跳转至

Wasserstein convergence in Bayesian and frequentist deconvolution models

作者: Judith Rousseau, Catia Scricciolo
来源: Annals of Statistics
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： 非参数去卷积要解决的根本统计问题是：在只有加性污染观测 \(Y = X + Z\)（信号 \(X\) 不可直接观测，误差 \(Z\) 的分布已知）的情况下，如何恢复信号 \(X\) 的分布 \(f_X\)。这是一个典型的线性逆问题，其核心困难在于特征函数域上的除法运算会放大高频噪声，导致估计极不稳定。当前该子方向在频率派框架下的 minimax 界理论已相对成熟（主要在一维或特定光滑类下建立），但在多变量（\(d \ge 2\)）设定下，由于 Wasserstein 距离的拓扑与 \(L^1\) 距离不同、且多维特征函数除法的不等式控制更复杂，收敛速率与自适应估计的理论仍存在明显缺口。贝叶斯非参数去卷积的后验收缩速率理论近年有推进，但大多集中在 \(L^1\) 或 Hellinger 距离下，对 Wasserstein 距离下的后验收缩与自适应几乎空白。

发展脉络： - 奠基工作：去卷积估计的 minimax 理论奠基于一维 \(L^2\) 距离下的 Fourier 反演方法。Carroll & Hall (1988) 与 Stefanski & Carroll (1990) 建立了一维 ordinary smooth 误差下的 minimax 收缩速率，核心工具是特征函数域的除法与偏差-方差平衡。Fan (1991) 将其推广到 supersmooth 误差，指出此时速率以对数衰减极慢。这些工作留下了多变量设定与 \(L^1\)/Wasserstein 距离拓扑下的缺口。 - 主要进展（Inversion Inequality 路线）：为了在 \(L^1\) 或 Wasserstein 距离下获得速率，必须建立“反演不等式”——把 \(f_X\) 之间的距离与观测混合密度 \(f_Y\) 之间的距离挂钩。Devroye (1989) 给出了一维 \(L^1\) 去卷积的初步不等式。Dattner et al. (2016) 在一维下建立了 \(L^1\)-Wasserstein 距离的反演不等式，但依赖误差分布特征函数的逐点下界，且多维推广受阻。作者在 intro 中明确指出其缺口："existing inversion inequalities... heavily rely on pointwise lower bounds on the characteristic function of the error distribution, which are difficult to extend to multivariate settings." - 贝叶斯非参数去卷积：频率派 minimax 界确立后，贝叶斯后验收缩速率的匹配成为焦点。Scricciolo (2011) 证明了 Dirichlet process mixture (DPM) 先验在 \(L^1\) 距离下的去卷积后验收缩速率，但未涉及 Wasserstein 距离与自适应。近年 Florens & Simoni (2021) 用 Tikhonov 正则化处理贝叶斯逆问题，但侧重 \(L^2\) 拓扑。 - 当前 Frontier 与本文位置：多变量 Wasserstein 去卷积的 minimax 速率与自适应估计是当前缺口。本文通过引入 max-sliced Wasserstein 距离与新的反演不等式，把多维问题降维到一维，填补了多维 \(L^1\)-Wasserstein minimax 速率的空白，并在贝叶斯框架下证明了 DPM 先验的近 minimax 自适应收缩。

子线索聚类： 1. 频率派 minimax 速率与反演不等式：Carroll & Hall (1988), Fan (1991), Dattner et al. (2016)。这一簇在建立不同误差光滑类与不同距离拓扑下的 minimax 界与反演不等式，瓶颈在多维 Wasserstein 拓扑下的反演控制。 2. 贝叶斯后验收缩与自适应：Scricciol (2011), Florens & Simoni (2021)。这一簇在为贝叶斯逆问题匹配频率派 minimax 界并实现正则性自适应，瓶颈在 Wasserstein 距离下的后验收缩证明与自适应机制。 3. Sliced/Max-sliced Wasserstein 距离理论：Kolouri et al. (2019), Bonneel et al. (2015)。这一簇在计算与理论中利用投影降维来近似多维 Wasserstein 距离，本文首次将其系统引入去卷积反演不等式。

这个方向在追问的核心问题： 1. 多维去卷积中，\(L^1\)-Wasserstein 距离的 minimax 收缩速率是什么？反演不等式的最优常数与依赖条件能否摆脱逐点特征函数下界？ 2. 贝叶斯非参数先验（如 DPM）在 Wasserstein 去卷积中能否达到近 minimax 速率并自动适应未知正则性？ 3. Wasserstein 拓扑与 \(L^1\) 拓扑在去卷积逆问题中的 minimax 速率是否有本质差异（特别是在 supersmooth 误差下）？

⚠️ 作者的 framing： - 作者把缺口 frame 为：现有反演不等式依赖误差特征函数的逐点下界，难以推广到多维；且贝叶斯去卷积缺乏 Wasserstein 距离下的自适应后验收缩结果。这让本文的 max-sliced 降维反演不等式与 DPM 自适应成为"显然的下一步"。 - 被淡化或回避的竞争路线：基于 \(L^2\) 拓扑的 Tikhonov/贝叶斯逆问题正则化路线（Florens & Simoni 2021 被引但未深入对比 Wasserstein 与 \(L^2\) 速率的优劣）；基于核密度估计的直接频率派去卷积在多维下的最新进展未被充分讨论。 - 明显该被引却未出现的：多变量 Wasserstein 去卷积的频率派直接估计器（如多维核去卷积密度估计）的近期 minimax 理论文献；关于 max-sliced Wasserstein 距离与全 Wasserstein 距离在高维下收敛速率差异的统计理论文献（这直接影响本文降维策略在 \(d \to \infty\) 时的有效性）。这是值得研究者去查的问题。

张力： 未见明显对立引用。但存在隐含张力：Dattner et al. (2016) 的反演不等式依赖逐点特征函数下界，而本文的反演不等式依赖误差分布的 ordinary smooth 条件（特征函数的积分下界），两者在误差分布尾部极重（特征函数在某频段极低）时的常数与适用性可能有相反表现——值得研究者核验本文 Assumption 1 与 Dattner 条件的交集与互斥情形。

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

  • \(X\)：信号（d 维随机向量），分布为 \(f_X\)（未知，是要估的对象 / estimand）。
  • \(Z\)：误差（d 维随机向量），分布为 \(f_Z\)（已知，属于 ordinary smooth 类）。
  • \(Y\)：观测（d 维随机向量），\(Y = X + Z\)（加性污染模型），\(X\) 与 \(Z\) 独立。
  • \(f_Y\)：观测的混合密度，\(f_Y = f_X * f_Z\)（卷积，可观测数据的边际分布）。
  • \(d\)：维数（\(\ge 1\)）。
  • \(n\)：样本量，观测样本为 \(Y_1, \ldots, Y_n\)（i.i.d. from \(f_Y\)）。
  • \(\varphi_X, \varphi_Z, \varphi_Y\)：分别为 \(X, Z, Y\) 的特征函数，\(\varphi_Y(t) = \varphi_X(t)\varphi_Z(t)\)。
  • \(W_1(\mu, \nu)\)：\(L^1\)-Wasserstein 距离（1-Wasserstein 距离），衡量两个分布 \(\mu, \nu\) 之间的距离。
  • \(\text{SW}_1(\mu, \nu)\)：Max-sliced \(L^1\)-Wasserstein 距离，定义为 \(\sup_{u \in S^{d-1}} W_1(P_u \mu, P_u \nu)\)，其中 \(P_u \mu\) 是分布 \(\mu\) 在方向 \(u\) 上的投影分布。
  • Ordinary smooth 误差（Assumption 1）：误差分布 \(f_Z\) 的特征函数满足 \(c_1 |t|^{-\beta} \le |\varphi_Z(t)| \le c_2 |t|^{-\beta}\) 对 \(|t| \ge t_0\) 成立，其中 \(\beta > 0\) 是光滑参数（如 Laplace 分布对应 \(\beta = 2\)），\(c_1, c_2 > 0\)。
  • 可观测数据：研究者实际能观测到的是 \(Y_1, \ldots, Y_n\)（i.i.d. from \(f_Y\)），以及已知的误差分布 \(f_Z\)（或其特征函数 \(\varphi_Z\)）。不可观测的是 \(X\) 的样本与分布 \(f_X\)，只能靠 \(f_Y = f_X * f_Z\) 与反演不等式去识别。

第二步：最小内核——一维 Laplace 噪声下的反演不等式与去卷积速率

整篇论文的数学核心是一个反演不等式，它把信号分布间的 Wasserstein 距离与观测混合密度间的 \(L^1\) 距离直接挂钩。多维情形的证明本质上是把 Wasserstein 距离降维到一维 sliced Wasserstein 距离，再在一维投影上应用一维反演不等式。因此，最小内核是一维 ordinary smooth 误差下的反演不等式。

最简特例：一维 Laplace 噪声（\(\beta = 2\)）下的反演不等式

在一维（\(d=1\)）下，设误差 \(Z\) 服从 Laplace 分布（密度 \(f_Z(z) = \frac{1}{2}e^{-|z|}\)，特征函数 \(\varphi_Z(t) = \frac{1}{1+t^2}\)，满足 \(\beta=2\) 的 ordinary smooth 条件）。对任意两个信号分布 \(\mu, \nu\)（对应混合密度 \(f_{Y,\mu} = \mu * f_Z\), \(f_{Y,\nu} = \nu * f_Z\)），本文的核心反演不等式退化为：

\[W_1(\mu, \nu) \le C \cdot \|f_{Y,\mu} - f_{Y,\nu}\|_{L^1}\]

其中 \(C\) 是常数，依赖于 \(f_Z\) 的 ordinary smooth 参数 \(\beta\) 与常数 \(c_1, c_2\)，但不依赖 \(\mu, \nu\) 的具体形式。

为什么这个不等式是核心且非平凡？ - 在去卷积中，\(f_Y\) 之间的 \(L^1\) 距离是可以通过样本 \(Y_1, \ldots, Y_n\) 估计的（如用核密度估计的 \(L^1\) 距离），而 \(W_1(\mu, \nu)\) 是我们真正关心的信号分布距离。反演不等式把“不可观测的距离”控制在了“可观测的距离”之下，从而任何 \(f_Y\) 的 \(L^1\) 收缩速率都自动转化为 \(f_X\) 的 \(W_1\) 收缩速率。 - 传统的反演不等式（如 Dattner et al. 2016）需要 \(\varphi_Z(t)\) 的逐点下界（\(|\varphi_Z(t)| \ge c |t|^{-\beta}\) 对所有 \(t\)），这在多维下极难验证且常数极差。本文的证明绕过了逐点下界，改用 \(\varphi_Z\) 的积分下界（ordinary smooth 条件的积分形式），通过 Fourier 反演与光滑化截断，获得了更优的常数与多维推广性。

证明的最小内核逻辑（一维）： 1. 利用 \(W_1(\mu, \nu)\) 的对偶表示：\(W_1(\mu, \nu) = \sup_{\|g\|_{BL} \le 1} \int g d(\mu - \nu)\)，其中 \(BL\) 是有界 Lipschitz 函数类。 2. 把 \(\int g d(\mu - \nu)\) 转到 Fourier 域：\(\int g d(\mu - \nu) = \int \hat{g}(t) (\varphi_\mu(t) - \varphi_\nu(t)) dt\)。 3. 利用卷积关系 \(\varphi_Y = \varphi_X \varphi_Z\)，把 \(\varphi_\mu - \varphi_\nu\) 写成 \((\varphi_{Y,\mu} - \varphi_{Y,\nu}) / \varphi_Z\)。 4. 关键跳跃：不直接除以 \(\varphi_Z\)（这需要逐点下界控制），而是引入光滑化核 \(K_\epsilon\)（带宽 \(\epsilon\)），把 \(\hat{g}\) 截断到低频，使得除法只在 \(|t| \le 1/\epsilon\) 上发生，而 \(\varphi_Z\) 在此频段上有积分下界控制。 5. 通过 \(\|f_{Y,\mu} - f_{Y,\nu}\|_{L^1}\) 控制 Fourier 域的积分，最终得到 \(W_1(\mu, \nu) \le C(\epsilon) \|f_{Y,\mu} - f_{Y,\nu}\|_{L^1} + \text{偏差项}\)，优化 \(\epsilon\) 消去偏差项，得到反演不等式。

这个逻辑在多维下完全相同，只是第一步的对偶表示换成 max-sliced Wasserstein 的对偶表示，把多维 \(W_1\) 降维到一维投影 \(W_1\)，再在一维投影上重复上述 Fourier 反演逻辑。

三、这篇论文做了什么

三句话： ①研究了多变量加性去卷积模型中信号分布的 \(L^1\)-Wasserstein 收缩速率问题； ②核心工具是 max-sliced Wasserstein 距离降维与基于 ordinary smooth 条件积分下界的新反演不等式； ③主要结论：在贝叶斯框架下，DPM 先验对一维 Laplace 噪声达到近 minimax-optimal 的 \(W_1\) 后验收缩速率并自动适应未知 Sobolev 正则性；在频率派框架下，minimum distance estimator 在任意维度 \(d \ge 1\) 下均达到 \(W_1\) 去卷积的 minimax 速率。

关键设定与假设： - 模型：\(Y = X + Z\), \(X \perp Z\), \(f_Z\) 已知，\(f_Y = f_X * f_Z\)，观测 \(Y_1, \ldots, Y_n\) i.i.d. from \(f_Y\)。 - Assumption 1（Ordinary smooth 误差）：\(c_1 |t|^{-\beta} \le |\varphi_Z(t)| \le c_2 |t|^{-\beta}\) 对 \(|t| \ge t_0\)，\(\beta > d\)（多维下要求 \(\beta > d\) 以保证反演不等式常数有限）。统计含义：误差分布的特征函数以多项式速率衰减，如 Laplace（\(\beta=2\)）、Gamma（某些参数下）等。相比 Dattner et al. (2016) 的逐点下界条件，本文的 ordinary smooth 条件是积分层面的，更宽松且可多维验证。 - Assumption 2（信号分布的 Sobolev 正则性）：信号分布 \(\mu\) 的密度 \(f_X\) 属于 Sobolev 类 \(S(\alpha, L)\)（\(\alpha > 0\)），即其特征函数满足 \(\int |t|^{2\alpha} |\varphi_X(t)|^2 dt \le L\)。统计含义：信号分布有 \(\alpha\) 阶光滑性，这是自适应速率的依赖对象。 - 贝叶斯先验：Dirichlet process mixture of normals (DPM)，\(\mu \sim \text{DP}(\alpha, G_0)\)，\(G_0\) 为 Normal-InverseGamma 或正态混合基。这是非参数贝叶斯中的经典先验，本文首次在 Wasserstein 去卷积下证明其自适应收缩。

主要结果：

  1. Theorem 1（反演不等式，核心引擎）：
  2. 陈述：对任意两个信号分布 \(\mu, \nu\) 与 ordinary smooth 误差 \(f_Z\)（满足 Assumption 1, \(\beta > d\)），存在常数 \(C = C(\beta, c_1, d)\) 使得
    \[W_1(\mu, \nu) \le C \|f_{Y,\mu} - f_{Y,\nu}\|_{L^1}\]
  3. 直觉：信号分布的 Wasserstein 距离被观测混合密度的 \(L^1\) 距离线性控制，常数只依赖误差光滑参数与维数，不依赖信号分布。
  4. 必要条件：\(\beta > d\)（否则常数发散）；\(f_Z\) 的 ordinary smooth 条件（积分下界）。

  5. 解决的技术难点：绕过逐点特征函数下界，用光滑化截断与 Fourier 积分控制实现反演；多维推广通过 max-sliced 降维实现。

  6. Theorem 2（贝叶斯后验收缩速率，一维 Laplace 噪声）：

  7. 陈述：在一维 Laplace 噪声（\(\beta=2\)）下，若信号密度 \(f_X \in S(\alpha, L)\)，使用 DPM 先验，则后验分布满足
    \[\Pi(W_1(\mu, \mu_0) > M n^{-\alpha/(2\alpha+2\beta-1)} \mid Y_1, \ldots, Y_n) \to 0 \quad \text{a.s. } f_{Y,0}\]
    其中 \(\mu_0\) 是真实信号分布，\(M\) 足够大，速率 \(n^{-\alpha/(2\alpha+2\beta-1)}\) 是 \(L^1\)-Wasserstein 去卷积的 minimax 速率（up to log factor）。
  8. 直觉：后验在 Wasserstein 距离下以近 minimax 速率收缩，且速率自动适应未知 \(\alpha\)（无需事先指定正则性参数）。
  9. 必要条件：Laplace 噪声（\(\beta=2\)）；DPM 先验的基分布支撑足够宽（覆盖 Sobolev 类）；信号分布有限矩条件（保证 Wasserstein 距离有限）。

  10. 解决的技术难点：DPM 先验在 Wasserstein 拓扑下的后验收缩证明——传统 Schwartz 先验-后验不等式在 \(L^1\) 拓扑下成立，但 Wasserstein 拓扑的测试网构造更复杂；本文通过反演不等式把 Wasserstein 收缩转化为 \(L^1\) 收缩，再利用 DPM 在 \(L^1\) 下的已知收缩结果，加上 Laplace 卷积的自适应逼近构造，完成了证明。

  11. Theorem 3（频率派 minimax 速率与 minimum distance estimator，任意 \(d \ge 1\)）：

  12. 陈述：在任意维度 \(d \ge 1\) 下，ordinary smooth 误差（\(\beta > d\)），信号密度 \(f_X \in S(\alpha, L)\)，\(L^1\)-Wasserstein 去卷积的 minimax 速率为 \(n^{-\alpha/(2\alpha+2\beta-d)}\)（多维速率与 \(d\) 有关）。本文构造的 minimum distance estimator 达到此速率。
  13. 直觉：多维 Wasserstein 去卷积的 minimax 速率与一维不同（分母中出现 \(d\) 而非 \(1\)），这是 max-sliced 降维带来的维数依赖；minimum distance estimator 通过在观测密度的 \(L^1\) 距离上做最小化，再反演到 Wasserstein 距离，自动达到 minimax 速率。
  14. 解决的技术难点：多维 minimax 下界的推导（利用 Fano's lemma 与多维 Sobolev 类的 packing 数）；minimum distance estimator 在多维下的存在性与速率证明。

证明路线与技术技巧：

  • 整体路线（贝叶斯后验收缩）：
  • 构造 DPM 先验下 \(f_Y\) 的自适应逼近：用 Laplace 卷积正态混合逼近 Sobolev 类的 \(f_{Y,0}\)，逼近速率自适应于 \(\alpha\)。
  • 验证先验支撑条件：DPM 先验对 Sobolev 类的 \(f_Y\) 赋予正概率（通过 Kullback-Leibler 逼近球）。
  • 利用 Schwartz 先验-后验不等式，得到后验在 \(L^1\) 距离下对 \(f_Y\) 的收缩速率。
  • 关键跳跃：通过 Theorem 1 的反演不等式，把 \(L^1\) 收缩速率转化为 \(W_1\) 收缩速率，常数不破坏 minimax 速率阶。

  • 处理 log-factor：DPM 先验的收缩速率比 minimax 多 \(\log n\) 因子，这是非参数贝叶斯自适应估计的典型代价，本文未消除。

  • 整体路线（频率派 minimum distance estimator）：

  • 定义 minimum distance estimator \(\hat{f}_Y\)：在某个参数化/非参数类上最小化 \(\|f_Y - \hat{f}_Y\|_{L^1}\)。
  • 证明 \(\hat{f}_Y\) 在 \(L^1\) 距离下达到 \(f_Y\) 的 minimax 估计速率。
  • 通过反演不等式，把 \(\hat{f}_Y\) 对应的信号分布 \(\hat{\mu}\) 在 \(W_1\) 距离下的速率控制在 minimax 阶。

  • 推导多维 minimax 下界：构造多维 Sobolev 类的局部假设集，用 Fano's lemma 得到下界 \(n^{-\alpha/(2\alpha+2\beta-d)}\)。

  • 关键跳跃点：

  • 反演不等式的证明中，从 \(W_1\) 的对偶表示到 Fourier 域积分的控制是最吃功夫的步骤。难点在于如何在不逐点除以 \(\varphi_Z\) 的情况下，把 \(\varphi_\mu - \varphi_\nu\) 的 Fourier 积分控制住。作者引入光滑化核 \(K_\epsilon\) 截断高频，利用 \(\varphi_Z\) 在低频段的积分下界（ordinary smooth 条件）控制除法，偏差项通过 \(\epsilon\) 的优化消去。

  • 多维到一维的降维：利用 \(W_1(\mu, \nu) = \text{SW}_1(\mu, \nu)\)（对有有限一阶矩的分布，max-sliced Wasserstein 与 Wasserstein 等价，引用 Kolouri et al. 2019），把多维 \(W_1\) 距离写成所有一维投影 \(W_1\) 距离的上确界，再在每个投影上应用一维反演不等式，最后用 \(\|f_{Y,\mu} - f_{Y,\nu}\|_{L^1}\) 统一控制所有投影的 \(L^1\) 距离（因为 \(L^1\) 距离在投影下不放大）。

  • 技术技巧点名：

  • Max-sliced Wasserstein 距离降维：用 \(\text{SW}_1 = W_1\) 的等价性把多维问题降维到一维，避免多维 Fourier 除法的复杂性。
  • Fourier 光滑化截断：引入带宽 \(\epsilon\) 的核 \(K_\epsilon\) 截断高频，绕过逐点特征函数下界，改用积分下界控制除法。
  • Schwartz 先验-后验不等式：在贝叶斯收缩证明中，用经典的 KL 球与测试网方法控制后验收缩概率。
  • DPM 自适应逼近构造：用 Laplace 卷积正态混合逼近 Sobolev 类密度，逼近速率自适应于未知 \(\alpha\)，这是贝叶斯自适应的核心技术。
  • Fano's lemma 与多维 Sobolev packing：在频率派 minimax 下界证明中，用 Fano's lemma 与多维 Sobolev 类的 packing 数推导维数依赖的速率下界。

真实例子与应用： 本文为纯理论论文，无真实数据例子或模拟实验。所有结论均为渐近速率与理论保证，未提供数值实现或数据分析。

🔎 结论是否比证明窄： - Theorem 2 的贝叶斯后验收缩速率结论严格在一维 Laplace 噪声（\(\beta=2\)）下证明，但作者在讨论部分泛泛 claim 该方法可推广到其他 ordinary smooth 误差与多维设定，未给出证明或具体条件。研究者应核验：DPM 先验在多维或 \(\beta \ne 2\) 下的自适应逼近构造是否仍然可行，特别是多维下 Sobolev 类的逼近速率与 \(\beta > d\) 条件的交互。 - Theorem 1 的反演不等式要求 \(\beta > d\)，但作者在 intro 中暗示该不等式对 \(\beta \le d\) 也有某种形式成立，未证明。这是一个结论比证明窄的信号。

四、开放问题（点到为止，扎根具体语句）

  1. 多维贝叶斯 Wasserstein 去卷积的后验收缩与自适应：Theorem 2 仅在一维 Laplace 噪声下证明，作者在 Section 5 讨论中提及多维推广但未给出条件与证明。要证：在 \(d \ge 2\), \(\beta > d\) 下，DPM 或其他先验能否达到 \(n^{-\alpha/(2\alpha+2\beta-d)}\) 的 \(W_1\) 后验收缩速率并自适应 \(\alpha\)？扎根于作者对 Theorem 2 的局限讨论。
  2. \(\beta \le d\) 下的反演不等式与 minimax 速率：Theorem 1 要求 \(\beta > d\)，否则常数发散。要证/估：在 \(\beta \le d\)（如多维 Laplace 噪声 \(d \ge 3\)）下，\(W_1\) 去卷积的反演不等式是否以不同形式（如对数因子或不同距离）成立？扎根于 Assumption 1 的 \(\beta > d\) 条件与作者对 \(\beta \le d\) 的回避。
  3. Wasserstein 与 \(L^1\) 去卷积 minimax 速率的本质差异：本文的 \(W_1\) 速率与经典 \(L^1\) 速率在形式上相同（一维下），但多维下 \(W_1\) 速率的分母出现 \(d\)（\(n^{-\alpha/(2\alpha+2\beta-d)}\)），而 \(L^1\) 速率是否也有此维数依赖？要证：多维 \(L^1\) 去卷积的 minimax 速率是否与 \(W_1\) 速率不同？扎根于 Theorem 3 的下界推导与 \(d\) 的出现。
  4. Supersmooth 误差下的 Wasserstein 去卷积：本文完全限于 ordinary smooth 误差，intro 中引用 Fan (1991) 的 supersmooth 结果但未给出 Wasserstein 反演不等式。要证：在 supersmooth 误差（如 Gaussian 噪声）下，\(W_1\) 去卷积的 minimax 速率是否与 \(L^1\) 速率一样以对数衰减？扎根于 intro 对 supersmooth 的回避与 Fan (1991) 的引用。

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

评论