TSP · 2026-06-05¶

共 13 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。

这一期共5篇论文，整体上可归纳为三条主线：高维信号估计与随机矩阵理论（2篇）、分布式与自适应统计计算（2篇）、以及鲁棒滤波与在线学习（1篇）。高维主线聚焦于双线性变换模型与重尾分布下的协方差估计，计算主线关注分散式约束优化与脉冲噪声下的自适应滤波，鲁棒主线则涉及多目标跟踪中的对抗攻击防御。

高维信号估计与随机矩阵理论是本期最突出的方向。DL-OAMP一文针对双线性变换模型Y=AXB+N，提出tri-decoupled double transformation框架，将双线性约束解耦为两个单线性约束，并设计双线性正交近似消息传递算法，突破了传统向量化方法导致的维度爆炸与分布信息丢失问题。Counter-Based Scatter Matrix Estimation一文则处理空间未配准的高光谱与多光谱图像融合，结合耦合谱解混与隐空间对抗学习，首次在无精确空间对应关系下给出超分辨的可恢复性理论保证。两篇均涉及非i.i.d.假设下的信号恢复，但前者侧重算法框架设计，后者侧重理论可识别性。

分布式与自适应统计计算构成另一条主线。Accelerated Decentralized Constraint-Coupled Optimization提出dual²方法，将约束耦合优化拆解为对偶的对偶问题，在更弱的公共函数条件下实现渐近收敛，并给出更低的通信与计算复杂度界。Variable Step-Size General Bias-Compensated M-estimate Adaptive Filtering针对脉冲噪声下的DOA估计，从偏置补偿M-估计代价函数出发，推导变步长机制以平衡收敛速度与稳态精度，并推广至一般化形式。两篇均涉及优化算法设计，但前者面向分布式网络，后者面向自适应滤波。

鲁棒滤波与在线学习仅有一篇，Robust Filtering for Multi-Object Tracking Against Stealthy Measurement-Oriented Adversarial Attacks，研究未知奖励函数下的重复博弈无悔学习，基于Thompson Sampling提出算法，在对手动作可观测且奖励结构有信息时获得更紧的regret bound，属于bandit/online learning方向。

与因果推断方向最贴的论文是DL-OAMP（高维信号估计中的解耦框架可类比因果结构学习中的变量分离）和Accelerated Decentralized Constraint-Coupled Optimization（分布式优化框架可用于因果效应估计中的约束优化问题）。与半参数效率方向最贴的是Variable Step-Size General Bias-Compensated M-estimate Adaptive Filtering（M-估计的偏置补偿与变步长机制涉及效率权衡）。与高维方向最贴的是DL-OAMP和Counter-Based Scatter Matrix Estimation（均涉及高维信号恢复与随机矩阵理论）。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.1109/tsp.2026.3692526 — Orthogonal Approximate Message Passing for Double Linear Transformation Model¶

作者: Yufei Chen, Lei Liu, Yuhao Chi, Ying Li, Yong Liang Guan, Chau Yuen
期刊/来源: IEEE Transactions on Signal Processing
机构: Xidian University · Nanyang Technological University
分类: pp 1-17
相关性 5/10 · novelty: new_method
摘要: 本文研究双线性变换模型 Y=AXB+N 中信号 X 的估计问题，已知矩阵 A、B 与噪声 N。传统方法将模型向量化为 B^T⊗A 的单线性形式，导致维度爆炸且掩盖 A、B 的原始统计分布性质。作者提出 tri-decoupled double transformation (TDDT) 框架，引入中间变量 Z=XB 将双线性约束解耦为两个单线性约束，从而保留 A、B 的维度与分布特性。基于此框架，提出 double linear orthogonal approximate message passing (DL-OAMP) 算法，包含两个解耦单线性估计器与一个超越 i.i.d. 假设的非线性约束估计器，并建立 state evolution 分析以精确预测其渐近性能。数值实验表明 DL-OAMP 在压缩感知与近场通信场景中优于现有方法。对您而言，本文的矩阵解耦与 state evolution 渐近分析技术与高维统计 / RMT 的 AMP 理论直接相关。
关键技术: approximate message passing (AMP), state evolution, Kronecker product vectorization, orthogonal AMP (OAMP), tri-decoupled double transformation, compressed sensing
为什么对您有用: 本文直接连接到您 primary interest 中的高维统计与 RMT 方向——AMP 及其 state evolution 是高维线性逆问题的核心渐近工具，TDDT 解耦策略避免了 Kronecker 向量化带来的维度膨胀。您武器库中 very_familiar 的「高维渐近理论」可直接用来审视其 state evolution 的严格性；而 very_familiar 的「higher-order U-statistics 的 tensor contraction / einsum」视角天然适合分析此处的双线性 (AXB) 结构——将 A、B 视为 tensor contraction 的两端，TDDT 解耦本质上是最优 contraction order 的选择。Follow-up 判断：立即可做——用 einsum / treewidth 视角重新审视 TDDT 的计算复杂度，并验证 state evolution 在非 i.i.d. 设定下的收敛条件。

2. 10.1109/tsp.2026.3694498 — Counter-Based Scatter Matrix Estimation for One-Bit Centered Bivariate Cauchy Signals¶

作者: Yi-Heng Lin, Chun-Lin Liu
期刊/来源: IEEE Transactions on Signal Processing
机构: National Taiwan University · National Taipei University
分类: pp 1-16
相关性 3/10 · novelty: new_method
摘要: 在1-bit量化约束下，研究中心化双变量Cauchy信号的scatter matrix估计问题，estimand为scatter matrix，假设数据服从elliptically symmetric分布且经固定阈值量化为离散值。本文提出COSME估计器，核心机制基于1-bit中心化双变量ES数据的边际与联合概率积分表达，并在Cauchy设定下给出闭式解；估计步骤仅需对1-bit数据事件进行计数并计算三角函数，计算复杂度极低。理论分析了估计所需的最小snapshot数及多元扩展，数值实验表明COSME在同等snapshot下CPU时间更短、同等bit数下估计精度更高，且对Student's t分布及参数扰动具有鲁棒性。对您可能有用：该工作将高维scatter matrix估计与极低精度量化（1-bit）硬件约束结合，属于随机矩阵/协方差估计在信号处理中的前沿应用。
关键技术: 1-bit quantization, scatter matrix estimation, elliptically symmetric distribution, closed-form probability integral, counter-based estimator, Cauchy distribution
为什么对您有用: 本文直接连接到高维统计与随机矩阵理论中的scatter/covariance matrix估计子方向，并在1-bit量化这一硬件约束下给出闭式解与低复杂度算法。您武器库中的高维渐近理论可用来分析COSME在维度增长时的收敛率与phase transition，而软件开发与数值计算经验可直接复现并验证其声称的计算优势。立即可做：用very_familiar中的高维渐近工具分析COSME在p/n→常数时的渐近行为，验证其是否达到minimax rate。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1109/tsp.2026.3697851 · arXiv — Reconstruction of Graph Signals on Complex Manifolds with Kernel Methods¶

作者: Yu Zhang, Linyu Peng, Bing-Zhao Li
期刊/来源: IEEE Transactions on Signal Processing
分类: pp 1-16
相关性 5/10 · novelty: new_method
摘要: 本文研究图信号处理（GSP）中复值图信号的重建问题，设定为在图顶点子集上观测信号后利用核方法估计全图信号，关键假设是图顶点可嵌入逼近低维复流形的高维复空间。核心机制是将复流形上的 RKHS 理论推广，利用 Hermitian 度量与几何测度刻画核与信号，并提出若干传统核与图拓扑驱动核用于重建。收敛性质未给出显式 minimax rate 或效率界，仅以实验 RMSE 展示优于实值核方法。主要实证结果在合成与真实数据集上验证了复流形核框架的重建精度。对您可能有用：此文的复流形 RKHS 建构可为非参数/半参数理论中复值函数估计提供新几何视角。
关键技术: RKHS on complex manifolds, Hermitian metric, graph topology-driven kernels, graph signal reconstruction, manifold embedding
为什么对您有用: 本文连接到非参数理论中的 RKHS 方法，但核心是复流形几何建构而非 minimax 理论或效率界。用您 very_familiar 的非参数统计与 minimax bounds 工具，可尝试为该复流形核重建建立显式收敛率与 minimax 下界，这是当前论文缺失的理论口子。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理复流形约束下的 M-estimator 收敛分析。

统计计算 / 算法 (stat_computing, 9 篇)¶

1. 10.1109/tsp.2026.3695936 · arXiv — Alternating Subspace Method for Sparse Recovery of Signals¶

作者: Xu Zhu, Yufei Ma, Xiaoguang Li, Tiejun Li
期刊/来源: IEEE Transactions on Signal Processing
分类: pp 1-16
相关性 5/10 · novelty: new_method
摘要: 在压缩感知/稀疏恢复设定下，目标是求解 LASSO 等稀疏优化问题，核心假设为信号具有可稀疏化先验。本文提出交替子空间方法（ASM），将贪婪类方法（如 OMP）的支撑集选择与分裂类方法（如 AMP）的迭代去噪统一：在数据匹配模块中，通过子空间限制（subspace-restricted）实现保真度，而非全空间投影。理论上，该限制策略通过 proximal residual control 保证全局收敛，并在 LASSO 问题上建立局部几何收敛率。数值实验覆盖 LASSO、信道估计与动态压缩感知，显示收敛速率优势及兼容不同先验分布的灵活性。对您有用：ASM 的子空间限制迭代机制可作为统计计算武器库中处理高维稀疏逆问题的新算法参考。
关键技术: alternating subspace method, subspace-restricted fidelity, proximal residual control, local geometric convergence, approximate message passing, orthogonal matching pursuit
为什么对您有用: 本文连接到统计计算与高维统计中的稀疏恢复算法方向。您武器库中的'逆问题与随机噪声'可直接审视 ASM 在噪声设定下的收敛行为，'高维渐近理论'可用于分析其 RMT 尺度下的相变性能。Follow-up 判断：中期可做——需先在 moderately_familiar 的 AMP/RMT 渐近分析上长肌肉，才能将 ASM 的局部几何收敛率推广到高维渐近框架下与 AMP 的 state evolution 做严格对比。

2. 10.1109/tsp.2026.3665590 · arXiv — Efficient Off-Grid Near-Field Cascade Channel Estimation for XL-IRS Systems via Tucker Decomposition¶

作者: Wenzhou Cao, Yashuai Cao, Tiejun Lv, Mugen Peng
期刊/来源: IEEE Transactions on Signal Processing
分类: pp 1-16
相关性 5/10 · novelty: new_method
摘要: 在极大规模智能反射面（XL-IRS）近场信道估计设定下，目标是在避免字典量化误差的同时高效估计级联信道状态信息。本文将接收信号建模为 Tucker 张量，利用基站与 IRS 阵列响应向量的张量积结构，将稀疏核张量捕获路径增益-延迟项、三个因子矩阵分别由 BS 与近场 IRS 响应张成。为求解带三模 log-sum 稀疏约束的核张量最小化这一 NP-hard 问题，作者采用 HOSVD 预处理加速，结合 majorization-minimization 与定制的张量过松弛 FISTA 迭代算法。理论上推导了 Cramér-Rao 下界并给出了收敛性分析；仿真显示 NMSE 相较基准提升 13.6 dB 且运行时间大幅缩减。对您可能有用：本文的 Tucker 分解与 HOSVD 预处理流程为高阶张量收缩的算法实现与计算复杂度优化提供了具体工程参考。
关键技术: Tucker decomposition, higher-order singular value decomposition (HOSVD), majorization-minimization, tensor over-relaxation FISTA, Cramér-Rao lower bound, sparse tensor minimization
为什么对您有用: 本文直接涉及 Tucker 分解与 HOSVD 等张量计算核心算法，与您武器库中 very_familiar 的「高阶 U-统计量计算（treewidth / 张量收缩 / einsum）」在张量收缩与计算复杂度优化层面有明确交集。您可以用 einsum / treewidth 视角分析其 HOSVD 预处理与 Tucker 迭代收缩的计算代价，验证其声称的 runtime 减缩是否在更一般的张量网络复杂度框架下成立。立即可做：用 very_familiar 的张量收缩复杂度工具拆解其算法的 contraction order，评估计算瓶颈。

3. 10.1109/tsp.2026.3692244 · arXiv — GKNet: Graph Kalman Filtering and Model Inference via Model-based Deep Learning¶

作者: Mohammad Sabbaqi, Riccardo Taormina, Elvin Isufi
期刊/来源: IEEE Transactions on Signal Processing
分类: pp 1-16
相关性 4/10 · novelty: new_method
摘要: 本文针对图上时间序列数据，提出一种图感知状态空间模型（graph-aware state space model），其中状态方程为边噪声驱动的随机偏微分方程，观测方程为图滤波的多跳采样，目标是从部分观测数据中学习模型参数以进行预测与插补。作者首先给出基于最大似然的参数推断方法以保证理论可追溯性，但受限于表达力与可扩展性；随后利用状态空间形式构建端到端的 Kalman 神经网络深度架构，联合学习参数与追踪状态。在四个真实数据集及水管网极端稀疏数据场景下，所提模型在预测与插补任务上优于纯模型或纯深度方法。对您有用：若您关注图结构约束下的状态空间推断与 Kalman-net 计算架构，本文提供了一个模型驱动深度学习的具体实例。
关键技术: graph-aware state space model, stochastic PDE over edges, graph Kalman filtering, maximum likelihood inference, Kalman neural network, model-based deep learning
为什么对您有用: 本文连接到 statistical computing 与高维推断的交叉：图上 Kalman 滤波的参数推断与端到端深度学习架构设计。您武器库中的 high-dimensional asymptotics 与 software development 可直接切入其最大似然推断部分的理论分析；但核心的 Kalman-net 深度架构与图上随机 PDE 建模属于 moderately_familiar 的 M-estimation 理论与图信号处理范畴，需先在图滤波与状态空间模型上长肌肉。中期可做。

4. 10.1109/tsp.2026.3695480 · arXiv — Decomposition and Successive Decomposition Methods and Algorithms for Nonconvex Optimization¶

作者: Yiqing Zhai, Ying Cui, Danny H. K. Tsang
期刊/来源: IEEE Transactions on Signal Processing
分类: pp 1-17
相关性 3/10 · novelty: new_method
摘要: 本文研究带耦合非线性等式约束的非凸优化问题的分解算法设计，目标是在更一般的分解结构（耦合变量与约束）下找到原问题的驻点。核心提出 primal/dual 分解及 successive primal/dual 分解方法，利用问题结构实现并行与分布式计算，并保证收敛至非凸原问题的驻点。算法通过逐次（successive）机制在收敛速度与计算时间之间提供更优的 tradeoff，并推广至间接与两层分解结构。理论证明所提方法统一并推广了凸问题的经典分解算法及现有非凸分解结果，数值实验验证了各方法的计算效率与收敛表现。对您有用：本文的分布式分解与逐次优化思路可为统计计算中高维/大规模 M-estimation 或 tensor contraction 的算法设计提供结构化计算参考。
关键技术: primal decomposition, dual decomposition, successive decomposition, nonconvex stationary point convergence, parallel distributed optimization, two-level decomposition
为什么对您有用: 本文连接到 statistical computing 子方向，聚焦非凸耦合约束下的分布式分解算法设计。您武器库中的 software development 与 computation of higher-order U-statistics (tensor contraction / einsum) 可作为切入点：大规模 tensor contraction 的优化本身是非凸/高维计算问题，本文的 successive decomposition 与两层分解结构可为 einsum contraction-order 优化或高阶 U-statistic 的分布式计算提供算法框架参考。Follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以将本文的非凸分解算法适配到统计 M-estimator 的具体目标函数结构中。

5. 10.1109/tsp.2026.3695343 · arXiv — SketchOGD: Memory-Efficient Continual Learning¶

作者: Youngjae Min, Benjamin Wright, Jeremy Bernstein, Navid Azizan
期刊/来源: IEEE Transactions on Signal Processing
分类: pp 1-14
相关性 3/10 · novelty: new_method
摘要: 在持续学习设定下，目标是解决灾难性遗忘问题，核心estimand是保持旧任务性能的权重更新方向。经典OGD算法存储历史梯度以约束新更新正交于旧梯度空间，但内存随时间线性增长。本文提出SketchOGD，利用在线矩阵sketching（如频繁方向算法）将历史梯度压缩至固定用户指定大小的矩阵，无需预知任务总数且完全在线运行。理论贡献在于针对OGD下游任务提出了新的sketch逼近误差度量，并给出该度量下的逼近误差界。实验表明在固定内存预算下SketchOGD优于现有OGD变体。对您可能有用：矩阵sketching的在线算法与误差界分析直接关联stat_computing与高维渐近理论中的子空间追踪问题。
关键技术: orthogonal gradient descent, online matrix sketching, frequent directions algorithm, subspace approximation error bound, continual learning, catastrophic forgetting
为什么对您有用: 本文直接关联stat_computing中的数值方法与矩阵计算子方向，核心是矩阵sketching的在线实现与误差界。用technical_arsenal中very_familiar的high-dimensional asymptotics与inverse problems with random noise工具，可以分析其sketch误差界在随机梯度（而非固定矩阵）设定下的tightness，或用einsum/tensor contraction视角审视梯度存储的压缩计算复杂度。立即可做：用very_familiar的高维渐近与矩阵扰动理论验证其新度量下的误差界是否在随机梯度协方差谱衰减设定下仍紧。

6. 10.1109/tsp.2026.3698775 · arXiv — Unregistered Spectral Image Fusion: Unmixing, Adversarial Learning, and Recoverability¶

作者: Jiahui Song, Sagar Shrestha, Xiao Fu
期刊/来源: IEEE Transactions on Signal Processing
分类: pp 1-17
相关性 3/10 · novelty: new_theory
摘要: 本文研究空间未配准的高光谱图像(HSI)与多光谱图像(MSI)的融合问题，目标是在无精确空间对应关系的设定下同时提升HSI的空间分辨率和MSI的谱分辨率。核心方法结合了耦合谱解混(coupled spectral unmixing)处理MSI超分辨，以及隐空间对抗学习(latent-space adversarial learning)处理HSI超分辨，构成无监督框架。理论贡献在于基于合理的生成模型(generative model)，首次给出了未配准HMF的超分辨可恢复性(recoverability)保证，明确了信号恢复的条件与界限。实验在半真实与真实数据上验证了方法的鲁棒性。对您而言，本文的生成模型可恢复性分析框架与耦合矩阵分解的数值算法设计，可作为统计计算与逆问题方向的参考案例。
关键技术: coupled spectral unmixing, latent-space adversarial learning, generative model recoverability, unregistered hyperspectral-multispectral fusion, unsupervised image super-resolution
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：(1) 可恢复性理论本质上是在特定生成模型下的identifiability与逆问题稳定性分析，与您熟悉的inverse problems with random noise直接相关；(2) 您武器库中的nonparametric statistics与minimax bounds可用来审视其声称的recoverability条件是否紧致，以及对抗学习隐空间估计的统计效率；(3) 中期可做——若想深入可恢复性理论，需先在moderately_familiar的M-estimation theory上补充非凸矩阵分解的收敛分析肌肉，但核心逆问题与计算框架已在武器库内。

7. 10.1109/tsp.2026.3695195 — Accelerated Decentralized Constraint-Coupled Optimization: A Dual ² Approach¶

作者: Jingwang Li, Vincent Lau
期刊/来源: IEEE Transactions on Signal Processing
机构: Hong Kong University of Science and Technology
分类: pp 1-16
相关性 2/10 · novelty: new_method
摘要: 本文研究无向连通网络上 n 个代理的分散式约束耦合优化问题：min ∑(f_i+g_i)+h(y)，s.t. ∑A_i x_i=y，其中 f_i, g_i, A_i 为私有信息，h 为公共函数。基于新颖的 dual²（对偶的对偶）方法，提出两种加速算法 iD2A 与 MiD2A。在比现有算法更弱的 h 函数条件下保证渐近收敛；在额外假设下建立线性收敛速率，并给出显著更低的通信与计算复杂度界。数值实验验证了理论结果与算法实用性。对您有用之处：该 dual² 拆解与多共识加速机制为分布式约束优化提供了计算复杂度更优的算法框架，属于统计计算与数值方法范畴。
关键技术: dual squared (dual of dual) decomposition, inexact accelerated gradient method, multi-consensus gradient tracking, linear convergence rate, communication complexity bound
为什么对您有用: 本文属于统计计算/数值方法方向，核心贡献是分散式约束耦合优化的 dual² 加速算法与更紧的复杂度界。(1) 连接到您 primary interest 中的 statistical computing（数值方法与算法），其约束耦合结构在分布式因果推断估计（如多中心数据融合）中有潜在应用；(2) 您 technical_arsenal 中的 software development 与 high-dimensional asymptotics 可用于复现该算法并验证其复杂度界是否在高维设定下仍紧；(3) 中期可做：若想将此分布式优化框架应用于分布式 semiparametric / debiased ML 估计，需先在 moderately_familiar 的 semiparametric theory 上长肌肉，将约束耦合结构映射到分布式 M-estimation 的对偶问题。

8. 10.1109/tsp.2026.3696996 — Variable Step-Size General Bias-Compensated M-estimate Adaptive Filtering for Robust DOA Estimation¶

作者: Fuyi Huang, Haiping Li, Haiquan Zhao, Haiqiang Chen
期刊/来源: IEEE Transactions on Signal Processing
机构: Guangxi University · Guangxi Normal University for Nationalities · Southwest Jiaotong University
分类: pp 1-16
相关性 1/10 · novelty: minor
摘要: 在均匀线性阵列(ULA)系统下研究脉冲噪声干扰中的 DOA 估计问题，传统自适应滤波算法在脉冲噪声下精度退化且面临收敛速度与精度的 trade-off。本文从连续 bias-compensated M-estimate (BCM) 代价函数出发推导出 BCM 自适应滤波算法，并在常规统计假设下分析了其瞬态与稳态均方性能。随后通过在每个 snapshot 最小化均方偏差(MSD)构建变步长(VSS)机制，得到 VSS-BCM 算法。进一步求解一般化 BCM 代价函数并嵌入 VSS 策略，提出 VSS-GBCM 算法（VSS-BCM 为其特例）。仿真验证了该方法在收敛速度与估计精度上的优势。对您可能有用：本文的 bias-compensation 与 VSS 机制设计思路，可为自适应 M-estimation 的数值稳定性与收敛分析提供参考。
关键技术: bias-compensated M-estimate, variable step-size adaptive filtering, mean square deviation minimization, transient and steady-state performance analysis, direction-of-arrival estimation
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计算，与您 primary interest 中的 statistical computing (numerical methods, algorithm) 有弱连接，但核心是工程导向的算法调参与仿真验证，缺乏严格的高维/半参数/效率理论。您武器库中的 M-estimation theory (moderately_familiar) 可用来审视其 bias-compensated 代价函数的理论性质，但本文未触及 minimax bound 或 semiparametric efficiency，理论深度有限。暂不可做：核心机器（ULA 阵列信号模型、脉冲噪声下的自适应滤波收敛分析）不在武器库中，且缺乏统计理论层面的 novelty，不值得展开读全文。

9. 10.1109/tsp.2026.3697369 — Robust Filtering for Multi-Object Tracking Against Stealthy Measurement-Oriented Adversarial Attacks¶

作者: Vahid Ghorbani, Amirali K. Gostar, Reza Hoseinnezhad, Zahir Tari, Aidan Blair, Amir Ghorbani et al.
期刊/来源: IEEE Transactions on Signal Processing
分类: pp 1-16
相关性 1/10 · novelty: new_method
摘要: 在多目标跟踪（MOT）的贝叶斯滤波设定下，本文研究针对测量层的隐蔽 ghost attack（虚假目标注入）的鲁棒性，关键假设是攻击者可注入任意数量的虚假测量且计算开销随虚假目标数线性增长。提出 ALARM（Average Likelihood for Attack Resilient Multi-object）滤波方法，在贝叶斯更新步骤中通过平均似然机制提前拒绝虚假测量，避免虚假目标进入后续关联与状态更新。核心机制是在似然计算阶段对测量进行软筛选，从而在高密度攻击下将计算复杂度从随 ghost 数线性膨胀降为近似常数级，防止 DoS。理论贡献主要是算法层面的鲁棒滤波设计，未给出渐近统计性质或 minimax 界。对您可能有用：本文展示了贝叶斯滤波在 adversarial 设定下的计算-鲁棒性权衡，可作为统计计算中 adversarial robustness 与 computational constraint 交叉视角的参考案例。
关键技术: Bayesian filtering, multi-object tracking, adversarial robustness, ghost attack mitigation, average likelihood rejection, computational complexity control
为什么对您有用: 本文连接到统计计算与计算约束方向：展示了 adversarial injection 下贝叶斯滤波的计算饱和（DoS）问题与 early-rejection 方案，属于 computational-constrained statistics 的一个具体应用场景。用您 very_familiar 的高维渐近与 minimax bound 武器难以直接攻入此问题——本文缺乏渐近统计理论，核心是算法设计；若要从统计理论角度切入，需先在 moderately_familiar 的 M-estimation theory 下建立 adversarial measurement 的鲁棒估计理论框架。暂不可做：核心的 MOT 贝叶斯滤波与随机集估计理论不在武器库中，缺 RFS（Random Finite Set）统计理论基础。

其他 (other, 1 篇)¶

1. 10.1109/tsp.2026.3695892 · arXiv — Optimistic Thompson Sampling for No-Regret Learning in Unknown Games¶

作者: Yingru Li, Liangqi Liu, Wenqiang Pu, Hao Liang, Zhi-Quan Luo
期刊/来源: IEEE Transactions on Signal Processing
分类: pp 1-14
相关性 4/10 · novelty: new_method
摘要: 本文研究在未知奖励函数与 bandit feedback 下的重复多人博弈的无悔学习问题，目标 estimand 是累积 regret，核心假设为对手动作可观测且奖励结构具有可用信息。提出基于 Thompson Sampling 的算法，利用对手动作与奖励结构信息降低探索成本，并在 Optimism-then-NoRegret 框架下统一多种博弈算法特例。理论贡献为在特定信息结构下获得更紧的 regret bound，仿真显示算法在三类博弈中显著优于标准基线。对您而言，本文属于 bandit/online learning 方向，与您关注的 semiparametric efficiency 或 high-dimensional inference 距离较远，方法论 novelty 有限。
关键技术: Thompson Sampling, bandit feedback, regret bound analysis, Optimism-then-NoRegret framework, multi-player game learning
为什么对您有用: 本文主题为 online bandit 博弈学习，与您 primary interests 中的 causal inference / high-dim RMT / semiparametric efficiency 均无直接交集，亦不涉及您 secondary interests 的 astrostats / econ / epi 数据集。您 technical_arsenal 中的 minimax bounds 理论虽可用来审视其 regret bound 是否紧，但问题设定差异大，迁移成本高。follow-up 判断：暂不可做——核心机器（bandit regret analysis / Thompson Sampling posterior update）不在武器库中，且与您当前研究主线偏离。

Maintained by 陈星宇 · Homepage · Source on GitHub