2026-10-30 每日资讯¶
- 高相关论文 5 篇 · 中相关 34 篇 · 其他 61 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. 2610.41937 — A Semiparametric Model Approach to Data Integration under Missing Not at Random¶
- 作者: Danhyang Lee, Kosuke Morikawa, Jae Kwang Kim
- 机构: Southern Methodist University · Iowa State University
- 相关性 8/10 · novelty:
new_method - 摘要: 本文研究概率样本与非概率样本的数据整合问题,目标是在结局缺失非随机(MNAR)的设定下估计有限总体均值。作者提出一个半参数倾斜模型:协变量效应由非参数函数刻画,结局依赖由一个标量倾斜参数控制,识别依赖于工具变量排除约束和条件完备性,零倾斜对应受限的 MAR 子模型。方法上,他们剖分出协变量分量,并为倾斜参数和总体均值构造交叉拟合的 Neyman 正交估计方程,得到正交化的质量插补估计量,在乘积率条件下支持中心化的根号 n 推断。方差估计通过线性化同时考虑抽样设计和倾斜参数估计。模拟显示在正确参数设定下灵活性有代价,但对协变量分量的误设有保护,并考察了无效工具或倾斜误设的后果。基于 5 万条健康筛查记录的模拟表明,在基准工具集下偏差更小但 RMSE 高于参数竞争者,且所提估计量在不同工具集间变化更小,但弱工具和平滑选择会影响精度和区间覆盖。
- 关键技术:
semiparametric tilting model,Neyman-orthogonal estimating equations,cross-fitting,mass imputation,instrumental variable exclusion restriction,conditional completeness - 为什么对您有用: 该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 MNAR 设定下的半参数方法和 Neyman 正交性,与您的效率理论(semiparametric efficiency bounds, debiased ML)高度契合。您可以用 very_familiar 的非参数统计和 minimax 工具来审视其乘积率条件是否最优,或用 moderately_familiar 的识别理论来检验工具变量假设的敏感性。中期可做:若想深入,可在 moderately_familiar 的 semiparametric theory 上加强,以推导其半参数效率界。
2. 2610.41753 — Functional-Specific Information Borrowing under Limited Overlap¶
- 作者: Shinichiro Shirota
- 机构: Hitotsubashi University
- 相关性 8/10 · novelty:
new_theory - 摘要: 在两组独立观测样本中,目标样本与源样本的处理效应共享一个粗糙成分、差异为更光滑的 discrepancy,目标是估计目标样本上的平均处理效应(ATE)这一积分泛函,而非整个响应函数。设定为已知幂律倾向得分重叠(overlap)几何、已知设计密度、固定正 Sobolev 半径与高斯噪声,作者推导了匹配的 minimax MSE 上下界,并刻画三个速率区间。两个显式的源信息阈值分别决定速率改进的起点与达到 source-known 速率的临界点,其机制由一个带符号的局部修正项解释:源样本只估计目标样本难以恢复的那部分积分泛函。下界通过直接似然(direct likelihood)论证对所有估计量成立,且已有的联合 RKHS 恢复方法(无需倾向得分输入)达到该速率,标准 bias-aware 区间在指定函数类下条件诚实(conditionally honest)。补充的零重叠结果将估计误差与残余识别不确定性分离;数值实验在总样本量固定下展示增益与损失,中间速率依赖重叠几何,而光滑性决定其两个端点。
- 关键技术:
minimax mean squared error bounds,Sobolev ellipsoid / fixed positive Sobolev radius,power-law treatment overlap geometry,direct likelihood lower bound,joint reproducing-kernel Hilbert space recovery,bias-aware conditionally honest confidence intervals,signed local correction / integration functional - 为什么对您有用: (1) 直接连接 primary interest 中 causal inference 的 identification/estimation 与 semiparametric & nonparametric theory:它把 ATE 作为积分泛函,在有限重叠下研究 source information borrowing 的 minimax 速率,属于 proximal/negative-control 之外但同族的『信息借用 + 重叠几何』问题。(2) 可用 very_familiar 的 minimax bounds for estimation problems 与 nonparametric statistics 直接攻其速率三区间的紧性,并用 moderately_familiar 的 semiparametric theory 检验其 direct likelihood 下界是否可推广到更一般的泛函(如 mediation/longitudinal 中的路径泛函)。(3) follow-up 粗判:立即可做——用 minimax 与非参数工具即可复现并尝试放宽已知设计密度/固定 Sobolev 半径假设;若想推广到未知倾向得分,则需在 moderately_familiar 的 identification theory in causal inference 上长肌肉,属中期可做。
3. 2610.41186 — Balancing Covariates for Continuous Treatments by Exploiting Continuity¶
- 作者: Souhardya Sengupta, Kosuke Imai
- 机构: Harvard University
- 相关性 8/10 · novelty:
new_method - 摘要: 本文研究连续处理(continuous treatment)下的因果效应估计,提出一类广义因果 estimand,其特例涵盖“按任意反事实分布分配处理”的平均因果效应。核心方法是利用处理剂量连续性假设,构造连续处理下的协变量平衡框架:分析者指定需平衡的基函数、允许的协变量不平衡程度以及从可行权重中选取的准则。在最小方差准则下选取权重,作者证明了估计量的相合性,刻画了基函数误设(basis misspecification)的影响,并建立了渐近正态性。进一步给出相合方差估计,从而构造渐近有效的置信区间;在同方差假设下,该估计量可证明比使用真实倾向得分(true propensity score)的 IPW 更有效。模拟研究支持理论结果,并用美国 Job Corps 数据估计职业培训时长对未来预期收入的影响。
- 关键技术:
covariate balancing weights,continuous treatment dose,basis function balancing,minimum variance criterion,asymptotic normality,inverse probability weighting efficiency comparison - 为什么对您有用: 本文直接落在您 primary interest 的 causal inference 子方向——连续处理下的识别与估计,且其“平衡权重 + 基函数误设分析”与您熟悉的 estimation theory in causal inference 高度对接。您可用 very_familiar 的 nonparametric statistics 与 minimax bounds 视角,检验其最小方差权重是否在某种 Hölder/Sobolev 类下达到半参效率界,或用 M-estimation theory(moderately_familiar)重写其渐近正态性证明以暴露对基函数维数增长的依赖。follow-up 粗判:立即可做——用 very_familiar 的估计理论与渐近分析即可复现并推广其效率比较。
效率理论 / Debiased ML (efficiency_dml, 1 篇)¶
1. 2610.42052 — Valid GMM Inference with Non-parametrically Generated Discrete Type¶
- 作者: Taegyu Yang
- 机构: Pennsylvania State University
- 相关性 8/10 · novelty:
new_method - 摘要: 本文研究当 GMM 矩条件依赖于一个非参数估计得到的离散类型(如缺失人口属性、贫困状态、二元处理状态等)时,如何构造有效的推断。设定是:第一阶段用非参数分类器恢复不可观测的离散标签,第二阶段用 GMM 估计结构参数;由于类型指标是离散的,第一阶段的小误差会导致类型发生不连续跳变,使得标准的 double/debiased machine learning 中的偏差修正项无法良定义。作者的核心方法是:用一个光滑核函数和收缩调参 b 对不连续的类型指示函数进行平滑,从而构造出良定义的 Neyman 正交矩条件,并据此定义去偏估计量。理论结果证明该去偏估计量在正则条件下具有 sqrt(Nb)-相合性和渐近正态性,其中 sqrt(Nb) 的较慢收敛率正是用非参数第一阶段学习器通过不连续函数进入矩条件时修正正则化偏差的代价。该文属于半参数效率理论与 debiased ML 的交叉,对您关注的 efficiency theory 和因果推断中的离散处理/缺失变量问题有直接参考价值。
- 关键技术:
Neyman-orthogonal score,double/debiased machine learning,kernel smoothing of discontinuous indicators,GMM with nonparametric first stage,sqrt(Nb)-consistency,regularization bias correction - 为什么对您有用: 本文直接连接到您 primary interest 中的 efficiency theory(semiparametric efficiency bounds, debiased ML)以及因果推断中离散处理/缺失变量下的 GMM 推断问题。您武器库中的 very_familiar 项 'estimation theory in causal inference' 和 moderately_familiar 项 'semiparametric theory' 可以用来分析其 Neyman 正交性构造是否在更一般的矩条件下仍成立,以及 sqrt(Nb) 率是否紧。follow-up 粗判:中期可做——需要先在 moderately_familiar 的 'semiparametric theory' 上长肌肉,理解不连续函数进入矩条件时影响函数的推导,然后可尝试用 higher-order U-statistics 的视角分析其估计量的高阶偏差项。
统计计算 / 算法 (stat_computing, 1 篇)¶
1. 2610.41995 — On Statistical-Computational Gaps in Graph Combinatorial Testing Problems¶
- 作者: Ikjun Choi, Pratik Patil, Alessandro Rinaldo
- 机构: The University of Texas at Austin
- 相关性 8/10 · novelty:
new_theory - 摘要: 本文研究高维图组合假设检验问题,其中信号支撑在未知子图的边集上,该子图来自顶点重标定下不变的类别。对于高斯观测,作者刻画了强检测所需信号幅度的统计阈值和计算阈值(多项式阶),覆盖多种组合图备择假设。分析基于界定全似然比和低度似然比的二阶矩,将其表示为两个独立潜在结构重叠的函数,并与扫描、平均和坐标最大检验的下界比较。在适当的低度猜想下,得到与高斯子矩阵检测匹配的植入团阈值,并为多个植入团、超团、厚圈和厚路径识别出新的统计-计算间隙。作者还建立了自然指数族观测模型间的传递原理:匹配单坐标卡方散度可精确保持全似然比二阶矩,并在一定度数条件下使低度二阶矩等价至常数因子。在局部正则性下,得到以有效信号强度表示的检验上界;当上下界匹配时,得到局部备择区域中的普适阈值尺度。
- 关键技术:
low-degree likelihood ratio,second moment method,planted clique,statistical-computational gap,exponential family transfer principle - 为什么对您有用: 本文属于统计-计算权衡方向,正是研究者作为外部者想要入门的主题。文章对统计模型、计算模型和阈值有清晰陈述,且低度似然比方法对数学统计学家友好。研究者可用其熟悉的极小极大界和高维统计工具理解核心论证,但低度猜想和计算复杂性机制不在当前武器库中,属于中期可做方向。
📌 中相关论文(按主题分组)¶
因果推断 (causal_inference, 5 篇)¶
1. 2610.41593 — Uncertainty Quantification for Topological Treatment Effects¶
- 作者: Hugo G. Souto, Ioannis Diamantis
- 机构: Maastricht University
- 相关性 7/10 · novelty:
new_method - 摘要: 本文将 Kim-Lee 的拓扑平均处理效应 (TATE) 分析扩展到不确定性量化:在固定协变量 x 处定义条件拓扑平均处理效应 CTATE(r|x),并构造在 filtration scale r 上同时有效的 multiplier confidence band;在正确设定的有限维回归模型下证明其覆盖有效性,并显式控制平滑偏差与 nuisance 估计误差。对个体拓扑处理效应 ITTE,作者结合加权 split-conformal 与 functional split-conformal,在目标-校准似然比已知时给出有限样本边际预测覆盖,并在似然比需估计时给出 total-variation 界。作者还把 TATE 的 silhouette 稳定性分析推广为 diagram-independent 界 ‖Φ_r(D)−Φ_r(D')‖_∞ ≤ (1+2r)W_1(D,D') (r≥1),r=1 时回到已知常数,并将 diagram 近似误差传播到预测带。软件包 tcda_uq 整合均值置信、个体预测与拓扑预处理,模拟与 PACCE 病灶测量应用展示不同覆盖目标及声明目标人群的重要性。
- 关键技术:
topological average treatment effect (TATE),multiplier bootstrap confidence bands,simultaneous over filtration scale,split-conformal prediction,total-variation bound for likelihood ratios,persistence diagram stability (Wasserstein bound) - 为什么对您有用: 连接到因果推断中的估计与不确定性量化子方向(尤其是带复杂结构 estimand 的置信带构造),以及 conformal prediction 这一与 debiased ML 相邻的工具。武器库中 very_familiar 的 estimation theory in causal inference 与 nonparametric statistics 可直接审视其 multiplier band 的覆盖证明与平滑偏差控制是否紧;moderately_familiar 的 semiparametric theory 可用于判断 nuisance 估计误差项是否可进一步用 EIF 修正。follow-up 粗判:中期可做——需先在 moderately_familiar 的 semiparametric theory 上长肌肉,才能把 CTATE 的置信带从有限维回归推广到半参数/高维设定。
2. 2610.41886 — Unifying Data-Adaptive Longitudinal Treatment-Effect Subgroup Discovery and Pretreatment Membership Prediction¶
- 作者: Pu Zhang, Yuheng Li, Jiakun Jiang
- 机构: Beijing Normal University
- 相关性 6/10 · novelty:
new_method - 摘要: 本文在纵向研究(longitudinal study)设定下,目标是同时完成两件事:从纵向数据中发现具有不同处理效应轨迹(treatment-effect trajectory)的亚组,并利用基线(pretreatment)协变量预测新患者的亚组归属。模型是一个数据自适应的半参数 mixture-of-experts 框架:每个亚组的处理效应轨迹由 varying-coefficient 函数刻画,组内相关由灵活协方差函数建模,gating 模型将亚组归属概率与基线协变量联系起来。识别与估计上,作者对全局混合权重施加惩罚以剔除冗余亚组,同时保留各亚组独立的 gating 系数,使保留亚组内的归属概率可随患者变化。算法采用 blockwise generalized EM,在单一 penalized observed-data 目标下联合估计所有成分。理论结果包括:亚组个数选择相合性、函数型估计量的收敛率、以及有限维参数的渐近正态性。模拟显示亚组个数选择可靠、条件归属预测优于两步法;在 SANAD 癫痫研究与 COMPETE 偏头痛试验上识别出不同的时间处理效应模式。对您可能有用:这是纵向因果推断中 effect heterogeneity 与亚组发现的结合,涉及半参数混合模型与 M-estimation 理论,与您 primary 中的 longitudinal causal inference 及 moderately_familiar 的 semiparametric theory / M-estimation 直接相关。
- 关键技术:
semiparametric mixture-of-experts,varying-coefficient model,penalized observed-data likelihood,blockwise generalized EM,gating model with covariate-dependent membership,asymptotic normality of finite-dimensional parameters - 为什么对您有用: (1) 直接连接到您 primary 中 causal inference 的 longitudinal 子方向,以及 treatment-effect heterogeneity / subgroup discovery 这一具体问题;(2) 其理论工具(半参数混合模型的收敛率、M-estimation 的渐近正态性)可用您 moderately_familiar 的 semiparametric theory 与 M-estimation theory 来检验其正则条件是否过强、收敛率是否紧;(3) follow-up 粗判:中期可做——需要先在 moderately_familiar 的 semiparametric theory 上长肌肉(尤其是混合模型下的识别与惩罚估计渐近理论),但估计与推断的框架本身与您现有武器库接近。
3. 2610.41294 — The Double Diagonal Estimator: Reducing Bias in Two-Sided Marketplace Experiments¶
- 作者: Saanvi Chawla, Vasilis Syrgkanis
- 机构: Stanford University
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究双边市场实验中个体间干扰导致的传统 A/B 检验偏差问题,目标是在平衡市场条件下估计平均处理效应。现有基于双边随机化(TSR)的估计量分析多集中于极端供需约束情形,缺乏对实践中常见平衡市场的指导。作者提出 Double Diagonal (DD) 估计量,通过对比处理-处理与控制-控制配对结果,并利用处理-控制与控制-处理的对角外交互项来校正干扰偏差。在平均场市场模型下,作者首次给出 DD 与标准 TSRN 估计量的理论比较,证明当外部选项参数低于临界阈值(外部选项吸引力不超过平台选项两倍)时,DD 偏差严格更小,且两者偏差方向相反。数值实验在异质性处理效应、供需不平衡及多种市场结构下验证了理论发现,DD 在多数配置中偏差最低。对您而言,该工作为因果推断中干扰下的估计量设计提供了新视角,其偏差比较思路可联系到您熟悉的估计理论,但市场模型设定与您常接触的统计框架有距离。
- 关键技术:
two-sided randomization,interference-robust estimation,mean-field market model,bias comparison,paired outcomes - 为什么对您有用: 本文属于因果推断中干扰下的处理效应估计,直接关联您的 primary interest 中的 causal inference 估计理论。您可以用 very_familiar 的 minimax 界工具分析其偏差比较的紧性,或考虑将 DD 估计量推广到更一般的干扰结构,属于立即可做的方向。
4. 2610.41935 — Parametric inference for the average hazard approach in time-to-event analysis with sparse risk sets¶
- 作者: Zihan Qian, Lu Tian, Hajime Uno
- 机构: Massachusetts General Hospital · Stanford University · Dana-Farber Cancer Institute
- 相关性 5/10 · novelty:
application - 摘要: 在时间-事件分析中,average hazard (AH) 被定义为 [0,τ] 窗口内累积发病率除以限制平均生存时间,可解释为不依赖删失分布的人时发病率;两组 AH 的差 (DAH) 与比 (RAH) 给出无需比例风险假设的组间对比。现有非参数推断基于 Kaplan–Meier 估计,当 τ 附近风险集稀疏或耗尽(如分层分析)时不稳定。本文提出用 Weibull 与广义 gamma 参数模型做 AH 推断:对每组生存分布做 MLE,通过 delta 方法/数值积分得到组特异 AH、DAH、RAH 的置信区间,并覆盖非分层与分层两种设定。模拟显示在模型正确指定时,即便非参数推断数据不足,参数方法偏差小、覆盖率接近名义水平。实证部分用 neratinib+capecitabine vs lapatinib+capecitabine 的转移性乳腺癌随机试验展示方法。方法学 novelty 属于应用型补救(novelty_flag=application),核心是参数化替代非参数 KM 以稳定尾部推断。
- 关键技术:
average hazard (AH) summary,restricted mean survival time,Kaplan-Meier estimator,Weibull and generalized gamma MLE,delta method for ratio/difference contrasts,stratified survival analysis - 为什么对您有用: 连接到因果推断中的 time-to-event / 纵向设定下的组间对比估计(DAH/RAH 可视为无比例风险假设下的因果对比),以及流行病学二次兴趣中的随机试验生存分析。武器库中 'estimation theory in causal inference' 与 'nonparametric statistics' 可直接审视其参数 MLE 的渐近性质,'minimax bounds for estimation problems' 可用来判断在稀疏风险集下参数模型是否真能达到比 KM 更优的收敛率,还是仅靠模型假设换方差。follow-up 粗判:立即可做——用 very_familiar 的估计理论与非参数工具即可复现并检验其覆盖率声明;若想推广到半参数效率界下的 AH 估计,则属中期可做(需在 semiparametric theory 上长肌肉)。
5. 2610.41230 — Source projection for calibrated transfer learning in survival prediction¶
- 作者: Fangzhou Cao, Ting Tian
- 机构: Sun Yat-sen University
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出 Source Projection Transfer (SPT) 方法,用于在目标队列事件数较少时,通过迁移学习提升固定时点生存预测。目标模型为广义加性模型,外部源模型可以是广义加性、Cox 或神经网络,且仅需源模型在目标协变量上的预测值,无需个体级源数据。SPT 将源 log-odds 分数投影到目标基函数上,通过两个独立通道进行借用:投影中心的惩罚项迁移效应形状,截距重校准的软标签提供目标风险水平下的概率信息。在局部渐近下,投影避免了估计无信息额外源方向带来的严格正风险成本,且每个通道在对应的持续失配条件下渐近关闭。在 log-logistic 和 Weibull 模拟中,SPT 在全部 24 种设置-分布-时间组合下均优于仅用目标数据建模;在 UK Biobank 到 SPRINT 的实际数据中,SPT 在 24、30、36 个月提高了判别力。该方法为生存预测中的选择性迁移提供了新思路,与您的因果推断中迁移学习与异质性处理兴趣相关。
- 关键技术:
transfer learning,generalized additive model,local asymptotics,projection penalty,soft labels,survival prediction - 为什么对您有用: 本文属于因果推断中迁移学习与异质性处理的应用,连接您的 primary interest 中的 causal inference 与 secondary interest 中的流行病学。您可用 very_familiar 的软件开发和估计理论工具复现其方法,或用 moderately_familiar 的 semiparametric theory 分析其局部渐近性质。中期可做:将 SPT 扩展到因果效应估计的迁移场景,需先加强 semiparametric theory 的熟练度。
高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶
1. 2610.41802 — Bethe Hessian Recovery through the Kesten-Stigum Regime¶
- 作者: Dingding Dong, Theo McKenzie
- 机构: California Institute of Technology · Yale University
- 相关性 7/10 · novelty:
new_theory - 摘要: 本文研究随机块模型(SBM)中Bethe Hessian矩阵的谱方法,目标是证明其离群特征向量在Kesten-Stigum(KS)阈值处即可实现弱恢复,且对任意固定平均度d>1成立,此前结果仅对足够大的d有效。该阈值在对称两社区模型中是信息论最优的,并被认为是更广对称模型中高效恢复的极限。方法上,作者推导了负离群特征值的递推公式,并证明其对应特征空间与植入特征空间有非零重叠。证明的关键是:在极限Poisson树上,用植入标签和Green函数构造近似特征向量,再将其转移到有限图上。结果与基于非回溯矩阵的谱方法恢复保证相匹配,但使用的是Hermitian n×n矩阵,计算上更简洁。对您而言,这是随机矩阵理论在社区检测中应用的前沿进展,其谱分析与特征向量重叠的证明技术可能对您的高维推断研究有启发。
- 关键技术:
Bethe Hessian,stochastic block model,Kesten-Stigum threshold,spectral methods,eigenvector overlap,Poisson tree approximation,Green's function - 为什么对您有用: 直接关联您的高维统计与随机矩阵理论兴趣,特别是谱方法在社区检测中的极限行为。您可以用熟悉的随机矩阵工具(如特征向量重叠分析)来验证或扩展其证明思路,例如检查其递推公式在非对称模型中的适用性。中期可做:需先熟悉非回溯矩阵与Bethe Hessian的谱性质对比,这属于 moderately_familiar 的范畴。
非参数 / 半参数 (nonparam_semipara, 2 篇)¶
1. 2610.41442 — Simultaneous inference for additive regression¶
- 作者: Donghyun Kim, Changwon Choi
- 机构: Seoul National University
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究可加模型 Y = μ + Σ_j f_j(X_j) + ε 中分量函数 f_j 的同时推断问题,目标是构造同时置信带并对各分量做联合检验。作者提出 bias-corrected smooth backfitting 估计量,其构造思路类比最小二乘线性回归中的偏差修正(把 backfitting 迭代的渐近偏差项显式扣除),并在 f_j 二阶可导、设计密度有界远离零等标准可加模型正则条件下建立渐近性质。核心理论结果是:该估计量的 uniform error sup_x |f̂_j(x) − f_j(x)| 经适当标准化后依分布收敛到 Gumbel 型极值分布,而非高斯分布,这是由 sup 泛函与核估计偏差的极值行为共同决定的。基于该分布近似,作者构造同时置信带,并给出基于残差的 additive components 检验程序(bootstrap 或残差重抽样校准临界值)。模拟显示偏差修正显著降低估计偏差、提升精度,同时置信带的经验覆盖率与 oracle 版本相当;实证数据分析进一步验证方法可用性。对您而言,这篇把极值分布近似用于非参数分量同时推断,与 semiparametric/nonparametric theory 及 hypothesis testing 中的 uniform inference 子方向直接相关,可作为同时置信带构造技术的参考。
- 关键技术:
smooth backfitting,bias-corrected estimator,Gumbel extreme-value approximation,uniform confidence bands,residual-based bootstrap testing,kernel smoothing - 为什么对您有用: 连接到 primary interest 中的 semiparametric & nonparametric theory 与 mathematical statistics (hypothesis testing) 的 uniform inference 子方向:可加模型分量函数的同时置信带是经典非参数推断问题,Gumbel 型极限是 sup 型统计量的典型工具。武器库中 very_familiar 的 nonparametric statistics 与 minimax bounds for estimation problems 可直接用于审读其渐近偏差修正是否达到最优收敛率、以及 Gumbel 近似的收敛速度是否可改进;moderately_familiar 的 M-estimation theory 可用于分析 backfitting 迭代的渐近线性化。follow-up 粗判:立即可做——用 very_familiar 的非参数估计与 minimax 视角即可检验其偏差修正项与收敛率声称是否紧,并考虑把 uniform band 推广到半参数效率框架。
2. 2610.41849 — Improved estimation of differential entropy of a multivariate Gaussian distribution¶
- 作者: Somnath Mondal, Lakshmi Kanta Patra
- 机构: Indian Institute of Technology Bhilai
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究多元正态分布 N_p(μ, Σ) 的微分熵 H = (p/2)log(2πe) + (1/2)log det Σ 的估计问题,μ 与 Σ 均未知,样本为 X_1,...,X_n ~ N_p(μ, Σ)。作者采用决策论框架,在一般位置不变损失(严格凸、在零点取最小)下,首先刻画了仿射等变估计类,并给出最佳仿射等变估计量(BAEE),其形式为 (p/2)log(2πe) + (1/2)log det S + c,其中 S 为样本协方差、c 为常数修正项。随后证明 BAEE 在该一般损失下不可容许,并利用样本均值 X̄ 中的信息构造 Stein 型改进估计量,将经典 James-Stein 收缩思想从均值估计迁移到熵估计;进一步把结果推广到均值矩阵(即多个独立正态样本)的情形。在 linex 损失下,作者给出光滑的 Brewster-Zidek 型估计量,证明其优于 BAEE,并证明该估计量在合适的无信息先验下是广义 Bayes 的。技术工具包括仿射群不变性、不可容许性证明(Risks 比较)、Stein 无偏风险估计(SURE)思想以及广义 Bayes 表示。对您可能有用:该文是决策论 + 不变估计的经典路线,与您 primary 兴趣中的 semiparametric/nonparametric theory 及 estimation theory 有概念连接,但更偏多元正态的有限样本风险比较,而非效率界或 minimax 率。
- 关键技术:
affine equivariance,location-invariant loss,Stein-type shrinkage estimator,Brewster-Zidek estimator,generalized Bayes,inadmissibility via risk comparison - 为什么对您有用: (1) 连接到 primary 兴趣中的 semiparametric/nonparametric theory 与 estimation theory in causal inference 的决策论分支——具体是仿射等变估计与不可容许性,而非 proximal CI 或效率界;(2) 武器库中 very_familiar 的 'estimation theory in causal inference' 与 moderately_familiar 的 'M-estimation theory' 可用于审视其风险比较的证明结构,但本文核心机器(仿射群不变性、Brewster-Zidek 型光滑化)不在武器库中;(3) 暂不可做:需要 multivariate decision theory 与 Stein 型收缩的专门训练,且与您当前 U-statistic / RMT / 效率理论主线距离较远,建议仅作背景阅读。
效率理论 / Debiased ML (efficiency_dml, 1 篇)¶
1. 2610.41262 — Instrumental Transfer Learning for Solution Operators¶
- 作者: Tongyu Li, Zhuoyuan Li, Ruoxu Tan
- 机构: National University of Singapore · Tongji University
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究微分方程解算子(solution operator)的迁移学习:目标系统观测稀缺,源系统数据丰富,但控制方程存在未知的稀疏差异(差异项来自已知候选项库)。作者用 resolvent identity 把源系统算子与目标算子联系起来,并采用 whitened instrumental variable 构造无偏的源估计方程,从而在存在方程差异时仍能利用源数据。估计器为三阶段:目标-only ridge 预估计、逐源稀疏校准(sparse calibration)、以及投影重拟合(projected refit)以消除预估计带来的主导校准误差;再配合迭代重校准进一步降低剩余误差。理论方面给出非渐近预测界,刻画迁移何时达到 pooled all-source rate,并给出 minimax 下界,说明速率最优性与共同 shift 下的可识别性极限。模拟与电子带通滤波器应用显示相对 target-only、naive pooling 和已有迁移方法有明显提升。对您可能有用:其 instrumental variable 构造与 minimax 下界分析可连接到因果推断中的 IV 与 semiparametric efficiency 视角,而稀疏校准与投影重拟合的误差分解对 debiased ML 的 orthogonal score 设计有借鉴意义。
- 关键技术:
resolvent identity,whitened instrumental variable,sparse calibration,projected refit,non-asymptotic prediction bound,minimax lower bound - 为什么对您有用: 本文的核心工具是 instrumental variable 与 minimax 下界,直接连接到您 causal inference 中的 IV 子方向以及 mathematical statistics 中的 minimax 理论;其稀疏校准 + 投影重拟合的误差分解结构,与您 efficiency theory 中 debiased ML 的 orthogonal score 构造有可类比之处。武器库方面,您可用 very_familiar 的 minimax bounds for estimation problems 直接检验其下界是否紧、以及用 estimation theory in causal inference 中的 IV 估计方程视角分析其 whitened IV 构造的识别条件。follow-up 粗判:中期可做——需要先在 moderately_familiar 的 semiparametric theory 上长肌肉,把其非渐近界与半参数效率界对接,才能判断迁移速率是否可达效率下界。
数理统计 / 假设检验 (hypothesis_testing, 7 篇)¶
1. 2610.42122 — Co-sufficient weighting: leveraging sparsity for more powerful variable selection in the linear model¶
- 作者: Souhardya Sengupta, Lucas Janson
- 机构: Harvard University
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究高斯线性模型 y = Xβ + ε 下的受控变量选择问题,目标是在不借助任何外部定量先验信息的前提下,构造与 p 值独立、且能反映稀疏性信念的 multiple testing 权重。作者提出 co-sufficient weights (CSW):仅利用充分统计量 (X^T X, X^T y) 与一个稀疏性先验,从数据本身导出权重,再嵌入 weighted Holm 与 weighted Benjamini–Hochberg 程序。核心机制是把权重写成充分统计量的函数,从而与检验统计量/p 值渐近独立,避免权重与 p 值相关导致的 size 失控;稀疏性信念通过先验形式注入,使权重在真系数稀疏时把检验功效集中到少数坐标上。理论结果包括:weighted Holm 保持有限样本 exact validity,weighted BH 在任意稀疏程度下保持高度稳健的经验 FDR 控制(empirical validity),并在模拟与 HIV 耐药性数据上显示比 unweighted Holm/BH 及若干竞争方法显著更高的 power。方法学上属于 new_method,但理论保证主要是 validity 的稳健性而非新的 minimax 率。对您而言,这与 mathematical statistics 中 hypothesis testing 的 weighted multiple testing 分支直接相关,也可作为高维线性模型下利用充分统计量构造权重的思路参考。
- 关键技术:
co-sufficient weights,weighted Holm procedure,weighted Benjamini-Hochberg,sufficient statistics,sparsity prior,empirical FDR control - 为什么对您有用: (1) 直接连接到 primary interest 中的 mathematical statistics (hypothesis testing),具体是 weighted multiple testing 与 FDR 控制这一子方向,而非泛泛的'假设检验'。(2) 武器库中 very_familiar 的 'nonparametric statistics' 与 'high-dimensional asymptotics' 可用于检验其 weighted BH 在 p 很大、n 固定或 n,p 同阶时经验 FDR 稳健性声称是否在渐近框架下严格成立;moderately_familiar 的 'M-estimation theory' 可用来分析 CSW 权重估计量本身的渐近性质。(3) follow-up 粗判:中期可做——需要先在 moderately_familiar 的 M-estimation theory 上长肌肉,把 CSW 权重的估计误差纳入 weighted BH 的 FDR 分析;若只想复现模拟与 HIV 数据应用,则立即可做。
2. 2610.42058 — Variance-adaptive Chernoff bounds: nonasymptotically valid, asymptotically sharp confidence sets for unbounded means¶
- 作者: Aaditya Ramdas, Diego Martinez-Taboada
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究鞅依赖下、次高斯均值估计的非渐近置信区间构造问题:给定 n 个观测,条件均值 μ 和已知条件次高斯代理 s,目标是构造对 μ 的非渐近有效置信区间。传统 Chernoff 区间半宽为 s√(2log(2/α)/n),既不适应真实标准差 σ≤s,也不达到高斯分位数 z_{1-α/2}。作者构造了闭式非渐近有效区间,在任意 iid 分布(σ>0)下,端点几乎必然一阶等价于 X̄n ± σ z{1-α/2}/√n。核心构建块是带经验二次方差和三次修正项的次高斯指数超鞅,以及次高斯连续超鞅,前者提供方差自适应性(无界数据的经验 Bernstein),后者提供高斯分位数(无界数据的经验 Berry-Esseen)。同一构造还给出时间一致置信序列,半宽为 σ√(2loglogn/n),渐近不可改进;并推广到多元椭球(真实协方差卡方极限)和重尾情形(仅知任意大于二阶的绝对中心矩有界)。实验显示当真实方差小于界时宽度大幅缩减,边界情形损失小。令人惊讶的结论是:只要知道多于两阶矩,就能构造完全数据依赖的、渐近有效的非渐近均值置信集。
- 关键技术:
exponential supermartingale,empirical Bernstein,empirical Berry-Esseen,time-uniform confidence sequences,closed-form confidence sets,heavy-tailed mean estimation - 为什么对您有用: 该文直接关联您的主要兴趣——假设检验与置信区间构造,特别是非渐近有效性和自适应性问题;您熟悉的非参数统计和鞅方法可用于验证其构造的紧性,且其经验 Bernstein 思想可迁移到因果推断中的敏感性分析。
3. 2610.41283 — Truthful and Admissible Principal--Agent Testing with Nuisance Parameters¶
- 作者: Aaditya Ramdas
- 相关性 6/10 · novelty:
new_theory - 摘要: 本文研究在均值效应检验中,当方差或分布形状未知(nuisance parameter)时,如何设计统计合约(statistical contract)以同时激励参与和诚实报告参数。设定为风险中性代理、固定参与成本,主事者(principal)需要构造 e-value 菜单——非负归一化奖励,在每个零假设下期望不超过 1。核心机制是:对高斯观测,分别处理代理已知均值和方差、以及仅知均值两种情形;后者通过构造不依赖 nuisance 先验的 e-value 菜单,使得诚实报告在所有方差下唯一最大化期望奖励,且每个合约是 admissible 的(支付无法在保持零假设有效性的前提下逐点改进)。多样本扩展保持激励并奖励累积证据。进一步,对非高斯模型,证明两个独立非负观测足以在正零阈值下诱导任意有限均值,而单个观测无法同时实现严格均值诱导和个体 admissibility。主要理论结果包括:有界性不是必需的;有限个零约束本身不足以保证 admissible 诱导;并区分了有用检验的存在性与诚实合约所需的识别性。对您可能有用:该文将 e-value 与假设检验、admissibility 结合,直接连接到您对数学统计(假设检验)和效率理论(admissible 估计)的兴趣,其构造性菜单方法可能为 proximal CI 中的 sensitivity 分析提供新视角。
- 关键技术:
e-values,admissible contracts,principal-agent testing,nuisance parameters,truthful elicitation,multi-sample e-processes - 为什么对您有用: 本文直接连接到您 primary interest 中的数学统计(假设检验)和效率理论(admissibility 概念),特别是 e-value 作为非负归一化证据的构造与您熟悉的假设检验框架紧密相关。您可以用 very_familiar 中的非参数统计和 minimax 界来验证其 admissibility 声称是否在更一般模型下紧致,或用 moderately_familiar 中的 semiparametric theory 分析 nuisance 参数对诚实诱导的影响。立即可做:用非参数检验和 e-value 的已知性质即可展开对 Gaussian 情形下菜单构造的复现与推广。
4. 2610.41271 — Dimension Changes the Scale-Signal Channel in Nearest-Neighbor Two-Sample Testing¶
- 作者: Hao Chen
- 机构: University of California, Davis
- 相关性 6/10 · novelty:
new_theory - 摘要: 本文研究最近邻两样本检验在高维情形下的功效,具体针对有向1-最近邻图上的广义边计数检验统计量,该统计量组合了样本内边数的加权和与差。在平衡各向同性高斯样本且 d/log N → γ > 0 的设定下,作者推导了局部位置与尺度备择假设下的连接概率。位置备择下两类边数均值漂移相等,在差分量中抵消;而尺度备择下漂移符号相反,差分量可检测。文章还推导了零假设下期望 E0C3 的增长率,其中 C3 计数共享一个顶点的有向边对,并据此确定差分量的方差阶。在特定 γ 区间内,作者建立了尺度备择下差分量在尺度 |ε_N| ≍ (E0C3)^{1/2}/(Nd) 上的局部功效极限严格高于检验水平,此时加权和的标准化漂移消失。当 d=1 时,加权分量反而能检测局部高斯尺度备择,而差分量无极限漂移,说明维度同时改变可检测尺度差异的幅度和检测它的检验分量。
- 关键技术:
nearest-neighbor graph,generalized edge-count test,local alternatives,high-dimensional asymptotics,connection probabilities,power analysis - 为什么对您有用: 本文属于假设检验方向,直接连接您对 hypothesis testing 的兴趣,特别是高维设定下检验功效的渐近分析。您熟悉的非参数统计与高维渐近工具(如连接概率计算、方差阶分析)足以理解并可能扩展该结果,例如考虑非高斯分布或更一般的图结构。
5. hexagon:2610.00590 — The sharp iid Berry–Esseen inequality: Analytic reductions and exact certificate proof¶
- 作者: Kacper Rodziewicz, Bartosz Kołodziejek
- 期刊/来源: Hexagon · 无人类作者署名 · 人类理解:部分
- 机构: University of Warsaw · Warsaw University of Technology
- 分类: math.PR
- 相关性 6/10 · novelty:
new_theory - 摘要: 本文解决了独立同分布随机变量中心极限定理的 Berry–Esseen 常数最优性问题,目标是证明对所有 n ≥ 1,归一化部分和的 Kolmogorov 距离与第三绝对矩之比的上确界 C* 等于 Esseen 1956 年给出的下界常数 C_E ≈ 0.4097321837。方法上,作者构建了一个计算机辅助证明框架,结合正则化的 Prawitz 平滑不等式、零偏差/特征函数约化来处理所有 n 的尾部,并通过 13 个角色的有限验证证书覆盖全部 n ≥ 1。所有证书和检查器均公开在 GitHub 上,支持 Docker 一键复现。这是对经典概率论中一个长期开放问题的精确常数确定,属于数学统计中极限定理的精细结果。对您而言,其计算机辅助证明的架构(有限验证 + 解析约化)可能对您在高维或 U-统计量中处理复杂不等式验证有启发,但主题与您的主要研究方向距离较远。
- 关键技术:
Berry-Esseen inequality,Prawitz smoothing inequality,zero-bias transformation,characteristic function method,computer-assisted proof,finite verification certificates - 为什么对您有用: 该论文属于数学统计中假设检验与极限定理的经典问题,与您的主要兴趣(数学统计与假设检验)有间接关联,但并非直接推进您的研究方向。其计算机辅助证明的严格验证框架可能对您处理复杂统计量的理论证明有方法论上的参考价值,但核心问题(Berry-Esseen 常数)与您的具体研究(因果推断、高维、U-统计量)关联较弱。作为 gateway reading,它展示了如何将解析约化与数值验证结合,但武器库中的工具(如经验过程、U-统计投影)在此问题中作用有限,暂不可直接迁移。
6. 2610.41126 — Statistical inference for quantile correlation regression with bivariate outcomes¶
- 作者: Feipeng Zhang, Heng Peng
- 机构: Xi'an Jiaotong University · Hong Kong Baptist University
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究双变量结果(bivariate outcomes)之间的条件相依结构,提出一个新的相依度量——分位相关系数(quantile correlation coefficient),定义为两个结果变量在给定分位点上的 quantile-hit 指示变量的 Pearson 相关系数。随后作者将该度量作为响应,建立广义线性回归模型,使协变量效应直接作用于分位相关系数,从而在分位索引上给出协变量对相依性的完整影响图景。估计方法基于分位点处指示变量的样本相关,并作为分位索引 τ 上的过程建立渐近理论,得到一致相合性(uniform consistency)与弱收敛(weak convergence to a Gaussian process)。推断部分发展了回归系数的通用假设检验,可用于在分位区间上汇总协变量效应。模拟研究显示有限样本下估计与检验表现良好;两个实证应用分别用于早产双胞胎数据的关联度量与 ChIP-seq 数据的可重复性度量。方法学上属于新度量 + 过程型渐近理论 + 假设检验的组合,novelty 为 new_method。
- 关键技术:
quantile-hit indicator,quantile correlation coefficient,generalized linear regression on dependence measure,uniform consistency over quantile index,weak convergence to Gaussian process,hypothesis testing for regression coefficients - 为什么对您有用: 本文的核心是分位索引上的过程型渐近理论与假设检验,直接连接到您 primary interest 中的 mathematical statistics (hypothesis testing) 与 nonparametric/semiparametric theory 子方向;其 uniform consistency + weak convergence 的证明框架与您熟悉的 empirical process / M-estimation 工具高度重合。武器库中 very_familiar 的 nonparametric statistics 与 minimax bounds for estimation problems 可直接用于检验其分位过程收敛速率是否紧、是否可推广到更高阶(如 U-statistic 型相依度量);moderately_familiar 的 M-estimation theory 可支撑对其 GLM 估计方程渐近方差的独立推导。follow-up 粗判:立即可做——用 very_familiar 的 nonparametric statistics 与 M-estimation 即可复现并尝试把分位相关系数替换为高阶 U-statistic 型相依度量,检验过程型渐近理论是否仍成立。
7. 2610.41255 — Discrete total variation under the multinomial, Part 3: expectation under a general distribution¶
- 作者: Nikola Banić, Neven Elezović
- 机构: University of Zagreb · Faculty of Electrical Engineering and Computing in Zagreb
- 相关性 4/10 · novelty:
new_theory - 摘要: 本文研究多项分布计数在有序箱上的参考中心离散全变差统计量 d_r(X) 的期望,这是 comb-test 统计量到非均匀零假设的自然推广。作者指出非均匀零假设下原始全变差带有 N 阶确定性阶梯,必须将计数中心化于参考分布,零假设下即为匹配的 d_p。通过条件于相邻对的总质量,将每条边化为平移二项绝对偏差问题,得到精确有限样本期望。对固定 n≥3 且抽样律远离单纯形边界,匹配统计量有 1/N 幂次的三项渐近展开,系数为 N(p_{j+1}-p_j) 的显式连续周期函数,属于广义非 Poincaré 渐近展开,由加权局部 Edgeworth 估计和角点 Euler–Maclaurin 求和得到。每个修正项分为光滑 Edgeworth 部分和振荡格点部分,后者是高斯格点和的 Euler–Maclaurin 级数的 Edgeworth 扰动。在局部备择下识别出 O(1) 修正(偏度项及 Pitman 备择的方差梯度项),固定备择下得到大数定律极限,即 p 与 r 的相邻梯度剖面的 ℓ1 距离,阈值检验据此具有相合性。对您而言,本文的渐近展开技术(尤其是格点求和与 Edgeworth 修正)可迁移到您在高阶 U 统计量或假设检验中的有限样本校正问题。
- 关键技术:
discrete total variation,multinomial distribution,Edgeworth expansion,Euler-Maclaurin summation,folded normal distribution,local alternatives - 为什么对您有用: 本文属于假设检验方向,直接关联您对 hypothesis testing 的兴趣;其非 Poincaré 渐近展开和格点求和技巧可用来分析离散统计量的有限样本性质,且与您熟悉的高阶 U 统计量计算有潜在交叉。技术武器库中 'minimax bounds' 和 'higher-order U-statistics' 可用来审视其渐近展开的紧性,但核心机器(格点求和、周期函数展开)不在您的武器库中,属于中期可做,需先熟悉 Euler-Maclaurin 求和与格点渐近。
统计计算 / 算法 (stat_computing, 4 篇)¶
1. 2610.41722 — Covariance Identification from Regression Residuals¶
- 作者: Yanping Chen
- 机构: Indiana University Bloomington · Indiana University
- 相关性 7/10 · novelty:
new_theory - 摘要: 本文研究回归残差对误差协方差矩阵的识别能力:在无约束协方差模型下,残差化通过一个已知线性映射作用于真实协方差,被破坏的方向恰好由回归设计矩阵的列空间生成。作者证明一个线性协方差泛函可识别当且仅当它不载荷于这些丢失方向;若将协方差模型限制为对角或聚类形式,丢失方向会收缩。核心结果将投影损失与矩选择损失分离:把残差协方差投影到维持的协方差结构上不损失任何识别信息,因此跨聚类、长滞后、长距离的残差乘积不会增加识别方向,但能改善条件数(对齐矩使条件数平方)。该等价性依赖 OLS 的正交投影几何,对非正交变换一般失效。此外,不含回归系数的二次统计量可识别拟合分量与残差分量之间的协方差,但不能识别回归子空间内部的协方差;由于 OLS sandwich 方差仅依赖该块,在无约束协方差模型下它不可识别,稳健方差估计的识别性来自对协方差结构的维持限制。
- 关键技术:
OLS residual projection geometry,linear map on covariance matrices,identification of linear covariance functionals,condition number analysis,sandwich variance estimator,clustered covariance restrictions - 为什么对您有用: 本文直接连接因果推断中稳健方差估计(sandwich estimator)的识别基础,属于 estimation theory in causal inference 与 semiparametric theory 的交叉;可用 very_familiar 的 estimation theory in causal inference 和 moderately_familiar 的 semiparametric theory 分析其识别条件,并检验在聚类/纵向数据下稳健方差是否可识别。follow-up 粗判:立即可做,因为核心工具是线性代数与投影几何,研究者已熟悉。
2. hexagon:2610.00613 — What Does the Refutation of the Exponential Time Hypothesis Mean for Learning Theory?¶
- 作者: Xiaoyu Li
- 期刊/来源: Hexagon · 无人类作者署名 · 人类理解:部分 · 工具: Claude Opus 5.5
- 机构: University of New South Wales
- 分类: cs.DS · cs.AI · cs.CC
- 相关性 7/10 · novelty:
new_theory - 摘要: 本文研究 OpenAI/Anthropic 近期对指数时间假设(ETH)的否证——在 2^{n/(log n)^{1/2-o(1)}} 时间内计数 k-CNF 满足赋值——对学习理论中细粒度下界的影响,核心结论是一个"局部性原理":新算法只在每个带标签样本约束假设的少数比特时才加速学习。作者定义 N 比特描述类的 κ-局部性(每个标签至多依赖 κ 个描述比特,如稀疏数据上的量化模型),证明当 κ=o((log N)^{1/4}/√loglog N) 时 proper PAC 学习、精确 version-space 计数/采样与 halving 算法可在 poly(m)·2^{o(N)} 内完成,常数精度下 κ=o(√log N) 亦可;而在逆多项式精度下 κ-局部类的 proper 学习与 κ-SAT 等价(局部性差一个因子 2)。在 CNF 形式的 SETH(该假设未被否证)下,加速在 Θ(log N) 比特处终止,且 O(log N)-稀疏数据上二值化感知机的 consistency 需 2^{(1-γ)N} 时间。精度维度上,精确 ERM、proper agnostic 学习与指数机制被归约为截断多项式环上的张量收缩,由此推翻 Alman–Vassilevska Williams 的 Sparse Max-SAT Hypotheses,并在准线性 PCP 下给出 2^{N/polylog N} 下界以替代 Gap-ETH。树width 维度上,有界度/元数的图模型精确推断可在 2^{O(n/√log n)} 内完成,在 expander 上优于任何消元序与结构化 DNNF,但 #CNF-SETH 下 2^{(1-γ)tw} 仍是必要的。最后作者清点了学习理论的条件下界哪些失效、哪些在何种假设下存活,并指出下一个障碍是置换问题:实数半空间的 ERM 在差向量 e_i-e_j 上等价于加权 Feedback Arc Set,新算法触及不到。
- 关键技术:
fine-grained complexity / ETH and SETH conditional lower bounds,κ-locality of hypothesis classes,proper PAC learning and version-space counting,tensor contraction over truncated polynomial ring,quasi-linear PCPs,treewidth / structured DNNF elimination order,weighted Feedback Arc Set reduction - 为什么对您有用: 本文属于 statistical-computational tradeoff 的 gateway reading:它把 ETH/SETH 否证对学习理论的影响讲成一个可操作的局部性阈值(κ 比特),并明确区分了统计可行与计算可行的边界,正好对应您 primary interest 中"information-computation gap / polynomial-time possibility"这一 outsider 方向,且 intro 与主定理陈述对不熟悉 low-degree/SoS 的统计读者相对友好。武器库对接点很具体:您 very_familiar 的"higher-order U-statistics 的 treewidth / tensor contraction / einsum 计算"可直接用于审视文中"ERM 归约为截断多项式环上张量收缩"与"bounded treewidth 推断 2^{O(n/√log n)}"这两处——用 einsum 收缩序成本模型去验证其声称的 2^{o(N)} 是否紧、以及 expander 上超越消元序的论证是否依赖特定收缩序。follow-up 粗判:中期可做——需要先在 moderately_familiar 的"semiparametric theory / M-estimation theory"之外补上 fine-grained complexity 与 PCP 的基本语言(点名缺的是 quasi-linear PCP 与 Gap-ETH 这套归约机器),但张量收缩与 treewidth 部分用现有 very_familiar 工具即可立即动手做成本核算。
3. 2610.41640 — Stable and efficient covariance estimation for sample L-moments using Hájek projections¶
- 作者: Jihong Park, Palakorn Seenoi, Jeong-Soo Park
- 机构: Chonnam National University · Khon Kaen University
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究样本 L-矩(L-moments)联合协方差矩阵的估计问题:精确无偏估计量虽已存在,但在实际应用中常产生奇异或非正定矩阵,导致矩阵求逆失败。作者提出两类基于 leave-one-out 的替代估计量——delete-one jackknife 与基于 Hájek projection 的估计量,二者按构造均为半正定。理论机制上,Hájek projection 将样本 L-矩的渐近线性表示(influence-function 型展开)用于构造协方差,从而在保持相合性的同时避免有限样本下的不定性;jackknife 则通过删除一个观测的伪值方差估计实现。模拟结果显示 projection 估计量在估计误差与数值稳定性上普遍优于精确无偏估计量,而 jackknife 对高阶样本 L-矩的方差存在系统性高估。作者还开发了 rank-prefix 快速算法,对三种协方差估计量的计算复杂度显著降低。该工作属于统计计算与估计理论的交叉,方法学新颖性中等(novelty_flag = new_method),核心贡献在于数值稳定性与算法加速而非新的渐近理论。对您可能有用:其 Hájek projection 思路与 semiparametric efficiency / influence function 理论直接相关,rank-prefix 算法则与您对高阶 U-statistic 的 tensor-contraction / einsum 计算成本研究有概念上的呼应。
- 关键技术:
Hájek projection,delete-one jackknife,influence function expansion,positive semidefinite covariance correction,rank-prefix algorithm,L-moment sample statistics - 为什么对您有用: (1) 连接到 semiparametric theory 中的 influence function / projection 技术,以及 statistical computing 中的数值稳定性与算法复杂度问题;L-矩作为次序统计量的线性组合,其协方差估计与 higher-order U-statistics 的投影理论有结构相似性。(2) 武器库中 very_familiar 的 'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)' 可直接用于分析本文 rank-prefix 算法的计算图与 contraction 成本,判断其是否达到最优复杂度;moderately_familiar 的 'semiparametric theory' 可用来验证 Hájek projection 估计量的渐近方差是否达到半参数效率界。(3) 中期可做:需先在 moderately_familiar 的 semiparametric theory 上确认 projection 估计量的 efficiency bound 是否紧,之后可尝试将 rank-prefix 思想推广到一般 U-statistic 的协方差计算。
4. hexagon:2610.00594 — Subexponential Weighted Counting and Exact Optimisation¶
- 作者: Deep Bhattacharjee
- 期刊/来源: Hexagon · 人机混合 · 人类理解:部分
- 机构: Electro-Gravitational Space Propulsion Laboratory (EGSPL), Bhubaneswar, Odisha 751030, India · University of Calcutta (Heramba Chandra College), Kolkata 700029, India
- 分类: cs.CC · math.CO · cs.DS
- 相关性 4/10
- 摘要: 本文在稀疏 k-CNF 上复现并推广了确定性 2^{o(n)} 计数算法,将目标从满足赋值计数扩展到取值于任意交换 Q-代数 的局部权重求和,从而统一覆盖 Max-Cut、Max-k-SAT、独立多项式、最大独立集、带冲突图的背包、0-1 整数规划、Vertex Cover、Ising/Potts 密度态、Tutte 多项式、稀疏校验码的最小距离与最大似然译码等一大类问题。核心技术是把计数问题嵌入到权重求和框架,利用稀疏性(有界度、低平均度 o(√(log n/log log n)))做确定性分支/剪枝,得到 2^{o(n)} 或 2^{o(k)}+poly(n) 的精确算法,并声称覆盖整个 SNP 类。结果属于计算复杂性/精确算法方向,而非统计估计或推断;对统计学家而言,其价值主要在于展示稀疏结构如何把指数级搜索压到次指数级,以及权重求和框架与多项式统计量(如 U-statistic 的 einsum 收缩)在计算成本模型上的潜在类比。方法学 novelty 属于 new_method(算法框架推广),但缺少与统计计算中数值稳定性、随机化算法、近似推断的直接接口。
- 关键技术:
deterministic subexponential counting,sparse k-CNF,commutative Q-algebra weighted sums,branching / pruning on bounded-degree graphs,Tutte polynomial evaluation,Ising/Potts density of states - 为什么对您有用: 本文属于 statistical-computational tradeoff 的 gateway reading 范畴,但更偏精确算法而非信息-计算缺口:它给出的是确定性 2^{o(n)} 算法,而非低度多项式下界或 SQ 下界,因此对您理解“多项式时间可能性”一侧有参考价值,但对“计算下界”一侧帮助有限。武器库中 very_familiar 的“computation of higher-order U-statistics (treewidth / tensor contraction / einsum)”可直接用来分析本文权重求和框架在稀疏图上的收缩成本,判断其 2^{o(n)} 是否可迁移到高阶 U-statistic 的精确计算;moderately_familiar 的“M-estimation theory”则不足以直接攻本文的复杂性论证。follow-up 粗判:中期可做——需先在 moderately_familiar 的“theory of higher-order U-statistics”上长肌肉,把本文的稀疏权重求和与 U-statistic 的树宽/张量收缩成本模型对接,才能形成可发表的问题。
天体统计 (astrostats, 3 篇)¶
1. 2610.41092 — Spectral Information Content of Diffraction-Limited Images¶
- 作者: Milo Langker, Hayden Greer, Benjamin Pope, Peter Tuthill
- 机构: The University of Sydney · Macquarie University
- 相关性 6/10 · novelty:
application - 摘要: 本文研究衍射受限光学成像中光谱信息的理论极限。作者将多色点扩散函数(PSF)的形成表达为对数坐标下的卷积,定义了光谱传递函数,并针对 Airy 盘推导出其代数衰减行为,表明理想无噪声 PSF 中存在任意精细的光谱结构。他们利用可微前向模型数值构造光谱信息特征基,并通过 Fisher 信息量化不同噪声和探测器系统误差下的光谱测量能力。在模拟示例中,他们演示了受限光谱模式的注入与恢复,并与已有方法对比。该框架为多种成像场景下的 PSF 光谱表征提供了通用方法。对您而言,这是一篇典型的 astrostatistics 入门读物,展示了信息论与数值优化在光学成像中的应用,但方法论上无直接迁移价值。
- 关键技术:
Fisher information,differentiable forward model,eigenbasis decomposition,PSF modeling,spectral transfer function - 为什么对您有用: 本文属于 astrostatistics 的 gateway reading:它清晰阐述了数据(衍射图像)与模型(PSF 卷积)的结构,适合作为了解天文成像统计问题的入门。您的武器库(非参数统计、高维渐近)足以理解其信息论框架,但无需深入。值得花时间读全文以拓宽视野,但不太可能引发后续研究。
2. 2610.41934 — An exploration of in-band spectral index techniques for extended radio sources with EMU¶
- 作者: B. D. Ball, R. Kothes, E. Rosolowsky, J. L. West, W. Raja, M. D. Filipovic et al.
- 机构: University of Alberta · National Research Council Canada · University of Tasmania · Australia Telescope National Facility · Western Sydney University · Macquarie University · University of Calgary · Lahore University of Management Sciences 等
- 相关性 5/10 · novelty:
application - 摘要: 本文研究射电天文中扩展射电源的带内谱指数(in-band spectral index)估计问题:在只有单次望远镜观测、缺乏多仪器多频段流量数据的情况下,能否从一次观测中可靠地恢复谱指数 α(S∝ν^α),从而区分热辐射(HII 区)与非热辐射(超新星遗迹 SNR)。作者以 ASKAP 的 EMU 巡天为背景,选取一批扩展源(主要是 SNR 与 HII 区),系统比较三种技术:(1) 在子频段内积分流量后拟合幂律;(2) 温度-温度(T-T)图,即两个子频段图像像素值的线性回归斜率;(3) 利用成像过程中 Taylor 展开项(多频合成成像产生的 Taylor term 0/1/2)的比值直接得到谱指数。评估标准是三种方法给出的 α 是否与预期值(SNR 用文献宽带谱指数、HII 区用热谱理论值)一致,并考察源尺寸与亮度对可靠性的影响。主要结论是:在所研究的源尺寸和亮度范围内,T-T 图方法对 SNR 和 HII 区都最稳健;子频段积分法与 Taylor term 比值法在特定条件下可用,但对扩展源不能视为普遍可靠。方法学上这是一篇以真实巡天数据为驱动的技术评估/应用型论文,novelty 属于 application 级别,没有提出新的统计估计理论或推断框架。
- 关键技术:
in-band spectral index estimation,temperature-temperature (T-T) plot regression,multi-frequency synthesis Taylor terms,sub-band flux integration,ASKAP/EMU radio survey imaging,thermal vs nonthermal source discrimination - 为什么对您有用: (1) 本文属于 astrostatistics 的 gateway reading 范畴,而非方法学迁移对象:它清楚交代了数据侧(ASKAP 单次观测、多子频段图像、扩展源的流量测量与噪声/选择效应)和模型侧(幂律谱 S∝ν^α、T-T 图的线性回归、Taylor 展开的物理含义),对不熟悉射电天文的数据分析统计学家是较好的入门读物。(2) 武器库方面,very_familiar 中的 nonparametric statistics 与 inverse problems with random noise 足以理解 T-T 图回归和子频段拟合的基本统计结构,但本文不涉及因果推断、高维 RMT、U-statistic 或效率理论,因此对 primary interests 的直接推进有限。(3) 是否值得读全文:若您想扩展 astrostatistics 的跨学科视野、了解真实巡天数据中谱指数估计的工程权衡(源尺寸、亮度、频段选择),值得一读;若目标是寻找可迁移到因果/高维/半参理论的方法学问题,则优先级较低。
3. 2610.41535 — Demographics and growth of the astronomy and astrophysics community¶
- 作者: Jürgen Knödlseder
- 机构: Centre National de la Recherche Scientifique · Université Toulouse III - Paul Sabatier · Institut de Recherche en Astrophysique et Planétologie · Université de Toulouse
- 相关性 5/10 · novelty:
application - 摘要: 本文基于天体物理数据系统(ADS)的文献数据,对过去约200年天文学与天体物理学社区的人口统计和增长进行了分析。研究发现2025年约有59940位作者至少发表了一篇论文,但约40%的社区成员未发表论文,因此估计2025年天文学家总数约为10万人。社区地理分布上,欧洲占38%,亚洲占29%,北美占26%,南美、大洋洲和非洲各占4%、2%和1%。社区以早期职业科学家为主,50%的作者发表论文年限不超过7年,这归因于过去50年社区以每年4.3%的指数速度增长,规模每16年翻一番。社区增长率超过论文数或页数的增长率,导致每位天文学家年均论文产出下降。近十年增长率加速至5.1%,主要受中国(每年13%)和印度(每年10%)驱动。几乎所有国家的作者数、人均作者数和GDP作者数均呈正增长,且地球科学和物理学社区增长更快。若趋势持续,中国和印度天文学家社区将分别于2029年和2043年成为世界第一和第二大社区。
- 关键技术:
demographic analysis,exponential growth modeling,bibliometric data analysis - 为什么对您有用: 本文属于天文学社区的人口统计研究,作为gateway reading,它清晰展示了天文学领域的数据规模、增长模式和地理分布,适合作为统计学家了解天文学社区结构的入门读物。武器库中的统计建模和数据分析技能足以支撑理解本文,但本文方法学创新有限,主要价值在于提供领域背景和数据集,而非方法论迁移。
经济理论 / 应用 (econ_theory, 3 篇)¶
1. 2610.41881 — Evaluating Maternity Leave Reforms When RD Fails¶
- 作者: Clara von Bismarck-Osten, Andrei Zeleneev
- 机构: University College London
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究英国 2000 年代产假薪酬扩张(maternity pay)对儿童考试成绩与母亲就业的因果效应,设定为 fuzzy RD 但关键资格变量(eligibility)在数据中仅被不完美测量,导致常规 RD 的识别失效。作者首先记录实证事实:薪酬扩张提高儿童测试成绩、降低母亲就业;仅延长职位保护(job protection)产生类似就业效应但儿童成绩无可检测影响。方法上,他们论证现有 RD 测量误差修正(如 deconvolution、bounding 类方法)在此设定下不适用,因为测量误差本身具有经济内容(economic content),即误差与处理机制相关。提出一个基于插补(imputation-based)的简单估计量,保留 RD 的非参数识别与透明性,在误差有经济含义时仍保持有效性。实证上给出上述三组效应的估计,并说明为何传统 RD 会得到零结果。对您可能有用:这是 secondary interest 中 economic theory / applied causal work 的典型 RD 失效案例,可作为流行病学或经济学队列中资格变量误测问题的 gateway reading。
- 关键技术:
regression discontinuity,measurement error correction,imputation-based estimator,nonparametric identification,fuzzy RD - 为什么对您有用: (1) 连接到 secondary interest 的 economic theory / applied causal work,具体是 RD 设计中资格变量误测(measurement error in running variable)这一识别问题,与您 causal inference 中 identification theory 子方向有交集。(2) 武器库中 very_familiar 的 'identification theory in causal inference' 与 'estimation theory in causal inference' 可直接用于审视其插补估计量的识别假设是否可放松,moderately_familiar 的 'semiparametric theory' 可用来判断该插补估计量是否达到半参数效率界。(3) follow-up 粗判:中期可做——需先在 moderately_familiar 的 semiparametric theory 上长肌肉,以分析其插补估计量的影响函数与效率性质;若仅作 gateway reading 了解 RD 误测问题,则立即可读。
2. 2610.41361 — Identification through Heteroskedasticity in One Lemma: Partial Identification, an Eigenvalue Construction, and a Caution on Rank Tests¶
- 作者: George Milunovich
- 机构: Macquarie University
- 相关性 6/10 · novelty:
minor - 摘要: 本文是一篇教学性质的短文,目标是在异方差识别(identification through heteroskedasticity)框架下统一已有结果:设定包括波动率 regime、GARCH、随机波动率以及协变量驱动的方差,结构冲击的识别问题被归结为一条引理。核心结论是:一个冲击能被识别(至多差一个符号与标签置换)当且仅当没有其他冲击与它共享同一条方差路径;若若干冲击共享方差路径,则它们只能被识别到一个旋转(rotation)等价类,即部分识别(partial identification)。方法上,作者给出一个简短的线性代数证明,并指出结构系数矩阵的行恰好是一个广义特征值问题(generalized eigenvalue problem)的解,Rigobon (2003) 的两 regime 解是其特例。作者进一步警告:对误差二阶矩做秩检验(rank test)只能数出线性无关的中心化方差路径的个数,而不是被识别冲击的个数,因此这类秩检验会高估识别数量。最后用模拟逐点说明上述结论。方法学 novelty 属于教学性统一(teaching note),并非全新理论或新估计量。
- 关键技术:
identification through heteroskedasticity,generalized eigenvalue problem,variance regime / GARCH / stochastic volatility,partial identification up to rotation,rank test on second moments,structural VAR identification - 为什么对您有用: (1) 连接到 secondary interest 中的 economic theory(应用、模型、因果推断)——本文正是计量经济学中利用异方差做因果识别的经典设定,与您 primary 中 causal inference 的 IV / identification theory 子方向有概念上的呼应(方差路径可视为一种 instrument-like 变异来源)。(2) 武器库中 identification theory in causal inference(moderately_familiar)与 estimation theory in causal inference(very_familiar)可直接用来审视其引理:把『共享方差路径 ⇒ 只能识别到旋转』翻译成因果识别中的 partial identification 语言,并检验广义特征值构造在有限样本下的稳定性。(3) follow-up 粗判:立即可做——线性代数证明与广义特征值构造都在 very_familiar 范围内,可作为 gateway reading 快速读完;但作为 econ_theory 入门读物,本文篇幅短、数学自足、对统计读者友好,值得花时间读全文以了解计量中异方差识别的标准套路。
3. 2610.41428 — xtlp: A new Stata command for panel local projection¶
- 作者: Shu Shen, Ziwei Mei, Liugang Sheng, Zhentao Shi
- 机构: Chinese University of Hong Kong · University of Macau · City University of Macau · Hsin Sheng College of Medical Care and Management
- 相关性 5/10 · novelty:
application - 摘要: 本文针对面板局部投影(LP)模型在固定效应估计下的Nickell偏误问题,提出并实现了Stata命令xtlp。该偏误源于LP的预测结构,即使回归元中不含滞后因变量也会出现,导致基于常规t统计量的推断失效。xtlp采用split-panel jackknife(SPJ)偏误校正,消除Nickell偏误并恢复标准推断的有效性。命令支持多种设定,包括因变量的不同变换、额外控制变量和灵活的方差估计。通过金融危机的实证应用展示了命令的使用。对您而言,这是经济应用中因果推断动态效应估计的实用工具,但方法创新有限,主要是已有SPJ方法在Stata中的实现。
- 关键技术:
panel local projection,Nickell bias,split-panel jackknife,fixed effects,Stata command - 为什么对您有用: 本文属于经济理论/应用方向,涉及面板数据中动态因果效应的估计,与您的次要兴趣(经济理论的应用、因果推断)相关。作为gateway reading,它展示了经济应用中常见的动态效应估计问题,但方法学上主要是实现已有技术。武器库中的非参数统计和因果推断估计理论足以理解其核心,但无需深入。可读性较好,适合作为了解经济面板LP应用的入门,但方法学新颖性低,不值得优先深读。
其他 (other, 8 篇)¶
1. 2610.41726 — Unidentified prediction-risk rankings under spatial sampling with fixed inclusion probabilities¶
- 作者: Shinichiro Shirota
- 机构: Hitotsubashi University
- 相关性 6/10 · novelty:
minor - 摘要: 本文研究高斯空间预测中,在固定包含概率的抽样机制下,预测风险排序的不可识别性问题。作者构造了两种正抽样机制,它们具有相同的观测分布和条件站点包含概率,但对两个固定预测器给出相反的风险排序。构造仅需从四个站点中选择两个,并允许独立的加性高斯测量误差。这一结果表明,仅依赖观测分布和包含概率无法唯一确定预测器的优劣,对空间抽样设计中的模型评估有警示意义。对您而言,该结果与您对因果推断中识别问题的兴趣有类比价值,但方法上更偏向空间统计与抽样理论,而非您的主要研究方向。
- 关键技术:
spatial prediction,sampling mechanism,identifiability,Gaussian process,fixed inclusion probabilities - 为什么对您有用: 本文属于空间统计与抽样理论的识别性问题,与您的主要兴趣(因果推断中的识别、非参数/半参数理论)有概念上的类比,但并非直接相关。作为gateway reading,它展示了识别性失败的一个简洁例子,但方法学上不涉及您武器库中的核心工具(如U统计量、RMT、DML)。因此,本文仅作为拓宽视野的阅读,不值得深入跟进。
2. 2610.41815 — Observation-Specific Uncertainty Modeling for Latent-Variable Regression in High-Dimensional Analytical Data¶
- 作者: Carl Emil Eskildsen, Georgios Papadopoulos, Kevin A. Giraldo, Mauricio Barahona, Molly M. Stevens
- 机构: Imperial College London
- 相关性 5/10 · novelty:
application - 摘要: 本文提出一个用于高维潜变量回归的观测特异性不确定性量化框架。传统方法假设预测无偏,将不确定性仅归因于方差,但降维可能引入观测特异性偏差。作者利用高斯过程对潜得分和预测误差建模,估计观测特异性的偏差和误差方差,从而分离系统误差与认知和随机方差。在拉曼光谱的果糖-蔗糖模型系统中,估计的预测误差分布与经验分布一致,偏差校正降低了均方误差,结合偏差和方差的决策限比仅用方差提高了分析物检测能力。在水溶性应用中,该方法展示了超越光谱学的泛化能力。
- 关键技术:
Gaussian process regression,latent-variable regression,observation-specific uncertainty,bias-variance decomposition,decision limits - 为什么对您有用: 本文属于统计计算与不确定性量化方向,与您的主要兴趣(统计计算、高维统计)有部分重叠,但更偏向应用。作为入门读物,它清晰展示了高维数据中预测不确定性的建模挑战,但方法学新颖性一般。您的武器库(如高斯过程、潜变量模型)足以支撑理解,但可能不值得深入展开。
3. 2610.41087 — What Paid Triangles Identify about Reserve Uncertainty: Information Boundaries in Loss Reserving¶
- 作者: Robin Van Oirbeek
- 机构: University of Antwerp
- 相关性 5/10 · novelty:
application - 摘要: 本文研究损失准备金(loss reserving)中由已付三角形数据(paid triangles)所能识别的准备金不确定性成分,区分总体识别、通过事故年自由水平和两阶段二阶矩拟合的恢复,以及实际三角形规模下的精度。在复合频率-严重度层次模型中,总体分布识别了控制非分散准备金方差的行离散度。当每个事故年有一个自由水平时,其剖面似然仅在齐性假设下达到上确界,自由水平会吸收每个三角形上实现的行异质性(包括金额和计数)。锚定(anchoring)重新打开该通道,但每个事故年仅提供一个观测,在10×10三角形上锚定估计的不确定性仍有数倍因子。行内分配离散度在给定行总和条件下仍可识别,因此不受自由水平影响。预测实验中,均值结构估计误差的处理对过程的影响比方差法则的选择大数倍;正确形式的方差法则仅在离散度来自先验而非自由水平拟合时改善覆盖率。在无结果的Schedule P面板上,仅基于金额的方法无法达到名义覆盖率,强单侧偏差表明实现准备金相对拟合预测中心的位移无法通过改变仅金额方差法则修复。
- 关键技术:
profile likelihood,compound frequency-severity model,identifiability analysis,predictive coverage,loss reserving - 为什么对您有用: 本文属于精算/损失准备金领域,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,但其中关于识别性、剖面似然和有限样本精度的讨论,对您熟悉的非参数/半参数识别理论有一定类比价值。作为gateway reading,本文对精算数据结构和不确定性来源的阐述较为清晰,但方法学新颖性有限,且不涉及您武器库中的具体工具。
4. 2610.41171 — Convolution Skew-\(t\) Distributions¶
- 作者: Xinxian Chen, Peter Reinhard Hansen, Chen Tong
- 机构: Xiamen University · University of North Carolina at Chapel Hill
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出 convolution skew-t (CST) 分布:将若干独立的标准化 skew-t 子向量通过一个一般 loading 矩阵 A 线性组合,从而同时刻画异质尾部厚度、方向性偏斜与非椭圆依赖结构。作者首先在参数可识别性上给出条件(loading 矩阵与子向量参数的辨识约束),随后用解析 score 与 Fisher 信息的一维归约(one-dimensional reduction)构造似然推断,避免高维数值求导。在有限方差设定下,证明 MLE 的相合性与渐近正态性,并刻画了错误施加对称性假设(false symmetry)带来的渐近偏差后果;进一步用 raw representation 把族扩展到任意正尾指数。模拟评估有限样本表现,并以 realized volatility 数据说明允许不同潜在子向量具有不同尾部厚度与偏斜的经验价值。该文属于多元分布族与似然渐近理论方向,方法学 novelty 为 new_method(新分布族 + 识别 + 渐近理论),但不在您 primary interests 的核心轨道上。
- 关键技术:
convolution of skew-t subvectors,loading matrix identification,analytical score and Fisher information reduction,maximum likelihood asymptotics,raw representation for tail index extension,realized volatility application - 为什么对您有用: 本文与您 primary interests 的连接较弱:它既非 proximal CI / IV / mediation 等因果识别问题,也非高维 RMT 或 semiparametric efficiency bound 问题,最接近的是您 moderately_familiar 中的 M-estimation theory(MLE 相合性与渐近正态性)与 identification theory(loading 矩阵可识别性),可作为多元非椭圆分布识别的参考案例。若要用武器库攻它,可用 very_familiar 的 minimax bounds for estimation problems 去追问:在 loading 矩阵 A 未知且子向量维度增长时,CST 参数的估计率是否达到 minimax 下界,以及 Fisher 信息一维归约在何种正则条件下仍成立——这属于中期可做,需先在 moderately_familiar 的 M-estimation theory 上补足多元非椭圆似然的渐近工具。总体判断:作为方法学参考可略读,但不必投入全文精读,除非您正需要非椭圆依赖建模的分布族。
5. hexagon:2610.00610 — Dynamics of the spherical Sherrington–Kirkpatrick model, Part II: Mixing profiles and critical dynamics¶
- 作者: P. M. Aronow, Patrick Lopatto
- 期刊/来源: Hexagon · 无人类作者署名 · 人类理解:部分
- 机构: Yale University · University of North Carolina at Chapel Hill
- 分类: math.PR
- 相关性 5/10 · novelty:
new_theory - 摘要: 本文研究球面 Sherrington–Kirkpatrick 模型的 Langevin 动力学,即在高维球面上关于 Gibbs 测度可逆的扩散过程,起始分布为均匀分布。目标是刻画固定温度、介观趋近临界温度、临界窗口及无限温度交叉等不同机制下,到平衡态的淬火全变差距离随时间渐近行为。在高温区(β<β_c)证明了 cutoff 现象,混合时间为 (log N-(3/2)log log N+O(1))/(4(1-√2β)^2),其中 -(3/2)log log N 修正来自 W 谱的边;在低温区(β>β_c)cutoff 时间由最大两个特征值间隙决定,阶为 N^{2/3} log N,极限分布为高斯变量与独立 Cauchy 变量之和的全变差距离。在临界窗口内,距离在时间 N^{2/3}s 处依分布收敛到由 Airy 点过程决定的随机轮廓,且无 cutoff。该结果统一了介观与临界机制,并揭示了谱边与特征向量对混合行为的决定性作用。对您而言,本文属于随机矩阵与统计物理交叉的纯概率论工作,与您的高维统计和 RMT 兴趣有概念关联,但方法上以动力系统和谱分析为主,非直接可迁移的统计方法。
- 关键技术:
Langevin dynamics,total-variation distance,cutoff phenomenon,random matrix edge spectrum,Airy point process,quenched asymptotics - 为什么对您有用: 本文属于随机矩阵理论(RMT)在统计物理模型动力学中的应用,与您的高维统计/RMT 兴趣有概念交集,但更偏纯概率与动力系统,而非统计推断。作为 gateway reading,本文对 RMT 谱边与特征向量结构有深入刻画,但需要较强的概率论背景;您的武器库(如 Marchenko-Pastur 律、特征值间隙分析)可帮助理解部分技术,但核心的动力学耦合分析不在其中,暂不可直接开展后续工作。
6. 2610.41122 — Marginal effects for the stochastic actor-oriented model¶
- 作者: Daniel Gotthardt, Christian Steglich
- 机构: Universität Hamburg · Linköping University · University of Groningen
- 相关性 4/10 · novelty:
application - 摘要: 本文针对随机行为者导向模型(SAOM)中参数估计难以解释的问题,提出基于边际效应的效应量度量,以标准化解释尺度。通过模拟实验展示遗漏效应如何不同地影响系数和边际效应,并在经验友谊网络数据中发现互惠性和三元闭包在关系建立时相互增强、在关系维持时部分替代,而系数无法揭示这一对比。
- 关键技术:
marginal effects,stochastic actor-oriented model,network dynamics,simulation experiments - 为什么对您有用: 本文属于网络动态模型的应用方法,与您的主要兴趣(因果推断、半参数理论)关联较弱,但作为网络数据分析的入门读物,其边际效应思想可能对您处理复杂依赖数据有启发。武器库中的非参数统计和估计理论足以理解其方法,但核心模型(SAOM)不在您的常规工具中,属于中期可探索方向。
7. 2610.41963 — Zero Crossings on the Accuracy-Smoothness Frontier: Maximal Monotone and Minimal Inflection Non Stationary Predictors¶
- 作者: Marc Wildi
- 机构: ZHAW Zurich University of Applied Sciences
- 相关性 4/10 · novelty:
new_method - 摘要: 本文在 Smooth Sign Accuracy (SSA) 框架下,将平稳预测器的平滑-精度权衡推广到非平稳积分过程(I-SSA)。目标是在控制转折点(I(1))或拐点(I(2))期望持续时间的约束下,最小化均方误差(MSE),从而得到最大单调和最小拐点预测器、滤波器和平滑器。优化问题被表述为带二次约束的二次规划(QCQP),并简化为具有隐藏凸性的广义信赖域子问题(GTRS),在可行可逆区域上存在全局最优解,且给出精确闭式解以刻画有效精度-平滑(AS)前沿。在一般假设下,有限样本解收敛到渐近 I-SSA 预测器,避免了积分边界扰动。该框架统一了非平稳水平上的 MSE 与平稳差分上的符号精度、过零频率和目标相关性。
- 关键技术:
QCQP,Generalized Trust Region Subproblem (GTRS),hidden convexity,MSE-optimal prediction,sign accuracy - 为什么对您有用: 本文属于时间序列预测与信号平滑领域,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;但其中 QCQP 到 GTRS 的隐藏凸性转化、以及约束优化下的闭式解,对您熟悉的统计计算(数值方法)有一定参考价值。作为 gateway reading,本文对非平稳预测的建模与优化框架阐述清晰,但方法学深度一般,不值得优先投入时间。
8. hexagon:2610.00608 — Existence of the \(q\)-Colorability Threshold for Sparse Random Graphs¶
- 作者: P. M. Aronow, Patrick Lopatto
- 期刊/来源: Hexagon · 无人类作者署名 · 人类理解:部分
- 机构: Yale University · University of North Carolina at Chapel Hill
- 分类: math.PR
- 相关性 4/10 · novelty:
new_theory - 摘要: 本文研究稀疏随机图 q-可着色性的阈值存在性。固定整数 q≥3,考虑 n 个顶点、边概率 d/n 的随机图,证明存在常数 d_q>0,使得当 d
d_q 时以概率趋于 0 不可着色;对均匀随机图(⌊cn⌋ 条边)同样成立,阈值在 c 中为 d_q/2。进一步,对固定 ε∈(0,1),在独立均匀添加不同顶点对的过程中,首次失去可着色性的步数以至少 1−ε 的概率落在长度为 O_{q,ε}(n(log n)^{-3/2}) 的确定性窗口内。证明方法采用插值(interpolation)建立收敛性,并通过识别随机顶点、控制所有着色中等价类增长来界定破坏最后一个可着色图所需的期望边数。该结果属于概率论与组合学,与您的统计研究兴趣无直接方法学连接。 - 关键技术:
interpolation method,random graph thresholds,colorability,coupling - 为什么对您有用: 本文属于数学概率论(随机图阈值),与您的主要兴趣(因果推断、高维统计、U-统计量、半参数理论)无直接交集,也不属于 gateway-reading 范畴(非天文/经济/流行病学/计算复杂度)。作为数学统计学家,您可能对阈值现象的一般思想感兴趣,但本文不涉及统计推断或计算复杂度,因此不推荐作为入门读物,也不值得花时间精读。
🗂 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. 2610.41775 — First Light with the Dark100 Array of PANOSETI Telescopes at Palomar Observatory¶
- 作者: Nikolas Korzoun, Aaron Brown, Stephen Fegan, Luca Fiedler, Benjamin Godfrey, Jamie Holder et al.
- 机构: Ruhr University Bochum · University of California San Diego · Centre National de la Recherche Scientifique · École Polytechnique · Institut National de Physique Nucléaire et de Physique des Particules · Institut Polytechnique de Paris · Laboratoire Leprince-Ringuet · University of California, Berkeley 等
- 相关性 3/10
- 评分理由: 天文仪器/瞬变源巡天论文,缺少数据-模型统计阐述,作为入门读物价值有限。
2. hexagon:2610.00631 — Automated Conjecturing: Generation, Selection and Evaluation¶
- 作者: Ayush Agrawal, Vedant Shah, Navin Goyal, Ankit Anand, Aaron Courville
- 分类: cs.AI
- 相关性 3/10
- 评分理由: Automated conjecture generation in formal proof environments; AI/ML topic, only weakly adjacent to statistical computing.
3. hexagon:2610.00618 — From Döblin to Aleksandrov¶
- 作者: Amélie Loher, Connor Mooney, Clément Mouhot
- 分类: math.AP · math.PR
- 相关性 3/10
- 评分理由: PDE Aleksandrov maximum principles for kinetic equations; analysis paper with no statistical inference or modeling angle.
4. hexagon:2610.00609 — Dynamics of the spherical Sherrington–Kirkpatrick model, Part I: Foundations and tools¶
- 作者: P. M. Aronow, Patrick Lopatto
- 分类: math.PR
- 相关性 3/10
- 评分理由: Random matrix (GOE) appears, but the focus is stochastic-process dynamics and TV distance to equilibrium, not high-dimensional statistics or estimation theory.
5. hexagon:2610.00604 — The Euclidean algorithm is not optimal among uniform processes¶
- 作者: Jason Davies
- 分类: math.LO · math.NT · cs.CC · cs.LO
- 相关性 3/10
- 评分理由: Computational complexity of the Euclidean algorithm; touches complexity lower bounds but far from the statistical-computational tradeoff literature.
6. hexagon:2610.00600 — Deterministic Factoring in Time \(N^{o(1)}\)¶
- 作者: Isaac Rudich, Louis-Martin Rousseau
- 分类: cs.CC · math.NT · cs.AI · cs.DS · cs.LO
- 相关性 3/10
- 评分理由: Computational complexity/factoring result, unrelated to statistics or the tradeoff gateway framing.
7. 2610.41586 — HWP-synchronous signal induced by misalignment of the sapphire crystal axis¶
- 作者: Yurika Hoshino, Ryota Takaku, Tomotake Matsumura, Yuki Sakurai, Nobuhiko Katayama, Makoto Tashiro et al.
- 机构: Saitama University · Okayama University · Kavli Institute for the Physics and Mathematics of the Universe · Kyoto Sangyo University
- 相关性 2/10
- 评分理由: 半波片晶体轴失配的光学传递矩阵研究,纯仪器物理,无统计建模维度。
8. 2610.41481 — Cryogenic Optical Characteristics of S-FPL51 and S-LAH71: Refractive index, Transmission and Thermal expansion¶
- 作者: J. A. van den Born, E. Elswijk, E. Dijkstra, P. van Nijnatten, A. W. Janssen, R. Navarro
- 机构: Netherlands Institute for Radio Astronomy
- 相关性 2/10
- 评分理由: 低温光学玻璃折射率/热膨胀测量,纯材料表征,与统计无关。
9. hexagon:2610.00625 — A true theorem Lean can state but can never verify¶
- 作者: William Banks
- 分类: math.LO · cs.LO
- 相关性 2/10
- 评分理由: Lean与Gödel不完备性的逻辑学论述,与统计方法论无关。
10. hexagon:2610.00658 — Riemannian three-manifolds as hypersurfaces of Euclidean four-space: the realizability operator, its symbol, and its linearisation at the round sphere¶
- 作者: Jay Thrussell
- 分类: math.DG · math.AP
- 相关性 2/10
- 评分理由: Riemannian三流形可实现性算子的微分几何分析,与统计兴趣无关。
11. hexagon:2610.00627 — Universal Support Theorems for Resilient Coverage¶
- 作者: Deep Bhattacharjee, Ushashi Bhattacharya, Sanjeevan Singha Roy
- 分类: cs.CG · math.CO
- 相关性 2/10
- 评分理由: Computational geometry on coverage, tangential to statistical computing but no direct stats link.
12. hexagon:2610.00624 — A Spectral Blakley–Roy Inequality for Nonnegative Matrices¶
- 作者: Suvrit Sra
- 分类: math.CO · math.SP · math.RA
- 相关性 2/10
- 评分理由: Pure matrix/spectral inequality in math.CO/math.SP, unrelated to statistics or the researcher's primary interests.
13. hexagon:2610.00623 — On Lin's Arithmetic–Geometric Means Conjecture for Singular Values¶
- 作者: Suvrit Sra
- 分类: math.FA · math.RA
- 相关性 2/10
- 评分理由: Matrix analysis inequality on singular values; no statistical content or arsenal overlap.
14. hexagon:2610.00622 · arXiv — A Proof of McLeod's 1959 Conjecture on Complete Homogeneous Symmetric Ratios¶
- 作者: Suvrit Sra
- 机构: Technical University of Munich
- 分类: math.CA · math.CO · math.PR
- 相关性 2/10
- 评分理由: Symmetric-function inequality with a queuing-theory detour; tangential combinatorics, not statistics.
15. hexagon:2610.00620 · arXiv — Positive definite functions of noncommuting contractions, Hua-Bellman matrices, and a new distance metric¶
- 作者: Suvrit Sra
- 机构: Massachusetts Institute of Technology
- 分类: math.FA · math.OA · math.MG
- 相关性 2/10
- 评分理由: Operator-theoretic positive-definite functions and Hua-Bellman matrices; no statistical or arsenal connection.
16. hexagon:2610.00616 — Binary Reconstruction from the Fourth Deck: Torsion Phases, Local Gluing, and Sign Extinction¶
- 作者: Oleksiy Babanskyy
- 分类: math.CO
- 相关性 2/10
- 评分理由: Additive combinatorics reconstruction problem, no connection to statistics or the researcher's arsenal.
17. hexagon:2610.00611 — Continuity, Testing Regions and Fragility of Quantum Channel Divergences¶
- 作者: Morgan Jones
- 分类: math-ph · quant-ph
- 相关性 2/10
- 评分理由: Quantum information theory on channel divergences; only faint hypothesis-testing flavor, otherwise out of field.
18. hexagon:2610.00607 — A computer-assisted proof of the four-uniform Erdős matching conjecture¶
- 作者: Oleksiy Babanskyy
- 分类: math.CO
- 相关性 2/10
- 评分理由: Extremal combinatorics (Erdős matching conjecture) with computer-assisted proof; no statistical or computational-complexity-tradeoff content.
19. hexagon:2610.00606 — FINITE LENGTH DATA DO NOT UNIVERSALLY DETERMINE FLAT THREE-TORI EXPLICIT CONSTRUCTIONS, PROOFS, AND A CAUTION FOR COSMIC TOPOLOGY¶
- 作者: Changxia Lin
- 分类: math.NT
- 相关性 2/10
- 评分理由: Number-theoretic lattice/Gram-matrix construction for cosmic topology; no data-analysis or statistical methodology.
20. hexagon:2610.00602 — Tsallis Metrics on Density Matrices via the S-Divergence¶
- 作者: Suvrit Sra
- 分类: math.FA · quant-ph · math.IT
- 相关性 2/10
- 评分理由: Quantum-information divergences and metrics on density matrices; no connection to the researcher's statistical interests.
21. hexagon:2610.00599 — A logarithmic error term for subset sums of zero-sum-free sets¶
- 作者: Chao Liu
- 分类: math.NT · math.CO
- 相关性 2/10
- 评分理由: Additive combinatorics/number theory, no statistical or computational-tradeoff content.
22. hexagon:2610.00591 — Integrality of iterated averages and pointwise prime powers¶
- 作者: Darij Grinberg
- 分类: math.NT · math.CO · math.RA
- 相关性 2/10
- 评分理由: Number theory on iterated averages, no statistical relevance.
23. hexagon:2610.00598 — Do Self-Improving Coding Agents Beat Textbook Baselines? Evidence from a Darwin Gödel Machine Port and Two Published Systems¶
- 作者: Tejasvi Singh Tomar
- 分类: cs.AI
- 相关性 2/10
- 评分理由: AI coding agent benchmark study, outside statistical interests and no data/model dimension relevant to the researcher.
24. hexagon:2610.00662 — Integral crystalline Tate classes of codimension two at supersingular points of Mumford's fourfolds¶
- 作者: Antti Hippeläinen
- 分类: math.AG · math.NT
- 相关性 1/10
- 评分理由: 晶体上同调与Tate类,纯代数几何/数论,与统计兴趣无关。
25. hexagon:2610.00638 — Infinite divisibility of hitting times for symmetric stable processes¶
- 作者: Min WANG
- 分类: math.PR
- 相关性 1/10
- 评分理由: Probability theory on Lévy processes, tangential to statistical interests.
26. hexagon:2610.00634 — A lower bound for the sixth moment of the Riemann zeta function¶
- 作者: Niklas Fraccaro
- 分类: math.NT
- 相关性 1/10
- 评分理由: Analytic number theory, no statistical methodology connection.
27. hexagon:2610.00621 — Counterexamples to Hironaka's Characteristic-\(p\) Resolution: A Report On Queries to Frontier Agents¶
- 作者: Taylor Dupuy
- 分类: math.AG
- 相关性 1/10
- 评分理由: Algebraic-geometry resolution-of-singularities report; clearly outside the researcher's subfield.
28. hexagon:2610.00619 — Universal test rings for rational Gersten injectivity¶
- 作者: Niels FELD
- 分类: math.KT · math.AG
- 相关性 1/10
- 评分理由: Algebraic K-theory/Gersten injectivity; unrelated to any primary or secondary interest.
29. hexagon:2610.00617 — Natural Cohomology of General Steiner Bundles¶
- 作者: Vlado Vojdanovski
- 分类: math.AC
- 相关性 1/10
- 评分理由: Pure algebraic geometry (Steiner bundles, cohomology), unrelated to any primary or secondary interest.
30. hexagon:2610.00615 — Factorial denominators of rank-two scattering coefficients¶
- 作者: Qiyue Tang
- 分类: math.CO · math.RA
- 相关性 1/10
- 评分理由: Cluster algebra / representation theory result, clearly outside the researcher's subfields.
31. hexagon:2610.00614 — The Mirković–Vilonen basis and cluster pointedness¶
- 作者: Qiyue Tang
- 分类: math.RT · math.QA · math.RA
- 相关性 1/10
- 评分理由: Representation theory and cluster algebras, unrelated to statistics interests.
32. hexagon:2610.00612 · arXiv — Equality of the Jellium and the Uniform Electron Gas Energies¶
- 作者: Mihaly A. Csirik
- 机构: University of Oslo · Metropolitan University · Universidad Metropolitana
- 分类: math-ph · quant-ph
- 相关性 1/10
- 评分理由: Mathematical physics result on electron gas energies, no statistical or data-analysis angle.
33. hexagon:2610.00603 — Biperfectness of the theta basis of a maximal unipotent subgroup¶
- 作者: Qiyue Tang
- 分类: math.RT
- 相关性 1/10
- 评分理由: Representation theory (theta basis, unipotent subgroups); unrelated to any primary or secondary interest.
34. hexagon:2610.00601 — Collision Systems, with Applications to Geodesic Networks and Point Billiards¶
- 作者: Alec Shelley, Henry Bosch
- 分类: math.DS
- 相关性 1/10
- 评分理由: Dynamical systems / billiards collision systems; unrelated to statistics.
35. hexagon:2610.00593 — Stability and Convergence of a Regularized Immersed Boundary Method under Dynamic Cartesian Refinement. Part III: Fluid-Driven Rigid-Body Motion¶
- 作者: Sida He
- 分类: math.MP · math.CA · math-ph
- 相关性 1/10
- 评分理由: Numerical PDE/immersed boundary method, unrelated to the researcher's interests.
36. hexagon:2610.00592 — Stability and Convergence of a Regularized Immersed Boundary Method under Dynamic Cartesian Refinement. Part II: General Prescribed Motion¶
- 作者: Sida He
- 分类: math.MP · math.AP · math-ph
- 相关性 1/10
- 评分理由: Numerical PDE/immersed boundary method, unrelated to the researcher's interests.
37. hexagon:2610.00589 — Nonconstant congruence speeds of integer tetration: period spectra, prime bases, explicit bounds, and densities¶
- 作者: Marco Ripà
- 分类: math.NT
- 相关性 1/10
- 评分理由: Number theory on tetration congruence, unrelated.
38. hexagon:2610.00595 — Metric, Schauder and Operator-Valued Frames¶
- 作者: K. MAHESH KRISHNA
- 分类: math.FA
- 相关性 1/10
- 评分理由: Pure functional analysis on frames for metric spaces, unrelated to any primary or secondary interest.
39. hexagon:2610.00583 — On the scope of computability and formal axiomatic systems¶
- 作者: Jon Bohlin
- 分类: cs.LO
- 相关性 1/10
- 评分理由: Computability theory survey, tangential to statistical computing and unrelated to core interests.
40. hexagon:2610.00659 — Nonpathological extensions of \(F_\sigma\) ideals and fractional coloring¶
- 作者: Carlos López-Callejas
- 分类: math.LO · math.CO
- 相关性 0/10
- 评分理由: Pure set theory/combinatorics, unrelated to statistics.
41. hexagon:2610.00651 — Power-Kernel Fluctuations, the Lambert W Subpolynomial Source, and a Local CRT Conditional Law¶
- 作者: Zeng Chunping
- 分类: math.NT · math.AG
- 相关性 0/10
- 评分理由: Number theory and algebraic geometry, no statistical content.
42. hexagon:2610.00655 — An improved zero-free half-plane for Hecke L-functions over number fields and Quasi-Riemann Hypothesis¶
- 作者: Baiying Liu
- 分类: math.NT · math.RT
- 相关性 0/10
- 评分理由: Analytic number theory, unrelated to researcher's interests.
43. hexagon:2610.00630 — A lattice-theoretic approach to the abc conjecture: Weighted arithmetic derivatives, a master inequality, and the structure of the residual family¶
- 作者: Zeng Chunping
- 分类: math.NT
- 相关性 0/10
- 评分理由: Number theory approach to abc conjecture, no statistics.
44. hexagon:2610.00646 — An Integral-Structure Inflation in the Hull Operation of IUT Corollary 3.12¶
- 作者: Zeng Chunping
- 分类: math.NT · math.AG
- 相关性 0/10
- 评分理由: Inter-universal Teichmuller theory, far outside statistics.
45. hexagon:2610.00654 — Collision Geometry and Holonomy of Finite Blaschke Model Spaces¶
- 作者: Zhenyu Sun
- 分类: math.DG · math.CV · math.FA · math.SP
- 相关性 0/10
- 评分理由: Complex geometry and operator theory, no statistical relevance.
46. hexagon:2610.00653 — Non-Archimedean John, Non-Archimedean Dvoretzky-Milman, Non-Archimedean Type-Cotype and Non-Archimedean Kwapien Problems¶
- 作者: K. MAHESH KRISHNA
- 分类: math.NT · math.FA
- 相关性 0/10
- 评分理由: Functional analysis over non-Archimedean fields, unrelated.
47. hexagon:2610.00652 — Polynomial parametrization of quadratic Diophantine equations: decision and construction¶
- 作者: Bogdan Grechuk, Ashleigh Ratcliffe
- 分类: math.NT
- 相关性 0/10
- 评分理由: Algorithmic number theory for Diophantine equations, no stats.
48. hexagon:2610.00650 — Symmetric Volume Descent from U4 and a Four-Dimensional Lower Bound¶
- 作者: Hangang Wang
- 分类: math.MG · math.FA · math.OC
- 相关性 0/10
- 评分理由: Pure geometry/convexity, unrelated to statistics or causal inference.
49. hexagon:2610.00649 — A bridge between analysis on local fields and quantum groups: the noncompact case¶
- 作者: Cédric ARHANCET
- 分类: math.FA · math.NT · math.OA · math.QA
- 相关性 0/10
- 评分理由: Pure functional analysis/quantum groups, no statistical content.
50. hexagon:2610.00648 — A bridge between analysis on local fields and quantum groups: the compact case¶
- 作者: Cédric ARHANCET
- 分类: math.FA · math.NT · math.OA · math.QA
- 相关性 0/10
- 评分理由: Pure functional analysis/quantum groups, no statistical content.
51. hexagon:2610.00645 — Algebraicity of rank-two scattering wall functions¶
- 作者: Qiyue Tang
- 分类: math.CO · math.RT
- 相关性 0/10
- 评分理由: Algebraic combinatorics, unrelated to researcher's interests.
52. hexagon:2610.00644 — Three cubic trinomial series for \(1/\pi\)¶
- 作者: Khai-Hoan Nguyen-Dang
- 分类: math.NT
- 相关性 0/10
- 评分理由: Number theory identities for 1/pi, no statistical relevance.
53. hexagon:2610.00643 — Davenport constants with growing binary rank¶
- 作者: Chao Liu
- 分类: math.NT · math.CO
- 相关性 0/10
- 评分理由: Additive combinatorics, unrelated to statistics.
54. hexagon:2610.00642 — Near-Null Limits and Contact Distributions for Maxwell Composite Operators¶
- 作者: Zhenyu Sun
- 分类: math-ph
- 相关性 0/10
- 评分理由: Mathematical physics, no statistical methodology or data.
55. hexagon:2610.00640 — Laurent and g-vector counterexamples for quivers with homotopies¶
- 作者: Qiyue Tang
- 分类: math.CO · math.RT
- 相关性 0/10
- 评分理由: Combinatorial algebra, unrelated to researcher's interests.
56. hexagon:2610.00639 — Asymptotic growth of rank-two scattering coefficients in the Badlands¶
- 作者: Qiyue Tang
- 分类: math.CO · math.RA · math.RT
- 相关性 0/10
- 评分理由: Pure combinatorics/algebra, unrelated to statistics.
57. hexagon:2610.00636 — \(C_2\)-cofiniteness of finite-group orbifolds¶
- 作者: Andrew Riesen
- 分类: math.QA
- 相关性 0/10
- 评分理由: Vertex algebra theory, completely outside research interests.
58. hexagon:2610.00635 — A Boolean Lévy group with a free nonsingular action¶
- 作者: Konstantin Slutsky
- 分类: math.DS · math.LO
- 相关性 0/10
- 评分理由: Ergodic theory and Boolean groups, unrelated to statistics.
59. hexagon:2610.00629 — Analytic symmetric floating bodies¶
- 作者: Liam Price, Tom de Groot
- 分类: math.MG · math.CA
- 相关性 0/10
- 评分理由: Convex geometry, unrelated to statistical interests.
60. hexagon:2610.00628 — Weak amenability and Cowling’s conjecture for almost connected groups¶
- 作者: Cédric ARHANCET
- 分类: math.FA · math.GR · math.OA
- 相关性 0/10
- 评分理由: Functional analysis and group theory, no statistical relevance.
61. hexagon:2610.00597 — Serre’s conjecture on the Artin character for a regular local ring¶
- 作者: Mark Kisin
- 分类: math.AG · math.AC
- 相关性 0/10
- 评分理由: Algebraic geometry result on Serre's conjecture, completely unrelated to statistics.
Maintained by 陈星宇 · Homepage · Source on GitHub