2026-07-27 每日 arXiv 资讯¶

高相关论文 10 篇 · 中相关 28 篇 · 其他 39 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 6 篇)¶

1. 2607.21914 — Interventional Score Geometry for Causal Inference¶

作者: Mojtaba Eslami
相关性 9/10 · novelty: new_theory
摘要: 本文提出因果推断的干预得分几何框架。在观测得分场 ψ(x)=∇_x log p(x) 的基础上，定义硬干预 do(X_k=ξ) 下的干预得分场，该得分定义在剩余 d-1 个自由坐标上。通过干预边际分布随 ξ 的变化定义因果影响 X_k⇝X_j，并证明边际干预得分的导数给出局部充分条件。核心发现是：两个模型可以共享相同的观测得分和可容许干预集，却对干预有不同响应，因此观测得分几何不足以识别因果方向。为此引入由结构信息提供的干预响应场，并将因果度量定义为以共同目标为索引的干预族上的 Fisher 信息度量，避免跨目标比较的不适定性。该框架为随机化试验、工具变量和条件独立性设计提供了几何语言，但强调不增加超越底层假设的识别能力。双变量高斯例子展示了两个模型具有相同观测得分但不同干预得分导数的情形。对您而言，本文从得分几何角度重新审视因果识别的基本问题，与您 causal inference 方向中 identification theory 和 semiparametric theory 直接相关，尤其适合思考干预效应估计中得分函数的几何结构。
关键技术: score function, Fisher information metric, interventional distribution, hard intervention, causal influence, geometric framework
为什么对您有用: 本文直接连接您 primary interest 中的 causal inference 子方向，特别是 identification theory 和干预效应的几何理解。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 和 nonparametric statistics 可用于分析本文定义的干预得分场的估计性质（如得分函数的非参数估计与收敛率）。中期可做：若将本文的几何框架与您 moderately_familiar 的 semiparametric theory 结合，可探索干预得分场的 semiparametric efficiency bound 和 influence function 表示。

2. 2607.21481 — Identification and Robust Inference for Multiple Treatment Effects with Possibly Invalid Instruments¶

作者: Ziwei Mei, Qingliang Fan, Zijian Guo
相关性 9/10 · novelty: new_method
摘要: 本文研究多内生处理变量且可能存在无效工具变量的线性IV模型。在单处理变量情形下，每个有效工具变量识别一个标量候选效应；而在多处理变量情形下，每个相关工具变量定义效应空间中的一个超平面，识别问题更为精细。为识别多个处理效应，作者引入了广义多数规则和多数规则，要求足够多的工具变量是有效的。在推断方面，数据驱动的工具变量选择可能无法完全区分有效和无效工具变量，导致置信区间覆盖不足。为此，本文提出了一种针对每个处理效应的抽样置信区间，该区间对工具变量选择错误具有稳健性。在正则条件下，作者建立了该抽样置信区间的渐近覆盖率和参数速率长度，并在孟德尔随机化应用中进行了说明。该工作对您在高维或复杂因果推断设定下处理工具变量有效性问题具有直接参考价值。
关键技术: invalid instruments, multiple treatments, generalized plurality rule, sampling confidence interval, Mendelian randomization
为什么对您有用: 本文直接关联您的primary interest中的因果推断（IV）子方向，特别是多处理变量和无效工具变量的识别与稳健推断问题。您武器库中'very_familiar'的'high-dimensional asymptotics'和'estimation theory in causal inference'可直接用于理解其渐近理论；'moderately_familiar'的'identification theory in causal inference'可用于评估其广义多数规则假设的合理性。中期可做：若想将本文的稳健推断思路推广到更一般的半参数或非线性模型，需先在'moderately_familiar'的'semiparametric theory'上加强。

3. 2607.21782 — Weighted Extensions of the Kolmogorov-Smirnov, Cramer-von Mises, and Anderson-Darling Tests for Assessing Covariate Balance¶

作者: Ariel Linden
相关性 8/10 · novelty: application
摘要: 本文针对因果推断中协变量平衡诊断这一核心步骤，将 Kolmogorov-Smirnov (KS)、Anderson-Darling (AD) 和 Cramer-von Mises (CVM) 三种分布拟合优度检验推广到带权数据场景。现有方法仅适用于无权重数据，而倾向得分加权、IPW 等常见因果推断流程天然产生权重，因此该推广具有直接应用价值。作者采用统一的标签置换推断程序，不依赖权重生成机制的任何假设，保证了方法的稳健性。模拟研究覆盖样本量 1,000–4,000 及大幅权重变异，三种加权检验的 Type I error 均接近名义水平。在三种差异类型下，各检验的已知无权重比较优势得以保持：KS 对中心位置差异最敏感，AD 对尾部差异压倒性最优，AD 与 CVM 在弥散差异下表现相当且优于 KS。作者建议将 AD 作为常规协变量平衡诊断的通用默认选择。该方法已实现为 Stata 命令，对您而言，这是将经典假设检验工具直接嵌入因果推断工作流的实用贡献，尤其适用于倾向得分匹配或 IPW 后的平衡性检查。
关键技术: label-permutation inference, weighted goodness-of-fit tests, Kolmogorov-Smirnov test, Anderson-Darling test, Cramer-von Mises test, covariate balance assessment
为什么对您有用: 本文直接连接您的 primary interest 中因果推断的 estimation 环节——协变量平衡诊断是倾向得分加权、IPW 等方法的必要步骤。您武器库中 very_familiar 的 'estimation theory in causal inference' 和 'nonparametric statistics' 可立即用于理解其置换检验的有限样本性质，或进一步推导加权检验的渐近分布（而非依赖置换）。中期可做：若想将此类检验推广到更复杂的权重结构（如重叠权重、匹配权重），需在 moderately_familiar 的 'identification theory in causal inference' 上先理解权重生成机制对检验统计量分布的影响。

4. 2607.21667 — Equilibrium Causal Digital Twins: Validation, Transport, and Identification Limits¶

作者: Faraz Dadgostari, Neda Nazemi
相关性 8/10 · novelty: new_theory
摘要: 本文在均衡因果博弈（equilibrium causal game）框架下研究数字孪生（digital twin）的因果预测问题，目标是在存在反馈的系统（如市场、社会网络）中，预测干预后的均衡反事实分布。核心设定是：源域中训练的数字孪生需要被验证（validation）并迁移（transport）到目标域，而目标域的机制可能发生变化。方法上，作者提出循环选择图（cyclic selection diagram）来刻画机制变化与干预设计，并给出在何种条件下，源域实验分布与目标域反事实分布一致（即identification成立）。关键理论贡献包括：(1) 证明了仅匹配均值和协方差不足以识别分布层面的反事实查询；(2) 给出了线性模型下干预需求与机制变化、图支撑之间的依赖关系；(3) 构造了一个不可能性结果：存在系统在有限实验设计下与所有实验分布一致，但在目标反事实上分歧，说明验证必须依赖结构假设。当点识别失败时，作者还刻画了查询值的剩余识别区间，并提供了重构均值和协方差的统计检验。对您而言，本文直接连接您对因果推断中identification和sensitivity analysis的兴趣，特别是其不可能性结果和部分识别方法可迁移至proximal CI或IV中的弱假设检验问题。
关键技术: equilibrium causal game, cyclic selection diagram, partial identification, transportability, counterfactual validation
为什么对您有用: 本文直接连接您对因果推断中identification和sensitivity analysis的兴趣，特别是其不可能性结果和部分识别方法可迁移至proximal CI或IV中的弱假设检验问题。您武器库中的nonparametric statistics和minimax bounds可用于分析其部分识别区间的紧性，而identification theory（moderately_familiar）是理解其结构假设的核心。中期可做：若想将本文的cyclic selection diagram推广到非参数设定，需先在semiparametric theory上长肌肉（moderately_familiar），以处理更一般的机制变化。

5. 2607.21807 — Partial Identification with Auxiliary Moment Restrictions¶

作者: Behrooz Moosavi Ramezanzadeh, Arie Beresteanu
相关性 8/10 · novelty: new_method
摘要: 本文研究当结果变量仅以区间形式报告（如顶码、分组或正式隐私化处理）时，如何利用已知的总体矩（如总体均值）来收紧部分识别区域。作者不假设任何新的识别条件，而是利用数据发布者通常仍会公开的准确总体聚合信息，将数据补全的可行集限制为与已知总体矩一致的子集。针对最佳线性预测（BLP）的识别区域，作者刻画了不同辅助矩约束的几何效应：某些约束能将区域坍缩一个维度，另一些则保持形状但缩小体积。推导了均值和条件均值情形下识别价值的闭式方向性度量。使用当前人口调查（CPS）的区间工资数据说明，即使适度的辅助信息也能恢复因结果粗化而损失的大部分识别力。该框架对部分识别文献中“区间数据+外部矩”的设定给出了系统几何刻画，对您而言，其核心工具（识别区域的几何与闭式度量）可直接迁移至您熟悉的因果推断中部分识别与敏感性分析问题，尤其是当处理变量或结果变量存在测量误差或隐私化处理时。
关键技术: partial identification, sharp identification region, auxiliary moment restrictions, best linear predictor, interval-valued data, geometric characterization
为什么对您有用: 本文直接连接您 primary interest 中的部分识别与敏感性分析子方向，具体而言，它处理的是区间结果数据+已知总体矩这一常见但未被系统几何刻画的问题。您武器库中 very_familiar 的 minimax bounds 与 estimation theory in causal inference 可直接用于评估该框架在有限样本下的识别区域估计精度，或将其扩展至处理变量也是区间的情形。立即可做：用您熟悉的非参统计与因果推断估计理论，将本文的几何刻画与现有部分识别估计器（如线性规划）结合，在模拟中验证闭式方向性度量的有限样本表现。

6. 2607.21312 — Using Pre-Trends for Inference in Difference-in-Differences¶

作者: Clément de Chaisemartin
相关性 8/10 · novelty: new_method
摘要: 本文关注多期差分（DID）设定下，当存在多个预处理期时，如何利用预处理期的结果趋势进行推断。目标是对处理后的DID估计量进行假设检验，而不依赖传统的平行趋势假设。核心方法是将预处理期的结果演变作为参考分布，用于构造处理后DID统计量的p值。该程序与现有保形推断（conformal inference）程序密切相关，但因其DID特定的预测器而具有不同的识别限制：现有程序假设平行趋势，而本文程序不要求平行趋势。方法上，通过将预处理期的DID估计量作为“伪处理”结果，构建一个置换检验或类似保形推断的框架。主要理论结果是该程序在弱条件下能控制第一类错误率。实证部分通过模拟和实际数据示例展示了方法的有限样本表现。对您而言，本文提供了一个在平行趋势假设可能不成立时进行DID推断的新思路，直接连接到您的因果推断（尤其是纵向/面板数据）兴趣，且其保形推断框架与您熟悉的非参数统计和假设检验技术有交叉。
关键技术: conformal inference, permutation test, difference-in-differences, pre-treatment trends, parallel trends assumption
为什么对您有用: 本文直接连接到您的primary interest中的因果推断（纵向/面板数据DID）和假设检验。其核心创新——利用预处理期趋势作为参考分布进行推断——提供了一个在平行趋势假设可能不成立时的替代框架，这是您熟悉的非参数统计和假设检验技术可以攻克的切入点（例如，用您very_familiar的minimax bounds分析该检验的power，或用moderately_familiar的identification theory理解其识别条件）。中期可做：需要先在moderately_familiar的identification theory上长肌肉，以严格理解其识别限制与现有DID文献的联系。

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

1. 2607.21541 — Optimal use of a black-box learner in semiparametric estimation¶

作者: Yihong Gu
相关性 9/10 · novelty: new_method
摘要: 本文在部分线性模型 \(Y = \mu_0(X) + \beta_0 T + \varepsilon\) 且 \(T = \pi_0(X) + u\) 的结构不可知设定下，研究如何最优地利用黑箱学习器估计目标系数 \(\beta_0\)。核心创新是提出一种新估计量，其误差率为 \(1/\sqrt{n} + \delta_{a,\mu} \cdot \delta_{a,\pi} + [\delta_s]^2\)，其中 \(\delta_s\) 是学习器在无模型误设时的估计误差，\(\delta_{a,\mu}\) 和 \(\delta_{a,\pi}\) 分别是 \(\mu_0\) 和 \(\pi_0\) 的 \(L_2\) 误设误差。该率优于双机器学习（DML）的次优项 \(\max(\delta_{a,\mu}, \delta_{a,\pi}) \cdot \delta_s\)，且匹配下界，因此不可改进。方法上，作者提出对抗性条件矩校准编辑（TAME），通过对推断样本上的去偏权重进行局部编辑，实现黑箱回归估计的对抗性条件矩校准。TAME 可与任意初始黑箱估计结合，在 nuisance 难度不平衡时严格改进 DML 保证。文章还讨论了双学习器的增益、欠平滑模型选择原则，以及向其他线性泛函估计的扩展。对您而言，本文直接关联效率理论中的半参效率界与去偏机器学习，其提出的 TAME 框架为处理 nuisance 估计不平衡提供了新思路，可应用于您关注的因果推断中的 ATE 或 IV 估计问题。
关键技术: double machine learning, semiparametric efficiency bound, adversarial moment calibration, black-box learner, partial linear model, minimax lower bound
为什么对您有用: 本文直接连接您 primary interest 中的效率理论与去偏机器学习，具体针对 DML 在 nuisance 估计不平衡时的次优性提出改进。您的技术武器库中 'semiparametric theory' 和 'estimation theory in causal inference' 可直接用于理解其理论框架，而 'software development' 技能可用于实现 TAME 算法。中期可做：若想将 TAME 扩展到您熟悉的 higher-order U-statistics 或 HOIF 设定，需先在 'moderately_familiar' 的 HOIF 上深入理解其高阶影响函数结构。

2. 2607.22493 — The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands¶

作者: Yi Li, Ashkan Ertefaie, Mark van der Laan
相关性 8/10 · novelty: new_method
摘要: 本文针对现代半参数估计和机器学习估计量的推断问题，提出V折刀法（V-fold jackknife）作为计算高效且理论严谨的替代方案。该方法仅需V次留出重拟合，利用刀切伪值的经验离散度量化不确定性，无需推导或评估影响函数。对于正则渐近线性估计量，作者证明固定V时学生化V折刀统计量收敛到自由度为V-1的t分布，从而给出有效置信区间，尽管刀切方差估计量本身不依概率收敛。当V趋于无穷时，方差估计量以V^{-1/2}速率一致，允许V缓慢发散（如log n）。理论还扩展到广义渐近线性估计量（影响函数方差发散、收敛速度慢于√n），学生化过程消除了对有效收敛率的依赖。模拟实验在平均处理效应、Kaplan-Meier生存曲线和高度自适应套索剂量反应曲线上验证了可靠性，包括影响函数标准误反保守或不稳定的情形。该工作为半参数推断提供了一种无需影响函数推导的通用推断工具，与您对debiased ML和半参数效率理论的兴趣直接相关。
关键技术: V-fold jackknife, jackknife pseudo-values, Studentized statistic, asymptotically linear estimator, pathwise differentiable parameter, simultaneous confidence bands
为什么对您有用: 本文直接连接您对效率理论（半参数效率界、渐近效率）和debiased ML的兴趣，提出一种无需显式影响函数的推断方法，可视为DML框架的补充。您的技术武器库中'非参数统计'和'因果推断中的估计理论'（very_familiar）可直接用于理解其渐近线性框架，而'semiparametric theory'（moderately_familiar）可用于评估该方法在更复杂估计量（如proximal CI中的估计量）上的适用性。中期可做：将V折刀法与您熟悉的HOIF（moderately_familiar）结合，探索在高阶U-统计量推断中是否可避免高阶影响函数的复杂推导。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶

1. 2607.22162 — Elliptical Regularized Hotelling Tests for High-Dimensional Change-Point Detection¶

作者: Fengyi Song, Mengtao Wen, Long Feng
相关性 8/10 · novelty: new_method
摘要: 本文针对高维重尾、截面相关序列中的均值变点检测问题，提出椭圆正则化Hotelling（ERHT）检验。ERHT利用相邻段的空间中位数对比，结合池化中心化空间符号协方差矩阵的岭正则化逆，同时实现径向稳健性和依赖感知加权。作者建立了单变点和多变点扫描统计量的高斯过程极限，以及有限正则化参数集上的联合收敛性，从而通过联合高斯极限为Cauchy聚合自适应检验提供渐近精确的校准，并给出局部功效和单变点定位的保证。进一步将ERHT得分嵌入wild binary分割算法，证明了变点个数和位置估计的一致性。模拟表明，ERHT在重尾分布下校准良好且功效有竞争力，尤其当截面依赖较强时。实证分析Fama-French 49行业组合发现了位置不稳定的证据和四个结构断点。该工作对您在高维假设检验和变点检测方向有直接参考价值，其空间符号协方差与岭正则化的结合思路可迁移至您熟悉的U-统计量框架下的稳健检验问题。
关键技术: spatial median, ridge-regularized inverse, spatial-sign covariance matrix, Cauchy aggregation, wild binary segmentation, Gaussian-process limit
为什么对您有用: 直接对应您primary interest中的高维假设检验和变点检测。技术核心——空间符号协方差矩阵的岭正则化——与您非常熟悉的U-统计量框架有潜在交叉：空间符号协方差可视为某种U-统计量，其正则化逆的极限行为可用您已有的高维渐近工具分析。中期可做：若将ERHT推广至更高阶的U-统计量变点检验，需先在moderately_familiar的HOIF理论上长肌肉，以处理高阶矩条件。

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 2607.21413 — Stochastic Potential Choices and Outcomes¶

作者: Aureo de Paula, Elie Tamer
相关性 8/10 · novelty: new_theory
摘要: 本文在计量经济学中提出一个随机化潜在结果框架，将每个个体的潜在结果和处理分配（或选择）建模为随机变量，而非传统IV模型中的确定性变量。在随机处理分配下，经典IV估计量不再识别“依从者”的平均处理效应，而是对所有个体按工具变量改变其处理概率的程度进行加权平均。作者进一步给出随机选择的信息理论基础：个体基于其信息集对期望收益做出反应，从而产生随机选择行为。该框架统一了IV、政策评估和选择模型中的多个经典结果，并揭示了随机性假设对识别和估计的实质性影响。对您而言，本文为因果推断中的IV方法提供了新的理论视角，尤其适用于处理分配存在随机性的应用场景（如流行病学中的非依从性分析）。
关键技术: stochastic potential outcomes, instrumental variables, LATE interpretation, information-based stochastic choice, weighted average treatment effect
为什么对您有用: 本文直接关联您的经济理论（应用因果推断）兴趣，特别是IV方法在随机处理分配下的识别问题。您的武器库中'因果推断的估计理论'和'识别理论'可直接用于分析本文的加权平均处理效应估计量的性质，例如推导其半参数效率界。中期可做：需要先熟悉随机潜在结果框架的文献（属于moderately_familiar的识别理论），然后可探索该框架与您熟悉的proximal causal inference中negative control假设的联系。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 6 篇)¶

1. 2607.21880 — Theoretical Properties of Multivariate Random Forest in Feature Selection and its Application to Facial Morphology-Gene Detection¶

作者: Yangsheng Wang, Samruddhi Thakar, Anton Schick, Guifang Fu
相关性 7/10 · novelty: new_theory
摘要: 本文为多元随机森林（MRF）在联合特征选择中的理论性质建立了基础，目标是在高维设定下识别所有真正有影响的特征。核心贡献是首次证明了MRF的一致性：在温和正则条件下，随着样本量趋于无穷，MRF以趋于1的概率保留所有真正有影响的特征。方法上，采用不完全U统计量来整合三层随机性：每棵树的训练子样本、每次分裂的特征子样本、以及每个特征在袋外样本上的置换。与基于独立性的筛选方法不同，MRF的置换变量重要性度量（PVIM）是一种联合筛选方法，能够通过集成聚合处理多重共线性、非线性、高阶交互和个体异质性。实证部分通过一个面部形态全基因组关联研究（2,342名受试者，453,273个SNP）展示了MRF的实用性，识别出若干新位点和交互枢纽。模拟表明MRF在准确识别真实信号、控制假阳性率方面优于典型相关分析等独立多元筛选方法。对您而言，本文的不完全U统计量框架与您的高阶U统计量工作直接相关，且其联合筛选思路对因果推断中的高维协变量选择有参考价值。
关键技术: permutation-based variable importance measure, incomplete U-statistics, multivariate random forest, joint feature selection, genome-wide association study
为什么对您有用: 本文连接您的两个兴趣子方向：(1) 高阶U统计量——不完全U统计量用于整合MRF的三层随机性，您可以用treewidth/张量收缩视角分析其计算代价，这是very_familiar武器可直接攻的口子；(2) 高维统计与因果推断中的特征选择——PVIM的联合筛选思路可迁移至proximal CI或IV中的高维协变量选择问题。中期可做：需先在moderately_familiar的HOIF上长肌肉，以将PVIM与高阶影响函数结合用于因果效应的稳健估计。

2. 2607.21833 — Reconstruction of Enhanced Causal Omnidirectional Network (RECON)¶

作者: Praveen Niranda, Peter T. McKenney, Guifang Fu
相关性 7/10 · novelty: new_method
摘要: 本文提出 RECON 方法，用于从 p 条离散观测的状态轨迹中重建动态调控网络。核心设定是积分形式的加性非参数 ODE 模型，将节点轨迹和边调控效应均建模为时变函数。方法包含五项创新：数据驱动的边选择过程以减少假阳性边；重建有向因果调控网络而非统计关联；兼容密集规则和稀疏不规则纵向采样；输出带符号和权重的调控网络，提供方向、激活/抑制指示和强度解释。模拟研究中，RECON 在最具挑战场景下将假阳性边从 239 降至 0，同时保留几乎所有真边，显著优于 GRADE。该方法对您可能有用：其因果网络重建框架与您因果推断中纵向数据、IV 和 mediation 的子方向直接相关，且积分 ODE 模型与您非参数统计和逆问题工具集有技术交集。
关键技术: integral-based additive nonparametric ODE, data-driven edge selection, time-varying regulatory effects, signed and weighted network, sparse irregular longitudinal sampling
为什么对您有用: 本文属于因果推断在纵向动态系统中的应用，直接连接到您 primary interest 中的因果推断（纵向数据、mediation）和 nonparametric theory。技术层面，积分 ODE 模型可视为一种逆问题，您 very_familiar 的逆问题工具可直接用于分析其估计的收敛性；但核心的边选择过程涉及高维变量选择，您 moderately_familiar 的 M-estimation 理论可帮助理解其假阳性控制的理论保证。中期可做：需先在 moderately_familiar 的 semiparametric theory 上提升，以严格推导该方法的 semiparametric efficiency bound。

3. 2607.21817 — Longitudinal Random Forests for Sparse and Irregular Response Trajectories¶

作者: Yangsheng Wang, Xiaotian Dai, Haoda Fu, Guifang Fu
相关性 7/10 · novelty: new_method
摘要: 本文针对纵向研究中数据稀疏、不规则、不等间隔的问题，提出了一种纵向随机森林（LRF）框架。LRF 利用树集成机器学习，在每个节点内进行自适应的纵向轨迹估计，同时捕捉个体轨迹、节点内相关性、节点间异质性和非线性交互协变量效应。方法贡献包括：基于轨迹的节点分裂准则（含大小加权惩罚）、两种节点内平滑器变体（非参数 PACE 和半参数 adaptive LMM）、以及基于轨迹的置换变量重要性（PVIM）和有限阶交互频率计数用于协变量解释。LRF 不仅能预测新个体的完整轨迹，还能对已有个体进行未来轨迹预测。模拟显示，即使在严重稀疏下，LRF 也优于多种竞争方法。该工作对您可能有用：其节点内纵向建模思路可迁移至因果推断中的纵向数据（如时变处理下的 g-formula 或 TMLE），且树集成与半参数平滑器的结合为处理稀疏观测提供了新工具。
关键技术: Random Forest, Longitudinal trajectory estimation, Principal Analysis by Conditional Expectation (PACE), Linear mixed-effects models, Permutation variable importance measure
为什么对您有用: 本文直接关联您 primary interest 中的纵向因果推断（时变处理、稀疏观测），其节点内轨迹估计与半参数平滑器（adaptive LMM）可视为一种处理稀疏纵向数据的非参数工具。从技术武器库看，您对非参数统计和因果推断估计理论非常熟悉，可立即尝试将 LRF 的节点内平滑器与纵向 g-formula 或 TMLE 结合，用于稀疏时变处理下的 ATE 估计——这是立即可做的方向。

4. 2607.21790 — Semiparametric inference on identification sets in choice modeling¶

作者: Antoine Scheid, Jia Wan, Guy Aridor, Nathan Kallus, Aurelien Bibaut
相关性 7/10 · novelty: new_method
摘要: 本文研究离散选择模型中，当仅观测到有限选择集下的选择概率时，反事实选择概率（未观测选择集下）的识别问题。目标参数是混合分布的一个线性泛函，由于参数空间无限维而数据仅提供有限矩条件，参数通常不是点识别的。作者将识别集定义为与观测数据相容的目标值集合，并刻画其下界和上界。每个端点被表示为概率测度上的线性规划值，在给出路径可微条件后，证明了plug-in端点估计量的渐近正态性。最后，提供了一个类似EM的算法来验证候选值是否属于识别集，并建立了局部收敛保证。本文的方法对您在因果推断中处理部分识别问题（如proximal CI中的negative control假设放松）有直接参考价值，其线性规划+路径可微的技术框架可迁移至您的identification theory工具箱。
关键技术: partial identification, linear programming over probability measures, pathwise differentiability, plug-in estimation, EM-like algorithm
为什么对您有用: 本文直接连接您的primary interest中的identification theory in causal inference，特别是部分识别设定。您可以用very_familiar的nonparametric statistics和minimax bounds工具来检验其端点估计量的收敛速率是否最优，或用moderately_familiar的semiparametric theory推导其效率界。中期可做：若想将EM-like算法推广到更一般的moment inequality问题，需先在moderately_familiar的M-estimation theory上加强。

5. 2607.21991 — Bias-Adjusted Attribution Estimation for Rainfall Enhancement Trials¶

作者: Zhi Yang Tho, Raymond Chambers, A. H. Welsh
相关性 5/10 · novelty: application
摘要: 本文针对降雨增强试验中的归因估计问题，提出了一种新的偏差校正估计量。在模型设定上，采用对数变换后的线性混合模型控制气象和地形协变量，目标 estimand 是原始尺度上归因于增强方法的额外降雨量。核心方法是在反变换时引入理论上合理的、观测值特定的偏差校正项，替代现有方法中任意设定的校正项，并满足“无干预则零归因”的相干性。推断采用比例随机效应块自助法。应用于阿曼2013-2018年降雨增强试验，发现地面电离技术在5%显著性水平下对下风方向降雨有显著正向效应，但所提估计量估计的效应小于现有方法。模拟研究支持所提估计量在估计精度和自助法置信区间推断性能上的优势。对您而言，本文是因果推断中处理非线性变换（log-transformed outcome）后反变换偏差的实例，其偏差校正思路可迁移至您关注的proximal CI或mediation分析中连续型结局的反变换问题。
关键技术: bias-adjusted back-transformation, linear mixed model, proportional random effect block bootstrap, coherence property, attribution estimation
为什么对您有用: 本文属于应用因果推断（降雨增强试验的归因估计），直接连接到您的primary interest中causal inference的estimation方向。技术层面，其偏差校正思路可迁移至您very_familiar的estimation theory in causal inference：例如在proximal CI或mediation中处理log-transformed outcome时，可借鉴其观测值特定校正项设计。中期可做：若想将此类偏差校正推广至更一般的非线性变换（如inverse hyperbolic sine），需先在moderately_familiar的semiparametric theory上巩固，以推导更一般的EIF-based校正。

6. 2607.22950 — Priority-Standardized Net Benefit: A Stage-Normalized Estimand for Hierarchical Composite Endpoints¶

作者: David McCoy, John Leopold, Shirley Galbiati, Minhthien Vu, Bonnie Zhang
相关性 4/10 · novelty: new_method
摘要: 本文针对层级复合终点（hierarchical composite endpoints）的 win statistics 分析，提出一个新的 estimand——Priority-Standardized Net Benefit (PSNB)。现有 win ratio 等方法在跨层聚合时使用数据驱动的 reach probabilities 作为权重，导致低优先级层（如患者自报结局）在高频时可能主导结果，即使该层更易受偏倚或缺失影响。PSNB 将层级比较分解为层条件净获益（stage-conditional net benefits），并用预设的优先级/可信度章程（priority/credibility charter）而非 reach weights 进行加权聚合。作者明确了方法学缺口在于跨层聚合而非层内比较，并指出固定权重的 win-loss 统计量在机制上仍是 reach-weighted。他们开发了基于影响函数（influence function）的估计量和大样本推断，以及比率尺度的对应量 Priority-Standardized Win Ratio；还提供了设计工具（层影响上限、转折点分析、章程包络敏感性分析），可在揭盲前使用。模拟验证了名义第一类错误控制，PSNB 在层条件效应固定时对 reach 的大幅变化近似不变，且低层偏倚和缺失敏感性由章程而非 reach 分布主导。在 win ratio 有约 90% 功效的样本量下，PSNB 使用基线章程能保持同等功效，而最终层主导的获益下的功效取决于允许的末层权重。该工作对您在因果推断中处理复合终点和敏感性分析有直接参考价值，尤其是其影响函数估计量和章程包络敏感性分析的设计思路。
关键技术: influence function estimation, win statistics, hierarchical composite endpoints, sensitivity analysis, large-sample inference
为什么对您有用: 本文直接关联您的 primary interest 中的因果推断（估计与敏感性分析）和效率理论（影响函数估计量）。您可以用 very_familiar 的估计理论（非参统计、因果推断中的估计理论）来审视其影响函数估计量的 semiparametric efficiency 性质，或用 moderately_familiar 的 HOIF 思路扩展其敏感性分析框架。中期可做：若想将 PSNB 框架推广到更复杂的纵向或 proximal CI 设定，需先在 moderately_familiar 的识别理论（因果推断中的识别理论）上加强。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 2607.22183 — Nonparametric Inference for Semigroup Blocks of Switching Diffusions¶

作者: Yuzhong Cheng
相关性 6/10 · novelty: new_method
摘要: 本文研究切换扩散过程（switching diffusions）中 regime 条件转移概率和矩的非参数估计问题。在可观测 regime 路径的设定下，目标是通过短时间尺度的局部探针恢复 regime 索引的半群块（semigroup blocks）的生成元系数。方法核心是 Dynkin-Taylor 展开，将前两个块生成元系数与可观测量的局部行为联系起来；通过 shrinking mesh 下的共同设计差分（common-design difference）消除局部水平项，得到鞅阵列；利用非重叠二阶差分保留块内协方差并产生方差因子2。所得一阶和二阶估计量渐近正态，且可行 studentization 成立，支持短时逼近和原始系数交互作用的设定检验。理论工具包括固定网格局部多项式理论和鞅中心极限定理，数值实验验证了有限样本表现。对您而言，本文展示了非参数估计在复杂随机过程（切换扩散）中的精细构造，其局部探针+差分消项+鞅阵列的技术路线与您熟悉的非参数统计和逆问题方法高度契合，可作为拓展至纵向因果推断中时变混杂设定下非参数识别的参考。
关键技术: Dynkin-Taylor expansion, martingale array, common-design difference, local polynomial estimation, shrinking mesh asymptotics, feasible studentization
为什么对您有用: 本文直接连接您的 primary interest 中的非参数统计和估计理论，其 Dynkin-Taylor 展开+局部探针+鞅阵列的技术路线与您非常熟悉的非参数统计和逆问题方法高度契合。具体而言，您可以用 very_familiar 中的 minimax bounds 工具检验本文估计量的最优性，或用 moderately_familiar 中的 M-estimation 理论将局部多项式框架推广到更一般的半参数设定。中期可做：若将切换扩散视为纵向因果推断中的时变混杂过程，可尝试用您 moderately_familiar 的 identification theory 将本文的生成元恢复与因果效应识别结合。

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

1. 2607.20928 — High-dimensional sparsity-adaptive multiple change-point detection¶

作者: Hyeyoung Maeng, Tengyao Wang, Piotr Fryzlewicz
相关性 7/10 · novelty: new_method
摘要: 本文针对高维均值序列的多变点检测问题，提出了一种自底向上的凝聚式算法。与传统的自上而下（分裂式）方法不同，该方法从最细粒度开始迭代合并相邻数据段，特别适用于变点频繁的信号场景，因为局部证据在合并为粗粒度摘要之前已被评估。方法计算相邻段的 L2 和 L∞ 聚合检验统计量，并结合其秩信息，从而自适应地处理不同稀疏程度的变点信号。在 iid 高斯噪声以及可能相依/非高斯的噪声下，证明了估计变点个数和位置的一致性。模拟和 UK 房价指数数据展示了其实用性。该工作对您在高维统计和假设检验方面的兴趣有直接关联，其自底向上策略和秩聚合思想可能为高维变点检测提供新的理论视角。
关键技术: bottom-up agglomerative algorithm, L2 and L∞ aggregated test statistics, rank-based aggregation, change-point consistency, high-dimensional mean sequence
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，其自底向上的变点检测策略和秩聚合方法在高维设定下具有理论价值。您可以用非常熟悉的 minimax 界工具分析其检测阈值的紧性，或用 moderately_familiar 的 M-估计理论评估其一致性证明的稳健性。中期可做：若想将方法推广到非参数或因果设定，需先在 moderately_familiar 的识别理论或 semiparametric 理论上加强。

2. 2607.22440 — Nonlinear Boosting with Multiple Testing in High-Dimensional Generalised Linear Models with Binary Responses¶

作者: Charisios Grivas, George Kapetanios, Zacharias Psaradakis, Vasilis Sarafidis, Marian Vavra, Alexia Ventouri
相关性 7/10 · novelty: new_method
摘要: 本文针对高维广义线性模型（GLM）中二值响应变量的变量选择问题，提出了一种结合非线性Boosting与多重检验校正（BMT）的新方法。BMT在每一步迭代中，仅将条件于已选协变量后最显著的协变量加入模型，并通过多重检验控制整体选择错误率。理论证明，在正则条件下，BMT能以趋于1的概率选出所有真实非零系数变量，且不包含任何无关变量，即具备变量选择一致性。进一步，BMT后的最大似然估计量具有Oracle性质，其渐近等价于已知真实稀疏模型的Oracle估计量。蒙特卡洛实验表明，BMT在协变量选择准确性和参数估计误差上优于Lasso、自适应Lasso等竞争方法。实证部分将BMT应用于预测美国通胀率在12个月内超过给定阈值的概率，展示了良好的样本外表现。对您而言，本文的高维变量选择与多重检验结合思路，可迁移至因果推断中的高维混淆变量筛选或敏感性分析中的变量选择问题，且其理论分析框架（Oracle性质、选择一致性）与您熟悉的非参数统计和M估计理论有直接联系。
关键技术: Boosting with multiple testing correction, variable selection consistency, oracle property, high-dimensional generalized linear models, maximum likelihood estimation
为什么对您有用: 本文直接关联您的高维统计与假设检验兴趣，其变量选择一致性和Oracle性质的理论证明与您熟悉的非参数统计和M估计理论相通。您可以用very_familiar的minimax bounds工具来检验其选择一致性的最优性，或思考如何将BMT的逐步选择框架与因果推断中的倾向性得分变量筛选结合。中期可做：若想将BMT推广至更复杂的因果结构（如工具变量选择），需先在moderately_familiar的identification theory上加强。

3. 2607.20877 — Testing for functional white noise in high dimensions¶

作者: Jinyuan Chang, Qing Jiang, Xinghao Qiao, Lin Yang
相关性 6/10 · novelty: new_method
摘要: 本文针对高维函数型时间序列的白噪声检验问题，提出一个通用的误差污染框架。现有方法局限于单变量函数型时间序列或高维标量时间序列，无法处理高维函数型数据。作者基于交叉自协方差函数构造了一个上确界型检验统计量，并设计参数自助法逼近其零分布。通过一个一般性的高层条件，推导了新的高斯近似结果以保证检验的尺寸控制，并建立了渐近功效保证。该框架具体应用于离散观测函数型时间序列的白噪声检验和函数型因子模型的残差拟合优度检验。模拟和真实数据实例验证了方法的有限样本性能。对您而言，本文的高维函数型时间序列设定与您的高维统计和假设检验兴趣直接相关，其高斯近似技术可能对您在高维推断中的理论工作有参考价值。
关键技术: Gaussian approximation, parametric bootstrap, supremum-type test statistic, cross-autocovariance function, high-dimensional functional time series
为什么对您有用: 本文直接对应您 primary interest 中的 hypothesis testing 和 high-dimensional statistics。其高斯近似结果可用于您熟悉的高维渐近理论框架，且自助法实现门槛低，属于立即可做的 follow-up 方向——您可以用 minimax bounds 工具检验其检验功效的最优性。

4. 2607.24394 — An MTP\(_2\) property for conditional distributions¶

作者: Sebastian Fuchs, Yuping Wang
相关性 5/10 · novelty: new_theory
摘要: 本文提出了一种新的正依赖概念——条件分布下的多元全正二阶性（cMTP₂），该概念显式地纳入了条件变量。cMTP₂ 比密度的多元全正二阶性（MTP₂）更弱，但比分布函数的 MTP₂、随机单调性和尾部单调性更强，从而在经典正依赖概念之间提供了一个自然的中间层次。作者验证了多种分布和 copula 族（包括 Archimedean copula）满足 cMTP₂ 性质，并证明了该性质在 Markov 乘积变换下的稳定性。作为应用，推导了由 Markov 结构产生的定向依赖度量（包括 Chatterjee 秩相关和一种相关的敏感性度量）的比较结果。该工作为高维依赖建模和假设检验提供了新的理论工具。
关键技术: multivariate total positivity of order 2 (MTP₂), conditional distributions, copula families, Markov product transformations, Chatterjee's rank correlation
为什么对您有用: 该论文直接关联您的数学统计与假设检验兴趣，特别是正依赖结构的研究。您武器库中'非参数统计'和'高维渐近理论'可用于分析 cMTP₂ 性质在高维假设检验中的表现，例如检验条件独立性或单调性。中期可做：需先在 moderately_familiar 的'M-估计理论'上提升，以将 cMTP₂ 嵌入到半参数估计框架中。

5. 2607.20893 — A Two-Sample Test on Weighted Persistence Intensity Functions in Topological Data Analysis¶

作者: Yeongung Han, Ilmun Kim, Jisu Kim
相关性 5/10 · novelty: new_method
摘要: 本文在拓扑数据分析（TDA）框架下，针对持久图（persistence diagram）的强度函数（intensity function）提出了一种基于核的置换检验方法。强度函数定义为持久图期望测度的Lebesgue密度，是刻画持久图概率分布的基本汇总量。作者引入了控制持久图可能无界基数效应的假设，并导出了检验统计量的尖锐方差界。利用这些结果，他们证明了所提检验的minimax最优性。此外，文中给出了圆上Čech复形持久图的显式刻画。由于最优带宽在实际中不可直接获取，作者采用了带宽聚合（bandwidth aggregation）框架。模拟和实际数据应用验证了该方法的有效性和高经验功效。该工作填补了持久图强度函数假设检验的理论空白，特别是检验功效性质的分析。对您而言，本文在假设检验框架下结合了非参数核方法和minimax理论，与您对数学统计与假设检验的兴趣高度相关。
关键技术: kernel-based permutation test, minimax optimality, persistence intensity function, bandwidth aggregation, Čech complex
为什么对您有用: 本文直接连接您对假设检验的兴趣，特别是非参数检验的minimax最优性分析。您武器库中的非参数统计和minimax界工具（very_familiar）可直接用于理解其检验功效的sharpness，并可能将带宽聚合框架迁移到您熟悉的U-statistic检验问题中。中期可做：若想将本文的拓扑框架与您的高阶U-statistic工作结合，需先在moderately_familiar的HOIF理论上加强。

6. 2607.20821 — Ball-Codifference Screening for Heavy-Tailed Predictors¶

作者: Mohsen Rezapour, Vahed Maroufy
相关性 5/10 · novelty: new_method
摘要: 针对高维筛选问题中预测变量稀疏或重尾导致协方差/相关系数不稳定甚至不存在的问题，本文提出 Ball-codifference 筛选方法。该方法将随机球的秩型几何与基于特征函数的 codifference 依赖度量结合，无需有限一阶或二阶矩即可计算。定义了 Ball-codifference 及其归一化筛选统计量，并构建了确定独立筛选（SIS）流程。利用有界 V-统计量和函数 delta 方法，在标准非退化与正则性条件下推导出大样本正态性。模拟表明，在重尾稳定分布设计下，codifference 加权的 Ball 筛选在恢复高关联预测变量方面具有竞争力或更优表现。数据实例显示该方法在线性回归中显著提升预测精度。对您而言，该工作连接了高维统计与重尾稳健推断，且其 V-统计量框架与您熟悉的 higher-order U-statistics 理论有直接技术交集。
关键技术: Ball-codifference, sure independence screening, V-statistic, functional delta method, characteristic function, heavy-tailed distributions
为什么对您有用: 本文属于高维统计与假设检验方向，直接关联您 primary interest 中的 high-dimensional statistics 和 hypothesis testing。其核心工具 V-statistic 的渐近理论是您 very_familiar 的 higher-order U-statistics 的一个特例，您可以用 treewidth / tensor contraction 视角分析其计算成本，或用 minimax bound 检验其筛选一致性的最优性。中期可做：若想将 Ball-codifference 推广到更一般的依赖度量（如条件独立筛选），需先在 moderately_familiar 的 HOIF 上提升。

7. 2607.23744 — Robust estimation of the autocorrelation function via forward ratios¶

作者: A. Montañés, E. Ruiz
相关性 4/10 · novelty: new_method
摘要: 本文针对时间序列中自相关函数（ACF）的稳健估计问题，提出了三类基于观测值前向比率的估计量。第一类基于中位数，具有强稳健性但效率较低；第二类为准最大似然（QML）估计量，效率更优；第三类为插件估计量，无需数值优化，计算极其简单，且效率接近ML估计量。作者推导了前两类估计量在真实自相关为零时的渐近分布，并证明插件估计量的渐近分布与QML估计量非常接近，可用于构建自相关的逐点显著性带。蒙特卡洛模拟表明，在无污染序列中，所提估计量的离散度略大于样本自相关，但在存在异常值时高度稳健；且对于高阶自相关，其性能优于基于秩的现有稳健估计量。实证部分展示了IBEX35日收益率、美国季度GDP增长率和月度通胀率的自相关图估计。
关键技术: forward ratio estimators, quasi-maximum likelihood, plug-in estimation, asymptotic distribution under null, robust autocorrelation
为什么对您有用: 本文属于假设检验与稳健估计的交叉方向，与您对数学统计和假设检验的兴趣直接相关。其核心贡献在于为时间序列自相关提供了计算简单且可做推断的稳健估计量，这在流行病学或经济学应用中处理含异常值的纵向数据时可能有用。从技术武器库看，您对非参数统计和M估计理论较为熟悉，可尝试用minimax界分析该估计量在非零自相关下的最优性，或将其推广到面板数据设定——这属于中期可做，需先在M估计理论上进一步熟悉。

统计计算 / 算法 (stat_computing, 3 篇)¶

1. 2607.21916 — Estimating dynamic models by matching random features¶

作者: Michael Wieck-Sosa, Cosma Rohilla Shalizi
相关性 6/10 · novelty: new_method
摘要: 本文针对动态模型参数估计中似然函数难以计算的问题，提出了一种基于随机特征匹配的模拟推断方法。作者利用非线性动力学中的嵌入定理，证明对于一大类动态模型，仅需 2p+1 个随机特征即可识别 p 维参数。分别针对平稳和非平稳过程设计了两种估计量，并在温和正则性条件下证明了相合性。该方法避免了手动选择汇总统计量的繁琐和神经网络表示学习的计算负担，为模拟推断提供了一种计算上更轻量的新范式。对您而言，该工作直接关联到统计计算中的算法设计，且其随机特征匹配的思路可能为高维 U-统计量的计算提供新的近似策略。
关键技术: random features, simulation-based inference, embedding theorem, consistency, nonlinear dynamics
为什么对您有用: 本文属于统计计算方向，直接对应您 primary interest 中的 'statistical computing'。其核心思想——用少量随机特征替代高维或复杂统计量——与您熟悉的 'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)' 有潜在交叉：随机特征匹配可能为高维 U-统计量的近似计算提供一种低复杂度的替代方案。目前属于中期可做：需先在 moderately_familiar 的 'theory of higher-order U-statistics' 上建立随机特征与 U-统计量投影之间的联系。

2. 2607.22285 — smartcor: Intelligent Correlation Method Selection for Mixed Variable Types¶

作者: M Harshvardhan, Pritam Ranjan
相关性 4/10 · novelty: application
摘要: 本文介绍 smartcor 软件包，解决混合变量类型下相关系数方法自动选择的问题。Pearson 相关系数仅适用于连续变量间的线性关系，而实际数据常包含二元、有序、名义分类等混合类型，需要点二列相关、多分格相关、四分格相关、Cramér's V 等专门方法。该包自动检测每对变量的类型，从 14 种关联度量中选取合适方法，覆盖全部 10 种变量类型组合，并区分真正的相关（有序/连续对）与统计关联（名义分类对）。通过 Monte Carlo 模拟验证选择逻辑的正确性，并用 GSS 数据案例展示 naive 使用 Pearson 与类型感知分析的实质性差异。该包提供 R 和 Python 双版本，输出附带选择理由说明。对您而言，这是一个统计计算工具，其自动类型检测与方法映射逻辑可作为您开发软件时处理混合数据类型的参考模式。
关键技术: automatic variable type detection, polychoric correlation, tetrachoric correlation, Cramér's V, point-biserial correlation, Monte Carlo simulation validation
为什么对您有用: 属于统计计算（software development）方向，直接对应您 primary interest 中的软件工具开发。该包的自动类型检测与 14 种方法映射逻辑，可作为您未来开发因果推断或高维统计软件时处理混合数据类型的参考架构。武器库中 very_familiar 的 software development 技能可直接评估其设计优劣。中期可做：若想扩展该包到因果推断场景（如处理 treatment/outcome 混合类型时的关联度量选择），需先在 moderately_familiar 的 identification theory 上补足。

3. 2607.21741 — Globally aligned Principal Component Analysis for multi-group data¶

作者: Hedayat Fathi, Marzia A. Cremona, Federico Severino
相关性 4/10 · novelty: new_method
摘要: 本文提出了一种针对多组数据集的全局对齐主成分分析（aligned PCA）方法。现有方法要么忽略组结构直接做全局（pooled）PCA，要么只关注组内局部结构（group-wise PCA），或施加共同主成分的强假设。作者通过正则化优化显式对齐组内主成分与全局主成分，引入“全局对齐协方差矩阵”概念，在组内协方差矩阵中加权融入全局主方向信息，对齐强度由可调正则参数控制。模拟研究表明，该方法在捕捉组内局部变异与保持跨组可解释性和稳定性之间取得了良好折中。在2021年加拿大人口普查社会经济数据应用中，aligned PCA比pooled或group-wise PCA产生了更可比、更稳定的区域特定主成分。该方法本质上是一种统计计算中的正则化降维技巧，与您的统计计算（数值方法、算法）兴趣直接相关，可作为多组数据降维的实用工具。
关键技术: regularized optimization, covariance matrix alignment, principal component analysis, multi-group data, tuning parameter selection
为什么对您有用: 本文属于统计计算方法（正则化降维）的实用改进，与您的primary interest“statistical computing”直接相关。您的武器库中“软件开发”和“高维渐近”可用于分析其正则化参数选择的理论性质（如交叉验证的收敛性），但核心方法（协方差对齐）与您的very_familiar工具（非参、minimax界）关联较弱，属于“中期可做”——需先在moderately_familiar的M-estimation理论上长肌肉，才能严格分析其估计量的相合性。

天体统计 (astrostats, 4 篇)¶

1. 2607.21431 — Modeling Dependence Structures in Astronomical Multi-Band Time Series Data via Multi-Output Gaussian Processes¶

作者: Samata Das, Lishan Shi, Yasaman Hamayouni, Hyungsuk Tak, Jong-Hak Woo
相关性 7/10 · novelty: survey
摘要: 本文针对天文多波段时序数据（如活动星系核光变曲线）的依赖结构建模问题，提出基于多输出高斯过程（MOGP）的统一统计框架。核心贡献在于系统区分了两种互补的建模路径：协方差基公式直接通过矩阵值协方差函数刻画波段间依赖，强调观测数据的随机性质（如功率谱密度）；潜过程公式则将观测光变视为潜GP的变换，更贴近物理生成机制。作为具体实例，作者推导了多输出阻尼随机游走模型及其谱表示，并应用于多波段AGN变率和连续谱反响映射。本文不主张某一公式的普适优越性，而是为根据科学目标选择依赖结构提供原则性指导，并阐明该选择如何影响变率的统计表征与物理解释。对您而言，这是一篇优秀的入门级天文统计文献，清晰展示了天文数据（不规则采样、多通道、噪声结构）对统计建模的独特挑战，且武器库中的非参数统计和高维渐近工具足以支撑您理解其核心方法，值得花时间通读全文以建立对astrostatistics领域的问题感。
关键技术: multi-output Gaussian processes, matrix-valued covariance functions, latent-process formulation, damped random walk model, power spectral density, reverberation mapping
为什么对您有用: 本文属于astrostats的gateway-reading范畴：(1) 作为入门读物，它系统介绍了天文多波段时序数据的统计建模框架，不预设天文术语，适合统计学家快速进入该领域；(2) 武器库中的非参数统计（GP协方差函数设计）和高维渐近（多输出过程的理论性质）足以支撑理解其核心方法，无需额外学习新工具；(3) 值得花时间读全文，因为其问题结构（不规则采样、多通道依赖、物理驱动的潜变量模型）与您熟悉的因果推断中的纵向数据、潜变量模型有深层类比，可能启发新的方法学迁移。

2. 2607.21134 — Fast Inference on Astronomical Time Series with Trans-Dimensional Flow Matching Posterior Estimation¶

作者: Nina van der Meulen, Tin Hadži Veljković, Daniela Huppenkothen, Benjamin Kurt Miller, Christoph Weniger
相关性 7/10 · novelty: new_method
摘要: 本文针对天文时间序列（如伽马射线暴、快速射电暴、磁星暴发）中的瞬变事件分析，提出了一种基于流匹配后验估计的跨维度推断方法 t-FMPE。传统方法（MCMC、嵌套采样）在处理脉冲数量和参数同时未知的跨维度问题时效率低下，而 t-FMPE 利用 transformer 架构实现摊销推断，能够快速从均匀采样的单变量时间序列中生成后验样本。方法核心是将变分推断与连续归一化流结合，通过条件流匹配学习从数据到后验的映射，并支持跨维度跳跃。在模拟数据和真实观测（快速射电暴、X 射线暴）上的测试表明，t-FMPE 的后验与 MCMC 参考后验定性一致（通过分类器双样本检验），但采样速度提升数个数量级（80 维参数空间达每秒 100 样本）。该方法还能在存在死时间等观测偏差时推断无偏后验。对您而言，这是一篇优秀的入门级天文统计方法论文，清晰展示了模拟推断（SBI）在天文时间序列分析中的潜力，且其跨维度推断框架与您熟悉的非参数统计和高维推断有概念上的连接，值得作为 gateway reading 了解天文数据问题的结构。
关键技术: flow matching, trans-dimensional inference, simulation-based inference, transformer architecture, amortized posterior estimation, classifier two-sample test
为什么对您有用: 本文属于 astrostatistics 的 gateway reading，满足入门标准：(a) 对天文外行友好，清晰解释了瞬变事件、脉冲分解、跨维度推断等概念，不预设天文术语；(b) 阐明了天文学家关心的核心科学问题（从时间序列中提取脉冲参数以约束物理模型）；(c) 提出了一个真正的数据分析问题——跨维度推断，统计方法（SBI、流匹配）有改进空间；(d) 清晰交代了数据结构（均匀采样单变量时间序列、死时间偏差）和模型（脉冲叠加模型、似然函数）。您的武器库中非参数统计和软件工程能力足以支撑您理解本文方法，但若要深入跟进，需在模拟推断（SBI）和归一化流上补课——这属于 moderately_familiar 之外的新工具。本文值得花时间读全文，作为进入天文统计方向的起点。

3. 2607.22330 — A Hierarchical Likelihood Model for Non-linear Inverse Problems under Additive and Multiplicative Noise¶

作者: Nicolas Goeman, Pierre-Antoine Thouvenin, Pierre Chainais
相关性 6/10 · novelty: application
摘要: 本文针对同时包含加性噪声、乘性噪声和删失数据的非线性反问题，提出了一种通用的分层贝叶斯模型和高效的MCMC算法。传统方法常忽略某类噪声或使用近似似然函数，导致模型不准确或校准复杂；本文通过分层建模直接处理完整的似然函数，避免了近似模型的超参数校准。在模拟的天文数据上，该方法在点估计、计算成本和预测性能上均优于现有基线方法。文章还提供了不同噪声和删失配置下的系统比较，可作为实践者选择似然模型的指南。对您而言，这是一篇优秀的入门级天文统计文献，清晰展示了天文反问题的数据结构和贝叶斯建模流程，适合作为了解该领域统计挑战的起点。
关键技术: hierarchical Bayesian model, MCMC, non-linear inverse problem, multiplicative noise, censored data
为什么对您有用: 本文属于astrostats的gateway reading，满足入门标准：(a) 对非天文背景的统计学家友好，清晰解释了数据生成机制（加性+乘性噪声、删失）和贝叶斯建模动机；(b) 明确阐述了天文学中常见的科学问题（反问题不确定性量化）；(c) 数据侧（噪声结构、删失机制）和模型侧（分层先验、似然）均有清晰交代。武器库中'非参数统计'和'反问题'的熟悉度足以理解方法框架，但MCMC的细节（如收敛诊断、提议分布设计）属于moderately_familiar领域，需补充学习。值得花时间读全文，作为进入天文统计方向的起点。

4. 2607.21009 — GCR Spectra Reconstructed with Neutron Monitor Yield Function and Artificial Neural Networks: Comparison of Two Methods¶

作者: Stepan Siruk, Vladislav Alekseev, Victor Kuzminov, Rustam Yulbarisov, Andrey Mayorov
相关性 6/10 · novelty: application
摘要: 本文提出一个框架，利用全球中子监测站网络重建时间分辨的银河宇宙线（GCR）质子和氦能谱，无需直接卫星观测。对比了两种方法：校准的产额函数加力场方案，以及基于多站中子监测计数率与日球物理指数训练的人工神经网络。重建的能谱时间序列能再现大尺度太阳周期调制和短期扰动，并覆盖缺乏每日航天器数据的时段（如2006-2011年与PAMELA一致，2019-2022年与AMS-02巴特尔斯旋转平均值一致）。人工神经网络在所有能量上表现优异，平均绝对百分比误差显著更低，χ²/dof接近1。充分的验证确认了鲁棒性，表明中子监测器可作为有效的实时GCR谱仪。作为一篇应用型论文，方法学新颖性有限，但清晰展示了数据结构和模型假设（计数率、产额函数、日球物理指数），适合作为统计学家进入天体统计的入门读物。
关键技术: artificial neural networks, yield function, force-field scheme, neutron monitor count rates, heliophysical indices
为什么对您有用: 本文属于astrostats的gateway reading：它清晰阐述了数据侧（多站中子计数率、噪声结构、选择效应）和模型侧（产额函数、力场参数、神经网络），适合统计学家快速理解宇宙线能谱重建问题。武器库中'nonparametric statistics'和'high-dimensional asymptotics'可帮助评估神经网络方法的过拟合风险和不确定性量化，但核心机器（产额函数物理模型、日球物理指数）不在武器库内，属于暂不可做方向。值得花时间读全文以了解天体物理数据结构和分析范式。

经济理论 / 应用 (econ_theory, 2 篇)¶

1. 2607.22028 — To what extent can long-differencing capture climate adaptation?¶

作者: Dalia Ghanem, Felix Pretis, Daniel Schuurman
相关性 7/10 · novelty: weaker_assumption
摘要: 本文研究经济学中常用的一种气候适应度量方法——比较长期差分（LD）与固定效应（FE）估计量——的有效性。作者证明，LD和FE的估计目标都不是其意图估计的参数：两者都是长期和短期气候响应（气候 vs. 天气）的加权平均，因此它们的差异系统地低估了真实的适应程度。基于该差异的标准检验虽然能控制第一类错误，但在研究者通常遇到的数据设定下功效严重不足。通过经验校准的模拟，作者发现该差异低估适应程度约30–80%，具体取决于平均窗口长度。本文对您可能有用：它直接关联您对因果推断中识别假设和估计量一致性的兴趣，特别是面板数据中处理效应异质性的问题，且其模拟设计可作为您自己敏感性分析工作的参考。
关键技术: long-difference estimator, fixed effects estimator, weighted average treatment effect, simulation-based calibration, underidentification
为什么对您有用: 本文属于经济理论（应用因果推断）方向，直接讨论面板数据中气候适应度的识别与估计问题。您武器库中的非参数统计和因果推断估计理论可用于分析其加权平均估计量的偏差来源，而您 moderately_familiar 的识别理论可帮助评估其假设的合理性。中期可做：需先在 moderately_familiar 的识别理论上进一步熟悉面板数据异质性处理效应的识别条件，才能对本文的结论进行推广或提出替代检验。

2. 2607.21323 — Uniformly Consistent Semi-nonparametric Demand Estimation with Micro-Data¶

作者: Richard Grigorian
相关性 6/10 · novelty: new_method
摘要: 本文针对差异化产品需求模型，提出一种利用微观层面消费者选择数据的半非参数估计方法。模型设定中，消费者异质性函数和价格侧函数均为非参数，而市场特定的复合截距项随市场数量增长。估计器采用 profiled sieve minimum-distance 框架，先通过市场内消费者协变量的变差识别异质性函数和截距，再借助排除性价格工具变量将截距分解为价格函数和结构需求冲击。核心理论贡献在于证明：当市场数量与最小市场内样本量同步增长时，profiling 步骤对渐近分布的影响可忽略，从而公共结构函数（异质性函数和价格函数）可获得一致估计。蒙特卡洛模拟验证了理论结果，并展示了灵活估计价格侧函数对反事实需求分析的重要性。对您而言，本文是经济理论方向中应用半非参数方法的典型范例，其 profiled sieve 估计与工具变量识别策略与您的因果推断（IV）和半参数理论兴趣直接相关。
关键技术: profiled sieve minimum-distance estimation, semi-nonparametric demand model, excluded price instruments, uniform consistency, micro-level choice data
为什么对您有用: 本文属于经济理论方向的应用因果推断工作，直接连接您的 secondary interest 中的经济理论（模型、应用因果工作）。其 profiled sieve 估计框架与您武器库中的非参数统计和估计理论（very_familiar）高度匹配，您可立即用 minimax 界分析其 uniform consistency 的速率是否最优。中期可做：若想将类似 profiled 方法推广到您的因果推断设定（如 IV 中的高维固定效应），需先在 moderately_familiar 的 M-estimation 理论上加强。

其他 (other, 5 篇)¶

1. 2607.22437 — A Consistent Feature Screening Approach for Tensor Responses with Applications to Genome-Wide Facial Shape Association¶

作者: Shaofei Zhao, Zuofeng Shang, Seth M. Weinberg, Peter Claes, John R. Shaffer, Guifang Fu
相关性 5/10 · novelty: application
摘要: 本文针对超高维预测变量与张量响应之间的关联筛选问题，提出了一种基于张量岭回归的修剪特征筛选方法（TrimTenRidge）。该方法通过设定张量系数的阈值进行特征筛选，无需稀疏结构假设，并能同时定位与每个选定预测变量相关的张量响应的具体区域/分量。作者证明了该方法的理论选择一致性，并通过多种模拟设置评估了其实证性能。该方法同时处理超高维预测变量和张量响应，在理论、方法和五个应用方面均有贡献。实际应用于全基因组人类面部形状数据（张量大小为 2,342×7,160×3），成功检测到多个新的遗传位点并确认了一些已知的面部形状关联基因。对您而言，本文属于应用导向的方法学工作，与您的主要兴趣（高维统计、张量计算）有间接关联，但方法本身（基于岭回归的阈值筛选）在理论深度上有限。
关键技术: tensor ridge regression, feature screening, sure independence screening, ultrahigh-dimensional predictors, selection consistency
为什么对您有用: 本文涉及高维统计与张量数据，与您的高维统计兴趣有交集，但方法本身（基于岭回归的简单阈值筛选）在理论创新上有限，且未涉及您更核心的因果推断、半参效率或U统计量方向。作为应用工作，其基因组-面部形状关联分析的数据结构（2,342×7,160×3张量）和筛选流程对您了解张量数据应用有一定参考价值，但暂不构成直接可攻的方法学问题。

2. 2607.21053 — Information criteria exploiting latent structure for model selection in Structural Equation Models¶

作者: Marion Naveau, Magalie Houée-Bigot, Matthieu Marbac, Anouk Zancarini, Mathieu Emily
机构: Laboratoire de Mathématiques de Bretagne Atlantique · Institut de Génétique, Environnement et Protection des Plantes · Institut de recherche mathématique de Rennes
相关性 5/10 · novelty: application
摘要: 本文针对结构方程模型（SEM）中的模型选择问题，提出两种基于完整数据似然（complete-data likelihood）的新信息准则。第一种准则将集成完整似然（ICL）准则推广到高斯SEM，直接利用潜变量结构进行模型选择；第二种准则通过重要性采样策略近似集成观测数据对数似然，同时融入潜结构信息。在包含零、直接、间接和完全潜结构的多种仿真场景下，评估了不同样本量和信号强度下的表现。结果表明，重要性采样策略在广泛场景下提供稳健且具竞争力的模型选择，而ICL准则在潜变量估计准确时尤其擅长恢复潜依赖结构。本文贡献在于显式利用潜结构设计信息准则，而非仅依赖观测数据似然。对您而言，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）无直接技术重叠，但SEM与潜变量模型在因果推断中介分析中有概念联系，可作为背景阅读。
关键技术: Integrated Completed Likelihood (ICL), importance sampling, structural equation models, latent variable models, model selection criteria
为什么对您有用: 本文属于应用统计方法，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接技术重叠。SEM与因果推断中的潜变量模型（如中介分析）有概念联系，但本文未涉及identification或efficiency理论。作为gateway-reading，本文对统计学家友好，但方法学新颖性有限（ICL和重要性采样均为成熟技术）。武器库中'非参数统计'或'因果推断估计理论'无法直接攻入本文核心问题。暂不可做——核心机器（潜变量模型选择的具体技术）不在武器库中，且与您当前研究方向距离较远。

3. 2607.21901 — AdaptICA: Data-Adaptive Transformation Learning for Independent Component Analysis¶

作者: Lida Jalili, Jingyu Liu, Vince D. Calhoun, Li-Hsiang Lin
相关性 4/10 · novelty: new_method
摘要: 本文提出 AdaptICA，一种数据自适应变换学习框架，用于独立成分分析（ICA）。标准 ICA 假设观测尺度保持线性混合结构，但该假设在非线性预处理（如运动想象 EEG 的频带功率）下可能失效。AdaptICA 通过轮廓互信息准则联合学习分组分量变换和解混结构，解决了变换与解混参数相互补偿带来的可识别性和渐近挑战。作者建立了变换估计的可识别性、一致性和渐近正态性，以及变换和解混估计的联合强一致性。该方法数据自适应地选择变换结构，包含恒等变换作为候选，从而在无需尺度调整时退化为标准 ICA。模拟和实际应用表明，AdaptICA 在需要变换时能恢复更独立、可解释的信源，而在原始尺度足够时保持标准 ICA 性能。
关键技术: Independent Component Analysis, Mutual Information Criterion, Profile Likelihood, Adaptive Transformation, Joint Estimation
为什么对您有用: 本文属于信号处理/机器学习方法，与您的主要兴趣（因果推断、高维统计等）无直接交集。但其中联合估计和可识别性分析的技术思路，对您 moderately_familiar 的识别理论有一定参考价值。暂不可做——核心机器（ICA 框架、互信息准则）不在您的武器库中，且缺乏与您当前工作的直接连接点。

4. 2607.21775 — Bayesian Optimal Sample Design for Surveys with Heteroscedasticity¶

作者: Jonathan Mendelson, Michael R. Elliott
相关性 4/10 · novelty: application
摘要: 本文在异方差总体下发展了分层抽样的贝叶斯最优样本分配方法。现有最优分配理论通常假设层内方差等设计参数已知，实践中常以调查估计值替代，但未考虑替代对样本效率的影响。贝叶斯决策理论可避免此类替代，但早期贝叶斯样本设计工作（1960-1980年代）未处理异方差误差结构，而该结构是比率估计模型的基础。本文在含异方差误差的一元回归模型下优化设计，识别了贝叶斯最优分配，并与基于设计及模型辅助的替代方法在多种设定下比较，发现所提方法表现不逊于或更优。最后，利用公开IRS 990数据分析了公共慈善机构的收入。本文主要贡献在于将贝叶斯最优设计扩展到异方差情形，但方法学新颖性有限，属于经典问题的扩展应用。
关键技术: Bayesian optimal design, stratified sampling, heteroscedastic regression, ratio estimation, sample allocation
为什么对您有用: 本文属于抽样调查方法，与您的主要兴趣（因果推断、高维统计等）无直接关联。虽然贝叶斯最优设计在统计计算中有一定联系，但方法学深度和与您武器库的匹配度均较低。作为gateway reading价值也不高，因为主题偏离您的核心方向。建议仅作背景了解，无需深入阅读。

5. 2607.21006 — Choosing optimal Strang splitting estimators of nonlinear stochastic differential equation models¶

作者: Magnus Frederik Jensen, Johan Ravn Cornelius, Susanne Ditlevsen
相关性 4/10 · novelty: application
摘要: 本文研究非线性随机微分方程（SDE）模型（加性噪声、非线性漂移）中 Strang 分裂估计量的最优选择问题。Strang 分裂估计量是多元 SDE 参数推断的有力工具，其渐近分布不受分裂方式影响，但有限样本表现高度依赖分裂选择。作者推导了 Strang 分裂格式转移密度的误差度量，特别计算了步长 h 的三阶偏差。通过双阱势模型和随机 FitzHugh-Nagumo 模型的模拟研究，发现势模型在不动点附近线性化可得到准确参数估计，而慢-快兴奋模型则需其他分裂方式。本文主要贡献在于为有限样本下 Strang 分裂的选取提供了理论指导，但方法学上属于特定数值方法的性能分析。
关键技术: Strang splitting, stochastic differential equations, transition density approximation, bias expansion, simulation-based inference
为什么对您有用: 本文属于统计计算中的数值方法分析，与您的 primary interest 中 statistical computing 有弱关联。但核心工具（Strang splitting、SDE 推断）不在您的技术武器库中（very_familiar 和 moderately_familiar 均未覆盖），且方法学 novelty 有限（主要是模拟研究）。作为 gateway reading 价值不高，因为 SDE 推断并非您的主要方向。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. 2607.23092 — Convergence of Estimative Density to Information Projection for Misspecified Normal Distribution Model¶

作者: Yo Sheena
相关性 3/10
评分理由: Misspecified normal model convergence is a niche theoretical topic, not aligned with primary interests like causal inference or high-dimensional asymptotics.

2. 2607.22366 — Fast boundary-aware spatial intensity estimation on complex domains¶

作者: Takumi Nakagawa, Kōsaku Takanashi, Kenichiro McAlinn, Takafumi Kanamori
相关性 3/10
评分理由: Spatial intensity estimation on complex domains is a specialized spatial statistics topic, not relevant to the researcher's primary interests.

3. 2607.21847 — Distributional Determinantal Point Process for Repulsive Clustering of Distributions¶

作者: Khai Nguyen, Yang Ni, Elizabeth Juarez-Colunga, Peter Mueller
相关性 3/10
评分理由: Repulsive clustering of distributions with DPPs is unrelated to the researcher's primary or secondary interests.

4. 2607.21432 — Atmosphere mitigation in CMB observations using multi-frequency time-domain component separation¶

作者: Julien Tang, Shamik Ghosh, Jacques Delabrouille, John C. Groh, Oliver Jeong, Reijo Keskitalo et al.
相关性 3/10
评分理由: CMB大气减除，涉及信号分离但未展示可迁移的统计框架。

5. 2607.24084 — Simulation-Free Bayesian Power and Sample Size Calculations for Bayes Factors in Single-Arm Phase II Trials with Binary Endpoints¶

作者: Riko Kelter, Kathrin Möllenhoff
相关性 2/10
评分理由: Bayesian trial design for binary endpoints is unrelated to the researcher's primary interests in causal inference, high-dimensional stats, or U-statistics.

6. 2607.24605 — Map Multi-Tool: A Map-Based Approach to Modeling Beam Systematics for Cosmic Microwave Background Experiments¶

作者: Cesiley L. King, Alec Hryciuk, Jeff McMahon, Johanna M. Nagy, John E. Ruhl
相关性 2/10
评分理由: CMB systematic simulation framework; touches on statistical modeling of systematics but is purely instrumental and domain-specific.

7. 2607.22069 — LEO-to-ground low elevation optical communication: optimization of an adaptive optics design robust to scintillation¶

作者: Timoth{é}e Vene, Aur{é}lie Montmerle-Bonnefois, Laurent Mugnier, Jean-Marc Conan
相关性 2/10
评分理由: 纯工程光学设计，与统计兴趣无关。

8. 2607.21812 — Determination of Earth's Orbital Parameters Using Doppler Measurements¶

作者: Gary Atkins, Marcus Leech, Daniel Marlow, Doug Yuill
相关性 2/10
评分理由: 天体测量结果，无统计方法论或数据建模细节。

9. 2607.21768 — The FastrSHWFS Development & Test Results¶

作者: Natasha Popenoe, Benjamin Gerard, Dominic Sanchez
相关性 2/10
评分理由: 自适应光学硬件工程，不涉及统计方法。

10. 2607.21683 — Detecting habitable exoplanet atmospheres with LIFE, the Large Interferometer for Exoplanets¶

作者: Sarah Rugheimer, Aiden Weatherbee, James Fecanin, Alistair Glasse, Paul Rimmer, Eleonora Alei et al.
相关性 2/10
评分理由: 系外行星探测任务综述，无数据或模型细节。

11. 2607.24547 — Shack-Hartmann wavefront sensor slope measurement algorithm robust to scintillation and sensor saturation¶

作者: Timoth{é}e Vene, Laurent M Mugnier, Aur{é}lie Montmerle-Bonnefois, Jean-Marc Conan
相关性 1/10
评分理由: Adaptive optics algorithm for wavefront sensing; no connection to primary or secondary interests.

12. 2607.24527 — Modelling Radio Frequency Interference on the Lunar Farside¶

作者: Charlie K. Ashe, Ella J. Marshall, Evan F. Keane, Steve Prabu, Richard Lynch, David R. DeBoer
相关性 1/10
评分理由: RFI modeling on lunar farside; astrostatistics gateway potential is low due to lack of clear data/model exposition.

13. 2607.24229 — First high-contrast results on THD2 testbed after infrastructure upgrade¶

作者: Iva Laginja, Pierre Baudoz, Rémi Soummer, Emiel H. Por, Axel Potier, Johan Mazoyer et al.
相关性 1/10
评分理由: High-contrast imaging testbed results; no statistical or causal inference content.

14. 2607.24051 — HELIOS: An LLM-Driven Autonomous Indirect Trajectory Optimization Agent¶

作者: An-yi Huang
相关性 1/10
评分理由: Unrelated to statistics; purely an aerospace engineering paper on trajectory optimization.

15. 2607.23786 — Progress of the design of the 12-m optical, Wide-field Spectroscopic Telescope (WST)¶

作者: P. Dierickx, G. Gausachs, C. Cudennec, D. Lee, R. Bacon, T. Travouillon et al.
相关性 1/10
评分理由: Unrelated to statistics; purely an astronomy instrument design paper.

16. 2607.23651 — Breakthrough Listen's Automated Commensal Technosignature Survey with MeerKAT¶

作者: Daniel J. Czech, David H. E. MacMahon, Ian Heywood, Chenoa D. Tremblay, Matt Lebofsky, Kevin Lacker et al.
相关性 1/10
评分理由: Unrelated to statistics; purely a SETI/radio astronomy survey paper.

17. 2607.23555 — ANDES, the high-resolution spectrograph of the ELT: simulated performance of the CORO module and overview of the high-contrast capabilities for exoplanet observations¶

作者: M. N'Diaye, A. Simonnin, A. Spang, P. Berio, A. Chiavassa, G. Agapito et al.
相关性 1/10
评分理由: Unrelated to statistics; purely an astronomy instrument performance simulation paper.

18. 2607.23516 — Updating the SCExAO/CHARIS polarimetric calibration following the Nasmyth beam-switcher upgrade¶

作者: Thomas McIntosh, Manxuan Zhang, Briley L. Lewis, Miles Lucas, Maxwell A. Millar-Blanchaer, Jaren Ashcraft et al.
相关性 1/10
评分理由: Unrelated to statistics; purely an astronomy instrument calibration paper.

19. 2607.23436 — Technologies and novel components for broadband splitting and coupling in pairwise and nulling interferometry¶

作者: Harry-Dean Kenchington Goldsmith, Nemanja Jovanovic, Anusha Pai Asnodkar, Sanny Ahmed, Elsa Huby, Sylvestre Lacour et al.
相关性 1/10
评分理由: Unrelated to statistics; purely an astronomy photonics/engineering paper.

20. 2607.23087 — Output-Stage Design Optimization for High-Sensitivity SiSeRO CCDs and SiSeRO Active Pixel Sensors¶

作者: Tanmoy Chattopadhyay, Sven Herrmann, Kevan Donlon, Ilya Prigozhin, Peter Orel, Steven W. Allen et al.
相关性 1/10
评分理由: Unrelated to statistics; purely an astronomy detector hardware paper.

21. 2607.22937 — SuperFIRE: Concept evolution of a seeing-limited broadband spectrograph for the GMT¶

作者: Gustav M. Pettersson, Gábor Fűrész, Nathan P. Lourie, F. Elio Angile, Jill Juneau, Gerardo Berlanga Molina et al.
相关性 1/10
评分理由: Unrelated to statistics; purely an astronomy instrument concept paper.

22. 2607.21715 — Low-cost, ultra-wideband, differential low-noise amplifier for interferometric radio telescopes¶

作者: Sophia Da Costa, Albert Wai Kit Lau, Keith Vanderlinde
相关性 1/10
评分理由: 射频放大器硬件设计，与统计研究无关。

23. 2607.21304 — PROVIDENCE: a ground station for space observation¶

作者: P. -L. Mayeur, J. -F. Sauvage, T. Fusco, N. Védrenne, C. Petit, D. Barbon-Dubosc et al.
相关性 1/10
评分理由: 地面站项目描述，无统计内容。

24. 2607.21154 — Infrasound Newtonian Noise Estimation at the Einstein Telescope Candidate Site Sos Enattos¶

作者: Wathela Alhassan, D. Rosinska, M. Suchenek, E. Fenyvesi, T. Bulik
相关性 1/10
评分理由: Physics of Newtonian noise at a gravitational-wave site; no statistical methodology or data analysis of interest.

25. 2607.22846 — What should the encroaching supplier do?: A Stackelberg Game Approach¶

作者: Gurkirat Wadhwa, Veeraruna Kavitha
相关性 0/10
评分理由: Pure supply-chain game theory, unrelated to any primary or secondary interest.

26. 2607.24737 — Demonstrating the integration of a photonic lantern with an all-fiber-based nulling interferometer¶

作者: Jordan Diaz, Rebecca Jensen-Clem, Philip M. Hinz, Daren Dillon, Pradip Gatkine, Aditya R. Sengupta et al.
相关性 0/10
评分理由: Pure instrumentation paper on photonic lanterns and nulling interferometry; no statistical or causal inference content.

27. 2607.24546 — The Wide-field Spectroscopic Telescope (WST): design trade-offs for the low-resolution multi-object spectrograph instrument¶

作者: Dimitri Buffat, Will Saunders, Kjetil Dohlen, Laurence Tresse, David Lee, Roland Bacon et al.
相关性 0/10
评分理由: Telescope instrument design trade-offs; no statistical methodology or data analysis content.

28. 2607.24470 — The beamformed trigger of RNO-G: its design and in-field performance¶

作者: RNO-G Collaboration, :, S. Agarwal, J. A. Aguilar, N. Alden, S. Ali et al.
机构: University of Kansas · Université Libre de Bruxelles · University of Chicago · The Ohio State University · Pennsylvania State University · Netherlands Institute for Radio Astronomy · University of Wisconsin–Madison · Uppsala University 等
相关性 0/10
评分理由: Neutrino detector trigger design; pure hardware/engineering, no statistical content.

29. 2607.24366 — Sensitivity of Laguerre-Gaussian Modes to Misalignment and Mode Mismatch in Gravitational-Wave Detectors¶

作者: Liu Tao, Matteo Barsuglia
相关性 0/10
评分理由: Optical mode sensitivity analysis for gravitational-wave detectors; no statistical methodology.

30. 2607.22500 — Pollux: decisions affecting the optical architecture of a high-resolution spectrograph and polarimeter for the Habitable Worlds Observatory¶

作者: Eduard Muslimov, Luca Fossati, Coralie Neiner, Jean-Claude Bouret, David Le Mignant, Kjetil Dohlen et al.
相关性 0/10
评分理由: 纯天文仪器光学设计论文，与统计研究兴趣完全无关。

31. 2607.22454 — Optical design of VIPER: a high-resolution multimode fiber-fed VIPA spectrograph for characterizing exoplanet atmospheric escape¶

作者: Matthew C. H. Leung, David Charbonneau, Andrew Szentgyorgyi, Colby Jurgenson
相关性 0/10
评分理由: 纯天文仪器光学设计论文，与统计研究兴趣完全无关。

32. 2607.22411 — HRMOS: a very high-resolution, multi-object spectrograph for the ESO VLT¶

作者: Andrea Bianco, Sofia Randich, Emma Fernandez Alvar, Oscar Gonzalez, Sergio Sousa, Thomas Bensby et al.
相关性 0/10
评分理由: 纯天文仪器设计论文，与统计研究兴趣完全无关。

33. 2607.22388 — ANDES, the high-resolution spectrograph for the ELT: design and performance analysis of the YJH spectrograph¶

作者: Vinooja Thurairethinam, David Lee, James Stevenson, Étienne Artigau, Frédérique Baron, Ciarán Breen et al.
机构: UK Astronomy Technology Centre · Université de Montréal · Université Laval · University of Cambridge · Arcetri Astrophysical Observatory · Trieste Astronomical Observatory
相关性 0/10
评分理由: 纯天文仪器设计论文，与统计研究兴趣完全无关。

34. 2607.22311 — METIS for ELT: optical alignment and testing of the IFU of the LM-band spectrometer¶

作者: Lawrence Bissell, Éamonn Harvey, Stephen Todd, Valentina Oyarzun, Alastair Macleod, Sandi Wilson et al.
相关性 0/10
评分理由: 纯天文仪器光学测试论文，与统计研究兴趣完全无关。

35. 2607.22292 — CUBES: optical design and analysis of the VLT's high-resolution UV spectrograph past final design review¶

作者: Lawrence Bissell, Walter Seifert, Ariadna Calcines Rosario, Hans Dekker, Gerardo Avila, Luca Oggioni et al.
相关性 0/10
评分理由: 纯天文仪器光学设计论文，与统计研究兴趣完全无关。

36. 2607.22229 — HARMONI at ELT: LPOU calibrations for a micron-level pointing accuracy¶

作者: Gonzalo José Carracedo Carballal, Irene Ferro Rodríguez, David L King, Iago Funes Vecino, Guillermo Mercant Rubio, Alonso Álvarez Urueña et al.
相关性 0/10
评分理由: 纯天文仪器校准工程论文，与统计研究兴趣完全无关。

37. 2607.22227 — HARMONI at ELT: Design & Test on the current status of Low Order Wavefront Subsystem Pick Off Arm Engineering Model (LPOA-EM)¶

作者: Iago Funes Vecino, Guillermo Mercant Rubio, Alonso Álvarez Urueña, Laura García Moreno, Gonzalo José Carracedo Carballal, Irene M. Ferro Rodríguez et al.
相关性 0/10
评分理由: 纯天文仪器工程模型测试论文，与统计研究兴趣完全无关。

38. 2607.21264 — HARMONI at ELT: optical design of the spectrograph sub-system¶

作者: Eduard Muslimov, Matthias Teczaa Edgar Castillo-Dominguez, James Kariuki, Liam Bolanda, Miriam Cisneros-Gonzalez, Kieran McCall et al.
相关性 0/10
评分理由: Pure optical engineering for an ELT instrument; no statistics or data analysis content.

39. 2607.20836 — How to Craft the Right Language AI Policy For Your Research Group (Some Assembly Required)¶

作者: Michelle Ntampaka, S. Burke-Spolaor, Ioana Ciucă, Ana Maria Delgado, Kartheik G. Iyer, Kelly Lockhart et al.
相关性 0/10
评分理由: Policy discussion on AI use in research groups; no statistical or data analysis content.

Maintained by 陈星宇 · Homepage · Source on GitHub