EJS — Vol 20 Issue 1 · 2026-10-10¶
- 共 4 篇 · Electronic Journal of Statistics
- 目录核对 ⚠️ 疑似漏 59 篇(对照 OpenAlex 63 篇):10.1214/26-ejs2531、10.1214/26-ejs2513、10.1214/26-ejs2487、10.1214/26-ejs2525、10.1214/26-ejs2547 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。
这一期共四篇论文,主线清晰:两篇聚焦高维稀疏估计的极小极大风险与最优性,一篇处理因果推断中的非平衡组结构学习,另一篇关注分布式污染数据下的稳健推断。整体上,高维理论占主导,因果与分布式推断各占一篇,但后者在方法上与前两篇共享高维概率与优化工具。
最突出的是高维稀疏回归的精确风险刻画。第一篇在经典稀疏区域内,将均方误差的极小极大风险常数精确确定为 \(2\sigma^2 k/n \log(p/k)\),证明依赖局部化分析与极小极大下界构造,直接回应了风险常数是否可精确识别的问题。第二篇则转向双重稀疏(元素级+组级)设定,通过加权 \(\ell_1+\ell_{1,2}\) 范数导出高斯复杂度上界,并证明在受限特征值条件下稀疏组 LASSO 与 SLOPE 达到最优速率,其核心贡献在于几何刻画——元素级与组级稀疏锥的交集恰对应加权惩罚的解。两篇共享“稀疏锥+高斯复杂度”的分析框架,但前者聚焦单一稀疏的常数精确性,后者处理结构稀疏的速率最优性,可对照阅读。
因果推断一篇将 DAG-Wishart 先验扩展为含协变量的 Normal-DAG-Wishart 先验,在非平衡组下同时识别干预节点、估计因果效应并学习干预前后网络,理论上给出倾向得分贝叶斯估计量的渐近性质与 ATE 极限分布。分布式稳健推断一篇则将 Huber 的 \(\varepsilon\)-污染模型推广至每台机器均含污染观测的设定,提出通信高效的 M-估计器与分布式乘子 bootstrap,后者无需额外通信即可保持推断效率,并针对高污染比例引入去偏程序。这两篇虽主题不同,但都涉及“先验/估计量的渐近性质”与“偏差校正”,且后者 bootstrap 思路可迁移至因果敏感性分析。
若按主题优先:高维方向建议先读前两篇,尤其是第一篇的风险常数精确结果;因果推断方向直接看第三篇;分布式稳健推断若关注污染数据下的推断效率,第四篇值得细读。
因果推断 (causal_inference, 1 篇)¶
1. 10.1214/26-ejs2524 — Structure learning and causal effect estimation from unbalanced groups¶
- 作者: Stefano Peluso, Antonietta Mira
- 期刊/来源: Electronic Journal of Statistics
- 机构: Università Cattolica del Sacro Cuore · Università della Svizzera italiana · University of Insubria
- 分类: vol 20 · issue 1 · pp 1549-1566
- 相关性 7/10 · novelty:
new_method - 摘要: 本文在因果推断框架下处理非平衡处理组与对照组问题,目标是在外部混杂因素存在时识别DAG中未知干预节点、量化因果效应并学习干预前后的依赖网络。作者提出基于图驱动的多元高斯潜在结果模型的贝叶斯方法,将DAG-Wishart先验扩展为含协变量的Normal-DAG-Wishart先验,并推导其共轭性与边际似然。理论上,作者研究了倾向得分贝叶斯估计量的渐近性质以平衡混杂,证明了处理组与对照组图的后验比率一致性,并在不同样本量场景下给出ATE估计量的极限分布。模拟研究通过MCMC后验采样器验证理论结果,并应用于急性髓系白血病数据评估组蛋白去乙酰化酶抑制剂处理的网络依赖、靶点与因果效应。
- 关键技术:
Bayesian DAG-Wishart prior,Normal-DAG-Wishart prior,propensity score balancing,posterior ratio consistency,MCMC posterior sampler - 为什么对您有用: 本文直接关联因果推断中的干预目标识别与ATE估计,且涉及贝叶斯非参数与图模型,与您的primary interest中的因果推断和semiparametric理论有交集。您可以用very_familiar的估计理论(如倾向得分加权)来审视其平衡机制,或用moderately_familiar的semiparametric理论来评估其ATE估计的效率。中期可做:需在贝叶斯图模型上补充知识(moderately_familiar之外),暂不可做:若需深入MCMC采样器设计则需额外工具。
高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶
1. 10.1214/26-ejs2544 · arXiv — A note on the minimax risk of sparse linear regression¶
- 作者: Yilin Guo, Shubhangi Ghosh, Haolei Weng, Arian Maleki
- 期刊/来源: Electronic Journal of Statistics
- 机构: Columbia University · Michigan State University
- 分类: vol 20 · issue 1
- 相关性 8/10 · novelty:
new_theory - 摘要: 本文研究稀疏线性回归的极小极大风险,在稀疏度满足 (k log(p/k))/n → 0 的经典稀疏区域内,目标是精确刻画均方误差的渐近常数。作者证明在各项同性高斯随机设计下,极小极大风险渐近等于 2σ²k/n log(p/k),即风险常数被精确确定为 2。证明方法结合了稀疏估计的局部化分析、极小极大下界的构造以及高维概率工具,并系统梳理了已有文献中关于该问题的结果与未解问题。该结果填补了稀疏回归极小极大风险常数精确刻画的一个空白,对高维统计推断的精度极限理解有直接贡献。对您而言,该结果与您在高维统计和极小极大界方面的兴趣高度相关,且其证明技术可能对您处理相关高维估计问题有借鉴意义。
- 关键技术:
minimax lower bound,sparse linear regression,Gaussian random design,asymptotic constant,high-dimensional probability - 为什么对您有用: 该论文直接关联您的高维统计与极小极大界兴趣,特别是稀疏回归的精确风险常数。您可以用您熟悉的极小极大下界技术(如Fano方法、Assouad引理)来验证或扩展其证明,例如检查其下界构造是否在更一般的设计(如亚高斯设计)下依然成立。中期可做:若想推广到相关设计或非高斯噪声,可能需要加强在高维概率不等式方面的熟练度。
2. 10.1214/26-ejs2533 — Sharp optimality of sparse group LASSO and SLOPE under weaker assumptions¶
- 作者: Zhifan Li, Yanhang Zhang, Jianxin Yin
- 期刊/来源: Electronic Journal of Statistics
- 机构: Zhongnan University of Economics and Law · Tsinghua University · Renmin University of China
- 分类: vol 20 · issue 1 · pp 2049-2094
- 相关性 8/10 · novelty:
new_theory - 摘要: 本文研究同时具有元素级和组级稀疏性的参数估计问题,目标是建立稀疏组 LASSO 和 SLOPE 的尖锐 minimax 最优性。作者基于加权 ℓ1+ℓ1,2 范数导出了高斯复杂度的原始上界,并在受限特征值(RE)型条件下证明了这两个估计量的最优收敛速率。本文的关键理论贡献在于揭示了元素级和组级稀疏受限特征值锥的交集恰好对应于加权 ℓ1+ℓ1,2 惩罚的解,这一几何刻画是证明的核心。在假设强度上,本文所用的条件被认为是现有分析中最弱的,并进一步在随机设计框架下(包括弱矩假设和次高斯设计)给出了最优样本复杂度。数值实验表明,在双重稀疏设定下,所提方法优于仅利用单一稀疏性的方法。该分析技术还可推广到其他一般结构化稀疏问题的理论分析。
- 关键技术:
sparse group LASSO,SLOPE,Gaussian complexity,restricted eigenvalue condition,minimax optimality,weighted ℓ1+ℓ1,2 norm - 为什么对您有用: 本文属于高维统计中稀疏估计的 minimax 理论,直接对应您的高维统计与 minimax 界兴趣;其核心的 Gaussian complexity 上界和 RE 锥交集刻画技术,可用来审视您熟悉的 U-统计量或因果推断中高维 nuisance 估计的速率。就 follow-up 而言,本文的证明技巧(加权范数下的复杂度控制)与您 very_familiar 的 minimax 界推导高度契合,可立即可尝试将类似技术用于双重稀疏的因果推断 nuisance 函数类;因此属于立即可做的范畴。
数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶
1. 10.1214/26-ejs2492 — Distributed robust estimation and inference with contaminated data¶
- 作者: Peiliang Zhang, Wen-Xin Zhou, Zhao Ren
- 期刊/来源: Electronic Journal of Statistics
- 机构: University of Pittsburgh · University of Illinois Chicago
- 分类: vol 20 · issue 1 · pp 261-323
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究分布式学习系统中数据受污染时的稳健估计与推断问题,将 Huber 的 ε-污染模型推广到分布式设定,允许每台机器都包含少量任意分布的污染观测,而非仅少数机器完全失效。在线性模型下,提出通信高效的 M-估计器,达到集中式数据的最优收敛速率。为进行稳健推断,引入分布式乘子 bootstrap 方法,估计后无需额外通信即可保持效率。针对高污染比例,提出去偏程序以缓解偏差。大量模拟验证了方法在多种污染场景下的稳健性和可扩展性。对您而言,该文将稳健统计与分布式推断结合,其乘子 bootstrap 和去偏思想可迁移至您关注的因果推断中的敏感性分析或高维推断问题。
- 关键技术:
Huber epsilon-contamination model,distributed M-estimation,multiplier bootstrap,debiasing,communication-efficient estimation - 为什么对您有用: 本文属于 hypothesis_testing 方向,涉及稳健推断和分布式计算,与您对假设检验和统计计算的兴趣相关。您可用 very_familiar 的 minimax 界工具分析其估计器在污染下的最优性,或借鉴其乘子 bootstrap 思路改进因果推断中的敏感性分析。中期可做:需在 moderately_familiar 的 semiparametric theory 上加强,以扩展至非参数模型。
Maintained by 陈星宇 · Homepage · Source on GitHub