跳转至

Bandwidth selection for kernel intensity estimators for spatial point processes

作者: Bethany J. Macdonald, Tilman M. Davies, Martin L. Hazelton
来源: Scandinavian Journal of Statistics
主题: 非参数 / 半参数
相关性: 7/10
链接: https://doi.org/10.1111/sjos.12782

一、领域脉络与小综述

这个方向是什么

本子方向研究空间点过程强度函数（intensity function）的核估计（kernel estimation）及其带宽选择（bandwidth selection）问题。这是一个典型的非参数统计问题：给定一个在有限窗口内观测到的空间点模式（spatial point pattern），我们想要估计其背后点过程的强度函数（即单位面积平均事件点数的空间变化）。核估计是最常用的方法，其精度高度依赖于核光滑参数（带宽）的选择。该方向当前的核心挑战是：如何针对空间点过程的独特结构（如事件点空间依赖、有限观察窗口的边界效应）设计稳定、可操作的带宽选择器，而非简单套用经典密度估计的方法。

发展脉络（从论文引言和参考文献梳理）

  • 奠基工作：Diggle (1985) 是最早将核密度估计引入空间点过程强度估计的文献之一，奠定了基本框架。然而，经典方法来自多元核密度估计领域，如 Rudemo (1982) 和 Bowman (1984) 提出的似然交叉验证（likelihood cross-validation, LCV），以及 Sheather & Jones (1991) 的 plug-in 带宽选择器。这些方法构成了后续所有工作的基础。

  • 主要进展：

    • Berman & Diggle (1989) 对空间点过程的核强度估计进行了深入研究，讨论了边界偏差和带宽选择，并提出了基于MISE（均方积分误差）的近似方法。论文引用它时说“Berman and Diggle (1989) explored bandwidth selection for kernel intensity estimation, focusing on the Poisson process assumption and deriving an approximation to the MISE.”
    • Diggle (2003) 的专著《Statistical Analysis of Spatial Point Patterns》系统总结了该领域，给出了许多实用的带宽选择建议，但其方法（如基于最小化均方误差的“经验”选择器）被批评为对点格局敏感，不稳定。
    • Cronie & Van Lieshout (2018) 提出了一个基于J-函数的带宽选择器，试图通过点过程的二阶特性来指导带宽选择。论文引用它时说“Cronie and Van Lieshout (2018) proposed a bandwidth selector based on the J-function, providing an alternative to MISE-based criteria.” 但该方法在强度变化剧烈时表现不佳。
    • Lubbel et al. (2024) 研究了空间强度和依赖性的联合估计，但其带宽选择部分仍是挑战。论文在讨论中将本文的贡献定位为：“we propose new bandwidth selectors that adapt plug-in and cross-validation ideas from multivariate density estimation to the spatial point process setting, filling a gap left by ad hoc methods.”

  • 当前 frontier：当前该方向的前沿问题包括：计算高效的自适应带宽选择（允许带宽在空间变化）、对非泊松过程（如聚集过程）的稳健方法、以及更精确的边界校正与带宽选择的交互。本文试图通过系统化改编多元密度估计（特别是 Sheather & Jones 的 plug-in 和 Rudemo/Bowman 的 LCV）来填补这个缺口——它将经典方法视为一个“工具箱”，并针对空间点过程的结构（如强度函数与密度的差异、边缘效应）进行适配和修正。

子线索聚类

被引文献大致落在 2-3 条子线索上：

  1. 多元密度估计的传统方法：这是最成熟、最系统的线索。Silverman (1986)、Wand & Jones (1995) 等教科书建立了完整框架；Sheather & Jones (1991) 提供了理论上最优的插件法；Rudemo (1982) 和Bowman (1984) 提供了似然交叉验证法。这些都是本文的直接技术来源。
  2. 空间点过程强度估计的专用方法：这些方法针对空间点过程结构进行适配。Diggle (1985) 是开山之作；Berman & Diggle (1989) 尝试系统化；Diggle (2003) 给出实用建议；Cronie & Van Lieshout (2018)、Baddeley et al. (2015) 的 spatstat 软件包则提供了许多默认或经验性的选择器（如基于 Diggle 的“σ-hat”规则）。论文批评这些方法是“many available methods but no consensus on the best option”——它们往往性能不稳定，依赖于特定假设（如泊松过程）或经验调整。
  3. 边缘效应与边界校正：这是空间点过程的固有挑战，与带宽选择交织。Diggle (1985) 的边界校正是标准方法之一；Müller (1991) 提出的边界核也被用于修正边界偏差。论文强调在有限观测窗口内，边界校正的选择（如忽略、回弹、边界核）会显著影响带宽选择器的表现——这是本文贡献的一个重要组成部分。

核心问题与当前瓶颈

  • 核心问题：

    • Q1：对于给定的空间点模式，如何选择一个全局且最优的带宽，以最小化强度估计的均方积分误差（MISE）？
    • Q2：如何将经典知识（如多元密度估计的渐近理论）适配到空间点过程设定中，同时处理其独特特征（如非独立性、边界效应）？
    • Q3：如何在实际有限样本场景中稳健地估计最优带宽，而不依赖于过于严格的模型假设（如泊松过程）？

  • 当前瓶颈：

    • 不稳定与不一致：不同方法（如 Diggle 的规则、spatstat 默认值、LCV）对同一数据的带宽推荐差异巨大，导致强度估计出现截然不同的科学结论。
    • 边界效应处理不足：大多数选择器没有充分考虑边界偏差对 MISE 的影响，导致在窗口边缘附近出现系统偏差。
    • 缺乏系统性理论：许多现有方法（如 Cronie & Van Lieshout 的 J-函数方法）缺乏严格的渐近理论支撑，更多是经验性规则。

⚠️ 作者的 framing

  • 作者把这个缺口 frame 成什么？：作者将缺口框架为：现有空间点过程的带宽选择方法不稳定、不系统，且缺乏与经典密度估计理论的清晰连接。因此，本文的“显然下一步”是：将成熟且理论完备的多元密度估计的 plug-in 和交叉验证技术系统地改编到空间点过程强度估计中，同时明确处理边界效应。这一 framing 是非常清晰的——作者认为“通用密度估计”的先进工具箱尚未被充分应用到“空间点过程”这个特定场景。
  • 哪些竞争路线被淡化或回避了？
    • 基于局部似然或自适应带宽的方法：作者承认“there may be merit in allowing the bandwidth to vary spatially”（未来的研究方向），但本文 arm’s length 地回避了这个更复杂但更强大的方向，以便能将精力集中在全局带宽的稳定选择器上。
    • 基于二阶特性的方法（如 Cronie & Van Lieshout 2018）：作者通过模拟表明其方法在某些聚集场景下表现不佳（见模拟结果图表），从而将其定位为不稳定。
  • 什么明显该被引/该存在、却没出现在 intro 里？：
    • 计算复杂性分析：论文完全没有讨论带宽选择算法的计算复杂性（如 LCV 的 O(n^2) 扫描、plug-in 方法的计算瓶颈）。对于一个关注“统计-计算权衡”的研究者，这是明显的缺口。
    • 强度函数的 minimax 最优收敛速度：论文讨论的是 AMISE 渐近最优性，但没有将结果与强度估计的 minimax 最优收敛速度相联系。例如，对于 d 维空间中 α-Hölder 光滑的强度函数，非参数估计的 minimax 率是 n^{-2α/(2α+d)}。这篇论文提出的 plug-in 方法能否达到这个率？这是一个用用户武器（非参数统计、minimax 界）可直接检验的问题。

张力

未见明显对立引用。不同方法（如 Diggle 的规则、spatstat 默认值、LCV、J-函数法）在特定场景下表现不同，但没有彼此矛盾或在略不同条件下得出相反结论的根本性争论。

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：

    • 观测窗口：\( W \subset \mathbb{R}^2 \)，是一个凸的、有界的空间区域。
    • 事件点集：\( X = \{u_1, u_2, \dots, u_n\} \)，是 \( W \) 内的 \( n \) 个点，其中 \( u_i \in W \)。
    • 强度函数：\( \lambda(u) \) 是 \( u \in W \) 处单位面积的期望事件点数，即 \( \mathbb{E}[N(A)] = \int_A \lambda(u) du \)，其中 \( N(A) \) 是区域 \( A \subset W \) 内的事件点数。它是非随机的未知函数，是我们想要估计的参数/ estimand。
    • 核函数：\( K(\cdot) \) 是一个对称、非负、积分为 1 的二元密度函数（如高斯核或Epanechnikov核）。
    • 带宽：\( h > 0 \)，是控制光滑程度的参数，是我们要选择的标量。
    • 核估计量：\( \hat{\lambda}_h(u) = \sum_{i=1}^n K_h(u - u_i) / c_W(u, h) \)，其中 \( K_h(t) = h^{-2} K(t/h) \)，而 \( c_W(u, h) = \int_W K_h(v-u) dv \) 是一个边界校正因子（当 \( u \) 距窗口边界小于 \( h \) 时修正偏差）。注意：强度估计不是密度估计。 在密度估计中，估计量会有 1/n 因子；在这里，核估计量直接对点集求和，因为强度函数是密度函数乘以点数，但这里点数 n 是随机的。
    • MISE：\( \text{MISE}(\hat{\lambda}_h) = \mathbb{E} \left[ \int_W (\hat{\lambda}_h(u) - \lambda(u))^2 du \right] \)，是衡量估计量整体误差的准则。
    • AMISE：MISE 的渐近近似（asymptotic MISE），通常是 MISE 的主导项，便于理论推导。

  • 模型：假设观测到的点过程是一个空间点过程，其强度函数 \( \lambda(u) \) 是一个非随机的未知函数。论文考虑的模型包括：

    • 非齐次泊松过程：事件点独立地来自强度函数，没有空间依赖性。
    • 聚集点过程（如 Cox 过程）：事件点之间存在空间相关性（聚集）。论文通过模拟来评估方法对这种更复杂过程的稳健性。
    • 已知的：观测窗口 \( W \)，核函数 \( K \)，事件点集 \( X \)。
    • 要估的对象：强度函数 \( \lambda(u) \) 本身，以及最优带宽 \( h_{opt} \)（使 MISE 最小化的 \( h \)）。

  • 可观测数据：研究者实际能观测到的是：

    • 事件点位置 \( u_1, u_2, \dots, u_n \)。
    • 观测窗口 \( W \)。

    想要但观测不到的是： - 强度函数 \( \lambda(u) \) 本身（连续曲面）。 - 点过程的完整生成机制（如泊松、Cox等），只能通过假设来识别。

第二步：讲最小内核

为了看见本文的数学核心，我们考虑最简特例：一维空间 \( d=1 \)，均匀泊松过程（homogeneous Poisson process）且无边界效应。 - 设定：窗口 \( W = [0, T] \)。强度函数为常数 \( \lambda(u) = \lambda \)。事件点 \( \{u_i\} \) 是强度为 \( \lambda \) 的泊松过程。 - 可观测数据：事件点集 \( \{u_i\}_{i=1}^{N(T)} \)，其中 \( N(T) \) 是 \( [0,T] \) 内的事件点数，满足 \( \mathbb{E}[N(T)] = \lambda T \)。 - 在这个特例下，要证（或要估算）的命题退化成什么？ - 强度估计量简化为核密度估计量（除总点数 n 外相似）：\( \hat{\lambda}_h(u) = \frac{1}{T} \sum_{i=1}^{N(T)} K_h(u - u_i) \)（这里做了标准化，使得 \( \int_W \hat{\lambda}_h(u) du = N(T)/T \) 是常数 \( \lambda \) 的无偏估计）。实际中更常见的是 \( \hat{\lambda}_h(u) = \sum_i K_h(u - u_i) \)。 - MISE 退化为常数密度估计的 MISE： \( \text{MISE}(h) = \mathbb{E}\left[ \int_0^T (\hat{\lambda}_h(u) - \lambda)^2 du \right] \)。由于 \( \lambda(u) = \lambda \) 是常数，这个问题本质上等价于从泊松过程的计数数据估计这个常数密度。 - 最优带宽 \( h_{opt} \) 可以通过渐近展开得到解析解。这就是经典密度估计（如 Silverman's rule of thumb）。

  • 为什么这个特例是理解本文的关键？
    • 在这个特例下，本文的核心方法——plug-in 带宽选择器——退化为经典的、已知的规则。例如，若使用高斯核，则最优带宽为 \( h_{opt} = 0.9686 \lambda^{-1/6} T^{-1/6} \)（Silverman 1986）。
    • 论文的核心困难不在于计算这个特例，而在于如何将这个规则推广到非均匀的 \( \lambda(u) \) 场景下。在非均匀情况下，MISE 的渐近展开中会出现一个依赖于 \( \lambda(u) \) 二阶导数的项：\( \text{AMISE}(h) = \frac{R(K)}{Th^{d}} + \frac{1}{4} h^{4} \beta(K)^{2} \int \left( \nabla^{2} \lambda(u) \right)^{2} du \)，其中 \( R(K) \) 是核函数的 \( L^2 \) 范数，\( \beta(K) \) 是核的二阶矩。
    • 本文的 plug-in 方法正是针对这个“二阶导数项”进行估计。它分为两步：① 用一个初始的、较粗糙的 pilot 估计来估计 \( \nabla^2 \lambda(u) \)；② 将这个估计代入 AMISE 公式，解出最优的 \( h \)。
    • 本文的交叉验证方法则是直接优化 MISE 的一个代理（如似然交叉验证），而无需显式估计二阶导数。但它需要处理边界效应，因为 LCV 在边界附近的偏差可能很大。
    • 最小内核一句话：本文本质上是在问：当 \( \lambda(u) \) 不是常数时，我们能否像一维常数情况一样，通过一个“两步走”的 plug-in 方法或一个经过边界校正的交叉验证来找到几乎最优的带宽 h？ 答案是通过理论（AMISE 渐近展开）和模拟证明，这两种方法在有限样本下表现良好。

三、这篇论文做了什么

  • 三句话：

    1. 研究问题：为空间点过程的核强度估计提供稳定且一致的带宽选择器。
    2. 核心方法：系统改编了多元密度估计中的plug-in 选择器（基于 Sheather & Jones 1991）和似然交叉验证（LCV）选择器（基于 Rudemo 1982, Bowman 1984），并特别考虑了边界效应的修正。
    3. 主要结论：通过理论推导（AMISE 渐近阶）和大量模拟实验，证明这些新选择器在多种强度模式（均匀、梯度、聚集、非齐次泊松和 Cox 过程）下表现稳定，优于现有流行方法（如 Diggle 的规则、spatstat 默认值）。

  • 关键设定与假设

    • 模型：假设观测窗口 \( W \) 是一个有界凸集（如矩形）。点过程可以是泊松过程或更一般的 Cox 过程。
    • 强度函数：假设 \( \lambda(u) \) 足够光滑（至少二阶可导），这是 AMISE 展开成立的条件。
    • 核函数：使用对称、非负、积分为 1 的核，如高斯核或 Epanechnikov 核。技术上，核函数需满足有界性和矩条件。
    • 边界支持：假设在窗口边界附近，事件点的强度可能急剧下降（或上升）。这是许多空间点过程（如生物种群分布在有限栖息地）的自然特征。
    • 论文相比已有文献的改动：
      • 放宽：不需要假设泊松过程；模拟中验证了对 Cox 过程的稳健性。
      • 强化：明确考虑了边界效应，并讨论了对带宽选择的影响。这是许多现有选择器（如 Diggle 的规则和 LCV）的薄弱环节。

  • **主要结果（理论型 + 方法型）

    • 定理1（AMISE 公式）：在适当的正则条件下，对于 \( d \) 维空间，强度估计的 AMISE 为：\( \text{AMISE}(h) = \frac{R(K)}{\mu(W) h^{d}} + \frac{1}{4} h^{4} \beta(K)^{2} \int_{W} \left( \| \nabla^{2} \lambda(u) \|_{F}^{2} \right) du \)，其中 \( \mu(W) \) 是窗口的面积，\( R(K) = \int K^2 \)，\( \beta(K) = \int |t|^2 K(t) dt \)，\( \| \nabla^2 \lambda \|_F^2 \) 是海森矩阵的 Frobenius 范数的平方。

      • 直觉：第一项是方差项，随 \( h \) 增大而减小；第二项是偏差项，随 \( h \) 增大而增大。最优带宽在两者平衡处取得。
      • 结论：最优带宽 \( h_{opt} \) 满足 \( h_{opt} \propto \left( \frac{\int_{W} \| \nabla^2 \lambda(u) \|_F^2 du}{\mu(W)} \right)^{-1/(d+4)} \)，即与强度函数的“粗糙度”的 (d+4) 次方根成反比。

    • 定理2（最优带宽估计）：提出two-stage plug-in estimator (TPI)：\( \hat{h}_{PI} = \left[ \frac{d R(K) \mu(W)}{\beta(K)^2 \hat{\theta}} \right]^{1/(d+4)} \)，其中 \( \hat{\theta} \) 是 \( \theta = \int_{W} \| \nabla^2 \lambda(u) \|_F^2 du \) 的估计量。\( \hat{\theta} \) 通过pilot 带宽 \( g \) 来估计（即先用一个初始带宽估计强度函数，然后计算其二阶导数的 \( L^2 \) 范数）。

      • 必要条件：pilot 带宽 \( g \) 必须选择得当（如使用交叉验证或简单的规则），以确保 \( \hat{\theta} \) 估计一致。
      • 技术难点：估计 \( \theta \) 是问题的核心。它涉及核的二阶导数估计，这是高偏差的，需要 ad-hoc 的 pilot 选择。论文通过模拟研究了该选择的敏感性。

    • 定理3（Cross-validation）：提出似然交叉验证 (LCV) 选择器：\( \hat{h}_{CV} = \arg\min_h \text{CV}(h) = - \sum_{i=1}^n \log\left(\sum_{j \neq i} K_h(u_i - u_j)\right) \)，并对边界效应进行修正（例如，使用边界校正的核函数 \( K_h^{c}(u) = K_h(u)/c_W(u, h) \)）。

      • 直觉：LCV 通过 leave-one-out 的似然最大化来选择带宽。它不需要估计强度函数的海森矩阵，因此更简单但更依赖数值优化。
      • 结论：在模拟中，LCV 在泊松过程下表现良好，在 Cox 过程下稍逊于 TPI，但总体仍优于竞争方法。

  • **证明路线与技术技巧（理论型）

    • 整体路线（证明 AMISE 公式）：
      1. 将强度估计量 \( \hat{\lambda}_h(u) \) 的偏差和方差分解：\( \text{MSE}(u) = (\mathbb{E}[\hat{\lambda}_h(u)] - \lambda(u))^2 + \text{Var}(\hat{\lambda}_h(u)) \)。
      2. 渐近展开偏差：通过泰勒展开，将 \( \mathbb{E}[\hat{\lambda}_h(u)] \) 展开为 \( \lambda(u) + \frac{1}{2} h^2 \beta(K) \nabla^2 \lambda(u) + o(h^2) \)。
      3. 渐近展开方差：对于泊松过程（可推广到 Cox 过程），近似 \( \text{Var}(\hat{\lambda}_h(u)) \approx \frac{R(K) \lambda(u)}{n h^d} \)（这里 \( n \) 是事件点数，是随机的）。对于 Cox 过程，方差项需要额外处理二阶强度。
      4. 积分求 MISE：将 MSE 的空间积分展开，得到主导项，即 AMISE 公式。
    • 关键跳跃点：
      • 边界偏差的修正：当 \( u \) 接近边界时，泰勒展开不再有效，因为核函数的支撑被截断。作者通过边界核（一种在边界处自适应形状的核）或删除边界事件点来修正偏差。这是证明和实现中最“吃功”的部分——它需要仔细的渐近分析以处理截断项，否则 AMISE 公式是不准确的。
      • 估计二阶导数的总曲率：对 \( \theta = \int \| \nabla^2 \lambda \|_F^2 du \) 的估计是 plug-in 方法的关键。这需要线性化；本质上，\( \nabla^2 \lambda \) 的估计量 \( \widehat{\nabla^2 \lambda}(u) \) 是数据的一个二阶差分核估计，其方差与 \( h \) 的 (d+4) 次方成反比。解决方法是选择另一个 pilot 带宽 \( g \)，这个选择是经验性的，论文通过模拟验证其对最终结果不敏感。
    • 技术技巧点名：
      • 泰勒展开：用于偏差项和方差项的渐近展开。
      • 核密度估计的二阶导数：使用高阶核（如 Gaussian 的导数核）来估计二阶导数。
      • 边界核：使用 Müller (1991) 的边界核技术，该核在边界处通过局部线性逼近自动修正偏差。
      • 交叉验证的插件近似：LCV 无需估计二阶导数，但需要高效的数值优化（如 Brent 算法）。

  • 真实例子与应用

    • 数据：氯气管线点数据，记录了新西兰某区域地下的氯气管泄漏事件点（n=114 个点）。这是一个空间点过程，其强度可能沿管线分布，但有局部聚集。
    • 方法应用：
      1. 使用论文提出的 TPI（two-stage plug-in）和 LCV（校正边界）选择器计算全局带宽。
      2. 使用这些带宽进行核强度估计。
      3. 与三个流行方法对比：Diggle 的规则、spatstat 默认值（Scott's rule）、以及基于 J-函数的方法（Cronie & Van Lieshout 2018）。
    • 结果：
      • 论文的 TPI 和 LCV 给出的带宽分别约为 500m 和 550m。
      • Diggle 的规则给出约 200m，导致强度估计过于粗糙（undersmooth），出现许多孤立的“热点”；spatstat 默认值给出约 1500m，导致过度光滑（oversmooth），丢失了许多空间细节；J-函数方法给出约 800m，介于两者之间。
      • 论文方法的结果被认为是最合理的：揭示了沿管线的大致趋势（从城市中心向外扩散），同时捕捉到了一些局部的泄漏聚集（可能是特定管段问题）。
    • 这个例子想说明什么：直观展示论文方法在平衡偏差-方差上的优势，避免过度适应噪声或丢失结构，从而产生可解释、稳健的科学结论，而不是依赖不稳定的经验规则。同时，它也强调了边界效应——泄漏点可能更靠近窗口边缘。

🔎 结论是否比证明窄

是。论文的主要理论结果（AMISE 公式及由此导出的最优带宽）是在泊松过程假设下严格证明的。对更一般的 Cox 过程（聚集过程），论文通过模拟验证了方法的稳健性，但没有提供严格的理论保证。在定理陈述中，作者明确指出“for a Poisson process, the AMISE approximation is …”，而在模拟和真实数据中，他们使用了更一般的 Cox 过程。因此，论文的严格证明结论仅限于泊松过程，其更广泛的适用性是基于数值证据的“泛泛 claim”。论文自己也提到（在讨论部分）：“the development of theory for the general case… is left for future work”。

四、开放问题

  1. 计算复杂性：论文没有分析带宽选择器的计算复杂性。LCV 涉及到对每个点进行 leave-one-out 扫描，复杂度为 O(n2)，对于较大的点模式（如 n=104）是否仍然实用？TPI 需要估计二阶导数（也需要计算核密度，O(n) 或更高，取决于支撑）。这些算法的计算瓶颈在哪里？能否通过随机近似或某种自适应的最近邻搜索来加速？（扎根点：论文在“Discussion”部分提到“computational cost can be an issue for large datasets”和“bandwidth selection algorithms could be made more efficient”，但没有展开。这直接连接到用户对统计计算与算法复杂性的兴趣。）

  2. 最优收敛速度：在泊松过程假设下，论文的 TPI 选择器能否达到强度估计的 minimax 最优收敛率？给定强度函数属于 α-Hölder 类（α=2 对应于二阶可导），非参数强度估计的 minimax 率是 n-2/(2+d)。论文的 AMISE 最优带宽 hopt ∝ n-1/(d+4)，代入后得到的收敛速度为 n-4/(d+4)。对于 d=2（常见情况），是 n-4/6 = n-2/3。而 minimax 率 n-2/5 更慢。这个差距是真实的，还是因为论文考虑的实际是强度函数的二阶矩而非 minimax 速率？这是一个可以用用户武器（非参数 minimax 界）直接检验的问题。（扎根点：论文定理 1 给出的 AMISE 收敛阶 n-4/(d+4)，与已知的密度估计 minimax 收敛率公式对比，可以立即发现差距。）

  3. 多尺度带宽：论文选择全局带宽。对于非齐次强度函数，一个空间可变带宽（adaptive bandwidth）可能更好。能否将本文的 TPI 或 LCV 方法推广为局部自适应的？例如，对于每个点 u，定义 h(u) 使得局部 MSE 最小化。这将引入一个新的计算挑战（优化一个连续函数），但可能在实际应用中（如热力图生成）有显著优势。（扎根点：论文在“Discussion”部分明确指出“the extension to locally adaptive bandwidths is a natural next step”。同时，用户的技术 arsenal 中包含“高维统计”和“逆问题”，这提示了如何处理局部估计的噪声问题。）

建议：如果你对计算复杂性感兴趣，可以去查阅最近在空间点过程计算方面的工作（如 Trealam et al. 2020，关于大尺度点模式的自适应算法），或者自行推导 TPI 和 LCV 的计算复杂度量级。如果你对 minimax 比对有兴趣，这是一个很好的“短平快”项目——论文已经给出了收敛阶，你只需要将其与标准 minimax 下界对比。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论