Bayesian inference for k-monotone densities with applications to multiple testing¶

作者: Kang Wang, Subhashis Ghosal
来源: Bernoulli
主题: 非参数 / 半参数
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

形状限制密度估计是非参数统计的一个子方向，核心问题是在密度必须满足某种单调性约束（如单调递减、凸递减、log-凹）的设定下进行估计。其根本吸引力在于：无需光滑性假设，单调性本身就能保证一致的、甚至最优的估计，且解释性强（例如医学参考范围、流行病学发病率曲线）。k‑单调（k‑monotone）是该领域的一个统一框架：\(f^{(j)}\) 的符号交替 \(( -1)^j\) 对 \(j=0,\dots,k-1\)，其中 \(k=1\) 即单调递减密度，\(k=2\) 即凸递减密度，而 \(k\to\infty\) 则收敛到完全单调（complete monotone）密度。该方向当前已相当成熟，频率学派框架下对于非参数最大似然估计（NPMLE）与最小二乘估计（LSE）的收敛速率与极限分布已有完整理论，但贝叶斯框架的进展长期限于 \(k=1\)（单调）和 log‑凹密度，一般\(k\) 的贝叶斯最优性理论此前是空白。

发展脉络（从引入的参考文献构建）¶

奠基：频率学派 NPMLE 理论的建立
Balabdaoui & Wellner (2005, [7]) 与 Balabdaoui & Wellner (2010, [10])：建立 \(k\)-单调密度 MLE 与 LSE 的存在性、表征、一致性和渐近 minimax 下界，证明估计量为 \(k-1\) 次样条。
Gao & Wellner (2009, [11])：获得 \(k\)-单调函数类的 bracketing 熵上界，并推出 MLE 收敛速率为 \(n^{-k/(2k+1)}\)。
这些工作奠定了频率学派的理论基石，留下问题：能否用贝叶斯方法达到相同的 minimax 速率？
贝叶斯形状限制估计的早期尝试
Salomond (2013, [1])：对单调递减密度（\(k=1\)）使用 Dirichlet 过程混合或有限混合先验，证明后验收缩速率为 \(n^{-1/3}\)（含对数因子），最接近 minimax 最优。这是第一个明确为单调密度设计的贝叶斯速率结果。
Martin (2017, [15])：在单调密度问题上提出经验贝叶斯先验，取得近最优速率（不含对数因子），但依赖于数据驱动的先验选择，不属于全贝叶斯。
Mariucci, Ray & Szabó (2017, [14])：对 log-凹密度（一种形状限制，但不等价于任何 \(k\)-单调）使用指数化 Dirichlet 过程混合先验，得到近 minimax 最优的后验收缩率。这进一步拓宽了贝叶斯形状限制研究的边界，但与 \(k\)-单调框架无直接包含关系。
贝叶斯密度估计的一般理论支撑
Ghosal & van der Vaart (2007, [4])、Shen, Tokdar & Ghosal (2011, [5])：为普通光滑密度（无形状限制）的 Dirichlet 过程混合先验建立后验收缩率理论，其技术（sieve 构造、熵计算、先验集中条件）被后续形状限制工作复用。
Rousseau (2010, [9])：对 Beta 混合先验给出自适应 minimax 收缩率，同样为一般光滑密度，未涉及形状限制。
本文的位置
在 2013–2017 年几个孤立特例（\(k=1\)、log-凹）之后，Wang & Ghosal 将贝叶斯最优性理论一次性推广到所有整数 \(k\geq 1\)。他们的关键创新是：利用 \(k\)-单调密度的核混合表示（\(f(x) = \int k(1-x/t)_+^{k-1}/t \, dP(t)\)），对混合分布施加 Dirichlet 过程或有限混合先验，证明后验收缩率 \(\asymp (n/\log n)^{-k/(2k+1)}\)（定理 1），并进一步证明当真实密度为有限成分混合时速率改进至近参数速率（定理 2），以及通过给 \(k\) 赋予先验实现自适应（定理 3）。这填补了贝叶斯形状限制估计中一般 \(k\) 的理论空白。

子线索聚类¶

频率学派最优估计理论 – Balabdaoui & Wellner (2005, 2010), Gao & Wellner (2009), Gao (2008, [13])。核心贡献：熵界、收敛速率、极限分布。
贝叶斯形状限制估计（特例） – Salomond (2013, \(k=1\)), Mariucci et al. (2017, log-凹), Martin (2017, 经验贝叶斯 \(k=1\))。核心贡献：各自的先验设计与后验收缩率。
贝叶斯密度估计一般方法论 – Ghosal & van der Vaart (2007), Shen et al. (2011), Rousseau (2010), Castillo et al. (2014, [3], 稀疏回归但共享收缩率理论框架)。核心贡献：通用后验收缩定理、sieve 技术、先验集中条件。

核心问题¶

问题1：如何为一般的 \(k\)-单调密度设计全贝叶斯先验（非经验贝叶斯）并证明其后验收缩率可达 minimax 最优？
问题2：当真实密度恰为有限成分混合（例如有限个核的加权和）时，收缩率能否自动加速？
问题3：如果 \(k\) 未知，后验能否自适应地达到最优速率？
问题4：该贝叶斯方法在多重检验中 p 值密度建模的具体应用中，相对于频率学派 NPMLE 有何实际优势？
当前主流方法：频率学派 NPMLE / LSE，已知收敛速率与极限分布，但缺乏不确定性量化（后验分布可提供）。贝叶斯方法在特例上已有理论，但一般 \(k\) 因核混合表示和 entropy 计算的复杂性而空缺。
已知瓶颈：一般 \(k\) 的核混合表示涉及截断指示函数（\((1-x/t)_+^{k-1}\)），导致近似误差和 entropy 计算比 \(k=1\) 时复杂得多；先验的集中性质需要对混合分布施加精细的截断。

⚠️ 作者的 framing（必须明确标注为作者的说法）¶

作者声称：¹“To the best of our knowledge, no Bayesian procedure for general \(k\)-monotone densities has been developed.” 他们将缺口框定为“全贝叶斯、一般 \(k\)、后验收缩率最优 + 自适应 + 有限混合加速 + 实际应用”的五合一缺口。
被淡化的竞争路线：经验贝叶斯方法（Martin 2017, [15]）可达到更精准的速率（不含 \(\log n\) 因子），作者仅在文献回顾中提及，但未讨论本文是否能在不依赖数据驱动先验的条件下消除此对数因子；此外，频率学派 NPMLE 的无对数因子速率（Gao & Wellner 2009）未被纳入对比。
值得研究者自查的问题：本文的证明是否隐含了“真实密度有界支撑”的假设？若支撑为 \([0,\infty)\)，尾部条件是否需要类似 Salomond (2013) 中的截断调整？是否有任何文献（例如关于完全单调密度的贝叶斯方法）被遗漏？作者在引用中提到了完全单调与 \(k\)-单调的关系（[23]），但未对比任何专门处理完全单调的贝叶斯工作。

张力¶

未见明显对立引用。各被引工作彼此兼容（频率学派 vs. 贝叶斯、不同 \(k\) 值下结果无矛盾）。

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¶

符号
\(n\)：样本量（正整数）。
\(X_1,\dots,X_n\)：i.i.d. 随机变量，取值于 \([0,\infty)\)，具有共同未知密度 \(f_0\)。
\(k\)：正整数，形状参数，表示 \(f_0\) 的 \(k\)-单调 性。
\(f\)：任意候选密度，需满足 \(k\)-单调（即 \((-1)^j f^{(j)}(x) \geq 0\) 对 \(j=0,\dots,k-1\) 以及几乎处处 \(x\)）。
\(P\)：定义在 \([0,\infty)\) 上的概率测度（混合分布），\(f\) 的核混合表示为

\[f(x) = \int_0^\infty \frac{k(1-x/t)_+^{k-1}}{t} \, dP(t), \quad x \geq 0.\]

这里 \((a)_+ = \max(a,0)\)，核 \(K_k(x;t) = k(1-x/t)_+^{k-1}/t\) 是 k-单调 的。
\(J_0\)：若真实密度恰为有限混合，则 \(P_0\) 为 \(J_0\) 个点的离散分布（第2节用到）。
\(\alpha\)：Dirichlet 先验的基测度（浓度参数）。
\(\Pi\)：先验分布（对 \(P\) 的 DP 或有限混合先验）。
\(d_H\)：Hellinger 距离，\(d_H(f,g) = [\frac12 \int (\sqrt{f}-\sqrt{g})^2]^{1/2}\)。
\(\epsilon_n\)：后验收缩速率，满足 \(\Pi(d_H(f,f_0) > M_n\epsilon_n \mid X_1,\dots,X_n) \to 0\)（概率）。
模型
数据生成机制：\(X_1,\dots,X_n \stackrel{i.i.d.}{\sim} f_0\)，其中 \(f_0\) 是一个 固定的但未知的 \(k\)-单调密度。研究者不假设 \(f_0\) 在光滑性类中，只假设其 \(k\)-单调性。
统计模型：所有 \(k\)-单调密度构成的集合（非参数）。作者通过核混合表示将该集合与混合分布 \(P\) 建立一一对应。
先验：对 \(P\) 赋以 Dirichlet 过程先验 \(\text{DP}(\alpha)\) 或有限混合先验（例如 mix of Gaussians / Betas 但在核混合框架下）。
要估的对象：整个密度 \(f_0\)（作为函数），通过后验分布总结。
可观测数据
研究者实际能观测到的是：样本 \(X_1,\dots,X_n\) 及其经验分布。
无法直接观测的是：真实的密度函数 \(f_0\) 的解析形式、其 \(k\)-单调性质（仅假设）、混合分布 \(P_0\) 的具体形式。
关键识别结构：\(k\)-单调密度类与概率测度 \(P\) 之间的一一对应（由核混合表示建立），使得估计 \(f\) 等价于估计 \(P\)。

第二步：讲最小内核——最简特例 \(k=1\)（单调递减密度）¶

在交代好的记号下，将本文结果退化为 \(k=1\) 情形。 这是整篇论文所研究的一般 \(k\) 的一个特例，且该特例已有部分文献（Salomond 2013）。看本文如何比前人做得更好。

当 \(k=1\) 时，核混合表示简化为

\[f(x) = \int_0^\infty \frac{1(0 \leq x \leq t)}{t} \, dP(t).\]

这等价于说 \(f(x) = \int_x^\infty \frac{1}{t} dP(t)\)，即 \(f\) 是某个分布在参数 \(t\) 上的均匀分布的混合（均匀 \((0,t)\) 的密度是 \(1/t\)）。
Salomond (2013) 的结果：采用 DP 或有限混合先验（对混合分布），证明后验收缩率为 \((n/\log n)^{-1/3}\)，且该速率是单调递减密度的 minimax 最优率（达到对数因子）。
本文 \(k=1\) 情形下定理1的陈述：若真实密度 \(f_0\) 是 \(1\)-单调（即单调递减），且满足正性、有界支撑等正则条件，则后验收缩率 \(\epsilon_n = (n/\log n)^{-1/3}\)。与 Salomond 结果一致，但本文的证明路径不同：Salomond 直接对 \(k=1\) 构造 log-似然的先验集中性质，而本文通过一般 \(k\) 的核混合表示和熵界直接推出相同速率——这意味着本文的证明框架统一涵盖了 \(k=1\)，且无需专门为 \(k=1\) 设计新的技巧。
这个特例揭示了论文的核心数学困难是什么？
一般 \(k\) 的核 \(K_k(x;t) = k(1-x/t)_+^{k-1}/t\) 在 \(k>1\) 时不是均匀分布，而是Beta 分布的核（具体地，Beta(1, k) 族的平移缩放）。其截断性质（\((1-x/t)_+^{k-1}\)）使得对任意有限混合成分，其近似误差和 entropy 的 bound 均需更精细的尾部控制。当 \(k=1\) 时截断退化为一个简单的示性函数，近似问题大大简化。
本文的关键想法：证明即使对于一般 \(k\)，通过将混合分布 \(P\) 限制在一个指数增长点的离散集合上（sieve），并结合 Bracketing 熵的已有上界（Gao 2008），仍可满足 Ghosal & van der Vaart (2007) 的后验收缩率定理的条件。这对所有整数 \(k\) 同时有效。

三、这篇论文做了什么¶

三句话¶

研究问题：为一般 \(k\)-单调密度（\(k\in\mathbb{N}\)）设计全贝叶斯估计程序，证明后验分布在 Hellinger 距离下以近 minimax 最优速率收缩，并推广到 \(k\) 未知的自适应情形，以及有限混合加速。
核心工具/方法：使用 \(k\)-单调密度的核混合表示，对混合分布赋予 Dirichlet 过程或有限混合先验；利用 Ghosal & van der Vaart (2007) 的后验收缩率通用定理，结合 Gao (2008) 对 \(k\)-单调函数包的 Bracketing 熵上界，以及特定的先验集中条件验证。
主要结论：(i) 对任意固定 \(k\)，后验收缩率 \(\epsilon_n = (n/\log n)^{-k/(2k+1)}\)（达到 minimax 最优，仅差 \(\log n\) 因子）；(ii) 若真实密度为有限 \(J_0\) 成分混合，速率改进为 \(\sqrt{(J_0 \log n)/n}\)；(iii) 对 \(k\) 赋予先验，后验能自适应达到未知 \(k\) 下的最优率；(iv) 给出应用于大规模多重检验中 p 值密度建模的实例，并通过模拟验证。

关键设定与假设（在第二节记号基础上补充）¶

定义1（\(k\)-单调性）：一个密度 \(f\) 在 \([0,\infty)\) 上称为 \(k\)-单调，若对 \(j=0,\dots,k-1\)，导数 \(f^{(j)}\) 存在（几乎处处）且满足 \((-1)^j f^{(j)}(x) \geq 0\)。完全单调（\(k=\infty\)）可通过所有阶导数符号交替刻画。
假设 A1（真实密度的正则性）：\(f_0\) 是 \(k\)-单调，且满足 \(\inf_{x\in[0,T]} f_0(x) > 0\) 对某个 \(T>0\)，且 \(f_0\) 在 \([0,\infty)\) 上有紧支撑或尾部分布足够薄（具体为对某 \(\beta>0\) 有 \(F_0(x) \lesssim e^{-\beta x}\)）。这些假设用于控制近似误差和熵的尾部项。
假设 A2（先验）：对混合分布 \(P\) 赋以 Dirichlet 过程先验 \(\text{DP}(\alpha)\)，其中基测度 \(\alpha\) 是 \([0,\infty)\) 上的绝对连续分布，具有连续密度且支撑含原点附近。对于有限混合先验，假设成分数 \(J\) 服从 Poisson 或几何分布。
与已有文献的对比：Salomond (2013) 对 \(k=1\) 假设了类似的有界支撑与正性；Mariucci et al. (2017) 对 log-凹假设了尾部分布为次指数型。本文的条件在其之上，但尚不清楚是否可松弛到无紧支撑。

主要结果¶

定理 1（后验收缩率，一般 \(k\)）
令 \(f_0\) 满足 A1（对固定 \(k\)），先验为 \(\text{DP}(\alpha)\)。则存在常数 \(M>0\) 使得

\[\Pi\left( d_H(f, f_0) > M \left(\frac{\log n}{n}\right)^{\frac{k}{2k+1}} \Bigg| X_1,\dots,X_n \right) \to 0\]

在 \(n\to\infty\) 时（在 \(P_{f_0}\) 概率下）。
- 直觉：该速率与 Gao & Wellner (2009) 中频率学派 MLE 的 minimax 下界 \(n^{-k/(2k+1)}\) 仅差一个 \(\log n\) 因子，因此称为“近 minimax 最优”。
- 必要条件：A1 中正性条件用于保证 Hellinger 距离与 \(L_1\) 距离的等价性；有界支撑或次指数尾用于控制混合分布的浓度。
- 解决的技术难点：验证 Ghosal & van der Vaart (2007) 定理 2.2 的两条核心条件：(i) 先验集中条件（\(\Pi(B_n(f_0,\epsilon_n)) \ge e^{-C n\epsilon_n^2}\)，其中 \(B_n\) 是 Hellinger 邻域）；(ii) 熵条件（sieve 的度量熵被 \(\epsilon_n^{-2}\) 控制）。关键突破在于 Wu & Ghosal (2007, [6]) 已经证明了一般核的 Kullback-Leibler 性质，用于条件 (i)；而条件 (ii) 依赖 Gao (2008) 对 \(k\)-单调分布函数类的 Bracketing 熵上界 \(H(\epsilon) \lesssim \epsilon^{-1/k}\)，转化为密度类的熵后得到 \(\epsilon^{-2}\) 的阶数。

定理 2（有限混合加速）
若 \(f_0\) 恰为某个有 \(J_0\) 个支点的离散混合分布 \(P_0\) 所对应的密度（即有限 \(k\)-单调混合），则后验收缩率改进为

\[d_H(f,f_0) = O_p\left(\sqrt{\frac{J_0 \log n}{n}}\right)。\]

- 这与参数模型中估计 \(J_0\) 个参数（即各支点权重与位置）的典型速率一致，仅相差对数因子。
- 证明思路：利用有限混合空间的参数化维度为 \(J_0\)，使用参数化先验集中条件，而非依赖非参数的熵界。

定理 3（对 \(k\) 的自适应）
赋予 \(k\) 一个适当的先验（例如几何分布），并令先验对混合分布如前，则后验收缩率达到

\[\epsilon_n = \left(\frac{\log n}{n}\right)^{\frac{k_0}{2k_0+1}}\]

其中 \(k_0\) 是 \(f_0\) 所允许的最大 \(k\)（即 \(f_0\) 是 \(k_0\)-单调但不是 \(k_0+1\)-单调）。
- 这意味着后验无需事前知道 \(k\) 即可获得最优率。
- 核心：自适应来自构造的 sieve 族能同时覆盖所有 \(k\) 的假设类，且先验对 \(k\) 的惩罚权重与 entropy 的增长率匹配（类似于 Rousseau (2010) 对光滑密度的自适应处理）。

证明路线与技术技巧¶

整体路线（以定理 1 为例）

sieve 构造：对任意整数 \(N\)，定义截断的混合分布集合 \(\mathcal{F}_N\)：\(f(x)=\sum_{j=1}^N w_j K_k(x;t_j)\)，其中 \(\sum w_j=1\)，\(t_j \in [0,A_N]\)，\(A_N\) 随 \(N\) 增长（控制尾部）。然后在先验下，\(\mathcal{F}_N\) 的概率不能太小。
先验集中条件验证：利用 KL 性质（Wu & Ghosal 2007）证明存在 \(f_{n,0}\in \mathcal{F}_{n}\) 使得 \(d_H(f_{n,0},f_0) \lesssim \epsilon_n\) 且 \(\Pi(\{f: d_H(f,f_{n,0})<\epsilon_n/2\}) \ge e^{-C n\epsilon_n^2}\)。这一步使用了 DP 先验在离散化网格上的正质量以及近似误差的 bound（依赖 \(k\) 和核的光滑性）。
熵条件验证：对 sieve \(\mathcal{F}_{n}\) 计算 Bracketing 熵 \(H_{[]}(\epsilon, \mathcal{F}_n, d_H)\)。利用 Gao (2008) 对 \(k\)-单调累积分布函数的 Bracketing 熵界，转化为密度后得到 \(H_{[]}(\epsilon) \lesssim \epsilon^{-1/k}\)。再结合筛子的有限参数化（参数个数 \(\propto n\)）得到整体熵条件 \(H_{[]}(\epsilon_n, \mathcal{F}_n, d_H) \le n\epsilon_n^2\)。
应用通用收缩定理（Ghosal & van der Vaart 2007, Theorem 2.2）：由条件1–2，立即得到后验在 \(\mathcal{F}_n\) 上收缩到 \(f_0\) 的速率为 \(\epsilon_n\)；再证明先验将质量主要集中在 \(\mathcal{F}_n\) 外部的概率可忽略，从而推出全局收缩率。

关键跳跃点

近似误差的截断处理：\(K_k(x;t)\) 在 \(t\) 很小时对 \(x\) 有厚尾，因此需要证明存在某个混合分布 \(Q\)（支撑在 \([0,C\log n]\) 内）使得对应的 \(f_Q\) 与 \(f_0\) 的 Hellinger 距离足够小。作者使用了“截断混合分布 + 合并尾部概率”的技术（详见引理 4），这是最吃功夫的部分之一。
熵 bound 的从分布函数到密度函数的转换：Gao (2008) 的熵上界是针对累积分布函数的；作者需要将其转化为密度的 Bracketing 熵。关键在于 Hellinger 距离可被 \(L_2\) 距离控制（借助有界支撑和正性假设），而分布函数类的熵可经由导数的关系导出密度类的熵。

技术技巧点名

Bracketing 熵 bound 的已有结果（Gao 2008, [13]）是本文的核心输入，用于第3步。
Kullback-Leibler 性质 的通用条件（Wu & Ghosal 2007, [6]）用于建立先验集中条件。
Dirichlet 过程先验的截断（将基测度限制在有限网格上）是标准技巧，但需要针对 \(k\)-单调核的尾部进行修正。
有限混合加速的证明直接使用参数化熵和先验集中条件，不依赖非参数技巧（即定理2是定理1的特化参数情形）。
自适应的证明借助了“模型选择”收缩率定理（Ghosal, Lember & van der Vaart 2008, [8]），并将 \(k\) 视为模型选择指标，配合对 sieve 族的统一熵 bound。

真实例子与应用¶

模拟实验（Section 5）。作者生成了三种 \(k\)-单调密度作为真实密度：\(k=1\)（指数分布截断）、\(k=2\)（(1-x)⁺ 的缩放）、\(k=3\)（Gamma(3,1) 截断）。对每种情形，分别用贝叶斯方法（DP 混合先验）和频率学派 MLE（通过 isotonic regression 实现）进行比较。评估指标：均方积分误差（MISE）。结果：贝叶斯方法在小样本（\(n=50,100\)）下优于 MLE，在大样本下两者接近。这验证了贝叶斯方法对不确定性量化的潜在优势（尽管论文未给出后验区间的覆盖率）。
多重检验应用（Section 4, 6）。建模 p 值密度 \(f_0\)：在大规模多重检验中，p 值在零假设下服从均匀分布，备择假设下通常递减（因此总体密度是均匀 + 递减的混合）。本文采用 \(k=1\)（单调递减）或允许 \(k\) 未知来建模备择部分。关键应用：估计零假设比例 \(\pi_0\) 和 pFDR（正误发现率）。模拟显示贝叶斯方法在估计 \(\pi_0\) 时的 RMSE 低于几种频率学派方法（如 Storey’s estimator, beta-uniform mixture）。这说明本文的贝叶斯理论不仅有渐近性质保证，而且在实际中表现良好。

🔎 结论是否比证明窄¶

定理1 对 固定支撑（即 \(f_0\) 在某个有限区间 \([0,T]\) 外几乎为 0）的假设是显式的。但真实数据（如 p 值）支撑为 \([0,1]\)，满足条件。如果真实密度在全正半轴无紧支撑，则证明中的尾部处理需要额外的截断参数，速率中的对数因子可能会有变化——这个细节被作者承认于 Remark 2：“For unbounded support, additional tail conditions are required and the rate remains the same but with possibly a larger log factor.”
定理3 （自适应）要求真实密度对某些 \(k\) 具有严格的 \(k\)-单调性（即 \(f_0\) 是 \(k\)-单调但不是 \(k+1\)-单调）。若真实密度属于所有 \(k\)（如完全单调），则自适应退化为 \(k=\infty\) 的情形，但论文假设 \(k\) 有限，未处理此情况。
整体而言，论文的结论覆盖了其证明所建立的条件，没有明显过度推广。

四、开放问题（点到为止，扎根具体语句）¶

\(\log n\) 因子能否消除？ 频率学派 MLE 在 \(k\)-单调密度下达到的 minimax 速率为 \(n^{-k/(2k+1)}\)（无对数因子）。本文的贝叶斯结果多出一个 \(\log n\)。是否有办法通过改进先验（例如使用经验贝叶斯或更明智的截断）来移除这个因子？作者在 Remark 1 中提及“The rate might be improvable by a more refined prior concentration bound.” 这是最明显的开放 gap。
支撑无界情形下的完整理论：本文证明要求真实密度具有有界支撑或指数型尾部。对于支撑为 \([0,\infty)\) 且重尾的真实密度（例如 Pareto 分布），后验收缩率是否仍成立？作者在 Remark 2 中承认尾部条件的影响，但没有给出具体结果。
有限混合加速的精确常数：定理 2 的速率中包含 \(\sqrt{J_0 \log n / n}\)，但 \(J_0\) 本身未知。能否在贝叶斯框架下自适应地同时估计 \(J_0\) 并获得 BIC 类型的选择一致性？作者 Section 3.2 中只给出收缩率，未涉及模型选择。
计算实践中的先验选择：本文理论允许 Dirichlet 过程先验或有限混合先验，但实际实现中，混合成分数 \(N\) 和基测度 \(\alpha\) 的参数如何影响有限样本表现？（作者在模拟中使用 \(N\sim \text{Poisson}(10)\) 等设定）没有 finitesample 指导。
多重检验中更复杂的 p 值模型：本文用 \(k=1\) 或未知 \(k\) 建模备择部分，但若备择部分有多峰或非单调结构，\(k\)-单调假设可能过强。是否存在更灵活的贝叶斯形状限制模型（如 \(s\)-凹）可以适应？作者在 Discussion (Section 7) 中提到了对 \(s\)-凹密度的扩展作为未来工作。

Maintained by 陈星宇 · Homepage · Source on GitHub