问题。证明中引入了新颖的技术工具，可能对其他深度和分位数概念的类似问题具有推广价值。该结果为基于深度的非参数统计推断提供了理论基础。对您而言，该工作直接关联非参数统计理论，特别是分布刻画与深度函数的基本性质，属于您非常熟悉的非参数统计领域。
• 关键技术: spatial depth, spatial quantiles, distribution characterization, infinite-dimensional statistics, nonparametric inference
• 为什么对您有用: 该论文直接关联您的primary interest中的非参数统计理论，特别是分布刻画这一基础问题。您对非参数统计和minimax界非常熟悉，可以立即评估其证明技术是否可推广到其他深度概念（如Mahalanobis depth、halfspace depth）的刻画问题。立即可做：用您very_familiar的非参数统计工具即可深入理解并可能推广其证明思路。

数理统计 / 假设检验 (hypothesis_testing, 12 篇)

1. 2607.03590 — Tightening Control in Neyman--Pearson Linear Classification

• 作者: Yijian Huang
• 分类: math.ST · stat.ME · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究 Neyman-Pearson 范式下的线性分类问题，其核心设定是：对优先类别（如疾病筛查中的阳性类）的准确率施加一个预设下界作为约束，然后最大化另一类别的准确率。经典方法采用控制松弛的经验效用最大化（EUM）分类器，但作者证明该分类器即使在渐近意义下也无法保证平均达到预设的控制水平，并将此“欠控制”现象归因于标准统计学习中熟知的过度乐观偏差。受此启发，作者提出了两种精细化学习流程：一种控制优先类别的期望准确率，另一种控制其高概率准确率。进一步，作者开发了基于训练数据的方法来预测和推断所得分类器的类别特定准确率。模拟研究展示了良好的有限样本表现，并通过对癌症检测数据的应用进行了说明。该工作对您可能有用，因为它涉及假设检验框架下的分类问题，并与您在高维统计和因果推断中处理约束优化问题的兴趣有技术上的连接。
• 关键技术: Neyman-Pearson classification, empirical utility maximization, over-optimism bias, asymptotic theory, finite-sample control
• 为什么对您有用: 本文直接关联到您的假设检验兴趣，特别是分类问题中的误差控制。您武器库中的非参数统计和极小极大界工具可用于分析该文提出的分类器的有限样本性能。中期可做：需先在 moderately_familiar 的 M-估计理论上长肌肉，以严格推导其渐近分布。

2. 2607.03596 — Empirical Bayes for correlated Gaussian sequence model

• 作者: Qiyang Han, Cun-Hui Zhang
• 分类: math.ST · stat.ME · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究相关高斯序列模型中的经验贝叶斯估计问题。在观测存在任意相关性的设定下，作者提出使用最大复合边际似然（CML）估计器来估计先验分布，该估计器完全忽略似然中的相关性。理论结果表明，CML估计器在加权Hellinger距离下以n_^{-1/2}的速率收敛，其中有效样本量n_=n/κ_0仅由观测数n和相关系数矩阵的谱半径κ_0决定。互补的极小化下界证明n_*是恰当的复杂度度量，且CML估计器在一般相关性下接近速率最优。方法应用于贝叶斯线性回归和贝叶斯非线性单指标模型，其中通过辅助统计量的相关高斯序列模型实现CML估计。证明的关键工具是利用几何Brascamp-Lieb不等式推导相关高斯观测下对数复合边际似然过程的局部极大值不等式，避免了标准经验过程方法。该工作对您在高维统计和假设检验方向有直接参考价值，特别是处理相关数据时有效样本量的刻画和极小化最优性分析。
• 关键技术: Composite Marginal Likelihood, Weighted Hellinger distance, Geometric Brascamp-Lieb inequality, Effective sample size, Minimax lower bound, Empirical Bayes
• 为什么对您有用: 本文直接关联您的高维统计和假设检验兴趣，特别是处理相关数据时的有效样本量概念和极小化最优速率。您的技术武器库中'高维渐近理论'和'极小化下界'可直接用于验证本文的速率是否紧，而'非参数统计'背景有助于理解加权Hellinger距离下的收敛性。中期可做：若想将CML方法推广到更复杂的依赖结构（如时间序列或空间数据），需先在'moderately_familiar'的M估计理论上加强。

3. 2607.04343 — Universally Optimal Robustness-Efficiency Tradeoffs for a General Class of Minimum Divergence Estimators

• 作者: Subhrajyoty Roy, Supratik Basu, Abhik Ghosh, Ayanendranath Basu
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究最小散度估计量在理想效率与污染稳健性之间的最优权衡。通过引入广义α-β散度（GABD）族，作者显式刻画了在给定渐近崩溃点下所能达到的最小渐近方差的Pareto前沿。核心理论结果证明，达到这一数学最优的估计量必然属于扩展的(φ,γ)-散度类。最优调谐参数φ*仅依赖于期望的崩溃阈值，而对假设的参模型和污染的具体形式完全不变。论文提供了连续和离散设定下渐近正态性、影响函数和崩溃点的完整推导。这一工作为稳健推断中散度选择的长期问题提供了统一的理论解答。对您而言，该文在假设检验和M估计理论方向有直接关联，其最优性框架可启发您在高维或半参设定下设计兼具效率与稳健性的估计量。
• 关键技术: minimum divergence estimation, Generalized Alpha-Beta Divergence (GABD), Pareto frontier, influence function, breakdown point, asymptotic variance
• 为什么对您有用: 本文直接关联您的primary interest中的假设检验与M估计理论，其Pareto最优性框架可迁移至您熟悉的非参统计与minimax界工具。中期可做：需先在moderately_familiar的M估计理论上深入，以将最优散度选择推广至高维或半参设定。

4. 2607.05284 — Edgeworth Expansions for Linear Rank Statistics -- Consolidated Version

• 作者: Walter Schneller
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文在零假设下为一般线性秩统计量建立了第一阶 Edgeworth 展开，余项阶通常为 n^{-1}。证明基于 Stein 方法和 Bolthausen 组合方法的推广。同时给出了第二阶展开的公式化结果（未证明）。证明了 van Zwet 的条件在微小因子内蕴含了本文 Edgeworth 展开有效性的条件。此外，第一阶证明还提供了光滑函数 Edgeworth 展开的结果。该工作为秩检验的精确分布逼近提供了理论支撑，对您在高维假设检验中构造更精确的 p 值近似有参考价值。
• 关键技术: Edgeworth expansion, Stein's method, linear rank statistics, combinatorial method of Bolthausen
• 为什么对您有用: 直接关联您对 hypothesis testing 的兴趣，特别是秩检验的分布逼近。Stein 方法与组合方法的结合是技术亮点，您可以用 very_familiar 的高维渐近工具验证其在高维设定下的推广。中期可做：需先在 moderately_familiar 的 M-estimation 理论上理解光滑函数 Edgeworth 展开的推广。

5. 2607.03590 — Tightening Control in Neyman--Pearson Linear Classification

• 作者: Yijian Huang
• 分类: math.ST · stat.ME · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究 Neyman-Pearson 范式下的线性分类问题，目标是在保证优先类（如患病类）的准确率不低于预设阈值的前提下，最大化另一类的准确率。经典方法通过经验效用最大化（EUM）学习一个松弛控制约束的分类器，但该分类器在有限样本下系统性地低于目标控制水平。作者提出猜想：这一欠控制现象源于标准统计学习中熟知的过度乐观偏差，并通过渐近理论证实。基于此，提出两种精细化学习程序：一种控制优先类准确率的期望，另一种以高概率控制其准确率。进一步开发了基于训练数据的方法来预测和推断所得分类器的类别准确率。模拟和癌症检测应用展示了有限样本优势。对您而言，该工作将假设检验中的控制思想与分类器学习结合，其理论分析（渐近偏差刻画）与您对假设检验和统计学习的兴趣直接相关。
• 关键技术: Neyman-Pearson classification, empirical utility maximization, over-optimism bias, asymptotic theory, finite-sample control
• 为什么对您有用: 该论文直接关联您对假设检验的兴趣，将 Neyman-Pearson 范式中的控制约束（type I error 类似物）与分类器学习结合，并系统分析了有限样本下的偏差问题。您武器库中非常熟悉的非参数统计和渐近理论可直接用于理解其理论框架，但核心问题（控制约束下的分类器一致性）与您 moderately_familiar 的 M-估计理论有交叉，可中期探索如何将更高阶 U-统计量用于改进控制精度的推断。

6. 2607.03596 — Empirical Bayes for correlated Gaussian sequence model

• 作者: Qiyang Han, Cun-Hui Zhang
• 分类: math.ST · stat.ME · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究相关高斯序列模型中的经验贝叶斯估计问题。在观测存在任意相关性的设定下，作者证明忽略所有相关性的最大复合边际似然估计（CML）在加权Hellinger距离下以有效样本量 n_ = n/κ_0 的 n_^{-1/2} 速率收敛，其中 κ_0 是相关矩阵的谱半径。互补的极小化下界表明 n_* 是正确复杂度度量，且CML估计在一般相关性下接近速率最优。两个应用实例为贝叶斯线性回归和贝叶斯非线性单指标模型，其中通过CML估计信号先验，并利用相关高斯序列模型的高维分布性质。证明的关键工具是几何Brascamp-Lieb不等式，用于建立相关高斯观测下对数复合边际似然过程的尖锐局部极大不等式，替代了标准经验过程方法。该结果对您在高维统计和假设检验方向有直接参考价值，特别是处理依赖数据时有效样本量的刻画和极小化最优性。
• 关键技术: Composite Marginal Likelihood, Weighted Hellinger distance, Geometric Brascamp-Lieb inequality, Effective sample size, Minimax lower bound, Empirical Bayes
• 为什么对您有用: 本文直接关联您在高维统计和假设检验方向的主要兴趣，特别是处理相关数据时有效样本量的理论刻画。您武器库中'高维渐近理论'和'极小化下界'工具可直接用于验证本文的速率最优性是否紧，或推广到更一般的依赖结构。中期可做：需先在 moderately_familiar 的'半参数理论'上提升，以处理更复杂的非线性模型中的CML估计。

7. 2607.04343 — Universally Optimal Robustness-Efficiency Tradeoffs for a General Class of Minimum Divergence Estimators

• 作者: Subhrajyoty Roy, Supratik Basu, Abhik Ghosh, Ayanendranath Basu
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究最小散度估计量在理想效率与污染稳健性之间的最优权衡问题。在广义Alpha-Beta散度（GABD）族框架下，作者严格刻画了Pareto前沿，该前沿给出了在任意严格强制渐近崩溃点下可实现的最小渐近方差。核心理论结果表明，达到这一数学最优的估计量必然属于扩展的(φ,γ)-散度类。最优调谐参数φ*仅依赖于期望的崩溃阈值，而对假设的参数模型和数据污染的具体性质完全不变。文章提供了连续和离散设定下渐近正态性、影响函数和崩溃阈值的完整推导。这项工作为稳健推断中散度选择的长期问题提供了统一的理论解答，对您在高维统计和半参理论中处理模型误设时的估计量选择有直接参考价值。
• 关键技术: minimum divergence estimation, Pareto frontier, influence function, breakdown point, generalized alpha-beta divergence
• 为什么对您有用: 本文直接关联您对数学统计与假设检验的兴趣，特别是稳健估计的效率-稳健性权衡。您武器库中的非参数统计和极小极大界工具可用于验证其Pareto前沿的紧性，而高维渐近理论可扩展其崩溃点分析至高维设定。中期可做：需先在M估计理论上提升，以将结果推广到高维稀疏模型。

8. 2607.05284 — Edgeworth Expansions for Linear Rank Statistics -- Consolidated Version

• 作者: Walter Schneller
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究线性秩统计量在原假设下的 Edgeworth 展开。目标是建立一阶 Edgeworth 展开，余项阶通常为 n^{-1}，并给出二阶展开的表述（未证明）。证明方法基于 Stein 方法和 Bolthausen 组合方法的推广。文章还表明 van Zwet 的条件（在某个小因子范围内）蕴含了 Edgeworth 展开有效性所需的条件。此外，一阶证明也提供了光滑函数 Edgeworth 展开的结果。该工作为秩检验的精确分布逼近提供了理论支撑，对您在高维假设检验或 U-统计量分布逼近中可能有用。
• 关键技术: Edgeworth expansion, Stein's method, linear rank statistics, combinatorial method of Bolthausen
• 为什么对您有用: 直接连接到 hypothesis testing 兴趣子方向，特别是秩检验的分布逼近。武器库中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可用于理解其证明框架；moderately_familiar 的 higher-order U-statistics 理论可尝试将 Edgeworth 展开推广到 U-统计量。中期可做：需先熟悉 Stein 方法在秩统计量中的应用。

9. 2607.04707 — Principles in harmony: Closed testing meets the partitioning principle for computational efficiency

• 作者: Werner Brannath, Liane Kluge
• 分类: stat.ME · stat.CO
• 相关性 6/10 · novelty: survey
• 摘要: 本文探讨多重检验中控制 FWER 的 closed testing principle 与构造联合置信区间的 partitioning principle 之间的算法联系。核心观察是：FWER 控制的多重检验在形式上等价于二元参数向量（指示每个零假设是否成立）的单侧联合置信区间。基于此，作者将 closed testing 中的 consonance 概念推广到 partitioning principle，以推导计算可行且高效的联合置信区间算法。同时，利用两种原则的关系，将常见的 closed testing 过程（如 Holm、Bonferroni）扩展到联合置信区间，并引用 informative simultaneous confidence intervals 的现有文献。通过简单示例说明这些关系与扩展。本文属于方法学综述与理论统一工作，对多重检验与联合推断的计算效率有贡献。对您而言，该文连接了假设检验（多重比较）与统计计算（算法效率），但 novelty 程度有限，主要是概念统一与算法整理。
• 关键技术: closed testing principle, partitioning principle, consonance, simultaneous confidence intervals, family-wise error rate
• 为什么对您有用: 本文连接了您的 primary interest 中的 hypothesis testing（多重检验 FWER 控制）与 statistical computing（算法效率）。但 novelty 较低，主要是将已有概念（consonance）从 closed testing 迁移到 partitioning principle，未提出新的理论或方法。从技术武器库看，您对 minimax bounds 和 high-dimensional asymptotics 的熟悉程度无法直接用于本文的算法分析；若想深入，需先熟悉 moderately_familiar 中的 M-estimation theory 或 semiparametric theory 中的多重比较调整方法。暂不可做：核心机器（多重检验的闭包算法、分区算法的计算复杂度分析）不在您的武器库中。

10. 2607.05379 — Focused Width in Adversarial Fake Detection: A Separation

• 作者: Gao Huang
• 分类: math.ST · stat.TH
• 相关性 6/10 · novelty: new_theory
• 摘要: 本文研究对抗性假样本检测问题，设定中真实样本服从标准正态分布，对手在观测到真实样本后选择允许的扰动向量，生成假样本。核心目标是刻画检测半径——即假样本与真实样本可被可靠区分的信噪比阈值。Mendelson等人此前引入聚焦宽度作为该半径的几何刻画量，并猜想其对所有原点对称的扰动集成立。本文通过构造一类介于超立方体与奇数整数网格之间的离散集，证明聚焦宽度会高估检测半径至少一个√log n因子，从而否定了该猜想。进一步在拉普拉斯噪声模型下，聚焦宽度的高估因子可达到多项式阶n^{1/4}。该结果揭示了聚焦宽度作为检测半径刻画量的局限性，对理解高维对抗检测的统计与计算复杂性有重要意义。
• 关键技术: adversarial fake detection, focused width, detectability radius, Gaussian vs Laplace noise, geometric functional
• 为什么对您有用: 本文属于高维统计假设检验的几何刻画问题，与您对高维统计和假设检验的兴趣直接相关。您武器库中的非参数统计和极小极大界技术可用于分析此类检测半径的紧性，但本文的核心工具是几何泛函与概率集中不等式，属于您非常熟悉的领域，因此可立即可做——尝试将聚焦宽度与检测半径的分离现象推广到更一般的噪声分布或扰动集结构。

11. 2607.05379 — Focused Width in Adversarial Fake Detection: A Separation

• 作者: Gao Huang
• 分类: math.ST · stat.TH
• 相关性 6/10 · novelty: new_theory
• 摘要: 本文研究对抗性伪造检测模型，其中真实样本服从标准正态分布，伪造样本由真实样本加上一个对抗性扰动生成。核心问题是检测半径，即伪造样本与真实样本可区分的临界信噪比。Mendelson等人引入聚焦宽度作为刻画检测半径的几何量，并猜想其对所有原点对称集成立。本文通过构造一类介于超立方体和奇数整数网格之间的离散集，证明聚焦宽度可能高估检测半径达√log n因子，从而否定了该猜想。进一步，在拉普拉斯噪声模型下，聚焦宽度的高估可达n^{1/4}的多项式因子。该结果揭示了聚焦宽度并非检测半径的普适刻画量，对高维假设检验的几何方法提出了新挑战。对您而言，该问题属于高维统计与假设检验的交叉，与您对minimax界和几何方法的兴趣直接相关。
• 关键技术: adversarial fake detection, detectability radius, focused width, Gaussian vs. Laplace noise, geometric characterization of hypothesis testing
• 为什么对您有用: 该论文直接关联您对高维假设检验的兴趣，特别是检测半径的几何刻画问题。您武器库中的minimax界技术可用于分析此类检测问题的信息论下界，而高维渐近工具可用于理解聚焦宽度与检测半径的差距。中期可做：若您先熟悉对抗性检测的几何框架（moderately_familiar），可尝试将此类反例构造推广到更一般的噪声分布或非对称集。

12. 2607.04078 — Sign Hacking with Auxiliary Variable Exploration in the Age of Big Data

• 作者: Jie Hu, Yuhong Yang
• 分类: stat.ME · math.ST · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究高维线性回归中通过引入精心选择的辅助变量来操纵系数符号的现象，称为SHAVE。作者证明，在给定结果和感兴趣变量的条件下，存在具有正Lebesgue测度的辅助变量实现集，其包含会导致符号反转。当大量辅助候选变量可用时，高概率下可以找到这样的变量，同时导致符号反转、t统计量和F统计量膨胀。模拟研究和实证应用证实了这些理论发现。文章进一步提出了在增广或独立数据集可用时的SHAVE检测策略。该工作对高维模型选择不确定性、p-hacking和研究可重复性有重要启示。
• 关键技术: sign reversal, model selection uncertainty, auxiliary variable, p-hacking, high-dimensional regression
• 为什么对您有用: 该论文直接关联您对假设检验和高维统计的兴趣，特别是模型选择不确定性对推断有效性的影响。您可以用非常熟悉的非参数统计和高维渐近理论来严格化其检测策略的统计性质，例如构造基于U统计量的检验来检测SHAVE。中期可做：需要先在HOIF上长肌肉，以处理高维下更复杂的检验问题。

统计计算 / 算法 (stat_computing, 5 篇)

1. 2607.05350 — Approximate Minimax Estimation of a Bounded Normal Mean via Stochastic Mirror Ascent

• 作者: Jos\'e Luis Montiel Olea, Ekaterina Zubova
• 分类: econ.EM
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究经典的有界正态均值估计问题，目标是计算近似 minimax 估计量。作者将 minimax 估计的构造转化为寻找近似最不利先验分布的凹最大化问题，并采用随机镜像上升（stochastic mirror ascent）算法求解。理论部分证明了算法输出的近似最不利分布和对应的 Bayes 估计量在精确意义下接近真值。模拟显示，在合理计算量下，该近似 minimax 估计量相对于 minimax 线性估计量（已知最大改进为 20%）可实现 6% 至近 18% 的风险改进。最后，该方法被应用于整合局部投影和向量自回归模型的信息以估计脉冲响应系数。对您而言，本文展示了统计计算中优化算法（随机镜像上升）与 minimax 估计理论的结合，属于统计计算方向的具体数值方法案例，可作为 gateway reading 了解该领域的问题设定与算法思路。
• 关键技术: stochastic mirror ascent, minimax estimation, least-favorable distribution, Bayes estimator, concave maximization
• 为什么对您有用: 本文属于统计计算方向，直接对应您 primary interest 中的 'statistical computing (numerical methods, algorithm)'。您武器库中 'nonparametric statistics' 和 'minimax bounds for estimation problems' 两项 very_familiar 工具可直接用于理解其理论框架和风险界分析。本文是 gateway reading，问题设定清晰（有界正态均值），算法原理（随机镜像上升）在您的武器库覆盖范围内，值得花时间读全文以了解统计计算中优化与 minimax 理论的交叉。

2. 2607.04466 — On the mixing properties of some preconditioned multiproposal Markov Chain Monte Carlo algorithms

• 作者: Giulia Carigi, Nathan E. Glatt-Holtz, Cecilia F. Mondaini, Guillermina Senn
• 分类: math.ST · math.PR · stat.CO · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文研究两种“维度无关”的 MCMC 采样算法——多提议（mpCN）和多尝试（MTpCN）预条件 Crank-Nicolson 方法，它们专为以高斯参考测度定义的非参数（无限维）采样问题设计，通过并行架构利用提议和接受机制。作者首次对这两种算法进行了严格分析，利用弱 Harris 框架证明了在有限提议数和无限提议极限下指数收敛到目标测度，收敛速率与维度无关且对提议数一致，适用于具有有界 Lipschitz 对数似然的目标（无需凸性）。分析核心是两个新的耦合构造及独立有趣的解析工具，导出了 Wasserstein 收缩估计、L^2 谱间隙以及相应的统计保证（大数定律、中心极限定理、非渐近浓度界）。数值实验在复杂后验几何和高维结构的基准问题上比较了 mpCN/MTpCN 与标准 pCN 及独立并行链实现，表明多提议方法可缩短预热阶段，且随提议数增加对调参更鲁棒。对您而言，本文的耦合构造和谱间隙分析为统计计算中的 MCMC 理论提供了新工具，尤其与您对算法和数值方法的兴趣直接相关。
• 关键技术: preconditioned Crank-Nicolson, weak Harris framework, Wasserstein contraction, spectral gap, coupling constructions, parallel MCMC
• 为什么对您有用: 本文属于统计计算（stat_computing）方向，直接对应您 primary interest 中的“statistical computing (numerical methods, algorithm)”。您的武器库中“very_familiar”的“nonparametric statistics”和“high-dimensional asymptotics”可用于理解其无限维设定和维度无关性证明；而“moderately_familiar”的“M-estimation theory”虽不直接适用，但本文的耦合和谱间隙分析可作为您进入 MCMC 理论的门槛。中期可做：需先在“moderately_familiar”的“semiparametric theory”上长肌肉以掌握其函数空间论证，但本文作为 gateway reading 清晰易懂，值得花时间读全文。

3. 2607.04466 — On the mixing properties of some preconditioned multiproposal Markov Chain Monte Carlo algorithms

• 作者: Giulia Carigi, Nathan E. Glatt-Holtz, Cecilia F. Mondaini, Guillermina Senn
• 分类: math.ST · math.PR · stat.CO · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文对两种多提议预条件Crank-Nicolson（mpCN和MTpCN）MCMC算法进行了首次严格收敛性分析。这两种算法针对高斯参考测度下的非参数（无限维）采样问题设计，通过结合提议和接受机制来利用并行计算架构。在弱Harris框架下，作者证明了算法对目标分布的指数收敛性，且混合速率与维度无关，并对提议数一致。分析核心是两种新的耦合构造，导出了Wasserstein收缩估计、L^2谱隙以及相应的统计保证（大数定律、中心极限定理和非渐近浓度界）。数值实验表明，与标准pCN和独立并行链实现相比，多提议方法在复杂后验几何和高维结构问题上具有更短的热身阶段和对调参更强的鲁棒性。该工作为并行MCMC的维度无关混合提供了理论基础，对您在高维统计计算和算法设计方面的兴趣有直接参考价值。
• 关键技术: preconditioned Crank-Nicolson, multiproposal MCMC, weak Harris framework, Wasserstein contraction, spectral gap, coupling constructions
• 为什么对您有用: 本文直接关联您的统计计算（数值方法、算法）兴趣，特别是高维/无限维采样算法的理论分析。您武器库中的非参数统计和高维渐近理论可用于理解其维度无关混合率的证明结构，而软件开发和M估计理论可帮助评估其实际实现和扩展。中期可做：将耦合构造与您熟悉的U-统计量树宽分析结合，探索多提议MCMC的收缩成本。

4. 2607.04790 — Analytical Extraction of Conditional Aleatory Sensitivities Across Epistemic Space via a Single PCE Model

• 作者: Shijie Zhong, Huiyou Tan, Jiangfeng Fu
• 分类: stat.ME
• 相关性 4/10 · novelty: new_method
• 摘要: 该文针对混合不确定性量化中条件Sobol'指标计算的双层蒙特卡洛成本问题，提出一种基于单一全局多项式混沌展开(PCE)的解析提取方法。通过将正交多项式基的张量积结构扩展到增广随机空间，全局展开被解析分解为依赖于认知参数的系数场，从而获得条件Sobol'指标的闭式方差分解。该方法完全避免了重复的代理模型重构或额外模型评估，仅需一次代数后处理即可得到整个认知空间上的敏感性场。此外，引入可逆跳跃马尔可夫链蒙特卡洛(RJMCMC)实现自适应基选择和跨维度推断，同时为条件敏感性度量提供贝叶斯可信区间。高维地下水流动模型的数值实验表明，该方法在保持敏感性场平滑性和统计一致性前提下显著降低计算成本。对您而言，该工作展示了如何利用张量积结构将双层计算问题降维为单次解析计算，其核心思想（利用正交基的代数结构避免嵌套循环）与您熟悉的统计计算和高维渐近工具高度契合，可作为统计-计算权衡(gateway reading)的实例——它明确刻画了计算成本与统计精度之间的交换关系。
• 关键技术: Polynomial Chaos Expansion (PCE), tensor-product structure, Reversible Jump MCMC, conditional Sobol' indices, closed-form variance decomposition
• 为什么对您有用: 该文直接关联您的primary interest中的统计计算方向，具体展示了如何利用张量积结构将双层蒙特卡洛问题降维为单次解析计算。您的very_familiar武器库中的'高维渐近'和'逆问题'可直接用于分析其PCE系数估计的收敛性，而moderately_familiar中的'高阶U统计量理论'可尝试刻画其条件Sobol'指标估计量的方差结构。中期可做：需先在moderately_familiar的'高阶U统计量理论'上提升，以严格推导该解析分解的统计效率。

5. 2607.05096 — Smooth Reduced Rank Regression with P-splines

• 作者: Mark de Rooij
• 分类: stat.ME
• 相关性 4/10 · novelty: application
• 摘要: 本文提出了一种结合 P-spline 惩罚的降秩回归（RRR）方法，用于处理多响应变量且预测变量较少的回归问题。该方法通过 B-spline 基展开将线性 RRR 推广到非线性，并在系数上施加二阶差分惩罚以实现平滑拟合，类似于 P-spline 的思想。作者开发了一个块松弛算法进行参数估计，并讨论了惩罚参数的调优策略。模型解释方面，利用双标图展示所有预测变量与所有响应变量的关系，以及部分依赖图解释单个预测变量与单个响应变量的关系。通过模拟实验和三个实证数据集展示了方法的有效性。对您而言，本文的块松弛算法和可视化工具可作为统计计算中多响应建模的实用参考，但其方法学新颖性有限，属于现有技术的组合应用。
• 关键技术: reduced rank regression, P-splines, B-spline basis expansion, block-relaxation algorithm, biplot visualization, partial dependence plots
• 为什么对您有用: 本文属于统计计算方法的应用扩展，与您的 primary interest 中的 statistical computing 直接相关，但方法学贡献较弱（组合现有技术）。您的 technical_arsenal 中 very_familiar 的软件开发和 moderately_familiar 的 M-estimation 理论可用于理解其算法收敛性，但核心问题（多响应非线性回归）与您的主要研究方向（因果推断、高维统计）距离较远。暂不可做：缺乏与您核心武器库（如 U-statistics、minimax 界、因果识别）的直接连接，不值得投入时间精读。

天体统计 (astrostats, 11 篇)

1. 2607.04955 — CausticFlow: An Efficient Machine Learning Framework Combining Neural Differential Equations and Normalizing Flows for Binary Microlensing Parameter Inference

• 作者: Haibin Ren, Wei Zhu
• 分类: astro-ph.IM · astro-ph.EP · astro-ph.GA · astro-ph.SR
• 相关性 7/10 · novelty: application
• 摘要: 本文提出 CausticFlow，一个结合神经控制微分方程（neural controlled differential equation）与归一化流（normalizing flow）的机器学习框架，用于推断双星微引力透镜（binary microlensing）参数。该框架天然处理不规则采样时间序列和数据缺失，同时灵活捕捉强相关和多峰后验分布。在模拟的 KMTNet 类光变曲线上训练后，CausticFlow 可在不到一秒内生成后验样本，质量比 q 的 MAP 估计精度约 17%，投影分离 s 约 3%。作为下游局部优化的提议分布，框架将精度分别提升至 <5% 和 <1%，并恢复约 80% 模拟事件的模型 χ²。在 10 个真实双星透镜事件上测试，尽管模拟与真实存在不匹配，CausticFlow 经简单局部精化后成功恢复其中 7 个事件的模型参数、光变曲线形态和透镜几何，精度与模拟数据相当，每个事件仅需 10 CPU 分钟。结果表明 CausticFlow 可作为快速鲁棒的提议引擎，弥合大规模巡天（如 Roman、CSST、ET）数据涌入与系统建模需求之间的差距。对您而言，这是一篇优秀的入门级天文统计应用论文，清晰展示了数据侧（不规则采样、噪声结构）和模型侧（似然、潜在变量、后验推断）的完整图景，适合作为进入天文统计方向的 gateway reading。
• 关键技术: neural controlled differential equations, normalizing flows, simulation-based inference, posterior estimation, binary microlensing
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了天文学家关心的科学问题（双星微透镜参数推断）以及数据侧（不规则采样、数据缺失、真实噪声）和模型侧（后验分布、似然）的完整结构，适合作为统计学家进入该方向的入门读物。您的技术武器库中 nonparametric statistics 和 estimation theory 足以理解其核心方法（神经微分方程与归一化流作为后验近似），但若想深入改进其推断效率或不确定性量化，可能需要先在 moderately_familiar 的 M-estimation theory 上长肌肉（例如设计更高效的提议分布或后验校准方法）。总体而言，本文值得花时间读全文以了解天文数据结构和建模挑战。

2. 2607.04833 — Multivariate Bayesian P-spline estimation of spectral density matrices, with application to LISA TDI noise

• 作者: Avi Vajpeyi, Renate Meyer, Patricio Maturana-Russell, Jianan Liu
• 分类: stat.ME · astro-ph.IM · gr-qc
• 相关性 6/10 · novelty: application
• 摘要: 本文提出一种贝叶斯P样条方法，用于估计平稳多元时间序列的频域交叉谱密度矩阵。通过频率变化的Cholesky分解参数化逆谱矩阵，保证每个频率点的Hermitian正定性；每个实对数对角元和实/虚部非对角元赋予独立的惩罚B样条先验以控制平滑度。推断采用分块粗粒化Whittle似然，结合safe-Bayes η-tempering稳定后验校准，并使用No-U-Turn采样器从变分初始化出发采样。在合成VAR(2)基准上，该方法恢复了对角及交叉谱结构，达到近名义覆盖率的可信区间，且相对积分平方（Frobenius）误差随样本量递减。应用于公开的LISA时延干涉测量（TDI）模拟数据：在理想对称噪声下，全多元模型与假设AET噪声协方差对角化的简化模型在RISE上一致至~10^{-3}；在非对称真实噪声下，AET对角假设失效（RISE ~3.3×10^{-2} vs ~10^{-3}），而全模型恢复了交叉谱结构。对您而言，这是一篇优秀的入门级天文统计文献，清晰展示了频域多元时间序列建模与贝叶斯非参数平滑的完整流程，且LISA数据结构和噪声模型对统计学家友好，适合作为进入引力波数据分析方向的起点。
• 关键技术: Bayesian P-spline, Whittle likelihood, Cholesky decomposition, No-U-Turn Sampler, safe-Bayes η-tempering, time-delay interferometry
• 为什么对您有用: 本文属于astrostats的gateway reading： (1) 清晰阐述了LISA TDI数据的结构、噪声模型和科学问题，不预设天文术语，适合统计学家入门； (2) 方法学上使用了贝叶斯非参数平滑（P-spline）和频域似然，与您的非参数统计和计算工具（very_familiar）直接对接，可立即理解其建模逻辑； (3) 值得花时间读全文——它展示了如何将经典时间序列谱估计方法适配到引力波探测这一新兴应用，且数据公开，可作为您进入天文统计方向的第一个实操案例。

3. 2607.04785 — Emulation of non-linear 1D spectral models: relativistic X-ray reflection

• 作者: Benjamin J. Ricketts, Tin Had\v{z}i Veljkovi\'c, Daniela Huppenkothen, Adam Ingram, Matteo Lucchini, Guglielmo Mastroserio, Fergus J. E. Baker
• 分类: astro-ph.IM · astro-ph.HE
• 相关性 6/10 · novelty: application
• 摘要: 本文针对黑洞X射线光谱模型reltrans的仿真加速问题，提出了一种模块化的机器学习仿真器构建策略。作者首先系统刻画了目标模型（reltrans）的参数-光谱响应特性，发现相对论性卷积反射光谱仅占总通量的1-10%，因此采用模块化策略仅仿真这一子成分。模型架构采用算子学习范式，结合傅里叶特征嵌入（Fourier feature embeddings）和FiLM条件化层，在0.1-100 keV能段实现了O(0.1)%的精度，并获得了4-10倍的加速（向量化评估下扩展性更优）。该仿真器RTFAST2在模拟观测的参数恢复中消除了先前工作的系统后验偏差。文章强调没有通用架构，需根据模型结构定制仿真器。对您而言，这是一篇优秀的入门级天文统计文献，清晰展示了天文建模中数据生成模型（物理仿真器）的结构、计算瓶颈及机器学习替代方案的设计逻辑，适合作为进入astrostatistics方向的起点读物。
• 关键技术: operator learning, Fourier feature embeddings, FiLM conditioning, modular emulation, spectral model emulation
• 为什么对您有用: 本文属于gateway-reading范畴的astrostatistics论文：(1) 作为入门读物非常优秀——清晰解释了天文光谱模型的结构（reltrans）、计算瓶颈（单次仿真耗时）以及为何需要模块化仿真，不预设天文术语知识；(2) 武器库中的'非参数统计'和'软件开发'能力足以支撑理解其方法（算子学习可视为函数空间中的非参数回归），但若要深入改进其架构（如设计更高效的仿真器或理论分析其逼近误差），需在'高维渐近'或'逆问题'上进一步积累；(3) 值得花时间读全文——其模块化诊断工作流（先刻画模型结构再选择仿真策略）对任何涉及昂贵仿真器的统计应用都有方法论启发。

4. 2607.05393 — Interpretable Human-Label-Free Deep Learning for Real-Bogus Classification with Uncertainty Quantification

• 作者: Rapha\"el Bonnet-Guerrini, Bruno Sanchez, Dominique Fouchez, Benjamin Racine, Maya Guy, Mariam Sabalbal, Manal Yassine, Vincenzo Piuri
• 分类: astro-ph.IM · astro-ph.GA · astro-ph.HE · cs.AI · cs.LG
• 相关性 6/10 · novelty: application
• 摘要: 本文针对时域巡天中的Real-Bogus分类问题，提出一种无需人工标注的弱监督深度学习框架。核心设定是：利用模拟注入的瞬变源（正类）与受严重污染的真实巡天数据（负类，含大量未标注的真实瞬变源）进行训练，目标是在强类别噪声下保持鲁棒性并提供校准的不确定性量化。方法上采用双网络非对称协同教学（asymmetric co-teaching），分别处理不同噪声水平的类别，并比较了MC Dropout与深度集成（deep ensembles）的不确定性估计，提出一种利用双网络结构的低成本混合策略以改善校准。在基准子集上表现优异，且能高保真地恢复瞬变源光变曲线类别。潜在空间分析显示不确定性对齐决策边界，并揭示了bogus群体内的子结构。作为一篇天文应用论文，它清晰地阐述了数据生成机制（模拟注入+真实污染）、模型假设（弱监督下的噪声处理）以及评估指标（校准曲线、光变曲线恢复），适合作为统计学家进入天文分类问题的入门读物。
• 关键技术: weakly supervised learning, asymmetric co-teaching, MC dropout, deep ensembles, uncertainty calibration, simulation-based training
• 为什么对您有用: 本文属于astrostats方向的gateway reading：它清晰阐述了天文分类问题的数据结构（模拟注入+真实污染）、噪声模型和评估流程，不依赖深奥的天文术语，适合作为统计学家理解时域巡天数据挑战的入门材料。武器库中的'非参数统计'和'高维渐近'知识足以理解其核心方法（弱监督学习与不确定性校准），但若要深入改进其校准方法或设计更优的噪声模型，需在'moderately_familiar'的M估计理论或半参数理论上进一步积累。值得花时间读全文，以评估该框架是否可迁移至其他领域的弱监督分类问题。

5. 2607.04272 — Beyond Tensor Probabilistic Independent Component Analysis -- Putting Block-Term Decomposition and Independent Vector Analysis Together

• 作者: Eleftherios Kofidis
• 分类: stat.ME · eess.SP
• 相关性 5/10 · novelty: survey
• 摘要: 本文探讨将张量概率独立成分分析（TPICA）推广为基于块项分解（BTD）的“TPIVA”框架，以处理fMRI数据中空间重叠严重的源分离问题。TPICA结合了统计ICA与CP张量分解，但CP模型在源空间重叠时过于严格，且ICA的独立性假设可能不成立。作者指出，独立向量分析（IVA）更适合描述依赖成分的独立子空间，而BTD作为更灵活的确定性分解模型，已在fMRI源分离中优于CP。基于IVA与BTD之间的已知联系，本文提出将TPICA推广为BTD驱动的TPIVA，用统计（非）独立性替代（非）共线性假设。文章主要概述现有文献并勾勒研究路线，属于概念性前瞻，尚无具体算法或理论结果。对您而言，这是一篇astrostats方向的入门级阅读材料，展示了张量分解与统计独立性假设在神经影像分析中的结合方式，但方法学贡献有限。
• 关键技术: Block-Term Decomposition (BTD), Independent Vector Analysis (IVA), Canonical Polyadic Decomposition (CPD), Tensor Probabilistic ICA (TPICA), fMRI source separation
• 为什么对您有用: 本文属于astrostats方向的gateway阅读：它清晰阐述了fMRI数据的三维结构（时间×空间×受试者）以及张量分解与统计独立性假设如何结合，适合作为统计学家进入该领域的入门读物。您的武器库中‘higher-order U-statistics的treewidth/tensor contraction’与BTD的张量分解有概念关联，但本文未涉及具体计算模型或算法，因此暂不可做——核心缺失在于BTD的统计推断理论（如估计效率、假设检验）不在您的武器库中。

6. 2607.03059 — The SKAO Pulsar Timing Array

• 作者: Ryan M. Shannon, N. D. Ramesh Bhat, Aur\'elien Chalumeau, Siyuan Chen, H. Thankful Cromartie, A. Gopakumar, Kathrin Grunthal, Jeffrey S. Hazboun, Francesco Iraci, Bhal Chandra Joshi, Ryo Kato, Michael J. Keith, Kejia Lee, Kuo Liu, Hannah Middleton, Matthew T. Miles, Chiara M. F. Mingarelli, Aditya Parthasarathy, Daniel J. Reardon, Golam M. Shaifullah, Keitaro Takahashi, Caterina Tiburzi, Riccardo J. Truant, Xiao Xue, Andrew Zic
• 分类: astro-ph.IM · astro-ph.CO · astro-ph.HE · gr-qc
• 相关性 5/10 · novelty: survey
• 摘要: 本文是SKAO脉冲星计时阵列（PTA）的实验蓝图，主要目标是利用SKAO望远镜在纳赫兹频段探测引力波背景（GWB）。SKAO灵敏度比南半球现有设施高3-4倍，有望加速GWB的确认探测并研究引力波源。文章系统讨论了PTA观测中的引力波类型（如双超大质量黑洞产生的随机背景）、信号源以及必须缓解的天体物理噪声（如星际介质变化、自转噪声）。描述了2030年代SKAO PTA实验的合理设计，包括脉冲星样本选择、观测策略和与其他PTA（如IPTA）的协同。介绍了用于引力波搜索的技术，如贝叶斯分析、时空相关函数（Hellings-Downs曲线）和甚长基线干涉测量（VLBI）对灵敏度的提升。本文是一篇面向非天文学家的入门级综述，清晰阐述了数据结构（脉冲星到达时间序列）、噪声模型和科学问题，对统计学家理解PTA数据分析挑战很有帮助。
• 关键技术: pulsar timing array, gravitational-wave background, Hellings-Downs correlation, Bayesian inference, noise modeling, very long baseline interferometry
• 为什么对您有用: 本文是astrostats方向的优秀gateway reading：它清晰阐述了PTA实验的数据结构（高维时间序列、异方差噪声、红噪声与白噪声建模）和核心科学问题（GWB的时空相关性检测），不假设天文学背景。您的武器库中'非参数统计'和'高维渐近理论'可直接用于分析PTA噪声协方差结构或检测统计量的极限分布；'软件工程'经验可用于复现或改进其贝叶斯推断管线。建议通读全文以评估是否值得投入时间进入PTA数据分析方向——中期可做，需先在'moderately_familiar'的M估计理论或高维假设检验上提升。

7. 2607.03606 — Machine Learning and the SKA for Cosmic Dawn and the Epoch of Reionization

• 作者: Anshuman Acharya, Michele Bianco, Daniela Breitman, Huaxi Chen, Abhirup Datta, Kangning Diao, Sambit K. Giri, Caroline S. Heneka, Nicholas Kern, Adrian Liu, Yashrajsinh Mahida, Suman Majumdar, Samit Kumar Pal, Shulei Ni, Yannic Pietschke, Davide Piras, Abinash Kumar Shaw, Hayato Shimabukuro, Ce Sui, Anshuman Tripathi, Xiaosheng Zhao
• 分类: astro-ph.IM · astro-ph.CO
• 相关性 5/10 · novelty: survey
• 摘要: 本文是一篇综述，概述了在SKA（平方公里阵列）时代，用于宇宙黎明和再电离时期21厘米层析成像的机器学习算法。文章覆盖了仪器建模、数据分析、理论模拟和统计推断等多个环节，介绍了包括卷积神经网络、生成对抗网络、自编码器、随机森林等在内的多种ML方法。文章重点讨论了这些算法如何应对SKA产生的海量数据和极高灵敏度带来的计算与统计挑战。对于每个应用方向，文章简要说明了数据结构（如干涉测量可见度函数、功率谱）、噪声特性以及模型假设。文章还指出了当前ML方法在可解释性、不确定性量化以及物理一致性方面的不足。作为一篇综述，本文并未提出新的方法论，但为统计学家进入射电天文学领域提供了清晰的路线图。对于您作为统计学家，本文是了解SKA数据分析和ML应用现状的入门读物，有助于判断哪些统计问题值得深入介入。
• 关键技术: 21 cm tomography, convolutional neural networks, generative adversarial networks, power spectrum estimation, interferometric data analysis
• 为什么对您有用: 本文属于astrostats的gateway reading。它清晰地介绍了SKA时代的数据规模、噪声结构和科学目标，适合作为统计学家进入该领域的入门读物。您的技术武器库中的非参数统计和高维渐近理论足以理解文中讨论的功率谱估计和信号分离问题，但文中提到的深度学习模型（如GAN、CNN）并非您的核心工具，因此直接动手做方法改进的难度较大。建议先通读全文以建立领域背景，再判断是否有具体问题（如不确定性量化）值得用您熟悉的工具去攻。

8. 2607.04176 — Star-forming clump detection in nearby galaxies using Faster R-CNN and \(ugrizy\) imaging data from CLAUDS and HSC-SSP

• 作者: J\"urgen J. Popp, Hugh Dickinson, Stephen Serjeant, Lucy F. Fortson, Tobias G\'eron, Brooke D. Simmons, Vihang Mehta
• 分类: astro-ph.IM · astro-ph.GA
• 相关性 5/10 · novelty: application
• 摘要: 本文利用深度学习目标检测模型 Faster R-CNN，在低红移星系（z≲0.5）中探测巨型恒星形成团块（GSFC）。研究使用 HSC-SSP 和 CLAUDS 的六波段（ugrizy）成像数据，将 Zoobot 基础模型作为特征提取骨干，实现多波段联合检测。模型在注入模拟团块的真实星系图像上达到检测完备度≥0.9、纯度≥0.8。这是 Zoobot 模型首次被应用于下游目标检测任务。文章清晰展示了天文图像数据的结构（多波段、噪声、选择效应）和模型训练/验证流程。对您而言，这是一篇优秀的入门级天文统计读物，适合了解天文图像分析中的检测问题与数据特点。
• 关键技术: Faster R-CNN, Zoobot foundation model, multi-band image fusion, object detection, simulated clump injection
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，适合作为统计学家进入天文图像分析的入门材料。文章清晰阐述了数据侧（多波段图像、噪声、选择效应）和模型侧（检测框架、训练验证流程），武器库中的非参数统计和软件工程经验足以支撑理解与复现。值得花时间阅读全文以熟悉天文数据结构和常见分析范式。

9. 2607.02662 — Astrometric Calibration of the 4-m International Liquid Mirror Telescope Observations

• 作者: Vibhore Negi, Naveen Dukiya, Gokul Singh Mehra, Bhavya Ailawadhi, Monalisa Dubey, Sara Filali, Paul Hickson, Brajesh Kumar, Priyanshi Kumari, Sapna Mishra, Kuntal Misra, Bikram Pradhan, Kumar Pranshu, Jean Surdej, Sarvesh Kumar Yadav
• 分类: astro-ph.IM
• 相关性 4/10 · novelty: application
• 摘要: 本文为4米国际液体镜面望远镜（ILMT）开发了一套稳健的天体测量校准流程。ILMT以时间延迟积分（TDI）模式运行，持续扫描印度喜马拉雅山上空的天顶区域，获取g'、r'、i'波段图像。校准流程采用从像素坐标到世界坐标的线性变换模型，并加入二阶项校正望远镜光学矫正器引入的非对称光学畸变，最终将天体测量解与Gaia DR3参考系对齐。该流程已集成到ILMT常规数据处理工作流中。基于2022-2025年四个观测周期、347晚的数据，通过与Gaia DR3的交叉匹配源的位置残差评估，流程实现了约100毫角秒（mas）的典型天体测量精度，对中等亮度源（G~16.5-18.5）可达70-80 mas。校准后的数据已公开。本文清晰展示了天文数据（TDI模式图像、噪声结构、畸变模型）和模型（线性+二阶多项式变换）的细节，适合作为统计学家了解天文数据处理流程的入门读物。
• 关键技术: astrometric calibration, time delay integration (TDI), Gaia DR3 reference frame, linear transformation model, optical distortion correction
• 为什么对您有用: 这是一篇纯天文数据处理的应用论文，属于gateway-reading范畴。本文清晰阐述了TDI观测模式的数据结构、畸变来源和校准模型，适合作为统计学家进入天文领域的入门读物。武器库中的非参数统计和软件工程经验可帮助理解其校准流程的稳健性，但核心问题（像素坐标到天球坐标的几何变换）与主要统计兴趣无直接交集，属于暂不可做的方向。

10. 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
• 分类: astro-ph.IM · astro-ph.HE · astro-ph.SR
• 相关性 4/10 · novelty: application
• 摘要: 本文研究超新星光谱分类所需的最低光谱分辨率（R_λ）和信噪比（SNR）。作者针对10种超新星亚型（包括Ia、Ib、Ic、IIP等），在16种R_λ和14种SNR组合下生成同质数据集，并使用深度学习分类器ABC-SN测试分类性能。核心发现是：在R_λ=50、SNR=5的低分辨率低信噪比条件下，分类性能几乎无损失；即使R_λ降至25，性能也仅轻微下降。该结果对LSST巡天中光谱后续观测的资源分配具有直接指导意义。作为天文统计学的入门级阅读，本文清晰阐述了数据生成流程（基于特定谱线的SNR定义）、分类任务设定和实验设计，但未涉及统计方法创新或复杂建模。
• 关键技术: deep learning classifier (ABC-SN), spectral resolution (R_λ), signal-to-noise ratio (SNR) definition, supernova subtype taxonomy
• 为什么对您有用: 本文属于astrostats的gateway reading：它清晰展示了天文学家如何定义和评估分类任务的数据质量（光谱分辨率与SNR），对统计学家理解天文数据结构和实验设计有入门价值。武器库中的非参数统计和分类性能评估工具足以理解本文，但本文无方法学创新，属于应用性实证研究。值得花时间读全文以了解天文分类问题的数据生成和评估范式，但无需深入技术细节。

11. 2607.03736 — Source Finding and Characterisation for SKAO Science

• 作者: Sabyasachi Pal, Souvik Manik, M Carmen Toribio, Geferson Lucatelli, Omkar Bait, Simone Riggio, Antxon Alberdi, Philippa Hartley, Javier Moldon, Mamta Pandey-Pommier, Rob Beswick
• 分类: astro-ph.IM · astro-ph.GA
• 相关性 4/10 · novelty: survey
• 摘要: 本文综述了为平方千米阵列天文台（SKAO）及其前身望远镜（MeerKAT、ASKAP等）开发自动源检测与分类算法的最新进展与挑战。核心问题是：面对SKAO产生的海量射电图像数据，如何高效、自动地识别和表征具有复杂形态（如扩散结构、瞬变源）的射电源。文章系统梳理了源检测流程中的关键环节，包括连续谱与谱线模式下的算法、机器学习（特别是深度学习）的应用、以及影响检测质量的各类伪影与干扰因素（如残留连续辐射、旁瓣、射频干扰RFI、标定问题等）。本文是一篇面向射电天文学家的综述，重点在于总结现有方法（如PyBDSF、Caesar、AstroDeep等）的适用场景与局限性，并指出未来全运行阶段SKAO对算法和计算基础设施的更高要求。作为一篇综述，其方法学新颖性有限，但对希望了解射电天文学核心数据分析问题——源检测——的统计学家而言，是一份清晰的入门读物，明确展示了数据规模、噪声结构、形态复杂性等统计建模要素。
• 关键技术: source finding, radio interferometry, machine learning for astronomy, image segmentation, convolutional neural networks
• 为什么对您有用: 本文属于astrostats方向的gateway reading。它清晰阐述了射电天文学中源检测这一基础数据问题：数据是干涉仪产生的脏图（含复杂噪声和伪影），目标是检测并分类形态各异的源。对于武器库中熟悉非参数统计、高维渐近和软件开发的统计学家，本文提供了足够的数据结构描述（尺度、噪声、选择效应）来判断该问题是否值得投入统计方法改进——例如，将源检测形式化为一个带空间相关噪声的逆问题，或利用更高阶U-统计量的树宽视角分析现有深度学习检测器的计算成本。本文适合作为入门读物，值得花时间阅读全文以评估后续研究切入点。

经济理论 / 应用 (econ_theory, 6 篇)

1. 2607.04380 — Properties of the Conditional Likelihood Ratio Test under Discrete Approximation

• 作者: Marcelo J. Moreira, Mahrad Sharifvaghefi
• 分类: econ.EM
• 相关性 7/10 · novelty: application
• 摘要: 本文研究弱工具变量下条件似然比（CLR）检验的离散近似实现问题。CLR 检验在弱识别下具有理论最优性，但其目标函数非凸，实际计算中常用网格搜索近似全局最小值。作者指出，网格方法无法保证在所有数据生成过程中保持 CLR 检验的理论性质（如正确的渐近大小和最优功效）。在线性 IV 设定下，作者对比了网格法与 Moreira, Newey, and Sharifvaghefi (2024) 的多项式方法，后者通过全局最小化确保了计算与理论性质的一致性。数值实验表明，网格法在特定设计下可能表现良好，但存在大小扭曲风险；多项式方法则提供了可靠替代。本文对您可能有用：它直接关联您对因果推断中 IV 方法的兴趣，特别是弱工具变量下检验的有限样本性质与计算实现之间的张力。
• 关键技术: conditional likelihood ratio test, weak identification, grid-based optimization, polynomial global minimization, size distortion
• 为什么对您有用: 本文直接关联您对因果推断中 IV 方法的兴趣，特别是弱工具变量下检验的有限样本性质。您武器库中 'estimation theory in causal inference' 和 'high-dimensional asymptotics' 可用于分析其大小扭曲的渐近来源。中期可做：需先在 'identification theory in causal inference' 上熟悉弱 IV 的识别强度度量，再评估多项式方法向非线性 IV 的推广。

2. 2607.03718 — Remote Work: Driver or Deterrent of Digital Product Innovation

• 作者: Fangchen Song, Yixuan Liu, Ashish Agarwal
• 分类: econ.EM
• 相关性 6/10 · novelty: application
• 摘要: 本文利用移动应用面板数据，采用交错双重差分（staggered DiD）设计，识别企业远程办公（WFH）对数字产品创新的因果效应。核心估计量为应用层面的主要版本更新和新功能引入数量，并区分新颖性与模仿性功能以衡量创新原创性。方法上，作者从招聘数据中识别企业层面的远程办公采纳，并控制时间与个体固定效应，满足平行趋势假设。主要发现：远程办公显著提升应用更新频率，且不降低创新原创性；该效应通过团队规模扩大和技能容量提升而非通勤时间减少或应用成熟度解释。此外，有开源协作经验的团队更能利用远程办公优势。对您而言，本文是经济理论与应用因果推断的典型结合，展示了DiD在面板数据中的实际应用，可作为流行病学或经济学中类似纵向设计的参考。
• 关键技术: staggered difference-in-differences, panel data, fixed effects, causal identification
• 为什么对您有用: 本文属于经济理论（应用因果推断）方向，直接对应您的secondary interest。武器库中'identification theory in causal inference'（moderately_familiar）可支撑理解其DiD识别策略，而'high-dimensional asymptotics'（very_familiar）可用于评估其多重假设检验的稳健性。中期可做：若想深入，需在'moderately_familiar'的'identification theory'上加强，以处理更复杂的交错处理效应异质性。

3. 2607.05215 — Variance Estimation for Saturated Fixed-Effect Specifications

• 作者: Stanis{\l}aw M. S. Halkiewicz
• 分类: econ.EM
• 相关性 6/10 · novelty: new_theory
• 摘要: 本文研究高维固定效应线性回归中方差估计量的渐近行为。设定中，固定效应维度与样本量之比 ρ_n → ρ ∈ [0,1)，且残差处理方差 τ_n^2 → τ^2 ∈ (0,∞]。主要发现：在严格外生和条件同方差下，Cattaneo-Jansson-Newey 校正的 t 统计量对任意 τ^2>0 渐近精确，不存在 Stock-Yogo 式阈值。Eicker-White HC0 估计量向下偏倚因子 (1-ρ)，导致随饱和程度增加而过度拒绝；HC3 过度校正，偏倚因子 1/(1-ρ)。留一法估计量 HC2 消除一阶杠杆扭曲，在同方差或设计平衡异方差下渐近精确；在一般异方差下，HC2 保留额外偏倚 ρ|μ-ω^2|。实证应用展示中欧市场 Piotroski F-Score 收益的方差层级。对您有用：本文属于经济理论应用方向，提供了高维固定效应下方差估计的精确理论，其偏倚刻画可直接用于您 causal inference 中面板数据或 IV 设定下的标准误校正。
• 关键技术: high-dimensional fixed effects, variance estimation, HC0/HC2/HC3 estimators, leverage adjustment, asymptotic bias characterization
• 为什么对您有用: 本文属于经济理论应用方向，直接连接您 secondary interest 中的经济理论（面板数据模型）。技术层面，您 very_familiar 中的高维渐近工具可直接用于验证其偏倚公式的紧性，例如用 minimax 界检验 ρ|μ-ω^2| 项是否可改进。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉（具体为杠杆调整与 sandwich 估计量的高阶展开），然后可尝试将 HC2 的偏倚刻画推广到 clustered standard errors 设定。

4. 2607.03665 — A Pseudo Panel Difference-in-Differences (DiD) Analysis of Online Shopping Behavior in the Puget Sound Regional Council (PSRC) Region

• 作者: Jason Hawkins, Usman Ahmed, Omid Armantalab
• 分类: econ.EM
• 相关性 5/10 · novelty: application
• 摘要: 本文针对在线购物行为分析中面板数据缺失的常见问题，提出使用倾向得分加权（PSW）调整重复截面旅行日记调查数据，构建伪面板进行双重差分（DiD）因果推断。研究利用普吉特湾区域委员会（PSRC）的重复截面数据，估计COVID-19前后不同住房类型和车辆拥有状况家庭在包裹和食品配送频率上的差异。核心方法是通过PSW平衡不同时间点的协变量分布，使重复截面数据近似面板结构，从而识别处理效应。主要发现包括：独立住宅居民配送频率高于公寓居民；车辆不足家庭在疫情后配送频率相对增加。本文展示了在缺乏真实面板数据时，如何结合PSW和DiD进行因果推断的实用框架。对您而言，这是一篇应用导向的论文，连接了您在因果推断（DiD识别策略）和流行病学/经济学应用（重复截面数据中的纵向因果效应估计）方面的兴趣，但方法学新颖性有限。
• 关键技术: propensity score weighting, difference-in-differences, pseudo-panel, repeated cross-sectional data, causal inference with survey data
• 为什么对您有用: 本文连接您的经济学应用兴趣，展示了在缺乏面板数据时如何用PSW+DiD从重复截面数据中提取因果效应。您的武器库中'因果推断的估计理论'和'M估计理论'可直接用于评估其PSW权重估计的渐近性质（如是否达到n^{-1/2}收敛率），但核心方法较为标准，属于中期可做——需先在'moderately_familiar'的识别理论上巩固对伪面板假设（如时间不变性）的理解。

5. 2607.04885 — Geometric Control of Decisions' Affordability

• 作者: Giacomo Opocher
• 分类: econ.EM
• 相关性 5/10 · novelty: new_method
• 摘要: 本文从几何视角研究数据驱动决策的“可负担性”（affordability）。设定中，政策制定者从创新供体群体学习，决定是否对目标群体进行创新干预，并需为任何错误提供补偿。作者引入“认证”（certification）概念：当估计量能控制错误概率（在干预效果足够大时），则称其产生认证决策。首先证明认证意味着最坏情况补偿的上界。然后研究正权重匹配估计量，证明在大样本下，认证的可负担性退化为纯几何问题。进一步证明，计算几何中熟知的Delaunay插值函数能提供最优的可负担性保证。最后展示如何利用该结果指导供体数据收集计划，将最坏情况补偿成本降至目标水平以下。通过发展经济学中的半合成实证应用说明几何视角在目标定位和数据收集中的优势。
• 关键技术: Delaunay interpolant, matching estimators with positive weights, certification, worst-case compensation bound, computational geometry
• 为什么对您有用: 本文属于经济理论应用方向，将决策的可负担性问题转化为几何问题，为匹配估计量提供了新的理论视角。研究者武器库中的非参数统计和因果推断估计理论可用于理解其Delaunay插值的最优性证明；但本文核心是几何方法而非统计推断，属于中期可读的入门级经济理论应用文章，值得花时间读全文以了解几何视角如何与因果推断中的匹配方法结合。

6. 2607.04468 — IMF Programs and Growth: A Source-Informed Robustness Reanalysis

• 作者: Ricardo Alonzo Fern\'andez Salguero
• 分类: econ.EM
• 相关性 4/10 · novelty: application
• 摘要: 本文对国际货币基金组织（IMF）项目对经济增长影响的元分析证据进行了稳健性再评估。出发点为 Balima 和 Sokolova 的元分析，该分析汇集了 36 项研究的 994 个估计值，报告了正向平均效应及显著异质性。再分析施加了四项更严格的要求：以研究而非单个估计值为主要推断单元；使用来源知情的因果可信度分类；通过研究聚合、相关效应敏感性、多水平 CR2 推断和稳健方差估计来建模研究内依赖性；并通过 Egger、PET、PEESE、WAAP 类高精度分析、p 曲线诊断、剪补法和探索性选择模型评估发表偏倚敏感性。核心结论并非 IMF 项目在所有情况下都降低增长或真实效应恰好为零，而是更窄且更强：一旦将依赖性、发表选择、异质性和识别可信度视为首要关切，文献中的正向平均效应便不再稳健。在最合理的设定下，平均效应在统计上与零无显著差异，而与实质性可忽略效应的等价性仅得到部分支持，且取决于所选等价界值。对您而言，本文展示了在应用因果推断中如何系统性地处理元分析中的多重稳健性问题，其方法框架（如多水平 CR2 推断、发表偏倚敏感性工具）可直接迁移至流行病学或经济学中的因果证据综合。
• 关键技术: meta-analysis, publication bias sensitivity, multilevel CR2 inference, robust variance estimation, p-curve diagnostics, trim-and-fill
• 为什么对您有用: 本文属于经济理论（应用因果推断）方向，是 gateway-reading 范畴。它系统展示了在元分析中处理研究内依赖性和发表偏倚的统计工具箱，对您作为统计研究者进入应用经济学因果证据综合领域是很好的入门读物。您的武器库中 'estimation theory in causal inference' 和 'high-dimensional asymptotics' 足以理解其核心方法（如多水平模型、稳健方差估计），但若要深入其发表偏倚模型（如选择模型）的理论性质，则需在 'semiparametric theory' 上稍作提升。值得花时间读全文，因其分析模式（从原始估计到多重稳健性检查的流程）对您未来处理类似元分析数据（如流行病学）有直接参考价值。

其他 (other, 6 篇)

1. 2607.04641 — A Partially Functional Dynamic Structural Equation Model for Multi-Resolution Environmental Data

• 作者: Xinwen Liu, Nainsheng Tang, Song Xi Chen
• 分类: math.ST · stat.TH
• 相关性 6/10 · novelty: application
• 摘要: 本文提出一个部分函数型动态结构方程模型（PFDSEM），用于整合不同时间分辨率的环境数据：高频气象变量作为函数型协变量，年度社会经济指标作为标量预测变量，统一在一个动态结构方程框架下。模型通过条件自回归（CAR）结构与线性区域化模型（LMC）捕捉非平稳时间依赖和变量间相关性，函数型协变量通过基展开与贝叶斯P样条平滑处理。贝叶斯推断采用MCMC实现完整的不确定性量化。模拟研究验证了参数恢复的准确性和对先验设定的稳健性。应用于2015-2020年中国30个省份的污染物排放数据，识别出十类社会经济环境因素与十种主要空气污染物之间的时变和省际异质性关联，并揭示了气象效应的显著季节模式。该模型为设计时空自适应环境政策提供了定量依据，但其方法学核心（函数型数据+动态结构方程）与您的主要兴趣方向（因果推断、高维统计、U统计量等）距离较远，属于应用导向的统计建模工作。
• 关键技术: Bayesian P-spline smoothing, Conditional Autoregressive (CAR) model, Linear Model of Coregionalization (LMC), Markov Chain Monte Carlo (MCMC), functional data analysis
• 为什么对您有用: 本文属于环境统计应用，与您的主要兴趣方向（因果推断、高维统计、U统计量、半参理论）无直接方法学连接。武器库中'非参数统计'和'高维渐近'可部分理解其函数型协变量建模，但核心机器（贝叶斯动态结构方程、CAR-LMC）不在您的技术栈中，且未涉及您关注的识别性、效率界或计算-统计权衡问题。作为流行病学/环境应用方向的gateway阅读，其数据整合思路（多分辨率数据）有一定参考价值，但方法学新颖性有限，暂不建议深入阅读。

2. 2607.04641 — A Partially Functional Dynamic Structural Equation Model for Multi-Resolution Environmental Data

• 作者: Xinwen Liu, Nainsheng Tang, Song Xi Chen
• 分类: math.ST · stat.TH
• 相关性 6/10 · novelty: application
• 摘要: 本文提出一个部分函数型动态结构方程模型（PFDSEM），用于整合不同时间分辨率的环境数据：高频气象变量作为函数型协变量，低频社会经济指标作为标量预测变量，在一个统一的动态结构框架下建模。模型通过条件自回归（CAR）结构与线性区域化模型（LMC）捕捉非平稳时间依赖与变量间相关性，函数型协变量通过基展开与贝叶斯P样条平滑处理。贝叶斯推断采用MCMC实现完整的不确定性量化。模拟研究验证了参数恢复的准确性与对先验设定的稳健性。应用于2015-2020年中国30个省份的污染物排放数据，识别出十类社会经济环境因素与十种主要空气污染物之间的时变、省份特异关联，并揭示气象效应的显著季节模式。本文属于应用导向的方法学工作，方法本身（函数型+标量混合建模、动态结构方程）与您的主要兴趣方向（因果推断、半参理论）有一定距离，但作为环境流行病学中多分辨率数据整合的案例值得了解。
• 关键技术: functional data analysis, structural equation model, conditional autoregressive model, linear model of coregionalization, Bayesian P-spline, MCMC
• 为什么对您有用: 本文属于流行病学应用（空气污染物排放与社会经济因素的关联），是您的secondary interest。方法上整合了函数型与标量协变量，但核心建模工具（CAR、LMC、贝叶斯样条）不在您的技术武器库中，且未涉及因果推断中的identification或半参效率理论。作为环境流行病学中多分辨率数据整合的入门案例可读，但方法学迁移性有限——暂不可做，因为缺少贝叶斯空间统计与函数型数据建模的核心工具。

3. 2607.05048 — Statistical inference based on band-limited kernels: Rational-infinitely divisible distributions and beyond

• 作者: Vladimir Panov, Anton Ryabchenko
• 分类: stat.ME · math.PR
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究混合分布（离散与连续成分）的统计推断问题，特别关注有理无穷可分分布类。目标是非参数地估计混合分布的两个成分以及拟Lévy测度，假设混合属于有理无穷可分分布类。提出基于带限核的估计框架，这类核的傅里叶变换具有紧支撑。在温和假设下，理论证明所提估计量能达到多项式（某些情况下甚至接近参数化）收敛速度。最后通过模拟示例展示了算法的数值表现。该工作与您的主要兴趣（高维统计、非参数理论）有间接联系，但核心设定（无穷可分分布、Lévy测度）偏离较远，属于方法学上的边缘交叉。
• 关键技术: band-limited kernels, rational-infinitely divisible distributions, nonparametric mixture estimation, Fourier transform compact support, polynomial convergence rates
• 为什么对您有用: 本文涉及非参数估计与收敛速度分析，与您的非参数统计和minimax界兴趣有技术重叠，但核心对象（有理无穷可分分布）并非您武器库中的常用工具。属于暂不可做方向——核心机器（Lévy过程、无穷可分分布理论）不在武器库中，且与您的主要兴趣方向（因果推断、高维U统计）无直接连接。建议仅作泛读，无需深入。

4. 2607.02786 — A Bayesian Joint Model for Multiple Point Processes with Application to Presence-Only Data

• 作者: Laura C. M. Teixeira, Dani Gamerman, Vinicius Peripato, Carolina Levis
• 分类: stat.ME · stat.AP
• 相关性 4/10 · novelty: application
• 摘要: 本文提出一种贝叶斯联合模型，用于分析多个点过程，特别针对存在性数据（presence-only data）中常见的优先采样和部分可观测性问题。模型通过贝叶斯网络显式刻画过程间的依赖结构，但直接使用似然函数计算困难。为此引入潜数据过程，使增广似然函数可精确计算，并允许对未观测事件的数量和空间分布进行直接推断。推断采用马尔可夫链蒙特卡洛（MCMC）与分块吉布斯采样实现。模拟研究表明该方法能有效恢复真实参数。实际应用分析亚马逊地区考古遗址与相关树种的存在性数据，结果与文献一致，并展示了模型在估计过程间关系及环境协变量关联方面的能力。对您而言，本文属于应用统计工作，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠，但若您未来涉足生态或考古学中的空间点过程数据，其贝叶斯建模思路和潜变量增广技巧可作为参考。
• 关键技术: Bayesian networks, Markov chain Monte Carlo, blocked Gibbs sampling, latent data augmentation, presence-only data
• 为什么对您有用: 本文属于应用统计（生态/考古），与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接技术连接。您的武器库中非参数统计和M估计理论可理解其贝叶斯建模框架，但核心方法（MCMC、潜变量增广）并非您熟悉或计划深耕的工具。作为gateway reading，本文对统计学家入门空间点过程建模有一定参考价值，但技术新颖性有限，不值得投入全文阅读时间。

5. 2607.03676 — A repeated k-fold cross-validation approach for evaluating the instability of clinical prediction models: an empirical comparison to the bootstrap approach

• 作者: Nop Khongthon, Pakpoom Wongyikul, Noraworn Jirattikanwong, Phanu Prasankittirach, Natthanaphop Isaradech, Wachiranun Sirikul, Noppadon Seesuwan, Suppachai Lawanaskol, Phichayut Phinyo
• 分类: stat.ME
• 相关性 4/10 · novelty: application
• 摘要: 本文提出一种基于重复k折交叉验证（repeated k-fold CV）的方法来评估临床预测模型的预测不稳定性（prediction instability），并与经典的bootstrap方法进行实证比较。研究使用19,418名急诊患者的临床队列数据，在事件每变量（EPV）为10、30、50的场景下生成开发样本，分别拟合逻辑回归和随机森林模型。模型性能通过AUC、校准斜率和校准截距评估，不稳定性通过平均绝对预测误差（MAPE）量化。结果显示，对于逻辑回归，bootstrap和重复5折CV在区分度和校准上表现相似；对于随机森林，重复5折CV的校准斜率更接近经验值。在EPV=30时，bootstrap的MAPE高于CV（逻辑回归中位数0.042 vs 0.020；随机森林0.077 vs 0.027）。作者认为CV方法可作为bootstrap的实用替代，尤其当需要在多个建模算法间比较不稳定性时。本文是实证应用研究，方法学新颖性有限（novelty_flag: application），但为预测模型稳定性评估提供了具体操作指南。对您而言，本文属于流行病学应用方向，可作为了解临床预测模型验证流程的入门读物，但武器库中的非参数统计和因果推断工具在此处直接应用空间不大——暂不可做，因为核心问题是预测而非因果，且方法学深度不足以激发新理论问题。
• 关键技术: repeated k-fold cross-validation, bootstrap validation, mean absolute prediction error (MAPE), calibration slope, events-per-variable (EPV)
• 为什么对您有用: 本文属于流行病学应用方向，涉及临床预测模型的稳定性评估，与您的secondary interest（流行病学数据集、应用因果工作）相关。但本文是纯预测问题，不涉及因果识别或半参数效率理论，武器库中的非参数统计和minimax界工具难以直接切入——暂不可做，因为核心问题是实证比较而非方法论创新，且缺乏可迁移的理论口子。作为流行病学入门读物，可快速浏览以了解临床预测模型验证的常见做法。

6. 2607.04226 — Minimum Density Power Divergence Estimation for the Gamma Distribution with Applications to Robust Rainfall Modeling

• 作者: Arnab Hazra
• 分类: stat.ME · stat.AP
• 相关性 4/10 · novelty: application
• 摘要: 本文针对伽马分布的两参数模型，提出基于最小密度幂散度估计（MDPDE）的稳健推断框架。在降雨数据中，极大似然估计（MLE）对异常值敏感，而MDPDE通过引入调谐参数在稳健性和效率之间取得折中。作者推导了显式的估计方程，并建立了估计量的渐近正态性和闭式渐近协方差矩阵。通过影响函数分析和渐近相对效率，系统评估了方法的稳健性。模拟研究验证了在纯模型和污染模型下的有限样本表现。实证部分分析了印度36个气象分区1951–2014年的季风降雨数据，表明MDPDE在存在异常值时比MLE更稳定，且在无污染时效率损失很小。该工作对您的主要兴趣（如稳健估计、高维统计中的M估计理论）有一定参考价值，但方法学创新性有限，属于经典MDPDE在特定分布上的应用扩展。
• 关键技术: Minimum Density Power Divergence Estimator (MDPDE), Influence Function Analysis, Asymptotic Covariance Matrix, Gamma Distribution
• 为什么对您有用: 本文属于统计方法在气象学中的应用，与您的次要兴趣（应用统计）相关，但方法学核心（MDPDE）是已有框架，创新性有限。您的武器库中'M-estimation theory'（moderately_familiar）可直接理解其估计方程和渐近理论，但本文未涉及您更核心的高阶U统计量或因果推断。暂不可做：缺乏与您主要兴趣的直接连接，且方法学深度不足以支撑后续拓展。

🗂 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. 2607.02732 — Analytic Standard Errors for Latent Gaussian Discrete-Valued Multivariate Time Series

• 作者: Christopher M. Crawford, Marie-Christine D\"uker, Younghoon Kim, Vladas Pipiras, Barbara L. Fredrickson, Zachary F. Fisher
• 分类: stat.ME
• 相关性 3/10
• 评分理由: Focuses on latent Gaussian models for discrete time series, unrelated to primary interests in causal inference, high-dimensional stats, or U-statistics.

2. 2607.03290 — Directional variograms for multivariate extremes

• 作者: Manuel Hentschel, Frank R\"ottger, Johan Segers, Sebastian Engelke
• 分类: stat.ME
• 相关性 3/10
• 评分理由: Deals with multivariate extremes and variograms, a specialized area of extreme value theory with no clear connection to the researcher's interests.

3. 2607.03586 — Bayes Estimation of GLARMA Models With Applications

• 作者: Guilherme Pumi, Ana Julia Alves C\^amara
• 分类: stat.ME · stat.CO
• 相关性 3/10
• 评分理由: Presents Bayesian estimation for GLARMA time series models, which is not aligned with the researcher's primary interests in causal inference or high-dimensional statistics.

4. 2607.04571 — Likelihood-Ratio E-Value Monitoring for Benchmark-Based Decisions in Early-Phase Oncology Trials

• 作者: Masahiro Kojima
• 分类: stat.ME
• 相关性 3/10
• 评分理由: 专注于早期肿瘤试验的决策框架，与主要兴趣（因果推断、高维统计等）无直接关联，属于应用领域。

5. 2607.04699 — Parameter estimation and application in two types of uncertain single-index models

• 作者: Fuguo Wang, Zhiming Li
• 分类: stat.ME · stat.AP
• 相关性 3/10
• 评分理由: 关注不确定数据下的单指标模型，与主要兴趣（因果推断、高维统计等）无直接关联，属于应用领域。

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

• 作者: Joseph D. Bailey, Jessica Claridge
• 分类: math.ST · stat.TH
• 相关性 3/10
• 评分理由: Correlated random walks are unrelated to primary interests in causal inference, high-dimensional statistics, or U-statistics.

7. 2607.04046 — Likelihood Geometry of Moving Average and Autoregressive Processes

• 作者: Carlos Am\'endola, Gabriel Riffo
• 分类: math.ST · cs.SC · math.AG · stat.TH
• 相关性 3/10
• 评分理由: Algebraic geometry of MA/AR likelihood equations is outside primary interests and technical arsenal.

8. 2607.03186 — Effect of sampling on the descriptive distributions of correlated random walks

• 作者: Joseph D. Bailey, Jessica Claridge
• 分类: math.ST · stat.TH
• 相关性 3/10
• 评分理由: Correlated random walks are unrelated to primary interests in causal inference, high-dimensional statistics, or U-statistics.

9. 2607.04046 — Likelihood Geometry of Moving Average and Autoregressive Processes

• 作者: Carlos Am\'endola, Gabriel Riffo
• 分类: math.ST · cs.SC · math.AG · stat.TH
• 相关性 3/10
• 评分理由: Algebraic geometry of MA/AR likelihood equations is outside primary interests and technical arsenal.

10. 2607.03669 — Split-Session Cluster GARCH for Overnight and Intraday Returns: The Role of Tail Heterogeneity

• 作者: Xinxian Chen, Peter Reinhard Hansen, Chen Tong
• 分类: econ.EM · q-fin.RM
• 相关性 3/10
• 评分理由: Financial time series GARCH model; unrelated to primary interests in causal inference, high-dimensional statistics, or U-statistics.

11. 2607.02809 — Tracing the Boundary of the South Atlantic Anomaly Region with SPHEREx Transient Flagging Rates

• 作者: Chi H. Nguyen, James Bock, Sean Bryan, Walter R. Cook, Brendan Crill, C. Darren Dowell, Olivier Dor\'e, Beth Fabinsky, Candice Fazar, Howard Hui, Phillip Korngut, Steve Padin, Michael Zemcov
• 分类: astro-ph.IM
• 相关性 3/10
• 评分理由: Astrostatistics gateway: touches on transient flagging and SAA effects, but the abstract is too brief and technical for an outsider to grasp the data/model side.

12. 2607.02826 — Robo-AO-2: entering the era of automated science operations, hybrid wavefront sensing, and adaptive secondary integration

• 作者: Christoph Baranec, Reed Riddle, James Ou, Ruihan Zhang, Guillaume Huber, Zachary Werber, Luke Mckay, Rachel Rampy, Michael C. Liu, Carl Ziegler, Mark Chun, Keith Powell, Marcos A. van Dam
• 分类: astro-ph.IM
• 相关性 3/10
• 评分理由: Astrostatistics gateway: reports on adaptive optics and survey operations, but lacks clear exposition of data analysis or statistical methodology.

13. 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, R. F. Mandow, B. Marcote, D. Oberoi, K. M. Rajwade, K. Rose, A. Rowlinson, F. Sch\"ussler
• 分类: astro-ph.IM · astro-ph.HE
• 相关性 3/10
• 评分理由: Astrostatistics gateway: describes rapid-response triggering for radio transients, but the abstract is system-focused with no statistical or data-model exposition.

14. 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
• 分类: astro-ph.IM
• 相关性 3/10
• 评分理由: Engineering simulation for telescope pointing; no statistical methodology or data analysis of interest.

15. 2607.05118 — Commensal image plane transient search methods with the SKAO

• 作者: Alex Andersson, Dougal Dobbie, Natasha Hurley-Walker, Hao Qiu, Kaustubh Rajwade, Antonia Rowlinson, Iris de Ruiter, Fabian Sch\"ussler, Oleg M. Smirnov, Ben Stappers
• 分类: astro-ph.IM
• 相关性 3/10
• 评分理由: 纯天文仪器方法论文，无统计方法或数据建模内容，与研究者兴趣无关。

16. 2607.05236 — Auxiliary-Channel-Assisted Cross-Talk Noise Removal in LISA Pathfinder

• 作者: Hui Sun, Geyu Qin, Jibo He
• 分类: astro-ph.IM
• 相关性 3/10
• 评分理由: LISA Pathfinder噪声去除，纯工程方法，无统计方法论或因果推断内容。

17. 2607.03117 — Spectrally Tuned Bandwidth Selection for Kernel Fuzzy Relational Clustering

• 作者: Efthymios Costa, John R. J. Thompson
• 分类: stat.ME
• 相关性 2/10
• 评分理由: Focuses on fuzzy clustering with kernel methods, a subfield of unsupervised learning unrelated to the researcher's primary or secondary interests.

18. 2607.04004 — Setting the Privacy Budget in Differential Privacy by Bounding Adversaries' Odds of Learning Sensitive Information

• 作者: Ruwimal Y. Pathiraja, Jerome P. Reiter
• 分类: stat.ME
• 相关性 2/10
• 评分理由: 差分隐私，与核心统计兴趣（因果、高维、U统计）无直接关联。

19. 2607.02773 — The Habitable Worlds Observatory Technology Development Plan

• 作者: Matthew Bolcar, Feng Zhao, Paul Scowen, Lee Feinberg, Breann Sitarski, Alice Liu, J. Scott Smith, Josh Abel
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: Unrelated to primary or secondary interests; a technology development plan for a space telescope with no statistical content.

20. 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 B\'ej`a, Anthony J. Burnetti, Ligia F. Coelho, Saleheh Ebadirad, Nathan M. Ennist, Yuka Fujii, Colin Gates, R. J. Graham, Keiichi Inoue, Bet\"ul Ka\c{c}ar, Yu Komatsu, \'Emilie A. Lafl`eche, Nicoletta La Rocca, Elisabetta Liistro, Jonathan Lindsey, Timothy Lyons, Carolina A. Martinez-Gutierrez, Taro Matsuo, Victoria Meadows, Gary F. Moore, Massimo Olivucci, Kevin E. Redding, Edward W. Schwieterman, Tejinder Singh, Kenji Takizawa, Anna Grace Ulses, Junko Yano, Felisa Wolfe-Simon, Michael L. Wong, Anastasia G. Yanchilina
• 分类: astro-ph.IM · astro-ph.EP
• 相关性 2/10
• 评分理由: Unrelated to primary or secondary interests; a white paper on biosignatures with no statistical or data-analysis content.

21. 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, M. Shoda, F. C. M. Bettonvil, E. Aranzana, J. H. H. Rietjens, T. P. G. Wijnen, P. Baudoz, O. Absil, G. Orban de Xivry, D. Dolkens
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: Unrelated to primary or secondary interests; describes coronagraph optics for the ELT with no statistical methodology.

22. 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
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: Pure instrument pipeline paper with no statistical methodology or connection to researcher's interests.

23. 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, Shun Ishii, Haoran Kang, Masato Kato, Ryohei Kawabe, Kotaro Kohno, Takafumi Kojima, Kianhong Lee, Sho Masui, Akinobu Miyake, Taku Nakajima, Tai Oshima, Wenlei Shan, Tatsuya Takekoshi, Kunihiko Tanaka, Kotomi Taniguchi, Kaoru Tsuji, Issei Watanabe, Tom J. L. C. Bakx, Yoshinobu Fudamoto, Kazuyuki Fujita, Yuichi Harikane, Bunyo Hatsukade, David H. Hughes, Takahiro Iino, Yuki Kimura, Hiroyuki Maezawa, Yuichi Matsuda, Ken Mawatari, Shunichi Nakatsubo, Hideo Sagawa, Peter F. Schloerb, Shigeru Takahashi, Akiyoshi Tsujita, Hideki Umehata, Min S. Yun
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: Instrument development paper; no statistical content relevant to researcher's interests.

24. 2607.05285 — Trigger system for the Payload for Ultrahigh Energy Observations (PUEO) balloon-borne neutrino detector

• 作者: Q. Abarr, J. Alfaro, P. Allison, J. Alvarez-Mu\~niz, T. Anderson, H. Barnett, A. Basharina-Freshville, J. J. Beatty, L. Beaufore, D. Z. Besson, M. Betts, R. Bose, D. Braun, B. Chamanbahar, P. Chen, Y. Chen, J. M. Clem, T. Coakley, A. Connolly, L. Cremonesi, A. Cummings, P. Dasgupta, C. Deaconu, J. Flaherty, C. Godden, P. W. Gorham, C. Hornhuber, J. Hoffman, K. Hughes, A. Hynous, A. Jung, A. M. Kofman, Y. Ku, D. Kullgren, C. -Y. Kuo, P. Linton, L. Lisalda, T. C. Liu, W. Luszczak, S. C. Mackey, Z. Martin, K. McBride, C. Miki, J. Nam, R. J. Nichol, A. Novikov, A. Nozdrina, E. Oberla, S. Prohira, H. Pumphrey, D. Radomski, B. F. Rauch, R. Scrandis, D. Seckel, M. F. H. Seikh, J. Shiao, G. Simburger, J. Tutt, A. G. Vieregg, S. -H. Wang, D. Washington, C. Welling, P. Windischhofer, S. A. Wissel, C. Xie, J. Yao, R. Young, E. Zas, A. Zeolla
• 分类: astro-ph.IM · astro-ph.HE · hep-ex · physics.ins-det
• 相关性 2/10
• 评分理由: 中微子探测器触发系统硬件设计，与统计或因果推断完全无关。

25. 2607.05351 — Characterizing Photonic Ring Resonator Filters for OH Suppressed Near-infrared Astronomy

• 作者: A. Hermann, J. Lasker, R. Vaisakh, R. Kehoe, R. Staten, A. Wallace, S. Ellis, K. Kuehn, S. Kuhlmann
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 近红外天文滤波器表征，纯光学工程，无统计或数据科学内容。

26. 2607.04197 — The Amerigo Vespucci as a traveling laboratory for studying the cosmic-ray fluxes at sea level

• 作者: Davide Cerasole, Federica Cuna, Gaia De Palma, Riccardo Di Tria, Leonardo Di Venere, Fabio Gargano, Mario Giliberti, Francesco Licciulli, Antonio Liguori, Pierpaolo Loizzo, Francesco Loparco, Leonarda Lorusso, Mario Nicola Mazziotta, Giuliana Panzarini, Roberta Pillera, Davide Serini
• 分类: astro-ph.IM · astro-ph.SR · physics.ins-det
• 相关性 1/10
• 评分理由: Cosmic-ray flux measurement with a simple detector; no statistical or methodological interest.

27. 2607.04258 — A 3D-Printed Millimeter-Wave Inline Waveguide-to-Coplanar-Waveguide Transition to Enable Dense Spectrometer Arrays for Intensity Mapping Surveys

• 作者: Austin Stover (Department of Physics, University of Chicago, Chicago, USA, Kavli Institute for Cosmological Physics, University of Chicago, Chicago, USA), Juliang Li (Department of Astrophysics, University of Chicago, Chicago, USA, Argonne National Laboratory, Lemont, USA), Peter Sharpe (NVIDIA Corporation, Santa Clara, USA), Morgana Iacocca (Kavli Institute for Cosmological Physics, University of Chicago, Chicago, USA, Department of Astrophysics, University of Chicago, Chicago, USA), Audrey Scott (Kavli Institute for Cosmological Physics, University of Chicago, Chicago, USA, Department of Astrophysics, University of Chicago, Chicago, USA, Fermi National Accelerator Laboratory, Batavia, USA), Jessica Zebrowski (Kavli Institute for Cosmological Physics, University of Chicago, Chicago, USA, Department of Astrophysics, University of Chicago, Chicago, USA, Fermi National Accelerator Laboratory, Batavia, USA), Jeff McMahon (Department of Physics, University of Chicago, Chicago, USA, Kavli Institute for Cosmological Physics, University of Chicago, Chicago, USA, Department of Astrophysics, University of Chicago, Chicago, USA, Argonne National Laboratory, Lemont, USA, Fermi National Accelerator Laboratory, Batavia, USA, Enrico Fermi Institute, University of Chicago, Chicago, USA, NSF-Simons AI Institute for the Sky, Chicago, USA)
• 机构: University of Chicago · Argonne National Laboratory · Nvidia (United States) · Fermi National Accelerator Laboratory · Simons Foundation
• 分类: astro-ph.IM
• 相关性 0/10
• 评分理由: Pure hardware engineering for millimeter-wave transitions; no statistical or data-analysis content.

28. 2607.04385 — Progress report on the integration of the IRTF adaptive secondary mirror

• 作者: Ellen Lee, Mark Chun, Ruihan Zhang, Olivier Lai, Michael Connelley, Tony Denault, Jacob Taylor, John Rayner, Max Baeten, Arjo Bos, Matias Kidron, Fred Kamphues, Stefan Kuiper, Wouter Jonker, Alan Ryan, Philip Hinz
• 分类: astro-ph.IM
• 相关性 0/10
• 评分理由: Adaptive optics hardware progress report; no statistical methodology or data analysis.

29. 2607.04874 — Star-Planet Interactions: The Instrumentation Perspective

• 作者: H. Korhonen, P. Figueira, B. Montet, S. P. Jarvinen, H. Vedantham, S. Narendranath, P. Chaturvedi
• 分类: astro-ph.IM
• 相关性 0/10
• 评分理由: Instrumentation review for star-planet interactions; no statistical or data-analysis methodology.

30. 2607.04916 — HRMOS: A High-Resolution Multi-Object Spectrograph for the VLT

• 作者: Laura Magrini, Thomas Bensby, Sofia Randich, Andrea Bianco, Oscar Gonzalez, Emma Fernandez-Alvar, Sergio G. Sousa, Letizia Caito, Marco Riva, Vardan Adibekyan, Anish M. Amarsi, Maria Teresa Belmonte, Maria Benito, Christian P. Clear, Camilla Danielski, Valentina D'Orazi, Riano Giribaldi, Camilla J. Hansen, Vanessa Hill, Robin D. Jeffries, Georges Kordopatis, Andrea Miglio, Dinko Milakovic, Germano Sacco, Jose Schiappacasse-Ulloa, Asa Skuladottir, Rodolfo Smiljanic, Maria Tsantaki, Almudena Arcones, Jose Maria Arroyo-Polonio, Martina Baratella, Beatriz Barbuy, John R. Barnes, Giuseppina Battaglia, Holger Baumgardt, Katia Biazzo, Manuela Bischetti, Angela Bragaglia, Tobias Buck, Sven Buder, Sema Caliskan, Gabriele Cescutti, Andrew Collier Cameron, Ryan Cooke, Sergio Cristallo, Francesco Damiani, Arnas Drazdauskas, Heitor Ernandes, Antonio Frasca, Mark Gieles, Valeria Grisoni, Moira Jardine, Evan N. Kirby, Jonas Klevas, Andreas Korn, Ioanna Koutsouridou, Cis Lagae, Nadege Lagarde, Romain Lucchesi, Francesca Lucertini, Luca Malavolta, Fabiola Marino, Tadafumi Matsuno, Thibault Merle, Sapna Mishra, Marta Molero, Mario Montalto, Michele Moresco, Alessio Mucciarelli, Domenico Nardiello, Valerio Nascimbeni, Brunella Nisini, Joana Oliveira, Elenia Pacetti, Marco Palla, Marco Pignatari, Danae Polychroni, Federico Rizzuti, Donatella Romano, Stefania Salvadori, Luca Sbordone, Emanuele Spitoni, Matthew R. Standing, Grazina Tautvaivsiene, Yuan-Sen Ting, Andrea Travascio, Diego Turrini, Sophie Van Eck, Kim Venn, Diego Vescovi, C. Clare Worley, Nick Wright, Robert Yates, Alice Zocchi, Laura Affer, Carlos Allende, Paul Barklem, Michele Bellazzini, Serena Benatti, Leda Berni, Francesco Borsa, Maurizio Busso, Tiago Campante, Roberta Carini, Brad Carter, Giada Casali, Mario Damasso, Elisa Delgado Mena, Ignacio Del Moral Castro, Silvano Desidera, Maria Pia Di Mauro, Ana Escorza, Sergio Fonte, Elena Franciosini, Xiaoting Fu, Paolo Giacobbe, Terese Thidemann Hansen, Henrik Hartman, Keith Hawkins, Neda Heidari, Krzysztof Helminiak, H. Jens Hoeijmakers, Stavro Lambrov Ivanovski, Pascale Jablonka, Chiaki Kobayashi, Arunas Kucinskas, Carmela Lardo, Sebastiano Ledda, Alesandra Lehtmets, Karin Lind, Jo\~ao J. G. Lima, Sara Lucatello, Fatemeh Zahra Majidi, Sarah Martell, Anna McLeod, Sergio Molinari, Stephanie Monty, Benjamin Montet, Michael T. Murphy, Henryka Netzel-I{\l}kiewicz, Belinda Nicholson, Patrick Palmeri, Luca Pasquini, Lorenzo Pino, Romolo Politi, Francesca Primas, Pascal Quinet, Monica Rainer, Heleri Ramler, Yassin Rany Khalil, Martina Rossi, Eugenio Schisano, Federico Sestito, Paolo Simonetti, Arianna Vasini, Silvia Vicente, Carlos Viscasillas Vazquez, Manuela Zocchi, Michele Zusi, Andrea Baruffolo, Martin Black, Anna Brucalassi, Simone D'Auria, Vincenzo De Caprio, Michele Frangiamore, Enrico Giro, Robert J. Harris, Alen Khanbekyan, Enrique Joven, Tom Louth, Matteo Munari, Graham J. Murray, Luis Fernando Rodriguez Ramos, Bernardo Salasnich, William Taylor, Andrea Tozzi, Steven Watson
• 分类: astro-ph.IM · astro-ph.GA · astro-ph.SR
• 相关性 0/10
• 评分理由: Instrument design white paper for a spectrograph; no statistical content.

31. 2607.05003 — In-Band Scattering and Absorption of Infrared Blocking Foam Filters for Millimeter-wave Cameras

• 作者: Alex Thomas, Bugao Zou, Shreya Sutariya, Yuhan Wang, Gabriele Coppi, Samuel Day-Weiss, Nicholas Galitzki, Kathleen Harrington, Erin Healy, Claire Lessler, Aashrita Mangu, Jeffrey McMahon, Michael D. Niemack, Edward J. Wollack
• 分类: astro-ph.IM · astro-ph.CO
• 相关性 0/10
• 评分理由: Experimental characterization of foam filters; no statistical or data-analysis methodology.

32. 2607.05022 — The Atacama Large Aperture Submillimeter Telescope (AtLAST): enabling large-scale sub-mm science beyond 2030

• 作者: Claudia Cicone, Tony Mroczkowski, Evanthia Hatziminaoglou, Matthias Reichert, Sabrina Sartori, Amelie Saintonge, Pamela Klaassen, Francisco Montenegro-Montes, Martin Timpe, Aleksej Kiselev, Danilo Koeltzsch, Carlos De Breuck, Pamela Pizarro, Eelco van Kampen, Tinus Stander, Dirk Muders, Yiqing Song, Kotaro Kohno, Sergio Poppi, Yoichi Tamura, Stefan Thoms, Hans Kaercher, Sven Wedemeyer, Alessandro Attoli, Stephen Molyneux, Bruno Silva, Guillermo Valenzuela Venegas, Paola Velasco-Herrejon, Marianne Zeyringer, Yogesh Kumar Yadav, Mark Booth, Carlos Alberto Duran, Lars-Ake Nyman, Serni Ribo, Francisca Kemper, Manuel Groh, Leandro Aggio, Mathias Hudoba de Badyn, Benjamin Magnelli, Mats Kirkaune, Akira Endo
• 分类: astro-ph.IM · physics.ins-det
• 相关性 0/10
• 评分理由: Telescope design and instrument description; no statistical or data-analysis content.

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论