Bernoulli — Vol 28 Issue 2 · 2026-07-14¶

共 31 篇 · Bernoulli
目录核对 ✅ 31 篇全部抓到（对照 OpenAlex 31 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 Bernoulli 第 28 卷第 2 期共 31 篇论文，整体上可归纳为四条主线：非参数与半参数估计（密度估计、回归、形状约束）、高维与随机矩阵理论（Gram 型矩阵谱分解、椭圆律、去偏 Lasso、SBM 效率）、假设检验与推断（离散分布 closeness 检验、混合类型数据检验、极端 expectile 联合推断、贝叶斯后验动态）、以及计算方法与概率论（树张量网络模型选择、MCMC 收敛、随机梯度采样下界、鞅 Wasserstein 不等式）。此外，还有若干篇涉及随机过程与风险理论（如 MM-GOU 过程、跳过程收敛、SIP 流体动力学），与统计推断方法论关联较弱。

在非参数与半参数主线中，密度估计是本期最集中的主题。两篇关于 L_p 范数 minimax 估计的论文（Minimax estimation of norms of a probability density: I. Lower bounds 和 II. Rate-optimal estimation procedures）完整刻画了整数与非整数 p 下收敛速率的差异，前者发展通用下界技术，后者构造 rate-optimal 核估计量。Adaptive Bayesian density estimation in sup-norm 则从贝叶斯角度，利用 test-based 论证得到 L^∞ 自适应收缩速率。Rates and coverage for monotone densities using projection-posterior 聚焦形状约束，通过投影后验实现最优 n^{-1/3} 收缩率，并发现可信区间超覆盖现象。Nonparametric regression for locally stationary random fields under stochastic sampling design 将非参数回归推广到空间随机场，引入加性模型处理高维协变量。Empirical variance minimization 则从方差型泛函的经验最小化出发，给出 sharp 非渐近界，应用于方差缩减与最优控制。

高维与随机矩阵主线中，Non-asymptotic properties of spectral decomposition of large Gram-type matrices 提供了谱分解的非渐近尾界与 Berry-Esseen 型界，直接服务于因子模型与低秩去噪。Local elliptic law 在介观尺度上证明椭圆随机矩阵谱分布收敛于均匀椭圆测度，并推出特征向量完全离域化。De-biasing the lasso with degrees-of-freedom adjustment 通过自由度调整修正去偏 Lasso，在稀疏度 s0 ≫ n^{2/3} 时仍实现渐近效率。Asymptotically efficient estimators for stochastic blockmodels 证明谱嵌入在 SBM 中达到渐近有效，且当 B 奇异时优于 naive MLE。Inference in latent factor regression with clusterable features 提出因子回归中回归系数的极小极大自适应估计与渐近正态推断。Statistical deconvolution of the free Fokker-Planck equation 则首次处理非线性 PDE 的统计反卷积问题。

假设检验主线中，Local minimax rates for closeness testing of discrete distributions 给出两样本检验的局部 minimax 分离速率，并构造达到该速率的检验。Empirical process of concomitants for partly categorial data 建立混合类型数据伴随次序统计量的 FCLT，应用于独立性检验与两样本检验。Joint inference on extreme expectiles for multivariate heavy-tailed distributions 在多元重尾假设下联合估计极端 expectile 并构造置信区域。Spectral equivalence of Gaussian random functions 利用算子谱分解构造基于积分过程的拟合优度检验。Model-free bootstrap for a general class of stationary time series 提出不依赖参数模型的自助法，适用于一般平稳时间序列。Posterior probabilities: Nonmonotonicity, asymptotic rates, log-concavity, and Turán’s inequality 则精细刻画后验概率的非单调性与渐近速率。

与因果推断 / 半参数效率 / 高维方向最贴合的论文包括：De-biasing the lasso with degrees-of-freedom adjustment（高维稀疏回归推断）、Asymptotically efficient estimators for stochastic blockmodels（谱估计效率）、Inference in latent factor regression with clusterable features（因子模型推断）、Nonparametric regression for locally stationary random fields（空间非参数回归）、Empirical variance minimization（方差型泛函经验风险最小化）、以及Local minimax rates for closeness testing（高维离散分布检验）。

高维统计 / 随机矩阵 (high_dim_rmt, 6 篇)¶

1. 10.3150/21-bej1384 — Non-asymptotic properties of spectral decomposition of large Gram-type matrices and applications¶

作者: Lyuou Zhang, Wen Zhou, Haonan Wang
期刊/来源: Bernoulli
机构: Shanghai University of Finance and Economics · Colorado State University
分类: vol 28 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 本文研究大型Gram型矩阵（包括右Gram矩阵和左Gram矩阵即样本协方差矩阵）谱分解的非渐近性质，数据允许非独立情形。主要结果包括：右Gram矩阵特征向量与其总体对应量偏差的指数型尾界、该偏差的Berry-Esseen型界，以及左Gram矩阵特征值与总体特征值之比的非渐近尾界（不依赖于数据矩阵尺寸）。技术工具涉及随机矩阵的集中不等式、谱分解的扰动分析。这些非渐近界被应用于因子模型中潜在因子数的估计、高维时间序列的预测、样本协方差矩阵谱投影子的推断，以及依赖数据的低秩矩阵去噪。对您而言，本文提供了高维统计中谱分解的精细非渐近工具，可直接用于您在高维随机矩阵理论方向的研究，尤其是处理非独立数据时的尾界和推断问题。
关键技术: spectral decomposition, exponential tail bounds, Berry-Esseen bounds, sample covariance matrix, factor model, low-rank matrix denoising
为什么对您有用: 直接对应您primary interest中的高维统计与随机矩阵理论，提供了非独立数据下谱分解的非渐近尾界和Berry-Esseen界，这是您武器库中'高维渐近'和'逆问题'的延伸。中期可做：若想将此类非渐近界推广到更一般的Gram型矩阵（如核矩阵），需先在moderately_familiar的HOIF或U-统计量理论上长肌肉，因为核矩阵的谱分解涉及高阶U-统计量的集中性。

2. 10.3150/21-bej1370 — Local elliptic law¶

作者: Johannes Alt, Torben Krüger
期刊/来源: Bernoulli
机构: University of Geneva · Courant Institute of Mathematical Sciences · New York University · University of Copenhagen
分类: vol 28 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 本文研究椭圆随机矩阵系综（elliptic random matrix ensemble）的经验谱分布向复平面上均匀椭圆测度的收敛问题。该系综是Wigner矩阵与Ginibre矩阵之间的插值模型，其非Hermitian性由参数控制。主要结果是在体谱内部所有略高于典型特征值间距的介观尺度上，证明了经验谱分布以最优收敛速率趋于均匀椭圆测度。证明技术核心是局部化分析（local law），通过矩方法和Stieltjes变换的精细估计，在介观尺度上控制特征值计数函数的波动。作为推论，得到了任意基底下特征向量的完全离域化（complete delocalisation），即特征向量分量在任意正交基中均匀分布。该结果将已知的Wigner矩阵局部圆律推广到非Hermitian情形，且收敛速率达到最优。对您而言，本文是随机矩阵理论中局部律（local law）在非Hermitian设定下的重要进展，其证明框架（矩方法+Stieltjes变换）与您熟悉的高维渐近工具直接衔接，可作为理解非Hermitian RMT的入口文献。
关键技术: local law, elliptic random matrix ensemble, mesoscopic spectral statistics, Stieltjes transform, eigenvector delocalization
为什么对您有用: 本文属于高维统计/随机矩阵理论（RMT）的核心方向，直接对应您primary interest中的'Random matrix theory'。技术层面，local law的证明方法（矩方法+Stieltjes变换）与您'very_familiar'的'high-dimensional asymptotics'武器高度匹配，可立即用于理解非Hermitian RMT的局部行为。中期可做：若将local law推广到更一般的非Hermitian系综（如spiked模型），需在'moderately_familiar'的M-estimation理论中补充非Hermitian扰动分析工具。

3. 10.3150/21-bej1348 · arXiv — De-biasing the lasso with degrees-of-freedom adjustment¶

作者: Pierre C. Bellec, Cun-Hui Zhang
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文研究稀疏线性回归中 Lasso 的去偏推断问题，目标是对预选方向 a0 上的系数线性组合进行估计并构造置信区间。假设设计矩阵行独立同分布于已知协方差矩阵 Σ 的高斯分布。现有去偏方案在稀疏度 s0 ≪ n^{2/3} 时有效，但当 s0 ≫ n^{2/3} 时，在特定方向 a0 上无法达到渐近效率。作者提出自由度调整（degrees-of-freedom adjustment）修正去偏 Lasso 估计量，该调整考虑了 Lasso 所选模型的维度，使得在任何方向 a0 上均能实现渐近效率。理论成立的条件包括 Σ 满足稀疏 Riesz 条件、s0/p → 0 以及 s0 log(p/s0)/n → 0。证明核心是利用类似 Slepian 引理的高斯插值路径，得到了 Lasso 在 Gaussian 设计下的 sharp ℓ∞ 误差界，该结果本身具有独立价值。本文对您在高维统计推断（尤其是 Lasso 后推断）方向有直接参考价值，其自由度调整思想与您熟悉的 minimax 界和因果推断中的去偏方法（如 DML）有技术共鸣。
关键技术: de-biased Lasso, degrees-of-freedom adjustment, Gaussian interpolation path, ℓ∞ error bound, Sparse Riesz Condition
为什么对您有用: 本文直接关联您 primary interest 中的高维统计推断和 hypothesis testing。其自由度调整机制与您 very_familiar 的 minimax bounds 技术可对接——您可以用 minimax 框架验证该调整是否达到最优收敛速率。中期可做：若想将类似思路推广到非高斯设计或因果推断中的高维 IV 设定，需先在 moderately_familiar 的 semiparametric theory 上加强（具体为 influence function 在高维下的正则化）。

4. 10.3150/21-bej1376 · arXiv — Asymptotically efficient estimators for stochastic blockmodels: The naive MLE, the rank-constrained MLE, and the spectral estimator¶

作者: Minh Tang, Joshua Cape, Carey E. Priebe
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 6/10 · novelty: new_theory
摘要: 本文研究随机块模型（SBM）中块概率矩阵 B 的估计渐近效率。在平均度 ω(√n) 条件下，证明了谱嵌入（spectral embedding）估计量的渐近正态性。当 B 满秩时，谱估计量达到渐近有效（asymptotically efficient），即与 MLE 渐近等价。当 B 奇异时，谱估计量的均方误差可小于无秩约束的 naive MLE，且几乎与已知秩的 rank-constrained MLE 一样有效。核心技术工具包括随机矩阵理论（Marchenko-Pastur 律、特征向量扰动界）和 delta method。结果表明，谱嵌入在 SBM 中不仅是计算可行的，而且其估计量在统计意义上是可接受的（admissible），即使与计算不可行的无约束 MLE 相比也不逊色。对您而言，本文展示了 RMT 在 network 统计推断中如何导出 sharp 的渐近结果，与您的高维统计和随机矩阵理论兴趣直接相关。
关键技术: spectral embedding, stochastic blockmodel, Marchenko-Pastur law, eigenvector perturbation bounds, delta method, asymptotic efficiency
为什么对您有用: 直接连接您的高维统计与随机矩阵理论兴趣：本文用 RMT 工具（特征向量扰动界、Marchenko-Pastur 律）推导了谱估计量的渐近正态性和效率，是 RMT 在 network 推断中的经典应用。从武器库看，您对 minimax bounds 和高维渐近非常熟悉，可立即用这些工具验证本文的渐近方差是否紧（立即可做）。此外，本文的谱方法思路可迁移到您 causal inference 中的 network interference 设定（中期可做，需先在 semiparametric theory 上长肌肉）。

5. 10.3150/21-bej1374 · arXiv — Inference in latent factor regression with clusterable features¶

作者: Xin Bing, Florentina Bunea, Marten Wegkamp
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文研究潜在因子回归模型中的推断问题，其中观测特征X是潜在因子Z的带符号混合，响应Y与Z线性相关。目标是对回归系数β进行推断，这在因子模型中因Z不可观测且难以解释而长期未解决。作者提出了一种计算高效的估计方法，无需预先知道因子数K或混合结构，并建立了β的L2-范数极小极大下界，证明所提估计量是极小极大率自适应的。核心贡献是推导了估计量分量渐近正态分布的闭式渐近方差表达式，并给出了一致方差估计量，从而实现了对β的推断。该理论适用于K和p与样本量n独立或随n变化的情形，包括p>n。作为应用，本文为潜在聚类中心的回归推断提供了统计平台，并分析了SIV疫苗数据，识别了与疫苗反应相关的潜在抗体机制。对您而言，该工作将高维因子模型与可解释推断结合，其极小极大下界和闭式方差推导技术可直接用于您在高维统计和因果推断中的敏感性分析或工具变量设定。
关键技术: minimax lower bound, adaptive estimation, closed-form asymptotic variance, latent factor regression, signed mixture model, high-dimensional inference
为什么对您有用: 本文直接连接您的高维统计和随机矩阵理论兴趣，特别是因子模型中回归系数的推断问题。您的技术武库中'高维渐近理论'和'极小极大界'可直接用于验证其声称的率是否紧，而'逆问题'视角可帮助理解其带符号混合的识别策略。中期可做：需先在'半参数理论'上加强，以处理其渐近正态性证明中可能依赖的核方法或经验过程工具。

6. 10.3150/21-bej1366 · arXiv — Statistical deconvolution of the free Fokker-Planck equation at fixed time¶

作者: Mylène Maïda, Tien Dat Nguyen, Thanh Mai Pham Ngoc, Vincent Rivoirard, Viet Chi Tran
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 5/10 · novelty: new_method
摘要: 本文研究从固定时间 t>0 的 Dyson Brownian motion 观测中重建自由 Fokker-Planck 方程初始条件的非参数统计反问题。该 PDE 描述静电排斥粒子系统的演化，其解可表示为初始分布与半圆分布的 free convolution。作者提出一种基于子ordination 函数方法的 free deconvolution 估计器，核心机制包括求解不动点方程和 Cauchy 分布经典反卷积，这源于自由概率中 R-transform 与 Cauchy transform 的对应关系。这是首次针对非线性 PDE 的统计反卷积问题，此前文献仅处理热方程等线性 PDE。估计量的收敛性得到证明，积分均方误差的收敛速率与非参数反卷积方法已知速率相当。模拟研究展示了估计器的良好表现。对您而言，本文连接了随机矩阵理论（Dyson Brownian motion）与非参数反卷积，属于高维统计与 RMT 的交叉方向。
关键技术: free convolution, subordination functions, Cauchy transform, R-transform, nonparametric deconvolution, Dyson Brownian motion
为什么对您有用: 本文直接连接您的高维统计与 RMT 兴趣，具体涉及 free probability 框架下的反卷积问题，这是 RMT 中 Marchenko-Pastur 定律之外的另一个核心结构。从技术武器库看，您对非参数统计和逆问题非常熟悉，但 free convolution 和 subordination function 方法属于 moderately_familiar 的 RMT 工具，需要先熟悉 free probability 的基本概念（如 R-transform 与 Cauchy transform 的关系）才能深入理解估计器的构造。因此属于中期可做：需先在 RMT 的 free probability 分支上长肌肉，但一旦掌握，您已有的非参数 minimax 界和逆问题经验可直接用于改进收敛速率或扩展至其他 free convolution 模型。

非参数 / 半参数 (nonparam_semipara, 6 篇)¶

1. 10.3150/21-bej1380 · arXiv — Minimax estimation of norms of a probability density: I. Lower bounds¶

作者: Alexander Goldenshluger, Oleg V. Lepski
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 8/10 · novelty: new_method
摘要: 本文研究从独立同分布观测中非参数估计概率密度的 L_p 范数（p∈(1,∞)）的 minimax 下界。密度假设属于各向异性 Nikolskii 空间中的球。核心发现是估计精度本质上依赖于 p 是否为整数：整数 p 与非整数 p 的 minimax 收敛速率不同。作者发展了一种通用的下界推导技术，适用于一大类非线性泛函的估计问题，而不仅限于 L_p 范数。该技术基于构造两个难以区分的密度，并利用假设检验的 Bayes 风险来界定 minimax 风险。对于您而言，本文是 minimax 下界技术的经典范例，直接关联您非常熟悉的非参数统计和 minimax 界工具，其通用技术可迁移至您关注的更高阶 U-统计量或因果推断中泛函估计的精度下界问题。
关键技术: minimax lower bounds, nonlinear functional estimation, Nikolskii space, hypothesis testing, two-point method
为什么对您有用: 本文直接对应您 primary interest 中的非参数统计和 minimax 界。其核心技术——通过构造难以区分的密度对来推导非线性泛函估计的下界——是您非常熟悉的工具，可以立即用于分析您关注的更高阶 U-统计量或因果推断中泛函（如 ATE）的 minimax 下界。立即可做。

2. 10.3150/21-bej1381 · arXiv — Minimax estimation of norms of a probability density: II. Rate-optimal estimation procedures¶

作者: Alexander Goldenshluger, Oleg V. Lepski
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 7/10 · novelty: sharper_rate
摘要: 本文研究从独立同分布观测中估计概率密度 \(L_p\) 范数（\(p\in(0,\infty)\)）的 minimax 最优估计问题。密度定义在 \(\mathbb{R}^d\) 上，属于各向异性 Nikolskii 空间中的有界球。作者针对整数 \(p\ge 2\) 构造了 rate-optimal 估计量，并证明风险渐近行为从不可一致性到 \(\sqrt{n}\)-估计之间变化，具体取决于 Nikolskii 类的参数和范数指标 \(p\)。估计方法基于核估计和偏差-方差权衡的精细调节，利用 U-统计量投影和浓度不等式推导上界。该结果补充了前序论文中的 minimax 下界，完整刻画了该问题的 minimax 收敛速率。对您而言，本文是 nonparametric 泛函估计的经典 minimax 分析范例，其 U-统计量投影技术可直接与您熟悉的 higher-order U-statistics 计算（treewidth / einsum）结合，用于分析更复杂泛函的估计效率。
关键技术: minimax lower bounds, U-statistic projection, kernel density estimation, anisotropic Nikolskii space, rate-optimal estimation, bias-variance tradeoff
为什么对您有用: 本文直接连接 primary interest 中的 nonparametric statistics 和 minimax bounds for estimation problems。其核心工具 U-统计量投影（U-statistic projection）是您 very_familiar 的武器，可用于分析估计量的方差结构；同时，该问题属于泛函估计（非密度本身），与您熟悉的 semiparametric efficiency theory 有潜在交叉。立即可做：您可以用 treewidth / einsum 视角重新审视该估计量的计算成本，或将其推广到高维设定。

3. 10.3150/21-bej1387 · arXiv — Adaptive Bayesian density estimation in sup-norm¶

作者: Zacharie Naulet
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文研究密度估计中后验收缩在 L^∞ 范数下的自适应速率问题。设定为独立同分布观测来自未知密度，采用对数密度先验（log-density prior）且小波系数独立先验。核心贡献是建立了一个通用的 L^∞ 收缩结果，该结果不要求真实密度的光滑度下界，但低光滑度时速率会多一个 log(n) 因子。方法上，作者采用了类似经典贝叶斯非参数中检验基（test-based）的论证路线，而非以往 L^∞ 收缩工作的常用技术。将该通用结果应用于 spike-and-slab 先验，得到了自适应且 minimax 最优的收缩速率。对您而言，本文的 L^∞ 收缩分析技术（尤其是 test-based 论证）可迁移至非参数估计中的假设检验问题，属于 moderately_familiar 的 M-estimation 理论范畴，值得关注。
关键技术: log-density prior, wavelet coefficients, spike-and-slab prior, test-based approach, L^∞ contraction, adaptive posterior rate
为什么对您有用: 本文直接关联 primary interest 中的非参数理论（nonparametric statistics）和假设检验（hypothesis testing）。其 test-based 论证路线与您 moderately_familiar 的 M-estimation 理论有技术交集，可尝试将 L^∞ 收缩结果推广至更一般的半参数设定。中期可做：需先巩固 M-estimation 中的 empirical process 工具。

4. 10.3150/21-bej1392 · arXiv — Empirical variance minimization with applications in variance reduction and optimal control¶

作者: Denis Belomestny, Leonid Iosipoi, Quentin Paris, Nikita Zhivotovskiy
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 6/10 · novelty: new_method
摘要: 研究问题为在函数类上对方差型泛函进行经验最小化，目标是获得 excess variance 的 sharp non-asymptotic 界。方法核心是推导在 mild 条件下（如函数类的熵条件或 VC 型条件）的收敛速率，证明在非 Donsker 情形下仍可达到最优非参数速率。技术工具包括 empirical process theory、concentration inequalities 和 localized Rademacher complexities。主要应用场景为方差缩减（如控制 variates 的选取）和最优控制中的策略评估。理论结果展示了方差型泛函与均值型泛函在经验风险最小化中的本质差异。对您而言，该文提供了非参数框架下 variance minimization 的通用理论工具，可直接用于 causal inference 中 ATE 估计的方差缩减（如 DR 估计量的 residual variance 最小化），属于 nonparametric statistics 和 minimax bounds 的交叉应用。
关键技术: empirical variance minimization, localized Rademacher complexity, non-asymptotic excess risk bounds, non-Donsker regime, variance reduction via control variates
为什么对您有用: 直接连接 primary interest 中的 nonparametric statistics 和 minimax bounds：本文的 excess variance 界可迁移至 causal inference 中 DR 估计量的方差缩减问题（如选择最优 nuisance 函数以最小化 asymptotic variance）。武器库中 very_familiar 的 nonparametric statistics 和 minimax bounds 足以理解并复现其理论框架，且可尝试将 localized Rademacher complexity 技术用于 HOIF 的方差分析。中期可做：需先在 moderately_familiar 的 semiparametric theory 上巩固（具体为 influence function 的方差分解），以将本文的泛函类假设适配到因果推断的 nuisance 函数空间。

5. 10.3150/21-bej1385 · arXiv — Nonparametric regression for locally stationary random fields under stochastic sampling design¶

作者: Daisuke Kurisu
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 5/10 · novelty: new_method
摘要: 研究在随机采样设计下，对局部平稳随机场（LSRF）进行非参数回归的渐近理论。目标是在不规则空间位置观测到的p维协变量上估计均值函数，并处理收敛速率对协变量维度的依赖。核心方法是核估计器，推导了其一致收敛速率和渐近正态性；为克服维数灾难，引入加性模型，并推导了加性函数估计器的一致收敛速率和联合渐近正态性。技术工具包括局部平稳性假设、m_n-相依随机场的近似构造，以及Levy驱动的移动平均随机场作为具体例子。理论结果依赖于对空间采样设计和随机场依赖结构的正则性条件。实证部分通过模拟验证了有限样本性能。对您而言，本文的非参数回归框架和加性模型处理高维协变量的思路，可迁移至因果推断中处理空间或时空混杂时的非参数估计问题。
关键技术: kernel estimation, uniform convergence rate, additive models, locally stationary random fields, m_n-dependent random fields, Levy-driven moving average
为什么对您有用: 本文属于非参数与半参数理论方向，直接关联您的primary interest中的非参数统计和空间数据建模。您可以用very_familiar的非参数统计和minimax界工具，评估其收敛速率是否最优，并考虑将加性模型框架扩展到因果推断中的空间ATE估计。中期可做：若需处理更复杂的空间依赖结构，需在moderately_familiar的M估计理论上加强。

6. 10.3150/21-bej1379 — Rates and coverage for monotone densities using projection-posterior¶

作者: Moumita Chakraborty, Subhashis Ghosal
期刊/来源: Bernoulli
机构: North Carolina State University
分类: vol 28 · issue 2
相关性 5/10 · novelty: new_method
摘要: 本文研究单位区间上单调密度的贝叶斯推断，采用“投影后验”方法：先对密度函数（通过随机直方图）施加无单调约束的先验，再从后验抽取样本投影到单调函数空间，从而诱导出单调密度的后验分布。该方法保留了后验共轭性，得到显式表达式，便于渐近分析。主要理论结果包括：投影后验以最优 n^{-1/3} 速率收缩；构造了基于后验的单调性假设检验并证明其一致性；发现内点处函数值的投影后验可信区间极限覆盖高于名义置信水平（与光滑情形下的欠覆盖相反），并给出通过降低置信水平进行重校准的方法。模拟研究验证了有限样本下渐近结果的准确性。对您而言，本文在非参数贝叶斯框架下处理形状约束（单调性），其投影后验的思想和最优收缩率结果与您的非参数统计和 minimax 界兴趣直接相关，且重校准方法对您在高维或因果推断中构造置信区间可能有启发。
关键技术: projection-posterior, random histogram prior, optimal contraction rate n^{-1/3}, Bayesian credible interval coverage, recalibration method
为什么对您有用: 本文直接连接您的 primary interest 中的非参数统计与 minimax 界：单调密度估计的最优 n^{-1/3} 收缩率是经典结果，但投影后验方法提供了贝叶斯视角下的新证明和覆盖性质。您可以用 very_familiar 的非参数统计和 minimax 界工具来评估其收缩率是否紧，并考虑将投影后验思想迁移到您的因果推断或高维问题中的形状约束设定。中期可做：若想将投影后验推广到其他形状约束（如凸性）或高维密度，需先在 moderately_familiar 的 M-估计理论或半参数理论上长肌肉。

数理统计 / 假设检验 (hypothesis_testing, 8 篇)¶

1. 10.3150/21-bej1382 · arXiv — Local minimax rates for closeness testing of discrete distributions¶

作者: Joseph Lam-Weil, Alexandra Carpentier, Bharath K. Sriperumbudur
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 本文研究离散分布的两样本检验（closeness testing）问题，在 Poisson vector 模型（与多项分布渐近等价）下，目标是区分两个样本是否来自同一分布，或它们的分布是否在 L1 范数下分离。作者首次给出了局部 minimax 分离速率（至多对数因子），并构造了达到该速率的检验。该速率表明，在广泛情形下，两样本检验比单样本检验（goodness-of-fit）本质上更难。方法上，作者利用局部 minimax 框架，将速率适应于底层分布的形状（如稀疏性），而非假设最坏情况分布。技术工具包括 Poisson 化技巧、经验过程、以及针对 L1 距离的精确偏差分析。该结果对您在高维假设检验中的工作有直接参考价值，尤其是局部 minimax 框架可迁移至您熟悉的非参数检验问题。
关键技术: local minimax rate, Poisson vector model, closeness testing, L1 separation distance, empirical process
为什么对您有用: 本文直接关联您 primary interest 中的 hypothesis testing 方向，特别是离散分布的两样本检验。您熟悉的 minimax bounds 和 empirical process 工具可直接用于理解其局部速率推导。中期可做：将局部 minimax 框架推广至您 moderately_familiar 的 higher-order U-statistics 检验问题，需先巩固 U-statistic 的 minimax 下界技术。

2. 10.3150/21-bej1367 — Empirical process of concomitants for partly categorial data and applications in statistics¶

作者: Daniel Gaigall, Julian Gerstenberg, Thi Thu Ha Trinh
期刊/来源: Bernoulli
机构: Leibniz University Hannover
分类: vol 28 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文针对分量分别为分类变量和连续变量的二元 i.i.d. 随机向量，研究了伴随次序统计量（concomitants）的经验过程。主要理论贡献是在三角阵列设定下建立了伴随次序统计量经验过程的泛函中心极限定理（FCLT）。该结果自然应用于假设检验：详细构造了独立性检验和两样本检验，并在局部备择假设和 bootstrap 样本下推导了极限性质。通过模拟研究将所提检验与现有文献中的检验进行比较，实证结果验证了理论发现。该工作为处理混合类型数据（分类+连续）的统计推断提供了新的工具，尤其适用于非参数检验场景。
关键技术: functional central limit theorem, empirical process, concomitants, triangular array, independence test, two-sample test
为什么对您有用: 本文直接关联您的 hypothesis testing 兴趣，特别是非参数检验中处理混合类型数据的方法。您非常熟悉的 nonparametric statistics 和 high-dimensional asymptotics 工具可直接用于理解其 FCLT 证明框架，并评估其检验的 minimax 性质。中期可做：若将检验推广到高维分类变量，需先在 moderately_familiar 的 M-estimation theory 上加强，以处理伴随次序统计量在高维下的渐近行为。

3. 10.3150/21-bej1396 · arXiv — Spectral equivalence of Gaussian random functions: Operator approach¶

作者: Alexander Nazarov, Yakov Nikitin
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 5/10 · novelty: new_method
摘要: 本文提出一种基于Hilbert空间算子理论的新方法，研究高斯过程与随机场的谱等价性。核心工具是将协方差算子视为紧算子，通过特征系统分析建立不同高斯过程（如原始过程与积分过程）之间二次型范数在分布上的恒等关系。作者推导了积分与多重积分高斯随机函数二次范数的分布恒等式，并应用于拟合优度检验：构造基于积分过程的检验统计量，其零分布与原始过程的某种二次型分布等价，从而简化临界值计算。技术关键包括算子谱分解、Mercer定理和Karhunen-Loève展开。实证部分通过数值模拟验证了检验的有限样本性质。对您而言，该工作将算子理论与非参数假设检验结合，与您熟悉的非参数统计和逆问题工具直接对接，可探索将谱等价方法推广到更一般的随机过程或高维设定。
关键技术: operator theory in Hilbert space, spectral decomposition of covariance operators, Karhunen-Loève expansion, quadratic norm identities, goodness-of-fit testing
为什么对您有用: 本文直接连接您的假设检验兴趣，特别是非参数设定下检验统计量的分布理论。您非常熟悉的非参数统计和逆问题工具（如谱分解、Mercer定理）可直接用于理解本文的算子框架，中期可尝试将谱等价方法推广到高维或相依数据场景，这需要先在 moderately_familiar 的 M-估计理论上提升。

4. 10.3150/21-bej1352 · arXiv — Model-free bootstrap for a general class of stationary time series¶

作者: Yiren Wang, Dimitris N. Politis
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文针对一般类别的平稳时间序列，提出了一种无模型（model-free）自助法（bootstrap）程序。该方法不依赖于特定的参数模型假设，而是基于一种称为“模型自由预测”（model-free prediction）的框架，通过将时间序列转化为近似独立同分布的创新序列（innovations）来生成重抽样样本。理论部分建立了该自助法对多种感兴趣统计量的置信区间渐近有效性的证明，并展示了一步向前预测区间的渐近有效性。有限样本模拟实验将新方法与流行的块自助法（block bootstrap）和AR-sieve自助法进行了比较，验证了其性能。该工作为时间序列的统计推断提供了一种灵活且理论上可靠的工具，尤其适用于模型设定不确定的场景。
关键技术: model-free bootstrap, stationary time series, prediction intervals, block bootstrap, AR-sieve bootstrap
为什么对您有用: 本文属于假设检验与重抽样方法，直接连接您对数学统计与假设检验的兴趣。该无模型自助法在时间序列中提供了一种不依赖模型设定的推断工具，其渐近有效性的证明思路可能对您在高维或半参数设定下开发稳健的推断方法有启发。从技术武器库看，您对非参数统计和M估计理论非常熟悉，可以立即用这些工具分析该方法的有限样本性质或将其扩展到更复杂的依赖结构（如长记忆过程），属于立即可做的范畴。

5. 10.3150/21-bej1375 · arXiv — Joint inference on extreme expectiles for multivariate heavy-tailed distributions¶

作者: Simone A. Padoan, Gilles Stupfler
期刊/来源: Bernoulli
机构: Decision Sciences (United States) · Bocconi University · École Nationale de la Statistique et de l'Analyse de l'Information · Centre de Recherche en Économie et Statistique
分类: vol 28 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文研究多元重尾分布下极端期望分位数（extreme expectiles）的联合推断问题。期望分位数是一种一致且可激励的风险度量，在精算和金融风险管理中广泛应用，但现有工作仅关注单变量极端期望分位数的估计与推断。作者在一般极值依赖模型下，假设边际分布为重尾，重点刻画变量间的成对依赖结构，提出了多个极端边际期望分位数的联合估计方法。核心技术工具包括极值理论中的正则变化假设、多元极值依赖模型以及渐近正态性的推导。基于联合估计结果，进一步构建了极端期望分位数的精确置信区域，并提出了检验多个极端期望分位数是否相等的假设检验方法。模拟研究和真实金融数据应用验证了方法的有限样本表现。对您而言，本文在假设检验框架下处理高维重尾数据的联合推断，与您对数学统计和假设检验的兴趣直接相关，且其依赖建模思路可迁移至因果推断中的敏感性分析场景。
关键技术: extreme value theory, regular variation, multivariate expectiles, joint confidence regions, hypothesis testing for equality
为什么对您有用: 本文直接关联您对假设检验的兴趣，提出了在重尾多元分布下检验多个极端期望分位数是否相等的方法，属于高维统计推断的延伸。您的技术武器库中的非参数统计和极值理论工具（如正则变化）可直接用于理解其渐近理论，而假设检验框架可启发您在因果推断中处理多重敏感性参数的同时检验问题。中期可做：需先在 moderately_familiar 的 M-估计理论上加强，以应对其估计方程的非光滑性。

6. 10.3150/21-bej1398 · arXiv — Posterior probabilities: Nonmonotonicity, asymptotic rates, log-concavity, and Turán’s inequality¶

作者: Sergiu Hart, Yosef Rinott
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 本文在标准贝叶斯框架下研究后验概率随样本量的动态行为。设定参数空间Θ上的先验π，数据由θ₁生成，目标是评估对固定参数θ₀的后验信念。核心发现：当数据来自θ₁≠θ₀时，θ₀的后验概率并非单调递减——即使在简单iid抛硬币情形下也可能多次上下波动，且其期望也未必单调。对指数族分布，作者得到了后验期望的精确渐近速率，证明其最终严格递减。进一步，在若干重要情形（包括Bernoulli分布）中，后验期望是样本量的log-concave函数，从而单峰；Bernoulli情形下通过建立与Legendre多项式Turán不等式相关的新不等式得到该结果。本文对您可能有用：它提供了贝叶斯后验收敛性的精细非渐近刻画，与您对假设检验和渐近理论的兴趣直接相关，且log-concavity与Turán不等式的技术工具可迁移至高维统计中的集中不等式分析。
关键技术: likelihood ratio dominance, stochastic orders, exponential families, log-concave functions, Turán's inequality, Legendre polynomials
为什么对您有用: 本文直接关联您对假设检验和渐近理论的兴趣，特别是后验概率在错误模型下的非单调行为——这是贝叶斯推断中一个反直觉但基础的性质。技术层面，您武器库中的非参数统计和minimax界工具可用于推广其渐近速率结果到非指数族设定；log-concavity与Turán不等式的联系则是一个有趣的数学技巧，可能对您在高维统计中的集中不等式推导有启发。中期可做：若您先在moderately_familiar的M估计理论上长肌肉，可将本文的指数族结果推广到半参数模型。

7. 10.3150/21-bej1372 · arXiv — Central limit theorem and self-normalized Cramér-type moderate deviation for Euler-Maruyama scheme¶

作者: Jianya Lu, Yuzhen Tan, Lihu Xu
期刊/来源: Bernoulli
机构: University of Macau
分类: vol 28 · issue 2
相关性 3/10 · novelty: new_method
摘要: 本文研究随机微分方程及其 Euler-Maruyama 离散化方案的经验测度的统计推断问题。在两种过程均存在唯一不变测度 π 和 π_η 的假设下，构造 EM 方案的经验测度 Π_η 作为 π_η 的统计量。利用 Itô 公式和 Stein 方法证明 Π_η 的中心极限定理；进一步，通过将 η^{-1/2}(Π_η(·)-π(·)) 分解为鞅差序列和与可忽略余项，应用鞅的自归一化 Cramér 型中偏差结果，并证明余项指数可忽略。所得自归一化中偏差对 x ≤ o(η^{-1/6}) 成立，与经典结果同阶。该工作为离散化方案的统计推断提供了精确的收敛速率和偏差界，对高维统计中的随机近似方法有参考价值。
关键技术: Stein's method, self-normalized Cramér-type moderate deviation, martingale difference series, exponential martingale, Euler-Maruyama scheme
为什么对您有用: 本文属于假设检验与随机近似交叉方向，直接连接到 primary interest 中的 hypothesis testing 和 mathematical statistics。技术武器库中 very_familiar 的 high-dimensional asymptotics 和 nonparametric statistics 可用于理解其鞅分解与指数界技术；moderately_familiar 的 M-estimation theory 可辅助评估该中偏差结果在统计推断中的适用性。中期可做：需先在 moderately_familiar 的 semiparametric theory 上提升，以将该结果推广至半参数模型。

8. 10.3150/21-bej1386 · arXiv — A Cramér–Wold device for infinite divisibility of Zd-valued distributions¶

作者: David Berger, Alexander Lindner
期刊/来源: Bernoulli
机构: Technische Universität Dresden · Universität Ulm
分类: vol 28 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 该论文研究 Zd 值随机向量分布无限可分性的 Cramér–Wold 型判别准则。主要结论是：一个 Zd 值随机向量 X 的分布是无限可分的，当且仅当对所有 a ∈ Rd，a^T X 的分布是无限可分的；进一步，这等价于对所有 a ∈ N0，a^T X 的分布是无限可分的。证明的关键工具是特征函数无零点时 Zd 值分布特征函数的 Lévy–Khintchine 型表示，其中包含一个带符号的 Lévy 测度。该结果将经典 Cramér–Wold 定理从正态性检验推广到无限可分性检验，为高维离散分布的无限可分性提供了可操作的判别方法。对您而言，该工作属于数学统计中的假设检验方向，与您对 hypothesis testing 的兴趣直接相关，但其技术工具（Lévy–Khintchine 表示、符号测度）与您武器库中的非参数统计和高维渐近理论有潜在交叉，可作为理解高维离散分布结构的一个理论参考。
关键技术: Cramér–Wold device, Lévy–Khintchine representation, signed Lévy measure, infinite divisibility, Zd-valued distributions
为什么对您有用: 该论文直接关联您的 primary interest 中的 hypothesis testing，具体是无限可分性检验的判别准则。技术层面，您武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可用于分析该准则在高维下的检验功效或样本复杂度，但核心工具（Lévy–Khintchine 表示、符号测度）属于 moderately_familiar 的 M-estimation 理论范畴，需先熟悉这些概率工具才能深入。暂不可做：因为该工作纯理论，缺乏直接可迁移的统计方法或数据应用，且您武器库中缺少处理符号测度或 Lévy 过程的专门工具。

统计计算 / 算法 (stat_computing, 2 篇)¶

1. 10.3150/21-bej1371 · arXiv — Learning with tree tensor networks: Complexity estimates and model selection¶

作者: Bertrand Michel, Anthony Nouy
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 8/10 · novelty: new_method
摘要: 本文在经验风险最小化框架下，针对树张量网络（tree tensor networks）提出并分析了一种模型选择方法。树张量网络是数值分析和数据科学中用于高维函数逼近的重要模型类，对应于具有稀疏连接（由维度划分树 T 定义）、张量秩 r 和多线性激活函数的和积神经网络。在观测数有限的回归问题中，需要仔细选择树 T 和秩 r 以平衡逼近误差与估计误差。作者采用 Barron、Birgé、Massart 风格的复杂度惩罚策略，通过推导有界参数树张量网络的度量熵界，并利用经验过程上确界界来构造惩罚项，从而选择模型。该策略在最小二乘设定下对经典光滑函数类达到了 minimax 最优。数值实验展示了该方法在多元函数逼近以及通过张量化（量化）识别的一元函数逼近中的性能。对您而言，本文直接关联到您对统计计算中张量网络复杂度的兴趣，特别是树宽/张量收缩复杂度这一非常熟悉的武器，可用于分析此类模型的计算成本与统计效率的权衡。
关键技术: tree tensor networks, metric entropy, empirical risk minimization, penalized model selection, slope heuristics, minimax optimality
为什么对您有用: 本文直接连接您对统计-计算权衡（statistical-computational tradeoff）的兴趣，特别是张量网络复杂度这一 gateway 方向。您非常熟悉的树宽/张量收缩（einsum）复杂度工具可直接用于分析本文模型的计算成本（如收缩顺序优化），而 moderately_familiar 的 M-估计理论可用于验证其惩罚策略的渐近性质。这是一篇优秀的入门读物，清晰阐述了模型类、复杂度度量与 minimax 最优性，值得花时间全文阅读。

2. 10.3150/21-bej1377 · arXiv — Oracle lower bounds for stochastic gradient sampling algorithms¶

作者: Niladri S. Chatterji, Peter L. Bartlett, Philip M. Long
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文研究从强对数凹密度中采样的随机梯度查询复杂度下界。设定为d维空间中的强对数凹分布，目标是生成总变差距离不超过ε的样本。核心方法是信息论下界技术：将Le Cam deficiency（统计实验比较工具）与贝叶斯风险下界的信息论工具结合，构造一个良态的目标密度，证明任何算法至少需要Ω(σ²d/ε²)次随机梯度查询才能达到ε精度。这是该问题首个非平凡维度依赖下界，对理解MCMC等采样算法的计算极限有重要意义。对您而言，该文属于统计计算中信息-计算权衡的经典问题，可作为gateway reading帮助您进入该领域。
关键技术: Le Cam deficiency, information-theoretic lower bound, stochastic gradient oracle, strongly log-concave sampling, Bayes risk lower bound
为什么对您有用: 本文直接对应您primary interest中的'statistical-computational tradeoff'子方向，属于gateway reading范畴。该文用经典信息论工具（而非低度多项式或SoS）建立下界，对您作为统计学家非常友好——您可以用very_familiar的'minimax bounds for estimation problems'武器理解其证明框架。中期可做：若想跟进该方向更前沿的'低度多项式障碍'工作，需先在moderately_familiar的'HOIF'或'higher-order U-statistics'上长肌肉，因为低度方法涉及多项式谱分析。

其他 (other, 9 篇)¶

1. 10.3150/21-bej1373 — On the measure of anchored Gaussian simplices, with applications to multivariate medians¶

作者: Davy Paindaveine
期刊/来源: Bernoulli
机构: Université Libre de Bruxelles
分类: vol 28 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 本文研究了锚定高斯单纯形的体积分布：固定顶点 y ∈ R^d，其余顶点 X_1,...,X_ℓ 独立同分布于标准 d 维正态分布。核心结果是给出了该单纯形体积的精确分布，适用于任意 d、任意 ℓ 和任意锚点 y。作者提供了两种证明：第一种简短但依赖非中心 Wishart 分布的技术结果；第二种是自包含的几何证明，并由此推导出中心/非中心卡方乘积与 Beta 分布非中心参数之间的有趣分布恒等式。这些恒等式通过 Mellin 变换独立验证。该分布结果直接服务于基于单纯形体积的 U-统计量的渐近分析，并在稳健位置估计中有自然应用——例如空间中位数和 Oja 中位数作为特例的一类单纯形多元中位数。数值实验验证了理论结果。对您而言，本文提供了高维 U-统计量（特别是基于几何量的 U-统计量）的精确分布工具，可直接用于您熟悉的 higher-order U-statistics 的树宽/张量收缩计算框架中分析此类统计量的渐近性质。
关键技术: anchored Gaussian simplex volume distribution, non-central Wishart distribution, Mellin transform, U-statistics asymptotics, simplex-based multivariate medians, Oja median
为什么对您有用: 本文直接服务于您 primary interest 中的 higher-order U-statistics：单纯形体积是典型的 U-统计量核，其精确分布为分析此类 U-统计量的渐近行为提供了基础。您可以用 very_familiar 的 higher-order U-statistics 树宽/张量收缩计算工具来验证或扩展本文的分布结果到更一般的核函数。中期可做：若将本文的分布结果与您 moderately_familiar 的 HOIF 理论结合，可推导基于单纯形体积的 U-统计量的高阶影响函数和半参效率界。

2. 10.3150/21-bej1368 · arXiv — Martingale Wasserstein inequality for probability measures in the convex order¶

作者: Benjamin Jourdain, William Margheriti
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 本文研究凸序概率测度之间的鞅耦合与Wasserstein距离的关系。已知一维凸序测度存在鞅耦合，使得|x-y|的积分不超过2倍W1距离。作者证明若将|x-y|和W1分别替换为|x-y|^ρ和Wρ^ρ，则有限乘性常数不存在。但若将Wρ^ρ替换为Wρ乘以第二边际的ρ阶中心矩的ρ-1次幂，则可恢复有限常数。进一步将该稳定性不等式推广到高维情形。该结果属于最优传输与鞅理论的交叉领域，对您的高维统计和概率论兴趣有间接参考价值。
关键技术: martingale coupling, Wasserstein distance, convex order, stability inequality
为什么对您有用: 本文属于概率论与最优传输的理论研究，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。作为gateway-reading，本文对统计学家而言门槛较高，需要鞅论和最优传输基础，且未涉及数据或模型问题。武器库中的非参统计和minimax界工具可部分理解其Wasserstein距离分析，但核心鞅耦合技术不在熟悉范围内，暂不可做。

3. 10.3150/21-bej1369 · arXiv — Convergence rates of two-component MCMC samplers¶

作者: Qian Qin, Galin L. Jones
期刊/来源: Bernoulli
机构: University of Minnesota
分类: vol 28 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 本文研究两分量 MCMC 采样器的收敛速度，重点关注 Gibbs 采样器和条件 Metropolis-Hastings 采样器。核心问题是：在涉及两个分量时，确定性扫描（systematic-scan）是否比随机扫描（random-scan）收敛更快？作者通过建立两者 L^2 收敛速度的精确定量关系，证明确定性扫描采样器确实收敛更快。此外，还建立了条件 Metropolis-Hastings 采样器与相关 Gibbs 采样器收敛速度之间的定性关系，例如若条件 Metropolis-Hastings 采样器几何遍历，则相关 Gibbs 采样器也几何遍历。该工作为 MCMC 算法选择提供了理论指导，但属于计算统计而非因果推断或高维统计的核心方向。对您而言，若您关注统计计算中的算法效率理论，本文可作为入门参考，但您的武器库（如非参数统计、U-统计量）与此方向直接交集有限。
关键技术: Gibbs sampler, conditional Metropolis-Hastings, L^2 convergence rate, geometric ergodicity, deterministic-scan vs random-scan
为什么对您有用: 本文属于统计计算中的 MCMC 理论，与您的 primary interest 中的“statistical computing”有弱关联，但并非您核心关注的因果推断或高维统计方向。您的技术武器库（如 minimax bounds、U-统计量）难以直接应用于此问题，因为核心工具是 Markov chain 谱分析而非您熟悉的非参数或高维方法。作为 gateway reading，本文对 MCMC 理论入门有帮助，但暂不可做 follow-up，因为缺少您武器库中的直接切入点。

4. 10.3150/21-bej1389 · arXiv — Markov-modulated generalized Ornstein-Uhlenbeck processes and an application in risk theory¶

作者: Anita Behme, Apostolos Sideris
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 本文构建了马尔可夫调制的广义Ornstein-Uhlenbeck (MM-GOU) 过程，通过将马尔可夫调制的随机递归方程嵌入连续时间得到。该过程是某个由双变量马尔可夫加性过程驱动的随机微分方程的唯一解，并给出了显式解形式。作者推导了MM-GOU过程严格平稳性的充要条件，并证明其平稳分布由马尔可夫加性过程的特定指数泛函的分布给出。最后，将MM-GOU过程应用于风险理论，作为具有随机投资的马尔可夫调制风险模型，推广了Paulsen风险过程到马尔可夫切换环境。文中给出了该风险模型中破产概率的公式，表达为马尔可夫加性过程指数泛函的分布。该工作属于随机过程与风险理论的理论研究，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接方法学关联。
关键技术: Markov-modulated processes, generalized Ornstein-Uhlenbeck process, Markov-additive processes, stochastic differential equations, ruin probability
为什么对您有用: 本文属于随机过程与精算风险理论的理论研究，与您的主要兴趣方向（因果推断、高维统计、半参理论、计算统计等）无直接方法学连接。武器库中的工具（如非参统计、U-统计量、因果推断识别理论）在此处没有直接可攻的口子。暂不可做——核心机器（马尔可夫加性过程、随机微分方程、破产概率理论）不在武器库中。

5. 10.3150/21-bej1399 · arXiv — Convergence of jump processes with stochastic intensity to Brownian motion with inert drift¶

作者: Clayton Barnes
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 该论文研究一类具有随机跳跃强度的连续时间非负格点随机游走，其正跳跃强度与游走者在原点停留的时间成正比。通过布朗尺度化，作者证明该过程序列依分布收敛于惰性漂移布朗运动（BMID），验证了Burdzy和White在2008年提出的一维猜想。核心方法涉及跳过程与扩散过程的弱收敛理论，利用鞅方法和随机时间变换技术建立收敛性。主要理论结果是证明了该自适应跳过程在适当缩放下的极限分布，揭示了随机强度与惰性漂移之间的深层联系。该工作属于概率论基础方向，与统计推断的方法论关联较弱。
关键技术: weak convergence of stochastic processes, martingale methods, Brownian scaling, random time change
为什么对您有用: 该论文属于概率论基础理论，与您的主要研究兴趣（因果推断、高维统计、U统计量等）无直接方法学连接。武器库中无对应工具可攻该问题，属于暂不可做方向。

6. 10.3150/21-bej1390 · arXiv — Symmetric inclusion process with slow boundary: Hydrodynamics and hydrostatics¶

作者: Chiara Franceschini, Patrícia Gonçalves, Federico Sau
期刊/来源: Bernoulli
机构: University of Lisbon · Institute of Science and Technology Austria
分类: vol 28 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 本文研究一维开放对称包含过程（Symmetric Inclusion Process, SIP）在慢边界条件下的流体动力学与流体静力学极限。系统由体相与边界之间的相互作用速率参数调控，根据该参数的不同取值，流体动力学方程分别收敛到带有Dirichlet、Robin或Neumann边界条件的线性热方程。方法上，作者结合对偶性与第一/第二类粒子技术，将包含过程的标度极限简化为单个非相互作用粒子的极限行为。主要理论结果是严格推导了不同边界条件下的宏观偏微分方程，并建立了相应的流体静力学极限。该工作属于统计物理中相互作用粒子系统的数学严格分析，与您的核心统计兴趣（因果推断、高维统计、半参理论等）无直接方法学关联。
关键技术: duality, first-second class particle, hydrodynamic limit, hydrostatic limit, symmetric inclusion process
为什么对您有用: 本文属于统计物理中相互作用粒子系统的严格数学分析，与您的primary interests（因果推断、高维统计、半参理论等）无直接方法学连接。武器库中无对应工具（如对偶性、粒子系统标度极限），且该方向不构成gateway reading。建议跳过。

7. 10.3150/21-bej1395 · arXiv — A note on the phase transition for independent alignment percolation¶

作者: Marcelo Hilário, Daniel Ungaretti
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 1/10 · novelty: new_theory
摘要: 本文研究 Z^d 上的独立对齐渗流模型，该模型由 Beaton、Grimmett 和 Holmes 引入。模型首先以概率 p 独立标记格点为占据或空置，然后考虑所有平行于坐标轴、端点均为占据格点且不经过其他占据格点的线段，再以概率 λ 独立宣布这些线段为开放。所有位于开放线段上的边也被宣布开放，从而形成 Z^d 上的边渗流模型。作者证明了对任意 d≥2 和 p∈(0,1]，临界值 λ_c(p)<1，即相变在整个区间 (0,1] 上是非平凡的。此外，还证明了临界曲线 p↦λ_c(p) 在 p=1 处连续，回答了原作者的开放问题。该结果属于概率论中渗流模型的相变理论，与统计推断的方法论关联较弱。
关键技术: percolation theory, phase transition, critical curve continuity, independent alignment percolation
为什么对您有用: 本文属于纯概率论中的渗流模型研究，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接方法学关联。作为 gateway reading 也不合适，因为其问题设定和证明技术（渗流相变、临界曲线连续性）不在您的技术武器库中，且未涉及统计推断或计算复杂性。建议跳过。

8. 10.3150/21-bej1393 · arXiv — Defective Galton-Watson processes in a varying environment¶

作者: Götz Kersting, Carmen Minuesa
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 1/10 · novelty: new_theory
摘要: 本文研究了一类扩展的缺陷型 Galton-Watson 过程，允许后代分布随代际变化。在每个代际，个体独立繁殖，其分布可能是有缺陷的（即总概率小于1），缺陷概率 1-f_n(1) 表示过程在该代进入吸收态 Δ 的可能性。主要关注过程的渐近行为：建立了过程几乎必然收敛到取值于 ℕ₀∪{Δ} 的随机变量，并给出了灭绝与吸收对偶性的两种刻画。此外，还给出了吸收时间的部分结果，以及条件于非吸收的过程性质，为此引入了变环境缺陷分支树的概念。该工作属于概率论中分支过程的理论研究，与统计推断或因果推断无直接方法学联系。
关键技术: Galton-Watson process, defective distribution, absorbing state, almost sure convergence, branching tree
为什么对您有用: 本文是纯概率论的分支过程理论工作，与您的主要兴趣（因果推断、高维统计、U-统计量、半参效率理论）及次要兴趣（天体统计、经济理论、流行病学）均无直接方法学关联。武器库中无对应工具可攻该问题，且该方向不属 gateway-reading 范畴。暂不可做。

9. 10.3150/21-bej1383 · arXiv — Paving property for real stable polynomials and strongly Rayleigh processes¶

作者: Kasra Alishahi, Milad Barzegar
期刊/来源: Bernoulli
分类: vol 28 · issue 2
相关性 1/10 · novelty: new_theory
摘要: 本文研究实稳定多项式与强Rayleigh点过程的铺砌性质。首先，在Kadison-Singer问题（由Marcus、Spielman和Srivastava于2013年解决）的启发下，作者将经典的铺砌猜想推广到多仿射实稳定多项式：在首项系数的温和条件下，可将变量集划分为少量子集，使得多项式在每个子集上的“限制”的根都很小。其次，利用这一广义铺砌定理，证明了对任意强Rayleigh点过程，可将底空间划分为少量子集，使得点过程在每个子集上的限制是“弱相关的”。这一结果直观上意味着负相依点过程的排斥力不可能处处强。为此，作者引入了强Rayleigh点过程的核多项式概念，它是行列式点过程核的推广，为研究这两类点过程提供了统一框架。最后，还证明了强Rayleigh点过程的一个熵下界，该下界用核多项式的根表示。本文属于概率论与组合数学的交叉，与您的主要研究兴趣（因果推断、高维统计、U-统计量等）无直接方法学关联，但铺砌性质与负相依点过程的结构可能对某些高维统计问题有启发。
关键技术: real stable polynomials, strongly Rayleigh processes, paving property, Kadison-Singer problem, kernel polynomial, determinantal point processes
为什么对您有用: 本文属于概率论与组合数学的纯理论工作，与您的主要研究兴趣（因果推断、高维统计、U-统计量、半参数理论等）无直接方法学连接。虽然强Rayleigh点过程与负相依性在高维统计中有潜在应用，但本文的证明工具（实稳定多项式、铺砌性质）不在您的技术武器库中，且未涉及您熟悉的统计推断或计算问题。因此，本文暂不可做，核心缺口在于实稳定多项式与组合铺砌的专门工具。

Maintained by 陈星宇 · Homepage · Source on GitHub