跳转至

Structured matrix learning under arbitrary entrywise dependence and estimation of Markov transition kernel

作者: Jinhang Chai, Jianqing Fan
来源: Annals of Statistics
主题: 高维统计 / 随机矩阵
相关性: 8/10
链接: https://doi.org/10.1214/25-aos2525


一、领域脉络与小综述

这个方向是什么

本文研究的根本问题是:在噪声矩阵具有任意逐元素依赖(arbitrary entrywise dependence)的极弱假设下,如何以 minimax 最优的方式恢复具有"低秩 + 稀疏"结构的矩阵信号。传统矩阵恢复理论(如矩阵补全、鲁棒 PCA)几乎无一例外地假设噪声独立或至多弱相关,这在马尔可夫链转移核估计、因子模型、协方差估计等应用中往往不成立——因为这些场景下的"噪声"(如经验频率矩阵与真实频率矩阵之差)天然具有跨元素的相关结构。本文的核心贡献在于建立了一个不依赖任何噪声分布假设的确定性误差界,并证明该界在多种具体噪声模型下是 minimax 紧的。

发展脉络(history)

  • 奠基工作:凸松弛与低秩+稀疏分解。Agarwal et al. (2012) 提出了带噪低秩加稀疏矩阵分解的一般框架,并给出了基于凸松弛的确定性误差界。但他们的界中包含一个"尾项"(trailing term),该尾项不随样本量趋于零,导致估计不一致。这是本文要填补的第一个口子。同期,Chandrasekaran et al. (2011) 和 Candès et al. (2011) 在无噪或独立噪声设定下建立了低秩+稀疏分解的可辨识性条件(秩-稀疏不相干性),但他们的分析框架无法推广到任意依赖噪声。

  • 主要进展:非凸方法与谱方法。Netrapalli et al. (2016) 和 Chen et al. (2021b) 发展了基于梯度下降的非凸方法,在独立次高斯噪声下达到最优率。但这些方法的分析高度依赖噪声的独立性——一旦噪声跨元素相关,其"去相关"论证即告失效。Chen et al. (2021a) 的综述系统总结了谱方法在矩阵估计中的威力,但也明确指出其理论保证几乎都建立在独立噪声假设之上。

  • 当前 frontier:马尔可夫链转移核的结构化估计。Zhang & Wang (2019) 首次在低秩转移矩阵假设下给出了 minimax 最优的估计率,但其方法(谱方法)要求转移矩阵精确低秩,且其噪声分析依赖于马尔可夫链的混合性质。Wolfer & Kontorovich (2019, 2021) 处理了无结构转移矩阵的 minimax 估计,但率随状态空间维度 p 退化严重。Zhu et al. (2022) 将低秩优化方法引入转移矩阵估计,但仍未处理"低秩+稀疏"的混合结构。本文的位置:将 Agarwal et al. (2012) 的凸松弛框架与 Zhang & Wang (2019) 的马尔可夫链噪声分析结合,通过一个全新的"分离引理"(Lemma D.1)消除了尾项,从而在任意依赖噪声下达到 minimax 最优。

子线索聚类

  1. 凸松弛与确定性分析(Agarwal et al., 2012; Chandrasekaran et al., 2011; Hsu et al., 2011):以核范数 + ℓ1 范数为正则化器,建立不依赖噪声分布的确定性误差界。这条线索的瓶颈是尾项问题。
  2. 非凸优化与梯度方法(Netrapalli et al., 2016; Chen et al., 2021b; Yi et al., 2016):以交替最小化或梯度下降直接求解非凸问题,在独立噪声下达到最优率,但缺乏对依赖噪声的鲁棒性。
  3. 马尔可夫链转移核估计(Zhang & Wang, 2019; Wolfer & Kontorovich, 2019, 2021; Hao et al., 2018):利用马尔可夫链的混合性质建立浓度不等式,但结构假设(纯低秩或纯稀疏)较为单一。
  4. 鲁棒协方差与因子模型(Fan et al., 2013, 2019b, 2021a):将低秩+稀疏结构用于协方差估计,但通常需要因子个数已知或施加 pervasive 假设。

这个方向在追问的核心问题

  1. 能否在任意依赖噪声下获得一致的估计? 本文的回答是肯定的,且率与独立噪声情形相同(至多差对数因子)。
  2. 低秩+稀疏结构的可辨识性需要什么条件? 本文用不相干性 + 稀疏度上界刻画,但比 Chandrasekaran et al. (2011) 的条件更宽松(不需要强不相干)。
  3. 马尔可夫链转移核的结构化估计能否达到 minimax 最优? 本文证明可以,且率与 Zhang & Wang (2019) 的纯低秩情形一致,但允许额外的稀疏扰动。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"现有工作要么假设噪声独立(Chen et al., 2021b; Netrapalli et al., 2016),要么在依赖噪声下只能得到含尾项的不一致界(Agarwal et al., 2012)。我们通过分离引理消除尾项,从而在任意依赖噪声下达到 minimax 最优。" 作者淡化的竞争路线包括:(i) 非凸方法在依赖噪声下的潜力(他们只分析了凸松弛);(ii) 谱方法在低秩+稀疏混合结构下的适用性(他们声称谱方法无法处理稀疏扰动,但未给出严格论证)。

张力

未见明显对立引用。但值得注意的是:作者声称"任意依赖噪声"下的确定性界是紧的,但他们的下界(Theorem 2.8)仅针对两种具体噪声模型(行独立高斯、稀疏支撑高斯)。对于更一般的噪声分布,确定性界的紧性并未被证明——这是一个值得研究者去查的潜在 gap。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据交代清楚

  • 参数 / estimand:
  • \( \Theta^\star \in \mathbb{R}^{p \times p} \):真实信号矩阵,是我们要估计的对象。
  • \( L^\star \in \mathbb{R}^{p \times p} \):低秩部分,\( \text{rank}(L^\star) \le r \)。
  • \( S^\star \in \mathbb{R}^{p \times p} \):稀疏部分,\( \|S^\star\|_0 \le s \)。
  • \( \Theta^\star = L^\star + S^\star \):信号的结构分解。

  • 随机变量 / 样本:

  • \( Y \in \mathbb{R}^{p \times p} \):观测矩阵,满足 \( Y = \mathcal{X}(\Theta^\star) + W \),其中 \( \mathcal{X} \) 是已知线性映射,\( W \) 是噪声矩阵。
  • 在马尔可夫链应用中:\( Y = \hat{F} \) 是经验频率矩阵,\( W = \hat{F} - F^\star \) 是经验误差,\( \Theta^\star = F^\star \) 是真实频率矩阵。

  • 维数 / 样本量指标:

  • \( p \):矩阵维度(状态空间大小)。
  • \( n \):样本量(马尔可夫链轨迹长度)。
  • \( r \):低秩部分的上界。
  • \( s \):稀疏部分的上界。
  • \( \mu \):不相干性参数(定义 2.3)。
  • \( \kappa, \tau \):受限强凸(RSC)参数(假设 2.1)。

  • 潜在 / 不可观测量:

  • \( L^\star \) 和 \( S^\star \) 各自不可观测,只能通过它们的和 \( \Theta^\star \) 的观测版本 \( Y \) 来推断。
  • 噪声 \( W \) 的分布完全未知,不假设独立性、不假设次高斯性、不假设轻尾。

第二步:最小内核

问题:假设 \( Y = \Theta^\star + W \),其中 \( \Theta^\star = L^\star + S^\star \),\( L^\star \) 是秩 \( r \) 的 \( \mu \)-不相干矩阵,\( S^\star \) 是支撑大小至多 \( s \) 的稀疏矩阵。\( W \) 是任意矩阵(不假设任何分布)。我们能否从 \( Y \) 中恢复 \( \Theta^\star \),使得误差 \( \|\hat{\Theta} - \Theta^\star\|_F^2 \) 以 \( r \|W\|^2 + s \|W\|_\max^2 \) 为界?

为什么难:如果直接用最小二乘 \( \min_{\Theta} \|Y - \Theta\|_F^2 \),解是 \( \hat{\Theta} = Y \),误差为 \( \|W\|_F^2 \),这通常远大于 \( r\|W\|^2 + s\|W\|_\max^2 \)(因为 \( \|W\|_F^2 \) 有 \( p^2 \) 个自由度的贡献)。我们需要利用 \( \Theta^\star \) 的结构来"压缩"噪声。

核心思想:考虑如下约束优化问题:

\[\min_{L, S} \frac{1}{2} \|Y - (L + S)\|_F^2 \quad \text{s.t.} \quad L \text{ 是秩 } \le \bar{r} \text{ 的 } \bar{\mu}\text{-不相干矩阵}, \quad \|S\|_0 \le \bar{s}.\]

关键引理(分离引理,Lemma D.1 的简化版):设 \( P, Q \) 是两个秩至多 \( r \) 的 \( \mu \)-不相干矩阵,则对任意 \( \Delta = P - Q \),

\[\|\Delta\|_\max^2 \le \frac{c \mu r^3}{p} \|\Delta\|_F^2.\]

这个引理在做什么:它说两个不相干低秩矩阵的差,其元素不会集中在少数位置——能量必须"铺开"。因此,如果 \( \Delta \) 在某个位置很大,那么它在很多位置都很大,这导致 \( \|\Delta\|_F^2 \) 也很大。

为什么这能帮助分离低秩和稀疏:假设 \( \hat{L} + \hat{S} \) 是估计,\( \Delta_L = \hat{L} - L^\star \),\( \Delta_S = \hat{S} - S^\star \)。由最优性条件,\( \Delta_L + \Delta_S \) 与噪声 \( W \) 正交(在 Frobenius 内积意义下)。于是:

\[\|\Delta_L + \Delta_S\|_F^2 = \langle W, \Delta_L + \Delta_S \rangle \le \|W\| \cdot \|\Delta_L + \Delta_S\|_* + \|W\|_\max \cdot \|\Delta_L + \Delta_S\|_1.\]

现在,分离引理告诉我们:\( \Delta_L \) 的能量不能集中在 \( \Delta_S \) 的支撑上(因为 \( \Delta_L \) 是不相干低秩矩阵的差),所以 \( \|\Delta_L + \Delta_S\|_F^2 \) 的大部分来自 \( \Delta_L \) 在 \( \Delta_S \) 支撑之外的部分。这允许我们用 \( \|\Delta_L + \Delta_S\|_F^2 \) 来控制 \( \|\Delta_L\|_F^2 + \|\Delta_S\|_F^2 \)。

证明路线(简化):

  1. 最优性条件:\( \hat{L} + \hat{S} \) 是可行解,且 \( L^\star + S^\star \) 也可行,因此 \( \|Y - (\hat{L} + \hat{S})\|_F^2 \le \|Y - (L^\star + S^\star)\|_F^2 = \|W\|_F^2 \)。展开得到 \( \|\Delta_L + \Delta_S\|_F^2 \le 2\langle W, \Delta_L + \Delta_S \rangle \)。

  2. 对偶范数界:\( \langle W, \Delta_L + \Delta_S \rangle \le \|W\| \cdot \|\Delta_L + \Delta_S\|_* + \|W\|_\max \cdot \|\Delta_L + \Delta_S\|_1 \)。这里 \( \|\cdot\|_* \) 是核范数,\( \|\cdot\|_1 \) 是元素 ℓ1 范数。

  3. 核范数界:因为 \( \Delta_L \) 的秩至多 \( 2\bar{r} \),\( \|\Delta_L\|_* \le \sqrt{2\bar{r}} \|\Delta_L\|_F \)。而 \( \|\Delta_S\|_* \le \|\Delta_S\|_1 \le \sqrt{2\bar{s}} \|\Delta_S\|_F \)。

  4. ℓ1 范数界:\( \|\Delta_S\|_1 \le \sqrt{2\bar{s}} \|\Delta_S\|_F \)。对于 \( \Delta_L \),使用分离引理:\( \|\Delta_L\|_1 \le p \|\Delta_L\|_\max \le p \cdot \sqrt{c\mu r^3/p} \|\Delta_L\|_F = \sqrt{c\mu r^3 p} \|\Delta_L\|_F \)。

  5. 交叉项处理:关键步骤。\( \|\Delta_L + \Delta_S\|_F^2 = \|\Delta_L\|_F^2 + \|\Delta_S\|_F^2 + 2\langle \Delta_L, \Delta_S \rangle \)。分离引理保证 \( \Delta_L \) 在 \( \Delta_S \) 支撑上的能量至多占总能量的 \( 1/4 \),因此 \( |\langle \Delta_L, \Delta_S \rangle| \le \frac{1}{4}\|\Delta_L\|_F^2 + \frac{1}{4}\|\Delta_S\|_F^2 \)。

  6. 合并:将上述所有界代入,得到 \( \|\Delta_L\|_F^2 + \|\Delta_S\|_F^2 \le \frac{128}{\kappa^2}(\bar{r}\|W\|^2 + \bar{s}\|W\|_\max^2) \)。

这个最小内核的"为什么成立":分离引理是整座大厦的基石。它利用了不相干低秩矩阵的几何性质——它们的奇异向量不能集中在少数坐标上,因此两个这样的矩阵之差也不能集中在少数位置。这保证了低秩部分和稀疏部分在 Frobenius 范数意义下"几乎正交",从而可以分别控制。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在噪声矩阵具有任意逐元素依赖的极弱假设下,如何以 minimax 最优的方式恢复低秩加稀疏结构的矩阵信号,并应用于马尔可夫链转移核的结构化估计。
  2. 核心工具 / 方法:不相干约束的最小二乘估计(incoherence-constrained least squares),其理论分析基于一个新颖的"分离引理"(Lemma D.1),证明两个不相干低秩矩阵之差不能太稀疏。
  3. 主要结论:建立了不依赖噪声分布的确定性误差界 \( \|\hat{L} - L^\star\|_F^2 + \|\hat{S} - S^\star\|_F^2 \lesssim r\|W\|^2 + s\|W\|_\max^2 \),并证明该界在行独立高斯噪声和稀疏支撑高斯噪声下是 minimax 紧的;在马尔可夫链转移核估计中达到 minimax 最优率 \( \sqrt{rp/n} \)(在适当条件下)。

关键设定与假设

  • 假设 2.1(RSC):观测映射 \( \mathcal{X} \) 满足受限强凸条件:对任意 \( \Delta \),\( \frac{1}{2}\|\mathcal{X}(\Delta)\|_F^2 \ge \frac{\kappa}{2}\|\Delta\|_F^2 - \tau \Phi^2(\Delta) \),其中 \( \Phi(\Delta) = \inf_{L+S=\Delta} \|L\|_* + \lambda\|S\|_1 \)。统计含义:观测映射不能把不同的信号映射到太接近的观测,这是可辨识性的量化。相比 Agarwal et al. (2012),本文的 RSC 条件相同,但最终界中不出现尾项。
  • 假设 2.4(结构条件):\( L^\star \) 是 \( \mu \)-不相干的(奇异向量元素模长有界),\( \|S^\star\|_0 \le \bar{s} \le \frac{p}{c\bar{\mu}\bar{r}^3} \)。统计含义:低秩部分的奇异向量不能太集中(否则与稀疏部分不可区分),稀疏部分的支撑不能太大(否则与低秩部分混淆)。相比 Chandrasekaran et al. (2011),本文的不相干条件更弱(不需要强不相干),但稀疏度上界更严格(\( \bar{s} \lesssim p/r^3 \) 对比 \( \bar{s} \lesssim p/r^2 \))。
  • 马尔可夫链假设(第 3 节):转移矩阵 \( P^\star = L^\star + S^\star \),其中 \( L^\star \) 是低秩部分(捕捉主要转移模式),\( S^\star \) 是稀疏部分(捕捉异常转移)。要求链是遍历的且混合时间 \( \tau^* = O(1) \)。统计含义:链的混合性质决定了经验频率矩阵的浓度速度。

主要结果

  • 定理 2.5(确定性误差界):对任意噪声 \( W \),估计 \( (\hat{L}, \hat{S}) \) 满足

    \[\|\hat{L} - L^\star\|_F^2 + \|\hat{S} - S^\star\|_F^2 \le \frac{128}{\kappa^2}\left(\bar{r}\|\mathcal{X}^*(W)\|^2 + \bar{s}\|\mathcal{X}^*(W)\|_\max^2\right).\]
    这个界是逐点成立的(对每个噪声实现),不依赖任何概率假设。技术难点:如何消除 Agarwal et al. (2012) 中的尾项 \( s\|L^\star\|_\max^2 \)?答案是分离引理——它保证了 \( \Delta_L \) 与 \( \Delta_S \) 的交叉项可以被 \( \|\Delta_L\|_F^2 + \|\Delta_S\|_F^2 \) 的一个小分数控制,从而不需要额外的尾项。

  • 定理 2.8(minimax 下界):在两种噪声模型下证明下界与上界匹配:

  • 行独立高斯噪声(\( W_{i,:} \sim N(0, \Sigma_i) \),\( c\sigma^2 I \preceq \Sigma_i \preceq C\sigma^2 I \)):minimax 风险 \( \asymp rp\sigma^2 \)(当 \( s \lesssim rp/\log p \) 时)。
  • 稀疏支撑高斯噪声(\( W \) 在至多 \( s_0 \) 个位置非零,非零位置独立高斯):minimax 风险 \( \asymp s\sigma^2 \)。 证明路线:构造两个难以区分的信号对,用 Fano 不等式或 Le Cam 方法给出下界。技术难点:在依赖噪声下构造混淆对需要更精细的 KL 散度计算。

  • 定理 3.3(马尔可夫链转移核估计):在 \( n \gtrsim \tau^* p \log^2 n \) 的条件下,

    \[\|\hat{F} - F^\star\|_F^2 = O_p\left(\frac{\tau^* \log^2 n}{n}(r + p_{\max}s)\right), \quad \|\hat{P} - P^\star\|_1 = O_p\left(\frac{1}{\pi_{\min}}\sqrt{\frac{\tau^* \log^2 n}{n}(r + p_{\max}s)}\right).\]
    其中 \( p_{\max} = \max_{i,j} P^\star_{i,j} \),\( \pi_{\min} = \min_i \pi_i \)。技术难点:需要建立经验频率矩阵的谱范数和最大范数浓度不等式,这依赖于马尔可夫链的混合性质(Zhang & Wang 2019 的 Lemma 7)。

  • 推论 3.5(条件均值估计):当 \( v \) 是随机向量且 \( E(vv^\top) \preceq c_v I \) 时,\( E\|\hat{T}(v) - T(v)\|_2^2 = O(c_v rp \log^2 n / n) \)。关键点:随机化 \( v \) 将最坏情况(Theorem 3.6 中 \( \|v\|_\infty \) 大)转化为平均情况,从而获得 \( p/r \) 的加速。

  • 定理 3.6(确定性 \( v \) 的下界):对任意确定性 \( v \),minimax 风险 \( \ge \|v - \bar{v}\|_2^2 / (36n) \)。含义:当 \( v \) 与全 1 向量对齐时(\( \|v - \bar{v}\|_2 \) 小),低秩结构无助于条件均值估计——这是本质困难,不是技术缺陷。

证明路线与技术技巧

整体路线(以定理 2.5 为例):

  1. 可行性:证明 \( (L^\star, S^\star) \) 在可行集中,因此最优解 \( (\hat{L}, \hat{S}) \) 的目标函数值不超过 \( \frac{1}{2}\|W\|_F^2 \)。
  2. 最优性条件展开:令 \( \Delta_L = \hat{L} - L^\star \),\( \Delta_S = \hat{S} - S^\star \),则 \( \|\mathcal{X}(\Delta_L + \Delta_S)\|_F^2 \le 2\langle W, \mathcal{X}(\Delta_L + \Delta_S)\rangle \)。
  3. RSC 下界:用假设 2.1 将左边替换为 \( \kappa\|\Delta_L + \Delta_S\|_F^2 - 2\tau\Phi^2(\Delta_L + \Delta_S) \)。
  4. 对偶范数上界:用 Hölder 不等式处理右边,得到 \( \|W\| \cdot \|\Delta_L + \Delta_S\|_* + \|W\|_\max \cdot \|\Delta_L + \Delta_S\|_1 \)。
  5. 分离引理:这是核心创新。Lemma D.1 断言 \( \|\Delta_L\|_\max^2 \le \frac{c\mu r^3}{p}\|\Delta_L\|_F^2 \)。证明分三步:
  6. 先证明等奇异值情形(Lemma C.5):利用不相干性,将 \( \Delta_L \) 分解为奇异向量外积的线性组合,然后用 Cauchy-Schwarz 和不相干性界每个外积的最大元素。
  7. 再推广到不等奇异值(Lemma D.3, D.4):利用线性规划对偶,将问题转化为一个 LP,其最优解在边界取得,从而可以显式求解。
  8. 最后组合(Lemma D.5):将 \( \Delta_L \) 的奇异值分解代入,利用前两步的界。
  9. 交叉项控制:分离引理保证 \( |\langle \Delta_L, \Delta_S\rangle| \le \frac{1}{4}\|\Delta_L\|_F^2 + \frac{1}{4}\|\Delta_S\|_F^2 \)。这需要 \( \bar{s} \le \frac{p}{c\bar{\mu}\bar{r}^3} \) 的条件。
  10. 合并:将所有界代入,解出 \( \|\Delta_L\|_F^2 + \|\Delta_S\|_F^2 \)。

关键技巧点名:

  • 线性规划对偶(Lemma D.6):将分离引理的证明转化为一个 LP 问题,利用 LP 的最优解在极点取得这一事实,将无限维问题化为有限维检查。
  • Hadamard 积与不相干性:\( \Delta_L = U\Sigma V^\top - L\Lambda R^\top \) 的每个元素可以写成奇异向量分量的乘积和,不相干性给出每个分量的上界。
  • 马尔可夫链浓度不等式(Proposition 3.2):利用 Zhang & Wang (2019) 的 Lemma 7,将经验频率矩阵的偏差控制在 \( O(\sqrt{\tau^* \log^2 n / n}) \)。

🔎 结论是否比证明窄

  • 定理 2.5 的陈述与证明一致:确定性界对任意噪声成立,证明中确实没有使用任何概率假设。
  • 定理 2.8 的陈述略宽于证明:陈述说"行独立高斯",但证明中实际上要求每行的协方差矩阵有界特征值(\( c\sigma^2 I \preceq \Sigma_i \preceq C\sigma^2 I \))。如果协方差矩阵病态,下界可能不同。
  • 推论 3.5 的陈述略宽于证明:陈述说"\( v \) 是随机向量",但证明中要求 \( v \) 与马尔可夫链独立。如果 \( v \) 依赖于链的历史(如强化学习中的价值函数),结论可能不成立。
  • 定理 3.6 的陈述与证明一致:下界对任意确定性 \( v \) 成立,证明中构造的混淆对确实有效。

四、开放问题

  1. 分离引理的最优性:Lemma D.1 给出 \( \|\Delta_L\|_\max^2 \le \frac{c\mu r^3}{p}\|\Delta_L\|_F^2 \),但 Proposition D.8 显示下界为 \( \frac{\mu r}{p} \)。中间的 \( r^2 \) 差距是否可消除?作者在 Remark 19 中承认"最优 scaling with respect to r is left to future work"。扎根点:Proposition D.8 后的 Remark 19。

  2. 稀疏度上界的改进:假设 2.4 要求 \( \bar{s} \le \frac{p}{c\bar{\mu}\bar{r}^3} \),而 Chandrasekaran et al. (2011) 在无噪情形允许 \( \bar{s} \lesssim p \)。这个差距是否本质?扎根点:假设 2.4 第 3 条。

  3. 马尔可夫链混合时间的依赖:定理 3.3 的界包含 \( \tau^* \) 因子,但 Zhang & Wang (2019) 的 minimax 下界是否也包含 \( \tau^* \)?如果下界不含 \( \tau^* \),则本文的率不是严格 minimax。扎根点:定理 3.3 的陈述。

  4. 计算复杂度与全局最优:算法 1 是交替最小化,作者只证明了目标函数值单调下降,但未证明收敛到全局最优。非凸问题的全局收敛性分析是开放的。扎根点:第 2.2 节末尾。

  5. 矩形矩阵的分离引理:附录 F 将结果推广到矩形矩阵,但分离引理的常数是否随长宽比变化?扎根点:附录 F。

  6. 强化学习中的条件均值估计:推论 3.5 假设 \( v \) 与链独立,但实际 RL 中价值函数依赖于转移核。能否将结果推广到 \( v \) 依赖于数据的情形?扎根点:推论 3.5 的证明。


提醒:要确认上述开放问题是否是真 gap,建议去读以下近期文献的 intro:(i) 关于低秩矩阵恢复在依赖噪声下的工作(如 Agterberg et al., 2022);(ii) 关于马尔可夫链转移核估计的近期进展(如 Wolfer, 2024);(iii) 关于分离引理类似结果的工作(如 Chen et al., 2021b 中的不相干性分析)。如果这些文献的 intro 都指向同一个问题,那大概率是共识性 gap;如果互相打架,那可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论