Bernoulli — Vol 27 Issue 4 · 2026-07-14¶

共 26 篇 · Bernoulli
目录核对 ✅ 26 篇全部抓到（对照 OpenAlex 26 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 26 篇论文，整体上可归纳为四条主线：非参数与半参数估计（约 8 篇）、假设检验（2 篇）、高维随机矩阵与普适性（3 篇）、以及随机过程与概率论（约 10 篇）。其余论文涉及统计计算、深度学习理论、分类与 copula 等方向，分布较散。非参数与半参数主线最为突出，覆盖了从 sieve 策略、RKHS 自适应、log-concave 投影到 Lévy 密度与扩散漂移估计等多个子问题；高维随机矩阵主线则聚焦于最小奇异值普适性、极端特征值渐近与四矩定理的推广。

在非参数与半参数主线中，Universal sieve-based strategies for efficient estimation using machine learning tools 提出两种通用 sieve 策略，将机器学习拟合无缝嵌入半参数有效估计，在弱光滑性条件下达到效率界，是本期与因果推断最直接相关的理论工具。The Goldenshluger–Lepski method for constrained least-squares estimators over RKHSs 将自适应调参方法推广至 RKHS 回归，通过 pairwise 比较避免数据划分，解决了 L² 范数未知下的控制难题。Local continuity of log-concave projection 证明了投影算子的局部 Hölder-(1/4) 连续性并给出匹配下界，为模型误设定下非参数密度估计的收敛速率提供了新工具。Estimating the inter-occurrence time distribution from superposed renewal processes 通过反卷积更新方程处理聚合事件历史的反问题，建立了非参数估计量的相合性与渐近正态性。Spectral-free estimation of Lévy densities in high-frequency regime 用线性小波估计器避免傅里叶变换，在 Besov 球上获得 Lp 损失下的收敛速度，对高频金融数据有直接应用。

高维随机矩阵主线中，Universality and least singular values of random matrix products 大幅减弱了矩阵乘积最小奇异值普适性的矩条件（仅需四阶矩有界），方法简洁。Extremal eigenvalues of sample covariance matrices with general population 建立了样本协方差矩阵最大特征值与总体最大特征值之间的显式关系，并给出 Weibull 极限分布。Partial generalized four moment theorem revisited 放宽了广义四阶矩定理中矩匹配条件，推导了尖峰特征值的中心极限定理。这三篇共同推进了随机矩阵理论在弱矩条件下的普适性结果。

对于因果推断方向，Universal sieve-based strategies for efficient estimation using machine learning tools 直接提供了因果效应估计的半参数效率框架；The linear conditional expectation in Hilbert space 的 Hilbert 空间视角可用于条件均值嵌入与近似贝叶斯推断。半参数效率方向可优先看前一篇，高维随机矩阵方向可看后两篇，非参数自适应方向可看 Goldenshluger–Lepski 与 log-concave 投影两篇。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)¶

1. 10.3150/20-bej1320 · arXiv — Universality and least singular values of random matrix products: A simplified approach¶

作者: Rohit Chaudhuri, Vishesh Jain, Natesh S. Pillai
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 7/10 · novelty: sharper_rate
摘要: 本文研究独立随机矩阵乘积的最小奇异值的普适性（universality）问题。核心设定是：考虑多个独立随机矩阵的乘积，其线性化矩阵（linearization matrix）经过平移后的最小奇异值下界控制。作者仅假设矩阵元素中心化、二阶矩和四阶矩一致有界且远离零，相比 Koppel, O'Rourke, Vu (2020) 的工作，大幅减弱了假设条件（原需次高斯衰减且每个因子内元素同分布）。方法上，作者利用随机矩阵的谱分解和矩阵不等式，通过构造一个稀疏结构矩阵的奇异值下界，给出了一个简洁的证明。该下界直接导出：四矩匹配（four moment matching）普适性结果在更弱的矩条件下仍然成立。证明技术本身对结构化稀疏矩阵的谱分析也有独立价值。对您而言，本文是随机矩阵理论（RMT）中关于乘积矩阵最小奇异值的最新进展，与您的高维统计和 RMT 兴趣直接相关，且证明简洁，适合作为理解该方向前沿的入口。
关键技术: least singular value, linearization matrix, four moment matching, sparse structured matrices, random matrix product universality
为什么对您有用: 直接连接到您的高维统计/RMT 兴趣中的随机矩阵乘积普适性这一子方向。您的武器库中'高维渐近'和'逆问题'可以用于理解其证明中的矩阵不等式和谱分析，但核心的稀疏结构矩阵奇异值控制技术属于 moderately_familiar 的 RMT 前沿，需要先熟悉该领域的基本工具（如最小奇异值的反集中不等式）才能深入。中期可做：在 moderately_familiar 的 RMT 工具上长肌肉后，可尝试将本文的简化证明推广到更一般的矩阵乘积模型或应用于高维统计中的协方差估计问题。

2. 10.3150/21-bej1329 · arXiv — Extremal eigenvalues of sample covariance matrices with general population¶

作者: Jinwoong Kwak, Ji Oon Lee, Jaewhi Park
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 7/10 · novelty: new_theory
摘要: 本文研究样本协方差矩阵 Q = Σ^{1/2} X X^T Σ^{1/2} 的最大特征值行为，其中 X 为 M×N 实独立同分布随机矩阵，Σ 为确定性正定对角矩阵。在 M,N→∞ 且 N/M→d∈[1,∞) 的高维极限下，建立了 Q 的最大特征值与 Σ 的最大特征值之间的显式关系，该关系在 d 超过某一阈值时成立。当 Σ 的元素为 i.i.d. 时，Q 的最大特征值的极限分布为 Weibull 分布。技术核心是利用随机矩阵理论中的迹方法、Stieltjes 变换以及精细的谱分析，推导出最大特征值的渐近分布。该结果推广了经典 Marchenko-Pastur 框架下对样本协方差矩阵极端特征值的认识，适用于更一般的总体协方差结构。对您而言，本文直接关联高维统计与随机矩阵理论这一主要兴趣方向，其关于最大特征值阈值的刻画可为高维假设检验中的信号检测问题提供理论基础。
关键技术: Marchenko-Pastur law, Stieltjes transform, extreme eigenvalue distribution, Weibull limit, sample covariance matrix, phase transition threshold
为什么对您有用: 本文直接对应您 primary interest 中的高维统计与随机矩阵理论，具体研究了样本协方差矩阵最大特征值在一般总体协方差下的渐近行为。您武器库中 very_familiar 的高维渐近工具可直接用于理解其相位转移阈值，而 moderately_familiar 的 M-估计理论可尝试将结果推广到有结构协方差的情形。中期可做：需先在 moderately_familiar 的随机矩阵谱分析上进一步熟悉，特别是 Stieltjes 变换的精细控制技术。

3. 10.3150/20-bej1310 — Partial generalized four moment theorem revisited¶

作者: Dandan Jiang, Zhidong Bai
期刊/来源: Bernoulli
机构: Xi'an Jiaotong University · Northeast Normal University
分类: vol 27 · issue 4
相关性 5/10 · novelty: new_theory
摘要: 本文为部分广义四阶矩定理（PG4MT）提供了完整的补充证明。PG4MT 最初在“广义四阶矩定理（G4MT）及其在高维协方差矩阵尖峰特征值 CLT 中的应用”一文中提出，但原 G4MT 要求矩阵 X 和 Y 满足 max_{t,s} |u_{ts}|^2 E{|x_{11}|^4 I(|x_{11}|<√n) - μ} → 0 且 μ 相同，这一假设在实际应用中可能过于严格。PG4MT 放宽了这一条件，允许不同的 μ，从而更具一般性。证明的核心技术工具包括矩匹配、截断、以及随机矩阵理论中的 Stieltjes 变换和谱分析。基于 PG4MT，本文推导了样本协方差矩阵尖峰特征值的中心极限定理（CLT），该结果涵盖了 Bai 和 Yao (2012) 的工作作为特例。对于您在高维统计和随机矩阵理论方面的兴趣，本文提供了一个更通用的理论工具，可用于处理更宽松矩条件下的尖峰特征值推断问题。
关键技术: Generalized Four Moment Theorem, spiked covariance model, Stieltjes transform, central limit theorem for eigenvalues, moment matching
为什么对您有用: 本文直接关联您在高维统计和随机矩阵理论方面的主要兴趣，特别是关于样本协方差矩阵尖峰特征值的渐近分布。PG4MT 放宽了矩条件，使得理论更适用于实际数据。您的技术武器库中的高维渐近理论可以直接用于理解和验证本文的证明，而 minimax 界的视角可能有助于评估该 CLT 的紧性。这是一个中期可做的工作：需要先在 moderately_familiar 的随机矩阵理论工具上进一步熟悉，才能深入跟进或扩展该结果。

非参数 / 半参数 (nonparam_semipara, 8 篇)¶

1. 10.3150/20-bej1309 · arXiv — Universal sieve-based strategies for efficient estimation using machine learning tools¶

作者: Hongxiang Qiu, Alex Luedtke, Marco Carone
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 8/10 · novelty: new_method
摘要: 本文研究在非参数模型下，如何利用机器学习工具构造有限维目标参数（如因果效应）的渐近有效估计量。传统plug-in估计量通常不渐近有效，而现有构造有效估计量的方法要么依赖效率理论推导，要么需要过强的光滑性假设。受经典sieve估计量无需效率理论、可数据自适应调参、且对一类广泛目标参数通用的优点启发，作者提出了两种新的通用sieve策略来估计函数值特征。新方法在比传统sieve估计更弱的光滑性条件下仍然有效，且能利用机器学习得到的灵活拟合。理论证明所提估计量是渐近正态且达到半参数效率界。本文的方法为将现代机器学习工具无缝嵌入半参数有效估计提供了通用框架。
关键技术: sieve estimation, plug-in estimation, asymptotic efficiency, semiparametric efficiency bound, machine learning
为什么对您有用: 本文直接连接您的核心兴趣：半参数效率理论（semiparametric efficiency bounds）和debiased ML。您可以用very_familiar的非参数统计和minimax界工具来验证其光滑性条件是否紧，或用moderately_familiar的半参数理论（HOIF）视角分析其与one-step/TMLE的异同。中期可做：将本文的通用sieve框架与您的higher-order U-statistics计算（treewidth/einsum）结合，探索sieve基函数选择对计算复杂度的影响。

2. 10.3150/20-bej1307 · arXiv — The Goldenshluger–Lepski method for constrained least-squares estimators over RKHSs¶

作者: Stephen Page, Steffen Grünewälder
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 7/10 · novelty: new_method
摘要: 本文研究 RKHS 回归中的自适应估计问题，目标是在不假设 estimand 光滑度先验的条件下选择约束最小二乘估计器的调谐参数（如 RKHS 球的半径）。核心方法是 Goldenshluger–Lepski 方法：它利用全部数据构造一系列非自适应估计器，然后通过两两比较（pairwise comparisons）从中选出自适应估计器，不同于训练-验证集划分。在 RKHS 设定下，关键难点在于比较所用的 L² 范数未知，且需要同时高概率控制所有 pairwise 比较。作者采用 clipped least-squares 估计器（约束在 RKHS 球内），并借助 empirical process 工具推导出同时概率界。论文处理了两个问题：固定 RKHS 和自适应选择多个 RKHS 集合。理论结果是自适应估计器达到 oracle 不等式意义下的最优收敛速率。对您而言，该工作展示了非参数自适应方法在 RKHS 框架下的严格理论分析，与您的非参数统计和 minimax 界兴趣直接相关，且其 pairwise 比较技术可迁移到您熟悉的 U-statistic 或逆问题设定中。
关键技术: Goldenshluger–Lepski method, reproducing kernel Hilbert space, clipped least-squares estimator, oracle inequality, empirical process theory, adaptive estimation
为什么对您有用: 直接连接到 primary interest 中的非参数统计和 minimax 界：本文在 RKHS 回归中实现了自适应调参，并给出了 oracle 不等式。您武器库中 very_familiar 的 nonparametric statistics 和 minimax bounds 可直接用于验证其收敛速率是否紧，或将其 pairwise 比较技术推广到您熟悉的逆问题或 U-statistic 设定中。中期可做：若将方法迁移到高维或因果推断中，需先在 moderately_familiar 的 semiparametric theory 上加强（如处理 nuisance 估计的偏差）。

3. 10.3150/20-bej1316 · arXiv — Local continuity of log-concave projection, with applications to estimation under model misspecification¶

作者: Rina Foygel Barber, Richard J. Samworth
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 6/10 · novelty: new_theory
摘要: 本文研究 log-concave projection 算子的局部连续性。该算子将任意 d 维分布 P 映射到其最优 log-concave 密度逼近。Dümbgen et al. (2011) 已证明该映射是连续的但非一致连续。本文的主要理论贡献是证明了该映射是局部 Hölder-(1/4) 连续的，并给出了一个匹配的下界，证明该指数不可改进。在统计应用方面，作者利用该连续性结果，在模型误设定（即真实分布 P 本身不是 log-concave）的框架下，给出了基于经验分布（样本）的 log-concave 投影与总体投影之间平方 Hellinger 距离的收敛速率。该结果直接服务于非参数密度估计在模型误设定下的理论分析。对于您而言，该工作涉及非参数统计与 minimax 下界技术，与您非常熟悉的非参数统计和 minimax 界工具高度匹配，且其局部连续性分析思路可能对您在高维或半参框架下的稳定性问题有启发。
关键技术: log-concave projection, Hölder continuity, minimax lower bound, model misspecification, Hellinger distance
为什么对您有用: 该论文直接关联您的 primary interest 中的非参数统计理论，特别是非参数估计在模型误设定下的行为。您非常熟悉的 minimax 下界技术可直接用于验证本文给出的 Hölder 指数是否紧，或推广到其他形状约束（如 s-concave）的投影算子。中期可做：若想将类似局部连续性分析推广到半参效率界框架，需先在 moderately_familiar 的半参理论上进一步积累。

4. 10.3150/20-bej1308 · arXiv — The linear conditional expectation in Hilbert space¶

作者: Ilja Klebanov, Björn Sprungk, T.J. Sullivan
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 5/10 · novelty: new_theory
摘要: 本文在无限维Hilbert空间框架下系统研究了线性条件期望（LCE）的解析性质。LCE是条件期望的最佳线性（仿射）逼近，在近似贝叶斯推断（尤其是Bayes线性方法）中扮演核心角色。作者在仿射Hilbert-Schmidt算子空间中建立了LCE的正则化程序，解决了无限维下逆问题的不适定性。作为重要应用，本文给出了条件均值嵌入（conditional mean embedding）公式的一个简洁替代推导和直观解释——该概念在机器学习中通过将随机变量嵌入再生核Hilbert空间来实现条件化。理论工具包括Hilbert-Schmidt算子谱理论、正则化与逼近论。对您而言，本文的Hilbert空间视角为正则化与条件期望的线性逼近提供了严格的泛函分析基础，可连接到您对非参数/半参数理论中逆问题与核方法的兴趣。
关键技术: linear conditional expectation, Hilbert-Schmidt operators, regularization in Hilbert space, conditional mean embedding, reproducing kernel Hilbert space
为什么对您有用: 本文属于非参数/半参数理论方向，直接关联您对逆问题与核方法的兴趣。您武器库中'非参数统计'和'逆问题'的功底可直接用于理解其正则化框架，而'半参数理论'的中等熟悉度可帮助评估其LCE在因果推断中作为条件期望替代工具的潜力。中期可做：若将LCE与您熟悉的HOIF结合，可能发展出新的半参数估计器——但需先巩固半参数理论中的影响函数技术。

5. 10.3150/21-bej1331 — Estimating the inter-occurrence time distribution from superposed renewal processes¶

作者: Xiao-Yang Li, Zhi-Sheng Ye, Cheng Yong Tang
期刊/来源: Bernoulli
机构: National University of Singapore · Temple University
分类: vol 27 · issue 4
相关性 4/10 · novelty: new_method
摘要: 本文研究从叠加更新过程（superposed renewal processes）的聚合事件历史中估计单个更新过程的间隔时间分布。这是一个反问题：观测到的复发时间与各自更新过程的对应关系完全缺失，导致现有理论和方法不适用。作者提出了一种非参数估计程序，通过对经验更新函数进行反卷积（deconvoluting the renewal equation）来恢复间隔时间分布。理论分析通过精细控制离散化误差并处理更新方程隐含且非光滑映射带来的挑战，建立了非参数估计量的相合性和渐近正态性。进一步，该非参数估计量被用于参数族假设下的推断，开发出理论上有效且计算高效的估计程序。模拟表明，与现有极大似然方法相比，所提参数估计程序速度更快，且对观测数据的舍入误差更稳健。该问题与您在高维统计和反问题方面的兴趣有潜在联系，其反卷积框架和渐近理论对处理聚合数据中的非参数识别问题具有参考价值。
关键技术: renewal equation deconvolution, nonparametric estimation, empirical renewal function, discretization error control, asymptotic normality
为什么对您有用: 本文属于非参数统计与反问题（inverse problems with random noise）的交叉，直接对应您武器库中'非参数统计'和'反问题'两项非常熟悉的工具。其核心挑战——从聚合数据中恢复个体分布——与因果推断中从观测数据识别潜在结果的结构类似，但具体技术（更新方程反卷积）与您当前工作距离较远。中期可做：若想将类似反卷积思路迁移到因果推断中的测量误差或代理变量问题，需先在'identification theory in causal inference'上长肌肉，理解其识别假设与本文的映射关系。

6. 10.3150/20-bej1275 · arXiv — On posterior contraction of parameters and interpretability in Bayesian mixture modeling¶

作者: Aritra Guha, Nhat Ho, XuanLong Nguyen
期刊/来源: Bernoulli
机构: University of California, Berkeley
分类: vol 27 · issue 4
相关性 4/10 · novelty: new_theory
摘要: 本文研究贝叶斯混合模型中参数的后验收缩行为，设定中混合成分数未知且模型可能误设。考虑两类先验：一类显式指定成分数的先验，另一类在混合分布空间上使用非参数先验（如狄利克雷过程）。前者在最小条件下实现参数的最优后验收缩率，后者通过快速概率后处理程序可一致恢复未知的混合成分数。在模型误设下，核密度函数的选择对后验收缩率起决定性作用。文章基于具体的后验收缩率，揭示了模型表达性与可解释性之间的权衡。对您而言，本文的后验收缩率分析技术（如利用经验过程或先验质量函数）可迁移至您熟悉的非参数统计与高维渐近框架，用于评估因果推断中敏感度分析或中介分析模型的误设稳健性。
关键技术: posterior contraction rate, Bayesian mixture model, nonparametric prior, model misspecification, kernel density estimation
为什么对您有用: 本文属于非参数贝叶斯理论，直接连接您的 primary interest 中的非参数统计与高维渐近。您武器库中 very_familiar 的 minimax bounds 可用于验证本文声称的最优收缩率是否紧，而 moderately_familiar 的 M-estimation 理论可帮助理解后验收缩与频率估计的联系。中期可做：若您想将后验收缩分析用于因果推断中的模型误设诊断，需先在 moderately_familiar 的 semiparametric theory 上加强（如 influence function 在误设下的行为）。

7. 10.3150/21-bej1326 · arXiv — Spectral-free estimation of Lévy densities in high-frequency regime¶

作者: Céline Duval, Ester Mariucci
期刊/来源: Bernoulli
机构: Université Paris Cité
分类: vol 27 · issue 4
相关性 3/10 · novelty: new_method
摘要: 本文针对高频观测下纯跳Lévy过程的Lévy密度估计问题，提出了一种非谱方法。传统方法依赖Lévy-Khintchine公式和谱技术，而本文通过复合泊松近似直接构造路径估计量，避免了傅里叶变换。采用线性小波估计器，在Besov球上研究Lp损失（p≥1）下的收敛速度。对于有限变差Lévy过程，恢复了经典非参数率；对于一大类对称无限变差过程，也获得了可比的率。方法在估计区间接近临界值0时具有鲁棒性，且对布朗运动成分的存在也稳健。该工作将非参数小波估计与Lévy过程的高频统计结合，对您在高维统计和非参数理论方面的兴趣有直接参考价值。
关键技术: linear wavelet estimator, compound Poisson approximation, Besov balls, Lp loss, pathwise estimation
为什么对您有用: 本文属于非参数统计与高维渐近理论的交叉，直接对应您的primary interest中的非参数理论和高维渐近。技术武器库中的非参数统计和minimax界可直接用于分析其小波估计量的最优性。中期可做：若想将类似路径估计思路推广到高维Lévy过程，需先在moderately_familiar的M估计理论上加强。

8. 10.3150/21-bej1327 — A ridge estimator of the drift from discrete repeated observations of the solution of a stochastic differential equation¶

作者: Christophe Denis, Charlotte Dion-Blanc, Miguel Martinez
期刊/来源: Bernoulli
机构: Laboratoire d’Analyse et de Mathématiques Appliquées · Université Gustave Eiffel · Centre National de la Recherche Scientifique · Université Paris Cité · Sorbonne Université · Laboratoire de Probabilités, Statistique et Modélisation
分类: vol 27 · issue 4
相关性 0/10 · novelty: sharper_rate
摘要: 本文研究从固定时间区间 [0,T] 上 N 条独立同分布扩散过程的离散重复观测中非参数估计漂移函数的问题。目标是在 mild 假设下，通过最小化约束最小二乘对比度得到基于 B 样条基的岭估计量。该估计量在积分范数下具有普适相合性，且在紧区间上达到最优收敛速率（至多差一个对数因子）。进一步，作者构造了自适应估计量以实现该速率。模拟研究展示了该方法在多种模型下的良好表现。对您而言，本文的非参数估计框架和自适应速率结果可连接到您的非参数统计与 minimax 界兴趣，但方法本身（B 样条、岭估计）较为经典，novelty 有限。
关键技术: ridge estimator, B-spline basis, constrained least squares, adaptive estimation, minimax rate
为什么对您有用: 本文直接关联您的 primary interest 中的非参数统计与 minimax 界：漂移函数的非参数估计是经典问题，其自适应速率结果可验证您熟悉的 minimax 下界技术。但方法核心（B 样条、岭估计）属于您 very_familiar 的非参数统计范畴，无新理论突破，属于中期可做——若您想深入，可在 moderately_familiar 的 M-估计理论上进一步理解其约束最小二乘的渐近性质。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)¶

1. 10.3150/20-bej1305 · arXiv — Optimal tests for elliptical symmetry: Specified and unspecified location¶

作者: Slađana Babić, Laetitia Gelbgras, Marc Hallin, Christophe Ley
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 7/10 · novelty: new_method
摘要: 本文针对多元分析中常见的椭圆对称性检验问题，提出了两类新的检验程序，分别适用于位置参数已知和未知的情形。核心构建基于 Le Cam 渐近统计试验理论，在广义偏斜椭圆分布族内实现了局部渐近最优性。检验统计量在原假设（椭圆对称，径向密度和形状参数未指定）下具有简单的渐近分布，且满足仿射不变性、计算快速、直观易懂、矩条件要求低等理想性质。方法通过构造局部渐近正态 (LAN) 试验结构，推导出最优的秩检验统计量。数值模拟表明，该方法在广义偏斜椭圆备择下达到最优，在更广泛的非椭圆分布下也显著优于现有竞争者。对您而言，本文是假设检验领域的一个经典问题（椭圆对称性）的现代处理，展示了 Le Cam 理论在构造最优检验中的系统应用，与您对数学统计和假设检验的兴趣直接相关。
关键技术: Le Cam's asymptotic theory of statistical experiments, local asymptotic normality (LAN), rank-based tests, elliptical symmetry, affine invariance
为什么对您有用: 本文直接对应您 primary interest 中的 'mathematical statistics & hypothesis testing'，且系统运用了 Le Cam 渐近理论这一您 moderately_familiar 的工具。您可以用 very_familiar 的 minimax 框架来评估其最优性声明的紧致性，或探索将类似 LAN 构造推广到其他对称性检验问题。中期可做：若想深入理解 Le Cam 理论在检验中的应用，需先在 moderately_familiar 的 semiparametric theory 上加强（特别是 LAN 与半参效率界的关系）。

2. 10.3150/21-bej1322 — Testing against uniform stochastic ordering with paired observations¶

作者: Dewei Wang, Chuan-Fa Tang
期刊/来源: Bernoulli
机构: University of South Carolina · The University of Texas at Dallas
分类: vol 27 · issue 4
相关性 7/10 · novelty: new_method
摘要: 本文针对配对观测数据，提出了一个检验均匀随机序（USO）的非参数拟合优度检验方法。USO 是比通常的随机序更强的序关系，在配对数据中检验该关系具有实际意义。作者构造了一个数据驱动的临界值，该临界值能够控制第一类错误，并保证检验的一致性。通过模拟研究展示了所提检验在有限样本下的表现。所有理论证明均在补充材料中给出。该工作属于非参数假设检验的范畴，与您对假设检验和非参数方法的兴趣直接相关。
关键技术: nonparametric goodness-of-fit test, uniform stochastic ordering, paired observations, data-driven critical value
为什么对您有用: 本文直接对应您 primary interests 中的 'mathematical statistics (hypothesis testing)' 和 'nonparametric theory'。您可以用 very_familiar 中的 'nonparametric statistics' 和 'minimax bounds for estimation problems' 来评估该检验的最优性（例如，检验的 minimax 功效界），这是一个立即可做的 follow-up。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.3150/20-bej1321 · arXiv — Scalable Monte Carlo inference and rescaled local asymptotic normality¶

作者: Ning Ning, Edward L. Ionides, Ya’acov Ritov
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 6/10 · novelty: new_method
摘要: 本文研究在计算预算受限下，如何实现基于模拟的似然推断的统计效率。核心设定是：对于大小为 n 的数据集，计算预算为 O(n^{3/2})，这远小于传统 MCMC 或粒子滤波的典型开销。作者在真实参数值的 n^{-1/4} 邻域内，利用似然函数的渐近性质，提出了一个重新缩放版本的局部渐近正态性（rescaled LAN）。在此缩放尺度下，尽管 Monte Carlo 似然评估不一致（因计算量不足），仍能构造统计有效的估计量。方法的关键在于将计算预算与统计精度之间的 tradeoff 显式建模，并证明在 n^{3/2} 预算下可达到 n^{-1/2} 收敛率。该工作为 computationally constrained statistics 提供了一个清晰的渐近理论框架，特别适合作为统计计算 tradeoff 领域的入门读物。
关键技术: rescaled local asymptotic normality, simulation-based inference, computational budget, Monte Carlo likelihood, statistical efficiency
为什么对您有用: 本文直接对应您 primary interest 中的 statistical-computational tradeoff，且是 gateway reading 的绝佳候选：(a) 引言清晰解释了计算模型（预算 O(n^{3/2})）和统计模型（LAN 缩放），不预设复杂度理论背景；(b) 阈值（n^{-1/4} 邻域）和 gap（统计有效 vs. 计算可行）明确陈述，证明策略对统计读者可追踪；(c) 问题本身值得关注——它给出了一个非平凡的计算-统计 tradeoff 的精确刻画，而非常数调优。从武器库看，您对 minimax bounds 和 high-dimensional asymptotics 的熟悉度可直接用于理解其渐近论证，属于立即可做的阅读。

其他 (other, 12 篇)¶

1. 10.3150/21-bej1323 — Over-parametrized deep neural networks minimizing the empirical risk do not generalize well¶

作者: Michael Kohler, Adam Krzyżak
期刊/来源: Bernoulli
机构: Technische Universität Darmstadt · Concordia University
分类: vol 27 · issue 4
相关性 6/10 · novelty: new_theory
摘要: 本文研究过参数化深度神经网络在回归设定下的泛化性能。作者证明，使用sigmoid激活函数的深度神经网络可以通过反向传播找到训练集上经验风险的最小值。然而，他们进一步给出了一个下界，表明这些最小化经验风险的网络在新数据上泛化能力差，无法达到光滑回归函数估计的最优minimax收敛速率。该结果揭示了过参数化神经网络中经验风险最小化与泛化之间的根本矛盾。对您而言，本文属于深度学习理论的基础性工作，与您的主要研究方向（因果推断、高维统计等）关联较弱，但可作为了解神经网络泛化理论边界的背景阅读。
关键技术: empirical risk minimization, over-parametrized neural networks, sigmoidal activation, minimax lower bound, regression estimation
为什么对您有用: 本文属于深度学习理论，与您的主要兴趣（因果推断、高维统计、半参数理论）无直接交集。作为gateway-reading，它清晰阐述了过参数化网络的经验风险最小化与泛化之间的张力，但问题设定（光滑回归函数估计）和工具（minimax下界）均在您的武器库内（非参数统计、minimax界），可快速理解。然而，该领域核心的算法复杂性、低度多项式障碍等计算-统计权衡问题并未涉及，因此暂不可做。

2. 10.3150/20-bej1312 · arXiv — Nonparametric estimation of jump rates for a specific class of piecewise deterministic Markov processes¶

作者: Nathalie Krell, Émeline Schmisser
期刊/来源: Bernoulli
机构: Centre National de la Recherche Scientifique · Institut de recherche mathématique de Rennes · Université de Rennes · Laboratoire Paul Painlevé
分类: vol 27 · issue 4
相关性 5/10 · novelty: new_method
摘要: 本文研究一类分段确定性马尔可夫过程（PDMP），其中流和转移测度已知，但跳跃率 λ 未知。目标是在非参数设定下估计 λ。首先构造平稳密度的自适应估计量，然后通过商估计量得到 λ 的估计。提供了估计量风险的均匀上界，并证明跳跃率估计量在几乎 minimax 意义下最优（仅差 ln²(n) 因子）。模拟实验验证了估计量的有限样本表现。该问题属于随机过程非参数估计，与您的主要兴趣（因果推断、高维统计等）无直接交集，但非参数自适应估计和 minimax 界的推导技术可能对您在高维或半参问题中的理论分析有参考价值。
关键技术: adaptive estimation, quotient estimator, uniform risk bounds, minimax rate, piecewise deterministic Markov process
为什么对您有用: 本文属于随机过程非参数估计，与您的主要兴趣方向（因果推断、高维统计、半参理论）无直接关联。其自适应估计和 minimax 界的推导技术虽可借鉴，但核心问题设定（PDMP 跳跃率）不在您的武器库覆盖范围内，且缺乏与您具体子方向（如 proximal CI、U-statistics）的连接。暂不可做——缺少随机过程 PDMP 的建模和推断背景。

3. 10.3150/20-bej1313 — Minimax semi-supervised set-valued approach to multi-class classification¶

作者: Evgenii Chzhen, Christophe Denis, Mohamed Hebiri
期刊/来源: Bernoulli
机构: Centre National de la Recherche Scientifique · Université Paris-Saclay · Laboratoire de Mathématiques d'Orsay · Laboratoire d’Analyse et de Mathématiques Appliquées · Université Gustave Eiffel
分类: vol 27 · issue 4
相关性 5/10 · novelty: new_theory
摘要: 本文研究多类分类中的集值分类（set-valued classification）问题，目标是在控制预测集期望大小的前提下，输出一个包含可能类别的集合而非单一标签。作者提出了半监督集值分类器，利用 n 个有标签样本和 N 个额外无标签样本，在 α-边际假设和 β-Hölder 条件分布假设下推导出 minimax 收敛速率。核心结果表明：若无额外光滑性假设，任何纯监督方法的收敛率至多为 O(n^{-1/2})，而所提半监督方法在无标签样本足够多时可达 O((n/log n)^{-(1+α)β/(2β+d)}) 的更快速率；若增加光滑性假设，监督方法也能达到快速率，此时无标签数据无法进一步改善。数值实验验证了理论结果。该文主要贡献在于刻画了半监督学习在集值分类中的理论优势，但方法本身与您的主要兴趣方向（因果推断、高维统计、U-统计量等）直接关联较弱。
关键技术: set-valued classification, semi-supervised learning, minimax rate of convergence, α-margin assumption, β-Hölder condition
为什么对您有用: 本文属于分类理论，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集。其 minimax 速率分析技术（边际假设、Hölder 条件）虽与您熟悉的非参 minimax 界有共通之处，但问题设定（集值分类）和半监督框架并非您武器库中的核心工具。暂不可做：核心机器（集值分类的损失函数和评估准则）不在您的技术栈中，且无明确连接至因果推断或高维统计的子方向。

4. 10.3150/20-bej1306 · arXiv — On weak conditional convergence of bivariate Archimedean and Extreme Value copulas, and consequences to nonparametric estimation¶

作者: Thimo M. Kasper, Sebastian Fuchs, Wolfgang Trutschnig
期刊/来源: Bernoulli
机构: University of Salzburg
分类: vol 27 · issue 4
相关性 4/10 · novelty: new_theory
摘要: 本文研究二元 copula 在条件分布视角下的弱条件收敛概念。首先指出，虽然经验 copula 一般不弱条件收敛到真实 copula，但在 Archimedean copula 和 Extreme Value copula 两类中，逐点收敛与弱条件收敛等价。其次证明任意 copula 均可作为 checkerboard copula 序列的弱条件极限。最后讨论该收敛概念对两类新型相依度量及 Archimedean/Extreme Value copula 非参数估计的含义。该文属于纯 copula 理论，不涉及因果推断、高维统计或半参效率等您的主要兴趣方向。
关键技术: weak conditional convergence, Archimedean copula, Extreme Value copula, checkerboard copula, nonparametric copula estimation
为什么对您有用: 本文属于纯 copula 理论，与您的主要兴趣（因果推断、高维统计、半参效率、U-统计量）无直接连接。您的技术武器库中非参数统计和 minimax 界虽可覆盖 copula 估计，但本文核心是收敛概念本身而非估计率或推断方法，且不涉及您关注的统计-计算权衡或高阶 U-统计量。暂不可做：核心机器不在武器库里（缺 copula 理论深度）。

5. 10.3150/20-bej1319 — Online drift estimation for jump-diffusion processes¶

作者: Theerawat Bhudisaksang, Álvaro Cartea
期刊/来源: Bernoulli
机构: University of Oxford
分类: vol 27 · issue 4
相关性 4/10 · novelty: new_method
摘要: 本文研究跳扩散过程漂移参数的在线随机梯度下降估计。目标是在连续时间跳扩散模型（含布朗运动和泊松跳）中，通过在线SGD递推估计未知漂移参数。核心方法是将随机下降方向与确定性下降方向的偏差分解为四项：非局部泊松方程的弱解、黎曼积分、随机积分和协变项。利用该分解证明在线估计量的收敛性，并通过模拟展示其有限样本表现。该工作属于随机过程参数估计与在线学习的交叉，但未涉及因果推断、高维统计或半参效率理论等核心兴趣方向。对您而言，该论文的方法论（SGD收敛性分析）与统计计算兴趣有间接关联，但整体偏离主要研究方向。
关键技术: stochastic gradient descent, jump-diffusion process, Poisson equation decomposition, online estimation, convergence analysis
为什么对您有用: 该论文与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接关联。它属于随机过程参数估计的在线学习问题，技术核心是SGD收敛性分析，而非您熟悉的非参统计、U-统计量或因果推断框架。作为gateway reading价值有限，因为跳扩散过程并非您武器库中熟悉的模型类别。暂不可做——核心机器（跳扩散过程、非局部泊松方程）不在武器库中。

6. 10.3150/21-bej1328 · arXiv — Approximation of occupation time functionals¶

作者: Randolf Altmeyer
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 3/10 · novelty: minor
摘要: 研究问题：针对 d 维 càdlàg 过程的 occupation time functional（如 occupation time 和 local time），基于离散观测进行强 L2 逼近。核心设定：过程不一定 Markov，允许非 Markov 过程如分数布朗运动。方法机制：利用过程边际分布的 regularity（如 Hölder 条件）导出逼近误差的上界，不依赖过程的 Markov 性或具体结构。关键技术工具：概率不等式、正则性条件、离散化逼近。主要结果：对 Brownian motion，上界达到最优（至多一个对数因子）。对您可能有用：本文属于非参数统计中的函数逼近问题，与您的非参数统计和高维渐近兴趣有间接联系，但方法学 novelty 有限，属于技术性改进。
关键技术: strong L2 approximation, occupation time functional, càdlàg process, regularity of marginals, fractional Brownian motion
为什么对您有用: 本文属于非参数统计中的函数逼近问题，与您的非参数统计兴趣有间接联系。但方法学 novelty 有限（novelty_flag: minor），且不涉及因果推断、高维、U-统计等核心方向。武器库中的非参数统计和 minimax bound 工具可用来理解其逼近误差上界的紧性，但本文未提供新的可迁移方法。暂不可做：核心机器不在武器库里（缺 occupation time 逼近的专门概率工具）。

7. 10.3150/21-bej1330 · arXiv — Asymptotic results for heavy-tailed Lévy processes and their exponential functionals¶

作者: Wei Xu
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 3/10 · novelty: new_theory
摘要: 本文研究具有负漂移和正则变化尾的 Lévy 过程的条件极限定理，并应用于其指数泛函的渐近行为。核心观察是渐近性主要由早期到达的大跳跃样本路径主导。给出了多项式衰减率和极限系数的精确表达式。作为应用，精确描述了具有稳定分支机制的重尾 Lévy 随机环境中连续状态分支过程的灭绝速度。
关键技术: regularly varying tails, Lévy processes, conditional limit theorems, exponential functionals, continuous-state branching processes
为什么对您有用: 本文属于概率论与随机过程领域，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接关联。它不涉及统计推断、假设检验或计算问题，因此作为 gateway reading 的价值也较低。不建议投入时间阅读全文。

8. 10.3150/20-bej1314 · arXiv — Recovering Brownian and jump parts from high-frequency observations of a Lévy process¶

作者: Jorge González Cázares, Jevgenijs Ivanovs
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 2/10 · novelty: new_method
摘要: 本文针对 Lévy 过程的高频观测数据，提出了两种非参数方法以恢复其布朗运动部分和跳跃部分的路径。第一种方法基于独立正态增量的重排序，避免了调参，其核心思想是利用小时间尺度下布朗成分的主导性、可交换结构以及正态经验分位函数的快速收敛性。第二种方法通过对增量进行阈值滤波并用终值补偿，需要仔细选择阈值，两种方法在适当条件下达到相同的收敛速率。该速率依赖于小跳跃活动性，并以 Blumenthal-Getoor 指数表示。文章还讨论了向 Itô 半鞅和多维情形的扩展，并提供了数值示例。该工作属于高维/非参数统计中的路径恢复问题，但未直接涉及因果推断或效率理论。
关键技术: Lévy process, Blumenthal-Getoor index, threshold filtering, empirical quantile function, exchangeable structures
为什么对您有用: 本文属于非参数统计中的高频数据路径恢复问题，与 primary interest 中的非参数理论有技术重叠（如经验分位函数、收敛速率分析），但核心设定（Lévy 过程）与您的主要研究方向（因果推断、高维统计）距离较远。武器库中的 minimax bounds 可用于分析其收敛速率的最优性，但整体而言属于 gateway reading 范畴，暂不可做——缺少对因果或高维 inference 的直接连接。

9. 10.3150/20-bej1318 · arXiv — Minimum spanning trees of random geometric graphs with location dependent weights¶

作者: Ghurumuruhan Ganesan
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 2/10 · novelty: new_theory
摘要: 本文研究随机几何图（RGG）的最小生成树（MST）总权重。设定为：n个节点独立同分布于单位正方形上的分布f，当欧氏距离小于阈值r_n时连边，每条边赋予一个与节点位置相关的权重。主要结果：在r_n大于连通性阈值（即图几乎必然连通）的条件下，推导了MST总权重偏离其期望的上、下界偏差估计，以及适当缩放和中心化后的L2收敛性。技术工具包括：几何概率、图论中的Kruskal算法分析、以及针对位置依赖权重的精细浓度不等式。该结果推广了经典均匀分布下RGG的MST渐近理论，但方法本身是概率图论与几何组合的交叉，未涉及统计推断或高维渐近。对您而言，本文属于纯概率论方向，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接连接，且未提供可迁移的统计方法论。
关键技术: random geometric graph, minimum spanning tree, concentration inequality, Kruskal's algorithm, geometric probability
为什么对您有用: 本文属于概率图论与几何组合的纯理论工作，与您的主要兴趣方向（因果推断、高维统计、U-统计量、半参数效率理论等）无直接连接。技术武器库中的非参数统计或高维渐近工具无法直接应用于本文的图论问题。暂不可做——核心机器（几何概率与图论组合方法）不在您的武器库中，且无统计推断或计算复杂性视角，不值得花时间阅读全文。

10. 10.3150/21-bej1324 · arXiv — Equidistribution of random walks on compact groups II. The Wasserstein metric¶

作者: Bence Borda
期刊/来源: Bernoulli
机构: Graz University of Technology
分类: vol 27 · issue 4
相关性 2/10 · novelty: new_theory
摘要: 本文研究紧致群上独立同分布步长随机游走的等分布问题，目标是在双不变度量下建立关于Hölder连续测试函数的定量遍历定理。核心方法是利用p-Wasserstein度量刻画步长分布向Haar测度的收敛速度，并以此推导中心极限定理、重对数律及Wiener过程逼近。技术工具包括环面上p-Wasserstein度量的新Berry-Esseen型不等式和同时丢番图逼近性质。作为实例，构造了环面无理格上的离散随机游走，并给出其p-Wasserstein收敛到均匀分布的确切速率。该工作补充了第一部分关于绝对连续分量随机游走和Borel可测测试函数的结果。对您而言，本文属于纯概率论与遍历理论方向，与您的主要兴趣（因果推断、高维统计等）无直接交集，但Wasserstein度量的收敛分析技术可能对非参数统计中的分布逼近问题有间接启发。
关键技术: Wasserstein metric, Berry-Esseen inequality, simultaneous Diophantine approximation, quantitative ergodic theorem, Wiener process approximation
为什么对您有用: 本文属于纯概率论与遍历理论，与您的主要兴趣（因果推断、高维统计、半参数理论等）无直接交集。技术层面，Wasserstein度量的收敛分析虽在非参数统计中有应用，但本文的核心工具（丢番图逼近、紧群上的随机游走）不在您的技术武器库中，且未涉及您熟悉的U-统计量或因果推断框架。因此，本文暂不可做，缺乏连接点。

11. 10.3150/20-bej1311 · arXiv — Finite-energy infinite clusters without anchored expansion¶

作者: Gábor Pete, Ádám Timár
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 1/10 · novelty: new_theory
摘要: 本文研究有限能量遍历不变渗流中无限簇的锚定扩张性质。Hermon 和 Hutchcroft 近期证明了在非可逆传递图的 Bernoulli(p) 键渗流中，当 p > p_c 时，原点所在有限簇体积大的概率指数衰减，且所有无限簇几乎必然具有锚定扩张。本文构造了一个反例：在 4-正则树上存在一种有限能量遍历不变渗流，其无限簇不具有锚定扩张，从而否定了该结论对一般有限能量渗流的推广可能性。该结果揭示了 Bernoulli 渗流与一般有限能量渗流在簇几何性质上的本质差异。对您而言，本文属于概率论与渗流理论的基础问题，与您的主要研究方向（因果推断、高维统计等）无直接技术关联，但可作为理解随机图簇结构性质的背景阅读。
关键技术: Bernoulli percolation, anchored expansion, finite-energy percolation, invariant percolation, counterexample construction
为什么对您有用: 本文属于概率论与渗流理论的基础研究，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接技术重叠。武器库中的非参统计、高维渐近等工具无法直接应用于本文的渗流反例构造。本文可作为了解随机图簇结构性质的背景阅读，但不值得投入时间精读。

12. 10.3150/21-bej1325 · arXiv — Pure-jump semimartingales¶

作者: Aleš Černý, Johannes Ruf
期刊/来源: Bernoulli
分类: vol 27 · issue 4
相关性 1/10 · novelty: new_theory
摘要: 本文在纯跳半鞅的框架下引入了一个分类层次结构，特别定义了σ-局部有限变差纯跳过程类。该类的成员可以通过其跳跃测度的可料补偿子进行显式刻画，并且该类在随机积分和光滑变换下封闭。文章主要贡献在于给出了纯跳半鞅的一种系统分类，并建立了相应的理论性质。然而，本文是纯概率论与随机过程理论的工作，不涉及任何统计推断、估计方法或数据分析。对于统计研究者而言，该理论虽为金融计量等应用领域的基础，但本文本身不提供可直接迁移的统计方法或计算工具。
关键技术: semimartingale theory, pure-jump processes, predictable compensator, sigma-locally finite variation
为什么对您有用: 本文属于纯概率论与随机过程理论，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接关联。它不涉及统计推断、估计方法或计算问题，因此对您的日常研究帮助有限。如果您未来涉足金融时间序列或跳跃过程的统计推断，本文可作为理论基础，但当前武器库中缺乏处理此类过程的专门工具（如跳跃扩散的统计推断方法），暂不可做。

Maintained by 陈星宇 · Homepage · Source on GitHub