AoS — Vol 53 Issue 6 · 2026-06-20¶

共 3 篇 · Annals of Statistics
目录核对 ⚠️ 疑似漏 12 篇（对照 OpenAlex 15 篇）：10.1214/24-aos2450、10.1214/25-aos2546、10.1214/25-aos2559、10.1214/25-aos2519、10.1214/25-aos2555 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。

这一期三篇论文分别聚焦于半监督效率提升、高维核方法的几何分析、以及选择性推断的渐近性质，各成独立主线。半监督方向：Semi-supervised U-statistics 将无标注数据通过预测模型融入核函数，在标注量有限的设定下提升经典U统计量的效率，并给出半监督框架下的 minimax 下界与半参效率界，双变量核情形还区分了退化与非退化层级。高维随机矩阵与核方法方向：A geometrical analysis of kernel ridge regression 使用 Dvoretzky-Milman 定理、RKHS中的RIP及浓度不等式，为多项式核KRR估计误差的多重下降现象提供了统一证明，并推广到数据依赖核以衔接深度学习特征学习，技术工具本身具有独立价值。假设检验方向：Asymptotically-exact selective inference for quantile regression 针对分位数回归变量选择后推断，构造渐近精确的pivot，通过外部随机化避免数据分割，直接适用于因果推断中的后选择推断（如Lasso后处理效应推断）。

在因果推断方向上，最直接相关的是后选择推断一文，其框架可移植至处理效应估计；半监督U统计量的效率增益思路对因果推断中利用辅助数据（如无标签协变量）提升估计精度有参考价值；核岭回归的几何分析则与高维协变量下非参数回归的误差理解相关，适合对高维非参或核方法感兴趣的研究者优先阅读。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.1214/25-aos2556 · arXiv — A geometrical analysis of kernel ridge regression and its applications¶

作者: Georgios Gavrilopoulos, Guillaume Lecué, Zong Shang
期刊/来源: Annals of Statistics
分类: vol 53 · issue 6
相关性 8/10 · novelty: new_theory
摘要: 本文对核岭回归（KRR）的估计误差进行了几何分析，对所有非负正则化参数给出了统一的上界。核心工具包括三个可独立应用的数学技术：Dvoretzky-Milman定理（用于弱矩假设下的椭球）、RKHS中的受限等距性质（RIP）以及有限次多项式核函数的浓度不等式。作为应用，作者统一并证明了多项式核下KRR估计误差上界的多重下降现象（multiple descent），在高斯亚高斯设计下建立了高斯等价猜想的一个单向同构版本，并推广到数据依赖核以服务于深度学习特征学习分析。此外，在弱矩条件下推广了先前工作（arXiv:2009.14286）的结果。该工作为高维统计与核方法提供了新的几何视角，其技术工具对随机矩阵理论中的谱分析问题也可能具有独立价值。对您而言，本文直接关联高维统计与随机矩阵理论，并展示了如何用几何和概率方法处理核方法的推断问题，可迁移至您的其他高维和核方法研究。
关键技术: Dvoretzky-Milman theorem for ellipsoids, Restricted Isomorphic Property in RKHS, concentration inequality for polynomial kernels, Gaussian Equivalent Conjecture, multiple descent phenomenon
为什么对您有用: 本文直接对应您的首要兴趣之一「high-dimensional statistics, random matrix theory」，特别是其中关于随机矩阵理论的高斯等价猜想和核方法的高维行为。您的技术武器库中「high-dimensional asymptotics」项使您能快速理解其误差界推导；同时，本文使用的几何和浓度不等式工具可为您的「minimax bounds for estimation problems」提供新视角——例如，Dvoretzky-Milman视角下的椭球覆盖可能改进现有非参数回归的极小化下界论证。综合来看，本文的理论框架和技术工具均在您熟悉的武器射程内，属于立即可做的跟进阅读。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶

1. 10.1214/24-aos2488 · arXiv — Asymptotically-exact selective inference for quantile regression¶

作者: Yumeng Wang, Snigdha Panigrahi, Xuming He
期刊/来源: Annals of Statistics
分类: vol 53 · issue 6
相关性 7/10 · novelty: new_method
摘要: 本文针对分位数回归中变量选择后的统计推断问题，提出了一种渐近精确的选择性推断方法。该方法基于平滑分位数回归估计量，构造了一个易于计算的渐近 pivot，无需对响应变量施加严格的分布假设。核心技巧是引入外部随机化变量，使得选择与推断可利用全部样本，无需数据分割或丢弃样本。模拟研究表明，该方法在有限样本下置信区间覆盖率接近名义水平，且区间长度始终优于样本分裂方法。在2022年美国出生体重数据中，该方法用于识别低出生体重的风险因素，结果一致。对您而言，该方法可直接迁移至因果推断中的后选择推断（post-selection inference），例如在Lasso变量选择后对处理效应进行推断，且其渐近性放松了传统条件推断的分布假设。
关键技术: selective inference, quantile regression, external randomization, smoothed quantile regression, asymptotic pivot, post-selection inference
为什么对您有用: 本文与您的主要兴趣——假设检验（特别是选择后推断）高度相关。该方法为分位数回归下的选择性推断提供了渐近精确且计算简单的工具，您可利用自身在估计论（estimation theory in causal inference）方面的优势，将外部随机化pivot思想迁移至因果推断中的ATE或QTE后选择推断。技术上，该方法的关键在于外部随机化和平滑估计的渐近理论，属于您非常熟悉的估计理论范畴，因此可以立即可做：直接借鉴本文框架，为因果效应的选择后推断设计类似pivot。

其他 (other, 1 篇)¶

1. 10.1214/25-aos2550 · arXiv — Semi-supervised U-statistics¶

作者: Ilmun Kim, Larry Wasserman, Sivaraman Balakrishnan, Matey Neykov
期刊/来源: Annals of Statistics
分类: vol 53 · issue 6
相关性 9/10 · novelty: new_theory
摘要: 在半监督设定（少量标注数据 \(n\) 与大量无标注数据 \(N\)）下，目标是利用无标注数据提升经典 U-statistic 的估计效率。作者提出 semi-supervised U-statistic，通过将预测模型融入 U-statistic 的核函数构造，实现了对经典 U-statistic 的效率增益。所提估计量具有渐近正态性，并在半监督框架下推导了 minimax lower bound，证明在正则条件下该估计量达到 semiparametric efficiency bound。针对双变量核，进一步提出 refined approach，在所有退化与非退化层级（degeneracy regimes）下均优于经典 U-statistic，并证明了其最优性。对您可能有用：本文直接将半监督效率理论与 U-statistic 结合，为 higher-order U-statistic 在半监督/高维场景下的效率提升与退化层级分析提供了新视角。
关键技术: semi-supervised U-statistics, semiparametric efficiency bound, minimax lower bound, degeneracy regimes of U-statistics, prediction-powered kernel integration
为什么对您有用: 本文直接连接到 primary interest 中的 higher-order U-statistics 与 efficiency theory（semiparametric efficiency bounds），将半监督设定下的效率增益与 U-statistic 的退化层级统一处理。用 technical_arsenal 中 very_familiar 的 computation of higher-order U-statistics（treewidth / tensor contraction / einsum）可以分析其 refined approach 在高阶核下的计算复杂度口子，结合 moderately_familiar 的 HOIF 可审视其效率界是否与 higher-order influence function 的半监督扩展兼容。Follow-up 判断：立即可做——用 very_familiar 的 U-statistic 计算与 minimax bound 工具即可动手分析其高阶核扩展的计算与理论性质。

Maintained by 陈星宇 · Homepage · Source on GitHub