跳转至

EJS — Vol 20 Issue 1 · 2026-07-15

  • 共 2 篇 · Electronic Journal of Statistics
  • 目录核对 ⚠️ 疑似漏 60 篇（对照 OpenAlex 62 篇）：10.1214/26-ejs2492、10.1214/26-ejs2531、10.1214/26-ejs2525、10.1214/26-ejs2509、10.1214/26-ejs2539 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《EJS》第20卷第1号仅收录两篇论文，均聚焦于高维统计推断，但切入角度与方法工具截然不同。整体上，本期可归纳为两条主线：一是高维广义线性模型中的正则化与推断，二是高维分类问题中的最优性与相变。前者以合成数据驱动的正则化方法为核心，后者则围绕二次判别分析在高维稀疏设定下的理论极限展开。

第一条主线由“Regularization using synthetic data for high-dimensional inference”代表。该文提出Synthetic-data Regularized Estimator（SRE），在高维GLM中通过引入来自简单模型的合成数据构造加权似然，替代传统惩罚项。理论贡献包括相合性与minimax最优性，并利用Convex Gaussian Min-max Theorem（CGMT）在n/p→δ>0的线性高维regime下给出精确渐近刻画，区分了非信息性合成数据与迁移学习下信息性辅助数据两种场景。该文还基于渐近结果开发了调参、置信区间构造与校准方法，对高维推断中的正则化与迁移学习结合有直接参考价值。

第二条主线由“High dimensional quadratic discriminant analysis: Optimality and phase transitions”覆盖。该文研究p远大于n时两类高斯混合模型下的QDA问题，提出两种算法：QDAw适用于均值差异弱且稠密的设定，采用无偏因子；QDAfs适用于均值差异稀疏且中等强度的设定，引入阈值化步骤。理论部分在四维参数空间（涉及Σ₀⁻¹−Σ₁⁻¹与μ₀−μ₁的稀疏性与强度）上证明了算法上界与分类下界匹配，验证了最优性，并揭示了相变现象。该文对高维分类中的稀疏性与相变理论有深入刻画。

对于关注高维统计推断与分类理论的研究者，两篇论文均值得优先阅读：第一篇适合对高维GLM正则化、迁移学习与CGMT渐近分析感兴趣的读者；第二篇则适合关注高维二次判别分析、稀疏性假设下的最优性与相变问题的研究者。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 10.1214/26-ejs2545 · arXiv — Regularization using synthetic data for high-dimensional inference

  • 作者: Weihao Li, Dongming Huang
  • 期刊/来源: Electronic Journal of Statistics
  • 分类: vol 20 · issue 1
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出 Synthetic-data Regularized Estimator (SRE)，在高维广义线性模型（GLM）中通过从更简单稳定的模型生成合成数据并构造加权似然来实现正则化，替代传统的参数惩罚项。理论方面建立了 SRE 的存在性、稳定性、相合性和 minimax 率最优性。在 n/p→δ>0 的高维线性 regime 下，利用 Convex Gaussian Min-max Theorem (CGMT) 推导了非信息性合成数据和迁移学习设定下信息性辅助数据的精确渐近刻画，揭示了性能如何依赖于信号强度和目标-辅助数据源的相似度。基于渐近结果，进一步开发了调参选择、置信区间构造和校准变量选择等实用推断方法。模拟和真实数据应用验证了方法的有效性。该工作将合成数据正则化与高维渐近理论结合，对您在高维统计和随机矩阵理论方面的兴趣有直接参考价值。
  • 关键技术: Convex Gaussian Min-max Theorem (CGMT), synthetic-data regularization, high-dimensional GLM, minimax rate optimality, transfer learning, asymptotic characterization
  • 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：CGMT 是 RMT 在高维线性模型推断中的核心工具，本文展示了如何用它刻画合成数据正则化估计量的精确渐近分布。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声称的 minimax 率是否紧，或将其推广到非 GLM 设定（如分位数回归）。中期可做：若想将 SRE 与您的 higher-order U-statistics 工作结合（例如用合成数据正则化高维 U-统计量），需先在 moderately_familiar 的 M-estimation 理论上长肌肉。

2. 10.1214/26-ejs2547 · arXiv — High dimensional quadratic discriminant analysis: Optimality and phase transitions

  • 作者: Wanjie Wang, Jingjing Wu, Zhigang Yao
  • 期刊/来源: Electronic Journal of Statistics
  • 分类: vol 20 · issue 1
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究高维两类高斯混合模型下的二次判别分析（QDA）问题，其中样本维度 p 远大于样本量 n。目标是对新观测 X 估计其类别标签 Y，且两类均值向量和协方差矩阵均依赖于类别。作者提出两种高维 QDA 算法：QDAw 适用于均值差异非零项弱且中等稠密的设定，采用分类规则中的无偏因子；QDAfs 适用于均值差异非零项稀疏且中等强度的设定，引入阈值化步骤。通过建模 Σ₀⁻¹−Σ₁⁻¹ 和 μ₀−μ₁ 中非零项的稀疏性与强度，在四维参数空间上证明了 QDAw 和 QDAfs 的上界与分类问题的下界匹配，从而验证了算法的最优性。理论结果由真实数据分析支持。本文对您在高维统计和假设检验方面的兴趣有直接参考价值，尤其是其 phase transition 分析与 minimax 最优性框架可迁移至您熟悉的非参数统计与 minimax 界工具。
  • 关键技术: quadratic discriminant analysis, minimax optimality, phase transition, sparsity modeling, thresholding estimator
  • 为什么对您有用: 本文直接连接您的高维统计兴趣，特别是 phase transition 分析与 minimax 最优性框架。您熟悉的 minimax 界工具可用来验证其声称的 sharp rate 是否紧，而高维渐近工具可分析其分类规则的收敛性。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉以处理其协方差逆矩阵的估计。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论