AoS — Vol 52 Issue 2 · 2026-07-04¶

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。

这一期共17篇论文，整体围绕四条主线展开：因果推断与动态处理效应（3篇）、高维假设检验与误差控制（3篇）、高维随机矩阵与统计-计算权衡（4篇）、以及非参数/半参数方法与函数型数据（5篇）。此外，还有2篇分别涉及差分隐私下的网络模型估计和非线性SDE的参数估计，可归入统计计算方向。

在因果推断主线中，三篇论文从不同角度推进了处理效应的估计与推断。Minimax rates for heterogeneous causal effect estimation 在非参数Hölder光滑模型下推导了CATE估计的minimax最优速率，并构造了局部多项式R-Learner，揭示了非标准的手肘现象。High-dimensional inference for dynamic treatment effects 将双重稳健框架推广到高维动态治疗效应，通过对中间条件结局模型进行DR表示，在更弱假设下实现更快收敛。Finding the optimal dynamic treatment regimes 则聚焦于序贯治疗策略的优化，通过刻画非凹Fisher一致替代损失函数，提出可扩展至大样本的DTRESLO方法。这三篇分别覆盖了静态CATE、动态DR和序贯策略优化，适合对因果推断中估计理论感兴趣的读者优先关注。

高维假设检验与误差控制主线包含三篇。Testing for practically significant dependencies in high dimensions 将独立性检验从点零假设推广到区间零假设，基于U-统计量的bootstrap方法达到minimax最优。The edge of discovery 提出控制最大局部错误发现率的新方法，无需先验分布即可渐近实现Oracle贝叶斯权衡。The online closure principle 将经典闭包原则推广到在线序列设定，为FWER控制提供统一理论框架。这三篇分别涉及高维关联检验、多重检验误差控制和在线决策，适合对假设检验理论有偏好的读者。

高维随机矩阵与统计-计算权衡主线中，四篇论文均利用随机矩阵理论或高维渐近分析。ℓ2 inference for change points in high-dimensional time series 通过Two-Way MOSUM方法检测高维时间序列变点，将高斯逼近推广到时空非平稳过程。Inference for heteroskedastic PCA with missing data 在缺失数据和异方差噪声下为主成分子空间构建置信区域，基于HeteroPCA和Marchenko-Pastur律。The curse of overparametrization in adversarial training 精确刻画过参数化对对抗训练鲁棒泛化的负面影响，揭示与标准泛化双下降相反的效应。Early stopping for L2-boosting 提出数据驱动的早停策略，在高维线性模型中实现统计最优性与计算效率的平衡。这四篇适合对高维渐近理论、随机矩阵及其在统计学习中的应用感兴趣的读者。

非参数/半参数主线中，五篇论文覆盖迁移学习、度量统计、回归树、扩散过程推断和函数型时间序列。Transfer learning for functional mean estimation 在函数型均值迁移学习中揭示相变现象，提出自适应算法。Metric statistics 系统综述了基于距离剖面的随机对象推断框架。Convergence rates of oblique regression trees 为oblique回归树建立oracle不等式，将其与正交贪婪算法联系。Consistent inference for diffusions 从低频观测推断反射扩散过程的扩散系数，建立贝叶斯一致性。A general framework to quantify deviations 为非平稳函数型过程的结构假设偏差提供推断框架。这五篇适合对非参数理论、函数型数据或扩散过程感兴趣的读者。

与因果推断最贴的论文是前三篇（CATE、动态DR、DTR）；与半参数效率最相关的是High-dimensional inference for dynamic treatment effects（DR表示）和Minimax rates for heterogeneous causal effect estimation（局部多项式R-Learner）；与高维方向最贴的是Testing for practically significant dependencies、ℓ2 inference for change points、Inference for heteroskedastic PCA、The curse of overparametrization和Early stopping for L2-boosting。

因果推断 (causal_inference, 3 篇)¶

1. 10.1214/24-aos2369 · arXiv — Minimax rates for heterogeneous causal effect estimation¶

作者: Edward H. Kennedy, Sivaraman Balakrishnan, James M. Robins, Larry Wasserman
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 10/10 · novelty: new_theory
摘要: 本文在 Hölder 光滑非参数模型下，推导了条件平均处理效应（CATE）估计的 minimax 最优收敛速率，并提出了一个达到该速率的局部多项式 R-Learner 估计量。研究问题设定为：观测数据来自某分布，CATE 是协变量条件下的处理效应，目标是在非参数假设下实现最优估计。核心方法包括：利用模糊假设的局部化版本构造 minimax 下界，该下界结合了非参数回归和泛函估计的下界构造技术；提出的估计量基于高阶影响函数的局部化修正，可视为局部多项式版本的 R-Learner。理论结果揭示了非标准的手肘现象（elbow phenomenon）以及非参数回归速率与泛函估计速率之间的非寻常插值，量化了 CATE 作为回归/泛函混合体的本质。该工作为 CATE 估计的最优性提供了理论基础，对您从事的因果推断（尤其是异质性处理效应）和效率理论（semiparametric efficiency bounds）方向有直接参考价值。
关键技术: minimax lower bound via localized fuzzy hypotheses, local polynomial R-Learner, higher-order influence functions, nonparametric regression and functional estimation rates
为什么对您有用: 本文直接关联您 primary interest 中的因果推断（CATE 估计）和效率理论（minimax 最优性）。您的技术武器库中 minimax bounds for estimation problems 和 estimation theory in causal inference 均为 very_familiar，可直接用于理解并验证本文的 minimax 下界构造和估计量的最优性。中期可做：若想将本文的局部多项式 R-Learner 与您熟悉的 higher-order U-statistics 计算（treewidth / tensor contraction）结合，分析其计算成本，需先在 moderately_familiar 的 HOIF 上提升熟练度。

2. 10.1214/24-aos2352 · arXiv — High-dimensional inference for dynamic treatment effects¶

作者: Jelena Bradic, Weijie Ji, Yuqian Zhang
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 9/10 · novelty: new_method
摘要: 本文研究高维混淆变量下动态治疗效应的估计与推断问题。传统双重稳健（DR）方法仅对最终期望结果进行DR表示，在高维设定下收敛速度与稳健性不足。作者提出对中间条件结局模型进行DR表示的新框架，每个时间点和治疗路径只需至少一个 nuisance 函数被正确参数化即可保证一致性。该方法在更弱假设下实现了更快的收敛速率和更强的稳健性保证，理论结果包括新的一致性定理和收敛速率界。模拟和真实数据应用验证了有限样本性能。对您而言，该工作直接连接您对因果推断中估计理论和高维统计的兴趣，其DR表示思路可迁移至您熟悉的proximal CI或纵向设定中的敏感性分析。
关键技术: doubly robust representation, dynamic treatment effects, high-dimensional confounders, intermediate conditional outcome models, robustness guarantees
为什么对您有用: 直接连接您 primary interest 中的因果推断（动态治疗效应）和高维统计。您非常熟悉的 minimax bounds 和非参数统计工具可用于验证本文声称的收敛速率是否紧；中期可做的是将本文的中间条件结局 DR 表示思路推广到您 moderately_familiar 的 HOIF 框架中，以处理更复杂的纵向因果参数。

3. 10.1214/24-aos2363 · arXiv — Finding the optimal dynamic treatment regimes using smooth Fisher consistent surrogate loss¶

作者: Nilanjana Laha, Aaron Sonabend-W, Rajarshi Mukherjee, Tianxi Cai
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 8/10 · novelty: new_method
摘要: 本文研究动态治疗策略（DTR）的最优估计问题，目标是通过直接最大化一个不连续的价值函数来找到最优的序贯治疗规则。作者证明了一大类凹替代损失函数不满足Fisher一致性，这与经典二分类问题不同；进而刻画了一类非凹的Fisher一致光滑替代损失函数，该函数适用于梯度下降类优化算法。提出的DTRESLO方法相比现有基于支持向量机的直接搜索方法（Zhao et al., 2015）在计算上更可扩展至大样本，并允许更广泛的策略函数类。理论方面，建立了DTR估计量的性质，并给出了对应遗憾的sharp上界。通过模拟和脓毒症EHR数据实证展示了方法的有效性。对您而言，该工作直接关联因果推断中的纵向/序贯治疗效应估计，且其Fisher一致性和遗憾界的理论分析可与您熟悉的非参数统计和minimax界工具对接。
关键技术: Fisher consistent surrogate loss, dynamic treatment regimes, value function maximization, regret bound, gradient descent optimization
为什么对您有用: 直接连接到primary interest中的因果推断（纵向/序贯治疗效应估计）子方向。本文的Fisher一致性和遗憾界分析可用您非常熟悉的minimax界工具来验证其sharpness；DTRESLO方法的计算可扩展性也对应您熟悉的软件开发和算法设计。中期可做：若想将本文的替代损失框架推广到更复杂的识别假设（如proximal CI中的负对照），需先在moderately_familiar的identification theory上长肌肉。

高维统计 / 随机矩阵 (high_dim_rmt, 4 篇)¶

1. 10.1214/24-aos2360 · arXiv — ℓ2 inference for change points in high-dimensional time series via a Two-Way MOSUM¶

作者: Jiaqi Li, Likai Chen, Weining Wang, Wei Biao Wu
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文针对高维时间序列中的多个变点检测问题，提出了一种基于 ℓ2 范数聚合的 MOSUM（移动和）推断方法，特别适用于信号密集或空间聚集的场景。核心创新在于引入“Two-Way MOSUM”，即同时沿时间和空间维度构造移动窗口来搜索变点，从而在变点仅出现在少数组时提升检验功效。作者通过将高维高斯逼近定理推广到时空非平稳过程，建立了 ℓ2 聚合统计量的极限分布，为变点存在性检验提供了理论基础。模拟实验表明该方法在检测非稀疏弱信号方面表现优异，两个实际应用（美股收益率和 COVID-19 病例数据）展示了算法的实用性。R 包“L2hdchange”已发布在 CRAN。对您而言，本文的高维时间序列变点推断框架与您在高维统计和假设检验方面的兴趣直接相关，其 ℓ2 聚合思路也可迁移到您熟悉的 U-统计量投影分析中。
关键技术: ℓ2-aggregated MOSUM, Two-Way MOSUM, high-dimensional Gaussian approximation, spatial-temporal nonstationary processes, change point detection
为什么对您有用: 本文连接您的高维统计与假设检验兴趣，具体涉及高维时间序列变点推断这一子方向。您的武器库中“高维渐近理论”和“非参数统计”可直接用于理解其高斯逼近证明框架，而“higher-order U-statistics 的 treewidth 视角”可用于分析 Two-Way MOSUM 统计量的计算复杂度（窗口滑动本质上是某种张量收缩）。中期可做：若您想将本文的 ℓ2 聚合思路推广到更一般的 U-统计量变点检测，需先在 moderately_familiar 的“higher-order U-statistics 理论”上加强（特别是投影分解与退化核的渐近分布）。

2. 10.1214/24-aos2366 · arXiv — Inference for heteroskedastic PCA with missing data¶

作者: Yuling Yan, Yuxin Chen, Jianqing Fan
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文研究高维主成分分析（PCA）在缺失数据和异方差噪声下的统计推断问题，目标是为主成分子空间构建置信区域。在 spike 协方差模型下，基于 HeteroPCA 估计量（Zhang et al., 2022），作者提出了非渐近的分布保证，并展示了如何用于构建子空间的置信区域以及 spike 协方差矩阵的逐元素置信区间。方法完全数据驱动，无需预先知道噪声水平，自适应于异方差随机噪声。技术核心包括利用随机矩阵理论（如 Marchenko-Pastur 律）刻画 HeteroPCA 的渐近分布，以及处理缺失数据带来的额外复杂性。理论结果是非渐近的，给出了有限样本下的分布逼近误差界。对您而言，本文在高维统计推断（特别是主成分分析的不确定性量化）方面提供了可操作的方法，与您的高维统计和随机矩阵理论兴趣直接相关。
关键技术: HeteroPCA, spiked covariance model, non-asymptotic distributional guarantees, confidence regions for principal subspace, heteroskedastic noise adaptation
为什么对您有用: 本文直接关联您的高维统计和随机矩阵理论兴趣，特别是 spike 协方差模型下的推断问题。您武器库中的高维渐近理论和 minimax 界可用于验证其非渐近界的紧性，而缺失数据下的推断方法也可能迁移到您关注的因果推断中的测量误差问题。中期可做：需先熟悉 HeteroPCA 的具体算法细节（属于 moderately_familiar 的 M-estimation 范畴），然后可尝试将类似的不确定性量化思路用于因果推断中的高维协变量调整。

3. 10.1214/24-aos2353 · arXiv — The curse of overparametrization in adversarial training: Precise analysis of robust generalization for random features regression¶

作者: Hamed Hassani, Adel Javanmard
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 6/10 · novelty: new_theory
摘要: 本文在随机特征回归（两层神经网络，第一层权重随机）的设定下，精确刻画了过参数化对对抗训练鲁棒泛化误差的影响。考虑样本量、输入维度和参数数量成比例增长的渐进框架，推导出对抗训练后鲁棒泛化误差的精确渐近公式。理论揭示过参数化对鲁棒性有非平凡效应：高度过参数化反而损害鲁棒泛化，与标准泛化中的双下降现象形成对比。方法上利用随机矩阵理论（Marchenko-Pastur 律）和凸优化分析，给出闭合形式的误差表达式。对您而言，本文是随机矩阵理论在高维统计学习（特别是鲁棒性）中的精彩应用，且其精确渐近分析框架与您熟悉的高维渐近理论直接对接。
关键技术: random matrix theory, Marchenko-Pastur law, adversarial training, random features regression, proportional asymptotics, robust generalization
为什么对您有用: 本文直接连接您的高维统计与随机矩阵理论兴趣，展示了 RMT 在刻画过参数化模型鲁棒泛化中的精确作用。您武器库中的高维渐近工具（very_familiar）可直接用于理解其推导，且其精确渐近公式为验证您自己的 minimax 界是否紧提供了基准。中期可做：若想将类似分析推广到其他模型（如核方法），需先在 moderately_familiar 的 M-estimation 理论上加强。

4. 10.1214/24-aos2356 · arXiv — Early stopping for L2-boosting in high-dimensional linear models¶

作者: Bernhard Stankewitz
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文研究高维线性模型下 L2-boosting（正交匹配追踪）的早停策略。目标是在保证统计最优性的同时降低计算成本。核心方法是提出一种数据驱动的序贯早停时间 τ，其计算仅依赖前 τ 次迭代，无需计算完整 boosting 路径。理论贡献包括：推导出经验风险的完全一般性 Oracle 不等式，并证明早停策略能达到人口风险的最优收敛速率。模拟实验表明，该方法在计算成本大幅降低的同时，性能与交叉验证 Lasso 或基于完整路径的高维 Akaike 准则相当。对您而言，本文的统计-计算权衡视角（早停作为计算约束下的统计推断策略）与您对 computationally constrained statistics 的兴趣直接相关，且其序贯决策框架可能启发您在高阶 U-统计量计算复杂度分析中引入类似思路。
关键技术: early stopping, L2-boosting, orthogonal matching pursuit, oracle inequality, high-dimensional linear model, sequential stopping time
为什么对您有用: 本文直接对应您 primary interest 中的 statistical-computational tradeoff 子方向，且满足 gateway reading 的 (a)-(c) 条件：模型设定清晰（高维线性模型）、计算模型明确（OMP 序贯算法）、统计与计算阈值对比显式（早停 vs 完整路径）。您武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可直接用于验证其 Oracle 不等式的最优性，属于立即可做的 follow-up。

非参数 / 半参数 (nonparam_semipara, 5 篇)¶

1. 10.1214/24-aos2362 · arXiv — Transfer learning for functional mean estimation: Phase transition and adaptive algorithms¶

作者: T. Tony Cai, Dongwoo Kim, Hongming Pu
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文研究基于离散采样数据的函数型均值迁移学习问题。目标分布与多个相似但不同的源分布共享部分结构，观测为带噪声的离散点。在共同设计与独立设计两种采样方案下，推导了均方误差的 minimax 最优收敛速率，揭示了有趣的相变现象：当采样频率较低时，利用源样本可显著降低估计误差；当采样频率足够高时，目标样本自身即可达到最优。方法上，提出了数据驱动的自适应算法，无需预知函数光滑度或源-目标相似度参数，即可在较大参数空间上达到对数因子内的最优收敛速率。理论结果通过模拟实验验证。对您而言，该文的相变分析与 minimax 率刻画是典型的非参数统计理论问题，且自适应算法的构造思路（如阈值选择）可迁移至高维或因果推断中的迁移学习设定。
关键技术: minimax rate, phase transition, adaptive estimation, functional data analysis, transfer learning, discrete sampling
为什么对您有用: 本文直接连接 primary interest 中的非参数统计理论与 minimax 界，且相变现象与您熟悉的 high-dimensional asymptotics 中的阈值行为有深层类比。技术武器库中 very_familiar 的 minimax bounds 和 nonparametric statistics 可直接用于验证其率是否紧，或推广至异质函数空间。中期可做：若将自适应算法中的 Lepski-type 方法迁移至因果推断的迁移学习（如源-目标协变量偏移下的 ATE 估计），需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

2. 10.1214/24-aos2368 · arXiv — Metric statistics: Exploration and inference for random objects with distance profiles¶

作者: Paromita Dubey, Yaqing Chen, Hans-Georg Müller
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 5/10 · novelty: survey
摘要: 本文系统综述了“度量统计”（metric statistics）这一新兴领域，其研究对象是取值于一般度量空间的随机对象（random objects），如分布、网络、形状等复杂数据。核心思想是利用距离剖面（distance profiles）——即每个对象到样本中其他对象的距离分布——来刻画数据的变异性、中心趋势和分位数。方法上，通过将一维距离分布进行Wasserstein配对运输，定义了直观的运输秩（transport rank）和运输分位数（transport quantile），并构建了两样本推断工具。此外，引入剖面度量（profile metric）作为原始度量空间的补充，能揭示对象数据中潜在的重要结构。文章通过多个实例和可视化展示了这些工具在复杂数据分析中的应用。对您而言，本文是了解非参数统计在非欧几里得数据上拓展的极佳入门，其距离剖面和Wasserstein运输的思想可能与您在高阶U-统计量中处理复杂对象（如网络、图）的统计推断问题产生交叉。
关键技术: metric statistics, distance profiles, Wasserstein transport, transport ranks, transport quantiles, two-sample inference
为什么对您有用: 本文属于非参数与半参数理论方向的综述，直接连接您的primary interest。其距离剖面和Wasserstein运输方法为处理非欧几里得数据提供了新工具，您可以用very_familiar的nonparametric statistics和minimax bounds工具来评估这些方法的理论性质（如收敛速度、最优性）。中期可做：若想深入，需在moderately_familiar的theory of higher-order U-statistics上长肌肉，因为距离分布的经验过程本质上涉及U-统计量结构。

3. 10.1214/24-aos2354 · arXiv — Convergence rates of oblique regression trees for flexible function libraries¶

作者: Matias D. Cattaneo, Rajita Chandak, Jason M. Klusowski
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 5/10 · novelty: new_theory
摘要: 本文为 oblique 回归树（分裂超平面为协变量线性组合）建立了首个理论框架。在递归最小二乘分裂下，推导出 oracle 不等式，证明 oblique 树能自适应逼近由 ridge 函数线性组合及其极限点构成的丰富函数类。关键机制是将递归自适应划分与凸优化中的正交贪婪算法建立联系，从而绕过最优分裂超平面的组合复杂性。理论表明，在适当条件下，oblique 树对该函数类的预测精度可与神经网络匹敌，且保持可解释性。结果还推广至 oblique 随机森林。对您而言，该工作展示了非参数回归中一种可解释方法（树）的逼近理论，其与贪婪算法的联系可能为高维 U-统计量的计算复杂度分析提供新视角。
关键技术: oblique decision trees, oracle inequality, ridge functions, orthogonal greedy algorithm, recursive partitioning, random forests
为什么对您有用: 本文直接连接您的非参数统计与 minimax 界兴趣，其核心是建立递归划分与贪婪逼近的桥梁——这恰好是您 very_familiar 的 minimax 界工具可以攻克的点：您可以用非参数下界技术验证其 oracle 不等式是否紧。中期可做：若将树分裂的贪婪选择视为一种计算约束，可尝试用您 moderately_familiar 的 HOIF 理论分析其统计-计算权衡。

4. 10.1214/24-aos2357 · arXiv — Consistent inference for diffusions from low frequency measurements¶

作者: Richard Nickl
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 4/10 · novelty: new_theory
摘要: 本文研究从低频离散观测（固定时间间隔 D）推断反射扩散过程（在 ℝ^d 有界凸域中）的扩散系数 f 的逆问题。模型由 SDE dX_t = ∇f(X_t) dt + √(2f(X_t)) dW_t 定义，观测数据为 X_0, X_D, …, X_{ND}，无法通过加密采样逼近路径。目标是推断 f 及相应的转移算子 P_{t,f}。作者首先证明了映射 f ↦ P_{t,f} ↦ P_{D,f}（t<D）的单射性定理和稳定性不等式，刻画了该逆问题的病态程度。基于这些估计，建立了基于高斯过程先验的贝叶斯算法族的一致性，并证明了部分收敛速率的最优性。文中还讨论了病态度与谱几何中“热点猜想”之间的深层联系。对您而言，本文的非参数逆问题框架与您熟悉的非参数统计和 minimax 界工具高度契合，其稳定性不等式和收敛速率分析可直接迁移至您关注的因果推断中的非参数识别问题。
关键技术: Gaussian process priors, stability inequalities, inverse problem, transition operator, spectral geometry, Bayesian nonparametrics
为什么对您有用: 本文属于非参数统计与逆问题理论，直接连接您的 primary interest 中的非参数统计和 minimax 界。您可以用 very_familiar 的非参数统计和逆问题工具（如稳定性不等式、收敛速率分析）来理解其理论框架，并思考如何将类似方法应用于因果推断中的非参数识别（如 IV 或 proximal CI 中的 ill-posed inverse problem）。立即可做：您已有的非参数统计和 minimax 界知识足以评估其理论贡献，并尝试将稳定性不等式思路迁移至您的因果推断设定。

5. 10.1214/24-aos2358 · arXiv — A general framework to quantify deviations from structural assumptions in the analysis of nonstationary function-valued processes¶

作者: Anne van Delft, Holger Dette
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 3/10 · novelty: new_method
摘要: 本文针对非平稳Hilbert空间值过程（如函数型时间序列）的二阶结构，提出一个通用框架来量化偏离结构假设的不确定性。目标是通过时变谱密度算子的泛函来度量假设偏差，例如低秩假设、平稳性假设或零函数典型相干性假设。由于迹类算子空间是类型1余类型2的Banach空间，标准统计推断工具难以直接应用，作者首先建立了序贯时变谱密度算子的弱不变原理和浓度不等式。在此基础上，构造了渐近枢轴的偏差度量估计量，并证明了其理论性质。方法应用于时变动态fPCA、主可分离成分分析等场景，检验结构假设的有效性。对您而言，该工作将非参数函数型数据的假设检验与高维渐近理论结合，其弱不变原理和浓度不等式的推导技术可能对您在高维统计和假设检验中的研究有参考价值。
关键技术: weak invariance principle, concentration inequalities, time-varying spectral density operator, trace class operators, functional principal component analysis, pivotal estimators
为什么对您有用: 本文直接关联您对非参数/半参数理论和假设检验的兴趣，特别是函数型数据中结构假设的检验问题。您武器库中'非参数统计'和'高维渐近理论'的功底可直接用于理解其弱不变原理和浓度不等式的推导，而'minimax bounds'可用于评估其偏差度量估计量的最优性。中期可做：若想将类似框架推广到因果推断中的函数型数据（如时变处理效应），需先在'semiparametric theory'上加强。

数理统计 / 假设检验 (hypothesis_testing, 3 篇)¶

1. 10.1214/24-aos2361 · arXiv — Testing for practically significant dependencies in high dimensions via bootstrapping maxima of U-statistics¶

作者: Patrick Bastian, Holger Dette, Johannes Heiny
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 9/10 · novelty: new_method
摘要: 本文重新审视高维向量分量间相互独立性的检验问题，提出检验“所有两两关联度（如Kendall's τ）的绝对值不超过给定阈值”这一复合零假设，而非传统的精确零假设。该方法适用于一大类可用U-统计量估计的关联度量，在高维框架下构建了渐近检验和bootstrap检验。理论证明了所提检验达到minimax最优性。模拟和实际数据示例验证了有限样本性能。该工作将高维假设检验从点零假设推广到区间零假设，更贴合实际应用场景，且与您对higher-order U-statistics和高维统计的兴趣直接相关。
关键技术: U-statistics, bootstrap maxima, minimax optimality, composite null hypothesis, high-dimensional testing
为什么对您有用: 本文直接连接您对higher-order U-statistics和高维假设检验的兴趣，其核心工具U-统计量的极大值bootstrap与您非常熟悉的U-统计量计算（treewidth/tensor contraction）有潜在结合点——可思考用einsum复杂度优化bootstrap重抽样中U-统计量的计算成本。中期可做：需先在moderately_familiar的higher-order U-statistics理论上进一步熟悉，以推广到高阶关联检验。

2. 10.1214/24-aos2359 · arXiv — The edge of discovery: Controlling the local false discovery rate at the margin¶

作者: Jake A. Soloff, Daniel Xiang, William Fithian
期刊/来源: Annals of Statistics
分类: vol 52 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文提出一种新的多重检验方法，目标是在不依赖先验分布的情况下控制所有被拒绝假设中最大局部错误发现率（lfdr）的期望。该方法仅假设p值在原假设下服从均匀分布、在备择假设下密度递减，无需知道先验。证明该方法能渐近实现加权分类风险的Oracle贝叶斯过程，在假阳性与假阴性之间达到最优权衡。推导了拒绝集中最大lfdr的极限分布，以及相对于Oracle过程的经验贝叶斯遗憾。该方法操作简单，为小样本下lfdr的控制提供了实用工具。对您而言，本文在假设检验方向提供了新的误差控制视角，与您对数学统计和假设检验的兴趣直接相关。
关键技术: local false discovery rate, empirical Bayes, multiple testing, weighted classification risk, limiting distribution
为什么对您有用: 本文直接关联您对假设检验的兴趣，提出了一种控制最大lfdr的新方法，无需先验知识，操作简单。您熟悉的非参数统计和极小极大界技术可用于分析该方法的渐近性质或扩展其适用性。中期可做：需先熟悉经验贝叶斯方法（moderately_familiar），再探索该方法在高维或因果推断中的应用。

3. 10.1214/24-aos2370 · arXiv — The online closure principle¶

作者: Lasse Fischer, Marta Bofill Roig, Werner Brannath
期刊/来源: Annals of Statistics
机构: University of Bremen · Statistics Austria · Medical University of Vienna
分类: vol 52 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 本文针对在线多重检验（online multiple testing）场景，提出了一种新的闭包原则（online closure principle）。在线场景中，假设序列可能无限长，且每个时刻必须基于当前及历史信息做出决策，无法预知未来假设。作者首先给出了在线多重检验的严格数学定义，然后证明了任何控制族系错误率（FWER）的在线过程都可以由该在线闭包原则导出，并给出了可容许性结果。在满足特定和谐性（consonance）条件下，可以推导出在线闭包过程的快捷算法（short-cut），从而降低计算复杂度。该工作将经典闭包原则从固定假设集推广到在线序列设定，为在线多重检验提供了统一的理论框架。对您而言，本文属于假设检验方向的理论进展，其在线闭包原则与您熟悉的M估计理论中的序贯决策问题有潜在联系，但核心工具（闭包原则、FWER控制）不在您当前武器库中，属于暂不可做的方向。
关键技术: closure principle, online multiple testing, familywise error rate, short-cut procedures, admissibility
为什么对您有用: 本文属于假设检验方向的理论工作，直接对应您的primary interest中的hypothesis testing。但核心工具（闭包原则、FWER控制）不在您的技术武器库中（very_familiar和moderately_familiar均未涉及），且与您熟悉的U-statistics、高维渐近等方向无直接交集。因此属于暂不可做的方向，仅作为假设检验领域的新进展值得知晓。

统计计算 / 算法 (stat_computing, 2 篇)¶

1. 10.1214/24-aos2365 · arXiv — Edge differentially private estimation in the β-model via jittering and method of moments¶

作者: Jinyuan Chang, Qiao Hu, Eric D. Kolaczyk, Qiwei Yao, Fengting Yi
期刊/来源: Annals of Statistics
机构: Chinese Academy of Sciences · Southwestern University of Finance and Economics · Academy of Mathematics and Systems Science · McGill University · London School of Economics and Political Science · Yunnan University
分类: vol 52 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文研究边级差分隐私（edge DP）下β-模型参数估计的统计-计算权衡。采用矩估计法替代传统的极大似然估计，结合jittering机制释放隐私化网络数据。核心发现是估计量在隐私参数变化时呈现三阶段相变：收敛速率和渐近方差随隐私严格程度分属不同 regime。由于实践中难以识别当前所处的阶段，作者提出一种自适应bootstrap方法，可跨阶段进行统一推断，并首次实现β-模型中所有节点参数的联合推断（节点数等于参数个数）。数值实验表明，该方法在有限样本下性能与MLE相当，但在计算速度和内存占用上具有显著优势。对您而言，本文是统计-计算权衡（statistical-computational tradeoff）的极佳入门读物：它清晰刻画了隐私水平与估计效率之间的精确阈值，且用矩估计这一您熟悉的工具绕开了MLE的计算瓶颈，直接展示了“计算可行性如何改变统计推断的边界”。
关键技术: edge differential privacy, jittering mechanism, method of moments, phase transition, adaptive bootstrap, β-model
为什么对您有用: 本文直接对应您 primary interest 中的 statistical-computational tradeoff 方向，且是 gateway reading 的典范：它明确给出了隐私参数与收敛速率的精确阈值关系，并解释了矩估计为何在计算上优于MLE（避免了高维优化）。您的武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可直接用于验证其相变边界的紧性；moderately_familiar 的 M-estimation theory 可帮助您理解矩估计在此处的效率损失。中期可做：若您想深入该方向，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（因为 DP 下的效率界常涉及半参框架）。

2. 10.1214/24-aos2371 · arXiv — Parameter estimation in nonlinear multivariate stochastic differential equations based on splitting schemes¶

作者: Predrag Pilipovic, Adeline Samson, Susanne Ditlevsen
期刊/来源: Annals of Statistics
机构: Institut polytechnique de Grenoble · University of Copenhagen · Centre National de la Recherche Scientifique · Bielefeld University · Laboratoire Jean Kuntzmann · Université Grenoble Alpes
分类: vol 52 · issue 2
相关性 3/10 · novelty: new_method
摘要: 本文针对非线性多元随机微分方程（SDE）的离散观测参数估计问题，提出基于Lie-Trotter（LT）和Strang（S）分裂格式的两种似然估计量。在SDE的似然函数通常不可解析表达的情况下，传统Euler-Maruyama离散化存在偏差，而更复杂的方法（如Kessler高斯近似、Ozaki局部线性化、Aït-Sahalia Hermite展开或MCMC）实现复杂、可扩展性差或数值不稳定。作者证明S格式具有L^p收敛阶为1（LT格式已知此性质），并在单侧Lipschitz假设下证明估计量的一致性和渐近有效性。数值实验在三维随机Lorenz系统上表明，S格式估计量在精度和计算速度上均优于现有方法。本文对您作为统计计算方向的研究者特别有用，因为它提供了易于实现且理论保证清晰的SDE参数估计新工具，且其分裂格式思想可能与您熟悉的einsum/tensor contraction框架下的计算效率分析产生联系。
关键技术: Lie-Trotter splitting, Strang splitting, stochastic differential equations, consistency and asymptotic efficiency, one-sided Lipschitz condition
为什么对您有用: 本文属于统计计算方向，直接对应您的primary interest中的'statistical computing (numerical methods, algorithm)'。其分裂格式估计量的计算效率分析可借助您very_familiar的'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'工具来评估其数值实现中的张量收缩成本，例如在多元SDE中高维状态空间下的计算复杂度。中期可做：需先在moderately_familiar的'HOIF'或'semiparametric theory'上提升，以将分裂格式思想推广到更一般的半参数模型。

Maintained by 陈星宇 · Homepage · Source on GitHub