2026-07-28 每日 arXiv 资讯

• 高相关论文 11 篇 · 中相关 53 篇 · 其他 22 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 4 篇)

1. 2607.24143 — Inference on counterfactual distributions using martingale posteriors

• 作者: Gregor Steiner, Mark Steel
• 分类: stat.ME · econ.EM
• 相关性 9/10 · novelty: new_method
• 摘要: 本文在因果推断中关注反事实结果的全分布而非仅平均效应，提出基于鞅后验框架（Fong et al., 2023）的推断方法。该方法通过非参数模型（Dirichlet过程混合模型）驱动预测递归，可灵活估计密度、分布函数及分位数等衍生量，并相干地量化认知不确定性。实现速度快，适用于边际或条件反事实分布，且易于扩展至工具变量设定。作者利用几乎条件同分布随机变量的概念，证明了所提鞅后验推断在考虑因果模型下的收敛性。模拟和三个真实数据应用（锌含片对感冒持续时间、维生素A补充对儿童存活率、职业培训效果）展示了方法的实用性。对您而言，该方法将贝叶斯非参数与因果推断中的分布效应估计结合，为您的因果推断（尤其是纵向或IV设定）提供了新的不确定性量化工具。
• 关键技术: martingale posterior, Dirichlet process mixture, counterfactual distribution, almost conditionally identically distributed, instrumental variables
• 为什么对您有用: 直接连接您 primary interest 中的因果推断（分布效应、IV设定）和贝叶斯非参数方法。您的 very_familiar 工具（非参数统计、因果推断估计理论）可直接用于理解其收敛性证明和模型假设；moderately_familiar 的识别理论可帮助评估该方法在更复杂识别策略（如proximal CI）下的扩展潜力。中期可做：需先在 moderately_familiar 的识别理论上深入，以将该框架推广至您的负对照设定。

2. 2607.23372 — Causal Inference of Ordinal Outcomes: A Bayesian Solution

• 作者: Rituparna Dey, Pradipta Sarkar, Tirthankar Dasgupta
• 分类: stat.ME · math.ST · stat.TH
• 相关性 8/10 · novelty: new_method
• 摘要: 本文针对有序分类结局（ordinal outcomes）的随机实验，提出一个贝叶斯潜变量框架来定义和推断两个可解释的因果 estimand：treatment 有益的概率（beneficial）和严格有益的概率（strictly beneficial）。通过 ordered probit 模型对潜在结果的联合分布建模，该方法克服了现有方法在可识别性上的限制，相比非参数界提供了更尖锐的推断。作者还研究了潜在结果间未知关联的影响，并提出了敏感性分析方法。模拟研究和头皮健康随机实验的应用表明，该方法能给出精确且实践相关的治疗效果评估。对您而言，本文在因果推断中处理有序结局的 identification 和 sensitivity analysis 思路，与您 primary interest 中的因果推断（identification, sensitivity analysis）直接相关，且其贝叶斯潜变量框架可视为一种非参数/半参数方法的替代路径。
• 关键技术: Bayesian latent variable model, ordered probit model, causal estimand for ordinal outcomes, sensitivity analysis, finite population inference
• 为什么对您有用: 本文直接对应您 primary interest 中的因果推断（identification, sensitivity analysis），特别是处理有序结局这一常见但方法学上棘手的设定。您可以用 very_familiar 的 minimax bounds 工具来评估其提出的 estimand 在非参数模型下的最优估计率，或用 moderately_familiar 的 identification theory 来比较其贝叶斯识别策略与现有非参数 bound 的效率。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将其贝叶斯框架与半参数效率理论对接。

3. 2607.23894 — Joint Model for Mediation Analysis with Causally Related Longitudinal and Recurrent Event Mediators for Survival Outcome

• 作者: Fang Niu, Cheng Zheng, Lei Liu
• 分类: stat.ME
• 相关性 8/10 · novelty: new_method
• 摘要: 本文针对纵向研究中同时存在重复测量（如CD4计数）和复发事件（如机会性感染）两类中介变量且它们之间存在因果依赖关系的情形，提出一个新的因果中介分析框架。目标估计量是自然直接效应和自然间接效应，模型设定采用共享随机效应（frailties）结构来刻画未观测的时不变混杂，从而放松了常用的“序贯可忽略性”假设。方法上，作者扩展了联合建模框架，将重复测量、复发事件和终点事件通过共享随机效应联系起来，并利用似然方法进行参数估计。模拟研究验证了估计量的有限样本性能。应用部分使用CPCRA艾滋病临床研究数据，发现复发机会性感染和重复CD4测量均中介了既往AIDS定义事件对生存结局的影响，且CD4与生存之间的共享随机效应提示存在未观测混杂。该工作为纵向研究中多中介变量且中介间存在因果路径的因果推断提供了可操作的工具，对您关注的纵向因果中介分析方向有直接的方法学参考价值。
• 关键技术: joint modeling, shared random effects (frailties), natural direct and indirect effects, causal mediation analysis, recurrent events, longitudinal repeated measures
• 为什么对您有用: 本文直接对应您 primary interest 中的“causal inference (mediation, longitudinal)”子方向，且处理了多中介变量间因果依赖这一实际难题。您武器库中 very_familiar 的“estimation theory in causal inference”和 moderately_familiar 的“identification theory in causal inference”可直接用于审视其识别假设（共享随机效应能否充分控制未观测混杂）和估计效率。中期可做：若想进一步推导该设定下的半参效率界或构造双稳健估计量，需先在 moderately_familiar 的“semiparametric theory”上加强。

4. 2607.22896 — Attenuated Heterogeneity in Fixed-Effects Causal Forests, and a Cross-Fitted Correction

• 作者: Harry Aytug
• 分类: econ.EM · stat.ML
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究固定效应面板设定下因果森林（causal forest）估计条件平均处理效应（CATE）时的异质性衰减问题。作者证明，在面板数据中，对树内叶级效应进行简单平均会导致预测值系统性地压缩：真实CATE τ(x) 与预测值之间呈 a + b*τ(x) 关系，且斜率 b < 1，使得异质性被低估。与基于相似性加权的广义随机森林相比，叶平均构造的衰减更严重。文章主要贡献是刻画了衰减系数 b 如何随信噪比降低、面板规模变小和维度升高而恶化。作为补救，作者借鉴 Chernozhukov 等人的最佳线性预测校准方法，利用袋外样本估计去衰减斜率，该修正自包含于观测面板且在同质效应下渐近无影响。模拟显示修正后CATE均方误差降低25-42%；在县级最低工资面板数据中衰减虽轻微但修正恢复了预设的异质性。该方法已封装在 causalfe Python 包中。对您而言，本文直接关联您 causal inference 兴趣中的异质性处理效应估计与面板数据设定，且其衰减诊断思路可迁移至您熟悉的非参数统计与因果推断估计理论。
• 关键技术: causal forest, conditional average treatment effect (CATE), fixed-effects panel, best-linear-predictor calibration, out-of-bag estimation, heterogeneity attenuation
• 为什么对您有用: 本文直接连接您 primary interest 中的 causal inference 子方向——异质性处理效应估计与面板数据设定。您 very_familiar 中的非参数统计与因果推断估计理论可直接用于分析其衰减诊断的 minimax 性质或推广至更一般的非参数设定。中期可做：若您想在 moderately_familiar 的 identification theory 上进一步，可探索衰减问题在更复杂识别策略（如工具变量、proximal causal inference）下的表现。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 2607.23914 — The Phase Transition in Online PCA Depends on \(n/d\log(d)\), not \(n/d\)

• 作者: Apratim Dey
• 分类: math.ST · eess.SP · math.PR · stat.ML · stat.TH
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文研究在线PCA（Oja算法）在spiked协方差模型下的相变现象。设定为单峰模型 Σ = θ² v₀v₀ᵀ + I，数据独立同分布于 N(0, Σ)，算法步长为 δ/d。经典BBP相变表明，在批量PCA中，当 n/d → γ 为常数时，样本主成分与真实特征向量的相关性在信噪比超过阈值时非零。本文证明，对于在线算法，相变阈值由 n/(d log d) → γ 决定，而非 n/d。具体地，当 γ < γ_ 时，|⟨v̂n, v₀⟩| → 0；当 γ > γ 时，收敛到非零常数 ρ_；在临界尺度 n = γ_ d log d + η d 下，相关性收敛到随机变量。这一结果揭示了在线算法与批量算法在样本复杂度上的本质差异——在线PCA需要额外 log d 因子才能实现非平凡估计。对您而言，该工作属于统计-计算权衡（statistical-computational tradeoff）的典型例子，清晰展示了计算约束（在线/流式）如何改变统计可识别性的相变阈值，是进入该方向的优秀入门读物。
• 关键技术: Oja's algorithm, BBP phase transition, spiked covariance model, online PCA, streaming algorithms, random matrix theory
• 为什么对您有用: 本文直接对应您 primary interest 中的 'statistical-computational tradeoff' 子方向，且是 gateway reading 的典范：(a) 引言清晰解释了统计模型（spiked covariance）、计算模型（Oja算法，步长 δ/d）以及 'polynomial-time possibility' vs 'low-degree barrier' 的类比——在线算法需要 n/(d log d) 而非 n/d 才能突破相变；(b) 相变阈值 γ_ 和 ρ_ 以显式公式给出，证明策略（利用随机逼近和鞅方法）对统计学者可追踪；(c) 问题本身值得关注——它揭示了计算约束如何系统性改变样本复杂度标度，是统计-计算权衡的干净案例。武器库方面：您对 high-dimensional asymptotics 和 minimax bounds 非常熟悉，足以理解本文的相变分析框架；但若要深入该方向（如证明低度多项式下界），需要补充 moderately_familiar 之外的 'low-degree likelihood ratio' 或 'SoS hierarchy' 工具——因此本文属于 中期可做：需先在 'low-degree polynomial barrier' 上长肌肉。

2. 2607.23914 — The Phase Transition in Online PCA Depends on \(n/d\log(d)\), not \(n/d\)

• 作者: Apratim Dey
• 分类: math.ST · eess.SP · math.PR · stat.ML · stat.TH
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文研究在线PCA（Oja算法）在流数据设定下的相变现象。设定为单峰spiked协方差模型 Σ = θ² v₀v₀ᵀ + I，观测独立同分布高斯样本 X_k ~ N(0, Σ)，算法以步长 δ/d 进行随机梯度更新。经典BBP相变表明，在批量PCA中，当 n/d → γ ∈ (0,∞) 时，样本主成分与真实特征向量的非零渐近相关仅当信号强度超过某个阈值时出现。本文证明，对于在线算法，相变尺度完全不同：当 n, d → ∞ 且 n/(d log d) → γ 时，Oja算法的输出与真实特征向量的内积在 γ < γ_ 时趋于0，在 γ > γ_ 时趋于非零常数 ρ_*，临界点处呈现随机分布。这一结果揭示了在线PCA与批量PCA的本质差异——前者需要额外的 log d 因子才能实现非零重叠，且临界行为由 n/(d log d) 而非 n/d 控制。对您而言，该工作直接连接高维统计与随机矩阵理论中的相变问题，且其证明技术（如随机逼近、鞅差分解）与您熟悉的 minimax 框架和 high-dimensional asymptotics 工具互补，可作为理解统计-计算权衡的入门案例。
• 关键技术: Oja's algorithm, BBP phase transition, spiked covariance model, stochastic approximation, martingale difference decomposition, online PCA
• 为什么对您有用: 该论文直接连接您 primary interest 中的 high-dimensional statistics 和 random matrix theory，具体在 BBP 相变与在线算法的交叉点。您的 technical_arsenal 中 very_familiar 的 high-dimensional asymptotics 和 minimax bounds 可直接用于验证其相变阈值的紧性（例如检查 n/(d log d) 是否是最优标度）。中期可做：若想将类似分析推广到其他在线算法（如矩阵补全、流式 SVD），需先在 moderately_familiar 的 HOIF 或 semiparametric theory 上建立随机逼近的稳定性工具——目前武器库中缺少对随机梯度动力学的系统分析能力。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2607.23666 — Exact Generalization Error Curves of Kernel Ridge Regression for Functional Moment Estimation

• 作者: Yinan Ding, Yicheng Li
• 分类: math.ST · stat.TH
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文研究张量积核岭回归（KRR）用于估计随机函数的 r 阶矩函数，框架统一涵盖均值、协方差及高阶矩估计。基于噪声离散观测，作者推导出每个可容许正则化参数下 L² 误差的精确 1+o_P(1) 展开式。展开式包含偏置项和三个方差项，分别对应独立样本路径间变异、各样本点潜在信号变异和测量误差变异，揭示了函数型数据中精细的误差结构。作为应用，证明 KRR 在源光滑度 s ≤ 2 时达到 minimax 最优，但在 s > 2 的稀疏情形下因饱和效应而次优。技术贡献包括一套适用于函数观测依赖乘积结构的 U-统计量浓度不等式。该结果对您的高阶 U-统计量理论（尤其是依赖乘积结构下的浓度工具）和半参数效率理论（KRR 作为非参数估计器的精确误差刻画）有直接参考价值。
• 关键技术: kernel ridge regression, tensor-product kernel, U-statistics concentration inequalities, minimax rate, saturation effect, functional data analysis
• 为什么对您有用: 本文直接连接您的两个 primary interest：高阶 U-统计量（依赖乘积结构下的浓度不等式）和非参数/半参数理论（KRR 的精确误差展开与 minimax 最优性）。技术武器库中 'higher-order U-statistics (treewidth / tensor contraction / einsum)' 可用来分析其 U-统计量浓度不等式的紧性，'minimax bounds for estimation problems' 可验证其声称的 s>2 时次优性是否本质。中期可做：需先在 moderately_familiar 的 'theory of higher-order U-statistics' 上长肌肉，以理解其依赖乘积结构下的投影方法。

2. 2607.23666 — Exact Generalization Error Curves of Kernel Ridge Regression for Functional Moment Estimation

• 作者: Yinan Ding, Yicheng Li
• 分类: math.ST · stat.TH
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文研究张量积核岭回归（KRR）用于估计随机函数的 r 阶矩函数，基于含噪离散观测。该框架统一了均值、协方差及高阶矩估计。主要结果给出了每个可容许正则化参数下 L² 误差的精确 1+o_P(1) 展开，包含偏差项和三个方差项，分别对应独立样本路径间变异、每样本点潜在信号变异和测量误差变异，揭示了函数型数据下精细的误差结构。应用表明，KRR 在源光滑度 s ≤ 2 时达到 minimax 最优，但在 s > 2 的稀疏情形下因饱和效应而次优。技术工具包括一套适用于函数观测依赖乘积结构的 U-统计量集中不等式。该结果对您的高阶 U-统计量理论（特别是依赖乘积结构的 U-统计量集中性）和半参数/非参数理论（KRR 的 minimax 率刻画）有直接参考价值。
• 关键技术: kernel ridge regression, tensor-product kernel, U-statistics concentration inequalities, minimax optimality, saturation effect
• 为什么对您有用: 本文直接连接您的 primary interest 中的非参数理论（KRR 的 minimax 率）和高阶 U-统计量（依赖乘积结构的 U-统计量集中不等式）。技术武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可直接用于验证其声称的率是否紧；moderately_familiar 的高阶 U-统计量理论可用于分析其误差展开中的 U-统计量项。中期可做：需先在 moderately_familiar 的高阶 U-统计量理论上长肌肉（特别是依赖结构的集中不等式），才能深入跟进其技术细节。

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

1. 2607.23439 — A Characterization of the Orthocomplement of the Tangent Space of Semiparametric Markov Models

• 作者: Trung Phung, Ilya Shpitser
• 分类: stat.ME · cs.AI
• 相关性 9/10 · novelty: new_theory
• 摘要: 本文研究半参数Markov模型中切空间正交补的刻画问题。在DAG图模型下，切空间正交补已知，因此一旦获得任一影响函数即可推导出所有影响函数；但对于非DAG的Markov模型（如无向图、链图、有向混合图），该正交补尚未被刻画，阻碍了半参数推断。作者给出了任意Markov模型下切空间正交补的闭式表达式，并利用该结果刻画了若干图模型中条件均值参数的影响函数类。该工作填补了非DAG图模型半参数效率理论的关键空白，为构建正则渐近线性估计量提供了理论基础。对您而言，该结果可直接用于扩展您熟悉的因果推断（如IV、mediation）中涉及非DAG图模型的效率界计算，且与您擅长的semiparametric theory和efficiency theory高度契合。
• 关键技术: tangent space orthocomplement, influence function characterization, semiparametric Markov models, graphical models (DAG, undirected, chain, ADMG)
• 为什么对您有用: 直接连接您的primary interest中的semiparametric theory和efficiency theory——具体而言，该文解决了非DAG图模型下影响函数类的刻画问题，这是您武器库中semiparametric theory（moderately_familiar）可攻克的入口：您可以用已有的semiparametric efficiency bound计算经验来验证其闭式表达式在具体模型（如IV DAG）中的正确性。中期可做：需先巩固moderately_familiar中的identification theory in causal inference以理解非DAG模型的识别结构。

2. 2607.24472 — Debiased Machine Learning: Identification, Estimation, and Shape Constraints

• 作者: Qihui Chen, Ka Yan Cheng, Zheng Fang
• 分类: econ.EM · math.ST · stat.ME · stat.ML · stat.TH
• 相关性 9/10 · novelty: new_theory
• 摘要: 本文在去偏机器学习（DML）框架下，针对由矩条件识别的参数θ₀（含高维 nuisance γ₀）建立了一套统一的识别与估计理论。核心贡献在于证明了 Riesz representer α₀ 的识别等价于其唯一优化某个二次泛函，这一刻画允许使用经典筛子或深度神经网络等现代架构来估计 α₀，且适用于包含内生性模型的通用 γ₀。为提升估计精度并缓解维数诅咒，作者将形状约束（shape constraints）嵌入到可能非线性的参数空间中，从而在估计 γ₀ 时引入结构信息。模拟和实证应用展示了该方法的有效性。对您而言，本文提供了 DML 中 Riesz representer 识别的统一视角，并展示了如何将形状约束与半参数效率理论结合，这直接连接了您对 semiparametric efficiency bounds 和 debiased ML 的兴趣。
• 关键技术: Riesz representer, debiased machine learning, moment condition, shape constraints, sieve estimation, deep neural networks
• 为什么对您有用: 本文直接切入您 primary interest 中的 efficiency theory 和 debiased ML，特别是 Riesz representer 的识别条件与形状约束的结合。从技术武器库看，您对 nonparametric statistics 和 estimation theory in causal inference 非常熟悉，可立即用 minimax bounds 验证其形状约束下 estimator 的收敛速率是否最优（立即可做）。此外，其识别框架可迁移至您关注的 proximal CI 设定中的 nuisance 估计问题（中期可做，需先在 semiparametric theory 上巩固）。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2607.24382 — Locally Robust Kernel Specification Tests for Conditional Moment Restrictions

• 作者: Juan Carlos Escanciano
• 分类: stat.ME
• 相关性 8/10 · novelty: new_method
• 摘要: 本文针对半参数条件矩模型，提出了一类基于核的局部稳健设定检验方法。传统条件矩检验要求干扰参数估计量具有渐近线性性，而本文通过结合 Neyman 正交矩、交叉拟合与再生核希尔伯特空间技术，使检验统计量对干扰估计误差一阶不敏感，从而兼容现代机器学习方法。在局部备择假设和弱干扰率条件下，建立了可行与不可行检验过程的 oracle 等价性，并刻画了局部功效。采用快速乘子自助法避免干扰参数重估。应用包括高维线性与逻辑回归的设定检验、基于机器学习的显著性检验以及常数条件处理效应检验。蒙特卡洛模拟与 National Supported Work 项目数据验证了有限样本表现。本文对您的主要兴趣——假设检验与半参理论——有直接贡献，其正交化思路可迁移至因果推断中的敏感性分析。
• 关键技术: Neyman-orthogonal moments, cross-fitting, reproducing kernel Hilbert space, multiplier bootstrap, oracle equivalence
• 为什么对您有用: 本文直接对应您 primary interest 中的假设检验与半参理论，其核心工具——Neyman 正交矩与交叉拟合——是您 moderately_familiar 中 semiparametric theory 的典型应用。您可用 very_familiar 的非参统计与 minimax 界知识，评估其局部功效的紧性。中期可做：将正交化框架推广至您 moderately_familiar 的 HOIF 设定，检验高阶影响函数下的条件矩约束。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 6 篇)

1. 2607.23157 — Anytime-Valid Confirmation of Covariate Balance for Prespecified Corrections

• 作者: Seungjin Choi
• 分类: stat.ME · stat.ML
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究在协变量偏移（covariate shift）下，如何对预设的校正权重 w(x) 进行“任意有效”（anytime-valid）的协变量平衡确认。目标是在顺序到达的无标签目标数据流中，持续监测校正后的目标分布是否在预设的平衡函数类和容忍度范围内。核心贡献是构建了时间一致置信序列（time-uniform confidence sequences），允许数据依赖的停止规则：一旦所有可信的目标矩都落在容忍带内，即可停止并确认平衡。若校正对至少一个函数超出容忍度，则错误确认平衡的概率被控制在预设水平以下。该方法在有限源数据下，通过收缩带（contracted bands）保留保证并计入源矩不确定性，而扩展带（expanded bands）仅支持兼容性诊断。作为补充，还研究了源校准的似然比 e-process，其 KL 漂移恒等式刻画了校正方向；以及用于检测超出可接受校正区域的指数倾斜检验。实验展示了错误确认控制、对平衡函数类的局部性、KL 漂移诊断、有限源效应以及加权共形预测中的下游覆盖。该工作为因果推断中协变量平衡的序贯验证提供了形式化工具，对您关注的因果推断（尤其是 IV 和纵向设定中的平衡诊断）有直接的方法学参考价值。
• 关键技术: time-uniform confidence sequences, e-process, covariate shift adaptation, weighted conformal prediction, KL-drift identity, exponential-tilt test
• 为什么对您有用: 本文直接关联您 primary interest 中的因果推断（identification 和 estimation 中的协变量平衡诊断），特别是 IV 和纵向设定中常需序贯验证平衡假设。您的 technical_arsenal 中 very_familiar 的“estimation theory in causal inference”和“nonparametric statistics”可直接用于理解其置信序列构造和平衡函数类选择；moderately_familiar 的“identification theory in causal inference”可帮助评估其平衡确认对因果识别假设的保障程度。中期可做：若想将 e-process 框架推广到更复杂的因果结构（如 proximal CI 中的负对照），需先在 moderately_familiar 的“identification theory in causal inference”上加强。

2. 2607.22936 — A Framework for Parametric Time-Varying Treatment Effects in Multiple Intervention Stepped Wedge Design Clinical Trials in the Presence of Non-Uniform Cluster-Period Correlation Structures

• 作者: Samantha M. Levy, Jose-Miguel Yamal
• 分类: stat.ME
• 相关性 6/10 · novelty: new_method
• 摘要: 本文针对多干预阶梯楔形设计（M-SWD）临床试验，提出一个参数化框架来建模随时间变化的处理效应。传统SWD假设处理效应在干预实施后立即固定，这在现实场景中往往不成立；M-SWD因复杂的交叉模式使问题更复杂。作者将参数化暴露-响应函数嵌入修改后的固定效应设计矩阵Z*，并推导出广义最小二乘（GLS）下处理效应估计量、方差、功效及模型误设偏倚的解析表达式。解析和模拟结果表明，忽略时间变化效应可能导致所需簇数成倍增加以达到标称功效，且误设会引入显著偏倚，尤其对交互效应影响非均匀。该框架为设计阶段功效计算和估计量解释提供了实用工具，直接关联纵向因果推断中处理效应异质性的识别与估计。
• 关键技术: generalized least squares, exposure-response function, stepped wedge design, power analysis, model misspecification bias
• 为什么对您有用: 直接连接到primary interest中的纵向因果推断（longitudinal causal inference）和估计理论。本文的GLS框架和功效分析工具可用于评估您熟悉的非参数/半参数方法在SWD中的有限样本表现；武器库中'非参数统计'和'因果推断中的估计理论'可直接用于检验其参数假设的稳健性。中期可做：将本文的解析偏倚结果与您moderately_familiar的'半参数理论'结合，推导更一般的双稳健估计量。

3. 2607.23858 — Joint Group-Based Trajectory Modeling for Paired Repeated Measures: An Application to Audiometric Phenotypes and Dietary Associations

• 作者: Ying Chen, Sharon Curhan, Kenneth I. Vaden Jr, Judy R. Dubno, Molin Wang
• 分类: stat.ME
• 相关性 6/10 · novelty: application
• 摘要: 本文针对配对重复测量数据中传统组基轨迹建模（GBTM）条件独立性假设常被违反的问题，提出联合GBTM框架，显式建模配对轨迹间的层次依赖关系，同时允许两条轨迹遵循不同的潜在模式。方法上，针对稀有潜在组导致的估计困难，开发了稳健的两阶段估计方法；并给出平衡组大小下的单阶段EM算法作为理论基线。模拟表明，忽略层次依赖会导致显著偏差，而所提方法能有效校正。应用部分使用CHEARS-Audiology Assessment Arm（NHS II子队列）的听力表型数据，识别不同的听力轨迹模式，并分析DASH饮食依从性评分与潜在听力模式之间的关联。对您而言，本文虽以应用为主，但其处理配对纵向数据中依赖性与异质性轨迹的思路，可迁移至您关注的纵向因果推断（如mediation with time-varying confounders）中的轨迹建模问题。
• 关键技术: group-based trajectory modeling, hierarchical dependence, EM algorithm, two-stage estimation, paired repeated measures
• 为什么对您有用: 本文属于流行病学应用（听力表型与饮食关联），是您的secondary interest。方法上处理配对纵向数据的依赖性与异质性轨迹，与您primary interest中的纵向因果推断（如time-varying treatment/mediation）有潜在连接。武器库中'nonparametric statistics'和'estimation theory in causal inference'可支撑理解其建模框架，但本文方法学novelty有限（主要是应用扩展），属于'暂不可做'——核心的轨迹建模工具不在您的very_familiar列表中，需先熟悉GBTM文献才能考虑迁移。作为流行病学应用论文，值得一读以了解真实数据中的轨迹分析实践。

4. 2607.23130 — Identification and Learning of Semantic Observation Kernels: Partial Observation, Uniform Recovery, & Minimax Limits

• 作者: Matthew Francis Dixon
• 分类: stat.ME · stat.ML
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究如何从可观测的语言概率（如LLM生成的token概率）中恢复关于潜在有限状态的后验分布，核心问题是identification与稳定恢复。设定一个semantic map将意义等价的文本continuations分组，利用hold-out样本中的reference posteriors构建一个半参数逆问题，将分组后的语言概率映射到状态概率。语言律保持非参数形式，不依赖任何隐藏模型量。理论贡献包括：存在性、可识别性、稳定恢复与序贯更新的条件；浓度不等式、渐近与非参数收敛速率；截断概率下的identified sets；以及均匀稳定性的minimax边界。实证部分通过定理导向的模拟验证恢复率与覆盖，并在两个冻结语言模型上展示hold-out恢复与conformal coverage。对您而言，本文的identification框架与minimax边界分析可直接迁移到proximal causal inference中negative control设定下的非参数识别问题，且其逆问题视角与您熟悉的非参数统计与minimax bound工具高度匹配，属于立即可做的方向。
• 关键技术: semiparametric inverse problem, minimax boundary, identification under nonparametric language law, concentration inequality, conformal prediction
• 为什么对您有用: 本文的核心问题——从可观测的grouped probabilities中恢复潜在状态的后验——在结构上等价于proximal causal inference中利用negative control变量识别因果效应的非参数逆问题。您可以用非常熟悉的非参数统计与minimax bound工具直接分析其identification条件与收敛速率，属于立即可做的方向。

5. 2607.24355 — Coarsening-adjusted estimators for finite-population indicators

• 作者: Gaia Bertarelli, Aldo Gardini
• 分类: stat.ME · stat.AP
• 相关性 5/10 · novelty: new_method
• 摘要: 本文针对抽样调查中自报数值变量常见的粗化（coarsening/rounding/heaping）问题，提出了一套基于设计推断（design-based inference）的通用框架。目标是对有限总体指标（如均值、分位数、阈值患病率）进行推断，而传统模型化方法难以兼容复杂抽样设计。核心方法是将观测到的粗化响应视为潜在精确值的粗化版本，通过一个调查加权伪似然（survey-weighted pseudo-likelihood）联合建模报告机制与潜在分布。拟合模型后，生成潜在值的后验预测副本，对其应用标准设计推断估计量，并通过显式方差分解传播额外不确定性。模拟研究评估了方法在多种误设定和抽样场景下的有限样本表现与稳健性。最后，通过意大利PASSI监测系统的行为数据展示了粗化对不同功能指标（均值、分位数、阈值患病率）的异质性影响。该方法对流行病学中基于调查的因果推断（如暴露变量存在heaping时的ATE估计）具有直接参考价值。
• 关键技术: survey-weighted pseudo-likelihood, posterior predictive replication, variance decomposition, design-based inference, coarsening model
• 为什么对您有用: 本文直接连接流行病学（secondary interest）中基于调查数据的因果推断问题——当暴露或协变量存在heaping/rounding时，标准ATE估计量可能偏倚。武器库中'identification theory in causal inference'和'estimation theory in causal inference'可直接用于分析该框架下ATE的识别条件与估计效率损失。中期可做：若想将coarsening模型与proximal CI结合（如用negative control变量校正heaping导致的测量误差），需先在'moderately_familiar'的identification theory上深入理解测量误差模型。

6. 2607.24564 — Variance for Estimation and Prediction in Linear Mixed Effects Models Under MAR

• 作者: Yongqiang Tang
• 分类: stat.ME
• 相关性 4/10 · novelty: new_method
• 摘要: 本文研究线性混合效应模型（LMM）在缺失随机（MAR）机制下固定效应估计与预测的方差估计问题。传统方法（如已知方差参数的GLS估计量或Kenward-Roger小样本校正）在临床试验中可能低估处理效应的方差，导致I型错误率膨胀，且膨胀程度随治疗组间缺失机制的差异增大而加剧。作者发现，在MAR下固定效应与方差参数的估计量存在渐近依赖性，忽略此依赖会导致推断失效。为此，提出一种新的渐近方差估计量及小样本偏差校正估计量，以量化LMM在MAR下的不确定性。理论证明所提估计量的有效性，并通过数值模拟验证其性能。该工作对纵向因果推断中处理效应估计的方差校正有直接参考价值，尤其适用于流行病学队列研究中缺失数据的敏感性分析。
• 关键技术: linear mixed effects models, missing at random (MAR), generalized least squares (GLS), Kenward-Roger correction, asymptotic variance estimator
• 为什么对您有用: 本文直接关联到您primary interest中的纵向因果推断（longitudinal causal inference）和缺失数据下的估计问题。您武器库中'very_familiar'的'非参数统计'和'因果推断中的估计理论'可用于分析其渐近方差估计量的有限样本性质，而'moderately_familiar'的'M估计理论'可帮助理解其固定效应与方差参数渐近依赖性的本质。中期可做：需先在'moderately_familiar'的'半参数理论'上加强，以将本文方法推广到更一般的半参数纵向模型。

高维统计 / 随机矩阵 (high_dim_rmt, 10 篇)

1. 2607.24324 — Diffusion Bootstrap for High-Dimensional Linear Models

• 作者: Ce Liang, Wei Ma
• 分类: stat.ME · math.ST · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究高维线性模型中经典bootstrap方法（pairs bootstrap和residual bootstrap）的方差校准失败问题，提出一种基于扩散模型（diffusion model）的pairs bootstrap变体。该方法用学习到的生成分布替代经验联合分布，在score近似假设下，通过SDE和PDE论证建立了方差相合性。反例表明，仅靠终末W_4收敛不足以保证方差相合性。实验显示，扩散pairs bootstrap改善了方差校准和I类误差控制，包括理论未覆盖的设定。对您而言，该工作将生成式AI工具（扩散模型）引入高维统计推断的经典问题，与您的高维统计和假设检验兴趣直接相关，且其理论分析（SDE/PDE论证）为理解扩散模型的统计性质提供了新视角。
• 关键技术: diffusion model, pairs bootstrap, variance consistency, score approximation, SDE/PDE argument, Wasserstein convergence
• 为什么对您有用: 直接连接您的高维统计和假设检验兴趣：本文解决高维线性模型中bootstrap方差校准这一经典难题，方法新颖（扩散模型）。武器库中'高维渐近理论'和'非参数统计'可直接用于理解其理论框架；'软件工程'可用于复现实验。中期可做：若想深入扩散模型的统计性质，需先在'moderately_familiar'的M估计理论或半参数理论上补强，以处理生成模型的渐近分析。

2. 2607.23577 — Estimation of multiple precision matrices under shared support with heterogeneous edge strengths

• 作者: Sayan Ranjan Bhowal, Debashis Paul, Gopal K Basak, Samarjit Das
• 分类: math.ST · stat.ME · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对高维多组精度矩阵联合估计问题，提出 Multiplicative Graphical Lasso (Mglasso) 方法。模型假设各组精度矩阵共享一个公共的稀疏结构矩阵 Θ（通过 Schur-Hadamard 乘积分解），但允许组间边强度由特定矩阵 Γ_l 调节，从而在共享条件独立图的同时捕捉异质性。优化目标为带 ℓ₁ 惩罚（诱导公共稀疏性）和 Frobenius 范数惩罚（控制组间变异）的 penalized log-likelihood，采用 ADMM 结合梯度下降高效求解。理论上，在 sub-Gaussian 尾条件下建立了目标函数的局部严格凸性、高维一致估计的 sup-norm 误差界以及精确支持恢复保证。模拟表明，在小样本下模型选择一致性优于 Group Graphical Lasso (GGL)。该方法对您在高维统计与因果推断中处理多源异质性数据（如多中心流行病学队列的图结构估计）有直接参考价值。
• 关键技术: Multiplicative Graphical Lasso, Schur-Hadamard product decomposition, ADMM optimization, ℓ₁ + Frobenius norm penalization, high-dimensional consistency bounds, sub-Gaussian tail conditions
• 为什么对您有用: 连接您的高维统计兴趣：本文处理多组精度矩阵联合估计，属于高维协方差建模的经典问题，且模型结构（共享稀疏性+异质性强度）在因果推断的图模型设定中常见。武器库中 'high-dimensional asymptotics' 和 'minimax bounds for estimation problems' 可直接用于验证其 sup-norm 误差界是否紧，或推导更优的 minimax 率。中期可做：若想将 Schur-Hadamard 分解推广到因果图（如多组 DAG 的联合估计），需先在 'identification theory in causal inference' 上长肌肉，以处理有向图与干预分布的关系。

3. 2607.23723 — Recovery of latent inner products from an anisotropic Gaussian random geometric graph

• 作者: Cheng Mao, Vidya Muthukumar
• 分类: math.ST · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究从各向异性高斯随机几何图中恢复潜在内积的问题。设定为：n个独立同分布样本来自N(0,Σ)，其中Σ∈R^{d×d}，当且仅当⟨x_i,x_j⟩≥ζ时存在边，ζ使平均边密度为常数。为应对各向异性导致的度波动，作者采用双中心邻接矩阵的秩d谱近似来估计潜在内积。估计量的均方误差率涉及协方差矩阵Σ的稳定秩，且与各向同性情形Σ=I_d的最优率匹配，允许条件数发散的病态协方差矩阵。分析方法通过双中心邻接矩阵关于潜在内积的逐项Hermite展开，并利用Kaushik等人(2025)的解耦引理控制非线性误差项，而非标准迹方法。该结果对您的高维统计与随机矩阵理论兴趣有直接连接，特别是谱方法在非各向同性设定下的精细分析。
• 关键技术: spectral method, Hermite expansion, doubly centered adjacency matrix, decoupling argument, stable rank, random geometric graph
• 为什么对您有用: 本文直接连接您的高维统计与随机矩阵理论兴趣，特别是谱方法在协方差矩阵病态时的表现。您的武器库中'高维渐近理论'和'逆问题'可直接用于理解其谱分析框架，而'树宽/张量收缩'视角可尝试分析其Hermite展开的计算复杂度。中期可做：若先熟悉'随机矩阵的谱分布'（moderately_familiar），可进一步探索其估计量的渐近分布。

4. 2607.23964 — Estimating eigenvectors and eigenspaces of covariance matrices: Optimal Bounds and Conditions for Consistency

• 作者: Phuc Tran, Van Vu
• 分类: math.ST · cs.NA · math.NA · math.PR · stat.TH
• 相关性 7/10 · novelty: sharper_rate
• 摘要: 本文研究高维协方差矩阵的特征向量与特征空间估计问题。设定为零均值随机向量 X 的协方差矩阵 M 未知，基于 n 个 i.i.d. 样本的样本协方差矩阵 \(\tilde M\) 的特征向量/空间作为 M 的估计量。在 d 和 n 同时趋于无穷的框架下，作者给出了估计误差的匹配上界与下界（optimal bounds），仅需对 M 施加 mild 假设（如谱范数有界、有效秩可控）。作为推论，得到了估计量相合性的充要条件：样本量 n 只需与 M 的有效秩线性相关，而有效秩可远小于维度 d。技术工具包括随机矩阵理论中的谱分解扰动分析、集中不等式以及特征值间隙的精细控制。该结果统一并改进了现有文献中关于特征向量估计的若干渐近结论，尤其在高维低样本场景下具有实际意义。对您而言，本文直接关联高维统计与随机矩阵理论这一 primary interest，其 optimal bounds 的推导思路可迁移至您熟悉的 minimax 界技术中。
• 关键技术: optimal error bounds, effective rank, spectral decomposition perturbation, concentration inequalities, eigenvalue gap control
• 为什么对您有用: 本文直接对应 primary interest 中的高维统计与随机矩阵理论，给出了特征向量估计的 optimal bounds 和相合性充要条件。您的 very_familiar 武器库中的 minimax bounds 与高维渐近分析可直接用于验证其下界是否紧，或推广至更一般的协方差结构（如稀疏/低秩）。中期可做：若需将结果推广至因子模型或非高斯情形，需在 moderately_familiar 的 M-estimation 理论上稍作提升。

5. 2607.24041 — The Zero Pattern of a Design Matrix Drives Multiple Descent in Over-parameterized Regression

• 作者: Kevin Han Huang, Haoyu Ye, Somak Laha, Morgane Austern
• 分类: math.ST · cs.LG · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究过参数化线性回归中预测风险的multiple descent现象，放松了协变量独立且协方差矩阵非退化的常见假设。作者在ridge参数趋于零的极限下推导了预测风险的确定性等价（deterministic equivalent），并证明协方差矩阵的退化性和协变量间的依赖关系可以导致多个风险峰值的出现。核心技术贡献在于用二分图的图表示来刻画方差结构：最大匹配和Dulmage-Mendelsohn分解精确识别出方差矩阵奇异时的配置，从而定位风险峰值。证明中使用了随机矩阵理论中的确定性等价工具和组合图论方法。实证结果验证了理论预测的multiple descent模式。对您而言，本文的图论视角（二分图匹配与DM分解）与您熟悉的higher-order U-statistics的treewidth/einsum复杂度分析有潜在联系，可用于理解高维统计中计算与统计的tradeoff。
• 关键技术: deterministic equivalent, Dulmage-Mendelsohn decomposition, bipartite graph representation, maximum matching, vanishing-ridge regression, multiple descent
• 为什么对您有用: 本文属于高维统计与随机矩阵理论（RMT）方向，直接连接您的primary interest中的high-dimensional statistics和random matrix theory。技术武器库中'minimax bounds for estimation problems'和'high-dimensional asymptotics'可用于验证其确定性等价的sharpness；而图论表示（二分图匹配）与您very_familiar的'treewidth / tensor contraction / einsum'有结构上的可迁移性——您可以用U-statistic的图论复杂度视角来分析其风险峰值的计算代价。中期可做：需先在moderately_familiar的'HOIF'或'semiparametric theory'上长肌肉，才能将这里的图论框架推广到非参数回归的multiple descent分析。

6. 2607.23577 — Estimation of multiple precision matrices under shared support with heterogeneous edge strengths

• 作者: Sayan Ranjan Bhowal, Debashis Paul, Gopal K Basak, Samarjit Das
• 分类: math.ST · stat.ME · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对高维多组精度矩阵联合估计问题，提出 Multiplicative Graphical Lasso (Mglasso) 方法。模型将每个精度矩阵分解为共享结构矩阵 Θ（编码共同条件独立图）与群体特异强度矩阵 Γ_l 的 Schur-Hadamard 乘积，从而在共享支撑下允许异质边强度。优化目标为带 ℓ₁ 惩罚（诱导共同稀疏性）和 Frobenius 范数惩罚（控制群体间变异）的惩罚对数似然，采用 ADMM 结合梯度下降高效求解。理论上，在 sub-Gaussian 尾条件下建立了目标函数的局部严格凸性、一致范数误差界和精确支撑恢复的高维一致性保证。模拟表明，在小样本下模型选择一致性优于基准 Group Graphical Lasso (GGL)。该方法对您在高维统计和因果推断中处理多源异质性数据（如多中心流行病学队列的图结构学习）有直接参考价值。
• 关键技术: Schur-Hadamard product decomposition, ℓ₁ + Frobenius norm penalization, ADMM optimization, high-dimensional consistency (supremum norm bound), sub-Gaussian tail conditions
• 为什么对您有用: 本文直接连接您的高维统计兴趣，特别是多组精度矩阵联合估计这一子方向。您的武器库中 'high-dimensional asymptotics' 和 'minimax bounds for estimation problems' 可直接用于验证其声称的收敛速率是否最优，或推导更紧的 minimax 下界。中期可做：若需将方法推广到非 Gaussian 或因果图场景，需先在 'semiparametric theory' 上长肌肉以处理模型误设定。

7. 2607.23723 — Recovery of latent inner products from an anisotropic Gaussian random geometric graph

• 作者: Cheng Mao, Vidya Muthukumar
• 分类: math.ST · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究从各向异性高斯随机几何图中恢复潜在内积的问题。设定为：n个独立同分布样本来自N(0, Σ)，其中Σ∈R^{d×d}，当且仅当⟨x_i, x_j⟩≥ζ时存在边，ζ使得平均边密度为常数阶。为应对各向异性导致的度波动，作者采用双中心邻接矩阵的秩d谱近似来估计潜在内积。估计量的均方误差率涉及协方差矩阵Σ的稳定秩，与各向同性情形Σ=I_d的最优率匹配，且允许条件数发散的病态协方差矩阵。分析方法通过双中心邻接矩阵关于潜在内积的逐项Hermite展开，并利用Kaushik, Romberg和Muthukumar (2025) 最近引入的解耦技巧来控制非线性误差项，而非标准迹方法。该结果对您的高维统计与随机矩阵理论兴趣有直接连接，特别是各向异性协方差下的谱方法分析。
• 关键技术: spectral method, Hermite expansion, doubly centered adjacency matrix, decoupling argument, stable rank, random geometric graph
• 为什么对您有用: 直接连接您的高维统计与随机矩阵理论兴趣——各向异性协方差下的谱估计问题。您的武器库中'高维渐近理论'和'逆问题'可直接用于分析其估计量的收敛性，特别是稳定秩与条件数的作用。中期可做：若先熟悉'随机矩阵谱分析'（moderately_familiar），可尝试将解耦技巧推广到更一般的图模型。

8. 2607.23964 — Estimating eigenvectors and eigenspaces of covariance matrices: Optimal Bounds and Conditions for Consistency

• 作者: Phuc Tran, Van Vu
• 分类: math.ST · cs.NA · math.NA · math.PR · stat.TH
• 相关性 7/10 · novelty: sharper_rate
• 摘要: 本文研究高维协方差矩阵的特征向量与特征空间估计问题。设定为 d 维零均值随机向量 X，其真实协方差矩阵 M 未知，基于 n 个 i.i.d. 样本的样本协方差矩阵 \(\tilde M\) 的特征向量/空间作为 M 的估计量。在 d, n 同时趋于无穷且 M 满足 mild 假设（如谱范数有界、有效秩可控）下，给出了特征向量估计误差（如 \(\sin\Theta\) 距离）的匹配上下界，即最优收敛速率。作为推论，得到了估计量相合性的充要条件：仅要求样本量 n 与 M 的有效秩线性相关，而非与维度 d 线性相关，这在高维稀疏或低秩场景下显著弱于经典条件。技术工具包括随机矩阵理论中的谱分解扰动分析、集中不等式（如矩阵 Bernstein 不等式）以及精细的残差展开。该结果对您的高维统计与随机矩阵理论研究有直接参考价值，特别是有效秩视角下的相合性条件可迁移至您关注的协方差结构推断问题。
• 关键技术: effective rank, sinΘ distance, matrix Bernstein inequality, spectral perturbation analysis, optimal error bounds
• 为什么对您有用: 直接对应您 primary interest 中的高维统计与随机矩阵理论，具体聚焦于协方差矩阵特征向量估计的相合性条件。您武器库中 very_familiar 的 minimax bounds 与高维渐近工具可直接用于验证本文最优速率的紧性，并进一步探索有效秩假设在更复杂模型（如因子模型）下的推广。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以处理特征空间估计在后续因果推断（如 IV 弱工具变量诊断）中的应用。

9. 2607.24041 — The Zero Pattern of a Design Matrix Drives Multiple Descent in Over-parameterized Regression

• 作者: Kevin Han Huang, Haoyu Ye, Somak Laha, Morgane Austern
• 分类: math.ST · cs.LG · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究过参数化线性回归中预测风险的 multiple descent 现象，在协变量相关且协方差矩阵退化的设定下进行。现有工作大多假设协变量独立且协方差非退化，本文放松了这两个假设，在 vanishing-ridge 正则化框架下推导了预测风险的确定性等价。核心贡献是发现协方差矩阵的退化性和协变量之间的依赖关系可以导致多个风险下降峰，并刻画了这些峰出现的位置。证明中引入了一种新颖的图表示方法——方差配置的二分图，利用最大匹配和 Dulmage-Mendelsohn 分解来识别方差矩阵奇异时的配置。这一图论工具将高维统计中的谱分析问题与组合优化联系起来，为理解过参数化模型的泛化行为提供了新视角。对您而言，该工作的图表示方法与您熟悉的 higher-order U-statistics 中的树宽/张量收缩复杂度有潜在联系，可探索用图论刻画统计估计量的计算成本。
• 关键技术: deterministic equivalent, vanishing-ridge regression, bipartite graph representation, Dulmage-Mendelsohn decomposition, maximum matching, multiple descent
• 为什么对您有用: 本文属于高维统计与随机矩阵理论（RMT）方向，直接连接您的 primary interest 中的 high-dimensional statistics 和 random matrix theory。技术武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可用于验证其确定性等价的紧性；moderately_familiar 的 higher-order U-statistics 理论中的树宽/张量收缩复杂度可类比本文的图表示方法，探索统计计算 tradeoff 的图论刻画。中期可做：需先在 moderately_familiar 的 higher-order U-statistics 理论上长肌肉，以将本文的图论工具迁移到 U-statistic 的计算复杂度分析中。

10. 2607.24641 — Efficient Topic Model Estimation under Heavy-Tailed Document Lengths

• 作者: Daniel Cirkovic, Tiandong Wang
• 分类: stat.ME
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究在文档长度服从重尾分布（正则变化）时，主题模型（LDA）的估计问题。作者发现，当文档长度分布正则变化时，词频分布在文档和主题层面呈现幂律层次结构，这一性质可被用于统计推断。核心方法：利用归一化极端词频的矩，构造一个张量分解算法来估计主题矩阵，该算法在计算上高效且无需迭代优化。理论贡献：证明了在重尾文档长度下，基于极端值的矩估计量可以达到参数收敛速度，并给出了相合性条件。实证部分在20个新闻组数据集上验证了该方法对预处理选择的鲁棒性。对您可能有用：本文连接了重尾极值理论与高维张量方法，其张量分解思路可与您熟悉的higher-order U-statistics的树宽/张量收缩计算框架结合，用于分析极端值矩估计的计算复杂度。
• 关键技术: tensor decomposition, extreme value theory, regularly varying distributions, method of moments, Latent Dirichlet Allocation
• 为什么对您有用: 本文连接了您的高维统计与张量计算兴趣：其张量分解估计主题矩阵的方法，可直接用您熟悉的higher-order U-statistics的树宽/张量收缩框架分析计算成本（very_familiar）。同时，重尾极值假设下的矩估计收敛性分析，与您在高维渐近理论中的工具（minimax bounds、inverse problems）有技术重叠。中期可做：若将极端值矩估计推广到更一般的重尾设定（如不同尾指数），需先在moderately_familiar的HOIF理论中建立极值统计的influence function表示。

非参数 / 半参数 (nonparam_semipara, 4 篇)

1. 2607.23145 — Decorated graphons for temporal network estimation

• 作者: Charles Dufour, Sofia C. Olhede
• 分类: stat.ME
• 相关性 6/10 · novelty: new_method
• 摘要: 本文提出一个统一的非参数框架，用于建模随时间演化的网络，核心是引入装饰图函数（decorated graphon，也称概率图函数）——一种对称函数，为每对节点分配一个关于二元边时间序列的概率分布。该框架将静态装饰图函数推广到动态图，同时保留节点可交换性，并允许时间动态（如记忆性和周期性）。自回归和马尔可夫边过程等模型，其中边在给定潜变量后独立演化，是该框架的特例。作者开发了一个两阶段估计程序，将时间建模与网络结构分离；由于网络阶段仅需对边过程估计量施加温和的正则条件，第一阶段可使用广泛的时间边模型。作者建立了块模型和Hölder光滑两种设定下的非参数收敛速率，并明确展示了速率如何依赖于观测时间步数和边级估计质量。方法在模拟数据和医院接触网络上得到验证，恢复了潜在社区结构和时变交互模式。该框架为动态网络分析提供了一个具有显式收敛保证的非参数基线，与您在高维统计和非参数理论方面的兴趣直接相关，特别是图函数估计的收敛速率分析。
• 关键技术: decorated graphon, probability-graphon, two-stage estimation, nonparametric convergence rates, block model, Hölder smoothness
• 为什么对您有用: 本文直接连接您的非参数理论兴趣，特别是图函数（graphon）估计的收敛速率分析。您武器库中'非参数统计'和'高维渐近'的功底可立即用于审视其两阶段估计量的minimax最优性，或探索将higher-order U-statistics的树宽/张量收缩复杂度视角用于分析动态图估计的计算成本。中期可做：若想深入，需先在'semiparametric theory'上长肌肉，以处理其两阶段估计中时间模型与网络结构的依赖关系。

2. 2607.24293 — Local Fr\'echet Regression with Riemannian Predictors

• 作者: Chang Jun Im, Jeong Min Jeon
• 分类: stat.ME · math.ST · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 本文在预测变量位于一般黎曼流形、响应变量位于一般度量空间的设定下，提出了局部常数和局部线性 Fréchet 回归估计量。这是首个在该设定下处理局部线性 Fréchet 回归的方法。构造上利用测地线邻域、对数映射坐标、体积密度校正以及标量等价权重，使得估计量对坐标选择不变。理论方面不仅证明了逐点相合性与收敛速度，还建立了一致相合性与一致收敛速度。模拟和实际数据应用展示了方法在多种预测变量和响应变量几何下的有限样本表现。该工作将非参数回归的局部线性技术推广到流形预测变量，对您在高维/非参数理论方向有直接参考价值。
• 关键技术: Fréchet regression, local linear estimation, Riemannian manifold, geodesic neighborhood, logarithmic map, uniform convergence rates
• 为什么对您有用: 该论文直接关联您的非参数统计与半参数理论兴趣，特别是将局部线性方法推广到流形预测变量。您武器库中'非参数统计'和'minimax bounds for estimation problems'可直接用于分析该估计量的最优性，例如推导流形维数对收敛速度的影响是否达到 minimax 下界。中期可做：需先在 moderately_familiar 的'M-estimation theory'上加强，以处理 Fréchet 目标函数在流形上的非凸性。

3. 2607.24088 — Nonparametric Drift Estimation for Multidimensional Stochastic Differential Equations under Censoring

• 作者: Yichuan Huang (MODAL'X, MAP5 - UMR 8145)
• 机构: Modern Academy
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究多维随机微分方程在删失观测下的非参数漂移估计问题。设定中，扩散轨迹仅在落入时变凸集内时被完整观测，外部仅记录投影点和可见性指示。经典一维结果无法直接推广，因为高维投影会产生额外的有限变分项，可能破坏局部信息。作者证明，在投影映射的正则性条件下，观测过程仍是连续半鞅，且广义Itô分解中的有限变分修正项在可见时间上不赋质量，从而可见时间上的随机积分与潜在过程一致。基于此恒等式，构造了Nadaraya-Watson型漂移估计量，并采用数据驱动的带宽选择，建立了oracle不等式。进一步推导了完全观测和删失实验下的各向异性minimax下界。该工作对您在高维非参数统计和逆问题方面的兴趣有直接连接，其处理删失机制的技术（投影导致的有限变分项分析）可能为因果推断中缺失数据或测量误差问题提供新视角。
• 关键技术: Nadaraya-Watson estimator, oracle inequality, minimax lower bound, semimartingale decomposition, anisotropic smoothness
• 为什么对您有用: 直接连接您在高维非参数统计和逆问题方面的兴趣。本文处理删失机制的核心技术——分析投影导致的有限变分项——可用您非常熟悉的非参数统计和minimax界工具来审视其最优性。中期可做：将本文的删失框架与您moderately_familiar的HOIF结合，研究删失下漂移估计的效率界。

4. 2607.24088 — Nonparametric Drift Estimation for Multidimensional Stochastic Differential Equations under Censoring

• 作者: Yichuan Huang (MODAL'X, MAP5 - UMR 8145)
• 机构: Modern Academy
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究多维随机微分方程在删失机制下的非参数漂移估计问题。设定中，扩散轨迹仅在落入时变凸集内时被完整观测，外部仅记录投影点和可见性指示。经典一维结果无法直接推广，因为高维投影会引入额外的有限变差项。作者证明，在投影映射的正则性条件下，观测过程仍是连续半鞅，且其广义Itô分解中的有限变差修正项在可见时段不贡献质量，从而观测与潜在过程在可见时段上的随机积分一致。基于此恒等式，构造了Nadaraya-Watson型漂移估计量，并采用数据驱动的带宽选择，建立了oracle不等式。同时推导了完全观测和删失实验下的各向异性minimax下界。该工作对您在高维非参数统计和逆问题方面的兴趣有直接关联，其处理删失的投影技巧可迁移至因果推断中缺失数据或测量误差的设定。
• 关键技术: Nadaraya-Watson estimator, oracle inequality, minimax lower bound, semimartingale decomposition, Itô calculus, data-driven bandwidth selection
• 为什么对您有用: 直接连接非参数统计（漂移函数估计）和高维渐近理论（各向异性minimax下界）。技术武器库中'非参数统计'和'minimax bounds'可直接用于验证其oracle不等式的紧性；'逆问题'视角可用于理解删失机制下的信息损失。中期可做：若想将投影技巧用于因果推断中的缺失数据问题，需先在'semiparametric theory'上补足半参数效率界知识。

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

1. 2607.23010 — Monte Carlo testing: non-asymptotic guarantees without joint exchangeability

• 作者: Rina Foygel Barber, Aaditya Ramdas
• 分类: stat.ME · math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究 Monte Carlo 检验在观测数据与模拟副本不满足联合可交换性时的有限样本保证。传统 Monte Carlo 检验依赖精确零假设模拟或联合可交换性，但实际计算中（如以观测数据为初始点的并行 MCMC 采样）副本仅边际零分布成立或两两可交换，整体不联合可交换，此时经验 p 值可能无效。作者证明：若零假设下观测数据 X 与条件副本 X' 在给定潜变量时条件独立同分布，则对任意预设统计量和任意有限个条件独立 Monte Carlo 副本，经验 p 值满足 P{p_m ≤ α} ≤ 2α。该保证无需混合条件，适用于任意副本数 m，并解释了 MCMC 推断中的有限样本振荡行为。此外，该结果还推广至贝叶斯模型的后验预测 p 值（恢复经典因子 2 的有效性）和平衡置换检验。对您而言，本文提供了非渐近假设检验的新理论保证，直接关联您对 hypothesis testing 和 mathematical statistics 的兴趣，且其条件独立框架可能启发您在高维或因果推断中设计更稳健的置换检验。
• 关键技术: Monte Carlo test, conditional exchangeability, empirical p-value, finite-sample guarantee, MCMC sampling, posterior predictive p-value
• 为什么对您有用: 本文直接切入 hypothesis testing 的核心问题——当联合可交换性不成立时如何保证检验有效性，属于您 primary interest 中的 mathematical statistics & hypothesis testing。技术武器库中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可用于分析其条件独立框架在高维或复杂零分布下的扩展（例如，用 minimax bounds 刻画检验功效的损失）。中期可做：若想将本文的因子 2 保证推广到更一般的依赖结构（如弱依赖副本），需先在 moderately_familiar 的 M-estimation theory 上长肌肉（处理潜变量模型的估计）。

2. 2607.23974 — Sharp Minimax Rates for Smooth Two-Sample Testing under Central Differential Privacy

• 作者: Ilmun Kim
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文在中心差分隐私（ε-DP）约束下，研究两个 Hölder 光滑密度之间的两样本检验问题，目标是在仅发布 ε-DP 决策的前提下，判断两个分布是否相同或在 L1 距离上分离。经典非私有情形下，光滑两样本检验的最优分离半径由非参数 minimax 率决定；本文证明隐私约束会引入三个额外的障碍项，最优分离半径是经典非私有率与这三个隐私障碍项的最大值，从而形成一个尖锐的相图。上界通过离散化样本、对直方图应用私有离散两样本检验，并选择 bin 分辨率来平衡近似偏差、抽样波动和隐私噪声；该过程还支持置换校准，实现有限样本的 I 类错误控制。下界结合光滑扰动构造与隐私特定的耦合和传输不等式，证明所有四项都是不可避免的。当光滑度未知时，本文开发了多尺度私有检验，达到最优自适应率，并证明匹配的下界；自适应代价仅为迭代对数因子，且仅出现在经典非私有项中。对您而言，本文在假设检验框架下系统刻画了隐私对 minimax 率的影响，其相图分析和下界技术（耦合、传输不等式）可直接迁移到您在高维统计和假设检验中的工作。
• 关键技术: minimax lower bounds, differential privacy, two-sample testing, Hölder smooth densities, coupling and transport inequalities, multiscale adaptive testing
• 为什么对您有用: 本文直接连接您的 primary interest 中的 hypothesis testing 和 high-dimensional statistics（minimax 率分析），且其下界技术（耦合、传输不等式）与您 very_familiar 的 minimax bounds 工具高度契合，可立即用于分析其他隐私约束下的检验问题。中期可做：若需将方法推广到更复杂的依赖结构（如时间序列），需先在 moderately_familiar 的 M-estimation theory 上提升。

3. 2607.23974 — Sharp Minimax Rates for Smooth Two-Sample Testing under Central Differential Privacy

• 作者: Ilmun Kim
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究在中心化差分隐私（ε-DP）约束下，两个 Hölder 光滑密度之间的两样本检验问题。目标是在仅发布 ε-DP 决策的前提下，判断两个独立样本是否来自同一分布，或是否在 L1 距离上被分离。作者建立了最优分离半径的 sharp minimax 率，该率由经典非隐私率和三个不同的隐私诱导障碍项的最大值决定，具体哪个障碍项活跃取决于隐私预算与光滑度-维度比，从而形成清晰的相图。上界方法将样本离散化为直方图，对直方图应用私密离散两样本检验，并通过选择 bin 分辨率来平衡近似偏差、抽样波动和隐私噪声；该过程还支持置换校准，实现有限样本第一类错误控制。下界结合光滑扰动构造与隐私特定的耦合及传输不等式，证明所有四项都是不可避免的。当光滑度未知时，作者开发了多尺度私密检验，达到最优自适应率，并证明匹配的下界；自适应代价仅为迭代对数因子，且该代价仅出现在经典非隐私项中。对您而言，本文在 minimax 率与假设检验的交叉点上提供了 sharp 结果，其相图分析和多尺度自适应技术可直接迁移到您在高维统计与 hypothesis testing 中的工作。
• 关键技术: minimax lower bounds, differential privacy, two-sample testing, Hölder smooth densities, multiscale adaptive testing, transport inequalities
• 为什么对您有用: 本文直接连接您的 primary interest 中的 hypothesis testing 与高维统计（minimax 率）。技术武器库中的 minimax bounds for estimation problems 和 high-dimensional asymptotics 可直接用于验证其相图分析的紧性，或扩展至其他光滑性类。中期可做：若想将隐私噪声与 higher-order U-statistics 结合，需先在 moderately_familiar 的 theory of higher-order U-statistics 上长肌肉，以处理离散化后的统计量分布。

4. 2607.22971 — On the Order-Conditional Optimality of Gaffke's Bound

• 作者: George Bissias, Erik Learned-Miller
• 分类: math.ST · cs.LG · math.PR · stat.ML · stat.TH
• 相关性 6/10 · novelty: new_theory
• 摘要: 本文在纯概率框架下重新审视了从随机向量 X ∈ ℝ₊ⁿ 构造标量参数下置信界（LCB）的经典问题，将 Buehler 等人的工作转化为更易推广的形式。在 X 分量独立的设定下，证明了 Gaffke 界对于最大边际均值参数 max_i E[X_i] 是 Buehler 最优的——即任何与 Gaffke 界采用相同样本排序的有效 LCB 都无法在该参数上改进它。该结果将 i.i.d. 公共均值情形作为特例包含在内。证明依赖于序关系与置信界构造之间的精确对应，不涉及渐近近似。对您而言，本文提供了一个关于有限样本最优置信界（非渐近）的干净理论结果，与您对假设检验和数学统计的兴趣直接相关，且其序条件最优性的论证思路可能启发您在高维或 U-统计量设定下构造类似的最优置信区间。
• 关键技术: Buehler optimality, lower confidence bound, order-conditional inference, Gaffke's bound, finite-sample validity
• 为什么对您有用: 本文属于假设检验/置信区间构造的理论工作，直接对应您 primary interest 中的 'mathematical statistics (hypothesis testing)'。其核心工具是序条件最优性，与您非常熟悉的非参数统计和极小极大界有潜在联系：您可以用 minimax 视角检验该最优性是否紧，或尝试将序条件框架推广到 U-统计量的置信区间构造（属于 moderately_familiar 的 higher-order U-statistics 领域）。中期可做：需先在 moderately_familiar 的 'theory of higher-order U-statistics' 上积累，以理解序条件在非独立分量下的推广难度。

5. 2607.23717 — Proper Bayes minimax multiple shrinkage estimation

• 作者: Pankaj Bhagwat, William E. Strawderman, Edward I. George
• 分类: math.ST · stat.ME · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 本文针对多元正态均值估计（平方损失）这一经典问题，首次证明了存在 proper Bayes minimax multiple shrinkage estimators。与仅向单一预设目标收缩的 minimax 收缩估计量不同，所提估计量能自适应地向一组预设目标中更优者收缩，在保持风险始终不劣于 MLE 的同时，显著扩大了潜在风险降低的区域。构造方法的关键在于使用平方根超调和边际的混合，而非以往 formal Bayes 估计量所用的超调和边际混合。文中给出了具体例子，如经典 Strawderman 收缩估计量的自适应凸组合。该工作为实际中面临多个候选收缩目标时的估计量选择提供了理论保障。对您而言，该结果属于 minimax 估计理论的新构造，与您在高维统计和假设检验中的 minimax 视角直接相关。
• 关键技术: minimax shrinkage estimation, proper Bayes estimator, superharmonic marginals, multiple shrinkage, squared error loss
• 为什么对您有用: 该论文直接关联您 primary interest 中的 'mathematical statistics (hypothesis testing)' 和 'high-dimensional statistics'，因为它提供了 minimax 估计的新构造方法。您武器库中 'minimax bounds for estimation problems' 这一 very_familiar 工具可直接用于分析该估计量的风险界是否最优，或将其推广到其他损失函数。中期可做：若想将构造推广到非正态或高维稀疏设定，需先在 'semiparametric theory' 上积累（moderately_familiar），以处理更复杂的模型结构。

6. 2607.22971 — On the Order-Conditional Optimality of Gaffke's Bound

• 作者: George Bissias, Erik Learned-Miller
• 分类: math.ST · cs.LG · math.PR · stat.ML · stat.TH
• 相关性 6/10 · novelty: minor
• 摘要: 本文重新审视了从随机向量 X 导出标量参数下置信界（LCB）的经典问题，将 Buehler 等人的工作转化为纯概率框架，使其更易扩展。在 X 的分量独立设定下，证明了 Gaffke 界关于其诱导的序是 Buehler 最优的，针对最大边际均值参数 max_i E[X_i]（i.i.d. 时退化为公共均值）。核心结论是：没有其他有效的 LCB 能在保持相同样本序的前提下改进 Gaffke 界。该结果依赖于序条件最优性的精确定义，不涉及复杂计算工具。对您而言，该工作属于假设检验与置信区间的基础理论，与您对数学统计和假设检验的兴趣直接相关，但方法学新颖性有限，属于经典结果的重新表述。
• 关键技术: Buehler optimality, lower confidence bound, order-conditional optimality, Gaffke's bound, maximum marginal mean
• 为什么对您有用: 该论文直接关联您对假设检验的兴趣，特别是置信区间的最优性理论。您可以用 minimax 界工具验证其序条件最优性是否紧，但核心机器（Buehler 最优性框架）不在您的武器库中，属于暂不可做。

7. 2607.23717 — Proper Bayes minimax multiple shrinkage estimation

• 作者: Pankaj Bhagwat, William E. Strawderman, Edward I. George
• 分类: math.ST · stat.ME · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 该文研究多元正态均值估计（平方损失）中的 minimax 收缩估计问题。核心贡献是首次显式构造了 proper Bayes minimax multiple shrinkage estimators，即同时向多个预设目标自适应收缩的估计量。与经典的单目标 minimax 收缩估计（如 James-Stein）相比，该方法在保持 minimax 性质（风险始终不劣于 MLE）的同时，显著扩大了潜在风险降低的区域。构造方法基于平方根超调和边际（square-root superharmonic marginals）的混合，而非以往形式 Bayes 估计所用的超调和边际混合。文中给出了具体例子，如 Strawderman 收缩估计的自适应凸组合。该工作为多目标先验信息下的 minimax 估计提供了理论保证和显式构造，对高维统计和假设检验方向有直接参考价值。
• 关键技术: minimax estimation, multiple shrinkage, proper Bayes, superharmonic marginals, James-Stein estimator
• 为什么对您有用: 该文直接关联您对假设检验和高维统计的兴趣，特别是 minimax 估计理论。您武器库中的 minimax bounds 和 high-dimensional asymptotics 可直接用于分析其风险界是否紧，或推广到更一般的损失函数。中期可做：若将构造推广到非正态或高维稀疏设定，需先熟悉 semiparametric theory 中的 adaptive estimation 工具。

8. 2607.22958 — Quickest Detection with Rough Path Signatures

• 作者: Mingrui Wang, Prakash Chakraborty
• 分类: math.ST · cs.IT · math.IT · math.PR · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究信号为粗糙路径时的分布变化快速检测问题。将变化前后的动态建模为两个独立粗糙路径，观测信号为它们在未知随机变点处的拼接，从而将快速检测转化为粗糙路径框架下的最优停时问题。核心结论是：最优停时规则等价于粗糙路径签名线性泛函首次击中半空间的时间，且该结构形式由路径内在几何独立决定。推导了检测延迟和虚警概率的统计保证，并扩展至分布鲁棒设定（变化前后模型均不确定）。实现上采用截断签名系数的零阶随机逼近，在布朗和分数布朗动力学下数值评估：布朗设定下性能媲美最优方法，分数布朗设定下优于现有方法且对对抗性路径扰动保持鲁棒。对您而言，本文展示了粗糙路径签名在序列假设检验中的新应用，其理论框架（最优停时与签名线性泛函）与您的高维统计和假设检验兴趣有交集，但核心工具（粗糙路径理论、签名核方法）不在您当前武器库中，属于暂不可做方向。
• 关键技术: rough path signature, optimal stopping, zeroth-order stochastic approximation, distributionally robust detection, fractional Brownian motion
• 为什么对您有用: 本文连接您对假设检验的兴趣，具体是序列变化点检测这一经典问题。但核心机器——粗糙路径理论和签名核方法——不在您的技术武器库中（very_familiar 和 moderately_familiar 均未覆盖），属于暂不可做方向。若您希望进入粗糙路径领域，需先补充签名核的代数性质与随机分析基础，但本文作为入门读物不够系统（假设读者熟悉粗糙路径框架）。

9. 2607.22958 — Quickest Detection with Rough Path Signatures

• 作者: Mingrui Wang, Prakash Chakraborty
• 分类: math.ST · cs.IT · math.IT · math.PR · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文在粗糙路径（rough path）框架下研究分布变化的快速检测（quickest detection）问题。将变化前后的信号建模为两个独立的粗糙路径，观测信号为它们在未知随机变点处的拼接，从而将快速检测转化为粗糙路径上的最优停时问题。核心结果表明，最优停时规则等价于粗糙路径签名（signature）的线性泛函首次击中半空间的时间，且该结构形式独立于路径的内在几何。文章推导了检测延迟和虚警概率的统计保证，并扩展到分布鲁棒（distributionally robust）设定。算法上采用截断签名系数的零阶随机逼近实现，在布朗运动和分数布朗运动动力学下进行数值评估，在布朗设定下性能与最优方法相当，在分数布朗设定下表现更优且对对抗性路径扰动保持鲁棒。对您而言，该工作将粗糙路径签名这一非参数/半参数工具引入序贯检测问题，与您在高维统计和假设检验方面的兴趣有潜在交叉，尤其是签名作为路径特征的非参数表示方法值得关注。
• 关键技术: rough path theory, path signature, optimal stopping, zeroth-order stochastic approximation, distributionally robust detection, fractional Brownian motion
• 为什么对您有用: 本文连接您对假设检验和高维统计的兴趣，具体在序贯检测这一子方向。您的技术武器库中'非参数统计'和'高维渐近理论'可以直接用于分析签名特征的收敛性和检测阈值的精确刻画（立即可做），而签名作为路径的无限维特征与您熟悉的U-统计量/张量网络结构有潜在联系（中期可做，需先在签名代数上长肌肉）。

10. 2607.24376 — M\"obius-Invariant Goodness-of-Fit Tests for the Spherical Cauchy Model

• 作者: Diego Bol\'on, Davy Paindaveine
• 分类: math.ST · stat.TH
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对单位超球面上的球面 Cauchy 模型，提出了一类 Möbius 变换不变的拟合优度检验。首先利用样本 Möbius 均值估计模型参数，将观测数据变换为近似球面均匀分布，然后对变换后的样本应用基于投影的均匀性统计量。在温和条件下，检验统计量在原假设下是精确分布自由的，因此可通过 Monte Carlo 模拟任意精确地逼近临界值。作者证明了 Möbius 均值作为总体泛函的存在唯一性，并建立了其经验版本的等变性和渐近线性性，该估计量恰好是球面 Cauchy 的最大似然估计。渐近零分布被推导为去除一阶球谐分量后的均匀性统计量的极限分布，这一分量对应球面 Cauchy 模型的切空间。文章还建立了对固定备择假设的一致性，并通过球谐分解刻画了局部备择假设下的局部功效。Monte Carlo 实验验证了渐近近似的有限样本精度和检验的经验功效。该工作对您在高维球形数据上的假设检验问题具有直接的方法论参考价值，特别是其分布自由性质和球谐分解技术可迁移至其他球形分布模型的检验。
• 关键技术: Möbius transformation invariance, spherical Cauchy distribution, goodness-of-fit test, projection-based uniformity statistic, spherical harmonic decomposition, distribution-free test
• 为什么对您有用: 本文直接关联您的 primary interest 中的 hypothesis testing 和 mathematical statistics 方向，具体是球形数据上的分布检验问题。您武器库中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可直接用于分析该检验在非球形备择下的 minimax 性质，或推广至更一般的椭圆对称分布族。立即可做：利用您熟悉的 minimax 下界技术，刻画该检验在 Sobolev 球备择下的最优性。

11. 2607.24376 — M\"obius-Invariant Goodness-of-Fit Tests for the Spherical Cauchy Model

• 作者: Diego Bol\'on, Davy Paindaveine
• 分类: math.ST · stat.TH
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对单位超球面上的球面 Cauchy 模型，提出了一类 Möbius 变换不变的拟合优度检验。核心思想是利用球面 Cauchy 分布在 Möbius 变换下的不变性：先用样本 Möbius 均值估计参数，再将观测值变换为近似球面均匀分布，然后对变换后的样本应用基于投影的均匀性检验统计量。作者证明了在温和条件下，该检验在原假设下是精确分布自由的，因此可以通过 Monte Carlo 模拟任意精确地逼近临界值。理论方面，建立了 Möbius 均值作为总体泛函的存在唯一性，并证明了其经验版本（即球面 Cauchy 极大似然估计）的等变性和渐近线性性。推导了检验统计量的渐近零分布，表明它等价于去除一阶球谐分量后的均匀性统计量的渐近分布，这一分量对应球面 Cauchy 模型的切空间。建立了对固定备择假设的一致性，并通过球谐分解刻画了局部备择假设下的局部功效。Monte Carlo 实验验证了渐近近似的有限样本精度和检验的经验功效，并给出了一个真实数据分析。该工作对您在高维统计和假设检验方面的兴趣有直接连接，特别是其利用群不变性构造分布自由检验的技术思路，可迁移到其他高维流形上的检验问题。
• 关键技术: Möbius transformation invariance, distribution-free test, spherical harmonic decomposition, projection-based uniformity statistic, Möbius mean, asymptotic linearity
• 为什么对您有用: 本文直接连接您对假设检验的兴趣，特别是利用群不变性构造分布自由检验的方法。您武器库中的非参数统计和 minimax 界工具可用于分析该检验在更一般流形上的功效，而高维渐近工具可用于处理球谐分解在高维下的行为。中期可做：若您想将该方法推广到其他旋转不变分布族，需先在 moderately_familiar 的 M-估计理论上长肌肉，以处理更一般的参数估计和变换。

统计计算 / 算法 (stat_computing, 8 篇)

1. 2607.23725 — Near-Oracle Robustification of Finite-Difference Stochastic Gradient Estimators via Cheap Pilot Calibration

• 作者: Haidong Li, Henry Lam, Yijie Peng
• 分类: stat.ME
• 相关性 6/10 · novelty: new_method
• 摘要: 本文研究黑箱环境下仅依赖噪声函数观测值的随机梯度估计问题。有限差分（FD）方法是常用的零阶梯度估计器，其扰动大小的最优阶已知，但最优常数因子依赖于未知模型特征，且传统上认为这些特征与梯度本身一样难以估计。作者通过使用极小比例仿真预算进行 pilot 估计来校准这些模型量，从而显著提升 FD 估计器的鲁棒性。理论上证明，基于 pilot 估计的扰动大小可使 MSE 与已知最优扰动大小的“oracle”MSE 一阶相同，且该方法对任何预设扰动大小（包括 minimax 最优选择）都具有竞争力。数值实验验证了所提估计器相对于传统 ad hoc 调参 FD 方案的鲁棒性和近 oracle 最优性。该工作对您可能有用：它直接关联到您的 statistical computing 兴趣，特别是数值方法中的随机梯度估计与 pilot 校准策略，且其理论分析（MSE 一阶等价）与您熟悉的 minimax 界和估计理论有技术交叉。
• 关键技术: finite-difference gradient estimation, pilot calibration, zeroth-order optimization, oracle MSE equivalence, robust estimation
• 为什么对您有用: 本文直接对应您的 primary interest 中的 statistical computing（数值方法），特别是随机梯度估计的鲁棒性提升。您 very_familiar 中的 minimax bounds for estimation problems 和 estimation theory in causal inference 可直接用于分析其 pilot 校准策略的理论最优性（例如验证 MSE 一阶等价是否紧）。中期可做：若想将 pilot 校准推广到更复杂的因果推断目标（如 ATE 的梯度估计），需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体为 influence function 的 pilot 估计）。

2. 2607.23086 — The normalized expectation-maximization (N-EM) algorithm

• 作者: Guo-Liang Tian, Xuanyu Liu, Yuanfan Zhao
• 分类: stat.ME
• 相关性 5/10 · novelty: new_method
• 摘要: 本文提出归一化期望最大化（N-EM）算法，旨在处理一类目标函数为积分形式的对数似然优化问题，突破了传统EM算法仅适用于缺失数据或潜变量结构的限制。N-EM算法包含三步：归一化步（N-step）构造归一化密度函数（ndf），E-step计算代理Q函数，M-step最大化该Q函数。作者证明了N-EM的单调上升性质，探讨了ndf的最优选择以及M-step困难时的处理策略。通过多个实际应用案例，展示了N-EM能解决EM无法直接处理的问题，同时为EM可解问题提供了统一框架。数值实验验证了收敛性。该工作对统计计算中优化算法的设计具有方法论贡献，尤其适合处理含积分的目标函数。
• 关键技术: Normalized EM algorithm, surrogate Q-function, data augmentation, ascent property, unified optimization framework
• 为什么对您有用: 本文属于统计计算方向，直接对应您的primary interest中的'statistical computing (numerical methods, algorithm)'。N-EM算法为处理含积分的似然函数提供了一种通用优化框架，您可以用'very_familiar'中的'nonparametric statistics'和'inverse problems with random noise'经验来评估其收敛性和适用场景。中期可做：若想将N-EM扩展到高维或半参数设定，需先在'moderately_familiar'的'M-estimation theory'上加强，以处理更复杂的参数空间和正则化。

3. 2607.23396 — Distributed and recursive Bayesian inference for Big Data and complex spatio-temporal models

• 作者: Mario Figueira, David Conesa, Antonio L\'opez-Qu\'ilez, H{\aa}vard Rue
• 分类: stat.ME
• 相关性 5/10 · novelty: new_method
• 摘要: 本文针对大数据和复杂时空模型，提出一种基于 INLA 的分布式与递归贝叶斯推断框架。核心思路是将数据和结构化模型组件同时分区，在各节点上独立进行 INLA 近似推断，再通过递归或联邦方式整合后验信息，从而避免共享原始数据。方法在 R-INLA 软件中实现，通过案例展示了在大规模、流式数据和隐私敏感场景下的有效性。理论贡献在于给出了分区后推断精度相对于集中式全数据推断的损失可控性分析。对您而言，本文的分布式计算策略和递归更新机制可直接迁移到您在高维统计和因果推断中处理大规模纵向数据或流式数据时的计算瓶颈问题。
• 关键技术: Integrated Nested Laplace Approximations (INLA), distributed Bayesian inference, recursive inference, federated learning, R-INLA software
• 为什么对您有用: 本文属于统计计算方向，直接连接您的 primary interest 中的 statistical computing。您可以用 very_familiar 的软件开发和 high-dimensional asymptotics 工具来评估其分区策略的精度损失界是否紧，并考虑将分布式 INLA 思路移植到您熟悉的因果推断（如纵向数据中的 g-computation）或高维 U-statistics 的计算加速上。中期可做：需先在 moderately_familiar 的 M-estimation theory 上理解其递归更新与在线 EM 的关系。

4. 2607.23639 — Distributed Convolutional Rank Regression over Decentralized Networks

• 作者: Chunjing Li, Tiange Zhao, Xiaohui Yuan
• 分类: stat.ME · cs.LG
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究去中心化分布式学习网络中的卷积秩回归（CRR）问题。目标是在每个节点仅能访问本地数据并与邻居节点交换信息的约束下，估计线性回归系数。方法将核平滑秩损失与共识约束优化相结合，提出了一种去中心化CRR框架，通过广义共识ADMM算法高效求解各节点的局部子问题。在异质性网络设定下，推导了去中心化CRR估计量的有限样本误差界，并为稀疏去中心化CRR LASSO估计量提供了精确的支持恢复保证。数值模拟和真实数据实验验证了所提方法的优越性能。该工作对您可能有用：它涉及分布式计算与统计估计的结合，属于统计计算（算法）方向，但方法学核心（共识ADMM、秩回归）与您的主要兴趣（因果推断、高维统计）距离较远，且未涉及您武器库中的高阶U统计量或张量收缩工具。
• 关键技术: consensus ADMM, convolution rank regression, kernel-smoothed rank loss, decentralized optimization, finite-sample error bounds, support recovery
• 为什么对您有用: 本文属于统计计算（分布式算法）方向，与您的主要兴趣（因果推断、高维统计）无直接方法学连接。武器库中'软件发展'项可帮助理解其ADMM实现，但核心机器（共识优化、秩回归）不在您熟悉的非参数统计或高阶U统计量范围内。暂不可做：缺乏分布式优化和ADMM收敛分析的专业知识。

5. 2607.22760 — exdqlm: An R Package for Estimation and Analysis of Flexible Dynamic Quantile Linear Models

• 作者: Antonio De Leon, Raquel Barata, Raquel Prado, Bruno Sans\'o
• 分类: stat.ME
• 相关性 4/10 · novelty: application
• 摘要: 本文介绍 R 包 exdqlm，用于贝叶斯分位数回归，重点在动态状态空间分位数模型（exDQLM）。该包基于扩展非对称拉普拉斯（exAL）分布，是标准 AL 分布的参数扩展。软件提供 MCMC 后验模拟和快速近似后验推断（Laplace-delta 变分贝叶斯 LDVB），支持长序列的高效计算。同一接口还支持静态 exAL 分位数回归（正则化先验）、动态传递函数模型、后验预测综合、预测及诊断。对您而言，这是一个统计计算软件包，其变分贝叶斯近似和 MCMC 实现可作为您开发统计软件时的参考。
• 关键技术: Bayesian quantile regression, extended asymmetric Laplace distribution, Laplace-delta variational Bayes, Markov chain Monte Carlo, dynamic state-space model
• 为什么对您有用: 本文属于统计计算软件包，直接对应您的 primary interest 中的 statistical computing。该包实现了变分贝叶斯近似（LDVB）和 MCMC，其软件架构和算法设计可作为您开发统计软件时的参考。武器库中的 software development 可直接用于评估其代码质量与可扩展性，属于立即可做的范畴。

6. 2607.23294 — AIM: Amortized Inference for Multistate Transition Models

• 作者: Yuxi Zhu, Rui Zhang
• 分类: stat.ME · stat.AP
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对区间删失连续时间多状态转移模型（MSTM）提出了一种摊销贝叶斯推断框架AIM。传统似然方法需对每个数据集重复计算转移概率矩阵，计算负担大。AIM在离线训练阶段从模拟数据中学习信息性汇总统计量与模型参数之间的映射关系，训练完成后对新数据集可在毫秒级完成在线后验推断，无需重复优化似然。在固定观测计划和离散化协变量分层下，作者证明了区间特异性转移计数对观测面板似然是充分的，并建立了相应总体汇总的可识别性。进一步证明了诱导的汇总后验及其神经近似的一致性，从而得到一致的后验均值估计量。在渐进和竞争路径MSTM的模拟中，AIM的点估计和不确定性量化均表现良好，中位加速比约为154倍至2308倍。本文为区间删失MSTM提供了一个可复用且理论有保障的贝叶斯推断框架，对您而言，其摊销推断思路与您统计计算兴趣中的算法效率问题直接相关，且其理论分析（一致性、可识别性）与您熟悉的非参数统计和M估计理论有技术交集。
• 关键技术: amortized Bayesian inference, neural posterior approximation, summary statistics sufficiency, interval-censored multistate models, consistency of summary posterior
• 为什么对您有用: 本文属于统计计算方向，与您的primary interest“statistical computing (numerical methods, algorithm)”高度匹配。其摊销推断框架的核心思想——将计算负担转移到离线训练阶段——是您武器库中“software development”和“high-dimensional asymptotics”可以切入的具体问题：您可以用熟悉的minimax bound分析其神经近似误差的统计代价，或用einsum/treewidth视角评估其转移概率矩阵计算的可复用性。中期可做：若想深入其理论保障，需先在moderately_familiar的“M-estimation theory”上加强，以理解其汇总后验一致性的证明结构。

7. 2607.23998 — Simulation-consistent Estimation of the Marginal Likelihood for Block Models

• 作者: Martin Metodiev, Marie Perrot-Dock`es, Guilhem Fouetillou, Pierre Latouche, Adrian E. Raftery
• 分类: stat.ME
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对块模型（block models）提出了一种从 MCMC 样本中计算边际似然（marginal likelihood）的模拟一致性估计量。该估计量在固定数据集大小下是模拟一致的，且具有渐近正态性和有限方差，对标签交换（label switching）不变，并能高效计算，即使模型分量数任意大。方法的核心机制是利用 MCMC 输出构造一个无偏或近似无偏的边际似然估计，避免了传统方法（如 harmonic mean estimator）的不稳定性。通过模拟研究（已知真实边际似然的设定）验证了估计量的有限样本表现，并应用于 COP28 社交网络数据。对您而言，该工作展示了如何将 MCMC 后验样本转化为模型选择工具，其模拟一致性和渐近正态性为统计计算中的模型比较提供了理论保障，尤其适用于您感兴趣的统计计算（numerical methods）方向。
• 关键技术: simulation-consistent estimation, marginal likelihood, MCMC, block models, label switching invariance
• 为什么对您有用: 本文属于统计计算（stat_computing）方向，直接对应您的 primary interest 中的“statistical computing (numerical methods, algorithm)”。您武器库中的“software development”和“nonparametric statistics”可用于复现或扩展其模拟一致性框架；该估计量的渐近正态性也可用您熟悉的“high-dimensional asymptotics”工具进行理论验证。中期可做：需先在“M-estimation theory”上长肌肉，以严格推导该估计量的 influence function 和方差公式。

8. 2607.24055 — Marginal Data Augmentation for Efficient Bayesian Modeling of Counts and Rates with a Demographic Application

• 作者: Gregor Zens, Sylvia Fr\"uhwirth-Schnatter
• 分类: stat.ME · stat.CO
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对贝叶斯计数数据模型（尤其是零膨胀情形）中 MCMC 采样效率低的问题，提出了一种边际数据增广（marginal data augmentation）方法。核心思路是引入一个工作参数（working parameter），对零计数观测对应的潜变量进行重新缩放，从而打破标准数据增广方案中因零计数导致的强后验依赖。该方法适用于半参数贝叶斯计数回归模型，通过合成数据和模拟研究展示了相比传统采样方法在混合效率上的显著提升。最后，以奥地利次国家级死亡率计数数据的潜因子分析作为人口学应用案例，验证了方法的实用性。对您而言，本文的边际数据增广策略可视为一种计算技巧，与您统计计算兴趣中的数值方法直接相关；其核心机制（通过工作参数解耦后验依赖）可能启发您在高维或因果推断中设计更高效的 MCMC 方案。
• 关键技术: marginal data augmentation, working parameter, Bayesian count data regression, Markov chain Monte Carlo, zero-inflated models, latent factor analysis
• 为什么对您有用: 本文属于统计计算（MCMC 效率改进）方向，直接对应您 primary interest 中的 statistical computing。其边际数据增广方法通过工作参数解耦后验依赖，这一思路可能迁移到您 moderately_familiar 的因果推断 MCMC 实现中（如处理零膨胀中介变量）。武器库方面，您对软件开发和 MCMC 基础有 very_familiar 的掌握，但本文涉及的具体贝叶斯数据增广技巧（如工作参数构造）属于 moderately_familiar 的 M-estimation 理论范畴——您需要先熟悉潜变量模型的 Gibbs 采样框架才能直接复现。总体而言，这是一篇方法学论文，可作为中期可做的参考：先补足贝叶斯数据增广的文献，再评估能否将工作参数思想用于您自己的因果推断计算问题。

天体统计 (astrostats, 3 篇)

1. 2607.22754 — Jointly Modeling Roman Coronagraph Astrometry and Photometry Improves Orbital Parameter Estimates

• 作者: Farrah Molina, Sarah Blunt, Jason Wang
• 分类: astro-ph.IM · astro-ph.EP
• 相关性 6/10 · novelty: application
• 摘要: 本文针对2027年发射的Nancy Roman太空望远镜直接成像系外行星任务，提出在开源轨道拟合软件orbitize!中联合建模天体测量（astrometry）与反射光变曲线（photometric variations due to orbital phase）以约束轨道参数。核心设定是反射光强度依赖于轨道相位，因此联合建模可提供比单独天体测量更紧的后验分布。方法上，作者模拟了部分轨道的真实观测，分别用仅天体测量和联合天体测量+测光两种模型计算轨道后验，并比较精度。主要结果表明，联合建模显著提高了轨道倾角（inclination）的后验精度：信噪比SNR=10时倾角精度提升33%，SNR=3时仅提升12%。该工作属于应用型方法论文，方法学新颖性有限（主要是软件扩展和模拟验证），但为即将到来的Roman数据提供了实用的分析工具。对您而言，这是一篇很好的天文统计入门读物，清晰展示了天文数据（天体测量+光变曲线）的结构、噪声模型和科学问题，适合作为了解系外行星直接成像统计推断的起点。
• 关键技术: orbit fitting, Bayesian posterior sampling, reflected-light photometry, astrometry, simulation-based validation
• 为什么对您有用: 本文属于astrostats gateway reading：它清晰阐述了天文数据（天体测量与光变曲线）的结构和噪声模型，以及科学问题（轨道参数估计），适合作为统计学家进入该领域的入门读物。您的武器库中非参数统计和贝叶斯推断能力足以理解其方法，但核心机器（轨道力学模型、反射光相位模型）不在武器库内，属于暂不可做方向——不过本文作为入门材料值得花时间读全文，以了解天文统计推断的典型数据结构和分析流程。

2. 2607.23903 — Expected number density of critical points of smooth Gaussian random fields in arbitrary dimensions

• 作者: Satoshi Kuriki, Takahiko Matsubara, Satoshi Iso
• 分类: math.ST · astro-ph.CO · math.PR · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究光滑各向同性高斯随机场在任意维度 d 上临界点（包括局部极值、鞍点）的期望个数密度与高度分布。核心贡献是给出了一个仅涉及至多一维积分的显式公式，与维度 d 无关，从而避免了传统方法中高维积分计算的指数爆炸。技术工具包括 de Bruijn 定理的一个变体以及高斯随机变量的 Weierstrass 卷积公式及其反演。该结果对宇宙学中原初密度场（如 CMB 或大尺度结构）的峰值统计有直接应用，因为这类场通常被建模为高斯随机场。对您而言，本文是 astrostatistics 的优质入门读物：它清晰阐述了随机场模型、临界点计数这一统计几何问题，并展示了如何用概率工具将高维问题降维，其分析模式（利用高斯卷积简化积分）可能对您处理高维 U-统计量的计算复杂度问题有启发。
• 关键技术: Gaussian random fields, critical point density, de Bruijn's theorem, Weierstrass convolution formula, Kac-Rice formula
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，适合作为统计学家进入该领域的入门材料。它清晰阐述了随机场模型和临界点计数这一统计几何问题，不预设天文学术语，且明确给出了数据侧（高斯场假设）和模型侧（Kac-Rice 公式）的设定。武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 足以理解其核心推导，但该文本身不直接产生可动手的 follow-up 问题，属于暂不可做的方向——因为其核心工具（Kac-Rice 公式、de Bruijn 定理变体）不在当前武器库中，且与 primary interests 的方法论距离较远。不过，作为了解宇宙学中统计问题的窗口，值得花时间读全文。

3. 2607.23903 — Expected number density of critical points of smooth Gaussian random fields in arbitrary dimensions

• 作者: Satoshi Kuriki, Takahiko Matsubara, Satoshi Iso
• 分类: math.ST · astro-ph.CO · math.PR · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文研究光滑各向同性高斯随机场在任意维度 d 上临界点（极大值、极小值、鞍点）的期望个数密度。核心贡献是给出了一个显式公式，该公式至多涉及一维积分，与维度 d 无关。推导中使用了 de Bruijn 定理的一个变体以及 Weierstrass 卷积公式（与高斯随机变量卷积及其逆变换）。该结果统一并推广了之前仅适用于低维（如 d=2,3）的经典结果。对于宇宙学中原始密度峰值的统计建模（如原初非高斯性检验）有直接应用。对您而言，这是一篇优秀的 astrostatistics 入门读物：问题设定清晰（随机场临界点计数），数学工具（高斯积分、谱密度、卷积）与统计学家熟悉的高维渐近和极值理论有交集，且不要求天文学背景知识。
• 关键技术: Gaussian random fields, critical point density, de Bruijn's theorem, Weierstrass convolution formula, Kac-Rice formula, spectral density
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：问题（随机场临界点计数）是宇宙学中原始密度峰值建模的核心，但 exposition 对统计学家友好，不依赖天文学行话。武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 的直觉（如谱密度、高斯过程）足以理解主要推导。中期可做：若想深入该方向，需在 'moderately_familiar' 的 'theory of higher-order U-statistics' 上长肌肉——因为临界点计数本质上涉及高阶导数场的联合分布，与 U-统计量的投影方法有深层联系。值得花时间读全文，尤其是推导中 de Bruijn 定理的变体可能对您处理高阶统计量的积分表示有启发。

经济理论 / 应用 (econ_theory, 1 篇)

1. 2607.23174 — Do decisions about outliers and influential effects matter? Evidence from 358 behavioral science meta-analyses

• 作者: Tomas Havranek, Zuzana Irsova, Martina Luskova, T. D. Stanley
• 分类: econ.EM
• 相关性 4/10 · novelty: application
• 摘要: 本文系统评估了358项行为科学元分析中，四种预注册的异常值处理方法（Winsorizing、DFBETAS等）对汇总效应量、统计显著性和最小效应量判断的影响。采用随机效应和未加权最小二乘两种估计器，以“不做处理”为基线，比较中位数绝对变化和分类反转比例。结果显示，异常值处理对元分析均值影响很小（Cohen's d中位数变化≤0.047），但11.5%的元分析统计显著性反转，15.9%的最小效应量判断反转，且反转几乎只发生在接近决策边界的估计上。Winsorizing影响最小，DFBETAS影响最大。该研究为应用元分析者和方法学家提供了异常值处理选择影响的量化参考，并强调了预注册方法的重要性。对您而言，这是一篇经济/流行病学领域的应用工作，展示了在大量真实数据集上系统评估敏感性分析的方法，其分析模式（预注册、多处理、多结果比较）可迁移到您关注的因果推断敏感性分析中。
• 关键技术: outlier detection, meta-analysis, Winsorizing, DFBETAS, pre-registration, sensitivity analysis
• 为什么对您有用: 本文属于经济理论/流行病学领域的应用工作，直接连接您的secondary interest中的经济理论和流行病学（应用数据集和因果推断）。您的武器库中'非参数统计'和'因果推断中的估计理论'可用于理解其敏感性分析框架，但核心是应用而非方法创新。作为gateway reading，本文清晰展示了在大量真实元分析中系统评估处理选择影响的设计，值得花时间读全文以获取分析模式灵感，但暂不可做直接的方法学跟进，因为缺少您武器库中高阶U统计或半参效率等核心工具的切入点。

流行病学 (epidemiology, 3 篇)

1. 2607.23079 — Identifiability and Information-Based Inference for Epidemic Transmission Models Under Partial Observation

• 作者: Md Asaduzzaman
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: application
• 摘要: 本文针对动态接触网络上部分观测的流行病传播模型，系统研究了参数的可识别性与Fisher信息量。在设定中，感染时间、接触史、外部感染源均可能缺失，观测频率、网络覆盖率和测量精度受限。作者建立了结构可识别性和局部可识别性的条件，推导了观测数据和完整数据的信息矩阵，并通过缺失信息分解量化了未观测传播事件和网络信息缺失导致的信息损失。方法上，核心工具是Fisher信息矩阵的谱分析和缺失信息分解，理论预测与有限样本模拟结果吻合良好。该框架为评估监测策略（如观测频率、网络覆盖率）对参数估计效率的影响提供了理论基础。对您而言，这是一篇流行病学中关于部分观测下统计推断理论的应用型论文，其可识别性条件和信息分解思路可迁移至您关注的因果推断中缺失数据或代理变量设定下的效率分析。
• 关键技术: Fisher information matrix, missing-information decomposition, structural identifiability, local identifiability, partially observed epidemic process, dynamic contact network
• 为什么对您有用: 本文属于流行病学应用方向，直接对应您的secondary interest。它系统处理了部分观测下的可识别性和信息损失，这与您primary interest中因果推断的缺失数据/代理变量问题有方法论共鸣。武器库中'nonparametric statistics'和'estimation theory in causal inference'可用于分析其信息分解的紧性，但核心工具（Fisher信息矩阵的谱分析）您已熟悉，属于'立即可做'的阅读——可快速评估其可识别性条件能否推广到proximal causal inference的negative control设定。

2. 2607.23079 — Identifiability and Information-Based Inference for Epidemic Transmission Models Under Partial Observation

• 作者: Md Asaduzzaman
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文针对动态接触网络上部分观测的流行病传播模型，系统研究了参数的可识别性与Fisher信息量。在潜伏感染时间未知、接触史不完整、观测有误及存在外部感染源等现实约束下，建立了结构可识别性与局部可识别性的判定条件。推导了观测数据与完全数据的信息矩阵，并通过缺失信息分解量化了未观测传播事件和网络信息缺失导致的信息损失。进一步分析了观测频率、网络覆盖率和测量精度对参数可估计性与统计效率的影响，为评估监测策略提供了理论依据。模拟实验表明，理论预测与有限样本表现高度吻合。该框架为部分观测流行病传播模型的统计推断奠定了理论基础，对您而言，这是一篇流行病学应用方向的严谨理论工作，其可识别性分析与信息分解框架可直接迁移至您关注的因果推断中部分观测设定（如proximal CI的negative control假设检验）的识别性论证。
• 关键技术: Fisher information matrix, missing-information decomposition, structural identifiability, local identifiability, observed-data likelihood, dynamic contact network
• 为什么对您有用: 本文属于流行病学应用方向，但核心方法——部分观测下的可识别性条件与信息损失分解——与您primary interest中的因果推断识别理论（特别是proximal CI中negative control假设下的识别性）高度相通。武器库中'identification theory in causal inference'（moderately_familiar）可直接用于评估本文的识别性条件是否可移植到因果设定；'inverse problems with random noise'（very_familiar）可用于分析其信息矩阵的谱性质。中期可做：需先在moderately_familiar的'identification theory in causal inference'上巩固，才能将本文的缺失信息分解框架系统性地应用于proximal CI的敏感性分析。

3. 2607.23660 — Systemic Methodological Dysfunction in Statistical Research for Clinical Decisions

• 作者: Charles F. Manski
• 分类: econ.EM · stat.ME
• 相关性 5/10 · novelty: survey
• 摘要: 本文是 Charles Manski 对临床决策统计研究中系统性方法学失能的尖锐批评。核心靶点包括：(1) 滥用假设检验比较治疗方案，(2) 患者预后预测准确性评估方法脱离临床实际，(3) 荟萃分析实践质量低下，(4) 普遍存在的过度自信研究。作者认为，这种失能由三个因素维持：医学生统计教育薄弱、临床研究者依赖生物统计学家作为统计守门人、以及资助机构/医学期刊/监管机构的制度惯性。文章并非提出新方法，而是诊断问题并呼吁系统性变革。对您而言，这是一篇立场鲜明的应用导向批评，直接关联流行病学应用中的因果推断实践——您熟悉的因果推断识别理论（如 IV、proximal CI）和效率理论（如 DML）正是对抗这些失能的方法学武器。
• 关键技术: hypothesis testing critique, meta-analysis practice, prediction accuracy evaluation, incredible certitude
• 为什么对您有用: 本文直接批评临床决策统计中的假设检验滥用和荟萃分析问题，属于流行病学应用方向。您武器库中的因果推断识别理论（如 IV、proximal CI）和效率理论（如 DML）正是替代这些失能方法的工具。本文是 gateway reading，无需技术攻坚即可理解，适合作为流行病学应用方向的入门读物，值得花时间读全文以了解批评框架。

其他 (other, 7 篇)

1. 2607.24491 — Optimal estimation of high-dimensional quantum states using locally gentle measurements

• 作者: Cristina Butucea, Jan Johannes, Henning Stein
• 分类: math.ST · quant-ph · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文研究高维量子态估计问题，在测量必须满足 α-温和（α-gentle）约束下，目标是最小化 Frobenius 范数下的 minimax 风险。温和测量不会过度破坏量子态，其输出包含统计信息且后测量态与原态迹距离不超过 α，这一约束与量子差分隐私紧密相关。主要结果表明，对于一般 d 维量子态，最优 minimax 率为 d^3/(n α^2)，远高于无约束时的 d^2/n；对于秩为 r 的态，率为 r d^2/(n α^2)，而非经典差分隐私中常见的 rd/n。令人惊讶的是，温和性带来的损失 d/α^2 与 Hilbert 空间的环境维度成正比，而非参数个数。作者构造了最优温和测量，并展示了如何通过辅助态和 CNOT 门在物理上实现。下界证明基于新的量子信息论不等式，应用于精心选择的（低秩）量子态族。本文对您作为统计学家而言，提供了一个将 minimax 下界技术与量子信息约束结合的范例，但核心问题（量子态估计）与您的主要兴趣方向（因果推断、高维统计、U-统计量）无直接交集，属于 gateway-reading 范畴的跨领域阅读。
• 关键技术: minimax lower bound, quantum differential privacy, gentle measurement, quantum information-theoretic inequality, Frobenius norm estimation
• 为什么对您有用: 本文属于 astrostatistics 之外的跨领域阅读，但作为 gateway-reading 评估：(a) 对 outsider 较友好——摘要清晰说明了模型（量子态、温和测量、Frobenius 风险）和主要结果，但量子信息背景（CNOT 门、迹距离）对纯统计学家仍有门槛；(b) 数学清晰——minimax 率 d^3/(n α^2) 与经典率 d^2/n 的对比明确，下界证明策略（量子信息不等式）有简要说明；(c) 问题值得关注——温和测量与差分隐私的联系是新颖的统计-计算-隐私 tradeoff 视角，但问题本身（量子态估计）与您的武器库（非参、高维、U-统计）无直接技术接口；(d) 无 tensor-contraction 或 U-统计量连接。综合判断：作为 gateway 阅读，本文可读性中等，但问题离您的核心兴趣较远，暂不可做——核心机器（量子信息论、迹距离分析）不在武器库中。

2. 2607.24491 — Optimal estimation of high-dimensional quantum states using locally gentle measurements

• 作者: Cristina Butucea, Jan Johannes, Henning Stein
• 分类: math.ST · quant-ph · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文研究在局部温和测量（α-gentle measurement）约束下高维量子态的估计问题。目标是在Frobenius范数下以极小化极大速率估计d维量子态ρ，测量需满足后测量态与原始态迹距离≤α。主要结果表明，最优速率从无约束时的d²/n退化为d³/(nα²)；对于秩r状态，速率从rd/n退化为rd²/(nα²)。令人惊讶的是，温和性代价d/α²与Hilbert空间的环境维度成比例，而非经典差分隐私中常见的参数数量rd。作者提出了最优温和测量方案，并指出可通过辅助态和CNOT门物理实现，其似然函数满足局部差分隐私。下界通过新的量子信息不等式在低秩态流形上证明。本文对您的主要兴趣（高维统计、极小化极大理论）有概念性启发，但属于量子信息统计的专门领域，与您的技术武器库（非参统计、U统计量、因果推断）直接交集有限。
• 关键技术: minimax estimation rate, gentle measurement, quantum differential privacy, Frobenius norm, quantum information inequality
• 为什么对您有用: 本文属于量子统计的专门领域，与您的primary interests（因果推断、高维统计、U统计量）无直接方法学连接。武器库中very_familiar的极小化极大界技术可用于理解其速率推导，但核心设定（量子态、温和测量）不在您的技术栈内，属于暂不可做方向。作为gateway reading，本文对量子统计的入门者不够友好，假设读者熟悉量子态表示和测量理论，不适合作为跨领域阅读材料。

3. 2607.22900 — Rapid evaluation and calibration of Bayesian group sequential designs via conjugate-mixture semi-simulation

• 作者: Zhangyi He, Feng Yu, Suzie Cro, Laurent Billot
• 分类: stat.ME
• 相关性 4/10 · novelty: application
• 摘要: 本文针对贝叶斯群序贯设计（GSD）在试验设计阶段操作特征评估的计算瓶颈，提出了一种半模拟框架。核心创新有二：一是用有限共轭混合先验替代每次中期分析时的MCMC或近似解析后验更新，将后验计算简化为封闭形式的共轭更新和低维数值积分；二是预计算策略，在候选分析时间的并集上通过单次Monte Carlo遍历缓存后验尾概率，后续网格上的每个设计只需亚秒级扫描即可完成评估，无需额外模拟。该框架支持后验概率决策规则，可处理多个有效性和无效性标准（绑定或非绑定），并为二分类、连续、计数和生存终点推导了封闭形式的逐次更新公式。以ADRENAL试验重新设计为例（最多9次分析），该框架在Monte Carlo误差内复现了BATSS和adaptr的操作特征，但每个GSD运行速度比adaptr快约7-16倍（在百万试验校准预算下快数百倍），比BATSS快3700-6600倍。本文主要贡献在于计算效率，而非统计方法学创新，属于应用导向的计算加速工作。
• 关键技术: conjugate-mixture priors, semi-simulation, precomputation caching, Bayesian group sequential design, operating-characteristic evaluation
• 为什么对您有用: 本文属于统计计算方向，与您的primary interest中的'statistical computing (numerical methods, algorithm)'直接相关，但方法学新颖性有限（novelty_flag=application）。您的武器库中'software development'和'nonparametric statistics'可帮助理解其计算框架，但核心是贝叶斯序贯设计而非您熟悉的因果推断或高维统计。作为gateway reading，本文清晰展示了计算加速策略在临床试验设计中的应用，但若您不从事贝叶斯试验设计，投入时间阅读全文的收益有限。建议仅作为统计计算应用案例快速浏览。

4. 2607.23063 — Copulas for Geostatistical Data: Foundations, Modeling Principles and Statistical Inference

• 作者: Axel B\"ucher, Nadja Klein
• 分类: stat.ME
• 相关性 4/10 · novelty: survey
• 摘要: 本文是一篇综述，系统梳理了 copula 在地统计（geostatistics）中的应用。核心思想是通过 Sklar 定理将空间随机场的有限维分布分解为边缘分布和 copula，从而在二阶矩（协方差函数、变差函数）之外刻画非高斯空间依赖结构。文章重点讨论了空间 copula 模型的 Kolmogorov 一致性条件，区分了固定位置模型与真正过程级构造。综述涵盖了空间依赖的 copula 描述工具、模型构建、统计推断（如伪似然估计）、时空扩展以及灵活边缘与依赖模型的新方向。本文旨在统一空间统计、copula 建模和随机过程三个领域的不同术语与建模目标，并指出各自的优势与局限。对您而言，这是一篇 gateway-reading 性质的综述，适合快速了解 copula 在空间统计中的角色，但方法学 novelty 有限，且与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集。
• 关键技术: Sklar's theorem, spatial copula, Kolmogorov consistency, pseudo-likelihood estimation, spatio-temporal modeling
• 为什么对您有用: 本文属于 gateway-reading 范畴，适合作为统计学家进入空间 copula 领域的入门读物。文章对 Kolmogorov 一致性的强调有助于理解过程级构造与有限维构造的区别，但武器库中缺乏空间统计（如变差函数、kriging）的专门工具，且本文未涉及您擅长的 U-统计量或高维渐近理论。暂不可做：核心机器（空间随机场建模、copula 推断）不在武器库中，且本文为综述，无具体可攻问题。

5. 2607.23596 — Statistical Analysis of Network Collections Using Persistent Homology and Functional Data Analysis

• 作者: Catherine Higgins, Hulin Wu, Michelle Carey
• 分类: stat.ME
• 相关性 4/10 · novelty: application
• 摘要: 本文提出 funTDA 框架，将持久同调（persistent homology）与函数型数据分析（FDA）结合，用于处理网络集合的统计推断问题。核心挑战在于网络（不同大小、有向/无向、加权/未加权、无节点对应）不天然存在于欧氏空间，无法直接计算均值、协方差、PCA 或假设检验。方法流程为：先对每个网络计算持久同调（如 Vietoris-Rips 复形），提取持久图（persistence diagram）或持久景观（persistence landscape）作为函数型数据，再应用 FDA 工具（如 FPCA、函数型 t 检验）进行统计推断。模拟实验表明该方法能区分不同连接结构的网络。两个真实应用：简·奥斯汀与狄更斯小说的词共现网络、17 人 H3N2 流感基因调控网络，均用 PCA 和假设检验评估拓扑差异。本文是方法学应用论文，无新理论或新方法贡献，但为网络集合的统计推断提供了一个可操作的 pipeline。
• 关键技术: persistent homology, functional data analysis, persistence landscape, functional principal component analysis, Vietoris-Rips complex
• 为什么对您有用: 本文属于拓扑数据分析（TDA）与 FDA 的交叉应用，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接重叠。但持久同调提取的拓扑特征（如 Betti 数、持久景观）可作为高维网络数据的低维表示，未来或可与您的 higher-order U-statistics 工作结合（例如用 U-统计量检验两组网络拓扑特征的分布差异）。作为 gateway reading，本文对 TDA 新手友好，但武器库中缺少持久同调的核心工具（如稳定性和 bottleneck 距离），暂不可做。

6. 2607.24378 — Bayesian Feature Extraction using Gaussian and Diffused-gamma Priors for High Dimensional Spatio-Temporal Data

• 作者: Garrett Frady, Dipak K. Dey, Shariq Mohammed
• 分类: stat.ME · q-bio.QM · stat.AP · stat.CO · stat.ML
• 相关性 4/10 · novelty: application
• 摘要: 本文针对高维时空数据中的稀疏特征提取问题，提出一个贝叶斯框架，使用 Gaussian 和 Diffused-gamma 先验诱导结构化稀疏性。模型通过 Bregman 散度定义广义似然，兼容多种损失函数和测量模型，后验计算采用 MCMC。核心贡献在于一个两阶段特征提取流程：先基于后验样本进行 FDR 控制的筛选，再通过聚类稳定跨时空的选择。以多被试 EEG 数据为例，研究慢性酒精暴露对脑区活动的影响，展示了该方法在稀疏特征恢复和可解释性上的优势。代码已公开。对您而言，本文属于应用导向的贝叶斯方法，与您的主要兴趣（因果推断、高维统计、效率理论）无直接交集，但其中结构化先验和两阶段筛选的思路在您关注的流行病学或神经科学数据分析中可能有参考价值。
• 关键技术: Diffused-gamma prior, Bregman divergence, Markov chain Monte Carlo, false discovery rate control, two-stage feature extraction
• 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 RMT、U-统计量、效率理论）无直接技术交集。作为 gateway reading 价值有限：方法学 novelty 不高（贝叶斯稀疏先验+两阶段筛选是成熟套路），且未涉及您武器库中的核心工具（如 minimax 界、U-统计量、半参效率）。暂不可做——核心机器（贝叶斯计算、时空建模）不在您的武器库里，且问题本身不指向您擅长的理论方向。

7. 2607.24702 — BayesClint: Bayesian Multi-Scale Clustering and Multi-Sample Integration With Feature Selection for Spatial Transcriptomics Data

• 作者: Alvin Sheng, Sandra E. Safo, Thierry Chekouo
• 分类: stat.ME
• 相关性 4/10 · novelty: application
• 摘要: 本文提出 BayesClint，一种用于空间转录组数据的贝叶斯多尺度聚类与多样本整合方法。该方法同时进行因子分析和空间聚类，在单细胞和组织区域两个尺度上联合聚类，并利用稀疏因子载荷矩阵实现特征选择，以识别区分细胞类型的活性基因和差异表达基因。通过模拟研究和两个真实数据应用，展示了该方法相对于现有方法的优势。
• 关键技术: Bayesian factor analysis, spatial clustering, multi-scale clustering, feature selection, sparse factor loadings
• 为什么对您有用: 本文属于统计方法在生物信息学中的应用，与您的主要兴趣（因果推断、高维统计等）无直接关联。虽然涉及高维数据（基因表达）和聚类方法，但核心是贝叶斯建模和空间统计，而非您熟悉的非参数理论或效率理论。作为入门读物，本文对统计计算（MCMC）有一定参考价值，但整体与您的武器库匹配度低，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. 2607.22950 — Priority-Standardized Net Benefit: A Stage-Normalized Estimand for Hierarchical Composite Endpoints

• 作者: David McCoy, John Leopold, Shirley Galbiati, Minhthien Vu, Bonnie Zhang
• 分类: stat.ME
• 相关性 3/10
• 评分理由: Clinical trial estimand for composite endpoints; unrelated to primary interests.

2. 2607.23092 — Convergence of Estimative Density to Information Projection for Misspecified Normal Distribution Model

• 作者: Yo Sheena
• 分类: stat.ME
• 相关性 3/10
• 评分理由: Convergence of estimative density for misspecified normal model; niche theoretical result, not in primary interests.

3. 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 M\"ollenhoff
• 分类: stat.ME · stat.AP
• 相关性 3/10
• 评分理由: 贝叶斯试验设计，与主要兴趣点（因果推断、高维统计）无关。

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

• 作者: Sebastian Fuchs, Yuping Wang
• 分类: stat.ME · math.PR
• 相关性 3/10
• 评分理由: Positive dependence theory is a niche subfield of statistics, not aligned with primary interests.

5. 2607.23744 — Robust estimation of the autocorrelation function via forward ratios

• 作者: A. Monta\~n\'es, E. Ruiz
• 分类: econ.EM
• 相关性 3/10
• 评分理由: 时间序列的自相关函数稳健估计，与primary interests无直接关联。

6. 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
• 分类: astro-ph.IM
• 相关性 3/10
• 评分理由: 射电干扰建模，数据/模型阐述不足，非入门级天文统计阅读。

7. 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
• 分类: astro-ph.IM
• 相关性 3/10
• 评分理由: CMB系统效应模拟框架，有模拟但无统计方法论，非入门级。

8. 2607.22846 — What should the encroaching supplier do?: A Stackelberg Game Approach

• 作者: Gurkirat Wadhwa, Veeraruna Kavitha
• 分类: econ.EM
• 相关性 2/10
• 评分理由: Economic game theory paper unrelated to primary or secondary interests; no statistical methodology.

9. 2607.22937 — SuperFIRE: Concept evolution of a seeing-limited broadband spectrograph for the GMT

• 作者: Gustav M. Pettersson, G\'abor F\H{u}r\'esz, Nathan P. Lourie, F. Elio Angile, Jill Juneau, Gerardo Berlanga Molina, Robert A. Simcoe
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 纯天文仪器设计，无统计方法或数据模型内容，与所有兴趣领域无关。

10. 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, Andrea Bianco, Laurane Fr\'eour, Roelof de Jong, Etienne Burtin, Olaf Iwert, Virgile Meyer, Elizabeth George
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 望远镜仪器设计，无统计方法或数据建模内容。

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

• 作者: Timoth{\'e}e Vene, Laurent M Mugnier, Aur{\'e}lie Montmerle-Bonnefois, Jean-Marc Conan
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 自适应光学算法，工程优化而非统计方法，与兴趣无关。

12. 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, Marshall W. Bautz, Michael Cooper, Catherine E. Grant, Beverly LaMarr, Christopher Leitz, Eric D. Miller, R. Glenn Morris, Abigail Y. Pan, Tonya L. Peshel, Artem Poliszczuk, Gregory Prigozhin, Haley R. Stueber, Keith Warner
• 分类: astro-ph.IM · physics.ins-det
• 相关性 1/10
• 评分理由: 探测器硬件设计，与统计研究完全无关。

13. 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, Michael Fitzgerald, Yoo Jung Kim, Pierre Labeye, Nicolas Dunoyer, Michael Ireland, Stephen Madden
• 分类: astro-ph.IM · physics.app-ph
• 相关性 1/10
• 评分理由: 纯天文仪器工程，无统计方法或数据建模内容，与研究者兴趣无关。

14. 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, Kyohoon Ahn, Jeffrey Chilcote, Thayne Currie, Vincent Deo, Yoshiyuki Doi, Tyler Groff, Olivier Guyon, Takashi Hattori, Tomoyuki Kudo, Kellen Lawson, Julien Lozi, Yosuke Minowa, Yuhei Takagi, Rob G. Van Holstein, Sebastien Vievard
• 分类: astro-ph.IM
• 相关性 1/10
• 评分理由: 天文偏振校准，纯仪器工作，无统计方法或数据分析内容。

15. 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, C. Bailet, G. Carl`a, Y. Caujolle, O. Carri\'on-Gonzalez, G. Chauvin, S. Cuevas, O. Gabella, M. Houll\'e, S. Lagarde, P. Martinez, E. Pinna, B. Rajpoot, J. Seidel, C. Selmi, A. Vigan, P. Di Marcantonio
• 分类: astro-ph.IM · astro-ph.EP
• 相关性 1/10
• 评分理由: ELT光谱仪模拟，纯天文仪器性能，无统计方法或数据建模。

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, Cherry Ng, Dave Horn, Sarah Buchner, Brian Lacki, Alex Andersson, Joe S. Bright, Steve Croft, Dave R. DeBoer, Jamie Drew, Vishal Gajjar, Peter Ma, Alex W. Pollak, Danny Price, Mark Ruzindana, Andrew P. V. Siemion, S. Pete Worden, Fernando Camilo
• 分类: astro-ph.IM
• 相关性 1/10
• 评分理由: SETI射电巡天，纯天文观测项目，无统计方法或数据分析内容。

17. 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, O. Bellido-Tirado, B. Sassolas, L. Pinard, S. D\'Auria, C. Del Vecchio, V. De Caprio, V. Cianniello, W. Sutherland, P. Doel, T. Augusteijn, R. Navarro, L. Fr\'eour, W. Saunders
• 分类: astro-ph.IM
• 相关性 1/10
• 评分理由: WST望远镜光学设计，纯天文仪器工程，无统计方法或数据建模。

18. 2607.24051 — HELIOS: An LLM-Driven Autonomous Indirect Trajectory Optimization Agent

• 作者: An-yi Huang
• 分类: astro-ph.IM · cs.AI · cs.RO
• 相关性 1/10
• 评分理由: 航天轨迹优化，与研究者统计兴趣完全无关。

19. 2607.24229 — First high-contrast results on THD2 testbed after infrastructure upgrade

• 作者: Iva Laginja, Pierre Baudoz, R\'emi Soummer, Emiel H. Por, Axel Potier, Johan Mazoyer, Rapha\"el Galicher, David Doelman, Rico Landman, Arnaud Sevin, Erin Pougheon, Corentin Paviot, Frans Snik, Felix Bettonvil, Jeroen Rietjens, Chris van Dijk, Kristien Peeters, Alexander Eigenraam, Mariya Krasteva, Matteo Taccola
• 分类: astro-ph.IM
• 相关性 1/10
• 评分理由: 高对比度成像测试台，纯天文仪器，无统计方法或数据建模。

20. 2607.24366 — Sensitivity of Laguerre-Gaussian Modes to Misalignment and Mode Mismatch in Gravitational-Wave Detectors

• 作者: Liu Tao, Matteo Barsuglia
• 分类: astro-ph.IM · physics.optics
• 相关性 1/10
• 评分理由: 引力波探测器激光模式分析，纯物理/光学，无统计方法或数据建模。

21. 2607.24470 — The beamformed trigger of RNO-G: its design and in-field performance

• 作者: G Collaboration, S. Agarwal (University of Kansas), J. A. Aguilar (Universit\'e Libre de Bruxelles), N. Alden (University of Chicago), S. Ali (University of Kansas), P. Allison (Ohio State University), M. Betts (Pennsylvania State University, Dept. of Physics, Pennsylvania State University, Dept. of Astronomy and Astrophysics), D. Besson (University of Kansas), A. Bishop (University of Wisconsin-Madison), O. Botner (Uppsala University), S. Bouma (Erlangen Centre for Astroparticle Physics), S. Buitink (Vrije Universiteit Brussel, Astrophysical Institute, Radboud University), R. Camphyn (Universit\'e Libre de Bruxelles), J. Chan (University of Wisconsin-Madison), S. Chiche (Universit\'e Libre de Bruxelles), B. A. Clark (University of Maryland), K. Couberly (University of Kansas), D. Dakroub (University of Kansas), K. D. de Vries (Vrije Universiteit Brussel, Dienst ELEM), C. Deaconu (University of Chicago), P. Giri (University of Nebraska-Lincoln), C. Glaser (Uppsala University, TU Dortmund University), H. Gui (Ohio State University), A. Hallgren (Uppsala University), J. C. Hanson (Whittier College), S. Hassiki (University of Nebraska-Lincoln), K. Helbing (University of Wuppertal), B. Hendricks (Pennsylvania State University, Dept. of Physics, Pennsylvania State University, Center for Multimessenger Astrophysics), J. Henrichs (Deutsches Elektronen-Synchrotron DESY, Erlangen Centre for Astroparticle Physics), N. Heyer (Uppsala University), C. Hornhuber (University of Kansas), E. Huesca Santiago (Deutsches Elektronen-Synchrotron DESY), K. Hughes (Ohio State University), A. Jaitly (Deutsches Elektronen-Synchrotron DESY, Erlangen Centre for Astroparticle Physics), A. Karle (University of Wisconsin-Madison), J. L. Kelley (University of Wisconsin-Madison), C. Kopper (Erlangen Centre for Astroparticle Physics), M. Korntheuer (Universit\'e Libre de Bruxelles, Vrije Universiteit Brussel, Dienst ELEM), M. Kowalski (Deutsches Elektronen-Synchrotron DESY, Humboldt-Universit\"at zu Berlin), I. Kravchenko (University of Nebraska-Lincoln), R. Krebs (Pennsylvania State University, Dept. of Physics, Pennsylvania State University, Center for Multimessenger Astrophysics), M. Kugelmeier (University of Wisconsin-Madison), D. Kullgren (Pennsylvania State University, Dept. of Physics, Pennsylvania State University, Center for Multimessenger Astrophysics), R. Lahmann (Erlangen Centre for Astroparticle Physics), C. -H. Liu (University of Nebraska-Lincoln), Y. Liu (Ohio State University), M. J. Marsee (University of Alabama), K. Mulrey (Radboud University), M. Muzio (University of Wisconsin-Madison), A. Nelles (Deutsches Elektronen-Synchrotron DESY, Erlangen Centre for Astroparticle Physics), A. Novikov (University of Delaware), A. Nozdrina (Ohio State University), E. Oberla (University of Chicago), N. Punsuebsay (University of Delaware), M. Ravn (Uppsala University), Z. Riesen (Ohio State University), A. Rifaie (University of Wuppertal), D. Ryckbosch (Ghent University), F. Schl\"uter (Universit\'e Libre de Bruxelles), O. Scholten (Vrije Universiteit Brussel, Dienst ELEM, University of Groningen, Kapteyn Institute), P. Schriefer (Erlangen Centre for Astroparticle Physics), D. Seckel (University of Delaware), M. F. H. Seikh (University of Kansas), Z. S. Selcuk (Deutsches Elektronen-Synchrotron DESY, Erlangen Centre for Astroparticle Physics), J. Stachurska (Ghent University), J. Stoffels (Vrije Universiteit Brussel, Dienst ELEM), S. Toscano (Universit\'e Libre de Bruxelles), D. Tosi (University of Wisconsin-Madison), J. Tutt (Pennsylvania State University, Dept. of Astronomy and Astrophysics), N. van Eijndhoven (Vrije Universiteit Brussel, Dienst ELEM), A. G. Vieregg (University of Chicago), A. Vijai (University of Maryland), H. Warnhofer (Deutsches Elektronen-Synchrotron DESY, Erlangen Centre for Astroparticle Physics), D. Washington (Pennsylvania State University, Dept. of Physics, Pennsylvania State University, Dept. of Astronomy and Astrophysics), C. Welling (Pennsylvania State University, Dept. of Physics, Pennsylvania State University, Dept. of Astronomy and Astrophysics, Pennsylvania State University, Center for Multimessenger Astrophysics), D. R. Williams (University of Alabama), P. Windischhofer (University of Chicago, Deutsches Elektronen-Synchrotron DESY), S. Wissel (Pennsylvania State University, Dept. of Physics, Pennsylvania State University, Dept. of Astronomy and Astrophysics, Pennsylvania State University, Center for Multimessenger Astrophysics), A. Zink (Erlangen Centre for Astroparticle Physics)
• 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
• 分类: astro-ph.IM · physics.ins-det
• 相关性 1/10
• 评分理由: 纯仪器设计论文，与统计兴趣无关。

22. 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, Dan Sirbu, Sarah Tedder, Kevin Bundy, Brian Vyhnalek, Steph Sallum, Matthew C. DeMartino, Stephen Eikenberry, Peter Delfyett, Rodrigo Amezcua-Correa
• 分类: astro-ph.IM · physics.optics
• 相关性 1/10
• 评分理由: 光子灯笼与干涉仪集成，纯光学工程，无关。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论