Bernoulli — Vol 30 Issue 4 · 2026-06-18¶

共 31 篇 · Bernoulli
目录核对 ⚠️ 疑似漏 2 篇（对照 OpenAlex 34 篇）：10.3150/23-bej1710、10.3150/23-bej1713

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。

本期论文大致聚成四条主线：一是非参数/半参数方法与极限理论（涵盖U统计量极限、局部多项式、惩罚样条、最优传输及依赖结构建模等）；二是高维与随机矩阵理论（聚焦非齐次稀疏矩阵的奇异值界）；三是假设检验与分布逼近（涉及流形数据核检验、几何统计正态逼近、变点检测及模型误设下的渐近校准）；四是统计计算与隐私保护推断（包括差分隐私鲁棒均值估计、MCMC混合速率及鞍点近似反演）。

在非参数/半参数与极限理论主线中，本期对U统计量的分布理论有多篇不同切面的推进：非均匀Berry-Esseen界处理了Studentized U统计量的逼近修正，异方差变点检测基于Gini均差（二阶U统计量）发展了强混合阵列的极限理论，而随机连接模型的子图计数正态逼近则利用了与高阶U统计量投影分解同构的累积量图表示。此外，非参数估计工具箱得到显著扩充：局部多项式技术被系统扩展至条件密度估计（含边界自适应）与空间数据趋势回归；惩罚样条估计在稀疏函数数据下被拆解为七种渐近情景以刻画minimax收敛速率；最优传输的分布极限则借助Hadamard方向可微与Donsker类给出了统一框架。在依赖结构建模方面，最小信息依赖模型实现了依赖参数与边际参数的正交分解及条件推断，而环面数据的circula估计填补了圆形依赖结构非参数核估计的理论空白。

假设检验与分布逼近主线同样密集：流形数据核双样本检验证明了在低维流形假设下MMD可免于维数诅咒并给出有限样本势保证；几何与拓扑统计的正态逼近通过推广add-one成本算子与强稳定化理论，绕开了得分函数求和的表示限制；网络结构参数估计则在MultiGraphex模型误设下，证明了频率与贝叶斯估计量均收敛至稀疏常数而非模型真值，为网络干扰下的渐近校准提供了参照。统计计算与隐私保护方面，高维差分隐私鲁棒均值估计定量刻画了Huber损失、隐私预算与统计误差的trade-off并给出Bahadur表示；线性逆问题中hit-and-run采样器通过构造最小马尔可夫子基实现了快速混合；双重变换鞍点近似则为含时间索引的累积过程生存函数计算提供了高精度反演路径。

与因果推断/半参数效率/高维方向最贴的几篇适合优先看：关注半参数效率与条件推断的，可看最小信息依赖建模（正交参数分解）与经验最优传输分布极限（Hadamard可微与Donsker类推断）；关注高维推断与鲁棒计算的，可看差分隐私鲁棒均值估计（高维Bahadur表示与隐私trade-off）与流形数据核双样本检验（低维结构克服维数诅咒）；关注U统计量与局部多项式工具在因果/半参数中迁移的，可看Studentized U统计量非均匀Berry-Esseen界、边界自适应条件密度估计及异方差变点检测的U统计量极限理论。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.3150/23-bej1699 · arXiv — Extreme singular values of inhomogeneous sparse random rectangular matrices¶

作者: Ioana Dumitriu, Yizhe Zhu
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 9/10 · novelty: new_theory
摘要: 本文研究非齐次稀疏随机长方形矩阵的极端奇异值（最大与最小奇异值）的上界与下界。基于非回溯算子（non-backtracking operator）与Ihara-Bass公式，作者发展了一种统一方法，将矩阵的奇异值界转化为关联非回溯矩阵谱半径的概率界。给出的界仅依赖于方差配置矩阵的行列最大与最小ℓ2范数，无需各向同性或齐次性假设。该方法适用于稀疏Erdos-Renyi二分图G(n,m,p)及其非齐次推广。主要理论结果表明：当p=ω(logn)/n且m/n→y∈(0,1)时，几乎必然没有奇异值落在Marchenko-Pastur律支撑集之外，从而将经典的Bai-Yin定理推广至稀疏长方形随机矩阵。该结果直接丰富了高维随机矩阵理论中关于稀疏性和非齐次性的极限性质，对您在高维统计和随机矩阵方面的兴趣有直接参考价值。
关键技术: non-backtracking operator, Ihara-Bass formula, Marchenko-Pastur law, spectral radius bound, sparse inhomogeneous random matrix, Erdős-Rényi bipartite graph
为什么对您有用: 本文与您的随机矩阵理论（高维统计）兴趣直接相关，特别针对稀疏非齐次设定下的极端奇异值问题。您非常熟悉的高维渐近理论（very_familiar中的high-dimensional asymptotics）足以让您深入理解本文的非回溯算子方法，并尝试将其推广至其他稀疏随机矩阵模型（如权重矩阵或有向图）。立即可做：您可以用已有的随机矩阵背景验证主要结果并探索进一步收敛速度。

非参数 / 半参数 (nonparam_semipara, 9 篇)¶

1. 10.3150/23-bej1695 · arXiv — Penalized spline estimation of principal components for sparse functional data: Rates of convergence¶

作者: Shiyuan He, Jianhua Z. Huang, Kejun He
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 8/10 · novelty: new_theory
摘要: 本文系统研究了稀疏函数数据下惩罚样条估计同时估计多个前导主成分函数的收敛速度。估计量定义为惩罚经验风险最小化解，损失函数属于由矩阵Bregman散度导出的一般类，惩罚项为导数的平方积分。理论揭示了收敛速度依赖于未知函数光滑性、样条阶数、节点数、惩罚阶数和惩罚参数之间的复杂交互作用。作者将渐近行为分为七种情景，并刻画了每种情景下能否达到及如何达到minimax最优收敛速率。该结果统一并推广了现有文献中关于惩罚样条FPCA的零星理论，为实践中的参数选择提供了理论指导。对于您而言，该工作直接关联非参数统计的收敛速度理论和minimax界，也为后续在函数型数据因果推断（如稀疏纵向数据）中的估计问题提供了理论基础。
关键技术: penalized spline estimation, functional principal component analysis, matrix Bregman divergence, convergence rates, minimax optimal rates, sparse functional data
为什么对您有用: 直接对应您primary interests中的非参数统计理论和minimax界的兴趣。您熟悉的minimax bounds和非参估计框架可以直接用于验证本文的rate分类是否tight，或推广至其他损失函数。立即可做：用您掌握的minimax bound工具即可审视其最优性，无需补充新武器。

2. 10.3150/23-bej1711 · arXiv — Boundary adaptive local polynomial conditional density estimators¶

作者: Matias D. Cattaneo, Rajita Chandak, Michael Jansson, Xinwei Ma
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 7/10 · novelty: new_method
摘要: 本文提出一类基于局部多项式技术的条件密度估计器，具有边界自适应性且易于实现，适用于边界点处的密度估计。作者系统研究了估计量的逐点与一致渐近性质，包括概率收敛速率和有效高斯分布逼近，并建立了学生化t统计量过程的有效分布逼近。文章还讨论了协方差函数的一致估计、最优积分均方误差带宽选择以及稳健偏差校正推断方法，并给出了构造参数规范检验和形状约束置信带的具体步骤及逼近误差刻画。这些结果扩展了非参数密度估计的工具箱，为半参数模型中的条件密度推断提供了更可靠的基于局部多项式的推断程序。对您而言，本文直接丰富了您非常熟悉的非参数统计领域，其中边界自适应和一致推断技术可迁移到因果推断中的倾向得分或密度比估计问题，且利用您对非参数统计的熟练掌握可立即理解并评估其理论贡献。
关键技术: local polynomial estimation, boundary adaptive estimation, uniform convergence rates, Gaussian distributional approximation, robust bias-corrected inference, bandwidth selection
为什么对您有用: 本文直接贡献于您的主要兴趣“非参数统计理论”，特别是条件密度估计的边界自适应与一致推断。您非常熟悉的非参数统计工具（如局部多项式、带宽选择、一致速率）正可用来分析估计量的渐近性质，并评估其在实际应用（如因果推断中的密度比）中的潜力。follow-up 粗判：立即可做——您的非参数统计和 minimax 界技术足以理解和复现论文的核心理论结果，并可将其作为后续半参数效率估计中条件密度部分的构建模块。

3. 10.3150/23-bej1694 · arXiv — Local polynomial trend regression for spatial data on Rd¶

作者: Daisuke Kurisu, Yasumasa Matsuda
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 6/10 · novelty: new_theory
摘要: 在 \(\mathbb{R}^d\) 上不规则空间采样区域 \(R_n\) 的非参数回归设定下，目标是建立局部多项式（LP）估计量的一般渐近理论。模型允许纯增域与混合增域的随机采样设计，依赖结构涵盖 Lévy-driven CARMA 随机场等宽泛类别。核心机制是证明任意阶 \(p \geq 1\) LP 估计量的渐近正态性，并基于此构造置信区间与推导均匀收敛速率。作为应用，文中讨论了均值函数及其偏导数的两样本检验问题。对您有用：本文为空间非参数回归提供了完整的 LP 渐近工具箱，直接补充了 nonparametric statistics 与 hypothesis testing 的空间数据视角。
关键技术: local polynomial regression, spatial random fields, mixed increasing domain asymptotics, Lévy-driven CARMA random fields, uniform convergence rates, two-sample hypothesis testing
为什么对您有用: 本文直接连接 nonparametric statistics 与 hypothesis testing 两个 primary interest 子方向，在空间不规则采样下给出了 LP 估计量的渐近正态性与均匀收敛速率。用您 very_familiar 的 minimax bounds for estimation problems 可以验证本文声称的均匀收敛速率是否紧，或进一步推导该空间 LP 估计量的 minimax 下界。follow-up 判断：立即可做——用 very_familiar 的 nonparametric statistics 与 minimax 工具即可展开对本文 rate sharpness 的验证或两样本检验功效的理论分析。

4. 10.3150/23-bej1702 · arXiv — Principal feature detection via ϕ-Sobolev inequalities¶

作者: Matthew T.C. Li, Youssef Marzouk, Olivier Zahm
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 6/10 · novelty: new_theory
摘要: 在高维目标测度相对于参考测度的低维更新近似设定下，目标密度被分解为特征映射与低维 profile 函数的复合。当参考测度满足子空间 φ-Sobolev 不等式时，作者构造了具有 Amari α-散度可认证误差保证的计算可行近似。方法分两步：对任意特征映射与 α-散度，推导出最优 profile 函数的解析表达式；对线性特征映射，主特征由涉及对数密度梯度的矩阵（类似 Fisher 信息矩阵）的 eigenvectors 给出，两步均不依赖归一化常数。借助 φ-Sobolev 不等式，证明这些特征在 α∈(0,1] 范围内普适认证近似误差。随后将此维度缩减策略应用于贝叶斯逆问题，给出在数据期望下的近似保证，并拓展至非线性特征映射。对您可能有用：该框架为高维密度/测度的低维投影提供了基于 Sobolev 不等式的非参数近似率保证，与您熟悉的逆问题随机噪声设定直接对接。
关键技术: phi-Sobolev inequality, Amari alpha-divergence, principal feature map via gradient matrix eigenvectors, optimal profile function, Bayesian inverse problem dimension reduction, nonlinear feature map extension
为什么对您有用: 直接连接到您 primary interest 中的 semiparametric & nonparametric theory 以及 technical_arsenal 中的 inverse problems with random noise：本文用 φ-Sobolev 不等式给出高维测度向低维子空间投影的 Amari α-散度误差界，为贝叶斯逆问题提供了不依赖归一化常数的维度缩减方案。用您 very_familiar 的 minimax bounds for estimation problems 与 inverse problems with random noise 武器，可以审视其 Sobolev 不等式常数与散度界是否紧，并评估该特征映射在非贝叶斯（频率派）逆问题或因果推断中高维 nuisance 参数投影的迁移潜力。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以将该测度投影框架从贝叶斯后验推广到频率派 semiparametric M-估计的 nuisance 空间缩减。

5. 10.3150/23-bej1693 — Smoothed circulas: Nonparametric estimation of circular cumulative distribution functions and circulas¶

作者: Jose Ameijeiras-Alonso, Irène Gijbels
期刊/来源: Bernoulli
机构: Universidade de Santiago de Compostela · KU Leuven
分类: vol 30 · issue 4
相关性 5/10 · novelty: new_theory
摘要: 本文研究环面（toroidal）数据上 circula（copula 在圆/环面数据上的类比）的非参数核估计问题，目标 estimand 是具有圆形均匀边际的多变量累积分布函数。核心方法是基于圆形核（circular kernel）的 smoothed circula 估计，并系统讨论了核选择与平滑参数的选取机制。理论部分揭示了环面数据核估计与线性数据 copula 核估计之间的关键差异（如周期性边界处理导致的不同收敛行为），并给出了相应的收敛速率与渐近性质。主要贡献在于填补了圆形/环面依赖结构非参数估计的理论空白，并提供了 circula 估计的完整框架。对您可能有用：若您在 semiparametric theory 中遇到带圆形/周期性约束的效率界计算或 influence function 构造，本文的 circula 框架提供了边际约束下的分布建模基础。
关键技术: circular kernel smoothing, circula estimation, toroidal cumulative distribution, nonparametric copula analog, periodic boundary correction
为什么对您有用: 本文直接连接到 semiparametric & nonparametric theory 子方向，具体处理了带圆形均匀边际约束的分布非参数估计，这是经典线性 copula 理论在周期性数据上的推广。您武器库中 very_familiar 的 nonparametric statistics 可以直接攻本文的收敛速率分析口子，验证其声称的与线性数据差异是否在 minimax 意义下紧。Follow-up 判断：立即可做——用 minimax bounds 工具即可检验其速率最优性，或尝试构造其 semiparametric efficiency bound。

6. 10.3150/23-bej1687 · arXiv — Minimum information dependence modeling¶

作者: Tomonari Sei, Keisuke Yano
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 5/10 · novelty: new_method
摘要: 在混合域数据（mixed-domain）的联合建模设定下，本文提出基于最小信息依赖（minimum information dependence）的参数化建模方法，目标是刻画不同类型变量间的依赖结构，核心假设为定义模型的泛函方程在弱条件下有唯一解。模型将参数分解为两个正交分量：依赖参数与边际参数，类似于半参数模型中的 nuisance/interest 参数分离。估计依赖参数时，采用条件推断（conditional inference）配合特定采样程序，证明了所得估计量的一致性。多变量 Gaussian 与 log-linear 模型均为该框架的特例。对您可能有用：该模型的正交参数分解与条件推断思路，与半参数效率理论中 orthogonal score / nuisance tangent space 的视角高度同构，可作为半参数建模的新案例阅读。
关键技术: minimum information dependence, orthogonal parameterization, conditional inference, functional equation uniqueness, mixed-domain joint modeling
为什么对您有用: 本文的正交参数分解（依赖参数 vs 边际参数）直接对应 semiparametric efficiency theory 中 interest parameter 与 nuisance parameter 的 orthogonal 分离，是 primary interest 中 semiparametric theory 的具体建模实例。用您 very_familiar 的 minimax bounds / M-estimation theory 工具，可以立刻分析该条件推断估计量的效率（是否达到 semiparametric efficiency bound）与收敛速率。立即可做：用 semiparametric efficiency bound 与 influence function 工具验证其条件推断估计量是否 efficient，或推导其 one-step / debiased 改进。

7. 10.3150/23-bej1697 · arXiv — A unifying approach to distributional limits for empirical optimal transport¶

作者: Shayan Hundrieser, Marcel Klatt, Axel Munk, Thomas Staudt
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 5/10 · novelty: new_theory
摘要: 本文为经验最优传输（OT）的分布极限定理提供了统一框架。在Kantorovich对偶表示下，OT被视为定义在函数类F_c上的上确界泛函，该函数类由代价函数c决定。作者证明了该泛函具有Hadamard方向可微性，进而借助泛函delta方法将经验OT的极限分布归结为经验过程在ℓ^∞(F_c)上的弱收敛问题。当F_c为Donsker类时，极限分布是高斯过程的上确界，并且明确给出了极限分布退化为Dirac或成为中心正态的条件。与现有结果不同，本文的极限定理围绕总体OT值而非期望值，更便于统计推断。文中还根据维度、代价函数和概率测度给出了保证Donsker性质的充分条件，揭示了Kantorovich对偶的丰富性要求与经验过程收敛的复杂性限制之间的固有权衡。对您而言，该工作直接连接到非参数统计中的经验过程理论和泛函delta方法，您熟悉的非参数估计和minimax界技巧可用于进一步分析该权衡的最优性条件。
关键技术: Kantorovich duality, Hadamard directional differentiability, functional delta method, Donsker class, empirical process theory, central limit theorem for optimal transport
为什么对您有用: 连接到非参数统计与极限理论这一子方向——论文的核心工具是经验过程理论和泛函delta方法，这正是您非常熟悉的非参数统计武器库中的核心内容。您可以立即用您掌握的minimax界技巧去刻画该文揭示的Kantorovich对偶丰富性与Donsker类复杂度之间的权衡是否为最优（即是否存在更紧的界）。因此，立即可做：您无需补充额外工具即可深入阅读并尝试扩展该结果。

8. 10.3150/23-bej1701 · arXiv — Optimal 1-Wasserstein distance for WGANs¶

作者: Arthur Stéphanovitch, Ugo Tanielian, Benoît Cadre, Nicolas Klutchnikoff, Gérard Biau
期刊/来源: Bernoulli
机构: Centre National de la Recherche Scientifique · Université Paris Cité · Sorbonne Paris Cité · Laboratoire de Probabilités, Statistique et Modélisation · Criteo (France) · Institut de recherche mathématique de Rennes · Université Rennes 2 · Université de Rennes 等
分类: vol 30 · issue 4
相关性 4/10 · novelty: new_theory
摘要: 本文在WGAN（Wasserstein Generative Adversarial Network）框架下，系统分析了最优1-Wasserstein距离的理论性质。假设潜变量空间为一维，输出空间任意维，研究有限样本与渐近行为。发现固定样本量时，最优WGAN与连接样本点间平方欧氏距离之和最小的连通路径紧密相关，这揭示了有限样本下生成分布的结构。渐近地，当生成器Lipschitz函数类适当增长时，WGAN能以特定收敛速率逼近目标分布（在1-Wasserstein度量下）。此外，论文推导了半离散最优传输场景下的新结果，补充了经典最优传输理论。该工作对理解生成模型的统计性质有直接贡献，与研究者关注的非参数收敛速率和最优传输理论高度相关。
关键技术: Wasserstein GAN, 1-Wasserstein distance, semi-discrete optimal transport, Lipschitz continuity, empirical measure, convergence rate
为什么对您有用: 该论文紧密关联您对非参数统计理论（尤其是分布估计的收敛速率）的兴趣。文中对有限样本及渐近收敛速率的精细刻画，可直接用您武器库中'非参数统计'和'minimax bound'工具进行审视或扩展（例如验证收敛率是否最优）。目前该问题暂不可直接动手：核心的最优传输与生成网络理论不在您的武器库中，但作为理论文献，值得深入阅读以建立领域直觉。

9. 10.3150/24-bej1718 · arXiv — On the Bahadur representation of sample quantiles for score functionals¶

作者: Johannes Krebs
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 3/10 · novelty: new_theory
摘要: 在随机几何的 Poisson 点过程设定下，本文研究 stabilizing score functionals 的样本分位数之 Bahadur 表示及经验分布函数的局部波动。核心 estimand 是 score functionals 的分位数；关键 regularity 假设依赖 score 的 stabilizing 性质（即局部依赖有界半径）。方法上，利用 Poisson 过程的 additivity 与 stabilizing 结构，将分位数估计量展开为线性主项加高阶余项，证明余项的几乎处处收敛阶为 o(n^{-1/2}log n)，从而获得 Bahadur 表示；同时推导经验分布函数的局部渐近正态性。理论结果应用于 trimmed 与 Winsorized 均值，并建立分位数的重对数律。对您可能有用：Bahadur 表示是构造 one-step / orthogonal estimator 的经典工具，本文在 Poisson 空间点过程下的推广为空间因果推断或带空间依赖的 semiparametric efficiency 理论提供了潜在的技术口子。
关键技术: Bahadur representation, stabilizing score functionals, Poisson point process, local fluctuations of empirical distribution, law of the iterated logarithm, trimmed and Winsorized means
为什么对您有用: 本文连接到 nonparametric statistics 与 semiparametric theory 子方向：Bahadur 表示是推导 influence function 与构造 one-step efficient estimator 的基础工具，而 stabilizing score 的局部依赖结构在空间数据因果推断中有自然对应。用您 very_familiar 的 nonparametric statistics 与 minimax bounds 工具，可以验证本文余项阶是否紧、以及能否将此表示嵌入空间 semiparametric 模型的 efficiency bound 计算。follow-up 判断：立即可做——用 very_familiar 的 nonparametric 工具即可检查其 Bahadur 余项阶与经典 i.i.d. 设定的差距，并评估对空间 one-step estimator 构造的影响。

数理统计 / 假设检验 (hypothesis_testing, 3 篇)¶

1. 10.3150/23-bej1685 · arXiv — Kernel two-sample tests for manifold data¶

作者: Xiuyuan Cheng, Yao Xie
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 8/10 · novelty: new_theory
摘要: 本文研究流形数据上的核双样本检验统计量（基于MMD）的理论性质。假设高维观测数据靠近一个d维低维流形M嵌入到m维空间，且数据密度p和q在M上为β-Hölder(β≤2)。作者证明了有限样本下检验势的保证：当样本量n超过依赖于d、β和Δ₂（p与q在流形上的平方L²散度）的阈值，且核带宽γ选择适当时，检验可检测出小偏差。具体地，当Δ₂大于n^{-2β/(d+4β)}（乘以常数）且γ∝n^{-1/(d+4β)}时，检验可一致地检测出差异。分析还扩展到流形有边界及数据含高维加性噪声的情形。核心结论是：数据位于或近于低维流形时，核双样本检验无维数诅咒。数值实验验证了理论。该工作将MMD检验的经典理论推广到流形设定，给出了检测阈值的精确刻画，对非参数假设检验和核方法在高维结构数据上的应用具有重要价值。
关键技术: Maximum Mean Discrepancy (MMD), kernel two-sample test, manifold assumption, Hölder smoothness, detection threshold, bandwidth selection
为什么对您有用: 本文直接关联您的primary interest中的hypothesis testing和nonparametric statistics，且MMD统计量本质上是二阶U-statistic，与higher-order U-statistics理论一脉相承。您的武器库中的minimax bounds和nonparametric statistics可直接用于理解其检测边界，而U-statistics的投影方法可帮助分析统计量的渐近性质。由于流形结构是常见的高维数据假设，且论文给出了清晰的理论结果，您可以立即可用现有工具复现或拓展其结论（例如考虑更一般的流形或更高阶的U-statistic检验）。

2. 10.3150/23-bej1705 · arXiv — A flexible approach for normal approximation of geometric and topological statistics¶

作者: Zhaoyang Shi, Krishnakumar Balasubramanian, Wolfgang Polonik
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 4/10 · novelty: new_method
摘要: 本文针对二项或泊松点过程中的稳定泛函，提出了一种灵活的正态逼近方法。这类泛函不一定能表示为得分函数之和。方法基于add-one成本算子的推广概念，通过一阶算子的适当组合来处理二阶成本算子，并结合强稳定化理论建立渐近正态性。作者将结果应用于实践中常见的几何和拓扑统计量，例如Rips复形和持久同调的某些泛函。多个现有结果可作为本文方法的特例出现。正态逼近是假设检验和置信区间构造的理论基础，本文为点过程数据的统计推断提供了更广的工具。
关键技术: stabilizing functionals, add-one cost operator, strong stabilization, binomial/Poisson point process, normal approximation, topological statistics (e.g., Rips complex)
为什么对您有用: 该论文直接服务于您对假设检验（hypothesis testing）的兴趣，为点过程稳定泛函提供了统一的正态逼近框架，可应用于空间统计和拓扑数据分析。您的非参数统计和高维渐近工具（very_familiar）足以理解核心证明策略（强稳定化、加一算子），立即可读。此外，几何/拓扑统计量在天体统计（星系分布点过程）中有实际应用，可作为第三兴趣的入门桥梁。

作者: Zacharie Naulet, Judith Rousseau, François Caron
期刊/来源: Bernoulli
机构: Université Paris-Saclay · Centre de Recherche en Mathématiques de la Décision · University of Oxford
分类: vol 30 · issue 4
相关性 2/10 · novelty: new_theory
摘要: 本文研究MultiGraphex过程（Caron-Fox模型）中结构参数估计量在模型错误指定下的渐近性质。数据生成过程可以是任意稀疏图模型，仅需度分布满足弱假设（如幂律或可积条件），不要求图生成自同一模型。作者证明，无论采用频率学派或贝叶斯方法，参数估计量的极限都指向真实图过程的稀疏常数，而非模型参数的真值。在贝叶斯框架下，后验分布渐近正态，并提供显式的渐近方差表达式。技术工具包括经验过程、渐近等价性和鞅中心极限定理。论文验证了配置模型、稀疏图on模型、边可交换图过程等经典模型满足假设。对您而言，本文展示的“模型错误指定下渐近校准”思路可迁移至高维因果推断中的网络干扰问题，其中稀疏性估计是偏差校正的关键。
关键技术: Graphex processes, Posterior asymptotic normality under misspecification, Sparse graph asymptotics, Degree distribution conditions, Sparsity constant estimation
为什么对您有用: 本文连接您对 hypothesis_testing 和 nonparam_semipara 的兴趣，尽管对象是图模型而非经典高维估计。武器库中的 nonparametric statistics（经验过程、最小最大界）可直接用于分析此类估计量的偏差与收敛速率，特别是度分布粗糙假设下的调和。立即可做的是将本文的“错误指定下渐近正态性”框架用于因果推断中网络数据的敏感性分析；若需进一步扩展，需在 moderately_familiar 的 semiparametric theory 上加强，以处理更复杂的目标函数。

统计计算 / 算法 (stat_computing, 3 篇)¶

1. 10.3150/23-bej1706 — Gaussian differentially private robust mean estimation and inference¶

作者: Myeonghun Yu, Zhao Ren, Wen-Xin Zhou
期刊/来源: Bernoulli
机构: University of California San Diego · University of Pittsburgh · University of Illinois Chicago · Decision Sciences (United States)
分类: vol 30 · issue 4
相关性 8/10 · novelty: new_method
摘要: 本文针对重尾分布下的高维均值估计与推断问题，提出满足高斯差分隐私（GDP）的鲁棒算法。核心估计量采用 Huber 均值估计器，作者给出了其在高维增广设定下的非渐近偏差界、Bahadur 表示以及均匀高斯近似等精细理论性质。为了满足差分隐私，通过带噪梯度下降（Noisy Gradient Descent）将 Huber 估计器私有化，并证明了该私有化版本能达到近最优的统计精度，关键在于刻画了鲁棒参数、隐私预算与统计误差之间的定量 trade-off。进一步，结合私有的鲁棒协方差估计构造了私有置信区间，实现了重尾数据下带隐私保护的推断。数值模拟验证了方法的有限样本表现。该工作在高维鲁棒估计的理论分析上与传统 minimax 和渐近工具一脉相承，同时引入了隐私保护这一新维度，对您在高维统计和假设检验方面的兴趣有直接参考价值，也可为后续在因果推断中应用隐私保护提供方法学基础。
关键技术: Huber mean estimator, noisy gradient descent, Gaussian differential privacy, Bahadur representation, non-asymptotic deviation bound, private confidence interval
为什么对您有用: 本文关注高维均值估计的鲁棒性和隐私兼具，涉及您熟悉的高维渐近理论和推断（置信区间）；您可以用非参数统计和高维 minimax 边界工具来理解其核心理论部分。差分隐私框架本身是武器库的空白，但该文理论分析的工具（非渐近界、Bahadur 表示）是您非常熟悉的，因此可直接消化其主要技术贡献；如需将隐私保护引入您自己的因果推断或高维问题，则需中期补课（学习差分隐私基本定义和机制）。

2. 10.3150/23-bej1690 — Some rapidly mixing hit-and-run samplers for latent counts in linear inverse problems¶

作者: Martin Hazelton, Michael McVeagh, Christopher Tuffley, Bruce van Brunt
期刊/来源: Bernoulli
机构: University of Otago · Massey University
分类: vol 30 · issue 4
相关性 7/10 · novelty: new_method
摘要: 本文研究线性逆问题中潜在计数数据的采样问题，潜在计数位于一个巨大的纤维（fibre）上，直接枚举不可行，需通过马尔可夫链蒙特卡洛采样。文章重点分析hit-and-run采样器在该设定下的混合性质（mixing property），揭示一般情况下收敛速度可以任意慢。然而，作者发现一类特殊的线性逆问题，通过构造最小尺寸的马尔可夫子基（Markov sub-basis），能够避免锯齿形路径、实现均匀纤维采样的快速混合。论文给出了配置矩阵易于检验的条件，并进一步考察了常见泊松模型下这些基的混合表现。理论结果为优化马尔可夫子基提供了实用指导。这项工作直接连接至统计计算中的MCMC算法设计，可用于处理高维计数约束下的推断问题。
关键技术: hit-and-run sampler, Markov sub-basis, linear inverse problem, mixing time analysis, fibre sampling, Poisson model
为什么对您有用: 本文属于统计计算中的MCMC方法，直接命中研究者的主要兴趣。您非常熟悉的逆问题随机噪声理论可直接用于分析本文采样器在高维计数数据下的收敛速度。立即可做：基于本文的基构造策略，可结合您擅长的einsum/fensor-contraction框架实现高效采样，并检验其在高维因果推断中的潜力。

3. 10.3150/23-bej1698 — Approximate double-transform inversion when time is one of the variables¶

作者: Ronald W. Butler
期刊/来源: Bernoulli
机构: Collins College
分类: vol 30 · issue 4
相关性 6/10 · novelty: new_method
摘要: 在连续时间或离散时间随机过程设定下，目标是计算过程在任意时刻 t 或 n 的生存函数，但直接鞍点近似所需的时间索引 MGF 通常难以获取。本文利用更易获得的双重变换（时间变量的 Laplace 变换/生成函数作用于时间索引 MGF）进行近似反演。提出两条路径：一是将时间变量视为具有非正常分布的随机变量，推广 Skovgaard 的双重鞍点方法；二是分阶段反演，先用残差展开（residue expansion）反演时间维度的双重变换，再施以 Lugannani-Rice 型单鞍点近似。更新与更新奖励累积过程的数值结果表明两种鞍点近似均具极高精度。对您可能有用：若在因果推断 longitudinal setting 或逆问题中遇到双重变换反演的计算瓶颈，此残差展开+鞍点两阶段法提供了高精度数值工具。
关键技术: double-transform inversion, saddlepoint approximation, Lugannani-Rice approximation, Skovgaard double-saddlepoint, residue expansion, improper distribution for time variable
为什么对您有用: 本文直接连接 statistical computing 兴趣中的数值方法与矩阵/变换计算，为处理随机过程分布的 Laplace 双重变换反演提供了高精度鞍点与残差展开工具。研究者武器库中的 very_familiar 项（inverse problems with random noise, software development）可直接攻入本文的残差展开实现与精度验证口子。follow-up 判断：立即可做——用 very_familiar 的逆问题随机噪声经验与软件开发能力，可将两阶段反演算法实现为通用 einsum/数值库模块，并在 longitudinal causal inference 的累积过程分布计算中测试。

其他 (other, 15 篇)¶

1. 10.3150/23-bej1692 · arXiv — Shrinkage estimation of higher-order Bochner integrals¶

作者: Saiteja Utpala, Bharath K. Sriperumbudur
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 9/10 · novelty: new_theory
摘要: 在非参数设定下研究 Hilbert 空间值高阶 Bochner 积分的 shrinkage 估计，目标 estimand 为基于 U-statistic 的核均值元素/协方差算子等泛函。核心方法是对 U-statistic 估计量施加向预设目标元素的 shrinkage，依据核的 degeneracy 结构构造估计量并建立 oracle inequality，比较 shrinkage 版本与原始 U-statistic 的风险。关键发现是：基于完全退化（complete degeneracy）假设设计的 shrinkage 估计量，在核非完全退化时依然一致，这大大简化了实际使用。理论结果将 Muandet et al. (2016) 的均值元素估计和 Zhou et al. (2019) 的协方差算子估计统一并推广至任意阶 Bochner 积分；在正态均值估计特例中，证明 d≥3 时 shrinkage 估计严格优于样本均值的 MSE。对您有用：直接推进了 higher-order U-statistics 的估计理论，且 shrinkage 思路可迁移至因果推断中高阶 influence function 的方差缩减。
关键技术: higher-order U-statistic, Bochner integral estimation, shrinkage estimator, oracle inequality, kernel degeneracy, RKHS mean element
为什么对您有用: 直接连接 primary interest 中的 higher-order U-statistics 与 semiparametric efficiency 理论：高阶 Bochner 积分是 HOIF 的核心计算对象，shrinkage 在此处的风险改进为 HOIF 估计量的方差缩减提供了新口子。用 very_familiar 中的 higher-order U-statistics computation（treewidth / einsum）可以直接分析本文 shrinkage 估计量在非完全退化下的计算复杂度与 contraction 结构，这是一个立即可做的 follow-up。

2. 10.3150/23-bej1686 · arXiv — Detecting changes in the trend function of heteroscedastic time series¶

作者: Sara Kristin Schmidt
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 8/10 · novelty: new_theory
摘要: 在异方差与短程相依的时间序列设定下，本文提出基于局部样本均值之 Gini 均差（Gini's mean difference，一种二阶 U-statistic）的新渐近检验，目标参数为均值函数的平稳性（常数均值假设）。核心机制是针对强混合非平稳三角阵列，发展了 U-statistic 的新极限理论，证明了在常数均值假设下检验统计量的渐近正态性，并在非常一般的备择假设类（含均值函数的平滑与突变两种变点形式）下证明了检验的一致性。文中还提出了所有参数的估计器，包括针对长程方差（long run variance）的适应性子抽样估计器并证明其一致性。对您可能有用：本文将 U-statistic 极限理论从经典平稳独立设定拓展至强混合非平稳三角阵列，为相依异方差数据下高阶 U-statistic 的渐近分析提供了新工具。
关键技术: Gini's mean difference, U-statistics of strongly mixing triangular arrays, non-stationary limit theory, long run variance subsampling estimator, asymptotic normality under heteroscedasticity, change-point detection in mean function
为什么对您有用: 直接连接 primary interest 中的 higher-order U-statistics 与 hypothesis testing 子方向：本文的核心贡献是为强混合非平稳三角阵列下的 U-statistic 建立了渐近正态性极限理论，突破了经典平稳/独立假设。用 technical_arsenal 中 very_familiar 的 computation of higher-order U-statistics（treewidth / tensor contraction）视角，可以审视其 Gini 均差在局部窗口计算中的复杂度与高阶投影结构，甚至将三角阵列 U-statistic 的投影理论推广到更高阶情形。Follow-up 判断：立即可做——用 very_familiar 的 U-statistic 计算与 minimax bound 工具即可切入，验证其检验在特定备择假设类下的 minimax 检验功效速率是否可达。

3. 10.3150/23-bej1714 · arXiv — Nonuniform Berry-Esseen bounds for studentized U-statistics¶

作者: Dennis Leung, Qi-Man Shao
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 8/10 · novelty: new_theory
摘要: 本文研究Studentized U统计量的非均匀Berry-Esseen（B-E）界，在仅要求三阶矩存在的条件下，建立了速率1/√n的非均匀逼近。该结果特例涵盖t统计量（核函数阶数为1的情形）。已有文献（Novak, 2005）指出，标准U统计量的非均匀B-E界对Studentized版本不成立，本文通过在原界基础上添加一个随n指数衰减的修正项，恢复了界的形式有效性。证明中可能利用了自正则化技术、概率不等式及U统计量的投影分解。据作者称，这是文献中首次得到Studentized U统计量有效的非均匀B-E界。该结果对U统计量分布理论、假设检验的有限样本校正有直接推动作用。对您而言，该工作直接连接您在高阶U统计量理论方面的兴趣，尤其是Studentized版本的非渐近性质，可用于改进您现有U统计量检验的精度分析。
关键技术: Studentized U-statistics, nonuniform Berry-Esseen bound, additive correction term with exponential decay, third-moment condition, self-normalization
为什么对您有用: 论文直接推进高阶U统计量的分布理论，与您对higher-order U-statistics的理论兴趣高度吻合。您的武器库中moderately_familiar的“theory of higher-order U-statistics”能直接理解其证明框架，而非常熟悉的概率不等式和U统计量投影分解则可用于检验和推广其技术细节。该工作立即可做——您可在自己的U统计量检验或置信区间构造中引用该非均匀界，或尝试将指数衰减修正思想推广到其他Studentized统计量。

4. 10.3150/23-bej1717 · arXiv — Inverse regression for spatially distributed functional data¶

作者: Suneel Babu Chatla, Ruiqi Liu
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 5/10 · novelty: new_method
摘要: 本文提出空间分布函数型数据的逆回归降维方法。模型假设函数预测变量由空间依赖的函数效应和空间独立的核效应叠加而成，标量响应通过逆回归框架建模。估计采用局部线性平滑并引入一般加权方案，可同时涵盖按观测等权或按个体等权的特例。在域扩展填充（DEI）空间渐近框架下推导了估计特征方向的点态和L2收敛速度，并给出了达到最优率所需的条件。模拟和真实数据分析验证了方法有效性。对您有用：函数型数据降维在因果推断中处理高维函数协变量时可能提供思路，但本文与您主要兴趣方向距离较远。
关键技术: inverse regression (sliced inverse regression), local linear smoothing, domain-expanding infill asymptotics, spatial functional data, functional nugget effect
为什么对您有用: 本文的逆回归降维框架连接半参数非参数理论中的平滑与渐近分析，可借用您熟悉的非参数渐近技巧理解其收敛性证明。但本文聚焦空间函数型数据，核心工具（空间协方差建模、DEI渐近）不在您的武器库中，且与因果推断无直接关联，目前暂不可立即开展应用。可作为方向拓宽的参考。

作者: Rina Foygel Barber, Emmanuel J. Candès, Aaditya Ramdas, Ryan J. Tibshirani
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 4/10 · novelty: new_theory
摘要: 本文研究加权可交换序列的 de Finetti 定理推广。经典 de Finetti 定理指出无限可交换随机变量序列可视为 i.i.d. 序列的混合。本文引入权重函数以调节序列中各随机变量的分布，并探究在此加权可交换性定义下，是否存在类似的混合表示。作者建立了一个嵌套的条件族，使得加权 i.i.d. 性质下的混合表示成立。此外，零一律和大数定律也被推广至加权可交换序列。该工作为可交换性的泛化提供了严格的数学框架。尽管不直接涉及因果推断中的识别或估计问题，但加权可交换性可能在允许权重调整的潜在结果模型中自然出现，对您未来研究加权因果推断有潜在启发。
关键技术: de Finetti's theorem, weighted exchangeability, mixture representation, zero-one law, law of large numbers
为什么对您有用: 本文与因果推断中常用的可交换性假设有概念联系，但主要贡献在概率论基础。兴趣子方向为数学统计理论。武器库中「非参数统计」和「U-statistics理论」可帮助理解可交换性结构，但论文的核心技术——加权交换性表示的嵌套条件——不在武器库中，故暂不可做。

6. 10.3150/23-bej1712 · arXiv — Normal approximation of subgraph counts in the random-connection model¶

作者: Qingwei Liu, Nicolas Privault
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 4/10 · novelty: new_theory
摘要: 本文在随机连接模型（基于泊松点过程）中研究子图计数的正态逼近。通过组合论证，将一般子图计数的累积量表示为连通划分图上的求和，并利用Möbius反转消去冗余项。借助Statulevičius条件，在点过程强度趋于无穷时推导了Kolmogorov距离下的收敛速度。分析覆盖了稀释和完全随机图机制下的一般子图，以及稀疏机制下的树状子图。该方法与高阶U统计量的组合分解结构高度相似：子图计数本质上是多重随机积分，其累积量的图表示同U统计量的多线性投影分解一一对应。对您而言，可将熟悉的treewidth/einsum复杂度工具应用于此类累积量图的分析，从而获得更精细的逼近常数或扩展至有向图模型。
关键技术: cumulant expansions via partition diagrams, Möbius inversion, Statulevičius condition, Kolmogorov distance, Poisson point process, subgraph count combinatorial decomposition
为什么对您有用: 本文直接关联higher-order U-statistics研究方向：子图计数是典型的高阶U统计量（k阶），其组合累积量分解与U统计量的投影分解结构一致。您对treewidth/einsum计算成本的熟悉可用来定量分析此类近似误差的图复杂性（例如连接划分图的树宽决定了累积量求和的复杂度）。follow-up粗判：中期可做，需要先在moderately_familiar的theory of higher-order U-statistics（U统计量投影理论）上达到very_familiar，以准确映射随机图组合与U统计量框架。

7. 10.3150/23-bej1691 · arXiv — On the joint distribution of the area and the number of peaks for Bernoulli excursions¶

作者: Vladislav Kargin
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 3/10 · novelty: new_theory
摘要: 本文研究长度为2n的随机伯努利游走（Bernoulli excursions）的面积与峰数的联合分布。主要结论：面积与峰数是渐近独立的，并且它们的相关系数以c/√n的速度衰减（n→∞），其中c<0，且c的显式表达式可由组合方法计算给出。证明依赖于矩生成函数与组合计数技术，将面积和峰数的联合矩转化为特定路径的计数问题。该结果首次精确刻画了这两个经典游走统计量的相关结构，填补了以往仅考虑边缘分布的空白。文中还通过数值模拟验证了渐近公式的有限样本表现。对您而言，本文属于纯概率论结果，与您当前关注的因果推断、高维统计或U统计量方向无直接交集，故仅作为理论统计的延伸阅读。
关键技术: Bernoulli excursions, asymptotic independence, correlation coefficient, combinatorial enumeration, moment generating function
为什么对您有用: 本文属于随机过程与组合概率方向，与您的主要兴趣（因果推断、高维统计、半参效率理论）不直接关联。技术层面，其使用的矩方法与组合计数对您的武器库（如‘higher-order U-statistics的树宽/张量收缩’）无直接可迁移点。因此，该文暂不可做——核心工具（路径计数、矩生成函数）不在您的熟悉或中等熟悉范围内，且领域偏离较大，不值得投入时间展开读。

8. 10.3150/23-bej1684 · arXiv — Moments of exponential functionals of Lévy processes on a deterministic horizon – identities and explicit expressions¶

作者: Zbigniew Palmowski, Hristo Sariev, Mladen Savov
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 2/10 · novelty: new_theory
摘要: 本文研究Lévy过程在确定性时间上的指数泛函的矩，主要推导了两个卷积恒等式：第一个将一般Lévy过程的复矩与对偶过程的矩联系起来，第二个将非复合泊松过程的矩与升降阶梯高度过程在局部时间决定的随机时间上的指数泛函矩联系起来。作为推论，获得了对称Lévy过程半负矩的通用表达式，其普适性类似于对称随机游走的通过时间。在极温和条件下，得到了子序指数泛函复矩（包括负实部）的级数展开，显著推广了先前结果，并给出Gamma子序的负一次矩等于Riemann zeta函数这一特殊例子。这些结果来自严格的概率工具，且为波动率建模和金融数学提供理论支撑。对您而言，纯概率论主题与主业无直接交集，但可丰富高阶矩恒等式的知识储备。
关键技术: Lévy processes, exponential functionals, convolutional identities, ladder heights, subordinators, Riemann zeta function
为什么对您有用: 论文主题纯概率论，与您主业（因果推断、高维统计、U-统计量等）无直接交集。当前武器库无Lévy过程工具，暂不可做直接跟进。但文中矩恒等式技术（如卷积恒等式）可能在处理某些随机过程期望时提供灵感，作为知识扩展略具参考价值。

9. 10.3150/23-bej1709 · arXiv — On the asymptotic behavior of a finite section of the optimal causal filter¶

作者: Junho Yang
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 2/10 · novelty: new_theory
摘要: 本文研究最优因果滤波器系数有限样本近似的渐近行为，假设数据生成过程为二阶平稳时间序列，涵盖短记忆和长记忆自协方差情形。核心贡献是推导出因果滤波器系数及其有限样本近似之间的 L1 界。作者首先给出因果滤波器系数的精确表达式，将其表示为多步向前无限预测系数和有限预测系数的绝对收敛级数。然后证明了一类一致Baxter不等式，用于控制无限与有限多步向前预测系数之差的界。所得 L1 近似误差界可用于通过均方误差准则评估时间序列线性预测的表现。该工作属于时间序列预测的理论分析，与您的主要兴趣方向无直接关联。
关键技术: causal filter, Baxter's inequality, long memory time series, L1 approximation bound, multistep ahead predictor
为什么对您有用: 本文为纯时间序列理论工作，与您主要兴趣（因果推断、高维统计、U统计量等）无直接交集，也不涉及您的技术武器库中的任何工具。属于暂不可做方向——核心机器（时间序列长记忆渐近理论）不在武器库中。

10. 10.3150/23-bej1700 · arXiv — Characterizing the asymptotic and catalytic stochastic orders on topological abelian groups¶

作者: Tobias Fritz
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 2/10 · novelty: new_theory
摘要: 本文在预序拓扑阿贝尔群框架下研究概率测度的渐近与催化随机序。渐近序定义为：由测度μ生成的i.i.d.随机行走在晚期时刻首阶占优于ν生成的随机行走；催化序要求存在第三测度τ使卷积μτ首阶占优于ντ。主要结果给出了一个充分条件，该条件依赖于与累积生成函数相关的严格不等式族，在非退化情形下也是必要的。该结果在ℝ上已知，但本文将其推广到ℝ^n及更一般的拓扑阿贝尔群，核心工具是预序半环的Vergleichsstellensatz。最后推导了随机行走概率相对衰减率的公式，这推广了Cramér大偏差定理到无穷维。对您而言，本文属于概率论与随机过程的严格数学处理，虽不直接触及主要兴趣方向，但其大偏差视角可为高维统计中的尾概率比较提供理论背景。
关键技术: stochastic order, topological abelian groups, cumulant-generating functions, Vergleichsstellensatz, Cramér large deviation theorem, convolution
为什么对您有用: 本文与您的数学统计兴趣（hypothesis testing, high-dimensional asymptotics）有间接联系，尤其是大偏差思想可用于理解高维检验的尾概率行为。然而，技术武器库中非常熟悉的工具如minimax bounds和higher-order U-statistics无法直接应用于阿贝尔群上的序结构，当前缺乏处理此类抽象群上序关系的数学工具，因此暂不可做直接follow-up。建议作为理论背景阅读，探索大偏差与随机序在高维设置下的潜在交叉。

11. 10.3150/23-bej1708 · arXiv — Moment asymptotics for super-Brownian motions¶

作者: Yaozhong Hu, Xiong Wang, Panqiu Xia, Jiayu Zheng
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 2/10 · novelty: new_theory
摘要: 本文研究超布朗运动（sBm）的长时和高阶矩渐近性。利用Hu等人（2023+）给出的sBm矩公式，在特定初始条件下对所有正整数时刻和所有时间建立了精确的矩上下界。由此推导出时间趋于无穷或矩阶数趋于无穷时的矩渐近行为。作为矩界的一个应用，获得了sBm尾部概率的估计。本文是纯概率论的理论工作，未涉及统计推断或计算问题。与您关注的因果推断、高维统计、U-统计量等方向无直接关联。
关键技术: Moment formula for super-Brownian motions, Upper and lower bounds, Tail probability estimates
为什么对您有用: 本文是概率论中随机过程矩渐近性的理论结果，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接联系。武器库中的higher-order U-statistics虽涉及矩结构，但本文的研究对象和工具（超布朗运动的矩公式）不直接对接。作为入门阅读的价值较低，暂不可做。

12. 10.3150/23-bej1696 · arXiv — Optimal Markovian coupling for finite activity Lévy processes¶

作者: Wilfrid S. Kendall, Mateusz B. Majka, Aleksandar Mijatović
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 1/10 · novelty: new_theory
摘要: 该论文研究有限活动Lévy过程（连续时间随机游走）的最优马尔可夫耦合问题，优化目标是极小化耦合过程时间边际分布之间的凹运输成本。作者结合McCann的最优传输理论与Rogers的随机游走结果，并引入一种新颖的均匀化构造方法，完整刻画了有限活动Lévy过程的所有马尔可夫耦合。在跃迁分布为单峰（不必对称）的一维情形下，他们给出了最优马尔可夫耦合的显式构造，且该构造不依赖于具体的凹运输成本函数。特别地，发现当Lévy测度为非对称单峰时，最优耦合必须允许两个耦合过程的跃迁不同时发生。论文属于概率论与随机过程交叉最优传输的前沿理论工作，但对统计推断方法论无直接贡献。
关键技术: optimal transport (McCann's results), Markovian coupling, uniformization construction, finite-activity Lévy processes, concave transport costs
为什么对您有用: 该论文主题属于概率论与随机过程领域，与您的主要兴趣方向（因果推断、高维统计、非参/半参理论、高阶U统计、统计-计算折中等）无直接关联。技术武库中的非参数统计、逆问题等工具难以迁移至Lévy过程耦合问题。因此暂不推荐深入阅读。

13. 10.3150/23-bej1707 — Drift reduction method for SDEs driven by heterogeneous singular Lévy noise¶

作者: Tadeusz Kulczycki, Oleksii Kulyk, Michał Ryznar
期刊/来源: Bernoulli
机构: Wrocław University of Science and Technology · AGH University of Krakow
分类: vol 30 · issue 4
相关性 1/10 · novelty: new_method
摘要: 本文研究一类由异质奇异 Lévy 噪声驱动的随机微分方程（SDE），其中各分量噪声为独立的一维奇异 Lévy 过程（如不同稳定指数的对称 α-稳定过程），并在满足平衡条件以避免亚椭圆效应。目标是在漂移项和扩散系数满足一定假设下证明弱解的存在唯一性及 Markov 性。核心方法是一种漂移约化技术（drift reduction method），通过将带漂移的 SDE 转化为不含漂移但系数含时的另一 SDE，类似于经典的特征线法。基于该变换，作者给出了转移概率密度函数的显式表示，并证明了对应转移半群的 Hölder 正则性。该技术本身具有独立的方法论意义，可推广至更一般的异质噪声系统。本文与您的主要研究领域（因果推断、高维统计、U-统计量等）无直接交集，但随机过程的正则性理论或为纵向数据建模提供背景参考。
关键技术: drift reduction method, symmetric α-stable processes, Lévy noise with heterogeneous indices, Hölder regularity of transition semigroup, probability density representation, characteristic method for SDEs
为什么对您有用: 本文的主题（异质奇异Lévy噪声驱动的SDE）与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接子方向连接。您的 technical arsenal 中非常熟悉的工具（如非参数统计、高维渐近）无法直接应用于本工作的随机分析框架。目前暂不可做：核心机器（Lévy 过程、Malliavin 微积分、SDE 弱解理论）不在您的武器库中。若您未来希望了解随机过程在纵向因果推断中的噪声建模，可将其作为入门文献参考。

14. 10.3150/23-bej1715 · arXiv — Regularities and exponential ergodicity in entropy for SDEs driven by distribution dependent noise¶

作者: Xing Huang, Feng-Yu Wang
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 0/10 · novelty: new_theory
摘要: 本文研究分布依赖噪声（McKean-Vlasov）随机微分方程的正则性与遍历性。现有结果主要集中在分布自由噪声情形，本文通过引入噪声分解论证，在非退化和退化两种情况下建立了log-Harnack不等式和Bismut公式。作为应用，研究了熵意义下的指数遍历性。该工作属于随机分析领域，与统计推断核心兴趣（如因果推断、高维统计、U统计量等）无直接关联。对您而言，本文的技术工具（如噪声分解、熵遍历性）与您的统计计算或半参数理论方向交叠有限，不建议深入阅读。
关键技术: log-Harnack inequality, Bismut formula, noise decomposition argument, exponential ergodicity in entropy
为什么对您有用: 本文属于随机分析方向，与您的主要兴趣（因果推断、高维统计、U统计量、半参数理论等）不直接相关。虽然熵遍历性概念与信息论有微弱联系，但您在技术武器库中缺少SDE相关的随机分析工具（如Harnack不等式、Bismut公式），且本工作未涉及统计推断问题。因此，暂不可做，核心机器不在武器库中。

15. 10.3150/23-bej1716 · arXiv — Percolation threshold for metric graph loop soup¶

作者: Yinshan Chang, Hang Du, Xinyi Li
期刊/来源: Bernoulli
分类: vol 30 · issue 4
相关性 0/10 · novelty: new_theory
摘要: 该短注研究 metric graph loop soup 的渗流临界阈值。Loop soup 是连续时间随机环的集合，在瞬态度量图上具有簇结构。作者证明，对于一大类瞬态度量图（包括 Z^d, d≥3 等准传递图），渗流临界阈值恰好为 1/2。证明方法结合了随机游走击中概率和环的构造性质。该结果严格确定了此前仅有部分猜测或上界的阈值。对于统计物理中的环渗流模型有重要的理论贡献。虽然与研究者主要兴趣不直接相关，但作为精确阈值结果体现了几何概率的严格分析技术。
关键技术: Metric graph loop soup, Percolation threshold, Transient metric graphs, Quasi-transitive graphs, Random walk
为什么对您有用: 本文属于概率论基础方向，与研究者主要兴趣（因果推断、高维统计等）不直接相关。论文中严格的阈值分析展示了图论与随机游走方法的结合，可视为理论统计中随机模型分析的潜在素材，但武器库中暂无直接对应的工具（如涉及随机图渗流理论）。follow-up粗判：暂不可做，缺乏图渗流相关理论背景。

Maintained by 陈星宇 · Homepage · Source on GitHub