2026-09-23 每日 arXiv 资讯¶

高相关论文 6 篇 · 中相关 34 篇 · 其他 22 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。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 2006.08402 — Assumption-lean inference for generalised linear model parameters¶

作者: Stijn Vansteelandt, Oliver Dukes
机构: University of London · Ghent University · London School of Hygiene & Tropical Medicine
相关性 7/10 · novelty: new_method
摘要: 本文针对广义线性模型（GLM）参数推断中模型误设与数据自适应模型选择带来的偏差和不确定性，提出了一种无假设（assumption-lean）的推断框架。作者定义了非参数的主效应和效应修饰（effect modification）估计量，这些估计量在模型正确时退化为标准GLM参数，但在模型误设时仍能捕捉变量间的条件关联或交互作用。通过推导这些估计量在非参数模型下的影响函数（influence curve），并结合数据自适应（如机器学习）方法，实现了对这些估计量的有效推断。该方法避免了依赖预先指定的正确模型，使得推断更纯粹地反映数据信息。理论结果包括估计量的渐近正态性和影响函数的形式，为后续的置信区间构建提供了基础。对您而言，该工作与您的半参数效率理论和非参数推断兴趣高度相关，特别是影响函数和正交估计的思想可迁移至因果推断中的稳健估计。
关键技术: influence function, nonparametric estimand, data-adaptive estimation, machine learning, projection parameters
为什么对您有用: 本文直接关联您的半参数与非参数理论兴趣，特别是影响函数和效率推断；同时其无假设推断思想可应用于因果推断中的稳健估计，您可用非常熟悉的非参数统计和影响函数工具来评估其估计量的效率界，属于立即可做的方向。

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 4 篇)¶

1. 2609.23211 — Heterogeneous survivor average causal effects beyond monotonicity: Applications to a clinical trial evaluating mechanical ventilation strategies¶

作者: Zihan Zhu, Guangyu Tong, Fernando Godinho Zampieri, Snigdha Jain, Michael O. Harhay, Fan Li
机构: Yale University · University of Alberta · Institute for Medical Informatics and Biostatistics
分类: stat.ME · stat.AP
相关性 8/10 · novelty: new_method
摘要: 本文在 principal stratification 框架下研究截断死亡结局的异质性幸存者因果效应（CSACE），目标是在不依赖单调性假设下识别条件幸存者平均因果效应。作者引入一个可解释的敏感性参数刻画潜在 principal stratum 成员关系，从而放松单调性假设，适用于治疗对生存有双向影响的场景（如 ARDS 试验中高 PEEP 的利弊并存）。估计策略采用基于 BART 的灵活贝叶斯方法，结合后验均值的变量重要性度量与分布感知的条件推断树，利用个体化 CSACE 的完整后验抽样。模拟显示，在非线性治疗异质性下，BART 方法相比线性模型在个体化 CSACE 估计和变量重要性恢复上更优。应用于 ARDS PEEP 试验，方法揭示了被总体零结果掩盖的亚组获益或危害。对您而言，该文提供了在无单调性假设下进行 principal stratification 识别的敏感性分析思路，与您 causal inference 中 identification 和 sensitivity analysis 的兴趣直接相关。
关键技术: principal stratification, survivor average causal effect, sensitivity analysis, BART, Bayesian nonparametrics, variable importance
为什么对您有用: 本文直接关联您 primary interest 中的 causal inference 子方向（principal stratification 与 sensitivity analysis），其无单调性假设的识别策略和敏感性参数设计值得借鉴。您 very_familiar 中的非参数统计和贝叶斯建模工具（如 BART）足以支撑理解与复现，可考虑将敏感性分析框架扩展到其他截断结局场景，属于立即可做的方向。

2. 2609.23284 — Unbiased Treatment Effect Estimation under Network Interference via Neighborhood-Excluded Cross-Fitting¶

作者: Haoyang Yu, Anqi Zhao, Hanzhong Liu
机构: Tsinghua University · Duke University
分类: stat.ME
相关性 8/10 · novelty: new_method
摘要: 本文研究网络干扰下的无偏处理效应估计，目标是在部分干扰和任意结果模型下，对直接效应、间接效应和全局平均处理效应进行有限样本无偏推断。作者指出，在存在干扰时，标准交叉拟合的样本外预测会与评估折的Horvitz-Thompson权重产生依赖，破坏无偏性。为此提出邻域排除交叉拟合，通过构造估计量特定和设计特定的训练样本，恢复条件独立性，从而在无需正确指定结果模型的情况下实现有限样本无偏性。在伯努利随机化和伯努利整群随机化下，建立了基于设计的渐近有效Wald推断。理论分析揭示了折数选择与排除邻域大小之间的权衡：单位级分割可能需要折数随平均排除邻域大小增长，而整群分割可放宽此要求，在部分干扰下允许固定折数。对于线性调整，作者推导了方差最优和置信区间长度最优的程序，并给出了协变量维度可发散的显式速率条件，证明方差最优程序渐近无害。模拟和社交网络实验数据应用验证了方法的有效性。
关键技术: cross-fitting, Horvitz-Thompson estimator, design-based inference, neighborhood-excluded sample splitting, variance-optimal adjustment
为什么对您有用: 本文直接关联因果推断中的网络干扰和交叉拟合方法，属于您的主要兴趣方向。您可以用非常熟悉的非参数统计和因果推断估计理论来审视其有限样本无偏性论证，并利用您对高阶U统计量的计算专长（如树宽/张量收缩）来分析其估计量的方差结构或扩展至高阶调整。中期可做：若想深入其整群分割的渐近理论，需在整群随机化的识别理论上稍作加强。

3. 2609.24086 — Doubly robust target inference for generalized linear regression with completely missing covariates¶

作者: Huali Zhao (School of Mathematics and Statistics, Huazhong University of Science and Technology), Ke Deng (Department of Statistics and Data Science, Tsinghua University)
机构: Huazhong University of Science and Technology · Tsinghua University
分类: stat.ME · math.ST · stat.ML · stat.TH
相关性 8/10 · novelty: new_method
摘要: 本文研究目标人群广义线性回归推断问题，其中关键协变量在目标数据中完全缺失，但在相关源人群中可观测。在子人群偏移假设下，即观测变量在人群间分布可异、缺失协变量关于观测变量的条件分布共享，作者提出一个双稳健迁移学习框架。由于非线性目标估计方程需要参数索引的条件泛函而非固定低阶条件矩，估计器结合了重要性加权源估计方程与这些条件泛函的插补。在识别假设下，当密度比模型或条件协变量模型之一正确设定时估计器保持一致；在正则条件下，它是根号n一致且渐近正态的，当两个 nuisance 模型均正确时达到半参数效率界。
关键技术: doubly robust estimation, transfer learning, importance weighting, semiparametric efficiency bound, generalized linear regression
为什么对您有用: 该文直接关联因果推断中的迁移学习与缺失协变量问题，且其半参数效率界与双稳健估计方法属于您非常熟悉的领域。您可用 very_familiar 中的估计理论（如 influence function 推导）快速验证其效率界，并考虑将条件泛函插补思想推广到 proximal causal inference 的 negative control 设定。中期可做：若想深入处理非线性条件泛函的估计，需在 moderately_familiar 的 semiparametric theory 上加强。

4. 2609.22761 — Causal inference in two-sided randomization designs: factorial regression, two-way clustering, and covariate adjustment¶

作者: Pengfei Tian, Jizhou Liu, Lei Shi, Peng Ding
机构: Tsinghua University · HSBC Holdings · Adobe Systems (United States) · University of California, Berkeley
分类: econ.EM
相关性 8/10 · novelty: new_method
摘要: 本文研究双边随机化实验（如市场中的买卖双方），两群体独立随机化，每对个体联合决定四种暴露条件。在局部干扰假设下，考虑包括总效应、交互效应及买卖双方溢出效应在内的广泛线性 estimand。第一个主要结果表明，可用普通最小二乘估计这些效应，并用按买卖双方聚类的双向聚类稳健方差估计量进行渐近有效的基于设计的推断。第二个结果针对单一线性 estimand 提出更锐利的方差估计量，更好地保留买卖维度内的相关性，且渐近上比双向聚类估计量及现有替代方法更不保守。第三个结果建立协变量调整理论，推荐使用双向方差分析型协变量表示以确保效率增益。
关键技术: two-sided randomization, design-based inference, two-way cluster-robust variance, local interference, covariate adjustment, ANOVA-type representation
为什么对您有用: 本文直接关联因果推断中的实验设计与干扰下的推断，属于 primary interest 的 causal inference 子方向。可用武器库中 very_familiar 的 estimation theory in causal inference 来审视其方差估计量的有限样本性质，或结合 higher-order U-statistics 的视角分析其估计量的高阶行为。中期可做：需在 moderately_familiar 的 identification theory 上加深对局部干扰假设的理解。

效率理论 / Debiased ML (efficiency_dml, 1 篇)¶

1. 2609.23545 — On the convolution theorem for directionally pathwise differentiable functionals¶

作者: Shuoxun Xu
机构: Berkeley Public Health Division · University of California, Berkeley
分类: math.ST · stat.TH
相关性 9/10 · novelty: new_theory
摘要: 本文在方向性路径可微泛函的框架下推广了经典半参数卷积定理。经典理论刻画正则估计量的极限分布，而本文考虑沿子空间或凸锥的正则性，证明此时方向导数在该区域必须与一个有界线性泛函一致，且任何此类估计量都包含由该泛函决定的高斯卷积因子。作者刻画了相关子空间，比较了不同正则性要求下的效率界，并识别了有效估计量的影响函数，从而说明何时更强的正则性要求会提高方差下界。在可加性条件下，高斯极限实验可分解为线性估计问题和非线性问题，其平方损失下的极小极大风险可加，而对更一般的损失，高斯分量通过损失卷积进入。应用包括处理效应值、工具变量界和校准问题，给出了显式有效影响函数，比较了现有程序，并在有限分层模型中建立了可行可达性。对您而言，该文直接推进了半参数效率理论中关于非光滑泛函的卷积定理，与您熟悉的效率界和影响函数工具高度相关。
关键技术: semiparametric convolution theorem, directional pathwise differentiability, efficient influence function, minimax risk, Gaussian limit experiment
为什么对您有用: 本文属于效率理论（semiparametric efficiency bounds）的核心理论进展，直接连接您的 primary interest 中的 efficiency theory 和 semiparametric theory。您可以用 very_familiar 的 minimax bounds 和 semiparametric theory 工具来检验其效率界比较的紧性，或尝试将方向性正则性思想推广到您熟悉的 HOIF 框架。中期可做：需先熟悉方向性可微性的技术细节（属于 moderately_familiar 的 semiparametric theory 范畴）。

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

1. 2609.24221 — Conditional Independence Is Not (Quite) Pointwise Testable¶

作者: Danica J. Sutherland
分类: math.ST · stat.TH
相关性 8/10 · novelty: new_theory
摘要: 本文研究条件独立性检验的可行性，针对 Shah 和 Peters 的经典不可能性结果（有限样本或一致水平控制的检验对任何备择假设只有平凡功效）进行深化。作者证明，即使只要求逐点渐近水平（pointwise asymptotic level），在相当宽松的正则条件下（有界密度、紧集、甚至光滑密度），任何检验序列对每个 ε>0 都存在一个条件相依分布使其极限上功效至多为 α+ε。这否定了文献中关于存在逐点渐近水平且对所有备择一致的检验的猜想。另一方面，作者构造了一个无需正则假设的检验，具有逐点渐近水平 α，对所有备择有严格更高的功效，且对依赖程度超过某标量阈值的分布功效趋于 1。该检验表明逐点水平检验并非完全无力，但无法实现对所有备择的一致功效。核心工具包括构造特殊分布族和利用检验的逐点收敛性质，技术上涉及概率测度的精细构造和反例分析。对您而言，该结果直接关联您对假设检验理论中可检验性边界的兴趣，尤其适合用您熟悉的 minimax 框架来审视其构造的紧性。
关键技术: conditional independence testing, pointwise asymptotic level, power analysis, counterexample construction, uniform vs pointwise level control
为什么对您有用: 直接命中 primary interest 中的 hypothesis testing 子方向，特别是条件独立性检验的可检验性边界问题。您可以用 very_familiar 的 minimax bounds 工具去验证其构造的分布族是否达到某种最优性，或探讨在更高阶 U-statistic 框架下该检验的变体。中期可做：需在 moderately_familiar 的 semiparametric theory 上加深理解，以推广到更一般的正则条件。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 6 篇)¶

1. 2609.23473 — tteICE: An R Package for Estimating Treatment Effects on Time-to-Event Outcomes with Intercurrent Events in Two-Arm Trials¶

作者: Yuhao Deng, Yi Zhou, Yi Wang, Shasha Han
机构: Kobe University · Shanghai University of International Business and Economics · Chinese Academy of Medical Sciences & Peking Union Medical College
分类: stat.ME · stat.AP
相关性 7/10 · novelty: application
摘要: 本文介绍 R 包 tteICE，用于在存在 intercurrent events（如治疗中断、竞争事件）的两臂临床试验中估计时间-事件结局的治疗效应。该包实现了 ICH E9 (R1) 附录中提出的五种策略（如 treatment policy、hypothetical、composite 等），以处理 ICE 带来的因果推断挑战。估计目标为治疗组和对照组下的潜在累积发生函数，治疗效应通过对比这些函数来评估，并提供逐点置信区间和 p 值。方法上支持非参数和半参数有效估计，适用于随机对照试验和观察性研究，包括竞争风险和半竞争风险设定。包内集成绘图函数和交互式 Shiny 应用，降低应用研究者的使用门槛。该包填补了现有软件在实现 E9 (R1) 策略方面的空白，为因果推断方法提供了实用工具。
关键技术: intercurrent events, cumulative incidence function, semiparametric efficient estimation, competing risks, semi-competing risks, R package
为什么对您有用: 本文属于因果推断中纵向/生存数据处理的软件实现，直接对应您 primary interest 中的 causal inference 和 statistical computing。作为应用型工具，其非参数和半参数有效估计方法可迁移至您的效率理论工作，且 R 包实现可作为您开发统计软件的参考。

2. 2609.23524 — Distributional Balancing with Machine Learning for Clinical Trial Augmentation Using Real-World Data¶

作者: Zern Ke, Mingshi Cui, Gemma Moran, Javier Cabrera
分类: stat.ME · stat.ML
相关性 7/10 · novelty: application
摘要: 本文针对临床试验中因招募成本、患者脱落等原因导致的治疗组与对照组协变量分布不平衡问题，提出利用外部真实世界数据扩充对照组的 DBML 方法。该方法的目标是估计平均处理效应（ATE），通过分布匹配而非个体匹配来选择外部对照。DBML 包含三步：首先用变分自编码器（VAE）检测相对于治疗组分布的异常数据库单元；其次对剩余单元重新加权以匹配治疗组分布；最后利用这些权重抽样构成对照组。与基于匹配和加权的替代算法相比，DBML 在协变量平衡上表现更优。该方法属于因果推断中利用外部数据增强临床试验的实用方法，其核心是分布平衡而非传统倾向得分加权。对您而言，该方法与您熟悉的因果推断中的估计理论（如加权估计、平衡性诊断）直接相关，可作为处理真实世界数据混杂的参考案例。
关键技术: variational autoencoder, distribution matching, re-weighting, covariate balance, external control augmentation
为什么对您有用: 本文属于因果推断中利用真实世界数据增强临床试验的应用型方法，与您的 primary interest 中的 estimation theory in causal inference 直接相关。您可以用 very_familiar 的 nonparametric statistics 和 minimax bounds 来评估其分布匹配的统计性质（如加权估计的方差-偏差权衡），或探讨其与倾向得分加权的关系。中期可做：若想深入分析 VAE 异常检测的理论保证，需在 moderately_familiar 的 semiparametric theory 上加强。总体而言，本文是应用导向，方法学 novelty 有限，但作为流行病学或临床试验数据分析的案例值得一读。

3. 2609.23897 — Proxy-Adjusted Causal Discovery from Targeted Interventions¶

作者: Li Chen, Wei Pan, Xiaotong Shen
机构: University of Minnesota · Minnesota Department of Health
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文提出 Proxy-Adjusted Balanced Masking (PABM)，一个非参数框架，用于从靶向干预、响应数据和记录的代理变量中恢复有向无环图。其目标是识别直接因果效应，避免因未测量共同原因导致的虚假关联。方法利用有效的靶向特异性干预来识别候选祖先，然后通过比较有/无候选响应的条件目标分布（必要时调整其他祖先和代理）来判断直接因果性。每个比较使用匹配的观测、调整变量和拟合程序，识别条件要求每个非父比较的条件增益为零，而每个父比较至少在一个比较中有正增益。作者建立了总体识别性、有限样本恢复条件（允许不完整调整和估计误差），并在有效保留 p 值下控制族wise误差。连续响应模拟显示相对于指定比较管线的优越图恢复性能；K562 校准的计数模拟揭示了选择-排序权衡；代理消融评估对记录信息的敏感性。对您而言，该工作将因果发现与代理变量（proximal causal inference 的核心）结合，并提供了非参数识别和有限样本理论，可直接与您的因果推断兴趣对接。
关键技术: proxy variables, targeted interventions, conditional independence testing, matching, familywise error control, nonparametric graph recovery
为什么对您有用: 该论文直接关联到您的 primary interest 中的 proximal causal inference 和因果发现，特别是利用代理变量处理未测量混杂。您可以用 very_familiar 的非参数统计和 minimax 工具来审视其有限样本恢复条件是否最优，或探索其条件增益检验的更高阶 U-统计量表示。中期可做：若想深入其检验的幂与有效性，需在 semiparametric theory 上加强（moderately_familiar）。

4. 2609.24053 — When bad adjustment looks good: what goes wrong in Plasmode 0.1.0 simulations¶

作者: M. Ehsan Karim
机构: University of British Columbia
分类: stat.ME · stat.CO
相关性 6/10 · novelty: application
摘要: 本文针对 Plasmode 0.1.0 模拟工具进行代码审计，检验其是否保留处理-协变量关系、是否用返回的处理变量生成结局，以及报告效应是否与生成模型一致。作者在合成队列和 SUPPORT/右心导管队列中，以相同种子运行生成器，并比较原始行序、按观测处理排序和校正对齐三种策略，各进行 200 次零效应重复。结果显示，采样个体常获得另一人的处理概率；合成队列中源模型 AUC 从对齐前的 0.503 变为对齐后的 0.841，粗风险差偏倚从 +0.0051 变为 +0.3037。对齐后，故意误设的估计器仍保留 0.10-0.11 的风险差偏倚，而正确设定的估计器几乎无偏；未修改生成器时五种估计器看似都无偏。在注入比值比为 2 时，条件 log OR 出现在观测处理上（+0.696，目标 0.693）而非返回处理上（+0.017）。错位可能削弱、保留或反转设计中的混杂，从而扭曲方法比较；对齐校正无法修复结局-处理解耦、报告效应与生成效应不一致以及边际校准问题。对您而言，这篇论文直接关系到因果推断中模拟研究的有效性，特别是处理分配机制与结局生成模型的耦合，是评估混杂控制方法比较可信度的关键警示。
关键技术: Plasmode simulation, code audit, treatment-covariate alignment, confounding control, simulation-based evaluation
为什么对您有用: 本文直接关联因果推断中的模拟研究设计，特别是处理分配机制与结局生成模型的耦合问题，属于 identification 和 estimation 的实践层面。您可以用 very_familiar 的估计理论（如 IPW、DR 估计器）来量化错位对估计偏倚的影响，或设计新的对齐诊断指标。中期可做：结合 moderately_familiar 的 semiparametric 理论，分析错位如何影响效率界。暂不可做：无需额外工具，立即可读并可能提出改进模拟流程的建议。

5. 2609.24496 — Conformalized Safe Feasible Sets in Uncertain Decision Systems¶

作者: Yajie Bao, Yinjie Min, Haojie Ren, Changliang Zou
机构: Fudan University · Nankai University · Shanghai Jiao Tong University
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文研究安全关键决策系统中的可行集推断问题：给定上下文 X，目标是构造一个安全子集 D(X)，使其以至少 1-α 的概率包含于由未观测标签 Y 决定的 oracle 可行集 A(X,Y) 中。现有 conformal 方法通常先构造 Y 的预测集，再保留对该集合中所有值都安全的决策，这需要比集合包含更强的事件。作者提出 Directed Inclusion Safety Calibration (DISC) 框架，直接控制包含事件的概率，将其验证归结为一个标量的 critical-inclusion score。给定预训练的嵌套候选可行集族，DISC 为每个带标签观测分配其对应子集被包含于 A(X,Y) 的最小嵌套水平，并在测试时使用经验分位数构造安全可行集。在数据可交换性下，该方法提供有限样本、分布自由的包含保证；在两类实用集合族下，DISC 产生的安全可行集包含相应校准基线的结果。作者还发展了基于优化的分数计算和决策感知的子集族学习方法，实验表明 DISC 在达到目标包含保证的同时产生更大的可行区域。
关键技术: conformal prediction, distribution-free finite-sample guarantee, nested set family, empirical quantile, optimization-based score computation
为什么对您有用: 本文属于因果推断中决策导向的推断问题，与您的 primary interest 中 causal inference 的 identification 和 estimation 相关，特别是与决策安全性和不确定性量化相关。您可以用 very_familiar 的 minimax bounds 和 nonparametric statistics 工具来评估其包含保证的紧性，或将其与您熟悉的 semiparametric efficiency 理论结合，探讨在更复杂设定下的最优性。这是一个立即可做的方向，因为核心工具（conformal、分位数）已在您的武器库中。

6. 2609.24758 — On the use of meaningful score regions to interpret treatment effects on continuous clinical outcome assessments¶

作者: Andrew Trigg, Fraser D. Bocell
机构: Critical Path Institute
分类: stat.ME
相关性 4/10 · novelty: application
摘要: 本文针对连续型临床结局评估（COA）中治疗效应的可解释性问题，探讨FDA 2023年指南草案提出的有意义评分区域（MSR）方法。核心问题是：将治疗效应（如两组均值变化差）与最大MSR宽度比较是否合理。作者通过历史证据和模拟研究，指出该基准可能无法检测出有意义的治疗效应，存在漏检风险。作为替代，他们建议将每个治疗组的结果用MSR成员概率来描述，并据此评估治疗效应。方法上涉及模拟设计和效应量比较，但未提出新的统计推断框架。对您而言，该文与因果推断中处理效应估计的实用解释相关，但其方法学贡献有限，更多是应用层面的讨论。
关键技术: meaningful score regions, simulation study, treatment effect interpretation, probability of MSR membership
为什么对您有用: 该文属于因果推断中治疗效应估计的应用层面，但方法学新颖性低，且未涉及您核心关注的识别、效率或高维问题。作为流行病学或临床试验应用的参考有一定价值，但武器库足以理解，无需深入。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)¶

1. 2609.23332 — Streaming PCA: averaging from a geometric perspective¶

作者: Tuan Pham, Alessandro Rinaldo, Purnamrita Sarkar
机构: The University of Texas at Austin
分类: stat.ME · math.ST · stat.TH
相关性 6/10 · novelty: new_method
摘要: 本文研究内存受限下的主成分分析（PCA），聚焦于 Oja 算法这一单遍、内存高效的方法（rank-one 情形 O(p) 存储，k-PCA 情形 O(pk) 存储）。核心目标是设计一种无需预先知道特征间隙（eigengap）即可达到最优收敛率的自适应算法。作者引入几何视角：将 Oja 迭代嵌入外空间（exterior space），建立 k-PCA 与环境空间中 1-PCA 的精确等价性。基于此等价性，推导出多种收敛保证，包括仅依赖单一学习率调度的收敛结果。进一步，作者发展 k-PCA 的 averaging 理论，证明所得平均估计器具有自适应性，能在未知特征间隙下达到近乎最优的收敛率。作为应用，构造了椭圆成分分析（ECA）的内存高效估计器，并通过模拟和真实数据验证算法优势。
关键技术: Oja's algorithm, exterior space embedding, averaging theory, adaptive learning rate, elliptical component analysis
为什么对您有用: 本文属于高维统计与随机矩阵理论（RMT）交叉领域，直接关联您对高维统计和 RMT 的兴趣。其几何视角（外空间嵌入）与您熟悉的更高阶 U-统计量中的张量网络/树宽方法有潜在联系——外空间中的 1-PCA 等价性可能通过张量收缩的复杂度分析来理解。从问题发现角度看，您可以用 very_familiar 的更高阶 U-统计量计算工具（树宽/张量收缩）来分析该算法的计算复杂度，或探索其与 U-统计量 averaging 理论的联系。中期可做：需在 moderately_familiar 的 semiparametric 理论上稍作提升，以严格推导自适应估计器的效率界。

2. 2609.24945 — Structured Screen-and-Select for Ultra-High-Dimensional Variable Selection¶

作者: Nilotpal Sanyal, Padmore N. Prempeh
机构: The University of Texas at El Paso
分类: stat.ME
相关性 6/10 · novelty: new_method
摘要: 本文针对超高维数据（p >> n）中边际筛选可能遗漏弱信号但相关性强的重要预测变量的问题，提出结构化筛选-选择变量选择（S3VS）迭代框架。该框架在每轮迭代中结合基于结果的筛选与基于相关性的局部预测变量集，通过识别主导变量、构建局部集、应用模型特定选择器、聚合选中与未选中变量，并更新候选集及结果表示。框架允许灵活的主导变量、局部集和聚合规则，并在线性、广义线性、加速失效时间及Cox模型下实现。对于指定的一步线性配置，作者在代理覆盖、相关性分离、集内保留和保持活跃的聚合等条件下建立了确定筛选性质。模拟比较了完整与首轮S3VS与单遍SIS程序在线性、逻辑和Cox设定下的表现，显示S3VS在相关预测变量提供有用代理信息时可改善变量恢复或预测，但增益取决于预测变量结构和选择器选择。卵巢癌数据应用中，完整S3VS结合临床变量在内部判别和早期预测上表现最强，而SIS-Cox-LASSO结合临床变量在外部判别上最强；分子方法未一致降低预测误差。该方法已实现于CRAN R包S3VS。对您而言，该文与高维变量筛选及统计计算相关，其迭代框架和确定筛选条件可联系您在高维统计与计算复杂性方面的兴趣。
关键技术: marginal screening, correlation-based local sets, sure screening property, iterative variable selection, Cox proportional hazards model, R package implementation
为什么对您有用: 该文属于高维变量选择领域，与您的高维统计兴趣直接相关，特别是边际筛选与相关性利用的权衡。您可以用非常熟悉的非参数统计和极小极大界工具来评估其确定筛选条件的紧性，或探索其迭代框架与更高阶U统计量在计算成本上的联系。中期可做：若想深入其理论证明，需在经验过程理论上稍加巩固。

3. 2609.23468 — Exact Sign Recovery for PCA Connectivity Analysis in Mixture Models¶

作者: Kohei Kawamoto
机构: Kyushu University
分类: math.ST · stat.TH
相关性 6/10 · novelty: new_theory
摘要: 本文研究基于前 K-1 个主成分的 PCA 连通性构造（Ding and He 2004）的精确符号恢复问题，目标是在混合模型下恢复每个样本所属簇的连通符号。在均值仿射独立且分量数固定的设定下，作者显式推导了 oracle 信号投影，并利用行向特征空间界给出了充分条件，该条件由最弱信号方向主导，且不要求非零信号谱的条件数有界。在各项同性高斯噪声和固定均值形状下，得到了渐近精确的阈值；当混合比例相等且均值构成正则单纯形时，阈值有显式公式。方法核心是特征空间的行向扰动界和信号投影的几何分析，属于高维 PCA 的精确恢复理论。对您而言，该文与高维统计和随机矩阵理论中的特征向量扰动分析直接相关，其行向特征空间界技术可迁移到您熟悉的谱方法分析中。
关键技术: PCA connectivity construction, rowwise eigenspace bound, oracle signal projection, anisotropic sub-Gaussian noise, sharp threshold, regular simplex
为什么对您有用: 该文属于高维统计与随机矩阵理论中特征向量扰动分析的具体应用，直接连接您 primary interest 中的 high-dimensional statistics (Random matrix theory)。您 very_familiar 中的 high-dimensional asymptotics 和 minimax bounds 可用于验证其充分条件的紧性，或推导更一般噪声下的精确阈值；属于立即可做的 follow-up。

非参数 / 半参数 (nonparam_semipara, 4 篇)¶

1. 2609.23617 — Inference for sparsely sampled Gauss-Markov processes under outcome-dependent dropout¶

作者: Alexander Aue, Siegfried H\"ormann, Maximilian Ofner
分类: math.ST · stat.AP · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文研究稀疏观测的潜在 Gauss-Markov 过程（由线性 SDE 刻画）的统计推断，目标是在 outcome-dependent dropout 下估计 SDE 的漂移和扩散系数。该 dropout 机制（一旦最新观测超过阈值即终止采样）违反常用的 MCAR 假设，导致现有基于矩的方法产生偏差。作者提出基于似然的估计框架，利用完整观测的联合分布信息来校正 dropout 偏差，并建立估计量的收敛速率，证明其达到 minimax 最优（至多差对数因子），且随机初始条件下扩散系数的速率快于漂移系数。方法应用于肿瘤生长数据，展示了全概率函数型数据模型在预测带、首达时间和肿瘤年龄估计等二阶推断之外任务中的优势。对您而言，该文将缺失数据机制与函数型数据推断结合，其似然框架和 minimax 速率分析对纵向因果推断中的 dropout 问题有直接参考价值。
关键技术: likelihood-based estimation, Gauss-Markov process, stochastic differential equation, outcome-dependent dropout, minimax optimality, functional data analysis
为什么对您有用: 本文直接关联您 primary interest 中的 longitudinal causal inference 和 semiparametric/nonparametric theory：其 outcome-dependent dropout 设定是纵向研究中常见的缺失机制，而似然框架和 minimax 速率分析可借鉴到因果推断中的 g-formula 或 IPW 方法。您 very_familiar 的 nonparametric statistics 和 minimax bounds 工具足以理解并评估其理论贡献；中期可做的是将 dropout 机制纳入您 moderately_familiar 的 identification theory 中，探索因果 estimand 的可识别性。

2. 2609.23903 — Almost-sure uniqueness of the Gaussian location NPMLE¶

作者: Haiyang Wang
机构: Yale University
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_theory
摘要: 本文研究高斯位置混合模型（协方差为单位阵）中混合分布的非参数最大似然估计（NPMLE）的唯一性问题。作者证明，对任意样本量和维度，对 Lebesgue 几乎所有的数据集，NPMLE 是唯一的；特别地，当观测联合分布绝对连续时，唯一性几乎必然成立。证明依赖于高斯位置 NPMLE 的有限支撑定理以及最优对数似然函数的几乎处处可微性：在可微点，所有 NPMLE 在观测点处的密度导数相同，再结合高斯评价向量的最小线性相关排除不同解。附录将结果推广到任意固定、已知、观测特异正定协方差的情形。该结果填补了 NPMLE 唯一性理论在连续数据下的空白，对非参数混合模型的统计推断有基础性意义。
关键技术: nonparametric maximum likelihood estimation, finite-support theorem, almost-everywhere differentiability, linear dependence of Gaussian evaluation vectors
为什么对您有用: 该论文直接关联您的主要兴趣之一：非参数与半参数理论中的估计问题。它解决了 NPMLE 唯一性的基础理论问题，属于您 very_familiar 武器库中“非参数统计”和“minimax bounds for estimation problems”可触及的范畴。虽然不涉及高维或因果推断，但该结果对您可能感兴趣的混合模型推断和效率理论有潜在影响。

3. 2609.24374 — Nonparametric Estimation of the Diffusion-Interaction Function in Particle Systems¶

作者: Chiara Amorino, Francisco Pina, Mark Podolskij
机构: Universitat Pompeu Fabra · Barcelona School of Economics · University of Luxembourg
分类: math.ST · math.PR · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文研究粒子系统中扩散系数含交互函数的非参数估计问题，系统在固定时间区间内离散观测，交互函数属于合适的非参数函数类。作者提出基于经验风险最小化的筛网估计程序，利用观测轨迹的局部波动性构造可计算的对比函数。在问题内在范数下推导了通用的非渐近误差界，并针对多分辨率小波逼近空间给出显式多项式收敛速率，区分粒子数误差主导和离散化误差主导两种情形。此外还建立了经典 L2 范数下的收敛速率。该工作将非参数筛网估计推广到交互粒子系统这一复杂依赖结构，理论工具包括经验过程和小波逼近。对您而言，其非渐近界和筛网方法可迁移到您熟悉的高维或半参数估计问题，但粒子系统的依赖结构可能带来新的技术挑战。
关键技术: sieve estimation, empirical risk minimization, wavelet approximation, non-asymptotic error bounds, particle systems
为什么对您有用: 本文属于非参数估计理论，直接连接您的 primary interest 中的 semiparametric and nonparametric theory。您可以用 very_familiar 的 minimax bounds 和 sieve 方法分析其收敛速率是否最优，但粒子系统的交互依赖结构可能需要先熟悉相关概率工具（如 McKean-Vlasov 极限），因此中期可做。

4. 2609.24153 — Quantifying Long-Range Dependence in Object-Valued Time Series¶

作者: Won-Ki Seo, Jiazhen Xu, Han Lin Shang
机构: Macquarie University
分类: stat.ME · math.ST · stat.TH
相关性 6/10 · novelty: new_method
摘要: 该文针对对象值时间序列（如分布、协方差矩阵、网络、成分数据）提出内在的长记忆定义与估计框架，因这些对象缺乏线性结构，传统基于自协方差的长记忆定义不适用。在负类型度量空间中，通过等距嵌入得到中心化的 Hilbert 值过程，利用其滞后协方差算子的迹作为时间依赖的有符号可加度量，并证明该迹等于边际平均成对距离与期望滞后距离之差，从而仅需原始对象间的距离即可估计。记忆参数由该迹的不可和衰减定义，且在 Hilbert 值设定下与通常参数一致。估计采用距离型滞后测度的 Bartlett 聚合，并针对共同边际距离估计引起的共同中心化偏差，提出迭代块差分校正、对数比率与多带宽对数斜率估计器及局部自洽细化。作者建立了估计的一致性，模拟显示偏差大幅降低，并在外汇收益分布与美国发电成分数据中发现长记忆证据。对您而言，该文将非参数距离方法引入时间序列长记忆分析，与您在高维统计和半参数理论中的工具（如 U-统计量、经验过程）有潜在联系，可作为扩展研究方向的参考。
关键技术: metric space of negative type, isometric embedding, Bartlett aggregates, block-difference correction, log-ratio estimator, multi-bandwidth log-slope estimator
为什么对您有用: 该文属于非参数/半参数理论方向，与您对非参数统计和假设检验的兴趣相关。它提出了一种基于距离的长记忆估计方法，其理论分析涉及 U-统计量结构（成对距离的平均），您可以用 very_familiar 的 U-统计量投影理论来审视其估计量的渐近性质，或探索更高阶的改进。中期可做：若想深入其嵌入与算子谱分析，需在 moderately_familiar 的泛函数据分析上加强。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)¶

1. 2609.23220 — Consistent Order Selection under Non-Identifiability and Dependence¶

作者: Eduardo Fonseca Mendes
分类: stat.ME · econ.EM
相关性 7/10 · novelty: new_theory
摘要: 本文研究在非可辨识性和相依误差下，惩罚最小二乘回归模型阶数选择的一致性。经典设定要求真实阶数以上的参数可辨识，本文放宽为：只要多余方向在真实参数邻域内对真值有线性近似即可，从而允许候选模型数随样本量增长，无需固定上界。作者在鞅差误差下给出充分条件，并验证了两类非线性回归模型——多机制平滑转换回归和混合专家模型（含广义线性模型专家）——满足这些条件。在BIC型惩罚下，当候选模型数增长慢于样本对数时，阶数选择规则一致。该结果对时间序列和面板数据中的模型选择有直接意义，且与您在高维统计和假设检验方面的兴趣相关，尤其是模型选择一致性的理论边界。
关键技术: penalized least squares, BIC-type penalty, martingale difference errors, non-identifiability relaxation, smooth transition regression, mixture-of-experts models
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理论兴趣，特别是放宽可辨识性条件这一新视角，可能启发您在高维或非参数设定下的类似一致性结果。您熟悉的非参数统计和M估计理论可用于验证其高维条件，但核心证明涉及鞅差和局部线性近似，需先熟悉相关工具。中期可做：用您的M估计理论检验其条件在更一般设定下的适用性。

2. 2609.23635 — Model-free and Distributionally Robust Feature Screening with False Discovery Control for High-Dimensional Heterogeneous Data¶

作者: Cong Cheng, Runze Li, Yuan Ke
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文针对高维异质数据提出一种无模型特征筛选框架，基于新提出的分布鲁棒依赖度量 Copula Divergence。所提方法 CD-Screen 不依赖具体回归模型或分布假设，仅按 Copula Divergence 对特征排序，克服了现有筛选方法对模型假设和异质分布敏感的问题。同时引入 CD-FDR 程序以控制错误发现率，保证特征选择的准确性和效率。理论部分证明了 CD-Screen 的 sure screening 和 rank consistency 性质，以及 CD-FDR 的 FDR 渐近控制。大量模拟表明该方法在多种场景下优于传统筛选方法。美国股票收益与通胀关系的实证分析展示了方法的实用性，并提供了行业层面响应的描述性证据。对您而言，该文的分布鲁棒依赖度量与 FDR 控制结合思路，可迁移至高维因果推断中的变量选择或敏感性分析。
关键技术: Copula Divergence, model-free feature screening, false discovery rate control, sure screening property, rank consistency
为什么对您有用: 该文属于高维统计与假设检验交叉方向，与您的高维统计和假设检验兴趣直接相关。其分布鲁棒依赖度量可视为对传统相关性度量的推广，您可以用 very_familiar 的 minimax 界工具分析其 sure screening 性质的有限样本表现，或用 moderately_familiar 的 HOIF 理论探讨其在高阶交互特征筛选中的扩展。中期可做：将 CD-FDR 与因果推断中的变量选择结合，需先熟悉 FDR 控制的最新进展。

3. 2609.24929 — Conformalized Quantile Regression and Minimax Limits of Fixed-Score Calibration under Known Covariate Shift¶

作者: Rustam Isaev, Anton Conrad, Denis Belomestny, Eric Moulines, Sergey Samsonov
机构: National Research University Higher School of Economics · Lomonosov Moscow State University · École Pour l'Informatique et les Techniques Avancées · University of Duisburg-Essen · Mohamed bin Zayed University of Artificial Intelligence
分类: math.ST · cs.LG · stat.ML · stat.TH
相关性 7/10 · novelty: new_theory
摘要: 本文研究分裂共形分位数回归（CQR）在已知协变量偏移下的非渐近 L^p 误差界，目标是最小化预测区间长度并保证条件覆盖。方法依赖局部正则性条件与估计分位数的精度，并针对稀疏 ReLU 神经网络实例化。在已知协变量偏移下，作者构造了两个固定分数校准基准，并得到匹配的 minimax 上下界：标量问题对所有 p∈[1,∞] 匹配，K 阈值问题对有限 p 匹配，且高概率下界对所有 p 成立。核心贡献在于将共形预测的校准误差与 minimax 最优性联系起来，为区间预测提供了理论保证。
关键技术: split conformal prediction, quantile regression, covariate shift, minimax bounds, ReLU neural networks
为什么对您有用: 本文属于假设检验与不确定性量化方向，与您对非参数/半参数理论及 minimax 界的兴趣直接相关。您可用 very_familiar 的 minimax 界技术验证其下界是否紧，或探索其与更高阶 U 统计量的联系。

4. 2609.23303 — Uniform Inference for Parameters Identified by Conditional Quantile Restrictions¶

作者: Xuqing Lin, Xiaojun Song
机构: Peking University
分类: econ.EM
相关性 7/10 · novelty: new_method
摘要: 本文针对由条件分位数约束识别的结构参数，提出统一的推断框架。基于 Bierens (1990) 的指数加权方法和 Chen et al. (2025) 的惩罚极大统计量，将条件分位数约束转化为连续统上的无条件矩条件，并构造自适应 L1 惩罚的 sup 统计量以聚合各分位点的证据。惩罚项用于正则化对权重方向的极大化，在均匀性条件下，已知参数的自适应选择器在极大极小局部功效上不劣于无惩罚检验，且当某个正惩罚的总体极大极小准则严格大于零惩罚时，可获得严格的功效增益。理论扩展到含预估计 nuisance 参数的情形，刻画了 plug-in 步骤在极限过程中引入的额外项，并推导了解析修正的方差估计量以计入估计不确定性，同时建立了高斯乘子 bootstrap 在零假设和局部备择序列下的有效性。蒙特卡洛模拟显示，在线性设计下所提 CvM-KS 聚合方案的拒绝率接近名义水平，在非线性设计中随样本量增大趋于名义水平；自适应与无惩罚程序的功效比较依赖于具体设计。对您而言，该文将条件分位数识别与惩罚 sup 检验结合，其 plug-in 方差修正和 bootstrap 有效性证明可迁移至您熟悉的半参数效率理论框架下的推断问题。
关键技术: conditional quantile restrictions, exponential weighting, penalized supremum statistic, adaptive L1 penalty, maximin local power, Gaussian multiplier bootstrap
为什么对您有用: 该文属于假设检验与半参数推断的交叉，直接关联您的主要兴趣（hypothesis testing 与 semiparametric theory）。其惩罚 sup 统计量与 plug-in 方差修正技术，可用您非常熟悉的非参数统计和 M-估计理论来审视；但核心的极大极小功效分析涉及您 moderately_familiar 的 semiparametric theory，属于中期可做：需先巩固半参数效率界与局部备择功效分析。

5. 2609.24419 — A Three-Way Testing Framework for Quantifying Epistemic Calibration Uncertainty in SBI¶

作者: Luben M. C. Cabezas, Pedro L. C. Rodrigues, Rafael Izbicki
机构: Institut polytechnique de Grenoble · Centre National de la Recherche Scientifique · Centre Inria de l'Université Grenoble Alpes · Laboratoire Jean Kuntzmann · Université Grenoble Alpes · Universidade Federal de São Carlos
分类: stat.ME · stat.ML
相关性 6/10 · novelty: application
摘要: 在基于模拟的推断（SBI）框架下，针对不可处理的似然函数，本文关注校准后可信区间（credible region）的覆盖性质。现有模型无关的共形校准方法虽能保证局部贝叶斯覆盖，但其近似性引入了校准过程中的认知不确定性。作者提出一个三向假设检验程序，用于诊断校准不确定性，并评估校准集所需的模拟预算以及截断值估计的认知不确定性。该方法通过将校准不确定性分解为不同假设下的检验决策，为实践者提供了量化工具。主要贡献在于将假设检验框架应用于SBI校准诊断，而非提出新的校准估计器。对您而言，该工作将假设检验与SBI结合，可能为您的假设检验兴趣提供新的应用场景，但方法学新颖性有限。
关键技术: simulation-based inference, conformal calibration, three-way hypothesis testing, credible regions, coverage diagnostics
为什么对您有用: 该论文属于假设检验方向，但更偏向应用层面，与您的主要兴趣（如假设检验理论）关联较弱。它可能作为SBI校准不确定性的入门读物，但方法学贡献有限。您的武器库（如非参数统计、假设检验）足以理解其方法，但缺乏直接可迁移的深度。

统计计算 / 算法 (stat_computing, 5 篇)¶

1. 2609.24501 — Tensor Completion using Subspace Information¶

作者: Jingyang Li, Michael K. Ng
分类: stat.ME · stat.ML
相关性 7/10 · novelty: new_method
摘要: 本文研究张量补全问题，在均匀采样下，现有多项式时间算法所需的样本量通常超过自由度数量，暗示可能存在统计-计算差距。作者利用实际中可获得的边信息（subspace information）来缓解这一困难，提出 TCSI 算法：先从边信息中估计子空间，再将张量补全转化为矩阵回归问题。理论上，当子空间信息准确时，所需样本复杂度降至关于非耦合维度的近线性阶，消除了耦合模式维度对主导项的影响；相比若干被动均匀采样保证，所需信噪比条件更宽松，且在额外温和条件下得到更优的统计误差界。数值实验验证了理论，并应用于全球总电子含量（TEC）图重建，误差低于对比方法。
关键技术: tensor completion, subspace estimation, matrix regression, sample complexity analysis, signal-to-noise ratio
为什么对您有用: 本文直接关联您的统计计算兴趣，特别是张量补全中的统计-计算差距问题，属于 gateway reading 范畴。您对 higher-order U-statistics 的 tensor-network/einsum 复杂度视角可能有助于分析其算法成本，但核心的样本复杂度证明依赖矩阵回归和子空间估计，您的武器库（非参数统计、高维渐近）足以理解主要结论，但若要深入计算复杂性下界，则需补充低度多项式或 SQ 方法。总体而言，本文是值得一读的入门级计算统计论文，但方法学新颖性一般。

2. 2609.23747 — A Stochastic EM Algorithm with Sampling-Importance Resampling for Missing Data in Regression with Nonlinear Predictors¶

作者: Dale S. Kim
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文提出一种随机EM算法（SIR-StEM），用于处理具有任意非线性预测变量变换的回归模型中的缺失数据问题。在非线性变换下，缺失值的条件分布通常难以处理，现有方法要么局限于特定非线性形式（如多项式或交互项），要么依赖可能引入偏倚的近似。SIR-StEM仅需评估完整数据似然至比例常数，通过采样-重要性重采样（SIR）实现随机EM的E步，从而适用于广泛的非线性回归模型。算法利用缺失数据模式信息提高计算效率，并建立了估计量的渐近正态性。两个模拟研究（参数非线性变换和基于真实行为测量的样条基展开）表明，SIR-StEM具有低偏倚和接近名义覆盖率的置信区间，优于其他常见方法。本文对您可能有用，因为它展示了在复杂模型下处理缺失数据的计算策略，与您对统计计算和算法设计的兴趣相关。
关键技术: stochastic EM algorithm, sampling-importance resampling, missing data, nonlinear regression, spline basis expansion, asymptotic normality
为什么对您有用: 本文属于统计计算方向，与您的主要兴趣之一（统计计算：数值方法与算法）直接相关。它提出了一种新的计算框架（SIR-StEM），用于处理非线性模型中的缺失数据，这在因果推断和纵向数据分析中也很常见。您可以用您非常熟悉的软件开发和数值方法技能来复现或扩展该算法，例如将其应用于您感兴趣的因果推断场景中的缺失协变量问题。这是一个中期可做的方向，需要先熟悉随机EM和重要性重采样的细节。

3. 2609.23857 — Bayesian Posterior Learning of Mixed Graphical Models¶

作者: Erdong Guo, Alexandros Beskos, Maria De Iorio
机构: University College London · National University of Singapore
分类: stat.ME · stat.AP · stat.CO
相关性 5/10 · novelty: application
摘要: 本文针对混合型数据（连续与离散变量并存）的图模型结构学习，提出贝叶斯推断框架。作者通过潜高斯变量对离散分量建模，提出 copula-MGM 和 probit-MGM 两种似然设定。基于 WWA 算法，开发了 copula-WWA 和 probit-WWA 两种 MCMC 方法，利用潜变量增广与图结构更新的 Gibbs 采样进行后验推断。模拟研究表明，所提方法在图恢复精度上与现有方法（如 copula-BD MCMC、probit-BD MCMC）相当或更优，且有效样本量（ESS）每单位计算时间更高。在 PAM50 乳腺癌基因表达数据上的应用展示了其实际效用。对您而言，本文的 MCMC 计算策略与图模型结构学习问题，与您统计计算和算法方向的兴趣相关，但其方法学新颖性有限，属于应用型贡献。
关键技术: Mixed Graphical Models, latent Gaussian representation, copula-based ranked likelihood, probit likelihood, MCMC (WWA algorithm), Gibbs sampling
为什么对您有用: 本文属于统计计算方向，涉及贝叶斯图模型推断的 MCMC 算法设计，与您 primary interest 中的 statistical computing 相关。但作为 gateway reading，其方法学创新点在于将 WWA 算法扩展到混合图模型，而非全新的计算理论。您的武器库（如 MCMC 基础、图模型知识）足以理解本文，但若要深入改进算法效率，可能需要补充更高级的 MCMC 诊断或并行计算技术。总体而言，本文可作为了解混合图模型贝叶斯推断的入门读物，但深度有限，不值得优先精读。

4. 2609.23985 — Spectral divide-and-conquer MCMC for long stationary time series¶

作者: Zixuan Wang, Matias Quiroz, Feng Li, Mattias Villani, Robert Kohn
机构: University of Technology Sydney · Peking University · Stockholm University · UNSW Sydney
分类: stat.ME · stat.CO
相关性 5/10 · novelty: new_method
摘要: 本文针对平稳时间序列的分布式贝叶斯推断问题，提出一种基于频域划分的谱分治MCMC方法。由于时间域的强相关性阻碍了朴素并行，作者利用Whittle似然下频域渐近独立的性质，将数据变换到频域后应用分治算法。方法包括分布式快速傅里叶变换，并与现代集群计算框架集成，支持超内存或计算瓶颈的长序列分析。理论结果表明，所提后验近似在Whittle后验众数的收缩邻域内依概率收敛到精确时间域后验，并给出收敛速率。实验显示，该方法在高度持续过程上优于现有时间域分治方法，并应用于长气象时间序列的半长记忆模型拟合。
关键技术: Whittle likelihood, divide-and-conquer MCMC, distributed FFT, frequency-domain partitioning, posterior consistency
为什么对您有用: 本文属于统计计算方向，与您的统计计算兴趣直接相关，且其频域分治思想可能对您在高维或长序列问题中的计算策略有启发。您熟悉的软件开发和算法设计能力足以评估其实现细节，但核心理论涉及贝叶斯渐近，可能需要补充相关背景。总体而言，作为统计计算的应用型方法论文，值得一读，但方法学新颖性一般，属于对现有分治框架的频域扩展。

5. 2609.23705 — PAR2COX: Survival-Informed Tensor Decomposition for Phenotyping and Risk Prediction from Irregular Longitudinal Data¶

作者: Mariafrancesca Patalano, Elif Konyar, Kamran Paynabar
机构: University of Padua · The University of Texas at Dallas · University of North Texas at Dallas · Georgia Institute of Technology
分类: stat.ME
相关性 4/10 · novelty: application
摘要: 本文提出 PAR2COX，一个将 PARAFAC2 张量分解与 Cox 比例风险模型联合估计的框架，用于从不规则纵向临床数据中同时进行表型识别与风险预测。其核心思想是将每个患者的潜在因子作为 Cox 模型中的协变量，并通过交替优化算法联合最大化似然，从而实现生存信息引导的表型学习。该方法能同时处理已有结局的历史患者和结局未知的当前患者，适用于实时风险分层。在 MIMIC-IV 数据上的数值实验表明，与现有方法相比，PAR2COX 改善了风险分层效果。对您而言，该工作将张量分解（与您高阶 U 统计量的张量网络视角相关）与生存分析结合，提供了一个统计计算与因果推断交叉的应用场景。
关键技术: PARAFAC2 decomposition, Cox proportional hazards model, alternating optimization, joint likelihood, irregular longitudinal data, phenotyping
为什么对您有用: 该论文属于统计计算方向，涉及张量分解与生存模型的联合估计，与您对统计计算和高阶 U 统计量的兴趣相关。您可以用 very_familiar 的软件开发和张量计算技能（如 einsum）来复现或扩展其交替优化算法，中期可做的是利用 moderately_familiar 的 M 估计理论分析其估计量的渐近性质。该文作为应用导向的方法论文，值得一读以了解张量方法在临床数据中的应用。

天体统计 (astrostats, 6 篇)¶

1. 2609.24304 — Scale-Vector Alignment: A Scale-Aware Framework for Spatially Resolved Morphological Similarity in Astronomical Images¶

作者: Mengke Zhao, Guang-Xing Li, Keping Qiu, Shanghuo Li
机构: Nanjing University · Yunnan University
分类: astro-ph.IM · astro-ph.GA · cs.CV · physics.comp-ph
相关性 6/10 · novelty: application
摘要: 本文提出一种尺度感知的相似性度量方法，用于比较天文图像中不同示踪剂的空间形态。方法基于约束扩散分解（CDD），将图像分解为局部尺度分量，在每个像素位置定义尺度向量，描述强度在空间尺度上的分布。像素级相似度 Spix 定义为两个局部尺度向量的归一化对齐，去除整体振幅，比较相对尺度组成而非绝对流量；尺度级相似度 Sscale 则比较每个空间尺度上的 CDD 分量图。通过空间平移构建经验参考分布，用于评估 Spix 的显著性。在 Orion A 中，与尘埃柱密度图最相似的示踪剂随柱密度增加从 12CO 变为 13CO 再到 C18O；在 NGC 6334I(N) 中，线-连续谱相似度在最亮致密结构附近局部下降；在 NGC 3627 中，CO 与 21 微米发射最相似，且 Sscale 在亚千秒差距中间尺度达到最大。方法公开可用，为多示踪剂比较提供了新工具。
关键技术: Constrained Diffusion Decomposition (CDD), scale-vector representation, pixel-wise cosine alignment, scale-wise component comparison, empirical null distribution via spatial shifts
为什么对您有用: 作为天文统计学的入门读物，本文清晰展示了多尺度图像分解与相似性度量的实际应用，适合了解天文图像数据结构和分析需求；您的武器库（非参数统计、高维方法）足以理解其核心思想，但若要深入改进方法（如更严格的统计推断），可能需要补充空间统计或图像处理知识；值得花时间读全文以拓宽跨学科视野。

2. 2609.24318 — Fast and accurate astronomical source deblending with Density-Peak Clustering¶

作者: M. D. Lepinzan, F. Tomba, E. Romelli, A. Rodriguez, L. Tornatore
机构: Trieste Astronomical Observatory · National Institute for Astrophysics · University of Trieste · Istituto Nazionale di Fisica Nucleare, Sezione di Trieste
分类: astro-ph.IM
相关性 6/10 · novelty: application
摘要: 本文针对天文巡天中日益严重的源混合（source blending）问题，提出了一种基于密度峰聚类（Density-Peak Clustering）的快速源分离算法 ADP 的重新设计。作者构建了包含真实图像模拟、自动生成真值分割和标签不变指标的验证框架，并在成对模拟、多源合成图像以及 Euclid Q1 公开数据上，与已有的密度型天文去混合算法 ASTErIsM 进行了系统比较。在成对模拟中，两种方法在源间距和流量比的大范围内表现相当，光度差异通常低于 1%，最困难情形下为 5-7%，且无系统性偏差。在多源模拟中，ADP 能多恢复约 8% 的真值源，且两种方法共同识别源的位置在亚像素级别一致。在 Euclid 19200x19200 像素图像上，ADP 的端到端运行时间为 16-200 秒，相比 ASTErIsM 实现了 12-156 倍的加速（中位数 36 倍，均值 54 倍）。结果表明 ADP 在科学上具有竞争力的同时大幅降低了计算成本，适合大规模巡天数据处理。对您而言，本文是天文统计中图像分割与计算效率权衡的典型实例，可作为进入 astrostatistics 领域的入门读物，其验证框架和性能评估方法值得借鉴。
关键技术: Density-Peak Clustering, source deblending, image simulation, label-invariant metrics, benchmarking
为什么对您有用: 本文属于 astrostatistics 领域的应用型工作，作为 gateway reading 具有良好可读性：问题设定清晰（源混合对测光和形态测量的影响），数据与模型层面交代充分（模拟图像、真值分割、评估指标）。您的技术武器库（如非参数统计、高维方法）足以理解其核心方法，但本文并非方法论创新，而是算法工程与验证框架的贡献。值得花时间读全文以了解天文图像处理的实际挑战和评估实践，但无需深入跟进。

3. 2609.24500 — Natural coordinates for constrained correlation functions: Partial autocorrelations and the geometry of positive power spectra¶

作者: Thomas Erben
分类: astro-ph.IM · math-ph · math.MP · math.ST · stat.TH
相关性 6/10 · novelty: application
摘要: 本文研究宇宙剪切与大尺度结构分析中两点相关函数的约束问题：功率谱非负性要求相关序列 (r_1,...,r_N) 落在有界凸区域内。作者将 Schneider & Hartlap (2009) 引入的仿射变量 x_n 识别为对应正 Toeplitz 相关矩阵的偏自相关系数 α_n，从而为可容许区域提供自然坐标，每个 α_n 独立地在 [-1,1] 变化。这一识别使得时间序列分析中的偏自相关工具箱直接适用，可容许区间可由 O(N^2) 递推在任意阶获得，避免了原行列式形式主义的高阶复杂性。Wilking & Schneider (2013) 的准高斯似然中的反双曲正切变换被解释为偏自相关的 Fisher z 变换，赋予其经典统计意义。数值实验验证了在一维情形下这些自然坐标的实用性；高维各向同性约束需要额外几何输入，不在本文直接范围内。
关键技术: partial autocorrelation, Toeplitz matrix, Fisher's z-transformation, recursive interval geometry, quasi-Gaussian likelihood
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它以清晰的统计语言（偏自相关、Toeplitz 矩阵、Fisher z 变换）重新表述了天文数据分析中的约束问题，适合作为入门读物。武器库中的非参数统计和矩阵理论足以理解其核心识别，但若要推广至高维各向同性情形，可能需要更深的几何工具（如协方差矩阵的谱约束），目前暂不可做。值得花时间读全文，因为其连接了经典时间序列统计与天文相关函数分析，提供了可迁移的统计视角。

4. 2609.22429 — Probing Millisecond Optical Timescales with Continuous-Readout Mode Observations from ZTF¶

作者: Shar Daniels (Department of Physics and Astronomy, University of Delaware, Newark, DE, USA), Federica Bianco (Department of Physics and Astronomy, University of Delaware, Newark, DE, USA), Igor Andreoni (Department of Physics and Astronomy, University of North Carolina, Chapel Hill, NC, USA), Ashish Mahabal (Division of Physics, Mathematics and Astronomy, California Institute of Technology, Pasadena, CA, USA), Rich Dekany (Caltech Optical Observatories, California Institute of Technology, Pasadena, CA, USA), Gregory Dobler (Department of Physics and Astronomy, University of Delaware, Newark, DE, USA), Matthew Graham (Cahill Center for Astrophysics, California Institute of Technology, Pasadena, CA, USA), Roger Smith (Caltech Optical Observatories, California Institute of Technology, Pasadena, CA, USA), Rujula Yete (Department of Physics and Astronomy, University of North Carolina, Chapel Hill, NC, USA)
机构: University of Delaware · University of North Carolina at Chapel Hill · California Institute of Technology
分类: astro-ph.IM
相关性 5/10 · novelty: application
摘要: 本文利用 Zwicky Transient Facility 的连续读出模式数据，首次在 141 平方度、1128 星时的天区上以 300 次/秒的采样率探测毫秒级光学暂现源。作者开发了基于卷积神经网络的深度学习流水线，能够以 66% 的精确率和 78% 的召回率识别持续 9.7-29.2 毫秒、亮度变化大于 10% 的光学暂现源，后续光变曲线分析的效率超过 94.6%。在 G_RP < 12 等的源中检索到约 30 万个候选体，其中 100 个 SNR>1.55 的候选体经视觉检查后，在扣除噪声和已知及该观测模式特有的污染源后，均被排除为天体物理起源。由此给出了约 10 毫秒暂现事件在点源、白矮星和类星体上的观测率上限。该研究首次对亮端毫秒光学暂现源和变源天区进行了表征，确立了光学波段短时标变率的稀有性。对您而言，这是一篇典型的 gateway reading 天文学论文，其数据结构和噪声模型（高采样率、连续读出、候选体筛选）为统计方法（如异常检测、假设检验）提供了有趣的应用场景。
关键技术: continuous-readout mode, convolutional neural network, light curve analysis, candidate filtering, upper limit estimation
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰展示了天文暂现源搜索的数据结构（高采样率、噪声、选择效应）和模型（CNN 分类、光变曲线分析），适合作为入门读物。您的武器库（非参数统计、假设检验、高维方法）足以理解其分析流程，但若要深入改进其候选体筛选或率估计，可能需要补充天文背景知识。值得花时间读全文以了解该领域的数据特点。

5. 2609.24743 — First Experimental Evaluation of Stray Light Noise Modeling of kilometers-long Beam Tube Arms of Gravitational Wave Detectors¶

作者: Emilia Chick, Timothy O'Hanlon, Hiro Yamamoto, Denis Martynov. Valery Frolov, Anamaria Effler, Antonios Kontos
机构: University of Birmingham · California Institute of Technology · Institute of Science Tokyo · Bard College
分类: astro-ph.IM
相关性 5/10 · novelty: application
摘要: 本文首次对 LIGO 引力波探测器千米级束管（beam tube）挡板（baffle）的杂散光噪声模型进行实验评估。作者结合 LIGO Livingston 的测试数据和 SIS 模拟，建立了中臂挡板的后向散射和衍射噪声模型，并与实测引力波应变进行比较。结果显示模型与实测在 3-10 倍因子内吻合，并在约 35Hz 和 90Hz 处识别出两个传播良好的运动区域，这些区域在应变信号中表现为宽带特征。此外，在 70-100Hz 之间发现 Q 值约 100-1000 的峰，推测仅来自衍射噪声，并利用应变测量的 Q 因子进行建模，模型与信号吻合良好。文章还讨论了辅助臂系统对杂散光噪声的影响。作为实验评估，本文提供了详细的噪声建模与数据对比流程，对统计学家而言是了解引力波探测器噪声特性的良好入门读物。
关键技术: stray light noise modeling, backscatter and diffraction noise, SIS simulation, Q-factor estimation, spectral analysis
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰展示了引力波探测器中噪声建模与实测数据对比的完整流程，适合作为入门读物。武器库中的非参数统计和谱分析工具足以理解其方法，但本文方法学 novelty 较低，主要价值在于数据结构和噪声特性，值得花时间读全文以了解引力波数据中的实际噪声挑战。

6. 2609.24851 — The Sun can flip the shielding effect of added spacecraft mass¶

作者: Yasser Maghrbi, Nelson Christensen
机构: Centre National de la Recherche Scientifique · Gulf University for Science & Technology · Observatoire de la Côte d’Azur
分类: astro-ph.IM
相关性 4/10 · novelty: application
摘要: 本文研究航天器结构质量对自由落体测试质量充电率的影响，背景是引力波天文台（如 LISA）和等效原理实验中的加速度噪声。作者发现，增加铝屏蔽层厚度并不总是降低带电粒子引起的充电率：在太阳活动极小期，将铝厚度从 16 增至 24 g cm^-2 可使阻止质子数减少约 2.3%，但在太阳活动极大期反而增加约 17%，交叉点位于深太阳极小期。机制在于附加材料既衰减入射质子，又通过核过程产生新的粒子进入停止能量窗口，从而翻转屏蔽效应。作者将结果一阶投影到已发表的充电率上，得到净充电率约 -2% 和 +11% 的变化，影响电荷积累、放电需求和噪声预算。该工作对统计学家而言，展示了粒子输运模拟与太阳活动周期耦合下的不确定性量化问题，但方法学贡献有限。
关键技术: Monte Carlo particle transport simulation, first-order projection, uncertainty quantification
为什么对您有用: 本文属于 astrostatistics 的入门级读物：它清晰展示了天文仪器设计中一个具体的物理-统计问题（粒子通量模拟与参数不确定性），但数据结构和模型设定相对简单，武器库中的非参数统计和因果推断工具难以直接切入。作为 gateway reading，本文可读性好，能帮助了解 LISA 等任务的噪声预算来源，但方法学迁移空间有限，不值得深入精读。

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 2609.23998 — A Stochastic Nested Fixed Point Algorithm for Large-Scale BLP Estimation¶

作者: Zhentong Lu, Myung Hwan Seo, Youngki Shin, Qichen Zhang
机构: Bank of Canada · Hong Kong University of Science and Technology · University of Hong Kong · McMaster University
分类: econ.EM · stat.CO · stat.ME
相关性 6/10 · novelty: new_method
摘要: 本文提出一种随机嵌套不动点（SNFP）估计量，用于大规模随机系数 logit 需求模型（BLP 模型）。与传统 NFP 估计量相比，SNFP 通过随机梯度更新参数并逐市场进行需求反演，大幅降低内存需求和计算成本，使估计在极大数据集上可行。作者在正则条件下建立了估计量的大 T（市场数）渐近性质，并刻画了跨市场共享同一块模拟抽样的影响及修正方法。蒙特卡洛模拟显示 SNFP 的统计精度与 NFP 相当，在基准测试中单次在线遍历可在约 5.5 小时内估计含 1 亿市场的模型。实证应用使用扫描数据进一步展示了 SNFP 在大规模需求估计中的实际优势。
关键技术: stochastic gradient descent, nested fixed point algorithm, random coefficients logit, demand inversion, large-T asymptotics
为什么对您有用: 本文属于经济理论/实证应用方向，作为 gateway reading 可了解大规模结构计量估计的计算挑战与随机化方法。武器库中的统计计算与高维渐近工具足以理解其随机梯度与渐近论证，但若要深入分析其计算-统计权衡，需补充随机优化理论。

其他 (other, 4 篇)¶

1. 2609.24571 — Filtering and Smoothing with Score-Driven Models¶

作者: Giuseppe Buccheri, Giacomo Bormetti, Fulvio Corsi, Fabrizio Lillo
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文研究得分驱动模型（score-driven models）在状态估计中的应用，指出其本质上是纯预测滤波器，忽略了同期和未来观测对当前状态的信息。作者基于线性高斯模型的卡尔曼滤波和平滑递归可写成条件对数似然得分的形式这一观察，将得分驱动模型推广为更新滤波器和平滑器，分别利用同期观测和全样本信息，并给出相应的条件方差。蒙特卡洛实验表明，更新滤波器比预测滤波器均方误差降低3.5%至8.8%，平滑器降低32%至44%，且置信带达到名义覆盖，而忽略滤波不确定性的带仅覆盖不到三分之一。实证分析显示，作为滤波器而非纯预测过程的得分驱动模型，其平滑估计与实现量更吻合。
关键技术: score-driven models, Kalman filter, Kalman smoother, conditional likelihood score, state-space models
为什么对您有用: 本文属于时间序列状态空间建模与滤波方法，与您的主要兴趣（因果推断、高维统计等）无直接交集，但其中利用得分构造更新和平滑递归的思想，可能对您熟悉的统计计算（如软件实现）有一定启发。作为统计方法论文，其蒙特卡洛评估和实证分析模式可参考，但整体相关性较低。

2. 2609.23120 — Modeling bounded well-being indices using Bayesian double generalized beta regression with spatial and temporal borrowing¶

作者: Abhi Jain, Michael LaValley, Kimberly A. Dukes, Shariq Mohammed
分类: stat.ME · stat.AP
相关性 4/10 · novelty: application
摘要: 本文提出一种贝叶斯双广义 beta 回归框架，用于建模有界个体健康幸福感指数（WBI），数据来自马萨诸塞州 2021-2023 年年度调查，并地理标记到 ZIP 码区域（ZCTA）。方法通过图拉普拉斯矩阵编码基于驾驶时间的 ZCTA 邻接结构以引入空间依赖，并利用后验空间效应作为下一年的先验实现时间借用。这种双重借用策略在稀疏数据区域提高了估计精度，并改善了对较小地理单元的推断。模拟研究验证了空间和时间信息借用的优势；真实数据分析发现收入、教育状况和婚姻状况与 WBI 最相关，且西部、科德角和波士顿附近的 ZCTA 空间效应最高。
关键技术: Bayesian double generalized beta regression, graph Laplacian, spatial borrowing, temporal borrowing, posterior prior updating
为什么对您有用: 本文属于应用统计（stat.AP），与您的主要兴趣（因果推断、高维、半参数等）无直接交集，但作为流行病学/健康指标的应用工作，可能提供数据集和分析模式参考。作为 gateway reading，本文方法学新颖性有限，但展示了贝叶斯空间-时间建模在健康指标中的应用，可作为了解该领域的入门读物。

3. 2609.23798 — Optimal Biological Dose Combination Finding: A Design Roadmap and Robust Cross-Indication Bayesian Borrowing¶

作者: Ayon Mukherjee, Kentaro Takeda, James M. S. Wason
机构: Newcastle University · Center for Global Development · Astellas Pharma (Japan)
分类: stat.ME · stat.AP
相关性 4/10 · novelty: application
摘要: 本文针对早期联合肿瘤试验中的最优生物剂量组合（OBDC）发现，提出一个设计路线图，并引入跨适应症贝叶斯借用方法。作者首先修正了OBDC设计的3x2分类法，按机制和目标区分基于规则、模型辅助和基于模型的设计。然后提出一个基于规则的设计Ji3+3-Comb，填补了透明、无模型组合剂量发现的空白。核心贡献是贝叶斯分层效用跨适应症（BHUC）设计，通过稳健混合先验在共享同一联合方案的适应症间借用信息，同时折扣非可交换信息。作者证明在真实率不一致时，混合先验的后验权重自动趋于零，并给出一个与样本量无关的借用影响上界。通过5000次重复模拟和案例研究，显示模型辅助设计在安全-疗效权衡上最稳健，而BHUC即使在异质性下也能提高正确选择率。
关键技术: Bayesian hierarchical model, mixture prior, robust borrowing, dose-finding design, utility-based decision
为什么对您有用: 本文属于早期临床试验设计领域，与您的主要兴趣（因果推断、高维统计等）无直接交集，但作为应用统计工作，其贝叶斯借用和稳健性理论可能对您在流行病学或应用因果推断中的异质性处理有启发。作为gateway reading，本文对统计学家友好，但方法学深度有限，不值得优先阅读。

4. 2609.24641 — Statistical Depth for Interval Data: A Closeness-Based Approach and Its Applications¶

作者: Xiaozheng Chen, Wenlin Dai
机构: Renmin University of China
分类: stat.ME
相关性 4/10 · novelty: new_method
摘要: 本文针对区间数据（interval data）提出一种基于接近性（closeness）的统计深度（statistical depth）概念，用于区间数据的排序与异常值筛选。现有深度方法多针对点值数据，难以直接适应区间数据的结构特征。作者定义了区间数据的深度函数，并研究了其理论性质，如鲁棒性、单调性等。通过模拟和实际数据应用验证了所提方法在排序和异常检测中的有效性。该方法为区间数据提供了一种非参数的工具，扩展了统计深度理论的应用范围。对您而言，虽然主题不在您的主要兴趣内，但其中非参数深度与鲁棒性的思想可能与您的非参数统计兴趣有间接联系。
关键技术: statistical depth, interval data, outlier detection, nonparametric ranking
为什么对您有用: 本文属于非参数统计方法的新应用，但主题与您的主要兴趣（因果推断、高维、效率理论）关联较弱。作为非参数深度方法，可能对您的非参数统计工具箱有补充价值，但并非核心方向。武器库中的非参数统计知识足以理解本文，但缺乏直接可攻的问题。因此，本文仅作为一般性阅读，不进入深度阅读列表。

🗂 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. 2609.22556 — Initial modeling and testbed feasibility studies of WaveDriver: a laser guide star AO system for HWO¶

作者: Dominic F. Sanchez, Benjamin L. Gerard, Peter Waswa, Alex Geringer-Smith, Aditya Sengupta, Alexx Perloff, Michael Messerly, William Moore, Matthew Cook, Paul Pax, Cesar Laguna, Mathew DeMartino, Kevin Bundy, Rebecca Jensen-Clem, Aaron Lemmer, S. Mark Ammons, Megan Eckart, Lisa Poyneer, Eric Strang
分类: astro-ph.IM
相关性 3/10
评分理由: Instrumentation-focused astronomy paper with minimal statistical or data-modeling content; not a strong gateway read.

2. 2609.24534 — Premature re-entry of the FACSAT-2 nanosatellite: orbital decay and attribution to the maximum of solar cycle 25¶

作者: Santiago Vargas Dominguez, Mara Valentina Angel, Brayan Nicolas Buitrago
机构: Universidad Nacional de Colombia
分类: astro-ph.IM · astro-ph.EP · astro-ph.SR
相关性 3/10
评分理由: Orbital decay analysis is mostly astrodynamics, not a clear statistical gateway paper.

3. 2609.24387 — IceCube Upgrade status and perspectives¶

作者: Anna Eimer
分类: astro-ph.IM · astro-ph.HE
相关性 2/10
评分理由: Instrumentation and detector status report; no statistical methodology or data-modeling exposition.

4. 2609.24498 — Development of a Photonically Generated Frequency Reference for Space VLBI¶

作者: Hannah Tomio, Kohei Yamamoto, Charlotte Zehnder, Guangning Yang, Kenji Numata, Andrew Attar, Henry Timmers, Holly Leopardi
机构: American Institute of Aeronautics and Astronautics · University of Arizona · Goddard Space Flight Center
分类: astro-ph.IM
相关性 2/10
评分理由: Engineering-focused frequency reference development; unrelated to statistical interests.

5. 2609.24540 — Silencing the stellar glare with kernel-nulling and active phase control on photonic chips¶

作者: Marc-Antoine Martinod, Vincent Foriel, Nick Cvetojevic, Frantz Martinache, Jeronimo Calderon-Gomez, Roxanne Ligi, David Mary
分类: astro-ph.IM
相关性 2/10
评分理由: Instrumentation-focused exoplanet detection, no statistical methodology or data modeling.

6. 2609.24567 — Pushing high angular resolution and high contrast observations on the VLTI from Y to L band with the Asgard instrumental suite: integration status and plans¶

作者: Marc-Antoine Martinod, Michael J. Ireland, Denis Defr`ere, Stefan Kraus, Frantz Martinache, Peter G. Tuthill, Emilie Bouzerand, Julia Bryant, Sorabh Chhabra, Peter Chingaipe, Benjamin Courtney-Barrer, Fred Crous, Nick Cvetojevic, Daniel S. Dahl, Colin Dandumont, Steve Ertel, Germain Garreau, Adrian M. Glauser, Xavier Haubois, Lucas Labadie, St\'ephane Lagarde, Daniel Lancaster, Romain Laugier, Roxanne Ligi, Nathan Long, Alexandra Mazzoli, Thomas Mattheussen, Gy\"orgy Medgyesi, Kwinten Missiaen, S\'ebastien Morel, Daniel J. Ahrer, Barnaby Norris, Jyotirmay Paul, Romain Petrov, Gert Raskin, Sylvie Robbe-Dubois, Gordon Robertson, Muhammad Salman, Ahmed Sanny, Nicolas Schuhler, Owain Snaith, Adam K. Taras
分类: astro-ph.IM
相关性 2/10
评分理由: Instrumentation status report, not a statistical or data-analysis paper.

7. 2609.22383 — Bridging Local and Population Causal Effects: A Proximal Instrumental Variable Approach¶

作者: Zixuan Yao, Guosheng Yin
机构: University of Hong Kong
分类: stat.ME · stat.ML
相关性 0/10

8. 2609.22545 — Adaptive online kernel changepoint detection¶

作者: Qianqian Jiang, Dean Bodenham
机构: Imperial College London
分类: stat.ME
相关性 0/10

9. 2609.22563 — Stochastic Epidemic Model Criticism with Neural Evidence Estimation¶

作者: Prayag Chatha, Fan Bu, Jon Zelner
分类: stat.ME · stat.AP
相关性 0/10

10. 2609.22637 — Orthogonal Policy Learning with Ordinal Outcomes¶

作者: Yue Zhang, Shanshan Luo, Yangbo He
分类: stat.ME
相关性 0/10

11. 2609.22686 — Validity of MMRM-based hypothesis testing under missing-not-at-random mechanisms¶

作者: Kazushi Maruo, Ryota Ishii, Yusuke Yamaguchi, Keisuke Hanada, Naoki Isogawa, Masahiko Gosho
机构: University of Tsukuba · Astellas Pharma (United States) · Wakayama Medical University
分类: stat.ME
相关性 0/10

12. 2609.22985 — Lorentz Hyperbolic Weighted Regression: Theory for Fixed and Estimated Representations¶

作者: Bahad{\i}r Y\"uzba\c{s}{\i}, Z\"uhal K\"u\c{c}\"ukarslan Y\"uzba\c{s}{\i}
机构: Inonu University · University of Turku
分类: stat.ME · stat.AP
相关性 0/10

13. 2609.23070 — Max-Test-Calibrated Stein Shrinkage with Honest Submodel Selection in Ultra-High-Dimensional Regression¶

作者: Bahad{\i}r Y\"uzba\c{s}{\i}
机构: Inonu University
分类: stat.ME
相关性 0/10

14. 2609.23089 — Calibration of Time-Varying SEIR Models¶

作者: Yisa Abolade
机构: Georgia State University
分类: stat.ME
相关性 0/10

15. 2609.24949 — Selective Inference for CART with Binary Outcomes¶

作者: Tomoshige Nakamura
机构: Juntendo University
分类: stat.ME · stat.ML
相关性 0/10

16. 2609.24999 — Bounding the Risk Difference Bias Given Incomplete Parameters for Externally Adjusting Uncontrolled Confounding¶

作者: Onyebuchi A. Arah
分类: stat.ME · stat.AP · stat.CO
相关性 0/10

17. 2609.22444 — Asymptotics and finite sample bounds for prediction and smoothing in Wright-Fisher hidden Markov models¶

作者: Luigi M. Malgieri, Filippo Ascolani, Matteo Giordano, Matteo Ruggiero
分类: math.ST · math.PR · q-bio.PE · stat.ME · stat.TH
相关性 0/10

18. 2609.22617 — Exact maximum likelihood inference for drifted multi-sub-fractional Brownian motion at discrete observation¶

作者: Afrah Al-Harby, Ezzedine Mliki, Manal Al-Ohali
机构: Imam Abdulrahman Bin Faisal University
分类: math.ST · math.PR · stat.AP · stat.TH
相关性 0/10

19. 2609.22929 — Statistical models as natural transformations: meaningfulness, coherence and priors as states in Markov categories¶

作者: Francesco Vaccarino
机构: Politecnico di Torino
分类: math.ST · math.CT · math.PR · stat.TH
相关性 0/10

20. 2609.23081 — Recovery Limits for Eigenvector Alignment in HDLSS Spiked Covariance Models¶

作者: Hubeyb Gurdogan, Alex Shkolnik
机构: University of California, Los Angeles · University of California, Santa Barbara
分类: math.ST · stat.TH
相关性 0/10

21. 2609.23339 — Consistent intercept estimation and inference for unit-root INAR(2) processes¶

作者: Yang Lu, M\'arton Isp\'any
机构: Concordia University · University of Debrecen
分类: math.ST · stat.TH
相关性 0/10

22. 2609.23350 — Retrieving predictive densities from conformal predictive distributions¶

作者: Dan Andrei Tudor, Dorota Kurowicka, Balint Negyesi, Valerii Zoller
机构: University of Wisconsin–Madison · Delft University of Technology
分类: math.ST · stat.ME · stat.TH
相关性 0/10

Maintained by 陈星宇 · Homepage · Source on GitHub