Bernoulli — Vol 31 Issue 2 · 2026-06-18¶

共 33 篇 · Bernoulli
目录核对 ✅ 33 篇全部抓到（对照 OpenAlex 33 篇）

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。

Bernoulli Vol 31 Issue 2 整体覆盖了高维随机矩阵与变量选择、非参数 / 半参数方法、假设检验、因果推断与潜变量模型、统计计算与数值方法五条主线。高维随机矩阵方向包括 High-dimensional variable selection with heterogeneous signals（精确支撑恢复的渐近分析）、Sharper dimension-free bounds on the Frobenius distance（协方差偏差的集中界）、Optimal spectral recovery of a planted vector（子空间谱恢复）与 Random line graphs（边属性网络的谱性质）。非参数 / 半参数方向论文最多，涵盖贝叶斯非参（Accuracy of Gaussian approximation、Bayesian inference for k-monotone densities）、函数型模型检验与估计（Adaptive model checking test for FLM、Adaptive estimation of irregular mean and covariance、Functional linear and single-index models）、球面深度（Angular halfspace depth）、保序条件律（Isotonic conditional laws）、协方差映射可微性（Generalized Hadamard differentiability of the copula mapping）以及正则性构造（Hölder regularity and roughness）等。假设检验主线包括多重检验（Multiple testing under negative dependence）、独立性检验（Nonparametric distribution-free test based on L1-norm）、变点检测（Change-point detection in low-rank VAR、Bayesian uncertainty quantification for multiple change points）以及协方差平稳性检验（Bootstrapped test of covariance stationarity）。因果推断仅有 Optimal transport and Wasserstein distances for causal models 与 Blessing of dependence（离散多二元潜变量模型可识别性）两篇，但紧密关联因果结构识别与潜变量推断。统计计算方向有加速蒙特卡洛（Speeding up Monte Carlo integration）、稀疏pooled data算法（Near-optimal algorithm for sparse pooled data）与MCMC可逆性（Reversibility of elliptical slice sampling）。

最突出的主线是非参数与半参数方法，该期围绕自适应估计、函数型数据与贝叶斯非参数三个子方向集中推进。Adaptive estimation of irregular mean and covariance 通过局部正则性估计实现自适应带宽选择，解决了未知Hölder指数下的最优速率，工具为局部多项式与 “先平滑再估计” 策略；Functional linear and single-index models 利用无穷维高斯Stein identity统一两种模型，在RKHS框架下允许指标误设，无需协方差算子交换性假设；Accuracy of Gaussian approximation 将后验高斯近似误差从通常的 $O(n^{-1/2})$ 改进至 $O(n^{-1})$，通过有效维度与惩罚极大似然估计的有限样本分析实现；Bayesian inference for k-monotone densities 得到接近minimax最优的后验收缩速率，并应用至p值密度建模。此外，Adaptive model checking test for FLM 通过残差子空间维度自适应选择检验统计量，推广了函数型模型设定检验。

高维随机矩阵是另一条突出主线，聚焦于信号恢复与协方差估计的精确渐近和sharp界。High-dimensional variable selection with heterogeneous signals 在异质信号下对比Best Subset Selection（BSS）与Marginal Screening（MS），发现MS几乎肯定失败，而BSS在信息论阈值之上一致；为解决计算问题提出两阶段算法ETS。Sharper dimension-free bounds on the Frobenius distance 利用effective rank与dimension-free集中不等式，将偏差方差界降低到 $O(\operatorname{Tr}(\Sigma^2)/n)$，避免维度d的直接依赖。Optimal spectral recovery of a planted vector 通过leave-one-out分析得到 $\ell_\infty$ error bound，在稀疏/ dense regime下给出精确恢复条件。这三篇从不同角度处理高维稀疏结构的推断极限，工具涵盖谱分解、集中不等式与信息论阈值。

假设检验主线则涉及多重检验、独立性检验与变点检测，其中 Multiple testing under negative dependence 填补了负相依p值理论空白，对Simes检验和BH程序给出不随假设数增长的反保守性上界，并引入负相依e-value；Nonparametric distribution-free test based on L1-norm 不设光滑假设，通过Poissonization实现零假设下渐近正态的分布自由性；Change-point detection in low-rank VAR 达到minimax最优检测边界，与高维时间序列低秩估计连接；Bayesian uncertainty quantification for multiple change points 同时构造置信球与结构检测，误差率与oracle匹配。

因果推断的 Optimal transport and Wasserstein distances for causal models 定义尊重因果图的G-最优输运距离，证明ATE的Lipschitz连续性及SCM参数扰动的偏差可控，并给出因果模型间的插值路径；Blessing of dependence 用代数几何刻画多二元潜变量模型的可识别性，揭示潜变量之间的相依性恰是识别关键，对近端因果推断的负对照变量有启发。

与因果推断方向最贴的是 Optimal transport and Wasserstein distances for causal models 与 Blessing of dependence；与半参数效率方向最贴的是 Accuracy of Gaussian approximation、Adaptive estimation of irregular mean and covariance、Functional linear and single-index models 以及 Generalized Hadamard differentiability of the copula mapping；与高维方向最贴的是 High-dimensional variable selection with heterogeneous signals、Sharper dimension-free bounds on the Frobenius distance、Optimal spectral recovery of a planted vector 以及 Multiple testing under negative dependence。

因果推断 (causal_inference, 2 篇)¶

1. 10.3150/24-bej1773 · arXiv — Optimal transport and Wasserstein distances for causal models¶

作者: Patrick Cheridito, Stephan Eckstein
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 9/10 · novelty: new_method
摘要: 本文在结构性因果模型（SCM）框架下引入了一类新的最优输运变体，称为G-因果最优输运，其中G为有向图。完全图恢复标准Wasserstein距离，线性图对应离散时间随机过程的因果最优输运，空图则关联CO-OT与Gromov-Wasserstein距离。作者给出了G-因果输运计划的充要特征，并定义了尊重图结构的G-因果Wasserstein距离。主要理论贡献包括：平均处理效应（ATE）关于该距离是Lipschitz连续的，且SCM参数的小扰动在该距离下偏差可控。此外，还基于该距离定义了因果模型之间的插值路径，并与标准Wasserstein插值进行了对比。该工作将输运几何与因果模型的结构紧密度量联系起来，为因果推断中的模型比较、敏感性分析和鲁棒性检验提供了新的理论工具，尤其适用于需要量化SCM差异的场景。
关键技术: optimal transport, Wasserstein distance, structural causal models, causal transport plan, graph-based metric
为什么对您有用: 直接关联您在因果推断中对SCM的兴趣，特别是模型差异的量化（敏感性分析、模型鲁棒性）——目前武器库中缺少这类几何工具。您可以用非参统计和估计理论中的连续性论证来推广其连续性结果（如ATE的Lipschitz常数与协变量分布的关系），或结合高维渐近分析探究高维SCM下该距离的收敛性质。目前对最优输运理论不熟悉，属于中期可做方向，需优先补齐OT基础（如Kantorovich对偶、熵正则化计算）。

2. 10.3150/24-bej1754 · arXiv — Blessing of dependence: Identifiability and geometry of discrete models with multiple binary latent variables¶

作者: Yuqi Gu
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 6/10 · novelty: new_theory
摘要: 本文研究离散潜变量模型的可识别性，重点关注带有多个二元潜变量的BLESS模型（测量图为星-森林结构）。作者利用代数几何技术，给出了模型参数可识别的充分必要图准则，揭示了“依赖的祝福”这一几何现象：在最小条件下，参数可识别当且仅当潜变量之间不是统计独立的。该结论意味着，潜变量之间的相依性反而是识别模型的关键。此外，针对边界情况，作者还提出了可识别性的形式假设检验方法，通过检验观察变量的边际独立性来判断模型是否可识别。本文还将这些结果扩展至更一般的测量图结构。这些理论为诊断测试或调查问卷的设计提供了理论依据，也对因果推断中涉及潜变量的识别问题（如近端因果推断的负对照变量）具有重要启发。
关键技术: graphical criteria for identifiability, algebraic geometry for latent variable models, star-forest measurement graph, binary latent variable models, hypothesis testing for model identifiability
为什么对您有用: 本文直接服务于您的主要兴趣——因果推断中的识别理论，特别是潜变量模型的识别，这与近端因果推断（Proximal CI）中的负对照变量设定高度相关。您的技术武器库中“identification theory in causal inference”为moderately_familiar，这意味着您需要先强化该子方向的理论直觉才能直接运用本文的图准则。中期内，您可尝试将本文的识别条件迁移至因果效应的非参数识别问题中，或结合更高阶U统计量检验潜变量独立性假设。

高维统计 / 随机矩阵 (high_dim_rmt, 4 篇)¶

1. 10.3150/24-bej1767 · arXiv — High-dimensional variable selection with heterogeneous signals: A precise asymptotic perspective¶

作者: Saptarshi Roy, Ambuj Tewari, Ziwei Zhu
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 9/10 · novelty: new_method
摘要: 在独立高斯设计的高维稀疏线性回归设定下，研究弱、稀疏且可能异质信号的精确支撑恢复（exact support recovery）问题。在样本量与稀疏度的特定 scaling 下，将最小信号强度固定在信息论最优速率，分析了 best subset selection (BSS) 与 marginal screening (MS) 的渐近选择精度。核心发现是：在异质信号存在时，MS 会以概率趋于 1 无法实现精确恢复，而 BSS 在最小信号强度超过信息论阈值时保持模型一致性。为克服 BSS 的计算不可行性，提出两阶段算法 ETS（Estimate Then Screen，含估计步与梯度坐标筛选步），证明 ETS 在相同 scaling 与信息论最优信号强度要求下同样达到模型一致性。对您可能有用：ETS 的精确渐近分析为高维 variable selection 提供了计算-统计权衡的具体刻画，直接连接到您对 high-dimensional asymptotics 与 computationally constrained statistics 的兴趣。
关键技术: exact support recovery, best subset selection, marginal screening, information-theoretic threshold, two-stage algorithm (ETS), precise asymptotics
为什么对您有用: 本文直接连接到您 primary interest 中的高维统计与 computationally constrained statistics：它明确刻画了 BSS（统计最优但计算不可行）与 MS（计算可行但统计失败）之间的 gap，并给出多项式时间算法 ETS 达到信息论阈值的 achievability 结果。用您 very_familiar 的 minimax bounds for estimation problems 与 high-dimensional asymptotics 武器，可以验证其信息论阈值是否紧、scaling 假设是否可放宽。Follow-up 粗判：立即可做——用 minimax / high-dim asymptotics 工具即可动手分析 ETS 在更一般设计矩阵或依赖结构下的 rate。

2. 10.3150/24-bej1787 · arXiv — Sharper dimension-free bounds on the Frobenius distance between sample covariance and its expectation¶

作者: Nikita Puchkin, Fedor Noskov, Vladimir Spokoiny
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 8/10 · novelty: sharper_rate
摘要: 在有限 n 个 i.i.d. 中心化 d 维随机样本设定下，研究样本协方差估计 Σ̂ 与真实协方差 Σ 的 Frobenius 范数偏差的 concentration 性质，关键假设为 Σ 具有中等大小的 effective rank 且随机向量满足适当的矩条件。核心结论是 ∥Σ̂ − Σ∥_F² 与其期望的偏差以压倒性概率被 O(Tr(Σ²)/n) 控制，这显著改进了现有文献中依赖维度 d 或对 effective rank 有更严苛要求的界。技术路径基于 dimension-free 的集中不等式与协方差矩阵的谱结构分解，避免了传统 RMT 中对 Marchenko-Pastur 分布的渐近依赖。主要理论结果在 moderate effective rank 下建立了 Frobenius 距离的 sharp concentration，对您在高维协方差估计的 minimax bound 与非参数 concentration 工具的交叉使用可能有用。
关键技术: dimension-free concentration inequality, Frobenius norm deviation bound, effective rank condition, spectral decomposition of covariance, sub-Gaussian/sub-exponential moment assumptions
为什么对您有用: 直接连接您 primary interest 中的高维统计与 minimax bounds：本文给出的 O(Tr(Σ²)/n) dimension-free Frobenius concentration 界，可作为您用 minimax bound 验证高维协方差估计 sharper rate 是否紧的基准工具。您 very_familiar 中的 minimax bounds for estimation problems 与 high-dimensional asymptotics 可直接攻本文的 rate tightness 验证口子——判断该界是否已达 minimax optimal。立即可做：用 very_familiar 的 minimax 理论验证该 Frobenius concentration rate 的 minimax 下界是否匹配，并检查 moderate effective rank 假设是否可进一步弱化。

3. 10.3150/24-bej1763 · arXiv — Optimal spectral recovery of a planted vector in a subspace¶

作者: Cheng Mao, Alexander S. Wein
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 7/10 · novelty: sharper_rate
摘要: 研究从 N 维空间的一个 n 维随机子空间中恢复一个 planted vector v 的估计与检测问题，核心假设是 v 的 ℓ4 范数偏离同 ℓ2 范数的 Gaussian vector（如 Bernoulli-Gaussian/Rademacher 稀疏向量）。对 Hopkins 等人提出的 spectral method 变体给出了更紧的分析，证明在 nρ≪√N regime 下可近似恢复 v，通过 leave-one-out 分析得到 ℓ∞ error bound，进而对 Bernoulli-Rademacher 情形 thresholding 可精确恢复（含 ρ=1 的 dense case）。在检测问题上，证明当 nρ≫√N 时，一大类 spectral method 及更一般的 low-degree polynomial 均失败，与恢复条件匹配，为 Bernoulli-Gaussian 情形的 polynomial-time hardness 提供证据。对您有用：本文清晰展示了统计阈值（nρ≈√N）与计算阈值（low-degree barrier）的 sharp gap，是理解 stat-comp tradeoff 的绝佳 gateway。
关键技术: spectral method with leave-one-out analysis, low-degree polynomial barrier, ℓ∞ error bound for spectral estimator, planted vector recovery, ℓ4 norm departure from Gaussianity, statistical-computational gap
为什么对您有用: 直接连接 stat-comp tradeoff 方向：本文以 planted vector recovery 为载体，精确刻画了统计阈值（nρ≈√N）与低阶多项式计算阈值的 sharp match，且 intro/定理陈述对外行友好，满足 gateway reading 的 (a)(b)(c) 标准。武器库中 high-dimensional asymptotics 与 minimax bounds 可直接用来审视其 ℓ∞ bound 的紧性；low-degree polynomial machinery 属 moderately_familiar，需先在此项上长肌肉才能跟进其 hardness 证明细节。中期可做：用 very_familiar 的 minimax 工具验证其声称的 sharper recovery rate 是否紧，或尝试用 higher-order U-stat/tensor contraction 视角分析其 spectral method 的计算代价。

4. 10.3150/24-bej1786 · arXiv — Random line graphs and edge-attributed network inference¶

作者: Zachary Lubberts, Avanti Athreya, Youngser Park, Carey E. Priebe
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 5/10 · novelty: new_method
摘要: 该论文将隐含位置随机图模型（latent position random graph）扩展至线图（line graph）上，其中线图的顶点对应原图的边，边连接原图中共享顶点的两条边。作者证明了线图谱的集中不等式，以及在特定设定下最大特征值和经验谱分布的极限分布。针对随机块模型（SBM），他们指出简单的谱分解可能无法提取边聚类的必要信号，但通过精心选择的投影可以恢复保持信号的奇异子空间，并一致估计边隐含位置。该方法利用线图自然整合顶点和边的信息，提升网络推断效果，包括边聚类和协变量推断。与张量分解等常用技术相比，模拟实验表明该方法有效。对于您而言，论文中的谱集中不等式、特征值极限分布等结果属于高维随机矩阵理论的核心内容，可加深对随机图谱性质的理解，特别是线图这一较少研究但具有应用潜力的结构。
关键技术: random line graph, stochastic blockmodel (SBM), spectral concentration inequalities, empirical spectral distribution, singular subspace recovery, edge latent position estimation
为什么对您有用: 本文直接关联您 primary interest 中的 'high-dimensional statistics (Random matrix theory)'，具体涉及随机图线图的谱分析（谱集中不等式、特征值极限分布）。您的 very_familiar 武器 'high-dimensional asymptotics' 和 'nonparametric statistics' 可以快速理解其光谱收敛性证明框架，属于立即可做的阅读范畴。此外，论文对线图信号子空间的 recovery 方法，可启发您 future work 中如何将随机矩阵工具应用于网络推断。

非参数 / 半参数 (nonparam_semipara, 12 篇)¶

1. 10.3150/21-bej1412 — Accuracy of Gaussian approximation for high-dimensional posterior distributions¶

作者: Vladimir Spokoiny, Maxim Panov
期刊/来源: Bernoulli
机构: National Research University Higher School of Economics · Weierstrass Institute for Applied Analysis and Stochastics · Mohamed bin Zayed University of Artificial Intelligence
分类: vol 31 · issue 2
相关性 9/10 · novelty: sharper_rate
摘要: 本文研究高维后验分布的高斯近似精度问题。在非参数模型与高斯先验的设定下，经典 Bernstein–von Mises 定理给出的近似误差通常为 O(n^{-1/2})，而本文通过限制在围绕惩罚极大似然估计 (pMLE) 的中心对称可信集类上，将近似误差改进至 O(n^{-1})。方法核心是非渐近的有限样本技术，利用有效维度 (effective dimension) 刻画参数空间的复杂度，并推导出后验收缩的最优界。作者将结果具体应用于非参数对数密度估计和广义回归模型。本文提供了后验分布高斯近似的更紧误差界，对高维非参数贝叶斯推断的理论基础有重要贡献。对于您而言，该文中的有限样本分析和有效维度概念可直接用于高维统计中的正则化方法研究，与您熟悉的 minimax 界技术相契合。
关键技术: Finite-sample posterior contraction bound, Effective dimension, Penalized maximum likelihood estimator, Gaussian approximation for posterior, Non-asymptotic BvM
为什么对您有用: 本文连接您的高维统计与非参数理论兴趣，特别是后验收缩的有限样本分析。您非常熟悉 minimax 界和非参数统计，可用后者验证本文中有效维度所对应的收缩率是否为最优。这是一篇中期可做的跟进阅读：需要先适度熟悉贝叶斯非参数后验收缩的文献（当前武器库中缺少此项），但一旦熟悉，即可将有限样本界方法迁移到您关注的因果推断中高维工具变量的适应估计问题。

2. 10.3150/24-bej1752 · arXiv — An adaptive model checking test for the functional linear model¶

作者: Enze Shi, Yi Liu, Ke Sun, Lingzhu Li, Linglong Kong
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 8/10 · novelty: new_method
摘要: 在函数线性模型（FLM）设定下，目标是检验模型是否正确设定（model checking），而非估计；关键假设涉及函数预测子的离散观测与残差子空间的维度选择。本文提出一种自适应检验，融合常规矩检验与条件矩检验，通过残差子空间的维度实现模型自适应。检验统计量在零假设下有 tractable 的卡方分布，在局部替代假设下（含 unvisited local alternatives）建立了渐近性质，并推导了样本量与网格点数之间的平衡关系以维持渐近理论。数据驱动的维度估计方法同时服务于充分降维。对您有用：该文将非参数检验与函数数据结合，其局部替代假设下的渐近分析可直接对接您在 nonparametric statistics 与 hypothesis testing 方向的理论储备。
关键技术: functional linear model, model checking test, moment-based test, conditional moment test, residual-based subspace, unvisited local alternatives
为什么对您有用: 本文直接连接到您 primary interest 中的 hypothesis testing 与 nonparametric statistics 子方向，特别是局部替代假设下的渐近功效分析这一经典主题。您武器库中 very_familiar 的 nonparametric statistics 与 minimax bounds 可直接用来审视该文声称的 power 优势是否达到 minimax optimal rate，以及网格点数与样本量的 tradeoff 是否可进一步收紧。立即可做：用您熟悉的 minimax 框架验证其局部替代假设下的 rate 是否紧，并探索该检验在更高维函数空间中的极限行为。

3. 10.3150/24-bej1759 · arXiv — Adaptive estimation of irregular mean and covariance functions¶

作者: Steven Golovkine, Nicolas Klutchnikoff, Valentin Patilea
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 8/10 · novelty: new_method
摘要: 在函数数据分析设定下，目标是估计不可微、未知局部正则性且带异方差测量误差的随机轨迹的均值与协方差函数，设计点可为随机或固定。核心机制是先利用函数数据的重复性与正则化特征构造局部正则性（局部Hölder指数）的简单估计量，再采用"先平滑再估计"策略，根据估计出的局部正则性自适应选择局部多项式/核平滑带宽。所得均值与协方差估计量适用于稀疏或密集采样曲线，计算与更新简便，无需预先指定光滑参数。理论上，该方法在未知正则性条件下实现了自适应收敛速率；模拟与真实数据验证了其有效性。对您可能有用：本文的自适应非参估计框架与局部正则性估计思路，可直接迁移至纵向因果推断中轨迹/协变量函数的半参建模环节。
⚠️ 摘要不完整，待重跑（python -m research_news.rerun）
关键技术: adaptive local polynomial smoothing, local Hölder regularity estimation, smoothing first then estimate paradigm, heteroscedastic measurement error, sparse and dense functional design
为什么对您有用: 本文直接连接到非参理论（primary）与纵向因果推断（primary）中的函数型协变量建模：局部正则性估计与自适应带宽选择可用于纵向数据中轨迹型混杂/中介变量的非参初步估计，为后续半参效率界计算提供基础。用 very_familiar 的非参统计与 minimax bound 工具即可验证其自适应速率是否达到 minimax-optimal，判断 sharper_rate 的声称是否紧。立即可做：用 minimax bound 框架检验其自适应收敛速率的最优性，或尝试将局部正则性估计嵌入纵向因果推断的 g-formula / proximal 框架中做 nuisance 估计。

4. 10.3150/24-bej1756 · arXiv — Theoretical properties of angular halfspace depth¶

作者: Stanislav Nagy, Petra Laketa
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 本文研究单位球面上方向数据的 angular halfspace depth (ahD) 的理论性质，这是经典 Tukey halfspace depth 在球面设定下的自然推广，目标 estimand 为球面上的深度中位数与中心区域（方向数据的分位数类比）。作者系统证明 ahD 满足统计深度函数的标准公理（单调性、仿射不变性等），并推导了方向中位数集合与中心区域的均匀连续性及一致性收敛结果。核心工具为球面上的半空间测度与拓扑连续性分析，收敛性质为经典 Glivenko-Cantelli 型的一致收敛。主要理论贡献填补了 ahD 自 1987 年提出以来长期缺乏的严格统计理论基础，为球面非参数推断提供了 depth-based 的秩与分位数框架。对您可能有用：若关注球面/流形上的非参数推断与一致性理论，本文提供了 depth 函数的公理化与收敛率分析的完整范例。
关键技术: angular halfspace depth, Tukey depth on sphere, depth function axioms, uniform consistency of directional medians, central regions for directional data, Glivenko-Cantelli type convergence
为什么对您有用: (1) 连接到非参数理论子方向——流形/球面上的 depth 函数公理与一致性分析；(2) 武器库中 very_familiar 的 nonparametric statistics 与 minimax bounds 可直接用来审视本文的一致性结果是否可进一步收紧为收敛率/minimax rate；(3) 立即可做：用 minimax 理论推导 ahD 中位数估计的收敛下界，验证本文一致性结果是否已达最优率。

5. 10.3150/24-bej1778 · arXiv — Bayesian inference for k-monotone densities with applications to multiple testing¶

作者: Kang Wang, Subhashis Ghosal
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 本文研究贝叶斯方法估计k-单调密度函数，该类函数包含递减（k=1）和凸递减（k=2）等形状限制。利用核混合表示，对混合分布赋予Dirichlet过程或有限混合先验，推导了后验分布关于Hellinger距离的收缩速率为(n/logn)^{-k/(2k+1)}，该速率达到参数模型的minimax最优（仅差一个对数因子）。当真实密度为有限J0成分混合时，收缩速率进一步提升至近参数速率sqrt(J0 log n / n)。作者进一步对k赋予先验，证明即使k未知也能获得相同的收缩率。论文将方法应用于大规模多重检验中p值密度建模，并通过模拟验证性能。该工作为形状限制密度估计提供了贝叶斯最优性理论，与您关注的非参数统计和假设检验（多重检验）直接相关。
关键技术: Dirichlet process mixture, posterior contraction rate, minimax optimal rate, k-monotone density, shape-restricted inference, multiple testing density estimation
为什么对您有用: （1）直接连接到非参数统计中形状限制密度估计的子方向，以及假设检验中多重检验的p值密度建模；（2）您可以使用very_familiar中的'nonparametric statistics'和'minimax bounds'武器来评估其收缩速率的最优性和证明的技术细节；（3）立即可做：凭借您对非参数统计和minimax界的熟悉，可深入阅读全文并评估其理论贡献在实际应用中的潜力。

6. 10.3150/24-bej1755 · arXiv — Functional linear and single-index models: A unified approach via Gaussian Stein identity¶

作者: Krishnakumar Balasubramanian, Hans-Georg Müller, Bharath K. Sriperumbudur
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 6/10 · novelty: new_theory
摘要: 在函数线性模型与函数单指标模型设定下，目标是估计线性系数函数与单指标方向，假设协变量为高斯过程且单指标模型无需指定 link function。核心方法利用无穷维高斯 Stein identity，证明基于 RKHS 的函数线性最小二乘估计量同时可作为单指标方向的估计量。理论分析刻画了两类估计量的收敛速率，关键优势在于：(i) 不要求协变量协方差算子与 RKHS 积分算子之间的交换性假设；(ii) 允许真实指标参数落在所选 RKHS 之外，从而量化了指标误设程度。若干已有结果可作为本文特例推出。对您有用：本文的无穷维 Stein identity + RKHS 误设分析框架，可直接迁移到 semiparametric efficiency 与 nonparametric theory 中处理 nuisance misspecification 的场景。
关键技术: Gaussian Stein identity, RKHS-based functional linear estimator, single-index model direction estimation, covariance operator non-commutativity, index misspecification quantification, convergence rate characterization
为什么对您有用: 直接连接 semiparametric & nonparametric theory 子方向：无穷维 Stein identity 提供了绕开 link function identification 的新路径，RKHS 误设下的收敛速率刻画与您熟悉的 minimax bound 工具直接对接。用 very_familiar 的 nonparametric statistics 与 minimax bounds 即可验证本文声称的速率是否紧，并可将 Stein identity 思路迁移到因果推断中处理 nuisance misspecification 的 semiparametric efficiency 问题——立即可做。

7. 10.3150/24-bej1777 · arXiv — Generalized Hadamard differentiability of the copula mapping and its applications¶

作者: Natalie Neumeyer, Marek Omelka
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 6/10 · novelty: weaker_assumption
摘要: 本文研究将联合累积分布函数映射到对应 copula 的 copula mapping 的广义 Hadamard 可微性，在比 van der Vaart & Wellner (1996) 及 Bücher & Volgusushev (2013) 更弱的正则性条件下建立结果。核心机制是利用广义 Hadamard 导数拓展 functional delta method 的适用范围，从而推导经验 copula 过程在存在协变量时的弱收敛与渐近展开。技术工具涉及广义 Hadamard 可微、functional delta method、经验过程弱收敛及半参数渐近展开。应用示例包括多维函数线性模型中误差向量 copula 描述给定函数协变量下分量间的依赖结构。对您可能有用：广义 Hadamard 可微为半参数效率界与 one-step estimator 的 influence function 计算提供了更灵活的 delta method 工具。
关键技术: generalized Hadamard differentiability, functional delta method, empirical copula process, weak convergence, asymptotic expansion, conditional copula
为什么对您有用: 本文直接连接到 semiparametric & nonparametric theory 子方向，广义 Hadamard 可微性是计算 semiparametric efficiency bound 和 influence function 时 functional delta method 的核心前提。您 very_familiar 的 nonparametric statistics 和 moderately_familiar 的 semiparametric theory / M-estimation theory 可以直接攻这篇 paper 的具体口子：验证其广义导数条件在您关心的 causal inference estimand（如依赖 copula 的 mediation/IV setting）下是否适用。Follow-up 粗判：立即可做——用 very_familiar 的 nonparametric statistics 和 moderately_familiar 的 semiparametric theory 即可展开阅读与验证。

8. 10.3150/24-bej1764 · arXiv — Isotonic conditional laws¶

作者: Sebastian Arnold, Johanna Ziegel
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 5/10 · novelty: new_theory
摘要: 本文提出保序条件律（ICL），在经典条件分布基础上增加目标变量与条件变量之间的保序（单调）约束，其存在性与唯一性基于给定 σ-格的条件期望理论构建。当经典条件分布本身已满足保序性时，ICL 退化为经典条件分布；否则 ICL 提供了在保序约束下的最优修正。统计视角下，ICL 等价于在连续分级概率分数（CRPS）等一大类评分规则下的期望分数最小化问题，且具有校准性质：相应的事件概率与分位数在所有相关评分函数下同时最优。作者还独立发展了给定 σ-格的一般条件泛函的新概念。对您可能有用：ICL 的 σ-格条件期望与保序约束为非参数/半参数单调回归及分位数估计提供了新的 identification 与优化视角。
关键技术: isotonic conditional laws, sigma-lattice conditional expectation, continuous ranked probability score (CRPS), expected score minimization, calibration invariance, conditional functionals
为什么对您有用: 本文连接到非参数理论中的单调回归与条件分布估计，其 σ-格条件期望工具为半参数/非参数约束下的 identification 提供了新框架。您武器库中 very_familiar 的 nonparametric statistics 与 minimax bounds 可直接用于分析 ICL 估计量的收敛速率与效率界，判断其相对于经典条件分布估计是否达到 sharper rate。立即可做：用 minimax bound 验证保序约束下 ICL 估计量的速率是否紧，并探索其与半参数效率理论的联系。

9. 10.3150/24-bej1783 · arXiv — Averaging symmetric positive-definite matrices on the space of eigen-decompositions¶

作者: Sungkyu Jung, Brian Rooks, David Groisser, Armin Schwartzman
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 在 Sym^+(p) 空间上，基于 scaling-rotation 几何框架定义了 SR mean set（关于 SR distance 的 Fréchet 均值集），旨在为随机椭球的缩放与旋转变化提供更清晰的几何解释。由于 SR 均值计算涉及困难优化，作者在特征值分解空间上定义了 PSR mean set 作为代理，其投影常与 SR 均值集重合且计算更易。在极小条件下证明了均值集非空，并给出了样本 PSR 均值在特定有限群作用下唯一的充分条件。理论上建立了样本 PSR 均值估计总体 PSR 均值集的强一致性及中心极限定理（CLT）。在脑影像 tensor-based morphometry 应用中，基于 PSR 均值的两组检验比传统 affine-invariant 框架下的检验有更高功效。对您有用：本文在非欧空间上的 Fréchet 均值估计与 CLT 理论，与您 semiparametric/nonparametric theory 中 M-estimation 及 influence function 的兴趣直接相关。
关键技术: Fréchet mean on non-Euclidean manifold, scaling-rotation distance, eigen-decomposition space, strong consistency, central limit theorem for M-estimator, affine-invariant geometry
为什么对您有用: 本文连接到您 semiparametric/nonparametric theory 中 M-estimation theory 的子方向，其非欧空间 Fréchet 均值的 CLT 可用您 moderately_familiar 的 M-estimation theory 与 influence function 工具分析其渐近效率与更高阶展开。follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，特别是非欧空间 M-estimator 的 influence function 与 higher-order expansion 推导，以验证其渐近效率是否可改进。

10. 10.3150/24-bej1761 · arXiv — Hölder regularity and roughness: Construction and examples¶

作者: Erhan Bayraktar, Purba Das, Donghan Kim
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 本文研究如何在有限区间上构造具有指定 Hölder 粗糙度与有限边际分布联合矩的随机过程。核心工具是将 Ciesielski 同构沿一般分割序列推广，从而用 Schauder 系数刻画函数的 Hölder 正则性。基于此刻画，作者提出了更优的 Hölder 指数路径估计器。进一步，他们构造了与（分数）布朗运动共享部分路径性质与边际矩的"伪造（分数）布朗运动"，这些过程属于非高斯族，在统计上极难与真实（分数）布朗运动区分。对您可能有用：该工作在非参数正则性估计与随机过程构造上提供了基于 Schauder 系数的精细刻画，可启发高维/半参数设定下粗糙路径的 minimax 估计问题。
⚠️ 摘要不完整，待重跑（python -m research_news.rerun）
关键技术: Ciesielski isomorphism, Schauder coefficients, Hölder regularity characterization, fake Brownian motion construction, pathwise Hölder exponent estimation
为什么对您有用: 本文连接到非参数统计中的 minimax 估计与正则性刻画子方向：用 very_familiar 的 minimax bounds 工具可以分析文中 Hölder 指数路径估计器的收敛率是否达到 minimax 最优；同时，伪造布朗运动的统计不可区分性直接触及假设检验子方向——用 moderately_familiar 的 M-estimation theory 可探索基于有限矩的区分检验的势函数分析。follow-up 粗判：中期可做——需先在 moderately_familiar 的 M-estimation / 假设检验理论上长肌肉，以建立伪造与真实过程区分的检验理论。

11. 10.3150/24-bej1775 · arXiv — Heat kernel estimates for kinetic SDEs with drifts being unbounded and in Kato’s class¶

作者: Chongyang Ren, Xicheng Zhang
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 1/10 · novelty: new_theory
摘要: 本文研究动能随机微分方程（kinetic SDE）在扩散系数 Hölder 连续、漂移项无界且属于 Kato 类条件下的弱解存在唯一性与转移密度估计。核心 estimand 是解的密度函数，关键 regularity 假设允许漂移项属于混合空间 $L^q_t L^{p_1}_{x_1} L^{p_2}_{x_2}$ 且满足临界指标 $rac{2}{q}+rac{d}{p_1}+rac{3d}{p_2}<1$。方法上通过参数化 Feynman-Kac 半群与热核展开技术，推导出密度的精确双侧估计（sharp two-sided estimates），并应用于 $\mathbb{R}^{dN}$ 上二阶奇异相互作用粒子系统的弱解适定性。对您可能有用：该混合空间临界指标与高维/非参数中的 minimax 估计指标条件形式相近，且相互作用粒子系统的适定性是高维渐近理论中粒子系统极限分析的常见前置条件。
关键技术: kinetic SDE, Kato class drift, sharp two-sided heat kernel estimates, mixed Lebesgue space critical index, Feynman-Kac semigroup, singular interacting particle system
为什么对您有用: 本文连接到非参数理论中 SDE 密度估计与热核估计这一子方向；您武器库中 minimax bounds 与 inverse problems with random noise 的经验可用来审视此密度双侧估计是否达到 minimax sharp rate。中期可做：需先在 moderately_familiar 的 M-estimation theory 上补充 Feynman-Kac 半群与参数化方法的长肌肉，才能切入此类 SDE 密度估计的 minimax 界问题。

12. 10.3150/23-bej1662 · arXiv — A Fourier representation of kernel Stein discrepancy with application to Goodness-of-Fit tests for measures on infinite dimensional Hilbert spaces¶

作者: George Wynne, Mikołaj J. Kasprzak, Andrew B. Duncan
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 0/10 · novelty: new_theory
摘要: 本文研究可分 Hilbert 空间（如函数型数据）上核 Stein 差异（KSD）的拟合优度检验问题，目标是在目标分布仅可计算未归一化密度（score function）的设定下，构建能区分任意不同分布的 discrepancy 度量。核心贡献是利用测度方程理论与核方法结合，推导出 KSD 的新型 Fourier 表示，将 Stein 算子与核的作用解耦，从而在无穷维空间中证明了 KSD 的分离性（separating property），确保其作为检验统计量的合法性。该 Fourier 表示同时提升了 KSD 的可解释性，并在合成数据实验中验证了对 Gaussian 与非 Gaussian 函数型模型的检验功效。对您可能有用：此 Fourier 解耦视角为无穷维空间中的 semiparametric / nonparametric 检验提供了新工具，可启发您在因果推断函数型数据设定下构造类似 Stein-based discrepancy。
关键技术: kernel Stein discrepancy, Fourier representation, separability in Hilbert spaces, measure equation theory, goodness-of-fit testing, functional data
为什么对您有用: 本文直接连接 nonparametric theory 子方向：在无穷维 Hilbert 空间中建立 KSD 的分离性与 Fourier 表示，是经典的 nonparametric 检验理论在函数型数据上的实质性推广。您武器库中的 nonparametric statistics 与 minimax bounds 可直接攻入本文的检验功效分析口子——例如用 minimax 理论验证该 KSD 检验在无穷维模型类上的 rate 是否紧。Follow-up 粗判：立即可做，用 very_familiar 的 nonparametric statistics 即可着手分析其 minimax power。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)¶

1. 10.3150/24-bej1768 · arXiv — Multiple testing under negative dependence¶

作者: Ziyu Chi, Aaditya Ramdas, Ruodu Wang
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 在多重检验设定下，本文系统研究了 p 值在多种负相依结构（负 Gauss 相依、负回归相依、负关联、负正交相依及弱负相依）下的理论性质，填补了此前文献仅关注独立、正相依或任意相依的空白。核心机制是对 Simes 全局零检验和 BH 程序在负相依下的反保守性给出定量上界，且该上界因子不随假设个数增长，远优于任意相依下的界。同时引入了负相依 e-value 的新结果，并列举了负相依在实践中的生成场景。证明初等且简短，易于扩展。对您有用：为高维假设检验中负相依场景提供 sharper rate 的上界，直接补充您在 mathematical statistics / hypothesis testing 方向的工具箱。
关键技术: Simes test, Benjamini-Hochberg procedure, negative regression dependence, negative association, e-value, anti-conservativeness bound
为什么对您有用: 直接连接您 primary interest 中的 hypothesis testing 子方向，为多重检验在负相依下的反保守性提供了不随假设数增长的 sharper rate 上界。您可用 very_familiar 的 minimax bounds 视角审视这些上界是否紧，或用 moderately_familiar 的 M-estimation theory 探索负相依下更一般的 M-type 多重检验程序。立即可做：用现有武器即可复现并尝试推广其初等证明。

2. 10.3150/24-bej1772 · arXiv — A nonparametric distribution-free test of independence among continuous random vectors based on L1-norm¶

作者: Nour-Eddine Berrahou, Salim Bouzebda, Lahcen Douge
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 在多维连续随机向量设定下，本文提出基于联合密度与边际密度乘积之 L1-距离的非参数分布自由独立性检验。核心 estimand 为 L1-范数度量的依赖强度，无需对底层 Lebesgue 密度 f(⋅) 施加任何光滑性 regularity 假设。方法上，作者借助 Poissonization 技术将固定样本量的检验统计量转化为随机样本量版本，从而建立零假设下的渐近正态逼近；关键发现是极限分布不依赖 f(⋅) 的具体形式，实现了真正的分布自由性。局部功效分析表明，检验对以 n^{-1/2}h_n^{-d/4} (d≥2) 速率收敛的局部替代假设具有非平凡功效。模拟研究显示该方法在多种场景下优于现有方法。对您可能有用：该检验的分布自由性与 Poissonization 技术为非参数假设检验与高阶 U-统计量理论提供了新视角。
关键技术: L1-distance density divergence, Poissonization technique, distribution-free asymptotic normality, local power analysis, kernel density estimation
为什么对您有用: 本文直接关联 hypothesis testing 与 nonparametric theory 子方向，其 Poissonization 技术与分布自由极限分布结果对非参数检验理论有实质推进。您可用 very_familiar 中的 minimax bounds 工具验证其局部替代假设速率是否紧，或用 moderately_familiar 的 higher-order U-statistics 理论审视该 L1-统计量的高阶投影结构。立即可做：用 minimax 理论与 U-统计量投影分析该检验的 optimality 与计算复杂度。

3. 10.3150/24-bej1760 · arXiv — Change-point detection in low-rank VAR processes¶

作者: Farida Enikeeva, Olga Klopp, Mathilde Rousselot
期刊/来源: Bernoulli
机构: Université de Poitiers · Laboratoire de Mathématiques et Applications · École Supérieure des Sciences Économiques et Commerciales · CY Cergy Paris Université
分类: vol 31 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文考虑低秩分段平稳VAR模型，在转移矩阵可能存在变点的设定下提出新的变点检测检验。假设观测过程为高维时间序列，转移矩阵具有低秩结构，且允许存在至多一个变点。方法分两步：首先构造过渡矩阵的估计量（利用低秩约束），然后基于这些估计量构造惩罚似然比检验统计量。理论结果表明，该检验在维度和样本量意义下达到minimax最优性，即检验的detection boundary被精确刻画。模拟实验验证了方法在有限样本下的有效性。该工作连接了高维时间序列中变点检测与低秩矩阵估计，对您可能有用的是：其minimax最优性分析可直接借用您熟悉的高维渐近和minimax bound技术，且变点检测在纵向因果推断中也常见（如干预效果的时序稳定性检验）。
关键技术: low-rank VAR, change-point detection, minimax optimal test, penalized likelihood ratio, piecewise stationary
为什么对您有用: 本文直接关联假设检验这一primary interest，具体为高维时间序列中的变点检验，并与您very_familiar的高维渐近和minimax bound强相关：您可以用现有的minimax技术验证其optimality的紧性，或将其扩展到更一般的因果推断纵向设定。判据：立即可做——核心武器（高维渐近、minimax bound）已在武器库中，无需额外工具即可跟进。

4. 10.3150/24-bej1766 — Bayesian uncertainty quantification and structure detection for multiple change points models¶

作者: Eduard Belitser, Subhashis Ghosal
期刊/来源: Bernoulli
机构: Vrije Universiteit Amsterdam · North Carolina State University
分类: vol 31 · issue 2
相关性 5/10 · novelty: new_theory
摘要: 针对长时间序列中的多个变化点检测问题，本文在贝叶斯框架下提出基于经验贝叶斯的后验推断方法。核心目标是构造一个最优尺寸的置信球，并同时实现变化点结构检测。方法上，推导了后验分布的集中不等式，并采用oracle方法局部量化估计误差，证明所提程序的估计误差与oracle率匹配，自动达到自适应minimax最优性。在变化最小幅度满足一定条件时，所有变化点以高概率被准确检测，同时给出下界证明该条件的必要性。结果是非渐近且稳健的：正态假设仅作为工作模型，真实分布可偏离正态。还扩展到Hilbert空间值参数，适用于多元或函数型数据的变化点问题。最后讨论了基于模拟退火的计算实现。该工作与假设检验子方向（多重变化点检测作为结构假设检验）直接相连，其中使用的minimax自适应分析技术与研究者熟悉的非参数minimax界技术高度兼容。
关键技术: empirical Bayes, concentration inequality, oracle rate, minimax adaptivity, simulated annealing
为什么对您有用: 本文涉及的多变化点检测本质上是一个结构化假设检验问题，与您对hypothesis testing的兴趣吻合。论文采用的oracle率和minimax自适应分析与您非常熟悉的minimax bounds for estimation problems工具有直接可迁移性——您可以用同样的框架评估变化点检测中的估计误差是否紧。但方法核心是贝叶斯而非频率学派，且变化点检测并非您的主攻方向，因此属于中期可做：需先在M-estimation theory（moderately_familiar）上加强对贝叶斯程序频率性质的理解，才能将这一oracle框架转化为您自己的估计问题。

5. 10.3150/24-bej1780 — A bootstrapped test of covariance stationarity based on orthonormal transformations¶

作者: Jonathan B. Hill, Tianqi Li
期刊/来源: Bernoulli
机构: University of North Carolina at Chapel Hill
分类: vol 31 · issue 2
相关性 4/10 · novelty: new_method
摘要: 在依赖且可能全局非平稳的时间序列设定下，本文提出一种协方差平稳性检验。核心 estimand 是子样本协方差与全样本协方差的偏差，null hypothesis 为协方差平稳（允许严格非平稳）。方法上，作者在 Jin 等 (2015) 的 Walsh 函数框架上推广至一般正交基（含 Haar 小波），并允许非线性过程与非 iid 新息。通过 bootstrap 绕开高维渐近协方差矩阵的估计与求逆，构造 max-correlation difference 统计量（对滞后 h 和子样本计数 k 取 max），实现了最大滞后 H_T 与计数 K_T 更高的可行增长率。理论证明该检验可检测方差突变及微弱、远期的非平稳偏离。对您可能有用：该 bootstrap + 正交基投影的检验构造为非参数假设检验提供了新思路，可直接对比 higher-order U-statistic 投影在不同基下的计算与功效。
关键技术: orthonormal basis projection, Haar wavelet, Walsh functions, bootstrap max-correlation test, covariance stationarity test, nonlinear time series
为什么对您有用: 本文直接连接 hypothesis_testing 子方向：用正交基投影构造非参数平稳性检验，绕开高维协方差矩阵求逆，属于非参数检验的新构造。technical_arsenal 中 very_familiar 的 nonparametric statistics 和 minimax bounds 可用于分析该 max-statistic 在不同基下的功效界与最优基选择问题；moderately_familiar 的 M-estimation theory 可切入其渐近性质推导。follow-up 判断：立即可做——用 very_familiar 的非参数 minimax 工具分析该检验在不同偏离类型下的检测功效下界，并对比正交基选择的影响。

统计计算 / 算法 (stat_computing, 3 篇)¶

1. 10.3150/24-bej1765 · arXiv — Speeding up Monte Carlo integration: Control neighbors for optimal convergence¶

作者: Rémi Leluc, François Portier, Johan Segers, Aigerim Zhuman
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文提出一种称为control neighbors的线性积分规则，用于在度量空间上加速Monte Carlo积分。其核心思想是利用最近邻估计作为控制变量，通过调整估计的偏差-方差权衡来降低积分误差。主要理论结果是对于Hölder光滑函数（正则性s∈(0,1]），积分估计达到O(n^{-1/2 - s/d})的收敛速度，其中n为样本量，d为维度，该速率优于标准Monte Carlo的n^{-1/2}，并且在某种意义下是最优的。技术关键包括最近邻回归的收敛性质、积分误差的方差分解，以及控制变量的线性组合。数值实验验证了复杂度界和估计器的良好表现。对您有用：该工作直接衔接统计计算中的数值积分方法，其控制变量思想可迁移至更一般的积分问题，同时您武器库中的minimax非参数理论可用于检验最优性的严格性。
关键技术: control variates, nearest neighbor estimation, Monte Carlo integration, optimal convergence rate, Hölder regularity
为什么对您有用: 本文直接解决统计计算中的数值积分加速问题，属于primary interest中的'statistical computing'子方向。武器库中的'minimax bounds for estimation problems'可用于验证该速率的最优性声明是否严格——由于您对非参数minimax理论非常熟悉，此项分析立即可做。此外，该方法在度量空间上的几何视角可能启发高维积分问题的进一步改进。

2. 10.3150/24-bej1784 · arXiv — On a near-optimal and efficient algorithm for the sparse pooled data problem¶

作者: Max Hahn-Klimroth, Remco van der Hofstad, Noela Müller, Connor Riddlesden
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 6/10 · novelty: new_method
摘要: 在稀疏 pooled data 问题中，给定 n 个项目与 d+1 个标签，目标是从池化测量中恢复真实标签向量 σ，其中非零项数 k ∼ n^θ (θ∈(0,1))。过去文献指出，信息论阈值与多项式时间算法可恢复阈值之间存在 ln n 阶的统计-计算间隙。本文提出名为 SCIENT 的高效算法，配合新型池化方案，在极接近信息论下界的池数上实现了高概率重构，从而证明该 ln n 间隙并非计算本质而是人为的。核心机制利用稀疏结构与组合池化设计，将推断问题转化为可高效求解的图/矩阵恢复问题。对您可能有用：此结果直接修正了 stat-computational gap 领域中一个经典问题的认知，为理解信息论与计算阈值间的间隙提供了具体反例。
关键技术: pooled data design, sparse signal recovery, information-theoretic threshold, statistical-computational gap, efficient algorithm design, combinatorial pooling scheme
为什么对您有用: 直接连接到 stat-computational tradeoff 方向：本文证明了一个此前被认为存在 ln n 阶计算间隙的问题实际上可被高效算法逼近信息论阈值，这对理解 average-case hardness 与低阶多项式下界有修正意义。用您 very_familiar 中的 minimax bounds 视角可审视其信息论下界的紧性，或用 higher-order U-stat / tensor contraction 的计算复杂度框架评估 SCIENT 算法的实际计算成本。判断：立即可做——用 minimax / 高维渐近工具验证其阈值声明的紧性，并可用 einsum 框架分析其池化推断的计算图。

3. 10.3150/24-bej1774 · arXiv — Reversibility of elliptical slice sampling revisited¶

作者: Mareike Hasenpflug, Viacheslav Telezhnikov, Daniel Rudolf
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 本文将椭圆切片采样（elliptic slice sampler）从有限维推广至可分 Hilbert 空间，并证明其在无穷维设定下的良定义性。核心 estimand 是目标分布的采样转移核，关键 regularity 假设涉及似然函数在 Hilbert 空间上的可测性与连续性。作者给出了可逆性（reversibility）的新证明，并证明该转移核诱导正半定 Markov 算子。证明的关键技术工具是对一个收缩 Markov 链（shrinkage Markov chain）的细致分析，该链本身具有独立的方法学价值。对您可能有用：若未来在无穷维逆问题或非参数贝叶斯后验采样中需要理论支撑，此可逆性证明与收缩链分析提供了严格的 Markov 链收敛工具。
关键技术: elliptic slice sampling, reversibility of Markov transition kernel, separable Hilbert space, positive semi-definite Markov operator, shrinkage Markov chain
为什么对您有用: 本文连接到统计计算与非参数理论子方向：无穷维空间上的 MCMC 算子可逆性是非参数贝叶斯后验采样理论的基础。用您 very_familiar 的'逆问题与随机噪声'工具，可以审视该椭圆切片采样在具体逆问题后验（如 Gauss--Wiener 先验 + 非高斯似然）中的实际收敛率与计算代价。follow-up 粗判：中期可做——需先在 moderately_familiar 的 M-estimation / semiparametric 理论上补充无穷维贝叶斯后验收缩率（posterior contraction rate）的分析肌肉，才能将此可逆性结果与后验收敛速度挂钩。

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 10.3150/24-bej1753 · arXiv — Functional diffusion driven stochastic volatility model¶

作者: Piotr Kokoszka, Neda Mohammadi, Haonan Wang, Shixuan Wang
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文提出一类函数型扩散驱动的随机波动模型，用于刻画日内价格曲线的跨日依赖与日内演化。模型将每日曲线标准化为函数空间中的平稳过程，类似于函数版日收益率；跨日依赖由潜变量自回归刻画，日内行为则由扩散过程建模。作者建立了模型概率性质，并提出了多种估计方法，包括基于增加曲线数与细化日内观测网格的渐近框架。证明了对日内波动率曲线估计的一致性速率以及潜自回归参数估计的渐近正态性。通过7000余只美国股票的日内价格曲线应用和模拟研究，展示了所提方法的实证表现。该工作属于经济金融领域的高频数据建模，与您次要兴趣中的经济理论应用方向相关。
关键技术: functional data analysis, stochastic volatility, latent autoregression, diffusion process, asymptotic normality, consistency rates
为什么对您有用: 本文属于经济理论（金融高频数据）的应用方向，您若想拓展函数型数据分析在经济中的应用可作为入门阅读。武器库中的非参数统计与估计理论可用于理解其渐近论证，但函数型数据与扩散过程建模不是您的核心工具，需适度补充。读全文的价值在于了解如何将时间序列曲线建模与潜变量框架结合，但与您主要兴趣方向（因果推断、U-统计量、效率理论）关联较弱。

其他 (other, 6 篇)¶

1. 10.3150/24-bej1779 · arXiv — Phase transitions of the maximum likelihood estimators in the p-spin Curie-Weiss model¶

作者: Somabha Mukherjee, Jaesung Son, Bhaswar B. Bhattacharya
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 8/10 · novelty: new_theory
摘要: 本文研究p-spin Curie-Weiss模型（p≥3）中逆温度和磁场两个参数的极大似然估计问题，基于单次观测。作者完整描述了MLE的渐近性质，发现参数空间存在一条临界曲线，在该曲线上MLE的极限分布是连续分量与离散分量的混合，混合成分数取决于p的奇偶性和参数符号。此外，存在特定“特殊点”，MLE出现超有效现象，收敛速率为N^{3/4}，极限分布为非高斯分布。利用这些结果，可在所有参数点上构造渐近有效的置信区间，这些结论补充了经典的2-spin结果。本文主要贡献在于揭示了高阶交互统计模型中MLE的非标准相变行为，与高阶U-统计或非标准推断有概念上的联系。
关键技术: Maximum likelihood estimation, Phase transition, Mixture limiting distribution, Superefficiency, p-spin Curie-Weiss model
为什么对您有用: 本文属于数学统计的渐近理论，直接关联研究者对‘数学统计与假设检验’的兴趣。其p-spin模型的高阶交互结构可与‘高阶U-统计’中的核概念进行类比，但该论文本身未涉及U-统计方法。从武器库看，可用‘高维渐近’工具理解相变描述，但核心推导依赖统计物理中的大偏差与Stein方法，当前武器库中缺少这些工具，因此暂不可做直接攻击。可作为扩展视野的gateway阅读。

2. 10.3150/24-bej1785 · arXiv — Heat content for Gaussian processes: Small-time asymptotic analysis¶

作者: Kei Kobayashi, Hyunchul Park
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 该论文研究了一般高斯过程在规则边界区域上的热含量（regular heat content）与谱热含量（spectral heat content）的小时间渐近行为。在一维与多维设定下，假设域边界满足一定光滑性条件，作者建立了精确的渐近展开式。对于谱热含量的热损失量，渐近速率函数由期望上确界过程给出；而对于正则热含量，渐近行为则由标准差函数刻画。方法上依赖于高斯过程的占位测度、反射原理以及势论工具。该工作丰富了随机热方程与Dirichlet型过程的理论，但对统计推断的直接影响有限。
关键技术: Gaussian processes, heat content asymptotics, expected supremum process, spectral heat content, small-time expansions
为什么对您有用: 本文属于概率论与随机过程的基础理论工作，与研究者主要兴趣（因果推断、高维统计、U-统计量等）无直接交集，但该文中关于高斯过程占位测度的渐近分析，可能间接为纵向因果推断中的时间依赖性建模（如连续时间因果模型）提供概率工具。目前研究者武器库中非常熟悉的高维渐近与非参理论尚不足以直接处理高斯随机场的热核问题，尚需补充随机过程占位测度与谱分解等知识，故暂时不可做。

3. 10.3150/24-bej1776 · arXiv — Brownian motion conditioned to spend limited time outside a bounded interval – an extreme example of entropic repulsion¶

作者: Frank Aurzada, Martin Kolb, Dominic T. Schickentanz
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 本文研究 $\mathbb{R}_{\ge 0}$ 上的布朗运动在约束总溢出时间不超过 $s>0$ 时的行为，证明该条件过程完全不离开有界区间，呈现极端的 entropic repulsion 现象。同时，对 $[0,T]$ 上布朗运动溢出时间不超过 $s$ 的概率，作者给出了 $T \to \infty$ 时的精确渐近表达式。核心工具涉及大偏差原理与条件过程（Doob h-transform）的轨道刻画。该结果是连续随机过程约束下的精细渐近分析，与因果推断、高维统计或半参数效率理论无直接交集。
关键技术: entropic repulsion, large deviation principle, Doob h-transform, conditioned Brownian motion, exact asymptotics
为什么对您有用: 本文属于连续时间随机过程的精细轨道渐近分析，与您 primary interests 中的离散/高维/半参数统计理论无直接关联。您武器库中的 minimax bounds 与 U-statistics 理论无法切入此概率论问题。核心机器（大偏差、Doob h-transform）不在您的武器库中，且该方向与您关注的应用与理论问题距离较远。暂不可做：核心概率工具缺失，且主题不对接现有研究方向。

4. 10.3150/24-bej1771 · arXiv — Siblings in d-dimensional nearest neighbour trees¶

作者: Jérôme Casse
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 1/10 · novelty: new_theory
摘要: 在d维球面上均匀点序列的最近邻树中，本文研究兄弟节点数（共享同一父节点的子节点数）的均值如何依赖于维度d。通过树的局部极限与高维球中两球交集体积的精细计算，推导出均值的积分表达式。d=1时获得闭式1+ln2；当d→∞时均值以指数速率（√3/2）收敛到2。关键技术包括局部极限和球交界的非平凡上界估计。本文为纯概率论结果，对统计推断方向的直接帮助有限，但高维球几何的估计技巧可能为高维统计中的边界问题提供启发。对研究者而言，核心工具不在当前武器库中，暂不可做。
关键技术: nearest neighbour tree, local limit of trees, intersection of balls in high dimension, exponential convergence rate, random recursive tree (comparison)
为什么对您有用: 本文属于高维几何概率，与研究者主要兴趣（因果推断、高维统计推断、半参理论等）无直接交汇。技术武器库中'高维渐近'可用于理解极限收敛速率，但核心球交集精细积分技巧不在武器库内，且该结果本身为树结构性质，对统计方法迁移价值有限。建议暂不可做，阅读优先级低。

5. 10.3150/24-bej1770 · arXiv — Extremal shot noise processes and random cutout sets¶

作者: Clément Foucart, Linglong Yuan
期刊/来源: Bernoulli
机构: Laboratoire Analyse, Géométrie et Applications · University of Liverpool
分类: vol 31 · issue 2
相关性 1/10 · novelty: minor
摘要: 本文研究一类称为极值散粒噪声过程（extremal shot noise processes）的锯齿马尔可夫过程的基本性质，包括暂留性、返回性、首次通过时间以及零集的结构。该过程的零集与Mandelbrot的随机切割集（random cutout sets）一一对应：随机切割集由正半轴上的泊松随机覆盖区间构造而成。基于这一概率联系，作者给出了Fitzsimmons-Fristedt-Shepp定理的一个新证明，该定理完整刻画了随机切割集的分布特征。方法上主要使用泊松点过程与马尔可夫链的耦合技巧，并结合极值理论中的上鞅方法。主要结果揭示了零集的分形结构以及散粒噪声过程路径的渐近行为。对您而言，本文属于纯概率论理论工作，与因果推断、高维统计、U统计量等主要方向无直接联系。
关键技术: Shot noise processes, Random cutout sets, Poisson random covering intervals, Sawtooth Markov processes, Fitzsimmons-Fristedt-Shepp theorem, Coupling of Poisson process and Markov chain
为什么对您有用: 本论文属于随机过程和测度论概率论，与您的主要兴趣（因果推断、高维统计、U统计量、半参理论）及次要兴趣均无直接重叠。您非常熟悉的工具（非参统计、极小极大界、高维渐近等）和中等熟悉的工具（U统计量理论、半参理论）均不适用于本论文中的马尔可夫链与泊松点过程耦合分析。因此暂不可做，因为核心机器（点过程理论、随机游动与马尔可夫链的暂留性判别）不在当前武器库中。

6. 10.3150/24-bej1769 · arXiv — Stochastic selection problem for a Stratonovich SDE with power non-linearity¶

作者: Ilya Pavlyukevich, Georgiy Shevchenko
期刊/来源: Bernoulli
分类: vol 31 · issue 2
相关性 1/10 · novelty: new_theory
摘要: 本文研究带幂次非线性的 Stratonovich SDE $dX=|X|^\alpha \circ dB$（$\alpha\in(0,1)$）在添加小外部加性噪声 $\varepsilon W$ 后如何恢复解的唯一性。该 SDE 在无外部噪声时存在一族强 Markov 解（由 skew Brownian motion 参数 $\theta$ 刻画），添加 $\varepsilon W$ 后随机选取问题（stochastic selection）唯一确定解。当 $\varepsilon\to 0$ 时，极限收敛至物理对称情形 $\theta=0$ 对应的异质扩散。核心工具为 skew Brownian motion 的精细构造与 SDE 极限理论。该结果属于随机分析中 SDE 解的唯一性与选取问题，与因果推断或高维统计等方向无直接交集。
关键技术: Stratonovich SDE, skew Brownian motion, stochastic selection problem, singular diffusion limit, strong Markov solutions
为什么对您有用: 本文属于纯随机分析领域，研究奇异 SDE 的多解性与噪声选取机制，与您关注的 causal inference、高维 RMT、semiparametric efficiency 等核心方向无交集，武器库中的 minimax bounds 或 higher-order U-statistics 亦无法切入此问题。属于暂不可做：核心机器（精细随机分析 / SDE 极限理论）不在武器库中，且主题偏离主要兴趣，不建议展开阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub