2026-08-28 每日 arXiv 资讯¶

高相关论文 16 篇 · 中相关 67 篇 · 其他 56 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 11 篇)¶

1. 2608.27140 — Graph-based causal variance decompositions: When "variance explained" means causation¶

作者: Olli Saarela, Juha Karvanen
相关性 9/10 · novelty: new_method
摘要: 本文在因果图框架下，将方差分解（ANOVA 型总方差递归分解）赋予因果解释。传统有序方差分量依赖条件顺序且无因果含义；作者通过拓扑排序定义因果方差分量，并逐分量检验其在完整因果图下的可识别性，不要求分解变量构成因果充分系统。方法允许偏离拓扑顺序，通过条件化选定的中间变量获得受控效应解释（如医疗差异分析中的直接/间接效应）。估计采用模型基 plug-in 估计量，结合近似贝叶斯方法进行不确定性量化。模拟实验评估了有限样本表现及对结果模型误设和灵活 ML 估计的敏感性。该工作连接了因果归因与机器学习中的变量重要性方法，为高维因果分解提供了新视角。对您而言，本文的因果方差分解思路可迁移至您关注的 mediation 和 longitudinal 设定中的效应分解问题。
关键技术: causal variance decomposition, law of total variance, topological ordering, plug-in estimation, approximate Bayesian inference, variable importance
为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 mediation 和 longitudinal 子方向，提出了一种基于因果图的方差分解新框架。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 可直接用于评估其 plug-in 估计量的渐近性质；moderately_familiar 的 identification theory 可用于检验其逐分量可识别性条件是否在您的 longitudinal 设定中成立。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以推导该分解下各分量的 semiparametric efficiency bound。

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 · novelty: new_theory
摘要: 本文在嵌套马尔可夫模型（nested Markov models）框架下，发展半参数效率理论。嵌套马尔可夫模型由含隐变量的有向无环图（DAG）的潜在投影——有向无环混合图（ADMG）——定义，其施加的Verma约束超越了通常的条件独立性约束。核心观察是：Verma约束可转化为在图形fixing操作诱导的后fixing分布下的加权条件矩表示。这一表示将约束转化为L2(P)中的加权正交关系，从而显式刻画了切空间限制。基于此，针对单个嵌套马尔可夫约束的模型，通过残差化加权矩函数刻画了切空间正交补，并利用正交投影和等价最小方差公式给出了半参数有效影响函数和效率界的Hilbert空间刻画。对于多个约束的模型，给出了正交补的一个子空间刻画，但完整的切空间刻画仍为开放问题。本文连接了嵌套图结构与半参数Hilbert空间几何，为嵌套马尔可夫模型的通用效率理论奠定了基础。对您而言，该工作直接推进了您primary interest中的半参数效率理论，且其加权正交关系与您moderately_familiar的HOIF（高阶影响函数）有潜在联系，值得关注。
关键技术: nested Markov models, Verma constraints, semiparametric efficiency theory, tangent space orthocomplement, weighted conditional moment restrictions, efficient influence function
为什么对您有用: 本文直接对应您primary interest中的半参数效率理论，具体在因果推断中隐变量DAG的嵌套马尔可夫模型下发展效率界和有效影响函数。您moderately_familiar的HOIF（高阶影响函数）工具可用于分析其加权正交关系是否可推广到高阶约束，这是一个中期可做的方向（需先在HOIF上长肌肉）。目前暂不可做完整切空间刻画，因为其图论与Hilbert空间几何的结合需要额外学习ADMG的fixing操作。

3. 2608.26606 — Analyzing Within-Subject Experiments: Identification, Testing, and Sensitivity¶

作者: Shiyao Liu, Junni L. Zhang
相关性 8/10 · novelty: new_method
摘要: 本文在潜在结果框架下形式化了两期组内设计（within-subject design）的识别与推断问题，允许非均衡分配以及异质性处理和结转效应。主要贡献有三：第一，证明 pooled estimator 仅在两个处理序列的平均结转效应之差为零时才识别 ATE，且其单元聚类标准误与基于设计的标准误等价。第二，在温和条件下，结转效应检验的势严格低于仅用后测数据的 ATE 检验；由此产生的两步法（先检验再决定是否 pooling）产生的置信区间通常覆盖不足——当结转差为零时，覆盖不足恰发生在 pooling 比后测分析更有效时（即组内设计有价值时）；当结转差非零时，除非差或样本量很大，否则覆盖不足是常态。第三，推导了敏感性分析方法，发现已发表结论在合理的结转差范围内是稳健的。本文对您可能有用：它直接关联您 causal inference 兴趣中的 sensitivity analysis 和 longitudinal 设定，且其设计-based 推断视角可与您的 semiparametric efficiency 工具结合来推导更紧的界。
关键技术: potential outcomes framework, carryover effect, pooled estimator, design-based standard error, sensitivity analysis, two-step testing procedure
为什么对您有用: 本文直接关联您 primary interest 中的 causal inference（longitudinal / sensitivity analysis）子方向。技术武器库中 very_familiar 的 estimation theory in causal inference 可直接用于理解其 pooled estimator 的识别条件与标准误推导；moderately_familiar 的 identification theory 可进一步分析其结转效应非识别假设的放松空间。中期可做：若想将敏感性分析推广到更一般的 longitudinal 设定（如多期、非平衡），需先在 moderately_familiar 的 semiparametric theory 上长肌肉（如推导 influence function 用于构造双稳健估计量）。

4. 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 8/10 · novelty: new_method
摘要: 本文提出对称配对匹配设计（SPM），一种新型自对照方法，用于药物流行病学和疫苗安全性研究。SPM 通过设计自动调整时间效应（如时间趋势和季节性），无需显式建模，同时消除个体层面时不变混杂。与现有设计类方法（如 case-crossover）不同，SPM 同时利用事件发生前后的观察时间，保留更多信息，提高统计效率。作者推导了 SPM 的理论性质，并通过模拟验证其在结局和暴露均存在时间趋势时仍能给出无偏估计，且效率优于或等于现有方法。该方法特别适用于短暂暴露的观察性研究，并提供了 R 包。对您而言，这是一篇因果推断中纵向/自对照设计的新方法，其设计思想可与您熟悉的非参数估计和 M-估计理论结合，用于更复杂的时变混杂场景。
关键技术: self-controlled design, symmetric pair matching, time effect adjustment, case-crossover design, conditional logistic regression
为什么对您有用: 本文属于因果推断中纵向/自对照设计的新方法，直接连接您的 primary interest 中的 longitudinal 和 identification theory。您的 very_familiar 武器库中的非参数统计和 M-估计理论可用于分析 SPM 估计量的渐近性质（如效率界），而您 moderately_familiar 的 semiparametric theory 可进一步将其推广至更复杂的时变混杂设定。中期可做：需先在 moderately_familiar 的 semiparametric theory 上巩固，以推导 SPM 在连续时间或高维协变量下的半参效率界。

5. 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: 本文提出正交双残差学习（ODRL），一种直接估计最优个体化治疗规则（ITR）的两阶段交叉拟合框架。ODRL 通过治疗与结果残差的乘积构造代价敏感分类目标，是首个无需逆概率加权或强模型假设的 Neyman 正交直接方法。正交性使 nuisance 估计误差通过二阶乘积影响 regret，在 overlap 较弱时仍保持稳健。Fisher 一致的目标可兼容一般决策规则筛（如 VC 类线性规则、决策树），并建立了非渐近高概率 regret 界。进一步分析了代理松弛（如 SVM、深度 ReLU 网络）的正交性保持条件，发现仅 bounded score hinge learning 保持正交性。模拟与两个真实数据应用（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 估计系统性地推广到 ITR 学习，是效率理论与因果推断交叉的前沿进展。
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 中的因果推断（ITR 学习）与效率理论（Neyman 正交性）。武器库中 very_familiar 的 minimax bounds 和 estimation theory 可直接用于验证其 regret 界的紧性；moderately_familiar 的 semiparametric theory 可用于理解正交性条件。中期可做：将 ODRL 的正交化思路推广到 proximal CI 框架下的 ITR 学习，需先在 moderately_familiar 的 identification theory 上长肌肉。

6. 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，目标 estimand 是 MTP 下的均值结局。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有正支持，但在多元处理或连续协变量场景下该假设常被违反。作者提出部分识别框架：将 MTP 均值结局分解为 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，不采用参数外推模型，而是施加 Lipschitz 连续性约束，将区域外条件均值与区域内某个锚点的均值进行比较。通过度量投影（metric projection）可最小化区间宽度，但锚点落在区域边界上导致端点非路径可微；本文提出的 interior-displaced projection 将锚点向内移动，恢复路径可微性。在已知 positivity 区域时，推导了影响函数并刻画其何时达到半参效率界，进而得到渐近正态的估计量和置信区间。模拟显示，在 positivity 被违反时本文区间仍达到名义覆盖，而假设 positivity 的方法覆盖不足。对您而言，该工作直接连接因果推断中的 sensitivity analysis 和 partial identification 子方向，且其 Lipschitz 约束+投影方法可视为一种弱假设下的识别策略，与您熟悉的非参统计和 minimax 界工具（如 Lipschitz 类的 minimax 率）有直接接口，中期可做：需先在 moderately_familiar 的 identification theory 上巩固对 partial identification 框架的理解。
关键技术: partial identification, modified treatment policy (MTP), Lipschitz continuity, influence function, pathwise differentiability, metric projection
为什么对您有用: 直接连接 primary interest 中的 causal inference 子方向（sensitivity analysis / partial identification），且其 Lipschitz 约束+投影方法可用您 very_familiar 的非参统计和 minimax 界工具（如 Lipschitz 类的 minimax 率）来验证区间宽度的最优性或提出更紧的界。中期可做：需先在 moderately_familiar 的 identification theory 上巩固对 partial identification 框架的理解。

7. 2608.23453 — Transporting Randomized Trial Effects to Real-World Populations via Riesz-Calibrated Optimal Transport¶

作者: Anik Burman, Margaret Gamalo, Promit Ghosal, Prosenjit Kundu
相关性 8/10 · novelty: new_method
摘要: 本文研究将随机对照试验（RCT）的治疗效应外推至真实世界目标人群的问题，目标 estimand 是目标人群中的平均处理效应（ATE）。现有方法通常建模试验参与倾向性评分，易受模型误设和协变量分布弱重叠的影响。作者提出 RICOT 方法，利用最优传输（OT）直接在协变量空间对齐试验与目标人群分布，采用带熵正则化的半非平衡 OT 以放松源边缘分布。理论分析表明，未校准的 OT 估计量存在不随样本量衰减的渐近偏差；RICOT 通过在传输问题中施加校准方程消除该偏差，使得校准后的权重一致估计目标-试验密度比（即目标期望泛函的 Riesz 表示子），即使熵正则化和源松弛参数固定为正。结合结果回归后，所得估计量具有双稳健性，并在适当速率条件下达到半参数效率界；其方差可直接从影响函数估计，无需重抽样或重复 OT 优化。模拟实验显示，在多种重叠和模型误设场景下（包括倾向评分方法表现不佳的情形），RICOT 具有低偏差和接近名义水平的覆盖率。本文对您的主要兴趣——因果推断中的外推性（transportability）和半参数效率理论——有直接贡献，其校准 OT 框架为处理弱重叠问题提供了新思路，且双稳健估计量的影响函数结构可迁移至您的 proximal CI 或 IV 设定中。
关键技术: optimal transport, Riesz representer, calibration, doubly robust estimation, semiparametric efficiency bound, entropic regularization
为什么对您有用: 直接关联 primary interest 中的 causal inference 子方向——transportability 和 weak overlap 问题。RICOT 的校准 OT 框架与您的 technical arsenal 中 'estimation theory in causal inference' 和 'semiparametric theory' 高度匹配：您可以用 very_familiar 的 minimax bounds 工具分析其校准权重的收敛速率，或用 moderately_familiar 的 HOIF 视角审视其双稳健结构。中期可做：若将校准方程推广至 proximal CI 的 negative control 设定，需先在 moderately_familiar 的 identification theory 上深入（具体为 proximal g-formula 的识别条件）。

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

作者: Supriya Tiwari, Pallavi Basu
相关性 8/10 · novelty: new_method
摘要: 本文研究网络干扰下因果推断中暴露映射（exposure mapping）的模型设定检验问题。暴露映射是定义和估计溢出效应的常用工具，但通常由分析者主观指定，若设定错误会导致Horvitz-Thompson等估计量有偏。作者提出一个基于设计（design-based）的模型设定检验框架，核心是构造一个随机化检验（randomization test）来评估暴露映射是否被正确指定。该方法利用网络结构下的随机化分布，无需对潜在结果分布做参数假设，仅依赖分配机制。理论部分证明了检验的渐近有效性，模拟研究展示了良好的检验功效，并在一个青少年反冲突规范实地实验中进行了应用。对您而言，该工作将经典随机化检验思想拓展到网络干扰这一因果推断前沿设定，与您的因果推断（特别是实验设计下的识别与检验）兴趣直接相关。
关键技术: randomization test, exposure mapping, network interference, design-based inference, spillover effects, model specification test
为什么对您有用: 直接连接您的primary interest中'causal inference'下的网络干扰与实验设计子方向。武器库中'very_familiar'的'nonparametric statistics'和'estimation theory in causal inference'可支撑理解其渐近论证，而'moderately_familiar'的'identification theory in causal inference'可用于评估其暴露映射识别假设的合理性。中期可做：若想将检验方法推广到更复杂的暴露映射（如连续型或高维），需先在'moderately_familiar'的'semiparametric theory'上提升，以处理半参数化暴露映射的检验问题。

9. 2608.25720 — Endogenous Selection and Spillovers: Bayesian Inference for Policy-Relevant Causal Effects¶

作者: Duong Trinh
相关性 8/10 · novelty: new_method
摘要: 本文针对存在内生选择进入处理组和网络/空间溢出效应的场景，提出一个识别和估计政策相关因果效应的计量框架。传统方法依赖无混淆性或无干扰假设，在此类场景下通常不适用。作者引入了一个Spillover Roy模型，该模型联合建模内生处理选择和潜在结果，同时通过邻居处理的低维暴露映射来允许溢出效应。该模型捕捉了不同潜在处理抵抗水平和邻居暴露程度下的异质性处理响应。在此框架下，定义了在可行政策变化下的政策相关直接效应、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政策诱导邻居处理暴露变化的溢出成分。估计和推断方面，开发了带参数扩展的贝叶斯数据增广算法，实现了异质性因果效应和政策反事实的高效后验计算和一致的不确定性量化。对美国机会区项目的应用发现，对住房开发有正向直接效应但溢出效应有限，反事实政策分析揭示了项目扩张的边际收益递减。该工作对您的主要兴趣——因果推断中的识别和估计，特别是处理复杂干扰（如网络溢出）和内生性——有直接参考价值，其贝叶斯推断框架也可与您的半参数效率理论视角形成互补。
关键技术: Spillover Roy model, exposure mapping, Bayesian data augmentation, parameter expansion, policy-relevant causal effects
为什么对您有用: 本文直接关联您的主要兴趣——因果推断，具体涉及内生选择（IV/选择模型）和网络溢出效应（干扰），这是传统因果推断方法（如无干扰假设）无法处理的场景。您的武器库中'因果推断中的估计理论'和'M估计理论'可用于分析其贝叶斯估计量的频率性质（如后验一致性），而'高阶U统计量'的计算视角（treewidth/einsum）可能为分析其低维暴露映射的复杂性提供新工具。中期可做：需先在'moderately_familiar'的'因果推断中的识别理论'上深入理解其识别假设（如暴露映射的单调性/外生性），然后可尝试用您的半参数效率理论推导该设定下的效率界。

10. 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因样本损耗（attrition / nonresponse）导致的缺失机制，提出了一种检验 MAR（selection on observables / missing at random）假设的统计方法。核心设定是：当存在 refreshment sample（即从同一总体中独立抽取的新横截面样本）时，MAR 假设变得可检验。方法构造了两个加权估计分布之间的距离：一个是标准 IPW 估计量（在 MAR 下有效），另一个是基于 Hirano et al. (2001) 的 additive nonignorability 假设的替代加权估计量。在输入分布为参数模型（parametric）的设定下，作者证明检验统计量在原假设下收敛到广义卡方分布（generalized chi-squared distribution），该极限分布可通过 Franguridi et al. (2026) 的递归公式计算。蒙特卡洛模拟验证了有限样本表现，并在 Understanding America Study (UAS) 数据上进行了实证应用。对您而言，本文属于因果推断中缺失数据假设检验的经典问题，与您 primary interest 中的 longitudinal / sensitivity analysis 直接相关，且检验框架可迁移至您熟悉的 M-estimation 理论框架下分析。
关键技术: inverse probability weighting (IPW), additive nonignorability, generalized chi-squared distribution, refreshment sample, parametric model, missing at random (MAR) test
为什么对您有用: 本文直接连接您的 primary interest 中 longitudinal 因果推断的缺失数据问题（MAR 假设检验），属于 sensitivity analysis 的变体。技术层面，检验统计量的极限分布推导可被您的 M-estimation 理论（moderately_familiar）攻破——您可以用 influence function 视角重新推导该检验的局部 power 性质，或将其推广到半参数模型。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体为 influence function 在非参数模型下的收敛性），才能将本文的参数检验推广到非参数设定。

11. 2608.22706 — Double/Debiased Machine Learning for Functional-Form-Robust Spatial Autoregression¶

作者: Jieun Lee
相关性 8/10 · novelty: new_method
摘要: 本文在空间自回归（SAR）模型中，针对空间权重矩阵 W 的未知函数形式问题，提出了双/去偏机器学习（DML）推断方法。传统 SAR 推断通常假设 W 已知，但实际中 W 由地理和社会经济特征的非线性函数生成，且这些特征可能存在内生性。作者通过非线性控制函数处理特征内生性，并构建了算子正交的 SAR-IV/GMM 得分函数，消除了估计 W 带来的一阶影响。结合缓冲空间交叉拟合（buffered spatial cross-fitting），在空间混合创新场的近邻依赖条件下，证明了估计量的渐近线性和根 n 正态性。蒙特卡洛模拟表明，在 W 函数形式误设、特征内生和空间依赖存在时，该方法相比非正交替代方法具有更好的有限样本推断表现。对美国糖尿病数据的应用显示，不同 W 设定和推断方法会导致结论差异，凸显了在 W 被学习时进行稳健推断的重要性。该工作将 DML 框架扩展到空间计量经济学，为因果推断中处理未知干扰结构提供了新思路，尤其适用于流行病学中空间混杂因素的敏感性分析。
关键技术: double/debiased machine learning, orthogonal score, spatial cross-fitting, control function, near epoch dependence, spatial autoregression
为什么对您有用: 本文直接连接您对因果推断中 DML 和敏感性分析的兴趣，特别是处理未知干扰结构（如空间权重）时的正交得分构造。您武器库中'非参数统计'和'因果推断中的估计理论'可直接用于理解其正交化机制和渐近理论，而'空间交叉拟合'的 buffering 策略可能启发您在纵向或网络数据中设计类似的数据分割方案。中期可做：若想将类似思路推广到 proximal CI 中的负对照设定，需先在 moderately_familiar 的'因果推断中的识别理论'上深入理解空间内生性的控制函数识别条件。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 2608.26522 — Inference for High-Dimensional Network Data¶

作者: Yuya Sasaki, Baoning Zheng
相关性 8/10 · novelty: new_method
摘要: 本文针对网络依赖的高维随机向量提出了一种新的推断方法。核心设定是观测数据来自一个已知网络，节点间存在依赖，依赖强度由图距离上的函数依赖度量刻画，该度量能同时捕捉依赖衰减速率与网络邻域增长之间的交互。方法层面，作者在有限矩和sub-Weibull条件下建立了最大值范数的高斯逼近理论，给出了维度随网络规模增长时的显式条件；同时提出了高维网络HAC协方差估计量并证明了其收敛性，从而实现了可行的同时推断。模拟实验展示了良好的有限样本表现。应用部分，作者将方法用于研究网络同质性指数如何调节溢出效应，构建了条件溢出效应函数的置信带，揭示了传统低维推断无法发现的异质性和局部显著性。对您而言，本文的高维依赖推断框架与您在高维统计和因果推断（尤其是网络/纵向数据中的溢出效应）中的兴趣高度相关，其函数依赖度量技术可能为您的proximal CI或mediation分析中的依赖结构建模提供新工具。
关键技术: functional dependence measure, Gaussian approximation for maxima, network HAC covariance estimator, sub-Weibull tail conditions, simultaneous inference
为什么对您有用: 本文直接连接到您的高维统计和因果推断兴趣：网络依赖下的高维推断是纵向/网络因果推断（如溢出效应估计）的核心技术瓶颈。您的武器库中'高维渐近理论'和'非参数统计'可以直接用于评估其高斯逼近条件的紧性，而'软件工程'能力可用于复现其网络HAC估计量并扩展至您的因果推断项目。中期可做：若想将本文方法推广至proximal CI设定中的负对照依赖结构，需先在'moderately_familiar'的识别理论（特别是网络工具变量）上加强。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 2608.27155 — Nonparametric Identification of Two-Way Unobserved Heterogeneity¶

作者: Hugo Freeman, Dennis Kristensen
相关性 8/10 · novelty: new_method
摘要: 研究非参数面板回归模型 G_{it}=g(α_i,γ_t)+ε_{it} 中双向未观测异质性 (α_i, γ_t) 的识别问题。核心思路是将识别转化为构造可观测的、单射的代理变量，利用回归函数 g(α,γ) 在乘积域上的奇异值分解 (SVD)，其左奇异函数 {u_r} 作为 α 的代理。在“观测等价简化”假设下（即 α 到 g(α,·) 的映射是单射），证明该简化等价于全体左奇异特征函数集合的单射性，无需额外条件。进一步，在局部单射条件下，有限个前导特征函数 U_R 对足够大的 R 是单射的。证明通过将全局单值性问题约化为局部一阶条件加拓扑紧性论证，避开了通常所需的全局 Jacobian 条件。对您而言，该工作将非参数识别与函数型数据分析的 SVD 工具结合，为高维面板数据或因果推断中的未观测混杂处理提供了新视角，尤其适用于您熟悉的非参数统计和因果推断中的 identification 理论。
关键技术: singular value decomposition (SVD), injective proxy, observational equivalence, local injectivity, topological compactness argument
为什么对您有用: 直接连接到 primary interest 中的非参数理论和因果推断 identification 子方向，特别是面板数据中未观测异质性的处理。您的武器库中“非参数统计”和“identification theory in causal inference”可直接用于理解其 SVD 代理构造和局部单射条件，属于立即可做的范畴：可用 minimax bounds 分析有限 R 的估计误差，或用 higher-order U-statistics 的树宽视角评估其 SVD 估计的计算成本。

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: 本文针对多元波动率矩阵的结构变化提出了一种稳健的非参数检验方法。该方法通过聚合多个分位数水平上的有界广义分位数得分，构造了一个加权留q出U-统计量作为检验统计量。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，从而在零假设下构建方差估计量进行标准化。标准化后的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，同时通过跨分位数聚合利用了比单分位数方法更多的分布信息。蒙特卡洛模拟表明，在重尾创新下具有令人满意的水平和良好的功效，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 weighting, bounded generalized quantile scores, nonparametric structural break test
为什么对您有用: 本文直接关联您对higher-order U-statistics和hypothesis testing的兴趣。U-统计量是您非常熟悉的武器，可以立即用treewidth/einsum视角分析其计算复杂度，并探索是否能用HOIF框架提升检验的局部功效。中期可做：若想将方法推广到高维波动率矩阵，需先在moderately_familiar的semiparametric theory上长肌肉。

其他 (other, 2 篇)¶

1. 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: 本文在三角阵列框架下，针对取值于可分Hilbert空间H_n（可随样本量变化，覆盖无穷维及维数递增的欧氏空间）的非退化U-统计量的Hilbert空间范数，建立了非渐近的Berry-Esseen界和bootstrap逼近。核心方法是将Stein方法推广到Hilbert空间，并结合Hoeffding分解的高阶项精细控制，逼近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），因此能容纳奇异或近似低秩的协方差算子。对于H_n=R^{d_n}，在坐标四阶矩条件下给出了显式维数依赖的界。同时建立了经验bootstrap、高斯加权bootstrap和jackknife multiplier bootstrap的逼近界，从而得到渐近正确尺寸且对协方差依赖的分离率具有一致性的检验。以配对Kendall's tau系数向量检验为例，匹配的minimax下界表明该分离率在稠密高斯相关备择下是minimax率最优的。该工作直接推进了您对higher-order U-statistics的理论理解，特别是其非渐近分布逼近和bootstrap推断，与您熟悉的U-statistic投影和minimax界技术高度契合。
关键技术: Berry-Esseen bound in Hilbert space, Stein's method for Hilbert space, Hoeffding decomposition, Hájek projection, spectral geometry of covariance operator, multiplier bootstrap
为什么对您有用: 直接命中您primary interest中的higher-order U-statistics和hypothesis testing。本文的Hilbert空间Berry-Esseen界和bootstrap逼近为U-统计量的非渐近推断提供了新工具，您可以用very_familiar的U-statistic treewidth/einsum计算视角分析其逼近误差中的谱项计算成本，或用minimax bound验证其分离率的最优性是否紧。中期可做：将本文的bootstrap方法推广到您moderately_familiar的HOIF框架下的高阶推断问题。

2. 2608.26536 — Posterior consistency for subdiffusion inverse problems¶

作者: Haoyu Lu, Shaokang Zu, Junxiong Jia
相关性 8/10 · novelty: new_method
摘要: 该论文研究半线性时间分数阶次扩散方程中初始状态的贝叶斯反演问题，观测数据为带噪声的随机时空点观测。对未知初始条件赋予基于Whittle-Matérn过程的重新缩放高斯先验。在非线性项满足H^κ范数Lipschitz条件下，证明了解的H^{2+κ}正则性。建立了预测误差在L^2范数下和参数在Sobolev范数下的后验收缩率，收缩率为样本量的多项式函数，指数依赖于先验光滑性和空间维度。通过构造小波打包集并控制KL散度，证明了极小化最优下界。该工作属于反问题与贝叶斯非参数交叉领域，与您的主要兴趣（非参数统计、高维渐近理论）有方法学关联，但并非直接相关。
关键技术: Bayesian inverse problems, posterior contraction rates, Whittle-Matérn process, wavelet packing set, Kullback-Leibler divergence, minimax lower bound
为什么对您有用: 该论文属于反问题与贝叶斯非参数统计的交叉领域，与您的主要兴趣（非参数统计、极小化最优下界）有方法学关联，但并非直接相关。您的武器库中'非参数统计'和'极小化最优界'可以用于理解其收缩率推导，但核心问题（分数阶偏微分方程反演）与您的核心方向（因果推断、高维统计）距离较远。暂不可做：核心机器不在武器库里，缺分数阶PDE反问题的领域知识。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 11 篇)¶

1. 2608.27289 — Combining covariate adjustment with information from secondary endpoints to improve precision in randomized trials¶

作者: Jack M. Wolf, Joseph S. Koopmeiners, David M. Vock
相关性 7/10 · novelty: application
摘要: 本文研究在随机试验中，如何同时利用基线协变量调整和次要终点信息来提升主要终点平均处理效应（ATE）估计的精度。目标 estimand 是主要终点上的 ATE，设定为随机化试验，基线协变量和次要终点均可观测。方法上，扩展了先前提出的单因子结构方程模型（SEM）框架，将基线协变量纳入模型，同时保留 ATE 作为目标参数。为缓解模型误设带来的偏倚，作者将 SEM 估计量与常规协变量调整估计量通过交叉验证模型平均（cross-validated model averaging）进行组合。模拟显示，当 SEM 正确设定时，终点信息借用能在协变量调整基础上进一步提升效率；模型平均能减少偏倚、改善覆盖，但在严重误设下覆盖仍不完美。应用于低尼古丁香烟随机试验，模型平均估计比无调整估计精度提升 21%，比仅协变量调整提升 13%。对您而言，本文属于因果推断中精度提升的实用方法，其模型平均思路可迁移至您熟悉的纵向或中介分析中的稳健估计问题，且与您 moderately_familiar 的识别理论有直接关联。
关键技术: structural equation model, covariate adjustment, cross-validated model averaging, efficiency borrowing from secondary endpoints, randomized trial
为什么对您有用: 本文直接连接您 primary interest 中的因果推断（随机试验中的精度提升），且其模型平均策略可视为一种稳健性工具，与您 moderately_familiar 的识别理论（如 IV、中介分析中的假设敏感性）有交叉。从武器库看，您 very_familiar 的估计理论（因果推断中的估计）可直接用于理解其效率增益机制，属于立即可做的范畴——您可以用 minimax 视角分析其模型平均的偏差-方差权衡，或将其思路推广到纵向设定。

2. 2608.26610 — On efficiency gains via augmenting a tiny sample with a massive auxiliary sample¶

作者: Yen-Chi Chen
相关性 7/10 · novelty: new_theory
摘要: 本文研究利用大规模辅助样本提升小目标样本估计效率的问题。设定中，目标样本量极小（如几十），辅助样本量极大（如百万），两者分布不同但通过 odds ratio 或密度比关联。核心方法基于 Tukey 分解，分为逆概率加权（IPW）和全似然（FL）两类。理论贡献在于：FL 方法在指数族及混合指数族下，部分模型参数（如密度比参数）的收敛速率可达辅助样本量 n_aux^{-1/2}，即“完全效率增益”；而 IPW 方法受限于目标样本量，即使非参数化也只能达到目标样本量 n_target^{-1/2} 的参数量级。文中还讨论了 FL 方法如何同时训练目标分布和 odds 模型的神经网络。对您而言，该文直接关联 causal inference 中的传输学习（transfer learning）和效率理论，其“完全效率增益”概念与 semiparametric efficiency bound 的推导思路相通，可用您熟悉的 minimax bound 工具检验其声称的速率是否紧。
关键技术: Tukey's factorization, inverse probability weighting (IPW), full-likelihood (FL) method, exponential family, density ratio model, semiparametric efficiency
为什么对您有用: 本文直接关联您 primary interest 中的 causal inference 效率理论，特别是传输学习/数据融合场景下的 semiparametric efficiency bound 问题。您非常熟悉的 minimax bound 工具可直接用于检验文中声称的“完全效率增益”是否紧，以及 IPW 方法的 n_target^{-1/2} 速率是否最优。中期可做：若想将 FL 方法推广到更一般的因果 estimand（如 ATE 的传输学习），需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体为 influence function 推导）。

3. 2608.26475 — Power and Sample Size Calculations for Hybrid Controlled Trials¶

作者: Ke Zhu, Shu Yang, Xiaofei Wang
相关性 7/10 · novelty: new_method
摘要: 本文针对混合对照试验（HCT）提出样本量计算方法，HCT 通过引入外部对照（EC）来增强随机对照试验（RCT）的统计功效，适用于罕见病、肿瘤等场景。核心挑战在于计划阶段无法获知 EC 与 RCT 对照的可比性，因此作者提出“5+3”设计框架：5 个常规 RCT 设计参数加上 3 个刻画 EC 可比性的标量参数（无结果漂移的 EC 数量、协变量分布重叠系数、抽样机制与对照潜在结果的相关性）。估计量基于逆概率加权（IPW）估计平均处理效应，作者推导了其渐近分布并证明方差可由这些设计参数决定，从而支持连续和二元结局的样本量计算。模拟评估了有限样本表现，并通过真实临床数据展示实用性。该方法已实现为 R 包 hctdesign。对您而言，本文是因果推断中 IV/外部对照样本量设计的实用工具，其参数化可比性思路可迁移至您熟悉的因果推断估计理论框架，且 R 包可直接用于应用工作。
关键技术: inverse probability weighting, sample size determination, external control comparability, asymptotic distribution, R package hctdesign
为什么对您有用: 直接连接到 primary interest 中的因果推断（IV/外部对照）和 estimation theory。武器库中 very_familiar 的 estimation theory in causal inference 可直接理解其 IPW 估计量的渐近性质，并评估其方差公式的紧性。中期可做：若想将框架扩展到更复杂的识别策略（如 proximal CI 或 mediation），需先在 moderately_familiar 的 identification theory 上长肌肉。

4. 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 7/10 · 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平均因果效应，面临时间相依混淆变量（如降水、积雪、云量）导致的 treatment-confounder feedback 问题。作者采用 marginal structural model (MSM) 结合 inverse-probability weighting (IPW)，将原本用于独立面板数据的纵向方法推广到单条时间序列。核心方法贡献是将 outcome-adaptive LASSO 和 adaptive fused LASSO 从二元处理扩展到连续处理，使用 density-ratio weights 和 weighted-covariance balance criterion 进行变量选择。蒙特卡洛模拟显示，未调整回归的覆盖率为 0.12–0.15（偏向零），而 stabilized outcome-adaptive 估计量几乎无偏且覆盖率约 0.92。在 Ontario 2018–2019 数据上，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 限制和近单位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+IPW 框架下处理连续型处理和单时间序列的扩展，与您 causal inference 中 longitudinal 和 sensitivity analysis 的兴趣直接相关，且 outcome-adaptive LASSO 的加权协方差平衡准则可迁移到您的 IV 或 mediation 设定中。
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: 本文直接连接您 primary interest 中的 longitudinal causal inference 和 sensitivity analysis：在时间序列中处理 treatment-confounder feedback 是您武器库中 estimation theory in causal inference 的典型应用场景。您可以用 very_familiar 的 nonparametric statistics 和 minimax bounds 工具来评估其 IPW 估计量的有限样本性能，或检验其 outcome-adaptive LASSO 的变量选择一致性。中期可做：若想将 density-ratio weights 推广到您的 HOIF 框架中，需先在 moderately_familiar 的 identification theory 上长肌肉（理解连续处理下的 positivity 假设如何影响效率界）。

5. 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——即在强制合规前自愿采用导致结果提前变化，从而违反合成控制方法（SCM）的 no-anticipation 假设。作者将总政策效应分解为 early adoption 效应和 mandate 效应两部分，并提出两阶段 SCM 程序：第一阶段利用 pre-mandate 数据通过交互固定效应模型估计 early adoption 效应，第二阶段对残差化后的结果应用 SCM 变体来估计 mandate 和总效应。模拟实验表明，即使在 early adoption 与潜在因子相关时，该方法相比传统 SCM 估计量也能减少偏差并改进不确定性量化。应用至州级 PDMP 政策与人均阿片类药物配发数据后，估计显示 PDMP 可用性和强制令后阿片类药物配发有所减少，但估计不精确且未达统计显著性。该工作为政策评估中常见的提前采纳问题提供了可操作的识别与估计框架，对您关注的纵向因果推断和敏感性分析方向有直接参考价值。
关键技术: synthetic control method, interactive fixed effects model, staggered policy implementation, no-anticipation assumption, potential outcomes framework
为什么对您有用: 直接连接到您 primary interest 中的纵向因果推断（longitudinal causal inference）和敏感性分析方向。本文的 early adoption 分解思路可视为一种对 SCM 假设的敏感性分析，您可以用 very_familiar 的 minimax bounds 工具来刻画该两阶段估计量的最优收敛速率，或用 moderately_familiar 的 identification theory 来检验 early adoption 效应是否在更弱假设下可识别。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以推导该估计量的半参效率界。

6. 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: 本文在重尾线性结构因果模型下研究极端事件的因果识别与推断。目标 estimand 是 Causal Tail Coefficient (CTC)，度量变量极端实现之间的因果依赖。与现有文献不同，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。核心发现：轻尾混杂因子渐近可忽略，但足够重尾的混杂因子可产生与直接因果效应不可区分的极端依赖模式；当有合适的代理变量时，可通过调整后的 CTC 恢复识别。估计量基于极值理论构建，作者推导了其渐近性质并给出了因果方向与重尾混杂的检验。模拟与气候、金融极端事件的应用展示了方法在平均效应方法无法检测的场景下的有效性。对您有用：本文连接了因果推断与极值统计，其识别策略（利用尾指数异质性）为 sensitivity analysis 和 proximal CI 框架提供了新的视角，且估计量的渐近理论可直接用您熟悉的非参数统计与 minimax 工具检验其最优性。
关键技术: Causal Tail Coefficient (CTC), heavy-tailed regularly varying innovations, proxy variable identification, extreme value theory, heterogeneous tail indices
为什么对您有用: 直接连接到 primary interest 的 causal inference 子方向——极端事件的因果识别，这是标准平均效应方法无法覆盖的场景。武器库中 very_familiar 的 minimax bounds 与 high-dimensional asymptotics 可用于检验本文估计量的最优收敛速率与 tail index 估计的精度；moderately_familiar 的 identification theory 可用于评估其 proxy 假设的 plausibility 与 sensitivity。中期可做：需先在极值统计的 tail index 估计与极值回归上长肌肉（moderately_familiar 之外），才能将本文的识别策略推广到更一般的因果模型（如 IV 或 mediation 的极端版本）。

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

作者: Elie Tamer, Christopher D. Walker
相关性 7/10 · novelty: new_method
摘要: 本文针对部分可识别的离散响应模型（如离散选择模型、条件矩不等式系统），提出了一种非参数贝叶斯推断框架。核心观察是：这类模型将简约式条件选择概率映射到一个识别集（identified set），因此对条件概率质量函数进行非参数贝叶斯推断即可自然得到识别集的贝叶斯推断。方法无需将条件矩转化为无条件矩或离散化协变量，直接使用高斯过程先验对条件概率建模，后验采样可闭式完成，计算高效。理论上证明了模型正确设定时后验对真实识别集的一致性，以及模型误设时后验对伪识别集的一致性，并能检测误设。方法可扩展到连续响应和聚合离散响应（如市场份额）。对您而言，本文提供了一种将贝叶斯非参数工具（高斯过程）与部分识别问题结合的思路，与您因果推断中识别理论（尤其是proximal CI和IV中的部分识别设定）直接相关，且其条件概率建模框架可能迁移到您关注的纵向或中介分析中的识别集推断。
关键技术: Gaussian process prior, partial identification, identified set, posterior consistency, conditional moment inequality, nonparametric Bayesian inference
为什么对您有用: 本文连接您primary interest中的identification theory（部分识别设定）和causal inference（离散响应模型在IV/选择模型中常见）。武器库中very_familiar的nonparametric statistics和estimation theory in causal inference可直接用于理解其高斯过程后验一致性的证明结构，moderately_familiar的identification theory可帮助评估其识别集刻画是否紧。中期可做：若想将类似框架扩展到proximal CI的识别集推断，需先在moderately_familiar的identification theory上深入（特别是negative control假设下的识别集结构）。

8. 2608.26558 — A Unified Adaptive Enrichment Design for Power Enhancement¶

作者: Junzhe Shao, Aibo Gong, Juan Shen, Waverly Wei
相关性 6/10 · novelty: new_method
摘要: 本文提出一个统一的适应性富集设计框架，将传统基于预设亚组和基于连续协变量cutoff的富集策略统一为对入组协变量分布的正则化优化问题。在二阶段RCT中，第二阶段通过最大化功效目标并加入KL散度惩罚项来平滑选择入组混合比例，避免离散的“赢家通吃”规则带来的winner's curse偏差。该设计的目标 estimand 是数据自适应入组规则诱导的试验人群上的平均处理效应（ATE），因此不确定性量化必须同时考虑入组规则学习和结局估计两个阶段的随机性。作者推导了最优入组规则估计量的影响函数表示，并将其纳入最终估计量的方差分解中，显式分离出决策不确定性和结局估计不确定性。模拟表明该方法相比传统富集设计在功效上有显著提升，同时大幅降低了winner's curse偏差。对您而言，该工作直接关联因果推断中的纵向/适应性设计方向，其影响函数方差分解技术可借助您熟悉的非参数统计和M估计理论来理解和扩展，属于中期可做方向——需先在semiparametric theory上进一步巩固。
关键技术: adaptive enrichment design, influence function, KL divergence regularization, two-stage RCT, winner's curse bias correction
为什么对您有用: 直接关联您primary interest中的因果推断（纵向/适应性设计）方向，其核心创新在于将富集设计转化为正则化优化问题并用影响函数分解不确定性。您武器库中的非参数统计和M估计理论可直接用于理解其方差分解机制，但若要深入推导更紧的minimax界或扩展至proximal CI设定，需先在semiparametric theory上补强。暂不可做：若想将框架推广至非随机缺失或工具变量场景，当前武器库缺少identification theory中对应adaptive设计的工具。

9. 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误（即“捷径学习”）问题，提出了一种控制变量方法。作者指出，现有的混淆控制或公平性方法仅限制协变量与预测之间的相关性，无法纠正遗漏变量偏误。该方法基于广义加性模型对模型输入和协变量的效应进行建模，并引入了一种估计程序：在预训练网络的最后一层使用交叉拟合和岭惩罚重新拟合以包含协变量效应。通过正交化协变量效应以排除其介导效应，并对协变量分布进行边际化以控制其影响，从而得到无偏、可解释的预测。在模拟图像和真实神经影像数据上的实验表明，该方法能一致地估计真实效应，并恢复接近无混淆数据训练水平的预测性能。该工作将经典因果推断中的控制变量思想与深度学习结合，对您关注的因果推断（尤其是纵向/高维协变量场景）和统计计算（算法实现）有直接参考价值。
关键技术: control variable approach, generalized additive model, cross-fitting, ridge penalization, orthogonalization, shortcut learning
为什么对您有用: 本文直接连接您 primary interest 中的因果推断（控制变量偏误校正）和统计计算（深度学习模型中的算法实现）。您武器库中 very_familiar 的“非参数统计”和“因果推断中的估计理论”可用于分析其正交化步骤的渐近性质；moderately_familiar 的“半参数理论”可用于推导其估计量的效率界。中期可做：需先在 moderately_familiar 的“M-估计理论”上加强，以严格证明其交叉拟合估计的收敛率。

10. 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: 本文针对在线实验中的 switchback 及聚类设计，提出一种多变量协变量调整方法以提升 CUPED 的方差缩减效率。传统 CUPED 仅使用单一滞后期的实验前数据作为协变量，而本文通过引入多个历史滞后期、循环小时编码、聚类和小时固定效应虚拟变量来丰富协变量集，并采用交叉拟合防止过拟合。该方法在保持轻量级和无需额外假设的前提下，显著降低了处理效应估计量的方差。模拟实验和纽约出租车数据验证表明，完整框架相比传统 CUPED 在统计功效上有大幅提升。文章还推导了任意协变量调整所能达到的方差缩减上限的闭式表达式，并将实证结果与该上限联系起来。对您而言，本文是因果推断中方差缩减方法的一个实用扩展，尤其适用于聚类实验设计，其交叉拟合和协变量选择策略可与您的 DML 和效率理论兴趣对接。
关键技术: CUPED, cross-fitting, switchback experiment, variance reduction, covariate adjustment, fixed effects
为什么对您有用: 本文直接关联您的因果推断兴趣中的实验设计和方差缩减方法，特别是 switchback 聚类设计下的处理效应估计。您武器库中的 cross-fitting 和估计理论可直接用于分析其方差缩减的渐近性质，例如验证其声称的效率增益是否达到半参效率界。中期可做：需先巩固 moderately_familiar 中的半参理论以推导其影响函数。

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 4/10 · novelty: new_method
摘要: 本文针对贝叶斯模型在模型误设定下不确定性度量可能失真的问题，提出了一种计算高效的敏感性分析方法 PosCoSeA。核心思想是利用后验协方差表示来近似 leave-k-out 诊断和 bootstrap 重抽样，从而避免重复拟合模型。该方法基于贝叶斯后验的线性近似（如 Laplace 近似或变分贝叶斯），将留一法或重抽样的影响函数表示为后验协方差与某种 score 函数的乘积。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。该方法本质上是一种计算捷径，适用于高计算成本的贝叶斯模型（如分层模型、生态学中的 occupancy 模型）。对您而言，虽然不直接涉及因果推断的 identification，但其“用后验协方差近似重抽样”的思路与您熟悉的 influence function 和 one-step estimation 有技术亲缘性，可作为 sensitivity analysis 中计算-精度权衡的参考案例。
关键技术: posterior covariance approximation, leave-k-out diagnostics, bootstrap resampling, Laplace approximation, influence function
为什么对您有用: 本文属于 sensitivity analysis 的计算方法，与您 primary interest 中的 sensitivity analysis 子方向直接相关。其核心工具——后验协方差近似——本质上是 influence function 在贝叶斯框架下的变体，您可以用 very_familiar 的 influence function 和 one-step estimation 视角来审视其近似误差和收敛性。中期可做：若想将类似思路推广到因果推断的 sensitivity analysis（如处理未测量混杂的 E-value 或 bias formula），需先在 moderately_familiar 的 identification theory 上长肌肉。

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 6/10 · novelty: sharper_rate
摘要: 本文研究局部差分隐私（LDP）下平稳高斯过程谱密度估计的 minimax 率。核心发现是，由于时间依赖性的存在，有效样本量从独立观测下的 Nα² 降为 Nα⁴（α 为隐私预算），这闭合了此前上下界之间的 α² 与 α⁴ 缺口。下界证明的关键是一个针对私有化依赖高斯观测的收缩界（contraction bound），上界则通过构造问题特定的估计程序实现，避免了先前工作中的多对数损失。此外，文章还将工具推广至固定滞后自协方差估计（闭合对数缺口）以及 LDP 下经典独立高斯实验渐近等价性的失效。对您而言，该工作展示了高维统计中 minimax 下界技术（如 Le Cam 方法、Fano 不等式）与隐私约束的结合，且其依赖数据结构的收缩界思路可能迁移至您熟悉的逆问题或 U-统计量隐私分析中。
关键技术: minimax lower bound, local differential privacy, spectral density estimation, contraction bound for dependent Gaussian observations, problem-specific privatization procedure
为什么对您有用: 该论文直接连接您的高维统计与 minimax 界兴趣，具体涉及谱密度估计在 LDP 下的精确率刻画。您武器库中的 minimax bounds for estimation problems 和 high-dimensional asymptotics 可直接用于验证其下界构造的紧性，或尝试将收缩界技术推广至更高阶依赖结构（如 U-统计量的隐私分析）。中期可做：需先在 moderately_familiar 的 theory of higher-order U-statistics 上熟悉依赖数据的隐私成本分析，再考虑迁移。

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

作者: Debika Ghosh, Nilanjana Chakraborty, Samrat Roy
相关性 5/10 · novelty: new_method
摘要: 本文针对高维张量时间序列，提出正则化加性张量自回归模型（RATAR），将张量的行、列、管三个方向的时序依赖建模为可加形式，替代传统的Tucker分解表示。该模型避免了非凸优化，通过凸正则化（如Lasso和核范数）同时估计低秩和稀疏结构的转移矩阵，提升了可解释性并降低了计算负担。作者证明了模型参数的可识别性，并设计了可扩展的交替块最小化算法。在高维尺度下，推导了参数估计的有限样本误差界，表明估计误差随维度增长可控。模拟和真实数据实验验证了模型在预测精度和结构恢复上的优势。对您而言，该工作将高维时间序列分析与张量低秩结构结合，其凸优化框架和误差界推导可直接迁移到您熟悉的高维统计和逆问题分析中。
关键技术: alternating block minimization, convex regularization (nuclear norm + Lasso), finite-sample error bound, low-rank plus sparse decomposition, tensor autoregression
为什么对您有用: 本文连接您的高维统计和统计计算兴趣：其凸优化框架避免了非凸Tucker分解的计算瓶颈，且有限样本误差界可直接用您熟悉的minimax bound工具验证是否紧。中期可做：需先在moderately_familiar的M-estimation理论上巩固，以处理加性结构下的识别性证明细节。

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在离散观测下的最优预测问题，目标是在从稀疏到密集的任意采样方案下达到 minimax 最优。现有方法（如局部加权平滑、PACE）在稀疏设计下表现良好，但无法在密集设计下达到最优；而基于 RKHS 的方法在密集设计下有效，但在稀疏设计下失效。作者提出 pooling-ridge 估计，通过将所有受试者的离散观测数据合并，构造算子的无偏估计，并结合 RKHS 正则化，统一了稀疏与密集设计的估计框架。对于标量-函数回归，预测风险仅发生一次相变，分为两个收敛区域；对于函数-函数回归，最多可能出现三次相变，取决于预测变量和响应变量的采样频率。理论结果表明该方法在任意采样方案下达到 minimax 最优，首次准确刻画了离散采样对预测风险的影响。模拟和两个真实数据实证支持了方法的有效性。该论文对您有用：它展示了如何用 pooling 和 RKHS 技巧统一处理稀疏到密集的纵向数据，与您对非参数统计和 minimax 界的熟悉度高度匹配，且函数型数据在流行病学队列中常见，可作为应用切入点。
关键技术: pooling-ridge estimation, RKHS regularization, minimax optimality, phase transition, sparse-to-dense designs, functional linear regression
为什么对您有用: 本文直接连接您的 primary interest 中的非参数统计和 minimax 界：它解决了函数型线性回归在离散观测下 minimax 最优估计这一二十年的开放问题。您武器库中 very_familiar 的 minimax bounds for estimation problems 和 nonparametric statistics 可以直接用来验证其相变边界是否紧，或推广到其他损失函数。中期可做：若想将 pooling-ridge 思想扩展到因果推断中的函数型处理效应估计，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体是 influence function 在函数型数据下的形式）。

2. 2608.27055 — How far can symmetry help? Phase transitions and symmetry selection in sparse functional data analysis¶

作者: Jocelyn Nembe
相关性 7/10 · novelty: new_theory
摘要: 研究稀疏函数型数据分析中协方差曲面估计的相变现象，并考察域对称性如何改变该相变阈值。设定为 n 条曲线各在 m 个随机点观测，协方差光滑度为 β，经典阈值 m*_n ≍ n^{1/(2β)} 处风险从二维非参数率降至参数率 n^{-1}。本文证明循环群对称性（阶 q）将阈值位移至 n^{1/(2β)} q^{-1/2}，位移因子为平方根源于对称性作用于可用配对数的方差项，而参数基底不受群平均影响。位移存在饱和：当轨道细于带宽时缩减因子为 min(q, c_K/h)，通过 Poisson 求和与核自相关的正定性导出，此后率塌缩至一维非参数率。因此任何旋转对称性（含全圆群）无法将阈值降至 n^{1/(4β)} 以下；该下界由上估计量达到，下界至多项式因子紧。均匀下界基于保持正性的平稳子类填充，间隙闭合留作开放问题。近似对称性下风险引入逼近项，设计平面分裂为三个区域，其中一个区域无法通过额外采样触及；对称谱在 Fourier 坐标下显式表达，留出法选择对称水平在饱和前达到领先常数一、饱和后达到绝对常数内。所有规律经数值验证。域重参数化不改变阈值。
关键技术: phase transition, sparse functional data, covariance estimation, Poisson summation, symmetry reduction, minimax lower bound
为什么对您有用: 本文直接连接非参数统计与高维渐近理论，其相变分析技术（Poisson 求和、对称性对配对数的方差效应）可迁移至您熟悉的 minimax 界推导框架。对称性饱和现象与您武器库中‘逆问题随机噪声’的核方法分析有直接接口——可尝试用更高阶 U-统计量的 treewidth 视角刻画对称性对配对数的组合压缩效应。中期可做：需先在 moderately_familiar 的 M-估计理论中熟悉核自相关正定性条件，再动手推导更一般群作用下的阈值。

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

作者: Vincent Divol
相关性 7/10 · novelty: new_theory
摘要: 本文研究非参数估计中方差对正则性不敏感这一经典现象在谱分析中的体现。具体设定为：给定n个i.i.d.样本来自Polish度量空间上的概率测度μ，在固定带宽h>0下，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，对于阶数小于h^{-2}的特征值，相对误差被1/√(n v_μ(h))控制，其中v_μ(h)是半径为h的球的最小质量。该界仅需极弱的正则性条件：μ属于新引入的coarse PI测度类，包含度量图、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。即使在流形上密度具有s>2正则性的已知情形，该结果也去掉了对数因子。对您而言，该工作展示了非参数谱估计中方差控制的通用技术，与您在高维统计和随机矩阵理论中的兴趣直接相关。
关键技术: graph Laplacian, spectral stability, coarse PI measure, relative error bound, nonparametric spectral estimation
为什么对您有用: 本文连接您对非参数/半参数理论和高维统计的兴趣，具体涉及谱方法在度量空间上的稳定性分析。您的技术武器库中'非参数统计'和'高维渐近'可以直接用于理解该文的核心界，但需要先熟悉coarse PI测度类这一新概念——属于中期可做：需在'非参数统计'上进一步巩固对度量空间上谱方法的理解。

4. 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: sharper_rate
摘要: 本文研究在局部差分隐私（LDP）框架下，对添加Laplace噪声的实值数据使用非参数最大似然估计（NPMLE）恢复潜在机密数据分布的问题。首先证明在Laplace卷积模型下，NPMLE可转化为有限维优化问题，其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维凸优化（n为样本量）。随后在1-Wasserstein距离下分析NPMLE的统计收敛速率，并明确建立收敛速率与隐私噪声尺度之间的解析关系。当隐私噪声水平随样本量变化时，分析表明若Laplace噪声增长慢于n^{3/16}，NPMLE仍保持相合性；反之，当噪声量级达到√n或更大时，任何估计量都无法一致地恢复潜在分布。该结果刻画了隐私保护强度与统计可估计性之间的基本权衡，对您而言，其非参数MLE在卷积模型下的有限维约化技巧和Wasserstein收敛分析，可直接联系到您熟悉的非参数统计与逆问题理论，且噪声尺度与样本量的显式速率边界为高维统计中的minimax下界分析提供了具体案例。
关键技术: Nonparametric maximum likelihood estimator (NPMLE), Laplace convolution model, 1-Wasserstein distance convergence, finite-dimensional convex reformulation, privacy-noise tradeoff rate
为什么对您有用: 本文直接连接您的primary interest中的非参数统计与逆问题理论：Laplace卷积下的NPMLE有限维约化技巧可视为逆问题中正则化路径的一个新案例，而Wasserstein收敛速率分析（n^{3/16}阈值）为minimax下界提供了具体靶点。从技术武器库看，您非常熟悉的非参数统计与minimax下界工具可直接用于验证该速率是否紧（例如构造匹配的下界），属于立即可做的follow-up。此外，该问题框架与您关注的统计计算权衡（信息-计算缺口）有潜在交叉——NPMLE的凸优化可解性暗示了计算友好的估计器，而噪声过大时的不可估计性则对应统计极限，值得作为gateway reading进入该方向。

5. 2608.24450 — Maximum effective dimension and information gain¶

作者: David Janz, Arya Akhavan, Alexandre B. Tsybakov
相关性 6/10 · novelty: sharper_rate
摘要: 该文研究核 Gram 矩阵的最大有效维度和信息增益的上界，这两个量在核方法（如高斯过程回归、核岭回归）的 regret 分析中起核心作用。作者在任意设计点（非随机、非均匀）下，利用核函数或对应 RKHS 的逼近性质（如覆盖数、特征值衰减）建立了一般性上界。覆盖三种正则性 regime：指数衰减（如平方指数核）、多项式衰减（如 Matérn 核）以及中间情形，并证明这些上界在常数因子意义下不可改进。技术工具包括核的逼近宽度、RKHS 的插值空间和熵数估计。对您而言，该文提供了非参数统计中核方法 regret 分析的关键紧界，可直接用于您熟悉的 minimax 下界和核方法理论，属于中期可做方向（需先熟悉核的逼近性质与覆盖数工具）。
关键技术: kernel Gram matrix, effective dimension, information gain, approximation width, covering numbers, RKHS interpolation spaces
为什么对您有用: 该文直接关联您的 primary interest 中的非参数统计和 minimax 界理论，提供了核方法 regret 分析中关键量的紧上界。您可以用 very_familiar 的 minimax bounds 工具验证其下界是否紧，或将其结果推广到更一般的核类。中期可做：需先熟悉核的逼近性质和覆盖数工具（moderately_familiar 中的 M-estimation 理论可辅助理解）。

6. 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 5/10 · 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（即无局部排序）时的极限性质，填补了现有分布理论在平坦情形下的空白。首先，对于均匀密度的直方图估计量，证明了其非递减重排在(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，考虑基于经验copula增量和棋盘近似的两种重排copula估计量，在独立性原假设下，经适当中心化和缩放后，两者在[0,1]^2上弱收敛到一个积分高斯过程，该过程此前未被刻画。进一步利用这些结果证明了一类重排copula依赖度量的渐近正态性，这类度量近期在Strothmann等人(2024)中被讨论。本文对您可能有用：它涉及非参数估计的形状约束与弱收敛理论，与您的非参数统计和假设检验兴趣直接相关，且其极限过程的刻画可视为一种新的分布理论结果。
关键技术: monotone rearrangement, functional weak convergence, empirical copula, checkerboard approximation, integrated Gaussian process, shape-constrained estimation
为什么对您有用: 本文直接关联您的非参数统计兴趣，特别是形状约束估计的极限分布理论。您可以用非常熟悉的非参数统计和minimax界工具来评估其收敛速率是否最优，并思考平坦区域下的重排是否可推广到其他非参数估计问题（如单调回归）。中期可做：若想将类似技术用于因果推断中的单调性假设（如单调IV），需先在中等熟悉的M估计理论上提升，以处理更复杂的识别条件。

7. 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: 本文研究从指数β-混合相依数据中估计回归函数的问题，以L2误差（对设计分布积分）为准则。使用logistic激活函数的过参数化深度神经网络估计量，所有参数通过梯度下降学习。针对(p,C)-光滑回归函数，分析了期望L2误差的收敛速度。在特殊情况下，当设计集中在d维流形上时，估计量的期望L2误差收敛速度仅依赖于流形维数d，而非设计空间的原始维数d。该结果将深度神经网络在独立同分布数据上的经典理论推广到了相依数据场景，并展示了过参数化网络在梯度下降训练下的自适应降维能力。对您而言，本文的非参数回归理论（特别是流形自适应收敛速度）与您的非参数统计和极小极大界兴趣直接相关，可作为理解深度网络在相依数据上理论性质的入门参考。
关键技术: over-parametrized deep neural networks, logistic activation function, gradient descent training, exponential β-mixing, adaptive dimensionality reduction
为什么对您有用: 本文连接您的非参数统计和极小极大界兴趣，具体在相依数据回归的收敛速度分析。您的武器库中'非参数统计'和'极小极大界'可直接用于评估其流形自适应率的紧性（立即可做）。

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

1. 2608.27320 — Evidence, Calibration, and Stability: A Triadic Framework for Hypothesis Testing Under Model Uncertainty¶

作者: Subir Hait
相关性 7/10 · novelty: new_method
摘要: 本文提出 Evidence-Calibration-Stability (ECS) 框架，将假设检验的报告分解为三个正交维度：证据（Fisherian 归纳推断）、校准（Neyman-Pearson 决策理论的重复抽样行为）和稳定性（模型扰动下结论反转的敏感性）。核心贡献在于：对有限维仿射扰动，推导出精确的椭球稳定性半径；对光滑非线性边际，通过一致二次余项条件给出认证下界，明确仿射公式何时仅为代理。此外建立了坐标不变性和多声明的矩阵扩展，并区分了确认性校准与描述性校准剖面。通过单样本 t 检验和 Student 睡眠数据的模拟，展示了三个坐标可能导向不同解读。该框架是对现有稳健检验、敏感性分析、多宇宙分析等方法的正式综合，而非声称证据、功效或稳健性本身是新的。对您而言，该工作直接连接 hypothesis testing 和 sensitivity analysis，其稳定性半径的几何推导可视为一种非参数扰动下的精确推断工具，与您熟悉的 minimax bounds 和 inverse problems 视角有潜在交叉。
关键技术: stability radius, ellipsoidal perturbation, quadratic-remainder condition, multiverse analysis, sensitivity analysis, coordinate invariance
为什么对您有用: 直接连接 hypothesis testing 和 sensitivity analysis 子方向。您的 very_familiar 武器库中的 minimax bounds 和 nonparametric statistics 可用于检验该稳定性半径在更一般模型类（如半参数）下的紧性；该框架的几何扰动视角与您熟悉的 inverse problems 中的稳定性分析有相通之处。中期可做：若将稳定性半径推广到高维或半参数设定，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（如 influence function 的扰动分析）。

2. 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，提出了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，并能够处理时间相依性。作者建立了有限和开放监测时域下的渐近理论，刻画了原假设下完整的渐近游程长度分布，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，并据此构建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，能够对早期和晚期变点实现短检测延迟，且无需原始观测的子高斯性或高阶矩假设。模拟实验在多种时间序列模型（线性、非线性、高维、函数型）中展示了可靠的误报控制，并在多种备择假设和变点位置下，检测延迟显著短于近期专为快速检测设计的程序。该方法在外汇汇率、电力市场曲线和航空运输网络等应用中得到了验证。
关键技术: two-sample U-statistics, energy distance, maximum mean discrepancy (MMD), sequential changepoint detection, spectral approximation of kernel matrices, Monte Carlo calibration
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-统计量用于在线变点检测这一经典问题，并给出了完整的渐近理论。您可以用very_familiar的higher-order U-statistics计算（treewidth / tensor contraction）视角来分析其U-统计量估计量的计算成本，或探索更复杂核函数下的计算可行性。中期可做：若想将方法扩展到更复杂的相依结构或高维设定，需先在moderately_familiar的higher-order U-statistics理论上进一步深入。

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

作者: Amitakshar Biswas, Adam B Kashlak
相关性 7/10 · novelty: new_method
摘要: 本文提出一个统一的随机化检验框架，用于检验二次型统计量在紧致群作用下的不变性，并给出闭合形式的 p 值。核心创新在于将经典 Durbin-Watson 自相关检验推广为非参数变体，利用紧致群上的浓度不等式导出逐滞后的解析 p 值公式，从而完全避免大规模 Monte Carlo 模拟。该方法在模拟数据上对显著自相关的检验功效优于经典的 Breusch-Godfrey 和 Ljung-Box 检验。此外，该方法能有效识别大滞后自相关，例如月太阳辐射数据中约 11 年（132 个月）的周期。该框架可轻松适配其他二次型统计量，具有通用性。对您而言，该工作直接关联数学统计中的假设检验方向，其利用群不变性和浓度不等式导出解析 p 值的思路，可启发您在高维或 U-统计量检验问题中设计类似的计算高效检验程序。
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: 直接关联您 primary interest 中的 hypothesis testing 方向。该工作将随机化检验从置换推广到一般群作用，并利用浓度不等式避免模拟，这一技术思路可迁移到您熟悉的 higher-order U-statistics 检验问题中——您可以用 treewidth / einsum 视角分析其计算成本，或探索能否为 U-统计量构造类似的解析 p 值。中期可做：需先在 moderately_familiar 的 higher-order U-statistics 理论上长肌肉，理解其投影分解与群不变性的结合点。

4. 2608.27310 — Conformal Prediction Through the Lens of Hypothesis Testing: Universality, Impossibility, and Optimality¶

作者: Ryan J. Tibshirani, Rina Foygel Barber, Aaditya Ramdas
相关性 7/10 · novelty: new_theory
摘要: 本文从假设检验的经典视角重新审视共形预测（conformal prediction），将其解释为对 n+1 个样本联合分布可交换性（exchangeability）零假设的置换检验的逆过程。这一视角比常见的“置换 p 值”解释更贴近 Neyman-Pearson 检验框架，并带来三个主要贡献：第一，利用检验与置信集的经典对偶性，直接复现了共形预测文献中关于普适性（universality）和不可能性（impossibility）的基础结果，证明这些结果本质上可归因于 Lehmann-Scheffé、Kraft 和 Le Cam 等经典假设检验理论；第二，基于 Neyman-Pearson 引理推导出共形预测的最优性结果：在可交换分布族中，对任意样本量和任意 (X,Y) 联合分布，最优预测集（即覆盖有效性约束下效率最高的集合）恰好是使用逆条件密度 1/f(Y|X) 作为非符合度量的共形预测器；第三，将共形预测与经典检验理论的联系系统化，为理解其有限样本保证提供了更简洁的理论基础。对您而言，本文展示了如何用您熟悉的假设检验语言（Neyman-Pearson 理论）重新解释一个现代预测方法，其视角对您在高维或因果推断中设计有限样本有效的推断程序有启发。
关键技术: conformal prediction, permutation test, Neyman-Pearson lemma, exchangeability, duality between testing and confidence sets
为什么对您有用: 本文直接连接您的 primary interest 中的 hypothesis testing 子方向，将共形预测这一现代工具还原为经典 Neyman-Pearson 检验理论，属于您 very_familiar 的 nonparametric statistics 和 estimation theory 范畴。具体而言： (1) 本文的“检验-置信集对偶性”视角可迁移至 causal inference 中的 sensitivity analysis 或 IV 的有限样本推断——您可以用类似思路构造对可交换性假设稳健的置信区间； (2) 武器库中 very_familiar 的 nonparametric statistics 和 minimax bounds 可直接用于验证本文最优性结果（逆条件密度作为最优得分）在非参数设定下的紧性； (3) 立即可做：用您熟悉的 permutation test 和经典检验理论复现并扩展本文的 impossibility 结果到更一般的分布族（如弱依赖数据），无需额外工具。

5. 2608.26703 — Uncertainty quantification for expectation-calibrated predictions¶

作者: Georgios Gavrilopoulos, Johanna Ziegel
相关性 6/10 · novelty: new_method
摘要: 本文研究条件均值预测的校准问题，目标是为点预测提供不确定性量化。现有校准文献多关注分类或概率预测，而本文针对回归设定，在可交换性假设下利用 conformal prediction 构建分布自由的校准置信区间。方法基于通用的分箱方案，给出了两种具体实现：数据无关的固定分箱和基于 isotonic regression 的自适应分箱。在结构假设下，证明了基于 isotonic regression 的校准置信区间具有强渐近一致性，且区间宽度渐近趋于零。模拟和高度不平衡的保险数据集上的实证展示了方法的有效性。对您而言，本文的 conformal prediction 框架与您熟悉的非参数统计和假设检验工具直接对接，且其分布自由、有限样本保证的特点可迁移到因果推断中的敏感性分析或预测区间构建。
关键技术: conformal prediction, isotonic regression, distribution-free confidence intervals, binning scheme, exchangeability
为什么对您有用: 本文连接您的假设检验和非参数统计兴趣，conformal prediction 是您 very_familiar 的非参数工具，可直接用于构建因果推断中预测区间的校准。中期可做：将本文的校准置信区间扩展到因果推断的 ATE 或 CATE 估计中，需先熟悉 moderately_familiar 的 semiparametric theory 以处理 nuisance 估计。

6. 2608.24230 — Wild Bootstrap and Efron's Bootstrap for Debiased Cox Regression¶

作者: Lena Schemet, Sarah Friedrich-Welz
相关性 6/10 · novelty: new_method
摘要: 本文研究 Cox 比例风险模型在 Lasso 变量选择后，对 debiased 估计量进行 bootstrap 推断的问题。目标是对高维生存数据中选出的协变量系数构造置信区间，避免传统 debiased Wald 区间在小样本下的覆盖偏差。方法上，作者提出了两种基于得分的 bootstrap 方案：wild bootstrap（独立乘子）和 Efron bootstrap（中心化多项重抽样权重），两者均保持原始 Lasso 拟合和 debiasing 矩阵固定，仅对 score contribution 施加 bootstrap 权重。理论部分证明了两种 bootstrap 的渐近有效性，即 bootstrap 分布能一致逼近 debiased 估计量的渐近分布。模拟实验表明，在多种小到中等样本量设定下，bootstrap 区间的覆盖精度优于一阶 debiased Wald 区间，但改进幅度依赖于调参规则。最后通过 SUPPORT2 数据集展示了实际应用。该论文对您可能有用：它连接了高维统计中的 debiased 推断与 bootstrap 重抽样技术，属于 hypothesis testing 方向，且其 score-based bootstrap 框架与您熟悉的 M-estimation 理论有直接关联。
关键技术: debiased Lasso, Cox proportional hazards model, wild bootstrap, Efron bootstrap, score-based bootstrap, high-dimensional inference
为什么对您有用: 本文直接关联您 primary interest 中的 hypothesis testing 和高维统计方向，具体是 debiased Lasso 在生存数据上的推断问题。您的武器库中 'high-dimensional asymptotics' 和 'M-estimation theory' 可以直接用于理解其渐近论证，而 'software development' 经验可用于复现或扩展其 bootstrap 实现。中期可做：若您想将类似 score-based bootstrap 框架推广到其他 debiased 估计量（如 DML 中的 nuisance 估计），需先在 'semiparametric theory' 上加强，因为 Cox 模型是半参数模型，其 efficient score 的 bootstrap 推广涉及更复杂的 nuisance 参数估计。

7. 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）零分布的高效近似方法。传统方法依赖置换检验（计算成本高）或矩匹配（尾部精度差），而该文提出直接通过双重中心距离矩阵的谱来近似极限分布（加权卡方和），并首次严格证明在可分度量空间上对一类负型距离，经验谱能一致地近似零分布，从而给出渐近有效的检验。该方法涵盖 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，通过部分特征分解将复杂度从 O(n³) 降至 O(k n²)，并引入收缩校正以匹配前两阶矩。模拟表明，该方法是唯一经验第一类错误收敛到名义水平的非蒙特卡洛程序。对您而言，该工作直接关联假设检验与高维统计中的谱方法，且其谱近似思路可迁移至您熟悉的 U-统计量或随机矩阵理论框架下的检验问题。
关键技术: distance covariance, spectral approximation, weighted chi-square distribution, empirical spectrum, partial eigendecomposition, Hilbert-Schmidt independence criterion
为什么对您有用: 本文直接命中您 primary interests 中的 hypothesis testing 和 high-dimensional statistics（随机矩阵理论），其核心是谱近似零分布，与您熟悉的 minimax bounds 和 high-dimensional asymptotics 武器库高度匹配。具体而言，您可以用 very_familiar 的高维渐近工具验证其谱估计的收敛速率是否最优，或用 moderately_familiar 的 U-统计量理论分析距离协方差作为高阶 U-统计量的计算复杂度（treewidth / einsum 视角）。结论：立即可做——用 very_familiar 的高维渐近和 U-统计量计算工具即可深入分析其算法效率或提出改进。

8. 2608.23315 — Classification testing: A new framework for drawing qualitative conclusions from quantitative estimates¶

作者: Andrew C. Eggers, Zikai Li
相关性 6/10 · novelty: application
摘要: 本文提出“分类检验”（classification testing）框架，作为传统假设检验的替代方案。传统检验针对单一零假设设计，而分类检验允许研究者事先定义若干有实质意义的定性类别（如“效应为正”、“效应为负”、“效应可忽略”），然后根据估计值及其不确定性将待估参数归入某一类，同时控制分类错误率（类似传统检验的显著性水平），若数据不足以做出可靠分类则声明“无结论”。该方法的核心机制是：将点估计和置信区间与类别边界进行比较，并引入一种类似于“等价性检验”的逻辑来保护研究者免受“仅因未拒绝零假设就接受零假设”的谬误。作者通过一个著名的媒体实验数据展示了该框架的应用，并提供了R包。本文本质上是对假设检验实践的一种方法论反思，而非提出新的统计理论或渐近结果。对您而言，本文属于 hypothesis testing 方向的非标准视角，可作为教学或审稿时的参考，但方法学新颖性有限（本质上是将 equivalence testing 和区间估计的思想系统化），不直接涉及您核心兴趣中的高维、U-统计或效率理论。
关键技术: classification testing, equivalence testing, confidence interval, hypothesis testing framework
为什么对您有用: 本文属于 hypothesis testing 方向的实践性反思，与您的 primary interest 中的“mathematical statistics (hypothesis testing)”有直接关联，但更偏向应用方法论而非理论创新。您的武器库中“nonparametric statistics”和“minimax bounds”可用于分析该框架下分类错误率的渐近最优性（例如类别边界的最优选择问题），但本文本身不涉及这些技术。暂不可做：核心机器（分类错误率的形式化控制、与多重比较的衔接）不在您的武器库中，且您对该方向的兴趣更偏向理论检验而非实践框架设计。

9. 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模型选择问题。PPCA 模型在奇异点处 Fisher 信息矩阵不满秩，导致经典 BIC 的维度惩罚过度，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 修正了标准 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非标准渐近问题中的应用，与您对假设检验和模型选择的理论兴趣直接相关。
关键技术: singular learning theory, singular Bayesian information criterion (sBIC), marginal likelihood asymptotics, Fisher information matrix rank deficiency, probabilistic PCA
为什么对您有用: 本文直接关联您对假设检验和模型选择的兴趣，特别是非标准渐近下的模型选择问题。您武器库中的 minimax bounds 和非参数统计工具可用于分析 sBIC 的收敛速率或与经典 BIC 的对比。中期可做：需先在 moderately_familiar 的 M-estimation 理论上深入，以理解奇异点处似然面的几何结构。

10. 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，在相同样本量的重复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、心理学和社会科学已发表研究的 p 值分布进行估计。通过将该估计值与实际复制结果（如 Many Labs 项目）对比，验证了其预测准确性，且优于预测市场。结果显示，p=0.05 的发现其复制概率在各领域仅为 0.10 至 0.25，低复制性主要源于原始研究的低统计功效，而非发表偏倚。作者进一步开发了一个非参数估计量，并将其应用于使用更大样本的经济学文献，发现复制概率虽有提高但仍偏低。结论是，单次研究的统计显著性仅提供提示性证据，更可靠的结论需要累积证据。该工作直接关联您对假设检验的兴趣，特别是 p 值的可复制性这一基础性问题。
关键技术: replication probability, nonparametric estimation, p-value distribution, statistical power, publication bias
为什么对您有用: 直接关联您对假设检验的兴趣，特别是 p 值的可复制性这一基础性问题。您武器库中的非参数统计和 minimax 界工具可用于分析其非参数估计量的收敛速度或最优性。中期可做：若想将方法推广到高维或因果推断设定，需先在 moderately_familiar 的 M-估计理论上长肌肉。

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）下的多臂临床试验，提出了一种适用于广义线性模型（GLM）终点（如二分类、计数数据）的有效检验方法。首先，理论分析表明，当工作模型因遗漏协变量而错误设定时，标准Wald z统计量的联合分布不再收敛于标准多元正态分布，导致I类错误率膨胀或保守，且该偏差依赖于GLM的具体类型。其次，基于上述渐近结果，作者构造了校正后的检验统计量，以修复分布问题。为控制多臂比较中的族系I类错误率，将校正统计量与Simes型多重检验程序结合，在控制错误率的同时可能提升检验功效。模拟研究和转移性乳腺癌试验的实际数据分析验证了方法的有效性和实用性。该工作对您可能有用：它直接关联您对假设检验的兴趣，尤其是处理复杂随机化设计下GLM推断的分布校正问题，且校正方法可迁移至您熟悉的因果推断中敏感性分析或多重比较场景。
关键技术: covariate-adaptive randomization, generalized linear model, Wald z-statistic, Simes-type multiple testing, model misspecification, asymptotic distribution
为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是复杂随机化设计（CAR）下GLM推断的分布校正问题。您武器库中'高维渐近'和'M估计理论'可用于分析其校正统计量的渐近性质，或推广至更一般的因果推断设定（如IV或proximal CI中的多重比较）。中期可做：需先在'semiparametric theory'上巩固，以处理更复杂的模型误设定场景。

12. 2608.27209 — Connecting Riemannian Geometry and Statistical Inference for Correlation Matrices¶

作者: Argyn Kuketayev
相关性 5/10 · novelty: new_theory
摘要: 该论文建立了全秩相关矩阵的商仿射度量（quotient-affine metric）与 Jennrich (1970) 经典检验统计量之间的精确联系。商仿射度量是相关矩阵流形上的一种内在黎曼几何，但其测地距离无闭式解且渐近零分布未知。作者证明 Jennrich 统计量中的二次型恰好是商仿射度量张量的一半，这一恒等式源于：从高斯 Fisher 信息中消去边际标准差所执行的投影，与商掉对角缩放（quotienting out diagonal rescalings）的投影完全相同。因此，Jennrich 统计量直接评估了局部商仿射二次型。进一步，对于两个独立高斯样本且总体相关矩阵相同的情形，有效样本量缩放后的测地距离平方依分布收敛到 4χ²_d，其中 d = p(p-1)/2。当 p=2 时，该结果退化为两样本 Fisher z 检验。该工作为相关矩阵的假设检验提供了黎曼几何解释，并首次给出了测地距离的渐近零分布。
关键技术: quotient-affine metric, Jennrich's test, Fisher information metric, Riemannian geometry of correlation matrices, asymptotic null distribution, chi-squared approximation
为什么对您有用: 该论文直接连接了假设检验（primary interest）与黎曼几何，为相关矩阵的检验问题提供了新的几何视角。您可以用非常熟悉的非参数统计和高维渐近工具（technical_arsenal 中的 very_familiar 项）来验证该渐近分布是否在非高斯或高维情形下仍成立，或探索其与更高阶 U-统计量的联系——这是一个立即可做的 follow-up 方向。

13. 2608.24194 — Testing for Stable Intervals in Non-Stationary Time Series¶

作者: Florian Heinrichs
相关性 5/10 · 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，信号 d（如均值函数或其导数）在长度 δ 的区间内波动不超过容忍度 Δ 的稳定性由 d_∞ 刻画。原假设为不存在这样的稳定区间（d_∞ ≥ Δ），拒绝则提供存在稳定区间的证据。估计采用局部线性回归，并构造 d_∞ 的 plug-in 检验。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。检验具有一致性且渐近控制水平。理论还扩展了基于上确界的相关变化检验至时变长期方差和导数假设。模拟与生理/工程时间序列应用验证了方法。对您可能有用：该检验框架可迁移至因果推断中的结构稳定性检验（如纵向数据中处理效应的时变稳定性），且极值逼近技术可与高维统计中的极值理论交叉。
关键技术: local linear regression, plug-in test, extreme value approximation, time-varying long-run variance, minimax functional, kernel estimation over shrinking sets
为什么对您有用: 本文连接至 hypothesis testing 子方向（非平稳时间序列的结构检验），与 primary interest 中的数学统计检验直接相关。武器库中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可直接用于理解其局部线性回归与极值逼近的渐近论证；moderately_familiar 的 M-estimation theory 可用于拓展至更一般的估计方程框架。中期可做：若将检验推广至因果推断中的时变处理效应稳定性，需先在 moderately_familiar 的 identification theory in causal inference 上长肌肉。

14. 2608.26553 — Tight differencing in spectral density estimation with centrosymmetric kernels¶

作者: Yaxuan Wang, Kin Wai Chan
相关性 4/10 · novelty: new_method
摘要: 本文研究时间序列中谱密度与长期方差的均值稳健估计问题。现有方法在序列依赖数据存在波动性趋势或突变时，尤其在小样本下性能退化。核心矛盾在于：tight differencing（小滞后差分）能增强局部去趋势，但会引入强相关性，破坏核平均估计的高阶性质。作者提出一类新型中心对称核（centrosymmetric kernels），专门设计以兼容 tight differencing。理论贡献包括：证明序列依赖数据的最优 tight difference 序列与独立数据情形不同，且该最优序列是数据无关的，无需预拟合即可直接使用。数值实验展示了该方法在平稳性检验和白噪声检验等推断任务中的实用性。对您而言，本文涉及 hypothesis testing 中的谱密度估计，与您的 primary interest 中的数学统计与假设检验方向直接相关。
关键技术: tight differencing, centrosymmetric kernels, spectral density estimation, long-run variance estimation, kernel averaging, mean-robust estimation
为什么对您有用: 本文直接关联您的 primary interest 中的 hypothesis testing 方向，具体是时间序列谱密度估计的稳健推断问题。您的 technical arsenal 中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可用于分析该核方法的收敛性质与最优差分序列的渐近理论。中期可做：若您想深入该方向，需先在 moderately_familiar 的 M-estimation theory 上加强，以处理序列依赖下的估计方程。

15. 2608.23064 — Sequentially valid inference for probabilistic inflation forecasts¶

作者: Amadeo Grob, Maurizio Daniele, Johanna Ziegel
相关性 4/10 · novelty: new_method
摘要: 本文针对宏观经济预测中概率校准的序贯评估问题，提出基于 e-value 的序贯检验方法。传统统计检验（如固定样本的 p 值检验）无法在数据持续到达时保持有效推断，而 e-value 方法允许在任意停止时间下进行有效推断（anytime-valid inference）。方法核心是构造一个非负鞅（e-process），其期望在零假设下不超过 1，从而通过 Ville 不等式控制 I 类错误。作者将这一框架应用于美国、欧元区和瑞士的通胀概率预测，发现序贯检验能在结构性断点（如疫情冲击）期间检测到静态全样本检验遗漏的校准失效。实证结果表明，该方法能提供预测误设的时序细节，对宏观预测评估具有实用价值。对您而言，本文是 e-value 在时间序列预测评估中的直接应用，与您对假设检验和因果推断中序贯决策的兴趣高度相关，且方法本身（非负鞅构造）可迁移至您熟悉的逆问题或高维设定下的序贯检验问题。
关键技术: e-values, anytime-valid inference, e-process, Ville's inequality, sequential testing, probabilistic forecast calibration
为什么对您有用: 本文直接连接您对假设检验的兴趣，特别是序贯设定下的有效推断问题。e-value 方法作为 p 值的替代，在因果推断的敏感性分析、A/B 测试的序贯监测中也有潜力。您的技术武器库中非参数统计和高维渐近工具可用于扩展 e-process 的构造（如高维协变量下的序贯检验），属于中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理 e-process 在复杂模型下的渐近性质。

16. 2608.26421 — Dimension comparison for Student's statistic under symmetric unimodality¶

作者: Jacopo Lenzi
机构: University of Bologna
相关性 4/10 · novelty: new_theory
摘要: 本文研究对称单峰分布下 Student t 统计量的尾概率比较问题。设定为 n 个独立中心化均匀变量的自归一化和的尾概率 q_n(r)，在 r=3 处 Student 统计量的双边 Edgeworth 展开中第一个分布敏感项消失。作者在移动边界 r_n=3+λ/n 下评估 n 维与 n-k 维的展开，发现对保持固定正比例观测的删除秩，第一个非零差收敛到显式相曲面 H_δ(λ)，其零曲线统一了固定、次线性与固定比例删除情形，切线穿越 12/35。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 尾概率在足够大 n 下超过等尺度均匀分布的尾概率。相反，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数展开及 n=6 处的精确反转。该工作对您可能有用：它提供了高维假设检验中维数效应与分布尾行为的精细刻画，直接关联您对 hypothesis testing 和 high-dimensional statistics 的兴趣。
关键技术: Edgeworth expansion, self-normalized sum, Khintchine scale-mixture representation, phase surface, quantile-ratio order
为什么对您有用: 本文直接连接您对 hypothesis testing 和 high-dimensional statistics 的兴趣，特别是 Student t 统计量在高维设定下的尾概率比较。技术层面，您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来验证其相曲面 H_δ(λ) 的紧性，或扩展至非均匀分布族。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉以处理更一般的对称单峰分布。

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氏距离（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 χ² 变量的和，权重由广义 Fisher 变换（GFT）坐标的渐近协方差决定；在高斯独立抽样下简化为无参数的 4χ²_d 分布。为校准尾部概率，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。第一矩给出了原假设下基线期望距离的简单经验法则（E[d_LE] ≲ 2√(d/n) 在近独立时），量化了纯估计误差导致的平均分离。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。该工作对您在高维假设检验和随机矩阵理论方面的兴趣有直接连接，其加权 χ² 极限和鞍点近似技术可迁移到您熟悉的 U-统计量或相关矩阵的检验问题中。
关键技术: Log-Euclidean distance, Generalized Fisher Transformation (GFT), saddlepoint approximation, Chernoff envelope, weighted chi-squared distribution, plug-in consistency
为什么对您有用: 本文直接连接您在高维统计和假设检验方面的兴趣，特别是相关矩阵的推断问题。其核心技术——加权 χ² 极限分布和鞍点近似——属于您非常熟悉的非参数统计和高维渐近工具，可以立即用于分析您工作中出现的类似距离统计量（如 U-统计量的投影）。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 的随机矩阵理论（如 Marchenko-Pastur 律）上加强。

18. 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，将缺失指示器视为可观测信号而非信息损失。在正确设定下，推导了Fisher信息分解，将部分标签分量与非负的机制曲率项分离；在联合误设定下，给出了Godambe-Eicker-Huber-White敏感性和三明治协方差分解。明确了完全数据基准：有利的缺失机制可相对于普通全标签或预算匹配的非信息性标签基线增加信息，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，将信息分解与基于边界的超额风险界联系起来，在正则双组分混合设定下得到参数化n^{-1}超额风险率，常数由判别方向上的扰动调整信息决定。高斯混合计算和医学诊断示例说明了在固定标签预算下不确定性依赖的标签机制如何改进估计和分类。对您而言，本文的Fisher信息分解思路可迁移到因果推断中缺失数据或工具变量设定下的效率界分析，属于中期可做方向。
关键技术: Fisher information decomposition, Godambe-Eicher-Huber-White sandwich covariance, semi-supervised classification, missing data mechanism, excess-risk bound
为什么对您有用: 本文连接您对因果推断中缺失数据机制的兴趣，其Fisher信息分解与效率界分析思路可直接迁移到proximal CI或IV设定下的识别与效率问题。武器库中'非参数统计'和'估计理论'的minimax界工具可用于验证其声称的n^{-1}率是否紧，属于中期可做——需先在'半参数理论'上长肌肉以处理nuisance参数。

统计计算 / 算法 (stat_computing, 5 篇)¶

1. 2608.27063 — An Accurate and Single-Communication Federated Inference Algorithm¶

作者: Laura Montagnani, Anthony CC Coolen, Marianne A Jonker
相关性 5/10 · novelty: new_method
摘要: 本文针对生物医学和流行病学中多机构联合分析时隐私保护与通信成本的双重挑战，提出一种单次通信的联邦推断算法。该方法基于三阶泰勒展开来近似局部对数似然函数，以替代现有二阶展开方法，从而在小样本场景下更好地捕捉似然函数的偏度等高阶特征。算法仅需各参与中心向协调服务器发送一次汇总统计量，无需迭代通信，显著降低了通信和计算开销。模拟研究表明，在局部样本量较小的设定下，三阶近似相比二阶近似显著提升了推断精度，同时保持了隐私性、通信效率和可扩展性。该方法适用于罕见病等数据分散且样本量小的实际场景。对您而言，本文涉及的高阶近似思想与您熟悉的higher-order U-statistics和einsum计算有潜在联系，可作为统计计算中通信-精度权衡的一个有趣案例。
关键技术: federated inference, third-order Taylor expansion, single-communication protocol, summary statistics, log-likelihood approximation
为什么对您有用: 本文属于stat_computing方向，涉及通信-精度权衡，可作为gateway reading。武器库中'软件开发和high-dimensional asymptotics'足以理解其核心近似机制；但核心机器（分布式优化、联邦学习协议）不在武器库中，属于暂不可做。不过，本文作为入门读物清晰易懂，值得花时间读全文以拓宽对统计计算中通信约束问题的理解。

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

作者: Andrea Mascaretti, Daniel R. Kowal
相关性 5/10 · novelty: new_method
摘要: 本文提出一种贝叶斯图趋势滤波框架，将图结构同时用于趋势估计、局部收缩先验和MCMC采样算法。核心创新在于图依赖的收缩先验，其局部浓度和自适应性质被理论刻画，并给出了后验适定性条件。通过稀疏和带状矩阵操作，实现了可扩展的后验推断，在模拟中相比频率派和贝叶斯替代方法在点估计和区间估计精度上均有提升。应用于2020年COVID-19冲击下美国县级失业率的时空建模与预测。对您而言，本文展示了如何将图结构（如链图、格点图）系统性地融入贝叶斯框架的多个环节，其稀疏计算策略与您熟悉的软件开发和逆问题计算有直接关联，可作为统计计算中图结构利用的入门参考。
关键技术: graph trend filtering, shrinkage priors, sparse matrix operations, MCMC for structured data, posterior propriety conditions
为什么对您有用: 本文属于统计计算方向，与您secondary interest中的统计计算（数值方法、算法）直接相关。您的武器库中'软件开发和逆问题计算'可用来复现或扩展其稀疏矩阵实现，而'非参数统计'背景可帮助理解其趋势滤波的平滑性假设。作为gateway reading，本文清晰展示了图结构在贝叶斯建模中的三处嵌入，适合作为进入图结构统计计算领域的入门读物，值得花时间读全文。

作者: L. Thümmler, T. Kuroda
相关性 5/10 · novelty: application
摘要: 本文报告了一个受控的端到端负结果，研究用神经网络代理替代昂贵求解器块以加速多物理场模拟的可行性。测试平台是广义相对论辐射流体力学代码中的隐式牛顿求解器，其最昂贵的物理例程。作者识别出三个结构性障碍：首先，每次调用的成本与运行时占比是不同的量，目标块仅占16.9%的壁钟时间，根据阿姆达尔定律，任何代理的加速上限仅为约1.2倍；即使代理每次调用便宜5.8倍，也只能达到与求解器相同的速度。其次，离线精度无法预测部署性能：14个网络的汇总Spearman误差与存活相关性（rho=+0.73）是组间混杂，在控制下消失（rho=-0.04）。第三，正确的分布外门控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，导致0.94-0.96倍的减速。此外，稳定性与保真度分离：从不崩溃的门控运行在6000步内累积-19.9%的密度偏差，这是定向弹道累积偏差，而非自回归文献关注的方差驱动发散。该论文对您作为统计计算研究者很有价值，因为它揭示了代理模型加速中常被忽视的运行时占比与成本的区别，以及离线评估与在线部署之间的差距，这些是您软件开发和计算约束统计兴趣中的关键问题。
关键技术: Amdahl's law, runtime profiling, out-of-distribution detection, surrogate model, autoregressive error accumulation
为什么对您有用: 本文直接关联您的统计计算兴趣，特别是计算约束统计中的信息-计算差距。它提供了一个清晰的负结果案例，展示了代理模型加速的局限性，这与您作为局外人理解计算约束统计中的多项式时间可行性问题相关。武器库中的'软件开发和计算约束统计'可以用于分析此类运行时瓶颈，但本文的核心是工程实践而非理论，因此属于'暂不可做'——它需要的是系统性能分析经验而非您现有的统计理论工具。不过，作为入门读物，它清晰地阐述了运行时占比与成本的区别，以及离线评估的陷阱，值得花时间阅读全文以理解计算约束统计中的实际挑战。

4. 2608.27191 — Personalized Federated Learning for Tensor Regression¶

作者: Kejun Chen, Xianqi Wei, Qianqian Zhu
相关性 4/10 · novelty: application
摘要: 本文提出一个个性化联邦张量回归框架，同时解决多机构张量数据协作分析中的隐私、高维和客户异质性三大挑战。每个客户的系数张量被分解为一个全局共享的低Tucker秩成分和一个局部稀疏偏差，通过两阶段隐私保护流程进行估计。作者建立了有限样本上界和极小化下界，量化了隐私-精度权衡，并证明了初始化与秩选择步骤的一致性。模拟实验表明，在每客户数据稀缺时，联邦方法显著优于纯局部方法；基于MRI的ADHD研究展示了其在真实隐私约束下的强性能。该工作将张量回归与联邦学习结合，对您而言，其核心机制（低秩分解+稀疏偏差）与您熟悉的higher-order U-statistics的tensor contraction计算有潜在交叉，但方法学新颖性有限，主要是应用层面的整合。
关键技术: personalized federated learning, low-Tucker-rank decomposition, differential privacy, minimax lower bounds, finite-sample upper bounds
为什么对您有用: 本文连接您的stat_computing兴趣，特别是张量回归的分布式计算与隐私保护。您的武器库中'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'可直接用于分析其低Tucker秩分解的计算复杂度，但该文主要贡献在联邦学习框架而非张量方法本身。中期可做：需先在moderately_familiar的'identification theory in causal inference'上长肌肉以拓展到因果设定，但当前暂不可做——核心机器（联邦学习隐私预算分配、差分隐私机制）不在武器库中。

5. 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: application
摘要: 本文提出一种空间正交因子模型（SOFM），旨在解决空间数据（如空间转录组学、遥感）中概率PCA的三个主要缺陷：载荷矩阵非正交、空间先验假设平稳、计算复杂度随空间位置数超线性。作者直接对正交载荷参数化，推导了具有k个不同奇异值和m-k个重复奇异值的SVD变换的采样分布，并证明在该模型下正交载荷的MAP估计等价于对经验协方差矩阵与先验空间协方差之和进行特征分解。算法方面，开发了线性时间复杂度的MM-EM算法（minorization-maximization within EM），并扩展至held-out位置预测和非平稳先验协方差的验证策略。两个案例研究展示了方法在人类脑空间转录组学（方向特异性长度尺度推断）和非洲大陆物候学中的应用。对您而言，本文的MM-EM算法设计（线性复杂度）和正交载荷参数化思路可视为统计计算中处理大规模空间数据的实用案例，但方法学新颖性有限，属于应用导向的增量贡献。
关键技术: spatially orthogonal factor model, minorization-maximization within EM, linear-time complexity, nonstationary spatial prior, SVD transformation sampling distribution
为什么对您有用: 本文属于统计计算（stat_computing）方向，但核心方法（正交载荷参数化、MM-EM算法）与您的主要兴趣（高维统计、非参数理论）关联较弱。作为gateway reading，本文对空间数据建模的三大缺陷（非正交、平稳性假设、计算复杂度）阐述清晰，适合作为入门读物了解空间转录组学/遥感领域的统计需求。武器库方面，您对非参数统计和软件开发的熟悉度足以理解算法框架，但本文的MM-EM算法和空间协方差先验设计并非您的核心工具，属于暂不可做方向——缺乏空间统计（如Kriging、Gaussian process）的深度经验。建议仅作为跨领域泛读，不投入深度阅读。

天体统计 (astrostats, 6 篇)¶

1. 2608.27192 — Optimal transport regularized dynamic radio interferometric reconstruction¶

作者: Andy Nilipour, Kotaro Moriyama, Shiro Ikeda, Kazunori Akiyama, Mareki Honma
相关性 7/10 · novelty: application
摘要: 本文提出在射电干涉成像（RML框架）中引入最优传输（OT）距离作为正则项，用于动态视频重建。与TV、熵等传统正则化相比，OT距离能更自然地捕捉物理运动信息，促进重建帧间的连贯动态。作者在模拟的SgrA*（银河系中心超大质量黑洞）EHT观测数据上测试，使用几何模型和GRMHD模型，证明OT正则化显著提升了轨道运动恢复和动态交叉相关性指标。该方法适用于分钟尺度的天体物理动态成像，且对EHT及其他VLBI网络具有通用性。对您而言，这是一篇典型的astrostatistics入门级方法论文，清晰展示了数据结构（VLBI稀疏傅里叶采样）和模型（RML+正则化）的交互，适合作为了解射电干涉统计问题的第一读本。
关键技术: optimal transport regularization, regularized maximum likelihood (RML), very long baseline interferometry (VLBI), dynamic video reconstruction, Event Horizon Telescope (EHT)
为什么对您有用: 本文属于astrostatistics gateway reading：它清晰阐述了VLBI数据（稀疏、噪声、傅里叶域采样）和RML模型框架，适合统计学家入门射电干涉成像领域。您的武器库中'非参数统计'和'逆问题'可直接用于理解其正则化策略，但核心OT距离工具不在当前武器库中（需补充OT理论），因此暂不可做直接方法学迁移，但作为领域入门读物值得一读。

2. 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 6/10 · novelty: application
摘要: 本文研究利用强引力透镜系统推断宇宙学参数（暗能量状态方程参数 w 和总物质密度 Ω_m）的问题。在下一代巡天将产生约 10^5 个星系-星系透镜系统的背景下，传统高维似然拟合面临计算挑战。作者采用神经比率估计（NRE）方法，通过模拟数据训练神经网络高效计算似然比，并利用个体透镜的似然比组合得到群体级后验分布。针对神经密度估计中常见的模型过度自信问题，引入事后后验覆盖校准程序进行修正。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 和 Ω_m 的中位分数不确定度分别达到 22.8% 和 2.9%。该工作为未来大规模巡天数据的高效宇宙学参数推断提供了一个可扩展的 proof-of-concept。作为 astrostatistics 方向的入门级阅读，本文清晰阐述了科学问题（宇宙加速膨胀）、数据结构（透镜图像+光谱信息）以及模拟-推断框架，适合统计学家了解该领域的基本推断范式。
关键技术: Neural Ratio Estimation (NRE), simulation-based inference, posterior coverage calibration, population-level likelihood combination, strong gravitational lensing cosmology
为什么对您有用: 本文属于 astrostatistics 方向的 gateway reading。它清晰地展示了模拟推断（simulation-based inference）在复杂天文数据中的应用流程：从模拟生成、神经网络训练到后验校准，数据结构和模型假设交代清楚，适合作为统计学家进入该领域的入门读物。武器库中的 nonparametric statistics 和 high-dimensional asymptotics 足以理解其核心方法（NRE 本质上是条件密度比估计），但若要深入改进其校准方法或理论性质（如覆盖率的有限样本保证），则需在 moderately_familiar 的 semiparametric theory 上加强。整体而言，值得花时间通读全文以建立对 astrostatistics 推断范式的直观认识。

3. 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 5/10 · novelty: application
摘要: 本文针对帕克太阳探测器（PSP）在木星射电观测中面临的信号提取难题——数据被太阳风准热等离子体噪声、航天器干扰和太阳爆发持续饱和——提出了一种基于奇异值分解（SVD）的通用经验性处理流程。该方法将动态频谱转换到周期性的相位折叠参考系中，结合确定性的两级噪声过滤过程，将结构化的木星射电发射与随机日球层背景分离。实验表明，信噪比平均提升1.54±0.11 dB，最高可达3.32 dB。此外，还应用了“特征脸”矩阵分解来识别长期全局形态趋势，并作为未来木星发射的检测手段。该自动数学框架无需依赖局部空间约束即可提取瞬态行星信号，确立了PSP作为木星射电天文台的可行性。对您而言，这是一篇典型的gateway-reading级天文统计应用论文，清晰展示了高维数据降维（SVD）在信号分离中的实际使用，适合作为进入天文统计方向的入门读物。
关键技术: Singular Value Decomposition (SVD), Eigenfaces matrix factorization, phase-folding reference frame, dual-stage noise filtering, dynamic spectrum analysis
为什么对您有用: 本文属于astrostats gateway-reading范畴。作为入门读物，它清晰阐述了数据结构（动态频谱、噪声来源）和模型（SVD降维、相位折叠），不依赖深奥的天文术语，适合统计学家快速理解问题。您的武器库中'非参数统计'和'高维渐近'足以支撑理解其核心方法，但该文本身是应用导向，不涉及新统计理论，因此暂不可做直接的方法学跟进——它更适合作为了解天文信号处理问题的窗口，而非技术迁移的来源。值得花时间读全文以拓宽领域视野。

4. 2608.26524 — Background Intensity Estimation for Cassini-ISS Image Using Deep Learning-Based Diffusion Model¶

作者: Yongxin Chen, Qingfeng Zhang, Tianle Zhou, Kai Tang
相关性 4/10 · novelty: application
摘要: 本文针对 Cassini-ISS 土星环图像中背景强度估计问题，提出基于 Denoising Diffusion Probabilistic Model (DDPM) 的深度学习方法。传统多项式拟合或统计方法在非均匀背景（如土星环散射光）下因假设不匹配而失效。DDPM 通过学习噪声模式并迭代重建背景，在环隙区域的背景强度估计上比多项式拟合提升高达 62%。将该方法应用于环隙中未解析卫星的质心定位时，背景校正使定位精度在线方向和样本方向分别提升约 14% 和 15%。框架无需手动调参，能自动捕获空间相关性，并泛化至不同背景类型。本文属于天文图像处理的应用型工作，方法学 novelty 有限（DDPM 是已有生成模型），但问题设定和评估流程对统计学家有入门参考价值。
关键技术: Denoising Diffusion Probabilistic Model (DDPM), background intensity estimation, astrometric centroiding, iterative noise-to-background reconstruction
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：问题设定（土星环图像背景估计）和评估指标（质心定位精度）对天文统计入门者清晰可读，不依赖深奥天文术语。武器库中 'nonparametric statistics' 和 'inverse problems with random noise' 可用来理解 DDPM 作为非参数背景重建器的原理，但本文未提供理论保证（如收敛率或不确定性量化），因此暂不可做 follow-up——核心缺失是生成模型的理论分析工具（如 score matching 的统计性质）不在武器库中。值得花时间读全文以了解天文图像数据结构和评估范式。

5. 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: 本文研究分布式孔径望远镜（如 Small ExoLife Finder, SELF）的粗对准与共相问题，目标是使子孔径间的光程差保持在波长的一小部分以内。作者提出用卷积神经网络（CNN）直接从焦面图像估计活塞（piston）和倾斜（tilt）对准误差，实现快速、数据驱动的粗对准（精度达几微米）。方法上，采用监督回归框架，用高保真光学仿真生成训练/验证数据集，并加入高斯噪声增强以评估鲁棒性。对比了多种经典 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）之间取得了良好平衡。发现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。这项工作证明了数据驱动焦面波前传感用于分布式孔径望远镜的可行性，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/工程论文，清晰展示了光学仿真数据生成、CNN 回归和噪声鲁棒性权衡，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 (CNNs), supervised regression, focal-plane wavefront sensing, Gaussian noise augmentation, optical simulation
为什么对您有用: 这是一篇 astrostatistics 方向的 gateway reading：论文对天文仪器问题（分布式孔径共相）的阐述清晰，不依赖深奥的天文术语，适合统计学家入门。武器库中的非参数统计和软件工程经验可用于理解其 CNN 回归框架和仿真数据生成流程，但核心光学物理（干涉、波前传感）不在当前武器库中，属于暂不可做方向——需要补充光学基础知识才能提出统计方法改进。不过，本文作为入门读物值得一读，能帮助了解天文数据生成和噪声建模的典型挑战。

6. 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 4/10 · novelty: application
摘要: 本文提出 Capra，一个基于 HEALPix 网格的全天 ENA 强度图重建管线，用于处理 IBEX 和 IMAP 任务的计数数据。Capra 输出两种产品：基线 boresight-assigned 图和可选平滑图，后者在 HEALPix 网格上生成平滑、物理可解释的图，并支持一致的分辨率变化和参考系变换。平滑图能恢复大尺度 ENA 形态，同时减少采样引起的斑点和条状伪影。与 Theseus 重建的对比显示大尺度结构一致，差异源于方法而非形态。验证了计数率、强度在坐标变换下的不变性，并在 Nside=64 分辨率下展示了数值收敛。线程级并行表现出近似线性强扩展，内存使用有界，适合高分辨率 IMAP 重建。作为 astrostatistics 的入门读物，本文清晰展示了天文数据处理中的网格化、平滑和并行计算问题，对统计学家理解 HEALPix 和计数数据重建有参考价值。
关键技术: HEALPix tessellation, boresight-assigned mapping, thread-based parallelism, intensity reconstruction, all-sky ENA maps
为什么对您有用: 本文属于 astrostatistics 的 gateway reading，清晰展示了天文数据处理中的网格化（HEALPix）、平滑和并行计算问题，适合作为统计学家进入该领域的入门读物。武器库中的软件开发和逆问题经验足以理解其方法，但缺乏天文领域知识，需花时间阅读背景。值得花时间读全文以了解天文数据结构和重建流程。

经济理论 / 应用 (econ_theory, 6 篇)¶

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

作者: Pranjal Rawat, John Rust
相关性 6/10 · novelty: survey
摘要: 本文综述了动态离散选择（DDC）与逆强化学习（IRL）两个领域，它们从不同学科传统出发，解决同一核心问题：从观测到的序贯行为推断决策者的偏好。两者均假设个体在马尔可夫决策过程（MDP）框架下最大化期望奖励函数。文章指出，IRL中流行的soft Q-learning框架与DDC中加性极值偏好冲击模型在数学上等价，均导出softmax（多项logit）选择概率和平滑Bellman方程。DDC侧重极大似然估计、条件选择概率估计子和策略迭代方法；IRL则发展了最大熵方法、对抗方法和基于深度神经网络的模型无关时序差分估计子，可扩展至高维状态空间。模型无关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MDP求解的维度灾难。对您而言，本文是经济理论与机器学习交叉的优质入门读物，其中识别问题的讨论与您因果推断中的识别兴趣直接相关，而MDP求解的计算挑战则与统计计算方向有潜在联系。
关键技术: dynamic discrete choice (DDC), inverse reinforcement learning (IRL), soft Q-learning, Markov decision process (MDP), maximum entropy methods, temporal difference learning
为什么对您有用: 本文属于经济理论（secondary interest）的gateway reading，清晰阐述了DDC与IRL的数学等价性及各自方法论，适合作为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中的识别理论可直接用于理解其识别问题讨论，但MDP求解和深度RL方法属于新领域，暂不可做。值得花时间读全文以拓宽视野。

2. 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: 本文研究固定时间维度 T 的动态线性面板数据模型，其中滞后因变量和严格外生协变量均带有个体特异性系数，且时变误差具有灵活协方差结构。在分布形式的严格外生性假设下，作者点识别了随机系数与结构误差的联合分布，并提出了基于逆 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。该工作为经济学中常见的短面板数据提供了非参数识别与估计框架，对您作为经济理论应用方向的阅读具有入门价值。
关键技术: inverse Radon transform, random coefficient panel data, point identification, uniform convergence rate, multi-step estimator
为什么对您有用: 本文属于经济理论应用方向，适合作为该领域的入门读物：它清晰阐述了短面板数据中随机系数模型的识别假设与估计策略，数据结构和模型设定（固定 T、个体特异性系数、外生性条件）对统计学家友好。您的武器库中非参数统计和估计理论足以理解其核心论证，但逆 Radon 变换这一具体工具不在当前 arsenal 中，属于暂不可做方向——需先补充该变换的性质与计算实现。

3. 2608.23925 — Repairing Locally Misspecified GMM: An Empirical Bayes Approach¶

作者: Patrick Kline
相关性 5/10 · novelty: new_method
摘要: 本文研究当矩条件受到可交换的 n^{-1/2} 阶设定误差污染时，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，并进一步通过减去一阶估计误差的最佳线性预测来获得弱改进精度的经验贝叶斯估计量。在过度识别约束数量随样本量增长的新近框架下，建立了超参数估计的一致性。利用组合中心极限定理，证明了两个估计量的渐近正态性，并给出了允许设定误差感知的频繁推断的方差估计量。模拟实验表明，当存在排除限制违反时，该方法能显著改进标准两阶段最小二乘估计。重访 Angrist and Krueger (1991) 的经典研究，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。本文对您作为因果推断研究者（特别是 IV 和敏感性分析方向）很有价值，因为它提供了一个处理工具变量排除限制违反的正式框架，且其经验贝叶斯思路与您熟悉的 semiparametric 效率理论有潜在联系。
关键技术: Empirical Bayes, Generalized Method of Moments (GMM), Bias-corrected estimation, Combinatorial central limit theorem, Overidentifying restrictions, Two-stage least squares (2SLS)
为什么对您有用: 本文直接连接您的 primary interest 中的因果推断（IV 和敏感性分析）子方向，处理了工具变量排除限制违反这一核心识别问题。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 可以直接用于理解其偏差校正机制，而 moderately_familiar 的 identification theory in causal inference 可用于评估其 exchangeable specification errors 假设的合理性。中期可做：若想将本文的经验贝叶斯框架推广到更一般的因果推断设定（如连续处理变量或纵向数据），需先在 moderately_familiar 的 semiparametric theory 上加强，特别是 efficient influence function 的推导能力。

4. 2608.25901 — Cross-Section Estimation of Long-Run Relations Using Time-Compressed Data¶

作者: Serena Ng, Nikolay Gospodinov
相关性 4/10 · novelty: application
摘要: 本文研究利用时间压缩数据（如时间平均或长差分）进行截面回归以估计长期关系的方法。设定为 T×N 面板数据，其中时间维度被压缩，变量为 I(1) 非平稳过程。核心发现是：非平稳面板的截面方差随时间“扇出”，使得压缩数据的截面回归估计量可能具有超一致性（收敛速度可达 √N × T）且渐近正态，无论回归元是平稳、非平稳还是高度持久。实现最快收敛率需要压缩方案同时放大非平稳信号并稀释回归噪声；遗漏固定效应会阻碍噪声稀释，但估计量仍保持超一致性。然而，当数据存在强均值回复或收敛趋势时，扇出效应会被削弱——这对温度数据尤为相关。论文通过三个应用（消费-收入、增长/通胀与人口变量、增长与气温变暖）展示了方法的实用性，并指出气温变暖关系的估计结果脆弱。对您而言，本文是经济理论方向的应用因果工作，展示了面板数据中非平稳性对截面回归识别和收敛率的影响，可作为了解经济实证中长期关系估计的入门读物。
关键技术: time-compressed data, cross-section regression, super-consistent estimation, I(1) panel, fanning-out effect
为什么对您有用: 本文属于经济理论方向的应用因果工作，直接连接到您的 secondary interest 中的经济理论（数据集、模型、应用因果）。作为 gateway reading，本文对非平稳面板数据的截面回归方法给出了清晰的理论分析（收敛率、识别条件），武器库中的非参数统计和估计理论中的 minimax 思维可用于理解其收敛率论证。本文适合作为经济时间序列/面板数据方法的入门读物，值得花时间读全文以了解经济实证中处理长期关系的常见策略。

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

作者: Richard Bernknopf, Leila Gonzales, Christopher Keane
相关性 4/10 · novelty: application
摘要: 本文研究自然灾害风险如何影响个体的工作选择决策。作者构建了一个基于离散选择模拟的求职搜索模型，将工作决策过程建模为一系列淘汰事件，并使用Cox比例风险模型（基于随机效用模型）进行估计。模型允许自然灾害风险的影响随决策轮次变化，以捕捉个体在初期筛选与最终选择阶段对风险的不同评估。模拟数据来自个体在收入、地理位置、犯罪率和自然灾害属性之间进行配对选择的适应性学习过程。结果表明，薪资和犯罪率对工作淘汰具有稳定且符合直觉的影响，而自然灾害风险在早期增加淘汰概率，在后期则变得中性或有利。该发现强调了将工作选择建模为多阶段过程的重要性。对您而言，本文提供了一个将生存分析（Cox模型）与离散选择模型结合的应用案例，属于经济理论方向的应用因果推断工作，可作为了解该领域数据和分析模式的入门读物。
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（应用因果推断）的gateway reading。它展示了如何将生存分析框架用于建模多阶段决策过程，武器库中的'nonparametric statistics'和'estimation theory in causal inference'足以理解其核心方法。本文作为入门读物清晰易懂，但方法学贡献有限，属于应用型工作，暂不可做直接的方法学跟进。

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

作者: Sebastián Souyris, Jason A. Duan, Anantaram Balakrishnan, Varun Rai
相关性 4/10 · novelty: application
摘要: 本文构建了一个动态结构模型，用于分析住宅光伏（PV）系统扩散的政策影响。模型假设前瞻性家庭在安装时机上做出经济权衡，决策受投资回报率和邻居安装率的影响。家庭按房产价值和城市化水平分层，并纳入未观测异质性，以捕捉时空安装动态。采用贝叶斯方法对德克萨斯州奥斯汀的详细家庭级数据进行估计，样本外预测优于现有替代模型。反事实政策模拟表明，有限期补贴比长期高成本补贴更能促进安装和减排，这一反直觉结果源于前瞻性行为和邻居效应。研究还评估了分阶段递减和按家庭类型差异化的补贴方案，发现两步递减优于多次小幅递减，地理差异化优于按房产价值差异化。该框架可推广至其他耐用品技术采纳研究，对您而言，这是一篇应用经济学领域的实证因果推断论文，展示了动态离散选择模型在政策评估中的实际应用，与您对经济理论和应用因果工作的兴趣直接相关。
关键技术: dynamic structural model, Bayesian estimation, counterfactual policy simulation, forward-looking behavior, spatiotemporal diffusion
为什么对您有用: 本文属于经济理论（应用因果工作）方向，是您 secondary interest 中经济理论的一个具体实例。它使用动态结构模型进行政策评估，涉及离散选择、未观测异质性和反事实模拟，这些方法在您的武器库中属于 moderately_familiar 的 M-estimation 和因果识别理论范畴。作为 gateway reading，本文对统计学家友好，清晰阐述了模型设定、估计方法和政策含义，值得花时间阅读全文以了解动态结构模型在实证经济学中的应用范式。

流行病学 (epidemiology, 1 篇)¶

1. 2608.26929 — A Bayesian Longitudinal Model for Imputing Item-Level Missing Data in Trial-Based Economic Evaluations¶

作者: Xiaoxiao Ling, Andrea Gabrio, Gianluca Baio
相关性 5/10 · novelty: application
摘要: 本文针对试验经济学评价中多维度问卷在多次随访中产生的条目级缺失数据，提出一个统一的贝叶斯纵向插补模型。模型采用转移模型（transition model）刻画纵向依赖，通过灵活的分布假设（如偏态成本与计数数据）和显式建模跨条目关系，同时处理混合类型响应变量。该框架在单一模型中整合了纵向结构、跨条目相关性、异质缺失模式及混合数据类型的挑战。基于真实临床试验数据展示了方法的灵活性和实用性，并讨论了扩展到非随机缺失（MNAR）设定的途径。对您而言，本文是流行病学/卫生经济学中处理复杂纵向缺失数据的应用案例，其贝叶斯建模思路和转移模型框架可启发您在因果推断纵向设定中处理缺失数据的方法设计。
关键技术: Bayesian longitudinal model, transition model, item-level imputation, missing not at random, trial-based economic evaluation
为什么对您有用: 本文属于流行病学/卫生经济学的应用方向，直接对应您的secondary interest中的流行病学应用。文中处理纵向缺失数据的贝叶斯转移模型框架，与您primary interest中因果推断的纵向设定（longitudinal causal inference）有方法学交叉——缺失数据处理是因果推断中敏感性问题的重要环节。武器库中'very_familiar'的estimation theory in causal inference和'nonparametric statistics'可帮助您评估其模型假设的合理性及对因果估计的影响。作为应用论文，值得花时间阅读全文以获取处理真实纵向缺失数据的建模思路，但方法学novelty有限，属于应用贡献。

其他 (other, 11 篇)¶

1. 2608.26212 — Copula based dependent censoring in cure models with covariates¶

作者: Morine Delhelle, Anouar El Ghouch, Ingrid Van Keilegom
相关性 5/10 · novelty: application
摘要: 本文在生存分析中研究带治愈分数的混合治愈模型，同时处理两种删失：可能与生存时间相关的依赖删失 C 和独立的行政删失 A。模型通过 copula 刻画 T 与 C 的依赖结构，并允许协变量影响所有模型参数（包括治愈概率、依赖参数等）。这是对近期全参数混合治愈模型的扩展，引入行政删失和协变量效应后，识别条件比原模型更弱。估计采用极大似然法，理论性质（一致性、渐近正态性）在标准正则条件下建立。模拟和实际数据示例展示了模型在个性化估计治愈分数和依赖结构上的灵活性。对您而言，本文属于应用导向的生存分析工作，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 copula 处理依赖删失的思路在流行病学纵向数据中可能有参考价值。
关键技术: mixture cure model, copula, dependent censoring, administrative censoring, maximum likelihood estimation
为什么对您有用: 本文属于生存分析应用方向，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。作为流行病学领域的应用工作，它展示了 copula 处理依赖删失的实用框架，但武器库中缺乏生存分析专用工具（如 copula 模型、治愈模型识别理论），暂不可做 follow-up。若您未来进入流行病学应用方向，本文可作为入门读物了解依赖删失的建模思路。

2. 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_method
摘要: 该论文研究基于独立同分布数据的非参数回归估计问题，采用L2误差作为评价准则。方法上，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，其中步长根据数据自适应选择且非常数。理论贡献在于证明该网络在回归函数为(p,C)-光滑时，能达到（至多对数因子）最优极小化收敛速率。更重要的是，当预测变量集中在低维流形邻域时，该方法能规避维数灾难。模拟实验验证了有限样本性能。对您而言，本文属于深度学习的理论分析，与您的主要兴趣（因果推断、高维统计等）无直接关联，但其中关于梯度下降与剪枝的收敛性分析可能对统计计算中的算法理解有参考价值。
关键技术: gradient descent with data-dependent step sizes, random pruning, deep neural network, minimax rate of convergence, curse of dimensionality avoidance
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、半参数理论等）无直接交集。作为gateway reading，它提供了神经网络回归估计的收敛速率分析，但武器库中的非参数统计和极小化界工具可帮助理解其理论框架。暂不可做：核心机器（深度网络优化理论）不在武器库中，且与您当前研究路线关联弱。

3. 2608.26805 — Expected Shortfall Model Averaging¶

作者: Jianming Wu, Xinyu Zhang, Jie Zeng
相关性 4/10 · novelty: application
摘要: 本文针对金融经济学中广泛使用的尾部风险度量——预期损失（ES）的预测问题，提出了一种两阶段交叉验证模型平均方法。由于ES不具有可elicitable性且存在模型不确定性，直接预测ES非常困难。第一阶段，通过分位数模型平均估计条件VaR；第二阶段，构造变换后的响应变量，并基于均方误差的模型平均来估计ES。在正确设定和模型误设两种情形下，均证明了估计量的相合性和预测风险的渐近最优性。模拟和基于美国股票收益率及宏观经济GDP增长数据的实证表明，该方法预测准确、稳定且计算高效。对您而言，本文的模型平均框架和两阶段估计思路可迁移至因果推断中的预测问题，但核心方法学贡献有限。
关键技术: model averaging, cross-validation, quantile regression, expected shortfall, two-stage estimation
为什么对您有用: 本文属于经济/金融领域的应用方法论文，与您的secondary interest（经济理论）中的预测问题相关。但方法学上主要是模型平均的常规应用，未涉及您primary interests中的因果推断、高维统计或半参理论。武器库中的非参数统计和M估计理论可帮助理解其渐近性质，但缺乏直接可攻的follow-up问题——暂不可做，因为核心机器（模型平均的渐近最优性理论）不在您的武器库中，且与您的主要研究方向距离较远。

4. 2608.26510 — Wavelet-Based Bayesian Hierarchical Modeling with Regularized Horseshoe Priors for Spatially Correlated Functional Data¶

作者: Alvaro Alexander Burbano-Moreno, Alex Rodrigo dos Santos Sousa, Luiz Koodi Hotta
相关性 4/10 · novelty: application
摘要: 本文针对空间相关函数型数据（如环境监测网络中的污染物曲线）的预测与不确定性量化问题，提出了一种基于小波的贝叶斯层次模型。传统方法（如样条克里金）容易过度平滑高频污染峰值。模型核心创新在于：在各分辨率层共享一个马特恩相关矩阵，避免系数特定空间过程导致的参数膨胀；同时采用空间信息正则化的马蹄先验实现自适应稀疏性，并利用非中心参数化确保No-U-Turn采样器的稳定推断。模拟研究表明，在强噪声下引入空间依赖性显著提升了曲线重建的稳定性。应用于墨西哥城PM₁₀数据，与函数型数据普通克里金及层次贝叶斯小波替代方法相比，该模型不仅改进了点预测，还在未观测位置提供了更尖锐且校准更好的可信区间。本文属于应用统计方法论文，方法学新颖性有限，但对环境统计和函数型数据分析领域有参考价值。
关键技术: wavelet basis, Bayesian hierarchical model, regularized horseshoe prior, Matérn correlation, non-centered parameterization, No-U-Turn Sampler
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、高维统计等）无直接技术重叠。但作为环境统计领域的应用案例，其处理空间相关函数型数据的贝叶斯建模思路（共享相关矩阵、正则化先验）对您拓展统计计算与软件开发的兴趣有一定参考价值。武器库中'非参数统计'和'软件发展'可支撑理解其方法框架，但核心贝叶斯计算工具（NUTS）不在您的熟悉范围内，属于暂不可做方向。

作者: Fiona Steele, Justin Weltz, Eleanor A. Power, Jeremy Koster
相关性 4/10 · novelty: application
摘要: 本文针对聚类间有向网络数据提出一种多层社会关系模型（SRM），其中每个个体报告与其他聚类中个体的二元关系，且聚类级网络是研究目标。模型在个体和聚类层面包含行动者、伙伴和二元效应，并利用“双重抽样”设计估计测量模型以调整报告者偏差。该模型可视为多层结构方程模型，包含多重交叉分类随机效应，通过贝叶斯MCMC方法估计。基于参数估计，作者提出两种预测聚类间关系强度的方法以推导聚类级网络。实证部分使用尼加拉瓜农村社区的社会支持网络数据，展示从个体报告推导家庭间网络的应用。对您而言，本文属于应用统计方法论文，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠，但可作为流行病学或社会科学网络数据分析的入门阅读。
关键技术: Social Relations Model (SRM), multilevel structural equation model, cross-classified random effects, double-sampling, Markov chain Monte Carlo (MCMC)
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统计量等）无直接技术连接。作为流行病学/社会科学网络数据分析的案例，可作为入门读物了解多层网络建模，但武器库中无直接可攻的技术口子（缺社会网络分析专用工具如ERGM、SRM）。暂不可做。

6. 2608.25083 — A Unified Framework for Heterogeneity, Contamination, and Missing Data in Multivariate Regression¶

作者: Hung Tong, Cristina Tortora, Antonio Punzo
相关性 4/10 · novelty: application
摘要: 本文提出一个统一框架，同时处理多元回归中的异质性（潜在分组）、数据污染（异常值/杠杆点）和缺失数据（MAR）。模型将协变量视为随机变量，扩展了 contaminated Gaussian cluster-weighted model (CG-CWM)，在聚类回归中区分正常点、异常值、好杠杆点和坏杠杆点。估计采用 expectation-conditional maximization (ECM) 算法，同时处理四类不完全信息：缺失响应与协变量、未知成分归属、潜在污染指标。在污染指标条件下，响应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，缺失不确定性直接纳入参数更新，无需预插补。数值实验在不同污染水平和缺失模式下评估性能，并给出真实数据应用。对您而言，该文属于应用型方法论文，与 primary interests 中的因果推断或高维理论无直接交集，但若您未来涉及含缺失数据的聚类或回归分析，其模型框架（随机协变量+污染检测）可作为基线参考。
关键技术: Expectation-Conditional Maximization (ECM), Contaminated Gaussian Cluster-Weighted Model (CG-CWM), Missing at Random (MAR), Leverage point detection, Model-based clustering
为什么对您有用: 本文属于应用统计方法，与 primary interests（因果推断、高维、U-统计）无直接交集，但涉及缺失数据处理和聚类回归，可作为流行病学或经济学应用中处理复杂数据结构的参考。武器库中 very_familiar 的 estimation theory in causal inference 可迁移其 ECM 算法思路，但核心问题（聚类+污染检测）不在当前研究主线上，属于暂不可做的方向——缺少对 latent group 建模和污染指标推断的专门工具。

7. 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: 本文针对多组多元线性回归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。通过构造目标函数估计共同包络子空间，得到回归系数估计量，并建立其渐近正态性与显式渐近方差公式。理论证明该估计量比各组分别拟合预测变量包络模型更有效。模拟研究验证了这一理论优势。该工作属于多元统计中的降维方法，与您的主要兴趣（因果推断、高维统计、半参理论）无直接重叠，但包络方法在提高估计效率方面的思路对您可能有一定参考价值。
关键技术: envelope methods, predictor envelope model, multivariate linear regression, common envelope subspace, asymptotic variance formula
为什么对您有用: 本文属于多元统计中的包络方法，与您的主要兴趣（因果推断、高维统计、半参理论）无直接重叠。包络方法通过降维提高估计效率，但核心工具（子空间估计、Grassmann流形优化）不在您的技术武器库中。作为方法学论文，可作一般性了解，但暂不可做后续工作。

8. 2608.23900 — Handling mild outliers and unobserved values in compositional datasets using finite mixtures of mean-parametrised Dirichlet models¶

作者: Jason Pillay, Andriëtte Bekker, Cristina Tortora, Antonio Punzo
相关性 4/10 · novelty: application
摘要: 本文针对异质性成分数据（compositional data）同时存在缺失值和异常值的问题，提出了一种基于Huber污染模型的有限混合模型。模型直接在单纯形上定义污染，并假设缺失机制为随机缺失（MAR），从而在聚类的同时对异常值进行建模。作者证明了在污染且均值参数化的Dirichlet密度下，观测对数似然的极大化是一个凸优化问题，并据此设计了专门的EM算法。E步利用缺失部分的条件分布矩进行插补，M步虽无闭式解但可通过逐元素迭代更新高效实现。数值实验展示了方法在不同缺失率、污染比例和样本量下的稳健性。对美国时间使用调查（ATUS）的应用识别出两个可解释的聚类（工作密集型与社交休闲型），并揭示了异常的时间使用组成；而传统Dirichlet混合模型则因异常值影响将同一类分裂为四类。本文对您而言属于方法学应用，但成分数据与缺失/异常处理的技术思路可迁移至流行病学中的饮食成分或微生物组数据分析，不过核心工具（Dirichlet混合、EM）不在您的主要兴趣方向内，作为入门阅读价值有限。
关键技术: Huber contamination model, mean-parametrized Dirichlet mixture, EM algorithm with missing data, convex optimization for likelihood
为什么对您有用: 本文属于成分数据分析的方法学应用，与您的主要兴趣（因果推断、高维统计等）无直接关联。作为流行病学方向的gateway reading，它展示了处理缺失和异常值的实用框架，但您的武器库（非参数统计、U统计量等）难以直接攻入其核心机制（Dirichlet混合的EM迭代）。暂不可做——缺少成分数据建模和EM算法优化的专门经验。

9. 2608.23538 — Interpretable AI with Local Distillation¶

作者: Erin Craig, Yiling Huang, Snigdha Panigrahi
相关性 4/10 · novelty: new_method
摘要: 本文提出一种名为“局部蒸馏”的框架，旨在兼顾现代AI模型（如表格基础模型、梯度提升集成）的高预测精度与局部线性模型的可解释性。核心思路是让黑箱“教师”模型在每个查询点定义局部性：通过加权训练样本（权重基于教师预测结果的相似性）并引入教师预测值作为伪观测来锚定拟合。在Lasso惩罚下，作者对局部目标函数加入少量高斯随机化，通过重拟合评估特征选择稳定性，并利用聚类识别数据中的稳定子组。理论方面，证明了随机化产生的特征选择概率在训练响应小扰动下保持稳定。在17个基准数据集上，该方法几乎匹配教师模型的精度，同时为每个测试点生成稀疏线性模型。在高维癌症基因表达示例中，该方法发现了全局线性模型无法捕捉、黑箱模型难以呈现的异质性患者子组。
关键技术: local distillation, regularized linear model, randomized lasso, stability selection, pseudo-observation weighting
为什么对您有用: 本文属于统计计算与可解释AI的交叉方向，与您的primary interest中的“statistical computing”以及“semiparametric and nonparametric theory”中的局部建模思想有概念关联。您武器库中的“nonparametric statistics”和“software development”可直接用于复现或扩展其局部加权与稳定性选择机制。不过，本文核心是应用导向的方法，而非新理论或新速率，且与您的主要兴趣（因果推断、高维RMT、U统计量）无直接技术交集。作为gateway reading，它清晰地展示了局部线性模型与黑箱模型结合的实用框架，但方法学新颖性有限。中期可做：若想深入，需先在“semiparametric theory”上加强，以理解局部加权估计的渐近性质。

10. 2608.22732 — Logistic Regression Equivalent Weights for Survey Inference: Construction and Asymptotic Properties¶

作者: Seonghun Lee
相关性 4/10 · novelty: application
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推断中的等价权重（equivalent weights）。由于 logistic 模型下的总体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，每个权重为总体估计量对相应观测结果的缩放导数，并给出了显式闭式表达式。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方差估计量。模拟实验考察了总体恢复、回归性能、有效样本量及渐近方差近似的有限样本表现，结果表明 logistic 等价权重在点估计和方差估计上具有竞争力。应用至“未来家庭与儿童福祉研究”数据集展示了该方法的实证使用。本文强调与近期非线性多层回归与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，本文属于调查统计领域，与您的主要兴趣（因果推断、半参理论）无直接方法学交叉，但若您未来涉及复杂调查数据的因果推断（如 survey-weighted IV 或 DML），其权重构造思路可作为参考。
关键技术: equivalent weights, logistic regression, poststratification, survey weighting, asymptotic linearity, plug-in variance estimator
为什么对您有用: 本文属于调查统计方法，与您的主要兴趣（因果推断、高维统计、半参效率理论）无直接方法学交叉。您的武器库中 very_familiar 的因果推断估计理论可用来审视其权重构造在 survey-weighted causal inference 中的适用性，但核心问题（权重定义与渐近性质）并非您当前研究重点。暂不可做：本文不涉及您武器库中的核心工具（如 U-statistic、RMT、半参效率界），且调查权重框架与您的 causal inference 设定（如 IV、proximal CI）有距离，不值得花时间深入阅读全文。

11. 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）程序，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，利用谱密度算子估计量，然后通过基于子样本卷积周期图算子的重抽样步骤，对谱均值算子的前m维部分进行补充，以捕获过程的四阶结构。理论分析表明，当分解参数m随样本量增大而趋于无穷时，该自助法能一致地估计谱均值算子分布的二阶和四阶结构。该工作为函数型时间序列的频域推断提供了新的工具，但其核心是时间序列的频域重抽样技术，而非研究者主要关注的因果推断、高维统计或半参理论。
关键技术: frequency domain bootstrap, spectral mean operator, functional time series, periodogram operator, subsampling
为什么对您有用: 本文属于函数型时间序列的频域推断方法，与研究者主要兴趣（因果推断、高维统计、半参理论）无直接关联。作为gateway reading，其技术细节（如谱密度估计、重抽样）对统计计算方向有一定参考价值，但整体上不属于研究者武器库可立即攻克的领域。建议仅作泛读，不投入深度阅读。

🗂 其他论文（仅 LLM 评分，未生成摘要）¶

未生成中文摘要的论文，按 LLM 评分由高到低排列，仅保留评分与简评，便于回溯查全。一般为相关性低于展示阈值者；个别历史页也含当时因单日摘要上限未展开的高分篇目（评分仍清楚标着）。

1. 2608.26527 — Frequentist prediction intervals for random-effects meta-analysis via confidence-distribution propagation¶

作者: Hisashi Noma, Guido Schwarzer
相关性 3/10
评分理由: 主题是元分析中的预测区间，与研究者核心兴趣领域不相关。

2. 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 3/10
评分理由: Semicontinuous data modeling with censoring, unrelated to primary interests in causal inference, high-dim stats, or U-statistics.

3. 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: Computational method for discrete choice models; no clear connection to primary interests or arsenal.

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

作者: Dongu Han, Genya Kobayashi, Shonosuke Sugasawa
相关性 3/10
评分理由: Robust Bayesian quantile regression; no clear link to primary interests or arsenal.

5. 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: 神经科学应用，使用潜变量网络模型，但方法偏贝叶斯/潜空间，与核心统计兴趣连接弱。

6. 2608.23825 — Efficient Bayesian Inference for Benter Models on Ranked Data¶

作者: Michael Pearce
相关性 3/10
评分理由: 聚焦排名数据的贝叶斯推断，与主要兴趣（因果推断、高维统计等）无直接关联，方法论转移性有限。

7. 2608.23512 — Penalized likelihood estimation of probability density functions using compositional splines¶

作者: Stanislav Škorňa, Jitka Machalová
相关性 3/10
评分理由: 概率密度函数的惩罚似然估计，属于函数数据分析，与主要兴趣（因果推断、高维统计等）无直接关联。

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 mobility pooling is tangential; no clear methodological overlap with primary interests.

作者: Xinyu Song
相关性 3/10
评分理由: Local asymptotic decision theory with experiment menus is too abstract and specialized, with no clear connection to the researcher's core areas.

10. 2608.23732 — Principal Component Analysis for a Mix of Stationary and Nonstationary Variables¶

作者: James D. Hamilton, Xinwei Ma, Jin Xi
相关性 3/10
评分理由: 主成分分析在混合平稳/非平稳变量中的应用，与研究者主要兴趣不相关。

11. 2608.27223 — Towards the exploration of astrophysical datacubes through volumetric rendering within CARTA¶

作者: Ixaka Labadie-García, Adrianna Pińska, Angus Comrie, Michaela van Zyl, Manuel Parra-Royón, Susana Sánchez-Expósito et al.
相关性 3/10
评分理由: 天文数据可视化工具，属于astrostatistics但缺乏数据/模型方法论细节，作为入门阅读价值低。

12. 2608.26227 — Alfred: A Flexible, User-Friendly Python Package for Exoplanet Confirmation¶

作者: Maxwell A. Kroft
相关性 3/10
评分理由: 系外行星确认软件包，涉及贝叶斯拟合，但方法常规且领域过专，不符合天文网关阅读标准。

13. 2608.26217 — Best practices for obtaining astrometric observations from JWST (274) NIRCam data¶

作者: Marco Micheli, Bryan J. Holler
相关性 3/10
评分理由: 纯天文观测操作指南，无统计方法或数据建模内容，与研究者兴趣无关。

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

作者: Javier Serna, Jesús Hernández, Sean P. Matt, Giovanni Pinzón, Astaroth Elizabethson, Jorge Martínez-Palomera et al.
相关性 3/10
评分理由: TESS光变曲线提取与周期估计工具，方法常规（Lomb-Scargle），无统计方法贡献。

15. 2608.24315 — Quantum-optimal instruments for high-contrast imaging with multi-plane light converters¶

作者: Sebastiaan Y. Haffert, Yinzi Xin, Rico Landman
相关性 3/10
评分理由: 量子最优测量与多平面光转换器，涉及信息论但过于专门，非研究者领域。

16. 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 3/10
评分理由: 光子灯笼消零仪的天文仪器论文，有实验数据但无统计方法论或可迁移分析模式。

17. 2608.24969 — Connecting Granulation and Magnetic Activity in Radial Velocities: The Next Breakthrough for High-Precision Spectroscopy¶

作者: Ancy Anna John, Khaled Al Moulla, Federica Rescigno, Carmen San Nicolas Martinez, Andrew Collier Cameron, Thomas G. Wilson et al.
相关性 3/10
评分理由: 天文仪器与恒星活动讨论，无统计方法或数据建模内容。

18. 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: Network models with MCMC; unrelated to primary interests and arsenal.

19. 2608.22763 — An Anchored Logistic Family for Bounded Trait Measurement and Growth: Origin Before Unit¶

作者: Jaehwa Choi
相关性 2/10
评分理由: Latent trait measurement model is unrelated to primary or secondary interests; purely psychometric.

20. 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 sparse domination is unrelated to the researcher's primary or secondary interests.

21. 2608.23859 — Ranking by points and ordinal models¶

作者: Leszek Szczecinski
相关性 2/10
评分理由: Sports ranking and ordinal models are unrelated to the researcher's primary interests in causal inference, high-dimensional statistics, or semiparametric theory.

22. 2608.26584 — DIRECT: Decomposing Audience Preference and Creative Effect in Visual Content Analytics¶

作者: Yizhi Liu, Balaji Padmanabhan, Siva Viswanathan
相关性 2/10
评分理由: Visual content analytics and audience preference decomposition are unrelated to the researcher's statistical interests.

23. 2608.26326 — RadialPaths: Radial profiles in multi-centred astronomical structures¶

作者: Rafael S. de Souza
相关性 2/10
评分理由: 天文学方法论文，涉及空间点过程分析，但未展示统计推断或方法论深度，不符合天文网关阅读标准。

24. 2608.26077 — Anatomy of an extensive air shower: building an optimal radio emission calculation¶

作者: Juan Ammerman-Yebra, Harm Schoorlemmer
相关性 2/10
评分理由: 粒子物理模拟计算优化，涉及数值方法但领域过专，非统计计算核心兴趣。

25. 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，侧重仪器性能评估，无统计方法或数据建模内容。

26. 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: 亚毫米望远镜仪器概述，纯工程描述，无数据或统计内容。

27. 2608.25045 — Study of Vibrations at SOAR¶

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

28. 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: 涉及CMB偏振测量中的系统误差控制，但纯仪器描述，无统计建模或数据分析方法。

29. 2608.24445 — Forward modelling coronagraphic images with a fully physical, differentiable digital twin of MagAO-X: first laboratory results¶

作者: Matthijs Mars, Sebastiaan Y. Haffert, Louis Desdoigts, Joseph D. Long, Rico Landman, Jared R. Males et al.
相关性 2/10
评分理由: 涉及高对比度成像中的PSF建模，但纯光学/仪器方法，无统计推断或数据分析内容。

30. 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: 纯天文仪器工程论文，无统计方法或数据建模内容，与研究者兴趣无关。

31. 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 2/10
评分理由: 自适应光学中的神经网络应用，但属于工程实现，无统计推断或方法论贡献。

32. 2608.24343 — Digging dark holes on-sky with the Self-Coherent Camera: Preliminary results¶

作者: Elena Tonucci, Sebastiaan Y. Haffert, Jared R. Males, Laird M. Close, Kyle van Gorkom, Olivier Guyon et al.
相关性 2/10
评分理由: 高对比度成像中的波前传感与控制，纯光学工程，无统计或数据科学内容。

33. 2608.24339 — On-sky demonstration of self-learning predictive control with MagAO-X¶

作者: Sebastiaan Y. Haffert, Jared R. Males, Parker T. Johnson, Laird M. Close, Olivier Guyon, Jay Kueny et al.
相关性 2/10
评分理由: 预测控制在天文自适应光学中的应用，属于控制工程，无统计方法论。

34. 2608.24333 — Sub-diffraction-limited coronagraphic imaging with nano-printed PIAACMC phase masks¶

作者: Elena Tonucci, Sebastiaan Y. Haffert, Warren B. Foster, Jared R. Males, Olivier Guyon, Laird M. Close et al.
相关性 2/10
评分理由: 日冕仪相位掩模设计，纯光学工程，无统计或数据建模维度。

35. 2608.24324 — The final design of GMagAO-X: the wavefront sensing and control (WFS&C) architecture of GMagAO-X¶

作者: Sebastiaan Y. Haffert, Jared R. Males, Laird M. Close, Olivier Guyon, Olivier Durney, Maggie Kautz et al.
相关性 2/10
评分理由: 望远镜仪器设计报告，纯工程描述，无统计或数据科学内容。

36. 2608.23690 — A General Response Theory for Closure Phases through Visibility Nulls and Image Structure¶

作者: Shokoufe Faraji, Avery E. Broderick
相关性 2/10
评分理由: 天文干涉测量理论，无统计方法或数据建模内容。

37. 2608.23441 — Inverting and Up-channelizing Critically-Sampled Polyphase Filter Banks¶

作者: Stephen Fay, Mohan Agrawal, Hsin Cynthia Chiang, Aman Chokshi, Jonathan Sievers, Simon Tartakovsky
相关性 2/10
评分理由: 信号处理算法，与统计兴趣无关。

38. 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 2/10
评分理由: AI辅助天文数据提取工具，无统计方法或数据建模内容。

39. 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 1/10
评分理由: 主题为专利分类偏差，与研究者兴趣（因果推断、高维统计等）完全无关。

40. 2608.26371 — Microscopy assessment of two multiple-transient candidates¶

作者: Jun Yang, Beatriz Villarroel
相关性 1/10
评分理由: 纯天文学观测报告，无统计方法或数据建模内容，与研究者兴趣无关。

41. 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 1/10
评分理由: 天文学任务概念介绍，无数据或统计方法内容，与研究者兴趣无关。

42. 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 1/10
评分理由: 高能天体物理探测技术，无统计方法或数据建模内容，与研究者兴趣无关。

43. 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: 天文仪器组装与测试报告，无统计或数据建模内容，与研究者兴趣无关。

44. 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: 哈勃望远镜仪器校准技术报告，无统计或数据建模内容，与研究者兴趣无关。

45. 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: 纯工程/仪器论文，无统计方法或数据分析内容，与所有兴趣领域无关。

46. 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 1/10
评分理由: 仪器状态报告，无统计方法或数据分析内容，与所有兴趣领域无关。

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: 光学工程论文，无统计方法或数据分析内容，与所有兴趣领域无关。

48. 2608.25013 — Advanced Time-Division Multiplexed Readout Chain for the BICEP Array 90/150 GHz Receiver¶

作者: B. Cantrall, P. A. R. Ade, Z. Ahmed, M. Amiri, D. Barkats, R. Basu Thakur et al.
相关性 1/10
评分理由: 电子学读出系统工程，无统计方法或数据分析内容，与所有兴趣领域无关。

49. 2608.24661 — NIRC2-Pol: First Light of Near-Infrared Polarimetry on Keck II¶

作者: Briley L. Lewis, Manxuan Zhang, Maxwell A. Millar-Blanchaer, Eduardo Marin, Jayke S. Nguyen, Carlos Alvarez et al.
相关性 1/10
评分理由: 天文仪器升级报告，无统计方法或数据分析内容，与所有兴趣领域无关。

50. 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 1/10
评分理由: FPGA数字信号处理工程，无统计方法或数据分析内容，与所有兴趣领域无关。

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: 纯天文仪器工程论文，与统计兴趣完全无关。

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: 光谱仪硬件设计，与统计兴趣无关。

53. 2608.23668 — BlueBird 6 is Fainter than Block 1 Satellites¶

作者: Anthony Mallama, Richard E. Cole
相关性 1/10
评分理由: 卫星亮度测量报告，与统计兴趣无关。

54. 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 1/10
评分理由: 纯天文仪器工程论文，无统计方法或数据建模内容，与研究者兴趣完全无关。

55. 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 1/10
评分理由: 地球物理/引力波噪声模拟，无统计推断或数据建模，与研究者兴趣无关。

56. 2608.27379 — The MICADO first light imager for the ELT: first on-bench performance tests of the SCAO hybrid LQG+Integrator controller¶

作者: N. Levraud, F. Ferreira, A. Sevin, E. Gendron, N. Galland, H. -F. Raynaud et al.
相关性 0/10
评分理由: 纯天文仪器工程论文，无统计或数据建模内容，与所有兴趣无关。

Maintained by 陈星宇 · Homepage · Source on GitHub

2026-08-28 每日 arXiv 资讯¶

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 11 篇)¶

1. 2608.27140 — Graph-based causal variance decompositions: When "variance explained" means causation¶

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

3. 2608.26606 — Analyzing Within-Subject Experiments: Identification, Testing, and Sensitivity¶

4. 2608.25979 — The Symmetric Pair Matching Design: A Self-Controlled Method with Automatic Adjustment for Time Effects¶

5. 2608.24085 — Orthogonal double residual learning for optimal individualized treatment rules¶

6. 2608.23971 — Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach¶

7. 2608.23453 — Transporting Randomized Trial Effects to Real-World Populations via Riesz-Calibrated Optimal Transport¶

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

9. 2608.25720 — Endogenous Selection and Spillovers: Bayesian Inference for Policy-Relevant Causal Effects¶

10. 2608.23508 — Testing selection on observables in parametric models with refreshment samples¶

11. 2608.22706 — Double/Debiased Machine Learning for Functional-Form-Robust Spatial Autoregression¶

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 2608.26522 — Inference for High-Dimensional Network Data¶

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 2608.27155 — Nonparametric Identification of Two-Way Unobserved Heterogeneity¶

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, 2 篇)¶

1. 2608.25463 — Berry--Esseen bounds and bootstrap approximations for the Hilbert-space norm of \(U\)-statistics¶

2. 2608.26536 — Posterior consistency for subdiffusion inverse problems¶

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 11 篇)¶

1. 2608.27289 — Combining covariate adjustment with information from secondary endpoints to improve precision in randomized trials¶

2. 2608.26610 — On efficiency gains via augmenting a tiny sample with a massive auxiliary sample¶

3. 2608.26475 — Power and Sample Size Calculations for Hybrid Controlled Trials¶

4. 2608.26411 — Marginal Structural Models for Electricity Demand under Treatment-Confounder Feedback: A Continuous-Treatment Outcome-Adaptive and Fused LASSO Approach¶

5. 2608.23472 — Evaluating the effects of policy interventions subject to early adoption: A case study of prescription drug monitoring programs and opioid dispensing¶

6. 2608.22957 — Identification and Inference for Causal Effects in Extremes under General Conditions¶

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

8. 2608.26558 — A Unified Adaptive Enrichment Design for Power Enhancement¶

9. 2608.25930 — Controlling for Omitted Variable Bias in Deep Neural Networks¶

10. 2608.24038 — CUPED on Steroids: Multivariate Covariate Adjustment for Switchback Experiments¶

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

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. 2608.27055 — How far can symmetry help? Phase transitions and symmetry selection in sparse functional data analysis¶

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

4. 2608.25997 — Statistical Properties of Nonparametric MLE under Laplace Noise¶

5. 2608.24450 — Maximum effective dimension and information gain¶

6. 2608.25811 — Limiting properties of monotone rearrangements of estimators when the truth is flat¶

7. 2608.25718 — Estimation of a regression function from dependent data by over-parametrized deep neural networks learned by gradient descent¶

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

1. 2608.27320 — Evidence, Calibration, and Stability: A Triadic Framework for Hypothesis Testing Under Model Uncertainty¶

2. 2608.26422 — Online detection of distributional changes for time series in metric spaces¶

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

4. 2608.27310 — Conformal Prediction Through the Lens of Hypothesis Testing: Universality, Impossibility, and Optimality¶

5. 2608.26703 — Uncertainty quantification for expectation-calibrated predictions¶

6. 2608.24230 — Wild Bootstrap and Efron's Bootstrap for Debiased Cox Regression¶

7. 2608.23793 — Approximating the null distribution of generalized distance covariance¶

8. 2608.23315 — Classification testing: A new framework for drawing qualitative conclusions from quantitative estimates¶

9. 2608.23513 — Asymptotics for Model Selection in Probabilistic Principal Component Analysis¶

10. 2608.23257 — How Replicable Are Statistically Significant Findings?¶

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

12. 2608.27209 — Connecting Riemannian Geometry and Statistical Inference for Correlation Matrices¶

13. 2608.24194 — Testing for Stable Intervals in Non-Stationary Time Series¶

14. 2608.26553 — Tight differencing in spectral density estimation with centrosymmetric kernels¶

15. 2608.23064 — Sequentially valid inference for probabilistic inflation forecasts¶

16. 2608.26421 — Dimension comparison for Student's statistic under symmetric unimodality¶

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

18. 2608.23960 — Learning from Uncertainty-dependent Missing Labels for Semi-supervised Classification¶

统计计算 / 算法 (stat_computing, 5 篇)¶

1. 2608.27063 — An Accurate and Single-Communication Federated Inference Algorithm¶

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

3. 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¶

4. 2608.27191 — Personalized Federated Learning for Tensor Regression¶

5. 2608.25172 — Spatially orthogonal factor models for spatial transcriptomics and remote sensing data¶

天体统计 (astrostats, 6 篇)¶

1. 2608.27192 — Optimal transport regularized dynamic radio interferometric reconstruction¶

2. 2608.23534 — Strong Lensing Cosmology with Population-level Calibrated Neural Ratio Estimation¶

3. 2608.25075 — A Singular Value Decomposition Framework for Jovian Radio Emissions from Parker Solar Probe¶

4. 2608.26524 — Background Intensity Estimation for Cassini-ISS Image Using Deep Learning-Based Diffusion Model¶

5. 2608.25173 — Deep Learning-Based Coarse Alignment and Cophasing of a Distributed-Aperture Telescope. Application to the Small ExoLife Finder (SELF)¶

6. 2608.25134 — Capra: Scalable HEALPix-Native Intensity Reconstruction for High-Resolution IMAP Analyses¶

经济理论 / 应用 (econ_theory, 6 篇)¶