2026-08-25 每日 arXiv 资讯¶

高相关论文 12 篇 · 中相关 56 篇 · 其他 58 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 12 篇)¶

1. 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 framework）与前门调整（front-door adjustment）结合，识别平均处理中介调节效应（average mediated treatment moderation effect）。核心设定是：处理变量（如候选人是否获得特定宣传位置）随机，调节变量（如候选人集规模）非随机，但存在一个中介变量（如宣传册页数）完全中介了调节变量对结果的影响。估计采用前门公式结合非参数或半参数回归，识别依赖于中介变量与调节变量之间的排除限制和一致性假设。作者将该方法应用于东京165个市议会选举数据（1987-2023），其中宣传位置由抽签随机分配，宣传册页数由候选人集规模和固定市政规则机械决定。实证发现：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。该方法对您可能有用：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proximal CI和mediation兴趣直接相关，且实证部分涉及选举数据，可作为应用因果推断的案例。
关键技术: front-door adjustment, parallel estimation framework, causal moderation, average mediated treatment moderation effect, nonparametric/semiparametric regression
为什么对您有用: 本文直接连接您的primary interest中的causal inference子方向（mediation和identification），特别是前门调整在非随机调节变量下的应用。从technical_arsenal来看，您可以用very_familiar的estimation theory in causal inference和nonparametric statistics来审视其识别假设的合理性，并评估其估计量的半参数效率（moderately_familiar的semiparametric theory可攻此口）。中期可做：若想将方法推广到更复杂的调节结构（如高维调节变量），需先在moderately_familiar的identification theory in causal inference上长肌肉。

2. 2608.24602 — Toward a Semiparametric Efficiency Theory under Equality Constraints in Nested Markov Models¶

作者: Razieh Nabi, Anna Guo, Lin Liu
相关性 8/10 · novelty: new_theory
摘要: 本文在嵌套马尔可夫模型（nested Markov models）框架下，研究由Verma约束（Verma constraints）定义的统计模型的半参数效率理论。Verma约束是含隐变量DAG在观测分布上施加的超越条件独立性的等式约束，对应有向混合图（ADMG）的嵌套马尔可夫模型。核心观察是：嵌套马尔可夫约束在图形fixing操作诱导的后fixing分布下具有加权条件矩表示，从而将Verma约束转化为L2空间中的加权正交关系，进而显式刻画切空间（tangent space）的限制。基于此几何刻画，作者通过残差化加权矩函数（residualized weighted moment functions）给出了单个嵌套马尔可夫约束下切空间正交补的显式表征，并利用正交投影和等价最小方差公式推导了半参数有效影响函数（efficient influence function）和效率界（efficiency bound）。对于多个嵌套马尔可夫约束的模型，本文刻画了正交补的一个子空间（对应各加权正交关系之和），但完整的切空间刻画仍为开放问题。该工作将嵌套图结构与半参数希尔伯特空间几何联系起来，为嵌套马尔可夫模型的通用效率理论奠定了基础。对您而言，本文直接连接您对半参数效率理论和因果推断中identification的兴趣，且其加权正交关系与切空间刻画的技术工具（如后fixing分布、条件矩表示）可迁移至您熟悉的proximal causal inference或mediation分析中的效率界推导。
关键技术: nested Markov models, Verma constraints, semiparametric efficiency bound, tangent space characterization, weighted conditional moment representation, graphical fixing operations
为什么对您有用: 本文直接连接您对半参数效率理论和因果推断中identification的兴趣，属于primary interest中的'causal inference (identification, estimation)'和'efficiency theory (semiparametric efficiency bounds)'。技术层面，您武器库中的'nonparametric statistics'和'estimation theory in causal inference'（very_familiar）可直接用于理解其加权条件矩表示和切空间几何，而'moderately_familiar'的'semiparametric theory'和'identification theory in causal inference'正是本文的核心工具——阅读本文可帮助您将这两项从moderately_familiar提升至very_familiar。中期可做：本文的单个约束刻画完整，但多个约束的完整切空间刻画是开放问题——您可以用'HOIF (Higher-Order Influence Functions)'（moderately_familiar）尝试将多个Verma约束的高阶影响函数整合进正交补刻画，这需要先在HOIF上长肌肉。

3. 2608.23971 — Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach¶

作者: Taehyeon Koo, Elizabeth A. Stuart, Kara E. Rudolph, Caleb H. Miles
相关性 8/10 · novelty: new_method
摘要: 本文研究连续处理变量（包括暴露混合物）下修正治疗策略（MTP）的因果效应识别问题。标准识别依赖于 positivity 假设，即策略生成的处理值在给定协变量后仍被支持；但在多元处理或连续协变量下该假设易被违反。作者提出部分识别框架，将 MTP 的均值结果分解为 positivity 区域内的点识别部分和区域外的有界部分。对区域外的条件均值施加 Lipschitz 连续性约束（而非参数外推模型），通过将外部均值与区域内锚点均值比较来构建边界。metric projection 方法虽能最小化单锚区间宽度，但锚点集中在低维边界上导致端点非 pathwise differentiable；本文提出的 interior-displaced projection 将锚点向内移动，恢复了 pathwise differentiability。在已知 positivity 区域时，推导了 influence function，刻画了其半参效率条件，并构造了渐近正态的估计量和置信区间。模拟表明，在 positivity 被违反时本文区间仍能达到名义覆盖，而假设 positivity 的方法则覆盖不足。该框架对您从事的因果推断（尤其是连续处理/混合物场景下的敏感性分析和部分识别）有直接的方法学参考价值。
关键技术: partial identification, modified treatment policy (MTP), Lipschitz continuity bounding, interior-displaced projection, influence function, pathwise differentiability
为什么对您有用: (1) 直接连接到 primary interest 中的 causal inference 子方向——在 positivity 违反下对连续处理/混合物的部分识别，是您关注的 sensitivity analysis 和 identification 的延伸。 (2) 武器库中 very_familiar 的 estimation theory in causal inference 可直接用于理解其 influence function 推导和效率刻画；moderately_familiar 的 semiparametric theory 可用于验证其 pathwise differentiability 恢复是否最优。 (3) 中期可做：若想将 interior-displaced projection 推广到高维协变量或未知 positivity 区域，需先在 moderately_familiar 的 identification theory 上长肌肉（具体是学习如何用非参数方法估计支持边界）。

4. 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 8/10 · novelty: new_method
摘要: 本文在 staggered policy implementation 的潜在结果框架下，形式化定义了政策干预的“早期采纳”（early adoption）现象——即在强制合规前自愿采纳导致结果提前变化，从而违反合成控制法（SCM）的 no-anticipation 假设。目标 estimand 是总政策效应，分解为早期采纳效应和强制效应两部分。方法上提出两阶段 SCM 流程：第一阶段用交互固定效应模型（interactive fixed effects model）拟合强制前数据以估计早期采纳效应；第二阶段将结果残差化后应用 SCM 变体估计强制效应和总效应。模拟实验涵盖早期采纳与潜在因子相关的设定，显示相比传统 SCM 估计量偏差降低且不确定性量化改善。应用至州级处方药监控计划（PDMP）与人均阿片类药物配发数据，在考虑早期采纳后估计显示 PDMP 可用性和强制后阿片类药物配发减少，但估计不精确且未达统计显著性。对您而言，本文在因果推断的纵向政策评估子方向中提出了一个实际且被忽视的识别问题，其两阶段残差化思路可与您熟悉的非参数统计和因果推断估计理论结合，中期可做：需先在 moderately_familiar 的识别理论（如 staggered adoption 下的 parallel trends 假设）上长肌肉。
关键技术: synthetic control method, interactive fixed effects model, potential outcomes framework, staggered policy implementation, no-anticipation assumption
为什么对您有用: 本文直接连接您的 primary interest 中因果推断的纵向设定（staggered policy implementation），提出了一个实际且被忽视的识别问题（early adoption 违反 no-anticipation 假设）。从技术武器库看，您 very_familiar 的 estimation theory in causal inference 和 nonparametric statistics 可用来分析其两阶段残差化估计量的偏差-方差权衡，但核心识别假设（交互固定效应模型的可分解性）需要先熟悉 moderately_familiar 的 identification theory in causal inference 中的 staggered adoption 文献（如 Callaway & Sant'Anna 2021）。中期可做：需先在 moderately_familiar 的识别理论上长肌肉，然后可尝试用您熟悉的 minimax bounds 刻画该估计量的最优性。

5. 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）的治疗效应外推至真实世界目标人群的问题，目标 estimand 是目标人群中的平均处理效应（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弱重叠的影响。作者提出 RICOT 方法，利用最优传输（OT）直接在协变量空间对齐试验与目标人群分布，采用半非平衡熵正则化 OT 并放松源边际。理论分析表明，未校准的 OT 估计存在不随样本量缩小的渐近偏差；RICOT 通过在传输问题中直接施加校准方程消除该偏差，使得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。模拟实验显示，在多种重叠和模型误设场景下（包括抽样得分方法表现不佳的情形），RICOT 具有低偏差和接近名义水平的覆盖率。本文对您的主要兴趣方向——因果推断中的外推性（transportability）和半参数效率理论——有直接贡献，其中 Riesz 校准与双稳健估计的结合思路可迁移至您熟悉的 proximal causal inference 或 IV 设定中的外推问题。
关键技术: Optimal Transport, Riesz representer, calibration equations, doubly robust estimation, semiparametric efficiency bound, entropic regularization
为什么对您有用: 本文直接连接您 causal inference 兴趣中的 transportability 子方向，提出用最优传输替代传统倾向性评分建模的新识别策略。您武器库中非常熟悉的 minimax bounds 和 estimation theory in causal inference 可用于分析其校准权重的收敛速率与效率界是否紧；中期可做的是将 Riesz 校准思路移植到您 moderately_familiar 的 HOIF 框架中，处理更复杂的外推目标（如条件处理效应）。本文方法学新颖（new_method），值得展开读。

6. 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 8/10 · 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）时的路径处理效应估计问题。在标准自然效应或可分离效应框架下，中间事件会引入治疗诱导的混杂（treatment-induced confounding），导致序贯可忽略性或可忽略成分条件不成立。作者提出通过假设性干预（hypothetical interventions）来模拟治疗机制，对事件状态之间的转移进行干预，从而沿每条路径分解处理效应，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（EIF），构建了多重稳健且半参数有效的估计量。通过LEADER试验数据分析，发现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。该工作为纵向因果推断中处理中间事件混杂提供了新的识别与估计框架，与您的因果推断（mediation, longitudinal）和半参数效率理论兴趣高度相关。
关键技术: efficient influence function, multiply robust estimation, semiparametric efficiency, hypothetical interventions, multi-state model, treatment-induced confounding
为什么对您有用: 直接连接您的因果推断子方向（纵向数据中介分析中的治疗诱导混杂问题）。武器库中'因果推断中的估计理论'和'半参数理论'可直接用于理解其EIF推导和多重稳健估计的构造，'非参数统计'可用于评估其假设性干预的识别条件是否可放松。中期可做：若想推广至更复杂的转移结构或高维协变量，需先在'moderately_familiar'的HOIF上长肌肉。

7. 2608.22024 — Barycentric Fused Gromov-Wasserstein Balancing for Causal Inference under Multiple Treatments¶

作者: Yuki Murakami, Takumi Hattori, Kohsuke Kubota
相关性 8/10 · novelty: new_method
摘要: 本文研究多处理（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和交互处理效应。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 散度保留局部邻近结构。模拟实验表明该方法一致优于现有基线，并在真实营销数据上展示了实用性。对您而言，本文提供了一个多处理因果推断的新视角，其 Wasserstein 重心对齐思路可与您熟悉的因果推断估计理论（如 IPW/DR 的平衡性）结合，但核心工具（最优传输、Wasserstein 重心）不在您的武器库中，属于暂不可做方向。
关键技术: Wasserstein barycenter, Fused Gromov-Wasserstein distance, representation balancing, multiple treatment effects, deep learning for causal inference
为什么对您有用: 本文属于因果推断中多处理效应的估计问题，直接连接您的 primary interest 中的 causal inference 子方向。但核心方法依赖最优传输（Wasserstein 重心、Gromov-Wasserstein 散度），这些工具不在您的 technical_arsenal 中（very_familiar 和 moderately_familiar 均未覆盖），属于暂不可做方向——若想跟进，需先在最优传输理论上长肌肉。不过，本文提出的全局对齐替代两两对齐的思想，对您熟悉的 representation balancing 方法有启发，可作为了解多处理因果推断前沿的 gateway reading。

8. 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）。核心方法是将协变量作为辅助变量，通过残差化（类似于Double ML中的正交化）构造处理效应的估计量，允许使用任意复杂度的模型（如机器学习）拟合协变量与结果的关系，且不因过拟合或正则化引入偏差。对于加性处理指标，该方法在最小化渐近方差的意义上达到最优；对于非加性指标（如乘性效应、比率），则通过Delta方法最小化方差估计。理论贡献在于给出了方差缩减的最优形式，并证明了使用任意非参或高维模型拟合协变量时，估计量的渐近正态性和方差估计的一致性。实证部分通过多个示例（包括模拟和真实数据）探讨了模型选择（如线性回归、随机森林、神经网络）对方差缩减效果的影响。对您而言，本文是Double ML框架在方差缩减目标下的一个直接推广，其“最优方差缩减”的视角可应用于您熟悉的因果推断中的ATE估计问题，且其理论分析（正交得分、交叉拟合）与您的semiparametric theory和debiased ML兴趣高度吻合。
关键技术: Double Machine Learning, orthogonal score, cross-fitting, variance reduction, Delta method, Neyman orthogonality
为什么对您有用: 本文直接连接您primary interest中的causal inference（ATE估计与方差缩减）和efficiency theory（最优方差）。技术层面，其核心工具是Double ML中的正交得分和交叉拟合，属于您very_familiar的estimation theory in causal inference范畴，可立即可做：您可以用higher-order U-statistics的树宽视角分析其估计量的计算成本，或用minimax bound验证其声称的“最优方差”是否紧。中期可做：若想将方法推广到更复杂的处理指标（如分位数效应），需先在moderately_familiar的semiparametric theory上长肌肉（推导新的影响函数）。

9. 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选择偏倚，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：MDR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，通过纵向g-computation生成目标风险集，并用概率分类器估计密度比以重新加权观测结局。进一步开发了双稳健扩展版本。模拟研究表明，在识别假设合理时，MDR加权是累积纵向权重的有前景替代方案。该方法直接关联您对因果推断中纵向设定和识别理论的兴趣，且其双稳健扩展涉及半参数效率理论，可用您熟悉的非参数统计工具（如分类器调参）进行复现或改进。
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: 直接连接到您 primary interest 中的因果推断（纵向设定、识别理论）和半参数效率理论（双稳健扩展）。您非常熟悉的非参数统计和估计理论可直接用于分析该方法的收敛性质（如分类器估计的收敛速率对MDR估计的影响），属于立即可做的 follow-up。

10. 2608.20744 — Heterogeneous Effects of Continuous Treatments via Conditional Modified Treatment Policies¶

作者: Samhita Pal, Jared D Huling
相关性 8/10 · 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，目标是个体化的微小剂量调整（nudge）对结局的异质性效应。标准剂量-反应函数需要整个剂量范围内的 positivity 假设，在临床观察数据中常因协议性剂量绑定患者特征而失败。本文定义了两个 estimand：条件 nudge 效应（给定协变量和当前剂量，剂量偏移 δ 的期望结局变化）和 CMTP 效应（在给定协变量下对观测剂量分布平均的 nudge）。识别条件仅需 shift-specific 局部 positivity 和 exchangeability，比全局 positivity 弱得多。方法上，通过复制数据构造将 δ-shift 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，MIMIC-III 机械通气数据分析识别出从适度降低机械功率中获益的患者亚群。该框架直接连接您的 primary interest 中的连续处理因果推断和异质性分析，且其局部 positivity 假设对您熟悉的 IV 和敏感性分析设定有启发。
关键技术: conditional modified treatment policy, local positivity, A-learning, doubly robust estimation, continuous treatment heterogeneity, duplicated-data construction
为什么对您有用: 直接命中 primary interest 中的因果推断（连续处理、异质性、identification under weak assumptions）。您可以用 very_familiar 的 nonparametric 和 estimation theory 工具验证其局部 positivity 假设的 sharpness，或用 moderately_familiar 的 semiparametric theory 推导其 efficient influence function 以判断增广估计器是否达到效率界。立即可做：用您熟悉的 minimax bounds 分析 shift-specific 估计量的最优收敛速率。

11. 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），提出了一种检验“基于可观测变量的选择”（MAR）假设的统计方法。当存在补充样本（refreshment sample）时，MAR 假设变得可检验。核心思路是比较两种加权估计的分布：一是标准逆概率加权（IPW），其在 MAR 下有效；二是基于 Hirano et al. (2001) 的加法非可忽略性假设的另一种加权。在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。该工作为纵向因果推断中 MAR 假设的合理性提供了可操作的诊断工具，直接关联您的因果推断（纵向数据、敏感性分析）兴趣。
关键技术: inverse probability weighting (IPW), refreshment sample, generalized chi-squared distribution, additive nonignorability, parametric models, panel attrition
为什么对您有用: 本文直接关联您的 primary interest 中的因果推断（纵向数据、敏感性分析）子方向。它提供了一个检验 MAR 假设的正式统计检验，这在面板数据因果推断中至关重要。技术上，您可以用 very_familiar 的 estimation theory in causal inference 和 high-dimensional asymptotics 来理解其检验统计量的渐近性质，并思考如何将类似思路扩展到非参数或高维设定。中期可做：若想将检验扩展到半参数模型，需先在 moderately_familiar 的 semiparametric theory 上加强。

12. 2608.22286 — Uniform Inference on Quantile Effects under Network Interference¶

作者: Zequn Jin, Gaoqian Xu, Zixin Yang, Zhengyu Zhang
相关性 8/10 · novelty: new_method
摘要: 本文研究网络实验中的分位数处理效应与溢出效应。平均溢出效应只能揭示邻居处理对个体结果的平均影响，但掩盖了效应在结果分布上的异质性。作者定义了结构分位数效应，比较不同暴露状态下结果分位数的差异，从而刻画自身处理与邻居处理对结果分布不同位置的影响。在度分布稳定性和网络依赖协方差结构等条件下，建立了估计的分位数效应过程的弱收敛性。主要贡献是提出基于高斯近似的均匀置信带（UCB），该置信带条件于实现的网络，避免了上述稳定性要求。通过模拟研究和尼泊尔随机储蓄账户实验的应用验证了方法。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，是您因果推断兴趣方向中一个较新的设定，且其均匀推断技术可能对您在高维或半参框架下的敏感性分析有借鉴意义。
关键技术: quantile treatment effects, network interference, uniform confidence bands, Gaussian approximation, spillover effects
为什么对您有用: 本文直接连接您的因果推断兴趣，特别是网络干扰下的处理效应识别与推断，这是您 primary interest 中 IV/mediation 之外的一个活跃子方向。武器库中 'estimation theory in causal inference' 和 'nonparametric statistics' 可直接用于理解其分位数效应估计的渐近性质，而 'minimax bounds' 可用来审视其均匀置信带的 optimality。中期可做：若想跟进，需先在 'semiparametric theory' 上加强，以处理分位数效应的高阶影响函数或效率界。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 12 篇)¶

1. 2608.24085 — Orthogonal double residual learning for optimal individualized treatment rules¶

作者: Jiaqi Tong, Fan Li
相关性 7/10 · novelty: new_method
摘要: 本文提出正交双残差学习（ODRL），一种直接估计最优个体化治疗规则（ITR）的两阶段交叉拟合框架。ODRL 通过治疗与结果残差的乘积构造成本敏感分类目标，是首个无需逆概率加权或强模型假设的通用 Neyman 正交直接方法。正交性使干扰估计误差以二阶乘积形式影响遗憾，在有限重叠下仍保持稳健。Fisher 一致目标可兼容一般决策规则筛（如 VC 类线性规则、决策树），并建立了非渐近高概率值函数遗憾界；对 SVM 和深度 ReLU 网络的代理松弛也给出了校准遗憾界。模拟表明 ODRL 在复杂/线性决策边界、有限重叠和模型误设下均表现优异。RCT 和观察性研究两个实例展示了可解释的治疗/政策推荐。该方法与您对因果推断中直接估计方法（尤其是正交性工具）和效率理论的兴趣高度相关。
关键技术: Neyman orthogonality, cross-fitting, cost-sensitive classification, Fisher consistency, VC-class regret bounds, surrogate relaxation
为什么对您有用: 直接连接您 primary interest 中的因果推断（ITR 估计）和效率理论（Neyman 正交性）。您非常熟悉的非参数统计和因果推断估计理论可直接用于理解其正交性构造和遗憾界推导；中期可做的是用您 moderately_familiar 的 HOIF 视角分析其正交性是否可推广到高阶残差乘积，以处理更复杂的干扰结构。

2. 2608.22957 — Identification and Inference for Causal Effects in Extremes under General Conditions¶

作者: Lisa Leimenstoll, Melanie Schienle
相关性 7/10 · novelty: new_method
摘要: 本文研究极端事件中因果效应的识别与推断，目标是在线性结构因果模型下，用Causal Tail Coefficient (CTC) 度量变量极端实现之间的因果依赖。与现有文献不同，本文允许系统中变量具有异质尾指数，并考虑潜在重尾混杂因素。核心理论贡献是：轻尾混杂渐近可忽略，但足够重的混杂会诱导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，可通过调整后的CTC恢复识别。估计方面，作者提出CTC的估计量并建立其渐近性质，包括因果方向检验和重尾混杂检验。模拟和气候/金融极端事件的应用展示了方法在平均效应方法无法检测的场景中的有效性。对您而言，本文连接了因果推断中的identification理论与极值统计，其利用尾行为差异实现识别的思路可能为您的proximal CI或IV设定提供新的识别策略。
关键技术: Causal Tail Coefficient (CTC), heavy-tailed regularly varying innovations, proxy variable adjustment, extreme value theory, heterogeneous tail indices
为什么对您有用: 本文直接连接您的primary interest中的causal inference子方向，特别是identification theory在非标准（极端值）设定下的拓展。您的technical arsenal中'nonparametric statistics'和'estimation theory in causal inference'可以用于分析其CTC估计量的收敛速度或半参效率界，但核心的极值理论工具（regular variation, tail index estimation）您目前不熟悉，属于'暂不可做'——需要先在极值统计上补课才能深入跟进。

3. 2608.22890 — Randomization tests for model specification in causal inference under network interference¶

作者: Supriya Tiwari, Pallavi Basu
相关性 7/10 · 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，但其正确性通常由分析者主观假定，若设定错误会导致Horvitz-Thompson等估计量产生偏倚。作者提出一种基于设计（design-based）的模型设定检验框架，核心思想是利用随机化推断（randomization test）来检验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，模拟研究展示了良好的检验功效，并在一个青少年反冲突规范的实地实验数据上进行了应用。该工作填补了网络干扰下暴露映射模型诊断的方法学空白，对您而言，它直接关联因果推断中网络干扰这一子方向，且检验框架可迁移至您熟悉的非参数统计与假设检验工具。
关键技术: randomization test, exposure mapping, network interference, design-based inference, Horvitz-Thompson estimator
为什么对您有用: 本文直接切入因果推断中网络干扰这一子方向，与您primary interest中的'causal inference (identification, estimation, sensitivity analysis)'高度吻合。检验框架的核心——随机化推断——是您very_familiar中'nonparametric statistics'和'hypothesis testing'的经典工具，可立即用于复现或扩展其渐近理论（如检验的有限样本性质）。中期可做：若想将检验推广到更复杂的暴露映射（如连续型），需先在moderately_familiar的'identification theory in causal inference'上深入理解识别条件。

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: 本文研究网络时间序列中，如何区分结果变化是由网络连接强度（transmission strength）变化还是网络结构（composition）变化所驱动。标准做法是将观测到的网络矩阵直接放入结果回归，但网络是潜变量、时变且测量有噪声时，该做法失效——强度和结构变化在单期数据上不可区分。作者提出联合分析结果与网络重复噪声测量（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。估计方法上，给出了强度和结构路径的估计量、强度路径的同时置信带、弱识别下仍精确的置信集、以及常见报告偏倚下的breakdown bounds。关键检验是精确尺寸的检验，能检测观测路径上的变化并将其归因于强度或结构。模拟验证了各方法在理论边界上的表现。对您而言，本文的identification策略（利用重复测量解耦时变潜变量）可迁移至proximal CI中的negative control设定，且其置信带构造方法对您熟悉的minimax bound视角有直接验证价值——中期可做，需先在semiparametric theory上巩固（moderately_familiar）。
关键技术: local identification, simultaneous confidence band, weak-instrument-robust confidence sets, breakdown bounds, repeated noisy measurements, predictive dependence
为什么对您有用: 本文直接连接您的primary interest中的causal inference子方向——特别是proximal CI中利用negative control解耦时变潜变量的identification策略。您武器库中very_familiar的nonparametric statistics和minimax bounds可用于验证其置信带构造的sharpness；但核心的weak identification下的精确推断工具（如AR-type confidence sets）不在您当前武器库中，属于中期可做，需先在semiparametric theory上提升。

5. 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（A/B测试）中效应估计受测量噪声污染、导致真实效应分布被高估的问题，提出一种基于SIMEX（SIMulation-EXtrapolation）的非参数方法，用于从已知方差的ATE估计中恢复真实效应分布的潜在分布。核心机制是：在估计的逆累积分布函数（inverse CDF）上逐步添加模拟测量噪声，然后外推至零噪声设定，同时施加分位数单调性约束。该方法无需指定真实效应的参数形式，在合成数据（正态真实效应+正态测量误差）上表现接近参数经验贝叶斯正态均值方法。对您而言，本文提供了一个在因果推断中处理测量误差的灵活工具，尤其适用于在线实验或流行病学队列研究中效应分布的系统性偏差校正，且与您熟悉的非参数统计和因果推断估计理论直接相关。
关键技术: SIMEX (SIMulation-EXtrapolation), nonparametric quantile estimation, inverse cumulative distribution function, measurement error correction, monotonicity constraint
为什么对您有用: 本文直接连接您的primary interest中的因果推断（ATE估计的测量误差校正）和非参数统计（无需参数模型的分布恢复）。技术武器库中的'非参数统计'和'估计理论在因果推断中的应用'可直接用于理解其外推机制和分位数单调性约束的合理性。中期可做：若想将SIMEX与您熟悉的debiased ML或cross-fitting结合，需先在'moderately_familiar'的semiparametric theory上加强，以处理更复杂的噪声结构（如异方差或非正态测量误差）。

6. 2608.22706 — Double/Debiased Machine Learning for Functional-Form-Robust Spatial Autoregression¶

作者: Jieun Lee
相关性 7/10 · 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 推断通常假定 W 已知，但实际中 W 由地理和社会经济特征通过未知函数生成，且这些特征可能存在内生性。作者通过非线性控制函数处理内生性，并构造了算子正交的 SAR-IV/GMM 得分函数，消除了估计 W 带来的一阶影响。结合缓冲空间交叉拟合（buffered spatial cross-fitting），在空间混合依赖条件下证明了估计量的渐近线性和根 n 正态性。蒙特卡洛模拟显示，当交互函数误设、特征内生且空间相关时，该方法比非正交替代方法有更好的有限样本推断表现。美国糖尿病数据应用表明，不同 W 选择及推断方法会导致结果差异，凸显了在 W 被学习时进行稳健推断的重要性。对您而言，本文是 DML 框架在空间计量经济学中的前沿应用，其处理 nuisance 函数估计带来的推断偏差的思路，与您关注的因果推断中的去偏机器学习方法高度相关。
关键技术: double/debiased machine learning, orthogonal score, spatial cross-fitting, control function for endogeneity, near epoch dependence, spatial autoregression
为什么对您有用: 本文直接连接您 primary interest 中的因果推断（IV/GMM 框架）和效率理论（DML/正交得分）。技术层面，您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来检验其空间交叉拟合的 nuisance 收敛率条件是否最优，以及其正交得分构造是否可推广到更一般的空间因果模型（如空间 treatment effect）。中期可做：需先在 moderately_familiar 的 semiparametric theory 上巩固对空间依赖下 influence function 的理解。

7. 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 7/10 · novelty: new_method
摘要: 本文研究可加可分三角模型（additively separable triangular model）中结果方程的非参数识别与估计，允许第一阶段方程不可分，内生变量和工具变量均为连续型。在工具变量与不可观测项独立的假设下，作者证明结果方程具有闭式表达式，可表示为条件累积分布函数的泛函。由此构造的plug-in估计量无需正则化，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。文章使用经验bootstrap构造结果函数在紧集上同时一致的置信带。该工作为连续IV的非参数估计提供了一种简洁、无需调参的替代方案，且理论性质清晰。对您而言，该文直接关联因果推断中IV方法的识别与估计，其闭式估计量和极小极大最优速率的推导思路可迁移至您熟悉的proximal CI或mediation设定中。
关键技术: additively separable triangular model, nonseparable first stage, closed-form plug-in estimator, minimax optimal rate, uniform confidence band, empirical bootstrap
为什么对您有用: 该文直接关联您primary interest中的因果推断（IV方法）和非参数/半参数理论。其闭式估计量无需正则化，且收敛速率达到极小极大最优，这一sharp rate结果可用您武器库中'minimax bounds for estimation problems'来验证是否紧。中期可做：若将类似闭式识别策略推广到proximal CI框架下的连续IV设定，需先在'moderately_familiar'的identification theory上长肌肉。

8. 2608.24038 — CUPED on Steroids: Multivariate Covariate Adjustment for Switchback Experiments¶

作者: Sergei Pankratev, Palash Arora
相关性 6/10 · novelty: new_method
摘要: 本文针对 switchback 实验（一种聚类随机化设计）中的方差缩减问题，扩展了经典的 CUPED 方法。传统 CUPED 仅使用单一滞后期的实验前结果作为协变量，本文提出使用多个历史滞后值、周期性小时编码以及聚类和小时固定效应虚拟变量作为协变量集，以解释随机化单元层面的结果变异。为防范过拟合和协变量泄露，采用交叉拟合（cross-fitting）来保证方差缩减估计的诚实性。在纽约出租车数据上的模拟和实证分析表明，该框架相比传统 CUPED 能大幅提升统计功效。此外，作者推导了任意协变量调整所能达到的方差缩减上限的闭式表达式，并将实证结果与该上限联系起来。对您而言，本文是因果推断中方差缩减方法的实用扩展，其交叉拟合和协变量选择策略可直接迁移到您的纵向或聚类随机化实验分析中。
关键技术: CUPED, cross-fitting, variance reduction, switchback experiments, covariate adjustment, fixed effects
为什么对您有用: 本文直接关联您的 primary interest 中的因果推断（纵向实验设计、方差缩减）。技术层面，您可以用 very_familiar 的 estimation theory in causal inference 和 software development 技能，快速复现并扩展其交叉拟合框架到您自己的实验分析中。中期可做：若想深入理解其方差缩减上限与 semiparametric efficiency bound 的关系，需先在 moderately_familiar 的 semiparametric theory 上加强。

9. 2608.22570 — Optimal Experimental Design for Network Experiments under Interference¶

作者: Zuhra F. S. Lebbe, Asim K. Dey
相关性 6/10 · 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，以最小化总效应、直接效应和间接效应的估计方差。现有方法多在小规模或简化网络上评估，缺乏可扩展性。作者提出一个基于 Fisher 信息矩阵的最优性准则，联合考虑分配平衡和网络拓扑结构，将设计问题转化为组合优化问题。为解决该问题，开发了一种高效的局部搜索算法，可扩展到大规模网络。通过 Erdős–Rényi、几何随机图、优先连接和随机块模型等随机图模型的模拟，展示了网络拓扑如何影响最优处理分配。在 college housing 和 ego-Facebook 网络上的应用验证了拓扑感知设计的实际优势。该工作对您有用：它直接连接因果推断中的干扰设定，且其基于 Fisher 信息的设计准则可与您熟悉的非参数统计和 minimax 界工具结合，用于评估设计效率。
关键技术: Fisher information matrix, local search algorithm, network interference, treatment allocation, random graph models
为什么对您有用: 本文直接连接您的 primary interest 中因果推断的干扰设定，特别是网络实验下的处理效应估计。您非常熟悉的 minimax 界和非参数统计工具可用于分析该设计准则的统计效率（如与完全随机化对比的方差缩减率）。中期可做：需先在 moderately_familiar 的 identification theory 上长肌肉（理解网络干扰下的识别假设，如部分干扰、暴露映射），然后可用您的软件开发和 einsum 技能实现该局部搜索算法的大规模版本。

10. 2608.23925 — Repairing Locally Misspecified GMM: An Empirical Bayes Approach¶

作者: Patrick Kline
相关性 6/10 · novelty: new_method
摘要: 本文研究当矩条件存在可交换的 n^{-1/2} 阶设定误差时，GMM 估计的修复问题。目标是在 overidentifying restrictions 数量随样本量增长时，一致估计这些设定误差的均值和方差。作者利用这些超参数估计构造了一个可行的偏差校正估计量，并进一步提出一个经验贝叶斯估计量，通过从偏差校正估计量中减去一阶估计误差的最佳线性预测来弱改进精度。借助组合中心极限定理，建立了两个估计量的渐近正态性，并提供了方差估计量以实现对设定误差敏感的频率推断。模拟表明，当存在排除限制违反时，该方法能显著改进标准两阶段最小二乘估计。对 Angrist and Krueger (1991) 的再分析显示，修复后的教育回报估计向 OLS 方向移动，且对控制变量设定更不敏感。本文对您有用：它直接连接您对因果推断中 IV 方法（特别是排除限制违反时的敏感性分析）的兴趣，且其经验贝叶斯框架与您熟悉的 minimax 估计理论有交叉。
关键技术: empirical Bayes, bias-corrected GMM, combinatorial central limit theorem, overidentifying restrictions, two-stage least squares, misspecification-aware inference
为什么对您有用: 本文直接连接您 primary interest 中的 IV 方法，特别是排除限制违反时的估计修复问题，这是因果推断中敏感性分析的核心场景。您的 technical_arsenal 中 very_familiar 的 minimax bounds 和 estimation theory in causal inference 可直接用于分析其偏差校正估计量的最优性（例如，经验贝叶斯收缩是否达到 minimax 最优）。中期可做：若想将本文的 exchangeable specification error 框架推广到更一般的非参数设定（如 proximal CI 中的 negative control 假设违反），需先在 moderately_familiar 的 identification theory in causal inference 上长肌肉。

11. 2608.22732 — Logistic Regression Equivalent Weights for Survey Inference: Construction and Asymptotic Properties¶

作者: Seonghun Lee
相关性 4/10 · novelty: new_method
摘要: 本文在分类事后分层（categorical poststratification）设定下，为 logistic 回归模型构建了等价权重（equivalent weights），连接基于设计（design-based）和基于模型（model-based）的抽样推断。由于 logistic 模型对总体的估计量在观测结果上是非线性的，作者通过局部一阶表示定义等价权重，每个权重是总体估计量对相应观测结果的缩放导数，并得到了显式闭式解。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。模拟实验检验了总体恢复、回归表现、有效样本量以及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。应用部分使用了 Future of Families and Child Wellbeing Study 数据。本文强调与近期非线性多水平回归和事后分层（MRP）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及其在调查推断中的性质。对您而言，该工作涉及因果推断中常见的 survey weighting 和 poststratification 技术，与您的 primary interest 中的 estimation theory in causal inference 直接相关，且其渐近线性性和方差估计的推导思路可迁移至您熟悉的非参数统计和 M-estimation 框架。
关键技术: logistic regression equivalent weights, local first-order representation, categorical poststratification, asymptotic linearity, plug-in variance estimator, finite-cell superpopulation framework
为什么对您有用: 本文直接连接您的 primary interest 中的 estimation theory in causal inference，特别是 survey weighting 和 poststratification 在因果推断中的应用（如 ATE 估计中的权重调整）。您的 very_familiar 武器库中的非参数统计和 M-estimation 理论可直接用于分析其渐近线性性和方差估计的紧性，例如验证其提出的 plug-in 方差估计是否达到 semiparametric efficiency bound。中期可做：若想将等价权重推广到更一般的因果 estimand（如 IV 或 mediation），需先在 moderately_familiar 的 semiparametric theory 上长肌肉，特别是 influence function 的推导。

12. 2608.22499 — Fixed-\(T\) Dynamic Spatial Panel Model with Common Shocks¶

作者: Jushan Bai, Jesse Chieh Chen
相关性 4/10 · novelty: new_method
摘要: 本文研究固定时间维度（fixed-T）、大横截面（large-N）的动态空间面板模型，模型中包含观测回归量、交互效应（interactive effects）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偏差的 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。估计采用计算上可行的块坐标算法（block-coordinate algorithm）。模拟显示估计误差小、覆盖概率接近名义水平。应用至美国县级女性劳动参与率数据，发现显著的动态和空间依赖，以及教育对女性劳动参与率上升的重要作用。对您而言，本文的 incidental parameters 处理思路（通过重新参数化消除单位特定效应）与您熟悉的因果推断中纵向数据/面板数据的固定效应方法有直接关联，且空间依赖的建模框架可迁移至您关注的流行病学空间数据或经济理论中的空间因果效应识别。
关键技术: interactive effects, incidental parameters problem, spatial Jacobian, quasi-likelihood, block-coordinate algorithm, spatially enriched random-loadings (SERL)
为什么对您有用: 本文直接连接您 primary interest 中的 longitudinal/panel data 因果推断方向，特别是固定T下 incidental parameters 的处理——这与您熟悉的非参数统计和因果推断中的固定效应方法有技术交集。您的武器库中 very_familiar 的 estimation theory in causal inference 可直接用于评估其 quasi-likelihood 的识别假设（如 SERL 的随机效应假设是否可放松），而 moderately_familiar 的 identification theory in causal inference 可用于思考空间依赖下的因果效应识别策略。中期可做：若想将本文方法推广至更灵活的因果设定（如动态处理效应），需先在 moderately_familiar 的 semiparametric theory 上加强，特别是空间面板下的 semiparametric efficiency bound 推导。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 2608.24847 — On the privacy cost for dependent Gaussian data: spectral density estimation under local differential privacy¶

作者: Yann Issartel, François Roueff
相关性 6/10 · novelty: sharper_rate
摘要: 本文研究局部差分隐私（LDP）下平稳高斯过程谱密度估计的 minimax 率。核心问题是：在 LDP 约束下，数据的时间依赖性如何影响有效样本量。先前已知下界为 Nα^4，上界为 Nα^2（含 polylog 损失），存在 α^2 与 α^4 的 gap。本文的主要贡献是闭合了这一 gap：证明在 Sobolev 型谱密度类上，高隐私 regime 下的有效样本量确为 Nα^4，而非独立观测下的 Nα^2。下界证明依赖于一个针对私有化依赖高斯观测的收缩界（contraction bound）。上界则通过构造一个针对该问题的特定程序（而非通用私有化方案）达到该率，且无 polylog 损失。此外，本文还将工具应用于固定滞后自协方差估计（闭合对数 gap），并证明经典独立高斯实验的渐近等价性在 LDP 下一般失效。对您而言，该文展示了高维时间序列在隐私约束下的 minimax 率分析，与您的高维统计和 minimax 界兴趣直接相关，且其收缩界技术可能对您在高维相依数据上的工作有启发。
关键技术: local differential privacy, minimax lower bound, spectral density estimation, contraction bound, Gaussian process, Sobolev class
为什么对您有用: 本文直接连接您的高维统计和 minimax 界兴趣，具体在时间序列谱密度估计的隐私约束下。您的 very_familiar 武器库中的 minimax bounds for estimation problems 和 high-dimensional asymptotics 可以直接用于理解其下界构造和率分析。中期可做：若想将类似收缩界技术推广到其他相依数据（如非高斯或长记忆过程），需先在 moderately_familiar 的 M-estimation theory 上加强。

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: 本文针对周期域上准均匀设计的 Matérn 核回归，建立了有限样本理论。核心问题是：目标函数的长度尺度（target lengthscale）与核的长度尺度（kernel lengthscale）如何共同决定回归精度？在无噪声插值设定下，作者证明设计点密度必须同时解析目标长度尺度和核长度尺度——若核太短（相对于点间距），即使目标已被充分解析，仍会残留额外误差。在有噪声的核岭回归中，推导出三项固定岭风险分解：目标尺度偏差、核尺度偏差和方差，并展示岭参数优化后产生四种不同贡献。当目标光滑度不超过核光滑度的两倍时，选择比目标更长的核长度尺度不会恶化 oracle 风险，而选择过短的核则会。这些分辨率条件决定了何时能实现精确恢复，而光滑度则决定了误差随后下降的速度。该结果对您在高维非参数回归和半参数理论中的 minimax 分析有直接参考价值，尤其是其有限样本刻画方式可迁移至您熟悉的非参数统计工具。
关键技术: Matérn kernel, kernel ridge regression, minimax optimality, finite-sample analysis, lengthscale resolution, quasi-uniform designs
为什么对您有用: 本文直接连接您的 primary interest 中的非参数与半参数理论，特别是核回归的有限样本 minimax 分析。您武器库中非常熟悉的 minimax bounds for estimation problems 和 nonparametric statistics 可直接用于验证或扩展本文的有限样本界是否紧。中期可做：若想将本文的 lengthscale 分辨率条件推广到高维或非周期域，需先在 moderately_familiar 的 semiparametric theory 上提升对核方法谱分解的理解。

2. 2608.24450 — Maximum effective dimension and information gain¶

作者: David Janz, Arya Akhavan, Alexandre B. Tsybakov
相关性 5/10 · novelty: sharper_rate
摘要: 该论文研究核 Gram 矩阵的最大有效维度和信息增益的上界，这两个量是高斯过程回归和核方法中算法复杂度与统计精度的核心指标。作者在任意设计点集上，利用核函数或对应再生核希尔伯特空间的逼近性质，建立了通用上界。针对 Matérn 核和平方指数核等三类正则性 regime，证明这些上界在常数因子内不可改进。技术工具包括核的逼近论（如覆盖数、插值空间）和算子谱理论。主要理论贡献是统一并优化了先前分散的结果，给出了紧的界。对您而言，该工作与高维统计和核方法的理论分析直接相关，其逼近论视角可用于您熟悉的非参数统计和 minimax 界工具中。
关键技术: kernel Gram matrix, effective dimension, information gain, covering numbers, interpolation spaces, Matérn kernel
为什么对您有用: 该论文直接连接您 primary interest 中的非参数统计与高维统计理论。您非常熟悉的 minimax 界和非参数统计工具可直接用于验证其逼近论上界是否紧，并可能推广到更一般的核或设计。中期可做：需在 moderately_familiar 的 M-估计理论上长肌肉，以将有效维度界与估计问题的 minimax 率联系起来。

3. 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空间中发展了函数型多集典型相关分析（P-FMCCA）的总体水平公式。由于函数型数据的协方差算子通常是紧的，其逆算子无界且不能在整体Hilbert空间上定义，因此作者给出了P-FMCCA良定义的充分条件，并证明约束最大化问题可转化为相关算子的Hilbert-Schmidt延拓的特征值问题。进一步建立了P-FMCCA诱导的典型分解和截断典型表示。此外，在总体水平上公式化了函数型同质性分析，并证明有限维中同质性分析与MCCA的等价性在无限维中一般不成立。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用P-FMCCA分量显式刻画，从而提供了经典有限维对应的总体水平版本。该工作为函数型数据分析中的多变量关联结构提供了严格的理论基础，对您在高维统计和非参数理论方面的兴趣有直接参考价值。
关键技术: functional data analysis, canonical correlation analysis, Hilbert-Schmidt operator, compact operator, eigenvalue problem
为什么对您有用: 本文属于非参数/半参数理论中的函数型数据分析方向，直接关联您的primary interest中的非参数理论。您武器库中'非参数统计'和'高维渐近理论'可用于分析其估计量的收敛速率和算子谱性质。中期可做：需先在'moderately_familiar'的M估计理论上提升，以处理函数型数据中逆算子的正则化问题。

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

1. 2608.23793 — Approximating the null distribution of generalized distance covariance¶

作者: Dominic Edelmann
相关性 7/10 · novelty: new_method
摘要: 本文研究广义距离协方差（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（尾部精度差），而本文提出基于经验谱直接逼近极限分布（加权卡方和）的第三路径。作者严格证明了在可分度量空间上，对一类负类型距离，经验谱可一致逼近极限零分布，从而保证检验的渐近有效性；该结果也覆盖了Hilbert-Schmidt独立性准则（HSIC）作为特例。方法核心是自适应算法：通过部分特征分解（从O(n^3)降至O(k n^2)）结合收缩校正（匹配前两阶矩）来括住p值。模拟表明，该方法是唯一在经验第一类错误收敛到名义水平上表现稳定的非蒙特卡洛程序。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，且其自适应谱近似策略可迁移至您熟悉的U-统计量或核方法的计算加速问题。
关键技术: distance covariance, spectral approximation, weighted chi-square distribution, partial eigendecomposition, shrinkage correction, Hilbert-Schmidt independence criterion
为什么对您有用: 本文直接连接您对假设检验与高维统计的兴趣，特别是谱方法在独立性检验中的应用。您的技术武库中'高维渐近'与'非参数统计'可直接用于分析其经验谱的一致收敛速率，而'高阶U-统计量的树宽/张量收缩计算'可尝试将其O(k n^2)算法进一步优化（例如通过einsum实现特征分解的稀疏化）。中期可做：需先在'moderately_familiar'的HOIF理论上长肌肉，以处理更一般核函数的谱近似误差界。

2. 2608.21694 — Gaussian-efficient testing by betting on the mean of bounded data¶

作者: Diego Martinez-Taboada, Aaditya Ramdas
相关性 7/10 · novelty: new_method
摘要: 本文针对有界随机变量（取值[0,1]）的均值μ，在鞅差假设（条件期望恒为μ）下构造了新的非渐近置信区间。核心创新在于设计了一种新的投注策略（betting strategy），其投注分数追踪了极限高斯实验中最优终止检验的条件拒绝概率，从而生成了终末e值（terminal e-value）。当数据独立同分布时，该区间的极限宽度与中心极限定理匹配（即“高斯有效”），首次超越了此前投注区间（如STaR-Bets）的非有效极限。该方法通过共享一个可预测方差估计量，实现了对每个数据序列的确定性反演，且两个端点可高效计算；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并与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，同样达到最先进经验性能。对您而言，本文在假设检验与置信区间构造中引入了鞅方法与e值框架，与您对数学统计与假设检验的兴趣高度相关，且其“高斯有效”的渐近效率分析可直接迁移至您熟悉的非参数统计与minimax界工具。
关键技术: betting score, terminal e-value, conditional rejection probability, Gaussian efficiency, martingale dependence, predictable variance estimator
为什么对您有用: 本文直接关联您对假设检验与数学统计的兴趣，其核心是构造非渐近置信区间并达到CLT效率。您非常熟悉的非参数统计与minimax界工具可直接用于分析其效率最优性（例如验证其声称的“高斯有效”是否紧）。中期可做：若需进一步推广至有偏或高维设定，需先在鞅差与e值理论（moderately_familiar）上积累。

3. 2608.21557 — Outlier Impact: Detection by Consequences¶

作者: Daniel Ting, Ilya Gorbachev, Sammy Shen
相关性 7/10 · novelty: new_method
摘要: 本文提出一种新颖的异常值检测方法，其核心思想是用异常值对统计推断的具体影响（如均值估计或假设检验的假阳性率）来定义“异常”，而非传统的“不寻常”概念。方法允许实践者只标记那些实质性影响数据推断的异常点，同时确保这些点确实是异常的。在实验场景中，异常值会影响因果推断的有效性，因此该方法特别相关。具体地，作者考虑了潜在异常值对均值估计和假设检验假阳性率的影响，并基于此构建检测准则。该方法为异常值检测提供了更直接、更可解释的替代方案，将检测与下游分析任务直接挂钩。对您而言，本文连接了假设检验与因果推断中的稳健性问题，其“后果导向”的检测思路可能启发您在敏感性分析或工具变量分析中设计更实用的异常值处理策略。
关键技术: outlier detection by statistical impact, false positive rate (FPR) impact, mean estimation influence, consequence-based anomaly scoring
为什么对您有用: 本文直接连接您的假设检验与因果推断兴趣：它提出一种以统计推断后果（如假阳性率变化）为导向的异常值检测方法，特别适用于实验场景中影响因果推断有效性的异常点。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ATE、IV估计）下的表现，或将其与您熟悉的稳健估计方法结合。中期可做：若想将方法扩展到高维或半参数设定，需先在中等熟悉的半参数理论上提升，以处理更复杂的influence function结构。

4. 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 7/10 · novelty: new_method
摘要: 本文在Sarkar和Zhang (2025)提出的PTDN（Positive Tail Dependence Under the Null）框架下，进一步研究双侧高斯均值检验中FDR控制问题。首先，针对已知协方差结构，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（R_i^2为第i个统计量与其余坐标的平方多重相关系数）表示，在独立情形下恢复精确BH FDR，并提供了比通用界更精细的有限样本协方差特定信息。其次，识别了坐标特定校准的shifted BH相对于原始BH程序在拒绝能力上具有优势的条件。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控制保证——据作者所知，这是首个在完全未知协方差矩阵（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。数值实验验证了协方差自适应界的表现、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。该工作对您的高维假设检验兴趣有直接连接，特别是其依赖自适应FDR界为高维相关检验提供了可操作的有限样本工具。
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: 直接连接您的高维统计与假设检验兴趣：本文在已知或未知协方差结构下为双侧高斯均值检验提供了FDR控制的有限样本保证，其依赖自适应界（以τ_i参数化）为高维相关检验提供了比通用界更精细的工具。从武器库看，您对高维渐近论（very_familiar）可直接用于理解τ_i的估计性质，而协方差未知场景下的Wishart估计与置信界构造则需在moderately_familiar的M估计理论上稍作延伸。中期可做：若想将此类有限样本FDR界推广至更一般的依赖结构（如非高斯或稀疏设定），需先在moderately_familiar的M估计理论（如协方差估计的收敛率）上积累。

5. 2608.20727 — A Multiscale Ball Test for Conditional Mean Independence¶

作者: Simon Rudkin, Wanling Rudkin
相关性 7/10 · novelty: new_method
摘要: 本文提出一种多尺度球条件均值独立检验（MBCMI），用于检测在多元预测变量空间中局部有界区域内的条件均值依赖。该方法通过在每个数据点周围构造球，聚合支持加权的局部均值对比，从而避免固定网格或全局检验在未知空间尺度下的功效损失。固定网格理论给出了总体目标，证明了网格可见备择下的一致性，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而非独特的非线性结构。该检验对局部和径向信号功效最强，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), support-weighted local mean contrasts, recursive sign bootstrap, cross-fitting, Pitman local power
为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是条件均值独立性的非参数检验。您武器库中的非参数统计与高维渐近工具可用于分析该检验在多元预测变量空间中的局部功效性质，例如用minimax界刻画其检测局部信号的速率。中期可做：需先熟悉递归自助法在时间序列中的理论性质（属于moderately_familiar的M-estimation理论），但立即可做的是用您熟悉的非参数统计框架验证其Pitman局部功效极限的紧性。

6. 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 在模型奇异点处 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）的具体形式。sBIC 修正了基于维度的 BIC 的过惩罚问题，且能以概率趋于 1 选择最小的真实模型。该框架还扩展到 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 方法的有效性。对您而言，本文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, probabilistic PCA, model selection
为什么对您有用: 本文直接关联您对假设检验和模型选择的兴趣，特别是处理 Fisher 信息矩阵不满秩的非标准渐近问题。您的武器库中 minimax bounds 和 high-dimensional asymptotics 可用于分析 sBIC 的收敛速率和一致性条件，属于中期可做——需先在 moderately_familiar 的 M-estimation theory 上熟悉奇异模型下的渐近理论。

7. 2608.23315 — Classification testing: A new framework for drawing qualitative conclusions from quantitative estimates¶

作者: Andrew C. Eggers, Zikai Li
相关性 6/10 · novelty: application
摘要: 本文提出一种名为“分类检验”（classification testing）的新框架，旨在替代传统假设检验在社会科学中的使用。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若干有实质意义的定性类别（如“效应为正且显著”、“效应可忽略”等），然后基于点估计和标准误将待估参数分配至某一类别，同时控制错误分类率（类似于传统检验的I类错误）。该方法的核心机制是构造一个决策规则，使得当估计值落在某个“不确定区域”时，检验宣告无结论（inconclusive），从而避免在证据不足时强行下结论。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。本文本质上是对经典频率学派检验逻辑的重新包装，而非提出新的统计量或渐近理论。对您而言，该框架与您对假设检验的兴趣直接相关，但方法学新颖性有限，更多是应用层面的教学与推广价值。
关键技术: classification testing, hypothesis testing, error control, decision rule, R package
为什么对您有用: 本文直接对应您 primary interest 中的“hypothesis testing”子方向，提供了一个替代传统p值检验的决策框架。但方法学上并无新统计量或渐近理论，核心是重新组织已有频率学派逻辑。武器库中“nonparametric statistics”和“minimax bounds”等工具无法直接攻击本文——它不涉及收敛率或非参数结构。暂不可做：本文是应用导向的框架性文章，缺乏需要您技术武器库介入的理论缺口。若您对社会科学中检验逻辑的哲学争议感兴趣，可作为入门阅读，但无需深入。

8. 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: 本文研究从依赖的p值函数族中构造精确置信区域的计算问题，目标是在任意依赖结构下避免参数空间的网格搜索。核心设定是：重复样本分割、交叉拟合、共形集成等随机化工作流产生多个依赖但有效的p值函数，传统方法需在参数空间网格上逐点反演以得到置信区域，计算成本随维度指数增长。方法贡献在于：证明了由step calibrator诱导的合并规则构成一个可精确执行的区域级合并类，并给出了部分逆命题说明精确可执行性与step结构紧密相关。在此框架内，提出了固定k投票和自适应多分位数轮廓聚合两种精确投票算法，后者无需预设单一顺序统计量阈值，且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）和真实数据回归表明，所提方法相比网格反演基线在保持稳健性的同时大幅提升计算速度；网格分辨率基准显示投票方法对反演网格细化不敏感，而多维单阈值压力测试揭示了网格反演在简单盒几何设定下的维度爆炸。对您而言，该工作直接关联假设检验与计算效率的交叉点——其精确区域计算框架可视为一种统计计算中的算法创新，且与您的统计计算兴趣（数值方法、算法）高度契合，可作为gateway reading理解依赖p值合并的计算代价问题。
关键技术: p-value merging, step calibrator, voting algorithm, conformal prediction, cross-fitting, grid-free confidence region
为什么对您有用: 本文直接连接您的假设检验兴趣，特别是依赖p值合并的精确推断问题。武器库中'非参数统计'和'高维渐近'可用于分析其投票算法的有限样本性质，而'软件工程'经验可帮助复现其计算框架。中期可做：若先在'moderately_familiar'的M估计理论上长肌肉，可将其精确区域框架推广到更一般的估计方程设定。

9. 2608.24194 — Testing for Stable Intervals in Non-Stationary Time Series¶

作者: Florian Heinrichs
相关性 6/10 · novelty: new_method
摘要: 本文针对非平稳时间序列中是否存在稳定区间（即信号在给定容忍度Δ内持续至少长度δ）提出假设检验框架。目标信号d来自均值函数或其导数，稳定性由d_∞=inf_{t} sup_{s∈[t,t+δ]}|d(s)|刻画，原假设为d_∞≥Δ（无稳定区间），备择假设为存在稳定区间。估计采用局部线性回归，构造plug-in检验统计量。渐近分布由极值窗口决定，通过极值集形式化局部化，推导了时变长期方差下核估计量的高斯与极值逼近。检验具有相合性和渐近水平控制，并将基于上确界的相关变化检验推广到时变长期方差与导数假设。模拟与生理/工程时间序列应用验证了方法。对您而言，本文在非平稳时间序列的假设检验中引入了极值理论工具，与您对hypothesis testing和nonparametric statistics的兴趣直接相关，且其极值逼近思路可迁移至高维或U-statistic的极值问题。
关键技术: local linear regression, extreme value approximation, Gaussian approximation, time-varying long-run variance, plug-in test, minimax functional
为什么对您有用: 本文属于hypothesis testing方向，具体处理非平稳时间序列中稳定区间的存在性检验，与您对mathematical statistics & hypothesis testing的兴趣直接吻合。技术武器库中very_familiar的nonparametric statistics和high-dimensional asymptotics可用于理解其局部线性估计与极值逼近的渐近理论，而moderately_familiar的M-estimation theory可用于分析检验统计量的相合性。中期可做：若想将极值逼近推广到更高阶统计量（如U-statistic），需先在moderately_familiar的higher-order U-statistics理论上提升。

10. 2608.22165 — Robust Scale Estimation in Additive Noise via Weighted Order Statistics¶

作者: Jorge González Cázares, Arturo Jaramillo
相关性 6/10 · novelty: new_method
摘要: 本文针对弱稀疏系统中加性噪声的尺度估计问题，提出了一种非参数且稳健的框架。该方法不要求噪声序列独立、具有特定依赖结构或时间正则性，仅基于排序观测值与参考噪声分布生成的确定性或随机代理之间的比较，构建了一类次序统计量估计器。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。随后，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，获得了在存在低变分加性扰动时分数布朗运动和稳定Lévy噪声的尺度估计量。该工作对您在高维统计和假设检验方面的兴趣有直接参考价值，特别是其非渐近浓度工具和稳健估计思想可迁移至您熟悉的非参数统计与高维渐近分析领域。
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: 本文直接关联您在高维统计和假设检验方面的兴趣，特别是其非渐近浓度不等式和稳健估计方法。您熟悉的非参数统计与高维渐近分析工具（very_familiar）可直接用于理解其理论框架，并可能将次序统计量方法推广至更复杂的依赖结构或高维稀疏信号恢复问题。中期可做：若需深入其代理差异控制技术，需先在 moderately_familiar 的 M-estimation 理论上加强。

11. 2608.22002 — Uniformly Valid Inference Under Interactive and High-Dimensional Constraints¶

作者: Joseph Fry
相关性 6/10 · 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。该工作将先前关于此估计量的结果推广到更广泛的约束类型，并展示了当存在高维 nuisance 参数时如何自然修改该方法。文中证明了 Wald、似然比和拉格朗日乘子检验的变体能够在一致意义上控制检验水平，前提是初始约束估计量足够精确。最后，将方法应用于面板数据的网络估计问题。对您而言，本文在假设检验与高维统计的交界处提供了处理边界参数的一致推断工具，与您对 hypothesis testing 和高维统计的兴趣直接相关。
关键技术: quasi-unconstrained estimator, boundary-constrained inference, uniformly valid tests, high-dimensional nuisance parameters, Wald/LR/LM tests
为什么对您有用: 本文直接连接您对 hypothesis testing 和高维统计的兴趣，具体处理参数在边界时推断失效的经典难题。武器库中的 minimax bounds 和 high-dimensional asymptotics 可用于评估其“初始约束估计量足够精确”这一条件的紧性，属于中期可做（需先在 moderately_familiar 的 M-estimation theory 上巩固对边界参数渐近理论的理解）。

12. 2608.24230 — Wild Bootstrap and Efron's Bootstrap for Debiased Cox Regression¶

作者: Lena Schemet, Sarah Friedrich-Welz
相关性 5/10 · novelty: new_method
摘要: 本文研究 Cox 比例风险模型经 Lasso 变量选择后，对 debiased 估计量进行 bootstrap 推断的问题。目标是在高维生存数据中，对选出的协变量系数构造可靠的置信区间。作者提出两种基于得分的 bootstrap 方案：wild bootstrap（独立乘子权重）和 Efron bootstrap（中心化多项重抽样权重），两者均固定原始 Lasso 拟合和 debiasing 矩阵，仅对决定 debiased 估计量一阶分布的得分贡献施加 bootstrap 权重。理论部分建立了两种 bootstrap 的渐近有效性，证明其置信区间在正则条件下覆盖概率趋于名义水平。模拟研究表明，在小样本和中样本场景下，bootstrap 区间比一阶 debiased Wald 区间有更好的覆盖精度，改善幅度取决于模拟设定和调参规则。SUPPORT2 数据集的应用展示了方法的实际可行性。对您而言，本文的 bootstrap 推断框架可迁移至您熟悉的 debiased ML 或因果推断中的高维选择后推断问题，其得分加权技巧与您熟悉的 U-统计量投影有潜在联系。
关键技术: debiased Lasso, Cox regression, wild bootstrap, Efron bootstrap, score-based inference, high-dimensional inference
为什么对您有用: 本文直接关联您 primary interest 中的 hypothesis testing 和高维统计推断。其 bootstrap 推断框架可视为 debiased ML 在生存数据中的特例，您可以用 very_familiar 的 minimax bounds 工具分析其 bootstrap 区间的最优性，或用 moderately_familiar 的 M-estimation 理论验证其渐近有效性证明的紧性。中期可做：若想将类似 bootstrap 方案推广至您关注的因果推断中的高维 IV 或 mediation 设定，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（特别是 influence function 的 bootstrap 版本）。

13. 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: new_method
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统计量在参数较多时自由度爆炸，而本文利用White (1982)的IM等式思想，通过比较两种渐近协方差矩阵估计量构造检验统计量，并借鉴Presnell & Boos (2004)的方法将自由度压缩至1或2，与模型复杂度无关。作者推导了CDM下检验统计量的解析公式，避免了计算密集的bootstrap。模拟研究表明，该检验在CDM常见设定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领域，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，且解析公式的推导思路可迁移至其他高维或结构方程模型的模型诊断问题。
关键技术: Information Matrix equality, Lancaster-Chesher test, White's misspecification test, Cognitive Diagnostic Models, low-degree-of-freedom test
为什么对您有用: 该论文直接对应您primary interest中的hypothesis testing，具体是模型误设定检验这一子方向。您武器库中very_familiar的nonparametric statistics和high-dimensional asymptotics可用于分析该检验在非参数或高维CDM下的渐近性质，例如检验统计量的稳健性。中期可做：需要先在moderately_familiar的M-estimation theory上巩固，以理解IM等式在非标准模型下的推广。

作者: Xinyu Song
相关性 5/10 · novelty: new_theory
摘要: 本文研究局部渐近决策理论中的分辨率问题：当个体风险的高斯近似不足以确定其消失差异时，如何通过预披露实验菜单（pre-disclosure experiment menus）来刻画决策风险。核心设定是：在上下文披露前安装一个有限的实验菜单，之后观测可以自适应路由。通过Blackwell序的最大元，将自适应路由简化为最佳安装实验，并将固定菜单的超额风险归结为一个逆信息扭曲（inverse-information distortion），其前沿由序列A_k刻画。方法上，作者沿一维退化链发展了全先验后验转移（all-prior posterior transfer），并建立了F_{n,k_n}(H_n)=A_{k_n}{1+o(1)}的渐近结果，适用于任何具有正前沿的发散菜单序列和任何可容许的局部化半径，无需额外的直接样本-菜单限制。在高斯退化下转移是精确的；无先验的似然生成元条件可推广到跳跃生成元，并在二项衰减、泊松稀释和负二项稀释中得到验证。若扭曲在Ahlfors正则的r维oracle像上一致二次，则A_k ≍ k^{-2/r}，原始尺度的超额均方误差为n^{-1}k^{-2/r}。该工作与您的假设检验和渐近决策理论兴趣高度相关，特别是其关于实验菜单设计与渐近最优性的理论框架，为处理有限样本下的决策问题提供了新视角。
关键技术: Blackwell order, local asymptotic decision theory, all-prior posterior transfer, inverse-information distortion, Ahlfors-regular oracle image, Gaussian degradation
为什么对您有用: 本文直接关联您的假设检验与渐近决策理论兴趣，特别是实验菜单设计与渐近最优性的理论框架。您武器库中的非参数统计和极小极大界工具可用于验证其A_k序列的紧性，而高维渐近工具可推广其高斯退化假设。中期可做：需先在中等熟悉的M估计理论上提升，以处理非高斯退化下的转移精确性。

15. 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，在相同样本量的复制研究中仍保持显著的概率。作者定义了给定 p 值的期望复制概率，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。通过将该估计量预测的实际复制结果与预测市场对比，验证了其准确性。结果显示，p=0.05 的发现其期望复制概率在各领域仅为 0.10 至 0.25，且低复制性主要源于原始研究的低统计功效，而非发表偏倚。作者进一步开发了一个非参数估计量，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。结论是，单一研究的统计显著性仅提供提示性证据，需要累积证据才能得出更强结论。该工作对您的主要兴趣——假设检验——有直接关联，其提出的复制概率估计量可视为一种新的检验效能度量，且非参数估计方法可能对您在高维或半参数设定下的检验问题有启发。
关键技术: replication probability, nonparametric estimation, p-value distribution, statistical power, publication bias
为什么对您有用: 直接关联您的主要兴趣——假设检验。本文提出的复制概率估计量可视为一种新的检验效能度量，其非参数估计方法可能对您在高维或半参数设定下的检验问题有启发。武器库中'非参数统计'和'高维渐近'可直接用于分析该估计量的理论性质（如收敛速度、置信区间），属于立即可做的 follow-up。

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在共享评测集上的多模型比较问题，提出一个统一的随机效应模型。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。方法核心是同时处理问题级配对和问题间相关性（聚类校正），避免传统成对t检验在多模型场景下的多重比较膨胀。模拟和基于6个开源模型在1497个MMLU-Pro问题上的实证表明，是否恰当考虑配对与多重比较会显著改变排名结论。文章最后给出了多模型评测报告的具体建议。对您而言，该工作将经典假设检验工具（配对t、聚类标准误、多重比较校正）系统化应用于LLM评测这一新兴领域，是您数学统计与假设检验兴趣在应用场景中的直接延伸。
关键技术: random effects model, ANOVA, linear mixed model, clustered standard errors, multiple comparison correction
为什么对您有用: 本文直接连接您的假设检验兴趣，将经典统计方法（配对t检验、聚类校正、多重比较）系统应用于LLM评测这一热门应用场景。您可以用very_familiar的非参数统计和M-estimation理论审视其模型假设的稳健性（如随机效应正态性假设是否必要），或用moderately_familiar的HOIF思想推导更高效的估计量。中期可做：若想深入，需先在moderately_familiar的M-estimation理论上长肌肉（具体为聚类标准误的有限样本校正）。

17. 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 4/10 · novelty: application
摘要: 针对传统双因素ANOVA在非负、正偏态数据中正态性假设失效的问题，提出基于Gamma分布的替代框架。模型允许两个因素的形状和尺度参数自由变化，通过似然比检验（LRT）检验主效应和交互效应。由于小样本下渐近卡方分布不准确，进一步提出参数自助法LRT（PBLRT），通过模拟确定临界值。模拟实验表明PBLRT能良好控制名义显著性水平，实际数据示例显示其推断结果与传统ANOVA存在差异。该工作属于经典假设检验在非标准分布下的拓展，方法学创新有限（主要贡献在于应用层面的替代方案）。对您而言，若关注非参数/半参数检验或高维U统计量在非标准分布下的推广，本文的Gamma模型设定可作为对比基准，但核心武器库（如经验过程、U统计量投影）在此处未涉及。
关键技术: Likelihood Ratio Test, Parametric Bootstrap, Gamma Distribution, Two-factor ANOVA
为什么对您有用: 本文属于假设检验在非标准分布下的应用拓展，与您的primary interest 'mathematical statistics & hypothesis testing' 有弱连接。但方法学深度有限（无新理论或更优率），且未涉及您武器库中的核心工具（如U统计量、经验过程）。作为gateway reading价值低：问题设定简单，技术工具常规。暂不可做——核心机器（如高维渐近、U统计量投影）未使用，且问题本身缺乏统计计算复杂性或半参数效率的切入点。

18. 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: 本文针对多变点检测问题，提出了一种名为 Look-Ahead Binary Segmentation (LABS) 的算法。标准二元分割（Binary Segmentation）在均值变点检测中有效，但在斜率变点检测等设定下会失效，因为递归步骤中 CUSUM 统计量无法保证定位到真实变点。LABS 的核心修改是：在父递归返回一个候选变点后，利用两个子递归返回的变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。该方法继承了二元分割的计算速度，同时在连续分段线性信号的斜率变点设定下，达到了接近最优的 O{(n log n)^{1/2}} 一致性率。模拟实验表明 LABS 速度快且性能达到当前最优。该工作对您在高维统计和假设检验方面的兴趣有直接关联，特别是变点检测作为时间序列分析中的核心检验问题。
关键技术: Binary Segmentation, CUSUM statistic, change-point detection, slope change detection, Schwarz-like information criterion
为什么对您有用: 本文直接关联您在高维统计和假设检验方面的兴趣，特别是变点检测作为时间序列分析中的核心检验问题。您武器库中的非参数统计和 minimax 界工具可用于分析 LABS 方法在更一般信号模型下的最优性。中期可做：将 LABS 思想推广到高维或非参数回归的变点检测，需先在 moderately_familiar 的 M-estimation 理论上长肌肉。

统计计算 / 算法 (stat_computing, 2 篇)¶

作者: L. Thümmler, T. Kuroda
相关性 6/10 · novelty: application
摘要: 本文报告了一个受控的端到端负结果，研究在一般相对论辐射流体力学代码中用神经网络替代昂贵的隐式牛顿求解器时遇到的三个结构性障碍。首先，目标求解器仅占总运行时间的16.9%，根据阿姆达尔定律，任何替代方案的理论加速比上限仅为1.2倍，即使替代器每次调用便宜5.8倍，也只能达到与原求解器相同的性能。其次，离线精度无法预测部署后的性能：14个网络的池化Spearman误差与存活率相关性为+0.73，但控制混杂后消失为-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：访问状态距离数据流形73倍，导致门控将96.8%至99.7%的单元推迟，加上自身成本，门控循环反而导致0.94至0.96倍的减速。此外，稳定性与保真度分离：一个永不崩溃的门控运行在6000步内累积了-19.9%的线性密度偏差，这是定向弹道累积偏差，而非自回归文献中关注的方差驱动发散。本文对统计计算中的计算-统计权衡提供了具体案例，对您作为统计计算和计算约束统计方向的研究者具有参考价值，特别是关于替代模型部署的实际限制和加速比分析。
关键技术: Amdahl's law, surrogate modeling, out-of-distribution detection, runtime profiling, autoregressive error accumulation
为什么对您有用: 本文属于stat_computing方向，直接关联您对统计计算和计算约束统计的兴趣。它提供了一个具体的负结果案例，展示了神经网络替代模型在多物理模拟中的实际限制，包括加速比上限、离线精度与部署性能的脱节，以及分布外漂移问题。您的武器库中'软件开发和逆问题'经验可用于理解其运行时分析，而'高维渐近'工具可用于分析其误差累积的统计性质。本文可作为入门读物，帮助您理解计算约束统计中'多项式时间可行性'与'实际加速'之间的差距，值得花时间阅读全文。

2. 2608.23802 — Graph-dependent shrinkage priors for Bayesian trend filtering¶

作者: Andrea Mascaretti, Daniel R. Kowal
相关性 4/10 · novelty: new_method
摘要: 本文提出一种贝叶斯图趋势滤波框架，将图结构同时用于趋势估计、局部收缩先验和MCMC采样算法。经典趋势滤波仅在图结构上估计趋势，对缺失数据脆弱且缺乏不确定性量化。作者在三个关键环节利用图信息：趋势项实现平滑与插值预测；局部收缩先验增强自适应性和精度；稀疏带状矩阵运算实现可扩展的后验推断。研究了图依赖收缩先验的局部集中性和自适应性质，并建立了后验适定性条件。模拟表明，相比频率学派和贝叶斯替代方法，该方法点估计更准、区间估计更精、计算效率有竞争力。应用于2020年COVID-19冲击下美国所有县的失业率时空建模与预测。对您而言，本文展示了如何将图结构（如链图、格图、空间邻接图）系统性地融入贝叶斯框架的多个环节，其稀疏带状运算技巧与您熟悉的统计计算（数值方法、算法）方向直接相关，可作为处理结构化数据时计算效率提升的参考案例。
关键技术: graph trend filtering, Bayesian shrinkage priors, sparse banded matrix operations, MCMC for structured data, local concentration and adaptivity
为什么对您有用: 本文属于统计计算方向，与您primary interest中的'statistical computing (numerical methods, algorithm)'直接对接。您武器库中'very_familiar'的'软件开发和逆问题'可用于复现或扩展其稀疏带状运算实现；'moderately_familiar'的'M估计理论'可帮助分析其先验的收缩性质。中期可做：若想将图依赖收缩先验推广到您的因果推断或高维设定，需先在'moderately_familiar'的'半参数理论'上加强，以处理更复杂的图结构（如因果图）下的后验推断。

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。在下一代巡天将产生约 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瓶颈。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高效计算单个透镜的似然比，进而组合成群体级后验分布。引入事后后验覆盖校准步骤，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，对 100 个透镜系统，校准后的 NRE 模型对 w 的中位分数不确定性为 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：清晰阐述了科学问题（宇宙加速膨胀）、数据结构（透镜图像+光谱信息）和推断挑战（高维似然、计算可扩展性），适合作为了解天文统计推断的起点。
关键技术: Neural Ratio Estimation (NRE), simulation-based inference, posterior coverage calibration, population-level likelihood combination, strong gravitational lensing cosmology
为什么对您有用: 本文属于 astrostatistics 的 gateway reading。它清晰地向统计学家展示了天文领域的一个核心推断问题（从透镜图像推断宇宙学参数），并明确说明了数据侧（图像+光谱）和模型侧（模拟似然）的结构。您的武器库中非参数统计和软件工程经验足以理解其方法框架，但 NRE 和 simulation-based inference 的具体实现细节（神经网络训练、校准）属于您暂不熟悉的领域，因此属于暂不可做——核心机器（神经密度估计、模拟推断的校准理论）不在武器库里。不过，作为入门读物，本文值得花时间阅读全文，以了解天文统计推断的典型问题设定和挑战。

2. 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 6/10 · novelty: application
摘要: 本文针对未来空间引力波探测器LISA的噪声谱密度矩阵估计问题，提出了一种基于平均场随机梯度变分贝叶斯（SGVB）的快速后验近似方法。在设定上，数据时长长、多通道时间延迟干涉仪（TDI）通道间噪声相关，使得传统MCMC计算成本过高。方法核心是将分块Whittle似然与特征基表示结合，对逆谱密度矩阵进行Cholesky分解，并用余弦基函数建模频率依赖的系数，辅以折扣正则化马蹄先验。SGVB作为独立的后验近似，与Hamiltonian Monte Carlo（HMC）对比，在ARMA过程模拟中后验中位数谱估计接近HMC，但计算成本大幅降低。在一年时长、固定延迟、平稳噪声的LISA模拟数据上，SGVB谱密度估计与HMC及Welch估计在LISA分析频带内一致。本文对您作为统计学家而言，是一篇很好的入门级天文统计读物：清晰交代了数据结构（多通道、长时长、相关噪声）、模型（Whittle似然、基函数展开）和计算挑战（MCMC不可扩展），且SGVB方法本身是变分推断在谱分析中的一个具体应用案例。
关键技术: Stochastic Gradient Variational Bayes (SGVB), Blocked Whittle Likelihood, Cholesky Factorization, Cosine Basis Functions, Regularized Horseshoe Prior, Hamiltonian Monte Carlo (HMC)
为什么对您有用: 本文属于astrostats的gateway reading。 (1) 它清晰阐述了LISA噪声谱估计这一具体天文统计问题，包括数据维度、噪声相关结构和计算瓶颈，适合作为统计学家进入该领域的入门读物。 (2) 武器库中'nonparametric statistics'和'high-dimensional asymptotics'可帮助理解其基函数展开和谱估计的渐近性质，但核心的变分推断（SGVB）不在当前武器库中，属于'暂不可做'——需要先熟悉变分贝叶斯方法。 (3) 值得花时间读全文：它提供了一个真实的多通道、长时长谱估计案例，且方法学上（变分后验 vs MCMC）的对比对理解计算-统计权衡有启发。

3. 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 6/10 · 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（symbolic regression）的方法，旨在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——自由组合候选内部坐标，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。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，并提供了留出星系泛化、校准的对称性弃权和局部斜率后验。对您而言，这是一篇优秀的 astrostatistics 入门读物：它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（神经代理→符号搜索→不确定性量化），且数据结构和模型假设（质量模型分量、噪声、选择效应）交代清楚，适合作为进入天文数据分析方向的 gateway reading。
关键技术: symbolic regression, neural surrogate with analytic derivatives, factorized symbolic search, dimensional analysis pruning, multi-dataset regression, statistical audit of structure survival
为什么对您有用: 本文属于 astrostatistics 方向的 gateway reading。它清晰阐述了天文学家关心的科学问题（从星系质量模型发现物理定律），数据侧（SPARC 星系质量模型分量、噪声、留出泛化）和模型侧（神经代理、符号搜索、量纲分析）都交代得足够自洽，适合作为统计学家进入天文数据分析的入门读物。武器库中的非参数统计和 minimax bound 工具虽不直接用于本文，但本文的统计审计（structure survival under noise）和不确定性量化思路可与您熟悉的经验过程/集中不等式知识对接，作为中期可做的方向——需先在 moderately_familiar 的 M-estimation 理论上长肌肉以理解其统计审计的严谨性。

4. 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多尺度检测模型在广域天图上定位致密和延展源；第二阶段通过专用网络估计检测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基准数据集上进行了评估，检测和表征性能具有竞争力。该工作展示了深度学习作为传统统计方法替代方案的可扩展性，但方法学上主要是现有计算机视觉技术的直接应用。对您而言，这是一篇不错的入门级天文统计读物，清晰展示了天文数据（大规模图像、多尺度源、物理参数估计）的结构和挑战，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没有直接对口问题。
关键技术: YOLO object detection, multi-scale detection, source characterization network, SKA SDC1 dataset
为什么对您有用: 这是一篇天文统计的入门级读物，适合作为gateway reading了解射电天文学的数据结构和分析挑战。文章清晰展示了数据侧（大规模巡天图像、多尺度源、噪声特性）和模型侧（检测+参数估计两阶段框架），但方法学上完全是深度学习工程应用，没有新的统计理论或计算复杂性结果。武器库中的工具（非参数统计、高维渐近、因果推断）在此没有直接对口问题，因此暂不可做——核心机器（计算机视觉/深度学习工程）不在武器库里。值得花时间读全文以建立天文统计的领域直觉，但不适合作为方法学迁移的来源。

5. 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），尤其针对物理中常见的耦合场、非线性状态和算子的情形。方法采用分段神经代理的解析导数，结合两条互补搜索路径：稀疏库路径（线性于外系数）和算子因子化路径（直接搜索方程结构而非固定库），后者能恢复稀疏库遗漏的组合律。框架支持多数据集共享支撑发现、复值/向量律、哈密顿量发现，并能从同一数据恢复方程的 Lie 点对称性（几何结构）。在 308 颗主带小行星 30 年历表上，恢复了约化开普勒层级（面积律、平方反比力、约化哈密顿量），其中旋转对称性固定了离心系数而非拟合。还提供了 57 个实值 ODE 和 26 个复值系统（含薛定谔、狄拉克方程）的基准，麦克斯韦方程组作为耦合向量 PDE 案例。对您而言，这是一篇优秀的入门级天文统计/科学发现读物，清晰展示了数据驱动定律发现的全流程（数据→定律→几何），且其神经代理+解析导数的组合对统计计算方向有启发。
关键技术: neural surrogate with analytic derivatives, sparse library regression, operator factorization, Lie point symmetry discovery, Hamiltonian discovery
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了天文数据（小行星历表）的结构、噪声和科学问题（开普勒定律的发现），并展示了从数据到定律再到几何的完整 pipeline，适合作为统计学家进入该领域的入门读物。武器库中 'nonparametric statistics' 和 'software development' 可直接用于理解神经代理的拟合与解析导数计算，而 'inverse problems with random noise' 的视角可帮助评估其 DE 发现的不确定性。值得花时间读全文，尤其关注其基准测试和对称性发现部分。

6. 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 或类似模型）将地面巡天望远镜拍摄的星系图像提升至哈勃等空间望远镜的细节水平。核心思路是利用星系形态的天然规律，训练一个以空间望远镜图像为目标的超分辨率模型，将地面望远镜的弱信号转化为清晰图像。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质量，生成了 63,202 张增强后的星系图像并公开了代码、配对训练数据和软件工具。对您而言，这是一篇典型的 astrostatistics 入门级读物，清晰展示了天文数据中图像质量与通量之间的 tradeoff，以及生成模型如何作为统计插值工具使用。
关键技术: generative adversarial networks (GANs), super-resolution imaging, image-to-image translation, paired training data
为什么对您有用: 本文属于 astrostatistics 的 gateway reading，适合作为统计学家了解天文图像数据结构的入门材料。武器库中的 nonparametric statistics 和 inverse problems 视角可用于理解超分辨率问题的统计本质（从低分辨率观测恢复高分辨率信号），但本文本身是应用导向，不涉及新统计理论。值得花时间读全文以了解天文数据 pipeline 和生成模型的实际部署方式，但无需期待方法论迁移。

7. 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 4/10 · novelty: application
摘要: 本文研究使用预训练视觉Transformer（ViT、Swin Transformer、DINOv3）对超新星光谱进行分类，目标是将光谱分为正常Ia型、其他Ia亚型和核坍缩超新星三类。核心问题是：如何将一维光谱数据编码为二维图像（线图或热力图）以适配图像架构，以及不同微调策略对分类性能的影响。实验使用4011条光谱，通过数据增强和重采样平衡类别。最佳模型（vitb-p16）在测试集上达到86.3%的macro-F1，其中正常Ia类F1为94%，其他Ia亚类为77%，核坍缩超新星为88%。主要误分类来自Ia-91T与正常Ia光谱的混淆。本文作为天文光谱分类的入门级应用工作，清晰展示了数据预处理（光谱编码为图像）、模型选择（Transformer变体）和评估流程，适合统计学家了解该领域的数据结构和分析范式。
关键技术: Vision Transformer (ViT), Swin Transformer, DINOv3, spectral image encoding, fine-tuning strategies, macro-F1 evaluation
为什么对您有用: 本文属于astrostats的gateway reading：它清晰展示了超新星光谱数据（4011条，含噪声和类别不平衡）和分类任务（三类区分），适合作为统计学家进入天文光谱分析的入门读物。武器库中的'非参数统计'和'高维渐近'虽不直接适用，但光谱分类中的特征提取和降维思路可迁移。本文方法学novelty较低（主要是应用预训练模型），但数据结构和评估流程值得一读，作为了解天文数据特点的快速入口。

经济理论 / 应用 (econ_theory, 6 篇)¶

1. 2608.24362 — Dynamic Discrete Choice and Inverse Reinforcement Learning: Inferring Preferences and Beliefs From Human Behavior¶

作者: Pranjal Rawat, John Rust
相关性 7/10 · novelty: survey
摘要: 本文综述了动态离散选择（DDC）与逆强化学习（IRL）两个领域，它们从不同学科传统出发，解决同一核心问题：从观测到的序贯行为推断决策者的偏好。两者均假设个体在马尔可夫决策过程（MDP）框架下最大化期望奖励函数。文章指出，IRL中流行的soft Q-learning框架与DDC在加性极值偏好冲击下的模型形式高度对应，产生相同的softmax（多项logit）选择概率和平滑Bellman方程。DDC侧重极大似然估计、条件选择概率估计子和策略迭代方法；IRL则发展了最大熵、对抗方法和基于深度神经网络的模型无关时序差分估计子等可扩展替代方案。文章讨论了共同的识别问题（多个奖励函数可解释同一行为）和MDP求解的维度灾难。对您而言，这是一篇经济理论与机器学习交叉的综述，可作为进入DDC/IRL领域的入门读物，但方法学新颖性有限，属于survey性质。
关键技术: Dynamic Discrete Choice, Inverse Reinforcement Learning, Markov Decision Process, Soft Q-learning, Conditional Choice Probability, Temporal Difference Learning
为什么对您有用: 本文属于经济理论（secondary interest）的gateway reading，清晰阐述了DDC与IRL的数学联系和估计方法对比，适合作为统计学家进入该方向的入门读物。武器库中的非参数统计和因果推断估计理论可帮助理解其识别问题，但核心机器（MDP求解、深度RL）不在当前武器库中，属于暂不可做方向。

2. 2608.23988 — Estimation of Random-Coefficient Dynamic Panel Data Models with a Fixed T¶

作者: Xun Tang, Pei Yu
相关性 7/10 · novelty: new_method
摘要: 本文研究固定时间维度 T 的动态线性面板数据模型，其中滞后因变量和严格外生协变量均带有个体特异系数，且时变误差具有灵活协方差结构。在分布形式的严格外生性假设下，作者点识别了随机系数与结构误差的联合分布。提出了一种基于逆 Radon 变换的闭式多步估计量，用于估计随机系数的密度函数。建立了该估计量的均匀收敛速率，并证明了时变结构误差条件密度估计量的均匀相合性。蒙特卡洛模拟展示了所提估计量在有限样本下的良好表现。该工作为经济学中常见的短面板数据提供了非参数识别与估计的新工具。
关键技术: inverse Radon transform, random coefficient panel data, point identification, uniform convergence rate, multi-step estimator
为什么对您有用: 本文属于经济理论（面板数据计量经济学）的应用工作，直接关联您的 secondary interest 中的经济理论方向。该文使用逆 Radon 变换这一非标准技术工具处理随机系数模型的识别与估计，其非参数密度估计的均匀收敛速率分析可与您非常熟悉的非参数统计和 minimax 界技术对话。作为入门读物，本文清晰阐述了短面板设定下的识别策略和估计步骤，值得花时间阅读全文以了解该领域的前沿方法。

3. 2608.23064 — Sequentially valid inference for probabilistic inflation forecasts¶

作者: Amadeo Grob, Maurizio Daniele, Johanna Ziegel
相关性 5/10 · novelty: application
摘要: 本文针对宏观经济预测中概率校准的序贯检验问题，提出基于 e-value 的序贯检验方法，实现任意有效推断（anytime-valid inference）。传统静态全样本检验在结构突变期间容易漏检校准失效，而 e-value 方法允许持续监测预测校准性而不破坏统计保证。作者将该方法应用于美国、欧元区和瑞士的通胀概率预测，发现序贯诊断在重大结构断裂期间能捕捉到静态检验遗漏的校准偏差。方法核心是 e-value 的乘积鞅性质，无需预设停止规则即可控制 I 类错误。对您而言，这是一篇经济预测领域的应用导向论文，展示了 e-value 在序贯因果推断或敏感性分析中的潜在迁移价值，但方法学 novelty 有限。
关键技术: e-values, anytime-valid inference, sequential testing, probabilistic forecast calibration, macroeconomic forecasting
为什么对您有用: 本文属于经济理论（应用）方向，是您 secondary interest 中的经济预测应用。武器库中 'estimation theory in causal inference' 中的序贯检验经验可部分迁移，但 e-value 框架本身不在您的技术库中，属于 '暂不可做'——需先熟悉 e-value 的鞅理论。作为入门读物，本文清晰展示了 e-value 在宏观预测中的应用场景，值得花时间读全文以了解序贯推断的实用价值。

4. 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: 本文研究集体机构中成员公开信号与隐藏个体选择之间的动态测量问题，目标是在缺乏行为识别（behavioral identification）的条件下分离出“语料条件性公开立场”与“将立场与参与及秘密选择联系的行为规则”。作者采用动态有序状态空间模型（dynamic ordinal state-space model）测量公开立场，并证明了一个似然排除（likelihood-exclusion）结果：若行为链接参数仅进入完全未观测结果的分布且与测量参数先验独立，则公开信号无法更新其后验，其后验等于先验。因此，声明的单调映射只能以敏感性包络（sensitivity envelopes）而非估计值或识别界的形式报告。通过内阁规模的模拟比较动态测量与静态有序模型及透明摘要，展示了时间池化的收益以及弱测量或遗漏维度下的失败。应用部分重建了斯洛文尼亚内阁一次秘密决策前的41份官方记录，仅6/21位部长有可归因信号，模型定位了一个小的可见群体，其余部分由先验主导。事件依赖性调整、编码扰动、滚动预测及后续披露记录均支持同一结论。本文对您作为经济理论（应用因果推断）的次要兴趣有直接参考价值，其似然排除结果与敏感性分析框架可迁移至您熟悉的因果推断中的部分识别问题。
关键技术: dynamic ordinal state-space model, likelihood-exclusion result, sensitivity envelopes, partial identification, Bayesian updating
为什么对您有用: 本文属于经济理论（应用因果推断）方向，直接对应您的次要兴趣。其核心似然排除结果与敏感性分析框架，可迁移至您非常熟悉的因果推断中的部分识别与敏感性分析问题（如proximal CI中的negative control假设检验）。武器库中“非参数统计”与“因果推断中的估计理论”可直接用于评估其模型假设的稳健性。中期可做：需先在“识别理论”上长肌肉（点名该项），以形式化其似然排除条件与您熟悉的IV/中介分析识别条件的异同。

5. 2608.24811 — How does hazard exposure influence job choice? Evaluating time-dependent tradeoffs between salary and hazard risks¶

作者: Richard Bernknopf, Leila Gonzales, Christopher Keane
相关性 4/10 · novelty: application
摘要: 本文研究自然灾害风险如何影响个体的工作选择决策。作者构建了一个基于离散选择模拟的求职搜索模型，将决策过程建模为一系列淘汰事件，并使用Cox比例风险模型（基于随机效用模型）进行估计。模型允许工资、犯罪率和自然灾害风险对工作淘汰概率产生时变效应。模拟数据来自个体在收入、地理、犯罪和灾害属性之间进行自适应学习的两两工作选择实验。结果表明工资和犯罪率的影响稳定且符合直觉，而自然灾害风险在早期决策轮次中显著增加淘汰概率，但在后期变得中性甚至有利。这一发现强调了将工作选择建模为多阶段过程的必要性，并揭示了环境风险在决策不同阶段的差异化评估。对您而言，本文是经济理论中应用因果推断方法的实证案例，展示了离散选择模型与生存分析的结合，可作为了解该领域数据结构和分析流程的入门读物。
关键技术: Cox proportional hazards model, Random Utility Model, discrete choice simulation, adaptive learning process, survival analysis
为什么对您有用: 本文属于经济理论（secondary interest）的应用型论文，使用离散选择模型和生存分析研究环境风险对工作选择的影响。作为入门读物，它清晰展示了经济决策中多阶段建模的思路和数据模拟流程，但方法学新颖性有限（标准Cox模型+模拟）。武器库中的非参数统计和因果推断工具可帮助理解其模型设定，但本文不涉及您擅长的效率理论或高维方法，属于暂不可做方向——核心机器（离散选择计量经济学）不在武器库中，但作为跨领域阅读值得花时间浏览全文。

6. 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）系统扩散中家庭的前瞻性采纳决策。模型将采纳行为建模为家庭在当期安装与延迟安装之间的经济权衡，受投资回报率和邻居采纳影响驱动。家庭按房屋价值和城市化水平分层，并纳入未观测异质性，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，评估不同回扣设计的效果。关键发现是：限时回扣比长期、成本更高的计划能产生更多采纳和减排，这一反直觉结果源于前瞻性行为、邻居影响和回扣到期前的加速采纳。该框架可推广至其他耐用品技术采纳研究。对您而言，本文展示了结构计量经济学模型在政策评估中的应用，与您对经济理论（应用因果推断）的次要兴趣直接相关，可作为理解动态离散选择模型与因果推断结合的入门读物。
关键技术: dynamic structural model, forward-looking household decision, Bayesian estimation, counterfactual policy simulation, spatiotemporal diffusion
为什么对您有用: 本文属于经济理论（应用因果推断）的次要兴趣领域，是动态结构模型在政策评估中的典型应用。您的武器库中'估计理论在因果推断中的应用'（very_familiar）可直接用于理解其贝叶斯估计和反事实模拟框架，但动态规划求解和结构模型识别（moderately_familiar的M估计理论）可能需要先熟悉。作为入门读物，本文清晰展示了数据、模型和反事实推理链条，值得花时间读全文以拓展结构计量经济学视野。

其他 (other, 7 篇)¶

1. 2608.23150 — Spectral stability of empirical metric-measure Laplacians¶

作者: Vincent Divol
相关性 6/10 · novelty: new_theory
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。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，将经验特征值与总体特征值的相对误差界控制在 1/√(n v_μ(h)) 量级，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，涵盖度量图、具有规则边界/角点/分支点的空间及其离散化/加厚版本，远弱于传统流形密度正则性假设。即使对于流形上正则性 s>2 的密度，该结果也去掉了现有最优界中的对数因子。本文主要工具是概率测度的集中不等式与谱理论，未涉及因果推断或高维统计的典型设定。
关键技术: graph Laplacian, spectral stability, coarse PI measures, concentration inequalities, nonparametric spectral estimation
为什么对您有用: 本文属于非参数统计与谱方法的理论交叉，与 primary interest 中的非参数理论有概念关联，但核心问题（谱估计的方差稳定性）与您的主要研究方向（因果推断、高维统计、U-统计量）距离较远。武器库中非参数统计和 minimax 界的经验可帮助理解其 bound 的紧性，但本文不涉及因果识别、效率理论或计算复杂性，属于暂不可做的方向。建议作为非参数谱方法的前沿阅读，但不需深入跟进。

2. 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: 本文提出了一类新的回归模型，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。模型能够表示广义似然比统计量。尽管朴素实现需要 O(n^4) 复杂度，但作者通过算法优化，在假设最大区间宽度的条件下，将复杂度降至线性时间。特别地，基于 Nadaraya-Watson 核回归的方法在合成异常检测和真实干涉天文数据中的“platforming”问题识别上表现有效。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。
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天文学应用的交叉领域。作为 astrostatistics 的入门读物，它清晰地阐述了扫描统计量在天文信号处理中的具体问题（干涉测量中的 platforming 异常），并展示了算法优化（从 O(n^4) 到线性时间）的实际价值。武器库中的“软件开发和逆问题”可直接用于复现或改进其算法，但核心方法（扫描统计量）并非研究者主要兴趣方向，且无新的统计理论贡献，因此暂不可做后续研究。

3. 2608.23960 — Learning from Uncertainty-dependent Missing Labels for Semi-supervised Classification¶

作者: You-Gan Wang, Jinran Wu, Geoffrey J. McLachlan
相关性 5/10 · novelty: new_theory
摘要: 本文研究半监督分类中标签缺失概率依赖于后验分类不确定性的设定。在此设定下，缺失指示器不仅是未观测标签的记录，更是由分类器相关机制生成的可观测信号。作者发展了基于似然的信息理论，在正确设定下导出了Fisher信息分解，将部分标签成分与非负的机制曲率项分离；在联合误设定下得到了Godambe-Eicker-Huber-White敏感性和三明治协方差分解。论文还澄清了相关完全数据基准：有利的缺失机制可以比普通全标签或预算匹配的非信息性标签基线提供更多信息，但不能超过同时观测标签和机制指示器的增强实验。对于plug-in分类器，信息分解与基于边界的超额风险界相联系，在正则双成分混合设定下得到参数化n^{-1}的超额风险率。高斯混合计算和医学诊断示例说明了不确定性依赖的标签机制如何在固定标签预算下改进估计和分类。
关键技术: Fisher information decomposition, Godambe-Eicher-Huber-White sandwich covariance, semi-supervised classification, missing not at random (MNAR), plug-in classifier, excess-risk bound
为什么对您有用: 本文属于半监督分类的统计理论，与您的主要兴趣（统计推断、假设检验）有间接联系，但核心设定（标签缺失机制依赖于分类不确定性）并非您直接研究的因果推断或高维统计方向。武器库中的非参数统计和M估计理论可用于理解其信息分解的稳健性，但该文的方法论核心（似然信息理论）与您的技术栈重叠有限。暂不可做——核心机器（缺失数据机制的信息几何、分类不确定性建模）不在武器库中。

4. 2608.25186 — Log-regularly varying scale mixture of asymmetric Laplaces for robust Bayesian quantile regression¶

作者: Dongu Han, Genya Kobayashi, Shonosuke Sugasawa
相关性 4/10 · novelty: new_method
摘要: 本文提出一种稳健贝叶斯分位数回归方法，针对非对称拉普拉斯（AL）分布指数衰减尾对极端值敏感的问题。核心贡献是构造了AL分布与对数Pareto尺度混合AL（LPAL）的有限混合分布，该分布既保持目标分位数不变，又具有对数正则变化的重尾行为。LPAL分量在目标分位数处密度无界，形成中心尖锐集中与超重尾的组合。理论部分证明了在任意极端污染下后验稳健性，并给出了回归系数和尺度参数后验矩存在的充分条件。计算上开发了基于潜变量增广的Gibbs采样器和平均场变分贝叶斯近似。模拟表明该方法在中等污染下具有竞争力，在严重污染时能保持稳定点估计和较集中的后验区间。应用案例包括CO2和波士顿房价数据。
关键技术: Bayesian quantile regression, asymmetric Laplace distribution, log-Pareto scale mixture, posterior robustness, mean-field variational Bayes
为什么对您有用: 本文属于贝叶斯分位数回归的稳健方法，与您的主要兴趣（因果推断、高维统计）无直接关联。作为gateway阅读，它展示了重尾分布与分位数回归的结合，但武器库中缺少贝叶斯计算和变分推断的核心工具，暂不可做。

5. 2608.25083 — A Unified Framework for Heterogeneity, Contamination, and Missing Data in Multivariate Regression¶

作者: Hung Tong, Cristina Tortora, Antonio Punzo
相关性 4/10 · novelty: application
摘要: 本文提出一个统一框架，同时处理多元回归中的异质性（潜在分组）、数据污染（异常值、杠杆点）和缺失数据（MAR）。模型将协变量视为随机变量，扩展了 contaminated Gaussian cluster-weighted model (CG-CWM)，在聚类回归中区分正常点、异常值、好杠杆点和坏杠杆点。估计采用 expectation-conditional maximization (ECM) 算法，同时处理四类不完全信息：缺失响应和协变量、未知成分归属、潜在污染指标。在污染指标条件下，响应和协变量的联合分布为多元高斯，缺失值的条件分布有闭式解，缺失不确定性直接纳入参数更新，无需预插补。数值实验和真实数据应用验证了模型在不同污染水平和缺失模式下的表现。对您而言，这是一篇应用导向的多元统计建模工作，方法学 novelty 有限（主要是模型扩展和 ECM 实现），与您的主要兴趣（因果推断、高维、U-统计量）无直接交集，但可作为处理缺失数据和异常值检测的参考。
关键技术: ECM algorithm, cluster-weighted model, contaminated Gaussian distribution, missing at random (MAR), leverage point detection
为什么对您有用: 本文属于多元统计建模的应用扩展，与您的主要兴趣方向（因果推断、高维统计、U-统计量）无直接技术交集。武器库中的工具（如非参、minimax 界）无法直接攻入此文的模型设定。暂不可做——核心机器（ECM 算法、污染高斯混合模型）不在您的武器库中。可作为流行病学或经济学应用中处理缺失数据和异常值的参考，但不值得深入精读。

6. 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: 本文提出局部蒸馏（local distillation）框架，旨在兼顾现代AI模型（如梯度提升集成、表格基础模型）的高预测精度与局部线性模型的可解释性。核心思想是：在每个查询点，用一个正则化线性“学生”模型拟合由黑箱“教师”模型定义的局部加权数据，其中教师通过预测相似性定义局部权重，并将自身预测作为伪观测值加入目标函数，其权重由数据估计。为进行统计推断，作者在局部目标函数中加入少量高斯随机化，通过多次重拟合评估特征选择稳定性：选择频率识别可靠特征，聚类随机化拟合结果识别数据中的稳定子组。在Lasso惩罚下，论文证明了该随机化方法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，局部蒸馏几乎匹配教师模型的精度，同时为每个测试点生成稀疏线性模型；在高维癌症基因表达示例中，该方法识别出不同子组使用不同基因的局部模型，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。本文是方法学贡献，但主题与您的主要兴趣（因果推断、高维统计、U统计量等）无直接交集，属于可读性较好的可解释AI方法论文。
关键技术: local distillation, regularized linear model, 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方向，与您的主要兴趣交集有限。作为gateway reading，本文对统计学家友好：问题设定清晰（局部线性近似），方法机制透明（教师定义局部性、随机化评估稳定性），理论结果（特征选择概率稳定性）简洁可读。但您的武器库（非参、高维、U统计量）与本文核心机器（局部加权Lasso、随机化稳定性）有距离，暂不可做直接follow-up。若您对可解释AI作为科普阅读感兴趣，本文值得一读；若追求方法学迁移，则优先级不高。

7. 2608.21665 — A Sparse-Group Pliable Lasso¶

作者: Mohammad Javad Davoudabadi, Minh Long Nguyen, Amirhossein Ghatari, Mina Aminghafari, Kerrie Mengersen
相关性 4/10 · novelty: new_method
摘要: 本文提出稀疏组可塑套索（SGPL），扩展了可塑套索和组可塑套索，通过结合稀疏组正则化和预测变量级别的耦合惩罚，实现同时的组级选择、组内稀疏性以及主效应与交互效应之间的层次结构。作者提出了一种块坐标下降算法来拟合SGPL，利用目标函数的凸性和结构，建立了凸性和Karush-Kuhn-Tucker最优性条件，并证明算法收敛到全局最小值。模拟研究表明，与可塑套索和组可塑套索相比，SGPL具有竞争性的预测性能和更小的交互效应估计误差，尽管在支持恢复上存在预期的精确率-召回率权衡。通过帕金森病肠道微生物组研究和癌症基因组图谱的肾上腺皮质癌拷贝数数据集进一步说明了该方法。帕金森应用识别了微生物丰度与饮食变量之间可解释的交互作用，而ACC应用表明，组结构正则化的有效性取决于预指定分组与潜在信号结构的匹配程度。本文主要贡献在于提出了一种新的正则化方法和计算算法，属于方法学应用，但理论深度有限，对您的高维统计或因果推断兴趣方向连接较弱。
关键技术: sparse-group lasso, pliable lasso, blockwise coordinate descent, group-level selection, hierarchical regularization
为什么对您有用: 本文属于高维统计中的正则化方法扩展，与您的高维统计兴趣方向有弱连接，但核心方法（稀疏组可塑套索）并非您武器库中的核心工具（如U-统计量、半参效率理论）。该论文主要贡献在于算法和实证应用，理论新颖性有限，属于中期可做方向：需先在 moderately_familiar 的 M-估计理论上长肌肉才能深入分析其收敛性质。

🗂 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. 2608.25172 — Spatially orthogonal factor models for spatial transcriptomics and remote sensing data¶

作者: Dan Cunha, Lukas M. Weber, Mark A. Friedl, Luis Carvalho
相关性 3/10
评分理由: Spatial factor models for transcriptomics/remote sensing are outside primary interests and arsenal.

2. 2608.24452 — A latent space network model for dynamic neural latent embedding¶

作者: Riccardo Rastelli, Shizhe Chen
相关性 3/10
评分理由: Latent space network model for neural data is outside primary interests and arsenal.

3. 2608.24371 — Groupwise Predictor Envelope Models for Multivariate Linear Regression¶

作者: Sota Osumi, Akira Okazaki, Shuichi Kawano
相关性 3/10
评分理由: Envelope methods for grouped regression are not a primary interest and use different machinery.

4. 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 3/10
评分理由: Focuses on compositional data and mixture models, which is unrelated to primary or secondary interests.

5. 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: Penalized likelihood for density estimation via compositional splines is not aligned with primary or secondary interests.

6. 2608.22763 — An Anchored Logistic Family for Bounded Trait Measurement and Growth: Origin Before Unit¶

作者: Jaehwa Choi
相关性 3/10
评分理由: 讨论潜变量模型中的锚定问题，属于心理测量学，与研究者兴趣领域无关。

7. 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: 随机反应网络的敏感性分析，与主要兴趣领域无关，且方法（耦合）不在技术武库中。

8. 2608.22422 — Nearest-Neighbor Non-Gaussian Processes for Geostatistical Modeling¶

作者: Penghui Fu, Yuhan Dong, Jianhua Z. Huang
相关性 3/10
评分理由: 地统计建模的非高斯过程，与主要兴趣领域无关，且方法（贝叶斯非参数）不在武库中。

9. 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: Spatial functional quantile regression; unrelated to primary interests.

10. 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 3/10
评分理由: 主题为生存分析中的治愈率模型，与主要兴趣（因果推断、高维统计等）无关，且方法（单调似然修正）不在技术武库中。

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: 主成分分析应用于宏观经济数据，与主要兴趣领域（因果推断/高维统计）关联不大。

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: 聚焦于状态空间模型的拒绝采样算法，属于计算统计，但与主要兴趣（因果推断、高维统计）无直接关联。

13. 2608.25134 — Capra: Scalable HEALPix-Native Intensity Reconstruction for High-Resolution IMAP Analyses¶

作者: Nikola Bukowiecka, Daniel B. Reisenfeld, Maciej Bzowski
相关性 3/10
评分理由: 纯天体物理数据处理管道，无统计方法创新，与研究者兴趣无关。

14. 2608.25113 — TESSExtractor: A web-based interactive tool for light-curve visualisation and period estimation using TESS full-frame images¶

作者: Javier Serna, Jesús Hernández, Sean P. Matt, Giovanni Pinzón, Astaroth Elizabethson, Jorge Martínez-Palomera et al.
相关性 3/10
评分理由: 天文数据工具，方法简单（Lomb-Scargle），无统计理论贡献。

15. 2608.25075 — A Singular Value Decomposition Framework for Jovian Radio Emissions from Parker Solar Probe¶

作者: Evan Wille, Zack Li, Marc Pulupa, Leon V. E. Koopmans, Philippe Zarka, Stuart Bale
相关性 3/10
评分理由: 信号提取应用，SVD方法基础，无统计理论或因果推断连接。

16. 2608.24438 — No need to modulate: On-sky results of a Neural Network enhanced pyramid wavefront sensor and prospects for the ELTs¶

作者: Rico Landman, Liam Koning, Sebastiaan Y. Haffert, Joseph D. Long, Jared R. Males, Matthijs Mars et al.
相关性 3/10
评分理由: 使用神经网络进行波前重构，有机器学习应用但无统计推断或因果方法。

17. 2608.24315 — Quantum-optimal instruments for high-contrast imaging with multi-plane light converters¶

作者: Sebastiaan Y. Haffert, Yinzi Xin, Rico Landman
相关性 3/10
评分理由: 涉及量子最优测量和波前传感，但无统计推断或数据建模，与研究者兴趣无关。

18. 2608.24969 — Connecting Granulation and Magnetic Activity in Radial Velocities: The Next Breakthrough for High-Precision Spectroscopy¶

作者: Ancy Anna John, Khaled Al Moulla, Federica Rescigno, Carmen San Nicolas Martinez, Andrew Collier Cameron, Thomas G. Wilson et al.
相关性 3/10
评分理由: 讨论恒星变异性对径向速度测量的影响，但仅为会议总结，无具体方法或数据，与研究者兴趣无关。

19. 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: 天文图像处理流水线，自动化方法，但缺乏统计建模或数据/模型层面的清晰阐述。

20. 2608.23825 — Efficient Bayesian Inference for Benter Models on Ranked Data¶

作者: Michael Pearce
相关性 2/10
评分理由: Bayesian inference for ranking models is outside the researcher's stated interests and arsenal.

21. 2608.22375 — Exploring complex dependence structures using Bayesian bi-clustering and log-linear graphical modelling¶

作者: Michail Papathomas
相关性 2/10
评分理由: 贝叶斯双聚类和log-linear图模型，与主要兴趣领域无关。

22. 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 unrelated to primary interests.

23. 2608.23859 — Ranking by points and ordinal models¶

作者: Leszek Szczecinski
相关性 2/10
评分理由: 主题为体育排名的序数模型，与主要兴趣（因果推断、高维统计等）无关，且方法（相邻类别模型）不在武库中。

24. 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: 矩阵整数值时间序列模型，与主要兴趣（因果/高维/非参数）无关，属于不相关子领域。

25. 2608.23420 — Systematic Bias in Green Patent Classification: Silent Green and False Green¶

作者: Hamid Bekamiri, Jan Auernhammer, Milad Abbasiharofteh, Jesper Lindgaard Christensen
机构: Aalborg University · Technical Design (United States)
相关性 2/10
评分理由: 专利分类中的测量误差，与主要统计兴趣（因果推断/高维统计）无关。

26. 2608.25173 — Deep Learning-Based Coarse Alignment and Cophasing of a Distributed-Aperture Telescope. Application to the Small ExoLife Finder (SELF)¶

作者: N. Arteaga-Marrero, J. Iborra-Luis, A. Padrón-Brito, J. Kuhn
相关性 2/10
评分理由: 深度学习在天文望远镜对准中的应用，缺乏统计方法论或清晰的数据/模型阐述，不符合天文统计的入门阅读标准。

27. 2608.25111 — CCAT: The Prime-Cam Instrument for the Fred Young Submillimeter Telescope -- Overview and Status¶

作者: Eve M. Vavagiakis, Yuhan Wang, Lawrence T. Lin, Manuel Aravena, Jason E. Austermann, Frank Bertoldi et al.
相关性 2/10
评分理由: 仪器描述，无数据或统计方法，与研究者兴趣无关。

28. 2608.25045 — Study of Vibrations at SOAR¶

作者: Andrei Tokovinin
相关性 2/10
评分理由: 望远镜振动工程分析，无统计方法或数据建模，不相关。

29. 2608.26202 — Engineering of titanium transition edge sensor wafers for the BA4-90/150 receiver of BICEP Array¶

作者: A. Patel, P. A. R. Ade, Z. Ahmed, M. Amiri, D. Barkats, R. Basu Thakur et al.
相关性 2/10
评分理由: 探测器工程，无统计或数据科学内容，不相关。

30. 2608.25015 — Status of BICEP Array and Integration of the 220/270 GHz Receiver¶

作者: A. Steiger, The BICEP/Keck Collaboration, P. A. R. Ade, Z. Ahmed, M. Amiri, D. Barkats et al.
相关性 2/10
评分理由: CMB实验状态报告，无统计方法或数据建模，不相关。

31. 2608.25014 — Optics and broadband anti-reflection coatings for the BA4-90/150 receiver¶

作者: A. R. Polish, P. A. R. Ade, Z. Ahmed, M. Amiri, D. Barkats, R. Basu Thakur et al.
相关性 2/10
评分理由: 光学镀膜工程，无统计或数据科学内容，不相关。

32. 2608.24459 — A high-isolation wideband channelizer for MKID readouts: a custom HLS implementation on RFSoC¶

作者: Alberto Hernandez Fernandez, David Diaz Martin, Jose Javier Diaz Garcia, Roger John Hoyland, Luis Fernando Rodriguez Ramos, Diego Portero Rodriguez et al.
相关性 2/10
评分理由: 涉及信号处理硬件实现，但无统计推断或计算复杂度分析。

33. 2608.24445 — Forward modelling coronagraphic images with a fully physical, differentiable digital twin of MagAO-X: first laboratory results¶

作者: Matthijs Mars, Sebastiaan Y. Haffert, Louis Desdoigts, Joseph D. Long, Rico Landman, Jared R. Males et al.
相关性 2/10
评分理由: 天文图像后处理，涉及PSF建模但方法为物理光学，非统计。

34. 2608.24343 — Digging dark holes on-sky with the Self-Coherent Camera: Preliminary results¶

作者: Elena Tonucci, Sebastiaan Y. Haffert, Jared R. Males, Laird M. Close, Kyle van Gorkom, Olivier Guyon et al.
相关性 2/10
评分理由: 高对比成像中的波前控制，方法为光学而非统计。

35. 2608.24339 — On-sky demonstration of self-learning predictive control with MagAO-X¶

作者: Sebastiaan Y. Haffert, Jared R. Males, Parker T. Johnson, Laird M. Close, Olivier Guyon, Jay Kueny et al.
相关性 2/10
评分理由: 纯天文仪器工程论文，无统计方法或数据建模内容，与研究者兴趣无关。

36. 2608.24333 — Sub-diffraction-limited coronagraphic imaging with nano-printed PIAACMC phase masks¶

作者: Elena Tonucci, Sebastiaan Y. Haffert, Warren B. Foster, Jared R. Males, Olivier Guyon, Laird M. Close et al.
相关性 2/10
评分理由: 纯光学/仪器设计论文，无统计或数据建模内容，与研究者兴趣无关。

37. 2608.24324 — The final design of GMagAO-X: the wavefront sensing and control (WFS&C) architecture of GMagAO-X¶

作者: Sebastiaan Y. Haffert, Jared R. Males, Laird M. Close, Olivier Guyon, Olivier Durney, Maggie Kautz et al.
相关性 2/10
评分理由: 纯天文仪器工程论文，无统计方法或数据建模内容，与研究者兴趣无关。

38. 2608.24308 — The Photonic Lantern Nuller: from concept to laboratory and on-sky demonstrations¶

作者: Yinzi Xin, Nemanja Jovanovic, Dimitri Mawet, Daniel Echeverri, Yoo Jung Kim, Jonathan Lin et al.
相关性 2/10
评分理由: 纯天文仪器论文，无统计方法或数据建模内容，与研究者兴趣无关。

39. 2608.24289 — Demonstration of simultaneous PIAA- coronagraphy and wavefront sensing using a single metasurface-based focal-plane optic¶

作者: Dhwanil Patel, Sebastiaan Y. Haffert, Skyler Palatnick, Adam Taras, Maxwell A. Millar-Blanchaer, Matthijs Mars et al.
相关性 2/10
评分理由: 纯光学/仪器设计论文，无统计方法或数据建模内容，与研究者兴趣无关。

40. 2608.24071 — Validation and extension of the PAWS Zemax model as a first step in the development of a Compact Arrayed Waveguide Stacked Multi-Object Spectrograph (CAWSMOS)¶

作者: Fabienne Mangelsdorff, Andreas Stoll, Lars Zimmermann, Stefan Lischke, Riya M. Pattery, Kalaga Madhav et al.
相关性 2/10
评分理由: 纯光学仪器设计论文，无统计方法或数据建模内容，与研究者兴趣无关。

41. 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: 纯天文学方法论文，与统计兴趣无直接关联。

42. 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 2/10
评分理由: 纯天文仪器论文，讨论光栅伪影，与统计方法或因果推断等主要兴趣无关。

43. 2608.25184 — Spatially Scanned STIS Spectra of the Exoplanet Host Star 55 Cnc¶

作者: D. E. Welty, J. D. Lothringer, D. K. Sing, A. M. Jones, A. Riley, C. R. Proffitt
机构: Space Telescope Science Institute · Johns Hopkins University · BAE Systems (Sweden)
相关性 1/10
评分理由: 纯天体物理学光谱分析，无统计方法论或数据/模型阐述，不符合天文统计的入门阅读标准。

44. 2608.25013 — Advanced Time-Division Multiplexed Readout Chain for the BICEP Array 90/150 GHz Receiver¶

作者: B. Cantrall, P. A. R. Ade, Z. Ahmed, M. Amiri, D. Barkats, R. Basu Thakur et al.
相关性 1/10
评分理由: 纯天文仪器硬件论文，无统计或因果推断内容。

45. 2608.25012 — Optical characterization of the BICEP array 150 and 220/270GHz CMB polarimeters in the 2026 season¶

作者: M. Izquierdo Poza, P. A. R. Ade, Z. Ahmed, M. Amiri, D. Barkats, R. Basu Thakur et al.
相关性 1/10
评分理由: 纯天文仪器系统学描述，无统计或因果推断内容。

46. 2608.24661 — NIRC2-Pol: First Light of Near-Infrared Polarimetry on Keck II¶

作者: Briley L. Lewis, Manxuan Zhang, Maxwell A. Millar-Blanchaer, Eduardo Marin, Jayke S. Nguyen, Carlos Alvarez et al.
相关性 1/10
评分理由: 天文仪器升级报告，无数据建模或统计方法。

47. 2608.24442 — NEXT: The Netherlands EXoplanet Testbed I. Goals and opto-mechanical design¶

作者: Rico Landman, Sebastiaan Haffert, Louis Desdoigts, Matthijs Mars, Dhwanil Patel, Daniel Smith et al.
相关性 1/10
评分理由: 高对比成像测试台设计，纯光学工程，无统计内容。

48. 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 1/10
评分理由: 射电天文学信号处理算法，与统计兴趣无关。

49. 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: 天文学数据提取工具，与统计兴趣无关。

50. 2608.22172 — Modeling the technical specifications for future multi-object spectroscopy instrumentation¶

作者: Ummee Tania Ahmed, Andrew Hopkins, Simon Ellis
相关性 1/10
评分理由: 天文仪器建模代码，纯工程问题，无统计或数据科学内容。

51. 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 1/10
评分理由: 探测器图像持久性标记，纯仪器校准，与统计兴趣无关。

52. 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: 天文仪器设计报告，纯工程，无统计或数据科学内容。

53. 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: Pure photonic instrumentation for astronomy, no statistical or causal inference content.

54. 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-ray polarimetry mission concept, no statistical methodology or data analysis exposition.

55. 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: Lunar camera hardware report, no statistical or causal inference content.

56. 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: 卫星亮度观测报告，与统计兴趣完全无关。

57. 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: 望远镜自适应光学硬件测试平台，与统计兴趣完全无关。

58. 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: 引力波探测器噪声模拟，与统计兴趣完全无关。

Maintained by 陈星宇 · Homepage · Source on GitHub

2026-08-25 每日 arXiv 资讯¶

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 12 篇)¶

1. 2608.20779 — Candidate Set Size and Voting Behavior: A Front-Door Approach to Causal Moderation¶

2. 2608.24602 — Toward a Semiparametric Efficiency Theory under Equality Constraints in Nested Markov Models¶

3. 2608.23971 — Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach¶

4. 2608.23472 — Evaluating the effects of policy interventions subject to early adoption: A case study of prescription drug monitoring programs and opioid dispensing¶

5. 2608.23453 — Transporting Randomized Trial Effects to Real-World Populations via Riesz-Calibrated Optimal Transport¶

6. 2608.22608 — Estimating Pathway Treatment Effects in the Presence of Intermediate Events with Multi-State Data¶

7. 2608.22024 — Barycentric Fused Gromov-Wasserstein Balancing for Causal Inference under Multiple Treatments¶

8. 2608.23615 — Optimal Variance Reduction in Randomized Experiments¶

9. 2608.20976 — From Cumulative Weights to Marginal Density Ratios: Per-Protocol Estimation in Sequential Target Trial Emulation¶

10. 2608.20744 — Heterogeneous Effects of Continuous Treatments via Conditional Modified Treatment Policies¶

11. 2608.23508 — Testing selection on observables in parametric models with refreshment samples¶

12. 2608.22286 — Uniform Inference on Quantile Effects under Network Interference¶

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 12 篇)¶

1. 2608.24085 — Orthogonal double residual learning for optimal individualized treatment rules¶

2. 2608.22957 — Identification and Inference for Causal Effects in Extremes under General Conditions¶

3. 2608.22890 — Randomization tests for model specification in causal inference under network interference¶

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

5. 2608.23612 — Estimating the True Effect Size Distribution with SIMEX¶

6. 2608.22706 — Double/Debiased Machine Learning for Functional-Form-Robust Spatial Autoregression¶

7. 2608.22605 — Closed-form estimation and uniform inference in additively separable triangular models with a nonseparable first stage¶

8. 2608.24038 — CUPED on Steroids: Multivariate Covariate Adjustment for Switchback Experiments¶

9. 2608.22570 — Optimal Experimental Design for Network Experiments under Interference¶

10. 2608.23925 — Repairing Locally Misspecified GMM: An Empirical Bayes Approach¶

11. 2608.22732 — Logistic Regression Equivalent Weights for Survey Inference: Construction and Asymptotic Properties¶

12. 2608.22499 — Fixed-\(T\) Dynamic Spatial Panel Model with Common Shocks¶

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 2608.24847 — On the privacy cost for dependent Gaussian data: spectral density estimation under local differential privacy¶

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¶

2. 2608.24450 — Maximum effective dimension and information gain¶

3. 2608.22170 — Functional Multiple-Set Canonical Correlation Analysis Revisited: From Finite-Dimensional Samples to Infinite-Dimensional Populations¶

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

1. 2608.23793 — Approximating the null distribution of generalized distance covariance¶

2. 2608.21694 — Gaussian-efficient testing by betting on the mean of bounded data¶

3. 2608.21557 — Outlier Impact: Detection by Consequences¶

4. 2608.21267 — Further Results on Controlling the False Discovery Rate in Two-Sided Gaussian Mean Testing¶

5. 2608.20727 — A Multiscale Ball Test for Conditional Mean Independence¶

6. 2608.23513 — Asymptotics for Model Selection in Probabilistic Principal Component Analysis¶

7. 2608.23315 — Classification testing: A new framework for drawing qualitative conclusions from quantitative estimates¶

8. 2608.22265 — Exact grid-free confidence-region computation from dependent p-value functions under arbitrary dependence¶

9. 2608.24194 — Testing for Stable Intervals in Non-Stationary Time Series¶

10. 2608.22165 — Robust Scale Estimation in Additive Noise via Weighted Order Statistics¶

11. 2608.22002 — Uniformly Valid Inference Under Interactive and High-Dimensional Constraints¶

12. 2608.24230 — Wild Bootstrap and Efron's Bootstrap for Debiased Cox Regression¶

13. 2608.22554 — Detection of Cognitive Diagnostic Model Misspecification using New Lancaster-Chesher Information Matrix Tests¶

14. 2608.22905 — Pre-Disclosure Experiment Menus: Oracle-Relative Risk and Joint Sample--Menu Asymptotics¶

15. 2608.23257 — How Replicable Are Statistically Significant Findings?¶

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

17. 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)¶

18. 2608.21122 — LABS: Extending the scope of binary segmentation via a look-ahead device¶

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¶

2. 2608.23802 — Graph-dependent shrinkage priors for Bayesian trend filtering¶

天体统计 (astrostats, 7 篇)¶

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

2. 2608.22245 — Variational Bayesian Inference for the Spectral Structure of LISA Noise¶

3. 2608.21051 — NestyNet. III. Symbolic Regression from Analytic Neural Surrogates¶

4. 2608.21474 — Radio Galaxies detection and characterization using deep learning techniques¶

5. 2608.21491 — NestyNet. IV. Laws Chosen by Nothing in Advance¶

6. 2608.20666 — Amplifying the imaging power of digital sky surveys with space telescopes data and generative AI¶

7. 2608.21520 — On the performance of pre-trained vision transformers for supernova spectral classification using different spectral representations¶

经济理论 / 应用 (econ_theory, 6 篇)¶

1. 2608.24362 — Dynamic Discrete Choice and Inverse Reinforcement Learning: Inferring Preferences and Beliefs From Human Behavior¶

2. 2608.23988 — Estimation of Random-Coefficient Dynamic Panel Data Models with a Fixed T¶

3. 2608.23064 — Sequentially valid inference for probabilistic inflation forecasts¶

4. 2608.21077 — Public Signals, Concealed Choices: Dynamic Measurement without Behavioral Identification¶

5. 2608.24811 — How does hazard exposure influence job choice? Evaluating time-dependent tradeoffs between salary and hazard risks¶

6. 2608.23796 — Accelerating the Adoption of Residential Solar Power Systems: Policy Analysis using a Dynamic Structural Model¶

其他 (other, 7 篇)¶

1. 2608.23150 — Spectral stability of empirical metric-measure Laplacians¶

2. 2608.22201 — Efficient Regression Models for Scan Statistics¶

3. 2608.23960 — Learning from Uncertainty-dependent Missing Labels for Semi-supervised Classification¶

4. 2608.25186 — Log-regularly varying scale mixture of asymmetric Laplaces for robust Bayesian quantile regression¶

5. 2608.25083 — A Unified Framework for Heterogeneity, Contamination, and Missing Data in Multivariate Regression¶

6. 2608.23538 — Interpretable AI with Local Distillation¶

7. 2608.21665 — A Sparse-Group Pliable Lasso¶