2026-08-26 每日 arXiv 资讯¶

高相关论文 14 篇 · 中相关 66 篇 · 其他 59 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 10 篇)¶

1. 2608.25720 — Endogenous Selection and Spillovers: Bayesian Inference for Policy-Relevant Causal Effects¶

作者: Duong Trinh
相关性 9/10 · novelty: new_method
摘要: 本文针对存在内生选择（endogenous selection）和网络/空间溢出效应（spillover）的因果推断问题，提出了一个Spillover Roy模型。该模型联合建模个体对处理的内生选择（基于潜在抵抗水平）和潜在结果，并通过低维暴露映射（exposure mapping）刻画邻居处理状态的溢出效应。在此框架下，定义了政策相关的直接效应、溢出效应和总效应，并证明总效应可分解为政策诱导参与的直接成分和邻居处理暴露变化的溢出成分。估计和推断采用贝叶斯数据增广算法（参数扩展），实现异质性因果效应和政策反事实的后验计算与不确定性量化。应用于美国机会区（Opportunity Zones）项目，发现对住房开发有正向直接效应但溢出效应有限，且政策扩展存在边际收益递减。该工作对您关注的因果推断中IV/mediation/纵向设定之外的网络干扰（interference）和选择偏差问题提供了可借鉴的建模和计算框架。
关键技术: Spillover Roy model, exposure mapping, Bayesian data augmentation with parameter expansion, policy-relevant causal effects decomposition, network interference
为什么对您有用: 直接连接您primary interest中的因果推断（特别是网络干扰和选择偏差这一子方向）。您的武器库中'identification theory in causal inference'和'M-estimation theory'可用来分析该Roy模型的可识别性条件，而'computation of higher-order U-statistics (treewidth/tensor contraction)'可尝试将贝叶斯后验计算中的高维积分转化为张量收缩问题以加速。中期可做：需先在moderately_familiar的'identification theory'上深入理解网络干扰下的识别策略，再考虑将贝叶斯方法替换为频率学派的正交估计（如DML）以降低计算复杂度。

2. 2608.26411 — Marginal Structural Models for Electricity Demand under Treatment-Confounder Feedback: A Continuous-Treatment Outcome-Adaptive and Fused LASSO Approach¶

作者: Shalini Jayanetti, Sumeet Kalia
相关性 8/10 · novelty: new_method
摘要: 本文在时间序列设定下估计温度对电力需求的因果效应，目标 estimand 是连续型温度处理对日度电力需求的边际结构模型（MSM）参数。核心挑战是温度与天气变量（降水、云量等）之间存在 treatment-confounder feedback，即当前温度影响未来天气，而天气又是时变混杂，导致标准回归因条件于时变混杂而产生偏倚。方法上，作者将纵向 outcome-adaptive LASSO 和 adaptive fused LASSO 从二元处理扩展到连续处理，使用密度比权重（density-ratio weights）和加权协方差平衡准则进行变量选择，再结合逆概率加权（IPW）估计 MSM 参数。蒙特卡洛模拟显示，未调整回归的覆盖率为 0.12–0.15，而 stabilized outcome-adaptive 估计量几乎无偏且覆盖率接近 0.92。在 Ontario 2018–2019 数据中，所有估计量均识别出显著的正二次温度效应，但累积三日估计量因 positivity 限制和空气密度共线性而偏小。本文对您有用：它展示了在流行病学常用的 MSM 框架下处理连续型处理和时变混杂的变量选择方法，与您 causal inference 中 longitudinal 和 sensitivity analysis 的兴趣直接相关，且 outcome-adaptive LASSO 的扩展思路可迁移至您熟悉的 IV 或 mediation 设定。
关键技术: marginal structural model, inverse-probability weighting, outcome-adaptive LASSO, adaptive fused LASSO, density-ratio weights, treatment-confounder feedback
为什么对您有用: 本文连接您 primary interest 中的 longitudinal causal inference 和 sensitivity analysis，具体是 MSM 在连续型处理下的变量选择问题。您 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 可直接用于分析其 IPW 估计量的渐近性质（如是否达到 semiparametric efficiency bound），而 moderately_familiar 的 identification theory 可帮助评估其 positivity 假设的合理性。中期可做：若想将 outcome-adaptive LASSO 扩展到您熟悉的 HOIF 框架下，需先在 moderately_familiar 的 semiparametric theory 上加强，特别是 influence function 的正交化与变量选择的结合。

3. 2608.24085 — Orthogonal double residual learning for optimal individualized treatment rules¶

作者: Jiaqi Tong, Fan Li
相关性 8/10 · novelty: new_method
摘要: 本文针对最优个体化治疗规则（ITR）的估计问题，提出正交双残差学习（ODRL）框架。ODRL 是首个直接方法，其目标函数具有普遍 Neyman 正交性，既不依赖逆概率加权也不依赖限制性模型假设。方法分两阶段：第一阶段用任意非参或半参模型拟合条件均值与倾向得分，得到残差；第二阶段将残差乘积作为分类权重，通过代价敏感分类直接学习最优 ITR。由于正交性，nuisance 估计误差对 regret 的影响是二阶乘积项，因此在 overlap 较弱时仍保持稳健。作者建立了 VC 类决策规则（线性规则、决策树）的非渐近高概率 regret 界，以及 SVM 和深度 ReLU 网络的校准 regret 界。模拟和两个真实数据应用（右心导管研究、牛津净零实验）展示了方法在复杂决策边界和模型误设下的优势。对您而言，该工作将 Neyman 正交性从 ATE 估计推广到 ITR 学习，是效率理论与因果推断交叉的典型范例。
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 primary interest 中的 causal inference（最优 ITR 估计）和 efficiency theory（Neyman 正交性）。武器库中 very_familiar 的 minimax bounds 和 estimation theory in causal inference 可直接用于验证其 regret 界是否紧或能否推广到更复杂规则。中期可做：若想将 HOIF 框架引入 ITR 学习（如高阶正交性），需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

4. 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下仍受支持，但在多变量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。对区域外部分，采用 Lipschitz 连续性约束条件均值潜在结果，而非参数化外推模型，通过度量投影得到最窄区间，但该投影将锚点集中在低维边界上导致端点非路径可微。为此提出内部位移投影，将锚点向内移动恢复路径可微性，并推导影响函数、刻画半参效率界，得到渐近正态估计量和置信区间。模拟显示该方法在 positivity 违反时仍保持名义覆盖，而假设 positivity 的方法则覆盖不足。该框架对您处理连续处理变量下的敏感性分析和部分识别问题有直接参考价值。
关键技术: partial identification, modified treatment policies, Lipschitz continuity, influence function, semiparametric efficiency bound, metric projection
为什么对您有用: 直接连接您 primary interest 中的 causal inference 子方向——连续处理变量下的 positivity 违反和部分识别，这是您 identification theory 和 sensitivity analysis 工具箱的天然延伸。武器库中 very_familiar 的 estimation theory in causal inference 可直接用于理解其影响函数推导和渐近性质，而 moderately_familiar 的 semiparametric theory 可用于验证其效率界是否紧。中期可做：若想将内部位移投影推广到更一般的 MTP 或高维协变量，需先在 moderately_familiar 的 identification theory 上长肌肉（具体为 partial identification 的 sharp bound 构造）。

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）的治疗效果外推至真实世界目标人群的问题。传统方法依赖对试验参与倾向建模，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，利用最优传输（Optimal Transport, 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，允许源边际松弛。理论分析表明，未校准的OT估计量存在不随样本量衰减的偏差；RICOT通过在传输问题中施加校准方程消除该偏差，即使熵正则化和源松弛参数固定为正，校准后的权重也能一致估计目标-试验密度比（即目标期望泛函的Riesz表示）。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，在重叠程度和模型误设的多种设定下，RICOT偏差低且覆盖接近名义水平，尤其在倾向得分方法表现不佳的场景中优势明显。该方法为因果推断中处理人群外推问题提供了新的理论框架和实用工具，对您关注的proximal CI和transportability方向有直接参考价值。
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: 本文直接关联您primary interest中的causal inference（transportability / generalization），且核心工具（Riesz representer校准、双稳健估计、半参数效率界）与您的semiparametric theory和efficiency theory武器库高度匹配。具体而言，您可以用very_familiar的minimax bounds和nonparametric statistics工具来检验文中校准权重的收敛速率条件是否紧，或用moderately_familiar的HOIF视角分析其双稳健结构。中期可做：若想将OT框架与proximal CI结合（如处理未测量混杂下的transportability），需先在moderately_familiar的identification theory上深入理解negative control假设与OT的兼容性。

6. 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。目标是最小化处理效应估计量的方差，同时允许使用任意复杂度的模型（如机器学习）而不引入过拟合或正则化偏差。对于加性处理指标（如ATE），作者提出了一个达到方差最小化最优的估计量，其核心思想是通过对协变量进行最优线性调整来构造Neymanian方差缩减的推广。对于更复杂的处理指标（如乘性效应、比率效应），则通过Delta方法近似方差并最小化该近似方差。方法本质上与Double ML的orthogonal score思路一致，但专注于方差而非偏差校正。通过多个模拟和实证例子展示了不同建模选择（如线性模型、随机森林、神经网络）对方差缩减效果的影响。对您而言，本文连接了causal inference中的随机实验方差缩减与semiparametric efficiency theory中的正交化思想，且其最优方差缩减的结论可直接用于您熟悉的ATE估计问题。
关键技术: variance reduction, Neymanian variance, Double ML, orthogonal score, Delta method, cross-fitting
为什么对您有用: 本文直接连接您的primary interest中的causal inference（随机实验方差缩减）和efficiency theory（最优方差与正交化思想）。您的武器库中'nonparametric statistics'和'estimation theory in causal inference'可以直接用于理解其最优性证明，而'moderately_familiar'中的'semiparametric theory'可帮助您评估其与Double ML的深层联系。中期可做：若想将本文的方差最优性推广到更复杂的estimand（如mediation或proximal CI中的ATE），需先在'semiparametric theory'上长肌肉，特别是influence function的方差分解技术。

7. 2608.25814 — Nonparametric Bayesian Inference for Partially Identified Discrete Response Models¶

作者: Elie Tamer, Christopher D. Walker
相关性 8/10 · novelty: new_method
摘要: 本文针对部分可识别的离散响应模型，提出了一种非参数贝叶斯推断框架。核心观察是，这类模型将简约型条件选择概率映射到一个识别集，因此对条件概率质量函数进行非参数贝叶斯推断即可得到识别集的贝叶斯推断。该框架嵌套了条件矩不等式和系数未知的线性系统作为特例，且无需将条件矩转化为无条件矩或离散化协变量。作者证明了在模型正确设定时后验对真实识别集具有一致性，并能一致地检测模型误设；在误设下后验对伪识别集也一致。为实施该方法，使用了基于高斯过程的先验，后验采样可闭式计算，计算效率高。对您而言，本文提供了部分识别问题的一种新贝叶斯视角，其非参数先验设定与您熟悉的非参数统计和因果推断中的识别理论有直接联系，可作为中期可做的方向——需先在 moderately_familiar 的识别理论上进一步熟悉部分识别文献。
关键技术: nonparametric Bayesian inference, Gaussian process prior, partial identification, conditional moment inequalities, posterior consistency
为什么对您有用: 本文直接连接您的 primary interest 中的因果推断识别理论（部分识别），且使用非参数贝叶斯方法，与您 very_familiar 的非参数统计和 moderately_familiar 的识别理论有交集。武器库中，您可以用非参数统计的 minimax 视角分析其先验的收敛速度，或用 M-estimation 理论对比其贝叶斯与频率学派部分识别方法的效率。中期可做：需先在 moderately_familiar 的识别理论上深入部分识别文献（如 Chernozhukov 等人的工作），才能评估该方法在因果推断（如 IV 或 proximal CI）中的适用性。

8. 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常见的样本选择问题（如流失、无应答），提出了一种在存在refreshment sample时检验MAR（selection on observables）假设的统计检验方法。核心思路是比较两种加权估计得到的分布之间的距离：一种是在MAR下有效的标准IPW估计，另一种是在Hirano et al. (2001)的加性非可忽略性（additive nonignorability）这一更弱假设下有效的替代加权估计。在输入分布为参数模型时，检验统计量在原假设MAR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，并在Understanding America Study数据子集上进行了实证应用。该检验为面板数据中MAR假设的合理性提供了可操作的诊断工具，直接关联您因果推断中纵向数据与敏感性分析的兴趣方向。
关键技术: inverse probability weighting (IPW), refreshment sample, generalized chi-squared distribution, additive nonignorability, parametric models, panel data attrition
为什么对您有用: 本文直接连接您因果推断兴趣中的纵向数据与敏感性分析子方向——它提供了一个在refreshment sample下检验MAR假设的正式统计检验，而MAR是纵向因果推断中常用的关键识别假设。从武器库看，您very_familiar的estimation theory in causal inference（IPW、加权估计）可直接理解其核心机制，而moderately_familiar的identification theory in causal inference可用于评估该检验在不同识别策略下的适用边界。中期可做：若想将该检验扩展到非参数或半参数设定，需先在moderately_familiar的semiparametric theory上提升，以处理更灵活的分布假设。

9. 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: 本文研究可加可分离三角模型（additively separable triangular model）中内生变量与连续工具变量的非参数识别与估计问题，允许第一阶段方程不可分离。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）存在闭式表达式，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，收敛速率达到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。文章利用经验bootstrap构造了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无需调参、速率最优的简洁方法，对您关注的因果推断中IV方法的识别与估计理论有直接参考价值。
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: 直接连接到您primary interest中的IV因果推断方向，特别是连续工具变量非参数识别与估计。您的武器库中'非参数统计'和'因果推断中的估计理论'可直接用于理解其闭式估计量的构造与极小极大最优性证明；中期可做的是将bootstrap一致性置信带推广到更一般的半参数设定（需在'semiparametric theory'上长肌肉）。

10. 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（自身处理与否、邻居处理比例）下结果分位数的差异，从而刻画处理效应在分布尾部的变化。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。主要贡献是提出了基于高斯近似的均匀置信带（UCB），该方法条件于实现网络，避免了上述稳定性要求，适用于更一般的网络结构。通过模拟研究和尼泊尔随机储蓄账户实验数据验证了方法的有限样本表现。对您而言，本文是因果推断中网络干扰下异质性效应推断的前沿工作，其均匀置信带构造思路可与您熟悉的非参数统计和M估计理论对接，属于中期可做方向（需先在 moderately_familiar 的 semiparametric theory 上进一步积累网络依赖数据的经验过程工具）。
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 causal inference 的网络干扰子方向，具体是 spillover effect 的异质性推断。您武器库中 very_familiar 的 nonparametric statistics 和 minimax bounds 可用于评估其均匀置信带的覆盖精度是否最优；moderately_familiar 的 semiparametric theory 可用于推导其分位数效应估计量的影响函数。中期可做：需先在 moderately_familiar 的 M-estimation theory 上加强网络依赖数据的经验过程工具，才能跟进其理论证明。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶

1. 2608.25310 — Robust Nonparametric Testing for Structural Changes in Multivariate Volatility via Multiple Quantiles¶

作者: Jilin Wu, Ruike Wu, Zhijie Xiao, Mengxi Zhang
相关性 8/10 · novelty: new_method
摘要: 本文提出一种针对多元波动率矩阵结构变化的稳健非参数检验方法。检验统计量通过聚合多个分位水平上的有界广义分位得分构建，具有加权留q出U-统计量表示。通过删除邻近索引对，使得序列依赖引起的中心化效应渐近可忽略。所有实施所需量（包括标准化方差估计）均在原假设下构造，无需指定备择假设下的波动率动态。标准化统计量收敛到标准正态分布。该方法避免了最小二乘和拟似然方法通常需要的有限四阶或八阶矩条件，同时通过跨分位聚合利用了比单分位方法更多的分布信息。蒙特卡洛结果表明在重尾创新下具有令人满意的水平和有优势的检验功效，在高斯创新下也具有竞争力。对Fama-French三因子模型的应用提供了因子协方差矩阵不稳定的证据。
关键技术: U-statistic, quantile score aggregation, leave-q-out scheme, nonparametric structural break test, multivariate volatility
为什么对您有用: 本文直接连接您对假设检验和高阶U-统计量的主要兴趣：检验统计量具有加权U-统计量表示，且通过留q出策略处理序列依赖。您非常熟悉的U-统计量计算（treewidth/tensor contraction/einsum）可立即用于分析该统计量的计算成本或设计更高效的实现。中期可做：若想将方法扩展到更高阶结构（如波动率矩阵的更高阶矩变化），需先在HOIF（moderately_familiar）上长肌肉。

其他 (other, 3 篇)¶

1. 2608.25979 — The Symmetric Pair Matching Design: A Self-Controlled Method with Automatic Adjustment for Time Effects¶

作者: Robin Denz, Filippo Saatkamp, Katharina Meiszl, Nina Timmesfeld
相关性 9/10

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 9/10

3. 2608.25463 — Berry--Esseen bounds and bootstrap approximations for the Hilbert-space norm of \(U\)-statistics¶

作者: Nilanjan Chakraborty, Sayan Das
相关性 9/10 · novelty: new_theory
摘要: 本文针对非退化 U-统计量的 Hilbert 空间范数，建立了非渐近的 Berry–Esseen 界和 bootstrap 逼近结果。框架允许核取值于随样本量变化的可分 Hilbert 空间 H_n，从而统一覆盖无限维空间和维数递增的欧氏空间。高斯逼近结合了 Hilbert 空间版本的 Stein 方法与对 Hoeffding 分解中高阶项的精细控制，其误差依赖于核的四阶矩以及 Hájek 投影协方差算子的谱几何，特别是前导特征方向之外的平方谱质量比例。因此，该理论能够处理奇异或近似低秩的协方差算子，只要前导方向之外仍有足够的谱质量。对于 H_n = R^{d_n}，在坐标四阶矩条件下得到了维数显式的界。此外，还建立了经验 bootstrap、高斯加权 bootstrap 和刀切乘子 bootstrap 的逼近界，从而得到渐近正确尺寸的检验和以协方差依赖的分离速率一致的备择检验。针对成对 Kendall's tau 系数向量的检验，匹配的极小化极大下界表明，在稠密高斯相关备择下该分离速率是极小化极大最优的。该工作直接推进了您在高阶 U-统计量理论方面的兴趣，特别是其非渐近分布逼近和 bootstrap 推断，且其谱几何分析工具对您 moderately_familiar 的 HOIF 理论中的高阶推断问题有潜在应用价值。
关键技术: Berry-Esseen bounds, Hilbert-space Stein's method, Hoeffding decomposition, spectral geometry of covariance operator, multiplier bootstrap, minimax lower bound
为什么对您有用: 本文直接服务于您 primary interest 中的 higher-order U-statistics 理论，特别是其非渐近分布逼近和 bootstrap 推断。您 very_familiar 的 higher-order U-statistics 计算（treewidth / tensor contraction / einsum）可用来分析本文中 U-统计量核的谱分解计算成本，而您 moderately_familiar 的 HOIF 理论可借鉴其谱几何分析来改进高阶影响函数的分布逼近。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将本文的 bootstrap 方法推广到半参数设定下的 U-统计量推断。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 13 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，形式化了政策干预的 early adoption 现象——即在强制实施前组织已自愿采用政策，导致结果在 mandate 生效前就已改变。作者将总政策效应分解为 early adoption 效应和 mandate 效应，并指出传统合成控制方法（SCM）因违反 no-anticipation 假设而产生偏倚。方法上提出两阶段 early-adoption-aware SCM 流程：第一阶段用交互固定效应模型（interactive fixed effects model）基于 mandate 前数据估计 early adoption 效应；第二阶段对结果进行残差化后，应用 SCM 变体估计 mandate 和总效应。模拟实验表明，即使在 early adoption 与潜在因子相关时，该方法相比常规 SCM 估计量也能降低偏倚并改进不确定性量化。实证部分应用于美国各州处方药监控计划（PDMP）与人均阿片类药物配发量数据，结果显示考虑 early adoption 后，PDMP 可用性和强制实施均与配发量下降相关，但估计不精确且未达统计显著。对您而言，该文在因果推断的 longitudinal 设定中处理了实际政策评估中常见的 anticipation 问题，其分解策略和两阶段残差化思路可迁移至您熟悉的 IV 或 mediation 框架下的类似设定。
关键技术: synthetic control method, interactive fixed effects model, potential outcomes framework, staggered policy implementation, no-anticipation assumption, two-stage residualization
为什么对您有用: 直接连接到 primary interest 中的 causal inference 子方向（longitudinal / policy evaluation），具体是 staggered adoption 下 no-anticipation 假设的放松。武器库中 very_familiar 的 estimation theory in causal inference 可立即用于分析其两阶段估计量的识别条件是否紧；moderately_familiar 的 identification theory 可用来检验其分解的 early adoption 效应是否在更一般的 IV 设定下可识别。中期可做：若想将 early adoption 思路推广到 proximal CI 框架，需先在 moderately_familiar 的 identification theory 上长肌肉（理解 negative control 与 anticipation 的类比）。

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: 本文在极值因果推断中研究识别与推断问题，目标是在线性结构因果模型下，当创新分布为重尾正则变化时，估计因果尾系数（CTC）以度量极端事件间的因果依赖。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子的存在。核心理论贡献在于：轻尾混杂因子渐近可忽略，但足够重尾的混杂因子会诱导与直接因果效应不可区分的极端依赖模式，此时若存在合适的代理变量，可通过调整的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，同时构造了因果方向检验和重尾混杂检验。模拟实验验证了有限样本表现，气候与金融极端事件的应用展示了该方法能发现平均效应方法无法检测的因果结构。对您而言，本文连接了因果推断中的识别理论与极值统计，其利用尾指数异质性实现识别的思路可能对您在高维或proximal CI设定下的敏感性分析有启发，但核心机器（重尾极值理论）不在您当前武器库中，属于暂不可做方向。
关键技术: Causal Tail Coefficient (CTC), heavy-tailed regularly varying innovations, heterogeneous tail indices, proxy variable adjustment, extreme value theory
为什么对您有用: 本文连接了因果推断中的识别理论与极值统计，属于您primary interest中因果推断的identification方向，但设定特殊（重尾极值）。武器库中'非参数统计'和'因果推断估计理论'可帮助理解其识别策略，但核心极值工具（正则变化、尾指数估计）不在very_familiar或moderately_familiar中。暂不可做——需先补充极值统计基础（如极值索引、正则变化理论）才能跟进。

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。暴露映射将高维处理模式降维为低维暴露水平，是定义和估计溢出效应的常用工具，但其正确设定通常由分析者主观选择，导致Horvitz-Thompson等估计量可能因模型误设而产生偏倚。作者提出一种基于设计（design-based）的模型设定检验框架，核心是构建一个随机化检验（randomization test）程序，用于评估暴露映射模型在网络干扰下是否被正确指定。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，并在一个关于青少年反冲突规范影响的实地实验数据上进行了说明。该工作填补了网络干扰文献中缺乏经验检验暴露映射方法论的空白。对您而言，该文将因果推断中的模型设定检验与网络干扰这一重要且困难的应用场景结合，其设计-based检验思路可与您熟悉的非参数统计和假设检验工具对接。
关键技术: randomization test, exposure mapping, network interference, design-based inference, spillover effects, Horvitz-Thompson estimator
为什么对您有用: 本文直接连接您的主要兴趣：因果推断中的识别与假设检验，具体是网络干扰这一前沿子方向。您的武器库中'非参数统计'和'估计理论在因果推断中的应用'（very_familiar）可直接用于分析该检验的有限样本性质或构造更高效的检验统计量；'M-估计理论'（moderately_familiar）可用于将检验框架推广到更一般的半参数设定。中期可做：若想将本文的检验思想与您熟悉的higher-order U-statistics结合（例如构造基于高阶U统计量的检验以提升对局部干扰模式的敏感度），需先在'moderately_familiar'的'高阶U统计量理论'上加强。

4. 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时的路径处理效应估计问题。中间事件（如疾病进展）在治疗与主要终点之间引入治疗诱导混杂，使得标准中介分析假设（如序贯可忽略性）失效。作者将问题建模为多状态数据，通过假设性干预（hypothetical interventions）在状态转移上模拟治疗机制，从而定义反事实累积发生率，并导出其有效影响函数（EIF）。基于EIF构建了多重稳健（multiply robust）且半参数有效的估计量，可分别估计每条转移路径、每个事件以及每条路径上的处理效应。在LEADER试验数据分析中，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所中介。该工作为处理治疗诱导混杂下的路径效应提供了严格的识别与推断框架，对您从事的因果推断（尤其是纵向数据与中介分析）有直接的方法学参考价值。
关键技术: efficient influence function, multiply robust estimation, hypothetical interventions, multi-state model, counterfactual cumulative incidence, semiparametric efficiency
为什么对您有用: 本文直接连接您的primary interest中的因果推断（纵向数据、中介分析）与效率理论（semiparametric efficiency bounds）。核心武器——EIF与multiply robust estimation——属于您very_familiar的estimation theory in causal inference，可立即用于理解其估计量构造与效率界推导。中期可做：若想将本文的multi-state框架与您moderately_familiar的HOIF结合，探索更高阶的稳健性，需先在HOIF上长肌肉。

5. 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变化还是网络组成结构变化引起的。在标准实践中，将观测到的网络矩阵直接放入结果回归中，系数的变动被解读为传输强度的变化；但当网络是潜变量、时变且测量有噪声时，这种解读失效——强度和组成变化在单期结果分布上不可区分。作者提出一个联合模型，利用网络的重复噪声测量（如双边贸易流的配对报告）来同时识别强度和组成路径。建立了局部可识别性的充要条件，给出了强度和组成路径的估计量，以及强度路径的同步置信带；在弱识别下仍保持精确的置信集，并给出了常见报告偏倚下的breakdown bounds。还构造了一个精确尺寸的检验，用于检测观测路径上的变化并将其归因于强度或组成。在1995-2020年18个经济体的镜像报告贸易面板上，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组成坐标下降了约三分之二。注意：估计目标是预测依赖关系，而非因果效应。
关键技术: local identification, simultaneous confidence band, weak-instrument-robust confidence sets, breakdown bounds, network measurement error model, predictive dependence
为什么对您有用: 本文直接连接您的primary interest中的因果推断子方向——网络测量误差下的识别与估计问题，特别是时变潜网络下的强度/组成分解。您的武器库中'identification theory in causal inference'和'estimation theory in causal inference'可以直接用于分析其识别条件是否可推广到因果设定（如网络干预效应）。中期可做：若想将本文的分解框架扩展到因果效应（而非预测依赖），需先在'moderately_familiar'的identification theory上长肌肉，理解其局部识别条件与DAG/潜在结果框架的映射关系。

6. 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: new_method
摘要: 本文研究多处理（multiple treatments）下异质性处理效应（包括单一处理和交互处理效应）的因果推断问题。目标是从观测数据中估计每个处理模式（treatment pattern）的潜在结果均值，并识别个体处理效应。现有方法通过两两平衡处理模式间的表征分布来降低估计方差，但计算复杂度随模式数二次增长，且无法保持跨模式的局部邻近结构，导致反事实估计退化。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征分布对齐到一个共享的Wasserstein重心，实现全局对齐，计算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，这对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，并在真实营销数据上展示了实用性。本文对您的主要兴趣——因果推断中的多处理设定——有直接连接，其重心对齐思路可能为proximal CI或纵向数据中的多时间点处理平衡提供新视角。
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: 直接连接到您的主要兴趣——因果推断中的多处理设定（multiple treatments），这是您'identification theory in causal inference'和'estimation theory in causal inference'的延伸。您的武器库中'nonparametric statistics'和'high-dimensional asymptotics'可用于分析该方法的收敛性（如Wasserstein重心估计的rate），而'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'可尝试刻画BFG-WB目标函数的计算复杂度（Wasserstein重心本身涉及线性规划，但Fused Gromov-Wasserstein的优化可能转化为张量收缩问题）。中期可做：需先在'moderately_familiar'的'semiparametric theory'上长肌肉，以推导该方法的半参效率界。

7. 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，结构计量经济学）与逆强化学习（IRL，机器学习）两个领域，它们从不同学科传统出发，解决同一基本问题：从观测到的序贯行为推断决策者的偏好（奖励函数），假设个体在马尔可夫决策过程（MDP）框架下最大化期望奖励。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在数学上等价，产生相同的softmax（多项logit）选择概率和平滑Bellman方程，这是经济学结构估计的基础。DDC强调极大似然估计、条件选择概率估计子和策略迭代方法；IRL则发展了可扩展的替代方案，包括最大熵方法、对抗性方法和利用深度神经网络扩展到高维状态空间的无模型时序差分估计子。无模型IRL估计子结合时序差分学习与计量经济学经典两步法，是连接两个领域的有前景方向。两个领域共同面临识别问题（多个奖励函数可解释同一行为）和求解MDP的维度灾难。对您而言，本文是理解因果推断中动态决策与逆强化学习交叉的极佳入门，尤其连接了您在因果推断（IV、纵向）和统计计算（算法）方面的兴趣，可作为gateway reading。
关键技术: Markov decision process (MDP), soft Q-learning, multinomial logit choice probabilities, maximum entropy IRL, model-free temporal difference estimation, conditional choice probability (CCP) estimators
为什么对您有用: 本文是gateway reading，直接连接您secondary interest中的经济理论（应用、模型）和primary interest中的因果推断（纵向、IV）。作为综述，它清晰阐述了DDC与IRL的数学等价性，适合作为统计学家进入该方向的入门读物。您的武器库中'非参数统计'和'因果推断估计理论'足以理解核心框架，但若想深入无模型IRL的深度神经网络部分，需在'moderately_familiar'的M估计理论上长肌肉。值得花时间读全文以建立方向感。

8. 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 的未知函数形式问题，提出了双/去偏机器学习（DML）推断方法。目标是对低维 SAR 参数进行稳健推断，允许空间交互作用算子由地理和社会经济特征的未知函数灵活生成，从而避免 W 的误设。内生性通过基于局部一阶段残差的非线性控制函数解决。由于学习到的算子同时进入空间滞后项和空间变换工具变量，将估计的 W 视为已知会留下首阶生成-W 效应。作者构造了算子正交的 SAR-IV/GMM 得分函数，消除了这一敏感性，并结合缓冲空间交叉拟合（将评估-得分足迹与干扰训练观测分离）。在近邻依赖和空间混合创新场条件下，估计量是渐近线性的且根号 n 正态。蒙特卡洛模拟显示，当交互函数误设、权重生成特征内生且观测空间相关时，有限样本推断优于非正交替代方法。对美国糖尿病数据的应用表明，SAR 推断对 W 的选择敏感，且即使使用相同的学习 W，不同推断方法的结果也不同，凸显了当 W 被学习时推断的重要性。
关键技术: double/debiased machine learning, orthogonal score, spatial cross-fitting, control function, spatial autoregression, generated regressors
为什么对您有用: 本文直接连接您的主要兴趣：因果推断中的 DML 方法（正交得分 + 交叉拟合）被推广到空间计量设定，处理了生成协变量（W）带来的首阶偏差——这与您熟悉的估计理论（因果推断）和半参理论（EIF）高度相关。武器库中 'estimation theory in causal inference' 和 'semiparametric theory' 可直接用于理解其正交得分构造和渐近理论，中期可做的是将类似思路迁移到您更熟悉的 Proximal CI 或 IV 设定中处理生成工具变量的问题（需先在 'identification theory in causal inference' 上长肌肉）。

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，以最小化因果效应估计量的方差。作者提出一个基于 Fisher 信息矩阵的最优性准则，该准则同时考虑处理分配的平衡性和网络拓扑结构，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，可扩展至大规模网络。在估计总效应、直接效应和间接效应时，分析了所提设计的因果性质。在 Erdős–Rényi、几何随机图、优先连接和随机块模型等多种随机图模型上的模拟实验表明，网络拓扑显著影响最优处理分配。在学院宿舍和 ego-Facebook 网络上的应用展示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实验设计子方向，其基于 Fisher 信息矩阵的准则和局部搜索算法是您 moderately_familiar 的因果推断识别理论可以理解的，但核心算法（组合优化与局部搜索）不在您的武器库中，属于暂不可做方向。
关键技术: Fisher information matrix, local search algorithm, network interference, treatment allocation, causal effect estimation
为什么对您有用: 本文属于因果推断中的实验设计子方向，直接连接您的 primary interest。其基于 Fisher 信息矩阵的最优性准则和局部搜索算法，是您 moderately_familiar 的因果推断识别理论可以理解的框架。但核心算法（组合优化与局部搜索）不在您的武器库中，属于暂不可做方向——您缺少处理大规模组合优化问题的工具（如局部搜索、图算法）。

10. 2608.25930 — Controlling for Omitted Variable Bias in Deep Neural Networks¶

作者: Manuel Pfeuffer, Roshan Prakash Rane, Kerstin Ritter, Sonja Greven
相关性 5/10 · novelty: new_method
摘要: 本文针对深度神经网络中因图像可推断协变量（如人口统计变量）与结果相关而导致的遗漏变量偏差（即“捷径学习”）问题，提出了一种基于控制变量的方法。现有方法（如公平性约束）仅限制预测与协变量的相关性，但未能纠正偏差。作者将广义加性模型（GAM）引入深度学习，对模型输入和协变量的效应进行加性建模。为解决加性模型中的共线性（concurvity）问题，提出了一种交叉拟合（cross-fitting）岭惩罚估计程序，在预训练网络的最后一层重新拟合以包含协变量效应。通过正交化处理排除协变量的中介效应，并通过对协变量分布进行边际化来获得无偏、可解释的预测。模拟图像实验和真实神经影像数据（含实验诱导混淆）验证了该方法能一致估计真实效应，恢复接近无混淆数据训练的预测性能。该方法为因果推断中利用深度网络处理图像数据时的混淆控制提供了实用工具，尤其适用于流行病学或神经科学中的图像协变量调整问题。
关键技术: control variable approach, generalized additive model (GAM), cross-fitting with ridge penalization, orthogonalization of covariate effects, marginalization over covariate distribution
为什么对您有用: 本文直接关联您的因果推断兴趣，特别是处理图像数据中已知混淆变量的遗漏变量偏差问题。您武器库中的“estimation theory in causal inference”和“nonparametric statistics”可用于分析其正交化与边际化步骤的识别条件，而“software development”技能可复现或扩展其代码。中期可做：若想将方法推广到高维协变量或非线性效应，需先在“semiparametric theory”上加强，以推导更一般的效率界。

11. 2608.25426 — {poscosea} : A Computationally Efficient Sensitivity Analysis for Bayesian Models using the posterior covariance representation¶

作者: Yusaku Ohkubo, Yukito Iba
相关性 5/10 · novelty: new_method
摘要: 本文针对贝叶斯模型在生态与进化生物学应用中因模型误设导致的不确定性度量偏差问题，提出了一种计算高效的敏感性分析方法 PosCoSeA。该方法利用后验协方差表示，无需重复拟合模型即可近似 leave-k-out 诊断和 bootstrap 重抽样结果，从而大幅降低计算成本。核心机制是将留一法或重抽样下的后验分布变化通过一阶泰勒展开与后验协方差矩阵关联，得到解析近似公式。作者通过模拟研究和真实生态数据验证了近似精度，并提供了 R 包实现。对您而言，该方法虽非直接针对因果推断，但其“用后验协方差近似重抽样”的思路与您熟悉的 influence function / one-step 修正思想有深层联系，可作为 sensitivity analysis 中计算效率问题的补充视角。
关键技术: posterior covariance approximation, leave-k-out diagnostics, bootstrap resampling, first-order Taylor expansion, model misspecification
为什么对您有用: 本文属于 sensitivity analysis 范畴，直接连接到您 primary interest 中的 'sensitivity analysis' 子方向。您武器库中 'estimation theory in causal inference' 和 'inverse problems with random noise' 中的 influence function 技术可类比理解其近似机制——本质上是用一阶变分近似替代重拟合，与 DML 中 cross-fitting 的 '避免重复拟合' 动机一致。中期可做：若想将类似思路推广到因果推断的 sensitivity analysis（如 IV 或 proximal CI 中的负控制假设偏离），需先在 moderately_familiar 的 'identification theory in causal inference' 上建立对模型误设方向的刻画能力。

12. 2608.24038 — CUPED on Steroids: Multivariate Covariate Adjustment for Switchback Experiments¶

作者: Sergei Pankratev, Palash Arora
相关性 5/10 · 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 CUPED 方法。CUPED 通过利用实验前协变量调整实验期结果变量来降低处理效应估计量的方差。作者提出将多个历史滞后值、周期性小时编码以及聚类和小时固定效应虚拟变量纳入协变量集，以解释随机化单元层面的结果变异。为防止过拟合，采用交叉拟合（cross-fitting）来保证方差缩减估计的诚实性。模拟实验和纽约出租车数据验证表明，该方法相比传统 CUPED 能大幅提升统计功效。文章还推导了任何协变量调整所能达到的方差缩减的闭式上界，并将实证结果与该上界联系起来。对您而言，本文是因果推断中实验设计与方差缩减的一个实用进展，尤其适合您对因果推断中估计效率的兴趣，且其交叉拟合思路与您熟悉的 debiased ML 技术相通。
关键技术: CUPED, switchback experiments, cross-fitting, variance reduction, covariate adjustment, clustered randomization
为什么对您有用: 本文直接关联您的 primary interest 中的因果推断（实验设计与方差缩减），且其交叉拟合技术是您熟悉的 debiased ML 核心工具。方法本身轻量且假设弱，您可立即用 very_familiar 的因果推断估计理论复现或扩展其模拟框架。中期可做：若想将协变量选择自动化（如高维协变量下的正则化），需在 moderately_familiar 的 M-estimation 理论上加强。

13. 2608.22499 — Fixed-\(T\) Dynamic Spatial Panel Model with Common Shocks¶

作者: Jushan Bai, Jesse Chieh Chen
相关性 5/10 · novelty: new_method
摘要: 本文在 large-N, fixed-T 动态空间面板模型中，同时处理了空间滞后、时间滞后和交互固定效应（common shocks）。核心挑战在于：若将模型视为 N 维联立方程系统，交互效应会引入 N 个个体特定载荷参数，在 T 固定时产生类似 Nickell 偏差的 incidental parameters 问题。作者的关键创新在于将同一模型重新解释为 T 维方程系统（每个时间点一个方程，含 N 个观测），并结合空间增强随机载荷（SERL）假设，从而构造出不含个体特定 nuisance 参数的拟似然函数。估计采用可扩展的块坐标算法。模拟显示偏差小、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了显著的动态和空间依赖，以及教育的重要作用。对您而言，本文的 fixed-T 下处理高维 nuisance 参数的策略（通过模型重参数化避免 incidental parameters）与您 causal inference 中 longitudinal/panel 设定下的 sensitivity analysis 或 IV 方法有潜在联系。
关键技术: incidental parameters problem, quasi-likelihood, block-coordinate algorithm, spatial panel model, interactive fixed effects, random loadings specification
为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 longitudinal/panel 设定，特别是 fixed-T 下如何避免 Nickell 偏差这一经典问题。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 和 high-dimensional asymptotics 可用于评估其拟似然估计的 finite-sample 性质，而 moderately_familiar 的 identification theory 可用于思考其 SERL 假设在因果识别中的可检验性。中期可做：若想将本文的模型重参数化技巧推广到更一般的 causal panel 设定（如带有 treatment 的 dynamic treatment regimes），需先在 moderately_familiar 的 semiparametric theory 上加强，特别是理解其拟似然与 efficient score 的关系。

高维统计 / 随机矩阵 (high_dim_rmt, 2 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 7/10 · 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的 minimax 估计问题。核心贡献是闭合了已知下界 \(\alpha^2\) 与上界 \(\alpha^4\) 之间的 gap，证明在高隐私 regime 下有效样本量为 \(N\alpha^4\)，而非独立观测下的 \(N\alpha^2\)。这一额外隐私代价源于时间相依性，而非边际分布。下界证明基于对私有化相依高斯观测的收缩界；上界通过构造问题特定的估计程序实现，避免了先前工作中的 polylog 损失。此外，该方法还用于固定滞后自协方差估计（闭合对数 gap）、证明 \(\alpha^4\) 代价在谱密度远离零时局部出现，以及建立 LDP 下经典独立高斯实验渐近等价性一般失效。对您而言，该工作展示了高维时间序列与隐私约束下 minimax 率的精细刻画，与您的高维统计和 minimax 界兴趣直接相关。
关键技术: local differential privacy, minimax lower bound, spectral density estimation, contraction bound for privatized dependent data, problem-specific privatization procedure
为什么对您有用: 本文直接关联您的高维统计与 minimax 界兴趣，具体连接点为： (1) 研究平稳高斯过程的谱密度估计，属于高维时间序列的 minimax 率问题； (2) 技术核心是构造收缩界和问题特定的私有化程序，可用您非常熟悉的 minimax 下界工具（如 Assouad 引理、Fano 不等式）验证其下界是否紧； (3) 中期可做：若想将类似隐私代价分析推广到其他相依结构（如长记忆过程），需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理更复杂的谱密度类。

2. 2608.26366 — Regularized High-Dimensional Additive Tensor Autoregressive Model¶

作者: Debika Ghosh, Nilanjana Chakraborty, Samrat Roy
相关性 6/10 · novelty: new_method
摘要: 本文针对高维张量时间序列数据，提出了一种正则化可加张量自回归模型。现有基于Tucker分解的张量模型存在非凸优化计算复杂且过渡矩阵解释性差的问题。该模型通过行、列、管三个方向的加性交互来刻画时间依赖，每个方向的过渡矩阵被假设为低秩加稀疏结构，从而兼顾解释性与计算可行性。模型估计采用可扩展的交替块最小化算法，该算法因凸性而避免了非凸优化的困难。作者在理论上给出了高维尺度下参数估计的有限样本误差界，并证明了模型的可识别性。仿真和真实数据实验验证了模型的有效性。该工作对您在高维统计与张量计算方面的兴趣有直接参考价值，特别是其低秩加稀疏的假设与交替优化算法可迁移至您熟悉的张量收缩计算框架中。
关键技术: alternating block minimization, low-rank plus sparse decomposition, convex optimization, finite-sample error bound, tensor autoregression
为什么对您有用: 本文直接关联您的高维统计与张量计算兴趣。其低秩加稀疏的过渡矩阵假设与交替块最小化算法，可被您非常熟悉的'高维渐近理论'和'软件工程'能力所分析或复现。中期可做：若您先在 moderately_familiar 的'M-估计理论'上加强，可进一步推导该估计量的渐近分布或半参数效率界。

非参数 / 半参数 (nonparam_semipara, 7 篇)¶

1. 2608.25468 — Functional linear regression from sparse to dense designs: a pooling-ridge method and minimax optimality¶

作者: Shunxing Yan, Fang Yao
相关性 7/10 · novelty: new_method
摘要: 本文研究函数型线性回归中，响应变量为标量或函数时，预测风险在离散采样下的最优估计问题。核心设定是协变量和响应函数仅在稀疏或密集的离散时间点被观测，传统方法难以统一处理从稀疏到密集的任意采样方案。作者提出了一种“池化岭估计”（pooling ridge estimation）方法，结合了池化策略和RKHS方法，通过基于所有受试者离散观测的无偏算子估计来统一估计框架。该方法在标量-函数回归和函数-函数回归中均实现了预测风险的极小化最优性，且首次准确刻画了离散采样对收敛速率的影响。对于标量-函数回归，存在一个相变点，将收敛行为分为两个区域；对于函数-函数回归，最多可能出现三个相变点，取决于预测变量和响应变量的采样频率。模拟和两个真实数据示例验证了方法的有效性。该工作对您在高维统计和非参数理论方面的兴趣有直接连接，尤其是其极小化最优性分析和相变刻画与您熟悉的minimax bound工具高度契合。
关键技术: pooling ridge estimation, RKHS-based method, minimax optimality, phase transition analysis, functional linear regression, sparse to dense designs
为什么对您有用: 本文直接连接您的非参数统计和极小化界兴趣，其核心贡献是首次在函数型线性回归中实现从稀疏到密集采样的统一极小化最优估计，并刻画了离散采样导致的相变现象。您非常熟悉的minimax bound工具可以直接用于验证其声称的收敛速率是否紧，或探索更一般的函数类下的最优性。中期可做：若想将类似方法推广到函数型因果推断（如函数型工具变量或函数型处理效应），需先在semiparametric theory上长肌肉。

2. 2608.23150 — Spectral stability of empirical metric-measure Laplacians¶

作者: Vincent Divol
相关性 7/10 · 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。给定 n 个 i.i.d. 样本，目标是比较经验加权拉普拉斯算子 Δ_{μ_n}^h 与总体版本 Δ_μ^h 的特征值。在谱间隙条件下，作者建立了特征值的相对误差界为 1/√(n v_μ(h))，其中 v_μ(h) 是半径为 h 的球的最小质量，适用于阶数小于 h^{-2} 的特征值。该界仅需极弱的正则性条件：μ 属于新引入的 coarse PI 测度类，涵盖度量图、具有足够规则边界/角点/分支点的空间，以及这些空间在 O(h) 尺度上的离散化或加厚。即使在已知的流形密度正则性 s>2 情形下，该界也去掉了对数因子，改进了现有最优结果。对您而言，该工作展示了非参数估计中方差对正则性不敏感这一普适现象，与您熟悉的非参数统计和 minimax 界工具直接相关，可作为理解谱方法稳定性的一种新视角。
关键技术: graph Laplacian, spectral stability, coarse PI measure, relative error bound, nonparametric variance
为什么对您有用: 本文直接关联您的 primary interest 中的非参数统计与高维渐近理论，特别是谱方法在非参数估计中的方差行为。您熟悉的 minimax 界和非参数统计工具可用于验证该相对误差界是否紧，或推广到更一般的算子族。中期可做：需先在 moderately_familiar 的 M-estimation 理论上加强，以处理更复杂的谱估计问题。

3. 2608.25997 — Statistical Properties of Nonparametric MLE under Laplace Noise¶

作者: Yifei Xiong, Nianqiao Phyllis Ju, Vinayak Rao
相关性 6/10 · novelty: new_method
摘要: 本文研究在局部差分隐私（LDP）框架下，对加Laplace噪声的实值数据进行非参数最大似然估计（NPMLE）的统计性质。首先证明在Laplace卷积模型下，NPMLE可转化为有限维凸优化问题，支撑集限制在观测集上，将原始无限维混合分布优化简化为n维权重优化。然后分析NPMLE在1-Wasserstein距离下的收敛速率，明确建立速率与隐私噪声尺度的联系。当噪声尺度随样本量增长慢于n^{3/16}时，NPMLE保持相合性；当噪声尺度达到√n或更大时，任何估计量都无法一致恢复潜在分布。该结果刻画了隐私保护强度与分布估计精度的基本权衡，对您在高维统计和逆问题方面的兴趣有直接参考价值。
关键技术: nonparametric maximum likelihood estimator (NPMLE), Laplace convolution model, 1-Wasserstein distance convergence, finite-dimensional convex reformulation, minimax lower bound
为什么对您有用: 本文连接非参数统计与隐私保护，属于您非常熟悉的非参数统计和逆问题领域。核心结果——NPMLE的有限维凸优化重构——可直接用您熟悉的minimax bound工具验证其收敛速率是否紧。中期可做：若想将类似分析推广到其他噪声分布（如高斯），需先在moderately_familiar的M-estimation理论上长肌肉。

4. 2608.22553 — Non-asymptotic Analysis of Matérn Regression: The Roles of Target and Kernel Lengthscales¶

作者: Daniel Sanz-Alonso
相关性 6/10 · novelty: new_theory
摘要: 本文在周期域上对 Matérn 核回归进行了非渐近有限样本分析，覆盖无噪声插值和带噪声的核岭回归。核心问题是设计分辨率（点间距）与目标函数长度尺度、核长度尺度之间的匹配关系如何决定恢复精度。对于无噪声插值，作者证明除了需要设计足够密以解析目标长度尺度外，还额外要求设计能解析核长度尺度——若核太短（相对于点间距），即使目标已被良好解析，仍会残留额外误差。对于带噪声的核岭回归，推导出由目标尺度偏差、核尺度偏差和方差组成的三项固定岭风险刻画，并展示对岭参数优化后会产生四项贡献。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，而选择过短则会。这些分辨率条件决定了准确恢复何时成为可能，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中理解设计密度与核参数选择的 tradeoff 有直接参考价值。
关键技术: Matérn kernel, kernel ridge regression, finite-sample minimax analysis, lengthscale resolution, fixed-ridge risk characterization
为什么对您有用: 本文直接关联您的非参数统计兴趣，特别是核方法中设计密度与核参数选择的有限样本理论。您可以用非常熟悉的 minimax bound 工具验证其声称的 sharpness，并进一步探索高维或非周期域下的推广。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉以处理更一般的设计假设。

5. 2608.25718 — Estimation of a regression function from dependent data by over-parametrized deep neural networks learned by gradient descent¶

作者: Michael Kohler, Adam Krzyżak, Vincent Molinero Römer
相关性 5/10 · novelty: sharper_rate
摘要: 本文研究在指数β-混合（exponentially β-mixing）相依数据下，使用过参数化深度神经网络（logistic激活函数）通过梯度下降学习的回归函数估计问题。以L2误差（对设计分布积分）为准则，针对(p,C)-光滑回归函数类，分析了期望L2误差的收敛速度。关键理论贡献在于：当设计分布集中在一个d维流形上时，收敛速度仅依赖于内在维度d，而非设计空间的原始维度d，从而实现了维度自适应。技术工具包括神经网络的逼近理论、梯度下降的优化动态分析以及混合过程的经验过程理论。数值实验验证了理论结果。对您而言，本文展示了非参数回归在相依数据下的深度学习方法，与您的非参数统计和M估计理论兴趣直接相关，但方法学新颖性有限（主要是已有技术的组合应用）。
关键技术: deep neural networks, gradient descent, exponential β-mixing, dimension adaptation via manifold assumption, empirical process for dependent data
为什么对您有用: 本文连接您的非参数统计和M估计理论兴趣，具体在相依数据下的非参数回归。您的武器库中'非参数统计'和'高维渐近'可直接用于理解其收敛速度分析，但核心机器（深度网络的优化动态与混合过程经验过程）不在您的武器库中，属于暂不可做。

6. 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: 研究问题：在非参数回归中，核 Gram 矩阵的最大有效维度和信息增益（information gain）的上界。设定：考虑任意设计点集上的核矩阵，目标是刻画其有效维度（effective dimension）和信息增益的极值行为，这些量是高斯过程（GP）回归和核方法中算法复杂度与统计精度的核心指标。方法核心机制：作者利用核函数或对应 RKHS 的逼近性质（如覆盖数、特征值衰减）建立一般性上界，覆盖了 Matérn 核和平方指数核等常见核函数。关键技术工具包括：核矩阵特征值谱的衰减率、RKHS 的嵌入性质、以及逼近论中的熵数（entropy numbers）概念。主要理论结果：在三种正则性 regime（多项式衰减、指数衰减、中间衰减）下，所建立的上界在常数因子意义下不可改进，即达到了 minimax 最优。对您可能有用：该结果直接关联到高维统计中核方法的计算-统计折衷（statistical-computational tradeoff）分析，特别是有效维度与信息增益的极值行为是理解 GP 回归算法效率的关键，与您对统计计算折衷的兴趣高度契合。
关键技术: effective dimension, information gain, kernel Gram matrix, RKHS approximation, entropy numbers, minimax optimal bounds
为什么对您有用: 本文直接连接到您的 primary interest 中 'statistical-computational tradeoff' 方向，特别是核方法中有效维度和信息增益的极值行为是理解 GP 回归算法复杂度与统计精度折衷的核心量。您武器库中 'minimax bounds for estimation problems'（very_familiar）可以直接用于验证本文上界的最优性，而 'high-dimensional asymptotics'（very_familiar）可用于分析不同正则性 regime 下的特征值衰减模式。中期可做：若想进一步将本文结果与具体算法（如 Nyström 近似、随机特征方法）的计算复杂度联系起来，需先在 'semiparametric theory'（moderately_familiar）上加强，以处理核方法在非参数回归中的半参数效率问题。

7. 2608.25811 — Limiting properties of monotone rearrangements of estimators when the truth is flat¶

作者: Holger Dette, Marius Kroll, Stanislav Volgushev
相关性 4/10 · novelty: new_theory
摘要: 本文研究单调重排估计量在目标函数平坦区域（即无局部序结构）的极限性质，这是现有分布理论未覆盖的关键缺口。首先，针对均匀密度的直方图估计量，证明了其非降重排在(0,1)紧子集上以参数速率弱收敛，且需额外确定性中心化——这与严格单调密度下的已知结果截然不同。其次，考虑独立copula的两种重排估计量（基于经验copula增量与棋盘近似），在[0,1]^2上证明了适当中心化与缩放后弱收敛到一个积分高斯过程，该过程此前未知。进一步利用这些结果推导了Strothmann等(2024)讨论的广义重排copula依赖度量的渐近正态性。对您而言，本文提供了处理形状约束估计量在退化区域极限行为的技术模板（如经验过程与U-统计量投影），可直接用于您在高维统计或因果推断中处理边界或平坦参数时的推断问题。
关键技术: monotone rearrangement, functional weak convergence, empirical process, checkerboard copula approximation, integrated Gaussian process
为什么对您有用: 本文直接连接您的非参数与半参数理论兴趣，特别是形状约束估计量的极限分布——这是您武器库中'非参数统计'与'经验过程'的典型应用场景。技术层面，其证明中使用的经验过程技巧与U-统计量投影（如copula估计量的渐近表示）可被您的'higher-order U-statistics'工具直接攻破，用于分析更复杂约束下的估计量收敛速率。中期可做：需先在'moderately_familiar'的HOIF上长肌肉，以处理重排估计量的高阶影响函数展开。

数理统计 / 假设检验 (hypothesis_testing, 17 篇)¶

1. 2608.26422 — Online detection of distributional changes for time series in metric spaces¶

作者: B. Cooper Boniece, Lajos Horváth, Lorenzo Trapani
相关性 7/10 · novelty: new_method
摘要: 本文针对取值于可分度量空间的序列相依数据，提出一个在线检测分布变化的框架。基于两样本U-统计量，该框架统一了能量距离和最大均值差异（MMD）的序贯版本，并允许数据存在时间相依性。作者建立了有限和开放监测时域下的渐近理论，完整刻画了原假设下渐近游程长度的分布，从而实现了渐近的误报控制。进一步，他们为序列相依观测形成的核矩阵建立了新的谱逼近结果，并据此构造了一个可行的蒙特卡洛校准程序。灵活的窗口构造涵盖了经典、Page型和全扫描历史基线监测，无需次高斯性或高阶矩假设即可实现早期和晚期变点的短检测延迟。模拟表明，在线性、非线性、高维和函数型时间序列模型中，该方法能可靠控制误报率，并在多种备择假设和变点位置下实现比现有专用方法更短的检测延迟。外汇汇率、电力市场曲线和航空运输网络的应用展示了该方法在标量、函数型和网络值时间序列上的适用性。
关键技术: two-sample U-statistics, energy distance, maximum mean discrepancy (MMD), spectral approximation of kernel matrices, Monte Carlo calibration, sequential changepoint detection
为什么对您有用: 本文直接连接您对higher-order U-statistics和hypothesis testing的兴趣，将U-统计量应用于在线变点检测这一具体问题。您可以用very_familiar的higher-order U-statistics计算（treewidth / einsum）视角分析其U-统计量估计的计算成本，或用minimax bound验证其检测延迟的渐近最优性。中期可做：若想将本文的谱逼近方法推广到更一般的核设定，需先在moderately_familiar的higher-order U-statistics理论上长肌肉。

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: 本文针对加性噪声模型中的尺度参数估计，提出了一类非参数且稳健的估计方法。核心设定是观测数据由稀疏信号叠加噪声构成，噪声序列允许任意依赖结构、无需平稳性或独立性假设。方法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加权比较，构造了纯空间（而非时间）的序统计量估计量，避免了预滤波或时间去相关步骤，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，其界将信号的贡献与排序噪声和代理之间的差异分离；随后在独立和相关噪声（包括重尾参考分布）下控制了代理差异。应用部分展示了该方法在高频连续时间随机过程观测中的表现，包括分数布朗运动和稳定Lévy噪声在低变差加性扰动下的尺度估计。本文对您可能有用：其序统计量框架与您熟悉的非参数统计和高维渐近工具直接对接，且噪声依赖结构下的浓度不等式技术可迁移至因果推断中的敏感性分析场景。
关键技术: order statistics, concentration inequalities, non-asymptotic bounds, weakly sparse systems, proxy-based estimation
为什么对您有用: 本文直接连接您的primary interest中的非参数统计与假设检验方向，其序统计量估计框架和浓度不等式技术是您very_familiar武器库中的核心工具。具体而言，您可以用非参数minimax bound技术验证本文声称的sharper rate是否紧，并利用高维渐近工具分析噪声依赖结构对估计精度的影响。中期可做：若将方法扩展至因果推断中的测量误差模型，需先在moderately_familiar的identification theory上长肌肉。

3. 2608.25918 — Random Invariance Testing on Quadratic Form Statistics with Application to Autocorrelation¶

作者: Amitakshar Biswas, Adam B Kashlak
相关性 6/10 · novelty: new_method
摘要: 本文在非参数假设检验框架下，针对二次型统计量的不变性提出统一方法，并给出闭合形式的p值。核心贡献是将经典的Durbin-Watson自相关检验推广为非参数变体，通过在一紧致群上对检验统计量的不变性进行积分，利用紧群上的浓度不等式导出逐滞后的解析p值公式，从而避免大规模Monte Carlo模拟。模拟表明，该方法在检测显著自相关的统计功效上优于经典的Breusch-Godfrey和Ljung-Box检验。此外，该方法能有效识别大滞后自相关，如月太阳辐射数据中约11年（132个月）的周期。一般框架可轻松适配其他二次型统计量。对您而言，该工作将群不变性与浓度不等式结合用于检验问题，与您对假设检验和随机矩阵理论（紧群上的浓度工具）的兴趣直接相关。
关键技术: randomization testing, group invariance, quadratic form statistics, Durbin-Watson test, concentration inequalities on compact groups, closed-form p-value
为什么对您有用: 本文属于假设检验方向，直接对应您的primary interest。其核心机制——利用紧群上的浓度不等式导出解析p值——与您武器库中'高维渐近'和'非参数统计'高度契合，可视为将群不变性思想引入自相关检验的新视角。中期可做：若想深入推广至更一般的二次型或高维设定，需先在moderately_familiar的M估计理论或HOIF上长肌肉，以处理更复杂的依赖结构。

4. 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（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），而本文提出直接通过双中心距离矩阵的经验谱近似极限分布（加权卡方和），并严格证明该近似在可分离度量空间上对一类负型距离一致收敛，从而保证检验的渐近有效性。该方法也覆盖了Hilbert-Schmidt独立性准则（HSIC）作为特例。计算上，作者设计了自适应算法，通过部分特征分解（O(k n^2)）替代全谱分解（O(n^3)），并引入收缩校正以匹配前两阶矩。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，且其部分特征分解策略可迁移至您熟悉的U-统计量计算中的树宽/张量收缩复杂度分析。
关键技术: distance covariance, spectral approximation, weighted chi-square distribution, empirical spectra consistency, partial eigendecomposition, shrinkage correction
为什么对您有用: 本文直接连接您的假设检验兴趣子方向——距离协方差的零分布近似问题，且其核心工具（经验谱一致收敛性）属于您武器库中'高维渐近'和'非参数统计'的范畴。具体而言，您可以用higher-order U-statistics的树宽/张量收缩视角分析其自适应部分特征分解算法的计算复杂度，并验证其声称的O(k n^2)成本是否紧。中期可做：需先在moderately_familiar的higher-order U-statistics理论上长肌肉（如U-统计量的谱分解与特征值收敛速度），以推导更紧的误差界。

5. 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: 本文研究在任意依赖结构下，如何从多个有效的 p 值函数（如重复样本分割、交叉拟合、共形集成等随机工作流产生）中精确计算置信区域，而无需在参数空间上网格化求逆。核心结构结果表明，由 step calibrators 诱导的合并规则构成一个在区域层面可精确执行的广泛类，且部分逆命题表明精确可执行性与 step 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，无需预先指定单个顺序统计量阈值，同时在任意依赖下保持有限样本有效性。模拟和真实数据回归实验表明，所提方法提供稳定、鲁棒的精确推断，且相比网格化求逆基线方法大幅节省运行时间。网格分辨率基准测试显示固定 k 投票和自适应多分位数投票对网格细化不敏感，而多维单阈值压力测试揭示了网格化求逆在高维中的维度爆炸问题。本文对您可能有用：它直接关联您对假设检验的兴趣，特别是处理多重比较和依赖 p 值的问题，且其精确计算框架可启发您在高维统计或因果推断中处理类似的计算挑战。
关键技术: p-value merging, step calibrators, exact confidence region, voting algorithms, adaptive multi-quantile contour aggregator, arbitrary dependence
为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是处理多重比较和依赖 p 值的问题。您武器库中的非参数统计和 minimax 界知识可用于分析其投票算法的有限样本性质，而高维渐近工具可帮助理解其在高维设置中的维度爆炸问题。中期可做：若您先熟悉 moderately_familiar 中的 M 估计理论，可进一步探索将本文的精确区域计算框架推广到因果推断中的置信区间构造。

6. 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，其赌注比例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。该方法通过共享一个可预测方差估计量实现确定性反演，对任意数据序列均给出区间，且两端点易于计算。外部随机化可进一步缩小区间宽度。模拟表明，该方法在各类分布和大样本下均优于STaR-Bets，与Gaffke方法竞争，随机化版本更优。同时将构造推广至无放回抽样，同样达到最优经验性能。该工作为假设检验和置信区间提供了兼具有限样本有效性、计算简便性和渐近效率的新工具，与您对假设检验和数学统计学的兴趣高度相关。
关键技术: e-values, betting strategies, nonasymptotic confidence intervals, martingale dependence, Gaussian efficiency, randomized inference
为什么对您有用: 直接关联您对假设检验和数学统计学的核心兴趣，提出了一种在有限样本下达到高斯效率的置信区间新方法，突破了传统赌注区间的效率瓶颈。您的技术武器库中非参数统计和M估计理论可用于分析其渐近性质，而软件开发和数值方法经验可帮助实现其计算算法。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以深入理解其效率最优性证明。

7. 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: 本文研究非平稳时间序列中是否存在稳定区间的问题。在局部平稳误差假设下，将信号（均值函数或其导数）在给定长度 δ 内波动不超过容忍度 Δ 的稳定性编码为 d_∞ 统计量，原假设为不存在这样的稳定区间。采用局部线性回归估计信号，并构造基于 plug-in 的检验统计量。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，并推广了基于上确界的相关变化检验。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假设检验中引入了极值理论工具，与您对 hypothesis testing 和 nonparametric 理论的兴趣直接相关。
关键技术: local linear regression, extreme value approximation, time-varying long-run variance, plug-in test, minimax functional
为什么对您有用: 本文直接连接您的 primary interest 中的 hypothesis testing 和 nonparametric theory，具体在非平稳时间序列的假设检验框架中引入了极值理论。您的 very_familiar 武器库中的 nonparametric statistics 和 high-dimensional asymptotics 可直接用于理解其局部线性回归和极值逼近的渐近论证。中期可做：若想将此类极值检验推广到高维或多信号场景，需先在 moderately_familiar 的 M-estimation theory 上长肌肉以处理更复杂的估计方程。

8. 2608.23513 — Asymptotics for Model Selection in Probabilistic Principal Component Analysis¶

作者: Mathias Drton, Andrew McCormack, Daniel Windisch
相关性 6/10 · 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渐近理论。PPCA 模型在奇异点处 Fisher 信息矩阵不满秩，导致经典 BIC 过度惩罚并倾向于选择过少的成分。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 的过度惩罚，且能以概率趋于 1 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，本文展示了奇异学习理论在模型选择中的应用，与您在高维统计和假设检验方面的兴趣相关。
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: 本文直接关联您在高维统计和假设检验方面的兴趣，特别是模型选择问题。您武器库中的 minimax bounds 和非参数统计工具可用于分析 sBIC 的收敛速率是否最优。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以理解奇异点处的渐近行为。

9. 2608.23257 — How Replicable Are Statistically Significant Findings?¶

作者: Patrick Vu, Stefan Faridani
相关性 6/10 · 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保持显著的概率。作者定义了给定 p 值条件下的期望复制概率，并利用实验经济学、心理学和社会科学领域的已发表研究数据对该指标进行估计。通过与实际复制结果对比，验证了该估计量的预测准确性，甚至优于预测市场。结果显示，p=0.05 的发现其期望复制概率在不同领域仅为 0.10 至 0.25。进一步分析表明，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。作者还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能提供提示性证据，更可靠的结论需要累积证据。
关键技术: replication probability, nonparametric estimation, p-value conditional expectation, statistical power analysis, publication bias assessment
为什么对您有用: 本文直接关联到您对假设检验的兴趣，特别是关于统计显著性在实践中的可复制性问题。您熟悉的非参数统计和 minimax 估计理论可用于评估其非参数估计量的最优性。中期可做：可尝试用更高阶的 U-统计量或经验过程工具来刻画该复制概率估计量的收敛速度与置信区间，这需要先在 moderately_familiar 的更高阶 U-统计量理论上进一步积累。

10. 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靠近参数空间边界时，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接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该方法。文章证明，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均匀的尺寸控制。最后，作者将方法应用于面板数据的网络估计问题。对您而言，本文在假设检验的均匀推断方向提供了新工具，尤其适用于高维 nuisance 参数存在时的边界问题，与您对 hypothesis testing 和 high-dimensional statistics 的兴趣直接相关。
关键技术: quasi-unconstrained estimator, uniform inference, boundary constraints, high-dimensional nuisance parameters, Wald/LR/LM tests
为什么对您有用: 本文直接关联您 primary interest 中的 hypothesis testing 和 high-dimensional statistics。其核心方法——准无约束估计量——为处理参数边界问题提供了新思路，而高维 nuisance 参数的扩展则与您熟悉的高维渐近理论工具（如 minimax bounds）可对接。从武器库看，您可用 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 来理解其理论框架，属于立即可做的阅读范畴。

11. 2608.25272 — Valid test for multi-arm trials with generalized linear models under covariate-adaptive randomization¶

作者: Guannan Zhai, Feifang Hu
相关性 5/10 · novelty: new_method
摘要: 本文针对协变量自适应随机化（CAR）下多臂试验中广义线性模型（GLM）框架下的多重比较问题，提出了一种新的推断方法。首先，作者理论分析了标准Wald z统计量在多臂试验中的渐近性质，发现当工作模型误设（特别是遗漏协变量）时，这些z统计量不会一致收敛到标准多元正态分布，导致I类错误率膨胀或保守，具体取决于GLM端点类型。基于此，他们开发了调整后的检验统计量以纠正分布问题，并结合Simes型多重检验程序来控制族系I类错误率。该方法能有效控制I类错误并可能提高检验功效。模拟研究和转移性乳腺癌试验的实际应用验证了方法的有效性。该工作直接关联到您的假设检验兴趣，特别是处理复杂随机化设计下的多重比较问题，且其理论分析（渐近分布、模型误设）与您熟悉的非参数统计和高维渐近工具高度匹配。
关键技术: covariate-adaptive randomization, generalized linear models, Wald z-statistics, Simes-type multiple testing, model misspecification
为什么对您有用: 该论文直接命中您primary interest中的假设检验方向，具体处理多臂试验中CAR下的GLM推断。您熟悉的非参数统计和高维渐近工具可直接用于理解其渐近分布推导和模型误设分析。中期可做：若想将方法推广到更一般的半参数模型或处理更复杂的协变量结构，需先在semiparametric theory上提升（moderately_familiar）。

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: 该论文研究在Cox比例风险模型中，经Lasso变量选择后如何对去偏估计量进行可靠的推断。目标是对高维时间-事件数据中的回归系数构建置信区间。作者提出了两种基于得分的bootstrap方法：一种使用独立乘子的wild bootstrap，另一种使用中心化多项重抽样权重的Efron bootstrap。两种方法均固定原始的Cox Lasso拟合和去偏矩阵，仅对决定去偏估计量一阶分布的得分贡献施加bootstrap权重。理论上证明了两种bootstrap方案在正则条件下的渐近有效性。大量有限样本模拟表明，bootstrap区间在许多小样本和中样本设置下比一阶去偏Wald区间具有更好的覆盖精度，改进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用性。该论文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bootstrap方法在去偏估计后推断中的应用。
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: 该论文直接关联您在高维统计和假设检验方面的兴趣，特别是高维Cox模型中选择后推断的bootstrap方法。您的技术武器库中的'高维渐近理论'和'M估计理论'可用于分析其bootstrap权重的渐近性质，而'软件工程'能力可复现其SUPPORT2应用。中期可做：若您想将类似bootstrap方法推广到其他去偏估计量（如去偏的广义线性模型），需先在'半参数理论'上加强，以处理更复杂的得分函数结构。

13. 2608.23315 — Classification testing: A new framework for drawing qualitative conclusions from quantitative estimates¶

作者: Andrew C. Eggers, Zikai Li
相关性 5/10 · 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单一假设验证模式。研究者预先定义若干有实质意义的定性类别（如效应方向或大小区间），检验将估计量分配到某一类，同时控制类似传统检验的误差率，或宣布结果不明确。该方法不仅适用于多假设裁决场景，也能强化单一研究假设的证伪能力。作者通过一个知名媒体实验案例展示框架应用，并提供了R包实现。对您而言，该工作属于假设检验领域的新范式，与您对数学统计与假设检验的兴趣直接相关，但理论深度有限，更多是方法论框架设计。
关键技术: classification testing, hypothesis testing, error control, qualitative inference
为什么对您有用: 本文直接关联您对假设检验的兴趣，提出了一种替代传统p值检验的框架，但属于方法论提案而非理论突破。武器库中的非参数统计和M估计理论可用于分析其误差控制性质，但核心问题（如何定义类别与误差度量）更偏向社会科学应用，暂不可做——缺少与您高阶U统计或半参效率理论的直接连接。

14. 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。传统卡方拟合优度检验和M2统计量在参数较多时自由度爆炸，而White (1982) 的IM检验虽可规避此问题，但计算复杂。作者扩展Presnell & Boos (2004) 的工作，利用Golden et al. (2013, 2016) 的方法，构造了仅需1或2个自由度的误设定检验统计量，且推导出解析公式，无需bootstrap模拟。模拟研究表明，该检验在CDM模型下具有良好的第一类错误控制和检验功效。该方法的核心技术是信息矩阵等式（IM equality）的变体，通过比较基于一阶导数和二阶导数的协方差矩阵估计量来检测模型误设定。对您而言，该工作属于假设检验领域，特别是针对高维参数模型（如CDM）的模型诊断，其低自由度检验思路可能对您在高维统计或因果推断中的模型验证有启发。
关键技术: Information Matrix (IM) equality, White's misspecification test, Lancaster-Chesher test, Cognitive Diagnostic Models (CDMs), chi-square goodness-of-fit
为什么对您有用: 本文属于假设检验方向，直接对应您primary_interests中的'mathematical statistics (hypothesis testing)'。其核心创新在于构造低自由度（1或2）的模型误设定检验，避免了传统GOF检验在高维参数下的自由度爆炸问题。从武器库看，您对'minimax bounds for estimation problems'和'high-dimensional asymptotics'非常熟悉，可立即评估该检验在高维CDM下的渐近性质（如检验功效是否随维度退化）。中期可做：若想将类似IM检验思路推广到因果推断中的模型诊断（如proximal CI中的bridge function误设定），需先在'moderately_familiar'的'semiparametric theory'上长肌肉，以处理半参数模型下的信息矩阵等式。

15. 2608.26421 — Dimension comparison for Student's statistic under symmetric unimodality¶

作者: Jacopo Lenzi
机构: University of Bologna
相关性 5/10 · novelty: new_theory
摘要: 研究 Student t 统计量在对称单峰分布下的尾部概率比较问题，聚焦于均匀分布与一般对称单峰分布之间的维度效应。在 Edgeworth 展开中，当 r=3 时分布敏感项消失，论文在移动边界 r_n=3+λ/n 下展开 n 维与 n-k 维的尾部概率差，发现首个非零差收敛至显式相曲面 H_δ(λ)，其零曲线统一了固定、次线性与固定比例删除三种情形。通过 Khintchine 尺度混合表示，构造了一个紧支撑 C^∞ 对称单峰母分布，其 Student 尾部在足够大 n 下超过等尺度均匀分布的尾部。同时，分位数比序表明均匀分布最大化所有偶数矩及非负系数偶幂级数。还导出了固定置信度的维度展开及 n=6 时的精确反转。该工作对您在高维假设检验与 Edgeworth 展开的精细分析有直接参考价值。
关键技术: Edgeworth expansion, self-normalized sum, Khintchine scale mixture, dimension comparison, quantile ratio order
为什么对您有用: 直接连接到 primary interest 中的 hypothesis testing 与 high-dimensional statistics 子方向，特别是 Student t 统计量的高维渐近行为。武器库中 very_familiar 的 high-dimensional asymptotics 可直接用于理解其维度展开机制，moderately_familiar 的 M-estimation theory 可辅助分析其 Edgeworth 展开的余项控制。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉以处理更一般的对称单峰族。

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。核心贡献在于统一了配对t检验与聚类校正，并显式处理多重比较问题。模拟与真实数据（6个开源模型在1497个MMLU-Pro问题上）验证了方法，表明成对排名结论高度依赖于是否恰当处理问题级配对与多重比较。对您而言，本文是假设检验与多重比较在AI评估这一新兴应用场景中的清晰案例，可连接您对假设检验的兴趣，且其随机效应建模思路与您熟悉的M估计理论有直接技术交集。
关键技术: random-effects model, linear mixed model, clustering correction, multiple comparison correction, paired t-test
为什么对您有用: 本文直接连接您的primary interest 'hypothesis testing'，特别是多重比较与聚类校正的实践。您武器库中的'M-estimation theory'（moderately_familiar）可直接用于分析其随机效应模型的渐近性质，例如验证其方差估计量的一致性。中期可做：若想将方法推广到更复杂的评测结构（如嵌套聚类），需先在'moderately_familiar'的'semiparametric theory'上加强，以处理非参数随机效应分布。

17. 2608.25288 — The Sampling Distribution of the Log-Euclidean Distance Between Sample Correlation Matrices¶

作者: Argyn Kuketayev
相关性 4/10 · novelty: new_method
摘要: 本文推导了两个独立估计的样本相关矩阵之间对数欧几里得距离（log-Euclidean distance）在原假设（总体相关矩阵相等）下的渐近抽样分布。在有限四阶矩的一般抽样条件下，缩放后的平方距离收敛到加权独立χ²₁变量的和，权重由广义Fisher变换（GFT）坐标的渐近协方差决定。在高斯独立抽样下，该分布简化为无参数的4χ²_d分布。为校准尾部概率，作者提供了闭式累积量生成函数、Lugannani-Rice鞍点分位数以及无需求根的显式Chernoff包络线。一阶矩给出了原假设下基线期望距离的简单经验法则（接近独立时E[d_LE] ≲ 2√(d/n)），量化了纯估计误差导致的平均分离。文章还建立了plug-in一致性、显式高斯协方差分解，并将距离统计量与坐标Wald检验进行了比较，刻画了局部功效。
关键技术: Log-Euclidean distance, Generalized Fisher Transformation (GFT), saddlepoint approximation, Chernoff envelope, Wald test, cumulant generating function
为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是高维协方差结构的检验问题。您武器库中'高维渐近理论'和'非参数统计'可直接用于评估其加权χ²极限分布的紧性，或探索其局部功效的minimax最优性。中期可做：若想将结果推广到非高斯或高维p>n情形，需先在'moderately_familiar'的M估计理论（如协方差矩阵的稳健估计）上提升。

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，研究在隐式牛顿求解器中用神经网络代理替代昂贵物理模块（中微子-辐射耦合）的加速潜力。核心发现是：代理的每次调用成本与运行时占比是不同概念，只有后者限制加速——目标模块独占时间仅占16.9%，按Amdahl定律将任何代理加速上限限制在~1.2倍。离线精度无法排序部署代理：14个网络的Spearman误差-存活相关性（ρ=+0.73）是组间混杂，控制后消失（ρ=-0.04）。正确的分布外门控机制无法加速离开训练分布的循环：访问状态偏离数据流形73倍，门控延迟96.8-99.7%的单元，加上自身成本后导致0.94-0.96倍减速。稳定性与保真度分离：永不崩溃的门控运行在6000步内积累线性-19.9%密度偏差，这是定向弹道累积偏差，而非自回归文献针对的方差驱动发散。本文给出了盈亏平衡的延迟比例闭式解，并揭示了计算-统计权衡在科学计算代理中的具体表现。
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: 本文直接连接您的统计计算兴趣，特别是计算-统计权衡（computational-statistical tradeoff）的gateway阅读：它用具体科学计算案例展示了代理加速的三大结构性障碍（Amdahl上限、离线精度失效、分布外门控失败），对您作为局外人理解'多项式时间可行性'在真实工程中的限制极有帮助。武器库中'软件工程'和'逆问题'经验可用来分析其运行时剖析方法，但核心的Amdahl定律分析和门控机制设计属于工程优化，不在您当前武器库中——属于暂不可做，但作为gateway阅读价值高。

2. 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 4/10 · novelty: new_method
摘要: 本文针对随机反应网络（连续时间马尔可夫链模型）中的灵敏度分析问题，提出了一种新的耦合构造方法——多路径堆叠耦合（MSC）。现有方差缩减耦合通常只针对一对参数路径设计，当需要同时估计多个参数扰动下的灵敏度时，重复使用效率低且需应用特定选择。MSC 是一种空间-时间泊松构造，能联合生成任意有限个参数化路径，且每对边际分布与对应的分裂耦合对同分布，因此已有的方差界可直接迁移。在有限状态空间下，本文还给出了有限差分分子均值和二阶矩的一阶展开。MSC 被应用于三种实际场景：同时估计多个一阶导数、使用更宽有限差分模板估计单个一阶导数、以及估计高阶导数。在磷酸化网络上的数值实验表明，在三种应用场景中，MSC 在给定计算预算下均实现了最小的均方根误差。
关键技术: multi-path stacked coupling (MSC), space-time Poisson construction, finite-difference sensitivity estimation, variance reduction via coupling, stochastic reaction networks
为什么对您有用: 本文属于统计计算方向，直接对应 primary interest 中的 statistical computing。MSC 是一种通用耦合构造，其核心思想——通过联合构造多条路径来降低有限差分估计的方差——可迁移到您熟悉的因果推断中的 bootstrap 或敏感性分析场景。武器库中 'inverse problems with random noise' 和 'software development' 可直接用于实现和扩展 MSC 到其他连续时间模型。中期可做：需先在 moderately_familiar 的 'M-estimation theory' 上理解耦合构造的渐近方差分析，才能将 MSC 推广到非马尔可夫设定。

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，传统的高维似然拟合方法面临计算瓶颈。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来高效计算单个透镜的似然比，进而组合成群体层面的后验分布。关键创新在于引入事后后验覆盖校准（post hoc posterior coverage calibration）步骤，以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 宇宙模型下，使用 100 个透镜时，校准后的 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，展示了在大规模透镜样本中实现高效宇宙学参数推断的可扩展路径。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（simulation-based inference）在天文学中的实际应用，且数据生成和模型校准的流程对统计学家友好。
关键技术: Neural Ratio Estimation (NRE), simulation-based inference, posterior coverage calibration, population-level inference, strong gravitational lensing cosmology
为什么对您有用: 本文属于 astrostatistics 的 gateway reading，完全符合您对该方向的阅读标准：(a) 行文清晰，不预设天文术语，适合 outsider 入门；(b) 清楚阐述了天文学家关心的科学问题（宇宙加速膨胀的测量）；(c) 核心问题是统计推断——高维似然难以处理时的替代方案，NRE 和校准方法正是统计学家可以贡献的领域；(d) 明确交代了数据生成过程（模拟）、噪声结构和推断假设。您的武器库中 nonparametric statistics 和 estimation theory 足以理解其方法框架，但 simulation-based inference 的具体实现（如 NRE 的神经网络架构和校准算法）属于 moderately_familiar 之外的新工具——若想进入该方向，需先熟悉 neural density estimation 和 coverage calibration 的基本文献。本文值得花时间通读全文，作为进入 astrostatistics 领域的起点。

2. 2608.26227 — Alfred: A Flexible, User-Friendly Python Package for Exoplanet Confirmation¶

作者: Maxwell A. Kroft
相关性 4/10 · novelty: application
摘要: 本文介绍 Alfred，一个用于系外行星探测与确认的开源 Python 包。在 TESS 任务时代，超过 8000 个候选行星中仅约八分之一得到确认，天文学家需要灵活软件来处理多望远镜、多仪器的数据。Alfred 允许用户对任意行星系统拟合凌星和径向速度数据，设计目标是灵活易用。代码以 MIT 许可发布在 GitHub 上，可通过 pip 安装，文档正在积极开发中。该包主要面向天文学家的实际数据分析需求，而非提出新的统计方法。对于统计研究者而言，这是一个了解系外行星确认中数据结构和分析流程的入门工具。
关键技术: transit fitting, radial velocity fitting, exoplanet confirmation, open-source software
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系外行星数据分析的入门读物。它清晰说明了数据来源（TESS 候选行星、多望远镜凌星和径向速度数据）和建模目标（行星系统参数估计），但未涉及高级统计方法或计算挑战。武器库中的非参数统计和软件开发经验可帮助理解其拟合流程，但本文本身不提供可直接迁移的方法论。值得花时间读全文以建立领域背景，但无需深入技术细节。

3. 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 4/10 · novelty: application
摘要: 本文针对分布式孔径望远镜（如 Small ExoLife Finder, SELF）的共相难题，提出用卷积神经网络（CNN）直接从焦面图像估计子孔径的活塞和倾斜误差，实现快速粗对准至微米级。研究采用高保真光学仿真生成训练数据，并加入高斯噪声增强鲁棒性。比较了多种 CNN 架构，自定义 CNN 在估计性能、鲁棒性和计算效率（毫秒级推理）之间取得良好平衡。噪声增强在低信噪比下改善重建，但在近无噪声条件下性能略有下降。该方法展示了数据驱动焦面波前传感的可行性，为未来高分辨率干涉系统的自主共相策略提供了基础。对您而言，这是一篇优秀的入门级天文统计读物：清晰阐述了光学系统的数据生成机制（焦面强度分布）、噪声模型（高斯噪声）和估计目标（活塞/倾斜误差），适合作为了解天文仪器中统计/机器学习应用的起点。
关键技术: convolutional neural networks, supervised regression, focal-plane wavefront sensing, Gaussian noise augmentation, optical simulation
为什么对您有用: 本文属于 astrostatistics 的 gateway reading。它清晰展示了天文仪器中的典型数据问题（焦面图像 → 高维非线性逆问题），并给出了完整的机器学习 pipeline（仿真数据生成、CNN 架构选择、噪声鲁棒性分析）。武器库中的 nonparametric statistics 和 inverse problems 知识可直接用于理解其估计框架，但核心机器（CNN 架构设计、光学仿真细节）不在武器库中，属于暂不可做方向。不过作为入门读物，值得花时间阅读全文以了解天文统计的典型问题设定。

4. 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 4/10 · novelty: application
摘要: 本文提出一种基于奇异值分解（SVD）的通用经验性流水线，用于从帕克太阳探测器（PSP）记录的动态频谱中提取木星射电辐射信号。核心挑战在于木星信号被准热等离子体噪声、航天器仪器干扰和太阳爆发持续淹没。方法首先将动态频谱转换到周期相位折叠参考系以对齐木星辐射的周期性结构，然后通过确定性双阶段噪声滤波（SVD分解后截断奇异值）分离结构化信号与随机背景。第二阶段使用“特征脸”矩阵分解识别长期全球形态趋势并作为未来木星辐射的检测方法。在PSP 21次近日点飞越数据上，该方法实现信噪比提升1.54±0.11 dB（最高3.32 dB），且无需空间定位约束。对您而言，这是一篇优秀的入门级天体统计学读物：它清晰展示了射电天文学中“弱信号提取”这一典型数据挑战，并给出了一个可复现的线性代数框架（SVD+阈值滤波），武器库中的非参数统计和软件工程能力足以理解甚至复现其核心步骤。
关键技术: Singular Value Decomposition (SVD), phase-folding, noise filtering via singular value truncation, Eigenfaces matrix factorization, dynamic spectrum analysis
为什么对您有用: 本文属于天体统计学（astrostats）的gateway reading。它满足入门标准：(a) 对射电天文学零基础的统计学家友好——清晰解释了动态频谱、相位折叠、噪声来源等概念；(b) 阐明了天文学家关心的科学问题（木星磁层动力学与Io耦合）；(c) 数据维度（时间×频率×相位）和噪声结构（准热噪声+仪器干扰+太阳爆发）构成了一个非平凡的信号分离问题，统计方法（SVD阈值化）有改进空间；(d) 数据侧（PSP的21次飞越、高分辨率波形数据）和模型侧（周期信号+随机背景的加性模型）交代清楚。武器库中的非参数统计和软件工程能力足以理解全文，且可考虑用更高阶的矩阵分解（如鲁棒PCA或张量分解）替代SVD以处理非高斯噪声——这是一个中期可做的follow-up，需先在moderately_familiar的M-estimation理论中熟悉鲁棒性概念。

5. 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 4/10 · novelty: application
摘要: 本文针对地面极端自适应光学系统（XAO）中未调制金字塔波前传感器（uPWFS）的线性范围与灵敏度权衡问题，提出并实现了基于卷积神经网络（CNN）的非线性重构器。uPWFS 相比调制版本具有更高的灵敏度，但线性范围窄，传统线性重构器难以同时兼顾动态范围和光子噪声。作者在 MagAO-X 系统上进行了实时 CNN 重构器的天观测验证，展示了在不同大气条件下的稳定校正性能。在低和中 Strehl 比（成像质量指标）下，CNN 方法显著优于默认操作；在高 Strehl 比下性能略有下降，仿真分析表明主要原因是训练数据集未针对该区域优化，而非方法本身的根本限制。此外，针对缩比版极大望远镜（ELT）的仿真显示，NN 增强的 uPWFS 在快速花瓣-活塞控制方面有显著提升。本文清晰展示了天文自适应光学中的数据流（波前传感器像素 → 重构器 → 变形镜控制信号）和噪声结构（光子噪声、时间误差），对统计学家而言是一个很好的入门案例，展示了高维非线性回归在实时控制问题中的应用。
关键技术: Convolutional Neural Network (CNN) reconstructor, unmodulated Pyramid Wavefront Sensor (uPWFS), real-time adaptive optics control, nonlinear wavefront reconstruction, simulation-based training data generation
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了天文自适应光学中的数据结构和噪声模型（光子噪声、时间误差），以及一个高维非线性回归问题（从传感器像素到变形镜控制信号的映射），统计学家能理解其核心挑战。武器库中的非参数统计和软件工程能力足以支撑研究者进入这个方向——本文的 CNN 重构器本质上是一个非参数回归问题，而实时实现涉及计算效率的权衡。值得花时间读全文，因为它提供了一个统计学家能快速上手的应用场景，且方法学上（非线性重构 vs. 线性重构的权衡）与高维统计中的 bias-variance tradeoff 有直接类比。

6. 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 4/10 · novelty: application
摘要: 该论文针对直接成像系外行星时波前校正的伺服滞后误差问题，提出了一种基于子空间预测控制（SPC）的自学习模型预测控制器。作者在MagAO-X仪器上实现了一种新颖的在线QR分解递归最小二乘方法，用于实时学习并预测大气扰动和振动。实验结果显示，该方法平均使斯特列尔比提高15%，抖动降低至0.9毫角秒。论文详细介绍了控制器的实现及其在天空中的性能表现。对于统计学家而言，这是一个将在线递归估计方法应用于自适应光学系统的实际案例，展示了统计计算在实时控制中的潜力。
关键技术: subspace predictive control, recursive least squares, QR decomposition, online learning, adaptive optics
为什么对您有用: 本文属于天文统计学的入门级读物，清晰展示了实时统计计算方法（递归最小二乘）在自适应光学中的应用。研究者作为统计计算领域的局外人，可以通过本文了解天文仪器中数据驱动的控制问题，但核心方法（子空间预测控制）与研究者武器库中的工具（如高维统计、U统计量）直接关联较弱。本文适合作为了解天文统计学的起点，但中期内难以直接迁移方法。

7. 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 4/10 · 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 blocked Whittle 似然的特征基表示框架下，作者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。与 Hamiltonian Monte Carlo (HMC) 相比，SGVB 在自回归和滑动平均过程的模拟中给出了接近的后验中位数谱估计，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 的谱估计与 HMC 及 Welch 估计在 LISA 分析频带内一致。结果表明 SGVB 为长时多变量 LISA 噪声分析提供了一种可扩展的贝叶斯方案。作为 astrostatistics 的入门读物，本文清晰地展示了引力波数据分析中的实际统计挑战（长时序列、多通道相关噪声、计算瓶颈），并给出了具体的建模和计算策略，适合统计学家了解该领域的数据结构和模型设定。
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 astrostatistics 的 gateway reading，清晰展示了 LISA 噪声谱估计这一具体问题中的数据结构和模型设定（长时序列、多通道相关噪声、Whittle 似然近似），对统计学家友好。武器库中的非参数统计和软件工程能力足以理解其方法框架，但核心的变分贝叶斯（SGVB）和 HMC 工具不在当前武器库中，属于暂不可做方向。不过作为入门读物，值得花时间阅读全文以拓宽对引力波统计问题的认识。

经济理论 / 应用 (econ_theory, 4 篇)¶

1. 2608.23988 — Estimation of Random-Coefficient Dynamic Panel Data Models with a Fixed T¶

作者: Xun Tang, Pei Yu
相关性 6/10 · novelty: new_method
摘要: 本文研究固定时间期数 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。在严格外生性的分布形式假设下，作者点识别了随机系数与结构误差的联合分布，并提出了一种基于逆 Radon 变换的闭式多步估计量。建立了随机系数密度估计的一致收敛速率，以及时变结构误差条件密度估计的一致相合性。蒙特卡洛模拟展示了估计量在有限样本下的良好表现。该工作为经济面板数据中异质性动态效应的非参数识别与估计提供了新工具，对您关注的经济学应用中的因果推断方向有直接参考价值。
关键技术: inverse Radon transform, random coefficient panel data, nonparametric identification, uniform convergence rate, closed-form multi-step estimator
为什么对您有用: 本文属于经济理论（应用因果推断）方向，为固定 T 动态面板中随机系数模型的非参数识别与估计提供了新方法。您的武器库中的非参数统计和估计理论可以直接用于理解其逆 Radon 变换估计量的收敛性质，但核心识别策略（分布形式严格外生性）与您熟悉的因果推断识别框架有差异。本文是值得花时间读全文的入门级经济理论应用文章，能帮助您了解经济学中处理异质性动态效应的前沿方法。

2. 2608.23925 — Repairing Locally Misspecified GMM: An Empirical Bayes Approach¶

作者: Patrick Kline
相关性 5/10 · 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。作者提出了一种经验贝叶斯方法，通过估计设定误差的均值和方差来构造目标参数的偏差校正估计量，并在过度识别约束数量随样本量增长的新近框架下证明了这些超参数估计的一致性。进一步，作者从偏差校正估计量中减去一阶估计误差的最佳线性预测，得到了一个弱改进精度的经验贝叶斯估计量。利用组合中心极限定理，作者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。模拟实验表明，在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，且对控制变量设定的敏感性降低。
关键技术: Empirical Bayes, Generalized Method of Moments (GMM), Bias-corrected estimation, Combinatorial central limit theorem, Overidentifying restrictions
为什么对您有用: 本文属于经济理论的应用因果推断工作，直接连接到您的 secondary interest 中的经济理论方向。其核心方法——在矩条件存在设定误差时进行偏差校正——与您熟悉的因果推断中的估计理论（如 IV 的排除限制违反）高度相关。您可以用 very_familiar 的 minimax bounds 工具来评估其偏差校正估计量的最优性，或检验其提出的经验贝叶斯收缩是否在更一般的设定下达到半参数效率界。本文是值得花时间读全文的入门级应用方法论文。

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

作者: Amadeo Grob, Maurizio Daniele, Johanna Ziegel
相关性 4/10 · novelty: application
摘要: 本文针对宏观经济预测中概率校准的序列评估问题，提出基于 e-value 的序列检验方法。传统固定样本检验无法在数据持续到达时保持有效性，而 e-value 方法支持任意时点有效的推断，允许连续检验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，发现序列检验能在重大结构断点期间捕捉到静态全样本检验遗漏的校准失效证据。方法核心是构造一个在零假设下为鞅的 e-process，通过 Ville 不等式控制任意停时的 I 类错误。对您而言，本文展示了 e-value 在宏观经济学时间序列诊断中的应用，属于经济理论方向的实证因果/预测评估，可作为入门读物了解 e-value 在序列检验中的实际价值。
关键技术: e-values, e-process, anytime-valid inference, sequential testing, probabilistic forecast calibration, Ville's inequality
为什么对您有用: 本文属于经济理论方向的实证应用，展示了 e-value 在宏观经济预测校准序列检验中的实际价值。武器库中 'estimation theory in causal inference' 和 'high-dimensional asymptotics' 可帮助理解 e-process 的鞅性质与 Ville 不等式的理论保证，但核心 e-value 框架不在当前武器库中（缺 martingale-based sequential testing 工具），属于暂不可做方向。作为 gateway reading，本文入门友好，适合快速了解 e-value 在序列推断中的基本思想。

4. 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，将非市场环境负效用纳入求职模型。作者构建了一个基于离散选择模拟的“搜索-筛选”求职框架，使用Cox比例风险模型（基于随机效用模型）来刻画求职者逐轮淘汰工作机会的过程。数据来自离散选择模拟实验，个体在模拟中根据薪资、地理位置、犯罪率和自然灾害风险等属性，在成对工作机会间做出自适应学习决策。估计了标准比例风险模型和允许自然灾害风险效应随决策轮次变化的扩展模型。结果显示薪资和犯罪率对工作淘汰具有稳定且符合直觉的影响（高薪资降低淘汰概率，高犯罪率增加淘汰概率），而自然灾害风险呈现时变效应：在早期轮次增加淘汰概率，但在后期变得中性甚至有利。这表明环境风险在从初步筛选到最终选择的决策过程中被差异化评估，强调了将工作选择建模为多阶段过程的必要性。对您而言，本文是经济理论中应用因果推断方法（离散选择模型、Cox模型）的实证案例，可作为了解该领域数据结构和建模思路的入门读物。
关键技术: Cox proportional hazards model, Random Utility Model, discrete choice simulation, adaptive learning process, time-varying covariate effects
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Cox比例风险模型分析环境风险对工作选择的影响。作为入门读物，它清晰地展示了经济决策建模中如何将非市场因素（自然灾害）纳入效用函数，并采用模拟数据+生存分析的方法框架。您的武器库中'非参数统计'和'因果推断中的估计理论'足以理解其核心方法，但本文方法学创新有限（主要是应用现有模型），属于'暂不可做'——核心机器（离散选择模拟的完整流程、Cox模型的时变协变量设定）不在武器库里，但作为了解经济理论中应用因果推断的案例值得一读。

其他 (other, 14 篇)¶

1. 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 回归模型构建了调查加权框架中的等价权重（equivalent weights）。由于基于 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，每个权重为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插件方差估计量。模拟实验考察了总体恢复、回归表现、有效样本量及渐近方差近似的有限样本行为，结果显示 logistic 等价加权在有限样本点估计和近似有效的插件方差估计方面具有竞争力。应用部分使用了 Future of Families and Child Wellbeing Study 数据。本文强调 logistic 等价加权与近期非线性多层回归及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、调查权重性质及其推断用途。对您而言，本文属于调查加权与模型辅助推断的交叉领域，与您的主要兴趣（因果推断中的估计理论、半参数效率理论）有一定距离，但可作为了解调查加权方法的入门阅读。
关键技术: survey weighting, logistic regression equivalent weights, local first-order representation, plug-in variance estimator, finite-cell superpopulation framework
为什么对您有用: 本文属于调查加权与模型辅助推断的交叉领域，与您的主要兴趣（因果推断中的估计理论、半参数效率理论）有一定距离，但可作为了解调查加权方法的入门阅读。您的武器库中'非参数统计'和'因果推断中的估计理论'可以用于分析其权重构造的稳健性，但核心问题（调查加权 vs. 因果推断的权重）差异较大，属于暂不可做——缺少调查抽样的专业知识。

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实值信号的扫描统计量（scan statistics），旨在通过改进非平稳信号的拟合来增强与区间异常（interval anomalies）的对比。模型可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（假设最大区间宽度有界）将其降至线性时间。方法基于 Nadaraya-Watson 核回归，在合成数据与真实干涉天文数据（平台效应检测）中均表现有效。对您而言，本文属于统计计算与信号检测的交叉，但核心问题（扫描统计量的高效计算）与您的主要兴趣（因果推断、高维统计）关联较弱，且方法学新颖性有限（主要是算法加速而非理论突破）。
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检测的交叉，但核心问题（扫描统计量的高效计算）与您的主要兴趣（因果推断、高维统计）关联较弱。方法学新颖性有限（主要是算法加速而非理论突破），且未涉及您武器库中的核心工具（如 U-统计量、半参效率理论）。作为 gateway reading 价值不高，因为天文应用部分（干涉平台效应）对统计学家而言不够自包含，且未清晰阐述数据结构和模型假设。暂不可做。

3. 2608.25743 — Learning of deep neural network regression estimates using gradient descent with pruning¶

作者: Michael Kohler, Vincent Molinero Römer, Adam Krzyżak
相关性 5/10 · novelty: new_theory
摘要: 本文研究回归函数估计问题，使用随机初始剪枝的全连接深度神经网络，激活函数为 logistic squasher，通过梯度下降拟合数据，步长采用数据依赖的非恒定选择。在回归函数为 (p,C)-光滑的假设下，证明了该网络估计的 L2 误差（关于设计变量积分）达到（至多对数因子）最优极小化收敛速率。该方法能够规避维数灾难，前提是预测变量集中在低维流形附近。通过模拟数据验证了有限样本性能。该工作属于深度学习的理论分析，与您的主要研究方向（因果推断、高维统计、U-统计量等）无直接交集。
关键技术: deep neural network, gradient descent with pruning, minimax rate of convergence, curse of dimensionality, low-dimensional manifold
为什么对您有用: 本文属于深度学习理论，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接关联。您的武器库中非参数统计和极小化界可用于理解其收敛率，但核心机制（深度网络剪枝与梯度下降）不在您的技术栈中。暂不可做，因为缺少深度网络理论的核心工具。

4. 2608.26286 — A Coherent Framework for Semicontinuous Data Through Distributional Regularization, Censoring, and Compounded Occurrence-Severity Modeling¶

作者: Jianping Philip Wang
相关性 4/10 · novelty: new_method
摘要: 本文针对半连续数据（含结构零、高度右偏、极端尾部）提出一个统一的似然框架，将复合发生-严重性建模、Box-Cox 幂变换和右删失似然估计整合在一起。该框架通过分别处理结构零质量、经验偏度和极端尾部边界行为，隔离分布失配的根源，同时保持发生概率与条件严重性之间的复合关系。作者推导了闭式偏差、梯度向量和 Hessian 矩阵，使得基于似然的估计和机器学习实现高效可行。该方法为实际中常用变换和删失处理的半连续结果提供了统计上自洽的分布失配修正方案。对您而言，本文虽不直接涉及因果推断或高维统计，但其处理极端值和分布失配的似然框架对流行病学或经济学中常见的半连续结局（如医疗费用、保险索赔）分析有参考价值。
关键技术: compounded occurrence-severity model, Box-Cox power transformation, right-censored likelihood, closed-form deviance, distributional mismatch correction
为什么对您有用: 本文属于统计方法论文，但主题（半连续数据建模）与您的主要兴趣方向（因果推断、高维统计）无直接交集。作为流行病学或经济学应用中的数据处理工具，该框架可能对处理偏态结局有用，但方法学新颖性有限。武器库中无直接可攻的切入点，属于暂不可做范畴——核心机器（复合似然与删失的整合）不在您的技术库中，且不涉及您熟悉的 U-统计量或半参效率理论。

5. 2608.26212 — Copula based dependent censoring in cure models with covariates¶

作者: Morine Delhelle, Anouar El Ghouch, Ingrid Van Keilegom
相关性 4/10 · novelty: weaker_assumption
摘要: 本文在生存分析中考虑存在治愈分数的混合治愈模型，并同时处理两种删失：可能与生存时间相关的依赖删失和独立的行政删失。通过Copula函数对依赖删失与生存时间之间的随机相关性进行建模，并允许协变量影响所有模型参数（包括治愈概率、依赖结构等）。该框架扩展了近期全参数混合治愈模型的工作，引入协变量后不仅提高了灵活性，还放宽了参数可识别性的条件。估计方法基于全似然函数，采用参数化假设实现。模拟和实证研究表明，忽略依赖删失或协变量会导致治愈分数估计的偏误。对您而言，本文属于生存分析中依赖删失与治愈模型的结合，与您的主要兴趣（因果推断中的删失/纵向数据）有间接关联，但方法论上更偏向参数生存建模，而非您熟悉的半参数或高效推断框架。
关键技术: mixture cure model, copula-based dependent censoring, parametric likelihood, administrative censoring, covariate-dependent parameters
为什么对您有用: 本文属于生存分析中的依赖删失与治愈模型，与您的主要兴趣（因果推断中的纵向数据、删失问题）有间接关联，但方法论上更偏向参数生存建模，而非您熟悉的半参数或高效推断框架。您的武器库中非参数统计和因果推断中的删失处理经验可帮助理解其识别策略，但核心的Copula参数建模与您的技术栈（U统计量、半参数效率）交集有限。暂不可做：本文依赖全参数似然和Copula选择，而您缺乏参数生存模型和Copula建模的深度经验。

6. 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: 本文针对贝叶斯分位数回归中基于非对称拉普拉斯(AL)分布的误差模型对极端观测敏感的问题，提出了一种稳健的误差分布——AL与对数Pareto尺度混合非对称拉普拉斯(LPAL)的有限混合分布。该混合分布保留了预设分位数，且双尾呈现对数正则变化行为，同时LPAL分量在目标分位数处具有无界密度，实现了中心尖锐集中与超重尾的结合。作者建立了在任意极端污染下的后验稳健性，并给出了回归系数和尺度参数后验矩存在的充分条件。后验计算采用基于潜变量增广的Gibbs采样器和计算高效的均值场变分贝叶斯近似。模拟表明，该方法在中等污染下具有竞争力，在严重污染影响目标分位数时能保持稳定的点估计和相对集中的后验区间。对二氧化碳和波士顿房价数据的应用显示，在几乎所有分位数水平和损失准则下预测性能良好。
关键技术: Bayesian quantile regression, asymmetric Laplace distribution, log-regularly varying tails, 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性方法，与您的主要兴趣（因果推断、半参理论）无直接交集，且未涉及您武器库中的核心工具（如U统计量、高维渐近、极小极大界）。作为一般方法学论文，其技术核心（对数正则变化尾部分布、后验稳健性）与您的技术栈距离较远，暂不可做。

7. 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 4/10 · novelty: new_method
摘要: 本文提出一种空间正交因子模型（SOFM），用于空间转录组学和遥感数据中潜在空间变异模式的推断。现有空间概率PCA方法存在三个主要缺陷：载荷矩阵非正交且后续正交化会破坏空间先验信息、假设空间先验平稳、以及计算复杂度随空间位置数超线性增长。作者直接对正交载荷参数化，推导了具有k个唯一奇异值和m-k个重复奇异值的SVD变换的采样分布作为先验。在此模型下，MAP估计量等价于经验协方差矩阵与先验空间协方差之和的特征分解。开发了线性计算复杂度的MM-EM算法，并扩展到处理held-out位置和非平稳先验协方差的验证策略。通过人类脑空间转录组学和撒哈拉以南非洲大陆尺度物候学两个案例展示了方法实用性。对您而言，本文属于统计计算与高维数据降维的交叉，但方法学核心（正交因子模型、MM-EM算法）与您的主要兴趣方向（因果推断、半参理论）距离较远，更适合作为gateway reading了解空间转录组学数据分析的统计挑战。
关键技术: orthogonal factor model, MM-EM algorithm, spatial prior, SVD transformation, linear-time complexity
为什么对您有用: 本文属于统计计算与高维数据降维方向，但核心方法（正交因子模型、MM-EM算法）与您的主要兴趣（因果推断、半参理论、高维统计）直接关联较弱。作为gateway reading，本文清晰阐述了空间转录组学数据的结构（基因表达的空间变异模式）和模型假设（正交载荷、非平稳先验），对统计学家入门该领域有参考价值。武器库中'软件开发和逆问题'可帮助理解其MM-EM算法的实现，但本文不涉及您熟悉的U统计量或因果推断工具，属于暂不可做方向——核心机器（空间统计、因子模型）不在武器库中。

8. 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，在多元回归中同时处理异质性（潜在分组）、数据污染（异常值、杠杆点）和缺失数据（MAR）。模型扩展了 contaminated Gaussian cluster-weighted model (CG-CWM)，将协变量视为随机变量以保留其对聚类的贡献，并通过期望条件最大化 (ECM) 算法处理四类不完全信息：缺失响应与协变量、未知成分归属、潜在污染指示变量。在给定污染指示变量条件下，响应与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，从而将缺失值不确定性直接纳入参数更新，无需预先插补。模型同时实现聚类、聚类回归、MAR 值处理及异常点检测。数值实验和真实数据应用验证了其在不同污染水平和缺失模式下的性能。对您而言，本文属于应用统计方法，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接技术重叠，但可作为处理缺失数据与异常值的参考案例。
关键技术: Expectation-Conditional Maximization (ECM), contaminated Gaussian cluster-weighted model, missing at random (MAR), model-based clustering, leverage point detection
为什么对您有用: 本文属于应用统计方法，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接技术重叠。作为 gateway reading 价值有限：方法本身是经典 EM 框架的扩展，没有引入新的统计计算 tradeoff 或高阶理论。暂不可做——核心机器（聚类回归、ECM 算法）不在您的武器库中，且无足够新颖的方法学连接值得投入时间。

9. 2608.24371 — Groupwise Predictor Envelope Models for Multivariate Linear Regression¶

作者: Sota Osumi, Akira Okazaki, Shuichi Kawano
相关性 4/10 · novelty: new_method
摘要: 本文针对多元线性回归中预测变量存在分组结构（如治疗组、区域、人口分层）的场景，提出分组预测变量包络模型（groupwise predictor envelope model）。该模型假设各组回归系数矩阵共享一个共同的预测变量包络子空间，同时允许组特异回归效应和组特异误差协方差矩阵，从而在保留组间差异的同时实现降维和效率提升。估计方法通过构造目标函数估计共同包络子空间，进而得到回归系数估计量，并推导了其渐近正态性和显式渐近方差公式。理论证明该估计量比对各组分别拟合预测变量包络模型更渐近有效，模拟研究验证了这一优势。本文属于方法学贡献，但核心工具（包络方法）与您的主要兴趣方向（因果推断、高维统计、U统计量等）交集有限，且未涉及您武器库中的具体技术（如高阶U统计量、半参效率界等）。作为统计方法论文，其分组共享结构的思路对纵向或分层因果推断中的效率提升有一定启发，但直接迁移性不强。
关键技术: envelope methods, multivariate linear regression, common subspace estimation, asymptotic efficiency
为什么对您有用: 本文属于统计方法学，与您的主要兴趣方向（因果推断、高维统计、半参理论）无直接交集，且未涉及您武器库中的具体技术（如高阶U统计量、张量收缩、半参效率界）。包络方法在因果推断中可用于处理高维协变量或工具变量，但本文聚焦于多元回归的预测变量降维，而非因果识别或估计。作为gateway reading价值有限，暂不可做。

10. 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高斯过程（GP）对非高斯空间特征刻画不足的问题，提出最近邻非高斯过程（NNnGP）。该方法在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）扩展至非高斯设定。为保证单次实现下的空间预测一致性，作者提出了正则化齐次性条件。条件均值采用高斯过程进行贝叶斯非参数构造，并将NNnGP作为非高斯空间先验嵌入分层回归模型。后验计算与预测采用基于归一化流的变分推断方法。合成数据与真实PRISM降水异常数据的实验表明，NNnGP能捕捉局部非线性依赖，显著缓解极端空间事件的低估问题，同时保持全局预测精度。该方法属于空间统计与贝叶斯非参数建模方向，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠，但归一化流变分推断的计算策略对统计计算有一定参考价值。
关键技术: Vecchia approximation, nearest-neighbor Gaussian process, normalizing flow, variational inference, Bayesian nonparametrics
为什么对您有用: 本文属于空间统计与贝叶斯非参数建模，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。归一化流变分推断的计算策略对统计计算有一定参考价值，但核心方法（Vecchia近似、条件均值GP）不在您的武器库中。作为gateway阅读，本文对地统计非高斯建模的入门尚可，但方法学新颖性有限（主要是NNGP的非线性扩展）。暂不可做——核心机器（空间GP、Vecchia近似、归一化流）不在武器库里。

11. 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，作者在总体层面定义了函数型同质性分析，并证明在无限维设定下，同质性分析与MCCA之间的有限维等价性一般不成立。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拓展，与您的主要兴趣方向（因果推断、高维统计等）无直接交集，但可作为函数型数据方法论的背景阅读。
关键技术: functional data analysis, canonical correlation analysis, Hilbert-Schmidt operator, compact operator, truncated canonical representation
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、半参理论等）无直接交集。作为gateway-reading，本文对函数型数据领域的统计学家有参考价值，但您的武器库（非参统计、高维渐近）可帮助理解其算子理论部分，不过核心问题（无限维CCA的良定义性）与您的技术栈距离较远，暂不可做。

12. 2608.25765 — Frequency Domain Bootstrap for Functional Time Series¶

作者: Daniel Rademacher, Jens-Peter Kreiss, Efstathios Paparoditis
相关性 4/10 · novelty: new_method
摘要: 本文针对函数型时间序列提出了一种频域自助法（bootstrap），目标是对谱均值算子进行推断。方法首先生成独立伪周期图算子来估计谱密度算子，然后通过基于子样本卷积周期图算子的重抽样过程，对谱均值算子的前 m 维部分进行补充，以捕捉过程的四阶结构。当 m 随样本量增大而趋于无穷时，该方法能一致估计整个四阶结构。渐近理论在固定 m 和递增 m 下均建立了有效性，且对底层函数过程的条件较弱。该工作主要贡献于函数型时间序列的频域推断，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接重叠。
关键技术: frequency domain bootstrap, spectral mean operator, periodogram operator, functional time series, subsampling
为什么对您有用: 本文属于函数型时间序列的频域推断，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接连接。您的技术武器库中非参数统计和软件工程可能有助于理解其重抽样机制，但核心问题（函数型数据的频域自助法）不在您的核心兴趣范围内，且缺乏可迁移的方法学接口。因此，本文暂不可做，不值得投入时间精读。

13. 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 4/10 · 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，更是由分类器机制产生的可观测信号。作者发展了基于似然的信息理论，在正确设定下推导了Fisher信息分解，将部分标注分量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。文章还澄清了完全数据基准：有利的缺失机制可以比普通全标注或预算匹配的非信息性标注基线提供更多信息，但不能超过同时观测标签和机制指示器的增广实验。对于plug-in分类器，信息分解与基于间隔的过剩风险界相联系，在正则双成分混合设定下得到参数化n^{-1}过剩风险率。高斯混合计算和医学诊断示例展示了不确定性依赖的标注机制如何在固定标注预算下改进估计和分类。
关键技术: Fisher information decomposition, Godambe-Eicker-Huber-White sandwich covariance, semi-supervised classification, missing data mechanism, excess-risk bounds
为什么对您有用: 本文属于半监督分类与缺失数据机制的理论研究，与您的主要兴趣（因果推断中的缺失机制、假设检验）有间接联系，但核心设定（分类不确定性依赖的缺失）与您的直接工作方向（因果推断、高维统计、U统计量）距离较远。武器库中的非参数统计和估计理论可用于理解其信息分解的紧性，但该文更偏向分类理论而非您熟悉的因果推断或高维框架。暂不可做——核心机器（分类信息理论、缺失机制与分类器耦合）不在武器库中，且缺乏与您主要兴趣的直接连接点。

14. 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 4/10 · novelty: application
摘要: 本文提出一种主成分分析方法，用于处理混合了平稳与非平稳变量的数据集。该方法无需预先知道哪些变量是非平稳的，也无需指定非平稳的具体形式（如单位根或趋势）。核心机制是通过对协方差矩阵的特定变换或对特征分解的调整，使得提取的共同因子能够同时捕捉平稳和非平稳成分的周期波动。作者在FRED-MD宏观经济数据集上进行了应用，展示了该方法与传统PCA相比的相似优势以及额外的好处。从理论上看，该方法可能涉及对非平稳过程协方差结构的谱分解或正则化处理。实证结果表明，该方法在宏观经济预测或因子提取中具有实用价值。对您而言，本文属于时间序列与因子分析的应用，与您的主要兴趣（因果推断、高维统计等）关联较弱，但可作为了解非平稳数据降维方法的入门参考。
关键技术: Principal Component Analysis, nonstationary time series, factor model, FRED-MD dataset
为什么对您有用: 本文属于时间序列因子分析的应用，与您的主要兴趣（因果推断、高维统计、U统计量等）直接关联较弱。作为gateway reading，本文对非平稳PCA的阐述较为清晰，但未涉及您武器库中的具体工具（如U统计量或minimax界）。暂不可做：核心机器不在武器库里，缺乏时间序列非平稳性的专门工具。

🗂 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）。

作者: Fiona Steele, Justin Weltz, Eleanor A. Power, Jeremy Koster
相关性 3/10
评分理由: 主题是社会网络的多水平模型，与主要兴趣（因果推断、高维统计等）无直接关联。

2. 2608.25304 — SAUSS: Stochastic Approximation with Unbiased Simulated Scores for Limited Dependent Variable Models¶

作者: Sokbae Lee, Yuan Liao, Myung Hwan Seo, Youngki Shin
相关性 3/10
评分理由: 主题为计量经济学中的离散选择模型，与主要兴趣（因果推断、高维统计）关联较弱。

3. 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: Neural spike-train modeling is unrelated to the researcher's primary or secondary interests.

4. 2608.23538 — Interpretable AI with Local Distillation¶

作者: Erin Craig, Yiling Huang, Snigdha Panigrahi
相关性 3/10
评分理由: 关于可解释AI的局部蒸馏，与统计兴趣关联较弱。

5. 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: 讨论潜在特质模型，与心理测量学相关，与核心统计兴趣（因果、高维、非参数）无关。

6. 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: Bayesian bi-clustering for categorical data is unrelated to primary interests in causal inference or high-dim statistics.

7. 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: Gamma model ANOVA for nonnegative data is a niche applied method with no clear connection to primary interests.

8. 2608.25766 — Pooling Mobility Obscures Epidemic Invasion Routes¶

作者: Tiandong Wang, Wei Yang
相关性 3/10
评分理由: Epidemic modeling with mobility networks is not a primary interest; lacks clear statistical methodology transferable to the researcher's work.

作者: Xinyu Song
相关性 3/10
评分理由: 局部渐近决策理论中的实验菜单问题，理论性极强且抽象，与主要兴趣（因果推断、U-统计量、高维统计）无直接联系。

10. 2608.25901 — Cross-Section Estimation of Long-Run Relations Using Time-Compressed Data¶

作者: Serena Ng, Nikolay Gospodinov
相关性 3/10
评分理由: 面板数据中的长期关系估计，属于计量经济学，但与因果推断或高维统计的核心兴趣点关联较弱。

11. 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 3/10
评分理由: Applied economics paper on solar adoption; no clear connection to primary or secondary statistical interests.

12. 2608.26326 — RadialPaths: Radial profiles in multi-centred astronomical structures¶

作者: Rafael S. de Souza
相关性 3/10
评分理由: 天文学数据分析方法，但描述偏技术实现，缺乏对统计学家友好的数据/模型框架，不符合astrostats gateway标准。

13. 2608.26077 — Anatomy of an extensive air shower: building an optimal radio emission calculation¶

作者: Juan Ammerman-Yebra, Harm Schoorlemmer
相关性 3/10
评分理由: 天文学粒子物理计算优化，涉及计算但无统计推断框架，不符合astrostats gateway标准。

14. 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: ENA强度重建管线，涉及HEALPix网格和反演，但方法描述简略，统计深度不足。

15. 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: 纯天文学工具论文，无统计方法创新或数据/模型维度，不符合任何兴趣。

16. 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 3/10
评分理由: 硬件信号处理设计，虽涉及数字信号处理但与统计方法或研究者核心兴趣无关。

17. 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 3/10
评分理由: 天文图像前向建模，涉及PSF模型但无统计推断或方法学贡献，与兴趣无关。

18. 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 3/10
评分理由: 高对比成像中的波前控制，技术细节为主，无统计方法或数据建模内容。

19. 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 3/10
评分理由: 天文干涉测量中的闭包相位理论，有数学结构但非统计核心兴趣。

20. 2608.25280 — Empirical-Bayes Elastic-Net Computation for Exponential Random Graph Models¶

作者: Dan Han, Vicki Modisette, Ting Li, Akidul Haque
相关性 2/10
评分理由: 主题为网络模型（ERGM），与主要兴趣领域不直接相关。

21. 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 2/10
评分理由: 专注于成分数据的混合模型和异常值处理，与主要或次要兴趣均不相关。

22. 2608.23825 — Efficient Bayesian Inference for Benter Models on Ranked Data¶

作者: Michael Pearce
相关性 2/10
评分理由: 关于排名数据的贝叶斯推断，与主要或次要兴趣均不相关。

23. 2608.23802 — Graph-dependent shrinkage priors for Bayesian trend filtering¶

作者: Andrea Mascaretti, Daniel R. Kowal
相关性 2/10
评分理由: 关于图依赖数据的贝叶斯趋势滤波，与主要或次要兴趣均不相关。

24. 2608.23512 — Penalized likelihood estimation of probability density functions using compositional splines¶

作者: Stanislav Škorňa, Jitka Machalová
相关性 2/10
评分理由: 关于密度估计的惩罚似然方法，与主要兴趣关联不紧密。

25. 2608.25892 — Weighted Estimation by Discrete-time Sparse Domination on Martingale Spaces¶

作者: Wei Chen, Chaoyue Zhang, Gege Zhang
相关性 2/10
评分理由: Martingale theory and sparse domination are unrelated to the researcher's primary interests in causal inference, high-dimensional statistics, or U-statistics.

26. 2608.23859 — Ranking by points and ordinal models¶

作者: Leszek Szczecinski
相关性 2/10
评分理由: 体育排名的序数模型，与统计兴趣（因果推断、高维统计、U-统计量）几乎无关，属于应用统计的特定领域。

27. 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: 专注于矩阵值整数值时间序列模型，与主要兴趣领域（因果推断、高维统计等）无关。

28. 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: Classification bias in patent data; unrelated to primary or secondary statistical interests.

29. 2608.26371 — Microscopy assessment of two multiple-transient candidates¶

作者: Jun Yang, Beatriz Villarroel
相关性 2/10
评分理由: 纯天文学观测分析，无数据/模型方法论阐述，不符合astrostats gateway阅读标准。

30. 2608.26322 — The MegaWave Radio Surveyor¶

作者: T. Joseph W. Lazio, Evgenya Shkolnik, James Aguirre, Stuart D. Bale, Judd Bowman, Ruby Byrne et al.
机构: Berkeley College · University of California, Berkeley · California Institute of Technology · Netherlands Institute for Radio Astronomy · Carnegie Institution for Science · UCLA Health · University of Zurich · Moscow Institute of Thermal Technology 等
相关性 2/10
评分理由: 天文学仪器概念介绍，无数据/模型分析，不符合astrostats gateway标准。

31. 2608.25962 — Simulating an imaging atmospheric radio telescope to observe cosmic gamma rays and cosmic neutrinos¶

作者: Sebastian Achim Mueller, Anne Timmermans, Juan Ammerman-Yebra, Harm Schoorlemmer
相关性 2/10
评分理由: 纯天体物理仪器描述，无统计方法或数据建模内容，与研究者兴趣无关。

32. 2608.26217 — Best practices for obtaining astrometric observations from JWST (274) NIRCam data¶

作者: Marco Micheli, Bryan J. Holler
相关性 2/10
评分理由: JWST天体测量实践指南，技术性但无统计方法论贡献。

33. 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 2/10
评分理由: 系外行星宿主星光谱分析，数据处理常规，无统计创新。

34. 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: 纯仪器状态报告，无统计内容，与研究者兴趣无关。

35. 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。

36. 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，无统计方法或数据模型，不相关。

37. 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 2/10
评分理由: CMB读出电子学工程，无统计方法，不相关。

38. 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 2/10
评分理由: 纯天文仪器描述，无统计方法或数据建模内容，与研究者兴趣无关。

39. 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 2/10
评分理由: 天文仪器升级报告，无统计或数据建模内容，与研究者兴趣无关。

40. 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 2/10
评分理由: 高对比成像测试台的光学设计，无统计或数据建模内容，与兴趣无关。

41. 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 2/10
评分理由: 涉及量子最优测量，但主题为天文成像，与统计兴趣无关。

42. 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 2/10
评分理由: 天文光谱学会议报告，涉及恒星变异性，但无统计方法论细节。

43. 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 2/10
评分理由: 纯天体测量应用，无统计方法论创新，与研究者兴趣无交集。

44. 2608.25867 — RISTRETTO: Assembly and Testing of the Seven-spaxel, High-resolution, Diffraction-limited Spectrograph¶

作者: Leonie Hoerner, Bruno Chazelas, Nathanaël Restori, Christophe Lovis, Nicolas Blind, Ludovic Genolet et al.
相关性 1/10
评分理由: 仪器组装与测试报告，无统计或数据分析内容。

45. 2608.25863 — LP-Infinity: overcoming limits to the number of lifetime positions in the COS FUV channel¶

作者: David J. Sahnow, Christian I. Johnson
相关性 1/10
评分理由: HST仪器操作细节，与统计研究无关。

46. 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 1/10
评分理由: 探测器工程细节，无统计内容，完全不相关。

47. 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 1/10
评分理由: 光学镀膜工程，无统计内容，完全不相关。

48. 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 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。

49. 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 1/10
评分理由: 天文仪器设计论文，无统计或因果推断内容。

50. 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 1/10
评分理由: 天文仪器实验论文，无统计或因果推断内容。

51. 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 1/10
评分理由: 天文仪器与波前传感论文，无统计或因果推断内容。

52. 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 1/10
评分理由: 天文光谱仪设计论文，无统计或因果推断内容。

53. 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: 信号处理算法论文，专注于滤波器组反演，与统计兴趣或数据建模无直接关联。

54. 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: 天文信息学工具开发，涉及LLM提取，但无统计推断或数据建模内容。

55. 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: 天文仪器技术规格建模，无统计或因果推断内容，完全不相关。

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: 纯天文学观测结果，无统计方法或数据建模内容，与所有兴趣领域无关。

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: 自适应光学硬件测试平台开发，纯工程/仪器论文，无统计内容。

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: 地球物理数值模拟研究，与统计兴趣或数据建模无直接关联。

59. 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 0/10
评分理由: 天文仪器伪影校正论文，纯仪器/信号处理，无统计方法或数据建模内容。

Maintained by 陈星宇 · Homepage · Source on GitHub

2026-08-26 每日 arXiv 资讯¶

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 10 篇)¶

1. 2608.25720 — Endogenous Selection and Spillovers: Bayesian Inference for Policy-Relevant Causal Effects¶

2. 2608.26411 — Marginal Structural Models for Electricity Demand under Treatment-Confounder Feedback: A Continuous-Treatment Outcome-Adaptive and Fused LASSO Approach¶

3. 2608.24085 — Orthogonal double residual learning for optimal individualized treatment rules¶

4. 2608.23971 — Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach¶

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

6. 2608.23615 — Optimal Variance Reduction in Randomized Experiments¶

7. 2608.25814 — Nonparametric Bayesian Inference for Partially Identified Discrete Response Models¶

8. 2608.23508 — Testing selection on observables in parametric models with refreshment samples¶

9. 2608.22605 — Closed-form estimation and uniform inference in additively separable triangular models with a nonseparable first stage¶

10. 2608.22286 — Uniform Inference on Quantile Effects under Network Interference¶

数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶

1. 2608.25310 — Robust Nonparametric Testing for Structural Changes in Multivariate Volatility via Multiple Quantiles¶

其他 (other, 3 篇)¶

1. 2608.25979 — The Symmetric Pair Matching Design: A Self-Controlled Method with Automatic Adjustment for Time Effects¶

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

3. 2608.25463 — Berry--Esseen bounds and bootstrap approximations for the Hilbert-space norm of \(U\)-statistics¶

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 13 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¶

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

5. 2608.23625 — Separating Time-Varying Network Composition from Predictive Dependence under Noisy Network Measurement¶

6. 2608.22024 — Barycentric Fused Gromov-Wasserstein Balancing for Causal Inference under Multiple Treatments¶

7. 2608.24362 — Dynamic Discrete Choice and Inverse Reinforcement Learning: Inferring Preferences and Beliefs From Human Behavior¶

8. 2608.22706 — Double/Debiased Machine Learning for Functional-Form-Robust Spatial Autoregression¶

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

10. 2608.25930 — Controlling for Omitted Variable Bias in Deep Neural Networks¶

11. 2608.25426 — {poscosea} : A Computationally Efficient Sensitivity Analysis for Bayesian Models using the posterior covariance representation¶

12. 2608.24038 — CUPED on Steroids: Multivariate Covariate Adjustment for Switchback Experiments¶

13. 2608.22499 — Fixed-\(T\) Dynamic Spatial Panel Model with Common Shocks¶

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

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

2. 2608.26366 — Regularized High-Dimensional Additive Tensor Autoregressive Model¶

非参数 / 半参数 (nonparam_semipara, 7 篇)¶

1. 2608.25468 — Functional linear regression from sparse to dense designs: a pooling-ridge method and minimax optimality¶

2. 2608.23150 — Spectral stability of empirical metric-measure Laplacians¶

3. 2608.25997 — Statistical Properties of Nonparametric MLE under Laplace Noise¶

4. 2608.22553 — Non-asymptotic Analysis of Matérn Regression: The Roles of Target and Kernel Lengthscales¶

5. 2608.25718 — Estimation of a regression function from dependent data by over-parametrized deep neural networks learned by gradient descent¶

6. 2608.24450 — Maximum effective dimension and information gain¶

7. 2608.25811 — Limiting properties of monotone rearrangements of estimators when the truth is flat¶

数理统计 / 假设检验 (hypothesis_testing, 17 篇)¶

1. 2608.26422 — Online detection of distributional changes for time series in metric spaces¶

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

3. 2608.25918 — Random Invariance Testing on Quadratic Form Statistics with Application to Autocorrelation¶

4. 2608.23793 — Approximating the null distribution of generalized distance covariance¶

5. 2608.22265 — Exact grid-free confidence-region computation from dependent p-value functions under arbitrary dependence¶

6. 2608.21694 — Gaussian-efficient testing by betting on the mean of bounded data¶

7. 2608.24194 — Testing for Stable Intervals in Non-Stationary Time Series¶

8. 2608.23513 — Asymptotics for Model Selection in Probabilistic Principal Component Analysis¶

9. 2608.23257 — How Replicable Are Statistically Significant Findings?¶

10. 2608.22002 — Uniformly Valid Inference Under Interactive and High-Dimensional Constraints¶

11. 2608.25272 — Valid test for multi-arm trials with generalized linear models under covariate-adaptive randomization¶

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

13. 2608.23315 — Classification testing: A new framework for drawing qualitative conclusions from quantitative estimates¶

14. 2608.22554 — Detection of Cognitive Diagnostic Model Misspecification using New Lancaster-Chesher Information Matrix Tests¶

15. 2608.26421 — Dimension comparison for Student's statistic under symmetric unimodality¶

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

17. 2608.25288 — The Sampling Distribution of the Log-Euclidean Distance Between Sample Correlation Matrices¶

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

天体统计 (astrostats, 7 篇)¶

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

2. 2608.26227 — Alfred: A Flexible, User-Friendly Python Package for Exoplanet Confirmation¶

3. 2608.25173 — Deep Learning-Based Coarse Alignment and Cophasing of a Distributed-Aperture Telescope. Application to the Small ExoLife Finder (SELF)¶

4. 2608.25075 — A Singular Value Decomposition Framework for Jovian Radio Emissions from Parker Solar Probe¶

5. 2608.24438 — No need to modulate: On-sky results of a Neural Network enhanced pyramid wavefront sensor and prospects for the ELTs¶

6. 2608.24339 — On-sky demonstration of self-learning predictive control with MagAO-X¶

7. 2608.22245 — Variational Bayesian Inference for the Spectral Structure of LISA Noise¶

经济理论 / 应用 (econ_theory, 4 篇)¶

1. 2608.23988 — Estimation of Random-Coefficient Dynamic Panel Data Models with a Fixed T¶

2. 2608.23925 — Repairing Locally Misspecified GMM: An Empirical Bayes Approach¶

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

4. 2608.24811 — How does hazard exposure influence job choice? Evaluating time-dependent tradeoffs between salary and hazard risks¶

其他 (other, 14 篇)¶