2026-08-13 每日 arXiv 资讯

• 高相关论文 12 篇 · 中相关 64 篇 · 其他 58 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 5 篇)

1. 2608.10305 — COMPACT: Spectral Adjustment Scores from a Complete and Irreducible Causal Criterion

• 作者: Eric V. Strobl
• 相关性 9/10 · novelty: new_method
• 摘要: 本文提出一种新的因果调整变量选择方法 COMPACT，目标是在高维基线变量存在且研究者不确定哪些变量应纳入调整集时，自动构造一个低维得分。核心创新在于：在忠实性假设下，作者考察了候选得分、处理变量与结局变量之间所有可能的因果图，并识别出最大的一组无条件与条件独立性关系，这些关系的真值在处理是否导致结局这一问题上是不变的。这一准则定义了通过上述关系可表达的最具特异性的图类。算法通过广义特征值问题求解得分空间，该空间同时瞄准平衡坐标（类似倾向得分）和结局引导坐标。关键理论贡献包括：证明充分信息量的代理变量可在不直接观测调整变量的情况下恢复该得分空间，刻画了由此产生的估计误差与因果误差，并建立了完整过程的bootstrap有效性。模拟与真实数据应用显示该方法在多种设定下优于现有替代方案。对您而言，本文在因果推断的调整变量选择这一子方向上提供了新的识别策略，其利用广义特征值构造得分的思路可与您熟悉的非参数统计与高维渐近工具结合，中期可做：需先在 moderately_familiar 的识别理论上进一步熟悉其图模型假设的合理性边界。
• 关键技术: generalized eigenvalue problem, balancing score, faithfulness assumption, proxy variables, bootstrap validity
• 为什么对您有用: 本文直接连接您 primary interest 中的因果推断（调整变量选择与识别），其核心机制——通过广义特征值问题构造得分——与您 very_familiar 的高维渐近和非参数统计工具高度兼容。中期可做：需先在 moderately_familiar 的因果识别理论上理解其图模型假设（忠实性、代理变量充分性）的适用边界，之后即可用您熟悉的 minimax 框架分析其得分估计的收敛速率。

2. 2608.13094 — Causal Mediation Analysis with a Time-Dependent Mediator, Time-Dependent Confounders and a Time-to-Event Outcome: Revisiting the Difference Method

• 作者: Robin Denz, Nina Timmesfeld
• 相关性 8/10 · novelty: application
• 摘要: 本文系统评估了差异法（difference method）在时间依赖性中介变量、时间依赖性混杂变量和生存结局的因果中介分析中的表现。研究设定为：处理变量影响随时间变化的中介变量和混杂变量，最终结局为时间至事件（time-to-event），目标是将总效应分解为直接效应和间接效应。作者通过模拟研究和真实数据分析，比较了基于Cox比例风险模型、Aalen可加风险模型和加速失效时间（AFT）模型的差异法，并以参数化中介g-formula作为基准。核心发现是：在无处理直接导致的时间依赖性混杂变量时，正确设定的Aalen模型差异法给出无偏估计；Cox模型差异法在结局罕见时表现良好，但常见结局时有偏；AFT模型差异法因可压缩性问题几乎在所有场景下均有偏。只有参数化中介g-formula在所有场景下保持无偏。本文的贡献在于系统揭示了差异法在复杂纵向设定下的适用边界和偏差来源，对您而言，该工作直接关联您对纵向因果推断和中介分析的兴趣，且其模拟设计可作为您评估新方法（如基于高阶U统计量的中介效应检验）的基准框架。
• 关键技术: difference method, mediational g-formula, Cox proportional hazards model, Aalen additive hazards model, accelerated failure time model, time-dependent confounding
• 为什么对您有用: 本文直接关联您primary interest中的纵向因果推断和中介分析子方向，特别是时间依赖性混杂变量下的效应分解问题。您的武器库中'因果推断中的估计理论'和'非参数统计'可直接用于分析差异法的偏差来源（如可压缩性问题），而'高阶U统计量的计算'（treewidth/einsum）可用于设计更高效的中介效应检验统计量。中期可做：需先在moderately_familiar的'因果推断中的识别理论'上深入理解时间依赖性混杂的识别条件，才能将本文的模拟框架推广到更复杂的识别设定。

3. 2608.10728 — Win-Ratio Regression for Prioritized Composite Outcomes in Observational Studies: Doubly Robust and Efficient Estimation with Future-Score Correction

• 作者: Zhuochao Huang, Lucy Shao, Yi Guo, Xin M. Tu, Changyong Feng, Tuo Lin
• 相关性 8/10 · novelty: new_method
• 摘要: 本文针对观察性研究中优先复合结局（如死亡优先于住院）的 win-ratio 回归问题，提出了一种新的估计框架。核心挑战在于配对比较在随访结束前因删失而无法完成，导致传统方法信息损失。作者提出未来评分校正（future-score correction, FC）方法：当删失阻止后续配对比较时，用给定观测历史的条件期望替代缺失的评分，从而恢复超出逆删失加权所能提供的配对信息。结合倾向性评分加权和基线结局增强，构建了双重稳健的 AIPW-FC 估计方程，对治疗分配和删失机制均具有双重稳健性。推断基于 U-统计量理论，在标准正则条件下，当所有 nuisance 函数正确指定时，估计量渐近正态且达到半参有效界。模拟显示删失率越高，FC 的效率增益越大（65% 删失时相对效率达 1.50），且覆盖接近名义水平。OneFlorida 电子健康记录数据应用展示了该方法在优先死亡结局上的实用性。对您而言，该工作直接连接了因果推断中的双重稳健估计与 U-统计量推断，且其未来评分校正思想可能为纵向因果推断中的信息恢复问题提供新视角。
• 关键技术: future-score correction, doubly robust estimation, U-statistic theory, inverse censoring weighting, augmented inverse probability weighting, win-ratio regression
• 为什么对您有用: 该论文直接连接您的 primary interest 中的因果推断（观察性研究中的双重稳健估计）和 U-统计量理论（推断基于 U-statistic 渐近理论）。从技术武器库看，您对 U-统计量的计算（treewidth / einsum）非常熟悉，可立即用于分析本文估计量的计算复杂度（配对比较的 U-statistic 结构是否可转化为高效张量收缩）。中期可做：若想将未来评分校正思想推广到更一般的纵向因果推断（如时变处理），需先在 moderately_familiar 的 identification theory 上长肌肉（理解删失机制下的条件期望识别条件）。

4. 2608.13822 — Sharp Minimax Theory for Randomized Experiments

• 作者: Timothy Sudijono, Edgar Dobriban, Eric Tchetgen Tchetgen
• 相关性 8/10 · novelty: sharper_rate
• 摘要: 本文在有限总体随机实验框架下，研究无限制设计和估计量下样本平均处理效应（SATE）的极小极大最优性。对于二元潜在结果，作者将极小极大风险等价于一个仅含2个未知参数的估计问题的风险ρ_n^。利用这一约化，他们建立了二阶风险展开：ρ_n^ = n^{-1} - C n^{-4/3} + o(n^{-4/3})，其中常数C与Airy函数显式相关。极小极大风险由Bernoulli随机化结合非线性收缩估计量达到。标准方法（如完全随机化加差分均值估计量）仅在一阶意义下极小极大最优。论文还讨论了这些过程的可容许性及实际含义。对您而言，该工作将经典因果推断中的设计-估计联合优化问题与精细的极小极大理论结合，直接关联您对非参数统计和极小极大界的熟悉领域，且其风险展开技术可能启发您在高维或U统计量设定下推导更紧的界。
• 关键技术: minimax risk expansion, Airy function, nonlinear shrinkage estimator, Bernoulli randomization, finite population inference
• 为什么对您有用: 直接连接您对因果推断中估计理论和非参数极小极大界的兴趣。本文的极小极大风险二阶展开技术（涉及Airy函数）是您非常熟悉的极小极大界工具的一个精细应用，可视为一个立即可做的理论拓展方向：将类似展开推广到更一般的潜在结果分布或带协变量的设定。中期可做：若需处理连续潜在结果或高维协变量，需先在半参数理论（moderately_familiar）上加强。

5. 2608.13466 — Learning about Treatment Effects in Panels under Unknown Interference

• 作者: Shengbin Wei
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究面板数据中处理效应在未知干扰模式下的识别问题。当对照组单元也可能受到处理影响时，面板比较无法直接区分处理效应与溢出效应。作者不要求已知暴露映射或事先对受影响捐赠者分类，而是刻画了在一般限制下能从面板结果中学到什么。核心方法是为每个凸捐赠者权重计算其处理前拟合优度的有效性界，并将这些界与针对应用预设的限制相结合。有效性界约束处理效应相对于溢出效应的范围，而附加限制则确定其可能取值，两者共同给出锐利识别集。当附加限制具有有限线性表示时，检验某个处理效应是否与模型兼容等价于判断一个有限线性系统是否有解，可通过自助法校准检验实现。反演这些检验在大样本下均匀控制错误排除每个兼容值的概率。对您而言，本文在面板因果推断中处理未知干扰的识别策略（尤其是通过线性系统可解性检验兼容性）与您对因果推断identification理论的兴趣直接相关，且其sharp identified set的构造思路可能启发您在高维或proximal CI设定下的类似问题。
• 关键技术: sharp identified set, validity bounds, bootstrap calibration test, finite linear representation, panel data with interference
• 为什么对您有用: 本文直接连接您primary interest中的因果推断identification理论，特别是面板数据下未知干扰模式的识别问题。您的technical arsenal中'identification theory in causal inference'（moderately_familiar）可直接用于理解其sharp identified set的构造逻辑，而'nonparametric statistics'（very_familiar）可用于评估其有效性界方法的非参数性质。中期可做：若想将本文的线性系统检验思路推广到更复杂的干扰模式（如网络干扰），需先在'moderately_familiar'的identification theory上进一步积累。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2608.12701 — Sharp proper estimation of fixed-component Gaussian location mixtures in polynomial time

• 作者: Hengzhi He, Guang Cheng
• 相关性 9/10 · novelty: new_method
• 摘要: 该文研究固定成分数 k、单位协方差、均值位于有界球内的高斯混合模型的估计问题，目标是在 Hellinger 距离下达到 minimax 最优率 √(d/n) ∧ 1。Doss et al. (2023) 已证明该 minimax 率并构造了一个多项式时间估计器，但仅达到较慢的 (d/n)^{1/4} 率；本文解决了 k ≥ 3 时在多项式时间内达到最优率的开放问题。核心创新是“矩-纤维范围查找器”：利用二阶矩子空间控制投影丢失的能量，然后估计有限个单自由指标 Hermite 收缩（vector-valued contractions），这些收缩以 √(d/n) 的速率恢复每个仅含一个丢失方向的张量分量。剩余项至少包含两个丢失因子，由残差二阶矩能量控制。最终得到的子空间维数仅依赖于 k，在该常维空间中进行穷举矩拟合即可得到正确的高斯混合，结合高斯混合的无维矩刻画，对每个固定 k 实现了多项式时间内的最优 Hellinger 率。该结果属于高维统计与计算复杂性的交叉，展示了如何利用矩方法和代数结构绕过计算障碍。
• 关键技术: moment-fiber range finder, Hermite contractions, polynomial-time algorithm, minimax Hellinger risk, Gaussian mixture estimation, dimension-free moment characterization
• 为什么对您有用: 该文直接关联您对 statistical-computational tradeoff 的 gateway 兴趣：它清晰刻画了统计最优率（√(d/n)）与计算可行率（(d/n)^{1/4}）之间的 gap，并展示了如何通过矩-纤维方法在多项式时间内弥合该 gap。您的武器库中 minimax bounds 和 high-dimensional asymptotics 可直接用于验证其率的最优性；而 moderate 熟悉的 higher-order U-statistics 理论（特别是 Hermite 收缩的张量结构）可用来分析其估计器的计算复杂度。中期可做：需先在 moderately_familiar 的 higher-order U-statistics 上长肌肉（具体为 Hermite 收缩与张量收缩的树宽分析），才能深入理解其算法核心。

非参数 / 半参数 (nonparam_semipara, 3 篇)

1. 2608.11399 — Semiparametric efficient estimation of the Cox regression coefficient when there can be ties

• 作者: Benjamin R Baer
• 相关性 9/10 · novelty: new_theory
• 摘要: 本文在Cox比例风险模型框架下，针对存在结（ties）的失效时间数据，推导了Cox回归系数的半参数效率界。传统Cox模型理论主要假设连续失效时间（无结），而本文不施加连续性或离散性假设，在更一般的分布下建立了效率界。在总体失效质量点属于未知有限集的技术假设下，证明了Cox（1972）提出的“精确”估计量是渐近有效的。进一步，提出了一种渐近等价的估计量，通过求解有效得分函数实现，其计算复杂度低于精确Cox得分。发展过程中使用了近期引入的鞅理论，并给出了绝对连续和离散情形下的具体例子。该工作填补了Cox模型在有结情形下效率理论的空白，对您在半参数效率界和M估计理论方面的兴趣有直接参考价值。
• 关键技术: semiparametric efficiency bound, Cox proportional hazards model, efficient score, martingale theory, tied failure times
• 为什么对您有用: 本文直接连接您的primary interest中的效率理论（semiparametric efficiency bounds）和M估计理论。技术武器库中moderately_familiar的semiparametric theory和M-estimation theory可直接用于理解本文的效率界推导和渐近有效性证明。中期可做：若想将类似效率界方法推广到其他生存模型（如加性风险或竞争风险），需先在semiparametric theory上进一步巩固。

2. 2608.10113 — Asymptotics of Nonparametric Estimation under General Non-monotone MAR Missingness: A Nonparametric Maximum Likelihood Approach

• 作者: Yating Zou, Huimin Hu, Jeffrey Näf
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文研究非单调 MAR 缺失数据下非参数估计的渐近理论。目标是在不建模缺失机制、不限制缺失模式配置（仅需 MAR 和自然正性条件）的前提下，估计完整数据的密度。方法基于 sieve maximum likelihood，利用经验过程理论建立了一般收敛速率。对于 Hölder 光滑类上的密度估计，该速率达到 minimax 最优（至多差一个对数因子），缺失数据仅影响常数项而不改变速率。估计量通过 EM 算法直接在非完整数据上实现，模拟显示其性能与完整数据下的核密度估计相当。该结果对您在高维统计和因果推断中处理复杂缺失模式（如纵向数据中的非单调缺失）具有参考价值，且其 sieve 框架可迁移至您的非参数统计工具集。
• 关键技术: sieve maximum likelihood, empirical process theory, EM algorithm, minimax rate, Hölder class
• 为什么对您有用: 本文直接连接您的非参数统计和 minimax 界兴趣，处理的是非单调 MAR 这一实际中常见但理论困难的问题。您的 very_familiar 武器库中的非参数统计和 minimax 界可直接用于验证其收敛速率是否紧，或扩展至因果推断中的缺失数据场景。中期可做：需在 moderately_familiar 的 M-estimation 理论上进一步熟悉 sieve 方法的经验过程工具。

3. 2608.11130 — Posterior contraction rates in Sobolev norms and Bayesian derivative estimation for infinite-dimensional exponential families

• 作者: Emanuele Dolera, Stefano Favaro, Matteo Giordano
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文研究无限维指数族中 Sobolev 范数下的后验收缩率与贝叶斯导数估计。将自然参数嵌入 Hilbert 尺度，并采用以特征基展开的高斯级数先验。在 Fisher 信息满足双侧链接条件及局部正则性假设下，证明光滑匹配先验在任意 Hilbert 尺度范数中达到极小极大最优后验收缩率，直至真实参数的正则性。分析基于 Dolera et al. (2024) 的 Wasserstein 距离后验收缩新框架，结合后验核的 Laplace 型积分估计与混合几何稳定性控制，后者依赖于针对真实邻域后验分布的 Poincaré 不等式。应用涵盖 logistic 参数化密度估计、指数链接 Poisson 强度估计及高斯白噪声模型，均得到 Sobolev 范数下的极小极大收缩率，并实现密度得分函数与 Poisson 强度导数的最优恢复。对您而言，该文将非参数贝叶斯后验收缩理论与半参效率理论中的极小极大下界技术连接，其 Hilbert 尺度框架可直接迁移至您熟悉的非参数统计与 minimax bound 工具集。
• 关键技术: posterior contraction rates, Sobolev norms, Hilbert scale, Gaussian series prior, Wasserstein distance, Poincaré inequality
• 为什么对您有用: 本文直接连接您 primary interest 中的非参数与半参理论，其 Hilbert 尺度下的后验收缩率分析为贝叶斯非参数估计提供了与频率学派 minimax 下界平行的理论框架。您 very_familiar 中的非参数统计与 minimax bounds 工具可直接用于验证其声称的收缩率是否紧，并探索将 Wasserstein 距离方法推广至您关注的因果推断中 nuisance 函数估计的 uncertainty quantification。中期可做：需先在 moderately_familiar 的半参理论上长肌肉（具体为 influence function 与后验收缩的桥接），但立即可读以获取 Hilbert 尺度建模的直觉。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2608.10294 — Testing Sign Agreement

• 作者: Deborah Kim
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究有限个参数之间符号一致性的检验问题，这在实证中常见于检测不同亚组、结局或时间点上处理效应是否方向相反，以及检验局部平均处理效应的工具变量有效性。原假设为所有参数要么全非负、要么全非正。作者提出了两种新检验：最小有利检验（least favorable test）使用最坏情况下的原假设临界值；条件检验（conditional test）先筛选出估计值绝对值大的分量，然后对剩余符号未决的分量在筛选事件条件下进行检验。与现有符号一致性检验不同，两种方法均允许估计量之间存在任意依赖关系；在独立估计量的特殊情形下，临界值仅依赖于维度和检验水平。作者证明两种检验在非参数分布大类上一致控制渐近尺寸。局部渐近功效分析揭示了权衡：最小有利检验在符号约束起作用的边界配置附近功效更高，而条件检验在部分分量远离零时功效更优。模拟证据在有限样本下支持这些理论预测。对您而言，该工作直接关联您对假设检验的兴趣，其处理任意依赖估计量的思路可迁移到您熟悉的因果推断中多个处理效应的联合检验问题。
• 关键技术: least favorable test, conditional test, asymptotic size control, local asymptotic power analysis, sign agreement testing, arbitrary dependence among estimators
• 为什么对您有用: 直接关联您 primary interest 中的假设检验方向，且处理的是因果推断中常见的多参数符号一致性问题（如异质性处理效应方向检验、工具变量有效性检验）。您非常熟悉的非参数统计和因果推断估计理论可直接用于理解其渐近性质，属于立即可做的范畴：可尝试将该检验框架应用于您熟悉的 IV 或 mediation 设定中，检验多个工具变量或中介路径的符号一致性。

其他 (other, 2 篇)

1. 2608.10161 — Bandable Cumulant Tensors: Optimal Estimation and Applications in Non-Gaussian Data Modeling

• 作者: Runshi Tang, Anru R. Zhang, Yuefeng Han, Wei Biao Wu
• 相关性 9/10 · novelty: new_method
• 摘要: 本文研究高维非高斯数据中高阶累积量张量的最优估计问题。针对有序数据，假设高阶交互沿张量对角线衰减，提出一类可带状化的累积量张量类（bandable cumulant class），并引入 tapered 样本累积量估计量，仅需计算 O(pk^{d-1}) 个局部条目，避免构造完整 p^d 张量。在指数型尾部条件下，推导了非渐近谱范数界，将 tapering 偏差与随机误差分离，并给出匹配的极小化下界；对于次高斯观测，当 n ≫ (k+log p)^{d-1} 时，tapered 估计量在最优带宽下达到极小化最优率，且环境维度仅通过 log p 进入。与可带状协方差估计不同，tapering 在此处更关键，因为它抑制了导致样本累积量次优的高阶波动。谱范数保证直接迁移到下游任务：自回归模型的累积量 Yule-Walker 估计、移动平均模型的最小距离估计、传感器阵列的匹配滤波源定位。模拟验证理论，RR 间隔、空气质量、Neuropixels 记录等真实数据分析展示了稳定性提升。对您而言，该工作直接连接高阶 U-统计量的张量收缩计算与 minimax 界技术，且其 bandable 结构可与您熟悉的 treewidth/einsum 复杂度分析结合，探索更高效的计算策略。
• 关键技术: bandable cumulant tensor, tapered estimator, minimax spectral-norm bound, higher-order cumulant, Yule-Walker estimation, tensor contraction complexity
• 为什么对您有用: 直接连接您的高阶 U-统计量（higher-order U-statistics）和 minimax 界（minimax bounds for estimation problems）两个 very_familiar 武器：该文的 bandable 结构天然适合用 treewidth / einsum 复杂度分析来刻画计算成本，且其谱范数界技术可迁移到您熟悉的高维渐近框架。中期可做：若将 bandable 假设推广到更一般的图结构（如树宽约束），需先在 moderately_familiar 的高阶 U-统计量理论上长肌肉，但核心机器已在武器库中。

2. 2608.11131 — Resampling simplicial depth

• 作者: Carsten Jentsch, Stanislav Nagy, Martin Wendler
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究 simplicial depth (SD) 的统计推断问题。SD 是衡量点 x 相对于分布 P 中心性的常用指标，其样本版本可表示为 U-统计量。在 d=2 时，作者证明了该 U-统计量在 x 是 P 的对称中心时退化为退化 U-统计量（收敛速率 n），否则为非退化（收敛速率 √n）。由于对称中心位置未知，这两种行为模式使得 SD 的样本分布估计复杂化。为此，作者提出了一种两步自适应子抽样（subsampling）程序：首先基于子抽样估计表征收敛速率的参数 γ∈{1/2,1}，该估计量采用了适用于 U-统计量的偏差校正；然后利用估计的 γ 来近似样本 SD 的分布。作者证明了该子抽样方法的一致性，并通过构建 SD 的置信区间和基于 SD 的监督分类任务展示了其实用性。该工作直接关联您对 higher-order U-statistics 的理论兴趣，特别是退化与非退化 U-统计量在推断中的不同行为及其自适应处理。
• 关键技术: U-statistic, degenerate U-statistic, subsampling, bias correction, simplicial depth, adaptive rate estimation
• 为什么对您有用: 本文直接切入您 primary interest 中的 higher-order U-statistics 理论，特别是退化与非退化 U-统计量的收敛速率差异及其对推断的影响。您 very_familiar 的 'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)' 可用来分析 SD 的 U-统计量表示的计算复杂度，而 'minimax bounds for estimation problems' 可用于验证其自适应子抽样方法的速率最优性。中期可做：若想将此类自适应推断推广到更一般的退化 U-统计量，需先在 moderately_familiar 的 'theory of higher-order U-statistics' 上深入理解退化核的渐近分布理论。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 13 篇)

1. 2608.13274 — Causal Mediation Analysis for Network Data with Graph Neural Network

• 作者: Peikai Wu, Zhiguo Xiao
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对网络数据中的因果中介分析，在存在处理/中介溢出和高维网络混淆时，提出了一个非参数框架。通过暴露映射和中介映射定义因果 estimands，无需预设聚合模型即可分离自身效应与溢出效应。在加强的条件独立性假设下，识别了受控直接、自然直接和自然间接效应，并给出了结构误差层面的原始充分条件。构建了增强逆概率加权估计量，对受控效应具有双重稳健性，对自然效应具有多重稳健性，并使用图神经网络从节点特征和邻接矩阵学习高维 nuisance 函数。在近似邻域干扰、弱网络依赖和合适的一阶段收敛率下，建立了效应估计量的渐近正态性和网络 HAC 方差估计量的一致性。模拟中 GNN 优于基于手工构造邻域特征的机器学习方法，对中国农村农业保险实验的再分析发现保险知识是重要的中介渠道。
• 关键技术: graph neural network, doubly robust estimation, multiply robust estimation, network HAC variance estimator, approximate neighborhood interference, exposure mapping
• 为什么对您有用: 直接连接到因果推断中的中介分析和网络干扰子方向，是您 primary interest 中 'causal inference (mediation, longitudinal)' 的延伸。武器库中 'estimation theory in causal inference' 和 'identification theory in causal inference' 可直接用于理解其识别策略和双稳健估计框架；'nonparametric statistics' 可用于评估其非参数假设的合理性。中期可做：若想将 higher-order U-statistics 的树宽/张量收缩复杂度分析引入网络中介效应的计算成本刻画，需先在 'theory of higher-order U-statistics' 上长肌肉。

2. 2608.11991 — Inverse Confounding Analysis: An Exact Method for Quantifying the Significance of Confounding

• 作者: Sergey Porotsky
• 相关性 7/10 · novelty: new_method
• 摘要: 本文提出一种名为 Inverse Confounding Analysis (ICA) 的精确方法，用于量化未测量混杂对观察性研究中暴露-结局效应估计的影响。与现有敏感性分析方法（如 E-value）仅关注最坏情况下的下界不同，ICA 方法旨在刻画所有与观测数据（暴露、结局、混杂的频率及两两关联）兼容的联合分布上，分层风险比（stratification-based Risk Ratio）的完整取值范围。该方法将问题转化为一个逆问题：从指定的频率和两两关联重建所有可容许的联合分布集。作者将此重建问题表述为非线性方程组并给出解析解，且令人惊讶地发现解集可由单个自由参数线性参数化。相应地，分层风险比被表示为该参数的分数线性函数，从而可以导出混杂显著性的精确解析度量。该方法扩展了 E-value 框架，但提供了整个可容许配置集上的精确估计而非仅下界。
• 关键技术: Inverse Confounding Analysis (ICA), E-value, sensitivity analysis, stratification-based Risk Ratio, system of nonlinear equations, fractional-linear function
• 为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的敏感性分析。它提出了一个精确而非仅最坏情况界的方法，与您熟悉的非参数统计和因果推断估计理论有直接交集。中期可做：您可以用 moderately_familiar 的因果推断识别理论来审视 ICA 的参数化假设是否可放松或扩展到更复杂的识别策略（如 IV、proximal causal inference），这需要先在识别理论上进一步积累。

3. 2608.11954 — Causal inference for group-contaminated structured outcomes: observable quotients, lossless reduction and exact randomization inference

• 作者: Usef Faghihi, Amir Saki
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究结构化潜在结果（如显微镜图像）在观测前受到未知、单位特异性变换（如平移、旋转）污染时的因果推断问题。设定中，观测数据 X = Γ · Y(A)，其中 Γ 是未知群作用，可依赖于处理、协变量或内在结果。核心贡献是刻画了在此模型下可观测信息的结构：一个目标量可被一致恢复当且仅当它在群轨道上为常数，而 Borel 最大不变量可保留所有可测的不变目标。进一步区分了可观测性与统计无损失性，提出了商忠实重建定理，表明当原始观测在给定处理、协变量和商下的条件分布具有无参数版本时，商约化对完整变换实验是充分的。在紧致群的条件 Haar 污染下，得到了 Blackwell 等价性作为特例。对于有限支撑多通道格点图像，构造了整数平移和四分之一旋转下的最大不变量，结合特征高斯核与完全配对交换检验，在 RxRx1 HUVEC 数据上得到 p 值 0.0078。本文对您可能有用：它提供了一个处理结构化观测数据中未知变换的严格因果推断框架，直接连接到您的因果推断（identification 与 sensitivity）和统计计算（数值方法）兴趣，且其商约化思想与您熟悉的非参数统计和逆问题工具高度兼容。
• 关键技术: group invariance, maximal invariant, quotient-faithful reconstruction, conditional Haar contamination, paired-swap randomization test, Blackwell equivalence
• 为什么对您有用: 本文直接连接到您的 primary interest 中的因果推断（identification 与 sensitivity analysis），特别是处理观测数据受未知变换污染时的识别问题。您的 technical_arsenal 中 very_familiar 的非参数统计和逆问题工具可直接用于理解其商约化与最大不变量构造；moderately_familiar 的因果推断识别理论可用于评估其 observable vs. lossless 区分的推广性。中期可做：若想将本文的群不变性框架推广到更一般的因果结构（如 proximal CI 中的 negative control），需先在 moderately_familiar 的因果推断识别理论上长肌肉（具体是理解商忠实重建定理与条件分布无参数版本的关系）。

4. 2608.10339 — Expert-Guided g-computation with Large Language Models for Estimating Causal Effects on Timings: Applications to Hospital Quality Improvement

• 作者: Patrick Vossler, Jialin Ouyang, F. Richard Guo, Anran Huang, Ali Shojaie, Lucas Zier et al.
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对医院质量改进（QI）中常见但难以处理的干预效果估计问题，提出了一种结合专家知识与数据驱动的因果推断框架——expert-guided g-computation（egg-computation）。目标 estimand 是平均住院时长（LOS）的节省时间，设定中干预是假设性的、无历史数据，且因果机制复杂需临床推理。方法核心是将描述患者轨迹的甘特图（Gantt chart）与因果 DAG 联系起来，建立甘特图上的因果模型，并通过 g-computation 的变体进行 identification：仅对数据无法识别的部分寻求专家输入。为规模化专家推理，开发了 LLM 辅助管线，自动生成 DAG 并估计时间节省。仿真中，当患者因果结构多样时，egg-computation 优于传统因果推断方法；在真实医院研究中，LLM 生成的图与专家高度一致。该框架可推广至任何能用甘特图表示因果机制的干预效果估计问题，对您而言，这是一个将 LLM 与因果 identification 结合的实用案例，尤其适用于流行病学或医疗领域的 IV/mediation 分析。
• 关键技术: g-computation, causal DAG, Gantt chart, LLM-assisted pipeline, expert elicitation, identification under hypothetical interventions
• 为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 identification 和 estimation 子方向，特别是处理无历史数据的假设性干预这一实际难题。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 可直接用于分析其 g-computation 变体的 finite-sample 性质；moderately_familiar 的 identification theory 可用于评估其识别假设的合理性。中期可做：若想将 LLM 辅助的 expert elicitation 形式化（如不确定性量化），需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

5. 2608.10266 — Cohen's f or Mean Standardized Differences? Assessing Covariate Balance with Multivalued Treatments

• 作者: Ariel Linden
• 相关性 7/10 · novelty: application
• 摘要: 本文针对多值处理（>2 组）的协变量平衡评估问题，系统比较了 Cohen's f 与标准化均值差（SMD）两类统计量。在倾向性评分加权（包括正确设定与错误设定）的模拟中，Cohen's f 与平均绝对 SMD 对下游处理效应偏倚的追踪能力相当（合并 r=0.93，各加权臂内 r≈0.79），而最大绝对 SMD 表现最弱。作者推导了 Cohen's f 作为成对 SMD 的加权二次型的确切表达式，并证明了在等组权重下 f 与平均绝对 SMD 的最小可达比值，指出常规 SMD 阈值不能直接套用于 f。通过 Stata 命令 esizereg 实现了加权与协变量调整模型的扩展。对您而言，该工作直接关联因果推断中的平衡诊断实践，尤其适用于多值处理或纵向多期处理的敏感性分析，且其二次型分解思路可能为 higher-order U-statistics 的平衡度量提供新视角。
• 关键技术: Cohen's f, standardized mean difference (SMD), generalized propensity score weighting, covariate balance assessment, multivalued treatments
• 为什么对您有用: 直接关联 causal inference 中多值处理的平衡诊断，是您 primary interest 中 sensitivity analysis 的实用工具。武器库中 nonparametric statistics 和 estimation theory in causal inference 可立即用于扩展其理论性质（如 f 的 minimax 最优阈值推导）。中期可做：若需将 f 的二次型分解与 higher-order U-statistics 的 tensor-contraction 视角结合，需先在 moderately_familiar 的 theory of higher-order U-statistics 上长肌肉。

6. 2608.11784 — Coarsening Latent-Class Probabilities: Directional Distortion and Coverage Loss

• 作者: Marcell T. Kurbucz
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究将校准的潜类概率向量粗化为硬标签后，对回归估计和推断造成的代价。在常数系数结构均值与条件校准假设下，观测数据问题简化为结果对概率向量的部分线性回归；作者以此为基础，形式化粗化操作带来的偏差。对于任意粗化，plug-in 估计量收敛到 Aτ，其中粗化算子 A = I + D^{-1} E[a_h u^T]，u 是被丢弃的信号。粗化无偏当且仅当丢弃信号与保留信号不相关，否则粗化是各向异性的——某些对比的扭曲远大于其他。同一算子也控制推断：基于粗化标签的 Wald 区间覆盖率为 Φ(z-λ)-Φ(-z-λ)，λ 是粗化偏差与报告标准误之比。模拟显示 argmax 粗化后覆盖率严重损失，三个真实数据审计展示了硬标签导致的特定方向扭曲。对您而言，本文在因果推断的测量误差/代理变量设定中提供了可操作的偏差分析框架，且其各向异性扭曲的视角可直接用于评估您工作中潜类模型或聚类后回归的推断可靠性。
• 关键技术: partially linear regression, coarsening operator, plug-in estimator, Wald interval coverage, directional distortion
• 为什么对您有用: 本文直接关联您 causal inference 兴趣中的测量误差与代理变量问题，特别是潜类模型粗化后的估计与推断代价。您武器库中 very_familiar 的 estimation theory in causal inference 和 nonparametric statistics 可直接用于分析该粗化算子的 minimax 性质或扩展到更一般的粗化机制（如随机粗化）。中期可做：若将粗化算子与您 moderately_familiar 的 semiparametric theory 结合，可推导半参数效率界并构造 debiased 估计量。

7. 2608.10177 — Graph-Laplacian Variance Estimators for Finely Stratified Experiments

• 作者: Yuehao Bai, Xun Huang, Joseph P. Romano, Azeem M. Shaikh, Max Tabord-Meehan
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究精细分层实验（finely stratified experiments）中平均处理效应的基于设计的方差估计。设定中，单元先按基线协变量分层为固定大小的组，然后在每组内恰好一个单元被分配处理，不确定性仅来自随机化分配。作者引入一类图拉普拉斯方差估计量，其中层构成加权图的顶点，边权重决定如何聚合层间比较。Imai (2008) 的经典估计量对应完全图且边权重归一化使每层加权度为1，而配对层估计量来自完美匹配图。对于度校准子类（每顶点加权度为1），推导出精确偏差恒等式，表明估计量向上偏，偏差由相邻层间真实层水平处理效应平方差控制，因此任何此类估计量可用于有效推断。该恒等式进一步提示，基于协变量完美匹配的配对层估计量在处理效应随协变量平滑变化时偏差小；但无平滑性时，配对层估计量最坏情况偏差大，而完全图估计量在弱异质性界下对归一化偏差是极小化极大最优。为此，提出正则化图估计量，在保持配对层估计量局部性的同时控制最坏情况偏差。模拟展示了局部性与最坏情况保护之间的权衡。
• 关键技术: graph-Laplacian variance estimator, design-based inference, finely stratified experiments, degree-calibrated graphs, minimax optimal bias, regularized graph estimator
• 为什么对您有用: 本文直接连接因果推断中精细分层实验的方差估计问题，属于 primary interest 的 causal inference 子方向。技术武器库中 'estimation theory in causal inference' 和 'nonparametric statistics' 可直接用于理解其偏差恒等式和极小化极大最优性论证，属于立即可做的范畴。此外，正则化图估计量的思想可迁移到其他分层或匹配设计中的方差估计问题。

8. 2608.13442 — Theoretical Properties of Covariate-Adaptive Randomization with a Diverging Number of Covariates

• 作者: Yuhang Tao, Li-Xin Zhang
• 相关性 6/10 · novelty: new_theory
• 摘要: 本文研究协变量自适应随机化（CAR）程序在高维协变量场景下的理论性质。目标是在协变量数量随样本量发散时，分析两类统一CAR程序的协变量平衡性。主要结果包括：建立了指定协变量不平衡测度的收敛速率；对于其中一类程序，推导了未指定协变量不平衡的渐近性质，并基于此得到了平均处理效应（ATE）的差分估计量的渐近分布，进而构造了渐近95%置信区间。方法上依赖于高维概率论和鞅差序列的集中不等式。数值和实证研究验证了理论结果的实际相关性。对您而言，本文连接了高维统计与因果推断中的随机化设计，其理论分析框架（如收敛速率、渐近正态性）可直接用于您在高维因果推断中处理协变量平衡问题的研究。
• 关键技术: covariate-adaptive randomization, diverging number of covariates, imbalance measure convergence rate, difference-in-means estimator, asymptotic normality, concentration inequalities
• 为什么对您有用: 本文直接连接您的primary interest中的'causal inference'子方向（随机化实验设计）和'high-dimensional statistics'（发散维协变量）。技术层面，您'very_familiar'中的'high-dimensional asymptotics'和'estimation theory in causal inference'可直接用于验证其收敛速率是否最优，或扩展至更复杂的估计量（如IPW）。中期可做：若想将结果推广至非随机化设定（如观察性研究中的高维协变量调整），需先在'moderately_familiar'的'semiparametric theory'上加强，以处理倾向得分模型。

9. 2608.13209 — Chance-constrained selection of sequential intervention strategies from counterfactual estimates

• 作者: Minkyoung Kim, Beakcheol Jang
• 相关性 6/10 · novelty: new_method
• 摘要: 本文研究在累积资源限制下（如维修工时预算）选择序贯干预策略的问题，目标是控制总成本超过预算的概率（机会约束），而非仅约束期望成本。在预测步骤中，任何能输出结果值和成本分布的估计器均可使用，具有可互换性；在优化步骤中，对有限候选策略集进行机会约束选择，直接以整个策略序列为单位评估尾部风险，而非逐阶段分解。作者提供了分布自由的有限样本界，覆盖超预算概率和结果短fall，并通过扫描容忍违规概率绘制安全-效用前沿。在五个环境中验证，包括临床治疗、设备维护和一个数字健康微随机试验的真实数据，结果显示该方法能在点估计规则超预算时守住预算，同时通过前沿曲线显式展示结果代价。该框架与proximal CI或IV等identification方法正交，可嵌入任何counterfactual估计器，对您而言，其将因果推断的预测输出与运筹优化中的机会约束结合，是纵向因果推断中决策导向评估的一个实用范例。
• 关键技术: counterfactual estimation, chance-constrained optimization, distribution-free finite-sample bounds, predict-then-optimize, sequential intervention strategies
• 为什么对您有用: 本文直接连接您的primary interest中的因果推断（纵向/序贯干预）和epidemiology（数字健康微随机试验应用）。武器库中'very_familiar'的'estimation theory in causal inference'可直接用于替换其预测步骤中的估计器（如用DR估计器改进），而'identification theory in causal inference'（moderately_familiar）可用于验证其counterfactual identification假设是否合理。中期可做：需先在'moderately_familiar'的identification theory上巩固，以处理更复杂的identification场景（如存在未测量混杂时的proximal CI）。

10. 2608.10356 — Design-Based Prediction-Powered Inference for Spatial Data

• 作者: Shinichiro SHirota
• 相关性 6/10 · novelty: new_method
• 摘要: 本文在基于设计的框架下重新推导了预测驱动推断（PPI）方法，适用于空间数据。目标量是固定空间总体的普查参数，随机性来源于标记机制（如调查设计或协变量驱动机制），而非传统的 i.i.d. 标记假设。作者推导了简单随机抽样和分层抽样下的精确设计方差，给出了空间平衡抽样何时优于简单抽样的阈值条件，并提出了基于夹逼的推断方法以处理倾向性估计问题。核心理论结果是双重稳健性：当倾向性模型错误指定时，若结果模型正确，则超总体识别成立，但条件于实现总体后，剩余项的量级为 σ_u/√N_eff,v，其中 N_eff,v 是权重所见的残差斑块的有效计数。在 i.i.d. 或可交换残差场下，N_eff,v 与 N 同阶，当 n/N → 0 时剩余项可忽略；而空间相干依赖则会使剩余项成为约束。通过爱沙尼亚 LUCAS 土地覆盖数据集的完全枚举总体（48,175 个单元）验证了理论结果，表明 i.i.d. PPI++ 调优会降低最优地图的精度，而设计匹配的调优可将标准误差削减约 10%，并在七个土地覆盖估计量上匹配或超越 PPI++。该工作对您可能有用：它连接了因果推断中的双重稳健估计与空间抽样设计，且其设计方差和有效样本量分析可直接迁移至您熟悉的非参数统计和因果推断中的敏感性分析问题。
• 关键技术: design-based inference, prediction-powered inference, double robustness, spatial sampling, sandwich variance estimation, effective sample size
• 为什么对您有用: 本文直接连接您的 primary interest 中的因果推断（identification 和 estimation）以及非参数统计。其双重稳健性分析可视为因果推断中 DR 估计在空间设定下的推广，而设计方差和有效样本量的推导与您非常熟悉的 minimax 界和非参数统计工具高度契合。技术武器库中“非参数统计”和“估计理论在因果推断中的应用”可直接用于分析其剩余项的量级和空间依赖的影响，属于立即可做的 follow-up：例如，用您熟悉的 minimax 界工具验证其有效样本量 N_eff,v 在更一般的空间依赖模型下是否紧，或将其设计方差框架与因果推断中的敏感性分析结合。

11. 2608.13431 — Measuring the Arrow of Time: Identification, Estimation, and Inference for Directional Structure in Multivariate Time Series

• 作者: Avishek Bhandari
• 相关性 6/10 · novelty: new_method
• 摘要: 本文针对多变量时间序列中方向性结构（即谁先动、多强）的识别、估计与推断问题，提出了一套完整方法。核心思想是将耦合系统的方向定义为时间反转下行为变化的部分，形式化为滞后协方差携带的循环矩阵（circulation matrix）。在Gaussian基准下，该循环矩阵的范数即为熵产生泛函，是前向与反向记录之间每单位时间散度的二次分量。估计方面，构建了交叉拟合估计量以消除一阶偏差，并采用delete-block jackknife标准误。推断方面，提出了基于块随机化的精确检验，并扩展到非线性情形。方法通过四个已知答案的仿真系统与相关网络、Granger因果、转移熵等进行了比较，揭示了后者的方向性测量缺陷。对您而言，该工作将时间序列因果推断中的方向性识别问题形式化为一个可检验的统计量，其交叉拟合与块随机化技术可直接迁移至您的纵向因果推断（如mediation with time-varying exposure）设定。
• 关键技术: cross-fitted estimator, delete-block jackknife, randomization test, circulation matrix, entropy production functional, Granger causality comparison
• 为什么对您有用: 本文直接连接您的primary interest中'causal inference (longitudinal)'子方向，将时间序列方向性识别转化为一个具有清晰estimand和推断程序的问题。您的technical arsenal中'very_familiar'的'estimation theory in causal inference'和'nonparametric statistics'可直接用于理解其交叉拟合估计量的偏差-方差权衡，而'moderately_familiar'的'identification theory in causal inference'可用于评估其方向性识别假设在您自己的纵向设定中的可移植性。中期可做：若想将本文的circulation matrix框架推广到非线性或高维设定，需先在'moderately_familiar'的'semiparametric theory'上长肌肉（特别是influence function在时间序列依赖数据下的形式）。

12. 2608.12072 — Testing the limits of past-adapted explanations by post-endpoint randomisation: anticipatory EEG as a worked case

• 作者: George Sopasakis, Alexandros Sopasakis
• 机构: Eastmaninstitutet · Lund University
• 相关性 5/10 · novelty: new_method
• 摘要: 本文提出 Level II-A 框架，一种基于设计而非模型的推断方法，用于检验一个预测模型是否仅因信息集不足而拟合数据（即“过去解释”是否充分）。核心设定是：在随机化延迟事件之前，模型已对端点做出承诺；随后分配的延迟作为负对照探针，检验仅基于承诺前信息的解释能否系统性地排序端点。方法包括泄漏安全预处理、冻结标签盲比较器、保留样本资格确认，以及非补偿性规则将结果分类为诊断失败、选择受限、反向方向、不确定等。在合成基准测试中，网格化假充分性边界在赋值隔离和序贯 e 值路径上分别给出 15 μV s⁻¹ 和 30 μV s⁻¹ 的阈值。该设计可迁移至任何端点承诺先于外生标签的场景，将“过去解释”从工作假设转化为可量化的可检验主张。对您而言，该框架的负对照逻辑与 proximal causal inference 中的 negative control 设定高度一致，可视为一种新的敏感性分析工具。
• 关键技术: negative control probe, design-based inference, e-value, false-adequacy rate, non-compensatory rule
• 为什么对您有用: 直接连接到 primary interest 中的 causal inference 子方向——proximal CI 的 negative control 设定。该框架的负对照逻辑可类比于 proximal g-formula 中的 bridge function 检验，而您武器库中 very_familiar 的 estimation theory in causal inference 可直接用于形式化其假充分性率的 minimax 界。中期可做：需先在 moderately_familiar 的 identification theory 上理解其与 proximal 框架的精确对应关系。

13. 2608.11953 — Efficient Response-Adaptive Randomization for Multi-arm Trials with Prioritized Composite Endpoints

• 作者: Ayon Mukherjee
• 相关性 4/10 · novelty: new_method
• 摘要: 该文将高效响应自适应随机化设计从单终点推广到多臂试验中由优先复合终点（如疗效优先于安全性）驱动的目标分配比例。目标分配由广义配对比较的净治疗收益定义，支持混合类型终点（含删失生存数据）。通过将净收益的序贯 Hájek 投影与鞅技术结合，证明了分配比例的强相合性、重对数律和渐近正态性，并证明该设计在追踪净收益光滑函数的设计类中达到半参数效率界。模拟基于三臂 III 期黑色素瘤试验校准，显示该设计比单终点驱动的设计更高效地将受试者集中到优效治疗组，同时控制 I 类错误和检验效能。对您有用：该文将半参数效率界与自适应试验设计结合，其序贯 Hájek 投影技术可能为您的 higher-order U-statistics 在序贯设定下的分析提供新视角。
• 关键技术: sequential Hájek projection, generalized pairwise comparisons, semiparametric efficiency bound, martingale central limit theorem, response-adaptive randomization
• 为什么对您有用: 该文直接连接您的 primary interest 中的因果推断（自适应试验设计）和效率理论（半参数效率界）。技术层面，序贯 Hájek 投影是 U-statistic 投影的变体，您可以用 very_familiar 的 higher-order U-statistics 计算工具（treewidth / einsum）分析其分配比例的有限样本方差，或检验其声称的效率界是否紧。中期可做：需先在 moderately_familiar 的 semiparametric theory 上巩固对序贯效率界的理解。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)

1. 2608.12183 — Spectral phase transitions in Gaussian multi-index models

• 作者: Florent Krzakala, Pierre Mergny, Vanessa Piccolo
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文研究高斯多指标模型（multi-index model）中潜在低维子空间的谱方法恢复问题。设定为：协变量 x_i ~ N(0, I_d)，响应 y_i 仅通过 x_i 在未知 r 维子空间上的投影依赖 x_i。作者提出一类矩阵值谱估计量 D_n = (1/n) Σ_i T(y_i) ⊗ x_i x_i^⊤，其中 T 是任意有界对称矩阵值预处理映射。在 n, d → ∞ 且 n/d → α 的渐近下，证明了 D_n 的经验谱测度几乎必然收敛到一个由矩阵值自洽方程确定的确定性紧支撑分布。进一步建立了谱相变：低于阈值时最大特征值粘附在谱边缘，高于阈值时出现离群值，且该离群值对应的谱估计量可实现潜在子空间的弱恢复。最后证明，AMP 推导的预处理映射在所有有界矩阵值预处理映射中是最优的，其相变阈值与 AMP 弱恢复阈值一致，从而证实了 Defilippis et al. (2025) 的谱猜想。对您而言，本文是 RMT 在高维统计推断中应用的典范，其矩阵值自洽方程技术可直接用于分析您熟悉的更高阶 U-统计量的谱行为。
• 关键技术: random matrix theory, matrix-valued self-consistent equation, spectral phase transition, multi-index model, approximate message passing (AMP), weak recovery threshold
• 为什么对您有用: 本文直接连接您的高维统计与 RMT 兴趣，特别是矩阵值谱估计量的相变分析。您武器库中的高维渐近工具（very_familiar）可直接用于验证其自洽方程在更高阶张量设定下的推广——这是中期可做的方向，需先在 moderately_familiar 的更高阶 U-统计量理论上长肌肉（具体为将矩阵值自洽方程推广到张量值情形）。

2. 2608.10488 — Tensor-normal maximum likelihood estimation at the operator-norm sample threshold

• 作者: Hengzhi He, Guang Cheng
• 相关性 7/10 · novelty: sharper_rate
• 摘要: 该论文研究张量正态分布（Tensor-normal）的最大似然估计问题，其中协方差矩阵为k个未知正定因子的Kronecker积。在n个独立高斯张量样本下，目标是以算子范数尺度估计因子矩阵。Franks等人(2026)已建立条件数无关的非渐近保证，但样本阈值要求nD ≳ k² d_max³（D为总维数，d_max为最大模式维数）。本文将该阈值改进为nD ≥ C k² d_max² t²，消除了一个d_max因子，达到信息论最优的d_max依赖。估计误差方面，全精度和最大因子的Frobenius范数率分别达到O(d_max/√n)和O(d_max/√(nD))，且最大因子满足sharp Thompson界O(d_max/√(nD))，匹配高斯极小化下界（至多√k因子）。证明技术包括：将随机Gram界从局部群轨道方向扩展到整个Lie代数，通过精确共轭传输到固定Thompson球，结合约束MLE的敏感性与等变Kirszbraun延拓及高斯集中不等式。该工作解决了Franks等人明确提出的开放问题，对高维张量统计推断有重要理论意义。
• 关键技术: operator-norm sample threshold, Thompson metric, Kronecker covariance, random Gram bound, equivariant Kirszbraun extension, Gaussian concentration
• 为什么对您有用: 直接命中高维统计与随机矩阵理论（RMT）兴趣点：张量正态MLE的样本阈值改进涉及算子范数集中与随机Gram界，是RMT核心工具。技术武器库中'高维渐近'和'逆问题'可直接用于理解其证明结构；'higher-order U-statistics的treewidth/einsum复杂度'虽非直接相关，但张量Kronecker结构天然与张量网络收缩成本问题有潜在连接（中期可做：需先在moderately_familiar的'HOIF'或'semiparametric theory'上长肌肉以处理更一般的协方差结构）。该文是理论突破，暂不可直接复现，但可作为RMT在张量统计中应用的标杆阅读。

3. 2608.12838 — Weighted Nuclear Elastic Net Estimation of (Near-) Low-Rank Drift Matrices in Ornstein-Uhlenbeck Processes

• 作者: Dmytro Marushkevych, Francisco Pina, Mark Podolskij
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究连续观测的高维 Ornstein-Uhlenbeck 过程中漂移矩阵的估计问题，目标矩阵为精确或近似低秩。精确低秩导致非遍历性，经验协方差矩阵病态，传统方法失效。作者提出加权核弹性网估计量（Weighted Nuclear Elastic Net Estimator），结合岭回归与核范数惩罚，并在经验似然几何下表达惩罚项。在可对角化谱框架下，建立了相对于任意低秩比较矩阵的 oracle 不等式。对于近似低秩漂移，近似误差通过加权后奇异值衰减自然度量；随机项通过自归一化鞅论证控制。在对称半正定精确低秩模型中，验证了经验曲率条件，将加权界转化为 Frobenius 范数界，得到平方误差阶为 r d log(T)/T 的高概率界。该工作对您的高维统计与随机矩阵理论兴趣有直接连接，其自归一化鞅技术也可用于您熟悉的 U-统计量收敛性分析。
• 关键技术: Weighted Nuclear Elastic Net, self-normalized martingale, oracle inequality, empirical curvature condition, low-rank matrix estimation
• 为什么对您有用: 连接您的高维统计与随机矩阵理论兴趣：论文处理高维非遍历 O-U 过程的低秩估计，其自归一化鞅论证与您熟悉的逆问题随机噪声分析有技术亲缘性。武器库中 minimax bounds 可用来验证其声称的 r d log(T)/T 率是否紧；鞅方法可迁移到您的高阶 U-统计量收敛性分析。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉（特别是 oracle inequality 的证明框架），然后可尝试将加权核弹性网推广到离散观测或更一般的 Lévy 过程。

非参数 / 半参数 (nonparam_semipara, 4 篇)

1. 2608.13672 — Bias Reduction for Local Polynomial Derivative Estimation

• 作者: Fujia Chang, W. John Braun
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对非参数回归中局部多项式导数估计的偏差问题，提出了一种迭代数据锐化方法。在标准局部线性导数估计中，偏差阶数为 O(h^2)，限制了估计精度。作者通过定义两个期望算子 L₀（作用于回归函数）和 L₁（作用于一阶导数），并反复应用残差算子 R = I - L₀，构造出一系列锐化后的导数估计。经过 l 步锐化后，偏差阶数可从 O(h²) 降低至 O(h^{2l+2})，显著提升了估计的渐近性质。对于高斯核函数，所有锐化系数均为 1，从而得到简洁的闭式单带宽表达式。模拟实验在三个光滑测试函数上验证了该方法能有效降低估计偏差，同时揭示了偏差-方差权衡。该工作属于非参数统计中经典偏差校正技术的延伸，与您的非参数统计和半参数理论兴趣直接相关，可作为局部多项式方法中偏差校正的入门级参考。
• 关键技术: local polynomial smoothing, iterative data sharpening, bias reduction, expectation operator, Gaussian kernel
• 为什么对您有用: 本文属于非参数统计中局部多项式方法的偏差校正技术，直接连接到您的 primary interest 中的非参数统计和半参数理论。您可以用 very_familiar 中的非参数统计和 minimax 界工具来评估其偏差-方差权衡是否达到最优，以及该方法能否推广到更高阶导数的估计。中期可做：若想将其与半参数效率理论结合（如推导锐化后估计的影响函数），需先在 moderately_familiar 的半参数理论上长肌肉。

2. 2608.12637 — Density Estimation on Compact Manifolds under Intrinsic Spectral Block Variation

• 作者: Olga Klopp, Fedor Noskov
• 相关性 7/10 · novelty: new_method
• 摘要: 本文在紧致连通黎曼流形上研究非参数密度估计，提出一种内在的谱块变分模型。与在任意选定的 Laplace-Beltrami 特征基上逐系数惩罚不同，该方法将每个完整特征空间视为一个块，并度量其谱分量的 Hilbert 范数，从而得到基无关且等距不变的块变分空间。文章建立了该空间的结构、原子和非线性逼近性质，并阐明了其与 Sobolev、Besov 及逐系数谱 ℓ¹ 类的关系。随后构造了一个坐标无关的块收缩估计量，并证明了非渐近的信号依赖 L² 预言不等式，该不等式能自适应于未知的可检测特征空间集合。在多项式谱增长条件下，风险理论将谱块数量与其重数分离，展现出两种机制：一种由单个高维特征空间驱动，另一种由累积谱复杂度驱动。在匹配的谱增长和非退化假设下，相应的极小极大下界表明这种重数依赖是内在的，对球面和旋转群 SO(3) 有尖锐的结论。最后，本文为对数密度开发了一个正归一化的块惩罚指数谱筛，并推导了似然预言不等式以及期望的 KL、Hellinger 和 L² 风险界。该框架提供了一个尊重几何的稀疏密度估计理论，且在特征基变换下保持不变。
• 关键技术: block-variation space, Laplace-Beltrami eigenbasis, block-shrinkage estimator, nonasymptotic oracle inequality, minimax lower bounds, exponential spectral sieve
• 为什么对您有用: 本文直接关联非参数统计和极小极大界（very_familiar），其块变分模型和谱重数依赖的风险分析为高维流形上的密度估计提供了新视角。研究者可用非参数统计和极小极大界的工具（very_familiar）来验证其声称的 sharp rate 是否紧，或探索该框架在因果推断中高维协变量流形上的应用。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将密度估计结果扩展到半参数模型。

3. 2608.13439 — Retrospective Statistical Inference

• 作者: Chong Gu
• 相关性 6/10 · novelty: new_method
• 摘要: 本文提出一种新的统计推断范式——回顾性推断（Retrospective Statistical Inference）。其核心思想是：以观测数据得到的点估计为“真值”，通过模拟生成该估计的克隆（clones），并利用克隆分布进行不确定性量化。该方法避免了传统前瞻性推断对有限维模型假设的依赖，也不对真实参数做出概率性断言，而是提供一种在非参数函数估计中可操作的不确定性量化替代方案。作者以非参数回归中的平滑样条ANOVA模型为例展示了该方法的运作流程。在参数回归中，回顾性推断在操作层面与传统推断高度相似。该范式对非参数和半参数模型中的置信区间构造、假设检验等核心问题提出了全新视角。
• 关键技术: smoothing spline ANOVA, nonparametric regression, simulation-based inference, point estimate cloning, retrospective inference
• 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，提出了一种无需传统渐近理论的不确定性量化新思路。您可以用非常熟悉的非参数统计工具（如平滑样条、minimax界）来审视该方法的频率性质，例如其克隆分布是否能在某些设定下达到正确的覆盖概率。中期可做：若想将该范式推广到因果推断中的非参数估计（如DML中的 nuisance函数），需先在 moderately_familiar 的 semiparametric theory 上深入理解 influence function 的角色。

4. 2608.13152 — Estimation of distribution functions, their jumps and interval probabilities under measurement error

• 作者: Kairat Mynbaev, Carlos Martins-Filho, Chad Brown
• 相关性 6/10 · novelty: weaker_assumption
• 摘要: 本文在经典加性测量误差模型 X=Y+Z 下，针对潜变量 Y 的分布函数 FY 的三个泛函——连续点处的 FY(x)、区间概率 FY(y)-FY(x) 以及预设间断点处的跳跃大小——提出了直接估计量。与现有方法不同，本文不要求 FY 具有密度、混合表示或全局 Sobolev 光滑性假设，因此可处理任意潜分布（包括离散、连续混合及多跳跃情形）。方法核心是将 Fourier 反演定理与 Mynbaev et al. (2022) 中一类估计量的代数结构相结合，推导出非渐近的偏差和方差界，并证明渐近无偏性和相合性。模拟研究评估了可行的调参程序，并与现有方法进行了有限样本比较。对您而言，该工作提供了一种在弱光滑假设下处理测量误差的非参数估计框架，其 Fourier 反演技巧和代数结构可能与您在高维统计或逆问题中的工具（如非参数统计、逆问题）产生交叉。
• 关键技术: Fourier inversion, additive measurement error model, non-asymptotic bias-variance bounds, direct estimation without density assumption, kernel-based estimation
• 为什么对您有用: 本文直接关联您的非参数统计和逆问题兴趣：它处理的是经典测量误差模型下的分布函数估计，不依赖光滑性假设，这与您熟悉的非参数统计和逆问题工具高度契合。技术上，其 Fourier 反演与代数结构分析可视为您武器库中“逆问题”的一个具体应用实例，但方法本身较为经典，理论深度有限。中期可做：若想将类似思路推广到高维或因果推断中的测量误差问题，需先在 moderately_familiar 的 semiparametric theory 上加强（如 influence function 的推导）。

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

1. 2608.10155 — Optimal Inference with Black-box Predictions

• 作者: Lucas Kania, Abhinav Chakraborty, Edward Kennedy, Larry Wasserman, Sivaraman Balakrishnan
• 相关性 7/10 · novelty: new_theory
• 摘要: 在高维高斯序列模型下，研究如何利用黑箱预测（black-box predictions）进行有效且高效的假设检验。论文首先刻画了当预测精度已知时，结合观测数据与预测进行推断的信息论极限；对于正交预测情形，进一步刻画了精度未知时的极限。基于这些刻画，作者开发了能够自适应未知预测精度的实用检验方法，并在预测与真实信号高度对齐时获得效率增益。核心技术工具包括信息论下界（如Le Cam's method、Fano's inequality）和自适应检验的构造（如阈值型统计量、数据分裂）。理论结果表明，所提检验在预测精度高时接近最优，在精度低时仍能控制错误率。对您而言，该工作将假设检验与黑箱预测（如机器学习模型输出）结合，为高维统计推断提供了统一框架，直接关联您对hypothesis testing和高维统计的兴趣，且其信息论极限刻画方法可迁移至您熟悉的minimax bound分析。
• 关键技术: information-theoretic lower bounds, adaptive hypothesis testing, Gaussian sequence model, black-box prediction, Le Cam's method, data splitting
• 为什么对您有用: 直接连接您对hypothesis testing和高维统计的兴趣，特别是高维高斯序列模型下的推断极限问题。您武器库中的minimax bounds和high-dimensional asymptotics可直接用于验证其信息论下界是否紧，或扩展至非高斯设定。中期可做：需先在moderately_familiar的semiparametric theory上长肌肉，以处理更一般的预测模型（如非参数回归）。

2. 2608.13352 — Recursive Multiple Change Point Detection of Nonstationary Time Series: Instability Tests, Estimation and Confidence Intervals

• 作者: Leheng Cai, Zhou Zhou
• 相关性 6/10 · novelty: new_method
• 摘要: 本文针对非平稳时间序列的多变点检测问题，提出了一种基于 bootstrap 辅助的鲁棒二元分割方法（BARBS）。该方法的核心创新在于引入高斯乘子 bootstrap 来校准 CUSUM 统计量的临界值，从而在复杂依赖结构下有效控制第一类错误。BARBS 采用递归二元分割策略，能够以预设概率正确识别变点个数，且变点位置估计量达到与经典二元分割相同的均匀一致性速率。进一步，作者提出了第二阶段精炼估计量，实现了最优的个体定位速率，并在固定和渐近消失的跳跃幅度下建立了其渐近分布和近乎最优的均匀定位速率。数值实验表明 BARBS 在多种设定下优于现有方法。对您而言，该工作将 bootstrap 技术与变点检测结合，其理论分析（如均匀一致性速率、渐近分布）与您熟悉的非参数统计和高维渐近理论高度相关，可作为时间序列变点检测领域的一个方法学参考。
• 关键技术: Gaussian multiplier bootstrap, CUSUM statistics, binary segmentation, uniform consistency rate, optimal localization rate
• 为什么对您有用: 本文属于假设检验与时间序列分析的交叉方向，直接对应您 primary interest 中的 'hypothesis testing'。其 bootstrap 校准临界值的思路与您熟悉的非参数统计工具（如经验过程）有潜在联系，但核心机器（时间序列依赖结构下的 bootstrap 理论）不在您当前的武器库中，属于 '暂不可做' 范畴。不过，作为方法学论文，其理论框架（变点检测的 minimax 速率、均匀一致性）对您理解该领域有参考价值。

3. 2608.11140 — Goodness-of-Fit Tests and Calibration Machine-Learning Algorithms for Logistic Regression with Sparse Data

• 作者: Ebrahim Khaled Ebrahim
• 相关性 6/10 · novelty: survey
• 摘要: 本文系统研究了稀疏数据（连续预测变量导致协变量空间稀疏）下逻辑回归模型的拟合优度检验问题。经典卡方检验和偏差检验在稀疏数据下渐近分布假设不成立，导致检验失效。作者比较了约30种统计检验和机器学习校准算法，包括Hosmer-Lemeshow变体、标准化Pearson统计量、协变量空间划分、平滑方法以及现代校准机器学习与bootstrap程序。在固定显著性水平下，GiViTI校准检验(2016)、McCullagh(1989)、Osius-Rojek(1992)、le Cessie(1995)和Stute-Zhu(2002)在平衡检验功效和第一类错误控制方面表现最佳。论文强调仅依赖形式化检验不足，校准图等可视化诊断是检测模型缺陷的关键补充步骤。对Low Birth Weight数据集的实证分析显示，许多检验在实际数据复杂性下无法给出有效结论。该工作对您可能有用：它系统梳理了稀疏数据下逻辑回归GOF检验的实证表现，与您对假设检验的兴趣直接相关，且其比较框架可迁移至您熟悉的非参数统计设定下的检验问题。
• 关键技术: Hosmer-Lemeshow test, GiViTI calibration test, Osius-Rojek test, Stute-Zhu test, calibration plots, bootstrap procedures
• 为什么对您有用: 本文直接连接您对假设检验的兴趣，系统比较了稀疏数据下逻辑回归的拟合优度检验方法，属于您primary interest中mathematical statistics (hypothesis testing)的具体应用场景。从技术武器库看，您可以用very_familiar的非参数统计和minimax bounds视角分析这些检验在稀疏数据下的渐近行为是否最优，例如检验功效是否达到非参数下界。中期可做：若想深入推导这些检验在稀疏数据下的精确分布或提出改进，需先在moderately_familiar的M-estimation理论上长肌肉（因为逻辑回归是M-estimator的特例）。

4. 2608.13311 — Distributed Selective Inference for Quantile Regression

• 作者: Xiaohui Yuan, Jiahan Teng, Yan Zhou
• 相关性 5/10 · novelty: new_method
• 摘要: 本文针对高维分位数回归提出分布式选择性推断框架。核心挑战在于分位数损失的非光滑性，作者通过响应替代策略将问题转化为惩罚最小二乘形式，从而适配分布式选择性推断。为进行有效的选择后推断，引入随机化过程，利用Lasso的KKT条件刻画选择事件，并推导聚合估计量在选择事件下的条件分布。算法仅需本地机器与中心服务器之间三轮通信。在标准正则性条件下，建立了渐近有效性，并发展了大偏差近似以简化选择性似然的计算。模拟和真实数据应用验证了有限样本性能。该工作对您在高维统计推断和假设检验方向有直接参考价值，特别是其处理非光滑损失和分布式计算的思路。
• 关键技术: distributed selective inference, quantile regression, response-surrogation, KKT conditions for Lasso, large-deviation approximation
• 为什么对您有用: 本文连接您的高维统计和假设检验兴趣，具体涉及高维分位数回归的选择后推断。您的武器库中'高维渐近'和'M估计理论'可直接用于分析其估计量的渐近性质；其响应替代策略与分布式三轮通信的设计，可作为中期可做的切入点，需先在'moderately_familiar'的M估计理论上加强。

5. 2608.11177 — Detection coherence of tests

• 作者: Marian Grendar
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文提出“检测相干性”（detection coherence）框架，用于评估一个检验是否在由其检验统计量隐含的检测零集（detection-null set）上校准。若检验的盲点（blind spot）非空，则其检测零集严格大于名义零假设，导致检验在非拒绝时遗漏发现、在拒绝时产生虚假发现，且该问题不随样本量消失。作者定义了校准统计量、检测器、检测泛函等新概念，并证明 Wilcoxon-Mann-Whitney、Kruskal-Wallis、Friedman 和对数秩检验作为无限制检验时是检测不相干的；而 Kolmogorov-Smirnov、Zaremba 检验以及具有特征核的最大均值差异（MMD）检验是普遍检测相干的。该工作从数学统计学的角度揭示了经典非参数检验的一个被忽视的缺陷，对您而言，它直接关联到假设检验的基础理论，并可能启发您用更高阶 U-统计量或经验过程工具重新审视其他检验的盲点结构。
• 关键技术: detection coherence, blind spot, calibration statistic, detection functional, detection-null set
• 为什么对您有用: 本文直接切入假设检验的基础理论，属于您的 primary interest 中“mathematical statistics (hypothesis testing)”方向。您武器库中“nonparametric statistics”和“high-dimensional asymptotics”的功底可以立即用于分析文中提到的检验（如 WMW、KS）在更复杂设定（如高维、相依数据）下的盲点是否依然存在，属于立即可做的 follow-up。

6. 2608.10923 — Finite-sample correction for the covariate-adjusted log-rank test

• 作者: Pavla Krotka, Dominic Magirr
• 相关性 5/10 · novelty: new_method
• 摘要: 本文针对协变量调整的log-rank检验在小样本下I类错误率膨胀的问题，提出了一种有限样本校正方法。该检验在随机临床试验中用于时间-事件终点，通过调整协变量提高效率，但小样本、不平衡分配或协变量数相对样本量较大时，检验统计量的分母低估了方差，导致过度拒绝。作者提出的校正通过调整残差自由度并考虑未知回归系数的不确定性，修正了检验统计量的分母。模拟显示，校正后的检验在多种场景下显著降低了I类错误率膨胀，同时保持了效率增益。该方法本质上是将经典t检验中Welch-Satterthwaite自由度校正的思想推广到Cox回归框架下的计分检验。对于您关注的假设检验方向，本文提供了一个在生存分析中处理协变量调整时小样本偏差的实用工具，其校正思路也可迁移到其他基于计分统计量的检验问题。
• 关键技术: covariate-adjusted log-rank test, finite-sample correction, residual degrees of freedom, score test, Cox regression, type I error rate control
• 为什么对您有用: 本文直接关联您primary interest中的hypothesis testing，具体是生存分析中协变量调整检验的小样本校正问题。您的武器库中'nonparametric statistics'和'high-dimensional asymptotics'可用于分析该校正量的渐近性质，而'minimax bounds'可评估其在最坏情况下的表现。中期可做：若想将校正推广到更一般的计分检验框架，需先在moderately_familiar的'M-estimation theory'上加强，以处理估计方程中nuisance参数的影响。

7. 2608.12174 — Empirical likelihood confidence regions for ordered bivariate means

• 作者: Naresh Garg
• 相关性 5/10 · novelty: new_method
• 摘要: 该论文研究有序二元均值向量 (μ₁ ≤ μ₂) 的 empirical likelihood (EL) 置信域构建问题。在固定内点处，约束 EL 比统计量收敛到 χ²₂ 分布；在固定边界点 (m,m)ᵀ 处，极限为 chi-bar-square 分布 ½χ²₁ + ½χ²₂。与已知的 equality-versus-order 检验（其极限为 ½χ²₀ + ½χ²₁）形成对比，后者通过 profile 未知共同均值得到。作者给出了 equality-versus-order 检验统计量到配对差值 EL 的精确约化，建立了固定边界展开所需的局部化步骤，并推导了局部到边界极限，表明内点校准在边界的 n^{-1/2} 邻域内不均匀。Monte Carlo 实验覆盖高斯、t₅ 和 shifted log-normal 分布，考察了固定、边界和局部三种 regime。配对数据分析展示了固定候选置信域、方向性 equality 检验和截断到非负参数空间的普通标量 EL 区间之间的实际区别。该工作对您可能有用：它处理的是带约束的假设检验问题，与您对 hypothesis testing 和 empirical process 的兴趣直接相关，且其局部到边界极限的分析技术可迁移到您熟悉的非参数统计和 minimax 框架中。
• 关键技术: empirical likelihood, chi-bar-square distribution, constrained inference, local-to-boundary asymptotics, profile likelihood, Monte Carlo simulation
• 为什么对您有用: 该论文直接连接您的 primary interest 中的 hypothesis testing 方向，具体处理有序约束下的 empirical likelihood 推断。您的 technical arsenal 中的 nonparametric statistics 和 minimax bounds 可用于分析其局部到边界极限的均匀性，而 moderately_familiar 的 M-estimation theory 可用于理解其 profile likelihood 约化步骤。中期可做：若您想深入该方向，需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以处理更一般的约束推断问题。

8. 2608.10944 — Central limit theory for serial tail dependence estimators in heavy-tailed long memory linear time series

• 作者: Ioan Scheffel, Marco Oesting, Gilles Stupfler
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文研究重尾长记忆线性时间序列中序列尾部依赖估计量的中心极限定理。设定为线性过程，其创新分布具有重尾（可能无限方差）且序列呈现长记忆性。核心贡献是提出了两个新的多变量约化原理，用于处理滑动窗口上且阈值随样本量增长的重尾长记忆线性过程的部分和。技术难点包括处理非线性、样本量依赖且多变量的从属机制，多个重叠线性过程之间的依赖，以及边际分布高阶矩的缺失。关键特征是第二个约化原理在阈值上一致成立，从而允许以样本分位数为阈值的经验极差图的中心极限理论，这在实践中普遍存在但理论分析较少。与短记忆情形相比，本文揭示了长记忆设定下截然不同的收敛速度和极限律。对您而言，该文提供了处理重尾长记忆时间序列中尾部依赖推断的理论工具，与您在高维统计和假设检验方面的兴趣直接相关，尤其是其约化原理和极限理论可能为检验长记忆序列的尾部相关性提供新方法。
• 关键技术: multivariate reduction principle, heavy-tailed linear processes, long memory time series, empirical extremogram, central limit theorem for tail dependence
• 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，特别是处理重尾和长记忆时间序列的极限理论。您的武器库中的非参数统计和高维渐近理论可用于理解其约化原理的推广，例如在更一般的非线性变换下是否成立。中期可做：需先在 moderately_familiar 的 M-估计理论上长肌肉，以处理其估计量可能涉及的更复杂推断问题。

9. 2608.10322 — Limit theorems for a class of martingale arrays with applications in nonlinear cointergating regression

• 作者: Qiying Wang
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文针对一类广泛的鞅差序列建立了新的极限定理，其极限分布涉及随机积分泛函。该定理显著扩展了现有鞅极限理论，允许更一般的相依结构。作为主要应用，将理论应用于非平稳时间序列的非线性回归模型，为非线性最小二乘估计量提供了严格的渐近推断框架。对您而言，该工作直接关联到数学统计与假设检验兴趣，其鞅极限方法可用于高维时间序列或因果推断中纵向数据的检验问题。
• 关键技术: martingale central limit theorem, stochastic integral, nonlinear least squares, nonstationary time series
• 为什么对您有用: 本文直接关联到数学统计与假设检验兴趣，其鞅极限理论是处理相依数据推断的核心工具。武器库中'高维渐近'和'非参数统计'可用于验证其定理条件或扩展至更复杂模型。中期可做：需先在'半参数理论'上加强，以处理非线性回归中的半参数效率问题。

10. 2608.13150 — R-estimation in a Linear Model with Autoregressive Errors

• 作者: Jana Jurečková, Hira Koul, Jan Picek
• 相关性 4/10 · novelty: new_method
• 摘要: 本文考虑线性回归模型中误差项存在自回归（AR）结构时的回归参数β的估计问题。传统最小二乘估计在误差自相关时效率降低，而参数化AR模型又可能因误设而引入偏差。作者提出一种基于自回归秩得分（autoregression rank scores）的非参数估计方法，该估计量对AR参数具有不变性，即无论误差是否自相关、自相关阶数如何，估计量均保持一致性。核心机制是将回归残差排序后构造秩得分，再通过得分与设计矩阵的协方差方程求解β，无需估计AR系数。理论部分证明了估计量的渐近正态性和n^{-1/2}收敛速度，且其渐近方差不依赖于AR参数。模拟和实例表明该方法在AR(1)和AR(2)误差下优于OLS和可行GLS。对您而言，该工作展示了秩检验思想在时间序列回归中的非参数应用，与您对稳健假设检验的兴趣直接相关；其“对nuisance参数不变性”的设计思路也可迁移至因果推断中处理未观测混杂的灵敏度分析。
• 关键技术: autoregression rank scores, R-estimation, invariance to nuisance parameters, nonparametric regression with dependent errors, asymptotic normality under AR errors
• 为什么对您有用: 本文连接您对假设检验（尤其是秩检验）和稳健估计的兴趣。技术武器库中“非参数统计”和“M估计理论”可直接用于理解其秩得分构造和渐近论证；其“对nuisance参数不变性”的设计思路可迁移至因果推断中处理未观测混杂的灵敏度分析（如proximal CI中的negative control）。中期可做：若想将类似秩得分方法推广到高维或因果设定，需先在“半参数理论”上长肌肉（当前为moderately_familiar）。

11. 2608.12660 — Universality of e-detectors for ARL control

• 作者: Aaditya Ramdas
• 相关性 4/10 · novelty: new_theory
• 摘要: 本文在序贯变化检测（change detection）框架下，系统研究了e-detector（一种非负过程）与平均运行长度（ARL）控制之间的等价关系。核心设定是：对于预变化分布类P，e-detector M满足对所有停时τ和P∈P有E_P[M_τ] ≤ E_P[τ]；阈值化M（即首次超过b的时刻T_b）可保证ARL≥b。文章证明e-detector不仅控制ARL，还满足一个更强的可选时域不等式（optional-horizon inequality）：P(T_b ≤ σ) ≤ E_P[σ]/b对任意数据依赖的监测时域σ成立，从而避免了早期虚警。反过来，任何满足该可选时域不等式的停时T必然由某个e-detector阈值化产生。对于仅满足ARL控制的停时，文章给出了弱e-detector的通用表示。附录还讨论了其他变化检测度量的通用表示。该结果将e-detector从一种具体方法提升为序贯检验的通用语言，对您可能有用：它连接了假设检验中的停时理论与e-value/e-process框架，属于数学统计中假设检验的子方向，且证明技术（停时分解、可选停止定理）与您熟悉的非参数统计工具兼容。
• 关键技术: e-detector, e-process, optional-horizon inequality, stopping time representation, average run length (ARL) control
• 为什么对您有用: 直接连接primary interest中的hypothesis testing子方向，特别是序贯检验与e-value框架。您的武器库中'nonparametric statistics'和'high-dimensional asymptotics'可用来分析e-detector在非参数或高维设定下的最优性（例如，构造非参数e-detector并刻画其ARL控制精度）。中期可做：需先在moderately_familiar的'M-estimation theory'上长肌肉以处理e-detector的构造与收敛性分析。

统计计算 / 算法 (stat_computing, 1 篇)

1. 2608.10787 — Optimal Stratification of a Sampling Frame: A Comparative Study of Classical, Quantum, and Quantum-Inspired Approaches

• 作者: Marco Ballin, Giulio Barcaroli
• 相关性 4/10 · novelty: application
• 摘要: 本文研究最优分层抽样框架问题，目标是将初始层合并为少数最终层，以最小化满足目标精度约束所需的总样本量。该组合优化问题被重新表述为组内离散度替代目标，并转化为二次无约束二元优化（QUBO）问题。研究比较了四种求解器：D-Wave QUBO（模拟退火）、IBM量子处理器（QAOA）、光子熵量子计算设备（QCi Dirac-3）和经典GPU伊辛机（Fixstars Amplify AE），在swissmunicipalities数据集的20层框架上运行。结果显示，经典遗传算法（129个样本单位）优于所有QUBO求解器，最佳QUBO解映射到160个样本单位，差距约24%；IBM和Dirac-3结果更差（262和286）。论文指出，QUBO替代目标与真实Bethel-Chromy目标之间的差距，以及量子硬件限制（如IBM的SWAP路由退化），是性能不佳的主要原因。对您而言，本文属于统计计算中的算法比较案例研究，展示了经典方法与量子/量子启发方法在特定组合优化问题上的实际性能差距，可作为了解量子计算在统计应用中现状的入门读物。
• 关键技术: quadratic unconstrained binary optimization (QUBO), simulated annealing, QAOA, Ising machine, genetic algorithm, optimal stratification
• 为什么对您有用: 本文属于统计计算（stat_computing）方向的算法比较研究，可作为gateway reading了解量子计算在统计优化中的应用现状。武器库中'软件开发和算法'的very_familiar项足以理解其方法框架，但量子计算硬件细节（如SWAP路由、光子熵计算）不在武器库内，属于暂不可做方向。本文适合作为跨领域阅读，无需深入跟进。

天体统计 (astrostats, 10 篇)

1. 2608.12470 — Don't Cut Corners: How Training Outside the Prior Makes Simulation-Based Inference More Robust

• 作者: Chaipat Tirapongprasert, Matthew Ho
• 相关性 6/10 · novelty: application
• 摘要: 本文针对天体物理模拟推断中常见的训练数据采样问题：当 proposal 分布采用硬截断的均匀先验时，神经后验估计器在边界附近学习不准确。作者提出 Tailed-Uniform 分布族，在原始均匀训练箱外添加衰减尾部，使网络在边界内外都能得到更准确的后验。在玩具问题和宇宙学参数推断（物质功率谱）上展示了改进，且高维下收益更显著。对您而言，这是一篇 astrostatistics 的入门级方法论文，清晰阐述了模拟推断中 proposal 分布的设计与后验质量的关系，适合作为 gateway reading。
• 关键技术: Simulation-Based Inference, Neural Posterior Estimation, Tailed-Uniform proposal, Matter power spectrum
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，清晰阐述了模拟推断中 proposal 分布的设计与后验质量的关系，适合作为入门读物。武器库中的非参数统计和软件工程经验足以理解其方法，但缺乏 SBI 和神经网络后验估计的实操经验，暂不可做直接迁移。值得花时间读全文以了解天体物理模拟推断的典型数据结构和问题设定。

2. 2608.11161 — Eclipses by Artificial Satellites to Measure the Angular Sizes of Stars

• 作者: Leo W. H. Fung, Albert Wai Kit Lau, Richard Massey, George F. Smoot
• 相关性 6/10 · novelty: application
• 摘要: 本文提出利用人造卫星或月球对恒星的掩星现象（eclipse）来测量恒星的角直径，突破传统望远镜的光学衍射极限。核心思想是：当卫星以微秒级时间尺度遮挡星光时，高速光子计数设备记录的光变曲线包含了恒星角大小的空间信息，通过时间域信息反演空间结构。作者构建了完整的贝叶斯统计模型来分析模拟观测数据，并量化了可达到的角分辨率。结果表明，月球和卫星掩星每年可为约10^4颗恒星提供<2毫角秒的分辨率，其中约10^1-10^2颗恒星的直径可被约束到优于0.5毫角秒。该方法对探测器有严格要求：需具备连续读出能力且帧间延迟控制在<1微秒，而SPINA仪器（已实现8纳秒帧间延迟）和切伦科夫望远镜阵列（CTA）均能满足这一要求。这是一篇典型的astrostatistics入门级读物：问题清晰（测量恒星角大小）、数据模型明确（光变曲线+贝叶斯反演）、且统计方法（贝叶斯建模、不确定性量化）有实质性参与。
• 关键技术: Bayesian statistical modeling, lunar occultation imaging, high-speed photon counting, angular size inference, time-domain super-resolution
• 为什么对您有用: 这是一篇优秀的astrostatistics gateway reading：它清晰阐述了天文学家关心的科学问题（恒星角直径测量）以及数据侧的结构（微秒级光变曲线、泊松噪声、探测器特性），统计模型（贝叶斯框架）和不确定性量化方法都有明确交代，适合作为统计学家进入该领域的入门读物。武器库方面：非参数统计和逆问题经验可直接用于理解其贝叶斯反演框架，但核心的天体物理背景（掩星几何、恒星模型）需要额外学习。值得花时间读全文——作为跨学科广度阅读，它比大多数天文学论文更易接近。

3. 2608.11276 — Full-Covariance Bayesian Inference of Stochastic Gravitational Wave Backgrounds with Time-Domain Simulations for Taiji-like Missions

• 作者: Qingyuan Liang, Ju Chen, Minghui Du, Huai-Ke Guo
• 相关性 6/10 · novelty: application
• 摘要: 本文针对太极（Taiji）型引力波探测任务，实现了一个贝叶斯谱推断框架，将第二代时域模拟的时间延迟干涉（TDI）与频域谱似然相结合，用于随机引力波背景（SGWB）分析。核心方法是将模拟生成的X、Y、Z Michelson流分割为有限段，进行傅里叶变换，并用依赖于段落的复3×3协方差矩阵建模。对于每个段落，计算依赖于轨道的响应函数和噪声传递函数，使不等臂和时间演化效应通过完整的XYZ协方差进入模型。使用trianglesim进行的受控模拟表明，在远离TDI零点的保留频带内，计算出的函数以百分之几的精度再现了实现平均谱。文章比较了静态等臂FD、等臂TD和不等臂TD三种配置下的参数估计结果，均使用匹配的全XYZ协方差似然，三种配置在边际化仪器噪声和有效银河双白矮星前景后，对天体物理背景恢复给出了一致的不确定性趋势和贝叶斯证据诊断。最后，在一个包含仪器噪声、有效银河双白矮星前景、随机天体物理背景和宇宙学一阶相变声波谱的十参数模型中，成功恢复了其峰值振幅和频率，贝叶斯证据支持在所有三种匹配配置中包含该信号。
• 关键技术: Bayesian spectral inference, time-delay interferometry (TDI), full XYZ covariance likelihood, time-domain simulations, frequency-domain likelihood, Markov chain Monte Carlo
• 为什么对您有用: 本文是astrostats方向的优秀入门读物：(1) 清晰阐述了引力波数据分析中的核心统计问题——在复杂噪声和不等臂效应下进行谱推断和模型选择，数据结构和似然构造都交代得清楚；(2) 武器库中的非参数统计和软件工程经验足以支撑理解其贝叶斯框架和模拟流程，但若要深入其频域似然的渐近性质或协方差矩阵的谱分析，则需要补充随机矩阵理论在引力波数据中的应用知识（目前不在武器库中）；(3) 值得花时间读全文，因为其全协方差建模思路和贝叶斯模型比较方法对处理高维相关数据的统计学家有启发。

4. 2608.10280 — Tabular foundation models for the estimation of probabilistic quasar photometric redshifts in S-PLUS

• 作者: Raquel R. Valença, Lilianne Nakazono, Rafael Izbicki, Marco Henrique de Almeida Inácio, Bruno Marcondes e Resende, Maycon Jorge Deláqua da Silva et al.
• 相关性 6/10 · novelty: application
• 摘要: 本文评估了表格基础模型（TabPFN 2.5、RealTabPFN 2.5、TabICL）作为即用型概率光度红移估计器在S-PLUS DR6巡天中类星体上的表现。类星体的颜色-红移简并导致后验多峰，且光谱训练集与测光总体存在偏移，构成典型的协变量偏移下的概率预测问题。作者将三个基础模型与八种任务特定基线（线性条件高斯、FlexZBoost、混合密度网络、归一化流、随机森林、梯度提升树）在训练集规模从500到121,626个类星体上进行了全面比较，使用了密度指标和点预测指标以及重要性加权评分。TabPFN 2.5在所有指标上（除未加权CDE损失外）取得最优或统计持平结果，其最大优势体现在小训练集和困难区域（极亮/极暗源、高红移），且在协变量偏移下保持接近名义校准。主要实际成本是推理：冻结权重下，大支持集和目标目录需要大量GPU/加速器内存，全目录部署可能需要支持集子采样或蒸馏。SHAP归因识别WISE W1/W2为最强个体预测因子，紫外和光学波段提供非平凡改进。本文对您作为统计学家而言是一篇优秀的入门级天文统计读物：它清晰阐述了数据结构（12波段测光、光谱子集、协变量偏移）、模型侧（概率预测、多模态后验、校准）以及评估框架（重要性加权），且问题本身（在训练-测试分布偏移下进行高维概率预测）具有统计方法学兴趣。
• 关键技术: tabular foundation models, probabilistic photometric redshift estimation, covariate shift calibration, SHAP feature attribution, importance-weighted scoring
• 为什么对您有用: 本文属于astrostats入门阅读：它清晰阐述了天文数据（12波段S-PLUS测光、光谱子集、协变量偏移）和统计模型（概率预测、多模态后验、校准）两方面，适合作为统计学家进入天文统计的入口。武器库中'非参数统计'和'高维渐近'可以用于分析TabPFN在小样本下的行为，但核心机器（表格基础模型的内在工作原理）不在武器库中，因此暂不可做深入方法学跟进。不过作为gateway reading，本文值得花时间读全文以了解天文统计的实际问题设定和数据挑战。

5. 2608.11268 — Which is the best day of the week to submit to arXiv:astro-ph?

• 作者: Chirag Sharma, Shantanu Desai
• 相关性 6/10 · novelty: application
• 摘要: 本文研究 arXiv astro-ph 预印本提交的星期几是否影响后续引用。数据来自 2020–2023 年六本天文学期刊（MNRAS, ApJ, ApJL, ApJS, A&A, JCAP）共 37,173 篇经同行评议的文章，结合 arXiv API 获取首次提交时间戳。由于引用分布高度右偏，主要统计量为各组中位数引用数，辅以 bootstrap 置信区间。周末提交的论文（全部出现在周一公告批次）在五个期刊中中位数引用显著低于工作日提交，降幅 12–26%；第六个期刊（JCAP）方向一致但不显著。工作日之间（周一至周五）中位数引用无显著差异。该结果将粒子物理与核物理中已报道的周末引用劣势扩展到天文学。作者明确指出这是相关性，可能源于周末提交论文的组成差异或周一公告批次中可见度降低。对您而言，这是一篇极好的天文学入门级阅读：数据来源清晰（ADS + arXiv API）、统计方法简单（中位数 + bootstrap）、科学问题直观（引用行为与提交时间的关系），适合作为了解天文学数据结构和分析文化的起点。
• 关键技术: median citation comparison, bootstrap confidence intervals, arXiv API timestamp extraction, NASA ADS citation data
• 为什么对您有用: 这是一篇天文学 gateway reading：数据来源（ADS + arXiv API）和统计方法（中位数 + bootstrap）都非常清晰，不依赖天文学行话，适合作为入门读物。武器库中的非参数统计和软件工具足以复现或扩展这类分析（例如加入期刊固定效应或控制论文主题的混杂）。值得花时间读全文，因为其分析模式（arXiv 时间戳 + 引用数据）可迁移到其他学科或更精细的因果问题（如周末提交 vs. 工作日提交的因果效应估计）。

6. 2608.11862 — SPORE: An Event-Level Sampling Pipeline for Multi-Telescope Neutrino Astronomy

• 作者: Jeffrey Lazar, Perrine Wilmet, Gwenhaël de Wasseige
• 相关性 5/10 · novelty: application
• 摘要: 本文介绍了一个开源 Python 包 SPORE，用于基于表格化仪器响应函数（IRF）模拟中微子天体物理点源和扩展源事件。该包将有效面积、点扩散函数和能量分辨率三种探测器响应编码为选择无关的 HDF5 格式，可表示任何以该格式提供响应的中微子望远镜。采样算法涵盖点源（逆 CDF 结合泊松或固定计数模式）、扩展天区分布（分层逆 CDF 采样，支持完整的赤经和赤纬相关通量图）以及多探测器联合分析。通过 IceCube 10 年 tracks 数据发布进行了往返一致性验证：生成的合成事件集的赤纬分布在北天与观测数据吻合至 10-15%，但重建能量分布在 600 GeV 以下超出数据达三倍，这归因于公共 smearing 矩阵的粗真能量分箱而非采样本身。与 IceCube HESE 7.5 年数据比较显示，采样沉积能谱跟踪已发布的最佳拟合期望，观测数据落在基于 1000 次采样伪实验构建的拟合优度分布内。本文对您作为统计学家是很好的入门读物，清晰展示了中微子天文学的数据结构（噪声、选择效应、尺度）和模型侧（似然、潜在变量、假设），且数据侧和模型侧的阐述明确。
• 关键技术: instrument response functions (IRFs), inverse-CDF sampling, hierarchical sampling, forward folding, goodness-of-fit distribution
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，对统计学家友好：清晰阐述了中微子望远镜的数据结构（有效面积、点扩散函数、能量分辨率的表格化表示）和模拟框架（采样算法、往返验证）。您的武器库中的非参数统计和软件工程技能足以理解并复现其核心流程，但若要深入改进其能量重建或系统误差建模，需补充探测器物理知识。值得花时间读全文作为进入中微子天文学统计问题的起点。

7. 2608.11294 — Early Exploration of the Scientific Discovery Space for the Habitable Worlds Observatory

• 作者: Courtney D. Dressing, Danica Adams, Evelyne Alecian, Gagandeep Anand, Giada Arney, Sarah Gomes Aroucha Barbosa et al.
• 机构: University of California, Berkeley · Planetary Science Institute · Centre National de la Recherche Scientifique · Institut de Planétologie et d'Astrophysique de Grenoble · Université Grenoble Alpes · Space Telescope Science Institute · Goddard Space Flight Center · Universidade Federal do Ceará 等
• 相关性 5/10 · novelty: survey
• 摘要: 本文是 NASA 未来旗舰级空间望远镜 Habitable Worlds Observatory (HWO) 的早期科学探索白皮书，由 START 团队组织科学社区撰写。论文系统提出了 70 个科学案例，覆盖星系成长、元素演化、太阳系外行星系统及宜居世界四大支柱，对应 Astro2020 十年调查中 30 个科学问题中的 27 个。观测需求分析显示，87% 的案例需要光谱数据，83% 需要紫外波段（<400 nm），34% 需要高对比度成像，27% 需要偏振测量。论文还明确了天体测量、快速响应、非恒星跟踪等关键技术需求。作为一篇规划性白皮书，本文没有提出新的统计方法，但对天文数据科学家而言，它清晰勾勒了 HWO 时代的数据结构、噪声来源和科学目标，是了解未来十年天文观测前沿的极佳入门读物。
• 关键技术: spectroscopic observation, high-contrast imaging, polarimetry, ultraviolet astronomy, exoplanet atmosphere characterization
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它不要求天文背景，清晰阐述了 HWO 的科学目标、观测模式和数据类型，适合作为统计学家进入天文数据科学的入门材料。武器库中的非参数统计、高维渐近和逆问题工具可用于 HWO 的系外行星大气谱线反演和弱信号检测，但本文本身不提供具体方法学入口，属于暂不可做的方向——核心天文物理模型（辐射传输、大气化学）不在当前武器库中。

8. 2608.10786 — Wavefront Profiling via correlation of GLAO open loop telemetry

• 作者: Eden A. McEwen, Ryan Dungee, Mark Chun, Jessica R. Lu, Olivier Lai, Christoph Baranec
• 相关性 5/10 · novelty: application
• 摘要: 本文利用夏威夷2.2米望远镜上'imaka GLAO演示器采集的开环遥测数据，通过多个波前传感器(WFS)的时空互相关来识别大气湍流层的风速。该方法的核心是计算不同WFS之间信号的时间延迟互相关函数，从中反演湍流层的运动速度，并与附近风速计数据和气象模型预测进行对比验证。作者通过将模拟的湍流层注入真实遥测数据来评估方法的稳健性和局限性，并报告了四个典型观测时段（涵盖冬夏目标）中有效估计的比例。结果显示该方法能成功恢复注入层，但与外部风速测量的一致性因观测条件而异。本文属于天文自适应光学(AO)系统的工程应用，对统计学家而言是了解AO数据结构和大气反演问题的入门读物。
• 关键技术: spatial-temporal cross-correlation, wavefront sensor telemetry, wind profiling, ground layer adaptive optics, injected layer recovery
• 为什么对您有用: 本文属于astrostats的gateway reading：它清晰展示了天文自适应光学遥测数据的结构（多波前传感器、时空相关性、开环/闭环模式），以及一个经典的反问题——从互相关函数中反演大气层速度。武器库中的'非参数统计'和'反问题'可以直接用于理解其估计量的偏差-方差权衡；但本文方法本身是工程化的（无形式化统计模型或不确定性量化），因此暂不可做——核心缺失是天文自适应光学系统的物理模型和噪声结构知识，需要先通过本文入门再决定是否深入。

9. 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 González
• 相关性 5/10 · novelty: application
• 摘要: 本文介绍 SGNAX，一个用于引力波探测器表征的开源管道，统一了匹配滤波和过量功率瞬态触发搜索。管道基于 Stream Graph Navigator 框架，将多速率正弦-高斯匹配滤波搜索 snax 和多分辨率 Q 变换搜索 omicron 整合到一个 Python 原生包中。辅助通道作为并行分支分析，共享数据读取和预白化阶段，降低了每通道处理成本。匹配滤波相关使用 PyTorch 实现，可在 CPU 或 GPU 上运行，端到端延迟约 5 秒；Q 变换延迟为数十秒。注入实验显示，SGNAX 恢复了 99.4% 的可恢复正弦-高斯注入，宽带白噪声爆发恢复与现有事件触发生成器一致。在 LIGO 存档数据上，SGNAX 在 10-100 Hz 范围内重现了 omicron 触发种群，触发率和信噪比吻合度在几个百分点内。本文还揭示了生产版 snax 在 25.6 Hz 以下的多频带振幅误差，并提供了修正机制。作为 astrostatistics 的入门读物，本文清晰展示了引力波数据处理中的实时管道设计、噪声表征和触发验证流程，对您了解天文数据流的实际挑战很有帮助。
• 关键技术: matched-filter search, Q-transform, streaming dataflow graph, sine-Gaussian template, white-noise-burst injection
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，适合作为数据统计学家了解引力波探测器表征的入门材料。文章清晰阐述了数据流架构（共享读取/预白化阶段）、实时处理延迟（5秒 vs 数十秒）以及注入校准验证流程，武器库中的非参数统计和软件工程经验足以支撑理解其核心设计。值得花时间读全文以建立对天文数据管道的直觉。

10. 2608.10762 — Application of continuous corrections in widefield imaging obtained with the IDGCAL calibration method

• 作者: Sebastiaan van der Tol
• 相关性 4/10 · novelty: application
• 摘要: 本文针对射电天文成像中方向依赖效应（DDEs）的校正问题，提出对IDG-CAL校准算法的两项改进。IDG（Image Domain Gridding）是一种高效实现A-projection的方法，而IDG-CAL通过迭代方式直接从观测数据估计A项。第一项改进旨在降低描述更多参数的A项的计算成本；第二项改进基于增益变化的随机模型和模型图像，优化描述A项的基函数集。初步结果表明，对于低阶A项效果良好，但更深层成像需要高阶A项。本文聚焦于算法效率提升，而非统计推断或不确定性量化。对您而言，这是一篇典型的射电天文成像方法论文，可作为了解该领域数据结构和计算挑战的入门读物。
• 关键技术: A-projection, Image Domain Gridding (IDG), direction-dependent effects (DDEs), calibration, basis function optimization
• 为什么对您有用: 本文属于astrostats的gateway reading范畴。作为射电天文成像中DDE校正的专门方法论文，它清晰地展示了射电干涉测量数据的结构（方向依赖增益、模型图像）和计算挑战（高阶A项的计算成本）。您的武器库中'软件开发和逆问题'可以理解其计算框架，但本文不涉及统计推断或不确定性量化，因此作为入门读物价值中等——值得花时间读全文以了解射电天文成像的基本问题设定，但无需深入方法细节。

经济理论 / 应用 (econ_theory, 3 篇)

1. 2608.12589 — Supervised Mixed-Frequency Learning for Macro-Financial Forecasting When Factors are Weak

• 作者: Ulrich Hounyo, Zhendong Li
• 相关性 5/10 · novelty: new_method
• 摘要: 本文针对宏观金融预测中常见的弱因子问题，提出了一种有监督的混合频率学习方法 SsPCA-MIDAS。传统因子-MIDAS 回归依赖主成分分析（PCA）提取高频预测变量的公共因子，但 PCA 要求因子具有强渗透性（pervasiveness），在弱因子设定下失效。作者将有监督的缩放 PCA（SsPCA）嵌入混合数据采样（MIDAS）框架，直接以低频目标为导向提取因子。理论上建立了弱因子条件下预测目标估计量的相合性和渐近正态性，允许进行推断。模拟表明，当弱因子普遍存在时，SsPCA-MIDAS 显著优于基于 PCA 和其他有监督的竞争方法。对美国 GDP、通胀、失业率、资产价格和波动率的实证预测显示，该方法能选择经济上有意义的预测变量并提升预测精度。
• 关键技术: Supervised scaled PCA (SsPCA), Factor-MIDAS regression, weak factor asymptotics, mixed-frequency forecasting, boosting
• 为什么对您有用: 本文属于经济理论（宏观金融预测）的应用工作，连接了您的 secondary interest 中的经济理论方向。该论文的核心技术——有监督降维处理弱因子——与您武器库中 'high-dimensional asymptotics' 和 'estimation theory in causal inference' 有潜在交集：弱因子问题在因果推断的 IV 设定中同样常见（弱工具变量），本文的渐近理论可迁移至弱 IV 下的推断。作为入门读物，它清晰阐述了弱因子对 PCA 的破坏机制，值得花时间读全文以了解该领域的问题框架。

2. 2608.11464 — Estimating the perturbed utility route choice model with trip-level data

• 作者: Mogens Fosgerau, Nikolaj Nielsen, Thomas Rasmussen, Rui Yao
• 相关性 4/10 · novelty: application
• 摘要: 本文针对扰动效用路径选择（PURC）模型，提出了一种基于单次出行级别数据的估计方法（microPURC）。该估计器采用嵌套固定点算法，上层为偏差校正的线性回归，下层为个体层面的扰动效用最大化问题。作者建立了估计量的统计性质（一致性、渐近正态性），并通过模拟实验验证了有限样本表现。最后，使用大规模真实数据集展示了方法的实际应用。该工作将离散选择模型与路径选择行为结合，属于交通经济学与计量经济学的交叉领域。对您而言，本文是经济理论方向的应用型文献，展示了如何将微观经济模型与统计估计结合，可作为了解该领域实证范式的入门读物。
• 关键技术: nested fixed-point algorithm, bias-corrected linear regression, perturbed utility maximization, discrete choice model, route choice model
• 为什么对您有用: 本文属于经济理论（交通经济学）的应用工作，作为gateway reading，其问题设定（路径选择）和估计策略（嵌套固定点+偏差校正）对统计学家而言清晰易懂，适合作为进入该子方向的入门读物。武器库中的'非参数统计'和'估计理论'足以理解其核心方法，但该文本身不涉及您擅长的因果推断或高维统计，属于中期可读的拓展材料。

3. 2608.13224 — Parameter Identification in Autoregressions under Discrete Sampling or Temporal Aggregation

• 作者: Marko Mlikota
• 相关性 4/10 · novelty: new_theory
• 摘要: 本文研究 AR(p) 过程在离散采样（stock variable）或时间聚合（flow variable）下的参数可识别性问题。设定为每 q 期观测一次，目标是在温和假设下刻画自回归参数和误差项方差的识别集。核心贡献是：推导出一般 p 和 q 下识别集的基数上界，并给出计算所有候选点并判定其是否属于识别集的算法。主要猜想是：(i) 误差项方差总是点识别；(ii) 时间聚合下自回归参数点识别；(iii) 离散采样下，奇数采样频率时点识别，偶数采样频率时仅符号交替识别。作者在部分设定下证明了该猜想，并在更广范围内通过数值验证。该工作对经济时间序列的实证研究有直接参考价值——当宏观数据常以季度聚合或月度采样形式出现时，识别性结论直接影响后续因果推断（如 VAR 脉冲响应）的有效性。
• 关键技术: temporal aggregation, discrete sampling, identified set, autoregressive process, flow variable, stock variable
• 为什么对您有用: 本文直接连接 secondary interest 中的经济理论（经济时间序列的识别问题），属于应用导向的识别理论工作。武器库中 'estimation theory in causal inference' 和 'identification theory in causal inference' 中的识别集概念可直接迁移——研究者熟悉部分识别（partial identification）框架，可快速理解本文的识别集刻画逻辑。中期可做：若想将本文的识别结果推广到带外生变量的 ADL 模型或结构 VAR，需先在 'identification theory in causal inference' 上进一步积累（当前为 moderately_familiar），但本文本身作为入门级经济时间序列识别文献，值得一读。

其他 (other, 19 篇)

1. 2608.13673 — Nonprobability Samples for Small Area Estimation: A Review and Comparative Simulation Study

• 作者: Sho Kawano, Daniel Vedensky, Qianyu Dong, Ethan Pawl, Qi Wang, Paul A. Parker et al.
• 相关性 7/10 · novelty: survey
• 摘要: 本文综述了非概率样本（NPS）在小区域估计（SAE）中的最新方法进展，并进行了全面的模拟比较研究。核心贡献在于引入数据缺陷相关性（DDC）作为衡量NPS数据质量的统一指标，并基于DDC对现有方法进行分类。模拟研究在多种DDC水平下评估了多种NPS方法（如倾向得分加权、校准、双稳健估计等），并将部分方法扩展至SAE框架。结果表明，方法表现高度依赖于DDC水平与模型设定，没有普适最优方法。本文为调查统计领域提供了实用的方法选择指南，但对您而言，这是一篇应用导向的综述，方法论新颖性有限。
• 关键技术: data defect correlation (DDC), small area estimation (SAE), nonprobability samples, propensity score weighting, calibration weighting, double robust estimation
• 为什么对您有用: 本文属于survey statistics的应用综述，与您的主要兴趣（因果推断、高维统计、半参理论）无直接技术重叠。作为gateway reading，它清晰介绍了DDC这一数据质量度量，但武器库中缺乏survey sampling的专门工具（如多重插补、贝叶斯SAE），因此暂不可做。若您未来涉足调查数据与因果推断的结合（如流行病学中的非概率样本），本文可作为入门读物，但当前不值得花时间精读。

2. 2608.12496 — Adaptable Fingerprinting with Nonlinear Shrinkage for Climate Change Detection and Attribution under Variance Heterogeneity

• 作者: Haoran Li, Yan Li
• 相关性 6/10 · novelty: application
• 摘要: 本文研究气候变化检测与归因中的指纹法（fingerprinting），该问题可建模为线性误差变量回归（errors-in-variables regression），其中预测变量和响应变量均受内部变异性影响，且协方差结构满足比例协方差假设并受变异性膨胀因子调控。现有高维方法常忽略预测变量的方差膨胀，且精度矩阵估计不精确，导致尺度因子估计有偏、置信区间覆盖不足。作者提出一种基于非线性旋转不变收缩（nonlinear rotation-invariant shrinkage）的精度矩阵估计框架，在高维设定下恢复总最小二乘估计量的渐近最优性。该方法联合估计尺度因子和变异性膨胀因子，修正估计偏差，并引入一致方差估计实现有效的不确定性量化；同时开发残差一致性检验评估模型充分性。数值实验表明估计更精确、置信区间覆盖更优、效率更高。对1951–2020年全球年均近地表气温数据的应用得到更窄且更可靠的置信区间，改进了归因结论。
• 关键技术: nonlinear shrinkage, rotation-invariant estimator, precision matrix estimation, total least squares, errors-in-variables regression, high-dimensional asymptotics
• 为什么对您有用: 本文属于气候科学应用，与您的主要兴趣（因果推断、高维统计）无直接方法学重叠，但可作为gateway reading了解气候归因中的统计建模（误差变量回归、精度矩阵估计）。您的武器库中'高维渐近理论'和'逆问题'可帮助理解其非线性收缩框架的渐近最优性论证；但该文核心是气候科学应用，方法学novelty有限（非线性收缩在精度矩阵估计中已有较多工作），暂不可做直接follow-up。

3. 2608.11670 — A statistical theory of graph regularization for RNA velocity near developmental bifurcations

• 作者: Lingqi Meng, Shiruo Wang
• 相关性 6/10 · novelty: new_theory
• 摘要: 本文研究RNA velocity估计中图正则化的统计性质，特别关注发育分叉点附近的问题。目标是在可能错误指定的细胞状态图上分析图正则化估计的偏差-方差权衡。作者推导了精确的图谱偏差-方差分解，刻画了Laplacian正则化如何抑制估计噪声同时引入系统性平滑偏差。为量化谱系保留程度，引入了分支敏感风险，将谱系内去噪与跨谱系信息泄漏分离。理论表明，持续存在的跨分支连接会导致非消失的分支偏差，意味着标准邻近图正则化在发育分叉点附近可能渐近不一致。这些结果为理解RNA velocity估计中图正则化的统计收益和几何局限性提供了数学基础。对您而言，本文是统计计算与生物信息学交叉的入门级阅读，展示了图正则化方法在具体科学问题中的理论分析框架。
• 关键技术: graph Laplacian regularization, bias-variance decomposition, graph spectral analysis, branch-sensitive risk, RNA velocity estimation
• 为什么对您有用: 本文属于general science范畴的gateway reading，展示了图正则化方法在单细胞RNA velocity估计中的统计理论分析。武器库中的nonparametric statistics和high-dimensional asymptotics可以用于理解其偏差-方差分解和渐近性质。作为跨学科入门读物，本文清晰阐述了数据结构和模型假设，适合作为了解生物信息学中统计计算问题的起点，值得花时间阅读全文。

4. 2608.13762 — Detection of Structural Distortions in Functional Time Series

• 作者: Debanjana Datta, Rituparna Sen, Nalini Ravishanker
• 相关性 5/10 · novelty: application
• 摘要: 本文研究函数型时间序列中结构性扭曲的检测问题。与经典单变量时间序列不同，函数型数据的结构变化可能仅发生在局部区域，且变化模式具有稀疏性——事先不知道哪些参数正在发生转变。作者从贝叶斯视角出发，基于状态空间表示构建模型，提出了多种新方法来捕捉随机函数序列中的结构性扭曲。核心算法采用高效的Blocked Gibbs Sampling来识别变化位置。在金融和温度数据集上的实证展示了方法的有效性。对您而言，本文属于应用统计方法论文，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接技术重叠，但函数型数据中的局部变化检测问题与您熟悉的非参数统计和逆问题有一定概念关联。
• 关键技术: Blocked Gibbs Sampling, state-space representation, functional time series, structural break detection
• 为什么对您有用: 本文属于函数型时间序列的结构变化检测，与您的主要兴趣方向（因果推断、高维RMT、U-统计量）无直接技术连接。武器库中'非参数统计'和'高维渐近'可提供背景理解，但核心贝叶斯MCMC方法不在您的技术栈中。作为一篇方法学论文，它更偏向贝叶斯计算而非您关注的频率学派或半参效率理论，暂不可做——缺少贝叶斯非参/状态空间模型的熟练工具。

5. 2608.13131 — Huber-Wasserstein barycenters for robust distribution-valued data

• 作者: Carlos Cardoso-Perelló, Alberto González-Sanz
• 相关性 5/10 · novelty: new_method
• 摘要: 本文提出一种针对分布值数据的鲁棒重心估计量——Huber-Wasserstein 重心。核心创新在于将 Huber 损失直接嵌入最优传输代价函数中，作用于个体传输位移而非 Wasserstein 距离本身，从而在局部保持二次行为的同时限制大位移的影响。该构造自然插值了 Wasserstein 均值与 L1 型 Wasserstein 中位数。理论上，作者证明了 Huber 最优传输的对偶势正则性与唯一性、最优传输映射的存在性以及随 Huber 参数变化的稳定性；对于重心问题，证明了存在性、刻画结果、经验插值估计量的一致性以及有限样本崩溃点接近 1/2。在一维情形下，进一步导出了逐点影响函数和渐近分布，量化了鲁棒性-效率权衡，并展示了位移式 Huber 化在局部形状污染下能保留距离式 Huber 化丢失的一阶信息。数值实验验证了所提重心在污染分布值数据上的鲁棒性及其均值-中位数插值行为。该工作属于鲁棒统计与最优传输的交叉方向，与您的主要兴趣（非参数统计、M-估计理论）有方法学关联，但并非直接推进因果推断或高维统计的核心问题。
• 关键技术: Huber loss, optimal transport, Wasserstein barycenter, influence function, finite-sample breakdown point, robustness-efficiency trade-off
• 为什么对您有用: 本文属于鲁棒统计与最优传输的交叉方向，与您的主要兴趣（非参数统计、M-估计理论）有方法学关联，但并非直接推进因果推断或高维统计的核心问题。您武器库中的 minimax bounds 和 M-估计理论可用于分析其估计量的收敛速率和鲁棒性-效率权衡，但该问题本身不涉及您最核心的因果推断或高维随机矩阵工具。作为 gateway reading 价值一般，因为最优传输与您的核心兴趣距离较远。暂不可做：核心机器（最优传输、Wasserstein 几何）不在武器库中。

6. 2608.12885 — Distinguishing case-mix from context heterogeneity in prognostic regression model synthesis settings

• 作者: Max Behrens, Janis M. Nolde, Eleni Papakonstantinou, Gabriele Bellerino, Theodoros Evrenoglou, Angelika Rohde et al.
• 相关性 5/10 · novelty: application
• 摘要: 本文针对多中心预后回归模型合成中的异质性来源诊断问题，提出一种区分病例组合异质性与情境异质性的方法。病例组合异质性源于不同中心协变量分布差异导致的线性近似偏差，而情境异质性反映相同患者在不同中心需要不同回归关系。方法核心是：在降维空间中拟合中心特异性局部回归，通过自编码器与定制损失函数将平滑系数曲面分解为跨中心参考曲面与中心特异性偏差，并将此分解投影到结局尺度以生成观测级与中心级汇总统计。在COPD两中心试验中，三个主要潜在斜率坐标的系数曲面变异以情境异质性为主；观测级结局尺度方差分解以病例组合为主，而中心间聚合则集中于情境差异。置换中心标签的阴性对照验证了情境汇总统计的非随机性。该诊断可指导选择联合模型还是中心特异性模型，但方法学贡献有限，属于应用导向的统计诊断工具。
• 关键技术: autoencoder, local regression in dimension-reduced space, coefficient surface decomposition, variance partition on outcome scale, permuted-site negative control
• 为什么对您有用: 本文属于应用统计诊断，与您的主要兴趣（因果推断、高维统计、U统计量）无直接技术重叠。武器库中'非参数统计'和'因果推断中的估计理论'可帮助理解其局部回归与分解思路，但核心机器（自编码器、潜在空间结构）不在您的技术库中，属于暂不可做方向。作为流行病学应用（COPD数据），可作入门阅读了解多中心异质性诊断的实践问题，但方法学新颖度低，不值得深读。

7. 2608.11180 — Bayesian inference on beta diversity via feature allocation models with imperfect detection

• 作者: Federica Stolf, Tommaso Rigon, David B. Dunson
• 相关性 5/10 · novelty: application
• 摘要: 该论文针对生态学中β多样性（群落间物种组成差异）的统计推断问题，提出了一类新的贝叶斯特征分配模型。物种出现数据具有高维、大量未观测物种、检测不完全（假阴性）等特点，现有方法多依赖经验性相异指数（缺乏不确定性量化）或基于可交换性与完美检测的强假设模型。作者将潜在特征分配模型与基于占有率的检测机制结合，允许不同地点间物种组成异质性，显式处理假阴性，并容纳新物种发现。模型推导出物种共享与β多样性的后验及预测分布解析形式（包括地点间共享物种数及未来采样期望数），提供可解释的后验汇总。模拟与全球真菌多样性数据应用表明，该方法在物种共享与群落间多样性推断上优于现有方法。对您而言，本文虽属生态统计应用，但其处理高维稀疏计数数据与不完全检测的贝叶斯建模策略（特征分配+占有率机制）对您在高维统计与因果推断中处理缺失数据或测量误差问题有参考价值。
• 关键技术: Bayesian feature allocation models, occupancy-based detection models, partially exchangeable species occurrence data, posterior and predictive distributions for beta diversity, false negative correction
• 为什么对您有用: 本文属于生态统计应用，非您的主要兴趣方向。但其中处理高维稀疏数据与不完全检测的贝叶斯建模思路（特征分配+占有率机制）对您在高维统计与因果推断中处理测量误差或缺失数据问题有一定启发。作为gateway reading，本文对生态学外行较友好，清晰阐述了数据结构与模型假设，但方法学新颖性有限，不值得深入精读。

8. 2608.10592 — Duality and Error for Predictively Oriented Inference

• 作者: Aurya Javeed, Drew P. Kouri, Teresa Portone, Rebekah White
• 相关性 5/10 · novelty: new_method
• 摘要: 本文提出预测导向（PrO）推断框架，通过优化评分规则（对数评分）与 φ-散度正则化项来选择参数分布，以提升预测性能并应对模型误设定。核心贡献有二：一是推导了 PrO 推断的有限维对偶形式，对 n 个观测值仅需 n+1 个对偶变量，并建立了零对偶间隙条件与最优性条件，在 KL 散度正则化下得到指数形式的半解析后验表示。二是推导了近似 PrO 后验的有限样本超额预测风险界，将采样波动、散度预算下的近似误差、正则化与数值优化误差分离，且该界在基准预测风险不可达时仍成立。通过可精确求解的分类示例展示了预测风险收敛可导致唯一预测分布收敛，而参数分布无弱极限；不同 φ-散度需不同正则化调度。最后用误设定高斯位置混合示例说明对偶计算、原始恢复与数值精度检验。本文属于贝叶斯推断与预测不确定性的交叉方向，对您而言，其有限样本风险界与对偶形式的技术思路（如分离误差源、半解析后验）可迁移至因果推断中的敏感性分析或效率界推导，但核心机器（φ-散度对偶、预测风险界）不在您的武器库中，属于暂不可做方向。
• 关键技术: φ-divergence regularization, dual formulation, finite-sample excess risk bound, predictive inference, scoring rule optimization
• 为什么对您有用: 本文属于预测推断与贝叶斯正则化的交叉方向，与您的 primary interests（因果推断、效率理论）有间接关联——其有限样本风险界分离误差源的技术思路可启发因果推断中的敏感性分析或 DML 的误差分解。但核心方法（φ-散度对偶、预测风险界）不在您的技术武器库中（very_familiar 和 moderately_familiar 均未覆盖），属于暂不可做方向。若您未来想进入预测不确定性量化领域，本文可作为入门阅读，但当前优先级不高。

9. 2608.10328 — Statistical analysis of block structured latent variable models

• 作者: Chengyu Cui, Gongjun Xu
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文系统研究块结构潜变量模型的统计性质。模型假设观测变量根据与潜变量的关系被划分为若干块，这种结构常见于心理学、教育学、经济学和遗传学等领域。作者首先推导了不同块设计下模型可识别性的条件。针对带约束的非凸极大似然估计问题，引入拉格朗日型公式，证明其最优解与原问题等价，从而为理解约束估计量的行为提供关键工具。在此基础上，建立了约束MLE的尖锐非渐近误差界和渐近分布。还提出了计算框架并证明了算法输出的理论性质。模拟和实证分析验证了理论发现。该工作为块结构潜变量模型提供了首个系统的统计推断理论，对您而言，其可识别性分析和约束MLE的渐近理论可连接到您在高维统计和半参理论方面的兴趣，但方法学工具（拉格朗日型公式、非凸优化）与您的技术武库交集有限。
• 关键技术: constrained maximum likelihood estimation, Lagrangian-type formulation, non-asymptotic error bounds, asymptotic distribution, block structured latent variable models, model identifiability
• 为什么对您有用: 本文属于潜变量模型的基础统计理论，与您的主要兴趣（高维统计、半参理论）有间接关联，但核心方法（拉格朗日型公式处理非凸约束优化）不在您的技术武库中。可识别性分析和渐近分布结果可作为您在高维潜变量模型方向的门槛阅读，但缺乏直接可迁移的方法学工具。暂不可做——核心机器（非凸约束优化的拉格朗日分析、块结构可识别性条件）不在武器库里。

10. 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
• 相关性 5/10 · novelty: application
• 摘要: 本文在经典 Fay-Herriot 小域估计框架下，同时处理协变量测量误差与空间相关性。标准 Fay-Herriot 模型假设协变量无误差，但来自大数据源的辅助信息常含测量误差，忽略它会导致有偏估计。作者在 Ybarra-Lohr 测量误差 Fay-Herriot 模型基础上引入空间依赖结构，提出空间测量误差 Fay-Herriot 模型，允许跨相邻区域借力信息，同时校正协变量不确定性。推导了模型参数估计量的性质，并给出经验最佳线性无偏预测的均方误差参数自助法估计。模拟实验覆盖多种测量误差场景，验证方法表现。应用部分使用欧洲社会调查数据与大数据辅助信息，估计西班牙各地区对气候变化的态度。对您而言，这是一篇应用导向的统计建模工作，方法学 novelty 有限（组合已有工具），但小域估计与测量误差的结合在流行病学调查中常见，可作为应用案例参考。
• 关键技术: Fay-Herriot model, measurement error model, spatial dependence, empirical best linear unbiased predictor, parametric bootstrap
• 为什么对您有用: 本文属于小域估计的应用统计建模，与您的 primary interests（因果推断、高维统计等）无直接交集。方法学上主要是将已有测量误差 Fay-Herriot 模型与空间随机效应组合，无新理论或新方法。作为流行病学或社会调查中测量误差问题的应用案例可读，但武器库中无直接可攻的问题。暂不可做——核心机器（小域估计、空间随机效应模型）不在您的武器库中，且 novelty 不足。

11. 2608.12949 — Bayesian Inference Procedures for A/B Testing: An Overview

• 作者: Mårten Schultzberg, Mattias Frånberg
• 相关性 4/10 · novelty: survey
• 摘要: 本文系统梳理了A/B测试中贝叶斯推断方法的层次结构，将其分为三个层级：1) 后验一致性但无错误控制；2) 通过贝叶斯因子停止规则在连续监测下控制假阳性率；3) 通过经验贝叶斯实现错误发现率控制和校准收缩。作者证明贝叶斯因子停止规则在广泛成本函数类中接近最优，且同一规则同时控制假阳性率，因此决策理论与频率学派表述的选择主要是参数化问题。经验贝叶斯是先验达到第三层级的唯一路径，但胜者选择语料库、合并项目和异质性指标均可阻止校准。模拟显示，平坦先验后验停止精确复现朴素窥视，校准良好的经验贝叶斯先验实现最低估计误差，而期望损失停止仅在零效应变体近乎无成本时最小化遗憾。本文是应用导向的综述，方法学新颖性有限，但对从事在线实验或因果推断应用的研究者具有参考价值。
• 关键技术: Bayesian inference, Bayes factor stopping, empirical Bayes, false positive rate control, group-sequential testing, always-valid inference
• 为什么对您有用: 本文属于应用导向的综述，与您的主要兴趣（因果推断中的实验设计、假设检验）有间接关联，但方法学新颖性有限。作为gateway reading，它清晰梳理了A/B测试中贝叶斯方法的层次和陷阱，适合作为入门读物。武器库中的'因果推断估计理论'和'非参数统计'可帮助理解其模拟设计，但本文不涉及您擅长的更高阶U统计量或半参效率理论。暂不可做：核心机器不在武器库中（缺乏贝叶斯序贯分析的专业工具）。

12. 2608.12510 — Bayesian Modeling of Gibbs Point Processes via Basis Function Expansions

• 作者: Christopher Hassett, Athanasios C. Micheas, Scott H. Holan, Stamatis Dostoglou
• 相关性 4/10 · novelty: application
• 摘要: 本文提出一个层次贝叶斯框架，用于非齐次成对交互Gibbs点过程模型，其中全局和局部效应函数通过基函数展开建模。该方法允许对点过程的强度函数和交互结构进行灵活的非参数估计。作者还提出了一个检验完全空间随机性的程序。通过两个真实基准数据（水黾和森林火灾）展示了方法的实用性。该工作主要贡献在于将基函数展开与Gibbs点过程结合，并提供了完整的贝叶斯推断方案。对您而言，该论文属于空间统计领域，与您的主要兴趣（因果推断、高维统计等）无直接关联，但可作为统计计算和贝叶斯方法的一般性参考。
• 关键技术: Gibbs point process, basis function expansion, hierarchical Bayesian model, complete spatial randomness test
• 为什么对您有用: 该论文属于空间统计领域，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接交集。作为统计计算和贝叶斯方法的一般性参考，其基函数展开和层次建模思路可能对您有间接启发，但核心问题设定和方法论与您的武器库（非参统计、U统计量、因果推断）距离较远。暂不可做：核心机器（Gibbs点过程、空间点模式分析）不在您的武器库中。

13. 2608.11366 — Graphical Models for Multivariate Count Data

• 作者: Iza Danielewska, Bartosz Kołodziejek
• 相关性 4/10 · novelty: new_method
• 摘要: 本文为多元计数数据构建了一个统一的图模型框架，将经典多项、负多项、超几何和负超几何分布推广到可分解图上。四种分布族通过抽样方式（有无放回）和停止规则（固定抽样数或固定失败数）两个特征自然组织，图结构编码变量间的依赖关系和允许的配置。模型在空图退化为单变量分布的乘积，在完全图退化为经典多元分布，中间情形保持显式的马尔可夫分解和可处理的抽样表示。作者进一步基于图Dirichlet型分布建立了统一的贝叶斯层次模型，得到显式的后验和预测分布。该框架特别适用于存在排斥或不兼容约束的计数数据，文中以里德伯原子激发数据为例展示了实用性。对您而言，本文属于图模型与多元分布的交叉，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接技术关联，但作为统计建模的通用阅读有一定参考价值。
• 关键技术: decomposable graphical models, Markov factorization, hypergeometric distribution, negative hypergeometric distribution, graphical Dirichlet-type distributions, Bayesian hierarchy
• 为什么对您有用: 本文属于图模型与多元分布的交叉方向，与您的主要兴趣（因果推断、高维统计、U统计量等）无直接技术关联。武器库中无对应工具可攻该文的具体口子。暂不可做——核心机器（图模型分解与多元离散分布的特殊组合结构）不在武器库中。

14. 2608.10913 — Endogeneity-Aware Cognitive Diagnostic Model for Multidomain Ordinal Assessments

• 作者: Zhiyu Huang, Jing Ouyang, Kai Kang
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对多领域序数评估中的潜在属性依赖问题，提出了一种内生性感知认知诊断模型（EACDM）。该模型通过块对角Q矩阵将项目组与领域特定二元属性连接，并在结构成分中允许一个属性块对另一个属性块及协变量进行逻辑回归，同时考虑潜在分类不确定性。作者建立了Q矩阵、有效载荷、潜在剖面概率和结构系数的可识别性条件，并开发了MCMC算法进行联合估计。模拟研究表明，当存在内生性时，传统CDM无法恢复真实参数，而EACDM能准确恢复项目参数、潜在结构和结构系数。该方法应用于帕金森病数据，分析非运动潜在特质与运动障碍特征的关系。该论文属于心理测量学与教育统计领域，与您的主要兴趣方向（因果推断、高维统计、半参数理论等）无直接技术重叠，但其中关于潜在变量建模和可识别性分析的思想可能对纵向因果推断中的测量误差问题有间接启发。
• 关键技术: cognitive diagnostic model, block-diagonal Q-matrix, Markov chain Monte Carlo, identifiability conditions, logistic structural component
• 为什么对您有用: 该论文属于心理测量学领域，与您的主要兴趣方向（因果推断、高维统计、半参数理论）无直接技术重叠。虽然其中潜在变量建模和可识别性分析的思想可能对纵向因果推断中的测量误差问题有间接启发，但核心方法（CDM、MCMC）不在您的技术武器库中，且缺乏与您熟悉的非参数统计、U统计量或效率理论的具体连接。暂不可做——核心机器（认知诊断模型、MCMC算法）不在武器库里。

15. 2608.10727 — Survey-robust uncertainty quantification in generalised additive models for location, scale, and shape

• 作者: Dennis Meurer, Timo Adam
• 相关性 4/10 · novelty: application
• 摘要: 本文针对复杂调查数据中分布参数回归（GAMLSS）的方差估计问题，提出一种基于线性化的三明治方差估计量，该估计量能够同时考虑调查设计（如分层、聚类、抽样权重）而无需重抽样。传统模型稳健标准误在复杂调查设计中会严重低估回归参数估计的变异性，而重抽样方法（如bootstrap、jackknife）计算成本高。作者通过将调查权重纳入影响函数线性化，推导出封闭形式的方差估计，在保持计算效率的同时实现了准确的置信区间覆盖。模拟研究基于合成调查数据验证了该方法对所有分布参数（位置、尺度、形状）的标准误估计均优于现有方法。实证部分使用2019/20年卢旺达人口健康调查数据展示了该方法的实用性。本文属于应用统计方法论文，方法学新颖性有限（主要是将已有线性化方差估计思想扩展到GAMLSS框架），但对处理复杂调查数据的实证研究者有直接参考价值。
• 关键技术: sandwich variance estimator, linearization-based variance estimation, GAMLSS, complex survey design, influence function
• 为什么对您有用: 本文属于流行病学/调查统计的应用方向，与您的secondary interest（流行病学数据集、应用因果工作）直接相关。您武器库中的'非参数统计'和'M估计理论'可以用于分析该线性化方差估计量在更一般半参数模型下的渐近性质（如是否达到半参数效率界）。暂不可做：核心机器（复杂调查设计的渐近理论、PPS抽样下的影响函数推导）不在您的武器库中，需要先补充survey sampling的渐近理论。

16. 2608.10095 — Covariate Informed Identification of Heterogeneity and Outliers in Longitudinal Data

• 作者: Anish Mukherjee, Jeremy T. Gaskins
• 相关性 4/10 · novelty: application
• 摘要: 本文针对纵向数据中常见的异质性（均值轨迹不同、残差方差增大、个别测量点异常值）提出贝叶斯混合模型。传统线性混合效应模型假设同质性，会高估残差方差并导致固定效应估计效率下降。作者通过三个二元潜变量分别指示三种异质性来源，并用协变量通过逻辑回归建模其概率。采用MCMC进行后验推断，并通过模型选择决定是否纳入各异质性成分。模拟显示模型能准确识别异质性并提高固定效应估计效率。SWAN研究的DHEAS激素数据验证了方法的实用性。本文方法学贡献在于将异质性识别与协变量信息结合，但整体属于应用导向的贝叶斯建模，与您的主要兴趣（因果推断、高维统计、半参效率理论）距离较远。
• 关键技术: Bayesian mixture model, mixed effects model, logistic regression for heterogeneity indicators, MCMC, model selection
• 为什么对您有用: 本文属于纵向数据异质性建模的应用工作，与您的流行病学次级兴趣（应用因果推断）有微弱关联——SWAN研究是经典流行病学队列。但方法学核心是贝叶斯混合模型而非因果推断或半参效率理论，武器库中的'非参统计'和'M估计理论'无法直接攻入。暂不可做：核心机器（贝叶斯潜变量模型、MCMC诊断）不在您的武器库中，且无因果识别或效率理论问题可延伸。

17. 2608.13383 — On Bridging Mixture Distributions

• 作者: Pierre Del Moral, Ajay Jasra, Ke Zhao
• 相关性 4/10 · novelty: new_theory
• 摘要: 本文研究两个混合概率测度之间的桥接问题。给定一个连接两个分量分布的马尔可夫核，作者提出了一种通用机制，用于从一个混合分布生成样本到另一个混合分布。在参考状态空间和扩展状态空间下，证明了该方法在熵意义上的最优性。针对高斯混合和薛定谔桥情形，推导了基于ε-协方差膨胀的近似桥与精确桥之间的2-Wasserstein连续性界，该界依赖于扰动Riccati映射的连续性分析。当高斯参数通过EM算法估计时，在假设下以至少1-10N^{-1}的概率，真实桥与近似桥之间的2-Wasserstein距离上界为O(...)。该工作属于概率论与最优传输的交叉领域，与您的主要兴趣方向（因果推断、高维统计、半参理论）无直接方法学关联。
• 关键技术: Schrödinger bridge, Wasserstein distance, Gaussian mixture, Riccati map continuity, covariance inflation, EM algorithm
• 为什么对您有用: 本文属于概率论与最优传输的纯理论工作，与您的主要兴趣方向（因果推断、高维统计、半参理论）无直接方法学连接。武器库中的工具（如非参统计、U统计量）无法直接攻入该文的核心问题（熵最优桥接、Riccati映射扰动分析）。暂不可做——核心机器（最优传输理论、薛定谔桥系统）不在武器库中。

18. 2608.12054 — Estimating Community Boundaries in Geometric Random Graphs

• 作者: Taha Ameen, Neeladri Maitra
• 相关性 4/10 · novelty: application
• 摘要: 本文研究几何随机图（geometric random graphs）中的社区边界估计问题。设定在单位正方形 I=[0,1]^2 上，由垂直线 x=p 划分为两个矩形社区；N 个独立均匀分布的点代表个体，同社区个体在距离 R_N 内连边，跨社区个体在距离 R_N' 内连边，形成几何随机块模型（geometric stochastic block model）。统计学家观测到邻接矩阵和个体几何位置，目标是估计边界位置 p。作者根据 R_N 和 R_N' 随 N→∞ 的缩放速率，建立了 p 一致可估的充要条件。在一致可估时，构造了收敛到 p 的估计量，并给出了显式的误差界。该问题将社区检测与几何图模型结合，对您而言属于 gateway reading 范畴——它展示了非参数几何设定下边界估计的识别性与收敛速率，但核心工具（几何图、随机块模型）不在您的主要兴趣方向内，且方法学 novelty 有限。
• 关键技术: geometric random graphs, stochastic block model, community boundary estimation, consistency conditions, scaling regimes
• 为什么对您有用: 本文属于 gateway-reading 范畴：(1) 问题设定（几何随机块模型中的边界估计）与您的主要兴趣（因果推断、高维统计）无直接重叠，但可作为跨领域阅读了解几何图模型中的估计问题；(2) 武器库中 nonparametric statistics 和 minimax bounds 可用来理解其收敛速率推导，但核心机器（几何图连边机制、社区检测）不在 very_familiar 或 moderately_familiar 中，属于暂不可做方向；(3) 本文是入门级读物，清晰阐述了模型、缩放速率和一致可估条件，适合作为了解几何图社区检测的起点，但方法学贡献较浅，不值得花时间全文精读。

19. 2608.10336 — A Multinomial Probit Model for Asymmetric Choice Responses

• 作者: Cash Looi, Ruben Loaiza-Maya, Didier Nibbering
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对标准多项Probit（MNP）模型中潜在效用分布对称性假设导致选择概率对正负协变量偏移响应对称这一限制，提出偏态多项Probit（SMNP）模型。SMNP采用多元偏态正态分布刻画潜在效用，引入替代特定的偏度参数，并在偏度为零时嵌套标准MNP模型。偏度参数与MNP尺度归一化相互作用，破坏了贝叶斯估计中条件高斯更新的结构，带来识别与计算挑战。作者通过协方差重参数化强制识别与正定性、在识别参数空间上设置可解释先验，以及双重数据增广方案构建Metropolis-Hastings within Gibbs采样器来解决这些挑战。数值实验和消费者选择数据应用表明，SMNP能恢复非对称选择响应、改进概率预测，并在价格弹性和替代模式上产生经济上有意义的差异。本文主要贡献在计量经济学建模与贝叶斯计算，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接交集。
• 关键技术: skew-normal distribution, Metropolis-Hastings within Gibbs, data augmentation, covariance reparameterization
• 为什么对您有用: 本文属于计量经济学建模与贝叶斯计算方法，与您的主要兴趣方向（因果推断、高维统计、U统计量、半参效率理论等）无直接交集。作为经济理论（secondary interest）的应用论文，它展示了偏态分布如何改进离散选择模型的弹性预测，但方法学核心（贝叶斯MCMC）不在您的武器库中，且未涉及您关注的识别/估计效率或计算-统计权衡问题。暂不可做——核心机器（贝叶斯数据增广MCMC）不在武器库里。

🗂 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. 2608.13713 — Hyperbolic Latent Position Models for Hierarchical Bipartite Data

• 作者: Kisung You
• 相关性 3/10
• 评分理由: Hyperbolic latent space models for bipartite data are unrelated to the researcher's primary interests.

2. 2608.12998 — WIRED: Weighted Adaptive Prediction with Structured Dependence for Probabilistic Multiseries Forecasting

• 作者: Giancarlo Vercellino
• 相关性 3/10
• 评分理由: Probabilistic forecasting R package is an applied software contribution, unrelated to primary statistical interests.

3. 2608.12922 — A Revisit to Point Estimation Through the Empirical Bayes Method: The Case of Binomial Distribution with Beta Prior and Extension to Poisson Distribution

• 作者: Quoc-Bao Nguyen, Nabendu Pal, Dang Van Vinh
• 相关性 3/10
• 评分理由: Empirical Bayes for binomial/Poisson is a standard statistical method, but it is tangential to the researcher's primary interests in causal inference, high-dimensional statistics, or semiparametric theory.

4. 2608.12641 — Empirical Simulation of Survival and Mixed-Type Data for Clinical Trial Design

• 作者: Yao Chen, Jiren Sun, Yuxin Ding, Yushi Liu, Yongming Qu
• 相关性 3/10
• 评分理由: Simulation for clinical trial design is a statistical computing application, but the abstract focuses on copula-based methods, which are not aligned with the researcher's primary interests.

5. 2608.11542 — Analytically Corrected Bayesian Modularization for Local Item Calibration

• 作者: Paul A. Jewsbury, Steven W. Nydick
• 相关性 3/10
• 评分理由: 聚焦于教育测试中的项目校准，是贝叶斯模块化方法，与 researcher 的统计兴趣（因果推断、高维、U统计量）无直接关联。

6. 2608.11481 — Time-Varying Multi-Seasonal ARMA Models

• 作者: Ganna Fagerberg, Mattias Villani, Robert Kohn
• 相关性 3/10
• 评分理由: 提出时变多季节 ARMA 模型，属于时间序列方法，与 researcher 的 primary interests（因果推断、非参、高维）不直接相关。

7. 2608.11029 — A parametric framework for assessing and estimating sufficient follow-up time in cure models

• 作者: Luiz Silva-Resende, Dionisio Alves-Neto, Danilo Alvares, Vera Tomazella
• 相关性 3/10
• 评分理由: Cure models in survival analysis are tangential to primary interests; no causal or high-dim connection.

8. 2608.10731 — When Is a General Factor Distinguishable? Non-Proportionality, Stable Structure, and the Bifactor Decision

• 作者: Jinsong Chen
• 相关性 3/10
• 评分理由: Factor analysis and bifactor models are outside primary interests; no causal or high-dim connection.

9. 2608.10261 — Structured dispersion modelling for mortality data using a Conway--Maxwell--Poisson specification

• 作者: Jackie Siaw Tze Wong, Emiliano A. Valdez
• 相关性 3/10
• 评分理由: 主题为死亡率数据的离散建模，与研究者主要兴趣（因果推断、高维统计等）无直接关联。

10. 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, František Bartoš
• 相关性 3/10
• 评分理由: 医学元分析方法比较，与研究者主要兴趣领域（因果推断、高维统计等）无直接关联。

11. 2608.13510 — On the Structural Limits of Machine Learning Decision Systems: An Information-Theoretic, Interaction-Based, and Stochastic-Dynamical Perspective

• 作者: Nestor R. Barraza, Gabriel Pena
• 相关性 3/10
• 评分理由: 泛泛讨论信息论和机器学习极限，缺乏具体统计模型或方法，与主要兴趣无直接关联。

12. 2608.12738 — Hyper-V uniform ergodicity of Markov chains

• 作者: Austin Brown, Kshitij Khare
• 相关性 3/10
• 评分理由: 马尔可夫链的遍历性理论，与主要统计兴趣（因果推断、U-统计量）无关。

13. 2608.10482 — Predicting Diagonalizability of a Mean Matrix

• 作者: Jinze Zhao
• 相关性 3/10
• 评分理由: 问题过于抽象（半代数性质可预测性），与主要兴趣领域无直接关联。

14. 2608.13737 — Performance Analysis of the Asgard/NOTT Nulling Interferometer: Optimizing Observing Modes for High-contrast Detection

• 作者: J. P. Scott, S. Ertel, T. A. Stuber, D. Defrère, R. Laugier, J. C. Augereau et al.
• 相关性 3/10
• 评分理由: Astronomy paper on nulling interferometer performance; lacks accessible data/model exposition for a statistician outsider.

15. 2608.13464 — JWST MIRI Medium Resolution Spectrometer Point Fixed Pattern Corrections: Cleaner and Higher Signal-to-Noise Spectra of Point Sources

• 作者: Karl D. Gordon, David R. Law
• 相关性 3/10
• 评分理由: 涉及JWST数据校正和信噪比提升，有数据处理维度但高度特化，非通用统计方法。

16. 2608.12999 — SNIFFLES I: Intended Emission, Unwanted Emission, and Unintended Radiation from Low-Earth Orbiting Satellites Impacting Radio Astronomy from 1-26 GHz

• 作者: Balthasar Indermuehle, Liroy Lourenco
• 相关性 3/10
• 评分理由: 卫星射频干扰观测，有数据采集和分析但纯天文/工程，无统计方法论创新。

17. 2608.12861 — Tropospheric Ducting Prediction based on GFS Model Data at Inyarrimanha Ilgari Bundara, the CSIRO Murchison Radio-astronomy Observatory

• 作者: Balthasar Indermuehle, Hajime Suzuki
• 相关性 3/10
• 评分理由: 对流层波导预测，涉及GFS模型和传播损耗计算，有数据建模但非统计核心。

18. 2608.10539 — Comparing realtime optical gain measurement and methods on MagAO-X

• 作者: Eden McEwen, Jared R. Males, Olivier Guyon, Sebastiaan Y. Haffert, Vincent Deo, Joseph D. Long et al.
• 相关性 3/10
• 评分理由: Astrostatistics gateway: highly specialized AO engineering, no clear data/model exposition for a statistician.

19. 2608.10307 — Closed-loop Atmospheric Dispersion Correction for High-Contrast Imaging with MagAO-X

• 作者: Katie Twitchell, Sebastiaan Haffert, Jared R. Males, Laird M. Close, Olivier Guyon, Kyle Van Gorkom et al.
• 相关性 3/10
• 评分理由: Astrostatistics gateway: closed-loop control for AO, domain-specific and lacks accessible statistical framing.

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
• 相关性 3/10
• 评分理由: 天文仪器数据处理流水线描述，偏工程实现，缺乏统计方法论或可迁移的建模问题。

21. 2608.09657 — Wigner interferometry

• 作者: Vladimir Lenok
• 相关性 3/10
• 评分理由: 提出基于Wigner函数相关性的干涉测量新方法，有理论推导和数值模拟，但属于物理光学领域，与统计兴趣无直接关联。

22. 2608.13423 — COBRA-DOSE: Copula-based Bayesian Model Averaging for Dose Selection

• 作者: Luke Hagar, Min Zhang, Ranjeny Thomas, Andrew J. Martin
• 相关性 2/10
• 评分理由: Bayesian dose selection in clinical trials is unrelated to the researcher's primary interests.

23. 2608.11275 — Every pooling rule has its world: matching probability combination rules to situations and stakes

• 作者: Tanel Tammet, Priit Järv, Dirk Draheim
• 相关性 2/10
• 评分理由: 讨论概率组合规则，与 researcher 的统计兴趣（因果、高维、U-统计）无关。

24. 2608.10252 — Joint return levels of maximum temperature and minimum relative humidity by combining copulas with an extreme value framework for bimodal data

• 作者: Beatriz G da Cruz Albernaz, Cira E G Otiniano, Carolyne Soares de Brito, Fidel E C Morales, Enzo Porto Brasil
• 相关性 2/10
• 评分理由: 应用极值理论和 copula 分析气候数据，与研究者主要兴趣领域无关。

25. 2608.13229 — Foundations of Independent Component Analysis

• 作者: Patrick Forré
• 相关性 2/10
• 评分理由: 独立成分分析的数学基础，与主要兴趣（因果推断、高维统计、U-统计量）无关。

26. 2608.11935 — Induction and the rule of succession through a possibilistic inferential model lens

• 作者: Ryan Martin, Shih-Ni Prim, Jonathan P. Williams
• 相关性 2/10
• 评分理由: 哲学性归纳推理与可能性推断，与统计方法或武器库无实质关联。

27. 2608.13728 — MORFEO control strategy

• 作者: Guido Agapito, Lorenzo Busoni, Cédric Plantet, Giulia Carlà, Alfio Puglisi, Jean-Pierre Véran et al.
• 相关性 2/10
• 评分理由: Astronomy paper on adaptive optics control; highly specialized engineering, no clear data/model angle for a statistician.

28. 2608.13516 — Numerical Model Simulation of the Carruthers GCI Images

• 作者: Heather Filippini, Alex Zhang, Evan Widloski, Jason McPhate, Lara Waldrop, Thomas Immel et al.
• 相关性 2/10
• 评分理由: 纯天文仪器任务描述，无统计方法或数据建模内容，与研究者兴趣无关。

29. 2608.13257 — Optical concept model of the future cosmology project BISOU

• 作者: Morgane Loquet Le Gall, Bruno Maffei, Pierre Guiot, Creidhe O'Sullivan, Neil Trappe
• 相关性 2/10
• 评分理由: CMB光谱仪光学概念设计，无统计或数据建模内容。

30. 2608.13225 — Optical development of the BISOU breadboard

• 作者: Morgane Loquet Le Gall, Creidhe O'Sullivan, Bruno Borgo, Clémence De Jabrun, Valentin Sauvage, Neil Trappe et al.
• 相关性 2/10
• 评分理由: BISOU光学系统开发，纯仪器工程，无统计相关。

31. 2608.13185 — FOSSIL's preliminary thermal architecture

• 作者: Valentin Sauvage, Clémence de Jabrun, Anaïs Besnard, Bruno Borgo, Ivan Charles, Jean-Marc Duval et al.
• 相关性 2/10
• 评分理由: FOSSIL热架构设计，纯工程，无统计内容。

32. 2608.12577 — Laser-micromachined silicon-platelet feedhorns for large-scale submillimeter and millimeter-wave focal planes

• 作者: Jason E. Austermann, James Beall, Andrew Forsman, Haibo Huang, Johannes Hubmayr, Matthew A. Koc et al.
• 相关性 2/10
• 评分理由: 硅片馈源阵列制造，纯仪器技术，无统计内容。

33. 2608.12193 — LIGO Detector Characterization in the Second and Third Parts of the Fourth Observing Run

• 作者: J. Glanzer, A. F. Helmling-Cornell, A. Calafat, S. R. Callos, E. Capote, A. Effler et al.
• 相关性 2/10
• 评分理由: Pure astrophysics instrumentation report with no data/model exposition or statistical methodology.

34. 2608.11673 — LIGO A\(^\sharp\): Detector Design and Science Prospects Beyond A+

• 作者: L. Sun, K. Kuns, B. J. J. Slagmolen, P. Fritschel, P. Schmidt, B. T. Lantz et al.
• 相关性 2/10
• 评分理由: Detector design paper, no statistical or methodological content.

35. 2608.11659 — Towards Genuine Coexistence: Per-Satellite Emission and Radiation Limits to Protect Radio Astronomy and Geodetic VLBI at 1-14 GHz from Satellite Constellations

• 作者: Balthasar Indermuehle, Lucia McCallum, Emma van der Wateren, Hayo Hase, Benjamin Winkel, Liroy Lourenco et al.
• 相关性 2/10
• 评分理由: Radio astronomy interference paper, no statistical or methodological relevance.

36. 2608.11113 — High-temperature photovoltaics for solar-electric Oberth maneuvers: ton-class payload feasibility for interstellar-precursor missions

• 作者: Nadim Maraqten, Willem van Lynden, Carlos Gómez de Olea Ballester, Andreas M. Hein
• 相关性 2/10
• 评分理由: Unrelated to primary or secondary interests; pure orbital mechanics and solar cell engineering.

37. 2608.10302 — windsoCC: reconstructing the wind-driven halo in MagAO-X images using wavefront sensor telemetry

• 作者: Jay K. Kueny, Jared R. Males, Alycia J. Weinberger, Laird M. Close, Joseph D. Long, Joshua Liberman 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。

38. 2608.10205 — Sensor fusion on MagAO-X: real time vibration control using accelerometers

• 作者: Parker T. Johnson, Jared R. Males, Povilas Palunas, Olivier Guyon, Sebastiaan Haffert, Joseph Long et al.
• 相关性 2/10
• 评分理由: 自适应光学系统的传感器融合工程论文，无统计方法或数据建模内容。

39. 2608.10156 — The eXtreme Wavefront Control Toolkit: High-Contrast Imaging Instrument Control for Ground and Space-Based Coronagraphs

• 作者: Jared R. Males, Joseph D. Long, Sebastiaan Y. Haffert, Kyle Van Gorkom, Parker Johnson, Rico Landman et al.
• 相关性 2/10
• 评分理由: 波前控制工具包的软件工程论文，无统计方法或数据建模内容。

40. 2608.10151 — Freezing the speckles: focal plane wavefront sensing with the spatially-clipped self-coherent camera

• 作者: Joshua Liberman, Sebastiaan Y. Haffert, Jared R. Males, Aditya Khandelwal, Stephanie Rinaldi, Joseph D. Long et al.
• 相关性 2/10
• 评分理由: 纯天文仪器论文，无统计方法或数据建模内容，与研究者兴趣无关。

41. 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: Michaël Dell'aiera, Thomas Vuillaume, Alexandre Benoit
• 相关性 2/10
• 评分理由: 纯天文仪器/图像分析论文，无统计方法或因果推断内容，与研究者兴趣无关。

42. 2608.09237 — Optimizing Wavefront-Deformation Sensor Placement for Active Radio-Telescope Surfaces

• 作者: Stefan Thoms, Martin Timpe, Matthias Reichert
• 相关性 2/10
• 评分理由: 射电望远镜表面控制工程问题，无统计方法或因果推断内容，与研究者兴趣无关。

43. 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 et al.
• 相关性 2/10
• 评分理由: JWST流量定标，纯天文学观测结果，无统计方法或数据建模维度，与研究者兴趣无关。

44. 2608.08579 — QUIJOTE scientific results - XX. Commissioning and First Results from the Thirty and Forty Gigahertz Instrument (TFGI)

• 作者: M. Fernández-Torreiro, J. A. Rubiño-Martín, R. T. Génova-Santos, G. Pascual-Cisneros, A. Fasano, F. J. Casas et al.
• 相关性 2/10
• 评分理由: QUIJOTE仪器调试与巡天结果，纯天文学，无统计方法或数据建模维度，与研究者兴趣无关。

45. 2608.13363 — Weighted cumulative past inaccuracy and Kullback-Leibler divergence based on extropy: properties, estimation, and applications

• 作者: Bighneswar Sahoo, Suchandan Kayal
• 机构: National Institute of Technology Rourkela
• 相关性 1/10
• 评分理由: Weighted extropy-based divergence for lifetime distributions is unrelated to the researcher's primary interests.

46. 2608.13640 — Laser Metrology for Precision Alignment of Transmission Gratings in the REDSoX Soft X-ray Polarimeter

• 作者: Swati Ravi, Alan Garner, Jill Juneau, F. Elio Angile, Ralf K. Heilmann, Herman L. Marshall et al.
• 相关性 1/10
• 评分理由: Astronomy paper on laser metrology for grating alignment; purely instrumental, no statistical methodology or data analysis.

47. 2608.12137 — Voltage-to-temperature calibration of the High Altitude THz Solar telescope acquisition system

• 作者: Gedeane G. S. Kenshima, Daniel R. Sousa, Tiago Giorgetti, Paulo J. A. Simões, C. Guillermo Giménez de Castro
• 相关性 1/10
• 评分理由: Instrument calibration paper, unrelated to any primary or secondary interest.

48. 2608.12110 — Updates to WFC3/UVIS Encircled Energy Values in Select Filters

• 作者: Anne O'Connor, Jennifer Mack, Varun Bajaj
• 相关性 1/10
• 评分理由: Instrument calibration update, no statistical or methodological content relevant to interests.

49. 2608.12033 — Automation and Modernisation of Legacy BiSON Solar Observatories with the BiSON:NG Platform

• 作者: S. J. Hale, E. Murray, W. J. Chaplin, Y. P. Elsworth, R. Howe, P. L. Pallé et al.
• 相关性 1/10
• 评分理由: Observatory automation paper, no statistical or methodological relevance.

50. 2608.10284 — Lunar Reflective Interferometry

• 作者: Peter W. Gorham, T. Joseph W. Lazio, Andrew Romero-Wolf, Patrick S. Allison, Marin M. Anderson, Ali M. Bramson et al.
• 相关性 1/10
• 评分理由: 纯射电天文学方法论文，无统计或数据建模内容，与研究者兴趣无关。

51. 2608.10212 — The final design of GMagAO-X: high-contrast imaging at first-light of the GMT

• 作者: Jared R. Males, Laird M. Close, Sebastiaan Y. Haffert, Victor Gasho, Adam Fletcher, Joseph Boales et al.
• 相关性 1/10
• 评分理由: 纯天文仪器设计论文，无统计或数据建模内容，与研究者兴趣无关。

52. 2608.10199 — Wavelength Calibration Accuracy Across the STIS CCD: Pipeline Update and User Guidance

• 作者: Matilde Mingozzi, Robert Jedrzejewski, Matthew Siebert, Daniel Welty, Sean Lockwood, Joleen Carlberg
• 相关性 1/10
• 评分理由: STIS CCD波长校准的仪器科学报告，纯天文物理论文，无统计内容。

53. 2608.10167 — CCD Rotation Rates From Regular Dispersion Solution Monitoring

• 作者: Matilde Mingozzi, Matthew Siebert
• 相关性 1/10
• 评分理由: CCD旋转率监测的仪器科学报告，纯天文物理论文，无统计内容。

54. 2608.10130 — The Carruthers Mission Concept and Performance

• 作者: W. Craig, T. Immel, L. Waldrop, J. Troeltzsch, E. Taylor, J. McPhate et al.
• 相关性 1/10
• 评分理由: 纯天体物理任务描述，无数据/模型/统计内容，不相关。

55. 2608.09835 — NASA ASTRA Initiative White Paper: Space-Based Mission for Ultrahigh Energy Particles

• 作者: Mauricio Bustamante, Johannes Eser, Ke Fang, Claire Guépin, John Krizmanic, Eric Mayotte et al.
• 机构: Wisconsin Parkinson Association
• 相关性 1/10
• 评分理由: 高能天体物理白皮书，无数据/模型/统计内容，不相关。

56. 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 et al.
• 相关性 1/10
• 评分理由: 天文卫星地面跟踪软件支持，纯工程描述，无统计内容。

57. 2608.09340 — Kratos-linerad: GPU-accelerated Monte Carlo radiative transfer of lines with efficient imaging

• 作者: Lile Wang
• 相关性 1/10
• 评分理由: 纯天体物理辐射传输代码，无统计或因果推断内容，与研究者兴趣无关。

58. 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 Tarlé, Nicholas Wenner
• 相关性 1/10
• 评分理由: 光纤定位机器人机械设计，无统计或因果推断内容，与研究者兴趣无关。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论