跳转至

AoS — Vol 54 Issue 5 · 2026-10-10

  • 共 17 篇 · Annals of Statistics
  • 目录核对 ✅ 未见遗漏(对照 OpenAlex 16 篇,权威目录可能尚未完全收录本期)

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。

这一期共 17 篇论文,主线大致可归为四类:高维随机矩阵与谱方法(约 5 篇)、因果推断与空间统计(2 篇)、非参数与半参数估计(约 6 篇)、以及假设检验与计算方法(4 篇)。其中随机矩阵与高维推断的交叉是本期最密集的板块,既有理论工具的发展,也有对具体统计问题的应用;非参数方向则覆盖了从流形上的集合估计到贝叶斯空间划分的多个侧面。

高维随机矩阵板块的核心是谱分析与检验问题的结合。Spectral asymptotics of neural network Jacobians 从非线性协方差矩阵系综出发,建立 Jacobian 谱的极限分布与相变,其工具可直接迁移到其他高维统计设定;Alignment and matching tests for tensor signals 则利用张量收缩构造检验统计量,处理了长程依赖数据下的谱分析,与前者形成方法互补。SIMPLE-RC 在弱信号下做组级网络推断,依赖尖峰特征向量的 ℓ∞ 展开,与 Local minima of empirical risk 中利用高斯过程 Kac–Rice 公式刻画损失景观的工作,共同展示了随机矩阵/高斯过程工具在非标准推断问题中的延伸。Optimal integrative estimation for precision matrices 则从分布式估计角度切入,给出 minimax 下界与通信高效算法,属于高维协方差估计的整合问题。

因果与非参数板块中,Principled analysis of crossover designs 在 design-based 框架下统一了交叉设计的因果识别与效率,强调 OLS 在模型误设下的稳健性,适合关注纵向因果推断的读者;Infill consistent estimability of regression slope 则处理空间混淆下的斜率可估性,用谱条件刻画一致估计的边界,与前者在「识别条件」的讨论上形成对照。非参数方向,Fast Wasserstein rates for graphical models 关注结构信息如何改善分布估计率,Granulometric smoothing on manifolds 提出基于形态学开运算的 HDR 估计,Generalized robust adaptive-bandwidth MultiView manifold learning 处理多源高维流形融合,三者分别从率最优性、集合估计和自适应带宽角度推进非参方法。Data assimilation with 2D Navier–Stokes 与 Fast convergence rates for stationary density in fBm SDEs 则属于动力系统与随机过程的非参推断,前者证明 Bernstein–von Mises 定理,后者给出核估计的收敛速率。

其余几篇中,Gaussian and non-Gaussian universality of data augmentation 用 Lindeberg 技巧推广分析数据增强对估计方差的影响,结论与直觉相悖,适合关注机器学习理论的研究者;No-regret generative modeling via parabolic Monge–Ampère PDE 将生成建模与最优传输 PDE 结合,属于计算方法创新;Inferring diffusivity from killed diffusion 将扩散系数推断转化为 PDE 反问题,并给出贝叶斯后验收缩速率;Power properties of two sample test based on nearest neighbors 则扩展了 K 近邻图检验的功效分析,允许 k_N 随样本量增长。

若按主题优先阅读:因果推断方向看 Principled analysis of crossover designs 与 Infill consistent estimability;半参数效率与稳健推断关注 Principled analysis 中的 OLS 框架;高维随机矩阵与谱方法优先看 Spectral asymptotics of neural network Jacobians、Alignment and matching tests 与 SIMPLE-RC;非参数估计率与流形方法则从 Fast Wasserstein rates 和 Granulometric smoothing 入手。

因果推断 (causal_inference, 2 篇)

1. 10.1214/26-aos2663 · arXiv — Principled analysis of crossover designs: Causal effects, efficient estimation and robust inference

  • 作者: Zhichao Jiang, Peng Ding
  • 期刊/来源: Annals of Statistics
  • 机构: Sun Yat-sen University · University of California, Berkeley
  • 分类: vol 54 · issue 5 · pp 2614-2636
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在 design-based 框架下系统分析交叉设计(crossover designs)的因果推断问题,目标是在无需强参数模型假设下识别瞬时效应和 carryover 效应。作者用潜在结果形式化定义因果 estimand 和假设,并强调处理分配机制在推断中的核心作用。方法上,他们统一用带系数约束和单位权重的普通最小二乘(OLS)进行识别、估计和推断,推荐具体的回归函数、加权方案和系数约束组合。关键结果是该最小二乘程序即使工作模型误设,仍能给出相合且有效的点估计和有效推断,且实现简单。理论贡献包括对一般交叉设计的识别程序、效率估计和稳健推断的统一框架。对您而言,本文连接了因果推断中的纵向/重复测量设计与 semiparametric 效率理论,其 design-based 视角和 OLS 统一方法可能对您熟悉的估计理论有直接启发。
  • 关键技术: design-based inference, potential outcomes, least squares with constraints, efficient estimation, robust inference, crossover designs
  • 为什么对您有用: 本文直接属于您 primary interest 中的 causal inference(纵向/重复测量设计)和 efficiency theory(semiparametric 效率界),且其 design-based 框架与您熟悉的估计理论(M-estimation)高度相关。您可以用 very_familiar 的 semiparametric 理论工具(如 influence function)来审视其效率声明,或扩展其 OLS 方法到更复杂的设计。中期可做:若想深入其效率界推导,需在 semiparametric theory 上再加强(moderately_familiar 项)。

2. 10.1214/26-aos2650 · arXiv — Infill consistent estimability of the regression slope between Gaussian random fields under spatial confounding

  • 作者: Abhirup Datta, Michael L. Stein
  • 期刊/来源: Annals of Statistics
  • 机构: Johns Hopkins University · Rutgers, The State University of New Jersey
  • 分类: vol 54 · issue 5 · pp 2406-2431
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究空间混淆下回归斜率参数的可估计性,目标是在未观测空间过程混淆暴露与结果时,估计暴露对结果的回归斜率。在固定域(infill)渐近框架下,作者基于暴露和混淆过程的平滑性或局部行为给出了斜率一致可估的充分条件。当可估时,提出使用局部差分(离散差分或拉普拉斯算子)的一致估计量。利用 Paley–Wiener 空间的泛函分析结果,给出了基于混淆与暴露相对谱尾衰减的易于验证的必要条件。作为副产品,建立了多元高斯随机场分量平滑度不同时测度等价的新谱条件。对于 Matérn、幂指数、广义 Cauchy 和协同区域化等协方差类,除边界点外充要条件一致,提供了尖锐刻画。结果推广到多元斜率和测量误差情形,并证明差分估计对非平稳、非高斯随机场及不规则设计仍一致。
  • 关键技术: infill asymptotics, local differencing, Paley–Wiener spaces, spectral tail decay, measure equivalence for Gaussian random fields
  • 为什么对您有用: 该文直接关联因果推断中的空间混淆问题,属于您 primary interest 中 causal inference 的 identification 与 estimation 子方向;其固定域渐近下的可估性刻画与差分估计思想,可结合您 very_familiar 的 nonparametric statistics 与 high-dimensional asymptotics 工具进行深入分析。

高维统计 / 随机矩阵 (high_dim_rmt, 5 篇)

1. 10.1214/26-aos2654 — Spectral asymptotics of neural network Jacobians: Convergency, universality, and phase transition

  • 作者: Huiqin Li, Guangming Pan, Yanqing Yin
  • 期刊/来源: Annals of Statistics
  • 机构: Nanjing Audit University · Nanyang Technological University
  • 分类: vol 54 · issue 5 · pp 2481-2506
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究人工神经网络中 Jacobian 矩阵的谱性质,在随机权重假设下建立了其极限谱分布及谱的二阶波动。分析揭示了关于权重分布的普适性,以及由激活函数选择驱动的谱行为相变现象。方法上,作者利用随机矩阵理论工具,先分析一类非线性协方差矩阵系综,该结果可能在高维统计中具有独立意义;随后刻画 Jacobian 矩阵的谱波动,并强调其对权重初始化、层宽、激活函数和网络深度的依赖。这些发现为基于 Jacobian 的稳定性诊断提供了有限宽度的分布校准,并量化了初始化引起的不确定性对信号传播、梯度稳定性和高维神经网络局部敏感性的影响。对您而言,本文是随机矩阵理论在深度学习分析中的一个典型应用,其非线性协方差系综的谱分析技术可能对您在高维统计中的研究有借鉴价值。
  • 关键技术: random matrix theory, limiting spectral distribution, second-order fluctuations, nonlinear covariance ensembles, universality, phase transition
  • 为什么对您有用: 本文直接涉及您的主要兴趣之一——高维统计中的随机矩阵理论,具体是神经网络 Jacobian 矩阵的谱分析。您可以用您非常熟悉的随机矩阵工具(如 Marchenko-Pastur 定律、线性谱统计量)来验证或扩展其普适性结论,特别是非线性协方差系综的谱波动结果。中期可做:若想深入其相变现象,可能需要补充对激活函数非线性效应的理解,这属于 moderately_familiar 的范畴。

2. 10.1214/26-aos2656 · arXiv — Alignment and matching tests for high-dimensional tensor signals via tensor contraction

  • 作者: Ruihan Liu, Zhenggang Wang, Jianfeng Yao
  • 期刊/来源: Annals of Statistics
  • 机构: University of Hong Kong · Southeast University · Chinese University of Hong Kong · Chinese University of Hong Kong, Shenzhen
  • 分类: vol 54 · issue 5 · pp 2532-2559
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究低秩高维张量信号的假设检验问题,具体包括张量信号对齐(alignment)和匹配(matching)两类检验。由于张量维度高且缺乏合适的检验统计量,作者利用张量收缩(tensor contraction)方法,将张量信号转化为一个数据矩阵,并基于该矩阵的特征值构造检验统计量。该数据矩阵的条目具有长程依赖性,使得其谱分析不同于标准随机矩阵理论,分析更具挑战性。作者建立了检验统计量的渐近分布,并证明了检验的功效性质。数值实验验证了所提方法在有限样本下的表现。该方法为高维张量信号的假设检验提供了新框架,对您在高维统计与随机矩阵理论方向的研究有直接参考价值。
  • 关键技术: tensor contraction, random matrix theory, eigenvalue-based test statistics, long-range dependence, high-dimensional hypothesis testing
  • 为什么对您有用: 该论文直接涉及您的高维统计与随机矩阵理论兴趣,特别是张量收缩与特征值检验的结合。您可以用您熟悉的随机矩阵工具(如Marchenko-Pastur定律)来验证其渐近结果,并探索其与更高阶U统计量的联系。中期可做:需要先熟悉张量收缩的具体实现,但核心机器已在您的武器库中。

3. 10.1214/26-aos2652 · arXiv — Local minima of the empirical risk in high dimension: General theorems and convex examples

  • 作者: Kiana Asgari, Andrea Montanari, Basil Saeed
  • 期刊/来源: Annals of Statistics
  • 机构: Stanford University
  • 分类: vol 54 · issue 5 · pp 2455-2480
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究高维经验风险最小化问题,设定数据为 d 维高斯向量,模型参数 Θ∈R^{d×k},损失仅通过投影 Θ^T x_i 依赖数据,涵盖广义线性模型和两层全连接神经网络。在 n,d→∞ 且 n≍d 的比例极限下,利用高斯过程理论中的 Kac–Rice 公式,推导经验风险局部极小值期望数量的上界。通过 Markov 不等式,该上界可确定极小值的位置(具有指数偏差界),从而得到估计误差和预测误差的尖锐渐近结果。作为特例,作者将表征应用于凸损失,证明其方法紧致并验证了先前猜想的结果。此外,还刻画了极小值处 Hessian 矩阵的谱。本文为一般性定理,配套论文将其应用于非凸例子。
  • 关键技术: Kac-Rice formula, Gaussian process theory, proportional asymptotics, empirical risk minimization, Hessian spectrum
  • 为什么对您有用: 本文属于高维统计与随机矩阵理论的交叉,直接关联您的高维统计与随机矩阵理论兴趣。其使用 Kac–Rice 公式分析经验风险景观,与您熟悉的极小极大界和渐近理论形成互补。您可以用您的高维渐近工具(如随机矩阵的 Marchenko-Pastur 定律)来验证或扩展其谱结果,或将其方法迁移到其他高维估计问题。

4. 10.1214/26-aos2620 · arXiv — Optimal integrative estimation for distributed precision matrices with heterogeneity adjustment

  • 作者: Yinrui Sun, Yin Xia
  • 期刊/来源: Annals of Statistics
  • 机构: University of Science and Technology of China · Fudan University
  • 分类: vol 54 · issue 5 · pp 2209-2233
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究分布式多源数据下精度矩阵(precision matrix)的整合估计问题,目标是在存在分布异质性(各源精度矩阵不同但共享某些结构)且受通信/隐私约束时,估计一个整合的精度矩阵。作者提出 HEAT(Heterogeneity-adjusted Aggregating and Thresholding)方法,通过先在各节点本地估计、再聚合并进行异质性调整和阈值化,实现通信和计算高效。理论部分建立了在多种整合损失下的收敛速率,并给出对应的 minimax 下界,证明 HEAT 的统计最优性。为进一步提升效率,提出迭代版本 IteHEAT,通过多轮通信迭代修正高阶误差,达到几何收缩速率。模拟和真实数据验证了方法的数值表现。对您而言,该文的高维协方差/精度矩阵估计与 minimax 下界技术直接关联您的高维统计与随机矩阵理论兴趣,且分布式设定下的通信-统计权衡与您的统计计算兴趣相关。
  • 关键技术: distributed estimation, precision matrix estimation, heterogeneity adjustment, thresholding, minimax lower bounds, geometric contraction
  • 为什么对您有用: 本文属于高维统计中精度矩阵估计的分布式整合问题,直接对应您 primary interest 中的 high-dimensional statistics 和 minimax 理论;其 minimax 下界证明可尝试用您 very_familiar 的 minimax bounds 技术验证或扩展;分布式通信-统计权衡也与您的 statistical-computational tradeoff 兴趣有交集,但本文不涉及计算复杂度下界,因此作为 gateway 阅读可了解分布式估计的统计最优性框架。

5. 10.1214/26-aos2655 — SIMPLE-RC: Group network inference with NonSharp nulls and weak signals

  • 作者: Jianqing Fan, Yingying Fan, Jinchi Lv, Fan Yang
  • 期刊/来源: Annals of Statistics
  • 机构: Princeton University · University of Southern California · Tsinghua University
  • 分类: vol 54 · issue 5 · pp 2507-2531
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文在 SIMPLE 框架(Fan et al., 2022)基础上,针对大规模网络中的组级推断问题,提出 SIMPLE-RC 方法,用于检验一组节点是否共享相似(而非完全相同)的成员档案,即非尖锐复合零假设,并允许信号强度弱于原 SIMPLE 设定。方法核心是随机耦合(random coupling)技巧:从目标节点组中随机抽取节点对,取各对 SIMPLE 检验统计量的最大值作为检验统计量,从而有效降低个体检验间的相关性,同时保持检验功效。理论部分覆盖有/无节点度异质性两种情形,关键工具是作者先前关于弱尖峰随机矩阵工作中发展的尖峰特征向量在 ℓ∞ 范数下的二阶展开,这为分析 SIMPLE-RC 的渐近分布提供了基础。模拟和真实数据实验验证了方法的有限样本表现。对您而言,该文的 ℓ∞ 范数尖峰特征向量二阶展开是随机矩阵理论中一个精细结果,可能对您在高维统计推断中的其他问题(如主成分分析后的推断)有直接参考价值。
  • 关键技术: random coupling, maximum of SIMPLE tests, second-order expansion of spiked eigenvectors under ℓ∞ norm, weak spikes random matrix theory, composite null hypothesis testing, network membership inference
  • 为什么对您有用: 该文属于高维统计与随机矩阵理论(RMT)的交叉,直接对应您 primary interest 中的 high-dimensional statistics (Random matrix theory) 子方向。您 very_familiar 中的 high-dimensional asymptotics 和 minimax bounds 可用于审视其检验的渐近最优性;其 ℓ∞ 范数特征向量展开技术可能迁移到您关心的其他高维推断问题。中期可做:若要深入理解其证明,需在 moderately_familiar 的 semiparametric theory 上加强,因为检验统计量的渐近分布涉及半参数效率考虑。

非参数 / 半参数 (nonparam_semipara, 6 篇)

1. 10.1214/26-aos2659 · arXiv — Fast Wasserstein rates for estimating probability distributions of probabilistic graphical models

  • 作者: Daniel Bartl, Stephan Eckstein
  • 期刊/来源: Annals of Statistics
  • 机构: National University of Singapore · University of Tübingen
  • 分类: vol 54 · issue 5 · pp 2586-2613
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究在Wasserstein距离下,利用概率图模型的结构信息来克服高维分布估计的维数灾难。作者考虑由有向无环图(DAG)定义的分布族,并证明仅当转移核满足光滑性条件(如Wasserstein-Lipschitz或双向全变差Lipschitz)时,结构知识才能改善估计率。估计率由图的局部结构决定,具体依赖于每个节点及其父节点的维度。在强光滑性条件下,作者证明了所获估计率的最优性,并指出该条件涵盖具有正Lipschitz密度的分布。该工作为结构约束下的非参数估计提供了新的理论视角,对您在高维非参数估计和结构利用方面的兴趣有直接关联。
  • 关键技术: Wasserstein distance, probabilistic graphical models, directed acyclic graph, smoothness conditions, minimax rates
  • 为什么对您有用: 本文属于非参数估计理论,直接关联您的主要兴趣中的非参数与半参数理论。您可以用您熟悉的非参数统计和极小极大界技术来验证其率的最优性,或探索将类似结构光滑性条件应用于其他估计问题。这是一个中期可做的方向,需要先熟悉图模型的结构性质。

2. 10.1214/26-aos2645 · arXiv — Data assimilation with the 2D Navier–Stokes equations: Optimal Gaussian asymptotics for the posterior measure

  • 作者: Dimitri Konen, Richard Nickl
  • 期刊/来源: Annals of Statistics
  • 机构: University of Cambridge
  • 分类: vol 54 · issue 5 · pp 2352-2378
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究二维 Navier–Stokes 方程数据同化问题中后验测度的渐近性质,目标是对系统初始条件赋予高斯过程先验,基于离散观测推断整个轨迹。作者证明了函数型 Bernstein–von Mises 定理:后验测度可由一个线性抛物型 PDE 的解(高斯随机场)在一致范数下强逼近,从而保证轨迹预测的 1/N 相合性。该结果适用于常见的非参数模型,并推导了可信带的覆盖性质和不确定性量化结论。此外,作者建立了局部渐近极小极大定理,刻画了估计非线性系统状态的下界,并证明贝叶斯数据同化算法达到该下界。对您而言,该文将非参数贝叶斯后验渐近理论与复杂动力系统结合,其 Bernstein–von Mises 证明技巧和极小极大下界推导可能对您在半参数效率理论中的工作有启发。
  • 关键技术: Bernstein–von Mises theorem, Gaussian process prior, Navier–Stokes equations, local asymptotic minimax, credible bands
  • 为什么对您有用: 该文属于非参数/半参数理论方向,直接关联您对 semiparametric efficiency 和 Bayesian nonparametrics 的兴趣。其 Bernstein–von Mises 定理的证明涉及 empirical process 和 Gaussian approximation,您可尝试用您熟悉的 minimax 下界技巧验证其最优性,或探索将类似后验渐近结果推广到其他动力系统。属于中期可做,需先熟悉 Bayesian nonparametrics 的收敛性工具。

3. 10.1214/26-aos2637 · arXiv — Fast convergence rates for estimating the stationary density in SDEs driven by a fractional Brownian motion with semicontractive drift

  • 作者: Chiara Amorino, Eulalia Nualart, Fabien Panloup, Julian Sieber
  • 期刊/来源: Annals of Statistics
  • 机构: Universitat Pompeu Fabra · Barcelona School of Economics · Laboratoire Angevin de Recherche en Mathématiques · Université d'Angers · Imperial College London
  • 分类: vol 54 · issue 5 · pp 2286-2324
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究由分数布朗运动驱动的加性随机微分方程中不变密度的估计问题,Hurst 参数 H∈(0,1)。在连续观测下,作者提出基于核的估计量,通过鞅分解与分数 SDE 平衡态的全变差收敛新界,获得比现有结果更快的收敛速度。对于 H<1/2,利用边际密度的最新界进一步细化速率。方法推广到离散观测情形,并证明可达到相同速率。此外,建立了估计量的集中不等式,并引入适应未知光滑性的数据驱动带宽选择。数值实验以分数 Ornstein–Uhlenbeck 过程为例验证了实际性能。最后,结果放宽了漂移项的通常凸性假设,允许仅在紧集外强凸的情形。
  • 关键技术: kernel density estimation, fractional Brownian motion, total variation convergence, concentration inequalities, data-driven bandwidth selection
  • 为什么对您有用: 本文属于非参数估计理论,与您的非参数/半参数理论兴趣直接相关,特别是核估计的收敛速率与自适应带宽选择。您可以用非常熟悉的非参数统计与极小极大界工具来审视其速率是否最优,或将其鞅分解技巧与您的高阶 U 统计量工作结合,探索分数 SDE 背景下 U 统计量的渐近性质。中期可做:需先熟悉分数布朗运动的概率工具(如 Malliavin 演算),这属于 moderately_familiar 之外的领域。

4. 10.1214/26-aos2664 — Generalized robust adaptive-bandwidth MultiView manifold learning in high dimensions with noise

  • 作者: Xiucai Ding, Chao Shen, Hau-Tieng Wu
  • 期刊/来源: Annals of Statistics
  • 机构: University of California, Davis · Amazon (United States) · Courant Institute of Mathematical Sciences · New York University
  • 分类: vol 54 · issue 5 · pp 2637-2664
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出广义鲁棒自适应带宽多视角扩散映射(GRAB-MDM),用于整合多个高维含噪数据源,在共同流形模型下恢复共享的内在结构。核心创新是视图依赖的自适应带宽选择,根据每个视图的几何和噪声水平调整,从而稳定地构造多视角扩散算子。作者建立了渐近收敛性理论,证明即使各视图噪声水平和传感器维度不同,自适应带宽也能保证对共享结构的鲁棒恢复。数值实验和两个真实数据分析表明,GRAB-MDM 在鲁棒性和嵌入质量上优于现有算法。该方法为高维噪声环境下的多传感器融合提供了有理论保证的实用方案。对您而言,其核方法带宽选择与流形学习理论可联系到您的非参数统计和统计计算兴趣,特别是扩散几何与核方法的渐近分析。
  • 关键技术: multiview diffusion maps, adaptive bandwidth selection, kernel-based manifold learning, common-manifold model, asymptotic convergence analysis
  • 为什么对您有用: 本文属于非参数统计与流形学习交叉领域,与您的非参数/半参数理论兴趣直接相关,特别是核方法带宽选择的渐近性质。您可以用 very_familiar 的非参数统计和 minimax 界工具来审视其收敛速率是否最优,或用 moderately_familiar 的 M-估计理论分析其估计量的稳健性。中期可做:若想深入,需在流形学习的几何测度论上补强(moderately_familiar 之外),但当前武器库足以评估其理论贡献。

5. 10.1214/26-aos2648 · arXiv — Granulometric smoothing on manifolds

  • 作者: Diego Bolón, Rosa M. Crujeiras, Alberto Rodriguez-Casal
  • 期刊/来源: Annals of Statistics
  • 机构: Université Libre de Bruxelles · Universidade de Santiago de Compostela
  • 分类: vol 54 · issue 5 · pp 2379-2405
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对定义在流形上的密度函数,提出了一种估计最高密度区域(HDR)的新方法。该方法基于数学形态学中的开运算(opening operator)的经验版本,并结合密度的初步估计,得到一个易于计算的估计量,其形式仅由从数据中适当选择的中心和半径 r 组成。作者证明了该估计量在 Hausdorff 距离下的一致性,并给出了收敛速率。所有一致性结果均在集合水平上对满足温和假设的任意黎曼流形一致成立。文中还通过示例展示了该方法的适用性。该方法为流形上的非参数集估计提供了一种新的、计算简单的途径,其收敛速率分析可能对您在高维或流形结构下的非参数估计研究有参考价值。
  • 关键技术: mathematical morphology, opening operator, highest density regions, Hausdorff distance, manifold density estimation
  • 为什么对您有用: 该论文属于非参数统计中集合估计的范畴,与您的主要兴趣“非参数与半参数理论”直接相关。您可以用您非常熟悉的“非参数统计”和“极小极大界”工具来审视其收敛速率是否最优,并探索其在高维流形上的推广。这是一个中期可做的方向,需要您在“流形学习”或“几何测度论”方面有所提升。

6. 10.1214/26-aos2651 · arXiv — Consistent Bayesian spatial domain partitioning using predictive spanning tree methods

  • 作者: Kun Huang, Huiyan Sang
  • 期刊/来源: Annals of Statistics
  • 机构: Texas A&M University
  • 分类: vol 54 · issue 5 · pp 2432-2454
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文提出一种贝叶斯空间域随机划分模型(Spat-RPM),用于空间聚类回归,将空间域划分为不相交块,并利用生成树切割诱导出连续的域划分。在 infill-domain 渐近框架下,作者引入新的距离度量来研究域划分的后验集中性,证明了划分(包括可能趋于无穷的簇数)、参数和预测的后验一致性及收敛速率。文章还给出了超参数选择的一致性条件,为实际应用提供指导。模拟研究验证了理论性质,并应用于大西洋海洋数据。该工作填补了空间聚类模型后验一致性理论的空白,其划分后验集中率的推导思路对您研究非参数贝叶斯或空间统计的收敛理论有参考价值。
  • 关键技术: Bayesian random partition model, spanning tree cuts, infill-domain asymptotics, posterior concentration rates, spatial clustering regression
  • 为什么对您有用: 本文属于非参数/半参数理论方向,其核心贡献是空间划分模型的后验一致性理论,与您对非参数贝叶斯方法收敛性的兴趣相关。您可以用 very_familiar 的 minimax bounds 工具来审视其收敛速率是否最优,或思考其划分后验集中率与经典非参数估计效率界的关系。中期可做:若想深入,需在 moderately_familiar 的 M-estimation 理论上加强,以对比其贝叶斯后验与频率派估计的效率。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 10.1214/26-aos2657 · arXiv — Power properties of the two sample test based on the nearest neighbors graph

  • 作者: Rahul Raphael Kanekar
  • 期刊/来源: Annals of Statistics
  • 机构: Stanford University
  • 分类: vol 54 · issue 5 · pp 2560-2585
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究基于几何图的两样本分布相等性检验,目标是在高维或一般多元设定下检验两个分布是否相同。作者聚焦于 K 近邻图,其中 K=k_N 随样本量增长,这超出了 Penrose-Yukich 稳定图框架的适用范围。主要理论结果是当 k_N=o(N^{1/4}) 时,在参数化局部备择族中给出该检验的检测阈值,从而扩展了已知理论行为的图类。作者提出双侧检验版本,消除了单侧检验中存在的指数间隙问题。结果表明增加近邻数 K 可提升检验功效,为使用更密集图提供了理论依据。对您而言,该文涉及多元假设检验的渐近功效分析,与您对 hypothesis testing 的兴趣直接相关,且其检测阈值分析可联系到您熟悉的高维渐近工具。
  • 关键技术: K-nearest neighbors graph, detection threshold, two-sample testing, non-stabilizing graphs, asymptotic power analysis
  • 为什么对您有用: 该文直接属于您的 primary interest 中的 hypothesis testing 子方向,研究两样本检验的渐近功效与检测阈值。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来审视其检测阈值是否最优,或尝试将结果推广到更高阶的图统计量(如 U-statistics 形式)。中期可做:若想深入其非稳定图的技术细节,需在 empirical process 或几何概率上加强。

其他 (other, 3 篇)

1. 10.1214/26-aos2642 · arXiv — Gaussian and non-Gaussian universality of data augmentation

  • 作者: Kevin Han Huang, Peter Orbanz, Morgane Austern
  • 期刊/来源: Annals of Statistics
  • 机构: Gatsby Computational Neuroscience Unit · University College London · Harvard University
  • 分类: vol 54 · issue 5 · pp 2325-2351
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究数据增强(data augmentation)对估计量方差和极限分布的影响,通过建立普适性(universality)结果,用简单替代模型刻画其效应。作者发现数据增强可能增加而非减少估计不确定性(如经验预测风险),在高维问题中可能无法起到正则化作用,并可能移动双重下降(double-descent)峰的位置。这些效应取决于数据分布、估计量性质以及样本量、增强次数和维度的交互。主要理论工具是作者发展的针对块依赖的 Lindeberg 技巧的推广,得到的普适性机制可以是高斯的或非高斯的。该工作为机器学习实践中的观察提供了理论解释,但结论与直觉相悖,对统计理论研究者有启发。
  • 关键技术: Lindeberg's technique, block dependence, universality, data augmentation, double descent
  • 为什么对您有用: 本文属于统计理论,与您的高维统计和统计计算兴趣相关,特别是其普适性方法和双重下降现象的分析。虽然不直接涉及因果推断或U统计量,但其对高维问题中正则化效应的反直觉发现,可能对您在高维推断中的估计量行为研究有参考价值。

2. 10.1214/26-aos2635 · arXiv — No-regret generative modeling via parabolic Monge–Ampère PDE

  • 作者: Nabarun Deb, Tengyuan Liang
  • 期刊/来源: Annals of Statistics
  • 机构: University of Chicago
  • 分类: vol 54 · issue 5 · pp 2260-2285
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一种基于离散化抛物型 Monge–Ampère PDE 的生成建模框架,该 PDE 是 Sinkhorn 算法的连续极限。方法在 Brenier 映射空间中进行迭代细化,采用镜像梯度下降步骤,并建立无遗憾分析下的理论保证,证明在多种步长调度下迭代收敛到最优 Brenier 映射。技术核心是推导了一个针对抛物型 Monge–Ampère PDE 的 Evolution Variational Inequality,连接几何、运输代价与遗憾。框架适用于非 log-concave 目标分布,通过 Brenier 映射构造最优采样过程,并整合了 GAN 和 score-based diffusion 的有利学习技术。直接应用包括生成建模和变分推断。
  • 关键技术: parabolic Monge–Ampère PDE, Sinkhorn algorithm, Brenier map, mirror gradient descent, no-regret analysis, Evolution Variational Inequality
  • 为什么对您有用: 本文属于最优传输与生成建模的交叉,与您的主要兴趣(如高维统计、非参数理论)有间接联系,但并非直接推进您的研究方向。作为 gateway reading,它展示了 PDE 与统计优化的结合,但需要一定的 PDE 背景,对您而言可能不是最佳入门读物。武器库中的非参数统计和计算工具足以理解核心思想,但若要深入分析其收敛性,可能需要补充 PDE 理论。建议作为拓展视野的阅读,不必优先精读。

3. 10.1214/26-aos2633 · arXiv — Inferring diffusivity from killed diffusion

  • 作者: Richard Nickl, Fanny Seizilles
  • 期刊/来源: Annals of Statistics
  • 机构: University of Cambridge
  • 分类: vol 54 · issue 5 · pp 2234-2259
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究绝缘欧氏域中独立分子的扩散过程,其扩散系数未知,分子可在随机时间和位置因给定结合势而停止扩散(即被杀灭)。作者将杀灭位置建模为泊松点过程,其强度测度由薛定谔型方程的解决定,从而将推断问题转化为该偏微分方程的非线性反问题。在结合势不太强且初始状态满足自然条件时,证明了贝叶斯方法的一致可解性,并获得了高维泊松计数数据的后验收缩速率新结果,这些结果具有独立意义。最后通过MCMC方法给出了数值示例。
  • 关键技术: Bayesian inverse problems, posterior contraction rates, Poisson point process, Schrödinger equation, MCMC
  • 为什么对您有用: 本文属于非参数贝叶斯反问题与后验收缩速率理论,与您的主要兴趣(非参数/半参数理论、高维统计)有方法学上的连接,但并非直接针对因果推断或效率理论。作为非参数统计学家,您可能对后验收缩速率的证明技术感兴趣,但该问题设定(扩散过程、PDE反问题)与您的核心工作距离较远。武器库中的非参数统计和极小极大界工具可帮助理解其收缩速率结果,但缺乏贝叶斯非参数和PDE反问题的专门知识,属于中期可探索的方向,暂不建议优先深入。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论