A new adaptive local polynomial density estimation procedure on complicated domains¶
作者: Karine Bertin, Nicolas Klutchnikoff, Frédéric Ouimet
来源: Bernoulli
主题: 非参数 / 半参数
相关性: 6/10
机构绿灯: McGill University（US News 前 50，免分进入精读）
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么 这个子方向要解决的根本统计问题是：当随机变量的支撑集（Domain）具有复杂几何结构（如非星形、含孔洞、尖锐凹性或局部收缩）时，如何构造在边界及内部均无偏的非参数密度估计器，并为其建立数据驱动的带宽选择规则，使得在 \(L^p\) 风险下达到 minimax 收敛速率与自适应最优性。 当前该方向的成熟度处于“从简单边界（如超立方体）向一般复杂域推广的理论与算法成熟期”：对于 \([0,1]^d\) 等星形域，局部多项式与核方法的边界修正及 Goldenshluger-Lepski (GL) 自适应选择已有一整套 minimax 与 oracle inequality 结果；但对非星形复杂域，理论上的 minimax rate 与自适应规则直到近两三年才被严格建立。
发展脉络 - 奠基工作（GL 方法与自适应框架）：Lepski (1991) 提出了逐点自适应选择的基本思想；随后 Goldenshluger 与 Lepski 在一系列工作中将其系统化：Goldenshluger & Lepski (2007) 提出了基于 \(L^p\)-norm oracle inequality 的结构自适应框架；Goldenshluger & Lepski (2011/2010) 将其应用于核密度估计，证明了 GL 选择规则在 anisotropic Nikol'skii 类下的 minimax 自适应最优性；Goldenshluger & Lepski (2012) 完整刻画了 \(\mathbb{R}^d\) 上密度估计 minimax risk 的四种不同 regime；Lepski (2014) 进一步给出了白噪声模型下 anisotropic 类的统一自适应框架。这些工作确立了“oracle inequality → minimax adaptive rate”的标准证明路线，但均假设域为 \(\mathbb{R}^d\) 或无复杂边界。 - 主要进展（边界修正与有界域）：针对 \([0,1]^d\) 等简单有界域的边界偏差问题，Bertin, Klutchnikoff 等 (2016) 在弱依赖过程下提出了逐点自适应核估计；Bertin, El Kolei, Klutchnikoff (2018) 构造了 \([0,1]^d\) 上无边界偏差的核密度估计族，并用 GL 规则证明了 \(L^p\) 风险下的 oracle inequality 与 Sobolev-Slobodetskii 类的 minimax 自适应性。Cattaneo, Jansson, Ma (2018/2019) 提出了基于局部多项式的边界自适应密度估计器，无需预分箱，并提供了 MSE 最优带宽与稳健推断，但其理论主要针对半无限或超立方体边界。 - 当前 frontier（复杂域上的密度估计）：Bertin, Klutchnikoff, León, Prieur (2020) 首次将 GL 自适应密度估计推广到“更一般的 bounded domains”，引入了基于行列式为 1 的线性变换族的边界修正核，并在弱依赖条件下证明了 oracle inequality。然而，其 Assumption 5 要求对任意点 \(t \in D\)，存在有限个 det=1 的线性变换将小超立方体映射到域的局部结构——这实质上限制了域的局部几何只能是“线性等价于超立方体”的形状，排除了尖锐凹性、孔洞与局部收缩（如多项式扇区）。Ferraccioli, Arnone, Finos, Ramsay (2021) 提出了基于微分算子正则化与有限元方法的复杂域密度估计，计算效率高且能处理复杂边界，但缺乏 minimax rate 与 oracle inequality 的严格理论保证。 - 本文的位置：本文的核心突破在于放宽了 Bertin et al. (2020) 的 Assumption 5，允许域在估计点附近具有非星形的复杂局部结构（如多项式扇区 \(D_t = \{x \in \mathbb{R}^d : x_1 > 0, x_2 > x_1^\beta\}\)，\(\beta > 1\)），构造了基于局部多项式的密度估计器，并在 \(L^2\) 风险下证明了 Hölder 类的 minimax 最优性与 GL 选择规则的自适应 oracle inequality。
子线索聚类 1. GL 自适应选择与 minimax 理论（纯理论线）：Goldenshluger-Lepski 系列 (2007, 2010, 2011, 2012, 2014)，Lepski (1991)，Rebelles (2015)。这一簇的核心是建立“从核估计族中通过数据驱动选择达到 oracle inequality 与 minimax 自适应”的通用数学框架，主要在 \(\mathbb{R}^d\) 或无边界设定下。 2. 边界偏差修正与有界域密度估计（方法+理论线）：Bertin-Klutchnikoff 系列 (2016, 2018, 2020)，Cattaneo-Jansson-Ma (2018, 2019, 2022)。这一簇致力于构造在边界处无偏的核/局部多项式估计器，并为其提供带宽选择与推断理论，从超立方体逐步向更一般的域推广。 3. 复杂域上的空间/密度建模（计算+应用线）：Ferraccioli et al. (2021, PDE+有限元)，Wood et al. (2008, soap film)，Bakka et al. (2016, Barrier GP)，Niu et al. (2018, intrinsic GP)，Barry & McIntyre (2010, lattice-based)。这一簇主要在空间统计与计算几何领域，处理不规则边界与孔洞，侧重计算实现与物理合理性，但通常不提供 minimax rate 理论。
这个方向在追问的核心问题 1. 如何定义与刻画“复杂域”的局部几何，使得边界修正估计器可构造且 minimax rate 可显式表达？（当前瓶颈：Bertin et al. (2020) 的线性变换族假设过强，无法覆盖多项式扇区等非星形局部结构；本文通过放宽为“多项式映射”突破此瓶颈。） 2. 在复杂域的局部几何下，minimax rate 的显式形式是什么？是否与简单域相同（\(n^{-2\beta/(2\beta+d)}\)），还是受局部收缩维度影响？（本文回答：在 Hölder 类下，\(L^2\) minimax rate 仍为 \(n^{-2\beta/(2\beta+d)}\)，但局部多项式估计器的构造需根据域的局部多项式映射调整。） 3. GL 选择规则在复杂域下是否仍能保持 oracle inequality 与自适应最优性？（本文回答：是，oracle inequality 的常数与收敛速率均被显式给出。）
⚠️ 作者的 framing - 作者把缺口 frame 成什么：作者将缺口定位为“现有边界自适应密度估计方法（特别是 Bertin et al. 2020）对域的局部几何假设过强（要求线性变换族），无法处理非星形域（尖锐凹性、孔洞、局部收缩如多项式扇区）”，从而将自己的工作定位为“通过放宽局部几何假设至多项式映射，构造适用于任意复杂域的局部多项式估计器，并证明其 minimax 与自适应最优性”。 - 哪些竞争路线被淡化或回避：作者在 intro 中提到了 PDE 正则化、形状约束、soap film、spline、扩散核等计算/空间统计路线，但仅一笔带过，未与这些方法在理论精度（minimax rate）上进行直接比较。这些路线在计算灵活性与物理合理性上可能更强，但缺乏 minimax 理论——作者选择将“minimax rate 与 oracle inequality”作为唯一评价标准，从而回避了计算效率或物理建模合理性的竞争。 - 什么明显该被引/该存在、却没出现在 intro 里：高维密度估计中的形状约束方法（如 log-concave MLE，Xu & Samworth 2019）。这些方法在支撑集复杂（如非凸）时通过形状约束实现自适应，且在 \(d>p\) 时有维数无关的 rate，与本文的“复杂域+自适应”主题直接相关，但 intro 未提及。此外，基于小波的复杂域密度估计（如 Liu & Wu 2019）也未出现，尽管小波在 anisotropic Hölder 类下有天然优势。这两条是值得研究者去查的“缺失引用”。
张力 未见明显对立引用。Bertin et al. (2020) 与本文是同一脉络的递进（放宽假设），而非矛盾；GL 理论与 PDE/形状约束路线是不同评价标准下的并行路线，未见在同一设定下得相反结论的引用。
二、最核心、最简单的例子 / 数学问题¶
第一步：把符号、模型、可观测数据交代清楚
- 符号与参数
- \(d\)：域的维数（\(\geq 1\)）。
- \(D \subset \mathbb{R}^d\)：密度函数的支撑域，已知的有界闭集，可具有尖锐凹性、孔洞或局部收缩。
- \(t \in D\)：估计密度的目标点。
- \(D_t\)：域 \(D\) 在点 \(t\) 处的局部结构（局部邻域），由多项式映射刻画。
- \(\beta > 0\)：Hölder 光滑度参数。
- \(L > 0\)：Hölder 类的半径参数。
- \(\Sigma(\beta, L)\)：Hölder 函数类，\(\{f: |f(x) - f(y)| \leq L \|x-y\|^\beta, \forall x, y\}\)（简记，实际为各向同性 Hölder 类）。
- \(h > 0\)：带宽参数。
- \(K_h\)：带宽为 \(h\) 的核函数/局部多项式基函数。
- \(n\)：样本量。
- \(\hat{f}_{t,h}\)：基于带宽 \(h\) 在点 \(t\) 处的局部多项式密度估计器。
- \(\hat{h}\)：由 GL 选择规则确定的数据驱动带宽。
-
\(\hat{f}_{t,\hat{h}}\)：自适应密度估计器。
-
模型（数据生成机制）
- 设 \(X_1, \ldots, X_n\) 为独立同分布随机变量，取值于 \(\mathbb{R}^d\)。
- \(X_i\) 的共同密度函数为 \(f: D \to \mathbb{R}\)，\(f \in \Sigma(\beta, L)\)，\(D\) 为 \(f\) 的支撑集。
-
\(f\) 是未知的待估对象；\(D\) 是已知的复杂域。
-
可观测数据
- 研究者实际观测到的是样本 \(X_1, \ldots, X_n \in D\)（位置数据，无协变量）。
- 域 \(D\) 的几何结构是已知的（可通过地图、物理边界等获取），但 \(f\) 在边界附近的形态是未知的、只能靠局部多项式逼近与域的几何假设去识别。
- 潜在/不可观测量：\(f\) 在 \(t\) 处的各阶导数（局部多项式逼近的目标），以及最优 oracle 带宽 \(h^*\)（依赖于未知的 \(\beta\)）。
第二步：讲最小内核
整篇论文的证明与方法本质上是“多项式扇区”这一特殊例子的推广。多项式扇区是支撑域局部非星形的最简典型情形，在此特例上把核心思路讲清楚，一般情形只是“将线性映射替换为多项式映射”的加壳。
最简特例：二维多项式扇区上的局部多项式密度估计
设 \(d=2\)，估计点 \(t = (0,0)\)（域的尖角点）。域 \(D\) 在 \(t\) 处的局部结构为多项式扇区：
核心思路（在 \(D_t\) 上从头到尾）： 1. 局部多项式逼近的困难：在 \(D_t\) 内，点 \(x\) 落入带宽 \(h\) 的邻域 \(U_h(t) = \{x: \|x\| \leq h\} \cap D_t\) 的概率质量为 \(\int_{U_h(t)} f(x) dx \approx f(t) \cdot \text{Vol}(U_h(t))\)。由于 \(D_t\) 的收缩性，\(\text{Vol}(U_h(t)) \approx h^{1+1/\gamma}\)（而非星形域的 \(h^2\)）。若直接用标准核估计，邻域内有效样本量 \(n \cdot h^{1+1/\gamma}\) 随 \(\gamma\) 增大而急剧减少，导致方差爆炸。 2. 本文的破局点：多项式映射修正：构造一个多项式映射 \(\phi: D_t \to [0,1]^2\)，将 \(D_t\) “拉伸”为超立方体。例如，取 \(\phi(x_1, x_2) = (x_1, x_2 - x_1^\gamma)\)，则 \(\phi(D_t) = [0, \infty) \times [0, \infty)\)（局部近似超立方体）。在映射后的空间上，密度 \(g(y) = f(\phi^{-1}(y)) \cdot |\det J_{\phi^{-1}}(y)|\) 在 \(y=0\) 处的邻域体积恢复为 \(h^2\)，局部多项式逼近的偏差与方差回到标准形式。 3. 局部多项式估计器的构造：在映射空间 \([0,1]^2\) 上，对 \(g(y)\) 使用标准局部多项式估计器（边界处自动修正），然后通过 \(\phi^{-1}\) 拉回原域 \(D_t\)，得到 \(\hat{f}_{t,h}\)。此时，偏差为 \(O(h^\beta)\)（由 Hölder 条件保证），方差为 \(O(1/(n h^d))\)（\(d=2\)，因映射后邻域体积为 \(h^d\)）。 4. Minimax rate 的退化：在 \(D_t\) 上，\(L^2\) minimax rate 仍为 \(n^{-2\beta/(2\beta+d)}\)（\(d=2\)），不随 \(\gamma\) 变化。直觉：虽然 \(D_t\) 局部收缩，但多项式映射将收缩“拉平”，使得有效样本量在映射空间中恢复为 \(n h^d\)，minimax rate 由光滑度 \(\beta\) 与维数 \(d\) 主导，而非局部几何参数 \(\gamma\)。 5. GL 选择规则的运作：定义估计器族 \(\{\hat{f}_{t,h}\}_{h \in \mathcal{H}}\)，GL 规则通过比较不同 \(h\) 下估计器的“偏差上界估计”与“方差”来选择 \(\hat{h}\)。在多项式映射下，偏差与方差的形式与简单域相同，GL 规则的 oracle inequality 证明直接迁移，得到自适应 rate \((n/\log n)^{-2\beta/(2\beta+d)}\)。
为什么成立：多项式映射 \(\phi\) 保持了密度的 Hölder 光滑性（因 \(\phi\) 是多项式，\(\phi^{-1}\) 亦光滑），同时将域的局部几何“标准化”为超立方体，使得局部多项式逼近的偏差-方差权衡回到经典形式。一般情形的证明只是将 \(\phi\) 从“线性映射”推广为“多项式映射”，并在偏差展开与方差计算中处理 \(|\det J_{\phi^{-1}}|\) 的有界性。
三、这篇论文做了什么¶
三句话 ①研究了已知任意维数复杂域（非星形、含孔洞、局部收缩）上的多元密度函数逐点估计问题。 ②核心方法是构造基于域局部多项式映射的局部多项式密度估计器，并引入 Goldenshluger-Lepski 数据驱动带宽选择规则。 ③主要结论是：在 Hölder 类下，局部多项式估计器在 \(L^2\) 风险下达到 minimax rate \(n^{-2\beta/(2\beta+d)}\)；自适应情形下给出 oracle inequality 并显式确定收敛速率 \((n/\log n)^{-2\beta/(2\beta+d)}\)。
关键设定与假设 在第二节最小记号基础上补全： - Assumption 1（域的局部几何）：对任意 \(t \in D\)，存在多项式映射 \(\phi_t: \mathbb{R}^d \to \mathbb{R}^d\)，使得 \(\phi_t(D_t)\) 在 \(t\) 的局部邻域内“近似超立方体”（具体为：\(\phi_t\) 将 \(D_t\) 映射为包含 \([0, r]^d\) 的集合，且 \(\phi_t\) 的 Jacobian 行列式在 \(t\) 处为 1，\(\phi_t\) 与 \(\phi_t^{-1}\) 的各阶导数有界）。统计含义：域的局部几何可被多项式“拉平”为超立方体，从而局部多项式逼近可用；相比 Bertin et al. (2020) 的放宽：Bertin et al. 要求 \(\phi_t\) 为线性映射（det=1 的线性变换族），本文允许多项式映射，覆盖了 \(x_2 > x_1^\gamma\) 等非星形局部结构。 - Assumption 2（密度的支撑与光滑性）：\(f\) 在 \(D\) 上连续，\(f(t) > 0\)，\(f \in \Sigma(\beta, L)\)（Hölder 类）。统计含义：保证局部多项式逼近的偏差为 \(O(h^\beta)\)，且邻域内有足够样本。 - Assumption 3（核/基函数的性质）：局部多项式基函数 \(K_h\) 在映射空间上满足标准边界修正条件（正则性、矩条件、支撑有界）。统计含义：保证估计器的偏差与方差在映射空间上有经典界。
主要结果 1. 定理：局部多项式估计器的 minimax 最优性（\(L^2\) 风险） - 陈述：对任意 \(f \in \Sigma(\beta, L)\)，存在带宽 \(h^* \asymp n^{-1/(2\beta+d)}\)，使得局部多项式估计器 \(\hat{f}_{t,h^*}\) 的 \(L^2\) 风险满足
- 定理：GL 选择规则的 oracle inequality 与自适应 rate
- 陈述：设 \(\hat{h}\) 由 GL 规则选择，则自适应估计器 \(\hat{f}_{t,\hat{h}}\) 满足 oracle inequality：
\[\mathbb{E}_f [\|\hat{f}_{t,\hat{h}} - f(t)\|^2] \leq C_1 \inf_{h \in \mathcal{H}} \mathbb{E}_f [\|\hat{f}_{t,h} - f(t)\|^2] + C_2 n^{-1} \log n,\]且对任意 \(\beta \in [\beta_{\min}, \beta_{\max}]\)，自适应 rate 为 \((n/\log n)^{-2\beta/(2\beta+d)}\)。
- 直觉：GL 规则通过比较估计器间的差异来估计偏差，选择使“偏差估计+方差”最小的 \(h\)；在多项式映射下，偏差估计与方差的形式与简单域相同，oracle inequality 的证明结构直接迁移。
- 解决的技术难点：在复杂域下，偏差估计需通过映射后的局部多项式残差控制，方差需处理映射后邻域内样本的依赖结构（因 \(\phi_t\) 非线性，样本在映射空间的分布非均匀）；本文通过 Assumption 1 的 Jacobian 有界性将非均匀性控制为常数因子。
证明路线与技术技巧 - 整体路线（3-5 步）： 1. 构造映射与估计器：对每个 \(t \in D\)，构造多项式映射 \(\phi_t\)，将 \(D_t\) 映射为近似超立方体；在映射空间上定义局部多项式估计器 \(\hat{g}_{t,h}\)，拉回得 \(\hat{f}_{t,h}\)。 2. 偏差与方差界：利用 \(\phi_t\) 的光滑性与 Jacobian 有界性，将 \(\hat{f}_{t,h}\) 的偏差与方差分解为映射空间上的偏差与方差，分别用 Hölder 条件与样本二阶矩界控制。 3. Minimax 下界：构造 \(\Sigma(\beta, L)\) 上的两个密度 \(f_0, f_1\)（在 \(t\) 处相差 \(c n^{-\beta/(2\beta+d)}\)），用 Le Cam 方法证明下界 \(c n^{-2\beta/(2\beta+d)}\)。 4. GL 选择与 oracle inequality：定义偏差估计 \(V(h, h') = \|\hat{f}_{t,h} - \hat{f}_{t,h'}\|\)，方差估计 \(\sigma^2(h)\)；选择 \(\hat{h} = \arg\min_h \{V(h, h') + \sigma^2(h)\}\)；用经验过程上界控制 \(V(h, h')\) 的偏差部分，用 Bernstein/Markov 不等式控制方差部分，得 oracle inequality。 5. 自适应 rate 推导：从 oracle inequality 推出 \(\mathbb{E}[\|\hat{f}_{t,\hat{h}} - f\|^2] \leq C n^{-2\beta/(2\beta+d)} \log n\)，去掉 \(\log n\) 因子得 \((n/\log n)^{-2\beta/(2\beta+d)}\)。
- 关键跳跃点：
- 引理：映射空间上局部多项式逼近的偏差界。难点在于 \(\phi_t\) 非线性时，\(f(\phi_t^{-1}(y))\) 的 Hölder 光滑性是否保持？作者用 \(\phi_t^{-1}\) 的多项式光滑性（各阶导数有界）证明 \(g(y) = f(\phi_t^{-1}(y)) |\det J_{\phi_t^{-1}}(y)|\) 仍属于 Hölder 类（可能半径 \(L\) 变为 \(L'\)，但光滑度 \(\beta\) 不变），从而偏差界 \(O(h^\beta)\) 成立。
-
引理：GL 偏差估计 \(V(h, h')\) 的上界。难点在于 \(V(h, h')\) 是两个映射后估计器的差，需控制经验过程 \(\sup_{h, h'} |V(h, h') - \text{bias}(h, h')|\)。作者用 Bernstein 不等式与 chaining 技术在映射空间上控制此上界，关键假设是核函数的支撑有界与矩条件。
-
技术技巧点名：
- 多项式映射的 Jacobian 控制：用 \(\phi_t\) 与 \(\phi_t^{-1}\) 的导数有界性，将复杂域上的偏差-方差权衡转化为映射空间上的经典形式（用在哪：偏差与方差界引理）。
- Le Cam 方法：用于证明 minimax 下界（用在哪：下界定理）。
- Bernstein 不等式 + chaining：用于控制 GL 偏差估计的经验过程上界（用在哪：oracle inequality 证明）。
- Goldenshluger-Lepski 选择框架：核心方法框架，通过偏差估计+方差最小化选择带宽（用在哪：自适应定理）。
真实例子与应用
- 模拟实验：
- 数据/场景：二维多项式扇区 \(D = \{(x_1, x_2): x_1 > 0, x_2 > x_1^{1.5}\}\) 上的密度估计，样本量 \(n=500, 1000, 2000\)，密度为均匀分布或正态截断分布。
- 怎么用上去：将本文的局部多项式估计器+GL 选择规则应用于样本，计算逐点 \(L^2\) 误差；对比 R 包 sparr 的核密度估计（基于改进的测地距离）。
- 得到什么结果：在多项式扇区上，本文的 oracle 估计在 \(L^2\) 误差上优于 sparr 的估计（尤其在尖角点附近，sparr 因测地距离平滑导致偏差，本文因多项式映射修正无偏）；在简单域（如超立方体）上两者性能相近。
- 想说明什么：验证理论预测——多项式映射修正能处理非星形局部几何，而基于测地距离的方法在尖锐凹性处有边界偏差；同时展示 GL 选择规则的自适应有效性。
🔎 结论是否比证明窄 - 本文的 minimax rate 与 oracle inequality 结论在 \(L^2\) 风险下严格证明，但 abstract 与 intro 中泛泛 claim “minimax under a wide range of Hölder-type functional classes”，未明确指出 \(L^p\) (\(p \neq 2\)) 风险下的 minimax rate 是否相同。Goldenshluger-Lepski (2012) 在 \(\mathbb{R}^d\) 上证明了 \(L^p\) 风险下 minimax rate 有四种不同 regime（依赖 \(p\) 与 \(\beta\) 的关系），本文仅在 \(L^2\) 下证明，\(L^p\) (\(p \neq 2\)) 下的 minimax rate 是否仍为 \(n^{-2\beta/(2\beta+d)}\) 或有不同 regime，是未严格证明的泛泛 claim。 - Assumption 1 要求 \(\phi_t\) 的 Jacobian 在 \(t\) 处为 1 且导数有界，但未讨论 \(\phi_t\) 的构造算法或存在性判定——这是条件 X 下严格证明，却被泛泛 claim 为“applies to complicated domains that are not star-shaped”，未明确哪些具体域满足 Assumption 1（如多项式扇区满足，但更一般的非多项式凹域是否满足？）。
四、开放问题（点到为止，扎根具体语句）¶
-
\(L^p\) (\(p \neq 2\)) 风险下的 minimax rate 与自适应规则：本文仅在 \(L^2\) 下证明 minimax rate 与 oracle inequality；Goldenshluger-Lepski (2012) 在 \(\mathbb{R}^d\) 上证明 \(L^p\) 下有四种 regime。要证什么：在复杂域 \(D\) 上，\(L^p\) 风险下的 minimax rate 是否仍与 \(\mathbb{R}^d\) 相同（四种 regime），还是受域局部几何影响产生新 regime？扎根点：Abstract 声称“minimax under a wide range of Hölder-type functional classes”，但定理仅覆盖 \(L^2\)。
-
Assumption 1 的算法化与存在性判定：本文假设对任意 \(t \in D\) 存在多项式映射 \(\phi_t\)，但未给出构造算法或判定域是否满足此假设的方法。要算什么：给定具体域 \(D\)（如地理地图），如何自动判定其是否满足 Assumption 1，并构造 \(\phi_t\)？扎根点：Section 2 中 Assumption 1 的陈述仅给出存在性条件，未讨论构造。
-
弱依赖序列下的复杂域密度估计：Bertin et al. (2020) 在弱依赖（\(\alpha\)-mixing）条件下证明了简单域的自适应估计，本文仅处理 i.i.d. 情形。要估什么：在弱依赖条件下，复杂域上的局部多项式估计器是否仍达到 minimax rate \(n^{-2\beta/(2\beta+d)}\)？GL 规则的 oracle inequality 是否成立？扎根点：本文 intro 提到 Bertin et al. (2020) 处理弱依赖，但本文理论部分仅假设 i.i.d.。
-
非多项式局部几何的密度估计：Assumption 1 要求局部几何可被多项式映射拉平，排除了更一般的非多项式凹域（如指数扇区 \(x_2 > e^{x_1}\)）。要证什么：在非多项式局部几何下，minimax rate 是否仍为 \(n^{-2\beta/(2\beta+d)}\)，或需新的 rate 表达式？扎根点：Abstract 声称“applies to complicated domains that are not star-shaped”，但 Assumption 1 实际限制为多项式局部几何。
要确认某条是不是真 gap，去读同子领域近期约 5 篇的 intro——都指向它 = 共识（真 gap），互相打架 = 机会。
Maintained by 陈星宇 · Homepage · Source on GitHub