AoS — Vol 53 Issue 2 · 2026-06-20¶

共 17 篇 · Annals of Statistics
目录核对 ✅ 17 篇全部抓到（对照 OpenAlex 17 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。

本期 17 篇论文主要聚焦三条主线：计算‑统计权衡与低度算法（“Precise error rates for computationally efficient testing”、“Low coordinate degree algorithms I”、“Large‑dimensional independent component analysis”）；高维统计推断——检验、置信区间与效率（“A new central limit theorem for the augmented IPW estimator”、“Residual permutation test for regression coefficient testing”、“ARK: Robust knockoffs inference with coupling”、“Wald tests when restrictions are locally singular”、“The generalization error of max‑margin linear classifiers”、“Observable adjustments in single‑index models”、“Studentized tests of independence”、“Sparse anomaly detection across referentials”）；非参数与半参数方法（“Approximation error from discretizations”、“Asymptotic equivalence of locally stationary processes”、“A statistical framework for analyzing shape in a time series of random geometric objects”、“Embedding distributional data”）。另有一篇因果推断方向的析因设计“Forward selection and post‑selection inference in factorial designs”。

计算‑统计权衡主线中，“Precise error rates”在 spiked Wigner 模型下基于 low‑degree 猜想证明线性谱统计量对所有多项式时间检验达到最优 error tradeoff；“Low coordinate degree algorithms I”提出低坐标阶函数替代低阶多项式，将信道普适性从高斯推广到一般 i.i.d. 噪声和指数族；“Large‑dimensional independent component analysis”则证明低度多项式算法迫使 ICA 的样本复杂度从线性升至二次，并给出计算可处理且达到线性样本复杂度的估计量。三篇共同推进了对“计算约束下统计最优性”的精确刻画。

高维统计推断主线呈现多个平行突破。“A new central limit theorem for the augmented IPW estimator”在高维非稀疏（\(p\) 与 \(n\) 同阶）下发现 AIPW 的 variance inflation 与 cross‑fit 折间非零协方差，修正经典半参效率结论；“Residual permutation test”在固定设计、\(p < n/2\) 下实现精确有限样本第一类错误控制，且重尾下达到 minimax 速率最优；“ARK”通过耦合技术增强 model‑X knockoffs 对特征分布误设定的鲁棒性；“Wald tests”给出约束矩阵局部奇异时 Wald 统计量的渐近分布刻画与保守推断策略；“The generalization error of max‑margin linear classifiers”利用 RMT 推导过参数化线性分类器泛化误差的精确公式，揭示良性过拟合的充分条件；“Observable adjustments”在单指标模型中仅用数据构造 \(\hat{\beta}\) 和 \(X\hat{\beta}\) 的可观测近似，无需知道链接函数与指标分布；“Studentized tests of independence”通过“random‑lifter”逆向工程构造退化 U‑统计量的 studentized 检验，实现 minimax 速率；“Sparse anomaly detection”用秩基 higher criticism 在多个参考集下非参数识别异常。这些工作从不同角度挑战并延展了高维环境下检验与推断的适用边界。

非参数/半参数主线中，“Approximation error from discretizations”建立 Poincaré 型不等式给出离散化偏差的显式上界，并用于降维矩阵的误差分析；“Asymptotic equivalence”证明局部平稳高斯过程与二元高斯白噪声在 Le Cam 意义下渐近等价，提供非参数谱估计的等价框架；“A statistical framework for analyzing shape”基于球体积过程给出时变几何对象拓扑变化的弱不变原理与检验；“Embedding distributional data”将 MDS/Isomap 推广至分布度量空间，给出嵌入估计的收敛率。因果推断方向可优先看“A new central limit theorem for the augmented IPW estimator”与“Forward selection and post‑selection inference in factorial designs”；半参数效率方向可看 AIPW 新 CLT 与“Observable adjustments”；高维检验与推断方向可关注计算‑统计权衡的前两篇、“Residual permutation test”、“ARK”和“Wald tests”。

因果推断 (causal_inference, 1 篇)¶

1. 10.1214/24-aos2454 · arXiv — Forward selection and post-selection inference in factorial designs¶

作者: Lei Shi, Jingshen Wang, Peng Ding
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 5/10 · novelty: new_theory
摘要: 在析因设计（factorial designs）中，基于潜在结果框架，论文建立了前向选择（forward selection）因子选择的设计基于理论（design-based theory），这是对R.A. Fisher和F. Yates以来广泛使用的启发式策略的首次严格统计理论化。核心机制是利用物理随机化（physical randomization）作为推断基础，不依赖任何结果模型假设，证明了因子选择的一致性（factor selection consistency），并量化了选择后估计析因效应时的渐近效率增益。对于高阶交互作用中可能的不一致选择，提出了两种后选择推断策略（如调整标准误或信号筛除），分析了它们对置信区间覆盖率和推断有效性的影响。理论结果涵盖了因子数随样本量增长且效应稀疏的情形，其技术工具包括随机化分布下的秩检验和渐近正态性论证。本文为实验设计中的变量选择和推断提供了严谨的随机化推论框架，直接支持您因果推断兴趣中关于实验后选择推断（post-selection inference）的方法论研究。
关键技术: Forward selection, Post-selection inference, Factorial designs, Potential outcomes framework, Randomization-based inference, Consistency of factor selection
为什么对您有用: 直接命中因果推断中的实验设计子方向，特别是析因设计下稀疏因子选择与选择后推断，您对identification和estimation theory的敏锐判断可快速定位本文的核心假设（如效应分层假设）与现实差距。利用您非常熟悉的“estimation theory in causal inference”武器（very_familiar）即可推导其渐近效率增益的显式形式，并检验其在非均匀处理效应下的稳健性；立即可做：您现有的非参和因果推断工具足以在合成数据上复现主要结果，并尝试将其推广到非完全随机化或存在干扰的场景。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.1214/25-aos2489 · arXiv — The generalization error of max-margin linear classifiers: Benign overfitting and high dimensional asymptotics in the overparametrized regime¶

作者: Andrea Montanari, Feng Ruan, Youngtak Sohn, Jun Yan
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 本文研究高维最大间隔线性分类器在过参数化（p>n）下的泛化误差。设定数据为i.i.d.高斯特征x_i~N(0,Σ)，标签y_i∈{±1}依赖于线性组合<θ_*, x_i>，在比例渐近n,p→∞、p/n→ψ下推导精确的泛化误差渐近表达式。方法核心利用随机矩阵理论（RMT）处理协方差矩阵Σ特征值分布，并结合高斯普适性论证，将结果推广至非线性特征映射。得到两个独立重要结果：(i) 给出“良性过拟合”的充分条件，与线性回归中已知条件平行；(ii) 对随机特征映射（如神经网络第一层）后的最大间隔分类，给出泛化误差的精确渐近公式。理论揭示了相变现象：当信噪比或协方差结构满足某些条件时，过参数化分类器仍可泛化。本文为高维分类中过参数化行为提供了精确的随机矩阵刻画，对您的高维统计和随机矩阵理论兴趣有直接方法学参考。
关键技术: random matrix theory, proportional asymptotics, benign overfitting, max-margin classification, Gaussian universality, generalization error asymptotics
为什么对您有用: 本文直接对应您在高维统计和随机矩阵理论（primary interest）中的核心关切：过参数化线性分类器的精确渐近性质。您非常熟悉的高维渐近工具（very_familiar中的high-dimensional asymptotics）可直接用于理解和复现其推导，甚至可尝试将方法扩展到其他损失函数或非高斯数据。此外，结果中关于协方差谱的假设与随机矩阵理论的Marchenko-Pastur定律紧密相连，您可以借助对这一技术的熟悉快速评估其适用性。整体而言，该论文提供了立即可用的理论框架和可检验的渐近公式。

2. 10.1214/24-aos2464 — Observable adjustments in single-index models for regularized M-estimators with bounded p/n¶

作者: Pierre C. Bellec
期刊/来源: Annals of Statistics
机构: Rutgers Sexual and Reproductive Health and Rights
分类: vol 53 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文考虑单指标模型（Single-Index Model），其中协变量X服从高斯分布，链接函数未知；在p/n有界（bounded p/n）的高维机制下研究正则化M估计量β̂的分布近似。以往工作表明β̂和预测值Xβ̂的经验分布收敛到损失函数和惩罚的某个近端算子，但该近端算子的计算需要求解固定点方程，且方程中包含不可观测量（如指标的先验分布和链接函数）。本文提出了一种数据驱动的可观测调整（observable adjustments）方法，仅使用样本数据即可构造β̂和Xβ̂的近似，无需知道链接函数或指标分布。这些调整可用于构建指标单个分量的置信区间，以及估计β̂与真实指标的相关系数。结果适用于强凸正则化器和无正则化M估计，模拟采用平方损失和逻辑损失验证了方法的有效性。该工作将高维统计（p/n收敛极限）与半参数单指标模型推断结合，提供了实用且无需先验知识的推断工具。
关键技术: single-index models, regularized M-estimation, proximal operators, observable adjustments, fixed-point equations, confidence intervals for individual components
为什么对您有用: 本文直接关联您的高维统计兴趣（bounded p/n 下的渐近理论）以及半参数单指标模型推断。您武器库中的"high-dimensional asymptotics"可用来分析本文可观测调整的收敛速度与极限分布；"nonparametric statistics"可用于探讨未知链接函数的假设放松。此工作提供了一个中等难度的切入点：在您熟悉的M估计框架下延伸至半参数设定，中期可尝试将调整方法推广到非高斯协变量或异方差情形，为此需先在"semiparametric theory"上夯实。

非参数 / 半参数 (nonparam_semipara, 4 篇)¶

1. 10.1214/24-aos2470 — Approximation error from discretizations and its applications¶

作者: Junlong Zhao, Xiumin Liu, Bin Du, Yufeng Liu
期刊/来源: Annals of Statistics
机构: Beijing Normal University · Beijing Technology and Business University · University of North Carolina at Chapel Hill
分类: vol 53 · issue 2
相关性 6/10 · novelty: new_theory
摘要: 本文系统研究了连续变量离散化导致的近似误差问题。首先建立了单变量离散化的Poincaré型不等式，并推广到多变量及更一般的设定，给出了偏差的显式上界。证明了偏差由两个关键因素控制：有/无离散化下两个特定分布之间的距离（即量化误差），以及目标函数的平滑性（如Lipschitz或Sobolev范数）。该方法为理解降维文献中使用的某些矩阵（如切片逆回归中的估计量）的近似误差提供了理论依据。作为应用，提出了一种将响应变量部分离散化与随机森林结合的回归算法，模拟证实其性能优于经典随机森林。本文为离散化这一广泛使用但缺乏系统理论的基本操作提供了严格的逼近理论，与您的非参/半参理论兴趣中的函数逼近和变量离散化直接相关。
关键技术: Poincaré-type inequality, discretization bias, functional smoothness, distribution distance, random forest
为什么对您有用: 本文直接连接您的非参和半参理论兴趣中的函数逼近与离散化误差分析，尤其是Poincaré型不等式为控制偏差提供了新工具。您非常熟悉的非参统计知识和minimax下界技术可用于检验本文误差界的最优性，例如通过构造反例验证平滑度假设的紧性。立即可做：您无需额外理论基础即可从非参角度评估其定理的统计含义，并考虑将结果应用于高维半参估计中协变量离散化的偏差校正。

2. 10.1214/25-aos2491 — Asymptotic equivalence of locally stationary processes and bivariate Gaussian white noise¶

作者: Cristina Butucea, Alexander Meister, Angelika Rohde
期刊/来源: Annals of Statistics
机构: Centre de Recherche en Économie et Statistique · ENSAE Paris · University of Rostock · University of Freiburg
分类: vol 53 · issue 2
相关性 4/10 · novelty: new_theory
摘要: 本文考虑观测n维中心化高斯向量，其协方差矩阵为感兴趣参数，假设该矩阵可被某个维数Kn的线性空间良好近似且特征值一致有界。主要理论贡献是证明该实验与一个Kn维带信息期望的高斯模型在Le Cam意义下渐近等价，其中Kn可随n以多项式速率增长。为证明这一等价性，作者发展了非i.i.d.数据的局部化技术，并建立了全变差距离上的高维中心极限定理。将该结果应用于局部平稳高斯时间序列，进一步证明了其统计实验与以对数谱密度为漂移的二元维纳过程渐近等价。文中还引入了一类推广循环Toeplitz矩阵的新矩阵族，用于刻画局部平稳过程的协方差结构。该工作为局部平稳过程的非参数谱密度估计提供了Le Cam等价框架，可用于推导最优推断程序和半参数效率下界。对您而言，文中高维CLT和局部化技术可直接用于您的高维假设检验研究，而Le Cam等价框架与您中等熟悉的半参数理论紧密相连，有助于理解非平稳时间序列的效率界限。
关键技术: Le Cam asymptotic equivalence, localization technique for non-i.i.d. data, high-dimensional CLT in total variation, generalized circulant Toeplitz matrices, locally stationary Gaussian time series, bivariate Wiener process drift
为什么对您有用: 本文的高维渐近等价结果和高维全变差CLT直接关联您的高维渐近和假设检验兴趣：您非常熟悉的“高维渐近”工具可用于评估局部化技术的精度和紧性。同时，Le Cam等价是半参数效率下界的理论基石，借助您中等熟悉的“半参数理论”可进一步探索局部平稳过程的效率界。后续方向为中期可做：需先深入掌握Le Cam等价框架（属于半参数理论范畴但未在武器库中单独列出），之后有望将此类等价结果推广至其他非平稳模型或与您的因果推断（纵向数据）结合。

3. 10.1214/24-aos2465 · arXiv — A statistical framework for analyzing shape in a time series of random geometric objects¶

作者: Anne van Delft, Andrew J. Blumberg
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 本文提出分析点云形状描述符（shape descriptors）的新框架，将数据视为度量空间值随机过程的采样记录，从而将几何数据分析纳入非平稳函数时间序列分析范畴。核心方法引入 Gromov 精神下的度量空间值随机过程完全不变量，并将其与球体积过程（ball volume processes）关联。在温和的依赖条件下，对球体积过程的序贯经验版本建立了 D([0,1]×[0,R]) 空间上的弱不变原理（weak invariance principle），允许概率结构随时间变化。基于此不变原理，构造了拓扑变化（topological change）的检验统计量，在平稳性假设下具有渐近分布无关（distribution-free）性质。实证部分将此检验应用于单细胞 mRNA 表达数据的时间序列，使用拓扑数据分析（TDA）的形状描述符。对您可能有用：本文的弱不变原理与分布无关检验构造，为非参数假设检验与经验过程理论提供了度量空间值过程的新视角。
关键技术: metric space-valued stochastic process, Gromov complete invariants, ball volume process, weak invariance principle, distribution-free change-point test, topological data analysis
为什么对您有用: 本文连接到非参数假设检验与经验过程理论子方向，其度量空间值过程的弱不变原理与分布无关检验构造，与您 very_familiar 的 minimax bounds 与 inverse problems 工具在抽象空间上有结构相似性。您可用 very_familiar 的非参数统计与 minimax 理论工具，审视其检验统计量的势函数与收敛速率是否可达 minimax 最优，或用 moderately_familiar 的 M-estimation 理论将球体积过程纳入更一般的 M-估计框架。follow-up 粗判：中期可做——需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以建立度量空间值 M-估计量的渐近理论。

4. 10.1214/24-aos2471 — Embedding distributional data¶

作者: Ery Arias-Castro, Wanli Qiao
期刊/来源: Annals of Statistics
机构: University of California San Diego · George Mason University
分类: vol 53 · issue 2
相关性 2/10 · novelty: new_method
摘要: 本文研究分布数据（distributional data）的嵌入问题，将经典多维缩放（MDS）与 Isomap 方法从欧氏数据推广至以概率分布为基本单元的数据结构，核心 estimand 是在给定分布间度量下的低维嵌入坐标。方法机制上，作者强调 ambient metric（如 Wasserstein 距离或 L² 距离）的选择对嵌入质量起决定性作用，并沿 classical scaling 的谱分解路径与 Isomap 的邻接图最短路径路径分别推导了在分布度量下的收敛性质与一致性理论。主要理论结果给出了在合适度量下嵌入估计的渐近收敛率，并通过模拟与真实数据展示 Wasserstein 嵌入的优越表现。对您可能有用：若您在因果推断或高维统计中遇到以分布为观测单元的 semiparametric / nonparametric 问题，本文的度量选择与谱嵌入收敛分析提供了直接参考。
关键技术: classical scaling (MDS), Isomap, distributional data embedding, ambient metric selection, Wasserstein distance, spectral decomposition convergence
为什么对您有用: 本文连接到 nonparametric theory 中度量选择与低维嵌入的收敛分析这一子方向；您武器库中 minimax bounds for estimation problems 与 high-dimensional asymptotics 可直接用于审视本文声称的嵌入收敛率是否紧，以及不同 ambient metric 下的 minimax 分离率。follow-up 粗判：立即可做——用 minimax bound 工具验证其收敛率并在 Wasserstein vs L² 度量下做 sharper rate 分析。

效率理论 / Debiased ML (efficiency_dml, 1 篇)¶

1. 10.1214/24-aos2476 · arXiv — A new central limit theorem for the augmented IPW estimator: Variance inflation, cross-fit covariance and beyond¶

作者: Kuanhao Jiang, Rajarshi Mukherjee, Subhabrata Sen, Pragya Sur
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 9/10 · novelty: new_theory
摘要: 在高维线性回归设定下（n与p同阶增长，无稀疏假设），研究 cross-fit AIPW 估计量在 outcome model 与 propensity model 均 well-specified 时的 ATE 估计与推断问题。核心发现是：AIPW 在此高维非稀疏 regime 下出现显著的 variance inflation，其幅度可由信噪比（SNR）等参数精确刻画；同时，cross-fit 前的两折估计量之间的 root-n 尺度渐近协方差非零，这与经典半参理论中 AIPW 达到效率界且折间协方差可忽略的结论截然不同。证明技术融合了 approximate message passing (AMP)、deterministic equivalents 与 leave-one-out 分析，建立了新的 CLT。模拟验证了有限样本下 CLT 的有效性及对假设的鲁棒性。对您有用：本文揭示了高维非稀疏设定下 DML/AIPW 的非经典渐近行为，直接挑战了 debiased ML 中常规的 cross-fit 效率界假设。
关键技术: cross-fit AIPW, approximate message passing, deterministic equivalents, leave-one-out analysis, high-dimensional CLT, variance inflation
为什么对您有用: 直接连接到 efficiency theory (debiased ML / cross-fit AIPW) 子方向，揭示了高维非稀疏 regime 下 variance inflation 与折间非零协方差，挑战了常规 semiparametric efficiency bound 的适用前提。可用 technical_arsenal 中 very_familiar 的 'high-dimensional asymptotics' 与 moderately_familiar 的 'semiparametric theory' 来审视其 deterministic equivalent 推导与效率界偏离条件，判断在稀疏假设被放松时 HOIF 是否也会出现类似 inflation。中期可做：需先在 moderately_familiar 的 'semiparametric theory' 上长肌肉，特别是理解 AMP 与 deterministic equivalents 在两阶段估计中的耦合机制，方可将该 CLT 拓展至 misspecified 或 nonparametric outcome model。

数理统计 / 假设检验 (hypothesis_testing, 7 篇)¶

1. 10.1214/25-aos2490 · arXiv — Precise error rates for computationally efficient testing¶

作者: Ankur Moitra, Alexander S. Wein
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 10/10 · novelty: new_theory
摘要: 在 spiked Wigner 模型（一般 i.i.d. spike prior）下研究 simple-versus-simple 检验的计算-统计权衡，目标是刻画多项式时间算法可达到的 type I/II error 精确渐近曲线。核心结果是（基于 low-degree conjecture 的自然强化假设）：基于线性谱统计量（linear spectral statistics）的检验在所有计算高效检验中达到了最优 error tradeoff，尽管存在指数时间检验可以做得更好；这表明谱统计量对计算有界检验是充分统计量。证明的关键技术工具是对 low-degree likelihood ratio 范数的尖锐界，以及（反直觉地）一个关于检验可达性的正面结果；该策略在无界计算设定下也提供了分析统计极限的新途径。对您有用：本文为高维假设检验的 stat-computational gap 提供了首个精确 error rate 分析框架，直接连接到您对 hypothesis testing 与 computational tradeoff 的核心兴趣。
关键技术: spiked Wigner model, low-degree likelihood ratio, linear spectral statistics, computational-statistical tradeoff, precise asymptotic error rates, low-degree conjecture
为什么对您有用: 本文直接连接到您 primary interest 中的 hypothesis testing 与 stat-computational tradeoff 子方向，首次给出了计算约束下检验的精确 error rate 曲线而非仅是检测阈值。您武器库中 very_familiar 的 high-dimensional asymptotics 可直接用来理解其谱统计量部分，moderately_familiar 的 HOIF / higher-order U-statistics 理论可用来审视其 low-degree polynomial 范数界的刻画是否与高阶 U 统计量的投影/退化结构有深层联系。Follow-up 判断：中期可做——需先在 moderately_familiar 的 low-degree polynomial / SQ framework 上长肌肉（目前该核心机器不在武器库中），但高维渐近与谱分析部分立即可读。

2. 10.1214/24-aos2484 · arXiv — Low coordinate degree algorithms I: Universality of computational thresholds for hypothesis testing¶

作者: Dmitriy Kunisky
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 9/10 · novelty: new_theory
摘要: 在统计-计算权衡框架下，研究低坐标阶函数（LCDF）——即仅依赖向量少量坐标子集的函数的线性组合——在高维假设检验中的效力，以此作为低阶多项式（LDP）的推广与替代。核心方法是用 Efron–Stein / ANOVA 分解替代 LDP 理论中的正交多项式分解，使得计算下界分析不再依赖特定分布的正交基，适用性大幅拓宽。理论主结果是证明了信道普适性：对包含几乎任意加性 i.i.d. 噪声和几乎任意指数族的一类信道，LCDF 检验“稀释”随机信号是否存在的效力仅依赖于标量 Fisher 信息量。作为应用，将 spiked matrix/tensor 模型在加性高斯噪声下的 LDP 下界推广至一般噪声信道下的 LCDF 下界，并统一处理了随机删失与量化（取符号）模型。这是首次对非特殊信道下的这些模型给出针对大算法类的计算下界，为统计-计算间隙的普适性提供了实质性证据。对您有用：本文为理解 stat-comp tradeoff 提供了基于 ANOVA 分解的新入口，与您的高维假设检验及 U-statistic 理论背景直接相连。
关键技术: low coordinate degree functions, Efron-Stein / ANOVA decomposition, channel universality, Fisher information scalarization, spiked matrix/tensor models, computational lower bounds
为什么对您有用: 本文直接切入您 primary interest 中的 stat-comp tradeoff 与 hypothesis testing 子方向，用 Efron–Stein 分解替代正交多项式分解来刻画计算下界，门槛清晰、数学表述对 stats reader 友好，是极佳的 gateway reading。您 very_familiar 中的高维渐近理论可直接理解其 spiked model 设定，而 moderately_familiar 中的 higher-order U-statistics theory（特别是 ANOVA 分解与投影）正是本文的核心技术工具，可用来审视 LCDF 与 U-statistic 投影的等价/差异口子。follow-up 判断：中期可做——需先在 moderately_familiar 的 higher-order U-statistics ANOVA 投影技术上长肌肉，以将您熟悉的 U-statistic treewidth/einsum 复杂度视角与 LCDF 的计算成本模型对接。

3. 10.1214/24-aos2398 · arXiv — Wald tests when restrictions are locally singular¶

作者: Jean-Marie Dufour, Eric Renault, Victoria Zinde-Walsh
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 8/10 · novelty: new_theory
摘要: 在非线性约束下研究 Wald 检验的渐近分布问题，关注约束矩阵在参数真值处局部奇异（非正则）的设定。作者指出此时 Wald 统计量可能存在多种不同的渐近分布，基于 χ² 的常规临界值既可能导致过度拒绝也可能导致拒绝不足，甚至在原假设下统计量发散至无穷。针对多项式约束类，证明 Wald 统计量要么具有非退化渐近分布，要么发散；给出了收敛条件与分布的一般刻画，并提供渐近分布的上界以构造保守临界值。提出自适应一致性策略，判断渐近分布是否存在及其具体形式。对您有用：直接触及 hypothesis testing 中的非正则渐近理论，局部奇异约束下的分布刻画与保守推断为数学统计中的检验理论提供了新视角。
关键技术: Wald test for nonlinear restrictions, locally singular constraint matrix, polynomial restrictions, asymptotic distribution characterization, conservative critical value bounds, adaptive consistent testing strategy
为什么对您有用: 直接连接到 primary interest 的 hypothesis testing 子方向，处理非线性约束下局部奇异的非正则渐近分布问题。用 very_familiar 中的 minimax bounds 与 M-estimation theory 可以分析其保守临界值的紧性，或用 moderately_familiar 的 M-estimation theory 探究局部奇异对 estimator influence function 的影响。立即可做：用 very_familiar 的 minimax 理论验证其分布上界的紧性，并考察该自适应策略在更高维参数空间中的表现。

4. 10.1214/24-aos2478 · arXiv — Studentized tests of independence: Random-lifter approach¶

作者: Zhe Gao, Roulin Wang, Xueqin Wang, Heping Zhang
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 8/10 · novelty: new_method
摘要: 在距离/核独立性检验设定下，传统统计量渐近零分布落入二阶 Wiener chaos，计算拒绝域需耗时的 permutation 或近似方法。本文提出"Random-Lifter"逆向工程策略：先要求零分布为标准正态，再利用退化 U-统计量的 CLT 反推构造合适的关联度量与统计量，无需样本分割即可实现 studentization。所得检验统计量具有 minimax 性质，且仅对常数因子做极小调整即可保持与现有方法的竞争力。模拟与实数据验证了该方法的有效性。对您有用：该文将退化 U-统计量 CLT 与 minimax 理论直接用于独立性检验，是 higher-order U-statistics 与 hypothesis_testing 两个 primary interest 的交汇点。
⚠️ 摘要不完整，待重跑（python -m research_news.rerun）
关键技术: degenerate U-statistic CLT, studentization without sample splitting, minimax optimality, second-order Wiener chaos, distance/kernel independence test, reverse-engineered test statistic
为什么对您有用: 直接连接您 primary interest 中的 hypothesis_testing 与 higher-order U-statistics：核心工具正是退化 U-统计量 CLT 与 minimax rate。您可用 very_familiar 的 higher-order U-statistics computation (treewidth/einsum) 视角审视其统计量的计算复杂度，看 Random-Lifter 构造是否在高维/高阶情形下产生不可承受的 contraction cost。Follow-up 判断：立即可做——用您已有的 U-statistic tensor contraction 工具即可分析其计算瓶颈并尝试优化。

5. 10.1214/24-aos2477 · arXiv — Sparse anomaly detection across referentials: A rank-based higher criticism approach¶

作者: Ivo V. Stoepker, Rui M. Castro, Ery Arias-Castro
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 7/10 · novelty: new_method
摘要: 在多个参考集下进行稀疏异常检测的问题中，目标是非参数地识别异常单位，每个单位拥有来自不同参考集的独立观测。传统扫描统计量依赖强分布假设，而本文提出一种基于秩的更高批评（higher criticism）统计量变体，仅要求观测来自有序空间且独立。方法通过秩来消除分布假设，对重尾分布具有稳健性。理论部分刻画了在异常存在下秩的分布及秩诱导的依赖结构，给出了可检测性的非参数条件。在指数族和卷积模型中，作者解析量化了所提方法与oracle之间的渐近性能差距，并证明对于常见模型差距很小。模拟验证了理论结果，并在制药过程质量控制数据中展示应用。本文为假设检验中稀疏混合检测提供了一种稳健的非参数工具，与研究者对数理统计和稀疏性理论的兴趣直接相关。
关键技术: Higher criticism statistic, Rank-based inference, Nonparametric detection, Sparse mixture detection, Rank-induced dependencies
为什么对您有用: 本文卡位在稀疏异常检测这一假设检验子方向，属于研究者primary interest中的数学统计。研究者可运用其非常熟悉的nonparametric statistics工具快速理解秩方法的理论逻辑，并利用高维渐近经验检验可检测性条件的最优性。后续可将秩方法推广到更一般的依赖结构或与higher-order U-statistics结合，这是中期可做的方向。

6. 10.1214/24-aos2479 · arXiv — Residual permutation test for regression coefficient testing¶

作者: Kaiyue Wen, Tengyao Wang, Yuhao Wang
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 7/10 · novelty: new_method
摘要: 针对高维线性模型中单个回归系数是否为零的检验问题（协变量维度 p 可达样本量 n 的常数比例），提出残差置换检验（RPT）。该方法将回归残差投影到原始与置换设计矩阵列空间并集的正交补上构造统计量，在固定设计且仅要求误差项可交换（exchangeable）而非独立同分布或正态的假设下，当 p < n/2 时即可实现精确的有限样本第一类错误控制。对于重尾噪声（仅需有界 1+t 阶矩），当真实系数大小不低于 n^{-t/(1+t)}（t ∈ [0,1]）时，RPT 渐近有势；进一步证明该信号强度要求在 minimax 意义下达到速率最优。数值实验在正态和重尾分布下均验证了方法的稳健性。该工作直接关联您在假设检验和高维统计方向的研究，其有限样本有效性与 minimax 最优性为高维推断提供了新的置换检验工具，可尝试推广至更一般的半参数模型或因果推断中的敏感性分析。
关键技术: permutation test, residual projection, exchangeable noise assumption, finite-sample validity, minimax rate-optimality, high-dimensional linear model
为什么对您有用: 该论文的核心是高维设定下回归系数检验的有限样本方法，精准契合您对 hypothesis testing 的兴趣。您的非常高阶武器库中的 high-dimensional asymptotics 可直接用于理解其理论框架；M-estimation theory（中等熟悉）可用于将类似残差置换思想扩展到广义线性模型或半参数模型。此外，该检验的有限样本有效性不依赖强分布假设，对于您关注的因果推断中 IV 或 mediation 分析中的系数检验也有潜在借鉴价值。立即可做：基于您已熟悉的置换检验和高维渐近工具，可尝试将 RPT 拓展至存在缺失数据或测量误差的线性模型，或与 double machine learning 结合用于处理高维协变量下的因果参数检验。

7. 10.1214/24-aos2480 · arXiv — ARK: Robust knockoffs inference with coupling¶

作者: Yingying Fan, Lan Gao, Jinchi Lv
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 5/10 · novelty: new_theory
摘要: 本文研究 model-X knockoffs 框架在特征分布误设定或估计时的鲁棒性，目标是在 false discovery rate (FDR) 和 k-familywise error rate (k-FWER) 控制下评估近似 knockoffs (ARK) 程序的性能。核心机制是引入耦合技术，将近似 knockoffs 与 model-X knockoffs 在实现上配对，使二者随机变量接近。证明如果存在耦合的 model-X knockoffs 变量，则 ARK 可渐近达到目标 FDR 或 k-FWER 水平，无需完美已知特征分布。进一步展示了三种具体耦合构造（如基于条件分布采样、重抽样、变换），并正式将耦合概念与 Wasserstein 距离联系起来，量化近似误差。理论结果揭示了 knockoffs 框架对分布误设定的容忍度，为实际应用中的稳健变量选择提供了保证。对您而言，本文连接了高维变量选择与多重假设检验中的 FDR 控制问题，您熟悉的非参数统计和高维渐近工具可直接用于理解其耦合论证，并可尝试将类似稳健性分析推广到因果推断中的变量筛检问题。
关键技术: model-X knockoffs, approximate knockoffs (ARK), coupling technique, false discovery rate (FDR), k-familywise error rate (k-FWER), Wasserstein distance
为什么对您有用: 本文属于 hypothesis testing 方向下的多重比较与变量选择，直接对口您的 primary interest 中的高维假设检验。您熟练掌握的非参数统计和高维渐近理论可以直接用来审读其耦合论证和渐近控制的证明细节，无需额外工具。基于您现有的技术栈，可以立即理解并尝试将这种鲁棒性框架迁移到您感兴趣的因果推断变量选择场景中（如将 knockoffs 应用于 IV 或介分析的预处理步骤）。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1214/24-aos2419 · arXiv — Large-dimensional independent component analysis: Statistical optimality and computational tractability¶

作者: Arnab Auddy, Ming Yuan
期刊/来源: Annals of Statistics
分类: vol 53 · issue 2
相关性 9/10 · novelty: new_theory
摘要: 本文研究高维独立成分分析（ICA）在统计最优性和计算可处理性之间的权衡。模型假设观测数据是多个独立非高斯信号的线性混合，目标是从混合中恢复混合矩阵或源信号。作者证明：在最优统计意义下，样本复杂度与维度呈线性关系，但基于样本峰度的常用方法必然次优；若限制使用低度多项式算法，则最优样本复杂度升至二次（至多对数因子）。为此，文章发展了一种计算上可处理的估计量，同时达到线性样本复杂度和极小极大最优收敛率，并建立其渐近正态性以支持统计推断。理论结果清晰刻画了维度对样本复杂度的影响以及计算约束带来的统计代价。对您而言，本文是统计计算权衡问题的典范——它精确展示了低度多项式屏障如何迫使样本复杂度从线性变为二次，而您熟悉的树宽/张量收缩视角或可分析其估计量的计算代价，是进入该领域的优质入门文献。
关键技术: low-degree polynomial barrier, minimax optimal estimation, sample kurtosis, computational-statistical tradeoff, semiparametric efficiency, asymptotic normality
为什么对您有用: 本文直接命中您对统计计算权衡的核心兴趣，以ICA为例展示了低度多项式屏障如何限制算法统计效率——这是该方向的经典问题。您武器库中非常熟悉的“高维渐近”和“非参统计”可用于验证或扩展其样本复杂度紧性，而“U-统计量的计算（树宽/张量收缩）”则有望切入分析低度多项式估计量的收缩代价，因为ICA的矩结构天然对应高阶张量。立即可做：利用您对高维统计和极小极大界的掌握，可直接审查其理论证明的细节，或尝试构造更高效的低度多项式估计量。

其他 (other, 1 篇)¶

1. 10.1214/24-aos2486 — Deep approximate policy iteration¶

作者: Yuling Jiao, Lican Kang, Jin Liu, Xiliang Lu, Jerry Zhijian Yang
期刊/来源: Annals of Statistics
机构: Wuhan University · Chinese University of Hong Kong
分类: vol 53 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 本文在强化学习框架下研究深度近似策略迭代（DAPI）算法，使用ReLU卷积神经网络逼近贝尔曼方程的不动点，目标是最小化一个无偏极小极大损失。在每个迭代中，通过经验过程理论处理相依数据（C-mixing）下的统计误差，并结合深度逼近理论控制ReLU CNN对Hölder类的逼近误差，建立了迭代估计误差的非渐近界。该误差界显式依赖于样本量、数据维度、网络宽度、权重界和深度，为超参数选择提供理论指导。主要理论贡献是：若状态-动作对分布支持在低内在维数流形上，该误差界避免了维数诅咒。该工作虽是强化学习理论，但其非参数逼近误差分析和经验过程工具可迁移至高维非参数统计中的函数估计问题，与您的非参数统计和minimax界兴趣相通。
关键技术: Bellman residual minimization, ReLU convolutional neural networks, empirical process theory for dependent data, deep approximation theory, Hölder class approximation, curse of dimensionality avoidance
为什么对您有用: 本文连接您的高维统计与非参数统计兴趣：其低内在维数假设下的误差界与高维稀疏模型具有可比性。您熟悉的非参数统计和minimax界工具可直接用于评估其逼近误差的紧性。然而，该文嵌入强化学习语境，需补充RL基础才能将技术迁移至您的因果推断或半参数工作，因此暂不可做（缺乏强化学习理论背景）。

Maintained by 陈星宇 · Homepage · Source on GitHub