Bernoulli — Vol 32 Issue 2 · 2026-06-18¶

共 34 篇 · Bernoulli
目录核对 ⚠️ 疑似漏 1 篇（对照 OpenAlex 34 篇）：10.3150/25-bej1885

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Bernoulli第32卷第2期围绕两条核心线索展开：一是半参数效率与因果识别（部分线性模型的BvM定理、高维与无穷维泛函估计、误分类响应的半参数纠偏、过程图的因果推断）；二是高维假设检验与随机矩阵理论（高维计数数据的自适应检验、球面均匀性检验的统一框架、高维二值数据多重检验的FDR控制、spiked协方差模型的特征向量极限与谱断点检测）。此外，在线推断原则、离散空间MCMC、非参数贝叶斯方法与函数数据分析等也贡献了多篇作品，但上述两条主线对统计/因果研究者最为集中。

在半参数效率与因果识别方面，Parametrization, prior independence, and the semiparametric Bernstein-von Mises theorem for the partially linear model 通过可重参数化绕过prior invariance条件，在均匀小波级数与Matérn GP先验下建立了后验收缩；Functional estimation in high-dimensional and infinite-dimensional models 利用样本分裂与泰勒展开，统一了高维/无穷维光滑泛函的最优速率与半参数有效性，可直接关联因果推断中的目标参数效率界；Addressing both variable selection and misclassified responses with parametric and semiparametric methods 在半参数框架下结合正则化证明了oracle property，为处理错误测量结局提供了识别路径；Causal inference on process graphs 将图因果识别扩展至频域，基于谱密度的代数约束实现了滞后/瞬时效应的有理可识别。这组工作共同推进了半参数效率理论在复杂数据（高维、依赖、错误测量）下的适用边界。

高维假设检验与随机矩阵方面，Locally sharp goodness-of-fit testing in sup norm for high-dimensional counts 揭示了局部极小极大分离率由null分布类别衰减决定，并用样本最大值构造检验的上界；A general maximal projection approach to uniformity testing on the hypersphere 以最大投影统一了Rayleigh与Bingham检验，首次导出局部Bahadur效率；Empirical Bayes large-scale multiple testing for high-dimensional binary outcome data 通过spike-and-slab后验实现了uniform FDR控制，填补了高维二值数据的理论空白；The asymptotic properties of the extreme eigenvectors of high-dimensional generalized spiked covariance models 去除了block diagonal假设，给出了特征向量投影的正态极限；Detecting spectral breaks in spiked covariance models 建立了spiked特征值随机过程的弱收敛，为协方差结构突变提供了检验统计量。这些结果在高维数据推断中具有直接的方法论价值。

与因果推断最贴近的论文包括Causal inference on process graphs、Functional estimation、Misclassified responses；半参数效率理论方面Parametrization and prior independence为首要参考；高维方向可优先阅读Locally sharp goodness-of-fit、Empirical Bayes multiple testing以及Extreme eigenvectors论文。

因果推断 (causal_inference, 1 篇)¶

1. 10.3150/25-bej1909 · arXiv — Causal inference on process graphs: Causal structure and effect identification¶

作者: Nicolas-Domenic Reiter, Jonas Wahl, Andreas Gerhardus, Jakob Runge
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文在结构向量自回归（SVAR）过程的框架下，研究通过频域谱密度进行因果结构发现和因果效应识别的问题。SVAR过程描述了离散时间点上的变量间的滞后和瞬时因果效应，其定性因果结构可由有向过程图表示。作者证明，过程图的d-分离和t-分离信息可以由谱密度上的代数约束一般性地刻画。进一步，作者提出频域因果效应的有理可识别性（rational identifiability）概念，并基于过程图上的潜在因子half-trek准则，判断受到外生潜在变量混淆的因果效应是否可以通过谱密度矩阵的有理运算识别。这一工作将图模型的识别理论从时域扩展到频域，并给出了可操作的条件。对您而言，文中关于时间序列因果识别的图准则和有理运算技术，可与您已有的因果识别理论（moderately_familiar）和SVAR应用方向紧密结合。
关键技术: Structural vector autoregressive (SVAR), process graph, spectral density, d-separation and t-separation, rational identifiability, latent factor half-trek criterion
为什么对您有用: 本文直接切入因果推断中的时间序列识别问题，利用谱密度和过程图给出了新的识别条件，连接您的causal inference子方向（identification, longitudinal）。您moderately_familiar的identification theory in causal inference是理解并扩展本文rational identifiability概念的关键工具，但频域分析尚未进入您的武器库，因此是中期可做——需先在identification theory in causal inference上深化关于全频域图模型的知识。论文本身提供了清晰的图准则和代数操作，可作为跟进频域因果推断的入门材料。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.3150/25-bej1924 · arXiv — The asymptotic properties of the extreme eigenvectors of high-dimensional generalized spiked covariance models¶

作者: Zhangni Pu, Xiaozhuo Zhang, Jiang Hu, Zhidong Bai
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 9/10 · novelty: new_theory
摘要: 在高维 generalized spiked covariance model 设定下（p/n → c > 0），本文研究样本协方差矩阵极端特征向量的渐近性质，目标 estimand 为特征向量在特定子空间上的投影及其极限分布。作者去掉了种群协方差矩阵 block diagonal 结构的强假设，且不要求 spiked eigenvalues 或 4th moment 有界。核心机制利用随机矩阵理论（RMT）与 Stieltjes 变换，推导出极端特征向量投影的收敛性与极限正态分布，技术路线在 spiked 与 nonspiked eigenvalues 差异巨大时依然稳健。最后基于此极限分布构造了协方差矩阵特征空间假设检验的检验统计量。对您有用：直接推进了 RMT 在高维协方差结构推断中的应用，且其特征空间检验问题与您 hypothesis testing 方向高度交汇。
关键技术: generalized spiked covariance model, random matrix theory, Stieltjes transform, eigenvector projection convergence, limiting distribution of extreme eigenvectors, hypothesis testing for eigenspaces
为什么对您有用: 本文直接连接您 primary interest 中的 high-dimensional statistics (Random matrix theory) 与 mathematical statistics (hypothesis testing) 两个子方向。您 technical_arsenal 中的 high-dimensional asymptotics 可直接用来审视其 p/n → c 下的极限分布推导，而 minimax bounds 视角可用来评估其特征空间检验统计量的 power 是否达到最优率。Follow-up 判断：立即可做——用 very_familiar 的高维渐近工具即可复现其极限分布结果，并可进一步探讨该检验在更一般 moment 条件下的 robustness。

2. 10.3150/25-bej1900 · arXiv — Detecting spectral breaks in spiked covariance models¶

作者: Nina Dörnemann, Debashis Paul
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 8/10 · novelty: new_theory
摘要: 本文在spiked协方差模型框架下，考虑高维序列协方差矩阵 $\mathbf{S}_{n,t}$ 的最大特征值过程，其中 $\mathbf{S}_{n,t}$ 基于前 $\lfloor nt \rfloor$ 个独立同分布 p 维观测计算，协方差矩阵为固定秩扰动单位阵。当 $n,p$ 同步增长且 $p/n \to y \in (0,1)$ 时，对于超过相变阈值的种群特征值，建立了样本spiked特征值随机过程的弱收敛性。极限过程一般是非高斯的，论文给出了完整的刻画。作为应用，提出两类基于中心化spiked特征值的最大统计量，用于检测协方差结构突变（即spiked特征值幅度的变化）。证明了零假设下极限分布的存在性，并在固定备择下检验的一致性，通过模拟比较了检验表现。对您而言，本文在高维随机矩阵的极限理论上推进了一步，直接将spiked特征值的过程行为与变点检测联系起来，可用您熟悉的「高维渐近」工具理解并可能推广到更一般的协方差结构设置。
关键技术: spiked covariance model, sequential covariance matrices, weak convergence to non‑Gaussian process, phase transition threshold, change‑point detection via maximal statistics
为什么对您有用: 直接连接到高维统计与随机矩阵理论（primary interest），尤其是spiked模型中特征值相变与过程极限，是您熟悉的方向。您武器库中「高维渐近」可以立即用于验证本文极限结果在非i.i.d.观测或趋势结构下的稳健性，或探索是否能用更高阶U‑统计技巧分析变点检验的minimax最优性。判定为立即可做：您已有足够的渐近理论基础消化并延伸本文的检验框架。

非参数 / 半参数 (nonparam_semipara, 15 篇)¶

1. 10.3150/25-bej1917 · arXiv — Parametrization, prior independence, and the semiparametric Bernstein-von Mises theorem for the partially linear model¶

作者: Christopher D. Walker
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 9/10 · novelty: new_theory
摘要: 在部分线性回归模型（Y=Xβ+g(Z)+ε）下，本文研究低维参数β的半参数 Bernstein-von Mises (BvM) 定理，核心难点是未知 nuisance g 导致的信息损失会引发苛刻的 prior invariance 条件。作者提出一种 feasible reparametrization，将模型按半参数结构重写，使得对 β 与 g 赋予独立先验时，自动吸收了 nuisance 未知带来的信息损失，从而绕过 prior invariance 条件。理论证明在 uniform wavelet series priors 与 Matérn GP priors 下完成，后验分布的极限仍为 semiparametric efficient influence function 对应的 Gaussian。这对您有用：直接推进了 semiparametric efficiency 与 Bayesian asymptotics 的交汇，为部分线性模型下 BvM 定理提供了更易操作的先验条件。
关键技术: semiparametric Bernstein-von Mises theorem, partially linear model, feasible reparametrization, prior invariance condition, wavelet series prior, Matérn Gaussian process prior
为什么对您有用: 直接连接 semiparametric efficiency 理论：本文的 feasible reparametrization 思路本质上把 efficient influence function 的结构嵌入模型参数化，绕开了经典 BvM 文献中因 nuisance 未知而需要的 prior invariance 条件。用您 very_familiar 的 semiparametric theory 与 moderately_familiar 的 HOIF 视角可以审视该重参数化是否可推广到更一般 nuisance 结构（如 proximal CI 的 negative-control 设定）。立即可做：用 very_familiar 的 estimation theory in causal inference 检验该重参数化在因果半参数模型（如 ATE 的部分线性结构）下是否同样绕过 prior invariance。

2. 10.3150/25-bej1882 · arXiv — Functional estimation in high-dimensional and infinite-dimensional models¶

作者: Vladimir Koltchinskii, Minghao Li
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 9/10 · novelty: new_theory
摘要: 本文研究在高维和无限维统计模型中对光滑泛函f(θ(P))的估计问题，其中θ(P)是概率测度P到Banach空间E的映射，f是光滑泛函。作者利用参数估计量̂θ_n及样本分裂技术，结合f的泰勒展开到适当阶数，构造了泛函的估计量T_f。在泛函光滑度s≥1下，导出了T_f的L_p误差的最优上界，依赖样本量n、参数复杂度（如维度）和光滑度s，并证明了渐近正态性与半参数有效性。示例涵盖高维线性模型（多中低维分量）、高维指数族和无穷维次高斯模型中协方差算子泛函的估计。该框架统一了泛函估计的最优速率理论，对您在高维统计和半参数效率方面的研究（尤其因果推断中目标参数的效率界）具有直接参考价值。
关键技术: Taylor expansion with sample splitting, smooth functional estimation, Lp error bounds, semiparametric efficiency, high-dimensional exponential families, operator functional estimation
为什么对您有用: 本文直接对应您 primary_interests 中的 'semiparametric and nonparametric theory' 与 'high-dimensional statistics' 下的泛函估计问题。您 technical_arsenal 中 very_familiar 的 'minimax bounds for estimation problems' 可立即用来验证文中上界是否紧（例如检查高维指数族例子），同时 'high-dimensional asymptotics' 工具可帮助理解其渐近正态性结果。结论：本文为立即可做——理论框架清晰，论证工具已在您的武器库中，可有效迁移至高维因果推断中目标参数（如 ATE 的平滑泛函）的效率分析。

3. 10.3150/25-bej1907 · arXiv — Addressing both variable selection and misclassified responses with parametric and semiparametric methods¶

作者: Hui Guo, Grace Y. Yi, Boyu Wang
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 8/10 · novelty: new_method
摘要: 在二分类设定下研究响应变量存在误分类时的变量选择问题，目标是在利用验证子数据修正测量误差的同时实现协变量的稀疏选择。提出参数与半参数两种方法：参数方法直接建模误分类机制，半参数方法则放宽对误差模型的分布假设以增强鲁棒性。通过合理选取惩罚函数与正则化参数，证明所得估计量具有 oracle property（即渐近上能识别真实稀疏模型并达到有效估计）。数值模拟验证了有限样本下变量选择与估计的有效性。对您可能有用：本文的半参数纠偏框架与 oracle property 证明路径，可为您在因果推断中处理错误测量结局（如 misclassified treatment/outcome）时的 identification 与 estimation 提供参考。
关键技术: response misclassification correction, semiparametric penalized likelihood, oracle property, validation subsample leveraging, SCAD / MCP penalty
为什么对您有用: 本文连接到因果推断中处理 misclassified response 的 identification 与 estimation 子方向，以及半参数理论中的 penalized M-estimation oracle property。您武器库中的 semiparametric theory 与 M-estimation theory（moderately_familiar）可以直接攻本文半参数部分的 likelihood 构造与 oracle 证明口子。中期可做：若想将此纠偏框架移植到因果推断的 misclassified treatment/outcome 场景并推导 influence function，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（特别是带 penalty 的 semiparametric M-estimator 的 influence function 推导）。

4. 10.3150/25-bej1887 · arXiv — Nonparametric logistic regression with deep learning¶

作者: Atsutomo Yara, Yoshikazu Terada
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文研究非参数逻辑回归中最大似然估计（NPMLE）的收敛性质。在非参数设定下，KL散度可能发散，导致传统超额风险分析困难；作者转而直接分析NPMLE在Hellinger距离下的收敛性，避免了KL散度的技术问题。方法核心是利用统一的M-估计理论推导NPMLE的收敛率，仅需较弱的正则性假设（如条件类概率的光滑性），无需对似然函数施加强全局条件。作为重要应用，作者将估计量参数化为全连接深度神经网络（DNN），并建立其收敛率，证明该速率接近非参数极小极大最优率。证明过程简洁、直接，不依赖复杂的实证过程工具。本文为非参数逻辑回归提供了理论扎实且计算可行的深度学习实现，适合您非参数统计和极小极大界的研究方向。
关键技术: nonparametric maximum likelihood estimator, Hellinger distance, deep neural networks, convergence rate, minimax optimal rate, M-estimation theory
为什么对您有用: 本文直接研究非参数逻辑回归的NPMLE在Hellinger距离下的收敛率，与您非参数统计理论（primary interest）高度契合。您掌握的极小极大界技术（very_familiar中的'minimax bounds for estimation problems'）可以用于验证本文所提速率的紧致性，或将其推广至其他非参数设定。属于立即可做：您对非参数统计和极小极大界非常熟悉，可快速理解论文框架，并可能将统一证明方法应用于您关注的其他非参数估计问题。

5. 10.3150/25-bej1925 · arXiv — Contraction rates and projection subspace estimation with Gaussian process priors in high dimension¶

作者: Elie Odin, François Bachoc, Agnès Lagnoux
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 本文研究高维贝叶斯非参数回归和密度估计中的降维问题。设定目标函数f定义于Rd单位球上，但仅依赖于一个d维子空间（d<d），d可随样本量n增长。使用重缩放的高斯过程先验后，经典结果（Tokdar 2011）表明当d固定时后验收缩率可达近minimax最优n^{-β/(2β+d*)}，但常数随d增长可能爆炸。本文结合Tokdar (2011)和Jiang (2021)的方法，推导了d增长的上界条件，在该条件下后验一致性依然成立且收缩率仍为minimax最优。进一步讨论了该增长条件的最优性，并提供了假设使得f的一致估计可推出子空间投影的一致估计。本文首次在高维（d增长）设定下系统分析了贝叶斯非参数方法的适应性和维数诅咒，结果对高维非参数统计和贝叶斯方法论具有直接参考价值。对您而言，这与您非常熟悉的高维非参数和minimax界技术高度相关，可立即将minimax界工具用于验证论文中速率条件的紧性。
关键技术: Gaussian process prior, posterior contraction rate, minimax-optimal rate, intrinsic dimension adaptation, subspace projection estimation
为什么对您有用: 本文连接您在高维非参数统计（interest子方向）和贝叶斯后验收缩率分析方面的兴趣。您非常熟悉的nonparametric statistics（minimax bounds）和high-dimensional asymptotics工具可直接用于分析本文中d增长条件的紧性及优化可能性，立即可做：用这些武器即可动手检验或扩展论文中最优生长速率的结论。

6. 10.3150/25-bej1899 — Monotone measure-transportation maps in Hilbert spaces, with statistical applications¶

作者: Alberto González-Sanz, Marc Hallin, Bodhisattva Sen
期刊/来源: Bernoulli
机构: Columbia University · Czech Academy of Sciences, Institute of Information Theory and Automation
分类: vol 32 · issue 2
相关性 6/10 · novelty: new_theory
摘要: 本文在可分 Hilbert 空间中建立了 McCann 单调测度保测映射的存在性与唯一性结果：在 P 不赋予 Lipschitz 超曲面质量的条件下，无需矩假设即可证明存在凸函数梯度 ∇ψ 将 P 推前至 Q；无限维情形下 P-a.e. 唯一性需附加 ψ 域边界 P-测度为零的条件（有限维或有界支撑时自动满足）。同时建立了传输映射在紧致正则集上的均匀收敛稳定性，由此导出了可分 Hilbert 空间中最优二次传输费用的中心极限定理。统计应用部分提出了 Hilbert 空间数据的 center-outward 秩与分位数，证明其具有分布无关性与最大辅助性，且分位数函数完全刻画原分布，这是非局部紧空间上首个满足这些性质的秩/分位数定义。对您而言，该 CLT 与稳定性结果为函数空间数据的非参数检验提供了严格渐近理论，直接补充了您在非参数/半参数理论方向的工具箱。
关键技术: McCann monotone measure-preserving map, optimal quadratic transport cost CLT, center-outward ranks and quantiles, Hilbert-space measure transportation, distribution-free maximal ancillarity, uniform convergence stability
为什么对您有用: 本文直接推进了非参数理论在无限维 Hilbert 空间中的核心问题（测度传输映射的存在唯一与渐近分布），属于您 primary interest 中 nonparametric / semiparametric theory 的硬核拓展。您武器库中 very_familiar 的 minimax bounds 与 high-dimensional asymptotics 可直接用于审视其传输费用 CLT 的收敛率是否达到最优，或探索该秩/分位数在半参数效率理论下的 bound。立即可做：用您熟悉的非参数/高维渐近工具验证其稳定性界与 CLT 的 rate sharpness，并可尝试将 center-outward 秩嵌入您 moderately_familiar 的 semiparametric theory 框架推导效率界。

7. 10.3150/25-bej1890 · arXiv — Nonparametric Bayesian intensity estimation for covariate-driven inhomogeneous point processes¶

作者: Matteo Giordano, Alisa Kirichenko, Judith Rousseau
期刊/来源: Bernoulli
机构: University of Turin · University of Warwick · University of Oxford · Université Paris Dauphine-PSL
分类: vol 32 · issue 2
相关性 6/10 · novelty: new_theory
摘要: 在 growing-domain 单次观测的协变量驱动非齐次 Poisson 点过程设定下，研究强度函数的非参数贝叶斯估计，目标是推导后验收缩速率。全局速率的条件借鉴经典 Bayesian nonparametrics 先验理论，结合 stationary process 的 concentration inequality 控制随机协变量依赖损失函数。局部速率则基于 Pólya tree prior 理论的最新进展，通过利用协变量诱导的随机几何构造 novel multivariate Pólya tree 实现。理论结果证明协变量结构允许跨远距离借信息，从而在全局与逐点损失下均达到最优后验收缩速率。对您可能有用：本文的 multivariate Pólya tree 随机几何构造与 concentration inequality 技术，可直接迁移到您熟悉的 nonparametric minimax 理论与 inverse problems with random noise 框架中。
关键技术: inhomogeneous Poisson point process, growing-domain asymptotics, posterior contraction rates, multivariate Pólya tree prior, covariate-induced random geometry, concentration inequality for stationary processes
为什么对您有用: 直接连接 nonparametric theory 子方向：本文在 growing-domain 点过程设定下推导最优后验收缩速率，与您 very_familiar 的 minimax bounds for estimation problems 形成贝叶斯-频率学派对照。您可用 minimax lower bound 技术验证其声称的速率是否紧，或用 moderately_familiar 的 M-estimation theory 构造频率学派对应估计量做对比。立即可做：用 very_familiar 的 minimax 理论验证速率紧性。

8. 10.3150/25-bej1914 — Covariance change point localisation and inference in fragmented functional data¶

作者: Gengyu Xue, Haotian Xu, Yi Yu
期刊/来源: Bernoulli
机构: University of Warwick
分类: vol 32 · issue 2
相关性 5/10 · novelty: new_theory
摘要: 在碎片化函数数据（每条曲线仅在随机短片段的离散格点上观测）设定下，目标是分段常数协方差函数的变点定位与推断。作者提出碎片化函数动态规划（FFDP）算法实现变点估计，证明其具有一致的变点定位收敛率；随后通过局部细化步骤，分别在跳跃量趋于零和固定两种渐近 regime 下推导出变点估计量的极限分布，这是碎片化函数数据文献中首次出现的推断结果。作为副产品，在包含变点的区间上给出了协方差函数估计的非渐近误差界，并在新颖可识别性条件下量化了片段内采样格点大小的影响。对您可能有用：本文的非渐近误差界与极限分布推导为函数数据变点推断提供了精细的 semiparametric / nonparametric 理论工具，可对比您熟悉的 minimax 理论与 M-estimation 理论。
关键技术: dynamic programming for change point localisation, local refinement for limiting distribution, non-asymptotic estimation error bound, fragmented functional data identifiability, piecewise constant covariance model
为什么对您有用: 本文连接到 nonparametric theory 与 M-estimation theory 子方向：其非渐近误差界与双 regime 极限分布推导，可用您 very_familiar 的 minimax bounds 工具审视其定位率是否可达 minimax 下界。Follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以将极限分布结果从协方差变点推广至均值/半参数结构变点。

9. 10.3150/25-bej1898 · arXiv — Stein’s method of moments on the sphere¶

作者: Adrian Fischer, Robert E. Gaunt, Yvik Swan
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 5/10 · novelty: new_method
摘要: 在 i.i.d. 设定下，本文针对球面上的三个经典分布（Fisher-Bingham、von Mises-Fisher、Watson）的参数估计问题，基于 Stein 特征化方法构造了新的矩型估计量。核心机制是利用球面分布的 Stein 方程与特征化条件，将参数识别转化为可显式计算的矩条件，从而绕开最大似然估计（MLE）与 score matching 的数值优化困难。所得估计量具有良好渐近性质（接近 semiparametric efficiency bound），且在模拟与手写数字球面潜表示的真实数据上表现出与 MLE 和 score matching 相当的竞争力。对您可能有用：本文将 Stein 方法与矩估计结合以逼近效率界的思路，可为 semiparametric efficiency 理论与非参数估计提供新的 estimator 构造视角。
关键技术: Stein characterization, moment-type estimator, von Mises-Fisher distribution, Fisher-Bingham distribution, asymptotic efficiency, score matching
为什么对您有用: 本文连接到 semiparametric/nonparametric theory 子方向，特别是效率理论：它展示了如何通过 Stein 特征化构造显式矩估计量并逼近 efficiency bound，这为理解非 MLE 路径下的 efficient estimation 提供了具体案例。用您 very_familiar 的 minimax bounds 与 estimation theory 可以直接分析这些 Stein-moment 估计量的效率损失率是否可进一步收紧。立即可做：用 very_familiar 的 minimax 与 estimation theory 工具验证其声称的 close-to-efficiency 是否在更一般球面模型下成立。

10. 10.3150/25-bej1901 · arXiv — Bernstein-type inequalities for Markov chains and Markov processes: A simple and robust proof¶

作者: De Huang, Xiangyuan Li
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 4/10 · novelty: weaker_assumption
摘要: 本文在一般（非可逆）离散时间 Markov 链设定下，建立新的 Bernstein 型偏差不等式，核心 regularity 假设为链满足 iterated Poincaré 不等式。方法采用初等证明路径，避免了现有文献对可逆性或谱隙的强依赖，仅通过迭代 Poincaré 条件逐层控制矩生成函数。结果可自然推广至连续时间 Markov 过程，且在放宽可逆性要求下仍保持经典 Bernstein 界的指数衰减率。对您可能有用：该不等式可直接作为您在因果推断（如 longitudinal/IV 的依赖数据 semiparametric estimator）或高维统计中建立 concentration 的工具。
关键技术: Bernstein-type deviation inequality, iterated Poincaré inequality, non-reversible Markov chain, moment generating function control, continuous-time Markov process
为什么对您有用: 本文直接连接到非参数统计与 semiparametric 理论中依赖数据的 concentration inequality 工具需求，特别是因果推断 longitudinal 设定下依赖样本的 estimator 收敛分析。您武器库中的 minimax bounds 与 M-estimation theory 可直接用此不等式为依赖数据下的 M-estimator 建立率；iterated Poincaré 条件的初等证明也便于软件实现与数值验证。立即可做：用 very_familiar 的 minimax/M-estimation 工具，将此不等式嵌入您熟悉的依赖数据 semiparametric estimator 的 influence function 分析中。

11. 10.3150/25-bej1920 — Robust functional data analysis: From sparse to dense designs¶

作者: Lingxuan Shao, Fang Yao
期刊/来源: Bernoulli
机构: Fudan University · Peking University
分类: vol 32 · issue 2
相关性 4/10 · novelty: new_method
摘要: 针对离散观测的功能数据，从稀疏到密集抽样设计，提出一套稳健功能数据分析框架。该框架适用于重尾、偏斜或污染分布的过程，核心包括基于M-估计的稳健功能均值（M-location）和稳健主成分分析降维方法。理论部分证明了由合并离散观测数据得到的稳健功能均值和特征函数估计的收敛速率，与非稳健版本相匹配。特征函数估计的速率随样本量增加而提高，为后续建模和分析提供了理论保障。本文方法无需假定数据来自特定分布族，拓展了功能数据方法的适用范围。对于非参数理论研究者，本文展示了如何在功能数据场景下实现稳健估计，且结果清晰可验证。
关键技术: robust functional mean (M-location), robust principal component analysis, discretely observed functional data, convergence rates for eigenfunctions, sparse to dense sampling designs, pooled data estimation
为什么对您有用: 本文直接关联您的非参数/半参数理论兴趣，特别是功能数据中的稳健估计方法。您非常熟悉的非参数统计工具（如核估计、收敛率分析）可直接用于理解并评判本文理论结果（如特征函数收敛速率的证明）。属于立即可做的阅读材料，无需额外准备技术背景。

12. 10.3150/25-bej1919 · arXiv — Optimal matching problem on the Boolean cube¶

作者: Shi Feng
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 4/10 · novelty: sharper_rate
摘要: 本文研究布尔立方体上随机经验测度与均匀分布之间的期望Wasserstein距离（1-阶最优传输距离）的上下界。在独立同分布样本假设下，利用傅里叶分析工具将经验特征函数与均匀特征函数的偏差转化为对偶范数的估计，并结合大偏差理论处理极端偏差事件。所得上界表明期望距离的收敛速度为O(n^{-1/2})量级（n为样本量），而下界给出相同的速率，证明该速率是紧的。主要技术贡献在于将傅里叶方法推广到离散高维空间，避免了连续情形下的光滑性要求。该结果对理解高维离散数据上的非参数收敛速度有直接意义。对您的非参数统计和高维渐近性兴趣有益，可用于评估基于Wasserstein距离的统计方法的极值行为。
关键技术: Fourier analysis, large deviations theory, Wasserstein distance, empirical measure, optimal transport
为什么对您有用: 本文研究高维离散空间（布尔立方体）上经验测度与均匀分布的Wasserstein距离，属于您的非参数统计与高维渐近性兴趣的交叉点。您非常熟悉minimax界和非参数收敛率，可直接验证本文上下界的紧致性，并对比已有结果。中期可考虑将该框架推广至其他离散结构（如图上的Wasserstein距离），这需要补齐图论或组合概率的模块（目前武器库中暂无此工具）。综上，立即可做。

13. 10.3150/25-bej1916 · arXiv — Decompounding under general mixing distributions¶

作者: Denis Belomestny, Ekaterina Morozova, Vladimir Panov
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 3/10 · novelty: weaker_assumption
摘要: 本文研究复合模型 X = ξ₁ + ⋯ + ξ_N 的分解问题（decompounding），目标是从 X 的观测样本中非参数地重建 i.i.d. 分量 ξ 的密度，假设计数变量 N 的分布已知但不限于泊松分布。方法上，利用特征函数变换构造 ξ 特征函数的估计，再通过傅里叶逆变换得到密度估计，并引入适当的正则化处理无限维逆问题。理论推导了密度估计的收敛速率，该速率依赖于 ξ 和 N 分布的光滑性条件，并利用极小极大下界技巧证明所提估计达到最优速率。模拟实验验证了方法在有限样本下的数值表现。本文属于非参数估计理论中经典的逆问题范畴，其极小极大分析框架与您擅长的非参数统计和极小极大界技术直接对接，可启发您将类似的最优性分析推广至其他复合模型或观测不完全的逆问题。
关键技术: characteristic function inversion, nonparametric density estimation, minimax optimal rates, Fourier deconvolution, compound distribution, regularized inversion
为什么对您有用: 本文直接连接您主要兴趣中的非参数统计与极小极大界：在复合模型的分解问题中推导了密度估计的最优收敛速率。您武器库中非常熟悉的 minimax bounds for estimation problems 和 nonparametric statistics 可直接用于验证本文所提速率的紧性，并尝试将分析框架扩展到其他复合结构（如泊松-伽马混合）。该项目属于立即可做：您现有的技术储备足以深入理解乃至复现核心理论结果，无需额外的概率工具。

14. 10.3150/25-bej1918 · arXiv — Estimating invertible processes in Hilbert spaces, with applications to functional ARMA processes¶

作者: Sebastian Kühnert, Gregory Rice, Alexander Aue
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 本文研究函数型时间序列可逆过程（如ARMA）的算子估计问题，在一般可分希尔伯特空间上提出了统一理论框架。现有仅针对特定ARMA模型有渐进误差界，缺乏一般性结果。作者推导了刻画可逆表示算子的弱一致和强一致估计量，在温和条件下（如算子光滑性、特征值衰减）得到显式渐进收敛速率。这些速率由算子核的平滑度和谱衰减速度决定，并覆盖了函数型MA、AR及任意阶ARMA模型。方法主要基于样本自协方差算子的谱分解和von Neumann一致化技巧。该工作为函数型时间序列的推断提供了可靠的理论基础，同时连接了无限维逆问题的核心估计思路。对于您而言，本文的算子谱估计与非参数收敛率分析，可直接用您熟悉的逆问题随机噪声和非参统计武器来理解和评估。
关键技术: functional ARMA, operator estimation, asymptotic error bounds, eigenvalue decay, causal linear processes, Hilbert space time series
为什么对您有用: 本文属于无限维算子估计问题，直接对接您“非参数统计”和“逆问题随机噪声”两个非常熟悉的兴趣子方向。论文推导的收敛率依赖特征值衰减和算子平滑性，正好是您处理逆问题时的核心武器；您可以立即可用这些工具复现或延伸其证明中的谱分析部分，无需额外学习成本。

15. 10.3150/25-bej1892 · arXiv — Probabilistic cellular automata with local transition matrices: Synchronization, ergodicity, and inference¶

作者: Erhan Bayraktar, Fei Lu, Mauro Maggioni, Ruoyu Wu, Sichen Yang
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 本文研究一类新型概率细胞自动机（有限状态、圆图上的局部交互 Markov 链）的动力学与统计推断，核心参数是局部转移矩阵。系统每个位点的下一状态分布由其邻域经验分布乘以该局部转移矩阵决定，作者给出了该矩阵使系统达到同步与遍历的充要条件。推断方面，针对多轨迹、单长轨迹及无轨迹信息的 ensemble 序列三种数据类型，提出了 novel least squares estimators。在可识别性条件下，证明了估计量的渐近正态性并给出了非渐近误差界。对您可能有用：局部交互 Markov 链的 least squares 估计与非渐近界分析，可视为空间依赖数据的 M-estimation 特例，与您 semiparametric / M-estimation 理论武器直接对接。
关键技术: probabilistic cellular automata, local transition matrix, least squares estimator, non-asymptotic bound, asymptotic normality, identifiability condition
为什么对您有用: (1) 连接到 M-estimation theory 与非渐近界这一 semiparametric / nonparametric 子方向，虽然模型是离散状态空间上的局部交互 Markov 链，但 least squares estimator 的渐近正态性与非渐近界证明路径是经典 M-estimation 的空间依赖数据延伸。(2) 您 technical_arsenal 中的 M-estimation theory（moderately_familiar）可直接攻这篇 paper 的 estimator 理论部分——特别是验证其非渐近界是否可用您熟悉的 minimax bound 视角收紧。(3) 中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉（空间依赖数据下的 empirical process / mixing condition 工具），才能严格审视其渐近正态性证明的 mixing 假设是否过强。

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

1. 10.3150/25-bej1911 · arXiv — Locally sharp goodness-of-fit testing in sup norm for high-dimensional counts¶

作者: Subhodh Kotekal, Julien Chhor, Chao Gao
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 9/10 · novelty: new_theory
摘要: 本文研究高维计数数据（Poisson 多类别与高维 multinomial）在 sup norm 下 goodness-of-fit 检验的局部极小极大分离率。目标是在 null 分布 $p_0$ 下，对 sup norm 距离为 $ ho$ 的 alternative 构造检验，关键 regularity 假设涉及 category rates 的衰减行为。核心发现是局部极小极大分离率由 null 分布 category rates 的精细衰减行为决定，呈现异质性；upper bound 通过基于 sample maximum 的检验获得，lower bound 则将原始 heteroskedastic null 归约为由 rate 衰减决定的 auxiliary homoskedastic null 来论证。在特定渐近设定下，本文进一步识别了 sharp constants。对您可能有用：该文将 minimax 理论与 sup norm 检验结合，展示了 null-dependent rate 的异质性结构，直接连接到 mathematical statistics 与 hypothesis testing 子方向。
关键技术: local minimax separation rate, sup norm goodness-of-fit testing, sample maximum statistic, heteroskedastic to homoskedastic reduction, sharp constant identification, high-dimensional multinomial/Poisson counts
为什么对您有用: 本文直接推进 mathematical statistics 中 hypothesis testing 的 minimax 理论，聚焦 sup norm 下的局部极小极大分离率与 sharp constants，这正是您 primary interest 中 minimax bounds 与 hypothesis testing 的交汇点。您武器库中 minimax bounds for estimation problems 的经验可直接迁移到检验问题的 rate 分析，而 moderately_familiar 中的 M-estimation theory 可用于理解其 null-dependent rate 的异质性结构。立即可做：用 very_familiar 的 minimax bound 工具审视其 lower bound 归约策略，并可尝试将 sample maximum 检验的思路拓展到其他 norm 或 U-statistic 检验设定。

2. 10.3150/25-bej1889 · arXiv — A general maximal projection approach to uniformity testing on the hypersphere¶

作者: Jaroslav I. Borodavka, Bruno Ebner
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 8/10 · novelty: new_theory
摘要: 在 $d$ 维单位超球面 $\mathcal{S}^{d-1}$ 上的均匀性检验设定下，本文提出基于最大投影（maximal projections）的统一框架，将经典的 Rayleigh 与 Bingham 检验纳入同一视角，并联系到多元偏度/峰度度量。核心机制是构造 Banach 空间值随机过程并利用其极限定理推导零假设下的极限分布，同时借助球谐函数（spherical harmonics）理论实现极限过程的模拟策略。在 contiguous 与 fixed alternatives 下证明了检验的一致性，并首次在球面均匀性检验中导出局部 Bahadur 效率（local Bahadur efficiency）陈述。Monte Carlo 模拟与月球大型陨石坑中心点数据的应用验证了理论结果。对您有用：本文的 Banach 空间值过程极限定理与 Bahadur 效率分析，直接连接到 hypothesis testing 与 nonparametric theory 的交叉。
关键技术: maximal projection, Banach space valued stochastic process limit theorem, spherical harmonics, local Bahadur efficiency, contiguous alternatives, uniformity testing on hypersphere
为什么对您有用: 直接连接到 hypothesis testing 与 nonparametric theory 子方向，特别是非参数均匀性检验的 Bahadur 效率与 Banach 空间值过程极限理论。technical_arsenal 中的 nonparametric statistics 与 minimax bounds 完全可以用来审视本文声称的 Bahadur 效率是否紧致，以及最大投影检验相对于其他非参数检验的 minimax 分离率。立即可做：用 very_familiar 的 minimax bounds 工具验证/比较其效率界。

3. 10.3150/25-bej1904 · arXiv — Empirical Bayes large-scale multiple testing for high-dimensional binary outcome data¶

作者: Yu-Chien Bo Ning
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 6/10 · novelty: new_theory
摘要: 在稀疏高维二值结果数据设定下，本文研究多重检验问题，目标是控制 FDR。提出基于 spike-and-slab 后验的 empirical Bayes 多重检验程序，发现使用默认共轭先验的 ℓ-value 程序会过度保守地估计 FDR。为此引入两种新程序以实现精确的 FDR 控制，并建立严格的 frequentist 理论结果，包括在稀疏假设下首次获得高维二值数据多重检验的 uniform FDR 控制。数值实验验证了有限样本下的理论结论。对您可能有用：本文将 spike-and-slab empirical Bayes 与高维二值数据的 uniform FDR 界结合，直接推进了您在 mathematical statistics 与 hypothesis testing 方向的兴趣。
关键技术: empirical Bayes multiple testing, spike-and-slab posterior, FDR control, ℓ-value procedure, uniform FDR bound, high-dimensional sparse binary data
为什么对您有用: 直接连接您 primary interest 中的 mathematical statistics (hypothesis testing) 子方向，特别是高维稀疏设定下的 FDR 控制。您 technical_arsenal 中的 minimax bounds for estimation problems 可用来审视本文声称的 uniform FDR 界是否紧，以及稀疏参数空间的复杂度如何影响界的形式。立即可做：用 very_familiar 的 minimax 理论工具验证其 uniform FDR bound 的紧性，并探索该 spike-and-slab EB 框架在其他高维离散数据设定下的推广。

统计计算 / 算法 (stat_computing, 3 篇)¶

1. 10.3150/25-bej1894 · arXiv — Principles of statistical inference in online problems¶

作者: Man Fung Leung, Kin Wai Chan
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文研究在线问题中长期方差估计面临的统计与计算效率困境。作者提出将核权重分解为二次型形式，并建立在线推断原则，以此刻画高效在线长期方差估计器的特征。基于这些原则导出的估计器在均方误差上均匀优于现有方法。文中还讨论了小批量更新、自动调参等实用增强，以适应高速流数据和最优参数选择。该方法被扩展到在线分位数回归、在线变点检测、MCMC收敛诊断和随机逼近等场景，显著提升了计算效率和有限样本统计性质。本文为在线推断提供了一套系统性的原则性框架，具有理论和实践双重价值。对您而言，该工作直接推进了统计计算（尤其是流数据算法）的方法论，可用于改进您因果推断软件中的在线版本。
关键技术: long-run variance estimation, kernel weight decomposition, online inference principles, mini-batch updates, stochastic approximation
为什么对您有用: 该论文聚焦在线长期方差估计的计算原则，属于统计计算（algorithm）方向的核心进展。研究者熟悉 nonparametric statistics（核方法）和 software development，可直接使用核权重分解的思想改进自身因果推断算法中的在线实现。中期可做：需先补充在线推断和流数据处理的文献，但这属于武器库中 moderately_familiar 的 estimation theory 的延伸，预计学习成本不高。

2. 10.3150/25-bej1912 · arXiv — Dimension-free relaxation times of informed MCMC samplers on discrete spaces¶

作者: Hyunwoong Chang, Quan Zhou
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 在高维离散参数空间（如贝叶斯模型选择）的 MCMC 采样设定下，目标是建立 informed Metropolis-Hastings 算法的 mixing time / relaxation time 界，关键假设基于高维统计理论且允许后验多峰。核心机制是两类独立技术：multicommodity flow 方法与 single-element drift condition 分析，后者给出略紧的 mixing time 界。证明了在满足特定统计条件时，该类 informed MH 的 relaxation time 可与问题维度无关（dimension-free），突破了传统随机游走 MH 在高维下的指数级收敛瓶颈。理论与数值示例覆盖多种离散参数空间统计问题。对您有用：将高维统计假设与 MCMC 收敛分析显式连接，为离散空间上的计算-统计权衡提供了可量化的入口。
关键技术: informed Metropolis-Hastings, multicommodity flow method, single-element drift condition, dimension-free relaxation time, Bayesian model selection, mixing time bounds
为什么对您有用: 直接连接 stat_computing 与 computational-constrained statistics 子方向：本文将高维统计假设（如后验集中性）转化为 MCMC 的 dimension-free 收敛条件，是 outsider 理解离散空间上信息-计算权衡的好入口。用 very_familiar 中的 minimax bounds / high-dimensional asymptotics 视角可审视其统计假设的紧性，但 multicommodity flow 与 drift condition 属于 Markov chain convergence 分析的专门工具，目前不在武器库中。中期可做：需先在 moderately_familiar 的 M-estimation / 高维渐近理论基础上，补充 Markov chain mixing time 分析（特别是 canonical path / conductance / drift 方法）的基础知识，才能深入评估其 dimension-free 条件是否可进一步放宽或推广到连续参数空间。

3. 10.3150/25-bej1891 · arXiv — Simulating conditioned diffusions on manifolds¶

作者: Marc Corstanje, Frank van der Meulen, Moritz Schauer, Stefan Sommer
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 2/10 · novelty: new_method
摘要: 本文研究流形上条件扩散过程的模拟问题，目标是在给定终端点 x_T 的条件下，构造流形 M 上带漂移 Brownian motion 的 Doob h-transform 过程，核心难点在于 h 函数通常无闭式解。作者将 Euclidean 空间中的 guided process 概念推广至流形，用流形上的热核（heat kernel）构造近似 h 函数，并证明了条件过程与 guided process 的测度等价性，给出了可计算的 Radon-Nikodym 导数。进一步，对与 M 微分同胚的流形 N，无需已知 N 上的热核即可构造 guided process。数值实验在环面与 Poincaré 盘上验证了模拟与基于离散观测的 Bayesian 参数估计。对您可能有用：若未来在流形约束的因果或逆问题中需要条件扩散采样，此文的 heat-kernel-guided 测度等价技术提供了可计算的 RN 导数框架。
关键技术: Doob h-transform, heat kernel on manifold, frame bundle construction, Radon-Nikodym derivative, diffeomorphic manifold transfer, Bayesian parameter estimation on manifold
为什么对您有用: 本文连接到统计计算与数值方法子方向，核心贡献是给出了流形上条件扩散模拟的可计算 RN 导数与测度等价证明，属于算法与数值方法层面的推进。您武器库中的逆问题与随机噪声经验可直接切入：RN 导数的可计算性本质上是一个带流形约束的逆问题采样方案，用 very_familiar 的逆问题视角可审视其 likelihood 构造的数值稳定性。中期可做：若要在流形上因果推断或 semiparametric 估计中实际使用此采样器，需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以建立流形约束下 M-estimator 的收敛性与效率界。

其他 (other, 10 篇)¶

1. 10.3150/25-bej1926 · arXiv — Tame sparse exponential random graphs¶

作者: Suman Chakraborty, Remco van der Hofstad, Frank den Hollander
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 3/10 · novelty: new_method
摘要: 本文研究稀疏二项随机图中包含大量三角形顶点数的概率的精确估计，给出该概率的对数到二阶的估计。基于此，提出一个指数随机图模型（exponential random graph model），通过调节单一参数可以高概率地实现任意给定的三角形顶点比例。推导了该模型下边数的大偏差原理，并作为副产品提出了参数的一致估计量。方法核心是利用大偏差技术和精确概率分析，结合随机图的结构性质。理论上给出了三角形计数尾概率的精细刻画，并建立了模型与参数估计的桥梁。该结果对理解稀疏网络中的高阶结构涌现有理论意义，但技术路线依赖大偏差和随机图理论，与研究者熟悉的高阶U-统计量计算复杂性（treewidth/einsum）有间接关联——三角形计数本身是三阶U-统计量，但本文不涉及计算效率分析。
关键技术: large deviation principle, exponential random graph model, sparse binomial random graph, consistent estimation, triangle count tail probability
为什么对您有用: 本文涉及三角形计数在稀疏随机图中的大偏差行为，属于随机图统计推断，与研究者高阶U-统计量的理论兴趣有间接联系（三角形计数是三阶U-统计量），但核心工具是大偏差而非U-统计量投影或树宽计算。武器库中非常熟悉的高阶U-统计量计算（treewidth/einsum）可尝试分析三角形计数的计算复杂性，但本文未涉及；目前暂不可做，因为需要掌握大偏差原理和随机图精细概率技术（不在武器库中）。

2. 10.3150/25-bej1897 · arXiv — Scaling limit for the cover time of the λ-biased random walk on a binary tree with λ<1¶

作者: David A. Croydon
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 本文研究深度为 n 的二叉树上 λ-偏向随机游走的覆盖时间（cover time），即遍历所有顶点所需时间的 n→∞ 分布极限。在 λ<1（偏向子节点）的设定下，作者证明覆盖时间的缩放极限可由一个定义在 Cantor 集（树的渐近边界）上的跳跃过程描述。核心技术工具依赖于连续时间 Markov 链的渐近分析、Cantor 集上的测度构造与跳跃过程的分布收敛。该结果补全了此前 λ≥1（偏向父节点）情形的已知结论，完成了全参数范围的极限刻画。对您而言，此文属于概率论极限定理，与因果推断或高维统计的常规设定无直接交集。
关键技术: lambda-biased random walk, cover time scaling limit, Cantor set boundary process, distributional convergence
为什么对您有用: 本文属于纯概率论（随机游走极限定理），不直接连接到您的 primary interests（因果、高维、半参数、效率界、U-统计量）或 secondary interests（天文、经济、流行病学）。虽然 Cantor 集上的跳跃过程在测度论上有美感，但无法用您武器库中的 minimax 界或 U-统计量张量收缩工具切入。暂不可做：核心机器（Markov 铱链的缩放极限与 Cantor 集边界过程构造）不在武器库中，且缺乏通向您研究方向的明确问题口子。

3. 10.3150/25-bej1895 · arXiv — Diffusion processes as Wasserstein gradient flows via stochastic control of the volatility matrix¶

作者: Bertram Tschiderer
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 本文研究一类在ℝⁿ上具有共同不变测度但波动矩阵不同的时间齐次扩散过程。首先证明，当波动矩阵为单位阵时，该过程的边际分布演化对应于二次Wasserstein空间中的熵梯度流，从而恢复了Jordan-Kinderlehrer-Otto关于Fokker-Planck方程的经典梯度流表述。进一步，当ℝⁿ赋予黎曼度量且波动矩阵恰好为该度量张量的逆时，扩散过程成为该度量诱导的Wasserstein空间中的梯度流。方法上，作者结合了扩散系数的随机控制与时间反转技术。这一结果与Lisini基于Ambrosio-Gigli-Savaré度量理论的结论以及Fathi通过大偏差途径的工作相互印证。对您而言，本文为扩散过程与最优传输理论之间的桥梁提供了更清晰的几何视角，尽管不与您的核心兴趣直接重叠，但可作为理解概率度量空间和非参数流形方法的补充阅读。
关键技术: Wasserstein gradient flow, entropy gradient flow, stochastic control of volatility, time-reversal techniques, Fokker–Planck equation, Riemannian geometry
为什么对您有用: 本文属于概率论与最优传输的交叉理论，与您的primary interests（因果推断、高维统计等）无直接联系。不过，扩散过程的梯度流结构是理解Langevin型采样算法收敛性的理论基础，而采样算法在高维统计和计算中至关重要。您的非参数统计和minimax bound知识可用于评估基于梯度流的估计量收敛速率，但本文不涉及具体统计推断。因此，这是一篇理论背景阅读，对您的直接研究影响有限。判为暂不可做——核心工具（Wasserstein几何、随机控制）不在您的技术武器库中，且不直接服务于您的研究问题。

4. 10.3150/25-bej1893 · arXiv — Moderate deviation principles for a reaction diffusion model in non-equilibrium¶

作者: Linjie Zhao
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 本文研究反应扩散模型的适度偏差原理，该模型由对称排他过程与Glauber动力学的叠加定义。过程从恒定密度的乘积测度（非平衡测度）出发，证明了重标度密度涨落场满足适度偏差原理。证明依赖于Jara和Menezes发展的主引理。该结果属于非平衡统计物理中大偏差理论的范畴，但所涉及的技术（如主引理、拟线性涨落分析）与统计力学中非平衡相变的数学刻画相关。本文对统计研究者而言，主要提供大偏差方法在相互作用粒子系统中的应用示例。与您的主要兴趣方向（因果推断、高维统计等）无直接技术交叉，但大偏差原理作为概率论核心工具，在统计假设检验的渐近理论中具有潜在联系。
关键技术: moderate deviation principle, hydrodynamic limit, symmetric exclusion process, Glauber dynamics, density fluctuation field
为什么对您有用: 本文属于概率论与统计物理的交叉领域，与您的首要兴趣方向（因果推断、高维统计、U-统计量）无直接技术关联。但大偏差原理是假设检验和渐近效率理论的基础工具之一，如果您对非平衡系统或统计力学的数学结构有通识兴趣，可作为扩展阅读。由于核心机器（主引理、粒子系统涨落分析）不在您的技术武库中，目前暂不可直接使用本文方法。

5. 10.3150/25-bej1886 · arXiv — Volatility and jump activity estimation in a stable Cox-Ingersoll-Ross model¶

作者: Elise Bayraktar, Emmanuelle Clément
期刊/来源: Bernoulli
机构: Centre National de la Recherche Scientifique · Université Paris-Est Créteil · Laboratoire d’Analyse et de Mathématiques Appliquées · Université Gustave Eiffel
分类: vol 32 · issue 2
相关性 2/10 · novelty: new_method
摘要: 本文考虑稳定CIR模型（由布朗运动和α稳定Lévy过程驱动）中波动率和跳跃活动参数的联合估计，其中跳跃活动参数α∈(1,2)。主要困难在于扩散成分与无限变差跳跃的叠加，导致传统估计方法失效。作者扩展了Mies(2020)的方法，基于高频观测数据构造了联合估计量，并证明了估计量在达到对数因子意义下是速率最优的。技术工具包括局部渐近正态性、极值理论以及跳跃过程的高频渐近性质。对于主要兴趣在因果推断和高维统计的研究者，本文的直接关联较弱，但其中处理复杂噪声叠加的统计策略可作为参考。若想拓展至金融时间序列的因果推断，本文的跳跃检测部分可作为基础，但目前核心概率工具（跳跃过程高频渐近）尚不在武器库中，暂不可直接复现。
关键技术: high-frequency observations, stable Lévy process, jump activity estimation, rate optimal estimation, parametric estimation under infinite variation jumps
为什么对您有用: 本文属于金融随机过程的高频参数估计，与研究者主要兴趣（因果推断、高维统计）直接关联有限。研究者技术库中的high-dimensional asymptotics和inverse problems与此处所需的跳跃过程高频渐近理论不完全匹配，短期内无法直接迁移。建议作为拓宽统计视野的参考资料，暂不深入。

6. 10.3150/25-bej1913 — Long time TV-Wℓ1 type propagation of chaos for mean field interacting particle system¶

作者: Xing Huang, Fen-Fen Yang, Chenggui Yuan
期刊/来源: Bernoulli
机构: Tianjin University · Shanghai University · Swansea University
分类: vol 32 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 本文研究 Lévy 噪声驱动的平均场相互作用粒子系统的长期传播混沌（propagation of chaos, PoC）问题，目标是在全变差距离（TV）和 L1-Wasserstein 距离（Wℓ1）下刻画 PoC 的长时间行为。作者通过耦合方法（coupling method）建立了一个一般性定理，并分别将其应用于布朗运动驱动和 α>1 稳定噪声驱动的相互作用粒子系统，其中非相互作用漂移假设为远距离耗散性。主要理论结果是获得了 TV-Wℓ1 型 PoC 的显式收敛速率，展示了正则化效应。该工作属于概率论与统计物理的交叉领域，技术核心是随机微分方程的耦合分析与距离估计。对您而言，这篇论文与您的主要兴趣方向（因果推断、高维统计、非参数理论等）无明显直接关联。
关键技术: Propagation of chaos, Coupling method, Total variation distance, Wasserstein distance, Lévy noise, Mean field interacting particle system
为什么对您有用: 该论文属于纯概率论与统计物理方向，未直接命中任何主要或次要兴趣子方向。武器库中的高阶 U 统计量树宽/张量收缩方法无法应用于该文的耦合分析。核心工具（随机微分方程的耦合技巧与 Lévy 过程分析）不在研究者当前技术范围内，因此暂不可做 follow-up 工作。

7. 10.3150/25-bej1883 · arXiv — Bernstein duality revisited: Frequency-dependent selection, coordinated mutation and opposing environments¶

作者: Fernando Cordero, Sebastian Hummel, Grégoire Véchambre
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 研究了一类含频率依赖选择、双向协调选择和个体/协调突变的 Λ-Wright-Fisher 过程的长期行为。主要工具是 Bernstein 对偶性，这是矩对偶性的一般化。引入对应的对偶过程并建立对偶关系。在无突变情形下，补充了先前使用矩对偶或 Siegmund 对偶等方法的分类结果，覆盖了双向选择这一用矩对偶难以分析的参数区域。在有突变情形下，建立了过程的遍历性质。该工作对种群遗传学中的随机过程理论提供了深入分析。
关键技术: Bernstein duality, Wright-Fisher processes, moment duality, ergodic properties, frequency-dependent selection
为什么对您有用: 该论文研究种群遗传学中随机过程的渐近行为，与您的主要研究兴趣（因果推断、高维统计、U-统计量等）无直接关联。属于纯概率理论工作，不涉及统计推断或计算-复杂度权衡等您熟悉的方向。可视为理论概率的拓展阅读，但短期内不具备方法学迁移的切入点。

8. 10.3150/25-bej1888 — A fractional stochastic differential equation with discontinuous diffusion driven by fBm with Hurst parameter less than 1∕2¶

作者: Johanna Garzón, Jorge A. León, Jorge Lozada, Soledad Torres
期刊/来源: Bernoulli
机构: Universidad Nacional de Colombia · Instituto Politécnico Nacional · Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional · University of Valparaíso
分类: vol 32 · issue 2
相关性 1/10 · novelty: new_theory
摘要: 该论文研究由分数布朗运动（fBm）驱动的随机微分方程，当Hurst参数H<1/2时，扩散系数允许不连续。作者扩展了León（2020）引入的Stratonovich积分定义，使之适用于H<1/2的情形。主要结果是证明了在适当条件下解的存在唯一性。技术工具包括分数布朗运动的路径性质、广义Stratonovich积分的逼近技巧以及固定点定理。该工作补充了此前仅覆盖H>1/2情形的已有结论。对于您的统计研究方向（因果推断、高维统计、U-统计量等），该论文不直接相关，但可为理解连续时间随机过程的建模提供背景参考。
关键技术: fractional Brownian motion, Stratonovich integral, discontinuous diffusion coefficient, existence and uniqueness, approximation of stochastic integrals
为什么对您有用: 该论文属于随机分析纯理论，与您的primary interests（因果推断、高维统计、U-统计量）及secondary interests（天体统计、经济理论、流行病学）均无直接关联。您的技术武器库中缺乏处理分数布朗运动和随机积分的工具，因此暂不可用于任何方向。该文仅在概率论领域有理论价值，对您的统计研究而言并非gateway reading。

9. 10.3150/25-bej1908 · arXiv — Multitype branching processes in random environments with not strictly positive expectation matrices¶

作者: Vilma Orgoványi, Károly Simon
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 1/10 · novelty: minor
摘要: 本文研究随机环境中多类型分支过程（MBPRE）的几乎必然存活概率，目标是在期望矩阵不满足严格正性条件时，建立类似于经典 Lyapunov 指数判别法的存活/灭绝结论。经典理论要求期望矩阵元素严格为正以保证乘积矩阵序列的遍历性与 Lyapunov 指数的良好定义；本文放宽了这一假设，处理了矩阵中存在零元素的情形。核心机制是利用随机矩阵乘积的 Lyapunov 指数符号来判定存活概率的正性，并针对非正矩阵结构发展了相应的遍历性论证。主要理论结果给出了非严格正期望矩阵下存活概率为正或零的判别条件，并将其应用于直线上重叠随机自相似集的 Lebesgue 测度正性分类。对您而言，本文属于随机矩阵乘积与 Lyapunov 指数的概率论分支，与您关注的 RMT 高维推断或因果推断设定无直接交集。
关键技术: multitype branching process in random environment, Lyapunov exponent of random matrix products, almost sure survival probability, non-strictly positive expectation matrices, random self-similar sets
为什么对您有用: 本文核心是随机矩阵乘积的 Lyapunov 指数在分支过程存活判别中的应用，属于概率论而非高维统计推断；与您 primary interest 中的 RMT（关注 Marchenko-Pastur 律、样本协方差矩阵极限谱与高维推断）场景和工具差异较大。您武器库中的 high-dimensional asymptotics 与 minimax bounds 无法直接攻入此概率论问题；若要深入此类随机矩阵乘积的遍历理论，需补充 Oseledets 多重遍历定理与随机矩阵乘积的 Furstenberg-Kesten 理论等概率工具（暂不可做：核心机器不在武器库里）。

10. 10.3150/25-bej1922 · arXiv — First contact percolation¶

作者: Benedikt Jahnel, Lukas Lüchtrath, Anh Duc Vu
期刊/来源: Bernoulli
分类: vol 32 · issue 2
相关性 0/10 · novelty: new_theory
摘要: 本文研究第一接触渗流（first contact percolation），是 ℤ^d 上第一通道渗流的一种变体。边上的随机通过时间被替换为接触时间，即 ℝ 上的随机闭集，感染可沿递增的接触时间序列传播。在平稳接触时间设定下，可建立与第一通道渗流的联系并导出形状定理。在反映日常模式的周期接触时间下，极限形状对日内接触分布具有普适性，并证明当日内接触数增加时接触过程趋于泊松分布。最后通过校准三个模型（均期望每日一次接触）比较极限速度，发现更少的随机性有利于感染传播。证明主要依赖耦合与亚遍历性论证。本文不涉及统计推断或数据分析方法，与您的研究方向无直接关联。
关键技术: first passage percolation, coupling, subergodicity, shape theorem, Poisson approximation
为什么对您有用: 本文属于概率论/随机过程领域，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接技术重叠。您的武器库（非参数统计、最小最大界等）不直接适用于此类空间随机模型。因此目前暂不可做，仅作为了解渗流理论变体的背景阅读，无需优先深入。

Maintained by 陈星宇 · Homepage · Source on GitHub