2026-07-31 每日 arXiv 资讯

• 高相关论文 0 篇 · 中相关 36 篇 · 其他 11 篇 · 会议/Seminar 事件 0 条

✍️ 手动录入的论文（精读）

你手动录入（粘贴 arXiv 链接 / 标题）申请精读、或收藏后补读的论文，由当天的定时任务精读。点标题旁的 🔍 精读 查看解读。

统计计算 / 算法 (stat_computing, 2 篇)

1. 2005.07946 — Transforming variables to central normality

• 作者: Jakob Raymaekers, Peter J. Rousseeuw
• 相关性 6/10 · novelty: minor
• 摘要: 本文针对数据预处理中常用的 Box-Cox 和 Yeo-Johnson 变换，指出其最大似然估计对异常值高度敏感，会导致变换后的中心部分偏离正态性。作者提出了一种稳健的变换参数估计方法，使得变换后的数据在中心区域近似正态，而异常值可以偏离该正态模式。该方法通过修改目标函数（如使用稳健的损失函数或加权似然）来实现，并在模拟和真实数据上与现有技术进行了比较。核心贡献在于将稳健统计的思想引入经典的变量正态化变换中，解决了实际数据分析中异常值干扰变换效果的常见问题。对于您而言，这是一篇统计计算与稳健方法方向的实用文章，虽然不涉及高深理论，但其中的稳健估计思路（如使用 Huber 损失或 M-估计）可以迁移到您在高维或因果推断中处理协变量分布偏斜或异常值的预处理步骤。
• 关键技术: Box-Cox transformation, Yeo-Johnson transformation, robust estimation, M-estimation, outlier-robust preprocessing
• 为什么对您有用: 本文属于统计计算与稳健方法方向，直接关联您的 primary interest 中的 statistical computing。虽然方法学 novelty 不高（novelty_flag: minor），但提供了一个实用的稳健预处理工具，可用于您在高维统计或因果推断中处理协变量分布偏斜或异常值。您的武器库中的 nonparametric statistics 和 estimation theory in causal inference 可以立即用于评估该方法在特定模型下的表现（如对 ATE 估计的影响），属于立即可做的 follow-up：用您熟悉的模拟框架测试该稳健变换在因果推断预处理中的效果。

2. 2606.22636 — Spectral Gap for the Binary Fixed-Margin Swap Chain

• 作者: Weibo Fu, Qian Qin, Guanyang Wang
• 相关性 4/10 · novelty: new_method
• 摘要: 本文证明了二元固定边和矩阵上的惰性交换链（swap chain）的谱间隙下界为 (C(m,2)C(n,2))^{-1}，其中 m×n 是矩阵维度。该链是生态学、统计学和网络分析中固定边和零模型的标准采样器。Kannan、Tetali 和 Vempala (KTV) 曾猜想该链对所有可行边和都快速混合，本文以更强的定量形式证明了该猜想。证明方法避免了稳定性假设和典型路径构造，通过局部到全局的谱约化将任意 m×n 矩阵的分析简化为三行问题，再分离标量列计数扇区与非标量 Johnson 调和扇区证明三行不等式。该谱间隙下界同时验证了固定边和 0/1 矩阵多面体的 Mihail-Vazirani 猜想。值得注意的是，证明本身由 ChatGPT 5.5 Pro 生成，作者负责问题提出、方向引导、论证评估和最终形式，且主定理的完整证明已在 Lean 中形式化。对您而言，本文展示了统计计算中马尔可夫链混合时间的谱方法，其局部到全局的约化技巧与您熟悉的树宽/张量收缩复杂度分析有潜在联系，可作为统计-计算权衡领域的入门阅读材料。
• 关键技术: spectral gap lower bound, swap chain, local-to-global spectral reduction, Johnson scheme, canonical path method (avoided), Lean formalization
• 为什么对您有用: 本文属于统计计算（马尔可夫链混合时间）的核心问题，直接关联您对统计-计算权衡的兴趣。技术层面，其局部到全局的谱约化策略与您熟悉的树宽/张量收缩复杂度分析有概念上的可迁移性——两者都涉及将全局问题分解为局部子问题并控制组合爆炸。作为 gateway reading，本文对 outsider 友好：问题设定清晰（固定边和矩阵的均匀采样），谱间隙下界陈述明确，证明策略有直观解释，且不要求读者熟悉平均情况复杂度或 SoS 层级。武器库方面，您可以用非常熟悉的非参数统计和极小极大界思维来理解其下界紧性，但核心的 Johnson 调和扇区分析属于 moderately_familiar 的谱图论工具，需先在该项上长肌肉才能深入。总体而言，中期可做：若先补强谱图论基础，可尝试将局部到全局方法推广到其他组合约束的采样问题。

其他 (other, 1 篇)

1. 2607.24653 — Kimi K3: Open Frontier Intelligence

• 作者: Kimi Team, Tongtong Bai, Yifan Bai, Yiping Bao, M. C., Jianfeng Cai et al.
• 相关性 2/10 · novelty: application
• 摘要: 本文介绍了Kimi K3，一个2.8万亿参数的混合专家（MoE）模型，具有1040亿激活参数、原生视觉能力和100万token的上下文窗口。模型基于Kimi Delta Attention和Attention Residuals架构，改善了序列长度和模型深度上的信息流动，并结合Stable LatentMoE技术，每个token有效激活896个路由专家中的16个。训练和数据配方的改进使得整体缩放效率相比Kimi K2提升了约2.5倍。后训练阶段强调在通用、代理和编程领域的强化学习，以及多种推理努力水平，实现了组合泛化和稳健的长程执行能力。在2.8万亿规模下，基础设施在算法-系统协同设计、专家并行训练、百万token代理强化学习和部署创新方面取得了多项进展。广泛评估显示，Kimi K3在长程编程、代理、知识、推理和视觉任务上达到了前沿性能，虽然整体仍落后于最强大的专有模型，但持续优于其他开源和专有模型。模型权重已完全开源以促进未来研究。
• 关键技术: Mixture-of-Experts, Kimi Delta Attention, Attention Residuals, Stable LatentMoE, reinforcement learning, expert-parallel training
• 为什么对您有用: 本文是通用科学（Nature Communications级别）的工程报告，属于gateway reading范畴。作为统计计算方向的outsider，本文展示了大规模MoE模型在算法-系统协同设计上的前沿实践，但核心贡献在工程而非统计方法。武器库中的'软件工程'和'高维渐近'经验可帮助理解其缩放效率分析，但缺乏直接可迁移的统计方法。值得花时间读全文以了解大规模AI系统的最新进展，但无需深入技术细节。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 4 篇)

1. 2607.26309 — The Confounder Trap: Treatment-Encoding Representations in Causal Inference with Text

• 作者: Marie Neubrander, Graham Tierney, Alexander Volfovsky
• 分类: stat.ME · cs.CL · stat.AP · stat.ML
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究从观测文本数据中估计语言属性因果效应时的一个关键问题：当处理变量（如文本的某种语言属性）本身由文本中的词汇编码时，从全文学习的表示会直接编码处理状态，导致处理组和对照组在表示空间中可分离，从而引发重叠假设（overlap）的违反，即使原始因果问题满足重叠。作者将此现象称为“confounder trap”，并形式化了表示诱导的重叠失效。针对基于词典或词汇信息定义的处理，提出基于掩码（masking）的调整表示方法：删除掩码（deletion masking）在处理前移除处理定义词汇，证明其对词袋/主题模型表示能保持重叠；替换掩码（replacement masking）作为大语言模型下的自然松弛，隐藏处理定义标记同时保留词序和上下文。模拟实验表明，掩码方法改善了重叠诊断，稳定了处理效应估计，并减少了相对于从未掩码文本学习调整方法的偏差。该工作直接关联因果推断中文本处理的识别与估计，对您而言，其提出的重叠失效形式化与掩码策略可视为一种新的识别假设（weaker assumption），且其模拟评估框架可迁移至您熟悉的因果推断估计理论中。
• 关键技术: representation-induced overlap failure, masking-based adjustment, deletion masking, replacement masking, bag-of-words/topic-model representations, overlap diagnostics
• 为什么对您有用: 直接关联 primary interest 中的因果推断（文本处理下的 identification 与 overlap 问题）。您可用 very_familiar 的 estimation theory in causal inference 工具（如 overlap 条件、IPW/DR 估计量的方差行为）来严格分析其掩码策略对估计量渐近方差和偏差的影响，这是立即可做的 follow-up。

2. 2607.26287 — Studying Competing Events with Federated Cumulative Incidence Curves

• 作者: Malcolm Risk (Serena), Shuang Yang (Serena), Jiang Bian (Serena), Yi Guo (Serena), Hyojung Jang (Serena), Jingchuan (Serena), Guo, Xu Shi, Lili Zhao
• 机构: Hospital la Serena
• 分类: stat.ME
• 相关性 6/10 · novelty: new_method
• 摘要: 本文针对多机构电子健康记录（EHR）数据中的竞争风险事件，提出了一种联邦学习（FL）方法，用于构建非参数累积发生率曲线，以比较不同暴露组（如治疗组与未治疗组）的结局。目标估计量为竞争风险设定下的累积发生率函数，通过逆概率加权（IPW）进行协变量调整，并利用受限平均时间损失（RMTL）进行因果比较。核心算法不共享患者级数据，仅交换聚合统计量，从而保护隐私。方法应用于OneFlorida+网络中10个站点、10,281名接受免疫检查点抑制剂（ICI）治疗的癌症患者，比较有/无预先存在的非内分泌自身免疫性疾病（AID）患者的免疫相关不良事件（irAE）风险。结果显示，有预先存在AID的患者在治疗前18个月内因内分泌irAE损失4.8个月的无事件生存时间，而无AID组为3.2个月。该工作首次在联邦框架下实现了竞争风险分析中非参数工具（累积发生率曲线）的多机构安全监测，对您的因果推断（特别是纵向数据与竞争风险设定下的identification和estimation）以及流行病学应用（药物安全监测）具有直接参考价值。
• 关键技术: federated learning, cumulative incidence curves, competing risks, inverse propensity weighting, restricted mean time lost
• 为什么对您有用: 本文直接关联您的primary interest中的因果推断（纵向数据、竞争风险设定下的因果比较）和secondary interest中的流行病学（药物安全监测）。技术层面，您武器库中very_familiar的'非参数统计'和'estimation theory in causal inference'可直接用于理解其IPW调整和累积发生率估计的统计性质；moderately_familiar的'identification theory in causal inference'可用于评估其因果比较的识别假设（如无未测量混杂）。中期可做：若想将联邦框架与更高效的因果推断方法（如DML）结合，需先在moderately_familiar的'semiparametric theory'上长肌肉。

3. 2607.26960 — A Simple Robust Procedure in Instrumental Variables Regression

• 作者: Xiyu Jiao
• 分类: econ.EM
• 相关性 6/10 · novelty: new_method
• 摘要: 本文研究工具变量回归中异常值稳健性的问题。在实证应用中，常用做法是先用2SLS估计，然后剔除标准化残差超过某阈值的观测，再重新估计（trimmed 2SLS）。本文为该启发式方法建立了渐近理论。第一个贡献：即使在无异常值的原假设下，trimmed 2SLS也有正概率剔除观测，此时其渐近分布为正态，方差为普通2SLS方差乘以一个相对效率膨胀因子；同时给出了结构误差方差估计的偏差校正因子。第二个贡献：构造了一个Hausman型检验，将比较两个2SLS估计量的启发式流程形式化。第三个贡献：证明trimmed 2SLS的迭代固定点与Huber-skip M估计量具有相同的一阶渐近性。分析涉及一类新的经验过程理论，在应用概率中具有独立意义。模拟和实证（Acemoglu et al. 2019）支持了理论。对您而言，该文直接关联IV回归的稳健推断，其经验过程工具和Hausman检验思路可迁移到您熟悉的因果推断中的敏感性分析问题。
• 关键技术: trimmed 2SLS, Hausman-type test, Huber-skip M-estimator, empirical process, bias correction, asymptotic normality
• 为什么对您有用: 直接关联您primary interest中的IV回归和稳健推断。该文使用的经验过程工具属于您very_familiar的非参数统计和高维渐近范畴，可立即用于分析您自己的因果推断方法中的异常值稳健性。中期可做：将Hausman型检验思路推广到proximal CI或mediation设定中，需先在moderately_familiar的identification theory上长肌肉。

4. 2607.26098 — Mean-Tilted Relaxed Quantile Regression: Fixed-Content Interval Functionals and Generalized-Bayes Computation

• 作者: Antonio De Leon, Raquel Prado, Bruno Sans\'o
• 分类: stat.ME
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究固定内容区间（fixed-content interval）的统计推断问题，提出均值倾斜松弛分位数回归（Mean-Tilted Relaxed Quantile Regression, RQR）框架。在无约束条件下，总体最小化器是唯一的连续内容-c区间，其保留均值等于总体均值。通过固定均值倾斜参数δ，可在保持区间内容的同时将保留均值平移至μ+δ。内部可容许倾斜参数索引了所有有限根内部内容-c窗口，边界成员通过合格单侧极限获得。等尾区间和最短连续区间因此具有分布特定的恢复倾斜参数。作者构建了基于损失的广义后验分布，使用伪非对称拉普拉斯正态-指数增广，并在零倾斜时精确恢复普通RQR。实现的普通分支支持使用Nishimura-Suchard增广的条件高斯正则化马蹄适配器（RHS-NS），以及冻结深度回声状态网络特征矩阵作为确定性非线性设计特例。动态线性扩展将系数块替换为交替根特定的前向滤波后向采样步骤。该工作将区间推断重新表述为损失和先验下的区间根泛函问题，而非响应似然后验预测响应问题。对您而言，该框架的倾斜参数化与因果推断中的敏感性分析（如E-value、倾斜函数）有概念联系，且广义贝叶斯计算路径可能为proximal CI中的不确定性量化提供新工具。
• 关键技术: relaxed quantile regression, fixed-content interval functional, mean tilt, generalized-Bayes computation, pseudo-asymmetric-Laplace augmentation, Nishimura-Suchard augmentation
• 为什么对您有用: 连接点：(1) 本文的均值倾斜区间泛函与因果推断中敏感性分析的倾斜参数化（如E-value、omitted variable bias）有深层概念联系，可视为一种非参数区间识别策略；(2) 武器库中'非参数统计'和'因果推断中的估计理论'可直接用于分析该区间泛函的识别性与收敛性质，例如用minimax bound验证其声称的'唯一性'条件是否紧；(3) 中期可做：若想将广义贝叶斯计算路径迁移至proximal CI的不确定性量化，需先在'moderately_familiar'的'因果推断中的识别理论'上长肌肉（具体为negative control假设下的部分识别与贝叶斯融合）。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2607.26837 — Uniform Convergence of Generalized Conditional Fr\'echet Means with Applications to Weighted Fr\'echet Aggregation and Exceedance Set Estimation

• 作者: Houren Hong, Jiazhen Xu, Andrew T. A. Wood
• 分类: stat.ME · math.ST · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究非欧空间中广义条件 Fréchet 均值的 uniform convergence 问题。在 Fréchet 回归框架下，由于度量空间缺乏线性结构，传统的一致渐近等度连续方法难以应用。作者提出了一种替代理论框架，通过引入经验代价函数的结构性条件来绕过等度连续性验证，并证明该条件在多种 Fréchet 回归模型和度量空间类中成立。基于此，将加权 Fréchet 聚合（支持分布式回归和稳健中位数均值回归）和 exceedance set 估计两个框架从欧氏空间推广到非欧空间。理论性质通过蒙特卡洛模拟和纽约市动态交通网络数据验证。对您而言，该文的 uniform convergence 框架可能为高维 U-统计量或半参数估计中的 uniform 结果提供新的技术路径，尤其是其绕过等度连续性的思路值得关注。
• 关键技术: Generalized conditional Fréchet means, Uniform convergence without equicontinuity, Weighted Fréchet aggregation, Exceedance set estimation, Metric space regression
• 为什么对您有用: 本文直接关联非参数/半参数理论兴趣，其 uniform convergence 框架可迁移至高维 U-统计量的 uniform 结果验证。武器库中 nonparametric statistics 和 minimax bounds 可直接用于评估其收敛率的紧性；中期可做：需先在 moderately_familiar 的 semiparametric theory 上加强，以将类似框架用于半参数效率界推导。

2. 2607.26982 — Semiparametric Prediction with Efficient Interval Length under a Right-Censored Covariate

• 作者: Kihyun Han, Yanyuan Ma, Karen Marder, Tanya P. Garcia
• 分类: stat.ME
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对队列研究中右删失协变量（如疾病锚定事件时间）下的预测区间构建问题，提出了一种半参数预测方法。传统共形预测方法在右删失设定下区间长度和覆盖率波动大，无法支持可靠临床决策。作者将预测区间构建重新表述为其半长度的半参数估计问题，利用共形预测丢弃的分布信息。该方法在估计半长度时达到最小可能方差，且当时间-事件协变量模型或删失时间模型之一被错误指定时仍保持一致性。模拟研究显示，在不同删失率下，该方法区间长度和覆盖率稳定性显著优于共形预测。在亨廷顿病研究（77.2%删失率）中，该方法实现可靠覆盖与稳定区间长度，而共形预测要么持续欠覆盖，要么区间过宽失去信息。对您而言，本文展示了半参数效率理论在预测区间这一具体应用中的威力，其双稳健思想与您熟悉的因果推断中的双稳健估计一脉相承，且问题设定（右删失协变量）在流行病学队列研究中常见，可作为方法迁移的候选。
• 关键技术: semiparametric estimation, efficient influence function, double robustness, prediction interval, right-censored covariate
• 为什么对您有用: 本文直接连接您的半参数理论兴趣，其核心是构造预测区间半长度的有效估计，利用了您熟悉的效率影响函数和双稳健思想。从武器库看，您对非参数统计和因果推断中的估计理论非常熟悉，可立即用这些工具理解本文的识别策略和效率推导，属于立即可做的范畴。此外，右删失协变量在流行病学队列研究中普遍存在，本文的方法可直接应用于您关注的流行病学应用方向。

数理统计 / 假设检验 (hypothesis_testing, 10 篇)

1. 2607.26366 — Specification Testing for Dyadic Regression Models

• 作者: Ulrich Hounyo, Jiahao Lin, Xiaojun Song
• 分类: econ.EM · stat.ME
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对无向二元数据（dyadic data）的线性条件均值模型，提出了全方向模型设定检验（omnibus specification test）。核心挑战在于二元数据中共享节点带来的复杂依赖结构，使得传统 bootstrap 失效。作者建立了均匀投影定理（uniform projection theorem），将二元过程约简为潜在的一阶节点投影过程。在此基础上，他们发现原始的一阶节点乘子 bootstrap 在节点成分非退化时有效，但在二元独立时会重复计算二元特定变异。通过精确的协方差分解，他们提出了一种修正的高斯 bootstrap，在两种情形下均有效。由此构造的 Kolmogorov-Smirnov 和 Cramér-von Mises 检验对固定备择假设一致，并对速率适当的局部备择假设具有非平凡功效。模拟表明，修正的 KS 检验在保持较大局部功效的同时，提供了最稳定的尺寸控制。应用至 Lazega 律师事务所网络数据，检验拒绝了加性线性和二次模型，但在加入经济相关交互项后未发现剩余误设定。该工作为网络数据中的模型诊断提供了严谨的推断工具，对您在高维统计和假设检验方面的兴趣有直接参考价值。
• 关键技术: dyadic data, uniform projection theorem, node-multiplier bootstrap, Gaussian bootstrap, Kolmogorov-Smirnov test, Cramér-von Mises test
• 为什么对您有用: 本文直接连接您对假设检验和数学统计的兴趣，具体针对网络/二元数据的模型设定检验，这是高维统计中依赖结构复杂化的典型场景。您的武器库中'非参数统计'和'高维渐近理论'可以用于分析其 bootstrap 方法的收敛速率和尺寸控制，属于立即可做的方向。

2. 2607.26508 — An association measure for mixed-type variables

• 作者: Yongjae Kim, Haeun Moon, Sungkyu Jung
• 分类: stat.ME · math.ST · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 针对混合类型变量（一个实值变量与一个分类变量）的关联度量问题，提出了一种标签不变的总体关联度量 ξ'。该度量在 0 到 1 之间取值，0 当且仅当变量独立，1 当且仅当分类变量是实值变量的可测函数。对应的样本估计量 ξ_n' 可在 O(n log n) 时间内计算，且对类别标签的置换和实值变量的严格单调变换具有不变性。建立了估计量的强相合性和渐近正态性，从而可构造无需置换的 Wald 检验和渐近置信区间。模拟和 TCGA 数据应用展示了该方法在编码稳定性、检验功效和计算效率上的优势。该工作直接关联到您的假设检验兴趣，其渐近正态性结果和计算高效的检验程序对您在高维或非参数设定下开发新的独立性检验有参考价值。
• 关键技术: label-invariant association measure, Wald test for independence, asymptotic normality, O(n log n) algorithm, mixed-type variables
• 为什么对您有用: 直接连接到您对假设检验的兴趣，特别是混合类型数据的独立性检验。该文提出的 ξ' 度量及其渐近正态性结果，可视为您武器库中非参数统计和 minimax 界工具的一个新应用场景——您可以用 minimax 下界技术检验该估计量在非参数类上的最优性，或将其推广到高维分类变量情形。中期可做：需先在 moderately_familiar 的 M-estimation 理论上巩固渐近展开技巧，以处理更复杂的混合类型设定。

3. 2607.26714 — Robust Interpolated Quantile Estimators: Asymptotic Theory and Efficiency

• 作者: Sa\"id Maanan (UM5), Azzouz Dermoune (LPP), Ahmed El Ghini (UM5), Daoud Ounaissi (ESA)
• 分类: stat.ME
• 相关性 6/10 · novelty: new_method
• 摘要: 本文提出了一族统一的插值分位数估计量，通过在经典 check loss 上添加二次、Huber 或 Tukey bisquare 正则化项得到，由分位数水平 τ 和插值参数 h 索引。当 h=0 时退化为经典经验分位数，增大 h 则连续地将有效概率水平向分布中心偏移。对于二次插值，有效分位数水平由插值方程刻画，得到相邻分位数的闭式参数化。通过 M-估计建立了三种插值估计量的渐近正态性，渐近方差分解揭示了效率如何依赖于底层分布。数值实验表明，二次插值估计量在轻尾分布下可降低渐近方差达 36%，在重尾或非对称分布下可达 57%。该框架被扩展到线性分位数回归，Monte Carlo 实验显示 Huber 插值仅在中位数附近狭窄邻域内有优势。对日对数收益率的应用展示了该方法在重尾和非对称条件下尾部估计的实用性。
• 关键技术: M-estimation, asymptotic normality, check loss regularization, interpolated quantile, Huber loss, Tukey bisquare
• 为什么对您有用: 本文直接关联您对 hypothesis testing 和 mathematical statistics 的兴趣，特别是分位数估计的渐近理论。您武器库中的 nonparametric statistics 和 M-estimation theory 可以用于分析该估计量的 minimax 最优性或推广到更一般的损失函数。中期可做：若想将插值思想扩展到高维分位数回归或 U-statistic 框架，需先在 moderately_familiar 的 semiparametric theory 上加强。

4. 2607.26399 — A Lower Bound on the Sliced Wasserstein Comparison Constant for Translated Measures

• 作者: Avery Noroozi
• 分类: math.ST · math.MG · math.OC · stat.TH
• 相关性 6/10 · novelty: sharper_rate
• 摘要: 本文针对平移概率测度，给出了标准 1-Wasserstein 距离 (W1) 与 Sliced 1-Wasserstein 距离 (SW1) 的闭式表达式。主要贡献是构造了 Carlier、Figalli、Mérigot 和 Wang 所建立的 W1 与 SW1 之间比较常数 c_d 的一个显式下界。Sliced Wasserstein 距离因其计算效率而被广泛应用于图像生成等领域，这引发了计算效率与理论正确性之间的自然权衡。常数 c_d 的下界揭示了这种效率所付出的代价。该结果属于理论性质的下界分析，为理解 SW1 逼近 W1 的精度提供了定量刻画。对您而言，该工作涉及统计计算中的计算-精度权衡，与您对 statistical-computational tradeoff 的兴趣直接相关。
• 关键技术: Sliced Wasserstein distance, 1-Wasserstein distance, comparison constant, lower bound, translated measures
• 为什么对您有用: 本文直接切入 statistical-computational tradeoff 的核心：Sliced Wasserstein 距离的计算效率（多项式时间）与它逼近真实 Wasserstein 距离的精度之间的代价。作为 gateway reading，它清晰定义了比较常数 c_d 并给出了显式下界，对 outsider 友好。武器库中的 minimax bounds 和 high-dimensional asymptotics 可用于验证该下界是否紧或能否推广到非平移测度。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉以处理更一般的分布族。

5. 2607.26624 — Hub Neighbor-Degree Diagnostics for Sparse Random Graphs

• 作者: Qian Hui, Tiandong Wang
• 分类: math.ST · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 本文针对稀疏随机图提出了一种基于 hub 邻居平均度的模型诊断统计量。在 rank-one 非齐次随机图（如配置模型）下，该统计量具有度不变的 centering 和 k^{-1/2} 的波动尺度；在非 rank-one 核下，后验不确定性同时影响 centering 和 scale；在线性优先连接模型下，该统计量随 log k 增长。作者将这些模型特异性极限转化为指定稀疏图零假设的拟合优度检验，并构造了加权 log-度斜率检验以检测残差 hub-邻居趋势。模拟评估了零假设校准、度分布误设定下的表现以及针对度匹配优先连接备择假设的检验功效。应用于高中接触网络和 arXiv 合著网络，该方法能区分 level 误设定与 disassortative 及正残差趋势。对您而言，本文是 hypothesis testing 在随机图模型诊断中的直接应用，其检验统计量的构造思路（利用邻居平均度的渐近性质）可迁移至您熟悉的 high-dimensional asymptotics 框架下的图模型检验问题。
• 关键技术: rank-one inhomogeneous random graph, preferential attachment model, goodness-of-fit test, weighted log-degree slope test, hub neighbor-degree statistic
• 为什么对您有用: 本文直接对应 primary interest 中的 hypothesis testing 子方向，具体是随机图模型的拟合优度检验。您武器库中的 high-dimensional asymptotics 和 nonparametric statistics 可直接用于分析该统计量的渐近性质或推广至更一般的图模型。中期可做：若想将检验推广至更复杂的图结构（如带协变量的图），需先在 moderately_familiar 的 M-estimation theory 上长肌肉以处理参数估计的不确定性。

6. 2607.26624 — Hub Neighbor-Degree Diagnostics for Sparse Random Graphs

• 作者: Qian Hui, Tiandong Wang
• 分类: math.ST · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 本文针对稀疏随机图，提出了一种基于 hub 邻居平均度的模型诊断统计量。在 rank-one 非齐次随机图（如配置模型）下，该统计量具有度不变的 centering 和 k^{-1/2} 的波动尺度；在非 rank-one 核下，后验不确定性主导其 centering 和 scale；在线性优先依附模型下，该统计量随 log k 增长。作者将这些模型特异性极限转化为指定稀疏图原假设的拟合优度检验，并构造了加权 log-度斜率检验以检测残差 hub-邻居趋势。模拟评估了原假设校准、度分布误设定下的表现，以及针对度匹配优先依附备择的检验功效。对高中接触网络和 arXiv 合著网络的应用表明，该方法能区分度水平误设定与 disassortative 及正残差趋势。该工作为网络模型诊断提供了新的检验工具，直接连接您对假设检验和随机图理论的兴趣。
• 关键技术: goodness-of-fit test, sparse random graphs, rank-one inhomogeneous random graph, preferential attachment model, hub neighbor-degree statistic, weighted log-degree slope test
• 为什么对您有用: 本文直接连接您对假设检验的兴趣，具体为网络模型的拟合优度检验。您武器库中的非参数统计和 minimax 界可用于分析该检验统计量的渐近性质与最优性；该工作也属于高维统计中随机图模型的应用，与您的高维兴趣相关。中期可做：若想将此类检验推广到更一般的图模型（如带协变量的随机图），需先在 moderately_familiar 的 M-估计理论上长肌肉。

7. 2607.26476 — Weak but Not Strong Asymptotic Testability

• 作者: Senhan Yao
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文研究弱渐近一致性检验与强渐近一致性检验之间的分离现象。作者构造了两个固定的、互不相交的平稳遍历二元过程分布族 H0 和 H1，使得存在一个弱渐近一致的检验（即检验的 I 类错误和 II 类错误概率在样本量趋于无穷时趋于 0），但不存在任何强渐近一致的检验（即错误概率几乎必然趋于 0）。构造方法结合了同步二元悬挂码、独立同分布标记过程以及可数多个缓慢切换的两状态马尔可夫链。这一结果直接否定了 Ryabko 关于渐近一致性检验的一个猜想。该工作属于假设检验理论中的基础性反例构造，对理解不同收敛模式下的检验可行性有重要意义。对于您而言，该论文涉及数学统计中的假设检验基础理论，与您对 hypothesis testing 的兴趣直接相关，但属于理论反例，不涉及具体方法或应用。
• 关键技术: weak vs. strong consistency, stationary ergodic processes, synchronizing binary suspension code, slowly switching Markov chains, counterexample construction
• 为什么对您有用: 该论文直接关联您 primary interest 中的 'hypothesis testing' 子方向，属于检验理论的基础性反例。您的武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 的功底有助于理解其构造的平稳遍历过程框架，但核心是概率论中的几乎必然收敛与依概率收敛的分离，不直接涉及您熟悉的 minimax 或 U-statistic 工具。暂不可做：该工作本质上是测度论与遍历理论的反例构造，核心机器（同步码、悬挂码、遍历过程分类）不在您的武器库中，且不涉及您熟悉的估计或推断方法。

8. 2607.27068 — The {K}aplan--{M}eier estimator as a limit function of {E}fron's self-consistency iterations

• 作者: Miroslav Bacak
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文研究 Kaplan-Meier 生存函数估计器与 Efron 自洽性迭代的关系。Efron (1967) 将 Kaplan-Meier 估计定义为某个映射的不动点，并提出了迭代算法来逼近该不动点，但未严格证明收敛性。本文严格证明了该迭代算法收敛到 Kaplan-Meier 估计量。证明基于泛函分析中的 Banach 不动点定理，将迭代映射视为压缩映射，在适当的函数空间上建立收敛性。该结果填补了自洽性理论的一个基础性空白，为理解非参数极大似然估计的迭代算法提供了理论保证。对您而言，该工作涉及非参数估计的算法收敛性，与您熟悉的非参数统计和 M-估计理论有直接联系，可作为理解自洽性迭代与 EM 算法关系的入门材料。
• 关键技术: Kaplan-Meier estimator, self-consistency, fixed point iteration, Banach fixed point theorem, contraction mapping
• 为什么对您有用: 本文属于非参数统计的基础理论工作，直接连接您的 primary interest 中的非参数统计和 M-估计理论。您可以用 very_familiar 的非参数统计工具（如压缩映射、函数空间分析）来理解并验证其证明，属于立即可做的范畴。该工作虽不直接涉及您的高阶 U-统计或因果推断，但作为非参数极大似然估计迭代算法的收敛性结果，对理解更复杂的自洽性算法（如 EM 算法）有基础性参考价值。

9. 2607.26476 — Weak but Not Strong Asymptotic Testability

• 作者: Senhan Yao
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文研究弱渐近一致检验与强渐近一致检验之间的可区分性。在平稳遍历二元过程分布族中，构造了两个不相交的固定子族 H0 和 H1，使得存在弱渐近一致检验（检验水平与势在样本量趋于无穷时收敛到目标值），但不存在任何强渐近一致检验（几乎必然收敛意义下）。构造方法结合了同步二元悬挂码、独立同分布标记过程以及可数多个缓慢切换的两状态马尔可夫链。该结果否定了 Ryabko 关于渐近一致性分支的一个猜想。对您而言，这是一个关于假设检验中收敛模式（依概率 vs. 几乎必然）的精细理论结果，直接关联到您对数学统计与假设检验的兴趣，特别是检验的渐近最优性理论。
• 关键技术: weakly asymptotically consistent test, strongly asymptotically consistent test, stationary ergodic processes, synchronizing binary suspension code, slowly switching Markov chains
• 为什么对您有用: 本文直接切入假设检验的渐近理论，属于您 primary interest 中 'mathematical statistics (hypothesis testing)' 的核心问题。构造中使用的平稳遍历过程与马尔可夫链技术，与您武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 的熟悉度匹配，但该问题更侧重概率论构造而非统计推断——您可以用 'minimax bounds for estimation problems' 的视角去分析弱与强检验的 minimax 速率差异，这是一个立即可做的 follow-up。

10. 2607.27068 — The {K}aplan--{M}eier estimator as a limit function of {E}fron's self-consistency iterations

• 作者: Miroslav Bacak
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: minor
• 摘要: 本文研究 Kaplan-Meier 生存函数估计的 self-consistency 性质。Efron (1967) 将 Kaplan-Meier 估计量定义为某个映射的不动点，并提出了迭代算法来逼近该不动点，但未严格证明收敛性。本文严格证明了该迭代算法收敛到 Kaplan-Meier 估计量。证明基于泛函分析中的 Banach 不动点定理，将迭代映射视为压缩映射。这一结果填补了 Efron 原始论证中的理论空白。对您而言，该工作属于数学统计中估计量迭代算法的收敛性分析，与您对 hypothesis testing 和 M-estimation 的兴趣有间接关联，但方法学新颖性有限。
• 关键技术: Kaplan-Meier estimator, self-consistency, fixed point iteration, Banach fixed-point theorem, contraction mapping
• 为什么对您有用: 该论文属于数学统计中估计量迭代算法的收敛性分析，与您对 hypothesis testing 和 M-estimation 的兴趣有间接关联。但方法学新颖性有限，且不涉及您武器库中的核心工具（如 U-statistics、minimax bounds）。暂不可做：核心机器不在武器库里，且该问题已基本解决。

统计计算 / 算法 (stat_computing, 5 篇)

1. 2607.26285 — Denoising growth complexity: Data geometry and certified schedules for diffusion sampling

• 作者: Martin J. Wainwright
• 分类: math.ST · cs.LG · cs.NA · math.NA · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文提出“去噪增长复杂度”（DGC）这一几何量，用于刻画扩散采样（diffusion sampling）中每一步去噪均方误差沿高斯热流的时间加权导数积分。作者证明，DGC 增量可导出 Euler 离散化方案 KL 误差的显式上界，该上界沿路径局部成立：每一步由对应 DGC 增量与相对步长控制。基于此结构，论文给出了单块与 K 块优化步长调度的 KL 采样保证，并利用 DGC 的自然鞅结构发展出完全数据驱动的认证算法。DGC 还允许通过协方差、率失真、度量熵和 Poincaré 常数等信息论上界来恢复并改进现有扩散采样保证，并给出新结果。在 log 热时间下，精细划分极限由 DGC 密度平方根的积分主导，而单块调度依赖其普通积分，这一比较精确刻画了何时适应数据几何能带来实质计算增益（如高斯混合模型的对数到常数分离）。对您而言，本文是统计-计算权衡（statistical-computational tradeoff）领域的优秀入门读物，清晰展示了计算复杂度（步数）与统计精度（KL 误差）之间的显式权衡，且技术工具（鞅、信息论上界）与您的武器库高度兼容。
• 关键技术: denoising growth complexity (DGC), Euler scheme for diffusion sampling, KL error bound via DGC increments, data-certified stepsize schedules, information-theoretic upper bounds (covariance, rate distortion, metric entropy, Poincaré constant), martingale structure for certification
• 为什么对您有用: (1) 本文直接服务于您的 primary interest 中的“statistical-computational tradeoff”子方向，给出了扩散采样中计算复杂度（步数）与统计精度（KL 散度）之间显式、可认证的权衡曲线，是 gateway reading 的绝佳候选。 (2) 您的武器库中“minimax bounds for estimation problems”和“high-dimensional asymptotics”可直接用于验证本文 DGC 上界是否紧，以及能否推广到其他采样算法（如 Langevin dynamics）。 (3) 中期可做：本文的鞅结构与信息论上界（Poincaré 常数、度量熵）与您 moderately_familiar 的“semiparametric theory”中的 influence function 技术有潜在联系，但需先熟悉扩散过程的基本概率工具（如 SDE 离散化误差分析），这是您目前武器库中较弱的环节。

2. 2607.26285 — Denoising growth complexity: Data geometry and certified schedules for diffusion sampling

• 作者: Martin J. Wainwright
• 分类: math.ST · cs.LG · cs.NA · math.NA · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究扩散模型（diffusion-based sampling）的理论理解与实用算法设计两大核心挑战，并引入一个称为“去噪增长复杂度”（Denoising Growth Complexity, DGC）的几何量。DGC 定义为高斯热流下去噪均方误差的导数关于对数时间的加权积分，其增量结构可直接导出 Euler 离散化方案 KL 误差的显式上界，且该上界沿路径是局部的——每一步由对应的 DGC 增量与相对步长控制。基于此局部结构，作者推导了单块与 K 块优化步长调度下的 KL 采样保证，并利用 DGC 的鞅性质构造了完全数据自适应的认证算法。DGC 还允许用协方差、率失真、度量熵和 Poincaré 常数等信息论量给出上界，从而恢复并改进了一系列现有扩散采样保证，并得到新结果。在对数时间尺度下，细划分极限由 DGC 密度的平方根积分控制，而单块调度依赖于其普通积分，这一比较精确刻画了何时适应数据几何能带来实质计算增益（如高斯混合模型中对数到常数的分离）。对您而言，本文是统计计算方向的重要理论进展，其 DGC 框架与您熟悉的 minimax 界、高维渐近工具高度兼容，且其“局部误差控制+自适应调度”思路可能启发您在高阶 U-统计量计算复杂度分析中引入类似几何量。
• 关键技术: Denoising Growth Complexity (DGC), Euler scheme for diffusion SDE, KL divergence bound via DGC increments, data-certified stepsize scheduling, Poincaré constant and metric entropy bounds
• 为什么对您有用: 本文直接命中您 primary interest 中的“statistical-computational tradeoff”子方向，属于 gateway reading 范畴。DGC 框架用信息论量（协方差、度量熵、Poincaré 常数）刻画计算复杂度，与您非常熟悉的 minimax 界和 high-dimensional asymptotics 工具高度兼容，您可以用这些武器立即理解其核心定理（立即可做）。此外，DGC 的局部增量结构可能启发您将类似几何量引入高阶 U-统计量的计算复杂度分析（如用 treewidth / einsum 成本刻画扩散步长调度），这属于中期可做，需先在 moderately_familiar 的“higher-order U-statistics theory”上进一步熟悉 tensor-network 成本模型。

3. 2607.26469 — Bayesian Graphical Models under Positivity Constraints: A Scalable generalized likelihood Approach

• 作者: Swarnali Raha, Partha Sarkar, Sirani Perera, Kshitij Khare
• 分类: stat.ME
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对高斯图模型在总正约束下的精度矩阵估计，提出了一种可扩展的贝叶斯框架。核心挑战是高斯似然中log-determinant项的计算瓶颈，作者采用基于D-trace损失的广义贝叶斯方法替代标准似然，消除了该项，从而在采样过程中允许放松正定性约束。稀疏性通过spike-and-slab先验引入，广义后验在温和条件下被证明是proper的。主要贡献是一套高效的后验采样算法：从分量Gibbs采样器出发，提出一种新的数据增广方案，诱导精度矩阵元素间的条件独立性，实现联合更新；进一步利用样本协方差矩阵的Gram结构，开发了快速矩阵正态采样器，显著降低了高维场景下的每轮迭代复杂度。通过交织策略结合增广更新和直接更新，在不牺牲可扩展性的前提下改善了混合性能。合成数据和金融数据的实验表明，该方法在保持竞争性估计精度的同时，相比现有方法有显著的计算优势，且能更好地恢复结构化依赖关系。对您而言，本文的D-trace损失技巧和矩阵正态采样器是统计计算中处理高维结构化矩阵问题的实用工具，与您的统计计算兴趣直接相关。
• 关键技术: D-trace loss, generalized Bayesian inference, spike-and-slab prior, data augmentation for conditional independence, matrix-normal sampler, Gram structure exploitation
• 为什么对您有用: 本文属于统计计算方向，直接命中您的primary interest。D-trace损失替代log-determinant的技巧与您武器库中'软件开发和逆问题'中的计算思维高度契合——您可以用very_familiar的'高维渐近'工具分析其估计量的收敛速率，或用moderately_familiar的M-estimation理论验证其广义后验的渐近性质。中期可做：若想将类似技巧推广到您的因果推断问题（如高维IV的精度矩阵估计），需先在moderately_familiar的'半参数理论'上长肌肉，以处理nuisance参数带来的额外复杂性。

4. 2607.26759 — Compactly supported radial basis functions as probability density functions

• 作者: Sergio D\'iaz-Elbal (University of Almer\'ia), Andrei Mart\'inez-Finkelshtein (University of Almer\'ia, Baylor University), Dar\'io Ramos-L\'opez (University of Almer\'ia)
• 机构: University of Almería · Baylor University
• 分类: math.ST · stat.ME · stat.ML · stat.TH
• 相关性 4/10 · novelty: application
• 摘要: 本文探索了紧支撑径向基函数（CS-RBF）作为概率密度函数的新应用，重点研究Wendland C^2核。主要贡献是推导了CS-RBF作为单变量和条件密度时矩、累积分布函数等统计性质的解析表达式，涵盖支撑完全在变量域内（无截断）和部分在外（截断）两种情形。还分析了CS-RBF混合模型及其性质，并引入增量学习算法：用k-means确定中心，用随机梯度下降优化权重和形状参数。在合成和真实数据集上的实验表明，与高斯混合模型相比，CS-RBF密度在似然和模型复杂度上具有竞争力，且能精确计算单变量和条件设定下的关键分布性质。对您而言，本文提供了一个新的密度估计工具族，其解析可计算性可能在高维或因果推断中的非参数密度估计步骤中发挥作用，但方法学新颖性有限。
• 关键技术: compactly supported radial basis functions, Wendland kernels, mixture models, stochastic gradient descent, k-means initialization, analytical moments and CDF
• 为什么对您有用: 本文属于统计计算（新密度族）方向，但方法学贡献较浅（主要是解析推导+简单算法）。武器库中'非参数统计'和'软件工程'可快速复现其算法，但核心问题（CS-RBF是否比GMM有实质优势）未在理论上证明。中期可做：若想深入，需先在'M估计理论'上提升以分析其收敛性。暂不可做：无直接因果/高维/高阶U统计连接。

5. 2607.26759 — Compactly supported radial basis functions as probability density functions

• 作者: Sergio D\'iaz-Elbal (University of Almer\'ia), Andrei Mart\'inez-Finkelshtein (University of Almer\'ia, Baylor University), Dar\'io Ramos-L\'opez (University of Almer\'ia)
• 机构: University of Almería · Baylor University
• 分类: math.ST · stat.ME · stat.ML · stat.TH
• 相关性 4/10 · novelty: application
• 摘要: 本文探索将紧支撑径向基函数（CS-RBF）作为概率密度函数的新参数族，重点研究 Wendland C² 核。主要贡献是推导了 CS-RBF 作为单变量和条件密度时矩、累积分布函数等统计性质的解析表达式，涵盖支撑完全在变量域内（无截断）和部分在外（截断）两种情形。还分析了 CS-RBF 混合模型及其性质，并引入增量学习算法：用 k-means 确定中心，用随机梯度下降优化权重和形状参数。在合成和真实数据集上的实验表明，CS-RBF 密度在似然和模型复杂度方面与高斯混合模型相比具有竞争力，且允许精确计算单变量和条件设定下的关键分布性质。对您而言，本文提供了一个新的参数密度族，其解析可计算性在统计计算中很有价值，但方法学 novelty 有限，属于将已有逼近工具移植到密度估计的应用。
• 关键技术: compactly supported radial basis functions, Wendland kernels, mixture models, stochastic gradient descent, k-means clustering
• 为什么对您有用: 本文属于统计计算方向，提出了一种新的参数密度族，其解析可计算性在密度估计中具有潜在应用价值。但 novelty 程度较低，主要是将逼近理论中的 CS-RBF 移植到概率建模，缺乏深刻的理论贡献（如收敛率、minimax 界）。作为 gateway reading 尚可，但武器库中的非参数统计和 minimax 界工具难以直接攻入——核心机器（CS-RBF 的逼近性质）不在武器库中，且问题本身不涉及高维或因果推断，暂不可做。

天体统计 (astrostats, 3 篇)

1. 2607.26822 — Optimizing the extraction of information from redshift probability distribution functions

• 作者: Rodrigo Duarte, Valerio Marra
• 分类: astro-ph.IM · astro-ph.CO
• 相关性 7/10 · novelty: application
• 摘要: 本文针对测光红移概率分布函数（PDZ）中提取最优点估计和可靠性度量的开放问题，提出 turboPDZ 机器学习框架。框架首先通过 PCA 压缩 PDZ 并结合摘要统计量，然后训练多层感知机（MLP）在复合目标下优化点估计 z_ml；第二个网络在 log 空间训练并校准，输出不确定性 σ_ml，进而通过百分位排序得到可靠性评分 r_ml。在 HSC-SSP PDR3 的三个独立管线（DEmP、DNNz、Mizuki）的 Wide 和 DUD 层上测试，z_ml 在所有六种管线-层组合中均优于目录点估计 z_best（σ_NMAD 和 η_0.15 指标）。r_ml 在过滤星系时比目录风险/置信指标更高效，尤其对模板拟合管线 Mizuki，目录指标 AUC 比 r_ml 大十倍，而 r_ml 在所有红移区间正确识别不可靠天体。特征重要性分析显示点估计依赖 PCA 分量和位置统计量，可靠性估计依赖 PCA 分量和峰值统计量。管线与调查无关，代码和训练模型已公开。本文是 astrostatistics 的极佳入门读物：清晰阐述了数据（PDZ 分布、多管线输出）、模型（MLP + PCA 压缩）和评估指标（σ_NMAD、η_0.15、AUC），不假设天文学背景，适合统计学家快速理解测光红移中的推断问题。
• 关键技术: PCA compression of probability distributions, multilayer perceptron (MLP) with composite objective, log-space training and calibration, percentile ranking for reliability score, feature importance analysis (SHAP-like)
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰展示了天文学中一个典型的统计推断问题——从概率分布中提取最优点估计和不确定性度量，数据结构和评估指标对统计学家友好，不依赖深奥的天文术语。武器库中 'nonparametric statistics' 和 'software development' 可直接用于复现或改进其 PCA+MLP 流程（例如用更灵活的密度估计替代 PCA），'minimax bounds for estimation problems' 可用于理论分析其点估计的最优性。值得花时间读全文作为进入 astrostatistics 方向的入门材料。

2. 2607.27160 — An Interpretable Low-Rank State-Space Model for Multi-Horizon Simulation of Large-Scale Regional Temperature Fields

• 作者: Varun Kotharkar, Michael L. Stein
• 分类: stat.ME
• 相关性 5/10 · novelty: application
• 摘要: 本文提出一种可解释的低秩状态空间模型，用于对每日区域温度场进行条件模拟。核心统计问题是：经验正交函数（EOF）能否被视为场的稳定大尺度特征，而不仅仅是样本依赖的降维基向量。框架通过少量保留的EOF系数表示主导温度场，建模其季节均值和方差结构，用稳定的多元动力学传播低维状态，并通过结构化创新表示剩余不确定性。该模型可解释、计算高效，适合迭代集合生成，支持对保留温度状态结构的推断和多时间范围概率场模拟。对您而言，这是一篇优秀的入门级天文/气候统计读物，清晰展示了EOF降维与状态空间建模的结合，且数据结构和模型假设阐述明确。
• 关键技术: Empirical Orthogonal Functions (EOF), low-rank state-space model, conditional simulation, multi-horizon probabilistic forecasting, structured innovations
• 为什么对您有用: 本文属于astrostats/gateway-reading范畴，适合作为气候统计的入门读物。它清晰阐述了EOF降维与状态空间模型的结合，数据结构和模型假设透明，对统计学家友好。您的武器库中'非参数统计'和'高维渐近'可帮助理解其降维合理性，但核心方法（EOF动力学）不在您的技术库中，属于暂不可做方向，仅推荐作为拓宽视野的阅读。

3. 2607.26243 — ForMoSA: Forward Modeling tool for Spectral Analysis

• 作者: ForMoSA Collaboration, Simon Petrus, Paulina Palma-Bifani, Matthieu Ravet, Allan Denis, Bhavesh Rajpoot, Micka\"el Bonnefoy, Ga\"el Chauvin, Arthur Vigan, Alice Radcliffe, Pablo Requeijo, Kevin Hoy
• 分类: astro-ph.IM · astro-ph.EP · astro-ph.SR
• 相关性 5/10 · novelty: application
• 摘要: ForMoSA 是一个开源的 Python 包，用于对光谱和测光观测进行贝叶斯框架下的正向建模。它主要设计用于拟合直接成像的年轻行星质量褐矮星和系外行星，能够利用多种自洽大气模型进行稳健的参数空间探索。该工具由法国、德国、美国、智利等多个实验室的国际合作支持开发。v2.0 版本进行了重构，采用类架构并增加了用户友好功能和扩展功能。本文是伴随 v2.0 发布的专门出版物，旨在介绍代码的演进和社区日益增长的兴趣。对于统计学家而言，这是一个典型的“黑箱”科学工具，其核心是贝叶斯推断和大气模型的正向模拟，但论文本身并未深入讨论统计方法细节。作为天文学入门读物，它清晰地展示了天文学家如何将物理模型与观测数据结合进行参数估计，但缺乏对数据噪声、选择效应和模型不确定性的深入统计讨论。
• 关键技术: Bayesian inference, forward modeling, Markov chain Monte Carlo (MCMC), atmospheric retrieval, spectral fitting
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，适合作为天文学数据建模的入门读物。它清晰地展示了天文学家如何使用贝叶斯框架和大气模型从光谱数据中推断物理参数，但论文本身是软件描述而非方法论贡献。武器库中的 nonparametric statistics 和 estimation theory 无法直接应用于此，因为核心是物理模型而非统计方法。暂不可做：本文不涉及可迁移的统计方法，仅适合作为了解天文学数据建模实践的背景阅读。

经济理论 / 应用 (econ_theory, 1 篇)

1. 2607.26288 — The Innate Economic Preferences of Language Models

• 作者: Joy Buchanan, Joshua Foster
• 分类: econ.EM
• 相关性 6/10 · novelty: application
• 摘要: 本文研究语言模型（LLM）的经济偏好，将其生成规则与离散选择中的随机效用模型（RUM）建立同构关系，从而利用内部logit分数结构性地识别偏好。在投资组合任务中估计了12个模型的风险态度，发现普遍但异质的风险厌恶。尽管模型拒绝严格占优选项，但其偏好在不同实验提示下不满足不变性检验并违反无关选项独立性（IIA）。最后，通过微调，委托人可以显式地设计目标风险态度。本文为理解AI代理的经济决策行为提供了实证框架，对您作为统计学家而言，这是一篇很好的入门读物，展示了如何将计量经济学的离散选择模型应用于非传统对象（LLM），武器库中的非参数统计和因果推断知识足以支撑您理解其核心方法，值得花时间阅读全文以拓宽视野。
• 关键技术: random utility model, discrete choice, logit scores, structural estimation, risk aversion, fine-tuning
• 为什么对您有用: 本文属于经济理论（econ_theory）的gateway reading，适合作为统计学家进入该方向的入门读物。武器库中的非参数统计和因果推断知识足以支撑理解其核心方法（RUM与logit模型），无需额外工具。本文展示了如何将经典计量方法应用于新兴AI代理，值得花时间阅读全文以拓宽视野。

流行病学 (epidemiology, 2 篇)

1. 2607.27026 — Recovering the Target Hazard Ratio Under Nonproportional Hazards Induced by an Omitted Covariate: Simulation-based Approach

• 作者: Jong-Hyeon Jeong
• 分类: stat.ME
• 相关性 6/10 · novelty: application
• 摘要: 本文针对比例风险模型中因遗漏协变量（如未观测的生物标志物、分层因素或强预后因子）导致的非比例风险问题，提出了一种基于模拟的方法来恢复目标治疗效应风险比。目标风险比定义为包含遗漏协变量的正确指定比例风险模型中的风险比。该方法在Weibull基线生存分布和遗漏协变量单位方差的假设下，通过寻找能生成最紧密包围观测生存曲线估计值带的目标风险比值来实现恢复。模拟研究表明，使用单变量frailty项对指数化遗漏协变量建模仅能部分恢复目标风险比，而所提方法在多种真实风险比、Weibull参数和随机均匀删失场景下均能合理恢复目标值，且不依赖于遗漏协变量的真实分布。文章通过一项III期乳腺癌临床试验数据进行了实例说明。对您而言，本文提供了一个处理生存分析中未观测混杂的实用模拟框架，其思路可迁移至您关注的流行病学应用中的敏感性分析问题。
• 关键技术: simulation-based inference, proportional hazards model, frailty model, Weibull baseline hazard, nonproportional hazards, omitted covariate bias
• 为什么对您有用: 本文属于流行病学应用方向，直接处理生存分析中因遗漏协变量导致的非比例风险问题，与您的secondary interest 'epidemiology (application, data sets, causal inference)' 高度匹配。作为一篇应用导向的方法论文，它提供了一个清晰的模拟框架，可作为您进入流行病学生存分析领域的入门读物。您的武器库中'非参数统计'和'因果推断中的估计理论'足以理解其核心逻辑，但若要深入评估其方法效率或提出改进，可能需要补充'半参数理论'中关于部分线性模型的知识——这属于moderately_familiar范畴，中期可做。

2. 2607.26362 — Optimizing Efficiency and Convergence in MMRM: Practical Considerations for Longitudinal Data Analysis

• 作者: Dylan Clarke, Jeremiah Jones, Yongming Qu
• 分类: stat.ME
• 相关性 5/10 · novelty: application
• 摘要: 本文聚焦于混合效应重复测量模型（MMRM）在临床试验纵向数据分析中的实际应用挑战，特别是小样本、多时间点以及方差-协方差结构选择对模型收敛性和推断有效性的影响。通过广泛的模拟研究和糖尿病试验数据应用，作者评估了不同场景下MMRM的多种选项。研究发现，对于中到大样本设计，采用经验性偏差校正的系数协方差调整结合异质自回归协方差结构，能够实现接近名义覆盖率的置信区间和高收敛率。对于小样本，包含基线协变量和治疗-时间点交互作用的简单模型在效率和收敛概率上表现良好。基于这些结果，文章为从业者提供了在临床试验数据中应用MMRM的可行指导。该研究属于应用导向的方法学评估，其核心贡献在于通过模拟实验给出具体场景下的模型选择建议，而非提出新理论或新方法。
• 关键技术: Mixed Models for Repeated Measures (MMRM), empirical bias-reduced covariance adjustment, heterogeneous autoregressive covariance structure, simulation-based evaluation, longitudinal data analysis
• 为什么对您有用: 本文直接关联到您的次要兴趣——流行病学中的纵向数据因果推断应用。虽然MMRM本身是经典方法，但本文系统评估了实际应用中的模型收敛性和推断效率问题，这对于您处理真实流行病学队列数据（如临床试验）具有直接参考价值。从武器库角度看，您对非参数统计和因果推断估计理论的熟悉程度足以理解本文的模拟设计，但本文属于应用指南性质，不涉及新理论突破，因此暂不可做后续方法学拓展——核心机器（如高阶U统计量或半参效率理论）在此处无用武之地。作为流行病学领域的入门级阅读，本文值得花时间浏览以了解实际数据分析中的常见陷阱。

其他 (other, 9 篇)

1. 2607.26256 — Conditional copula representations and extremal bounds for multivariate statistical functionals

• 作者: Roberto Vila, Cira E G Otiniano, Carolyne Brito, Enzo Brasil
• 分类: math.ST · stat.ME · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 本文提出一种条件 copula 表示，将形如 E[g(X)] 的期望分解为边际分布与依赖结构（通过条件 copula 分布）的显式分离，从而建立统一的 quantile-copula 框架。该框架覆盖矩、概率、依赖度量、不平等指数、熵及多元泛函等广泛统计泛函。进一步，利用 copula 的 concordance 序在固定边际下推导极值界，并通过 Δ-反单调性刻画适用该界的函数类。应用示例包括风险度量、随机优势概率、信息测度及依赖不确定性下的期权定价。对您而言，本文属于统计理论中的泛函表示与极值界问题，与您的主要兴趣（非参数/半参数理论、假设检验）有间接联系，但核心工具（copula 理论）不在您的技术武器库中，且未涉及因果推断或高维设定。
• 关键技术: conditional copula representation, concordance order, Δ-antitonicity, quantile-copula framework, extremal bounds under fixed marginals
• 为什么对您有用: 本文属于统计泛函的表示与极值界理论，与您的主要兴趣（非参数/半参数理论、假设检验）有间接联系，但核心工具（copula 理论、concordance 序）不在您的技术武器库中，且未涉及因果推断或高维设定。暂不可做——缺少 copula 理论及 Δ-反单调性等工具基础，且与您当前研究方向（因果推断、高维统计、U-统计量）的直接关联较弱。

2. 2607.26256 — Conditional copula representations and extremal bounds for multivariate statistical functionals

• 作者: Roberto Vila, Cira E G Otiniano, Carolyne Brito, Enzo Brasil
• 分类: math.ST · stat.ME · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 本文针对多元随机向量 X 的期望 E[g(X)]，提出了一种条件 copula 表示方法。该方法将边际分布与依赖结构通过条件 copula 分布显式分离，构建了一个统一的 quantile-copula 框架，适用于矩、概率、依赖度量、不平等指数、熵测度及多元泛函等多种统计量。进一步，利用 copula 的 concordance 序，在固定边际分布下推导了这些泛函的极值界，并通过 Δ-反单调性刻画了适用该界的函数类。最后，通过风险度量、随机优越性概率、信息测度和期权定价等例子展示了框架的灵活性。该工作属于统计泛函的表示与极值理论，与您的主要兴趣（因果推断、高维统计等）无直接方法学关联，但可作为多元依赖建模的通用工具参考。
• 关键技术: conditional copula representation, concordance order, Δ-antitonicity, quantile-copula framework, extremal bounds
• 为什么对您有用: 本文属于统计泛函的表示与极值理论，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接方法学关联。作为 gateway reading 价值有限：虽然框架统一，但 exposition 偏理论，未提供清晰的统计模型或数据维度。武器库中无直接可攻入口，暂不可做。

3. 2607.26399 — A Lower Bound on the Sliced Wasserstein Comparison Constant for Translated Measures

• 作者: Avery Noroozi
• 分类: math.ST · math.MG · math.OC · stat.TH
• 相关性 6/10 · novelty: sharper_rate
• 摘要: 本文研究平移概率测度下标准 1-Wasserstein 距离 (W₁) 与切片 1-Wasserstein 距离 (SW₁) 之间的比较常数 c_d 的下界。作者首先给出了平移测度下 W₁ 和 SW₁ 的闭式表达式，然后构造了 c_d 的显式下界。该下界量化了使用 SW₁ 替代 W₁ 时因随机投影而损失的信息量，即计算效率与理论保真度之间的权衡。结果依赖于测度平移的几何结构，不涉及高维统计或因果推断。对您而言，本文属于统计计算中的计算-精度权衡问题，但方法本身（闭式推导、常数下界）与您的主要兴趣方向（高维 U-统计、RMT）无直接技术交集。作为 gateway reading，本文问题清晰但技术深度有限，且未涉及您武器库中的核心工具（如树宽、张量收缩）。
• 关键技术: Sliced Wasserstein distance, 1-Wasserstein distance, comparison constant, translated probability measures, closed-form expression
• 为什么对您有用: 本文属于统计计算中的计算-精度权衡问题，与您的 secondary interest 'statistical computing' 有弱连接。但 (1) 未连接到您 primary interests 中的具体子方向（因果推断、高维 RMT、U-统计等）；(2) 武器库中 very_familiar 的 minimax bounds 或 high-dimensional asymptotics 无法直接攻入本文核心（常数下界的几何推导）；(3) 暂不可做——核心机器（测度传输几何、切片 Wasserstein 的投影性质）不在您的武器库中。作为 gateway reading，本文问题直观但技术门槛低，不值得花时间全文阅读。

4. 2607.26077 — Coherent Measures of Discrepancy, Uncertainty and Dependence, with Applications to Bayesian Predictive Experimental Design

• 作者: A. Philip Dawid
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文提出一种基于决策理论的统一框架，将不确定性、差异性和依赖性的度量定义为与给定决策问题“相干”的函数。作者证明，这些相干函数具有特殊的刻画性质，且彼此之间本质上相互决定。该理论被应用于贝叶斯预测实验设计问题：在选择实验以优化后续预测的设定下，证明基于任何相干函数（如不确定性、差异性、依赖性）的准则都会导出相同的实验选择方案。核心贡献在于将实验设计问题从传统的基于信息论度量（如互信息）的框架推广到更一般的决策理论框架，并给出了相干函数的公理化刻画。对您而言，本文属于统计决策理论的基础性工作，与您的主要兴趣（因果推断、半参理论）在方法论层面距离较远，但其中关于“相干性”的公理化思路可能对理解因果识别中的决策理论视角有启发。
• 关键技术: coherent measures, decision-theoretic framework, Bayesian predictive experimental design, uncertainty quantification, dependence measures
• 为什么对您有用: 本文属于统计决策理论的基础性工作，与您的主要兴趣（因果推断、半参理论）在方法论层面距离较远。它不涉及您武器库中的具体工具（如U统计量、最小最大界、影响函数等），且未提供可直接迁移的估计方法或理论结果。作为gateway reading，它也不是一个适合入门的数据分析或建模问题。因此，本文对您而言暂不可做，核心机器不在武器库里。

5. 2607.26346 — Toward a Unified Statistical Theory of Unsupervised Pretraining and Supervised Neural Knowledge Graph Learning

• 作者: Jifan Zhang, Miklos Racz, Suqi Liu
• 分类: math.ST · cs.SI · stat.ME · stat.ML · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文提出一个统一统计框架，将知识图谱学习分解为无监督预训练（从异构语料库中学习实体表示）和有监督微调（针对多关系类型预测）的两阶段过程。核心贡献是建立了一个非渐近风险界，将预训练表示误差与标注样本复杂度解耦，从而从理论上量化大规模无标注数据对下游知识预测的增益。方法上，框架统一并推广了现有基于评分函数的知识图谱方法，但未引入新的因果推断或高维统计工具。理论证明依赖标准经验过程与浓度不等式，合成实验验证了理论组件，真实基准实验展示了有效性。对您而言，本文属于机器学习理论而非您的主要兴趣方向，且未涉及因果识别、高维随机矩阵或U-统计量等核心工具。
• 关键技术: nonasymptotic risk bound, representation learning, knowledge graph embedding, two-stage training, empirical process
• 为什么对您有用: 本文属于机器学习理论，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集。武器库中无直接可攻工具，暂不可做。

6. 2607.26077 — Coherent Measures of Discrepancy, Uncertainty and Dependence, with Applications to Bayesian Predictive Experimental Design

• 作者: A. Philip Dawid
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文提出一种基于决策理论的统一框架，将分布的离散度、不确定性和依赖性度量定义为与特定决策问题“相干”的函数。作者证明这些相干函数具有特殊的性质（如可加性、单调性），且彼此之间可以互相确定。方法的核心在于：给定一个决策问题（损失函数和行动空间），可以构造出唯一的相干离散度函数，进而导出相干不确定性和依赖性度量。该框架将贝叶斯预测实验设计问题重新表述为：选择使相干离散度（或等价的不确定性/依赖性）最大化的实验方案。理论结果表明，基于不同相干函数的设计准则会给出相同的实验选择，从而统一了多种已有的设计准则。本文是纯理论贡献，未涉及具体计算或数据应用。对于您而言，该工作属于决策理论的基础性研究，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接方法学连接，但可作为统计决策理论的背景阅读。
• 关键技术: coherent measures, decision-theoretic framework, Bayesian predictive design, discrepancy measures, uncertainty measures
• 为什么对您有用: 本文属于统计决策理论的基础性工作，与您的主要兴趣方向（因果推断、高维统计、U-统计量）无直接方法学连接。作为gateway-reading，本文理论性强但缺乏数据或计算维度，且未涉及您武器库中的具体工具。暂不可做——核心机器不在武器库里（缺少决策理论中coherent measure的专门工具）。

7. 2607.26346 — Toward a Unified Statistical Theory of Unsupervised Pretraining and Supervised Neural Knowledge Graph Learning

• 作者: Jifan Zhang, Miklos Racz, Suqi Liu
• 分类: math.ST · cs.SI · stat.ME · stat.ML · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文提出一个统一的统计理论框架，用于分析知识图谱学习中的两阶段流程：先在大规模异质语料上进行无监督预训练，再针对多种关系类型进行有监督微调。目标是在关系标签稀疏的场景下，为下游预测任务提供理论保证。核心贡献是一个非渐近风险界，将预训练的表征误差与有监督样本复杂度解耦，从而形式化地量化了无监督数据对下游知识预测的收益。方法上，作者将预训练视为一种表征学习，有监督阶段则基于该表征进行关系分类，并利用经验过程与浓度不等式推导泛化界。合成实验验证了理论各组成部分，真实数据实验在大型知识图谱基准上展示了有效性。对您而言，本文属于统计学习理论在结构化预测中的应用，与您的主要兴趣（因果推断、高维统计）无直接交集，但非渐近风险界的解耦分析思路对理解迁移学习中的样本效率有参考价值。
• 关键技术: nonasymptotic risk bound, representation learning, empirical process theory, concentration inequalities, knowledge graph embedding
• 为什么对您有用: 本文属于统计学习理论在知识图谱领域的应用，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接技术交集。作为gateway reading，本文对统计学家友好度中等：非渐近风险界的推导是标准工具，但知识图谱的特定结构（三元组评分函数）需要一定背景。武器库中的非参数统计与高维渐近工具足以理解核心理论，但知识图谱的离散组合结构并非您熟悉的领域。暂不可做——核心机器（知识图谱的评分函数设计与图结构建模）不在武器库中，且问题本身与您的统计计算-计算折衷兴趣方向关联弱。

8. 2607.26219 — Retrospective Orthogonal Design: Response-Surface Reconstruction from Observational Data

• 作者: Lawrence Fulton, Christopher Fulton, Arvind Sharma, Aleksandar Tomic
• 分类: stat.ME · cs.LG · math.DG · stat.AP
• 相关性 4/10 · novelty: new_method
• 摘要: 本文提出 Retrospective Orthogonal Design (ROD)，一种从观测数据重建条件均值曲面的非参数方法。ROD 在概率平衡的格点上构造分段仿射插值，通过加权张量积对比保持观测单元均值并补全未支持单元。该方法通过验证选择格点分辨率与补全方式，使得在可容许格点上设计矩阵满足 XᵀWX = cI，从而获得规范不变的对比效应与顺序无关的序贯平方和。响应自由投影校准将固定重建映射到预设科学基上，并修正有限分辨率恢复损失。在 6480 种模拟条件下，ROD 在阈值、符号交互和局部化曲面上表现最强，在二次交互过程中均方 R² 仅差 0.0001。加权 Mincer 应用显示 ROD 产生最高样本外 R² 点估计，并提供顺序无关的穷举平方和分配。该方法本质上是统计计算与实验设计思想的结合，对您而言可作为统计计算中非标准插值方法的入门阅读，但核心机制（Freudenthal 多面体、张量积对比）与您的主要兴趣方向（因果推断、高维统计）无直接技术重叠。
• 关键技术: piecewise-affine interpolation, Freudenthal polyhedra, weighted tensor-product contrasts, response-free projection calibration, Rao-based information adjustment
• 为什么对您有用: 本文属于统计计算与实验设计交叉的方法学论文，对您而言是 gateway reading 性质——可了解非标准插值方法在观测数据中的应用。武器库中 'software development' 和 'nonparametric statistics' 可支撑理解其插值框架，但核心的 Freudenthal 多面体与张量积对比机制不在您熟悉的技术栈内，且与因果推断、高维统计等主要兴趣无直接连接。暂不可做——缺计算几何与实验设计背景。

9. 2607.26949 — Bayesian Plackett--Luce latent block models for ranked data

• 作者: Lapo Santi, Nial Friel, Valeria Vitelli
• 分类: stat.ME · stat.AP · stat.CO
• 相关性 4/10 · novelty: application
• 摘要: 本文提出一种贝叶斯潜在分块模型，在 Plackett–Luce 排序观测模型下联合划分评估者与项目。评估者分为 C 个聚类，项目分为 K 个块；同一块内的项目在每个评估者聚类中共享一个公共强度参数，从而得到简洁的 C×K 共聚类表示。采用独立的 Gnedin 先验推断 C 和 K。数据增广技术导出共轭 Gibbs 更新和包含分裂-合并移动的可处理 MCMC 采样器。模拟实验展示了信号强度、排序深度和组平衡变化时的恢复性能和后验不确定性。应用于癌症基因组图谱（TCGA）泛癌 top-500 基因表达排序数据，模型揭示了组织驱动的样本结构，同时将基因水平异质性压缩为可解释的块。基于排序的基因集富集分析（GSEA）对后验基因得分进行生物学解释。该论文属于应用贝叶斯统计与生物信息学交叉领域，方法学 novelty 有限（将现有共聚类框架适配到 Plackett–Luce 模型），但对您作为统计计算和软件开发者而言，其 MCMC 实现（共轭 Gibbs + 分裂-合并）和 TCGA 数据预处理流程可作为参考。
• 关键技术: Bayesian latent block model, Plackett-Luce model, Gnedin prior, co-clustering, split-merge MCMC, rank-based GSEA
• 为什么对您有用: 本文属于应用贝叶斯统计与生物信息学交叉领域，不直接对应您的 primary interests（因果推断、高维、U-统计等）。作为 gateway reading，其 MCMC 实现（共轭 Gibbs + 分裂-合并）和 TCGA 数据预处理流程对您的统计计算兴趣有参考价值，但方法学 novelty 有限（将现有共聚类框架适配到 Plackett–Luce 模型）。武器库中 very_familiar 的软件开发和 moderately_familiar 的 M-estimation 理论可帮助您快速理解其算法设计，但核心问题（排序数据的共聚类）与您的主要研究方向距离较远，暂不可做——缺少排序数据建模和贝叶斯非参数先验的专门工具。

🗂 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. 2607.26185 — The Dirichlet Process as sampling distribution

• 作者: Luis E. Nieto-Barajas
• 分类: stat.ME · stat.AP
• 相关性 3/10
• 评分理由: Focuses on Dirichlet process as sampling distribution, which is Bayesian nonparametrics, not a primary interest area.

2. 2607.26544 — In Search of the Most Balanced Sampling Design

• 作者: Caren Hasler, Esther Eustache, Yves Till\'e
• 分类: stat.ME
• 相关性 3/10
• 评分理由: Focused on survey sampling design, unrelated to primary interests in causal inference or high-dim statistics.

3. 2607.26163 — High-statistics simulations of NewAthena WFI background using Geant4

• 作者: Matthew K. Heine, Catherine E. Grant, Marshall W. Bautz, Beverly J. LaMarr, Eric D. Miller, Michael W. J. Hubbard, David Hall, Joan Requena, Emanuele Perinati, Steven W. Allen, Artem Poliszczuk, Dan Wilkins, Fabio Gastaldello, Silvano Molendi, Ralph P. Kraft, Gerrit Schellenberger, Arnab Sarkar
• 分类: astro-ph.IM
• 相关性 3/10
• 评分理由: Astrostatistics gateway: purely instrumental simulation for X-ray background, no clear data/model exposition for a statistician.

4. 2607.26259 — Reclaiming the "frequentist" role of marginal likelihood in Bayesian belief revision

• 作者: Abdelhakim Aknouche
• 分类: stat.ME
• 相关性 2/10
• 评分理由: Discusses marginal likelihood in Bayesian inference, which is tangential to the researcher's primary interests.

5. 2607.26168 — Tricouplers for nulling interferometry with photonic integrated circuits

• 作者: Anusha Pai Asnodkar, Nemanja Jovanovic, Harry-Dean Kenchington Goldsmith, Ahmed Sanny, Yoo Jung Kim, Hani Nejadriahi, Isabelle Rivera, Michael P. Fitzgerald, Dimitri Mawet, Pradip Gatkine
• 分类: astro-ph.IM · astro-ph.EP
• 相关性 2/10
• 评分理由: Astrostatistics gateway: photonic circuit design for interferometry, no statistical or data/model content.

6. 2607.26972 — Dish Assembly Precision for HIRAX

• 作者: Jennifer Studer, Devin Crichton, Alexandre Refregier, Keshav Bechoo, H. Cynthia Chiang, Chandrachud B. V. Dash, Sindhu Gaddam, Aditya Krishna Karigiri Madhusudhan, Martin Kunz, Kavilan Moodley, Warren Naidoo, Tasmiya Papiah, Isibabale Qhoboshiyane, Liantsoa F. Randrianjanahary, Benjamin R. B. Saliwanchik, Ajith Sampath, Corrie Ungerer, Thierry Viant, Anthony Walters
• 分类: astro-ph.IM · astro-ph.CO
• 相关性 2/10
• 评分理由: Dish assembly precision for HIRAX; engineering focus, minimal statistical methodology.

7. 2607.26537 — HARMONI@ELT: instrument design, performance, and science capabilities

• 作者: B. Neichel, J. Dunlop, S. Chittick, D. Le Mignant, M. Swinbank, A. de Lorenzo-Caceres, W. Taylor, M. Tecza, B. Johnson, A. Costille, N. Bouche, A. Delsanti, T. Morris, J. Piqueras Lopez, B. Garcia, M. Mateo, A. Carlotti, Dan Dickens, Edgard Castillo Dominguez, the HARMONI Consortium
• 分类: astro-ph.IM · astro-ph.CO · astro-ph.EP · astro-ph.GA · astro-ph.SR
• 相关性 1/10
• 评分理由: Pure instrument design paper with no statistical methodology or data analysis.

8. 2607.26540 — Towards an Extended VLTI: Turbulence Characterization for Kilometer-Scale Optical Links at Paranal

• 作者: B. Neichel, T. Pichon, G. Bourdarot, D. Perez, E. Vera, V. Chambouleyron, T. Fuscod, C. -T. Heritier, F. Eisenhauer, N. Vedrenne, D. Delamoye, F. Glasser, S. Esposito
• 分类: astro-ph.IM
• 相关性 1/10
• 评分理由: Turbulence characterization for optical links; no statistical inference or data modeling.

9. 2607.26543 — Impact of microlens shape on the performance of Laser Guide Star wavefront sensors for ELT-class telescopes

• 作者: Paul Rouquette, Benoit Neichel, C\'edric Taisir Heritierc, Pierre Jouve, Anne Costille, Kjetil Dohlen, Thierry Fusco
• 分类: astro-ph.IM
• 相关性 1/10
• 评分理由: Microlens shape impact on wavefront sensors; purely optical engineering.

10. 2607.26954 — Characterization and on-sky testing of photonic, AWG-based astronomical spectrographs

• 作者: Jeronimo Calderon-Gomez, Frantz Martinache, Nick Cvetojevic, Marc-Antoine Martinod, Vincent Foriel, Nemanja Jovanovic, Pradip Gatkine, Gregory Sercel, Alexis Carlotti, Marc Ferlet, Matteo Pasinetti, Angelie Alagao, Arnaud Striffling, Guillermo Martin, David Mary, Roxanne Ligi, Sylvie Robbe-Dubois
• 分类: astro-ph.IM
• 相关性 1/10
• 评分理由: Photonic spectrograph characterization; no statistical or data analysis content.

11. 2607.27047 — High-speed, low-noise, multi-megapixel CCDs for next generation X-ray observatories

• 作者: Haley R. Stueber, Tanmoy Chattopadhyay, Peter Orel, Steven W. Allen, Marshall W. Bautz, Michael Cooper, Kevan Donlon, Catherine E. Grant, Sven Herrmann, Jill Juneau, Beverly J. LaMarr, Christopher Leitz, Eric D. Miller, R. Glenn Morris, Declan O'Neill, Abigail Y. Pan, Tonya L. Peshel, Artem Poliszczuk, Gregory Y. Prigozhin, Keith Warner
• 分类: astro-ph.IM
• 相关性 1/10
• 评分理由: CCD detector development for X-ray observatories; hardware engineering.

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论