2026-08-12 每日 arXiv 资讯

• 高相关论文 12 篇 · 中相关 49 篇 · 其他 27 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 9 篇)

1. 2608.09837 — Bias-robust causal inference for panel data

• 作者: Angelos Alexopoulos
• 分类: econ.EM · stat.ME
• 相关性 9/10 · novelty: new_method
• 摘要: 本文针对面板数据中的观测性因果推断，提出一种对偏差鲁棒的处理效应估计方法。目标 estimand 是平均处理效应（ATT），在因子模型假设下通过 impute 反事实结果来估计。传统方法（如广义合成控制）在因子秩误设时会产生严重偏差，且标准误忽略 imputation 误差。作者将因子模型面板中用于回归系数估计的 bias-aware minimax 方法适配到因果目标：用加权未处理残差修正 imputed 反事实，并显式构造包含 imputation 误差的置信区间。模拟显示，在因子秩低估时该方法能维持名义覆盖，而广义合成控制几乎完全失效，代价是区间更宽。实证应用中，即使反事实误差达到 placebo 检验所显示的两倍，估计效应仍显著。对您而言，本文是面板数据因果推断中处理 imputation 误差的实用方法，与您 causal inference 方向中的 longitudinal 设定直接相关。
• 关键技术: bias-aware minimax estimation, factor model panel, imputation-based causal inference, synthetic control, robust confidence intervals
• 为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 longitudinal 子方向，处理面板数据中反事实 imputation 误差这一核心问题。您的 very_familiar 武器库中的 estimation theory in causal inference 和 high-dimensional asymptotics 可直接用于理解其 minimax 框架和因子模型假设。中期可做：若想将 bias-aware 思想推广到更复杂的因果结构（如 staggered adoption），需先在 moderately_familiar 的 identification theory 上长肌肉。

2. 2608.07832 — Proximal Individualized Functional Treatment Regimes

• 作者: Zhuoxin Long, Xiaoke Zhang
• 分类: stat.ME · stat.AP
• 相关性 8/10 · novelty: new_method
• 摘要: 本文首次在观测研究中考虑功能性治疗（treatment as a function）下的最优个体化治疗策略（IFTR）估计问题，并同时处理未测量混杂。在 proximal causal inference 框架下，利用 negative control 变量实现 IFTR 的识别，给出了识别条件。基于识别结果，发展了一种算法来求解最优 IFTR。模拟研究验证了所提方法的有限样本性能。实际应用部分使用 NHANES 加速度计数据，寻找最优体力活动分布以优化 Triglyceride-Glucose 指数。该工作将 ITR 文献从标量/分类治疗拓展到函数型治疗，并首次在函数型治疗设定下引入 proximal 框架处理未测量混杂。对您而言，本文是 proximal CI 在个性化决策中的新应用场景，其识别策略和算法设计可能启发您在 longitudinal 或 mediation 设定下处理函数型暴露的因果推断问题。
• 关键技术: proximal causal inference, individualized treatment regimes, functional data analysis, negative control variables, identification under unmeasured confounding
• 为什么对您有用: 直接连接到 primary interest 中的 causal inference 子方向——proximal CI 和个性化治疗策略。本文在函数型治疗设定下使用 negative control 进行识别，您可以用 very_familiar 的 estimation theory in causal inference 工具来审视其识别条件的可检验性，并考虑是否能用您熟悉的 higher-order U-statistics 或 tensor 方法处理函数型暴露的估计效率问题。中期可做：若想深入分析其估计量的 semiparametric efficiency bound，需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

3. 2608.09026 — Selecting among Missingness Models for Sequential Outcomes with Nonignorable Nonresponse

• 作者: Yingying Wang, Yuan Liu, Shanshan Luo
• 分类: stat.ME
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究纵向研究中序贯结局非随机缺失（MNAR）时的模型选择问题。设定中，早期和晚期的结局都可能自删失，且后期应答指标可能依赖于前期应答指标或前期已实现的结局，这些依赖关系定义了两种可识别的候选图模型族。作者在秩条件或完备性条件下建立了每个候选族下完整数据分布的可识别性，并发展了基于似然的估计方法。核心贡献是提出一个两阶段Vuong型选择程序：第一阶段检验候选模型是否观测上可区分，仅在可区分时进入第二阶段比较它们与真实观测数据分布的KL散度。理论表明，当所选模型具有固定的正期望对数似然优势时，基于所选模型特定泛函的普通Wald推断仍渐近有效。该方法与您对因果推断中缺失数据识别和敏感性分析的兴趣直接相关，特别是非随机缺失设定下的模型选择与下游估计。
• 关键技术: Vuong-type model selection, nonignorable nonresponse, graphical missingness models, likelihood-based estimation, rank/completeness conditions, sequential outcomes
• 为什么对您有用: 直接连接到您 primary interest 中的因果推断（纵向数据缺失机制）和敏感性分析。您的武器库中 'estimation theory in causal inference'（very_familiar）可直接用于理解其识别条件，而 'identification theory in causal inference'（moderately_familiar）可用于评估其图模型假设的合理性。中期可做：若想将两阶段选择程序推广到更一般的因果 estimand（如 ATE 下的敏感性分析），需先在 'semiparametric theory'（moderately_familiar）上加强，以处理选择后推断的偏差。

4. 2608.09329 — Estimating the Average Treatment Effect under Limited Overlap via Polynomial Approximation and Extrapolation

• 作者: Shunichiro Orihara, Sho Komukai, Fan Li
• 分类: stat.ME
• 相关性 8/10 · novelty: new_method
• 摘要: 本文针对观察性研究中协变量重叠不足（limited overlap）导致 ATE 估计困难的问题，提出了一种新的 ATE 估计方法。核心思想是将一类与超参数相关的 estimand 表达为超参数的多项式函数，通过计算这些 estimand 的 IPW 估计值，拟合多项式模型，再外推至 ATE。该方法在比标准 IPW 更弱的重叠条件下证明了估计量的相合性和渐近正态性。模拟实验表明，在重叠不足时，该方法在估计精度和区间覆盖上优于传统 IPW。该方法保留了 ATE 作为目标 estimand，无需转向替代 estimand，且实现简单。对您而言，该工作直接关联因果推断中重叠假设的敏感性分析，其多项式外推思路可能为您的 proximal CI 或 IV 方法在弱重叠场景下的改进提供新视角。
• 关键技术: inverse probability weighting, polynomial approximation, extrapolation, limited overlap, asymptotic normality
• 为什么对您有用: 该论文直接针对因果推断中重叠假设不足这一核心挑战，属于您的 primary interest 中 causal inference 的 sensitivity analysis 子方向。您的 technical arsenal 中 'estimation theory in causal inference' 和 'nonparametric statistics' 可直接用于分析其多项式外推的偏差-方差权衡，例如用 minimax bound 刻画外推误差。中期可做：若想将外推思路推广至更复杂的 estimand（如 IV 或 proximal CI），需先在 'identification theory in causal inference' 上加强，以处理识别条件变化后的外推结构。

5. 2608.09612 — Local conformal prediction for individual causal effects

• 作者: Fernando Delbianco, Fernando Tohm\'e
• 分类: stat.ME · econ.EM
• 相关性 8/10 · novelty: new_method
• 摘要: 本文针对强处理效应异质性下标准CATE估计量置信区间无法覆盖个体反事实效应的问题，提出个体化因果预测（ICP）框架。该框架利用因果森林变量重要性加权的余弦相似度定义因果相关邻域，通过合成数据增强小样本局部校准集，并采用满足Neyman正交性的双重稳健AIPW一致性得分构建共形预测区间。在SUTVA和强可忽略性假设以及校准集选择条件独立于结果的前提下，所得区间达到名义水平的边际覆盖率。局部设计通过使校准得分更具代表性，还支持近似条件覆盖率。在合成高异质性数据和IHDP基准上的实验表明，局部策略在保持名义或以上覆盖率的同时，提升了点估计精度。该方法为处理个体因果效应的不确定性量化提供了新思路，对您关注的因果推断中异质性处理效应估计和敏感性分析有直接参考价值。
• 关键技术: conformal prediction, AIPW score, Neyman orthogonality, causal forest, local calibration, synthetic data augmentation
• 为什么对您有用: 本文直接连接您 causal inference 兴趣中的异质性处理效应估计和不确定性量化子方向。您 very_familiar 的 estimation theory in causal inference 和 nonparametric statistics 可立即用于分析其局部校准策略的 minimax 性质或正交得分的高阶影响函数形式，属于立即可做的 follow-up。

6. 2608.08327 — On inferential equivalence classes of causal models

• 作者: Charlotte Edgar, Heather Battey
• 分类: math.ST · stat.TH
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究因果模型在有限样本下的可区分性问题。在无强假设时，同一 Markov 等价类中的因果模型在任意样本量下统计不可区分；但对于中等样本量，多个等价类可能与数据兼容，因此需要构建因果模型的置信集。作者利用 Cox 和 Wermuth (1993) 的无约束参数化（避免锥约束）来刻画 Gaussian 因果模型的不可识别性，并基于标准似然理论构建置信集。通过 Evans (2020) 的几何框架，作者分析了当真实参数处于可检测性边界时，哪些因果模型最可能被纳入置信集，并区分了包含概率稳定、缓慢衰减和快速衰减的模型。文章还研究了多个因果模型同时作用（混合）的情形，探讨混合权重和模型几何如何影响包含概率。本文旨在从真实因果机制的结构性质出发，探明因果推断中可达到的极限。对您而言，该工作直接关联到因果推断中的识别与敏感性分析，其几何视角和有限样本置信集构建方法可启发您在高维或纵向设定下的因果模型选择问题。
• 关键技术: Markov equivalence class, confidence set of causal models, unconstrained parametrization, geometric formulation of Evans (2020), likelihood-based inference, inclusion probability analysis
• 为什么对您有用: 本文直接关联到您的 primary interest 中的因果推断（识别与敏感性分析），特别是有限样本下因果模型的可区分性。您的技术武器库中 'estimation theory in causal inference' 和 'identification theory in causal inference' 可直接用于理解其几何框架和置信集构建逻辑；'minimax bounds for estimation problems' 可用于评估其包含概率的衰减率是否最优。中期可做：若想将几何方法推广到高维或非参数设定，需先在 'semiparametric theory' 上长肌肉。

7. 2608.08327 — On inferential equivalence classes of causal models

• 作者: Charlotte Edgar, Heather Battey
• 分类: math.ST · stat.TH
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究因果模型在有限样本下的推断等价类问题。在无强假设时，同一 Markov 等价类中的因果模型在任意样本量下统计不可区分；但中等样本量下，多个等价类可能都与数据兼容，因此应报告因果模型的置信集而非点估计。作者利用 Cox 和 Wermuth (1993) 的无约束参数化（避免锥约束，便于分布近似），基于标准似然理论构建因果模型的置信集，并借助 Evans (2020) 的几何形式化分析其理论性质。核心贡献是刻画了当生成模型的真实参数处于可检测性边界时，哪些因果模型最可能被纳入置信集：将模型分为包含概率稳定在名义水平、随样本量缓慢衰减、以及快速衰减三类。此外还研究了多个因果模型混合的情形，探讨混合权重和模型几何结构如何影响包含概率。本文从真实因果机制的结构性质出发，系统探索了因果推断在有限样本下所能达到的极限。对您而言，该工作直接连接 primary interest 中的因果推断（identification 和 sensitivity analysis），其置信集构建思路可与您熟悉的非参数统计和 minimax 界技术结合，用于评估因果估计的不确定性。
• 关键技术: Markov equivalence class, confidence set of causal models, unconstrained parametrization, geometric formulation of causal models, likelihood-based inference, inclusion probability analysis
• 为什么对您有用: 本文直接连接 primary interest 中的因果推断（identification 和 sensitivity analysis），特别是有限样本下因果模型的不可区分性问题。您可以用 very_familiar 中的 minimax bounds 技术来验证本文提出的包含概率衰减率是否紧，或用 moderately_familiar 中的 identification theory 来扩展其几何框架到 proximal CI 设定。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以处理更复杂的因果模型（如含未测量混杂）的置信集构建。

8. 2608.08047 — Partial Homogeneity in Staggered Difference-in-Differences

• 作者: Parush Arora, Rohan Wagle
• 分类: econ.EM
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究交错差分中（staggered DiD）处理效应异质性的估计问题。在交错设计中，每个队列-时间单元有一个CATT，完全灵活估计无偏但方差大，完全池化为单一TWFE系数有效但存在异质性时偏倚。作者将问题建模为CATT上的分区选择问题，用Dirichlet Process混合先验实现自动分组，无需预设组数。通过collapsed Gibbs sampler得到点估计、边际化未知分区的可信区间和共聚类概率。在固定误差方差和成对惩罚下，MAP分区退化为ℓ₀惩罚回归，连接了贝叶斯方法与homogeneity-pursuit文献。模拟显示，当效应分离度足够时，该方法相比完全灵活估计降低26–52%的抽样方差，且无池化估计的偏倚，后验覆盖接近名义水平。对您而言，该工作直接关联因果推断中交错DiD的异质性处理效应估计，其贝叶斯分区思路可与您熟悉的非参数统计和估计理论结合，中期可做：需先在identification theory（moderately_familiar）上深入理解交错DiD的识别假设，再考虑是否将DP先验推广到更一般的因果框架。
• 关键技术: staggered difference-in-differences, Dirichlet Process mixture, collapsed Gibbs sampler, ℓ₀-penalized regression, homogeneity pursuit, Cohort-Average Treatment Effects on the Treated (CATTs)
• 为什么对您有用: 直接连接primary interest中的因果推断（交错DiD的异质性处理效应估计）。技术武器库中'nonparametric statistics'和'estimation theory in causal inference'（very_familiar）可用于理解其贝叶斯分区与ℓ₀惩罚的联系，但核心的DP先验和Gibbs采样器不在武器库中，需先熟悉贝叶斯非参数工具（moderately_familiar中无此项）。暂不可做：缺少贝叶斯非参数和MCMC的熟练度，但可作为中期学习方向。

9. 2608.09812 — Optimal Experimental Design and Estimation when Potential Outcomes are Bounded

• 作者: Peter Hull
• 分类: econ.EM
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究当潜在结果已知有界（如二元结果）时，有限总体平均处理效应（ATE）的随机实验最优设计与估计。在独立随机分配和一类仿射估计量中，最小化最坏情况均方误差（MSE）的最优策略是：使用独立随机分配，并对以支撑中点为中心的结局变量关于去中心化处理变量做无截距回归。这与通常推荐的平衡完全随机化加差分均值估计形成对比：当结果有界时，实现处理份额的随机性本身携带信息。相对于全样本完全随机化，最坏情况MSE的渐近增益很小，但相对于其他设计（如配对完全随机化加配对固定效应回归，其最坏情况MSE翻倍）可有一阶增益。文章还将结果推广到任意估计量，证明独立随机分配仍为最优，且一般非线性最优估计量能显著降低最坏情况MSE。
• 关键技术: finite-population inference, worst-case MSE, affine estimators, independent random assignment, minimax optimal design
• 为什么对您有用: 本文直接关联您的因果推断核心兴趣（实验设计与ATE估计），且其最坏情况MSE框架与您熟悉的minimax bound技术高度契合。武器库中的'minimax bounds for estimation problems'可立即用于验证或扩展本文的sharpness结论。中期可做：将本文的finite-population最优设计思想推广到您熟悉的proximal CI或IV设定中，需先在identification theory上稍作延伸。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 2608.09135 — Limiting eigen-structure of spiked sample covariance matrices under missing observations

• 作者: Haotian Cheng, Huiqin Li, Yanqing Yin, Zhixiang Zhang
• 分类: math.ST · stat.TH
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文研究缺失观测下高维 spiked 协方差矩阵的特征结构渐近行为。在 spiked population 模型中，假设数据随机缺失（missing completely at random），利用随机矩阵理论的最新进展，推导出样本特征值和特征向量的极限分布。主要发现是：尽管样本 spiked 特征值仍具有渐近正态性，但其极限参数（如偏移量和方差）与完整数据情形有显著差异，反映了缺失机制的非平凡影响。技术工具包括 Marchenko-Pastur 定律的推广、spiked 模型的扰动分析和特征值/特征向量的联合极限理论。作为应用，作者提出一个检验 spiked 总体独立结构的假设检验方法。该结果对高维统计推断中缺失数据的处理有直接指导意义，尤其适用于您在高维统计和随机矩阵理论方向的研究。
• 关键技术: spiked covariance model, random matrix theory, Marchenko-Pastur law, missing completely at random (MCAR), asymptotic normality of eigenvalues, hypothesis testing for independence
• 为什么对您有用: 直接连接您的高维统计与随机矩阵理论兴趣：本文在缺失数据这一实际场景下推广了经典的 spiked 模型特征值渐近理论，给出了与完整数据不同的极限参数。从武器库看，您可以用 very_familiar 的高维渐近工具（如 Marchenko-Pastur 律、特征值扰动分析）验证其推导或扩展至其他缺失机制（如 MAR）。中期可做：若想将结果推广至更一般的缺失模式（如非随机缺失），需先在 moderately_familiar 的因果推断识别理论中补强缺失机制建模。

2. 2608.09135 — Limiting eigen-structure of spiked sample covariance matrices under missing observations

• 作者: Haotian Cheng, Huiqin Li, Yanqing Yin, Zhixiang Zhang
• 分类: math.ST · stat.TH
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文研究缺失观测下高维尖峰协方差矩阵（spiked covariance model）主成分分析（PCA）的渐近行为。在随机缺失机制下，利用随机矩阵理论的最新进展，推导了样本特征值和特征向量的极限分布。主要发现是：尽管样本尖峰特征值仍具有渐近正态性，但其极限参数（如均值、方差）与完整数据情形有显著差异，反映了缺失机制的非平凡影响。技术工具包括Marchenko-Pastur定律的推广、尖峰模型的谱分析以及缺失数据下的扰动理论。作为应用，作者提出了一种检验尖峰总体独立结构的假设检验方法。该工作将经典RMT结果扩展到缺失数据场景，为高维统计推断提供了新的理论基础。对您而言，本文直接连接高维统计与随机矩阵理论这一主要兴趣方向，且其缺失数据下的渐近分析框架可迁移至您熟悉的因果推断中缺失协变量的敏感性分析问题。
• 关键技术: spiked covariance model, Marchenko-Pastur law, random matrix theory, missing data mechanism, asymptotic normality, hypothesis testing for independence
• 为什么对您有用: 本文直接对应您的主要兴趣方向——高维统计与随机矩阵理论（RMT），具体研究了缺失观测下尖峰协方差矩阵的极限谱结构。从技术武器库看，您对高维渐近理论非常熟悉，可以立即用Marchenko-Pastur律和尖峰模型的分析框架来理解本文的渐近正态性结果，并评估其与完整数据情形的差异是否紧。中期可做：若将缺失机制推广到非随机缺失（如MAR），需先在您中等熟悉的因果推断识别理论上长肌肉（如proximal causal inference中的负控制假设），以建立缺失机制与尖峰参数之间的可识别性条件。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2608.07979 — Sparse departures from independence in two-way tables: a heteroscedasticity profile and detection boundary, an adaptive higher-criticism gate, and an assumption-lean exact anchor

• 作者: William J. Dwyer
• 分类: stat.ME · math.ST · stat.TH
• 相关性 8/10 · novelty: new_method
• 摘要: 本文在双向列联表独立性检验中，将稀疏信号检测理论（Ingster 1997; Donoho & Jin 2004）从高维正态均值问题推广到列联表设定。第一部分指出，在乘积-变异系数恒等式 CVe² = (1+CVr²)(1+CVc²)-1 下，边际异质性恰好刻画了检验统计量的异方差性；通过方差稳定化根变换得到标准化振幅的闭式表达和分离半径，该半径在增长计数条件下有效，在固定小计数时失效。第二部分将独立性检验视为对数线性无交互模型的拟合优度检验，证明 Higher Criticism 及其 Jaeschke-Eicker 零分布能自适应地达到稀疏备择下的检测边界，但在极稀疏强信号区最大单元格规则占优，精确条件最优性仍为猜想。第三部分揭示小计数校准失效（即使均匀边际下 size 也达 0.3-0.6，驱动因素是单元格尾部而非异质性），提出以边际条件精确参考分布作为完整处理（无 oracle，size 降至 0.003-0.009），并给出路由规则：大计数表用渐近门，小计数表用精确锚。在 5543 张公开表格中，三分之二路由至精确锚。所有结论均有确定性种子代码的可复现数值验证。对您而言，本文是假设检验中检测边界理论与列联表具体问题的桥梁，其异方差性刻画思路可迁移至高维 U-统计量的稀疏备择检验问题。
• 关键技术: sparse signal detection theory, higher criticism, detection boundary, variance-stabilizing transformation, exact conditional test, product-CV identity
• 为什么对您有用: 本文直接连接您的 hypothesis testing 兴趣，将稀疏信号检测边界理论（Ingster, Donoho & Jin）系统推广到列联表设定，并给出了异方差性剖面的闭式刻画。您的 very_familiar 工具中 minimax bounds 和 high-dimensional asymptotics 可直接用于验证其检测边界是否紧，而 moderately_familiar 的 higher-order U-statistics 理论可尝试将本文的异方差性 profile 思路推广到多向列联表或更一般的稀疏相依检验。中期可做：需先在 moderately_familiar 的 higher-order U-statistics 上长肌肉（具体为 U-统计量的稀疏备择检测边界），然后可尝试将本文的 CV 恒等式与检测边界框架推广到高阶交互项检验。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 3 篇)

1. 2608.07841 — Debiased Machine Learning for Partially Linear Accelerated Failure Time Models

• 作者: Tomoki Okuno, Sijie Zheng, Brendon Chau, Gang Li, Jin Zhou, Hua Zhou
• 分类: stat.ME
• 相关性 7/10 · novelty: new_method
• 摘要: 针对部分线性加速失效时间（AFT）模型在右删失数据下的因果推断问题，目标是对目标暴露变量进行有效推断，同时灵活调整协变量。现有基于秩的成对矩不满足 Neyman 正交性，且标准交叉拟合不直接适用于 U-统计量。本文提出首个去偏机器学习（DML）框架：通过构造正交化的秩基 U-统计量、引入删失校正的影响函数，并采用块成对交叉拟合（block-pairwise cross-fitting），使得在灵活估计 nuisance 函数时仍能获得有效推断。理论证明了估计量的 n^{-1/2}-渐近正态性和半参数效率界。模拟和 All of Us 电子健康记录数据展示了有限样本性能。该工作将 DML 框架从均值型目标扩展到秩基 U-统计量，对您的高阶 U-统计量理论和因果推断交叉方向有直接参考价值。
• 关键技术: debiased machine learning, orthogonalized rank-based U-statistic, block-pairwise cross-fitting, censoring-corrected influence function, partially linear AFT model
• 为什么对您有用: 直接连接到 primary interest 中的因果推断（纵向/删失数据）和高阶 U-统计量理论。技术武器库中 'higher-order U-statistics 的 treewidth/einsum 计算' 可用于分析其块成对交叉拟合的计算复杂度，'HOIF' 可验证其正交化 U-统计量是否达到半参数效率界。中期可做：需先在 moderately_familiar 的 'semiparametric theory' 上长肌肉以理解其影响函数推导。

2. 2608.09027 — Asymptotics for Treatment Choice with Partial Identification

• 作者: Jos\'e Luis Montiel Olea, Chen Qiu, J\"{o}rg Stoye
• 分类: econ.EM
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文在部分识别（partial identification）框架下研究治疗分配（treatment choice）的渐近最优性。作者将简约型参数重新中心化到其最不利配置（least-favorable configuration），并考虑漂移参数序列，使得抽样不确定性和部分识别程度同时趋于零。极限决策问题被刻画为一个带有极限识别集的正态位置偏移模型。该方法应用于三类问题：含污染结果的治疗选择、部分识别消费者剩余下的稳健福利分析，以及聚合实验估计以制定政策。本文为部分识别下的决策问题提供了新的渐近理论，连接了统计决策理论与因果推断中的识别不确定性。对您而言，该工作直接关联因果推断中的识别与敏感性分析，且其渐近框架可迁移至您熟悉的 minimax 界与估计理论工具。
• 关键技术: partial identification, least-favorable configuration, drifting parameter sequences, normal location shift model, treatment choice, asymptotic optimality
• 为什么对您有用: 直接关联 primary interest 中的因果推断（识别与敏感性分析）和数学统计（渐近理论）。本文的 least-favorable 配置与漂移序列框架可视为一种敏感性分析，您可以用 very_familiar 的 minimax 界工具来检验其渐近最优性是否紧。中期可做：需在 moderately_familiar 的识别理论上进一步理解部分识别集的构造，但核心渐近论证与您的高维渐近工具高度兼容。

3. 2608.09839 — Clustering Informed Inverse Probability Weighting Strategies for Causal Effect Estimation in Observational Studies

• 作者: Ruohui Chen, Scott Zuo, Whitney Stevens, Seth Pollack, Wenna Xi, Lucia Petito, Lihui Zhao, Hui Zhang
• 分类: stat.ME · stat.AP
• 相关性 6/10 · novelty: application
• 摘要: 本文在观察性研究中比较了三种逆概率加权（IPW）策略以估计因果效应：标准IPW、聚类增强IPW（为每个聚类单独拟合倾向性得分模型）、以及将估计的聚类成员作为协变量纳入全局倾向性得分模型。通过模拟实验（样本量100-500），在存在/不存在潜在聚类结构、以及倾向性得分模型正确设定/遗漏协变量等场景下，评估了偏差、MSE和置信区间覆盖率。两种聚类信息策略在遗漏协变量误设定下均降低了偏差和MSE，但各有优劣：聚类增强IPW在存在潜在聚类结构时MSE更低，而全局模型在小样本下偏差更低、覆盖率更好。方法应用于966名乳腺癌患者（carboplatin治疗），用广义倾向性得分估计治疗周期与超敏反应风险之间的剂量-反应关系。聚类分析提供了亚组特异性估计和诊断概况。总体而言，聚类信息策略可提高对倾向性得分误设定的稳健性，但相对性能取决于亚组结构、样本量和推断优先级。对您而言，本文属于因果推断中倾向性得分方法的实用拓展，但方法学新颖性有限，可作为应用参考。
• 关键技术: inverse probability weighting, propensity score, clustering augmented IPW, generalized propensity score, dose-response estimation
• 为什么对您有用: 本文直接关联您的primary interest中的因果推断（IPW策略比较），但方法学贡献较浅（主要是模拟比较而非新理论）。武器库中'very_familiar'的'estimation theory in causal inference'足以理解全文，但无新工具可攻。属于'暂不可做'——核心问题（聚类结构如何最优地融入IPW）需要更系统的理论分析（如聚类数选择、聚类不确定性传播），而您的武器库中缺少聚类推断的正式工具。建议仅作快速浏览，不深入。

高维统计 / 随机矩阵 (high_dim_rmt, 4 篇)

1. 2608.08390 — Lasso Universality Under Linearly Dependent Covariates in the Sparse Regime

• 作者: Soroush Mesforush, Rahul Parhi
• 分类: math.ST · cs.IT · math.IT · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究高维稀疏线性模型中 Lasso 估计量的高斯普适性（Gaussian universality）问题。设定中协变量矩阵同时具有行依赖和列依赖（linearly dependent rows and columns），且非高斯分布，目标是在稀疏 regime 下证明 Lasso 的统计行为（如估计误差、支持恢复）与高斯协变量情形渐近等价。方法上，作者利用凸高斯极小化（CGMT）框架的推广版本，处理了比现有文献更一般的行-列混合依赖结构，不限于 i.i.d.、块依赖或特定列依赖。主要理论结果是：在适当的稀疏性条件下，Lasso 的解路径、预测误差和变量选择性质在高斯与非高斯协变量之间具有普适性。数值实验验证了不同稀疏度 profile 下的理论预测。该结果对高维统计推断中协变量结构假设的放松有直接意义，尤其适用于实际数据中常见的复杂相关设计（如时间序列、空间数据或基因表达数据）。
• 关键技术: Gaussian universality, Convex Gaussian min-max theorem (CGMT), Lasso, sparse regime, linearly dependent covariates, row-column mixing
• 为什么对您有用: 直接连接到高维统计与随机矩阵理论（RMT）兴趣方向，具体是协变量依赖结构下的普适性理论。武器库中'高维渐近'和'极小极大界'可用于验证其普适性结果是否紧，而'逆问题'视角可帮助理解行-列依赖对 Lasso 估计误差的影响。中期可做：需先在 moderately_familiar 的 M-估计理论上长肌肉，以将 CGMT 框架推广到其他 M-估计量（如 Huber、分位数回归）。

2. 2608.08390 — Lasso Universality Under Linearly Dependent Covariates in the Sparse Regime

• 作者: Soroush Mesforush, Rahul Parhi
• 分类: math.ST · cs.IT · math.IT · stat.ML · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究高维稀疏线性模型中 Lasso 估计量的高斯普适性（Gaussian universality），重点突破协变量同时存在行依赖和列依赖（linearly dependent rows and columns）的设定。现有文献多假设 i.i.d. 或特殊依赖结构（如块依赖），本文允许更一般的行-列混合依赖，填补了理论空白。核心结果是：在稀疏 regime 下，Lasso 的统计行为（如预测误差、变量选择）可由一个等价的 Gaussian 模型精确刻画，即使原始协变量非 Gaussian。证明技术可能涉及 Stein 方法或 Lindeberg 交换技巧的推广，以处理依赖结构。数值实验验证了不同稀疏度下的普适性。该结果对高维统计推断的稳健性有重要意义，尤其为依赖协变量下的 Lasso 分析提供了理论保障。
• 关键技术: Gaussian universality, Lasso, sparse regime, linearly dependent covariates, Stein's method / Lindeberg exchange
• 为什么对您有用: 直接连接高维统计与随机矩阵理论（RMT）中的普适性研究，是您 primary interest 中 'high-dimensional statistics (Random matrix theory)' 的核心问题。本文处理的广义行-列依赖结构比现有文献更接近实际数据，您可以用 very_familiar 的 minimax bounds 和高维渐近工具验证其声称的率是否紧。中期可做：若想推广到更复杂的估计量（如 Dantzig selector），需先在 moderately_familiar 的 M-estimation 理论上长肌肉。

3. 2608.08582 — Ultra-high-dimensional spot support screening in continuous-time regression

• 作者: Haibin Zhu
• 分类: math.ST · stat.ME · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 本文研究高频连续时间回归中的超高维变量筛选问题，目标是在局部平稳假设下识别时变回归系数的支撑集。作者建立了局部估计的边际相关系数向量和协变量相关矩阵的一致逐元素界，在坐标截断和有限变差跳跃下，基于局部平均α-Hölder条件得到收敛速率{ (log p)/n }^{α/(2α+1)}（忽略对数因子），并证明了边际支撑的sure screening性质。进一步推导了保留列表大小d满足log(p/d)≍log p时的列表大小极小极大下界，匹配了局部化和多重性阶数。针对局部依赖下的回归支撑恢复，提出了带有路径自适应Lepski选择的偏残差逐步迭代筛选方法，在稀疏特征值和标准化beta-min条件下具有sure screening性质，且仅需当前活跃集对应的相关列。模拟实验和高频因子应用验证了方法的有限样本表现。该文将经典超高维screening理论拓展到连续时间设定，对您的高维统计和随机矩阵理论兴趣有直接参考价值。
• 关键技术: sure screening, spot regression coefficient, local averaged α-Hölder condition, minimax lower bound, Lepski adaptation, partial-residual iterative screening
• 为什么对您有用: 连接您的高维统计兴趣，特别是超高维screening在连续时间回归中的理论拓展。您的武器库中'高维渐近理论'和'极小极大界'可直接用于验证本文的收敛速率是否紧，以及局部化screening的极小极大下界是否可改进。中期可做：需先在'半参数理论'上加强以处理时变系数估计的局部带宽选择问题。

4. 2608.08582 — Ultra-high-dimensional spot support screening in continuous-time regression

• 作者: Haibin Zhu
• 分类: math.ST · stat.ME · stat.TH
• 相关性 6/10 · novelty: new_method
• 摘要: 本文研究高频连续时间回归中的超高维变量筛选问题，目标是在时变系数设定下识别回归系数的支撑集（即哪些协变量在给定时刻有非零效应）。作者在坐标截断和有限变差跳跃假设下，建立了局部估计的边际相关系数向量和协变量相关矩阵的一致逐元素界。在局部平均α-Hölder条件下，该界达到{(log p)/n}^{α/(2α+1)}的速率（忽略对数因子），并由此证明了边际支撑的sure screening性质。进一步，作者推导了保留列表大小d满足log(p/d)≍log p时的列表大小极小极大下界，该下界在局部化和多重性阶上匹配。为在局部依赖结构下恢复回归支撑，提出了带路径自适应Lepski选择的偏残差逐步迭代筛选方法，在稀疏特征值和标准化beta-min条件下具有sure screening性质，且仅需当前活跃集对应的相关系数列。模拟实验和高频因子应用验证了方法的有效性。对您而言，本文的高维时变系数筛选框架与您的高维统计和随机矩阵理论兴趣直接相关，其逐元素界和极小极大下界技术可迁移至您熟悉的非参数统计和极小极大界工具中。
• 关键技术: sure screening, spot regression coefficient, local averaged α-Hölder condition, minimax lower bound for list size, partial-residual iterative screening, Lepski adaptation
• 为什么对您有用: 本文直接连接您的高维统计兴趣，特别是超高维时变系数模型下的变量筛选问题，其逐元素界和极小极大下界技术可被您的非参数统计和极小极大界武器直接攻破。中期可做：若您先在 moderately_familiar 的 M-estimation 理论上长肌肉（具体是局部估计的收敛性分析），可进一步将本文的筛选方法推广至更一般的半参数设定。

非参数 / 半参数 (nonparam_semipara, 8 篇)

1. 2608.08355 — Nonparametric quantile inference using Dirichlet processes

• 作者: Nils Lid Hjort, Sonia Petrone
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文在贝叶斯非参数框架下，使用 Dirichlet 过程先验对分位数进行推断。核心贡献是刻画了分位数的后验分布，并给出了后验均值和方差的显式表达式。与分布函数的贝叶斯估计不同，分位数函数的贝叶斯估计是光滑曲线。作者证明了分位数过程的 Bernstein–von Mises 型定理，给出了后验的极限分布。该方法与核光滑分位数估计建立了联系，并自动产生一个无需光滑参数的非参数密度估计。此外，方法被推广到 Lorenz 曲线、Gini 指数、Doksum 移位曲线、Parzen 比较分布以及分位数回归。对您而言，本文提供了贝叶斯非参数分位数推断的完整理论，其光滑估计和 BvM 结果对您熟悉的非参数统计和 semiparametric 理论有直接参考价值。
• 关键技术: Dirichlet process prior, Bernstein–von Mises theorem, quantile process, kernel-smoothed quantile estimator, nonparametric density estimation, Lorenz curve and Gini index
• 为什么对您有用: 本文直接连接您的 primary interest 中的非参数统计与 semiparametric 理论，特别是分位数函数的贝叶斯推断。您武器库中 very_familiar 的非参数统计和 minimax bounds 可用于分析该估计量的频率性质（如收敛速度），而 moderately_familiar 的 M-estimation 理论可对比其与经典分位数回归的效率。中期可做：若将 BvM 结果与 semiparametric efficiency bound 结合，可探索贝叶斯分位数估计的渐近最优性。

2. 2608.09561 — Estimating conditional expectation

• 作者: H\^ong V\^an L\^e
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文将条件期望估计重新表述为 Hilbert 空间中的随机不适定逆问题，并基于 Vapnik 定理的推广提出一种新解法。核心思路是将条件期望视为某个线性算子方程的解，通过正则化策略处理逆问题的不适定性。作者推导了样本误差的新上界，该上界依赖于算子谱性质和正则化参数的选择。方法不依赖于具体的函数形式假设，属于非参数框架。理论结果适用于一般 Hilbert 空间，但未给出具体估计量的构造或数值实验。对您而言，该工作将条件期望估计与逆问题理论建立联系，可能为高维或半参数设定下的非参数估计提供新的分析视角。
• 关键技术: ill-posed inverse problem, Vapnik's theorem, Hilbert space regularization, conditional expectation estimation, sample error bound
• 为什么对您有用: 本文直接关联您的非参数与半参数理论兴趣，将条件期望估计这一基础问题置于不适定逆问题框架下，可能为高维统计或因果推断中的非参数估计（如 IV 回归中的条件期望）提供新的理论工具。武器库中的逆问题与随机噪声处理经验可直接用于理解其正则化分析，但本文未给出具体估计量或算法，属于理论框架性工作，暂不可直接动手，需先补充逆问题正则化理论的相关知识。

3. 2608.08355 — Nonparametric quantile inference using Dirichlet processes

• 作者: Nils Lid Hjort, Sonia Petrone
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文在贝叶斯非参数框架下，使用 Dirichlet 过程先验进行分位数的非参数推断。核心贡献是刻画了分位数函数的后验分布，并给出了后验均值和方差的显式表达式。与分布函数的贝叶斯估计不同，分位数函数的贝叶斯估计是光滑曲线。作者证明了分位数过程的 Bernstein–von Mises 型定理，给出了后验分布的极限形式。该方法与核光滑分位数估计建立了联系。作为副产品，本文还提出了一种无需光滑参数的自适应非参数密度估计，其支撑与数据范围精确匹配。此外，方法被推广到 Lorenz 曲线、Gini 系数、Doksum 位移曲线、Parzen 比较分布以及分位数回归函数。对于您而言，本文提供了贝叶斯非参数框架下分位数推断的完整理论，与您熟悉的非参数统计和 M-估计理论有直接关联，可作为理解贝叶斯非参数方法的入门读物。
• 关键技术: Dirichlet process prior, Bernstein–von Mises theorem, quantile process, kernel-smoothed quantile estimator, nonparametric density estimation
• 为什么对您有用: 本文属于非参数统计与贝叶斯推断的交叉，直接对应您 primary_interests 中的 'semiparametric and nonparametric theory'。您非常熟悉的 'nonparametric statistics' 和 'minimax bounds for estimation problems' 可用于评估其 Bernstein–von Mises 定理的收敛速度是否最优。这是一篇偏理论的方法论文，可作为 gateway reading 了解贝叶斯非参数分位数推断，但核心机器（Dirichlet 过程后验计算）不在您的武器库中，属于暂不可做方向。

4. 2608.09561 — Estimating conditional expectation

• 作者: H\^ong V\^an L\^e
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文将条件期望估计问题重新表述为 Hilbert 空间中的随机不适定逆问题，并基于 Vapnik 定理的推广提出求解框架。核心思路是将条件期望算子视为一个线性算子方程，通过正则化方法（如 Tikhonov 或谱截断）构造估计量。作者推导了样本误差的新上界，该上界依赖于算子谱衰减和正则化参数的选择。技术工具包括 Hilbert-Schmidt 算子、奇异值分解和统计学习理论中的经验过程。主要理论结果是估计误差的收敛速率，其形式依赖于逆问题的 ill-posedness 程度。对您而言，该工作将非参数回归与逆问题理论连接，可直接用于您熟悉的 minimax 界和逆问题工具来评估其速率最优性，属于中期可做方向（需先在 moderately_familiar 的 M-estimation 理论上补强正则化参数选择的技巧）。
• 关键技术: ill-posed inverse problem, Vapnik's theorem, Hilbert space regularization, spectral cut-off, sample error bound
• 为什么对您有用: 本文连接非参数统计与逆问题理论，属于您 primary interest 中的非参数与半参数理论方向。您可以用 very_familiar 的 minimax 界工具检验其收敛速率是否紧，但正则化参数选择的技巧需要先在 moderately_familiar 的 M-estimation 理论上补强。中期可做：先熟悉 Tikhonov 正则化的统计性质，再评估能否将框架推广到条件分位数或因果效应估计。

5. 2608.08360 — Pointwise convergence of purely random partition estimators: from random trees to prototype rules

• 作者: J\'er\'emy Bettinger, Fran\c{c}ois Portier, Adrien Saumard
• 分类: math.ST · stat.TH
• 相关性 6/10 · novelty: new_theory
• 摘要: 本文研究非参数回归中纯随机划分估计量的逐点收敛速率，划分（超矩形或Voronoi胞腔）独立于响应变量构建。核心贡献在于提出一个单一几何准则——形状正则性（shape regularity），即胞腔直径与其体积之比有界，该准则被证明是达到minimax速率 n^{-1/(d+2)} 的充要条件（至多对数因子）。作者证明中心化树和均匀树不满足形状正则性——其胞腔纵横比随分裂次数指数增长且概率有界远离零——这解释了其误差界中的超对数修正项；而Mondrian树因分裂自适应于当前胞腔几何，在概率意义下满足形状正则性并达到minimax速率。将相同分析应用于Voronoi划分，首次得到Proto-NN的逐点集中界，解决了Györfi和Weiss (2021) 的开放问题；并证明OptiNet因η-网构造，在适当参数选择下以显著更优的成功概率（甚至几乎必然）达到minimax速率。该工作为理解随机划分估计量的几何-统计权衡提供了统一框架，对您在高维非参数估计和minimax界方面的兴趣有直接参考价值。
• 关键技术: shape regularity, minimax rate n^{-1/(d+2)}, Mondrian tree, Voronoi partition, Proto-NN, OptiNet
• 为什么对您有用: 本文直接关联您的非参数统计和minimax界兴趣：形状正则性准则为随机划分估计量的收敛性提供了简洁的几何刻画，可视为您熟悉的非参数minimax理论的一个新视角。从武器库看，您可以用very_familiar的minimax bound工具验证其声称的速率是否紧，或探索该准则在您熟悉的U-statistic设定下的推广。中期可做：若想将形状正则性用于更复杂的划分结构（如随机森林），需先在moderately_familiar的M-estimation理论上提升。

6. 2608.08360 — Pointwise convergence of purely random partition estimators: from random trees to prototype rules

• 作者: J\'er\'emy Bettinger, Fran\c{c}ois Portier, Adrien Saumard
• 分类: math.ST · stat.TH
• 相关性 6/10 · novelty: new_theory
• 摘要: 本文研究非参数回归中纯随机划分估计量的逐点收敛速率。核心设定是：划分（随机树的超矩形或原型规则的Voronoi胞腔）的构建独立于响应变量。作者提出一个单一的几何准则——形状正则性（shape regularity），即胞腔直径与其体积之比有界，该准则被证明是达到minimax速率 n^{-1/(d+2)} 的充要条件（至多对数因子）。研究发现，中心树和均匀树不满足形状正则性——其胞腔纵横比随分裂次数指数增长，概率有正下界——这解释了其误差界中的超对数修正项；而Mondrian树因分裂自适应于当前胞腔几何，在概率意义下满足形状正则性，从而达到了minimax速率。同样的分析应用于Voronoi划分，得到了Proto-NN的首个逐点集中界，解决了Györfi和Weiss (2021) 的开放问题；并表明OptiNet因η-网构造，以显著更优的成功概率（甚至几乎必然）达到minimax速率。本文对您可能有用：它提供了非参数回归中划分估计量收敛性的统一几何视角，与您熟悉的非参数统计和minimax界工具直接对接，且其形状正则性概念可迁移至您关注的更高阶U-统计量或因果推断中的非参数估计问题。
• 关键技术: shape regularity, purely random partition, Mondrian tree, Voronoi partition, minimax rate, pointwise convergence
• 为什么对您有用: 本文直接关联您的primary interest中的非参数统计与minimax界理论。您武器库中'非参数统计'和'minimax bounds for estimation problems'两项very_familiar工具可直接用于理解并验证本文的形状正则性准则是否紧，以及能否推广至其他划分方案（如随机森林的变体）。中期可做：若将形状正则性概念与您moderately_familiar的HOIF理论结合，可能导出划分估计量的高阶影响函数展开，从而获得更精细的收敛速率。

7. 2608.08247 — Conditional Distribution Estimation for Functional Responses with Random Forests

• 作者: Poorbita Kundu, Antonio R. Linero
• 分类: stat.ME · stat.ML
• 相关性 5/10 · novelty: application
• 摘要: 本文研究函数型响应变量在协变量条件下的分布估计问题，目标是从条件分布中推断任意泛函（如形状、时序、变异性），而非仅估计条件均值。方法上提出函数型分布随机森林（functional distributional random forests），通过训练随机森林最小化叶节点内的核最大均值差异（MMD），将每个条件分布表示为协变量依赖的样本函数分布。支持 Sobolev 核、算子诱导核等函数空间上的核，并给出估计量一致性的理论条件。模拟表明该方法能恢复基线方法遗漏的分布变化；在 NHANES 加速度计数据应用中，识别出与协变量相关的中位活动曲线和预测离散度的变化。对您而言，本文的非参数条件分布估计框架与您熟悉的非参数统计和随机森林工具直接相关，但方法学 novelty 有限（主要是应用导向的扩展），可作为函数型数据分析的入门参考。
• 关键技术: functional random forests, maximum mean discrepancy (MMD), kernel-based conditional distribution estimation, Sobolev kernels, operator-induced kernels
• 为什么对您有用: 本文属于非参数统计与函数型数据分析的交叉，与您 primary interest 中的非参数理论直接相关。技术武器库中 'nonparametric statistics' 和 'minimax bounds' 可用于分析其 MMD 估计量的收敛速率，但本文理论深度较浅（仅一致性条件），且未涉及您更核心的因果推断或高维问题。作为 gateway reading 可了解函数型分布估计的实践，但 follow-up 价值有限——暂不可做，因为核心机器（函数型数据的 minimax 下界、核方法的精细理论）不在武器库中。

8. 2608.09269 — Sparse Variable Sharpening in High-Dimensional Kernel Density Estimation

• 作者: Kiheiji Nishida
• 分类: stat.ME · math.ST · stat.CO · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 针对高维核密度估计的维数灾难，提出一种混合密度估计器：对预先选定的变量子集估计联合密度，其余变量用边缘密度乘积近似。该方法在近似误差（因简化依赖结构）与方差缩减（因降低联合密度维数）之间权衡。采用遗传算法搜索最优变量子集。理论分析给出该权衡下的均方误差上界，数值实验表明在适当平衡时优于全维核密度估计。对您而言，该问题的核心是半参数/非参数框架下的结构稀疏化策略，与您熟悉的 minimax 界和逆问题噪声分析有直接交集。
• 关键技术: kernel density estimation, curse of dimensionality, variable selection, genetic algorithm, bias-variance trade-off
• 为什么对您有用: 连接非参数统计与高维渐近理论两个 very_familiar 方向：该混合估计的偏差-方差权衡可视为一个结构稀疏化问题，您可以用 minimax 界工具分析其最优子集选择率。中期可做：若将变量子集选择视为一个组合优化问题，可尝试用您 moderately_familiar 的 M-estimation 理论刻画其 oracle 性质。

数理统计 / 假设检验 (hypothesis_testing, 17 篇)

1. 2608.08483 — Factor-Adjusted Location Tests for High-Dimensional Time Series

• 作者: Jiyang Wang, Xifen Huang, Long Feng
• 分类: stat.ME
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究高维时间序列中带强序列相关的一样本均值检验问题，数据由潜在动态因子驱动。首先从滞后自协方差中估计动态因子载荷空间，然后将数据投影到其正交补上，构造三种因子调整后的检验统计量：针对稀疏备择的max检验、针对稠密备择的二次型检验以及针对未知稀疏性的Cauchy组合检验。允许特质成分是非高斯次高斯向量白噪声。建立了max统计量的Gumbel极限、二次型统计量的正态极限和局部功效函数、两者的渐近独立性以及Cauchy组合的有效性。在强因子情形下，精细的投影展开表明二次型统计量在维度p=o(n^2)时仍然有效。开发了随机载荷残差bootstrap用于有限样本校准。模拟和实际数据应用展示了在高维强依赖观测下可靠的尺寸控制和有竞争力的功效。该工作将高维假设检验拓展到时间序列强因子结构，对您的高维统计和假设检验兴趣有直接参考价值。
• 关键技术: factor-adjusted test, max-type statistic, quadratic statistic, Cauchy combination test, Gumbel limit, random-loading residual bootstrap
• 为什么对您有用: 本文直接对应您的高维统计和假设检验兴趣，特别是高维时间序列的均值检验问题。您武器库中的高维渐近理论（very_familiar）可以直接用于理解其Gumbel极限和正态极限的推导，而bootstrap校准方法也与您的统计计算兴趣相关。中期可做：若您想将类似因子调整思路推广到因果推断中的高维IV或mediation设定，需先在moderately_familiar的identification theory上加强（如因子结构在因果模型中的识别条件）。

2. 2608.07844 — A Modified Dependence Measure Related to Chatterjee's Rank Correlation: Theoretical Properties and Asymptotic Analysis

• 作者: Chuancun Yin
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文在 Chatterjee (2021) 提出的秩相关系数 ξ(X,Y) 基础上，提出一种改进的依赖度量，旨在更精确地刻画随机变量 Y 对 X 的依赖关系。原 ξ 满足 ξ=0 当且仅当独立、ξ=1 当且仅当 Y 是 X 的可测函数，但有限样本下 Type I error 控制不佳。作者给出了新度量的多种等价表示，构造了估计量，并证明了强相合性和渐近正态性。通过 Monte Carlo 模拟，新估计量在有限样本下（尤其原假设下 Type I error 控制）优于 Chatterjee 原方法。该工作属于非参数假设检验中依赖度量的理论改进，直接关联您的假设检验与 U-statistic 兴趣方向。
• 关键技术: Chatterjee's rank correlation, dependence measure, U-statistic, asymptotic normality, strong consistency
• 为什么对您有用: 本文直接关联您的 hypothesis testing 兴趣，且新度量估计量的渐近性质可通过 higher-order U-statistics 的投影理论进一步分析（如检验功效的 sharp 界）。您熟悉的 nonparametric statistics 和 U-statistic 计算工具（treewidth / einsum）可立即用于推导其高阶渐近展开或计算复杂度。中期可做：需先熟悉 moderately_familiar 中的 HOIF 理论以分析其 influence function 结构。

3. 2608.08089 — On the optimality of antithetic randomization for cross-validation

• 作者: Srijan Chattopadhyay, Sifan Liu, Snigdha Panigrahi
• 分类: math.ST · stat.ME · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 在经典的正态均值问题中，通过正态扰动构造独立的训练-测试折，得到交叉验证估计量。该估计量的偏差仅依赖于随机化变量的边际分布，而方差依赖于其联合分布。本文证明：对于光滑估计量，反演随机化（对相关系数 ρ=-1/(K-1)）是使随机化引起的可约方差在偏差消失时保持有界的充要条件；给出了一类反演方案的一般构造，其中联合正态方案是极小化极大最优的；对于具有有限跳跃间断点的非光滑估计量，反演随机化可改善可约方差的渐近速率，而在间断点已知时，简单的控制变量可恢复有界方差。本文为交叉验证的随机化方案提供了最优性理论，对您在高维统计和假设检验中设计低方差估计量有直接参考价值。
• 关键技术: antithetic randomization, cross-validation, normal means problem, minimax optimality, control variate
• 为什么对您有用: 本文直接关联到假设检验和高维统计中的交叉验证方差控制问题。您可以用非常熟悉的非参数统计和极小化极大界工具来验证其最优性结果是否紧，并进一步探索该反演方案在更一般的估计问题（如U-统计量）中的推广。中期可做：需先在 moderately_familiar 的 M-估计理论上长肌肉，以处理非光滑估计量的情形。

4. 2608.07844 — A Modified Dependence Measure Related to Chatterjee's Rank Correlation: Theoretical Properties and Asymptotic Analysis

• 作者: Chuancun Yin
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对 Chatterjee (2021) 提出的秩相关系数 ξ(X,Y) 提出了一种改进的依赖度量。该度量保留了 ξ 的核心性质：ξ=0 当且仅当 X 与 Y 独立，ξ=1 当且仅当 Y 是 X 的可测函数，且不要求单调性或线性关系。作者推导了该改进度量的多种等价表示形式，构造了其估计量，并证明了估计量的强相合性和渐近分布。蒙特卡洛模拟表明，在有限样本下，特别是在控制原假设下的第一类错误方面，所提估计量优于 Chatterjee 的原始秩相关系数。该工作还给出了一个自然的扩展框架。对于您关注的高阶 U-统计量和假设检验方向，该文提供了一个新的秩基依赖度量及其渐近理论，其估计量的构造和性质分析可能涉及 U-统计量或 V-统计量的投影方法，值得关注。
• 关键技术: Chatterjee's rank correlation, dependence measure, strong consistency, asymptotic distribution, Monte Carlo simulation
• 为什么对您有用: 该文直接关联您对假设检验和数学统计的兴趣，特别是非参数独立性检验的新度量。其估计量的渐近理论（强相合性、渐近分布）可能用到您非常熟悉的非参数统计和高维渐近工具。中期可做：若想深入分析该估计量的高阶性质（如 Edgeworth 展开、高阶效率），需先在 moderately_familiar 的高阶 U-统计量理论上长肌肉。

5. 2608.08089 — On the optimality of antithetic randomization for cross-validation

• 作者: Srijan Chattopadhyay, Sifan Liu, Snigdha Panigrahi
• 分类: math.ST · stat.ME · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 在经典正态均值问题中，通过向数据添加正态扰动构造独立的训练-测试折，K 折交叉验证估计量的偏差仅取决于随机化变量的边际分布，而方差取决于其联合分布。本文证明：对于光滑估计量，反演随机化（antithetic randomization）且配对相关系数 ρ = -1/(K-1) 是使随机化引入的可约方差在偏差趋于零时保持有界的充要条件；给出了一类反演方案的一般构造，其中联合正态方案是极小化极大最优的；对于具有有限跳跃间断点的非光滑估计量，反演随机化可改善可约方差的渐近速率，而在间断点已知时，简单的控制变量法可恢复有界方差。该工作为交叉验证的随机化设计提供了最优性理论，对您在高维统计和假设检验中构造低方差估计量有直接参考价值。
• 关键技术: antithetic randomization, cross-validation, normal means problem, minimax optimality, control variates
• 为什么对您有用: 本文直接关联您对假设检验和统计计算中方差缩减的兴趣，其反演随机化的最优性结果可迁移至您熟悉的交叉验证框架。您可以用非常熟悉的非参数统计和极小极大界工具验证其理论紧性，属于立即可做的 follow-up。

6. 2608.07860 — Independence Is Not Always Consistently Testable

• 作者: Senhan Yao
• 分类: math.ST · stat.TH
• 相关性 6/10 · novelty: new_theory
• 摘要: 研究在联合平稳遍历二元过程中，基于有限样本检验坐标过程之间独立性的问题。核心结论是：不存在一个检验能在概率意义下逐点一致——即任何对每个相依备择假设功效趋于1的程序，必然在某个独立平稳遍历原假设下沿无穷多个样本量有非零的假阳性概率。定量地，存在某个坐标独立的联合平稳遍历律，使得假阳性概率的上极限至少为1/2。证明通过一个对角构造结合稀有标记（rare markers）实现：在选定尺度上制造可检测的相依性，同时收敛到坐标独立的极限过程。该结果揭示了即使假设平稳性和遍历性，独立性也无法从渐增长有限样本中一致地判定。对您而言，该工作直接关联数学统计中的假设检验理论，尤其是非参数检验的不可判定性边界，可用您熟悉的非参数统计和minimax下界工具来理解其构造的紧致性。
• 关键技术: diagonal construction, rare markers, pointwise consistency in probability, stationary ergodic binary process, independence testing
• 为什么对您有用: 直接命中 primary interest 中的 hypothesis testing 子方向，且问题设定（平稳遍历二元过程）属于非参数统计的经典框架。您的 very_familiar 武器库中的非参数统计和 minimax 下界工具可直接用于分析该构造的紧致性（例如：能否将假阳性上界从1/2改进到更小的常数？）。中期可做：若想推广到连续过程或高维设定，需先在 moderately_familiar 的 M-estimation 理论上长肌肉（处理更复杂的依赖结构）。

7. 2608.09927 — Dynamic \(e\)-closure for online hypotheses with any-time-valid evidence: closure principles and projective mergers

• 作者: Rianne de Heide
• 分类: math.ST · stat.ME · stat.TH
• 相关性 6/10 · novelty: new_theory
• 摘要: 本文在在线假设检验的框架下，针对新假设随时间到达、已有假设的证据可任意停止检验的双重序贯性，发展了动态 e-闭包理论。核心设定是：全局停止时间下活跃的真实零假设交集是随机的，未来扩展相干性允许将其证书与固定终端交集的证书进行比较，从而实现同时控制 stopped-FDR。若证书还具有时间单调性，则闭包程序可同时控制 SupFDR 并具有集合持续性。反之，满足任一准则的程序均可由规范化的归一化损失过程生成的动态闭包包含。对于点态合并，固定维度的可容许性等价于普通任意依赖的 e-合并；跨时间尺度的相干性则迫使使用单一全局可加权重序列，并在可数无穷假设宇宙中排除了可容许点态类中的非平凡对称合并。理论从 FDP 推广到在可能真实零假设配置下单调、在报告动作下局部的有界损失函数。本文还给出了相干性反例、持续性构造和全局有效的共享控制模型。对您而言，该工作将 e-值框架从静态扩展到动态序贯设定，与您对假设检验和序贯分析的兴趣直接相关，且其相干性论证方法可能为您的 U-统计量序贯检验提供新视角。
• 关键技术: e-values, dynamic closure principle, stopped-FDR control, future-extension coherence, projective mergers, any-time-valid evidence
• 为什么对您有用: 本文直接连接您对假设检验（尤其是序贯检验和 e-值框架）的兴趣，属于 primary interest 中的 mathematical statistics & hypothesis testing。您武器库中的 nonparametric statistics 和 high-dimensional asymptotics 可用于分析其动态闭包在非参数设定下的效率；而 higher-order U-statistics 的 treewidth 视角可能为评估其合并规则的 computational cost 提供新入口。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以处理其损失函数单调性假设与经验过程工具的衔接。

8. 2608.07860 — Independence Is Not Always Consistently Testable

• 作者: Senhan Yao
• 分类: math.ST · stat.TH
• 相关性 6/10 · novelty: new_theory
• 摘要: 研究问题：在联合平稳遍历二元过程中，仅凭有限观测能否一致地检验坐标过程之间的独立性。本文证明了一个不可能性结果：不存在点态一致（pointwise consistent in probability）的检验——任何对每个相依备择假设功效趋于1的程序，必然在某个独立平稳遍历原假设下沿无穷多个样本量有非零的假阳性概率（limsup至少1/2）。证明方法：通过对角构造（diagonal construction）与稀有标记（rare markers）在选定尺度上制造可检测的相依性，同时使极限过程的坐标独立。核心工具：平稳遍历过程的构造性反例、概率极限理论中的limsup论证。主要结论：即使假设平稳性和遍历性，独立性也无法从渐近增长的有限样本中一致地判定。这一结果对您可能有用：它直接关联您对假设检验的兴趣，特别是非参数检验的一致性问题，并揭示了即使在高正则性设定下检验问题的根本困难。
• 关键技术: diagonal construction, rare markers, pointwise consistency in probability, stationary ergodic binary process, limsup argument
• 为什么对您有用: 直接连接到您对数学统计中假设检验的兴趣，特别是检验一致性的基础问题。本文的构造性反例技术（对角构造+稀有标记）与您武器库中非参数统计和minimax bounds的熟悉工具高度契合——您可以用minimax视角分析该检验问题的统计与计算折衷，或探索是否能在更弱假设（如混合条件）下恢复一致性。中期可做：需先在moderately_familiar的M-estimation理论上长肌肉，以理解该构造对更一般检验框架的推广。

9. 2608.09927 — Dynamic \(e\)-closure for online hypotheses with any-time-valid evidence: closure principles and projective mergers

• 作者: Rianne de Heide
• 分类: math.ST · stat.ME · stat.TH
• 相关性 6/10 · novelty: new_theory
• 摘要: 本文针对现代在线假设检验中假设序列随时间到达、证据持续更新且可在任意停时检查的双重时序问题，发展了动态 e-闭包理论。核心设定是：全局停时下活跃的真实零假设交集是随机的，未来扩展相干性允许将其证书与固定终端交集的证书进行比较，从而实现同时控制的 stopped-FDR。若证书还具有时间单调性，则所得闭包能同时控制 SupFDR 并具有集合持续性。反之，满足任一准则的程序都包含在由规范归一化损失过程生成的动态闭包中。对于逐点合并，固定维度的可容许性等价于普通任意依赖的 e-合并；跨时间跨度的相干性则迫使使用单一全局可加权重序列，并在可数无穷假设宇宙中排除了可容许逐点类中的非平凡对称合并。理论从 FDP 推广到在可能真零假设配置中单调、在报告动作中局部的有界损失函数。
• 关键技术: e-values, dynamic closure principle, stopped FDR, SupFDR, future-extension coherence, projective mergers
• 为什么对您有用: 本文直接连接您对假设检验（特别是 e-values 框架）的兴趣，属于数学统计的核心子方向。您武器库中的 minimax bounds 和非参数统计工具可用于分析其提出的动态闭包在更一般设定下的最优性；而您 moderately_familiar 的 M-estimation 理论可帮助理解其归一化损失过程的构造。中期可做：需先在 e-values 和 stopped FDR 的文献上补课（属于 moderately_familiar 的假设检验理论），之后可尝试将动态闭包思想推广到您的 higher-order U-statistics 设定下的多重检验问题。

10. 2608.08779 — A Least-Squares Approach to Sample-Based Prior Elicitation

• 作者: Yannik Pitcan
• 分类: stat.ME · math.ST · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究如何从专家提供的样本点及其近似似然值中通过最小二乘法拟合贝叶斯先验分布。该方法定义了一个M-估计量，即使在矩不存在的分布族中也保持良定义。作者建立了估计量的一致性和渐近正态性，并证明了非渐近的O(1/√n) Berry-Esseen界，这是通过将Pinelis关于最大似然估计的结果推广到M-估计框架实现的。方法允许专家不报告密度自身的尺度参数，该参数可被轮廓化并联合估计，对位置族无渐近代价。理论扩展到多元参数，通过多元delta方法得到方向性Berry-Esseen界。模拟验证了n^{-1}误差率和正态近似的准确性。最后，与仅使用样本的MLE基线比较，推导了专家报告噪声的显式阈值，低于该阈值时使用似然值可减少估计误差。该工作对您可能有用：它提供了从专家知识中提取先验的严谨统计框架，与您对M-估计理论和假设检验的兴趣直接相关，且其Berry-Esseen界技术可能迁移到您在高维统计中的推断问题。
• 关键技术: M-estimation, Berry-Esseen bound, least squares prior elicitation, profile likelihood, multivariate delta method
• 为什么对您有用: 本文直接连接您对数学统计和假设检验的兴趣，特别是M-估计量的非渐近Berry-Esseen界，这是您武器库中'非参数统计'和'高维渐近'可以攻克的经典问题。中期可做：您需要先在'moderately_familiar'的M-估计理论（具体是uniform concentration和well-separation条件）上长肌肉，才能将本文的Berry-Esseen技术扩展到您熟悉的高维或U-统计量设定。

11. 2608.07854 — Uniform Testability Implies Asymmetric Testability

• 作者: Senhan Yao
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文研究序列假设检验中均匀固定时间检验（uniform fixed-time testing）与渐近非对称检验（asymmetric testability）之间的转换关系。核心设定是：给定一个适应性的确定性二值检验，其最坏情况固定时间误差趋于零。作者构造了一种基于可数更新时刻的检验程序，每个更新时刻分配预设的可和误差预算，并维持该决策直至下一次更新。该构造在任意显著性水平下都能控制每个样本量下的第一类错误，且从每个更新时刻起，后续任何错误的概率被剩余预算均匀地控制在每个假设类上。因此，该检验在两种假设下都是一致且几乎必然最终正确的。将此转换应用于有限字母坐标过程，证明了 Ryabko 猜想 5.2 中的第一个蕴含关系。对您而言，本文提供了序列假设检验中一种新的误差控制框架，其构造思路（预算分配与更新时刻选择）可迁移至您熟悉的非参数统计或因果推断中的序贯决策问题，属于 hypothesis_testing 方向的理论进展。
• 关键技术: uniform fixed-time testing, asymmetric testability, filtration-level conversion, summable error budgets, almost sure eventual correctness
• 为什么对您有用: 本文直接对应您 primary interest 中的 hypothesis testing 子方向，特别是序列检验的误差控制理论。您的技术武器库中 nonparametric statistics 和 high-dimensional asymptotics 可用于分析该构造在非参数或高维设定下的有限样本性质；而 moderately_familiar 的 M-estimation theory 可帮助理解其与序贯估计的联系。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将该框架推广至半参数模型中的序贯检验。

12. 2608.07854 — Uniform Testability Implies Asymmetric Testability

• 作者: Senhan Yao
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文研究序列假设检验中均匀固定时间检验（uniform fixed-time testing）到非对称检验（asymmetric testability）的转换问题。核心设定是：给定一个适应性的确定性二元检验，其最坏情况下的固定时间误差趋于零。作者构造了一种基于预设可加误差预算的更新时刻选择机制，在每个更新时刻之前保持决策不变。该构造在任意预设显著性水平下，都能在每一个样本量处控制第一类错误；从每个更新时刻起，后续任何错误的概率被剩余预算均匀地控制在整个假设类上。因此，该检验在两种假设下都是一致且几乎必然最终正确的。将此转换应用于有限字母坐标过程，证明了 Ryabko 猜想 5.2 中的第一个蕴含关系。对您而言，本文涉及序列假设检验的渐近理论，与您对数学统计和假设检验的兴趣直接相关，其 filtration-level 的构造思路可能对您在高维或因果推断中设计自适应检验有启发。
• 关键技术: uniform fixed-time testing, asymmetric testability, filtration-level conversion, summable error budgets, almost sure eventual correctness
• 为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是序列设定下的渐近性质。您武器库中的非参数统计和 minimax 界工具可用于分析该转换的误差控制紧性。中期可做：需先熟悉序列检验的 filtration 语言（属于 moderately_familiar 的 M-estimation 理论范畴），然后可尝试将类似构造推广到更一般的假设类或高维设定。

13. 2608.08112 — Distribution-Free test for Changepoint Detection in Angular Mean Direction: Application in Finance

• 作者: Surojit Biswas, Buddhananda Banerjee
• 分类: stat.ME
• 相关性 4/10 · novelty: application
• 摘要: 本文针对角数据（circular data）的均值方向变点检测问题，提出了一种分布自由的检验方法。不确定性通过环面内在几何定义的“角平方”（square of an angle）来量化。在零假设下，检验统计量依分布收敛于Kolmogorov分布；在备择假设下，证明了检验的一致性以及变点估计量的渐近性质。通过大量模拟，与两种现有角数据方法及基于圆弧距离的检验进行了比较。最后，将比特币、以太坊和黄金价格数据中的极端事件时间戳建模为圆形框架，展示了方法的实际应用。对您而言，该工作属于假设检验在非标准数据（角数据）中的新应用，但方法学创新有限（主要是分布自由检验的推广），与您的主要兴趣（因果推断、高维统计、U统计量）直接关联较弱。
• 关键技术: distribution-free test, Kolmogorov distribution, changepoint detection, circular data, angular mean direction
• 为什么对您有用: 该论文属于假设检验方向，但具体设定（角数据变点检测）与您的主要兴趣（因果推断、高维统计、U统计量）距离较远。武器库中的非参数统计和假设检验理论可用于理解其分布自由性质，但核心问题（角数据几何）并非您的专长。暂不可做：缺乏圆形统计和变点检测的领域知识，且方法学创新不足以驱动新的研究问题。

14. 2608.08174 — Anytime-Valid Evidence for Prespecified Predictive Corrections

• 作者: Seungjin Choi
• 分类: stat.ME
• 相关性 4/10 · novelty: new_method
• 摘要: 本文研究如何为预先指定的预测校正（predictive correction）积累任意有效的证据（anytime-valid evidence），以判断校正后的预测分布是否优于未校正的源预测分布。设定中，校正通过一个固定的非负倾斜（tilt）变换源预测分布得到，目标是在任意停止时间和任意输入序列（包括自适应选择的序列）下进行有效推断。核心方法是将校正与源预测的似然比作为条件 e 值（conditional e-value），其运行乘积构成 e 过程（e-process），该过程的对数等于累积的预测对数评分优势。理论贡献包括：条件漂移分解（conditional drift decomposition）刻画了在任意目标预测分布下的证据增长；校正依赖的半空间（correction-dependent half-space）识别了误设定目标分布下仍保持相同假确认界（false-confirmation bound）的条件；当似然比严格为正时，其倒数提供任意有效的反驳边界（refutation boundary），而过冲恒等式（overshoot identity）解释了为什么实际零假设穿越概率可能低于名义水平。方法涵盖标签偏移、条件均值和方差、子组特定及指数族校正等特例，并支持预设混合、可预测倾斜和超越容差比较。模拟实验表明边界穿越支持校正相对于参考的优越性，但不唯一识别引起偏移的机制。对您而言，本文的 e 过程框架和条件漂移分解为假设检验中的任意有效推断提供了新工具，可直接连接您对 hypothesis testing 和 sequential analysis 的兴趣。
• 关键技术: e-value, e-process, predictive likelihood ratio, conditional drift decomposition, anytime-valid inference, optional stopping
• 为什么对您有用: 本文直接切入 hypothesis testing 子方向，特别是任意有效推断（anytime-valid inference）这一前沿领域，与您对 mathematical statistics 和 hypothesis testing 的兴趣高度吻合。您的技术武库中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可用于分析 e 过程的渐近行为，而 moderately_familiar 的 M-estimation theory 可帮助理解条件漂移分解的估计性质。中期可做：若先巩固 moderately_familiar 的 semiparametric theory 中关于似然比和倾斜变换的理论，可进一步探索本文框架在因果推断中的预测校正应用。

15. 2608.09863 — The Earth Moves, But So Does the Bias: Systematic Upward Bias of the Wasserstein (Earth Mover's) Distance and Permutation-Based Null Calibration

• 作者: Ho Ting (Bosco), Hung
• 分类: stat.ME · stat.AP
• 相关性 4/10 · novelty: new_method
• 摘要: 本文指出 Wasserstein 距离（Earth Mover's Distance, EMD）在有限样本下存在系统性向上偏差，该偏差源于经验概率测度的抽样变异，在高维或稀疏设定（如 conjoint 分布）中尤为严重。现有政治科学文献常忽视此偏差，且标准 bootstrap 置信区间无法校正它。作者提出基于置换的零假设校准框架，用于更稳健的假设检验，无需方向性或分布形状假设。通过四组 Monte Carlo 模拟展示了该框架的效用。该方法适用于定义在共同度量空间上的两个概率分布的经验比较，只要支撑点之间的 ground distance 有实质意义。对您而言，该文涉及高维设定下经验过程的偏差校正问题，与您在高维统计和假设检验方面的兴趣直接相关；其置换校准思路可与您熟悉的非参数统计工具结合，用于改进因果推断中分布比较的检验程序。
• 关键技术: Wasserstein distance, permutation test, finite-sample bias, empirical probability measure, bootstrap uncertainty bounds, conjoint analysis
• 为什么对您有用: 该文直接关联您在高维统计和假设检验方面的兴趣，具体涉及高维稀疏设定下经验分布的偏差问题。您的技术武器库中'非参数统计'和'高维渐近'可直接用于分析该置换校准框架的渐近性质或提出更紧的偏差界。中期可做：若想将方法推广到因果推断中的分布比较（如 ATE 的分布敏感性分析），需先在 moderately_familiar 的'因果推断中的识别理论'上加强。

16. 2608.08678 — Conditionally Resampled Sliding-Window Count Kernels: Spectral-Gap Bounds and Poincar\'e Inequalities

• 作者: Yanjin Xiang, Yuchen Xin, Zhihua Zhang
• 分类: math.ST · math.PR · stat.ML · stat.TH
• 相关性 4/10 · novelty: new_theory
• 摘要: 本文研究有限状态空间上平稳可逆马尔可夫链的滑动窗口计数核的条件重采样版本。尽管计数过程本身通常不是马尔可夫的，但其平稳一步条件分布定义了一个真正的马尔可夫核。对于每个固定的严格正可逆核P，作者推导了长度为n的计数核的谱间隙下界为c(P)/n，其中c(P)仅依赖于P。证明结合了平稳路径律的鞅振荡不等式与坐标振荡到计数核Dirichlet形式的直接比较。计数向量的线性统计量给出了匹配的O(1/n)上界，因此对于每个固定的严格正可逆P，谱间隙为Θ(1/n)。得到的计数空间Poincaré不等式为有限窗口计数统计量提供了局部到全局的方差界，并结合矩阵集中原理给出了矩阵值经验平均的算子范数集中性。该结果对高维统计中的马尔可夫链集中不等式和随机矩阵理论有直接意义。
• 关键技术: spectral gap, Poincaré inequality, martingale oscillation inequality, sliding-window count kernel, matrix concentration
• 为什么对您有用: 本文直接关联到高维统计与随机矩阵理论（RMT）中的马尔可夫链集中不等式和谱间隙分析。您武器库中的高维渐近理论和非参数统计工具可用于验证其谱间隙界的紧性。中期可做：需先在moderately_familiar的M估计理论中熟悉Dirichlet形式与谱方法的联系。

17. 2608.08678 — Conditionally Resampled Sliding-Window Count Kernels: Spectral-Gap Bounds and Poincar\'e Inequalities

• 作者: Yanjin Xiang, Yuchen Xin, Zhihua Zhang
• 分类: math.ST · math.PR · stat.ML · stat.TH
• 相关性 4/10 · novelty: new_theory
• 摘要: 本文研究有限状态空间上平稳可逆马尔可夫链的滑动窗口计数核的条件重采样版本。尽管计数过程本身非马尔可夫，但其平稳一步条件分布定义了一个真正的马尔可夫核。对于每个固定的严格正可逆核P，作者推导了长度为n的计数核的谱间隙下界为c(P)/n，其中c(P)仅依赖于P。证明结合了平稳路径律的鞅振荡不等式与坐标振荡到计数核Dirichlet形式的直接比较。计数向量的线性统计量给出了匹配的O(1/n)上界，因此谱间隙恰好为Θ(1/n)。该计数空间Poincaré不等式为有限窗口计数统计量提供了局部到全局的方差界，并结合矩阵集中原理给出了矩阵值经验平均的算子范数集中性。对您而言，该工作与高维统计中的随机矩阵理论和集中不等式直接相关，其谱间隙分析技术可迁移至您熟悉的U-统计量的方差界问题。
• 关键技术: spectral gap, Poincaré inequality, martingale oscillation inequality, Dirichlet form, matrix concentration
• 为什么对您有用: 该工作直接关联您的高维统计与随机矩阵理论兴趣，特别是谱间隙和集中不等式的分析。您可以用非常熟悉的非参数统计和U-统计量计算（treewidth/einsum）视角来审视其计数核的方差界，并探索是否可将Poincaré不等式推广到高阶U-统计量的谱分析。中期可做：需先在中等熟悉的HOIF理论上提升，以处理更复杂的计数结构。

统计计算 / 算法 (stat_computing, 2 篇)

1. 2608.08576 — Exact Conditional Distributions of Chi-Square-Family Statistics for Two-Way Contingency Tables, by Cell-Separable Dynamic Programming

• 作者: William J. Dwyer
• 分类: stat.ME · stat.AP · stat.CO
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对二维列联表卡方族统计量（Pearson X²、power-divergence 族、方差稳定化 T_root）的精确条件分布问题，提出了一种基于动态规划的可计算方法。传统方法依赖近似分布（卡方、saddlepoint、bootstrap），在稀疏或异质表中校准偏差严重，而精确分布因边际固定下表格数量天文级而通常被认为不可计算。作者利用卡方族统计量对单元格可加性以及边际条件分布（多元 Fisher 非中心超几何）的逐单元格分解性质，设计了一种动态规划算法：逐单元格遍历，携带行容量状态，仅需存储少量矩累积器、统计量-概率映射或特征函数（一个复数），计算复杂度由边际状态数而非表格数决定。实验表明，5×5 表的精确条件矩计算（约 790 亿张表）仅需 3 秒；精确尾概率与枚举验证一致，而三矩卡方拟合误差高达 0.28。该方法无需 Monte Carlo，可为任何近似参考提供 ground truth，并扩展至非零备择假设。对您而言，该工作展示了如何利用统计量的可加性结构将组合爆炸问题转化为多项式时间动态规划，其核心思路（cell-separable DP）与您熟悉的 higher-order U-statistics 的 tensor-contraction 复杂度分析有深层共鸣——两者都涉及将高维求和分解为低维状态转移，值得作为统计计算中“结构驱动算法”的典型案例阅读。
• 关键技术: cell-separable dynamic programming, multivariate Fisher noncentral hypergeometric distribution, characteristic function, exact conditional moments, chi-square-family statistics
• 为什么对您有用: 本文直接连接您的 primary interest 中的 statistical computing 子方向，特别是统计量的精确分布计算这一经典难题。您的武器库中 computation of higher-order U-statistics (treewidth / tensor contraction / einsum) 与本文的 cell-separable DP 在思想层面高度同构：两者都利用统计量的可加性/可分解性将指数级枚举转化为多项式时间状态转移。您可以用 treewidth 视角分析本文 DP 的状态空间复杂度是否最优，或探索将类似思路推广到更高维列联表（如三维表）的精确条件分布——这属于 立即可做 的 follow-up，因为您对 tensor-contraction 复杂度分析非常熟悉。

2. 2608.08488 — Efficient Bayesian calibration of many-parameter system models

• 作者: Promit Chakroborty, Sankaran Mahadevan
• 分类: stat.ME
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对高维参数系统模型的贝叶斯校准问题，提出一种集成主动子空间降维与替代模型的高效计算框架。核心挑战在于高维参数空间采样的计算成本与模型评估的昂贵性。方法首先基于失配函数（负对数似然）识别主动子空间，将参数投影到低维潜在空间；然后在该低维空间中构建失配函数的替代模型，并确保其概率结构与观测噪声和模型偏差兼容。进一步，定义广义似然函数以纳入替代模型不确定性、实验噪声和模型不足等来源。理论证明该框架适用于任意确定性双射函数变换后的似然替代，并包含主动子空间识别不确定性的量化策略。数值实验展示了在工程系统模型中的校准效率与精度提升。对您而言，本文的主动子空间+替代模型策略是统计计算中处理高维贝叶斯逆问题的实用工具，与您对统计计算（数值方法）的兴趣直接相关，且其不确定性量化思路可迁移至因果推断中的敏感性分析。
• 关键技术: active subspaces, surrogate modeling, Bayesian calibration, Kennedy-O'Hagan framework, dimension reduction, generalized likelihood
• 为什么对您有用: 本文属于统计计算（数值方法）方向，直接对应您的 primary interest 中的 'statistical computing (numerical methods, algorithm)'。主动子空间降维与替代模型不确定性量化的思路，可迁移至您 very_familiar 的 'inverse problems with random noise' 和 'high-dimensional asymptotics' 领域，例如在高维因果推断中处理 nuisance 函数估计的计算瓶颈。中期可做：需先在 moderately_familiar 的 'semiparametric theory' 上巩固，以将替代模型不确定性纳入正交化估计框架。

天体统计 (astrostats, 3 篇)

1. 2608.09129 — Foreground Subtraction with a Tensor-Based Oriented Singular Value Decomposition Method for HI Experiments

• 作者: Shifan Zuo, Xuelei Chen, Yi Mao
• 分类: astro-ph.IM · astro-ph.CO
• 相关性 6/10 · novelty: application
• 摘要: 本文针对 21 cm 强度映射（IM）中的前景减除问题，提出了一种基于张量的定向奇异值分解（O-SVD）方法。传统方法将多维数据立方体展平为二维矩阵，可能破坏空间-光谱的固有相关性；O-SVD 将多频天空图和角功率谱视为三阶张量，直接在多重线性流形上进行分解，保留了物理拓扑结构并利用了前景在不同维度上的不同相干性。该方法在 SKA 科学数据挑战 3a（SDC3a）的高保真模拟数据和天籁柱面阵列的实测数据上进行了验证，结果表明 O-SVD 在信号恢复保真度和前景减除性能上均优于传统矩阵 SVD。作为一篇天文仪器/数据处理方法论文，本文清晰阐述了数据结构和噪声模型，适合作为统计学家进入 21 cm 宇宙学数据处理的入门读物。
• 关键技术: Oriented Singular Value Decomposition (O-SVD), tensor decomposition, 21 cm intensity mapping, foreground mitigation, SKA Science Data Challenge 3a
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了 21 cm IM 的数据结构（多频天空图作为三阶张量）、前景与信号的尺度差异（信号比前景弱数个量级）以及传统矩阵方法的缺陷，对统计学家友好。武器库中 'high-dimensional asymptotics' 和 'software development' 可直接用于理解其张量分解框架，但核心的天文物理背景（21 cm 信号模型、前景谱特性）需要额外学习，属于 '暂不可做'——缺天文物理领域的领域知识。不过作为入门读物，值得花时间读全文以了解该领域的数据挑战。

2. 2608.09781 — Pulsar Timing Array Sensitivity to Anisotropy: Empirical Sensitivity Curves, Scaling Relations, and the Multi-Resolution Pixel Basis

• 作者: Taha T. Moursy, Nihan S. Pol, Gabriella Agazie, Nikita Agarwal, Akash Anumarlapudi, Anne M. Archibald, Zaven Arzoumanian, Anjana Ashok, Jeremy G. Baier, Paul T. Baker, Bence B\'{e}csy, Laura Blecha, Adam Brazier, Paul R. Brook, Sarah Burke-Spolaor, Rand Burnette, Robin Case, J. Andrew Casey-Clyde, Maria Charisi, Shami Chatterjee, Tyler Cohen, James M. Cordes, Neil J. Cornish, Fronefield Crawford, H. Thankful Cromartie, Kathryn Crowter, Megan E. DeCesar, Paul B. Demorest, Heling Deng, Lankeswar Dey, Timothy Dolch, Graham M. Doskoch, Elizabeth C. Ferrara, William Fiore, Emmanuel Fonseca, Gabriel E. Freedman, Emiko C. Gardiner, Nate Garver-Daniels, Peter A. Gentile, Kyle A. Gersbach, Joseph Glaser, Deborah C. Good, Kayhan G\"{u}ltekin, Aiden Gundersen, C. J. Harris, Jeffrey S. Hazboun, Ross J. Jennings, Aaron D. Johnson, Megan L. Jones, David L. Kaplan, Anala K. Sreekumar, Luke Zoltan Kelley, Matthew Kerr, Joey S. Key, Nima Laal, Michael T. Lam, William G. Lamb, Bjorn Larsen, T. Joseph W. Lazio, Natalia Lewandowska, Tingting Liu, Duncan R. Lorimer, Jing Luo, Ryan S. Lynch, Chung-Pei Ma, Dustin R. Madison, Ashley Martsen, Cayenne Matt, Alexander McEwen, James W. McKee, Maura A. McLaughlin, Natasha McMann, Bradley W. Meyers, Patrick M. Meyers, Matthew T. Miles, Chiara M. F. Mingarelli, Andrea Mitridate, Cherry Ng, David J. Nice, Shania A. Nichols, Stella Koch Ocker, Daniel J. Oliver, Ken D. Olum, Timothy T. Pennucci, Benetge B. P. Perera, Polina Petrov, Henri A. Radovan, Scott M. Ransom, Paul S. Ray, Joseph D. Romano, Jessie C. Runnoe, Alexander Saffer, Shashwat C. Sardesai, Ann Schmiedekamp, Carl Schmiedekamp, Kai Schmitz, Levi Schult, Brent J. Shapiro-Albert, Xavier Siemens, Joseph Simon, Sophia V. Sosa Fiscella, Ingrid H. Stairs, Daniel R. Stinebring, Kevin Stovall, Abhimanyu Susobhanan, Joseph K. Swiggum, Jacob Taylor, Stephen R. Taylor, Mercedes S. Thompson, Jacob E. Turner, Michele Vallisneri, Rutger van Haasteren, Sarah J. Vigeland, Haley M. Wahl, Kevin P. Wilson, Caitlin A. Witt, David Wright, Olivia Young
• 分类: astro-ph.IM · astro-ph.HE
• 相关性 5/10 · novelty: application
• 摘要: 本文研究脉冲星计时阵列（PTA）对引力波背景各向异性的灵敏度。使用基于互相关的Fisher信息矩阵，在像素基和球谐基下量化灵敏度。通过模拟实验，经验性地确定了灵敏度与脉冲星数量（N_psr^{0.8}）、到达时间误差（δt^{-0.08}）、引力波频率以及各向异性角尺度（ΔΩ^{1.6-2.1}）之间的标度关系。利用NANOGrav的真实模拟数据，预测了30年观测基线下的灵敏度增长，发现除最低频外，单纯延长观测时长对灵敏度提升效果甚微。最后，基于灵敏度对天区位置的强依赖性，提出了一种多分辨率像素基，并通过注入与恢复实验展示了其有效性。本文对统计学家而言是一篇优秀的入门读物，清晰展示了PTA数据分析中的核心问题：高维协方差结构、信号检测与参数估计，以及计算效率与模型分辨率的权衡。
• 关键技术: Fisher information matrix, cross-correlation based sensitivity, spherical harmonic basis, multi-resolution pixel basis, scaling relations from simulations
• 为什么对您有用: 本文属于astrostats的gateway reading。它清晰阐述了PTA数据分析中的统计挑战（高维时空相关数据、弱信号检测、计算成本），对不熟悉天文学的统计学家友好。武器库中的'high-dimensional asymptotics'和'minimax bounds'可用于理解其灵敏度标度关系的理论最优性；'software development'技能可用于复现或扩展其多分辨率像素基的计算实现。值得花时间读全文，作为进入引力波天文学统计方向的入门。

3. 2608.09261 — Pointing Model Meets Deep Learning: A Retrospective Study on a MeerKAT+ Telescope Applying Deep Learning Methods for Blind Pointing Corrections

• 作者: Stefan Thoms, Matthias Reichert
• 分类: astro-ph.IM
• 相关性 4/10 · novelty: application
• 摘要: 本文对比了前馈神经网络（FNN）与传统指向模型（PM）在补偿天文仪器盲指向误差（Blind Pointing Error）上的效果。研究基于MeerKAT+射电望远镜的实际观测数据，该望远镜是南非MeerKAT阵列的扩展。传统PM通常依赖物理参数（如重力、温度、风速）的线性或多项式拟合，而FNN则直接从历史指向数据中学习非线性映射。实验结果表明，FNN在预测精度上优于传统PM，尤其在数据量充足时能捕捉更复杂的误差模式。文章还讨论了FNN的可解释性、训练数据需求以及在实际部署中的计算开销。对您而言，这是一篇典型的astrostatistics入门级应用文章，清晰展示了天文仪器中一个具体的统计预测问题（指向误差校正），并给出了数据结构和模型对比的直观描述，适合作为了解该领域数据特点的快速读物。
• 关键技术: Feedforward Neural Networks, Pointing Error Modeling, Nonlinear Regression, Instrument Calibration
• 为什么对您有用: 本文属于astrostatistics的gateway reading，适合作为统计学家进入该领域的入门材料。它清晰阐述了天文仪器指向误差这一具体问题，并对比了传统物理模型与深度学习方法的优劣，数据结构和评估指标明确。您的武器库中'非参数统计'和'高维渐近'虽不直接适用，但本文的模型对比思路（线性vs非线性、可解释性vs精度）对理解天文数据特点有参考价值。作为入门读物值得一读，但无需深入跟进方法细节。

经济理论 / 应用 (econ_theory, 5 篇)

1. 2608.08750 — Stationary Errors and Quantile Regression in Short Panels

• 作者: Shakeeb Khan, Elie Tamer
• 分类: econ.EM
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究短面板线性模型，其中个体效应无限制，但个体内扰动项具有时间平稳性。作者首先证明，在分位数回归框架下，平稳性是一个很强的约束：若条件分位数斜率随分位数变化，则平稳性会迫使斜率系数在所有分位数上相等，从而模型只能识别一个共同的“位置”系数，而非分位数特定的斜率效应。针对这一共同系数，作者提出了固定T的估计量：对每一期，用结果变量对全部历史协变量做横截面分位数回归；平稳性使得复合个体效应与扰动的分位数投影在各期之间相同，因此投影系数矩阵的对角与非对角块之差即可识别共同斜率（T≥2）。估计采用两步最小距离法，结合所有此类约束，得到√n-相合且渐近正态的估计量，允许个体内跨期任意依赖，且无需估计个体效应。文章还给出了相合的解析协方差估计量、聚类bootstrap以及过度识别检验。蒙特卡洛实验表明该估计量在各种设计下表现良好。本文对您作为经济学理论与应用因果推断的次级兴趣有直接参考价值：它提供了一个在短面板中利用平稳性进行分位数回归的识别策略，且估计方法简单、无需估计个体效应，适合作为入门级阅读材料。
• 关键技术: quantile regression, fixed-T panel, minimum distance estimation, stationary errors, cluster bootstrap
• 为什么对您有用: 本文属于经济理论（面板数据模型）的应用因果推断方向，是您secondary_interests中'econ_theory'的gateway reading。武器库中'very_familiar'的'estimation theory in causal inference'可直接理解其两步最小距离估计的识别逻辑，但分位数回归的平稳性约束与您常用的均值回归框架不同，属于'moderately_familiar'的'M-estimation theory'范畴。本文适合作为入门读物，帮助您快速进入短面板分位数回归领域；武器库足以支撑理解核心方法，但若要深入拓展（如处理异质性效应），需先在分位数回归的渐近理论上补课。

2. 2608.09686 — Generalized AKM: Flexible Controls and Interactions in Wage Decompositions

• 作者: Francesco Del Prato, Yaroslav Korobka, Paolo Zacchia
• 分类: econ.EM
• 相关性 7/10 · novelty: new_method
• 摘要: 该论文在经典的 AKM 工资分解框架中引入非参数协变量调整，允许未知光滑函数和组别特异性非线性交互，同时保持原始方差成分的可分解性。作者证明了在异方差误差和大量固定效应下估计量的一致性和渐近正态性，并刻画了二次型所需的光滑性条件。在葡萄牙雇主-雇员数据中，加入工人和企业输入控制后，偏差校正的工人效应方差从 0.551 降至 0.474，企业效应方差从 0.144 降至 0.121，分类效应从 0.080 降至 0.047。三种组别特异性非线性基下，企业效应方差稳定在 0.114-0.117，分类效应在 0.041-0.042，而工人效应方差在 0.474-0.491 间波动。结果表明控制变量的选择比其灵活形式对企业方差和分类效应影响更大，而工人方差对基函数更敏感。该论文为经济理论中的工资分解提供了半参数扩展，其非参数调整和方差成分推断方法对您关注的因果推断（如 mediation 中的方差分解）有潜在借鉴价值。
• 关键技术: AKM decomposition, nonparametric covariate adjustment, many fixed effects, heteroskedasticity-robust inference, variance components estimation
• 为什么对您有用: 该论文直接对应您的 secondary interest 中的经济理论（工资分解与方差成分），且其半参数调整方法（未知光滑函数+组别交互）与您 primary interest 中的非参数/半参数理论有技术重叠。您的武器库中 very_familiar 的非参数统计和 minimax 界可用于分析其光滑性条件是否最优，而 moderately_familiar 的 M-估计理论可用于检验其渐近正态性证明的稳健性。中期可做：若想将类似非参数调整框架迁移到因果推断中的 mediation 方差分解，需先在 moderately_familiar 的识别理论上加强。

3. 2608.09219 — Asymmetries in Peer Effects

• 作者: Aristide Houndetoungan, Mathieu Lambotte
• 分类: econ.EM
• 相关性 6/10 · novelty: application
• 摘要: 本文提出一个非对称同伴效应结构模型，其中个体对表现优于或劣于自己的同伴的反应不同（conformity incentive 不对称）。模型证明存在唯一均衡，参数可通过简单矩条件识别和估计。应用于学生成绩数据，发现显著的非对称同伴效应。进一步在预算约束下研究定向干预，发现忽略非对称性会导致低效的干预分配和显著的福利损失。对您而言，本文是经济理论中应用因果推断（IV/结构模型）的实证案例，可作为 gateway reading 了解该领域的数据结构和识别策略。
• 关键技术: structural model, moment conditions, peer effects, asymmetric conformity, targeted intervention
• 为什么对您有用: 本文属于经济理论（secondary interest），提供了一个结构模型与矩估计结合的实证案例。武器库中 'estimation theory in causal inference' 和 'identification theory' 可直接理解其识别策略；但本文是应用导向，不涉及新方法学，属于 gateway reading。值得花时间读全文以了解经济领域 peer effects 的数据结构和识别套路。

4. 2608.07601 — A framework for assessing value and heterogeneity, illustrated using an early model of population screening with a multi-cancer early detection test

• 作者: N Kunst, S Dias, K Payne, S Palmer, MO Soares
• 分类: econ.EM
• 相关性 4/10 · novelty: application
• 摘要: 本文提出一个评估医疗干预经济价值的框架，通过分解价值并考察异质性来指导决策。以多癌早期检测（MCED）测试在英国人群筛查中的早期健康经济模型为例，模拟了年度Galleri筛查在无症状人群中的效果，以质量调整生命年（QALYs）衡量结果。方法上，将无测试成本假设下的“headroom value”分解为癌症识别（诊断前后）、假阳性、过度诊断和错误分类等关键组成部分，并进一步按癌症类型分解诊断后价值以探索异质性。结果显示，每位个体的总headroom value约为0.135 QALYs，早期癌症识别是主要贡献者，结直肠癌、肺癌和卵巢癌贡献了50%的总价值。该框架可帮助决策者明确价值驱动因素、评估总体估计的合理性、探索异质性，并优先安排未来模型和证据开发活动。对您而言，这是一篇经济理论应用领域的实证论文，展示了如何将因果推断中的异质性分析思路（如分层处理效应）融入健康经济学评估，可作为了解该领域数据结构和分析模式的入门读物。
• 关键技术: decision-analytic model, value disaggregation, headroom analysis, QALY measurement, heterogeneity decomposition
• 为什么对您有用: 本文属于经济理论应用方向，展示了健康经济学中价值评估的框架性方法。您的武器库中'identification theory in causal inference'和'nonparametric statistics'可用于分析其异质性分解的识别假设是否合理，例如癌症类型间的价值差异是否受选择偏差影响。作为入门读物，本文清晰呈现了数据（筛查队列、成本、QALYs）和模型（决策分析树）结构，适合快速进入该领域，但核心方法并非您的主攻方向，暂不可做直接的方法学迁移。

5. 2608.09213 — A Comparison of High-Dimensional Variable Selection Procedures for Electricity Spot Price Forecasting

• 作者: Charisios Grivas, Mikkel Mandrup, Orimar Sauri
• 分类: econ.EM
• 相关性 4/10 · novelty: application
• 摘要: 本文针对电力现货价格预测中的高维变量选择问题，比较了六种方法，包括LASSO、Elastic Net和最近提出的Boosting Multiple Testing (BMT)。使用六个区域电力市场的广泛数据集，评估了样本外预测精度和模型简洁性。发现LASSO和Elastic Net预测精度相当且优于多数筛选方法，但BMT在匹配其预测性能的同时，使用的变量数量不足其十分之一。结果表明BMT为研究人员提供了更可解释且计算高效的替代方案，且无预测精度损失。对您而言，这是一篇应用导向的实证论文，展示了高维变量选择方法在能源经济学中的具体应用，可作为经济理论兴趣方向的入门阅读。
• 关键技术: LASSO, Elastic Net, Boosting Multiple Testing (BMT), high-dimensional variable selection, out-of-sample forecasting
• 为什么对您有用: 本文属于经济理论（应用）方向，可作为该领域的入门读物，了解高维变量选择方法在电力市场预测中的实际应用。您的武器库中非参数统计和高维渐近理论足以理解其方法框架，但本文主要是实证比较，方法学新颖性有限，属于中期可读的范畴，无需立即跟进。

流行病学 (epidemiology, 1 篇)

1. 2608.09103 — Bayesian ACCESS for Understanding Latent Epidemic Trajectories from Publicly Released Suppressed Data: Application to U.S. Opioid-related Overdose Mortality

• 作者: Jiahao Cao, Kehe Zhang, Cici Bauer
• 分类: stat.ME · stat.AP
• 相关性 5/10 · novelty: application
• 摘要: 本文针对公开健康统计中因小计数抑制（suppression）导致的缺失数据问题，提出贝叶斯层次框架 Bayesian ACCESS，用于推断潜在流行病轨迹及其结构变化。模型通过抑制感知观测模型直接刻画被抑制的计数数据，联合推断多个时间变点与潜在轨迹，并利用贝叶斯非参数聚类在相关地理和人口群体间借用信息，同时保留有意义的异质性。方法应用于 CDC WONDER 1999-2024 年美国阿片类药物过量死亡数据，识别出不同亚组的流行病轨迹和结构变化，这些在未显式处理数据抑制时难以刻画。该工作属于应用导向的方法学贡献，核心创新在于将抑制机制纳入观测模型，而非提出全新的统计理论。对您而言，这是一篇流行病学领域的应用论文，展示了如何处理公开数据中常见的披露限制问题，其贝叶斯层次建模思路和变点检测框架可作为您未来在流行病学应用中的参考，但方法学新颖性有限。
• 关键技术: Bayesian hierarchical model, change point detection, Bayesian nonparametric clustering, suppression-aware observation model, CDC WONDER data
• 为什么对您有用: 本文属于流行病学应用，直接连接您的 secondary interest 中的流行病学数据集和因果推断应用。您武器库中的非参数统计和 M-估计理论可用于分析其变点检测的收敛性，但核心贝叶斯层次建模和 MCMC 计算不在您的主要技术栈中，属于暂不可做——需要先熟悉贝叶斯非参数方法。作为流行病学入门读物，本文清晰展示了公开数据抑制问题的实际挑战和建模策略，值得花时间读全文以了解该领域的数据结构。

其他 (other, 6 篇)

1. 2608.08597 — Partial Differential Equation Barriers to Identifiability in Infinite Mixture Models

• 作者: Dung Le, Nicola Bariletto, Alessandro Rinaldo, Nhat Ho
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究无限混合模型中混合度量的可识别性问题。作者证明，在许多常见情况下，不可识别性可由核族关于其参数的特定微分结构来刻画。核心结果是：当核函数被参数空间上的非平凡微分或差分-微分算子零化时，存在无穷多个不同的混合度量产生相同的混合密度。文章给出了此类算子存在的可验证条件，覆盖了位置-尺度高斯、位置-尺度t分布、Gamma、Beta、Dirichlet、负二项和非中心卡方等常见分布族。这些条件适用于充分统计量维度低于参数维度的任何指数族，以及得分函数多项式增长的核函数。作为补充，作者在不可识别性下给出了混合度量Wasserstein距离估计误差的极小极大下界。另一方面，文章描述了三类保持可识别性的核函数，使得非参数统计推断仍然可行。
• 关键技术: differential operator characterization, identifiability in mixture models, minimax lower bound, Wasserstein distance, exponential family
• 为什么对您有用: 本文属于非参数统计理论中的可识别性基础问题，与您的primary interest中的非参数理论直接相关。但该工作聚焦于混合模型的可识别性刻画，而非您更熟悉的因果推断或高维统计方向。从技术武器库看，您对非参数统计和极小极大界非常熟悉，可以理解其核心论证，但该问题与您当前研究方向的直接连接较弱，属于中期可做范畴——需要先在非参数混合模型领域积累一些背景知识。建议作为拓宽理论视野的阅读，但不急于深入。

2. 2608.08597 — Partial Differential Equation Barriers to Identifiability in Infinite Mixture Models

• 作者: Dung Le, Nicola Bariletto, Alessandro Rinaldo, Nhat Ho
• 分类: math.ST · stat.TH
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究无限混合模型中混合度量的可识别性问题。作者证明，在许多常见情形下，不可识别性可由核族关于参数的微分结构刻画：当核被参数空间上的非平凡微分或差分-微分算子零化时，存在无穷多个不同的混合度量生成相同的混合密度。文章给出了此类算子存在的可验证条件，覆盖了位置-尺度高斯、位置-尺度t、Gamma、Beta、Dirichlet、负二项和非中心卡方等常见分布族，并推广到充分统计量维度低于参数维度的指数族以及得分函数多项式增长的核。在不可识别性下，作者给出了混合度量Wasserstein距离估计误差的极小极大下界；同时描述了三类保持可识别性、仍可进行非参数统计推断的核。
• 关键技术: differential operator characterization, identifiability in mixture models, minimax lower bound, Wasserstein distance, exponential family
• 为什么对您有用: 本文属于非参数统计理论（混合模型可识别性），与您的primary interest中'非参数与半参数理论'直接相关。您武器库中'非参数统计'和'极小极大界'的功底可直接用于理解其下界论证，但核心工具是微分算子与PDE，不在您当前武器库中，属于暂不可做方向。若您对混合模型可识别性有长期兴趣，可作为理论背景阅读。

3. 2608.09736 — Censored Heteroscedastic Extremes

• 作者: Martin Bladt, Theodor Henningsen
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究在随机右删失下，非独立同分布极值观测的尾部异质性估计问题。在无删失设定中，尾部异质性由事件scedasis函数描述，度量不同设计点对上尾的相对贡献；但在删失下，观测到的尾部异质性被删失scedasis函数污染，直接应用无删失方法会估计错误的目标量。作者提出了一种Beran型相对事件scedasis估计量，在温和条件下具有相合性。为获得这些结果，将生存分析表示推广到非独立同分布情形的高阶次序统计量上：具体地，发展了条件Nelson-Aalen和Beran理论，其随机端点在概率趋于1的意义上被确定性的高局部分位数控制。推导了条件Nelson-Aalen估计量的鞅阵列表示，并给出了仅依赖于样本分数和带宽的显式误差界。模拟展示了有限样本性能，法国财产-意外险理赔数据应用说明了异质性删失如何扭曲朴素的scedasis估计。
• 关键技术: Beran estimator, conditional Nelson-Aalen estimator, martingale array representation, extreme value theory, random right-censoring, scedasis function
• 为什么对您有用: 本文属于极值统计与生存分析的交叉，与您的主要兴趣（高维统计、半参理论）无直接重叠，但其中的条件Nelson-Aalen估计量的鞅阵列表示和误差界技术对处理删失数据的高维极值问题可能有方法论启发。作为gateway reading，本文对非统计学家（如精算或流行病学研究者）的入门友好度一般，因为需要极值理论和生存分析基础。武器库中'非参数统计'和'逆问题'的熟悉度足以理解核心方法，但该方向并非您当前研究重点，暂不可做直接follow-up。

4. 2608.09736 — Censored Heteroscedastic Extremes

• 作者: Martin Bladt, Theodor Henningsen
• 分类: math.ST · stat.TH
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究在随机右删失下，非同分布极值观测的尾部异质性估计问题。在无删失设定中，尾部异质性由事件scedasis函数描述，度量不同设计点对上尾的相对贡献。然而在删失下，观测到的尾部异质性被删失scedasis函数污染，直接应用无删失技术会估计错误的目标量。作者提出了一种Beran型相对事件scedasis估计量，在温和条件下具有相合性。为得到这些结果，将生存分析表示推广到非同分布情形的高阶次序统计量上，具体发展了条件Nelson-Aalen和Beran理论，其随机端点以趋于1的概率被确定性的高局部分位数控制。推导了条件Nelson-Aalen估计量的鞅阵列表示，并给出了仅依赖于样本分数和带宽的显式误差界。模拟展示了有限样本性能，法国财产险理赔数据应用说明了异质性删失如何扭曲朴素的scedasis估计。本文属于极值统计与删失生存分析的交叉，与您的主要兴趣（因果推断、高维统计等）无直接关联，但尾部异质性估计在保险精算和可靠性分析中有应用价值。
• 关键技术: Beran estimator, conditional Nelson-Aalen estimator, martingale array representation, scedasis function, random right-censoring, extreme value theory
• 为什么对您有用: 本文属于极值统计与删失生存分析的交叉领域，与您列出的主要兴趣（因果推断、高维统计、半参理论等）无直接关联。作为gateway reading，它聚焦于一个较窄的技术问题（尾部异质性估计），而非提供可迁移的统计方法论。武器库中非参数统计和逆问题工具可理解其技术框架，但核心的极值渐近和删失鞅方法不在熟悉范围内，属于暂不可读的领域。

5. 2608.08422 — Population-Level Generative Modeling for Ranking Data

• 作者: Zhaoyang Shi
• 分类: stat.ME · cs.LG · math.ST · stat.ML · stat.TH
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对排序数据（ranking data）的生成建模问题，提出一个基于潜在偏好单纯形嵌入（latent preference simplex embedding）的框架。排序数据是高维组合对象，具有非欧几里得依赖结构，且人群偏好存在显著异质性，传统统计工作多关注偏好估计、排序聚合等推断任务，而生成逼真的合成排序数据对隐私保护数据共享、基准构建、模拟和不确定性量化至关重要。该方法首先通过基于似然的排序模型估计低维潜在偏好单纯形，然后利用流匹配（flow matching）学习潜在偏好的总体分布，最后通过拟合的概率排序模型生成新排序数据。理论方面，作者证明了排序生成可归约为潜在分布学习问题，并给出了有限样本生成保证，阐明了项目数、排序长度和潜在维度对生成精度的影响。实验表明该方法在总体保真度上优于现有方法，并能提供统计上可解释的偏好异质性表示。
• 关键技术: flow matching, latent preference simplex embedding, likelihood-based ranking model, finite-sample generative guarantees
• 为什么对您有用: 本文属于统计方法论文，但核心问题（排序数据生成）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。排序数据生成涉及组合结构和潜在变量建模，您武器库中的非参数统计和最小最大界工具可部分用于分析其生成误差，但核心的流匹配和潜在单纯形嵌入技术不在您的技术库中。作为gateway reading，本文对排序数据生成这一新兴方向提供了清晰的框架和理论保证，适合作为入门读物了解该领域，但暂不可做后续工作。

6. 2608.09534 — Conditional Regime Analog Forecasting with Trajectories: A Nonparametric Framework for Multivariate Probabilistic

• 作者: Giancarlo Vercellino
• 分类: stat.ME
• 相关性 4/10 · novelty: application
• 摘要: 本文提出 CRAFT（条件状态模拟类比预测），一种用于多变量概率时间序列预测的非参数框架。方法通过累积多期收益率构建配对的后向与前向轨迹剖面，利用奇异值分解、变点分割和段聚类学习低维状态标签，并估计后向到前向的条件状态对应关系。预测分布通过复合兼容性得分从历史前向轨迹剖面中重采样获得，该得分结合了未来状态对应性和与当前后向轨迹剖面的相似性。与参数化向量自回归或高斯状态空间模型不同，CRAFT 通过重采样完整未来路径保留了经验截面和多期依赖性。文章描述了估计量、诊断方法，并提供了可复现的模拟基准，将 CRAFT 与直接类比重采样、SVD 类比、无条件 bootstrap、OLS VAR bootstrap 和随机森林预测进行了比较。该工作属于非参数时间序列预测方法，对您的主要兴趣（因果推断、高维统计等）无直接技术连接，但可作为统计计算中非参数重采样方法的一个应用案例参考。
• 关键技术: nonparametric time-series prediction, singular value decomposition, change-point segmentation, analog resampling, conditional regime correspondence
• 为什么对您有用: 本文属于非参数时间序列预测方法，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接技术连接。作为统计计算领域的应用案例，它展示了非参数重采样在多元概率预测中的使用，但武器库中缺乏直接可攻的口子。暂不可做——核心机器（时间序列预测的非参数方法）不在武器库中，且无明确的方法学新颖性可迁移。

🗂 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. 2608.07708 — Small Area Bayesian Dynamic Borrowing: Adaptive Subgroup Estimation for Large-Scale Educational Assessments

• 作者: Sinan Yavuz, David Kaplan
• 分类: stat.ME · stat.AP
• 相关性 3/10
• 评分理由: 应用统计方法，与主要兴趣（因果推断、高维统计等）无直接关联。

2. 2608.08835 — Win Time In Favor of Treatment (WINFT) for Hierarchical Endpoints

• 作者: Sahil S. Patel, Huiman Barnhart, Lu Mao, Roland A. Matsouaka, Yuliya Lokhnygina
• 分类: stat.ME
• 相关性 3/10
• 评分理由: Win statistics for hierarchical endpoints in clinical trials; unrelated to primary interests in causal inference or high-dim statistics.

3. 2608.09626 — A Spatial Fay-Herriot Model when the Auxiliary Variables are based on Non-traditional Data

• 作者: Robin Markwitz, Angelo Moretti, Camilla Salvatore
• 分类: stat.ME
• 相关性 3/10
• 评分理由: Small area estimation with measurement error; not aligned with primary interests in causal inference or high-dimensional statistics.

4. 2608.08579 — QUIJOTE scientific results - XX. Commissioning and First Results from the Thirty and Forty Gigahertz Instrument (TFGI)

• 作者: M. Fern\'andez-Torreiro, J. A. Rubi\~no-Mart\'in, R. T. G\'enova-Santos, G. Pascual-Cisneros, A. Fasano, F. J. Casas, R. J. Hoyland, M. W. Peel, C. H. L\'opez-Caraballo, U. Bose, R. Rebolo, K. Aryan, R. B. Barreiro, R. Cepeda-Arroita, D. Herranz, E. Mart\'inez-Gonz\'alez, F. Poidevin, R. Puddu, P. Vielva
• 分类: astro-ph.IM · astro-ph.CO
• 相关性 3/10
• 评分理由: 射电天文仪器调试与巡天结果，无统计方法或数据建模内容，与研究者兴趣无关。

5. 2608.08717 — The James Webb Space Telescope Absolute Flux Calibration. VI. Near-Infrared Camera Imaging and Coronagraphy

• 作者: Martha L. Boyer, Benjamin Sunnquist, Bryan Hilbert, Dan Coe, Varun Bajaj, Paul Bennet, Julien Girard
• 分类: astro-ph.IM
• 相关性 3/10
• 评分理由: JWST流量定标论文，涉及数据处理但纯属天文仪器校准，无统计方法创新，与研究者兴趣无关。

6. 2608.08391 — A systematic framework for the identification and statistical quantification of impulsivity in condition monitoring signals

• 作者: Aleksandra Grzesiek, Justyna Witulska, Daniel Kuzio, Rados{\l}aw Zimroz, Tomasz Barszcz, Agnieszka Wy{\l}oma\'nska
• 分类: stat.ME
• 相关性 2/10
• 评分理由: 专注于信号处理中的脉冲性量化，与主要统计兴趣无关。

7. 2608.09718 — Why the unrestricted weighted least squares should be routinely reported in medical meta-analyses

• 作者: T. D. Stanley, John P. A. Ioannidis, Maximilian Maier, Hristos Doucouliagos, Willem M. Otte, Franti\v{s}ek Barto\v{s}
• 分类: stat.ME
• 相关性 2/10
• 评分理由: Meta-analysis methodology; unrelated to the researcher's primary or secondary interests.

8. 2608.07633 — Environmental Noise Challenges for the Einstein Telescope - A Review

• 作者: Matteo Di Giovanni
• 分类: astro-ph.IM · gr-qc
• 相关性 2/10
• 评分理由: 纯天文学仪器综述，无数据/模型分析维度，不符合astrostats gateway标准。

9. 2608.07738 — Spectrally dispersed non-redundant aperture-masking interferometry in the thermal infrared with LBTI/ALES

• 作者: T. A. Stuber (Department of Astronomy and Steward Observatory, The University of Arizona), J. M. Stone (Department of Physics and Astronomy, University of Wyoming), J. W. Isbell (Department of Astronomy and Steward Observatory, The University of Arizona), T. De Prins (Institute of Astronomy, KU Leuven), J. P. Scott (Department of Astronomy and Steward Observatory, The University of Arizona), J. A. Eisner (Department of Astronomy and Steward Observatory, The University of Arizona), J. Carlson (Department of Astronomy and Steward Observatory, The University of Arizona), S. Ertel (Department of Astronomy and Steward Observatory, The University of Arizona)
• 分类: astro-ph.IM · astro-ph.EP
• 相关性 2/10
• 评分理由: 纯天文学仪器技术，无数据/模型分析维度，不符合astrostats gateway标准。

10. 2608.07769 — On-sky capabilities and performance of the Keck All Sky Precision Adaptive Optics system

• 作者: Avinash Surendran, Maxwell Service, Jacques R. Delorme, Carlos M. Correia, Marcos A. Van Dam, Eduardo Marin, Antonin Bouchez, Peter Wizinowich, Jason Chin, Sylvain Cetre, Sam Ragland, Uriel Conod, Jacob Taylor, Scott Lilley, Luke Gers, Ed Wetherell, Jessica Lu, Noah Stiegler, Anna Pusack, Zoe Haggard, Will Gauvin, Julien T. Bernard, Dietrich Pescoller, Roberto Biasi
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 纯天文学仪器技术，无数据/模型分析维度，不符合astrostats gateway标准。

11. 2608.07817 — Overview and status of BICEP Array's BA4-90/150 CMB polarimeter

• 作者: M. A. Petroff, P. A. R. Ade, Z. Ahmed, M. Amiri, D. Barkats, R. Basu Thakur, C. A. Bischoff, D. Beck, J. J. Bock, V. Buza, B. Cantrall, J. R. Cheshire IV, J. Connors, J. Cornelison, M. Crumrine, A. J. Cukierman, E. Denison, L. Duband, M. A. Echter, M. Eiben, B. D. Elwood, S. Fatigoni, J. P. Filippini, A. Fortes, M. Gao, C. Giannakopoulos, N. Goeckner-Wald, D. C. Goldfinger, S. Gratton, J. A. Grayson, A. Greathouse, P. K. Grimes, M. Halpern, S. Henderson, T. D. Hoang, J. Hubmayr, H. Hui, K. D. Irwin, M. Izquierdo Poza, J. H. Kang, K. S. Karkare, S. Kefeli, J. M. Kovac, C. Kuo, K. Lasko, K. Lau, M. Lautzenhiser, T. Liu, S. C. Mackey, N. Maher, K. G. Megerian, L. Minutolo, L. Moncelsi, Y. Nakato, H. T. Nguyen, R. O'Brient, S. N. Paine, A. Patel, A. R. Polish, T. Prouve, C. Pryke, C. D. Reintsema, T. Romand, M. Salatino, A. Schillaci, B. Schmitt, B. Singari, A. Soliman, T. St. Germaine, A. Steiger, B. Steinbach, R. Sudiwala, K. L. Thompson, C. Tucker, A. D. Turner, C. Verg`{e}s, A. G. Vieregg, A. Wandui, A. C. Weber, J. Willmert, W. L. K. Wu, H. Yang, C. Yu, L. Zeng, C. Zhang, S. Zhang
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 纯天文学仪器技术，无数据/模型分析维度，不符合astrostats gateway标准。

12. 2608.07927 — Spec-S5: A Next-Generation All-Sky Spectroscopic Facility Enabling Large-Scale Surveys for Cosmology and Astrophysics

• 作者: Claire Poppett, David J. Schlegel, Arjun Dey, Klaus Honscheid, Paul Martini, Alex Drlica-Wagner, Pat Jelinsky, Chang-Jin Oh, Konstantina Boutsia, Joseph H. Silber, Nicholas R. Wenner
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 纯天文学仪器综述，无数据/模型分析维度，不符合astrostats gateway标准。

13. 2608.08297 — Design evolution for the Wide-field Spectroscopic Telescope

• 作者: Will Saunders, Corentin Cudennec, Roland Bacon, Philippe Dierickx, Roelof de Jong, David Lee, Gaston Gausachs
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 纯天文仪器设计论文，无统计方法或数据建模内容，与研究者兴趣无关。

14. 2608.08312 — Design and simulation of a photonic lantern-inspired astrophotonic chip for spectral sensing

• 作者: Avi Patel, Kevin A. Bundy, Aditya Sengupta, Matthew C. DeMartino, Anna Gagnebin, Emiel Por, Majid Mohammad, Michael Arena, Aled Cuda, Kiana Ejercito, Stephen Eikenberry, Ben Mazin, Holger Schmidt
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 纯光子芯片仿真设计，无统计或数据科学内容，与研究者兴趣无关。

15. 2608.08807 — A Hybrid R-Theta Fiber Positioning Robot Using a Piezoelectric Bender for Radial Motion

• 作者: Michael Schubnell, Tim Fanning, Andrew Hope, Joseph Silber, Greg Tarl\'e, Nicholas Wenner
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 光纤定位机器人机械设计论文，无统计或数据科学内容，与研究者兴趣无关。

16. 2608.09237 — Optimizing Wavefront-Deformation Sensor Placement for Active Radio-Telescope Surfaces

• 作者: Stefan Thoms, Martin Timpe, Matthias Reichert
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 射电望远镜主动表面传感器优化布局，纯工程优化问题，无统计方法或数据建模内容。

17. 2608.09630 — Unsupervised Domain Adaptation for Multitask Image Analysis in Realistic Context with Extreme Label Shift; Application to the CTAO first Large Sized Telescope

• 作者: Micha\"el Dell'aiera, Thomas Vuillaume, Alexandre Benoit
• 分类: astro-ph.IM · cs.CV
• 相关性 2/10
• 评分理由: 计算机视觉领域自适应方法，与统计兴趣无关。

18. 2608.09657 — Wigner interferometry

• 作者: Vladimir Lenok
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 天文干涉测量新方法，与统计兴趣无关。

19. 2608.09804 — SGNAX: a unified matched-filter and excess-power pipeline for gravitational-wave detector characterization

• 作者: Zach Yarbrough, Olivia Godwin, Derek Davis, Gabriela Gonz\'alez
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: 引力波探测器表征管道，涉及信号处理但非统计核心兴趣。

20. 2608.09862 — A bestiary of low-level electrical artifacts in SPHEREx flight data

• 作者: Candice M. Fazar, Michael Zemcov, C. Darren Dowell, Brendan P. Crill, Chi Nguyen, Howard Hui
• 分类: astro-ph.IM
• 相关性 2/10
• 评分理由: SPHEREx数据中电子伪影分析，与统计兴趣无关。

21. 2608.09486 — Relative Variability Estimation for the Power Lindley Model with Progressive Type-I Interval Censored Data

• 作者: Bankitdor M. Nongrum, Adarsha Kumar Jena
• 分类: stat.ME
• 相关性 1/10
• 评分理由: Focused on a specific parametric distribution (Power Lindley) and censored data methods, unrelated to primary or secondary interests.

22. 2608.08198 — Complete Monotonicity of the Srivastava-Tomovski Function and Its Laplace-Wright Realization

• 作者: Rey R. Cuenca, Welfredo R. Patungan, Ruzzel Ragas
• 分类: math.ST · math.PR · stat.TH
• 相关性 1/10
• 评分理由: Pure special-function analysis with no statistical inference, data, or modeling; completely unrelated to the researcher's interests.

23. 2608.08198 — Complete Monotonicity of the Srivastava-Tomovski Function and Its Laplace-Wright Realization

• 作者: Rey R. Cuenca, Welfredo R. Patungan, Ruzzel Ragas
• 分类: math.ST · math.PR · stat.TH
• 相关性 1/10
• 评分理由: Pure special-function analysis with no statistical inference, data, or modeling; completely unrelated to the researcher's interests.

24. 2608.08170 — Beyond the Grid: Cost, Carbon, and Capital Requirements of On-Site Power Technologies for AI Data Centers

• 作者: Eliseo Curcio
• 分类: econ.EM · eess.IV
• 相关性 1/10
• 评分理由: Unrelated to any primary or secondary interest; focuses on energy economics for data centers.

25. 2608.09340 — Kratos-linerad: GPU-accelerated Monte Carlo radiative transfer of lines with efficient imaging

• 作者: Lile Wang
• 分类: astro-ph.IM · astro-ph.GA · astro-ph.SR
• 相关性 1/10
• 评分理由: 纯天体物理辐射传输代码，与统计兴趣无关。

26. 2608.09795 — Quasi-automatic software support for Gaia ground based optical tracking

• 作者: S. Bouquillon, C. Barache, T. Carlucci, F. Taris, M. Altmann, A. H. Andrei, R. Smart, I. A. Steele, S. G. Els
• 分类: astro-ph.IM
• 相关性 1/10
• 评分理由: Gaia卫星地面跟踪软件支持，与统计兴趣无关。

27. 2608.09835 — NASA ASTRA Initiative White Paper: Space-Based Mission for Ultrahigh Energy Particles

• 作者: Mauricio Bustamante (for PhysPAG), Johannes Eser (for PhysPAG), Ke Fang (for PhysPAG), Claire Gu\'epin (for PhysPAG), John Krizmanic (for PhysPAG), Eric Mayotte (for PhysPAG), Keith McBride (for PhysPAG), Kohta Murase (for PhysPAG), Mary Hall Reno (for PhysPAG), Frank Schroeder (for PhysPAG), Tonia M. Venters (for PhysPAG), Stephanie Wissel (for PhysPAG)
• 分类: astro-ph.IM · astro-ph.HE
• 相关性 1/10
• 评分理由: 超高能宇宙射线白皮书，与统计兴趣无关。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论