跳转至

2026-07-20 每日 arXiv 资讯

  • 高相关论文 4 篇 · 中相关 21 篇 · 其他 17 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 1 篇)

1. 2607.16086 — Improving Mendelian Randomization Analysis by Instrument Borrowing from Auxiliary Outcome Traits

  • 作者: Anagh Chattopadhyay, Nilanjan Chatterjee
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在孟德尔随机化（MR）框架下，针对暴露对结局的因果效应推断中工具变量（IV）无效导致的偏倚和功效损失问题，提出了一种跨辅助结局性状借用工具变量（IB）的新思路。核心假设是：与主要结局密切相关的辅助结局性状，其与给定暴露相关的有效IV集合有较大重叠。作者首先提出了一种新的共异质性统计量（coheterogeneity statistic）及其渐近理论，用于识别可能与主要性状共享有效IV的辅助结局性状。随后，将IB思想扩展到两种流行方法MR-Mode和MR-PRESSO中，通过利用辅助性状的信息改进主要性状的MR推断。模拟研究表明，共异质性统计量具有良好的有限样本性质，且IB方法在有效IV重叠度增大时持续优于标准方法。应用于已知的正负对照假设，IB方法在控制I类错误和提升功效方面表现更优。最后，通过重新审视维生素D对心脏代谢性状因果效应的长期争议假设，展示了方法的实用价值。对您而言，本文在因果推断的IV设定下提出了新的识别策略和检验统计量，与您对IV和敏感性分析的兴趣直接相关，且其共异质性统计量的渐近理论涉及假设检验，可连接您的数学统计背景。
  • 关键技术: Mendelian randomization, instrument borrowing, coheterogeneity statistic, MR-Mode, MR-PRESSO, invalid instruments
  • 为什么对您有用: 本文直接关联您对因果推断中IV方法的兴趣，特别是处理无效IV的识别和估计问题。您武器库中'very_familiar'的'非参数统计'和'因果推断中的估计理论'可用于分析其共异质性统计量的渐近性质或提出更稳健的IB估计量。中期可做：若想将IB思想扩展到更一般的连续型辅助结局或高维IV场景，需先在'moderately_familiar'的'因果推断中的识别理论'上深入理解IV有效性假设的放松条件。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2607.14460 — Precise sample covariance spectral norm error -- an RDT view

  • 作者: Mihailo Stojnic
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究中心化高斯分布样本协方差矩阵谱范数误差的精确极限行为。在[66]建立了误差缩放阶数并揭示了有效秩与真实协方差谱的关键作用后，本文进一步确定了谱范数误差的精确极限值。作者基于随机对偶理论（RDT）开发了一个通用框架，首先推导出闭式显式RDT上界，然后通过引入新颖的双线性-二次型RDT下界机制，结合双副本系统边界策略，证明在大型维数下上下界匹配。数值模拟显示，在样本量数千量级时理论结果与仿真高度一致。该工作将高维协方差估计的误差分析从缩放阶数推进到精确极限，对您的高维统计与随机矩阵理论研究具有直接参考价值。
  • 关键技术: Random Duality Theory (RDT), sample covariance spectral norm, bilinear-quadratic lower bound, two-replica systems, effective rank, Marchenko-Pastur law
  • 为什么对您有用: 本文直接对应您的高维统计与随机矩阵理论兴趣，特别是样本协方差谱范数的精确极限分析。您武器库中的高维渐近工具（very_familiar）可直接用于验证其RDT框架的紧性，或将其推广到非高斯分布。中期可做：若需将RDT方法迁移至您的因果推断或U统计量问题，需先在moderately_familiar的HOIF理论上建立连接，但本文本身是立即可读的。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2607.14812 — No Universal Multiplicative FDR Bound for the Benjamini-Hochberg Procedure with Correlated Two-Sided Gaussian Tests

  • 作者: Lihua Lei
  • 相关性 8/10 · novelty: sharper_rate
  • 摘要: 本文研究 Benjamini-Hochberg (BH) 程序在双侧高斯检验 p 值下的最坏情况 FDR 控制问题，其中相关矩阵可任意设定。Dobriban (2026) 已证明 BH 并非始终在名义水平 q 下控制 FDR；一个广为流传的猜想是 BH 的 FDR 至多被一个通用乘法常数放大。本文证明该猜想不成立：构造高斯模型使得膨胀因子 FDR(BH_q)/q 在 q→0 时发散，具体地，对所有足够小的 q，在假设数、均值向量和相关矩阵上的上确界至少为 c q √log(1/q)（c>0 为通用常数）。进一步，对一类广泛的公共因子高斯模型（任意均值和载荷），证明匹配阶的上界 FDR(BH_q)=O(q√log(1/q))，从而下界在该类模型中是紧的。主要技术工具包括对相关结构极端情形的构造性分析以及基于因子模型的高维概率不等式。该结果对您在高维假设检验中理解多重比较校正的稳健性有直接参考价值。
  • 关键技术: Benjamini-Hochberg procedure, false discovery rate, worst-case analysis, two-sided Gaussian p-values, common-factor Gaussian model
  • 为什么对您有用: 直接连接到 primary interest 中的 hypothesis testing 和高维统计：本文揭示了 BH 程序在相关高斯检验下的 FDR 控制并非通用乘法有界，这对您在高维设定下使用多重比较方法有警示意义。武器库中 very_familiar 的高维渐近工具可直接用于理解其构造性下界和因子模型上界的证明细节，属于立即可做的阅读——无需额外工具即可评估其技术路径是否可推广到其他检验统计量（如 U-statistic 的 p 值）。

其他 (other, 1 篇)

1. 2607.14699 — Exact Computation of Non-Gaussian Mismatch Penalties in Wiener-Hermite Cross-Correlation Identification

  • 作者: Serhii Zabolotnii
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究 Wiener-Hermite 互相关辨识在非高斯激励下的失配惩罚。设定为：系统响应在 Hermite 基上展开，高斯激励下基正交且对角规则可精确恢复；非高斯激励下 Gram 矩阵出现非对角项，对角规则不再是总体投影。核心贡献是给出了有限阶超额 L^2(P) 风险的精确表达式：通过两个 Hankel-Cholesky 分解和一个对角求解得到矩二次型，计算复杂度为 O(s^3)（矩阶数至 2s）。三、四阶累积量的闭合形式揭示了哪些非高斯特征驱动失配；对称性仅保护高斯基至二阶。提出 bootstrap 方法从数据判断是否值得构建匹配基；在 Wiener-Hammerstein 基准上区分了近高斯通道（惩罚约 10^{-4}）与偏斜输出（惩罚 0.05）。该计算本质是加权 L^2 投影，其核心正规系统对应性在 Lean 4 中机器验证。
  • 关键技术: Wiener-Hermite expansion, Gram matrix, Hankel-Cholesky factorization, cumulant expansion, bootstrap, Lean 4 formal verification
  • 为什么对您有用: 本文属于统计信号处理与系统辨识的交叉，与您的主要兴趣（因果推断、高维统计）无直接重叠。但其中利用矩和累积量分析非高斯失配的计算框架，以及 bootstrap 决策准则，对您 moderately_familiar 的 M-estimation 理论中的模型误设诊断有一定启发。不过，核心机器（Hermite 多项式展开、Hankel 结构）不在您的武器库中，属于暂不可做方向。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 2 篇)

1. 2607.14473 — Improving interpretation of latent class models for diagnostic tests by recognizing their measurands via directed acyclic graphs (DAGs)

  • 作者: Nandini Dendukuri, Ian Schiller, Else Bijker, Michael Libman, Paul Gustafson, Patrick Bossuyt et al.
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对无金标准诊断试验的 latent class analysis (LCA) 模型，指出当不同诊断试验的 measurand（测量对象）与目标条件（target condition）不一致时，传统的两潜类假设（阳性/阴性）会导致有偏估计。作者引入有向无环图 (DAG) 来显式刻画观测到的试验结果、其潜在 measurand、目标条件及协变量之间的条件依赖关系，从而确定正确的潜类数量与标签。基于 DAG 的模型重新推导了似然函数，并分析了可识别性条件。模拟研究表明，忽略 measurand 与目标条件的差异会严重扭曲试验准确度和患病率的估计。通过两个实际数据集（儿童结核病和钩端螺旋体病）的再分析展示了方法的实用性。对您而言，本文是因果推断中 measurement error / misclassification 问题的一个具体应用案例，其 DAG 建模思路可直接迁移到您熟悉的 proximal causal inference 框架中处理 imperfect measurement 的 sensitivity analysis。
  • 关键技术: Latent class analysis, Directed acyclic graphs (DAGs), Measurement error / misclassification, Conditional independence, Identifiability in latent variable models
  • 为什么对您有用: 本文属于流行病学应用，但核心是 measurement error 下的 identification 问题，与您 primary interest 中的 causal inference（特别是 proximal CI 处理 unmeasured confounding 和 measurement error）直接相关。您武器库中 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 可用于分析其 DAG 隐含的条件独立性假设是否可检验，以及估计量的 semiparametric efficiency bound。中期可做：若想将本文的 DAG 建模思路形式化为 proximal causal inference 中的 negative control 框架，需先在 moderately_familiar 的 identification theory in causal inference 上加强。

2. 2607.16035 — Dynamic models with \(p\) parameters are identified by \(2p+1\) random features

  • 作者: Michael Wieck-Sosa, Cosma Rohilla Shalizi
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究带噪声动态模型（含微分方程、离散时间动力系统及过程噪声模型）的参数可识别性问题。核心设定是：观测时间序列由潜在状态变量驱动，噪声可非独立、非高斯、且依赖于状态。作者证明，在弱正则条件下，模型参数可由 2p+1 个随机特征（如延迟嵌入的观测值）唯一识别，这一结果将无噪声动力系统的 Takens 嵌入定理推广到含噪情形。方法上，利用延迟坐标嵌入和泛函分析中的 Whitney 嵌入定理思想，将参数识别转化为特征映射的满射性条件。理论结果适用于带观测噪声的 Lorenz-63 模型和 Hénon 映射模型。对您而言，该工作为因果推断中纵向数据（如动态因果模型）的识别提供了新视角，尤其当您关注 IV 或 proximal 框架中时间序列的识别假设时，本文的“噪声可依赖状态”设定可能松动现有假设。
  • 关键技术: delay-coordinate embedding, Takens' theorem, Whitney embedding theorem, parameter identifiability, noisy dynamical systems
  • 为什么对您有用: 本文直接连接您 primary interest 中的因果推断（纵向数据识别）和数学统计（假设检验）。技术武器库中“非参数统计”和“高维渐近”可用于检验本文识别条件的紧性；而“逆问题”视角可分析噪声依赖状态时的估计误差。中期可做：需先在 moderately_familiar 的“识别理论”上长肌肉（具体为动态系统识别与因果图模型的交叉点），然后可尝试将本文的 2p+1 特征条件推广到 proximal CI 的 negative control 设定中。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 2607.16016 — Local polynomial estimation of quantile density functions

  • 作者: Niclas Jacobsen, Natalie Neumeyer
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种基于局部多项式估计的分位数密度函数（稀疏函数）及其导数的非参数估计新方法。该方法在边界处具有比经典分位数密度估计更优的性质。作者证明了估计量的渐近正态性，并比较了偏差、渐近方差以及边界性质与其他估计量的差异。核心技术工具是局部多项式回归，通过调整多项式阶数实现边界自适应。理论结果包括一致收敛速率和点态渐近分布。对您而言，该工作直接关联非参数统计与估计理论，其边界性质分析可迁移至您熟悉的逆问题或因果推断中的非参数估计场景。
  • 关键技术: local polynomial estimation, quantile density function, boundary bias correction, asymptotic normality
  • 为什么对您有用: 本文属于非参数统计与估计理论，直接对应您的 primary interest 中的非参数理论。其局部多项式方法在边界处的改进可启发您在高维或因果推断中处理类似边界问题。武器库中 very_familiar 的非参数统计和 minimax 界可直接用于分析该估计量的最优性。中期可做：结合您 moderately_familiar 的 M-估计理论，将该方法推广至半参数模型。

数理统计 / 假设检验 (hypothesis_testing, 11 篇)

1. 2607.15823 — Aggregation of Statistical Evidence under Exchangeability

  • 作者: Antonin Schrab, Rajen Shah, Arthur Gretton, Ilmun Kim
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究在未知且可能复杂的依赖结构下，利用群不变性（group-invariance）聚合统计证据。核心设定是将变换后的数据集视为可交换单元，基于排列构造方法，对每个变换数据集聚合多个统计量，再跨变换校准聚合结果。方法上，提出了单批聚合（single-batch aggregation），使用同一组变换数据集同时进行标准化和校准，证明其临界值一致优于任意依赖下有效的确定性校准（如Bonferroni校正），并能自适应未知依赖结构。还发展了序贯alpha-spending版本（允许证据强时提前拒绝）和两批扩展（分离标准化与校准，支持学习聚合规则并降低计算）。理论贡献包括有限样本势和自适应性理论，以及序贯和数据依赖聚合的有效性保持。应用上展示了自适应非参数检验和保形预测中的改进。对您而言，该工作直接关联假设检验方向，其基于排列的聚合框架与您熟悉的非参数统计和高维渐近工具高度契合，且序贯版本可迁移至您关注的因果推断中的敏感性分析或纵向数据检验问题。
  • 关键技术: permutation-based aggregation, group-invariance, sequential alpha-spending, conformal prediction, adaptive nonparametric testing
  • 为什么对您有用: 本文直接对接您的primary interest中的假设检验方向，特别是处理复杂依赖下的多重检验问题。您的技术武库中'非参数统计'和'高维渐近'可直接用于理解其排列聚合的有限样本理论，而'M估计理论'可帮助评估其序贯版本在因果推断敏感性分析中的适用性。中期可做：将序贯alpha-spending框架移植到proximal CI的负对照检验中，需先在moderately_familiar的'identification theory in causal inference'上巩固。

2. 2607.15637 — Asymptotically exact threshold for detecting anomalies in multivariate Gaussian data with application to time series

  • 作者: Marie Turčičová, Patrícia Martinková
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究多元正态分布中均值异常点的检测问题，设定为异常点稀疏且均值非零，正常数据均值为零，协方差矩阵未知。提出一种基于阈值的新检测方法，推导了异常均值偏移量、协方差矩阵及其估计量需满足的条件，使得误分类期望数随样本量趋于零，即渐近精确检测。同时给出了任何方法都无法实现精确检测的不可行条件。通过模拟实验与多种主流异常检测方法对比，并在可穿戴设备活动数据和空气污染时间序列上进行了实证评估。该方法将异常检测问题转化为假设检验框架，理论条件清晰，对您在高维统计和假设检验方面的兴趣有直接参考价值。
  • 关键技术: asymptotically exact detection, multivariate normal, sparse anomaly, thresholding, misclassification rate
  • 为什么对您有用: 本文直接关联您在高维统计和假设检验方面的兴趣，其渐近精确检测条件与 minimax 界思路相通。您可以用 very_familiar 的 minimax bounds 工具验证其条件是否紧，或扩展至协方差未知的更一般设定。立即可做。

3. 2607.15015 — Augmenting goodness-of-fit tests with sequentially calibrated secondary statistics

  • 作者: Roman Guchenko
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种序贯校准方法，用于增强主拟合优度检验统计量的功效。该方法将主统计量与一组有序的辅助统计量结合，在每一步中，当前统计量的接受域在给定所有先前步骤接受的条件零分布下进行校准。这种条件校准实现了第一类错误率的简单乘法分解，并允许在选定辅助阶段水平后显式调整主阶段水平。不相交的阶段拒绝域还提供了功效的有序首次拒绝分解。作者通过将Kolmogorov-Smirnov统计量与样本方差和样本偏度结合来演示该方法。在标准正态零假设下的模拟表明，所得链式程序在位置备择下几乎保留了主检验的全部功效，同时在尺度、重尾和非对称备择下显著提高了功效。交换辅助统计量的顺序在实验中产生几乎相同的总功效，但各阶段的功效归属可能发生显著变化。
  • 关键技术: sequential calibration, conditional acceptance region, multiplicative Type I error decomposition, Kolmogorov-Smirnov statistic, goodness-of-fit
  • 为什么对您有用: 本文直接关联您对假设检验的兴趣，提出了一种增强拟合优度检验功效的通用框架。您熟悉的非参数统计和M估计理论可用于分析该序贯校准过程的渐近性质，例如条件接受域的渐近分布。中期可做：将方法推广到更复杂的复合零假设或高维设定，需先在semiparametric theory上加强。

4. 2607.14930 — Testing for correct model specification in copula regression models

  • 作者: Holger Dette, Philip Dörr
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对半参数 copula 回归模型提出模型设定检验。该模型将回归函数表达为边际分布函数与 copula 密度的组合，在高维回归中避免完全非参数估计，但其表现依赖于参数 copula 族的选择。作者不直接检验 copula 模型本身，而是在诱导的回归函数层面评估误设定。为此，引入真实回归函数与 copula 回归模型内最佳近似之间的加权 L² 距离，并构造基于核的估计量，证明其在原假设和固定备择下均一致且渐近正态。进一步，利用自归一化序贯统计量构造枢轴置信区间和检验，用于检测与模型的显著偏离。有限样本模拟显示良好的水平逼近和检验功效。对您而言，该文将模型设定检验与半参数回归结合，其加权 L² 距离和自归一化方法可迁移至您熟悉的非参数统计和假设检验方向。
  • 关键技术: goodness-of-fit test, weighted L2 distance, kernel-based estimator, self-normalized sequential statistic, semiparametric copula regression
  • 为什么对您有用: 该文直接关联您的假设检验兴趣，特别是模型设定检验。您熟悉的非参数统计和 minimax 界可用于分析其加权 L² 距离估计量的收敛速率和最优性。中期可做：若先熟悉半参数 copula 模型（moderately_familiar 中的 M-estimation 理论），可进一步探索其检验的局部功效和自适应选择。

5. 2607.16106 — An Efficient Likelihood Ratio Test for Online Changepoint Detection in the Presence of Autocorrelation

  • 作者: Yuntang Fan, Paul Fearnhead, Idris A. Eckley, Gaetano Romano
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对在线变点检测中数据存在自相关（AR(p)）的问题，提出了一种基于广义似然比（GLR）统计量的高效检测方法。传统方法多假设观测独立同分布（IID），在时序依赖数据中易产生虚警或检测延迟。作者将GLR统计量推广至p阶自回归过程，并借鉴focus算法思想，开发了计算高效的AR(p)-focus在线检测器。该算法每步迭代的平均计算复杂度为O(log n)，适用于高频数据流。仿真表明，在存在时序相关时，该方法比基于IID的检验具有更高的检测功效。最后通过电信数据集的应用展示了其实用价值。对您而言，本文在假设检验框架下处理时序依赖的变点检测，其计算效率与统计功效的权衡分析可能对您在高维统计或因果推断中处理纵向数据时的变点问题有参考价值。
  • 关键技术: generalized likelihood-ratio (GLR) statistic, autoregressive process of order p, focus algorithm, online changepoint detection, computational complexity O(log n)
  • 为什么对您有用: 本文属于假设检验方向，直接对应您的primary interest中的'mathematical statistics (hypothesis testing)'。其核心贡献在于将GLR检验推广到AR(p)模型，并实现O(log n)的在线计算，这为您在纵向数据或时间序列因果推断中处理变点检测提供了可借鉴的检验框架。从技术武器库看，您对'nonparametric statistics'和'high-dimensional asymptotics'非常熟悉，可尝试用非参数方法（如经验过程）分析该检验在更一般依赖结构下的渐近性质，或探索其在高维变点检测中的扩展——这属于'中期可做'，需先在'moderately_familiar'的'M-estimation theory'上加强。

6. 2607.15454 — A directional Hosmer-Lemeshow goodness-of-fit test for sparse logistic regression

  • 作者: Ebrahim Khaled Ebrahim, Ahmed El-Kotory
  • 相关性 6/10 · novelty: new_method
  • 摘要: 针对连续协变量下二元逻辑回归的拟合优度检验问题，经典 Pearson 和 deviance 检验因数据稀疏而失效，实践中依赖分组检验（如 Hosmer-Lemeshow）。本文提出一种方向性修正的 Hosmer-Lemeshow 检验，在统计量中加入加权项 (1-2π̄g)，参考 χ²{G-2} 分布。该修正本质上是 Osius-Rojek/Farrington 标准化的分组形式，在稀疏设定下定义良好，专门针对由错误链接函数导致的非对称过预测/欠预测。通过单一对齐泛函刻画其功效特性：在非对称链接误设下增益明显（如互补双对数链接），但对对称偏离和协变量空间结构（分组检验无法捕捉）无效。模拟显示该检验能控制尺寸，在非对称链接误设下功效优于原 Hosmer-Lemeshow，但增益随样本量增大而减弱；在遗漏交互项时持平，在遗漏二次项时略逊（n=1000 时约低 10 个百分点）。该检验已在 R 包 ebrahim.gof 中实现。对您而言，该工作属于假设检验中针对稀疏数据的分组检验方法，其方向性修正思路可迁移至您熟悉的因果推断中倾向得分校准检验或高维 logistic 回归的模型诊断问题。
  • 关键技术: Hosmer-Lemeshow test, Osius-Rojek/Farrington standardization, directional correction, partition-based goodness-of-fit, sparse logistic regression
  • 为什么对您有用: 该工作直接关联您 primary interest 中的假设检验方向，具体为稀疏数据下分组检验的修正。您的技术武器库中 minimax bounds 和 high-dimensional asymptotics 可用于分析该检验在更稀疏或高维设定下的渐近行为（如协变量维数随样本量增长时检验的尺寸和功效），属于中期可做——需先在 moderately_familiar 的 M-estimation theory 上巩固对分组检验的渐近分布推导。

7. 2607.14814 — Post Hoc Inference for Component Attribution in Multivariate Change-Point Detection

  • 作者: Dhia-Elhaq Ouerfelli, Sylvain Arlot, Kevin Bleakley, Patrick Pamphile
  • 相关性 6/10 · novelty: new_method
  • 摘要: 针对多变量时间序列变点检测后的归因问题，本文提出事后统计推断方法，旨在识别已检测到的变点具体由哪些坐标分量驱动。设定为离线检测算法定位变点后，将坐标分为两个预定义块，检验变点是否仅出现在某一块或同时出现在两块。方法核心基于两样本非参数检验（如秩和检验、置换检验），并给出第一类错误控制的严格理论保证。模拟实验和真实数据（如基因组拷贝数变异）验证了方法的有效性。对您而言，该工作将变点检测与假设检验结合，其事后推断框架可迁移至因果推断中的敏感性分析或高维统计中的变量选择后推断问题。
  • 关键技术: two-sample nonparametric tests, post-hoc inference, multiple testing correction, change-point detection, Type I error control
  • 为什么对您有用: 该论文直接连接您的假设检验兴趣，特别是事后推断与多重比较校正问题。您的武器库中'非参数统计'和'高维渐近理论'可直接用于分析其检验统计量的渐近分布或改进其第一类错误控制方法。中期可做：若想将事后推断推广至更复杂的因果结构（如变点对应干预效应变化），需先在'因果推断识别理论'上加强。

8. 2607.14724 — Testing equivalence to binary generalized linear models with application to logistic regression

  • 作者: Vladimir Ostrovski
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对二元广义线性模型（binary GLM）提出一种新的等价性检验（equivalence test），目标是在给定数据下验证模型与数据的拟合程度是否足够好（而非传统显著性检验的“是否完美拟合”）。检验统计量基于最小距离法（minimum distance method）构造，适用于所有协变量均为分类变量的重要特例。临界值可通过渐近近似或bootstrap计算。文章以logistic回归为例，在两个真实数据集上展示了方法的应用，并基于这些数据进行了有限样本模拟研究。该工作为模型诊断提供了等价性检验的新工具，填补了binary GLM领域缺乏此类检验的空白。对您而言，该检验方法可应用于因果推断中的倾向性得分模型诊断，确保模型充分接近真实机制，从而增强后续因果估计的可靠性。
  • 关键技术: equivalence test, minimum distance method, binary generalized linear model, bootstrap, categorical covariates
  • 为什么对您有用: 直接连接到 primary interest 中的 hypothesis testing 子方向，具体为模型拟合优度的等价性检验，这是传统显著性检验的补充。武器库中 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 可直接用于理解其渐近性质，并评估该方法在倾向性得分模型诊断中的适用性。中期可做：需先在 moderately_familiar 的 identification theory in causal inference 上长肌肉，以将等价性检验嵌入因果推断的敏感性分析框架。

9. 2607.15423 — Sequential Control of False Positives in Online Change Point Detection

  • 作者: Melissa Lynne Martin, Theodore D. Satterthwaite, Ian J. Barnett
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对在线变点检测中的多重检验问题，提出了一种控制序列族系错误率（sFWER）的方法。sFWER定义为在滑动监测窗口内至少发生一次假阳性的概率，适用于检验次数不固定且高度依赖的在线场景。作者设计了一种基于模拟的校准程序来估计监测阈值，从而在给定水平下控制sFWER。模拟研究表明，该方法能有效控制错误率，而常用的替代方法要么过于保守，要么无法充分控制假警报。最后，作者将该方法应用于一组情感不稳定青少年的被动收集智能手机数据，展示了其实用性。该工作为在线假设检验中的错误控制提供了新框架，对您在高维统计和假设检验方向的研究有参考价值，特别是其模拟校准思路可迁移至更复杂的检验问题。
  • 关键技术: sequential family-wise error rate (sFWER), simulation-based calibration, online change point detection, multiple testing, moving monitoring window
  • 为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是在线多重检验中的错误控制问题。您武器库中的非参数统计和高维渐近理论可用于分析其模拟校准程序的渐近性质，或扩展至更复杂的依赖结构。中期可做：需先在 moderately_familiar 的 M-估计理论上长肌肉，以处理阈值估计的收敛性。

10. 2607.15945 — Testing the rank of the spot covariance matrix of a multidimensional Itô semi-martingale

  • 作者: Janine Steck
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对连续时间 Itô 半鞅过程 X(t) 的瞬时协方差矩阵的秩检验问题，利用高频观测数据开发了一种统计检验方法。核心设定是允许存在适应性漂移过程，并证明其影响不可忽略，因此引入重心的协方差估计量（re-centred covariance estimator）替代传统的二阶矩估计量。检验原假设为瞬时协方差矩阵的秩至多为 r<d（对所有 t），备择为第 (r+1) 个特征值大于某个趋于零的信号检测率。临界值在非渐近框架下推导，且可能受漂移显著影响；功效分析表明检验对分离率具有渐近一致性，分离率依赖于漂移和瞬时协方差矩阵的 Hölder 正则性以及原假设下的谱间隙。模拟结果显示，基于协方差的检验在更广泛的备择下比经典二阶矩方法具有更高功效。该工作对您在高维统计和假设检验方向有直接参考价值，特别是非渐近临界值构造和漂移影响的分析思路。
  • 关键技术: re-centred covariance estimator, non-asymptotic critical values, Hölder regularity, spectral gap, high-frequency observations, Itô semi-martingale
  • 为什么对您有用: 本文直接连接您的 hypothesis testing 和 high-dimensional statistics 兴趣，特别是非渐近框架下的秩检验问题。您武器库中的 minimax bounds for estimation problems 和 high-dimensional asymptotics 可直接用于分析其分离率的最优性；此外，漂移影响的分析思路可迁移至您 causal inference 中 longitudinal 设定下的协方差结构检验。中期可做：需先在 moderately_familiar 的 semiparametric theory 上加强，以处理更一般的半鞅模型。

11. 2607.14880 — Measuring Spatial Clustering via Metropolis-Hastings Diffusion Distance

  • 作者: Thomas Weighill, Chidinma Williams
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种基于图约束马尔可夫链的扩散距离（diffusion distance），用于度量两个概率分布 f 与 g 之间的差异，其中默认使用 Metropolis-Hastings 转移矩阵以 g 为目标分布、以图上的随机游走为提议分布。当 g 取均匀分布时，该距离成为 f 空间聚类程度的度量，扩展了 Moran's I 仅依赖局部模式的空间自相关测度——事实上，Moran's I 可视为扩散距离的一步启发式近似。作者建立了扩散距离的理论界和稳定性结果，将其与图谱和最优传输联系起来，并基于置换零假设推导了高概率界（利用分布收敛的精确谱公式），从而实现了大规模数据集上高效的空间聚类统计检验。在随机块模型的合成数据上，扩散距离的检验功效高于 Moran's I；对 100 个美国城市的黑人人口分布实证分析显示，扩散距离能检测出 Moran's I 无法捕捉的细微城市隔离模式差异。对您而言，该工作将图上的马尔可夫链收敛分析与假设检验结合，其谱方法和高概率界技术可迁移至您熟悉的高维统计和随机矩阵理论方向。
  • 关键技术: Metropolis-Hastings diffusion distance, graph spectra, Moran's I, permutation null model, high-probability bounds, spectral formula for distribution convergence
  • 为什么对您有用: 本文属于假设检验方向，直接连接您 primary interest 中的 hypothesis testing 和高维统计（谱方法）。您的技术武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可用于分析该扩散距离的检验功效是否最优，或推导更紧的界。中期可做：若想将扩散距离推广至更一般的图结构（如加权图或动态图），需先在 moderately_familiar 的 M-estimation theory 上长肌肉以处理估计量的渐近分布。

统计计算 / 算法 (stat_computing, 1 篇)

1. 2607.15382 — mnorm: An R Package for Calculation and Differentiation of Conditional Multivariate Normal Densities and Probabilities

  • 作者: Sofiia Dolgikh, Bogdan Potanin
  • 相关性 4/10 · novelty: application
  • 摘要: 该论文介绍了 R 包 mnorm，用于计算条件多元正态密度和概率，并支持对协方差、积分限等参数进行微分。包内实现了双变量和三变量正态概率的快速计算，支持并行计算，并通过高斯 copula 处理非正态边缘分布。该包主要面向计量经济学模型中最大似然估计的实现。从统计计算角度看，该包提供了数值微分和概率计算的实用工具，但方法学上无新理论贡献。对于您而言，该包可作为统计计算工具箱的补充，但 novelty 有限。
  • 关键技术: conditional multivariate normal densities, Gaussian copula, parallel computing, numerical differentiation
  • 为什么对您有用: 本文属于统计计算工具包介绍，与您的 primary interest 中的 'statistical computing' 方向相关。但该包主要面向计量经济学应用，方法学上无新理论或算法突破。您的武器库中 'software development' 经验可用于评估或扩展该包，但核心问题（数值微分与概率计算）并非您当前研究重点。暂不可做：缺乏与您核心兴趣（因果推断、高维统计、U-统计量）的直接连接。

天体统计 (astrostats, 1 篇)

1. 2607.15860 — Compressing radio interferometric visibility data into a probabilistic model using sparse Gaussian processes

  • 作者: Takafumi Tsukui
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对下一代射电干涉仪（如SKA）产生的海量可见度数据，提出用稀疏高斯过程（sparse GP）对uv空间中的可见度进行概率建模，从而将原始数据压缩为紧凑的概率模型。核心思想是：uv空间中邻近位置的可见度测量共享相同的信号但噪声独立，因此可以用GP推断均值与不确定性，替代存储原始数据。使用模拟的ALMA观测数据验证，稀疏GP能灵活表示可见度并高保真重建图像。对于8小时的SKA-Mid观测，估计压缩因子可达10^3–10^5，若扩展GP输入空间至光谱轴还可进一步提升。该方法不仅实现数据压缩，还利用uv空间相关性提升信噪比，优于独立网格平均。训练后的模型可在任意uv坐标预测可见度及其不确定性，支持任意视场和分辨率的成像，并可增量更新新观测、基于预测过滤异常值。作为射电天文学数据压缩与建模的入门级读物，本文清晰阐述了数据结构（uv空间、噪声模型）和模型假设（GP先验、稀疏近似），适合统计学家了解该领域核心问题。
  • 关键技术: sparse Gaussian process, variational inference, uv-space modeling, data compression, radio interferometry
  • 为什么对您有用: 本文属于astrostats的gateway reading，清晰介绍了射电干涉测量的数据结构和建模挑战（uv空间、噪声、压缩需求），对统计学家友好。武器库中'nonparametric statistics'和'high-dimensional asymptotics'可帮助理解GP的逼近误差与压缩率权衡，但核心GP工具（稀疏近似、变分推断）不在当前武器库中，属于'暂不可做'——需先熟悉GP和变分推断。不过作为入门读物，值得花时间读全文以评估该方向是否值得进入。

经济理论 / 应用 (econ_theory, 1 篇)

1. 2607.14825 — Aggregation Bias in Proxy Measurement: Nighttime Lights and Local Economic Activity

  • 作者: Davide Fiaschi, Angela Parenti, Cristiano Ricci
  • 相关性 7/10 · novelty: application
  • 摘要: 本文研究当高分辨率信号（如夜间灯光）被聚合到行政单元时，能否恢复未观测到的局部经济活动。作者提出了一个反向回归框架，其中信号由经济活动生成，但被用于在更粗的空间支持上预测经济活动。主要定理将预测弹性分解为基本弹性、反向回归衰减和空间聚合项，后者由单元大小和单元内离散度驱动，表明聚合使弹性趋近于1。蒙特卡洛证据证实了该分解，并阐明了可迁移性条件。对巴西、意大利、美国、印度尼西亚和肯尼亚的VIIRS夜间灯光与地方GDP或收入的应用表明，局部校准主要适用于较富裕的语境。本文属于应用经济学论文，方法学新颖性有限，但提供了清晰的数据分析框架和跨国实证案例。
  • 关键技术: reverse-regression framework, elasticity decomposition, spatial aggregation bias, Monte Carlo simulation, VIIRS nighttime lights
  • 为什么对您有用: 本文属于经济理论（应用因果推断）的次级兴趣，可作为入门读物了解空间聚合偏差如何影响基于代理变量的因果推断。武器库中的'identification theory in causal inference'（moderately_familiar）可用于理解其反向回归框架与经典测量误差模型的联系，但本文方法学贡献不大，不值得花时间全文精读。

流行病学 (epidemiology, 2 篇)

1. 2607.15179 — A Complete-Data Likelihood for Epidemic Processes on Partially Observed Dynamic Networks

  • 作者: Md Asaduzzaman
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对动态接触网络上传染病传播的统计推断问题，提出一个统一的完整数据似然框架。现有似然方法通常分别处理潜伏感染时间、网络部分观测、接触测量误差和外部感染压力等挑战，且常依赖完全观测网络或封闭人群等限制性假设。作者将SEIR流行病过程、状态依赖的动态接触网络以及症状和接触的观测模型耦合为相互作用的连续时间随机过程，在一个共同概率框架下建模。核心贡献是推导了部分观测下联合流行病-网络过程的完整数据事件历史似然，该似然为通过数据增强进行似然基和贝叶斯推断提供了严格基础。框架揭示了疾病进展和接触动力学信息如何共同决定参数可估计性，并将现有多种流行病网络模型作为特例包含。对您而言，本文是流行病学中复杂观测数据建模的扎实应用工作，展示了如何将部分观测随机系统的似然推断框架化，可作为进入流行病学推断方向的入门读物。
  • 关键技术: complete-data likelihood, event-history analysis, SEIR model, dynamic contact network, data augmentation, partially observed stochastic processes
  • 为什么对您有用: 本文属于流行病学应用方向，是您secondary interest中流行病学领域的gateway reading。它清晰展示了在部分观测动态网络上构建似然框架的完整流程，包括数据侧（接触测量误差、间歇观测）和模型侧（SEIR、外部感染压力）的设定，适合作为进入该领域的入门读物。您的武器库中'非参数统计'和'M估计理论'可用于分析其似然估计的渐近性质，但核心的连续时间事件历史建模和贝叶斯数据增广不在您当前武器库中，因此暂不可做——需要先熟悉连续时间随机过程推断和MCMC方法。

2. 2607.14860 — Assing Preferential Sampling in Retail Survival Data: A Bayesian Joint LGCP and Spatial Probit Model for Mini-Supermarket Closure in Tokyo

  • 作者: Akitoshi Kanetaka, Shinichiro Shirota
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对零售店生存数据中的优先采样（preferential sampling）问题，提出一个贝叶斯分层模型，联合建模商店位置（log-Gaussian Cox process）与二元生存结局（probit回归）。两个组件共享一个高斯过程空间效应，通过一个载荷参数量化位置选择与生存之间的潜在关联。为处理约1000个观测点，采用最近邻高斯过程近似和Metropolis-within-Gibbs算法进行高效推断。应用于东京23区999家迷你超市（897家运营、102家关闭），使用7个空间协变量和3471个积分网格点。估计的载荷参数接近零且置信区间包含零，未发现残余优先采样的明确证据；模拟表明方法能区分无与强优先采样。对您而言，本文的联合建模框架（共享空间效应+载荷参数）是流行病学队列中处理选择偏倚的实用工具，且其贝叶斯推断策略（NNGP近似）可直接迁移至您的纵向因果推断中的空间混杂调整问题。
  • 关键技术: Bayesian hierarchical model, log-Gaussian Cox process, probit regression, nearest-neighbor Gaussian process, Metropolis-within-Gibbs, preferential sampling
  • 为什么对您有用: 本文属于流行病学应用（secondary interest），处理的是空间数据中的选择偏倚问题，与您的因果推断兴趣中的选择偏倚/IV方法有直接概念连接。技术武器库中'非参数统计'和'因果推断中的估计理论'（very_familiar）可用于理解其共享空间效应建模的识别假设；'M估计理论'（moderately_familiar）可帮助评估其贝叶斯推断的渐近性质。中期可做：若想将类似联合建模框架用于您的纵向因果推断，需先在'semiparametric theory'上长肌肉以处理时间-空间交叉的识别问题。

其他 (other, 2 篇)

1. 2607.15450 — Prediction-Only Distillation in Linear and Logistic Regression

  • 作者: Hien Dang, Pratik Patil, Alessandro Rinaldo
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究线性与逻辑回归中的预测蒸馏（prediction-only distillation）问题，设定为教师模型训练完成后原始标注数据不可用，仅能访问教师预测器和新的无标签协变量。学生模型在新协变量上通过教师伪标签训练，最终预测器是教师与学生预测的仿射组合（prediction mixing）。在比例渐近框架下，对岭回归推导了最优混合预测风险的确定性等价，适用于各向异性协方差和确定性信号。理论证明，对几乎所有正则化参数组合，混合风险严格小于教师风险，包括新协变量分布外或各向同性情形。最优混合权重无法仅从无标签数据识别，但可在单次后训练步骤中用少量独立标注校准集一致估计。对二元逻辑回归，预测混合可同时优于教师和纯蒸馏分类器。本文属于理论方法论文，对您而言，其预测混合框架与您因果推断中debiased ML的ensemble思路有潜在联系，但核心设定（无标签数据下的蒸馏）与您主要兴趣方向距离较远。
  • 关键技术: prediction mixing, self-distillation, ridge regression, proportional asymptotics, deterministic equivalent, logistic regression
  • 为什么对您有用: 本文属于统计学习理论，与您的主要兴趣（因果推断、高维统计）无直接重叠。但预测混合的ensemble思路与debiased ML中的cross-fitting和模型平均有概念联系，可作为中期可读的拓展材料。武器库中'minimax bounds for estimation problems'和'high-dimensional asymptotics'可用于理解其比例渐近分析技术，但核心问题（无标签蒸馏）并非您当前研究方向。暂不可做——缺乏直接可迁移的问题口子。

2. 2607.15157 — Frequency Selection in Bayesian Spectral Modeling of Time Series Data with Applications to Wearable Device Measurements

  • 作者: Beniamino Hadj-Amar, Vaishnav Krishnan, Marina Vannucci
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种贝叶斯 spike-and-slab 框架用于时间序列的谱分析。目标是在精细频率网格上同时实现频率选择和降维，通过结构化 spike-and-slab 先验促进稀疏性，从而高分辨率恢复振荡成分。采用随机搜索算法高效探索后验空间，得到每个频率的后验包含概率以量化其重要性。将框架扩展到多变量信号，通过频率包含模式的层次先验，捕捉多个时间序列间共享和成分特定的节律。模拟研究显示该方法在频率估计和谱功率重建方面优于现有方法。应用于部分性发作患者的体动记录数据，单变量模型识别出临床相关的昼夜节律和超日节律；对健康个体的身体活动和皮肤温度联合分析，多变量模型揭示了与已知生理耦合一致的节律成分。本文为可穿戴设备数据、时间生物学和个性化健康监测提供了可解释的谱分析方法。
  • 关键技术: Bayesian spike-and-slab prior, stochastic search variable selection, multivariate spectral analysis, hierarchical prior, actigraphy data analysis
  • 为什么对您有用: 本文属于贝叶斯谱分析的应用方法，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠。作为 gateway reading，本文对可穿戴设备时间序列的谱分析问题有清晰的数据和模型描述，适合作为了解时间生物学和健康监测中统计应用的入门读物。您的武器库中非参数统计和软件开发的技能可帮助理解其方法，但核心贝叶斯计算工具不在您的熟悉范围内，因此暂不可做。

🗂 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. 2607.14771 — Mixed-Frequency Time Series Forecasting via Depth-Separable Neural Networks

  • 作者: Yize Wang, Qianqian Zhu, Guodong Li
  • 相关性 3/10
  • 评分理由: Mixed-frequency forecasting via neural networks; not aligned with primary interests in causal inference or mathematical statistics.

2. 2607.16092 — Dimension-invariant uniform consistency of the empirical spatial distribution function and its associated spatial depth estimator

  • 作者: Felix Gnettner, Hyemin Yeon, Piotr Kokoszka
  • 相关性 3/10
  • 评分理由: Unrelated subfield (spatial statistics, empirical process); no clear link to primary interests.

3. 2607.16059 — OpenCosmo: Community Portal and Analysis Framework for Flagship Cosmological Simulations

  • 作者: Patrick R. Wells, Michael Buelhmann, Patricia Larsen, William M. Hicks, Manpreet Dhillon, Idunnuoluwa A. Adeniji et al.
  • 相关性 3/10
  • 评分理由: 宇宙学模拟数据平台，缺乏统计方法论细节，不符合astrostats gateway标准。

4. 2607.15973 — Coherence differential imaging using gradient-boosted decision trees for the direct detection of exoplanets

  • 作者: Johan Mazoyer, María J. Mellado-Tenorioa, Axel Potier, Christian Wilkinson, Lukas Delaye, Raphaël Galicher et al.
  • 相关性 3/10
  • 评分理由: 系外行星探测图像处理，技术细节不足，不符合astrostats gateway标准。

5. 2607.15474 — Star formation, stellar evolution, and planets in high-resolution X-ray imaging

  • 作者: Hans Moritz Günther, Scott J. Wolk, Sean J. Gunderson, Ruchi Pandey, Keivan G. Stassun, Lynne Valencic
  • 相关性 3/10
  • 评分理由: Astrostatistics gateway candidate but abstract lacks data/model exposition and is too jargon-heavy for an outsider.

6. 2607.14623 — Multiverse analysis, abdication of responsibility and manufacturing of doubt

  • 作者: Martin Modrák
  • 相关性 2/10
  • 评分理由: Philosophical critique of multiverse analysis; not a methodological contribution to primary interests.

7. 2607.16111 — Commissioning and on-sky performance of FiberPol: a fiber-fed spectropolarimetric system for the SAAO 1.9 m telescope

  • 作者: Siddharth Maharana, K. C. J. Dennison-Farrar, Sabyasachi Chattopadhyay, Nikita Rawat, Nidhi Mehandiratta, J. C. Viljoen et al.
  • 相关性 2/10
  • 评分理由: 纯天文仪器论文，无数据/模型方法论阐述，不符合astrostats gateway标准。

8. 2607.15796 — Radial velocity and atmospheric parameter calculations for the GaiaNIR spectrograph

  • 作者: Szabolcs Mészáros, David Hobbs, Anna Liptrott, David Katz, Ricardo Schiavon, Viktória Pap et al.
  • 相关性 2/10
  • 评分理由: 天文光谱仪参数优化，纯仪器/模拟工作，无统计方法论。

9. 2607.14925 — DD4AO control law for RISTRETTO: robustness, real-time performance, and on-sky validation with PAPYRUS

  • 作者: Isaac Dinis, Muskan Schinde, Nicolas Blind, Bruno Chazelas, Nathanael Restori, Christophe Lovis et al.
  • 相关性 2/10
  • 评分理由: Adaptive optics control law paper, engineering-focused with no connection to statistics or causal inference.

10. 2607.14772 — DUET: Design of a simultaneous InGaAs--CCD split-beam imager for ultra-cool dwarf exoplanet transit survey

  • 作者: Peter P. Pedersen, Clark Baker, Karolina Dziewiecka, Mathias Beck, Michaël Gillon, Amaury H. M. J. Triaud et al.
  • 相关性 2/10
  • 评分理由: Instrument design for exoplanet transit survey, lacks data/model exposition for astrostatistics gateway.

11. 2607.15039 — Low-Frequency VLBI Network Using SKA-LOW

  • 作者: Hideyuki Kobayashi, Tomoaki Oyama, Kazuma Fujita, Syunsaku Suzuki, Shintaro Yoshiura, Hiroaki Misawa et al.
  • 相关性 1/10
  • 评分理由: VLBI network proposal, purely astronomical instrumentation with no statistical methodology.

12. 2607.14801 — MIRA: a data management and education platform connecting students to robotic telescopes

  • 作者: Peter P. Pedersen, Lionel Garcia, Mahshid Alimi, David Degen, Florian Lienhard, Didier Queloz
  • 相关性 1/10
  • 评分理由: Education platform for telescope access, no statistical or methodological content.

13. 2607.14669 — Optical design of a direct fibre-fed MO-IFS for the NLOT

  • 作者: Nitish Singh, S. Sriram, Totan Chand, Jurgen Schmoll, Bharat Kumar Yerra, Savitha M S
  • 相关性 1/10
  • 评分理由: Pure optical engineering for a telescope instrument, unrelated to any primary or secondary interest.

14. 2607.14546 — Design and Development of a Lab Prototype of a Fiber-Based Integral Field Spectrograph

  • 作者: Nitish Singh, S Sriram, Jurgen Schmoll, Bharat Kumar Yerra
  • 相关性 1/10
  • 评分理由: Instrument design and lab prototype for astronomy, no statistical or methodological content.

15. 2607.15683 — Torsional-X Seismometer for Lunar Decihertz Gravitational-Wave Detection

  • 作者: Yulin Xia, Denis Martynov, Huan Yang, Haixing Miao
  • 相关性 0/10
  • 评分理由: Pure instrumentation paper for lunar gravitational-wave detection, unrelated to any primary or secondary interest.

16. 2607.15378 — Assembly, integration, and verification of MITESI: an optical testbed for simulating the ELT in the laboratory

  • 作者: Daniel J Ahrer, M. Concepción Cárdenas Vázquez, Thomas Bertram, Peter Bizenberger, Armin Huber, Raphaël Pourcelot et al.
  • 相关性 0/10
  • 评分理由: Optical testbed assembly paper, no statistical or methodological content relevant to interests.

17. 2607.14841 — Millimetre-scale spectrographs for next-generation photonic instrumentation

  • 作者: Emily Ronson, Robert J. Harris, Ariadna Calcines Rosario, Viktoria Kutnohorsky
  • 相关性 0/10
  • 评分理由: Ultra-compact spectrograph fabrication, unrelated to any research interest.

Maintained by 陈星宇 · Homepage · Source on GitHub

评论