Bernoulli — Vol 28 Issue 3 · 2026-07-14¶

共 23 篇 · Bernoulli
目录核对 ✅ 23 篇全部抓到（对照 OpenAlex 23 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 3 期共 23 篇论文，整体上可归纳为四条主线：高维统计与随机矩阵理论（含协方差矩阵谱统计、逻辑回归 MLE 渐近、协方差矩阵收缩估计）、因果推断与半参数方法（聚焦高维数据下的双重稳健推断）、假设检验与序贯推断（涵盖熵估计、多元非线性统计量 Berry-Esseen 界、分位数序贯估计、多变量分位数）、以及统计计算与 MCMC 理论（Langevin 离散化误差、交换算法、自适应 Metropolis）。此外，还有若干篇纯概率论（粒子系统、分支过程、随机微分方程）和连续稀疏估计的论文，与统计推断主线关联较弱。

高维随机矩阵是本期最密集的主题。四篇论文从不同角度推进了高维协方差结构推断：一篇将逻辑回归 MLE 的渐近分布从独立协变量推广到任意协方差结构的高斯协变量，依赖 Marchenko-Pastur 律和留数分析；另一篇在总体谱范数发散（强信号）下建立了样本协方差矩阵线性谱统计量的新中心极限定理；第三篇提出二次收缩估计量，证明在 Frobenius 损失下三次及以上非线性无法超越二次收缩，并引入“Stein 收缩子”概念；第四篇则聚焦离散熵的均匀浓度不等式，将收敛条件从 (K log K)/n 改进到最优的 (log K)/n。这四篇共同覆盖了高维协方差矩阵的谱推断、收缩估计和熵估计三个子方向。

因果推断与半参数主线仅有一篇，但分量较重。该文在高维数据（p >> n）的半参数框架下，针对双重稳健估计量提出正则化校准估计方法，核心理论贡献是证明两步序贯构造的校准估计量仍能达到 o_p(n^{-1/4}) 的 ℓ₂ 收敛速度，从而保证双重稳健推断的有效性。这与本期其他高维论文（如逻辑回归 MLE 渐近）形成互补：前者关注参数推断的渐近分布，后者关注半参数效率与稳健性。

假设检验与序贯推断主线包含四篇：一篇为多元非线性统计量（M-估计量、SGD 迭代）建立 Berry-Esseen 界，覆盖非光滑损失函数；一篇构造分位数序贯置信序列，宽度以重对数律速率收缩，并导出序贯 KS 检验；一篇提出多变量 ρ-分位数统一框架，给出 Bahadur 表示和渐近分布；一篇推导离散熵的最优均匀浓度不等式。这些工作分别从分布逼近、序贯置信、多变量分位数和熵估计角度推进了高维或非参数假设检验理论。

统计计算主线有四篇：两篇聚焦 Langevin 扩散离散化——一篇在非凸性下将 KL 散度误差从 O(η) 改进到 O(η²)，另一篇提出零阶梯度估计方法并给出 oracle 复杂度；一篇给出交换算法几何遍历性的充要条件和 CLT；一篇提出自适应多尝试 Metropolis 算法并证明遍历性。这些论文共同关注 MCMC 算法的理论保证（收敛速率、遍历性、复杂度），与前述高维推断主线在技术工具上无直接重叠。

对于因果推断方向的研究者，最值得优先看的是那篇高维双重稳健推断论文，它直接处理了高维数据下因果参数（ATE、部分线性模型系数）的推断问题。对于半参数效率方向，该文的正则化校准估计与 ℓ₂ 收敛速度分析是核心。对于高维统计方向，逻辑回归 MLE 渐近和协方差矩阵谱统计两篇提供了随机矩阵理论的新结果，而二次收缩估计则连接了有限样本收缩与大维渐近。

因果推断 (causal_inference, 1 篇)¶

1. 10.3150/21-bej1378 · arXiv — Doubly robust semiparametric inference using regularized calibrated estimation with high-dimensional data¶

作者: Satyajit Ghosh, Zhiqiang Tan
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 9/10 · novelty: new_method
摘要: 本文在高维数据（p >> n）的 semiparametric 框架下，研究 doubly robust 估计量的推断问题。目标 estimand 是低维参数（如部分线性模型的系数、ATE），依赖于两个工作模型（倾向得分与结果回归）。作者提出 regularized calibrated estimation 作为通用方法，通过两步算法（先校准估计一个模型，再基于此估计另一个）同时估计两个高维工作模型参数。核心理论贡献是：在稀疏性假设下，即使两步估计是序贯构造的，仍能证明 calibrated estimator 达到足够快的收敛速度（如 ℓ₂ 范数 o_p(n^{-1/4})），从而保证 doubly robust estimator 具有 n^{-1/2}-CAN 和 valid Wald 置信区间。关键技术工具包括 empirical process 理论、sparse logistic/linear regression 的收敛率分析、以及 calibrated estimation 的 Neyman 正交性。与 debiased Lasso 的数值对比显示，该方法在有限样本下表现更稳定，尤其当两个模型都 misspecified 时仍能保持较好的覆盖概率。对您而言，本文直接连接 primary interest 中的 semiparametric theory 和 causal inference（ATE 估计），其 regularized calibrated estimation 的 Neyman 正交性构造思路可迁移到您 moderately_familiar 的 HOIF 框架中，用于设计高维下的高阶 influence function 估计量。
关键技术: regularized calibrated estimation, doubly robust estimation, Neyman orthogonality, high-dimensional sparse models, two-step estimation, Wald confidence intervals
为什么对您有用: 本文直接连接您 primary interest 中的 semiparametric theory 和 causal inference（ATE 估计），其 regularized calibrated estimation 的 Neyman 正交性构造思路可迁移到您 moderately_familiar 的 HOIF 框架中，用于设计高维下的高阶 influence function 估计量。从武器库看，您 very_familiar 的 nonparametric statistics 和 minimax bounds 可用来验证本文收敛率假设（如 ℓ₂ 率 o_p(n^{-1/4})）是否紧，而 moderately_familiar 的 semiparametric theory 和 identification theory 是理解本文正交性构造的基础。中期可做：需先在 moderately_familiar 的 HOIF 上长肌肉（理解其与 Neyman 正交性的关系），才能将本文的校准思路推广到高阶。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)¶

1. 10.3150/21-bej1401 · arXiv — The asymptotic distribution of the MLE in high-dimensional logistic models: Arbitrary covariance¶

作者: Qian Zhao, Pragya Sur, Emmanuel J. Candès
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 8/10 · novelty: sharper_rate
摘要: 本文研究高维逻辑回归中MLE的渐近分布，将Sur & Candès (2019)的结果从独立同分布协变量推广到任意协方差结构的高斯协变量。在p/n趋于常数的比例极限下，证明任意有限个MLE坐标联合服从多元正态分布。具体地，第j个坐标的渐近均值是α_ β_j，标准差是σ_/τ_j，其中τ_j是第j个预测变量条件于其他所有变量的标准差，α_>1和σ_仅依赖于维度比和整体信号强度。关键工具是随机矩阵理论中的Marchenko-Pastur律和留数分析，用于刻画高维似然方程的固定点。数值实验（模拟和真实数据）与理论高度吻合。该结果对您的高维统计和随机矩阵理论兴趣有直接连接，尤其是协方差结构任意化后RMT工具如何推广到非球形设定。
关键技术: Marchenko-Pastur law, residue calculus, proportional-limit asymptotics, logistic regression MLE, random covariance structure
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：本文是Sur & Candès经典工作的自然推广，将RMT工具从球形协方差扩展到任意协方差，展示了Marchenko-Pastur律在非i.i.d.设定下的威力。武器库中'高维渐近'和'逆问题'非常熟悉，可立即用于理解其证明框架；若想进一步推广到非高斯协变量或正则化MLE，需在'随机矩阵理论'上适度提升（当前为moderately_familiar）。中期可做：用您的U-statistic树宽视角分析其估计量的计算成本。

2. 10.3150/21-bej1391 · arXiv — Spectral statistics of high dimensional sample covariance matrix with unbounded population spectral norm¶

作者: Yanqing Yin
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 7/10 · novelty: new_theory
摘要: 本文在高维样本协方差矩阵的总体谱范数发散（即最大特征值随维度增长）的设定下，建立了若干线性谱统计量的新中心极限定理。该模型将发散尖峰总体模型作为特例，且允许尖峰特征值数量固定或随维度增长。研究发现，总体谱范数的发散以依赖于发散速率的方式复杂地影响线性谱统计量的波动行为。技术工具包括随机矩阵理论中的Marchenko-Pastur律、Stieltjes变换以及精细的矩估计。主要理论结果给出了线性谱统计量的渐近正态性及其方差表达式。该工作对您在高维统计与随机矩阵理论方向的研究具有直接参考价值，特别是当协方差矩阵存在强信号（发散特征值）时，谱统计量的推断问题。
关键技术: Marchenko-Pastur law, Stieltjes transform, linear spectral statistics, central limit theorem, spiked covariance model
为什么对您有用: 本文直接关联您的高维统计与随机矩阵理论兴趣，特别是总体谱范数发散这一非标准设定下的谱统计量极限行为。您武器库中'高维渐近理论'和'非参数统计'可直接用于理解其证明框架，而'minimax bounds for estimation problems'可用于验证其收敛速率是否最优。中期可做：若想将此类CLT应用于因果推断中的高维协变量调整，需先在'moderately_familiar'的M估计理论上提升。

3. 10.3150/20-bej1315 — Quadratic shrinkage for large covariance matrices¶

作者: Olivier Ledoit, Michael Wolf
期刊/来源: Bernoulli
机构: Capital University · University of Zurich
分类: vol 28 · issue 3
相关性 0/10 · novelty: new_method
摘要: 本文针对大协方差矩阵估计问题，在经典 Stein 有限样本收缩估计与大维渐近理论之间建立桥梁，提出二次收缩估计量。该估计量保持样本协方差矩阵的特征向量，对逆样本特征值施加收缩，收缩公式为二次形式：两个收缩目标分别由浓度比（矩阵维数/样本量）的二次函数加权，第一个目标主导中等浓度水平，第二个目标主导高浓度水平。这种额外自由度使得当最优收缩非线性时（一般情况），二次收缩能优于线性收缩。两个目标均基于作者定义的“Stein 收缩子”——一种局部吸引算子，将样本特征值拉向其最近邻，但作用力随距离衰减（类似引力）。作者证明在大维渐近下，关于 Frobenius 损失，三次或更高阶非线性无法超越二次收缩。该方法适用于非正态分布及维数超过样本量的情形。蒙特卡洛模拟验证了其在精度、速度和可扩展性方面的先进性能。对您而言，该工作直接关联高维统计与随机矩阵理论兴趣，其二次收缩框架为协方差矩阵估计提供了超越线性收缩的新基准，且理论证明（高阶非线性无法超越二次）具有方法论深度。
关键技术: quadratic shrinkage, Stein shrinker, large-dimensional asymptotics, Marchenko-Pastur law, Frobenius loss, concentration ratio
为什么对您有用: 本文直接对应您的高维统计与随机矩阵理论兴趣，特别是大协方差矩阵估计这一经典问题。您的武器库中'高维渐近'和'非参数统计'可直接用于理解其理论框架，而'minimax bounds for estimation problems'可用于验证其声称的二次收缩最优性是否紧。中期可做：若想将二次收缩思想推广至其他高维结构（如稀疏协方差、因子模型），需先在 moderately_familiar 的 'semiparametric theory' 上积累，以处理更复杂的参数化假设。

非参数 / 半参数 (nonparam_semipara, 3 篇)¶

1. 10.3150/21-bej1402 · arXiv — Conditional variance estimator for sufficient dimension reduction¶

作者: Lukas Fertl, Efstathia Bura
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 5/10 · novelty: new_method
摘要: 本文提出条件方差估计（CVE）作为充分降维（SDR）的新方法，针对加性误差回归模型，假设预测变量可通过低维投影保留全部信息。CVE 完全数据驱动，不依赖逆回归，也不要求线性条件矩和常方差假设，这与多数基于矩的 SDR 方法（如切片逆回归 SIR）形成对比。方法通过最小化条件方差的目标函数来估计中心降维子空间，并证明了估计的相合性及目标函数的一致收敛性。模拟中，CVE 在多数设定下优于主要竞争对手 MAVE，且始终优于基于逆回归的线性 SDR 方法。该方法的核心机制是直接估计条件方差而非逆矩，从而规避了传统 SDR 的强假设。对您而言，CVE 的非参数视角和相合性证明与您的非参数统计和估计理论兴趣直接相关，其目标函数的一致收敛性分析也可与您熟悉的高维渐近理论对接。
关键技术: Conditional Variance Estimation (CVE), sufficient dimension reduction (SDR), uniform convergence, additive error regression, mean average variance estimation (MAVE)
为什么对您有用: 本文属于非参数统计与估计理论方向，直接对应您的 primary interest 中的非参数统计和估计理论。CVE 的相合性和一致收敛性证明可借助您非常熟悉的非参数统计和 minimax 界工具进行深入分析，例如验证其收敛速率是否最优。中期可做：若想将 CVE 扩展到高维设定，需先在 moderately_familiar 的 M-估计理论上提升，以处理高维惩罚估计的相合性。

2. 10.3150/21-bej1410 — Locally polynomial Hilbertian additive regression¶

作者: Jeong Min Jeon, Young Kyung Lee, Enno Mammen, Byeong U. Park
期刊/来源: Bernoulli
机构: KU Leuven · Kangwon National University · Heidelberg University · Seoul National University
分类: vol 28 · issue 3
相关性 4/10 · novelty: new_method
摘要: 本文针对响应变量取值于一般Hilbert空间的回归问题，提出了一种新的加性回归技术。该方法基于smooth backfitting框架，并采用局部多项式平滑工具，从而继承了经典一元核回归的诸多优势。与现有方法相比，新方法不仅能估计回归函数本身，还能估计其导数，并且通过边界修正和oracle性质使得估计量表现更优。论文建立了完整的理论体系，包括各种模式下的收敛速度和估计量的渐近分布。模拟研究和真实数据应用验证了该方法的有效性。对于您而言，本文在非参数回归和半参数理论方面提供了新的技术视角，特别是其处理函数型响应变量的方法可能对您在高维统计和因果推断中的纵向数据建模有所启发。
关键技术: smooth backfitting, local polynomial smoothing, Hilbert space regression, oracle property, asymptotic distribution
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。其smooth backfitting和局部多项式技术是您非常熟悉的非参数统计工具，因此可以立即可做地评估该方法在您关注的因果推断（如纵向数据中的时变处理效应估计）中的适用性。

3. 10.3150/21-bej1363 — Two-step Bayesian methods for generalized regression driven by partial differential equations¶

作者: Prithwish Bhaumik, Wenli Shi, Subhashis Ghosal
期刊/来源: Bernoulli
机构: North Carolina State University
分类: vol 28 · issue 3
相关性 3/10 · novelty: new_method
摘要: 本文针对回归函数由偏微分方程（PDE）隐式定义的非线性回归模型，提出了贝叶斯两步推断方法。首先用张量积B样条对回归函数进行非参数表示，构造有限随机级数先验；然后通过三种不同的投影映射（如最小二乘投影、弱解投影等）将先验诱导到PDE参数空间上，得到后验分布。方法适用于响应变量属于指数族分布的广义非线性回归，不限于正态加性误差。建立了Bernstein-von Mises型定理，证明后验的√n-一致性和贝叶斯可信区间的渐近正确频率覆盖。模拟研究验证了有限样本性能。对您而言，本文展示了非参数先验与PDE约束结合的半参数推断框架，其投影映射和BvM结果与您的semiparametric theory和M-estimation理论有直接技术关联。
关键技术: B-spline tensor product prior, projection map, Bernstein-von Mises theorem, exponential family regression, two-step Bayesian inference
为什么对您有用: 本文连接您的semiparametric & nonparametric theory兴趣，特别是非参数先验在结构约束（PDE）下的后验渐近理论。技术武器库中'nonparametric statistics'和'M-estimation theory'可直接用于分析其投影映射的收敛性和BvM定理的证明结构。中期可做：若想将类似投影思路推广到您的causal inference设定（如proximal CI中的结构方程约束），需先在'moderately_familiar'的identification theory上加强。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)¶

1. 10.3150/21-bej1403 · arXiv — An optimal uniform concentration inequality for discrete entropies on finite alphabets in the high-dimensional setting¶

作者: Yunpeng Zhao
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 7/10 · novelty: sharper_rate
摘要: 该论文针对有限字母表上离散随机变量的熵估计问题，推导了一个指数衰减的均匀浓度不等式，用于控制对数似然与负熵之差的尾部概率。该不等式对所有参数值一致成立，将先前结果（Zhao, 2020）所需的收敛条件从 (K log K)/n = o(1) 改进为 (log K)/n = o(1)，其中 n 为样本量，K 为字母表大小。作者进一步证明 (log K)/n = o(1) 这一速率是最优的，不可再改进。结果还被推广至分组随机变量的误设定对数似然情形。论文在信息论中给出了应用实例。对您而言，该工作直接关联到高维统计与假设检验兴趣：其均匀浓度界是处理高维分类数据（K 随 n 增长）中熵估计与检验问题的关键工具，且最优速率的证明方法（如利用经验过程或切诺夫界）可迁移至您熟悉的非参数统计与 minimax 界技术中。
关键技术: uniform concentration inequality, exponential decay bound, optimal rate (log K)/n, misspecified log-likelihood, empirical process
为什么对您有用: 该论文直接连接您的高维统计与假设检验兴趣，具体针对高维分类数据（K 随 n 增长）中熵估计的均匀浓度界，这是您非常熟悉的非参数统计与 minimax 界技术的直接应用。您可以用 very_familiar 中的 minimax 界工具验证其最优速率的紧性，或将其浓度界推广至更复杂的统计量（如 U-统计量）。中期可做：若需将结果扩展至连续分布或更一般的函数类，需先在 moderately_familiar 的 M-估计理论中加强经验过程工具。

2. 10.3150/21-bej1336 · arXiv — Berry–Esseen bounds for multivariate nonlinear statistics with applications to M-estimators and stochastic gradient descent algorithms¶

作者: Qi-Man Shao, Zhuo-Song Zhang
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 7/10 · novelty: new_method
摘要: 本文为多元非线性统计量建立了 Berry–Esseen 界，目标是在非光滑目标函数（如 M-估计量、随机梯度下降迭代）下给出分布逼近的显式收敛速度。核心方法是将统计量表示为光滑函数与经验过程的复合，利用 Stein 方法和交换对（exchangeable pair）技术处理非线性依赖，得到 O(n^{-1/2}) 量级的多元正态逼近误差。对于 M-估计量，结果覆盖了非光滑损失函数（如分位数回归、Huber 估计）的联合置信域构造；对于 SGD 算法，给出了迭代分布的高斯逼近精度。理论工具包括高阶 U-统计量的投影分解和浓度不等式，但本文主要依赖 Stein 方法而非 U-统计量投影。主要贡献在于将 Berry–Esseen 界从一元推广到多元，且允许目标函数非光滑，这对高维推断和算法统计有直接意义。对您而言，该文与 hypothesis testing 和 high-dimensional statistics 方向高度相关，其多元 Berry–Esseen 界可直接用于构造 M-估计量的联合置信域，且技术路线（Stein 方法）与您的 U-统计量工具互补。
关键技术: Berry-Esseen bounds, Stein's method, exchangeable pair, M-estimation, stochastic gradient descent, multivariate normal approximation
为什么对您有用: 该文直接服务于您的 hypothesis testing 兴趣——为多元 M-估计量提供显式收敛速度的 Berry–Esseen 界，可用于构造联合置信域。技术层面，您 very_familiar 的 high-dimensional asymptotics 和 nonparametric statistics 可直接用于验证其 bound 在非光滑损失下的紧性；但核心工具 Stein 方法在您的 arsenal 中属于 moderately_familiar 的 M-estimation theory 范畴，需要先熟悉交换对构造才能复现结果。中期可做：将本文的多元 Berry–Esseen 界与您的 higher-order U-statistics 结合，推导 U-统计量在多元设定下的分布逼近。

3. 10.3150/21-bej1388 · arXiv — Sequential estimation of quantiles with applications to A/B testing and best-arm identification¶

作者: Steven R. Howard, Aaditya Ramdas
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 4/10 · novelty: new_method
摘要: 本文研究基于i.i.d.数据流对任意分布的分位数进行序贯估计的问题。核心贡献是构造了理论上严格且实践中紧的置信序列（confidence sequences），即随时间均匀有效的置信区间序列。作者给出了两种跟踪固定分位数的方法和两种同时跟踪所有分位数的方法，区间宽度以最快的√(t⁻¹ log log t)速率收缩，符合重对数律（LIL）。作为副产品，得到了一个非渐近的、随时间均匀有效的经验分布函数集中不等式，其宽度约为经典Dvoretzky-Kiefer-Wolfowitz（DKW）不等式的两倍，并直接导出序贯单样本和两样本Kolmogorov-Smirnov检验以及随机占优检验。在多臂老虎机框架下，作者将结果应用于选择近似最优分位数的臂，证明了新颖分配策略的样本复杂度界，模拟显示停止所需样本量比现有方法少5到50倍。最后，给出了A/B测试中两臂分位数差的置信序列和始终有效的p值。该工作对您在高维假设检验和序贯分析方向有直接参考价值，尤其是其非渐近集中不等式和LIL速率的序贯方法可迁移至您熟悉的U-统计量序贯推断问题。
关键技术: confidence sequences, law of the iterated logarithm, Dvoretzky-Kiefer-Wolfowitz inequality, sequential Kolmogorov-Smirnov test, multi-armed bandit, always-valid p-values
为什么对您有用: 本文直接对应您primary interest中的hypothesis testing，特别是序贯检验和集中不等式。您very_familiar中的nonparametric statistics和high-dimensional asymptotics可用于分析其LIL速率集中不等式的紧性，而moderately_familiar中的higher-order U-statistics理论可尝试将序贯分位数方法推广至U-分位数（U-quantile）的序贯推断——这是立即可做的follow-up，因为U-统计量的树宽/张量收缩计算工具已就绪。

4. 10.3150/21-bej1404 — Multivariate ρ-quantiles: A spatial approach¶

作者: Dimitri Konen, Davy Paindaveine
期刊/来源: Bernoulli
机构: Université Libre de Bruxelles
分类: vol 28 · issue 3
相关性 3/10 · novelty: new_method
摘要: 本文提出了一类多变量ρ-分位数，将Chaudhuri (1996)的空间(L1-)分位数推广到一大类凸损失函数ρ。作者系统研究了ρ-分位数在一般概率测度和球对称概率测度下的存在性与唯一性，发现结果关键依赖于ρ和测度的性质。通过分析目标函数的可微性，引入了空间ρ-深度的伴随概念，推广了Vardi和Zhang (2000)的空间深度。特别地，研究了极端ρ-分位数，揭示了Lp-分位数在p≤2和p>2时的根本不同行为。最后，建立了样本ρ-分位数的Bahadur表示并推导了渐近分布，且仅需非常弱的概率测度假设，无需绝对连续性。该工作为多变量分位数估计提供了统一的理论框架，对您在高维统计和假设检验中的非参数方法研究有直接参考价值。
关键技术: Lp-quantiles, spatial quantiles, convex loss functions, Bahadur representation, spatial depth, asymptotic distribution
为什么对您有用: 本文直接关联您对数学统计与假设检验的兴趣，特别是多变量分位数的渐近理论。您武器库中的非参数统计和minimax界工具可用于分析该估计量的最优性，而高维渐近工具可检验其在稀疏或高维设定下的表现。中期可做：需先熟悉空间分位数的几何性质（moderately_familiar中的M估计理论），然后可探索ρ-分位数在因果推断中作为工具变量的稳健替代。

统计计算 / 算法 (stat_computing, 4 篇)¶

1. 10.3150/21-bej1400 · arXiv — Stochastic zeroth-order discretizations of Langevin diffusions for Bayesian inference¶

作者: Abhishek Roy, Lingqing Shen, Krishnakumar Balasubramanian, Saeed Ghadimi
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 4/10 · novelty: new_method
摘要: 本文研究贝叶斯推断中Langevin扩散离散化的零阶随机算法。传统Langevin采样器需要计算势函数的梯度，但在许多实际场景中梯度计算昂贵或不可行。作者提出基于Gaussian Stein恒等式估计梯度的零阶方法，用于过阻尼和欠阻尼Langevin扩散的离散化。在多种噪声模型下，给出了在Wasserstein距离下获得近似样本所需的噪声函数评估次数的oracle复杂度分析。理论贡献将采样算法扩展到实际中常见的黑箱噪声设定。对您而言，该工作属于统计计算方向，其oracle复杂度分析框架可与您熟悉的minimax界技术结合，用于评估计算约束下的采样效率。
关键技术: Gaussian Stein's identity, zeroth-order optimization, Langevin diffusion discretization, oracle complexity, Wasserstein distance
为什么对您有用: 本文属于统计计算方向，直接关联您对'统计-计算权衡'的兴趣。其oracle复杂度分析框架可用您熟悉的minimax界技术来评估计算约束下的采样效率，属于'中期可做'：需先在moderately_familiar的M-estimation理论上长肌肉，以理解其复杂度证明的细节。

2. 10.3150/21-bej1405 · arXiv — On the theoretical properties of the exchange algorithm¶

作者: Guanyang Wang
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 2/10 · novelty: new_theory
摘要: 本文系统研究了交换算法（exchange algorithm）的理论性质，该算法是处理双重难解分布（doubly-intractable distributions）的Metropolis-Hastings扩展中最流行的方法之一。作者给出了交换算法几何遍历性（geometric ergodicity）的充要条件，并建立了中心极限定理（CLT）。与原始Metropolis-Hastings算法相比，本文从渐近方差和收敛速度两个维度进行了理论比较。结果适用于位置模型、高斯模型、泊松模型以及一大类指数族分布，覆盖了交换算法的大多数实际应用场景。这些理论结果首次严格证明了交换算法在实践中的理论有效性。对您而言，本文属于统计计算中MCMC收敛性分析的核心理论工作，与您的统计计算兴趣直接相关，但方法学工具（几何遍历性、CLT证明）不在您当前武器库的核心区域，属于中期可读的参考性工作。
关键技术: exchange algorithm, geometric ergodicity, central limit theorem, doubly-intractable distributions, Metropolis-Hastings
为什么对您有用: 本文属于统计计算中MCMC算法的收敛性理论，与您的统计计算兴趣直接相关。但核心工具（几何遍历性、CLT的漂移/小集条件）不在您的技术武器库中（very_familiar和moderately_familiar均未覆盖），属于暂不可做方向——缺少MCMC收敛性分析的专业工具。若您未来想深入统计计算中的MCMC理论，本文可作为入门参考，但当前优先级不高。

3. 10.3150/21-bej1408 — An adaptive multiple-try Metropolis algorithm¶

作者: Simon Fontaine, Mylène Bédard
期刊/来源: Bernoulli
机构: University of Michigan · South University · Université de Montréal
分类: vol 28 · issue 3
相关性 2/10 · novelty: new_method
摘要: 本文提出一种自适应多尝试Metropolis算法，旨在处理多模态等复杂几何形状的目标分布。该方法结合了多提议采样器的灵活性与自适应算法的用户友好性和最优性，通过自适应调整提议分布来提升采样效率。作者利用自适应MCMC文献中的常用技术证明了所得马尔可夫链关于目标分布的遍历性。在癌症细胞杂合性缺失的贝叶斯模型中，该方法在性能上优于传统自适应采样器、非自适应多尝试Metropolis采样器以及多种更复杂的竞争方法。对您而言，该工作属于统计计算中的MCMC方法创新，与您的统计计算兴趣直接相关，可作为算法设计的参考。
关键技术: Multiple-try Metropolis, Adaptive MCMC, Ergodicity proof, Bayesian model for loss of heterozygosity
为什么对您有用: 本文属于统计计算中的MCMC算法创新，直接对应您的primary interest中的统计计算子方向。您武器库中的软件开发和M-estimation理论可用于复现或扩展其自适应机制。该算法设计思路可作为中期可做的参考，但核心MCMC遍历性证明工具不在您的武器库中，需先熟悉自适应MCMC理论。

4. 10.3150/21-bej1343 · arXiv — Improved bounds for discretization of Langevin diffusions: Near-optimal rates without convexity¶

作者: Wenlong Mou, Nicolas Flammarion, Martin J. Wainwright, Peter L. Bartlett
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 2/10 · novelty: sharper_rate
摘要: 本文研究 Langevin 扩散的 Euler-Maruyama 离散化误差，目标是在非全局收缩假设下给出 KL 散度的上界。现有分析通常要求目标分布满足强对数凹性（全局收缩），否则误差界会随时间指数增长。作者额外假设目标分布的势函数具有 Lipschitz 梯度（光滑性），从而将 KL 散度的离散化误差从已有的 O(η) 改进到 O(η²)，且时间依赖仅为多项式。证明技术基于插值不等式和 Girsanov 变换，将连续与离散路径的 KL 散度分解为漂移项和扩散项。该结果在数值 SDE 理论中达到了最优阶，且不依赖指数时间因子。当应用于采样和学习算法时，能直接改进所有基于 Dalayan 方法（即先离散化再分析）的已有结果。对您而言，本文展示了非凸设定下离散化误差的精细分析，其光滑性假设和多项式时间依赖的技术思路可能对您在高维统计计算或 MCMC 算法理论中的工作有参考价值。
关键技术: Euler-Maruyama discretization, KL divergence bound, Lipschitz gradient assumption, Girsanov transform, interpolation inequality, polynomial time dependence
为什么对您有用: 本文属于统计计算（MCMC 离散化理论），直接连接您的 primary interest 中的 'statistical computing (numerical methods, algorithm)'。技术层面，您武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 中的光滑性分析工具可用于理解其 Lipschitz 梯度假设的紧性；但核心的 Girsanov 变换和 SDE 路径分析不在您的 very_familiar 列表中，属于 moderately_familiar 的 'M-estimation theory' 可延伸的领域。中期可做：若您先在 'semiparametric theory' 中熟悉 Girsanov 变换和测度论工具，则可尝试将此类离散化误差分析推广到更一般的采样算法（如 Hamiltonian Monte Carlo）。

其他 (other, 8 篇)¶

1. 10.3150/21-bej1414 · arXiv — Degrees of freedom for off-the-grid sparse estimation¶

作者: Clarice Poon, Gabriel Peyré
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 3/10 · novelty: new_theory
摘要: 本文研究连续参数空间（off-the-grid）稀疏估计的自由度问题。传统Lasso在离散网格上定义自由度，但网格过密时参数空间极大，自由度估计失真。作者转向Beurling Lasso（Blasso），它在测度空间上求解凸优化问题，是Lasso的连续版本。主要贡献是证明Blasso的自由度等于最小支撑集的大小，这是Lasso经典结果的连续对应。在一维傅里叶采样（超分辨率）设定下，作者证明该公式在观测集零测集外成立，从而可用Stein无偏风险估计（SURE）得到预测风险的无偏估计。结果表明离散方法会严重高估内在连续自由度。对您而言，本文涉及高维统计与稀疏估计的自由度理论，但核心是连续优化与泛函分析工具，与您的主要兴趣（因果推断、U统计量、半参理论）直接交集有限。
关键技术: Beurling Lasso, degrees of freedom, Stein Unbiased Risk Estimator (SURE), off-the-grid optimization, super-resolution
为什么对您有用: 本文属于高维统计中的稀疏估计理论，与您primary interest中的'高维统计'有弱关联，但核心工具（测度空间凸优化、Blasso）不在您的技术武器库中。作为gateway reading，它展示了连续参数化如何改变自由度概念，但您若想深入，需补充泛函分析与连续优化知识，目前暂不可做。

2. 10.3150/21-bej1409 · arXiv — Exact convergence analysis of the independent Metropolis-Hastings algorithms¶

作者: Guanyang Wang
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 2/10 · novelty: new_theory
摘要: 本文研究独立 Metropolis-Hastings (IMH) 算法的精确收敛速率。在一般状态空间和离散状态空间上，作者推导了 IMH 算法的精确收敛率，并证明了不同确定性初始化对收敛率没有影响。主要技术工具是算子谱分析和 Markov 链的几何遍历性理论。该结果填补了 MCMC 理论中关于初始化影响和精确收敛速度的空白。对您而言，这是一篇纯 MCMC 理论论文，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接交集。
关键技术: Markov chain Monte Carlo, spectral analysis of Markov operators, geometric ergodicity, independent Metropolis-Hastings
为什么对您有用: 本文属于 MCMC 理论，与您的主要兴趣方向（因果推断、高维统计、U-统计量、半参数理论等）无直接关联。您的技术武器库中缺乏 MCMC 收敛分析的核心工具（如算子谱理论、几何遍历性），因此暂不可做。不建议花时间阅读全文。

3. 10.3150/21-bej1407 · arXiv — Pathwise large deviations for white noise chaos expansions¶

作者: Alexandre Pannier
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 2/10 · novelty: new_method
摘要: 本文研究一族关于白噪声测度可测的连续过程 {X^ε}，其 Wiener 混沌展开为 X^ε = Σ ε^n I_n(f_n^ε)。目标是建立该过程在 C([0,1]^d:ℝ) 上的大偏差原理（LDP），这是 Pérez-Abreu (1993) 在布朗运动情形下遗留的问题。证明基于弱收敛方法，通过展示原始过程的某种扰动在分布意义下的收敛性来推导 LDP，该方法特别适合处理无穷维过程。主要技术难点在于分析和控制扰动的多重随机积分。采用这一表示为大偏差提供了新视角，并衍生出多种应用。本文属于概率论中随机过程大偏差理论的方法论贡献，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接技术关联。
关键技术: Wiener chaos expansion, large deviations principle, weak convergence approach, multiple stochastic integrals, white noise measure
为什么对您有用: 本文属于纯概率论（大偏差理论）的方法论工作，与您的主要兴趣方向（因果推断、高维统计、U-统计量、半参效率理论等）无直接技术重叠。武器库中没有任何一项可以直接攻入本文的核心机制（Wiener 混沌展开与弱收敛方法）。暂不可做——核心机器（随机分析、大偏差理论）不在武器库中。

作者: Qiao Huang, Jinqiao Duan, Renming Song
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 1/10 · novelty: new_theory
摘要: 本文研究一类与乘性各向同性α稳定Lévy噪声驱动的随机微分方程相关的非局部抛物型偏微分方程的周期均匀化问题（1<α<2）。目标是在快速振荡系数下，证明解收敛到一个具有常系数的非局部PDE，该PDE对应于对称α稳定Lévy过程。方法采用概率均匀化技术，利用随机分析工具处理非线性噪声项。在适当的正则性假设下，建立了极限方程的显式形式。该工作属于随机分析与非局部PDE的交叉领域，与统计推断的核心兴趣（因果推断、高维统计、U统计量等）无直接方法学关联。对您而言，本文不涉及统计估计、假设检验或计算复杂性等您关注的方向。
关键技术: periodic homogenization, nonlocal PDE, Lévy process, stochastic differential equations, probabilistic method
为什么对您有用: 本文主题为随机分析与偏微分方程的均匀化理论，与您的主要兴趣（因果推断、高维统计、U统计量、半参理论等）无直接连接。武器库中无对应工具（如随机分析、Lévy过程、PDE均匀化），暂不可做。不推荐阅读。

5. 10.3150/21-bej1394 · arXiv — Multidimensional SDE with distributional drift and Lévy noise¶

作者: Helena Kremp, Nicolas Perkowski
期刊/来源: Bernoulli
机构: Freie Universität Berlin
分类: vol 28 · issue 3
相关性 1/10 · novelty: new_theory
摘要: 本文研究多维随机微分方程（SDE），其漂移项为分布意义下的广义函数，驱动噪声为对称α-稳定Lévy过程（α∈(1,2]）。核心问题是：当漂移的正则性低于经典的Young正则性条件（即正则性需大于(1-α)/2）时，如何定义并求解SDE。作者通过研究奇异鞅问题和求解Kolmogorov后向方程来建立解的存在唯一性，将漂移允许的正则性下界推进到(2-2α)/3，显著突破了已有框架。关键技术工具是paracontrolled distributions（一种处理低正则性PDE的调和分析技术），用于分析低正则性区域的Kolmogorov方程。作为应用，构造了带Lévy噪声的Brox扩散。该结果对随机分析理论有贡献，但与您的主要兴趣（因果推断、高维统计、半参效率理论等）无直接交集。
关键技术: paracontrolled distributions, singular martingale problem, Kolmogorov backward equation, α-stable Lévy process, Young regime
为什么对您有用: 本文属于纯概率论/随机分析方向，与您列出的任何主要或次要兴趣均无直接连接。技术工具（paracontrolled distributions）不在您的技术武器库中，且问题设定（分布漂移+稳定Lévy噪声）与因果推断、高维统计或计算统计tradeoff等方向无交叉。因此，本文不值得投入时间阅读。

6. 10.3150/21-bej1411 · arXiv — Degenerate competing three-particle systems¶

作者: Tomoyuki Ichiba, Ioannis Karatzas
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 1/10 · novelty: minor
摘要: 本文研究三个相互作用粒子的系统，其中漂移和方差按排名分配。系统是“退化的”：一个或两个排名的方差可以为零，使得相应的排名运动变为弹道运动而非扩散运动。根据允许“弹道运动”的排名不同，系统表现出显著不同的行为，本文对此进行了详细研究。还研究了连续排名之间间隙的平面过程的稳定性性质。这是一篇纯概率论的理论论文，专注于随机过程（特别是粒子系统）的动力学和稳定性分析。论文不涉及任何统计推断、估计方法或数据分析，与您的主要研究兴趣（因果推断、高维统计、半参数理论等）没有直接的方法论联系。
关键技术: interacting particle systems, rank-based diffusions, degenerate diffusion, ballistic motion, gap processes, stability analysis
为什么对您有用: 本文属于概率论中的粒子系统理论，与您的主要研究兴趣（因果推断、高维统计、半参数理论等）无直接关联。它不涉及统计推断、估计方法或数据分析，因此作为gateway reading的价值也很低。建议跳过。

7. 10.3150/21-bej1349 · arXiv — Limit theorems for supercritical branching processes in random environment¶

作者: Dariusz Buraczewski, Ewa Damek
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 1/10 · novelty: new_theory
摘要: 本文研究随机环境下的超临界分支过程 {Z_n}，其中每个个体的繁殖律由环境随机抽取且个体间独立。在过程以正概率存活且指数增长的条件下，作者利用傅里叶分析技术，对序列 {log Z_n} 建立了 Edgeworth 展开和更新定理，并显著改进了中心极限定理。核心策略是将 log Z_n 与 i.i.d. 随机变量的部分和进行比较，从而获得精确的渐近估计。该工作属于概率论与随机过程领域，与您的主要研究方向（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: Edgeworth expansion, renewal theorem, Fourier techniques, branching process in random environment
为什么对您有用: 本文属于纯概率论（分支过程）的理论工作，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接方法学连接。武器库中的非参数统计或高维渐近工具在此处不直接适用，且该问题不涉及统计计算或应用场景。因此，本文暂不可做，核心缺口在于缺乏随机环境分支过程的概率工具。

8. 10.3150/21-bej1397 · arXiv — At the edge of a one-dimensional jellium¶

作者: Djalil Chafaï, David García-Zelada, Paul Jung
期刊/来源: Bernoulli
分类: vol 28 · issue 3
相关性 0/10 · novelty: new_theory
摘要: 本文研究一维经典Wigner jellium模型，其中电子可以存在于背景电荷支撑之外。该模型是真正的一维Coulomb气体（非对数气体）。首先观察到系统存在的充要条件是总背景电荷大于电子数减一。进一步，获得了粒子系统在背景支撑之外次序统计量的Rényi型概率表示。针对多种背景电荷分布，证明了在背景支撑边缘处粒子点过程的收敛性，并提供了最右侧粒子波动的渐近分析。分析表明这些波动不具有普适性：根据背景的不同，尾部行为从指数型到高斯型变化，甚至包括类似Tracy-Widom的行为。
关键技术: Wigner jellium, Coulomb gas, Rényi representation, point process convergence, edge fluctuations
为什么对您有用: 本文属于统计物理中的随机矩阵/点过程理论，与您的主要兴趣（高维统计、随机矩阵理论）有间接关联，但核心问题（一维Coulomb气体的边缘行为）并非您直接研究的因果推断或高维统计问题。作为gateway reading，本文数学严谨但需要一定的统计物理背景，对统计学家而言入门门槛较高。武器库中的非参数统计和极小极大界工具难以直接迁移。暂不可做——核心机器（Coulomb气体、点过程收敛、Rényi表示）不在武器库中。

Maintained by 陈星宇 · Homepage · Source on GitHub