AoS — Vol 53 Issue 5 · 2026-06-20¶
- 共 2 篇 · Annals of Statistics
- 目录核对 ⚠️ 疑似漏 16 篇（对照 OpenAlex 18 篇）：10.1214/25-aos2531、10.1214/25-aos2538、10.1214/25-aos2522、10.1214/25-aos2533、10.1214/25-aos2526 等
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。
这一期仅收录两篇论文，分别聚焦因果推断和高维贝叶斯模型选择两个独立方向。因果推断方向以“Causality pursuit from heterogeneous environments via neural adversarial invariance learning”为代表，通过FAIR框架（神经网络+Gumbel近似+退火温度）解决多异质环境下非参数不变性变量识别问题，给出最小识别条件下的非渐近一致性保证。高维方向由“Advances in Bayesian model selection consistency for high-dimensional generalized linear models”覆盖，利用Spokoiny非渐近理论获得GLM对数似然的二次逼近，从而严格控制MLE与Laplace逼近误差，将贝叶斯模型选择一致性的beta-min条件放松至远弱于常规水平，且结果适用于非次高斯泊松回归。
两条主线分别推进了各自领域的方法论边界：因果推断方向将不变性学习从参数或线性假定推广到神经网路非参数场景，并通过对抗性正则化实现变量选择；高维方向则将非渐近逼近技术系统引入贝叶斯高维分析，显著增强了理论工具的普适性。两篇论文均以严格的有限样本理论作为核心贡献，而非仅依赖模拟或算法。
对因果推断感兴趣的读者可优先阅读“Causality pursuit from heterogeneous environments via neural adversarial invariance learning”，其不变性框架与异质性利用机制具有通用性；关注高维变量选择与贝叶斯一致性的读者应关注“Advances in Bayesian model selection consistency for high-dimensional generalized linear models”，其中对似然函数的二次逼近技巧可推广至其他指数族模型。
因果推断 (causal_inference, 1 篇)¶
1. 10.1214/25-aos2541 · arXiv — Causality pursuit from heterogeneous environments via neural adversarial invariance learning¶
- 作者: Yihong Gu, Cong Fang, Peter Bühlmann, Jianqing Fan
- 期刊/来源: Annals of Statistics
- 分类: vol 53 · issue 5
- 相关性 9/10 · novelty:
new_method - 摘要: 本文研究在多异质环境下的非参数不变性学习与因果发现，目标是从联合分布随环境变化的回归模型中找出一个未知的准因果变量集，使得响应变量在该变量集上的条件期望跨环境不变。作者提出的 FAIR（Focused Adversarial Invariant Regularization）框架通过 minimax 优化驱动回归模型向预测不变解收敛，利用神经网络（FAIR-NN）作为函数逼近器，并引入 Gumbel 近似配合退火温度以处理离散选择变量。理论方面，论文在最小识别条件下证明了 FAIR-NN 能准确找到不变变量和准因果变量，且在低维组合结构下具有非渐近适应性；在结构因果模型下，当异质性充分时识别出的变量与真实因果机制一致。该工作将对抗训练与因果不变性有机结合，为异质环境下的变量选择与因果推断提供了可直接落地的新工具，对您从事的因果推断（尤其是 invariance-based 方法和 heterogeneous environments 设定）有直接参考价值。
- 关键技术:
adversarial invariant regularization,minimax optimization,neural networks,Gumbel approximation,stochastic gradient descent ascent - 为什么对您有用: 该论文直接对话您‘因果推断’中的 invariant causal prediction 方向，核心是跨环境不变性识别——您在此方向已具备非参统计与 minimax 界的技术储备（very_familiar 中的‘nonparametric statistics’、‘minimax bounds for estimation problems’），足以快速理解其理论框架（如非渐近界的推导）并评估识别条件的紧性。立即可做：您可尝试将 FAIR 的 invariance 思想与您的 HOIF（higher-order influence functions）结合，推导带高维协变量时的双稳健估计量，并利用您的 einsum / treewidth 工具优化其计算成本。
高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶
1. 10.1214/25-aos2528 · arXiv — Advances in Bayesian model selection consistency for high-dimensional generalized linear models¶
- 作者: Jeyong Lee, Minwoo Chae, Ryan Martin
- 期刊/来源: Annals of Statistics
- 分类: vol 53 · issue 5
- 相关性 7/10 · novelty:
sharper_rate - 摘要: 本文在高维广义线性模型（GLM）的框架下研究贝叶斯模型选择一致性，目标是构建一个基于数据依赖先验的后验分布，并证明其在变量选择中能够一致地识别真实模型。核心创新在于利用Spokoiny的非渐近理论获得GLM对数似然函数的尖锐二次逼近，从而严格控制模型特定最大似然估计的误差以及贝叶斯边际似然的Laplace逼近误差。这些改进的界导致比现有文献显著更强的贝叶斯模型选择一致性结果，例如容许远弱于常规条件的beta-min条件，且结果适用于得分函数非次高斯的泊松回归模型。文章的方法学贡献在于将非渐近二次逼近技术引入贝叶斯高维分析，为理论推导提供了新工具。对于您的高维统计兴趣，本文展示的技术可以类比应用于高维推断中的似然逼近问题，例如在因果推断的高维混杂调整或半参数效率界中处理nuisance参数的非二次行为。
- 关键技术:
Spokoiny's non-asymptotic theory,quadratic approximation of log-likelihood,Laplace approximation of marginal likelihood,beta-min condition,Bayesian model selection consistency - 为什么对您有用: 本文直接关联您的高维统计兴趣，尤其在高维GLM的模型选择一致性理论上给出了突破性结果。您熟悉的高维渐近理论和minimax界可以用于评估其sharp rate的紧性，例如用非参数统计中的极小极大下界检验其beta-min条件是否最优。对于贝叶斯方法本身，虽然您不专门研究，但其中Spokoiny的非渐近二次逼近技术是通用的理论武器，可迁移到您关注的因果推断高维混杂调整或半参数效率理论中的似然逼近问题。立即可做：您的高维渐近和极小极大界工具足以深入分析其理论条件，甚至可能做进一步改进。
Maintained by 陈星宇 · Homepage · Source on GitHub