跳转至

2026-08-17 每日 arXiv 资讯

  • 高相关论文 8 篇 · 中相关 36 篇 · 其他 50 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. 2608.15840 — How Many Samples Are Needed to Determine Causal Direction? Sharp Minimax Bounds for Bivariate LiNGAM

  • 作者: Jikai Jin
  • 相关性 9/10 · novelty: new_theory
  • 摘要: 本文研究双变量线性非高斯无环模型（LiNGAM）中确定因果方向所需的最小样本量。经典 LiNGAM 理论表明，在非高斯扰动下因果方向可识别，但未量化当因果效应弱或扰动接近高斯时的困难程度。作者引入三个参数：结构系数下界 β、标准化扰动与高斯分布的距离 ν、扰动尺度范围 [σ̲, σ̄]，并证明了局部极小极大样本复杂度律 N₂^⋆(β,ν,δ) ≍ log(1/δ) / (d_β² + β²ν²)，其中 d_β = [β² - (1 - σ̲²/σ̄²)]_+。该结果刻画了识别来自非高斯依赖还是协方差结构，并给出了两种机制下的锐利样本复杂度。证明由 GPT-5.6 Sol 在 Codex Ultra 模式下两小时生成，人类作者负责验证和润色。该工作直接连接您的因果推断兴趣，特别是 LiNGAM 方向，其极小极大下界技术对您熟悉的高维渐近和 minimax 界工具是直接可用的。
  • 关键技术: LiNGAM, local minimax lower bound, sample complexity, non-Gaussianity measure, causal direction identification
  • 为什么对您有用: 直接连接您的因果推断兴趣中的 LiNGAM 方向，给出了因果方向识别的锐利样本复杂度，这是经典理论未量化的。您非常熟悉的 minimax 下界技术可直接用于验证或扩展该结果（如到多变量或非线性设定）。立即可做：用 minimax 界工具检查该下界是否紧，或推广到更一般的扰动分布。

2. 2608.16529 — Randomization inference for treatment effects on survival outcomes

  • 作者: Lucy D'Agostino McGowan, Joseph Rigdon, Xinran Li, Dylan Small
  • 相关性 8/10 · novelty: new_method
  • 摘要: 针对随机临床试验中生存时间数据的处理效应估计，现有方法（log-rank检验、Kaplan-Meier曲线）不提供效应大小，而Cox比例风险模型或加速失效时间（AFT）模型需要额外假设。本文提出两种非参数置信区间：加法移位c和乘法因子ρ，通过反演log-rank检验在常数处理效应的sharp原假设下获得。基于Li and Small (2023)的随机化推断框架，两种区间仅依赖随机化分布，无需对事件时间分布作任何假设。模拟表明，乘法区间在多种删失率和样本量下维持名义覆盖，即使数据生成过程误设参数AFT模型，效率损失也较小。该方法在rhDNase治疗囊性纤维化的随机试验数据上得到展示，并提供了R代码和Shiny应用。对您而言，这是随机化推断在生存分析中的直接应用，与您的因果推断（IV、纵向）和假设检验兴趣高度相关，且方法学上干净（无模型假设），可作为您熟悉非参数统计和因果推断工具的立即可做切入点。
  • 关键技术: randomization inference, log-rank test inversion, sharp null hypothesis, nonparametric confidence interval, accelerated failure time model
  • 为什么对您有用: 直接连接到您的primary interest中的因果推断（随机化试验的效应估计）和假设检验（反演检验构造置信区间）。武器库中'非参数统计'和'因果推断中的估计理论'可立即用于理解其无假设框架，并可能将类似的反演思路推广到您的proximal CI或IV设定中。立即可做：用您very_familiar的非参数统计和因果推断工具即可复现和扩展该方法。

3. 2608.15969 — Doubly robust estimation of while-alive estimands in individually-randomized and cluster-randomized trials

  • 作者: Xi Fang, Da Zhao, Fan Li
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对慢性病随机试验中常见的“存活期间”估计量（while-alive estimand），即单位存活时间内的复发事件负担，提出了一种双重稳健估计方法。传统方法要么忽略复发事件，要么将死亡视为删失而丧失因果解释。作者基于局部Nelson-Aalen表示构建了增广估计方程，同时估计终端事件的边际风险与存活者中加权复发事件率，允许通过预设临床权重处理多种事件类型。该估计量在删失模型或结果工作模型之一正确设定时保持一致性。对于整群随机试验（CRT），作者定义了新的个体平均与整群平均估计量，以处理信息性整群大小，并基于整群层面的影响函数进行推断。理论证明了各分量的双重稳健性与渐近正态性，模拟验证了有限样本表现，并通过两个已完成试验的数据重分析展示了方法实用性。该工作直接连接您对因果推断中纵向数据与稳健估计方法的兴趣，特别是双重稳健框架在复杂生存-事件数据中的应用。
  • 关键技术: doubly robust estimation, while-alive estimand, Nelson-Aalen estimator, augmented estimating equations, cluster-randomized trials, influence functions
  • 为什么对您有用: 本文直接切入您primary interest中的因果推断（纵向数据、稳健估计）与效率理论（双重稳健、影响函数）。技术层面，其基于局部Nelson-Aalen的增广估计方程构造，可用您very_familiar的“非参数统计”与“因果推断中的估计理论”武器库中的工具（如M估计、影响函数）进行深入分析，例如检验其双重稳健性条件是否可放松或扩展到更复杂的截断结构。中期可做：若想将方法推广到proximal causal inference框架下的死亡截断问题，需先在moderately_familiar的“识别理论”上加强。

4. 2608.15497 — Energy Balancing Weights for Mediation Analysis

  • 作者: Taishi Odaka, Kentaro Sakamaki
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出 Energy Balancing Weights for Mediation Analysis (EBWMA)，用于估计自然直接效应和间接效应。在标准识别假设下，目标 estimand 是反事实均值 E[Y(1, M(0))]，其识别依赖于联合中介-协变量分布的重建。EBWMA 通过两个顺序求解的二次规划问题构造权重，使加权经验分布逼近该目标分布，无需对处理分配、中介密度比或结果回归建模。该方法最小化 energy distance，是一种完全非参数的权重构造策略。模拟中，在非线性变换、偏态或二元协变量以及非线性中介和结果模型下，EBWMA 在偏差和 RMSE 上整体优于基于梯度提升的 IPW 和矩平衡方法，且蒙特卡洛变异性更低。在 NHANES I 流行病学随访研究中，EBWMA 在大多数协变量和中介上给出了最小的标准化均值差异。该方法对您可能有用，因为它为因果中介分析提供了一种无需密度比建模的权重构造新思路，可直接与您的因果推断（尤其是 mediation 和 sensitivity analysis）兴趣对接。
  • 关键技术: energy balancing weights, energy distance, quadratic programming, inverse probability weighting, moment balancing, natural direct and indirect effects
  • 为什么对您有用: 本文直接关联您的 primary interest 中的 causal inference 子方向——mediation analysis。它提出了一种无需建模处理分配或中介密度比的权重构造方法，技术核心是 energy distance 和二次规划，属于您 very_familiar 的 estimation theory in causal inference 范畴，可以立即动手复现或扩展（例如结合 sensitivity analysis 或 high-dimensional covariates）。中期可做：若想将 energy balancing 推广到 proximal causal inference 框架下的 mediation，需先在 moderately_familiar 的 identification theory 上进一步熟悉 negative control 设定。

5. 2608.15333 — Optimal Control Variates for Survey Sampling and Causal Inference

  • 作者: Jinglong Zhao
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在基于设计的抽样调查和因果推断（含网络干扰情形）中，提出了一族控制变量（control variate）估计量以降低逆概率加权（IPW）类估计量的方差。作者指出 Hajek 估计量、归一化估计量、AIPW 估计量以及 TMLE 均可视为 Horvitz-Thompson 估计量通过抵消部分随机性得到的特例，从而统一解释为一般控制变量估计量的形式。在此基础上，通过随机优化刻画最优基（optimal basis），在无干扰情形下最优基由设计抽样结构与模型结果不确定性共同决定的矩阵的前导特征向量给出；在网络干扰下则转化为非凸二次优化问题，作者给出了 1/2 近似解和交替局部搜索启发式算法。该方法在 Swiss Environmental Panel 调查数据和中国社交网络数据上实现了显著的方差缩减。对您而言，本文为因果推断中的方差缩减提供了统一框架，其最优控制变量思路可与您熟悉的 DML / TMLE 中的正交得分（orthogonal score）技术结合，且网络干扰下的近似优化问题可能用到您 moderately_familiar 的 HOIF 理论进行更紧的方差分析。
  • 关键技术: control variates, inverse probability weighting, Hajek estimator, augmented IPW (AIPW), targeted maximum likelihood (TMLE), stochastic optimization
  • 为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 estimation 和 sensitivity 子方向，特别是设计-based 推断与 IPW 方差缩减的统一视角。您的 very_familiar 武器库中的 estimation theory in causal inference 和 software development 可立即用于复现和扩展其最优基构造（立即可做）。此外，网络干扰下的非凸优化问题与您 moderately_familiar 的 HOIF 理论有潜在接口——若能将 HOIF 的高阶正交性用于构造更紧的控制变量，可能是一个中期可做的方向。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 2608.16771 — Empirical Bayes linear regression in high dimensions: Method of moments and sub-linear sample complexity

  • 作者: Zhou Fan, Yandi Shen, Haoyu Wang, Yihong Wu
  • 相关性 8/10 · novelty: new_method
  • 摘要: 在高维线性回归 y = Xβ + ε 中，回归系数 β 的分量独立同分布于未知的次高斯先验分布。与序列模型不同，设计矩阵 X 耦合了潜在系数，使得恢复先验需要同时从噪声和系数自身的副本中解卷积。本文提出经验贝叶斯矩方法（EBMoM），一种计算高效的程序，通过一个下三角估计方程组递归估计先验矩，运行时间为 O(np²)。在温和的设计条件下（尤其适用于一大类相关随机设计），EBMoM 一致估计出不断增多的矩，从而恢复先验本身，只要 n ≥ p^{1-o(1)}。匹配的信息论下界表明，这种次线性样本复杂度对非参数先验估计是最优的，优于需要线性样本量 n=Ω(p) 的似然方法。对您而言，该工作展示了高维统计中矩方法在经验贝叶斯框架下的威力，与您的高维统计和随机矩阵理论兴趣直接相关。
  • 关键技术: Empirical Bayes Method of Moments (EBMoM), lower-triangular estimating equations, sub-linear sample complexity, information-theoretic lower bound, correlated random designs
  • 为什么对您有用: 本文直接关联您的高维统计和随机矩阵理论兴趣，特别是设计矩阵相关性的处理。您武器库中的 minimax bounds 和 high-dimensional asymptotics 可用于验证其声称的次线性样本复杂度最优性是否紧。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将矩方法推广到更一般的半参数模型。

2. 2608.15034 — A Central Limit Theorem for Regularized M-Estimators

  • 作者: Cosme Louart
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文在高维比例极限 p=O(n) 下，证明了正则化经验风险最小化（ERM）估计量的线性泛函的定量中心极限定理。数据列独立但不必同分布，仅需满足均匀的列向 Poincaré 不等式。在目标函数具有一致曲率和光滑性假设、且使用二次正则化时，作者证明每个非退化统计量 √n u^T θ̂（经期望中心化和标准差标准化）在 Wasserstein 距离下以 O((log n)^7 n^{-1/4}) 的速率收敛到标准正态。证明技术包括：估计量的矩和稳定性界、二阶留一展开（leave-one-out expansion）、以及针对独立变量函数的扰动正态逼近论证。此外还证明了方差上界 Var(u^T θ̂) ≤ C‖u‖₂²/n，确认了 √n 的波动尺度。该结果对您在高维统计和假设检验方向有直接参考价值，因为它为高维 M-估计量的推断提供了理论保证。
  • 关键技术: regularized M-estimation, leave-one-out expansion, Poincaré inequality, Wasserstein distance, proportional-dimensional asymptotics, normal approximation
  • 为什么对您有用: 本文直接连接您的高维统计与假设检验兴趣：它为高维正则化 M-估计量提供了定量 CLT，这是进行假设检验和构造置信区间的基础。您的武器库中'高维渐近理论'和'M-估计理论'（moderately_familiar）可直接用于理解其证明框架，特别是留一展开和 Poincaré 不等式技巧。中期可做：若想将类似 CLT 推广到您的 higher-order U-statistics 设定，需先在 moderately_familiar 的 M-估计理论上长肌肉。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 2608.15648 — On the minimax-rate optimality of approximate Bayesian computation in nonparametric problems

  • 作者: Hien Duy Nguyen
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究近似贝叶斯计算（ABC）在非参数问题中的 minimax 率最优性。核心设定是：ABC 通过模拟和比较观测数据与合成数据来替代似然计算，作者在基于汇总统计筛（summary statistics sieve）和局部先验质量条件的框架下，建立了 ABC 后验的一般收缩定理。将该定理应用于 Sobolev 椭球上的高斯序列估计和有界 Sobolev 型类上的密度估计，在模型特定条件下构造了 ABC 程序，使得理想后验和后验均值达到相应的 minimax 率。进一步证明，当模拟提议数量以有效维数的指数速率增长时，传统的 Monte Carlo 拒绝 ABC 算法继承了相同的率。该工作为 ABC 在非参数问题中的理论性质提供了严谨的 minimax 视角，对您在高维统计和半参数理论方面的兴趣有直接参考价值。
  • 关键技术: Approximate Bayesian Computation (ABC), minimax-rate optimality, posterior contraction, summary statistics sieve, Sobolev ellipsoid, Monte Carlo rejection ABC
  • 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，具体在 Sobolev 类上的率最优性。技术武器库中'非参数统计'和'minimax 界'可直接用于验证其收缩定理的紧性，属于立即可做的 follow-up。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 10 篇)

1. 2608.17187 — Identifying Model Quality Effects on User Engagement: A Within-Version Causal Estimator with Synthetic Data Validation

  • 作者: John Tribbia
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对 LLM 模型版本更新对用户参与度的因果效应识别问题，提出一种新颖的因果估计方法。核心设定是：同一模型版本内不同能力维度（如 coding vs. writing）的改进幅度不均匀，用户因任务分布不同而体验到差异化的质量变化，这为因果识别提供了变异来源。估计量利用这种 within-version 的质量差异作为因果信号，无需跨版本比较或依赖外部工具变量。在合成数据验证中，原始估计量恢复了 81%-88% 的真实效应，损失主要来自使用量估计的测量误差；采用 errors-in-variables 校正（基于 test-retest 信度比 0.861）后，估计值校正至 1.017（95% CI: 0.915-1.109）。对比方法（无版本控制、实时使用量）仅恢复 62%-63%。敏感性分析显示，前周期从 3 周延长至 7 周，恢复率从 78% 单调提升至 87%，揭示了样本时长与估计精度的权衡。该方法对您可能有用：它提供了一种在缺乏传统 IV 或随机实验的在线平台场景下，利用产品内生的质量变异进行因果识别的思路，可连接至您在因果推断中的 identification 和 sensitivity analysis 兴趣。
  • 关键技术: within-version causal estimator, errors-in-variables correction, synthetic data validation, permutation test, sensitivity analysis
  • 为什么对您有用: 本文属于因果推断的应用方向，具体连接您的 primary interest 中的 identification 和 sensitivity analysis。其核心思路——利用同一版本内能力改进的不均匀性作为因果信号——是一种新颖的 identification 策略，可视为一种特殊的 negative control 或自然变异设计。从武器库看，您 very_familiar 的 estimation theory in causal inference 可直接用于分析该估计量的偏差-方差权衡，而 moderately_familiar 的 identification theory 可用于形式化其识别假设（如任务分布的外生性）。中期可做：若想将该方法推广到更一般的平台因果推断设定，需先在 moderately_familiar 的 identification theory 上深入，特别是理解其识别条件与经典 IV 或 proximal causal inference 的异同。

2. 2608.16365 — Mixed-effects Outcome-Adaptive Lasso for Propensity Score Estimation under Partial Interference

  • 作者: Satoshi Nakashima, Akira Okazaki, Shuichi Kawano
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在部分干扰（partial interference）设定下研究因果效应估计，其中个体被分为互不干扰的组，组内个体间存在干扰。目标是通过逆概率加权（IPW）估计平均因果效应，但组级倾向得分比个体级更易取极端值，导致方差增大，尤其在高维协变量下。作者提出基于混合效应逻辑回归的 Outcome-Adaptive Lasso（OAL），在倾向得分模型中同时进行协变量选择与估计，并纳入未观测到的组级异质性。在正则条件下，证明了所提方法的 oracle 性质，以及基于该方法的 IPW 估计量的相合性和渐近正态性。模拟表明，该方法倾向于高频率选择混杂因子和预后因子，同时排除工具变量和虚假变量，并改善 IPW 估计量的有限样本效率。最后使用刚果民主共和国 DHS 的疟疾数据验证了方法性能。本文对您有用：直接关联因果推断中干扰下的识别与估计，且其高维协变量选择思路可迁移至您熟悉的 proximal CI 或 IV 设定中的敏感性问题。
  • 关键技术: Outcome-Adaptive Lasso, mixed-effects logistic regression, partial interference, inverse probability weighting, oracle property
  • 为什么对您有用: 本文直接关联您 primary interest 中因果推断的干扰（interference）子方向，特别是部分干扰下的组级倾向得分估计与变量选择。您武器库中 very_familiar 的 estimation theory in causal inference 可直接用于验证其 oracle property 的证明细节，并评估其 IPW 估计量的有限样本表现。中期可做：若想将 OAL 思路推广至更复杂的 proximal CI 设定，需先在 moderately_familiar 的 identification theory in causal inference 上深入理解 negative control 假设与组级干扰的交互。

3. 2608.15775 — Causal mediation analysis for zero-inflated longitudinal data in the presence of treatment non-compliance and multiple mediators

  • 作者: Saurabh Bhandari, Wreetabrata Kar, Michael J. Daniels, Bikram Karmakar
  • 相关性 7/10 · novelty: application
  • 摘要: 本文针对零膨胀纵向数据中的因果中介分析，处理治疗非依从性和多个中介变量的问题。研究背景是数字营销邮件活动，目标是评估增值激励（如免运费）与传统价格折扣对客户购买行为的影响。方法上，基于富化的狄利克雷过程混合模型（enriched Dirichlet process mixture models）构建贝叶斯因果中介框架，并使用可扩展的G-computation算法估计因果估计量。关键挑战包括：非依从性（未打开邮件）、多个纵向中介变量、以及中介和结果变量的零膨胀特性。作者发现忽略邮件打开行为会显著低估处理效应，且增值激励在累积购买金额上优于价格折扣。最后，设计了个体化序贯邮件策略以优化预期购买次数。对您而言，本文展示了在复杂纵向设定（零膨胀、非依从、多中介）下如何结合贝叶斯非参数与G-computation进行因果推断，其处理零膨胀中介和结果的思路可迁移至流行病学或经济学中的类似纵向数据问题。
  • 关键技术: Bayesian causal mediation, enriched Dirichlet process mixture models, G-computation algorithm, zero-inflated longitudinal data, treatment non-compliance, multiple mediators
  • 为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的中介分析和纵向数据。其处理零膨胀中介和结果的贝叶斯非参数方法，可视为您武器库中'identification theory in causal inference'和'M-estimation theory'的一个具体应用场景。中期可做：若您想将类似方法推广至更一般的半参数效率框架，需先在'moderately_familiar'的'semiparametric theory'上加强，特别是针对零膨胀数据的效率界推导。

4. 2608.15439 — Outcome Modeling in Design-Based Inference for Spatial Settings

  • 作者: Arisa Sadeghpour, Erin Hartman
  • 相关性 7/10 · novelty: weaker_assumption
  • 摘要: 本文聚焦空间干扰下的因果推断，目标是在存在空间溢出效应时估计特定空间点上的处理效应。作者指出 Wang et al. (2025) 和 Pollmann (2023) 的设计-based 框架虽然声称无偏，但其 estimand 依赖于不可直接观测的潜在结果，因此必须引入 outcome modeling。即使使用通常设计无偏的 Horvitz-Thompson 估计量，outcome modeling 误差也会引入偏差。通过模拟发现，估计量偏差随 outcome 密度（观测点分辨率）增加而衰减，但不随干预单元数量增加而衰减；标准误收敛到 oracle 标准误。最后，作者重新分析了 Collazos et al. (2021) 关于热点警务对犯罪影响的实验，并给出实践建议。本文对您有用之处在于：它连接了因果推断中的空间干扰识别与 outcome modeling 的偏差分析，属于您 primary interest 中 causal inference 的 sensitivity 和 estimation 子方向。
  • 关键技术: design-based inference, spatial interference, Horvitz-Thompson estimator, outcome modeling, bias decay with density
  • 为什么对您有用: 本文直接关联您的 primary interest 中的 causal inference 子方向，特别是空间干扰下的识别与估计问题。从您的 technical arsenal 看，您对 estimation theory in causal inference 非常熟悉，可以立即用 nonparametric statistics 和 minimax bounds 工具分析 outcome modeling 偏差随密度衰减的速率是否最优（立即可做）。此外，本文的模拟设计可作为您软件开发的测试案例。

5. 2608.15332 — GFCM: A Tail-Sensitive Mixed-Type Conditional Independence Test for Causal Discovery

  • 作者: Pavel Averin, Theodoros Moysiadis, Ioannis Katakis
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出 GFCM（Generalised Feature Covariance Measure），一种对尾部依赖和尺度依赖敏感的混合型条件独立性检验，用于约束式因果发现（PC / FCI）。GFCM 在 GCM 框架下扩展：对一组条件均值为零的残差特征（中心化矩、条件分位数指示变量）做分块 Cauchy 组合，用增长结点样条估计 nuisance 函数，计算复杂度与回归同阶。核心贡献包括：(i) 对尺度特征做中心化，使其达到 Neyman 正交性，避免未中心化版本的偏差；(ii) 发现均值-分位数构造在 PC 内部产生的方向不对称性并给出修正；(iii) 提出 Phi-忠实性理论，证明 PC + GFCM 能恢复检测类对应的 CPDAG；(iv) 在合成数据、半合成尾部注入和随机 DAG 上做基准测试。在尺寸校正的 power 下，GFCM 能恢复协方差族遗漏的尺度和尾部边，且在 PC 发出的深层条件集上保持 power；随 n 增长校准良好，而 FFCI、boosted GCM 和 partial copula 检验均出现校准偏移；直接处理混合型数据。在大规模 PC 中，GFCM 在校准的检验中取得最低的骨架 SHD。该检验的有效性依赖于可加 nuisance 假设，尾部优势在模拟和半合成数据上展示。
  • 关键技术: Generalised Covariance Measure (GCM), Neyman orthogonality, conditional independence test, constraint-based causal discovery (PC/FCI), Cauchy combination test, growing-knot spline
  • 为什么对您有用: 直接连接 primary interest 中的因果推断（条件独立性检验是 PC/FCI 的核心组件）和假设检验。技术层面：Neyman 正交化是您 moderately_familiar 的 semiparametric theory 的典型应用，可尝试用 higher-order U-statistic 的投影理论分析 GFCM 的 power 是否紧（特别是尾部特征的 U-statistic 结构）。中期可做：需先在 HOIF 上长肌肉，因为 GFCM 的多特征组合本质上是高阶 influence function 的雏形，可用 HOIF 框架统一分析其 semiparametric efficiency。

6. 2608.16867 — Trading Scope for Credibility in Difference-in-Differences

  • 作者: Parush Arora, Abhishek Chand
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在双重差分（DiD）框架下处理平行趋势假设对部分处理队列不成立的问题。传统ATT是所有队列的平均效应，当某些队列的平行趋势可疑时，ATT难以识别。作者提出改变目标量：定义可信子群体局部ATT（LATT），即仅对平行趋势可信的队列子群体的处理效应。LATT只需所选队列满足平行趋势，条件弱于ATT，且可点识别。估计方法是对标准组-时间效应进行重加权，聚焦于可信队列，并配以基于事前趋势检验的诚实敏感性边界，量化残余违反程度。模拟表明，事前趋势对事后违反的预测能力越强，方法优势越大。应用案例中，页岩气繁荣对当地房价的显著正效应在可信子群体中消失，说明原结果由事前已趋势异常的队列驱动。对您而言，本文在DiD识别假设放松与敏感性分析上提供了具体技术，可直接用于您因果推断方向中纵向数据或队列异质性场景的实证工作。
  • 关键技术: difference-in-differences, parallel trends, local ATT (LATT), reweighting, sensitivity bounds, pre-trend screen
  • 为什么对您有用: 本文直接关联您因果推断方向中的纵向数据与识别假设放松问题，具体涉及DiD中平行趋势的局部化处理。您的武器库中'估计理论在因果推断中的应用'（very_familiar）可直接用于分析其重加权估计量的渐近性质，而'识别理论'（moderately_familiar）可进一步探讨LATT在更复杂设定（如交错DiD）下的扩展。中期可做：需先在'moderately_familiar'的识别理论上深入，以处理多期多队列下的识别条件。

7. 2608.15500 — Generalized Hierarchical Conformal Prediction

  • 作者: Soham Mallick, Eric Tchetgen Tchetgen, Edgar Dobriban, Yonghoon Lee
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对分组数据中的预测问题，提出广义分层共形预测（GHCP）方法。在分层可交换性假设下，标准分层共形预测（HCP）要求测试组在预测前无任何观测，而实际中常已有少量观测。GHCP通过为测试组随机“捐赠”一个参考组大小来恢复共形预测所需的对称性，并利用测试组已有的少量观测改进非一致性分数的质量。为提高效率，还引入了限制合格捐赠者集合的变体。通过模拟和美国社区调查数据验证了方法性能。该方法为因果推断中的预测区间构建提供了新工具，尤其适用于纵向或分组数据中早期观测有限的情形。
  • 关键技术: conformal prediction, hierarchical exchangeability, distribution-free prediction sets, nonconformity scores, random donation of reference group size
  • 为什么对您有用: 本文直接关联因果推断中的预测区间构建，特别是纵向或分组数据场景。技术武器库中的非参数统计和估计理论可用于分析其预测区间的覆盖率和效率。中期可做：需先在 moderately_familiar 的识别理论上长肌肉，以理解其对称性条件与因果识别假设的衔接。

8. 2608.15450 — Toward Efficient Estimation of Regional Treatment Effects in Multi-Regional Clinical Trials

  • 作者: Zhiwei Zhang, Yongwu Shao, Wei Zhang, Aiyi Liu
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对多区域临床试验（MRCT）中区域治疗效应的估计问题。目标是在保留区域特异性的前提下，利用其他区域数据提高效率，同时避免简单合并数据带来的偏倚。方法核心是：用一个工作回归模型纳入基线协变量和其他区域数据，并通过交互项刻画区域间在治疗效应上的差异；采用 adaptive lasso 筛选出零交互项，从而实现选择性信息借用。估计量在模型误设下仍保持相合性和渐近正态性，且当区域间存在相似性（零交互项）时，效率优于仅用本地数据的局部估计。理论结果基于 M-estimation 和 adaptive lasso 的 oracle 性质。对您而言，本文提供了一个在因果推断中处理异质性群体（如多中心、多区域）的稳健估计框架，其 selective borrowing 思路可与您熟悉的 causal inference 中 heterogeneity 和 sensitivity analysis 方向对接。
  • 关键技术: adaptive lasso, selective borrowing, working regression model, M-estimation, oracle property
  • 为什么对您有用: 本文直接关联 primary interest 中的 causal inference 子方向——多区域/多中心试验中的异质性处理效应估计。您武器库中 very_familiar 的 estimation theory in causal inference 和 M-estimation theory（moderately_familiar）可直接用于理解其渐近理论；adaptive lasso 的 oracle 性质与您熟悉的 high-dimensional 工具可交叉验证。中期可做：若想将 selective borrowing 思路推广到更复杂的因果结构（如 IV、mediation），需先在 moderately_familiar 的 identification theory 上加强。

9. 2608.16819 — Pattern-Based Sequential Multiple Imputation for Missing Data in Clinical Trials: An Extension for Baseline-Only Early Dropout Subjects

  • 作者: Chen Zhang, Junyu Nie, Kexuan Li, Ning Ding
  • 相关性 5/10 · novelty: new_method
  • 摘要: 针对临床试验中基线后无任何观测的早期脱落患者（baseline-only early dropout），提出扩展的基于模式的序贯多重插补（EPSMI）方法。该方法在ICH E9(R1)治疗策略估计框架下，利用协变量匹配的同组供体重构缺失数据，再结合扩展的停药模式指示变量进行序贯MI。评估了两种策略：EPSMI-Full（从供体完整插补整个轨迹）和EPSMI-Y1（仅插补首次访视，后续由模式扩展MI引擎处理）。基于干燥综合征试验数据的模拟研究覆盖24种场景，比较了EPSMI与MMRM、标准MI及排除早期脱落后的序贯MI。在随机早期脱落下两种EPSMI均降低偏倚；在信息性早期脱落下EPSMI-Y1保持稳健，覆盖率和I类错误控制良好，而EPSMI-Full因确定性重构导致方差低估和I类错误膨胀。推荐EPSMI-Y1作为基线仅早期脱落的主要分析策略，以忠实于治疗策略估计目标。该方法对您关注的纵向因果推断中缺失数据处理有直接参考价值，特别是其处理治疗策略估计目标下早期脱落的设计思路。
  • 关键技术: sequential multiple imputation, treatment policy estimand, pattern-mixture model, donor-based imputation, missing data in longitudinal trials
  • 为什么对您有用: 本文直接关联您primary interest中的纵向因果推断（longitudinal causal inference）和治疗策略估计目标（treatment policy estimand）。您非常熟悉的非参数统计和因果推断估计理论可用于分析EPSMI的识别假设（如MAR vs. MNAR）和插补模型的稳健性。中期可做：若想将EPSMI与debiased ML或正交估计量结合以处理高维协变量下的缺失数据，需先在moderately_familiar的semiparametric theory上加强。

10. 2608.16466 — Deep adaptive design with an evidential bias criterion

  • 作者: David Chen, Michael Evans, Xinwei Li, Prateek Bansal, David J. Nott
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文在贝叶斯最优实验设计（BOED）框架下，提出了一种新的设计准则——bias against (BA)，旨在直接控制实验产生误导性证据的风险，而非仅优化平均信息增益（EIG）。BA 准则通过惩罚 EIG 的方差来实现对误导性证据的规避，其可转化为一个方差惩罚的 EIG 目标函数。为应对自适应设计中的计算挑战，作者采用基于策略的深度自适应设计框架，通过蒙特卡洛近似和随机梯度方法学习设计策略。在多个示例（包括复杂离散选择实验的自适应设计）中，BA 设计相比 EIG 设计展现出不同的行为模式。该方法为实验设计提供了一种新的风险控制视角，尤其适用于对误导性证据敏感的应用场景。对您而言，该工作与因果推断中的敏感性分析和实验设计方向直接相关，其核心思想（控制误导性证据风险）可迁移至观察性研究的设计阶段。
  • 关键技术: Bayesian optimal experimental design, expected information gain, variance-penalized utility, policy-based deep adaptive design, stochastic gradient optimization
  • 为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的实验设计，特别是敏感性分析中对误导性证据的控制。您的技术武库中'因果推断中的估计理论'和'软件工程'可用于实现和扩展该框架，例如将 BA 准则应用于工具变量或前门准则下的实验设计。中期可做：需先在 moderately_familiar 的'因果推断中的识别理论'上长肌肉，以理解 BA 准则在不同因果结构下的识别含义。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)

1. 2608.16672 — The Bethe-Hessian down to the Percolation Threshold

  • 作者: Dingding Dong, Theo McKenzie
  • 相关性 7/10 · novelty: sharper_rate
  • 摘要: 本文研究随机块模型（SBM）中Bethe-Hessian矩阵负特征值个数的相变问题。Bethe-Hessian是一种对称矩阵，其负谱已被观察到编码稀疏SBM的社区结构。作者证明，当所有顶点的期望度数d>1时，负特征值个数恰好等于模型谱中落在bulk谱外的特征值个数。条件d>1是最优的，且匹配了现有基于更大非Hermitian矩阵的谱方法适用的区域。证明的核心技术包括：在2-核（2-core）上构造测试向量以大幅降低度数波动，然后通过控制二次型将其扩展到全图；以及利用底层马尔可夫随机场的各向同性基构造测试向量，系数适配每个相关的planted特征值。这一结果将Stephan和Zhu（需d≥2）的结论推广到最优阈值。对您而言，本文展示了随机矩阵理论（RMT）在稀疏图社区检测中的精细应用，与您高维统计和RMT的兴趣直接相关。
  • 关键技术: Bethe-Hessian matrix, stochastic block model, 2-core decomposition, spectral method, Markov random field, planted eigenvalue
  • 为什么对您有用: 本文直接连接您的高维统计/RMT兴趣，特别是稀疏随机矩阵谱理论在社区检测中的应用。您的武器库中'高维渐近理论'和'逆问题'可用来分析其谱阈值的紧性，而'higher-order U-statistics的treewidth视角'虽不直接相关，但2-core构造的图论思想可能启发您处理稀疏图上的U-statistic计算问题。中期可做：需先在moderately_familiar的'identification theory'上长肌肉以理解SBM的统计可识别性边界，但核心RMT分析在very_familiar范围内。

2. 2608.15053 — Multiplier Bootstrap and Edge Phase Transitions of High-Dimensional Covariance Matrices

  • 作者: Jiahui Xie
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究 multiplier bootstrap 在高维样本协方差矩阵最大特征值渐近分布中的效应，涵盖 spiked 和 non-spiked 两种模型。核心发现是 multiplier bootstrap 在边缘极限分布中引入了多个相变，具体取决于乘子的有界性、长尾行为以及维度比 p/n。在非 spiked 设定下，无界乘子导致 Frechet 或 Gumbel 极限；有界乘子则呈现 Tracy-Widom、Gaussian 或 Weibull 极限之间的相变，且条件分布与无条件分布的行为不同（例如 Tracy-Widom 的条件对应退化为点质量）。在 spiked 设定下，在适当信号强度条件下，无论乘子有界与否，主特征值均渐近正态。理论结果阐明了 multiplier bootstrap 在高维谱推断中的可行性与适应性。数值模拟验证了理论精度和推断程序的有效性。该工作对您在高维统计与随机矩阵理论方向的研究有直接参考价值，尤其是相变现象与 bootstrap 推断的交叉点。
  • 关键技术: multiplier bootstrap, Tracy-Widom distribution, phase transition, spiked covariance model, edge distribution, high-dimensional spectral inference
  • 为什么对您有用: 直接连接您 primary interest 中的高维统计与随机矩阵理论（RMT），具体涉及样本协方差矩阵最大特征值的极限分布与相变。您的技术武器库中 'high-dimensional asymptotics' 和 'minimax bounds for estimation problems' 可直接用于验证本文相变边界的紧性，或探索 bootstrap 在更一般谱统计量（如线性谱统计量）中的相变行为。中期可做：需先在 moderately_familiar 的 'semiparametric theory' 上长肌肉，以处理更复杂的协方差结构假设。

3. 2608.16137 — Generalized Linear Models for Extremes: Estimation and Inference in High Dimensions

  • 作者: Liujun Chen, Chen Zhou
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出了一类广义线性极值回归模型，用于高维协变量下响应变量极端尾部的建模。模型假设协变量通过一个链接函数线性地缩放尾部尺度，而不改变尾部形状参数，从而用一个协变量依赖的函数刻画整个条件尾部，覆盖重尾、轻尾和短尾分布。估计采用Bregman散度匹配参数化尾部函数与经验尾部，损失函数为凸函数，并引入ℓ1惩罚以处理协变量数超过有效样本量的情形。由于仅使用随机阈值以上的尾部观测，样本具有依赖性，导致经典惩罚GLM的渐近理论不再适用。作者推导了惩罚估计量的收敛速率，并构造了去偏估计量以实现单个系数的渐近正态推断，其渐近方差需通过得分协方差单独估计。该方法在汽车保险理赔数据上进行了应用验证。
  • 关键技术: ℓ1-penalized estimation, debiased Lasso, Bregman divergence, extreme value theory, tail localization, asymptotic normality
  • 为什么对您有用: 本文直接连接高维统计与极值理论的交叉点，属于高维统计（ℓ1惩罚、去偏推断）在非标准设定（尾部局部化、依赖样本）下的理论拓展。武器库中'高维渐近理论'和'非参数统计'可直接用于理解其收敛速率推导，而'去偏Lasso'的渐近方差估计方法可迁移至您熟悉的因果推断中的高维敏感度分析。中期可做：若想将此类尾部局部化推断推广至因果参数（如极端处理效应），需先在'半参数理论'上加强。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 2608.16675 — On Finite Gaussian Mixtures: Finiteness of the Number of Modes and an Application to NPMLE

  • 作者: Haiyang Wang
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究有限高斯混合分布的模态数量问题。在一维情形，经典切比雪夫系统理论已给出n分量混合至多n个模态的尖锐界；但在高维，每个各向同性高斯混合是否只有有限个模态长期未决。作者证明了一个更强的结论：整个临界点集是有限集，证明结合了实解析曲线选取定理和Ax函数超越性定理。作为应用，作者证明基于有限数据的高斯位置混合非参数最大似然估计（NPMLE）的支撑集是有限的，且所有NPMLE共享同一有限的可允许原子位置集。该结果对非参数混合模型的识别和计算有理论意义，与您的非参数统计和M估计理论兴趣直接相关。
  • 关键技术: Chebyshev systems, real analytic curve selection theorem, Ax's functional-transcendence theorem, nonparametric maximum likelihood estimation (NPMLE)
  • 为什么对您有用: 本文直接连接您的非参数统计和M估计理论兴趣，特别是NPMLE的支撑有限性这一经典问题。您熟悉的非参数统计和minimax界工具可用于分析该结果的紧性，而您中等熟悉的M估计理论可用于探讨该结果对更一般混合模型（如指数族混合）的推广。中期可做：需先在M估计理论上进一步积累，以处理非高斯混合的类似问题。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 2608.14906 — Optimal Watermark Localization in Mixed-Source Large Language Model Texts

  • 作者: Jose H. Blanchet, T. Tony Cai, Xiang Li, Hao Liu, Qi Long, Weijie J. Su
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究混合来源大语言模型文本中水印信号的定位问题，将其形式化为基于枢轴统计量的词元级多重检验问题，其中每个位置存在一个潜在指示变量记录水印依赖是否存活。在信号稀疏性、下一词元集中度和有效词汇增长率的指数渐近框架下，推导了全局检测的锐利边界，以及发现和分类的相变条件。证明发现严格难于检测，且在该类坐标枢轴定位规则下一致分类不可能。提出一种自适应阈值方法，无需知道指数或时变下一词元分布，仅需数据驱动估计存活水印比例，即可达到最优发现边界和接近最优的发现功效。模拟验证了理论相变，模型生成文本实验展示了在常见编辑机制下的实际定位性能。对您而言，该文将高维稀疏信号的多重检验与LLM水印这一新兴应用结合，其相变分析和自适应阈值方法可迁移至您熟悉的高维假设检验和minimax界工具。
  • 关键技术: multiple testing, pivotal statistics, phase transition, adaptive thresholding, sparse signal detection, asymptotic exponents
  • 为什么对您有用: 本文直接连接您的primary interest中的hypothesis testing和高维统计：将水印定位建模为稀疏信号的多重检验问题，推导检测与发现的相变边界，属于经典的高维假设检验理论。您武器库中very_familiar的minimax bounds和high-dimensional asymptotics可直接用于验证其声称的相变边界是否紧，或推广至更一般的依赖结构。中期可做：若想将方法扩展到水印依赖的图结构或时间序列依赖，需先在moderately_familiar的higher-order U-statistics上长肌肉（处理词元间高阶相关性）。

2. 2608.17191 — Nonparametric Estimation of Extropy, Rényi Extropy, and Tsallis Extropy: Almost Sure Convergence and Asymptotic Normality

  • 作者: Amadou Diadie Ba
  • 相关性 4/10 · novelty: minor
  • 摘要: 本文针对有限离散随机变量，提出 extropy（信息论中熵的对偶概念）及其两种推广形式——α-Rényi extropy 和 α-Tsallis extropy——的非参数估计方法。核心是构造 plug-in 估计量（直接用经验概率质量函数代入定义），并证明其几乎必然收敛速率和渐近正态性。证明工具主要依赖经典的大数定律和中心极限定理，未涉及 empirical process 或高阶 U-statistic 等更精细的工具。模拟研究验证了有限样本下的表现。对您而言，该文方法学 novelty 较低（标准 plug-in + 经典渐近理论），且 extropy 与您核心的因果推断/高维统计方向无直接交集，但可作为 hypothesis testing 方向的一个小众信息量测度参考。
  • 关键技术: plug-in estimator, almost sure convergence, asymptotic normality, extropy, Rényi extropy, Tsallis extropy
  • 为什么对您有用: 连接点：hypothesis testing 方向的信息量测度扩展。武器库：用 very_familiar 的非参数统计和经典渐近理论即可完全覆盖本文方法，无需新工具。follow-up 粗判：暂不可做——本文核心机器（离散有限支撑下的 plug-in 估计）过于基础，与您武器库中 higher-order U-statistics / semiparametric efficiency 等高级工具不匹配，且 extropy 在您关注的因果推断/高维问题中尚无成熟应用场景，不值得投入时间。

统计计算 / 算法 (stat_computing, 6 篇)

1. 2608.16337 — High-Dimensional Assisted Learning for Vertically Distributed Data with Blockwise Missingness

  • 作者: Yuwen Long, Shuyuan Wu, Yin Xia
  • 相关性 6/10 · novelty: new_method
  • 摘要: 针对纵向分布式数据中不同机构持有不同特征块且个体部分重叠、响应变量也存在缺失的场景，提出 Assisted Learning with Block-Missing Data (ALB) 方法，用于稀疏高维线性模型的估计和坐标推断，无需合并记录或依赖协调服务器。ALB 通过循环块更新最小化正则化的可用样本二次损失，每轮通信仅传输 O(n) 个标量（样本级线性汇总），与数据维度 p 无关，且迭代几何收敛到集中式解。推导了估计误差率，将统计误差与优化误差分离。对于目标系数的推断，ALB 估计对应的精度矩阵列，并利用基于重叠样本计算的矩之间的依赖关系构造样本级方差估计量。在稀疏性和重叠条件下，即使没有完整样本，学生化估计量也能以 sqrt(n) 速率渐近标准正态。还研究了单次扰动协变量和响应发布，通过用带噪声版本替换未扰动的样本级量来减少直接披露。模拟和阿尔茨海默病神经影像学倡议数据分析表明，ALB 接近集中式基准，并通过纳入部分观测记录改进了完整病例 Lasso。该方法对您可能有用：其通信高效的块更新框架与您在高维统计计算和软件实现方面的兴趣直接相关，且其推断策略（利用重叠样本的矩依赖）可视为一种特殊的 U-统计量投影问题。
  • 关键技术: cyclic block coordinate descent, available-case quadratic loss, sample-level linear summaries, precision matrix estimation, variance estimation with overlapping samples, perturbed release for disclosure limitation
  • 为什么对您有用: 本文直接连接您的 primary interest 中的 statistical computing（分布式算法通信效率）和高维统计（稀疏线性模型推断）。您的 technical_arsenal 中 very_familiar 的 high-dimensional asymptotics 和 software development 可直接用于复现和扩展其算法（例如，将块更新推广到非线性模型或 U-统计量损失）。中期可做：若想将其推断策略（精度矩阵列估计 + 重叠样本方差）推广到更高阶的统计量，需先在 moderately_familiar 的 higher-order U-statistics 理论上长肌肉（具体为：处理重叠样本时高阶矩的依赖结构）。

2. 2608.15478 — Bootstrap Error Estimation and Sketch-Size Selection for Sketched Ridge Regression

  • 作者: Akito Narahara, Takayuki Kawashima, Takafumi Kanamori
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对大规模岭回归中随机投影（sketching）带来的系数估计误差，提出了一种基于配对自助法（paired bootstrap）的误差估计方法。核心设定是：在固定系数维数、数据量和sketch尺寸同步增长的高维渐近框架下，作者推导了sketched岭估计及其条件自助分布的新近线性表示与高斯极限。这一理论结果保证了自助法误差分布的一致一致性，以及当估计量和误差界来自同一sketch时渐近精确的覆盖概率。对于具有独立零均值单位方差元素的sketch矩阵，作者给出了一个显式协方差公式，分离了残差、正则化和sketch四阶矩的影响，并证明Rademacher入口在Loewner序下最小化主导协方差矩阵。此外，还开发了快速线性化自助法、有限自助复制数的顺序统计量校正，以及从固定sketch尺寸集中选择的Bonferroni规则。实验表明，当sketch尺寸为系数数的15倍、199个自助复制时，重拟合自助法的覆盖率为92.0%-95.3%，经顺序校正后提升至94.7%-97.7%。本文对您作为统计计算方向的研究者很有价值，因为它直接涉及随机投影方法的不确定性量化，而您对统计计算（数值方法、算法）有明确兴趣，且文中使用的渐近分析工具（线性表示、高斯逼近）与您熟悉的高维渐近和极小极大界技术高度兼容。
  • 关键技术: paired bootstrap, randomized sketching, ridge regression, asymptotic linear representation, Gaussian limit, order-statistic correction
  • 为什么对您有用: 本文直接对应您primary interest中的'statistical computing (numerical methods, algorithm)'，具体是随机投影（sketching）这一计算加速技术的误差推断问题。您的武器库中'高维渐近'和'极小极大界'可以直接用于验证本文渐近结果的最优性（例如，检查协方差公式中Rademacher入口的Loewner最优性是否紧）。中期可做：若要进一步将本文的bootstrap方法推广到更复杂的sketch结构（如subsampled randomized Hadamard transform），需要先在moderately_familiar的'M-estimation理论'上加强，因为非线性sketch的渐近分析需要更精细的M-estimation工具。

3. 2608.16017 — A Two Stage Quasi-Likelihood Estimation Method for High Dimensional Generalized Structural Equation Models

  • 作者: Mohammad W. Hattab
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对高维广义结构方程模型（GSEM）的估计问题，提出了一种两阶段拟似然期望最大化（TSQL-EM）框架。传统联合估计方法在Poisson、负二项、Gamma等非正态族中缺乏可处理算法，且存在数值不稳定和计算成本过高的问题。该方法将结构模型与测量模型分离：第一阶段通过观测指标近似潜变量的条件分布；第二阶段利用边际拟似然估计方程评估结构参数，条件矩通过解析或Monte Carlo积分获得。完全避免了全联合似然的计算，显著降低了计算复杂度。仿真实验表明，该方法在均方误差和结构偏差上表现稳健，计算时间大幅缩短，适用于大规模潜变量模型。对您而言，该工作直接关联统计计算中的数值方法兴趣，其两阶段解耦策略可启发高维因果推断中复杂似然函数的近似计算方案。
  • 关键技术: Two-stage quasi-likelihood EM, Marginal quasi-likelihood estimating equations, Monte Carlo integration, High-dimensional structural equation models, Latent variable approximation
  • 为什么对您有用: 本文属于统计计算方法论，直接对应您primary interest中的'statistical computing (numerical methods, algorithm)'。其两阶段解耦策略（先近似潜变量分布，再边际估计）可迁移至您very_familiar的'high-dimensional asymptotics'和'estimation theory in causal inference'——例如在proximal CI或IV中处理高维潜变量时，可用类似思路避免全联合似然计算。中期可做：需先在moderately_familiar的'M-estimation theory'上巩固，以严格分析该方法的渐近性质。

4. 2608.14878 — Quantification and Decomposition of Uncertainty Using Sliced-Normal Distribution: With Applications to NASA Data

  • 作者: Arindam RoyChowdhury, Luis G. Crespo, Henry Lam
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文在 Sliced Normal (SN) 分布框架下，针对不确定性量化中的多变量非线性依赖与多模态建模问题，提出三项改进。首先，将 SN 参数估计重新表述为半正定矩阵上的凸优化问题，替代原非凸似然搜索，使求解更稳定。其次，通过 Stone-Weierstrass 型论证，在紧致域上建立了多项式对数密度建模的普适逼近性质，明确了 SN 类的表达能力。第三，提出高维拟合流程：将变量划分为近似独立子组，在各子组内拟合 SN 模型，再通过跨块补全步骤恢复残差依赖，实现可扩展的高维建模。在 NASA 飞行失控数据上展示了方法在低维切片和高维组装模型中的非线性依赖捕捉能力。对您而言，本文的凸优化重参数化思路可迁移至您熟悉的因果推断中高维 nuisance 函数的估计（如用凸松弛替代非凸 sieve M-estimation），且其分组-组装策略与您软件开发的模块化设计理念相通，属于中期可做的方向（需先在 moderately_familiar 的 M-estimation 理论上巩固）。
  • 关键技术: Sliced Normal distribution, convex optimization over PSD matrix, Stone-Weierstrass approximation, block-assembled model, cross-block completion
  • 为什么对您有用: 本文属于统计计算方向，直接对应 primary interest 中的 statistical computing。其凸优化重参数化技巧可迁移至您熟悉的因果推断中 nuisance 函数的估计（如用凸松弛替代非凸 sieve M-estimation），且分组-组装策略与您软件开发的模块化设计理念相通。中期可做：需先在 moderately_familiar 的 M-estimation 理论上巩固，才能将本文的凸优化框架推广到带 nuisance 函数的半参数设定。

5. 2608.15103 — Forward-Evolution Error Analysis and Adaptive Design for Matrix-Valued Diffusion Models

  • 作者: Tongyao Pang, Zuowei Shen, Ruitong Zhang
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究矩阵值扩散模型（matrix-valued diffusion models）中反向采样离散化误差与噪声调度（noise schedule）的联合优化问题。在方差保持（variance-preserving）扩散框架下，作者将反向时间离散化误差转化为前向加噪过程的误差分析，统一处理了两种数值方案：第一种冻结得分函数（score freezing），通过矩阵敏感的局部比较和前向信息耗散（information dissipation）得到KL精度ε²下步复杂度主导项为d/ε²（d为数据维度）；第二种保持已知高斯漂移项精确、冻结后验均值（posterior mean freezing），利用前向马尔可夫恒等式、各向异性覆盖估计（anisotropic covering estimate）和Stieltjes分部积分，得到度量熵维数k下步复杂度为k log k/ε²。两种方案均通过识别局部误差、沿前向演化累积并插入公共KL分解来证明。局部误差进一步为矩阵调度提供了方向性准则，并导出一个渐近最优的平方根自适应网格（square-root adaptive grid）。高维高斯混合实验验证了调度与网格的改进效果。对您而言，本文的误差累积框架和自适应网格设计直接关联统计计算中的数值方法与算法优化，且其矩阵值调度分析可能为高维统计中的计算-信息折衷问题提供新视角。
  • 关键技术: forward-error analysis, matrix-valued diffusion schedule, score freezing, posterior mean freezing, anisotropic covering estimate, Stieltjes integration by parts
  • 为什么对您有用: 本文属于统计计算（stat_computing）方向，直接关联您的primary interest中的'statistical computing (numerical methods, algorithm)'。其核心贡献——将反向离散化误差转化为前向演化累积、并导出自适应网格——是数值方法设计的典型问题，您可以用'very_familiar'中的'nonparametric statistics'和'minimax bounds'工具来评估其步复杂度下界是否紧，或用'high-dimensional asymptotics'视角检验d/ε²与k log k/ε²的维度依赖性。此外，矩阵值调度分析可能为高维统计中的计算-信息折衷（computational-statistical tradeoff）提供新案例，但该方向目前属于'暂不可做'——您需要先在'moderately_familiar'的'high-dimensional statistics'上补足随机矩阵理论（Marchenko-Pastur等）才能深入。本文作为gateway reading，数值方法部分清晰易懂，值得花时间读全文。

6. 2608.16960 — TomoSphero: Fast Differentiable Projector for Planetary and Solar Tomography on Spherical Grids

  • 作者: Evan Widloski, Lara Waldrop
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出 TomoSphero，一个在球面网格上实现的可微层析投影算子库，专门面向行星和太阳层析成像场景。传统 GPU 加速层析库多基于笛卡尔网格，不适用于球对称或球壳结构的天体目标。TomoSphero 支持锥束和平行束等常见投影类型，并允许任意自定义投影路径，灵活性高。该库基于 PyTorch 实现，可自动求导，便于集成到基于梯度的重建算法或参数化模型中。作者展示了其在模拟和真实数据上的重建效果，并强调了 GPU 加速带来的计算效率提升。对您而言，这是一个典型的统计计算工具论文，展示了如何将可微编程和自动求导应用于特定几何结构的逆问题，与您对统计计算和软件开发的兴趣直接相关。
  • 关键技术: differentiable tomography, spherical grid discretization, GPU-accelerated projection, PyTorch automatic differentiation, cone-beam and parallel-beam projection
  • 为什么对您有用: 本文属于统计计算与软件工具方向，直接对应您 primary interest 中的 'statistical computing (numerical methods, algorithm)' 和 'software development'。您武器库中的 'inverse problems with random noise' 和 'software development' 经验可直接用于评估其重建算法的统计效率或扩展其功能（如加入噪声模型或正则化项）。作为 gateway reading，本文清晰展示了可微编程如何简化复杂几何逆问题的求解，值得花时间阅读全文以了解其设计思路和适用边界。

天体统计 (astrostats, 4 篇)

1. 2608.16654 — Galaxy Morphology Classification: Uncertainty Modeling and Out of Distribution Detection

  • 作者: Prem Prakash, Shantanu Desai, P. K. Srijith
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对星系形态分类任务，提出结合离群检测（OOD）与不确定性量化的综合框架。使用 Galaxy Zoo DECaLS 数据集，基于 ResNet-34 架构比较了三种配置：标准交叉熵基线、IsoMaxPlus 损失函数（用距离度量替代 SoftMax 以增强 OOD 检测）、以及 IsoMaxPlus 结合 Monte Carlo Dropout 以提供贝叶斯近似。IsoMaxPlus 无需额外架构修改或超参数调优，即可保持类别间可分性并实现可靠 OOD 检测。实验表明，IsoMaxPlus 将 TNR@TPR95 提升约 90%，同时保持 97% 的分类准确率；加入 MC Dropout 后，期望校准误差（ECE）从 0.0095 降至 0.0026（降幅约 73%）。误分类或低置信度预测表现出更高的预测熵和更低的最小距离分数，为识别不可靠预测提供了可解释指标。该方法适用于当前及未来大规模巡天项目，其中自动分类与不确定性感知对发现罕见或未知星系形态至关重要。对您而言，本文是 astrostatistics 的入门级读物，清晰展示了天文数据分类中的不确定性量化与 OOD 检测问题，武器库中的非参数统计与软件工程经验足以支撑您理解并复现其核心流程。
  • 关键技术: IsoMaxPlus loss, Monte Carlo Dropout, ResNet-34, Expected Calibration Error, out-of-distribution detection, galaxy morphology classification
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，清晰展示了天文图像分类中不确定性量化与 OOD 检测的实际需求，适合作为入门读物。武器库中的非参数统计与软件工程经验足以支撑理解其核心方法（IsoMaxPlus + MC Dropout），无需额外工具。值得花时间读全文以了解天文数据管道与统计评估指标的结合方式。

2. 2608.15166 — Stress-Testing DANTE under Detector Domain Shift: a Representation-Coherent Reanalysis of LIGO O4a

  • 作者: Luca Cirfeta
  • 相关性 6/10 · novelty: application
  • 摘要: 本文对无监督瞬态噪声检测管道 DANTE 在 LIGO O4a 观测运行数据上的表现进行了压力测试，核心问题是探测器域偏移（representation mismatch）下管道输出的统计可靠性。方法上，使用冻结的 DINOv2 图像块嵌入和 Top-k 多实例评分，对 10,429 个候选时间-频率图进行候选与本地背景的对比分析，并通过时间块自助法校准探测器特定的阈值。主要结果给出了 6,365 个 ROBUST、1,275 个 AMBIGUOUS 和 2,789 个 BACKGROUND 的统计判定，并发现 v5 版本的许多解释（如新 glitch 类、天体物理搜索）不再成立。文章系统量化了背景抽取、聚类种子、字典大小和白化等参数对结果的影响，并识别了条件性低 Q 值盲区。最终结论是本文提供的是无监督探测器表征的失效模式和有效性条件集合，而非新的 glitch 类或天体物理发现。对于您作为统计研究者，这是一篇很好的 astrostatistics 入门读物，清晰展示了引力波数据处理中统计判定的实际挑战（背景建模、多重比较、域适应），且不假设读者有天体物理背景。
  • 关键技术: unsupervised anomaly detection, domain adaptation, multiple-instance learning, temporal-block bootstrap, Q-transform spectrograms, null hypothesis testing
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，清晰展示了引力波探测器数据分析中统计判定的实际挑战（背景建模、多重比较、域适应下的分布偏移），且不假设读者有天体物理背景。武器库中的非参数统计和假设检验工具可直接用于理解其 bootstrap 校准和多重比较问题，但本文是应用导向的实证研究，而非方法论创新，因此属于暂不可做范畴——核心机器（引力波数据处理的领域知识）不在武器库中，但作为入门读物值得花时间读全文以了解该领域的数据结构和统计问题。

3. 2608.14864 — An open-source data processing pipeline for Keck / NIRC2-Polarimetry

  • 作者: Briley L. Lewis, Maxwell A. Millar-Blanchaer, Rebecca Zhang, Jayke Nguyen, Max Brodheim, Ashish Uhlmann
  • 相关性 4/10 · novelty: application
  • 摘要: 本文介绍了一套为 Keck/NIRC2 红外成像仪新升级的偏振测量模式（NIRC2-Pol）设计的开源数据处理流程。该流程旨在处理天文偏振数据，特别是需要利用 Mueller 矩阵模型进行仪器偏振校准的定量偏振测量。文章总结了流程的关键步骤，包括数据预处理、偏振测量提取和校准，并描述了其灵活、用户友好的开源实现。该流程将支持系外行星、银河系中心、活动星系核和太阳系等广泛的天文学研究。目前该流程仍在持续开发中，但已为天文学家提供了一个标准化的数据处理工具。对于统计学家而言，本文是一个很好的入门读物，清晰展示了天文偏振数据的结构、噪声来源和校准模型，但方法学贡献有限。
  • 关键技术: Mueller matrix model, polarimetric calibration, data reduction pipeline, instrumental polarization correction
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading。它清晰阐述了天文偏振数据的结构（Stokes 参数）、噪声来源（仪器偏振）和校准模型（Mueller 矩阵），适合作为统计学家进入该领域的入门材料。武器库中的非参数统计和逆问题知识可用于理解其校准步骤，但本文本身是工程实现而非方法论创新，暂不可做 follow-up。

4. 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 4/10 · novelty: application
  • 摘要: 本文评估了即将在甚大望远镜干涉仪上运行的 Asgard/NOTT 零差干涉仪三种光束组合方案（单Bracewell、非对称双Bracewell、对称双Bracewell）的性能。利用 SCIFYsim 端到端模拟器，推导了校准零值测量精度随星等的变化，并模拟了不同热黄道尘埃分布和热木星的观测。研究发现每种模式各有权衡：单Bracewell模式吞吐量高且保留空间信息，但误差抑制差；非对称双Bracewell模式对点源检测的误差抑制最强，但会抑制对称天体物理信号（如预期尘埃分布）；对称双Bracewell模式提供折中，对对称发射敏感。结论是结合三种模式可稳健检测尘埃分布、约束其结构并识别假阳性。对您而言，这是一篇典型的 astrostatistics 入门级应用文章，清晰展示了天文干涉测量中数据生成模型（端到端模拟）、噪声结构（校准误差）和观测策略优化问题，适合作为了解该领域数据与分析挑战的起点。
  • 关键技术: nulling interferometry, end-to-end simulation (SCIFYsim), calibrated null measurement, beam-combination schemes
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，清晰展示了天文干涉测量中数据生成（端到端模拟）、噪声建模（校准误差）和观测策略优化问题。武器库中的非参数统计和软件工程经验可帮助理解其模拟框架，但核心的天文仪器物理（零差干涉、波前误差）不在当前武器库内，属于暂不可做方向。不过作为入门读物，值得花时间读全文以拓宽对天文数据结构的认识。

经济理论 / 应用 (econ_theory, 2 篇)

1. 2608.16468 — Estimation and Inference for Peer Effects under Conditional Random Assignment

  • 作者: Ying Zeng
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对条件随机分配（conditional random assignment）到组（urns）的设定，研究同伴效应（peer effects）的估计与推断问题。作者提出了一个广义矩估计（GMM）框架，能够分别识别内生同伴效应（endogenous peer effects）和情境同伴效应（contextual peer effects），并将随机分组检验作为特例嵌套其中。该方法允许未知异方差，并修正了有限组（finite-urn）偏差对方差估计的影响。渐近理论允许同伴组数量通过更多urns、每组内更多组或两者同时增长而增加。通过蒙特卡洛模拟评估了有限样本表现，并应用于大学生人格同伴效应的实证研究，发现对于具有正向简化形式同伴效应的特质，正向情境效应部分被负向内生效应所抵消。
  • 关键技术: GMM estimation, conditional random assignment, finite-urn bias correction, peer effects identification, heteroskedasticity-robust inference
  • 为什么对您有用: 本文属于经济理论（应用因果推断）方向，是您的次要兴趣领域。它提供了一个清晰的GMM框架来处理条件随机分配下的同伴效应识别问题，武器库中的'因果推断中的估计理论'和'M估计理论'可以直接用于理解其渐近性质。作为入门读物，本文设定清晰（urns、组内分配），适合作为进入应用微观计量经济学同伴效应文献的起点，值得花时间阅读全文。

2. 2608.16708 — Quantile restrictions, revealed rankings, and the limits of multinomial choice

  • 作者: Tatiana Komarova
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文在 semiparametric discrete choice 模型框架下，研究 choice probabilities 何时能揭示 deterministic utility indices 的排序。首先在 binary choice 中，quantile thresholds 可保证排序恢复，且这些阈值可源于有限注意等行为偏离（在可交换不可观测变量下）或标准效用最大化下的不可交换不可观测变量。随后将行为与分布两条路径扩展到 multinomial choice：有限注意下，attention probabilities 的平衡约束产生全局线性排序划分，对不可观测变量分布稳健，且在效用差异联合变化足够丰富时也是必要的；缺少所需注意约束时，相反排序可产生重叠的概率像。在不可交换不可观测变量下，通常不存在类似的分布一致划分，但固定分布时，通过从标准化效用差异到 choice probabilities 的单射非线性映射仍可恢复排序。结果区分了分布稳健的全局排序划分与固定不可观测变量分布下的排序恢复，并阐明了将 binary quantile restrictions 扩展到 multinomial choice 的局限。对您而言，本文是经济理论中识别问题的严格分析，与您 secondary interest 中的经济理论（模型、识别）直接相关，可作为理解离散选择模型识别边界的入门读物。
  • 关键技术: semiparametric discrete choice, quantile restrictions, revealed rankings, limited attention, non-exchangeable unobservables
  • 为什么对您有用: 本文属于经济理论（离散选择模型的识别），是您的 secondary interest。作为 gateway reading，它清晰阐述了模型设定（utility indices、unobservables 的交换性假设）和识别问题（choice probabilities 能否揭示排序），对统计学家友好。您的武器库中非参数统计和因果推断的识别理论可帮助理解其识别论证，但本文是纯理论结果，无数据或计算维度，因此暂不可做 follow-up。

流行病学 (epidemiology, 1 篇)

1. 2608.16537 — Bayesian epidemic alignment for causal evaluation of seasonal infectious-disease interventions

  • 作者: David Moriña
  • 相关性 7/10 · novelty: application
  • 摘要: 针对季节性传染病干预评估中因流行时间错位导致的混杂问题，提出贝叶斯因果计数模型。模型通过季节特定的仿射变换将日历时间映射到潜在流行时钟，干预效应在该时钟而非日历时间上估计，使流行时间的不确定性自然传导至因果对比。采用负二项观测分布、分层区域/季节效应、收缩Fourier流行曲线及连续程序强度暴露变量。后验g-computation提供预防病例数、预防比例、峰值衰减及流行位移等因果对比量，涵盖控制对比和动态对比两种设定。两阶段模拟评估了时间稳定、流行时钟变化、强度依赖检测及区域混杂下的偏差、RMSE、区间覆盖和参数恢复。用加泰罗尼亚初级医疗监测和RSV免疫数据展示框架，并明确讨论了识别效应所需的程序强度重叠条件。对您而言，本文是流行病学中因果推断与贝叶斯时间序列建模结合的实例，其“对齐即模型组件”的思路可迁移至纵向因果推断中的时间错位问题。
  • 关键技术: Bayesian causal model, g-computation, negative-binomial regression, Fourier basis for epidemic curve, affine time warping
  • 为什么对您有用: 直接连接流行病学（secondary interest）的因果推断应用，具体是季节性干预评估中的时间错位混杂问题。武器库中'identification theory in causal inference'可用来审视其程序强度重叠假设是否合理，'estimation theory in causal inference'可评估后验g-computation的有限样本表现。本文是流行病学因果推断的扎实应用，值得作为入门读物了解该领域的数据结构和分析范式，中期可做：若想跟进，需先在moderately_familiar的'identification theory'上熟悉g-computation的识别条件。

其他 (other, 7 篇)

1. 2608.16871 — Biophysics-informed deep operator learning for inverse problems with application to electrophysiological source reconstruction

  • 作者: Eardi Lila, Erica R. Peterson, Alexis N. Bosseler, J. Nathan Kutz, Samu Taulu
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对脑电生理信号源重建这一病态逆问题，提出了一种生物物理信息驱动的深度算子学习框架 DeepOp-Informed。该框架的核心创新在于将信号生成的生物物理原理（如头模型、传感器位置）编码为一个可微分的定制层，嵌入神经网络中，从而在训练中显式约束解空间。与纯数据驱动的深度学习方法相比，该方法在受试者间泛化时数据效率更高，重建误差更低。在真实感脑磁图模拟中，DeepOp-Informed 对未见受试者的前向模型实现了更优的重建性能。应用于青少年听觉诱发记录时，产生了解剖学上合理的、定位于听觉皮层的重建结果。虽然本文以脑磁图为应用场景，但框架具有通用性，可适配其他成像模态。对您而言，本文属于 gateway-reading 范畴，展示了如何将领域物理模型（偏微分方程/前向算子）作为可微层嵌入深度学习，这一思路对您在高维统计或因果推断中引入结构约束（如单调性、稀疏性）有启发，但核心方法（物理信息神经网络、算子学习）不在您的武器库中，属于暂不可做方向。
  • 关键技术: physics-informed neural networks, deep operator learning, differentiable forward model layer, magnetoencephalography source reconstruction, inverse problem regularization
  • 为什么对您有用: 本文属于 gateway-reading 范畴，展示了如何将领域物理模型（偏微分方程/前向算子）作为可微层嵌入深度学习，这一思路对您在高维统计或因果推断中引入结构约束（如单调性、稀疏性）有启发，但核心方法（物理信息神经网络、算子学习）不在您的武器库中，属于暂不可做方向。

2. 2608.16688 — NP-LEAP: Nonparametric Latent Exchangeability Prior for Model-Lean Borrowing from Historical Data

  • 作者: Ethan M. Alt, Miheer Dewaskar, Jacob M. Maronge, Yuelin Lu, Matthew A. Psioda
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 NP-LEAP（非参数潜交换性先验），一种用于从历史数据中借力（borrowing）的贝叶斯框架。核心设定是：当前试验的控制组样本量不足，希望从历史对照数据中借力以降低处理效应估计的不确定性。现有 BDB 方法依赖参数结局模型（如 PH 模型），容易遭受三重误设定（基线风险、比例风险、全局交换性）。NP-LEAP 通过个体水平的潜交换性指标（latent exchangeability indicator）对历史样本进行划分——哪些与当前样本可交换、哪些不可交换——并利用贝叶斯模型平均（BMA）在所有可能划分上做推断。方法本身是 outcome-agnostic 的，只需一个合适的核函数（kernel）即可适用于不同数据类型，尤其适合时间-事件结局。作者证明了在温和正则条件下后验一致性，并通过模拟和 NSCLC 真实数据展示了优于参数借力方法和非借力半参数频率学派方法的操作特性。对您而言，本文属于贝叶斯非参数借力框架，与您的 primary interest（因果推断中的纵向/历史数据借力）有概念交叉，但方法学核心是贝叶斯模型平均和潜变量划分，而非您熟悉的效率理论或 U-统计量工具链，因此作为 gateway reading 了解该领域的问题设定和现有方法边界即可。
  • 关键技术: Bayesian dynamic borrowing, latent exchangeability prior, Bayesian model averaging, posterior consistency, time-to-event outcomes
  • 为什么对您有用: 本文属于贝叶斯非参数借力框架，与您的 primary interest 中“纵向/历史数据借力”有概念交叉，但方法学核心是贝叶斯模型平均和潜变量划分，而非您熟悉的效率理论或 U-统计量工具链。作为 gateway reading，本文清晰展示了历史数据借力的问题设定和现有方法边界，但武器库中缺少贝叶斯非参数工具（如 Polya tree / Dirichlet process mixture），因此暂不可做 follow-up。

3. 2608.13713 — Hyperbolic Latent Position Models for Hierarchical Bipartite Data

  • 作者: Kisung You
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对二分双模数据（如学生-习题、议员-法案）提出双曲潜在位置模型（HELPI），将两类对象嵌入双曲空间以匹配层次结构的指数增长特性。模型将几何交互与可加倾向分离：在无限制主效应下，双曲距离预测器等价于根Gromov积预测器，径向深度被可加项吸收，留下根不变的投影层次信号作为可识别的几何目标。作者建立了参数可识别性和后验收缩理论，并开发了针对二元结果的增广变分推断程序。模拟实验验证了层次交互的恢复能力，并揭示了弱分支机制。在可汗学院数据中，课程锚点产生可解释的几何结构，时间预测接近项目反应理论基准；在美国众议院投票数据中，灵活HELPI变体优于可加和双参数逻辑基准，且无需党派标签即可恢复党派与政策结构。该模型为层次双模数据提供了一种新的几何建模框架，但方法学贡献集中于特定应用场景，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。
  • 关键技术: hyperbolic embedding, Gromov product, latent position model, variational inference, posterior contraction
  • 为什么对您有用: 本文属于统计建模与计算方向，与您的主要兴趣（因果推断、高维统计、U统计量）无直接技术关联。作为gateway阅读，本文对双曲几何在层次数据中的应用提供了清晰介绍，但武器库中缺乏双曲几何与变分推断的核心工具，暂不可做。若您对层次数据的几何建模感兴趣，可作为入门读物了解双曲空间在统计模型中的使用方式。

4. 2608.15148 — Parameter estimation in differential equations: Mathematical foundation for satellite gravimetry, review and perspectives

  • 作者: Peiliang Xu
  • 相关性 5/10 · novelty: survey
  • 摘要: 本文为卫星重力测量中微分方程参数估计提供了统一的理论框架，并系统回顾了从卫星跟踪数据反演地球重力场的数学方法。重点评述了配置法、Kaula线性摄动、两点边值问题和轨道能量法，指出数值积分法虽在数学上不正确但在实践中被广泛使用。作者提出了一种基于测量的摄动理论，能够充分利用任意长度的精密卫星轨道和高精度星间跟踪数据，理论上无建模误差，可提取微小力信号。该方法有望实现高精度、高分辨率全球重力场模型。最后，针对分散跟踪数据，推导了牛顿非线性卫星运动微分方程的局部解。本文对您作为统计学家而言，属于地球物理领域的应用综述，与您的主要研究方向（因果推断、高维统计等）无直接技术重叠。
  • 关键技术: collocation method, Kaula linear perturbation, two-point boundary value problem, orbit-energy-based method, measurement-based perturbation theory
  • 为什么对您有用: 本文属于地球物理领域的专业综述，与您的主要研究方向（因果推断、高维统计、U统计量等）无直接技术连接。作为gateway reading，本文假设读者熟悉卫星重力测量和微分方程反演，对统计学家而言入门门槛较高。您的技术武器库（非参数统计、高维渐近等）无法直接应用于本文的核心问题。因此，本文暂不可做，不建议投入时间阅读全文。

5. 2608.15416 — Design-Based Inference under Deep Domain Stratification: Language of Instruction and Private-Institution Choice in India's NSS 71st Round

  • 作者: Aksaj Goel, Abhishek Bhattacharjee
  • 机构: Phoenix Contact (United States)
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对大型分层多阶段调查（如印度 NSS）在深度领域分解（disaggregation）后统计推断脆弱的问题，提出了一种基于设计的可审计推断框架。核心工具是嵌套贡献账本（nested contribution ledger），通过第一阶段 PPS 扩展、确定加随机村组选择及第二阶段住户扩展重建领域总量。非线性领域参数（如比率）通过一阶线性化处理，并利用 NSS 两个独立子样本提供自然复制方差估计。框架输出粒度-稳定性剖面（granularity-stability profile），结合相对标准误、复制支持度和集中度诊断，为每个细分估计提供设计能否支撑的证据。作者建立了总量估计的有限总体无偏性、比率线性化的渐近有效性及两子样本方差估计对线性化总量的无偏性。应用部分以印度 NSS 第 71 轮教育调查为例，分析家庭语言与教学媒介的关系及选择私立教育机构的原因，将原项目的临时计算替换为可复现的推断工作流。该论文属于调查统计方法，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，但设计推断的严谨性对流行病学或经济学中复杂调查数据的分析有参考价值。
  • 关键技术: design-based inference, nested contribution ledger, first-order linearization, replication variance estimation, granularity-stability profile, stratified multistage survey
  • 为什么对您有用: 本文属于调查统计方法，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。但作为流行病学或经济学中复杂调查数据分析的入门读物，其设计推断的严谨性值得了解。武器库中非参数统计和 M-估计理论可帮助理解其线性化方差估计的渐近性质，但核心问题（多阶段抽样推断）不在您的技术武器库中，属于暂不可做。

6. 2608.15047 — Anomaly detection in autoregressive networks

  • 作者: Xianghe Zhu
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究时序依赖网络序列中的异常检测问题。传统基于邻接矩阵的静态网络方法无法捕捉边演化模式的变化，作者提出将每对连续网络表示为形成事件矩阵和消失事件矩阵，并利用展开邻接谱嵌入（unfolded adjacency spectral embedding）将得到的矩阵序列嵌入到低维空间。通过与平稳基线的比较，得到顶点级和网络级统计量，用于检测异常转换并识别其涉及形成、消失或两者兼有。对于自回归随机点积图，建立了转换事件嵌入的均匀行一致性，并给出了顶点级和网络级检测以及异常顶点集精确恢复的高概率保证。理论将顶点自身的位移与其他顶点引起的干扰以及自回归记忆分开量化，并证明了异常记忆在转换机制恢复基线后呈几何衰减。扩展至度修正随机块模型，给出了社区恢复的精确性以及社区重分配、中心偏移、分裂和合并等异常统计量的高概率检测与恢复保证。模拟和国际贸易数据集及小学接触网络的应用展示了方法的性能，揭示了COVID-19期间由消失驱动的贸易下降及随后由形成驱动的恢复，以及学校班级间的临时合并型混合。
  • 关键技术: unfolded adjacency spectral embedding, autoregressive random dot product graph, uniform row-wise consistency, degree-corrected stochastic block model, high-probability detection guarantees
  • 为什么对您有用: 本文属于网络数据分析，与您的主要兴趣（因果推断、高维统计等）无直接交集，但作为gateway reading，其问题设定（时序网络异常检测）和数据维度（顶点级与网络级统计量）对统计学家有一定吸引力。您的武器库中非参数统计和高维渐近理论可帮助理解其一致性证明，但核心方法（谱嵌入、自回归图模型）并非您熟悉的方向，且缺乏与您U-统计量或因果推断工作的直接连接。暂不可做，因为核心机器（谱嵌入理论、自回归网络模型）不在您的武器库中。

7. 2608.14898 — Sequential Importance Sampling for Thinned Count Autoregressions via Latent Gaussian Transformations

  • 作者: Joey Fingold, Justin J. Slater
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对稀松计数自回归模型（thinned count autoregressions）在传染病监测数据建模中的拟合困难问题，提出了一种基于潜变量高斯变换的序贯重要性抽样方法。该模型因涉及高维、序列相关的整数值潜变量而难以直接推断；现有方法通过构建连续值替代模型并后验映射为整数，但会产生估计偏差。作者利用序贯重要性抽样（SIS）校正替代模型的分布错配，在保持计算可行性的同时实现无偏推断。模拟研究验证了方法的有效性，并在德国轮状病毒和法国脑膜炎球菌数据上展示了流行病曲线重建的应用。方法核心在于将重要性权重递推更新，结合粒子滤波思想处理时间序列中的整数值状态。对您而言，本文属于传染病流行病学的应用工作，方法学创新有限（SIS为成熟技术），但数据集和分析流程可作为您进入流行病学应用领域的入门参考。
  • 关键技术: sequential importance sampling, thinned count autoregression, latent Gaussian transformation, particle filter, epidemic curve reconstruction
  • 为什么对您有用: 本文属于流行病学应用（secondary interest），提供了两个真实传染病数据集（德国轮状病毒、法国脑膜炎球菌）的分析流程。作为入门读物，它清晰展示了稀松计数模型在疾病监测中的设定和推断挑战，但方法学上SIS并非您武器库中的核心工具（您更熟悉非参/高维/因果推断），且未涉及您primary interest中的任何理论方向。暂不可做：核心机器（序贯蒙特卡洛/粒子滤波）不在您的武器库中，且本文未提出可迁移的新统计理论。

🗂 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. 2608.17046 — Incorporating Animal Movement into Continuous-Time Spatial Capture-Recapture Models

  • 作者: Clara Panchaud, Ruth King, David Borchers, Hannah Worthington
  • 相关性 3/10
  • 评分理由: 生态学中的空间捕获-再捕获模型，与主要兴趣领域无关。

2. 2608.15973 — A New Trained Supervised Method for Calculating Patient Similarity

  • 作者: Minzee Kim, Joel A. Dubin
  • 相关性 3/10
  • 评分理由: Personalized prediction in EHR is tangential to the researcher's primary interests in causal inference and mathematical statistics.

3. 2608.15455 — Competing-Risk Cure Models: A Five-Axis Systematic Review of Methodological Literature

  • 作者: Nilotpal Sanyal
  • 相关性 3/10
  • 评分理由: A systematic review of competing-risk cure models; tangential to primary interests in causal inference and mathematical statistics.

4. 2608.15319 — CORAL: Constrained Oblique Rotation with Anchored Loadings for Fidelity-Constrained Decorrelation

  • 作者: Lawrence Fulton, Christopher Fulton, Arvind Sharma, Aleksandar Tomic
  • 相关性 3/10
  • 评分理由: Focuses on decorrelation and rotation in multivariate analysis; unrelated to primary interests in causal inference or high-dimensional statistics.

5. 2608.15170 — Quantile-stratified sampling for multivariate normal simulations and other multivariate distributions

  • 作者: Ben O'Neill
  • 相关性 3/10
  • 评分理由: 纯蒙特卡洛方法，与因果推断、高维统计等主要兴趣无关。

6. 2608.15013 — Structure-Preserving Visualization of Complex Systems through Discrete Approximation: An Application to Argo Data

  • 作者: Shang-Ying Shiu, Fushing Hsieh, Ting-Li Chen
  • 相关性 3/10
  • 评分理由: 海洋学数据可视化，无统计方法论创新，与主要兴趣无关。

7. 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 3/10
  • 评分理由: Bayesian dose-finding in clinical trials; unrelated to primary interests.

8. 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: 内容泛泛，属于信息论综述，与研究者具体兴趣和方法论无紧密联系。

9. 2608.12738 — Hyper-V uniform ergodicity of Markov chains

  • 作者: Austin Brown, Kshitij Khare
  • 相关性 3/10
  • 评分理由: Markov chain convergence theory is tangential to primary interests in causal inference, high-dimensional statistics, and U-statistics.

10. 2608.15339 — Learning Sequential Mobility Choice: A Review of Route and Activity Choice through Inverse Reinforcement and Imitation Learning

  • 作者: Tien Mai
  • 相关性 3/10
  • 评分理由: Inverse reinforcement learning for mobility choice is tangential to primary statistical interests.

11. 2608.17133 — The Roman Coronagraph Community Participation Program: Observation planning and data reduction for polarimetric mode

  • 作者: Ramya M Anche, Toshiyuki Mizuki, Justin Hom, Alexis Lau, Saanika Choudhary, Jaren N. Ashcraft et al.
  • 相关性 3/10
  • 评分理由: 涉及系外行星偏振测量，有数据处理流程，但纯天文应用且无统计方法论创新。

12. 2608.17057 — The Roman Coronagraph Community Participation Program: pre-launch reference star list and impact of reference star properties on post-processing performance

  • 作者: Justin Hom, Schuyler G. Wolff, Jessica Gersh-Range, Ramya M. Anche, Vanessa P. Bailey, Jean-Philippe Berger et al.
  • 相关性 3/10
  • 评分理由: 涉及参考星选择与后处理性能，有数据处理角度，但纯天文应用且无统计方法论创新。

13. 2608.17048 — The Roman Coronagraph Community Participation Program: data reduction pipeline design and implementation

  • 作者: Jason J. Wang, Maxwell A. Millar-Blanchaer, Marie Ygouf, Julia Milton, Jürgen Schreiber, Kevin J. Ludwick et al.
  • 相关性 3/10
  • 评分理由: 天文数据处理管线软件设计，有软件工程角度，但纯天文应用且无统计方法论创新。

14. 2608.15883 — A Social Network Analysis of JWST General Observer Programs: The Emergence of a Decentralized Heterarchy

  • 作者: Christopher Williams
  • 相关性 3/10
  • 评分理由: 对JWST项目的社会网络分析，属于天文社会学，无统计方法论或数据建模深度，不符合天文统计网关阅读标准。

15. 2608.14874 — Sub-Pixel Calibration of CMOS Sensors for Precision Astrometry

  • 作者: M. Shao, I. Hahn
  • 相关性 3/10
  • 评分理由: 纯天文仪器校准论文，无统计方法或数据建模维度，与研究者兴趣无关。

16. 2608.14048 — \(\texttt{Aether.jl}\) : A High-Performance 3D MHD and Multifluid Dust Code Written in a Dynamic Language with an Interactive Human-AI Development Framework

  • 作者: Ka Wai Ho
  • 相关性 3/10
  • 评分理由: 天体物理MHD数值模拟代码，与研究者统计兴趣无关。

17. 2608.13852 — CCAT: a two-octave 1.024 GHz KID readout featuring an overlap-channel polyphase synthesis filter bank on RFSoC

  • 作者: Ruixuan, Xie, Adrian K. Sinclair, James Burgoyne, Maxwell Chapman, Scott Chapman et al.
  • 相关性 3/10
  • 评分理由: 天文探测器读出电子学硬件设计，无统计内容。

18. 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RFI传播模型，有数据验证但方法为ITU标准，非统计创新，与研究者兴趣弱相关。

19. 2608.13986 — Coherence, charity and triangulation in statistical modelling

  • 作者: David J. T. Sumpter
  • 相关性 2/10
  • 评分理由: 贝叶斯统计的哲学讨论，无技术贡献，与主要兴趣无关。

20. 2608.13971 — Interval Estimation of the Common Shape Parameter and Coefficient of Variation of Several Weibull Populations under Progressive Censoring

  • 作者: Bankitdor M. Nongrum, Adarsha Kumar Jena
  • 相关性 2/10
  • 评分理由: Weibull分布参数区间估计，经典可靠性统计，与主要兴趣无关。

21. 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 2/10
  • 评分理由: Information-theoretic measures for lifetime distributions; tangential to primary interests.

22. 2608.17185 — Finite-Sample Bias Correction for Plug-in Estimators of Extropy, Rényi Extropy, and Tsallis Extropy

  • 作者: Amadou Diadie Ba
  • 相关性 2/10
  • 评分理由: Bias correction for extropy estimators; tangential to primary interests.

23. 2608.16325 — The Best Are Always the Best: COVID-19 Lockdown Stringency and the Dispersion of Olympic Medal Outcomes

  • 作者: Fernando Delbianco, Federico Fioravanti, Fernando Tohmé
  • 相关性 2/10
  • 评分理由: Sports analytics with COVID-19 stringency and Olympic medals is unrelated to primary or secondary interests.

24. 2608.17204 — On-sky demonstration of dual-field interferometry at the CHARA Array

  • 作者: Narsireddy Anugu, John D. Monnier, Douglas R. Gies, Jeremy Jones, Robert Klement, Stefan Kraus 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。

25. 2608.17152 — The Roman Coronagraph Community Participation Program: target database and tools

  • 作者: Dmitry Savransky, Rifah Tasnim, Saanika Choudhary, Hovik Grigoryan, Justin Hom, Bijan Nemati et al.
  • 相关性 2/10
  • 评分理由: 天文观测规划工具，无统计方法或数据建模内容，与研究者兴趣无关。

26. 2608.17097 — Simulating Zernike-based CWFSing with HCIPy

  • 作者: Klaus Subbotina Stephenson, Kate Jackson
  • 相关性 2/10
  • 评分理由: 波前传感模拟，纯光学工程，无统计或数据建模内容。

27. 2608.17077 — The Roman Coronagraph Community Participation Program: trials and triumphs of designing an observing program for a technology demonstration instrument

  • 作者: Schuyler G. Wolff, Vanessa P. Bailey, Justin Hom, Beth Biller, Dmitry Savransky, Julien H. Girard et al.
  • 相关性 2/10
  • 评分理由: 天文观测计划设计报告，无统计方法或数据建模内容。

28. 2608.17049 — pynucastro 3: A community library for nuclear astrophysics

  • 作者: Zhi Chen, Khanak Bhargava, Eric T. Johnson, Reth Lopes, Melissa Rasmussen, Alexander Smith Clark et al.
  • 相关性 2/10
  • 评分理由: 核天体物理软件库，与研究者兴趣无关。

29. 2608.15989 — Exact spherical-wave forward model for radio reflection from stratified media

  • 作者: Paramita Dasgupta
  • 相关性 2/10
  • 评分理由: 关于无线电波反射的物理模型，与统计兴趣完全无关。

30. 2608.15430 — Wide field Slitless Spectroscopy with JWST's MIRI

  • 作者: Andreea Petric, Sarah Kendrew, David Law, Alberto Noriega Crespo, Bryan Holler, Jane Morrison et al.
  • 相关性 2/10
  • 评分理由: 描述JWST仪器模式，纯天文仪器介绍，无统计或数据建模内容。

31. 2608.14873 — Enabling Quantitative Polarimetry for Keck/NIRC2: Preliminary Mueller Matrix Model Calibration

  • 作者: Manxuan Zhang, Briley L. Lewis, Maxwell A. Millar-Blanchaer, Eduardo Marin, Jayke S. Nguyen, William Melby et al.
  • 相关性 2/10
  • 评分理由: 天文偏振仪器校准，纯光学工程，无统计或数据科学内容。

32. 2608.13873 — Enhancing the performance and capabilities of the MIRI instrument on JWST

  • 作者: S. Kendrew, M. Engesser, K. Rowlands, A. Noriega-Crespo, M. Decleir, H. Diamond-Lowe et al.
  • 相关性 2/10
  • 评分理由: JWST仪器操作改进报告，无数据/模型维度，与研究者兴趣无关。

33. 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: ELT自适应光学控制系统工程报告，无统计或数据科学内容。

34. 2608.15990 — Gaussianization-Based Parameter Estimation for Gamma-Gamma and Lognormal-Rician Turbulence Channels

  • 作者: Maoke Miao, Bo Liu, Xinyu Zhang, Xiao-Yu Chen
  • 相关性 1/10
  • 评分理由: Parameter estimation for turbulence channels; unrelated to primary interests.

35. 2608.15769 — The Dual-Population Benchmark Model

  • 作者: Alexander Gnedin
  • 相关性 1/10
  • 评分理由: 与研究者兴趣无关，属于纯概率模型理论。

36. 2608.16312 — Regional advantage in rugby sevens: Is there a home effect when nobody is home?

  • 作者: Fernando Delbianco, Federico Fioravanti, Fernando Tohmé, Martín Trombetta
  • 相关性 1/10
  • 评分理由: Rugby sevens home advantage analysis is unrelated to any listed interest.

37. 2608.17010 — A novel technique for reflection coefficient measurement in precision cosmology

  • 作者: Adarsh Kumar Dash, Yash Agrawal, Somashekar R., Jayadev Ashok T., Keerthipriya S., Vishwapriya Gautam et al.
  • 相关性 1/10
  • 评分理由: 纯射电天文仪器校准论文，与统计兴趣无任何交集。

38. 2608.16257 — Direct Imaging and Gradient-Based Analysis of the 12 August 2026 Partial Solar Eclipse from a Freely Rotating High-Altitude Balloon

  • 作者: Bjoern Poppe, Enno Gronewold, Matti Gehlen, Jona Schrader, Delia Gauk, Lisa Cordes et al.
  • 相关性 1/10
  • 评分理由: 高空气球拍摄日偏食的简单图像分析，无统计方法论。

39. 2608.15204 — Design and Realization of the LST Main Structure for the Cherenkov Telescope Array

  • 作者: T. Schweizer, J. Eder, H. Wetteskind, C. Jablonski, R. Stadler, R. Mirzoyan et al.
  • 相关性 1/10
  • 评分理由: 望远镜机械结构设计，与统计研究完全无关。

40. 2608.15201 — Adapting the 23m LST-North mechanical structure design for the strong Chile seismic environment

  • 作者: Thomas Schweizer, Josef Eder, Teshima Masahiro, Holger Wetteskind, Razmik Mirzoyan
  • 相关性 1/10
  • 评分理由: 望远镜结构抗震设计，与统计研究完全无关。

41. 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: 纯仪器工程论文，无统计方法或数据建模内容，与研究者兴趣完全无关。

42. 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 1/10
  • 评分理由: 天文仪器定标与反演算法论文，未涉及研究者感兴趣的统计方法论。

43. 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 1/10
  • 评分理由: CMB光谱畸变探测的光学系统设计论文，无统计或数据建模内容。

44. 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 1/10
  • 评分理由: CMB光谱畸变探测的光学面包板开发论文，无统计或数据建模内容。

45. 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 1/10
  • 评分理由: CMB光谱畸变探测的热架构工程论文，无统计或数据建模内容。

46. 2608.16736 — Anti-windup PI controller for millimeter-wave adaptive optics: a Nobeyama 45 m radio telescope simulation

  • 作者: Ichiro Jikuya, Yoichi Tamura, Akio Taniguchi, Masaki Sakakibara, Akinobu Miyake, Masato Hagimoto et al.
  • 相关性 0/10
  • 评分理由: 控制工程论文，与统计兴趣完全无关。

47. 2608.16548 — Millimeter-wave adaptive optics: Demonstrating closed-loop correction for lowest Zernike modes

  • 作者: Yoichi Tamura, Akio Taniguchi, Kotaro Iwakami, Ichiro Jikuya, Shion Takeno, Sachiko K. Okumura et al.
  • 相关性 0/10
  • 评分理由: 毫米波自适应光学硬件闭环控制，无统计内容。

48. 2608.16479 — Tradeoff between segment density and IWA for high-contrast imaging of exoplanets with a large segmented space mission

  • 作者: Lucie Leboulleux, Raphaël Pourcelot, Laurent Pueyo, Bryony Nickson
  • 相关性 0/10
  • 评分理由: 系外行星成像的望远镜分段与对比度权衡，纯光学工程。

49. 2608.16297 — A NICE (Nulling Interferometry Cryogenic Experiment) update: Beyond 1e-5 and towards cryogenic operation

  • 作者: Jonah T. Hansen, Thomas Birbacher, Germain Garreau, Julio Pino-Jiménez, Emilie Bouzerand, Felix A. Dannert et al.
  • 相关性 0/10
  • 评分理由: 零差干涉仪低温实验台架，无统计内容。

50. 2608.16291 — Cryogenic characterisation for the Nulling Interferometry Cryogenic Experiment (NICE)

  • 作者: Jonah T. Hansen, Emilie Bouzerand, Adrian M. Glauser, Bastien Rouzé, Noah Stocker, Walter Bachmann et al.
  • 相关性 0/10
  • 评分理由: 零差干涉仪低温恒温器设计，无统计内容。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论