Learning Centre Partitions from Summaries
该论文提出了一种基于多中心汇总统计量的序贯聚类算法（CoC），通过多轮 Cochran 型检验与自助法重采样，在检验参数同质性的同时实现中心分组的准确恢复，并证明了其在大样本下以概率趋近于 1 恢复真实分组的理论性质。
🔢 Category
math.ST
161 篇论文
Random Dot Product Graphs as Dynamical Systems: Limitations and Opportunities
该论文通过建立基于主纤维丛的几何框架，揭示了随机点积图中学习网络演化微分方程所面临的规范自由度、可实现性约束及轨迹恢复伪影等根本障碍，证明了动力学结构可解决规范模糊性，并阐明了谱隙如何同时控制几何曲率与统计推断难度。
A Minimax Theory of Nonparametric Regression Under Covariate Shift
该论文针对协变量偏移下的非参数回归问题，引入转移函数并揭示了其定义域性质如何决定包含经典速率及超越“两者取优”基准的加速速率在内的多种极小极大收敛区间，同时证明了自适应估计器能以对数因子内的精度达到这些速率，且适用于协变量无界支撑集的情形。
Design Experiments to Compare Multi-armed Bandit Algorithms
该论文针对多臂老虎机算法比较中因依赖轨迹导致实验成本高昂的问题，提出了一种名为“人工回放”（Artificial Replay）的新实验设计，通过复用历史轨迹数据，在确保估计量无偏的同时，将实验成本从$2TT$，并显著降低了估计量的方差。
Estimation of Lévy-driven CARMA models under renewal sampling
本文研究了在驱动噪声为 Lévy 过程且观测时间为更新时间的条件下，基于积分周期图的 Whittle 估计量对 CARMA 模型参数的一致性与渐近正态性，并证明了该估计量在极弱条件下具有良好性质。
A Hierarchical Bayesian Dynamic Game for Competitive Inventory and Pricing under Incomplete Information: Learning, Credible Risk, and Equilibrium
本文提出了一种结合贝叶斯学习与可信风险准则的层级贝叶斯动态博弈框架，用于解决竞争环境下信息不完全时的库存与定价决策问题，并通过仿真及生物数据实证验证了该模型在不确定性环境下的有效性与跨领域适用性。
Sparse Estimation for High-Dimensional Lévy-driven Ornstein--Uhlenbeck Processes from Discrete Observations
该论文针对离散观测下的高维 Lévy 驱动 Ornstein-Uhlenbeck 过程，在假设漂移矩阵稀疏的前提下，利用近似似然构建了 Lasso 和 Slope 估计量，推导了精确的非渐近 Oracle 不等式，确立了高频观测下的极小化最优收敛速率，并量化了不同 Lévy 噪声（特别是纯跳过程）下的样本复杂度，从而将高维统计推断理论扩展至更广泛的噪声机制。
Are Bayesian networks typically faithful?
该论文证明了在多种贝叶斯网络类（包括条件指数族、非参数模型及含潜变量模型）中，满足忠实性假设的参数集在相应拓扑下是稠密且开的，从而确立了忠实性在因果推断中的“典型性”，并由此保证了 PC 和 FCI 等约束型因果发现算法在典型情况下的一致性。
Arbitrage-free catastrophe reinsurance valuation for compound dynamic contagion claims
本文在假设市场无套利的前提下，利用 Esscher 变换为具有动态传染特征的复合巨灾索赔构建了一个停止损失再保险定价框架，通过蒙特卡洛模拟和敏感性分析，量化了气候变化、网络攻击及大流行病等新兴风险下的再保险保费。
Distribution estimation via Flow Matching with Lipschitz guarantees
本文通过研究控制流匹配向量场利普希茨常数依赖性的假设，推导出了在高维设置下优于以往结果且无需对数凹性条件的收敛速率，从而在数学上增强了该生成模型对非有界分布的统计理解。
Beyond the Oracle Property: Adaptive LASSO in Cointegrating Regressions with Local-to-Unity Regressors
本文推导了自适应 LASSO 估计量在包含局部至单位根回归量的协整回归中的新渐近性质，提出了无需估计局部至单位根或长期协方差参数即可实现一致覆盖的可行置信区间，并通过模拟与实证分析证明其能更准确地刻画有限样本不确定性，克服了传统“神谕性质”在实证应用中覆盖不足的问题。
Information-Theoretic Thresholds for Bipartite Latent-Space Graphs under Noisy Observations
该论文通过构建一种利用高斯随机几何图中符号子图计数抵消效应的新傅里叶分析框架，确定了在有噪观测下二部潜在空间图几何结构可检测性的紧信息论阈值，证明了已知掩码与隐藏掩码情形下的显著差异，并消除了计算与统计之间的差距。
High-dimensional Laplace asymptotics up to the concentration threshold
该论文通过推导显式渐近展开并构造多项式传输映射，填补了高维拉普拉斯积分在“高斯近似”阈值与“集中”阈值之间区域的研究空白，实现了在该中间区域任意接近集中阈值时的精确近似与采样。
Partition-Based Functional Ridge Regression for High-Dimensional Data
该论文提出了一种基于划分的函数型岭回归框架，通过将系数函数分解为不同分量并实施差异化惩罚，有效解决了高维函数型线性模型中的多重共线性与过拟合问题，在提升数值稳定性与可解释性的同时实现了偏差与方差的最优权衡。
Conformal e-prediction in the presence of confounding
该论文将共形 e-预测方法扩展至存在观测混淆的情形，并分别探讨了数据独立同分布及允许观测间存在依赖性的两种情况。
Deep regression learning from dependent observations with minimum error entropy principle
本文提出了一种基于最小误差熵原则的深度学习非参数回归方法，通过建立非惩罚和稀疏惩罚深度神经网络在强混合观测数据下的期望超额风险上界，证明了该方法在满足高斯误差假设时能达到与下界匹配的极小极大最优收敛速率。
Outrigger local polynomial regression
本文提出了一种名为“外伸”（outrigger）的局部多项式估计量，通过利用条件得分函数估计和扩展数据窗口，在无需独立性或对称性等结构假设的情况下，实现了对不同条件误差分布的自适应，并证明了其在 Hölder 类上的极小极大最优性。
Finite-Sample Decision Instability in Threshold-Based Process Capability Approval
该研究揭示了基于样本估计的过程能力指数（如 ）在接近固定判定阈值（如 1.33）时存在固有的决策不稳定性，指出即使过程真实能力达标，小样本下的随机性也会导致约 50% 的误判风险，并通过模拟与实证数据量化了这种边界效应带来的发布风险。
Bayesian Modular Inference for Copula Models with Potentially Misspecified Marginals
该论文提出了一种基于贝叶斯优化的新型半模块推断方法，通过将 Copula 模型中的每个边缘分布视为独立模块并优化其影响参数，实现了对潜在错误设定边缘分布的鲁棒推断，从而克服了传统双模块方法在处理不同边缘分布不同程度的误设时的局限性。
On the Unit Teissier Distribution: Properties, Estimation Procedures and Applications
本文在已有研究基础上，进一步推导了单位 Teissier 分布的阶统计量矩、L-矩及截断矩表征等理论性质，系统比较了包括最大乘积间距、多种距离度量及 L-矩在内的多种参数估计方法，并通过模拟研究与实际数据应用验证了该分布的灵活性与实用性。