Prompt/Depth Shootout — 2026-05-16¶

对照 4 种 variant：A=baseline prompt+短摘要，B=新 prompt+完整摘要，C-fast=新 prompt+arxiv HTML 抽取（intro/各 section 首段/conclusion，chat 模型），C-deep=同样内容但 reasoner 模型。

Token 总览（in / out）: - A: 4355 / 1170 · B: 7676 / 1941 · C-fast: 13680 / 2001 · C-deep: 13680 / 10086

2408.06103 — Method-of-Moments Inference for GLMs and Doubly Robust Functionals under Proportional Asymptotics¶

作者: Xingyu Chen, Lin Liu, Rajarshi Mukherjee
深读抓取: source=fallback-abstract, intro=0 chars, sections=0, conclusion=0 chars

	fast chat (`deepseek-chat`)
A baseline + abstract-600	摘要: 本文在高维广义线性模型（GLMs）中，针对回归系数和信噪比（SNR）的估计问题，提出了一种矩估计方法。在协变量为高斯分布且已知总体协方差矩阵的‘比例渐近’框架下，该方法绕过高维干扰参数的直接估计，得到了具有一致性和渐近正态性（CAN）的估计量。该结果可直接应用于高维观测性研究中平均处理效应等常见估计量的推断。为什么对您有用：该方法为高维统计中的因果推断问题（特别是高维GLMs下的ATE估计）提供了无需干扰参数估计的渐近正态推断框架，与您对高维统计和因果推断的研究兴趣直接相关。为什么相关: 该方法为高维统计中的因果推断问题（特别是高维GLMs下的ATE估计）提供了无需干扰参数估计的渐近正态推断框架，与您对高维统计和因果推断的研究兴趣直接相关。 _{model=deepseek-chat · source=abstract-600 · tokens in/out = 627/214 · 13.9s}
B rich prompt + full abstract	topic: `high_dim` 摘要: 本文研究高维广义线性模型（GLMs）中回归系数和信噪比（SNR）的估计，及其在高维观测性研究中推断平均处理效应等参数的应用。在‘比例渐近’框架和协变量为高斯分布且已知总体协方差矩阵 Σ 的设定下，作者提出了一种矩估计方法，绕过了高维干扰函数估计和超参数调优，得到了具有一致性和渐近正态性（CAN）的估计量。对于非高斯协变量，在回归系数和 Σ 满足额外假设下，证明了结果的普适性。理论分析表明，当样本协方差矩阵可逆时，已知 Σ 并非方法必需。数值实验验证了理论结果并与现有文献进行了比较。 key_techniques: `method-of-moments`, `proportional asymptotics`, `high-dimensional GLMs`, `signal-to-noise ratio estimation`, `universality theory`, `average treatment effect inference` 为什么相关: 该研究直接针对您的高维统计和因果推断兴趣，提出了一种无需估计高维干扰函数的新推断框架，与去偏机器学习（debiased ML）和半参数效率理论有深刻联系，为在高维比例渐近下进行有效推断提供了新思路。 _{model=deepseek-chat · source=abstract-full · tokens in/out = 1049/286 · 14.9s}
C-fast rich prompt + html	topic: `high_dim` 摘要: 本文研究高维广义线性模型（GLMs）中回归系数和信噪比（SNR）的估计，并探讨其在推断高维观测研究中平均处理效应等常见估计量的应用。在‘比例渐近’框架和协变量为高斯分布且已知（总体）协方差矩阵 Σ 的设定下，作者提出了一种矩估计方法，绕过了高维干扰函数估计和超参数调优，得到了目标参数的一致渐近正态（CAN）估计量。在非高斯协变量下，作者在回归系数和 Σ 满足额外假设的条件下证明了结果的普适性。数值实验验证了理论结果，并与现有文献进行了比较。 key_techniques: `proportional asymptotics`, `method-of-moments`, `high-dimensional GLMs`, `signal-to-noise ratio estimation`, `universality theory`, `average treatment effect inference` 为什么相关: 该工作与您在高维统计和因果推断方面的兴趣高度相关，它提供了一种无需估计高维干扰函数即可进行推断的新方法，并建立了在比例渐近下的理论保证，对高维因果效应估计有直接应用价值。 _{model=deepseek-chat · source=fallback-abstract · tokens in/out = 1049/265 · 14.5s}
C-deep rich prompt + html (reasoner=`deepseek-reasoner`)	topic: `high_dim` 摘要: 本研究在高维广义线性模型（GLMs）中，针对回归系数和信噪比（SNR）的估计问题，设定在“比例渐近” regime下，假设协变量为高斯分布且总体协方差Σ已知。核心方法是基于矩估计的推断，完全避免了高维 nuisance 函数的估计和超参数调优，从而简化了计算。在非高斯协变量下，证明了结果在回归系数和Σ的额外假设下具有普适性，并指出当样本协方差矩阵可逆时，无需已知Σ。理论结果得到数值实验支持，显示估计器具有一致性和渐近正态性，并与现有方法进行了比较。 key_techniques: `Method-of-Moments inference`, `Proportional asymptotics`, `High-dimensional Generalized Linear Models`, `Doubly robust functionals`, `Consistent and Asymptotically Normal (CAN) estimators` 为什么相关: 这篇论文与您的高维统计和因果推断兴趣直接相关，提出了一种在比例渐近下无需调优的矩估计方法，适用于高维GLMs和双重稳健泛函，值得阅读以了解其理论创新和计算简化。 _{model=deepseek-reasoner · source=fallback-abstract · tokens in/out = 1049/1381 · 70.5s}

2508.12627 — On computing and the complexity of computing higher-order $U$-statistics, exactly¶

作者: Xingyu Chen, Ruiqi Zhang, Lin Liu
深读抓取: source=html, intro=713 chars, sections=8, conclusion=597 chars

	fast chat (`deepseek-chat`)
A baseline + abstract-600	摘要: 本文研究了高阶U-统计量的计算问题。作者提出了一个关键分解：将m阶U-统计量表示为一系列阶数不超过m的V-统计量的线性组合，后者通常更易于计算。这项工作填补了该领域计算复杂性系统性研究的空白。为什么对您有用：它直接针对您的高阶U-统计量研究兴趣，提供了降低其计算复杂度的具体分解方法。为什么相关: 直接针对您的高阶U-统计量研究兴趣，提供了降低其计算复杂度的具体分解方法。 _{model=deepseek-chat · source=abstract-600 · tokens in/out = 631/127 · 7.9s}
B rich prompt + full abstract	topic: `higher_order_U` 摘要: 本文研究了高阶U-统计量的精确计算及其计算复杂度问题。作者首先推导了m阶U-统计量到一系列不超过m阶的V-统计量的线性组合分解，这通常更易于计算。其次，探索了精确计算V-统计量与爱因斯坦求和（一种常用于加速张量计算的工具）之间的联系。第三，基于与U-统计量核相关的特定图的树宽，提供了精确计算U-统计量时间复杂度的乐观估计。这些工作最终催生了一个新的、运行时效率更高的精确计算通用高阶U-统计量的算法，以及对U-统计量计算运行时复杂度的更精简刻画。作者开发了开源软件包`u-stats`，并通过三个统计实例展示了其相比现有基准的优异运行时性能。 key_techniques: `U-statistic decomposition`, `V-statistics`, `Einstein summation`, `Tensor computation`, `Treewidth analysis`, `Exact computation algorithm` 为什么相关: 直接对应您对高阶U-统计量的研究兴趣，提供了计算复杂度的理论分析和高效的精确计算算法，对于您在理论研究和实际应用中处理高阶U-统计量具有直接的工具价值和理论启发。 _{model=deepseek-chat · source=abstract-full · tokens in/out = 1228/267 · 21.4s}
C-fast rich prompt + html	topic: `higher_order_U` 摘要: 本文研究高阶U-统计量的精确计算及其计算复杂度问题，针对m阶U-统计量在样本量为n时通常需要O(n^m)计算时间的瓶颈。核心方法包括：首先，将m阶U-统计量分解为不超过m阶的V-统计量的线性组合；其次，将V-统计量的精确计算与爱因斯坦求和（Einsum）运算及张量计算联系起来；最后，基于与U-统计量核函数相关的特定图的树宽，给出了计算复杂度的乐观估计。主要成果是提出了一种新的、运行时效率更高的精确计算通用高阶U-统计量的算法，并开发了相应的开源软件包`u-stats`，在多个统计实例中展示了相比现有基准显著的性能提升。 key_techniques: `U-statistic decomposition`, `V-statistic computation`, `Einstein summation (Einsum)`, `Tensor computation`, `Graph treewidth`, `Computational complexity analysis` 为什么相关: 该研究直接针对您的高阶U-统计量（higher-order U-statistics）兴趣，提供了计算层面的新理论与高效算法。它通过连接图论与张量计算，为U-统计量的精确计算提供了更优的复杂度刻画和实用工具，对于您在该领域的理论研究与数值实现均有直接助益。 _{model=deepseek-chat · source=html · tokens in/out = 2519/299 · 20.4s}
C-deep rich prompt + html (reasoner=`deepseek-reasoner`)	topic: `higher_order_U` 摘要: 本文研究高阶U-统计量的精确计算问题，针对m阶U-统计量在样本量n下计算复杂度高达O(n^m)的挑战。方法核心包括将U-统计量分解为阶数不超过m的V-统计量线性组合，利用爱因斯坦求和（Einsum）操作加速张量计算，并通过关联图的树宽（treewidth）给出乐观的时间复杂度估计。最终提出了一种新的高效算法，开发了开源软件包u-stats，并在统计示例中展示了相比现有基准的显著运行时性能提升。 key_techniques: `U-statistic decomposition to V-statistics`, `Einstein summation (Einsum)`, `treewidth-based complexity analysis`, `exact computation algorithm`, `graph theory in statistical computing` 为什么相关: 直接对应您对higher-order U-statistics的研究兴趣，提供了计算复杂度的新理论和高效算法，可应用于统计计算中的U-统计量实现，提升实证研究效率。 _{model=deepseek-reasoner · source=html · tokens in/out = 2519/928 · 51.3s}

2410.04996 — Assumption-Lean Post-Integrated Inference with Surrogate Control Outcomes¶

作者: Jin-Hong Du, Kathryn Roeder, Larry Wasserman
深读抓取: source=fallback-abstract, intro=0 chars, sections=0, conclusion=0 chars

	fast chat (`deepseek-chat`)
A baseline + abstract-600	摘要: 本文提出了一种稳健的后整合推断方法，用于处理高维结果数据整合后的多重假设检验偏差问题。该方法利用控制结果（特别是负控制结果）来校正潜在异质性，通过因果解释推导出直接效应的非参数可识别性。核心贡献在于开发了不依赖特定模型假设的推断框架，能够处理数据依赖的整合过程。为什么对您有用：该方法与您在因果推断（特别是识别和敏感性分析）、非参数理论以及高维统计推断方面的研究兴趣直接相关。为什么相关: 该方法直接涉及因果推断中的识别问题和敏感性分析，利用负控制结果处理未测量混杂，同时采用非参数框架，与您对非参数理论、高维统计推断和稳健统计方法的研究兴趣高度契合。 _{model=deepseek-chat · source=abstract-600 · tokens in/out = 604/174 · 12.0s}
B rich prompt + full abstract	topic: `causal_inference` 摘要: 本文研究在存在潜在异质性（如批次效应、未测量混杂）的高维数据集成后，如何进行稳健的统计推断。作者利用负对照结果（negative control outcomes）的因果解释，推导了直接效应的非参数可识别性，并进一步扩展至代理对照结果（surrogate control outcomes），以处理隐藏的中介、混杂和调节变量。核心方法是构建关于投影直接效应（projected direct effect）的半参数推断框架，并提出了双重稳健（doubly robust）估计量。理论结果表明，该估计量在模型设定错误和嵌入误差下仍保持统计意义，并在最小假设下具有一致性和半参数效率。 key_techniques: `negative control outcomes`, `surrogate control outcomes`, `doubly robust estimation`, `semiparametric inference`, `post-integrated inference`, `uniform concentration bounds` 为什么相关: 该工作与您对因果推断和半参数效率理论的兴趣高度相关。它提供了一个在复杂、高维数据集成背景下，处理未测量混杂和模型错误设定的稳健推断框架，其双重稳健估计量达到半参数效率界，是因果推断与效率理论结合的前沿应用。 _{model=deepseek-chat · source=abstract-full · tokens in/out = 1076/272 · 15.8s}
C-fast rich prompt + html	topic: `causal_inference` 摘要: 本文研究在存在潜在异质性（如批次效应、未测量混杂）的高维数据整合后，如何进行稳健的假设检验。核心设定是利用阴性对照结局（negative control outcomes）和其扩展——代理对照结局（surrogate control outcomes），在模型可能误设和嵌入有误的情况下，非参数识别并估计投影直接效应（projected direct effect）。方法上，作者构建了双重稳健（doubly robust）估计量，并利用机器学习算法（如随机森林）进行数据自适应估计。理论结果包括偏差量化、有限样本线性展开、一致性和半参数效率，并在模拟和单细胞CRISPR扰动数据中验证了其表现。 key_techniques: `negative control outcomes`, `surrogate control outcomes`, `doubly robust estimation`, `semiparametric inference`, `data-adaptive estimation (random forests)`, `uniform concentration bounds` 为什么相关: 该工作与您对因果推断（特别是识别和估计）以及半参数效率理论的兴趣高度相关。它提供了一个在模型误设和未测量混杂下仍保持统计意义的估计框架，其双重稳健和高效的半参数推断方法，是您研究稳健因果估计和高效影响函数理论的一个直接参考案例。 _{model=deepseek-chat · source=fallback-abstract · tokens in/out = 1076/283 · 17.3s}
C-deep rich prompt + html (reasoner=`deepseek-reasoner`)	topic: `nonparam_semipara` 摘要: 本研究针对高维结果数据集成后多重假设检验的偏差问题，提出利用替代控制结果进行假设简约的投影直接效应估计，在存在隐藏中介、混杂因子和模型误设下保持统计意义。方法基于因果解释推导非参数可识别性，扩展负控制结果为替代控制结果，构建双重稳健估计器进行半参数推断。核心机制包括影响函数线性展开、一致浓度界和机器学习算法（如随机森林）的数据自适应估计。理论结果提供偏差量化和有限样本性质，证明估计器在最小假设下具有一致性和半参数效率。通过模拟和单细胞CRISPR扰动数据集评估，验证了方法在未测量混杂下的稳健性。 key_techniques: `doubly robust estimator`, `surrogate control outcomes`, `nonparametric identifiability`, `semiparametric inference`, `influence function expansion`, `uniform concentration bounds` 为什么相关: 该论文直接关联因果推断和半参数效率理论，提出了在模型误设下仍有效的双重稳健估计器，对于处理高维数据集成中的未测量混杂具有方法论创新，值得阅读以了解假设简约推断和高效估计的最新进展。 _{model=deepseek-reasoner · source=fallback-abstract · tokens in/out = 1076/1797 · 90.4s}

2605.10842 — Higher-Order Neyman Orthogonality in Moment-Condition Models¶

作者: Stéphane Bonhomme, Koen Jochmans, Whitney K. Newey, Martin Weidner
深读抓取: source=html, intro=607 chars, sections=8, conclusion=0 chars

	fast chat (`deepseek-chat`)
A baseline + abstract-600	摘要: 本文在参数矩条件模型中构建了达到任意选定阶数的Neyman正交矩函数。这些矩函数能系统性地降低对高维/非参数nuisance函数估计误差的敏感性，为广泛计量模型提供了统一的高阶去偏框架。关键贡献在于：所需额外nuisance参数的数量与正交化阶数无关，且可简化为单个标量。为什么相关: 该方法直接拓展了您关注的高阶U统计量理论和半参数效率理论，为高维统计中的选择后推断和去偏机器学习提供了高阶正交化工具。 _{model=deepseek-chat · source=abstract-600 · tokens in/out = 622/136 · 9.4s}
B rich prompt + full abstract	topic: `efficiency` 摘要: 本文研究在参数矩条件模型中，构建对指定阶数具有Neyman正交性的矩函数。该方法旨在降低对高维或非参数nuisance参数估计误差的敏感性，为广泛的计量经济学模型提供统一的高阶去偏路径。核心机制是通过构造正交矩函数，使得目标参数估计量的影响函数对nuisance参数的估计误差具有更高阶的免疫性。主要理论结果表明，该构造所需的额外nuisance参数数量与正交化阶数无关，并可简化为单个标量，从而保证了方法的可操作性。 key_techniques: `higher-order Neyman orthogonality`, `moment condition models`, `influence function`, `debiasing`, `nuisance parameter` 为什么相关: 该工作直接推进了您对半参数效率理论和高阶U-统计量的兴趣，因为它将经典的Neyman正交性（一阶）推广到任意高阶，为构建具有更优偏差性质和高阶效率的估计量提供了系统框架，值得关注其理论构建和潜在的应用扩展。 _{model=deepseek-chat · source=abstract-full · tokens in/out = 971/243 · 14.5s}
C-fast rich prompt + html	topic: `efficiency` 摘要: 本文研究在参数矩条件模型中，如何构造任意指定阶数的 Neyman 正交矩函数。该模型包含感兴趣的参数 θ 和可能高维的 nuisance 参数 η，目标是构建矩函数，使其对 η 的估计误差具有 q 阶正交性，从而在 nuisance 参数估计不精确时，仍能保证对 θ 的估计具有高阶偏差修正和稳健的推断。核心方法是通过引入额外的 Jacobian 逆参数 λ，并利用 U-统计量形式的矩函数，系统性地消除 nuisance 估计误差的影响；所需额外参数的数量与正交阶数 q 无关，并可简化为单个标量。主要理论结果表明，该方法为广泛的计量经济学模型（如异质性系数模型）提供了一个统一且易于处理的高阶去偏框架。 key_techniques: `higher-order Neyman orthogonality`, `moment condition models`, `U-statistic moment functions`, `Jacobian inverse parameterization`, `higher-order debiasing`, `nuisance parameter robustness` 为什么相关: 该论文直接推进了您对 semiparametric efficiency 和 higher-order U-statistics 的研究兴趣。它将 Neyman 正交性从一阶推广到任意高阶，为构建具有高阶稳健性的估计量提供了系统理论，这可以迁移到因果推断和高维统计中，用于改进基于机器学习的估计量的高阶渐近性质。 _{model=deepseek-chat · source=html · tokens in/out = 1721/316 · 23.4s}
C-deep rich prompt + html (reasoner=`deepseek-reasoner`)	topic: `nonparam_semipara` 摘要: 本文研究在参数矩条件模型中构建高阶Neyman正交矩函数的问题，设定基于广义矩方法（GMM）框架，其中兴趣参数θ与nuisance参数η通过矩条件共同定义。方法通过引入Jacobian逆参数λ，构造依赖于多个独立观测的矩函数，使其对η的估计误差具有选定阶数（如二阶）的正交性，从而实现高阶去偏。核心机制在于额外nuisance参数的数量与正交化阶数无关，且可简化为单个标量，提供了统一且易处理的构造路径。理论结果展示了该框架在异质性系数模型等经济计量模型中的应用，有效减少了nuisance估计误差对推断的影响。 key_techniques: `Neyman orthogonality`, `higher-order debiasing`, `moment condition models`, `generalized method of moments (GMM)`, `Jacobian inverse parameter`, `orthogonal moment functions` 为什么相关: 该论文直接关联到您的半参数理论和高阶统计兴趣，特别是Neyman正交性与效率理论，为因果推断等模型中的高阶去偏提供了新方法，值得阅读以了解其统一构造及在放松nuisance估计精度假设方面的进展。 _{model=deepseek-reasoner · source=html · tokens in/out = 1721/1509 · 128.6s}

2605.14692 — Asymptotic Anytime-Valid Inference for U-statistics¶

作者: Leheng Cai, Qirui Hu, Weijia Li
深读抓取: source=html, intro=1132 chars, sections=8, conclusion=676 chars

	fast chat (`deepseek-chat`)
A baseline + abstract-600	摘要: 本文研究连续监测下二阶U统计量的渐近随时有效置信序列。在非退化情形中，通过Hoeffding投影将问题转化为一阶投影部分和的时间一致中心极限理论，并在温和矩假设下证明典型余项可忽略。留一法刀切估计器提供了完全数据驱动的程序，为目标参数生成具有渐近覆盖保证的置信序列。在退化情形中，作者证明U统计量可近似为独立随机变量之和，从而推导出相应的置信序列。为什么对您有用：该工作将时间一致推断框架扩展到U统计量，与您对高阶U统计量和渐近效率理论的研究直接相关。为什么相关: 该论文直接涉及您的高阶U统计量研究兴趣，并提供了渐近理论框架下的时间一致推断方法，与您的渐近效率理论和统计推断方法论高度契合。 _{model=deepseek-chat · source=abstract-600 · tokens in/out = 622/196 · 12.1s}
B rich prompt + full abstract	topic: `higher_order_U` 摘要: 本文研究了在连续监测下，二阶U-统计量的渐近任意时间有效置信序列。在非退化情形下，通过Hoeffding投影将问题约化为其一阶投影部分和的时间一致中心极限定理，并在温和矩条件下证明典型余项可忽略；使用留一法刀切估计器得到一个完全数据驱动的过程。在退化情形下，U-统计量近似于一个中心化的二次高斯混沌而非简单高斯，这带来了显著的序贯推断挑战；为此，作者创新性地提出了谱分配高斯混沌游走边界，并基于具有一致性保证的截断谱估计提供了插件式实现。所得置信序列的宽度达到了预期的时间一致最优速率：非退化情形为√(log log n / n)，退化情形为(log log n)/n。 key_techniques: `U-statistics`, `anytime-valid inference`, `confidence sequences`, `Hoeffding's projection`, `jackknife estimator`, `Gaussian-chaos approximation`, `SAGE boundary` 为什么相关: 该工作直接针对您的高阶U-统计量研究兴趣，为U-统计量建立了序贯推断（连续监测）下的渐近理论，并处理了非退化与退化两种情形，提供了达到最优速率的置信序列构造方法，是U-统计量理论在时间一致推断方向上的重要进展。 _{model=deepseek-chat · source=abstract-full · tokens in/out = 1096/312 · 17.5s}
C-fast rich prompt + html	topic: `higher_order_U` 摘要: 本文研究了在连续监测下二阶U统计量的渐近任意时间有效置信序列。在非退化情形下，利用Hoeffding投影将问题简化为对一阶投影部分和的时间一致中心极限定理分析，并在温和矩条件下证明典型余项可忽略；通过留一法刀切估计器构建了完全数据驱动的置信序列。在退化情形下，U统计量近似于一个中心化的二次高斯混沌过程，作者为此创新性地提出了谱分配高斯混沌偏移边界，并基于具有一致性保证的截断谱估计给出了插件式实现。所得置信序列的宽度在非退化情形下可达最优时间一致速率$\sqrt{\log\log n/n}$，在退化情形下可达$\log\log n/n$。 key_techniques: `Hoeffding's projection`, `anytime-valid confidence sequences`, `leave-one-out jackknife estimator`, `Spectrally Allocated Gaussian-chaos Excursion (SAGE) boundary`, `truncated spectrum estimation` 为什么相关: 该工作直接针对您的高阶U统计量研究兴趣，为二阶U统计量（包括退化和非退化情形）建立了时间一致的最优推断理论，并提出了处理退化情形下高斯混沌极限的新边界方法，在U统计量的序贯推断理论上有显著推进。 _{model=deepseek-chat · source=html · tokens in/out = 2328/307 · 24.6s}
C-deep rich prompt + html (reasoner=`deepseek-reasoner`)	topic: `higher_order_U` 摘要: 本研究探讨了在连续监测下，针对二阶U统计量的渐近任意时间有效置信序列构建问题，设定包括非退化核（一阶投影方差σ²>0）和退化核（一阶投影为零）两种情形，并假设 mild moment 条件。在非退化情形，通过Hoeffding投影将U统计量简化为一级投影的部分和，应用时间一致中心极限理论，并采用留一法刀切估计实现完全数据驱动的置信序列构建。在退化情形，U统计量近似于中心化二次高斯混沌，为此新开发了谱分配高斯混沌游走边界，并基于截断谱估计提供插件实现，具有一致性保证。理论结果表明，所得置信序列具有渐近覆盖保证，其宽度达到时间一致最优速率：非退化情形为√(log log n / n)，退化情形为log log n / n。数值实验支持了理论的有效性，并讨论了包括GMD、样本方差等广泛使用的U统计量。 key_techniques: `Hoeffding's decomposition`, `leave-one-out jackknife estimator`, `Spectrally Allocated Gaussian-chaos Excursion (SAGE) boundary`, `truncated spectrum estimation`, `time-uniform central limit theory`, `asymptotic anytime-valid confidence sequences` 为什么相关: 本文直接针对您的高阶U统计量研究兴趣，提供了序列推断中的新理论框架和最优速率结果，特别是在退化情形下的SAGE边界方法具有创新性，可扩展至其他二次型统计量的时间一致推断。 _{model=deepseek-reasoner · source=html · tokens in/out = 2328/1983 · 129.6s}

2605.13983 — Rapid and robust simulation-based inference for kilonovae¶

作者: Stephanie M. Brown, Mattia Bulla, Hiranya V. Peiris, Nikhil Sarin, Daniel Mortlock, Stephen Thorp et al.
深读抓取: source=html, intro=0 chars, sections=8, conclusion=0 chars

	fast chat (`deepseek-chat`)
A baseline + abstract-600	摘要: 本文针对千新星（kilonovae）的参数估计问题，开发了一种基于模拟的推理（SBI）框架，采用密度估计的免似然推理方法。该框架使用高斯过程模拟器替代传统的MCMC，显著提高了计算速度，并能处理建模不确定性较大的情况。核心贡献在于实现了快速稳健的参数推断，为下一代电磁与引力波观测数据的实时分析提供了实用工具。为什么对您有用：该方法在免似然推理和计算统计方面与您的统计计算、逆问题研究直接相关，特别是其处理建模不确定性的稳健性设计。为什么相关: 该论文开发的模拟推理框架与您的统计计算（数值方法、MCMC替代方案）和逆问题（处理建模不确定性的稳健方法）研究兴趣高度契合，其免似然推理方法在计算效率上的创新对高维统计推断有参考价值。 _{model=deepseek-chat · source=abstract-600 · tokens in/out = 642/198 · 16.1s}
B rich prompt + full abstract	topic: `astrostats` 摘要: 本文研究千新星（kilonovae）的参数估计问题，针对传统基于马尔可夫链蒙特卡洛（MCMC）的贝叶斯方法在计算耗时和显式似然近似可能失效的局限性，提出了一个基于模拟的推断（SBI）框架。该框架使用在约1300个辐射转移模拟上训练的高斯过程仿真器，通过密度估计的免似然推断直接从包含完整预测分布的前向模拟中学习后验分布。结果表明，SBI方法能准确恢复注入参数，其预测光变曲线与数据一致，且对仿真器不确定性和似然误设具有稳健性；相比之下，MCMC的后验恢复会因似然误设而产生系统性偏差。 key_techniques: `simulation-based inference (SBI)`, `density-estimation likelihood-free inference`, `Gaussian process emulator`, `posterior predictive checks` 为什么相关: 该工作属于您关注的 astrostatistics 领域，展示了如何将前沿的模拟推断（SBI）方法应用于天体物理中的复杂逆问题（参数估计），其核心思想——通过前向模拟绕过显式似然构建——与您在 inverse problems 和 statistical computing 方面的兴趣高度相关，为处理具有复杂不确定性的天文数据提供了可迁移的计算框架。 _{model=deepseek-chat · source=abstract-full · tokens in/out = 1185/300 · 17.3s}
C-fast rich prompt + html	topic: `astrostats` 摘要: 本文研究千新星（kilonovae）的参数估计问题，在存在模拟器不确定性（emulator uncertainty）和似然函数误设（likelihood misspecification）的设定下，开发了一个基于模拟的推断（SBI）框架。该方法使用高斯过程（GP）模拟器替代昂贵的辐射转移模拟，通过密度估计的免似然推断（density-estimation likelihood-free inference）直接从包含完整预测分布的前向模拟中学习后验分布。在模拟数据和真实数据（AT2017gfo）上的结果表明，SBI方法能准确恢复注入参数，且相比依赖近似似然的MCMC方法，对模拟器不确定性更稳健，避免了因似然误设导致的系统性偏差。 key_techniques: `simulation-based inference (SBI)`, `density-estimation likelihood-free inference`, `Gaussian process emulator`, `posterior predictive checks`, `model misspecification robustness` 为什么相关: 与您对逆问题（inverse problems）和天体统计学（astrostatistics）的兴趣相关。本文展示了SBI作为一种稳健的推断方法，在处理复杂物理模型（如千新星辐射转移）且似然函数难以精确指定或计算昂贵时的优势，为天文数据分析中的参数估计和不确定性量化提供了新工具。 _{model=deepseek-chat · source=html · tokens in/out = 2296/297 · 17.4s}
C-deep rich prompt + html (reasoner=`deepseek-reasoner`)	topic: `astrostats` 摘要: 本研究针对千新星参数估计问题，在传统贝叶斯方法中马尔可夫链蒙特卡洛（MCMC）依赖显式似然近似且计算耗时的背景下，提出基于模拟的推断（SBI）框架。该方法使用高斯过程仿真器在约1300个POSSIS辐射传输模拟上训练，实现密度估计的无似然推断。SBI通过前向模拟直接学习后验分布，避免了似然误设问题，并能够处理仿真器不确定性的非高斯相关结构。在模拟数据上，SBI准确恢复注入参数，后验预测光曲线与数据一致；而MCMC因似然误设产生系统偏差。在真实数据AT2017gfo分析中，SBI与MCMC给出相似光曲线预测，但后验分布不同，MCMC部分后验堆积在先验边界。训练完成后，SBI框架能在秒级生成大量后验样本，提供快速且稳健的推断。 key_techniques: `simulation-based inference`, `density-estimation likelihood-free inference`, `Gaussian process emulator`, `posterior sampling from forward simulations`, `comparative analysis with MCMC` 为什么相关: 该论文与您的天文学统计兴趣直接相关，展示了基于模拟的推断方法在天体物理参数估计中的应用，特别是在处理复杂模型和不确定性时的计算效率和稳健性，对逆问题和统计计算有借鉴意义。 _{model=deepseek-reasoner · source=html · tokens in/out = 2296/1776 · 100.5s}

2605.11806 — Adaptive Kernel Ridge Regression with Linear Structure: Sharp Oracle Inequalities and Minimax Optimality¶

作者: Xin Bing, Chao Wang
深读抓取: source=html, intro=561 chars, sections=8, conclusion=0 chars

	fast chat (`deepseek-chat`)
A baseline + abstract-600	摘要: 本文提出了一种改进的核岭回归方法，在标准核岭回归中显式加入线性分量。该方法通过自适应地分离信号中的线性和非线性结构，避免了标准方法对线性部分的不必要收缩。理论分析给出了尖锐的Oracle不等式，证明了该方法在最小极大意义下达到最优收敛速率。为什么相关: 该方法结合了非参数回归与线性结构建模，与您在非参数/半参数理论、效率理论方面的研究兴趣直接相关，特别是涉及正则化方法和最优收敛速率分析。 _{model=deepseek-chat · source=abstract-600 · tokens in/out = 607/125 · 7.8s}
B rich prompt + full abstract	topic: `nonparam_semipara` 摘要: 本文研究在非参数回归中，当真实信号包含线性与非线性混合结构时，如何改进标准核岭回归（KRR）的预测性能。作者提出了一种自适应核岭回归方法，在标准KRR框架中显式地加入一个线性分量，该方法计算复杂度与标准KRR相同且无需额外调参。理论分析建立了估计量的sharp oracle不等式，证明了该方法能自适应地捕捉线性与非线性结构，并在一般核下达到极小极大最优预测风险。与标准KRR相比，该方法以仅增加一个可忽略的参数方差项为代价，同时改善了偏差和近似误差，在高维情形下通过加入岭正则化保证性能不劣于标准KRR。 key_techniques: `kernel ridge regression`, `sharp oracle inequality`, `minimax optimality`, `adaptive estimation`, `linear-nonlinear decomposition` 为什么相关: 该工作属于非参数/半参数理论范畴，其核心贡献在于通过结构自适应估计获得了sharp oracle不等式和极小极大最优性，这与研究者对非参数理论、效率界和最优收敛率的兴趣直接相关。 _{model=deepseek-chat · source=abstract-full · tokens in/out = 1071/261 · 17.8s}
C-fast rich prompt + html	topic: `nonparam_semipara` 摘要: 本文研究在非参数回归中，当真实函数包含线性结构时，标准核岭回归（KRR）因对整体函数施加单一正则化而可能导致次优预测性能的问题。作者提出了一种改进方法，在KRR中显式加入线性分量，该方法计算复杂度与标准KRR相同且无需额外调参。理论分析建立了该估计量的尖锐Oracle不等式，并证明其能自适应地捕捉线性和非线性结构，在一般核下达到极小极大最优预测风险。模拟研究验证了该方法相比标准KRR在偏差和近似误差上的改进。 key_techniques: `kernel ridge regression`, `oracle inequality`, `minimax optimality`, `reproducing kernel Hilbert space`, `ridge regularization` 为什么相关: 该工作属于非参数/半参数理论范畴，提供了具有尖锐Oracle不等式和极小极大最优性的新估计量，对您研究半参数效率和高维统计中的正则化方法有直接参考价值。 _{model=deepseek-chat · source=html · tokens in/out = 2691/234 · 66.5s}
C-deep rich prompt + html (reasoner=`deepseek-reasoner`)	topic: `nonparam_semipara` 摘要: 本文研究在回归函数同时包含线性和非线性分量时，标准核岭回归（KRR）因单一函数正则化导致线性结构被不必要收缩、预测性能次优的问题。作者提出一种改进方法，在KRR中显式加入线性分量，其计算复杂度与标准KRR相同且无需额外调参。理论分析建立了该估计量的尖锐oracle不等式，证明其能自适应地捕捉线性和非线性结构，并在一般核下达到极小极大最优预测风险。模拟研究验证了该方法相比标准KRR在多种设定下的性能提升。 key_techniques: `kernel ridge regression`, `linear-nonlinear decomposition`, `sharp oracle inequality`, `minimax optimality`, `ridge regularization` 为什么相关: 该工作属于非参数/半参数理论范畴，提供了具有严格理论保证（oracle不等式、极小极大最优性）的新估计器，与您对非参数理论和效率理论的兴趣直接相关。其在线性结构上的显式处理思路，可能迁移至包含参数部分的半参数因果推断模型中。 _{model=deepseek-reasoner · source=html · tokens in/out = 2691/712 · 53.0s}