Bernoulli — Vol 30 Issue 3 · 2026-06-23¶

共 29 篇 · Bernoulli
目录核对 ⚠️ 疑似漏 5 篇（对照 OpenAlex 34 篇）：10.3150/23-bej1678、10.3150/23-bej1675、10.3150/23-bej1682、10.3150/23-bej1680、10.3150/23-bej1669

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 共 29 篇论文，大致可归纳为三条主线。第一条是假设检验与信号检测，集中在异方差、网络、时间序列和在线监测设定下的检验问题与最优分离半径，涉及 5 篇论文。第二条是非参数与半参数自适应推断，涵盖收敛速率、极小极大率、自适应估计与贝叶斯方法，涉及约 10 篇论文，是本期数量最多、最集中的方向。第三条是随机过程与概率渐近，包括 Schrödinger bridge、McKean-Vlasov 扩散、scattering transform、大偏差与熵耗散等，约 7 篇，偏理论工具与概率结构。此外，有 2 篇关于计算（MCMC 比较、块引导），1 篇关于因果图模型的代数表示（标准 imset），以及少量其他方向。

假设检验主线中，“Sparse signal detection in heteroscedastic Gaussian sequence models” 在异方差高斯序列下推导了稀疏信号检测的极小分离半径精确上下界，揭示了关于异方差性的新相变。“Kernel-weighted specification testing under general distributions” 将核加权规范检验推广到分布可能含奇异成分的设定，建立核平滑 U-统计量的渐近正态性。“Signal detection in degree corrected ERGMs” 在网络模型下对比条件中心化与无条件度和统计量的检测能力，并给出检测下界。“Multiscale jump testing and estimation under complex temporal dynamics” 在非平稳时间序列中用多尺度跳跃滤波器检测跳跃点，允许跳跃数发散且幅度趋于零。“Sequential change diagnosis revisited and the Adaptive Matrix CuSum” 修正了顺序诊断中误判条件概率高的缺陷，提出不牺牲最坏情况延迟的递归算法。

非参数半参主线中多篇论文聚焦收敛速率的精确刻画与自适应。例如，“Conditional hazard rate estimation for right censored data” 给出条件风险率在连续协变量下的尖锐极小化收敛率，并拓展到混合型协变量。“Sparse M-estimators in semi-parametric copula models” 在边际分布未知（伪观察）下建立稀疏 M-估计的渐近正态性与 Oracle 性质。“Local convergence rates of the nonparametric least squares estimator with applications to transfer learning” 通过局部扰动建立 LSE 在协变量漂移下的点态收敛界，证明其自适应于局部稀疏程度。“Adaptive inference over Besov spaces in the white noise model using p-exponential priors” 证明 Laplace 先验在均匀和非均匀 Besov 空间均可达到或逼近极小极大速率，统一了先验的适应能力。“Functional linear quantile regression on a two-dimensional domain” 在二维域上结合 RKHS 和插值空间理论给出分位数斜率估计的极小极大率，并处理协方差与再生核的同时对角化。“M-estimation for varying coefficient models with a functional response in a reproducing kernel Hilbert space” 提出统一 M-估计框架覆盖均值与分位回归，达到极小化最优收敛率。

对于关注因果推断、半参数效率或高维方向的研究者，本期最贴近的论文包括：因果图理论的“Towards standard imsets for maximal ancestral graphs”，该文将标准 imset 从 DAG 扩展到 MAG，提供可计算的评分准则；半参数框架的“Sparse M-estimators in semi-parametric copula models”与“Local convergence rates of the nonparametric least squares estimator with applications to transfer learning”，两者分别处理伪观察下的稀疏推断和协变量漂移下的局部收敛，工具（经验过程、局部扰动）可直接迁移；以及假设检验中“Kernel-weighted specification testing under general distributions”提供的非参数检验方法，对因果识别中的规范检验有参考价值。

因果推断 (causal_inference, 1 篇)¶

1. 10.3150/23-bej1663 · arXiv — Towards standard imsets for maximal ancestral graphs¶

作者: Zhongyi Hu, Robin J. Evans
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 8/10 · novelty: new_method
摘要: 本文旨在将 Studený（2005）提出的标准 imset 从有向无环图（DAG）模型扩展到最大祖先图（MAG）模型，以代数方式表示条件独立模型。作者利用 Hu 和 Evans（2020）的参数化集表示，为 MAG 定义了标准 imset，该 imset 与模型诱导的独立性列表一一对应，从而提供一种替代 BIC 且易于计算的评分准则。对于某些无法完全表示所有独立性的 MAG，作者引入了 power DAGs 这一新图工具精炼 Richardson（2003）的简化有序局部马尔可夫性质，从而得到一个可正确表示模型的 imset。该 imset 在代表 MAG 的独立性模型中是最小的，且在温和条件下可在多项式时间内构造。这项工作将代数 imset 方法从 DAG 拓展至更一般的带有潜在变量的因果图模型，为因果结构学习提供了新途径。对您来说，MAG 是处理未观测混杂和选择偏倚的核心工具，本文的 imset 评分准则可用于因果发现中的模型选择，与您对因果推断识别和估计的兴趣紧密相连。
关键技术: standard imset, maximal ancestral graph (MAG), parameterizing set representation, power DAGs, reduced ordered local Markov property, scoring criterion
为什么对您有用: 本文直接关联您对因果推断中图模型表示的兴趣。MAG 能够处理潜在变量和选择偏倚，是因果识别的重要工具。本文提出的 imset 评分准则为因果结构学习提供了新方法，您 moderately_familiar 中的 identification theory 可帮助理解其识别条件，而 very_familiar 中的 nonparametric statistics 可用于评估其渐近性质。当前可读性高，属于从中期可做层面推进的方向——需要先系统掌握 MAG 和 imset 的代数基础（moderately_familiar 的图模型部分），然后可将其与您已有的 HOIF 或 U-统计量工具结合，探索评分一致性和计算效率。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.3150/23-bej1644 · arXiv — Noise covariance estimation in multi-task high-dimensional linear models¶

作者: Kai Tan, Gabriel Romon, Pierre C. Bellec
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 8/10 · novelty: new_method
摘要: 本文考虑多任务高维线性回归模型，其中不同任务的噪声具有相关性，且样本量n与维度p同阶（中等高维情形）。核心目标是估计噪声随机向量的协方差矩阵，而回归系数被视为 nuisance参数。作者利用多任务弹性网或lasso估计器来估计 nuisance，通过精确理解残差平方矩阵的偏差并进行偏差校正，提出了一种新的噪声协方差估计量。在协变量为高斯的假设下，该估计量在Frobenius范数下达到n^{-1/2}收敛速率，且计算高效。在适当条件下，所提估计量的收敛速度与事先知道回归系数的“oracle”估计量相同。作为副产品，该方法还给出了多任务弹性网/lasso的泛化误差估计。模拟研究证实了方法的有限样本表现。对您而言，本文直接关联到高维统计中的协方差估计问题，且其偏差校正技术可联系到随机矩阵理论中谱统计量的高阶校正。
关键技术: multi-task elastic-net, bias correction, Frobenius norm convergence, Gaussian covariates, method-of-moments estimator
为什么对您有用: (1) 直接触及高维统计中噪声协方差估计这一子方向，与随机矩阵理论中关于样本协方差矩阵谱行为的分析高度相关。(2) 您非常熟悉的高维渐近理论可直接用于理解其偏差校正步骤，并可考虑将结果推广至非高斯协变量或非齐次任务结构。(3) 立即可做：利用已有高维渐近工具复现并扩展其数值实验，或推导更紧的常数界。

非参数 / 半参数 (nonparam_semipara, 15 篇)¶

1. 10.3150/23-bej1679 — Conditional hazard rate estimation for right censored data¶

作者: Sam Efromovich
期刊/来源: Bernoulli
机构: The University of Texas at Dallas
分类: vol 30 · issue 3
相关性 8/10 · novelty: new_theory
摘要: 本文针对右删失数据，发展了条件风险率函数的非参数尖锐极小化估计理论。在给定连续协变量的条件下，采用oracle方法推导了条件风险率和冗余函数对均方积分误差(MISE)收敛速率和常数的影响。提出了一种数据驱动估计器，其表现与oracle匹配，且当寿命与协变量独立时，估计器能自动识别并以单变量速率收敛。进一步将方法扩展到连续/有序/名义分类协变量，提出了适应光滑性和维度的自适应估计器。通过减少温室气体排放的实际例子展示了方法的应用。该工作为非参数自适应估计提供了新工具，与研究者'非参数统计'和'minimax界限'的专长相契合。
关键技术: sharp minimax estimation, oracle approach, data-driven estimator, adaptive to smoothness, continuous and categorical covariates
为什么对您有用: 直接连接非参数统计中的minimax自适应估计问题，与研究者'非常熟悉'的'nonparametric statistics'和'minimax bounds for estimation problems'工具高度吻合，可立即迁移至因果推断中条件效应估计的非参数方法。立即可做，无需额外技术储备。

2. 10.3150/23-bej1681 · arXiv — Sparse M-estimators in semi-parametric copula models¶

作者: Jean-David Fermanian, Benjamin Poignard
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 8/10 · novelty: new_method
摘要: 本文研究半参数copula模型中稀疏M估计的大样本性质，目标是在边际分布未知（用经验分布替代，即伪观察）的情况下建立估计量的渐近理论。方法上，作者对半参数copula模型的损失函数施加稀疏惩罚（如L1惩罚），并证明了在伪观察条件下估计量的相合性、渐近正态性和Oracle性质（变量选择一致性）。关键难点在于伪观察改变了通常M估计的极限分布，需要重新推导经验copula过程及多元秩统计量的弱收敛性。技术工具包括经验过程理论、稀疏M估计的渐近分析和copula过程的泛函极限。数值实验验证了理论结果，使用高斯copula和混合copula的Canonical Maximum Likelihood损失。本文对您有用：它连接了您熟悉的半参数估计理论和高维稀疏方法，且涉及伪观察的渐近理论，可以直接运用您熟悉的M估计和经验过程工具来理解和扩展。
关键技术: sparse M-estimators, pseudo-observations, semi-parametric copula models, oracle property, empirical copula processes, multivariate rank statistics
为什么对您有用: 本文直接连接到半参数非参理论中的半参数估计问题，同时涉及高维统计中的稀疏惩罚。您熟悉的M估计理论和经验过程方法可以直接用于理解本文的主要定理证明。由于这些工具在您的非常熟悉列表中，本文可以立即可读，并可能为研究生参数模型的变量选择提供新思路。

3. 10.3150/23-bej1655 · arXiv — Local convergence rates of the nonparametric least squares estimator with applications to transfer learning¶

作者: Johannes Schmidt-Hieber, Petr Zamolodtchikov
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 8/10 · novelty: new_theory
摘要: 该论文研究在协变量漂移（covariate shift）下，1-Lipschitz 函数类上非参数最小二乘估计量（LSE）的局部收敛速度。目标是在设计分布非均匀时，刻画经验风险最小化器的逐点收敛行为。作者开发了一种新的间接证明技术：通过局部扰动 LSE 来建立局部收敛性，从而证明 LSE 在加权均匀范数下也是 minimax 率最优的，其中权重视设计密度的局部大小为自然调整。该方法避免了传统全局风险分析，直接给出了局部点态收敛界。进一步，这些局部收敛率被应用于迁移学习中的协变量漂移设定，分析目标域上的估计性能。主要理论结果揭示了 LSE 自适应于设计分布的局部稀疏程度，为迁移学习中的非参数回归提供了理论保障。此研究直接对应您对 nonparametric statistics 和 minimax bounds 兴趣，特别是局部收敛率的证明技术可推广至因果推断中外推问题的分析。
关键技术: empirical risk minimization, local perturbation technique, weighted uniform norm, minimax rate optimality, covariate shift, transfer learning
为什么对您有用: 本文聚焦非参数最小二乘估计的局部收敛率，直接对接您 primary interests 中的 nonparametric statistics 与 minimax bounds。借助您 very_familiar 武器库中的非参数统计和 minimax 界工具，可以立即理解其证明技术，并考虑将局部收敛率分析扩展到因果推断中的迁移学习情景（如 ATE 外推）。立即可做，无需额外工具储备。

4. 10.3150/23-bej1657 — A large-sample theory for infinitesimal gradient boosting¶

作者: Clément Dombry, Jean-Jil Duchamps
期刊/来源: Bernoulli
机构: Centre National de la Recherche Scientifique · Université de Franche-Comté
分类: vol 30 · issue 3
相关性 7/10 · novelty: new_theory
摘要: 本文研究无穷小梯度提升（infinitesimal gradient boosting）的大样本渐近理论。该算法是树梯度Boosting在学习率趋于零时的极限，其学习动态由依赖于训练样本的无穷维非线性ODE刻画。作者证明在样本量趋于无穷时，样本路径收敛到一个确定性过程，该过程由依赖总体分布的微分方程描述。关键技术包括泛函分析、经验过程理论和鞅收敛定理。进一步，作者证明在该总体极限下测试误差随时间单调递减，并分析了长时间行为。该工作为梯度提升算法的连续时间视角提供了严格的渐近基础。对您有用：您熟悉非参数统计和渐近理论，可尝试将本框架应用于因果推断中迭代估计器的理论分析（如boosting-based TMLE）。
关键技术: infinitesimal gradient boosting, nonlinear ODE in infinite-dimensional space, large sample asymptotics, empirical process theory, population limit, test error monotonicity
为什么对您有用: 本文属于非参数统计和渐近理论（您非常熟悉的领域）在boosting算法上的应用。您可以用M-estimation理论（moderately_familiar）中的gradient flow思想来比较本框架的收敛条件。此外，该工作的连续时间视角可能启发您在高维因果推断中设计新的迭代估计算法。follow-up粗判：中期可做——需先在M-estimation或semiparametric theory上进一步熟悉连续时间动力系统分析。

5. 10.3150/23-bej1659 · arXiv — Asymptotics of discrete Schrödinger bridges via chaos decomposition¶

作者: Zaid Harchaoui, Lang Liu, Soumik Pal
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 7/10 · novelty: new_theory
摘要: 本文研究离散 Schrödinger bridge 的渐近理论：给定两个独立 i.i.d. 样本（规模 N），对每个 matching 赋予 Gibbs 概率权重，构造随机联合分布，目标是证明其收敛到 Föllmer 提出的 Schrödinger problem 的解。核心方法是 novel chaos decomposition：将离散 Schrödinger bridge 展开为关于经验测度的多项式函数，通过在测度空间上做一阶和二阶 Taylor 近似实现。主要结果包括：随机联合分布以速率 N^{-1/2} 和 N^{-1} 的误差项收敛到 Schrödinger problem 的解；积分泛函的中心极限定理；当极限高斯方差为零时，二阶 Gaussian chaos 极限。技术关键是将经典 U-statistic 的 Hoeffding decomposition 推广到测度空间框架。对您有用：本文的 chaos decomposition 技术与您熟悉的 higher-order U-statistics 理论直接相关，可作为 Hoeffding decomposition 在最优传输问题中的推广案例。
关键技术: chaos decomposition, Hoeffding decomposition extension, Schrödinger bridge, Gaussian chaos limit, empirical measure Taylor expansion, optimal transport
为什么对您有用: (1) 直接连接到 primary interest 中的 higher-order U-statistics——本文将经典 Hoeffding decomposition 推广到测度空间，是您 very_familiar 的 U-statistics 计算理论在最优传输方向的自然延伸。(2) 您武器库中 very_familiar 的「computation of higher-order U-statistics (treewidth / tensor contraction / einsum)」可直接用于分析本文 chaos decomposition 的计算复杂度；moderately_familiar 的「theory of higher-order U-statistics」可帮助理解其展开式的收敛性质。(3) 立即可做：用您熟悉的 U-statistic treewidth 视角分析 chaos decomposition 项的计算成本，或验证 N^{-1/2} 速率是否可通过 minimax bound 判紧。

6. 10.3150/23-bej1653 — Functional linear quantile regression on a two-dimensional domain¶

作者: Nan Zhang, Peng Liu, Linglong Kong, Bei Jiang, Jianhua Z. Huang
期刊/来源: Bernoulli
机构: Fudan University · University of Kent · University of Alberta · Chinese University of Hong Kong, Shenzhen
分类: vol 30 · issue 3
相关性 7/10 · novelty: new_theory
摘要: 本文研究二维域上函数线性分位数回归的斜率函数估计问题，目标是在 RKHS 框架下对条件分位数建模，关键假设包括斜率函数的光滑性及协方差核的正则性。方法上，通过最小化惩罚经验 check loss 函数获得正则化估计量，核心工具是 RKHS 内插空间理论，用于建立估计量的 minimax 收敛速率。技术亮点在于发展了二维/多维域上再生核与协方差核的同时对角化结果，揭示了两种核的交互作用如何决定最优收敛速率；当协方差核属于 Matérn 类、斜率函数属于 Sobolev 空间时，理论适用。计算上采用内点法实现估计量，并应用于 ADNI 研究的海马体表面数据。对您而言，本文的 minimax rate 分析和 RKHS 内插空间技术可迁移至您熟悉的非参数理论及逆问题研究。
关键技术: functional linear quantile regression, reproducing kernel Hilbert space, minimax rate of convergence, interpolation space theory, simultaneous diagonalization of kernels, penalized check loss
为什么对您有用: 本文直接关联您的 nonparametric statistics 和 minimax bounds for estimation problems 方向，其 RKHS 内插空间与同时对角化技术是您 very_familiar 武器库可直接攻克的口子。您可以用熟悉的 minimax bound 工具验证其声称的速率是否紧，或考虑将类似技术移植到因果推断中的函数型 treatment effect 估计问题。follow-up 判断：立即可做。

7. 10.3150/23-bej1673 · arXiv — Adaptive inference over Besov spaces in the white noise model using p-exponential priors¶

作者: Sergios Agapiou, Aimilia Savva
期刊/来源: Bernoulli
机构: University of Cyprus
分类: vol 30 · issue 3
相关性 7/10 · novelty: new_theory
摘要: 本文在白色噪声模型下研究Besov空间上空间非均匀函数的自适应贝叶斯推断，重点分析p-指数先验（介于Laplace与Gauss之间）的收缩速率。先验包含正则性和缩放两个超参数，通过经验贝叶斯与分层贝叶斯方法进行自适应调整。已知高斯先验仅能在空间均匀的Besov空间达到极小极大速率，而本文证明Laplace先验在均匀和非均匀Besov空间上均可达到或逼近极小极大速率。主要技术工具包括先验的浓度性质、后验收缩的速率分析以及Besov空间嵌入性质。该结果统一了Gauss与Laplace先验的适应能力，揭示了更重尾先验对空间非均匀函数的优势。对于您的非参数统计与极小极大界限研究而言，本文提供了一个清晰的自适应速率理论范例，可直接运用您熟悉的minimax界限工具验证其速率是否紧。
关键技术: p-exponential priors, Besov spaces, white noise model, empirical Bayes hyper-parameter tuning, minimax contraction rates, spatial inhomogeneity adaptation
为什么对您有用: 本文属于非参数贝叶斯自适应理论，直接对应您对nonparametric statistics的兴趣；您的武器库中的minimax bounds经验可用于验证文中声称的速率是否紧，并且该问题在贝叶斯非参数中是一个经典方向——这是一个立即可做的理论阅读，无需额外工具。

8. 10.3150/23-bej1661 — M-estimation for varying coefficient models with a functional response in a reproducing kernel Hilbert space¶

作者: Yafei Wang, Bei Jiang, Linglong Kong, Zhongzhan Zhang
期刊/来源: Bernoulli
机构: University of Alberta · Beijing University of Technology
分类: vol 30 · issue 3
相关性 6/10 · novelty: new_method
摘要: 针对含函数型响应数据的变系数模型，本文提出了一个统一的 M-估计框架，同时覆盖均值回归和分位回归。为避免传统 Fourier 基或协方差算子特征值假设的限制，假定系数函数属于再生核 Hilbert 空间 (RKHS) 以实现光滑性正则化。理论方面证明了估计量达到极小化最优收敛速率，并建立了改进的交替方向乘子法 (ADMM) 算法的收敛性。进一步通过加权 M-估计量与 Copula 模型刻画组内空间相关性，提升了估计精度。模拟与神经影像真实数据分析表明该方法对异常值具有稳健性。该论文将半参数 M-估计理论、RKHS 与非参数极小化率分析结合，直接关联您的非参数统计与 M-估计理论兴趣。
关键技术: M-estimation, varying coefficient model, reproducing kernel Hilbert space, minimax rate optimality, ADMM algorithm, copula model for spatial dependence
为什么对您有用: 本文直接对接您 primary interest 中的半参数/非参数理论，特别是 RKHS 框架下的 M-估计与极小化率分析。您非常熟悉的非参数统计与极小化界限工具可直接用于检验其率最优性的紧致性，而中等熟悉的 M-估计理论可进一步深入其影响函数结构。该论文属于立即可做方向：现有武器库足以评估并扩展其理论结果。

9. 10.3150/23-bej1668 — Empirical Bayes inference for the block maxima method¶

作者: Simone A. Padoan, Stefano Rizzelli
期刊/来源: Bernoulli
机构: Bocconi University
分类: vol 30 · issue 3
相关性 5/10 · novelty: new_theory
摘要: 在极值理论的 block maxima 方法设定下，目标是推断尾部指数和 return levels，假设数据来自某极值分布的吸引域。本文提出 empirical Bayes 方法，证明尾部指数和 return levels 的后验分布具有渐近性质（后验收缩、渐近正态），并将理论延伸至 posterior predictive distribution。计算采用 adaptive Metropolis-Hastings 算法，模拟显示小样本下表现良好。对您可能有用的是：这是 empirical Bayes 在非参数/半参数极值推断中的系统性理论工作，可作为 semiparametric efficiency 理论在极端值场景的参考案例。
关键技术: empirical Bayes, block maxima method, extreme value distribution, posterior contraction, adaptive Metropolis-Hastings, return level estimation
为什么对您有用: 本文连接到 semiparametric and nonparametric theory 方向，展示了 empirical Bayes 在非标准推断问题（极值分布吸引域）中的理论分析框架。您熟悉的 minimax bounds 和 nonparametric statistics 可用于审视其后验收缩率是否达到最优，但极值理论的特殊概率工具（如 domain of attraction、regular variation）属于 moderately_familiar 范畴，需先补充相关背景。中期可做：若对极值理论感兴趣，可先在 moderately_familiar 的 semiparametric theory 基础上补充极值分布理论，再审视其效率性质。

10. 10.3150/23-bej1660 — Parametric inference for ergodic McKean-Vlasov stochastic differential equations¶

作者: Valentine Genon-Catalot, Catherine Larédo
期刊/来源: Bernoulli
机构: Centre National de la Recherche Scientifique · Université Paris Cité · Sorbonne Paris Cité · Mathématiques Appliquées à Paris 5 · Laboratoire de Probabilités, Statistique et Modélisation
分类: vol 30 · issue 3
相关性 5/10 · novelty: new_method
摘要: 在连续时间观测的平稳 McKean-Vlasov SDE 框架下，目标是估计势能与交互项中的未知参数。由于平稳分布无显式表达，精确似然不可计算，作者采用两阶段策略：先用 [0,T] 上的轨道构造平稳密度的核估计，再基于 [T,2T] 上的轨道构建近似似然并研究 M-estimator 的渐近性质。核心贡献在于证明了核密度估计在该扩散框架下的原创性收敛性质，并建立了参数估计量的 √T-相合性与渐近正态性。技术工具涉及扩散过程的遍历理论、核密度估计的收敛速率分析以及 M-估计理论。对您在 semiparametric theory 和 M-estimation 方面的 moderately_familiar 武器库有直接连接。
关键技术: kernel density estimation, M-estimation theory, ergodic diffusion process, approximate likelihood, stationary distribution inference, McKean-Vlasov SDE
为什么对您有用: 本文属于 semiparametric inference 范畴，涉及非参数成分（平稳密度）的核估计与参数估计的联合分析，直接连接您 moderately_familiar 中的 semiparametric theory 和 M-estimation theory。核心数学工具是经典的核密度估计和 M-估计渐近理论，属于您 very_familiar 的 nonparametric statistics 范畴，但需要补充扩散过程遍历理论的背景。中期可做：需先在 moderately_familiar 的 M-estimation theory 上确认扩散过程特殊结构带来的技术细节（如遍历性条件、mixing 性质），但核心证明框架在武器库内。

11. 10.3150/23-bej1665 — Learning to reflect: A unifying approach for data-driven stochastic control strategies¶

作者: Sören Christensen, Claudia Strauch, Lukas Trottner
期刊/来源: Bernoulli
机构: Christian-Albrechts-Universität zu Kiel · Aarhus University · University of Mannheim
分类: vol 30 · issue 3
相关性 4/10 · novelty: new_method
摘要: 本文研究随机最优控制中的数据驱动策略，考虑扩散过程与Lévy过程两类遍历过程。传统方法依赖已知动力学，而本文旨在通过观测数据学习控制策略。核心创新在于将复杂的奇异控制问题简化为对过程不变分布密度的速率最优估计，损失为 sup-norm 风险。利用两类过程均满足指数 β-混合这一共同稳定性性质，统一推导收敛速率。结果表明，在 Lévy 情形下，所构造的数据驱动策略的遗憾阶显著优于扩散情形。本文的方法论核心——非参数 sup-norm 估计与 β-混合收敛分析——与您熟悉的非参数最小化速率理论直接相关，且相依数据下的分析技巧可迁移至您关注的因果推断或高维问题。
关键技术: data-driven stochastic control, sup-norm risk estimation, invariant distribution estimation, exponential β-mixing, rate-optimal estimation, singular stochastic control
为什么对您有用: 本文非参数 rate-optimal 估计不变分布的问题，直接对应您技术武器库中“nonparametric statistics”和“minimax bounds for estimation problems”两项非常熟悉的领域。β-混合下的收敛分析可迁移至您当前关注的因果推断中纵向依赖数据。立即可做：您可用 minimax 工具验证本文声称的率最优性是否紧，并尝试将分析框架推广至半参数设定。

12. 10.3150/23-bej1676 · arXiv — When scattering transform meets non-Gaussian random processes, a double scaling limit result¶

作者: Gi-Ren Liu, Yuan-Chung Sheu, Hau-Tieng Wu
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 4/10 · novelty: new_theory
摘要: 本文研究二阶 scattering transform 在一类长程相依非高斯随机过程上的 double scaling limit 问题，目标是在所有尺度参数同时趋于无穷时刻画有限维分布的极限行为。核心设定是 fractional Brownian motion 类型的长程相依输入，Hurst 指数 H ∈ (0,1) 是关键正则性参数。作者首先证明当尺度参数充分大时，非高斯过程的 scattering transform 可被对应高斯过程的二阶 scattering transform 逼近；随后对逼近过程（仍非高斯）用矩方法证明 double scaling limit 存在，并给出第一、二层小波变换尺度参数之间的耦合规则——该规则由 Hurst 指数显式表达。极限过程的谱密度函数可显式写出，仅依赖于 Hurst 指数和母小波的 Fourier 变换。对您可能有用的是，这是 scattering transform（信号处理/深度学习理论中的非参数特征提取器）在非高斯设定下的严格极限理论，与您熟悉的非参数统计和 minimax 理论有方法论连接。
关键技术: scattering transform, double scaling limit, moment method, long-range dependence, wavelet transform, spectral density
为什么对您有用: (1) 连接到您 primary interest 中的非参数理论——scattering transform 是近年来信号处理和深度学习理论中重要的非参数特征提取器，本文给出了它在非高斯长程相依设定下的严格极限理论。(2) 技术上，本文的核心工具是矩方法和 scaling limit 分析，与您 very_familiar 的非参数统计和 minimax bounds 有方法论上的共通性；但 scattering transform 的具体结构和 wavelet 理论可能需要额外背景。(3) follow-up 粗判：中期可做——若想进入 scattering transform / 信号处理的非参数理论方向，需先补充 wavelet 理论和 Mallat scattering 架构的背景；本文作为该方向的 rigorous theory paper，值得花时间读全文。

13. 10.3150/23-bej1664 · arXiv — Large deviations of reflected weakly interacting particle systems¶

作者: Ping Chen, Rong Wei, Tusheng Zhang
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 3/10 · novelty: new_theory
摘要: 研究问题是 N 个弱相互作用扩散粒子系统在反射边界条件下的经验测度的大偏差原理。设定为带反射的 McKean-Vlasov 型相互作用扩散，粒子间通过经验测度耦合，反射边界由 Skorokhod 条件刻画。核心方法是 weak convergence approach：通过在概率测度空间上构造变分问题，将大偏差问题转化为受控系统的弱收敛问题。关键技术步骤是证明受控反射系统的经验测度序列收敛到反射 McKean-Vlasov 方程的弱解，需要处理反射项带来的边界复杂性。主要结果是在 Polish 空间上证明了经验测度满足速率函数为变分泛函的 LDP。对您可能有用：weak convergence approach 是证明大偏差的经典技术路线，与您熟悉的经验过程理论有内在联系。
关键技术: large deviation principle, weak convergence approach, McKean-Vlasov equation, reflected diffusion, Skorokhod problem, empirical measure
为什么对您有用: 本文属于概率论大偏差理论在相互作用粒子系统中的应用，与您 primary interests 中的 semiparametric theory 和 efficiency theory 有间接联系（经验测度的 LDP 是 M-estimator 渐近理论的深层工具）。您的 technical_arsenal 中 minimax bounds 和 high-dimensional asymptotics 提供了理解大偏差框架的基础，但本文核心的弱收敛方法需要额外的测度论概率工具。中期可做：若想深入大偏差理论，需先在 moderately_familiar 的 M-estimation theory 基础上补充 Schilder 型泛函 LDP 和 Varadhan 引理等技术。

14. 10.3150/23-bej1672 · arXiv — A trajectorial approach to entropy dissipation for degenerate parabolic equations¶

作者: Donghan Kim, Lane Chun Yeung
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 3/10 · novelty: new_theory
摘要: 本文研究有界域上带无通量边界条件的退化扩散方程 ∂_t p_t = Δf(p_t)，目标是在包括多孔介质方程在内的非线性 f 类别下建立 trajectorial 熵耗散恒等式。核心机制是对底层概率表示——即带法向反射的随机微分方程——应用 Itô 随机微积分，推导出沿扩散每条路径的熵耗散率。该方法进一步导出了非线性扩散的 Wasserstein 梯度流性质的新证明，以及在当前框架下 HWI 不等式的简洁证明。技术工具包括反射 SDE、Itô 公式、Wasserstein 距离、熵-传输不等式。对您而言，这是概率方法在泛函不等式和 PDE 中的优雅应用，与您熟悉的 minimax 理论和逆问题有方法论上的间接联系。
关键技术: stochastic differential equations with reflection, Itô calculus, Wasserstein gradient flow, HWI inequality, entropy dissipation identity, probabilistic representation of PDEs
为什么对您有用: 本文属于概率方法在分析/泛函不等式中的应用，与您 primary interests 中的 semiparametric theory 和 nonparametric theory 有方法论上的间接联系（如熵方法在信息论和估计理论中的应用），但核心机器（反射 SDE、Wasserstein 几何）不在您的 technical_arsenal 中。follow-up 判断：暂不可做——核心工具是随机分析和最优传输理论，您的武器库目前缺乏这些基础；若想进入该方向，需先补充 Wasserstein 几何和反射 SDE 的基础知识。

15. 10.3150/23-bej1670 — Poincaré inequalities and integrated curvature-dimension criterion for generalised Cauchy and convex measures¶

作者: Baptiste Huguet
期刊/来源: Bernoulli
机构: Institut de recherche mathématique de Rennes · École Normale Supérieure de Rennes · Université de Rennes
分类: vol 30 · issue 3
相关性 0/10 · novelty: new_theory
摘要: 研究 Riemannian 流形上一类广义测度的加权 Poincaré 不等式，目标是给出最优谱隙、误差项和极值函数的精确刻画。核心工具是 integrated curvature-dimension criterion，这是 Bakry-Émery 曲率-维数条件的推广，用于在非光滑测度情形建立泛函不等式。主要结果是对广义 Cauchy 测度给出了统一的加权 Poincaré 不等式证明，覆盖全部参数范围，并获得最优谱隙常数和极值函数的显式表达。技术路线依赖加权 Sobolev 空间和扩散算子谱理论，属于概率测度与泛函分析的交叉。对您在 semiparametric theory 和 nonparametric statistics 方向的工作有潜在参考价值，尤其是涉及信息矩阵和效率界时的泛函不等式工具。
关键技术: Poincaré inequality, curvature-dimension criterion, generalized Cauchy measures, spectral gap, Riemannian manifold, weighted Sobolev space
为什么对您有用: 本文属于 semiparametric/nonparametric 理论的基础泛函工具，Poincaré 不等式是证明参数估计 n^{-1/2}-CAN 性质和 semiparametric efficiency bound 的核心技术之一。您武器库中的 nonparametric statistics 和 minimax bounds 工具可直接用于理解本文的技术框架，但需要补充 Riemannian 几何和扩散算子谱理论的背景。中期可做：若要深入 semiparametric efficiency 的泛函分析基础，本文是好入口，但需先在 curvature-dimension 理论上长肌肉。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)¶

1. 10.3150/23-bej1667 · arXiv — Sparse signal detection in heteroscedastic Gaussian sequence models: Sharp minimax rates¶

作者: Julien Chhor, Rajarshi Mukherjee, Subhabrata Sen
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 9/10 · novelty: sharper_rate
摘要: 本文在异方差高斯序列模型下研究稀疏信号检测问题，目标由已知协方差矩阵 Σ=diag(σ1^2,...,σd^2) 和已知稀疏度 s 刻画。零假设为 θ=0，备择假设为 s-稀疏向量且与 0 在 L^t 范数下距离至少 ε^。核心目标是确定能够以高概率区分两类假设的最小分离半径 ε^（minimax separation radius）。作者推导了 ε^ 的精确 minimax 上下界并证明其匹配，同时构造了达到该界的检验统计量。结果揭示了 ε^ 关于稀疏度、L^t 度量以及异方差性剖面的新相变现象；特别在 L^2 分离情形下，填补了文献中的空白。技术依赖于经典 minimax 框架下的似然比检验构造和精密的概率集中不等式。该工作与您的高维假设检验及 minimax 理论兴趣直接相关，其中的相变分析思路可推广至异方差未知或相关协方差等设定。
关键技术: minimax separation radius, sparse alternatives under L^t norm, heteroscedastic Gaussian sequence model, phase transition analysis
为什么对您有用: 本文属于高维统计假设检验中的 minimax 检测问题，直接对应您 primary_interests 中的“high-dimensional statistics”和“hypothesis testing”子方向。您非常熟悉的 minimax bound 技术（technical_arsenal.very_familiar 第一项）可直接用于理解本文上下界推导的紧性，并可能扩展至其他稀疏度量或异方差结构。粗判：立即可做——利用已有的 minimax 分析工具即可复现或变体本文结果。

2. 10.3150/23-bej1658 · arXiv — Kernel-weighted specification testing under general distributions¶

作者: Sid Kankanala, Victoria Zinde-Walsh
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 9/10 · novelty: new_theory
摘要: 该论文研究了一类核加权规范检验（kernel-weighted specification test）在回归变量分布极一般条件下的极限理论。传统核方法通常假设回归变量的分布关于Lebesgue测度绝对连续，但实际应用中可能包含奇异成分（如离散点或低维流形）。作者在分布可能混合连续、离散和奇异成分的设定下，建立了核加权U-统计量（kernel smoothed U-statistics）的渐近正态性，并给出了参数条件均值检验的渐近分布。关键技术工具包括核函数、U-统计量投影方法和经验过程理论。模拟表明，条件变量的分布类型显著影响检验功效，验证了理论结果的实际意义。该结果对使用核平滑U-统计量的其他应用（如非平稳回归、倾向得分推断）具有独立参考价值。对您而言，这篇论文直接关联假设检验和高阶U-统计量的极限理论，特别是核加权U-统计量在非光滑分布下的行为分析，可丰富您在高维和非参数检验领域的工具箱。
关键技术: kernel-weighted test statistics, kernel smoothed U-statistics, specification test, singular distributions, limit theory for U-statistics, non-stationary regression
为什么对您有用: 本文直接切入您的数理统计/假设检验兴趣子方向，特别是核加权检验在非标准分布下的极限行为。您对高阶U-统计量的非常熟悉（技术武器库中'computation of higher-order U-statistics'和'high-dimensional asymptotics'两项），可以立即用非参数经验过程工具理解并评价其渐近论证，甚至考虑将该框架拓展到更复杂的数据结构（如高维或缺失数据）。这是一项立即可做的理论阅读，无需额外工具准备。

3. 10.3150/23-bej1651 · arXiv — Signal detection in degree corrected ERGMs¶

作者: Yuanzhe Xu, Sumit Mukherjee
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 6/10 · novelty: new_theory
摘要: 本文研究度校正指数随机图模型（Degree Corrected ERGM）中的稀疏信号检测问题，目标是在网络结构存在弱信号时判断图中是否存在额外结构（如边聚类）。方法上，考虑基于条件中心化的度和统计量（sum of degrees）以及条件中心化的最大度统计量（maximum of degrees）两类检验，证明它们在广泛ERGM类中的性能与经典β模型中的非中心检验相匹配。针对度校正二星ERGM，揭示了在临界参数区域使用无条件度和统计量可实现比条件中心化检验更优的检测能力。在理论方面，为所有参数区域提供了匹配的检测下界，下界的推导依赖于备择假设下度变量之间相关性估计的技术，这一方法可能具有独立价值。该工作为稀疏网络信号的假设检验提供了尖锐的检测阈值，并展示了不同检验统计量在ERGM框架下的效率对比。对您而言，本文直接对接假设检验与高维网络模型的检测问题，其下界技术可利用您熟悉的 minimax bounds 工具进一步检验最优性或推广至其他ERGM变体。
关键技术: conditionally centered sum test, conditionally centered maximum test, degree corrected ERGM, detection lower bound via correlation estimation, sparse signal detection in networks
为什么对您有用: 本文是假设检验（尤其是网络信号检测）的最新理论成果，直接对应您的 primary interest 中的 'hypothesis testing'。文中匹配检测下界的推导使用了相关性估计技术，而您对 minimax bounds 非常熟悉，可以立即用于验证下界的紧性或将方法推广至其他 ERGM 或更一般的网络模型（立即可做）。此外，网络数据的检测问题与您关注的因果推断中网络干扰假设检验也有潜在交叉，值得细读。

4. 10.3150/23-bej1677 · arXiv — Multiscale jump testing and estimation under complex temporal dynamics¶

作者: Weichi Wu, Zhou Zhou
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 6/10 · novelty: new_method
摘要: 本文研究在复杂时间动力学下（协方差和高阶结构可平滑变化或突变）检测趋势中跳跃点的问题，跳跃点数量可随样本量发散且跳跃幅度可趋于零。方法基于多尺度的最优跳跃滤波器（jump-pass filter），在允许的下界和上界之间密集选取尺度。对于一大类非平稳时间序列模型和趋势函数，该方法能在近最优检测范围内以给定概率渐近检测出所有跳跃点，且每尺度计算复杂度为O(n)，总体为O(n log^{1+ε}n)。数值实验表明方法在复杂动力学下表现稳健准确。对您而言，本文提供了一个非参数跳跃检测的新思路，其假设检验框架可启发结构变化检测问题，且多尺度滤波策略与您熟悉的高维渐近及非参数极值下界理论有直接对话空间。
关键技术: multiscale optimal jump-pass filter, non-stationary time series model, jump detection and estimation, near-optimal detection boundary, computational complexity O(n log n)
为什么对您有用: 本文属于假设检验中的变化点检测，直接对应您主要兴趣中的数学统计（hypothesis testing）和非参数理论。武器库中“nonparametric statistics”和“minimax bounds for estimation problems”（均标为very familiar）可用来验证文中所声称的“近最优检测范围”是否与已知非参数极值下界匹配。若进一步延展，您可以立即利用非常熟悉的极小极大下界工具分析该检测的锐度，属于立即可做的阅读和跟进。

5. 10.3150/23-bej1671 — Sequential change diagnosis revisited and the Adaptive Matrix CuSum¶

作者: Austin Warner, Georgios Fellouris
期刊/来源: Bernoulli
机构: University of Illinois Urbana-Champaign
分类: vol 30 · issue 3
相关性 5/10 · novelty: new_method
摘要: 本文研究在线观测下的顺序变化诊断问题，目标是在控制虚警率的同时快速检测分布突变并正确识别后变化分布。现有算法的一个核心缺陷是隐式使用变化前数据来推断后变化分布，导致在非虚警条件下误判的条件概率很高，除非变化发生在监测初期。作者提出一种新型递归算法 Adaptive Matrix CuSum，在不增加额外调参且不牺牲 Lorden 最坏情况延迟控制的前提下消除了该缺陷。理论层面，对一类通用的顺序诊断程序族进行重新分析，修正了部分已有结论，并给出了新算法的支撑性结果。此外，还构建了一套完整的设计与评估框架，并通过模拟对比展示了新方法的优势。该工作直接对接您在假设检验（特别是序列决策）中的核心兴趣，而您的非参数统计和极小极大下界功底足以快速理解其理论构造与延迟控制证明。
关键技术: Sequential change diagnosis, Adaptive Matrix CuSum, Lorden's worst-case delay, recursive algorithm, conditional misidentification probability, online detection
为什么对您有用: 这篇论文直接属于您首要兴趣中的数学统计和假设检验领域，具体是序列变化检测这一经典假设检验子方向。您的非常熟悉武器库中的非参数统计和极小极大界技能可以立即用于分析和领会其 Lorden 准则下的延迟控制论证，并且您在高维渐近和因果推断中积累的在线设置经验也有助于理解其算法递归结构。对这篇论文可立即可做：其理论结构和模拟框架完全在您现有的统计推断武器范围内，无需额外长肌肉即可深度阅读。

统计计算 / 算法 (stat_computing, 2 篇)¶

1. 10.3150/23-bej1674 · arXiv — An asymptotic Peskun ordering and its application to lifted samplers¶

作者: Philippe Gagnon, Florian Maire
期刊/来源: Bernoulli
机构: Université de Montréal
分类: vol 30 · issue 3
相关性 7/10 · novelty: new_theory
摘要: 本文研究 lifted MCMC sampler 与标准 Metropolis-Hastings 之间的比较问题，目标是建立一种弱化的 Peskun ordering 来证明前者在特定情形下的渐近优势。经典 Peskun ordering 要求对所有状态对 (x,y) 都有转移概率的逐点控制，条件极强且难以验证；作者提出渐近版本，只需在 mass-concentrating set 上满足概率不等式，且当某参数趋于无穷时成立。核心证明工具包括 lifted Markov chain 的结构分析、渐近比较框架、以及针对 partially-ordered discrete state-spaces 的定性分析。主要结果：lifted sampler 在某些可识别的情形下渐近优于 MH（如 graphical-model simulation 中的特定结构），但在其他情形未必有优势，原因被清晰揭示。对您可能有用：这是 MCMC 算法比较的方法论进展，涉及渐近分析框架和计算效率的定性刻画。
关键技术: Peskun ordering, lifted Markov chain, asymptotic dominance, Metropolis-Hastings comparison, graphical-model simulation
为什么对您有用: (1) 属于 stat_computing 与 MCMC 算法比较，是您 primary interest 中 statistical computing 的一个具体子方向。(2) 本文的渐近比较框架与您熟悉的 minimax bounds 和 high-dimensional asymptotics 有方法论上的相似性（都需要刻画渐近 regime 和收敛阶），但核心机器是 Markov chain mixing time 和 spectral gap 分析，不在您当前武器库中。(3) 暂不可做：需要先补 Markov chain 理论（mixing time、spectral methods、Peskun-type ordering），这是您目前缺乏的核心工具。

2. 10.3150/23-bej1683 — Optimal choice of bootstrap block length for periodically correlated time series¶

作者: Patrice Bertail, Anna E. Dudek
期刊/来源: Bernoulli
机构: Centre National de la Recherche Scientifique · Université Paris Nanterre · Jagiellonian University · AGH University of Krakow
分类: vol 30 · issue 3
相关性 5/10 · novelty: new_method
摘要: 本文针对周期性相关时间序列，研究两种块引导方法——广义季节性块引导（GSBB）和扩展移动块引导（EMBB）的最优块长度选择问题。考虑估计总体均值和季节均值两个设定，最优块长度通过最小化引导方差估计量的均方误差（MSE）得到。理论结果表明，在所有情况下最优块长度均与样本量的立方根成正比，并应为周期长度的倍数加一个观测值以消除偏差。论文通过模拟验证了理论推导，并给出了估计最优块长度的实际建议。该方法属于重抽样技术中的经典问题扩展，其分析框架与您熟悉的非参数统计和U统计量理论有潜在联系，适合作为统计计算方向的参考阅读。
关键技术: Generalized Seasonal Block Bootstrap, Extension of Moving Block Bootstrap, optimal block length, mean squared error minimization, periodically correlated time series, variance estimation
为什么对您有用: 本文直接关联您的统计计算兴趣，特别是重抽样方法，属于数值算法与软件实现的基础问题。您武器库中的非参数统计和软件开发技能可直接用于理解和复现这些方法；此外，引导方差估计本质上涉及高阶统计量，与您熟悉的U统计量理论可形成交叉视角。中期可做：若要进一步研究周期序列引导的改进（如自适应块长），需先熟悉时间序列中的周期相关建模（moderately_familiar）。综合来看，这是一篇值得花时间阅读全文的方法论论文。

其他 (other, 5 篇)¶

1. 10.3150/23-bej1654 — Finitely additive mass transportation¶

作者: Pietro Rigo
期刊/来源: Bernoulli
机构: University of Bologna
分类: vol 30 · issue 3
相关性 3/10 · novelty: new_theory
摘要: 本文在有限可加概率（finitely additive probability）框架下研究经典质量运输问题。设Ω为n个概率空间的乘积，M为所有边缘等于给定σ-可加测度的有限可加概率集合。证明了在无需额外正则性假设下，Kantorovich对偶性和下确界的可达性仍然成立。特别地，针对鞅运输（martingale transport）情形，当边缘分布为实数时，在一定存在性条件下，下确界可以在鞅概率集合M1中达到。给出了M1非空的判定条件。该结果将经典最优运输理论扩展到更一般的测度空间，为处理非σ-可加的不确定概率提供了新视角。由于您的研究聚焦于因果推断、半参数效率理论和高维统计，本文的概率论方向与您的核心兴趣距离较远，但鞅运输在经济金融领域有广泛应用，可作为理论背景阅读。
关键技术: Finitely additive probabilities, Kantorovich duality, Martingale transport, Attainability conditions, Product probability spaces
为什么对您有用: 本文连接经济理论子方向：鞅运输在资产定价和金融衍生品套利中有重要应用，属于您次要兴趣“economic theory”的延伸。您武器库中的“非参数统计”可能用于分析最优运输的统计变体，但本文不涉及统计推断。目前暂不可做，因缺少有限可加测度理论这一核心工具，但可作为拓展阅读以了解相关框架。

2. 10.3150/23-bej1650 · arXiv — Asymptotics for isotropic Hilbert-valued spherical random fields¶

作者: Alessia Caponera
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 3/10 · novelty: new_theory
摘要: 本文拓展了各向同性球面随机场的概念，将其推广到Hilbert空间值（无限维）情形。首先建立了谱表示定理和泛函Schoenberg定理，刻画了协方差算子的结构。随后在实值情形已有结果的基础上，证明了样本功率谱算子的相合性和高频区域下的定量中心极限定理。所有结果均依赖Hilbert空间值随机场的各向同性假设。该文纯理论，不涉及任何数据应用或实证分析。对研究者而言，其主方向（因果推断、高阶U-统计、半参效率）与该文无直接交集。该文方法学贡献在于扩展了球面随机场的理论框架，但缺乏与研究者兴趣的连接。
关键技术: isotropic spherical random fields, Hilbert-valued random fields, spectral representation theorem, Schoenberg's theorem, quantitative central limit theorem, sample power spectrum operators
为什么对您有用: 本文属于纯概率论与随机过程理论，与研究者的主要兴趣（因果推断、高维统计、高阶U-统计、半参效率、统计计算等）无直接关联。研究者武器库中的工具（如U-统计量投影、最小最大界、半参效率等）在此处无直接可用口子。本文适合作为随机过程理论的背景拓展，但不值得花时间全文精读。

3. 10.3150/23-bej1652 · arXiv — Stochastic fractional diffusion equations with Gaussian noise rough in space¶

作者: Yuhui Guo, Jian Song, Xiaoming Song
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 3/10 · novelty: new_theory
摘要: 本文研究一类带有高斯噪声的随机分数阶扩散方程，其中噪声在空间上粗糙，方程包含分数阶时间导数和分数阶拉普拉斯算子及分数阶积分算子。作者在伊藤-斯科洛霍德意义下定义随机积分，证明了解的存在唯一性，并给出了解的p阶矩的上下界。进一步研究了解的Hölder正则性。主要技术工具包括随机积分理论、分数阶微积分和概率估计。本文属于随机偏微分方程理论分析，与研究者主要兴趣方向（因果推断、高维统计、U统计量等）无直接关联，但提供了一种处理粗糙噪声的非线性SPDE的严格理论框架。对统计学研究者而言，若对连续时间随机模型或分数阶过程的统计推断有兴趣，可能具有参考价值，但目前不属于可直接利用的方向。
关键技术: Itô-Skorohod integral, Fractional diffusion equation, Gaussian noise rough in space, Hölder regularity, p-th moment bounds, Stochastic PDEs
为什么对您有用: 本文研究随机分数阶扩散方程，与研究者指定的主要兴趣（因果推断、高维统计、半参数理论）及次要兴趣（应用方向）均不直接重合。技术武器库中无对应的随机分析或SPDE工具，因此无法直接或中期可做。建议暂不深入阅读。

4. 10.3150/23-bej1656 · arXiv — Representation of random variables as Lebesgue integrals¶

作者: Sara Biagini, Gordan Žitković
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 2/10 · novelty: new_theory
摘要: 本文研究随机变量 ξ 表示为关于 Lebesgue 测度的适应过程积分的存在性条件。作者刻画了两种不同正则性类中表示存在的充要条件，这些条件用由 ξ 封闭的（局部）鞅的二次变分表达。核心工具包括随机积分、鞅表示定理和泛函分析中的对偶性。主要结果表明，表示的存在等价于某类鞅的二次变分绝对连续于 Lebesgue 测度。本文提供了严格的数学基础，对于理解统计泛函（如影响函数）的积分表示有理论参考价值。
关键技术: adapted process, Lebesgue integral representation, quadratic variation, local martingales, martingale representation theorem
为什么对您有用: 本文与研究者对 mathematical statistics 的兴趣直接相连，特别在半参数效率理论中影响函数本质上是随机变量的积分表示。该表示为非参数统计和逆问题中泛函表示的存在性提供了严格刻画，可深化对 influence function 可表示条件的认识。目前武器库中“非参数统计”和“逆问题”工具可辅助理解，但需补充随机积分知识（moderately_familiar 范畴），属于中期可读方向。

5. 10.3150/23-bej1666 · arXiv — On large deviations and intersection of random interlacements¶

作者: Xinyi Li, Zijie Zhuang
期刊/来源: Bernoulli
分类: vol 30 · issue 3
相关性 1/10 · novelty: new_theory
摘要: 研究d≥3的Z^d上随机交错集的大偏差性质。推导了交叠集在宏观盒子中的容量远小于盒子容量的事件的大偏差速率。作为应用，得到两个独立随机交错在宏观盒子中交集为空的事件的大偏差速率。进一步证明了条件于交集为空时，其中一个交错在盒内会变得稀疏，即熵排斥现象。本文属于概率论与统计物理交叉领域，技术细节涉及随机游走势、容量估计和大偏差原理。
关键技术: random interlacements, large deviations, capacity, entropic repulsion
为什么对您有用: 本文主题为概率论中的随机交错和大偏差，与您的主要兴趣（因果推断、高维统计、U-统计等）无直接关联。武器库中的非参数统计、集中不等式等工具无法直接攻入该问题。Follow-up粗判：暂不可做，因为缺少随机游走、渗流和统计物理背景的专门工具。

Maintained by 陈星宇 · Homepage · Source on GitHub