TSP — Vol 74 · 2026-06-05¶

共 47 篇 · IEEE Transactions on Signal Processing

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期《TSP》共23篇论文，整体上可归为三条主线：高维随机矩阵与阵列信号处理（约8篇，涉及波束形成、DOA估计、互质阵列、信道估计等）、分布式与在线学习中的统计计算与鲁棒性（约6篇，涵盖梯度编码、联邦学习、Byzantine攻击、AirComp等）、以及非参数/半参数方法与信号处理中的统计推断（约4篇，包括graphon估计、奇异谱分析、张量补全等）。其余论文分散在检测、强化学习、温度控制等应用方向，与统计/因果核心方向交集较小。

在高维随机矩阵与阵列信号处理这条主线上，多篇论文聚焦于协方差矩阵估计与偏差修正。例如，“Jamming Detection Based on Source Enumeration”通过收缩因子修正Capon波束形成器的功率估计渐近偏差，其分析框架与高维协方差矩阵的渐近性质紧密相关；“Universal Hole-Filling Strategies for Coprime Arrays”则从差分共阵的离散结构出发，通过阵列扩展消除空洞以提升自由度，为样本协方差矩阵的结构优化提供了新视角。此外，“Super-Resolution Channel Estimation for RIS-Aided Multi-User mmWave Systems”将信道估计转化为受扰动矩阵下的稀疏恢复问题，其误差建模与补偿机制可视为高维统计中测量误差问题的变体。

分布式与在线学习主线中，多篇论文关注数据异质性与鲁棒性下的收敛保证。例如，“Dynamic Regret for Byzantine-Robust Online Federated Learning”在弱增长条件下推导动态遗憾界，其分析工具（算法稳定性、梯度噪声展开）与统计学习中的泛化理论相通；“Distributed Hybrid Sketching for ℓ₂-Embeddings”则通过随机化sketching在通信与隐私间权衡，其嵌入维度与计算时间的插值分析对高维数据压缩有参考价值。值得注意的是，“External Division of Two Proximity Operators”的两部分论文分别从特征分组与泛化性质切入，其算子分解思路可视为非凸优化中近端方法的推广。

对于因果推断与半参数效率方向，本期直接相关的论文较少，但“Generalized Singular Spectrum Analysis Associated With Fractional Fourier Transform”与“Rank-Revealing Bayesian Block-Term Tensor Completion With Graph Information”分别涉及非参数谱分解与低秩张量补全，其方法工具（如Koopman算子、Burer-Monteiro分解）在因果结构学习或潜在结果框架中可能有间接应用。高维方向则推荐优先阅读“Jamming Detection Based on Source Enumeration”与“Universal Hole-Filling Strategies for Coprime Arrays”，因其协方差矩阵分析与阵列结构优化直接对应高维渐近理论的核心问题。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)¶

1. 10.1109/tsp.2026.3672303 — Jamming Detection Based on Source Enumeration in Massive Channel Systems¶

作者: Zhicheng Zhang, Haijun Tan, Ning Xie, Ye Tian, Lei Huang, Hongbin Li
期刊/来源: IEEE Transactions on Signal Processing
机构: Shenzhen University · Peng Cheng Laboratory · Qinghai University · Ningbo University · Stevens Institute of Technology
分类: vol 74 · pp 1263-1276
相关性 4/10 · novelty: new_method
摘要: 本文研究有色噪声环境下大规模 MIMO 系统的低功率干扰检测问题，estimand 为干扰源数量（source enumeration）。在样本协方差矩阵的谱分析框架下，作者首先采用对白/有色噪声均鲁棒的二阶差分（SOD）算法进行干扰检测（SODJD），但指出其在低功率信号与多个高功率信号共存时受限。为此，作者通过重构判决准则并引入可调参数，提出不变二阶差分干扰检测（ISODJD）方法；理论分析表明参数增大可提升检测性能，而在大规模信道系统中增加的虚警率可被抑制。仿真显示，60 天线 MIMO 系统在有色噪声下对低功率干扰的检测灵敏度提升约 4 dB。对您可能有用：该工作将源枚举与 RMT 谱方法结合处理有色噪声，为高维协方差谱推断提供了新的应用视角。
关键技术: source enumeration, second-order-difference (SOD) algorithm, sample covariance eigenvalue spectrum, colored noise robustness, massive MIMO invariant test, signal-to-noise ratio detection threshold
为什么对您有用: 本文直接连接到您的高维统计与随机矩阵理论（RMT）子方向：利用样本协方差矩阵的谱特征（SOD 算法）做源枚举与干扰检测，属于 RMT 在信号处理中的典型应用。您武器库中的 high-dimensional asymptotics 可直接攻入其理论分析口子——特别是大规模天线数下虚警率被抑制的渐近性质，可用 minimax / RMT 工具验证其声称的灵敏度增益是否紧。判断：立即可做，用 very_familiar 的高维渐近分析即可复现或拓展其理论界。

2. 10.1109/tsp.2026.3673368 · arXiv — Beamforming Design for Minimizing the Signal Power Estimation Error¶

作者: Esa Ollila, Xavier Mestre, Elias Raninen
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 1206-1217
相关性 1/10 · novelty: new_method
摘要: 在阵列信号处理设定下，研究 Capon (MVDR) 与 MMSE 波束形成器对目标信号功率 (SOI power) 的估计偏差问题，指出两者在样本量趋于无穷时功率估计并非渐近无偏（存在系统性过估或低估）。核心方法是对 Capon 波束形成器引入收缩因子，通过最小化信号功率估计的均方误差 (MSE) 来求解最优缩放系数，构造出 Capon⁺ 波束形成器。理论分析基于高维协方差矩阵估计的渐近性质，证明 Capon⁺ 的功率估计偏差随样本量趋于零且 MSE 更优，在波形估计与功率估计之间取得更好平衡。对您可能有用：该文在高维阵列设定下用收缩/缩放修正经典波束形成器的渐近偏差，与您熟悉的高维渐近分析及随机矩阵理论直接相关。
关键技术: Capon (MVDR) beamformer, MMSE beamformer, shrinkage scaling factor, signal power MSE minimization, high-dimensional covariance asymptotics, asymptotic bias correction
为什么对您有用: 本文直接连接到您 primary interest 中的高维统计与随机矩阵理论（RMT）子方向——Capon 波束形成器的渐近偏差分析本质上是高维样本协方差矩阵下二次型估计的偏差问题，属于 RMT 在信号处理中的经典应用。您武器库中 very_familiar 的「高维渐近分析」可直接用来审视其收缩因子的最优性证明与 MSE 界是否紧。Follow-up 粗判：立即可做——用您熟悉的高维渐近与 minimax bound 工具即可复现并可能 sharpen 其 MSE 界。

3. 10.1109/tsp.2025.3648327 — On Stochastic Beamforming for Ergodic Sum-Rate Maximization in Cooperative Transmission Systems¶

作者: Xi Wang, Yang Liu, Xiaotong Zhao, Qingjiang Shi, Ye Yang
期刊/来源: IEEE Transactions on Signal Processing
机构: Tongji University · Dalian University of Technology · Chinese University of Hong Kong · Huawei Technologies (Sweden)
分类: vol 74 · pp 781-797
相关性 0/10 · novelty: new_method
摘要: 本文研究协同传输系统中最大化遍历和速率（ESR）的随机波束成形问题，目标 estimand 为 ESR，设定为无需信道统计先验的在线优化。核心方法基于 WMMSE 变换与随机逐次上界最小化框架，提出在线解析更新波束成形向量的 SWMMSE 算法。进一步，利用大维随机矩阵理论中的行列式等价（DE）近似替代 SWMMSE 的随机采样更新，推导出仅需信道一二阶统计量且无需采样的 DE-WMMSE 算法；该算法突破了现有文献仅适用于 Rayleigh 信道的限制，可覆盖任意分布的通用信道模型。数值实验表明 SWMMSE 在大规模网络中计算高效，而 DE-WMMSE 在中等规模网络中速度优势显著。对您可能有用：本文展示了 RMT 的 DE 近似如何在通信优化中替代 Monte Carlo 采样，为高维 RMT 在随机优化中的应用提供了具体案例。
关键技术: WMMSE transform, stochastic successive upper-bound minimization, determinant equivalent approximation, large-dimensional random matrix theory, ergodic sum-rate maximization, online beamforming
为什么对您有用: 本文直接连接到 primary interest 中的高维随机矩阵理论（RMT），展示了行列式等价（DE）近似如何将需要 Monte Carlo 采样的随机优化转化为仅需一二阶矩的确定性优化，突破了 Rayleigh 信道的经典限制。从 technical_arsenal 角度，very_familiar 中的 high-dimensional asymptotics 可直接攻入其 DE 近似推导的细节，验证其在非 Rayleigh 模型下大维极限的收敛精度与适用边界。follow-up 粗判：中期可做——若想将此类 DE 近似移植到统计推断（如高维协方差结构估计）中替代采样，需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以建立非标准信道模型下的 M-estimator 大维极限理论。

非参数 / 半参数 (nonparam_semipara, 4 篇)¶

1. 10.1109/tsp.2026.3685712 · arXiv — Einstein From Noise: Statistical Analysis¶

作者: Amnon Balanov, Wasim Huleihel, Tamir Bendory
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 1751-1766
相关性 9/10 · novelty: new_theory
摘要: 在多参考模板匹配（Einstein from noise）设定下，目标是分析当观测实为纯噪声时，经互相关对齐后平均所得 EfN estimator 为何在结构上趋近模板信号。核心机制在于证明 EfN estimator 的 Fourier 相位收敛至模板信号的 Fourier 相位，收敛速率与噪声观测数成反比，且在高维情形下与模板 Fourier 幅值成反比。高维极限下，EfN estimator 整体收敛至模板信号的缩放版本，揭示了模型偏差导致的虚假但一致估计现象。该结果为结构生物学模板匹配的验证争议提供了严格统计解释，对您在 inverse problems with random noise 与高维渐近理论方向有直接参考价值。
关键技术: Fourier phase convergence, cross-correlation alignment, high-dimensional asymptotics, model bias / spurious consistency, template matching
为什么对您有用: 本文直接连接到您 very_familiar 的 inverse problems with random noise 与 high-dimensional asymptotics，其 Fourier 相位收敛的严格刻画可用 minimax bound 视角审视其收敛率是否紧，并启发您在噪声逆问题中识别类似 model bias 的虚假一致估计。立即可做：用您熟悉的高维渐近与逆问题工具复现并拓展其收敛率分析。

2. 10.1109/tsp.2026.3682931 · arXiv — Generative Principal Component Regression via Variational Inference¶

作者: Austin Talbot, Corey J. Keller, Cristina Trevino, David E. Carlson, Eric B. Dammer, Erik C. B. Johnson et al.
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 1656-1670
相关性 7/10 · novelty: new_method
摘要: 在主成分回归（PCR）与监督变分自编码器（SVAE）的线性潜变量模型设定下，目标是解决 SVAE 因引入预测损失而导致的编码器分布与生成模型后验分布之间的系统性不匹配问题。本文提出生成式主成分回归（gPCR），通过构建新目标函数，在保持预测精度的同时强制编码器与后验的一致性。核心机制利用变分推断框架，修正了 SVAE 中监督信号对潜变量推断的扭曲，使得学到的 loadings 既具预测力又保留生成模型的网络解释性。合成数据实验表明 gPCR 学到的 loadings 更真实且在目标选择上大幅优于 PCR 和 SVAE；在电生理与阿尔茨海默病蛋白质组学数据上，gPCR 的预测表现与传统回归相当且能恢复更具生物学连贯性的网络。对您可能有用：gPCR 的变分推断一致性约束思路可迁移至因果推断中潜变量模型的 identification 与估计问题。
关键技术: variational inference, principal component regression, supervised variational autoencoder, encoder-posterior consistency, linear latent variable model, network recovery
为什么对您有用: 本文核心问题（潜变量模型中监督信号与生成后验的不匹配）直接连接到因果推断中潜变量/代理变量的 identification 设定，尤其是当 noisy phenotype 作为 negative control 时的推断一致性。您武器库中的 M-estimation theory 与 identification theory in causal inference 可以攻这篇 paper 的口子：将 gPCR 的变分一致性目标改写为 semiparametric M-estimation 问题，分析其 estimator 的 asymptotic properties 与 influence function。Follow-up 粗判：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以严格刻画 gPCR encoder-posterior consistency 约束下的估计效率与收敛率。

3. 10.1109/tsp.2026.3682885 · arXiv — Learning Graphons From Data: Random Walks, Transfer Operators, and Spectral Clustering¶

作者: Stefan Klus, Jason J. Bramburger
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 1477-1490
相关性 4/10 · novelty: new_method
摘要: 本文研究从连续状态随机过程的观测数据中学习 graphon（无穷维图极限对象）的问题，设定为有界连续值信号驱动的 graphon 上的随机游走。核心机制是将随机游走与 Koopman / Perron–Frobenius 转移算子关联，利用算子的谱分解（eigenvalues/eigenfunctions）将谱聚类从有限图推广至 graphon，并在可逆性假设下从信号数据重构转移概率密度与 graphon 本身。估计方法依赖核密度估计与经验算子构造，理论部分展示了谱收敛与重构的可行性，实证覆盖合成数据、日均温度与股指序列。对您而言，本文将 graphon 的非参数估计与转移算子谱方法结合，为连续状态空间上的非参数聚类与逆问题提供了一个可借鉴的算子视角。
关键技术: graphon estimation, Koopman operator, Perron-Frobenius operator, spectral clustering on graphons, kernel density estimation, transition probability density reconstruction
为什么对您有用: 本文连接了非参数统计（graphon 作为无穷维非参数对象）与算子谱方法，属于您 nonparametric statistics 与 inverse problems with random noise 的交叉地带。用您 very_familiar 的 minimax bounds 工具，可以审视本文基于 KDE 的经验算子估计是否达到最优收敛率，或用 inverse problems 视角分析谱重构的 ill-posedness 与正则化需求。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以建立经验转移算子谱估计的严格渐近理论（当前本文缺乏此部分）。

4. 10.1109/tsp.2026.3667516 — Generalized Singular Spectrum Analysis Associated With Fractional Fourier Transform¶

作者: Hongxia Miao, Jun Shi
期刊/来源: IEEE Transactions on Signal Processing
机构: Beijing University of Posts and Telecommunications · Harbin Institute of Technology
分类: vol 74 · pp 1249-1262
相关性 1/10 · novelty: new_method
摘要: 本文在非平稳信号处理设定下，针对传统奇异谱分析（SSA）因信号宽谱/非带限导致性能退化的问题，提出结合离散分数阶傅里叶变换（DFrFT）的广义 SSA 方法。核心机制是利用分数时移操作构造新 Hankel 矩阵，并证明其奇异值与序列的分数阶功率谱等价分布，从而在 DFrFT 域将宽谱信号转化为窄谱/带限信号以恢复 SSA 的分解能力。方法无需预设参数模型，属于数据驱动的非参数自适应分解，引入的自由参数（分数阶角度）增强了时频灵活性。仿真验证了其在雷达与通信信号处理中优于其他流行数据驱动方法。对您而言，本文的 Hankel 矩阵奇异值与功率谱等价分布理论，为非参数谱分析提供了一个可审视的矩阵视角。
关键技术: singular spectrum analysis, discrete fractional Fourier transform, Hankel matrix SVD, fractional power spectrum equivalence, nonstationary signal decomposition, data-adaptive time-frequency analysis
为什么对您有用: 本文连接到非参数统计与统计计算方向：Hankel 矩阵的 SVD 与功率谱等价分布是一个具体的矩阵-谱桥梁结果，您可用 very_familiar 的高维渐近理论审视该等价性在随机噪声下的稳健性。作为 gateway reading，本文对信号处理入门有一定价值，但核心机器（DFrFT 与分数时移）不在您的武器库中。暂不可做：若要在此方向深入，需先补足分数阶傅里叶变换与时频分析的基础知识。

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

1. 10.1109/tsp.2026.3655839 · arXiv — An Algorithm for Fixed Budget Best Arm Identification With Combinatorial Exploration¶

作者: Siddhartha Parupudi, Gourab Ghatak
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 394-408
相关性 4/10 · novelty: new_method
摘要: 在 K-armed bandit 的 fixed-budget best arm identification (BAI) 设定下，允许每步探查一个 arm 子集并仅观测子集样本均值，estimand 为最优 arm。核心机制是构造 log₂K 个分组、对每组做 likelihood ratio test (LRT) 判定最优 arm 是否在组内，再用 Hamming decoding 定位唯一最优 arm；关键权衡是组越大方差越小但组均值可能逼近最优 arm 均值。理论结果给出基于新 hardness 参数 H₄ 的错误概率上界，实证在 jammer waveform selection 与 active radar channel detection 上验证。对您可能有用：分组 LRT + Hamming decoding 的组合式假设检验思路，可类比到高维多重检验或组合探索的统计-计算权衡分析。
关键技术: fixed-budget best arm identification, likelihood ratio test with worst-case prior, Hamming decoding, combinatorial subset exploration, hardness parameter H4
为什么对您有用: 本文连接到 hypothesis testing 与 stat_computing 交叉方向：分组 LRT 与 Hamming decoding 的组合式检验策略，本质上是在 combinatorial exploration 下做 polynomial-time 的统计决策，触及统计-计算权衡的雏形。用 very_familiar 中的 minimax bounds 工具可以审视其 H₄ hardness 参数是否紧、上界是否可改进；用 higher-order U-statistics / einsum 的 treewidth 视角可分析分组均值估计的计算代价结构。Follow-up 判断：立即可做——用 minimax rate 审视其错误概率界是否达到最优，并尝试用 U-statistic 投影刻画分组均值的信息损失。

统计计算 / 算法 (stat_computing, 28 篇)¶

1. 10.1109/tsp.2026.3656119 — Rank-Revealing Bayesian Block-Term Tensor Completion With Graph Information¶

作者: Zhongtao Chen, Lei Cheng, Yik-Chung Wu, H. Vincent Poor
期刊/来源: IEEE Transactions on Signal Processing
机构: University of Hong Kong · Zhejiang University · Princeton University
分类: vol 74 · pp 654-669
相关性 6/10 · novelty: new_method
摘要: 在块项分解（BTD）rank-(L_r, L_r, 1) 设定下，目标是从不完整张量中同时恢复因子矩阵与学习块数及块秩，传统方法需已知秩或繁重的超参数调优。本文在贝叶斯框架下引入一种新型先验，同时施加块间稀疏性与块内列稀疏性，并融入图结构信息以利用因子矩阵的侧边图先验。理论上证明了该先验分布的合法性（properness）；算法上基于 mean-field 变分推断推导出保留图信息的闭式更新 VI 算法，实现了免调优的 BTD 张量补全。合成与真实数据实验表明，在秩学习、张量及因子恢复上优于现有优化方法与无图贝叶斯模型。对您可能有用：该文将图信息嵌入张量分解的 VI 算法设计，为统计计算中张量补全的数值方法提供了新思路。
关键技术: block-term decomposition, variational inference, mean-field approximation, sparsity-promoting prior, graph-structured prior, tensor completion
为什么对您有用: 本文连接到统计计算（数值方法与张量）子方向，其 mean-field VI 闭式更新与图先验嵌入为张量补全提供了免调优算法方案。您武器库中的 einsum / 张量收缩计算经验可直接用于评估该 VI 算法中因子矩阵更新的计算复杂度与 contraction-order 优化空间。中期可做：若想将此贝叶斯 BTD 框架与您的高阶 U-统计量张量网络视角结合，需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以建立 BTD 估计量的渐近理论；当前可作为计算方法参考阅读。

2. 10.1109/tsp.2026.3691273 · arXiv — Semi-Supervised Model-Free Bayesian State Estimation from Compressed Measurements¶

作者: Anubhab Ghosh, Yonina C. Eldar, Saikat Chatterjee
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 2005-2019
相关性 6/10 · novelty: new_method
摘要: 在无模型先验的欠定逆问题设定下，目标是从压缩观测（观测维度低于状态维度）估计动态状态，传统 Kalman/particle filter 因模型未知而失效。本文指出纯无监督方法（DANSE、DMM）虽能拟合时间序列，但缺乏针对状态估计的约束，导致 BSCM 任务失败。提出半监督方法 SemiDANSE，利用大量无标签观测数据与少量配对（观测-状态）标签数据提供正则化，实现数据驱动的贝叶斯状态估计。在混沌动力系统基准测试中，SemiDANSE 在仅知少量标签时，估计性能优于已知精确模型的 EKF/UKF 及混合方法 KalmanNet。对您可能有用：本文展示了半监督正则化在欠定逆问题中的实证效果，可作为统计计算与逆问题方向的参考案例。
关键技术: semi-supervised learning, compressed measurement state estimation, under-determined inverse problem, data-driven Bayesian filtering, Deep Markov Model, KalmanNet
为什么对您有用: 本文连接到统计计算与带随机噪声的逆问题方向，核心是欠定设定下的数据驱动状态估计。从 technical_arsenal 看，您对 inverse problems with random noise very_familiar，但本文的深度学习/变分推断（DMM/VAE）核心机器不在武器库中。属于中期可做：若想在欠定逆问题中引入半监督正则化的理论分析（如收敛率/minimax bound），需先在 moderately_familiar 的 M-estimation theory 上长肌肉以分析深度估计器的统计性质，目前本文仅提供实证参考，不值得花时间读全文细节。

3. 10.1109/tsp.2025.3650509 · arXiv — Euclidean Distance Matrix Completion via Asymmetric Projected Gradient Descent¶

作者: Yicheng Li, Xinghua Sun
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 355-371
相关性 6/10 · novelty: new_theory
摘要: 本文研究欧氏距离矩阵补全（EDMC）问题，即在部分距离观测下重构点集构型，核心假设为低秩与 incoherence 条件。作者提出基于 Burer-Monteiro 分解的非对称投影梯度下降（APGD）算法，无需样本分割即可实现全局收敛与精确恢复。理论贡献在于首次为 EDMC 建立 O(μ²r³κ²n log n) Bernoulli 观测下的精确恢复保证，证明策略通过构造额外上界模拟随机图引理，避开了近期工作依赖的切空间 RIP 与局部曲率分析。实验揭示反常现象：在充足样本下 APGD 呈线性收敛，但在有限样本下其性能显著劣于优化 s-stress 的经典非凸方法，暗示 APGD 的隐式正则化被削弱且梯度稳定所需样本量远超信息论极限。对您有用：该工作将非凸矩阵补全的计算收敛界与信息论极限之间的 gap 显式化，为统计-计算 tradeoff 研究提供了具体实例。
关键技术: Burer-Monteiro factorization, asymmetric projected gradient descent, incoherence matrix completion, random graph lemma analogy, implicit regularization, s-stress optimization
为什么对您有用: 本文直接触及统计-计算 tradeoff 这一 primary interest：作者明确指出 APGD 梯度稳定所需样本量远超信息论极限，构成了一个具体的 information-computation gap 实例。用您 very_familiar 的高维渐近工具可以尝试刻画该 gap 在 n→∞ 时的相变阈值，验证 μ²r³κ² 界是否紧。中期可做：需先在 moderately_familiar 的 M-estimation 理论上补充非凸景观的局部曲率分析，才能深入理解 s-stress 方法为何在有限样本下优于有理论保证的 APGD。

4. 10.1109/tsp.2025.3619197 — External Division of Two Proximity Operators—Part I: Debiased Feature Grouping¶

作者: Kyohei Suzuki, Masahiro Yukawa
期刊/来源: IEEE Transactions on Signal Processing
机构: Keio University
分类: vol 74 · pp 150-166
相关性 6/10 · novelty: new_method
摘要: 在 OSCAR 正则化特征分组设定下，目标是减少其 proximity operator（OSCAR shrinkage）带来的估计偏差。核心观察是 firm-shrinkage 可表示为两个 soft-shrinkage 的外分（external division，即带正负权重的仿射组合），据此提出 DOSCAR shrinkage 作为两个 OSCAR shrinkage 的外分。理论部分证明 Moreau-enhanced OSCAR 正则化项收敛到促进稀疏与系数相等的离散测度；实证显示 DOSCAR 在超定与欠定情形下均显著优于 OSCAR。Part II 将把 DOSCAR 推广为一般凸函数 proximity operator 的外分并给出梯度算法收敛保证。对您可能有用：proximity operator 的外分构造与 Moreau envelope 提供了一种在保持分组结构的同时减偏的数值优化视角。
关键技术: proximity operator, external division of proximity operators, Moreau envelope / Moreau-enhanced regularizer, OSCAR regularizer, firm-shrinkage operator, debiased sparse estimation
为什么对您有用: (1) 连接到 statistical computing 中的数值优化与 proximal algorithm 设计，以及高维/半参数估计中的 debiasing 思路（与 debiased ML 的减偏目标同构，但工具是 Moreau envelope 而非 orthogonal score）。(2) 用 very_familiar 的 inverse problems with random noise 与 software development（einsum / proximal 迭代实现）可以直接复现 DOSCAR 的数值实验，并尝试将外分技巧移植到其他 structured regularizer（如 group lasso 的 proximity operator）上做减偏。(3) 立即可做：用 very_familiar 的 proximal algorithm 实现能力即可动手实验外分减偏在其他正则项上的效果。

5. 10.1109/tsp.2026.3656887 · arXiv — Leveraging Low-Rank Factorizations of Conditional Correlation Matrices in Graph Learning¶

作者: Thu Ha Phi, Alexandre Hippert-Ferrer, Florent Bouchard, Arnaud Breloy
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 750-764
相关性 5/10 · novelty: new_method
摘要: 在高维 Gaussian graphical model (GGM) 设定下，目标是从节点数据中学习无向图拓扑，estimand 为条件相关矩阵（即 precision matrix 的标准化形式）的支撑集。核心机制是对条件相关矩阵施加低秩分解，将参数空间从 O(p^2) 降至 O(pr)（r 为秩），从而缓解高维图学习的计算与统计瓶颈。优化求解方面，作者针对该低秩结构推导了 Riemannian gradient 与 retraction 等几何工具，实现了基于黎曼优化的正则化 MLE。实验表明在合成与真实数据上，该方法在维度-性能权衡上表现优异，显著降低了计算与存储成本。对您有用：本文将 RMT/低秩结构与黎曼优化结合，为高维 precision matrix 估计提供了新的计算范式，直接关联您的高维统计与统计计算兴趣。
关键技术: Gaussian graphical model, low-rank matrix factorization, Riemannian optimization, precision matrix MLE, conditional correlation matrix
为什么对您有用: 本文直接关联您的高维统计与统计计算兴趣：低秩分解将 O(p^2) 的 precision matrix 估计降至 O(pr)，与您熟悉的高维渐近理论及逆问题中的低秩设定有自然对接。您武器库中的 high-dimensional asymptotics 可用于分析该低秩 MLE 的收敛率与 minimax 性质（当前论文偏算法，理论分析较薄），这是一个立即可做的 follow-up 方口。此外，Riemannian optimization 的推导细节对您统计计算/数值方法兴趣是好的入门补充。

6. 10.1109/tsp.2026.3687632 · arXiv — Directed Acyclic Graph Convolutional Networks¶

作者: Samuel Rey, Hamed Ajorlou, Gonzalo Mateos
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 1847-1862
相关性 5/10 · novelty: new_method
摘要: 本文针对有向无环图（DAG）上的信号学习问题，提出 DAG Convolutional Network (DCN) 及其并行变体 PDCN。核心设定是利用因果图滤波器（causal graph filter）在谱域定义卷积，使节点表征遵循 DAG 的偏序结构，形成强归纳偏置。PDCN 将输入信号送入并行因果图移位算子（graph-shift operator）组，再由共享 MLP 处理，从而将模型复杂度与图规模解耦。理论贡献包括证明架构的置换等变性（permutation equivariance）与表达能力界；实证在多任务与数据集上显示优于现有 DAG ML 方法的精度与鲁棒性。对您可能有用：DCN 的谱域因果卷积为 DAG 结构数据提供了新的计算表征，可启发因果推断中 DAG 结构学习或干预分布估计的数值实现。
关键技术: causal graph filter, spectral-domain graph convolution, graph-shift operator, permutation equivariance, parallel MLP architecture, DAG partial ordering inductive bias
为什么对您有用: 本文连接到因果推断的 DAG 结构设定与统计计算（数值方法与算法）子方向：DCN 的谱域因果卷积算子为 DAG 上的信号处理提供了可并行化的数值实现方案。用 very_familiar 中的 software development / computation of higher-order U-statistics (tensor contraction) 视角，可以审视其 graph-shift operator 的并行计算复杂度是否与 einsum / tensor contraction 有更优的映射关系。follow-up 粗判：中期可做——需先在 moderately_familiar 的因果图结构学习（identification theory in causal inference）上长肌肉，才能将 DCN 的表征能力与因果 estimand 的估计结合。

7. 10.1109/tsp.2026.3657395 · arXiv — Generalization Error Analysis for Attack-Free and Byzantine-Resilient Decentralized Learning With Data Heterogeneity¶

作者: Haoxiang Ye, Tao Sun, Qing Ling
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 952-968
相关性 4/10 · novelty: new_theory
摘要: 本文研究去中心化学习（decentralized learning）在数据异质性（data heterogeneity）下的泛化误差（generalization error），目标 estimand 是训练模型在未见数据上的期望风险。设定放宽了以往同质数据与有界随机梯度（bounded stochastic gradient）的强假设，采用更温和的矩条件。核心机制是通过算法稳定性（algorithmic stability）与随机梯度噪声的精细展开，分别对无攻击与 Byzantine 容错场景给出泛化误差上界，揭示数据异质度、初始化与梯度噪声对泛化的定量影响。理论结果表明 Byzantine 攻击对泛化误差的负面影响与异质度内在耦合但与样本量无关。对您可能有用：泛化误差的稳定性分析视角可迁移至高维统计与因果推断中分布式/去中心化估计器的鲁棒性理论。
关键技术: algorithmic stability, generalization error bound, Byzantine-resilient optimization, data heterogeneity, decentralized SGD
为什么对您有用: 本文连接到 stat_computing 与高维分布式估计的鲁棒性分析；您武器库中的 minimax bounds 与 high-dimensional asymptotics 可用于检验本文泛化界在异质数据高维极限下是否紧，或将其稳定性论证迁移至去中心化因果估计器（如分布式 DML）的泛化分析。中期可做：需先在 moderately_familiar 的 M-estimation theory 上补充分布式随机优化收敛与稳定性的标准论证工具。

8. 10.1109/tsp.2025.3614162 — Distributed Hybrid Sketching for \(\ell_{2}\)-Embeddings¶

作者: Neophytos Charalambides, Arya Mazumdar
期刊/来源: IEEE Transactions on Signal Processing
机构: University of California San Diego
分类: vol 74 · pp 13-26
相关性 4/10 · novelty: new_method
摘要: 在分布式集中式网络设定下，研究如何对分布在多节点的大规模数据构建 ℓ₂-子空间嵌入，目标是在保持数据几何结构的同时最小化节点与协调器之间的通信开销并兼顾隐私安全。核心方法是随机化 sketching：各节点对本地数据施加独立 sketching 矩阵，协调器聚合后再执行第二次 sketch（即 hybrid sketching）。理论贡献在于证明 hybrid sketching 可以在现成 sketching 矩阵（如 Gaussian、SRHT、sparse）的嵌入维度与乘法时间之间实现插值权衡，从而获得更优的嵌入维度或计算时间增益。数值实验验证了嵌入误差的理论界。对您有用：本文的分布式 sketching 与 hybrid 权衡思路可直接迁移到高维统计与随机矩阵理论中的大规模矩阵运算加速，以及您所关注的统计计算中数值方法与软件实现问题。
关键技术: distributed ℓ₂-subspace embedding, randomized sketching, hybrid sketching (two-stage compression), communication-efficient distributed computing, oblivious subspace embedding, sketching matrix trade-offs (dimension vs multiplication time)
为什么对您有用: 本文直接连接到您 primary interest 中的 statistical computing（数值方法与算法）以及 high-dimensional statistics 中的大规模矩阵运算加速问题。您武器库中 very_familiar 的 'software development' 与 'high-dimensional asymptotics' 可以直接用来复现和验证本文的 hybrid sketching 权衡界，甚至探索其在高维回归 debiased ML 步骤中的加速潜力。follow-up 判断：立即可做——用 very_familiar 的软件开发与高维渐近工具即可动手复现实验并测试在 DML 场景中的加速效果。

9. 10.1109/tsp.2026.3672998 — Estimating Sequences With Memory for Minimizing Convex Nonsmooth Composite Functions¶

作者: Endrit Dosti, Sergiy A. Vorobyov, Themistoklis Charalambous
期刊/来源: IEEE Transactions on Signal Processing
机构: Aalto University · University of Cyprus
分类: vol 74 · pp 1341-1356
相关性 4/10 · novelty: new_method
摘要: 本文针对大规模凸非光滑复合目标函数的优化问题，提出了一类广义复合估计序列（generalized composite estimating sequences），利用迭代过程中生成的信息来构造近似模型。基于该序列，作者设计了带回溯线搜索（backtracking line-search）的加速一阶方法，在未知真实 Lipschitz 常数时仍保证加速收敛率 O(1/k^2) 或线性收敛，且对依赖强凸性参数的超参数初始化具有鲁棒性。核心理论贡献在于将 Nesterov 估计序列技术推广至非光滑复合结构，并证明在回溯策略下收敛率不降级。数值实验在合成与真实数据集上验证了算法效率与鲁棒性。对您而言，本文提供了一阶优化在非光滑复合设定下的计算加速机制，可作为统计计算工具箱的补充参考。
关键技术: estimating sequences, accelerated first-order method, convex nonsmooth composite optimization, backtracking line-search, Lipschitz constant adaptation
为什么对您有用: 本文属于统计计算/数值优化方向，核心是凸非光滑复合目标的一阶加速算法与回溯线搜索，与您 primary interest 中的 statistical computing 直接相关。您武器库中的 software development 能力可以直接复现该算法并嵌入到 debiased ML 或 semiparametric estimator 的外层优化中（如 Lasso + nonsmooth penalty 的 proximal step）。follow-up 判断：立即可做——用 very_familiar 的软件开发技能实现该 estimator sequence 框架，并在高维 M-estimation 的非光滑损失场景中做 benchmark。

10. 10.1109/tsp.2026.3656332 · arXiv — On the Characteristics of the Conjugate Function Enabling Effective Dual Decomposition Methods¶

作者: Hansi Abeynanda, Chathuranga Weeraddana, Carlo Fischione
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 572-588
相关性 3/10 · novelty: new_method
摘要: 本文研究一般凸优化问题共轭函数的一个新性质：在其域的特定区域内，存在从该点出发的射线，沿射线方向共轭函数梯度保持恒定，称为 FGOR（fixed gradient over rays）。作者证明该性质被对偶函数继承，并据此在对偶次梯度方法中设计了一种简单步长规则，可与现有步长策略叠加以加速收敛。将 FGOR 应用于全局共识（global consensus）问题时，不仅加速对偶分解收敛，还降低通信开销；进一步推广至非凸与随机优化设定。数值实验（二次目标、正则化最小二乘回归及真实数据集）表明 FGOR 步长显著提升现有方法性能，在收敛与通信效率上平均优于主流分裂方法。对您有用：若在统计计算中涉及分布式/对偶分解求解高维 M-estimator 或正则化回归，FGOR 提供了一种可直接嵌入的步长加速技巧。
关键技术: conjugate function, dual decomposition, dual subgradient methods, fixed gradient over rays (FGOR), global consensus optimization, stepsize rule design
为什么对您有用: 本文直接连接统计计算方向中的数值优化与分布式求解，针对对偶分解方法提出基于共轭函数梯度恒定性的 FGOR 步长规则，可加速正则化最小二乘等常见 M-estimator 的对偶求解。您武器库中 very_familiar 的软件开发与高维渐近理论可直接评估 FGOR 在高维 debiased M-estimator 对偶迭代中的实际加速效果。立即可做：用现有 very_familiar 的数值实验框架，在正则化回归或分布式 M-estimator 场景中复现 FGOR 步长并对比收敛率。

11. 10.1109/tsp.2025.3645629 · arXiv — Optimal Error Analysis of Channel Estimation for IRS-Assisted MIMO Systems¶

作者: Zhen Qin, Zhihui Zhu
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 61-74
相关性 3/10 · novelty: new_theory
摘要: 在 IRS-assisted MIMO 系统的上行链路场景下，目标是估计含噪观测下的信道矩阵，核心假设是信道在特定时隙内保持不变且观测矩阵为复值亚高斯随机矩阵。本文首先将此信道估计问题等价转化为紧凑的 tensor train (TT) 格式下的 tensor-on-tensor (ToT) 回归。基于此等价性，作者推导了复值亚高斯测量下的 restricted isometry property (RIP)，指出成功恢复取决于用户终端数与不变时隙数的关系。利用 RIP 条件，对约束最小二乘解给出了恢复误差上界，并建立了该模型的 minimax 下界，证明误差与时隙数成反比、与未知参数总数成正比，刻画了估计精度的根本权衡。最后将框架推广至多跳 IRS 并给出相应误差分析。对您可能有用：本文的 TT-ToT 回归建模与 minimax 上下界分析，直接连接到您在 tensor contraction / einsum 复杂度与高维 minimax bound 方面的技术储备。
关键技术: tensor train decomposition, tensor-on-tensor regression, restricted isometry property, minimax lower bound, complex-valued subgaussian measurements, constrained least-squares
为什么对您有用: 本文将信道估计建模为 tensor train 下的 tensor-on-tensor 回归并给出 minimax 上下界，直接连接到您 primary interest 中的统计计算（tensor contraction / einsum）与 minimax bound 两个子方向。您武器库中 very_familiar 的「computation of higher-order U-statistics (treewidth / tensor contraction / einsum)」与「minimax bounds for estimation problems」可以直接攻本文 TT-ToT 回归的 estimator cost 分析与 minimax 界是否紧的验证。Follow-up 粗判：立即可做——用 treewidth / einsum 视角分析其 TT 格式下估计量的计算复杂度，并验证其 minimax rate 在更一般测量设计下的适用性。

12. 10.1109/tsp.2026.3678844 — Over-the-Air Computation on Network Edge for Collaborative Estimation¶

作者: Vincent Huynh, Weiwei Wang, Zhi Ding
期刊/来源: IEEE Transactions on Signal Processing
机构: University of California, Davis
分类: vol 74 · pp 1600-1615
相关性 2/10 · novelty: new_method
摘要: 在分布式感知系统中，研究基于无线多接入信道自然聚合的 Over-the-Air Computation (AirComp) 协同参数估计框架，目标是在脉冲成形与信道干扰下对源信号幅度和时间延迟进行极大似然估计 (MLE)。提出两种 MLE 路径：一是对联合 log-likelihood 的含噪逼近，二是通过噪声白化消除脉冲成形效应。针对多用户信道破坏性干扰，设计了四种信道补偿方案并在每种方案下推导了 Cramér-Rao 下界 (CRLB)。提出 partial phase pre-compensation 实用方案，其性能逼近完整相位补偿，降低了实际部署复杂度。对您可能有用：AirComp 的信号聚合与噪声白化机制为统计计算中的分布式估计与数值优化提供了通信-计算耦合的新视角。
关键技术: Over-the-Air Computation (AirComp), maximum likelihood estimation, Cramér-Rao lower bound (CRLB), noise-whitening, partial phase pre-compensation, log-likelihood approximation
为什么对您有用: 本文连接到统计计算与分布式估计方向：AirComp 框架将通信信道物理特性直接嵌入估计器的构造与 CRLB 分析，属于通信-计算耦合的非传统统计计算场景。用您 very_familiar 的 minimax bounds / estimation theory 武器可以审视其 CRLB 推导是否紧致、含噪 LLF 逼近的效率损失是否可量化。中期可做：若想将 AirComp 思路迁移到高维/半参数分布式估计，需先在 moderately_familiar 的 M-estimation theory 上长肌肉以处理非标准聚合损失函数。

13. 10.1109/tsp.2026.3657751 — Treating the Filter Weights as Learnable Functions: An Efficient Nonlinear Filtering Framework and Its Adaptive Algorithms¶

作者: Mingjing Cui, Dongyuan Lin, Lei Li, Yunfei Zheng, Shiyuan Wang
期刊/来源: IEEE Transactions on Signal Processing
机构: Southwest University
分类: vol 74 · pp 545-560
相关性 2/10 · novelty: new_method
摘要: 本文在自适应滤波框架下，将传统线性滤波器的固定权重参数化为可学习函数，以提升非线性建模能力。基于 Kolmogorov-Arnold 表示定理，可学习函数被具体实现为多中心 Gaussian basis functions 的线性组合，从而将滤波问题转化为线性-in-参数的估计问题。为求解定义该函数的系数，作者基于 MMSE 准则提出了 WL-LMS 与 WL-RLS 两种自适应算法，并给出了收敛条件与 excess mean square error (EMSE) 的瞬态/稳态理论分析。混沌时间序列预测与非线性系统辨识的仿真验证了理论结果及算法在精度上的优势。对您可能有用：本文将权重参数化为函数组合的思路，与您在 higher-order U-statistics 中用 tensor contraction / einsum 刻画多项式估计量复杂度的图论视角有结构上的相似性，可作为 stat-computing 中参数化结构优化的参考案例。
关键技术: Kolmogorov-Arnold representation theorem, Gaussian basis function expansion, WL-LMS / WL-RLS adaptive algorithms, excess mean square error (EMSE) analysis, linear-in-parameters system identification
为什么对您有用: 本文连接到 statistical computing 中的数值方法与算法子方向，其将权重参数化为 basis function 组合并分析 EMSE 收敛的做法，与您 technical_arsenal 中 very_familiar 的 computation of higher-order U-statistics (treewidth / tensor contraction / einsum) 存在结构类比——两者都在用组合/图论方式刻画参数化估计量的计算代价与表达力。中期可做：若想将 KA 定理的函数组合结构引入高阶 U-stat 的 tensor contraction 优化，需先在 moderately_familiar 的 theory of higher-order U-statistics 上长肌肉，以建立多项式估计量与 basis function 展开之间的精确映射。

14. 10.1109/tsp.2026.3685279 · arXiv — A Fast Robust Adaptive Filter Using Improved Data-Reuse Method¶

作者: Yi Peng, Haiquan Zhao, Jinhui Hu
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 1913-1925
相关性 2/10 · novelty: minor
摘要: 在 errors-in-variables (EIV) 模型设定下，目标是构建同时具备快收敛、低复杂度与多噪声环境鲁棒性的自适应滤波算法，核心 estimand 为系统未知参数向量的稳态均方偏差 (MSD)。所提 RTGA-IDROC 算法融合 total least squares (TLS) 策略与 robust generalized adaptive (RGA) 函数处理输入噪声，并引入 improved data-reuse (IDR) 方法加速迭代初期收敛。为抵消 IDR 带来的额外计算量，采用 online censoring (OC) 策略进行数据筛选，同时将 OC 阈值从复数域修正至实数域。理论贡献包括算法的局部稳定性分析与稳态 MSD 的解析推导；仿真在系统辨识与声学回声消除场景中验证了性能提升。对您可能有用之处在于其 IDR+OC 的计算-收敛权衡机制，为统计计算中数值迭代加速与复杂度控制提供了可参考的工程思路。
关键技术: errors-in-variables model, total least squares, data-reuse method, online censoring, mean-square deviation analysis, adaptive filtering
为什么对您有用: 本文属于信号处理中的自适应滤波与数值算法优化，与您 primary interest 中的 statistical computing（数值方法与算法）有直接连接，其 IDR 加速与 OC 复杂度削减的权衡思路可类比于高维迭代求解中的 early-stopping 与稀疏化策略。从 technical_arsenal 看，您 very_familiar 的 software development 与 high-dimensional asymptotics 可直接复现其 MSD 理论推导与仿真实验，属于立即可做的代码验证层面。但本文缺乏严格的统计推断（如效率界、minimax 率）与高维/半参数理论，对您核心的 efficiency theory / causal inference 方向无方法论迁移价值，建议仅作为 stat-computing 工程技巧的快速浏览，不必深读全文。

15. 10.1109/tsp.2025.3642025 · arXiv — FedCanon: Non-Convex Composite Federated Learning With Efficient Proximal Operation on Heterogeneous Data¶

作者: Yuan Zhou, Jiachen Zhong, Xinli Shi, Guanghui Wen, Xinghuo Yu
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 215-229
相关性 2/10 · novelty: new_method
摘要: 在复合联邦学习设定下，目标是在可能非凸的损失函数与弱凸、可能非光滑的正则项下求解优化问题，且不假设有界数据异质性。本文提出 FedCanon 算法，核心机制是将 proximal mapping 从客户端的局部更新中解耦，改为每轮仅在服务器端执行一次 proximal 计算，从而大幅降低客户端的计算代价；同时在局部更新中引入控制变量以纠正由数据异质性导致的 client drift，并避免 primal-dual 方法的复杂子问题。理论分析在一般非凸设定下首次为这种 proximal-skipping 框架提供了严格的收敛保证：证明其达到次线性收敛率，并在 Polyak-Łojasiewicz 条件下达到线性收敛率。实验表明在异质数据分布下 FedCanon 在精度与计算效率上均优于现有方法。对您可能有用：其 proximal-skipping 与控制变量纠偏的架构，为分布式/去中心化设定下的非光滑 M-estimation 计算提供了新思路。
关键技术: proximal mapping decoupling, client drift correction via control variables, non-convex composite optimization, Polyak-Łojasiewicz condition, proximal-skipping framework
为什么对您有用: 本文连接到统计计算与数值方法子方向，聚焦分布式非光滑复合优化的 proximal 计算代价降低与异质性纠偏。您武器库中的 M-estimation theory 与 software development 可直接攻入其 proximal-skipping 架构：例如将此单次 server-side proximal 机制移植到去中心化 semiparametric M-estimator（如 debiased ML 的分布式实现）中，验证收敛率是否保持。Follow-up 粗判：立即可做——用 very_familiar 的 software development 与 moderately_familiar 的 M-estimation theory 即可动手复现算法并测试在分布式因果推断 estimator 上的迁移效果。

16. 10.1109/tsp.2026.3657434 · arXiv — The Mean of Multi-Object Trajectories¶

作者: Tran Thien Dat Nguyen, Ba Tuong Vo, Ba-Ngu Vo, Hoa Van Nguyen, Changbeom Shim
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 531-544
相关性 2/10 · novelty: new_method
摘要: 本文研究多目标轨迹（定义为轨迹集合或多重集合）的均值定义与计算问题，目标是在基于 OSPA（最优子模式分配）度量空间下提出 Fréchet 均值的概念并给出高效算法。核心机制是将向量均值推广至轨迹与多目标轨迹，利用 OSPA 度量处理集合间的配对与基数差异，并分别提出贪心搜索与 Gibbs 采样两种算法来近似计算该 Fréchet 均值。理论层面未给出收敛速率或统计效率界，实证上以分布式多目标跟踪为应用场景，展示了基于 Fréchet 均值的多目标轨迹共识方法显著优于现有分布式跟踪算法。对您可能有用：本文将集合/轨迹均值问题形式化为度量空间上的 Fréchet 优化，其组合配对结构与计算近似方案可为统计计算中复杂目标函数的数值优化提供参考。
关键技术: Fréchet mean, OSPA metric, multi-object trajectory, greedy search, Gibbs sampling, distributed consensus
为什么对您有用: 本文属于统计计算与数值算法方向，核心是度量空间上组合优化目标的近似计算。(1) 连接到 stat_computing interest 中的数值方法与算法子方向，OSPA 配对与多重集合均值的形式化对多目标估计有参考价值；(2) 您武器库中 very_familiar 的 software development / computation of higher-order U-statistics (einsum / tensor contraction) 可直接用于分析此类组合配对问题的计算复杂度与更高效的实现；(3) 立即可做：若对多目标轨迹均值的具体算法复杂度感兴趣，可用 einsum / treewidth 视角审视其贪心与 Gibbs 采样的计算瓶颈，但本文缺乏统计理论（无效率界/收敛率），方法学 novelty 为新方法而非新理论，深度理论跟进空间有限。

17. 10.1109/tsp.2025.3639025 — Ziv-Zakai Bound for DOAs Estimation Under Arbitrary-Bit Quantization¶

作者: Zongyu Zhang, Zhiguo Shi, Jiming Chen, Maria Sabrina Greco, Fulvio Gini, Yujie Gu
期刊/来源: IEEE Transactions on Signal Processing
机构: Zhejiang University · University of Pisa · Aptiv (United States)
分类: vol 74 · pp 670-684
相关性 2/10 · novelty: new_theory
摘要: 在任意比特量化观测下研究 DOA 估计的 MSE 下界问题，传统 ZZB 因量化后分布非高斯且隐式而失效。本文利用加性量化噪声模型（AQNM）推导出闭式 Ziv-Zakai bound，给出统一表达式覆盖全量化、混合分辨率与无量化场景。进一步提出基于波束成形视角的广义近似框架，使 ZZB 能同时刻画线性量化增益与量化噪声效应。所推导的界对任意量化分辨率有效，明确揭示了量化比特深度与低分辨率 ADC 数量对整体 MSE 的差异化影响。数值实验验证了该界的准确性与对现有界的优越性。对您可能有用：若将量化视为统计计算中的精度-资源约束，本文的 AQNM + ZZB 框架为研究估计精度与计算成本（比特数/ADC 数）的 tradeoff 提供了一个具体的下界工具。
关键技术: Ziv-Zakai bound, additive quantization noise model (AQNM), beamforming approximation framework, direction-of-arrival estimation, MSE lower bound under quantization
为什么对您有用: 本文触及 stat-computing tradeoff 中精度与量化资源（比特数/ADC数）的权衡，属于 gateway reading：它用 AQNM 将非高斯隐式分布转化为可处理的加性噪声模型，从而给出闭式 MSE 下界，对不熟悉量化阵列信号处理的统计学者是可读的入门。武器库中 minimax bounds 与 inverse problems with random noise 可直接攻其下界推导部分（立即可做）；但 AQNM 的阵列信号建模细节与波束成形近似需额外消化（中期可做，需在 moderately_familiar 的 M-estimation theory 上补充阵列信号建模知识）。作为量化约束下估计下界的具体案例，值得花时间读全文以了解 ZZB 在非标准噪声下的推广方式。

18. 10.1109/tsp.2026.3686550 · arXiv — Autoregressive Stochastic Clock Jitter Compensation in Analog-to-Digital Converters¶

作者: Daniele Gerosa, Rui Hou, Vimar Björk, Ulf Gustavsson, Thomas Eriksson
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 1818-1829
相关性 2/10 · novelty: new_method
摘要: 本文研究模数转换器(ADC)中离散时间时钟抖动的数学建模与补偿，将随机时钟抖动建模为AR(1)过程，目标是在pilot-assisted设定下恢复基带信号并估计AR参数。核心提出两种计算高效的去抖动算法：基于加权最小二乘的序列求解法，以及利用抖动相关结构的Kalman滤波平滑法；同时给出AR参数的条件极大似然估计器(CMLE)，使Kalman滤波在参数时变时仍接近最优性能。理论部分分析了线性化误差的数学性质，仿真表明SINADR提升1–15 dB、EVM改善0.02–1.6 dB，Kalman smoother因利用额外时间信息一般表现更优。对您可能有用：Kalman滤波与加权最小二乘的组合、以及线性化误差分析，是stat_computing中信号恢复与数值方法的典型范例。
关键技术: AR(1) stochastic process modeling, weighted least squares, Kalman filter and smoother, conditional maximum likelihood estimation, linearization error analysis
为什么对您有用: 本文属于stat_computing与信号处理的交叉，核心是Kalman滤波与CMLE在结构化噪声补偿中的数值算法设计，与您primary interest中的statistical computing（数值方法与算法）直接相关。您武器库中的very_familiar项（software development / high-dimensional asymptotics）足以支撑理解其算法实现与线性化误差分析框架，但Kalman滤波与通信系统pilot-assisted估计的领域细节需稍作补充。判断：中期可做——若想在类似结构化噪声的因果推断或高维估计问题中引入Kalman/递推算法，需先在moderately_familiar的M-estimation理论中长肌肉以衔接动态估计框架。

19. 10.1109/tsp.2026.3656662 · arXiv — Biased Compression in Gradient Coding for Distributed Learning¶

作者: Chengxi Li, Ming Xiao, Mikael Skoglund
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 514-530
相关性 2/10 · novelty: new_method
摘要: 在分布式学习设定下，研究同时应对通信瓶颈与 straggler 延迟的梯度编码与压缩联合方案，目标是全局梯度的近似与收敛保证。提出 COCO-EF 方法：非 straggler 设备对冗余分配数据的局部梯度进行编码，引入误差反馈（error feedback）机制修正先前压缩误差，再使用有偏压缩函数（biased compression）压缩后传输；服务器聚合这些消息以近似全局梯度。理论部分给出了 COCO-EF 的严格收敛保证，证明有偏压缩在梯度编码场景下相比无偏压缩有实质性优势。实证表明其学习性能优于仅用无偏压缩或无编码的基线方法。对您可能有用：若关注 stat-computing tradeoff 中通信代价与计算冗余的权衡，本文提供了一个有偏压缩+编码的具体算法实例与收敛分析框架。
关键技术: gradient coding, biased compression, error feedback, distributed optimization convergence, straggler mitigation
为什么对您有用: 本文触及 stat-computing tradeoff 中通信代价与计算冗余的权衡，属于分布式学习中的算法与收敛分析，而非研究者关注的 average-case hardness / low-degree barrier / 信息-计算缺口类理论。(1) 连接方向是 stat_computing 中的数值方法与算法，但核心是分布式优化收敛率分析，未涉及高维推断或因果推断的计算下界；(2) 研究者 very_familiar 中的高维渐近理论或 minimax bound 不直接适用于此分布式 SGD 收敛分析，moderately_familiar 的 M-estimation 理论可部分理解其收敛证明框架，但无法攻入其编码与压缩的通信理论细节；(3) 暂不可做：核心机器（梯度编码的代数设计与有偏压缩的误差反馈收敛分析）不在武器库中，需先补分布式优化与通信压缩理论。

20. 10.1109/tsp.2025.3625403 — Universal Hole-Filling Strategies for Coprime Arrays¶

作者: Xiang Li, Ming Jin, Xiang-Tian Meng, Bing-Xia Cao, Feng-Gang Yan, Maria Greco et al.
期刊/来源: IEEE Transactions on Signal Processing
机构: Harbin Institute of Technology · University of Pisa
分类: vol 74 · pp 27-42
相关性 1/10 · novelty: new_method
摘要: 本文研究互质阵列（coprime arrays）在差分共阵（DCA）中存在空洞（holes）导致自由度（DOFs）受限的问题，目标是构造无空洞的 DCA 以充分利用孔径。作者首先给出现有互质阵列的通用配置表达式，并推导出 DCA 中空洞与非连续滞后（inconsecutive lags）之间的广义对称关系及其显式计数公式。基于这些对称关系，提出通过在原阵列外部增加子阵列的通用空洞填补策略，生成无空洞互质阵列，使 DOFs 达到原阵列的两倍。仿真表明修改后的阵列在 DOA 估计与空间分辨率上均优于原阵列。对您而言，本文的阵列设计与差分共阵的离散结构分析，可作为高维随机矩阵理论中样本协方差矩阵结构约束的离散几何参考。
关键技术: coprime array configuration, difference co-array (DCA), hole-filling strategy, degrees of freedom (DOFs), direction-of-arrival (DOA) estimation, symmetric relations of inconsecutive lags
为什么对您有用: 本文属于阵列信号处理中的离散结构设计，与您的高维统计与随机矩阵理论（primary interest）在样本协方差矩阵的确定性结构约束上有间接联系，但核心是离散组合而非连续概率极限。您的武器库中 minimax bounds 与 high-dimensional asymptotics 无法直接攻入此离散组合设计问题，缺乏阵列信号处理与差分共阵的专门组合工具。暂不可做：核心的差分共阵空洞填补组合机器不在武器库里（缺阵列几何与 DOA 估计的组合优化工具），若要进入需先补阵列信号处理基础。

21. 10.1109/tsp.2026.3686191 — Efficient Distributed Randomized Iterative Detection for Decentralized XL-MIMO Systems¶

作者: Zheng Wang, Chunguo Li, Yongming Huang, Shi Jin, Giuseppe Caire
期刊/来源: IEEE Transactions on Signal Processing
机构: Southeast University · Technische Universität Berlin
分类: vol 74 · pp 1973-1987
相关性 1/10 · novelty: new_method
摘要: 在极大规模 MIMO (XL-MIMO) 的分布式基带架构下，目标是低复杂度地求解最小二乘 (LS) 信号检测问题，核心难点在于避免矩阵伪逆的高昂计算代价。本文提出 EDRID 算法，用随机化迭代替代伪逆计算，证明了迭代误差在固定步长下指数收敛至 LS 解的邻域，但存在收敛偏差。为消除偏差，引入动态步长策略，理论证明动态步长 EDRID 在迭代充分时以任意精度精确收敛至 LS 解，且具有全局收敛性。进一步引入条件采样技术加速收敛并提升效率，使算法在复杂度、灵活性与可扩展性上适配 XL-MIMO 系统。对您可能有用：本文将大规模线性系统的求解转化为随机迭代逼近，其收敛分析与步长策略设计对统计计算中的高维矩阵求逆与迭代求解有直接参考价值。
关键技术: randomized iterative detection, matrix pseudoinverse avoidance, dynamic step-size convergence, least squares solution, conditional sampling, distributed baseband processing
为什么对您有用: 本文直接连接到 statistical computing 中的高维矩阵数值求解与迭代算法设计，核心贡献是绕过伪逆的随机化迭代及其收敛率证明。您武器库中 very_familiar 的 'inverse problems with random noise' 与 'high-dimensional asymptotics' 可直接用来审视该算法在随机噪声下的收敛鲁棒性与高维极限行为（如用 RMT 刻画 XL-MIMO 矩阵谱分布对步长的影响）。Follow-up 判断：立即可做——可用您熟悉的高维渐近理论分析该随机迭代在 MIMO 信道矩阵（随机矩阵模型）下的收敛率与最优步长，或将其与 sketching / randomized SVD 等数值方法做系统对比。

22. 10.1109/tsp.2025.3619190 — External Division of Two Proximity Operators—Part II: Generalization and Properties¶

作者: Kyohei Suzuki, Masahiro Yukawa
期刊/来源: IEEE Transactions on Signal Processing
机构: Keio University
分类: vol 74 · pp 167-182
相关性 1/10 · novelty: new_theory
摘要: 本文在凸优化框架下研究两个近端算子的外分算子，即带有正负权重的仿射组合。作者证明：两个凸函数近端算子的外分算子是单调 Lipschitz 梯度去噪器，即某光滑凸函数的梯度，从而可表示为某弱凸函数的近端算子。这一表征使得基于外分算子的梯度算法收敛性分析得以直接建立。进一步，将外分算子应用于 OSCAR 正则化时，它被证明是 Moreau enhancement 近端算子的推广。Part I 的数值实验表明，在特征分组任务中，外分算子显著优于原 OSCAR 正则化。对您可能有用：若在因果推断或高维统计中涉及复合正则化（如分组惩罚）的 proximal 算法实现，此算子提供了构造新迭代算子的理论工具。
关键技术: proximity operator, external division operator, weakly convex function, Moreau enhancement, OSCAR regularizer, monotone Lipschitz gradient denoiser
为什么对您有用: 本文连接到 statistical computing 中的 proximal 算法与凸优化数值方法子方向，为复合正则化问题（如高维特征分组）提供了新的算子构造与收敛性保证。研究者武器库中的 software development 与 high-dimensional asymptotics 经验可直接支撑此类 proximal 算法的实现与高维性能验证。Follow-up 粗判：立即可做——用 very_familiar 的 software development 技能实现该算子并在高维分组 Lasso 场景下做数值实验。

23. 10.1109/tsp.2026.3659742 · arXiv — Association-Based Track-Before-Detect With Object Contribution Probabilities¶

作者: Thomas Kropfreiter, Jason L. Williams, Florian Meyer
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 1277-1292
相关性 1/10 · novelty: new_method
摘要: 在多目标跟踪（multiobject tracking）的 cell-structured 数据设定下，本文研究 track-before-detect（TBD）方法在目标交互（近距离相遇）时的精度与计算复杂度权衡问题。核心创新是引入 probabilistic object-to-cell contributions 概念，通过概率关联将数据单元的贡献分配给占据同一单元的不同目标，并提出新的 object contribution model 刻画单元内多目标的叠加效应。为控制计算复杂度，算法采用 Poisson/multi-Bernoulli filter 结合 belief propagation 实现快速概率数据分配，避免了传统 TBD 方法在交互场景下的精度退化或计算爆炸。数值实验表明，在多目标交互场景下，该方法相较于现有 TBD 方法显著提升了跟踪精度。对您而言，本文的 belief propagation + Poisson/multi-Bernoulli 滤波组合提供了一种在复杂关联结构下实现近似推断的计算范式，其图模型上的消息传递机制与您关注的 tensor contraction / einsum 复杂度优化存在结构相似性。
关键技术: track-before-detect, Poisson multi-Bernoulli mixture filter, belief propagation, probabilistic data association, object contribution model
为什么对您有用: 本文连接到您 primary interest 中的 statistical computing（数值方法与算法）方向，特别是复杂关联结构下的近似推断计算。您 very_familiar 中的 computation of higher-order U-statistics (treewidth / tensor contraction / einsum) 可直接作为分析工具：belief propagation 在图模型上的消息传递本质上与 tensor contraction 的最优收缩顺序优化同构，您可以用 treewidth 视角分析该 filter 在多目标交互时的计算复杂度边界，验证其声称的低复杂度是否紧。follow-up 粗判：中期可做——需先在 moderately_familiar 的图模型推断与消息传递算法上长肌肉，才能将 treewidth/einsum 工具正式迁移到 tracking filter 的复杂度分析上。

24. 10.1109/tsp.2026.3651805 — Distributed Poisson Multi-Bernoulli Filtering via Generalized Covariance Intersection¶

作者: Ángel F. García-Fernández, Giorgio Battistelli
期刊/来源: IEEE Transactions on Signal Processing
机构: Universidad Politécnica de Madrid · University of Florence
分类: vol 74 · pp 246-257
相关性 1/10 · novelty: new_method
摘要: 在分布式多目标跟踪设定下，目标是基于广义协方差交集（GCI）融合规则设计分布式 Poisson Multi-Bernoulli (PMB) 滤波器。由于两个 PMB 密度的精确 GCI 融合不可行，作者提出将 PMB 密度的幂近似为未归一化的 PMB 密度（对应 PMB 的上界），从而使 GCI 融合转化为两个未归一化 PMB 密度的归一化乘积。该乘积结果被证明为 Poisson Multi-Bernoulli Mixture (PMBM)，且具有闭式表达；后续的预测与更新步骤保持 PMBM 结构，并在下一次融合前投影回 PMB 密度。实验表明该方法优于其他分布式多目标滤波器。对您可能有用：本文展示了概率密度融合中的 principled approximation 与闭式计算策略，属于 stat_computing 与数值近似范畴。
关键技术: Poisson multi-Bernoulli density, generalized covariance intersection fusion, Poisson multi-Bernoulli mixture, density power approximation, distributed multi-object filtering
为什么对您有用: 本文属于 stat_computing 与数值近似范畴，处理概率密度融合的 tractability 问题，与您在统计计算（数值方法与算法）上的兴趣有弱连接。您武器库中的 software development 与 computation of higher-order U-statistics (tensor contraction) 可用于分析此类 PMBM 闭式表达的计算复杂度与 contraction-order 优化，但多目标跟踪的 RFS 框架本身不在您核心武器库内。中期可做：若想进入此方向，需先在 moderately_familiar 的 M-estimation theory 之外补充随机有限集（RFS）与点过程估计理论的基础知识。

25. 10.1109/tsp.2026.3673062 · arXiv — Fractional Programming for Stochastic Precoding Over Generalized Fading Channels¶

作者: Wenyu Wang, Kaiming Shen
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 1414-1427
相关性 0/10 · novelty: new_method
摘要: 本文研究MIMO网络中随机预编码的长期平均加权速率最大化问题，设定为仅依赖衰落信道一阶与二阶矩的广义衰落模型，而非特定分布（如Gaussian）。核心难点在于直接对期望内速率做fractional programming（FP）时辅助变量难以确定；作者通过矩阵FP技巧构造了一个期望速率的下界近似，该下界适用于仅知矩信息的广义信道，且优于已有下界。由此得到的近似问题可在迭代中闭式求解，且针对大规模MIMO消除了大矩阵求逆以提升计算效率。仿真显示在Gaussian与非Gaussian信道下均优于基准方法。对您而言，本文的矩阵FP闭式迭代与大规模矩阵求逆消除技巧，可作为stat_computing方向中数值优化与矩阵算法的参考案例。
关键技术: fractional programming, matrix fractional programming, stochastic precoding, moment-based approximation, iterative closed-form solution, large matrix inverse elimination
为什么对您有用: 本文连接到stat_computing方向的数值优化与矩阵计算子方向，其矩阵FP闭式迭代与消除大矩阵求逆的技巧与您technical_arsenal中very_familiar的software development和high-dimensional asymptotics有交集。用您熟悉的矩阵运算与算法开发能力可以直接分析其迭代收敛性与计算复杂度。立即可做：用very_familiar的software development与矩阵计算工具复现其算法并验证大规模MIMO下的数值稳定性。

26. 10.1109/tsp.2026.3689912 — Super-Resolution Channel Estimation for RIS-Aided Multi-User mmWave Systems: Dictionary Adaptation and Error Modeling¶

作者: Zhendong Peng, Gui Zhou, Cunhua Pan, Maged Elkashlan, Cyril Leung
期刊/来源: IEEE Transactions on Signal Processing
机构: University of British Columbia · Huazhong University of Science and Technology · Southeast University · Queen Mary University of London
分类: vol 74 · pp 1863-1879
相关性 0/10 · novelty: new_method
摘要: 在 RIS 辅助多用户毫米波通信设定下，目标是估计级联信道矩阵，现有多阶段分解方法存在误差传播问题。本文提出两阶段 error-aware 超分辨率信道估计方法：第一阶段利用多用户分集增益估计含模糊度的公共 RIS-BS 信道；第二阶段将第一阶段估计构造的测量矩阵视为受扰动矩阵，联合估计所有用户的模糊 user-RIS 信道并显式补偿第一阶段传播的共享误差。核心估计问题被转化为两类非凸优化——非线性逼近与联合稀疏恢复加字典适配，分别用 grid search 与 majorization-minimization (MM) 算法求解。理论部分给出了误差建模与补偿机制的分析，仿真验证了 error-aware 机制对抑制误差传播的性能增益。对您可能有用之处在于其测量矩阵受扰动下的稀疏恢复与字典适配优化框架，可类比高维统计中 perturbed design matrix 下的 M-estimation 理论。
关键技术: super-resolution channel estimation, error-aware compensation, joint sparse recovery, dictionary adaptation, majorization-minimization algorithm, perturbed measurement matrix
为什么对您有用: 本文属于 stat_computing 方向的信号处理应用，核心是测量矩阵受扰动下的稀疏恢复与字典适配优化，与您 primary interest 中高维统计的 perturbed design / M-estimation 理论有结构相似性。您武器库中 very_familiar 的 inverse problems with random noise 可直接切入分析其第一阶段误差如何在第二阶段传播与补偿，但该文缺乏严格的统计收敛率/ minimax 界分析，更多是算法与仿真。中期可做：若想将此类通信中的 error-aware 稀疏恢复纳入高维统计框架做 sharper rate 分析，需先在 moderately_familiar 的 M-estimation theory 上长肌肉，补足 perturbed design 下 sparse M-estimator 的渐近理论。

27. 10.1109/tsp.2025.3649224 — Adaptive DOA Estimation Method Based on Frequency Agile Radar With Joint Transmit-Receive Processing¶

作者: Ruofan Liu, Bo Jiu, Danlei Xu, Youlin Fan, Hongwei Liu
期刊/来源: IEEE Transactions on Signal Processing
机构: Xidian University
分类: vol 74 · pp 483-498
相关性 0/10 · novelty: new_method
摘要: 在频率捷变（FA）雷达设定下，目标是在发射端载频随机跳变或自适应调整时，联合收发端进行多目标 DOA（到达角）估计。由于载频跳变导致阵列流形随脉冲变化，传统多频信息融合失效；本文在随机频率模式下构建融合多载频信息的字典矩阵，采用稀疏恢复（SR）理论估计多目标 DOA，并解析推导了该模式下的 DOA 估计理论性能界（CRB 类）。在自适应模式下，利用随机模式的预估计结果，联合优化发射载频与字典矩阵以降低理论性能界，从而提升多目标 DOA 估计精度与分辨率。实验表明该方法较传统方法有显著性能提升。对您而言，本文的联合优化与性能界推导思路可作为统计计算与数值优化在信号处理场景的参考案例。
关键技术: sparse recovery (SR) for DOA estimation, dictionary matrix construction with multi-carrier frequency, joint transmit-receive optimization, analytical performance bounds derivation, adaptive carrier frequency selection
为什么对您有用: 本文属于统计计算与数值方法在雷达信号处理的应用，与您 primary interest 中的统计计算（数值方法、算法）有直接连接；您武器库中的 software development 与 high-dimensional asymptotics 可用于审视其稀疏恢复字典构建与性能界推导的实现细节。然而，本文核心是雷达工程中的阵列信号处理与波形优化，而非您熟悉的 minimax 界或高维统计推断框架，且缺乏与因果推断、U-statistics 或 semiparametric 理论的交叉。Follow-up 判断：暂不可做——核心机器（雷达阵列流形建模、FA 频率捷变体制）不在武器库中，需先补阵列信号处理背景方可深入。

28. 10.1109/tsp.2026.3691979 · arXiv — Hybrid Architecture Gets Fluid: A New Paradigm for Direction-of-Arrival Estimation in 6G Networks¶

作者: Ye Tian, Jiaji Ren, Tuo Wu, Wei Liu, Maged Elkashlan, Matthew C. Valenti et al.
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 2083-2099
相关性 0/10 · novelty: new_method
摘要: 在6G通信的fluid-antenna混合模拟数字(FA-HAD)架构下，研究压缩观测下的二维DOA估计问题，关键假设为单源信号模型与特定空间-相位采样策略。核心方法包括：推导单源CRLB以量化精度-开销权衡；提出虚拟阵列空间协方差矩阵(SCM)重构算法，将压缩观测映射到物理可解释的协方差表示；基于重构SCM，利用Jacobi-Anger展开实现降维MUSIC估计器，将任意平面阵列的谱搜索计算量大幅降低。仿真表明FA-HAD在RF硬件复杂度与训练开销显著降低时，DOA精度逼近全数字系统。对您可能有用：其降维MUSIC与SCM重构的计算优化思路，可迁移至高维协方差估计的数值算法设计。
关键技术: CRLB derivation, virtual-array SCM reconstruction, Jacobi-Anger expansion, dimension-reduced MUSIC, compressive spatial-phase sampling
为什么对您有用: 本文属于信号处理与统计计算的交叉：(1) 连接到 stat_computing 中的数值方法与矩阵计算，特别是高维协方差矩阵重构与降维谱估计的算法设计；(2) 用 very_familiar 中的高维渐近理论可以审视其SCM重构在有限样本下的收敛性质，用软件开发经验可评估其Jacobi-Anger展开的einsum/tensor contraction实现效率；(3) 中期可做：若要深入DOA估计的统计理论（如多源情形的minimax rate或semiparametric效率界），需先在 moderately_familiar 的 M-estimation theory 上长肌肉以建立谱估计器的渐近分析框架。

其他 (other, 11 篇)¶

1. 10.1109/tsp.2026.3659022 · arXiv — Modeling and Statistical Characterization of Large-Scale Automotive Radar Networks¶

作者: Mohammad Taha Shah, Gourab Ghatak, Ankit Kumar, Shobha Sundar Ram
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 717-733
相关性 3/10 · novelty: application
摘要: 本文研究大规模车载雷达网络在离散杂波与同频干扰下的性能刻画，目标 estimand 为 ego radar 的检测概率。作者指出传统 Poisson point process (PPP) 模型忽略了街道几何对雷达位置的约束，提出用 Poisson line process (PLP) 与 Binomial line process (BLP) 建模街道，并在其上叠加 PPP-based Cox process 建模车辆节点。核心机制是推导有效干扰集与干扰距离分布，将检测概率显式表达为街道密度与车辆密度的函数；BLP 进一步捕捉了从市中心到郊区街道几何的空间异质性。最后利用全球多城市真实街道与车辆密度数据验证模型，展示了城区/郊区及不同时段的性能差异。对您而言，本文是随机几何与 Cox process 在工程网络建模的典型应用，方法论 novelty 有限但数据与建模思路可作为跨领域入门参考。
关键技术: Poisson point process, Cox process, Poisson line process, Binomial line process, stochastic geometry, detection probability characterization
为什么对您有用: 本文属于随机几何在通信/雷达网络的工程应用，与您 primary interests（因果推断、高维 RMT、U-statistics、semiparametric efficiency）无直接交集。作为 gateway reading：(1) 不是好入门读物——针对车载雷达特定场景，假设读者熟悉通信网络 stochastic geometry，对统计学者不友好；(2) 武器库中的 high-dimensional asymptotics 与 minimax bounds 无法直接攻入此 Cox process 街道建模的具体口子；(3) 不值得花时间读全文，除非您有意将 Cox process / PLP 引入空间因果推断或空间点过程的新方向。

作者: Marco Carpentiero, Virginia Bordignon, Vincenzo Matta, Ali H. Sayed
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 258-275
相关性 3/10 · novelty: new_method
摘要: 本文研究在线社交学习问题，设定为网络中多智能体在真实假设与似然模型均随时间漂移的动态环境下，通过迭代局部似然更新与邻居信念聚合形成信念。提出双重自适应社交学习（A²SL）策略，引入两个自适应阶段：用随机梯度下降（SGD）追踪决策模型漂移，以及自适应信念更新追踪时变真实假设。理论证明在自适应参数充分小时，所有智能体可一致学习，即错误选择概率收敛至自适应参数量级。仿真与真实数据验证了方法有效性。对您而言，本文属于网络学习与分布式推断方向，与您关注的因果推断、高维或半参数效率理论无直接交集。
关键技术: social learning, stochastic gradient descent, adaptive belief update, network aggregation, error probability convergence
为什么对您有用: 本文属于分布式信号处理与网络学习领域，与您 primary interests 中的因果推断、高维统计、半参数效率等核心方向无直接技术重叠。您武器库中的 minimax bounds 与 higher-order U-statistics 工具难以直接切入该 paper 的 SGD 追踪与信念聚合机制。暂不可做：核心机器（分布式在线学习的一致性分析与漂移追踪）不在武器库中，且缺乏对您现有研究方向的方法论反哺。

3. 10.1109/tsp.2025.3649010 · arXiv — Anomaly Detection in Networked Bandits¶

作者: Xiaotong Cheng, Setareh Maghsudi
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 230-245
相关性 3/10 · novelty: new_method
摘要: 在网络化协作上下文赌博机（collaborative contextual bandit）设定下，目标是同时实现个性化推荐与在线异常节点检测，estimand 为各节点偏好参数与残差。作者提出一种结合网络拓扑信息的赌博机算法：利用图结构刻画用户偏好与特征残差，通过残差分析在线识别偏离正常模式的异常节点。理论上给出了算法 regret 的上界，实证在合成与真实数据集上与多种协作上下文赌博机算法进行了对比。对您可能有用：若将异常检测视为对残差的假设检验问题，该框架可连接到您对 hypothesis testing 与在线序列决策的兴趣。
关键技术: collaborative contextual bandit, network-aware preference modeling, residual-based anomaly detection, regret upper bound, online learning
为什么对您有用: 本文核心属于在线学习/赌博机方向，与您 primary interests 中的因果推断或高维/半参数理论距离较远；其 regret bound 证明属于标准赌博机分析，未涉及 minimax rate 或 semiparametric efficiency。若将残差异常检测重构为序列假设检验问题，您 very_familiar 的非参数统计与 minimax bound 工具可提供更紧的理论分析口子，但需先在 moderately_familiar 的 M-estimation 理论上补充在线序列决策的 regret-to-concentration 转换技术。中期可做：需先在在线学习 regret 分析框架上长肌肉。

4. 10.1109/tsp.2026.3667692 — Longtime Adaptive Coherent Detection in Heterogeneous Compound-Gaussian Sea Clutter¶

作者: Xiao-Jun Zhang, Lu-Xi Zhang, Peng-Lang Shui
期刊/来源: IEEE Transactions on Signal Processing
机构: Xidian University
分类: vol 74 · pp 969-983
相关性 2/10 · novelty: minor
摘要: 本文研究沿海海域异质复合高斯海杂波下的长时间自适应相干检测问题，目标是在参考单元数少于积分脉冲数的设定下保持恒虚警率（CFAR）检测。作者证明后多普勒检测（MTD）在复合高斯杂波下具有 CFAR 性质，其虚警门限由参考单元数、形状参数、虚警率及各多普勒频段的杂波功率估计量决定，检测概率由积分后信杂比（SCR-AI）和门限确定。理论揭示在 K、GP、CGIG 分布杂波且形状参数中等偏大时，当参考单元数不超过积分脉冲数两倍，MTD 优于自适应近最优相干检测器，并给出两类检测器的边界条件。此外，提出基于一阶 AR 自适应加载的稳健 speckle 协方差矩阵逆的长时间自适应近最优检测器，在参考单元远少于积分脉冲且形状参数小时弥补 MTD 不足。实测 P/X 波段雷达数据验证了两种检测器的互补有效性。本文属于雷达信号处理领域，方法学 novelty 为已有检测框架的边界条件刻画与 AR-loading 协方差逆修正。
关键技术: compound-Gaussian clutter model, CFAR detection, post-Doppler MTD, adaptive loading covariance inversion, first-order AR model
为什么对您有用: 本文属于雷达信号处理，与您 primary/secondary interests（因果推断、高维 RMT、半参数效率、统计计算 tradeoff 等）无直接交集。您武器库中的高维协方差矩阵逆与 RMT 理论虽可审视其 AR-loading 修正的数学基础，但核心问题（海杂波 CFAR 检测）不在您研究范畴。暂不可做：核心应用场景与概率模型（复合高斯杂波）不在武器库中，且无统计-计算 tradeoff 或因果/半参数结构可切入。

5. 10.1109/tsp.2026.3673260 — Dynamic Regret for Byzantine-Robust Online Federated Learning¶

作者: Haibao Tian, Qiyong He, Zhihai Qu, Xiuxian Li
期刊/来源: IEEE Transactions on Signal Processing
机构: Tongji University · Intelligent Systems Research (United States)
分类: vol 74 · pp 1357-1367
相关性 2/10 · novelty: new_method
摘要: 本文研究在线联邦学习在 Byzantine 攻击与非平稳环境下的动态遗憾（dynamic regret）问题，目标 estimand 为动态遗憾界，关键假设为弱增长条件（weak growth condition）而非传统 IID 假设。提出 BR-OMGD 算法，结合多步本地梯度下降与鲁棒聚合机制抵御恶意客户端。理论证明在弱增长条件下达到近最优动态遗憾界 O(S_T)（S_T 为路径长度平方），离线情形下在强凸与光滑条件下保证精确线性收敛，即使存在数据异质性与 Byzantine 对手。实验在 MNIST 与 CIFAR-100 上验证了鲁棒性与更低动态遗憾。对您而言，本文属于在线优化与分布式鲁棒学习范畴，与您核心的因果推断/高维/半参数效率理论交集较小。
关键技术: dynamic regret bound, Byzantine-robust aggregation, weak growth condition, local gradient descent, online convex optimization
为什么对您有用: 本文主题（在线联邦学习 Byzantine 鲁棒性）与您 primary interests（因果推断、高维 RMT、半参数效率、higher-order U-statistics）无直接交集，仅与 statistical computing 有弱关联。您 technical_arsenal 中的 minimax bounds 理论虽可审视其遗憾界紧性，但该界属在线优化而非统计估计，迁移口子窄。暂不可做：核心机器（在线凸优化 regret 分析、Byzantine 聚合协议）不在武器库中，且与您当前研究方向偏离较大，不建议展开阅读。

6. 10.1109/tsp.2025.3646135 — Byzantine Attacks in Over-the-Air Cooperative Sensing Networks: Analysis and Defense¶

作者: Weiwei Wang, Vincent Huynh, Carlos Feres, Lifeng Lai, Zhi Ding
期刊/来源: IEEE Transactions on Signal Processing
机构: University of California, Davis · Samsung (United States)
分类: vol 74 · pp 75-87
相关性 1/10 · novelty: minor
摘要: 本文研究基于空中计算（Over-the-Air, OTA）的协作感知网络在拜占庭攻击下的脆弱性与防御。设定为多感知节点共享频谱资源同时传输的 OTA-CSN 模型，攻击者目标为最大化虚警概率 P_F 并最小化检测概率 P_D。作者在线性攻击模型下识别出最具破坏性的攻击策略，并量化其对系统检测性能的影响。防御方面，提出通过调整联合检测阈值将 P_F 降至目标水平的直接机制，但分析表明该策略会削弱检测性能。本文核心为信号处理与通信安全，未涉及统计推断理论或高维/半参数结构，对您的主要研究方向无直接方法论贡献。
关键技术: Over-the-Air computation, Byzantine attack model, linear attack strategy, joint detection threshold, false alarm probability optimization
为什么对您有用: 本文属于信号处理/通信安全领域，与您关注的因果推断、高维统计、半参数效率等核心方向无交集。武器库中的高维渐近理论或 U-statistic 工具无法切入该论文的 OTA 通信模型与检测阈值优化问题。暂不可做：核心问题（通信层拜占庭攻击与物理层 OTA 计算）不在武器库内，且缺乏统计推断层面的连接点，不建议展开阅读。

7. 10.1109/tsp.2025.3644869 — Camouflage Adversarial Attacks on Multi-Agent Reinforcement Learning Systems¶

作者: Ziqing Lu, Guanlin Liu, Lifeng Lai, Weiyu Xu
期刊/来源: IEEE Transactions on Signal Processing
机构: University of Iowa · University of California, Davis
分类: vol 74 · pp 589-604
相关性 1/10 · novelty: new_method
摘要: 本文在 Markov Game 框架下研究多智能体强化学习（MARL）系统的新型感知攻击——伪装攻击（camouflage attack）。攻击者仅改变环境中某些对象的表观而不改变对象本身，使受害智能体接收相同伪装外观并执行错误策略。作者分别在训练时与测试时两种场景评估攻击效果，理论推导与数值实验表明，在降低全局收益方面，伪装攻击可匹敌传统但实施难度更高的状态感知攻击。进一步引入成本约束，比较了有预算限制的伪装攻击与状态感知攻击，展示了预算对攻击性能的影响。对您而言，本文属于强化学习对抗鲁棒性方向，与因果推断或高维统计等核心兴趣交集极小。
关键技术: Markov game, multi-agent reinforcement learning, adversarial perception attack, camouflage attack, cost-constrained attack optimization
为什么对您有用: 本文主题为 MARL 对抗攻击，与您 primary interests（因果推断、高维/RMT、半参数效率、U-statistic）无直接交集，亦不涉及 secondary interests 的数据集或因果应用。技术武器库中的 minimax bounds 或 higher-order U-statistics 无法切入该 paper 的博弈论攻击优化问题。暂不可做：核心机器（MARL 对抗博弈模型与策略优化）不在武器库中，且缺乏通往您研究方向的实质性方法论桥梁，不建议展开阅读。

8. 10.1109/tsp.2026.3672729 — Wide-Band Cyclic Cross-Correlation Processing¶

作者: Antonio Napolitano
期刊/来源: IEEE Transactions on Signal Processing
机构: Parthenope University of Naples
分类: vol 74 · pp 1428-1443
相关性 1/10 · novelty: new_method
摘要: 本文在有限平均功率信号设定下引入宽带循环互相关函数（WB-CCCF），定义为信号与其时间缩放版本的循环互相关，核心假设为信号具有循环平稳性且不满足窄带条件（带宽×观测时长 ≳ 传播速度/径向速度）。推导了宽带 Doppler 信道（引入复增益、延迟、频移与时间缩放因子）下 WB-CCCF 的输入-输出关系，并据此构造了 TDOA/FDOA/时间缩放比的估计算法。在强噪声与干扰环境下，算法继承了循环平稳性方法的信号选择性；且在窄带条件失效时仍保持满意性能，而现有方法此时会退化。实证部分将算法应用于甚低轨卫星与高超音速再入飞行器的定位问题。对您而言，本文属于信号处理领域，与因果推断或高维统计等核心方向无直接交集。
关键技术: cyclostationarity, wide-band cyclic cross-correlation, time-difference-of-arrival estimation, frequency-difference-of-arrival estimation, Doppler channel model, time-scale estimation
为什么对您有用: 本文属于经典信号处理与循环平稳性理论，与您 primary interests（因果推断、高维/RMT、半参/效率理论、高阶 U-统计量）及 secondary interests 均无直接技术交集。武器库中的 minimax bounds 或高阶 U-统计量工具无法切入其核心口子。follow-up 判定：暂不可做——核心机器（循环平稳性信号模型与 Doppler 信道物理假设）不在武器库内，且无方法论迁移价值，不建议花时间深读。

9. 10.1109/tsp.2026.3664289 — Temperature Control for Cyber-Physical Thermal Systems over Wireless Networks: A Model-Assisted Deep Reinforcement Learning Approach¶

作者: Minjie Tang, Songfu Cai, Vincent K. N. Lau
期刊/来源: IEEE Transactions on Signal Processing
机构: EURECOM · Zhejiang University · Hong Kong University of Science and Technology
分类: vol 74 · pp 920-936
相关性 0/10 · novelty: new_method
摘要: 本文研究无线网络下非线性热系统的远程温度跟踪控制问题，建立了融合非线性传热机制（传导、对流、辐射）与无线传输损伤（衰落、噪声）的CPTS模型，并基于此formulate最优控制问题。利用同伦扰动法（homotopy perturbation method）刻画最优解的结构性质，将控制律分解为低阶结构部分与高阶残差部分。提出model-assisted structured DRL框架：DNN仅近似高阶残差项，结构化更新规则引导学习过程，并通过Lyapunov稳定性分析建立了学习方案的几乎必然收敛性。仿真结果表明在炉温控制设定下MSE约0.01（较现有方法降低20dB），50次迭代内收敛。对您而言，本文属于控制/通信交叉领域，与统计推断或因果理论无直接关联。
关键技术: homotopy perturbation method, Lyapunov stability analysis, structured deep reinforcement learning, nonlinear thermal dynamics modeling
为什么对您有用: 本文属于控制与通信交叉领域，与您关注的因果推断、高维/半参效率理论、U-statistics等核心方向无交集，技术工具（DRL、Lyapunov分析）亦不在您的武器库中。暂不可做：核心机器（非线性控制理论、同伦扰动法、DRL）不在武器库里，且问题设定远离统计推断，不建议展开阅读。

10. 10.1109/tsp.2026.3665276 — Joint Design of FDA Waveform and Receive Filter for Integrated Detection and Countermeasure¶

作者: Kaiwei Wang, Jingwei Xu, Yanhong Xu, Lan Lan, Yuhong Zhang, Guisheng Liao
期刊/来源: IEEE Transactions on Signal Processing
机构: Xidian University · Xi'an University of Science and Technology
分类: vol 74 · pp 1030-1046
相关性 0/10 · novelty: application
摘要: 本文研究频率分集阵列（FDA）波形与接收滤波器的联合设计，以同时实现目标检测与非合作雷达电子对抗（ECM）。设定中涉及多空中目标、非合作平台及信号依赖干扰源，关键约束为波形须与预设对抗波形相似且满足恒模与能量约束。核心方法为最大化输出SINR并最小化波形与对抗波形的相似度，将非凸联合优化问题通过交替最小化（AM）框架迭代求解。理论贡献为建立了算法收敛性的严格分析，数值仿真验证了方法有效性。本文属于雷达信号处理领域，与因果推断、高维统计或半参数理论等核心方向无交集，对您的方法论研究无直接参考价值。
关键技术: frequency diverse array (FDA), alternating minimization (AM), non-convex optimization, signal-to-interference-plus-noise ratio (SINR), constant modulus constraint
为什么对您有用: 本文属于雷达信号处理与工程优化领域，与您在因果推断、高维RMT、高阶U统计量及半参数效率理论等primary interests均无技术交集。武器库中的minimax bounds、tensor contraction / einsum或M-estimation理论均无法切入该雷达波形设计问题。属于纯工程应用场景，暂不可做且无需跟进阅读。

11. 10.1109/tsp.2026.3657038 · arXiv — Achieving Full Multipath Diversity by Random Constellation Rotation: A Theoretical Perspective¶

作者: Xuehan Wang, Jinhong Yuan, Jintao Wang, Kehan Huang
期刊/来源: IEEE Transactions on Signal Processing
分类: vol 74 · pp 372-382
相关性 0/10 · novelty: new_theory
摘要: 本文研究多径信道中通信可靠性的分集阶（diversity order）问题，目标是给出一般调制方案达到满分集的充分必要条件。作者提出随机星座旋转（random constellation rotation）技术，证明对线性预编码 OFDM 系统，只要 spread matrix 无零元素即可获得最大分集（充分条件）；对一般调制方案，给出充要条件并将其验证分解为调制矩阵各列的独立任务。核心理论工具是成对错误概率（pairwise error probability, PEP）的集中化论证，证明分集评估可仅关注错误符号数为 1 的情形，从而大幅简化分集驱动设计。数值实验在时变和双重色散信道下验证了理论，并表明随机旋转在实际检测器下一致提升编码与未编码系统的传输可靠性。对您而言，本文属于信号处理/通信理论领域，与因果推断、高维统计或半参数效率等核心兴趣无直接交集。
关键技术: diversity order analysis, pairwise error probability (PEP), random constellation rotation, linearly precoded CP-OFDM, doubly dispersive channels
为什么对您有用: 本文属于通信/信号处理领域，与您在因果推断、高维/随机矩阵、半参数效率或高阶 U-统计量的核心兴趣无直接方法论交集。虽然涉及矩阵条件（spread matrix 无零元素）和概率论证（PEP 集中化），但问题设定和目标完全不同，无法用现有武器库（minimax bound / U-statistic / influence function）切入。暂不可做：核心问题（通信分集阶设计）不在您的研究范畴，无需展开阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub