2026-08-03 每日 arXiv 资讯¶

高相关论文 11 篇 · 中相关 33 篇 · 其他 31 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 10 篇)¶

1. 2607.29421 — Longitudinal Adaptive Experimental Design for Learning Multiple Target Estimands with Semiparametric Efficient Inference¶

作者: Wenxin Zhang, Mark van der Laan
相关性 9/10 · novelty: new_method
摘要: 本文在纵向（多阶段、时变处理）自适应实验设计中，针对多个目标 estimand（如阶段特异性处理效应）的联合估计效率，发展了一个一般性的半参数效率框架。核心贡献是提出一个效率导向的设计准则，可同时优化单个或多个 estimand 的渐近方差。作者证明最优随机化概率在早期阶段依赖于后期分配，从而导出反向递归的 oracle 设计策略，并利用累积数据序贯学习该 oracle 设计。估计方面，提出了基于自适应设计似然的纵向目标最大似然估计（ADL-LTMLE），在无需参数模型假设下实现渐近正态和半参数有效推断。应用于“治疗启动时机效应”（比较在给定阶段启动 vs. 延迟到后续阶段启动），模拟显示针对某一阶段效应优化的设计会严重损害其他阶段效应的估计效率，凸显了多 estimand 权衡的必要性。该方法与您的纵向因果推断和半参数效率理论兴趣高度相关，其反向递归设计思路可能为您的 HOIF 或 U-statistic 在纵向设定下的应用提供新视角。
关键技术: longitudinal targeted maximum likelihood estimation (LTMLE), adaptive design, semiparametric efficiency bound, backward recursive optimization, multiple estimands
为什么对您有用: 直接连接您的 primary interest 中的纵向因果推断和半参数效率理论。本文的 ADL-LTMLE 是 TMLE 在自适应纵向实验中的推广，其反向递归设计策略可视为一种序贯决策问题——您可以用 very_familiar 的 minimax bound 工具分析该 oracle 设计在有限样本下的 regret，或用 moderately_familiar 的 HOIF 理论推导其高阶偏差。中期可做：需先在 moderately_familiar 的纵向因果推断 identification 上长肌肉（如 g-formula 与 sequential randomization 假设的衔接），然后可尝试将本文框架与您的 U-statistic 计算（treewidth/einsum）结合，分析多阶段 estimand 的联合效率边界。

2. 2607.28289 — A Novel Approach to Instrumental Variable Estimation: TEAM-IV¶

作者: Steven Y. Alberding, Patrick J. Breheny
相关性 9/10 · novelty: new_method
摘要: 本文提出 TEAM-IV，一种针对工具变量（IV）分析中部分工具违反排他性约束（直接效应）的鲁棒估计方法。现有方法如 sisVIVE 和 CIIV 依赖多数或多数-多数有效性条件，而 TEAM-IV 通过识别联合有效的工具集（teams）并聚合它们，允许在仅有少数工具有效（甚至两个）时仍能可靠估计。核心机制是：对重叠的工具子集拟合 MCP 惩罚的结局对投影暴露的模型，将直接效应经常被同时收缩到零的工具视为候选 team；按样本外预测性能排序，取近最优 teams 的并集作为最终工具集。模拟表明，在无效工具数量、大小、符号、工具相关性和暴露内生性变化下，TEAM-IV 的绝对估计误差通常低于 sisVIVE 和 CIIV，且在无效工具普遍时增益最大。实证部分用 MESA 数据做孟德尔随机化，估计 LDL 胆固醇对颈动脉内膜-中膜厚度的影响，并附加两个验证研究展示与 sisVIVE 的差异。该方法对您的主兴趣——因果推断中 IV 的敏感性分析和弱假设识别——有直接参考价值，特别是其联合有效性识别策略可启发新的 identification 思路。
关键技术: MCP-penalized regression, instrument subset selection, out-of-sample prediction ranking, union of near-best teams, Mendelian randomization
为什么对您有用: 直接连接到您的主兴趣——因果推断中的 IV 方法，特别是排他性约束放松的敏感性分析。技术层面，您武器库中的 minimax bounds 和 estimation theory 可用于分析 TEAM-IV 的估计误差上界，验证其声称的优于 sisVIVE 的增益是否紧。中期可做：需先在 moderately_familiar 的 identification theory 上长肌肉，理解联合有效性假设与现有 majority/plurality 假设的识别强度差异，才能设计更优的 team 聚合策略。

3. 2607.27669 — Mediation Analysis with Multiple Mediators Subject to Missing Not at Random¶

作者: Yanfei Jin, Shanshan Luo, Xueli Wang, Zhi Geng
相关性 9/10 · novelty: new_method
摘要: 本文研究多个中介变量在缺失非随机（MNAR）下的因果中介效应识别与估计问题。现有方法通常假设完全观测或随机缺失，当缺失机制依赖于未观测的中介变量、处理、协变量和结局时，估计会有偏。作者在逐步泛化的MNAR机制下（从缺失仅依赖于已观测变量到依赖于未观测中介），建立了自然直接效应和间接效应的可识别性条件，将经典中介分析推广到非可忽略缺失场景。识别策略依赖于对缺失机制的结构性假设（如工具变量或辅助变量），而非依赖随机缺失。基于识别框架，发展了相应的估计程序，并通过模拟研究评估了有限样本表现。在NHANES数据上的应用展示了该方法处理非可忽略缺失中介路径的实用性。对您而言，本文在因果推断的纵向/中介分析子方向上，提供了一个处理缺失数据的识别框架，您可以用M-estimation或semiparametric theory工具来审视其估计量的效率性质。
关键技术: causal mediation analysis, missing not at random (MNAR), identification under nonignorable missingness, natural direct and indirect effects, sensitivity analysis
为什么对您有用: 本文直接关联您primary interest中的causal inference（mediation）子方向，特别是缺失数据下的识别问题。您的technical_arsenal中'identification theory in causal inference'和'estimation theory in causal inference'可以用于评估其识别假设的合理性及估计量的效率。中期可做：若想进一步推导该估计量的semiparametric efficiency bound或发展debiased ML估计，需先在moderately_familiar的'semiparametric theory'上加强。

4. 2607.29295 — Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data¶

作者: Tijn Jacobs, Stéphanie L. van der Pas, Wessel N. van Wieringen
相关性 8/10 · novelty: new_method
摘要: 本文提出 Bayesian fusion forest 框架，用于结合随机对照试验（RCT）与真实世界数据（RWD）估计生存结局上的异质性处理效应。框架放松了 RWD 的无混淆假设，转而假设处理效应在两个数据源间可传递（transportability），并支持右删失和区间删失结局。模型采用加速失效时间分解：共享基线预后、源特异性偏差、处理效应和混淆函数，其中混淆函数吸收 RWD 中的混淆偏倚。每个成分赋予贝叶斯树集成先验，共享基线预后跨源借力，偏差项捕获源间异质性；误差分布用层次狄利克雷过程混合模型非参数建模。模拟显示，在不同混淆和异质性水平下，融合分析相比仅用 RCT 的效率均有提升。将 ACTG 175 试验与多中心 AIDS 队列研究结合估计联合抗逆转录病毒疗法对 HIV 的效应，融合分析识别出几乎所有患者均获益，而仅用 RCT 则结论不明确。该方法对您可能有用：它直接处理了您 primary interest 中因果推断的纵向/生存结局与数据融合问题，且其非参数贝叶斯树集成与混淆函数建模思路可迁移至您熟悉的 proximal CI 或 IV 设定。
关键技术: Bayesian additive regression trees (BART), accelerated failure time model, data fusion / transportability, confounding function, hierarchical Dirichlet process mixture, right- and interval-censored outcomes
为什么对您有用: 本文直接连接您 primary interest 中的因果推断（数据融合、transportability、生存结局）和纵向设定。技术层面，您 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 可用来分析其混淆函数的识别条件与贝叶斯树集成的收敛性；moderately_familiar 的 identification theory 可评估其 transportability 假设是否可弱化。中期可做：若想将类似融合框架推广到 proximal CI 设定，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（特别是 influence function 在融合数据下的形式）。

5. 2607.28804 — Bayesian Mediation Analysis for Individualized Treatment Rules¶

作者: Emmanuel M. Rockwell, Patrick J. Smith, Michael R. Kosorok, Nikki L. B. Freeman
相关性 8/10 · novelty: new_method
摘要: 本文在个性化治疗规则（ITR）的框架下提出因果中介分析，目标是将候选 ITR 与参考规则之间的价值对比（value contrast）分解为直接效应和间接效应。使用规则特定的嵌套潜在结果（rule-specific nested potential outcomes）定义自然直接和间接规则效应，量化改善的价值多大程度上通过指定中介路径产生。识别条件由规则层面的中介 g-formula 给出，这是对标准中介 g-formula 在 ITR 设定下的推广。估计方面，将贝叶斯因果中介森林（Bayesian causal mediation forests）适配到该设定，获得价值对比及其路径特定分量的后验推断。模拟显示，在样本量增大时，所提估计量达到接近名义水平的可信区间覆盖率，偏差和 RMSE 递减。用 TRIUMPH 试验数据分解生活方式干预规则通过神经血管、心肺和行为中介对认知的益处。该框架将最优 ITR 学习与中介解释互补，为 ITR 的机制评估提供自然途径。对您而言，本文连接了因果推断中的中介分析和个性化治疗规则，属于您 primary interest 中 causal inference 的 mediation 子方向，且其嵌套潜在结果和 g-formula 识别策略可直接与您熟悉的非参数统计和因果推断估计理论对接。
关键技术: Bayesian causal mediation forests, rule-specific nested potential outcomes, mediation g-formula, value contrast decomposition, individualized treatment rules
为什么对您有用: 本文直接连接您 primary interest 中 causal inference 的 mediation 子方向，具体是 ITR 设定下的路径分解。您的 very_familiar 武器库中的非参数统计和因果推断估计理论可直接用于分析其识别条件和估计量的渐近性质（如 semiparametric efficiency bound）。中期可做：若想进一步推导该估计量的 semiparametric efficiency bound 或提出 debiased ML 版本，需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

6. 2607.28792 — How should we select test-negative controls? A causal perspective in the era of multiplex respiratory testing¶

作者: Christopher B. Boyer, Kendrick Qijun Li, Xu Shi, Marc Lipsitch, Eric J. Tchetgen Tchetgen
相关性 8/10 · novelty: new_method
摘要: 本文在因果推断框架下系统研究测试阴性设计（TND）中对照选择的问题，目标是无偏估计疫苗有效性（VE）。作者将TND的识别结果归纳为两种视角：抽样视角（对照代表源人群）和偏倚校正视角（对照作为负对照结局，需满足等混杂假设）。基于多重呼吸道PCR检测可识别非目标病原体这一新情境，提出对照选择的分类法：区分暴露代理对照（共享未测感染决定因素）和检测代理对照（共享未测就医决定因素），并推导了病原体特异性和合并估计量的含义。给出了三条实用原则：疫苗无关性、避免与其他干预纠缠、检测过程可比性。模拟表明，单个对照病原体的违规可严重偏倚合并TND估计，而预先指定的病原体筛选估计量保持无偏。对您有用：本文是proximal CI中negative control思想在流行病学TND中的直接应用，您可用identification theory和semiparametric efficiency工具分析其估计量的最优性。
关键技术: test-negative design, negative control outcomes, equi-confounding, proximal causal inference, multiplex PCR, pooled estimator
为什么对您有用: 直接连接到您的primary interest中的causal inference（identification, sensitivity analysis, negative control）和secondary interest中的epidemiology（应用因果方法）。您的very_familiar工具（estimation theory in causal inference）可直接用于分析本文提出的病原体筛选估计量的识别假设和效率，属于立即可做的follow-up。

7. 2607.27685 — On regression with estimated covariates and conditional effects given the propensity score¶

作者: Jiaqi Wu, Matteo Bonvini, Edward H. Kennedy, Jennie E. Brand, Yu Xie
相关性 8/10 · novelty: new_method
摘要: 本文研究当协变量本身需要在一阶段估计时，非参数回归函数的估计问题，动机来自Brand & Xie (2010)关于教育回报异质性的经典工作——其中协变量是个体完成大学学业的倾向得分。直接使用估计协变量进行plug-in估计会因一阶段误差而偏倚。作者提出两种去偏框架，均对一阶段估计方法保持agnostic：一是基于影响函数的路径可微参数估计量，二是直接修正plug-in偏倚的变体。对每种方法，给出了估计误差的上界，并刻画了达到oracle率的条件，凸显了相对于plug-in在收敛速率上的潜在提升。模拟验证了有限样本表现，并应用于NLSY97数据，发现完成大学对最不可能完成学业的人群在降低失业率上效果最大，与文献一致。对您而言，本文直接连接causal inference中heterogeneous treatment effect的估计，且其去偏框架与您熟悉的semiparametric theory和efficiency theory高度相关。
关键技术: influence function, plug-in bias correction, local smoothing, sieve estimation, oracle rate, nonparametric regression with estimated covariates
为什么对您有用: 本文直接连接您primary interest中的causal inference（heterogeneous treatment effect with estimated propensity score）和semiparametric theory（去偏估计量）。您的technical arsenal中very_familiar的nonparametric statistics和estimation theory in causal inference可立即用于理解其oracle rate条件；moderately_familiar的semiparametric theory可进一步分析其影响函数结构。立即可做：用您熟悉的minimax bound工具验证其声称的收敛速率是否紧。

8. 2607.27633 — Doubly Robust Estimators of Quantile Treatment Effects With Semiparametric Cumulative Probability Models¶

作者: Hao Wu, Chun Li, Bryan E. Shepherd
相关性 8/10 · novelty: new_method
摘要: 本文针对分位数处理效应（QTE）提出一个双重稳健估计框架，基于累积概率模型（CPM）——一种基于秩的半参数线性变换模型，不要求对结果分布做参数假设。研究动机来自HIV研究中的偏态结果，其中一个结果受检测下限限制。作者开发了两种策略：(1) 逆CDF法：先用有效影响函数（EIF）估计潜在结果的边际CDF，再通过加权分位数插值反推边际分位数；(2) 直接法：直接求解潜在边际分位数的EIF。两种估计量都是双重稳健且渐近正态的。框架还扩展到概率处理效应（PTE）及其条件版本。方差估计方面，比较了EIF估计量、sandwich估计量和非参数bootstrap，模拟显示sandwich和bootstrap在模型误设下表现稳定。本文对您有用：直接连接您的因果推断（QTE、双重稳健估计）和效率理论（EIF、半参数效率界）兴趣，且方法学上可迁移到您熟悉的纵向/中介分析中的分位数效应估计。
关键技术: doubly robust estimation, efficient influence function, semiparametric linear transformation model, quantile treatment effect, cumulative probability model, sandwich variance estimator
为什么对您有用: 直接命中 primary_interests 中的因果推断（QTE 估计）和效率理论（EIF 构造）。您的 very_familiar 武器库中的非参数统计和因果推断估计理论可直接用于理解其双重稳健机制；moderately_familiar 中的半参数理论可用于评估其 EIF 推导的紧性。中期可做：若想将 CPM 框架扩展到您的纵向因果推断设定（如时变处理下的分位数效应），需先在 moderately_familiar 的识别理论上长肌肉（如 g-computation 与 CPM 的结合）。

9. 2607.29532 — Robust Instrumental Variables: Sharp Rates and Inference under Adversarial Contamination¶

作者: Anders Bredahl Kock, David Preinerstorfer
相关性 8/10 · novelty: new_method
摘要: 本文针对工具变量（IV）估计中因少量异常值导致2SLS估计和推断不稳健的问题，提出了一种简单的稳健化方法W-2SLS。该方法将2SLS中的样本均值替换为分位数缩尾均值（quantile-winsorized means），在对抗性污染（adversarial contamination）框架下进行分析，允许污染观测的身份和数值依赖于实现的干净样本。在有限m阶矩条件下，W-2SLS达到了极小极大最优速率η_n^{1-1/m} + n^{-1/2}，其中η_n为可能被污染的比例。匹配的下界刻画了达到一致估计、根号n估计和与干净样本2SLS同分布的高斯推断所需的确切污染阈值。当√n η_n^{1-1/m} → 0时，稳健性是一阶无成本的。文章还构建了可行的异方差稳健推断和在弱识别与对抗性污染下有效的缩尾Anderson-Rubin检验。即使在没有污染的情况下，W-2SLS也提供了置信校准的次高斯偏差保证，而普通2SLS的有限样本集中性可能很差。该工作直接连接了因果推断中的IV方法与稳健统计，其对抗性污染框架和极小极大速率分析对您在高维和因果推断中的敏感性分析研究具有直接参考价值。
关键技术: quantile-winsorized means, adversarial contamination model, minimax optimal rate, weak identification, Anderson-Rubin test
为什么对您有用: 本文直接连接您的primary interest中的'causal inference (IV)'子方向，提出了一个在对抗性污染下具有极小极大最优速率的稳健IV估计量。您武器库中'very_familiar'的'minimax bounds for estimation problems'和'estimation theory in causal inference'可以直接用于验证其速率最优性是否紧，并探索将其扩展到proximal CI或mediation分析中的可能性。中期可做：需先在'moderately_familiar'的'identification theory in causal inference'上进一步理解对抗性污染在更复杂因果模型（如proximal g-formula）中的识别含义。

10. 2607.28291 — Linear Estimation of Structural and Causal Effects for Nonseparable Panel Data¶

作者: Victor Chernozhukov, Ben Deaner, Ying Gao, Jerry Hausman, Whitney K. Newey
相关性 8/10 · novelty: new_method
摘要: 本文针对面板数据中不可分离的非参数模型，提出线性估计量来估计结构参数和因果参数。模型允许未观测的时变个体异质性与回归变量相关，通过线性筛（linear sieve）规范近似条件平均潜在结果，并引入个体特定参数。估计量采用偏差校正后的个体岭回归（ridge regression）平均，具有经验贝叶斯（empirical Bayes）解释。作者推导了大T渐近理论，可处理离散回归变量并绕过部分识别问题。应用包括估计因果效应、反事实消费者福利和平均个人应税收入弹性。实证部分使用杂货购买数据估计了价格上涨的平均等价变化（equivalent variation）和无谓损失（deadweight loss）。该工作对您的主要兴趣——因果推断中的面板数据方法（特别是纵向设定下的非参数识别与估计）——有直接参考价值。
关键技术: linear sieve approximation, ridge regression, bias correction, empirical Bayes, large-T asymptotics, panel data causal inference
为什么对您有用: 直接连接到您的主要兴趣——因果推断中的纵向/面板数据设定，特别是非参数模型下时变未观测异质性的处理。您的武器库中'非参数统计'和'因果推断中的估计理论'可以直接用于理解其线性筛近似和偏差校正机制，属于立即可做的范畴：您可以用 minimax bound 检验其大T渐近率是否最优，或用 higher-order U-stat 的树宽视角分析其个体回归平均的计算成本。

效率理论 / Debiased ML (efficiency_dml, 1 篇)¶

1. 2607.28861 — The Debiased Score Test: Hunt-and-test for Semiparametric Hypotheses¶

作者: Aditya Dhawan, F. Richard Guo, Rajen D. Shah
相关性 8/10 · novelty: new_method
摘要: 本文提出一种用于半参数假设检验的 debiased score test 框架。目标是在参数（如回归函数）被识别为风险最小化者的设定下，检验其是否属于给定的线性函数类（如广义可加模型或部分线性模型）。核心策略是“hunt-and-test”：将数据分成两部分，一部分用机器学习拟合零模型并搜索经验得分中“最有希望的方向”，另一部分检验该方向上的得分是否为零。为纠正零模型估计误差，引入基于加权最小二乘投影的去偏修正。理论方面，在较温和条件下建立了第一类错误控制，并证明只要搜索方向与真实得分相关，检验就有功效。模拟和 HIV 临床试验数据中的效应修饰识别、保险索赔的可加模型评估等实证展示了良好性能。该方法已实现为 R 包 dScoreTest。对您而言，该工作将 debiased ML 的思想从估计拓展到假设检验，与您的效率理论、半参数推断兴趣直接相关。
关键技术: debiased score test, hunt-and-test, semiparametric hypothesis testing, weighted least squares projection, cross-fitting, goodness-of-fit for additive models
为什么对您有用: 直接连接到您的 primary interest 中的效率理论（debiased ML）和半参数推断。该文的 hunt-and-test 策略与您 moderately_familiar 的 HOIF 思想有交叉——去偏修正可视为一阶影响函数的推广。中期可做：若您想将类似框架推广到更高阶的 U-统计量假设检验，需先在 moderately_familiar 的 HOIF 上长肌肉（理解高阶影响函数如何构造去偏得分）。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 6 篇)¶

1. 2607.29629 — Marginal generalized raking with parametric working models¶

作者: Brian D Williamson, Runjia Zou, Thomas Lumley, Bryan E Shepherd, Pamela A Shaw
相关性 7/10 · novelty: new_method
摘要: 本文在调查统计的广义 raking (GR) 框架下，将目标从回归系数推广到边际 estimands（如 ATE、marginal risk difference），提出 marginal generalized raking (MGR) 方法。核心设定是：在缺失数据或两相设计中，研究者拥有辅助信息（如全样本协变量），目标是估计边际因果参数。方法上，作者基于 influence function 理论推导了 MGR 估计量，并证明了其与最优增广逆概率加权 (AIPW) 估计量的等价性，从而建立了与因果推断中双稳健估计的桥梁。通过将条件 GR 估计量边际化（naive 方法）与 MGR 进行对比，模拟和 HIV 队列数据应用表明 MGR 在效率上更优。对您而言，该工作直接连接了 survey statistics 中的 raking 方法与 causal inference 中的 marginal estimand 估计，其 influence function 视角与您的 semiparametric efficiency 和 debiased ML 兴趣高度相关。
关键技术: generalized raking, augmented inverse probability weighting, influence function, marginal estimands, two-phase sampling, double robustness
为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 estimation theory 和 efficiency theory：它系统地将 survey 领域的 GR 方法推广到边际因果参数，并证明了与 AIPW 的等价性，这为在复杂抽样设计下进行因果推断提供了新工具。从技术武器库看，您可以用 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 来理解其 influence function 推导，并进一步用 moderately_familiar 的 semiparametric theory 来检验其效率界是否紧。中期可做：若想将 MGR 与您的 higher-order U-statistics 结合（例如处理高维协变量时的效率提升），需先在 moderately_familiar 的 HOIF 上长肌肉。

2. 2607.28161 — A Mathematical Framework for Topological Causal Data Analysis¶

作者: Hugo Gobato Souto, Ioannis Diamantis
相关性 7/10 · novelty: new_theory
摘要: 本文提出拓扑因果数据分析（TCDA）框架，旨在处理结果变量为结构化对象（如图像、点云、网络、空间场）时的因果推断问题，此时传统的 Y^1 - Y^0 差值定义可能不成立或缺乏科学意义。框架将观测空间、因果模型类、拓扑表示和因果查询四个层次明确分离，强调拓扑本身不定义干预，而是在因果假设指定后提供稳定、形状敏感的摘要。区分了结果级 TCDA（变换个体潜在结果）和分布级 TCDA（变换干预结果分布），并刻画了两者一致的条件。在结果级，基于已有理论给出了 Banach 空间值摘要的识别和双稳健表示；在分布级，通过标准 g-公式识别目标，并推导了稳定性-转移界和插入估计的一致性。还提出了目标特异拓扑可忽略性，澄清了何时可以在不识别完整干预分布的情况下识别协变量标准化的粗效应。最后，限定了观测拓扑在因果发现中的作用：它只能在受限模型类上辅助诊断，但无法单独识别因果结构。对您而言，该工作将因果推断的识别框架拓展到非标准结果空间，与您的 proximal CI 和 semiparametric 理论兴趣直接相关，且其双稳健表示和稳定性界分析可借助您的 M-estimation 和 HOIF 工具进一步深入。
关键技术: Topological Causal Data Analysis, doubly robust representation, Banach-space-valued summaries, g-formula, stability-transfer bounds, topological ignorability
为什么对您有用: 本文直接连接您的 primary interest 中的 causal inference 子方向，特别是将识别和估计框架推广到结构化结果（如图像、点云）这一前沿设定。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 和 moderately_familiar 的 HOIF 可直接用于分析其双稳健估计量的效率性质或构造更高阶的偏差校正。中期可做：若想深入 Banach 空间下的 semiparametric 效率界，需先在 moderately_familiar 的 semiparametric theory 上加强（特别是无限维参数空间的影响函数理论）。

3. 2607.27701 — Evaluating Algorithm-Assisted Human Decision-Making Over Repeated Algorithm Exposure: Recommendations for Effect Estimands and Experimental Design¶

作者: Maggie Wang, Michael Baiocchi
相关性 7/10 · novelty: new_method
摘要: 本文关注算法辅助人类决策（如医疗场景）中，重复暴露于算法推荐如何影响人类决策行为，并定义了一组考虑行为适应的因果效应估计量（effect estimands）。作者指出传统随机实验设计和分析忽略了人类行为随算法暴露次数的动态变化（如自动化偏见、警报疲劳、校准依赖）。为估计这些目标估计量，提出了一种极小化极大步进双楔形设计（minimax stepped double wedge design）。通过与历史随机试验中两种常见设计对比，证明后者在三种真实行为适应模式下会产生有偏估计。本文为算法辅助决策的因果推断提供了更贴近实际应用场景的识别框架和实验设计工具。对您而言，该工作直接连接因果推断中纵向设定与实验设计，且行为适应机制可视为一种未观测混杂，可能启发您用proximal causal inference或敏感性分析来处理。
关键技术: minimax stepped double wedge design, effect estimands for behavioral adaptation, automation bias, alert fatigue, calibrated reliance, randomized experiment design
为什么对您有用: 本文直接连接您primary interest中的因果推断（纵向设定、实验设计），并提出了一个新颖的效应估计量框架来处理重复暴露下的行为适应——这本质上是一种随时间变化的未观测混杂，您可以用proximal CI的negative control思路来重新识别。武器库中'very_familiar'的estimation theory in causal inference和'identification theory in causal inference'（moderately_familiar）可直接用于分析该设计的识别假设是否可放松。中期可做：需先在'moderately_familiar'的identification theory in causal inference上长肌肉（具体是理解proximal g-formula如何嵌入行为适应机制），之后可尝试将本文的stepped wedge设计与proximal CI结合，提出更鲁棒的估计量。

4. 2607.27593 — Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding¶

作者: Mark Louie F. Ramos
相关性 7/10 · novelty: new_theory
摘要: 本文在未测量混杂的设定下，从渐近角度刻画了数据驱动因果发现的一个根本局限：当真实因果变量不可观测、仅有相关代理变量时，随着样本量增大，搜索越来越稳定的数据驱动因果结构会使可观测代理变量之间的关联越来越确定，从而渐近地涌现出统计上支持但因果上错误的解释。核心结论是：减少统计不确定性（更多数据使观测变量间关系更确定）与恢复真实因果机制之间存在根本性区别——更多数据并不能保证识别出底层因果结构。文章通过理论分析（未给出具体 estimator 或收敛率）和模拟验证了这一现象。对您而言，该工作直接关联 primary interest 中的因果推断 identification 和 sensitivity analysis 方向，尤其对 proximal causal inference 中 negative control 假设的局限性有警示意义。
关键技术: causal discovery, unmeasured confounding, proxy variables, asymptotic analysis, data-driven structure search
为什么对您有用: 直接关联 primary interest 中的因果推断 identification 和 sensitivity analysis 方向，尤其对 proximal CI 中依赖 proxy 变量的假设有警示意义。武器库中 very_familiar 的 estimation theory in causal inference 可用来检验其渐近结论是否在有限样本下成立，或构造更紧的 finite-sample 界。暂不可做：本文是纯理论/模拟工作，无公开数据集或可复现代码，需先自行实现模拟验证。

5. 2607.27542 — Towards Best Practices for Covariate Adjustment in Regulatory Trials: From Fixed to Data-Adaptive Approaches¶

作者: Laura B. Balzer, Lei Nie, Issa J. Dahabreh, Kajsa Kvist, Tianyue Zhou, Demissie Alemayehu et al.
相关性 7/10 · novelty: survey
摘要: 本文聚焦于随机对照试验（RCT）中协变量调整的最佳实践，目标是在保持因果效应解释的前提下提高估计精度。作者指出，FDA 当前指南支持使用参数回归模型进行固定协变量调整，但未涉及数据自适应或机器学习方法。文章系统比较了未调整估计量、固定调整估计量和数据自适应调整估计量（如 TMLE、交叉拟合估计量）的优劣。核心建议是：调整方案必须完全预注册、透明可复现，且应使用对模型误设稳健、能保证方差不劣于未调整分析的方法。作者强调，数据自适应调整（如使用 Super Learner 选择预测协变量）在理论上可渐近等价于已知最优调整，且通过交叉拟合可避免过拟合偏差。本文对您有用之处在于：它直接连接了您 causal inference 方向中的效率理论（semiparametric efficiency bounds）和 debiased ML（TMLE），并展示了如何在监管审评的严格约束下应用这些方法，是连接方法论与真实临床试验应用的桥梁。
关键技术: Targeted Maximum Likelihood Estimation (TMLE), cross-fitting, Super Learner, efficient influence function, data-adaptive covariate adjustment, pre-specified analysis plan
为什么对您有用: 本文直接对应您 primary interests 中的 causal inference（RCT 中的 ATE 估计与精度提升）和 efficiency theory（TMLE 作为 semiparametric efficient estimator 的应用）。从技术武器库看，您 very_familiar 的 estimation theory in causal inference 和 software development 可立即用于复现和扩展本文的模拟或实证分析（立即可做）。此外，本文对数据自适应调整的讨论与您 moderately_familiar 的 semiparametric theory 和 identification theory 高度相关，可作为理解 TMLE 在监管场景落地的入门文献。

6. 2607.28899 — Log-F-penalized Conditional Logistic Regression for Sparse Data¶

作者: Ying Yu, Jiying Wen, Jinko Graham, Brad McNeney
相关性 4/10 · novelty: new_method
摘要: 本文针对稀疏匹配病例-对照研究中条件逻辑回归的估计与推断问题，提出了一种基于独立 log-F 分布的惩罚似然方法。标准条件最大似然估计在稀疏数据下存在远离零的偏倚，Firth 惩罚似然虽能缓解但无法灵活控制各系数的收缩程度。log-F 惩罚通过可解释的先验假设（如效应大小的合理范围）允许分析者校准收缩强度，且可通过数据增广在标准条件逻辑回归软件中实现。模拟研究表明，该方法在置信区间覆盖率上与 Firth 方法相当，但均方误差更低，I 类错误率和功效相似。实证部分使用了两个数据集：母亲 DES 暴露与女儿阴道癌风险研究、2 型糖尿病遗传关联研究。对您而言，该方法为因果推断中匹配设计的稀疏数据问题提供了一种可调收缩的实用工具，尤其适用于流行病学队列研究中的敏感性分析。
关键技术: conditional logistic regression, Firth's penalized likelihood, log-F prior, data augmentation, sparse matched case-control studies
为什么对您有用: 本文直接关联流行病学中匹配病例-对照研究的因果推断方法，属于 secondary interest 的流行病学应用。您的武器库中 'estimation theory in causal inference' 和 'software development' 可立即用于复现其数据增广实现，并评估该方法在您熟悉的因果推断设定（如 IV、proximal CI）中稀疏数据下的表现。中期可做：若需将 log-F 惩罚推广到更复杂的因果模型（如工具变量回归），需先在 'identification theory in causal inference' 上长肌肉。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 2607.29619 — Joint parameters estimation in cubic tensor model¶

作者: Sumit Mukherjee, Arnab Sen, Qiang Wu
相关性 6/10 · novelty: new_method
摘要: 本文研究高维三次张量Gibbs测度（cubic tensor Gibbs measures）中联合参数估计问题，模型受密集指数随机图（ERGM）、等差数列模型和非齐次随机超图启发。目标是在单次观测下估计多个参数（如边-三角形ERGM中的边参数和三角形参数）。核心方法是最大伪似然估计（maximum pseudolikelihood estimator），并给出了联合一致性和渐近病态性的可检验条件。对于边-三角形ERGM，在铁磁区域（非负场）伪似然是病态的，但在足够强的反铁磁区域是一致的；对于边-三星ERGM，对所有逆温度和外部场都是病态的。技术工具包括非线性大偏差和平均场近似，适用于三次张量Gibbs测度。本文对您的高维统计和随机矩阵理论兴趣有直接连接，因为张量模型的高维渐近行为与您熟悉的Marchenko-Pastur律和谱分析有深层关联，且病态性分析可类比于高维统计中的条件数问题。
关键技术: maximum pseudolikelihood estimator, Gibbs measure, cubic tensor interaction, large deviation theory, mean-field approximation, inhomogeneous random hypergraph
为什么对您有用: 连接高维统计和随机矩阵理论兴趣：张量Gibbs测度的渐近行为与您熟悉的谱分析（如Marchenko-Pastur律）有潜在关联，病态性条件可类比高维协方差矩阵的条件数分析。武器库中'高维渐近'和'逆问题'可直接用于理解其大偏差工具和平均场近似的精度。中期可做：需先在moderately_familiar的'高阶U统计量理论'上长肌肉，因为三次张量模型本质上是三阶U统计量的Gibbs形式，可用树宽/张量收缩视角分析其计算代价。

2. 2607.29498 — Asymptotic Minimax Estimation under Global-Local Priors¶

作者: Rhitankar Bandyopadhyay, Malay Ghosh
相关性 6/10 · novelty: weaker_assumption
摘要: 本文研究全局-局部（global-local）收缩先验在高维稀疏估计中的渐近极小化最优性。现有理论大多假设样本方差已知，本文放松了这一假设，同时对误差方差赋予先验。作者推导了收缩因子的新尾概率界，并利用这些界证明后验均值在稀疏参数向量上达到渐近极小化最优率。方法核心是结合先验的收缩特性和方差估计的不确定性，通过精细的尾概率分析控制后验均值的风险。主要技术工具包括收缩因子的分布性质、贝叶斯后验均值的解析形式以及极小化最优率的经典框架。结果推广了已知方差情形下的理论，为实际中方差未知的贝叶斯高维分析提供了理论保障。对您而言，本文的极小化最优率分析思路可迁移至高维因果推断中稀疏结构估计的贝叶斯方法，且其尾概率界技术对您熟悉的非参数极小化界工具有直接参考价值。
关键技术: global-local shrinkage priors, minimax optimality, tail bounds for shrinkage factors, posterior mean estimation, high-dimensional sparse estimation
为什么对您有用: 本文连接您的高维统计与极小化界兴趣，具体在稀疏估计的贝叶斯方法上。您武器库中的'minimax bounds for estimation problems'可直接用于验证本文声称的率是否紧，或尝试将尾概率界技术推广到更一般的损失函数。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉以处理方差先验的渐近行为。

非参数 / 半参数 (nonparam_semipara, 3 篇)¶

1. 2607.28981 — Distance Profile Embedding for Independence and Conditional Independence Testing of Random Objects¶

作者: Wenxi Tan, Bing Li, Lingzhou Xue
相关性 7/10 · novelty: new_method
摘要: 本文针对非欧几里得随机对象（如度量空间中的分布、函数、图等）的独立性与条件独立性检验问题，提出了一种新的表示方法——距离剖面嵌入（DPE）。该方法将一般度量空间中的随机对象映射到平方可积函数构成的希尔伯特空间，并证明该映射是单射且保留了完整的分布信息，无需等距希尔伯特嵌入或一一对应条件。基于DPE，作者构建了统一的边际与条件独立性检验框架，首次在文献中允许条件变量也为对象值（object-valued），突破了现有方法对欧几里得或希尔伯特空间的限制。检验统计量的渐近零分布为闭合形式，可解析计算p值，避免了基于置换的度量方法常见的计算负担。理论部分建立了严格的渐近尺寸与功效性质。模拟实验与两个实际应用（肠道微生物组组成与全球人类死亡率分布）验证了方法的数值性能。该工作对您可能有用：其核心思想——通过函数嵌入将非欧几里得对象转化为可处理的内积空间——与您熟悉的非参数统计和逆问题工具高度兼容，且条件独立性检验框架可直接应用于因果推断中的敏感性分析与中介分析设定。
关键技术: Distance Profile Embedding, Hilbert space embedding of metric spaces, conditional independence testing for random objects, asymptotic null distribution, closed-form p-value
为什么对您有用: 本文直接关联您的主要兴趣方向：非参数与半参数理论（非欧几里得对象的检验）和假设检验（独立性检验）。技术层面，您非常熟悉的非参数统计与高维渐近工具可直接用于理解DPE嵌入的收敛性质与检验功效。中期可做：若您希望在因果推断中应用该框架（如处理对象值中介变量或工具变量），需先在 moderately_familiar 的因果推断识别理论上长肌肉——具体而言，需将DPE的条件独立性检验与proximal causal inference中的negative control假设结合，这要求您先熟悉该领域的identification条件。

2. 2607.28844 — Seeing the Forest for the Trees: The Gaussian Process Limit of BART¶

作者: Cory McCartan, Melody Huang
相关性 7/10 · novelty: new_theory
摘要: 本文研究 BART（Bayesian Additive Regression Trees）在树数量趋于无穷时的极限行为，证明其收敛到具有特定核函数的高斯过程（GP）。该核函数对应的 RKHS 具有优良的推断性质，有助于解释 BART 在预测和因果推断中的优异表现。作者引入随机树特征（random tree features）作为该极限 GP 的近似，并证明基于这些特征的岭回归可达到 minimax-optimal 学习率，且该率仅对数依赖于维度。随机树特征避免了传统 MCMC 估计的计算负担，且可轻松嵌入任何具有线性预测子的模型，扩展了 BART 的适用性。该工作为 BART 的实证成功提供了理论解释，并提供了计算优势。对您而言，该文连接了非参数统计与因果推断中的预测方法，且随机树特征的计算效率与您的统计计算兴趣相关。
关键技术: Gaussian process limit, random tree features, RKHS, minimax-optimal learning rates, ridge regression
为什么对您有用: 本文直接关联您的非参数统计与因果推断兴趣，特别是 BART 在因果推断中的应用。随机树特征的计算效率与您的统计计算兴趣相关，且其 minimax 率分析可借助您熟悉的 minimax bounds 工具进行验证。中期可做：将随机树特征与您的 higher-order U-statistics 计算框架结合，探索其在因果推断中的计算-统计权衡。

3. 2607.28958 — A Simple Example of Bayesian Nonparametric Inconsistency¶

作者: Antonio R. Linero
相关性 4/10 · novelty: survey
摘要: 本文研究贝叶斯非参数后验一致性问题，设定为 i.i.d. 观测来自未知分布 P_0，先验为混合 Dirichlet 过程 DP(α, H) 且对浓度参数 α 赋予超先验 π_α。核心发现是：当 π_α 具有指数或更重尾部时，即使先验在分布函数空间上具有全支撑，后验仍可能不一致；反之，若 π_α 为轻尾（如正态），则后验一致。该结果统一并推广了 Freedman & Diaconis (1983) 的一致性结论与 Ferguson et al. (1992) 的不一致性例子。证明利用了 Dirichlet 过程的集中性质与尾部概率的精细分析。对您而言，这是一个经典的贝叶斯非参数理论反例，与您熟悉的非参数统计和 minimax 理论直接相关，可作为理解先验选择对后验收敛性影响的入门读物。
关键技术: Dirichlet process mixture, posterior consistency, full-support prior, tail behavior of prior
为什么对您有用: 本文属于非参数统计理论，直接关联您的 primary interest 中的非参数理论方向。您熟悉的 minimax 界和非参数估计理论可用于分析该例中后验不一致的速率。这是一个 gateway-reading 级别的理论反例，值得花时间读全文以加深对贝叶斯非参数基础的理解。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)¶

1. 2607.29507 — Adversarially robust multiple testing in high dimensions¶

作者: Anders Bredahl Kock, David Preinerstorfer
相关性 7/10 · novelty: new_method
摘要: 本文研究高维均值向量坐标等值检验的稳健多重检验问题，目标是在对抗性污染（adversarial contamination）下强控制族系错误率（FWER）。方法基于分位数-缩尾化（quantile-winsorization）技术构造检验统计量，允许假设数量随样本量指数增长，且仅需略高于二阶矩的存在性条件。单样本结果依赖于高维分位数-缩尾化均值的高斯逼近不等式，两样本结果则基于作者新发展的推广版本。理论证明通过经验过程与集中不等式工具实现，无需对污染分布施加参数假设。模拟实验验证了方法在有限样本下的控制效果。对您而言，本文在高维假设检验与稳健统计的交叉点上提供了可迁移的技术工具，尤其是分位数-缩尾化与高斯逼近的结合思路，可能用于您在高维因果推断中处理测量误差或异常值时的检验问题。
关键技术: quantile-winsorization, Gaussian approximation inequalities, familywise error rate (FWER) control, adversarial contamination, high-dimensional multiple testing
为什么对您有用: 本文直接连接您对 hypothesis testing 和高维统计的兴趣，具体在高维多重检验的稳健性问题上。武器库中的 high-dimensional asymptotics 和 nonparametric statistics 可直接用于理解其高斯逼近论证；若想进一步改进其检验的 power 或扩展到更复杂的因果结构（如 IV 中的弱工具变量检验），需先在 moderately_familiar 的 M-estimation theory 上加强。中期可做：将分位数-缩尾化思路移植到您熟悉的因果推断设定中，处理 outcome 或 treatment 的污染。

2. 2607.28322 — Non-partitioned e-detectors for nonparametric sequential change detection¶

作者: Aytijhya Saha, Aaditya Ramdas
相关性 6/10 · novelty: new_method
摘要: 研究非参数序贯变化检测问题，其中变化前和变化后的分布均未知且属于一个一般分布类 P，不假设 P 被预先划分为变化前和变化后子族。提出一类非划分 e-检测器，通过对可能变化点上的点零假设 e-过程进行聚合，并对候选无变化分布取下确界来构造。聚合方案中的权重决定了检测器是否能控制平均运行长度 (ARL) 和虚警概率 (PFA)。在适当假设下，证明该方法达到一阶渐近最优检测延迟。具体例子包括次高斯和 bounded mean 变化、方差未知的高斯均值变化以及马尔可夫转移矩阵的变化。该工作将 e-值框架从假设检验推广到序贯变化检测，为无先验划分的通用检测提供了理论保证。
关键技术: e-process, sequential change detection, nonparametric, average run length, probability of false alarm
为什么对您有用: 直接连接到 mathematical statistics 中的 hypothesis testing 子方向，特别是序贯方法和 e-值框架。武器库中 nonparametric statistics 和 high-dimensional asymptotics 可用于理解其渐近最优性证明；moderately_familiar 的 M-estimation theory 可用于分析其权重聚合方案。中期可做：若先熟悉 e-值理论（moderately_familiar 中目前未列出），可探索将非划分 e-检测器应用于因果推断中的序贯敏感性分析。

3. 2607.28929 — Comparing Two Survival Functions at a Fixed Timepoint¶

作者: Michael P. Fay, Allyson Mateja, Megan C. Grieco
相关性 5/10 · novelty: minor
摘要: 本文研究右删失数据下固定时间点两条生存曲线的比较问题。标准方法基于两个 Kaplan-Meier 估计的 Greenwood 方差和 delta 方法变换，但在 KM 估计为 0 或 1、小样本或高删失率时，置信区间可能崩溃或覆盖不足。作者将单样本 Greenwood 方差调整推广到两样本 delta 方法，并针对 KM 估计极端值提供了修正。另一种非渐近方法——beta 乘积置信过程（BPCP）的 melding——在无删失时等价于 Fisher 精确检验，但可能过于保守。本文进一步提出 mid-p 版本的 BPCP melding 区间，旨在使覆盖更接近名义水平而不保证全覆盖。模拟表明，只有 BPCP melding 能在所有场景下保证覆盖，mid-p 版本则最接近名义覆盖。对您而言，该工作属于假设检验中生存数据比较的实用方法，与您 mathematical statistics & hypothesis testing 兴趣直接相关，且其非渐近覆盖保证思路可启发您在高维或 U-statistic 设定下的类似问题。
关键技术: Kaplan-Meier estimator, Greenwood variance, delta method, beta product confidence procedure (BPCP), mid-p adjustment, simulation-based evaluation
为什么对您有用: 本文直接对应您 primary interests 中的 hypothesis testing 子方向，具体是右删失数据下两样本生存函数比较的置信区间构造与覆盖性质。从技术武器库看，您对 nonparametric statistics 和 estimation theory 非常熟悉，可立即用 minimax 视角评估其非渐近覆盖保证的紧性（立即可做）。此外，mid-p 调整的思路可迁移到您 higher-order U-statistics 的有限样本推断问题中。

4. 2607.28846 — Upper Confidence Bounds for the Prediction Error of Kernel Ridge Regression via Gaussian Refitting¶

作者: Yijin Ni, Xiaoming Huo
相关性 5/10 · novelty: new_method
摘要: 本文针对核岭回归（KRR）的预测误差，提出一种可计算的上置信界（UCB），用于量化单次拟合与未知真值之间的差距。标准交叉验证的边际受限于噪声波动导致的 O_P(n^{-1/2}) 瓶颈，即使真实误差收缩更快。作者提出高斯重拟合（Gaussian refitting）方法：利用 Anderson 不等式，拟合移动量关于噪声大小单调，从而得到可计算的尾部界。该方法仅需对称噪声假设，无需矩条件，置信水平通过顺序统计量校准。理论上，在最坏情形包络下，该界以 minimax 速率 O_P(n^{-2s/(2s+1)}) 收缩，与预测误差匹配；经验上，数据驱动包络在真实 95% 误差分位数的两倍内保持完全覆盖，而交叉验证超出该分位数达 51 倍，在无限方差噪声下甚至数百倍。该方法可扩展到非线性约束估计器和实际空间数据。对您而言，该工作提供了高维非参数回归中不确定性量化的新工具，其单调性论证和顺序统计量校准技术可迁移到您熟悉的非参数统计与 minimax 界分析中。
关键技术: Gaussian refitting, Anderson's inequality, order statistics calibration, minimax rate contraction, kernel ridge regression
为什么对您有用: 本文直接关联您的主要兴趣：非参数统计与假设检验。它提出了一个超越交叉验证瓶颈的预测误差上界，其核心工具（Anderson 不等式、顺序统计量校准）属于您非常熟悉的非参数统计与 minimax 界武器库，可立即可做——您可以用 minimax 界分析验证其声称的速率是否紧，或将其单调性论证推广到其他非参数估计器。

5. 2607.27818 — Selfnormalization for relevant inference with supremum-type statistics¶

作者: Patrick Bastian
相关性 5/10 · novelty: new_method
摘要: 本文针对函数型时间序列中由 supremum 范数度量的相关变化（relevant change）的推断问题，提出了一种自归一化（selfnormalized）方法。核心困难在于 supremum 范数不是 Hadamard 可微的，因此标准的基于投影的自归一化不适用，且极限分布依赖于极值集的几何结构和长期协方差。作者用光滑的 log-sum-exp 近似替代 supremum 范数，并利用其导数构造投影自归一化器，得到的统计量渐近枢轴，不依赖于长期协方差 nuisance 参数，仅依赖于断点位置。文章推导了孤立非退化极值点和正测度极值集的光滑偏差展开，并通过组合多个光滑水平消除前导偏差项，从而在温和正则条件下得到相关变化的渐近精确检验。该光滑与偏差校正原则为将自归一化与 supremum 型统计量结合提供了通用框架。对您而言，该工作直接关联假设检验方向，其处理非可微泛函的平滑技巧可能对您在高维或半参数设定中构造枢轴统计量有启发。
关键技术: selfnormalization, supremum norm, log-sum-exp approximation, smoothing bias expansion, functional time series, relevant hypothesis testing
为什么对您有用: 本文直接对应 primary interest 中的 hypothesis testing 子方向，特别是处理非可微泛函的推断问题。技术层面，其光滑近似与偏差校正策略可视为一种非参数技巧，与您 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 工具箱有接口——您可以用 minimax bounds 视角评估其光滑偏差展开的紧性。中期可做：若想将类似方法推广到高维或因果推断中的非光滑目标（如 ATE 的边界），需先在 moderately_familiar 的 semiparametric theory 上积累，理解 influence function 与非可微泛函的交互。

天体统计 (astrostats, 4 篇)¶

1. 2607.28473 — Statistical treatment of searches for counterparts of positionally-uncertain astrophysical sources: from flux upper limits to detection¶

作者: Julian Sitarek, Abelardo Moralejo, Juan Jiménez Quiles, Giacomo D'Amico, Andrea Simongini, Antonio Stamerra
相关性 7/10 · novelty: application
摘要: 本文针对多信使和多波段天体物理学中，因不同仪器点扩散函数差异导致的定位不确定性问题，提出了一套统计处理框架。研究目标是在对位置不确定的警报源进行后续观测时，若无明确探测到对应体，如何从流量上限推断到检测的统计推断。方法上，作者比较了三种途径：利用警报概率密度函数的频率学派方法、贝叶斯方法，以及不使用该信息的不可知方法。通过一维玩具模拟和引力波事件后伽马射线望远镜后续观测的全模拟，评估了各方法的可靠性和性能。结果表明，对于弱信号，频率学派和贝叶斯方法性能相当且优于不可知方法。本文清晰阐述了天体物理中常见的数据结构（点扩散函数、定位不确定性）和统计模型（似然、先验），适合作为统计学家进入天文统计的入门读物。
关键技术: frequentist hypothesis testing, Bayesian inference, probability density function of alert, flux upper limits, multimessenger astrophysics
为什么对您有用: 本文属于 astrostatistics 的 gateway reading，清晰阐述了天文数据中定位不确定性的统计问题，适合作为入门读物。武器库中的非参数统计和估计理论可用于理解其似然设定，但核心问题（点扩散函数建模、多仪器联合推断）并非研究者当前主攻方向。值得花时间读全文以拓宽视野，但暂不可做后续方法学跟进。

2. 2607.28727 — End-to-end differentiable retrieval of molecular spectra using hydrodynamics, chemistry, and radiative transfer¶

作者: T. Grassi, G. Vermariën, J. E. Pineda, S. Spezzano, S. Bovino, P. Caselli
相关性 5/10 · novelty: application
摘要: 本文构建了一个端到端可微分的计算管线，将流体动力学、化学网络和辐射传输三个模块耦合，用于从分子谱线观测数据中反演物理和化学参数。管线基于 Jax 实现，包含自定义的流体代码、可微化学代码 Carbox 的修改版以及自定义辐射传输代码，所有模块均可自动微分。在受控合成数据上，该框架能够通过梯度优化同时恢复激波模型的物理参数并优化选定的化学反应速率系数。可微分的公式使得耦合物理-化学模型的高效优化成为可能，同时保留了完整的时间演化过程。对您而言，这是一篇优秀的入门级天体物理方法论文，清晰展示了天体物理中“正演模型+可微编程”的范式，数据侧（谱线、噪声、模型假设）和模型侧（ODE 化学网络、辐射传输方程）都有明确交代，适合作为进入 astrostatistics 方向的 gateway reading。
关键技术: differentiable programming, Jax, hydrodynamical simulation, chemical network ODE, radiative transfer, gradient-based optimization
为什么对您有用: 本文属于 astrostatistics 方向的 gateway reading，适合作为数据统计学家进入天体物理建模的入门材料。武器库中 'software development' 和 'inverse problems with random noise' 两项 very_familiar 工具可直接用于理解其可微编程范式，但核心的流体/化学/辐射传输领域知识不在武器库内，属于暂不可做方向——需要先补充天体物理正演模型的基础知识才能提出统计方法改进。

3. 2607.28475 — DB-Bench: Benchmarking Deblenders for LSST DESC Using the Blending ToolKit¶

作者: Aidan Berres, Grant Merz, Xin Liu, the LSST Dark Energy Science Collaboration
相关性 5/10 · novelty: application
摘要: 本文针对 LSST 巡天中星系图像混合（blending）这一系统性误差源，利用 Blending ToolKit (BTK) 构建了端到端的基准测试框架，系统比较了 SourceExtractor、SCARLET 和 DeepDISC 三种去混合算法。核心关注未识别混合（unrecognized blends）——即多个星系被误认为单一目标——这一对下游宇宙学分析引入系统性偏差的关键场景。通过 BTK 生成可复现的混合图像，控制源间距和亮度等条件，使用检测精度、分割准确率和源重建质量等标准化指标评估各算法。结果表明：SCARLET 在分割和重建上表现最优，DeepDISC 对暗弱低信噪比源有强检测召回率，SourceExtractor 峰值定位准确但分割重建性能低。该基准为 LSST 数据处理的去混合算法选择提供了定量参考，并指出了未来改进方向。对您而言，这是一篇优秀的入门级天文学论文，清晰展示了天文数据中的混合问题结构、噪声模型和评估指标，适合作为进入 astrostatistics 领域的起点读物。
关键技术: Blending ToolKit (BTK), SourceExtractor, SCARLET, DeepDISC, unrecognized blends, segmentation and reconstruction metrics
为什么对您有用: 本文属于 astrostatistics 的 gateway reading，完全符合入门标准：(a) 对天文学外行友好，清晰解释了混合问题的定义、来源和下游影响，不依赖深奥术语；(b) 阐明了天文学家关心的更大科学问题——LSST 巡天中混合对宇宙学分析的偏差传播；(c) 数据侧（模拟图像、噪声、选择效应）和模型侧（三种算法的假设与输出）均有明确交代，是一个值得统计方法介入的真实推断问题。武器库方面：您熟悉的非参数统计和逆问题工具可用于理解混合的数学结构，但当前武器库缺少天文图像处理（PSF 建模、多源拟合）和深度学习去混合的专门知识，因此暂不可做直接的方法学贡献。不过本文作为入门读物，值得花时间阅读全文以建立对天文数据挑战的直觉。

4. 2607.28092 — Focal-Plane Diagnostics of Atmospheric and Dome-Induced Turbulence: Exploring techniques and applications¶

作者: Begoña García-Lorenzo, Seifeldin Abouelella, Kabir Baig, Zenaida García Rodríguez, Kshitij Ghimire, Moisés Pulido Torres et al.
相关性 4/10 · novelty: application
摘要: 本文聚焦于地基光学天文观测中大气湍流和圆顶湍流的诊断问题。大气湍流是地面望远镜图像退化的主要来源，其影响不仅取决于积分湍流强度，还依赖于波前空间相干外尺度（LO）和望远镜圆顶内部产生的湍流（dome seeing）。作者基于近期在受seeing限制的积分场光谱（IFS）数据上开发的方法，展示了如何利用标准观测数据中的空间信息来诊断大气和圆顶湍流。研究探讨了将这些技术推广到其他seeing限制仪器的可行性，通过分析波长相关的空间轮廓来实现。此外，还开发了基于大气统计的数据驱动三维PSF模型，用于重建seeing限制的IFS观测。结果表明，广泛可得的seeing限制科学观测数据（包括档案数据和常规观测数据）能够为关键湍流参数和圆顶seeing的光谱行为提供有意义的约束，补充专用台址测试仪器。这些湍流诊断结果直接应用于PSF建模、图像重建、图像质量预测以及未来ELT运行的优化。对您而言，这是一篇很好的天文学入门读物，清晰展示了天文数据（图像、光谱）的结构、噪声和模型假设，适合作为了解该领域数据挑战的起点。
关键技术: point-spread function (PSF) modeling, seeing-limited integral-field spectroscopy (IFS), wavefront spatial-coherence outer scale (LO), dome seeing diagnostics, data-driven 3D PSF reconstruction
为什么对您有用: 本文属于astrostats gateway reading。它清晰阐述了天文观测中湍流诊断这一核心数据问题，包括数据结构（IFS光谱立方体）、噪声来源（大气和圆顶湍流）以及模型假设（PSF参数化），非常适合作为统计学家进入天文领域的入门读物。您的武器库中的非参数统计和逆问题经验可以用于理解其PSF建模思路，但本文本身不涉及您熟悉的方法论，属于拓宽视野的阅读材料，值得花时间读全文以了解天文数据挑战的全貌。

经济理论 / 应用 (econ_theory, 3 篇)¶

1. 2607.29281 — Producing Policy Recommendations: from Statistical Decision Theory to Empirical Practice¶

作者: Giacomo Opocher
相关性 7/10 · novelty: survey
摘要: 本文是一篇综述性论文，旨在桥接统计决策理论与经济学应用研究中的政策建议实践。作者首先系统梳理了计量经济学中关于研究设计（research design）的理论贡献，特别是如何将统计决策理论（如 minimax regret、Wald 框架）应用于政策选择问题。文章提供了一个统一的符号框架，将不同语境下的结果（如 treatment assignment、optimal policy learning）嵌套其中，便于应用研究者理解。核心实用贡献包括两个导航图（diagrams），帮助研究者从具体场景出发，在理论文献中做出有依据的设计选择。此外，作者开发了一个新的 R 包，能够自动生成一张表格和两个图形，用于在论文的“政策含义”部分展示不同政策建议的表现。论文通过一个发展经济学的例子（如现金转移支付项目）演示了这些工具的使用。对您而言，本文是经济理论（secondary interest）中关于政策学习与决策理论的一篇优秀入门读物，其 R 包和可视化工具可直接用于您未来涉及政策评估的应用因果工作。
关键技术: statistical decision theory, minimax regret, optimal policy learning, research design diagrams, R package for policy recommendations
为什么对您有用: 本文属于经济理论（secondary interest）中的政策学习与决策理论，是您进入该方向的优秀 gateway reading。它清晰阐述了统计决策理论如何指导实证研究中的政策建议，且提供了可直接使用的 R 包和可视化工具。武器库中“estimation theory in causal inference”和“software development”两项 very_familiar 工具足以支撑您理解并应用本文的方法——属于立即可做的范畴：您可以直接尝试用其 R 包在自己的应用因果项目中生成政策建议表格和图形。

2. 2607.28131 — Nonfundamentalness or missing information ? Evidence from causal-noncausal VARs in macro-finance¶

作者: Lison Christiaens, Julien Hambuckers, Alain Hecq
相关性 6/10 · novelty: application
摘要: 本文研究宏观金融 VAR 模型中非因果动态（noncausal dynamics）的出现，并追问其反映的是真正的非基础性（nonfundamentalness）还是经济主体已知但计量学家未观测到的遗漏信息。为此，作者提出一种因子滤波混合因果-非因果 VARX 方法，旨在纳入共同的宏观经济信息。在模拟中，他们展示了广义协方差（GCov）估计量在使用多个滞后时能正确恢复因果和非因果动态。实证上，他们重新审视了经典的 Stock-Watson 货币政策 SVAR，发现基线设定中检测到的非因果成分在滤除共同因子后基本消失。最后，他们比较了滤波和原始数据对货币政策冲击的脉冲响应，显示滤波进一步消除了价格谜题。本文对您作为对经济理论中应用因果推断感兴趣的统计学家有参考价值：它提供了一个将因子模型与 VAR 结合以处理遗漏变量偏差的实证框架，其识别策略和估计方法（GCov）可迁移至您熟悉的因果推断设定。
关键技术: mixed causal-noncausal VAR, generalized covariance (GCov) estimator, factor filtering, impulse response analysis, nonfundamentalness
为什么对您有用: 本文属于经济理论（应用因果推断）方向，直接连接您的 secondary interest。它展示了如何用因子滤波处理 VAR 中的遗漏信息问题，其 GCov 估计量涉及您 moderately_familiar 的 M-estimation 理论，可尝试用您 very_familiar 的高维渐近工具分析其有限样本性质。中期可做：需先在 moderately_familiar 的 identification theory 上长肌肉（具体为因子模型与 VAR 的联合识别条件），然后可考虑将因子滤波思路迁移至您熟悉的因果推断中的负对照设定。

3. 2607.29215 — Conditional projection methods for large-scale Bayesian VARs¶

作者: Niko Hauzenberger, Michael Pfarrhofer
相关性 4/10 · novelty: application
摘要: 本文针对高维贝叶斯向量自回归（VAR）模型，提出了一种条件预测与结构情景分析的快速计算方法。模型在简化式误差上引入因子结构，支持方程逐次估计且不依赖变量顺序，因子可被识别为结构冲击。情景通过可观测变量、结构冲击和特质成分的分布约束分别定义。算法的计算复杂度仅与约束数量呈三次关系，而预测系统的维度线性增长。在包含33个美国宏观经济与金融变量及10个符号识别结构冲击的应用中，本文计算了2026年霍尔木兹海峡关闭情景下的油价反事实预测。结果表明，相同的油价路径可能对应从温和事件到显著滞胀的不同结果，取决于哪些结构冲击和特质成分被允许实现该路径。
关键技术: Bayesian VAR, factor structure, conditional forecasting, structural scenario analysis, equation-by-equation estimation
为什么对您有用: 本文属于经济理论（宏观计量）的应用工作，连接您的 secondary interest 中的经济理论方向。作为入门读物，它清晰展示了高维时间序列模型（VAR）与结构识别（符号约束）的结合方式，以及如何将反事实情景分析转化为计算问题。您的武器库中非参数统计和软件开发的技能足以理解其算法框架，但若要深入跟进，需在贝叶斯时间序列和因子模型上补充知识（目前不在武器库中），因此属于暂不可做的范畴——核心机器（贝叶斯VAR、因子模型推断）不在现有武器库内。

其他 (other, 10 篇)¶

1. 2607.29147 — Local spectral clustering for heterogeneous clustering structures¶

作者: Yuanxing Chen, Qingzhao Zhang, Yuhong Yang
相关性 5/10 · novelty: new_method
摘要: 本文提出一个局部聚类（local clustering）的频域框架，目标是在高维数据中同时识别特征组（feature groups）并估计每个特征组对应的样本聚类结构。核心创新是将每个样本划分表示为一个标签不变的聚类矩阵（clustering matrix），从而将局部聚类问题转化为特征分组（即聚类之聚类）问题。在异质子高斯混合模型下，作者构造了特征特定的高斯核相似矩阵，并基于聚类矩阵优化准则提出局部谱聚类算法。该方法无需显式指定似然或贝叶斯后验计算，能处理异质特征分布并允许存在无信息特征。模拟和实证展示了其实用性和优越性。对您而言，本文属于聚类方法学的新框架，与您的主要兴趣（因果推断、高维统计等）无直接交集，但若您未来涉及高维无监督学习或异质性数据的分组分析，可作为方法参考。
关键技术: local spectral clustering, clustering matrix, feature grouping, Gaussian-kernel similarity, heterogeneous sub-Gaussian mixture model
为什么对您有用: 本文属于聚类方法学，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接交集。作为方法学论文，它不涉及您武器库中的具体工具（如U统计量、影响函数、随机矩阵理论等），因此暂不可做。若未来您需要处理异质性数据的分组分析，可作方法储备。

2. 2607.28743 — Multiplicative Errors-in-Variables Models for Hyperspectral Unmixing¶

作者: Vivek Singh, Peter Hoff
相关性 5/10 · novelty: application
摘要: 本文针对高光谱图像解混中的端元光谱与丰度估计问题，提出了一种乘法误差变量（EIV）分层贝叶斯模型。标准线性混合模型假设加性同方差误差，忽略了光学测量中噪声强度与信号幅度成比例的特性，导致置信区间覆盖不良。新模型基于光传播物理，采用多元对数正态分布刻画信号依赖噪声，并允许类别特定的方差缩放，从而更灵活地拟合数据生成过程。理论分析表明，乘法模型下丰度向量的MLE具有恒定的渐近多元变异系数，因此校准良好的置信区间应与信号幅度成比例缩放；而加性模型产生恒定宽度的区间，在低丰度时过度覆盖、高丰度时覆盖不足。通过真实与模拟数据实验，新模型在保持相当或更优信号重构误差的同时，显著改善了各丰度水平下的区间覆盖性能。该工作主要面向遥感应用，与您的主要兴趣方向（因果推断、高维统计等）无直接方法学关联，但作为统计建模在物理科学中的应用案例，对您拓宽统计建模视野有一定参考价值。
关键技术: hierarchical Bayesian model, errors-in-variables, multivariate log-normal specification, signal-dependent noise, asymptotic coefficient of variation
为什么对您有用: 本文属于应用统计建模，与您的主要兴趣方向（因果推断、高维统计等）无直接方法学重叠，但展示了如何基于物理原理构建误差模型以改进推断，对您理解统计建模在遥感等领域的应用有入门价值。作为gateway reading，本文对统计学家友好，清晰阐述了数据生成过程与模型假设，但核心方法（分层贝叶斯、对数正态误差）不在您的技术武器库中，属于暂不可做方向。

3. 2607.29415 — Predicting Bot Vulnerability from Posting Trajectories: Censored Functional Regression under Informative Sampling¶

作者: Jake Koerner, Ana-Maria Staicu, Caitrin Murphy, Eric Laber, Mihai Nicola, William Rand et al.
相关性 4/10 · novelty: application
摘要: 本文提出 SoCIFR（标量响应-删失信息性设计函数回归）框架，用于处理现代纵向与数字数据中常见的函数型协变量存在删失且采样具有信息性的设定。目标是从部分观测到的函数型轨迹预测标量结果（如用户易受 bot 攻击的概率）。方法上，作者首先讨论了删失信息性设计下的估计与预测问题，并扩展至匹配病例-对照设计；进一步推广至多个函数型预测变量，允许同时存在删失/未删失轨迹以及信息性/非信息性采样。通过模拟研究评估了不同数据生成场景下的性能，并应用于社交媒体行为轨迹预测用户在未来时间窗口内对自动 bot 交互的易感性。该工作主要贡献在于将函数型回归推向更贴近实际应用的数据缺失与采样偏差场景，但方法学核心（如是否使用 sieve 估计、是否推导了收敛率或半参效率界）在摘要中未明确交代。对您而言，该文与 primary interests 中的纵向因果推断或函数型数据分析方向有间接关联，但方法学 novelty 有限，且未涉及您核心关注的识别、效率理论或高维工具。
关键技术: Scalar-on-Function Regression, Informative Sampling, Censored Functional Data, Matched Case-Control Design
为什么对您有用: 该文涉及纵向数据中函数型协变量的删失与信息性采样问题，与您 primary interest 中的 longitudinal causal inference 有间接交集（如时间依赖协变量缺失机制）。但方法学核心（是否使用 sieve M-estimation、是否推导了 semiparametric efficiency bound）在摘要中未明确，且未涉及您武器库中的 higher-order U-statistics 或 minimax bound 工具。属于暂不可做：核心机器（函数型数据删失回归的渐近理论）不在武器库中，且该文本身未提供足够的方法学深度以激发 follow-up。

4. 2607.29296 — Hierarchical Clustering of Networks via Hierarchical Distance Matrices¶

作者: Li Chen, Nathaniel Josephs, Eric D. Kolaczyk, Lizhen Lin
相关性 4/10 · novelty: new_method
摘要: 本文研究网络群体的层次聚类问题，目标是恢复网络群体间的潜在层次结构。作者引入层次距离矩阵（Hierarchical Distance Matrix）这一概念，通过递归嵌套的距离分离来编码不平衡树深度的层次组织。提出一种完全数据驱动的自上而下算法NHC-TST：递归地使用谱聚类分割网络，并基于图的两样本检验作为停止规则，自适应确定分支结构，无需预设聚类数或树深度。理论上证明了在总体层次结构上的精确恢复和实证程序的一致性。模拟实验显示在多种设定下聚类成员和层次关系恢复准确度高。应用于全球迁移数据集，NHC-TST揭示了传统平面聚类无法发现的可解释多分辨率时间结构。本文主要贡献在方法学层面，但核心工具（谱聚类、两样本检验）与您的主要兴趣方向（因果推断、高维统计）关联较弱，更适合作为网络数据分析的入门读物。
关键技术: hierarchical distance matrix, spectral clustering, graph-based two-sample testing, top-down recursive partitioning
为什么对您有用: 本文属于网络聚类方法，与您的主要兴趣方向（因果推断、高维统计、U统计量）无直接技术交集。作为gateway reading，本文对网络数据分析的统计学家友好，清晰阐述了层次距离矩阵和基于检验的停止规则。您的武器库中非参数统计和软件工程能力可帮助理解方法，但核心问题（网络群体层次聚类）不在您当前研究路径上，暂不可做。

5. 2607.29108 — Frequentist-calibrated Bayesian group sequential design with dynamic borrowing¶

作者: Francesco Mariani, Shirin Golchi, Stefania Gubbiotti, Fulvio De Santis
相关性 4/10 · novelty: application
摘要: 本文提出一种贝叶斯群序贯设计，在动态借用外部历史数据的同时，能够校准频率学派操作特征（第一类错误率与检验功效）。核心机制是建立基于后验比率的贝叶斯决策准则与频率学派一致最优势（UMP）检验之间的显式对应关系：在每个中期分析中，提供两个证据阈值——一个精确复现频率学派UMP决策，另一个允许在适当时机引入历史信息。数值研究验证了方法的性能，并应用于一项III期结核病预防试验的设计，整合了成人和儿童历史试验数据。该方法本质上是一种将贝叶斯灵活性（动态借用）与频率学派严格性（第一类错误控制）结合的实用折中方案，但理论深度有限，未涉及新的统计推断或效率理论。对您而言，本文属于临床试验设计领域的应用工作，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接技术重叠，但可作为了解贝叶斯-频率学派融合设计的入门阅读。
关键技术: Bayesian group sequential design, dynamic borrowing, posterior odds, UMP test, type I error control
为什么对您有用: 本文属于临床试验设计应用，与您的主要兴趣方向（因果推断、高维统计、半参效率理论）无直接技术连接。武器库中无直接可攻入口：本文的核心是贝叶斯决策与频率学派检验的对应，不涉及您熟悉的非参统计、U-统计量或因果推断工具。暂不可做——若想进入贝叶斯临床试验设计领域，需先补充贝叶斯决策理论和序贯分析的基础知识（不在当前武器库中）。作为gateway reading，本文对统计学家友好，但方法学新颖性有限，不值得优先投入时间。

6. 2607.28385 — A Riemannian Factor Model for Manifold-Valued Time Series¶

作者: Shuo-Chieh Huang, Rong Chen, Yaqing Chen
相关性 4/10 · novelty: new_method
摘要: 本文提出黎曼因子模型（RFM），用于分析取值于黎曼流形的高维时间序列数据。该模型在保持流形几何结构的同时，将高维观测数据分解为低维因子载荷与流形上的潜在因子过程。在高维渐近框架下（流形维数随样本量发散），作者证明了在短记忆和强因子条件下，因子载荷空间的估计达到与线性因子模型相同的维数无关的 n^{-1/2} 收敛率。方法通过 Bures-Wasserstein 流形和球面乘积上的模拟验证，并应用于美国股票月频已实现协方差矩阵（Bures-Wasserstein 流形上的时间序列），展示了可解释因子和竞争性预测性能。该工作将经典高维因子分析推广到非线性流形设定，但核心工具（黎曼几何、流形上的渐近理论）与您的主要兴趣方向（因果推断、高维统计、U-统计量）交集有限。
关键技术: Riemannian factor model, Bures-Wasserstein manifold, high-dimensional time series, loading space estimation, short-memory strong factor
为什么对您有用: 本文属于高维时间序列的流形方法，与您的主要兴趣方向（因果推断、高维RMT、U-统计量）无直接技术交集。作为gateway阅读，它清晰展示了流形值数据的建模与渐近分析框架，但武器库中缺乏黎曼几何和流形渐近工具，暂不可做。若您未来想进入流形统计方向，本文可作为入门读物，但当前优先级不高。

7. 2607.28252 — Improving Discrepancy Measures for Global Sensitivity Analysis¶

作者: Samuele Lo Piano, Alessio Lachi, Razi Sheikholeslami, Arnald Puy, Pamphile Tupui Roy, Andrea Saltelli
相关性 4/10 · novelty: new_method
摘要: 本文针对全局敏感性分析中的 Sobol' 总效应指数 (T_i) 计算成本高的问题，提出了一种调整后的替代差异度量。该方法通过对输出进行秩变换后再进行网格化，并利用 Moore 邻域规则填补孤立空单元格，从而显著提高了与 T_i 的一致性。作者通过 copula 理论论证了该调整量是一个具有零条件的相合筛选统计量，并给出了其作为幅度估计量的显式满支撑上界，同时指出了其对于纯交互作用依赖的失效模式。在七个基准函数和一个实际水文模型上的基准测试中，调整后的替代度量是唯一在非光滑水文输出上达到完美秩一致的估计器，而多项式混沌展开 (PCE) 在此情况下设定错误。对五个算法参数的联合敏感性分析表明，网格分辨率是性能变异的主要驱动因素，而非插补阈值或采样方法。该工作对您作为统计计算和敏感性分析领域的入门阅读有一定价值，但其方法学贡献（基于秩变换和邻域插补的启发式调整）与您的主要兴趣方向（因果推断、高维统计、U-统计量）的直接技术关联较弱，更适合作为了解全局敏感性分析这一应用领域的快速入门材料。
关键技术: Sobol' total-order indices, ersatz discrepancy measure, rank transformation, Moore neighbourhood imputation, copula theory, polynomial chaos expansion
为什么对您有用: 本文属于统计计算与敏感性分析的应用领域，可作为 gateway reading 了解全局敏感性分析的基本问题与常用方法。您的武器库中的非参数统计和软件工程经验可用于复现或扩展其基准测试框架，但核心方法（基于网格的启发式差异度量）与您的主要兴趣方向（因果推断、高维统计、U-统计量）缺乏直接的技术桥梁。本文适合作为快速浏览以拓宽视野的读物，不值得投入深度阅读。

8. 2607.28178 — An Interval-Score ROC Curve for Assessment, Calibration and Ensembling of Probabilistic Forecasts¶

作者: Simone Milanesi, Marco Capelletti, Flavio Bobba, Giuseppe De Nicolao
相关性 4/10 · novelty: new_method
摘要: 本文针对概率预测评估中单值评分规则（如对数评分、Brier 评分）无法区分预测集中度与预测准确度之间权衡的问题，提出了一种新的图形化评估框架——区间分数 ROC 曲线（IS-ROC Curve）。该曲线通过变化预测区间的紧致度，生成一族区间预测，并证明由真实数据生成过程诱导的 IS-ROC 曲线是 Pareto 最优且凸的，从而给出了最优预测前沿的几何刻画。基于这些性质，作者提出了基于切线优化和凸化的几何校准方法，以及通过凸包构造组合多个竞争预测器的集成策略。最后，通过数值示例展示了预测比较、校准和集成构建的完整工作流。本文主要贡献在于提供了一个可视化且信息更丰富的评估工具，但方法本身属于预测评估的框架性工作，与您的主要研究方向（因果推断、高维统计、U-统计量等）无直接技术交集。
关键技术: Interval-Score ROC Curve, Pareto optimal frontier, convex hull ensemble, tangent optimization, geometric calibration
为什么对您有用: 本文属于概率预测评估的方法学工作，与您的主要兴趣方向（因果推断、高维统计、U-统计量、半参理论等）无直接技术关联。作为 gateway reading，本文框架清晰、几何直观，适合作为了解预测评估前沿的入门读物，但武器库中的工具（如非参统计、极小极大界、高阶U-统计量）无法直接用于攻其核心问题。暂不可做，因为核心机器（概率预测评估的几何优化框架）不在武器库中。

9. 2607.28985 — Asymptotic Efficiency of the Global Maximum-Likelihood Estimator in Multi-Emitter Localization Microscopy¶

作者: Yi Sun
相关性 4/10 · novelty: application
摘要: 本文研究多发射源定位显微镜中全局最大似然估计（GML）的渐近有效性。在标准正则条件下，GML 估计量是渐近正态且有效的，达到 Cramér-Rao 下界。作者通过期望最大化（EM）算法实现 GML 估计，初始化在真实位置附近，并通过仿真验证理论结果。该工作属于信号处理和成像领域，核心是经典 MLE 理论在特定高维参数空间中的应用。对您而言，本文不直接涉及因果推断、高维统计或 U-统计量等主要兴趣方向，但可作为统计计算（EM 算法实现）的参考案例。
关键技术: maximum likelihood estimation, expectation-maximization algorithm, Cramér-Rao lower bound, asymptotic normality
为什么对您有用: 本文属于成像统计的应用，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接关联。作为 gateway reading，它展示了经典 MLE 理论在具体问题中的实现，但缺乏对数据结构和模型假设的深入统计讨论，且未涉及您武器库中的核心工具（如 minimax 界、高阶 U-统计量）。暂不可做：核心机器不在武器库里，且问题本身与您的统计兴趣方向距离较远。

10. 2607.28294 — Bootstrap inference in autoregressive duration models¶

作者: Giuseppe Cavaliere, Thomas Mikosch, Anders Rahbek, Frederik Vilandt
相关性 4/10 · novelty: new_method
摘要: 本文研究自回归条件持续期（ACD）模型在固定日历跨度下的bootstrap推断问题，此时观测到的持续期数量是随机的。作者提出了两种递归方案：固定日历跨度bootstrap和固定事件计数bootstrap。对于固定计数bootstrap，当持续期尾部指数κ≥1时，证明了其一致性；当0<κ<1时，经典一致性失效（估计量具有混合正态极限），但bootstrap能再现其条件高斯成分，因此基本百分位区间仍保持一阶有效性，bootstrap t统计量渐近标准正态。蒙特卡洛实验表明，在有限均值和无限均值区间以及非指数创新下，有限样本推断均准确。加密货币ETF交易持续期的应用发现了强持续性，并展示了固定计数与随机计数推断的实际差异。
关键技术: bootstrap inference, autoregressive conditional duration (ACD) model, mixed-normal limit, fixed-count bootstrap, random-count bootstrap
为什么对您有用: 本文属于时间序列计量经济学中的bootstrap推断，与您的主要兴趣（因果推断、高维统计等）无直接交集。作为gateway reading，它清晰展示了在非标准极限分布（混合正态）下bootstrap有效性的理论分析框架，但武器库中缺乏处理此类重尾时间序列的专门工具（如极值理论），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. 2607.29189 — Mixed Frequency Stochastic Frontier Model: with application to the linkage of weather extremes and firm efficiency¶

作者: Erniel B. Barrios, Nur Syazwani Mazlan, Lim Foo Weng, Paolo Victor T. Redondo, Gian Karlo M. Torreno, Lee How Chinh
相关性 3/10
评分理由: Focuses on stochastic frontier models for firm efficiency with weather data, unrelated to primary interests in causal inference, high-dim stats, or U-statistics.

2. 2607.28874 — Active Learning for Data-Efficient Calibration of Stochastic Simulation Models¶

作者: Özge Sürer
相关性 3/10
评分理由: Active learning for simulation calibration is unrelated to the researcher's primary interests in causal inference and high-dimensional statistics.

3. 2607.28779 — Bits per Spike as a Betting Game: An Interpretable Unit for Held-Out Log-Likelihood in Neural Data Analysis¶

作者: Alex H. Williams
相关性 3/10
评分理由: 神经科学中的模型比较方法，与研究者主要兴趣无直接关联。

4. 2607.28177 — Bias Correction of Long-memory Estimator of Functional Time Series via the Prefiltered Sieve Bootstrap¶

作者: Chang Liu, Han Lin Shang
相关性 3/10
评分理由: Long-memory time series is a specialized subfield not in primary or secondary interests.

5. 2607.27678 — A Bayesian Bootstrap Method for Survival Models¶

作者: K Shuvo Bakar, Armando Teixeira-Pinto
相关性 3/10
评分理由: Bayesian survival methods are not a primary or secondary interest.

6. 2607.29280 — Möbius transport on spheres¶

作者: Eduargo García-Portugués, Shogo Kato
相关性 3/10
评分理由: 主题为球面上的Möbius变换和分布，与主要兴趣领域（因果推断、高维统计等）不相关。

7. 2607.28014 — OT-FairBoost: Optimal Transport-Guided Gradient Boosting for Fairness Regularization on Tabular Data¶

作者: Veronika Shilova, Abdoulaye Sakho, Younes Boumoussou, Laurent Risser, Jean-Michel Loubes, Emmanuel Malherbe
机构: Toulouse Mathematics Institute · Imec the Netherlands
相关性 3/10
评分理由: Fairness in gradient boosting is unrelated to the researcher's primary interests in causal inference or mathematical statistics.

8. 2607.29442 — Microstructural Foundations of Rough Noise¶

作者: Peter Korsbakke Christensen, Anders Midtgaard Norlyk
相关性 3/10
评分理由: Rough noise in finance is outside the researcher's primary interests and does not connect to causal inference or high-dim statistics.

9. 2607.29426 — Visual analytics for cosmological simulation results¶

作者: Paul Vauterin, Maarten Baes
相关性 3/10
评分理由: 宇宙学模拟可视化分析，涉及数据分析但未提供具体统计方法，作为入门阅读不够清晰。

10. 2607.28816 — Multi-sensor fusion for fine-guidance and milliarcsecond-level attitude estimation of balloon-borne telescope¶

作者: Philippe Voyer, Maya Amit, Steven J. Benton, Benjamin E. Boyd, Anthony M. Brown, Giulia Cerini et al.
相关性 3/10
评分理由: 涉及多传感器融合和姿态估计，有信号处理成分，但纯工程导向，无统计推断或方法贡献。

11. 2607.27750 — PhySR: Physics-Informed Neural Network for Super-Resolution Reconstruction in Radio Synthesis Imaging¶

作者: Hongkun Yang, Li Zhang, Ming Zhang, Yong-Feng Huang
相关性 3/10
评分理由: 纯天文成像方法论文，与主要统计兴趣（因果推断、高维统计等）无直接关联，且未提供对统计学家有吸引力的数据/模型框架。

12. 2607.29528 — Multiple type I error concepts for clinical trials with overlapping populations¶

作者: Remi Luschei, Werner Brannath
相关性 2/10
评分理由: Focuses on clinical trial error rate concepts (PWER, FWER) with no connection to primary interests in causal inference, high-dim stats, or U-statistics.

13. 2607.28455 — Capture history analysis for spatial wildlife surveys with detection times¶

作者: Benjamin R. Baer, David L. Borchers, Greg Distiller
相关性 2/10
评分理由: 野生动物调查的捕获历史分析，与研究者兴趣领域无关。

14. 2607.27689 — On Graph-Informed Distance Metrics for Comparing Graph Partitions¶

作者: Srijato Bhattacharyya, Huiyan Sang, Bani Mallick
相关性 2/10
评分理由: Graph partition comparison is unrelated to primary or secondary interests.

15. 2607.29342 — Information limits of photonic lantern wavefront sensing: a Fisher- and quantum-Fisher-information framework and its relation to Fourier-filtering sensitivity limits¶

作者: Kalaga Madhav
相关性 2/10
评分理由: 天文波前传感的Fisher信息理论，与统计兴趣关联微弱。

16. 2607.29335 — Maximising the mid-infrared high-contrast performance of ELT/METIS despite water vapour seeing¶

作者: Olivier Absil, Gilles Orban de Xivry, Prashant Pathak, Abhirami S. Raghu, Benjamin Courtney-Barrer, Roy van Boekel et al.
相关性 2/10
评分理由: 纯天文仪器工程论文，无统计方法或数据建模内容，与研究者兴趣无关。

17. 2607.29264 — The CUSP CubeSat mission for space weather multi-physics analysis, design, and testing¶

作者: Giovanni Lombardi, Riccardo Di Spirito, Sergio Fabiani, Daniele Censi, Giovanni De Cesare, Ettore Del Monte et al.
相关性 2/10
评分理由: 立方星任务设计论文，无统计方法或数据分析内容，与研究者兴趣无关。

18. 2607.28913 — On-sky results from REDWOODS, a platform at Lick/ShaneAO for testing second stage AO technologies¶

作者: Benjamin L. Gerard, Dominic F. Sanchez, Aditya R. Sengupta, Chris Ratliff, Sylvain Cetre, Elinor Gates et al.
相关性 2/10
评分理由: 自适应光学技术测试论文，无统计方法或数据建模内容，与研究者兴趣无关。

19. 2607.28831 — LUVCam: A high-performance, low-cost, UV/optical camera for the future of astronomy in space¶

作者: Aaron Tohuvavohu, Suresh Sivanandam, Jean-Christophe Fronteddu, Patrick Nkwaria, Gavin Hay, Shaojie Chen et al.
相关性 2/10
评分理由: 航天相机硬件开发论文，无统计方法或数据分析内容，与研究者兴趣无关。

20. 2607.28603 — Laboratory demonstration of low order wavefront control using light reflected off the vortex coronagraph¶

作者: Clarissa R. Do Ó, Kane Sjoberg, Luke Lamitina, Susan Redmond, Dimitri Mawet, Jorge Llop-Sayson et al.
相关性 2/10
评分理由: 纯天文仪器工程论文，无统计或因果推断内容，与研究者兴趣无关。

21. 2607.28562 — Upgrading LBTI/NOMIC with a quadruple annular groove phase mask and GeoSnap detector for imaging nearby, habitable-zone exoplanets¶

作者: Kevin Wagner, Manny Montoya, Steve Ertel, Jarron Leisenring, Pontus Forsberg, Samuel Ronayette et al.
相关性 2/10
评分理由: 纯天文仪器升级描述，无统计或数据建模内容，与研究者兴趣无关。

22. 2607.29570 — The Tartu Observatory Fiber-fed Echelle Spectrograph (TOFES) Data Reduction Pipeline¶

作者: Sandipan P. D. Borthakur, Tõnis Eenmäe, Nikolai Piskunov, Luca Fossati, Mihkel Kama, Thomas Marquart et al.
机构: Tartu Observatory · Graz University of Technology · Space Research Institute · Uppsala University · University College London · European Southern Observatory
相关性 1/10
评分理由: 天文光谱仪数据处理流程，纯仪器软件，与统计兴趣无关。

23. 2607.29438 — Charge migration characterization in the METIS H2RG detectors¶

作者: Danny Gasman, Benoît Serra, Roy van Boekel, Ioannis Argyriou, Daniel Dicken, Vianak Naranjo et al.
相关性 1/10
评分理由: 天文探测器电荷迁移特性，纯仪器物理，与统计兴趣无关。

24. 2607.29435 — Persistence characteristics of H4RG-15 detectors for ESO instruments¶

作者: Elizabeth M. George, Domingo Alvarez Mendez, Nagaraja Naidu Bezawada, Derek J. Ives, Mark Neeser, Benoit Serra
相关性 1/10
评分理由: 天文探测器持久性特性，纯仪器测试，与统计兴趣无关。

25. 2607.29277 — Liquid nitrogen pre-cooling system for ELT instruments utilizing additively manufactured heat exchangers, integrated temperature and liquid level control¶

作者: Anastasios Aretos, Younes Chahid, Lee Chapman, Mark Cliffe, Maia Jones, Scott McPhee et al.
相关性 1/10
评分理由: 低温工程论文，与统计学或数据科学完全无关。

26. 2607.29119 — HARMONI at ELT: Developing a Modular Review Process using TRIZ¶

作者: Amelia Calderhead, Anna MacIver, David Isherwood, Andy Born, James Stevenson
相关性 1/10
评分理由: 项目管理流程论文，与统计学或数据科学完全无关。

27. 2607.28393 — Segment-level thermal sensitivity analysis for exo-Earth coronagraphy with segmented space telescopes¶

作者: Ananya Sahoo, Laurent Pueyo, Iva Laginja, Bryony F. Nickson, Leonid Pogorelyuk, Laura E. Coyle et al.
相关性 1/10
评分理由: 纯天文工程热稳定性分析，无统计或数据建模内容，与研究者兴趣无关。

28. 2607.28217 — Exploring generative design AI tools for astronomical instrumentation: a CubeSat chassis case study¶

作者: Younes Chahid, Tassos Aretos, Will Cochrane, Katherine Morris, David Isherwood, Zeshan Ali et al.
相关性 1/10
评分理由: AI生成设计在机械工程中的应用，与统计或数据科学无关。

29. 2607.27941 — DM/WFS mis-registration tracking: Implementation and on-sky validation of SPRINT at LBT¶

作者: Ben Buky, Cédric Taïssir Héritier, Fabio Rossi, Juan Carlos Guerra, Charlotte Z. Bond, Noah Schwartz et al.
相关性 1/10
评分理由: 自适应光学系统校准，纯工程控制问题，无统计内容。

30. 2607.27664 — Proof of Concept Measurements of Laterally Graded Multilayers for Soft X-ray Spectropolarimetry¶

作者: Sarah Heine, Herman L. Marshall, Alan Garner, Eric Gulllikson, Nithya Kothnur
相关性 1/10
评分理由: 纯实验物理测量论文，与任何统计兴趣均无关。

31. 2607.27639 — Design and testing progress towards the first flight of the rocket experiment demonstration of a Soft X-ray Polarimeter (REDSoX)¶

作者: Sarah N. T. Heine, Herman L. Marshall, Alan Garner, F. Elio Angile, C. Marc Baker, Stephen Bongiorno et al.
相关性 1/10
评分理由: 纯仪器工程与任务设计论文，与任何统计兴趣均无关。

Maintained by 陈星宇 · Homepage · Source on GitHub