2026-08-18 每日 arXiv 资讯¶

高相关论文 10 篇 · 中相关 44 篇 · 其他 60 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 8 篇)¶

1. 2608.17999 — Transporting Trial Evidence Under Posterior Drift and Possible Hidden Confounding¶

作者: Xilin Mao, Bosen Cui, Yuhong Yang
相关性 9/10 · novelty: new_method
摘要: 本文提出一个稳健的后验漂移（posterior-drift）框架，用于将随机试验（RCT）的治疗效果估计外推至可能存在隐藏混杂的观察性目标人群。设定中，RCT 提供内部有效的锚点，而观察性研究提供目标协变量分布及部分因果对比信息；关键假设是条件效应可传递性（conditional-effect transportability）可能不成立，因此引入源特异性漂移项来刻画 RCT 与观察性研究之间的条件回归差异。为应对观察性研究中可能的隐藏混杂，作者采用 Rosenbaum 型不确定性集，通过一个关于广义倾向得分的敏感性参数来界定混杂强度，并基于极小化极大最坏情况风险准则来估计漂移项。方法上，推导了辅助 regime 下的效率结果，建立了极小化极大估计量的均匀集中性与近最优性保证，并处理了参数及光滑非参数漂移类。模拟与 ACTG 175–WIHS 应用表明，该方法比精确可传递性分析产生更谨慎且可解释的目标人群效应估计。该框架对您可能有用，因为它直接连接您 primary interest 中的因果推断（特别是 transportability 与敏感性分析），且其 minimax 估计与效率理论部分可调用您 very_familiar 的非参数统计与 minimax 界工具进行深入分析。
关键技术: posterior-drift framework, Rosenbaum-type sensitivity analysis, minimax worst-case risk, conditional-effect transportability, generalized propensity score, uniform concentration
为什么对您有用: 直接连接 primary interest 中的因果推断（transportability 与敏感性分析），且其 minimax 估计与效率理论部分可调用 very_familiar 的非参数统计与 minimax 界工具进行深入分析。中期可做：若想将漂移项建模为更高阶结构（如 U-statistic 形式），需先在 moderately_familiar 的 HOIF 或更高阶 U-statistic 理论上长肌肉。

2. 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: sharper_rate
摘要: 研究问题：在双变量线性非高斯无环模型（LiNGAM）中，给定两个线性相关的变量，需要多少样本才能以高概率确定因果方向？经典 LiNGAM 理论表明，独立非高斯扰动可识别方向，但未量化当因果效应弱或扰动接近高斯时的难度。本文建立了局部极小极大最优样本复杂度律：N_2^⋆(β,ν,δ) ≍ log(1/δ) / [d_β^2 + β^2 ν^2]，其中 β 为结构系数下界，ν 度量标准化扰动与高斯分布的距离，d_β 捕捉协方差信息带来的识别能力。该结果表明，识别难度由非高斯依赖（β^2 ν^2）和协方差信息（d_β^2）共同决定，且当 β 很小或 ν 很小时样本需求急剧增长。证明使用了局部渐近极小极大框架和 Le Cam 方法，刻画了参数空间中两个方向不可区分的邻域半径。对您有用：该工作将因果方向识别的样本复杂度刻画为可量化参数的显式函数，与您对因果推断中识别与估计的 minimax 理论兴趣直接相关，且其局部极小极大分析框架可迁移至更复杂的因果结构学习问题。
关键技术: local minimax lower bound, Le Cam's method, LiNGAM, sample complexity, non-Gaussianity measure, covariance-based identification
为什么对您有用: 直接连接到 primary interest 中的因果推断方向（LiNGAM 方向识别）和 minimax 理论。武器库中 'minimax bounds for estimation problems' 和 'estimation theory in causal inference' 可直接用于理解其局部极小极大下界构造，并可尝试将类似分析推广到多变量或含隐变量的 LiNGAM 设定。中期可做：需先在 moderately_familiar 的 'identification theory in causal inference' 上熟悉 LiNGAM 的识别条件，再动手扩展。

3. 2608.15333 — Optimal Control Variates for Survey Sampling and Causal Inference¶

作者: Jinglong Zhao
相关性 9/10 · novelty: new_method
摘要: 本文在 design-based survey sampling 和 causal inference（含网络干扰）框架下，提出了一族控制变量（control variate）估计量用于方差缩减。目标 estimand 是总体均值或 ATE，关键设定是 treatment/exposure 概率可能很小，导致 IPW 类估计量方差大。作者统一解释了 Hajek 估计量、归一化估计量、AIPW 和 TMLE 均为 Horvitz-Thompson 估计量的特殊控制变量校正形式。在此基础上，通过随机优化刻画最优控制变量的基（basis），该基由设计抽样结构和模型结果不确定性的联合特征向量决定。在网络干扰下，最优基求解一个非凸二次优化问题，作者给出了 1/2 近似解和交替局部搜索启发式。实证部分使用 Swiss Environmental Panel 和中国社交网络数据展示了显著的方差缩减。对您而言，本文提供了一个将控制变量思想系统化到因果推断方差缩减的新视角，与您 causal inference 和 efficiency theory 的兴趣直接相关。
关键技术: control variates, design-based inference, Horvitz-Thompson estimator, AIPW, TMLE, stochastic optimization
为什么对您有用: 本文直接连接您 primary interest 中的 causal inference（IPW/AIPW/TMLE 的方差缩减）和 efficiency theory（通过最优控制变量逼近 semiparametric efficiency bound）。技术武器库中 very_familiar 的 estimation theory in causal inference 可以立即用于理解其统一框架，moderately_familiar 的 semiparametric theory 可用于验证其最优控制变量是否达到效率界。中期可做：将本文的 control variate 框架与您熟悉的 higher-order U-statistics 结合，分析高阶 influence function 的方差缩减潜力。

4. 2608.18326 — Causal Mediation Analysis for an Interrupted Time Series: Stabilized Mediator Weighting with an Application to a Vehicle Emissions Policy¶

作者: Shalini Jayanetti, Sumeet Kalia
相关性 8/10 · novelty: new_method
摘要: 本文在中断时间序列（ITS）设计中提出因果中介分析方法，目标是在单一聚合时间序列下识别自然直接效应和间接效应。由于干预是确定性函数，暴露权重恒为1，暴露对比通过分段回归的水平位移识别，因此仅需对中介路径进行加权。方法上，作者提出稳定化中介权重（stabilized mediator weighting），并引入累积中介权重以携带滞后混杂历史，同时将并发事件作为第二次中断纳入模型。方差估计方面，用块残差自举法替代将估计权重视为固定的传统方差公式，保持确定性干预时间不变，对中介和结果残差进行移动块重抽样。模拟研究表明，在中介-结果混杂下，未加权的乘积系数法间接效应偏差约0.19、覆盖率仅0.003，而稳定化加权将偏差降至约0.03、覆盖率提升至0.83。应用于2019年安大略省Drive Clean车辆排放测试项目终止的案例，该方法估计出地面臭氧直接减少2.113 ppb（95%区间-3.384至-0.841），且对四个多伦多地区稳健，而通过二氧化氮的间接效应为正但异质性较大。该工作对您的主要兴趣——因果推断中的中介分析和纵向设定——有直接参考价值，特别是其处理确定性干预和时序混杂的加权策略可迁移至您的proximal CI或IV设定中的类似问题。
关键技术: stabilized mediator weighting, interrupted time series, block-residual bootstrap, segmented regression, natural direct and indirect effects
为什么对您有用: 本文直接连接您的主要兴趣——因果推断中的中介分析和纵向设定。其稳定化中介权重和块残差自举法处理确定性干预和时序混杂的策略，可用您very_familiar的估计理论（如非参数统计和因果推断中的估计理论）进行理论分析，例如检验权重估计的收敛率或推导自举法的一致性条件。中期可做：若需将方法推广至多个干预时间点或连续干预，需先在moderately_familiar的识别理论（如proximal CI中的negative control假设）上长肌肉。

5. 2608.18294 — Debiased Inference for AI-Generated Data without Gold-Standard Labels: Identification via Multiple Imperfect Measurements¶

作者: Naoki Egami, Sooahn Shin
相关性 8/10 · novelty: new_method
摘要: 本文研究 AI 生成变量在下游分析中的偏差校正问题，目标是在无金标准标签的情况下对下游参数（如回归系数、均值差）进行有效推断。核心设定是：研究者拥有多个来自不同 AI 模型（如不同 LLM）的误差性测量，且这些测量在给定真实标签和观测特征（如文本嵌入）下条件独立。基于 CP 分解的经典识别结果，该方法允许误分类率随标注方法和单元变化。估计方面，作者利用半参推断理论构造了 DMM 估计量，证明了其一致性和渐近正态性，从而支持下游常见统计分析的 valid inference。模拟表明，加入更多虽不完美但准确的测量可提升效率。本文还开发了针对条件独立性假设的诊断工具，适用于 LLM 标注的典型场景。对您而言，该工作将半参效率理论与因果推断中的 measurement error / misclassification 问题结合，且其 multiple imperfect measurements 框架与 proximal causal inference 中的 negative control 思路有深层联系，值得关注。
关键技术: CP decomposition, semiparametric inference, multiple imperfect measurements, conditional independence assumption, diagnostics for measurement error
为什么对您有用: 直接连接到 primary interest 中的 causal inference 子方向——measurement error / misclassification 是因果推断的经典难题，本文的 multiple imperfect measurements 框架与 proximal causal inference 的 negative control 设定有结构相似性（用多个代理变量替代不可观测的真实标签）。武器库中 very_familiar 的 estimation theory in causal inference 可直接用于理解其识别策略，而 moderately_familiar 的 identification theory in causal inference 可进一步评估其条件独立假设在具体应用中的 plausibility。中期可做：若想将本文的 CP 分解识别策略推广到更一般的因果结构（如 IV 或 mediation 设定），需先在 moderately_familiar 的 identification theory 上长肌肉。

6. 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 8/10 · 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，并通过随机截距捕捉组间未观测异质性。理论证明该估计量具有 oracle 性质（变量选择一致性），且基于其的 IPW 估计量相合且渐近正态。模拟显示该方法高频选择混杂因子和预后因子，同时排除工具变量和噪音变量，改善了 IPW 的有限样本效率。实证部分使用刚果民主共和国 DHS 疟疾数据验证方法。该文对您的主要兴趣——因果推断中的倾向得分估计与干扰下的识别——有直接参考价值，且其混合效应框架可迁移至您熟悉的纵向因果推断设定。
关键技术: Outcome-Adaptive Lasso, mixed-effects logistic regression, partial interference, inverse probability weighting, oracle property, covariate selection
为什么对您有用: 本文直接关联您的 primary interest 中因果推断的倾向得分估计与干扰设定。您可用 very_familiar 的非参数统计与高维渐近工具验证其 oracle property 在更弱条件下的紧性，或用 moderately_familiar 的识别理论分析其混合效应假设的可检验性。中期可做：若需将方法推广至连续治疗或多时间点，需先在 moderately_familiar 的 semiparametric theory 上加强（如 EIF 推导）。

7. 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: 针对慢性病随机试验中由死亡截断的复发非致命事件，本文定义了“存活期间” estimand（while-alive estimand），即单位存活时间内的事件负担。现有方法要么丢弃复发事件、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，构建了暴露加权存活期间率的双稳健估计量，通过增广估计方程同时估计终端事件的边际风险与存活者中的加权复发事件率，并支持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局工作模型之一正确设定时保持相合。针对整群随机试验（CRT），在信息性整群大小下定义了个人平均和整群平均两类 estimand，并基于整群层面的影响函数进行推断。建立了分量级双稳健性与渐近正态性，通过模拟验证理论，并重分析了两项已完成随机试验的数据。对您而言，该工作将双稳健估计从传统生存分析拓展到“存活期间”因果 estimand，并首次覆盖 CRT 设定，直接连接您的因果推断（纵向/中介）和 semiparametric theory 兴趣。
关键技术: doubly robust estimation, Nelson-Aalen estimator, augmented estimating equations, cluster-randomized trials, informative cluster size, influence functions
为什么对您有用: 本文直接连接您的 primary interest 中的因果推断（纵向设定下的 while-alive estimand）和 semiparametric theory（双稳健估计与影响函数）。您的技术武器库中“estimation theory in causal inference”和“semiparametric theory”（moderately_familiar）可直接用于理解其双稳健机制与影响函数推断；若想进一步拓展，可考虑用 higher-order U-statistics 的 treewidth 视角分析其估计量在复杂事件类型下的计算成本——这是中期可做，需先在“theory of higher-order U-statistics”上长肌肉。

8. 2608.15497 — Energy Balancing Weights for Mediation Analysis¶

作者: Taishi Odaka, Kentaro Sakamaki
相关性 8/10 · novelty: new_method
摘要: 本文针对因果中介分析中的自然直接效应和间接效应估计问题，提出了一种基于能量距离的权重方法（EBWMA）。在标准识别假设下，目标 estimand 是联合中介-协变量分布下的反事实均值 E[Y(1, M(0))]。EBWMA 通过求解两个顺序二次规划问题，构造权重使得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。该方法的核心机制是极小化能量距离（energy distance），这是一种基于 pairwise 距离的分布差异度量，与最大均值差异（MMD）有密切联系。模拟实验中，在非线性变换、偏态或二值协变量以及非线性中介和结果模型下，EBWMA 在偏差和均方根误差上总体优于基于梯度提升的逆概率加权和矩平衡方法，且蒙特卡洛变异性更低。在 NHANES I 流行病学随访研究的示例分析中，EBWMA 在大多数协变量和中介变量上给出了最小的标准化均值差异。该方法对您可能有用，因为它提供了一种无需显式建模的权重构造思路，可连接到您 causal inference 方向中的 mediation 子方向，且其能量距离优化框架与您熟悉的非参数统计和 minimax 估计有潜在联系。
关键技术: Energy distance, Quadratic programming, Inverse probability weighting, Moment balancing, Causal mediation analysis, Counterfactual distribution
为什么对您有用: 本文直接针对您 primary interest 中的 causal mediation 子方向，提出了一种无需建模处理分配或中介密度比的权重方法。您的 technical arsenal 中 'estimation theory in causal inference' 和 'nonparametric statistics' 可直接用于分析该方法的识别条件和估计误差（如能量距离的收敛率），而 'software development' 可用于复现和扩展其二次规划求解流程。中期可做：若想进一步推导 EBWMA 的半参数效率界或将其与正交化框架结合，需先在 'semiparametric theory' 上长肌肉。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 2608.17260 — Minimax Optimal Estimator and Improved Error Rate for the MLE in Logistic Regression with Gaussian Design¶

作者: Junren Chen, Arya Mazumdar
相关性 8/10 · novelty: sharper_rate
摘要: 本文研究高斯设计下逻辑回归的有限样本参数估计，目标是从 i.i.d. 样本中估计参数向量 θ ∈ ℝ^d，其范数 R = ‖θ‖₂ ≥ 1。首先建立了范数估计的极小极大下界 Ω(√(R³/n))。然后改进了 MLE 的范数估计误差率，从 Chardon et al. (2024) 的 O(√(R³d/n)) 改进到 Õ(√(R³/n) + R²d/n)，其中 R²d/n 项被证明是 MLE 的固有偏差。通过构造一个高效的去偏范数估计器，实现了 O(√(R³/n)) 的误差率，达到极小极大最优。结合 MLE 的最优方向估计，建立了估计 θ* 的极小极大最优率 Θ(√(Rd/n) + √(R³/n))，以及 MLE 的改进有限样本误差率。数值实验表明所提出的极小极大最优估计器优于 MLE。该工作对您的高维统计和极小极大理论兴趣有直接关联，其去偏技术可迁移到您熟悉的非参数统计框架中。
关键技术: minimax lower bound, debiased estimator, logistic regression with Gaussian design, finite-sample error rate, MLE bias correction
为什么对您有用: 本文直接关联您的高维统计和极小极大理论兴趣，特别是高斯设计下逻辑回归的精确极小极大率。您熟悉的非参数统计和极小极大界工具可直接用于验证其下界是否紧，或推广到其他广义线性模型。中期可做：将去偏范数估计技术扩展到您 moderately_familiar 的因果推断识别理论中，例如处理高维协变量下的倾向得分估计偏差。

经济理论 / 应用 (econ_theory, 1 篇)¶

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

作者: Ying Zeng
相关性 8/10 · novelty: new_method
摘要: 本文针对条件随机分配（conditional random assignment）到 urn 内同伴组（peer groups）的实证研究，提出了一个 GMM 框架用于同伴效应的估计与推断。该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），并将随机同伴组分配的检验作为特例纳入。方法允许未知异方差，并修正了有限 urn 数量下方差估计的偏差。渐近理论允许同伴组数量通过增加 urn 数、组内组数或两者同时增长而增长。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，发现正的总同伴效应中，情境效应被负的内生效应部分抵消。
关键技术: GMM estimation, conditional random assignment, peer effects identification, finite-urn bias correction, 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 secondary interest 中经济学的实证方法论文。它处理的是条件随机分配下的同伴效应识别与推断，与您 primary interest 中的因果推断（特别是 IV 和识别策略）有方法学上的连接。武器库中 'estimation theory in causal inference' 和 'identification theory in causal inference' 可以直接用于理解其 GMM 识别策略和有限 urn 偏差修正。作为 gateway reading，本文清晰阐述了模型设定和识别条件，适合作为进入应用微观经济学同伴效应文献的入门读物，值得花时间阅读全文。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 8 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 部署后用户参与度提升的因果效应识别问题，提出一种利用同一模型版本内不同能力维度（如 coding vs. writing）改进不均匀性作为因果信号的估计方法。核心设定是：用户因任务分布不同而经历差异化的质量提升，从而提供 within-version 的因果变异。估计器基于用户层面的任务类型与质量改进的交互作用，通过 synthetic data 验证 ground truth 恢复能力。原始估计器恢复 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 去衰减校正（test-retest reliability ratio 均值 0.861）后校正至 1.017（bootstrap 95% CI: 0.915-1.109）。对比 naive 方法（无版本控制恢复 63%，使用实时而非冻结使用模式恢复 62%）显著更优。置换检验确认框架能区分真实因果效应与噪声；敏感性分析显示前周期从 3 周增至 7 周时恢复率从 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随机实验的 LLM 部署场景下利用自然变异进行因果识别的思路，与您的 causal inference 中 IV/mediation 方向中利用异质性作为识别策略的思路相通。
关键技术: within-version causal estimator, errors-in-variables disattenuation, synthetic data validation, permutation test, sensitivity analysis
为什么对您有用: (1) 直接连接到 primary interest 的 causal inference 子方向——利用模型版本内能力改进不均匀性作为因果信号，类似于 IV 或自然实验中的异质性识别策略，是 LLM 部署场景下因果推断的新应用。 (2) 武器库中 very_familiar 的 estimation theory in causal inference 可直接用于分析该估计器的识别假设和偏差结构（如测量误差校正的合理性），而 moderately_familiar 的 identification theory 可帮助评估其识别策略的稳健性。 (3) 中期可做：若想将此类 within-version 异质性思路推广到更一般的因果框架（如连续处理或动态处理），需先在 moderately_familiar 的 semiparametric theory 上长肌肉（特别是处理效应异质性的非参数识别与估计）。

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 7/10 · novelty: new_method
摘要: 本文针对随机临床试验中的生存数据，提出两种非参数置信区间来量化治疗效果：加法移位 c 和乘法因子 ρ。方法通过反转 log-rank 检验在常数治疗效应的 sharp null 假设下构建区间，基于 Li and Small (2023) 的随机化推断框架。区间仅依赖随机化分布即可保证有效性，无需对事件时间分布做任何假设。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，即使数据生成过程违背参数 AFT 模型假设，效率损失也较小。与参数 AFT 推断相比，在正确设定下仅适度损失效率。文章用 rhDNase 治疗囊性纤维化的随机试验数据展示方法，并提供 R 代码和 Shiny 应用。对您而言，这是因果推断中随机化推断与生存分析结合的一个干净案例，可直接迁移到您熟悉的 IV 或纵向设定中处理时间-事件结局。
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 primary interest 中的因果推断（随机化试验中的效应估计）和假设检验（log-rank 检验的反转）。技术武器库中 'estimation theory in causal inference' 和 'nonparametric statistics' 可立即用于理解其非参数区间构建逻辑，并考虑将其扩展到 IV 或 proximal 设定中的生存结局。中期可做：若想推广到更复杂的识别策略（如工具变量），需先在 'identification theory in causal inference' 上长肌肉。

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问题，提出了一套贝叶斯框架。研究设定中，处理变量为数字营销激励（免运费 vs. 价格折扣），存在因未打开邮件导致的 treatment non-compliance，以及多个纵向中介变量和零膨胀的中介/结局变量。方法核心是使用 enriched Dirichlet process mixture models 对复杂的分布进行灵活建模，并通过可扩展的 G-computation 算法估计因果 estimands（如自然直接效应和间接效应）。作者展示了忽略邮件打开行为会显著低估处理效应，且免运费激励在累积购买金额上持续优于价格折扣。最后，基于估计的因果参数设计了个体化的序贯邮件发送策略以优化期望购买次数。对您而言，本文提供了一个处理实际纵向因果推断中 non-compliance、零膨胀和多重中介的完整贝叶斯分析管线，其 G-computation 和 mixture modeling 思路可迁移至流行病学队列或经济行为研究中的类似复杂设定。
关键技术: Bayesian causal mediation, enriched Dirichlet process mixture model, G-computation algorithm, zero-inflated longitudinal data, treatment non-compliance, individualized sequential policy
为什么对您有用: 本文直接连接您 causal inference 兴趣中的纵向数据、多重中介和 non-compliance 子方向。您的 technical_arsenal 中 'estimation theory in causal inference' 和 'identification theory in causal inference' 可用来审视其贝叶斯 G-computation 的识别假设是否可被半参数方法替代或放松。中期可做：若想将本文的贝叶斯框架与您熟悉的 HOIF 或 semiparametric theory 结合，需先在 moderately_familiar 的 'semiparametric theory' 上深入理解 influence function 在零膨胀模型中的形式。

4. 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方法，用于约束式因果发现（PC/FCI 算法）。传统方法如偏相关和 GCM 仅检测残差的条件协方差，无法捕捉非线性均值、尺度或尾部结构中的依赖。GFCM 在 GCM 框架下引入一组条件均值为零的残差特征（中心化矩和条件分位数指示变量），通过分块组合和 Cauchy 规则合并，并使用增长结点样条作为 nuisance 函数，回归计算成本可控。关键贡献包括：(i) 对尺度特征进行中心化，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 能恢复检测类别的 CPDAG；(iv) 在合成数据、半合成尾部注入和随机 DAG 上系统比较了多种 CI 检验。实验表明，GFCM 能恢复协方差族遗漏的尺度和尾部边，在 PC 的深层条件集下仍保持功效，且随 n 增长校准良好，而 FFCI、boosted GCM 和 partial copula 检验均出现校准偏移。该方法直接处理混合型数据，在规模化的 PC 中发现中达到最低的骨架 SHD。对您而言，该工作直接连接因果推断中的条件独立性检验这一核心工具，其 Neyman 正交化技巧和 Phi-忠实性理论可迁移至您熟悉的 proximal CI 或 IV 设定中的 sensitivity analysis。
关键技术: Generalised Covariance Measure (GCM), Neyman orthogonality, conditional independence test, PC algorithm, Cauchy combination test, spline nuisance estimation
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 算法的核心）。技术层面，您 very_familiar 的 estimation theory in causal inference 和 nonparametric statistics 可直接用于分析其 Neyman 正交化步骤的 finite-sample 性质，以及样条 nuisance 的收敛率对检验功效的影响。中期可做：若您先在 moderately_familiar 的 semiparametric theory 上加强（特别是 influence function 的 double robustness 理解），可进一步推导 GFCM 在 high-dimensional 或 longitudinal 设定下的变体。

5. 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，提出了一种简单且稳健的方法。在MRCT中，区域监管机构更关心本区域的特定治疗效应，但仅使用本地数据估计效率低，而简单合并所有区域数据则需强假设且易引入偏倚。作者在双臂随机MRCT设定下，利用一个工作回归模型纳入基线协变量及其他区域的数据信息以提高效率。该模型通过交互项刻画区域间在治疗效应和协变量效应上的差异，并采用自适应lasso识别零交互项，从而实现选择性借用其他区域的信息。所提的区域治疗效应估计量在工作模型误设下仍保持相合性和渐近正态性，且当区域间存在零交互项（即相似性）时，能比纯本地估计更高效。该工作为因果推断中异质性处理效应的估计提供了新思路，尤其适用于多中心或分层数据场景。
关键技术: adaptive lasso, working regression model, selective borrowing, interaction terms, consistency under misspecification
为什么对您有用: 本文直接关联您因果推断兴趣中的异质性处理效应估计与纵向/多区域数据。其核心思想——通过正则化识别零交互项实现选择性信息借用——可迁移至您武器库中'非参数统计'和'因果推断中的估计理论'，例如在proximal CI或多中心IV设定中处理区域/中心间异质性。中期可做：需先在'moderately_familiar'的'因果推断中的识别理论'上巩固对交互项识别条件的理解。

6. 2608.15439 — Outcome Modeling in Design-Based Inference for Spatial Settings¶

作者: Arisa Sadeghpour, Erin Hartman
相关性 6/10 · novelty: weaker_assumption
摘要: 本文聚焦于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) 提出的基于设计的框架虽然声称是设计无偏的，但其 estimand 依赖于不可直接观测的潜在结果，因此必须引入结果建模（outcome modeling）。当使用模型预测结果时，即使是通常设计无偏的 Horvitz-Thompson 估计量也会因建模误差而产生偏差。通过模拟研究发现，估计量的偏差随观测结果密度（resolution）增加而衰减，但随干预单元数量增加并不衰减；标准误则收敛到 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，并给出了实践建议。本文对您可能有用：它揭示了空间因果推断中设计无偏性与结果建模之间的张力，直接关联到您的因果推断（特别是干扰下的识别与估计）和半参数理论兴趣。
关键技术: design-based inference, spatial interference, Horvitz-Thompson estimator, outcome modeling, spillover effects
为什么对您有用: 本文直接连接到您的 primary interest 中的因果推断子方向——空间干扰下的处理效应估计，这是标准 SUTVA 假设不成立时的关键设定。从技术武器库看，您可以用 very_familiar 的 minimax bounds 工具来分析结果建模误差随空间密度衰减的最优速率，或用 semiparametric theory（moderately_familiar）来推导该设定下的效率界。中期可做：需先在 moderately_familiar 的 identification theory 上长肌肉，以理解空间干扰下 estimand 的可识别性条件。

7. 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: 本文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方法（EPSMI）。在ICH E9(R1)治疗策略估计目标下，标准序贯MI要求每个患者至少有一个基线后观测，这被早期脱落模式违反。EPSMI通过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，在八种序贯MI模型中进行插补。评估了两种策略：EPSMI-Full（从供体插补整个轨迹）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比较了MMRM、标准MI、排除早期脱落后的序贯MI（No Early）和EPSMI。在随机早期脱落下，两种EPSMI策略均降低了偏差；在信息性早期脱落下，EPSMI-Y1保持稳健，覆盖率和No Early相当且I类错误膨胀轻微，而EPSMI-Full因确定性重构导致方差低估、覆盖下降和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。该方法对您在纵向因果推断中处理缺失数据、特别是治疗策略估计目标下的敏感性分析有直接参考价值。
关键技术: sequential multiple imputation, treatment policy estimand, pattern-mixture model, covariate matching, missing data in longitudinal trials
为什么对您有用: 本文直接关联您的primary interest中纵向因果推断的缺失数据处理问题，特别是ICH E9(R1)治疗策略估计目标下的实际挑战。您武器库中'identification theory in causal inference'和'estimation theory in causal inference'可直接用于评估EPSMI的识别假设（如MAR vs. MNAR）和估计偏差，而'nonparametric statistics'可用于分析协变量匹配的渐近性质。中期可做：若想将EPSMI与更现代的debiased ML或正交估计量结合，需先在'semiparametric theory'上长肌肉以推导其影响函数。

8. 2608.15500 — Generalized Hierarchical Conformal Prediction¶

作者: Soham Mallick, Eric Tchetgen Tchetgen, Edgar Dobriban, Yonghoon Lee
相关性 4/10 · 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）无法利用目标组内已收集的少量观测，因为其所需的对称性条件不满足。GHCP 通过为目标组随机“捐赠”一个参考组大小来恢复共形推断所需的对称性，并利用目标组内的初始观测改进非一致性分数的质量。为提高效率，文章引入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目标组样本量不足的场景。
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问题，特别是纵向或分组数据中目标组样本量有限时的推断。技术武器库中的非参数统计和估计理论可用于分析 GHCP 的覆盖率和效率，而更高阶 U 统计量的树宽视角可能为理解捐赠机制的计算成本提供新思路。中期可做：需先在 moderately_familiar 的识别理论上长肌肉，以将 GHCP 扩展到因果 estimand 的预测区间。

高维统计 / 随机矩阵 (high_dim_rmt, 3 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 7/10 · novelty: new_method
摘要: 在高维线性回归 y = Xβ + ε 中，回归系数 β 的分量独立同分布自未知的次高斯先验，目标是在设计矩阵 X 耦合了潜在系数的情况下估计该先验。本文提出经验贝叶斯矩方法（EBMoM），通过一个下三角估计方程组递归估计先验矩，计算复杂度为 O(np²)。在温和的设计条件下（包括一大类相关随机设计），EBMoM 在 n ≥ p^{1-o(1)} 时一致估计出渐增多个矩，从而恢复先验本身。信息论下界表明该次线性样本复杂度对非参数先验估计是最优的，改进了似然方法需要 n = Ω(p) 线性样本量的结果。该工作将矩估计与高维随机设计结合，对您的高维统计和随机矩阵理论兴趣有直接参考价值。
关键技术: Empirical Bayes Method of Moments, lower-triangular estimating equations, sub-linear sample complexity, information-theoretic lower bound, correlated random designs
为什么对您有用: 直接连接高维统计与随机矩阵理论：论文在相关随机设计下建立了矩估计的次线性样本复杂度，并给出了匹配的信息论下界。武器库中'高维渐近'和'minimax bounds'可直接用于验证其下界是否紧，或推广到其他先验族。中期可做：若想将方法推广到非独立同分布先验或非线性模型，需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

2. 2608.16137 — Generalized Linear Models for Extremes: Estimation and Inference in High Dimensions¶

作者: Liujun Chen, Chen Zhou
相关性 6/10 · 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与推断。模型假设协变量通过一个链接函数线性地缩放尾部尺度，而尾部形状（重尾、轻尾、短尾）保持非参数形式，无需预先指定。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高维情形。由于仅使用超过随机阈值的尾部观测，样本具有依赖性，经典惩罚GLM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，该估计量渐近正态，可用于单个系数的置信区间构建。渐近方差由得分的协方差决定，与Hessian矩阵不同，需单独估计。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, high-dimensional inference
为什么对您有用: 本文连接高维统计与极值理论的交叉点，属于高维统计（primary interest）中'高维推断'子方向。武器库中'高维渐近'（very_familiar）可直接用于理解其收敛速率推导，而'去偏Lasso'的渐近正态性证明与您的semiparametric efficiency理论（moderately_familiar）有技术共鸣——可中期可做：需先在'高维渐近'上巩固对随机阈值依赖样本的处理技巧。

3. 2608.16672 — The Bethe-Hessian down to the Percolation Threshold¶

作者: Dingding Dong, Theo McKenzie
相关性 5/10 · novelty: sharper_rate
摘要: 本文研究稀疏随机块模型（SBM）中 Bethe-Hessian 矩阵负特征值个数与 planted 模型特征值个数的对应关系。Bethe-Hessian 是一种对称矩阵，其负谱已被观察到能编码稀疏 SBM 的社区结构。作者证明，当所有顶点的期望度 d>1 时，Bethe-Hessian 的负特征值个数恰好等于 planted 模型落在 bulk 谱外的特征值个数。条件 d>1 是最优的，且与现有基于更大非 Hermitian 矩阵的谱方法适用的区域一致。该结果将 Stephan 和 Zhu 在 d≥2 条件下的结论推广到了渗流阈值。技术核心包括：在 2-core 上构造测试向量（此处度波动显著更小），然后将其扩展到全图并控制二次型；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，系数适应每个相关的 planted 特征值，从而在稀疏区域控制测试向量的波动。对您而言，本文是随机矩阵理论在稀疏图/网络社区检测中的前沿进展，与您的高维统计和随机矩阵理论兴趣直接相关，且其 2-core 构造技巧可能对处理稀疏设定下的谱方法有启发。
关键技术: Bethe-Hessian matrix, stochastic block model, spectral clustering, 2-core decomposition, Markov random field, percolation threshold
为什么对您有用: 本文直接连接您的高维统计与随机矩阵理论兴趣，具体在稀疏图谱方法的理论极限上。您武器库中'高维渐近'和'逆问题'的功底可用于理解其谱分析框架；'minimax bounds'可用于验证 d>1 条件的最优性。这是一篇理论结果，立即可做：用您熟悉的随机矩阵和谱方法工具即可深入理解其证明策略，无需额外学习新武器。

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 4/10 · 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Chebyshev系统理论已给出n分量混合最多n个模态的紧界；但在多维情形，模态有限性长期未决。作者证明各向同性高斯混合的临界点集（包括模态）是有限的，核心工具是实解析曲线选取定理与Ax函数超越性定理。作为应用，该结果直接推出：基于有限数据的高斯位置混合非参数最大似然估计（NPMLE）的支撑集有限，且所有NPMLE共享同一有限原子位置集合。该证明不依赖混合分量数的先验上界，而是从代数几何角度刻画临界方程的解结构。对您而言，该工作展示了实代数几何与函数超越性理论在非参数统计中的新颖应用，与您的非参数/半参数理论兴趣直接相关，且NPMLE支撑有限性这一结论对高维混合模型的算法设计有潜在影响。
关键技术: real analytic curve selection theorem, Ax's functional-transcendence theorem, Chebyshev systems, nonparametric maximum likelihood estimator (NPMLE), Gaussian location mixture
为什么对您有用: 直接连接您的非参数/半参数理论兴趣——NPMLE的支撑有限性是非参数估计理论中的经典问题，本文用代数几何工具给出了一个干净的理论结果。武器库中'非参数统计'和'minimax bounds for estimation problems'可用来评估该有限支撑性质对估计收敛速率的影响（例如是否导致NPMLE的收敛速度退化）。中期可做：若想将类似代数几何方法推广到其他混合族（如t分布或非对称分布），需先在moderately_familiar的M-estimation理论上补足对混合模型识别性的理解。

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

1. 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 5/10 · novelty: new_method
摘要: 本文针对有限离散随机变量，提出了 extropy（信息论中熵的对偶度量）及其两种推广形式——α-Rényi extropy 和 α-Tsallis extropy——的非参数估计方法。估计量采用 plug-in 形式，即直接用经验概率质量函数代入定义式。作者建立了该估计量的几乎必然收敛速率和渐近正态性，给出了具体的收敛阶条件。理论结果通过模拟研究验证，展示了有限样本下的表现。该工作为 extropy 类度量在预测、风险评估和不确定性决策中的实际应用提供了统计推断基础。对您而言，这是一篇经典的非参数 plug-in 估计理论文章，技术工具（几乎必然收敛、渐近正态）与您熟悉的非参数统计和假设检验方向直接相关，但问题本身（extropy 估计）与您的主要兴趣交集有限。
关键技术: plug-in estimator, almost sure convergence, asymptotic normality, extropy, Rényi extropy, Tsallis extropy
为什么对您有用: 本文属于 hypothesis_testing 大类下的非参数估计理论，与您 primary interest 中的 mathematical statistics (hypothesis testing) 有方法学重叠。但问题设定（离散有限支撑、extropy 度量）与您武器库中的核心工具（高维、U-statistic、因果推断）距离较远。暂不可做：核心机器（extropy 的渐近理论）不在您的武器库中，且该方向本身并非您的主要兴趣增长点。

2. 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_theory
摘要: 本文研究混合来源大语言模型文本中的水印定位问题，将其形式化为基于枢轴统计量的词元级多重检验问题，其中每个位置有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三个指数刻画的新颖渐近框架下，推导了全局检测的锐利边界，以及发现（至少定位一个水印位置）和分类（精确识别所有水印位置）的相变条件。核心理论发现是：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在整个参数区域内不可能。方法上，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，在模型生成文本上的实验展示了常见编辑机制下的实际定位性能。该问题与您在高维假设检验和多重比较方面的兴趣直接相关，其相变分析框架和自适应阈值方法对您研究信号检测的锐利边界问题有参考价值。
关键技术: multiple testing, pivot statistics, phase transition, adaptive thresholding, sparse signal detection, asymptotic exponents
为什么对您有用: 本文属于假设检验方向，直接连接您在高维统计和多重比较方面的兴趣。其核心贡献——在稀疏信号下推导检测与发现的相变边界——可用您非常熟悉的minimax bounds工具来验证其最优性是否紧。中期可做：若想将自适应阈值方法推广到更一般的依赖结构，需先在moderately_familiar的M-estimation理论上长肌肉（处理依赖数据的阈值选择）。

3. 2608.18243 — Evaluating Spacing Tests of Multi-Modality¶

作者: Greg Kreider
相关性 4/10 · novelty: minor
摘要: 本文提出基于数据间距（spacing）的多模态检验方法，目标是在无分布假设下检测数据中模态的数量与位置。方法包括参数化检验、基于游程（runs）的非参数检验以及数据驱动检验，核心思想是模态内部间距一致、模态之间间距增大。通过控制双峰设置的参数变化评估检验的分辨率与敏感性，并在文献中大量多模态测试案例上验证稳定性与一致性。同时评估了特征在原假设下分布模型的准确性。结果表明间距确实反映数据模态，检验能筛选边缘案例，并明确了分析失效的边界。对您而言，这是一篇经典假设检验问题的方法论文，可连接您对非参数检验与高维统计的兴趣，但方法学新颖性有限。
关键技术: spacing-based modality test, runs test, nonparametric hypothesis testing, multimodality detection
为什么对您有用: 本文属于假设检验方向，直接连接您对非参数检验的兴趣。但方法学贡献较浅（基于间距的游程检验），武器库中非参数统计与高维渐近工具可轻松覆盖，但缺乏理论深度（无minimax率或效率分析），属于暂不可做——核心机器（如empirical process、U-statistic投影）未用到，不值得深入跟进。

4. 2608.18228 — Using Spacing to Detect Multi-Modality¶

作者: Greg Kreider
相关性 4/10 · novelty: new_method
摘要: 本文提出一种基于样本间距（spacing）的多模态检测方法。核心思想是：单峰分布的间距呈“U”形（中间平坦、尾部快速上升），而多峰分布会在模态过渡处产生局部间距峰值。作者开发了多种检验统计量，包括基于假设零分布（如正态）的参数模型、基于间距符号差分的游程（runs）或最长游程的非参数检验，以及通过游程置换或bootstrap进行特征重构。此外，还尝试结合变点检测器来识别间距行为的变化点。论文详细描述了间距处理流程、模型与检验方法，并给出了示例和性能总结。该方法为多模态检测提供了一种直观且计算简单的非参数工具，尤其适用于探索性数据分析。对您而言，本文属于假设检验领域的一个新颖非参数方法，其基于间距的游程检验思路可能对您在高维或U-统计量框架下的检验问题有启发。
关键技术: spacing-based test, runs test, longest run statistic, changepoint detection, bootstrap feature reconstruction
为什么对您有用: 本文直接关联您对假设检验的兴趣，提出了一种基于间距的、计算简单的多模态检测方法。其游程检验和bootstrap重构思路，可视为非参数检验的一个新变体，您可以用熟悉的非参数统计和U-统计量工具（如投影方法）来分析其检验势和渐近性质。中期可做：若想深入理论，需先在moderately_familiar的U-统计量理论上加强，以推导其检验统计量的渐近分布。

5. 2608.17784 — Blinded sample size review for McNemar's test based on primary and surrogate endpoints¶

作者: Markus Schepers, Werner Brannath, Esther Hoffmann, Julia Stingl, Irene Schmidtmann
相关性 4/10 · novelty: application
摘要: 本文针对配对二值数据的 McNemar 检验，在中期分析时仅有部分患者的主终点数据可用、其余仅有替代终点数据的情况下，提出了盲态样本量重估策略。首先推导了给定主终点数据时条件检验功效的解析表达式，并据此给出样本量调整规则，证明该规则能控制第一类错误率并达到预设目标功效。进一步，当中期仅有替代终点数据时，利用替代终点到主终点的转移率（从子样本估计）对所有可能的主终点不一致对数进行条件化，导出基于替代终点的条件功效和样本量规则。方法在儿童青光眼临床试验的实例中进行了说明。对您而言，本文属于假设检验中样本量重估的经典问题，与您 primary interest 中的 hypothesis testing 直接相关，但方法学 novelty 有限，可作为应用案例参考。
关键技术: McNemar's test, blinded sample size re-estimation, conditional power, surrogate endpoint, transition rates
为什么对您有用: 本文属于假设检验中样本量重估的经典问题，与您 primary interest 中的 hypothesis testing 直接相关。但方法学 novelty 有限（主要是 McNemar 检验的特定场景扩展），且未涉及您武器库中的高维或半参工具。暂不可做：核心机器不在武器库里（缺临床试验样本量重估的专门知识）。

统计计算 / 算法 (stat_computing, 7 篇)¶

1. 2608.18018 — Scalable Heteroskedastic Gaussian Process Models for Large Inhomogeneous Datasets¶

作者: K. Potter, K. R. Moran, R. Ulrich, D. C. Stenning, D. Bingham, L. Castro et al.
相关性 5/10 · novelty: new_method
摘要: 本文提出 HetNV（Heteroskedastic Normalized Vecchia GP），一个可扩展的高斯过程回归框架，专门处理输入依赖的异方差噪声。核心思路是将 Vecchia 似然近似与残差基的非参数方差估计结合：先用带观测特定 nugget 的 Vecchia GP 估计潜在均值，再通过对稳定化的 log 平方残差伪响应（考虑了 kriging 不确定性和当前 nugget 估计）进行平滑（一维 LOESS，二维薄板样条 GAM）来估计 log 噪声方差。算法在均值和方差更新之间交替，避免了隐变量推断。对于固定邻域大小 m 和观测数 n，每次迭代的主导成本是 Vecchia 更新，复杂度 O(n m^2)。模拟表明，相比同方差 Vecchia 模型，HetNV 能更好地恢复输入依赖的不确定性，同时保持有竞争力的均值预测精度。应用于航天器等离子体测量数据，展示了局部自适应不确定性估计如何影响大规模、嘈杂、异方差环境中的下游信号检测决策。对您而言，本文提供了一个实用的异方差 GP 计算框架，其交替更新策略和残差平滑技巧可直接迁移到您在高维统计计算中处理大规模异方差数据时的建模需求。
关键技术: Vecchia approximation, heteroskedastic Gaussian process, nonparametric variance estimation, LOESS smoothing, thin plate spline GAM, residual-based pseudo-responses
为什么对您有用: 本文直接关联您的统计计算兴趣，特别是大规模异方差数据的可扩展建模。您武器库中'软件开发和逆问题'的熟悉度可用于实现或扩展 HetNV 框架，例如将其与您的高阶 U 统计量计算结合，处理更复杂的噪声结构。中期可做：需要先在 moderately_familiar 的 M 估计理论上长肌肉，以严格分析交替更新算法的收敛性。

2. 2608.16337 — High-Dimensional Assisted Learning for Vertically Distributed Data with Blockwise Missingness¶

作者: Yuwen Long, Shuyuan Wu, Yin Xia
相关性 5/10 · novelty: new_method
摘要: 针对纵向分布数据中特征块缺失且响应变量部分缺失的联合分析问题，提出 Assisted Learning with Block-Missing Data (ALB) 方法。目标是在不合并原始记录、不依赖协调服务器的条件下，实现稀疏高维线性模型的估计与坐标推断。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) 个样本级线性汇总统计量（与维度 p 无关），迭代几何收敛到集中式解。推导了估计误差的统计误差与优化误差分离的收敛速率。在稀疏性和重叠条件下，即使无完整观测样本，学生化估计量仍以 sqrt(n) 速率渐近标准正态。还研究了单次扰动协变量与响应释放以降低直接披露风险。模拟与 ADNI 多模态数据分析表明 ALB 接近集中式基准，且优于仅用完整样本的 Lasso。对您而言，本文的通信高效框架与块缺失下的推断理论可直接迁移至您熟悉的分布式因果推断或高维估计场景，且其样本级汇总统计量的设计思路与您软件开发的工程经验高度契合，属于立即可做的方向。
关键技术: cyclic block coordinate descent, sample-level linear summaries, available-case quadratic loss, debiased Lasso for precision matrix estimation, one-time perturbation for privacy
为什么对您有用: 本文属于统计计算与分布式推断的交叉方向，直接连接到您 primary interest 中的统计计算与高维统计。其核心机制——每轮通信仅传输 O(n) 个样本级线性汇总统计量——与您 very_familiar 的软件开发和 einsum 复杂度分析高度契合，您可立即评估该通信方案在更高阶 U-统计量或张量分解场景下的推广可行性。中期可做：若需将方法扩展到非线性模型（如广义线性模型），需先在 moderately_familiar 的 M-估计理论上长肌肉。

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等非正态响应族中面临数值不稳定和计算成本过高的困境，且缺乏可处理的算法。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，所需条件矩通过解析或Monte Carlo积分获得，完全避免了全联合似然的计算。模拟实验表明，TSQL-EM在均方误差和结构偏差上优于现有方法，同时大幅降低计算时间，为复杂潜变量模型提供了可扩展的稳定方案。对您而言，该工作展示了在非标准响应族中通过分阶段策略绕过高维联合似然计算瓶颈的通用思路，与您统计计算兴趣中的数值方法和算法设计直接相关。
关键技术: Two Stage Quasi-Likelihood EM, marginal quasi-likelihood estimating equations, Monte Carlo integration for conditional moments, latent variable approximation, generalized structural equation models
为什么对您有用: 本文属于统计计算方向，直接对应您primary interest中的'statistical computing (numerical methods, algorithm)'。其核心贡献在于为高维GSEM提供了一种可扩展的数值算法，您可以用'very_familiar'中的'软件开发和逆问题'经验来复现或扩展其Monte Carlo积分部分。中期可做：若想将类似的分阶段策略推广到您的因果推断设定（如proximal CI中的潜变量处理），需先在'moderately_familiar'的'identification theory'上加强，以验证分阶段估计是否保持识别性。

4. 2608.17961 — Hamiltonian dynamics for sampling on discrete spaces¶

作者: Raphaël Barboni, Sebastiano Grazzi, Giacomo Zanella
机构: Bocconi University
相关性 5/10 · novelty: new_method
摘要: 本文针对离散状态空间（如超立方体、排列空间）提出了一类非可逆哈密顿蒙特卡洛（HMC）动力学方法。该方法通过引入连续动量变量来增广离散状态，无需将离散空间连续嵌入，从而避免了传统HMC在离散设定下的梯度计算困难。作者建立了目标分布不变性的条件，并从遍历性、指数收缩性、渐近方差和松弛时间等角度分析了所提过程的收敛性质。在细粒度格点和超立方体两种高维设定下，合适的重标度使得离散动力学收敛到连续空间中的哈密顿动力学，揭示了从扩散到弹道的加速效应——即使对于标准非可逆方法会退化为扩散的异质性目标分布也是如此。所提动力学可在连续时间下精确模拟（需访问当前状态所有邻居的目标分布），为降低计算成本还提供了基于分裂、τ-leaping和梯度近似的近似方案。数值实验展示了在高维超立方体、混合模型和排列空间上的性能。该工作为离散空间上的高效MCMC采样提供了新工具，与您的统计计算（算法）兴趣直接相关，且其非可逆加速机制可能启发您在高阶U-统计量的计算中设计更高效的采样策略。
关键技术: non-reversible Hamiltonian Monte Carlo, discrete state spaces, piecewise deterministic Markov processes, scaling limits, diffusive-to-ballistic speed-up, τ-leaping approximation
为什么对您有用: 本文属于统计计算（算法）方向，直接对应您的primary interest中的'statistical computing (numerical methods, algorithm)'。您对MCMC方法（尤其是非可逆HMC）在离散空间上的理论分析（遍历性、缩放极限）和计算加速机制感兴趣。您的武器库中'软件开发和计算'能力可用于实现其近似方案，而'高阶U-统计量的树宽/张量收缩'视角可能为评估其计算复杂度提供新思路。中期可做：需先在'moderately_familiar'的MCMC理论（如PDMP过程）上提升，但核心算法思想可直接尝试复现。

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

作者: Ben O'Neill
相关性 4/10 · novelty: minor
摘要: 本文提出将分位数分层抽样（quantile-stratified sampling）扩展到多元分布模拟中，目标是在保持边缘分布分位数分层结构的同时生成具有空间填充和良好覆盖性质的多元样本。核心方法是通过对每个边缘分布独立进行分位数分层，再通过某种组合机制（如随机排列或 Copula 结构）将分层样本组合成多元样本，从而在无额外计算负担下改善 IID 抽样的覆盖性能。作者通过有序对数密度值图比较了该方法与 IID 抽样的覆盖表现，展示了分层抽样在多元情形下的优势。该方法本质上是一种低偏差采样策略，与拉丁超立方抽样（LHS）有相似动机但更强调分位数层的均匀覆盖。对您而言，本文属于统计计算中的数值模拟方法改进，虽然不直接涉及高维理论或因果推断，但其空间填充思想可能对您在高维 U-统计量或张量收缩的数值实验中生成更高效的模拟样本有参考价值。
关键技术: quantile-stratified sampling, space-filling design, multivariate simulation, coverage properties, Latin hypercube sampling
为什么对您有用: 本文属于统计计算中的数值模拟方法，与您的 secondary interest 中的 statistical computing 直接相关。虽然方法本身较为简单（分位数分层 + 多元组合），但空间填充和覆盖性质是您在高维 U-统计量数值实验或张量收缩模拟中可能需要的采样策略。武器库中的 software development 和 high-dimensional asymptotics 可支撑您快速实现并测试该方法在您的模拟场景中的效果。本文适合作为入门级阅读，值得花时间读全文以评估其是否可融入您的数值实验工具箱。

6. 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 4/10 · novelty: new_method
摘要: 本文在 NASA 提出的 Sliced Normal (SN) 分布框架上做了三项改进，目标是让多元分布建模在保持解析可处理性的同时更可靠、可扩展。第一，将 SN 参数估计重新表述为半正定矩阵上的凸优化问题，替代了原非凸似然搜索，使标准优化工具可直接使用。第二，通过 Stone–Weierstrass 型论证证明了 SN 类在紧致域上具有通用逼近能力，明确了其表达力。第三，提出高维拟合流程：将变量划分为近似独立的子组，在各子组内拟合 SN 模型，再通过跨块补全步骤组装子组模型以恢复残差依赖。在 NASA 飞行失控数据上展示了该方法在低维切片和高维块组装模型中捕捉非线性依赖模式的能力。对您而言，本文的凸优化重参数化思路和块组装策略是统计计算中处理高维非高斯分布的具体技术，可作为您软件开发和数值方法兴趣的参考案例。
关键技术: Sliced Normal distribution, convex optimization over PSD matrix, Stone-Weierstrass approximation, block-assembled modeling, cross-block completion
为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的 statistical computing。其凸优化重参数化技巧和块组装策略是您 very_familiar 的软件开发和数值方法可以立即复现或扩展的具体技术。中期可做：若您想将 SN 框架与您熟悉的 higher-order U-statistics 的 tensor-contraction 成本模型结合，需先在 moderately_familiar 的 M-estimation theory 上补足对非凸似然替代优化的理解。

7. 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，一个基于球面网格的可微断层投影器，专门用于行星和太阳断层成像。传统断层重建库多基于笛卡尔网格，不适用于球对称或球壳结构的天体场景。TomoSphero 支持锥束、平行束等常见投影类型，并允许任意投影路径，灵活性高。该工具在 PyTorch 中实现，利用 GPU 加速投影计算，并内置自动微分，便于集成现代机器学习优化器进行参数化模型快速原型设计。作者展示了在合成数据和真实行星数据上的重建效果，验证了其精度和效率。对您而言，这是一个统计计算方向的实用工具，尤其适合需要球面几何约束的逆问题，且其可微设计可直接与您的非参数估计或因果推断中的优化流程结合。
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: 本文属于统计计算方向，直接对应您的 primary interest 中的 'statistical computing (numerical methods, algorithm)'。您武器库中的 'software development' 和 'inverse problems with random noise' 可直接用于评估和扩展该工具（例如，为其添加不确定性量化模块或与您的因果推断框架对接）。中期可做：若想将可微投影器用于更复杂的统计模型（如半参数效率估计），需先在 'semiparametric theory' 上长肌肉。

天体统计 (astrostats, 7 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，比较了标准交叉熵损失、IsoMaxPlus 损失（用于 OOD 检测）以及 IsoMaxPlus+MC Dropout 三种配置。IsoMaxPlus 用基于距离的类表示替代 SoftMax logits，无需额外架构修改即可保持类间可分性并实现可靠 OOD 检测；结合 MC Dropout 提供快速贝叶斯近似，通过多次随机前向传播估计不确定性。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。该工作对大规模巡天项目中自动化形态分类和不确定性感知有直接参考价值，可作为天文统计入门读物，清晰展示了数据（图像、类别分布）和模型（CNN、损失函数、不确定性量化）的完整流程。
关键技术: IsoMaxPlus loss, Monte Carlo Dropout, out-of-distribution detection, expected calibration error, ResNet-34, galaxy morphology classification
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了天文数据（星系图像、类别不平衡）和模型（CNN、OOD 检测、不确定性量化）的完整流程，适合作为统计学家进入天文领域的入门读物。武器库中的 nonparametric statistics 和 software development 足以支撑理解其方法，但本文方法学 novelty 有限（IsoMaxPlus 和 MC Dropout 均为已有技术），属于应用型工作。值得花时间读全文以了解天文分类问题的数据结构和评估范式，但无需深入跟进方法学细节。

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 DANTE（域自适应瞬态评估网络）在 LIGO O4a 观测运行中的表现进行压力测试，核心问题是探测器域偏移（representation mismatch）下无监督瞬态噪声管线的可靠性。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 个候选事件进行统计分类，并通过时间块自助法从 5,000 个运行本底窗口校准探测器特定阈值。主要结果包括：6,365 个稳健、1,275 个模糊和 2,789 个本底统计判定；与跨表征 v5 分析相比，10,372 对历史判定中有 4,676 个不同。直接控制实验揭示了 O3b-O4a 评分偏移及 H1 探测器本地适应后的评分降低（L1 未观察到），而已知毛刺分离具有探测器和形态依赖性。复制研究量化了种群依赖性灵敏度，并识别了条件性低 Q 盲区。保守的 H1-L1 最大偏移筛选得到 13/8,806 个超阈值值，但其源上值和合并每事件零最大值不可交换。主要双零 PEM 端点未显示稳健-本底富集（p=1.000），两个目录重叠与循环移位覆盖代理一致（p=0.651）。模拟仅致密双星控制显示探测器和距离依赖的新颖性、本地判定与物理符合之间的不一致。本文撤回 v5 的发现、速率限制、目录召回和全调查稳定性解释，最终贡献是一组无监督探测器表征的失效模式和有效性条件，而非新的毛刺类别或天体物理搜索。作为引力波天文学中统计方法应用的入门读物，本文清晰展示了探测器域偏移下的统计诊断流程，对您作为统计学家理解天文数据中的表征学习与假设检验问题有参考价值。
关键技术: DINOv2 patch embeddings, Top-k multiple-instance scoring, temporal-block bootstrap, Q-transform representation, domain shift stress-testing, null hypothesis testing
为什么对您有用: 本文属于 astrostatistics 的 gateway reading，适合作为统计学家了解 LIGO 数据中无监督学习与统计推断的入门材料。您的技术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统计诊断流程（如自助法校准阈值、零假设检验），但核心的 DINOv2 嵌入和域自适应方法不在您的武器库中，属于暂不可做方向。本文值得花时间阅读全文，以获取对引力波数据分析中统计挑战的直观认识。

3. 2608.19272 — The Cross-Survey Decade: A Call to Action¶

作者: Gioia Rau, Robert Benjamin, Federica Bianco, Ranga-Ram Chary, Andy Connolly, Cecilia Garraffo et al.
相关性 5/10 · novelty: survey
摘要: 这是一篇面向天文学界和政策制定者的倡议文章，核心论点是：到2027年，三大旗舰巡天项目（如LSST、Euclid、Roman）将同时运行，产生重叠的PB级数据集，但观测已不再是瓶颈，联合科学回报取决于共享计算基础设施和跨调查协调。文章提出四大支柱：(1) 联合像素级处理与验证；(2) 为科学基础模型构建AI就绪数据基底；(3) 标准化、可互操作的数据访问以民主化参与；(4) 专门的人员和职业路径。文章强调，当前是调整基础技术选择的关键窗口期，错过将付出更高代价。对您而言，这是一篇优秀的入门级读物，清晰阐述了天文大数据的基础设施挑战（数据规模、互操作性、联合处理），适合作为进入astrostatistics方向的起点，但本身不提供新方法学贡献。
关键技术: cross-survey data fusion, pixel-level joint processing, AI-ready data substrate, interoperable data access
为什么对您有用: 这是一篇gateway-reading级别的astrostatistics文章，适合作为进入该方向的入门读物。武器库中的'软件工程'和'高维渐近'经验可帮助理解其数据规模与联合处理的计算挑战，但本文不涉及具体统计方法，属于'暂不可做'范畴——核心是基础设施协调而非方法论突破，值得花时间读全文以建立领域直觉。

4. 2608.17922 — Vera C. Rubin LSST Synthetic Magnitudes derived from Gaia XP Spectra¶

作者: Oleksandra Razim, Krešimir Tisanič, Lovro Palaversa
相关性 4/10 · novelty: application
摘要: 本文针对 Gaia 与 LSST 两个巡天数据联合校准的难题，提出一种基于 Gaia XP 低分辨率光谱合成 LSST 测光的方法。核心思路是利用 SDSS Stripe 82 的实测测光作为校准基准，在星等-星等网格上计算未校正合成星等与实测星等的残差，进而推导出各测光波段对应的光谱区域校正系数。该方法显著降低了合成星等的系统偏差和离散度：以 u 波段为例，中位数残差从 0.038 降至 0.002 星等，标准差从 0.2 降至 0.07 星等。校正后的合成 LSST 测光可用于银河系结构与星族研究。对您而言，这是一篇典型的 astrostatistics 入门级应用文章，清晰展示了天文数据联合分析中的校准问题与残差校正策略，适合作为了解天文数据结构的快速读物。
关键技术: empirical correction of spectra, synthetic photometry, residual grid interpolation, Gaia XP low-resolution spectra, SDSS Stripe 82 calibration
为什么对您有用: 本文属于 astrostatistics 方向的 gateway reading，清晰展示了天文数据联合分析中的校准问题与残差校正策略。武器库中的非参数统计和软件工程经验足以理解其方法，但该问题本身是纯应用性的，不涉及您核心兴趣中的因果推断或高维理论。作为入门读物值得一读，但无需深入跟进。

5. 2608.17257 — The Roman Coronagraph Community Participation Program: corgisim - a simulation suite for the Nancy Grace Roman Space Telescope Coronagraph Instrument¶

作者: Jingwen Zhang, Sophie Noiret, Maxwell A. Millar Blanchaer, Jason Wang, Alexis Lau, Neil Zimmerman et al.
相关性 4/10 · novelty: application
摘要: 本文介绍 corgisim，一个为 NASA 罗马空间望远镜的日冕仪仪器开发的开源仿真软件包。该软件基于 PROPER 和 CGISim 等光学传播库，提供用户友好的 Python 框架，用于端到端模拟日冕仪观测。corgisim 能够生成高保真、格式兼容的数据，用于发射前校准、管线测试以及目标选择和观测规划等社区应用。软件支持成像、偏振测量和光谱学三种模式，可模拟主星、注入的伴星和扩展盘。作为罗马日冕仪社区参与计划的一部分，corgisim 旨在降低天文学家使用仿真工具的门槛。本文详细介绍了软件的基础设施、功能以及当前实现。
关键技术: end-to-end simulation, optical propagation, high-contrast imaging, Python framework, instrument calibration
为什么对您有用: 这是一篇纯天文学软件工具论文，属于 gateway-reading 范畴。对于不熟悉天文学的统计学家，本文清晰阐述了日冕仪观测的物理背景和仿真需求，但数据模型（噪声结构、选择效应、似然）的阐述较少。作为入门读物，它适合了解罗马望远镜日冕仪的科学目标，但武器库中的统计工具无法直接应用于该软件本身。值得花时间读全文以拓宽视野，但无需深入技术细节。

6. 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 4/10 · novelty: application
摘要: 本文介绍了 Roman 日冕仪偏振模式的观测规划、模拟与数据归约流程，目标是通过反射光偏振测量约束系外行星大气性质并表征碎片盘的尘埃颗粒特性。研究使用 corgisim 模拟了碎片盘 HD 172555 在 HLC 模式下的偏振观测序列，并利用 corgidrp 进行数据归约，纳入了所有相关噪声因子和校准产品。目前校准产品为模拟数据，未来将替换为更真实的模拟校准产品。文章详细描述了观测序列设计、偏振数据归约步骤（包括去偏、去条纹、偏振校准等）以及噪声模型。作为入门级阅读，本文清晰阐述了 Roman 日冕仪偏振模式的能力、观测策略和数据处理的整体框架，对不熟悉天文的统计学者友好。本文属于应用导向的工程性描述，方法学 novelty 有限，但为统计学者进入天文偏振数据分析领域提供了良好的起点。
关键技术: polarimetric data reduction, coronagraph simulation, noise modeling, calibration products, corgisim, corgidrp
为什么对您有用: 本文属于 astrostatistics 的 gateway reading，适合作为统计学者了解天文偏振数据处理的入门材料。文章清晰展示了数据生成过程（模拟）、噪声结构（光子噪声、读出噪声、暗电流等）和校准流程，这些是统计建模和不确定性量化的基础。武器库中的非参数统计和逆问题工具可用于改进其数据归约中的去噪或校准步骤，但当前阶段更适合作为方向性阅读，暂不可做具体方法改进——因为需要先熟悉天文偏振数据的具体结构和仪器特性。

7. 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 4/10 · novelty: application
摘要: 本文针对宇宙黎明与再电离时期全球21厘米信号探测中的天线反射系数原位测量问题，提出了一种新型矢量网络分析仪（VNA）技术。该技术利用噪声源校准方案和互相关谱仪，实现对天线复反射系数的幅度和相位测量，解决了空间实验（如PRATUSH）中热循环导致的结构形变需多次测量的挑战。通过独立精密网络分析仪和器件反射系数建模验证，非平滑校准系统误差控制在约10^{-5}水平，满足21厘米信号探测的苛刻要求。最后评估了反射系数校正对天空测量的影响，证明其在天文精密观测中的实用性。本文是典型的工程实现类论文，方法学创新有限，但清晰展示了射电天文校准中的实际数据结构和噪声控制问题。
关键技术: noise source-based calibration, cross-correlation spectrometer, in situ vector network analyzer, reflection coefficient measurement, 21-cm cosmology calibration
为什么对您有用: 本文属于astrostats的gateway reading：它清晰阐述了射电天文校准的物理背景（21厘米信号、SARAS/PRATUSH实验）和数据挑战（原位测量、热形变、10^{-5}级系统误差），对统计学家友好，不依赖深奥天文学术语。武器库中的'非参数统计'和'逆问题'可用于分析校准误差的平滑性假设与偏差结构，但本文核心是硬件设计而非统计方法，因此暂不可做——缺射频工程和实验设计的具体知识。值得作为入门读物了解天文数据采集的噪声源和校准流程，但无需全文精读。

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 2608.16708 — Quantile restrictions, revealed rankings, and the limits of multinomial choice¶

作者: Tatiana Komarova
相关性 7/10 · novelty: new_theory
摘要: 本文在 semiparametric discrete choice 模型中研究 choice probabilities 能否揭示 deterministic utility indices 的排序。首先在 binary choice 设定下，证明 quantile thresholds 可以恢复排序，且这种阈值可源于有限注意等行为偏离（在 exchangeable unobservables 下）或非 exchangeable unobservables 下的标准效用最大化。随后将行为路径和分布路径扩展到 multinomial choice：在有限注意下，attention probabilities 的 balance restrictions 产生全局线性排序划分，对 unobservables 分布稳健，且在 utility indices 差异的联合变化足够丰富时也是必要的；若缺乏所需 attention restrictions，相反排序可产生重叠的概率像。在非 exchangeable unobservables 下，一般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 unobservables 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，本文是经济理论中离散选择模型识别问题的严谨分析，可作为理解 semiparametric 离散选择模型识别假设的入门读物。
关键技术: semiparametric discrete choice, quantile restrictions, revealed rankings, limited attention, exchangeable unobservables, balance restrictions
为什么对您有用: 本文属于经济理论（secondary interest），聚焦离散选择模型的识别问题，是理解 semiparametric 离散选择模型识别假设的 gateway reading。武器库中 nonparametric statistics 和 estimation theory in causal inference 的识别思维可帮助理解其识别策略。作为入门读物，本文清晰阐述了行为与分布路径的区别，值得花时间读全文以拓宽对离散选择模型识别边界的认识。

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，使流行时间不确定性传递至因果对比。采用负二项观测分布、分层区域/季节效应、收缩傅里叶流行曲线及连续项目强度暴露，后验g计算给出预防病例数、预防比例、峰值衰减和流行位移。两阶段模拟评估了稳定时间、流行时钟变化、强度依赖确认和区域混杂下的偏差、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，明确讨论了识别效应所需的项目强度重叠。对您有用：这是流行病学中因果推断的实用方法，其贝叶斯对齐思路可迁移至纵向因果推断中的时间错位问题，且武器库中的M估计理论可用于分析其估计量的渐近性质。
关键技术: Bayesian causal model, epidemic alignment, posterior g-computation, negative-binomial regression, Fourier basis for epidemic curve
为什么对您有用: 直接连接流行病学应用方向，是因果推断在传染病干预评估中的具体案例。武器库中的M估计理论可用于分析其贝叶斯后验估计的渐近行为，但核心贝叶斯计算工具不在当前武器库中（暂不可做），需先熟悉贝叶斯分层模型和MCMC诊断。

其他 (other, 11 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 6/10 · novelty: application
摘要: 本文针对脑电生理信号源重建这一逆问题，提出了一种生物物理信息驱动的深度算子学习框架 DeepOp-Informed。该框架通过一个可微分的定制层将信号生成的生物物理原理（如脑解剖结构和传感器位置）显式嵌入神经网络，从而提升数据效率和跨被试泛化能力。在真实感脑磁图模拟中，DeepOp-Informed 对未见被试的前向模型实现了更低的源重建误差，优于多种神经网络和经典基线方法。应用于青少年听觉诱发记录时，该方法产生了定位于听觉皮层的解剖学上合理的重建结果。虽然本文以脑磁图为例，但框架具有通用性，可适配其他成像模态。对您而言，本文属于应用导向的逆问题方法研究，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠，但可作为跨领域阅读了解生物物理信息约束在逆问题中的使用思路。
关键技术: deep operator learning, differentiable forward model layer, biophysics-informed neural network, inverse problem, magnetoencephalography source reconstruction
为什么对您有用: 本文属于应用导向的逆问题方法研究，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接技术重叠。作为 gateway reading，本文对生物物理约束的嵌入方式有清晰阐述，但数据结构和模型假设与您的武器库（非参统计、U-统计量等）距离较远，暂不可做。

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: minor
摘要: 本文提出 NP-LEAP，一种非参数潜交换性先验框架，用于从历史数据中借力进行贝叶斯动态借力（BDB）。核心创新在于：NP-LEAP 不依赖参数结局模型，而是通过个体层面的交换性评估，将历史数据划分为可交换与不可交换子集，并诱导贝叶斯模型平均。该方法特别适用于时间-事件结局，因为此时参数 BDB 可能三重误设（基线风险、比例风险、全局交换性）。作者在温和正则条件下建立了后验一致性。模拟表明，NP-LEAP 在操作特性上优于参数借力方法和非借力半参数频率学派方法。最后，通过非小细胞肺癌随机试验的控制臂增强进行了实证。对您而言，本文属于贝叶斯非参数借力方法，与您的因果推断（尤其是纵向数据中的借力）和半参数理论兴趣有间接关联，但核心机器（贝叶斯非参数、潜交换性）不在您的武器库中，且方法学新颖性有限（主要是将现有潜交换性思想扩展到非参数设定）。
关键技术: Bayesian dynamic borrowing, latent exchangeability prior, nonparametric Bayes, 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方法，与您的因果推断（纵向数据借力）和半参数理论兴趣有间接关联。但核心机器（贝叶斯非参数、潜交换性）不在您的武器库中，且方法学新颖性有限（主要是将现有潜交换性思想扩展到非参数设定）。暂不可做：缺乏贝叶斯非参数和潜变量模型的核心工具。

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

作者: Nilotpal Sanyal
相关性 5/10 · novelty: survey
摘要: 本文对竞争风险治愈模型（competing-risk cure models）的方法学文献进行了系统性综述，覆盖了26篇论文，并沿五个轴（治愈定义/范围、分解/治愈机制、潜伏期、依赖性/删失/掩蔽原因、估计）组织分类。区分了全局治愈与原因特异性治愈，以及发病率-潜伏期混合模型、垂直易感性因子分解、潜在竞争原因/零计数构造、缺陷生存模型、零膨胀混合或累积发生率函数（CIF）公式等不同框架。比较了参数、分段常数、PH、AFT、变换、基于CIF、非参数和部分指定潜伏期模型，涵盖右删失/区间删失、聚类和掩蔽原因。估计方法包括似然和EM（含神经网络M步）、估计方程、逆删失概率加权、贝叶斯计算和copula-graphic估计。通过可复现的缺陷Gompertz分析公共骨髓移植数据，展示了拟合尾部概率需要模型和终点特异性解释，而非全方法比较。该综述对您作为统计研究者的价值在于：虽然不直接属于您的主要兴趣领域，但竞争风险治愈模型在流行病学（您的次要兴趣）中应用广泛，且文中对模型分类和估计方法的系统梳理可作为入门读物，帮助您快速了解该领域的方法学全貌。
关键技术: competing risks, cure models, mixture models, defective survival models, EM algorithm, cumulative incidence function
为什么对您有用: 本文属于流行病学（secondary interest）领域的综述，作为gateway reading，它系统梳理了竞争风险治愈模型的方法学框架，对流行病学中常见的治愈率分析场景（如癌症研究）有直接参考价值。您的武器库中非参数统计和M估计理论可部分覆盖其估计方法（如EM、估计方程），但该领域特有的潜伏期模型和治愈机制假设（如缺陷生存模型）需要额外学习。本文适合作为入门读物，但方法学创新有限，暂不可直接迁移到您的主要研究方向。

4. 2608.15047 — Anomaly detection in autoregressive networks¶

作者: Xianghe Zhu
相关性 5/10 · novelty: new_method
摘要: 本文研究时间序列网络中的异常检测问题。传统方法仅基于邻接矩阵，无法捕捉边演化方式的变化。作者将连续两个网络分别表示为形成事件矩阵和消失事件矩阵，并通过展开邻接谱嵌入将得到的矩阵序列嵌入到低维空间。通过比较嵌入与平稳基线的差异，得到顶点级和网络级统计量，用于检测异常过渡并识别其涉及形成、消失或两者兼有。对于自回归随机点积图，建立了过渡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，并证明了异常记忆呈几何衰减。扩展至度修正随机块模型，给出了社区恢复保证以及社区重分配、中心偏移、分裂和合并等异常统计量的高概率检测和恢复保证。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复苏，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, vertex-level anomaly detection
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）无直接重叠，但网络异常检测是统计计算和算法的一个应用场景。您的武器库中'高维渐近'和'非参数统计'可用于理解其嵌入一致性和检测保证，但核心方法（谱嵌入、自回归图模型）并非您熟悉的方向。作为gateway reading，本文对网络数据统计的入门者较为友好，但作为统计学家，您可能更关注其理论证明技巧而非方法本身。建议作为兴趣阅读，不深入跟进。

5. 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 5/10 · novelty: survey
摘要: 本文是一篇综述，系统梳理了序列移动性选择（路线与活动选择）问题中，交通选择建模与逆强化学习（IRL）、模仿学习（IL）之间的统一框架。在明确假设下，递归logit、logit动态离散选择与最大熵IRL共享软Bellman表示，而轨迹占用与网络流满足相关守恒律。然而，效用、奖励、策略、占用、约束与观测误差作为不同估计量，具有不同的行为与反事实解释。文章回顾了约束与逆约束学习、占用比与DICE方法、不完整与混合质量演示、图与序列学习、迁移、数据融合、多智能体选择及大语言模型等方向。核心观点是：机器学习在行为约束框架内嵌入时价值最大——精确转移保证可行性、结构化奖励保留可解释权衡、观测模型处理异质数据源、网络或均衡求解器产生一致系统结果。此类混合模型可在不牺牲行为识别或政策相关性的前提下提升可扩展性与预测能力。本文是交通行为建模与IRL/IL交叉领域的入门级综述，对您作为统计学家而言，可作为了解该领域问题设定与数据结构的快速入口，但方法学新颖性有限。
关键技术: inverse reinforcement learning, imitation learning, recursive logit, soft Bellman representation, occupancy measure, DICE methods
为什么对您有用: 本文属于gateway-reading范畴（交通建模与IRL/IL交叉），作为统计学家可借此了解序列决策问题的数据结构和模型设定（如轨迹占用、网络流守恒），但方法学贡献为综述性质。武器库中'非参数统计'和'因果推断中的估计理论'可帮助理解其行为识别与反事实解释部分，但核心机器（IRL/IL、软Bellman方程）不在武器库中，属于暂不可做方向。值得花时间读全文以拓宽视野，但无需深入跟进。

6. 2608.17858 — Graph-Adaptive Horseshoe for Compositional Regression¶

作者: Satabdi Saha, Christine B. Peterson
相关性 4/10 · novelty: new_method
摘要: 本文针对成分数据回归（如微生物组丰度）中的变量选择问题，提出了一种全贝叶斯框架 GRACE。成分数据受单位总和约束且变量间存在内在依赖，现有方法常依赖固定的关联图（如系统发育或生态距离），但这些图可能不反映与结局相关的变量关系。GRACE 通过一种新颖的线性重参数化处理成分约束，并采用结构化 horseshoe 先验实现稀疏性和沿学习到的图的系数平滑。图学习通过 edge weights 上的 scaled beta2 先验实现，提供结局特定的适应性和后验不确定性量化。开发了结合椭圆切片抽样的高效 Gibbs 采样器以保证高维可扩展性。模拟表明 GRACE 在图误设下具有竞争力的预测精度和改进的图恢复能力。应用于 ORIGINS 研究的口腔微生物组数据，识别出与胰岛素抵抗相关的分类群，并生成了一个结局驱动的图，该图与系统发育或共现网络显著不同。本文对您作为统计计算和贝叶斯方法方向的入门阅读有价值，但核心方法（贝叶斯成分回归）与您的主要兴趣（因果推断、高维统计、U-统计量）直接交集有限。
关键技术: structured horseshoe prior, elliptical slice sampling, linear reparameterization for compositional constraints, scaled beta2 prior, Gibbs sampling
为什么对您有用: 本文属于统计计算（贝叶斯方法）方向，可作为该领域的入门阅读。您的武器库中'软件开发和M估计理论'可帮助理解其Gibbs采样器实现和先验设计，但核心问题（成分数据变量选择）与您的主要兴趣（因果推断、高维RMT、U-统计量）直接交集有限。暂不可做：核心机器（贝叶斯成分回归、结构化先验）不在武器库中，且缺乏直接可迁移的方法学问题。

7. 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准则通过最小化一个可处理的上界，等价于最大化一个方差惩罚的EIG目标。作者采用基于策略的深度自适应设计框架，利用蒙特卡洛近似和随机梯度方法学习设计策略，以应对计算挑战。在多个例子（包括复杂离散选择实验的自适应设计）中，展示了BA设计与EIG设计在行为上的差异。该方法为实验设计提供了更稳健的替代方案，尤其适用于需要避免误导性结论的场景。对您而言，本文虽不直接涉及因果推断或高维统计，但其在实验设计中对风险控制的关注，以及深度自适应设计框架，可能对您感兴趣的纵向因果推断或敏感性分析中的实验设计问题有启发。
关键技术: Bayesian optimal experimental design, expected information gain, variance-penalized criterion, policy-based deep adaptive design, stochastic gradient optimization
为什么对您有用: 本文属于统计计算与实验设计交叉领域，与您的主要兴趣（统计计算）和次要兴趣（流行病学中的实验设计）有间接关联。武器库中'软件开发和M-estimation理论'可帮助理解其蒙特卡洛近似和优化框架，但核心的贝叶斯决策与深度强化学习组件不在您当前武器库中（缺policy gradient和贝叶斯优化），因此暂不可做直接迁移。不过，作为gateway reading，本文清晰展示了如何将风险控制引入实验设计，值得花时间读全文以拓宽视野。

8. 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（按地理、性别、年龄等多次交叉分组）后估计量统计稳定性下降的问题，提出了一种基于设计的可审计推断框架。核心机制是构建一个嵌套贡献账本，通过第一阶段 PPS 扩展、确定加随机村庄组选择、第二阶段住户扩展重建每个领域的总量，并将非线性领域参数表示为这些总量的比率，通过一阶线性化分析。方差估计利用 NSS 两个独立子样本的自然复制特性，得到复制方差估计量。框架输出一个“粒度-稳定性”剖面，结合相对标准误差、复制支持和集中度诊断，为每个详细估计提供设计能否支撑的证据。理论部分证明了总量估计的有限总体无偏性、比率线性化的渐近有效性以及线性化总量的双子样本方差估计的无偏性。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语言的关系以及选择私立教育机构的原因。本文属于应用导向的方法论工作，对您作为统计推断研究者而言，其设计推断框架和方差估计策略在复杂调查数据分析中具有参考价值，但方法学新颖性有限。
关键技术: design-based inference, stratified multistage survey, linearization variance estimation, replication variance estimator, nested contribution ledger
为什么对您有用: 本文属于调查统计与设计推断的应用工作，与您的主要兴趣（因果推断、高维统计等）直接关联较弱。但作为 gateway reading，它清晰地展示了复杂调查中领域分解的统计稳定性问题，以及基于设计的方差估计方法。您的武器库中的非参数统计和估计理论可用于评估其线性化近似的精度，但核心问题（调查设计推断）并非您的专长领域，属于暂不可做方向。

9. 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）的拟合难题，提出一种序贯重要性采样（SIS）校正方法。该模型因涉及高维、序列相关的整数值潜变量，直接推断困难；现有方法常采用连续值替代模型后映射为整数，但会产生偏差。作者通过引入潜高斯变换构造一个连续值替代模型，并利用SIS对替代模型与真实模型之间的分布差异进行加权校正，从而得到无偏估计。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的流行病曲线重建中展示了实际应用价值。对您而言，本文属于流行病学应用方向，方法学上属于MCMC/SIS的变体，与您的主要兴趣（因果推断、高维统计）无直接技术关联，但可作为流行病学数据建模的入门阅读材料。
关键技术: sequential importance sampling, thinned count autoregression, latent Gaussian transformation, epidemic curve reconstruction
为什么对您有用: 本文属于流行病学应用（secondary interest），但方法学核心是序贯重要性采样，与您的技术武器库（非参数统计、高维渐近）无直接交集。作为流行病学方向的入门读物，它清晰地展示了传染病监测数据的建模挑战（高维、整数值、序列相关），但武器库中缺乏处理此类状态空间模型的核心工具（如粒子滤波、MCMC for count data），因此暂不可做。

10. 2608.17908 — An RKHS Framework for Fixed Effects in Permanental Process Models¶

作者: Matthew LeDuc
相关性 4/10 · novelty: new_method
摘要: 本文扩展了永久过程模型，引入固定效应项。通过在固定效应系数上设置先验，并在扩散先验极限下，利用表示定理将强度函数分解为固定效应项和RKHS函数项。作者证明极限等价核定义了RKHS，其平方范数恰好是极限惩罚项。该方法使得永久过程模型具有清晰的科学解释性，并便于将领域知识融入估计过程。本文主要贡献在于理论框架的构建，但缺乏实际数据应用或与主流统计方法的对比。对您而言，该工作与您的主要兴趣（如半参数理论、RKHS）有概念性联系，但方法学新颖性有限，且未涉及因果推断或高维统计等核心方向。
关键技术: Reproducing Kernel Hilbert Space, Representer theorem, Permanental process, Fixed effects, Diffuse prior
为什么对您有用: 本文与您的半参数和非参数理论兴趣有概念性联系，特别是RKHS和表示定理的应用。然而，该工作属于方法学扩展，缺乏实证或与主流方法的对比，且未直接关联您的核心方向（因果推断、高维统计、U统计量）。作为gateway reading，它提供了一个将固定效应纳入永久过程模型的视角，但武器库中的工具（如非参数统计、M估计理论）可用于评估其理论性质，不过目前暂不可做，因为核心机器（永久过程、扩散先验极限）不在您的武器库中。

11. 2608.15148 — Parameter estimation in differential equations: Mathematical foundation for satellite gravimetry, review and perspectives¶

作者: Peiliang Xu
相关性 4/10 · novelty: survey
摘要: 本文为卫星重力测量中的微分方程参数估计提供了统一的理论框架，并综述了从卫星跟踪数据反演地球重力场的数学方法。重点讨论了配置法、Kaula线性摄动、两点边值问题和轨道能量法，并指出数值积分法虽然在数学上不正确但已成为生产全球重力模型的标准方法。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卫星/星间跟踪数据，理论上无建模误差。该方法可提取卫星跟踪数据中的任何微小力，为高精度高分辨率全球重力模型提供保证。最后，针对分散的跟踪数据，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，与您的主要研究兴趣（因果推断、高维统计等）无直接方法学关联，但可作为跨学科阅读了解重力场反演中的统计估计问题。
关键技术: collocation method, Kaula linear perturbations, two-point boundary value problems, orbit-energy-based methods, measurement-based perturbation theory
为什么对您有用: 本文属于地球物理领域的应用综述，与您的主要研究兴趣（因果推断、高维统计、半参理论等）无直接方法学关联。作为跨学科阅读，它展示了微分方程参数估计在卫星重力测量中的具体应用，但武器库中的非参数统计或逆问题工具可能对理解其中的估计问题有间接帮助。暂不可做——核心机器（卫星重力反演的具体物理模型和数值方法）不在武器库中，且本文不涉及您熟悉的统计推断框架。

🗂 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. 2608.17595 — Modified Bryson-Frazier Smoothing and Hyperparameter Learning for Temporal Gaussian Process Regression¶

作者: Tom Colemont, Brecht Evens, Tjonnie G. F. Li, Frederik De Ceuster
相关性 3/10
评分理由: Gaussian process regression with state-space models is a computational statistics topic, but the specific smoothing algorithm improvement is too specialized and not aligned with primary interests.

2. 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: Animal movement in spatial capture-recapture is an applied ecology topic with no clear connection to the researcher's primary interests in causal inference or high-dimensional statistics.

3. 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 predictive modeling with EHR is 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: 专注于多元系统去相关和因子旋转，与研究者主要兴趣（因果推断、高维统计）无直接关联。

5. 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: 海洋学数据可视化应用，与研究者兴趣领域（统计方法、因果推断）无直接联系。

6. 2608.18286 — How far are \(d\)-dimensional copulas with uniform \((d-1)\)-marginals from (total) independence?¶

作者: Damjana Kokol Bukovšek, Nik Stopar, Wolfgang Trutschnig
相关性 3/10
评分理由: Copula theory and distance from independence; tangential to primary interests in causal inference or high-dim stats.

7. 2608.17958 — A First-Order Entropy Law for Canonical T-Complexity of Finite-Alphabet i.i.d. Sources¶

作者: Thomas Schürmann
相关性 3/10
评分理由: Information-theoretic complexity for i.i.d. sources; no clear connection to primary interests.

8. 2608.17669 — A Characterization of Measures of Concordance of Degree Two¶

作者: Takaaki Koike, Haruki Tsunekawa
相关性 3/10
评分理由: Characterization of concordance measures via copulas; tangential to primary interests.

9. 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 3/10
评分理由: 主题为熵的偏差校正，与主要兴趣（因果推断、高维统计等）无关。

10. 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 3/10
评分理由: 纯应用体育经济学，使用简单OLS/ANOVA，无统计方法论贡献，与研究者兴趣无关。

11. 2608.17985 — The Roman Coronagraph Community Participation Program: data reduction pipeline astrometric calibration¶

作者: Amanda Chavez, Jason Wang, Vanessa P. Bailey, Maxwell Millar-Blanchaer, Julien Girard, John Krist et al.
相关性 3/10
评分理由: 数据归约管道的天文校准，技术性强但无统计推断或方法学贡献。

12. 2608.17831 — Simulation tools for realistic high-order wavefront correction with the Roman Coronagraph¶

作者: A. Lau, A. J. Riggs, S. F. Redmond, E. Cady, J. Krist, I. Laginja et al.
相关性 3/10
评分理由: 波前控制模拟工具，工程性强，无统计推断或方法学贡献。

13. 2608.17740 — The Roman Coronagraph Community Participation Program: Using the Zernike wavefront sensor for a full characterisation of the Roman Space Telescope and the Coronagraph Instrument¶

作者: Arthur Vigan, Alexis Bidot, Vincent Chambouleyron, Garreth Ruane, Laurent Pueyo, Mamadou N'Diaye et al.
相关性 3/10
评分理由: 波前传感器特性描述，技术报告性质，无统计方法或数据建模。

14. 2608.17444 — EON-SII: Design of a transportable picosecond stellar intensity interferometer for compact-star astrophysics¶

作者: Thomas Schweizer, Josef Eder, Jürgen Besenrieder, Razmik Mirzoyan, Carina Haider, Olaf Reimann et al.
相关性 3/10
评分理由: 纯天文学仪器论文，无统计方法或数据建模内容，与研究者兴趣无关。

15. 2608.17369 — The Roman Coronagraph Community Participation Program: calibration strategy for the Mueller matrix using on-sky sources¶

作者: Toshiyuki Mizuki, Justin Hom, Bertrand Mennesson, Ramya M. Anche, Maxwell A. Millar-Blanchaer, Vanessa P. Bailey et al.
相关性 3/10
评分理由: 天文学校准策略论文，无统计方法或数据建模内容，与研究者兴趣无关。

16. 2608.17348 — The Roman Coronagraph Community Participation Program: early calibration plan and pilot observation of a companion¶

作者: Julien H. Girard, Eric Cady, Neil T. Zimmerman, Clarissa R. Do Ó, Jingwen Zhang, Guillermo Gonzalez et al.
相关性 3/10
评分理由: 天文学校准计划论文，无统计方法或数据建模内容，与研究者兴趣无关。

17. 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 3/10
评分理由: 天文学干涉测量演示论文，无统计方法或数据建模内容，与研究者兴趣无关。

18. 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 3/10
评分理由: 天文学目标数据库工具论文，无统计方法或数据建模内容，与研究者兴趣无关。

19. 2608.17097 — Simulating Zernike-based CWFSing with HCIPy¶

作者: Klaus Subbotina Stephenson, Kate Jackson
相关性 3/10
评分理由: 天文学波前传感模拟论文，无统计方法或数据建模内容，与研究者兴趣无关。

20. 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 3/10
评分理由: 纯天文学仪器操作描述，无统计方法或数据建模内容。

21. 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: 天文学参考星选择，无统计方法或数据建模内容。

22. 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: 天文学数据归约管道，无统计方法或数据建模内容。

作者: Christopher Williams
相关性 3/10
评分理由: 社交网络分析应用于天文学，但方法简单，与研究者核心统计兴趣无关。

24. 2608.19275 — A Self-Exciting Model of Eddy Formation at Submesoscale¶

作者: Mine Çağlar, Barış Samed Yakar
相关性 2/10
评分理由: Ocean eddy modeling with Hawkes process; unrelated to primary or secondary interests.

25. 2608.17353 — SDR Variance Estimates in Small Domains¶

作者: Eric Slud, Tim Trudell
相关性 2/10
评分理由: Survey variance estimation (SDR) is a niche topic in survey statistics, unrelated to the researcher's primary interests in causal inference, high-dimensional statistics, or U-statistics.

26. 2608.13986 — Coherence, charity and triangulation in statistical modelling¶

作者: David J. T. Sumpter
相关性 2/10
评分理由: Philosophical critique of Bayesian distinctions; no methodological overlap with primary interests.

27. 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: Classical parametric inference for Weibull populations under censoring; unrelated to primary interests.

28. 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 2/10
评分理由: 通信信道参数估计，与主要兴趣领域无关。

29. 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 2/10
评分理由: 纯体育数据分析，无方法论创新，与研究者兴趣无关。

30. 2608.18348 — The Atacama Cosmology Telescope: Passband Measurements with an Analysis of Systematic Errors¶

作者: Thomas Alford, Rahul Datta, Erminia Calabrese, Steve K. Choi, Shannon M. Duff, Adriaan J. Duivenvoorden et al.
相关性 2/10
评分理由: 纯天体物理仪器测量，无数据/模型统计问题，不符合天文统计入门阅读标准。

31. 2608.18214 — Radiation damage to the Hubble Space Telescope has been several years out of phase with the Solar cycle¶

作者: Gavin Leroy, Juan Paolo Lorenzo Gerardo Barrios, Maximilian von Wietersheim-Kramsta, Richard Massey, Richard G. Hayes, Jacob A. Kegerreis et al.
相关性 2/10
评分理由: 纯天体物理学结果，无统计方法或数据建模维度，与研究者兴趣无关。

32. 2608.18051 — Variable Star Polarimetry with PICSARR-2¶

作者: Daniel V. Cotton, Jeremy Bailey, Logan Barrett, Glenn Henderson, Kim Sumagang, Eric C. Haase
相关性 2/10
评分理由: 仪器性能描述，无统计方法或数据建模，与研究者兴趣无关。

33. 2608.17842 — Accurately simulating gain and clock-induced charge production in the EMCCD gain register¶

作者: Kevin J. Ludwick
相关性 2/10
评分理由: 探测器物理模拟，无统计方法或数据建模，与研究者兴趣无关。

34. 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，与研究者统计兴趣无关。

35. 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 2/10
评分理由: 射电望远镜控制工程，与统计兴趣无关。

36. 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 2/10
评分理由: 毫米波自适应光学工程，与统计兴趣无关。

37. 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 2/10
评分理由: 气球观测日食的简单图像分析，无统计方法或数据建模内容。

38. 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: 纯电磁波传播物理模型，无统计方法或数据建模内容。

39. 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: 纯天文仪器操作改进，无统计方法或数据建模内容，与研究者兴趣无关。

40. 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 2/10
评分理由: 纯硬件工程（KID读出系统），无统计或数据建模内容，与研究者兴趣无关。

41. 2608.15769 — The Dual-Population Benchmark Model¶

作者: Alexander Gnedin
相关性 1/10
评分理由: 泊松过程模型，与主要兴趣无关。

42. 2608.18275 — The VLA and High-Frequency SETI: Expanding the Search for Life¶

作者: Talon Myburgh, Noah Stiegler, Chenoa D. Tremblay, Joe S. Bright, Ross A. Donnachie
相关性 1/10
评分理由: 纯SETI信号搜索，无统计方法论或数据建模内容，与研究者兴趣无关。

43. 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 1/10
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。

44. 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 1/10
评分理由: 纯实验仪器工程论文，无统计方法或数据建模内容。

45. 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 1/10
评分理由: 纯低温实验仪器工程论文，无统计方法或数据建模内容。

46. 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 1/10
评分理由: 纯天文仪器操作与校准描述，无统计方法或数据建模内容。

47. 2608.14874 — Sub-Pixel Calibration of CMOS Sensors for Precision Astrometry¶

作者: M. Shao, I. Hahn
相关性 1/10
评分理由: CMOS传感器亚像素校准，纯仪器天文，无统计方法。

48. 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 1/10
评分理由: 天文偏振数据处理流程，纯仪器天文，无统计方法。

49. 2608.15648 — On the minimax-rate optimality of approximate Bayesian computation in nonparametric problems¶

作者: Hien Duy Nguyen
相关性 0/10

50. 2608.15478 — Bootstrap Error Estimation and Sketch-Size Selection for Sketched Ridge Regression¶

作者: Akito Narahara, Takayuki Kawashima, Takafumi Kanamori
相关性 0/10

51. 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 0/10

52. 2608.15053 — Multiplier Bootstrap and Edge Phase Transitions of High-Dimensional Covariance Matrices¶

作者: Jiahui Xie
相关性 0/10

53. 2608.15034 — A Central Limit Theorem for Regularized M-Estimators¶

作者: Cosme Louart
相关性 0/10

54. 2608.18375 — Difference-in-Differences Models in the Presence of Time-Varying Mediators¶

作者: Kyunghoon Ban, Zhengrun Chen, Désiré Kédagni
相关性 0/10

55. 2608.18057 — The Limits of Experimental Design: Covariate Balance Beyond Low Dimension¶

作者: Max Cytrynbaum
相关性 0/10

56. 2608.16867 — Trading Scope for Credibility in Difference-in-Differences¶

作者: Parush Arora, Abhishek Chand
相关性 0/10

57. 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 0/10
评分理由: 纯天文望远镜机械结构设计，无统计或因果推断内容。

58. 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 0/10
评分理由: 纯天文望远镜机械结构抗震设计，无统计或因果推断内容。

59. 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 0/10
评分理由: 天文偏振仪器校准，无统计或因果推断内容。

60. 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 0/10
评分理由: MHD数值模拟代码，纯计算物理，无统计或因果推断内容。

Maintained by 陈星宇 · Homepage · Source on GitHub