跳转至

Adaptive estimation of the L2-norm of a probability density and related topics II. Upper bounds via the oracle approach

作者: G. Cleanthous, A.G. Georgiadis, O.V. Lepski
来源: Annals of Statistics
主题: 其他
相关性: 8/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么： 这个子方向研究的是非参数密度泛函的自适应估计，具体而言，在仅观测到 \(d\) 维独立同分布样本且对密度函数 \(f\) 仅知其属于某个无限维函数族（如各向异性 Nikolskii 空间的球并集）时，如何构造数据驱动的估计量去逼近 \(f\) 的 \(L_2\) 范数 \(\|f\|_2^2\)，并使其风险在所有可能的子类上同时达到最优收敛速率。当前该方向在泛函下界与上界的精确刻画上已趋成熟，但自适应设定下的"不可能性"（最优自适应估计量不存在）与"紧性"（下界可达）之间的张力，直到本系列工作才被彻底闭合。

发展脉络（history）： - 奠基工作：Goldenshluger & Lepski (2022a, 2022b)（即引文 [1][2]）系统研究了密度 \(L_p\) 范数的 minimax 估计。作者在 intro 中引用它们时指出："In particular if \(\mathcal{N}_\Lambda\) is the family of minimax estimators constructed in Goldenshluger and Lepski (2022b) then the oracle inequality with (1.5) does not hold"——这直接点明了旧框架（针对单一固定类的 minimax 估计族）在自适应场景下失效，留下了"如何跨类自适应"的口子。 - 主要进展（下界与不可能性）：Cleanthous, Georgiadis & Lepski (2024a)（即引文 [3]，本文的第一部分）证明了在 Nikolskii 球并集上，最优自适应估计量不存在，并给出了多个自适应风险的下界。作者引用此工作时说："Hence if \(\{\hat{O}_n(\theta), \theta \in \Theta\}\) satisfies the conditions of Theorems 3 or 4 in Cleanthous et al (2024) then we can assert that it is the adaptive rate of convergence and \(\hat{N}_{\hat{\lambda}}\) is an adaptive estimator"——这为本文的上界紧性提供了直接的判定标准。 - 当前 frontier（本文的位置）：本文（2024b）作为第二部分，证明了第一部分给出的下界是紧的，构造了数据驱动的核估计选择程序，并将所有上界结果统一在一个 oracle 不等式之下。至此，\(L_2\) 范数自适应估计的 minimax 理论从"不可能"到"可达"被完整闭合。

子线索聚类： 1. Minimax 估计与速率渐近：Goldenshluger & Lepski (2022a, 2022b) 代表了固定类下的 minimax 路线，揭示了 \(L_p\) 范数估计速率从不一致到 \(\sqrt{n}\)-可估的渐近分水岭，但未触及跨类自适应。 2. 自适应不可能性与下界技术：Cleanthous et al (2024a) 代表了自适应设定下的硬限制路线，证明了"完美自适应"不可得，并给出抽象泛函自适应下界的通用技术。 3. U-统计量集中不等式：Giné, Latala & Zinn (2000)（引文 [4]）与 Houdré & Reynaud-Bouret (2003) 代表了二阶 U-统计量集中的经典路线。作者在 intro 中明确指出经典结果的不足："This is much sharper than the asymptotics provided by the best known results on the concentration inequalities for U-statistics, namely Giné et al. (2000) and Houdré and Reynaud-Bouret (2003), in which the corresponding term is proportional to \(\ln^2(m)\)"——本文在此线索上推进到了解耦 U-统计量，将尾部中的 \(\ln^2(m)\) 项改进到更精细的尺度。

这个方向在追问的核心问题： 1. 自适应速率的精确刻画：在函数族并集上，自适应风险的精确阶是什么？下界与上界是否闭合？ 2. 数据驱动选择程序的 oracle 有效性：能否构造一个选择程序，其风险不超过 oracle 风险乘以一个不依赖于未知类的常数因子？ 3. 泛函估计中的 U-统计量集中：二阶解耦 U-统计量的尾部概率能否被控制在比经典 Bernstein 型不等式更精细的尺度上，以支撑核估计的风险分析？

⚠️ 作者的 framing： - 作者把缺口 frame 成：第一部分已证明"最优自适应不存在"并给出下界，那么"证明这些下界紧"就是显然的下一步。同时，经典 U-统计量集中不等式的 \(\ln^2(m)\) 尺度不足以支撑核估计族的精细风险分析，因此"建立新的解耦 U-统计量集中不等式"也是显然的必需。 - 被淡化或回避的竞争路线：intro 中未提及基于小波阈值或聚合的泛函估计路线（如 Juditsky & Nemirovski 的 aggregating estimators），也未提及高阶 U-统计量（\(m \geq 3\)）的集中不等式路线。 - 明显该被引 / 该存在却未出现的：高阶 U-统计量集中不等式的近期进展（如 de la Peña & Montgomery-Smith 的解耦不等式专著）、以及半参数效率界理论中关于泛函估计的 influence function 路线（如 Robins et al 的 HOIF 理论）——这些与本文的 U-统计量技术内核有直接交叉，但 intro 中完全缺席。这是值得研究者去查的问题：作者是否刻意回避了与半参数效率界的对比，以维持纯非参数 minimax 的叙事？

张力： 未见明显对立引用。Goldenshluger & Lepski (2022b) 的 minimax 估计族在自适应 oracle 不等式下失效，与本文构造的新选择程序形成功能上的替代而非结论上的矛盾——前者在固定类下最优，后者在并集下自适应最优，二者适用的风险定义不同。

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：
  • \(d\)：样本的维数（\(\geq 1\)）。
  • \(n\)：样本量。
  • \(X_1, \ldots, X_n\)：\(\mathbb{R}^d\) 上的独立同分布随机变量，服从密度 \(f\)。
  • \(f\)：未知概率密度，要估的对象是其泛函而非 \(f\) 本身。
  • \(\theta = (\beta, s, r)\)：Nikolskii 空间参数向量，其中 \(\beta \in \mathbb{R}^d\) 为各向异性光滑度向量，\(s > 0\) 为球半径参数，\(r \in [1, \infty]\) 为 \(L_r\) 范数指标。
  • \(\Theta\)：参数向量 \(\theta\) 的取值集合（有限或无限）。
  • \(N_{\theta}\)：\(\mathbb{R}^d\) 上各向异性 Nikolskii 空间 \(N_{\beta, r}(\mathbb{R}^d)\) 中半径为 \(s\) 的球。
  • \(\mathcal{F} = \bigcup_{\theta \in \Theta} N_{\theta}\)：密度 \(f\) 所属的函数族（Nikolskii 球的并集）。
  • \(\|f\|_2^2 = \int_{\mathbb{R}^d} f^2(x) dx\)：要估的泛函（estimand），即密度的 \(L_2\) 范数平方。
  • \(\lambda\)：核估计的带宽参数（向量或标量，取决于各向同性/各向异性）。
  • \(\Lambda\)：带宽参数 \(\lambda\) 的取值集合。
  • \(K_\lambda\)：带宽为 \(\lambda\) 的核函数。
  • \(\hat{N}_\lambda\)：带宽为 \(\lambda\) 的核估计量（二阶 U-统计量形式）。
  • \(\hat{\lambda}\)：数据驱动选择出的带宽（从 \(\Lambda\) 中选出）。
  • \(\hat{N}_{\hat{\lambda}}\)：最终的自适应估计量。
  • \(m\)：U-统计量的阶数（本文核心为 \(m=2\)）。
  • \(\psi_n(\theta)\)：类 \(N_\theta\) 上的 minimax 收敛速率。

  • \(\phi_n(\theta)\)：类 \(N_\theta\) 上的自适应收敛速率（\(\phi_n(\theta) \geq \psi_n(\theta)\)，因为自适应代价）。

  • 模型： 数据生成机制：\(X_1, \ldots, X_n \sim f\)，\(f\) 未知但满足两个约束：(1) \(f\) 一致有界：\(\|f\|_\infty \leq M\)（\(M\) 未知）；(2) \(f \in \mathcal{F} = \bigcup_{\theta \in \Theta} N_\theta\)。要估的参数是 \(\|f\|_2^2\)。没有任何参数结构假设，纯粹是非参数设定。

  • 可观测数据： 研究者实际能观测到的是 \(n\) 个 \(\mathbb{R}^d\) 上的点 \(X_1, \ldots, X_n\)。密度 \(f\) 本身不可观测，\(\|f\|_2^2\) 也不可观测，只能靠样本构造 U-统计量去逼近。Nikolskii 空间参数 \(\theta\) 与一致有界常数 \(M\) 均不可观测，必须被数据驱动程序自适应处理。

第二步：讲最小内核

整篇论文的证明本质上是单个带宽下核估计量的风险控制的推广，而那个风险控制的核心数学困难，在于二阶解耦 U-统计量的尾部概率控制。因此，最小内核是：

最简特例：\(d=1\)，各向同性 Nikolskii 空间，单个带宽 \(\lambda\)，二阶解耦 U-统计量的集中不等式

设定 \(d=1\)，\(X_1, \ldots, X_n \sim f\)，\(\|f\|_\infty \leq M\)。要估 \(\|f\|_2^2\)。取单个核 \(K_\lambda\)（带宽 \(\lambda\)），构造核估计量：

\[\hat{N}_\lambda = \frac{1}{n(n-1)} \sum_{i \neq j} K_\lambda(X_i - X_j)\]
这是一个二阶 U-统计量，核函数为 \(h(X_i, X_j) = K_\lambda(X_i - X_j)\)。

为了风险分析，需要控制 \(\hat{N}_\lambda\) 偏离其期望的概率。经典路线（Giné et al 2000）对一般 U-统计量给出的 Bernstein 型不等式中，尾部项包含 \(\ln^2(n)\) 或 \(\ln^2(m)\) 因子，这在核带宽 \(\lambda \to 0\) 时过于粗糙，无法支撑后续的 oracle 不等式（因为 oracle 不等式要求尾部概率随 \(\lambda\) 的衰减足够快，以使得带宽选择的偏差-方差折中不被尾部残余主导）。

本文的最小内核命题是：对解耦的二阶 U-统计量

\[\hat{N}_\lambda^{\text{dec}} = \frac{1}{n_1 n_2} \sum_{i=1}^{n_1} \sum_{j=1}^{n_2} K_\lambda(X_i' - X_j')\]
（其中 \(X_i'\) 与 \(X_j'\) 是独立的两份样本，各 \(n_1, n_2\) 个），可以建立不含 \(\ln^2(m)\) 因子的集中不等式，尾部概率的衰减速率直接由核的方差与带宽决定，精确到 \(\exp(-c t / \sigma_\lambda^2)\) 的 Bernstein 型尺度。

为什么成立：解耦操作 \(\hat{N}_\lambda^{\text{dec}}\) 将原 U-统计量的依赖结构拆成两份独立样本的乘积和，使得条件期望操作可以逐层施加——先对一份样本求条件期望，得到独立随机变量的和，再对另一份施加。这种"逐层剥离"消除了经典 U-统计量集中不等式中因对称依赖而产生的 \(\ln^2(m)\) 残余，使得尾部概率直接由单层条件子样本的方差控制。本文进一步利用核 \(K_\lambda\) 的局部化性质（带宽 \(\lambda \to 0\) 时核的支撑与方差随 \(\lambda\) 衰减），将尾部概率的尺度与 \(\lambda\) 精确挂钩，从而为后续的 oracle 不等式提供了足够精细的输入。

在这个特例下，要证的命题退化成：对解耦 U-统计量 \(\hat{N}_\lambda^{\text{dec}}\)，存在常数 \(c\)，使得

\[P\left( |\hat{N}_\lambda^{\text{dec}} - E[\hat{N}_\lambda^{\text{dec}}]| > t \right) \leq C \exp\left( - \frac{c t}{\sigma_\lambda^2} \right) + \text{低阶残余}\]
其中 \(\sigma_\lambda^2\) 是核的条件方差，随 \(\lambda\) 衰减。证明路线是：先对一份样本取条件期望，将 \(\hat{N}_\lambda^{\text{dec}}\) 化为独立和；再对独立和施加经典 Bernstein 不等式；最后对条件期望本身施加二次集中控制，消除 \(\ln^2(m)\) 因子。论文的一般情形（各向异性、多带宽族、oracle 选择）只是这个最小内核的"加壳"——多带宽族的风险分析需要对每个 \(\lambda\) 施加此不等式，oracle 选择需要将所有 \(\lambda\) 的尾部概率联合控制，而各向异性只是让 \(\lambda\) 从标量变成向量、核的衰减尺度从单一 \(\lambda\) 变成 \(\prod_{k=1}^d \lambda_k\)。

三、这篇论文做了什么

三句话： ①研究了 \(\mathbb{R}^d\) 上密度 \(L_2\) 范数在 Nikolskii 球并集上的自适应估计问题，证明了第一部分给出的自适应下界是紧的。 ②核心工具是数据驱动的核估计选择程序与二阶解耦 U-统计量的新集中不等式。 ③主要结论是：构造的自适应估计量 \(\hat{N}_{\hat{\lambda}}\) 的风险达到自适应速率 \(\phi_n(\theta)\)，且所有上界结果统一在一个 oracle 不等式之下。

关键设定与假设： 在第二节最小记号的基础上补全完整设定——

  • 假设 A1（密度一致有界）：\(\|f\|_\infty \leq M\)，\(M\) 未知。统计含义：保证核估计量的方差可以被 \(M\) 与带宽 \(\lambda\) 控制，是 Bernstein 型不等式的方差项来源。相比 Goldenshluger & Lepski (2022b) 的固定类设定，本文的 \(M\) 未知意味着自适应程序不能依赖 \(M\) 的精确值，必须在 oracle 不等式中用数据驱动量替代。
  • 假设 A2（Nikolskii 空间并集）：\(f \in \mathcal{F} = \bigcup_{\theta \in \Theta} N_\theta\)，\(\Theta\) 为有限或无限参数集。统计含义：密度属于多个光滑度-半径组合的球之一，自适应程序必须在不知识 \(\theta\) 的情况下同时覆盖所有球。相比第一部分 (2024a) 的下界设定，本文的并集结构完全一致，保证了紧性。
  • 假设 A3（核函数条件）：核 \(K_\lambda\) 满足：有界支撑或快速衰减、特定阶数的矩条件、以及 \(L_1\) 与 \(L_2\) 范数的带宽衰减率（如 \(\|K_\lambda\|_2^2 \sim \lambda^{-d}\)）。统计含义：这些条件将核的局部化程度与带宽 \(\lambda\) 精确挂钩，是偏差项（\(\|K_\lambda * f - f\|_2^2\)）与方差项（\(\sigma_\lambda^2\)）的渐近尺度来源。相比经典核密度估计的核条件，本文对 \(L_2\) 范数估计特别要求核的 \(L_2\) 范数衰减率，以支撑泛函估计的偏差-方差折中。
  • 假设 A4（解耦样本独立性）：在集中不等式的证明中，样本被随机分成两份独立子样本 \(X_1', \ldots, X_{n_1}'\) 与 \(X_1'', \ldots, X_{n_2}'\)，用于构造解耦 U-统计量。统计含义：解耦操作是本文集中不等式的技术核心，它将对称依赖的 U-统计量化为条件独立结构，使得 Bernstein 不等式可以逐层施加。

主要结果：

  1. 定理 1（Oracle 不等式）：对数据驱动选择程序 \(\hat{\lambda}\) 与核估计族 \(\{\hat{N}_\lambda, \lambda \in \Lambda\}\)，存在绝对常数 \(C > 0\)，使得对所有 \(f \in \mathcal{F}\)，

    \[E_f |\hat{N}_{\hat{\lambda}} - \|f\|_2^2|^2 \leq C \inf_{\lambda \in \Lambda} \left\{ E_f |\hat{N}_\lambda - \|f\|_2^2|^2 + \text{惩罚项}(\lambda) \right\}\]
    直觉：选择程序的风险不超过 oracle 风险（最优固定带宽的风险）乘以常数因子，加上一个控制过拟合的惩罚项。必要条件是核族 \(\Lambda\) 的丰富度足以覆盖所有 \(\theta\) 对应的最优带宽，且惩罚项的尺度与尾部概率的衰减匹配。解决的技术难点是：在 \(M\) 未知与 \(\theta\) 未知的双重盲区下，惩罚项必须由数据驱动量构造，且其尺度必须精确到与 \(\sigma_\lambda^2\) 同阶——这直接依赖新的解耦 U-统计量集中不等式。

  2. 定理 2（自适应速率紧性）：对每个 \(\theta \in \Theta\)，自适应估计量 \(\hat{N}_{\hat{\lambda}}\) 在类 \(N_\theta\) 上的风险达到自适应速率 \(\phi_n(\theta)\)，即

    \[\sup_{f \in N_\theta} E_f |\hat{N}_{\hat{\lambda}} - \|f\|_2^2|^2 \leq C \phi_n^2(\theta)\]
    且 \(\phi_n(\theta)\) 与第一部分 (2024a) 给出的自适应下界同阶。直觉：下界紧性闭合。必要条件是 oracle 不等式中的常数 \(C\) 不依赖于 \(\theta\)，且核族的带宽覆盖每个 \(\theta\) 的最优折中点。解决的技术难点是：自适应速率 \(\phi_n(\theta)\) 通常比 minimax 速率 \(\psi_n(\theta)\) 慢（自适应代价），本文必须证明选择程序在付出这个代价后仍能闭合下界，而不是退回到更慢的速率。

  3. 定理 4（解耦 U-统计量集中不等式）：对二阶解耦 U-统计量 \(\hat{N}_\lambda^{\text{dec}}\)，在核条件 A3 与密度有界 A1 下，对所有 \(t > 0\)，

    \[P_f \left( |\hat{N}_\lambda^{\text{dec}} - E_f \hat{N}_\lambda^{\text{dec}}| > t \right) \leq C_1 \exp\left( - \frac{C_2 t}{\sigma_\lambda^2} \right) + C_3 \exp\left( - \frac{C_4 t}{M \|K_\lambda\|_2^2} \right)\]
    其中 \(\sigma_\lambda^2\) 是条件方差项，\(M \|K_\lambda\|_2^2\) 是有界性主导的方差项。直觉：尾部概率由两个指数项控制，第一项是方差主导的小偏差区域，第二项是有界性主导的大偏差区域。相比 Giné et al (2000) 的 \(\ln^2(m)\) 尺度，本文的尾部不含对数因子，尺度直接由 \(\sigma_\lambda^2\) 与 \(\|K_\lambda\|_2^2\) 决定。必要条件是解耦操作将 U-统计量化为条件独立结构。解决的技术难点是：经典 U-统计量集中不等式中的 \(\ln^2(m)\) 因子来源于对称依赖结构的 Hoeffding 分解与 empirical process chaining，解耦操作绕过了这一步，但必须证明解耦后的条件独立结构足以恢复 Bernstein 型尺度。

证明路线与技术技巧：

  • 整体路线（5 步逻辑主干）：
  • 构造核估计族：对每个带宽 \(\lambda \in \Lambda\)，构造核估计量 \(\hat{N}_\lambda\)（二阶 U-统计量形式），并计算其偏差与方差。
  • 建立解耦集中不等式：将 \(\hat{N}_\lambda\) 解耦为 \(\hat{N}_\lambda^{\text{dec}}\)，对 \(\hat{N}_\lambda^{\text{dec}}\) 施加定理 4 的集中不等式，得到尾部概率的精细控制。
  • 构造数据驱动选择程序：定义 \(\hat{\lambda}\) 为最小化"估计偏差 + 数据驱动惩罚项"的带宽，惩罚项由解耦 U-统计量的方差估计构造。
  • 推导 Oracle 不等式：利用集中不等式控制选择程序的过拟合风险，证明 \(\hat{\lambda}\) 的风险不超过 oracle 风险乘以常数因子。

  • 闭合自适应速率：对每个 \(\theta\)，计算 oracle 风险在 \(N_\theta\) 上的最小值，证明其与第一部分的下界同阶，从而得到自适应速率紧性。

  • 关键跳跃点：

  • 引理：解耦 U-统计量的条件 Bernstein 不等式。难点卡在：经典 U-统计量的 Hoeffding 分解将核函数拆为投影与残差，但残差项的 empirical process 控制不可避免引入 \(\ln^2(m)\) 因子。作者绕过去的办法是：不解耦核函数本身，而是解耦样本指标集——将 \(\{1, \ldots, n\}\) 随机拆为 \(I_1\) 与 \(I_2\)，构造 \(\sum_{i \in I_1, j \in I_2} K_\lambda(X_i - X_j)\)，使得对 \(I_2\) 取条件期望后，\(\hat{N}_\lambda^{\text{dec}}\) 化为 \(\sum_{i \in I_1} Z_i\)（\(Z_i\) 独立），从而直接施加 Bernstein 不等式，无需 chaining 或 Hoeffding 分解。

  • 技术技巧点名：

  • Decoupling（解耦）：用在定理 4 的证明中，将二阶 U-统计量的对称依赖结构化为条件独立结构，是消除 \(\ln^2(m)\) 因子的关键。
  • Conditioning（条件化）：用在解耦集中不等式的推导中，先对一份样本取条件期望，将 U-统计量化为独立和，再对独立和施加 Bernstein 不等式。
  • Kernel localization（核局部化）：用在偏差-方差折中中，核 \(K_\lambda\) 的 \(L_2\) 范数 \(\|K_\lambda\|_2^2 \sim \lambda^{-d}\) 与条件方差 \(\sigma_\lambda^2\) 的带宽衰减率，将尾部概率的尺度与 \(\lambda\) 精确挂钩。
  • Oracle inequality（oracle 不等式）：用在选择程序的风险分析中，将数据驱动选择的风险控制为 oracle 风险乘以常数因子，是自适应估计的理论基石。
  • Penalization（惩罚项构造）：用在选择程序 \(\hat{\lambda}\) 的定义中，惩罚项由解耦 U-统计量的方差估计构造，尺度与 \(\sigma_\lambda^2\) 同阶，防止过拟合。

真实例子与应用： 本文为纯理论 / 无实证例子。所有结果均为 minimax 速率与 oracle 不等式的数学定理，没有模拟实验或真实数据应用。

🔎 结论是否比证明窄： - 作者在 intro 中 claim："all our results are derived from the unique oracle inequality which may be of independent interest"。这个 claim 的范围比证明宽——oracle 不等式（定理 1）是在核条件 A3 与密度有界 A1 下严格证明的，但"may be of independent interest"暗示它可能适用于其他泛函或其他核族，这个泛泛 claim 没有在本文中严格证明。研究者若要引用此 oracle 不等式推广到其他泛函，必须自行验证核条件与偏差-方差折中是否满足。 - 定理 4 的集中不等式是对二阶解耦 U-统计量证明的，但作者在 intro 中暗示它对 U-统计量理论有独立价值，没有明确声明是否可推广到 \(m \geq 3\) 的高阶情形——这是一个比证明窄的泛泛 claim，研究者应将其视为未证 conjecture 而非已证结论。

四、开放问题（点到为止，扎根具体语句）

  1. 高阶解耦 U-统计量的集中不等式：本文定理 4 仅对 \(m=2\) 证明，能否对 \(m \geq 3\) 的解耦 U-统计量建立不含 \(\ln^2(m)\) 因子的 Bernstein 型集中不等式？扎根在 intro 的"concentration inequalities for decoupled U-statistics of order two established in Section 4"——作者刻意限定了"order two"，未触及更高阶。
  2. Oracle 不等式向其他泛函的推广：本文的 oracle 不等式（定理 1）是否对 \(L_p\) 范数（\(p \neq 2\)）或其他非线性泛函成立？扎根在 intro 的"which may be of independent interest"——这是一个未证的泛泛 claim，推广需要重新验证偏差-方差折中与惩罚项构造。
  3. \(M\) 未知下的自适应程序稳健性：假设 A1 要求 \(\|f\|_\infty \leq M\) 但 \(M\) 未知，本文用数据驱动量替代 \(M\)。若 \(f\) 无一致有界（如 \(f\) 仅有 \(L_r\) 有界，\(r < \infty\)），选择程序是否仍闭合下界？扎根在第一部分 (2024a) 的下界设定中 \(\|f\|_\infty \leq M\) 是硬假设——本文未触及无界密度的情形。
  4. 与半参数效率界路线的交叉：本文的 U-统计量路线与 HOIF（Higher-Order Influence Functions）路线在泛函估计的数学结构上有深层相似（二者都在用高阶 U-统计量逼近非线性泛函），但 intro 中完全未提及 HOIF 文献。扎根在 intro 缺失的引用——研究者应去查 Robins et al 的 HOIF 工作，确认本文的解耦集中不等式是否能为 HOIF 的计算代价分析提供新工具。

要确认某条是不是真 gap，去读同子领域近期约 5 篇的 intro——都指向高阶 U-统计量集中 = 共识（真 gap），互相打架 = 机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论