Bernoulli — Vol 30 Issue 1 · 2026-07-14¶

共 5 篇 · Bernoulli
目录核对 ⚠️ 疑似漏 28 篇（对照 OpenAlex 33 篇）：10.3150/23-bej1614、10.3150/23-bej1613、10.3150/23-bej1602、10.3150/23-bej1591、10.3150/23-bej1605 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 30 卷第 1 期共 5 篇论文，整体上可归纳为三条主线：高维随机矩阵与缺失数据（1 篇）、非参数 / 半参数极限理论（2 篇）、以及随机过程与最优运输（2 篇）。高维主线聚焦于矩阵变量数据在乘法缺失掩码下的浓度界与协方差估计；非参数主线围绕 Wasserstein 距离和 Fréchet 均值的中心极限定理与大偏差展开；其余两篇分别涉及 SDE 的大偏差原理和超鞅约束下的最优运输，属于概率论与随机分析工具性工作。

高维随机矩阵与缺失数据 主线仅一篇，但内容扎实：Concentration of measure bounds for matrix-variate data with missing values 在 subgaussian 矩阵变量模型下，为协方差矩阵 A 和 B 构造了分量无偏估计量，并证明其满足限制特征值（RE）条件的浓度界，允许列以不同速率采样。该文还开发了估计 B 逆的多元回归方法，给出统计收敛速率，对高维稀疏恢复与缺失数据协方差估计有直接应用。非参数 / 半参数极限理论 主线包含两篇：Central limit theorems for semi-discrete Wasserstein distances 针对一个分布有限支撑、另一个无支撑假设的情形，建立了经验最优传输代价的 CLT，结果收敛到上确界高斯过程，并直接蕴含 p-Wasserstein 距离的 CLT；Limit theorems for Fréchet mean sets 则在一般度量空间上，为 Fréchet p-均值集（p=1 中位数，p=2 均值）证明了强大数律、遍历定理和大偏差原理，首次给出 Fell 拓扑下 SLLN 的充分条件。这两篇共同推进了非参数统计中中心趋势估计的渐近理论，前者侧重传输代价，后者侧重均值集拓扑。

其余两篇属于概率论工具：Large deviation principles for SDEs under locally weak monotonicity conditions 在非 Lipschitz 系数下建立 Freidlin-Wentzell 大偏差原理，适用于随机 Duffing-van der Pol 振荡器等模型；Supermartingale shadow couplings: The decreasing case 在凸递减序下构造超鞅影子测度，推广了鞅设定下的影子耦合概念。这两篇与因果推断、高维统计方向无直接交集，但大偏差原理和最优运输工具在理论计量中偶有应用。

优先阅读建议：若关注高维统计与缺失数据，可优先看 Concentration of measure bounds for matrix-variate data with missing values；若关注非参数极限理论（Wasserstein 距离、Fréchet 均值），则 Central limit theorems for semi-discrete Wasserstein distances 和 Limit theorems for Fréchet mean sets 值得细读；其余两篇适合对随机过程大偏差或最优运输理论有专门兴趣的读者。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.3150/23-bej1594 · arXiv — Concentration of measure bounds for matrix-variate data with missing values¶

作者: Shuheng Zhou
期刊/来源: Bernoulli
分类: vol 30 · issue 1
相关性 6/10 · novelty: new_method
摘要: 本文研究矩阵变量数据在乘法噪声（缺失掩码）下的浓度测度界。设定为 subgaussian 矩阵变量模型 X = B^{1/2} Z A^{1/2}，其中 Z 为独立 subgaussian 元素，U 为独立掩码矩阵（元素在 [0,1] 内），观测数据为 U∘X。在 U 与 X 独立的假设下，作者为协方差矩阵 A 和 B 构造了分量无偏估计量，并证明了这些估计量满足限制特征值（RE）条件的浓度界，即使数据矩阵的列以不同速率采样。进一步，作者开发了估计 B 的逆的多元回归方法，并给出了统计收敛速率。证明技术可推广至其他场景。模拟验证了理论预测。该工作对高维统计中缺失数据下的稀疏恢复和协方差估计有直接意义。
关键技术: concentration of measure, restricted eigenvalue condition, Hadamard product, subgaussian matrix variate model, unbiased covariance estimation, multiplicative noise 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，特别是缺失数据下协方差估计的浓度界。您武器库中的高维渐近理论和 minimax 界可用于验证其 RE 条件是否紧，或推广至非 subgaussian 设定。中期可做：需先熟悉 moderately_familiar 中的 M-estimation 理论以处理更一般的缺失机制。

非参数 / 半参数 (nonparam_semipara, 2 篇)¶

1. 10.3150/23-bej1608 — Central limit theorems for semi-discrete Wasserstein distances¶

作者: Eustasio del Barrio, Alberto González Sanz, Jean-Michel Loubes
期刊/来源: Bernoulli
机构: Universidad de Valladolid · Université Fédérale de Toulouse Midi-Pyrénées · Institut de Mathématiques de Toulouse
分类: vol 30 · issue 1
相关性 5/10 · novelty: new_theory
摘要: 本文研究半离散最优传输（semi-discrete optimal transport）的渐近理论。设定中，分布 P 是有限支撑（N 个点），分布 Q 无任何支撑假设；目标是对经验最优传输代价 T_c(P_n, Q_m) 建立中心极限定理。核心结果是：在适当条件下，\(\sqrt{nm/(n+m)} [T_c(P_n, Q_m) - T_c(P, Q)]\) 依分布收敛到一个上确界高斯过程（sup of a centered Gaussian process），且在 Q 和代价函数满足额外条件时退化为高斯分布。该结果直接蕴含 p-Wasserstein 距离（p≥1）的 CLT，并表明当 N 固定时，维数诅咒被避免。文章还给出了 \(\mathbb{E}|W_p^p(P, Q_m) - W_p^p(P, Q)|\) 关于 m 和 N 的界，以刻画有限 N 的影响。此外，半离散框架提供了对偶二阶导数的控制，从而首次得到最优传输势和 Laguerre 细胞的 CLT。模拟验证了极限分布和界的准确性，并讨论了经典 bootstrap 的有效情形。对您而言，本文的非参数渐近工具（empirical process、上确界高斯过程）与您在高维统计和 U-统计量中的极限理论兴趣直接相关，且半离散设定可能为您的 higher-order U-statistics 计算提供新的渐近视角。
关键技术: empirical process theory, sup of Gaussian process, optimal transport duality, Laguerre cells, bootstrap for Wasserstein distances
为什么对您有用: 本文属于非参数与半参数理论（nonparam_semipara），直接连接您对 minimax bounds 和渐近分布的熟悉领域。技术武器库中，您对非参数统计和 high-dimensional asymptotics 的掌握可以立即用于理解其 empirical process 论证和上确界高斯过程的收敛速率。中期可做：若您想将半离散 OT 的 CLT 推广到更高阶的 U-统计量型 OT 估计量，需先在 moderately_familiar 的 higher-order U-statistics 理论上长肌肉（具体是 U-统计量投影与 OT 对偶的交叉）。

2. 10.3150/23-bej1603 · arXiv — Limit theorems for Fréchet mean sets¶

作者: Steven N. Evans, Adam Q. Jaffe
期刊/来源: Bernoulli
分类: vol 30 · issue 1
相关性 2/10 · novelty: new_theory
摘要: 该文研究度量空间上概率测度的 Fréchet p-均值（p=1 中位数，p=2 均值）的极限理论。Fréchet 均值集是随机闭集，作者证明了一系列极限定理：强大数律、遍历定理和大偏差原理，这些定理可通过纯拓扑考虑从概率测度空间上的对应定理降维得到。文章首次给出了 Fréchet 均值集在 T2 拓扑（特别是 Fell 拓扑）下满足强大数律的充分条件，并在某些特殊情形下证明了该条件的必要性。文中还讨论了结果的统计与计算含义，包括如何利用这些极限定理进行推断。对您而言，该文将非参数统计中的中心趋势估计推广到一般度量空间，其拓扑方法可与您熟悉的非参数统计和 minimax 界工具结合，用于分析更复杂数据结构（如网络、流形）上的估计问题。
关键技术: Fréchet mean, strong law of large numbers for random sets, Fell topology, large deviations principle, ergodic theorem
为什么对您有用: 该文直接连接您的 primary interest 中的非参数统计理论，将经典均值/中位数概念推广到一般度量空间，其拓扑方法（Fell 拓扑、大偏差）可补充您熟悉的 minimax 界工具。技术武器库中 'nonparametric statistics' 和 'minimax bounds for estimation problems' 可直接用于分析该文的收敛速率和最优性。中期可做：需先在 'M-estimation theory' 上熟悉度量空间上的 M-估计框架，然后可尝试推导 Fréchet 均值的 minimax 下界或构造自适应估计。

其他 (other, 2 篇)¶

1. 10.3150/23-bej1599 · arXiv — Large deviation principles for SDEs under locally weak monotonicity conditions¶

作者: Jian Wang, Hao Yang, Jianliang Zhai, Tusheng Zhang
期刊/来源: Bernoulli
分类: vol 30 · issue 1
相关性 1/10 · novelty: new_theory
摘要: 本文在局部弱单调性条件和Lyapunov条件下，建立了随机微分方程(SDE)的Freidlin-Wentzell大偏差原理。该结果适用于系数非Lipschitz的SDE，这是现有文献无法覆盖的。具体应用包括随机Duffing-van der Pol振荡器模型和随机SIR模型等生物学模型。文章的核心技术工具是Lyapunov函数和局部弱单调性条件，用于控制SDE的轨道行为并导出大偏差速率函数。主要理论结果是证明了在较弱的正则性假设下，SDE的样本路径满足大偏差原理。对您而言，本文属于概率论与随机分析领域，与您的主要研究方向（因果推断、高维统计、半参数理论等）无直接交集，但大偏差原理作为概率论工具，可能在处理高维随机矩阵的极端事件或统计推断的渐近理论中有潜在应用。
关键技术: Freidlin-Wentzell large deviation principle, Lyapunov conditions, locally weak monotonicity conditions, non-Lipschitzian coefficients
为什么对您有用: 本文属于概率论与随机分析领域，与您的主要研究方向（因果推断、高维统计、半参数理论等）无直接交集。大偏差原理作为概率论工具，可能在处理高维随机矩阵的极端事件或统计推断的渐近理论中有潜在应用，但本文未涉及统计推断或计算问题。暂不可做：核心机器不在武器库里（缺随机分析和大偏差理论的专门训练）。

2. 10.3150/23-bej1592 · arXiv — Supermartingale shadow couplings: The decreasing case¶

作者: Erhan Bayraktar, Shuoqing Deng, Dominykas Norgilas
期刊/来源: Bernoulli
分类: vol 30 · issue 1
相关性 1/10 · novelty: new_theory
摘要: 本文研究在凸递减序（convex-decreasing order）下两个概率测度 μ 和 ν 之间的最优运输问题，附加超鞅约束（supermartingale constraint）。目标是显式构造 Nutz 与 Stebegg (2018) 提出的递减运输计划 π^D，该计划对一大类成本函数是最优的。核心方法是将 Juillet (2016) 和 Beiglböck & Juillet (2021) 在鞅设定下的“影子耦合”（shadow coupling）概念推广到超鞅情形，建立超鞅影子测度（supermartingale shadow measure）并证明其关于边际测度的稳定性。主要结果是证明 π^D 集中在两个函数的图上（Brenier-type 结果），并引入一个通过影子测度生成的提升超鞅耦合（lifted supermartingale coupling）的无穷族，同时显式确定每个耦合的“鞅点”。该工作属于最优运输理论在随机过程约束下的推广，与您的主要兴趣（因果推断、高维统计等）无直接方法学交集，但其中对测度分解和约束优化的处理方式可能对理解某些因果识别中的分布约束问题有间接启发。
关键技术: optimal transport with martingale constraints, shadow coupling, supermartingale shadow measure, Brenier-type theorem, convex-decreasing order
为什么对您有用: 本文属于概率论与最优运输的纯理论工作，与您列出的 primary interests（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 very_familiar 的非参数统计和 minimax 界在此不适用，moderately_familiar 的识别理论也无直接对口。因此暂不可做——核心机器（最优运输的鞅/超鞅约束理论、影子测度的稳定性分析）不在当前武器库中。若您未来对分布鲁棒因果推断（distributionally robust causal inference）中的运输约束感兴趣，本文可作为该方向的 gateway reading，但当前优先级低。

Maintained by 陈星宇 · Homepage · Source on GitHub