跳转至

2026-11-02 每日资讯

  • 高相关论文 23 篇 · 中相关 92 篇 · 其他 104 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文(按主题分组)

因果推断 (causal_inference, 12 篇)

1. 2611.03167 — Causal Mediation Analysis with High-Dimensional Surrogates: Identification, Estimation and Inference under Latent Factor Models

  • 作者: Himani Yadav, Shi Bo, AmirEmad Ghassami, Debarghya Mukherjee
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文研究当中介变量和预处理协变量均为潜在因子、仅通过高维噪声代理观测时的因果中介分析。在潜在因子模型下,直接效应和间接效应仅能被近似识别,近似误差随代理维度增大而消失。作者提出 FARMA(Factor-Adjusted Regression for Mediation Analysis)框架,利用代理测量恢复潜在变量信息,并证明估计量具有 sqrt(n) 一致性和渐近正态性。方法结合了因子模型与回归调整,理论部分给出识别误差的显式界。模拟研究验证了有限样本表现,并应用于 ADNI 数据,探究抑郁症状对认知障碍的影响是否由 DNA 甲基化的潜在过程所中介。对您而言,该工作将高维潜在变量结构与因果中介分析结合,与您对 proximal CI 和纵向因果推断的兴趣直接相关,其因子调整思路或可迁移至负对照设定。
  • 关键技术: latent factor model, high-dimensional surrogates, causal mediation analysis, approximate identification, sqrt(n)-consistency, asymptotic normality
  • 为什么对您有用: 该论文直接关联您 primary interests 中的 causal inference(中介分析、潜在变量识别)和高维统计(因子模型)。您可用 very_familiar 的 high-dimensional asymptotics 和 estimation theory 来审视其识别误差界是否最优,或用 moderately_familiar 的 identification theory 探讨其与 proximal CI 的联系。中期可做:若想推广至更复杂设定(如纵向),需在 semiparametric theory 上进一步积累。

2. 2611.02239 — A General Approach for Assessing Sensitivity to Violations of Causal Assumptions

  • 作者: Guilherme Duarte
  • 机构: Harvard University
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文提出一个统一的因果敏感性分析框架,适用于广泛的离散因果模型和估计量。核心思想是将因果假设(如单调性、排除限制、无混杂)的违反程度参数化为总体中违反该假设的最大比例,并推导出因果估计量的锐界。框架基于广义主分层方法,将假设、估计量和数据转化为多项式规划问题,从而计算敏感性曲线和稳健性值(即改变效应符号所需的最小违反比例)。作者通过推广现有的比例违反方法、为工具变量和选择可观测设计推导新的敏感性分析,并重新分析实证结果来展示其适用性。该框架统一了多种敏感性分析,但主要限于离散模型,且计算复杂度可能较高。
  • 关键技术: generalized principal strata, polynomial programming, sharp bounds, sensitivity curves, robustness values, proportion-of-violations
  • 为什么对您有用: 直接关联因果推断中的敏感性分析子方向,特别是对违反无混杂和排除限制的稳健性评估。可用武器库中的 identification theory 和 estimation theory 来审视其多项式规划方法的可扩展性,并考虑将其与 proximal causal inference 的敏感性分析结合。中期可做:需先熟悉多项式优化或数值优化工具(moderately_familiar 之外),但核心识别逻辑可立即用于理解。

3. 2611.03531 — Causal Inference from Self-controlled Case Series

  • 作者: Gellért Perényi, Marco Piccininni, Mats J. Stensrud
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在自控病例系列(SCCS)设计下,从因果推断视角重新审视疫苗等暴露对罕见不良结局的效应识别问题。作者不预设参数模型,而是给出基于病例个体内比较的充分识别条件,阐明何时以及为何仅用病例数据即可识别因果效应。在识别假设部分不成立时,作者进一步构造了对治疗效应存在性的统计检验,该检验在仅部分识别假设成立时仍有效。方法上借鉴了因果推断中的潜在结果框架和工具变量思想,但未采用参数化起点。主要贡献在于将SCCS设计与现代因果推断理论对接,并提供了稳健的检验程序。对您而言,该文连接了因果推断中的识别理论与纵向/观察性数据设计,尤其与您关注的proximal CI和敏感性分析有潜在交叉。
  • 关键技术: self-controlled case series, identification assumptions, causal effect, hypothesis testing, within-individual comparisons
  • 为什么对您有用: 该文属于因果推断方向,具体涉及纵向观察性设计(SCCS)的识别与检验问题,与您的primary interest中的causal inference和hypothesis testing直接相关。您可以用very_familiar的估计理论(如M-estimation)来审视其检验的有限样本性质,或用moderately_familiar的identification theory来评估其识别条件的充分性与必要性。中期可做:若想深入其检验的稳健性,需在semiparametric theory上加强。

4. 2611.03353 — Data integration using propensity score weighting under missing at random

  • 作者: Caleb Leedy, Jae Kwang Kim
  • 机构: University of Ottawa · Iowa State University
  • 相关性 8/10 · novelty: application
  • 摘要: 本文研究数据整合问题,设定为概率样本与非概率样本来自同一目标总体,辅助变量在两样本中均可观测,而研究变量仅在非概率样本中观测。在非概率样本入样机制的参数化倾向得分模型下,作者提出条件最大似然估计入样概率,并构造总体均值的逆概率加权(IPW)估计量,在正则条件下建立了相合性和渐近正态性。为抵御倾向得分模型误设,进一步引入结果回归模型,通过去偏广义熵校准(GEC)得到双稳健估计量,当倾向得分模型或结果回归模型之一正确设定时仍相合。同时发展了两种估计量的方差估计程序。模拟研究展示了有限样本表现,并应用于一项危机时期文化社区调查数据,该非概率样本相对美国成年人口显著过度代表了某些人口群体。对您而言,该文将非概率样本入样机制视为一种缺失数据机制,与您因果推断中处理选择偏差的框架直接相关,其双稳健估计思路可迁移至您的敏感性分析或纵向设定。
  • 关键技术: inverse probability weighting, conditional maximum likelihood, doubly robust estimation, generalized entropy calibration, propensity score model
  • 为什么对您有用: 该文属于因果推断中非概率样本选择偏差校正的应用型方法研究,直接关联您的因果推断兴趣中的估计与识别问题。您可用 very_familiar 的估计理论(如 influence function 推导)来审视其双稳健估计量的效率性质,或检验其方差估计是否达到半参数效率界。中期可做:若想深入其校准方法,需在 moderately_familiar 的 M-estimation 理论上加强。

5. 2611.01375 — Measurement Error and Nonlinear Confounding: Structural Equation Modeling Versus Double Machine Learning

  • 作者: Eunjeong Song, Sehee Hong
  • 机构: Korea University
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究在潜在混杂变量存在测量误差且混杂关系可能非线性的情况下,比较结构方程模型(SEM)与双机器学习(DML)两种调整策略的偏差。SEM 能校正测量误差但需指定函数形式,DML 能灵活学习函数形式但忽略测量误差。作者推导了两种方法的总体偏差,并定义了交叉可靠性(crossover reliability),即当 DML 使用指标或其均值作为输入时,其偏差小于线性 SEM 所需的复合可靠性阈值;该阈值依赖于非线性混杂占比,并随协变量对混杂的预测而降低。通过 46 种条件下的蒙特卡洛研究验证了偏差公式和排序预测。使用梯度提升学习条件均值会使 DML 偏差增加最多 0.05,并使有限样本交叉点上移。当二次 SEM 形式正确时无偏,在饱和非线性下能消除线性 SEM 三分之二的偏差,但在三次非线性下几乎无效。
  • 关键技术: double machine learning, structural equation modeling, measurement error, crossover reliability, Monte Carlo simulation, gradient boosting
  • 为什么对您有用: 本文直接关联因果推断中的测量误差与非线性混杂问题,属于 primary interest 中 causal inference 的估计与偏差分析。可用 very_familiar 的 nonparametric statistics 和 estimation theory 来审视其偏差推导的严密性,或用 moderately_familiar 的 semiparametric theory 来评估 DML 在测量误差下的理论性质。中期可做:结合 HOIF 或 higher-order U-statistics 分析 DML 的偏差项,但需先熟悉 DML 的 cross-fitting 机制。

6. 2611.00553 — Efficient Causal Survival Inference under Limited Surrogate Monitoring

  • 作者: Zhenyue Du, Weishang Kong, Wei Li
  • 机构: Renmin University of China
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究在生存分析框架下,当替代终点(如复发)的监测在主要结局(死亡)随访结束前停止时,如何利用有限的替代信息提高因果生存效应估计的效率。作者推导了有限监测下的有效影响函数,并给出了延长监测时长所带来的效率增益的精确表达式,该框架将无替代信息和常见的共享删失方案作为边界情形,并可与完全观测替代的情形进行比较。方法上,他们提出了一个双稳健估计量,并证明了其交叉拟合版本在适当条件下的渐近正态性和半参数有效性。模拟研究和乳腺癌数据应用验证了所提方法的性能。对您而言,该工作直接关联您在因果推断中的效率理论兴趣,特别是半参数效率界和双稳健估计,且其效率增益的精确刻画可能启发您对纵向或代理因果推断中类似问题的思考。
  • 关键技术: efficient influence function, doubly robust estimation, cross-fitting, semiparametric efficiency bound, survival analysis, surrogate endpoints
  • 为什么对您有用: 该论文属于因果推断中效率理论的核心方向,直接涉及半参数效率界和双稳健估计,与您的主要兴趣高度契合。您可以用您非常熟悉的非参数统计和极小极大界工具来审视其效率增益表达式的紧性,或探索其与更高阶U统计量的联系。中期可做:若想推广到更复杂的监测机制,可能需要先在HOIF(中等熟悉)上加强。

7. 2611.00417 — Vector incremental treatment effects

  • 作者: Denis Agniel, Max Rubinstein, Larry Han, Anthony Yu, Molly T. Finnerty, Marcela V. Horvitz-Lennon et al.
  • 机构: New York State Office of Mental Health · RAND Corporation · Harvard University
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对多个二元处理变量的因果推断问题,提出向量增量处理效应(vector incremental treatment effects)框架。在潜在结果随处理组合指数增长、部分组合罕见或未观测、以及固定所有人为单一组合需要不现实的正性假设的背景下,作者将增量倾向得分干预推广到向量值二元处理,通过按用户指定因子缩放每个处理的几率来定义反事实分布。由于边际几率约束不能唯一确定联合分布,作者将该分布定义为观测分布在约束集上的最小散度投影(对用户指定的可分离散度),从而保留观测的条件支撑。在一致性和条件均值可交换性假设下,反事实均值结果可被识别,且不要求每个处理组合都有正条件概率。对于一类光滑散度,作者推导了有效影响函数,并构造了交叉拟合一步估计量,当边际处理概率恰好为0、恰好为1或远离这些值时,该估计量以参数速率一致且渐近正态。为放宽此要求,作者还定义了不同的估计量并推导相应估计量,其在估计活跃集的收敛速率条件下渐近正态,并扩展了针对未测混杂的敏感性分析。将该框架应用于159,466名纽约Medicaid严重精神疾病患者,估计在六项推荐护理质量过程几率统一改善下医疗成本的变化,发现增加推荐护理与更低的总成本、住院成本和心理健康成本以及更高的门诊成本相关。
  • 关键技术: incremental propensity score interventions, minimum-divergence projection, efficient influence function, cross-fitted one-step estimator, sensitivity analysis
  • 为什么对您有用: 本文直接扩展了您熟悉的因果推断中的识别与估计理论,特别是处理多个二元处理时的正性假设放松问题,与您的proximal CI和纵向因果推断兴趣相关。您可以用very_familiar的估计理论(如交叉拟合、影响函数)来验证其效率界,或用moderately_familiar的识别理论来探讨其最小散度投影选择的合理性。中期可做:若想深入其活跃集估计的收敛性,需在moderately_familiar的semiparametric theory上加强。

8. 2611.03561 — Studentized inference in randomized experiments when a few units dominate the outcome variation

  • 作者: Xinyuan Chen, Jonathan W. Kiesel, Jonathan R. Woody
  • 机构: Mississippi State University
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 在完全随机化实验中,当结果变量具有重尾分布时,少数单元可能携带不随样本量消失的残差变异份额。本文在有限总体固定、仅处理分配随机的设定下,研究学生化均值差和 Lin 的回归调整估计量(协变量杠杆趋于零)的极限分布。结果表明,学生化统计量一般具有非正态极限,且该极限依赖于每个主导单元两个潜在结果之间未观测的配对机制,因此即使边际分布相同,不同总体的极限也可能不同。当结果误差服从重尾分布时,极限是随机的,且除退化情形外随总体变化。在平衡分配下,常规 Wald 区间具有显式的渐近覆盖下界:名义水平 0.95 时,对所有总体下界约为 0.42,当每个单元的两个潜在残差相等时约为 0.84,且这两个下界接近最优;非平衡分配下覆盖可降至处理组与对照组比例中的较小者。
  • 关键技术: studentized difference in means, Lin's regression-adjusted estimator, finite population inference, heavy-tailed outcomes, asymptotic coverage floor
  • 为什么对您有用: 该文属于因果推断中随机化实验的有限总体推断,直接关联您的 primary interest 中的 causal inference 与 hypothesis testing。其核心发现——重尾下学生化统计量非正态且极限依赖未观测配对——对您熟悉的 estimation theory in causal inference 是一个新的理论挑战。您可用 very_familiar 的 minimax bounds 或 high-dimensional asymptotics 工具来刻画这种非正态极限下的最优推断率,属于立即可做的方向。

9. 2611.03550 — Unconfoundedness as an Information Constraint

  • 作者: Christoph Breunig
  • 机构: University of Bonn
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文在允许内生选择的模型中,用条件互信息(CMI)刻画无混杂性(unconfoundedness)。作者施加一个信息约束:给定协变量后,潜在结果关于处理的信息不超过其潜在异质性所包含的信息。在此模型条件下,该约束等价于处理概率可分解为潜在异质性和协变量的函数的乘积。虽然CMI约束允许内生选择,但当处理概率随协变量有足够丰富的变化时,它等价于相应潜在结果的无混杂性。对二元处理,任意非常数倾向得分即可;对多元处理,倾向得分向量的二阶矩矩阵满秩是充分条件。文章还讨论了状态特定约束、连续处理和工具变量外生性的扩展。
  • 关键技术: conditional mutual information, propensity score factorization, endogenous selection, treatment effect identification
  • 为什么对您有用: 本文直接关联因果推断中的识别理论,特别是无混杂性假设的放松,属于你的primary interest中的identification theory。你可以用你熟悉的semiparametric theory和M-estimation框架来审视其信息约束的估计含义,例如构造基于CMI的检验或估计量。中期可做:需要先熟悉信息论工具(如互信息估计),这不在你的moderately_familiar列表中,但可快速补充。

10. 2611.03345 — Sharp Identification for Regressions with Interval-Observed and Missing Covariates

  • 作者: Martin Fankhauser, Gil Jan Peled
  • 机构: Bocconi University · Cornell University
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究当协变量缺失或仅以区间观测时,条件矩模型中参数的识别与推断问题。作者不假设缺失或区间化机制,而是刻画了与观测数据和模型相容的所有参数值构成的sharp identified set。他们建立了该集合的Hausdorff一致估计和均匀有效的置信区域,并为常见回归模型提供了计算上可行的实现。在关于区间诱导折现率与高中按时毕业率的应用中,传统推断排除零效应,而本文的区间数据稳健置信区域包含零;同时,利用sharp识别得到的置信区域比非sharp方法更紧。
  • 关键技术: sharp identified set, conditional moment models, Hausdorff-consistent estimation, uniform confidence regions, interval-censored covariates
  • 为什么对您有用: 本文属于因果推断中缺失数据与测量误差的识别问题,与您的proximal CI和敏感性分析兴趣直接相关。您可以用very_familiar的估计理论(如M估计)来审视其sharp identified set的构造,或用moderately_familiar的识别理论来比较其与proximal方法的联系。中期可做:若想深入其计算实现,需在凸优化或数值方法上加强。

11. 2611.01806 — Testing Exogeneity in Nonparametric Instrumental Variable Models

  • 作者: Xiaojun Song, Jichao Yuan
  • 机构: Peking University
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在非参数工具变量模型中提出均值外生性检验,目标是在完备性假设下检验工具变量外生性,避免估计结构函数及其不适定逆问题。原假设等价于涉及普通回归函数的条件矩限制,因此检验基于残差标记的经验过程,并通过二阶辅助U过程进行分析。推导了原假设下和n^{-1/2}阶Pitman型局部备择下的极限分布,并证明对固定全局备择的一致性。分析揭示了非参数估计效应导致直接乘子bootstrap失效,作者提出带定制指示器修正的乘子bootstrap并证明其渐近有效性。模拟显示良好的水平控制和功效优势,工资方程应用提供了对教育均值外生性的反对证据。对您有用:该检验将非参数IV外生性检验转化为条件矩检验,与您的因果推断中IV识别和假设检验兴趣直接相关,且其U过程分析可联系您的高阶U统计量专长。
  • 关键技术: nonparametric instrumental variable, conditional moment restriction, empirical process, U-process of order two, multiplier bootstrap with indicator correction
  • 为什么对您有用: 该文属于因果推断中IV方法的假设检验,直接连接您的IV识别和假设检验兴趣。其核心工具是二阶U过程,您可用very_familiar的高阶U统计量计算(treewidth/einsum)来分析其U过程的复杂度或构造更高效的检验统计量。中期可做:需在semiparametric theory上加强以处理非参数估计效应。

12. 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 8/10 · novelty: survey
  • 摘要: 本文是一篇教学性笔记,旨在统一异方差识别(identification through heteroskedasticity)的已知结果,涵盖波动率机制、GARCH、随机波动率和协变量驱动的方差设定。核心贡献是提出一个引理,用简短的线性代数证明刻画了结构冲击的可识别性:当且仅当某个冲击的方差路径与其他冲击不同时,该冲击可被识别到符号和标签置换;共享同一方差路径的冲击只能识别到旋转。结构系数矩阵的行通过一个广义特征值问题求解,该问题嵌套了Rigobon (2003) 的两机制解。作者特别指出,基于误差二阶矩的秩检验统计的是线性独立的中心化方差路径的个数,而非已识别的冲击个数,并给出模拟验证。对您而言,该文将识别问题转化为特征值构造,与您熟悉的因果识别理论(如IV、proximal CI)中的线性代数工具直接相关,可作为教学参考或方法梳理的起点。
  • 关键技术: generalized eigenvalue problem, identification through heteroskedasticity, rank tests on second moments, linear algebra proof, simulation study
  • 为什么对您有用: 本文属于因果推断中IV/结构方程识别的一个具体分支(异方差识别),与您的identification theory in causal inference直接相关。您可以用very_familiar的线性代数工具(如广义特征值分解)快速验证其引理的正确性,并思考该特征值构造是否可推广到proximal CI的negative control设定中。中期可做:若想深入,需在moderately_familiar的semiparametric theory上加强,以处理非参数方差路径的识别效率问题。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 2611.00538 — Robust Inference for Spiked Eigenspace under Elliptical Distributions

  • 作者: Zeyu Wang, Qing Yang, Xiao Han
  • 机构: University of Science and Technology of China
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究高维椭圆分布尖峰模型下的两个特征空间检验问题:尖峰特征空间是否等于给定子空间,以及给定向量是否为尖峰特征向量。作者提出稳健函数投影(RFP)检验和稳健尖峰方向(RSD)检验,分别基于空间符号协方差矩阵 C_n,对径向分布不变且无需矩条件,并允许背景噪声水平未知。为构造和分析检验,作者建立了广义椭圆空间符号谱统计量(GESS)tr{f(C_n)B_n} 的中心极限定理,覆盖了秩与维度同阶或更小的确定性权重矩阵 B_n 的一般类。核心思想是直接利用 GESS 避免对单个尖峰特征值的一致估计。模拟验证了有限样本性能,LOCATA 声学数据分析展示了其在信号子空间和导向方向评估中的应用。对您而言,该文将高维随机矩阵理论(特别是尖峰模型)与稳健检验结合,且其 GESS 的 CLT 结果可能为您的假设检验工作提供新的工具。
  • 关键技术: spiked covariance model, spatial-sign covariance matrix, generalized elliptical spectral statistics, central limit theorem, robust hypothesis testing
  • 为什么对您有用: 该文直接关联您的高维统计与随机矩阵理论兴趣,特别是尖峰模型下的特征空间推断。您可运用 very_familiar 的高维渐近工具(如随机矩阵谱分析)来验证其 GESS 的 CLT 证明,或探索将 RFP/RSD 检验推广到其他稳健协方差估计。中期可做:若想深入椭圆分布下的半参数效率,需在 moderately_familiar 的半参数理论上加强。

2. hexagon:2610.00675 — Smallest Gaps between Eigenvalues of Wigner Matrices without Smoothness Assumptions

  • 作者: Patrick Lopatto
  • 期刊/来源: Hexagon · 无人类作者署名 · 人类理解:部分
  • 机构: University of North Carolina at Chapel Hill
  • 分类: math.PR
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究实对称 Wigner 矩阵(含 Bernoulli 矩阵)谱内部最小特征值间隙的渐近分布。在无光滑性假设下,作者证明将间隙及其位置乘以 N^{3/2} 后收敛到与高斯正交系综相同强度的 Poisson 点过程。由于单元素扰动可移动特征值至最小间隙量级,标准扰动比较估计无法直接处理任意条目分布;作者转而利用重采样少数随机条目不改变矩阵分布的性质,证明重采样使每对邻近特征值按满足局部极限定理的随机游走移动,并需排除特征向量的算术结构。此外,文中还证明了 N^{-3/2} 至 N^{-1} 尺度间隙数量的强大数定律,并概述了复 Hermitian Wigner 矩阵类似结果的证明。对您而言,该结果将 RMT 的精细局部特征值统计推广到非光滑分布,与您高维统计中 RMT 的应用兴趣直接相关。
  • 关键技术: Wigner matrices, eigenvalue gap statistics, Poisson point process, resampling argument, local limit theorem, random walk
  • 为什么对您有用: 该论文属于高维统计与随机矩阵理论的核心方向,直接对应您 primary interests 中的 random matrix theory。您可用 very_familiar 的高维渐近工具理解其主定理,并尝试将重采样-随机游走论证迁移到其他非光滑随机矩阵模型;中期可做,需在 moderately_familiar 的更高阶 U-统计量理论上长肌肉以分析相关统计量。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2611.01290 — Minimax estimation of linear functionals in the Darcy inverse problem

  • 作者: Yi Liu, Xiaotian Chang, Qirui Hu
  • 机构: York University · Nanyang Technological University · Shanghai University of Finance and Economics
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究 Darcy 逆问题中电导率 f 的线性泛函 ∫fψ 的 minimax 估计,观测为水平 N^{-1/2} 的高斯白噪声下的 u。在线性化实验中,当势函数在参考点有单个非退化极小值时,作者确定了 Sobolev 球上的 minimax 速率。除非沿梯度流的相容性条件成立,速率由 Hessian 在极小点的有效维数 T 决定,而非环境维数:T<4 时速率为 N^{-(2s+T)/(4s+8)},T=4 时出现肘点并带对数因子,T>4 时达到参数速率。在非线性实验中,当参考点处相容性失败且 T≤4 时,下界仍然成立;对具有各向同性临界 Hessian 的类别证明了 minimax 速率,对 T>4 的参考点附近证明了参数速率。在维数不超过 4 时,即使泛函在常数电导率的 Sobolev 邻域内正则,也没有非零线性泛函能被一致地 √N 估计。该结果揭示了逆问题中有效维数对估计速率的影响,与您在高维统计和半参数效率理论中的兴趣直接相关。
  • 关键技术: minimax lower bounds, linearized experiment, effective dimension, Sobolev balls, Gaussian white noise
  • 为什么对您有用: 该论文属于非参数/半参数估计理论,直接关联您的主要兴趣。其核心是刻画线性泛函估计的 minimax 速率,与您熟悉的 minimax 界和半参数效率理论高度相关。您可以用 very_familiar 的 minimax 下界技术(如 Le Cam 方法)验证其速率是否紧,或探索有效维数 T 在其他逆问题中的推广。

2. 2611.00821 — A semi-parametric Bernstein-von Mises theorem at rate \(n^{-3/2}\) for frequency estimation

  • 作者: Paulo Serra
  • 机构: Vrije Universiteit Amsterdam
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究高斯白噪声中未知形状周期信号频率的贝叶斯推断,目标是频率的边际后验,形状为无穷维 nuisance 参数,信息量以 n^3 增长,频率可达到 n^{-3/2} 的估计率。作者对频率和形状赋予独立先验,形状先验为三角基随机级数,并给出条件使信号后验收缩率在 Sobolev 光滑类上达到 minimax(至多对数因子),且自适应于形状光滑度。若先验进一步排除更短周期的形状,频率和形状的边际后验也收缩。在额外条件下(如高斯随机级数先验条件化排除短周期),对最小周期为 1、Sobolev 光滑度大于 3/2 的真实形状,频率的边际后验满足速率为 n^{-3/2} 的半参数 Bernstein-von Mises 定理,证明通过时间原点平移实现,该变换在后验不变时成立。对您可能有用:该结果展示了半参数效率理论中非正则参数(频率)的贝叶斯推断极限,与您对 semiparametric efficiency bounds 和 debiased ML 的兴趣直接相关,可作为非正则半参数问题的理论参照。
  • 关键技术: Bernstein-von Mises theorem, semi-parametric efficiency, random series prior, posterior contraction, minimax rate, time-shift invariance
  • 为什么对您有用: 本文属于半参数与非参数理论,直接连接 primary interest 中的 semiparametric theory 和 efficiency theory;可用您 very_familiar 的 minimax bounds 和 nonparametric statistics 工具来验证其收缩率的最优性,或探讨频率估计的 frequentist 版本与贝叶斯版本在效率上的差异;属于立即可做的理论延伸(如检查其条件是否可放宽至更一般的先验)。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)

1. 2611.03255 — Conditional independence testing through marginal permutation

  • 作者: Jiahao Ai, Ziang Niu
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究条件独立性检验(CI testing)中边际置换(marginal permutation)的失效问题:边际置换会破坏暴露变量与协变量之间的依赖,因此通常不能用于检验 X⊥Y|Z。作者提出经验学生化(empirical studentization)技巧,使得这种故意误设的重采样方案在基于得分的 CI 检验中渐近有效。对于广义线性模型得分,分别对观测得分和置换得分进行学生化,可在零均值模型正确但条件方差任意误设下保证有效性。该方法也适用于广义和投影协方差度量,且能容纳机器学习 nuisance 估计,只需满足置换后重拟合的稳定性条件,文中对常见回归学习器给出了充分条件。置换校准保留了局部一阶功效,同时更好地捕捉稀疏观测带来的有限样本离散性和偏度。模拟和单细胞 CRISPR 筛选分析表明,在有效样本量较小时,所提方法有显著的校准改进。
  • 关键技术: marginal permutation, empirical studentization, conditional independence testing, score-based tests, generalized covariance measures, machine learning nuisance estimation
  • 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之一。其核心是构造在有限样本和渐近下均有效的置换检验,涉及学生化、得分函数和机器学习 nuisance 估计,与您熟悉的非参数和半参数理论有交集。您可以用 very_familiar 的软件开发和估计理论工具快速复现其方法,并进一步探索其在高维或 U-统计量框架下的推广。

2. 2611.04064 — Minimax signal detection in regression under differential privacy

  • 作者: Elly K. H. Hung
  • 机构: University of Warwick
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究在 (ε, δ)-中心差分隐私约束下,线性回归和广义线性模型(GLM)中信号检测的极小极大分离率。目标是在稀疏性未知的情况下,检验回归系数是否全为零,并刻画达到可检测性所需的信噪比阈值。作者证明,在无稀疏性限制时,线性回归和二元响应 GLM 的分离率与私有高斯均值检验的率相差至多 polylog 因子;而对于响应类别数大于 2 的 GLM,边际响应分布中的额外信息允许在高维(p>n)下更快地检测足够小的信号。上界通过归约到私有均值检验、响应与稀疏协变量投影的独立性检验,以及针对未知截距调整的响应-only 检验实现,并自适应未知稀疏性,与下界匹配至 polylog 因子。此外,当 ε≳n^{-1/2} 时,作者构造了多项式时间检验达到这些率,并比较了数值性能。
  • 关键技术: differential privacy, minimax separation rate, signal detection, generalized linear models, sparsity adaptation, polynomial-time tests
  • 为什么对您有用: 本文属于假设检验与高维统计的交叉,直接连接您对 hypothesis testing 和 high-dimensional statistics 的兴趣。它给出了私有设定下信号检测的极小极大率,您可以用 very_familiar 的 minimax bounds 工具来验证其下界构造的紧性,或用 moderately_familiar 的 M-estimation 理论分析其检验统计量的行为。中期可做:若想深入差分隐私与统计检验的交互,需在 differential privacy 的机制设计上补课(目前不在武器库中)。

3. 2611.02914 — Resolution Is Not Accessibility: Coupled Minimax Risk for Reduced Statistical Experiments

  • 作者: Yuzhao Zhu, Jiahui Shao, Dongqi Liu, Xiaoxiao Hu
  • 机构: Lanzhou University
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究缩减实验(reduced experiment)在目标特定(target-specific)意义下能否保持全观测的 minimax 精度。作者在 Gaussian sequence 缩减框架下,给出了有界相对风险和无损性的充要条件,并刻画了缩减的精确代价。核心结果表明,全局渐近 minimax 风险等于在 Sobolev 约束下联合可达前沿上的最大标量区间决策风险,这一恒等式说明在平方根样本量尺度上的正歧义可以保持全观测 minimax 常数。对于参数依赖信息,采样难度与未解析目标变异性共享同一参数预算,作者给出了临界阶分辨率足以保证无损性的尖锐边界准则。在 Poisson 预算下,作者得到精确阈值和二次风险起始条件,并指出 separate-maxima 规划在接近全精度时会导致渐近坐标预算因子发散。最后通过有限样本计算和医学数据、分类器审计区分了观测覆盖与重复测量的影响。
  • 关键技术: minimax risk, Gaussian sequence model, Sobolev constraint, relative risk, losslessness criterion, Poisson budget
  • 为什么对您有用: 本文属于数学统计与假设检验方向,直接关联您对 minimax 理论和渐近效率的兴趣。其核心的 minimax 恒等式和边界准则可视为一种新的效率理论结果,您可以用熟悉的 minimax 界技术验证其紧性,并探索其在高维或非参数设定下的推广。

4. 2611.02130 — Beyond least-favorable distribution pairs: asymptotically instance-optimal robust hypothesis testing

  • 作者: Aytijhya Saha, Aaditya Ramdas
  • 机构: Massachusetts Institute of Technology · Stanford University
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究复合原假设 P 对复合备择 Q 的鲁棒假设检验,目标是超越 Huber-Strassen 最小最大框架,实现渐近实例最优性。作者聚焦于离散分布 TV 球的检验,提出一个计算和内存高效的序贯检验,在 Wald 和 Farrell 两种渐近设定下同时达到最优。核心思想是设计一个检验,其停止时间由 oracle 信息数 inf_{P∈P} KL(S||P) 决定,而非最坏情况下的 LFD 对数似然比。方法上利用 TV 球的几何结构构造自适应检验,避免了 LFD 的保守性。主要结果是证明了该检验在两种设定下均渐近实例最优,且计算复杂度为 O(d)。对您而言,该工作将经典 minimax 检验与实例最优性结合,其序贯设定和 TV 球结构可能为您的假设检验研究提供新的视角。
  • 关键技术: sequential hypothesis testing, instance optimality, total variation ball, Kullback-Leibler divergence, Wald and Farrell asymptotics
  • 为什么对您有用: 直接关联您的假设检验兴趣,特别是复合假设的鲁棒检验;您熟悉的 minimax 理论可用于验证其最优性声明,而序贯设定和 TV 球结构可能启发新的检验设计。

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 9/10 · 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,且该子图类在顶点重标号下不变。在 Gaussian 观测下,作者刻画了强检测所需信号幅度的统计阈值与计算阈值(多项式阶),覆盖多种组合图备择。方法核心是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 scan、average、coordinatewise maximum 检验的下界比较。在低度猜想下,得到与 Gaussian 子矩阵检测匹配的 planted-clique 阈值,并识别出多个 planted cliques、hypercliques、thick cycles 和 thick paths 的新统计-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,得到局部备择机制下的普适阈值尺度。作为推论,Erdős–Rényi 设定下 planted-clique 检测的统计-计算间隙可由 Gaussian 模型推导。
  • 关键技术: low-degree likelihood ratio, second moment method, planted clique, statistical-computational gap, transfer principle, chi-square divergence
  • 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 outsider 的 gateway reading。它清晰展示了统计阈值与计算阈值(低度障碍)的分离,且用二阶矩和低度似然比这一相对初等的工具,便于入门。研究者可用 very_familiar 的 minimax 界和高维渐近工具验证其阈值匹配的紧性,属于立即可做的范畴。

其他 (other, 2 篇)

1. 2611.01690 — Sharp upper and lower bounds on the variance of U-statistics

  • 作者: Kiarash Nikoo, Liqian Zhang, Dennis Leung
  • 机构: The University of Melbourne · University of Manchester
  • 相关性 9/10 · novelty: new_theory
  • 摘要: 本文针对任意阶对称核的 U-统计量,给出了其方差的新上下界,这些界在均匀意义上比 Hoeffding (1948) 经典定理 5.2 中的结果更紧。新界具有强最优性,能精确刻画方差随核阶数变化的标度行为。作为应用,作者利用新的上界改进了基于 Bernoulli 抽样的不完全 U-统计量正态近似的 Berry-Esseen 定理,特别适用于计算预算远小于样本量的计算节俭(computationally frugal)情形。该结果直接关联您对高阶 U-统计量理论的研究,尤其是方差界与不完全 U-统计量的计算-统计权衡问题。
  • 关键技术: U-statistics variance bounds, Hoeffding decomposition, Berry-Esseen theorem, Bernoulli sampling, incomplete U-statistics
  • 为什么对您有用: 直接命中您 primary interest 中的 higher-order U-statistics 理论,且其应用部分涉及不完全 U-统计量的计算-统计权衡,与您对 statistical-computational tradeoff 的 gateway 兴趣有交集。您可以用 very_familiar 的 U-统计量投影理论(Hoeffding 分解)验证其界的最优性,并进一步探索在更一般抽样方案下的推广。中期可做:将新界用于您 moderately_familiar 的 HOIF 理论中,分析高阶影响函数的方差行为。

2. 2611.00753 — Martingalized U-statistics-based sequential inference: a blessing of degeneracy

  • 作者: Weijia Li, Leheng Cai, Qirui Hu
  • 机构: Ruhr University Bochum · Tsinghua University · Shanghai University of Finance and Economics
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文研究退化二阶 U-统计量的序贯推断问题。在核函数退化(即一阶投影为零)时,通常的 U-统计量极限非高斯,导致序贯检验和置信序列的构造困难。作者提出行归一化(row normalization)技巧,在保持目标参数不变的同时,使中心化分子在调和方差时钟(harmonic variance clock)下成为鞅,代价是方差有对数阶膨胀。他们建立了该过程的强高斯逼近,并通过在线更新一致估计方差,从而无需谱分解即可校准。结合高斯混合(GM)和缝合重对数律(stitched LIL)边界,构造了渐近时间一致覆盖的置信序列和相应的序贯检验。进一步扩展到多维向量值核,基于一致协方差估计得到马氏置信椭球。数值实验展示了在双样本、独立性和三样本同质性检验中,序贯第一类错误控制和优于谱基线的检测功效。
  • 关键技术: degenerate U-statistics, row normalization, martingale on harmonic variance clock, strong Gaussian approximation, confidence sequences, stitched law of the iterated logarithm, online variance estimation
  • 为什么对您有用: 本文直接推进您对高阶 U-统计量的理论理解,特别是退化情形下的非高斯极限和序贯推断,与您熟悉的 U-统计量计算和渐近理论高度相关。您可以用 very_familiar 的树宽/张量收缩视角分析行归一化后过程的计算成本,或用 moderately_familiar 的高阶 U-统计量理论验证其强逼近的界是否最优。中期可做:将鞅方法推广到更高阶退化 U-统计量,需先在鞅极限理论(moderately_familiar 之外)上补强。

📌 中相关论文(按主题分组)

因果推断 (causal_inference, 17 篇)

1. 2611.02887 — One-Sample Mendelian Randomization and Instrumental Variable Analyses in R and Stata: The OneSampleMR and ivonesamplemr Packages

  • 作者: Tom Palmer, Nicolai Vitt, Eleanor Sanderson
  • 机构: University of Bristol · MRC Epidemiology Unit
  • 相关性 7/10 · novelty: application
  • 摘要: 本文介绍两个用于单样本孟德尔随机化(MR)的软件包:R 的 OneSampleMR 和 Stata 的 ivonesamplemr。在单样本 MR 中,当个体水平数据可得时,除标准两阶段最小二乘外,还可使用结构均值模型(SMM)以及带非线性第二阶段的两阶段预测替代(TSPS)和两阶段残差包含(TSRI)估计量,尤其适用于二元结局以报告因果风险比或比值比。两个包均通过广义矩方法(GMM)拟合乘法和 logistic SMM 以及带 identity、log-additive、log-multiplicative 和 logit 链接的 TSPS/TSRI,使得标准误同时考虑两阶段估计的不确定性。OneSampleMR 还提供 Sanderson-Windmeijer 条件 F 统计量以评估多暴露模型中的工具强度,ivonesamplemr 则提供移动窗口和分位数内估计的前缀命令以探索非线性暴露-结局关系。作者用同一模拟数据集展示两包结果一致且与现有实现相符。对您而言,这是流行病学应用中 IV 方法的一个实用工具,其 GMM 框架与您熟悉的估计理论直接相关。
  • 关键技术: Mendelian randomization, instrumental variables, structural mean models, two-stage predictor substitution, two-stage residual inclusion, generalized method of moments, Sanderson-Windmeijer conditional F-statistic
  • 为什么对您有用: 本文属于流行病学应用中的工具变量方法,直接对应您的 secondary interest 中的流行病学因果推断应用。您可以用 very_familiar 的估计理论(如 M 估计、GMM 渐近)来审视其标准误构造,或评估其非线性模型的识别假设。

2. 2611.02642 — Reference-based sensitivity analysis for bounded longitudinal outcomes

  • 作者: Divan Aristo Burger
  • 机构: Cytel (United States)
  • 相关性 7/10 · novelty: application
  • 摘要: 本文针对纵向随机试验中结局变量有界且存在边界堆积(如抑郁量表得分)的情况,提出基于参考组的敏感性分析方法。现有方法多假设结局近似高斯连续,难以处理边界值概率非零的情形。作者采用阈值化潜高斯工作模型,将内部观测与潜尺度一一对应,边界观测对应潜值超过阈值,从而在观测尺度上得到连续内部密度与边界正质量的分布。参考组规则施加在潜尺度上,后验预测插补也在潜尺度进行,再映射回原始尺度。模拟评估了模型校准、完整数据对比恢复及插补后总体治疗效应推断,结果显示当分析规则与真实规则匹配时偏差小,但 Rubin 区间偏保守,尤其在 jump to reference 规则下。方法应用于 BtheB 抑郁纵向试验数据。对您而言,该文将敏感性分析与纵向有界结局结合,是因果推断中处理缺失数据的有用参考。
  • 关键技术: reference-based sensitivity analysis, thresholded latent Gaussian model, Bayesian posterior predictive imputation, longitudinal randomized trials, missing at random departures
  • 为什么对您有用: 该文属于因果推断中纵向缺失数据敏感性分析的具体应用,与您的 primary interest 中 causal inference 的 longitudinal 子方向直接相关。您可用 very_familiar 的 estimation theory in causal inference 来审视其 imputation 后估计量的性质,例如 Rubin 区间保守性是否源于有限样本或模型设定。中期可做:若想深入其贝叶斯计算,需在 moderately_familiar 的 M-estimation 或 semiparametric 理论上加强。

3. 2611.02254 — Partial Invariance for Classification under Structural Causal Models

  • 作者: Austin Goddard, Yu Xiang
  • 机构: University of Utah · Florida Atlantic University
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究在多个训练环境下收集数据、对未见环境进行预测的分类问题,目标是在目标生成机制随环境变化时仍能做出可靠预测。作者提出环境标签分离(environment-label separation)这一部分环境不变性概念,将目标条件分布分解为环境不变分量和标签不变分量,并证明在仅有标记训练数据和未标记测试特征时,该分解足以识别未见环境的目标条件分布。在结构因果模型框架下,给出了环境标签分离成立的充分条件,并据此提出 dIMP-Classifier 算法,联合最小化测试风险估计并鼓励跨环境不变性。作者提供了有限样本保证,刻画测试风险与不变性偏差、估计误差和样本复杂度之间的关系。在模拟数据和真实光隧道 Causal Chamber 数据上的实验表明,该方法在目标机制受干预时优于标准基线和基于不变性的基线。对您而言,该工作将部分不变性假设引入分布外预测,与您关注的因果推断中识别假设和敏感性分析方向直接相关,其分解思路可能启发新的识别策略。
  • 关键技术: partial invariance, environment-label separation, structural causal model, invariant risk minimization, finite-sample guarantees
  • 为什么对您有用: 该论文属于因果推断中分布外预测与不变性学习的前沿,直接关联您对因果识别假设和敏感性分析的关注。您可以用 very_familiar 的估计理论在因果推断中的工具(如 influence function 或 minimax 界)来审视其有限样本保证是否紧,或将其分解思想迁移到 proximal CI 的设定中。中期可做:需先在 moderately_familiar 的 semiparametric theory 上加强,以处理其非参数分量。

4. 2611.01485 — A Debiased Machine Learning Single-Imputation Framework for Item Nonresponse in Surveys

  • 作者: Mehdi Dagdoug, David Haziza
  • 机构: McGill University · University of Ottawa
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对调查数据中的项目无回答问题,提出一个去偏机器学习单重插补框架。目标是在缺失机制为随机缺失(MAR)且考虑抽样设计依赖性的设定下,对有限总体均值进行推断。作者指出,直接使用机器学习预测进行传统插补估计会因回归函数估计误差而无法达到根号 n 一致性,因此采用交叉拟合的增广逆概率加权(AIPW)估计量。他们建立了双重稳健性,并证明在适当的正则条件下,两个 nuisance 估计量的一致性加上乘积率条件即可实现 oracle 等价和渐近正态性。文章还推导了同时考虑抽样和未回答的一致方差估计量,并构造了保留观测响应且加权均值精确复现 AIPW 估计的调整插补值。模拟表明交叉拟合能显著降低覆盖不足,但在 nuisance 预测不准确时可能增加均方误差。
  • 关键技术: cross-fitting, augmented inverse-probability weighting (AIPW), double robustness, oracle equivalence, product-rate condition, nuisance aggregation
  • 为什么对您有用: 本文直接连接您的主要兴趣之一——因果推断中的去偏机器学习(DML)方法,并具体到调查抽样与缺失数据场景。您非常熟悉的非参数统计和估计理论可用于验证其乘积率条件与 oracle 等价性证明的严密性;中期可做的是,利用您 moderately_familiar 的 semiparametric theory 来审视其效率界是否达到半参数有效界。

5. 2611.01134 — Selective inference for pruned interaction trees with known unequal variances in randomized trials

  • 作者: Tomoshige Nakamura
  • 机构: Juntendo University
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究随机试验中交互树(interaction trees)在生长和剪枝后对治疗效应异质性进行推断的条件推断问题,目标是对剪枝后保留路径上的条件平均处理效应(CATE)进行精确有限样本推断。在已知不等方差的正定对角协方差条件高斯模型下,作者利用加权正交性将加性固定惩罚剪枝下的存活事件简化为一个二次不等式,从而补充生长事件。这一机制使得保留路径与完整树的推断在兼容区段上一致,并得到精确的有限样本条件检验和置信区间。在因果识别和正确的参考预后假设下,剪枝不变的GLS目标被解释为CATE的带符号有限设计加权对比。模拟研究(n=100至800,深度1至3)表明,忽略剪枝存活会导致过度拒绝,而全数据学习在某些小样本设置下优于50:50诚实程序。该方法对您可能有用,因为它将选择性推断(selective inference)与因果树方法结合,直接关联到您在因果推断中关于异质性估计和推断的长期兴趣。
  • 关键技术: selective inference, interaction trees, generalized least squares, conditional Gaussian model, pruning survival event, exact finite-sample inference
  • 为什么对您有用: 本文直接关联到因果推断中治疗效应异质性(HTE)的估计与推断,特别是树方法在数据复用后的选择性推断问题。您可以用非常熟悉的因果推断估计理论(如CATE的识别与估计)来审视其目标参数的定义,并用您在高维统计中的经验来评估其有限样本性质。中期可做:若要深入其选择性推断的理论细节,需在 moderately_familiar 的 semiparametric theory 上加强,以理解其条件推断框架与经典半参数效率理论的联系。

6. 2611.00549 — Characterizing Estimator-Regime Transitions in Adaptive Enrichment Trials

  • 作者: Xin Luo, Maria Kudela, Margaret Gamalo
  • 机构: Pfizer (United States)
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究自适应富集试验(adaptive enrichment trials)中,在合成对照设计下,针对多个亚组估计处理效应时,应选择样本均值还是双重稳健的靶向最大似然估计(TMLE)族。作者提出一个交叉条件,权衡双重稳健族去除的偏差和效率增益与有限样本下 nuisance 估计带来的方差膨胀;通过模拟定位等误差边界,在样本量和偏差的平面上划分两个估计族。一致性原则用错误族的方差泛函来定价招募成本。在 3 个和 8 个模拟亚组中,边界对均方误差差异的符号预测在 10,302 次比较中有 99.6% 与两倍标准误的判定一致。预先指定的选择器在平方预期偏差超过净方差项时选择双重稳健族。沿该族路径招募的 AUC 损失最高 0.035,而仅用样本均值泛函招募并仅路由分析则可消除此成本及约十分之九的误差超额。
  • 关键技术: targeted maximum likelihood estimation, doubly robust estimation, adaptive enrichment design, synthetic control, simulation-based boundary, pre-specified selector
  • 为什么对您有用: 本文属于因果推断中处理效应估计的估计量选择问题,直接关联您的 primary interest 中的 causal inference 和 efficiency theory。您可以用 very_familiar 的软件开发和 minimax 界工具,验证其边界条件在更一般设定下的紧性,或扩展其选择准则到其他双重稳健估计量(如 one-step)。

7. 2611.02252 — \(P\)-stationary structural equation modeling: Causal effect identification under temporally incomplete observations

  • 作者: Nicolas-Domenic Reiter
  • 机构: Technical University of Munich
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究离散时间非平稳过程中的因果效应识别问题,将结构方程过程(SEP)从平稳情形推广到 P-平稳过程,即其 P 周期采样子过程联合平稳的非平稳过程。作者聚焦于 P-平稳结构向量自回归(SVAR)过程,其系数可随时间 P 周期变化,并在此模型下从图模型视角处理时间上不完整观测下的因果效应识别。主要贡献是给出判定给定不完整观测设置中某组工具过程能否识别 P 周期子过程间因果效应的准则,并证明可识别时效应可表示为观测谱密度的有理函数。该工作为时间序列因果推断提供了新的识别框架,尤其适用于周期性非平稳数据。对您而言,其图模型识别策略与谱密度工具可连接您因果推断中 IV 与纵向设定的兴趣,但方法核心依赖时间序列谱分析,与您常用工具距离较远。
  • 关键技术: structural equation processes, P-stationarity, structural vector autoregression, graphical identification, instrumental processes, spectral density
  • 为什么对您有用: 本文属于因果推断中时间序列与图模型交叉的新设定(P-平稳非平稳过程),直接连接您 primary interest 中的因果识别与纵向设定。您可用 very_familiar 的因果图识别工具(如 d-separation、半参数效率理论)审视其识别准则的完备性,或对比其与现有 IV 方法在周期性数据上的差异。但核心的谱密度与周期平稳分析不在您武器库中,属于中期可做:需先熟悉时间序列谱分析(moderately_familiar 之外)。
  • 作者: Parush Arora
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究双重差分(DID)设计中,当调整时变协变量时,基于安慰剂检验的平行趋势敏感性分析的有效性问题。作者指出,只有当协变量在最早的安慰剂窗口之前测量时,安慰剂估计才能作为真实前趋势的基准;若协变量测量较晚,它已吸收了安慰剂期间的结果冲击,调整后会掩盖部分前趋势,导致安慰剂曲线显得更平坦,从而产生过窄的置信集。文章提出当协变量在早期也有观测时,可以估计并检验这种扭曲。作者调查了90篇近期发表的研究,发现其中77篇至少有一个协变量测量过晚,表明该问题在实践中普遍存在。本文为DID的敏感性分析提供了新的诊断工具和实证警示,对因果推断中的纵向设计和协变量选择有直接指导意义。
  • 关键技术: difference-in-differences, placebo tests, time-varying covariates, sensitivity analysis, pre-trend benchmarking
  • 为什么对您有用: 直接关联您的主要兴趣中的因果推断(DID、敏感性分析、纵向设计),且与您武器库中'identification theory in causal inference'和'nonparametric statistics'高度匹配。本文提出的诊断方法(早期协变量观测)可立即用于您熟悉的DID框架,属于'立即可做'的延伸:可考虑将其扩展到更复杂的纵向因果模型或与proximal CI结合。

9. 2611.03075 — Sharp Fréchet--Hoeffding Bounds under Selectively Incomplete Observation

  • 作者: Rami V. Tabri
  • 机构: Monash University
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究在选择性不完全观测下,联合结果概率的 Fréchet–Hoeffding 界。目标是在没有任何一对结果被同时观测的情况下,利用已知的总体边际分布和部分观测记录来收紧联合概率的界,且不限制观测机制。作者将识别问题精确归约为有限维优化问题,从而得到上下界的可计算刻画。文中通过收入流动性、潜在结果和分裂问卷等例子说明,不完全记录可以显著改善经典 Fréchet–Hoeffding 界。这一结果对因果推断中的部分识别问题(如缺失数据下的 ATE 界)具有直接意义,且其优化归约方法可能对您的高维或半参数效率分析有启发。
  • 关键技术: Fréchet–Hoeffding bounds, partial identification, finite-dimensional optimization, selectively incomplete observation, potential outcomes
  • 为什么对您有用: 本文直接关联您 primary interest 中的 causal inference 部分识别方向(潜在结果、缺失数据下的界),且其将识别问题归约为有限维优化的方法,可用您 very_familiar 的 minimax bounds 和 estimation theory 来验证界的最优性或扩展至高维设定。中期可做:需在 moderately_familiar 的 identification theory 上进一步熟悉,以推广到更复杂的观测机制。

10. 2611.02443 — Selective Randomization Inference for Interference

  • 作者: Takahide Yanagi
  • 机构: Kyoto University
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对存在干扰(interference)的随机化实验中,研究者常先检验干扰存在与否再选择后续模型或假设的常见做法,提出两阶段选择性随机化推断框架。第一阶段用条件随机化方法检验无处理溢出效应的原假设;若拒绝,则在预设暴露映射下检验零暴露对比度原假设,否则在无溢出假设下检验无直接效应原假设。作者证明每个第二阶段检验在有限样本下控制选择性第一类错误率,并通过蒙特卡洛实验评估检验的尺寸和功效。该方法将选择性推断的思想引入干扰场景,为数据依赖的模型选择提供有效推断保障。对您而言,这直接关联因果推断中的干扰与敏感性分析,且其选择性推断框架可能启发您在proximal CI或纵向设定中处理类似的数据依赖选择问题。
  • 关键技术: selective inference, randomization inference, conditional randomization test, interference, exposure mapping, finite-sample Type I error control
  • 为什么对您有用: 本文属于因果推断中干扰场景下的推断方法,直接关联您的primary interest中的causal inference(特别是干扰和敏感性分析)。您可以用very_familiar的估计理论或identification theory来审视其选择性推断框架的假设是否可放松,或将其与proximal CI结合处理更复杂的干扰结构。中期可做:需在moderately_familiar的semiparametric theory上加强,以扩展其有限样本结果到渐近效率分析。

11. 2611.02061 — Looking Forward to Constructing Better Causal Comparisons

  • 作者: Augusto Cerqua
  • 机构: Sapienza University of Rome
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种前瞻性的对照选择框架,利用预后评分(prognostic score)来构建或加权对照组,以改进观测性因果推断中的可比性。预后评分是基于治疗前信息预测未治疗结果的模型,可针对未治疗水平或变化进行预测,具体取决于因果设计的可比性条件。评分可通过未治疗单位的治疗后结果或仅用历史数据估计,并借助表格基础模型(tabular foundation models)在样本有限时提取预测信息。作者推导了估计误差的精确分解,分为预后评分不平衡和预测误差差异两部分,说明预测准确性和评分平衡单独均不能保证因果识别。National Supported Work 应用表明,更强的协变量平衡并不必然带来更接近实验基准的估计,凸显了预后评分比较的实际意义。
  • 关键技术: prognostic score, tabular foundation models, control group construction, error decomposition, observational causal inference
  • 为什么对您有用: 本文直接关联因果推断中的对照选择与敏感性分析,属于主要兴趣方向。可用武器库中的非参数统计和估计理论来评估预后评分估计的收敛性,以及用识别理论分析不同可比性条件下的因果假设。立即可做:基于现有工具可复现其误差分解并检验其在实际数据中的表现;中期可做:需在基础模型预测的不确定性量化上加强;暂不可做:无需额外工具。

12. 2611.00348 — Robustness of Median-based Splitting Rules for Causal Trees

  • 作者: Karolina Gliszczyńska-Schroeder, Jens Klenke
  • 机构: University of Duisburg-Essen
  • 相关性 7/10 · novelty: application
  • 摘要: 本文系统研究因果森林(Athey & Imbens, 2016)在结局分布存在异常值或重尾时的稳健性,目标是估计条件平均处理效应(CATE)。标准实现采用基于均值的分裂准则,对结局扰动敏感,可能导致树结构不稳定和CATE估计不可靠。作者基于Maßmann和Gliszczyńska-Schroeder (2026)提出的中位数分裂准则,实证比较了三种准则:MAD、LMS和MSD。通过蒙特卡洛实验和因果推断文献中的基准数据集,对比中位数方法与标准因果森林的性能,并考察了基于Bootstrap of Little Bags和无穷小刀切的逐点置信区间覆盖率。结果表明,中位数分裂准则在特定场景(如极端重尾噪声和非线性异质性)下能降低对结局异常的敏感性,但收益依赖场景,并非始终带来更准确的CATE估计。对您而言,该工作连接了因果推断中异质性处理效应估计的稳健性问题,且其分裂准则的构造与您熟悉的估计理论相关,可作为稳健因果推断方法的一个参考。
  • 关键技术: causal forests, median-based splitting criteria, MAD, LMS, MSD, Bootstrap of Little Bags, infinitesimal jackknife
  • 为什么对您有用: 该论文直接关联您的主要兴趣——因果推断中的异质性处理效应估计,具体是CATE估计的稳健性问题。您可以用您非常熟悉的估计理论(如M估计、稳健统计)来审视中位数分裂准则的理论性质,例如其影响函数和渐近效率。从问题发现角度看,这是一个立即可做的方向:您可以用您熟悉的非参数统计和M估计工具,分析这些分裂准则在重尾下的理论保证,甚至提出改进的稳健分裂准则。

13. 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年代产假政策改革对儿童测试成绩和母亲就业的因果效应,目标估计量是政策扩展的意向性处理效应(ITT)。由于数据中政策资格变量存在测量误差,传统断点回归(RD)设计失效,且现有测量误差修正方法不适用。作者提出一种基于插补的简单解决方案,保留RD的非参数识别和透明性优势,并在测量误差具有经济含义时仍有效。实证结果显示,延长带薪产假改善了儿童成绩但降低了母亲就业,而仅延长工作保护对儿童无显著影响。该方法为处理RD中非经典测量误差提供了新思路,对因果推断中利用政策断点但数据不完美的场景有直接参考价值。
  • 关键技术: regression discontinuity, measurement error correction, imputation-based estimator, nonparametric identification, intention-to-treat effect
  • 为什么对您有用: 本文直接关联因果推断中RD设计在测量误差下的识别与估计问题,属于您primary interest中的causal inference方向。您可以用very_familiar的估计理论(如非参数估计的偏差-方差权衡)来评估插补方法的有限样本性质,或与您moderately_familiar的identification theory结合,探讨测量误差结构对识别假设的影响。中期可做:若想推广到更一般的测量误差模型,需在semiparametric theory上加强。

14. 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 7/10 · novelty: new_method
  • 摘要: 在双边市场实验中,个体间的干扰会严重偏倚传统 A/B 检验。虽然双边随机化(TSR)能缓解此偏倚,但现有分析多聚焦于极端供需约束情形,对实践中常见的平衡市场缺乏估计量选择指导。本文提出 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引起的偏倚。在简化平均场市场模型下,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 的偏倚严格更小,且两者偏倚方向相反(DD 低估、TSRN 高估)。大量数值实验在异质性处理效应、供需失衡及不同市场结构下验证了理论发现,DD 在多数配置中偏倚最低。该工作为平台实验中的干扰稳健估计提供了新工具,与您的因果推断(尤其是干扰与实验设计)方向直接相关。
  • 关键技术: two-sided randomization, interference-robust estimation, mean-field market model, bias correction, paired outcome contrasts
  • 为什么对您有用: 该论文属于因果推断中干扰下的实验设计,直接关联您的 primary interest 中的 causal inference 子方向(平台实验、干扰稳健估计)。您可用 very_familiar 的估计理论(如 influence function 视角)分析 DD 估计量的方差-偏倚权衡,或将其与现有 DR/正交估计量比较,属于立即可做的 follow-up。

15. 2611.00488 — Time-Specific Multinomial Logistic Regression for Competing Risks

  • 作者: Haoxuan, Zhou, Xiaoqiong, Hu, Yi Xiong, Yan Yuan
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对儿童癌症幸存者研究(CCSS)中早绝经的竞争风险数据,提出时间特异性多分类逻辑回归模型,以估计各原因在特定年龄的因子效应。数据为双重删失事件时间数据,存在竞争风险(早发性卵巢功能不全与手术性早绝经)。作者先拟合各原因独立的二元逻辑回归,但该方法无法保证估计的累积发生率之和不超过1,因此改用多分类逻辑回归联合建模所有原因特异性风险。提出两种基于逆删失概率加权(IPCW)的估计方程,并引入Firth型惩罚以处理数据分离导致的估计不稳定。采用三明治方差估计标准误,并改编加权拟似然信息准则结合向后消除法进行协变量选择。模拟研究评估了一致性、效率和稳健性,Firth校正显著降低了分离偏差并提供了有效的标准误估计。CCSS数据分析显示治疗相关协变量对早发性卵巢功能不全有显著影响,但对手术性早绝经不显著。
  • 关键技术: multinomial logistic regression, inverse-probability-of-censoring-weighting (IPCW), Firth penalization, sandwich variance estimator, weighted quasi-likelihood information criterion, competing risks
  • 为什么对您有用: 本文属于流行病学应用中的因果推断方法,直接关联您的secondary interest中的流行病学应用方向,且其处理竞争风险和双重删失的IPCW估计框架与您的因果推断兴趣(如纵向数据、删失处理)有方法学交集。您可以用very_familiar的估计理论(如M估计)来审视其估计方程的性质,或用moderately_familiar的识别理论来评估其因果解释的假设。中期可做:若想深入,需在semiparametric theory上加强,以处理更复杂的删失机制。

16. 2611.01854 — Exploiting Locally Exogeneous Variation in Spatial Data: Linear Regression with Many Small Units

  • 作者: Christopher W. Engh
  • 机构: Yale University
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究空间数据中利用局部外生变异进行因果推断的问题,设定为区域平均数据(如县级、普查区级)的线性回归模型,允许存在内生性、自相关或伪相关。作者提出在 infill 渐近框架下,当空间单元数量趋于无穷而每个单元面积缩小时,广义最小二乘(GLS)估计量的一致性和渐近正态性条件。核心机制是利用空间数据的局部外生变异——即邻近单元的外生冲击——来识别因果效应,即使总体层面存在内生性。文中给出了充分条件,并讨论了有效的推断方法。主要理论贡献是建立了空间 infill 渐近下 GLS 的统计性质,为实证研究者提供了利用空间结构进行因果推断的理论依据。对您可能有用:这与您在因果推断中关于 identification 和估计理论的研究直接相关,特别是当处理空间或纵向数据时,可借鉴其 infill 渐近框架来扩展您的工具。
  • 关键技术: infill asymptotics, generalized least squares, spatial autocorrelation, local exogeneity, regional averages
  • 为什么对您有用: 本文属于因果推断中 identification 和估计理论的具体应用,与您 primary interests 中的 causal inference 和 semiparametric theory 相关。您可以用 very_familiar 中的 minimax bounds 和 estimation theory 来评估其 infill 渐近下 GLS 的效率,或结合您对 higher-order U-statistics 的熟悉度,分析其估计量的高阶性质。中期可做:若想深入,需在 moderately_familiar 的 semiparametric theory 上加强,以处理更复杂的空间依赖结构。

17. 2611.00677 — When Does \(N\) Buy Precision? Heterogeneous Responses to Aggregate Shocks in Micro Panels

  • 作者: Mahmut Ablay, Mengshan Xu, Endong Wang
  • 机构: Central Bank of the Republic of Turkey · University of Mannheim
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究微观面板数据中估计异质性响应(heterogeneous responses)到总体冲击(aggregate shocks)的两种主流方法:面板局部投影(panel LPs)与面板向量自回归(panel VARs)之间的效率-稳健性权衡。在正确设定下,panel VAR 估计量以 (NT)^{-1/2} 速率收敛,而 panel LP 估计量仅以 T^{-1/2} 速率收敛,这与时间序列文献中的经典结果形成对比。当异质性响应函数为非参数时,panel VAR 遭受非参数速率损失,而 panel LP 在适当光滑性和面板增长条件下仍保持参数 T^{-1/2} 速率。作者提出一个 Hausman 型检验用于在两者之间选择,该检验对 panel VAR 的两种误设定形式具有功效。实证部分使用土耳其行政企业级数据估计企业异质性对货币政策冲击的响应。
  • 关键技术: panel local projections, panel VAR, Hausman-type test, nonparametric rate, heterogeneous treatment effects
  • 为什么对您有用: 直接关联因果推断中纵向/面板数据下的异质性效应估计,且涉及效率理论(收敛速率比较)与假设检验(Hausman 型检验)。可用 very_familiar 的 minimax bounds 与 high-dimensional asymptotics 工具验证其速率声称,或中期用 moderately_familiar 的 semiparametric theory 分析非参数响应函数的效率界。

高维统计 / 随机矩阵 (high_dim_rmt, 5 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)阈值处实现弱恢复,且对任意固定平均度 d>1 成立,突破了以往需要 d 足够大的限制。该阈值在对称两社区模型下是信息论最优的,并被认为是更广对称模型中高效恢复的极限。方法上,作者识别出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当,但使用的是 Hermitian n×n 矩阵,计算上更简单。对您而言,这是谱方法在SBM中达到KS阈值的精确刻画,与您的高维统计和随机矩阵理论兴趣直接相关。
  • 关键技术: Bethe Hessian, stochastic block model, Kesten-Stigum threshold, spectral clustering, Green's function, Poisson tree approximation
  • 为什么对您有用: 本文属于高维统计与随机矩阵理论(RMT)在社区检测中的应用,直接对应您 primary interest 中的 high-dimensional statistics (Random matrix theory)。您可以用 very_familiar 的 high-dimensional asymptotics 和 minimax bounds 工具来验证其恢复保证的紧性,或进一步分析Bethe Hessian在更一般模型下的谱行为。具体而言,您可尝试用 RMT 的局部律或离群特征值分析来简化其证明,或探索其与 non-backtracking 矩阵的谱等价性。这是立即可做的方向,因为您已熟悉相关谱分析和渐近工具。

2. 2611.00152 — Inference in an interactive multi-type branching network

  • 作者: Gunay Hasanli, Michel Mandjes, Jiesen Wang
  • 机构: Leiden University · Macquarie University
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究一个高维随机交互模型(多类型分支过程网络)的统计推断问题,其中观测数据仅为低维聚合量(每个个体的发送和接收总数),而潜在的双向交互计数不可观测。目标是从压缩观测中恢复控制潜在成对动态的参数,这构成一个逆问题。作者将模型设定为带移民的相互交互分支过程,并利用聚合数据的矩结构建立估计方程。方法上,他们可能采用矩估计或拟似然方法,并结合高维渐近理论分析估计量的相合性和渐近分布。主要理论结果包括在特定稀疏性和聚合条件下估计量的收敛速率,以及可能的最优性讨论。对您而言,该问题涉及高维参数从低维聚合数据中恢复的逆问题,与您在高维统计和逆问题方面的兴趣直接相关,且其分支过程设定可能为因果推断中的动态系统建模提供新视角。
  • 关键技术: branching processes with immigration, moment-based estimation, high-dimensional inverse problems, aggregate data, asymptotic normality
  • 为什么对您有用: 本文涉及高维参数从低维聚合数据中恢复的逆问题,与您在高维统计和逆问题方面的兴趣直接相关。您可以用 very_familiar 的 minimax bounds 工具分析其估计量的最优性,或用 moderately_familiar 的 M-estimation 理论验证其渐近性质的证明。中期可做:若想深入,需在 moderately_familiar 的 semiparametric theory 上加强,以处理聚合带来的信息损失。

3. 2611.03001 — Features Extraction Across Multi-Source Heterogeneous Data

  • 作者: Wenbo Li, Xianli Zeng, Weiming Li, Zeng Li
  • 机构: Xiamen University · Southern University of Science and Technology · Shanghai University of Finance and Economics
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究多源高维数据的异质主成分分析,目标是在各源共享结构和特有结构并存时,恢复公共与私有的主子空间,且维数未知。作者提出两阶段框架 FE:先用基于特征向量的 ESC 估计器确定各源的 PC 数(而非基于特征值),再通过比较跨源的偏差校正内积来匹配公共特征的位置,从而无需迭代优化即可得到公共和特有子空间的估计。在尖峰协方差模型下,当维度和样本量同阶增长时,建立了估计量的一致性。模拟实验和联邦图像数据、美国房价数据的应用展示了 FE 在秩恢复、子空间估计和数据重构方面的性能。该方法与您的高维统计和随机矩阵理论兴趣高度相关,特别是特征向量行为在尖峰模型中的利用。
  • 关键技术: spiked covariance model, eigenvector-based spike-count estimator, bias-corrected inner products, high-dimensional asymptotics, subspace estimation
  • 为什么对您有用: 本文直接涉及高维统计与随机矩阵理论中的尖峰模型,特别是特征向量在维度与样本量同阶时的渐近行为,与您 primary interest 中的 high-dimensional statistics 和 random matrix theory 紧密相连。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来检验其估计量的最优性,例如比较其子空间估计的收敛速率是否达到 minimax 下界。此外,其基于特征向量的秩选择方法可能对您熟悉的 U-statistics 投影技术有启发。总体而言,这是一篇值得精读的方法学论文,且立即可做 follow-up 分析。

4. hexagon:2610.00718 — Beyond Small Balls: A Determinant Inequality for Functions of Matrix Gaussian Series

  • 作者: Suvrit Sra
  • 期刊/来源: Hexagon · 人机混合 · 人类理解:全部 · 工具: GPT Pro / Claude
  • 分类: math.PR · math.FA · math.MG
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究矩阵高斯级数 X=Σ g_i B_i(g_i 为标准正态,B_i 对称且 Σ B_i^2 ⪯ I_d)的算子范数小球不等式的一个函数推广。作者证明:对任意偶的 log-concave 函数 f,有 E det f(X) ≥ (E f(κG))^d,其中 κ=13/5,G 为标准高斯。证明将每个函数约化为一个小球估计,该估计来自矩阵加权 Poincaré 不等式,其余部分通过谱上的平均值控制。文中还给出了等价的熵表述,并构造反例说明不存在小于 √(π/2) 的通用 dilation,并猜想该值最优。该结果将经典的高斯小球不等式从范数推广到行列式泛函,可能对高维随机矩阵的谱统计和集中不等式有潜在应用。
  • 关键技术: matrix Gaussian series, small-ball inequalities, log-concave functions, matrix-weighted Poincaré inequalities, determinant inequalities, entropy formulation
  • 为什么对您有用: 本文属于高维随机矩阵理论(RMT)的谱集中不等式方向,与您 primary interest 中的 high-dimensional statistics & random matrix theory 直接相关。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 视角,检验该不等式在协方差矩阵估计或谱统计推断中的紧性;也可用 moderately_familiar 的 semiparametric theory 思考其在函数型估计中的应用。该结果目前是理论性 paper,方法学 novelty 标记为 new_theory,可作为 RMT 谱集中不等式的补充阅读。

5. 2611.01903 — Federated Estimation of Loading Spaces in Tensor Factor Models under Differential Privacy

  • 作者: Zetai Cen, Fan Wang, Haeran Cho
  • 机构: University of Bristol · The University of Melbourne
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究联邦差分隐私下的Tucker张量因子模型,目标是在各客户端数据不能集中且需满足差分隐私约束时,估计共同的加载空间。方法结合了私有稳定性检验、Huber聚合和客户端的高斯扰动,以及服务端的加权聚合,允许异构样本量、隐私预算和因子强度。作者建立了非渐近上界,该上界由局部平方误差率的缩放调和平均控制,并在强因子、固定因子秩和固定噪声方差下证明了达到对数因子的极小极大最优性。还开发了无需噪声水平或客户端特定因子强度知识的私有校准程序,用于选择局部调参参数和聚合权重,该自适应估计器保持隐私保证并达到oracle调参的误差率。通过模拟实验和Meditation Traits EEG数据集的应用展示了有限样本性能。
  • 关键技术: Tucker tensor factor model, federated differential privacy, Huber aggregation, Gaussian perturbation, stability testing, minimax optimality, adaptive calibration
  • 为什么对您有用: 本文属于高维统计与张量分解的交叉,与您的高维统计兴趣直接相关,且涉及隐私约束下的估计问题,可能对您在高维推断和统计计算方面的研究有启发。您熟悉的非参数统计和极小极大界工具可用于验证其理论结果,但差分隐私和联邦学习的机制可能不是您当前武器库的核心,属于中期可做的方向。

非参数 / 半参数 (nonparam_semipara, 10 篇)

1. 2611.03552 — Nonparametric Intensity Estimation for Covariate-Driven Poisson Processes Using Deep Learning

  • 作者: Atsutomo Yara, Yoshikazu Terada
  • 机构: The University of Osaka · RIKEN Center for Advanced Intelligence Project
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究协变量驱动的 Poisson 过程强度函数的非参数最大似然估计(NPMLE),目标是在强度可能趋近于零的设定下估计条件强度函数。作者提出一种统一方法,避免传统 KL 风险分析中真强度需有正下界的限制性假设,并推导出关于协变量平均 Hellinger 距离的 oracle 不等式。作为应用,他们建立了基于深度神经网络(DNN)的 NPMLE 的收敛速率,证明 DNN 能像非参数回归中那样利用底层结构(如组合结构、低维流形结构)缓解维数灾难,并在组合结构下达到近乎 minimax 最优的速率。模拟显示 DNN 估计器在多数设定下优于核估计器,流形核在某些设计下仍有竞争力。最后,作者用 Allen Brain Observatory 的神经尖峰数据验证了 DNN 方法在样本外对数似然上优于条件核估计器。对您而言,该文的 oracle 不等式与 DNN 自适应速率分析技术,可迁移到您熟悉的非参数与半参数效率理论中,用于处理类似边界或退化问题。
  • 关键技术: nonparametric maximum likelihood estimation, oracle inequality, Hellinger distance, deep neural networks, compositional structure adaptation, manifold adaptation
  • 为什么对您有用: 本文属于非参数与半参数理论方向,直接对应您的 primary interest 中的 semiparametric and nonparametric theory。其 oracle 不等式和 DNN 自适应速率分析是您熟悉的工具(如 empirical process、minimax 界),可用 very_familiar 的 minimax bounds 和 nonparametric statistics 来验证其速率是否紧,或推广到其他退化设定。中期可做:若想深入 DNN 理论,需在 moderately_familiar 的 M-estimation 理论上加强。

2. 2611.03391 — Specification LASSO and a Flexible Characteristics-Based Asset Pricing Model

  • 作者: Chaohua Dong, Shuyi Ge, Shaoran Li, Wen Su
  • 机构: Zhongnan University of Economics and Law · Nankai University · Peking University · University of Oxford
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究高维部分线性可加模型,允许变量间交互,目标是在变量选择和模型设定上同时实现一致性。作者提出 Specification LASSO (S-LASSO),一种两步法:先用 LASSO 筛选重要变量,再用 Adaptive Group LASSO 区分线性与非线性成分并估计交互项。理论上,S-LASSO 在正则条件下具备选择相合性和渐近正态性的 oracle 性质。Monte Carlo 模拟显示 S-LASSO 在多种场景下优于现有方法。实证部分将其应用于特征资产定价模型,研究公司特征对横截面收益的线性和非线性效应及其与公司规模的交互。对您而言,该文的半参数可加模型设定与高维选择理论结合,与您在半参数/非参数理论及高维统计的兴趣直接相关,其 oracle 性质证明思路可借鉴。
  • 关键技术: Specification LASSO, Adaptive Group LASSO, partially linear additive model, oracle property, variable selection
  • 为什么对您有用: 该文属于半参数/非参数理论方向,具体是部分线性可加模型的高维变量选择与模型设定,与您的 primary interest 中 semiparametric and nonparametric theory 和 high-dimensional statistics 直接相关。您可以用 very_familiar 的非参数统计和 minimax 界工具来审视其 oracle 性质的证明是否紧,或考虑将 higher-order U-statistics 的 treewidth 视角用于分析其估计量的计算成本。中期可做:若想深入其 Adaptive Group LASSO 的理论,需在 moderately_familiar 的 M-estimation 理论上再加强。

3. 2611.00471 — Mutual Information Estimation via Triangular Transport Maps: Finite Sample Guarantees and Sample Allocation

  • 作者: Fengyi Li
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究基于三角传输映射的互信息估计的有限样本保证。估计流程是:先用训练样本学习条件密度和边际密度,再在独立的评估样本上通过蒙特卡洛计算对数密度比。作者将条件密度视为关于条件变量分布与 Lebesgue 测度乘积的普通密度,从而在可实现的 Hölder 类上建立了三角传输映射条件密度估计的非渐近误差界。基于此,推导出互信息估计器的有限样本均方误差上界,并刻画了在固定样本预算下训练与评估样本的最优分配比例。数值实验验证了理论预测的训练与评估误差率以及样本分配权衡。对您而言,该文的样本分配分析思路可迁移到您熟悉的交叉拟合(cross-fitting)框架下的效率理论问题,值得关注。
  • 关键技术: triangular transport maps, conditional density estimation, Hölder classes, finite sample bounds, sample allocation, Monte Carlo integration
  • 为什么对您有用: 该文属于非参数与半参数理论方向,直接关联您的主要兴趣。其核心机制——将条件密度估计转化为普通密度估计并利用独立评估样本——与您熟悉的交叉拟合思想相通,您可以用 very_familiar 的非参数估计和 minimax 界工具来检验其样本分配结论是否最优,属于立即可做的 follow-up。

4. 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: 本文研究加性模型中分量函数的联合推断问题,目标是构造同时置信带并检验各加性分量是否为零。作者提出基于最小二乘线性回归启发的偏差校正光滑回拟合估计量,并建立其渐近性质。他们证明这些估计量的均匀误差分布收敛到 Gumbel 型分布,据此构造同时置信带,并开发了实用的基于残差的检验程序。模拟和实证分析表明,所提估计量相比若干现有估计量降低了偏差并提高了估计精度,同时置信带的经验覆盖率与 oracle 版本相当。
  • 关键技术: smooth backfitting, bias correction, simultaneous confidence bands, Gumbel-type distribution, uniform error approximation, residual-based testing
  • 为什么对您有用: 本文属于非参数/半参数理论中的同时推断问题,直接关联您的主要兴趣之一。您熟悉的非参数统计和极小极大界工具可用于评估其偏差校正估计量的最优性,而您对经验过程方法的掌握有助于理解其均匀误差收敛证明。中期可做:若想深入其 Gumbel 逼近的精细常数,需在极值理论(moderately_familiar 之外)上补课。

5. 2611.02716 — Conditional expectile-based value-at-risk: Semiparametric estimation and inference

  • 作者: Yuhan Ma, Heng Peng, Feipeng Zhang
  • 机构: Xi'an Jiaotong University · Hong Kong Baptist University
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究非线性时间序列模型中条件 expectile-based value-at-risk (EVaR) 的半参数估计与推断问题。现有方法要么依赖可能误设的参数模型,要么受非参数方法的维数灾难困扰。作者提出两步估计量,利用非参数估计误差的一阶性质,使条件 EVaR 估计达到参数收敛速率。进一步推导了条件 EVaR 过程的泛函中心极限定理,并扩展至条件 expectile-based expected shortfall 和条件分布的估计。为便于实践者使用,提出残差 bootstrap 程序进行统计推断。数值模拟和 S&P 500 收益率的实证应用验证了方法的有效性。该文将半参数效率思想应用于金融风险度量,其两步估计和 bootstrap 推断框架对您在半参数理论及统计计算方面的兴趣有直接参考价值。
  • 关键技术: two-step semiparametric estimation, functional central limit theorem, residual bootstrap, nonlinear time series, expectile regression
  • 为什么对您有用: 本文属于半参数估计与推断方向,直接关联您的 primary interest 中的 semiparametric and nonparametric theory 和 efficiency theory。其两步估计达到参数速率,可尝试用您 very_familiar 的 minimax bounds 工具分析其最优性;同时残差 bootstrap 的推断方法可考虑用您 moderately_familiar 的 M-estimation 理论进行验证。中期可做:若想深入其 bootstrap 理论,需在 empirical process 上加强。

6. 2611.02466 — Joint Estimation and Grouping of Quantile Association Curves across Multiple Responses

  • 作者: Tianying Wang, Yanyuan Ma, Ying Wei
  • 机构: Colorado State University · Pennsylvania State University · Columbia University
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种分位数回归方法,用于在多个响应变量上联合估计并分组随年龄变化的关联曲线。在条件分位数尺度上,通过分组B样条拟合,利用信息准则同时选择组数和组成员。作者建立了组恢复的一致性、曲线收敛速率以及组选择后的可行逐点推断,且这些性质随样条维度增长而成立。分析区分了真实曲线差异与共享曲线因分开样条逼近带来的改进。在估计的分位数尺度上的误差在共享曲线的合并与分开拟合比较中部分抵消,但仍可能贡献于曲线估计量的渐近方差。在127,040名40至70岁的UK Biobank女性中,九个代谢性状与2型糖尿病多基因风险评分的关联被分为七组(中位数),而低分位数和高分位数分别为三组和四组。该方法识别出中位数关联不同但尾部关联相似的性状,从而在曲线一致处实现信息合并。
  • 关键技术: quantile regression, varying-coefficient models, B-spline sieves, information criterion, group selection, post-selection inference
  • 为什么对您有用: 本文属于非参数/半参数理论方向,直接关联您对semiparametric & nonparametric theory的兴趣,特别是分组B样条估计的渐近性质。您可以用very_familiar的非参数统计和minimax bounds工具来审视其曲线收敛速率是否最优,或用moderately_familiar的M-estimation理论验证其推断的可行性。该应用涉及大型生物库数据,可作为流行病学中遗传关联研究的示例,但方法学贡献是主要的。

7. 2611.01857 — Inference for conditional Fréchet means via Riemannian Robust Bias Correction

  • 作者: Ryunosuke Miyazaki, Chang Jun Im
  • 机构: Hitotsubashi University · Seoul National University
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文在有限维黎曼流形上研究条件 Fréchet 均值的推断问题,其中预测变量和响应变量均取值于流形。作者通过对数映射在切空间中推导出平滑偏差的二阶展开,并证明该偏差会影响一阶推断。他们提出黎曼稳健偏差校正(RRBC)方法,利用响应切空间中的局部二次回归估计主导平滑偏差,并通过指数映射校正估计量。留一法(LOO)协方差估计器使用全样本与 LOO RRBC 估计之间的内在位移,以考虑偏差校正估计的可变性及其与局部线性估计器的协方差。作者建立了渐近有效的逐点置信集和同时置信带,且无需欠平滑。在球面和对称正定矩阵上的模拟表明,当平滑偏差不可忽略时,RRBC 能提高覆盖率;心血管和洋流应用展示了同时假设检验和平滑泛函的推断。该方法对您在半参数与非参数理论中的兴趣有直接关联,特别是其偏差校正策略与去偏机器学习的思想相通,且流形上的推断框架可拓展至因果推断中的非欧响应设定。
  • 关键技术: Riemannian robust bias correction, local quadratic regression, leave-one-out covariance estimation, simultaneous confidence tubes, Fréchet means
  • 为什么对您有用: 本文属于非参数与半参数理论方向,直接关联您对条件 Fréchet 均值和流形上推断的兴趣。其偏差校正与 LOO 协方差估计的思路可迁移至您熟悉的非参数统计和去偏估计框架,例如用更高阶 U 统计量的投影思想分析其偏差项。就 follow-up 而言,该文方法基于局部多项式回归,您可立即用非常熟悉的非参数工具复现或扩展;但流形上的几何细节(如对数/指数映射)可能需要短期熟悉,属于中期可做的范畴。

8. 2611.02316 — Metric Subtraction for Non-Euclidean Random Objects with Applications to Residual Analysis

  • 作者: Jiazhen Xu, Takuo Matsubara, Han Lin Shang
  • 机构: Macquarie University · The University of Sydney
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对非欧几里得回归模型(响应值位于度量空间,如球面、对称正定矩阵、单纯形、Wasserstein 空间)提出一种度量减法框架,以在原始响应空间中定义残差,并使其条件 Fréchet 均值在模型正确设定下等于固定参考对象。作者给出了条件中心化性质的充分条件,并单独给出距离保持的条件,从而为构造合适的度量减法算子提供原则。基于该框架,他们开发了一个随机化检验来检测剩余的条件位置效应,并建立了其渐近尺寸和对固定备择的功效。此外,还提出了两种互补的诊断工具(符号距离图和基于距离分布的箱线图)以及渐近有效的残差预测集。模拟和两个真实数据应用(纽约自行车使用分布、美国发电构成)展示了该框架在模型评估、残差诊断和预测中的实用性。对您而言,该工作将非参数回归的残差分析推广到非欧几里得响应空间,与您的非参数/半参数理论兴趣直接相关,且其条件 Fréchet 均值的中心化性质可视为一种非欧几里得版本的半参数可识别性条件。
  • 关键技术: metric subtraction, Fréchet mean, randomized test, residual diagnostics, prediction sets
  • 为什么对您有用: 该论文属于非参数/半参数理论方向,具体涉及非欧几里得响应空间的回归诊断和推断,与您的 primary interest 中的非参数/半参数理论高度相关。您可以用 very_familiar 中的非参数统计和 minimax 界工具来审视其条件中心化条件的紧性,或探索其随机化检验在更高阶 U-统计量框架下的推广(例如检验残差的高阶矩结构)。中期可做:需先在 moderately_familiar 的 semiparametric theory 上进一步熟悉 Fréchet 均值的半参数效率理论,以评估其检验的局部功效。

9. 2611.00680 — The Statistical Geometry of Latent Recovery in Hidden Markov Models

  • 作者: Trang Pham, Dung Le, Alessandro Rinaldo, Nhat Ho
  • 机构: The University of Texas at Austin
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究隐马尔可夫模型(HMM)中潜在状态恢复的统计几何,目标是在发射分布接近重合时,刻画潜在量估计的收敛速率。作者推导了确定性逆不等式,将拟合密度与真实密度之间的 Hellinger 误差转化为潜在恢复误差的界,适用于具有共同已知发射协方差矩阵的多元高斯 HMM。结合全局最大似然估计的 Hellinger 估计保证,获得了潜在恢复速率。关键洞察是,尽管联合观测分布是包含指数多条路径分量的高斯混合,但各时间点的发射中心共享,因此分离指数由同时接近的发射中心的最大数量决定,而非路径分量数。在精确设定下,状态序列概率差异和潜在位置分布的 1-Wasserstein 损失的全局界具有不随所选时间数增加的尖锐分离指数;在过设定下,个体分裂状态转移行不可识别,但可量化聚合恢复误差。合成实验验证了理论结果。
  • 关键技术: Hellinger distance, inverse inequalities, global maximum likelihood estimation, Gaussian mixture models, Wasserstein distance, over-specification analysis
  • 为什么对您有用: 本文属于非参数/半参数理论中潜在变量模型的估计问题,与您的非参数与半参数理论兴趣直接相关。您可以用非常熟悉的非参数统计和极小极大界工具来审视其逆不等式是否最优,或探索将分离指数与更高阶 U-统计量结合以改进有限样本界。中期可做,需在 semiparametric theory 上进一步积累。

10. 2611.02158 — Directional Nonlinear Principal Components: a measure transportation approach

  • 作者: Marc Hallin, Klaus Nordhausen, Una Radojicic
  • 机构: Czech Academy of Sciences · Université Libre de Bruxelles · University of Helsinki · TU Wien
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种基于测度输运的非线性、有方向的主成分分析(PCA)方法,旨在克服经典PCA在线性且双向(方向±u仅差符号)假设下的局限。作者利用测度输运中的最优映射,将数据变换到具有方向性的主曲线空间,通过最大化期望平方弧长来定义主方向,从而保留经典PCA的直观解释。该方法无需椭圆对称假设,适用于更一般的分布,并能区分u与-u方向。理论部分建立了估计量的渐近性质,并通过数值实验展示了其在实际数据中的优势。对您而言,该方法将测度输运与半参数效率理论结合,可能为高维或非参数设定下的降维与推断提供新视角。
  • 关键技术: measure transportation, optimal transport maps, principal curves, directional PCA, nonlinear dimension reduction
  • 为什么对您有用: 本文属于非参数与半参数理论方向,与您对非参数方法的兴趣直接相关。其核心思想——利用测度输运构造非线性主曲线——可能为您的半参数效率理论或高维统计研究提供新的建模工具。从武器库看,您对非参数统计和逆问题很熟悉,可尝试用最优输运的现有理论分析其估计量的收敛性,属于立即可做的方向。

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 7/10 · novelty: new_method
  • 摘要: 本文研究在非参数第一阶段估计生成离散类型变量(如缺失的人口统计属性、创新企业分类等)后,进行 GMM 推断的问题。由于第一阶段误差即使很小也可能导致类型标签的离散变化,plug-in 估计量存在正则化偏差,且标准的 DML 偏差校正项在此不适用。作者提出用光滑核函数和收缩带宽 b 对离散类型指示函数进行平滑,从而构造定义良好的 Neyman 正交得分和去偏估计量。在正则条件下,该去偏估计量达到 sqrt(Nb) 一致性和渐近正态性,其中较慢的收敛速度是校正正则化偏差的代价。该工作为经济应用中基于机器学习预测离散属性的因果推断提供了理论保障。
  • 关键技术: double/debiased machine learning, Neyman-orthogonal score, kernel smoothing, GMM inference, nonparametric first-stage estimation
  • 为什么对您有用: 本文直接关联您的主要兴趣中的 efficiency theory 和 debiased ML,特别是处理非参数第一阶段估计进入不连续矩函数时的偏差校正问题。您可以用 very_familiar 的 minimax bounds 和 nonparametric statistics 工具来审视其 sqrt(Nb) 收敛率是否最优,或探索在更高阶 U-统计量框架下的推广。中期可做:若想深入其正交得分构造,需在 semiparametric theory 上进一步巩固。

数理统计 / 假设检验 (hypothesis_testing, 23 篇)

1. 2611.03155 — Minimax regret and monotone optimality in multiple testing

  • 作者: Lei Li, Yuexiao Dong
  • 机构: Temple University
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究确证性试验中同时针对预设亚组和全人群寻求疗效声明的多重检验问题,目标是在保护全人群的边际水平α检验已知的情况下,最小化相对于该检验的功率损失(即后悔值)。在协方差已知的二元高斯模型下,作者在强族错误率控制和坐标单调性约束下,最小化目标效应和非目标效应预设范围内的最大后悔值。优化类为具有固定边际检验的单调闭式检验程序,允许共享交集检验随机化。单调性使得最坏非目标均值位于其下规划界,从而将最小化问题约化到二维功效场景集上。在效应范围和协方差满足一定条件时,最小最大程序是非随机的且在零测集意义下唯一。一个积分准则精确刻画了校准逐步向上程序在此类中达到最小最大值的条件,连续问题的界量化了相对简单程序的潜在改进。哮喘规划示例说明了功率分配和目标分配的兼容性。对您而言,该文将 minimax 后悔框架引入多重检验,与您对假设检验和效率理论的兴趣直接相关,其单调性和闭式检验的优化技巧可能对您在高维或因果推断中的多重性控制问题有借鉴意义。
  • 关键技术: minimax regret, closed testing procedure, strong familywise error control, monotonicity constraint, least-favourable distribution, calibrated step-up procedure
  • 为什么对您有用: 该文属于假设检验子方向,将 minimax 后悔准则用于多重检验,与您对 hypothesis testing 和效率理论的兴趣直接相关。您可以用 very_familiar 的 minimax 界技术来审视其最优性证明,或考虑将单调闭式检验思想迁移到因果推断中的多重性控制问题。中期可做:需在 moderately_familiar 的 semiparametric theory 上加强,以处理更一般的模型。

2. 2611.02665 — Improving the selection-function-based sensitivity analysis for publication bias with restricted maximum likelihood

  • 作者: Taojun Hu, Yi Zhou, Xiao-Hua Zhou, Satoshi Hattori
  • 机构: Chongqing University · The University of Osaka · Kobe University · Peking University · Institute for Open and Transdisciplinary Research Initiatives
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在随机效应元分析中,研究间方差刻画异质性;无选择偏差时推荐 REML,因其在小样本下优于 ML。但在发表偏倚下,已发表研究不再服从正态-正态模型,现有基于选择函数的敏感性分析只能使用条件 ML,继承了其对研究间方差的低估,进而影响合并效应及其置信区间。本文提出一种 REML 型估计量用于选择函数敏感性分析:通过对 profile score 进行近似均值中心化,使估计量在无发表偏倚时精确退化为标准 REML。这是首个在发表偏倚存在下的 REML 型估计量。模拟研究表明,在小样本元分析中,该方法相比条件 ML 降低了研究间方差的中位偏差,并改善了合并效应的估计误差与覆盖率。作者用两个实例(高维持剂量氯吡格雷、戒烟口香糖)进行说明。对您而言,该方法涉及 profile score 中心化与估计方程修正,与您熟悉的 M-估计和半参数理论有直接联系,可作为敏感性分析中估计方法改进的一个具体案例。
  • 关键技术: restricted maximum likelihood (REML), selection function, profile score centering, sensitivity analysis, random-effects meta-analysis
  • 为什么对您有用: 本文属于因果推断中的敏感性分析子方向,具体是发表偏倚下的元分析估计问题。您可用 very_familiar 的 M-估计理论分析其 profile score 中心化的渐近性质,或检验其 REML 型估计量在更一般选择函数下的效率损失,属于立即可做的 follow-up。

3. 2611.01773 — Graph-Based Testing of Conditional Mean Independence with Applications to Large Language Model Evaluation

  • 作者: Mingshuo Liu, Qihua Zhu, Jingchi Liao, Lu Tian, Doudou Zhou
  • 机构: Stanford University · Duke-NUS Medical School · National University of Singapore
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究条件均值独立检验 H0: E(Y|X,Z)=E(Y|Z),即预测变量 X 在调整 Z 后是否对 Y 有额外预测力。现有方法常需估计涉及 X 的 nuisance 函数,在高维或结构化预测变量(如图像、网络)下困难。作者提出基于图的检验,将边计数原理推广至协变量调整:用 X 的成对不相似性表示其结构,仅需估计基线回归 E(Y|Z),并在图边上聚合留出残差的乘积。发展了样本分裂和两折交叉拟合版本,在正则条件下两者零分布均为标准正态,提供解析 p 值,并对图光滑和图粗糙备择具有一致性。模拟(向量、图像、网络预测变量)显示良好的尺寸控制和优于竞争方法的功效,交叉拟合进一步提升功效。应用包括人类质量评分、数学错误标签和 LLM 响应偏好,方法在调整文本长度等特征后检测到与质量评分及 LLM 评判偏好的关联。
  • 关键技术: graph-based testing, edge count principle, sample splitting, cross-fitting, residual aggregation, conditional mean independence
  • 为什么对您有用: 本文属于假设检验方向,直接对应您对 hypothesis testing 的兴趣。其图基方法避免高维 nuisance 估计,与您熟悉的高维统计和 U-统计量技术有潜在联系——图边上的残差乘积和可视为一种 U-统计量结构,您可以用 higher-order U-statistics 的投影理论分析其功效。从武器库看,您对非参数统计和 minimax 界很熟悉,可立即评估其检验的渐近性质;但图基方法的具体组合性质(如边计数分布)可能需要补充图论知识,属于中期可做。

4. 2611.01092 — A Kernel-Based Test for Multi-Way Conditional Independence

  • 作者: Haoning Chen, Yin Tang, Bing Li
  • 机构: Pennsylvania State University · University of Kentucky
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种基于核的多向条件独立性检验,填补了现有研究多集中于两两条件独立性的空白。作者将多向条件独立性假设刻画为一组条件交叉协方差算子的同时消失,并基于这些算子估计量的范数构造检验统计量。在零假设和局部备择假设下,推导了统计量的渐近分布。作为相关方法贡献,还发展了多向无条件独立性检验并给出实现程序。RNA 数据应用展示了该方法在基因组学中的用途。对您而言,该检验的渐近理论(特别是局部备择假设下的功效)与您对假设检验和核方法的兴趣直接相关,且其多向设定可能为高维或图模型中的检验问题提供新视角。
  • 关键技术: kernel conditional cross-covariance operators, Hilbert-Schmidt norm, asymptotic distribution under null and local alternatives, multi-way independence test
  • 为什么对您有用: 直接关联您的主要兴趣中的假设检验方向,特别是核方法在条件独立性检验中的应用。该文的多向设定扩展了经典两两检验,可能为图模型或高维数据中的检验问题提供新工具。从技术武器库看,您对非参数统计和渐近理论的熟悉程度足以理解其核心论证,但核算子方法(如 RKHS 嵌入)可能不是您最熟悉的领域,需先补充相关背景。总体而言,这是一篇值得关注的方法学论文,但并非直接推进您最核心的研究问题,故评为中等相关。

5. 2611.02513 — Exact Simes inequalities for two-sided Gaussian tests

  • 作者: Xianyang Zhang
  • 机构: Texas A&M University
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究 Simes 检验在双侧高斯检验全局零假设下的 type I error 控制问题,这是多重检验中一个长期未决的开放问题。作者证明,对任意固定的检验数 m,当名义水平 α 充分小时,拒绝概率不超过名义水平,且该水平范围对所有协方差矩阵一致成立。等号成立当且仅当 p 值形成独立组且组内值相同。对于 m=3,通过计算机辅助证明建立了在 α=0.05 时的有效性,并用解析方法将其推广到包含 0.05 的显式区间。当检验数 m 增大时,作者在两种设定下证明有效性:每个检验统计量至多与固定数量的其他统计量相关,或统计量形成独立块且块大小以 log log m 阶缓慢增长。进一步结果量化了名义水平与拒绝概率之间的差异,并允许在相关性有界远离 ±1 时容纳更多相关邻居。该工作为 Simes 检验的有限样本性质提供了新的理论保证,对多重检验和假设检验理论有直接贡献。
  • 关键技术: Simes test, two-sided Gaussian tests, type I error control, computer-assisted proof, correlation structure
  • 为什么对您有用: 直接关联您的主要兴趣之一——假设检验理论,特别是多重检验的有限样本性质。您可以用非常熟悉的非参数统计和极小极大界工具来审视其证明技巧,或尝试将结果推广到更一般的检验统计量。中期可做:若想深入其计算机辅助证明部分,需在 moderately_familiar 的 M-估计理论上稍作加强。

6. 2611.02308 — A High-Dimensional LM Test for Cross-Sectional Independence with Serially Correlated Data

  • 作者: Ulrich Hounyo, Chihwa Kao, Min Seong Kim
  • 机构: University at Albany, State University of New York · University of Connecticut
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文在高斯面板数据中,当横截面维数 N 和时间维数 T 同阶增长时,提出一个基于样本相关矩阵平方迹的高维拉格朗日乘子(LM)检验,用于检验横截面独立性。原假设下,检验统计量的均值和方差被显式展开为时间谱矩的函数;随机对角归一化会产生不可忽略的中心化修正,而共享同一横截面单元的平方样本相关会贡献额外的方差项,这两项在时间独立时消失。作者建立了原假设下的中心极限定理、固定备择下的一致性,以及局部备择下的高斯平移极限并给出检测边界。蒙特卡洛实验考察了 oracle 检验和估计时间谱矩的可行版本的 size 与 power。该工作将高维随机矩阵理论中的谱矩展开与经典假设检验框架结合,为序列相关面板数据的横截面独立性检验提供了新的理论工具。
  • 关键技术: Lagrange multiplier test, sample correlation matrix, spectral moments, high-dimensional CLT, local alternatives detection boundary
  • 为什么对您有用: 本文直接关联您的高维统计与随机矩阵理论兴趣,特别是样本相关矩阵谱统计量的渐近分布。您可以用 very_familiar 的 minimax 界技术来检验其局部备择检测边界是否最优,或用 moderately_familiar 的高阶 U-统计量理论分析其统计量的高阶展开。

7. 2611.01289 — Sharp Critical Rates for Locally Private Distribution Estimation

  • 作者: Yi Liu, Xiaotian Chang, Qirui Hu
  • 机构: York University · Nanyang Technological University · Shanghai University of Finance and Economics
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文在纯局部差分隐私(LDP)框架下,针对固定周期 Sobolev 密度类,确定了分布估计的尖锐极小极大率。核心结果是:在临界查询光滑度下,由 B^d_{2,q} 单位球生成的积分概率度量(IPM)的期望风险阶为 N^{-1/2}(\log N)^{3/2-1/q},其中 N=n\varepsilon^2,期望平方风险为其平方阶。该率由单一非交互式发布(输出为可测的适当密度)达到,且下界允许有限公共黑板交互和重复参与,在每位用户的总隐私预算下成立。此外,对于 [0,1] 上的正光滑密度,积分平方 CDF 风险的极小极大阶为 (\log N)^2/N,并带来分位数、Wasserstein 距离和传输映射的尖锐推论。这些率在 0<\varepsilon\le1 且 N\to\infty 时一致成立。
  • 关键技术: local differential privacy, minimax lower bounds, integral probability metrics, Sobolev density classes, noninteractive mechanisms
  • 为什么对您有用: 本文属于高维统计与假设检验的交叉领域,直接关联您对 minimax 率与分布估计的兴趣。您熟悉的非参数统计与极小极大界工具(very_familiar 中的 minimax bounds for estimation problems)可用于验证其率的最优性,或探索在非周期密度类上的推广。中期可做:需在 LDP 机制设计上补充知识(moderately_familiar 之外),但核心证明技术(如 Le Cam 方法)与您的武器库高度匹配。

8. 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: 本文研究鞅依赖下亚高斯均值估计的非渐近置信区间构造问题,目标是同时实现方差自适应性和高斯分位数匹配。作者构造了两个解析闭式指数超鞅:一个带经验二次方差和三次修正项的亚高斯超鞅,用于获得方差自适应的经验Bernstein界;另一个亚高斯连续超鞅,用于获得经验Berry-Esseen界,从而在非渐近有效的同时达到高斯分位数。在iid且σ>0的任意分布下,所得区间端点几乎必然一阶等价于经典形式X̄n±σz{1-α/2}/√n,且无需已知σ。同一构造还给出时间一致置信序列,半宽为σ√(2loglogn/n),并推广到多元椭球(协方差未知时达到卡方极限)以及仅知高于二阶绝对中心矩有界的重尾情形。实验表明,当真实方差小于代理方差时,区间宽度显著减小,边界情形损失很小。对您而言,该文的经验Bernstein与经验Berry-Esseen构造为假设检验与置信区间理论提供了新工具,尤其与您对非参数/半参数理论中有限样本有效性的兴趣直接相关。
  • 关键技术: exponential supermartingale, empirical Bernstein bound, empirical Berry-Esseen bound, time-uniform confidence sequence, variance adaptivity, heavy-tailed mean estimation
  • 为什么对您有用: 该文属于假设检验与置信区间理论,直接对应您对数学统计与假设检验的兴趣;其经验Bernstein/经验Berry-Esseen构造可视为非参数/半参数理论中有限样本有效性的新工具,且与您熟悉的高维渐近和鞅方法有接口。从武器库看,您可用非常熟悉的非参数统计与鞅理论快速理解并验证其构造,属于立即可做的方向。

9. 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问题。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协方差,其丢失的方向恰好由回归变量列空间生成。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;限制协方差模型(如对角或分块结构)可缩小丢失方向集。核心结果将投影损失与矩选择损失分离:将残差协方差投影到维持的协方差结构上不损失识别信息,因此跨簇、长滞后、长距离残差乘积不增加识别方向,但可改善条件数(对齐矩使条件数平方)。该等价性依赖OLS的正交投影几何,对非正交变换一般不成立。此外,无回归系数的二次统计量可识别拟合与残差分量间的协方差,但无法识别回归变量张成空间内的协方差;因此OLS sandwich方差在该块上不可识别,稳健方差估计的识别依赖于协方差结构的维持性假设。
  • 关键技术: orthogonal projection geometry, linear covariance functional, moment-selection loss, sandwich variance estimation, identification analysis
  • 为什么对您有用: 本文属于数学统计与假设检验方向,直接关联您对协方差结构识别与估计的兴趣。您可用 very_familiar 的线性代数工具(如投影矩阵、列空间)验证其几何论证,并进一步探讨在非正交变换(如加权最小二乘)下的推广。中期可做:结合您 moderately_familiar 的 semiparametric 理论,将识别结果推广到半参数模型中的协方差泛函。

10. 2611.01017 — Second-Order Least Squares Method for Statistical Inference in Linear Models with Asymmetric Errors

  • 作者: Sanha Kil, Yuliya V. Martsynyuk, Liqun Wang
  • 机构: University of Manitoba
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文考虑线性回归模型中误差分布不对称的情形,此时普通最小二乘(OLS)估计量不再是最有效的,利用数据的高阶矩可以构造更有效的估计。作者采用二阶最小二乘(SLS)方法,同时利用一阶和二阶矩条件,得到渐近更有效的估计量,并基于此构造更精确的置信区间和更有效的假设检验。文中还开发了计算该估计量的高效且稳定的数值算法,并通过大量模拟研究验证了方法的优势,最后给出两个真实数据例子。对您而言,该方法将矩条件扩展到二阶的思想与您在高阶U统计量和半参数效率理论方面的兴趣相关,可能为处理非对称误差的推断问题提供新的视角。
  • 关键技术: second-order least squares, moment conditions, asymptotic efficiency, hypothesis testing, numerical optimization
  • 为什么对您有用: 本文属于假设检验与效率理论方向,直接关联您对半参数效率界和基于矩条件的估计方法的兴趣。您可以用您非常熟悉的高阶U统计量计算工具(如treewidth/einsum)来分析其估计量的计算复杂度,或检验其声称的渐近效率是否达到半参数效率界。这是一个中期可做的方向,需要先熟悉二阶矩估计的渐近理论。

11. 2611.03351 — A Note on the Finite-Exceedance Dependence Principle for Sum--Maximum Asymptotic Independence

  • 作者: Hongjian Shi
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究和型统计量与最大型统计量之间的渐近独立性,该问题在高维检验和随机矩阵理论中反复出现。作者提炼出已有证明中共享的中间原理,提出有限超阈值依赖原理:若每个固定阶的有限超阈值依赖误差消失,且高阶超阈值被温和控制,则通过有限阶 Bonferroni 论证可得到和与最大值的渐近独立性。进一步给出独立代理准则:对每个有限超阈值集合,只需构造一个和型统计量的精确独立代理,且其近似误差在总体上可忽略。局部删除在依赖图下以及高斯回归和残差化是两个例子。该框架为现有的和-最大独立性结果提供了模块化推导。
  • 关键技术: finite-exceedance dependence principle, Bonferroni argument, independent proxy criterion, local deletion, dependency graphs, Gaussian regression and residualization
  • 为什么对您有用: 该论文直接关联您对高维统计和随机矩阵理论中假设检验的兴趣,特别是和型与最大型统计量渐近独立性的统一原理。您熟悉的非参数统计和极小极大界工具可用于验证其独立代理准则在具体模型中的适用性,而您对高阶U统计量的计算视角可能帮助分析其高阶超阈值控制的紧性。初步判断:立即可做,因为核心论证基于经典概率不等式和Bonferroni方法,您已具备所需工具。

12. 2611.02243 — On the Conditional Consistency of the Bootstrap

  • 作者: Denis Kojevnikov
  • 机构: Tilburg University
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究 bootstrap 的条件一致性:目标是给定共同冲击(common shock)下统计量的条件分布,bootstrap 用重抽样统计量在给定冲击和数据下的条件分布来近似。作者允许不同样本量下的条件 σ-代数互不相关,且比较分布和数据维度可随样本量变化。他们给出了条件一致性的充分条件,证明这些条件能保证 bootstrap 分位数具有渐近正确的条件覆盖率,并提供了覆盖误差的有限样本界。文章还将 Kolmogorov 距离下的条件一致性联系到概率测度的 merging 概念。结果被特化到统计量光滑依赖于某个估计量或估计的 nuisance 参数的情形。对您而言,该文的有限样本覆盖误差界和条件收敛框架可能为您的假设检验或因果推断中的 bootstrap 推断提供新的理论工具。
  • 关键技术: conditional bootstrap consistency, Kolmogorov distance, merging of probability measures, finite-sample coverage error bound, nuisance parameter estimation
  • 为什么对您有用: 本文属于假设检验与 bootstrap 推断的理论研究,直接关联您对 hypothesis testing 和 semiparametric/nonparametric theory 的兴趣。您可以用 very_familiar 的 minimax bounds 和 nonparametric statistics 工具来检验其有限样本界是否紧,或将其条件一致性框架推广到更一般的估计量。中期可做:需在 moderately_familiar 的 semiparametric theory 上加强,以处理 nuisance 参数估计的复杂情形。

13. 2611.01637 — Moment-Orthogonal Quadratic-Envelope E-Processes for Anytime-Valid Location Inference

  • 作者: Serhii Zabolotnii
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文在任意有效(anytime-valid)推断框架下,针对无界均值构造 E-process 置信序列,目标是在线位置推断。传统方法仅利用一阶得分和方差界,忽略了偏度和峰度信息;作者构造了一个二次包络 E-process,基于条件中心化的向量得分并带有可预测的二阶矩界。在独立于测试流的矩信息下,该过程在无界支撑上保持正值,并在可预测策略和固定混合下给出精确的任意有效覆盖,无需得分截断。对于已知前四阶中心矩的位置族,中心化观测及其平方构成精确置信序列,其局部宽度相对一阶构造按偏度和峰度决定的因子缩小。模拟显示在 5% 水平下最大穿越率为 4.63%,在零膨胀对数正态族中中位停止时间下降 36.8-45.8%;当矩在独立参考样本上校准,中心化稳健因子保持精确覆盖,但宽度有闭式代价。在 Fermi 伽马射线探测器数据上,该方法在 1.8% 的窗口中穿越当前位置,并比校准的一阶方法提前 30-35% 停止。
  • 关键技术: E-process, confidence sequence, anytime-valid inference, quadratic envelope, predictable second-moment bound, location family
  • 为什么对您有用: 本文属于假设检验与任意有效推断方向,直接连接您的主要兴趣中的 hypothesis testing。您熟悉的非参数统计和 M-估计理论可用于分析其 E-process 的构造与覆盖性质;其利用高阶矩(偏度、峰度)的思想与您对 higher-order U-statistics 的熟悉度有潜在联系,但核心机制并非 U-statistic。可立即用您掌握的 empirical process 和 concentration 工具验证其理论界;中期可做的是将二次包络思想推广到其他半参数模型,但需先熟悉 E-process 的在线推断文献。

14. 2611.01030 — Unlikely likelihoods: likelihood analysis for the triangular and random histogram models

  • 作者: Nils Lid Hjort
  • 机构: University of Oslo
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究单位区间上密度参数模型在似然函数非光滑、非正则情形下的推断问题。具体包括三角模型(密度线性升降,似然为对数凸项之和,导数在每个数据点间断)和两箱模型(密度分段平坦,似然在每个数据点跳跃)。对于两箱模型,MLE 具有超常收敛速度,n(θ̂−θ) 依分布收敛到非正态极限;k 箱扩展模型类似。进一步推广到两参数两箱模型(面积 γ 和 1−γ),断点和密度值的估计呈现不同收敛速率,并推广到 2(k−1) 参数的分段平坦密度。文章细致推导了对数似然的大样本行为,给出了 MLE 和 Bayes 估计的非标准极限分布。这对您可能有用:它属于非正则参数模型的大样本理论,与您对假设检验和数学统计的兴趣相关,且其非标准极限分布可能为构造新的检验统计量提供素材。
  • 关键技术: nonregular likelihood, maximum likelihood estimation, Bayes estimation, limit distribution theory, piecewise constant density
  • 为什么对您有用: 本文属于非正则参数模型的经典大样本理论,直接关联您的数学统计与假设检验兴趣,特别是非标准极限分布下的推断问题。您可以用 very_familiar 的非参数统计和 M 估计理论(moderately_familiar)来审视其极限分布推导,或探索基于这些模型的检验问题。中期可做:需在 moderately_familiar 的 M 估计理论上加强,以深入理解非正则似然的渐近行为。

15. 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微分熵的估计问题,设定为均值向量和协方差矩阵均未知,目标是在一般位置不变且严格凸、在零处取最小的损失函数下进行决策理论分析。作者首先刻画了仿射等变估计类,并给出该类中的最优估计(BAE)。进一步证明该 BAE 在一般损失下是不可容许的,通过利用样本均值中的信息构造了 Stein 型改进估计,并推广到均值矩阵的情形。在 LINEX 损失下,作者构造了一个光滑的 Brewster-Zidek 型估计,证明其优于 BAE,并表明该估计在适当的无信息先验下是广义贝叶斯估计。该工作将经典 Stein 现象推广到熵估计问题,为高维协方差结构估计提供了新的视角。
  • 关键技术: affine equivariant estimation, Stein-type shrinkage, Brewster-Zidek estimator, generalized Bayes, LINEX loss
  • 为什么对您有用: 该论文属于数学统计与假设检验方向,直接关联您对估计理论中可容许性与改进估计的兴趣;其 Stein 型收缩思想与您在高维统计中的协方差估计经验高度契合,可用您熟悉的 minimax 框架检验其改进估计的有限样本表现。

16. 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,该统计量组合了组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。位置备择下两个计数均值漂移相等,在差分量中抵消;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。在 γ 的显式区间内,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
  • 为什么对您有用: 直接对应假设检验与高维统计兴趣:本文在高维 d/log N → γ 框架下分析最近邻检验的局部功效,属于高维假设检验的渐近理论。可用您 very_familiar 的高维渐近工具(如随机矩阵或集中不等式)验证其连接概率推导的紧性,或探索非高斯分布下的推广。

17. 2611.02951 — Differentially Private Confidence Intervals for Relative Risk and Odds Ratio

  • 作者: Tomer Shoham, Katrina Ligett
  • 机构: Hebrew University of Jerusalem
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究差分隐私下相对风险与比值比等比率统计量的估计与置信区间构建问题。设定为计数数据经拉普拉斯或高斯噪声扰动后发布,目标是基于扰动计数对总体比率进行推断。作者证明基于私有计数的自然 plug-in 估计量具有相合性,并推导出同时考虑抽样变异性与隐私噪声的置信区间,其方差分解清晰揭示了隐私对推断的影响程度。方法适用于中等样本量,且在中等隐私水平下,所提置信区间与非私有情形接近,而在小样本下能正确反映额外不确定性。实证部分在模拟与真实数据上验证了理论结果。对您而言,该工作将差分隐私这一新兴约束引入经典流行病学比率推断,其方差分解思路与您熟悉的 semiparametric 效率理论可形成对照,但核心机器(隐私机制与噪声分析)不在您当前武器库中。
  • 关键技术: differential privacy, Laplace mechanism, Gaussian mechanism, plug-in estimator, variance decomposition, confidence interval
  • 为什么对您有用: 该论文属于 hypothesis_testing 方向,但更贴近差分隐私下的统计推断,与您 primary interests 中的 hypothesis testing 有交集,但并非核心。它涉及流行病学中常见的相对风险与比值比,与您的 secondary interest 流行病学应用相关。从武器库看,您熟悉的非参数统计与 M-估计理论可用于分析其估计量的渐近性质,但差分隐私的噪声机制(如 Laplace/Gaussian mechanism)并非您熟悉的工具,属于 moderately_familiar 之外的领域。因此,该文可作为了解差分隐私推断的入门读物,但直接开展后续工作的门槛较高。

18. 2611.00480 — Power-Optimal Risk Control via Standardized Margin Calibration

  • 作者: Ruinan Wang, Tian Bai, Yueming Shen, Xiang Yu, Ying Yang, Archer Yi Yang
  • 机构: Tsinghua University · Stanford University · McGill University · Eli Lilly (United States)
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 Uncertainty-Normalized Empirical Calibration (UNEC),一个无需 p 值的框架,用于在机器学习筛选中控制风险并选择候选对象。UNEC 通过不确定性归一化的预测边际对候选排序,并利用留出损失直接校准选择阈值,支持灵活预测模型、一般有界损失和多种选择目标。作者定义了边际发现风险 (MDR) 和选择性发现风险 (SDR),其中 SDR 在二元损失下退化为 FDR。理论上,文章证明了调整规则的有限样本 MDR 控制,以及渐近 SDR 控制并给出显式极限风险和功效;在位置-尺度模型下,UNEC 渐近达到观察层面选择规则的 oracle 功效基准。模拟和分子筛选应用(溶解度、毒性、亲脂性)展示了有利的风险-功效权衡和显著的计算优势。对您而言,该工作将风险控制与排序选择结合,其有限样本保证和渐近最优性分析可借鉴到您的高维假设检验或因果推断中的多重比较问题。
  • 关键技术: risk control, false discovery rate, uncertainty normalization, empirical calibration, finite-sample guarantees, asymptotic optimality
  • 为什么对您有用: 本文属于假设检验与风险控制方向,直接关联您的主要兴趣中的 hypothesis testing 和 high-dimensional statistics。其核心思想——用不确定性归一化边际进行排序并校准阈值——可视为一种新的多重比较程序,您可以用 very_familiar 的 minimax 理论或 high-dimensional asymptotics 工具分析其有限样本界的紧性,或将其推广到因果推断中的多重处理效应检验。中期可做:若想深入其渐近最优性证明,需在 semiparametric theory 上稍作加强(moderately_familiar),但整体立即可读并可能启发新问题。

19. 2611.01333 — Optimal Certified Multiple Testing with E-values

  • 作者: Soumyabrata Bose, Jay Bartroff
  • 机构: The University of Texas at Austin
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究任意相依结构下基于 e 值的随机化多重检验问题,引入条件认证约束:给定观测证据,每个坐标的期望拒绝证书不得超过其 e 值。现有随机化 e-BH 改进满足该约束但缺乏最优性保证。作者证明在给定 e 值向量 x 时,假设 i 的最大条件包含概率为 1 ∧ (α/K) Σ_j min(x_i, x_j),并构造了一个同时达到所有上界的规则。该规则仅使用一个独立均匀随机变量,拒绝有序 e 值的前缀,且在达到所有界的规则中具有唯一的条件拒绝集分布,因此最大化任意非负加权包含概率和,包括任意真值配置下的期望真发现数。在共享均匀随机数下,其拒绝集包含 e-BH 和 U-eBH 的拒绝集;构造可推广到 BY 校准的 p 值,模拟显示在正负相依下比现有随机化过程有功效提升。
  • 关键技术: e-values, randomized multiple testing, conditional certification, e-BH procedure, admissible rules
  • 为什么对您有用: 本文属于假设检验方向,直接对应您的主要兴趣之一;其最优性证明和条件包含概率上界技术可能对您在高维或相依结构下的检验问题有启发。您可用 very_familiar 的 minimax 界工具来验证其最优性是否在更广的损失下成立,属于立即可做的 follow-up。

20. 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 5/10 · 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化离散全变差统计量 d_r(X) 的期望,这是 comb 检验统计量在非均匀零假设下的自然推广。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,因此需以参考律为中心;在零假设下该统计量即匹配的 d_p。通过条件于相邻箱对的总质量,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的情形,匹配统计量给出 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(广义非 Poincaré 渐近展开),由加权局部 Edgeworth 估计和角点 Euler–Maclaurin 求和获得,半整数阶因奇偶性消失。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正式 Euler–Maclaurin 级数的 Edgeworth 扰动。在非零假设下,主导期望为 CLT 隐含的折叠正态轮廓;局部备择下识别出 O(1) 修正(偏度项,Pitman 备择下还有方差梯度项),固定备择给出大数定律极限,即 p 与 r 相邻梯度轮廓的 ℓ1 距离,阈值检验据此一致。
  • 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,具体是离散分布下检验统计量的精确有限样本期望与渐近展开,与您对 hypothesis testing 和 mathematical statistics 的兴趣直接相关。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来审视其渐近展开的紧性,或将其与您熟悉的 U-statistics 框架对比,因为该统计量可视为一阶差分算子的 L1 范数。中期可做:若想推广到高阶差分或高维情形,需在 moderately_familiar 的 semiparametric theory 上加强。

21. 2611.03481 — Robustness against lying of the confidence interval for a fraction of population with a sensitive characteristic

  • 作者: Wojciech Zieliński
  • 机构: Warsaw University of Life Sciences
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究敏感性问题调查中受访者说谎对总体敏感特征比例置信区间性质的影响。在随机化应答技术(如相关问卷)的框架下,假设受访者以某种概率说谎,作者推导了基于二项分布或超几何分布的置信区间覆盖概率的表达式。主要结论是:当说谎概率在一定范围内变化时,置信区间的覆盖概率保持稳健,即实际覆盖概率不低于名义水平。方法上利用单调性分析和区间端点函数的性质来证明稳健性。最后通过数值示例说明不同说谎程度下覆盖概率的变化。对您而言,该文提供了一个在敏感数据场景下处理测量误差的简洁理论框架,可连接到您在因果推断中关于测量误差和敏感性分析的兴趣。
  • 关键技术: randomized response, confidence interval, coverage probability, robustness, binomial distribution
  • 为什么对您有用: 本文属于假设检验与置信区间理论,直接关联您的主要兴趣之一——数学统计中的假设检验。它提供了一个在敏感数据场景下处理测量误差的简洁理论框架,可连接到您在因果推断中关于测量误差和敏感性分析的兴趣。从技术武器库看,您可以用非常熟悉的非参数统计和极小极大界工具来验证其稳健性结论的紧性,属于立即可做的方向。

22. 2611.03333 — Methods for Assessing Distributional Assumptions in Individual Participant Data Meta-Analysis of Diagnostic Tests

  • 作者: Diribsa T. Bedada, Zelalem F. Negeri
  • 机构: University of Waterloo
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对诊断试验准确性(DTA)的个体参与者数据荟萃分析(IPDMA)中,双变量广义线性混合模型(GLMM)假设研究特定随机效应服从正态分布这一常见但很少被检验的假设,提出加权扩展的 Henze-Zirkler(HZ)检验。由于经验贝叶斯(EB)估计在不同研究间精度异质,直接应用标准多元正态性检验会导致误导性推断,作者通过逆方差加权来考虑研究特定精度。为获得有效的有限样本推断,开发了参数自助校准程序。模拟研究表明,经典 HZ 检验应用于 EB 估计时可能产生严重的 I 类错误膨胀,而所提出的加权程序能维持名义错误率并保留检测偏离正态性的功效。该方法为分层模型中随机效应分布假设的评估提供了实用且统计上有原则的诊断工具,尤其适用于 DTA 的 IPDMA,也可扩展到基于研究水平 2×2 表的汇总数据荟萃分析。
  • 关键技术: Henze-Zirkler test, inverse-variance weighting, parametric bootstrap calibration, empirical Bayes estimates, bivariate generalized linear mixed models
  • 为什么对您有用: 本文属于假设检验方向,直接关联您对数学统计与假设检验的兴趣,特别是多元正态性检验在分层模型中的应用。您可以用非常熟悉的非参数统计和自助法工具来评估其加权方案的效率,或考虑将其扩展到更高阶的 U-统计量框架以处理更复杂的随机效应结构。中期可做:若想深入,需在混合模型估计理论上稍作加强(属于 moderately_familiar 的 M-估计理论)。

23. 2611.02012 — Randomized Adaptive Sequential Allocation and the Limits of Bounded Exposure to Inferior Treatments

  • 作者: Sampurna Kundu, Monitirtha Dey, Atanu Biswas
  • 机构: Indian Statistical Institute, Bangalore Centre · Indian Statistical Institute
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究临床试验中自适应序贯分配规则在保证伦理(减少劣质治疗暴露)与随机化(避免选择偏倚)之间的权衡。作者首先指出,Kundu 等 2025 的确定性规则(总是分配当前样本均值较大的治疗)能使劣质治疗的分配次数几乎必然有限且各阶矩一致有界。然而,确定性规则可预测,易引入选择偏倚。本文证明,若将确定性规则替换为任意固定的非退化对称随机化规则,则上述有界暴露性质消失:两种治疗均被无限次采样,自适应样本均值强相合,劣质治疗的分配比例趋于正常数,其分配次数线性增长且矩无界。随后,作者提出退火随机化(随机化尺度随累积信息冷却),并给出区分有限、次线性和线性暴露的可和性与发散性判据。进一步,通过强制探索变体,可在以概率 1 识别最优治疗的同时保持劣质暴露为次线性,从而无需依赖正确稳定化事件。文章还处理了多治疗、平局、不等方差、一般响应分布及局部备择等情形,并发展了各暴露制度下的试验后渐近推断。对您而言,该文将随机化与伦理约束下的序贯分配问题形式化,其退火随机化与强制探索的分析框架,可联系到您因果推断中纵向研究的设计与敏感性分析,以及假设检验中自适应设计的理论边界。
  • 关键技术: adaptive sequential allocation, randomized urn models, annealed randomization, strong consistency, moment bounds, asymptotic inference
  • 为什么对您有用: 该文属于假设检验与自适应设计的交叉,直接关联您对 hypothesis testing 的兴趣,特别是序贯分析中随机化与推断有效性的权衡。您 very_familiar 的高维渐近与 minimax 工具可用于分析其退火随机化下的收敛速率与矩界;而其中关于暴露次数的可和性判据,可类比于您 higher-order U-statistics 中关于部分和尾概率的估计。中期可做:需先熟悉自适应设计的鞅方法(moderately_familiar 的 M-estimation 理论可支撑),但核心的随机化冷却机制与鞅收敛论证可能需要额外学习。

统计计算 / 算法 (stat_computing, 5 篇)

1. 2611.02122 — Optimal spectral shrinkage via Krylov approximation

  • 作者: Tianfeng Lu, Geoffrey J. Goodhill, Hong Hu
  • 机构: Washington University in St. Louis
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究高维线性回归中的谱收缩估计族,目标是构造数据驱动的估计器,使其在一般协方差结构下渐近达到 oracle 预测风险。作者提出 risk-targeted Krylov fitting (RTK),在 m 维 Krylov 空间中直接最小化留一风险,且无需重拟合 n 次即可精确计算该风险。在一般分布和协方差假设下,RTK 在 Krylov 空间内达到最优预测风险,误差为 O(1/n);当 m 取 log n 量级时,其风险逼近最优解析滤波器。模拟实验表明 RTK 及其截断变体对 m 的选择稳健,且在多种协方差结构下接近 oracle。在单细胞测序和神经记录数据上,RTK 在多数任务中预测精度优于竞争方法。对您而言,该文将谱方法与计算效率结合,其留一风险的精确计算技巧可能对您的统计计算兴趣有启发。
  • 关键技术: spectral shrinkage, Krylov subspace, leave-one-out risk, oracle risk, partial least squares
  • 为什么对您有用: 本文属于统计计算方向,与您的 primary interest 中的 statistical computing 直接相关。您可以用 very_familiar 的软件开发和数值方法经验,复现其留一风险计算并测试不同协方差结构下的表现;该文也涉及高维回归的预测风险,与您的高维统计背景有交集。

2. 2611.03773 — Multi-modal Laplace-based sampling

  • 作者: Maxime Egéa, Hanyue Gu, Daniel Rudolf, Björn Sprungk
  • 机构: Sorbonne Université · TU Bergakademie Freiberg
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究多模态 Laplace 近似,即用加权高斯混合(以负对数密度的局部极小值为中心)来近似随逆温度参数 n 增长而集中于有限个模态的概率测度,这类分布出现在小噪声或大数据贝叶斯推断中。作者推导了该近似与集中后验之间的 Hellinger 距离的显式非渐近界,该界以 n^{-1/2} 衰减,且常数仅随维度 d 多项式增长。进一步,作者将 Laplace 混合作为自归一化重要性采样和独立 Metropolis-Hastings (IMH) 的提议分布,针对集中多模态目标分布,推导了重要性采样有效样本量以及 IMH 平均接受概率、滞后一阶自相关和谱间隙的渐近结果。数值实验验证了理论发现。对您而言,该文提供了在高维多模态后验采样中可用的非渐近误差界和 MCMC 诊断工具,与您统计计算方向的兴趣直接相关。
  • 关键技术: Laplace approximation, Gaussian mixture proposal, Hellinger distance bounds, self-normalised importance sampling, independent Metropolis-Hastings, spectral gap analysis
  • 为什么对您有用: 本文属于统计计算方向,直接对应您的 primary interest 中的 statistical computing。其非渐近误差界和采样器理论分析,可借助您 very_familiar 的软件开发和数值方法能力进行复现或扩展,属于立即可做的范畴。

3. hexagon:2610.00664 — Low-discrepancy quasi-uniform digital sequences in every dimension

  • 作者: Leonhard Gruenschloss
  • 期刊/来源: Hexagon · 人机混合 · 人类理解:部分 · 工具: Claude Opus 5.5 / Lean v4.35.0-rc3
  • 分类: math.NA · math.MG · math.NT
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究单位立方体中拟均匀数字序列的存在性与构造,目标是使前 N 个点对每个 N 都像网格一样分布:任意两点距离至少为常数倍 N^{-1/s},且任意空球半径不超过常数倍 N^{-1/s}。作者首先证明在二维及以上,Halton 型、Sobol、经典 Niederreiter 和 Faure 序列均非拟均匀,且仅对除一个坐标外的所有坐标做线性洗牌也无济于事,因为一个坐标低位进位不会改变其他坐标的高位,从而产生过近的点对。随后证明对广义 Faure 序列施加一个固定的线性洗牌(对所有 N 相同)可修复此问题:所有坐标在某一尺度上的数字是同一个有理函数在各坐标对应的射影直线点上的取值,由留数定理将各坐标联系起来,使一个坐标的进位能被其他坐标感知。对每个维度 s 和每个素数基 p>2^s,这给出显式的拟均匀数字 (0,s)-序列,其前 N=p^{sK-1} 个点至少相距 (1-2p^{-1/s})N^{-1/s};在二维和三维,对每个素数 p≥5,变体保证前 N 个点至少相距 (1-2/p)N^{-1/s},当 N 是 p^{s^2} 的幂时。对于此类洗牌,精确线性规则(将每个点放在其单元内作为单元索引最后几位数字的函数)在约 1/s 的尺寸 p^{sK} 上成立;若允许范围而非精确规则,则可验证所有尺寸,且大 p 时点距至少 (1-O(1/p))N^{-1/s}。最终在三维中每个素数基 p≥3、在二维中每个素数基(包括基 2)都得到拟均匀数字序列,部分步骤借助计算机辅助。
  • 关键技术: quasi-uniform sequences, digital sequences, generalized Faure sequences, linear scrambling, residue theorem, computer-assisted proof
  • 为什么对您有用: 本文属于统计计算与数值方法方向,与您的 statistical computing 兴趣直接相关,且其构造涉及数字序列与低差异序列,可作为 QMC 方法的入门读物。武器库中的软件开发和数值方法足以支撑理解其构造与验证,但核心证明依赖数论与代数几何工具(如射影直线、留数定理),不在当前武器库中,因此暂不可做直接拓展,但值得花时间读全文以了解 QMC 序列的构造思路。

4. 2611.01436 — Transport for Conditional Sampling: Foundations and Applications

  • 作者: Ricardo Baptista, Benjamin Bloem-Reddy, Bamdad Hosseini
  • 机构: University of Toronto · University of British Columbia · University of Washington
  • 相关性 5/10 · novelty: survey
  • 摘要: 本文综述了基于测度传输的条件采样方法,核心是构造三角映射(如Knothe-Rosenblatt重排)将参考分布推送到联合分布的条件分布,从而对任意观测Y=y直接采样X|Y=y,避免逐观测求解推断问题。文章回顾了三角映射的理论基础、从有限样本估计三角映射的方法,以及在模拟推断和因果推断中的应用。作者在综述基础上提出了若干新想法和开放问题,如条件采样的计算复杂度与估计误差的权衡。对您而言,该综述连接了统计计算与因果推断,特别是三角映射在条件分布估计中的角色,可能为您的proximal CI或mediation分析提供新的采样工具。
  • 关键技术: Knothe-Rosenblatt rearrangement, triangular transport maps, conditional sampling, simulation-based inference, normalizing flows
  • 为什么对您有用: 本文属于统计计算方向,可作为gateway reading:它清晰介绍了三角传输映射的条件采样框架,对不熟悉该领域的统计学家友好。您的武器库中非参数统计和软件开发的技能足以支撑理解核心方法,但若要深入估计理论(如收敛速率),需补充最优传输理论。值得花时间读全文,因为其因果推断应用部分可能启发新的条件采样策略。

5. hexagon:2611.00004 — A Sublinear Treewidth Exponent for Binary Constraint Satisfaction

  • 作者: Troy Tri Nguyen
  • 期刊/来源: Hexagon · 无人类作者署名 · 人类理解:部分
  • 分类: cs.CC
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究二元约束满足问题(binary CSP)的算法复杂度,目标是打破树宽(treewidth)作为复杂度参数的传统界限。作者构造了一类最大度有界但树宽无界的图,并给出一个确定性算法,其运行时间指数为 c·tw(G)/√log tw(G),即亚线性于树宽,从而反驳了 Marx (2010) 猜想 1.4 的字面表述。核心方法是一个域均匀的计数界:对固定最大度 Δ 的完全表实例,在域大小 D 和变量数 k 下,计数可在 LO(1) D^{O(k/√log k)} 时间内完成,常数不依赖于 D 和约束关系。该计数界通过张量网络递归(tensor-network recursion)获得,并利用属性图基础构造所需的 expander 族;支持剪枝(support pruning)将计数例程扩展到稀疏元组列表输入。算法及其有限字母机器实现和反例均在 Lean 4 中形式化验证。对您而言,本文的张量网络递归与您的高阶 U-统计量计算(treewidth/einsum)直接相关,可能提供新的复杂度视角。
  • 关键技术: tensor-network recursion, expander graphs, support pruning, treewidth parameterization, formal verification in Lean 4
  • 为什么对您有用: 本文直接关联您 primary interest 中的 statistical-computational tradeoff 和 statistical computing:其核心是张量网络递归的复杂度分析,这与您 very_familiar 的 higher-order U-statistics 计算(treewidth/einsum)高度契合。您可以用自己的 tensor-contraction 复杂度工具(如 einsum 库)来验证或扩展其计数界,属于立即可做的方向。此外,作为计算复杂度与统计计算交叉的论文,它也提供了 gateway reading 价值,帮助您理解计算约束在统计推断中的角色。

天体统计 (astrostats, 6 篇)

1. 2611.04045 — Latin hypercube sampling to reduce the variance in Monte Carlo integration: a practical guide and an application to gravitational-wave astronomy

  • 作者: Matteo Boschini, Davide Gerosa
  • 机构: Istituto Nazionale di Fisica Nucleare, Sezione di Milano Bicocca · University of Milano-Bicocca
  • 相关性 7/10 · novelty: application
  • 摘要: 本文为拉丁超立方采样(LHS)及其正交阵列扩展(OA-LHS)在蒙特卡洛积分方差缩减中的应用提供了实用指南,并以引力波天文学中的分层推断选择函数为案例。LHS 渐近地消除单坐标方向的方差贡献,而强度为 2 的 OA-LHS 进一步消除两两交互项的方差贡献,对合适被积函数可带来数量级的改进。作者在约一百万次注入的引力波模拟中,发现方差缩减效果微弱且统计显著性低,但构造这些设计的计算成本相对于引力波注入评估可忽略,因此边际收益仍值得考虑。文章面向应用统计学家,提供了清晰的算法描述和实现细节,适合作为进入该领域的入门读物。对您而言,这是一篇典型的 gateway reading,展示了统计采样设计在昂贵科学计算中的实际应用,但方法论本身与您的主要研究兴趣交集有限。
  • 关键技术: Latin hypercube sampling, orthogonal array-based Latin hypercube sampling, variance reduction, Monte Carlo integration, hierarchical Bayesian inference
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading,作为入门读物清晰易懂,适合了解引力波天文学中的统计计算问题。您的武器库(如高维统计、U-统计量)足以理解其方法,但无需深入跟进。若您对计算成本与方差缩减的权衡感兴趣,可快速浏览,但不必精读全文。

2. 2611.00150 — Contrastive Astromer: Two-Stage Contrastive Representation Learning for Astronomical Light Curve Classification

  • 作者: Justin Minggan Wei, Pavlos Protopapas, Guillermo Cabrera-Vives
  • 机构: Harvard University · University of Concepción
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出 Contrastive Astromer,一种两阶段对比表示学习方法,用于天文光曲线分类。在无监督阶段,利用单波段 MACHO 光曲线的增强视图进行对比学习,使同一物体的表示更接近;在监督阶段,使用带标签的 Alcock 样本,结合辅助分类损失进行监督对比学习,增强类别判别力。编码器采用 ASTROMER 2 架构,冻结编码器后训练分类器,在 600 个物体的留出集上,每类 500 个标签时 macro-F1 达 0.7943,比 ASTROMER 2 微调分类管线高 5.10 个百分点;在每类 20 和 100 个标签时,macro-F1 分别为 0.7078 和 0.7704。嵌入空间分析表明监督适应改善了局部类别一致性和全局类别分离。该方法在少标签场景下显著提升分类性能,对天文时序数据表示学习具有实用价值。
  • 关键技术: contrastive learning, self-supervised pretraining, supervised contrastive learning, light curve classification, representation learning
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading:它清晰展示了天文光曲线数据的结构(噪声、不规则采样)和建模目标(分类),对统计学家友好;武器库中的表示学习和分类方法足以理解其方法,但无需深入;作为入门读物值得一读,但方法学 novelty 有限,属于应用型工作。

3. 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 PSF 的固有色散所携带的光谱信息,提出在 log 坐标下将多色 PSF 形成表示为卷积,并定义相应的光谱传递函数。对 Airy 盘推导出该函数,发现其在光谱对数频率上呈代数衰减,表明理想无噪声 PSF 中存在任意精细的光谱结构。作者利用可微前向模型数值构造光谱信息特征基,并在多种噪声和探测器系统误差下量化衍射受限成像的光谱能力。在模拟示例中演示了约束光谱模式的注入与恢复,并与已有方法对比。该信息论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 Fisher information 和可微建模在光学成像中的应用,但方法学新颖性有限。
  • 关键技术: Fisher information, eigenbasis decomposition, differentiable forward model, spectral transfer function, Airy disk
  • 为什么对您有用: 本文属于 astrostatistics 方向的 gateway reading:它清晰展示了天文学家如何用统计工具(Fisher information、特征基)处理成像中的信息提取问题,数据与模型(PSF、噪声)交代清楚,适合作为入门读物。您的武器库(非参数统计、高维渐近)足以理解其方法,但本文方法学贡献不大,不值得深入跟进;若对天文成像中的统计问题感兴趣,可快速浏览全文以了解领域常用建模方式。

4. 2611.02860 — Characterisation Methodology for Persistence and Anti-persistence in IR Detectors for the Euclid and SVOM Space Missions

  • 作者: Naomie De Araujo, Aurélia Secroun, Marie Tourneur Silvain, Éric Kajfasz, Eliott Robineau, Alioune Diop
  • 机构: Centre de physique des particules de Marseille
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对 Euclid 和 SVOM 空间任务中的 H2RG 与 ALFA 红外探测器,提出了一种通用的持久性(persistence)与反持久性(anti-persistence)表征方法。这两种现象源于像素内电荷的捕获与释放,会导致通量测量偏差甚至虚假探测。方法基于差分斜坡(differential ramps)、Savitzky-Golay 滤波和非线性校正,用于从地面标定数据中提取持久性特征。应用结果显示空间不均匀性、环境依赖性(如通量、温度、波长)以及 ALFA 中意外的光谱效应。这些初步结果验证了方法的有效性,并为满足任务精度要求的在轨校正模型铺平了道路。对您而言,这是一篇典型的 astrostatistics 应用论文,展示了探测器标定中的数据处理流程,但方法论新颖性有限。
  • 关键技术: differential ramps, Savitzky-Golay filtering, non-linearity correction, persistence characterization
  • 为什么对您有用: 本文属于 astrostatistics 应用,作为 gateway reading 可了解空间探测器标定中的数据处理挑战;但方法学贡献较弱,且与您的主要兴趣(因果推断、高维统计等)无直接关联。武器库足以理解其信号处理技术,但无需深入。

5. 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 4/10 · novelty: application
  • 摘要: 本文针对射电天文中的扩展源(超新星遗迹和 HII 区),系统比较了三种利用单次观测(EMU/ASKAP 巡天)估计带内谱指数的方法:子带积分通量、温度-温度(T-T)图以及成像过程中 Taylor 项之比。作者将这些方法应用于一批扩展源,并与已发表的宽带谱指数(基于多观测通量)进行对比,评估各方法在区分热与非热辐射方面的可靠性。研究发现 T-T 图方法在研究的源大小和亮度范围内最为稳健,而子带和 Taylor 项方法仅在特定条件下有效,不能作为扩展源的通用可靠工具。该工作为射电天文中的谱指数估计提供了系统的实证比较,但方法学上属于应用性研究,未提出新的统计推断框架。
  • 关键技术: in-band spectral index, T-T plot, Taylor-term imaging, sub-band flux integration, radio astronomy survey
  • 为什么对您有用: 本文属于 gateway reading 范畴的 astrostatistics 论文:(1) 作为入门读物,它清晰展示了射电天文数据(EMU 巡天)的结构和谱指数估计的实际问题,对统计学家友好;(2) 武器库中的非参数回归和测量误差模型足以支撑理解其方法比较,但无需深入;(3) 值得花时间读全文,因为其数据公开且方法比较框架可迁移到其他天文测量问题。

6. 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 4/10 · novelty: application
  • 摘要: 本文基于 NASA 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与增长进行了系统分析。作者估计 2025 年约有 59940 位作者发表了至少一篇论文,加上约 40% 未发表论文的成员,社区总规模约为 10 万人。社区地理分布显示欧洲占 38%、亚洲占 29%、北美占 26%,但各国在天文学家总数、人均天文学家数和单位 GDP 天文学家数上差异显著。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。近年来增长加速至每年 5.1%,主要受中国(每年 13%)和印度(每年 10%)驱动,若趋势持续,中国和印度将分别在 2029 年和 2043 年成为全球第一、第二大天文学社区。该研究为理解学科发展动态提供了量化视角,对您作为统计学家而言,其数据整理与趋势分析方法可作为入门天文学文献计量学的参考。
  • 关键技术: demographic analysis, exponential growth modeling, bibliometric data analysis, per-capita and per-GDP normalization
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading:它清晰展示了天文学社区的数据结构(文献数据库、作者身份、国家归属)和基本统计描述(增长率、分布),适合作为了解该领域数据特点的入门读物。您的技术武器库(如非参数统计、高维渐近)足以支撑理解其方法,但本文方法学新颖性有限,主要价值在于数据洞察而非统计方法。

经济理论 / 应用 (econ_theory, 2 篇)

1. 2611.02029 — Does Calibration Pick the Right Model? Likelihood Evidence from Income Risk

  • 作者: Jiuyi Cheng, Alexis Akira Toda
  • 机构: Emory University · Research Institute for Economics & Business Administration, Kobe University · Kobe University
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究定量宏观经济学中常用的校准方法(匹配选定矩)与基于似然的模型选择之间的差异。作者提出利用有限状态隐马尔可夫近似,使得在短面板上对非线性、非高斯的潜在过程进行似然估计和模型选择成为可能,且无需模拟。方法应用于 PSID 收入数据,发现最佳匹配收入动态矩的校准模型在拟合完整历史方面不如一个具有高斯持久成分的似然估计过程。在一个标准储蓄模型中,对同一过程的不同校准(目标拟合程度相近)会导致平均资产相差三倍,说明仅匹配选定矩可能使经济预测高度不确定。该文属于应用计量/宏观实证,方法学新颖性有限,但展示了似然方法相对于矩匹配的优势。
  • 关键技术: hidden Markov model, likelihood estimation, model selection, moment matching, calibration
  • 为什么对您有用: 本文属于经济理论/应用因果方向,可作为入门读物了解宏观经济学中校准与似然估计的对比。武器库中的非参数统计和估计理论足以理解其方法,但无需直接迁移。值得花时间读全文,因为其结论对实证研究中的模型选择有启发。

2. 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
  • 相关性 6/10 · 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,提出并实现了新的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,导致常规t统计量的推断失效。xtlp采用分裂面板刀切(SPJ)偏误校正方法,消除Nickell偏误并恢复标准推断的有效性。命令支持广泛的设定,包括因变量的不同变换、额外控制变量和灵活的方差估计。通过金融冲击对产出的实证应用展示了命令的使用。本文是方法实现与软件贡献,理论新颖性有限,但为实证研究者提供了实用的工具。
  • 关键技术: split-panel jackknife, panel local projection, Nickell bias correction, Stata command
  • 为什么对您有用: 本文属于经济理论/应用领域,作为gateway reading,其方法(SPJ)与您的因果推断和纵向数据兴趣相关,但核心是软件实现。武器库中的估计理论足以理解其偏误校正机制,但本文不涉及高维或U统计量,因此仅作为入门读物,值得快速浏览以了解面板LP的实用工具。

其他 (other, 23 篇)

1. 2611.00326 — Robust Estimation of Prior Parameters in Normal-Normal Empirical Bayes

  • 作者: Manu Burson, Ryan Kessler
  • 相关性 7/10 · novelty: application
  • 摘要: 本文研究正态-正态经验贝叶斯模型中先验方差的稳健估计问题,该模型常用于大规模 A/B 测试系统以改进处理效应估计和发布决策。作者指出,在此类模型中,真实效应方差的极大似然估计(MLE)对少量极端观测值敏感。为此,他们提出一种有界影响极大似然估计量(BIMLE),该估计量根据观测值与模型的不一致程度按比例降权,从而在保留全部样本的同时降低敏感性。当不存在极端观测时,BIMLE 与标准 MLE 一致。在亚马逊的 A/B 测试应用中,BIMLE 将先验方差的估计不稳定性降低了超过 50%,同时仅降权了不到 0.1% 的观测。
  • 关键技术: bounded influence estimation, empirical Bayes, robust M-estimation, downweighting
  • 为什么对您有用: 本文属于稳健统计与经验贝叶斯的交叉领域,与您的主要兴趣(假设检验、半参数理论)有一定关联,但并非核心方向。其有界影响估计思想可能对您在高维或因果推断中处理异常值有启发,但方法本身较为应用导向。作为应用论文,其价值在于大规模 A/B 测试中的实际数据和分析流程,但方法学新颖性有限。

2. 2611.01253 — Model-Based Co-Clustering for Censored Data

  • 作者: Kejun Fang, Mincen Liu, Qihuang Zhang
  • 机构: McGill University
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种针对含删失数据矩阵的模型化双聚类方法(CGLBM),将每个删失条目视为区间观测,并利用其报告区间的概率贡献进行建模,而非像传统方法那样先替换或插补再聚类。在已知 Type I 删失设计下,作者证明了模型的可识别性,并基于删失下的 Fisher 信息给出了块均值的近似标准误。模型通过广义 EM 算法拟合,行和列的类别数由 BIC 近似选择。模拟研究表明,边界替换和截断正态插补会削弱块均值间的对比度,而多重插补在重度删失下分区恢复能力下降最多;CGLBM 能保持对比度且分区恢复能力下降最少。方法已实现于 R 包 CGLBM。
  • 关键技术: latent block model, censored Gaussian model, generalized EM algorithm, BIC approximation, interval censoring
  • 为什么对您有用: 本文属于统计建模与计算方向,与您的统计计算兴趣相关,但并非您的主要研究领域。作为入门读物,它清晰展示了如何处理删失数据矩阵,但方法学新颖性有限,主要是将现有潜在块模型扩展到删失场景。您的武器库(如非参数统计、M估计)足以理解其核心,但直接迁移价值不高,建议仅作浏览。

3. 2611.00467 — Penalized Likelihood Inference in Highly Multivariate Sparse Spectral Graphical Gaussian Processes

  • 作者: Bo-yu Chen, Drew Yarger, Anindya Bhadra
  • 机构: Purdue University West Lafayette
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对高维多元高斯随机过程,提出一种惩罚似然推断方法。其核心思想是利用逆交叉谱密度矩阵中的零元素编码过程层面的条件独立性,从而通过稀疏建模实现可扩展推断。作者引入潜变量表示并结合随机傅里叶特征,推导出随机逼近期望最大化算法,在图形LASSO惩罚下估计稀疏逆交叉谱密度矩阵。该增广策略的关键在于稀疏性存在于潜变量的逆谱密度中,而边际逆协方差在存在空间块金效应时保持稠密。频域公式允许联合估计过程特定的空间协方差参数和稀疏过程级条件依赖,无需预先指定参考位置集。方法在合成数据和MERRA-2气溶胶再分析数据上得到验证,尤其在空间错位下未观测位置的预测上优于现有方法。
  • 关键技术: graphical LASSO, random Fourier features, stochastic approximation EM, inverse cross-spectral density, latent variable augmentation
  • 为什么对您有用: 本文属于统计计算与高维建模方向,与您的高维统计和统计计算兴趣有交集,但并非核心的因果推断或半参数理论。作为入门读物,它展示了如何将稀疏图模型扩展到频域高斯过程,但方法本身(EM+随机特征)与您的武器库重叠有限。

4. 2611.04018 — A generalized lasso formulation of weighted and regularized (nearly-)isotonic regression on graphs

  • 作者: Vladimir Pastukhov
  • 机构: University of Vienna · Chalmers University of Technology
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究一般偏序集上的正则化近等张回归(nearly-isotonic regression),目标函数为带权重的平方损失(部分权重可为零)加上二次惩罚项,仅要求二次部分严格凸。作者证明当惩罚参数足够大时,该估计量与正则化等张回归(即用等张约束替代惩罚)一致。进一步,将原问题转化为广义 lasso 形式,设计矩阵满列秩且惩罚矩阵不变,并推导出对偶问题为带盒约束的二次规划,写成稀疏形式可用标准稀疏 QP 求解器求解。该工作属于凸优化与统计估计的交叉,对您而言,其广义 lasso 与对偶推导技巧可能对统计计算中处理结构约束估计问题有参考价值,但整体与您的主要兴趣方向关联较弱。
  • 关键技术: generalized lasso, isotonic regression, quadratic programming, duality, sparse optimization
  • 为什么对您有用: 本文属于统计计算与凸优化方法,与您的 statistical computing 兴趣有部分交集,但并非核心方向。作为 gateway reading,它展示了如何将结构约束估计转化为广义 lasso 并利用对偶求解,对您熟悉的高维估计与计算 tradeoff 有一定启发,但武器库足以理解,无需专门投入。

5. 2611.03608 — Penalized Cox Regression with Graph-Structured Distribution-Valued Predictors

  • 作者: Rahul Ghosal, Dhrubajyoti Ghosh, Yuanzhen Yue, Arkaprava Roy
  • 机构: University of South Carolina · Kennesaw State University · University of Florida
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出图融合分布Cox模型(GFDCM),用于处理已知图结构上的分布值预测变量,在生存分析框架下同时进行变量选择和系数融合。模型将每个ROI内的体素强度分布用惩罚样条建模,而非降维为标量汇总,保留了区域特异性并利用相邻ROI的空间关系。为同时实现预测变量选择和基于图的融合,引入结构化图融合组LASSO(GFGL)惩罚,包含组稀疏项和融合项,使图相邻预测变量的系数函数趋于一致。采用灵活的ADMM算法优化惩罚偏似然。模拟实验表明GFDCM在变量选择、融合和估计性能上优于无惩罚的函数Cox回归和仅做选择的替代方法。在ADNI-1的308例T1加权MRI数据上,GFDCM识别出与AD转化相关的脑区,预测性能优于传统ROI汇总方法。
  • 关键技术: penalized splines, Graph-Fused Group LASSO, ADMM, partial likelihood, functional Cox regression
  • 为什么对您有用: 本文属于统计方法在神经影像流行病学中的应用,涉及高维分布值预测变量和结构化惩罚,与您的因果推断和流行病学应用兴趣有间接关联,但方法学核心(图融合惩罚、ADMM)与您的主要研究方向(因果推断、高维统计、U统计量)重叠有限。作为流行病学应用,其ADNI数据和分析流程可能对您有参考价值,但作为方法学论文,其新颖性主要在于将图融合思想扩展到分布值预测变量,而非提出新的统计理论。

6. 2611.03337 — Evaluation of clinical prediction models: Decomposing performance uncertainty into model development and validation components

  • 作者: Mohsen Sadatsafavi, Paul Gustafson, Richard D. Riley
  • 机构: University of British Columbia
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究临床预测模型外部验证中性能估计的不确定性分解问题。在验证一个预测不确定的模型时,性能指标的总方差被分解为模型不确定性(源于模型开发)和验证不确定性(源于验证样本有限)两部分。作者提出 M² 和 V² 两个标量指标,分别表示总方差中模型和验证不确定性的占比,并给出基于简单 Monte Carlo 算法的实现,适用于常见性能指标和校准图。案例研究表明,同一模型和验证样本下,不同性能指标的 M² 差异很大(如 Brier score 为 12%,校准斜率为 78%),这意味着利益相关者可能因关注不同性能方面而做出不同决策。作者建议外部验证研究应报告总方差及各成分的相对占比。
  • 关键技术: variance decomposition, Monte Carlo algorithm, external validation, calibration slope, Brier score
  • 为什么对您有用: 本文属于预测模型评估的方法学工作,与您的主要兴趣(因果推断、高维统计等)无直接重叠,但涉及不确定性量化和方差分解,与您对估计不确定性的兴趣有一定关联。作为 gateway reading,本文方法简单、可复现,但统计深度有限,武器库足以理解,是否值得精读取决于您对临床预测模型评估的兴趣程度。

7. 2611.03300 — Nested MCMC for Uncertainty Propagation in Spatial Modeling of Temporal Long-Memory in Resting-State fMRI

  • 作者: Yasaman Shahhosseini, Cédric Beaulac, Farouk S. Nathoo, Michelle F. Miranda
  • 机构: University of Victoria · Université du Québec à Montréal
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对静息态 fMRI 信号中的长记忆(LM)参数,提出一个两阶段空间贝叶斯框架:第一阶段用条件自回归(CAR)先验对皮层顶点间的空间依赖性建模,估计 subject-specific 的 LM;第二阶段用嵌套 MCMC 将第一阶段的不确定性传播到人群层面的回归推断中。为应对高维皮层表面,采用复合基表示使计算可行。模拟研究表明,CAR 先验显著提升 subject-level LM 估计精度,并在人群层面降低估计误差、改善局部组效应检测;嵌套 MCMC 的后验均值与 CAR plug-in 相当,但可信区间更宽,能反映 LM 估计的不确定性。应用于 HCP-Aging 数据,发现年龄与 LM 在额叶和前中央区存在显著负相关。本文是应用导向的贝叶斯建模工作,方法学 novelty 有限,但对 fMRI 长记忆分析有实际参考价值。
  • 关键技术: conditional autoregressive (CAR) prior, nested Markov chain Monte Carlo, composite-basis representation, spatial Bayesian modeling, long-memory parameter estimation
  • 为什么对您有用: 本文属于应用统计工作,与您的主要兴趣(因果推断、高维统计等)无直接交集,但可作为流行病学/神经影像应用方向的入门读物,展示空间建模与不确定性传播的实用流程。您的武器库(如 MCMC、贝叶斯建模)足以理解本文方法,但无需深入跟进。

8. 2611.03230 — Bagel: A Fast Bayesian Online Changepoint Detection Algorithm for Linear Models via Posterior Merging

  • 作者: Ziyang Yang, Paul Fearnhead, Dan Grose
  • 机构: Lancaster University
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 Bagel,一种针对线性模型的快速贝叶斯在线变点检测算法。在贝叶斯在线变点检测框架下,目标是对变点位置和是否发生变点进行序贯后验推断,模型涵盖均值、斜率变化以及季节效应等常见结构。精确推断的朴素实现计算成本随时间线性增长,作者引入基于后验合并的近似更新,使计算成本保持恒定,作为现有剪枝方法的替代。合并条件同时考虑变点时间的后验概率和变点后参数的相似性,比仅考虑前者更准确。模拟数据和 Azure LLM 推理轨迹上的实验表明,该方法在检测精度和计算效率上优于现有方法。对您而言,该文属于统计计算与算法设计范畴,虽非核心兴趣,但其在线推断与近似策略可能对纵向因果推断中的序贯处理有启发。
  • 关键技术: Bayesian online changepoint detection, posterior merging, linear regression models, sequential Monte Carlo
  • 为什么对您有用: 本文属于统计计算与在线推断方法,与您的统计计算兴趣有交集,但并非核心方向。作为入门读物,它清晰展示了在线贝叶斯推断中计算-精度权衡的典型处理方式,但武器库中的工具(如高阶U统计、半参数理论)在此问题上的直接应用有限。若您对在线变点检测在纵向因果推断中的应用感兴趣,可作中期参考,但当前不构成高优先级阅读。

9. 2611.02713 — A Bayesian quantile mixed model for bounded discrete outcomes

  • 作者: Divan Aristo Burger
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对纵向有界整数结果(如认知评分)提出贝叶斯分位数混合模型。采用离散 Kumaraswamy 分布,通过平滑分位数锚点参数化,其上限对应整数分位数,从而同时处理离散性、有限支撑和个体内相关性。协变量和相关高斯随机效应进入 logit 预测器,另设回归建模分布形状。后验计算结合共轭高斯系数更新、切片采样和协方差交织。模拟显示回归系数偏差小,95% 可信区间覆盖率接近名义水平。应用于重复认知评分,展示了不同分位数水平下的协变量关联。
  • 关键技术: Bayesian quantile regression, discrete Kumaraswamy distribution, mixed effects model, slice sampling, covariance interweaving
  • 为什么对您有用: 本文属于纵向数据建模,与您的因果推断中纵向设定和统计计算兴趣相关,但方法偏贝叶斯建模而非因果识别。作为入门读物可了解分位数回归在离散纵向数据中的处理,但武器库(如非参数统计、M估计)支撑有限,暂不可做直接迁移。

10. 2611.01312 — Accuracy Is Not Risk: Why Medical AI Should Not Report Only Its Most Likely Label

  • 作者: Jeffrey Humpherys, Makoto Jones
  • 机构: Missouri University of Science and Technology · University of Utah
  • 相关性 5/10 · novelty: application
  • 摘要: 本文讨论医疗AI仅报告最可能标签(如诊断类别)而丢弃完整概率分布时,对下游临床风险估计的误导。作者用Jeffrey's rule of conditioning刻画中间状态概率(如诊断或影像类别)如何向前传播到结局风险,并区分两种错误:丢弃其他状态概率,以及将具有主导诊断患者的风险应用于仅可能患有该诊断的患者。文中给出标签与完整分布导致相同决策的条件,并提出面向设备开发者、监管审查者和保险方的护栏建议。通过胸痛鉴别和BI-RADS两个假设例子展示,仅报告良性主导诊断会严重低估死亡或心脏骤停风险,而BI-RADS最可能类别为“可能良性”但传播的恶性风险超过该类别上限。结论强调预测标签不是观测状态,校准的分类器不自动是有效的结局模型,临床和保险决策应基于结局风险。对您而言,本文虽非方法论新贡献,但作为gateway reading,其概率传播与决策阈值讨论与您的因果推断(尤其是中介和纵向设定)及流行病学应用有概念联系,可作为跨领域阅读材料。
  • 关键技术: Jeffrey's rule of conditioning, probability propagation, risk estimation, decision thresholds
  • 为什么对您有用: 本文属于gateway reading范畴(医学AI应用),非方法论新贡献。作为入门读物,它清晰阐述了概率传播与决策风险的概念,对统计学家友好;您的武器库(概率论、因果推断)足以理解全文,但无直接可迁移的方法。值得花时间读全文以拓宽对医疗AI中统计问题的视野,但不必深究。

11. 2611.01199 — A model-based adaptive sampling framework for infectious disease surveillance

  • 作者: Supun Manathunga, Nathaniel Osgood, Sheila F. O'Brien, David L. Buckeridge, W. Alton Russell
  • 机构: McGill University · University of Saskatchewan · University of Ottawa · Canadian Blood Services
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一个基于模型的适应性采样框架,用于传染病纵向监测中每轮采样设计的选择。框架采用状态空间模型刻画流行病过程,并将潜在状态映射到监测目标量;通过统计滤波(如粒子滤波)在观测到达时校准模型,传播潜在状态、时变参数、随机动力学和采样噪声的不确定性。设计选择基于贝叶斯保证准则,将一步预测分布转化为满足目标后验可信区间宽度的最小成本设计。在模拟和加拿大献血者SARS-CoV-2血清监测的回顾性案例研究中,该方法在预期高方差时期增加采样力度,且区间达标比例与验证的保证值一致;在未预期的传播率变化后,采样力度上升直至滤波器重新学习。该框架模块化,可扩展至其他病原体、数据流和监测目标。
  • 关键技术: state-space model, particle filter, Bayesian assurance criterion, adaptive sampling, posterior credible interval
  • 为什么对您有用: 本文属于应用统计/流行病学监测领域,与您的次要兴趣(流行病学应用)相关,但方法学上主要是贝叶斯状态空间建模和序贯决策,与您的主要兴趣(因果推断、高维统计、U统计量)重叠有限。作为流行病学应用,它展示了如何将不确定性量化融入采样设计,但统计方法较为常规。

12. 2611.00965 — High-Frequency Estimation of the Leverage Effect under Rough Volatility with Microstructure Noise

  • 作者: Zhao Chen, Ming Cheng, Christina Dan Wang, Ziyang Xiong
  • 机构: Fudan University · New York University Shanghai
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文在粗糙波动率(rough volatility)框架下研究杠杆效应的高频估计问题,其中现货方差遵循粗糙 Volterra 动态,杠杆载荷依赖于内生粗糙状态,且观测价格可能受微观结构噪声污染。作者通过价格与现货方差的缩放协变定义了一个积分杠杆参数,以适配两者不同的局部波动尺度。该缩放实现协方差满足稳定的泛函中心极限定理,并带有由区间内杠杆载荷变化引起的显式路径中心化修正;在载荷正则性条件下该修正渐近可忽略,作者对直接 Volterra 载荷及闭粗糙状态的光滑函数验证了该条件(对所有 Hurst 指数小于 1/2 的情形)。他们构造了基于分块的估计量,具有精确的有限窗口比例偏差修正,并给出其渐近方差的非负单尺度估计量;预平均方法将可行推断扩展到含独立同分布微观结构噪声的观测。在粗糙 Heston 模型下的模拟表明,无论有无噪声,有限样本校准均准确;对九只美国股票和 ETF 的十五年一秒数据实证分析显示,在周和月时间尺度上所有资产的杠杆估计中位数均为负。
  • 关键技术: rough volatility, leverage effect, realized covariation, stable functional central limit theorem, pre-averaging, block-based estimation
  • 为什么对您有用: 本文属于金融高频统计领域,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,但其中涉及的泛函中心极限定理、预平均方法以及微观结构噪声处理,对您在高维随机矩阵和假设检验方面的技术积累有一定参考价值。作为 gateway reading,本文对高频数据建模和估计的阐述较为清晰,但需要一定的金融时间序列背景。您的武器库(如经验过程、集中不等式)足以支撑理解其理论证明,但若要深入该方向,需补充金融微观结构噪声模型的知识。总体而言,本文不是您核心方向的直接推进,但可作为拓宽视野的阅读材料。

13. 2611.03282 — Statistics of the Shepp \(p\)-product

  • 作者: Wenxuan Guo, Lek-Heng Lim
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究 Shepp p-乘积 XY/(X^p+Y^p)^{1/p} 的统计性质,这是 Shepp 在 1962 年发现的保正态性乘积的推广。作者证明 p=1 时该乘积保 Cauchy 分布,p=∞(极限意义下)保指数分布,并给出逆命题:这些分布是相应 p 值下唯一被保的分布。文章建立了关于 Shepp p-乘积的乘法无穷可分性理论,推导了 n 个 i.i.d. 随机变量乘积的渐近分布,并给出了 Kolmogorov 距离下的收敛速率估计,部分结果对 p=2 也是新的。在应用方面,作者提出基于 Shepp ∞-乘积的指数性检验统计量,理论上和实证上都比基于相对效率的 Kolmogorov-Smirnov 检验更有效。该工作属于分布保持运算与乘积极限定理的经典概率论方向,与您的因果推断、高维统计等主要兴趣无直接交集,但其中关于乘积型统计量的收敛速率分析可能对您熟悉的 U-统计量渐近理论有类比启发。
  • 关键技术: Shepp p-product, distributional characterization, multiplicative infinite divisibility, asymptotic theory, Kolmogorov distance convergence rate, goodness-of-fit test
  • 为什么对您有用: 本文属于经典概率论与分布理论,与您的主要兴趣(因果推断、高维统计、U-统计量)无直接交集,但其中对乘积型统计量的渐近分布和收敛速率分析,可能对您熟悉的 higher-order U-statistics 的极限理论有类比参考价值。作为 gateway reading,本文数学清晰、自包含,适合作为了解乘积型统计量理论的入门读物;您的武器库(非参数统计、渐近理论)足以支撑理解全文,但无需投入深度阅读。

14. 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: 本文提出卷积偏 t(CST)分布,通过一般载荷矩阵组合独立的标准化偏 t 子向量,以刻画异质尾部、方向性非对称和非椭圆依赖。作者建立了参数可识别性,并利用解析得分和 Fisher 信息的单维约简进行似然推断。在有限方差模型下,证明了极大似然估计的相合性和渐近正态性,并刻画了错误施加对称性的后果。原始表示将分布族推广到所有正尾部指数。模拟评估了有限样本表现,实证部分用已实现波动率数据展示了允许不同潜在子向量具有不同尾部厚度和非对称性的价值。
  • 关键技术: skew-t distribution, likelihood inference, Fisher information reduction, asymptotic normality, realized volatility
  • 为什么对您有用: 本文属于统计分布建模,与您的主要兴趣(如半参数理论、假设检验)关联较弱,但作为统计计算和分布理论的新发展,可能对您了解非椭圆分布族及其推断方法有参考价值。武器库中的非参数统计和 M-估计理论可用于分析其似然推断的稳健性,但核心问题并非您的主攻方向,属于边缘阅读。

15. 2611.03288 — Tail persistence of extremes at finite and asymptotic levels with Bayesian hierarchical inference

  • 作者: Nikita Rawat, Shiv Kumar Yadav, Dreamlee Sharma, Rishikesh Yadav
  • 机构: University of Delhi · Indian Institute of Technology Mandi
  • 相关性 4/10 · novelty: application
  • 摘要: 本文在广义极值(GEV)和广义帕累托(GP)模型下,提出一个贝叶斯分层框架来建模尾部持续性(tail persistence),即超过极端阈值后观测值相对升高的特征。作者首先在正则变化假设下明确了尾部持续性与极值指数的联系,将渐近持续性识别为 1/(1-ξ),从而将持续性关联到尾部厚度。随后在两种模型下推导了有限分位数水平持续性的闭式表达式,并证明对具有共同形状参数的任意位置-尺度极值族,有限水平持续性仅依赖于位置和尺度参数的比值。鉴于观测特定形状参数的可辨识性较弱,作者构建了一个形状参数随时间恒定、位置和尺度参数随协变量和潜在效应变化的分层贝叶斯模型,使渐近持续性成为单一可辨识量,而有限水平持续性随时间演化。框架提供后验推断、可信区间以及时间演化和协变量效应的概率评估,并通过模拟和实际数据展示其在非平稳设定下对极端值升级的可解释刻画,且提供开源 R 包。
  • 关键技术: Bayesian hierarchical modeling, generalized extreme value distribution, generalized Pareto distribution, tail persistence, regular variation, Markov chain Monte Carlo
  • 为什么对您有用: 本文属于极值统计的应用方法学工作,与您的主兴趣(因果推断、高维、U-统计等)无直接交集,但作为统计建模与计算的应用案例,其贝叶斯分层框架和不确定性量化思路对您关注的应用统计(如流行病学中的极端事件风险)有一定参考价值。从武器库看,您熟悉的 MCMC 和分层建模足以理解本文,但核心极值理论(正则变化、GEV/GP)并非您的常用工具,因此属于中期可读的拓展材料,而非立即可迁移的方法。

16. 2611.02148 — A multivariate unsupervised lognormal-GPD mixture for dependent losses

  • 作者: Marco Bee, Flavio Santi
  • 机构: University of Trento
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种多元两总体混合分布,用于拟合重尾、正偏态的非负数据,其中第一个总体为多元对数正态分布,第二个总体通过 Gumbel copula 连接零均值广义帕累托边际密度得到。模型是无监督的,无需设定或估计阈值。作者推导了该分布的一些性质,并开发了期望条件最大化(ECM)算法进行极大似然估计,模拟实验表明该方法在多元(不止二元)情形下表现良好。有限样本性质通过模拟评估,并应用于商业财产-意外险聚合索赔数据,展示了依赖结构对风险估计的影响。所有方法已实现于 R 包 MultLognGPD。
  • 关键技术: multivariate lognormal-GPD mixture, Gumbel copula, Expectation-Conditional Maximization (ECM) algorithm, maximum likelihood estimation, simulation study
  • 为什么对您有用: 本文属于统计建模与计算方向,与您的统计计算兴趣(ECM 算法实现)有轻度关联,但核心是保险损失建模,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接交集。作为入门读物,它展示了 copula 与混合分布在重尾数据中的应用,但方法论迁移价值有限。

17. 2611.01202 — Geodesics and intrinsic statistics of isolated connections in Hermitian positive-definite matrices

  • 作者: Ronald García Reyes, Pedro Antonio Valdés-Sosa
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究 Hermitian 正定矩阵中单个共轭非对角元素对变化时的黎曼几何与内在统计。在仿射不变度量下,固定其余元素,该约束将可行集映射为开复圆盘,度量化为与矩阵维数无关的二维形式。圆盘完备,高斯曲率在 (-1/4,0] 内,具有唯一测地线和全局对数映射,其内在距离严格大于环境仿射不变距离。角动量守恒将测地线边值问题化为单个标量方程,无需打靶即可计算距离和对数。对具有有限二阶内在矩的参考分布,建立了唯一 Fréchet 中心和经验估计的相合性,以及三明治中心极限定理。切协方差标准化给出矩恒等式,可交换秩校准提供有限样本得分保证。
  • 关键技术: affine-invariant metric, Fréchet mean, geodesic boundary-value problem, sandwich central limit theorem, rank calibration
  • 为什么对您有用: 本文属于统计流形上的几何统计,与您的主要兴趣(非参数/半参数理论、假设检验)有间接关联,但并非直接的方法学推进。作为 gateway reading,它展示了在约束流形上做推断的几何框架,但武器库中的工具(如 U-统计量、经验过程)难以直接迁移。

18. 2611.00565 — Movement based social interactions with label uncertainty

  • 作者: Anisha J. Mathias, John W. Durban, Holly Fearnbach, Samantha G. M. Leander, Henry R. Scharf
  • 机构: University of Arizona · Southall Environmental Associates (United States)
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对无人机影像中海洋哺乳动物个体身份不确定的问题,提出一个贝叶斯分层状态空间模型。该模型将观测位置对应的个体身份视为未知随机变量,从而在估计个体运动参数的同时传播身份不确定性。作者将该方法应用于里氏海豚的无人机运动数据,以估计声纳暴露对海豚运动行为的影响。该工作属于应用统计建模,方法核心是贝叶斯推断和状态空间模型,而非因果推断或高维理论。对您而言,其价值在于展示了处理身份标签不确定性的贝叶斯建模思路,可能对您关注的纵向或观测性研究中的测量误差问题有启发,但方法学新颖性有限。
  • 关键技术: Bayesian hierarchical state-space model, identity uncertainty, drone-based tracking, MCMC
  • 为什么对您有用: 本文属于应用统计建模,与您的核心兴趣(因果推断、高维、半参数)关联较弱。但可作为流行病学或生态学中测量误差问题的入门读物,其处理身份不确定性的贝叶斯框架可能对纵向数据中的标签噪声问题有借鉴意义。武器库中的贝叶斯推断和状态空间模型足以理解本文,但无需深入阅读。

19. 2611.01365 — A unified study of explosive processes with a root in the neighborhood of the unit circle

  • 作者: Marie Badreau, Frédéric Proïa
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究带时变系数的自回归过程,其根位于或收敛于单位圆附近,涵盖稳定、不稳定与爆炸三种经典体制。作者旨在建立统一渐近理论,连接这三种体制下过程与OLS估计量的渐近行为。通过考虑根从平稳侧和爆炸侧趋近单位圆,考察相应收敛速率之间的相互作用与桥梁。在较一般的条件下,为理解根在单位圆邻域的混合自回归动态提供了框架。该工作属于时间序列非平稳渐近理论,与您的核心兴趣(因果推断、高维、半参数)无直接交集,但其中关于边界参数(单位根)的渐近分析思路对理解非正则估计问题有一定参考价值。
  • 关键技术: local-to-unity asymptotics, explosive autoregression, OLS asymptotics, unified asymptotic theory
  • 为什么对您有用: 本文属于时间序列非平稳渐近理论,与您的核心兴趣(因果推断、高维、半参数)无直接交集,但其中关于边界参数(单位根)的渐近分析思路对理解非正则估计问题有一定参考价值。武器库中无直接可攻口子,暂不可做。

20. 2611.00979 — Optimal Learning in Fairness-Aware Contextual Bandits

  • 作者: Gengyu Xue, Fan Wang, Feiyu Jiang, Zifeng Zhao, Yi Yu
  • 机构: University of Warwick · The University of Melbourne · Fudan University · University of Notre Dame
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究在全局协变量 Lipschitz 公平约束下的上下文赌博机问题,该约束要求相似上下文的个体获得相似的动作分布。作者证明该约束在决策边界附近诱导出一个随机化区域,并显式量化了公平性在总体层面的代价。他们建立了最优公平策略的规范表示,将公平策略设计简化为低维边界优化问题。针对连续上下文,提出 lazy fair greedy 算法,利用公平性诱导的协变量多样性,通过有限维线性规划更新策略;针对一般(离散或混合)上下文分布,提出 lazy polyhedral UCB 算法,其乐观优化归结为在置信集顶点上求解有限个线性规划。两种方法每轮都满足公平约束,并达到 O(√T + T^{(d-2)/(d-1)} 1{d≥4}) 的遗憾界(忽略对数因子),其中 d 为上下文维度。匹配的 minimax 下界(基于 ℓ1 公平性)证明了最优性,并揭示学习决策边界的非参数代价在 d≥4 时主导参数学习代价。
  • 关键技术: contextual bandits, Lipschitz fairness constraint, minimax regret lower bound, lazy greedy algorithm, polyhedral UCB, linear programming
  • 为什么对您有用: 本文属于在线学习/赌博机理论,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 minimax 下界与边界学习的非参数代价分析,与您熟悉的非参数/半参数理论有方法论上的呼应。作为 gateway reading,本文对赌博机与公平性交叉领域提供了清晰的设定和结果,但并非您领域的核心文献。

21. 2611.00514 — Unconstrained support points can leave a convex support

  • 作者: Zhaohui Li
  • 机构: Chinese Academy of Sciences · Academy of Mathematics and Systems Science
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究支持点(support points)在凸约束下的行为,目标是用少量等权代表点通过能量距离最小化近似概率分布。作者构造反例表明,无约束的支持点不一定满足凸约束:例如三个平面观测、全三角支撑的密度,以及 Frobenius 范数下正定矩阵数据可能产生非正定的最优代表点。同时,文章也给出了包含性成立的若干情形,证明了在分布扰动下的稳定性,并量化了施加凸包约束的目标代价。对于固定代表点数和正的总体约束间隙,经验配置的全局目标误差趋于零时,最终几乎必然离开样本凸包。该结果对统计计算中基于能量距离的分布近似方法有理论指导意义。
  • 关键技术: energy distance minimization, support points, convex hull constraints, counterexample construction, stability analysis
  • 为什么对您有用: 本文属于统计计算与分布近似的基础理论,与您的统计计算兴趣相关,但并非您主要研究方向的核心。作为入门读物,它清晰展示了能量距离最小化在约束下的局限性,但方法学上对您的工作帮助有限。武器库足以理解,但无需深入。

22. 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度-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,推导 MSE 最优预测器,得到最大单调和最小拐点预测器、滤波器和平滑器。优化问题被表述为二次约束二次规划(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-平滑度(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均方误差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 的凸化技巧和闭式解推导对统计计算有一定参考价值。作为 gateway reading,本文对非平稳预测的建模和优化框架阐述清晰,但方法学新颖性有限,属于特定应用领域的优化方法。

23. 2611.03250 — Anomaly-ranked confirmation slows new-class learning

  • 作者: Argyro Sasli, Michael Coughlin
  • 机构: University of Minnesota
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究异常检测器在主动学习新类识别中的排序效应:检测器将未标记样本按异常程度排序,专家确认排名靠前的样本并用于训练新类分类器。在物理、医学和计算机视觉五个基准上,检测器标记的样本正是分类器最先学习的样本。但在三个系统中,确认排名最高的新类成员比确认同等数量的随机成员获得更低的识别性能;将后续选择交给已提升的分类器可部分恢复损失。配对干预实验表明,用远处已知类替换近处已知类会大幅减少识别所需的确认次数。这些结果区分了“发现新类”与“选择能教授类范围的样本”,并表明在测试类内将确认集中在异常排名顶端会降低学习效率。对您而言,本文虽非统计方法论文,但其主动学习与异常检测的交互设计可作为理解数据选择偏差的入门读物。
  • 关键技术: anomaly detection, active learning, confirmation bias, benchmark evaluation
  • 为什么对您有用: 本文属于 gateway-reading 范畴(应用机器学习),与您的主要统计兴趣无直接重叠。作为入门读物,它清晰展示了数据选择机制如何影响学习效率,但缺乏统计理论深度。您的武器库(如非参数统计、因果推断)足以理解其设计,但不足以直接迁移方法。鉴于其应用性质且非您领域核心,不值得花时间读全文。

🗂 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. 2611.01949 — The precision of fractional factorial designs under randomization

  • 作者: Xinyuan Chen
  • 机构: Mississippi State University
  • 相关性 3/10
  • 评分理由: Design of experiments is tangential to the primary interests in causal inference and high-dimensional statistics.

2. 2611.01941 — Asymptotic delta-like behavior of the weighted taper in Thomson's multitaper F-test

  • 作者: Hau-Tieng Wu
  • 相关性 3/10
  • 评分理由: Specialized spectral analysis topic, tangential to primary interests and no arsenal match.

3. 2611.01799 — Learning AI Agents, Market Makers, and Stress in Automated Markets

  • 作者: Irene Aldridge
  • 机构: Johns Hopkins University · Cornell Tech
  • 相关性 3/10
  • 评分理由: Automated markets and AMMs are unrelated to primary statistical interests; no clear methodological overlap.

4. 2611.00225 — Shear Mapping in Python (SMPy): Modular, Extensible, and Accessible Dark Matter Mapping

  • 作者: Georgios N. Vassilakis, Jacqueline E. McCleary, Maya Amit, Sayan Saha
  • 机构: Northeastern University · University of Cambridge · New York University
  • 相关性 3/10
  • 评分理由: Astro software tool for dark matter mapping; no direct statistical methodology overlap, weak gateway value.

5. 2611.00160 — Wide-field search for submicrosecond optical and gamma transients as manifestation of primordial black holes evaporation with the TAIGA-HiSCORE Cherenkov array

  • 作者: I. I. Astapov, G. M. Beskin, P. A. Bezyazykov, A. V. Blinov, E. A. Bonvech, A. N. Borodin et al.
  • 相关性 3/10
  • 评分理由: Search for optical transients; data processing but no clear statistical methodology or gateway value.

6. hexagon:2610.00734 — Density coexistence for hard spheres with a long-range attractive pair interaction

  • 作者: Qidong He
  • 分类: math-ph · math.PR
  • 相关性 3/10
  • 评分理由: Statistical mechanics with probability, but no direct connection to primary interests; tangential.

7. hexagon:2610.00709 — Upper bounds for the Chvátal–Sankoff constants \(\gamma_k\), \(k\ge3\)

  • 作者: David Niedbala Giraudin
  • 分类: math.PR · math.CO · cs.DM
  • 相关性 3/10
  • 评分理由: Combinatorial probability constants, weak overlap with high-d asymptotics but not a primary interest.

8. hexagon:2610.00705 — Riordan lattice paths counted by area

  • 作者: Ilmar Gahramanov
  • 分类: math.MP · math.PR
  • 相关性 3/10
  • 评分理由: Combinatorial enumeration with q-series, weak overlap with U-statistics combinatorics but not a primary interest.

9. hexagon:2610.00677 — Local independent sets and colourings of triangle-free graphs

  • 作者: Matthew Bowen, András Máthé, Oleg Pikhurko
  • 分类: math.CO · math.LO · cs.DM · cs.DS
  • 相关性 3/10
  • 评分理由: Combinatorial graph coloring, tangential to computational statistics but not relevant.

10. 2611.00361 — Statistical Sheaf Modeling Methods for Measuring Qualia Structures

  • 作者: Donna A. Dietz, Michael Robinson
  • 相关性 2/10
  • 评分理由: Sheaf theory for qualia is far outside primary interests and lacks statistical methodology relevant to the researcher.

11. 2611.03895 — A Tetration Distribution

  • 作者: Micah Thornton
  • 机构: Texas Woman's University
  • 相关性 2/10
  • 评分理由: A novel distribution on the unit interval is tangential to the researcher's core statistical interests.

12. 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 2/10
  • 评分理由: Instrumentation paper for gamma-ray telescopes; no statistical or data-modeling content relevant.

13. 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 · The University of Tokyo · Kyoto Sangyo University
  • 相关性 2/10
  • 评分理由: Optical modeling of wave plates; physics instrumentation, no statistical methodology.

14. 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: Cryogenic optical material characterization; no statistical or data-modeling relevance.

15. hexagon:2611.00019 — Minimal recurrences for binomial power sums

  • 作者: Khai-Hoan Nguyen-Dang
  • 分类: math.NT · math.GM
  • 相关性 2/10
  • 评分理由: Pure number theory on recurrences, unrelated to statistical interests.

16. hexagon:2611.00016 — The ten minimum universal sets of MacMahon cubes

  • 作者: Jason Davies
  • 分类: math.CO · cs.DM · cs.LO
  • 相关性 2/10
  • 评分理由: Combinatorics of MacMahon cubes, no statistical or computational relevance.

17. hexagon:2611.00015 — Positive polytopes and the full Fock–Goncharov conjecture

  • 作者: Qiyue Tang
  • 分类: math.CO · math.RT
  • 相关性 2/10
  • 评分理由: Cluster algebras and polytopes, unrelated to statistics.

18. hexagon:2611.00014 — The Möbius pseudodistance of the annulus and an improved lower bound for Korenblum's constant

  • 作者: David Niedbala Giraudin
  • 分类: math.CV · math.FA
  • 相关性 2/10
  • 评分理由: Complex analysis and Bergman spaces, tangential to mathematical statistics.

19. hexagon:2611.00013 — Projected stated (SL_n)-skein algebras and the Huang–Wang conjectures

  • 作者: Qiyue Tang
  • 分类: math.QA · math.RT
  • 相关性 2/10
  • 评分理由: Skein algebras and quantum cluster algebras, unrelated to the researcher's interests.

20. hexagon:2611.00012 — A certified upper bound for the distortion of the trefoil knot

  • 作者: David Niedbala Giraudin
  • 分类: math.GT · math.MG
  • 相关性 2/10
  • 评分理由: Knot theory and distortion bounds, no statistical or computational overlap.

21. hexagon:2611.00009 — On Problem 5 of Vitorino and Vukusic: \(\sup_{k\ge 0} B(2^k\alpha)\ge 12\)

  • 作者: David Niedbala Giraudin
  • 分类: math.NT · math.DS
  • 相关性 2/10
  • 评分理由: Number theory/dynamical systems computation, tangential to statistical computing at best.

22. hexagon:2611.00005 — Coincidences of \(q\)-analogues of Markoff numbers outside the known families: an answer to a question of Labbé, Lapointe and Steiner

  • 作者: David Niedbala Giraudin
  • 分类: math.CO · math.NT
  • 相关性 2/10
  • 评分理由: Combinatorics/number theory with exhaustive computation, tangential to statistical computing.

23. hexagon:2610.00732 — Wigner–Yanase–Dyson Metrics Have Monotone Curvature

  • 作者: Suvrit Sra
  • 分类: math.FA · math-ph · math.DG · quant-ph
  • 相关性 2/10
  • 评分理由: Information geometry on density matrices, tangential to mathematical statistics but not a primary interest.

24. hexagon:2610.00731 — A sharp Brégman–Minc bound for permanents

  • 作者: Suvrit Sra
  • 分类: math.CA · math.CO · math.FA · math.IT
  • 相关性 2/10
  • 评分理由: Combinatorial inequality for permanents, tangential to statistical computing but not a primary interest.

25. hexagon:2610.00727 · arXiv — A Koteljanskii inequality for permanents

  • 作者: Suvrit Sra
  • 机构: Technical University of Munich
  • 分类: math.RA · math.CO · math.PR
  • 相关性 2/10
  • 评分理由: Permanent inequality via Gaussian moments, tangential to probability but no stats relevance.

26. hexagon:2610.00726 · arXiv — The \(p\)-Bures–Wasserstein distance via \(3\times3\) block matrices (with application to \(p\)-Bures–Wasserstein barycenters)

  • 作者: Suvrit Sra
  • 机构: Technical University of Munich
  • 分类: math.FA · math.MG · math.OC
  • 相关性 2/10
  • 评分理由: Bures-Wasserstein distance on matrices, adjacent to optimal transport but not core interest.

27. hexagon:2610.00723 — The \(q\)-Foulkes problem II: Schur positivity with high probability

  • 作者: Suvrit Sra
  • 分类: math.CO · math.PR · math.RT
  • 相关性 2/10
  • 评分理由: Probabilistic view of Schur positivity, but topic is combinatorics not statistics.

28. hexagon:2610.00719 — Lower bounds for the quantum permanent

  • 作者: Suvrit Sra
  • 分类: math.OC · math.FA · quant-ph · math.CO
  • 相关性 2/10
  • 评分理由: Quantum permanent lower bounds via convex optimization, tangential to statistical computation at best.

29. hexagon:2610.00711 — An Improved Subexponential Bound for Deterministic Integer Factorization

  • 作者: Joseph Shunia
  • 分类: math.NT · cs.CC
  • 相关性 2/10
  • 评分理由: Computational number theory, tangential to statistical computing but no direct relevance.

30. hexagon:2610.00703 — The Esperanza Algorithm for Maximum Independent Set

  • 作者: Frank Vega
  • 分类: cs.CC · cs.DS
  • 相关性 2/10
  • 评分理由: Algorithm for maximum independent set, tangential to statistical computing.

31. hexagon:2610.00701 — The Shared Randomness Cost of Optimal One Use Loop Communication

  • 作者: Daniel Adam Pyle
  • 分类: math.IT · quant-ph
  • 相关性 2/10
  • 评分理由: Information theory on shared randomness in quantum communication, tangential.

32. hexagon:2610.00700 — Shared Randomness and Normalization in One-Use Loop Communication

  • 作者: Daniel Adam Pyle
  • 分类: math.IT · quant-ph
  • 相关性 2/10
  • 评分理由: Quantum communication success probability, tangential to statistics.

33. hexagon:2610.00697 — Deterministic Polynomial-Time Primality Testing with a Single Binomial Congruence

  • 作者: Joseph Shunia
  • 分类: math.NT · cs.CC
  • 相关性 2/10
  • 评分理由: Primality testing algorithm, tangential to statistical computing.

34. hexagon:2610.00684 — Curvature-Induced Killing at Stochastic Algebraic Folds

  • 作者: Zhenyu Sun
  • 分类: math.PR
  • 相关性 2/10
  • 评分理由: Stochastic process on algebraic folds, tangential to probability but not statistical inference.

35. hexagon:2610.00674 — Finite Alphabet Communication with Noisy Forward Memory in a Normalized Loop

  • 作者: Daniel Adam Pyle
  • 分类: math.IT · quant-ph
  • 相关性 2/10
  • 评分理由: Quantum communication theory, unrelated to statistical interests.

36. hexagon:2610.00661 — A two-sided criterion for the Riemann hypothesis from weighted prime sums, verified up to 2·10^29

  • 作者: Pedro Caceres
  • 分类: math.NT · math.CV
  • 相关性 2/10
  • 评分理由: Number theory verification of RH, tangential to statistics with no data/model dimension.

37. hexagon:2611.00017 — Gersten injectivity and Morel's purity conjecture

  • 作者: Niels FELD
  • 分类: math.AG · math.KT
  • 相关性 1/10
  • 评分理由: Algebraic geometry and K-theory, far outside the researcher's field.

38. hexagon:2611.00011 — Improved and sharp bounds for illumination

  • 作者: אלון שכטר
  • 分类: math.MG
  • 相关性 1/10
  • 评分理由: Pure convex geometry/illumination bounds, unrelated to statistics or the researcher's interests.

39. hexagon:2611.00010 — Illumination of complex 1-unconditional convex bodies

  • 作者: אלון שכטר
  • 分类: math.MG
  • 相关性 1/10
  • 评分理由: Convex geometry illumination bounds, no statistical or computational relevance.

40. hexagon:2611.00008 — Certified ropelength bounds for torus knots and the tight knot constant

  • 作者: David Niedbala Giraudin
  • 分类: math.GT
  • 相关性 1/10
  • 评分理由: Geometric topology with computer-assisted proof, unrelated to statistics.

41. hexagon:2611.00007 — Illumination of several families of complex convex bodies

  • 作者: אלון שכטר
  • 分类: math.MG
  • 相关性 1/10
  • 评分理由: Convex geometry illumination numbers, no connection to statistical interests.

42. hexagon:2611.00006 — Equality of the Mirković–Vilonen and theta bases

  • 作者: Qiyue Tang
  • 分类: math.RT · math.RA
  • 相关性 1/10
  • 评分理由: Representation theory/algebra, unrelated to statistics.

43. hexagon:2610.00730 — The Macdonald \((q,t)\)-permanent II: Probability laws and their regions of validity

  • 作者: Suvrit Sra
  • 分类: math.PR · math.CO · math.FA
  • 相关性 1/10
  • 评分理由: Pure combinatorics/probability on Macdonald permanents, unrelated to statistics interests.

44. hexagon:2610.00729 — The Macdonald \((q,t)\)-permanent I: Algebra and positivity

  • 作者: Suvrit Sra
  • 分类: math.CO · math.RA · math.RT · math.FA
  • 相关性 1/10
  • 评分理由: Algebraic combinatorics on Macdonald permanents, no statistical connection.

45. hexagon:2610.00728 — Weak positivity of Schur forms under decomposable curvature

  • 作者: Suvrit Sra
  • 分类: math.FA · math.CV · math.DG · quant-ph
  • 相关性 1/10
  • 评分理由: Complex geometry and positivity of Schur forms, far from statistical methodology.

46. hexagon:2610.00725 — On majorization inequalities for normalized Jack and Macdonald polynomials

  • 作者: Suvrit Sra
  • 分类: math.CO · math.CA · math.RT
  • 相关性 1/10
  • 评分理由: Majorization inequalities for Jack/Macdonald polynomials, pure combinatorics.

47. hexagon:2610.00724 — The \(q\)-Foulkes problem III: On Foulkes' conjecture with a graded inner factor

  • 作者: Suvrit Sra
  • 分类: math.CO · math.RT · math.AC
  • 相关性 1/10
  • 评分理由: Foulkes conjecture and plethysm positivity, unrelated to statistics.

48. hexagon:2610.00722 — The \(q\)-Foulkes problem I: A fusion inequality for Macdonald plethysms

  • 作者: Suvrit Sra
  • 分类: math.CO · math.RT
  • 相关性 1/10
  • 评分理由: Pure algebraic combinatorics on Macdonald plethysms, unrelated to any statistical interest.

49. hexagon:2610.00721 — Sharp order-four sign regularity of a Jacobi theta kernel

  • 作者: Suvrit Sra
  • 分类: math.CA · math.NT
  • 相关性 1/10
  • 评分理由: Analytic number theory on theta kernels and sign regularity, no statistical connection.

50. hexagon:2610.00720 — Monotonicity of Turán-ratios of symmetric polynomials

  • 作者: Suvrit Sra
  • 分类: math.CA · math.CO
  • 相关性 1/10
  • 评分理由: Monotonicity of Turán-ratios for Schur polynomials, pure combinatorics, unrelated.

51. hexagon:2610.00717 — A Proof of Petz's Conjecture on the Scalar Curvature of the Kubo–Mori Metric

  • 作者: Suvrit Sra
  • 分类: math.FA · math-ph · math.DG · quant-ph
  • 相关性 1/10
  • 评分理由: Differential geometry of quantum metrics, unrelated to statistical interests.

52. hexagon:2610.00716 — A 7/8 zero-free half-plane for angular Hecke L-functions over the Eisenstein field

  • 作者: Troy Winarski
  • 分类: math.NT · math.CV
  • 相关性 1/10
  • 评分理由: Number theory on Hecke L-functions, no statistical relevance.

53. hexagon:2610.00715 — Density functionals for the Pauli-Fierz Hamiltonian

  • 作者: Mihaly A. Csirik, Andre Laestadius, Markus Penz, Erik I. Tellgren
  • 分类: math-ph · math.AP · math.OC · quant-ph
  • 相关性 1/10
  • 评分理由: Mathematical physics density functional theory, unrelated to statistical interests.

54. hexagon:2610.00714 — Every real primitive Dirichlet L-function has de Bruijn–Newman constant at most 9/32: a kernel-checked proof in Lean 4

  • 作者: Peter W. Murphy, MD
  • 分类: math.NT · cs.LO
  • 相关性 1/10
  • 评分理由: Number theory and formal proof, unrelated to statistics interests.

55. hexagon:2610.00713 — Claw-free perfect graphs are chromatic-choosable.

  • 作者: Narayanan Narayanan, Suchismita Mishra, Umesh Shankar
  • 分类: math.CO · cs.DM
  • 相关性 1/10
  • 评分理由: Graph theory and combinatorics, no statistical methodology.

56. hexagon:2610.00708 — A closed-form bound for linear forms in three \(p\)-adic logarithms of rational numbers

  • 作者: David Niedbala Giraudin
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: p-adic number theory, unrelated to statistics.

57. hexagon:2610.00707 — The exponent of \(p\) in \(x^{p-1}-1\): Yamada's constant 283 lowered to 69

  • 作者: David Niedbala Giraudin
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: Number theory bound, unrelated to statistics.

58. hexagon:2610.00706 — A kit for linear forms in three \(p\)-adic logarithms

  • 作者: David Niedbala Giraudin
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: p-adic logarithms, unrelated to statistics.

59. hexagon:2610.00704 — An optimal multiplicity estimate for interpolation determinants in three logarithms

  • 作者: David Niedbala Giraudin
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: Number theory on interpolation determinants, unrelated to statistics.

60. hexagon:2610.00702 — Robin's Inequality at Colossally Abundant Numbers and Nicolas' Inequality at Their Largest Prime Factor

  • 作者: Frank Vega
  • 分类: math.NT · math.NA
  • 相关性 1/10
  • 评分理由: Number theory on Robin's inequality and Riemann Hypothesis, unrelated.

61. hexagon:2610.00699 — Cyclic reductions of elliptic curves at a positive proportion of primes

  • 作者: Manjul Bhargava
  • 分类: math.NT · math.AG
  • 相关性 1/10
  • 评分理由: Number theory on elliptic curves, unrelated.

62. hexagon:2610.00698 — Noncommutative Lagrange-Fujiwara, Carmichael-Mason and Kuniyeda Bounds for Roots of Polynomials

  • 作者: K. MAHESH KRISHNA
  • 分类: math.OA · math.CV · math.FA
  • 相关性 1/10
  • 评分理由: Noncommutative polynomial root bounds, unrelated.

63. hexagon:2610.00682 — Arithmetic Expression Spaces: Expansion and Motion, Eikonal Equation, Horocycle Pullbacks, Commutativization, Contact Structure, and Tearing

  • 作者: Mingli Yuan
  • 分类: math.GM · math.DG
  • 相关性 1/10
  • 评分理由: Differential geometry of arithmetic expressions, no statistical content.

64. hexagon:2610.00680 — Closed three-manifolds as hypersurfaces of Euclidean fourspace: compactness, the homogeneous geometries, and total absolute curvature

  • 作者: Jay Thrussell
  • 分类: math.DG · math.MG
  • 相关性 1/10
  • 评分理由: Riemannian geometry of 3-manifolds, unrelated to statistics.

65. hexagon:2610.00673 — Small-index subsequences in finite cyclic groups

  • 作者: Chao Liu
  • 分类: math.NT · math.CO
  • 相关性 1/10
  • 评分理由: Additive combinatorics in cyclic groups, no statistical relevance.

66. hexagon:2610.00672 — Counting Hamiltonian cycles in sparse graphs in subexponential time, assuming the new #SAT algorithms

  • 作者: Vaibhav Tulsyan
  • 分类: cs.DS · math.CO · cs.CC · cs.LO
  • 相关性 1/10
  • 评分理由: Complexity theory and #SAT algorithms, unrelated to statistical interests.

67. hexagon:2610.00671 — Improved basis-change transformations for \(2 \times 2\) matrix multiplication

  • 作者: Hugo Nielsen
  • 分类: cs.DS
  • 相关性 1/10
  • 评分理由: Matrix multiplication algorithms, unrelated to statistical interests.

68. hexagon:2610.00670 — Nonunimodal Laurent coefficients of cluster monomials

  • 作者: Qiyue Tang
  • 分类: math.CO
  • 相关性 1/10
  • 评分理由: Combinatorics of cluster algebras, unrelated to statistical interests.

69. hexagon:2610.00669 — The covering number C(13,7,4) is 30: A classification-assisted exact proof

  • 作者: John Tripodo
  • 分类: math.CO
  • 相关性 1/10
  • 评分理由: Combinatorial covering numbers, unrelated to statistical interests.

70. hexagon:2610.00668 — Counterexamples to log-concavity of cluster monomials and theta structure constants

  • 作者: Qiyue Tang
  • 分类: math.CO
  • 相关性 1/10
  • 评分理由: Combinatorics of cluster monomials, unrelated to statistical interests.

71. hexagon:2610.00667 — First-order phase transition in Onsager's model of hard rods in \(\mathbb R^3\)

  • 作者: Qidong He
  • 分类: math-ph · math.PR
  • 相关性 1/10
  • 评分理由: Statistical physics phase transitions, tangential to mathematical statistics.

72. hexagon:2610.00665 — A Linear In Rank Bound For Integral Arithmetic Progressions On Elliptic Curves

  • 作者: Jacob Crim
  • 分类: math.AG
  • 相关性 1/10
  • 评分理由: Arithmetic progressions on elliptic curves, unrelated to statistical interests.

73. hexagon:2610.00663 — Maximal Independent Sets in Long Graph Subdivisions

  • 作者: Daniel Adam Pyle
  • 分类: math.CO
  • 相关性 1/10
  • 评分理由: Pure combinatorics on graph subdivisions, unrelated to any primary or secondary interest.

74. hexagon:2610.00660 — Computing Jacobsthal’s Function on Primorials: Exact Values and Constructive Bounds

  • 作者: Alben Weeks
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: Number-theoretic computation of Jacobsthal's function, unrelated to statistical interests.

75. 2611.00938 — A Bayesian Magnitude-Composition Model for Tree-Size Distributions and Stand-Tables

  • 作者: Andrew O. Finley, Malcolm S. Itter, Arthur Spitta, Arne Nothdurft
  • 机构: Michigan State University · University of Massachusetts Amherst · BOKU University
  • 相关性 0/10

76. 2611.00929 — Deformed Q-learning for High-Dimensional Dynamic Treatment Regimes

  • 作者: Ming Cheng, Zhao Chen, Christina Dan Wang
  • 机构: Fudan University · New York University Shanghai
  • 相关性 0/10

77. 2611.00888 — Differential Privacy for Generalized Entropy Indices of Income Inequality

  • 作者: Jiahe Li, Jerome P. Reiter
  • 机构: Duke University
  • 相关性 0/10

78. 2611.00865 — Finite-Sample Calibration and Power Benchmarks in Two-Sample Random-Integration Tests

  • 作者: Pengfei Wang
  • 相关性 0/10

79. 2611.00760 — Causal Record Linkage

  • 作者: Kayané Robach, Michel H Hof, Mark A van de Wiel, Stéphanie L van der Pas
  • 机构: Amsterdam UMC Location Vrije Universiteit Amsterdam
  • 相关性 0/10

80. 2611.00705 — Estimating Average Treatment Effects with Projected Instrumental Variables

  • 作者: Shuyuan Chen, Yifan Cui
  • 机构: Zhejiang University
  • 相关性 0/10

81. 2611.00695 — Nonnegativity Shapes Predictive Uncertainty: Complementary Model Fits and Quantile Construction

  • 作者: Jialin Li
  • 机构: University of Massachusetts Amherst
  • 相关性 0/10

82. 2611.00607 — Sharp Design-based Inference for Quantiles of Individual Treatment Effects

  • 作者: Jiangchuan Du, Xinran Li
  • 机构: University of Chicago
  • 相关性 0/10

83. 2611.03753 — GPUPhot: Kernel-Based Algorithms for Point-Source Detection and Photometry with a Spatially Variable PSF

  • 作者: M. R. Alarcon, S. Lemes-Perera, M. Serra-Ricart, J. Licandro
  • 机构: Universidad de La Laguna · Light Bridges (Spain) · Instituto de Astrofísica de Canarias
  • 相关性 0/10

84. 2611.02313 — The Transient Array Radio Telescope: An open-source all-sky imaging radio interferometer

  • 作者: Timothy C. A. Molteno, Max Scheel, Pat Suggate, Ben V. Hugo, Phil Brown
  • 机构: South African Radio Astronomy Observatory · University of Otago
  • 相关性 0/10

85. 2611.01988 — The Agentic Observer Hackathon: Autonomous Decision-making in Simulated Astronomical Surveys

  • 作者: Haosong Wang, Ting Tan, Yao Li, Huanyuan Shan, Dezi Liu, Xiangkun Liu et al.
  • 机构: Chinese Academy of Sciences · Shanghai Astronomical Observatory · University of Chinese Academy of Sciences · Commissariat à l'Énergie Atomique et aux Énergies Alternatives · Université Paris-Saclay · CEA Paris-Saclay - Etablissement de Saclay · Institut de Recherche sur les Lois Fondamentales de l'Univers · Yunnan University 等
  • 相关性 0/10

86. 2611.01820 — Deconvolved IXPE Polarization Maps of the Crab Nebula in a Maximum-a-Posteriori Framework

  • 作者: Keisuke Uchiyama, Mikio Morii, Toru Tamagawa
  • 机构: Tokyo University of Science · RIKEN Nishina Center · Rikkyo University
  • 相关性 0/10

87. 2611.01673 — From Rock Tumbling to Telescope Mirror Grinding: How Optical Perfection Emerges from Random Motion

  • 作者: Emmanuel Schaan
  • 机构: SLAC National Accelerator Laboratory · Kavli Institute for Particle Astrophysics and Cosmology · Stanford University
  • 相关性 0/10

88. 2611.01670 — Aperture Photometric Accuracy of Point-spread-function-deconvolved Astronomical Images

  • 作者: Shen Zhang, Lei Wang, Yachong Diao, Zhaojun Yan, Xiyan Peng, Yao Liu et al.
  • 机构: Chinese Academy of Sciences · University of Chinese Academy of Sciences · Beijing City University · Southwest Jiaotong University
  • 相关性 0/10

89. 2611.01657 — FiDeR: Denoising Astronomical Images at the Observational Resolution

  • 作者: Lei Wang, Bin Li, Lin Nie, Zhaojun Yan, Xuechun Chen, Yachong Diao et al.
  • 机构: Chinese Academy of Sciences · Purple Mountain Observatory · Shanghai Astronomical Observatory · Beijing City University
  • 相关性 0/10

90. 2611.01308 — Detection and excision of radio-frequency interference in radio arrays

  • 作者: Vikram Ravi
  • 机构: California Institute of Technology
  • 相关性 0/10

91. hexagon:2611.00003 — Noncommutative Cauchy Bound and Noncommutative Montel Bound for Roots of Polynomials

  • 作者: K. MAHESH KRISHNA
  • 分类: math.OA · math.CV · math.FA
  • 相关性 0/10
  • 评分理由: Pure algebra/complex analysis topic, unrelated to any research interest.

92. hexagon:2611.00002 — Rational limits in Markov–Euclid asymptotics

  • 作者: Qiyue Tang
  • 分类: math.NT · math.CO
  • 相关性 0/10
  • 评分理由: Number theory/combinatorics topic, unrelated to statistics or causal inference.

93. hexagon:2611.00001 — On the maximality conjecture for quantum permutation groups

  • 作者: Teo Banica
  • 分类: math.QA · math.OA
  • 相关性 0/10
  • 评分理由: Quantum algebra topic, unrelated to any research interest.

94. hexagon:2610.00735 — On a Family of Counterexamples to Richard Guy's Mex Sequence Problem

  • 作者: Shuta Iwai
  • 分类: math.NT
  • 相关性 0/10
  • 评分理由: Number theory/combinatorics topic, unrelated to statistics.

95. hexagon:2610.00733 — Haagerup vertex operator algebras at central charge eight

  • 作者: Cédric ARHANCET
  • 分类: math.QA
  • 相关性 0/10
  • 评分理由: Vertex operator algebras, unrelated to statistics.

96. hexagon:2610.00696 — A contact and coefficient correction for Korenblum's constant

  • 作者: Ricardo Pinho
  • 分类: math.CV
  • 相关性 0/10
  • 评分理由: Complex analysis / Bergman space constant, unrelated to all interests.

97. hexagon:2610.00695 — A trace upper-bound certificate with classical auxiliaries on an adaptive density

  • 作者: Ricardo Pinho
  • 分类: math.NT
  • 相关性 0/10
  • 评分理由: Number theory trace constant, unrelated to statistics interests.

98. hexagon:2610.00694 — Derivative controls and Boolean completion in the relevant-variable recurrence

  • 作者: Ricardo Pinho
  • 分类: math.CO
  • 相关性 0/10
  • 评分理由: Boolean function combinatorics, unrelated to statistics.

99. hexagon:2610.00693 — An exact computer-assisted certificate for R(5,6)≤84

  • 作者: Dr. András Pongrácz
  • 分类: math.CO · math.AP
  • 相关性 0/10
  • 评分理由: Ramsey theory graph proof, unrelated to statistics.

100. hexagon:2610.00692 — The partition exponent in the graded pieces of the Claude 3-SAT algorithm is optimal for pieces of that shape

  • 作者: Carlos Stein Naves de Brito
  • 分类: cs.CC · math.CO
  • 相关性 0/10
  • 评分理由: Computational complexity of 3-SAT, unrelated to statistics.

101. hexagon:2610.00690 — Isometric embeddings of parallelizable and stably parallelizable Riemannian manifolds

  • 作者: Wenchang Yang, Yi Wang
  • 分类: math.DG · math.AP
  • 相关性 0/10
  • 评分理由: Differential geometry isometric embeddings, unrelated.

102. hexagon:2610.00688 — The Riemann hypothesis as a margin: a two-sided criterion verified to 2*10^29, the fourth-moment anatomy of Mobius cancellation, and one constant seen from every side

  • 作者: Pedro Caceres
  • 分类: math.NT · math.CV
  • 相关性 0/10
  • 评分理由: Riemann hypothesis number theory, unrelated to statistics.

103. hexagon:2610.00686 — Uniformizability of elementary Anderson \(t\)-motives of dimension \(2\)

  • 作者: David Niedbala Giraudin
  • 分类: math.NT · math.AG
  • 相关性 0/10
  • 评分理由: Algebraic geometry Anderson t-motives, unrelated.

104. hexagon:2610.00685 — Ultrametric Bourgain-Figiel-Milman, Enflo Type and Mendel-Naor Cotype Problems

  • 作者: K. MAHESH KRISHNA
  • 分类: math.NT · math.FA
  • 相关性 0/10
  • 评分理由: Pure functional analysis/geometry, unrelated to statistics.

Maintained by 陈星宇 · Homepage · Source on GitHub

评论