跳转至

2026-09-08 每日 arXiv 资讯

  • 高相关论文 3 篇 · 中相关 10 篇 · 其他 10 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 1 篇)

1. 2609.04940 — Treatment persistence drives estimator performance in longitudinal causal inference based on observational data: A simulation study

  • 作者: Sergio Gaiotti, Sara Poletto, Enrico Longato, Erica Tavazzi, Martina Vettoretti
  • 机构: University of Padua
  • 分类: stat.ME
  • 相关性 8/10 · novelty: application
  • 摘要: 本文通过模拟研究系统评估了纵向观察性数据中治疗持续性对因果效应估计器性能的影响。研究设定了一个结构因果模型（SCM），模拟了随时间变化的混杂、二元治疗和吸收性二元结局，并考虑了9种功能复杂性和治疗持续性组合。比较了三种基线估计器（IPTW、TMLE）和两种纵向估计器（IPTW、LTMLE）与蒙特卡洛真实风险比（RR）的偏差。核心发现是治疗持续性（treatment persistence）是估计器行为的主要驱动因素：高持续性下基线估计器与持续治疗策略下的真实值偏差很小（平均相对偏差从低持续性的61%降至10%），而低持续性导致纵向估计器方差显著增大（95%区间宽度从0.22增至0.46）。研究强调估计器性能必须结合目标干预和治疗过程数据生成机制来解读。该模拟框架和结论对您从事的纵向因果推断研究具有直接参考价值，特别是当您需要评估不同估计器在真实临床数据中的适用性时。
  • 关键技术: simulation study, structural causal model (SCM), longitudinal IPTW, longitudinal TMLE (LTMLE), treatment persistence, time-varying confounding
  • 为什么对您有用: 本文直接关联您的primary interest中的纵向因果推断（longitudinal causal inference），特别是基线估计器与纵向估计器在时间变化混杂下的表现对比。您武器库中very_familiar的'estimation theory in causal inference'可直接用于理解其模拟设计中的估计器偏差来源，而moderately_familiar的'identification theory in causal inference'可用于评估其SCM设定是否覆盖了您关心的识别条件。中期可做：若想将本文的模拟框架扩展到您更熟悉的proximal causal inference或higher-order U-statistics场景，需先在moderately_familiar的'identification theory in causal inference'上加强，特别是negative control假设与时间变化混杂的交互。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 2609.05360 — Finite-sample nonparametric mean tests: Leave-one-out duality and asymptotic optimality

  • 作者: Yifan Zhu, John C. Duchi
  • 分类: math.ST · stat.ME · stat.TH
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究非负随机变量单侧均值检验 H0: μ ≤ 1 的有限样本有效 p 值构造问题。核心贡献是提出 leave-one-out 对偶证书框架：通过特定逐点不等式保证条件均值原假设下 p 值的有效性，并给出组合多个对偶证书的条件，使得逐点最小值仍为有效 p 值。该框架证明了 Wang 和 Zhao 的非参似然比统计量 T_nplr 的有限样本有效性，并导出一个新 p 值 T_bin+，将 Clopper-Pearson 二项检验推广到一般非负随机变量。进一步证明 min{T_nplr, T_bin+} 是有效且更优的 p 值。在两种检验 regime 下建立了 sharp 最优性：T_nplr 和 T_bin+ 在无矩或尾部假设下达到通用可检测边界；T_bin+ 在 n^{-1/2} 局部备择下达到非参功效下界。数值实验显示相比现有有效方法有显著有限样本功效提升。对您而言，该工作直接关联 hypothesis testing 兴趣，其 leave-one-out 对偶框架和有限样本最优性结果可启发您在高维或 U-statistic 检验问题中构造类似有效 p 值。
  • 关键技术: leave-one-out dual certificate, finite-sample valid p-value, nonparametric likelihood-ratio statistic, Clopper-Pearson binomial test extension, universal detectability boundary, nonparametric power lower bound
  • 为什么对您有用: 直接命中 primary interest 中的 hypothesis testing 子方向。本文的 leave-one-out 对偶证书框架是构造有限样本有效 p 值的新通用技术，您可以用 very_familiar 的 nonparametric statistics 和 minimax bounds 工具来理解其最优性证明，并思考能否推广到 higher-order U-statistics 的检验问题（例如用 treewidth 视角分析组合多个对偶证书的计算成本）。中期可做：若将框架推广到高维或依赖结构，需先在 moderately_familiar 的 M-estimation theory 上长肌肉以处理更复杂的约束条件。

2. 2609.05360 — Finite-sample nonparametric mean tests: Leave-one-out duality and asymptotic optimality

  • 作者: Yifan Zhu, John C. Duchi
  • 分类: math.ST · stat.ME · stat.TH
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究非负随机变量单侧均值检验 H0: μ≤1 的有限样本有效 p 值构造问题。核心贡献是提出 leave-one-out 对偶证书框架，通过逐点不等式保证条件均值原假设下 p 值的有效性，并允许组合多个对偶证书得到更优的 p 值。该框架证明了 Wang 和 Zhao 的非参似然比统计量 T_nplr 的有限样本有效性，并导出一个新 p 值 T_bin+，将 Clopper-Pearson 二项检验推广到一般非负随机变量。进一步证明 T_nplr 和 T_bin+ 的逐点最小值仍为有效 p 值且功效更高。在最优性方面，两个统计量在无矩或尾部假设下达到通用可检测边界，T_bin+ 在 n^{-1/2} 局部备择下达到非参功效下界。数值实验显示相比现有有效方法有显著有限样本功效提升。该工作与您对假设检验和有限样本非参方法的兴趣高度相关，其 leave-one-out 对偶技术可能对您熟悉的 U-统计量检验问题有借鉴意义。
  • 关键技术: leave-one-out dual certificate, nonparametric likelihood-ratio statistic, Clopper-Pearson binomial test, finite-sample valid p-value, universal detectability boundary
  • 为什么对您有用: 直接连接到您对 hypothesis testing 和 nonparametric statistics 的兴趣。该文的 leave-one-out 对偶框架与您非常熟悉的 higher-order U-statistics 计算（treewidth / einsum）有潜在接口：检验统计量常可写为 U-统计量形式，其有限样本有效性证明可能通过类似对偶技术简化。中期可做：需先在 moderately_familiar 的 higher-order U-statistics 理论上长肌肉，将 leave-one-out 对偶推广到高阶核函数情形。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 1 篇)

1. 2609.05372 — Does p-Hacking Mitigate or Exacerbate the Effects of Publication Bias?

  • 作者: Yong Cai, Agathe Pernoud, Boli Xu
  • 分类: econ.EM
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究在选择性发表（仅发表统计显著结果）的背景下，p-hacking（操纵p值以获得显著结果）对发表估计偏倚的影响。作者区分了两种p-hacking：快速型（导致p值大幅变化）和慢速型（导致p值小幅变化）。理论结果表明，快速p-hacking总是加剧选择性发表偏倚；而慢速p-hacking在选择性较弱时加剧偏倚，但在选择性较强时反而缓解偏倚。在同时包含两种p-hacking的模型中，作者证明在正态性假设下可以识别真实效应分布以及无p-hacking时的反事实均值。该模型应用于行为助推和发展援助的元分析，发现缓解和加剧效应在实际中均可能出现。对您而言，本文为因果推断中的发表偏倚和p-hacking提供了新的识别与估计框架，其识别策略与您熟悉的因果推断identification理论直接相关，且元分析应用场景与您的流行病学secondary interest有交集。
  • 关键技术: selective publication, p-hacking, identification under normality, meta-analysis, counterfactual mean
  • 为什么对您有用: 本文直接连接您的primary interest中的因果推断（identification）和hypothesis testing（发表偏倚与p-hacking的交互效应）。您可以用very_familiar的estimation theory in causal inference工具来审视其正态性假设的稳健性，例如用非参数方法放松该假设。中期可做：若想将识别策略推广到更弱的分布假设，需先在moderately_familiar的semiparametric theory上长肌肉。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)

1. 2609.04418 — On tail-robust autocovariance matrix estimation for high-dimensional and potentially nonstationary time series

  • 作者: Haotian Xu, Stephane Guerrier, Runze Li, Yuan Ke
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究高维、重尾、非线性时序依赖且可能非平稳的时间序列的自协方差矩阵估计与推断问题。目标是在矩阵最大范数下达到尖锐的误差界。提出了两种稳健估计方法：逐元素的 Huber M-估计器和计算更高效的逐元素截断估计器。理论证明基于函数型依赖下非平稳过程的新 Bernstein 型不等式变体，这些不等式本身可能具有独立意义。进一步证明了截断自协方差估计量的高维高斯逼近极限分布，并给出了高斯乘子自助法以促进实用性。理论结果是非渐近的，给出了关于样本量、维度、矩和时序依赖强度的显式误差界。数值实验和月度宏观经济数据的变点检测应用验证了方法有效性。对您而言，本文的高维稳健估计与高斯逼近结果可直接用于您在高维统计和假设检验方面的兴趣，其截断估计器与 Bernstein 不等式技巧对您熟悉的高维渐近工具是很好的补充。
  • 关键技术: Huber M-estimator, truncated estimator, Bernstein-type inequalities under functional dependence, high-dimensional Gaussian approximation, Gaussian multiplier bootstrap
  • 为什么对您有用: 本文直接对应您的高维统计与假设检验兴趣，特别是重尾和非平稳时序下的自协方差矩阵估计。您非常熟悉的高维渐近工具（如 Bernstein 不等式、高斯逼近）可直接用于理解其理论证明，且截断估计器的思路可迁移到您关注的因果推断中高维协变量调整的稳健性问题。中期可做：若想将本文的稳健估计框架推广到因果推断中的时序 IV 或纵向数据，需先在 moderately_familiar 的因果推断识别理论上加强。

2. 2609.05330 — Joint Distributions of Minimum and Maximum Angles on High-Dimensional Spheres

  • 作者: Yongcheng Qi, Lijian Yang
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 该文研究高维球面上均匀随机向量两两夹角的最小值与最大值的联合极限分布。设定为 n 个独立同分布于 (p-1) 维单位球面上的随机向量，在 n 和 p 都趋于无穷的框架下，证明最小夹角与最大夹角渐近独立，解决了 Cai, Fan and Jiang (2013) 提出的公开问题。方法核心是利用极值理论和高维几何的集中现象，推导出无论 n 与 p 的相对发散速率如何（即 ln n / p → β ∈ [0,∞] 均涵盖），联合分布与边际分布都有统一的极限形式。关键技术包括对夹角极值的渐近独立性的论证，以及基于最小和最大角度的统计量的极限分布推导。该文为高维随机几何中的极值问题提供了完整的理论刻画，对您在高维统计与随机矩阵理论方向有直接参考价值，尤其是理解高维数据几何结构的极值行为。
  • 关键技术: extreme value theory, high-dimensional geometry, asymptotic independence, uniform distribution on sphere, pairwise angles
  • 为什么对您有用: 该文直接关联您的高维统计与随机矩阵理论兴趣，特别是高维球面上随机向量的极值问题。您的武器库中'高维渐近理论'和'非参数统计'可直接用于理解其极限分布推导的细节，例如验证其渐近独立性证明的紧性。中期可做：若想将此类极值结果推广到非均匀分布或相关结构，需先在 moderately_familiar 的'M-估计理论'上提升，以处理更一般的依赖结构。

3. 2609.05330 — Joint Distributions of Minimum and Maximum Angles on High-Dimensional Spheres

  • 作者: Yongcheng Qi, Lijian Yang
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 该论文研究高维球面上均匀随机向量之间夹角的最小值与最大值的联合渐近分布。设定为 n 个独立同分布于 (p-1) 维单位球面上的随机向量，当 n 和 p 都趋于无穷时，刻画夹角极值的联合极限行为。核心结果是证明了最小夹角与最大夹角渐近独立，解决了 Cai, Fan and Jiang (2013) 提出的开放问题。该文不依赖于 n 与 p 的相对发散速率（即 ln n / p → β 的三种情形），给出了统一的联合分布与边际分布极限。技术工具涉及极值理论、高维几何中的浓度不等式以及随机矩阵理论中的 Marchenko-Pastur 律。对您而言，该结果直接关联高维统计与随机矩阵理论中的极值行为，可用于理解高维数据中稀疏性或聚类结构的渐近性质。
  • 关键技术: extreme value theory, high-dimensional geometry, concentration inequalities, Marchenko-Pastur law, asymptotic independence
  • 为什么对您有用: 该论文直接关联您的高维统计与随机矩阵理论兴趣，特别是高维球面上随机向量夹角极值的渐近分布。您的技术武器库中的高维渐近工具（如浓度不等式）可直接用于验证或推广其结论。中期可做：若想将结果推广到非均匀分布或相关结构，需先在 moderately_familiar 的 M-估计理论或半参数理论上长肌肉。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 2609.04933 — Goodness-of-fit testing for the Pareto type-I distribution based on a mean residual life characterization

  • 作者: Shivshankar Nila, Ishapathik Das, N. Balakrishna
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 针对 Pareto type-I 分布（重尾分布的基本模型）提出基于均值剩余寿命（mean residual life）刻画的新型拟合优度检验。检验统计量构造为 U-统计量形式，利用 U-统计量理论建立其在原假设和备择假设下的渐近分布。通过 Monte Carlo 模拟评估有限样本表现，与现有检验对比，表明该方法能有效控制名义显著性水平并在多种备择下具有竞争力。最后用丹麦火灾保险损失和污染数据集做实证。对您而言，该文直接连接 hypothesis testing 和 higher-order U-statistics 两个兴趣点，U-统计量构造检验统计量的思路可迁移到其他分布或因果推断中的模型诊断。
  • 关键技术: U-statistic, goodness-of-fit test, mean residual life characterization, Pareto distribution, Monte Carlo simulation
  • 为什么对您有用: 直接连接 hypothesis testing 和 higher-order U-statistics 两个 primary interest。技术武器库中 very_familiar 的 'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)' 可用来分析该 U-统计量的计算成本或推广到更复杂的分布检验。中期可做：若想将类似检验思路推广到因果推断中的分布假设检验（如 IV 中的工具变量分布假设），需先在 moderately_familiar 的 'identification theory in causal inference' 上长肌肉。

2. 2609.05089 — On E-Backtesting: Generalizations and Sample Size Determination

  • 作者: Dennis Oestmann, Thorsten Dickhaus
  • 分类: stat.ME
  • 相关性 5/10 · novelty: application
  • 摘要: 本文在 e-backtesting 框架下研究预期损失（Expected Shortfall）低估检测的样本量确定问题。设定风险管理者正确估计了 p 水平下的 VaR，但真实 ES 与 VaR 之差被低估了固定倍数 r，目标是计算达到指定检验功效所需的最小样本量。方法核心是利用 backtest e-statistic 的结构，将其转化为独立同分布 Bernoulli 随机变量序列的近似下界推导，从而得到样本量的解析近似。作者讨论了该近似的局限性，并通过 Monte Carlo 模拟与实际应用中的样本量需求进行比较。此外，还将 e-backtesting 推广到构成 Bayes 对的风险度量上。本文对您可能有用：它连接了假设检验与金融风险度量中的实际样本量规划问题，属于您 primary interest 中 hypothesis testing 方向的一个具体应用场景，且方法学上涉及 Bernoulli 序列的统计推断，与您熟悉的非参数统计工具可对接。
  • 关键技术: e-backtesting, expected shortfall, sample size determination, Bernoulli approximation, Bayes pairs
  • 为什么对您有用: 本文属于 hypothesis testing 在金融风控中的具体应用，直接对应您 primary interest 中的假设检验方向。技术层面，其核心是 Bernoulli 序列的近似下界推导，您非常熟悉的非参数统计工具（如 concentration inequalities）可以直接用于验证或改进其近似精度。中期可做：若想深入 e-value 框架的理论性质，需先在 moderately_familiar 的 M-estimation theory 上加强，因为 e-statistic 的构造与 M-estimation 的稳健性有深层联系。

统计计算 / 算法 (stat_computing, 1 篇)

1. 2609.05096 — Post-Corrected Raw-Score Martingale Posterior Sampling for von Mises-Fisher Models

  • 作者: Yi Xu, Xinye Chen, Sheng Jiang
  • 分类: stat.ME · stat.CO
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对 von Mises-Fisher 模型，提出了一种有限时域校准方法用于原始分数鞅后验采样。该方法从最大似然估计出发，通过模拟当前拟合模型下的未来观测并利用未预处理的分数增量更新自然参数来生成预测路径。核心创新在于将预测模拟与协方差校准分离：原始分数增量具有 Fisher 信息协方差，而 Bernstein-von Mises 校准需要逆信息协方差，因此作者基于局部信息估计施加终端线性校正。为提高效率，还引入混合版本，用具有匹配主阶二次变分的高斯近似替换无限预测延续的尾部。理论部分证明了固定 n 收敛性、高斯尾的有限时域近似界以及混合后校正采样器在局部正则性和一致终端校准下的 Bernstein-von Mises 极限。模拟显示尾部校正减少了截断引起的欠分散，OSCAR 洋流示例展示了局部方向不确定性总结。该工作对您作为统计计算方向的研究者具有直接参考价值，其有限时域校准与混合高斯近似的思路可迁移至您熟悉的软件开发和 M-估计理论领域。
  • 关键技术: martingale posterior, Bernstein-von Mises calibration, finite-horizon correction, Gaussian tail approximation, von Mises-Fisher model, predictive simulation
  • 为什么对您有用: 本文属于统计计算方法创新，直接对应您 primary interest 中的 statistical computing 子方向。您武器库中 very_familiar 的软件开发和 moderately_familiar 的 M-估计理论可直接用于评估其校准方法的计算效率与理论假设的合理性。中期可做：若想将类似有限时域校准思路推广至其他指数族模型，需先在 moderately_familiar 的 semiparametric theory 上加强，以处理更复杂的参数结构。

天体统计 (astrostats, 1 篇)

1. 2609.04472 — Identifying Casual SETI Transmissions and Ultra-Faint RFI with Cumulant Imaging

  • 作者: Miguel F. Morales
  • 分类: astro-ph.IM
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出利用高阶累积量成像（cumulant imaging）技术来识别地外文明（SETI）的宽带通信信号以及超微弱的人为射频干扰（RFI）。传统射电成像仅利用电场的一阶矩（即平均强度），而自然天体辐射的随机性在高阶累积量中会消失，只有经过调制的通信信号才会在高阶累积量图像中显现。作者将标准射电成像重新概念化为第一个非零累积量，并推导出高阶累积量图像的统计性质。该方法能够检测到传统技术无法识别的微弱通信信号，尤其适用于识别偶然性的宽带发射（casual broadband emission）。本文是纯方法学概念论文，没有真实数据验证，但提供了一个新颖的统计信号处理视角。对于您作为统计学家而言，这是一篇优秀的入门级天文统计学读物，清晰地阐述了射电天文学中的信号模型和噪声结构，并展示了高阶统计量（累积量）如何解决一个实际的天文信号检测问题。
  • 关键技术: cumulant imaging, higher-order statistics, electric-field statistics, radio communication signal model, SETI signal detection
  • 为什么对您有用: 本文属于astrostats的gateway reading，完全符合入门标准：(a) 对统计学家友好，不依赖天文学行话，从电场统计量讲起；(b) 清晰阐述了天文学家关心的核心科学问题——如何区分自然辐射与人工调制信号；(c) 提出了一个真正的数据/建模问题：利用高阶累积量（您非常熟悉higher-order U-statistics）来构造信号检测器，这是一个您可以用现有武器库（高阶统计量理论、einsum计算）直接切入的方向；(d) 明确交代了数据侧（电场时间序列、噪声结构）和模型侧（自然辐射的随机性 vs. 调制信号的确定性）。立即可做：您可以用higher-order U-statistics的树宽/张量收缩视角来分析该累积量成像的计算复杂度，或设计更高效的估计量。

其他 (other, 2 篇)

1. 2609.04988 — A Strictly Proper Scoring-Rule Theory for Calibrating Stochastic Car-Following Models

  • 作者: Shirui Zhou, Shiteng Zheng, Junzhe Ding, Rui Jiang, Junfang Tian
  • 分类: stat.ME · physics.soc-ph
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文针对随机跟车模型（stochastic car-following models）的校准问题，建立了基于严格适当评分规则（strictly proper scoring rules）的理论框架。传统方法使用确定性轨迹误差目标（如MRMean-I、MRMean-II、MRMin）校准随机模拟器，但本文证明这些目标不满足严格适当性：MRMean-I会驱使随机散布趋于零，MRMean-II无法识别仅改变散布的参数，MRMin的总体目标随集成规模变化。作者推荐在已知正确转移密度时使用精确极大似然估计，否则使用基于模拟的无偏评分估计量（如能量分数，energy score）。在随机智能驾驶员模型（stochastic IDM）的数值实验中，能量分数在分布预测上优于其他模拟目标，但模型仍存在置信带过窄、无法捕捉持续扰动的问题。本文对您的主要兴趣（因果推断中的识别理论、M估计）有间接启发：严格适当性分离了有效校准目标与参数可识别性及模型充分性，这一思路可类比于因果推断中识别假设与估计效率的区分。
  • 关键技术: strictly proper scoring rules, energy score, simulation-based inference, stochastic calibration, maximum likelihood estimation
  • 为什么对您有用: 本文属于交通流模拟的校准方法论，与您的primary interests（因果推断、半参理论）无直接重叠，但严格适当评分规则的理论框架对您中期可做的方向有启发：您moderately_familiar的M估计理论可用于分析评分规则的渐近性质，而评分规则与因果推断中的逆概率加权/双稳健估计在目标函数构造上存在类比。目前暂不可做——核心机器（随机模拟器的校准理论、评分规则的渐近效率）不在您的武器库中，但作为gateway reading值得一读以拓宽方法论视野。

2. 2609.04960 — Finite Mixtures of Generalized Estimating Equations for Clustering Multivariate Correlated Outcomes

  • 作者: Shonosuke Sugasawa, Francis K. C. Hui
  • 分类: stat.ME
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出有限混合广义估计方程（MixGEE）用于对多元相关观测单元进行聚类，目标是将具有相同“结果剖面”的单元归为一组。方法不要求指定完整的联合分布，而是利用估计方程的大样本分布构造伪后验概率，通过迭代算法交替更新聚类概率和求解加权估计方程。每个聚类由边际均值向量和组内工作相关结构刻画，从而在聚类的同时考虑了变量间的相关性。聚类数通过交叉验证基于预测性能确定，不确定性量化采用聚类Dirichlet随机权重自助法。模拟表明MixGEE在多种相关结构下估计和推断可靠，且比忽略依赖性的方法更稳定地选择组数。应用于凯尔盖朗高原鱼类存在-缺失数据，识别出三个具有异质出现率和组内相关模式的鱼类组合剖面。该方法对您作为统计计算和软件开发者可能有用，其迭代算法和交叉验证策略可启发您在高维或复杂数据结构中设计聚类工具。
  • 关键技术: Generalized Estimating Equations, Finite Mixture Models, Pseudo-posterior Probability, Cross-validation, Clustered Dirichlet Bootstrap
  • 为什么对您有用: 本文属于统计方法学，但核心问题（多元相关数据的聚类）与您的主要兴趣（因果推断、高维统计）无直接交集，且未涉及您武器库中的具体工具（如U统计量、半参效率理论）。作为统计计算方向的gateway阅读，MixGEE的迭代算法和交叉验证策略对您开发统计软件有参考价值，但整体方法学新颖性有限。暂不可做：核心机器不在武器库里，缺多元相关数据聚类的专门经验。

🗂 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. 2609.04633 — Time-dependent two-way partial AUC and partial Youden Index estimator for right censored data

  • 作者: Arpan Sanyal, Sudheesh Kumar KattumannilSudheesh Kumar Kattumannil, Ayon Ganguly
  • 分类: stat.ME · stat.AP
  • 相关性 3/10
  • 评分理由: Time-dependent ROC/AUC for censored data; tangential to primary interests (no causal/high-dim/U-stat focus).

2. 2609.04853 — Variational Inference for Functional Data Clustering via Dirichlet Process Mixtures with Correlated Errors

  • 作者: Chengqian Xian
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Bayesian functional data clustering with Dirichlet process; weak overlap with primary interests.

3. 2609.04608 — Visualizing Class Specific Heterogeneous Tendencies using R

  • 作者: Mariko Takagishi, Michel van de Velden
  • 分类: stat.ME
  • 相关性 2/10
  • 评分理由: R package for cluster correspondence analysis; unrelated to primary or secondary interests.

4. 2609.04740 — Copula-Based Bivariate Kumaraswamy-Teissier Distributions: Modeling Temperature-Rainfall Dependence and Compound Extremes

  • 作者: Kamana Mishra (School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi, Himachal Pradesh, India), Tanmay Kayal (School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi, Himachal Pradesh, India), Sarita Azad (School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi, Himachal Pradesh, India)
  • 机构: Indian Institute of Technology Mandi
  • 分类: stat.ME
  • 相关性 2/10
  • 评分理由: Bivariate copula model for temperature-rainfall; applied climatology, no clear data/model exposition for a statistician.

5. 2609.04311 — Development of quantum technologies for optical/infrared interferometry

  • 作者: John D. Monnier (University of Michigan)
  • 分类: astro-ph.IM · quant-ph
  • 相关性 2/10
  • 评分理由: 纯天文仪器技术，无数据/模型/统计方法维度，不符合 astrostatistics 或 general science 的入门阅读标准。

6. 2609.04736 — A Quantile-Based Kumaraswamy-Teissier autoregressive moving average models

  • 作者: Kamana Mishra (School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi, Himachal Pradesh, India), Tanmay Kayal (School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi, Himachal Pradesh, India), Sarita Azad (School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi, Himachal Pradesh, India)
  • 机构: Indian Institute of Technology Mandi
  • 分类: stat.ME
  • 相关性 1/10
  • 评分理由: Quantile-based time series model for positive-valued data; unrelated to primary interests.

7. 2609.04728 — Validating the SCALES DRP: A Performance Study of the Medium-Resolution IFS Mode

  • 作者: Athira Unni, Steph Sallum, Max Brodheim, Rosalie McGurk, Andy Skemer, Matthew Brown, Peyton Benac, Michael P. Fitzgerald, Deno Stelter, Dusty Reichwein, Aaron Hunter, William T. S. Deich, Isabel Kain, Mackenzie Lach
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: 纯天文数据处理管线性能验证，无统计方法论或可迁移的数据分析问题。

8. 2609.05205 — Laboratory characterization of Hierarchical Fringe Tracking

  • 作者: Roxanne Ligi, St\'ephane Lagarde, Romain Petrov, Sylvie Robbe-Dubois, Julien Dejonghe, Fatm\'e Allouche, Teng Xu, Wei Wei, Massinissa Hadjara, Abdelkarim Boskri
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: 纯天文仪器实验室表征，无统计内容。

9. 2609.05208 — Active focal plane phase mask coronagraphy with a discrete pixelated device: I. Study of the theoretical performance trade space

  • 作者: Liurong Lin, Axel Potier, Ruben Tandon, Lucas Marquis, Jonas G. K\"uhn
  • 分类: astro-ph.IM · astro-ph.EP
  • 相关性 1/10
  • 评分理由: 纯天文仪器理论性能研究，无统计内容。

10. 2609.05240 — What is new in NuRadioMC: Multilayer Analytic Raytracer

  • 作者: Hannes Warnhofer, Sjoerd Bouma, Vital De Henau, Bryan Hendricks, Jakob Henrichs, Nils Heyer, Enrique Huesca Santiago, Annanay Jaitly, Philipp Laub, Anna Nelles, Martin Ravn, Felix Schl\"uter, Zeynep Su Selcuk, Karen Terveer, Christian Glaser, Christoph Welling, Philipp Windischhofer
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: 纯天体物理模拟软件扩展，无统计方法论或可迁移的数据分析问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论