跳转至

2026-09-24 每日 arXiv 资讯

  • 高相关论文 8 篇 · 中相关 22 篇 · 其他 12 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 6 篇)

1. 2609.29844 — Optimal sequential decision-making with initiation regimes

  • 作者: Julien D. Laurendeau, Leora Sarvet, Mats J. Stensrud
  • 机构: École Polytechnique Fédérale de Lausanne · University of Massachusetts Amherst
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文考虑动态治疗策略的最优性问题：即使从完美的序贯随机实验中正确识别出最优动态治疗策略 g^opt，它也不一定优于人类决策者，因为人类可能掌握实验未记录的信息。为此，作者提出了一类新的“启动策略”（initiation regimes），它先遵循人类决策，直到某个时间点后切换为最优算法策略，从而保证同时优于纯人类和纯算法（如强化学习）决策。文章推广了已有的超优策略（superoptimal regimes）结果，给出了启动策略的最优性定义和理论性质。作者还提出了修正的实验设计来识别最优启动策略，并展示了在显式假设下如何从经典观察性数据中识别，以及相应的估计和统计推断方法。最后，通过下背痛治疗的案例研究说明了方法的实际效用。
  • 关键技术: dynamic treatment regimes, initiation regimes, superoptimal regimes, sequential randomization, identification assumptions, statistical inference
  • 为什么对您有用: 本文直接关联因果推断中的动态治疗策略和最优决策问题，特别是将人类决策与算法策略结合的新视角，可能对您的纵向因果推断和估计理论兴趣有启发。您可以用 very_familiar 的估计理论（如 g-computation、IPW）来审视其识别假设和估计方法，中期可尝试用 semiparametric 理论推导其效率界。

2. 2609.31769 — Estimating Heterogeneous Causal Effects with Tree-Based Methods under Imperfect Compliance

  • 作者: Karolina Gliszczyńska-Schroeder
  • 相关性 8/10 · novelty: new_method
  • 摘要: 在工具变量和不完全依从的框架下，本文研究条件依从者平均因果效应（CCACE）的估计方法如何影响异质性因果效应估计和亚组发现。基于贝叶斯因果森林（BCF-IV），作者提出一个两阶段、模型无关的方法，第一阶段可用任意合适的机器学习方法估计 CCACE，并具体实现了两种非贝叶斯树方法：DRRF-IV（去偏转换结果的回归森林）和基于广义随机森林（GRF）的 IV 适应版本。通过模拟研究，比较了这些方法与 BCF-IV 在精度、偏差和识别亚组结构方面的表现，结果显示非贝叶斯方法在多数设定下表现相当，且在大样本和中度处理效应下性能提升，同时计算时间更短。作者将该方法应用于英国 48 家 NHS 医院 ICU 及时入院对 28 天死亡率影响的实证研究，探索是否存在受益更大的患者亚组。
  • 关键技术: conditional complier average causal effect (CCACE), instrumental variable, Bayesian Causal Forest (BCF-IV), debiased transformed-outcome regression forest (DRRF), generalized random forest (GRF), subgroup discovery
  • 为什么对您有用: 本文直接关联您的主要兴趣中的因果推断（IV、异质性处理效应）和机器学习方法在因果推断中的应用。您可以用您非常熟悉的估计理论（如 semiparametric theory）来审视其两阶段估计器的渐近性质，或用您 moderately_familiar 的 HOIF 理论来分析其去偏转换结果的效率。中期可做：若想深入其理论保证，需在 semiparametric efficiency 上进一步打磨。

3. 2609.30617 — Risk-Averse Welfare Maximization via Marginal Treatment Effects

  • 作者: Jarrod Burgh, Emerson Melo
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究在个体基于未观测特征自选择进入处理的情况下，风险厌恶型处理分配问题。作者将边际处理效应方法（用于内生选择）与一类一般的一致风险度量相结合，以捕捉对福利结果分布的风险偏好。他们证明规划者问题等价于不确定性厌恶、分布鲁棒性和最坏情况福利的表述。对于律不变的一致风险度量，他们推导出 Kusuoka 表示，将规划者目标表达为福利分布不同区域的加权评估，并刻画最优分配规则。他们还建立了经验风险厌恶策略学习的有限样本遗憾界，显示学习策略的统计难度如何依赖于规划者对不利福利结果的敏感度。该框架将 Kiatagawa 和 Tetenov (2018) 的风险中性策略学习模型作为特例。对 Card (1995) 大学邻近性数据的应用表明，纳入风险厌恶可导致最优大学录取政策发生经济上有意义的变化。
  • 关键技术: marginal treatment effects, coherent risk measures, Kusuoka representation, policy learning, finite-sample regret bounds
  • 为什么对您有用: 本文直接关联到因果推断中的处理分配与政策学习子方向，特别是利用边际处理效应处理内生选择。您熟悉的因果推断估计理论（如 MTE 的识别与估计）可用于验证其最优分配规则的有限样本性质；遗憾界分析可与您熟悉的最小最大界技术对比。中期可做：需先熟悉分布鲁棒优化（属于 moderately_familiar 之外的领域）才能深入其鲁棒性表述。

4. 2609.30007 — First as Tragedy? Second as What? Estimating Dynamic Effects of Recurrent Events

  • 作者: Agnes Norris Keiller
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究重复发生且具有持久效应的处理事件（如自然灾害、失业、健康冲击）的动态效应估计问题。在类似单事件情形常用的假设下，作者证明使用适当灵活的 TWFE 模型可以识别总处理轨迹的效应。然而，将总效应分解为各次事件发生的贡献需要额外假设。作者提出一种类似条件平行趋势的假设，但施加在事件特定效应的增长上而非未处理结果上。结合效应增长的线性参数模型，该假设支持一种序贯插补估计量，可一致估计每次事件发生的动态效应，并能容纳事件属性（如强度）带来的异质性。蒙特卡洛模拟表明，该估计量优于多种直观的 TWFE 模型，后者在多事件设定下无法恢复可解释的处理效应参数。
  • 关键技术: TWFE models, sequential imputation, conditional parallel trends, event study, Monte Carlo simulation
  • 为什么对您有用: 本文直接关联因果推断中的纵向处理效应估计，特别是多事件设定下的识别与估计问题，属于您的主要兴趣方向。您熟悉的非参数统计和估计理论可用于分析其序贯插补估计量的渐近性质，或探讨其假设在更一般效应增长模型下的稳健性。中期可做：可尝试用您 moderately_familiar 的 semiparametric theory 来推导该估计量的半参数效率界，或将其与 double machine learning 框架结合以处理高维协变量。

5. 2609.29440 — Kernel Balancing in Tree-based Methods

  • 作者: Karolina Gliszczyńska-Schroeder
  • 相关性 8/10 · novelty: application
  • 摘要: 本文研究在协变量分布重叠性较差（overlap violation）的观测研究中，用核平衡权重（KBal, Hazlett 2020）替代倾向得分方法进行条件平均处理效应（CATE）估计。作者将KBal权重整合进两种基于树的方法——因果森林（Athey et al., 2019）和X-Learner（Künzel et al., 2019），以降低偏差并提高估计精度。KBal通过在变换后的特征空间中实现近乎精确的平衡，避免了传统重加权方法在极端权重、有限样本偏差或混淆偏差去除不足时的失效。蒙特卡洛模拟表明，在非线性处理效应和有限重叠情形下，KBal能显著改善CATE估计。作者还将方法应用于半合成的IHDP基准数据集，验证了其在实际场景中的有效性。总体而言，KBal为倾向得分方法提供了一种有用的替代方案，尤其适用于重叠性差的情形。
  • 关键技术: kernel balancing, causal forest, X-Learner, CATE estimation, overlap violation, reweighting
  • 为什么对您有用: 本文直接关联您的因果推断兴趣中的异质性处理效应估计和重叠性假设问题；您可以用非常熟悉的估计理论（如平衡权重的最优性）来审视KBal的权重构造，并考虑其与您熟悉的半参数效率理论的联系；中期可做：将KBal与您中等熟悉的HOIF结合，探索高阶影响函数下的平衡权重改进。

6. 2609.29249 — Generic Covariate Adjustment for Regression Discontinuity Designs

  • 作者: Jun Ma, Yuya Sasaki, Zhengfei Yu
  • 机构: Renmin University of China · Vanderbilt University
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在回归间断设计（RDD）和回归扭结设计（RKD）的一般框架下，提出了一种基于熵平衡（entropy balancing）的协变量调整方法。传统基于回归的协变量调整方法对非线性估计量（如分位数处理效应）通常无法保证一致性，而本文的重加权方法在保持一致性的同时还能提升效率。即使在回归调整已能改善效率的情形下，该方法仍可带来额外的效率增益。作者通过模拟研究验证了理论结果，并在实证应用中展示了协变量调整能产生统计显著而未经调整时无法得到的结果。该方法为RDD/RKD中的协变量调整提供了新的理论依据，尤其适用于非线性目标参数。
  • 关键技术: entropy balancing, reweighting, regression discontinuity design, regression kink design, quantile treatment effects
  • 为什么对您有用: 本文属于因果推断中RDD的协变量调整方法，直接关联您的主要兴趣之一（因果推断中的识别与估计）。您可以用您非常熟悉的非参数统计和估计理论来审视其重加权估计量的渐近性质，并进一步探索其与您的中等熟悉工具（如半参数理论）的联系。中期可做：可尝试将熵平衡方法推广到其他因果框架（如断点回归中的分位数处理效应），需先在半参数效率理论上加强。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2609.30338 — Double Descent for Random Fourier Series Models

  • 作者: Hang Xu, Yi Shen, Yuzhong Zhao
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究随机部分离散傅里叶变换（DFT）矩阵下的最小二乘线性回归问题，目标是刻画泛化误差的精确行为。利用随机矩阵理论工具，作者推导了 Moore-Penrose 估计器风险的有限样本非渐近界，明确依赖样本量、维度和噪声方差等参数。在 p/n 固定趋于无穷的框架下，给出了双下降现象的完整刻画，展示了风险随参数个数变化的演化。技术核心是随机傅里叶矩阵的 Stieltjes 变换，用于精确描述谱性质及其对回归性能的影响。数值实验验证了理论界在欠参数化和过参数化区域均与模拟吻合。对您而言，该文将 RMT 的谱分析直接应用于高维回归的泛化误差，与您的高维统计与 RMT 兴趣高度契合。
  • 关键技术: random matrix theory, Stieltjes transform, Moore-Penrose estimator, non-asymptotic bounds, double descent
  • 为什么对您有用: 该文属于高维统计与随机矩阵理论（RMT）的交叉，直接对应您 primary interest 中的 high-dimensional statistics (Random matrix theory)。您 very_familiar 中的 high-dimensional asymptotics 和 minimax bounds 可用于验证其非渐近界的紧性，或扩展至其他随机矩阵系综（如更一般的行归一化设计）。中期可做：若想将结果推广至更一般的随机特征矩阵，需在 moderately_familiar 的 semiparametric theory 上稍作延伸以处理非高斯设定。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2609.30565 — High-dimensional Gaussian Graphical Model Testing for Long-Memory Time Series

  • 作者: Percy S. Zhai, Ping-Shou Zhong, Wei Biao Wu
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究高维平稳高斯时间序列的图模型检验问题，目标是在长记忆（long-memory）条件下检验条件独立性，即图结构中边的存在性。作者提出一个直接且数据自适应的检验统计量，并建立了有限样本的 Berry–Esseen 型高斯逼近界，该界同时适用于短记忆和长记忆序列。检验过程完全数据自适应，采用 block bootstrap 方法，并给出了包括超高维情形在内的有限样本有效性结果；方法还可推广到两组图结构比较的两样本检验。作者进一步提出基于一致性修正的统计量，证明检验在水平和功效上均达到渐近一致性。方法应用于真实 fMRI 数据，以理解不同时期大脑的功能连接性。对您而言，该文将高维假设检验与长记忆时间序列结合，其 block bootstrap 的有限样本理论可能对您在高维统计与假设检验方面的兴趣有参考价值。
  • 关键技术: Gaussian approximation, Berry-Esseen bound, block bootstrap, high-dimensional hypothesis testing, long-memory time series
  • 为什么对您有用: 该文直接涉及您的主要兴趣之一——高维假设检验，且处理了长记忆时间序列这一非标准设定，与您熟悉的高维渐近理论有交集。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来审视其检验统计量的最优性，或评估其 Berry–Esseen 界是否紧。中期可做：若想深入其 block bootstrap 的理论细节，需在 moderately_familiar 的 M-estimation 理论上稍作加强。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 3 篇)

1. 2609.30528 — When Do Surrogate Metrics Work? A Finite-Sample Comparison Under Realistic Failure Modes

  • 作者: Zihao Chen
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究在线实验中长期结局未成熟时，如何用短期替代指标进行早期评估。在滚动入组设定下，长期结局仅对早期入组者可见，而短期替代指标对所有受试者可用。作者比较了七种估计量（包括 surrogate index、PPI 族等）在十一种数据生成过程（涵盖部分中介、漂移、结局稀疏、入组时间标记等）下的表现，进行了超过 500 个方法-场景组合、最多 2000 次重复的模拟。核心发现是稳健性与效率之间的尖锐权衡：当替代指标有效时 surrogate index 效率增益大，但违反假设时覆盖率崩溃；而 PPI 族方法在随机标记下保持渐近有效，但增益较小。作者给出了 PPI++ 在全体单元参数化下的有限样本方差、交叉拟合下两种估计量的联合渐近分布，以及一个 Hausman 型估计量不一致诊断。在 Hillstrom 和 Criteo 两个真实数据集上，诊断工具的表现与模拟一致，揭示了检测-损害差距：在部分中介设计中，存在一个破坏 surrogate index 覆盖率但难以检测的违规带。最终建议在随机标记和足够标记结局计数下，将 PPI++ 与精确方差作为预指定主分析，并将诊断视为警告而非证书。该文对您有用之处在于：它提供了替代指标因果推断中估计量选择与诊断的实证比较，与您的因果推断兴趣（特别是纵向和中介设定）直接相关，且其有限样本方差和联合分布结果可视为一种新的理论贡献。
  • 关键技术: surrogate index, prediction-powered inference (PPI++), cross-fitting, Hausman-type diagnostic, finite-sample variance, simulation study
  • 为什么对您有用: 该文直接关联您的因果推断兴趣，特别是纵向和中介设定下的替代指标问题。其核心权衡（surrogate index 与 PPI 族）和诊断工具可启发您用 higher-order U-statistics 或 semiparametric theory 分析估计量的有限样本性质。具体而言，您可以用 very_familiar 的 minimax bounds 和 higher-order U-statistics 计算工具来评估 PPI++ 方差估计的紧性，或用 moderately_familiar 的 semiparametric theory 推导更一般的联合分布。中期可做：在 moderately_familiar 的 identification theory 上长肌肉，以扩展诊断工具到更复杂的因果结构。

2. 2609.30396 — An End-to-End Pipeline for Causal ML with Continuous Treatments: An Application to Financial Decision Making

  • 作者: Javier Moral Hernández, Clara Higuera-Cabañes, Álvaro Ibraín
  • 相关性 7/10 · novelty: application
  • 摘要: 本文提出一个面向连续处理变量的端到端因果机器学习流水线，包含六个步骤：降维、因果识别、正性假设违规处理、估计、反驳与评估、策略优化。针对现有因果ML工具包的不足，作者贡献了四项实用技术：连续处理下正性违规的检测与量化方法、面向高维因果推断的两阶段可扩展降维框架、将二值处理的敏感性分析与估计方法适配到连续处理空间，以及将这些组件整合为模块化可复现的工作流。方法在基于真实金融债务催收场景的合成数据上验证，结果显示相比标准方法，该流水线在计算效率和估计偏差上均有改进。作者提供了完整GitHub仓库，确保可复现性。本文属于应用导向的方法论贡献，旨在弥合学术方法与工业实践之间的差距。
  • 关键技术: continuous treatment, positivity violation detection, two-stage dimensionality reduction, sensitivity analysis adaptation, causal ML pipeline, policy optimization
  • 为什么对您有用: 本文直接关联因果推断中的连续处理与高维数据问题，属于应用型方法论文，其正性违规检测和降维框架对处理实际数据中的识别挑战有参考价值。技术武器库中的'identification theory in causal inference'和'high-dimensional asymptotics'可用于评估其方法的理论性质，但核心贡献偏工程实现，理论深度有限。作为应用论文，其数据集和分析流程（金融债务催收）对流行病学或经济学中的连续暴露研究有迁移潜力。

3. 2609.30481 — Do Third-Party Web Traffic Estimates Preserve Causal Variation?

  • 作者: Mehrzad Khosravi, Hema Yoganarasimhan
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究第三方网络流量平台（如 Similarweb、Semrush）生成的估计值是否保留因果推断所需的变异。作者指出这些平台输出的是模型估计而非原始数据，可能引入非经典测量误差。他们通过两个搜索引擎故障期间的推荐流量数据作为诊断，发现没有明显断点，说明识别变异可能被抹平。文章刻画了三种误差机制：源内平滑、跨源泄漏、处理诱导的校准误差。通过解析结果和模拟的差分设计，证明这些误差可导致处理效应估计被衰减、放大甚至反转。结论是使用黑箱专有模型的第三方流量数据做因果推断需谨慎。对您而言，这属于因果推断中测量误差与识别变异保留问题的应用研究，其诊断思路可迁移到其他代理变量场景。
  • 关键技术: difference-in-differences, nonclassical measurement error, simulation study, diagnostic discontinuity analysis
  • 为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的识别与估计，特别是测量误差对因果效应估计的影响。您可以用 very_familiar 的因果推断估计理论（如 DID 的识别假设）来形式化其误差机制，并评估其模拟设计的严谨性。中期可做：结合您 moderately_familiar 的识别理论，探讨在存在此类测量误差时如何修正估计。

非参数 / 半参数 (nonparam_semipara, 3 篇)

1. 2609.30161 — Testing for point-impact effects in a spatial semi-functional linear regression model

  • 作者: Stéphane Bouka, Emmanuel De Dieu Nkou, Alban Mbina Mbina, Guy Martial Nkiet
  • 机构: Laboratoire de Statistique Théorique et Appliquée · Université des Sciences et Techniques de Masuku
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在空间半函数线性回归模型中提出了一种新的半参数检验框架，用于检测局部点冲击效应。该模型同时包含无限维函数斜率、未知光滑空间干扰面以及数据依赖的未观测冲击位置，这三重复杂性使得推断问题颇具挑战。为隔离点冲击系数，作者在通过 Tikhonov 逆正则化函数分量、并用局部线性平滑估计空间干扰面后，构造了稳健的残差化交叉矩估计量。在无点冲击效应的原假设下，建立了多元中心极限定理。作者发展了两种检验统计量：一种用长期协方差矩阵白化以处理任意空间依赖，另一种在短程空间依赖下采用更简单的卡方校准。有限样本模拟和加拿大天气数据应用表明该方法具有良好的功效和尺寸控制。对您而言，该工作将半参数效率理论与空间统计结合，其残差化交叉矩估计和长期协方差白化技术可能对您的中介或纵向因果推断中的稳健检验有借鉴意义。
  • 关键技术: Tikhonov inverse, local-linear smoothing, residualized cross-moment estimator, multivariate central limit theorem, long-run covariance matrix, chi-square calibration
  • 为什么对您有用: 该论文属于半参数与非参数理论方向，涉及函数型数据、空间依赖和假设检验，与您的 primary interest 中的 semiparametric theory 和 hypothesis testing 直接相关。您可以用 very_familiar 的非参数统计和 M-估计理论来审视其估计量的渐近性质，特别是残差化交叉矩估计的收敛速度是否达到半参数效率界。中期可做：若想深入空间依赖的长期协方差估计，需在 moderately_familiar 的 semiparametric theory 上加强。

2. 2609.29231 — Choosing the penalty in nonparametric regression: short and long-range dependence

  • 作者: Emmanuel Caron Parte, Jérôme Dedecker, Bertrand Michel
  • 机构: Laboratoire de Mécanique et d’Acoustique · Mathématiques Appliquées à Paris 5 · Laboratoire de Mathématiques Jean Leray · Nantes Université
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究随机设计、高斯误差下的一维非参数回归，设计可非平稳且具有短或长程相依，误差可异方差，设定非常一般。采用 Baron–Birgé–Massart 框架下的最小二乘惩罚策略，用分片多项式估计回归函数。作者推导了显式惩罚（至多含校准常数），并建立了自适应估计量的风险界。由于惩罚依赖于未知的误差相依结构，他们提出了维度跳跃校准算法的若干变体，使过程完全数据驱动。主要理论结果覆盖短程和长程相依两种误差情形，给出了自适应风险界。对您可能有用：该文将模型选择惩罚与相依误差结合，可联系到您在高维统计和假设检验中对自适应方法的兴趣。
  • 关键技术: penalized least squares, piecewise polynomials, dimension jump calibration, adaptive estimation, short/long-range dependence
  • 为什么对您有用: 本文属于非参数回归的自适应估计，与您的非参数/半参数理论兴趣直接相关；其维度跳跃校准方法可视为一种数据驱动的模型选择，您可用熟悉的非参数统计和 minimax 工具来评估其风险界的紧性。中期可做：需先熟悉长程相依过程的概率工具（如分数布朗运动相关技术），目前不在武器库中。

3. 2609.29297 — Gaussian Process Modeling of Time Series

  • 作者: Genshiro Kitagawa
  • 机构: The Institute of Statistical Mathematics · Tokyo University of Marine Science and Technology
  • 相关性 5/10 · novelty: survey
  • 摘要: 本文是高斯过程（GP）时间序列建模的综述章节，系统介绍了GP的基本公式、常用核函数、GP回归、超参数估计以及基于样本内/外准则的模型评估。通过平稳、准周期和季节性时间序列的实例，展示了单个和复合核如何刻画不同的时间变化形式。加性核可提供可解释的潜在成分分解（如趋势、平滑局部变化和季节性），而乘积核则能构造更复杂的依赖结构。文章还简要介绍了高斯过程状态空间模型（GP-SSM），并通过一个非线性示例说明如何将GP转移模型与粒子滤波和平滑相结合进行潜在状态估计。对您而言，本文可作为非参数贝叶斯时间序列建模的入门读物，其核函数设计和状态空间扩展思路可能对您感兴趣的纵向因果推断中的潜在轨迹建模有所启发。
  • 关键技术: Gaussian process regression, kernel design, additive kernels, state-space models, particle filtering
  • 为什么对您有用: 本文属于非参数/半参数理论范畴，与您的主要兴趣中的非参数建模和统计计算相关。作为综述，它提供了GP时间序列建模的清晰框架，可作为入门读物。您的武器库（如非参数统计、M估计）足以理解其核心内容，但若要深入GP-SSM的粒子滤波实现，可能需要补充序贯蒙特卡洛方法的知识。值得花时间阅读全文，以拓宽对灵活时间结构建模的理解，并可能启发纵向因果推断中的潜在结果建模。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 2609.29335 — FDR-Controlled Variable Selection for Generalized Linear Models and Cox Regression with Virtual Dummies

  • 作者: Helena Mehler, Taulant Koka, Michael Muma
  • 机构: Technische Universität Darmstadt
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对广义线性模型（GLM）和 Cox 回归中的变量选择问题，提出一种基于虚拟哑变量的 FDR 控制方法。该方法扩展了 T-Rex 选择器，通过构造虚拟哑变量与真实预测变量竞争，在控制 FDR 的同时实现可扩展的变量选择。作者将虚拟哑变量构造推广到基于得分的向前选择，适用于 Bernoulli、Poisson、multinomial 和 Cox 响应，并证明虚拟哑变量选择路径与显式增广在分布上等价，从而在相同假设下保持 FDR 控制。模拟实验验证了等价性和正确模型设定带来的功效提升，并在模拟基因型和癌症生存数据上展示了实际应用。该方法为高维非线性模型中的 FDR 控制提供了新的工具，与您在高维统计和假设检验方面的兴趣直接相关。
  • 关键技术: T-Rex selector, virtual dummy variables, FDR control, score-based forward selection, generalized linear models, Cox regression
  • 为什么对您有用: 本文属于高维变量选择与 FDR 控制，直接关联您的高维统计和假设检验兴趣。您可以用 very_familiar 的 minimax 理论或高维渐近工具来审视其 FDR 控制的理论保证，或将其与您熟悉的 U-统计量方法结合，探索更一般的模型设定。立即可做：基于现有理论框架验证其 FDR 控制的紧性。

2. 2609.30504 — A Characterization of the \(M\)-tests Under Nearly Integrated Nearly White Noise

  • 作者: Aidan Wardak, Sayar Karmakar
  • 机构: University of Florida
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文在 Nabeya 和 Perron (1994) 提出的近单位根近白噪声 (NINW) 框架下，推导了 M 检验族单位根统计量在未知线性时间趋势下的极限分布。在已知长期方差 (LRV) 的情形下，M^GLS 检验的极限分布因拟差分而受到额外噪声项的污染，而 M^OLS 检验的极限分布中这些项较少，两者在常规临界值下均表现出保守性。作者证明了 NINW 模型中的高斯功效包络与 Elliott, Rothenberg 和 Stock (1996) 的标准包络渐近等价，且 oracle M 检验相对于该基准的功效是低效的。随后推导了可行统计量的极限分布，并表明常用的自回归 LRV 估计会高估 LRV，从而改变极限分布。有限样本模拟显示，对于具有大负移动平均系数的序列，所考虑的程序中没有统一令人满意的解决方案。
  • 关键技术: M-tests, nearly integrated nearly white noise, unit root asymptotics, local power envelope, long-run variance estimation
  • 为什么对您有用: 本文属于假设检验与时间序列渐近理论，与您对 hypothesis testing 和 mathematical statistics 的兴趣直接相关；其局部功效包络分析可联系到您熟悉的 minimax 与效率理论视角。您可用 very_familiar 的高维渐近工具验证其极限分布推导的紧性，属于立即可做的理论跟进。

统计计算 / 算法 (stat_computing, 2 篇)

1. 2609.30046 — Truly optimal low rank thin plate spline smoothing using a truncated Demmler-Reinsch basis

  • 作者: Paul Bach
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对薄板样条平滑计算成本为三次方的问题，提出一种新的低秩近似方法。作者指出 Wood (2003) 的薄板回归样条 (TPRS) 在忽略正交约束时才是最优的，因此其最优性是弱的。新方法基于截断的 Demmler-Reinsch 基 (TDRB)，在 Frobenius 和谱范数下对平滑矩阵给出最优低秩逼近。作者证明 TDRB 平滑器达到最优收敛速率，并给出与 TPRS 相同计算复杂度的构造算法，该算法利用等效贝叶斯平滑先验的截断 Karhunen-Loève 展开。模拟和真实数据表明性能与 TPRS 相近，但具有理论最优性优势。对您而言，该文属于统计计算方向，其低秩逼近与最优基构造思想可能对您的高阶 U-统计量计算中的张量压缩或矩阵近似问题有启发。
  • 关键技术: thin plate splines, Demmler-Reinsch basis, low rank approximation, Karhunen-Loève expansion, Frobenius norm optimality
  • 为什么对您有用: 本文属于统计计算方向，与您的 primary interest 中 statistical computing 直接相关。您可以用 very_familiar 的软件开发和矩阵计算技能，快速实现并验证其算法；其最优低秩逼近思想也可能迁移到高阶 U-统计量的张量网络压缩中，属于立即可做的探索。

2. 2609.30174 — Smooth Information Criterion for Variable Selection in Generalised Linear Models

  • 作者: Andrew McInerney
  • 机构: University of Limerick
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出平滑信息准则（SIC），将变量选择中离散的模型维度项替换为可微近似，并采用 ε-伸缩连续化策略逐步锐化该近似，从而避免数据驱动的正则化强度参数选择。作者将 SIC 发展为广义线性模型（GLM）中系数级变量选择的通用程序，并聚焦于 BIC 基准，直接与穷举子集选择对比，考察平滑优化对离散信息准则选择问题的忠实程度。模拟涵盖高斯、二项和泊松回归，结果显示 SIC 能紧密复现穷举 BIC 的选择结果，并准确追踪 BIC 选择边界。与逐步 BIC、LASSO、SCAD 和 MCP 相比，SIC 在保持稀疏模型的同时具有竞争力的变量选择性能，预测性能大致相当，且计算优势随预测变量维度增加而增大。在包含 16 个候选预测变量的真实数据应用中，SIC 以穷举枚举的一小部分计算成本恢复了全局 BIC 最优模型。
  • 关键技术: smooth information criterion, epsilon-telescoping continuation, generalized linear models, exhaustive subset selection, BIC
  • 为什么对您有用: 本文属于统计计算方向，与您的 primary interest 中的 statistical computing 直接相关，可作为计算方法的入门读物。您熟悉的软件开发和优化工具足以理解其核心机制，但若要深入分析其理论性质（如逼近误差的收敛率），可能需要补充非凸优化的知识。总体而言，值得花时间读全文，以了解平滑近似在模型选择中的实用价值。

天体统计 (astrostats, 5 篇)

1. 2609.30536 — FOTO: Figure-Level Semantic Search for Astronomy

  • 作者: Hurum Maksora Tohfa, Francisco Villaescusa-Navarro
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出 FOTO，一个面向天文学文献的图级语义搜索工具，索引了 53,839 篇 astro-ph 论文中的 482,750 个图注。核心方法是用一个 110M 参数的开源嵌入模型对每个图的标题和说明进行本地嵌入，检索时先用嵌入模型召回候选短列表，再用大语言模型（LLM）对短列表进行验证，确保返回的是真实存在的图而非幻觉生成的引用。在更难的图级标准下，FOTO 在 recall@20 上达到 29-79%，远超 Pathfinder（6-20%）和 Semantic Scholar（8-16%，且后者用的是更宽松的论文级标准），并优于其替代的付费嵌入 API。对短列表进行重排序后，详细查询的 recall@1 从 0.667 提升到 0.875，模糊查询从 0.071 提升到 0.571。开源模型在验证任务上匹配或超越了付费 LLM 模型。
  • 关键技术: semantic search, embedding models, retrieval-augmented generation, reranking, LLM verification
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰展示了天文学文献中数据（图）与文本（标题/说明）的结构，以及检索任务中的噪声和选择效应，适合作为入门读物。武器库中的软件开发和统计计算技能足以理解其方法，但无需深入方法学细节。值得花时间读全文，以了解天文学社区对数据检索的实际需求。

2. 2609.29012 — Uber-calibration-based Two-level Radial-velocity Zero-point Correction for APOGEE

  • 作者: Jinming Zhang, Haibo Yuan, Zhijia Tian
  • 机构: Beijing Normal University · Yunnan University · Yunnan Agricultural University
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对 APOGEE 巡天的径向速度（RV）测量，提出一种基于 uber-calibration 框架的两级零点校正方法，以消除由仪器引起的系统性偏移（如曝光间漂移和光纤相关偏移）。方法利用重复观测的共享信息，依次求解（plate, night）曝光级和（fiber, observing year）时间相关光纤级两组最小校准单元。作者将方法独立应用于 APO 和 LCO 的 DR17 以及 APO 的 DR19 数据，校正后同光纤两天内重复性达到约 14 m/s 的极限精度，长期单次访问精度从 98.2 m/s 提升至 44.7 m/s（提升约两倍）。文章发布了包含 350 万次访问、93 万颗恒星的价值增加 RV 星表，为后续变星、双星和银河动力学研究提供更可靠的数据。对您而言，本文是典型的应用型论文，展示了大规模巡天数据中系统误差建模与校正的完整流程，可作为 astrostatistics 方向的入门读物，但其方法学新颖性有限，主要价值在于数据处理流程和数据集本身。
  • 关键技术: uber-calibration, zero-point correction, radial velocity, repeat observations, systematic error modeling
  • 为什么对您有用: 本文属于 astrostatistics 应用型论文，作为 gateway reading 具有良好可读性：问题设定清晰（仪器零点漂移）、数据规模大（百万级恒星）、方法直观（基于共享重复观测的校准）。您的武器库（如非参数统计、高维渐近）足以理解其核心思想，但无需深入方法细节。本文值得花时间读全文，因为它展示了真实天文数据中系统误差的复杂性和校正的实际效果，有助于您了解该领域的数据结构和分析需求。

3. 2609.30382 — Selective state space model for photon energy estimation in microwave kinetic inductance detectors

  • 作者: Benjamin A. Mazin
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对微波动力学电感探测器（MKIDs）中的光子能量估计问题，提出了一种基于选择性状态空间模型（Mamba）的端到端学习方法 Venom。传统方法依赖坐标变换加 Wiener 最优滤波，其假设（平稳噪声、线性响应、能量无关脉冲形状）在 MKIDs 中结构性失效。Venom 直接对原始 IQ 时序数据进行序列建模，仅含 3314 个可训练参数，面向 MKIDGen3 RFSoC 硬件部署。训练数据由基于校准数据的流式 PCA 加形状保持（PCHIP）协方差插值器生成的合成脉冲构成，可在校准波长之间连续采样光子能量。在两个公开数据集（InHf 和 PtSi）上的留出验证表明，Venom 在平均 KDE 分辨能力上分别比基线提升 5% 和 66%，并在 254 nm 处创下 UVOIR MKID 的最高 R 值。该方法展示了深度学习在替代传统信号处理管线中的潜力，但对统计学家而言，其方法论新颖性有限，主要价值在于天文仪器数据处理的应用示范。
  • 关键技术: selective state space model, Mamba, Wiener optimal filter, streaming PCA, PCHIP interpolation, KDE resolving power
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰展示了天文探测器数据中的信号处理挑战（非平稳噪声、非线性响应），并引入现代序列模型，适合作为了解该领域数据结构的入门读物。武器库中的非参数统计和计算工具足以理解其方法，但无需深入跟进；若对天文仪器中的实时统计计算感兴趣，可中期探索将状态空间模型与现有滤波理论结合。

4. 2609.29860 — Simultaneous PSF Matching via Dual Kernel Optimization

  • 作者: Carter Lee Rhea, Pieter Van Dokkum, Roberto Abraham, Imad Pasha, Steven R. Janssens, William P. Bowman et al.
  • 机构: Centre for Research in Astrophysics of Québec · Yale University · Herzberg Institute of Astrophysics
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一种新的 PSF 匹配算法 Dual Kernel Optimization (DKO)，用于天文图像处理。传统方法假设一幅图像是另一幅的退化版本，通过单一卷积核匹配 PSF，但当两幅图像的 PSF 形状或方向不同时效果不佳。DKO 同时求解两个卷积核，分别作用于两幅图像，使匹配后的 PSF 一致，并最小化核的大小以避免过度退化。由于问题高度退化，作者采用随机梯度 Langevin 动力学 (SGLD) 探索参数空间，并针对该问题修改了标准 SGLD 以施加约束。文章讨论了算法挑战、对真实图像（包括 PSF 随视场变化的情况）的应用。该方法为天文图像处理提供了新的工具，但属于应用型方法贡献，而非统计理论创新。
  • 关键技术: PSF matching, dual kernel optimization, Stochastic Gradient Langevin Dynamics, convolution kernel, image registration
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading：作为统计学家，可了解天文图像处理中的 PSF 匹配问题及数据特性；武器库中的优化和 MCMC 工具足以理解方法，但该文方法学 novelty 有限，主要价值在于应用场景和问题设定，值得作为入门读物浏览。

5. 2609.31778 — Wavefront-Conditioned Photon Measurements for Exoplanet Spectroscopy: Contrast Limits and Conditional Gains

  • 作者: Slava G. Turyshev
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究系外行星反射光谱观测中，利用波前传感器（WFS）预测来条件化光子测量，以抑制残余星光光子噪声的问题。在双模低占据数模型下，作者证明各向同性泄漏时，行星模式投影（理想单模注入）是最优的固定单光子测量。对于非零泄漏，一种可达的双输出条件测量是最优的，且在差分损耗前严格包含更多信息。在各向同性背景下，作者推导出对比度界限：相对透射率0.80和相对占空比0.90将每调度时间的Fisher信息限制为固定最优值的0.81，Haar平均进一步收紧至0.78。文中还给出了获得增益所需的泄漏-行星比（约2.25和3.26），并提出浓度模型证书以识别能超越重校准固定测量的方向多样性。最后，独立门控的固定基后备方案保证在已知速率和成本下不损失连续谱轮廓信息；对Habitable Worlds Observatory，候选机制是可预测、方向多样、泄漏主导的残差，而非普遍灵敏度提升。
  • 关键技术: Fisher information, wavefront sensing, photon statistics, conditional measurement, contrast limits
  • 为什么对您有用: 本文属于天文统计学的gateway reading：它清晰展示了天文观测中光子噪声与测量设计的基本权衡，数据生成模型（泊松事件率）和统计量（Fisher信息）对统计学家友好，适合作为进入天文统计的入门读物。武器库中的非参数统计和估计理论足以理解其核心论证，但无需直接的方法迁移。值得花时间读全文以了解天文光谱学中的实际统计挑战。

流行病学 (epidemiology, 1 篇)

1. 2609.30524 — Risk prediction models for breast cancer integrating family history of breast cancer and prophylactic interventions

  • 作者: Siriac Seboka, Laurent Briollais, Yun-Hee Choi, on behalf of BCFR, Lajmi Lakhal-Chaieb
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对携带 BRCA1 致病性变异女性的乳腺癌风险预测问题，提出了一个综合预测模型，该模型整合了家族内乳腺癌完整病史、个人及家族成员的风险降低性输卵管卵巢切除术（RRSO）史及其确切年龄。效应估计基于带时变协变量的 Cox 模型，并通过高斯 copula 刻画家族内发病年龄的相关性，其相关矩阵允许不同亲属关系对具有不同相关性。为处理家族数据中的选择偏倚，作者开发了迭代估计算法。通过模拟评估了模型性能，并应用于乳腺癌家族登记数据。该模型为遗传咨询中的个体化风险管理提供了更精细的工具，但其方法学贡献主要在于应用层面，而非新的统计理论。
  • 关键技术: Cox model with time-varying covariates, Gaussian copula, family history modeling, selection bias correction, iterative estimation algorithm
  • 为什么对您有用: 本文属于流行病学应用，使用因果推断中的时变协变量 Cox 模型和 copula 处理家族相关性，与您的流行病学应用兴趣直接相关；您可运用非常熟悉的非参数统计和 M-估计理论审视其选择偏倚校正的稳健性，或考虑将更高阶 U-统计量用于家族聚集性检验；作为入门读物，本文清晰展示了家族数据建模的流程，值得一读，但方法学新颖性有限。

其他 (other, 6 篇)

1. 2609.30622 — Bagged Martingale Posteriors: Calibrated Uncertainty Quantification for Predictive Resampling

  • 作者: Hui Wang, Edwin Fong, David T. Frazier
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究预测重采样方法（如鞅后验）在一般泛函上的集中性与校准性质，发现若预测算法调参不当，可信集可能系统性欠覆盖。作者提出袋装鞅后验（bagged martingale posterior）：从数据的随机自助重采样而非原始样本出发生成预测路径，再合并所得样本。该方法不增加模拟成本，且能提供保守校准的可信集，适用于稀疏高维回归和非参数条件分位数模型等挑战性例子。
  • 关键技术: martingale posterior, predictive resampling, bootstrap, bagging, credible sets, calibration
  • 为什么对您有用: 本文属于贝叶斯非参数与不确定性量化方向，与您的主要兴趣（非参数/半参数理论、假设检验）有交集，但并非核心。作为统计方法论文，其校准性质与重采样思想可能对您在高维或非参数推断中的不确定性评估有启发。

2. 2609.30244 — A Proxy-likelihood Estimator for Multivariate Extremes Models with Intractable Likelihoods

  • 作者: Troy P. Wixson, Daniel Cooley
  • 机构: University of Massachusetts Amherst · Colorado State University
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对多元极值模型中似然函数难以处理的问题，提出了一种基于代理似然的估计方法。该方法利用尾部成对依赖（tail pairwise dependence）作为目标模型（无似然）与代理模型（有似然）之间的桥梁，并选用二元Hüsler-Reiss分布作为代理模型，证明了其依赖参数与尾部成对依赖值之间存在一一对应关系。作者将所提出的代理似然估计器完整地应用于Mhatre和Cooley (2024)的变换线性极值时间序列（TLETS）模型，并在Wixson和Cooley (2023)的野火天气数据上进行了实证分析。模拟研究表明，该估计器在拟合TLETS模型方面优于现有方法，且在尾部依赖较弱时偏差更小，从而减少了对偏差校正的需求。此外，该估计器适用于基于似然的模型选择技术。最后，应用该估计器发现，在未进行偏差校正的情况下，过去与现在气候下与天气相关的野火风险尾部依赖有所增加。
  • 关键技术: proxy likelihood, tail pairwise dependence, Hüsler-Reiss distribution, multivariate regular variation, transformed linear extremes time series
  • 为什么对您有用: 本文虽非您主要兴趣领域的直接方法学进展，但作为统计计算与极值统计的应用，其代理似然思想与您对统计计算和因果推断中复杂似然处理的兴趣有间接关联。作为gateway reading，本文对极值模型和似然近似方法的介绍较为清晰，但需要一定的极值统计背景。您的武器库（如非参数统计、M估计）足以支撑理解其估计框架，但核心的极值理论（如多元正则变化）并非您熟悉领域，因此暂不可直接迁移。若您对极值统计或复杂似然近似感兴趣，可作入门阅读，但优先级不高。

3. 2609.29260 — Information geometry of emergent symmetry quotients and their weak unfoldings

  • 作者: Arnaud Coatanhay, Angélique Drémeau
  • 机构: Centre National de la Recherche Scientifique · Laboratoire des Sciences et Techniques de l’Information de la Communication et de la Connaissance · Institut Polytechnique de Paris
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究正则统计模型在极限处出现符号参数仅模反射可识别时的局部信息几何。在二次可微的 Hellinger 嵌入且存在精确极限反射的假设下，观测位移被强制为两射流形式 ελJ_- + λ²J_+/2（忽略高阶项），其中混合射流在对称面外恢复符号，偶射流是商空间继承的第一个切向量。消去 nuisance 后，正的 Gram 行列式给出非退化 cross-cap 两射流。相应的局部渐近理论由 τ_n = √n ε_n² 控制，分为三个区域：正则符号 LAN、临界曲 Gauss 子实验、以及 n^{-1/4} 符号尺度的商区域。作者证明同一抛物型临界实验在单条平稳依赖轨迹的预测似然中持续存在，并推导了极限商的 Fisher 度量与曲率（在 CIR-OU 基准中严格为负），还确定了 Amari 族的限制和乐群。该文属于信息几何与渐近统计的交叉前沿，但主题与您的主要兴趣（因果推断、高维、U-统计量等）无直接交集。
  • 关键技术: Hellinger embedding, two-jet expansion, cross-cap singularity, local asymptotic normality (LAN), Fisher metric, Amari connection, holonomy
  • 为什么对您有用: 本文属于信息几何与渐近统计理论，与您的主要兴趣（因果推断、高维、U-统计量等）无直接交集，但其中对极限商空间几何与弱展开的刻画，可能对您熟悉的半参数效率理论中的退化问题（如弱识别）有间接启发。作为 gateway reading，本文数学性强，需要微分几何背景，武器库中的半参数理论可帮助理解其渐近框架，但核心几何工具（如 cross-cap、holonomy）不在您的常规武器库中，暂不可做。

4. 2609.31786 — Convergence-Aware Pareto Selection of Covariate Scaling Transformations for Markov Deterioration Hazard Models: Evidence from Bridge Inspection Data

  • 作者: Takato Yasuno, Keita Kobayashi, Ryuta Sakaguchi
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究基础设施资产管理中马尔可夫劣化风险模型（EHM）的极大似然估计对协变量数值缩放变换的敏感性。作者比较了四种缩放方法（基线最大缩放、min-max、z-score、带正移位的Box-Cox）在L-BFGS-B优化下的表现，并基于桥梁检测转移数据提出一种收敛感知的Pareto选择策略。核心贡献在于将数值优化稳定性与模型估计质量纳入多目标选择框架，而非提出新的统计推断方法。结果显示缩放选择显著影响估计收敛性和模型拟合，但缺乏理论上的最优性保证。对您而言，本文属于统计计算与工程应用的交叉案例，可作为数值优化实践的一个参考，但方法学新颖性有限。
  • 关键技术: L-BFGS-B optimization, Pareto selection, covariate scaling, Box-Cox transformation, Markov hazard model
  • 为什么对您有用: 本文涉及统计计算中的数值优化稳定性问题，与您的统计计算兴趣相关，但属于应用导向，方法学贡献有限。作为gateway阅读，它展示了工程数据中数值条件数对估计的影响，但武器库足以支撑理解，无需深入。

5. 2609.29764 — SL-vine and \(Δ\)-vine copula models

  • 作者: Tanabodee Monggon, Songkiat Sumetkijakan, Tippawan Santiwipanont, Monchai Kooakachai
  • 机构: Chulalongkorn University
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出两类受节点度约束的 R-vine 藤 copula 子类，SL-vine 和 Δ-vine，将节点度限制为不超过 3，以在保持灵活性的同时简化计算。作者在多种模拟和真实数据上比较了所提模型与标准 D-vine、C-vine 和 R-vine 的拟合性能，结果显示度约束藤结构可作为现有模型的有效替代。方法上主要依赖藤 copula 的图结构选择与参数估计，但未涉及新的统计理论或推断方法。
  • 关键技术: vine copula, R-vine, degree-constrained graph, copula fitting
  • 为什么对您有用: 本文属于统计建模应用，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接交集；作为 gateway reading 价值也有限，因为缺乏对数据或模型结构的清晰统计阐述。

6. 2609.29958 — Multi-Dimensional Matching

  • 作者: Irene Aldridge
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究多维度匹配机制，其中代理和对象由特征而非完整排序描述。作者提出一种基于单一谱投影的方法，将问题简化为 O(N log N) 时间的一维排序。在去尺度特征和偏好下，算法在投影空间内达到精确的纳什社会福利（NSW）最优，并给出无条件功利福利保证和条件 NSW 保证。机制对外生噪声稳定，但不满足策略防护，文中给出了明确的有利误报。在智能体 AI 购物应用中，诊断正确预测了成功和失败案例，100 实例的稳健性研究证实了结论。
  • 关键技术: spectral projection, Nash Social Welfare, sorting algorithm, robustness study
  • 为什么对您有用: 本文属于匹配机制设计，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接重叠，但谱投影和排序算法可能对统计计算中的降维或匹配问题有启发。作为入门读物，其算法和理论保证清晰，但缺乏与您武器库的直接连接，暂不可做。

🗂 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. 2609.30072 — PK/PD-integrated Bayesian platform design for phase II dose regimen optimization

  • 作者: Axel Vuorinen, Antoine Guillon, Emmanuelle Comets, Moreno Ursino
  • 机构: Inserm · Université Paris Cité · Sorbonne Paris Cité · École des Hautes Études en Santé Publique · Université Sorbonne Paris Nord · Institut de Recherche en Santé, Environnement et Travail · Infection, Anti-microbiens, Modélisation, Evolution · Université de Rennes
  • 相关性 3/10
  • 评分理由: Bayesian PK/PD dose-finding design; unrelated to primary statistical interests, no clear methodological overlap.

2. 2609.29348 — Classical Sufficiency in Quantum Statistical Experiments

  • 作者: Samriddha Lahiry
  • 机构: National University of Singapore
  • 相关性 3/10
  • 评分理由: Quantum statistical experiments and Blackwell dominance are far from the researcher's primary interests in causal inference and classical statistics.

3. 2609.30183 — Differential Double Blind Fourier Holography (diff-DBFH)

  • 作者: Oren Pedatzur, David T. Chuss
  • 机构: Villanova University
  • 相关性 3/10
  • 评分理由: Optics/engineering paper on wavefront sensing; minimal statistical content, not relevant to primary or secondary interests.

4. 2609.29247 — GIMLI: a toolkit connecting linear and non-linear magnetohydrodynamic regimes

  • 作者: Jordi De Jonghe, Nicolas Brughmans, Rony Keppens
  • 相关性 3/10
  • 评分理由: Astrophysics MHD toolkit paper with no clear data/model exposition for a statistician outsider; low gateway value.

5. 2609.29291 — Sufficiently Reduced Distributional Regression

  • 作者: Alexander Henzi, Tiange Liu, Xinwei Shen
  • 相关性 0/10

6. 2609.29035 — Phylodynamic inference with the bounded coalescent: a point process perspective

  • 作者: Bingjing Tang, Shuangping Li, Julia A. Palacios
  • 机构: University of California, San Francisco · Yale University · Stanford University
  • 相关性 0/10

7. 2609.28872 — Least-false Cox coefficients under affine follow-up contamination: exact continuous- and grouped-time benchmarks

  • 作者: Isfandiyor Akhmedov
  • 机构: Tashkent Financial Institute
  • 相关性 0/10

8. 2609.28871 — Panel Conditioning in Fixed-Effects Models: Identification and Bias Propagation

  • 作者: Shoki Okubo
  • 机构: Toyo University
  • 相关性 0/10

9. 2609.28866 — Refutable Exclusion Restrictions in Competing Risks with Categorical Covariates

  • 作者: Isfandiyor Akhmedov
  • 机构: Management Development Institute of Singapore
  • 相关性 0/10

10. 2609.30477 — Scaffold-Constrained Subset Dynamic Programming for Exact SSE Clustering

  • 作者: Yordan P. Raykov, Max A. Little
  • 相关性 0/10

11. 2609.30106 — Stopping models closed under pgf composition, and the stability of randomly stopped model extensions

  • 作者: Jordi Valero, Josep Ginebra
  • 机构: Universitat Politècnica de Catalunya
  • 相关性 0/10

12. 2609.29976 — Exact finite-sample geometry of the Jarque-Bera statistic: support, discriminants and elliptic integrals

  • 作者: Steve Lawford
  • 机构: École Nationale de l’Aviation Civile
  • 相关性 0/10

Maintained by 陈星宇 · Homepage · Source on GitHub

评论