Priors for second-order unbiased Bayes estimators¶
作者: Mana Sakai, Takeru Matsuda, Tatsuya Kubokawa
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://doi.org/10.1093/biomet/asaf068
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是客观贝叶斯推断中的高阶渐近理论,具体而言是研究如何选择先验分布,使得贝叶斯估计量(后验均值)在频率学派意义下具有二阶无偏性(即偏差为 \(o(n^{-1})\) 而非仅 \(O(n^{-1})\))。该方向的核心科学问题是:在没有主观先验信息时,如何系统地构造"无信息"先验,使得基于该先验的推断在重复抽样意义下具有最优的频率性质。这一问题的根本困难在于,贝叶斯估计量的偏差不仅来自似然函数的非线性,还来自先验分布对后验的"拉扯"作用,而后者在高维或多参数模型中会产生复杂的偏微分方程约束。该方向目前处于成熟但仍有缺口的状态:Hartigan (1965) 奠定了 i.i.d. 模型的理论基础,但非 i.i.d. 模型(如回归、随机效应模型)的系统性推广直到本文才被完整处理。
发展脉络¶
- 奠基工作:Hartigan (1965) 首次提出渐近无偏先验的概念,证明在 i.i.d. 模型下,后验均值的偏差为 \(O(n^{-1})\),并推导出使偏差降至 \(o(n^{-1})\) 的先验所满足的条件。对于单参数模型,该先验正比于 Fisher 信息量;对于多参数模型,则需解一个偏微分方程组。这一工作确立了"用频率性质来筛选先验"的研究纲领。
- 平行发展:Welch and Peers (1963) 提出概率匹配先验(probability matching prior),要求后验区间具有正确的频率覆盖概率;Jeffreys (1961) 提出基于 Fisher 信息量的 Jeffreys 先验。这两条路线与 Hartigan 的渐近无偏先验在单参数 i.i.d. 情形下重合,但在多参数或非 i.i.d. 情形下分道扬镳。Datta and Ghosh (1995) 系统化了概率匹配先验的理论,而 Ghosh and Liu (2011) 提出矩匹配先验(moment matching prior),要求后验均值与 MLE 在 \(o_p(n^{-1})\) 意义下一致。
- 当前 frontier:本文的位置在于将 Hartigan 的框架从 i.i.d. 推广到非 i.i.d. 模型。作者推导出一般非 i.i.d. 情形下渐近无偏先验满足的偏微分方程组(定理 2 的式 (4)),并给出存在性与构造方法。这一推广的关键技术难点在于:非 i.i.d. 情形下,Fisher 信息矩阵 \(I(\theta)\) 与观测信息矩阵 \(H_n(\theta)\) 不再逐点相等,导致 Hartigan 原始推导中的简化不再成立。本文通过引入 Assumption 2 中的极限条件(\(H_n(\theta) = H(\theta) + O_p(n^{-1/2})\) 等),将问题转化为对极限量的偏微分方程求解,从而绕开了逐点相等的限制。
子线索聚类¶
被引文献大致落在三条子线索上:
- 渐近无偏先验(Hartigan 1965; 本文):直接要求后验均值的偏差为 \(o(n^{-1})\)。这条线索的核心工具是 Laplace 近似和高阶展开,产出是偏微分方程组及其可解性条件。
- 概率匹配先验(Welch and Peers 1963; Datta and Ghosh 1995):要求后验区间的覆盖概率与名义水平相差 \(o(n^{-1})\)。这条线索与渐近无偏先验在单参数情形下等价,但在多参数情形下产生不同的先验。本文在 Remark 1 中明确指出两者一般不同。
- 矩匹配先验(Ghosh and Liu 2011):要求后验均值与 MLE 在 \(o_p(n^{-1})\) 意义下一致。本文在 Remark B.3 中证明,渐近无偏先验的偏微分方程右端恰好是矩匹配先验的条件项与 Firth (1993) 的得分修正项之和,从而将三条线索统一在一个框架下。
这个方向在追问的核心问题¶
- 存在性:给定一个统计模型,何时存在渐近无偏先验?本文的定理 2 给出了充要条件(偏微分方程组的可积性条件 (6)),但该条件在具体模型中如何验证仍是一个开放问题。
- 构造性:当先验存在时,如何系统地构造它?本文的推论 3 给出了一种路径积分式的构造方法,但该方法依赖于对偏微分方程组的显式求解,在高维参数空间中可能计算不可行。
- 参数化不变性:渐近无偏先验是否随参数化变换而自然变换?本文在例 5(线性回归)中展示了不同参数化导致不同先验,但未给出一般性的变换法则。
- 与频率最优性的关系:二阶无偏性是否意味着估计量的风险(如 MSE)在某种意义下最优?本文未涉及风险比较,仅关注偏差。
⚠️ 作者的 framing¶
作者将本文定位为"将 Hartigan (1965) 从 i.i.d. 推广到非 i.i.d. 模型",并强调三个贡献:(i) 推导非 i.i.d. 情形下的偏微分方程组;(ii) 给出存在性的充要条件;(iii) 提出构造方法并应用于线性回归和嵌套误差回归模型。作者在 Remark B.3 中进一步将渐近无偏先验与矩匹配先验、Firth 方法联系起来,暗示本文提供了一个统一框架。这是作者的说法——读者应注意,作者淡化了以下事实:非 i.i.d. 情形下偏微分方程组的可解性条件(定理 2 的 (6))在大多数实际模型中难以验证,且本文的构造方法(推论 3)本质上只是偏微分方程理论中标准路径积分技巧的直接应用,并未解决高维参数空间中的计算困难。此外,作者未讨论渐近无偏先验的后验是否一定正常(proper),仅在附录 D 中对嵌套误差回归模型证明了后验正常性。
张力¶
- 与概率匹配先验的张力:本文在 Remark 1 中明确指出渐近无偏先验与概率匹配先验一般不同,但未给出两者在何种条件下重合的完整刻画。对于单参数 i.i.d. 模型,两者都退化为 Jeffreys 先验;但对于多参数模型,两者产生不同的先验。这一张力意味着研究者必须在"偏差校正"和"区间覆盖"之间做出选择,而本文未提供权衡的指导原则。
- 与矩匹配先验的张力:本文在 Remark B.3 中证明渐近无偏先验 = 矩匹配先验 + Firth 修正,但这一分解依赖于 i.i.d. 假设。在非 i.i.d. 情形下,分解是否仍然成立?本文未明确回答。
- 未见明显对立引用:被引文献之间没有在相同条件下得出相反结论的情况。Hartigan (1965) 与 Welch and Peers (1963) 的差异源于目标函数不同(偏差 vs. 覆盖),而非数学错误。
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¶
在展开任何技术细节之前,先把记号立清楚。本文的核心设定如下:
- 数据:\(X_1, \dots, X_n\),联合密度 \(f_n(x_1, \dots, x_n \mid \theta)\)。注意:不要求 i.i.d.,这是与 Hartigan (1965) 的关键区别。例如,在回归模型中,\(X_i\) 的分布可能依赖于协变量 \(z_i\),从而各观测不同分布。
- 参数:\(\theta \in \Theta \subset \mathbb{R}^p\),\(\Theta\) 是 \(\mathbb{R}^p\) 中的矩形区域。\(\theta\) 是待估的固定未知量(频率学派视角),而非随机变量。
- 对数似然:\(\ell_n(\theta) = \log f_n(x_1, \dots, x_n \mid \theta)\)。
- 观测信息矩阵:\(H_n(\theta) = -n^{-1} \partial^2 \ell_n(\theta) / \partial\theta \partial\theta^\top\)。这是一个 \(p \times p\) 随机矩阵(因为它是数据的函数)。
- Fisher 信息矩阵:\(I(\theta) = \lim_{n\to\infty} E[H_n(\theta)]\),假设极限存在。注意:在非 i.i.d. 情形下,\(H_n(\theta)\) 与 \(I(\theta)\) 不一定逐点相等,甚至 \(E[H_n(\theta)]\) 也可能不等于 \(I(\theta)\)(需要 Assumption 2 中的条件 (iii) 来保证)。
- 先验:\(\pi(\theta)\),可微。后验均值 \(\hat\theta_B = \int_\Theta \theta \pi(\theta) e^{\ell_n(\theta)} d\theta / \int_\Theta \pi(\theta) e^{\ell_n(\theta)} d\theta\)。
- 目标量(estimand):\(\theta\) 本身(真值)。偏差定义为 \(E(\hat\theta_B) - \theta\)。
- 渐近阶:本文关注 \(O(n^{-1})\) 和 \(o(n^{-1})\) 的区分。\(O(n^{-1})\) 意味着偏差随 \(n\) 增大以 \(1/n\) 的速度衰减但不消失;\(o(n^{-1})\) 意味着衰减速度快于 \(1/n\),即二阶无偏。
可观测数据:研究者实际能观测到的是 \(X_1, \dots, X_n\)(以及回归模型中的协变量 \(z_i\))。不可观测的是真值 \(\theta\)、先验 \(\pi\) 的"正确性"(先验是分析者选择的,不是数据给出的)、以及偏差 \(E(\hat\theta_B) - \theta\) 本身(因为 \(\theta\) 未知)。本文的识别策略是:不要求先验反映真实先验信念,而是反推——先设定"后验均值应具有二阶无偏性"这一频率性质,再求解满足该性质的先验。因此,先验是由目标性质识别出来的,而非由数据或主观信念决定。
第二步:最小内核¶
把论文的所有一般性假设剥掉,剩下的最小内核是单参数 i.i.d. 模型。这是理解全文的钥匙,因为 Hartigan (1965) 的原始结果正是在这个设定下得到的,而本文的推广本质上是在问:当 i.i.d. 假设放松时,哪些结论仍然成立,哪些需要修正?
设定:\(X_1, \dots, X_n \overset{\text{i.i.d.}}{\sim} f(x \mid \theta)\),\(\theta \in \mathbb{R}\)(一维)。对数似然 \(\ell_n(\theta) = \sum_{i=1}^n \log f(X_i \mid \theta)\)。Fisher 信息 \(I(\theta) = E[(\partial \log f(X \mid \theta)/\partial\theta)^2]\)。
要回答的问题:是否存在先验 \(\pi(\theta)\),使得后验均值 \(\hat\theta_B\) 的偏差为 \(o(n^{-1})\)?
答案(Hartigan 1965; 本文附录 C.1):取 \(\pi(\theta) \propto I(\theta)\),即先验正比于 Fisher 信息。为什么?直观地说,后验均值 \(\hat\theta_B\) 与 MLE \(\hat\theta_{ML}\) 的差异来自两个来源:(1) 先验的"拉扯"作用,其大小约为 \(n^{-1} I^{-1}(\theta) \cdot \frac{d}{d\theta} \log \pi(\theta)\);(2) MLE 自身的偏差,其大小约为 \(n^{-1} I^{-1}(\theta) \cdot J(\theta)\),其中 \(J(\theta) = E[(\partial \log f / \partial\theta)(\partial^2 \log f / \partial\theta^2)]\)。令两者之和为零,解得 \(\frac{d}{d\theta} \log \pi(\theta) = -J(\theta)/I(\theta)\)。利用恒等式 \(I'(\theta) = 2J(\theta) + I(\theta) \cdot \frac{d}{d\theta} \log I(\theta)\)(在正则条件下),可得 \(\frac{d}{d\theta} \log \pi(\theta) = \frac{I'(\theta)}{I(\theta)} - \frac{1}{2} \frac{d}{d\theta} \log I(\theta) = \frac{1}{2} \frac{I'(\theta)}{I(\theta)}\),从而 \(\pi(\theta) \propto I(\theta)\)。
为什么这个例子是"最小内核":它揭示了整篇论文的核心机制——先验的选择等价于求解一个一阶常微分方程。在多参数情形下,这个常微分方程变成偏微分方程组(本文的式 (4)),而定理 2 回答的是该方程组何时有解(可积性条件 (6))。因此,单参数情形不是论文的"特例",而是理解所有技术细节的"原型":一旦读者理解了为什么 \(\pi \propto I(\theta)\) 能消除 \(O(n^{-1})\) 偏差,就能理解本文的偏微分方程组在做什么——它是在多参数、非 i.i.d. 情形下,把"消除偏差"这一目标翻译成对先验对数的梯度约束。
注意:这个最小内核也暴露了本文的一个潜在局限——先验依赖于样本量 \(n\)。在单参数 i.i.d. 情形下,\(\pi(\theta) \propto I(\theta)\) 不依赖于 \(n\),但在非 i.i.d. 情形下,式 (4) 中的 \(\phi(\theta)\) 可能依赖于 \(n\)(因为 \(H_n(\theta)\) 和 \(K_n(\theta)\) 的极限可能依赖于 \(n\) 的渐近行为)。本文在式 (3) 之后明确承认"先验依赖于样本量 \(n\)",但未讨论这种依赖在贝叶斯推断中是否合理——这是一个值得研究者注意的张力。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在非 i.i.d. 模型下,如何构造使贝叶斯估计量(后验均值)具有二阶无偏性(偏差 \(o(n^{-1})\))的先验分布,并给出该先验存在的充要条件。
- 核心工具 / 方法:Laplace 近似(定理 1 的证明)、偏微分方程理论(定理 2 的可积性条件)、以及一种基于路径积分的先验构造方法(推论 3)。
- 主要结论:非 i.i.d. 情形下,渐近无偏先验由偏微分方程组 (4) 刻画;该方程组有解的充要条件是可积性条件 (6);当条件成立时,先验可通过推论 3 的路径积分显式构造。应用于线性回归和嵌套误差回归模型,得到具体先验形式,并通过模拟验证其频率性质。
关键设定与假设¶
在第二节最小记号的基础上,本文的完整设定如下:
- 数据:\(X_1, \dots, X_n\) 联合密度 \(f_n\),不要求 i.i.d.。这是与 Hartigan (1965) 的核心区别。在回归模型中,这意味着协变量被视为固定设计而非随机。
- 参数空间:\(\Theta \subset \mathbb{R}^p\) 是矩形区域,\(\theta\) 是内点。
- 正则性条件(Assumption 1):
- (i) \(\hat\theta_{ML} - \theta = O_p(n^{-1/2})\)(MLE 的相合性和渐近正态性);
- (ii) \(\ell_n(\theta) = O_p(n)\)(对数似然的阶);
- (iii) \(\ell_n\) 三次连续可微;
- (iv) 先验 \(\pi\) 可微。
这些条件保证了 Laplace 近似的有效性,即后验分布可以近似为以 MLE 为中心的正态分布,且近似误差为 \(o_p(n^{-1})\)。
- 额外假设(Assumption 2):
- (i) \(H_n(\theta) = H(\theta) + O_p(n^{-1/2})\),其中 \(H(\theta)\) 是非随机矩阵;
- (ii) \(K_{n,rst}(\theta) = K_{rst}(\theta) + o_p(1)\),其中 \(K_{n,rst} = n^{-1} \partial^3 \ell_n / \partial\theta_r \partial\theta_s \partial\theta_t\);
- (iii) \(E[I_n(\theta)] = I(\theta) + o(1)\),其中 \(I_n(\theta) = n^{-1} (\partial \ell_n / \partial\theta)(\partial \ell_n / \partial\theta)^\top\);
- (iv) \(E[J_n(\theta)] = J(\theta) + o(1)\),其中 \(J_n\) 是二阶导与一阶导的乘积项。
这些条件将随机量 \(H_n, K_n, I_n, J_n\) 替换为它们的极限 \(H, K, I, J\),从而将偏差的表达式简化为仅依赖极限量的偏微分方程。相比 Hartigan (1965) 的 i.i.d. 设定,本文的 Assumption 2 是全新的——在 i.i.d. 情形下,\(H(\theta) = I(\theta)\) 自动成立,而在非 i.i.d. 情形下,两者可能不同,这导致偏微分方程的形式更复杂。
- 统计含义:Assumption 2 本质上要求观测信息矩阵和 Fisher 信息矩阵在 \(n^{-1/2}\) 意义下可分离为"极限非随机部分 + 随机波动部分"。这排除了协变量随 \(n\) 增长而发散的情形(如时间序列中的单位根过程),但涵盖了固定设计的回归和随机效应模型。
主要结果¶
定理 1(后验均值的分解):在 Assumption 1 下,
定理 2(存在性的充要条件):令 \(\phi(\theta)\) 为式 (4) 的右端(即消除 \(O(n^{-1})\) 偏差所需的先验对数梯度)。则存在先验 \(\pi(\theta)\) 满足 \(\partial \log \pi / \partial \theta = \phi(\theta)\) 当且仅当
推论 3(构造方法):当可积性条件成立时,先验可构造为
例 5(线性回归):对模型 \(y \sim N(X\beta, \sigma^2 I_n)\),取 \(\theta = (\beta, \sigma^2)\),得到渐近无偏先验 \(\pi(\beta, \sigma^2) \propto \sigma^{-4}\)。这个先验不同于 Jeffreys 先验 \(\pi_J \propto \sigma^{-3}\),但后验均值恰好等于 \((X^\top X)^{-1} X^\top y\)(OLS),且 \(\sigma^2\) 的后验均值为 \(y^\top (I - X(X^\top X)^{-1}X^\top) y / (n-p)\),两者都是无偏估计。这个例子说明:渐近无偏先验可以产生精确无偏的估计量,而不仅仅是渐近无偏。
例 7(嵌套误差回归模型):对 \(y_{ij} = x_{ij}^\top \beta + v_i + \epsilon_{ij}\),\(v_i \sim N(0, \tau^2)\),\(\epsilon_{ij} \sim N(0, \sigma^2)\),得到渐近无偏先验 \(\pi(\beta, \tau^2, \sigma^2) \propto \sigma^{-4}(\sigma^2 + n\tau^2)^{-2}\)。这个先验在现有文献中未见报道,是本文的新贡献。模拟研究(第 4 节)显示,在 \(m \in \{10, 32, 100, 316, 1000\}\) 个区域、每个区域 \(n=5\) 个单元的设置下,该先验的后验均值在偏差上显著小于 Jeffreys 先验和 Datta-Ghosh (1991) 先验,尤其在 \(m=10\) 时偏差降低约 50%。
证明路线与技术技巧¶
- 整体路线:三步走。第一步(引理 A.1),用 Laplace 方法展开后验均值,得到 \(\hat\theta_B - \hat\theta_{ML}\) 的 \(O_p(n^{-1})\) 表达式;第二步(引理 A.2),用得分函数的 Taylor 展开,得到 \(\hat\theta_{ML} - \theta\) 的 \(O_p(n^{-1})\) 表达式;第三步,合并两步结果,令 \(O(n^{-1})\) 项为零,得到偏微分方程 (4)。
- 关键跳跃点:引理 A.1 的证明中,作者将先验 \(\pi(\theta)\) 在 MLE 处做一阶 Taylor 展开,并将 \(\theta - \hat\theta_{ML}\) 的积分用正态矩近似。这里的难点在于,Laplace 近似的余项需要控制在 \(o_p(n^{-1})\),这要求先验的三阶导数有界且似然的四阶矩存在。作者通过 Assumption 1 中的条件 (iii)(三次可微)和条件 (ii)(\(\ell_n = O_p(n)\))来保证这一点,但未明确给出余项控制的详细证明,而是引用"标准 Laplace 近似结果"。
- 技术技巧点名:
- Laplace 近似:用于将后验均值转化为 MLE 附近的积分,核心是 \(\int \theta \pi(\theta) e^{\ell_n(\theta)} d\theta \approx \hat\theta_{ML} \pi(\hat\theta_{ML}) e^{\ell_n(\hat\theta_{ML})} (2\pi)^{p/2} |n H_n(\hat\theta_{ML})|^{-1/2}\)。
- 得分函数的 Taylor 展开:用于将 \(\hat\theta_{ML} - \theta\) 表示为得分和 Hessian 的比值,即 \(\hat\theta_{ML} - \theta \approx n^{-1} H_n^{-1}(\theta) \partial \ell_n(\theta)/\partial \theta\)。
- Frobenius 可积性条件:用于判断偏微分方程组 (4) 是否有解,这是偏微分方程理论的标准工具。
- 路径积分构造:用于在可积性条件成立时显式构造先验,本质上是求解全微分方程。
真实例子与应用¶
- 线性回归:先验 \(\pi(\beta, \sigma^2) \propto \sigma^{-4}\) 导致后验均值恰好等于 OLS 估计,这是一个精确结果而非渐近结果。作者在附录 C.3 中给出了完整推导。
- 嵌套误差回归模型:先验 \(\pi(\beta, \tau^2, \sigma^2) \propto \sigma^{-4}(\sigma^2 + n\tau^2)^{-2}\) 是本文的核心应用。模拟研究(第 4 节)比较了三种先验:(1) 渐近无偏先验;(2) Jeffreys 先验(方差分量部分);(3) Datta-Ghosh (1991) 先验。结果显示,渐近无偏先验在偏差上最优,尤其在 \(m=10\) 时,\(\tau^2\) 的偏差从 Jeffreys 先验的约 0.15 降至约 0.07,\(\sigma^2\) 的偏差从约 0.10 降至约 0.05。MSE 方面,渐近无偏先验与 Jeffreys 先验相当,但优于 Datta-Ghosh 先验。覆盖概率方面,三种先验均接近名义水平 0.95,但渐近无偏先验在 \(m=10\) 时略低于名义水平(约 0.93),这可能与小样本下 Laplace 近似的误差有关。
🔎 结论是否比证明窄¶
- 定理 1 的余项控制:作者在定理 1 的陈述中声称分解的余项为 \(o_p(n^{-1})\),但在证明中仅引用"标准 Laplace 近似结果",未给出余项的具体上界。这意味着定理 1 的严格性依赖于未明确验证的正则条件(如先验三阶导数的有界性、似然四阶矩的存在性)。读者应检查 Assumption 1 是否足以保证这些条件。
- 定理 2 的充分性:作者证明了可积性条件 (6) 是偏微分方程组 (4) 有解的充要条件,但该证明假设 \(\phi(\theta)\) 在 \(\Theta\) 上连续可微。在嵌套回归模型中,\(\phi(\theta)\) 的表达式包含 \(H(\theta)\) 的逆,而 \(H(\theta)\) 在 \(\tau^2 = 0\) 时可能退化——作者在附录 D 中证明了后验正常性,但未讨论 \(\tau^2 = 0\) 边界上的行为。
- 模拟的局限性:模拟仅覆盖了 \(n=5\) 固定、\(m\) 变化的情形,未考虑 \(n\) 变化或协变量分布变化的影响。此外,模拟仅报告了偏差、MSE 和覆盖概率,未报告后验分布的尾部行为或计算时间。
四、开放问题¶
以下问题均扎根于本文的具体陈述,供研究者自行判断价值与可行性:
-
可积性条件的验证:定理 2 的充要条件 (6) 在一般模型中如何验证?本文仅在线性回归和嵌套回归模型中显式验证了该条件,但对于更一般的随机效应模型(如非平衡数据、多个方差分量),\(\phi(\theta)\) 的表达式可能极其复杂,可积性条件的验证可能成为实际应用的瓶颈。(扎根于定理 2 的陈述和例 7 的推导。)
-
先验对样本量的依赖:本文在式 (3) 之后承认渐近无偏先验可能依赖于样本量 \(n\)。这种依赖在贝叶斯推断中是否合理?如果先验随 \(n\) 变化,那么"先验"是否还具备主观概率的解释?这是否意味着渐近无偏先验本质上是一种频率学派工具而非贝叶斯工具?(扎根于式 (3) 之后的讨论。)
-
高阶无偏性:本文只处理了二阶无偏性(偏差 \(o(n^{-1})\))。能否推广到三阶或更高阶?在 i.i.d. 情形下,Hartigan (1965) 的框架可以推广到任意阶,但在非 i.i.d. 情形下,偏微分方程组会变得更复杂,可积性条件可能更难满足。(扎根于定理 1 的分解结构,其中高阶项 \(A_{n,rs}\) 已经出现。)
-
与概率匹配先验的关系:本文在 Remark 1 中指出渐近无偏先验与概率匹配先验不同,但未给出两者重合的充分条件。对于哪些模型族,这两类先验恰好一致?如果一致,是否意味着偏差校正和区间覆盖可以同时实现?(扎根于 Remark 1 的陈述。)
-
后验正常性的一般条件:附录 D 仅对平衡嵌套回归模型证明了后验正常性。对于非平衡数据或更一般的随机效应模型,渐近无偏先验是否会导致后验不正常?(扎根于附录 D 的假设条件。)
-
计算可行性:推论 3 的路径积分构造需要计算 \(\phi(\theta)\) 的逐坐标积分,在 \(p\) 较大时可能计算量巨大。是否存在更高效的构造方法,例如通过求解一个优化问题而非积分?(扎根于推论 3 的构造步骤。)
提醒:要确认上述某条是否是真 gap,建议去读同一子领域(客观贝叶斯、高阶渐近)近期约 5 篇论文的引言——如果多篇引言都指向同一个未解决问题,那很可能是共识性的真 gap;如果各篇引言对"什么是最重要的问题"说法不一,那可能意味着该领域尚未形成稳定的问题意识,此时机会与风险并存。
Maintained by 陈星宇 · Homepage · Source on GitHub