2026-08-19 每日 arXiv 资讯¶

高相关论文 7 篇 · 中相关 20 篇 · 其他 57 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 3 篇)¶

1. 2608.19501 — A Causal Inference Approach for Evaluating Diagnostic Tests and AI-Enabled Medical Devices: From Effect Modification to Information-Augmented Decision-Making¶

作者: Wenxin Zhang, Rachael Phillips, Mark van der Laan
相关性 8/10 · novelty: new_method
摘要: 本文在因果推断框架下系统评估诊断测试和AI医疗设备的效果，区分解释性有效性和实用性有效性。解释性有效性衡量诊断结果是否提供超出基线协变量的治疗效应异质性信息，通过基于方差的treatment-effect variable importance measure刻画。实用性有效性评估将诊断信息纳入最优个性化治疗规则后能否改善期望结局，其estimand定义为有无诊断信息下最优治疗规则的期望结局对比。作者建立识别条件，并采用TMLE和交叉验证TMLE进行非参数估计与推断。模拟研究和结直肠癌合成数据应用展示了所提estimand和估计量的性能。该框架为评估AI设备提供了因果推断视角，区分其作为信息扩充工具和决策优化工具的双重角色。对您而言，本文是causal inference中effect modification与personalized decision-making的交叉点，直接连接您的primary interest中的mediation和longitudinal设定，且TMLE方法属于您moderately_familiar的semiparametric theory范畴，可中期跟进其交叉验证TMLE的渐近性质。
关键技术: Targeted Maximum Likelihood Estimation (TMLE), cross-validated TMLE, treatment-effect variable importance measure, optimal personalized treatment rule, effect modification
为什么对您有用: 本文直接连接您的primary interest中的causal inference（effect modification、personalized decision-making）和semiparametric theory（TMLE）。技术武器库中moderately_familiar的semiparametric theory和identification theory可直接用于理解其识别条件与估计框架，而very_familiar的nonparametric statistics可用于分析其variable importance measure的minimax性质。中期可做：需先在moderately_familiar的semiparametric theory上巩固TMLE的交叉验证理论，即可尝试将本文框架扩展到longitudinal或proximal CI设定。

2. 2608.19383 — Causal Generalization of Continuous Treatment Effects under Covariate Shift¶

作者: Jay Jojo Cheng, Guanhua Chen
相关性 8/10 · novelty: new_method
摘要: 本文研究连续处理变量（continuous treatment）的平均剂量-反应函数（ADRF）在协变量偏移（covariate shift）下的因果泛化问题。设定中，源样本（source sample）有完整的协变量、连续处理变量和结果，而目标样本（target sample）仅观测到协变量，目标是在目标总体下识别和估计ADRF。方法上，作者提出基于伪结果（pseudo-outcome）的两样本局部多项式回归框架，利用源样本的结果调整混杂、目标样本的协变量定义目标总体。进一步，将距离协方差最优加权（DCOW）扩展为源到目标版本（source-to-target DCOW），同时实现源样本中处理-协变量依赖的去除和加权后源协变量分布向目标总体的对齐。理论贡献在于对优化加权过程的权重层面分析：证明了总体准则能识别出oracle源到目标权重，且近似经验最小化器（包括精确最小化器作为特例）在正则条件下一致收敛到该权重。此外，建立了ADRF估计的相合性和渐近正态性。模拟表明，相比DCOW、广义倾向得分加权、熵平衡和未加权方法，所提方法显著改善了目标剂量-响应估计。本文对您有用：它直接连接您对因果推断中identification和estimation的兴趣，特别是连续处理变量和协变量偏移下的泛化问题，且其权重层面分析的技术思路可迁移至您熟悉的proximal causal inference或IV设定中的类似偏移问题。
关键技术: local polynomial regression, pseudo-outcome, distance covariance optimal weighting (DCOW), covariate shift, two-sample estimation, uniform convergence of empirical minimizers
为什么对您有用: 本文直接连接您primary interest中的因果推断子方向——连续处理变量的平均剂量-响应函数在协变量偏移下的泛化，这是您熟悉的estimation theory in causal inference的一个具体应用场景。从武器库看，您可以用very_familiar的nonparametric statistics和minimax bounds工具来审视其局部多项式回归的收敛速率是否最优，以及用estimation theory in causal inference的视角评估其权重层面分析（uniform convergence of empirical minimizers）的紧性。中期可做：若想将本文的source-to-target DCOW思路推广到proximal causal inference中的negative control设定，需先在moderately_familiar的identification theory in causal inference上长肌肉（具体为proximal g-formula的identification条件）。

3. 2608.18375 — Difference-in-Differences Models in the Presence of Time-Varying Mediators¶

作者: Kyunghoon Ban, Zhengrun Chen, Désiré Kédagni
相关性 8/10 · novelty: new_method
摘要: 本文研究存在时变中介变量时的双重差分（DiD）模型。在二元处理改变内生时变中介变量进而影响结局的设定下，作者证明常规DiD估计量混合了平均直接效应、平均间接效应和趋势偏误三项。控制中介变量的双向固定效应（TWFE）回归无法恢复处理组的平均直接效应。条件于观测到的中介路径的DiD估计量可识别该路径下的条件平均直接效应，且即使无条件平行趋势不成立，对处理组路径分布取平均仍可识别平均直接效应。引入稳定平均中介效应假设可恢复平均中介效应和间接效应。框架可扩展至多元中介、非线性DiD和多期处理。现有双稳健估计量可用于推断。实证分析铁路通达对农业地价的影响，发现直接效应为正且未被测量的市场可达性所中介，而间接效应较小且不精确。该文对您有用：它直接连接您因果推断中纵向/中介分析的兴趣，且其识别策略与您熟悉的DiD和中介分析理论可对接，中期可做——需先巩固您moderately_familiar的identification theory。
关键技术: difference-in-differences, time-varying mediators, conditional parallel trends, doubly robust estimation, stable average mediator effect
为什么对您有用: 本文直接连接您primary interest中的因果推断（纵向/中介分析）子方向，具体处理时变中介下的DiD识别问题。您的武器库中very_familiar的estimation theory in causal inference可直接用于理解其双稳健估计量的性质，而moderately_familiar的identification theory in causal inference是理解其识别假设（如稳定平均中介效应）的关键——中期可做，需先在identification theory上长肌肉。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 2608.15053 — Multiplier Bootstrap and Edge Phase Transitions of High-Dimensional Covariance Matrices¶

作者: Jiahui Xie
相关性 8/10 · 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推断中的效果。在无 spike 模型下，发现 multiplier 的有界性会引发边缘分布的相变：无界 multiplier 导致 Frechet 或 Gumbel 极限；有界 multiplier 则出现 Tracy-Widom、Gaussian 或 Weibull 极限，具体由维度比 p/n、multiplier 上尾行为及总体协方差结构共同决定。条件分布中，Tracy-Widom 区域退化为点质量。在 spike 模型下，只要信号强度适当，无论 multiplier 有界与否，最大特征值均渐近正态。理论结果澄清了 multiplier bootstrap 在高维谱推断中的可行性与适应性，数值模拟验证了所提推断程序的有效性。对您而言，该文直接关联高维统计与随机矩阵理论（RMT）中的 edge 相变问题，且 multiplier bootstrap 的相变分析为高维假设检验提供了新工具。
关键技术: multiplier bootstrap, Tracy-Widom law, phase transition, spiked covariance model, extreme value theory
为什么对您有用: 直接对应 primary interest 中的 high-dimensional statistics & random matrix theory，具体研究 multiplier bootstrap 在高维协方差矩阵最大特征值推断中的相变行为。武器库中 very_familiar 的 high-dimensional asymptotics 可直接用于理解其相变机制，moderately_familiar 的 M-estimation theory 可辅助分析 bootstrap 重抽样分布。中期可做：若想将 multiplier bootstrap 的相变分析推广到其他高维统计量（如 U-statistics 的谱），需先在 moderately_familiar 的 higher-order U-statistics 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，使其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 算法继承相同的率。该工作为 ABC 在非参数统计中的理论保证提供了统一视角，对您在高维统计和半参数理论中的 minimax 界研究有直接参考价值。
关键技术: Approximate Bayesian computation (ABC), minimax-rate optimality, summary statistics sieve, posterior contraction, Gaussian sequence model, Sobolev ellipsoid
为什么对您有用: 本文直接连接您的 primary interest 中的非参数统计和 minimax 界理论，提供了一个非标准推断方法（ABC）在经典非参数问题上的率最优性结果。您的 very_familiar 武器库中的 minimax bounds 和 nonparametric statistics 可以直接用于验证或扩展本文的收缩率结果，例如检查 Sobolev 椭球上的率是否紧。中期可做：若想将 ABC 的 minimax 理论推广到更复杂的非参数模型（如高维稀疏设定），需先在 moderately_familiar 的 M-estimation theory 上加强，以处理 ABC 的近似误差与估计误差的权衡。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 2608.18402 — Algorithms for adaptive and heteroskedastic linear regression at the computational threshold¶

作者: Spencer Compton, Tselil Schramm
相关性 8/10 · novelty: new_method
摘要: 本文研究异方差和自适应线性回归在有限样本下的计算-统计折中。在异方差设定中，标签噪声方差未知且可能不同，目标是在多项式时间内达到接近最优的估计误差。作者提出了一个多项式时间估计器，在 m ≫ d^{3/4} n^{1/4} 条件下达到 Õ((n d^3 / m^4)^{1/6}) 的速率，并给出了近乎匹配的下界。在自适应回归中，误差来自未知分布 p，目标是设计一个通用估计器，其表现接近知道 p 的最优定制估计器。作者引入了一个计算上低效的自适应估计器，当 p 是 k 个对称对数凹分布的混合时，其误差与知道 p 的最优估计器在 Õ(n/k) 样本下的表现相当。为研究计算极限，作者提出了 planted 线性回归问题，并推测在 m = d+1 到 m ~ d^{3/4} n^{1/4} 之间存在信息-计算间隙，这由近匹配的多项式时间估计器和 SQ 下界支持。本文对您作为统计-计算折中领域的外来者具有 gateway reading 价值：它清晰阐述了统计模型、计算模型以及多项式时间可能性与低度障碍的具体含义，且数学表述精确，阈值明确，证明策略对统计背景读者友好。
关键技术: heteroskedastic linear regression, adaptive linear regression, planted linear regression, polynomial-time estimator, statistical query (SQ) lower bound, information-computation gap
为什么对您有用: 本文直接切入您 primary interest 中的统计-计算折中领域，作为 gateway reading 非常合适：(1) 它清晰定义了异方差和自适应线性回归中的计算-统计折中，明确给出了多项式时间可达的阈值和 SQ 下界，适合外来者理解该领域的基本框架；(2) 您的武器库中 'high-dimensional asymptotics' 和 'minimax bounds' 可以直接用于验证本文的速率是否紧，而 'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)' 虽未直接使用，但 planted 问题的低度多项式分析可能涉及类似的多项式统计量计算复杂度，可作为中期探索方向；(3) 本文属于 立即可做 的 gateway reading——您可以用 very_familiar 的 minimax 和渐近工具理解其核心结果，无需额外学习复杂度理论。

其他 (other, 1 篇)¶

1. 2608.18443 — Limit Theory for U-Statistics under Clustered and Weakly Dependent Data¶

作者: Emmanuel Selorm Tsyawo
相关性 9/10 · novelty: new_method
摘要: 本文为有界核高阶U-统计量在聚类抽样和弱相依时间序列下的渐近理论建立了统一框架。首先针对二阶U-统计量，从聚类数据（允许任意组内依赖、组大小不平衡且增长）出发，过渡到精确m-相依，再推广到近邻相依（NED）过程。随后将相同逻辑扩展到任意阶k≥2。核心组合工具是“垂直重排”（vertical rearrangement），它将抽样通用元组（第一阶Hoeffding投影在其中分析）与碰撞项和高阶退化余项分离，后者被显式控制。对于可行推断，证明了聚类稳健和HAC协方差估计量的一致性。该工作填补了U-统计量在复杂抽样结构下渐近理论的空白，尤其为聚类数据中高阶U-统计量的推断提供了可直接使用的工具。对您而言，本文直接服务于您对高阶U-统计量理论的核心兴趣，且其垂直重排技巧可能为分析您的einsum/treewidth框架下的计算成本提供新的组合视角。
关键技术: vertical rearrangement, Hoeffding projection, cluster-robust covariance estimation, near-epoch dependence, HAC estimator, degenerate U-statistics
为什么对您有用: 本文直接命中您对高阶U-统计量理论的核心兴趣，且其垂直重排技巧与您熟悉的treewidth/tensor contraction视角有潜在联系——该技巧本质上是对U-统计量元组空间的组合分解，可能为分析einsum计算复杂度提供新工具。您用very_familiar的U-统计量计算和组合分析能力即可理解并评估其方法，属于立即可做的阅读。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 6 篇)¶

1. 2608.19423 — Shape-Preserving Covariate Adjustment via Empirical Likelihood in Randomized Experiment¶

作者: Zhilan Lou, Jun Shao, Yuhan Qian, Tuo Wang, Yanyao Yi, Yu Du et al.
相关性 7/10 · novelty: new_method
摘要: 在随机化实验中，协变量调整可提升估计效率，但标准校准与增广方法应用于分布函数或生存函数时，会破坏单调性这一基本形状约束。本文提出使用经验似然结合协变量平衡约束，为每个处理组构造一个经协变量调整的经验测度。累积分布函数、生存函数、分位数及受限平均生存时间等一大类分布泛函的估计量，均可作为该测度的plug-in泛函自动导出，从而天然继承形状约束。建立了渐近正态性，并给出相对于未调整估计量的显式、有保证的效率增益。渐近分布在简单随机化与满足温和平衡条件的常见协变量自适应设计下均不变，提供了统一的推断流程。该方法只需调整一次经验测度，所有估计量均从中导出，为协变量调整与形状保持提供了原则性的调和。模拟与SURPASS-4试验的应用证实了理论增益。
关键技术: empirical likelihood, covariate-balancing constraints, plug-in estimation, shape-preserving estimation, covariate-adaptive randomization
为什么对您有用: 直接关联因果推断中随机化实验的协变量调整问题，且方法学上新颖（经验似然+形状保持），与您primary interest中的estimation theory in causal inference高度契合。技术武器库中'nonparametric statistics'和'estimation theory in causal inference'可直接用于理解其经验似然构造与渐近理论；'semiparametric theory'（moderately familiar）可用于分析其效率增益是否达到半参有效界。立即可做：用您熟悉的非参统计与因果推断估计理论，即可复现其模拟并检验其对不同协变量自适应设计的稳健性。

2. 2608.18417 — Centroid-Referenced Mahalanobis Matching (CRM): A Scalable, Representation-Based Framework for Causal Inference in Large Observational Studies¶

作者: Keming Hu, Yingpei He
相关性 7/10 · novelty: new_method
摘要: 本文提出 Centroid-Referenced Mahalanobis Matching (CRM)，一种面向大规模观察性研究的可扩展匹配框架。CRM 将全局成对搜索替换为在两个参考坐标（处理组质心的马氏距离、处理-对照均值漂移的 Fisher 坐标）上的分层抽样，所有协变量通过处理组协方差几何进入，而非主成分预处理后接最近邻匹配。对于 n 个单元和 p 个协变量，实现复杂度为 O(np^2 + p^3 + n log n)，当 n ≥ p 时简化为 O(np^2 + n log n)。作者推导了误差分解，分离表示、支撑、离散化和随机分量，并引入预匹配短缺分数 ˆπ 来估计总体支撑限制 π，该限制在有限处理效应异质性下进入间隙界。在表示充分性、平滑性和足够单元容量下，CRM 具有保守的二维直方图均方误差界 O(n_T^{-1/2})。在 Criteo 数据集上，CRM 保留至少 99.4% 的处理单元，在 36 个大尺度配置中有 31 个的 MaxSMD 低于校正后的倾向得分匹配，且速度快约一个数量级。该方法对您在大规模因果推断中处理高维协变量和有限重叠问题具有直接参考价值，尤其当您关注 scalable matching 与 explicit support diagnostics 的结合时。
关键技术: Centroid-Referenced Mahalanobis Matching, stratified sampling in reference coordinates, error decomposition, support restriction estimation, MaxSMD balance diagnostic
为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 estimation 和 sensitivity analysis 子方向，特别是大规模观察性研究中的匹配方法。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 和 high-dimensional asymptotics 可用来分析 CRM 的误差分解和表示充分性假设是否在有限样本下紧，以及其 O(np^2) 复杂度与您熟悉的 tensor contraction 视角下的计算成本对比。中期可做：需先在 moderately_familiar 的 identification theory in causal inference 上长肌肉，以理解 CRM 的支撑限制估计 ˆπ 与 overlap 假设之间的识别关系，然后可探索将 CRM 的参考坐标思想推广到 proximal causal inference 的 negative control 设定中。

3. 2608.18057 — The Limits of Experimental Design: Covariate Balance Beyond Low Dimension¶

作者: Max Cytrynbaum
相关性 7/10 · novelty: new_theory
摘要: 本文研究实验设计中协变量平衡的极限：在有限样本下，实验设计能以多快的速度逼近半参数效率界。作者证明了一个不可能定理：在弱条件下，除非协变量维度 d ≪ log n，否则没有任何设计能在光滑结果模型类上一致地逼近方差界。这意味着即使有数千个单元，也只能容纳少数几个协变量。作为回应，作者提出了基于 discrepancy minimization 的新设计，旨在控制受限非参数函数类上的不平衡。这类设计能以快速率收敛到对应的受限效率目标，允许在加性非参数设定下 d ≪ n 个协变量。这些设计还可与匹配结合，以防范未建模的结果变异。在12个已发表实验的校准模拟中，新设计在所有实证场景下均降低了相对于配对随机化的方差。本文对您的主要兴趣——因果推断中的实验设计、半参数效率理论——有直接的方法论贡献，其 impossibility result 对理解高维协变量下实验设计的根本局限尤为关键。
关键技术: semiparametric efficiency bound, discrepancy minimization, matching, uniform convergence, restricted-complexity function classes
为什么对您有用: 本文直接连接您的主要兴趣——因果推断中的实验设计（ATE估计）与半参数效率理论。它给出了一个尖锐的 impossibility result（d ≪ log n 才能逼近效率界），这是您用 very_familiar 的 minimax bounds 工具可以严格验证的：该下界是否紧？是否可推广到非光滑结果模型？中期可做：若想将本文的 discrepancy minimization 设计与您 moderately_familiar 的 HOIF 框架结合（例如构造正交化实验设计），需先在 semiparametric theory 上进一步熟悉。

4. 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: 在双重差分（DiD）框架下，当平行趋势假设对部分处理队列成立而对其他队列不成立时，传统的平均处理效应（ATT）难以识别。本文提出改变目标 estimand：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估计处理效应。LATT 只需所选队列满足平行趋势，这一条件弱于全局平行趋势，因此可在 ATT 不可识别时实现点识别。估计方法通过对标准 group-time 效应进行重加权实现，并配以基于事前趋势检验的诚实敏感性边界，量化无法排除的残余违反。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向 pooled 估计实际上依赖于事前已呈趋势的队列，而可信子群体显示无效应。对您而言，本文在 DiD 的识别策略上提供了“改变 estimand 而非捍卫假设”的实用思路，与您 causal inference 中 sensitivity analysis 和 identification 的子方向直接相关。
关键技术: difference-in-differences, parallel trends, reweighting estimator, sensitivity bounds, pre-trend screening
为什么对您有用: 本文直接切入您 causal inference 兴趣中 DiD 的平行趋势敏感性分析——当全局平行趋势失败时，通过重定义 estimand 到可信子群体来恢复点识别，并配以事前趋势检验的敏感性边界。武器库中 very_familiar 的 estimation theory in causal inference 可直接用于理解其重加权估计量的构造和识别条件；moderately_familiar 的 identification theory 可进一步分析其识别假设的弱化程度。中期可做：若想将此类“子群体 estimand”思路推广到更复杂的纵向设定（如 staggered DiD 或 event study），需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以处理更一般的权重选择和效率界。

5. 2608.18973 — Don't Drop the Singletons: Efficient Inference for Pairwise Experiments with Independent Attrition¶

作者: Simon Heß, Patrick W. Schmidt
相关性 6/10 · novelty: new_method
摘要: 本文研究配对随机化实验（pairwise randomization）中独立损耗（independent attrition）下的高效推断问题。目标是在损耗发生后，利用所有观测单元（包括不完整配对）进行推断，同时保留配对设计带来的效率增益。核心方法包括：(1) 提出一种特定的置换检验（permutation test），在 sharp null 下精确控制 size，且能利用完整和不完整配对；(2) 构造最优加权估计量，有效结合配对内和跨配对比较；(3) 证明该检验程序在任意损耗水平下，统计功效均优于常用的配对 t 检验和两样本 t 检验。实用上，该高效程序可通过加权固定效应回归实现，易于在标准软件中操作。对您而言，本文是因果推断中实验设计（配对随机化）与损耗问题结合的一个干净案例，其置换检验和加权估计思路可迁移到您熟悉的纵向因果推断或 IV 设定中的损耗处理。
关键技术: permutation test, weighted fixed effects regression, pairwise randomization, independent attrition, efficient inference
为什么对您有用: 本文直接关联您的 primary interest 中的因果推断（实验设计、损耗处理），且方法学上干净（置换检验 + 加权估计），属于您 very_familiar 的估计理论范畴。武器库中的 minimax bounds 和 estimation theory 可用来验证其加权估计量的最优性是否紧。立即可做：用您熟悉的非参统计和因果推断工具即可复现或扩展其方法到更复杂的损耗机制（如非独立损耗）。

6. 2608.18858 — Functional forms in joint models for longitudinal and time-to-event data: A practical guide with application and interpretation¶

作者: Felix Boakye Oppong, Dimitris Rizopoulos, Thierry Gorlia, Nicole Erler
相关性 5/10 · novelty: application
摘要: 本文系统性地梳理了纵向数据与生存时间联合模型中，连接生物标志物轨迹与事件风险的函数形式选择问题。研究聚焦于瞬时效应（当前值、斜率、加速度）、累积与变化效应、共享随机效应以及变异性关联等多种关联结构。利用MIRAGE胶质母细胞瘤试验中的白细胞计数与总生存期数据，展示了不同函数形式如何捕捉生物标志物轨迹的不同特征，并定义不同的生物标志物-风险关系。结果表明，瞬时形式反映当前水平或短期动态，累积与变化形式体现长期暴露或趋势，变异性结构则量化轨迹的不稳定性作为预后信号。关联参数依赖于函数形式、生物标志物尺度与时间尺度，效应大小不可直接比较。本文强调，函数形式的选择是联合模型中的关键建模决策，必须与科学问题对齐以确保有效解释与透明报告。对您而言，该文直接关联纵向因果推断中暴露-结局关系建模的敏感性分析问题，您可用非参数统计工具（如sieve估计）或HOIF方法探索更灵活的函数形式选择与推断。
关键技术: joint models for longitudinal and time-to-event data, functional form specification, current value association, cumulative association, shared random effects, sensitivity analysis
为什么对您有用: 本文直接关联您的primary interest中的纵向因果推断（longitudinal causal inference）子方向，特别是暴露-结局关系建模中的函数形式选择与敏感性分析。您可以用very_familiar的非参数统计工具（如sieve估计）或moderately_familiar的HOIF方法，探索更灵活的函数形式（如时变系数、非参数关联）并建立相应的推断理论。中期可做：需先在HOIF上长肌肉，以处理联合模型中纵向过程与生存过程的联合似然或部分似然的高阶影响函数。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 2608.19045 — Distributed Online Estimation of Spiked Eigenvalues with Adaptive Weighting under Persistent Aspect Ratio Heterogeneity¶

作者: Lu Yan, Jiang Hu, Yonghan Zhang, Xiaoyue Li
相关性 7/10 · novelty: new_method
摘要: 研究在分布式在线设定下，当各节点有效样本量异质且持续变化时，对高维协方差矩阵的spiked特征值进行在线估计的问题。在比例高维渐近框架下，每个节点上的局部Rayleigh统计量受到节点特定长宽比c_{ℓ,t}=p/N^{eff}_{ℓ,t}的确定性扭曲，直接聚合未校正的统计量会收敛到错误极限。提出“先校正后聚合”框架：每个节点通过逆Rayleigh传输映射去除确定性偏差，服务器基于可预测的波动度量使用自适应soft-max权重融合校正后的估计，每轮每个活跃节点仅传输O(k)个标量。建立了全局估计量的相合性和渐近正态性，实现了有效的在线推断，并推导了非渐近界量化精度随节点数和有效样本量的提升。自适应权重达到了与oracle逆方差加权相当的方差缩减，确认了数据驱动构造的近似有效性。模拟验证了这些性质，跨场所监测主导市场因子的应用表明该方法能实时跟踪系统性风险，同时大幅降低通信成本。
关键技术: spiked covariance model, Rayleigh transfer map, adaptive soft-max weighting, proportional high-dimensional regime, distributed online estimation, asymptotic normality
为什么对您有用: 直接连接到高维统计与随机矩阵理论（RMT）这一主要兴趣，具体是spiked协方差模型在分布式在线场景下的估计问题。技术武器库中'高维渐近'和'逆问题'可用来分析其逆Rayleigh传输映射的偏差校正机制，'软件工程'可用于复现其自适应加权算法。中期可做：需先在'moderately_familiar'的M估计理论中熟悉在线随机逼近框架，才能将本文的分布式方案推广到更一般的spiked结构。

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

作者: Cosme Louart
相关性 7/10 · 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、且采用二次正则化的条件下，作者证明了对任意非退化统计量 √n u^T θ̂，以其期望中心化、以其标准差标准化后，在 Wasserstein 距离下以 O((log n)^7 n^{-1/4}) 的速率收敛到标准正态分布。证明技术包括：估计量的矩和稳定性界、二阶留一展开（second-order 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。该结果对高维统计推断（如构造置信区间）具有直接的理论价值，尤其与您的高维统计与随机矩阵理论兴趣高度相关。
关键技术: second-order leave-one-out expansion, Poincaré inequality, Wasserstein distance, regularized M-estimation, proportional-dimensional asymptotics, perturbative normal approximation
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，特别是比例极限 p=O(n) 下的推断问题。技术层面，其二阶留一展开和 Poincaré 不等式论证可被您的 minimax bounds 和 high-dimensional asymptotics 武器库（very_familiar）直接理解与评估，甚至可尝试将收敛速率从 O((log n)^7 n^{-1/4}) 改进到更优的幂律。中期可做：若想将结果推广到非二次正则化或非光滑损失，需先在 moderately_familiar 的 M-estimation theory 上加强。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 2608.19070 — Function-On-Function Regression Through Separable Neural Operators¶

作者: Tailen Hsing, Su-Yun Huang, Toshinari Morimoto
相关性 4/10 · novelty: new_method
摘要: 本文研究函数对函数回归（FoFR）中回归算子的估计问题。传统方法多局限于线性模型或简单非线性扩展，本文提出可分离神经算子（separable neural operator）架构，在温和光滑性假设下拟合一般回归算子。该架构将回归算子分解为输入依赖的系数函数与输出依赖的基函数，属于算子学习（operator learning）范式在统计回归中的适配。在理论方面，作者在函数型数据可于稠密（可能不规则）离散网格上观测的条件下，证明了估计量的相合性。实证部分使用BGC Argo海洋数据展示了方法的应用潜力。对您而言，本文的非参数回归算子估计框架与您熟悉的非参数统计和逆问题理论有直接关联，其神经算子架构的相合性证明思路可迁移至您关注的函数型因果推断或高维函数型数据建模问题。
关键技术: separable neural operator, function-on-function regression, operator learning, consistency under irregular grids, BGC Argo data
为什么对您有用: 本文连接您的非参数统计与函数型数据分析兴趣，其神经算子架构的相合性证明可视为非参数回归在无限维空间中的推广。您武器库中'非参数统计'和'逆问题'的功底可直接用于理解其估计量的收敛速率与光滑性条件，但核心机器'神经算子'不在您的武器库中（属于深度学习架构），因此暂不可做直接方法改进，但可作为gateway reading了解算子学习在统计回归中的适配方式。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)¶

1. 2608.18893 — Model-based bootstrap inference for Cox models after Lasso selection¶

作者: Lena Schemet, Andreas Groll, Sarah Friedrich-Welz
相关性 6/10 · novelty: new_method
摘要: 本文研究 Cox 比例风险模型经 Lasso 变量选择后的推断问题。标准 Wald 型区间在选后条件覆盖上表现差，作者提出一种基于模型的 bootstrap 方法：先用 Cox-Lasso 选变量，再对选定变量拟合无惩罚 Cox 模型，然后从半参数 plug-in Cox 模型（含 Breslow 基线累积风险估计和 plug-in 删失分布）生成 bootstrap 样本，每次只重拟合无惩罚模型。在 oracle 型稀疏假设和标准 Cox 正则性条件下，证明了该 bootstrap 的一阶有效性。模拟显示，百分位数和学生化 bootstrap 区间在小样本下条件覆盖优于 bootstrap-Wald 区间，与去偏区间竞争力相当但依赖信号强度和选择稳定性。SEER 乳腺癌数据示例展示了实际可行性。对您而言，该工作连接了高维变量选择后的频率推断问题，其 bootstrap 有效性证明思路（基于半参数 plug-in 模型）可迁移至您熟悉的非参数统计和 M-估计理论框架，中期可做：需先巩固 moderately_familiar 中的 M-估计理论以处理更一般的选后推断设定。
关键技术: model-based bootstrap, Cox-Lasso variable selection, semiparametric plug-in estimator, Breslow estimator, conditional coverage, debiased Lasso
为什么对您有用: 直接连接 primary interest 中的 hypothesis testing 和高维统计（Lasso 选后推断）。技术武器库中 very_familiar 的 minimax bounds 和非参数统计可用于分析该 bootstrap 的收敛速率是否最优；moderately_familiar 的 M-估计理论可帮助推广至更一般的选后推断框架（如广义线性模型）。中期可做：需先在 M-估计理论上长肌肉，才能处理非 oracle 设定下的 bootstrap 有效性。

2. 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 4/10 · novelty: new_method
摘要: 本文针对有限支撑离散随机变量的 Shannon、Rényi 和 Tsallis 三种 extropy 的 plug-in 估计量，推导了其一阶有限样本偏差的显式公式。核心思路是通过分析中间泛函 S_α = Σ (1-p_i)^α 的偏差结构，将偏差分解为可解析修正的项。基于此构造了偏差校正估计量，并证明校正与未校正估计量渐近等价，仅相差 O(1/n) 项。模拟验证了校正估计量在有限样本下的优越表现。该工作为 extropy 的统计推断提供了精确的小样本工具，对您在高维离散分布或 U-statistic 框架下的偏差分析有直接参考价值。
关键技术: plug-in estimator, bias correction, first-order bias expansion, Shannon extropy, Rényi extropy, Tsallis extropy
为什么对您有用: 本文属于 hypothesis_testing 方向下对离散分布熵类泛函的有限样本偏差校正，与您 primary interest 中的 mathematical statistics & hypothesis testing 直接相关。技术武器库中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可直接用于分析其偏差展开的紧性，而 moderately_familiar 的 higher-order U-statistics 理论可尝试将偏差校正推广到高阶情形。中期可做：需先在 moderately_familiar 的 higher-order U-statistics 理论上长肌肉，以处理更复杂的泛函偏差结构。

统计计算 / 算法 (stat_computing, 3 篇)¶

1. 2608.15478 — Bootstrap Error Estimation and Sketch-Size Selection for Sketched Ridge Regression¶

作者: Akito Narahara, Takayuki Kawashima, Takafumi Kanamori
相关性 5/10 · novelty: new_method
摘要: 本文针对大规模岭回归中的随机草图化（randomized sketching）问题，提出了一种基于配对行自助法（paired-row bootstrap）的系数误差估计方法，仅需使用压缩后的数据即可估计误差。在固定系数维数、数据量和草图尺寸同步增长的设定下，推导了草图化估计量和条件自助分布的新近线性表示及高斯极限，证明了自助法误差分布的一致一致性以及当估计量和误差界基于同一草图计算时的渐近精确覆盖。对于具有独立、零均值、单位方差元素的草图矩阵，给出了显式协方差公式，分离了残差、正则化和草图元素四阶矩的影响，并证明Rademacher条目在Loewner序下最小化主导协方差矩阵。还开发了快速线性化自助法、有限自助复制次数的顺序统计量校正以及用于从固定草图尺寸集合中选择的Bonferroni规则。在两组真实和两组合成数据集上的实验支持了所提方法：当草图尺寸为系数数的15倍、199次自助复制、名义覆盖率为95%时，带重拟合的自助法覆盖率为92.0%–95.3%；经顺序统计量校正后，覆盖率为94.7%–97.7%。本文对您作为统计计算方向的研究者很有价值，因为它直接涉及大规模计算中的误差量化问题，且其自助法框架与您熟悉的非参数统计和软件工具（如einsum）有潜在结合点，可用于评估更复杂统计量的计算误差。
关键技术: paired-row bootstrap, randomized sketching, ridge regression, asymptotic linear representation, Loewner order, Bonferroni rule
为什么对您有用: 本文属于统计计算方向，直接对应您primary_interests中的'statistical computing (numerical methods, algorithm)'。其核心问题——在数据压缩（草图化）后如何准确估计系数误差——是计算效率与统计精度权衡的典型例子，与您感兴趣的'statistical-computational tradeoff'高度相关。从技术武器库看，您对'nonparametric statistics'和'high-dimensional asymptotics'非常熟悉，可以立即用这些工具评估本文自助法在非参数设定下的推广性（立即可做）。此外，本文的线性化自助法和Bonferroni规则为实际软件实现提供了清晰路径，您可考虑将其整合到自己的统计计算软件中。

2. 2608.18695 — gridcp: Fast Online Changepoint Detection in Python¶

作者: Per August Jarval Moen, Sebastian Grau Nielsen, Espen Bjørge Urheim, Martin Tveten, Ingrid Kristine Glad
相关性 4/10 · novelty: new_method
摘要: 本文提出并实现了 gridcp，一个用于在线变点检测的 Python 包。核心方法基于 Moen (2026) 的网格策略：在数据流上维护一个稀疏的几何间隔网格（过去越远的点间隔越大），从而将每个新观测的更新时间和内存消耗从 O(n) 降至 O(log n)。该包提供统一接口，用户可选择九种 Numba 加速的检验统计量（均值、方差、协方差、回归系数变化、非参数检验、指数族广义似然比检验），也可自定义检验。检测阈值通过 Monte Carlo 校准至目标虚警概率或平均运行长度，支持数据驱动变体。模拟和三个真实数据案例表明，校准准确、运行时间随流长和维度扩展良好，且检测延迟短。对您而言，这是一个将离线检验高效转化为在线检测的实用工具，其网格策略和软件实现可直接用于您在高维统计和因果推断中可能遇到的流式数据场景。
关键技术: geometric grid of split points, online changepoint detection, Numba acceleration, Monte Carlo threshold calibration, generalized likelihood-ratio test
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。其网格策略的 O(log n) 更新复杂度是一个精巧的算法设计，您可以用 very_familiar 的软件开发和 high-dimensional asymptotics 工具来理解其理论保证（finite-sample detection delay bounds）。中期可做：若您想将类似网格思想推广到因果推断中的在线结构变化检测（如在线 IV 或 proximal CI 的稳定性监测），需先在 moderately_familiar 的 identification theory 上长肌肉。

3. 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 4/10 · novelty: application
摘要: 本文针对一维高斯过程回归（GPR）中状态空间表示下的推断与超参数学习问题，提出使用修正 Bryson-Frazier（MBF）平滑器替代传统的 Rauch-Tung-Striebel（RTS）平滑器。RTS 平滑器需要求逆预测状态协方差矩阵，在高斯过程核函数导致病态条件时易出现数值不稳定。MBF 平滑器通过避免该矩阵求逆，在保持相同后验分布的前提下，降低了计算复杂度和内存需求，并提升了数值鲁棒性。此外，MBF 平滑器计算的中间量可直接用于计算负对数边际似然的梯度，从而以极小的额外代价实现核超参数的学习。实验验证了 MBF 方法在数值稳定性和计算效率上的优势。对您而言，本文属于统计计算中的数值算法改进，与您对统计计算（数值方法、算法）的兴趣直接相关，可作为了解状态空间 GPR 中数值稳定平滑技术的入门读物。
关键技术: Modified Bryson-Frazier smoother, Rauch-Tung-Striebel smoother, state-space representation, Kalman filtering, Gaussian process regression, hyperparameter learning via marginal likelihood gradients
为什么对您有用: 本文属于统计计算（数值方法、算法）方向的 gateway reading。您对统计计算有兴趣，且武器库中有软件开发和逆问题经验，本文的 MBF 平滑器是数值线性代数层面的改进，您完全有能力理解并评估其数值稳定性分析。中期可做：若想将此类状态空间方法推广到更高维或非平稳核，需先在 moderately_familiar 的 M-estimation 理论上补足对状态空间模型参数估计的理解。

天体统计 (astrostats, 3 篇)¶

1. 2608.19419 — Microlensify: a Transformer Based Machine Learning Classifier for Microlensing Events Trained on TESS Light Curves¶

作者: Atousa Kalantari, Somayeh Khakpash, Sedighe Sajadian, Hosein Haghi, Willow Fox Fortino, Rosanne Di Stefano
相关性 6/10 · novelty: application
摘要: 本文提出 Microlensify，一个基于 Transformer 的变分自编码器，用于从 TESS 卫星高频率测光数据中识别微引力透镜事件。模型以物理模拟的单透镜微引力透镜光变曲线和真实 TESS 数据训练，能同时完成事件分类、光变曲线重建和事件持续时间估计。应用于约 560 万条 TESS 光变曲线后，识别出 0.036% 至 1.89% 的候选事件，并通过 SIMBAD 交叉匹配和微引力透镜检测指标过滤，识别出长周期变星、Mira 变星、激变变星、红巨星和瞬变源等假阳性。还发现小行星穿越造成的高斯型峰值是高频率微引力透镜调查中新的假阳性来源。模型对事件持续时间的预测精度达到 R²=0.97，并在来自不同地面微引力透镜调查的已发表事件上验证，确认 92.7% 为真实微引力透镜事件，展示了跨调查的泛化能力。
关键技术: Transformer-based variational autoencoder, physics-informed machine learning, time-series classification, light curve reconstruction, false positive identification
为什么对您有用: 这是一篇 astrostatistics 方向的入门级读物，清晰展示了天文学家如何将机器学习（Transformer VAE）应用于大规模测光数据（TESS 的 560 万条光变曲线）进行事件检测和假阳性识别。文章对数据侧（噪声、采样、选择效应）和模型侧（物理模拟、VAE 重构、分类）都有明确交代，适合作为统计学家进入微引力透镜数据分析的起点。武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 虽不能直接攻这篇的具体方法，但足以理解其分类和回归的统计框架；若想深入改进其假阳性控制或不确定性量化，需先在 'semiparametric theory' 或 'M-estimation theory' 上长肌肉。总体而言，这是一篇值得花时间读全文的 gateway 文章。

2. 2608.19409 — ADORA: a differentiable optical modeling and astrometric retrieval framework for SHERA¶

作者: Dylan McKeithen, Stuart Shaklan, Gautam Vasisht, Joe Green, Rhonda Morgan, Louis Desdoigts et al.
相关性 5/10 · novelty: application
摘要: 本文针对 SHERA 小卫星任务中微角秒级相对天体测量问题，提出 ADORA 框架。该框架将可微分的物理光学前向模型（含衍射光瞳、镜面波前误差、多色光源等）与分层天体测量推断算法结合。每帧配准状态通过 Schur 补消去局部参数，再在 Fisher 特征基下更新慢变天体测量与仪器状态。五分钟匹配模型模拟显示无分离偏差，实现间散布约 11 微角秒；目标扫描显示半人马座 α 与天鹅座 61 的天体测量信息量相差五倍以上。高阶波前知识误差可导致强偏解而局部后验 sigma 几乎不变，表明统计曲率无法捕捉未建模偏差。ADORA 为天体测量提取、校准偏差诊断及未来 SHERA 需求研究提供了灵活框架。作为天体测量学入门读物，本文清晰交代了数据生成模型（光学系统、探测器效应）和推断流程（分层参数、Fisher 信息），适合统计学家了解该领域的数据结构与挑战。
关键技术: differentiable physical-optics forward model, Schur complement for nuisance parameter elimination, Fisher eigenbasis update, matched-model simulation, calibration-bias diagnosis
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰展示了天体测量学中一个真实的数据分析问题——从光学图像中分离天体运动与仪器噪声，数据生成模型（衍射、波前误差、多色响应）和推断流程（分层参数、Fisher 信息）都交代得比较清楚，适合作为统计学家进入该领域的入门读物。武器库方面：您对 inverse problems with random noise 和 high-dimensional asymptotics 的熟悉度足以理解其 Fisher 信息分析和偏差诊断逻辑，但本文不涉及您核心的 causal / semiparametric 工具，因此属于暂不可做——核心机器（物理光学建模、天体测量学领域知识）不在武器库里，但作为跨学科阅读值得花时间读全文。

3. 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 4/10 · novelty: application
摘要: 本文介绍了EON-SII的设计与性能，这是一个双望远镜恒星强度干涉仪，旨在将强度干涉测量技术扩展到V星等约8.5至10.7的致密天体（如白矮星、中子星）。恒星强度干涉测量通过记录望远镜观测到的光子到达时间涨落的关联来测量角尺度，其分辨率远超单个光学望远镜，且几乎不受大气湍流影响。EON-SII的每个望远镜拥有4米直径主镜（约9平方米收集面积）、主动对准的18面板主镜和卡塞格林光学系统，能将至少90%的光汇聚在3角秒内。其无光纤光谱仪覆盖400-550纳米波段，光谱分辨率R~7000-8000，可提供约1000个统计独立的谱通道。文章还讨论了该仪器相较于现有伽马射线望远镜（如VERITAS、MAGIC）在SII观测上的优势，以及其作为可运输系统的设计考量。对您而言，这是一篇优秀的入门级天文学仪器论文，清晰阐述了SII的物理原理、数据生成机制（光子关联测量）和仪器设计权衡，适合作为了解天文学中统计信号处理问题的起点。
关键技术: stellar intensity interferometry, photon correlation, Hanbury Brown-Twiss effect, Cassegrain optics, spectrograph design
为什么对您有用: 本文属于astrostats的gateway reading。它清晰阐述了SII的物理原理（光子关联测量）和仪器设计，不假设读者有天文学背景，适合作为入门读物。武器库中的'非参数统计'和'高维渐近'可用于理解其多谱通道的统计推断问题，但核心仪器设计细节（光学、机械）不在武器库内，因此暂不可做直接的方法学迁移。值得花时间读全文以了解天文学中的独特数据结构和统计挑战。

其他 (other, 3 篇)¶

1. 2608.19282 — Recovering Nonlinear Functions of Latent Variables: A Plausible-Value Neural Network Framework¶

作者: Eunjeong Song, Sehee Hong
机构: Korea University
相关性 6/10 · novelty: application
摘要: 该文研究当因子得分替代真实潜变量进行非线性预测时，测量误差对回归函数恢复的影响。通过Hermite多项式展开，作者推导出任何k阶成分的可恢复方差被衰减为ρ^k（因子得分决定系数的k次幂）的理论界。提出PV-ANN框架：使用合理值（保留潜变量方差的后验抽样）结合人工神经网络（无需预设函数形式）来恢复潜变量尺度上的非线性函数。模拟实验表明，在低信度非线性条件下，PV-ANN能弥合约五分之四的函数形状恢复差距，且随信度降低优势扩大，但预测精度无提升，符合理论预测。大五人格应用展示了探索性工作流及弱信号和测量模型误设下的边界条件。该文方法学新颖性有限，主要贡献在于理论界推导和实证验证，对您的高维统计或因果推断方向直接帮助不大。
关键技术: Hermite polynomial expansion, plausible values, artificial neural networks, measurement error attenuation, coefficient of determination
为什么对您有用: 该文属于心理测量学领域，与您的主要兴趣（因果推断、高维统计）和方法库（非参数统计、U统计量）关联较弱。作为入门读物，它清晰展示了潜变量测量误差对非线性函数恢复的影响，但核心问题（因子得分vs合理值）并非您武器库的典型应用场景。暂不可做：缺乏直接可迁移的方法学接口。

2. 2608.18914 — A Composite Divergence Approach to Robust Multivariate Estimation under Cellwise and Casewise Contamination¶

作者: Abhik Ghosh, Claudio Agostinelli, Ayanendranath Basu
相关性 6/10 · novelty: new_method
摘要: 本文提出复合密度幂散度（CDPD）方法，用于在多元统计模型中同时抵御个案污染和单元污染。CDPD 将复合似然（CL）的计算可扩展性与密度幂散度（DPD）的稳健性结合，仅需低维边际或条件组分的密度，无需完整联合密度。最小 CDPD 估计量（MCDPDE）在仅对组分模型施加正则性条件下具有相合性、渐近正态性和有界影响函数，且对任意正调谐参数定性稳健。该方法不限于椭圆分布族，可推广至更广泛的多元模型。模拟和实际数据表明，MCDPDE 在保持竞争效率的同时显著提升稳健性。该工作对您的主要兴趣（稳健统计、高维估计）有间接参考价值，但核心方法（复合似然与散度结合）与您的武器库（非参、U-统计量）交叉有限。
关键技术: Composite likelihood, Density power divergence, Influence function, Qualitative robustness, Cellwise contamination
为什么对您有用: 本文属于稳健统计方法，与您的主要兴趣（因果推断、高维统计）无直接重叠，但可作为统计计算与稳健估计的入门阅读。您的武器库中非参统计和M-估计理论可帮助理解其渐近性质，但核心的复合似然与散度结合机制并非您熟悉的方向。暂不可做：缺乏对复合似然框架和稳健散度理论的深入经验。

3. 2608.18953 — Mixed Membership Model of Low-rank Matrices with Multimodal Extension¶

作者: David Snider, Zhongyuan Lyu, Jian Kang, Yuqi Gu
相关性 4/10 · novelty: new_method
摘要: 本文提出一种低秩混合成员模型（Mixed Membership Model），用于处理矩阵值观测数据（如多重网络、神经影像）。模型假设每个受试者的期望矩阵是若干潜在低秩基矩阵的凸组合，从而同时获得可解释的群体级极端轮廓和连续的个体级成员权重。多模态扩展版本允许不同模态共享成员权重但拥有各自的基矩阵，并在单模态不可识别时恢复可识别性。在纯受试者条件下建立了模型的可识别性，并提出了带谱初始化和低秩精化的约束最小二乘估计器。推导了非渐近误差界，估计器在几何条件下达到基矩阵和成员权重的分离收敛率，且重构率在log因子下达到极小极大最优。模拟实验验证了理论速率，Human Connectome Project的功能连接数据分析表明估计的脑连接轮廓与认知表型显著关联。对您而言，本文属于统计计算与高维矩阵建模的交叉，但核心方法（混合成员、低秩分解）与您的主要兴趣（因果推断、高维统计）距离较远，更像一篇应用导向的矩阵建模论文。
关键技术: low-rank matrix factorization, mixed membership model, constrained least squares, spectral initialization, nonasymptotic error bounds, multimodal tensor extension
为什么对您有用: 本文属于矩阵建模与统计计算方向，与您的主要兴趣（因果推断、高维RMT、U统计量）无直接交集。作为gateway reading，本文对统计计算（低秩分解算法、谱初始化）有一定参考价值，但核心问题（混合成员识别、多模态扩展）不在您的武器库核心范围内。暂不可做——缺少混合成员模型识别理论和非凸优化收敛分析的工具积累。

🗂 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. 2608.18742 — Regularised Iterative Generalised Least Squares with Optimal Selection of the Hyper-Parameter for Identifying Nonlinear Phenomenological Models¶

作者: Mark Cary, Charles Bokor
相关性 3/10
评分理由: 锂电池健康预测的正则化方法，与主要兴趣领域无关。

2. 2608.18735 — Robust Modeling of Extremes in the Presence of Inliers with Enhanced Tail Estimation¶

作者: Shivshankar Nila, Ishapathik Das, N. Balakrishna
相关性 3/10
评分理由: 极值理论的稳健建模，与主要兴趣领域（因果/高维/半参）无关。

3. 2608.17353 — SDR Variance Estimates in Small Domains¶

作者: Eric Slud, Tim Trudell
相关性 3/10
评分理由: Survey variance estimation with SDR is a niche topic unrelated to the researcher's primary interests.

4. 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: 应用机器学习方法，与主要统计兴趣（因果推断、高维统计等）无直接关联。

5. 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: 纯copula理论，与因果推断、高维统计等主要兴趣无关。

6. 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: copula测度表征，纯数学性质，不涉及统计推断或计算。

7. 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 3/10
评分理由: 扩散模型主题，与主要统计兴趣（因果推断、高维统计等）无关。

8. 2608.19371 — Shaping SHAPE - A spectro-polarimeter onboard Chandrayaan-3 to observe Earth as an Exoplanet¶

作者: Anuj Nandi, Swapnil Singh, Bhavesh Jaiswal, Anand Jain, Smrati Verma, Reenu Palawat et al.
相关性 3/10
评分理由: 仪器描述，缺乏数据/模型分析维度，不适合作为统计入门阅读。

9. 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 3/10
评分理由: 宇宙学望远镜通带测量与系统误差分析，涉及误差建模但方法为光学仿真而非统计，与研究者兴趣关联极弱。

10. 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: 数据归约管道定标，有软件工程但无统计方法，与研究者兴趣弱相关。

11. 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: 波前控制仿真框架，有软件但无统计方法，与研究者兴趣弱相关。

12. 2608.17097 — Simulating Zernike-based CWFSing with HCIPy¶

作者: Klaus Subbotina Stephenson, Kate Jackson
相关性 3/10
评分理由: 涉及波前传感模拟，有数值模拟但无统计推断或数据建模，与兴趣弱相关。

13. 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，有数据质量考量但无统计方法论，与兴趣弱相关。

14. 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 3/10
评分理由: 核天体物理Python库，有软件工具但领域与统计兴趣无关，仅因软件兴趣得低分。

15. 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 3/10
评分理由: 日食气球观测，有简单图像分析但无统计方法创新，不满足天文统计网关阅读标准。

16. 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 processes is unrelated to the researcher's primary or secondary interests.

17. 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 2/10
评分理由: Wildlife population modeling with spatial capture-recapture is unrelated to the researcher's primary or secondary interests.

18. 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 2/10
评分理由: 关于矩阵旋转和去相关的线性代数方法，与研究者核心兴趣领域无关。

19. 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 2/10
评分理由: 海洋学数据可视化，无统计推断或方法论贡献，与兴趣不匹配。

20. 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 2/10
评分理由: 信息论中复杂度渐近性，与研究者主要兴趣领域无关。

21. 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，应用领域与研究者兴趣完全无关。

22. 2608.19449 — Fast Control for LIGO Interferometer Lock Acquisition¶

作者: Masaya Ono, Nathan A. Holand, Radhika Bhatt, Peter G. Carney, Francisco Salces Càrcoba, Koji Arai et al.
相关性 2/10
评分理由: LIGO引力波探测器的控制工程问题，与统计方法或因果推断无关。

23. 2608.19337 — Design, assembly, and initial test results of a cryostat for holographic characterization of microwave telescopes¶

作者: Jon E. Gudmundsson, Miranda Eiben, Thomas J. L. J. Gascard, Eve M. Vavagiakis
相关性 2/10
评分理由: 低温恒温器工程设计，与统计方法无关。

24. 2608.19176 — Effects of manufacturing tolerances on the performance of metamaterial microwave anti-reflection coatings¶

作者: Rustam Balafendiev, Miranda Eiben, Jon E. Gudmundsson
相关性 2/10
评分理由: 超材料涂层制造公差分析，与统计方法无关。

25. 2608.19102 — Real-Time RFI Mitigation in SPOTLIGHT: A Two-Stage Approach for Transient Searches¶

作者: Raghav Wani, Jayanta Roy, Harshavardhan Reddy, Sanjay Kudale, Ujjwal Panda, Karel Adamek et al.
相关性 2/10
评分理由: 纯射电天文仪器工程论文，无统计方法或数据建模内容，与研究者兴趣无关。

26. 2608.18951 — Asgard/NOTT: Status of laboratory nulling performance¶

作者: T. Mattheussen, R. Laugier, D. Defrère, G. Garreau, P. Chingaipe, G. Raskin et al.
相关性 2/10
评分理由: 天文仪器性能报告，无统计方法或数据建模内容，与研究者兴趣无关。

27. 2608.18877 — Estimation of systematic error from bulk deformation of end test mass induced by photon calibrator for LIGO post-O5 gravitational wave projects¶

作者: Daiki Tanabe, Aloysius Niko, Kun-Yao Chang, Yuki Inoue, Dripta Bhattacharjee, Richard Savage et al.
相关性 2/10
评分理由: 引力波探测器校准误差分析，涉及物理建模但无统计方法或数据科学内容，与研究者兴趣无关。

28. 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: 涉及时间序列拟合，但纯天文学应用且无统计方法论贡献，不符合gateway阅读标准。

29. 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: 仪器描述和性能表征，无统计方法或数据建模，与研究者兴趣无关。

30. 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: EMCCD增益寄存器模拟，纯仪器物理，无统计或数据建模内容。

31. 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 2/10
评分理由: Zernike波前传感器表征，纯仪器光学，无统计或数据建模内容。

32. 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 2/10
评分理由: 纯天文仪器校准论文，与统计兴趣无直接关联，且无数据/模型维度吸引统计学家。

33. 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 2/10
评分理由: 天文仪器任务更新，无统计方法或数据建模内容，不满足任何兴趣。

34. 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: 天文干涉仪技术演示，无统计方法或数据建模内容，不满足任何兴趣。

35. 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: 天文观测规划工具开发，无统计方法或数据建模内容，不满足任何兴趣。

36. 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: 天文任务观测计划设计，无统计方法或数据建模内容，不满足任何兴趣。

37. 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 2/10
评分理由: 纯天文仪器软件工程，无统计方法或数据建模内容，与研究者兴趣无关。

38. 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 2/10
评分理由: 系外行星成像望远镜设计，无统计方法或数据建模内容。

39. 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: 无线电波传播物理模型，无统计推断或数据建模内容。

40. 2608.18435 — A seamless dose-optimization design for monotherapy and combination therapy¶

作者: Kentaro Takeda, Masahiro Kojima
相关性 1/10
评分理由: Dose-optimization design for oncology is unrelated to the researcher's primary or secondary interests.

41. 2608.18434 — Boundaries of logarithmic Voronoi cells can be transcendental¶

作者: Yulia Alexandr
相关性 1/10
评分理由: 代数几何/代数统计中的技术结果，与研究者兴趣领域完全无关。

42. 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，纯概率理论，与统计推断或计算无关。

43. 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 1/10
评分理由: 体育赛事结果分析，与研究者兴趣（因果推断、高维统计等）无关。

44. 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: 体育赛事主场效应分析，与研究者兴趣无关。

45. 2608.18998 — Physical Optics Analysis of Polarization Effects in SO LAT Reflectors¶

作者: Xiaodong Ren, Patricio A. Gallardo, Jon E. Gudmundsson
相关性 1/10
评分理由: 纯物理光学仿真，无统计或数据科学内容，与研究者兴趣无关。

46. 2608.18912 — First demonstration of a multimode-to-multimode photonic lantern for astronomy¶

作者: Marina Centenera-Merino, Andrew Ross-Adams, Christopher Betters, Pedro J. Amado, Jesus Aceituno, Kalaga Madhav et al.
相关性 1/10
评分理由: 光子灯笼器件工程论文，无统计或数据科学内容，与研究者兴趣无关。

47. 2608.18880 — VERITAS 2.3.1: Optimisation and Characterisation of the Enhanced Readout ASIC for the NewAthena Wide Field Imager¶

作者: Ajay Kumar Dakshinamurthy, Sven Herrmann, Peter Orel, Anna-Katharina Schweingruber, Astrid Mayr, Johannes Muller-Seidlitz et al.
相关性 1/10
评分理由: X射线卫星读出芯片工程论文，无统计或数据科学内容，与研究者兴趣无关。

48. 2608.18793 — Millimeter and sub-millimeter characterization of polymers used for infrared filters in high-sensitivity cryogenic microwave telescopes¶

作者: Miranda Eiben, Rustam Balafendiev, Thomas Gascard, Jon E. Gudmundsson
相关性 1/10
评分理由: 毫米波材料光学特性表征，纯工程测量，无统计或数据科学内容，与研究者兴趣无关。

49. 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: 纯天文学SETI搜索，无统计方法或数据建模内容，与研究者兴趣无关。

50. 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 1/10
评分理由: 射电望远镜控制工程，与统计推断、因果推断或高维统计完全无关。

51. 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 1/10
评分理由: 毫米波自适应光学硬件实验，无统计或数据建模维度。

52. 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: 低温干涉仪实验硬件，无统计或数据建模维度。

53. 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: 低温干涉仪实验硬件，无统计或数据建模维度。

作者: Christopher Williams
相关性 1/10
评分理由: 纯天文学社会网络分析，无统计方法或数据建模内容，与研究者兴趣无关。

55. 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: JWST仪器操作描述，无统计方法或数据建模内容，与研究者兴趣无关。

56. 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: 望远镜机械结构工程设计，与统计研究完全无关。

57. 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: 望远镜结构抗震适应性工程，与统计研究完全无关。

Maintained by 陈星宇 · Homepage · Source on GitHub