Bernoulli — Vol 29 Issue 3 · 2026-07-14¶

共 7 篇 · Bernoulli
目录核对 ⚠️ 疑似漏 27 篇（对照 OpenAlex 34 篇）：10.3150/22-bej1550、10.3150/22-bej1531、10.3150/22-bej1523、10.3150/22-bej1546、10.3150/22-bej1534 等

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29卷第3期的7篇论文，整体上围绕三条主线展开：一是高维稀疏模型中的估计与推断权衡（以FDR控制与L₂速率的刚性关系为核心），二是非参数与半参数方法在隐私约束、局部平稳过程及深度网络中的理论拓展，三是假设检验中Stein方法驱动的分布逼近精度刻画。此外，还有一篇关于随机过程遍历性的理论工作，与统计推断主线关联较弱。

最突出的主线是高维稀疏模型中的估计精度与错误发现控制之间的内在张力。Optimal false discovery control of minimax estimators 通过minimax框架，严格证明了L₂收敛速率与FDR控制能力之间的二分现象：在近线性稀疏和线性稀疏 regime 下，速率最优的估计量必然伴随更高的假阳性率，而速率次优的估计量则可能实现更好的FDR控制。这一结果为文献中长期观察到的selection consistency与rate minimaxity之间的冲突提供了理论解释，直接关联到高维因果推断中变量选择与效应估计的权衡。

第二条主线是非参数与半参数方法在三个不同场景下的理论推进。Density estimation under local differential privacy and Hellinger loss 在局部差分隐私约束下，利用分段常数估计器在Besov类上实现了自适应且率最优的密度估计（至多对数因子），并发现当密度有正下界时估计率可改进，这与L₂损失下的私有化极小极大率形成对比。Nonparametric estimation of locally stationary Hawkes processes 将平稳Hawkes过程的渐近理论推广到时变设定，通过局部似然或局部最小二乘估计基线函数和核函数，建立了相合性与渐近正态性，并推导了最优带宽选择。Deep stable neural networks: Large-width asymptotics and convergence rates 则处理了权重服从稳定分布（非高斯）的深度网络在大宽度极限下的弱收敛问题，在“联合增长”和“顺序增长”两种设定下给出了收敛速度的sup-norm上界，发现联合增长导致更慢速率且依赖于深度和输入维度。

第三条主线是假设检验中Stein方法对分布逼近精度的显式刻画。Kolmogorov bounds for decomposable random variables and subgraph counting by the Stein–Tikhomirov method 将Tikhomirov框架从独立同分布或平稳序列推广到可分解随机变量，应用于Erdős–Rényi随机图的子图计数，得到比已有结果更优的Kolmogorov距离收敛速率。Bounds for the chi-square approximation of Friedman’s statistic by Stein’s method 则针对Friedman检验统计量，利用Stein方法结合可交换对耦合，在光滑测试函数距离上达到最优阶n^{-1}，并进一步推导出Kolmogorov距离界，填补了该检验有限样本逼近的精确界空白。

对于因果推断方向的研究者，Optimal false discovery control of minimax estimators 直接涉及高维稀疏模型中变量选择与估计效率的权衡，是理解因果效应估计中假阳性控制的理论基础。对于半参数效率方向，Density estimation under local differential privacy and Hellinger loss 中关于自适应率最优估计与下界改进的讨论，以及Nonparametric estimation of locally stationary Hawkes processes 中局部似然方法的渐近理论，均提供了可借鉴的分析框架。对于高维方向，Kolmogorov bounds for decomposable random variables and subgraph counting 中Stein–Tikhomirov方法的推广，以及Bounds for the chi-square approximation of Friedman’s statistic 中显式界的构造，对高维U-统计量的分布逼近问题具有直接的方法论价值。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.3150/22-bej1527 · arXiv — Optimal false discovery control of minimax estimators¶

作者: Qifan Song, Guang Cheng
期刊/来源: Bernoulli
分类: vol 29 · issue 3
相关性 8/10 · novelty: new_theory
摘要: 本文研究高维稀疏线性模型中参数估计精度与变量选择错误发现控制之间的内在联系。设定为稀疏回归模型，目标是最小化 L2 估计误差与控制 FDR 之间的权衡。核心理论贡献是建立了一个 minimax 结果，将估计量的 L2 收敛速率与其 type I error 控制能力直接关联起来：收敛速率越快的估计量，往往会产生更多的假阳性发现。作者刻画了在近线性稀疏和线性稀疏 regime 下，rate-optimal 与 rate-suboptimal 估计量在 FDR 控制上的刚性二分现象。该结果从理论上解释了文献中经常观察到的 selection consistency 与 rate minimaxity 不相容的现象。对您而言，该工作提供了一个高维统计中估计与推断权衡的严谨理论框架，可连接至您在高维统计和 minimax 界方面的兴趣，并可能启发您思考 U-statistic 框架下类似 trade-off 的刻画。
关键技术: minimax lower bound, sparsity regimes, false discovery control, L2 estimation error rate, selection consistency
为什么对您有用: 直接连接到您 primary interest 中的高维统计和 minimax 界理论，特别是估计精度与推断（FDR）之间的 trade-off 这一核心问题。您武器库中 'minimax bounds for estimation problems' 和 'high-dimensional asymptotics' 两项非常熟悉的技术可直接用于理解甚至推广本文的 trade-off 刻画（例如，在更一般的损失函数或非稀疏设定下）。中期可做：若想将类似 trade-off 分析推广到 U-statistic 或 semiparametric 设定，需先在 moderately_familiar 的 'theory of higher-order U-statistics' 上长肌肉。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.3150/22-bej1543 — Density estimation under local differential privacy and Hellinger loss¶

作者: Mathieu Sart
期刊/来源: Bernoulli
机构: Université Jean Monnet · Centre National de la Recherche Scientifique · Institut Camille Jordan
分类: vol 29 · issue 3
相关性 7/10 · novelty: sharper_rate
摘要: 本文研究局部差分隐私（LDP）约束下的密度估计问题，目标是在Hellinger损失下构造自适应且率最优的估计量。作者采用分段常数估计器（piecewise constant estimator）处理经过随机化机制（如随机响应）扰动的私有化数据。核心理论贡献是建立了非渐近的oracle不等式，并证明该估计器在Besov类上达到自适应且率最优（至多相差对数因子）。进一步，当密度不仅属于Besov类而且有正下界时，估计率可以改进，且该改进在Hellinger损失下是最优的（至多对数因子）。这一结果与L2损失下的情形形成对比：在L2损失下，即使假设密度有上界，私有化Besov类上的极小极大率在某些情况下也无法改进。本文的方法工具包括经验过程理论、模型选择（通过惩罚似然）以及私有化机制的偏差-方差权衡分析。对于您而言，本文展示了非参数估计在隐私约束下的理论极限，与您熟悉的非参数统计和极小极大界方向直接相关，且其oracle不等式技术可迁移至您关注的因果推断中敏感分析或隐私保护下的估计问题。
关键技术: local differential privacy, piecewise constant estimator, oracle inequality, Besov classes, minimax optimality, Hellinger loss
为什么对您有用: 本文直接连接您的primary interest中的非参数统计和极小极大界：在LDP约束下推导Hellinger损失的自适应率最优估计，技术核心是oracle不等式和Besov类上的率分析。您可以用very_familiar的非参数统计和极小极大界工具验证其声称的率是否紧，并进一步探索该框架在因果推断中隐私保护下的ATE估计问题（中期可做，需先在moderately_familiar的identification theory上长肌肉）。

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

1. 10.3150/22-bej1522 · arXiv — Kolmogorov bounds for decomposable random variables and subgraph counting by the Stein–Tikhomirov method¶

作者: Peter Eichelsbacher, Benedikt Rednoß
期刊/来源: Bernoulli
分类: vol 29 · issue 3
相关性 5/10 · novelty: new_method
摘要: 该论文研究可分解随机变量（decomposable random variables）和子图计数（subgraph counting）的正态逼近的Kolmogorov距离界。设定为：对于满足某种弱依赖条件的随机变量序列的标准化和，或Erdős–Rényi随机图中的三角形计数等子图计数统计量，目标是推导其在Kolmogorov度量下的收敛速度。方法核心是Stein–Tikhomirov方法，即结合Stein方法与特征函数理论来得到分布收敛的界。作者将Tikhomirov的原始框架从独立同分布或平稳序列推广到更一般的可分解随机变量，并应用于随机图的子图计数问题，得到比已有结果更优的收敛速率。技术工具包括特征函数估计、Stein方程的解的界、以及组合计数方法。主要理论结果给出了三角形计数等统计量的Kolmogorov距离的显式上界。对您而言，该论文直接关联到您的hypothesis testing兴趣，特别是高维或图结构数据中U-统计量的分布逼近问题，其中使用的特征函数与Stein方法结合的技术可能为您的higher-order U-statistics的渐近分布理论提供新工具。
关键技术: Stein-Tikhomirov method, Kolmogorov distance, characteristic function, decomposable random variables, subgraph counting, normal approximation
为什么对您有用: 该论文直接关联到您的hypothesis testing兴趣，特别是高维或图结构数据中U-统计量的分布逼近问题。您武器库中very_familiar的higher-order U-statistics（treewidth/tensor contraction）可用于分析子图计数统计量的结构，而论文中的Stein-Tikhomirov方法可能为您的U-统计量正态逼近提供新的Kolmogorov界技术。中期可做：需先在moderately_familiar的theory of higher-order U-statistics上进一步熟悉，以将本文的图计数结果推广到更一般的U-统计量设定。

2. 10.3150/22-bej1530 · arXiv — Bounds for the chi-square approximation of Friedman’s statistic by Stein’s method¶

作者: Robert E. Gaunt, Gesine Reinert
期刊/来源: Bernoulli
分类: vol 29 · issue 3
相关性 4/10 · novelty: sharper_rate
摘要: 研究 Friedman 检验统计量在零假设下分布与卡方极限分布之间的逼近误差。使用 Stein 方法结合可交换对耦合构造显式上界，光滑测试函数距离达到最优阶 n^{-1}，且对处理数 r 的依赖也是最优的（当且仅当 r/n→0 时界趋于零）。进一步推导出 Kolmogorov 距离界，在更弱的条件 r^{1/2}/n→0 下仍收敛。该结果填补了 Friedman 检验有限样本逼近的精确界空白，此前仅有渐近结果。对您而言，Stein 方法在非参数检验中的显式界构造思路可迁移至高维 U-统计量的分布逼近问题。
关键技术: Stein's method, exchangeable pair coupling, chi-square approximation, Kolmogorov distance bound, optimal rate n^{-1}
为什么对您有用: 直接关联 hypothesis testing 兴趣子方向，且 Stein 方法显式界是您 moderately_familiar 的 higher-order U-statistics 理论中尚未系统探索的工具——可尝试用类似耦合技术推导高阶 U-统计量的卡方或正态逼近误差。中期可做：需先在 Stein 方法上长肌肉（当前武器库无此项）。

其他 (other, 3 篇)¶

1. 10.3150/22-bej1532 · arXiv — Nonparametric estimation of locally stationary Hawkes processes¶

作者: Enno Mammen, Marilena Müller
期刊/来源: Bernoulli
分类: vol 29 · issue 3
相关性 6/10 · novelty: new_method
摘要: 本文研究一类时变基线风险与核函数的多元Hawkes过程，即局部平稳过程。作者基于局部化准则（如局部似然或局部最小二乘）估计随时间变化的基线函数和核函数。将平稳Hawkes过程的渐近理论推广到局部平稳设定，建立了估计量的相合性与渐近正态性。方法上采用核平滑与局部参数化技术，推导了偏差-方差权衡下的最优带宽选择。理论结果包括估计量的逐点收敛速率与均匀收敛性质。该工作为事件序列数据的非参数推断提供了新工具，但当前设定与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交叉。
关键技术: local likelihood estimation, kernel smoothing, Hawkes process, local stationarity, nonparametric rate of convergence
为什么对您有用: 本文属于点过程非参数估计，与您的主要兴趣方向（因果推断、高维统计、U-统计量）无直接连接。武器库中的非参数统计工具（如核方法、局部似然）可理解其技术细节，但缺乏可迁移的问题口。暂不可做：核心机器（Hawkes过程、局部平稳性）不在武器库中，且无直接应用场景。

2. 10.3150/22-bej1553 · arXiv — Deep stable neural networks: Large-width asymptotics and convergence rates¶

作者: Stefano Favaro, Sandra Fortini, Stefano Peluchetti
期刊/来源: Bernoulli
分类: vol 29 · issue 3
相关性 3/10 · novelty: new_theory
摘要: 本文研究深度稳定神经网络（Stable NN）在大宽度极限下的渐近行为。与常见的深度高斯神经网络不同，该网络权重服从稳定分布（如 Lévy α-stable），而非高斯分布。在“联合增长”设定下（所有层宽度同时趋于无穷），作者证明经适当缩放的深度稳定神经网络弱收敛到一个稳定随机过程（Stable SP），其分布通过各层递归刻画。由于网络结构的非三角性，这是一个非标准渐近问题，作者提出了一种具有独立意义的归纳方法。进一步，在“联合增长”和“顺序增长”两种设定下，建立了收敛速度的 sup-norm 上界，发现联合增长导致更慢的速率，且该速率依赖于层深度和输入维度。该工作将深度高斯神经网络的无限宽极限结果推广到稳定分布情形，并首次给出了联合增长设定下的收敛速度。对您而言，本文属于深度学习的理论分析，与您的主要兴趣（因果推断、高维统计等）无直接交集，但其中关于非标准渐近和收敛速度的分析技术可能对您在高维或非参数理论中的某些问题有启发。
关键技术: Stable distributions, weak convergence, sup-norm convergence rates, joint growth setting, sequential growth setting, inductive approach
为什么对您有用: 本文属于深度学习理论，与您的主要兴趣方向（因果推断、高维统计、半参数理论等）无直接重叠。作为 gateway reading，本文对非标准渐近问题的处理（如非三角结构的归纳方法）可能对您在高维或非参数理论中的某些问题有启发，但整体上不属于您当前武器库可直接攻克的领域。建议仅作泛读，无需深入。

3. 10.3150/22-bej1548 · arXiv — Exponential ergodicity for damping Hamiltonian dynamics with state-dependent and non-local collisions¶

作者: Jianhai Bao, Jian Wang
期刊/来源: Bernoulli
分类: vol 29 · issue 3
相关性 1/10 · novelty: new_theory
摘要: 本文研究一类具有状态依赖和非局部碰撞的阻尼哈密顿动力学的指数遍历性，该过程是分段确定性马尔可夫过程（PDMP）的特例，常见于随机算法等建模场景。作者采用精细基本耦合与精细反射耦合相结合的方法处理非局部算子，在Wasserstein距离下建立了指数遍历性。主要结果是对先前关于Lévy噪声随机哈密顿系统指数遍历性工作的延续，也是对常跳跃率函数Andersen动力学指数遍历性结果的补充。该工作为理解复杂随机过程的收敛性质提供了理论工具，但更偏向概率论与随机过程领域。对您而言，本文与您的主要研究方向（因果推断、高维统计等）直接关联较弱，但其中使用的耦合方法可能对您感兴趣的统计计算中的马尔可夫链蒙特卡洛（MCMC）收敛性分析有间接启发。
关键技术: refined basic coupling, refined reflection coupling, Wasserstein distance, piecewise deterministic Markov processes, exponential ergodicity
为什么对您有用: 本文属于概率论与随机过程的基础理论，与您的主要兴趣（因果推断、高维统计、半参数理论）无直接关联。其中使用的耦合技术虽可能对MCMC收敛性分析有启发，但您武器库中缺乏随机过程遍历性理论的核心工具（如耦合构造、生成元分析），暂不可做。建议仅作背景了解，不投入深度阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub