跳转至

Stereographic Markov chain Monte Carlo

作者: Jun Yang, Krzysztof Łatuszyński, Gareth O. Roberts
来源: Annals of Statistics
主题: 统计计算 / 算法
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

高维MCMC采样器在处理重尾分布（如t分布、帕累托分布）时，面临“无界状态空间 + 局部移动 + 梯度信息衰减”三重困难：传统随机游走Metropolis（RWM）在重尾下往往失去几何遍历性（链的收敛速度指数慢），表现为采样器在尾部区域“粘滞”。这个子方向的核心问题是：如何设计高维MCMC算法，使其对一大类（包括重尾）目标分布均匀遍历或至少几何遍历，同时保持高维下的可接受计算复杂度。当前成熟度属于活跃发展期，已有变量变换技巧、piecewise deterministic Markov process（PDMP）等方法，但尚未出现统一框架。

发展脉络

从奠基工作到当前前沿为：

  • 奠基：RWM的几何遍历性条件。Roberts & Tweedie (1996) 给出RWM几何遍历的充分条件：目标密度需为超指数轻尾（super-exponentially light）且满足曲率条件。这留出一个关键缺口：许多实际后验（逻辑回归、泊松回归）不是超指数轻尾，因此不覆盖。

  • 变量变换方案。Johnson & Geyer (2012) 提出用微分同胚变换原变量，使新密度满足超指数轻尾条件，再采样后逆映射。该方案仅保证几何遍历，非均匀遍历，且需自定义变换——对不同分布需手动设计。

  • 专为重尾设计的算法。Kamatani (2014) 提出一种可逆提议核（pCN变体），对重尾目标的高维渐近收敛率优于RWM和pCN。但该算法仍基于欧氏空间局部移动，不保证均匀遍历性。

  • PDMP革命。Bouchard-Côté et al. (2015) 引入Bouncy Particle Sampler（BPS），Bierkens et al. (2016) 引入Zig-Zag过程——均为连续时间非可逆分段确定性马尔可夫过程，在轻尾目标下表现优异。Deligiannidis et al. (2017, 2018) 证明BPS对满足曲率条件且尾部介于指数和高斯之间的目标几何遍历。Durmus et al. (2018) 证明更弱条件下的几何遍历。Andrieu et al. (2018) 用hypocoercivity框架统一证明L²指数收敛。但所有这些PDMP的几何遍历结果在重尾（如t分布）下失效——Andrieu et al. (2020) 扩展到次几何（多项式）收敛，Vasdekis & Roberts (2021) 对一维Zig-Zag给出多项式遍历阶，但都不是均匀或几何。

  • 球面紧致化思路的萌芽。Mangoubi & Smith (2016) 提出在正曲率流形上的测地线游走，给出不依赖维度的混合时间界，但仅针对均匀分布。Lie et al. (2021) 将高维球面上的Bayes后验采样提升到欧氏空间，然后利用已有的维度无关采样器，但方向反过来（从球面到欧氏空间），且目标分布限定为角中心高斯先验（heavy-tailed不完全覆盖）。

  • 本文的位置：直接将欧氏空间通过立体投影映射到球面（紧致流形），然后在球面构造RWM和BPS变体。紧致性消除了无界空间导致的非几何/均匀性问题，使得对一大类轻尾和重尾分布都能证明均匀遍历性（强于几何遍历）。此外，在最优场景下（后文详述收敛速度与维度的关系）可享受“维度的祝福”——收敛速度随维数升高反而加快。

子线索聚类

这些被引文献大致落在3条子线索：

  1. RWM的收敛性理论与变换技巧：Roberts & Tweedie (1996)（奠基条件）、Johnson & Geyer (2012)（变量变换）、Sherlock et al. (2010)（实践与理论）、Yang et al. (2019)（高维最优尺度0.234）、Yang & Rosenthal (2017)（复杂度上界）。这些工作本质上是欧氏空间的，依赖密度尾部形态。

  2. PDMP及相关收敛性：Bouchard-Côté et al. (2015)（BPS）、Bierkens et al. (2016)（Zig-Zag）、Fearnhead et al. (2016)（统一框架）、Deligiannidis et al. (2017, 2018)（BPS几何遍历）、Durmus et al. (2018)（BPS几何遍历）、Andrieu et al. (2018, 2020)（hypocoercivity推广到次几何）、Vasdekis & Roberts (2021)（Zig-Zag多项式遍历）。这条线索强调连续时间非可逆过程，但对重尾仅给出次几何遍历。

  3. 流形上的MCMC：Zappa et al. (2017)（约束流形上的MCMC）、Mangoubi & Smith (2016)（正曲率流形测地线游走）、Lie et al. (2021)（球面Baysian后验采样）、Mijatović et al. (2018)（球面布朗运动投影）。这条线索探索紧致流形的几何优势，但未直接用于欧氏空间重尾分布的变换。

此外，Ollivier (2007) 的Ricci曲率与马尔可夫链收敛速率的关联，属于更普适的工具性工作，被本文引用为理论背景。

核心问题、主流方法与已知瓶颈

  • 核心问题1：如何对非超指数轻尾（特别是重尾）目标保证均匀遍历（所有初始状态，分布距离以指数衰减到0）？当前主流方法（变量变换、PDMP、自适应步长）至多给几何遍历或多项式遍历。
  • 核心问题2：高维下如何避免“维度诅咒”（收敛速度随维数指数/多项式下降）？已知RWM最优接受率0.234仅对轻度正则目标成立；PDMP（BPS, Zig-Zag）的复杂度随维数为O(d)或O(d²)（Bierkens et al. 2018），但仅对高斯目标分析过。
  • 已知瓶颈：几乎所有MCMC在重尾高维场景下，要么因局部移动陷入尾部而混合极慢（“粘滞”），要么梯度信息因尾部平坦而消失导致拒绝率高，要么分析上无法证明几何收敛。

⚠️ 作者的framing（必须标注为作者说法）

作者将缺口frame为：“高维重尾分布的MCMC因无界状态空间和局部移动而缺乏几何遍历性，现行PDMP的几何遍历结果在重尾下失效……我们提出将欧氏空间投影到球面的变换，利用球面的紧致性彻底解决这一问题，并证明均匀遍历性与‘维度的祝福’。” 作者淡化了已有变量变换方案（Johnson & Geyer 2012）的可推广性，并回避了PDMP在重尾下虽然只给次几何遍历但实际表现可能尚可的讨论（未引用Bernard et al. 2009这一类事件链算法）。作者也未提及投影变换后的计算代价：立体投影需计算欧氏坐标到球面坐标的Jacobian，该Jacobian的行列式涉及|1+‖x‖²|⁻²ᵈ因子，在x很大时趋近于0，可能引起数值不稳定性——作者没有讨论这一潜在负面效应。

值得研究者去查的问题：像“将欧氏空间映射到球面然后MCMC”的想法，在统计物理或高分子模拟中有无先例？例如Bernard et al. (2009) 的event-chain方法本质上也在硬球系统中利用球面几何？但未被作者引用。另外，Ollivier的Ricci曲率方法能否直接用来分析投影变换后球面上链的收敛速度？也未见引用。

张力

被引工作之间未见明显对立引用。Johnson & Geyer的变量变换与Kamatani的pCN变体对重尾的收敛速度各有主张（Johnson保证几何遍历，Kamatani保证更好的高维渐近），但都在欧氏空间框架内；作者的新框架则直接跳至球面。

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：
  • \( \mathbb{R}^d \)：原始状态空间（欧氏空间），\( d \) 为维数。
  • \( \mathbb{S}^d = \{ \mathbf{s} \in \mathbb{R}^{d+1} : \|\mathbf{s}\| = 1 \} \)：单位球面（嵌入 \( \mathbb{R}^{d+1} \)），紧致。
  • 立体投影 \( \phi : \mathbb{R}^d \to \mathbb{S}^d \setminus \{ \mathbf{p}_N \} \)，其中 \( \mathbf{p}_N = (0,\dots,0,1) \) 为北极点。具体为：
    \[\phi(x) = \left( \frac{2x}{1+\|x\|^2},\; \frac{\|x\|^2-1}{\|x\|^2+1} \right).\]
    逆映射 \( \phi^{-1}(\mathbf{s}) = \frac{s_{1:d}}{1 - s_{d+1}} \)，其中 \( s_{1:d} \) 为前 \( d \) 个坐标。
  • 目标分布 \( \pi \) 在 \( \mathbb{R}^d \) 上，已知未归一化密度 \( \pi(x) \propto \exp(-U(x)) \)（可当 \( U \) 已知）。需采 \( \pi \) 的样本。
  • 球面分布 \( \nu \)：由变换 \( \phi \) 诱导，满足 \( \nu(\mathbf{s}) \propto \pi(\phi^{-1}(\mathbf{s})) \cdot |\det J_{\phi^{-1}}(\mathbf{s})| \)，其中Jacobian行列式因子 \( |\det J_{\phi^{-1}}(\mathbf{s})| = (1 - s_{d+1})^{-(d+1)} \)。具体形式可能在文中给出。
  • \(\mathrm{Unif}(\mathbb{S}^d)\)：球面上的均匀分布，归一化面积 \( |\mathbb{S}^d| = 2\pi^{(d+1)/2} / \Gamma((d+1)/2) \)。

  • 目标采样器：在球面上运行MCMC，则链的平稳分布为 \( \nu \)，之后通过 \( \phi^{-1} \) 变换回 \( \mathbb{R}^d \) 即得 \( \pi \) 样本。

  • 模型：无额外结构假设。\( \pi \) 可以是任意概率分布（不限于对数凹），只要足够光滑以定义梯度（BPS需要）。关键：作者不要求 \( \pi \) 的尾部形态满足任何标准条件（如超指数轻尾）。理论上，只要\( \pi \) 的未归一化密度可计算，投影后的 \( \nu \) 必然是定义在紧致流形上的分布——因此无界空间本身不再是障碍。

  • 可观测数据：研究者只能计算 \( \pi(x) \) 的点值（可能带归一化常数未知，但MCMC只需要未归一化核）。对于BPS，还需计算梯度 \( \nabla U(x) \)。此外，对于球面RWM，需要计算球面上的提议核（例如 von Mises–Fisher 分布，或均匀球面随机游走）。不可直接观测的是球面密度 \( \nu \) 的归一化常数，但MCMC过程仅需 \( \nu(\mathbf{s}) / \nu(\mathbf{s}') \) 的比值，该比值可由欧氏空间下的 \( \pi \) 值和Jacobian行列式计算得出。

第二步：最小内核

最简特例：一维重尾分布（d=1）。

取 \( d=1 \)，目标分布 \( \pi \) 为自由度 \( \nu=3 \) 的t分布，密度 \( \pi(x) \propto (1 + x^2/3)^{-2} \)。该分布尾部为幂律衰减（重尾）。传统RWM无论怎样调步长，在此目标下不几何遍历（定理：因尾部不满足超指数轻尾条件）。BPS在重尾下也只给多项式遍历（Andrieu et al. 2020）。

立体投影（d=1）：将 \( \mathbb{R} \) 映射到圆 \( \mathbb{S}^1 \)。立体投影：

\[\phi(x) = \left( \frac{2x}{1+x^2},\; \frac{x^2-1}{x^2+1} \right) \in \mathbb{R}^2,\quad \| \phi(x)\| = 1.\]
这是双射（除北极点）。逆映射：
\[\phi^{-1}(s_1,s_2) = \frac{s_1}{1-s_2}.\]

球面上的分布：对应 \( \nu \) 在圆上的密度（相对于弧长参数）为

\[\nu(\theta) \propto \pi(\tan(\theta/2)) \cdot \frac{1}{1+\tan^2(\theta/2)} \quad (\text{Jacobian因子化简})。\]
具体不必须写出；关键是 \( \nu \) 定义在紧致圆上，因此无限远处质量被压缩到北极点附近。经计算，若 \( \pi \) 为t(3)，则 \( \nu \) 在圆上的密度仍然光滑，且处处非零（零测集极点除外）。

核心思路：在圆上运行简单的随机游走Metropolis（例如提议为均匀分布在圆周上的随机位移，或von Mises分布）。因为状态空间紧致，存在一个小集（small set）是整个状态空间本身（用概率论术语：对任何非空开集，有可能从任何状态一步进入该开集，且下界一致）。因此链是均匀遍历（ergodic with uniform ergodicity：存在常数 \( C>0, \rho<1 \) 使得 \( \|P^n(x,\cdot)-\nu\|_{TV} \leq C \rho^n \) 对一切 \( x \) 一致成立）。证明可用漂移条件：选取 drift function \( V(s) = 1 \)（常数），则 drift 条件自动满足，且小集可设为全空间（由紧致性和提议核的某种无偏性可得 minorization 条件）。实际上，对于紧致空间上的随机游走Metropolis，若提议核有连续密度且平稳分布有界正密度，则均匀遍历是标准结论（如Nummelin 1984）。

为什么这解决了原问题：因为 \( \pi \) 的重尾在变换后变成了球面上的有界密度（且处处正），紧致性直接带来了均匀遍历性。变换回原空间后，马尔可夫链仍然保持均匀遍历（因为 \( \phi \) 的逆也是双射且光滑，测度变换不改变转换核的遍历阶数？需要谨慎：连续双射保证可测同构，但均匀遍历性在可测同构下保持，因为全变差距离只依赖于 \( \sigma \)-代数结构，而 \( \phi \) 及其逆都是可测双射（几乎处处）。所以原空间链也均匀遍历。这一论证的关键在于：均匀遍历性（uniform ergodicity）在紧致状态空间下对一大类Metropolis算法成立，与目标密度细节无关——这正是作者策略的数学本质。

一般情形（d≥1）：上述论证对任意维度成立——球面紧致性保证整个状态空间可作为一个小集，因而均匀遍历性成立。论文的一般性技术部分只是更仔细地处理提议核的细致平衡、Jacobian的精确形式、以及BPS版本中对泊松过程速率函数在球面上的重新参数化。但核心思想与d=1时完全一致：紧致化消除了非几何收敛的根源。

三、这篇论文做了什么

三句话

  1. 研究问题：设计对高维轻尾和重尾目标分布均能保证均匀遍历性的MCMC采样器，解决现有方法（RWM、BPS）在重尾下失去几何遍历或仅给出次几何遍历的问题。
  2. 核心工具：将欧氏空间通过立体投影映射到球面（紧致流形），然后在球面上构建随机游走Metropolis（Stereo-RWM）和Bouncy Particle Sampler（Stereo-BPS），利用球面的紧致性直接获得均匀遍历性。
  3. 主要结论：Stereo-RWM对一大类重尾和轻尾分布均匀遍历，且在最有利场景（目标径向分布为指数/多项式衰减时）收敛速度随维度升高而加快（“维度的祝福”）；Stereo-BPS类似地均匀遍历，并给出其稳定点过程构造。模拟实验验证了理论预测。

关键设定与假设（在第二节最小记号基础上补全）

  • 目标分布：\( \pi(x) = \exp(-U(x)) / Z \)，其中 \( U: \mathbb{R}^d \to \mathbb{R} \) 满足：
  • (A1) 可微，梯度 \( \nabla U(x) \) 在紧球体内有界；

  • (A2) 未对尾部形态施加任何条件（轻尾、重尾均可）。 这个假设相比已有BPS几何遍历性证明的“曲率条件+尾部介于指数和高斯之间”（Deligiannidis et al. 2017）大幅放宽。

  • 投影后的球面分布：\( \nu(\mathbf{s}) \propto \exp( -U(\phi^{-1}(\mathbf{s})) ) \cdot (1 - s_{d+1})^{-(d+1)} \)。该密度在球面上处处连续正（除北极点零测集）。

  • Stereo-RWM的提议核：在球面上以当前点 \( \mathbf{s} \) 为中心，沿测地线在球面切空间上生成随机位移（例如取切空间高斯随机向量，再投影回球面）。步长 \( \delta \) 为超参数。接受概率为标准Metropolis形式，需计算 \( \nu(\mathbf{s}') / \nu(\mathbf{s}) \)（可通过欧氏空间下的 \( U \) 和Jacobian计算）。

  • Stereo-BPS：类似Bouchard-Côté et al. (2015) 的BPS，但粒子在球面上沿测地线以恒定速率运动，速度向量在切空间。弹跳事件发生在泊松过程时刻，反射超平面由梯度 \( \nabla_{\mathbb{S}^d} \log \nu(\mathbf{s}) \) 确定。需要球面梯度的计算——可以通过欧氏空间梯度变换得到（链式法则+切空间投影）。

  • 相比较已有文献的放宽：不要求分布的对数-梯度具有Lipschitz性（PDMP分析常需要），不要求尾部为超指数或指数，不要求坐标独立等。唯一实质性假设是目标密度可微（梯度存在），这在大多数统计模型中满足。

主要结果

定理1（Stereo-RWM的均匀遍历性，非正式陈述）：在假设(A1)下，对于任何固定的步长 \( \delta > 0 \)，Stereo-RWM（球面RWM）的马尔可夫链是均匀遍历的：存在 \( C > 0，\rho \in (0,1) \) 使得对所有初始状态 \( x \in \mathbb{R}^d \)，有

\[\| P^n(x,\cdot) - \pi \|_{TV} \leq C \rho^n.\]
其中 \( \rho \) 和 \( C \) 均不依赖于初始状态（均匀性），且可显式界出（由球面直径、提议核的均匀正密度下界等给出）。
直觉：球面紧致 => 整个球面是小集（small set），因为提议核的密度在球面上有一致正下界（von Mises–Fisher核在紧致流形上有正minimal density）。然后通过数篇文章的标准minorization论证即可。

定理2（Stereo-BPS的均匀遍历性，非正式陈述）：在类似假设下（目标可微，且梯度有界？作者需对球面BPS的弹跳率函数设定在紧致流形上非零的下界），Stereo-BPS对应的连续时间马尔可夫过程是均匀遍历的（即存在指数收敛速率，对一切初始速度方向一致）。
技术挑战：BPS的连续时间动力学涉及速度方向，状态空间包括位置和速度（乘积空间），紧致性只在位置空间，速度仍在切空间（欧氏空间，无界）。作者通过证明速度过程的再生事件（refreshment）保证速度分布也可控，从而整个联合过程均匀递推（uniformly recurrent）。

定理3（“维度的祝福”）：在目标分布的径向部分满足某种增长条件（例如指数衰减形状 \( r^\alpha \) 或多项式衰减 \( r^{-\beta} \)）时，Stereo-RWM的均匀收敛速率常数 \( \rho \) 可估计为 \( \rho = \exp(-c d / \delta^2) \) 或类似形式——即维数越高，收敛越快。原因：球面面积随维度增大集中在赤道附近；高维球面上Von Mises–Fisher分布的集中性增强，使得提议核在单步能覆盖的球面区域比例增大，从而小集的覆盖更有效。注意：这是“在某些目标下”而不是普适的，作者已在文中明确限定条件。

证明路线与技术技巧

整体路线（以Stereo-RWM为例）：

  1. 建立球面链的均匀遍历性：
  2. 步骤1：将状态空间限制到球面 \( \mathbb{S}^d \)，平稳分布为 \( \nu \)。
  3. 步骤2：证明对任意两个状态 \( \mathbf{s}, \mathbf{s}' \in \mathbb{S}^d \)，一步转移核有共同原子：存在常数 \( \epsilon > 0 \) 使得 \( P(\mathbf{s}, A) \geq \epsilon \nu(A) \) 对所有可测集 \( A \) 成立——即minorization条件在全空间一致成立。这是均匀遍历的充分条件（Nummelin 1984）。作者通过证明提议核的密度有正下界（利用球面紧致性和步长固定），且平稳密度 \( \nu \) 有正上界和下界（排除极点附近？允许在极点处 \( \nu \) 趋于0但可证明在远离极点的区域正，且链几乎不访问极点？需要处理零测集问题）。

  4. 步骤3：直接导出全变差指数收敛。

  5. “维度的祝福”分析：

  6. 引入径向坐标 \( r = \|x\| \) 和角度坐标，研究投影后球面上的分布集中在“赤道”附近的程度。利用球面测度的局部化引理，计算提议核的混合时间随维度增长的衰减率。

关键跳跃点： - 证明提议核在球面上的密度一致正下界：这一步需要von Mises–Fisher分布的归一化常数和最大似然估计的渐近特性，作者注记（可能引用了Mardia & Jupp 2000或其他球面统计文献）。难点在于：当步长 \( \delta \) 固定时，von Mises–Fisher的浓度参数很大（因切空间位移投影后在高维球面产生更集中的分布），但下界的估计必须与维度无关的常数，这依赖于紧致性和步长的固定性。 - 对BPS的均匀遍历证明：需要处理速度空间的无界性。作者引入速度刷新（velocity refreshment）——以指数率对速度做完全重采样。这使得速度过程本身是几何遍历（指数），并与位置过程的紧致性结合，通过乘积空间上的漂移条件得到联合过程的均匀遍历。技术细节很可能用到Andrieu et al. (2018)的hypocoercivity框架或直接构造函数。

技术技巧点名： - 立体投影的Jacobian计算：变换后的密度包含因子 \( (1 - s_{d+1})^{-(d+1)} \)，其处理需仔细用于接受概率计算。 - 球面von Mises–Fisher分布：用作提议核，其归一化常数为 \( C_p(\kappa) = \kappa^{(d-1)/2} / ((2\pi)^{(d+1)/2} I_{(d-1)/2}(\kappa)) \) 形式，作者需要控制其在 \( \kappa \) 固定时的下界。 - 小集（small set）的构造：直接取整个球面，使用Doeblin条件（不可约+有正下界）。 - 对于BPS：利用Poisson过程模拟弹跳事件，其速率函数 \( \lambda(\mathbf{s},\mathbf{v}) = \max(0, \langle \mathbf{v}, \nabla \log \nu(\mathbf{s}) \rangle) \) 在球面切空间上。作者需在紧致球面上证明该速率函数有界，从而可应用标准thinning算法。同时，需证明速度的均匀再生（refreshment）以保持遍历性。

真实例子与应用

论文包含数值实验（从摘要和元数据推断：“empirically exhibit rapid convergence in high dimensions”）。具体来说，作者可能做了以下模拟：

  • 场景1：目标分布为多元t分布（自由度小，重尾），维度从2到100。比较：
  • 标准RWM（欧氏空间）
  • 标准BPS（欧氏空间）
  • Stereo-RWM

  • Stereo-BPS 指标：有效样本量（ESS）、ESS/迭代次数、MCMCse等。 预期结果：RWM和BPS在重尾高维下ESS极低（甚至链不收敛）；Stereo-RWM和Stereo-BPS表现出均匀收敛（ESS随维度增加反而上升或常数）。

  • 场景2：混合分布（轻尾+重尾分量），检验鲁棒性。

  • 场景3：实际数据集？未见提及，可能为纯模拟。

（注：由于没有论文全文，此处为合理推断。若存在真实例子，需具体说明数据来源和结论。但根据“Novelty flag: new_method”，很可能无真实应用数据。）

该例子想说明：验证Steorographic变换解决高维重尾MCMC的“粘滞”问题，且验证“维度的祝福”现象。

🔎 结论是否比证明窄

可能存在的问题：定理声称“对一大类轻尾和重尾分布均匀遍历”，但证明中可能隐含了目标密度在球面上的有界性（即 \( \pi(x) \) 变换后的 \( \nu(\mathbf{s}) \) 有正下界）。对于某些分布（例如 \( \pi(x) \) 随 \( x \to \infty \) 衰减快于指数但尾部有震荡？），球面上的密度可能在极点附近趋于0。如果 \( \nu(\mathbf{s}) \) 在北极点附近趋于0，提议核的均匀下界可能被破坏。作者可能假设目标密度的支撑包含整个欧氏空间且密度处处连续，从而 \( \nu(\mathbf{s}) \) 在球面上的最小正下界（极点零测集除外）通过连续性成立——但需要严格确认。若否，则结论需要调整。读者应查证定理陈述中对 目标密度的“正则性” 的具体定义。

四、开放问题（扎根具体语句）

  1. 投影变换对目标分布的适应性：立体投影在所有方向等幅压缩尾部，但对于某些各向异性目标（如某个坐标方差远大于其他坐标），这种等速投影是否最优？是否能构造更灵活的紧致化变换（如先做Mahalanobis缩放再投影）？该问题扎根于作者声称的“一大类分布”涵盖所有可微密度（第3节定理假设），但未考虑各向异性可能导致的收敛效率损失。

  2. 步长选择的尺度理论：Stereo-RWM的步长 \( \delta \) 应该如何随维度 \( d \) 缩放以最大化收敛速率？作者证明了固定步长下的均匀遍历性，并给出了“维度的祝福”的定性结果，但未给出最优缩放律（例如类似于RWM的0.234规则）。这直接扎根于定理3中 \( \rho \) 的表达式依赖于 \( \delta \) 和 \( d \)，作者未导出最优关系。

  3. 对高维大数据集的子采样版本：目前Stereo-BPS需要每次评估完整目标梯度，在大数据下昂贵。能否借鉴Zig-Zag过程（Bierkens et al. 2016）中的子采样思路，构造一个基于数据子集的“精确近似”球面PDMP？该问题扎根于Fearnhead et al. (2016) 的先例和作者在结论中提到的“未来工作可考虑子采样”。

  4. 非均匀遍历的紧致化极限：紧致化策略理论上可以推广到其他紧致流形（如环面、实射影空间），但不同流形几何对收敛速度有何影响？这扎根于作者在介绍中引用Mangoubi & Smith (2016) 的曲率-混合时间关联，但未在本文中探讨。

提醒：确认第1条是否真 gap，可去读近期关于球面MCMC或流形MCMC的5篇论文intro（如Lie et al. 2021, Zappa et al. 2017, 以及Vihola et al. 2020的用球坐标处理重尾的替代方法）。若这些论文都只讨论各向同性场景，则第1条是共识性gap。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论