跳转至

2026-08-31 每日 arXiv 资讯

  • 高相关论文 6 篇 · 中相关 29 篇 · 其他 19 篇 · 会议/Seminar 事件 0 条

✍️ 手动录入的论文（精读）

你手动录入（粘贴 arXiv 链接 / 标题）申请精读、或收藏后补读的论文，由当天的定时任务精读。点标题旁的 🔍 精读 查看解读。

因果推断 (causal_inference, 3 篇)

1. 2411.14285 — Stochastic interventions, sensitivity analysis, and optimal transport

  • 作者: Alexander W. Levis, Edward H. Kennedy, Alec McClean, Sivaraman Balakrishnan, Larry Wasserman
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究随机干预（stochastic intervention）在存在未测量混杂时的敏感性分析问题。作者发现，当目标干预分布趋近于观测到的自然治疗分布时，标准随机干预的因果效应边界不会收缩至零宽度，这一“非坍缩”性质令人意外。作为替代，作者提出广义策略（generalized policy），即允许治疗规则依赖于协变量、自然治疗值及辅助随机性。通过引入最优传输理论，作者刻画了在多种敏感性分析模型下最小化最坏情况边界宽度的广义策略，并给出相应的因果效应锐界。这些最优策略具有比传统随机策略更简洁的解释。最后，作者为框架中产生的非参数锐界开发了灵活、高效且稳健的估计量。该工作直接连接您的因果推断（敏感性分析）兴趣，其中最优传输与边界宽度的关系可能为您的proximal CI或IV设定下的敏感性分析提供新视角。
  • 关键技术: stochastic intervention, sensitivity analysis, optimal transport, sharp bounds, generalized policy, nonparametric estimation
  • 为什么对您有用: 直接命中您 primary interest 中的因果推断（敏感性分析）子方向。本文用最优传输理论解决随机干预边界非坍缩问题，您可以用 very_familiar 的 minimax bounds 工具验证其声称的锐界是否紧，或用 moderately_familiar 的 identification theory 将广义策略框架推广到 proximal CI 设定。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉以理解其非参数估计量的效率性质。

2. 2409.11967 — Incremental effects for continuous exposures

  • 作者: Kyle Schindl, Shuying Shen, Edward H. Kennedy
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对连续型暴露（如剂量、时长、频率）的因果推断问题，提出基于指数倾斜（exponential tilt）的随机干预增量效应（incremental effect）框架，避免传统剂量-反应估计所需的强正定性假设。核心 estimand 是通过参数 δ 对暴露分布进行指数倾斜后的人群平均结果变化，δ 控制倾斜幅度。作者推导了该 estimand 的有效影响函数（EIF）和半参数效率界，并建立了新的极小极大下界，表明最优 RMSE 以有效样本量 n/δ 而非 n 缩放，揭示了 δ 对估计精度的根本性影响。在估计方法上，论文给出了双机器学习（DML）类估计量的收敛速率和偏差界，利用混合上确界与 L2 范数分析获得了比标准分析更优的 δ 依赖。此外，定义了围绕任意内点的“反射”指数倾斜，并证明当 δ→∞ 时该框架退化为剂量-响应曲线的标准估计器。该工作为连续暴露的因果推断提供了无需正定性假设的理论基础，对您关注的因果推断（特别是 IV/mediation 中的连续处理变量）和半参数效率理论有直接参考价值。
  • 关键技术: exponential tilt stochastic intervention, efficient influence function, semiparametric efficiency bound, minimax lower bound, double machine learning, mixed supremum and L2 norms
  • 为什么对您有用: 直接连接您 causal inference 兴趣中的连续暴露识别与估计问题，特别是避免正定性假设的增量效应框架。您的 technical_arsenal 中 very_familiar 的 minimax bounds 和 estimation theory in causal inference 可立即用于验证本文的极小极大下界是否紧，以及 DML 估计量的收敛速率是否可改进。中期可做：若您想在 moderately_familiar 的 semiparametric theory 上长肌肉，可尝试将本文的 EIF 推导推广到更复杂的 longitudinal 或 mediation 设定。

3. 1901.02776 — Causal mediation analysis for stochastic interventions

  • 作者: Iván Díaz, Nima Hejazi
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在因果中介分析中引入随机干预（stochastic intervention）视角，将传统基于二元处理变量和确定性干预的ATE分解推广到population intervention effect（PIE）框架下。PIE允许处理变量为连续或分类变量，通过定义随机干预的对比来构造直接效应和间接效应。识别条件比ATE框架更弱：在无暴露-中介混杂受暴露影响的假设下，直接效应在随机化暴露和中介的实验中即可识别。方法上，作者提出了替代估计量、重加权估计量和基于灵活回归的高效估计量，支持多元中介。高效估计量在回归函数达到n^{1/4}-一致率时具有渐近线性性。模拟和实例（运动队参与对儿童BMI的影响，中介为运动习惯、零食摄入和超重状态）验证了有限样本性能。对您而言，本文是因果中介分析中随机干预设定下的identification和efficient estimation的完整处理，直接对接您的causal inference（mediation）和semiparametric efficiency理论兴趣。
  • 关键技术: population intervention effect, stochastic intervention, efficient influence function, cross-fitting, n^{1/4}-consistency, substitution estimator
  • 为什么对您有用: 本文直接命中您primary interest中的causal inference（mediation）和efficiency theory（semiparametric efficiency bounds）。技术核心是PIE框架下直接/间接效应的identification和efficient estimation，其中高效估计量的渐近线性性依赖于n^{1/4}-consistency条件——这是您very_familiar的nonparametric statistics和minimax bounds可以立即检验的：您可以用minimax lower bound验证该条件是否紧，或探索是否能用higher-order U-statistics的树宽视角来刻画多元中介情形下回归函数的估计成本。中期可做：若想将本文的随机干预框架与您moderately_familiar的HOIF结合，推导高阶高效估计量，需先在higher-order influence functions上长肌肉。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. math/0503680 — Nonparametric estimation of scalar diffusions based on low frequency data

  • 作者: Emmanuel Gobet, Marc Hoffmann, Markus Reiss
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究基于低频离散观测数据（固定采样间隔 Δ，观测数 N → ∞）的非参数标量扩散过程系数估计问题。目标是在 Sobolev 光滑性约束下，以平方误差损失估计扩散系数（波动率）和漂移函数。作者证明该估计问题本质上是病态的：扩散系数和漂移的 minimax 收敛速率分别对应于一阶和二阶线性反问题。方法核心是利用马尔可夫半群的谱分析：通过非参数估计离散时间马尔可夫链（X_{nΔ}）转移算子的特征值-特征函数对（在适当 Sobolev 范数下），并结合不变密度的估计，得到系数的最优速率估计。理论结果包括精确的 minimax 下界和上界匹配。对您而言，本文展示了非参数反问题框架在时间序列模型中的应用，其谱分解思路与您熟悉的非参数统计和逆问题工具直接相关，可作为理解扩散过程非参数估计的入门文献。
  • 关键技术: spectral analysis of Markov semigroup, minimax rates for inverse problems, Sobolev smoothness constraints, eigenvalue-eigenfunction estimation, invariant density estimation
  • 为什么对您有用: 本文连接您的非参数统计和逆问题兴趣子方向，展示了低频扩散系数估计如何被刻画为线性反问题。您的武器库中'非参数统计'和'逆问题'两项 very_familiar 工具可直接用于理解其 minimax 速率推导和谱方法。中期可做：若您想将类似谱分析思路推广到高维扩散或带因果结构的扩散过程，需先在 moderately_familiar 的 M-estimation 理论上加强（如处理相依数据的经验过程工具）。

统计计算 / 算法 (stat_computing, 1 篇)

1. 2601.09007 — Global polynomial-time estimation in statistical nonlinear inverse problems via generalized stability

  • 作者: Sven Wang
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文研究非线性统计反问题（如 Darcy 流模型和稳态 Schrödinger 模型）中参数 f 的估计，目标是同时达到最优统计收敛率和全局多项式时间可计算性。传统似然估计面临非凸优化和 MCMC 混合慢的问题。作者提出一类 plug-in 和 PDE 惩罚 M-估计量，核心技巧是用弱松弛替代精确 PDE 约束，得到条件凸且嵌套二次优化问题，无需求解前向映射 G(f) 或 PDE 求解器。在 Darcy 流模型 L_f u = ∇·(f∇u) 中，估计量达到当前已知最优统计收敛率，且计算复杂度为 o(N^2)（亚二次）。理论基于广义稳定性估计（将经典稳定性推广到前向算子值域之外）和非参数 M-估计工具。还推导了自适应收敛率，为更广的非线性反问题提供了设计可证明多项式时间统计算法的蓝图。该估计量也可为多项式时间贝叶斯计算提供有原则的 warm-start 初始化。对您而言，本文直接连接 statistical-computational tradeoff 兴趣：它给出了一个具体问题（非线性反问题）中多项式时间可达性的清晰刻画，且其广义稳定性分析可能为您的 higher-order U-statistics 的 tensor-network 计算复杂度分析提供新视角。
  • 关键技术: generalized stability estimates, PDE-penalized M-estimation, weakly enforced relaxation, nested quadratic optimization, nonparametric M-estimation, polynomial-time computation
  • 为什么对您有用: 本文直接切入您的 statistical-computational tradeoff 兴趣，给出了一个非线性反问题中多项式时间可达性的清晰刻画——信号强度（收敛率）和计算复杂度（亚二次）均明确陈述，且证明策略对统计读者可追踪。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具验证其声称的收敛率是否紧，并进一步用 moderately_familiar 的 M-estimation 理论分析其广义稳定性估计的推广性。中期可做：若想将类似弱松弛技巧推广到您的 higher-order U-statistics 的 tensor-network 计算复杂度分析中，需先在 moderately_familiar 的 M-estimation 理论上长肌肉。

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 3 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重新审视方差分解问题，目标是定义具有因果解释的方差分量，而非传统有序方差分解中依赖于条件顺序的纯描述性分量。作者利用拓扑序（topological ordering）逐分量评估识别性，允许分解中包含的变量不必构成因果充分系统，从而放宽了经典假设。方法上，他们提出了基于模型的plug-in估计量，并辅以近似贝叶斯程序进行不确定性量化，估计量可兼容灵活机器学习模型。模拟研究检验了有限样本表现及对结果模型误设的敏感性。本文与机器学习中的变量重要性（如Shapley值）和因果归因方法建立了联系，为“方差解释”赋予了因果含义。对您而言，该工作直接连接了因果推断中的identification理论与实际应用中的变量重要性评估，尤其适合作为流行病学或经济学中分解总效应为直接与间接贡献的方法学参考。
  • 关键技术: causal graph, topological ordering, law of total variance decomposition, plug-in estimator, approximate Bayesian inference, variable importance
  • 为什么对您有用: 本文直接连接您对因果推断中identification和estimation的兴趣，特别是将方差分解从描述性工具提升为因果解释框架。您的武器库中'因果推断中的估计理论'和'非参数统计'可直接用于分析其plug-in估计量的渐近性质或提出更高效的半参数估计量（如基于EIF的debiased ML）。中期可做：若想将方法推广到高维或非参数设定，需先在'semiparametric theory'上长肌肉以推导其效率界。

2. 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被试内设计（within-subject design）的识别、检验与敏感性分析问题。该设定允许非均衡分配、处理效应异质性和携带效应（carryover effect）。主要发现包括：(1) 合并估计量（pooled estimator）仅在两个处理序列的平均携带效应之差为零时识别ATE，且其单元聚类标准误与设计-based标准误等价；(2) 在温和条件下，携带效应检验的势严格低于仅用后测数据（post-only）的ATE检验，导致两步法（先检验携带效应再决定是否合并）的置信区间通常覆盖不足；(3) 当携带效应差为零时，覆盖不足恰发生在合并比post-only更有效时（即被试内设计有价值时）；当差非零时，除非差或样本量很大，否则覆盖不足是常态。文章还推导了敏感性分析方法，并发现已发表结论对合理的携带效应差是稳健的。本文对纵向因果推断中处理效应与携带效应的分离、以及敏感性分析框架有直接参考价值。
  • 关键技术: potential outcomes framework, within-subject design, carryover effect, pooled estimator, sensitivity analysis, unit-clustered standard error
  • 为什么对您有用: 直接连接纵向因果推断（longitudinal causal inference）中的处理效应与携带效应识别问题。武器库中'identification theory in causal inference'可用来评估其识别假设的充分性，'estimation theory in causal inference'可分析其合并估计量的效率。中期可做：若想将敏感性分析推广到更一般的纵向设定（如多期、连续时间），需先在'moderately_familiar'的semiparametric theory上长肌肉。

3. 2608.27155 — Nonparametric Identification of Two-Way Unobserved Heterogeneity

  • 作者: Hugo Freeman, Dennis Kristensen
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文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) 的可识别性问题。核心思路是利用双变量回归函数 g(α,γ) 在乘积域上的奇异值分解 (SVD)，将左奇异函数 {u_r} 作为 α 的可识别代理变量。作者首先证明，在“观测等价简化”假设下（即 α↦g(α,·) 是单射），该条件等价于全体左奇异特征函数的单射性，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转化为局部一阶条件加拓扑紧性论证，绕过了通常所需的全局 Jacobian 条件。该结果对面板数据因果推断中的未观测混杂处理有直接意义，尤其适用于您关注的纵向因果推断设定。
  • 关键技术: singular value decomposition (SVD), nonparametric panel data, injectivity via eigenfunctions, observational equivalence, local injectivity + compactness argument
  • 为什么对您有用: 直接连接到您 primary interest 中的纵向因果推断（longitudinal panel data）和 identification theory。本文的 SVD 代理变量思路与 proximal causal inference 中的 negative control 代理变量有深层联系，可用您 very_familiar 的非参数统计和 minimax 工具来检验其有限样本性质。中期可做：需先在 moderately_familiar 的 identification theory 上深入理解其与 proximal 框架的等价性。

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，观测向量之间的依赖结构由已知的图距离刻画，通过一个基于图距离的函数型相依度量来捕捉依赖衰减与网络邻域增长之间的交互作用。在有限矩和sub-Weibull条件下，建立了最大模的高斯逼近结果，并给出了维度随网络规模增长时的显式条件。进一步提出了高维网络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。应用部分通过构建条件溢出效应函数的置信带，研究了溢出效应如何随网络同质性指数变化，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，本文的高维高斯逼近框架与您在高维统计和因果推断（如网络干预的推断）中的兴趣高度相关。
  • 关键技术: functional dependence measure, graph distance, Gaussian approximation for maxima, high-dimensional HAC estimator, sub-Weibull tail conditions, simultaneous inference
  • 为什么对您有用: 本文直接连接您在高维统计和因果推断中的兴趣：它处理网络依赖数据的高维推断，这是网络因果推断（如溢出效应）中关键的工具性问题。您的技术武库中'高维渐近'和'非参数统计'可以直接用于评估其高斯逼近条件的紧性；'软件工程'技能可用于复现其HAC估计量的数值表现。中期可做：若想将本文方法推广到更一般的因果参数（如网络ATE），需先在'因果推断中的识别理论'上加强，因为网络干预的识别条件（如无干扰假设的放松）是当前框架未覆盖的。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 2608.27055 — How far can symmetry help? Phase transitions and symmetry selection in sparse functional data analysis

  • 作者: Jocelyn Nembe
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 研究稀疏函数型数据中协方差面估计的相变现象，目标是在对称性假设下刻画采样阈值 m 的位移。当协方差函数具有光滑度 β 时，经典阈值 m ≍ n^{1/(2β)} 决定了风险从二维非参速率向参数速率 n^{-1} 的转变。本文证明，若过程与设计被 q 阶循环群保持，阈值可降至 n^{1/(2β)} q^{-1/2}，位移因子为平方根，源于对称性减少可用配对数的方差效应。当轨道细于带宽时，位移饱和为 min(q, c_K/h)，之后速率退化为 1 维非参速率，因此任何旋转对称（包括全圆群）无法将阈值降至 n^{1/(4β)} 以下。下界通过保持正性的平稳子类填充构造，上界由显式估计器达到。近似对称情形下风险增加逼近项，设计平面分裂为三个区域，其中一区域无法通过增采样改善；对称性谱在傅里叶坐标下显式，留出法可在饱和前以领先常数 1、饱和后以绝对常数选择对称水平。数值实验验证所有理论。该结果对您在高维非参估计与 minimax 下界构造方面的兴趣有直接连接，其下界构造中使用的正性保持填充技巧可能为您的 U-统计量投影下界提供新视角。
  • 关键技术: phase transition, minimax lower bound, Poisson summation, kernel autocorrelation, symmetry spectrum, hold-out selection
  • 为什么对您有用: 直接连接非参统计与 minimax 下界（very_familiar），其下界构造中使用的正性保持填充技巧可迁移至您的高阶 U-统计量投影下界问题。中期可做：需先在 moderately_familiar 的 HOIF 理论上长肌肉，以将对称性相变框架推广至协方差泛函的估计。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

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

  • 作者: Subir Hait
  • 相关性 8/10 · 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坐标：证据（Fisherian 归纳推断）、校准（Neyman-Pearson 决策理论的重复抽样性质）和稳定性（模型扰动下结论反转的临界距离）。核心贡献在于：对有限维仿射扰动导出了精确的椭球稳定性半径；对光滑非线性边际，通过均匀二次余项条件给出认证下界，明确了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。模拟（单样本 t 检验及 Student 睡眠数据）显示三个坐标可导向不同解读。该框架是形式综合，而非声称证据、功效或稳健性本身是新的。对您而言，该工作直接关联 hypothesis testing 兴趣，其稳定性半径的几何推导可与您熟悉的 minimax bounds 和 inverse problems 中的扰动分析对接，且 ECS 的坐标分离思想可能为因果推断中的敏感性分析提供新的报告规范。
  • 关键技术: stability radius, ellipsoidal perturbation, quadratic-remainder condition, coordinate invariance, multiverse analysis, sensitivity analysis
  • 为什么对您有用: 直接连接 primary interest 中的 hypothesis testing 子方向。本文的稳定性半径推导（椭球扰动、二次余项条件）可用您 very_familiar 的 minimax bounds 和 inverse problems 扰动分析工具来验证其紧性。中期可做：将 ECS 框架移植到 causal inference 的敏感性分析（如 IV 或 proximal CI 的 negative control 假设扰动），需先在 moderately_familiar 的 identification theory 上长肌肉。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 8 篇)

1. 2608.28324 — Response Propensity Estimation and Cross-Fitting

  • 作者: Alessandro La Rocca
  • 相关性 7/10 · novelty: application
  • 摘要: 本文在调查估计的框架下，研究交叉拟合（cross-fitting）是否能改善基于灵活机器学习方法估计响应倾向性（response propensity）后的非响应调整。目标估计量为总体均值，关键设定是响应机制的条件独立性假设。模拟实验采用有限总体蒙特卡洛设计，包含90种配置（样本量、响应率、响应机制结构），每种配置重复2000次。基准方法为逻辑回归（参数），灵活方法为随机森林和梯度提升机。主要结论是交叉拟合在多数配置下能降低估计偏差和均方误差，尤其当响应机制复杂且样本量较小时。对您而言，该文直接关联因果推断中的倾向性得分加权与交叉拟合技术，且其模拟设计思路可迁移至您熟悉的非参数统计与因果推断中的敏感性分析场景。
  • 关键技术: cross-fitting, response propensity estimation, random forest, gradient boosting machine, finite population Monte Carlo simulation
  • 为什么对您有用: 本文直接关联您primary interest中的因果推断（倾向性得分加权）与交叉拟合技术，且模拟实验设计（90种配置、2000次重复）可为您在非参数统计与因果推断中的敏感性分析提供参考。您可用very_familiar的软件开发和high-dimensional asymptotics工具复现或扩展其模拟框架。中期可做：若需深入理论分析交叉拟合在非参数倾向性得分估计中的渐近性质，需先在moderately_familiar的M-estimation理论上长肌肉。

2. 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: 本文研究在随机对照试验中，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的估计精度。目标估计量是ATE，设定为结构方程模型（单因子SEM）框架，假设次要终点通过潜在因子与主要终点关联。核心方法是将协变量调整纳入已有的SEM借力框架，并引入交叉验证模型平均（cross-validated model averaging）来组合SEM估计量与常规协变量调整估计量，以缓解模型误设带来的偏倚。模拟表明，当SEM正确时，终点借力在协变量调整基础上进一步提升了效率；模型平均在严重误设下仍能减少偏倚、改善覆盖。实证应用（低尼古丁香烟试验）中，模型平均估计比仅协变量调整精确13%。对您而言，本文是因果推断中精度提升的实用方法，连接了您的primary interest（因果推断中的估计理论）和secondary interest（流行病学应用），且模型平均策略可迁移至您熟悉的非参数统计与M估计框架。
  • 关键技术: structural equation modeling, covariate adjustment, cross-validated model averaging, efficiency borrowing, randomized trial
  • 为什么对您有用: 本文直接连接您的primary interest——因果推断中的估计理论（ATE的精度提升），以及secondary interest——流行病学应用（RCT设计）。您的武器库中'非参数统计'和'M估计理论'可用来分析模型平均估计量的渐近性质（如能否达到半参有效界），而'软件工程'技能可复现其交叉验证流程。中期可做：需先在'moderately_familiar'的'identification theory in causal inference'上巩固对SEM假设的理解，再评估其与proximal CI框架的潜在联系。

3. 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: 本文研究如何利用一个巨大的辅助样本来提升一个极小目标样本的估计效率。在Tukey分解框架下，比较了逆概率加权（IPW）和全似然（FL）两种方法。理论表明，IPW方法受限于目标样本量，而FL方法在指数族及其混合模型下，部分模型参数的收敛速率可由辅助样本量主导，即实现“完全效率增益”。对于非参数IPW方法，本文证明了其可达到目标样本量的参数速率。此外，还讨论了如何用FL同时训练目标分布和优势比模型的神经网络。该工作对因果推断中利用外部数据（如大规模对照或历史队列）提升小样本ATE或ATT估计效率有直接参考价值。
  • 关键技术: Tukey's factorization, inverse probability weighting (IPW), full-likelihood (FL) method, exponential families, efficiency gain, odds model
  • 为什么对您有用: 直接连接到primary interest中的因果推断（利用辅助样本提升小样本估计效率）和效率理论（semiparametric efficiency bounds）。武器库中'very_familiar'的'nonparametric statistics'和'estimation theory in causal inference'可直接用于理解IPW的非参数速率结果；'moderately_familiar'的'semiparametric theory'可用于分析FL方法的效率增益是否达到半参有效界。中期可做：需先在'semiparametric theory'上巩固，以严格推导FL在更一般因果模型（如DR估计量）中的效率增益条件。

4. 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，但前瞻性样本量确定因 EC 与 RCT 对照的可比性未知而困难。作者提出 5+3 设计框架：使用五个常规 RCT 设计参数和三个额外标量参数（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）来刻画 EC 可比性。基于逆概率加权（IPW）估计 ATE，推导了估计量的渐近分布，并证明方差可由这些设计参数决定，从而给出连续和二元结局的样本量公式。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。方法已实现为 R 包 hctdesign。对您而言，本文是因果推断中利用外部数据增强 RCT 的实用工具，其 IPW 框架和样本量公式可直接用于您关注的纵向或罕见病因果推断应用。
  • 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: 本文直接连接您 causal inference 兴趣中的 IV/纵向/敏感性分析子方向，特别是利用外部对照（EC）增强 RCT 的设计问题。您的 technical_arsenal 中 'estimation theory in causal inference' 和 'software development' 可立即用于复现或扩展其 IPW 框架下的样本量公式（例如引入更灵活的 EC 可比性模型）。中期可做：若您想将方法推广到更复杂的 estimand（如 mediation 或 survival），需先在 moderately_familiar 的 'identification theory in causal inference' 上加强。

5. 2608.28576 — Learning a Size-Weight Frontier for Synthetic-Augmented Inference

  • 作者: Chengpiao Huang, Kaizheng Wang
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一个通用框架，用于在多个相关任务（如不同人口子群的调查）中利用合成数据增强统计推断。核心问题是：当真实数据稀缺时，如何给合成观测分配权重和样本量，以避免引入偏差。作者定义了一个“大小-权重前沿”（size-weight frontier），对每个权重指定了能保证任务边际覆盖率的合成样本量上限。该前沿从历史任务中估计，并给出了所有位于前沿下方的大小-权重配置的有限样本覆盖保证。实验使用大语言模型生成的合成回答来增强民意调查数据，在达到目标覆盖率的同时显著缩窄了置信区间。该框架与因果推断中的敏感性分析和负对照思想有深层联系，对您关注的proximal CI和IV方法中如何利用外部数据（如合成对照）有直接启发。
  • 关键技术: size-weight frontier, synthetic-augmented inference, finite-sample coverage guarantee, multi-task learning, simultaneous inference
  • 为什么对您有用: 本文直接连接您的primary interest中的因果推断（特别是proximal CI和IV中利用外部数据增强识别）和统计计算（合成数据生成与加权）。技术武器库中'nonparametric statistics'和'estimation theory in causal inference'可立即用于分析其前沿估计的收敛性和偏差-方差权衡——这是一个立即可做的follow-up。

6. 2608.27599 — Activity-Conditioned Residual Association from Aggregated Relational Data

  • 作者: Yen-hsuan Tseng
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究聚合关系数据（ARD）能否检验网络模型中是否存在超出纯可加活动效应的残差关联。设定为独立Bernoulli加性logit零模型，群体构成完备划分，受访者度数可精确观测。核心机制是：在固定活动值下，对两个度数相等的受访者，其两个不相交群体计数之差满足有限非正符号约束。操作层面，在规则重复单元阵列上，通过分析者随机配对稀疏化得到保守的单网络检验，且检验统计量对图结构具有样本独立性。有限样本和渐近匹配律构造表明，目标量包含比二值计数更多的双变量信息，而显式秩一路径可提供逐点检验功效。确定性标记轮廓契约和固定维格点局部极限论证使设计和条件要求显式化。本文定义的是针对特定目标和设计的设定诊断工具，而非恢复标记概率矩阵、潜在几何或任意残差依赖。对您而言，该工作为因果推断中网络数据的负对照检验提供了新视角，尤其适用于流行病学中的同伴驱动传播研究。
  • 关键技术: aggregated relational data, additive-logit model, sign restriction, pair thinning, matched-law construction, local limit theorem
  • 为什么对您有用: 本文直接关联您对因果推断中识别检验的兴趣，特别是网络数据下的负对照设定。您武器库中'非参数统计'和'因果推断估计理论'可用于分析其符号约束的紧性，而'高阶U统计量的树宽/张量收缩'视角可评估其配对稀疏化检验的计算成本。中期可做：需先在'半参数理论'上加强以处理其渐近匹配律构造的泛化。

7. 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，用于提升随机对照试验（RCT）的检验效能。传统富集设计通常采用“选赢家”的离散规则，在最终估计中若不考虑数据依赖的入组决策，会引入“赢家诅咒”偏倚。作者将富集问题形式化为对入组协变量分布的正则化优化：在二阶段设计中，第二阶段通过最大化检验效能目标函数并加入KL散度惩罚项来平滑地选择入组混合分布，避免离散规则。该框架自然扩展到连续协变量的入组优化。目标估计量为数据自适应入组规则诱导的试验人群的平均处理效应（ATE），因此不确定性量化需同时考虑入组规则学习的不确定性。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，得到决策不确定性与结果估计不确定性的显式渐近方差分解。模拟表明该方法相比传统富集方法显著提升了检验效能并大幅降低了赢家诅咒偏倚。对您而言，该工作将适应性入组设计与因果推断中的影响函数和方差分解技术结合，是您非常熟悉的因果推断估计理论的一个有趣应用场景，且其影响函数推导思路可直接迁移至您关注的proximal CI或IV设定下的样本选择偏差问题。
  • 关键技术: adaptive enrichment design, influence function, Kullback-Leibler divergence regularization, two-stage design, asymptotic variance decomposition
  • 为什么对您有用: 本文直接连接您primary interest中的因果推断（估计与不确定性量化）和效率理论（影响函数与渐近方差分解）。您very_familiar的因果推断估计理论（尤其是影响函数工具）可直接用于理解其核心机制，甚至可尝试将KL正则化框架推广至proximal CI或IV设定下的入组规则优化。中期可做：需先在moderately_familiar的identification theory in causal inference上巩固，以处理更复杂的识别假设。

8. 2608.26584 — DIRECT: Decomposing Audience Preference and Creative Effect in Visual Content Analytics

  • 作者: Yizhi Liu, Balaji Padmanabhan, Siva Viswanathan
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对视觉内容分析中一个被忽视的 estimand mismatch 问题：平台常用的 pooled 系数（跨创作者估计）将 audience preference（因创作者风格吸引的不同受众导致的差异）与 creative effect（同一创作者改变风格时其受众的反应）混为一谈，且两者可能方向相反。作者提出 DIRECT 框架，基于面板数据的 Mundlak between-within 分解与 double machine learning，在 latent vision-language treatments（CLIP 提取的视觉风格轴）上分离这两个因果效应。在 232,088 条 Instagram 美妆赞助帖（1,527 位创作者）上，11 个视觉属性中有 4 个的 audience preference 与 creative effect 符号相反；在 skin tone 属性上，pooled 系数推荐更浅肤色，而 creative effect 指向更深肤色。若按 pooled 系数为 held-out 创作者推荐，会损失 31% 的可实现 engagement 增益。本文贡献了三个 portable diagnostics 用于审计 pooled 估计是否支持其决策用途。对您而言，这是一个将面板因果识别（within-between decomposition）与 DML 结合、处理高维 treatment（视觉特征）的精彩应用案例，直接连接您的 causal inference 与 debiased ML 兴趣，且数据集和诊断工具可迁移至流行病学或经济学中的类似 estimand mismatch 问题。
  • 关键技术: double machine learning, Mundlak decomposition, panel data causal inference, CLIP embeddings, estimand mismatch diagnosis
  • 为什么对您有用: 直接连接您的 primary interest 中的 causal inference（面板数据下的 treatment effect 分解）和 efficiency theory（DML 的 orthogonal score 性质）。技术武器库中的 very_familiar 项（estimation theory in causal inference）可直接用于理解其 DML 实现，moderately_familiar 的 identification theory 可用于评估其 Mundlak 分解的识别假设。中期可做：将本文的 within-between 分解思路推广至您熟悉的 higher-order U-statistics 框架下，处理更复杂的 treatment 结构（如多阶段动态 treatment）。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 2608.28446 — Generalized Splines and Gaussian Processes

  • 作者: Michael Unser
  • 相关性 6/10 · novelty: survey
  • 摘要: 本文在无限维线性逆问题中建立了广义样条与广义高斯过程之间的等价关系。设定中，变量为高斯过程，定义在核空间 S 上，通过白化/正则化算子 L: S → S' 连接，其连续延拓诱导出一个原生希尔伯特空间 H ⊂ S'。核心机制是：最小均方误差估计器等价于正则化最小二乘数据拟合，其中广义样条充当线性回归量，广义高斯过程充当高斯随机向量的无限维对应。关键技术工具包括核空间上的分布理论、再生核希尔伯特空间（RKHS）以及算子延拓。理论结果覆盖了 Kailath 等人的创新方法和 RKHS 方法，以及分数样条与分数布朗运动（分形）之间的数学对应。本文是自包含的综述性理论工作，对您可能有用：它统一了非参数统计中样条与高斯过程的经典联系，为您的非参数与半参数理论兴趣提供了坚实的数学框架，尤其适合作为理解无限维逆问题贝叶斯方法的入门读物。
  • 关键技术: generalized splines, Gaussian processes on nuclear spaces, whitening/regularization operator, native Hilbert space, reproducing kernel Hilbert space (RKHS), infinite-dimensional inverse problems
  • 为什么对您有用: 本文直接连接您的非参数与半参数理论兴趣，特别是无限维逆问题中样条与高斯过程的等价性，这是您武器库中非参数统计和逆问题工具的理论基石。作为一篇综述性理论文章，它适合作为 gateway reading，帮助您系统理解 RKHS 与算子框架，但核心机器（分布理论、算子延拓）不在您当前的 very_familiar 或 moderately_familiar 列表中，属于暂不可做——需要先熟悉泛函分析中的核空间和算子理论才能深入跟进。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)

1. 2608.28221 — Exact two-sided p-values in natural exponential families: coincidence, non-uniqueness, and sample-size stability

  • 作者: Shaul K. Bar-Lev, Linard Hoessly
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究连续单参数自然指数族（NEF）中精确双边 p 值的非唯一性问题。对于单边检验，尾部 p 值与 UMP、UMPU 和似然比（LR）检验的 p 值一致；但对于双边简单零假设，等尾、密度排序、UMPU 和 LR 四种构造方式可能不同。在固定零参数下，UMPU 与等尾 p 值相等当且仅当零分布关于其均值对称；在正则双支密度水平条件下，UMPU 与密度排序、等尾与密度排序的相等性也有相同的对称性刻画。要求这些相等性在整个 NEF 中成立则唯一刻画了高斯族。结合 Bar-Lev, Bshouty 和 Letac 的定理（UMPU 与 LR p 值在整个连续 NEF 中相等仅对正态、伽马和逆高斯族成立），本文还研究了未被覆盖的两种 LR 配对。若等尾与 LR p 值在整个满足正则假设的 NEF 中相等，则均值域上 (V^{2/3})'''=0，且迫使一个显式的密度-均值恒等式成立。对于 i.i.d. 样本，若等尾-LR 相等性沿无界样本序列持续，则迫使高斯性。最后，逆高斯和双曲正割例子量化了 p 值差异、拒绝决策分歧和功效差异。该工作与您的假设检验兴趣直接相关，提供了精确 p 值非唯一性的理论刻画，可应用于您熟悉的非参数统计和高维渐近框架中理解检验的稳定性。
  • 关键技术: natural exponential family, UMPU test, likelihood-ratio test, equal-tail p-value, density-ordered p-value, Edgeworth expansion
  • 为什么对您有用: 该论文直接连接您的数学统计与假设检验兴趣，系统刻画了精确双边 p 值在 NEF 中的非唯一性及其与分布对称性的关系。您非常熟悉的非参数统计工具（如 Edgeworth 展开）可用于理解其渐近行为，而高维渐近框架可扩展至多参数情形。中期可做：需先在 moderately_familiar 的 M-估计理论上长肌肉以处理更一般的检验统计量。

2. 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: 本文从假设检验的视角重新审视共形预测（conformal prediction）的理论基础。传统观点将共形预测视为对单个新观测值 Y_{n+1}=y 的置换检验 p 值的反演，而本文提出将其视为对 n+1 个样本联合分布可交换性（exchangeability）原假设的置换检验的反演。这一视角转换更贴近经典假设检验的形式化框架（Neyman, Lehmann, Scheffé, Kraft, Le Cam 等），并带来三个主要理论贡献：第一，利用共形集与检验的对偶性，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；第二，基于 Neyman-Pearson 引理推导出共形预测的最优性结果：对于任意联合分布 (X,Y) 和任意样本量，在可交换性分布下具有有效覆盖的所有方法中，最优预测集由以逆条件密度 Y|X 为得分的共形预测器给出。本文是理论性工作，不涉及新算法或实证。对您而言，该文将共形预测（一种流行的无分布预测方法）与经典假设检验理论（您 primary interest 中的 hypothesis testing）建立了严格联系，其最优性结果可能启发您在高维或半参数设定下设计更高效的预测集。
  • 关键技术: conformal prediction, permutation test, Neyman-Pearson lemma, exchangeability, duality between prediction sets and hypothesis tests
  • 为什么对您有用: 直接连接您的 primary interest 中的 hypothesis testing 方向——本文用经典 Neyman-Pearson 理论重新推导了共形预测的普适性和最优性，展示了假设检验框架如何统一理解无分布预测。从您的 technical_arsenal 看，您对 nonparametric statistics 和 minimax bounds 非常熟悉，可以立即用这些工具去检验本文最优性结果在高维或半参数设定下是否仍然成立（例如，当条件密度估计有误差时，最优性是否退化）。这是立即可做的 follow-up。

3. 2608.28110 — SCAN: Sequentially Detecting Change-points via Adaptive Nonparametric Inference

  • 作者: Ashoka Prabashwara, Patricia Menéndez, Liam Hodgkinson, Stuart Lee
  • 相关性 6/10 · novelty: new_method
  • 摘要: 针对长序列、序列依赖且非平稳的单变量时间序列，提出一种离线多分布变点检测方法 SCAN。该方法利用积分概率度量（IPM）比较相邻窗口分布，通过依赖感知的 bootstrap 校准局部差异，并采用缩放 1-Wasserstein 准则精炼候选变点位置，从而在统一框架下检测均值、方差及更广分布结构的变化。集成多个窗口大小降低了对窗口尺寸和阈值的敏感性。在指数 α-混合依赖假设下，证明了估计变点数量和位置的一致性，并显示纯均值偏移时定位统计量退化为 CUSUM 型统计量。模拟实验（样本量达百万级）表明，SCAN 在均值及联合均值-方差偏移场景下，尤其在序列依赖时，覆盖率和 F1 分数普遍优于对比方法。对您而言，该工作将非参数变点检测与依赖感知的 bootstrap 推断结合，其一致性证明和计算可扩展性对高维时间序列的假设检验方向有参考价值。
  • 关键技术: integral probability metric, dependence-aware bootstrap, scaled 1-Wasserstein criterion, exponential alpha-mixing, CUSUM-type statistic
  • 为什么对您有用: 该论文直接关联您的假设检验兴趣，特别是非参数变点检测在序列依赖数据中的一致性理论。您武器库中的非参数统计和 minimax 界工具可用于分析其 IPM 度量的最优性，而依赖感知 bootstrap 的校准策略可迁移至您关注的因果推断中纵向数据的敏感性分析。中期可做：需先在 moderately_familiar 的 M-估计理论上长肌肉，以处理混合依赖下的经验过程收敛性。

4. 2608.27209 — Connecting Riemannian Geometry and Statistical Inference for Correlation Matrices

  • 作者: Argyn Kuketayev
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本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蕴 Riemann 几何结构，但其测地距离无闭式解，且此前缺乏解析的渐近零分布。作者发现 Jennrich 统计量背后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，等价于商掉对角尺度变换。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，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 时退化为两样本 Fisher z 检验。该结果将几何方法与经典假设检验理论统一，为相关矩阵的假设检验提供了新的几何解释。对您而言，本文连接了高维统计中的相关矩阵检验与微分几何工具，属于 hypothesis_testing 方向的一个有趣理论联系，但方法学 novelty 有限。
  • 关键技术: quotient-affine metric, Jennrich's test, Fisher information metric, Riemannian geometry of correlation matrices, asymptotic chi-squared distribution
  • 为什么对您有用: 本文直接关联您 primary interest 中的 hypothesis_testing 方向，具体是相关矩阵的检验问题。您的 technical_arsenal 中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可用于分析该检验在非高斯或高维设定下的最优性。但核心结果仅针对高斯样本且 p 固定，暂不可做直接拓展——需要先熟悉 Riemannian 几何的测地距离计算工具（不在当前武器库中）。作为 gateway reading，本文清晰展示了几何与统计推断的桥梁，值得一读。

5. 2608.26703 — Uncertainty quantification for expectation-calibrated predictions

  • 作者: Georgios Gavrilopoulos, Johanna Ziegel
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对条件均值的点预测，提出了一种校准置信区间（calibrated confidence intervals）方法，以提供不确定性量化。现有文献主要关注分类和概率预测的校准，而本文在交换性假设下，利用 conformal prediction 实现了模型无关、有限样本下的分布自由保证。方法依赖于一个通用的分箱方案（binning scheme），作者给出了两种具体实现：数据无关的划分和基于 isotonic regression 的自适应分箱。在结构假设下，基于 isotonic regression 的校准置信区间具有强渐近一致性，且宽度渐近趋于零。模拟和高度不平衡的保险数据集上的实证结果验证了方法的有效性。该工作将 conformal prediction 与校准预测结合，为预测不确定性量化提供了新工具，对您在高维统计和假设检验方向的方法论积累有直接参考价值。
  • 关键技术: conformal prediction, isotonic regression, distribution-free guarantee, calibrated confidence intervals, exchangeability
  • 为什么对您有用: 本文连接了您的 hypothesis testing 和 nonparametric statistics 兴趣：conformal prediction 是分布自由推断的核心工具，而 isotonic regression 的分箱方案与您熟悉的非参数方法（如 sieve M-estimation）有技术交集。武器库中的 minimax bounds 和 high-dimensional asymptotics 可用于分析该方法的有限样本最优性（例如，分箱数对区间宽度的影响是否达到 minimax 下界），属于中期可做——需先在 moderately_familiar 的 M-estimation theory 上巩固对 isotonic regression 渐近性质的理解。

统计计算 / 算法 (stat_computing, 6 篇)

1. 2608.27191 — Personalized Federated Learning for Tensor Regression

  • 作者: Kejun Chen, Xianqi Wei, Qianqian Zhu
  • 相关性 6/10 · novelty: new_method
  • 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、高维和客户端异质性三大挑战。每个客户端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估计。作者建立了有限样本上界和极小化下界，量化了隐私-准确度权衡，并证明了初始化与秩选择步骤的一致性。模拟实验表明，在客户端数据稀缺时，联邦方法显著优于纯本地方法；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，其核心贡献在于为高维张量数据提供了一种可操作的分布式计算框架，并给出了理论保证，这与您对统计计算（分布式/隐私算法）的兴趣直接相关。
  • 关键技术: federated learning, tensor regression, Tucker decomposition, differential privacy, minimax lower bound, finite-sample bound
  • 为什么对您有用: 本文直接连接您的 primary interest 中的“统计计算（数值方法、算法）”，具体是分布式/隐私保护下的张量回归。您的武器库中“高维渐近理论”和“软件工程”可直接用于验证其有限样本界的紧性，或复现其算法。中期可做：若想将本文的联邦框架推广到更一般的张量分解模型（如CP分解），需先在“高阶U统计量”的树宽/张量收缩计算上积累经验，因为分解的复杂度分析可能涉及类似工具。

2. 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: 该论文提出一种单次通信的联邦推断算法，用于多机构联合分析，尤其适用于罕见病等小样本场景。现有方法基于二阶泰勒展开近似局部对数似然，本文将其推广至三阶展开，以更好地捕捉小样本下对数似然的偏度等高阶特征。算法仅需一次汇总统计量交换，无需迭代通信，兼顾隐私保护与计算效率。模拟实验基于真实数据，对比了二阶与三阶近似的表现，结果显示三阶近似在局部样本量较小时显著提升推断精度。该工作属于统计计算与分布式推断的交叉，对您而言，其核心机制——用高阶展开改进似然近似——与您熟悉的高阶U统计量及张量收缩计算有潜在联系：三阶项的计算可视为特定张量网络的收缩，其复杂度可用树宽分析刻画。
  • 关键技术: federated inference, single-communication algorithm, third-order Taylor expansion, summary statistics exchange, small-sample likelihood approximation
  • 为什么对您有用: 本文属于统计计算方向，直接对应您的primary interest中的'statistical computing (numerical methods, algorithm)'。其核心创新——用三阶泰勒展开改进联邦推断——与您非常熟悉的'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'有技术共鸣：三阶项的计算本质上是三阶张量的收缩，其复杂度可用树宽分析刻画，这是一个立即可做的follow-up问题（用einsum库实现高效计算）。此外，该工作面向生物医学和流行病学应用，也连接您的secondary interest epidemiology。综合判断：立即可做。

3. 2608.28079 — Parameter estimation in Conditional Sequential Monte Carlo algorithms through Particle Learning

  • 作者: Alfonso Diz-Lois Palomares, Geir Storvik
  • 相关性 4/10 · novelty: minor
  • 摘要: 本文在条件序贯蒙特卡洛（CSMC）框架下，提出 p-CSMC 算法，用于联合估计静态参数和潜在状态。核心创新是将参数学习与祖先采样（ancestor sampling）结合，以改善强内部相关性下的混合性能。与标准粒子 Gibbs 相比，p-CSMC 在合成数据和真实数据（挪威 Alpha 变异株每日住院数据）上均展现出更快的混合速度和显著降低的自相关。方法上，该算法属于粒子学习（particle learning）策略的扩展，适用于状态空间模型中的在线参数推断。对您而言，本文是统计计算中 MCMC 加速的一个具体案例，可作为 gateway reading 了解粒子滤波与参数学习的结合方式，但方法学新颖性有限，属于 incremental 改进。
  • 关键技术: Conditional Sequential Monte Carlo, Particle Gibbs, Ancestor Sampling, Particle Learning, State Space Model
  • 为什么对您有用: 本文属于统计计算方向，与您的 primary interest 'statistical computing (numerical methods, algorithm)' 直接相关，可作为 gateway reading 了解粒子滤波在参数学习中的最新进展。您的武器库中 'software development' 和 'nonparametric statistics' 可帮助理解算法实现细节，但核心 MCMC 理论（如混合性分析）并非您非常熟悉的领域，属于 '暂不可做'——缺少粒子滤波收敛性分析的专业工具。本文适合作为入门读物扩展视野，但不值得深入跟进。

4. 2608.27884 — Exploiting Exact Conditionals Improves Conditioning: Provably Fast Mixing Time Bounds By Sampling from the Marginal

  • 作者: Abhijit Chowdhary, Federica Milinanni, Julianne Chung, Elizabeth Newman
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种名为 MarCo 的 MCMC 算法，针对目标分布可分解为低维边际分布与可精确采样的条件分布这一结构。算法先对边际分布进行 Metropolis-Hastings 采样，再精确采样条件分布，从而在联合空间上构造马尔可夫链。理论贡献包括：证明 MarCo 的混合时间上界优于直接对联合分布采样的方法；利用 Peskun-Tierney 序证明其右谱间隙更大、渐近方差更小，收敛性更优。数值实验涵盖半盲图像去模糊等例子。该工作对您作为统计计算方向的研究者很有价值，特别是其利用分布分解结构加速 MCMC 的思路，与您熟悉的非参数统计和逆问题中的计算策略有潜在联系。
  • 关键技术: Markov chain Monte Carlo, Metropolis-Hastings, Peskun-Tierney ordering, spectral gap, mixing time, marginal-conditional decomposition
  • 为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的 statistical computing。其核心思想——利用边际-条件分解加速 MCMC——与您非常熟悉的逆问题（inverse problems with random noise）中的计算挑战高度相关。您可以用非参数统计中的 minimax 视角来评估其混合时间上界是否紧，或将其分解策略迁移到您熟悉的因果推断中的后验采样问题。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理更一般的非共轭条件分布情形。

5. 2608.28087 — A Design Concept of Forecasting Software for Normalized Vector Autoregressions with Fat Tails and Stochastic Volatility

  • 作者: Fei Shang, Xiaolei Wang, Tomasz Woźniak
  • 相关性 4/10 · novelty: application
  • 摘要: 本文介绍了一套用于宏观经济预测的R包套件，其核心设计理念是处理具有厚尾和随机波动率的归一化向量自回归模型。该套件集成了贝叶斯、结构、多变量、动态、分层、非线性和非高斯等多种先进模型，旨在支持结构分析和预测分析。为了应对模型复杂性带来的计算挑战，软件设计采用了精心挑选的模型组合、用C++实现的高效算法、先进的经济计量和数值方法，以及对复杂输入输出对象的稳健处理和标准化工作流程。通过一个具体示例，文章展示了非中心化随机波动率的向量自回归模型在密度和点预测上优于中心化随机波动率模型，证明了该套件能够促进原创性的预测研究。对您而言，本文提供了一个将统计计算与因果推断中常用的纵向数据模型（如VAR）相结合的实用软件设计案例，其C++与R的混合编程策略对您开发自己的统计软件具有直接参考价值。
  • 关键技术: Bayesian VAR, stochastic volatility, C++ implementation, R package development, macroeconomic forecasting
  • 为什么对您有用: 本文直接关联到您的统计计算（statistical computing）兴趣，特别是数值方法和算法实现。您武器库中的'software development'技能可以直接用于评估或借鉴其C++与R的混合编程架构。这是一篇中期可读的gateway文章：您需要先在'moderately_familiar'的M-estimation theory上巩固，以理解其贝叶斯推断的收敛性，但软件设计模式本身立即可用。

6. 2608.28514 — Fast and efficient nested sampling with BEST

  • 作者: Andreas Nygaard
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种新的嵌套采样实现BEST，完全基于TensorFlow编写，支持CPU和GPU上的XLA编译优化。核心创新在于通过聚类和切片采样同时更新多个活点，打破传统嵌套采样的严格顺序结构，从而利用向量化似然和仿真器加速计算。为纠正批处理引入的偏差，作者引入排序和基于历史的校正方法。在Gaussian、Rosenbrock和多峰似然上的测试表明，当批大小m/N_live≤0.1时，证据估计精度保持良好。在27维宇宙学似然仿真器上的应用显示，批处理活点更新可显著减少墙钟时间，且结果与顺序采样在不确定度内一致。该方法特别适合快速向量化似然和仿真器驱动的贝叶斯推断场景。
  • 关键技术: nested sampling, XLA compilation, batched live-point updates, slice sampling, clustering, history-based bias correction
  • 为什么对您有用: 本文属于统计计算方向，直接连接您的primary interest中的统计计算（数值方法、算法）。您对软件开发和计算效率有深入经验，BEST的TensorFlow实现和XLA编译优化是您熟悉的武器库（software development）可直接评估的技术。该工作展示了批处理策略在嵌套采样中的可行性，对您可能关注的贝叶斯计算加速有参考价值，属于中期可做的方向——需先在GPU编程和XLA编译上积累经验。

天体统计 (astrostats, 2 篇)

1. 2608.27786 — JUG: JAX-based Unified pulsar timinG

  • 作者: Matthew T. Miles, Stephen R. Taylor, Matthew Bailes, Aurelien Chalumeau, H. Thankful Cromartie, Kyle A. Gersbach et al.
  • 相关性 5/10 · novelty: application
  • 摘要: 本文介绍 JUG，一个基于 JAX 的脉冲星计时软件包，完全独立实现从数据处理、时钟校正到计时模型拟合的完整流程，不依赖其他计时软件。JUG 支持 Pythonic 编程但编译后速度接近原生代码，具备 GPU 加速能力，可通过 Python API 或交互式 GUI 操作。用户可交互式探索数据、拟合含复杂随机噪声的计时模型、建模连续引力波等确定性信号，并获取随机过程参数的准确点估计，从而桥接频率计时与贝叶斯噪声分析。性能上，JUG 比 PINT 快 50 倍以上，与 Tempo2 速度相当，可处理数百万个到达时间，与 PINT 在皮秒级别一致，并能可靠恢复已知计时模型和噪声参数。本文详细描述了其设计、性能验证和优势，展示了在脉冲星计时数据分析中的实用性。作为 astrostatistics 方向的入门读物，本文清晰阐述了脉冲星计时阵列数据规模增长带来的计算挑战，以及 JUG 如何通过 JAX 编译和 GPU 加速应对，对统计计算感兴趣的研究者具有参考价值。
  • 关键技术: JAX-based automatic differentiation, GPU-accelerated pulsar timing, stochastic noise modeling, continuous gravitational wave detection, frequentist timing and Bayesian noise analysis
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading，适合作为统计学家了解脉冲星计时数据分析的入门材料。它清晰展示了数据规模（百万级到达时间）、噪声结构（复杂随机过程）和计算需求（GPU 加速），这些是统计方法可介入的真实问题。武器库中的 'software development' 和 'high-dimensional asymptotics' 可用于理解其计算架构和噪声模型，但核心脉冲星物理模型（如计时残差、色散量）不在当前武器库中，属于暂不可做方向，不过作为跨学科广度阅读值得花时间读全文。

2. 2608.27192 — Optimal transport regularized dynamic radio interferometric reconstruction

  • 作者: Andy Nilipour, Kotaro Moriyama, Shiro Ikeda, Kazunori Akiyama, Mareki Honma
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种新的动态射电干涉成像重建方法，在正则化最大似然（RML）框架中引入最优传输（OT）距离作为正则项。与常用的正则化项相比，OT距离能更自然地捕捉物理运动信息并促进动态一致性，特别适合分钟级时标的动态天体物理成像。作者在模拟的甚长基线干涉（VLBI）观测数据上进行了测试，对象是银河系中心超大质量黑洞SgrA*，使用了几何模型和广义相对论磁流体动力学模型。结果表明，加入OT正则项显著改善了动态重建质量，在轨道运动恢复和动态交叉相关指标上均优于无OT正则的基线方法。文章还讨论了OT理论在其他领域的持续发展、EHT网络的扩展计划以及对其他VLBI网络的广泛适用性。对您而言，这是一篇很好的天文学入门读物，清晰展示了射电干涉成像中的数据模型（稀疏傅里叶测量、噪声结构）和正则化方法，适合作为了解该领域统计问题的起点。
  • 关键技术: optimal transport distance, regularized maximum likelihood (RML), very long baseline interferometry (VLBI), dynamic imaging, Event Horizon Telescope (EHT)
  • 为什么对您有用: 本文属于astrostats的gateway reading。它清晰阐述了射电干涉成像的数据结构（稀疏u-v覆盖、噪声模型）和正则化框架，对统计学家友好。武器库中的非参数统计和逆问题经验足以理解核心方法，但OT距离的具体计算和理论（如Wasserstein距离的熵正则化）属于moderately_familiar之外，暂不可做。不过作为入门读物，值得花时间读全文以了解该领域的数据挑战。

经济理论 / 应用 (econ_theory, 1 篇)

1. 2608.28115 — Causal Non-causal State Space Models and the Modelling of Financial Bubbles

  • 作者: Frederik Bjerg Krabbe
  • 相关性 7/10 · novelty: application
  • 摘要: 本文研究因果-非因果状态空间模型（causal non-causal state space models），用于刻画金融泡沫中局部指数增长后急剧下跌的时间序列（如股票价格）。作者首先证明Gourieroux和Zakoian (2017)提出的因果-非因果卷积自回归模型与理性预期股价模型一致，为模型提供了经济学理论基础。在推断方面，讨论了因果-非因果状态空间模型的状态和参数推断方法，并给出了卷积自回归模型的新理论结果。实证部分以稳定非因果自回归模型为基准，用因果-非因果卷积自回归模型实时和后验估计了互联网泡沫的规模。该文属于经济理论的应用方向，方法学新颖性有限（主要是现有模型的扩展与应用），但对理解金融时间序列的泡沫建模有参考价值。
  • 关键技术: causal non-causal state space models, convolution autoregressive model, rational expectations model, state and parameter inference
  • 为什么对您有用: 本文属于经济理论（金融时间序列建模）的应用工作，与您的secondary interest 'economic theory (application, data sets, causal inference)'直接相关。作为入门读物，它清晰展示了非因果模型在泡沫检测中的设定和推断流程，但武器库中的'identification theory in causal inference'和'high-dimensional asymptotics'在此处直接可用的空间不大——核心机器是时间序列的状态空间推断，而非您熟悉的因果推断或高维工具。因此，本文适合作为经济金融应用方向的背景阅读，暂不可做直接的方法学跟进。

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 4/10 · novelty: application
  • 摘要: 该文针对临床试验经济评估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）刻画纵向依赖性，同时通过灵活的分布假设和显式的跨条目关系建模，处理偏态成本、计数数据以及异质性缺失模式。方法在真实试验数据上展示了灵活性和实用性，并讨论了扩展到非随机缺失（MNAR）情形的可能。对您而言，本文是流行病学/卫生经济领域处理复杂纵向缺失数据的应用范例，其贝叶斯建模思路和缺失机制讨论可为因果推断中的敏感性分析提供参考。
  • 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/卫生经济领域的应用工作，直接对应您的 secondary interest 中的 epidemiology。文中处理的纵向数据缺失问题与您 causal inference 中的 longitudinal 设定有交集，其贝叶斯建模和 MNAR 扩展可作为敏感性分析的入门参考。武器库中 very_familiar 的 estimation theory in causal inference 可帮助理解其缺失机制假设，但本文是纯应用方法，无新理论贡献，属于 gateway reading 范畴，值得花时间读全文以了解该领域的数据结构和建模实践。

其他 (other, 5 篇)

1. 2608.26536 — Posterior Consistency for Recovering Initial States in Nonlinear Subdiffusion Equations

  • 作者: Haoyu Lu, Shaokang Zu, Junxiong Jia
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 研究问题：在非线性时间分数阶次扩散方程中，从带噪声的随机时空点观测数据贝叶斯恢复初始状态。设定为半线性次扩散方程，非线性项满足 H^κ-范数 Lipschitz 条件。方法核心：对未知初始条件赋予基于 Whittle–Matérn 过程的重新缩放高斯先验，证明解具有 H^{2+κ} 正则性。后验收缩率：在 L^2 范数预测误差和 Sobolev 范数参数估计上建立多项式收缩率，指数依赖于先验光滑性和空间维数。理论下界：通过构造小波打包集并控制 KL 散度证明极小极大下界。该文属于偏微分方程反问题的贝叶斯非参数理论，与您的主要兴趣（非参数统计、极小极大界）有方法学交叉，但问题设定（分数阶次扩散方程）偏离您的核心方向。
  • 关键技术: Bayesian inverse problems, posterior contraction rates, Whittle–Matérn prior, wavelet-packing set, minimax lower bound, semilinear subdiffusion equation
  • 为什么对您有用: 本文属于偏微分方程反问题的贝叶斯非参数理论，与您的主要兴趣（非参数统计、极小极大界）有方法学交叉，但问题设定（分数阶次扩散方程）偏离您的核心方向。武器库中'非参数统计'和'极小极大界'的 very_familiar 工具可直接用于理解其收缩率证明框架，但该文不涉及因果推断、高维统计或 U-统计量，属于边缘相关。暂不可做：核心机器（分数阶 PDE 理论、贝叶斯反问题先验构造）不在武器库中，需额外学习。

2. 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 5/10 · novelty: application
  • 摘要: 针对环境监测中空间相关函数型数据（如污染物浓度曲线）的预测与不确定性量化问题，提出一种基于小波的贝叶斯层次模型。模型在各分辨率层共享单一 Matérn 相关矩阵，避免系数特定空间过程带来的参数膨胀；通过空间信息正则化的 horseshoe 先验实现自适应稀疏性，并利用非中心参数化确保 No-U-Turn Sampler 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重建稳定性。应用于墨西哥城 PM₁₀ 数据，模型相比函数型数据普通克里金和层次贝叶斯小波替代方案，不仅改进了点预测，还在未观测位置提供了更窄且校准更好的可信区间。该方法主要贡献在于将小波域稀疏性与空间相关性结合，但核心工具（贝叶斯层次模型、小波、horseshoe 先验）均为成熟技术，理论创新有限。
  • 关键技术: Bayesian hierarchical model, wavelet basis, regularized horseshoe prior, Matérn correlation, non-centered parameterization, No-U-Turn Sampler
  • 为什么对您有用: 本文属于函数型数据分析的应用，与 primary interests 无直接交集。作为 gateway reading 价值一般：环境监测的统计问题（空间预测、不确定性量化）对统计学家有一定吸引力，但方法学 novelty 不高，且武器库中缺乏贝叶斯层次模型与 MCMC 的深度经验，难以直接迁移。暂不可做——核心机器（贝叶斯层次模型、NUTS 调参）不在武器库中。

3. 2608.27534 — Bivariate geostatistical latent variable models for the analysis of antibody density data

  • 作者: Emanuele Giorgi, Jonas Wallin
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对多抗原血清学调查中抗体密度数据的联合建模问题，提出了一种双变量地质统计潜变量模型。模型通过个体水平的潜在血清反应过程来刻画连续抗体浓度，并利用双变量Matérn随机场引入空间依赖性，构建了抗原特异性空间过程间的简约交叉协方差函数。核心贡献在于系统阐述了联合建模结构的指导原则，能够区分由共同环境暴露和宿主内生物学过程引起的不同来源的相关性。通过肯尼亚高地疟疾血清学调查的双变量抗体数据应用和模拟研究，发现忽略这种相关性会严重损害对抗体分布联合特征和个体血清反应性的推断，但对各抗体边际分布的影响较小。本文还讨论了向多抗原（>2）扩展的框架及随之而来的建模挑战。对您而言，这是一篇应用导向的统计建模论文，其空间潜变量框架和交叉协方差函数设计在流行病学血清学数据中具有参考价值，但方法学新颖性有限，属于领域内增量贡献。
  • 关键技术: bivariate Matérn random field, latent variable model, cross-covariance function, geostatistical modeling, seroreactivity process
  • 为什么对您有用: 本文属于流行病学应用（血清学数据），是您的secondary interest。作为gateway reading，它清晰展示了空间统计与潜变量模型在真实流行病学数据中的结合，但方法学深度一般，武器库中的非参数统计和M估计理论足以理解其框架。暂不可做：核心机器（空间统计的协方差函数设计）不在武器库里，且问题本身不直接对应您的主要兴趣方向。

4. 2608.26805 — Expected Shortfall Model Averaging

  • 作者: Jianming Wu, Xinyu Zhang, Jie Zeng
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对金融和经济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，直接预测十分困难。在第一阶段，通过分位数模型平均估计条件在险价值（VaR）；在第二阶段，构造一个变换后的响应变量，并基于均方误差的模型平均来估计ES。作者在模型正确设定和错误设定两种情形下建立了理论性质，证明了估计量的相合性和预测风险的渐近最优性。模拟研究和美国股票收益率及宏观经济GDP增长数据的实证应用表明，该方法能提供准确且稳定的ES预测，且计算效率高。该方法属于预测模型平均领域，与您的主要兴趣（因果推断、高维统计等）无直接关联，但模型平均的渐近最优性理论对您理解交叉验证和模型选择有一定参考价值。
  • 关键技术: model averaging, cross-validation, expected shortfall, quantile regression, asymptotic optimality
  • 为什么对您有用: 本文属于金融时间序列预测中的模型平均方法，与您的主要兴趣方向（因果推断、高维统计、半参理论）没有直接交集。它不涉及因果识别、高维稀疏性或半参效率理论。作为一篇方法学论文，其核心是预测而非因果推断，因此对您而言属于边缘相关。不过，如果您未来涉足金融计量或风险管理的应用方向，本文的两阶段模型平均框架可作为入门参考。目前来看，不值得投入时间精读。

5. 2608.26527 — Frequentist prediction intervals for random-effects meta-analysis via confidence-distribution propagation

  • 作者: Hisashi Noma, Guido Schwarzer
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对随机效应元分析中的预测区间问题，提出了一种基于置信分布传播的新方法。传统频率学派预测区间因未充分传播异质性方差的不确定性，在小样本下覆盖概率不足。作者通过逆推Cochran's Q的精确分布得到异质性方差的置信分布，然后从中抽样，再条件于每个抽样值从平均效应的正态置信分布中抽样，最后生成未来真实效应值，取经验分位数作为预测限。该方法在多种模拟场景下相比现有频率学派区间（包括Nagashima-Noma-Furukawa置信分布bootstrap）改善了或维持了覆盖概率，且预期宽度增加有限。同一Monte Carlo样本还可同时给出平均效应和异质性指标的置信区间。方法已实现于R包cdmeta。本文是应用统计方法论文，对您而言属于流行病学/元分析领域的入门级阅读，方法学新颖性有限（主要是现有置信分布思想的巧妙应用）。
  • 关键技术: confidence distribution, Cochran's Q, random-effects meta-analysis, prediction interval, Monte Carlo propagation
  • 为什么对您有用: 本文属于流行病学/元分析方法，是您的secondary interest之一。作为入门级阅读，它清晰展示了元分析中异质性方差不确定性的传播问题，数据结构和模型假设（随机效应层次模型）阐述明确，适合统计学家快速理解该领域核心关切。不过，方法学核心（置信分布传播）并非您武器库中的强项，且与您primary interests（因果推断、高维统计等）无直接技术交叉，属于暂不可做的方向——您需要先熟悉元分析文献和置信分布框架才能跟进。建议仅作泛读了解。

🗂 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. 2608.28419 — Refining Relational Event Models: Bayesian Penalization and Variable Selection in REMs

  • 作者: Jonathan Koop, Sara van Erp, Mahdi Shafiee Kamalabad
  • 相关性 3/10
  • 评分理由: Focused on Bayesian regularization for social network models, unrelated to primary or secondary interests.

2. 2608.27770 — Accelerating Bayesian Variable Selection using Piecewise Deterministic Markov Processes

  • 作者: Don van den Bergh, Maarten Marsman
  • 相关性 3/10
  • 评分理由: Bayesian variable selection with PDMP samplers is outside the researcher's primary interests and arsenal.

3. 2608.26553 — Tight differencing in spectral density estimation with centrosymmetric kernels

  • 作者: Yaxuan Wang, Kin Wai Chan
  • 相关性 3/10
  • 评分理由: 谱密度估计中的差分方法，与主要兴趣（因果推断、高维统计等）无关联，属于时间序列方法。

4. 2608.27636 — Algebraic implicitization techniques in the graphical models program

  • 作者: Liam Solus
  • 相关性 3/10
  • 评分理由: 代数隐式化方法用于图模型，主题与您的因果推断/图模型兴趣有微弱关联，但方法（代数几何）完全不在您的武器库中。

5. 2608.28477 — pyEDITH: the coronagraphic exposure time calculator for the Habitable Worlds Observatory

  • 作者: Eleonora Alei, Miles H. Currie, Corey Spohn, Christopher C. Stark, Aki Roberge, Avi M. Mandell et al.
  • 相关性 3/10
  • 评分理由: 天文仪器曝光时间计算软件，纯应用工具，与研究者兴趣（包括天文统计）无数据/模型层面的方法论关联。

6. 2608.28159 — The Canadian Galactic Emission Mapper: A New 8-10 GHz Telescope to Map the Polarization of the Northern Sky

  • 作者: Joshua MacEachern, Mandana Amiri, Charles L. Bennett, Guinevere Berg, Mark Halpern, Gary Hinshaw et al.
  • 相关性 3/10
  • 评分理由: 银河系辐射测绘望远镜设计，涉及偏振泄漏最小化但无统计方法或数据建模。

7. 2608.27775 — PolPy: A universal tool for X-ray/gamma-ray polarimetry using common data format standards

  • 作者: Sujay Mate, Hancheng Li, Utkarsh Pathak, Yashowardhan Rai, Nicolas De Angelis, Varun Bhalerao et al.
  • 相关性 3/10
  • 评分理由: 纯天文学软件工具，无统计方法创新，与研究者兴趣无直接关联。

8. 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 3/10
  • 评分理由: 深度学习用于天文图像背景估计，纯应用且无统计理论贡献，与研究者兴趣无关。

9. 2608.27606 — Robust model-based clustering via mixtures of multivariate pseudo-Voigt distributions

  • 作者: Babak F. Dehkordi, Jeffrey L. Andrews, Andrew Jirasek
  • 相关性 2/10
  • 评分理由: Robust clustering with pseudo-Voigt mixtures is unrelated to the researcher's primary or secondary interests.

10. 2608.28558 — A ridgeline correspondence criterion: the number of modes of a Gaussian mixture is finite

  • 作者: Carlos Améndola, Jose Israel Rodriguez
  • 相关性 2/10
  • 评分理由: 纯代数几何/实代数方法研究高斯混合模态个数，与您的主要兴趣（因果推断、高维统计、U统计量）无关。

11. 2608.28322 — JWST telemetry combined with active coronagraphy: raw contrast predictions for exoplanet imaging with the Habitable Worlds Observatory

  • 作者: Raphaël Pourcelot, Laurent A. Pueyo, Emiel H. Por, Marshall D. Perrin, Iva Laginja, Bryony Nickson 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。

12. 2608.28304 — Correction of the influence of rolling shutter detectors on determining the velocity of meteors from video recordings

  • 作者: Lukáš Shrbený, Jiří Borovička, Pavel Spurný, Jan Mánek, Jan Fuchs
  • 相关性 2/10
  • 评分理由: 流星观测中的滚动快门校正，纯仪器校准问题，无统计方法或数据建模内容。

13. 2608.28226 — The PLACID active coronagraphic imager instrument: commissioning status

  • 作者: Ruben Tandon, Lucas Marquis, Liurong Lin, Derya Öztürk Çetni, Axel Potier, Audrey Baur et al.
  • 相关性 2/10
  • 评分理由: 自适应星冕仪器的调试状态报告，纯天文仪器工程，无统计方法。

14. 2608.28225 — Design and implementation of an SLM-driven coherent differential imaging scheme

  • 作者: L. Lin, L. Marquis, R. Tandon, J. Kühn
  • 相关性 2/10
  • 评分理由: 基于SLM的相干差分成像方案，纯光学工程，无统计方法或数据建模。

15. 2608.28098 — Broadband heterodyne interferometry with a chirped femtosecond laser in the H-band

  • 作者: Félix Gudin, Nicolas Forget
  • 相关性 2/10
  • 评分理由: 宽带外差干涉仪架构，纯光学工程，无统计方法或数据建模。

16. 2608.27637 — Toward a realistic test of black-hole movie correlations as a probe of extreme lensing

  • 作者: Barbora Bezděková, Shahar Hadar
  • 相关性 2/10
  • 评分理由: 黑洞成像的物理模拟，无统计推断或方法学内容，与研究者兴趣无关。

17. 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 2/10
  • 评分理由: 天文数据可视化工具，无统计方法学贡献，与研究者兴趣无关。

18. 2608.28287 — Development, Configuration and Performance Characterization of a Scalable BETA ASIC-Based Readout System for Multi-Channel SiPM Detectors

  • 作者: Giulio Lucchetta, Keerthana Rajan Lathika, Benjamin Nobre Hauptmann, Philipp Azzarello, Oscar Blanch, Juan Boix et al.
  • 相关性 1/10
  • 评分理由: SiPM探测器读出系统的硬件设计，与统计或因果推断完全无关。

19. 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 1/10
  • 评分理由: 自适应光学控制系统工程，与统计推断或研究者兴趣完全无关。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论