2026-07-23 每日 arXiv 资讯¶

高相关论文 3 篇 · 中相关 23 篇 · 其他 8 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. 2607.18501 — SPYCE: A Doubly Robust Estimator for Trials Targeting Early Huntington Disease under Outcome-Dependent Censoring¶

作者: Kihyun Han, Yanyuan Ma, Karen Marder, Tanya P. Garcia
分类: stat.ME · stat.AP
相关性 8/10 · novelty: new_method
摘要: 本文针对亨廷顿病临床试验中因结局依赖删失（outcome-dependent censoring）导致的估计矛盾问题，提出双稳健估计量 SPYCE。目标 estimand 是接近 Stage 1 过程中结局变量的平均变化轨迹，但参与者因提前退出研究而右删失，且退出概率与结局相关。SPYCE 基于双稳健框架，同时建模时间到 Stage 1 和时间到退出两个过程，只要其中一个模型正确指定，估计量即一致。该方法达到半参数效率界（最小可能方差），并允许两个模型通过非参数方式估计而不损失效率。在 PREDICT-HD 数据上，SPYCE 解决了现有估计量对同一认知结局给出矛盾结论的问题，识别出尾状核和壳核体积比为最敏感的终点，且仅需 241 人/组即可检测治疗效果，而现有方法需数十万人。该工作对您有价值：它展示了在纵向因果推断中处理结局依赖删失的双稳健方法，与您的 primary interest 中 longitudinal causal inference 和 semiparametric efficiency 直接相关。
关键技术: doubly robust estimation, semiparametric efficiency bound, outcome-dependent censoring, nonparametric estimation, longitudinal causal inference
为什么对您有用: 直接连接 primary interest 中的 longitudinal causal inference 和 semiparametric efficiency：SPYCE 是处理结局依赖删失的双稳健估计量，其效率最优性（达到半参效率界）是您熟悉的效率理论问题。技术武器库中 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 可直接用于理解其非参数模型估计部分；moderately_familiar 的 semiparametric theory 可用于验证其效率界推导。中期可做：若想将 SPYCE 框架推广到更复杂的 proximal causal inference 设定（如 negative control 下的删失），需先在 moderately_familiar 的 identification theory in causal inference 上加强。

2. 2607.18503 — Adaptive Penalization and Bootstrap-Smoothed Inference for Two-Sample Mendelian Randomization with Summary Data¶

作者: Muhammad Qasim, Kai Wang, Ishan S Bhatt
分类: stat.ME · stat.AP
相关性 8/10 · novelty: new_method
摘要: 本文在双样本孟德尔随机化（MR）框架下，使用汇总统计量估计因果效应，核心挑战是水平多效性导致工具变量无效。作者提出两种基于lasso的方法：MR-ALasso使用自适应惩罚权重改进多效性效应的识别，MR-ALasso-B进一步结合bootstrap平滑以改善选择后推断。理论部分证明了MR-ALasso在双样本汇总数据设定下具有无效工具变量识别一致性和oracle式的选择后性质。模拟表明MR-ALasso在估计精度和无效工具识别上优于MR-Lasso，而MR-ALasso-B显著改善了覆盖率和第一类错误控制。实际数据应用展示了方法在双向分析多个复杂性状中的实用性。该方法对您从事的因果推断（特别是IV方法）和流行病学应用有直接参考价值，其自适应惩罚与bootstrap平滑的结合思路也可迁移到您熟悉的proximal CI或mediation分析中的选择后推断问题。
关键技术: adaptive lasso, bootstrap smoothing, post-selection inference, two-sample Mendelian randomization, summary-level data, horizontal pleiotropy
为什么对您有用: 直接连接到您的primary interest中的因果推断（IV方法）和secondary interest中的流行病学应用。本文的MR-ALasso-B方法涉及选择后推断，您可以用very_familiar的estimation theory in causal inference工具分析其bootstrap平滑的finite-sample性质，或评估其与您熟悉的minimax bounds的差距。中期可做：若想将自适应惩罚推广到proximal CI的negative control选择，需先在moderately_familiar的identification theory in causal inference上长肌肉。

3. 2607.18601 — Robust Signal Maximization in Spillover Experiments¶

作者: Kirill Borusyak, Peter Hull, Evan Munro
分类: econ.EM
相关性 8/10 · novelty: new_method
摘要: 本文研究溢出效应(spillover effects)实验的最优设计与分析。在已知暴露映射(exposure mapping)（如线性）的假设下，作者刻画了最小化最坏情况渐近方差(worst-case asymptotic variance)的处理分配分布与回归估计量。设计问题得到一个直观解：规划者在溢出信号强度与溢出变异扩散之间权衡。分析问题则得到一个简单的中心化工具变量估计量(recentered IV estimator)来最优地利用该变异。该框架在若干基准情形（如聚类暴露）下给出自然解，并为一般网络（包括二分图设定）提供计算上可处理的近似。作者基于两个发展经济学应用进行半合成实验，展示了该方法能大幅降低标准误，有效样本量提升50-100%或更多。
关键技术: worst-case asymptotic variance minimization, recentered instrumental variable estimator, exposure mapping, spillover effects, semi-synthetic experiments
为什么对您有用: 本文直接连接您的因果推断兴趣中的实验设计与溢出效应估计，属于应用因果推断的前沿。您的'very_familiar'中的估计理论可直接用于理解其最坏情况方差最小化框架，而'moderately_familiar'中的识别理论可用于评估其暴露映射假设的合理性。中期可做：需先在'moderately_familiar'的识别理论上深入，以处理更一般的非参数暴露映射。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 2 篇)¶

1. 2607.19050 — A Bayesian Approach to Causal Cure Models¶

作者: Emma Torrini, Ma\"ilis Amico, Nicolas Molinari, Cl\'ement Berenfeld
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文针对时间-事件数据中存在的治愈人群（cured fraction）问题，提出贝叶斯因果治愈模型。传统混合治愈模型（mixture cure model）虽能估计治愈比例和未治愈亚组的生存函数，但难以处理治疗对这些量的因果效应。作者采用主分层（principal stratification）框架定义因果 estimand，包括对治愈比例的效应和对“始终未治愈”层的生存效应，并引入一个新的 estimand——针对“非始终未治愈”的并集层的生存因果效应。方法上，采用贝叶斯模型统一估计，直接与经典混合治愈模型量建立联系，提供灵活且一致的推断策略。模拟研究表明，该方法相比现有方法具有竞争性和稳健性。最后，通过一项比较无创通气与标准氧疗的随机试验数据展示了实用性。对您而言，本文在主分层因果推断与生存分析的交叉点上提供了贝叶斯实现，可连接您的因果推断（特别是纵向/中介分析）和半参数理论兴趣。
关键技术: principal stratification, mixture cure model, Bayesian inference, survival analysis, causal estimand
为什么对您有用: 本文直接关联您的 causal inference 兴趣，特别是主分层框架在生存数据中的应用，这是您 moderately_familiar 的 identification theory 的一个具体场景。您可以用 very_familiar 的非参数统计和 minimax 工具来审视其贝叶斯估计的渐近性质，或探索半参数效率界。中期可做：若想将方法扩展到纵向或中介分析，需先在 semiparametric theory 上加强（moderately_familiar）。

2. 2607.19280 — Rank-Based Estimation of U-Shaped Biomarker Risk Curves and Critical Points for Time-to-Event Outcomes¶

作者: Zhirui Fu, Mei-Cheng Wang, Yu Du, Yuxin Zhu
分类: stat.ME
相关性 6/10 · novelty: new_method
摘要: 本文针对生存结局下生物标志物与风险之间的U型关系，提出一个半参数变换模型，显式参数化风险最低的临界点。估计方法采用基于排名的最大C-index估计参数部分，并用平滑Kaplan-Meier估计非参数部分，从而在单一生存模型中同时估计亚组特异性U型风险曲线及其临界点。建立了估计量的一致性和渐近正态性，并通过数值研究验证了有限样本表现。该方法填补了现有生存分析无法对临界点进行推断的空白。对您而言，该文的半参数建模和基于排名的估计策略可迁移至因果推断中的剂量-反应关系或中介分析中的非线性效应识别。
关键技术: rank-based maximum C-index estimator, semiparametric transformation model, smoothed Kaplan-Meier estimation, U-shaped risk curve, critical point inference
为什么对您有用: 该文直接关联您对半参数理论和非参数估计的兴趣，其基于排名的C-index估计器与您熟悉的M-估计理论有技术交集。中期可做：将临界点推断框架推广至因果推断中的最优治疗阈值估计，需先在semiparametric theory上巩固。

非参数 / 半参数 (nonparam_semipara, 5 篇)¶

1. 2607.18861 — Learning sufficient low-dimensional structures through conditional optimal transport¶

作者: Kaiqiang Alan Zeng, Efstathia Bura
分类: math.ST · stat.ME · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文提出 SDR-COT 方法，在充分降维（SDR）框架下，通过条件最优传输（COT）将响应变量的条件分布表示为从独立参考响应出发的传输映射。在可分 Hilbert 空间上，充分性迫使最优三角映射的响应分量通过降维子空间分解；对于二次代价，诱导的插值在任意截断时间区间上具有 Borel 当前速度，且该速度同样满足分解性质。这些结果启发了条件流匹配准则。对于线性降维，作者通过适当调优的松弛经验耦合证明了估计的一致性；欧几里得响应利用分片 Caffarelli 界处理，Hilbert 值响应则借助高斯 Sobolev 正则性、插值压缩和高斯连续性方程的唯一性。数值实验（含函数型数据）表明，当充分信息不局限于条件均值时，该方法具有竞争力。对您而言，该工作将最优传输与充分降维结合，为高维非参数推断提供了新视角，尤其与您的非参数统计和半参数理论兴趣相关。
关键技术: conditional optimal transport, sufficient dimension reduction, triangular map, conditional flow matching, Caffarelli regularity, Gaussian Sobolev regularity
为什么对您有用: 本文连接您的非参数统计与半参数理论兴趣，具体在充分降维与最优传输的交叉点。您的武器库中'非参数统计'和'高维渐近理论'可直接用于分析其估计量的收敛速率与 minimax 最优性；'逆问题'经验也可帮助理解其传输映射的识别性。中期可做：若先熟悉'半参数理论'中的影响函数工具，可尝试推导该方法的半参数效率界。

2. 2607.19080 — The Influence Function of Transport-based Quantiles¶

作者: Alberto Gonz\'alez-Sanz, Shunan Sheng, Bohan Wu, Marco Avella Medina
分类: math.ST · stat.ME · stat.TH
相关性 7/10 · novelty: new_theory
摘要: 本文研究基于最优传输的多变量分位数（transport quantile）的影响函数。在Huber污染模型下，作者证明了传输分位数映射的影响函数存在且唯一，并给出了其显式刻画：影响函数满足一个带有Dirac源和Neumann边界条件的均匀椭圆方程。关键发现是，在维度d≥2时，该影响函数具有极点型奇异性：当污染点x0接近目标分位点Q_P(z)时，影响函数以||z - F_P(x0)||^{-(d-1)}的速度发散，这与单变量分位数有界影响函数形成鲜明对比。这一奇异性意味着影响函数的二阶矩无穷大，数值实验进一步表明经验传输分位数可能呈现稳定型非高斯波动。该工作为多变量分位数的稳健性理论提供了基础性分析工具。
关键技术: influence function, optimal transport, transport quantile, Huber contamination, elliptic PDE with Dirac source, singularity analysis
为什么对您有用: 本文直接关联到您的非参数统计与半参数理论兴趣，特别是影响函数这一核心概念。您武器库中的非参数统计和逆问题分析能力可直接用于理解其PDE刻画和奇异性推导。中期可做：利用您对高阶U统计量的熟悉，探索传输分位数的高阶影响函数或稳健估计量，这需要先在半参数理论上加强。

3. 2607.18861 — Learning sufficient low-dimensional structures through conditional optimal transport¶

作者: Kaiqiang Alan Zeng, Efstathia Bura
分类: math.ST · stat.ME · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文提出 SDR-COT 方法，在充分降维（SDR）框架下，通过条件最优传输（COT）将响应变量的条件分布表示为独立参考响应的最优传输映射。在可分希尔伯特空间上，证明了充分性迫使最优三角映射的响应分量通过降维子空间分解；对于二次代价，诱导的插值在任意截断时间区间上具有 Borel 当前状态速度，且该速度同样满足分解性质。基于此，作者推导了一个条件流匹配准则用于估计降维子空间。对于线性降维，通过适当调谐的松弛经验耦合证明了估计的一致性；欧几里得响应利用分片 Caffarelli 界处理，希尔伯特值响应则借助高斯 Sobolev 正则性、插值压缩和高斯连续性方程的唯一性。数值实验（含函数型数据）表明，当充分信息不局限于条件均值时，该方法具有竞争力。该工作将最优传输与充分降维结合，为半参数降维提供了新视角，可能对您在高维统计和半参数理论中的研究有启发。
关键技术: conditional optimal transport, sufficient dimension reduction, triangular map, conditional flow matching, relaxed empirical coupling, Caffarelli bounds
为什么对您有用: 本文连接了您的非参数/半参数理论兴趣，特别是充分降维与最优传输的交叉。技术武器库中的非参数统计和逆问题工具可用于分析其估计量的收敛性，而半参数理论中的效率界可进一步评估其最优性。中期可做：需先在半参数理论上长肌肉（如 influence function 推导），再考虑将 COT 框架推广至因果推断中的敏感性分析。

4. 2607.19080 — The Influence Function of Transport-based Quantiles¶

作者: Alberto Gonz\'alez-Sanz, Shunan Sheng, Bohan Wu, Marco Avella Medina
分类: math.ST · stat.ME · stat.TH
相关性 7/10 · novelty: new_theory
摘要: 本文研究基于最优传输的多变量分位数（transport quantile）的影响函数。设定参考测度 μ 到目标分布 P 的最优传输映射 Q_P 为 transport quantile map，在 Huber 污染模型 P_t=(1-t)P+tδ_{x0} 下，证明当 x0≠Q_P(z) 时影响函数存在且唯一，并由一个带 Dirac 源和 Neumann 边界条件的均匀椭圆方程刻画。关键发现是：在 d≥2 维时，该影响函数具有极点型奇异性——当 x0 趋近于 Q_P(z) 时，其范数以 ∥z−F_P(x0)∥^{-(d-1)} 发散，这与单变量分位数有界影响函数形成鲜明对比。这一奇异性导致影响函数二阶矩无穷大，数值实验提示经验 transport quantile 可能呈现稳定型非高斯波动。该结果对您在高维统计和稳健推断方向有直接参考价值，尤其是影响函数奇异性与极值行为的关系。
关键技术: influence function, optimal transport, transport quantile, Huber contamination, elliptic PDE with Dirac source, singularity analysis
为什么对您有用: 本文直接连接您对非参数统计和稳健推断的兴趣，特别是影响函数理论在复杂估计量中的应用。您武器库中'非参数统计'和'逆问题'的功底可用于分析该 PDE 刻画的影响函数奇异性是否可被正则化或平滑化，从而设计出更稳健的 transport quantile 估计量。中期可做：若您先熟悉'半参数理论'中的影响函数框架，可尝试将本文的奇异性结果与您熟悉的 minimax 界结合，推导 transport quantile 在污染分布下的最优收敛速率。

5. 2607.19087 — Identifiability, Convergence and Nonparametric Estimation of Bivariate Archimax Copulas¶

作者: Nicolas Dietrich, Wolfgang Trutschnig
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文研究双变量 Archimax copula 的非参数估计问题。Archimax copula 族同时包含 Archimedean 和极值 copula，能灵活刻画极端与中等水平的相依性，但其非参数一致估计长期未解决，主要障碍在于 Archimedean 生成元与 Pickands 相依函数不能唯一识别 Archimax copula。作者通过引入变换后的生成元与变换后的 Pickands 相依函数，解决了这一可识别性问题，并证明 Archimax copula 的一致收敛等价于对应变换函数的一致收敛。进一步，利用该等价性以及弱条件收敛性质，构造了两种非参数估计量（Pickands 型和 CFG 型），并证明它们在温和正则条件下强相合。作为推论，还得到了 Chatterjee ξ 和 Trutschnig ζ₁ 等有向相依度量的强相合 plug-in 估计。模拟表明 CFG 型估计量优于经验 copula 和 Pickands 型估计量，并应用于奥地利降水数据。对您而言，该文在非参数估计与弱收敛理论上的处理，与您熟悉的非参数统计和 minimax 界工具直接相关，可启发您在高维或因果推断中处理类似的可识别性与收敛性问题。
关键技术: Archimax copula, Pickands dependence function, weak conditional convergence, plug-in estimator, Chatterjee's xi, Trutschnig's zeta1
为什么对您有用: 该文属于非参数统计与弱收敛理论，直接对应您 primary interest 中的非参数统计和估计理论。您熟悉的非参数统计与 minimax 界工具可用于分析其估计量的收敛速率是否最优，或在高维设定下推广其可识别性论证。中期可做：需先熟悉 copula 理论（moderately_familiar 之外），但核心收敛工具已在武器库中。

数理统计 / 假设检验 (hypothesis_testing, 7 篇)¶

1. 2607.18545 — Flexible Inference for Winners with Conditional Validity¶

作者: Soham Bakshi, Lingjun Gao, Zijun Gao, Snigdha Panigrahi
分类: stat.ME · math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文研究数据驱动选择“赢家”（如最优处理、模型或特征）后，对其效应进行推断时的选择偏差（winner's curse）校正问题。目标是在给定选择结果（如top-k）的条件下，对选中的参数进行条件推断，但直接条件化会导致置信区间过长。作者提出一种自适应指数随机化方案，通过引入外部随机性来近似条件分布，从而在保持选择质量（接近标准top-k选择）的同时，显著缩短置信区间。该方法适用于非参数设定，要求选择统计量具有渐近线性性，覆盖了临床试验中最优处理效应、排行榜上最优模型能力、以及模型中最重要特征重要性等广泛场景。理论核心是证明随机化方案能实现条件有效性（conditional validity），且区间长度优于现有条件推断方法。对您而言，本文是假设检验与选择后推断的交叉点，其自适应随机化框架可与您熟悉的非参数统计和M估计理论结合，用于因果推断中的变量选择后推断问题（如IV或中介分析中的最优工具变量选择）。
关键技术: conditional inference, selective inference, winner's curse, exponential randomization, asymptotically linear statistics, post-selection inference
为什么对您有用: 直接连接到 primary interest 中的 hypothesis testing 和 causal inference 子方向（选择后推断在 IV 或中介分析中常见）。您武器库中 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 可直接用于理解其渐近线性假设和条件有效性证明，并可能将随机化方案迁移到因果推断中的变量选择后推断（如最优工具变量选择）。中期可做：需先在 moderately_familiar 的 semiparametric theory 上巩固，以处理更复杂的因果选择准则（如双稳健估计量作为选择统计量）。

2. 2607.18425 — Mutual Information second order expansion is the Pearson's chi-square statistic¶

作者: Marius Marinescu
分类: math.ST · stat.TH
相关性 6/10 · novelty: new_theory
摘要: 本文研究互信息（MI）与两种经典独立性检验统计量——G²（似然比）和Pearson χ²——之间的精确解析关系。作者利用δ方法对MI进行随机Taylor展开，证明MI的二阶展开项恰好是χ²（相差一个尺度因子），从而建立了MI与χ²的直接联系。这一结果量化了G²与χ²之间的差异，揭示了MI在独立性检验中作为桥梁的优雅角色。理论推导基于标准渐近框架，不依赖额外假设。该工作为理解独立性检验统计量的内在结构提供了新视角，对您在高维假设检验和U-统计量理论中的研究可能具有参考价值。
关键技术: delta method, stochastic Taylor expansion, Pearson's chi-square statistic, G² statistic, mutual information expansion
为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是独立性检验统计量的渐近行为。您武器库中的非参数统计和U-统计量理论可用于推广该展开到更一般的设定（如高阶U-统计量版本的MI估计）。中期可做：需先在HOIF（高阶影响函数）上积累经验，以处理MI估计量的高阶偏差校正。

3. 2607.18425 — Mutual Information second order expansion is the Pearson's chi-square statistic¶

作者: Marius Marinescu
分类: math.ST · stat.TH
相关性 6/10 · novelty: new_theory
摘要: 本文在独立性检验的框架下，揭示了互信息（MI）与两个经典检验统计量——G²（似然比统计量）和Pearson卡方统计量χ²——之间的深层解析联系。作者通过随机Taylor展开（δ方法）对MI进行二阶展开，证明MI的二阶项恰好是χ²（相差一个尺度因子）。这一结果从解析上量化了G²与χ²之间的差异，为理解这两种常用独立性检验统计量的关系提供了精确的数学刻画。论文主要贡献在于给出了一个简洁的公式，将MI、G²和χ²统一在一个框架下，并明确了χ²作为MI二阶近似的角色。对于您而言，这一结果直接关联到假设检验的理论基础，特别是您对数学统计与假设检验的兴趣，它提供了一个将信息论度量与经典频率学派检验统计量联系起来的优雅视角。
关键技术: delta method, stochastic Taylor expansion, mutual information, Pearson's chi-square statistic, G² statistic, independence testing
为什么对您有用: 本文直接连接您对假设检验（hypothesis testing）的兴趣，给出了MI与χ²、G²之间的精确解析关系，属于理论统计的优雅结果。从技术武器库看，您对非参数统计和渐近理论（very_familiar）足以理解其δ方法推导，但该结果本身是解析性的，不直接涉及您的高阶U统计或因果推断工具。中期可做：若想将这一联系推广到更复杂的依赖度量（如条件互信息或高阶U统计量的信息论解释），需先在moderately_familiar的HOIF或高阶U统计理论上进一步积累。

4. 2607.18661 — Gaffke's confidence interval for the mean of bounded data is inadmissible but asymptotically efficient¶

作者: Jiahao Ming, Aaditya Ramdas, Yi Shen, Ruodu Wang, Ian Waudby-Smith
分类: math.ST · cs.IT · eess.SP · math.IT · math.PR · stat.ME · stat.TH
相关性 5/10 · novelty: new_theory
摘要: 本文研究 Gaffke (2005) 提出的基于 Dirichlet 随机化的 p 值 K_n(x) 及其导出的置信区间。该 p 值由独立 e 值输入时有效，逆转为 [0,1] 上有界数据均值的置信区间，Bernoulli 情形退化为 Clopper-Pearson 区间。作者首先证明 K_n(x) 与初等对称多项式 e_k 满足不等式 K_n(x) e_k(x) ≤ C(n,k)，从而 Gaffke p 值不大于 SymPol p 值。但核心理论贡献是证明 Gaffke p 值不可容许：对 n=2 构造了严格更小的有效规则并证明其唯一可容许性，对任意 n≥2 通过中立面扩展证明不可容许性；若允许一个独立均匀随机变量，可在上象限将 K_n(x)=1/∏ x_i 替换为 U/∏ x_i 得到全维改进。然而，等尾 Gaffke 置信区间 I_n 是一阶渐近有效的：对 [0,1] 上 iid 观测，宽度满足 √n Width(I_n) → 2σ z_{1-α/2} a.s.。模拟表明，在多种有界均值区间中 Gaffke 区间最短，包括与具有相同一阶高斯目标的经验 Berry-Esseen 方法比较。对您而言，该文提供了假设检验中可容许性与渐近效率之间张力的经典案例，其有限样本不可容许但大样本最优的结论可直接迁移到您熟悉的 minimax 界和因果推断中置信区间构造的权衡分析。
关键技术: Dirichlet randomization, e-values, admissibility, Clopper-Pearson interval, elementary symmetric polynomials, asymptotic efficiency
为什么对您有用: 本文直接连接您的 primary interest 中的 hypothesis testing 方向，具体是检验 p 值的可容许性与渐近效率的经典张力。您武器库中 very_familiar 的 minimax bounds for estimation problems 可直接用于分析此类区间的最优性 gap：例如，Gaffke 区间的一阶渐近效率是否在 minimax 意义下紧？其有限样本不可容许性是否对应一个可量化的 minimax 风险损失？这是一个立即可做的问题，因为您已熟练掌握非参 minimax 下界技术。

5. 2607.18661 — Gaffke's confidence interval for the mean of bounded data is inadmissible but asymptotically efficient¶

作者: Jiahao Ming, Aaditya Ramdas, Yi Shen, Ruodu Wang, Ian Waudby-Smith
分类: math.ST · cs.IT · eess.SP · math.IT · math.PR · stat.ME · stat.TH
相关性 5/10 · novelty: new_theory
摘要: 本文研究 Gaffke (2005) 提出的基于 Dirichlet 随机化的 p 值及其导出的置信区间。该 p 值定义为 K_n(x) = P_{D}(∑ x_i D_i ≤ 1)，其中 D 服从 Dirichlet(1,...,1)，Vlassis & Thomas (2026) 证明了当输入为独立 e 值时该量是有效 p 值。对于 [0,1] 上的观测，倒置该检验得到 Learned-Miller & Thomas (2020) 的置信区间，Bernoulli 数据下退化为 Clopper-Pearson 区间。本文首先证明对任意 x∈[0,∞)^n 和初等对称多项式 e_k，有 K_n(x) e_k(x) ≤ C(n,k)，即 Gaffke p 值永不大于 SymPol p 值。然而，Gaffke p 值是不可容许的：对 n=2 构造了严格更小的有效规则，并通过中立面扩展证明对任意 n≥2 的不可容许性；若允许一个独立均匀随机变量，在上正象限可将 K_n(x)=1/∏ x_i 替换为 U/∏ x_i 得到更简单的改进。尽管不可容许，等尾 Gaffke 置信区间 I_n 是一阶渐近有效的：对 [0,1] 上 iid 观测，√n Width(I_n) → 2σ z_{1-α/2} a.s.。模拟表明，在多种有界均值区间中 Gaffke 区间最短，包括与具有相同一阶高斯目标的经验 Berry-Esseen 方法的比较。该工作对您假设检验方向有直接参考价值，其不可容许性与渐近效率之间的张力是经典统计决策理论问题。
关键技术: Dirichlet randomization, e-values, Clopper-Pearson interval, admissibility, elementary symmetric polynomials, asymptotic efficiency
为什么对您有用: 直接关联您对假设检验的兴趣，特别是 p 值的构造与置信区间的效率分析。技术武器库中 minimax bounds 和 estimation theory 可用于分析该区间在有限样本下的最优性缺口；不可容许性结果提示可能存在更优的有限样本规则，这是中期可做的问题——需先在 moderately_familiar 的 semiparametric theory 上长肌肉以处理更一般的分布族。

6. 2607.19206 — Some cautionary tales about Bayesian predictive inference¶

作者: Emanuela Dreassi, Fabrizio Leisen, Luca Pratelli, Pietro Rigo
分类: math.ST · stat.ME · stat.ML · stat.TH
相关性 4/10 · novelty: survey
摘要: 本文讨论贝叶斯预测推断中两个常见的误解。第一个误解涉及数据生成机制：在预测新观测值时，错误地将后验预测分布等同于给定参数下的条件分布，而忽略了模型假设与真实数据生成过程之间的差异。第二个误解是过度强调渐近可交换性在预测中的作用，认为只要样本量足够大，可交换性假设就能保证预测的合理性。作者通过具体反例展示这些误解如何导致有偏的预测区间和错误的模型选择。文章没有提出新方法，而是以教学性案例澄清贝叶斯预测的理论基础。对您而言，本文虽不涉及因果推断或高维统计，但其对模型假设与推断结果之间关系的严谨讨论，有助于在您熟悉的非参数统计和因果推断中避免类似的模型误设陷阱。
关键技术: Bayesian predictive inference, asymptotic exchangeability, data generating mechanism, predictive distribution, model misspecification
为什么对您有用: 本文属于基础统计推断的澄清性讨论，与您的 hypothesis testing 兴趣直接相关。虽然不涉及高维或因果推断，但其中对模型假设与预测结果关系的剖析，可迁移至您熟悉的非参数统计和因果推断中的模型误设问题。目前暂不可做：核心是贝叶斯预测理论，而您的武器库主要面向频率学派和半参数方法，缺乏贝叶斯模型诊断的专门工具。

7. 2607.19206 — Some cautionary tales about Bayesian predictive inference¶

作者: Emanuela Dreassi, Fabrizio Leisen, Luca Pratelli, Pietro Rigo
分类: math.ST · stat.ME · stat.ML · stat.TH
相关性 4/10 · novelty: survey
摘要: 本文讨论了贝叶斯预测推断中两个常见的误解。第一个误解涉及数据生成机制，即错误地将先验预测分布视为数据生成过程。第二个误解是高估了渐近可交换性的作用，认为它足以保证预测分布的合理性。作者通过具体例子展示了这些误解可能导致的不合理推断结论。文章指出，即使模型在渐近意义下可交换，有限样本下的预测性能也可能很差。这些例子对理解贝叶斯方法的局限性具有警示意义。对于您而言，本文虽未提出新方法，但澄清了预测推断的基础概念，有助于在因果推断和假设检验中更谨慎地使用贝叶斯工具。
关键技术: Bayesian predictive inference, asymptotic exchangeability, prior predictive distribution, data generating mechanism
为什么对您有用: 本文直接关联到您的数学统计与假设检验兴趣，特别是对贝叶斯推断基础假设的批判性审视。您武器库中'非参数统计'和'高维渐近理论'的功底可用于分析文中例子在更复杂设定下的表现。这是一篇概念澄清文章，属于'暂不可做'的范畴——它不提供可操作的方法，但值得作为方法论反思的阅读材料。

统计计算 / 算法 (stat_computing, 2 篇)¶

1. 2607.18836 — Partial pooling predicts cross-validation reliability: a closed-form triage and Rao-Blackwellised cure for hierarchical LOO¶

作者: Aidan D Bindoff
分类: stat.ME · stat.CO
相关性 5/10 · novelty: new_method
摘要: 本文针对层次模型（hierarchical models）中 PSIS-LOO 交叉验证失效的问题，提出了一种基于部分池化（partial pooling）因子和结构杠杆值（leverage）的预判方法，无需计算重要性权重即可识别失效折（fold）。在 Gaussian 线性混合模型中，杠杆值简化为组大小，可提前以 AUC 0.96 区分失效折；在 logistic GLMM 中，后验拟合的无权重预测器 AUC 达 0.81。核心修复是集成重要性采样（integrated importance sampling）：对随机效应块做边缘化，仅对基参数做重要性采样。作者针对随机截距 GLMM 给出了观测层级的特化实现：解析 Gaussian downdate 和针对 Bernoulli、二项、Poisson 响应的 1-D 数值积分，封装为 rb_loo(fit)。与精确重拟合相比，该边缘化估计器（RB-LOO）在 singleton-heavy logistic GLMM 上精度是 moment matching 的 3 倍；在过离散计数数据上，moment matching 仍有 37 个折未修正，而 RB-LOO 以零额外计算复现了 82 分钟精确重拟合的结果（elpd RMSE 0.04）。最后，通过基纤维 Schur 分解将 case-deletion 影响拆分为纵向（池化）项和横向（方差分量）项，给出了一个两级分诊策略，仅需重拟合极少数折即可恢复精确答案。该工作对您作为统计计算和软件开发者非常有用，直接涉及交叉验证的计算效率与可靠性，且其边缘化技巧可迁移至您熟悉的因果推断中的纵向数据模型评估。
关键技术: PSIS-LOO, partial pooling factor, structural leverage, integrated importance sampling, Rao-Blackwellisation, Schur decomposition
为什么对您有用: 本文直接关联您的 primary interest 中的 statistical computing（数值方法与软件）和 causal inference 中的 longitudinal 设定。您 very_familiar 的软件开发和 high-dimensional asymptotics 工具可直接用于实现和扩展其边缘化重要性采样框架；其两级分诊策略的 Schur 分解思路也可与您 moderately_familiar 的 M-estimation theory 结合，用于分析更复杂层次模型的计算-精度权衡。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将本文的 GLMM 特化结果推广到更一般的半参数层次模型。

2. 2607.18741 — Variational Bayesian Sparse Negative Binomial Regression¶

作者: Mitra Kharabati, Morteza Amini, Mohammad Arashi
分类: stat.ME
相关性 4/10 · novelty: application
摘要: 本文针对高维过离散计数数据，提出变分贝叶斯框架下的稀疏负二项回归方法。目标是在高维p远大于n场景下，对过离散计数响应进行变量选择和系数估计，使用horseshoe和连续收缩先验实现稀疏化。核心机制是变分贝叶斯推断（VB）替代传统MCMC，通过优化ELBO近似后验，计算时间仅为MCMC的1%以下。模拟表明，负二项设定在过离散数据下显著优于泊松回归，而在泊松数据下仍保持稳健，因此可作为更安全的默认选择。实证部分在真实基准数据集上验证了实用性。对您而言，本文是统计计算中变分推断与高维稀疏回归结合的一个清晰案例，属于gateway-reading范畴——您可以用very_familiar的软件开发和high-dimensional asymptotics工具快速理解其算法设计，但核心的变分推断机制（如ELBO推导、CAVI更新）属于moderately_familiar的M-estimation理论可覆盖的优化框架，中期可做：若想深入改进其收敛性分析或扩展到因果推断中的计数结局，需先在moderately_familiar的semiparametric theory上长肌肉。
关键技术: variational Bayes, horseshoe prior, negative binomial regression, high-dimensional sparse estimation, ELBO optimization
为什么对您有用: 本文属于stat_computing方向的gateway-reading：它清晰展示了变分推断如何解决高维计数回归的计算瓶颈，对您作为统计计算和软件开发者而言，是理解VB在稀疏模型中应用的好入门读物。武器库中very_familiar的软件开发和high-dimensional asymptotics足以支撑您快速复现其算法并评估其收敛性，但变分推断的ELBO推导和CAVI更新机制属于moderately_familiar的M-estimation理论可覆盖的优化框架——中期可做：若想将其扩展到因果推断中的计数结局（如流行病学队列的发病率建模），需先在moderately_familiar的semiparametric theory上长肌肉。

天体统计 (astrostats, 2 篇)¶

1. 2607.19236 — NAPTIME: A Neural-Process Framework for Rubin Alert Classification¶

作者: Nicholas Earl, Siddharth Chaini, K. Decker French, Jason T. Hinkle, Yashasvi Moon, Margaret Shepherd
分类: astro-ph.IM
相关性 6/10 · novelty: application
摘要: 本文针对 Vera C. Rubin 天文台 LSST 项目产生的高流量、不规则采样多波段警报流，提出 NAPTIME 框架，用于光度瞬变分类。NAPTIME 基于神经过程（neural process）模型，直接处理不规则多波段光变曲线，同时完成概率性光变曲线重建、分类、宿主星系背景及光红移信息整合。在 ELAsTiCC2 和 MALLORN 两个模拟基准上评估，元数据感知模型在 15 类分类任务中达到 macro F1=0.903、AUROC=0.991；作为 TDE 候选体排序模型，平均精度达 0.985。元数据在低观测上下文（仅前 10% 数据）时增益最显著，macro F1 从 0.34 提升至 0.42。本文是典型的天文统计应用论文，方法学 novelty 有限（神经过程用于不规则时间序列分类并非全新），但清晰展示了数据结构（不规则采样、多波段、稀疏标签）和模型设计（概率重建+分类联合学习），对统计学家了解天文数据挑战有入门价值。
关键技术: neural process, irregularly-sampled time series, probabilistic reconstruction, photometric classification, transfer learning
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了 Rubin 巡天的数据流结构（不规则采样、多波段、仅少数源有光谱确认）和科学目标（TDE 候选体识别），适合统计学家快速理解天文数据挑战。武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 可帮助理解其概率重建的统计性质，但核心模型（神经过程）不在当前武器库中，属于 '暂不可做' 方向——若想深入，需先熟悉深度概率模型（如 GP、NP）的 inference 技术。作为入门读物值得一读，但无需深究方法细节。

2. 2607.18352 — Search for Planetary-mass Black Holes with an Improved Viterbi Algorithm¶

作者: Raul Rodriguez, George Alestas, Sachiko Kuroyanagi, Juan Garcia-Bellido
分类: astro-ph.IM · gr-qc
相关性 5/10 · novelty: application
摘要: 本文针对行星质量原初黑洞双星在旋近阶段的长时标引力波信号，提出并验证了一套完整的搜索流水线。核心挑战在于信号持续久、信噪比低，传统匹配滤波计算成本过高。方法上采用隐马尔可夫模型（HMM）框架，用Viterbi动态规划算法恢复最可能的频率演化路径。创新点在于：引入一种新的时频表示（time-frequency representation）来预处理数据，并设计候选隔离（candidate isolation）流程将信号与背景噪声分离。候选评估使用两个检测统计量——n_σ（功率显著性）和NMSE（与预期双星演化的一致性）。利用LIGO O3 Hanford数据注入模拟信号进行验证，在固定3%误警率下，流水线能恢复大部分信号，覆盖银河系尺度参数空间，在最灵敏区域可达~100 kpc光度距离。此外，对每个候选还可估计啁啾质量，精度在可探测范围内保持较高，便于快速系统表征。本文是一篇典型的astrostatistics应用论文，方法学新颖性有限（Viterbi+HMM是经典工具），但数据预处理和候选隔离策略对统计学家有参考价值。
关键技术: Viterbi algorithm, Hidden Markov Model, time-frequency representation, candidate isolation, detection statistics (n_σ, NMSE), signal injection validation
为什么对您有用: 本文属于gateway-reading范畴的astrostatistics论文。作为对天文学一无所知的统计学家，本文的优点是：(1) 问题设定清晰——行星质量黑洞双星信号长、信噪比低，匹配滤波不可行，这本身就是一个值得统计学家关注的数据分析难题；(2) 方法描述具体——HMM+Viterbi、时频表示、候选隔离，每一步的动机和实现都有交代，不依赖天文学行话；(3) 数据侧（LIGO O3噪声特性、注入信号生成）和模型侧（HMM状态转移、似然）都有明确说明。不足之处：Viterbi+HMM是经典工具，方法学新颖性有限；检测统计量n_σ和NMSE的定义不够深入，缺乏理论保证。武器库评估：very_familiar中的非参数统计、高维渐近、软件工程足以理解本文方法并复现；moderately_familiar中的HOIF和M估计理论可用于改进候选评估统计量的理论性质（如构造更高效的检测统计量）。结论：值得花时间读全文，作为进入引力波数据分析方向的入门读物。

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 2607.18866 — Optimizing Regret¶

作者: Irene Aldridge
分类: econ.EM · cs.LG · stat.ML
相关性 6/10 · novelty: new_method
摘要: 本文在决策理论框架下，将期望遗憾（expected regret）重新表述为成本与决策之间的协方差，并基于此恒等式系统发展了协方差遗憾泛函的导数理论。核心贡献包括：推导了Gâteaux导数，证明通用最速下降方向是逆势策略（contrarian policy）−(c−c̄)，而上升方向产生动量效应；对于线性策略π̂(c)=Ac+b，梯度简化为成本协方差矩阵Σc，且Hessian为零，从而边界最优解退化为最小方差组合等经典形式。方法上，作者进一步将结果推广到约束优化、遗憾最小化与alpha最大化的符号梯度对偶性、有限样本收敛界（与Thompson Sampling平行），并提出了仅需输入观测数据的梯度下降算法。实证应用包括投资组合倾斜和基于大语言模型的分配策略。对您而言，本文虽属经济理论应用，但其将遗憾最小化与协方差结构相联系的思路，以及有限样本收敛分析，与您在高维统计和因果推断中的估计理论有潜在交叉——例如，协方差视角可能为IV或mediation分析中的最优决策规则提供新工具。
关键技术: Gâteaux derivative, covariance regret functional, contrarian policy, gradient descent on regret, finite-sample convergence bounds, portfolio tilting
为什么对您有用: 本文属于经济理论（econ_theory）的gateway reading：它用清晰的协方差恒等式重新表述遗憾最小化，不依赖复杂的经济学先验，适合作为统计学家进入该方向的入门读物。武器库中'minimax bounds for estimation problems'和'high-dimensional asymptotics'可直接用于验证其有限样本收敛界的紧性；'estimation theory in causal inference'可迁移其协方差梯度视角到IV或mediation中的最优决策。中期可做：需先在'moderately_familiar'的'semiparametric theory'上长肌肉，以处理其约束优化部分的半参数效率界。

流行病学 (epidemiology, 1 篇)¶

1. 2607.18431 — Using binary silver labels in electronic health records-based computable phenotyping algorithms¶

作者: Shuhe Wang, Matthew T. Slaughter, Jennifer C. Nelson, Brian D. Williamson
分类: stat.ME · cs.LG · stat.ML
相关性 6/10 · novelty: application
摘要: 本文针对电子健康档案（EHR）研究中金标准标签稀缺的问题，提出Binary PheNorm算法，扩展了原有的PheNorm弱监督表型推断方法。原PheNorm设计用于计数型银标准标签（如诊断代码计数），依赖对数变换、利用归一化和高斯混合模型，不适用于常见的二元银标准标签（如药物指示、实验室阈值）。Binary PheNorm直接利用二元标签进行“污染-回归”去噪步骤，无需EM校准即可生成连续表型评分，并提供了高维EHR场景下的lasso正则化版本以及结合二元与计数标签的联合模型。模拟实验表明，仅使用二元标签即可获得良好判别能力，与计数标签结合后性能进一步提升。在过敏反应和急性胰腺炎的真实数据应用中，AUC分别从原始二元指示器的0.793和0.736提升至0.891-0.892和0.805-0.819。该方法为流行病学研究中利用常见二元银标准标签提供了一种实用且易于实施的弱监督方案，其去噪思路与因果推断中的测量误差校正有相通之处。
关键技术: weakly supervised learning, PheNorm, corruption-and-regression denoising, binary silver labels, lasso regularization
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。方法本身虽不涉及高深统计理论，但其‘污染-回归’去噪框架与因果推断中的测量误差校正问题有概念联系，可作为入门读物了解EHR数据中弱监督表型推断的实践。武器库中的非参数统计和估计理论足以理解其核心机制，但若要深入改进其去噪步骤（如引入半参数效率理论），则需先在identification theory上有所积累——属于中期可做。

其他 (other, 3 篇)¶

1. 2607.19087 — Identifiability, Convergence and Nonparametric Estimation of Bivariate Archimax Copulas¶

作者: Nicolas Dietrich, Wolfgang Trutschnig
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文研究双变量 Archimax copula 族的非参数估计问题。Archimax copula 同时包含 Archimedean 和极值 copula 两类，能灵活刻画极端与中等水平的相依性，但其非参数一致估计长期未解决，根本原因在于 Archimedean 生成函数和 Pickands 相依函数单独不能唯一确定 Archimax copula。作者通过引入变换后的生成函数和变换后的 Pickands 相依函数解决了可识别性问题，并证明这两个变换函数唯一确定 Archimax copula。在此基础上，证明了 Archimax copula 的一致收敛等价于对应变换函数的一致收敛，也等价于几乎所有条件分布的弱收敛。利用这些等价性，构造了两种非参数估计量（Pickands 型和 CFG 型），并在温和正则条件下证明了强相合性。进一步，通过条件弱收敛得到 Chatterjee ξ 和 Trutschnig ζ₁ 等有向相依度量的强相合 plug-in 估计。大规模模拟表明 CFG 型估计量优于经验 copula 估计和 Pickands 型估计；Bregenz 和 Dornbirn 降水数据展示了实际应用。
关键技术: Archimax copula, Pickands dependence function, weak conditional convergence, nonparametric plug-in estimator, Chatterjee's xi, Trutschnig's zeta1
为什么对您有用: 本文属于非参数统计与相依性建模，与您的主要兴趣（非参数理论、假设检验）有间接关联，但核心问题（copula 可识别性与估计）不在您当前武器库的直接射程内。技术武器库中的非参数统计和 minimax 界可用于分析其估计量的收敛速率，但 copula 特有的条件弱收敛工具需要额外学习。本文可作为 gateway reading 了解非参数 copula 估计的前沿，但暂不可做——核心机器（copula 理论、条件弱收敛）不在武器库中。

2. 2607.18849 — Determinantal Point Process Approximation under Positive and Negative Dependence¶

作者: So Anzai, Hideitsu Hino
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_theory
摘要: 本文研究在模型误设定下，用行列式点过程（DPP）在正向KL散度下近似一个严格正的目标分布 p 的问题。利用信息几何分析和L-ensemble核的质量-多样性分解，作者证明质量分量可以唯一地匹配p的所有一阶包含概率，从而将DPP近似问题简化为多样性分量的优化。对于满足弱正关联等条件的吸引依赖目标，独立乘积分布（对应D=I）是最优的DPP近似。对于更一般的分布，正相关对给出近似误差的下界，而负相关对则给出上界，即保证优于独立近似的改进。文章还研究了D=I附近以及分块对角多样性矩阵附近的局部最优性。
关键技术: Determinantal point process, Kullback-Leibler divergence, information geometry, L-ensemble kernel, quality-diversity factorization
为什么对您有用: 本文属于概率近似理论，与您的主要兴趣（因果推断、高维统计等）无直接交集。它不涉及您武器库中的具体工具（如U-统计量、半参效率界等），且作为gateway reading的价值有限，因为问题设定和工具（信息几何、DPP）对统计学家而言并非入门友好。暂不可做。

3. 2607.18849 — Determinantal Point Process Approximation under Positive and Negative Dependence¶

作者: So Anzai, Hideitsu Hino
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_theory
摘要: 本文研究在模型误设定下，用行列式点过程（DPP）在正向KL散度下近似一个严格正的目标分布 p 的问题。利用信息几何分析和L-ensemble核的质量-多样性分解，其中质量分量Q编码项目权重，多样性分量D控制排斥交互，作者证明质量分量可以唯一确定以匹配p的所有一阶包含概率，从而将DPP近似问题简化为多样性分量的优化。对于满足弱正关联等条件的吸引依赖目标，独立乘积分布（对应D=I）是最优DPP近似。对于更一般的分布，正相关对给出近似误差的下界，而负相关对给出上界，即保证优于独立近似。文章还研究了D=I附近以及块对角多样性矩阵附近的局部最优性。该工作主要贡献于点过程近似和信息几何，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接技术关联。
关键技术: Determinantal point process, Kullback-Leibler divergence, information geometry, quality-diversity factorization, L-ensemble kernel
为什么对您有用: 本文属于点过程与信息几何的理论研究，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）无直接技术关联。武器库中无对应工具可攻该问题。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. 2607.18926 — Informative Distance-Based Priors for Correlation Matrices Centred on a Target Reference¶

作者: Anna Freni-Sterrantino, Janet van Niekerk, Elias Teixeira Krainski, Denis Rustand, Haziq Jamil, H{\aa}vard Rue
分类: stat.ME
相关性 3/10
评分理由: Bayesian priors for correlation matrices; unrelated to primary interests in causal inference or high-dimensional statistics.

2. 2607.19043 — Local Second-Order Geometry Induced by Deformation Maps¶

作者: Maria Laura Battagliola
分类: stat.ME · stat.CO
相关性 3/10
评分理由: Spatial deformation and nonstationary covariance; unrelated to primary interests, more geostatistics.

3. 2607.19079 — Morillas-type transformations of copulas and stable tail dependence functions¶

作者: Klaus Herrmann, Marius Hofert, M\'elina Mailhot, Nahid Sadr
分类: stat.ME · math.PR
相关性 3/10
评分理由: Focuses on copula transformations and tail dependence functions, which are tangential to the researcher's primary interests.

4. 2607.19311 — GARTFIMA Models: A Class of Observation-Driven Models with Tempered Fractional Dynamics¶

作者: Guilherme Pumi, Sharandeep Singh Pandher, Taiane Schaedler Prass
分类: stat.ME
相关性 3/10
评分理由: Time series models with fractional dynamics are outside the researcher's primary interests in causal inference and high-dimensional statistics.

5. 2607.18775 — Enhanced Astrometry of the Rapid ASKAP Continuum Survey: Mid and High Frequency Epochs¶

作者: Akhil Jaini, Adam T. Deller, Yuanming Wang, Emil Lenc, Stefan W. Duschene, Marcin Glowacki
分类: astro-ph.IM
相关性 3/10
评分理由: Astrometric correction framework paper; while it involves data processing, it lacks clear statistical modeling or methodology of interest.

6. 2607.19277 — Astrophysics on GPUs: introducing AGILE 1.0¶

作者: Oliver Porth, Adrian Kelly, Olaf Willocx, Hao Wu, Jesse Vos, Yuhao Zhou, H\'ector R. Olivares S\'anchez, Leon Oostrum, Johan Hidding, Victor Azizi, Chun Xia, Rony Keppens, Jannis Teunissen
分类: astro-ph.IM · astro-ph.HE · astro-ph.SR
相关性 3/10
评分理由: Pure computational astrophysics (GPU-accelerated AMR for PDEs) with no clear data/model exposition or statistical methodology; tangential to all interests.

7. 2607.18419 — Nancy Grace Roman Space Telescope Wide Field Instrument: Bright Point Source Saturation Response and Persistence Properties from Thermal-Vacuum Testing¶

作者: Dana R. Louie, Robert F. Wilson, Thomas Barclay, Joshua E. Schlieder, Nicholas Bond, Evan Bray, Mario Cabrera, Stephanie Cheung, Ami Choi, Analia Cillis, Nicholas Collins, Tyler D. Groff, Robert J. Hill, Jeffrey Kruk, Gregory Mosby, Jennie Paine, Bernard J. Rauscher, Timothy A. Reichard, Maxime Rizzo, Scott Rohrbach, Nicole Schanche, Eric R. Switzer
分类: astro-ph.IM · astro-ph.EP · astro-ph.GA · astro-ph.SR
相关性 2/10
评分理由: Instrument characterization paper with no statistical methodology or data analysis exposition relevant to the researcher's interests.

8. 2607.18430 — First results for second generation SiSeRO CCD devices¶

作者: Abigail Y. Pan, Declan O'Neill, Kevan Donlon, Peter Orel, Sven Herrmann, Steven Allen, Marshall W. Bautz, Tanmoy Chattopadhyay, Michael Cooper, Catherine E. Grant, Jill Juneau, Chris Leitz, Beverly LaMarr, Eric D. Miller, Glenn Morris, Tonya L. Peshel, Artem Poliszczuk, Gregory Prigozhin, Ilya Prigozhin, Haley R. Stueber, Keith Warner
分类: astro-ph.IM
相关性 2/10
评分理由: Detector technology paper with no statistical methodology or data analysis exposition relevant to the researcher's interests.

Maintained by 陈星宇 · Homepage · Source on GitHub

2026-07-23 每日 arXiv 资讯¶

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 3 篇)¶

1. 2607.18501 — SPYCE: A Doubly Robust Estimator for Trials Targeting Early Huntington Disease under Outcome-Dependent Censoring¶

2. 2607.18503 — Adaptive Penalization and Bootstrap-Smoothed Inference for Two-Sample Mendelian Randomization with Summary Data¶

3. 2607.18601 — Robust Signal Maximization in Spillover Experiments¶

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 2 篇)¶

1. 2607.19050 — A Bayesian Approach to Causal Cure Models¶

2. 2607.19280 — Rank-Based Estimation of U-Shaped Biomarker Risk Curves and Critical Points for Time-to-Event Outcomes¶

非参数 / 半参数 (nonparam_semipara, 5 篇)¶

1. 2607.18861 — Learning sufficient low-dimensional structures through conditional optimal transport¶

2. 2607.19080 — The Influence Function of Transport-based Quantiles¶

3. 2607.18861 — Learning sufficient low-dimensional structures through conditional optimal transport¶

4. 2607.19080 — The Influence Function of Transport-based Quantiles¶

5. 2607.19087 — Identifiability, Convergence and Nonparametric Estimation of Bivariate Archimax Copulas¶

数理统计 / 假设检验 (hypothesis_testing, 7 篇)¶

1. 2607.18545 — Flexible Inference for Winners with Conditional Validity¶

2. 2607.18425 — Mutual Information second order expansion is the Pearson's chi-square statistic¶

3. 2607.18425 — Mutual Information second order expansion is the Pearson's chi-square statistic¶

4. 2607.18661 — Gaffke's confidence interval for the mean of bounded data is inadmissible but asymptotically efficient¶

5. 2607.18661 — Gaffke's confidence interval for the mean of bounded data is inadmissible but asymptotically efficient¶

6. 2607.19206 — Some cautionary tales about Bayesian predictive inference¶

7. 2607.19206 — Some cautionary tales about Bayesian predictive inference¶

统计计算 / 算法 (stat_computing, 2 篇)¶

1. 2607.18836 — Partial pooling predicts cross-validation reliability: a closed-form triage and Rao-Blackwellised cure for hierarchical LOO¶

2. 2607.18741 — Variational Bayesian Sparse Negative Binomial Regression¶

天体统计 (astrostats, 2 篇)¶

1. 2607.19236 — NAPTIME: A Neural-Process Framework for Rubin Alert Classification¶

2. 2607.18352 — Search for Planetary-mass Black Holes with an Improved Viterbi Algorithm¶

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 2607.18866 — Optimizing Regret¶

流行病学 (epidemiology, 1 篇)¶

1. 2607.18431 — Using binary silver labels in electronic health records-based computable phenotyping algorithms¶

其他 (other, 3 篇)¶

1. 2607.19087 — Identifiability, Convergence and Nonparametric Estimation of Bivariate Archimax Copulas¶

2. 2607.18849 — Determinantal Point Process Approximation under Positive and Negative Dependence¶

3. 2607.18849 — Determinantal Point Process Approximation under Positive and Negative Dependence¶

🗂 其他论文（仅 LLM 评分，未生成摘要）¶

1. 2607.18926 — Informative Distance-Based Priors for Correlation Matrices Centred on a Target Reference¶

2. 2607.19043 — Local Second-Order Geometry Induced by Deformation Maps¶

3. 2607.19079 — Morillas-type transformations of copulas and stable tail dependence functions¶

4. 2607.19311 — GARTFIMA Models: A Class of Observation-Driven Models with Tempered Fractional Dynamics¶

5. 2607.18775 — Enhanced Astrometry of the Rapid ASKAP Continuum Survey: Mid and High Frequency Epochs¶

6. 2607.19277 — Astrophysics on GPUs: introducing AGILE 1.0¶

7. 2607.18419 — Nancy Grace Roman Space Telescope Wide Field Instrument: Bright Point Source Saturation Response and Persistence Properties from Thermal-Vacuum Testing¶

8. 2607.18430 — First results for second generation SiSeRO CCD devices¶

评论