2026-08-24 每日 arXiv 资讯

• 高相关论文 18 篇 · 中相关 58 篇 · 其他 38 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 17 篇)

1. 2608.20744 — Heterogeneous Effects of Continuous Treatments via Conditional Modified Treatment Policies

• 作者: Samhita Pal, Jared D Huling
• 相关性 9/10 · novelty: new_method
• 摘要: 针对连续型处理变量（如药物剂量、呼吸机强度），本文提出条件修正处理策略（CMTP）框架，以估计对当前剂量进行小幅调整（'nudge'）的异质性效应。目标 estimand 有两个：条件 nudge 效应（给定协变量下，将剂量从 a 移动 δ 后的期望结果变化）和 CMTP 效应（在给定协变量下的观测剂量分布上平均 nudge）。识别仅需弱局部正定性（shift-specific positivity）和条件可交换性，避免了传统剂量-反应函数所需的全局正定性假设。方法上，通过复制数据构造将 δ-移位转化为二臂比较，开发了基于平方误差和负对数似然损失的加权估计器和 A-learning 估计器，并引入增广版本以降低方差而不改变目标参数。建立了估计量的渐近正态性，模拟验证了理论。对 MIMIC-III 机械通气数据的分析识别出有望从适度降低机械功率中获益的患者特征。该框架直接服务于您对因果推断中连续处理效应异质性分析的兴趣，其弱假设识别策略和增广估计器设计对您熟悉的纵向数据因果推断有直接参考价值。
• 关键技术: conditional modified treatment policy, shift-specific positivity, duplicated-data construction, A-learning, augmented estimation, asymptotic normality
• 为什么对您有用: 直接连接您 primary interest 中的因果推断（连续处理效应异质性）和纵向数据。本文的弱假设识别策略（shift-specific positivity）和增广估计器设计，可用您 very_familiar 的 estimation theory in causal inference 工具直接理解和复现。中期可做：将 A-learning 与您 moderately_familiar 的 semiparametric theory 结合，推导 CMTP 的半参数效率界并构造 DML 版本。

2. 2608.20598 — Targeted Deep Survival Contrasts: Valid Inference for Treatment-Specific Survival Benefit with Neural Networks

• 作者: David McCoy, Yi Li
• 相关性 9/10 · novelty: new_method
• 摘要: 本文针对神经生存模型在观测数据中估计处理特异性生存曲线（treatment-specific survival curves）及其对比（benefit curve）时的因果推断问题。目标 estimand 是受限平均生存时间（RMST）差和整个生存获益曲线，在存在混淆和协变量依赖删失的设定下。作者提出 Targeted Deep Survival Contrasts (TDSC)，将 Targeted Maximum Likelihood Estimation (TMLE) 嵌入神经网络权重空间，通过单一通用 targeting path 同时求解所有时间点的投影估计方程。核心机制包括：利用 stacked efficient influence functions 的 ridge projection 到最后一层梯度上，实现一步式更新；再通过 one-step residual top-up 将 plug-in 估计转化为双稳健估计，并采用 multiplier bootstrap 构造获益曲线的同时置信带。理论贡献包括联合渐近线性性、置信带有效性以及 cross-fitted 变体的双稳健性（无需 Donsker 条件）。模拟实验表明，在混淆和异质性效应下，TDSC plug-in 的 MSE 比逐时间点 AIPCW 低 35%，且 top-up 在模型误设时仍能恢复名义覆盖（94-95%）。该方法对您在高维因果推断和效率理论方向有直接参考价值，尤其是将 EIF 与神经网络结合的策略可迁移至您熟悉的 proximal CI 或 longitudinal 设定。
• 关键技术: targeted maximum likelihood estimation (TMLE), efficient influence function (EIF), double robustness, cross-fitting, multiplier bootstrap, neural survival models
• 为什么对您有用: 本文直接连接您的 primary interest 中的因果推断（TMLE 在生存分析中的扩展）和效率理论（EIF 驱动的双稳健估计）。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 和 moderately_familiar 的 semiparametric theory 可直接用于理解其核心机制，并评估其 cross-fitted 变体的渐近性质。中期可做：若您想将类似 targeting path 思路迁移至 proximal CI 框架下的 survival estimand，需先在 moderately_familiar 的 identification theory in causal inference 上加强，特别是 negative control 假设下的 identification 条件。

3. 2608.19853 — Partial Identification Learning with Categorical Treatments for Individualized Treatment Rules

• 作者: Johannes Hruza, Paweł Morzywołek, Jakob Zeitler, Samir Bhatt, Michael C Sachs
• 相关性 9/10 · novelty: new_method
• 摘要: 本文针对分类治疗、分类结局和分类工具变量的设定，发展了个体化治疗规则（ITR）的部分识别学习框架。现有方法多限于二元治疗和Balke-Pearl经典IV边界，本文将其推广到更一般的因果结构。核心贡献是提出一种广义minimax损失准则，在部分识别边界下从多个治疗方案中选择使最大可能后悔最小化的规则。为处理离散治疗，采用对称嵌入策略将治疗映射到正则单纯形的顶点，避免了one-vs-rest的几何不一致性。推导了可微的加权替代风险函数，并证明其优化等价于原问题。在一般正则条件下给出了有限样本收敛率的oracle不等式，并验证了基于核的实现满足这些条件。数值实验表明，在存在未测量混杂时，该方法显著优于现有替代方案。对您而言，本文在IV和部分识别框架下处理多分类治疗，与您因果推断中IV和敏感性分析的兴趣直接相关。
• 关键技术: partial identification, minimax regret criterion, symmetric embedding (regular simplex), oracle inequality, kernel-based ITR learning
• 为什么对您有用: 本文直接连接您的primary interest中的causal inference子方向——IV和部分识别。技术层面，您可以用very_familiar的minimax bounds工具验证其oracle不等式的紧性，或用moderately_familiar的identification theory分析其边界假设的可检验性。中期可做：若想将方法扩展到连续治疗或高维协变量，需先在moderately_familiar的semiparametric theory上长肌肉（处理非参数IV边界）。

4. 2608.19749 — Causal Survival Forests with Negative Controls

• 作者: Zijun Gao, Kyoungeui Hong, Leyi Ma, Qianli Wu, Zachary Izzo, Ruishan Liu
• 相关性 9/10 · novelty: new_method
• 摘要: 本文研究存在未观测混杂和删失结局的观察性生存研究中异质性处理效应（HTE）的估计问题。作者将因果生存森林（CSF）与近端因果推断中的负对照（NC）相结合，提出了NC-CSF，一种灵活的非参数HTE学习器。该方法使用包含代理变量和Neyman正交化的损失函数来训练随机森林，从而减轻未观测混杂带来的偏差，并增强对 nuisance 估计的鲁棒性。通过涵盖不同混杂程度、代理相关性和删失机制的广泛模拟，NC-CSF相比现有基线显著降低了偏差和估计误差。在多个临床数据集上的应用验证了其实际效用，既确认了已有发现，也揭示了新的可解释的异质性处理效应模式。该方法将负对照与生存森林结合，为处理删失和混杂共存的复杂场景提供了实用工具，对您关注的纵向因果推断和近端因果推断方向有直接参考价值。
• 关键技术: Negative Control Causal Survival Forests, Neyman orthogonalization, proximal causal inference, heterogeneous treatment effect estimation, random forest for survival analysis
• 为什么对您有用: 本文直接连接您的 primary interest 中的 causal inference 子方向——proximal CI 的 negative control 设定与生存分析的结合。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 可以直接用于分析其正交化损失函数的理论性质，而 moderately_familiar 的 identification theory in causal inference 可用于评估其 proxy 假设的合理性。中期可做：若想进一步改进其理论保证（如建立 semiparametric efficiency bound），需先在 moderately_familiar 的 semiparametric theory 上加强。

5. 2608.20779 — Candidate Set Size and Voting Behavior: A Front-Door Approach to Causal Moderation

• 作者: Masayuki Haruhara
• 相关性 9/10 · novelty: new_method
• 摘要: 本文研究当处理变量随机分配但调节变量非随机时的因果调节效应（causal moderation）。作者将平行估计框架（parallel estimation）与前门调整（front-door adjustment）结合，识别平均处理调节效应（average mediated treatment moderation effect），即处理效应如何通过一个中介变量被调节变量所改变。核心设定是：处理变量（如竞选小册子的版面位置）随机分配，调节变量（如候选人数量）非随机，但调节变量通过一个可观测的中介（如总页数）影响结果。方法上，作者利用前门路径分解调节效应，并给出识别条件与估计量。实证部分使用东京165个市议会选举数据（1987-2023），其中版面位置由抽签决定，总页数由候选人数量和固定市政规则机械决定。结果显示，每增加一名候选人，通过页数渠道使首页效应（对获胜概率的影响）增加0.322个百分点，为基线效应的8.0%，而背面效应无显著增加。该工作对您可能有用：它展示了在非随机调节变量下如何利用前门调整进行因果推断，与您的因果推断（特别是中介分析和敏感性分析）兴趣直接相关，且其识别策略可迁移至流行病学队列研究中的类似设定。
• 关键技术: front-door adjustment, parallel estimation framework, causal moderation, mediated moderation, identification via negative control
• 为什么对您有用: 本文直接关联您的primary interest中的因果推断（中介分析和敏感性分析），具体是前门调整在非随机调节变量下的应用。您的武器库中'identification theory in causal inference'（moderately_familiar）可直接用于理解其识别条件，而'estimation theory in causal inference'（very_familiar）可用于评估其估计量的效率。中期可做：若想拓展至更复杂的调节变量结构（如高维或时变），需先在'semiparametric theory'（moderately_familiar）上加强，以推导半参数效率界。

6. 2608.23453 — Transporting Randomized Trial Effects to Real-World Populations via Riesz-Calibrated Optimal Transport

• 作者: Anik Burman, Margaret Gamalo, Promit Ghosal, Prosenjit Kundu
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究将随机对照试验（RCT）的治疗效果外推至真实目标人群的问题，目标估计量为目标人群的平均处理效应（ATE）。现有方法通常建模试验参与倾向性，易受模型误设和协变量分布重叠不足的影响。作者提出RICOT方法，基于最优传输（Optimal Transport, OT）直接对齐试验与目标人群的协变量分布，采用半非平衡熵正则化OT，并放松源边际约束。未校准的OT估计存在不随样本量衰减的偏差；RICOT通过在传输问题中直接施加校准方程来消除此偏差，校准后的权重一致估计目标-试验密度比（即目标期望泛函的Riesz表示子），即使熵正则化和源松弛参数固定为正。结合结果回归后，所得估计量具有双稳健性，并在适当速率条件下达到半参数效率界；其方差可直接从影响函数估计，无需重抽样或重复OT优化。模拟显示，在多种重叠和模型误设场景下（包括倾向得分方法表现不佳的情形），RICOT偏差低且覆盖接近名义水平。本文对您有用：它连接了因果推断中的外推性（transportability）问题，且其校准思路与您熟悉的半参数效率理论及双稳健估计直接相关，可作为中期可做的方向——需先巩固您moderately_familiar的identification theory和semiparametric theory。
• 关键技术: Optimal Transport, Riesz representer, calibration equations, doubly robust estimation, semiparametric efficiency bound, influence function
• 为什么对您有用: 本文直接关联您primary interest中的因果推断（外推性/transportability）和效率理论（semiparametric efficiency bound）。技术上看，RICOT的校准方程与Riesz表示子估计是您moderately_familiar的semiparametric theory和identification theory的典型应用——您可以用very_familiar的nonparametric statistics和minimax bounds来验证其校准权重的收敛率是否最优。中期可做：若想将OT引入您自己的因果推断工作，需先在moderately_familiar的identification theory上巩固（特别是Riesz表示子的识别条件），然后可尝试用higher-order U-statistics的treewidth视角分析OT优化问题的计算成本。

7. 2608.22957 — Identification and Inference for Causal Effects in Extremes under General Conditions

• 作者: Lisa Leimenstoll, Melanie Schienle
• 相关性 8/10 · novelty: new_method
• 摘要: 本文在结构因果模型（SCM）中研究极端事件（尾部）的因果识别与推断，目标 estimand 是 Causal Tail Coefficient (CTC)，衡量变量极端实现之间的因果依赖。与现有文献不同，模型允许系统中变量具有异质尾部指数，且允许存在潜在重尾混淆因子。核心识别策略是：轻尾混淆因子渐近可忽略，而重尾混淆因子可能产生与直接因果效应不可区分的极端依赖模式；当有合适的代理变量时，可通过调整的 CTC 恢复识别。估计量基于极值理论中的 Hill 估计量等构建，作者推导了估计量的渐近性质（一致性、收敛速率），并构造了因果方向检验和重尾混淆检验。模拟和气候/金融数据应用展示了方法在平均效应方法失效场景下的实用性。对您而言，本文连接了因果推断与极值统计，其识别策略（利用尾部指数异质性）为 sensitivity analysis 和 IV 设定提供了新视角，但核心机器（极值理论、正则变化）不在您的武器库中，属于暂不可做方向。
• 关键技术: Causal Tail Coefficient (CTC), regularly varying heavy-tailed innovations, heterogeneous tail indices, Hill estimator, extreme value theory, proxy variable adjustment
• 为什么对您有用: 连接 primary interest 的因果推断子方向（IV、sensitivity analysis），但核心工具是极值理论（正则变化、Hill 估计），不在 technical_arsenal 中（very_familiar 和 moderately_familiar 均无此工具）。暂不可做——需先学习极值统计基础。

8. 2608.22890 — Randomization tests for model specification in causal inference under network interference

• 作者: Supriya Tiwari, Pallavi Basu
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究网络干扰下因果推断中暴露映射（exposure mapping）的模型设定检验问题。暴露映射是定义和估计溢出效应的常用工具，但通常由分析者主观指定，若设定错误会导致Horvitz-Thompson等估计量产生偏差。作者提出一种基于设计（design-based）的模型设定检验框架，核心是构造一个随机化检验（randomization test）来评估暴露映射是否被正确指定。理论部分证明了该检验的渐近有效性，并通过大量模拟展示了良好的检验功效。最后，作者将方法应用于一项关于青少年反冲突规范影响的实地实验。对您而言，本文连接了因果推断中网络干扰这一活跃子方向，其随机化检验思路可与您熟悉的非参数统计和假设检验工具结合，属于中期可做方向——需先在identification theory in causal inference上进一步积累。
• 关键技术: randomization test, exposure mapping, network interference, design-based inference, spillover effects
• 为什么对您有用: 本文直接切入因果推断中网络干扰下的模型设定检验，属于您的primary interest。技术核心是随机化检验，与您非常熟悉的非参数统计和假设检验工具高度匹配，可尝试用minimax bound分析其检验功效的sharpness。中期可做：需先在identification theory in causal inference（moderately_familiar）上进一步理解暴露映射的识别条件，才能设计更优的检验统计量。

9. 2608.23615 — Optimal Variance Reduction in Randomized Experiments

• 作者: Amir Najmi, Michael D. Keselman
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究随机实验中利用协变量（不受处理影响的响应侧信息）进行方差缩减的问题。目标估计量是平均处理效应（ATE）或更复杂的处理指标（如乘性效应、比率）。核心方法是将Double ML的思想推广到方差优化：对加性处理指标，通过构造正交化得分函数实现渐近方差的最小化；对非加性指标，则最小化Delta Method近似的方差。该方法允许使用任意复杂度的机器学习模型拟合条件期望，且通过样本分割（cross-fitting）避免过拟合和正则化偏差。理论贡献在于证明了所提估计量的方差达到半参数效率下界，且不依赖于模型正确设定。实证部分通过多个模拟和真实数据示例展示了方差缩减的幅度，并讨论了协变量选择与模型复杂度的权衡。对您而言，本文是DML框架在方差优化方向的一个直接扩展，其正交化得分构造与您熟悉的因果推断估计理论高度相关，且cross-fitting技术可直接迁移至您的纵向或中介分析项目。
• 关键技术: double machine learning, orthogonal score, cross-fitting, semiparametric efficiency bound, variance reduction, Delta Method
• 为什么对您有用: 本文直接连接您的primary interest中的因果推断（ATE估计与方差缩减）和效率理论（半参数效率界）。技术武器库中'very_familiar'的'estimation theory in causal inference'和'nonparametric statistics'可直接用于理解其正交得分构造与cross-fitting机制；'moderately_familiar'的'semiparametric theory'可用于验证其声称的方差最优性是否紧。中期可做：若想将本文的方差优化思路推广到您的proximal CI或纵向设定中，需先在'moderately_familiar'的'identification theory in causal inference'上长肌肉，以处理负对照或时变混杂下的识别条件。

10. 2608.20976 — From Cumulative Weights to Marginal Density Ratios: Per-Protocol Estimation in Sequential Target Trial Emulation

• 作者: Zern Ke, Mingshi Cui, Feng Dai, Birol Emir, Javier Cabrera, Demissie Alemayehu
• 相关性 8/10 · novelty: new_method
• 摘要: 本文针对序贯目标试验模拟（sequential target trial emulation）中的符合方案效应（per-protocol effect）估计问题。传统方法使用累积逆概率权重处理治疗偏离和失访导致的 selection bias，但权重方差大、估计不稳定。作者提出基于边际密度比（MDR）的新方法：直接比较目标治疗策略下保持无事件状态的个体分布与观测到的依从个体的分布，用纵向 g-computation 生成目标风险集，再用概率分类器估计密度比以重新加权观测结局。还给出了双稳健扩展版本。模拟研究表明 MDR 加权在识别假设合理时是累积纵向权重的有前景替代方案。该工作直接关联您的因果推断（纵向设定、identification 假设）和流行病学应用兴趣。
• 关键技术: marginal density ratio weighting, longitudinal g-computation, probabilistic classifier, doubly robust estimation, sequential target trial emulation, per-protocol effect
• 为什么对您有用: 直接连接您的 primary interest 中 causal inference 的 longitudinal 子方向，以及 secondary interest 中 epidemiology 的应用。您可以用 very_familiar 的 estimation theory in causal inference 和 nonparametric statistics 来审视 MDR 的识别假设是否弱于传统累积权重方法，以及其效率损失。中期可做：若想将 MDR 与您 moderately_familiar 的 HOIF 结合构造更高阶的稳健估计量，需先在 semiparametric theory 上长肌肉。

11. 2608.20610 — Let Time Tell: Identification and Gaussian Process Estimation for Interrupted Time Series

• 作者: Soonhong Cho
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究中断时间序列（ITS）设计中的因果推断问题，其中处理同时影响所有单位，因此无法使用差分中的差分或合成控制等同期对照组，必须从单位自身处理前历史外推反事实。在潜在结果框架下建立了非参数识别条件，并采用高斯过程回归估计反事实。与固定单一最佳拟合趋势不同，该方法保留所有与处理前数据一致的函数，并在外推导致函数分歧扩大时加宽置信区间。通过连接再生核希尔伯特空间理论，推导出偏差分解，分离出外推放大的分量及其最坏情况上界，从而证明高斯过程估计的后验方差可作为外推感知的不确定性量化。该区间在闭式下等于模型类中与处理前数据一致的所有函数所允许的最大分歧。通过校准模拟和Heller判决后手枪购买数据的分析（一个处理效应集中于单一辖区的普遍处理）进行说明，并提供了R包gpss实现。
• 关键技术: Gaussian process regression, reproducing kernel Hilbert space, extrapolation-aware uncertainty quantification, worst-case bias bound, interrupted time series, potential outcomes framework
• 为什么对您有用: 本文直接关联您的因果推断兴趣，特别是ITS这一缺乏同期对照的设定，其外推感知的不确定性量化方法对纵向因果推断有启发。您非常熟悉的非参数统计和估计理论中的minimax bound工具可直接用于分析其最坏情况偏差界的紧性，而您中等熟悉的HOIF框架或可为其提供更高效的估计器。中期可做：需先在semiparametric theory上进一步熟悉，以将高斯过程估计与半参数效率界联系起来。

12. 2608.20187 — Multi-Method Causal Evidence Synthesis: Ranking Candidate Drivers by Convergent Cross-Method Evidence from Observational Data

• 作者: Manish Gupta, Dipanjan De
• 相关性 8/10 · novelty: application
• 摘要: 本文提出多方法因果证据综合（MCES）框架，旨在从观测数据中排序候选驱动因素与结果之间的关联强度。MCES 运行 11 种方法（涵盖 8 种数学传统，包括非因果方法），通过线性意见池（Convergent Evidence Score, CES）量化不同方法在假设上的收敛程度。框架首先使用结构-行为分解去除定义性（代数）关系，然后对所有方法输出归一化至 [0,1] 并池化。MCES 不声称干预意义上的因果识别，而是支持假设优先级排序。在合成数据、Sachs 蛋白信号基准、六个贝叶斯网络结构基准等场景中，MCES 在主要场景下 Precision@5=1.0、Precision@10=0.96，且空配对达到中等以上收敛的经验率很低。核心观点是：没有单一方法在所有场景中一致最优，MCES 提供了一种方法无关的默认选择。对您而言，该工作连接了因果推断中的敏感性分析与多方法证据综合，但方法学新颖性有限（主要是应用和集成），且未涉及您熟悉的效率理论或高维统计工具。
• 关键技术: Multi-Method Causal Evidence Synthesis, Convergent Evidence Score, Structural-Behavioral Decomposition, linear opinion pool, causal discovery ensemble
• 为什么对您有用: 本文属于因果推断的应用性工作，连接了您 primary interest 中的因果推断（多方法证据综合）和 secondary interest 中的流行病学（观测数据因果排序）。但方法学 novelty 较低（主要是现有方法的集成和排序），未涉及您武器库中的效率理论、高维统计或 U-统计量。作为 gateway reading 价值有限：方法集成思路可启发敏感性分析中的多方法对比，但核心机器（如 cross-fitting、influence function）未使用。暂不可做：缺乏新的理论贡献，且未提供可迁移的统计计算问题。

13. 2608.19771 — Testing the Validity of Instrumental Variable Sets in Causal Additive Models with Non-Constant Effects

• 作者: Xichen Guo, Feng Xie, Bingbing Tang, Yan Zeng, Zhang Hao, Zhi Geng et al.
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究在因果加性模型且效应非恒定（CAM-NCE）下，如何从观测数据检验一组候选工具变量（IV）的有效性。现有IV有效性检验通常依赖线性或常数效应假设，本文在更一般的非参数加性结构下提出一个可检验条件——交叉辅助独立性检验（CAT）条件。在完备性条件下，若CAT条件被违反，则该候选集不可能是有效IV集；进一步在交叉分布非退化条件下，CAT条件成为CAM-NCE下刻画有效IV集的充要条件。方法上，CAT条件通过构造交叉辅助变量并检验条件独立性来实现，并扩展至含协变量的情形。作者给出了有限样本下的检验算法，并在合成数据和三个真实数据集上验证了有效性。对您而言，该工作直接关联因果推断中IV有效性的识别检验问题，且其非参数加性设定与您熟悉的非参数统计和估计理论有技术交集。
• 关键技术: Causal Additive Models with Non-Constant Effects (CAM-NCE), Cross Auxiliary-based independence Test (CAT), conditional independence test, instrumental variable validity test, nonparametric additive model
• 为什么对您有用: 本文直接切入因果推断中IV有效性的检验问题，属于您的primary interest。其非参数加性设定与您熟悉的非参数统计和估计理论有技术交集，您可以用minimax bound或非参数收敛率工具分析CAT检验的统计效力。中期可做：若想将CAT条件推广至更一般的非参数结构（如允许交互效应），需先在semiparametric theory上长肌肉（moderately_familiar项）。

14. 2608.20223 — Self-Normalizing Denominators in Rational Causal Estimation

• 作者: Shu Tamano
• 相关性 8/10 · novelty: new_theory
• 摘要: 本文研究线性结构方程模型中理性因果估计量的分母行为，即估计量形如协方差多项式之比。在Gaussian抽样下，某些分母的一阶抽样变异与其大小成正比，因此标准化分母在每一样本中为常数，不会出现弱识别问题。嵌套协方差子式的幂乘积具有此性质，且存在精确的Wishart枢轴量。在二维情形下该刻画是完备的；三维情形下存在一个混合族尚未解决，但一个因子-秩准则可分类所有含线性或二次无行列式因子的分母，覆盖了工具变量、前门和近端公式。对于线性前门调整，即使中介残差方差以任意速率趋于零，只要处理-中介系数非零，Wald推断仍渐近有效。模拟显示近端Wald覆盖率随朴素处理-代理诊断增强而下降，而前门覆盖率保持名义水平，右心导管数据区分了朴素诊断与分母相关诊断。该工作对您在高维因果推断中处理弱识别问题有直接参考价值，特别是其精确有限样本结果可启发新的敏感性分析方法。
• 关键技术: rational causal estimator, Wishart pivot, nested covariance minors, weak identification, linear structural equation model, factor-and-rank criterion
• 为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的识别与估计，特别是弱识别问题。技术层面，其精确Wishart枢轴量分析可与您非常熟悉的非参数统计和高维渐近工具结合，用于检验分母诊断的有限样本性质。中期可做：将因子-秩准则推广到非参数或高维设定，需先在中等熟悉的半参数理论上提升。

15. 2608.23508 — Testing selection on observables in parametric models with refreshment samples

• 作者: Grigory Franguridi, Arie Kapteyn
• 相关性 8/10 · novelty: new_method
• 摘要: 本文针对面板数据中的样本选择问题（如流失、无应答），提出了一种在存在补充样本（refreshment sample）时检验 MAR（缺失随机）假设的统计检验方法。核心思想是比较两种加权估计的分布：一是标准 IPW（在 MAR 下有效），二是基于 Hirano et al. (2001) 的可加非可忽略性假设的替代加权。在 MAR 成立时，两种分布应重合。作者证明，当输入分布为参数模型时，检验统计量在原假设下收敛到广义卡方分布，该极限分布可通过 Franguridi et al. (2026) 的递推公式估计。蒙特卡洛模拟验证了检验的有限样本表现，并应用于 Understanding America Study (UAS) 数据子集。对您而言，该工作直接关联因果推断中的缺失数据与敏感性分析，且其检验框架可迁移至您熟悉的非参数统计和 M-估计理论中，例如用非参数 sieve 或核方法放松参数假设，或结合 cross-fitting 构造更稳健的检验。
• 关键技术: inverse probability weighting (IPW), additive nonignorability, generalized chi-squared distribution, refreshment sample, missing at random (MAR) test
• 为什么对您有用: 直接连接到 primary interest 中的因果推断（缺失数据、敏感性分析）和假设检验。您可以用 very_familiar 中的非参数统计和 M-估计理论，将本文的参数检验推广到半参数或非参数设定（如用 sieve IPW 或核密度估计），这是中期可做的工作——需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体为 influence function 和正交得分）。

16. 2608.22706 — Double/Debiased Machine Learning for Functional-Form-Robust Spatial Autoregression

• 作者: Jieun Lee
• 相关性 8/10 · novelty: new_method
• 摘要: 本文在空间自回归（SAR）模型中，针对空间权重矩阵 W 的未知函数形式，提出了双/去偏机器学习（DML）推断方法。传统 SAR 推断条件于预设的 W，但实际交互结构未知且易受设定影响。作者将交互强度建模为地理和社会经济特征的未知函数，并通过非线性控制函数处理特征内生性。为消除估计 W 带来的首阶生成效应，构造了算子正交的 SAR-IV/GMM 得分函数，并结合缓冲空间交叉拟合（buffered spatial cross-fitting）分离评估与训练数据。在近邻依赖和空间混合创新场条件下，估计量达到渐近线性与根 n 正态性。蒙特卡洛模拟表明，在交互函数误设、特征内生和空间依赖下，该方法优于非正交替代方案。美国糖尿病数据应用显示，不同 W 设定和推断方法对结果有显著影响。对您而言，本文是 DML 框架在空间计量中处理 nuisance 函数（W）的典型案例，其正交得分构造思路可直接迁移至您熟悉的因果推断中的 IV 或 mediation 设定。
• 关键技术: double/debiased machine learning, orthogonal score, spatial cross-fitting, control function for endogeneity, spatial autoregression (SAR), generated regressor problem
• 为什么对您有用: 本文连接您的 primary interest 中的因果推断（IV 设定）和效率理论（DML 正交得分）。技术武器库中 very_familiar 的 estimation theory in causal inference 可直接用于理解其正交得分构造和 cross-fitting 机制；moderately_familiar 的 semiparametric theory 可用于验证其提出的 operator-orthogonal score 是否达到 semiparametric efficiency bound。中期可做：需先在 moderately_familiar 的 identification theory in causal inference 上长肌肉，以处理空间依赖下的识别条件（如近邻依赖假设与标准 IV 排除限制的兼容性）。

17. 2608.22605 — Closed-form estimation and uniform inference in additively separable triangular models with a nonseparable first stage

• 作者: Keita Sunada
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究可加可分三角模型（additively separable triangular model）中内生变量连续、工具变量连续且第一阶段方程不可分时的非参数识别与估计。在工具变量与不可观测项独立的假设下，作者证明了结果函数（outcome function）可以表示为条件累积分布函数的闭式泛函，从而无需正则化即可构造plug-in估计量。该估计量收敛速度为n^{-m/(2m+1)}，其中m为模型施加的光滑阶数，且该速率是极小极大最优的。作者利用经验bootstrap构造了结果函数在紧集上同时一致的置信带。本文的方法避免了传统非参数IV估计中需要正则化（如核平滑、级数截断）的复杂性，直接利用CDF的简单估计即可实现最优收敛。对您而言，本文的闭式识别结果和极小极大最优速率分析可直接迁移至proximal causal inference或IV设定中的非参数估计问题，且其bootstrap一致性证明思路对您武器库中的非参数统计和因果推断估计理论有直接参考价值。
• 关键技术: additively separable triangular model, nonseparable first stage, closed-form identification, plug-in estimator, minimax optimal rate, empirical bootstrap uniform confidence band
• 为什么对您有用: 本文直接连接您的primary interest中的因果推断（IV设定）和非参数/半参数理论。其闭式识别结果避免了正则化，使得估计量构造极为简洁——您武器库中'非参数统计'和'因果推断估计理论'可直接用于理解其极小极大最优性证明。中期可做：若您想将类似闭式识别思路推广至proximal CI或mediation设定，需先在'moderately_familiar'的识别理论（如negative control假设）上长肌肉。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2608.20286 — Fast high-dimensional mean testing via logistic regression

• 作者: Sayan Das, Debraj Das, Subhajit Dutta
• 相关性 8/10 · novelty: new_method
• 摘要: 本文研究高维两样本及多样本均值向量的快速检验问题。核心创新在于将均值相等性检验等价转化为逻辑回归参数为零的检验，这一等价关系在独立观测下成立，无需假设总体分布相同。方法上，先用逻辑 Lasso 筛选重要变量，再在降维后的子空间上用未惩罚的逻辑回归做推断，从而得到渐近正确的检验水平和一致性。在两样本高斯子模型且判别变量稀疏的设定下，该检验达到了 minimax 可分离速率。框架通过多分类逻辑回归自然推广到多样本情形。模拟显示，在非平衡设计和方差异质性下，该方法相比现有检验具有准确的尺寸控制、强功效和良好的计算可扩展性。对您而言，本文连接了高维假设检验与逻辑回归这一经典工具，其等价性思路可能启发您在高维因果推断中构建类似的检验框架。
• 关键技术: logistic Lasso, refitted logistic regression, minimax separation rate, high-dimensional two-sample test, sparse discriminant model
• 为什么对您有用: 本文直接连接您的高维统计与假设检验兴趣，其核心等价性思路（均值检验→逻辑回归参数检验）为高维因果推断中的敏感性分析或工具变量检验提供了新视角。您的 very_familiar 武器（高维渐近、minimax 界）可直接用于验证其 minimax 速率是否紧，或推广到更一般的因果设定。中期可做：若想将等价性推广到非稀疏设定，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（如用 influence function 处理高维 nuisance 参数）。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 12 篇)

1. 2608.23472 — Evaluating the effects of policy interventions subject to early adoption: A case study of prescription drug monitoring programs and opioid dispensing

• 作者: Sarika Aggarwal, Brent A. Coull, Nima Hejazi, Rachel C. Nethery
• 相关性 7/10 · novelty: new_method
• 摘要: 本文在 staggered policy implementation 的潜在结果框架下，形式化了政策干预在强制实施前被自愿提前采纳（early adoption）的问题，并指出这会违反合成控制法（SCM）的 no-anticipation 假设，导致有偏估计。作者将总政策效应分解为 early adoption 效应和 mandate 效应两部分，并提出一个两阶段 SCM 程序：第一阶段用交互固定效应模型（interactive fixed effects model）基于强制实施前的数据估计 early adoption 效应，第二阶段对残差化后的结果应用 SCM 变体来估计 mandate 效应和总效应。模拟实验表明，即使在 early adoption 与潜在因子相关的情形下，该方法相比传统 SCM 估计量也能降低偏差并改进不确定性量化。应用案例为美国各州的处方药监测计划（PDMP）与人均阿片类药物配发量，结果显示在考虑 early adoption 后，PDMP 可用性和强制实施均与配发量下降相关，但估计不精确且不显著。对您而言，该工作直接连接 causal inference 中 staggered adoption 和 sensitivity analysis 的子方向，且其两阶段残差化思路可与您熟悉的 nonparametric statistics 和 estimation theory 工具结合，用于评估类似政策干预的因果效应。
• 关键技术: synthetic control method, interactive fixed effects model, potential outcomes framework, staggered policy implementation, early adoption decomposition, residualization
• 为什么对您有用: 本文直接连接您 primary interest 中的 causal inference 子方向（staggered adoption 下的政策评估），且其两阶段残差化策略是一个可迁移的方法学思路。您可以用 very_familiar 的 nonparametric statistics 和 minimax bounds 工具来检验该估计量的收敛速率是否最优，或探讨在更弱假设下的识别条件。中期可做：若想将方法推广到更一般的 longitudinal 设定（如连续时间干预），需先在 moderately_familiar 的 identification theory 上加强。

2. 2608.22608 — Estimating Pathway Treatment Effects in the Presence of Intermediate Events with Multi-State Data

• 作者: Yuhao Deng, Haoyu Wei, Donglin Zeng, Rui Song, Xiao-Hua Zhou
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对临床试验中生存终点存在中间事件（如心血管事件）时的路径治疗效应估计问题。中间事件作为治疗诱导的混杂因素，使得自然效应中的序贯可忽略性假设或可分离效应中的可忽略成分条件失效。作者提出通过假设干预事件状态之间的转移来模拟治疗机制，从而调整中间事件路径的效应并边缘化未观测的治疗诱导混杂。基于反事实累积发生率的有效影响函数，构建了多重稳健且半参数有效的路径治疗效应估计量。该框架可检验每个转移、每个事件以及每条路径上的治疗效应。LEADER 试验数据分析表明，利拉鲁肽显著降低心血管和微血管事件风险，且全因死亡率的降低主要由其对扩展主要不良心血管事件的影响介导。对您而言，本文在因果推断的纵向设定下处理治疗诱导混杂的识别与估计问题，与您的 primary interest 高度契合，且其多重稳健估计策略可迁移至您熟悉的 proximal CI 或 IV 设定。
• 关键技术: efficient influence function, multiply robust estimation, counterfactual cumulative incidence, hypothetical intervention, multi-state model
• 为什么对您有用: 本文直接对应 primary interest 中的因果推断（纵向设定、mediation），处理了治疗诱导混杂这一难点，与您熟悉的 proximal CI 和 IV 方法有深层联系。您可以用 very_familiar 的 estimation theory in causal inference 和 semiparametric theory（moderately_familiar）来审视其 EIF 推导和多重稳健性是否可推广至您的负对照设定。中期可做：需先在 moderately_familiar 的 identification theory in causal inference 上长肌肉，以理解其假设干预的识别条件与您已有框架的异同。

3. 2608.22570 — Optimal Experimental Design for Network Experiments under Interference

• 作者: Zuhra F. S. Lebbe, Asim K. Dey
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究网络干扰下的实验设计问题，目标是在存在干扰（interference）时优化处理分配以提升因果效应估计精度。作者提出一个基于Fisher信息矩阵的最优性准则，联合考虑处理分配的平衡性和网络拓扑结构，从而将设计问题转化为组合优化问题。为解决该问题，开发了一个高效的局部搜索算法，可扩展至大规模网络。论文进一步考察了由此产生的设计在估计总效应、直接效应和间接效应时的因果性质。模拟实验覆盖Erdős–Rényi、几何随机图、优先连接和随机块模型等多种图模型，展示了网络拓扑如何影响最优处理分配。在college housing和ego-Facebook网络上的应用案例证明了拓扑感知实验设计的实际优势。对您而言，本文连接了因果推断中的干扰处理和实验设计子方向，其基于Fisher信息的优化准则和局部搜索算法可视为一种新的设计策略，值得关注。
• 关键技术: Fisher information matrix, local search algorithm, network interference, treatment allocation optimization, causal effect estimation under interference
• 为什么对您有用: 本文直接关联您primary interest中的因果推断子方向——网络干扰下的实验设计。您武器库中'very_familiar'的'estimation theory in causal inference'可用于分析其估计量的偏差-方差权衡，而'moderately_familiar'的'identification theory in causal inference'可帮助评估其因果识别假设的合理性。中期可做：若您想深入该方向，需先在'moderately_familiar'的'identification theory in causal inference'上加强，以理解干扰下识别假设的细微之处。

4. 2608.23625 — Separating Time-Varying Network Composition from Predictive Dependence under Noisy Network Measurement

• 作者: Marios Papamichalis, Regina Ruane, Theofanis Papamichalis
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究在时变网络且网络被噪声测量时，如何区分结果变化是由传播强度改变还是网络连接结构改变引起的。标准做法是将观测到的网络代入结果回归，但网络潜变量、时变且有测量误差时，该方法失效：强度和结构变化在单期结果分布上不可区分，且总体系数在结构变化时也会移动。作者提出联合分析结果与重复噪声测量（如双边贸易流配对报告）的模型，建立了局部可识别性的充要条件，并给出了强度和结构路径的估计量、强度路径的同步置信带、弱识别下仍精确的置信集、常见报告偏倚下的崩溃界，以及一个精确大小的检验来检测路径变化并归因于强度或结构。模拟评估了各方法在边界条件下的表现。在1995-2020年18个经济体的镜像报告贸易面板数据上，诊断方法准确标记了危机年份，且与欧盟成员国身份相关的结构坐标下降了约三分之二。本文的估计目标是预测依赖，而非因果效应。
• 关键技术: local identification, simultaneous confidence band, weak identification robust inference, breakdown bounds, network measurement error
• 为什么对您有用: 本文直接关联因果推断中纵向/面板数据与网络测量的交叉问题，属于primary interest中的'causal inference (identification, estimation, sensitivity analysis)'。技术武器库中'very_familiar'的'estimation theory in causal inference'和'nonparametric statistics'可用于分析其识别条件和估计量的有限样本性质；'moderately_familiar'的'identification theory in causal inference'可直接用于评估其局部可识别性条件的紧性。中期可做：若想将本文的检验方法推广到更一般的因果效应（如ATE），需先在'moderately_familiar'的'semiparametric theory'上提升，以处理更复杂的识别函数。

5. 2608.22024 — Barycentric Fused Gromov-Wasserstein Balancing for Causal Inference under Multiple Treatments

• 作者: Yuki Murakami, Takumi Hattori, Kohsuke Kubota
• 相关性 7/10 · novelty: application
• 摘要: 本文针对多处理（multiple treatments）下的异质性处理效应估计问题，目标是在观测数据中同时估计单个处理效应和交互效应。现有方法对每对处理模式进行表示分布的两两平衡，计算复杂度随模式数平方增长，且无法保持跨模式的局部邻近结构。作者提出 CIHSI-Net 框架，核心创新是 Barycentric Fused Gromov-Wasserstein Balancing (BFG-WB) 目标函数：将每个处理模式的表示分布对齐到一个共享的 Wasserstein 重心，实现全局对齐，复杂度从二次降至线性；同时利用 Fused Gromov-Wasserstein 散度保持局部邻近结构，这对可靠的异质性效应估计至关重要。模拟实验表明 CIHSI-Net 一致优于现有基线方法，在真实营销数据上的应用展示了其实用价值。对您而言，该工作属于因果推断中多处理设定下的表示平衡方法，与您 primary interest 中的因果推断（identification, estimation）直接相关，但方法学 novelty 有限（主要是 Wasserstein 距离的工程化应用），可作为多处理因果推断的入门参考。
• 关键技术: Wasserstein barycenter, Fused Gromov-Wasserstein discrepancy, representation balancing, deep learning for causal inference, multiple treatment effects
• 为什么对您有用: 直接关联 primary interest 中的因果推断（多处理设定下的异质性效应估计）。武器库中 'estimation theory in causal inference' 和 'nonparametric statistics' 可用来分析其表示平衡的收敛性质（如 Wasserstein 重心估计的 minimax rate），但核心机器（最优传输 / Gromov-Wasserstein 理论）不在武器库中，属于暂不可做方向——需先补充最优传输理论。

6. 2608.23612 — Estimating the True Effect Size Distribution with SIMEX

• 作者: Zhaoqi Li, Daniel Ting, Ilya Gorbachev, Ehsan Emamjomeh-Zadeh, Houssam Nassif
• 相关性 7/10 · novelty: new_method
• 摘要: 本文针对大规模在线实验场景，目标是从带有已知方差的估计平均处理效应（ATE）中恢复真实效应大小的潜在分布。作者提出一种基于SIMEX（SIMulation-EXtrapolation）的非参数方法：通过逐步添加模拟测量噪声并评估分位数，再将所得逆累积分布函数外推至零噪声情形，同时强制分位数单调性。在真实效应和测量误差均为正态分布的合成示例中，该方法几乎与参数经验贝叶斯正态均值方法表现相当。该方法无需完全指定参数模型，为刻画效应大小分布提供了灵活的工具。对您而言，该工作连接了因果推断中的ATE估计与测量误差校正，其SIMEX外推思路可视为一种非参数灵敏度分析，与您对proximal CI和sensitivity analysis的兴趣直接相关。
• 关键技术: SIMEX (SIMulation-EXtrapolation), nonparametric quantile estimation, measurement error correction, inverse cumulative distribution function extrapolation, monotonicity constraint
• 为什么对您有用: 本文直接关联您primary interest中的因果推断（ATE估计）和sensitivity analysis（测量误差校正）。技术层面，您可以用very_familiar的nonparametric statistics工具（如经验过程理论）分析其外推估计量的收敛速率，或用moderately_familiar的M-estimation理论处理单调性约束下的推断。中期可做：若想将SIMEX推广至heteroskedastic或非正态误差，需先在moderately_familiar的semiparametric theory上提升，以处理更一般的误差结构。

7. 2608.20505 — Counterfactual Optimization of Policy Interventions: Lexical Ordering and Leapfrogging

• 作者: Martina Scauda, Tobias Freidling, Qingyuan Zhao
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究在政策干预中考虑反事实伤害的优化问题，目标是在从基线政策过渡时，在控制个体伤害概率或期望不超过指定阈值的前提下最大化整体福利。作者建立了最优政策过渡具有词典式跳跃结构（lexical leapfrogging）的充分条件：由协变量和当前治疗定义的子群按优先级得分排序，任何治疗变更直接将其移至条件最优治疗。该优先级得分在多种潜在结果依赖模型下被推导出来。方法上，本文属于政策学习（policy learning）的变体，将伦理约束（'first do no harm'）形式化为可操作的优化准则。实证部分重新分析了I-SPY2乳腺癌平台试验，展示了考虑反事实伤害如何导致与仅关注平均效果不同的治疗-子群对优先级结论。对您而言，本文连接了因果推断中的政策学习与敏感性分析子方向，且其词典式结构可能通过您熟悉的higher-order U-statistics或einsum框架进行计算效率分析。
• 关键技术: policy learning, counterfactual harm, lexicographic optimization, conditional average treatment effect, priority score
• 为什么对您有用: 本文直接连接您的primary interest中的因果推断（政策学习与敏感性分析），且其词典式跳跃结构可能通过您very_familiar的higher-order U-statistics（treewidth/tensor contraction/einsum）进行计算成本分析——例如评估优先级得分的排序复杂度或子群划分的统计精度。中期可做：需先在moderately_familiar的identification theory上巩固对反事实伤害的识别假设（如单调性、无混淆性），但核心优化框架本身可立即用您已有的非参数统计和因果推断工具复现或扩展。

8. 2608.20080 — Causal inference via propensity scores for case-control studies

• 作者: Yan Liu, Anita Koushik, Philippe Boileau, Cong Jiang, Miceline Mésidor, Claudia Waddingham et al.
• 相关性 7/10 · novelty: application
• 摘要: 本文聚焦于病例对照研究（case-control study）中基于倾向性评分（propensity score）的因果推断方法。在 outcome-dependent sampling 设计下，标准倾向性评分方法需调整：利用“对照可交换性”（control exchangeability）假设，即对照组的暴露条件分布可代表源人群，从而仅用对照数据拟合倾向性评分模型。作者证明在此设定下，因果风险比（risk ratio）等相对效应是可识别的。方法上，他们借用了逆概率加权（IPTW）和高效双稳健估计量，并针对病例对照设计提出了一种新颖的两步倾向性评分卡钳匹配（caliper-matching）流程。同时，引入了两种新的重叠诊断工具来验证必要的重叠条件。通过模拟和一项关于阿司匹林与卵巢癌风险的实证研究，对比了各估计量的表现。该工作为流行病学中常见的病例对照设计提供了系统的因果推断工具，对您关注的流行病学应用和因果推断方法均有直接参考价值。
• 关键技术: propensity score, case-control design, inverse probability of treatment weighting, doubly robust estimation, caliper matching, control exchangeability
• 为什么对您有用: 直接连接您的流行病学（病例对照设计）和因果推断（倾向性评分）兴趣。本文的 caliper-matching 和双稳健估计量可用您非常熟悉的因果推断估计理论来审视其有限样本性质；中期可做：若想将匹配方法推广到更复杂的识别设定（如 proximal CI），需先在 moderately_familiar 的 identification theory 上加强。

9. 2608.22286 — Uniform Inference on Quantile Effects under Network Interference

• 作者: Zequn Jin, Gaoqian Xu, Zixin Yang, Zhengyu Zhang
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究网络实验中分位数处理效应与溢出效应的均匀推断问题。在潜在结果框架下，定义结构分位数效应，刻画自身处理与邻居处理对结果分布不同分位点的影响，超越传统平均溢出效应的局限性。基于Leung (2020)的设定，首先在度分布稳定性和网络依赖协方差结构条件下建立估计的分位数效应过程的弱收敛性。核心贡献是提出基于高斯近似的均匀置信带方法，该方法条件于实现网络，避免了上述稳定性要求，适用于稀疏或异质网络。通过模拟实验和尼泊尔随机储蓄账户实验数据验证了方法的有限样本性能。对您而言，本文连接了因果推断中的网络干扰与分位数处理效应两个子方向，且其均匀推断技术可迁移至您熟悉的非参数统计与M估计框架中。
• 关键技术: quantile treatment effects, network interference, uniform confidence bands, Gaussian approximation, spillover effects, weak convergence
• 为什么对您有用: 本文直接连接您的primary interest中的因果推断（网络干扰下的处理效应识别与估计）和假设检验（均匀置信带）。技术层面，您very_familiar的非参数统计和minimax bound工具可用于分析其估计量的收敛速率，而moderately_familiar的M估计理论可用来验证其弱收敛条件的紧性。中期可做：需先在moderately_familiar的identification theory in causal inference上长肌肉，以理解网络干扰下SUTVA放松的识别假设。

10. 2608.19849 — Distributional Extrapolation for Interactions

• 作者: Marin Šola, Xinwei Shen, Peter Bühlmann
• 相关性 6/10 · novelty: new_method
• 摘要: 本文研究组合外推（combinatorial extrapolation）问题：训练数据仅包含单协变量激活的轴对齐样本（如单一药物剂量），而测试时需预测多个协变量同时激活的交互效应（如药物组合）。作者提出 DExtrI 方法，利用加性结构假设（如广义可加模型或低阶交互模型）将观测到的边际效应外推到未观测的组合空间。理论部分给出了可外推性的充分条件（如交互项稀疏性或结构稀疏性），并证明了在特定条件下外推误差的有限样本界。方法本质上是将高维组合预测问题分解为低维边际估计与交互项学习，可视为一种结构化的因果预测框架。实证部分在合成数据、药物组合预测和超参数优化任务上验证了 DExtrI 优于标准回归和黑箱模型。对您而言，该工作直接关联因果推断中的干预外推（interventional extrapolation）和组合效应识别问题，其理论分析框架（稀疏交互假设+有限样本界）可迁移到您的 proximal CI 或 mediation 设定中处理多变量联合干预的识别与估计。
• 关键技术: combinatorial extrapolation, additive structure assumption, sparse interaction model, finite-sample error bound, drug combination prediction, hyperparameter optimization
• 为什么对您有用: 直接连接您的 primary interest 中因果推断的干预外推和组合效应识别问题。您的武器库中 'estimation theory in causal inference' 和 'nonparametric statistics' 可立即用于分析 DExtrI 在更复杂因果设定（如存在未观测混杂）下的识别条件与偏差。中期可做：若需将方法推广到高维交互项选择，需先在 'semiparametric theory' 上长肌肉以处理交互项的结构化稀疏性假设。

11. 2608.21077 — Public Signals, Concealed Choices: Dynamic Measurement without Behavioral Identification

• 作者: Rok Spruk
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究集体决策中个体行为不可观测时的动态测量问题。目标是将公开信号（如官方记录）与个体隐藏选择（如投票）分离，识别公开立场（corpus-conditional public position）与行为规则（behavioral link）。作者提出动态有序状态空间模型（dynamic ordinal state-space model）来测量公开立场，并证明了一个似然排除结果：若行为链接参数仅影响完全未观测的结果分布，且与测量参数先验独立，则公开信号无法更新其后验。因此，声称的单调映射只能以敏感性包络（sensitivity envelope）而非点估计或识别界报告。模拟比较了动态与静态有序模型，展示了时间池化的收益及弱测量或遗漏维度时的失败。应用案例重构了斯洛文尼亚内阁秘密决策前的41份官方记录，仅6/21位部长有可归因信号，其余后验由先验主导。该文对您可能有用：它直接关联您对因果推断中identification与sensitivity analysis的兴趣，特别是当个体行为不可观测时，如何用状态空间模型和似然排除结果界定可学习的信息边界。
• 关键技术: dynamic ordinal state-space model, likelihood exclusion result, sensitivity envelope, Bayesian prior-posterior analysis, temporal pooling
• 为什么对您有用: 本文直接连接您primary interest中的causal inference（identification与sensitivity analysis），特别是当个体行为隐藏时，如何从公开信号中识别因果参数。您的technical arsenal中'nonparametric statistics'和'estimation theory in causal inference'可用于分析其状态空间模型的识别条件与似然排除结果的稳健性。中期可做：需先在'moderately_familiar'的'identification theory in causal inference'上长肌肉，以理解其似然排除结果与经典因果识别（如IV、proximal）的深层联系。

12. 2608.19944 — A Privacy Budgeting Framework for Online Experimentation

• 作者: Gilian R. Ponte, Alina Ferecatu
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究在线实验（multi-armed bandit）中消费者分群信息被第三方推断的隐私风险控制问题。作者提出一个实验层面的隐私风险预算框架，用差分隐私（differential privacy）来限制第三方基于消费者接收到的 banner/ad/recommendation 对消费者潜在分段的信念更新。核心方法包括两种隐私风险支出策略：恒定隐私风险策略（constant privacy risk）和动态隐私风险策略（dynamic privacy risk），后者根据访客特征差异化支出隐私预算。作者在网站设计和推荐系统两个应用场景下分析隐私预算对探索-利用权衡的影响，并解析地找到了最优隐私风险预算。进一步将实验级预算扩展为企业级预算，在 78 个实验的实证数据中验证了动态策略在更长、更复杂实验中的优势，以及跨实验优化预算分配能显著提升学习性能。该文对您的主要兴趣方向（因果推断中的实验设计、bandit 与隐私的交叉）有直接参考价值，尤其是动态隐私支出策略与因果推断中 adaptive treatment assignment 的隐私保护结合值得关注。
• 关键技术: differential privacy, multi-armed bandits, exploration-exploitation tradeoff, privacy risk budget, dynamic privacy strategy
• 为什么对您有用: 本文连接您的主要兴趣方向——因果推断中的在线实验设计（bandit 与隐私的交叉）。您的武器库中 'estimation theory in causal inference' 和 'software development' 可直接用于实现和扩展其隐私预算优化框架（如将动态策略与 adaptive treatment assignment 结合）。中期可做：需先在 'identification theory in causal inference' 上长肌肉（理解 bandit 下 treatment effect 的识别条件与隐私约束的交互）。

非参数 / 半参数 (nonparam_semipara, 3 篇)

1. 2608.22553 — Non-asymptotic Analysis of Matérn Regression: The Roles of Target and Kernel Lengthscales

• 作者: Daniel Sanz-Alonso
• 相关性 7/10 · novelty: new_theory
• 摘要: 本文针对周期域上拟均匀设计的 Matérn 核回归，建立了有限样本理论。核心问题是：目标函数的特征长度尺度和核函数的长度尺度如何共同决定回归精度？在无噪声插值设定下，作者证明除了需要设计点密度足够高以分辨目标尺度外，还需要设计点密度能分辨核尺度——若核长度尺度短于点间距，即使目标函数已被充分分辨，仍会残留额外误差。在有噪声的核岭回归中，推导出固定岭参数下的三项风险分解：目标尺度偏差、核尺度偏差和方差，并证明优化岭参数后会产生四种不同的贡献项。当目标函数光滑度不超过核光滑度的两倍时，选择比目标尺度更长的核长度尺度不会恶化 oracle 风险，而选择过短的核则会。这些结果表明：分辨率条件决定了何时能实现精确恢复，而光滑度决定了误差随样本量下降的速度。
• 关键技术: Matérn kernel, kernel ridge regression, finite-sample minimax analysis, lengthscale resolution, fixed-ridge risk decomposition
• 为什么对您有用: 本文直接连接非参数回归的有限样本理论，属于 primary interest 中的非参数与半参数理论。技术武器库中'非参数统计'和'minimax bounds for estimation problems'两项 very_familiar 工具可直接用于理解其证明结构，并检验其分辨率条件是否在更一般的 RKHS 设定下也成立。中期可做：若想将类似的分辨率分析推广到自适应核选择或变点检测问题，需先在 moderately_familiar 的 M-estimation 理论上补足局部收敛速率工具。

2. 2608.22165 — Robust Scale Estimation in Additive Noise via Weighted Order Statistics

• 作者: Jorge González Cázares, Arturo Jaramillo
• 相关性 7/10 · novelty: new_method
• 摘要: 本文在加性噪声模型中，针对弱稀疏信号背景下的噪声尺度估计问题，提出了一类基于加权顺序统计量的非参数稳健方法。该方法不要求噪声独立、具有指定依赖结构或时间正则性，仅通过比较排序后的观测值与从参考噪声分布生成的确定性或随机代理值来估计尺度。这种纯空间方法避免了预滤波或时间去相关，从而保留了潜在信号的稀疏结构。作者建立了加权损失函数的非渐近浓度不等式，其界限将信号的贡献与排序噪声和代理之间的差异分离开来。进一步，在独立和相关噪声场景（包括重尾参考分布）下控制了代理差异。最后，将方法应用于连续时间随机过程的高频观测，获得了分数布朗运动和稳定Lévy噪声在低变分加性扰动下的尺度估计。该工作对您在高维统计和稳健估计方面的兴趣有直接关联，其非渐近浓度界和顺序统计量技术可迁移至您熟悉的逆问题与高维渐近分析框架中。
• 关键技术: order statistics, non-asymptotic concentration inequalities, weighted loss functions, proxy discrepancy control, heavy-tailed reference laws
• 为什么对您有用: 本文连接您的高维统计与稳健估计兴趣，具体在加性噪声模型下用顺序统计量进行尺度估计，其非渐近浓度界技术可直接与您熟悉的逆问题与高维渐近分析工具对接。武器库中'非参数统计'和'高维渐近'两项very_familiar工具足以理解并评估其理论紧致性，属于立即可做的阅读与潜在扩展方向。

3. 2608.23150 — Spectral stability of empirical metric-measure Laplacians

• 作者: Vincent Divol
• 相关性 6/10 · novelty: sharper_rate
• 摘要: 本文研究非参数谱估计的方差稳定性问题，具体针对固定带宽 h>0 的图拉普拉斯矩阵的经验谱。给定 n 个 i.i.d. 样本，目标是估计概率测度 μ 的加权拉普拉斯算子 Δ_μ^h 的特征值。核心贡献是：在谱间隙条件下，经验特征值与总体特征值的相对误差以 1/√(n v_μ(h)) 为界，其中 v_μ(h) 是半径为 h 的球的最小质量。该界仅要求 μ 属于新引入的 coarse PI 测度类，包含度量图、具有规则边界/角点/分支点的空间上的测度，以及这些空间在 O(h) 尺度上的离散化或加厚。相比已知的密度正则性 s>2 的流形情形，本文去掉了对数因子，且正则性条件大幅弱化。对您而言，该结果直接关联非参数统计中的谱方法稳定性，其技术工具（coarse Poincaré 不等式、度量测度空间上的谱分析）可用于高维统计中图拉普拉斯方法的理论分析。
• 关键技术: graph Laplacian, spectral stability, coarse Poincaré inequality, metric-measure space, nonparametric spectral estimation
• 为什么对您有用: 本文直接关联非参数统计与高维统计中的谱方法稳定性问题，属于 primary interest 中的 nonparametric theory 子方向。武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可用于验证其相对误差界是否紧，或推广到更一般的核函数设定。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以处理经验算子与总体算子之间的谱间隙条件。

数理统计 / 假设检验 (hypothesis_testing, 18 篇)

1. 2608.23315 — Classification testing: A new framework for drawing qualitative conclusions from quantitative estimates

• 作者: Andrew C. Eggers, Zikai Li
• 相关性 7/10 · novelty: new_method
• 摘要: 本文提出“分类检验”（classification testing）框架，旨在替代传统假设检验在社会科学中的主导地位。传统检验仅针对单一零假设，而分类检验允许研究者预先定义多个有实质意义的定性类别（如“效应为正且显著”、“效应可忽略”等），然后将估计量分配到某一类别，同时控制类似传统检验的误差率，或在无法区分时声明“无结论”。该方法的核心机制是构造一个决策规则，基于估计量的置信区间与类别边界的包含关系，实现多重类别间的错误控制。作者通过一个著名的媒体实验数据展示了该框架的应用，并提供了R包。本文对您可能有用：它直接挑战了假设检验在社会科学中的标准实践，属于数学统计与假设检验方向的创新框架，尤其适合您对 hypothesis testing 的兴趣，且其决策规则的设计可与您熟悉的 minimax 或置信区间理论进行对比分析。
• 关键技术: classification testing, hypothesis testing, error control, confidence interval, decision rule
• 为什么对您有用: 本文直接关联到您 primary interest 中的 hypothesis testing 子方向，提出了一种替代传统零假设检验的新框架。您可以用 very_familiar 的 minimax bounds 和置信区间理论来评估其决策规则的效率与最优性，例如检验其分类错误率是否在某种意义下达到最优。中期可做：若想将其推广到高维或半参数设定，需先在 moderately_familiar 的 semiparametric theory 上加强，以处理更复杂的 estimand 和类别边界。

2. 2608.23513 — Asymptotics for Model Selection in Probabilistic Principal Component Analysis

• 作者: Mathias Drton, Andrew McCormack, Daniel Windisch
• 相关性 7/10 · novelty: new_method
• 摘要: 本文研究概率主成分分析（PPCA）中主成分个数选择的模型选择问题。PPCA 模型在奇异点处 Fisher 信息矩阵不满秩，导致经典 BIC 过度惩罚而选择过少的主成分。作者利用奇异学习理论（singular learning theory）完整刻画了 PPCA 边际似然的渐近行为，推导出奇异贝叶斯信息准则（sBIC）的具体表达式。sBIC 修正了基于维度的 BIC 的过惩罚问题，且能以概率收敛到 1 地选择最小的真实模型。该方法还扩展到 PPCA 与因子分析模型之间的选择。模拟和真实数据实验验证了 sBIC 的有效性。对您而言，该工作展示了奇异学习理论在非标准渐近模型选择中的应用，与您对假设检验和模型选择的理论兴趣直接相关。
• 关键技术: singular learning theory, singular Bayesian information criterion (sBIC), marginal likelihood asymptotics, Fisher information matrix rank deficiency, model selection consistency
• 为什么对您有用: 该论文直接关联您对假设检验和模型选择的兴趣，特别是处理非标准渐近（Fisher 信息矩阵不满秩）时的模型选择问题。您的技术武库中 minimax bounds 和 high-dimensional asymptotics 可用于分析 sBIC 的收敛速率或与经典 BIC 的对比。中期可做：需先熟悉奇异学习理论（moderately_familiar 之外的新工具），但核心渐近分析思路与您已有的高维渐近经验相通。

3. 2608.23793 — Approximating the null distribution of generalized distance covariance

• 作者: Dominic Edelmann
• 相关性 6/10 · novelty: new_method
• 摘要: 本文研究广义距离协方差（generalized distance covariance）零分布的高效近似问题。传统方法依赖置换检验（计算成本高）或矩匹配参数族（尾部精度差），而直接近似加权卡方极限分布虽在核检验中常用，但缺乏严格理论保证。作者证明，对可分度量空间上的一类负型距离，经验谱可一致地近似极限零分布，从而给出渐近有效的检验。该结果将Hilbert-Schmidt独立性准则作为特例涵盖。方法上，提出自适应算法通过部分特征分解（partial eigendecomposition）给出p值的上下界，将计算复杂度从O(n³)降至O(k n²)，并引入收缩校正（shrinkage correction）匹配前两阶矩。模拟表明，该方法是唯一经验第一类错误收敛至名义水平的非蒙特卡洛程序。对您而言，该工作直接关联假设检验与高维统计中的谱方法，其经验谱一致近似理论可迁移至您熟悉的U-统计量或随机矩阵框架下的检验问题。
• 关键技术: distance covariance, weighted sum of chi-square, empirical spectral approximation, partial eigendecomposition, shrinkage correction, Hilbert-Schmidt independence criterion
• 为什么对您有用: 本文直接对应您primary interest中的hypothesis testing与high-dimensional statistics（随机矩阵理论）。其核心工具——经验谱一致近似加权卡方分布——与您very_familiar的minimax bounds和high-dimensional asymptotics高度契合，可立即用于评估该方法的收敛速率是否最优。中期可做：若将收缩校正与您moderately_familiar的higher-order U-statistics理论结合，可能导出更紧的尾部近似。

4. 2608.22265 — Exact grid-free confidence-region computation from dependent p-value functions under arbitrary dependence

• 作者: Yaohui Lin
• 相关性 6/10 · novelty: new_method
• 摘要: 本文研究如何从依赖的p值函数族（如重复样本分割、交叉拟合、共形集成等随机化工作流产生）中精确计算置信区域，而无需在参数空间上网格化求逆。主要结构结果表明，由阶梯校准器诱导的合并规则构成一个在区域层面精确可执行的广泛类，且部分逆命题表明精确可执行性与阶梯结构紧密相关。在该类内，作者开发了精确投票算法，包括一种自适应多分位数轮廓聚合器，无需预先指定单一顺序统计量阈值，同时在任意依赖下保持有限样本有效性。模拟实验（重复分割回归、共形预测）和真实数据回归案例表明，所提方法提供稳定、鲁棒的精确推断，且运行时间相比网格求逆基线有大幅提升。多维单阈值压力测试展示了网格求逆基线在简单盒几何设定下面临的维度爆炸问题。整体而言，本文表明任意依赖下的轮廓合并可转化为精确可执行的区域计算框架，而不仅仅是逐点有效性工具。对您而言，该工作直接关联假设检验与统计计算兴趣：其精确投票算法与您熟悉的非参数统计和软件工具可结合，用于改进因果推断中交叉拟合后的置信区间构造（中期可做，需先在 moderately_familiar 的 M-estimation 理论上长肌肉以理解其有限样本保证的紧性）。
• 关键技术: p-value merging under arbitrary dependence, step calibrator, exact voting algorithm, adaptive multi-quantile contour aggregator, grid-free confidence region, conformal prediction
• 为什么对您有用: 本文直接连接您的假设检验兴趣，特别是处理依赖p值的合并问题，这是重复样本分割和交叉拟合等随机化工作流中的核心挑战。您的技术武器库中 very_familiar 的非参数统计和软件工具可直接用于实现其精确投票算法，但需注意：其有限样本保证的紧性分析需要 moderately_familiar 的 M-estimation 理论支撑，因此属于中期可做——先在 M-estimation 上长肌肉，再评估该方法在您因果推断交叉拟合场景中的实际效率增益。

5. 2608.21694 — Gaussian-efficient testing by betting on the mean of bounded data

• 作者: Diego Martinez-Taboada, Aaditya Ramdas
• 相关性 6/10 · novelty: new_method
• 摘要: 针对取值在[0,1]且条件期望恒为μ的随机变量序列，提出一种新的非渐近置信区间构造方法。核心创新在于设计了一种赌注策略，其赌注分数追踪极限高斯实验中最优终止检验的条件拒绝概率，从而生成终端e值。当数据独立同分布时，区间宽度渐近达到中心极限定理的效率（即“高斯有效”），突破了此前基于赌注的区间方法的效率限制。该方法无需外部随机化即可通过确定性反演得到区间，且端点计算简便；引入外部随机化可进一步缩小区间宽度。模拟表明，对于所有测试分布和大样本，确定性版本优于STaR-Bets，与Gaffke方法竞争，随机化版本则全面超越。该构造还扩展至无放回抽样，同样达到最优经验性能。对您而言，该工作将赌注策略与渐近效率理论结合，为假设检验和置信区间提供了非渐近且高斯有效的新工具，直接关联您对数学统计与假设检验的兴趣。
• 关键技术: betting strategies, e-values, confidence intervals, martingale dependence, central limit theorem efficiency
• 为什么对您有用: 直接关联您对数学统计与假设检验的兴趣，特别是非渐近置信区间与e值方法。该工作将赌注策略与渐近效率理论结合，提供了高斯有效的非渐近推断，其核心技巧（基于条件拒绝概率设计赌注分数）可迁移至您熟悉的非参数统计和因果推断中的敏感性分析。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以将此类赌注策略推广至更复杂的参数或半参数设定。

6. 2608.21557 — Outlier Impact: Detection by Consequences

• 作者: Daniel Ting, Ilya Gorbachev, Sammy Shen
• 相关性 6/10 · novelty: new_method
• 摘要: 本文提出一种新颖的离群点检测方法，其核心思想是用离群点对统计推断的具体影响（如均值估计偏差或假设检验的假阳性率变化）来定义“异常”，而非传统的“不寻常”度量。该方法允许实践者仅标记那些对数据推断产生实质性影响的点，同时确保这些点确实是异常的。在实验场景中，离群点会损害因果推断的有效性，因此该方法特别相关。具体地，作者考虑了潜在离群点对均值估计和假设检验假阳性率（FPR）的影响。方法的核心机制是计算每个点被移除后统计量的变化量，并设定一个基于实际影响的阈值。理论结果给出了该影响度量的分布性质，并提供了如何选择阈值以控制误报率的指导。实证部分展示了该方法在合成数据和真实实验数据上的表现，优于传统基于距离或密度的离群点检测方法。对您而言，该工作将离群点检测与因果推断中的敏感性分析联系起来，为实验数据分析提供了一个直接可用的工具，尤其适用于流行病学或经济学中的随机对照试验数据清洗。
• 关键技术: influence function, outlier detection by impact, false positive rate control, sensitivity analysis
• 为什么对您有用: 本文直接连接您的因果推断兴趣子方向——实验中的离群点会影响ATE估计的有效性，而该方法提供了基于影响而非“异常”的检测，可作为敏感性分析的前置步骤。从武器库看，您可以用非常熟悉的非参数统计和因果推断估计理论来评估该方法在更复杂estimand（如IV或mediation）下的扩展性，这是立即可做的。此外，该方法与您熟悉的influence function概念紧密相关，但将其从效率理论工具转化为离群点检测的实用度量，是一个有趣的应用视角。

7. 2608.21267 — Further Results on Controlling the False Discovery Rate in Two-Sided Gaussian Mean Testing

• 作者: Deepra Ghosh, Sanat K. Sarkar
• 相关性 6/10 · novelty: new_method
• 摘要: 本文在Sarkar和Zhang (2025)提出的PTDN框架下，进一步研究双侧高斯均值检验中FDR控制问题。首先，推导了原始BH程序FDR的显式依赖自适应上下界，这些界以条件方差参数τ_i=1-R_i^2表示，其中R_i^2是第i个统计量与其余坐标的平方多重相关系数。这些界在独立情形下恢复精确BH FDR，并提供有限样本、协方差结构特定的信息，补充了通用界。其次，识别了坐标特定校准的shifted BH相对于原始BH程序在拒绝数量上可能具有优势的条件。第三，针对协方差矩阵未知但存在独立Wishart估计量的实际场景，利用τ_i的联合下置信界构造了置信界shifted BH程序，并建立了有限样本FDR控制。据作者所知，这是首个在完全未知协方差矩阵（通过独立估计）下，对双侧高斯均值检验具有有限样本保证的shifted-BH型程序。数值实验展示了协方差自适应界的行为、shifted BH相对于BH的潜在优势，以及未知协方差下置信界shifted方法的性能。该工作对您在高维假设检验和多重比较中的兴趣有直接连接，其协方差自适应FDR控制技术可迁移到您熟悉的非参数统计设定中。
• 关键技术: Benjamini-Hochberg procedure, False Discovery Rate, Positive Tail Dependence Under the Null (PTDN), shifted BH procedure, Wishart estimator, simultaneous lower confidence bounds
• 为什么对您有用: 直接连接您在高维统计和假设检验中的兴趣，特别是多重比较中FDR控制这一核心问题。您武器库中的'高维渐近理论'和'非参数统计'可直接用于分析其协方差自适应界的紧性，或将其框架推广到非高斯设定。中期可做：若需将方法推广到更一般的依赖结构（如时间序列），需先在'moderately_familiar'的M估计理论上提升。

8. 2608.20727 — A Multiscale Ball Test for Conditional Mean Independence

• 作者: Simon Rudkin, Wanling Rudkin
• 相关性 6/10 · novelty: new_method
• 摘要: 本文提出一种多尺度球条件均值独立性检验（MBCMI），旨在解决当偏离条件均值独立性的信号局限于预测变量空间的有界区域且空间尺度未知时，传统检验功效下降的问题。该方法通过在每个数据点为中心的球上聚合支持加权的局部均值对比，构建检验统计量。固定网格理论识别了总体目标，证明了对于网格可见备择假设的一致性，并导出了由球平滑均值偏离控制的Pitman局部功效极限。对于序列数据，建立了在稳定有限阶自回归与条件符号对称新息下可行的递归符号自助法有效性。在月度美国金融数据中，交叉拟合残差MBCMI检验消除了所有全样本拒绝，表明存在同期条件均值依赖性而非独特的非线性结构。该检验对局部和径向信号最为敏感，且预测变量分布实验表明结论并非独立高斯协变量的假象。
• 关键技术: Multiscale Ball Conditional Mean Independence (MBCMI) test, support-weighted local mean contrasts, fixed-grid theory, Pitman local power, recursive sign bootstrap, cross-fitting
• 为什么对您有用: 该论文直接关联您对假设检验的兴趣，特别是条件均值独立性的非参数检验。您武器库中的非参数统计和minimax界工具可用于分析该检验的局部功效与最优性。中期可做：若先熟悉高阶U统计量理论，可尝试将多尺度球聚合思想推广到U统计量框架，以处理更复杂的依赖结构。

9. 2608.20321 — Large Sample Properties of Higher Order Markov Models

• 作者: Tuhin Majumder, Donald E. K. Martin, Soumendra N. Lahiri
• 相关性 6/10 · novelty: new_theory
• 摘要: 该论文研究有限字母表上高阶马尔可夫链的大样本性质，允许阶数 m_n 随序列长度 n 增长。通过将过程嵌入到 Σ^{m_n} 上的一阶链并利用返回时间分解，在自然遍历性和稀疏性条件下建立了加性泛函的中心极限定理。归一化涉及平稳返回时间，适用于 m_n→∞ 且 m_n/n→0 的三角阵列。在二元变长马尔可夫链（VLMC）中推导了平稳质量的显式下界，给出了保证 CLT 的具体增长条件（如 m_n log m_n / n → 0）。这些结果为稀疏/分区高阶模型（包括 VLMC 和稀疏马尔可夫模型 SMM）的推断提供了渐近基础，其中有效维度随样本量增长。对您而言，该工作直接关联您在高维统计和假设检验方面的兴趣，特别是当模型复杂度随数据增长时，CLT 的成立条件对构建检验统计量至关重要。
• 关键技术: central limit theorem for triangular arrays, return-time decomposition, variable length Markov chain (VLMC), sparse Markov model (SMM), ergodicity and sparsity conditions
• 为什么对您有用: 该论文直接关联您在高维统计和假设检验方面的兴趣，特别是当模型阶数（有效维度）随样本量增长时，CLT 的成立条件对构建检验统计量至关重要。您武器库中'高维渐近'和'非参数统计'的功底可以用于验证其稀疏性假设是否最优，或探索更紧的增长率条件。中期可做：若想将结果推广到更一般的函数类或依赖结构，需先在 moderately_familiar 的 M-估计理论上加强。

10. 2608.23064 — Sequentially valid inference for probabilistic inflation forecasts

• 作者: Amadeo Grob, Maurizio Daniele, Johanna Ziegel
• 相关性 5/10 · novelty: new_method
• 摘要: 本文针对宏观经济预测中概率校准的序贯评估问题，提出基于 e-value 的序贯检验方法，实现任意时刻有效的推断（anytime-valid inference）。传统固定样本检验在结构突变时可能遗漏校准失效信号，而 e-value 方法允许持续监测预测校准性而不破坏统计保证。作者将方法应用于美国、欧元区和瑞士的通胀概率预测，发现在重大结构断裂期间，序贯诊断能捕捉到静态全样本检验常遗漏的校准偏差。方法核心是 e-value 的乘积鞅性质，无需预先指定停止规则，适用于实时监测场景。对您而言，本文展示了 e-value 在时间序列因果推断（如纵向设定中的序贯敏感性分析）中的潜在应用，且其序贯检验框架可与您熟悉的非参数统计和假设检验工具结合。
• 关键技术: e-values, anytime-valid inference, sequential testing, probabilistic forecast calibration, martingale-based testing
• 为什么对您有用: 本文直接连接您的假设检验兴趣，特别是序贯推断这一子方向。e-value 方法在因果推断的纵向设定（如序贯敏感性分析）中有潜在应用，您可以用熟悉的非参数统计工具（如经验过程）分析其渐近性质。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理 e-value 在复杂因果模型中的构造与检验。

11. 2608.22554 — Detection of Cognitive Diagnostic Model Misspecification using New Lancaster-Chesher Information Matrix Tests

• 作者: Richard M. Golden, Reyhaneh Hosseinpourkhoshkbari
• 相关性 5/10 · novelty: minor
• 摘要: 本文针对认知诊断模型（CDM）的模型误设定检测问题，提出基于Lancaster-Chesher信息矩阵等式的新型检验方法。传统方法如卡方拟合优度检验或M2统计量在模型参数较多时自由度爆炸，而White（1982）的IM检验虽可避免此问题，但计算复杂。作者扩展Presnell和Boos（2004）的工作，利用Golden等人（2013, 2016）的方法，推导出仅需1或2个自由度的CDM误设定检验统计量，且解析公式无需bootstrap。模拟研究表明，该检验在CDM常见场景下具有良好的第一类错误控制和检验功效。对您而言，该工作属于假设检验中模型诊断的经典问题，其核心思想——利用信息矩阵等式构造低自由度检验——与您对数学统计和假设检验的兴趣直接相关。
• 关键技术: Information Matrix equality, Lancaster-Chesher test, model misspecification detection, Cognitive Diagnostic Models, White's test, Presnell-Boos method
• 为什么对您有用: 本文直接对应您primary interest中的'假设检验'子方向，具体是模型误设定检测这一经典问题。从武器库看，您对'非参数统计'和'M估计理论'的熟悉程度足以理解IM等式的核心论证（White检验本质上是M估计的模型诊断工具），因此属于立即可做的阅读——您可以用M估计的视角快速评估其理论贡献。不过，该文方法学新颖性有限（novelty_flag: minor），主要是将已有IM检验框架适配到CDM这一特定应用领域，而非提出新的检验理论。

12. 2608.20511 — EDGE: a closed-form directed test for the calibration of probabilistic binary classifiers

• 作者: Ebrahim Khaled Ebrahim, Ahmed El-Kotory
• 机构: Alexandria University
• 相关性 5/10 · novelty: new_method
• 摘要: 本文针对概率二分类器的校准检验问题，提出了一种名为 EDGE 的闭合形式定向检验方法。现有校准评估工具（如期望校准误差 ECE 和可靠性图）仅具描述性，缺乏零分布，无法区分真实失校准与噪声，且依赖分箱选择。EDGE 专为规范概率分类器（逻辑回归）设计，将可靠性图中的标准化分箱残差投影到一组预指定的光滑校准失真形状基上，其零分布为加权卡方变量和的闭合形式，仅需一次数据遍历和一次小型特征分解，无需重拟合、重抽样或调参，因此可在交叉验证循环内高效运行。分箱策略还使其对连续特征导致的稀疏性具有鲁棒性。在链接函数和特征设定错误下，默认基在 22 个可检测场景中的 19 个上领先或持平所有竞争分箱检验的拟合指数，且在稀疏样本中保持可计算性，而基于重拟合的 Stukel 得分检验在 20%-28% 的样本中失效。其固有局限在于粗糙的高频失校准区域，此时全向统计量更优——这一局限通过基本分辨率论证表明是所有分箱工具（包括校准误差）共有的。对您而言，该工作直接关联假设检验兴趣，其闭合形式零分布和无需重抽样的计算效率对高维或大规模数据场景下的校准诊断具有实用价值。
• 关键技术: closed-form null distribution, weighted sum of chi-square variables, projection onto smooth basis, binned residual analysis, calibration distortion shapes
• 为什么对您有用: 本文直接关联您对假设检验的兴趣，提出了一种针对概率分类器校准的定向检验方法，其闭合形式零分布和无需重抽样的计算效率对高维或大规模数据场景下的校准诊断具有实用价值。您武器库中非常熟悉的高维渐近理论可用于分析该检验在特征维度增长时的行为，而中等熟悉的 M-估计理论可帮助理解逻辑回归模型设定错误对检验的影响。中期可做：若想将 EDGE 推广至更一般的分类器（如非参数模型），需先在中等熟悉的半参数理论上加强，特别是处理非参数估计带来的额外变异性。

13. 2608.20176 — The exact Spearman rho-footrule region via optimal transport with applications to finite rankings, mixability, and Chatterjee's rank correlation

• 作者: Jonathan Ansari, Marcus Rockel
• 相关性 5/10 · novelty: new_theory
• 摘要: 本文解决了Spearman's rho与Spearman's footrule之间精确可达区域的开放问题，即给定footrule值时rho的最大值。作者将问题重新表述为带线性矩约束的最优传输问题，通过构造匹配的对偶势函数及其接触集，得到了唯一的最优耦合。该耦合等价于在给定E|U-V|的条件下最小化Var(|U-V|)的耦合。主要应用包括：在有限排序中改进了footrule距离与二次秩差之间的Cauchy-Schwarz不等式；在广义可混合性框架中刻画了|U'+V'|的可达常数并确定了给定均值下的最小二次偏差；推导了Chatterjee秩相关系数ξ(X,Y)与copula相关比之间的显式界。这些结果对您的高阶U统计量工作有直接关联——最优传输与耦合构造是处理秩统计量联合分布的核心工具，而Chatterjee相关系数的条件i.i.d.表示与U统计量的投影结构相通。
• 关键技术: optimal transport, copula optimization, Spearman's rho, Spearman's footrule, Chatterjee's rank correlation, matching dual potential
• 为什么对您有用: 本文直接关联您的高阶U统计量兴趣——秩相关系数（Spearman's rho/footrule）是U统计量的经典例子，Chatterjee相关系数近年成为非独立检验的热点。技术上看，最优传输构造耦合的方法可迁移到您熟悉的higher-order U-statistics的treewidth/einsum计算框架中，用于分析秩统计量的联合分布边界。中期可做：需先在moderately_familiar的higher-order U-statistics理论上加深对Chatterjee相关系数高阶推广的理解，然后可尝试用einsum复杂度刻画其计算代价。

14. 2608.23257 — How Replicable Are Statistically Significant Findings?

• 作者: Patrick Vu, Stefan Faridani
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究在实证科学中，恰好达到常规显著性阈值（如 p=0.05）的发现，在相同样本量的重复研究中保持显著的概率。作者定义了“期望复制概率”（expected replication probability），即给定原始 p 值条件下复制研究得到显著结果的概率，并利用实验经济学、心理学和社会科学已发表研究的 p 值分布进行估计。通过将该估计值与实际复制结果（如 Many Labs 项目）对比，验证了其预测准确性，甚至优于预测市场。核心发现是：p=0.05 的发现，其复制概率在不同领域仅为 0.10 至 0.25。作者进一步论证，低复制概率主要源于原始研究的统计功效不足，而非发表偏倚。文章还开发了一个非参数估计器，并将其应用于使用更大样本的经济学文献，发现复制概率虽有提高但仍偏低。这一结果对您作为统计学家关注假设检验和科学可重复性具有直接启示：它量化了单一显著性结果作为证据的局限性，并强调了累积证据的重要性。
• 关键技术: replication probability estimation, nonparametric estimator, p-value distribution, statistical power analysis, publication bias assessment
• 为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是 p 值的可重复性问题。您武器库中熟悉的非参数统计和 minimax 界工具可用于分析其非参数估计器的收敛性质或最优性。中期可做：若想深入其估计量的效率理论，需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

15. 2608.22002 — Uniformly Valid Inference Under Interactive and High-Dimensional Constraints

• 作者: Joseph Fry
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究当参数真值位于或接近参数空间边界时，极值估计量的渐近正态性失效问题。作者提出并分析了一种“准无约束估计量”，该估计量即使在参数向量靠近边界时仍保持渐近正态。该工作推广了先前关于此类估计量的结果，允许更一般的约束类型，并展示了当存在高维 nuisance 参数时如何自然修改方法。进一步证明，只要初始约束估计量足够精确，Wald、似然比和拉格朗日乘子检验的变体能够实现一致的大小控制。最后，将方法应用于面板数据的网络估计问题。对您而言，本文直接关联到假设检验与高维统计的交叉点，其“边界参数下的均匀推断”技术可能为您的因果推断中处理参数边界问题提供新工具。
• 关键技术: quasi-unconstrained estimator, uniform inference, boundary parameter, Wald/LR/LM tests, high-dimensional nuisance parameter
• 为什么对您有用: 本文直接连接您的假设检验与高维统计兴趣：处理参数边界下的均匀推断，这是经典极值估计理论中的难点。您武器库中的 minimax bounds 和非参数统计可用于评估其“初始约束估计量足够精确”条件的紧性，属于中期可做——需先在 moderately_familiar 的 M-estimation 理论上加强（具体为边界参数下的渐近分布理论）。

16. 2608.22659 — Statistical Methods for Multiple Language Model Comparison on a Shared Evaluation

• 作者: Juan Francisco Mandujano Reyes
• 相关性 4/10 · novelty: application
• 摘要: 本文针对大语言模型（LLM）在共享评测集上的多模型比较问题，提出一个基于随机效应模型的统计框架。将模型视为固定效应、问题（或问题簇）视为随机效应，通过经典ANOVA或线性混合模型拟合，在K=2时能还原Miller的配对与聚类估计量，并自然推广到任意K及非平衡聚类设计。核心贡献在于同时处理了问题级配对和多重比较校正，填补了当前LLM评测中仅依赖两两t检验的统计严谨性缺口。模拟和真实数据（6个开源模型在1497个MMLU-Pro问题上）验证了方法有效性，并给出了多模型评测报告的具体建议。对您而言，本文虽不直接涉及您的主要兴趣方向，但其在假设检验框架下处理多重比较和聚类相关性的思路，可作为您在高维假设检验或因果推断中处理多重检验问题的参考。
• 关键技术: random-effects model, ANOVA, linear mixed model, clustering correction, multiple comparison correction
• 为什么对您有用: 本文属于假设检验方向，但更偏向应用统计而非理论创新。您的武器库中'非参数统计'和'高维渐近'可用于分析其聚类校正的渐近性质，但核心问题（LLM评测的多重比较）与您的主要兴趣方向（因果推断、高维RMT等）距离较远。作为gateway reading，本文清晰阐述了配对和聚类结构对统计推断的影响，但方法学新颖性有限（ANOVA/LMM是经典工具）。暂不可做：缺乏与您核心兴趣的直接连接，且方法本身不涉及您武器库中的前沿工具。

17. 2608.21122 — LABS: Extending the scope of binary segmentation via a look-ahead device

• 作者: Piotr Fryzlewicz
• 相关性 4/10 · novelty: new_method
• 摘要: 本文针对多变化点检测问题，提出了一种名为 Look-Ahead Binary Segmentation (LABS) 的算法，旨在扩展传统二元分割（Binary Segmentation）的适用范围。传统二元分割在均值变化检测中有效，但在斜率变化检测等场景下会失效，因为其递归步骤无法保证识别出真实变化点。LABS 的核心改进在于：在父递归返回一个候选变化点后，利用两个子递归返回的变化点来定义一个更窄的区间，并在该区间上重新评估父估计量。这种方法继承了二元分割的计算速度，同时实现了斜率变化信号下接近最优的相合率 O{(n log n)^{1/2}}，该相合率通过阈值化或 Schwarz 型信息准则选择模型来达到。模拟实验表明，LABS 算法快速且达到了当前最优的性能。该工作对您可能有用，因为它涉及变化点检测这一假设检验的核心问题，且其算法设计思路（通过子递归结果修正父估计）可能对您在高维统计或因果推断中处理结构变化问题有启发。
• 关键技术: Binary segmentation, Change-point detection, CUSUM statistic, Look-Ahead device, Consistency rate
• 为什么对您有用: 该论文直接关联到您对假设检验的兴趣，特别是变化点检测这一经典问题。您武器库中的非参数统计和高维渐近理论可用于分析该算法的相合性，而算法设计中的递归思想可能与您熟悉的因果推断中的纵向数据方法有潜在联系。这是一篇方法学论文，值得作为假设检验方向的入门阅读，但核心机器（二元分割）不在您的武器库中，属于暂不可做范畴。

18. 2608.19903 — Where Does the Union Bound Go? Best-Arm Identification and Strong FWER Control

• 作者: Rianne de Heide
• 相关性 4/10 · novelty: survey
• 摘要: 本文在固定置信度最优臂识别（best-arm identification）的框架下，从多重检验的视角重新审视了证明中常用的联合界（union bound）操作。作者指出，最优臂识别问题可以自然地对应两种不同的假设检验方向：一种方向下，问题等价于控制强族系错误率（strong FWER），其中 K-1 个零假设为真；另一种方向下，虽然只有一个零假设为真，但成对比较可能导致通过 K-1 个比较中的任何一个错误地拒绝该零假设。因此，多重性并未消失，只是以不同形式出现。本文用两种社区的术语明确阐述了这种等价性，为理解最优臂识别与多重检验之间的联系提供了清晰的桥梁。对您而言，这篇短文将 bandit 领域的证明技巧与经典的多重检验理论联系起来，有助于您从假设检验的角度审视 bandit 问题，属于数学统计与假设检验方向的交叉阅读材料。
• 关键技术: union bound, strong familywise error rate (FWER), Bonferroni correction, multiple testing, best-arm identification
• 为什么对您有用: 本文直接连接您的 primary interest 中的 'hypothesis testing' 子方向，将 bandit 领域的最优臂识别问题重新解释为多重检验中的 strong FWER 控制问题。虽然本文是概念性短文而非方法论贡献，但它提供了一个清晰的视角转换，有助于您用熟悉的假设检验武器（如 FWER 控制、Bonferroni 校正）来理解 bandit 文献中的证明策略。从武器库来看，您对 minimax bounds 和 estimation theory 非常熟悉，但 bandit 领域的 sequential testing 和 stopping rules 属于 moderately_familiar 的 M-estimation 理论范畴——本文不涉及具体方法，因此属于暂不可做的范畴，但作为 gateway reading 值得快速浏览以建立概念联系。

统计计算 / 算法 (stat_computing, 2 篇)

1. 2608.23075 — When a neural surrogate cannot accelerate a solver: runtime share, closed-loop drift, and the economics of uncertainty gating in a stiff coupled simulation

• 作者: L. Thümmler, T. Kuroda
• 相关性 6/10 · novelty: application
• 摘要: 本文通过一个受控的端到端负结果实验，系统性地揭示了用神经网络代理加速多物理场耦合模拟的三个结构性障碍。测试平台是广义相对论辐射流体力学代码中最耗时的隐式牛顿求解器（中微子-物质耦合）。第一，单次调用成本与运行时占比是不同概念，目标模块仅占16.9%的壁钟时间，根据Amdahl定律，任何代理加速的理论上限仅为1.2倍；即使代理单次调用便宜5.8倍，实际性能也只能持平。第二，离线精度无法预测部署表现：14个网络的池化Spearman误差-生存相关性（rho=+0.73）是组间混杂，在控制组内后消失（rho=-0.04）。第三，正确的分布外门控机制无法加速一个离开训练分布的循环：访问状态偏离数据流形73倍，门控拒绝96.8-99.7%的单元，加上自身开销，门控循环实际是0.94-0.96倍的减速。此外，稳定性与保真度分离：从不崩溃的门控运行在6000步后积累-19.9%的线性密度偏差，这是定向弹道累积偏差，而非自回归文献关注的方差驱动发散。该论文对您作为统计计算方向的研究者非常有用，它提供了一个关于代理模型加速实际科学模拟的清醒案例，并给出了可量化的瓶颈分析框架（Amdahl定律、离线-在线精度差距、分布偏移的量化），可直接用于评估您自己开发的统计计算软件或算法的实际加速潜力。
• 关键技术: Amdahl's law, runtime profiling, offline-online accuracy gap, out-of-distribution detection, autoregressive error accumulation
• 为什么对您有用: 本文属于stat_computing方向的gateway reading，直接关联您对统计计算中算法效率与计算-统计权衡的兴趣。它提供了一个清晰的负结果案例研究，展示了代理模型加速在实际科学模拟中的结构性限制，并给出了可量化的分析框架（Amdahl定律、离线-在线精度差距、分布偏移的量化）。您的武器库中'软件工程'和'高维渐近'工具可用于分析其运行时剖析和误差累积模式，但核心的物理模拟领域知识（辐射流体力学、隐式牛顿求解器）不在您的武器库中，因此属于'暂不可做'的范畴——但作为入门读物，本文值得花时间阅读全文，以理解统计计算在实际科学计算中的边界条件。

2. 2608.19718 — Information-Computation Inversion in Pseudo-Marginal MCMC

• 作者: Zihan Xu
• 相关性 5/10 · novelty: new_method
• 摘要: 本文研究伪边际MCMC（pseudo-marginal MCMC）中观测设计对后验推断的影响。核心问题是：当观测设计改变时，似然估计量的随机性质随之变化，导致后验信息与有限步恢复性能之间出现反转。作者推导了一个逆权重接受界，建立了高保留权重状态下功能均方误差的下界。一个两区域推论揭示了信息-计算反转现象：更强的精确后验分离可能与更差的有限步恢复共存。为解决此问题，提出了一种基于路径条件的转移机制，根据科学配对路径分配耦合辅助继承与独立刷新。在受控转录实验中，更精细的观测增强了似然分离，但降低了粒子滤波可靠性。在96状态基因网络比较中，路径条件化将粒子滤波壁钟时间降低42.4%。该工作对您的主要兴趣——统计计算中的算法设计与计算约束推断——有直接参考价值，特别是信息-计算权衡的量化分析。
• 关键技术: pseudo-marginal MCMC, information-computation inversion, inverse-weight acceptance bound, route-conditioned transition, particle filter, finite-horizon recovery
• 为什么对您有用: 本文直接切入您的主要兴趣——统计-计算权衡（information-computation gap），且以MCMC算法为具体载体，属于gateway reading范畴。您的武器库中'软件开发和逆问题'可直接用于复现其粒子滤波实验，而'高阶U统计量的树宽/张量收缩复杂度'虽不直接对应，但可中期尝试将路径条件化机制与张量网络收缩顺序优化类比，探索计算成本刻画。目前暂不可做：核心机器（低度似然比、SQ下界）不在武器库中，但本文作为入门读物清晰阐述了信息-计算反转现象，值得花时间读全文。

天体统计 (astrostats, 7 篇)

1. 2608.23534 — Strong Lensing Cosmology with Population-level Calibrated Neural Ratio Estimation

• 作者: Sreevani Jarugula, Brian D. Nord, Aleksandra Ćiprijanović, Shubhendu Trivedi
• 机构: Fermi National Accelerator Laboratory · Brown University · Massachusetts Institute of Technology
• 相关性 7/10 · novelty: application
• 摘要: 本文研究利用强引力透镜系统推断宇宙学参数（暗能量状态方程参数 w 和总物质密度 Ω_m）的问题。在下一代巡天将提供约 10^5 个星系-星系透镜系统的背景下，传统高维似然拟合面临计算挑战。作者采用神经比率估计（NRE）方法，通过模拟数据训练神经网络来高效计算单个透镜的似然比，再组合成群体级后验分布。引入事后后验覆盖校准程序，缓解神经密度估计中常见的模型过度自信问题。实验表明，在标准 ΛCDM 宇宙下，100 个透镜的校准 NRE 模型对 w 的中位分数不确定度为 22.8%，对 Ω_m 为 2.9%。该工作作为概念验证，展示了面向大规模透镜样本的可扩展宇宙学参数推断路径。对您而言，这是一篇优秀的入门级天文统计读物，清晰展示了模拟-推断框架在复杂天文数据中的应用，且数据结构和不确定性量化问题值得关注。
• 关键技术: Neural Ratio Estimation (NRE), posterior coverage calibration, simulation-based inference, population-level likelihood combination
• 为什么对您有用: 本文属于 astrostatistics 方向的 gateway reading。它清晰阐述了天文数据（强引力透镜图像+光谱信息）的结构、噪声和规模，以及统计推断模型（NRE 替代传统似然拟合），适合作为统计学家进入该领域的入门读物。您的武器库中 'nonparametric statistics' 和 'software development' 足以理解其模拟框架，但核心的 NRE 方法（基于神经网络的条件密度估计）不在您的 very_familiar 列表中，属于中期可做方向——需先在 'moderately_familiar' 的模拟推断工具上积累经验。值得花时间读全文以了解天文统计的典型问题设定。

2. 2608.21474 — Radio Galaxies detection and characterization using deep learning techniques

• 作者: Sanjay Khatik, Rohit Sharma, Pankaj Jain
• 相关性 6/10 · novelty: application
• 摘要: 本文针对未来射电望远镜（如SKA）产生的大规模巡天图像数据，提出一个两阶段深度学习框架YOLO-Chars，用于自动检测和表征射电星系。第一阶段使用定制化的YOLO多尺度检测模型，在大型天图上定位致密和延展源；第二阶段通过专用网络估计源的三个关键物理参数：流量密度、角大小和位置角。方法在SKA SDC1基准数据集上评估，检测和表征性能具有竞争力。该工作本质上是计算机视觉方法在天文图像分析中的直接应用，未涉及统计推断或不确定性量化。对您而言，这是一篇合格的入门级天文数据科学读物，清晰展示了射电天文学中图像数据的结构（噪声、源形态、尺度）和典型分析流程，但方法学新颖性有限，武器库中的非参数统计或高维工具在此无直接用武之地。
• 关键技术: YOLO object detection, multi-scale detection, source characterisation, deep learning for radio astronomy
• 为什么对您有用: 本文属于astrostats gateway reading：它清晰展示了射电天文学中图像数据的结构（噪声、源形态、尺度）和典型分析流程，适合作为入门读物了解该领域的数据挑战。武器库中的非参数统计或高维工具在此无直接用武之地，但若您未来想进入天文图像分析方向，本文可作为起点——不过核心机器（深度学习检测）不在当前武器库中，暂不可做。

3. 2608.21491 — NestyNet. IV. Laws Chosen by Nothing in Advance

• 作者: Rodrigo Ibata, Wassim Tenachi, Foivos Diakogiannis, Neil Ibata, Anirudh Shankar
• 相关性 5/10 · novelty: new_method
• 摘要: 本文提出 NestyNet-DE 框架，用于从数据中自动发现微分方程（DE），核心创新在于不依赖固定函数库，而是通过算子因子化搜索直接恢复方程结构，包括强非线性耦合律、复数域方程和向量 PDE。方法使用分段神经代理的解析导数，结合稀疏库线性搜索和算子因子化搜索两条互补路径，后者能发现稀疏库遗漏的组合律。框架支持多数据集共享支撑发现、哈密顿量发现，并能从同一数据恢复方程的几何结构（Lie 点对称性）。应用案例包括 308 颗主带小行星 30 年历表数据，成功恢复简化开普勒层级（面积律、反平方力、简化哈密顿量），其中发现的旋转对称性固定了离心系数而非拟合。基准测试涵盖 57 个实值 ODE 和 26 个复数系统（含薛定谔、狄拉克方程），以及麦克斯韦方程组作为耦合向量 PDE 案例。本文对您作为统计学家是极好的入门读物：它清晰展示了天文动力学中数据驱动建模的完整流程（数据→定律→对称性），且暴露了传统稀疏回归方法在非线性耦合场景下的局限性。
• 关键技术: neural surrogate differentiation, sparse library regression, operator factorization, Lie point symmetry discovery, Hamiltonian discovery, multi-dataset shared-support discovery
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它用统计学家熟悉的稀疏回归和神经代理方法解决天文动力学中的微分方程发现问题，且对数据侧（30 年历表、噪声结构）和模型侧（非线性耦合、复数域）有清晰阐述。您的武器库中 nonparametric statistics 和 high-dimensional asymptotics 可直接用于分析其稀疏回归的变量选择一致性，而 higher-order U-statistics 的 tensor-network 视角可能为算子因子化搜索的复杂度分析提供新工具。值得花时间读全文，作为进入 astrostatistics 方向的起点。

4. 2608.21051 — NestyNet. III. Symbolic Regression from Analytic Neural Surrogates

• 作者: Rodrigo Ibata, Wassim Tenachi, Foivos Diakogiannis, Neil Ibata, Anirudh Shankar
• 相关性 5/10 · novelty: application
• 摘要: 本文提出 NestyNet-SR，一种从神经代理模型出发进行符号回归（SR）的方法，目标是从数据中发现封闭形式的物理定律。核心机制是：先用带解析导数的神经网络拟合数据，递归检测可分离性，将多变量问题约简为更简单的神经原子；然后通过分层符号搜索栈将这些原子蒸馏为封闭形式，最后一层采用新颖的因子化符号搜索，将结构发现与参数校准分离——搜索候选内部坐标，对每个坐标用校准后的函数（多项式、幂律、正弦等）拟合数据，从而嵌套在最终表达式中的常数是拟合而非搜索得到的。该方法支持多数据集回归、自动特征发现和量纲分析剪枝。在 SRBench AI Feynman 基准上，NestyNet-SR 首次实现了所有 120 个无噪声方程的精确符号恢复；在有噪声情况下，通过统计审计认证哪些结构是稳健的。作为真实数据案例，仅给定 SPARC 星系的质量模型分量，算法自动发现了重子加速坐标，复现了已知的质光比和加速尺度以及径向加速关系的非唯一形式，并具备留出星系泛化、校准的对称性弃权和局部斜率后验。本文是 astrostatistics 方向的优秀入门读物，清晰展示了从数据到可解释物理定律的完整统计建模流程，对您作为统计学家理解天文数据分析中的符号回归问题很有价值。
• 关键技术: symbolic regression, neural surrogate with analytic derivatives, factorized symbolic search, dimensional analysis pruning, multi-dataset regression
• 为什么对您有用: 本文属于 astrostatistics 方向的 gateway reading。它清晰阐述了天文数据分析中的一个核心问题——从观测数据中发现封闭形式的物理定律，并给出了完整的统计建模流程（神经代理、可分离性检测、符号搜索、噪声下的统计审计）。您的技术武器库中的非参数统计和软件工程能力足以理解其核心方法，但符号回归的具体搜索算法（如因子化搜索、量纲分析剪枝）是您不熟悉的领域，属于中期可做——需要先在 moderately_familiar 的 M-estimation 或 semiparametric 理论上长肌肉才能深入评估其统计效率。本文值得花时间读全文，作为进入 astrostatistics 方向的起点。

5. 2608.20666 — Amplifying the imaging power of digital sky surveys with space telescopes data and generative AI

• 作者: Sai Teja Erukude, Lior Shamir
• 相关性 5/10 · novelty: application
• 摘要: 本文利用生成式 AI（GAN 或类似架构）将地面数字巡天（如 SDSS）拍摄的星系图像质量提升至空间望远镜（如 HST）的水平。核心思路是利用星系形态的天然结构，训练一个生成模型，将地面望远镜的弱信号转换为细节清晰的图像。方法结合了地面巡天的高通量优势与空间望远镜的高成像力，生成了一个包含 63,202 张增强星系图像的目录。作者提供了完整的软件工具、配对训练数据和源代码。这是一项应用导向的工作，方法学 novelty 有限（生成模型用于图像超分辨率是成熟技术），但数据产品和管道对天文学界有实用价值。对您而言，本文可作为 astrostatistics 的入门读物，展示了天文学中一个典型的“数据增强”问题——如何融合不同来源（地面 vs. 空间）的数据质量，但统计方法本身（生成模型）不在您的武器库核心范围内。
• 关键技术: generative adversarial networks (GAN), image super-resolution, paired training data, digital sky surveys, space-based telescope imaging
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰展示了天文学家关心的一个核心数据问题（地面巡天 vs. 空间望远镜的成像质量 tradeoff），并给出了一个端到端的 AI 解决方案。作为入门读物，它适合了解天文学数据结构和常见分析目标。但您的武器库（非参数统计、U-统计量、因果推断）与本文的生成模型方法无直接交集，且本文方法学 novelty 较低（图像超分辨率是成熟技术），因此不值得花时间全文精读。

6. 2608.20436 — A Multi-instrument Generalized Lomb-Scargle Periodogram Implementation

• 作者: Giulia Martos, Néstor Espinoza, Jorge Meléndez
• 相关性 5/10 · novelty: application
• 摘要: 本文提出了一种多仪器广义 Lomb-Scargle 周期图（multi-instrument GLS）的实现。该算法本身并非全新，但作者提供了一个简洁的闭式解形式，能够同时处理不同仪器引入的数据偏移。在热木星 TOI-481 b 的径向速度数据上，该方法相比标准 GLS 恢复了更高显著性的周期。代码已在 GitHub 上开源。对您而言，这是一篇 astrostatistics 的入门级应用文章，展示了如何用简单统计技巧处理天文数据中的仪器异质性，适合作为了解该领域数据结构和常见问题的起点。
• 关键技术: Generalized Lomb-Scargle Periodogram, multi-instrument offset correction, radial velocity data analysis
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，适合作为统计学家进入该领域的入门读物。文章清晰阐述了天文数据中仪器偏移这一常见问题，并给出了简单的闭式解，数据结构和模型假设明确。武器库中的非参数统计和软件工程经验足以理解并复现该方法，但该方向并非研究者核心兴趣，暂不可做深入跟进。

7. 2608.19675 — Towards independent event horizon imaging of the supermassive black holes in M87 and the Milky Way

• 作者: Nithyanandan Thyagarajan, Samuel Lai, Ivy Wong, Foivos Diakogiannis
• 相关性 4/10 · novelty: application
• 摘要: 本文针对事件视界望远镜（EHT）对 M87 和 Sgr A 超大质量黑洞的成像问题，提出了一种独立于传统校准和重建方法的框架。核心挑战包括低信噪比、严重的校准不确定性和稀疏的孔径覆盖。方法上，作者采用闭合不变量（closure invariants）作为干涉观测值，这类量天然免疫于单站校准误差，从而提供对源结构的稳健约束。结合 GenDIReCT（一种基于扩散模型的生成式深度学习图像重建框架），在闭合不变量条件下于图像潜空间中进行重建。作者在合成挑战数据集以及 3C279 和半人马座 A 的真实 EHT 数据上展示了独立重建结果，并与已有结果进行了比较。该工作展示了闭合不变量驱动的生成式成像作为校准鲁棒性框架的潜力，为解释视界尺度黑洞观测提供了独立且互补的途径。对您而言，这是一篇优秀的入门级天文统计读物，清晰阐述了数据挑战（稀疏采样、校准误差）和模型框架（生成模型+闭合量），适合了解 VLBI 成像中的统计推断问题。
• 关键技术: closure invariants, generative deep learning, diffusion-based image reconstruction, Very Long Baseline Interferometry (VLBI), calibration-robust imaging
• 为什么对您有用: 本文属于 astrostatistics 的 gateway reading。它清晰阐述了 VLBI 成像中的数据挑战（低 SNR、稀疏孔径、校准误差）和模型框架（闭合不变量 + 扩散生成模型），适合作为统计学家进入该领域的入门读物。您的武器库中非参数统计和逆问题经验足以理解其核心思想，但具体的天文干涉测量知识（如闭合相位/幅度）需要额外学习。值得花时间读全文以拓宽视野，但短期内难以直接迁移方法。

经济理论 / 应用 (econ_theory, 2 篇)

1. 2608.23796 — Accelerating the Adoption of Residential Solar Power Systems: Policy Analysis using a Dynamic Structural Model

• 作者: Sebastián Souyris, Jason A. Duan, Anantaram Balakrishnan, Varun Rai
• 相关性 4/10 · novelty: application
• 摘要: 本文构建了一个动态结构模型，研究住宅光伏（PV）系统扩散中，前瞻性家庭在安装时机上的经济权衡。模型将采用决策建模为基于投资回报和邻居采用影响的动态优化问题，并依据房屋价值和城市化水平对家庭进行细分，纳入未观测异质性以捕捉时空安装动态。采用贝叶斯方法对来自德克萨斯州奥斯汀的详细家庭级数据进行估计，样本外预测精度优于现有替代模型。在动态均衡框架下模拟反事实政策，评估不同退坡补贴设计的效果。关键发现是：有限期限的补贴比长期、成本更高的计划能产生更多采用和减排，这一反直觉结果源于前瞻性行为、邻居影响以及补贴到期前的加速采用。该框架可推广至其他耐用技术的采用研究。对您而言，本文展示了经济理论中动态结构模型与因果推断（如政策评估中的反事实模拟）的深度结合，其分段补贴设计的思想对流行病学中差异化干预策略的评估也有启发。
• 关键技术: dynamic structural model, Bayesian estimation, counterfactual policy simulation, forward-looking behavior, spatiotemporal diffusion
• 为什么对您有用: 本文属于经济理论（secondary interest）中的应用因果工作，其动态结构模型与反事实政策模拟方法可直接迁移至您关注的纵向因果推断和中介分析场景。武器库中'identification theory in causal inference'和'M-estimation theory'可用于理解其估计策略的识别假设，而'higher-order U-statistics'的树宽视角或可分析其邻居影响项的复杂依赖结构。中期可做：需先在'moderately_familiar'的'identification theory in causal inference'上巩固，以严格评估其模型假设的可检验性。

2. 2608.22499 — Fixed-\(T\) Dynamic Spatial Panel Model with Common Shocks

• 作者: Jushan Bai, Jesse Chieh Chen
• 相关性 4/10 · novelty: application
• 摘要: 本文研究固定时间维度（T固定）、大横截面（N大）的动态空间面板数据模型，同时包含观测回归变量、交互效应（common shocks）以及同期和滞后空间依赖。作者将模型同时视为N维联立方程系统和T维方程系统：前者通过空间Jacobian处理空间同时性，但交互效应引入N个单位特定载荷向量，在T固定时产生类似Nickell偏误的 incidental parameters 问题；后者结合空间增强随机载荷（SERL）设定，得到不含单位特定 incidental parameters 的拟似然函数。估计采用计算可行的块坐标算法。模拟显示估计误差小且覆盖概率接近名义水平。对美国县级女性劳动参与率的应用发现显著的动态和空间依赖，教育是解释女性劳动参与率上升的重要因素。对您而言，本文是经济理论（空间计量+面板数据）的实证应用，展示了处理固定T大N面板中交互效应和空间依赖的实用方法，可作为进入该领域的入门读物。
• 关键技术: dynamic spatial panel model, interactive effects, incidental parameters problem, quasi-likelihood, block-coordinate algorithm
• 为什么对您有用: 本文属于经济理论（空间计量经济学）的应用工作，作为gateway reading，它清晰阐述了固定T大N面板中交互效应带来的incidental parameters问题及其拟似然解决方案，对不熟悉空间计量的统计学者友好。您的武器库中非参数统计和估计理论可用于理解其拟似然构造的渐近性质，但核心的空间Jacobian和SERL设定不在您的技术库中，属于暂不可做方向。不过作为入门读物，值得花时间读全文以了解空间面板数据的基本分析框架。

流行病学 (epidemiology, 1 篇)

1. 2608.20253 — GENIE: Generative Neural Inference for Epidemics

• 作者: Laura M. Guzmán-Rincón, George R. E. Bradley, Joel Kandiah, Kyriakos Flouris, Pietro Liò, Paul J. Birrell et al.
• 相关性 6/10 · novelty: application
• 摘要: 本文针对高分辨率时空流行病预测问题，提出GENIE框架，利用模拟推断（simulation-based inference）将基于智能体的复杂模型（ABM）的预测能力转化为近似实时可用的机器学习模型。GENIE架构包含两个模块：局部感染编码器（学习跨区域共享的疾病动态）和局部特征编码器（学习区域特异性传播特征），通过训练生成未来疫情轨迹的近似后验预测分布。在基准测试中，GENIE在住院高峰时间和峰值大小等指标上优于传统统计模型和标准ML模型。该方法解决了ABM校准困难、计算成本高的痛点，为实时疫情预警提供了可行方案。对您而言，本文展示了模拟推断在流行病学中的应用，可作为流行病学应用方向的入门读物，武器库中的非参数统计和软件工程能力足以支撑理解其核心思想，但无需深入方法学细节。
• 关键技术: simulation-based inference, agent-based models, neural posterior estimation, spatio-temporal forecasting, amortized inference
• 为什么对您有用: 本文属于流行病学应用方向，是您的secondary interest。作为gateway reading，它清晰阐述了数据侧（高分辨率ABM模拟、时空结构、噪声来源）和模型侧（后验预测分布、模块化神经网络架构），适合统计学家快速理解流行病预测的问题设定。武器库中的非参数统计和软件工程能力足以支撑理解，但无需深入方法学细节——本文是值得花时间读全文的入门级应用文章。

其他 (other, 13 篇)

1. 2608.19874 — Combining Concurrent and Historical Functional Linear Regression

• 作者: Alois Kneip, Dominik Liebl, Sven Otto
• 相关性 6/10 · novelty: new_method
• 摘要: 本文研究函数型线性回归模型，其中响应变量在时间 t 的值同时依赖于预测变量的历史轨迹（L^2 历史效应）和当前值（点评估效应）。作者刻画了这两种效应系数函数的非可识别性，并证明当预测变量协方差算子的特征函数不是逐点平方可和时，历史效应与当前效应可分别识别。基于预测过程的正交化表示，提出平滑样条估计器并建立收敛速率，发现路径光滑性与特征值衰减之间存在有趣的权衡：更光滑的预测轨迹加速历史效应估计，而更粗糙的轨迹加速当前效应估计。模拟和两个真实数据应用展示了分离两种效应的实际价值。该文属于函数型数据分析的方法论贡献，与您的主要兴趣（因果推断、高维统计等）无直接重叠，但函数型回归中的识别问题和估计理论可作为非参数统计的拓展阅读。
• 关键技术: functional linear regression, smoothing spline, non-identifiability characterization, orthogonalized representation, eigenfunction summability condition
• 为什么对您有用: 本文属于函数型数据分析（FDA）领域，与您的主要兴趣（因果推断、高维统计、半参理论）无直接重叠，但其中关于非可识别性的刻画和估计速率的权衡分析对非参数统计有一定参考价值。作为 gateway reading，本文对 FDA 入门者较为友好，但武器库中缺乏函数型数据分析的专门工具（如 FPCA、平滑样条理论），暂不可做 follow-up。

2. 2608.19815 — Trustworthy Decisions in Reliability Set Estimation under Insufficient Model Information

• 作者: Holger Dette, Zhengfu Liu, Jun Yu
• 相关性 6/10 · novelty: new_method
• 摘要: 本文研究可靠性集估计（reliability set estimation）问题，目标是在响应概率超过给定阈值的输入区域上做出安全关键决策。设定中，研究者只有一个工作模型（working model），即真实响应曲面的不完美近似，直接使用该模型可能导致将不安全区域错误认证为安全。方法上，首先提出“建模-校准”两阶段程序：由于真实集合不可观测，引入一个可观测的非对称替代损失函数，并利用独立的校准集选择偏差校正阈值，实现 \(O_P(1/n)\) 的体积收敛率。其次，利用共形风险控制（conformal risk control）框架结合该替代损失，在无需工作模型质量假设的前提下，以预设水平控制最关键的假阳性风险（false inclusion risk），并证明校准集对于风险控制的必要性。第三，提出自适应设计策略，将观测集中在可靠性集及其边界上，在控制预算的同时提升对决策影响最大的区域上的模型质量。数值实验表明，该方法不仅得到更准确的集合估计，还实现了经典plug-in方法所缺乏的有限样本风险控制。本文虽非您核心兴趣方向，但其“模型不完美下的决策风险控制”思路与您对因果推断中敏感性分析和稳健估计的关注有潜在交叉。
• 关键技术: conformal risk control, surrogate loss, calibration set, adaptive design, reliability set estimation
• 为什么对您有用: 本文属于统计决策与安全关键应用（如工程可靠性）方向，与您列出的primary interests无直接重叠。但其中“用校准集校正模型偏差以控制决策风险”的思路，与因果推断中sensitivity analysis（如用negative control校正未测量混杂）有方法学上的类比性。您武器库中的nonparametric statistics和minimax bounds可用于分析其校准程序的收敛率是否最优。暂不可做：核心机器（conformal prediction / risk control框架）不在您的武器库中，需先熟悉该领域的基本工具（如split conformal、risk control的finite-sample guarantee）才能评估其可迁移性。

3. 2608.19898 — A dual-polarization whitened-template trigger for real-time radio detection of extensive air showers

• 作者: Qader Dorosti, Alperen Aksoy, Ilja Bekman, Markus Cristinziani, Eric-Teunis de Boone, Vesselin Dimitrov et al.
• 相关性 6/10 · novelty: application
• 摘要: 本文针对自主射电观测站的第一级触发问题，提出了一种基于双极化白化脉冲模板的实时触发算法。目标是在FPGA硬件资源严格受限的条件下，从实测背景噪声中高效识别微弱的广延大气簇射脉冲。方法核心是：利用探测器折叠的簇射脉冲模板，并基于实测背景的协方差矩阵进行白化处理；在正交的南北和东西通道上连续评估16样本模板；在固定时间窗内合并两极化响应并与标定阈值比较。独立测试集上，该触发器的效率达到0.97（95%置信区间0.96-0.98），候选帧等效率为3.39 kHz；在相同工作点，未白化的双极化模板效率仅0.41，幅度触发器效率仅0.16。FPGA实现占用2377个查找表、5330个寄存器和32个DSP模块，时序闭合于200 MHz。这是一篇纯硬件/信号处理的应用论文，方法学新颖性有限，属于工程优化。
• 关键技术: whitened template matching, FPGA trigger implementation, dual-polarization combining, covariance-based whitening
• 为什么对您有用: 本文属于射电天文学中的信号检测硬件实现，与您的主要兴趣（因果推断、高维统计等）无直接方法学关联。作为gateway reading，它清晰地展示了射电探测中背景协方差建模和实时模板匹配的工程约束，但数据结构和统计问题（如信号检测的假阳性控制）未深入展开。武器库中的非参数统计和软件工程经验可帮助理解其模板匹配框架，但核心FPGA实现细节超出当前能力范围。暂不可做：缺乏FPGA设计和实时信号处理硬件知识。

4. 2608.23802 — Graph-dependent shrinkage priors for Bayesian trend filtering

• 作者: Andrea Mascaretti, Daniel R. Kowal
• 相关性 5/10 · novelty: new_method
• 摘要: 本文提出一种贝叶斯框架用于图趋势滤波（graph trend filtering），目标是在图结构数据（如时间序列链图、图像格点图、空间邻接图）上进行平滑、插补和预测。核心创新在于将图结构同时用于三个关键环节：趋势先验（实现平滑与插补）、局部收缩先验（增强自适应性）以及MCMC采样算法（利用稀疏和带状运算实现可扩展的后验推断）。所提出的图依赖收缩先验（graph-dependent shrinkage priors）具有局部浓度和自适应性理论性质，并建立了后验适定性条件。模拟实验表明，该方法在点估计精度、区间估计精度和计算效率上均优于现有频率学派和贝叶斯方法。应用部分使用美国大陆所有县在2020年COVID-19失业冲击期间的局部区域失业数据进行时空建模与预测。本文方法学贡献集中于贝叶斯非参数与计算统计，与您的主要兴趣（因果推断、高维统计、U统计量）无直接交集，但可作为统计计算中稀疏矩阵运算和MCMC加速的参考案例。
• 关键技术: graph trend filtering, Bayesian shrinkage priors, sparse matrix operations, MCMC for graph-structured data, posterior propriety conditions
• 为什么对您有用: 本文属于统计计算与贝叶斯非参数方向，与您的主要兴趣（因果推断、高维统计、U统计量）无直接重叠。作为gateway阅读，本文对图结构数据的稀疏矩阵运算和MCMC加速有清晰阐述，但您的武器库（非参数统计、高维渐近）不足以直接迁移至该方向的核心问题（贝叶斯先验设计与MCMC收敛性分析）。暂不可做——缺少贝叶斯计算和MCMC诊断的核心工具。

5. 2608.22732 — Logistic Regression Equivalent Weights for Survey Inference: Construction and Asymptotic Properties

• 作者: Seonghun Lee
• 相关性 5/10 · novelty: new_method
• 摘要: 本文在分类事后分层（categorical poststratification）设定下，为 logistic 回归模型构建了设计-模型融合的 survey 权重框架。由于 logistic 模型的人口估计量关于观测结果是非线性的，作者通过局部一阶表示定义等价权重，每个权重是人口估计量对相应观测结果的缩放导数，并得到了显式闭式表达式。在有限单元超总体框架下，建立了有效样本量比率的收敛性、加权估计量的渐近线性性以及一致 plug-in 方差估计量。模拟实验考察了总体恢复、回归表现、有效样本量和渐近方差近似的有限样本行为，结果显示 logistic 等价权重在点估计和方差估计上具有竞争力。应用至 Future of Families and Child Wellbeing Study 数据展示了该方法的实证效果。本文强调与近期非线性多水平回归和事后分层中局部等价权重工作的联系，但聚焦于权重的频率学派解释、survey 权重性质及其推断用途。对您而言，本文属于 survey 推断的方法学工作，与您的主要兴趣（因果推断、半参理论）间接相关，但方法论上可启发处理非线性估计量时权重构造的思路。
• 关键技术: logistic regression equivalent weights, local first-order representation, categorical poststratification, plug-in variance estimator, finite-cell superpopulation framework
• 为什么对您有用: 本文属于 survey 推断的方法学工作，与您的主要兴趣（因果推断、半参理论）间接相关。它处理非线性估计量的权重构造，其局部一阶表示和渐近线性性分析可迁移至因果推断中 IPW 或 AIPW 估计量的权重设计。不过，该文核心机器（survey 权重框架、事后分层）不在您的武器库中，属于暂不可做方向——您缺少 survey 抽样和权重校准的专门知识。作为 gateway reading，本文对 survey 推断入门有一定价值，但并非您当前优先阅读对象。

6. 2608.22201 — Efficient Regression Models for Scan Statistics

• 作者: Gazi Abdur Rakib, Tristan Ashton, Ryan A. Loomis, Brian S. Mason, Eric J. Murphy, Ci Xue et al.
• 相关性 5/10 · novelty: application
• 摘要: 本文提出一类新的回归模型，用于对实值信号上的扫描统计量（scan statistics）进行建模。核心目标是改进对非平稳信号的拟合，从而更有效地对比扫描统计量所识别的区间异常。模型可表示广义似然比统计量。朴素实现需要 O(n^4) 时间，但作者通过算法优化（假设最大区间宽度有界）将其降至线性时间。基于 Nadaraya-Watson 核回归的方法在合成异常检测和真实射电干涉天文数据中的“平台化”问题识别上表现尤为有效。本文主要贡献在于计算效率的提升和实际应用验证，而非新的统计理论。对您而言，这是一篇应用导向的论文，展示了扫描统计量在信号处理中的实用算法，但方法学新颖性有限，与您的主要兴趣（因果推断、高维统计等）无直接关联。
• 关键技术: scan statistics, Nadaraya-Watson kernel regression, generalized likelihood ratio, linear-time algorithm
• 为什么对您有用: 本文属于统计计算与信号处理的应用，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接连接。您的技术武器库（非参统计、高维渐近）可理解其核回归部分，但核心问题（扫描统计量异常检测）并非您的研究领域。作为 gateway reading 价值有限，因为天文应用部分（干涉测量）的阐述不够深入，且方法学贡献以算法优化为主。暂不可做：核心机器（扫描统计量理论、区间异常检测）不在武器库中。

7. 2608.20260 — From Kriging to Spatial AI: Fifty Years of Spatial Statistics for Complex Dependent Data

• 作者: Montserrat Fuentes, Veronica B. Patterson
• 相关性 5/10 · novelty: survey
• 摘要: 本文是一篇综述，追溯了空间统计从经典克里金法到现代空间人工智能（Spatial AI）的发展历程。文章首先介绍了随机场、谱方法、贝叶斯分层模型和可扩展计算等核心框架，然后重点讨论了如何将图学习和神经网络等AI工具适配到空间依赖数据中。核心贡献在于提供了一个统一视角，说明空间统计与机器学习并非割裂的传统，而是通过依赖结构学习和可解释性预测相互融合。文章还探讨了空间几何和物理知识如何指导灵活的表征学习。对您而言，这是一篇跨领域入门读物，但方法学新颖性有限，属于综述性质。
• 关键技术: Kriging, Bayesian hierarchical models, graph neural networks, spatial dependence, uncertainty quantification
• 为什么对您有用: 本文属于gateway-reading范畴，适合作为空间统计与AI交叉领域的入门读物。武器库中的非参数统计和软件工程经验可帮助理解其可扩展计算方法，但核心内容与您的主要研究方向（因果推断、高维统计、U统计量）无直接技术交集。暂不可做：缺乏与您武器库的直接连接点，属于拓宽视野的阅读。

8. 2608.20243 — A Bayesian Edge-Space Framework for Whole-Connectome Inference in Multisite Autism Neuroimaging

• 作者: Montserrat Fuentes, Veronica B. Patterson
• 相关性 5/10 · novelty: application
• 摘要: 本文针对自闭症谱系障碍（ASD）的全脑连接组推断问题，提出了一种贝叶斯边空间回归框架。核心挑战在于连接数量巨大且效应在解剖和功能相关的区域对之间存在依赖。方法学贡献在于直接在连接上构造了一个正半定协方差结构，通过对称化端点匹配操作将解剖和功能相似性从区域提升到边空间，并保持端点身份和顺序不变性。采用加性贝叶斯层次模型估计解剖、功能、交互效应以及多站点调整和连接特异性效应。理论结果证明了协方差的有效性和结构化分量的连续嵌套性。通过低秩核表示和精确充分统计量约简，实现了无需逐边预估计的全连接组计算。模拟表明在弱信号下能更好地恢复效应曲面。在ABIDE数据中，框架识别出ASD相关连接性的广泛降低和局部增加，支持分布式神经系统的异质性重组模式。该工作对您作为统计学家而言，是一篇很好的入门级阅读材料，清晰展示了高维网络数据建模中的协方差构造和计算策略，但方法学新颖性有限，属于应用性工作。
• 关键技术: Bayesian hierarchical model, positive-semidefinite covariance on edges, symmetrized endpoint-matching, low-rank kernel representation, sufficient-statistic reduction
• 为什么对您有用: 本文属于general science范畴的gateway reading，适合作为了解全脑连接组推断问题的入门读物。文章清晰阐述了数据结构和模型假设，但方法学深度有限，主要贡献在于应用层面的协方差构造和计算策略。您的武器库中'非参数统计'和'高维渐近'可以用于理解其协方差结构，但核心贝叶斯层次模型和低秩核技巧不在您的核心工具集中，属于暂不可做方向。作为跨学科广度阅读值得一读，但不适合直接跟进。

9. 2608.23900 — Handling mild outliers and unobserved values in compositional datasets using finite mixtures of mean-parametrised Dirichlet models

• 作者: Jason Pillay, Andriëtte Bekker, Cristina Tortora, Antonio Punzo
• 相关性 4/10 · novelty: application
• 摘要: 本文针对成分数据（compositional data）中同时存在轻度异常值和缺失值的问题，提出了一种基于有限混合模型的鲁棒聚类方法。在 Huber 污染模型框架下，直接在单纯形上定义污染分布，并假设缺失机制为随机缺失（MAR）。模型使用均值参数化的 Dirichlet 分布作为基础分布，使得观测对数似然的最大化成为凸优化问题，从而保证了计算稳定性。算法采用定制的 EM 算法，E 步利用缺失部分的条件矩，M 步虽无闭式解但可通过逐元素迭代更新高效实现。数值实验展示了方法在不同缺失率、污染比例和样本量下的表现。对美国时间使用调查（ATUS）的应用识别出两个可解释的聚类（工作密集型与社交休闲型），并揭示了异常的时间使用模式；而传统 Dirichlet 混合模型则因异常值影响错误地将一个聚类分裂为四个。本文方法对您而言属于应用导向的统计建模工作，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠，但成分数据在流行病学（如膳食成分、微生物组）中常见，可作为了解鲁棒混合模型处理缺失与异常值的一个参考。
• 关键技术: finite mixture model, mean-parametrised Dirichlet distribution, Huber contamination model, EM algorithm, missing at random (MAR)
• 为什么对您有用: 本文属于应用统计方法论文，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接技术连接。您的武器库中非参数统计和 M-估计理论可用于分析其凸优化性质，但核心问题（成分数据聚类与异常值检测）不在您当前的研究轨道上。作为流行病学或调查数据分析的入门读物有一定价值，但无需深入阅读全文。

10. 2608.23538 — Interpretable AI with Local Distillation

• 作者: Erin Craig, Yiling Huang, Snigdha Panigrahi
• 相关性 4/10 · novelty: new_method
• 摘要: 本文提出一种名为“局部蒸馏”的框架，旨在让黑箱AI模型（如梯度提升集成或表格基础模型）在保持高精度的同时，提供局部可解释的线性近似。核心思路是：在每个查询点，用一个正则化线性“学生”模型去拟合由黑箱“教师”模型引导的加权训练数据。教师模型通过两个机制定义局部性：(1) 根据训练样本预测结果的相似性为其赋权；(2) 将教师模型在查询点的预测值作为一个伪观测值加入目标函数，其权重由数据估计。为了进行统计推断，作者在局部目标函数中加入少量高斯随机化，通过多次重拟合来评估特征选择的稳定性：选择频率识别出查询点的可靠特征，而聚类随机化拟合结果则能发现数据中的稳定子组。在Lasso惩罚下，作者证明了这种随机化产生的特征选择概率对训练响应的微小扰动是稳定的。在17个基准数据集上，局部蒸馏几乎匹配了教师模型的预测精度，同时为每个测试点生成了稀疏线性模型。在高维癌症基因表达例子中，该方法识别出了使用不同基因的局部模型对应的患者子组，这种异质性对全局线性模型不可见，也难以从黑箱模型中提取。本文主要贡献在于提供了一种实用的、可解释的AI工具，而非提出新的统计理论，对您而言可作为了解可解释机器学习前沿的入门读物。
• 关键技术: local linear modeling, distillation, randomized lasso, stability selection, pseudo-observation weighting
• 为什么对您有用: 本文属于统计计算与可解释AI的交叉领域，可作为gateway reading。武器库中的非参数统计和软件工程技能足以理解其核心方法（局部加权、Lasso、稳定性选择），但本文不涉及您主要兴趣中的因果推断或高维理论。中期可做：若想深入，需在moderately_familiar的M估计理论上长肌肉，以理解其随机化推断的理论保证。值得一读全文，因为其框架简洁且实验设计清晰，适合作为进入可解释机器学习方向的起点。

11. 2608.22422 — Nearest-Neighbor Non-Gaussian Processes for Geostatistical Modeling

• 作者: Penghui Fu, Yuhan Dong, Jianhua Z. Huang
• 相关性 4/10 · novelty: application
• 摘要: 本文针对地统计建模中非高斯空间数据的挑战，提出了一类最近邻非高斯过程（NNnGP）。该方法通过在Vecchia近似中引入非线性条件均值函数，将流行的最近邻高斯过程（NNGP）扩展至能有效捕捉复杂的非高斯空间特征。为确保基于单次实现的空间预测具有一致性，作者提出了跨单变量条件分布的规则化同质性条件。进一步，利用高斯过程对条件均值进行贝叶斯非参数构造，并将NNnGP作为非高斯空间先验嵌入层次回归模型。后验计算与预测采用基于归一化流的变分推断方法。在合成数据和真实PRISM降水异常数据上的数值实验表明，NNnGP能捕捉局部非线性依赖，显著缓解对极端空间事件的低估，同时保持全局预测精度。本文属于应用导向的方法开发，对您的主要兴趣（因果推断、高维统计等）无直接技术连接，但可作为空间统计领域的一个入门级阅读材料。
• 关键技术: Vecchia approximation, nearest-neighbor Gaussian process, normalizing flow, variational inference, Bayesian nonparametrics
• 为什么对您有用: 本文属于空间统计方法，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接技术重叠。作为gateway reading，本文对非高斯空间建模的入门者较为友好，但数据/模型维度（单次实现的空间预测）对统计学家而言吸引力有限。武器库中无直接可攻工具，暂不可做。

12. 2608.22170 — Functional Multiple-Set Canonical Correlation Analysis Revisited: From Finite-Dimensional Samples to Infinite-Dimensional Populations

• 作者: Michio Yamamoto, Yoshikazu Terada
• 相关性 4/10 · novelty: new_theory
• 摘要: 本文在无限维Hilbert空间中对函数型多集典型相关分析（FMCCA）进行了总体层面的重新表述。由于函数型数据的协方差算子通常是紧算子，其逆算子无界且无法在整个空间上定义，因此作者给出了P-FMCCA良定义的充分条件，并将约束最大化问题转化为相关算子的Hilbert-Schmidt延拓的特征值问题。进一步建立了由P-FMCCA分量诱导的典型分解，并引入了截断典型表示。此外，在总体层面定义了函数型同质性分析，并证明其与MCCA在有限维下的等价性在无限维下一般不成立。最后，对于有限秩截断典型表示，证明了函数型同质性分析可由P-FMCCA分量显式刻画，从而给出了经典有限维对应的总体层面版本。本文属于函数型数据分析的理论工作，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接交集，但其中关于紧算子逆与Hilbert-Schmidt延拓的技术处理对处理函数型数据中的病态逆问题有一定参考价值。
• 关键技术: Hilbert-Schmidt operator, compact operator, canonical correlation analysis, functional data analysis, eigenvalue problem
• 为什么对您有用: 本文属于函数型数据分析的理论工作，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接交集。作为gateway reading，本文技术性较强，不适合作为函数型数据分析的入门读物。武器库中'非参数统计'和'高维渐近'可帮助理解其算子理论框架，但核心工具（Hilbert-Schmidt延拓、紧算子谱理论）不在您的武器库中，因此暂不可做。

13. 2608.20562 — Conditional-Independence-Regularized Distributional Autoencoders for Mixed-Type Data

• 作者: Siyuan Tang, Gongjun Xu, Ji Zhu
• 相关性 4/10 · novelty: new_method
• 摘要: 本文提出条件独立正则化分布自编码器（CIR-DAE），用于混合类型数据（数值+分类变量）的低维表示学习。方法结合能量分数目标（数值变量）和似然目标（分类变量），并引入辅助条件独立正则化项，鼓励潜在表示捕捉数值与分类分量间的依赖结构。理论分析表明最优表示平衡了未解释数值变异性、分类变量条件熵和残差条件依赖。实验在合成和真实数据上展示了分类分布恢复的显著提升和整体条件分布恢复的竞争力。该方法主要面向表示学习和生成建模，与您的主要兴趣（因果推断、高维统计、U统计量等）无直接技术重叠。作为一般科学阅读，本文在混合数据表示方面有清晰的问题设定和方法设计，但缺乏与您武器库中具体工具的连接点。
• 关键技术: distributional autoencoder, energy score, conditional independence regularization, mixed-type data representation, conditional distribution matching
• 为什么对您有用: 本文属于一般科学阅读范畴，作为gateway reading，其问题设定（混合类型数据表示）清晰，方法设计（能量分数+似然+正则化）有理论支撑，适合作为了解表示学习在混合数据上应用的入门读物。但武器库中缺乏直接可用的工具（如树宽/张量收缩、高阶U统计量、半参效率理论）来攻击本文的核心问题，因此暂不可做后续研究。

🗂 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. 2608.23825 — Efficient Bayesian Inference for Benter Models on Ranked Data

• 作者: Michael Pearce
• 相关性 3/10
• 评分理由: 聚焦排名数据的贝叶斯推断，与主要兴趣（因果推断、高维统计等）无关。

2. 2608.23512 — Penalized likelihood estimation of probability density functions using compositional splines

• 作者: Stanislav Škorňa, Jitka Machalová
• 相关性 3/10
• 评分理由: 密度函数估计的惩罚似然方法，与主要兴趣（因果推断、高维统计等）关联弱。

3. 2608.22627 — A general-purpose sensitivity method for multiple simultaneous parameter perturbations in stochastic reaction networks

• 作者: David F. Anderson, Jingyi Ma
• 相关性 3/10
• 评分理由: Sensitivity analysis for stochastic reaction networks; methods are specific to biochemistry/epidemiology, not core to primary stats interests.

4. 2608.22375 — Exploring complex dependence structures using Bayesian bi-clustering and log-linear graphical modelling

• 作者: Michail Papathomas
• 相关性 3/10
• 评分理由: 贝叶斯双聚类与图模型，与primary interest关联弱，属于分类变量依赖结构探索。

5. 2608.22254 — Analysis of Nonnegative Observations using Gamma Model with 2 Factors (ANOGaM-2): Theory, Method and Applications with Real-life Data (including R code)

• 作者: Buu-Chau Truong, Nuong Thi Thuy Tran, Nabendu Pal
• 相关性 3/10
• 评分理由: 双因素伽马模型ANOVA，与primary interest关联弱，属于经典统计方法扩展。

6. 2608.21665 — A Sparse-Group Pliable Lasso

• 作者: Mohammad Javad Davoudabadi, Minh Long Nguyen, Amirhossein Ghatari, Mina Aminghafari, Kerrie Mengersen
• 相关性 3/10
• 评分理由: Regularized regression extension; unrelated to primary interests in causal inference, high-dim theory, or U-statistics.

7. 2608.20919 — Spatial function-on-function quantile regression

• 作者: Eylul Fidan, Ufuk Beyaztas, Soutir Bandyopadhyay
• 相关性 3/10
• 评分理由: 函数型数据分位数回归，与研究者主要兴趣领域（因果推断、高维统计）不直接相关。

8. 2608.20601 — A Comprehensive Bayesian Approach to Entity Resolution for Data with Multiple Truths

• 作者: Hyungjoon Kim, Andee Kaplan, Matthew D. Koslovsky
• 相关性 3/10
• 评分理由: Entity resolution with multiple truths is a data integration problem, not touching primary interests in causal inference, high-dimensional statistics, or U-statistics.

9. 2608.19664 — Multivariate Spatio-Temporal Regression with Penalized Model Selection and an Empirical Application

• 作者: Ryuei Nishii, Saeko Ohta, Shojiro Tanaka
• 相关性 3/10
• 评分理由: 时空回归模型，与研究者主要兴趣（因果推断、高维统计）关联较弱，属于应用领域。

10. 2608.22905 — Pre-Disclosure Experiment Menus: Oracle-Relative Risk and Joint Sample--Menu Asymptotics

• 作者: Xinyu Song
• 相关性 3/10
• 评分理由: 高度理论化，但主题（局部渐近决策理论、Blackwell序）与主要兴趣（因果推断、半参效率）距离较远，且抽象不清晰。

11. 2608.23732 — Principal Component Analysis for a Mix of Stationary and Nonstationary Variables

• 作者: James D. Hamilton, Xinwei Ma, Jin Xi
• 相关性 3/10
• 评分理由: PCA for mixed stationarity is tangential to primary interests; no causal, high-dim, or U-statistics connection.

12. 2608.21619 — Exact Rejection Sampling for Non-Gaussian State Space Models

• 作者: Joshua C. C. Chan
• 相关性 3/10
• 评分理由: 主题为状态空间模型的精确抽样方法，属于计算统计，但与主要兴趣（因果推断、高维统计）关联较弱。

13. 2608.22352 — Automated Shape-Model-Based Astrometry of Phobos from Mars Express SRC Images

• 作者: Wangxin Lai, Qingfeng Zhang, Rui Zhang, Kai Tang, Chunyu Ding, Zhan Li et al.
• 相关性 3/10
• 评分理由: 纯天文学应用论文，专注于轨道测量，与主要统计兴趣无直接关联。

14. 2608.22245 — Variational Bayesian Inference for the Spectral Structure of LISA Noise

• 作者: Jianan Liu, Avi Vajpeyi, Renate Meyer, Jeung Eun Lee, Patricio Maturana-Russel
• 相关性 3/10
• 评分理由: 专注于引力波探测器的噪声谱估计，与主要统计兴趣（如高维统计、因果推断）无直接关联。

15. 2608.21520 — On the performance of pre-trained vision transformers for supernova spectral classification using different spectral representations

• 作者: J. Serrano Bell, P. Gálvez Molina, V. Contreras Rojas, W. Fox Fortino, M. Rojas, P. Protopapas et al.
• 相关性 3/10
• 评分理由: 超新星光谱分类，使用预训练视觉Transformer，与主要统计兴趣无直接关联。

16. 2608.22763 — An Anchored Logistic Family for Bounded Trait Measurement and Growth: Origin Before Unit

• 作者: Jaehwa Choi
• 相关性 2/10
• 评分理由: Focuses on psychometric latent trait models; unrelated to primary or secondary interests in statistics or causal inference.

17. 2608.21654 — \(K\)-functions for point processes on complex surfaces

• 作者: Francisco Cuevas-Pacheco, Scott Ward, Ed Cohen, Rasmus Waagepetersen
• 相关性 2/10
• 评分理由: Spatial point process methodology; no overlap with primary or secondary interests.

18. 2608.20641 — A modified score function for monotone likelihood in promotion time cure rate models

• 作者: Stephany Lima de Oliveira, Frederico Machado Almeida
• 相关性 2/10
• 评分理由: Survival cure models with monotone likelihood are unrelated to primary interests in causal inference, high-dimensional statistics, or U-statistics.

19. 2608.19879 — A Repeated Measurements Approach to \(SoH\) Battery Modelling of Cyclic Aged Data in a Laboratory Environment

• 作者: Mark Cary, Charles Bokor
• 相关性 2/10
• 评分理由: 电池老化建模，与研究者兴趣（因果推断、高维统计、非参数统计等）完全无关。

20. 2608.21921 — A new matrix-variate integer-valued autoregressive process with matrical negative binomial thinning

• 作者: Chunhan Liu, Nuo Xu, Kai Yang
• 相关性 2/10
• 评分理由: 主题为整数值时间序列模型，与主要兴趣（因果推断、高维统计）不相关，属于应用统计的特定领域。

21. 2608.19608 — Tau-Rho Equality and Other Dependence Measures of a Subclass of Factorizable Copulas

• 作者: Noppawit Yanpaisan, Tippawan Santiwipanont, Matthias Scherer, Songkiat Sumetkijakan
• 相关性 2/10
• 评分理由: Pure copula theory with no connection to primary interests (causal, high-dim, U-statistics) or secondary interests.

22. 2608.23420 — Systematic Bias in Green Patent Classification: Silent Green and False Green

• 作者: Hamid Bekamiri, Jan Auernhammer, Milad Abbasiharofteh, Jesper Lindgaard Christensen
• 相关性 2/10
• 评分理由: Patent classification bias; unrelated to primary or secondary interests.

23. 2608.23690 — A General Response Theory for Closure Phases through Visibility Nulls and Image Structure

• 作者: Shokoufe Faraji, Avery E. Broderick
• 相关性 2/10
• 评分理由: 主题为射电天文学中的闭合相位理论，属于 astrostatistics 但内容高度专业，不符合 gateway 阅读的易理解性标准。

24. 2608.23441 — Inverting and Up-channelizing Critically-Sampled Polyphase Filter Banks

• 作者: Stephen Fay, Mohan Agrawal, Hsin Cynthia Chiang, Aman Chokshi, Jonathan Sievers, Simon Tartakovsky
• 相关性 2/10
• 评分理由: 信号处理算法，与统计推断或研究者主要兴趣无直接关联。

25. 2608.22172 — Modeling the technical specifications for future multi-object spectroscopy instrumentation

• 作者: Ummee Tania Ahmed, Andrew Hopkins, Simon Ellis
• 相关性 2/10
• 评分理由: 天文仪器建模，与统计兴趣无关。

26. 2608.21639 — Image persistence flagging for SPHEREx

• 作者: Candice Fazar, C. Darren Dowell, Brendan P. Crill, Phil Korngut, Chi Nguyen, Howard Hui
• 相关性 2/10
• 评分理由: 探测器图像持久性标记，与统计兴趣无关。

27. 2608.23859 — Ranking by points and ordinal models

• 作者: Leszek Szczecinski
• 相关性 1/10
• 评分理由: 体育排名模型，与研究者兴趣领域无关。

28. 2608.23270 — AI-Assisted Extraction of Follow-up Observations from GCN Circulars in Astro-COLIBRI

• 作者: Fabian Schüssler, S. Bisero, M. Cellier, A. Ciric, B. Cornejo, I. Jaroschewski et al.
• 相关性 1/10
• 评分理由: 天文工具开发，使用LLM提取信息，无统计方法或数据建模内容。

29. 2608.22548 — Instrumental artifacts in photonic lantern spectroastrometry and their mitigation with PLred

• 作者: Yoo Jung Kim, Michael P. Fitzgerald, Malena Bloom, Aidan Walk, Sebastien Vievard, Miles Lucas et al.
• 相关性 1/10
• 评分理由: 天文仪器伪影校正，与统计方法或研究者兴趣无直接关联。

30. 2608.21054 — DOLPHIN (Device of Line Photometry in Nasmyth): A Switchable Multiband Photometer for the ISAS 1.3-m Telescope

• 作者: Kohei Miyakawa, Hirokazu Kataza, Teruyuki Hirano, Hajime Kawahara, Shotaro Tada, Takehiko Wada
• 相关性 1/10
• 评分理由: 天文仪器设计，与统计兴趣无关。

31. 2608.21001 — NAIR-APREXIS: Enabling photonics-based instruments for long-baseline interferometry and integral-field spectroscopy

• 作者: L. Labadie, R. J. Harris, K. Madhav, A. Dinkelaker, K. Barjot, A. Benoît et al.
• 相关性 1/10
• 评分理由: 纯天文仪器工程论文，无统计或因果推断内容，与研究者兴趣无关。

32. 2608.20898 — EXPO: a quantum leap in fast, wide-band X-ray polarimetry for astrophysics

• 作者: Paolo Soffitta, Sebastien Guillot, Ian Hutchinson, Fabio Muleri, Mark Pearce, Andrea Santangelo et al.
• 相关性 1/10
• 评分理由: X射线偏振天文台任务概念，纯仪器描述，无数据/模型/统计方法。

33. 2608.20806 — Chang'e 7 Lunar Lander Optical Camera-Telescope: Optical Astronomy from the Moon

• 作者: Quentin Andrew Parker, Partha Sarathi Pal, Junhao Chen, Meng Su, SeyedAbdolreza Sadjadi, Andreas Ritter et al.
• 相关性 1/10
• 评分理由: 嫦娥七号月球光学相机设计报告，纯工程描述，无统计内容。

34. 2608.20456 — High-contrast aperture masking interferometry: detecting companions within the diffraction limit

• 作者: Benjamin Calvin, Michael Fitzgerald, Jessica Castellanos
• 相关性 1/10
• 评分理由: 高对比度掩模干涉测量技术，纯光学/仪器论文，无统计内容。

35. 2608.20235 — The SPT-3G+ receiver design

• 作者: H. Athreya, Z. Ahmed, J. E. Austermann, K. Bae, A. Bapat, D. R. Barron et al.
• 相关性 1/10
• 评分理由: SPT-3G+接收器热机械设计，纯工程描述，无统计内容。

36. 2608.23668 — BlueBird 6 is Fainter than Block 1 Satellites

• 作者: Anthony Mallama, Richard E. Cole
• 相关性 0/10
• 评分理由: 纯天文学观测结果，无统计方法或数据建模内容，与研究者兴趣无关。

37. 2608.23148 — Development of an adaptive optics testbed at MPIA for the ELT/Planetary Camera and Spectrograph (PCS)

• 作者: Raphaël Pourcelot, Thomas Bertram, Peter Bizenberger, Markus Feldt, Markus Kasper, Silvia Scheithauer et al.
• 相关性 0/10
• 评分理由: 天文仪器开发，与统计方法或研究者兴趣无关。

38. 2608.23088 — Effects of near-surface sedimentary structure on Newtonian noise for the Einstein Telescope: a 2-D numerical study

• 作者: Shi Yao, Patrick Schillings, Johannes Erdmann, Andreas Rietbrock
• 相关性 0/10
• 评分理由: 地球物理模拟，与统计推断或研究者兴趣无关。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论