AoS — Vol 52 Issue 6 · 2026-06-20¶

共 18 篇 · Annals of Statistics
目录核对 ⚠️ 疑似漏 1 篇（对照 OpenAlex 19 篇）：10.1214/24-aos2452

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AoS Vol 52 Issue 6的18篇论文大致围绕四条主线展开：非参数回归与 minimax 效率（凸回归的次优性、随机线性恢复的精确 minimax 率、高维交互模型的去偏 DNN、四段分段回归的推断）；高维与随机矩阵（维度自由的ridge回归、张量因子模型的迭代投影、两向交叉混合效应模型的渐近理论）；假设检验与推断（模型自由的变量显著性测试、时间一致的序贯置信序列、基于树计数的网络相关性检验、不规则信号的变点分析）；以及统计计算与算法（张量回归的Riemannian优化、立体投影MCMC、非线性bandit的统计复杂度、贝叶斯偏斜模态近似）。多条线索反复触及“最优性间隙”的刻画——包括凸回归LSE与minimax之间的收敛率间隙、张量回归中过参数化消除统计-计算间隙、bandit中燃烧期的统计复杂度与最优算法间隙、以及随机线性恢复中近似因子Δ的精确控制。

在非参数minimax主线上，Convex regression证明了当d≥5时LSE的风险阶n^{-2/d}与minimax率n^{-4/(d+4)}之间存在本质gap，并给出了完整rate结果和新的metric entropy界；Noisy recovery为椭圆约束下的随机线性观测构造了sharp minimax率的泛函刻画，覆盖参数与非参数回归；DNN interaction model在d≳n的高维稀疏交互设定下，通过去偏技巧使协方差项可忽略，达到(n,d)意义下的最优收敛速率；Four-regime segmented regression将分段回归的推断从固定边界推广到协变量依赖边界，并提供了混合整数规划和自举框架。这些工作都在推进非参数回归的率最优性理论或配制匹配的下界。

高维与随机矩阵主线尤其密集：Dimension free ridge regression在Hilbert空间中建立非渐近近似，将偏差-方差分解为等价序列模型乘以(1±Δ)因子，突破比例渐近限制；Tensor factor model通过迭代投影显著提升高维张量时间序列的loading估计精度，达到更优minimax率；Two-way crossed mixed effect model在行、列、单元格维度任意增长下（无速率限制）证明了ML/REML估计量的渐近正态性。另一条假设检验主线也值得关注：Projected covariance measure在模型自由条件下检验条件均值独立性，使用spline回归版本的PCM达到非参数minimax最优功效；Time-uniform CLT基于强不变原理构造渐近时间一致置信序列，适用于ATE的序贯推断；Testing network correlation通过树计数统计量在稀疏Erdős-Rényi图中以n^{2+o(1)}时间检验边相关，其U-statistic结构可迁移至高维相关性检验；Change-point analysis允许信号不规则（非分段常数），使用两步法达到精确识别率。

与因果推断、半参数效率、高维方向最契合的论文包括：Projected covariance measure（变量显著性测试，直接用于因果特征选择）、Time-uniform CLT（序贯置信序列适用于ATE）、Estimation of spectral measure（半参数有效估计与插件达到最小方差，可迁移至因果效率理论）、Four-regime segmented regression（断点回归的扩展）、DNN interaction model（高维交互因果效应的非参数估计）、Dimension free ridge regression（高维近似方法）和Tensor factor model（张量时间序列中的因子模型）。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)¶

1. 10.1214/24-aos2449 · arXiv — Dimension free ridge regression¶

作者: Chen Cheng, Andrea Montanari
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 8/10 · novelty: new_method
摘要: 本文在随机矩阵理论框架下研究高维甚至无穷维ridge回归的偏差-方差分解。允许特征向量属于可分Hilbert空间，假设经过协方差矩阵白化后的设计向量满足独立同分布或凸浓度性质。核心贡献是建立非渐近近似界：将ridge回归的偏差和方差表达为等价序列模型（对角设计矩阵）的偏差和方差乘以显式可控的(1±Δ)因子。该结果突破传统比例渐近（p/n→常数）的限制，此前仅知加法近似，无法刻画过剩风险趋零时的行为。作为新应用，完全刻画了正则衰减谱下Hilbert协变量的ridge回归，并得到过参数化近插值情形下的良性过拟合保证。本文的高维近似方法对您在高维统计和随机矩阵理论中的理论工作有直接参考价值。
关键技术: random matrix theory, convex concentration property, sequence model approximation, non-asymptotic bounds, benign overfitting
为什么对您有用: 本文属于高维统计和随机矩阵理论的核心主题，直接与您在high-dimensional asymptotics和random matrix theory方面的兴趣对接。您可以用very_familiar中的high-dimensional asymptotics工具理解并拓展其维度无关近似框架，例如推广至其他正则化方法或因果推断中的高维估计。该领域的理论进展立即可读取，无需新武器储备。

2. 10.1214/24-aos2412 · arXiv — Tensor factor model estimation by iterative projection¶

作者: Yuefeng Han, Rong Chen, Dan Yang, Cun-Hui Zhang
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 7/10 · novelty: sharper_rate
摘要: 在高维 tensor time series 设定下，目标是估计类似 Tucker decomposition 的 tensor factor model 的 loading matrices，假设时间维度具有动态依赖结构。本文提出两种基于 iterative orthogonal projection 的估计方法，将原始 tensor time series 沿各模态反复投影以分离信号与噪声。理论分析证明，相较于现有方法（如 initial projection 或直接 PCA），迭代投影显著提升了估计精度与收敛速率，达到了更优的 minimax rate。核心工具涉及 higher-order orthogonal projection (HOOIP) 的变体、高维随机矩阵谱分离条件及模态间交互误差的逐层收缩控制。模拟实验验证了估计误差的下降。对您可能有用：该迭代投影的逐层收缩机制与您在 higher-order U-statistics 的 tensor contraction / einsum 复杂度分析有结构相似性，可作为高阶投影理论在时间序列因子模型中的具体实例参考。
关键技术: iterative orthogonal projection, tensor factor model, Tucker decomposition, higher-order orthogonal projection (HOOIP), minimax convergence rate, spectral separation condition
为什么对您有用: 本文直接连接到您 primary interest 中的 high-dimensional statistics 与 random matrix theory（tensor factor model 的谱分离与高维收敛率），同时其核心的 higher-order orthogonal projection 机制与您 very_familiar 的 tensor contraction / einsum 计算有天然的结构对应。您可以用 treewidth / einsum 复杂度视角分析该迭代投影算法的计算代价，并审视其声称的 sharper rate 是否在 minimax 意义下紧。立即可做：用 very_familiar 的高维渐近理论与 tensor contraction 工具即可动手分析该算法的计算-统计权衡。

3. 10.1214/24-aos2469 · arXiv — Increasing dimension asymptotics for two-way crossed mixed effect models¶

作者: Ziyang Lyu, S.A. Sisson, A.H. Welsh
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 6/10 · novelty: new_theory
摘要: 本文研究两向交叉混合效应模型中最大似然(ML)和限制最大似然(REML)估计量在行、列、单元格维度同时趋于无穷时的渐近性质。在不需要正态性假设的非常温和条件下，证明了估计量的渐近正态性以及结构化的协方差矩阵。该方法允许行、列、单元格数量的增长率任意组合（成对或整体），无需有界或特定速率。推导中可能利用了矩阵分块、弱收敛等工具处理非独立数据结构。主要理论结果给出了固定效应和方差分量估计的联合渐近分布，为高维面板数据或交叉分类数据的推断提供理论支持。本文属于高维渐近理论的新发展，直接关联您对高维统计和渐近理论的兴趣，其中‘增长率无限制’的设定与随机矩阵理论中维数无界的结果有相通之处，可启发您在高维非标准模型中的渐近分析。
关键技术: Maximum likelihood estimation, REML, mixed effects model, high-dimensional asymptotics, asymptotic normality, structured covariance matrix
为什么对您有用: 本文关注高维混合效应模型的渐近理论，直接连接您primary interests中的‘high-dimensional statistics’和‘mathematical statistics’下属的渐近理论。您武器库中的‘high-dimensional asymptotics’可用于理解和扩展本文的渐近论证（如考虑更一般的协方差结构）。立即可做：您可基于其渐近正态性结果直接设计高维混合模型中的假设检验或置信区间，无需额外工具。

非参数 / 半参数 (nonparam_semipara, 5 篇)¶

1. 10.1214/24-aos2445 · arXiv — Convex regression in multidimensions: Suboptimality of least squares estimators¶

作者: Gil Kur, Fuchang Gao, Adityanand Guntuboyina, Bodhisattva Sen
期刊/来源: Annals of Statistics
机构: ETH Zurich · University of Idaho · University of California, Berkeley · Columbia University
分类: vol 52 · issue 6
相关性 9/10 · novelty: sharper_rate
摘要: 在固定/随机设计的非参数回归模型（Gaussian误差）下，研究凸函数族（多面体上凸函数、有界凸函数、凸Lipschitz函数）的LSE在平方损失下的suboptimality。核心发现是：当维度 d≥5 时，LSE的风险阶为 n^{-2/d}（含log因子），而minimax风险为 n^{-4/(d+4)}，两者存在显著gap。技术路径包括：建立LSE在多面体域上对所有 d≥1 的worst-case与adaptive收敛率，以及证明凸函数空间的新metric entropy界。主要理论结果是首次严格证明多维凸回归LSE的suboptimality，并给出完整的rate结果；对您有用的是，这直接展示了经典LSE在非参数设定下偏离minimax rate的机制，与您熟悉的minimax bound工具高度契合。
关键技术: least squares estimator suboptimality, minimax rate, metric entropy of convex functions, convex regression, worst-case and adaptive convergence rates
为什么对您有用: 本文直接属于非参数理论中的minimax estimation子方向，核心结论是经典LSE在多维凸函数族下偏离minimax rate。您very_familiar的minimax bounds for estimation problems可直接用来审视其entropy界与rate gap的紧性（如验证 n^{-4/(d+4)} 的minimax下界是否可由Fano或Le Cam推出）。follow-up判断：立即可做——您现有的minimax与nonparametric工具足以复现其下界论证，并可探索该gap在其他shape-constrained族（如单调函数）中是否同样存在。

2. 10.1214/24-aos2446 · arXiv — Noisy recovery from random linear observations: Sharp minimax rates under elliptical constraints¶

作者: Reese Pathak, Martin J. Wainwright, Lin Xiao
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 9/10 · novelty: sharper_rate
摘要: 本文研究在紧致椭圆参数空间约束下，从随机线性算子的噪声观测中恢复参数的估计问题，设定涵盖随机设计回归。核心 estimand 为参数向量/函数，关键假设为参数空间由椭圆范数约束且观测受加性噪声与随机算子作用。作者构造了一个泛函，精确刻画了 minimax 估计率如何依赖噪声水平、随机算子的分布律、以及定义误差度量与参数空间的椭圆范数。该非渐近结果在通用常数因子内是 sharp 的，且当参数空间半径增长时渐近精确。技术工具涉及基于算子分布的复杂度度量与局部 packing 构造，用于建立匹配的上下界。文中将此一般框架应用于参数与非参数回归，展示了其广泛适用性。对您有用：此框架为随机设计下非参数/半参数估计的 minimax 界提供了统一视角，可直接连接您对 minimax bound 与高维渐近理论的 primary interest。
关键技术: minimax rate characterization, elliptical parameter constraints, random linear operator, local packing complexity, nonasymptotic sharp constant, random design regression
为什么对您有用: 本文直接连接您 primary interest 中的 minimax bounds for estimation problems 与 high-dimensional asymptotics，为随机设计回归提供了一种基于算子分布律与椭圆约束的统一 minimax 界刻画。您武器库中 very_familiar 的 minimax bounds 与 inverse problems with random noise 可直接用来审视其局部 packing 构造与泛函刻画是否可推广至您关注的半参数/高维因果推断设定（如 debiased ML 的 minimax rate）。Follow-up 判断：立即可做——用您熟悉的 minimax 工具验证其泛函在半参数效率界设定下的适用性，并尝试将椭圆约束替换为您更关心的 nuisance 参数空间约束。

3. 10.1214/24-aos2442 · arXiv — Deep neural networks for nonparametric interaction models with diverging dimension¶

作者: Sohom Bhattacharya, Jianqing Fan, Debarghya Mukherjee
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 8/10 · novelty: new_theory
摘要: 本文研究发散维度下（d 随 n 增长甚至 d ≳ n）的 k 阶非参数交互模型，目标是在稀疏假设下估计回归函数并达到最优收敛速率。核心挑战是各加性成分之间的协方差项在均方误差中比方差项高一个量级，若不处理会恶化统计性质。作者提出去偏深度神经网络（debiased DNN），通过一种新颖的去偏技巧使协方差项在 MSE 中可忽略，从而 DNN 估计量达到 (n,d) 意义下的 minimax 最优率。证明依赖于对协方差项的精细控制，并建立了匹配的下界，覆盖了低维和高维两种情景。主要结果给出了两种增长维度设定下的最优收敛速率，并验证了去偏的必要性。对您而言，本文处理高维非参数交互模型的理论分析，与您熟悉的非参数统计和最小最大界工具直接相连，其去偏策略可能迁移到其他结构化回归问题或半参数推断中。
关键技术: deep neural networks, nonparametric interaction model, debiasing technique, minimax optimal rate, covariance control, sparsity regularization
为什么对您有用: （1）本文研究高维非参数交互模型的估计问题，属于非参数统计与高维统计的交叉，直接链接到您的主要兴趣。（2）您非常熟悉的「minimax bounds for estimation problems」和「nonparametric statistics」武器可用来评估或扩展本文的去偏技巧和最优率证明，例如将去偏思想应用于其他非参数设定或高阶 U-统计量。（3）立即可做：基于您已有的 minimax 界和非参数理论，可直接跟进其去偏技术在高维因果推断或半参数效率界中的应用。

4. 10.1214/24-aos2417 · arXiv — Statistical inference for four-regime segmented regression models¶

作者: Han Yan, Song Xi Chen
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 6/10 · novelty: new_method
摘要: 本文针对四段分段回归模型（segmented regression），允许分段边界依赖于多变量协变量且具有非消失边界效应，数据允许时间相依性。提出基于混合整数二次规划（MIQP）的最小二乘估计方法，并推导了回归系数和边界系数的收敛速度与渐近分布（非标准分布）。为进行推断，构造了平滑回归自举（smoothed regression bootstrap）过程，并设计了模型选择准则以在最多四段内自动选择段数。数值模拟和北京PM2.5浓度气象效应案例研究验证了方法的有效性。该工作将分段回归的推断理论从固定/已知边界推广到协变量依赖边界，且提供了可行的计算框架，对您在半参数模型与统计计算方面的兴趣（尤其是混合整数优化与基于自举的非标准推断）有直接参考价值。
关键技术: mixed integer quadratic programming, smoothed regression bootstrap, least squares estimation, segmented regression, change-point boundary estimation, model selection criterion
为什么对您有用: 本文直接对接您在非参数/半参数理论中对分段模型推断的兴趣，特别是边界系数非标准渐近分布的处理方式。您武器库中的「非参数统计」和「软件实现」能力足以理解并复现该MIQP算法与自举流程——属于立即可做范畴。若能将其平滑自举思想迁移到您的U统计量或因果推断中的敏感度分析里，可能延伸出新的自举推断方法。

5. 10.1214/24-aos2387 — Estimation of the spectral measure from convex combinations of regularly varying random vectors¶

作者: Marco Oesting, Olivier Wintenberger
期刊/来源: Annals of Statistics
机构: University of Stuttgart · Sorbonne Université · Laboratoire de Physique Théorique et Modèles Statistiques · Laboratoire de Probabilités, Statistique et Modélisation
分类: vol 52 · issue 6
相关性 3/10 · novelty: new_theory
摘要: 在多元正则变动的框架下，目标是通过随机向量各分量的凸组合的极值行为来恢复其极限谱测度的特征（如极值系数）。作者提出了一类新的估计量，用于估计谱向量对应凸组合的矩，并利用泛函极限定理证明了该估计量的渐近正态性。在聚焦极值系数估计时，进一步验证了 plug-in 估计量能够达到最小渐近方差，即实现了半参数有效估计。对您可能有用：本文的半参数有效界推导与 plug-in 达到最小方差的技术路径，可直接迁移到您在因果推断中处理无穷维 nuisance parameter 时的效率理论分析。
关键技术: regularly varying random vectors, spectral measure estimation, extremal coefficients, functional limit theorem, asymptotic normality, semiparametric efficiency bound
为什么对您有用: 本文直接连接到 primary interest 中的 semiparametric efficiency theory：在无穷维 nuisance（谱测度）下推导最小渐近方差并构造达到该界的 plug-in 估计量，与您在因果推断中处理无穷维干扰参数的效率理论问题同构。您可以用 very_familiar 中的 minimax bounds 与 estimation theory 验证其声称的效率界是否紧，并考虑将此处的凸组合矩估计结构映射到 HOIF 框架中做更高阶的偏差修正。立即可做：用 very_familiar 的 minimax 与 estimation theory 武器即可动手验证其效率界与估计量性质。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)¶

1. 10.1214/24-aos2447 · arXiv — The projected covariance measure for assumption-lean variable significance testing¶

作者: Anton Rask Lundborg, Ilmun Kim, Rajen D. Shah, Richard J. Samworth
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 8/10 · novelty: new_theory
摘要: 在给定协变量 Z 的条件下检验变量 X 对响应 Y 的预测显著性，即检验模型自由的条件均值独立性零假设 H0: E[Y|X,Z]=E[Y|Z]。作者提出 projected covariance measure (PCM) 框架：将样本分半，第一半用非参数/ML方法估计 Y 对 (X,Z) 的投影，第二半估计该投影与 Y 的条件协方差期望，形成检验统计量。PCM 可灵活使用 additive model 或 random forest 等做回归，在模型误设下仍保持稳健的 Type I error 控制与高功效。理论贡献在于证明基于 spline 回归的 PCM 版本达到了该非参数检验问题的 minimax optimal rate。对您有用：PCM 的 cross-fitting 结构与 minimax rate 分析直接连接 hypothesis testing 与 nonparametric minimax theory，其投影-协方差两步估计思路与 semiparametric efficiency / orthogonal score 的构造有深刻共鸣。
关键技术: conditional mean independence testing, projected covariance measure, cross-fitting sample splitting, minimax optimal testing rate, spline regression, model-free hypothesis testing
为什么对您有用: 直接连接 primary interest 中的 hypothesis testing 与 nonparametric minimax theory，PCM 的 cross-fitting + 投影-协方差两步结构本质上是一种 orthogonal score / debiased 构造，可用您 very_familiar 的 minimax bounds 工具验证其声称的 minimax rate 是否紧，并可用 moderately_familiar 的 semiparametric theory 视角审视其 influence function 性质。立即可做：用 minimax bounds 与 nonparametric statistics 武器即可动手分析 PCM 的 rate sharpness 与更广泛非参数检验问题的 minimax 界。

2. 10.1214/24-aos2408 · arXiv — Time-uniform central limit theory and asymptotic confidence sequences¶

作者: Ian Waudby-Smith, David Arbour, Ritwik Sinha, Edward H. Kennedy, Aaditya Ramdas
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 7/10 · novelty: new_theory
摘要: 在序贯分析设定下，本文研究如何为样本均值过程构造时间一致的渐近置信序列（asymptotic CS），使推断在任意停止时间下渐近有效且无需预设样本量。核心 estimand 是一般均值及观测研究中的 ATE，关键假设是 Strassen 强不变原理（strong invariance principle）所要求的矩与独立性条件。方法上，作者用强不变原理将整个样本均值过程均匀逼近为一个隐式高斯过程，再结合时间一致的边界（如线型或混合边界）构造 asymptotic CS，从而在固定时间点恢复经典 CLT 区间，在连续时间上获得渐近时间一致覆盖。理论结果证明该 CS 在任意停止时间下渐近有效，并在 ATE 的因果推断场景（IPW / DR estimator）中给出具体实现，规避了非渐近 CS 在该场景下几乎不可行的困境。对您有用：本文将经典 CLT 推广到时间一致框架，为序贯因果推断（ATE 的 DR/IPW 估计）提供了新工具，直接连接您 primary interest 中的因果推断估计理论与假设检验/序贯推断。
关键技术: asymptotic confidence sequences, strong invariance principle, time-uniform boundary, doubly robust estimator, inverse probability weighting, sequential causal inference
为什么对您有用: 本文直接连接您 primary interest 中的因果推断估计理论（ATE 的 DR/IPW）与假设检验/序贯推断，为观测研究下 ATE 的序贯 DR 估计提供了渐近时间一致推断工具。您武器库中 very_familiar 的因果推断估计理论与 minimax bound 视角可以用来审视本文声称的渐近时间一致覆盖是否达到某种最优率，或用 moderately_familiar 的 semiparametric theory 推导该场景下的 semiparametric efficiency bound 与 influence function，验证其 DR estimator 是否达到效率下界。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，将 one-step / DR estimator 的 influence function 与强不变原理结合，推导更一般的 semiparametric asymptotic CS。

3. 10.1214/23-aos2261 · arXiv — Testing network correlation efficiently via counting trees¶

作者: Cheng Mao, Yihong Wu, Jiaming Xu, Sophie H. Yu
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 7/10 · novelty: new_theory
摘要: 在两个 Erdős-Rényi 随机图 G(n,q) 的设定下，目标是检验它们是否通过潜在顶点对应存在边相关性（相关系数 ρ），对立假设为两图独立。检验统计量基于一族非同构树的共现计数，利用 Otter 常数 α≈0.338 刻画无标号树数量的指数增长率。算法运行时间为 n^{2+o(1)}，在 n min{q,1-q} ≥ n^{-o(1)}（允许极稀疏图）且 ρ² > α 时，检验以高概率成功。这在前沿工作的统计精度、计算速度与图稀疏度容忍范围上均有显著提升。对您可能有用：该检验的树计数统计量本质上是高阶 U-statistic，其计算复杂度与 Otter 常数/树枚举直接挂钩，为您用 treewidth/einsum 视角分析高阶 U-stat 计算成本提供了绝佳切入点。
关键技术: tree-counting U-statistic, Otter's constant, graph correlation testing, polynomial-time hypothesis testing, Erdos-Renyi random graph, unlabeled tree enumeration
为什么对您有用: 本文直接连接 hypothesis testing 与高阶 U-statistic 的计算复杂度：树计数统计量是典型的多项式 U-stat，其阶数与树大小 K 相关，而 Otter 常数 α 精确控制了统计量的方差衰减与计算项数。您可以用 very_familiar 的 treewidth / tensor contraction / einsum 工具分析该统计量的计算成本与收缩顺序优化，验证 n^{2+o(1)} 的运行时间是否能在 einsum 框架下复现或改进。立即可做：用您已有的高阶 U-stat 计算框架直接拆解树计数统计量的 einsum 复杂度。

4. 10.1214/24-aos2451 · arXiv — Change-point analysis with irregular signals¶

作者: Tobias Kley, Yuhan Philip Liu, Hongyuan Cao, Wei Biao Wu
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 7/10 · novelty: new_theory
摘要: 本文研究变点检测与估计问题，目标 estimand 为变点位置 τ，关键设定允许变点后信号高度不规则（非分段常数或平滑），突破了传统文献假设。提出两步法：第一步做变点初步估计以获取未知参数，第二步用新程序精确定位变点。在适当条件下，证明变点估计量达到 O_P(1) 的收敛率（即精确识别），核心理论工具依赖 Wu (2005) 的依赖数据非参数谱分析框架及鞅差分逼近。实证应用于百度搜索指数，估计 COVID-19 疫情起始日为 2019 年 12 月 8 日。对您有用：该文将非参数时间序列理论引入变点假设检验，与您 primary interest 中的 hypothesis testing 及 nonparametric theory 直接相连。
关键技术: change-point detection, O_P(1) exact localization rate, two-step estimation procedure, nonparametric spectral analysis for dependent data, martingale difference approximation
为什么对您有用: 本文直接连接您 primary interest 中的 hypothesis testing 与 nonparametric theory 子方向，核心是放宽变点后信号假设下的精确识别率证明。您武器库中 very_familiar 的 minimax bounds for estimation problems 与 moderately_familiar 的 M-estimation theory 可直接用来审视其 O_P(1) 率的条件是否可进一步弱化或给出 minimax lower bound。follow-up 判断：立即可做——用 minimax 理论验证该率在更广依赖结构下的紧性。

统计计算 / 算法 (stat_computing, 2 篇)¶

1. 10.1214/24-aos2396 · arXiv — Tensor-on-tensor regression: Riemannian optimization, over-parameterization, statistical-computational gap and their interplay¶

作者: Yuetian Luo, Anru R. Zhang
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 9/10 · novelty: new_theory
摘要: 研究张量响应与张量协变量之间的低秩Tucker回归问题，目标是在未知真秩的情况下估计参数张量。提出Riemannian梯度下降（RGD）与Riemannian Gauss–Newton（RGN）方法，并系统分析秩过参数化对算法的影响。证明在秩正确设定与过参数化两种情形下，RGD与RGN分别线性与二次收敛到统计最优估计量，且Riemannian优化天然适应过参数化而无需修改算法。通过直接的低次多项式论证，揭示标量-张量回归中存在统计-计算间隙；进一步发现对于三阶或更高阶张量回归，适度的秩过参数化在计算上不增加样本量需求，即'统计-计算间隙的福佑'现象，而矩阵情形则无此收益。仿真实验验证了方法优势与理论结果。对您而言，本文是statistical-computational tradeoff领域的标准入口文献，清晰陈述了计算阈值与统计阈值的松紧关系，且张量计算的框架与您熟悉的treewidth/tensor contraction技术直接衔接，便于快速切入。
关键技术: Riemannian gradient descent, Riemannian Gauss–Newton, Tucker decomposition, low-degree polynomial argument, rank over-parameterization, statistical-computational gap
为什么对您有用: 本文核心论题是统计-计算间隙，属于您gateway-reading方向的典型代表，论文以低次多项式论证直接给出精确阈值，且以清晰的语言解释计算可行性边界，入门友好。您的技术武库中'treewidth/tensor contraction/einsum'可直接用于分析Riemannian优化在张量收缩中的实现成本（如每一步的逆牛顿步的复杂度），并能对照其声称的样本量边界是否紧。建议中期跟进：需补齐低次多项式方法（low-degree likelihood ratio）的基本推导技巧，但这篇论文本身提供了自包含的论证，可作为学习起点。

2. 10.1214/24-aos2426 · arXiv — Stereographic Markov chain Monte Carlo¶

作者: Jun Yang, Krzysztof Łatuszyński, Gareth O. Roberts
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 7/10 · novelty: new_method
摘要: 在高维无界状态空间下，针对重尾分布的 MCMC 采样器常因梯度信息衰减和局部移动导致"粘滞"且缺乏几何遍历性。本文提出 Stereographic MCMC，将欧氏空间的原问题通过立体投影映射到球面上，再在球面构建随机游走 Metropolis 与 Bouncy Particle Sampler 算法。核心机制是利用球面的紧致性消除无界空间导致的非几何遍历问题，使得新算法对一大类轻尾与重尾分布均达到均匀遍历。理论证明在最优场景下，采样器可享有"维度的祝福"，即收敛速度随维度升高反而加快。对您可能有用：该立体投影变换为高维重尾分布的 Monte Carlo 计算提供了新的紧致化技巧，直接关联统计计算与数值方法方向。
⚠️ 摘要不完整，待重跑（python -m research_news.rerun）
关键技术: stereographic projection, uniform ergodicity, Bouncy Particle Sampler, random-walk Metropolis on sphere, blessings of dimensionality, geometric ergodicity
为什么对您有用: 直接关联统计计算与数值方法方向，为高维重尾分布的 MCMC 计算提供了紧致化投影这一新技巧。您 very_familiar 中的高维渐近理论与软件开发经验足以分析该投影变换在不同高维模型下的收敛率表现，属于立即可做的 follow-up：可尝试将此立体投影嵌入现有高维 MCMC 软件管线并做数值 benchmark。

其他 (other, 4 篇)¶

1. 10.1214/24-aos2444 · arXiv — On the statistical complexity of sample amplification¶

作者: Brian Axelrod, Shivam Garg, Yanjun Han, Vatsal Sharan, Gregory Valiant
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 8/10 · novelty: new_theory
摘要: 该论文研究“样本放大”（sample amplification）问题：给定 n 个来自未知分布 P 的独立同分布样本，何时能生成额外 m 个样本，使得联合样本无法与真实分布产生的 n+m 个独立同分布样本区分？作者建立了该问题的统计基础，提出了通用的放大程序，并推导了匹配的下界技术。这些方法适用于包括指数族在内的广泛分布类，并且建立与分布学习（distribution learning）之间的严格联系。结果揭示了样本放大与经典统计估计之间的深层关系。对于关注高维统计和非参数 minimax 理论的您，该工作提供了理解合成数据统计复杂性的新视角，其下界技术可能迁移至您熟悉的非参数估计问题。
关键技术: sample amplification, distribution learning, lower bound techniques, statistical indistinguishability, exponential family, information-theoretic lower bounds
为什么对您有用: 该论文从统计复杂性角度研究样本放大，与您的高维统计和非参数 minimax 界兴趣直接相关；其中的下界技术（信息论下界）可迁移到您熟悉的非参数估计问题中，可能为您在因果推断中涉及的合成数据方法提供统计基础。目前该方向属于新领域，需先熟悉其理论框架再做深入探索。

2. 10.1214/24-aos2395 — Statistical complexity and optimal algorithms for nonlinear ridge bandits¶

作者: Nived Rajaraman, Yanjun Han, Jiantao Jiao, Kannan Ramchandran
期刊/来源: Annals of Statistics
机构: Courant Institute of Mathematical Sciences
分类: vol 52 · issue 6
相关性 5/10 · novelty: new_method
摘要: 本文研究非线性bandit序贯决策问题，其中平均回报是动作的非线性函数。与线性bandit相比，非线性模型存在一个由函数复杂度决定的固定成本“燃烧期”（burn-in period），之后才是标准参数率的学习阶段。针对一类特殊的非线性函数——ridge函数，论文推导了最优燃烧成本的上下界，并通过微分方程刻画了燃烧期内完整的学习轨迹。提出一种两阶段算法：先利用无偏探索找到好的初始动作，再将问题视为局部线性进行后续学习，证明该算法在统计意义下达到最优。相比之下，UCB和基于回归oracle的经典算法被证明是次优的。该论文将统计复杂度与算法设计紧密结合，为理解非线性bandit中的计算-统计权衡提供了理论框架，对研究者关注的统计-计算权衡方向有直接启发。
关键技术: nonlinear ridge bandits, burn-in cost, differential equation analysis, two-stage exploration algorithm, local linear approximation, minimax lower bounds
为什么对您有用: 本文直接关联研究者对statistical-computational tradeoff的兴趣，通过burn-in cost概念展示了非线性bandit中固定计算成本与统计最优性的关系。技术武库中的minimax bounds和高维渐近工具可用于深入理解下界推导和局部线性近似。由于bandit设定对研究者较新，需先熟悉多臂老虎机基础框架，属于中期可做的gateway阅读。

作者: Daniele Durante, Francesco Pozza, Botond Szabo
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 4/10 · novelty: new_theory
摘要: 本文针对贝叶斯后验分布的高斯近似在实际中精度不足的问题，提出了一类基于偏斜对称分布族的改进闭合形式近似。作者通过三阶Laplace方法推导出新的后验近似族，并证明了在模型误设和非独立同分布等一般条件下，该近似与真实后验的总变差距离收敛速率比经典Bernstein–von Mises定理提升至少一个数量级。对于正则参数模型，该速率改进同样适用于多项式有界后验泛函的逼近。进一步地，本文发展了一种实用的偏斜模态近似（skew-modal approximation），通过MAP估计替代未知参数即可实现等价的理论保证。仿真实验在有限样本下验证了理论结果的显著性。该工作将高阶展开理论从渐近等价性推进到更紧的有限样本精度刻画，对非参数逼近和半参数效率理论中涉及后验渐近的分析具有潜在启发。
关键技术: third-order Laplace method, skew-symmetric distribution family, Bernstein–von Mises theorem, total variation distance rate, MAP-based closed-form approximation
为什么对您有用: 本文连接到非参数与半参数理论中的高阶逼近问题，提供了一个速率提升至少一阶的闭合形式后验近似框架。研究者武器库中的'非参数统计'和'minimax bounds'可用于验证该声称的速率提升是否最优，但核心贝叶斯后验高阶展开工具（如三阶Laplace、Edgeworth型校正）目前不在技术武器库中，因此暂不可做——需先补充贝叶斯高阶渐近和积分展开方法。

4. 10.1214/24-aos2373 · arXiv — Non-independent component analysis¶

作者: Geert Mesters, Piotr Zwiernik
期刊/来源: Annals of Statistics
分类: vol 52 · issue 6
相关性 3/10 · novelty: new_theory
摘要: 本文研究二进制数据下的独立成分分析（ICA），假设连续潜变量经线性混合后通过阈值生成二进制观测，并引入非平稳源假设以保留可识别性。模型利用多元正态累积分布函数（CDF）连接潜变量与观测，使似然函数闭式可解。与连续ICA不同，文中证明当观测变量数较少时模型不可识别；通过数值实验表明，当变量数增加时模型可识别。为降低计算负担，提出仅基于成对边际似然的估计方法，避免完整多元似然的计算。实验揭示了观测变量数、时间分段数和潜源数之间的权衡。本文在非参数识别性和高维似然计算方面的分析，可连接至您对非参数统计和高维渐近的兴趣。
关键技术: Binary independent component analysis, Non-stationary sources, Multivariate Gaussian CDF, Pairwise marginal likelihood, Identifiability analysis
为什么对您有用: 本文涉及非参数模型的可识别性分析，可直接对接您非常熟悉的非参数统计工具（如minimax界和识别性论证）。同时，文中利用成对边际降低计算复杂度的思路，可与您对高维渐近的兴趣相联系。但ICA领域本身并非您的核心技术储备，属暂不可做——需先系统学习binary ICA的正向模型和文献才能展开后续工作。作为视野拓展值得一读。

Maintained by 陈星宇 · Homepage · Source on GitHub