跳转至

2026-10-09 每日资讯

  • 高相关论文 4 篇 · 中相关 27 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, 3 篇)

1. 2610.09234 — Longitudinal causal inference under informative missingness using the self-censoring model

  • 作者: Iv\'an D\'iaz
  • 机构: New York University
  • 分类: stat.ME
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对纵向观测数据中常见的信息性缺失问题(如电子健康记录中患者仅在就医时被测量),提出基于自删失模型(self-censoring model)的识别与估计方法,目标估计纵向修正治疗策略(longitudinal modified treatment policies)下的反事实结局均值。自删失模型显式建模观测与否依赖于未观测变量值本身,属于缺失非随机(MNAR)情形。作者考虑两种设定:一是观测历史足以控制治疗混杂,二是需要未观测的协变量来控制混杂,后者通过影子变量(shadow variable)条件矩约束实现递归识别。估计方面,推导了路径导数(pathwise derivative)和二阶余项展开,结合交叉拟合与机器学习估计 nuisance 函数,在乘积率条件下得到渐近线性且根号 n 一致的估计量,支持跨时间点的联合推断。此外,还提出了条件矩学习和集成方法估计 nuisance 函数,以及池化平滑策略以利用稀疏测量结局的信息。该工作将缺失数据识别与半参数效率理论结合,对纵向因果推断中的 MNAR 问题提供了系统解决方案。
  • 关键技术: self-censoring model, shadow variable, conditional moment restrictions, pathwise derivative, second-order remainder, cross-fitting
  • 为什么对您有用: 直接命中 primary interest 中的 longitudinal causal inference 与 missing not at random 设定,且方法核心是半参数效率理论(pathwise derivative、二阶余项),与您熟悉的 semiparametric theory 和 estimation theory in causal inference 高度契合。可用您 very_familiar 的 minimax bounds 工具检验其乘积率条件是否可改进,或用 higher-order U-statistics 视角分析其估计量的高阶性质。属于立即可做的方向。

2. 2610.09601 — Cluster-Robust Prediction-Powered Inference

  • 作者: David Broska, Michael Howes
  • 机构: Stanford University
  • 分类: stat.ME · econ.EM · stat.ML
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在预测驱动推断(PPI)框架下,针对聚类数据中标签与未标签单元存在任意组内依赖的问题,提出 Cluster-Robust PPI++ 方法。目标是构造参数估计的渐近有效置信区间,同时允许部分标签聚类(即聚类内同时含标签与未标签单元),这违反了标准 PPI++ 的独立性假设。方法上,通过推导闭式标准误和聚类稳健的方差估计,无需 bootstrap 或重抽样即可获得渐近有效的推断。作者还分析了标签设计对精度提升的影响,并给出聚类感知的功率调优规则以最小化渐近方差。实证应用中,标准 PPI++ 的覆盖率低于 60%,而所提方法达到名义 95% 覆盖率。该方法对因果推断中利用预测模型提升效率、同时处理聚类依赖的场景具有直接参考价值。
  • 关键技术: prediction-powered inference, cluster-robust variance estimation, closed-form standard errors, asymptotic normality, power tuning rule
  • 为什么对您有用: 本文直接关联因果推断中的效率提升与聚类数据推断问题,属于 primary interest 中 causal inference 的估计与推断子方向。可用 very_familiar 的估计理论(如 M-estimation 的渐近方差推导)来验证其闭式标准误的推导,并进一步探索在纵向因果推断中结合聚类稳健方差与 DML 的扩展。中期可做:需在 moderately_familiar 的 semiparametric theory 上加强,以处理更复杂的部分标签依赖结构。

3. 2610.10167 — Policy Learning with Weak Signals

  • 作者: Benedikt Koch, Winston Chou, Aur\'elien Bibaut, Nathan Kallus
  • 机构: Harvard University
  • 分类: stat.ME · cs.LG · math.ST · stat.TH
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究数字实验中策略学习(policy learning)的三个挑战:弱信噪比、高维协变量和大数据量。作者将基于越来越细的协变量划分的治疗效应估计建模为高斯观测,并假设信噪比有界。他们证明,在一般情况下,最优治疗策略不可学习,甚至学习最优策略值也面临极慢的收敛速率。然而,当治疗效应随协变量平滑变化时,他们基于线性平滑器(linear smoothers)构造了 minimax 自适应策略,实现了趋于零的福利遗憾(welfare regret)。作者在 Netflix 的大规模真实实验上验证了方法,表明个性化线性平滑策略能优于非个性化策略。该工作连接了因果推断中的策略学习与半参数/非参数理论中的 minimax 速率,对您在高维和效率理论方面的兴趣有直接参考价值。
  • 关键技术: policy learning, minimax adaptive estimation, linear smoothers, Gaussian observation model, welfare regret
  • 为什么对您有用: 本文属于因果推断中的策略学习子方向,直接关联您的 primary interest 中的 causal inference 和 efficiency theory。您可以用 very_familiar 的 minimax bounds 工具来验证其声称的速率是否紧,并考虑将 higher-order U-statistics 的视角用于分析其估计器的计算成本。中期可做:需先熟悉半参数效率理论中的 influence function 技术,以扩展其方法。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2610.09722 — Beyond Source-Level Transfer: Sample-Level Learning for High-Dimensional Quantile Regression

  • 作者: Xiangyu Xing, Yingxuan Wang, Wangli Xu
  • 机构: Renmin University of China
  • 分类: stat.ME
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究高维分位数回归的迁移学习问题,目标是在目标样本量有限且源域异质的情况下估计回归系数。与现有按源域整体筛选的源级迁移不同,作者提出样本级迁移学习方法(SL-TL),在每个源域内识别可迁移样本,并通过自适应重要性权重纳入目标估计。权重仅依赖与分位数损失相关的一维密度,避免了高维密度比的估计,从而降低了计算和统计难度。作者建立了SL-TL估计量的误差界,并刻画了源域贡献的有效样本量;在oracle设定下,证明了其ℓ2收敛速度优于现有方法。对于未知设定,提出了基于样本分割和交叉拟合的可实现算法。模拟和真实数据分析验证了方法的有限样本性能和稳健性。该工作对您在高维统计与迁移学习交叉方向的研究有参考价值,特别是其利用一维密度比简化高维问题的思路,可联系您熟悉的高维渐近理论进行深入分析。
  • 关键技术: transfer learning, quantile regression, importance weighting, sample splitting, cross-fitting
  • 为什么对您有用: 本文属于高维统计与迁移学习的结合,直接关联您的高维统计兴趣(high-dimensional statistics)。其核心技巧——用一维密度比避免高维密度比估计——是您非常熟悉的高维渐近工具可以攻克的点:您可以用 minimax 框架检验其声称的收敛速度是否最优,或分析其权重估计的渐近性质。中期可做:需先熟悉迁移学习领域的具体设定(如源域异质性模型),这属于 moderately_familiar 的 M-estimation 理论范畴。

📌 中相关论文(按主题分组)

因果推断 (causal_inference, 6 篇)

1. 2610.09100 — Score-Based Methods for Selecting Direct Causes in Reweighted Distributions

  • 作者: Jacob M. Chen, Ilya Shpitser
  • 机构: Johns Hopkins University
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在因果推断、缺失数据和领域偏移等场景中,针对重加权分布下的模型选择问题,提出了一种广义BIC准则。传统BIC基于观测似然,无法直接用于边际结构模型等重加权分布,作者通过重新定义似然和惩罚项,证明了该准则的模型选择一致性。方法允许权重未知且需从数据估计,并考虑了未测量混杂因素的存在。模拟研究验证了其渐近性质,并与现有模型选择方法进行了比较。该工作为在重加权分布下选择结果变量的直接原因提供了理论保证和实用工具。
  • 关键技术: generalized BIC, reweighted likelihood, marginal structural model, model selection consistency, inverse probability weighting
  • 为什么对您有用: 本文直接关联因果推断中的模型选择问题,特别是边际结构模型下的直接原因选择,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M估计理论来审视其一致性证明,并考虑将更高阶U统计量或影响函数技术用于改进其有限样本性质。中期可做:若想深入处理未测量混杂,需在识别理论上加强。

2. 2610.09658 — Sharp Partial Identification for Survival Model Comparison Without Target Outcomes

  • 作者: Won Gi Choi, Sun-Ho Kim, Min Soo Kim
  • 机构: Chonnam National University
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在目标人群的生存结局尚未观测到的设定下,比较两个锁定(locked)生存预测模型在预设时间点的 Brier 风险差异。在预设部署摘要上的有界条件 log-odds 偏移模型下,推导出保持共享未识别目标结局律的尖锐识别集。直接识别风险对比的识别集从不宽于分别识别各风险再相减得到的界,且在 Brier 特定的同侧 1/2 条件下严格收紧。对于右删失源数据,采用条件 Cox 删失估计、逆删失概率加权逻辑结局建模和联合 pairs bootstrap,在有限敏感性网格上构造同时置信包络。模拟显示,在受控预测几何下,分别识别与直接识别的宽度比在 1.00 到 5.73 之间;在小样本、高删失的 NSCLC 信息尺度下,外层包络存在有限样本欠覆盖(0.847-0.861 vs 名义 0.95),而在 Rotterdam-GBSG 尺度下为 0.946。跨机构 NSCLC 应用中,尽管识别不确定性降低,所有 40 个预设评估仍导致 DEFER;而在 Rotterdam-to-GBSG 分析中,小敏感性容许下可认证候选优越性,且直接识别与分别相减可能改变操作结论。
  • 关键技术: partial identification, sharp identified set, Brier score, conditional Cox censoring model, inverse-probability-of-censoring weighting, pairs bootstrap
  • 为什么对您有用: 本文属于因果推断中的部分识别与敏感性分析,直接连接 primary interest 中的 sensitivity analysis 和 identification theory。其尖锐识别集构造与分别识别界的对比,可用您 very_familiar 的 minimax bounds 思路来审视其最优性;同时,联合 bootstrap 置信包络的有限样本表现可结合您 moderately_familiar 的 M-estimation 理论进一步分析。

3. 2610.09801 — Statistical Inference for Continuous Action Bandits

  • 作者: Raphael C Kim, Michele Santacatterina, Ramin Zabih, Rajarshi Mukherjee, Ivan Diaz
  • 机构: Cornell University · New York University · Cancer Research And Biostatistics
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究自适应收集数据下连续动作(如定价、剂量)的统计推断问题,目标是对平均策略效应(average policy effect)进行估计和推断。作者将核平滑双重稳健估计从 i.i.d. 数据扩展到自适应数据,提出一族自适应加权估计器。他们建立了估计器的均方误差率、渐近正态性,并刻画了以遗憾(regret)为函数的估计下界。文章还给出了实验设计建议,以权衡效率和遗憾,并通过大量模拟验证理论。该工作填补了连续动作自适应推断方法的空白,对移动健康和在线实验等应用有直接价值。
  • 关键技术: kernel-smoothed doubly robust estimation, adaptive weighting, asymptotic normality, mean squared error rates, regret-dependent lower bound, experimental design
  • 为什么对您有用: 该论文直接关联因果推断中的自适应实验和连续处理变量推断,属于您的主要兴趣方向。您可以用 very_familiar 的估计理论(如 influence function、DR 估计)来审视其效率界是否紧,或探索其与 proximal CI 的联系。中期可做:若想深入其下界证明,需在 moderately_familiar 的 semiparametric theory 上加强。

4. 2610.08805 — The Adaptive Lasso with Weighted IPW Factor and KRR Penalty Function

  • 作者: Zeen Song
  • 机构: Beijing University of Technology
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在因果推断的观测数据设定下,考虑带有加权逆概率加权(IPW)因子的 Lasso 变量选择问题,目标是估计平均处理效应(ATE)并同时进行变量选择。作者首先分析了标准 Lasso 在加权 IPW 因子下的变量选择一致性与不一致性条件,指出其局限性。随后提出一种修正的自适应 Lasso,结合加权 IPW 因子与核岭回归(KRR)惩罚函数,并证明该估计量具有 Oracle 性质,即变量选择一致且估计量渐近正态且有效。数值模拟表明,所提方法在有限样本下表现出接近 minimax 最优的性能。该工作将高维变量选择与因果推断中的 IPW 估计相结合,对您在高维因果推断和效率理论方面的兴趣有直接关联,但需注意其理论假设的严格性。
  • 关键技术: adaptive Lasso, inverse probability weighting (IPW), kernel ridge regression (KRR) penalty, oracle property, variable selection consistency
  • 为什么对您有用: 本文连接您的主要兴趣:因果推断中的 IPW 估计与高维变量选择的结合,以及效率理论中的 Oracle 性质。您可以用 very_familiar 的 minimax 界工具来检验其声称的 near-minimax 最优性是否严格,或用 moderately_familiar 的 semiparametric 理论分析其 IPW 因子的影响函数。中期可做:需在 semiparametric 理论上加强以处理其渐近有效性的证明。

5. 2610.10142 — When Can You Ship on Evals Alone? Trial-Level Surrogacy for Offline Evaluation of LLM Systems

  • 作者: M{\aa}rten Schultzberg
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对 LLM 产品离线评估(eval)与在线效果(online outcome)之间的桥接问题,提出 trial-level surrogacy 概念:即评估处理效应能否预测在线处理效应,这独立于经典的 unit-level(Prentice)surrogacy。作者指出,在历史发布日志中,两个效应估计的抽样噪声会衰减观测到的关系;在二元正态工作模型下,通过减去报告的内干预方差可恢复干预间协方差,并给出闭式的 ship/test/kill 决策规则,以控制发布非正在线效应的概率。此外,LLM 评判者的误差若与臂相关,可能反转评估效应的符号,而一旦部署,ship/kill 区域的漂移无法仅靠观测数据检测,需随机审计实验。在 Upworthy 研究档案的 183 个干预上,评估与在线关系虽测量精确但整体较弱,示例门控将所有干预送往 A/B 测试。
  • 关键技术: trial-level surrogacy, bivariate normal working model, measurement error correction, decision rule, randomized audit experiments
  • 为什么对您有用: 本文属于因果推断中 surrogacy 与决策理论的交叉,直接关联您对 causal inference 中 identification 与 estimation 的兴趣,特别是 surrogate 效用的识别假设。您可用 very_familiar 的估计理论(如矩方法)验证其闭式规则在非正态或异方差下的稳健性,或扩展至更一般的半参数模型。该文方法简单,立即可做扩展,例如用您熟悉的 U-statistic 工具处理相关效应估计的联合分布。

6. 2610.10293 — Adaptively Combining Randomized and External Control Data Using a Mixture Prior in the Presence of Heterogeneity

  • 作者: Xinyi He, Peter F. Thall, Ying Yuan, Suyu Liu
  • 机构: The University of Texas MD Anderson Cancer Center · The University of Texas Health Science Center at Houston
  • 分类: stat.ME
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出一种混合群序贯贝叶斯设计,在随机对照试验中利用外部对照数据来比较时间-事件分布,目标是减少对照组样本量同时控制因试验与外部数据系统性差异导致的偏倚。设计允许治疗效应在不同患者亚组间不同,并自适应合并具有相似风险函数的亚组。核心机制是使用自适应的混合先验,即非信息先验与基于外部对照构建的信息先验的加权平均,借用量与随机和外部对照之间的一致性成比例。在每个中期分析中,设计对各亚组进行比较,若判定劣势或优势则停止该亚组的入组。模拟显示该方法在纳入外部对照数据方面优于其他方法并提高效率。对您而言,该工作与因果推断中的外部数据融合和敏感性分析相关,其自适应借力机制可借鉴到proximal CI或纵向研究中的稳健估计设计。
  • 关键技术: Bayesian group sequential design, mixture prior, adaptive borrowing, time-to-event analysis, subgroup analysis
  • 为什么对您有用: 该论文属于因果推断中利用外部对照数据提高试验效率的应用,与您的primary interest中的causal inference(尤其是identification和estimation)相关。您可以用very_familiar的estimation theory in causal inference来审视其借力机制的有效性,或思考其与proximal CI中negative control假设的联系。中期可做:若想深入其贝叶斯序贯决策,需在moderately_familiar的identification theory上加强。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2610.09303 — Tightness and Error Exponents of SDP with Logarithmically Many Communities

  • 作者: Shengtao Guo, Ethan X. Fang, Junwei Lu
  • 机构: Duke University · Harvard University
  • 分类: math.ST · cs.IT · math.IT · stat.TH
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究随机块模型(SBM)中社区数 k 随节点数 m 对数增长时的半定规划(SDP)松弛的紧致性。在 k/log m → γ > 0 的机制下,社区内边概率为 α log m/m,社区间为 β log m/m(α > β > 0),作者推导了远离临界情形下的渐近紧致边界。当稀有节点导致紧致性失效但主体谱稳定时,所有近最优解的归一化矩阵误差仍趋于零。作者证明了该误差和归一化最优目标增益的匹配高概率指数,其由决定紧致性的同一局部校正控制。在整个谱稳定区域,单次 SDP 求解加上显式舍入和精化步骤即可在信息论阈值之上实现精确社区恢复,即使植入的社区矩阵不是 SDP 的最优解。
  • 关键技术: semidefinite programming relaxation, stochastic block model, community recovery, spectral stability, error exponents, rounding and refinement
  • 为什么对您有用: 本文属于高维统计与随机矩阵理论交叉领域,直接关联您对 high-dimensional statistics 与 RMT 的兴趣,特别是谱方法在社区检测中的行为。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 来验证其声称的紧致边界是否与信息论下界匹配,或用 moderately_familiar 的 M-estimation 理论分析其舍入步骤的统计性质。该文是理解 SDP 松弛在非标准参数机制下行为的良好入口,值得展开读。

非参数 / 半参数 (nonparam_semipara, 7 篇)

1. 2610.09423 — Manifold Fitting by Successive Tangent-Space Projection

  • 作者: Yuqing Xia, Bingjie Li, Zhigang Yao
  • 机构: Zhejiang University of Finance and Economics · Huazhong University of Science and Technology · National University of Singapore
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究流形拟合问题,目标是从带噪声的观测中恢复底层流形的几何结构。作者提出迭代的连续切空间投影(STSP)方法,通过交替投影到局部切空间来降低法向噪声,同时保持切向变化,从而在拟合精度与几何覆盖之间取得平衡。在均匀采样、正reach的紧致光滑流形和各项同性高斯噪声假设下,作者刻画了STSP的总体固定点集,证明其位于真实流形的O(σ²)邻域内,且附近轨道几何收敛到该集合。有限样本下,以高概率,局部管内的固定点与真实流形的距离在采样误差意义下为O(σ²),且经验轨道进入并停留在该邻域。进一步提出多尺度扩展MS-STSP,在保持O(σ²)定位阶的同时减少曲率偏差。数值实验表明STSP在平衡拟合精度与几何覆盖上优于现有方法,MS-STSP尤其在高噪声下能减少曲率引起的收缩。
  • 关键技术: successive tangent-space projection, manifold fitting, fixed-point analysis, geometric convergence, multi-scale extension
  • 为什么对您有用: 该论文属于非参数/半参数理论中流形学习的前沿方法,与您对非参数估计和几何结构恢复的兴趣直接相关。您可以用熟悉的非参数统计和极小极大界工具来审视其O(σ²)定位阶是否最优,并考虑将STSP的迭代投影思想与您在高阶U统计量上的张量网络复杂度分析结合,探索流形拟合中计算与统计的权衡。

2. 2610.09452 — Finite-Rank Logistic Gaussian Processes with Exact Likelihood for Conditional Density Estimation

  • 作者: Jaehoan Kim, Indrajit Ghosh, Debdeep Pati, Dipankar Bandyopadhyay
  • 机构: Duke University · Eli Lilly (United States) · University of Wisconsin–Madison · Virginia Commonwealth University
  • 分类: stat.ME · math.ST · stat.AP · stat.ML · stat.TH
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种精确似然的有限秩 Logistic 高斯过程(ExFR-LGP)用于条件密度估计,目标是在成像研究中估计响应变量随协变量和位置变化的整个分布。该方法将 log 密度分解为两个二元函数之和,分别对应响应与协变量线性指数、响应与位置,每个函数赋予有限秩高斯过程先验并在规则网格上分段线性,从而使得归一化常数、条件均值和分位数具有闭式表示。后验采样通过 Gibbs 采样器结合椭圆切片采样实现,避免了传统 LGP 中归一化常数无闭式解的问题。在真实 log 密度属于该二元函数类时,后验收缩率达到 α-光滑二元密度的 minimax 速率(至多差对数因子)。合成数据实验验证了方法的有效性,并在 ADNI 数据上对胼胝体沿线的分数各向异性响应进行了协变量调整的百分位带估计。对您而言,该文的有限秩先验与闭式归一化技巧可能对您的非参数/半参数理论兴趣有启发,尤其是后验收缩率与 minimax 速率的对比分析。
  • 关键技术: Logistic Gaussian process, finite-rank prior, piecewise linear basis, closed-form normalizing constant, elliptical slice sampling, posterior contraction rate
  • 为什么对您有用: 本文属于非参数贝叶斯条件密度估计,直接关联您的非参数/半参数理论兴趣,特别是后验收缩率与 minimax 速率的对比。您可以用 very_familiar 的 minimax 界工具验证其声称的收缩率是否紧,或用 moderately_familiar 的 M-估计理论分析其有限秩近似的偏差-方差权衡。中期可做:需在非参数贝叶斯收缩率理论上稍作提升(moderately_familiar 中的 semiparametric theory 可延伸)。

3. 2610.09687 — The Silhouette Operator: Identifiability of Low-Rank Measures from One-Dimensional Projections

  • 作者: Robert A. Vandermeulen
  • 分类: math.ST · cs.IT · cs.LG · math.FA · math.IT · stat.ML · stat.TH
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究低秩符号测度(可表示为有限个一维因子乘积测度之和)的识别与估计问题,目标是从固定有限个一维线性投影(称为 silhouette 算子)恢复原测度。主要结果表明,对紧支撑的秩≤k 符号测度,选取 2k 个投影边际即可唯一识别,且该数量最优,但投影方向不能任意选取;同时给出了高维乘积测度之和可由两两边际识别的充分条件。方法上,作者提出 silhouette mixture estimation (SME),通过匹配一维投影边际与经验边际的 Wasserstein 距离来构造低秩经验测度,结合一维密度估计可得到非参数密度估计器。数值实验显示 SME 在中等维度和样本量下优于多种参数、非参数及深度学习基线。该工作将压缩感知的结构恢复思想推广到测度识别,对您在高维统计和逆问题方面的兴趣有直接关联,其识别性证明和最优性结果可能启发新的理论工具。
  • 关键技术: silhouette operators, low-rank signed measures, one-dimensional projections, Wasserstein distance, nonparametric density estimation
  • 为什么对您有用: 本文属于非参数/半参数理论中测度识别的新框架,与您 primary interest 中的非参数理论直接相关;其识别性证明和最优投影数量结果可联系到您 very_familiar 的 minimax bounds 工具来验证最优性是否紧;同时 SME 的估计器设计涉及计算效率,可结合您熟悉的软件开发和 einsum 复杂度视角分析其实现成本。

4. 2610.09813 — Drift Estimation for a Multi-Dimensional L\'evy-Driven Stochastic Differential Equation Using Deep Neural Networks

  • 作者: Taisei Noguchi, Teppei Ogihara
  • 机构: The University of Tokyo
  • 分类: math.ST · math.PR · stat.TH
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究多维 Lévy 驱动的随机微分方程中漂移函数的非参数估计问题,观测为离散时间采样,目标是在跳跃存在下估计漂移项。作者采用稀疏 ReLU 神经网络作为函数类,建立最小二乘估计器的非渐近 oracle 不等式,假设过程满足指数 β-混合和 Lévy 测度的指数尾条件。与扩散模型相比,跳跃成分将连续鞅替换为不连续鞅,且经验过程波动从亚高斯变为亚指数,本文通过补偿 Poisson 积分的指数超鞅论证和 ψ1-链式方法处理,无需截断观测增量。尽管浓度较弱,所得统计界与扩散情形在常数意义下同阶;对具有层次组合结构的漂移函数,可获得内蕴维数的收敛速率。框架允许无限跳跃活动和部分无限变差情形。最后,在固定的非平凡复合 Poisson 子模型上建立极小极大下界,与上界结合表明估计器在对数因子意义下极小极大最优。
  • 关键技术: sparse ReLU neural networks, least-squares estimation, oracle inequality, exponential β-mixing, ψ1-chaining, minimax lower bound
  • 为什么对您有用: 本文属于非参数与半参数理论方向,具体涉及跳跃扩散过程的非参数估计,与您的高维统计和极小极大界兴趣相关。您可以用 very_familiar 的极小极大界技术验证其下界构造,或思考将高阶 U-统计量工具用于跳跃过程的经验过程分析。

5. 2610.09214 — Calibration-Free Robust Bayesian Inference for Discrete Unnormalized Models

  • 作者: Jiongran Wang, Debdeep Pati, Anirban Bhattacharya
  • 机构: Texas A&M University · University of Wisconsin–Madison
  • 分类: stat.ME · stat.AP
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对离散无标号模型(如 Ising 模型、泊松回归等)的贝叶斯推断问题,提出 DFD-BETEL 框架。该框架利用离散 Fisher 散度的一阶最优性条件作为矩条件,结合贝叶斯指数倾斜经验似然(BETEL),从而避免计算归一化常数,且无需调节学习率。作者证明了离散 Fisher 散度估计量的相合性和渐近正态性,并建立了 DFD-BETEL 后验的 Bernstein-von Mises 定理,表明其后验协方差与估计量的抽样协方差一致,从而在模型误设定下仍能提供渐近校准的不确定性量化。数值实验表明,在正确设定下 DFD-BETEL 与基于似然的贝叶斯方法相当,而在误设定下其不确定性量化更可靠。最后,作者将方法应用于汽车保险索赔数据,展示了其实用性。该方法对您在半参数与非参数理论、以及统计计算方面的兴趣有直接关联,特别是其利用矩条件构造后验的思路,可能启发您在高维或因果推断中处理复杂模型的新途径。
  • 关键技术: discrete Fisher divergence, Bayesian exponentially tilted empirical likelihood, moment conditions, Bernstein-von Mises theorem, semiparametric Bayesian inference
  • 为什么对您有用: 该论文属于半参数与非参数理论方向,直接关联您对 semiparametric 贝叶斯推断和模型误设定下不确定性量化的兴趣。其利用矩条件构造后验的方法,可能启发您在高维或因果推断中处理复杂模型的新途径。从技术武器库看,您对 semiparametric theory 和 M-estimation 的熟悉程度足以理解其核心证明,但若要深入扩展(如处理连续模型或高维情形),可能需要补充经验似然和贝叶斯计算方面的知识。总体而言,这是一篇值得关注的方法学论文,但并非直接可迁移到您当前的核心问题,建议作为中期可探索的方向。

6. 2610.09731 — Unbounded Characteristic and Universal Kernels

  • 作者: Jose Cribeiro-Ramallo, Florian Kalinke, Zolt\'an Szab\'o
  • 机构: Karlsruhe Institute of Technology
  • 分类: math.ST · cs.LG · stat.ML · stat.TH
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究无界核(unbounded kernels)下特征性(characteristic)、L_p-普适性(L_p-universal)与积分严格正定(integrally strictly positive definite)等核表达性概念之间的关系。在经典有界核情形下这些概念及其等价关系已被充分理解,但无界核(如用于MMD、HSIC、KSD的核)在过去十年虽被广泛使用,其理论关系却鲜有研究。作者在温和假设下建立了这些概念在无界情形下的蕴含与等价关系,填补了这一理论空白。技术上,作者利用RKHS嵌入、测度论与泛函分析工具,处理无界核带来的积分与收敛性问题。主要结果给出了无界核下特征性与普适性等价的充分条件,并讨论了其在分布与独立性检验中的意义。对您而言,该工作与您对非参数/半参数理论及核方法的兴趣直接相关,尤其为无界核在因果推断中作为工具变量或代理变量的理论性质提供了更坚实的数学基础。
  • 关键技术: reproducing kernel Hilbert space (RKHS), characteristic kernels, L_p-universal kernels, integrally strictly positive definite kernels, maximum mean discrepancy (MMD), Hilbert-Schmidt independence criterion (HSIC), kernel Stein discrepancy (KSD)
  • 为什么对您有用: 该论文直接关联您的非参数/半参数理论兴趣,特别是核方法的表达性理论。无界核在MMD、HSIC、KSD等工具中广泛使用,而这些工具在因果推断(如条件独立性检验、分布平衡)中扮演重要角色。您可以用您非常熟悉的非参数统计和RKHS理论来验证其定理条件,并探索无界核在您关注的proximal causal inference或高维设定下的应用。中期可做:将无界核理论用于您 moderately_familiar 的HOIF框架,以处理高阶影响函数中的核估计问题。

7. 2610.09153 — Relative Wasserstein Spatial Depth for Cluster Number Selection in Distributional Data

  • 作者: Chenqin Xu, Yisha Yao
  • 机构: Columbia University
  • 分类: stat.ME · stat.ML
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对分布型数据(如图像、流式细胞术数据)在 Wasserstein 空间中的聚类问题,提出一种新的聚类数选择准则——相对 Wasserstein 空间深度(RWSD)。该准则通过比较每个分布在所属簇与竞争簇中的深度来评估聚类质量,并与 Wasserstein K-means 或提出的 K-medians 算法结合。在适当假设下,作者证明了聚类中心和所选最优聚类数的一致性,并给出了两阶段抽样下的误差率以及 RWSD 在固定划分下的稳健性刻画。大量模拟表明,在簇间分离度不均、异质离散度、重尾和异常值等场景下,RWSD 优于轮廓系数和 Davies-Bouldin 指数。在 MNIST 图像和流式细胞术数据上的应用展示了其实用价值,但作者也指出当簇非测地凸且缺乏有意义的深度中心时,RWSD 可能失效。
  • 关键技术: Wasserstein space, spatial depth, cluster number selection, K-medians, consistency, two-stage sampling
  • 为什么对您有用: 本文属于非参数/半参数理论中深度函数与聚类方法的结合,与您对非参数统计的兴趣相关。虽然不直接涉及因果推断或高维随机矩阵,但其深度方法在分布型数据上的理论分析(一致性、误差率)可能对您处理复杂数据结构有启发。从问题发现角度看,您可考虑用您熟悉的非参数工具(如经验过程)来检验其深度估计量的收敛性质,或探索其在因果推断中作为平衡得分(propensity score)替代的可能性。

数理统计 / 假设检验 (hypothesis_testing, 10 篇)

1. 2610.09339 — Sequential resetting procedures and false discovery rate

  • 作者: Qiuqi Wang, Ruodu Wang, Zhenyuan Zhang
  • 机构: Georgia State University · University of Waterloo · Massachusetts Institute of Technology
  • 分类: stat.ME · math.ST · stat.AP · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一类新的序贯检验程序——sequential resetting procedures,用于在数据流式到达、每个观测对应一个零假设的设定下,定位零假设失效的区间,并控制错误发现率(FDR)。方法基于 e-values 和 test supermartingales,通过在每个拒绝块中重置检验过程来控制累积错误。作者还给出一个改进版本,通过丢弃检验超鞅达到块最小值之前的信息量较低的数据点来提升效率。程序在独立设定和更一般的可能依赖设定下都有显式的 FDR 界,且这些界不依赖于检验时域;一般设定下的界具有任意时点有效性(anytime validity),但比标准 FDR 水平多一个对数因子。模拟和实际数据实验展示了方法在 LLM 水印检测和金融回测中的应用。对您而言,该文将 e-value 与 FDR 控制结合,是假设检验领域一个新颖且实用的方向,尤其适合您对 hypothesis testing 的兴趣。
  • 关键技术: e-values, test supermartingales, sequential testing, false discovery rate control, anytime validity
  • 为什么对您有用: 直接对应您 primary interest 中的 hypothesis testing 子方向,且 e-value 方法在因果推断的敏感性分析中也有应用(如 e-value 用于未测量混杂的敏感性度量),可考虑将序贯重置思想迁移到纵向因果推断的在线检验中。从技术武器库看,您对假设检验和概率论基础扎实,但 e-value 和 test supermartingale 的特定理论可能需稍作熟悉;总体而言,该文属于可读性强、方法新颖的论文,值得展开读。

2. 2610.09627 — The Lambert Penalty: Logarithmic Shrinkage for Sparse Regression

  • 作者: Bahad{\i}r Y\"uzba\c{s}{\i}
  • 机构: Inonu University
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种新的稀疏回归惩罚项——Lambert penalty,其核心思想是限制变量进入模型后保留分数(retained fraction)的增长速度,从而在对数尺度上实现从精确零到恒等尾部的平滑过渡。该惩罚具有固定形状和单一惩罚参数,通过仅训练集的五折交叉验证选择。作者推导了显式的标量更新公式、尖锐的弱凸性界、多元唯一性的充分条件以及精确循环坐标下降的条件收敛性。在固定维度下,全局最小化器在渐近调参带上与 oracle 估计量一致等价。高斯模拟显示,Lambert 在强等信号下偏好预测,通常比 SCAD 改善支持恢复,但 MCP 在支持恢复上常更优,凸方法在弱信号或强相关下仍有竞争力。在 QSAR 毒性应用中,重复嵌套交叉验证给出竞争性预测和紧凑稳定模型,但与 MCP/SCAD 的误差差异较小。
  • 关键技术: Lambert penalty, logarithmic shrinkage, weak convexity, cyclic coordinate descent, oracle equivalence, nested cross-validation
  • 为什么对您有用: 本文属于高维稀疏回归的正则化方法,与您的高维统计和假设检验兴趣相关,特别是惩罚估计量的理论性质(弱凸性、唯一性、oracle 等价)可借鉴到您熟悉的 minimax 框架中。您可以用 very_familiar 的 minimax 界工具分析其渐近性质,或与您熟悉的 MCP/SCAD 比较,中期可探索其在高维推断中的不确定性量化。

3. 2610.09105 — Local asymptotic normality for spectral-tail likelihoods under fixed-domain sampling

  • 作者: Alexandre B. Simas, Jonas Wallin
  • 机构: King Abdullah University of Science and Technology
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文在固定域采样下,对平稳高斯随机场的尺度与粗糙度参数建立联合推断的局部渐近正态性(LAN)。尺度与粗糙度由谱尾的系数与衰减指数表示,在谱正则性条件下,作者识别了联合归一化并证明 MLE 的相合性与渐近正态性。对 N 个观测,粗糙度估计误差阶为 N^{-1/2},尺度估计误差阶为 (log N)/√N,分量归一化后误差收敛到完全相关的二元高斯。已知任一参数可使另一参数的收敛速率提升一个对数因子。分析使用广义局部 Toeplitz(GLT)理论,并发展了截断原理以处理不可积极限符号和低频贡献的定量界。作者验证了 Matérn 与广义 Wendland 协方差族的假设,并证明在协方差误设定下相合性与极限分布仍然成立。对您可能有用:该文将 LAN 框架推广到固定域高斯过程,其 GLT 截断技术可迁移至高维随机矩阵或谱分析中的相关估计问题。
  • 关键技术: local asymptotic normality (LAN), generalized locally Toeplitz (GLT) theory, spectral tail likelihood, maximum likelihood estimation, fixed-domain asymptotics, covariance misspecification
  • 为什么对您有用: 该文属于数学统计与假设检验方向,与您对 LAN 和渐近效率的兴趣直接相关;其 GLT 截断原理可用来处理高维谱估计中的非可积符号问题,属于您 very_familiar 的高维渐近工具范畴,但需要先熟悉 GLT 理论,属于中期可做的方向。

4. 2610.09208 — Sketched Calibration for Conformal Prediction under Covariate Shift

  • 作者: Mehrdad Pournaderi
  • 分类: stat.ME · math.ST · stat.ML · stat.TH
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究协变量偏移下加权共形预测的校准成本问题,指出其随源与目标协变量分布的卡方散度指数增长,且部分成本来自不影响响应的偏移方向。作者提出 sketched calibration:用压缩协变量 Z=T(X) 的似然比作为权重(可选地用于得分),压缩不增加偏移相关校准成本,且目标覆盖率至少为 1-α-Δ_T,其中泄漏 Δ_T 度量被丢弃的偏移在给定 Z 下对响应或得分分布的影响。泄漏是纤维上丢弃偏移与响应的协方差,当 sketch 充分或保留偏移时消失,且极小极大构造表明固定得分的阈值规则无法避免泄漏。异方差模拟中,一维 sketch 将无限预测集比例从 37.8% 降至 8.0%,平均覆盖率 92.3%(目标 90%);非线性与真实数据实验展示了学习 sketch 的成败。对您可能有用:该文将分布偏移的鲁棒性问题转化为可压缩的统计量设计,与您在高维统计和假设检验中的降维思想有潜在联系。
  • 关键技术: weighted conformal prediction, covariate shift, likelihood ratio weighting, dimensionality reduction via sketching, minimax analysis, coverage guarantee
  • 为什么对您有用: 该文属于假设检验与不确定性量化交叉方向,与您 primary interest 中的 hypothesis testing 和 high-dimensional statistics 相关。您可以用 very_familiar 的 minimax bounds 工具分析其泄漏项 Δ_T 的紧性,或用 moderately_familiar 的 semiparametric theory 视角审视压缩映射 T 的选择。中期可做:需在 moderately_familiar 的 identification theory 上加强,以处理更一般的偏移结构。

5. 2610.09391 — Reusing Statistical Guarantees Under Change: Selection Costs and Event Ownership

  • 作者: Ao Li (Australian Institute for Machine Learning, Adelaide University, Adelaide, Australia), Weitong Chen (Australian Institute for Machine Learning, Adelaide University, Adelaide, Australia)
  • 机构: Adelaide University · The University of Adelaide
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究自适应系统在目标或前提变化后重用旧统计保证的问题,核心是理解选择机制如何影响未来鞅动力学和错误控制。作者证明过去可测的选择虽保留鞅性质,但不保证单位期望起始值,并用严格正族的有限反例驳斥了已发表的变先验扩展,排除了仅依赖切换次数和错误水平的无限制界。他们提出付费起始的多重切换校正,并证明 m 是无结构 m 假设族的最坏期望起始时刻代价的尖锐界。随后开发 Adaptive Assurance 框架,将统计事件与实验、资助和结果绑定,支持兼容结果投影、选择性失效和审计决策。该框架在六个公共记录领域验证,能识别错误继承和不必要的重置,并明确区分条件保证恢复与能力适应,量化证据、计算和验证成本。
  • 关键技术: martingale dynamics, selective inference, multiple testing, adaptive data analysis, finite-sample counterexample
  • 为什么对您有用: 本文直接关联您对假设检验和自适应数据分析的兴趣,特别是选择如何影响统计保证的机制。您可以用非常熟悉的鞅论和多重检验工具来审视其有限反例和尖锐界,中期可探索其与选择性推断的联系,但核心框架更偏向计算和系统设计,可能暂不需要深度跟进。

6. 2610.09123 — Sharp and Adaptive Cluster Recovery in Slowly Mixing Gaussian Hidden Markov Models

  • 作者: Ibrahim Kaddouri, Mohamed Ndaoud
  • 机构: University of Warwick · École Supérieure des Sciences Économiques et Commerciales · Health Decisions (United States)
  • 分类: math.ST · stat.ME · stat.TH
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究两状态高斯隐马尔可夫模型中的聚类恢复问题,聚焦于慢混合(transition probability δ 随样本量趋于 0)的设定。与 i.i.d. 高斯混合基准不同,标签依赖提供了可利用的结构:统计困难集中在稀少的转移点附近,恢复难度由转移频率 δ 显式刻画。作者首先刻画了离线与在线聚类的 oracle Bayes 风险,两者均呈现非标准的多项式风险 regime,但在线约束带来额外的对数定位代价,形成真实的在线/离线差距。对于固定滞后预测,他们识别出有效记忆视界,超过该视界后过去标签不再改善最优速率。当信号方向未知且可能高维时,问题由有效信号强度 r_n^2 控制,作者推导了 minimax 下界并构造了完全自适应的多项式时间算法,达到尖锐恢复速率。特别地,几乎完全恢复当且仅当 r_n^2 ≫ δ,且当 nδ ≳ log n 时,对信号和转移概率的适应无首阶损失,精确恢复阈值(Hamming 损失下)为 r_n^2 = 2 log(nδ)(1+o(1)),表明有效复杂度由潜在转移次数而非样本量决定。对您而言,该文的 minimax 下界与自适应算法设计思路可迁移至高维隐状态模型的推断问题,且其在线/离线差距分析可能启发您对 U-统计量序贯版本的思考。
  • 关键技术: minimax lower bounds, adaptive estimation, oracle Bayes risk, online clustering, effective signal strength, Hamming loss
  • 为什么对您有用: 该文属于假设检验与高维统计交叉领域,直接连接您对 minimax 界和自适应推断的兴趣;其有效信号强度 r_n^2 的刻画可类比高维均值检验中的 SNR 阈值,您可用 very_familiar 的 minimax 技术验证其下界紧性,或用 moderately_familiar 的 M-估计理论分析其自适应算法的有限样本行为。

7. 2610.09094 — A Formal Graphical Inference Framework for Combining Effect Size with Statistical Significance: Application to Multivariate and Functional Linear Models

  • 作者: Tom\'a\v{s} Mrkvi\v{c}ka, Mikko Kuronen, Mari Myllym\"aki
  • 机构: Sewanee: The University of the South · University of South Bohemia in České Budějovice · University of Helsinki · Natural Resources Institute Finland · Helsinki Art Museum
  • 分类: stat.ME · stat.CO
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一个形式化的图形推断框架,旨在同时评估效应大小与统计显著性,弥补传统假设检验仅给出二元结论的不足。该框架基于重抽样和全局包络(global envelopes),具有通用性和直接的可视化解释性。作者引入新颖的逐步下降全局包络(step-down global envelopes),并理论上证明在可交换性假设下,其中若干种包络能实现精确的强族错误率(FWER)控制,从而为每个局部假设提供严格推断。除了调整后的p值,该框架还提供针对假设块(如特定类别内协变量的函数效应)的调整子集p值。通过可视化效应大小和方向相对于零假设下变异性的关系,该方法提供了丰富的信息价值。应用场景包括多元和函数线性模型。
  • 关键技术: global envelopes, step-down procedures, strong FWER control, resampling-based inference, functional linear models
  • 为什么对您有用: 本文属于假设检验方向,直接关联您的主要兴趣(数学统计与假设检验)。其核心创新在于通过逐步下降全局包络实现强FWER控制,并同时提供效应大小与不确定性的可视化,这对您熟悉的非参数和半参数推断有方法论上的互补性。您可以用非常熟悉的非参数统计和重抽样技术来评估该方法的有限样本性质,或将其与您在高阶U统计量方面的工作结合,分析函数型数据中的检验问题。这是一个立即可做的方向,因为您已具备所需的工具。

8. 2610.10271 — Interval Localization for Multiple Change-points with Error Rate Control

  • 作者: Zijian Wei, Yajie Bao, Haojie Ren, Nan Chen
  • 机构: Shanghai Jiao Tong University · Fudan University · National University of Singapore · Singapore Management University
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究多变点检测中的区间定位问题,目标是在控制错误发现率(FDR)的前提下,识别包含真实变点的区间。作者将问题形式化为对检测器报告区间的多重检验,提出了一种与算法无关且分布自由的框架,控制区间级 FDR。核心方法是基于置换的保序区间选择(POIS),利用保序样本分割将检测与置换检验分离;POIS+ 则复用检测侧证据,引入检测条件 e 值作为置换 p 值的非归一化权重,以提高功效。两种方法均实现有限样本 FDR 控制,且在给定条件下,POIS 渐近达到完全功效,POIS+ 的功效不低于 POIS。模拟和两个真实数据应用验证了方法的有效性。对您而言,该文的保序分割与 e 值加权思想可能对您在高维假设检验或因果推断中的多重检验问题有启发。
  • 关键技术: permutation testing, e-values, sample splitting, FDR control, change-point detection
  • 为什么对您有用: 该文属于假设检验方向,与您对 hypothesis testing 的兴趣直接相关;其保序分割和 e 值方法可能用于您熟悉的因果推断中的多重检验问题(如敏感性分析中的多重比较)。您可用 very_familiar 的 minimax 界或 U-统计量工具分析其功效的紧性,属于立即可做的 follow-up。

9. 2610.09168 — Low-Order Inclusion Probabilities Do Not Determine Asymptotic Normality

  • 作者: Jiahua Chen
  • 机构: University of British Columbia
  • 分类: math.ST · stat.TH
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究抽样调查中中心极限定理(CLT)的成立条件,具体探讨低阶包含概率(一阶和二阶)是否能作为一般性条件。作者证明,即使一个固定样本量的抽样设计与无放回简单随机抽样(SRSWOR)具有完全相同的一阶和二阶包含概率,样本总量的渐近正态性仍可能不成立。他们构造了一列这样的抽样设计(基于有限射影平面导出的平衡不完全区组设计),并配以一列有限总体,使得在SRSWOR下样本总量依分布收敛到标准正态,而在替代设计下收敛到中心化的标准指数分布。尽管两种设计下样本总量的均值和方差在每一阶段都相同,极限分布却不同。证明中使用了循环结构来规定区组抽样下样本总量的分布,并结合无放回抽样的指数不等式和概率置换论证来构造满足SRSWOR中心极限定理的有限总体。该结果表明,低阶包含概率无法控制与渐近正态性相关的全局依赖结构,因此不能作为复杂抽样设计下中心极限定理的一般条件。对您而言,该结果与您对假设检验和数学统计的兴趣相关,特别是关于抽样设计下统计量的渐近分布理论,可能启发对更一般抽样机制下检验统计量稳健性的思考。
  • 关键技术: Horvitz-Thompson estimator, inclusion probabilities, balanced incomplete block designs, finite projective planes, exponential inequality for sampling without replacement, central limit theorem
  • 为什么对您有用: 该论文直接关联您对假设检验和数学统计的兴趣,特别是抽样设计下统计量的渐近分布理论。它提供了一个反例,说明低阶包含概率不足以保证CLT,这对理解复杂抽样下检验统计量的稳健性有启发。从技术武器库看,您非常熟悉的高维渐近和概率不等式工具(如指数不等式)可用于验证或扩展此类反例的构造,因此属于立即可做的方向。

10. 2610.09259 — Distinguishable Category Groupings in Complex Surveys: Which Categories Can the Design Tell Apart?

  • 作者: Jiarui Qi, Yinhai Wang
  • 分类: stat.ME
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究复杂抽样设计下多类别估计的成对比较问题,目标是在给定设计的最小可检测差异(基于主抽样单元和自由度)下,确定哪些类别分组是可区分的。作者提出两种方法:一种通过合并类别直至分组可区分,然后检验每个单一分裂;另一种枚举小块内所有可区分分组。应用美国国家机动车碰撞因果调查数据,发现13个车辆相关关键原因中无超过四组的可区分分组,且跨块分组通常不可区分。该方法为低自由度设计下的类别比较提供了实用工具,但理论深度有限。
  • 关键技术: minimum detectable difference, primary sampling units, degrees of freedom, grouping enumeration, complex survey design
  • 为什么对您有用: 本文属于假设检验在复杂调查中的应用,与您对假设检验的兴趣相关,但更偏向应用而非理论。方法基于设计效应和自由度,不涉及高维或半参数理论。作为流行病学或调查数据分析的参考可能有价值,但方法学新颖性有限。

其他 (other, 3 篇)

1. 2610.09030 — Graph-monotone entrywise guarantees for MLE and Rank Centrality on general comparison graphs

  • 作者: Yuepeng Yang, Cong Ma
  • 机构: University of Pennsylvania · University of Chicago
  • 分类: math.ST · stat.ML · stat.TH
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究一般固定比较图下的 Bradley–Terry–Luce 模型,目标是估计潜在得分并识别排名靠前的项目。在仅假设比较图任意固定、观测次数异质的情况下,作者证明标准极大似然估计和 Rank Centrality 都能达到逐项误差率 \(1/\sqrt{\lambda_{\mathcal{D}}}\)(忽略对数与动态范围因子),其中 \(\lambda_{\mathcal{D}}\) 是计数加权观测图的代数连通度。该界具有图单调性:增加比较不会使 \(\lambda_{\mathcal{D}}\) 下降,因此保证不会变差。在异质采样下,该保证改进了现有误差界或放宽了假设;此外还证明两种估计器对结果自适应增广(对手在观测初始结果后额外选择比较对)具有鲁棒性。对您而言,该文的逐项误差分析与图单调性视角可能对您在高维统计和随机矩阵理论中的谱方法分析有参考价值,但并非直接相关。
  • 关键技术: Bradley-Terry-Luce model, Rank Centrality, entrywise error analysis, algebraic connectivity, graph-monotone guarantees
  • 为什么对您有用: 本文属于高维统计与谱方法在排名问题中的应用,与您的高维统计和随机矩阵理论兴趣有间接关联,但并非核心方向。它不涉及因果推断、U-统计量或半参数效率理论,也不属于统计计算权衡或 gateway reading 范畴。作为方法学论文,其逐项误差界和图单调性技术可能对您在高维推断中的谱方法研究有参考价值,但优先级较低。

2. 2610.08974 — Projected Normal Models on Recursively Curved Tori

  • 作者: Surojit Biswas, Aron Persson
  • 机构: University of Bonn · Umeå University
  • 分类: stat.ME · math.DG · math.ST · stat.TH
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文在递归嵌入的弯曲环面 T^n 上建立了一个计算上可行的角数据统计框架。作者通过推广弯曲二维环面的构造,给出了精确的均匀采样器,并将投影正态分布推广到弯曲 n 维环面。他们利用最大对数似然估计和基于能量的 Fréchet 估计进行推断,并建立了各向同性投影正态分布的可识别性,同时应用极大似然理论和内在统计理论。数值实验验证了几何、采样器、密度变换和能量求解器的正确性,并用真实数据展示了模型的应用。
  • 关键技术: projected normal distribution, curved torus, uniform sampling, maximum likelihood estimation, Fréchet mean, intrinsic statistics
  • 为什么对您有用: 本文属于方向性统计与流形上的统计,与您的主要兴趣(因果推断、高维、U-统计等)无直接交集;但作为统计计算与几何统计的交叉,可能对您熟悉的统计计算方向有参考价值。不过,其核心工具(流形几何、内在统计)不在您的技术武器库中,且作为入门读物价值一般,因此暂不建议深入阅读。

3. 2610.09762 — The generalized lower triangular process prior

  • 作者: Antonio Canale, Sylvia Fr\"uhwirth-Schnatter
  • 机构: University of Padua · Vienna University of Economics and Business · University of Edinburgh
  • 分类: stat.ME · stat.CO
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对多元数据因子分析中因子载荷矩阵因旋转不变性导致的不可识别问题,提出了一种广义下三角过程先验。该先验允许全局和成分内稀疏结构,以同时学习因子数量和观测向量内的可能稀疏结构,是对现有广义下三角结构的贝叶斯实现。与印度自助餐过程建立联系,为所诱导的稀疏结构提供了进一步见解。后验计算通过带 Metropolis-Hastings 移动的 Gibbs 采样器完成。模拟和 Big Five 人格测试数据分析展示了方法的有效性。对您而言,该文属于贝叶斯非参数与因子分析交叉领域,与您的主要兴趣(如非参数理论)关联较弱,但可作为了解贝叶斯稀疏因子模型的入门读物。
  • 关键技术: generalized lower triangular process prior, Indian buffet process, Gibbs sampler, Metropolis-Hastings, factor analysis, sparsity
  • 为什么对您有用: 本文属于贝叶斯非参数与因子分析,与您的主要兴趣(如非参数理论)关联较弱,但可作为了解贝叶斯稀疏因子模型的入门读物。您的武器库(如非参数统计、M-估计)足以理解其方法,但核心是贝叶斯先验设计,与您当前方向交集有限。

🗂 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. 2610.09930 — Anchored Reversible Jump Sequential Monte Carlo

  • 作者: Janna van Assen, Max Hinne
  • 机构: Eindhoven University of Technology · Radboud University Nijmegen
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 3/10
  • 评分理由: Computational Bayesian methods for model comparison; outside primary interests and no clear arsenal overlap.

2. 2610.10080 — Sharp Asymptotic Theory of Maximum Likelihood Estimation for Gaussian Processes with an RBF Kernel

  • 作者: Ameer Qaqish, Didong Li
  • 机构: University of North Carolina at Chapel Hill
  • 分类: math.ST · cs.LG · math.PR · stat.TH
  • 相关性 0/10

3. 2610.10134 — A polyhedral framework for hierarchical Archimedean copulas: estimation, hierarchy recovery and singular asymptotics

  • 作者: Leonardo Marconi
  • 机构: University of Bologna
  • 分类: math.ST · stat.TH
  • 相关性 0/10

4. 2610.09351 — Detecting Copula Structural Changes: A Smooth Testing Approach

  • 作者: Shiyao Huang, Xiaojun Song
  • 机构: Peking University
  • 分类: econ.EM
  • 相关性 0/10

5. 2610.10043 — Building Macroeconomically Relevant Climate Indices via the Assemblage VAR

  • 作者: Christophe Barrette, Philippe Goulet Coulombe, Tim Reinicke
  • 机构: Bocconi University · Université du Québec à Montréal · ETH Zurich
  • 分类: econ.EM
  • 相关性 0/10

6. 2610.10476 — From a Hierarchy of Stochastic Differential Equations to a Hierarchy of Generalized Beta Distributions

  • 作者: Siqi Shao, R. A. Serota
  • 机构: University of Cincinnati
  • 分类: econ.EM · cond-mat.stat-mech · physics.data-an · q-fin.ST
  • 相关性 0/10

7. 2610.08985 — A method for multimodal analysis of TAIGA experiment data using essential features

  • 作者: Alexander Kryukov, Julia Dubenskaya, Elena Fedotova, Elizaveta Gres, Stanislav Polyakov, Eugene Postnikov, Alexander Razumov, Pavel Volchugov, Dmitry Zhurov
  • 机构: Lomonosov Moscow State University · Moscow State University · Irkutsk State University
  • 分类: astro-ph.IM · astro-ph.HE · cs.LG
  • 相关性 0/10

8. 2610.09028 — Assessment of sky brightness in central Portugal: the Dark Sky destination "Aldeias do Xisto" case study

  • 作者: Domingos Barbosa, Dalmiro Maia, Bruno Morgado, Pedro Cruz, Bernardo Relvas, Val\'erio Ribeiro, Allan Kardec de Almeida Jr., Timoth\'ee Vaillant
  • 分类: astro-ph.IM · physics.ao-ph · physics.geo-ph · physics.soc-ph
  • 相关性 0/10

9. 2610.09323 — Constrained Diffusion for Data-Scarce Orbital Monte Carlo in Constellation Tasking

  • 作者: Omar Ramadan, Sam Siavoshian, Amir Kashif Saeed, Benjamin A. Johnson, Amin M. E. -A. Diab, Benjamin M. Rodriguez
  • 机构: Johns Hopkins University
  • 分类: astro-ph.IM · astro-ph.EP · cs.AI
  • 相关性 0/10

10. 2610.09394 — The Fast Transient Foreground Fog of LSST

  • 作者: G. Megias Homar, S. R. Kulkarni, C. S. Lage, J. A. Tyson, S. M. Kahn, F. A. Harrison
  • 机构: California Institute of Technology · NSF-DOE Vera C. Rubin Observatory · University of California, Davis · University of California, Berkeley
  • 分类: astro-ph.IM · astro-ph.EP
  • 相关性 0/10

11. 2610.09736 — A Deep Learning Approach to Improving the Arrival-Direction Accuracy of Gamma-Ray Air-Shower Measurements with the Tibet-III Air-Shower Array

  • 作者: S. Okukawa, M. Kobayashi, K. Hara, K. Hibino, Y. Katayose, K. Kawata, M. Ohnishi, T. K. Sako, T. Sako, A. Shiomi, M. Takita
  • 机构: Yokohama National University · Nihon University · Kanagawa University · Institute for Cosmic Ray Research · The University of Tokyo
  • 分类: astro-ph.IM
  • 相关性 0/10

12. 2610.10434 — BOLT: Imaging Lightning and Terrestrial Gamma-ray Flashes at the Pierre Auger Observatory

  • 作者: Eric-Teunis de Boone (Center for Particle Physics Siegen), for the Pierre Auger Collaboration
  • 机构: University of Siegen
  • 分类: astro-ph.IM · astro-ph.HE
  • 相关性 0/10

Maintained by 陈星宇 · Homepage · Source on GitHub

评论