跳转至

2026-07-09 每日 arXiv 资讯

  • 高相关论文 8 篇 · 中相关 45 篇 · 其他 45 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 3 篇)

1. 2607.06330 — Direct and efficient estimation of bilinear forms in staggered tensor panels

  • 作者: Alberto Bordino, Thomas B. Berrett, Olga Klopp
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文研究从含噪声、部分观测的张量数据中估计双线性形式的问题。信号服从 Tucker2 模型，具有跨张量层共享的单位和时间因子以及切片特定的核心张量，缺失模式受因果推断中常见的交错采纳设计（staggered adoption）启发。作者首先分析四块缺失模式这一基本构建块，提出一种跨层池化信息、直接估计目标泛函而非完整张量补全的谱算法。证明了非渐近均方误差界，该界在层数上呈现相变，明确了何时池化能改善估计，并给出了局部极小极大下界（常数紧）。随后通过锚定四块约化将构造推广至一般交错采纳设计，并导出类似理论保证。实验在模拟和真实数据集上验证了理论发现。对您而言，该工作直接连接了因果推断中的交错采纳设计与高维张量统计，其谱方法可视为一种新的估计策略，值得关注。
  • 关键技术: Tucker2 model, spectral algorithm, bilinear form estimation, staggered adoption design, minimax lower bound, phase transition
  • 为什么对您有用: 本文直接连接您 primary interest 中的因果推断（交错采纳设计）与高维统计（张量模型），且其谱方法为处理结构化缺失模式下的估计问题提供了新思路。您可以用 very_familiar 的高维渐近理论验证其相变界的紧性，或用 moderately_familiar 的识别理论分析该估计量在交错采纳设定下的因果解释。中期可做：若想将方法推广至更一般的因果参数（如 ATT），需先在 moderately_familiar 的因果推断识别理论上加强。

2. 2607.05768 — Optimal Designs with Robust Inference for Binary Treatment Effects

  • 作者: David Azriel, Abba M. Krieger, Adam Kapelner
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在 Neyman 非参数模型下研究二元结果变量的随机实验设计，其中协变量固定但潜在结果随机。推导了差分估计量的精确方差，并刻画了最小化该方差的设计。证明任何满足协变量平衡条件的平衡设计都是渐近最优的，且一大类区组设计在温和光滑性假设下满足该条件。由于方差依赖于未知的成功概率，无偏方差估计不可行，因此开发了两个保守估计量：适用于任何平衡设计的广义 Cochran-Mantel-Haenszel (CMH) 统计量，以及针对区组设计的 Robins 方差估计量的推广。建立了 CMH 估计量在局部备择假设下渐近紧的条件，从而得到渐近有效的置信区间。理论及模拟表明，协变量平衡且具有足够随机性的设计（如区组设计）配合 CMH 推断表现良好。对您有用：该工作直接关联您对因果推断中实验设计、方差估计和稳健推断的兴趣，特别是其 CMH 估计量的保守性与渐近紧性分析可迁移至您熟悉的非参数统计和 minimax 界工具。
  • 关键技术: Neyman's nonparametric model, difference-in-means estimator, Cochran-Mantel-Haenszel statistic, conservative variance estimation, blocking designs, asymptotically tight confidence intervals
  • 为什么对您有用: 直接连接到 primary interest 中的因果推断（实验设计、方差估计）和数学统计（假设检验）。技术武器库中 'nonparametric statistics' 和 'estimation theory in causal inference' 可立即用于分析其 CMH 估计量的有限样本保守性是否可改进。中期可做：需先在 'semiparametric theory' 上长肌肉以推广至连续结果或更复杂设计。

3. 2607.05699 — Identification, Estimation and Inference Based on Structural Error Projection

  • 作者: Chaohua Dong, Jiti Gao, Oliver Linton, Bin Peng
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出一种新的半参数投影（SP）方法处理回归模型中的内生性问题。核心思路是将结构误差项对回归元的条件均值函数进行投影展开，利用该投影构造内部工具变量，从而替代传统的外部IV。该方法适用于线性、非线性、非参数和半参数等多种内生回归模型，且计算简单。作者建立了SP估计量的识别条件，并推导了其渐近性质（包括相合性和渐近正态性）。进一步，文章提出一种LASSO选择方法用于实际中筛选投影基函数，并通过模拟和真实数据例子验证了有限样本表现。对您而言，本文提供了一种不依赖外部工具变量的内生性处理新思路，与您因果推断中IV和identification的兴趣直接相关。
  • 关键技术: semiparametric projection, internal instrumental variables, LASSO selection, series estimation, endogeneity
  • 为什么对您有用: 本文直接关联您primary interest中的causal inference（IV和identification），提出了一种新颖的“内部构造IV”方法，可视为传统IV的替代或补充。从技术武器库看，您对nonparametric statistics和estimation theory in causal inference非常熟悉，可以立即用minimax bound分析其投影展开的收敛速率是否最优，或用semiparametric theory（moderately_familiar）推导其半参效率界。中期可做：若能将SP方法与您熟悉的higher-order U-statistics结合（例如处理高维投影基下的U-statistic型估计量），则可能产生新结果。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)

1. 2607.08089 — Bias-Corrected Multiplier Bootstrap Inference for Spectral Edges of Large Covariance Matrices

  • 作者: Xiucai Ding, Yichen Hu, Jiahui Xie
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文针对大协方差矩阵谱边缘的统计推断问题，提出了一种偏差校正的乘子自助法。核心困难在于最大非尖峰样本特征值在Tracy-Widom尺度上波动，导致需要精确的中心化和缩放常数，而这两者在一般未知总体协方差结构下难以估计。作者通过引入精心校准的乘子扰动，将边缘波动正则化到稍大的尺度，使得高斯近似变得可行。置信区间直接从自助法特征值构造，并包含一个数据驱动的重中心化步骤以校正自助法引入的确定性边缘偏移。理论上，证明了偏差校正和重缩放后，最大的几个非尖峰自助法特征值在给定数据条件下渐近服从高斯分布，并建立了置信区间的渐近有效性，其长度仅略大于Tracy-Widom尺度。此外，该区间在备择假设下覆盖概率趋于零，从而无需假设尖峰互异或很大即可得到尖峰数的阈值自由估计量，等价于为碎石图提供了数据驱动的理论截止值。该工作与您的高维统计和随机矩阵理论兴趣高度相关，其乘子扰动技术可能为高维协方差结构的稳健推断提供新思路。
  • 关键技术: multiplier bootstrap, Tracy-Widom law, spectral edge inference, bias correction, spiked covariance model, Gaussian approximation
  • 为什么对您有用: 该论文直接对应您primary interest中的高维统计与随机矩阵理论，特别是谱边缘推断这一核心问题。您武器库中'高维渐近理论'和'逆问题'的功底可直接用于理解其乘子扰动与偏差校正机制，而'高阶U统计量'的树宽视角或许能用于分析其自助法特征值分布的收敛速度。中期可做：若先熟悉'半参数理论'中的渐近展开技巧，可尝试将乘子自助法推广至更一般的协方差结构或与因果推断中的高维协变量调整结合。

2. 2607.08123 — Joint estimation of high-dimensional spiked covariance matrices via a partially shared subspace

  • 作者: Changwon Yoon, Minwoo Kim, Sungkyu Jung, Jeongyoun Ahn
  • 相关性 8/10 · novelty: new_method
  • 摘要: 针对高维数据样本量有限但存在相关辅助数据集的场景，提出一种部分共享子空间的spiked协方差模型。该模型允许两个数据集共享一个秩未知、谱位置任意的子空间，同时各自保留独有的spiked方向，严格推广了现有共享协方差结构模型。估计流程包括：联合估计共享子空间及其秩、闭式最优池化权重（组合两个数据集），以及基于随机矩阵理论在比例增长（p/n→c）框架下的渐近理论保证。方法还填补了对比降维（contrastive dimension reduction）在高维设定下缺乏原则性估计器的空白。实证部分展示了在COVID-19早期投资组合构建和脑肿瘤基因表达对比分析中的应用。对您而言，该工作直接连接高维统计与随机矩阵理论（primary interest），其共享子空间估计的渐近分析可借助您熟悉的RMT工具（如Marchenko-Pastur律）进一步检验有限样本表现，属于中期可做方向（需先巩固RMT在spiked模型中的谱分析）。
  • 关键技术: spiked covariance model, random matrix theory, proportional-growth asymptotics, contrastive dimension reduction, closed-form pooling weight, joint subspace estimation
  • 为什么对您有用: 连接高维统计与随机矩阵理论（primary interest），其共享子空间估计的渐近分析可借助您熟悉的RMT工具（如Marchenko-Pastur律）进一步检验有限样本表现。属于中期可做方向：需先巩固RMT在spiked模型中的谱分析（moderately_familiar），但核心估计器构造与您的高维渐近工具链兼容。

3. 2607.08671 — Low-Rank Matrix Recovery via Heavy-Tailed Quadratic Sampling

  • 作者: Gao Huang, Song Li
  • 相关性 8/10 · novelty: sharper_rate
  • 摘要: 本文研究从二次采样（quadratic sampling）中恢复低秩 Hermitian 矩阵的问题，采样形式为 {a_k a_k^*}，涵盖相位恢复等应用。现有理论大多假设采样向量服从高斯或次高斯分布，但实际数据常呈现重尾特征。本文在仅要求采样向量分量具有有限 4+δ 阶矩的弱假设下，证明了核范数最小化和半正定约束经验风险最小化两种凸方法能够实现一致、稳定且鲁棒的恢复，样本复杂度达到最优的 O(rn)。证明的核心工具是解耦技巧导出的二次型矩估计，以及重尾协方差估计的最新进展。作为副产品，本文还在复射影 4-设计采样下建立了最优样本复杂度，改进了先前结果，并在同样弱的矩假设下获得了相位恢复的稳定性保证。对您而言，本文在高维统计的弱假设框架下给出了凸方法的锐利收敛率，与您熟悉的最小极大界和逆问题分析直接相关。
  • 关键技术: nuclear norm minimization, semidefinite-constrained empirical risk minimization, decoupling for quadratic forms, heavy-tailed covariance estimation, complex projective 4-design sampling
  • 为什么对您有用: 本文直接连接您的高维统计兴趣，特别是重尾设定下凸方法的样本复杂度分析。您武器库中'高维渐近理论'和'逆问题'可直接用于验证其 moment 条件是否紧，以及能否推广到更一般的采样分布。中期可做：若需将结果推广到非凸方法（如梯度下降），需先在 moderately_familiar 的 M-估计理论上长肌肉。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 2607.08415 — An Exact Distribution-Free Test for Means of Nonnegative Random Variables

  • 作者: Nikos Vlassis, Philip S. Thomas
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文针对非负独立随机变量（不必同分布）的均值检验问题，提出了一种精确的有限样本分布自由 p 值。核心构造是：令 D 服从 Dir(1,…,1) 分布且独立于数据 X，定义 K(x)=P{∑ x_i D_i ≤ 1}。作者证明，在零假设 E[X_i] ≤ 1 对所有 i 成立时，P{K(X) ≤ α} ≤ α 对所有 α∈[0,1] 成立，从而 K(X) 是一个有效的 p 值。该结果证实了 Gaffke (2005) 的猜想。证明的关键在于利用 Dirichlet 分布的随机排序性质与 Markov 不等式的巧妙结合，无需任何分布假设或渐近近似。这一方法为非参数假设检验提供了新的工具，尤其适用于高维或小样本场景下的均值检验。对您而言，该工作直接关联数学统计与假设检验的兴趣方向，其分布自由构造思路可启发您在高维或因果推断中开发类似的有限样本检验方法。
  • 关键技术: distribution-free test, Dirichlet distribution, finite-sample p-value, Markov inequality, nonnegative random variables
  • 为什么对您有用: 该论文直接对应您 primary interest 中的 'hypothesis testing' 子方向，且其分布自由、有限样本精确的 p 值构造在非参数统计中具有理论价值。您的技术武器库中 'nonparametric statistics' 和 'minimax bounds' 可用来分析该检验的势函数或与渐近方法的比较，属于 '立即可做' 的 follow-up。

2. 2607.05893 — Sharp Asymptotic Minimaxity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure in Sparse Gaussian Sequence Models

  • 作者: Prasenjit Ghosh
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究稀疏高斯序列模型中经典的 Gavrilov-Benjamini-Sarkar (GBS) step-down 多重检验过程的渐近极小化最优性。在 beta-min 框架和异质信号强度类下，Abraham 等人 (2024) 建立了稀疏多重检验的渐近极小化基准，但 GBS 过程的结果此前缺失。作者证明 GBS 过程在归一化 Hamming 损失和组合 FDP+FNP 损失下，在经典 beta-min 参数类上是渐近极小化的。进一步，在异质信号强度类下，建立了归一化 Hamming 风险的渐近上界，并证明 GBS 过程在组合 FDP+FNP 损失下达到相应的渐近极小化基准。分析基于 GBS 临界值的移位次序统计量不等式，以及有序备择 p 值的确定性和经验信号交叉论证。与现有 BH 过程和经验 Bayes l-值方法不同，该方法内生于 GBS step-down 过程的几何结构，避免了单一隐式拒绝阈值的局部化。结果将渐近极小化理论扩展到了拒绝规则依赖于整个有序 p 值序列的 step-down 过程。对您而言，该工作直接关联到数学统计中的假设检验方向，特别是多重比较的渐近最优性理论，其使用的次序统计量不等式和信号交叉论证可能对您在高维假设检验中的工作有启发。
  • 关键技术: step-down multiple testing, asymptotic minimaxity, beta-min framework, shifted order-statistic inequality, FDP+FNP loss, sparse Gaussian sequence model
  • 为什么对您有用: 直接连接到 primary interest 中的 hypothesis testing 子方向，特别是多重检验的渐近最优性理论。您武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可以直接用于理解本文的渐近极小化框架和证明技术。中期可做：本文的 shifted order-statistic inequality 和信号交叉论证可能推广到其他 step-down 过程或更一般的损失函数，您可以用 moderately_familiar 的 M-estimation 理论来探索这种推广。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 9 篇)

1. 2607.08142 — Bayesian Donor Set Selection in Synthetic Controls

  • 作者: Seul Lee, Johan Lim, Joungyoun Kim, Xinlei Wang
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在合成控制法（SCM）框架下，提出一种贝叶斯层次模型，同时估计合成控制权重和活跃供体集（donor set）。传统SCM假设供体集固定，而本文通过Gamma-Bernoulli层次构造对供体权重施加单纯形约束，允许被排除供体的权重精确为零，从而自动实现供体选择。在简化预处理模型下，作者证明了后验供体集的一致性。模拟表明，当供体池包含无关或弱相关单元时，该方法能改善供体恢复和权重估计，在全供体设定下也保持竞争力。实证部分应用于西德GDP轨迹的经典案例。对您而言，本文属于因果推断中处理单元选择偏差的方法，其贝叶斯层次模型与供体集一致性的理论结果值得关注。
  • 关键技术: Bayesian hierarchical model, Gamma-Bernoulli construction, synthetic control method, donor set selection, posterior consistency
  • 为什么对您有用: 本文直接关联您primary interest中的因果推断（合成控制法），特别是供体集选择这一实际痛点。您的武器库中'非参数统计'和'因果推断中的估计理论'可用于分析其贝叶斯模型与经典SCM的偏差-方差权衡；'极小极大界'可检验其一致性结果是否最优。中期可做：若想将供体选择推广到高维供体池，需先在moderately_familiar的'因果推断中的识别理论'上长肌肉（如处理多个干预的识别条件）。

2. 2607.08058 — Evaluation of Combination Therapy amid Patient-Level Heterogeneity

  • 作者: Lingjie Wei, Xinzhou Guo, Shuoxun Xu
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一个无模型统计推断框架，用于在患者水平异质性下评估联合疗法的疗效。核心问题是：联合疗法的益处可能并非来自药物间的药理交互，而是源于患者对单一疗法反应的异质性。经典框架未调整这种异质性，可能导致过于乐观的推断。作者定义了跨世界目标参数（如联合疗法 vs. 最佳单一疗法的平均效果），并处理了非可识别性和非线性问题。通过建立部分可识别性条件，提出基于结局的最优匹配方案，实现目标参数的渐近正态估计和√N速率置信区间。方法在ACTG 175试验数据上展示了实用性。对您而言，该工作涉及因果推断中的识别与估计，特别是跨世界比较和异质性调整，与您的proximal CI和IV方向有潜在联系。
  • 关键技术: cross-world counterfactual, outcome-based optimal matching, partial identifiability, asymptotic normality, patient-level heterogeneity
  • 为什么对您有用: 该论文直接关联您的primary interest中的因果推断，特别是跨世界比较和异质性调整问题。您武器库中very_familiar的'非参数统计'和'因果推断中的估计理论'可用于分析其匹配估计量的渐近性质，而moderately_familiar的'因果推断中的识别理论'可用于评估其部分可识别性条件的充分性。中期可做：若想深入扩展其识别条件，需先在moderately_familiar的'识别理论'上加强。

3. 2607.06506 — Embracing Spillover: Spatial Effects in Experiments

  • 作者: Samuel I. Watson, Penny Hancock, Jack Fraser-Govil, Kieran DeWalt, Thomas A. Smith
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在空间实验的因果推断框架下，将直接效应、间接效应、总效应和剂量-响应效应统一建模为 spillover kernel 的线性泛函。在固定暴露集大小的整群随机化下，数据能识别 kernel 的形状但无法识别其水平（level），水平与截距和直接效应在任意样本量和任意结果模型下都完全混淆。因此，任何估计量都必须依赖一个锚定假设来固定水平。作者推导了任意锚定估计量的偏差分解，分为水平项、核误设的形状误差和由实际几何吸收的泄漏项，这三项在设计阶段即可计算。一个标量——水平杠杆——刻画了每个估计量对未识别水平的暴露程度、精确的水平偏差以及估计水平带来的方差代价。传统整群试验分析是隐式锚定的特例，其污染偏差有闭式解。文章将现有方法（如 Bernoulli 随机化识别、干扰衰减有界假设、紧支撑假设）统一为线性暴露映射下的锚定选择，并给出了何时增广设计以购买水平、何时锚定的分类准则。对您而言，该工作为空间干扰下的因果推断提供了清晰的识别与偏差分析框架，直接关联您的因果推断（特别是 IV 和敏感性分析）兴趣，且其线性泛函与偏差分解技术可迁移至您熟悉的非参数统计与 minimax 界工具。
  • 关键技术: spillover kernel, linear functional, anchoring assumption, level leverage, bias decomposition, cluster randomization
  • 为什么对您有用: 本文直接关联您 primary interest 中的因果推断（空间干扰下的识别与估计），其核心贡献——水平不可识别性及锚定偏差分解——为敏感性分析提供了新视角。您非常熟悉的非参数统计和 minimax 界工具可直接用于评估该框架下估计量的最优性（例如，水平杠杆是否达到信息论下界）。中期可做：若想将本文的线性泛函框架推广至非线性暴露映射（如剂量-响应中的非参数核），需先在 moderately_familiar 的 semiparametric theory 上提升，特别是 influence function 在空间依赖下的推广。

4. 2607.05792 — Estimating Causal Effects from Data Generated by Stochastic Algorithms

  • 作者: Susan Athey, Guido Imbens, Zoe Ji
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究推荐系统或聊天机器人等随机算法生成内容场景下的因果效应估计问题。目标 estimand 是内容特征（如回复风格、视频属性）对用户参与度（如点击率、停留时长）的平均因果效应。核心设定是：算法在决定向用户展示哪条内容时包含随机化（如 Thompson sampling 或 epsilon-greedy），且日志中额外记录了两项数据——(i) 至少一条未被展示但本可能展示的候选内容（unexposed item）；(ii) 该未展示内容被展示的概率与已展示内容被展示的概率之比的估计值。在此设定下，作者证明了即使存在同时影响用户偏好和内容选择对的未观测混杂因子，内容特征的因果效应仍可被识别。估计量构造上，利用曝光概率比（propensity ratio）进行逆概率加权，并结合未曝光内容作为对照，形成类似匹配或双重稳健的估计策略。该方法与现有方法的关键区别在于数据使用方式（需要未曝光项及其概率比）和估计量构造逻辑。对您而言，本文是因果推断中利用算法随机化进行 identification 的新范例，尤其适合您熟悉的 estimation theory in causal inference 和 identification theory 工具来审视其假设的合理性与估计量的效率性质。
  • 关键技术: propensity ratio weighting, identification via algorithmic randomization, unexposed item as control, inverse probability weighting, unobserved confounders
  • 为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 identification 和 estimation 子方向，特别是利用算法随机化（而非传统 IV 或 negative control）实现识别的新思路。您的 very_familiar 工具中 estimation theory in causal inference 可直接用于分析该估计量的渐近性质（如 n^{-1/2}-consistency 条件），而 moderately_familiar 的 identification theory 可帮助判断其识别假设在实际推荐系统场景中的可信度。中期可做：若想将本文方法推广到更复杂的 longitudinal 设定（如用户多次交互），需先在 moderately_familiar 的 semiparametric theory 上长肌肉（特别是时变处理下的 g-computation 或 TMLE）。

5. 2607.08640 — A Design-Based Approach to Testing and Inference in (Quasi-)Experiments with Spillovers

  • 作者: Yechan Park
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在准实验或随机实验中存在溢出效应（spillover）的设定下，提出一种基于设计（design-based）的推断框架。核心问题是：当个体间存在网络或空间依赖时，如何选择暴露度量（exposure measure）的函数形式（如半径和环形区域）并据此进行因果效应的估计与检验。作者利用正确设定的暴露度量所隐含的正交条件（orthogonality conditions）来同时进行估计和假设检验。在仅将随机性归因于处理分配的设计框架下，建立了估计量在空间和网络依赖下的相合性与渐近正态性，并进一步刻画了有效矩条件（efficient moment conditions）。应用于两个大规模反贫困项目时，该框架支持部分先验半径估计，但拒绝了其他半径；修正后的半径产生了实质不同的政策效应估计。对您而言，本文直接关联因果推断中的溢出效应识别与估计问题，且其基于正交条件的检验思路可迁移至您熟悉的proximal causal inference或IV设定中的敏感性分析。
  • 关键技术: design-based inference, exposure measure, orthogonality conditions, spatial dependence, network dependence, efficient moment conditions
  • 为什么对您有用: 本文直接关联您primary interest中的因果推断（特别是溢出效应下的identification与estimation），其基于正交条件的检验方法可迁移至proximal CI或IV设定中的模型诊断。您very_familiar的estimation theory in causal inference和nonparametric statistics可直接用于理解其估计量的渐近性质，而moderately_familiar的identification theory in causal inference可帮助您评估其识别假设的合理性。中期可做：若想将本文的检验思路推广至更复杂的exposure measure（如高阶交互），需先在moderately_familiar的HOIF上长肌肉。

6. 2607.08324 — Finite-Population Inference for Heterogeneity in Many-Group Synthetic Difference-in-Differences

  • 作者: Takahiro Hoshino, Makoto Nakakita
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对多组合成双重差分（many-group SDID）框架，研究有限总体下处理效应异质性的推断问题。目标 estimand 包括：组级真实效应在观测协变量上的投影、投影效应曲线、组间方差以及解释份额。核心挑战在于同一 donor pool 被多组复用导致组级估计量之间存在截面依赖，若用 plug-in 二阶矩会高估异质性。方法上，作者提出模块化第一阶段表示，导出 donor 共享与块依赖的联合协方差核，并构造解析和 leave-out 修正的二阶矩估计量；在此基础上构建校准的 omnibus 和定向检验，依赖显式可交换性或拟合匹配条件。在 ACA 医疗补助扩展的 ACS 应用中发现，扩展前未参保率解释了州级效应变异的大部分，而 donor 共享显著增大了平均效应的标准误；在 Clean Air Act 县级应用中，基线细颗粒物污染的投影效应方向稳定。本文对您的主要兴趣（因果推断中的 longitudinal/panel 设定、异质性推断）直接相关，其 donor 共享导致的依赖结构可类比于您熟悉的 higher-order U-statistics 中的重叠子样本问题，中期可尝试用 treewidth/einsum 视角分析其协方差核的计算复杂度。
  • 关键技术: synthetic difference-in-differences, finite-population inference, cross-sectional dependence, leave-out correction, omnibus test, covariance kernel
  • 为什么对您有用: 直接连接 primary interest 中的因果推断（longitudinal/panel 设定下的异质性推断）。本文的 donor 共享依赖结构可类比于 higher-order U-statistics 中的重叠子样本问题，您非常熟悉的 treewidth/tensor contraction 工具可用于分析其协方差核的计算复杂度（中期可做，需先在 moderately_familiar 的 HOIF 上长肌肉以理解其二阶矩修正的 influence function 视角）。

7. 2607.06412 — A Machine-Learning-Compatible Omnibus Test for Treatment Effect Heterogeneity

  • 作者: Elia Lapenta, Anthony Strittmatter, Pedro Vergara Merino
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一个与机器学习兼容的非参数 omnibus 检验，用于检测处理效应异质性。设定中，识别可依赖高维控制变量，而异质性仅针对低维协变量子集评估。检验统计量的渐近零分布被导出，并开发了一个 bootstrap 程序，该程序通过避免在每次迭代中重新估计 nuisance 参数来提高计算效率。该方法适用于多种实证设计，包括随机实验、可观测变量选择、双重差分和工具变量设定。蒙特卡洛模拟显示检验在零假设下具有接近名义水平的 size，并对异质性备择具有良好功效。两个实证应用（退休储蓄和贸易自由化）进一步展示了该程序。该检验的核心优势在于其计算效率和对现代机器学习估计器的兼容性，为因果推断中的异质性检验提供了实用工具。
  • 关键技术: omnibus test, treatment effect heterogeneity, bootstrap, nonparametric test, machine learning estimators, difference-in-differences
  • 为什么对您有用: 该论文直接关联您的主要兴趣——因果推断中的假设检验，特别是处理效应异质性的检验。您武器库中'very_familiar'的'非参数统计'和'因果推断中的估计理论'可直接用于理解其检验统计量的构造和渐近性质；'moderately_familiar'的'M-估计理论'可用于分析其bootstrap程序的有效性。该文提出的计算高效bootstrap方法（避免重估nuisance参数）是一个值得关注的实用技巧，中期可做：若您想将其推广到更复杂的异质性模式（如高维异质性），需先在'moderately_familiar'的'HOIF'上提升。

8. 2607.05646 — Sensitivity and Early Detection of Bayesian Causal Impact Models for Marketing Interventions

  • 作者: Jorge Pellegrini
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出一个基于模拟的框架，用于评估贝叶斯因果影响模型在营销干预中的敏感性和早期检测能力。研究使用废弃购物车营销旅程的日流量数据，通过重复扰动观测结果，评估不同效应大小、置信水平和检测时间窗口下的警报激活概率。分析了两种警报标准：基于观测值低于预测下限的比例，以及基于连续负累积影响的天数。结果表明，检测性能强烈依赖于效应大小、置信水平和评估时间窗口之间的交互作用。基于比例的标准随着监测时间窗口增加而效果减弱，而基于持续性的标准提供更稳定且操作上有意义的检测行为。该框架将因果影响分析从回顾性效应估计扩展到动态监测决策支持。
  • 关键技术: Bayesian Causal Impact, simulation-based sensitivity analysis, alarm criteria, posterior predictive bounds, cumulative impact monitoring
  • 为什么对您有用: 本文直接关联到因果推断中的敏感性分析子方向，提供了一个实用的模拟框架来评估干预检测的灵敏度。武器库中'very_familiar'的'因果推断中的估计理论'可直接用于理解其贝叶斯后验预测框架，而'moderately_familiar'的'因果推断中的识别理论'可用于评估其识别假设的合理性。中期可做：若想将此类模拟框架推广到更复杂的纵向设定（如带时间固定效应的DID），需先在'moderately_familiar'的'纵向因果推断识别'上积累经验。

9. 2607.06368 — Factor-Augmented Machine Learning Panel Regressions

  • 作者: Andrii Babii, Luca Barbaglia, Eric Ghysels, Jonas Striaukas
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对高维面板数据回归中误差项受共同冲击导致截面依赖的问题，提出因子增强的稀疏组LASSO估计量。该估计量结合了MIDAS聚合与潜在因子，能利用时间维度的混频组结构。理论证明，在允许截面依赖的条件下，该估计量在预测和估计两方面均可优于标准LASSO。方法的核心机制是通过因子结构捕捉截面相关性，并利用组稀疏性进行变量选择。主要理论结果包括估计量的收敛速率和预测误差界。对您而言，该工作虽非直接因果推断，但其处理截面依赖和混频数据的思路可迁移至纵向因果推断中的高维协变量调整问题。
  • 关键技术: factor-augmented LASSO, sparse-group LASSO, MIDAS aggregation, high-dimensional panel data, cross-sectional dependence
  • 为什么对您有用: 本文处理高维面板数据中截面依赖和混频数据的方法，与您纵向因果推断的兴趣直接相关，特别是当存在未观测共同因子时，其因子增强LASSO可视为一种处理混淆变量的工具。您武器库中的高维渐近理论可直接用于分析其估计量的性质，但核心的因子模型识别假设（如因子数选择）需要您先在identification theory上有所积累，属于中期可做。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)

1. 2607.05570 — High-Dimensional Variance Estimation for the Generalized Regression Estimator

  • 作者: Kalil Bouhadra, Mehdi Dagdoug
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究高维协变量下广义回归估计量（GREG）的方差估计问题。在抽样调查中，模型辅助估计常利用大量辅助信息（协变量）提高效率，但高维情形（p 与样本量 n 同阶）下传统方差估计量（如基于泰勒线性化的估计量）存在显著渐近偏差。作者推导了这些偏差的显式表达式，刻画了高维渐近偏差的来源。进一步，在协变量满足适当分布假设（如次高斯性）下，提出一种基于交叉验证的方差估计量，并证明其自然具有渐近无偏性。理论结果依赖于随机矩阵理论（如 Marchenko-Pastur 律）和 high-dimensional asymptotics 工具。本文为高维抽样推断提供了可操作的方差估计方法，对您的高维统计与随机矩阵理论兴趣有直接连接，且交叉验证思路可迁移至因果推断中的方差估计问题。
  • 关键技术: generalized regression estimator, Taylor linearization, cross-validation, Marchenko-Pastur law, high-dimensional asymptotics, random matrix theory
  • 为什么对您有用: 直接连接您的高维统计与随机矩阵理论兴趣：本文用 Marchenko-Pastur 律刻画高维 GREG 方差估计的渐近偏差，属于 RMT 在 survey inference 的经典应用。武器库中 'high-dimensional asymptotics' 和 'inverse problems with random noise' 可直接用于理解其偏差推导；'minimax bounds for estimation problems' 可检验其交叉验证估计量的最优性。中期可做：若想将交叉验证方差估计推广至因果推断中的 ATE 估计（如 DML 中的方差估计），需先在 'semiparametric theory' 上长肌肉（moderately_familiar）。

2. 2607.06373 — Error Propagation in Spectral Functionals of Shrinkage Covariance Estimators: Perturbation Bounds and Calibrated Inference

  • 作者: Ahmad Koman
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究收缩协方差估计量谱泛函（如主导特征空间投影、吸收比率、特征值份额）的误差传播问题，目标是在高维设定下对市场结构变化进行校准推断。核心方法包括：对重叠窗口间的投影距离推导一阶零分布，并证明该分布对旋转等变收缩估计量保持不变；利用无分布Davis-Kahan带判断特征空间是否可识别，结合估计量感知的bootstrap提供校准检验，并给出最小可检测旋转的近似设计规则。对于标量谱泛函，证明尺度不变泛函对椭圆峰度具有一阶免疫性，从而单一估计量即可校准椭圆族内的投影零分布和吸收比率区间。在高维场景下，针对收缩清洗导致的吸收比率偏差，提出迹保持的尖峰去偏估计量。模拟验证了已知总体协方差下的结果，并附有股票面板数据作为诊断示例。该工作对您在高维统计与随机矩阵理论方向的研究有直接参考价值，尤其是其扰动界和校准推断框架可迁移至您熟悉的逆问题与高维渐近分析中。
  • 关键技术: Davis-Kahan sinθ theorem, shrinkage covariance estimator, spectral functional, bootstrap calibration, spike-debiased estimator, elliptical distribution
  • 为什么对您有用: 本文直接连接您的高维统计与随机矩阵理论兴趣，特别是谱泛函的扰动界和校准推断。您武器库中的高维渐近与逆问题工具可直接用于分析其Davis-Kahan带的紧性及去偏估计量的minimax性质，属于立即可做的follow-up。

3. 2607.05774 — AI-Augmented Statistical Network Estimation with Proxy Gene Embeddings

  • 作者: Yan Chen, Weijing Tang, Jin-Hong Du
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究部分观测的目标基因网络如何借助外部基础模型提供的代理基因嵌入（proxy gene embeddings）来提升潜在结构恢复。提出 PLANE 模型，通过共享潜在位置将目标网络与代理嵌入联合建模，在温和秩条件下实现所有节点的潜在位置和载荷的识别（至正交旋转）。方法核心是自适应加权的联合网络-嵌入潜变量模型，通过块状 Gram 归一化梯度下降算法求解。理论贡献在于：零阶最优性分析虽能控制加权重构损失，但不足以确定最优权重；为此进一步推导了对齐的、曲率加权的误差的确定性收缩，直至显式统计容差，并基于此得到目标块误差界，从而给出网络-嵌入权重的数据自适应最优选择。模拟和单细胞扰动分析表明，信息性代理嵌入能改善潜在恢复、网络重构和缺失节点推断。对您而言，本文的潜变量识别与加权联合估计框架可迁移至因果推断中的负对照辅助变量设定，且其块状梯度下降的收缩分析技术对高维统计中的非凸优化问题有参考价值。
  • 关键技术: latent position model, Gram-normalized gradient descent, weighted reconstruction loss, blockwise contraction analysis, proxy embedding, network-embedding joint model
  • 为什么对您有用: 本文连接您的高维统计与因果推断兴趣：其潜变量识别策略可类比 proximal causal inference 中利用负对照变量进行识别，加权联合估计框架可迁移至 IV 或 mediation 分析中的多源信息融合。技术层面，块状梯度下降的确定性收缩分析是您 very_familiar 的高维渐近工具可直接攻克的——您可用 minimax 界验证其声称的最优权重是否紧，且其算法收敛性分析思路可复用于您熟悉的 U-statistic 计算中的优化问题。中期可做：若想将此类联合嵌入方法推广至因果结构学习，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体为 influence function 的加权组合）。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 2607.04699 — Parameter estimation and application in two types of uncertain single-index models

  • 作者: Fuguo Wang, Zhiming Li
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对不确定数据（频率不稳定或主观判断导致）建立了两类不确定单指标模型。在 semiparametric 框架下，结合 Nadaraya-Watson 核估计和 B-spline 方法估计未知系数，分别处理解释变量为精确和模糊的情形。基于 semiparametric least-squares 原则进行参数估计，并通过残差分析和假设检验评估模型拟合。模拟研究验证了方法的有效性，真实数据应用展示了其实用性。对您而言，该文涉及 semiparametric 估计和核方法，与您的 semiparametric & nonparametric theory 兴趣相关，但方法学新颖性有限，属于应用拓展。
  • 关键技术: Nadaraya-Watson kernel, B-spline, semiparametric least-squares, single-index model
  • 为什么对您有用: 本文属于 semiparametric 方法在不确定数据场景的应用，与您的 semiparametric & nonparametric theory 兴趣有交集。但方法上未超出经典核估计和样条技术，且无新的理论贡献（如收敛率或效率界）。武器库中的 nonparametric statistics 和 minimax bounds 可直接评估其估计量的最优性，但该文未提供此类分析，因此暂不可做——核心缺失在于未给出理论保证。

数理统计 / 假设检验 (hypothesis_testing, 3 篇)

1. 2607.08388 — Testing Covariance Separability in High Dimensions

  • 作者: Tomas Masak, Marcus Mayrhofer, Una Radojičić
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对矩阵型数据（matrix-variate data）中的协方差可分离性（covariance separability）假设提出检验方法。可分离性假设将协方差结构分解为行和列协方差矩阵的Kronecker积，在高维场景下能大幅简化后续统计推断。作者将检验问题转化为白化后的球性检验（sphericity test）：先用可分离最大似然估计对数据进行白化，再检验白化后数据的协方差是否为标量矩阵。检验的p值通过Monte Carlo模拟校准，从而在有限样本下控制第一类错误。理论上，作者证明了该检验在密集备择假设下的高维一致性。为降低对分布假设的依赖，还提出了基于径向归一化的角度版本（angular version）。模拟和实证展示了该方法在经验功效和计算效率上的优势。该工作直接连接您对高维假设检验的兴趣，且其白化+球性检验的框架可迁移至您熟悉的非参数统计工具（如U-statistic投影）来构造更稳健的检验统计量。
  • 关键技术: sphericity test, Kronecker product covariance, Monte Carlo calibration, high-dimensional consistency, radial normalization
  • 为什么对您有用: 直接对应您primary interest中的高维假设检验：将协方差可分离性检验转化为白化后的球性检验，思路清晰。您武器库中'高维渐近理论'和'非参数统计'可直接用于分析该检验在更弱分布假设下的渐近性质（如用U-statistic投影构造经验过程）。中期可做：若想将Monte Carlo校准替换为解析p值，需在moderately_familiar的'高阶U统计量理论'上加强，以推导检验统计量的极限分布。

2. 2607.06367 — Approximate Risk Minimization Over Shrinking-Thresholding Rules in Normal Mean Estimation

  • 作者: Wei Jiang
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在经典多元正态均值模型中，提出一个包含 James-Stein 型和 Lasso 型收缩-阈值估计子的泛函类，将二次风险表达为该类上的泛函，并推导 oracle 风险和基于数据的近似风险最小化的最优性条件。当 oracle 风险不可得时，构造了一个从观测数据中可计算的可行近似风险准则，由此得到 NOMAD 估计子。对于典范模型，建立了近似风险最小化理论，包括优化子刻画、正则条件下的 sieve 一致性以及与可容许类中基准过程的近似风险不等式。进一步将框架推广到相关观测的多元正态均值估计，发展了基于 MLE 和条件 MLE 的构造，并在正则条件下建立一致性。最后应用于线性回归，得到等价的惩罚回归表示，其中收缩-阈值映射诱导出数据自适应惩罚，ridge 型和 Lasso 型行为作为特例或极限形式出现。该工作为收缩、阈值和正则化提供了一个统一的风险最小化框架，与您在高维统计和假设检验方面的兴趣直接相关，尤其是其 sieve 一致性和近似风险不等式的理论工具可迁移到您的 minimax 界分析中。
  • 关键技术: shrinkage-thresholding, sieve-based consistency, approximate risk minimization, data-adaptive penalty, oracle risk
  • 为什么对您有用: 本文直接连接您在高维统计和假设检验方面的兴趣，其近似风险最小化框架和 sieve 一致性理论属于您非常熟悉的 nonparametric statistics 和 minimax bounds 范畴。您可以用 minimax 界验证其声称的 sharper rate 是否紧，且其数据自适应惩罚的构造思路可迁移到您的高维 asymptotics 分析中。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉以处理更一般的模型设定。

3. 2607.08628 — Exact Permutation Recovery Under Unknown Scalar Affine Transformation

  • 作者: Tigran Galstyan, Avetik Karagulyan, Arshak Minasyan
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究在未知标量仿射变换下两组噪声特征向量的精确匹配问题。目标是在真实特征向量受未知缩放和平移变换影响时，恢复两组观测之间的真实排列。方法分为两步：首先通过标准化特征向量估计未知的仿射变换参数，然后利用最小化对数和的准则（LSL）估计排列。主要理论结果表明，当真实特征向量的最小分离距离达到某个依赖于维度d、样本量n和噪声异质性比率的阈值时，排列可以精确恢复。有趣的是，在温和的异方差条件下，该率与非仿射设定下的率一致。此外，本文证明了存在需要更大分离距离的配置，使得匹配问题在极小极大意义下比非仿射设定更具挑战性。分析中还包括了异方差噪声下仿射参数估计器的非渐近集中界。该工作对您在高维统计和假设检验方面的兴趣有直接连接，其精确恢复条件与极小极大下界分析是您熟悉的工具。
  • 关键技术: feature matching, permutation recovery, scalar affine transformation, least sum of logarithms (LSL), minimax lower bound, non-asymptotic concentration bound
  • 为什么对您有用: 本文属于高维统计中的排列恢复问题，直接连接到您在高维统计和假设检验方面的兴趣。其核心分析——精确恢复的极小极大率与非渐近集中界——是您非常熟悉的武器（minimax bounds for estimation problems, high-dimensional asymptotics），可以立即用于评估该方法的紧性。中期可做：若想将方法扩展到更一般的变换（如非线性），需先在 moderately_familiar 的 semiparametric theory 上提升。

统计计算 / 算法 (stat_computing, 6 篇)

1. 2607.07889 — The logistic-normal integral and the moments of the logistic-normal distribution

  • 作者: Dan Pirjol
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究 logistic-normal 积分的数值计算问题，该积分出现在含高斯随机效应的 logistic 模型和广义线性混合模型的统计估计中。作者系统分析了该积分及其导数的数值求值方法，给出了若干点处的闭式解和级数展开。在连续谱的级数展开中，筛选出对数值计算最优的一种展开形式。基于该最优级数，提出了一种精确数值算法，在尾部具有良好的近似误差控制。作为应用，给出了 logistic-normal 随机变量前两阶矩的显式结果。对您而言，该文属于统计计算中的数值方法方向，与您 primary interest 中的 statistical computing 直接相关，且算法设计思路（最优级数选择、误差控制）可迁移到您熟悉的 U-statistics 计算中的求和截断与精度权衡问题。
  • 关键技术: logistic-normal integral, series expansion, numerical quadrature, error control, generalized linear mixed models
  • 为什么对您有用: 本文属于统计计算中的数值方法，直接对应 primary interest 中的 statistical computing。文中最优级数选择和误差控制策略，可迁移到您非常熟悉的 higher-order U-statistics 计算中的截断精度问题（如 tensor contraction 求和截断的误差界）。这是一篇方法学上扎实的数值分析文章，适合作为统计计算方向的入门级阅读，武器库中的非参数统计和软件工程经验足以支撑理解和复现。

2. 2607.06142 — Fast Stochastic Nearest Neighbor Pairwise Composite Likelihood for Massive Spatial Datasets

  • 作者: Moreno Bevilacqua, Francisco Cuevas-Pacheco, Christian Caamaño-Carrillo
  • 相关性 5/10 · novelty: application
  • 摘要: 针对大规模空间数据的加权成对复合似然推断，当最近邻（NN）邻域规模中等时计算仍昂贵。本文提出随机加速方案：先构建确定性NN候选图，再仅评估其随机子集的成对贡献。考虑两种稀疏设计：Bernoulli 稀疏（控制期望保留对预算）和固定预算稀疏（通过无放回目标采样实现精确预算）。对 Matérn 协方差模型的模拟表明，每观测保留两对即可在统计-计算权衡中达到稳定。随机 NN 成对估计器比 Vecchia 型高斯近似更快，在协方差拟合时间大幅缩减且效率损失可接受时优势明显，但平滑参数估计的效率损失最集中。应用于美国中西部七月平均温度（250万 WorldClim 观测）时，预测精度与 Vecchia 基准几乎无差异，协方差拟合时间显著缩短。对您而言，本文展示了空间统计中计算-精度权衡的清晰案例，其随机子采样思路可迁移至您熟悉的 high-dimensional asymptotics 和 software development 领域，例如在高维 U-statistics 计算中通过随机子采样降低树宽复杂度。
  • 关键技术: pairwise composite likelihood, nearest-neighbor pairs, Bernoulli thinning, fixed-budget thinning, Vecchia approximation, Matérn covariance model
  • 为什么对您有用: 本文属于 stat_computing 的 gateway reading，清晰展示了空间统计中计算-精度权衡的实证分析模式。您武器库中的 high-dimensional asymptotics 和 software development 可直接用于评估其随机子采样策略在高维 U-statistics 计算中的迁移潜力（例如用 treewidth 视角分析随机子采样对 einsum 复杂度的影响）。本文值得花时间读全文，作为进入计算统计方向的入门读物。

3. 2607.05809 — Nested Simulation Methods for Sobol' Index Estimation: Bias Correction, Budget Allocation, and Latin Hypercube Sampling

  • 作者: Jingtao Zhang, Xi Chen
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文从嵌套模拟视角统一比较了Sobol'指数估计中的经典pick-freeze估计量和嵌套模拟估计量，在固定计算预算下揭示了前者的内层样本量固定特性，从而澄清了偏差-方差行为。针对Sobol'指数分子（条件期望的方差），提出了两种基于jackknife的改进：无偏jackknife估计量和分裂jackknife估计量（后者用独立预样本估计均值）。在简单蒙特卡洛下，分裂jackknife达到经典MSE率（n^{-1}量级），而标准嵌套模拟和无偏jackknife仅达到较慢的嵌套模拟率（内层样本量影响收敛速度）。论文还刻画了内外层模拟预算的最优分配，并研究了拉丁超立方抽样（LHS）的影响：LHS可改善标准嵌套模拟估计量，但会削弱jackknife的偏差削减效果，除非内层样本量随总预算增长。数值实验验证了理论，为实际选择估计量提供了指导。对您而言，本文的预算分配分析和jackknife偏差校正技术可直接迁移到您在高阶U统计量计算中的计算成本优化问题（treewidth/einsum复杂度），属于统计计算中算法效率与精度权衡的经典案例。
  • 关键技术: nested simulation, jackknife bias correction, Sobol' index, Latin hypercube sampling, budget allocation, mean squared error rate
  • 为什么对您有用: 本文直接关联您的primary interest中的统计计算（numerical methods, algorithm）和higher-order U-statistics（计算成本优化）。技术武器库中'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'可用于分析其嵌套模拟估计量的计算图结构，例如用treewidth刻画内外层样本分配对总计算成本的影响。中期可做：需先在moderately_familiar的HOIF（高阶影响函数）上长肌肉，因为jackknife偏差校正与HOIF的偏差削减有深层联系，可尝试将分裂jackknife思想推广到高阶U统计量的方差估计。

4. 2607.05692 — Exact computation of posterior distribution of mixture weights in hierarchical Bayesian models

  • 作者: Georgy Meshcheryakov
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究层次贝叶斯混合模型中混合权重 w 的精确后验计算问题。在二分量情形下，作者提出 O(n^2) 动态规划算法及 O(n log^2 n) FFT 变体，用于计算边际似然，并证明 w 的精确后验是有限 Beta 混合分布，从而无需 MCMC 采样即可得到闭合形式的后验汇总、可信区间及逐观测局部错误发现率。对于 K≥3 分量，给出精确联合动态规划算法。该方法专为小样本场景设计：在真实多水平元分析、白血病基因表达通路失调分析及已知基准的基因面板数据上，当 EM 算法因边界坍塌无法给出区间、高斯/拉普拉斯近似覆盖不足时，精确区间仍保持校准，且速度比匹配的采样器快两个数量级。在前列腺癌大样本基准上，该方法与 locfdr 在基因排序上一致，同时额外提供零比例的后验区间。对您而言，本文展示了如何用精确计算（而非近似或采样）解决贝叶斯混合模型的后验推断，其动态规划与 FFT 技巧可迁移至您熟悉的统计计算与软件工具开发方向。
  • 关键技术: dynamic programming, fast Fourier transform, Beta mixture distribution, exact marginalization, hierarchical mixture model, local false discovery rate
  • 为什么对您有用: 本文直接连接您的 primary interest 中的统计计算（numerical methods, algorithm）方向，展示了在小样本下用精确算法替代 MCMC 或近似推断的完整范例。您的 technical arsenal 中 very_familiar 的软件开发和 high-dimensional asymptotics 可用来评估该算法在大规模问题上的扩展性（如 FFT 的数值稳定性与计算复杂度），而 moderately_familiar 的 M-estimation 理论可用于分析其估计量的频率性质。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将此类精确后验计算推广到更一般的半参数混合模型。

5. 2607.08334 — A scalable version of MADD for big-data classification

  • 作者: Annesha Ghosh, Adrija Saha, Soham Sarkar
  • 相关性 4/10 · novelty: minor
  • 摘要: 本文针对高维低样本量（HDLSS）场景下常用的距离分类器MADD（Mean Absolute Difference of Distances）在大数据环境下的计算瓶颈问题，提出了一种可扩展版本。MADD的计算复杂度随训练样本量呈二次增长，限制了其在样本量极大的高维数据集上的应用。作者通过两个策略加速：一是选取代表性子集（representative set）来近似MADD的计算；二是在样本量极大时进一步引入随机傅里叶特征（Random Fourier Features, RFF）来降低维度。理论分析表明，所提方法在保持MADD原有分类性能（如避免距离集中和hub现象）的同时，将计算复杂度从O(n^2)显著降低。数值实验验证了加速效果与分类精度的权衡。对您而言，本文属于统计计算中算法加速的典型工作，其核心思路（子集选择+RFF）可迁移至您在高维统计或因果推断中处理大规模数据的计算优化问题，但方法学新颖性有限，属于增量改进。
  • 关键技术: Mean Absolute Difference of Distances (MADD), Random Fourier Features, representative subset selection, high-dimension low-sample-size (HDLSS) classification, computational complexity reduction
  • 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)'。其核心问题——高维大数据场景下距离度量的计算加速——与您武器库中'high-dimensional asymptotics'和'software development'两项非常熟悉技能直接相关：您可以用minimax bound分析其近似误差的统计最优性，或用einsum/treewidth视角评估其子集选择策略的计算图复杂度。中期可做：若想将类似加速思路迁移到您自己的higher-order U-statistics计算中，需先在'moderately_familiar'的'HOIF'或'theory of higher-order U-statistics'上建立更深的计算复杂度分析能力。

6. 2607.07887 — Mixtures of spatial factor analyzers for tensor-variate data

  • 作者: Hanzhang Lu, Keiran Malott, Kirsty Milligan, Sanjeena Subedi, Edana Cassol, Vinita Chauhan et al.
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出混合空间因子分析模型（MSFA），用于高维空间数据的聚类。模型利用坐标系统引入基于样条的空间衰减协方差结构，避免维度增加时参数膨胀；同时采用矩阵变量因子分析进一步降维以建模非空间依赖。参数估计通过期望最大化算法与广义最小二乘估计器结合实现。在张量数据背景下，通过模拟实验及拉曼光谱、高光谱纹理数据库的应用，展示了模型准确推断和区分不同空间模式的能力。对您而言，该工作涉及统计计算中的数值算法（EM、GLS）和软件实现，属于您 primary interest 中的统计计算方向，可作为入门级阅读了解空间数据建模的实用方法。
  • 关键技术: mixture of factor analyzers, spatial covariance, spline-based decay, expectation-maximization algorithm, generalized least squares, tensor-variate data
  • 为什么对您有用: 本文属于统计计算（stat_computing）方向，是您 primary interest 中的一项。作为 gateway reading，它清晰展示了高维空间数据聚类中如何通过协方差结构设计避免参数膨胀，并给出了 EM 算法和 GLS 的具体实现。您的武器库中 very_familiar 的软件开发和 high-dimensional asymptotics 足以理解其算法框架，但该文的方法论 novelty 有限（novelty_flag: application），主要价值在于应用场景（光谱、高光谱）的数据分析流程，可作为中期可做的参考——若您想进入空间统计或张量数据分析，需先在 moderately_familiar 的 M-estimation 上补充空间协方差建模知识。

天体统计 (astrostats, 8 篇)

1. 2607.08755 — DegenDetector: Symbolic Recovery of Parameter Degeneracies in Bayesian Posteriors

  • 作者: Chaipat Tirapongprasert, Matthew Ho
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出 DegenDetector 框架，用于在贝叶斯后验分布中自动识别参数退化（degeneracy）并恢复其闭式符号方程。方法结合互信息筛选与交替符号回归，无需领域先验知识即可发现多参数间的退化关系。与传统的 corner plot 仅能指示相关性存在不同，该框架输出可解释的代数方程，揭示退化结构。实验表明该方法可扩展至高维参数空间。对您而言，这是一篇 astrostatistics 方向的入门级方法论文，展示了符号回归在统计推断中的应用，但方法学新颖性有限。
  • 关键技术: mutual information screening, symbolic regression, closed-form equation recovery, Bayesian posterior degeneracy
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了天文数据分析中参数退化这一常见问题，并给出了可复现的算法框架，适合作为入门读物。您的武器库中非参数统计和软件开发的技能足以理解并复现该方法，但核心方法（符号回归）不在您的技术栈中，属于暂不可做方向。若您想进入 astrostatistics 领域，本文值得一读以了解数据结构和问题类型。

2. 2607.08081 — Robust Heteroskedastic Matrix Factorization: A Generalization of PCA that Flags Outliers and Handles Missing Data

  • 作者: Thomas Hilder, David W. Hogg, Andrew R. Casey, Hans-Walter Rix
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出稳健异方差矩阵分解（RHMF），一种对PCA的推广，能同时处理异常值、每特征不确定性和缺失数据，并自动标记每特征和每对象的异常。方法利用迭代重加权算法隐式最大化Student-t似然，等价于拟合一个每数据点有潜在方差的层次模型。作者提供了基于JAX的快速实现Robusta-HMF，并给出实用指南。在模拟数据上展示了识别和减轻不同类别异常值的能力，超参数可通过交叉验证可靠设定。应用于Gaia DR3的RVS光谱，在颜色-星等空间中找到了相对于邻居异常的主序星，包括已知的Be星双星和具有Ca II三重线微弱发射的M矮星（指示吸积或磁活动），这些异常肉眼难以发现。本文对您作为统计学家是很好的入门读物，清晰阐述了天文数据中的实际分析问题（异质性噪声、缺失、异常值），并展示了统计方法（稳健矩阵分解）如何直接改进数据质量与科学发现。
  • 关键技术: robust matrix factorization, Student-t likelihood, iterative reweighting, hierarchical model with latent variances, cross-validation for hyperparameters, JAX implementation
  • 为什么对您有用: 本文属于astrostats的gateway reading，适合作为统计学家进入天文数据分析的入门材料。它清晰阐述了天文数据中的核心挑战（异质性噪声、缺失数据、异常值），并展示了稳健矩阵分解这一统计方法如何直接用于数据清洗和异常发现。您的武器库中'非参数统计'和'软件开发'能力足以理解并复现其方法，但若想深入天文数据的具体结构（如光谱的物理模型），则需补充天文学背景知识。本文值得花时间读全文，因为它提供了一个可迁移的分析范式：将稳健统计与高维降维结合，并配有开源软件。

3. 2607.06674 — Efficient Optimal Image Reconstruction for the Nancy Grace Roman Space Telescope and Beyond: I. First Results with {\sc Effortless}

  • 作者: Kaili Cao
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对即将发射的南希·格雷斯·罗马太空望远镜（Roman Space Telescope）的海量数据挑战，提出了一种名为 Effortless（原名 Fast Imcom）的线性图像重建算法。该算法在继承前身 Imcom 对输出图像点扩散函数（PSF）控制能力的基础上，通过避免繁重的计算，实现了数十倍的速度提升和更小的内存占用。在模拟罗马望远镜图像上的实验表明，对于理想点源，单张 Effortless 重建图像结合后测量校准，其测量精度优于约 6 张 Imcom 叠加图像。该算法最初为弱引力透镜宇宙学设计，但同样适用于静态特征和动态宇宙的研究。其高效性和可解释性为进一步减少测量误差提供了新可能。作为一篇应用导向的方法论文，本文清晰展示了天文图像重建中的核心统计问题（PSF 控制、计算效率与测量精度的权衡），对统计学家而言是了解该领域数据结构和分析流程的良好入门读物。
  • 关键技术: linear image reconstruction, point spread function (PSF) control, computational efficiency, simulated Roman images
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway-reading 范畴。它清晰阐述了天文图像重建中的统计模型（线性重建、PSF 控制）和数据结构（模拟罗马望远镜图像），对不熟悉天文的统计学家友好。武器库中的 'software development' 和 'inverse problems with random noise' 可直接用于理解其算法核心；但本文是纯应用/方法展示，无新统计理论，因此暂不可做后续理论拓展，但值得花时间读全文以了解该领域的数据分析范式。

4. 2607.06809 — "Perfect" spectra for ESO's HARPS spectrograph

  • 作者: Dinko Milaković, Guido Cupani, Bruce A. Bassett, Stefano Cristiani, Luca Pasquini
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出 HARPERFECT，首次将“光谱完美主义”应用于高分辨率阶梯光栅摄谱仪 HARPS。核心方法是通过激光频率梳（LFC）观测构建校准矩阵，包括点扩散函数（PSF）形状、波长和阶迹，从而从 2D 探测器数据正向重建 1D 光谱。由于 HARPS 无法分辨单个 LFC 线，21,148 条已识别谱线直接采样 PSF，并用双变量高斯模型拟合，比标准管道更精确地确定 PSF 形状、波长校准和阶迹。应用于类星体 HE0515-4414 的 52.5 小时数据，HARPERFECT 的信噪比与标准管道相当但略低。其价值在于提供精确的解析矩阵和独立样本，这是标准提取在非可分离 PSF 下无法保证的，为更精确测量基本常数和系外行星大气迈出一步。对您而言，这是一篇优秀的入门级天文统计读物，清晰展示了天文光谱数据处理中的正向建模、PSF 校准和噪声结构，武器库中的非参数统计和逆问题经验可直接用于理解其方法框架，值得花时间阅读全文以了解天文数据管道中的统计挑战。
  • 关键技术: forward model, calibration matrix, point-spread function (PSF) modeling, laser frequency comb (LFC), bivariate Gaussian PSF, resolution matrix
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，清晰阐述了天文光谱数据从 2D 探测器到 1D 光谱的统计建模过程（PSF 形状、波长校准、噪声结构），适合作为统计学家进入天文数据分析的入门读物。武器库中的非参数统计和逆问题经验可直接用于理解其正向模型和校准矩阵构建，但核心的天文仪器知识（echelle 光谱仪、LFC）需要额外学习。值得花时间读全文以评估该领域是否存在可迁移的统计方法学问题。

5. 2607.08044 — Catching Disguised Transients with ASTRANet: Anomaly-Aware Spectroscopic Classification and Conformal Calibration

  • 作者: Argyro Sasli, Maojie Xu, Alexandra Junell, Hailey Markoff, Avyukt Raghuvanshi, Felipe F. Nunes et al.
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对时域巡天中光谱分类器将罕见/未知瞬变体强制归入已知类别的关键问题，提出了 ASTRANet 框架。该框架包含三个耦合模块：一个直接在观测者坐标系光谱上运行的分层分类器（无需红移或相位输入）；一个异常检测层（ASTRANet-Sentinel），非线性组合16个嵌入空间异常分数；以及一个保形不确定性量化层（ASTRANet-CP）。核心贡献是引入 AD-stratified Mondrian conformal prediction (AD-MCP)，在异常分数分层上实现均匀条件覆盖，解决了标准Mondrian方法在操作区域覆盖不足的问题。验证集包含289个刻意排除在训练集之外的稀有/离群瞬变体，涵盖11个类别（AGN、GRB、gap transients、新星、peculiar SNe等）。文章清晰展示了分类器内部不确定性与嵌入空间异常检测是结构互补的置信度轴，而非同一估计量的不同实现。对您而言，这是一篇优秀的入门级天文统计文献：它清晰阐述了数据结构（光谱、噪声、选择效应）、模型（分层分类器+异常检测+保形预测）以及天文学家关心的科学问题（稀有瞬变体的发现），适合作为进入天文统计方向的gateway reading。
  • 关键技术: conformal prediction, Mondrian conformal prediction, anomaly detection, embedding-space anomaly scores, spectroscopic classification, time-domain surveys
  • 为什么对您有用: 本文属于astrostats方向的gateway reading。它清晰阐述了数据侧（光谱观测、噪声、选择效应）和模型侧（分层分类器、异常检测、保形预测），适合作为统计学家进入天文统计的入门读物。您的武器库中'非参数统计'和'软件工程'足以支撑理解其方法框架，但核心的保形预测工具不在当前武器库中（属于moderately_familiar之外），因此暂不可做直接的方法学跟进，但值得花时间读全文以了解天文数据结构和科学问题。

6. 2607.06391 — slicersim: A python package to simulate image slicer spectroscopic observations -- application to the Lazuli Spectrograph

  • 作者: M. Rigault, Y. Copin, G. Aldering, J. Edelstein, G. Furesz, J. Lasker et al.
  • 相关性 4/10 · novelty: application
  • 摘要: 本文介绍 slicersim，一个用于模拟积分场光谱（IFS）观测的 Python 包。IFS 通过空间分割场景并将光色散到探测器上，是研究星系、恒星和行星系统以及瞬变源的关键技术，也是 Lazuli 空间天文台的核心仪器。slicersim 采用模块化设计，允许用户构建场景、定义望远镜、光谱仪和探测器，并模拟包含各种噪声和仪器效应的观测结果。该包目前专注于 Lazuli 光谱仪，但设计上易于扩展到其他 IFS 仪器。作为应用示例，作者展示了 Lazuli 进行大规模宇宙学巡天的可行性：在运行头几年内观测 8000 颗 Ia 型超新星，在静止光学波段每个分辨率元达到典型信噪比 25。本文主要贡献在于提供了一个开源、可复现的模拟工具，帮助理解 IFS 系统误差并优化观测策略。对您而言，这是一篇优秀的入门级天文统计文献，清晰展示了天文观测数据的生成过程、噪声结构和系统误差来源，为后续开发针对 IFS 数据的统计方法提供了基础。
  • 关键技术: Integral Field Spectroscopy (IFS), image slicer spectrograph, instrumental noise simulation, modular simulation framework, Type Ia Supernova cosmology
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading。它清晰阐述了 IFS 观测的数据结构（空间-光谱立方体）、噪声模型（光子噪声、读出噪声等）和系统误差来源，为统计学家理解天文数据生成过程提供了极好的入门材料。您的武器库中的非参数统计和逆问题方法可用于处理 IFS 数据的反卷积和去噪问题，而高维渐近理论可用于分析光谱立方体的统计性质。本文值得花时间阅读全文，因为它不仅介绍了模拟工具，还展示了如何通过模拟验证大型巡天项目的可行性——这种模拟-验证范式对您未来参与天文统计合作有直接参考价值。

7. 2607.05236 — Auxiliary-Channel-Assisted Cross-Talk Noise Removal in LISA Pathfinder

  • 作者: Hui Sun, Geyu Qin, Jibo He
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对 LISA Pathfinder (LPF) 任务中的串扰噪声去除问题，提出了一种频域传递函数方法。该方法利用科学通道与辅助通道之间的相干性来估计并移除相关噪声，其有效性首先通过模拟数据验证，结果表明减法性能强烈依赖于辅助通道的噪声水平，从而为确定辅助通道噪声需求提供了实用框架。随后，该方法被应用于 LPF 公开遥测数据中的 9 个辅助通道。在串扰主导的频段（1×10⁻² 至 6×10⁻² Hz），该方法实现了与标准拟合减法相当的噪声抑制效果；在更高频段（>6×10⁻² Hz），它通过避免引入拟合过程带来的辅助通道读出噪声，进一步抑制了残余噪声，性能优于标准流程。本文清晰阐述了数据结构（科学通道与辅助通道的频域相干性）、噪声模型（串扰噪声与读出噪声）以及方法假设（线性时不变传递函数），适合作为统计学家进入引力波探测数据分析领域的入门读物。
  • 关键技术: frequency-domain transfer function, coherence estimation, cross-talk noise subtraction, auxiliary-channel regression
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰展示了 LPF 任务中科学通道与辅助通道的数据结构、噪声模型（串扰 vs. 读出噪声）以及频域减法方法，适合对引力波探测数据分析感兴趣的统计学家入门。武器库中的非参数统计和估计理论可用于分析该方法的收敛性（如相干性估计的 minimax 界），但核心问题（频域传递函数与辅助通道噪声水平的 tradeoff）与当前武器库的直接匹配度一般，属于暂不可做——缺少引力波信号处理领域的领域知识（如噪声谱的物理模型）。值得花时间读全文以了解问题设定和数据特点。

8. 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 et al.
  • 相关性 4/10 · novelty: survey
  • 摘要: 本文为SKAO望远镜的共轭图像平面暂现源搜索方法综述，系统总结了SKA先导望远镜（如MWA、LOFAR）在暂现源探测中积累的关键技术。核心内容包括：快速成像策略（如w-projection、faceting）、自动化暂现源检测管线（如源提取、关联、变率统计）、人工伪影的过滤技术（如RFI、电离层效应、deconvolution残留），以及触发式再处理工具（如针对伽马射线暴、快速射电暴的后续成像）。方法学上强调共轭模式（commensal mode）下数据流的实时性与计算效率的平衡，并给出了SKA-Mid和SKA-Low各阶段部署的适用性建议。对您而言，这是一篇极佳的入门级综述，清晰展示了射电天文学中大规模图像数据处理的实际挑战（数据量、噪声结构、计算约束），可作为进入astrostatistics方向的起点读物。
  • 关键技术: commensal imaging, transient detection pipeline, fast imaging strategies, artifact filtering, triggered reprocessing
  • 为什么对您有用: 本文属于astrostatistics的gateway reading，完全符合您对该方向的评分标准：(a) 对局外人友好——不假设射电天文背景，清晰解释共轭模式、暂现源分类、数据流架构；(b) 数据侧和模型侧交代清楚——SKA的数据率（TB/s级）、噪声特性（电离层、RFI）、检测阈值设定；(c) 问题值得统计学家关注——暂现源检测本质上是高维时空数据中的异常检测问题，现有方法多基于启发式阈值，统计最优性（如FDR控制、变率建模）几乎空白。武器库方面：您very_familiar的软件开发和high-dimensional asymptotics可直接用于设计更高效的检测管线（如用随机矩阵理论建模背景噪声的Marchenko-Pastur分布以设定自适应阈值），属于立即可做的切入点。

经济理论 / 应用 (econ_theory, 2 篇)

1. 2607.05534 — Empirical Global Games of Regime Change

  • 作者: Matthew J. Baker, Khaled Eltokhy, Weichao Guo
  • 相关性 5/10 · novelty: application
  • 摘要: 本文构建了一个可估计的全球博弈模型来分析政变（coup d'état）这一协调问题。模型将战略互补性纳入实证分析，利用全球博弈框架作为均衡选择机制，区分了推翻政权的可行性（feasibility）与合意性（desirability），允许可观测的基本面分别进入关于政权强度的信念和从叛乱中感知的收益。模型在维持排除限制和均衡假设下，将政变结果分解为可行性和合意性成分。若可获得政变强度的信息，模型还可估计行动者对政权强度的不确定性。估计采用模拟最大似然（simulated maximum likelihood）结合压缩映射（contraction mapping）实现，并通过反事实分析展示了框架的应用。对您而言，本文是经济理论中应用因果推断方法（如排除限制、均衡选择）的实证案例，可作为了解全球博弈模型在实证中如何操作的入门读物。
  • 关键技术: global games, equilibrium selection, simulated maximum likelihood, contraction mapping, exclusion restrictions
  • 为什么对您有用: 本文属于经济理论（secondary interest）中的应用型论文，使用全球博弈框架进行实证分析。作为入门读物，它清晰地展示了如何将理论模型（协调博弈）与计量估计（模拟MLE）结合，对不熟悉该领域的研究者友好。武器库中的'identification theory in causal inference'（排除限制）和'high-dimensional asymptotics'（模拟MLE的数值方法）可帮助理解其估计策略。值得花时间读全文，以了解经济实证中处理多重均衡的典型思路。

2. 2607.05862 — A Framework for Transportation and Land Use Integration as a Parallel Constrained Multiple Discrete-Continuous Extreme Value (PC-MDCEV) Home Production Model

  • 作者: Jason Hawkins, Khandker Nurul Habib
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一个基于家庭生产理论的微观经济框架，用于整合交通与土地利用选择模型。核心贡献是引入并行约束的多重离散-连续极值（PC-MDCEV）结构，允许模型包含多成员家庭，并克服了以往家庭生产函数中无法同时处理时间与货币预算的局限。出行时间被定义为完成活动所需的最小时间，并从时间预算中扣除，这提供了一种新的可达性度量。实证部分使用多伦多地区合成数据集，发现住宅类型（独立屋、公寓等）显著影响时间使用与消费模式，且家庭生产存在类似市场生产的规模经济。文章最后指出了未来研究方向，以更好地捕捉家庭决策的复杂动态。
  • 关键技术: Multiple Discrete-Continuous Extreme Value (MDCEV), home production function, parallel constrained structure, time and monetary budget allocation, synthetic dataset validation
  • 为什么对您有用: 本文属于经济理论的应用方向，与您的次要兴趣（经济理论中的模型与数据集）直接相关。它提供了一个可复用的微观经济建模框架（PC-MDCEV），您可以用自己熟悉的非参数统计或高维渐近工具来检验其识别假设或估计量的有限样本性质。作为入门读物，本文清晰阐述了模型设定与数据结构，值得花时间阅读全文以了解该领域的建模思路。

流行病学 (epidemiology, 1 篇)

1. 2607.07914 — Beta Regression with Autoregressive Errors for Interrupted Time Series Analysis of Proportion and Rate Outcomes: A Simulation Study

  • 作者: Ariel Linden
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对中断时间序列分析（ITSA）中比例和率结局的建模问题，提出了一种联合条件最大似然估计方法。传统方法常使用普通最小二乘或准似然广义线性模型（GLM）结合异方差自相关一致（HAC）标准误，但未能同时建模beta分布的条件密度和自回归（AR）误差结构。作者开发了Stata命令betark，通过递归替换得到具有任意阶AR依赖的封闭形式条件beta似然，联合估计均值、精度和AR(k)系数。蒙特卡洛模拟比较了betark与准二项GLM+Newey-West HAC标准误在AR(1)-AR(3)过程、不同序列长度和效应量下的表现。结果显示两种方法均无偏，但betark在大多数场景下推断校准更优，尤其在高度持久自相关下GLM+HAC的第一类错误率在短序列中超过60%。然而，betark自身在高度持久的AR(3)过程中即使对最长序列仍存在第一类错误膨胀。该工作为流行病学中比例结局的纵向因果推断提供了更可靠的估计工具，对您关注的纵向因果推断和流行病学应用有直接参考价值。
  • 关键技术: beta regression, autoregressive errors, conditional maximum likelihood, interrupted time series analysis, Monte Carlo simulation
  • 为什么对您有用: 本文直接关联您的流行病学次级兴趣，提供了比例结局在中断时间序列分析中的新估计方法。您武器库中'因果推断的估计理论'和'软件开发'可立即用于复现或扩展betark到更复杂的纵向因果设计（如多组ITSA或控制组），属于立即可做的方向。

其他 (other, 12 篇)

1. 2607.05763 — Income inequality estimation with gamma mixtures

  • 作者: Roberto Vila, Helton Saulo, Felipe Quintino
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究有限伽马混合分布下第 m 阶 Gini 系数的估计问题。首先推导了混合伽马模型下 m 阶 Gini 系数的闭式表达式，以及其非参数 U-统计量估计量的期望和偏差的闭式表达式，将此前针对单一伽马总体的结果进行了推广。在混合成分共享相同速率参数的假设下，建立了估计量的渐近性质，包括偏差的渐近下界、渐近无偏性、强相合性和渐近正态性。蒙特卡洛研究进一步考察了成分速率参数不同时估计量的表现，并与偏差校正估计量和参数估计量进行了比较。最后，通过一个收入数据集展示了所提方法的实际应用。该工作直接涉及 U-统计量在收入不平等测度中的应用，与您对 higher-order U-statistics 的理论兴趣高度契合。
  • 关键技术: U-statistic estimator, Gini index, finite mixture of gamma distributions, closed-form bias expression, asymptotic normality
  • 为什么对您有用: 本文直接关联您对 higher-order U-statistics 的理论兴趣，特别是 U-统计量在收入不平等测度（Gini 系数）中的应用。您对 higher-order U-statistics 的 treewidth / tensor contraction 视角可用于分析其估计量的计算成本，而 minimax bound 工具可用于验证其渐近性质的紧性。该文属于中期可做：需先在 moderately_familiar 的 higher-order U-statistics 理论上进一步熟悉，才能深入评估其理论贡献的边界。

2. 2607.08428 — Bayesian DAG Structure Learning with Simultaneous Shrinkage Covariance Estimation under Scale-Mixture Error Distributions in the Proportional High-Dimensional Regime

  • 作者: Samaneh Nazari, Mohammad Arashi, Abdolnasser Sadeghkhani
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出一个统一的贝叶斯框架 R-DACH，用于在高维比例渐近 regime（p/n → c ∈ (0,∞)）下联合学习有向无环图（DAG）结构和估计精度矩阵，并假设误差服从尺度混合正态分布。该方法在 DAG-Markov 精度矩阵的修正 Cholesky 因子的严格下三角元素上放置全局-局部 horseshoe 型先验，使得 Cholesky 参数的稀疏性诱导出与变量拓扑排序一致的父节点集选择。通过每个观测的逆伽马尺度混合实现自动鲁棒性，能处理重尾和污染观测，并涵盖 Student-t、Laplace 和 slash 分布作为特例。设计了一个部分折叠的块状 Gibbs 采样器，在排序、稀疏模式和连续参数的联合空间中进行遍历。模拟实验在 p 高达数百的 (n,p) 配置下验证了理论速率，并在污染情况下显著优于 graphical-horseshoe、DAG-Wishart 和基于 PC 的竞争方法。对 TCGA RNA-seq 基因表达数据的应用揭示了竞争方法未能恢复的生物学可解释调控结构。该论文主要贡献在贝叶斯计算和生物信息学应用，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接技术交集。
  • 关键技术: Bayesian DAG structure learning, horseshoe prior, modified Cholesky decomposition, scale mixture of normal errors, blocked Gibbs sampler, proportional high-dimensional regime
  • 为什么对您有用: 本文属于贝叶斯图模型与生物信息学应用，与您的主要兴趣方向（因果推断、高维随机矩阵理论、U-统计量、半参效率理论等）无直接技术连接。您的武器库中 very_familiar 的非参统计和 minimax 界在此处不直接适用，moderately_familiar 的因果识别理论也不涉及 DAG 结构学习的贝叶斯先验设计。因此本文暂不可做，核心缺失在于贝叶斯非参先验（horseshoe）和 MCMC 采样器的设计经验。

3. 2607.08472 — A screening approach to nonparametric inference from the M/G/1 workload

  • 作者: Royi Jacobovic, Binyamin Kobzantsev
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文解决了 Hansen 和 Pitts (2006) 提出的一个长期未解决的开放问题：在 M/G/1 工作负荷模型中，对服务时间分布进行非参数推断。设定是：一个 M/G/1 队列，到达率 λ>0 未知，服务时间分布 B(·) 未知，且不假设稳定性或平稳性。统计学家在离散时间点 t=0,1,…,n 观测工作负荷过程，目标是估计固定点 w>0 处的 B(w)。提出的估计量 B_n(w) 仅基于观测到的工作负荷轨迹，其构造依赖于一个筛选机制，从工作负荷过程中提取条件独立同分布的复合泊松增量，从而将依赖数据问题简化为拉普拉斯变换反演框架。在 B(·) 满足连续可微、在 w 处二次可微且具有有限二阶矩的温和正则性假设下，建立了期望 L^1 风险界 O(log n / √n)。这是该问题首次达到参数速率（仅差对数因子）的解，且无需平稳性、稳定性或已知到达率。对您而言，这是一篇方法学上干净的非参数估计论文，但其设定（队列过程、依赖数据、拉普拉斯反演）与您的主要兴趣方向（因果推断、高维统计）距离较远，属于 gateway-reading 范畴外的应用概率论工作。
  • 关键技术: screening mechanism, compound Poisson increments, Laplace transform inversion, M/G/1 queue, nonparametric estimation, L1 risk bound
  • 为什么对您有用: 本文属于应用概率论/运筹学领域，与您的主要兴趣方向（因果推断、高维统计、U-统计量）无直接交集。作为 gateway-reading 也不合适，因为其设定（队列过程、工作负荷）对统计学家而言并非典型入门问题。武器库中 'inverse problems with random noise' 和 'nonparametric statistics' 可理解其技术核心（拉普拉斯反演 + 筛选机制），但缺乏直接可迁移的问题口子。因此，本文暂不可做，核心缺失在于队列过程与因果推断/高维统计之间的领域鸿沟。

4. 2607.08635 — Calibrated Persistent-Laplacian CUSUM for Online Change-Point Detection

  • 作者: Shiheng Nie, Yunguang Yue
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 PL-CUSUM，一种针对高维非线性时间序列的在线变点检测方法。方法将滑动窗口转化为点云，利用持续拉普拉斯谱构造监测得分，用于 Page-CUSUM 递归。与仅基于持续同调摘要的检测器相比，PL-CUSUM 利用谱信息捕获同调计数之外的尺度内连通性和几何结构。理论上，分析了虚警控制和检测延迟两个关键性能指标，推导了 oracle 检测器的虚警-延迟界，并证明白化后的得分在有限监测范围内仍能控制虚警。方法学上，提供了 Phase I/Phase II 流程，在在线递归前进行参数选择和控制限校准。实验表明 PL-CUSUM 能稳定控制虚警并提供有竞争力的检测性能。
  • 关键技术: Persistent Laplacian, CUSUM, online change-point detection, topological data analysis, spectral monitoring score
  • 为什么对您有用: 本文属于拓扑数据分析与在线检测的交叉，与您的主要兴趣（假设检验、高维统计）有弱连接，但核心工具（持续拉普拉斯、CUSUM）不在您的技术武器库中。作为 gateway reading 价值有限：问题设定（在线变点检测）对统计学家有吸引力，但方法依赖的拓扑工具（持续同调、拉普拉斯谱）需要额外学习，且与您熟悉的 U-统计量、半参理论无直接接口。暂不可做——缺少拓扑数据分析的基础工具。

5. 2607.08157 — Parameter inference for partially observed branching processes

  • 作者: Simone Baldassarri, Michel Mandjes, Jiesen Wang
  • 相关性 5/10 · novelty: application
  • 摘要: 本文研究部分观测的年龄依赖分支过程（age-dependent branching process），其中种群分为幼体和成体两个年龄组，目标是在仅观测总种群规模（幼体+成体）的条件下估计模型参数。在遍历性假设下，作者提出矩估计方法并证明其渐近正态性。方法核心是利用平稳分布的矩条件构造估计方程，通过观测到的总种群大小的样本矩匹配理论矩。技术工具包括分支过程的遍历性理论、矩生成函数和Delta方法。文章还讨论了扩展到多个年龄组的情形。主要理论结果是估计量的相合性和渐近正态分布，并给出了方差表达式。对您而言，本文属于随机过程参数估计的经典设定，与您的主要兴趣（因果推断、高维统计）关联较弱，但矩估计的渐近分析思路在流行病学队列研究的传播动力学建模中可能有应用价值。
  • 关键技术: method-of-moments, branching process, ergodic theory, asymptotic normality, Delta method
  • 为什么对您有用: 本文属于随机过程参数估计，与您的主要兴趣（因果推断、高维统计、U统计量）关联较弱。矩估计的渐近分析是经典工具，武器库中的非参数统计和M估计理论可覆盖其技术核心，但问题本身不直接对应您的子方向。作为流行病学传播模型的入门读物有一定价值，但方法学新颖性有限，暂不可做——核心机器（分支过程遍历性）不在武器库中。

6. 2607.08720 — On improving the estimates of the sampling variances via Global-Local priors in Small Area Estimation

  • 作者: Sirapat Watakajaturaphon, Jairo Fúquene-Patiño
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对小区域估计（SAE）中Fay-Herriot（FH）模型的抽样方差估计不稳定问题，提出一种新的贝叶斯方法。传统FH模型将抽样方差视为已知，但实际中这些方差通常由数据估计得到且波动较大；实践中常用广义方差函数（GVF）跨区域借力来稳定估计。作者引入Global-Local（GL）先验来增强向GVF后验估计的收缩程度，从而改进抽样方差的后验估计。理论部分研究了所提模型的性质，并开发了自适应MCMC算法以处理涉及Gamma函数的条件分布带来的计算挑战。模拟研究显示该方法优于若干竞争方法。最后，通过美国农业部玉米产量和哥伦比亚市镇教育成就指数两个真实应用展示了实用性。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）无直接技术交集，但SAE中的方差稳定化思路在流行病学或经济学的分层估计中可能有间接参考价值。
  • 关键技术: Fay-Herriot model, Generalized Variance Functions, Global-Local priors, adaptive MCMC, small area estimation
  • 为什么对您有用: 本文属于官方统计中的小区域估计应用，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接技术连接。武器库中无直接可攻的口子，且SAE的方差建模问题不在您的技术栈核心范围内。暂不可做——核心机器（分层贝叶斯模型、GVF理论）不在武器库中。

7. 2607.07464 — Infinite hidden Markov models for cylindrical data

  • 作者: Federico P. Cortese, Luca Rossini
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种无限隐马尔可夫模型（iHMM），用于处理圆柱形时间序列数据，其中观测值由 von Mises-Gamma 分布生成。模型采用 Dirichlet 过程先验来灵活确定隐状态数量，避免预设状态数。后验推断通过 beam sampler 实现，结合共轭更新和近似采样方案。模拟实验和两个真实数据应用展示了方法的有效性。该方法主要面向角度-半径联合建模，如风向-风速或方向-强度数据。对您而言，该论文与您的主要兴趣（因果推断、高维统计等）无直接关联，属于方法学应用型工作。
  • 关键技术: infinite hidden Markov model, Dirichlet process, von Mises-Gamma distribution, beam sampler, cylindrical data
  • 为什么对您有用: 该论文属于贝叶斯非参数时间序列建模，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。作为 gateway reading 价值有限，因为不涉及您武器库中的核心工具（如 U-statistics、minimax 界、因果识别）。暂不可做：核心机器（贝叶斯非参数、MCMC 采样）不在您的武器库中。

8. 2607.06413 — An Experimental Design Approach to Evaluating Agentic AI's Autonomous Model Discovery

  • 作者: Hao He, Xueying Liu, Chris J. Kuhlman, Xinwei Deng
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一个实验设计与分析框架，用于系统评估大语言模型编码智能体（如 Codex 和 Claude Code）在自主模型发现中的行为。该框架将智能体视为随机模型发现算子，在受控实验因素（推理努力、任务、优化指标、训练数据组成）下，对输出质量、成本、耗时和过程复杂度等多个响应变量进行回归建模与推断。核心方法包括因子实验设计、多元回归分析，以及一种效用对齐的典型分解（utility-aligned canonical decomposition），用于刻画推理努力效应的主导方向并判断其是否与性能-成本效用方向一致。实验基于网络构词游戏测试平台，揭示了推理努力与成本及过程复杂度之间的权衡关系。该工作属于 AI 评估方法学，不涉及因果推断、高维统计或半参理论等核心兴趣方向。
  • 关键技术: experimental design, regression modeling, canonical decomposition, factor analysis
  • 为什么对您有用: 本文主题与主要兴趣方向（因果推断、高维统计、半参理论等）无直接关联，属于 AI 评估的应用性工作。武器库中的非参数统计和软件工程经验可辅助理解其实验设计，但核心方法（典型分解）不在技术武器库中，且无直接可迁移的统计理论问题。作为 gateway reading 价值低，因为不涉及 astrostatistics / econ / epi 等次要兴趣领域。暂不可做。

9. 2607.04571 — Likelihood-Ratio E-Value Monitoring for Benchmark-Based Decisions in Early-Phase Oncology Trials

  • 作者: Masahiro Kojima
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对早期肿瘤临床试验中的中期决策问题，提出了一种基于似然比E值（e-value）的监测框架CEVAM。目标是利用预先指定的临床基准率（如历史缓解率）来制定疗效和无效性停止规则，无需贝叶斯先验或依赖样本量的后验概率截断函数。方法核心是构造针对二元疗效终点的e-process，将其转化为单调的响应计数边界；区分了固定阈值版本（具有任意监测下的anytime-valid性质）和计划中期分析版本。模拟显示，在控制名义一类错误的前提下，所提规则在所有设定中实现了最小的期望样本量，同时保持相似的拒绝概率。应用于一项实际的乳腺癌II期试验时，CEVAM将报告的病理完全缓解结果判定为早期成功停止的充分证据。该方法为早期肿瘤试验的基准监测提供了一种无需分析先验、可直接用于方案的似然比证据尺度。
  • 关键技术: e-value, e-process, likelihood ratio, anytime-valid inference, sequential monitoring, phase II trial design
  • 为什么对您有用: 本文属于临床试验设计的方法学工作，与您的主要兴趣（因果推断、高维统计等）无直接交集。作为gateway reading，它清晰阐述了e-value框架在序贯决策中的应用，但核心问题（基于基准率的停止规则）与您的武器库（非参、U统计、因果推断）距离较远。暂不可做：缺乏与您技术栈的直接连接点，且e-value理论本身不在您的武器库中。

10. 2607.08567 — Functional dependence and synchronous coupling in ergodic autoregressions

  • 作者: Paul Doukhan, Lionel Truquet
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究非线性时间序列中函数依赖测度（functional dependence measure）的适用性。核心发现是：对于一致遍历的自回归过程，其自然动力学概率空间与基于创新表示（innovation representation）的概率空间可能不一致，导致函数依赖测度所预期的记忆衰减性质失效。具体而言，当模型参数变化导致Lyapunov指数由负转正时，即使Markov链一致遍历，相同创新驱动下的轨迹对初始扰动的遗忘能力也会丧失。这一现象揭示了在应用函数依赖测度时，必须仔细指定底层概率空间。该文属于理论时间序列分析，不涉及因果推断、高维统计或半参效率等您的主要兴趣方向。
  • 关键技术: functional dependence measure, Lyapunov exponent, ergodic Markov chain, innovation coupling
  • 为什么对您有用: 本文属于时间序列基础理论，与您的主要兴趣（因果推断、高维统计、半参效率）无直接交集。您的武器库中非常熟悉的非参统计、高维渐近等工具无法直接用于本文问题。暂不可做——核心机器（遍历理论、耦合方法、Lyapunov指数分析）不在您的武器库中。

11. 2607.08019 — From Bayes' Rule to Bayes Rules: Optimal Information Processing and Axiomatic Foundations Beyond Probability

  • 作者: Jeremie Houssineau, Badr-Eddine Chérief-Abdellatif
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文在可能性推理（possibilistic inference）框架下发展了一套原则性的更新规则，其中不确定性由可能性函数（概率的极大值类比）表示，并通过偏序进行逐点比较。从信息守恒和公理化两个互补基础出发，推导出相同的规范更新：后验是先验与似然的乘积后取上确界归一化。两种推导在任意损失下一致，仅在学习率参数进入方式上有所不同。该参数控制认知强度，且无法仅从归一化证据中识别，这阐明了广义贝叶斯更新中类似学习率参数的作用。本文为不确定性量化提供了概率之外的另一种公理化基础，但其设定与您的主要兴趣（因果推断、高维统计、U-统计量等）距离较远，且未涉及具体统计方法或数据应用。
  • 关键技术: possibilistic inference, maxitive set functions, generalized Bayesian updating, learning-rate parameter, axiomatic foundations
  • 为什么对您有用: 本文属于不确定性推理的基础理论，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接交集。它不涉及具体统计方法、数据或计算问题，因此作为gateway reading的价值有限。如果您对广义贝叶斯或非概率推理框架有广泛兴趣，可作为哲学背景阅读，但短期内难以直接迁移到您的研究中。
  • 作者: Serhii Zabolotnii
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究共享生成器的椭圆类条件分布下的二分类问题。对数似然比是两个马氏距离平方的加性函数，通过径向链接函数 φ=log g 连接；仅当该链接为仿射函数时退化为 QDA。作者从类内半径律推导出贝叶斯最优径向链接族，并用有限分数阶随机多项式投影进行估计，而非调优通用样条。该链接可由半径律识别，在有限矩正则条件下，插件估计量是 √n 一致且渐近正态的，且诱导的分类器在迭代筛极限下渐近贝叶斯最优。在三个 UCI 基准数据集上，该方法不显著差于 Ghosh 等人（2025）的全局马氏距离 GAM，在乳腺癌数据集上显著更优；在六个金融时间序列上，对重尾分布表现优于 QDA 和 GAM。本文贡献在于无需样条平滑参数选择即可达到与调优全局 GAM 相当的性能，并在生成器曲率重要时优于 QDA。
  • 关键技术: fractional-power stochastic-polynomial projection, radial link function, Mahalanobis discriminant analysis, plug-in estimator, sieve estimation
  • 为什么对您有用: 本文属于分类方法，与您的主要兴趣（因果推断、高维统计等）无直接交集。其核心工具（随机多项式投影、筛估计）不在您的技术武器库中，且问题设定（椭圆分布分类）与您的研究方向距离较远。暂不可做。

🗂 其他论文（仅 LLM 评分，未生成摘要）

未生成中文摘要的论文，按 LLM 评分由高到低排列，仅保留评分与简评，便于回溯查全。一般为相关性低于展示阈值者；个别历史页也含当时因单日摘要上限未展开的高分篇目（评分仍清楚标着）。

1. 2607.08491 — weightflow: declarative, recipe-aware survey weighting in R

  • 作者: Juan Pablo Ferreira
  • 相关性 3/10
  • 评分理由: Survey weighting software is a secondary applied topic but lacks methodological depth relevant to primary interests.

2. 2607.08306 — Circular Expectiles

  • 作者: Bernhard Klar
  • 相关性 3/10
  • 评分理由: Circular expectiles for directional data are unrelated to the researcher's primary interests in causal inference or high-dimensional statistics.

3. 2607.07543 — Equivalence testing in pesticide risk assessment -- Evaluation and practical guidance for design, analysis and interpretation

  • 作者: Dimitry Wintermantel, Julia Osterman, Magdalena M. Mair, Florian Hartig
  • 相关性 3/10
  • 评分理由: Applied statistics in a domain (pesticide risk) not listed as a secondary interest; no clear link to primary interests.

4. 2607.07284 — Visualizing and forecasting subnational life-table death counts: Gap forecasting methods

  • 作者: Han Lin Shang, Andrea Nigri
  • 相关性 3/10
  • 评分理由: Demographic forecasting with gap methods; unrelated to primary statistical interests.

5. 2607.07215 — Robust Indicators of Spatial Association

  • 作者: Levi John Wolf, Wei Kang
  • 相关性 3/10
  • 评分理由: Spatial autocorrelation statistics; robust version of Moran's I, but not in primary interest areas.

6. 2607.05579 — On the Computation of Normalized Power Priors

  • 作者: Fang Chen, Kaifeng Lu
  • 相关性 3/10
  • 评分理由: Bayesian computation for power priors is unrelated to the researcher's primary interests in causal inference, high-dimensional statistics, or U-statistics.

7. 2607.08458 — Building confidence regions for Reeb graphs using the interleaving distance

  • 作者: Matteo Pegoraro, Alberto Conforti, Mathieu Carrière
  • 相关性 3/10
  • 评分理由: Topological data analysis with Reeb graphs is largely outside the researcher's primary interests and technical arsenal.

8. 2607.05882 — Revision Risk in Real-Time Macroeconomic Forecasting

  • 作者: Yizhou, Kuang
  • 机构: Kyma Technologies (United States)
  • 相关性 3/10
  • 评分理由: Applied macroeconomics forecasting, unrelated to primary interests in causal inference or mathematical statistics.

9. 2607.07783 — Blind Line Search System: BLiSS

  • 作者: Luis Abalo, Graciela Sanjurjo-Ferrín, Jessica Planelles-Villalva, José Joaquín Rodes-Roca, José Miguel Torrejón
  • 相关性 3/10
  • 评分理由: Software package for emission line detection in X-ray data; tangential to primary interests, though open-source tool development is noted.

10. 2607.06305 — Exploring Image-Text Alignment for Radio Galaxy Morphologies

  • 作者: Erica Lastufka, Mariia Drozdova, Svyatoslav Volosynovskiy
  • 相关性 3/10
  • 评分理由: 涉及图像-文本对齐与分类，但主题为射电星系形态学，与研究者统计兴趣无直接关联。

11. 2607.08719 — Severity estimation in dependent collective risk models

  • 作者: Christopher Blier-Wong
  • 相关性 2/10
  • 评分理由: Insurance risk modeling is unrelated to the researcher's primary or secondary interests.

12. 2607.07950 — Size independence of consistency index for pairwise comparison matrices in analytic hierarchy process

  • 作者: Tsuneshi Obata, Shunsuke Shiraishi
  • 相关性 2/10
  • 评分理由: Unrelated to primary or secondary interests; focuses on a niche operational research topic (AHP consistency indices).

13. 2607.06722 — Modality Analysis via Spacing with the Dimodal Software Libraries

  • 作者: Greg Kreider
  • 相关性 2/10
  • 评分理由: Modality detection via spacing; purely descriptive statistics, no connection to primary interests.

14. 2607.06178 — Discrete imprecise copulas and alternating sign matrices

  • 作者: Tomaž Košir, Elisa Perrone, Nik Stopar
  • 相关性 2/10
  • 评分理由: Discrete copulas and alternating sign matrices are unrelated to the researcher's statistical interests.

15. 2607.08416 — Methods of Observing and Characterising the Ionosphere with SKA-Low

  • 作者: John Morgan, Biagio Forte, Kshitija Deshpande, Andrzej Krankowski, Mario Bisi
  • 相关性 2/10
  • 评分理由: 纯天文学电离层观测方法，缺乏数据/模型清晰阐述，不符合天文学入门阅读标准。

16. 2607.08146 — On-sky dark hole diggin' with implicit Electric Field Conjugation on MagAO-X

  • 作者: S. Y. Haffert, J. Liberman, J. R. Males, L. M. Close, W. B. Foster, K. Van Gorkom et al.
  • 相关性 2/10
  • 评分理由: 天文学高对比度成像，涉及自适应光学，但缺乏对统计学家友好的数据/模型阐述。

17. 2607.07265 — The Deep Learning Cosmic Ray Energy Reconstruction Pipeline for the GRAPES-3 Experiment

  • 作者: Sambit Sarkar, Mansi Talwar, Pravata K. Mohanty
  • 相关性 2/10
  • 评分理由: Deep learning pipeline for cosmic ray energy reconstruction; application-specific with no clear methodological novelty relevant to primary interests.

18. 2607.07263 — Machine learning pipeline for identifying tracks of muons and hadrons at GRAPES-3 muon telescope

  • 作者: Mansi Talwar, Sambit Sarkar, Pravata K. Mohanty
  • 相关性 2/10
  • 评分理由: Machine learning pipeline for muon/hadron classification; similar to above, application-focused with limited statistical depth.

19. 2607.07182 — A search for narrowband technosignatures from LTT 3780 with the Allen Telescope Array and the Karl G. Jansky Very Large Array

  • 作者: Chenoa D. Tremblay, Sofia Z. Sheikh, Vishal Gajjar, Nikku Madhusudhan, Isabel Gerrard, Daniel Czech et al.
  • 相关性 2/10
  • 评分理由: 纯天文学/地外文明搜索，与统计兴趣无直接关联。

20. 2607.06318 — Long-term performance of SiPMs in space environment measured by GRBAlpha, GRBBeta, and VZLUSAT-2 CubeSats

  • 作者: Jakub Ripa, Filip Munz, Marianna Dafcikova, Andras Pal, Norbert Werner, Masanori Ohno et al.
  • 相关性 2/10
  • 评分理由: 纯天文仪器工程报告，无统计方法或数据建模内容，与研究者兴趣无关。

21. 2607.06311 — Instrument response generation using high-resolution 3D voxelization of GRBAlpha and VZLUSAT-2 satellites with MEGAlib

  • 作者: Jean-Paul Breuer, Masato Yokota, Yasushi Fukazawa, Hiromitsu Takahashi, Norbert Werner, Jakub Ripa et al.
  • 相关性 2/10
  • 评分理由: 纯天文仪器模拟与响应矩阵生成，无统计方法或数据建模内容，与研究者兴趣无关。

22. 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 et al.
  • 相关性 2/10
  • 评分理由: 天文仪器滤波器技术报告，无统计方法或数据建模内容，与研究者兴趣无关。

23. 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-Muñiz, T. Anderson, H. Barnett et al.
  • 相关性 2/10
  • 评分理由: 纯硬件触发系统设计，无统计方法或数据建模内容，与研究者兴趣无关。

24. 2607.05480 — The Impact of Space Debris on Optical Astronomy

  • 作者: Anthony Mallama, Sergey Karpov, Richard E. Cole
  • 相关性 2/10
  • 评分理由: Pure astronomy result on space debris impact, no statistical methodology or data/model exposition relevant to researcher.

25. 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 et al.
  • 相关性 2/10
  • 评分理由: Instrument characterization paper, no statistical methodology or data/model exposition.

26. 2607.06992 — A Study on Cumulative Residual Extropy of Linear Consecutive k-out-of-n:G Systems

  • 作者: Aman Pandey, Chanchal Kundu
  • 相关性 1/10
  • 评分理由: Reliability engineering and extropy measures are unrelated to the researcher's primary or secondary interests.

27. 2607.05878 — Bolivia and an IMF Extended Fund Facility: Financial Sustainability, Verifiable Social Sustainability, and Net Financing Additionality

  • 作者: Ricardo Alonzo Fernández Salguero
  • 相关性 1/10
  • 评分理由: Policy evaluation for Bolivia, unrelated to any primary or secondary interest.

28. 2607.08289 — Development of a Raman Lidar for the Southern Site of the Cherenkov Telescope Array Observatory

  • 作者: Patrick Brun, Omar Gabella, Stephane Rivoire, George Vasileiadis
  • 相关性 1/10
  • 评分理由: 纯天文学仪器开发，无数据/模型分析，与统计兴趣无关。

29. 2607.08240 — THÉMIS: a calibration-free solar telescope

  • 作者: V. Bommier, B. Gelly, R. Douet
  • 相关性 1/10
  • 评分理由: 纯天文学望远镜校准，无统计方法或数据建模，与兴趣无关。

30. 2607.08008 — On-Orbit Calibration of Danuri/PolCam. II. Radiometric Calibration

  • 作者: Kilho Baek, Sungsoo S. Kim, Minsup Jeong, Young-Jun Choi
  • 相关性 1/10
  • 评分理由: Pure calibration pipeline for a lunar orbiter camera; no statistical methodology or connection to researcher's interests.

31. 2607.07746 — Space and Lunar Interferometry: Emerging Concepts and Pathways

  • 作者: Gioia Rau
  • 相关性 1/10
  • 评分理由: 天文学仪器综述，无数据或统计方法内容。

32. 2607.06660 — A comparison of numerical schemes for driven subsonic MHD turbulence

  • 作者: Rüdiger Pakmor, Thomas Guillet, Rebekka Bieri, Christoph Pfrommer, Volker Springel, Romain Teyssier
  • 相关性 1/10
  • 评分理由: MHD湍流数值模拟，与统计兴趣无关。

33. 2607.06548 — LUnar-based Survey for Time-domain Exploration and Research network (LUSTER-net)

  • 作者: T. S. Boyajian, R. A. Street, B. Fleming, F. Marchis, J. Morse, P. Gandhi et al.
  • 相关性 1/10
  • 评分理由: 月球天文台网络概念，无统计内容。

34. 2607.05629 — Detection of Organics in Water Ice by Optical-PhotoThermal Infrared Spectroscopy

  • 作者: Christopher S. Duffey, Julie Brisset, Myles Hoskinson, Jakob Haynes, Kathrine Lyakh
  • 相关性 1/10
  • 评分理由: 光谱学实验技术报告，无统计方法或数据建模内容，与研究者兴趣无关。

35. 2607.05601 — The Wide-field Spectroscopic Telescope: optical designs for the low-resolution multi-object spectrographs

  • 作者: Will Saunders, Kjetil Dohlen, Dimitri Buffat, Roelof S. de Jong, Olaf Iwert, David Lee et al.
  • 相关性 1/10
  • 评分理由: 纯天文仪器光学设计，无统计方法或数据建模内容，与研究者兴趣无关。

36. 2607.05520 — The role of sound and auditory displays in telescope control rooms: a pilot study

  • 作者: Anita Zanella, Sara Lenzi, Sandra Pauletto, Wolfgang Aigner
  • 相关性 1/10
  • 评分理由: 人机交互与声学显示研究，无统计方法或数据建模内容，与研究者兴趣无关。

37. 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 et al.
  • 相关性 1/10
  • 评分理由: Instrument design paper, no statistical or data-analysis content.

38. 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 et al.
  • 相关性 1/10
  • 评分理由: Instrument proposal paper, no statistical or data-analysis content.

39. 2607.04874 — Star-Planet Interactions: The Instrumentation Perspective

  • 作者: H. Korhonen, P. Figueira, B. Montet, S. P. Jarvinen, H. Vedantham, S. Narendranath et al.
  • 相关性 1/10
  • 评分理由: Review of instrumentation for star-planet interactions, no statistical methodology.

40. 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 et al.
  • 相关性 1/10
  • 评分理由: Adaptive optics hardware report, no statistical or data-analysis content.

41. 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, Juliang Li, Peter Sharpe, Morgana Iacocca, Audrey Scott, Jessica Zebrowski et al.
  • 机构: University of Chicago · Argonne National Laboratory · Nvidia (United States) · Fermi National Accelerator Laboratory · Simons Foundation
  • 相关性 1/10
  • 评分理由: Pure engineering hardware paper for astronomy instrumentation; no statistics, data analysis, or methodological content.

42. 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 et al.
  • 相关性 1/10
  • 评分理由: Cosmic-ray flux measurement with a simple detector; no statistical methodology or data/model exposition relevant to researcher.

43. 2607.07592 — Decolonizing technosignatures: Reimagining technosignatures through an Indigenist lens

  • 作者: Hilding R. Neilson
  • 相关性 0/10
  • 评分理由: Philosophical essay on decolonizing technosignatures; unrelated to any statistical or methodological interest.

44. 2607.07413 — SETI's blind spot: Technological Acceleration and fleeting technosignatures

  • 作者: Michael A. Garrett
  • 相关性 0/10
  • 评分理由: SETI paper on technological acceleration and detectability; no statistical content or connection to researcher's interests.

45. 2607.06650 — HDRL Staff Strategy Meeting Report

  • 作者: Brian Thomas, Robert Candey, Jack Ireland, Lan Jian, Rebecca Ringuette, Tressa Helvey-Kalsulke
  • 相关性 0/10
  • 评分理由: 机构战略会议报告，无学术内容。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论