跳转至

Bernoulli — Vol 32 Issue 4 · 2026-10-10

  • 共 33 篇 · Bernoulli
  • 目录核对 ✅ 33 篇全部抓到(对照 OpenAlex 33 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。

本期《Bernoulli》第 32 卷第 4 期共 33 篇论文,主线大致可归为四类:因果识别与高维推断(SCENTS 模型、LASSO 自助法、函数型回归去偏)、函数型数据与形状约束的非参数/半参数方法(协方差核估计、多维形状约束置信带、双变量函数型数据、Bures-Wasserstein 流)、假设检验与 e 值理论(能量距离、距离相关、分层置换 Berry–Esseen、e-variable)、以及随机矩阵与计算/概率论交叉(耦合随机矩阵谱独立性、数值积分渐近、SDE 转移密度展开)。其余若干篇涉及空间点过程、随机偏微分方程、MCMC 大偏差等,主题较分散。

最突出的主线是因果推断与高维去偏。SCENTS 模型(“Estimation of a score-explained non-randomized treatment effect”)针对处理分配基于可观测得分的非随机场景,在固定维下构造半参数有效估计量,超高维下用去偏 Lasso 实现 n 相合与渐近正态,并与 RDD 对比,为已知分配机制但非随机的因果识别提供了新框架。同主线的高维回归中,“Bootstrapping LASSO estimators” 在变量选择一致性下证明残差自助与扰动自助能自动校正偏差,达到二阶正确,且对称置信区间精度达 O(n^{-2}),与有限维结果匹配;“Debiased estimation and variable selection under function-on-scalar” 则将去偏思想推广到函数型响应与测量误差共存的超高维设定,揭示测量误差类型对渐近性质的非平凡影响。这三篇共同推进了高维因果/回归推断中偏差校正与不确定性量化。

第二条主线是函数型数据与形状约束的非参数效率。“Optimal rates for estimating the covariance kernel” 在一致范数下获得无对数因子的 n 率,且稠密到稀疏过渡的速率与一元均值估计一致,不依赖均值光滑性;“Optimal confidence bands for shape-restricted regression” 用局部核平均与多元多尺度带宽选择,在单调/凸约束下自适应于 Hölder 光滑度,低复杂度时接近参数速率;“Structural adaptation and rate accelerated estimation in bivariate functional data” 提出方向正则性概念,通过估计变换基矩阵加速收敛,将各向异性与低维结构估计联系起来。这三篇均聚焦于非参数估计的收敛速率与推断,但切入角度各异:协方差核、形状约束、函数型各向异性。

假设检验与 e 值理论是第三条值得注意的主线。“Energy distances for statistical inference” 在无矩条件下定义无限维希尔伯特空间上的能量距离,构造 minimax 最优的两样本与独立性检验;“Detecting practically significant dependencies” 将距离相关检验从零假设推广到阈值 Δ,适用于绝对正则时间序列;“Stratified permutational Berry–Esseen bounds” 用 Stein 方法处理异质层置换统计量,统一了分层抽样与条件置换检验的误差界;“E-values for exponential families” 则在复合指数族下刻画最优 e-variable 的 RIPr 表示,补充了 e 值理论的一般情形。这四篇共同围绕非参数/半参数检验的构造与理论保证,但前两篇侧重距离相关,后两篇侧重置换与 e 值。

若按主题优先阅读:因果推断方向建议先看 SCENTS 模型与 LASSO 自助法;非参数/半参数效率方向看协方差核估计与形状约束置信带;高维与随机矩阵方向看耦合矩阵谱独立性及函数型去偏;假设检验方向看能量距离与 e-variable 两篇。其余如空间点过程、SDE 转移密度、MCMC 大偏差等,与核心统计推断主线关联较弱,可按兴趣选读。

因果推断 (causal_inference, 1 篇)

1. 10.3150/24-bej1832 · arXiv — Estimation of a score-explained non-randomized treatment effect in fixed and high dimensions

  • 作者: Debarghya Mukherjee, Moulinath Banerjee, Ya’acov Ritov
  • 期刊/来源: Bernoulli
  • 机构: Boston University · University of Michigan
  • 分类: vol 32 · issue 4 · pp 2569-2593
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出 SCENTS(Score Explained Non-Randomized Treatment Systems)模型,用于非随机化处理分配场景,其中处理分配基于一个可观测的得分(如奖学金基于考试成绩、降压药基于血压水平),目标是估计平均处理效应。在固定维数下,作者利用得分对协变量的依赖关系构造估计量,证明其 n 相合、渐近正态,并在误差正态假设下达到半参数效率界。在超高维协变量情形下,提出去偏估计量,同样具有 n 相合和渐近正态性。方法通过两个真实数据集与回归不连续设计(RDD)等传统方法进行比较,展示了优势。该工作为处理分配机制已知但非随机的情形提供了新的识别与估计框架,连接了因果推断中的回归不连续设计与半参数效率理论。
  • 关键技术: semiparametric efficiency, debiased estimation, ultra-high dimensional inference, score-based treatment assignment, n-consistency
  • 为什么对您有用: 本文直接关联您的因果推断兴趣,特别是非随机化处理分配下的半参数效率估计,与您的 identification theory 和 semiparametric theory 高度契合。您可以用 very_familiar 的 minimax bounds 和 nonparametric statistics 工具来审视其效率界是否紧,或用 moderately_familiar 的 HOIF 框架分析其高阶影响函数。中期可做:将 SCENTS 模型与 proximal causal inference 结合,处理未观测混杂,需先在 identification theory 上加强。

高维统计 / 随机矩阵 (high_dim_rmt, 7 篇)

1. 10.3150/26-bej1971 — Bootstrapping LASSO estimators under variable selection consistency in high dimensions and some higher order refinements

  • 作者: Debraj Das, Arindam Chatterjee, Soumendra N. Lahiri
  • 期刊/来源: Bernoulli
  • 机构: Indian Institute of Technology Bombay · Indian Statistical Institute, Delhi Centre · Indian Statistical Institute · Washington University in St. Louis
  • 分类: vol 32 · issue 4 · pp 2865-2893
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究高维线性回归中 LASSO 估计量的 Bootstrap 推断问题。在变量选择一致性成立时,LASSO 估计量的偏差主导了中心化与尺度化后的统计量,导致其不收敛到任何非退化极限分布。作者证明 Residual Bootstrap 和 Perturbation Bootstrap 两种自助法能自动校正偏差,且近似分布达到二阶正确(second order correct)。进一步,通过选择合适的 studentized 枢轴量,构造的双侧对称 Bootstrap 置信区间达到 O(n^{-2}) 的精度,与传统有限维 Smooth Function 模型中的结果相当。对于异方差情形,Perturbation Bootstrap 的类似结果也被建立,并辅以中等规模模拟验证。该结果对高维统计推断中基于 Bootstrap 的置信区间构造具有重要理论价值。
  • 关键技术: Residual Bootstrap, Perturbation Bootstrap, Edgeworth expansion, variable selection consistency, high-dimensional regression
  • 为什么对您有用: 本文属于高维统计推断与 Bootstrap 方法的交叉,直接关联您的高维统计与假设检验兴趣。其核心贡献在于揭示在变量选择一致性下 LASSO 估计量无极限分布时,Bootstrap 仍能提供有效推断,这为高维置信区间构造提供了新思路。您可运用非常熟悉的高维渐近理论来审视其 Edgeworth 展开的证明细节,并考虑将 Bootstrap 二阶校正思想推广至其他高维估计量。

2. 10.3150/26-bej1974 — Debiased estimation and variable selection under function-on-scalar linear regression models with ultrahigh-dimensional covariates subject to measurement error

  • 作者: Yifan Sun, Grace Y. Yi
  • 期刊/来源: Bernoulli
  • 机构: Western University
  • 分类: vol 32 · issue 4 · pp 2944-2968
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究函数型响应线性回归模型(function-on-scalar linear regression)中,当标量协变量存在测量误差且维数超高(ultrahigh-dimensional)时的参数估计与变量选择问题。目标是在协变量误差污染和超高维并存的设定下,同时实现一致估计和变量选择。方法上,作者提出一个灵活框架,可处理多种测量误差模型,并基于去偏(debiased)技术构造估计量,结合正则化进行变量选择。理论方面,在温和条件下建立了估计量的渐近性质,包括收敛速率和极限分布,并揭示这些性质依赖于测量误差的类型以及维数是否超高。与有限维情形相比,超高维设定下测量误差的影响有显著差异,不同误差过程的影响也截然不同。计算上设计了数据驱动的调参算法,并通过模拟和真实数据验证了方法的有效性。对您而言,该文将测量误差与超高维推断结合,其去偏估计和渐近理论可联系您在高维统计与假设检验方面的兴趣。
  • 关键技术: debiased estimation, ultrahigh-dimensional regression, measurement error models, variable selection, asymptotic normality
  • 为什么对您有用: 该文属于高维统计与测量误差交叉领域,直接关联您的高维统计兴趣,尤其是去偏估计的渐近性质。您可用 very_familiar 的高维渐近工具(如 concentration inequalities)验证其收敛速率是否最优,或探索测量误差对推断的影响。中期可做:结合您的 semiparametric theory 知识,将方法推广到更一般的半参数模型。

3. 10.3150/26-bej1979 · arXiv — Asymptotics of resampling without replacement in robust and logistic regression

  • 作者: Pierre C. Bellec, Takuya Koriyama
  • 期刊/来源: Bernoulli
  • 机构: Rutgers, The State University of New Jersey · University of Chicago
  • 分类: vol 32 · issue 4 · pp 3063-3087
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究在维度 p 与样本量 n 同阶的比例极限下,无放回重抽样(bagging)的渐近性质。对于固定子样本比例 q,训练多个基于大小为 qn 的子样本的估计量,并研究其平均(bagged estimate)的平方误差。核心问题是刻画两个基于不同子样本训练的估计量之间的相关性,本文在稳健线性回归和逻辑回归中证明了该相关性的极限是某个简单非线性方程的唯一解。进一步,作者提出了该极限的一致估计量,可用于估计 bagged estimate 的平方误差,并用于选择最优子样本比例 q。作为证明的副产品,得到了用于训练两个估计量的共同观测 i 的 (xi^T bhat(Im), xi^T bhat(Im')) 的联合极限分布。该结果属于高维统计与随机矩阵理论的交叉领域,对理解 bagging 在比例极限下的行为有理论价值。
  • 关键技术: random matrix theory, proportional asymptotics, nonlinear equation characterization, consistent estimation, bagging, logistic regression
  • 为什么对您有用: 该论文直接关联您的高维统计与随机矩阵理论兴趣,特别是比例极限下的渐近分析。您可以用 very_familiar 的高维渐近工具(如 Marchenko-Pastur 定律)来验证或扩展其非线性方程解的紧性,或探索其与更高阶 U-统计量的联系(例如 bagged 估计量的方差分解)。中期可做:需先熟悉随机矩阵理论在广义线性模型中的最新进展(moderately_familiar 中的高维渐近)。

4. 10.3150/26-bej1980 — Theoretical analysis of transfer learning for temporally dependent observations

  • 作者: Abolfazl Safikhani, Mingliang Ma
  • 期刊/来源: Bernoulli
  • 机构: George Mason University · University of Florida
  • 分类: vol 32 · issue 4 · pp 3088-3112
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究高维向量自回归(VAR)模型下的迁移学习问题,目标是在目标时间序列数据量有限时,利用辅助数据集提高参数估计精度并构建置信区间。作者提出一个两步法:第一步从多个辅助数据集中筛选出与目标模型相似的信息集,第二步基于筛选后的数据估计目标参数。针对高维稀疏设定,他们开发了两种去偏(debiasing)技术,分别基于去偏Lasso和去偏惩罚估计,以实现对单个参数的渐近正态推断。理论分析在允许重尾分布以及辅助与目标数据相依的温和条件下,建立了估计误差的收敛速率,并证明当信息集与目标模型足够相似时,估计达到 minimax 最优速率。模拟实验和 EEG 数据应用验证了方法的有限样本表现。对您而言,该文将高维时间序列的推断与迁移学习结合,其去偏技术和高维推断框架与您在高维统计和假设检验方面的兴趣直接相关。
  • 关键技术: transfer learning, high-dimensional VAR, debiased Lasso, confidence intervals, minimax rate, heavy-tailed distributions
  • 为什么对您有用: 该文属于高维统计与时间序列交叉方向,直接关联您的高维统计兴趣,特别是高维参数的去偏推断和置信区间构建。您可以用 very_familiar 的高维渐近理论(如去偏Lasso的极限分布)来验证其理论证明的严谨性,并考虑将去偏技术推广到其他高维模型。中期可做:若想深入迁移学习中辅助集筛选的统计性质,需在 moderately_familiar 的 M-估计理论上加强。

5. 10.3150/25-bej1915 — Seriation of Tœplitz and latent position matrices: Optimal rates and computational trade-offs

  • 作者: Clément Berenfeld, Alexandra Carpentier, Nicolas Verzelen
  • 期刊/来源: Bernoulli
  • 机构: Institut national de recherche en sciences et technologies du numérique · Université de Montpellier · PREMEDICAL: Médecine de précision par intégration de données et inférence causale · University of Potsdam · Institut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement · Mathématiques, Informatique et Statistique pour l'Environnement et l'Agronomie
  • 分类: vol 32 · issue 4 · pp 2619-2638
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究基于噪声观测的置换结构化矩阵的序列化问题,目标是在 Frobenius 范数误差下恢复对象的潜在顺序。考虑 Robinson 矩阵的两个子模型:Toeplitz 模型和潜在位置模型。作者基于低度范式给出计算下界,暗示序列化问题存在统计-计算差距。同时提出一个简单的多项式时间算法,并证明其达到该计算下界。文章还刻画了信息论最优风险,从而量化了计算与信息差距的程度。对您而言,该文将统计-计算差距与您熟悉的高维矩阵估计问题结合,是进入该领域的良好切入点。
  • 关键技术: low-degree polynomial method, statistical-computational gap, minimax risk, polynomial-time algorithm, Frobenius norm error
  • 为什么对您有用: 本文属于统计-计算权衡方向,是您作为局外人需要阅读的入门文章。它清晰阐述了统计模型(Toeplitz/潜在位置)、计算模型(低度多项式)以及多项式时间可能性与低度障碍之间的区别,满足可访问性要求。您可以用非常熟悉的 minimax 界工具验证其信息论结果,但计算下界部分需要先熟悉低度方法,因此属于中期可做。

6. 10.3150/26-bej1976 · arXiv — Spectral independence of almost fully correlated random matrices

  • 作者: Oleksii Kolupaiev
  • 期刊/来源: Bernoulli
  • 机构: Institute of Science and Technology Austria
  • 分类: vol 32 · issue 4 · pp 2999-3023
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究两个耦合随机矩阵 H(1) 与 H(2)(实对称或复 Hermitian)的联合谱性质,其条目间(矩阵内部及矩阵之间)具有多项式衰减的相关性。令人惊讶的是,在极弱的去相关条件下——允许 H(1) 与 H(2) 几乎完全相关——它们体谱中单个特征值的波动在渐近意义下仍是独立的。作者进一步证明该去相关条件是最优的。技术核心在于对特征值波动(线性特征值统计量)的联合分布进行渐近分析,利用矩方法或自由概率工具刻画相关性衰减对独立性的影响。结果推广了经典随机矩阵中特征值波动独立性的结论,为耦合矩阵系统提供了精确的阈值。对您而言,该结果直接关联高维统计与随机矩阵理论中特征值波动的研究,其最优性证明可能为相关随机矩阵的推断问题提供新的理论工具。
  • 关键技术: random matrix theory, eigenvalue fluctuations, linear spectral statistics, correlation decay, asymptotic independence
  • 为什么对您有用: 该论文直接属于您的主要兴趣“高维统计与随机矩阵理论”,具体关注耦合随机矩阵特征值波动的渐近独立性,并给出了最优去相关条件。您可以用您非常熟悉的“高维渐近”工具(如线性谱统计量的中心极限定理)来验证或扩展其结论,例如检查在更一般的相关结构下独立性是否仍成立。这是一个立即可做的理论跟进方向,因为核心工具(随机矩阵渐近分析)已在您的武器库中。

7. 10.3150/26-bej1978 · arXiv — Finite-dimensional Gaussian approximation for deep neural networks: Universality in random weights

  • 作者: Krishnakumar Balasubramanian, Nathan Ross
  • 期刊/来源: Bernoulli
  • 机构: University of California, Davis · The University of Melbourne
  • 分类: vol 32 · issue 4 · pp 3042-3062
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究深度神经网络在随机初始化权重(具有有限阶矩)下的有限维分布(FDDs)的高斯逼近。在激活函数为Lipschitz且各层宽度可以任意相对速率趋于无穷的假设下,建立了FDDs与其高斯极限在Wasserstein-1距离下的逼近界。特别地,当所有层宽度与公共尺度参数n成比例且存在L−1个隐藏层时,获得了阶为n^{−(1/6)L−1+ϵ}(任意ϵ>0)的收敛速率。该结果推广了先前对固定层数或特定宽度增长率的分析,适用于更一般的随机权重分布。证明技术可能涉及Stein方法或概率度量耦合,但摘要未详述。对您而言,该结果与高维统计中随机矩阵和极限分布的研究相关,但更偏向神经网络随机初始化行为,而非经典高维推断。
  • 关键技术: Wasserstein-1 distance, Gaussian approximation, finite-dimensional distributions, Lipschitz activation, random weight initialization
  • 为什么对您有用: 该论文属于高维统计与随机矩阵理论的交叉领域,但更侧重于深度学习的随机初始化行为。作为gateway reading,它展示了高维极限理论在神经网络中的应用,但方法学上并未直接涉及您熟悉的因果推断或半参数效率理论。武器库中的高维渐近工具(如Wasserstein距离、概率度量)足以理解其核心证明思路,但该主题与您的主要兴趣(如proximal CI、U-statistics)关联较弱。因此,它更适合作为拓宽视野的阅读,而非直接可迁移的方法来源。

非参数 / 半参数 (nonparam_semipara, 5 篇)

1. 10.3150/26-bej1986 · arXiv — Optimal rates for estimating the covariance kernel from synchronously sampled functional data

  • 作者: Max Berger, Hajo Holzmann
  • 期刊/来源: Bernoulli
  • 机构: Philipps University of Marburg
  • 分类: vol 32 · issue 4 · pp 3249-3276
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究同步采样函数型数据中协方差核的 minimax 最优估计,目标是在一致范数下估计协方差核,而非更简单的 L2 范数,因为一致范数是构造均匀置信带的基础。在稠密设计下,假设样本路径 Hölder 光滑,作者获得了无额外对数因子的 n 率收敛,这优于文献中常见的结果。令人惊讶的是,从稠密到稀疏设计的过渡中,收敛速率并不反映协方差核的二维本质,而是与一元均值函数估计的速率一致。估计方法可以利用协方差核在非对角线处的高阶光滑性,而不要求对角线处同样光滑,因此适用于样本路径粗糙不可微的过程。此外,估计器不依赖均值函数估计来构造残差,因此无需对均值施加光滑性假设。在稠密情形下还建立了一致范数下的中心极限定理,可用于构造均匀置信集,并讨论了偏导数估计和异步设计的扩展。
  • 关键技术: minimax lower bounds, supremum norm convergence, Hölder smoothness, kernel smoothing, central limit theorem in sup norm
  • 为什么对您有用: 该论文直接关联您的主要兴趣之一——非参数与半参数理论,特别是 minimax 速率和一致范数下的推断。您熟悉的非参数统计和 minimax 界工具可以用于验证其速率的最优性,或探索将结果推广到其他函数型数据设定。

2. 10.3150/26-bej1973 · arXiv — Optimal confidence bands for shape-restricted regression in multidimensions

  • 作者: Ashley (Pratyay) Datta, Somabha Mukherjee, Bodhisattva Sen
  • 期刊/来源: Bernoulli
  • 分类: vol 32 · issue 4 · pp 2916-2943
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究多维形状约束回归(如坐标单调、凸函数)的置信带构造问题,设定为连续白噪声模型 dY(t)=n^{1/2}f(t)dt+dW(t),其中 f 属于形状约束函数类。方法基于局部核平均,带宽由多元多尺度统计量自动选择,构造的置信带对任意 n 和函数类中任意成员都有保证的覆盖概率。在单调性或凸性约束下,置信带的宽度能自适应于 f 的全局和局部 Hölder 光滑度及内在维度,并在某种意义下达到最优。当 f 具有低复杂度(如分段常数或仿射)时,带宽接近参数速率 n^{-1/2}。此外,文章还发展了检验回归函数是否坐标单调的最优检验方法。对您而言,该文的形状约束自适应置信带与您熟悉的非参数统计和 minimax 理论直接相关,其多尺度统计量构造思路可迁移到您在高维或因果推断中的不确定性量化问题。
  • 关键技术: shape-constrained regression, confidence bands, kernel averaging, multiscale statistic, adaptive bandwidth selection, white noise model
  • 为什么对您有用: 该文属于非参数统计的核心问题(形状约束回归的置信带),直接对应您 primary interest 中的非参数与半参数理论;其自适应带宽和最优性分析可用您非常熟悉的非参数统计与 minimax 界工具来验证或扩展,属于立即可做的方向。

3. 10.3150/26-bej1991 · arXiv — Structural adaptation and rate accelerated estimation in bivariate functional data

  • 作者: Omar Kassi, Sunny G.W. Wang
  • 期刊/来源: Bernoulli
  • 机构: Centre National de la Recherche Scientifique · Centre de Recherche en Économie et Statistique · Université de Rennes
  • 分类: vol 32 · issue 4 · pp 3354-3381
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对多元函数型数据提出了一种新的各向异性定义——方向正则性(directional regularity),不同于传统按维度定义光滑度的方式,它同时考虑方向的影响。作者证明,通过自适应地估计一个变换基矩阵,可以加速双变量过程的平滑收敛速率。利用函数型数据的重复观测结构,构造了变换基矩阵的估计与识别算法,并给出了非渐近误差界。大量模拟研究验证了方法的数值表现,最后应用于真实降雨量数据。该工作将函数型数据分析中的各向异性问题与高维统计中的低维结构估计联系起来,对您在半参数与非参数理论方向的研究有参考价值。
  • 关键技术: directional regularity, change-of-basis estimation, non-asymptotic bounds, functional data analysis, anisotropy adaptation
  • 为什么对您有用: 本文属于非参数/半参数理论方向,具体涉及函数型数据的各向异性与收敛速率加速,与您 primary interest 中的非参数理论直接相关。您可以用 very_familiar 的 minimax 下界工具来检验其声称的加速速率是否最优,或利用您对高维渐近的理解来扩展至更高维情形。中期可做:需在 moderately_familiar 的 semiparametric theory 上进一步熟悉,以处理更一般的半参数模型。

4. 10.3150/24-bej1813 · arXiv — Estimation and inference for the Wasserstein distance between mixing measures in topic models

  • 作者: Xin Bing, Florentina Bunea, Jonathan Niles-Weed
  • 期刊/来源: Bernoulli
  • 机构: University of Toronto · Cornell University · Courant Institute of Mathematical Sciences · New York University
  • 分类: vol 32 · issue 4 · pp 2543-2568
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究主题模型中混合测度之间 Wasserstein 距离的估计与推断问题。作者首先提出该距离的一个新公理化解释:在可识别混合模型的一般框架下(混合成分来自带任意度量 d 的集合 A),混合测度间的 Wasserstein 距离被唯一刻画为 d 到混合测度集合上最具有判别性的凸延拓,从而为该距离的广泛使用提供了理论依据。针对主题模型,作者在混合权重和混合成分均需估计的设定下,首次建立了 Wasserstein 距离估计的 minimax 下界,与已有的上界结果相匹配。此外,作者为高维离散分布(支撑点数为 p)的潜在稀疏混合测度提供了完全数据驱动的推断工具,在 p 可能随样本量增长的情况下,给出了首个渐近有效的置信区间。方法上涉及经验过程、稀疏性假设以及高维渐近分析。
  • 关键技术: Wasserstein distance, minimax lower bounds, topic models, confidence intervals, high-dimensional asymptotics, empirical process
  • 为什么对您有用: 本文属于非参数/半参数估计与推断方向,直接关联您对 minimax 界和假设检验的兴趣;其高维离散分布下的推断问题与您的高维统计背景契合。从问题发现角度看,您可用非常熟悉的 minimax 下界技术(如 Le Cam 方法)检验其下界是否紧,或思考将 Wasserstein 距离推断推广到其他混合模型(如潜在位置模型)的可行性,属于立即可做的方向。

5. 10.3150/25-bej1942 · arXiv — Statistical inference for Bures-Wasserstein flows

  • 作者: Leonardo V. Santoro, Victor M. Panaretos
  • 期刊/来源: Bernoulli
  • 机构: École Polytechnique Fédérale de Lausanne
  • 分类: vol 32 · issue 4 · pp 2686-2710
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文在 Bures-Wasserstein 度量几何下,为希尔伯特空间上取值于协方差算子集合的随机过程(协方差流)建立了统计推断框架。作者利用该度量诱导的类黎曼结构定义了随机流的均值与协方差,并发展了相应的 Karhunen-Loève 展开。针对完全或非规则观测的有限个协方差流,他们提出了估计方法并构建了函数主成分,在可验证的假设下建立了渐近理论。该框架在无限维和有限维(矩阵情形)下均适用,后者可得到简化。方法通过模拟和实际数据分析(如动态功能连接和 fMRI 数据)得到验证。对您而言,本文的非欧几何与函数型数据分析结合,可能为您的非参数与半参数理论兴趣提供新的几何视角,但其方法核心与您的主要研究方向关联较弱。
  • 关键技术: Bures-Wasserstein metric, Karhunen-Loève expansion, functional principal component analysis, covariance operator estimation, Riemannian geometry
  • 为什么对您有用: 本文属于非参数/半参数理论方向,但更偏向函数型数据分析与几何统计,与您的主要兴趣(因果推断、高维、U-统计量)直接关联有限。作为 gateway reading,它展示了非欧几何在统计推断中的应用,但武器库中的工具(如 minimax、经验过程)可能不足以直接迁移。暂不可做:核心机器(Bures-Wasserstein 几何的渐近理论)不在您的武器库中,需补充相关几何分析工具。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)

1. 10.3150/25-bej1923 · arXiv — Energy distances for statistical inference on infinite dimensional Hilbert spaces without moment conditions

  • 作者: Jiajun Tang, Holger Dette
  • 期刊/来源: Bernoulli
  • 机构: Ruhr University Bochum · Harvard University Press
  • 分类: vol 32 · issue 4 · pp 2660-2685
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对无限维希尔伯特空间上的概率测度,在没有矩条件的情况下引入了一类新的能量距离,定义为特征泛函差的模平方关于参考概率测度的积分。作者给出了参考测度具有特征性的充要条件,即该距离成为概率测度空间上度量的性质。基于此距离定义了新的距离协方差,用于度量 H^2 上二维分布边缘之间的依赖性,且无需矩存在。利用这些距离,开发了针对希尔伯特空间值数据的统计推断方法,包括两样本分布比较和独立性检验,并构造了相应的 minimax 最优检验。还提出了关于参考测度的聚合程序以增强检验功效,并通过模拟研究验证了有限样本性质。该方法对有限维数据中的重尾分布具有稳健性,对您的高维统计和假设检验兴趣有直接关联。
  • 关键技术: energy distance, characteristic functionals, distance covariance, minimax optimal tests, aggregated procedures
  • 为什么对您有用: 本文属于假设检验方向,直接关联您对高维统计和假设检验的兴趣;您熟悉的非参数统计和 minimax 界工具可用于验证其最优性,且该方法的无矩条件特性对重尾数据有吸引力,可考虑作为中期可做的扩展方向。

2. 10.3150/26-bej1990 · arXiv — Detecting practically significant dependencies in metric spaces via distance correlations

  • 作者: Holger Dette, Marius Kroll
  • 期刊/来源: Bernoulli
  • 机构: Ruhr University Bochum
  • 分类: vol 32 · issue 4 · pp 3327-3353
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文重新审视了度量空间值随机变量的独立性检验问题,不再检验距离相关性是否恰好为零,而是检验其是否超过预设阈值 Δ,即“实际显著依赖”的假设。作者构造了一个枢轴检验,并给出了从数据中确定的最小阈值 Δ̂_α,使得对所有 Δ ≤ Δ̂_α 的假设在控制第一类错误 α 下被拒绝,该量可作为反对“距离相关 ≤ Δ”的证据强度。新检验适用于强负类型可分度量空间中的过程,涵盖欧氏空间和函数型数据。与现有工作不同,本文不假设观测独立,而是对绝对正则(absolutely regular)样本生成过程证明结果,包括 ARMA 和 GARCH 等时间序列。方法基于顺序距离相关过程的新泛函极限定理,并可无需重抽样地构造距离相关的置信区间。对您而言,该工作将假设检验从点零假设推广到区间零假设,与您对假设检验和相依数据的兴趣直接相关,其泛函极限定理技术可能对您处理时间序列中的非参数检验问题有借鉴意义。
  • 关键技术: distance correlation, sequential empirical process, functional central limit theorem, absolutely regular processes, pivotal test, confidence intervals
  • 为什么对您有用: 该论文直接关联您的主要兴趣“假设检验”和“非参数/半参数理论”,特别是将独立性检验推广到“实际显著性”阈值设定,并处理相依数据(时间序列)。您非常熟悉的非参数统计和泛函极限定理工具(如经验过程理论)足以理解并可能扩展该方法,例如结合更高阶 U-统计量或处理更复杂的数据结构。中期可做:若想将方法推广到更高阶依赖度量,可能需要加强在更高阶 U-统计量理论上的熟练度(目前 moderately_familiar),但核心检验框架立即可用于您现有的因果推断或时间序列应用中。

3. 10.3150/26-bej1988 · arXiv — Stratified permutational Berry–Esseen bounds and their applications to statistics

  • 作者: Pengfei Tian, Fan Yang, Peng Ding
  • 期刊/来源: Bernoulli
  • 机构: Tsinghua University · University of California, Berkeley
  • 分类: vol 32 · issue 4 · pp 3277-3299
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究分层线性置换统计量的 Berry–Esseen 界,该统计量出现在分层/事后分层抽样、分层/事后分层实验以及条件置换检验等统计问题中。作者指出,直接利用非分层置换统计量的现有 Berry–Esseen 界会导致不尖锐的结果,且该方法在异质层(层大小不同)的一般设定下失效。他们采用 Stein 方法,推导出一个统一的分层置换 Berry–Esseen 界,能够容纳异质层。该界被应用于多个统计问题,得到更强的理论量化结果,从而促进这些问题的统计推断。最后,作者通过数值实验验证了理论界的有限样本表现。
  • 关键技术: Stein's method, Berry-Esseen bounds, permutation statistics, stratified sampling, conditional permutation tests
  • 为什么对您有用: 本文属于假设检验与置换检验的精确分布逼近,与您对 hypothesis testing 的兴趣直接相关;其 Stein 方法技巧可迁移至您熟悉的 U-统计量渐近理论,但核心机器(Stein 方法)不在您的武器库中,属于中期可做,需先熟悉 Stein 方法。

4. 10.3150/26-bej1981 · arXiv — E-values for exponential families: The general case

  • 作者: Yunda Hao, Peter Grünwald
  • 期刊/来源: Bernoulli
  • 机构: Chinese University of Hong Kong · Centrum Wiskunde & Informatica
  • 分类: vol 32 · issue 4 · pp 3113-3142
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究复合指数族原假设下的 e-variable 与 e-process 理论,目标是构造并比较最优 e-variable 及其 e-power。作者在 'anti-simple' 情形下(即 RIPr e-variable 不能简化为简单对简单似然比)首次推导出基于 reverse information projection (RIPr) 的最优 e-variable,此前结果仅覆盖可简化情形。对于高斯原假设与备择,他们精确刻画了 RIPr;对一般指数族则给出近似刻画。文中还给出了 RIPr e-variable 与条件 (COND) e-variable 相等(精确或渐近)的条件,并确定了四种 e-statistics(RIPr、COND、UI、sequentialized RIPr)的 e-power 至 o(1) 阶。主要结论是:对 d 维原假设与备择,UI 的 e-power 比 COND 小 (d/2)log n + O(1),COND 是明显赢家。该结果对您可能有用:它直接推进了假设检验中 e-value 理论这一数学统计子方向,且其 e-power 的渐近分析可与您熟悉的高维渐近工具(如集中不等式)结合,用于评估检验的有限样本表现。
  • 关键技术: e-variables, reverse information projection (RIPr), conditional e-variable, universal inference, e-processes, e-power analysis
  • 为什么对您有用: 直接连接 primary interest 中的 hypothesis testing 子方向,且 e-value 理论是近年检验领域的热点;可用 very_familiar 的高维渐近与集中不等式工具来验证其 e-power 界在非渐近情形下的紧性,属于立即可做的 follow-up;同时其 RIPr 与条件 e-variable 的等价性分析也可用 semiparametric 理论视角审视。

5. 10.3150/25-bej1967 — Cramér-type moderate deviations of drift estimation in the stochastic heat equation

  • 作者: Hui Jiang, Jingying Zhou
  • 期刊/来源: Bernoulli
  • 机构: Nanjing University of Aeronautics and Astronautics
  • 分类: vol 32 · issue 4 · pp 2768-2793
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究由加性噪声驱动的随机分数阶热方程中漂移系数极大似然估计的渐近性质。作者利用参数依赖的测度变换方法和渐近分析技术,建立了(自归一化的)Cramér型中偏差、非一致Berry-Esseen界、中偏差和精确大偏差。研究覆盖三种渐近框架:长时间、傅里叶模式数增加、以及两者同时增加。主要结果揭示了渐近行为如何依赖于时间水平、傅里叶模式数、空间维数和分数阶。对您而言,该文提供了在无穷维参数设定下MLE的精细渐近理论,可联系您在高维统计和假设检验方面的兴趣,尤其是偏差界和收敛速率的研究。
  • 关键技术: Cramér-type moderate deviations, Berry-Esseen bounds, change of measure, maximum likelihood estimation, stochastic heat equation
  • 为什么对您有用: 该文属于数学统计与假设检验方向,具体涉及MLE的渐近分布和偏差界,与您对假设检验和渐近理论的兴趣直接相关。您熟悉的非参数统计和极小极大界工具可用于验证其收敛速率是否最优,或推广到其他随机PDE设定。中期可做:需先熟悉随机PDE的渐近分析技术(moderately_familiar之外),但核心概率工具(如测度变换)在您的武器库中。

统计计算 / 算法 (stat_computing, 2 篇)

1. 10.3150/25-bej1884 · arXiv — Asymptotics of numerical integration for two-level mixed models

  • 作者: Blair Bilodeau, Alex Stringer, Yanbo Tang
  • 期刊/来源: Bernoulli
  • 分类: vol 32 · issue 4 · pp 2594-2618
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究含单个分组因子的混合模型中,边际似然为不可解析积分时,数值积分近似对推断的影响。作者在显式正则条件下,推导了自适应数值积分近似边际似然时,似然函数和极大似然估计的随机相对误差率。随后将分析特化到指数族响应和多元高斯随机效应的广义线性混合模型,验证正则条件成立并给出收敛率。此外,证明了对满足弱集中条件的似然,非自适应数值积分得到的 MLE 不一致,从而支持自适应积分的优先使用。文章提供了复现模拟的代码。对您而言,本文是统计计算与渐近理论的结合,其误差率分析思路可迁移到您关注的因果推断中涉及积分边际似然的问题。
  • 关键技术: adaptive numerical integration, stochastic relative error rate, marginal likelihood approximation, generalized linear mixed models, consistency of MLE
  • 为什么对您有用: 本文属于统计计算方向,与您的 primary interest 中的 statistical computing 直接相关。您可以用 very_familiar 的软件开发和渐近分析能力,将误差率分析框架推广到更复杂的积分问题(如高维随机效应)。中期可做:结合您 moderately_familiar 的 semiparametric theory,探讨数值积分近似对半参数效率损失的影响。

2. 10.3150/25-bej1964 · arXiv — A closed-form transition density expansion for elliptic and hypo-elliptic SDEs

  • 作者: Yuga Iguchi, Alexandros Beskos
  • 期刊/来源: Bernoulli
  • 机构: Lancaster University · University College London
  • 分类: vol 32 · issue 4 · pp 2741-2767
  • 相关性 3/10 · novelty: new_method
  • 摘要: 本文针对椭圆与次椭圆多变量随机微分方程(SDE)的转移密度,提出一种闭式展开方法,以 Δ^{j/2}(j≥0)的幂次形式在 Δ∈(0,1) 上近似转移密度。该方法的核心机制是构造可解析计算的展开系数,并利用符号计算软件轻松求值,从而避免了数值求解 Fokker-Planck 方程的昂贵成本。论文的主要理论贡献在于对固定 Δ 的余项进行了严格解析控制,给出了误差界,从而验证了展开的收敛性。与以往仅适用于椭圆 SDE 的工作不同,本文的方法统一处理椭圆与次椭圆情形,且对次椭圆 SDE 的展开同样有效。数值实验展示了该方法在次椭圆 SDE 参数推断中的有效性,即使在不满足余项控制充分条件的情况下,闭式展开仍可应用。对您而言,该工作提供了一种新的数值工具,可用于统计计算中 SDE 推断的高效近似,与您对统计计算(数值方法)的兴趣直接相关。
  • 关键技术: closed-form expansion, transition density approximation, symbolic computation, error bounds, hypo-elliptic SDEs
  • 为什么对您有用: 该论文属于统计计算方向,直接对应您的 primary interest 中的 statistical computing(数值方法)。其闭式展开方法可视为一种新的数值近似工具,您可以用 very_familiar 的软件开发和数值方法技能快速实现并测试;中期可做的是将其与您 moderately_familiar 的 M-estimation 理论结合,用于 SDE 参数推断的效率分析;暂不可做的是若需深入次椭圆 SDE 的几何分析,则缺少相关微分几何工具。

其他 (other, 13 篇)

1. 10.3150/25-bej1921 · arXiv — Learning latent tree models with small query complexity

  • 作者: Luc Devroye, Gábor Lugosi, Piotr Zwiernik
  • 期刊/来源: Bernoulli
  • 机构: McGill University · Barcelona School of Economics
  • 分类: vol 32 · issue 4 · pp 2639-2659
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究含隐变量的树状高斯图模型的结构恢复问题,将其转化为从距离度量恢复半标记树这一经典问题。作者提出随机化查询算法,在查询复杂度上达到最优阶,并给出了距离观测含噪声时的统计分析。结果可推广到二元变量和非平行正态分布等更一般情形。该工作属于结构学习与计算复杂度交叉领域,与您的统计计算兴趣相关,但并非您主要关注的方法论方向。
  • 关键技术: query complexity, tree metric, latent tree model, structure recovery, randomized algorithms
  • 为什么对您有用: 本文属于统计计算与算法复杂度方向,可作为 gateway reading 了解结构恢复中的查询复杂度问题。您的武器库中非参数统计和最小最大界可用于分析其噪声情形下的统计保证,但核心的查询复杂度下界与算法设计并非您熟悉领域,暂不可做直接拓展。

2. 10.3150/26-bej1970 · arXiv — Maximum likelihood estimation for Brownian motion tree models based on one sample

  • 作者: Chandler Squires, Michael Truell, Jan-Christian Hütter, Piotr Zwiernik, Caroline Uhler
  • 期刊/来源: Bernoulli
  • 机构: Massachusetts Institute of Technology · Statistical Research (United States)
  • 分类: vol 32 · issue 4 · pp 2840-2864
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究单样本(n=1)下布朗运动树模型(BMTM)的最大似然估计问题,BMTM 是一类定义在树上的高斯模型,常用于系统发育学中的零模型。作者证明,对任意固定树,单样本 BMTM 的 MLE 几乎必然存在且唯一,并对应一棵完全观测的树;同时给出了精确计算该 MLE 的多项式时间算法。进一步,考虑在所有可能的树结构上的单样本 MLE,证明其几乎必然存在,且与对角占优 M-矩阵上的 MLE 一致,并具有唯一闭式解,对应一条路径图。最后通过数值实验探索了单样本 BMTM MLE 的统计性质。
  • 关键技术: maximum likelihood estimation, Gaussian graphical models, tree models, polynomial-time algorithm, closed-form solution
  • 为什么对您有用: 本文属于高斯图模型与树结构上的 MLE 理论,与您的高维统计和统计计算兴趣有间接关联,但并非核心方向。作为 gateway reading,它展示了在极端样本量(n=1)下 MLE 的可识别性与计算可行性,对理解退化设定下的估计理论有一定启发。不过,其方法(树模型、M-矩阵)与您的技术武器库(如 U-统计量、半参数理论)交集有限,暂不建议深入。

3. 10.3150/26-bej1989 — Estimating the hyperuniformity exponent of spatial point processes

  • 作者: Gabriel Mastrilli, Bartłomiej Błaszczyszyn, Frédéric Lavancier
  • 期刊/来源: Bernoulli
  • 机构: Centre National de la Recherche Scientifique · Centre de Recherche en Économie et Statistique · Université de Rennes · Institut national de recherche en sciences et technologies du numérique · Université Paris Sciences et Lettres · École Normale Supérieure - PSL
  • 分类: vol 32 · issue 4 · pp 3300-3326
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究空间点过程超均匀性指数 α 的估计问题,设定为仅基于单次实现、结构因子 S 在原点服从幂律衰减的典型超均匀情形,目标是估计 log S 在原点附近的斜率。估计量基于点过程的 expanding-window 渐近方差,结合多个尺度和多个小波构造多尺度、多窗估计量 α̂。作者证明了 α̂ 在多种设定下的一致性,并在 α<d 且满足 Brillinger 混合条件下,通过非标准归一化的多元中心极限定理构造渐近置信区间。此外,文章给出非渐近偏差不等式,刻画窗函数对估计量偏差-方差权衡的影响。模拟研究验证了估计量的有限样本表现,并将其应用于真实海洋藻类数据的超均匀性分析。对您而言,该文涉及空间点过程与谱分析,虽非核心兴趣,但其多尺度估计与偏差-方差权衡的分析思路或可迁移至高维统计中的谱估计问题。
  • 关键技术: shot-noise wavelet transforms, expanding window asymptotic variance, multi-scale multi-taper estimation, multivariate central limit theorem with non-standard normalizations, non-asymptotic deviation inequality, Brillinger mixing
  • 为什么对您有用: 该文属于空间统计与谱分析,与您的主要兴趣(因果推断、高维、U-统计量等)无直接重叠,但其中多尺度估计与偏差-方差权衡的分析方法可能对高维谱估计或计算统计有启发。作为 gateway reading,本文对非空间统计背景的读者有一定门槛,但方法部分清晰,值得快速浏览。武器库中的非参数统计与渐近理论足以支撑理解,但若深入空间点过程理论需补充相关背景。

4. 10.3150/26-bej1985 · arXiv — Bicausal optimal transport for SDEs with irregular coefficients

  • 作者: Michaela Hitz, Benjamin A. Robinson
  • 期刊/来源: Bernoulli
  • 机构: University of Klagenfurt
  • 分类: vol 32 · issue 4 · pp 3222-3248
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究以随机微分方程(SDE)解的概率分布为边际分布的约束最优传输问题,目标是在双因果耦合(bicausal couplings)类中最小化传输代价,即要求耦合尊重过程的信息流结构。作者仅对 SDE 系数作极弱的正则性假设(允许不连续、指数增长的漂移),证明了同步耦合(synchronous coupling)在双因果耦合中是最优的。这一结果提供了数值计算适应 Wasserstein 距离(adapted Wasserstein distance)的方法,可用于随机优化中的模型不确定性量化。此外,作者引入基于变换的半隐式数值格式,并首次建立了对具有指数增长和不连续漂移的 SDE 的强收敛性结果。该工作属于随机分析与最优传输的交叉领域,与您的核心兴趣(因果推断、高维统计等)无直接重叠,但其中对不规则系数的处理技巧和数值格式可能对统计计算中的随机模拟问题有启发。
  • 关键技术: bicausal optimal transport, synchronous coupling, adapted Wasserstein distance, semi-implicit numerical scheme, strong convergence for SDEs
  • 为什么对您有用: 本文属于随机分析与最优传输的交叉领域,与您的核心兴趣(因果推断、高维统计等)无直接重叠。但作为统计计算方向的延伸阅读,其数值格式和收敛性分析可能对处理复杂随机模拟问题有参考价值。武器库中的非参数统计和逆问题工具可帮助理解其理论框架,但核心机器(SDE 理论、最优传输)不在当前武器库中,因此暂不可做直接跟进。

5. 10.3150/26-bej1984 · arXiv — Parameter estimation from local measurements for a class of stochastic Burgers equations

  • 作者: Josef Janák, Enrico Priola
  • 期刊/来源: Bernoulli
  • 机构: University of Pavia
  • 分类: vol 32 · issue 4 · pp 3195-3221
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究一类由时空白噪声驱动的半线性随机偏微分方程(SPDE),包括一维随机 Burgers 方程,其非线性项可为非局部且二次的。目标是基于空间局部观测估计二阶空间导数前的扩散系数。作者采用线性随机热方程中提出的估计量,并将其推广到此类半线性 SPDE。文章首先建立了解的新正则性结果,然后证明该估计量具有强相合性和渐近正态性。该工作将已有结果从迹类噪声情形扩展到时空白噪声情形,具有物理动机。
  • 关键技术: local observations in space, strong consistency, asymptotic normality, semilinear SPDE, stochastic Burgers equation
  • 为什么对您有用: 本文属于随机偏微分方程的参数估计,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接交集。但其中基于局部观测的估计和渐近理论可能对您在高维或非参数估计中的渐近分析有间接启发。作为 gateway reading,本文对统计学家而言数学门槛较高,但问题设定清晰,可作为了解 SPDE 推断的入门材料。武器库中的非参数和渐近理论足以支撑理解其证明框架,但核心机器(SPDE 正则性理论)不在武器库中,因此暂不可做。

6. 10.3150/26-bej1977 · arXiv — Central limit theorems for random boundary polytopes

  • 作者: Matthias Reitzner, Mathias Sonnleitner
  • 期刊/来源: Bernoulli
  • 分类: vol 32 · issue 4 · pp 3024-3041
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究光滑凸体边界上 n 个独立同分布随机点凸包的面数统计性质。在二维和三维中 k-面数几乎必然为常数,而在四维及以上且 k≥1 时方差非零,作者证明方差阶为 n,并给出具有最优阶 n^{-1/2} 的 Berry-Esseen 界的中心极限定理。对于泊松化模型(随机点数服从泊松分布)也得到类似结果。主要技术工具是将面数表示为指数稳定(exponentially stabilizing)的 score 函数之和,从而利用随机几何中的稳定点过程理论。该结果属于随机多面体(random polytopes)的渐近理论,与您的高维统计和 U-统计量兴趣无直接交集,但其中 score 函数的稳定性和 CLT 证明技巧或可类比于高维几何中的经验过程问题。
  • 关键技术: exponentially stabilizing score functions, central limit theorem, Berry-Esseen bound, Poissonization, random polytopes
  • 为什么对您有用: 本文主题为随机几何中的凸包面数渐近理论,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接关联,属于边缘领域。但其中指数稳定 score 函数的 CLT 证明框架与您熟悉的经验过程和高维渐近方法有方法论上的类比,可作为拓宽视野的阅读。武器库中的非参数统计和 minimax 界工具足以理解其证明思路,但无需深入。

7. 10.3150/26-bej1975 · arXiv — Large deviations for Independent Metropolis Hastings and Metropolis-adjusted Langevin algorithm

  • 作者: Federica Milinanni, Pierre Nyquist
  • 期刊/来源: Bernoulli
  • 机构: KTH Royal Institute of Technology · Chalmers University of Technology · University of Gothenburg
  • 分类: vol 32 · issue 4 · pp 2969-2998
  • 相关性 3/10 · novelty: new_theory
  • 摘要: 本文针对独立 Metropolis-Hastings (IMH) 采样器和 Metropolis-adjusted Langevin 算法 (MALA) 的经验测度建立了大偏差原理 (LDP),这是连续状态空间上特定 Metropolis-Hastings 方法经验测度的首个大偏差结果。作者利用先前开发的框架 (Milinanni and Nyquist, 2024) 证明 LDP,并指出该框架不适用于随机游走 Metropolis 采样器,即使链是几何遍历的。方法核心涉及对马尔可夫链经验测度的速率函数刻画,以及验证大偏差上界所需的指数紧性条件。主要贡献在于扩展了 MCMC 收敛性理论,为采样算法的性能提供了指数级偏差的刻画。对您而言,虽然主题不在您的主要兴趣内,但大偏差原理与您熟悉的马尔可夫链收敛和统计计算相关,可作为统计计算方向的延伸阅读。
  • 关键技术: large deviation principle, empirical measure, Independent Metropolis Hastings, Metropolis-adjusted Langevin algorithm, exponential tightness
  • 为什么对您有用: 本文属于统计计算方向,涉及 MCMC 算法的理论性质,与您的统计计算兴趣相关。您可以用熟悉的马尔可夫链理论和高维渐近工具来理解其证明框架,但大偏差原理本身并非您武器库中的核心工具,因此属于中期可做:需先熟悉大偏差理论。

8. 10.3150/26-bej1983 · arXiv — Asymptotic analysis of the finite predictor for fractional Gaussian noise

  • 作者: Pavel Chigansky, Marina Kleptsyna
  • 期刊/来源: Bernoulli
  • 机构: Hebrew University of Jerusalem · Le Mans Université · Laboratoire Manceau de Mathématiques
  • 分类: vol 32 · issue 4 · pp 3168-3194
  • 相关性 3/10 · novelty: new_method
  • 摘要: 本文研究平稳序列有限预测器的渐近性质,提出一种新的分析方法,可同时得到相对预测误差和偏相关系数的精确渐近表达式。该方法基于解析性假设,适用于长记忆过程,并以分数高斯噪声驱动的ARMA型过程为案例,解决了此前难以处理的问题。核心工具涉及Toeplitz矩阵的渐近谱分析、正交多项式以及预测误差的递推关系。主要结果给出了预测误差衰减速率和偏相关系数的精确一阶项,揭示了长记忆参数的影响。对您而言,该文与您的高维随机矩阵理论和统计计算兴趣有间接联系,但主题更偏向时间序列预测理论,而非您的主要研究方向。
  • 关键技术: Toeplitz matrix asymptotics, orthogonal polynomials, long-range dependence, prediction error recursion
  • 为什么对您有用: 本文属于时间序列预测理论,与您的主要兴趣(因果推断、高维统计、U统计量等)无直接重叠。但其中Toeplitz矩阵的渐近分析可能对您在高维随机矩阵理论中的某些问题有参考价值,不过作为入门读物或直接可迁移的方法论价值有限。

9. 10.3150/26-bej1982 · arXiv — Mixing phases and metastability for the Glauber dynamics on the p-spin Curie-Weiss model

  • 作者: Ramkrishna Jyoti Samanta, Somabha Mukherjee, Jiang Zhang
  • 期刊/来源: Bernoulli
  • 机构: University College London · National University of Singapore
  • 分类: vol 32 · issue 4 · pp 3143-3167
  • 相关性 3/10 · novelty: new_theory
  • 摘要: 本文研究 p-spin Curie-Weiss 模型上 Glauber 动力学的混合时间,该模型是经典 2-spin Curie-Weiss 模型的推广,带有外场 h。作者将参数空间划分为三个不相交区域,对应三种不同的混合时间阶:当负自由能函数 H_{β,h,p} 有唯一局部极大值 m* 且 H''(m)<0 时,混合时间为 Θ(N log N);当有多个局部极大值时,混合时间为 exp(Ω(N));当唯一局部极大值满足 H''(m)=0 时,混合时间为 Θ(N^{3/2})。这些区域的构造依赖于 H_{β,h,p} 的局部极大值个数及其二阶导数在极大值处的行为。作者给出了参数空间中三个相位的显式几何描述。最后,当存在多个局部极大值(亚稳态)时,他们构造了一个受限的 Glauber 动力学,其混合时间仍为 Θ(N log N)。
  • 关键技术: Glauber dynamics, mixing time, Curie-Weiss model, metastability, free energy landscape
  • 为什么对您有用: 本文属于统计物理与概率论交叉领域,与您的主要兴趣(因果推断、高维统计等)无直接关联,但其中对亚稳态和混合时间的分析可能对您感兴趣的统计计算中的算法复杂度分析有启发。作为 gateway reading,本文对非物理背景的统计学家而言,模型设定和结论陈述较为清晰,但技术细节可能较深。武器库中的工具(如高阶 U-统计量)在此问题中不直接适用,因此暂不可做。

10. 10.3150/26-bej1969 · arXiv — On a population model with memory

  • 作者: Jean Bertoin
  • 期刊/来源: Bernoulli
  • 机构: University of Zurich
  • 分类: vol 32 · issue 4 · pp 2826-2839
  • 相关性 2/10 · novelty: minor
  • 摘要: 本文研究一类带记忆的种群模型,其中个体保留完整祖先谱系记忆,繁殖时随机激活祖先谱系上的一个基因(返祖现象)。模型在有限类型空间上推广了经典分支过程,通过比较有无记忆两种平均繁殖矩阵的谱半径,证明带记忆模型平均增长率不低于无记忆模型。证明方法是将问题转化为记忆空间上的偏置马尔可夫链,并利用渐近耦合证明其唯一遍历律的存在性。该结果对进化生物学中返祖现象的建模有理论意义,但属于随机过程与概率论领域,与您的统计推断方向无直接交集。
  • 关键技术: branching processes, spectral radius comparison, biased Markov chain, asymptotic coupling, ergodic law
  • 为什么对您有用: 本文属于随机过程理论,与您的主要兴趣(因果推断、高维统计、半参数理论等)无直接关联,也不属于 gateway-reading 范畴(非天文、经济、流行病学或计算统计)。作为数学统计学家,您可能对谱半径比较和耦合技巧感兴趣,但缺乏可迁移到您研究问题的具体连接。

11. 10.3150/25-bej1963 · arXiv — Discrete Feynman-Kac approximation for parabolic Anderson model using random walks

  • 作者: Panqiu Xia, Jiayu Zheng
  • 期刊/来源: Bernoulli
  • 分类: vol 32 · issue 4 · pp 2711-2740
  • 相关性 2/10 · novelty: new_method
  • 摘要: 本文针对一维 Skorokhod 型抛物 Anderson 模型,提出一种基于 Feynman-Kac 表示与随机游走的原生正近似方法,适用于平坦或 Dirac delta 初值条件。在驱动噪声为分数布朗 sheet(时间 Hurst 参数 H≥1/2,空间 H≥1/2)的假设下,作者给出了所提方法的误差分析。Lp(Ω) 范数下的误差阶为 O(h^{1/2[(2H+H-1)∧1]-ε}),其中 h 为时间(和空间)步长,ε>0 可任意小。该误差阶与解在时间方向上的 Hölder 连续性相匹配(仅差 ε 修正),因此是“几乎”最优的。此外,这些结果为高斯环境下 directed polymers 的配分函数收敛到抛物 Anderson 模型提供了定量框架。
  • 关键技术: Feynman-Kac representation, random walk approximation, fractional Brownian sheet, Skorokhod integral, error analysis in Lp norm
  • 为什么对您有用: 本文属于随机偏微分方程的数值近似,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接交集,但其中随机游走近似与误差阶分析的技术可能对您在高维或非参数问题中的离散化方法有间接启发。作为 gateway reading,本文对非 SPDE 背景的统计学家有一定门槛,但误差阶与 Hölder 连续性的匹配思路值得了解。

12. 10.3150/26-bej1972 · arXiv — Voter model stability with respect to conservative noises

  • 作者: Gideon Amir, Omer Angel, Rangel Baldasso, Daniel de la Riva
  • 期刊/来源: Bernoulli
  • 机构: Bar-Ilan University · University of British Columbia · Pontifícia Universidade Católica do Rio de Janeiro
  • 分类: vol 32 · issue 4 · pp 2894-2915
  • 相关性 2/10 · novelty: minor
  • 摘要: 本文研究 voter model 在两类保守噪声下的稳定性,将噪声敏感性与稳定性的概念从经典布尔函数推广到 voter model 的共识意见。第一类噪声是对边选择序列施加 exclusion process,第二类是对序列施加独立 Brownian motion;在两种情形下,只要噪声运行时间足够短(依赖于底层图结构),共识意见保持稳定。核心工具是分析 pivotal set 的期望大小,其定义针对这些噪声做了调整。证明依赖图上的随机游走与耦合论证,给出了稳定性成立的定量时间尺度。对您而言,本文属于概率论与统计物理的交叉,与您的主攻方向无直接方法学连接。
  • 关键技术: noise sensitivity, voter model, exclusion process, Brownian motion perturbation, pivotal set analysis
  • 为什么对您有用: 本文主题为 voter model 的噪声稳定性,属于概率论与统计物理,与您的主攻方向(因果推断、高维统计、U-统计量等)无直接交集。作为 gateway reading,本文对统计学家而言入门门槛较高,需要熟悉 voter model 与噪声敏感性的背景;武器库中缺乏相关概率工具(如耦合与图上的随机游走精细分析),因此暂不可做。不建议花时间读全文。

13. 10.3150/26-bej1968 · arXiv — On a pinning model in correlated Gaussian random environments

  • 作者: Zi’an Li, Jian Song, Ran Wei, Hang Zhang
  • 期刊/来源: Bernoulli
  • 机构: Shandong University · Xi’an Jiaotong-Liverpool University
  • 分类: vol 32 · issue 4 · pp 2794-2825
  • 相关性 2/10 · novelty: minor
  • 摘要: 本文研究相关高斯随机环境中的钉扎模型,属于统计物理与概率论交叉领域。在无序相关(disorder relevant)情形下,作者考察中间无序区间,并证明重标度配分函数在 Skorohod 和 Stratonovich 两种设定下分别收敛到非平凡的连续极限。结果部分证实了 Weinrib–Halperin 关于无序相关/无关的预测。方法上涉及随机环境、配分函数极限以及连续随机积分等工具。该论文与您的核心统计兴趣(因果推断、高维、半参数等)无直接关联,但可作为概率论与统计物理交叉方向的背景阅读。
  • 关键技术: pinning model, correlated Gaussian random environments, intermediate disorder regime, Skorohod setting, Stratonovich setting, partition function convergence
  • 为什么对您有用: 本文属于概率论与统计物理交叉领域,与您的核心兴趣(因果推断、高维统计、半参数理论等)无直接交集。作为 gateway reading,它可能对理解随机环境中的极限行为有帮助,但并非您当前研究方向的直接输入。武器库中的经典概率工具(如随机过程收敛)可支撑理解,但无需深入。建议仅作泛读,不投入时间。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论