2026-07-13 每日 arXiv 资讯

• 高相关论文 5 篇 · 中相关 22 篇 · 其他 11 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 5 篇)

1. 2607.09397 — Decision-analytical models as causal models

• 作者: Maurice Korf, Myriam Hunink, Richard Post, Jeremy Labrecque
• 相关性 8/10 · novelty: survey
• 摘要: 本文旨在将卫生经济学中的决策分析模型（decision-analytical model）正式化为因果推断任务。研究问题是如何在缺乏单一来源联合观测数据的情况下，通过整合来自多个来源的因果参数来近似不同干预下的潜在结果联合分布。核心贡献是将决策分析模型偏差分解为模型结构偏差（model bias）和目标参数偏差（target bias），并指出由于决策分析模型常依赖无直接观测类似物的非常规目标参数，即使简单设定下目标偏差也可能出现并传播。方法上，本文未提出新估计量，而是建立了一个统一框架，明确因果假设在决策分析模型中的作用及其对偏差的贡献。最终结论是临床决策的可信度完全取决于其底层假设的可信度。对您而言，本文连接了因果推断与卫生经济学的应用场景，尤其适合作为流行病学应用方向的入门读物，但方法学新颖性有限。
• 关键技术: causal inference framework, decision-analytical model, target bias decomposition, potential outcomes, causal assumptions
• 为什么对您有用: 本文属于流行病学应用方向的gateway-reading，将决策分析模型与因果推断框架对接，适合了解卫生经济学中因果推断的实际应用场景。武器库中的'identification theory in causal inference'可直接用于理解其偏差分解逻辑，但本文未涉及新方法或理论，属于概念性综述。暂不可做：核心贡献是框架性而非技术性，缺乏可直接动手的估计或检验问题。

2. 2607.09200 — Causal Perspectives on Network Meta-Analysis

• 作者: Ahmed Boughdiri, Francisco Andrade, Clément Berenfeld, Julie Josse
• 相关性 8/10 · novelty: new_method
• 摘要: 本文在证据综合（meta-analysis）的框架下，提出应以因果 estimand 为先导，再推导出所需的聚合方式，而非传统先聚合后解释的做法。作者将 pairwise 和 network meta-analysis 统一置于因果推断框架中，明确目标人群（如参与试验的平均人群）和治疗效应修饰因子导致的异质性，从而自然导出 arm-level 聚合（而非 contrast-based 聚合）。在 network 设定下，识别不依赖于治疗网络本身，这为长期存在的 arm-based 与 contrast-based 之争提供了新的概念性论据。数值研究表明，所提估计量能瞄准明确定义的因果效应，而传统方法的因果解释则模糊不清。尽管两者常给出相似估计，但本文识别出两者分歧的设定，对 meta-analysis 证据的解释有重要启示。对您而言，本文是因果推断在流行病学证据综合中的一次清晰应用，其 identification 思路（先定义 target population 再推导聚合方式）可迁移至您熟悉的 causal inference 设定（如 IV、proximal CI）中的 heterogeneity 处理。
• 关键技术: causal estimand, arm-level aggregation, treatment-effect modifier, network meta-analysis, identification without network
• 为什么对您有用: 本文直接连接您的 primary interest 中的 causal inference（identification 和 heterogeneity 处理），以及 secondary interest 中的 epidemiology（meta-analysis 是循证医学核心工具）。从 technical_arsenal 看，您对 estimation theory in causal inference 和 nonparametric statistics 非常熟悉，可以立即用这些工具审视本文的 identification 假设是否可放松（如引入 negative control 处理未测量的 effect modifier），属于立即可做的 follow-up。

3. 2607.08951 — A Statistical Test for the Benefits of Personalizing Interventions

• 作者: Zhaoqi Li, Emma Brunskill
• 相关性 8/10 · novelty: new_method
• 摘要: 本文提出一个统计假设检验方法，用于判断在给定历史数据下，个性化干预策略（如根据个体特征分配不同处理）是否显著优于对所有个体使用同一最优单一干预。检验的原假设是两种策略的期望回报无差异，备择假设是个性化策略更优。方法基于策略价值估计的渐近正态性，构造了一个方差最小的检验统计量，在指定条件下达到半参数效率界，并严格控制了第一类错误。核心工具是 efficient influence function 和 cross-fitting，使得检验对 nuisance 函数的估计误差不敏感。在多个真实数据集（职业培训、抑郁症治疗、教育、推荐系统）上，该检验比现有替代方法（如 bootstrap 或简单 t 检验）有更高的统计功效。对您而言，该工作将假设检验框架引入个性化干预的决策问题，与您对 causal inference 中 hypothesis testing 的兴趣直接相关，且其基于 EIF 的构造思路可迁移到您熟悉的 proximal CI 或 IV 设定下的类似检验问题。
• 关键技术: efficient influence function, cross-fitting, semiparametric efficiency bound, hypothesis testing for policy value, asymptotic normality
• 为什么对您有用: 直接连接您 primary interest 中的 causal inference 和 hypothesis testing：该检验回答了“个性化是否值得”这一实际决策问题，方法上使用了您熟悉的 EIF 和 cross-fitting。您的武器库中 nonparametric statistics 和 estimation theory in causal inference 足以理解并复现该方法，属于立即可做的 follow-up：例如，将该检验推广到 proximal CI 框架下处理 unmeasured confounding 时的个性化策略比较。

4. 2607.09536 — Misspecified regressions with mixed regressors: robust inference and causal interpretation

• 作者: Mengsi Gao, Peng Ding
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文统一了随机与固定回归元的理论框架，针对混合回归元（如随机化处理变量与固定协变量）下的线性回归，允许回归函数设定错误。核心目标是即使在模型错误设定下，仍为回归系数和标准误提供因果解释。方法上，作者先建立混合回归元下估计方程的一般理论，再将其应用于完全随机实验的线性回归分析。理论结果涵盖独立数据和聚类数据两种情形，给出了稳健的标准误估计。本文为实验数据分析中常用的线性回归提供了严谨的因果推断基础，特别适用于处理变量随机化而协变量非随机化的常见场景。对您而言，本文直接连接您因果推断中关于识别与估计的兴趣，且其混合回归元设定与稳健推断思路可迁移至您熟悉的非参数统计与M估计理论框架。
• 关键技术: mixed regressors, misspecified linear regression, robust standard errors, estimating equations, completely randomized experiments, clustered data
• 为什么对您有用: 本文直接连接您因果推断兴趣中的识别与估计子方向，特别是实验数据分析中处理变量随机化而协变量非随机化的常见设定。您武器库中'very_familiar'的'非参数统计'和'estimation theory in causal inference'可直接用于理解其估计方程框架，而'moderately_familiar'的'M估计理论'可进一步深化对其稳健标准误推导的理解。立即可做：您可用非参数统计工具验证其理论在更一般设定下的扩展性。

5. 2607.09608 — Media Measurement and the Assisted Own Goal: Attribution, Marketing-Mix Models, and Individual-Level Incrementality

• 作者: Tobias Konitzer
• 机构: Foundation for Growth Science
• 相关性 8/10 · novelty: application
• 摘要: 本文以广告归因中的“助攻乌龙”现象为切入点，提出一个基于增量性的测量模型。在数字广告场景中，上层漏斗平台（如短视频社交网络）触发的购买行为可能被下游可信平台（如电商）归因，导致原始平台无法看到其贡献。作者指出，传统的基于归因的ROAS测量和营销组合模型（MMM）均无法解决这一问题：归因模型将转化记在最后一环，MMM因渠道-周聚合丢失受众粒度。核心方法包含两个要素：受众层面的环境随机化（每个激活受众构成一个ITT实验），以及个体层面的PIE（Predicted Incrementality by Experimentation）扩展，后者从个体特征学习实验识别的增量结果。由于ITT对比基于渠道完整的结局计算，估计量无偏，从而消除“乌龙”效应。该框架为广告因果效应测量提供了identification策略，对您可能有用：它直接连接因果推断中的ITT、个体化处理效应估计，且与您熟悉的非参数估计和因果推断中的identification理论高度相关。
• 关键技术: intent-to-treat (ITT) experiment, predicted incrementality by experimentation (PIE), individual-level treatment effect estimation, attribution-based ROAS, marketing-mix model (MMM)
• 为什么对您有用: 本文属于因果推断在广告测量中的应用，直接连接您的primary interest中的identification和estimation理论。您的武器库中'非参数统计'和'因果推断中的估计理论'可以直接用于分析其ITT估计量的性质（如无偏性、方差），而'identification理论'可用于评估其假设（如环境随机化、渠道完整结局）的可信度。中期可做：若想深入其个体化增量预测部分，需先在moderately_familiar的'HOIF'或'semiparametric theory'上提升，以处理高维特征下的效率问题。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 2 篇)

1. 2607.09577 — A censoring-aware target interface for tabular foundation models in survival prediction

• 作者: Yue Lyu, Steven H. Lin, Xuelin Huang, Ziyi Li
• 相关性 5/10 · novelty: new_method
• 摘要: 本文针对右删失生存数据，提出一个名为 SurvFM-RMST 的 censoring-aware 目标接口框架，将生存结局转化为 jackknife pseudo-observation 目标（针对 restricted mean survival time, RMST），使得多种 tabular foundation models 可直接进行 RMST 回归，无需针对生存数据做特殊微调。核心机制是：利用 jackknife pseudo-observation 将删失数据转化为近似完全观测的伪目标，从而绕开传统生存模型对 hazard 或 survival function 的建模。在模拟实验中，该方法能准确恢复已知条件 RMST，且 pseudo-RMST 目标优于 naive 的 restricted observed-time 和 event-only 目标。在 36 个 SurvSet 数据集上，SurvFM 骨干与已有生存模型及 RMST 回归方法相比具有竞争力，但表现因终点、时间窗和实际约束而异。预测的 RMST 能进一步将留出患者分层为有序的 observed event-free time 和 event enrichment 组。总体而言，pseudo-RMST 目标构建可作为删失生存数据与 tabular foundation model 预测之间的可移植接口。对您而言，本文的 pseudo-observation 技巧与您 causal inference 中处理删失/缺失数据的思路相通，且其 jackknife 构造与您熟悉的 higher-order U-statistics 中的 jackknife 方法有技术关联，值得关注。
• 关键技术: jackknife pseudo-observation, restricted mean survival time (RMST), tabular foundation models, censoring-aware target interface, survival prediction
• 为什么对您有用: 本文属于 epidemiology 应用方向，处理右删失生存数据这一常见挑战。其核心方法——jackknife pseudo-observation——与您 very_familiar 的 higher-order U-statistics 中的 jackknife 技术有直接联系，您可基于此分析 pseudo-observation 的 U-statistic 结构及其方差估计。此外，该框架将删失数据转化为伪完全观测目标，与 causal inference 中处理缺失数据的思路（如 IPW、多重插补）可类比，但本文未深入讨论 identification 假设，您可尝试用您 moderately_familiar 的 identification theory 来审视其伪目标是否满足无偏性条件。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以严格推导 pseudo-RMST 的 influence function 和效率界。

2. 2607.09363 — Inference of large scale relational state processes

• 作者: Rūta Juozaitienė, Ernst C. Wit
• 相关性 4/10 · novelty: new_method
• 摘要: 本文提出一个连续时间框架，用于建模和推断多状态关系网络（如友谊从认识到亲密），其中每条边在多个离散状态间转移。转移强度由状态依赖的协变量驱动，可分解为锚定（当前状态）和牵引（目标状态）两种机制，支持线性和光滑非线性效应。针对完整事件历史数据，采用Cox型偏似然结合巢式病例对照抽样实现参数和光滑效应的有效估计；针对面板数据，推导出似然的ODE形式，对二元状态模型尤为高效。模拟表明参数恢复准确，应用于青少年友谊数据复现了已有建模技术的实质结论，并大幅提升计算效率。该框架保留了经典网络效应的可解释性，将其推广至多状态边，且在完整历史和面板两种抽样设计下均可扩展至更大规模。对您而言，本文的连续时间多状态建模思路可迁移至纵向因果推断中的时变处理/中介分析，其ODE似然推导与巢式病例对照抽样技术也值得关注。
• 关键技术: continuous-time Markov process, Cox-type partial likelihood, nested case-control sampling, ODE-based likelihood, smooth non-linear effects
• 为什么对您有用: 本文直接连接您的primary interest中'causal inference (longitudinal)'子方向——连续时间多状态关系网络建模与纵向因果推断中的时变处理/中介分析高度相关。技术武器库中'nonparametric statistics'（光滑非线性效应估计）和'estimation theory in causal inference'（偏似然、巢式病例对照）可立即用于理解其估计机制；'semiparametric theory'（moderately_familiar）可用于评估其效率损失。中期可做：需先在'semiparametric theory'上加强，以严格推导该框架下因果参数的半参效率界。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 2607.09547 — High-Dimensional Interpolators Can Be Fragile: Heavy Tails and High-Dimensional Large Deviations

• 作者: Youheng Zhu, Yiping Lu
• 相关性 7/10 · novelty: sharper_rate
• 摘要: 本文研究高维线性插值模型（ridgeless regression）的尾部风险，与岭回归对比。在经典期望风险分析之外，作者使用大偏差方法刻画极端误差的概率。主要发现：ridgeless regression 的风险分布具有重尾性，其右尾衰减速率仅为 n log n 量级，而岭回归的衰减速率达到 n^2 量级。这一差距表明，即使平均预测误差可控，插值模型在罕见但高影响的事件上可能非常脆弱。理论工具包括高维大偏差、随机矩阵谱分析。对您而言，本文连接了高维统计与统计计算中的稳健性议题，且其大偏差分析框架可迁移至您熟悉的 U-statistic 极端值行为研究。
• 关键技术: large deviation theory, ridgeless regression, ridge regularization, heavy-tailed risk, random matrix theory
• 为什么对您有用: 直接连接 primary interest 中的高维统计与随机矩阵理论，具体为 ridgeless regression 的谱行为与大偏差率。技术武器库中 'high-dimensional asymptotics' 和 'minimax bounds' 可直接用于验证其尾部衰减率是否紧，或推广至更一般的插值模型。中期可做：需在 'theory of higher-order U-statistics' 上长肌肉，以分析非线性插值器的尾部行为。

2. 2607.09026 — Geometric planted matchings in high dimensions: The power of multiple views

• 作者: Timothy L. H. Wee, Kaylee Y. Yang, Zhou Fan, Cheng Mao
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究高维空间中带噪声和随机置换的点云匹配问题。在d=ω(log n)的高维高斯模型下，噪声方差σ²=d/(b log n)，已知b=2是几乎精确恢复的阈值。本文证明该阈值具有all-or-nothing性质：对任意固定b<2，任何估计量都无法恢复正比例的匹配，且估计点云的欧氏距离渐近等价于忽略对应关系。进一步，考虑多视图推广：观测到K个独立带噪声和随机置换的同一潜在点云副本。本文证明，当b>K/(K-1)时，一个简单的多项式时间过程可恢复所有相对匹配，误差为o(n)。因此多视图可打破原始匹配问题的b=2不可能性壁垒：例如对3/2<b<2，两视图模型无有效恢复，但第三视图使所有潜在对应关系可高效恢复。该结果对您的高维统计和统计-计算权衡兴趣有直接连接：它刻画了信息-计算间隙，且多视图增益机制可能启发您在高维因果推断中利用多源数据突破识别瓶颈。
• 关键技术: all-or-nothing threshold, multi-view recovery, polynomial-time procedure, high-dimensional Gaussian model, planted matching
• 为什么对您有用: 本文直接连接您的高维统计和统计-计算权衡兴趣。它精确刻画了匹配问题的信息-计算间隙（b=2阈值），并展示了多视图如何突破单视图不可能性——这是统计-计算权衡的经典范例。您可以用very_familiar的高维渐近工具验证其阈值紧性，且多视图增益机制可能迁移到您的高维因果推断中（如多源IV或代理变量）。中期可做：需先在moderately_familiar的HOIF或semiparametric theory上长肌肉，以将多视图思想形式化为因果识别条件。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2607.09350 — The Cost of Discretization in Functional Linear Regression: Minimax Rates and Adaptation

• 作者: T. Tony Cai, Yicheng Li
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究标量-函数线性回归中，协变量曲线仅通过有限个含噪点观测时的 minimax 估计与预测风险。设定在固定三角特征基下，协方差特征值以速率 α 衰减，斜率函数具有 Sobolev 光滑度 s。推导了两种典型采样方案下的匹配 minimax 上下界：独立随机设计下预测率为 n^{-(2α+2s)/(2α+2s+1)} + (nm)^{-(2α+2s)/(4α+2s+1)}，其中第一项为完全观测基准，第二项为含噪点评估经逆协方差算子放大后的代价；公共等距网格设计下额外出现 m^{-(2α+2s)} 和 m^{-4α} 项，分别代表固定网格离散误差和公共网格上识别未知特征值的代价。进一步构造了数据自适应估计量，通过筛选协方差尺度与分块阈值预测能量，无需先验知识即可达到这些率。结果揭示了独立设计下依赖于采样分辨率的尖锐相变，以及公共设计下更丰富的相图。数值模拟和真实数据示例验证了理论发现。对您而言，本文在非参数回归的 minimax 框架下系统刻画了离散化代价，其自适应估计策略可迁移至高维统计中的函数型数据问题。
• 关键技术: minimax lower bounds, minimax upper bounds, adaptive estimation, blockwise thresholding, eigenvalue screening, Sobolev smoothness
• 为什么对您有用: 本文直接关联到 primary interest 中的非参数统计与 minimax 界，其核心问题——函数型数据离散化对估计精度的影响——是您非常熟悉的领域。技术武器库中的 minimax bounds for estimation problems 可直接用于验证本文的率是否紧，而自适应估计方法（blockwise thresholding）可视为一种计算上可行的策略，与您在高维统计中的经验相契合。中期可做：若想将本文的离散化代价分析推广到更一般的协方差结构（如非对角特征基），需先在 moderately_familiar 的 semiparametric theory 上提升，以处理更复杂的函数空间。

2. 2607.09613 — Dynamic Frechet Regression with Feature Selection for Distributional Data

• 作者: Kiran Adhikari, Amrutha Dinesh, Mathew Kuttolamadom, Ying Lin
• 相关性 5/10 · novelty: new_method
• 摘要: 本文针对响应变量为分布（概率测度）且随时间/深度等有序指标演化的回归问题，提出 Dynamic Fréchet Regression (DFR) 框架。在 Wasserstein 空间等度量空间中，DFR 通过引入同时依赖预测变量相似性和指标邻近性的权重机制，在每个指标处定义加权 Fréchet 均值作为预测，从而在保持响应几何结构的同时实现跨指标信息借用。为应对高维预测变量，DFR 结合基于稀疏度量学习的几何感知特征选择方法，无需依赖欧氏系数即可识别驱动分布动态的关键变量。模拟实验表明 DFR 在预测精度和特征恢复上优于现有方法，增材制造数据应用展示了其生成可解释、指标特定的分布预测的能力。该工作将 Fréchet 回归从静态扩展到动态设定，核心技术工具是加权 Fréchet 均值与稀疏度量学习，对您而言，其分布响应建模思路可迁移至因果推断中处理分布型结局（如个体化处理效应的分布）或高维 U-统计量中核函数的分布设定。
• 关键技术: Fréchet regression, Wasserstein space, weighted Fréchet mean, sparse metric learning, index-aware weighting
• 为什么对您有用: 本文连接您的非参数/半参数理论兴趣，具体在分布型响应回归这一子方向。武器库中 'nonparametric statistics' 和 'minimax bounds for estimation problems' 可直接用于分析 DFR 的收敛速率（如 Wasserstein 空间中的 minimax 下界），而 'computation of higher-order U-statistics' 的树宽视角可评估加权 Fréchet 均值的计算成本。中期可做：需先在 'semiparametric theory' 上长肌肉以处理分布响应的半参数效率界。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 2607.09579 — How useful is a wrong model? Information-sharing for inference under mean misspecification in linear models

• 作者: Emily C. Hector
• 相关性 7/10 · novelty: new_method
• 摘要: 本文在经典线性回归框架下，提出了一种新的视角来应对均值模型误设定问题。传统方法将模型分为“正确”或“错误”两类，但本文引入了一个连续型的“模型有用性指数”（usefulness index），用于量化均值模型对每个观测个体的预测价值。基于该指数，作者构建了一个收缩估计量，将个体化均值向共享的均值模型方向收缩，收缩程度由有用性指数自适应控制。该估计量与James-Stein估计量有密切联系，并在理论上给出了其相对于纯模型估计量和非模型估计量的效率提升条件。作者还提出了一个数据驱动的有用性指数估计方法，平衡了统计直觉与效率考量。最后，通过个人追踪器数据展示了方法的实际价值。对您而言，本文提出的“模型有用性”概念和收缩估计框架，为处理模型误设定下的统计推断问题提供了新思路，尤其与您在高维统计和因果推断中处理模型不确定性的兴趣相关。
• 关键技术: James-Stein estimator, shrinkage estimation, model usefulness index, mean misspecification, linear regression, efficiency comparison
• 为什么对您有用: 本文直接关联您在高维统计和因果推断中对模型误设定问题的关注，提出了一种新的“模型有用性”量化框架。您可以用非参数统计和minimax界的工具来检验该有用性指数在更一般设定下的最优性，或将其推广到因果推断中的倾向性得分模型误设定问题。中期可做：需先在semiparametric theory上进一步熟悉，以将该框架扩展到半参数模型。

2. 2607.09418 — Tests for Increasing Convex Ordering Based on Generalized Tsallis Entropy Measures

• 作者: Aritra Saha, Siddhartha Chakraborty, Md. Zafar Anis
• 相关性 5/10 · novelty: minor
• 摘要: 本文研究基于广义Tsallis熵的不完全熵测度，包括不完全加权累积残差熵、不完全累积残差Tsallis熵及其加权版本，并引入相应的偏序关系。作者建立了这些熵测度与已知随机序（如递增凸序）之间的联系，并基于这些刻画提出了一类非参数检验，用于检验随机相等性（stochastic equality）与有序备择假设。检验的渐近性质（如一致性、渐近正态性）被严格推导，有限样本表现通过广泛的蒙特卡洛模拟在多种备择模型和样本量下进行评估。与Zardasht (2015)基于不完全累积残差熵的检验进行了比较，模拟结果显示所提检验在特定备择下具有竞争力。该工作属于非参数假设检验中基于信息论测度的新构造，但方法学新颖性有限（主要是将现有熵测度推广到加权/不完全版本并构造检验统计量）。
• 关键技术: Tsallis entropy, cumulative residual entropy, stochastic ordering, nonparametric test, Monte Carlo simulation
• 为什么对您有用: 本文直接关联您的primary interest中的hypothesis testing方向，特别是非参数检验的新构造。但方法学核心（基于熵测度构造检验）与您的技术武器库（minimax bounds、U-statistics、semiparametric theory）交集有限——检验统计量的渐近性质推导是经典M-估计框架，不涉及您擅长的higher-order U-statistics或efficiency theory。作为gateway reading价值中等：可了解信息论测度在假设检验中的应用，但暂不可做——核心机器（熵测度的渐近理论）不在武器库中，且方法学深度不足以支撑follow-up。

统计计算 / 算法 (stat_computing, 3 篇)

1. 2607.09013 — Orthogonalized Design Matrices Speed-ups of Bayesian Semiparametric Regression

• 作者: Nurul Fitriyani, Matt P. Wand
• 相关性 6/10 · novelty: minor
• 摘要: 本文针对贝叶斯半参数回归中的计算瓶颈，提出通过正交化设计矩阵来加速 Gibbs 采样和坐标上升变分推断等循环算法。核心思想是在循环开始前对设计矩阵（包含预测变量观测值和基函数）进行 QR 分解或类似正交化预处理，使得每次迭代中矩阵运算的复杂度从 O(p^3) 降至 O(p^2)，其中 p 是列维度。理论分析表明，这种预循环重参数化可将计算量降低两个数量级（相对于列维度）。计算机实验显示，在典型半参数回归设定（如 penalized splines）下，实际加速比约为 5 到 60 倍，且不改变后验分布或变分近似的最优解。该方法适用于广义加性模型、空间回归、函数型数据分析等常见贝叶斯半参数框架。对您而言，这是一篇典型的统计计算加速技巧论文，其正交化预处理思路可直接迁移到您在高阶 U-统计量或因果推断中涉及大规模基函数矩阵的计算场景，且实现成本低（只需在现有代码中插入 QR 分解步骤）。
• 关键技术: QR decomposition, design matrix orthogonalization, Gibbs sampling acceleration, coordinate ascent variational inference, Bayesian semiparametric regression, computational complexity reduction
• 为什么对您有用: 直接命中您 primary interest 中的 'statistical computing (numerical methods, algorithm)'。正交化预处理是您 very_familiar 武器库中 'software development' 和 'high-dimensional asymptotics' 就能轻松实现的技巧——您可以在自己的贝叶斯半参数或因果推断代码中立即尝试，无需学习新理论。中期来看，若您想将类似思路推广到更复杂的模型（如带缺失数据或工具变量的半参数回归），可能需要 moderately_familiar 的 'M-estimation theory' 来验证正交化是否改变估计方程的解——但本文已证明后验不变，所以大概率可直接套用。

2. 2607.09441 — Near-optimal node-private community estimation in polynomial-time

• 作者: Laurentiu Marchis, Olga Klopp, Po-Ling Loh, Ilias Zadik
• 相关性 6/10 · novelty: new_method
• 摘要: 本文在随机块模型（SBM）的精确恢复问题中，解决了 Klopp & Zadik (2026) 的公开问题：给出了一个多项式时间、节点隐私的算法，其性能几乎匹配指数时间隐私算法的 minimax 速率。核心机制是构造一个显式的 Lipschitz 替代函数来近似惩罚似然，并设计了一个精心调整的 accept-reject 算法，从对应的指数机制中高效采样社区标签。理论分析覆盖了隐私性、运行时间和效用：当社区数 K 随节点数 n 对数增长时，隐私参数 epsilon 可增长至 log(n) 阶，同时达到精确恢复的 minimax 速率，匹配已知的隐私代价下界。该结果展示了统计-计算-隐私三者的权衡，对您作为统计-计算权衡领域的 outsider 而言，是一篇很好的 gateway reading：它明确陈述了统计模型（SBM）、计算模型（多项式时间 vs. 指数时间）和隐私模型（节点差分隐私），并精确给出了信噪比阈值和隐私参数之间的 tradeoff。
• 关键技术: exponential mechanism, Lipschitz surrogate, accept-reject sampling, stochastic block model, node differential privacy, minimax exact recovery
• 为什么对您有用: 本文直接连接您的 primary interest 中的 statistical-computational tradeoff 方向，且作为 gateway reading 非常合格：(a) 引言清晰解释了 SBM 模型、精确恢复的统计阈值、以及多项式时间算法 vs. 指数时间隐私算法的 gap，不假设读者熟悉差分隐私文献；(b) 阈值和隐私参数 epsilon 的关系陈述精确，证明策略有明确 sketch（Lipschitz 替代 + accept-reject）；(c) 问题本身值得关注——这是首次在节点隐私下实现多项式时间算法匹配 minimax 速率，填补了理论空白。从您的武器库看，暂不可做：核心机器（指数机制、差分隐私的灵敏度分析、accept-reject 的接受概率分析）不在您的 very_familiar 或 moderately_familiar 中，需要先学习差分隐私基础。但作为理解统计-计算-隐私 tradeoff 的入门读物，值得花时间读全文。

3. 2607.08491 — weightflow: declarative, recipe-aware survey weighting in R

• 作者: Juan Pablo Ferreira
• 相关性 5/10 · novelty: new_method
• 摘要: 本文介绍 weightflow，一个纯 base R 的 survey weighting 包，旨在解决复杂调查中多阶段权重调整（如未知资格处理、范围外单元剔除、户内选择恢复、无应答校正、事后分层/校准）的端到端可审计性问题。现有 R 工具（如 survey 包）覆盖部分流程，但无法将整个级联表达为单一可审计对象，也无法将每一阶段的估计变异性传播到复制权重中。weightflow 采用声明式、可管道化的 tidymodels 风格 API：通过 step_*() 链惰性定义配方，用 prep() 估计，分离定义与应用，使过程可复现、可审计。其核心创新在于 rescaling bootstrap 和 delete-a-PSU jackknife 能在每个复制样本上重新应用整个配方，从而复制权重携带所有估计阶段的不确定性，而不仅仅是最终校准的。包实现了 raking、事后分层、线性/GREG 校准（含边界、岭惩罚、域分区和整合变体）、模型辅助（Wu-Sitter）校准、带交叉拟合的加权类和机器学习无应答倾向调整，以及代表性指标。权重和复制权重可桥接到 survey 和 srvyr 包进行设计推断。在乌拉圭 ECH 真实数据上，该方法恢复了已知贫困率并给出了设计不确定性。对您而言，这是一个高质量的统计计算软件工程案例，展示了如何将复杂的多阶段估计流程（类似您在高阶 U-统计量计算中处理的级联操作）封装为可审计、可复现的声明式 API，其设计模式（配方分离、复制权重传播）可直接迁移到您自己的软件包开发中。
• 关键技术: declarative recipe API, replicate weight propagation, rescaling bootstrap, delete-a-PSU jackknife, GREG calibration, cross-fitting for response propensity
• 为什么对您有用: 本文直接关联您的 primary interest 中的 statistical computing（软件包开发）。其核心设计——将多阶段估计级联封装为声明式、可审计的配方，并在复制权重中传播所有阶段的变异性——与您在高阶 U-统计量计算中处理 tensor contraction 级联的思路高度一致。您的 very_familiar 武器库中的 software development 和 computation of higher-order U-statistics (treewidth / tensor contraction / einsum) 可以直接用于分析 weightflow 的配方图结构，甚至提出更高效的复制权重传播算法（如用 einsum 优化 bootstrap 重计算）。中期可做：需先在 moderately_familiar 的 semiparametric theory 上理解 survey 权重的设计一致性条件，才能将这种传播思想推广到更一般的 semiparametric estimator 的 variance estimation。

天体统计 (astrostats, 4 篇)

1. 2607.09286 — Enhancing the Cherenkov Telescope Array Observatory high-level performance through an event-type-based analysis

• 作者: Juan Bernete, Silvia García-Soto, Tarek Hassan, Orel Gueta, Maximilian Linhoff, Atreyee Sinha et al.
• 相关性 5/10 · novelty: application
• 摘要: 本文针对即将建成的 Cherenkov 望远镜阵列（CTAO）的高层数据分析，提出了一种基于事件类型（event-type）的分析框架。传统方法对所有通过质量截断的事件使用同一套仪器响应函数（IRF），忽略了事件重建质量的异质性。作者借鉴 Fermi-LAT 的做法，将数据集按预测的方向重建误差划分为多个子样本，每个子样本独立计算 IRF，再联合分析。事件类型的划分通过一个多层感知机（MLP）神经网络实现，该网络以模拟数据训练，预测每个事件的重建误差。在模拟观测中，该方法相比标准分析在空间分辨能力上提升 25%–50%，灵敏度提升约 25%。这一性能提升对银河系平面等拥挤区域的天体物理研究以及暗物质湮灭线谱搜索等科学目标有重要意义。对您而言，这是一篇很好的 astrostatistics 入门读物，清晰展示了天文数据分析中 IRF 构建与事件分层的核心逻辑，且数据侧（模拟数据、噪声模型、选择效应）和模型侧（MLP 预测、IRF 分类型计算）都有明确交代。
• 关键技术: event-type-based analysis, instrument response functions (IRFs), multi-layer perceptron (MLP), simulated CTAO data, joint likelihood analysis
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰说明了天文数据分析中 IRF 的概念和事件分层策略，数据侧（模拟数据生成、噪声模型）和模型侧（MLP 预测、分类型 IRF 计算）都有明确交代，适合作为统计学家进入该领域的入门材料。武器库中 'nonparametric statistics' 和 'software development' 足以支撑理解其核心方法（IRF 分类型估计本质上是非参数分层估计），但本文的方法学 novelty 有限（主要是应用已有框架），属于 '暂不可做' 范畴——若想深入改进其事件类型划分的统计效率（如用 U-statistic 或 semiparametric 方法优化分层阈值），需要先在 'semiparametric theory' 上长肌肉。

2. 2607.09148 — Masking Algorithm for CCD Bleeding in Korea Microlensing Telescope Network Images

• 作者: Jiseop Shin, Mankeun Jeong, Myungshin Im, Seo-Won Chang, Sang-Mok Cha, Seong-Kook Lee
• 相关性 5/10 · novelty: application
• 摘要: 本文针对韩国微引力透镜望远镜网络（KMTNet）天文CCD图像中亮源引起的电荷溢出（bleeding）伪影，提出了一种像素级掩码算法。该算法利用保守的溢出阈值和溢出指数（bleeding index）识别产生溢出的像素，并通过基于背景相对检测阈值和连续性条件的终止准则确定每条溢出轨迹的范围。为优化终止参数，算法生成多个候选掩码，并用类似F-beta的评分（优先高纯度）进行评估。最终掩码用于基于插值的清理，并在拥挤的KMTNet视场中以Gaia DR3为参考评估了完整性和测光精度：源完整性从94.08%提升至98.61%，受溢出影响的源的测光均方根偏差从0.623星等降至0.068星等。本文清晰阐述了数据侧（CCD图像结构、噪声、拥挤场）和模型侧（溢出物理、掩码生成、插值清理），适合作为统计学者进入天文图像处理领域的入门读物。
• 关键技术: CCD bleeding masking, F-beta-like score, interpolation-based cleaning, completeness and photometric accuracy evaluation
• 为什么对您有用: 本文属于astrostats gateway reading：它清晰阐述了天文CCD图像的数据结构（列对齐溢出、背景噪声、拥挤场）和模型侧（溢出物理、掩码优化、插值清理），适合作为统计学者进入该领域的入门读物。武器库中'非参数统计'和'软件工程'可直接用于复现或改进其插值方法（如用更先进的非参数回归替代简单插值），属于'立即可做'的探索。值得花时间读全文以理解天文图像处理的实际数据挑战。

3. 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 5/10 · novelty: survey
• 摘要: 本文是SKA-Low低频射电望远镜电离层观测与表征方法的综述。首先介绍了中纬度电离层的基本性质及其对低频射电信号的影响，重点阐述了电离层作为相位屏的模型。随后系统回顾了利用低频干涉仪测量电离层结构的多种方法，特别关注过去十年中在SKA先导和探路者望远镜上开发的创新技术，也提及了文献中其他未经验证的方法。接着介绍了一种创新方法：通过迭代模拟，利用复杂的物理模型正向模拟干涉响应，从而从SKA观测数据中反演电离层的详细物理状态。该方法已在复杂极区电离层大尺度观测中取得极大成功，并讨论了如何将其应用于SKA-Low。最后总结了确保各种技术可行性的技术要求。作为一篇综述，本文方法学新颖性有限，但为统计学家进入射电天文电离层校正领域提供了极好的入门读物。
• 关键技术: phase screen model, forward modeling, iterative simulation, radio interferometry, ionospheric tomography
• 为什么对您有用: 本文是射电天文电离层校正的综述，属于astrostats gateway reading。它清晰阐述了数据侧（干涉仪可见度、相位噪声、空间结构）和模型侧（相位屏、物理模型正向模拟），问题本身（从受污染信号中反演电离层结构）是一个典型的反问题，与武器库中'inverse problems with random noise'高度匹配。暂不可做：核心机器（电离层物理模型、干涉仪测量方程）不在武器库中，但可作为入门读物了解问题全貌，判断是否值得投入时间学习相关物理。

4. 2607.08856 — A Calibration Audit of a Gaia XP White-Dwarf Main-Sequence Binary Catalog: How Much BP-Band Residual it Takes to Manufacture Contamination

• 作者: Karan Akbari
• 相关性 4/10 · novelty: application
• 摘要: 本文对 Gaia DR3 XP 光谱分类产生的约 30,000 个白矮星-主序星双星候选体目录进行校准审计。核心问题是：BP 波段校正后残留的约 2% 局部蓝端流量过剩是否会导致分类污染。通过注入模拟的局部流量过剩并比较 Δχ² 阈值，发现 2% 的残留仅产生 0.08 的虚假率（基线 0.05），后验覆盖率为 0.84（清洁基线 0.88），表明污染不显著。只有当局部过剩超过 10-20% 时选择才开始失效，50% 时虚假率达 0.96。模型比较门控仅在 WD 流量份额接近 0.05 以上时确认双星性，在目录中位份额处统计反转。可靠的清洁信号是 UV 缺失（GALEX FUV 探测率 0.19 vs 0.50），对距离控制稳健。本文清晰展示了天文数据中系统误差审计的完整流程：从数据结构（光谱、流量）、噪声模型（局部过剩幅度）到分类器性能评估（虚假率、覆盖率），适合作为统计学家进入天文数据质量评估的入门读物。
• 关键技术: Gaussian process classifier, Δχ² threshold, injection test, posterior coverage, model comparison gate, UV deficiency diagnostic
• 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（Gaia XP 光谱）的结构、噪声（BP 波段校正残留）和分类器（GP 分类器）的评估框架，不假设读者有天文学背景。武器库中 'nonparametric statistics' 和 'inverse problems with random noise' 可直接用于理解其注入测试和阈值分析的设计。值得花时间读全文，因为其系统误差审计范式（量化残留幅度、注入模拟、覆盖率诊断）可迁移到其他天文或生物统计的分类校准问题。

流行病学 (epidemiology, 1 篇)

1. 2607.09137 — Comprehensive identifiability analysis and reliable parameter estimation for an SEIR model

• 作者: Eduard Campillo-Funollet, James Van Yperen
• 相关性 6/10 · novelty: application
• 摘要: 本文针对流行病学中经典的SEIR模型（易感-暴露-感染-移除）进行全面的结构可识别性分析。研究发现标准SEIR模型的参数并非全局可识别，导致优化算法常收敛到错误的局部最优解并遭遇数值刚性。作者通过观测系统方法推导出一个全局可识别且计算稳定的重参数化形式，完全刻画了多个局部可识别参数。数值实验表明，该重参数化显著提高了收敛频率，避免了数值溢出导致的运行时错误，并能稳定恢复真实参数。此外，将一阶敏感性方程融入优化器进一步增强了估计过程的鲁棒性和执行速度。这项工作为传染病预测和理论流行病学提供了可靠、严谨的参数估计方法。对您而言，这是一篇流行病学领域的应用型论文，展示了结构可识别性分析在ODE模型参数估计中的关键作用，其分析框架（观测系统方法、敏感性方程）可迁移至您关注的纵向因果推断或中介分析中的动态系统建模问题。
• 关键技术: structural identifiability analysis, observational system approach, reparameterization, first-order sensitivity equations, SEIR model
• 为什么对您有用: 本文属于流行病学应用，直接对应您的secondary interest。它展示了如何通过结构可识别性分析解决ODE模型参数估计的非唯一性问题，这一分析模式可迁移至您primary interest中纵向因果推断或中介分析涉及的动态系统建模。武器库中'nonparametric statistics'和'estimation theory in causal inference'的功底足以理解其核心思想，但若要深入其数值优化细节（如敏感性方程集成），需在'moderately_familiar'的'M-estimation theory'上稍加延伸。总体而言，这是一篇值得花时间阅读全文的入门级流行病学方法论文。

其他 (other, 6 篇)

1. 2607.09640 — SPOT-IC: Improving prediction for interval-censored data via survival probability transfer

• 作者: Jingyi Hu, Yu Gu
• 相关性 6/10 · novelty: new_method
• 摘要: 本文针对区间删失数据（interval-censored data）的预测问题，提出一种迁移学习方法 SPOT-IC。当删失区间宽、随访有限时，目标研究的预测精度受限；源研究（source studies）的辅助信息可提升预测，但现有迁移学习常要求模型形式相似或共享个体级数据。本文通过设计一个基于生存概率的惩罚项来迁移源研究的生存概率信息，无需源数据个体级访问，且允许任意源模型。计算上采用简单的 EM 算法实现高效优化。当多个源研究可用且其信息性未知时，进一步提出数据自适应聚合过程，对负迁移具有鲁棒性。理论分析表明，只要至少一个源研究足够有信息，所提估计量比仅用目标数据的估计量达到更快的收敛速度。模拟和阿尔茨海默病神经影像学倡议（ADNI）数据应用验证了方法的有效性。
• 关键技术: transfer learning, interval-censored data, penalized estimation, EM algorithm, adaptive aggregation, survival probability transfer
• 为什么对您有用: 本文属于应用统计方法论文，与您的主要兴趣（因果推断、高维统计等）无直接方法学重叠，但区间删失数据在流行病学队列研究中常见，而您对流行病学应用有次要兴趣。本文的迁移学习框架（无需个体级数据、自适应聚合）在因果推断的纵向数据或外部效度（external validity）问题中可能有借鉴价值。作为流行病学应用论文，它提供了真实数据（ADNI）和分析流程，适合作为入门读物了解该领域的数据结构和方法需求。

2. 2607.09535 — Global testing of SNP-methylation interactions on binary phenotypes via a logistic functional regression model

• 作者: Yvelin Gansou, Karim Oualkacha, Marzia Angela Cremona, Lajmi Lakhal-Chaieb
• 相关性 5/10 · novelty: application
• 摘要: 该论文针对二值表型下SNP-甲基化交互作用的全局检验问题，提出了一种基于logistic函数回归模型的方法。模型将CpG位点的甲基化测量转化为光滑函数预测变量，并通过局部核函数与离散SNP基因型交互，从而在区域层面进行稳定推断。模拟实验表明，该方法在控制I类错误的同时，比传统的SNP-CpG配对分析具有更高的检验功效。在肥胖病例对照数据上的应用验证了其实用性。该工作主要贡献在于将函数回归框架引入表观遗传-遗传交互检验，但方法学创新程度有限，属于应用导向的统计方法开发。
• 关键技术: logistic functional regression, kernel-based interaction, global hypothesis testing, smooth functional predictor
• 为什么对您有用: 该论文属于生物统计应用，与您的主要兴趣（因果推断、高维统计等）和方法库（非参、U统计量）关联较弱。方法本身未涉及因果识别或效率理论，且检验框架较为常规。作为流行病学应用，其数据结构和分析流程（甲基化+SNP交互）对您当前研究方向参考价值有限，暂不建议深入阅读。

3. 2607.09567 — An Explicit Link between Extreme Value Theory and Compositional Data Analysis

• 作者: Manuel Hentschel, Sebastian Engelke
• 相关性 4/10 · novelty: survey
• 摘要: 本文建立了极值理论（EVT）与成分数据分析（CoDA）之间的显式代数联系。在多元极值理论中，Hüsler-Reiss 模型通过变差函数、协方差和精度矩阵等参数化描述极端事件的相对结构；在成分数据分析中，成对对数比、中心化对数比和加法对数比提供了类似的协方差表示。作者通过一组简单变换（包括斜投影、Hüsler-Reiss 逆变换和变差函数映射）将这些不同表示联系起来。从方法论角度，利用这一代数联系可以将一个领域的统计方法迁移到另一个领域：例如，基于极值的 Hüsler-Reiss 图模型，作者引入了成分数据的本征逻辑斯蒂-正态图模型；反之，成分数据分析中的降维方法也可用于分析多元极值。本文主要贡献在于建立理论桥梁，而非提出新的统计方法或理论结果。对您而言，该文属于跨领域理论连接，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠，但若您未来涉足极值或成分数据应用，可作为入门参考。
• 关键技术: Hüsler-Reiss model, variogram representation, log-ratio transformations, compositional graphical models, oblique projections
• 为什么对您有用: 本文属于跨领域理论连接，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接技术重叠。武器库中无对应工具可攻该文的具体口子。暂不可做——核心机器（极值理论、成分数据分析的代数结构）不在武器库中。若您未来希望进入极值统计或成分数据分析方向，本文可作为入门读物，但当前不值得花时间精读全文。

4. 2607.08921 — Extrapolation of extreme covariates in generalized additive regression using extreme-value theory

• 作者: Viviana Carcaiso, Sebastian Engelke, Juliette Legrand, Thomas Opitz
• 相关性 4/10 · novelty: application
• 摘要: 本文针对广义可加模型（GAM）在协变量外推场景下的预测问题，提出将极值理论（EVT）与GAM结合的方法。当预测集协变量超出训练集观测范围时（如气候变化情景），标准GAM的预测会失效。作者假设在协变量高值区域，通过极值理论导出的边际尺度变换后，潜在变量或连续响应与协变量呈线性关系（加性误差），从而用多元极值渐近模型替代GAM的平滑项。方法涵盖二值响应（基于潜在变量假设）和连续响应。在欧州野火数据中，利用环境和气象协变量展示了新方法如何改善极端条件下的预测。本文是方法学应用，核心贡献在于将极值理论作为外推工具嵌入GAM框架，但未涉及因果推断、高维统计或效率理论等您的主要兴趣方向。
• 关键技术: generalized additive models, multivariate extreme-value theory, covariate extrapolation, latent variable model, climate change scenarios
• 为什么对您有用: 本文与您的主要兴趣（因果推断、高维统计、效率理论等）无直接交集，属于统计方法在环境科学中的应用。您的武器库中非参数统计和M估计理论可帮助理解GAM的平滑机制，但极值理论的核心工具（如广义帕累托分布、多元极值模型）不在您的技术栈中。作为gateway reading，本文对统计学家入门极值理论在预测外推中的应用有一定价值，但方法学新颖性有限，属于应用型工作。

5. 2607.08306 — Circular Expectiles

• 作者: Bernhard Klar
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对圆形数据（方向数据）提出了圆形 expectile 的概念，定义为基于弦距的不对称圆形损失函数的最小化器。与线性 expectile 不同，圆形优化问题非凸，因此需要单独分析存在性和唯一性。该构造将线性 expectile 推广到方向数据，同时保留了圆形均值作为对称情况（α=1/2）。作者推导了目标函数和识别函数的基本表示，并给出了几何解释，推广了圆形均值的对应表示。进一步证明了在圆上具有正密度的分布下最小化器的存在性和唯一性。经验圆形 expectile 通过使用样本圆形均值作为圆上诱导线性顺序的参考方向来定义，并证明了其唯一性、相合性和有限维渐近正态性。最后，文章指出了在圆形离散度、偏度和对称性诊断方面的可能应用。
• 关键技术: Circular expectile, Asymmetric loss function, Chord distance, Directional statistics, M-estimation
• 为什么对您有用: 本文属于方向统计学的理论方法论文，与您的主要兴趣（非参数/半参数理论、M估计）有方法学重叠，但并非核心方向。您可以用非常熟悉的非参数统计和M估计理论来理解其渐近性质，但该问题不涉及因果推断、高维或U统计量等您最关注的领域。作为gateway reading，它清晰地展示了如何将线性概念推广到圆形空间，但缺乏与您武器库中具体工具的强连接，暂不可做。

6. 2607.09228 — Central Limit Theorems for Functionals of Persistence Diagrams in Germ-Grain Random Set Models with Applications to Goodness-of-Fit Testing

• 作者: Vesna Gotovac Đogaš, Marcela Mandarić
• 相关性 4/10 · novelty: new_theory
• 摘要: 本文针对 germ-grain 随机集模型产生的 M-有界持续图（persistence diagram）的泛函，建立了中心极限定理（CLT）。在标记点过程的稳定化方法框架下，证明了当观测窗口扩大时，在相关性指数衰减等条件下，这些拓扑摘要统计量具有渐近正态性。基于此，作者构建了拟合优度检验，用于检测空间聚类或排斥等相互作用。检验统计量来源于持续图的矩形划分和泛函摘要（如 APF 或 lift zonoid 的支持函数），能够区分不同模型。最后，该方法被应用于乳腺组织组织学图像。该论文主要属于拓扑数据分析（TDA）与空间统计的交叉领域，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接技术重叠。
• 关键技术: persistence diagram, central limit theorem, stabilisation methods, marked point processes, goodness-of-fit testing, lift zonoid
• 为什么对您有用: 本文属于拓扑数据分析（TDA）与空间统计的应用，与您的主要兴趣方向（因果推断、高维统计、U-统计量、半参效率理论等）无直接技术连接。虽然持续图泛函的 CLT 在理论上与 U-统计量的投影方法有微弱概念联系，但本文的核心工具（稳定化方法、点过程）不在您的技术武器库中，且未涉及您熟悉的 minimax 界、高阶影响函数或因果识别框架。因此，该论文对您而言暂不可做，不值得投入时间精读。

🗂 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. 2607.08719 — Severity estimation in dependent collective risk models

• 作者: Christopher Blier-Wong
• 相关性 3/10
• 评分理由: Insurance risk model with dependent claims, unrelated to primary interests and not a gateway secondary topic.

2. 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 3/10
• 评分理由: Instrumentation paper with no clear statistical or data-analysis content; unrelated to primary or secondary interests.

3. 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 3/10
• 评分理由: Adaptive optics and coronagraphy paper; technical but no statistical or causal inference content.

4. 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 3/10
• 评分理由: Radiometric calibration pipeline for lunar polarimetry; instrumental, no statistical methodology of interest.

5. 2607.09281 — Rethinking the Scientific Method: An Introduction to Bayesian Epistemology

• 作者: Jordan D. A. Hart, Daniel W. Franks
• 相关性 2/10
• 评分理由: Philosophical discussion of epistemology, unrelated to any primary or secondary interest.

6. 2607.08240 — THÉMIS: a calibration-free solar telescope

• 作者: V. Bommier, B. Gelly, R. Douet
• 相关性 2/10
• 评分理由: Solar telescope calibration paper; purely instrumental, no statistical methodology or data analysis.

7. 2607.09374 — Overview of the Canadian Hydrogen Observatory and Radio Transient Detector (CHORD) Project

• 作者: The CHORD Collaboration, Kevin Bandura, Leonid Belostotski, Lindsay Berkhout, Gianni Bernardi, Akanksha Bij et al.
• 相关性 1/10
• 评分理由: Astronomy instrumentation project overview; lacks statistical methodology or data exposition for gateway reading.

8. 2607.08458 — Building confidence regions for Reeb graphs using the interleaving distance

• 作者: Matteo Pegoraro, Alberto Conforti, Mathieu Carrière
• 相关性 0/10
• 评分理由: Topologically unrelated to any primary or secondary interest; no statistical methodology or data analysis.

9. 2607.09533 — ESO User Support and Observation Preparation for VLTI Operations

• 作者: M. Wittkowski, G. Beccari, A. Corporaal, A. J. Frost, O. Hainaut, X. Haubois et al.
• 相关性 0/10
• 评分理由: Pure astronomy instrumentation paper with no statistical or data analysis content; irrelevant.

10. 2607.09388 — Exploration of small footprint stick-slip piezoelectric actuators for use in the FLEX fibre positioner system for the Wide-field Spectroscopic Telescope (WST)

• 作者: Joseph W. Barrow, Suryansh Saxena, Jon S. Lawrence, Aaron Omadutt, Roelof S. de Jong
• 相关性 0/10
• 评分理由: Engineering/actuator design paper; no connection to statistics or data analysis.

11. 2607.08875 — Lessons learned from ongoing coordination between NRAO/GBO and LEO NGSO satellite constellations

• 作者: Bang D. Nhan, Christopher G. De Pree, Sheldon Wasik, Aaron Lawson, Daniel Bautista, Frank Schinzel
• 相关性 0/10
• 评分理由: Radio astronomy RFI coordination; no statistical or data analysis content.

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论