跳转至

Thin Sets Are Not Equally Thin: Minimax Learning of Submanifold Integrals

作者: Xiaohong Chen, Wayne Yuan Gao
主题: 非参数 / 半参数
相关性: 9/10
链接: https://arxiv.org/abs/2507.12673

一、领域脉络与小综述

这个方向是什么

本文研究的核心问题是：在 高维环境空间 \( \mathbb{R}^d \) 中，估计定义在 低维子流形（thin sets） 上的积分泛函。这类泛函的参数（如边际处理效应、最优线性处理分配中的福利函数、平均导数）通常被称为 thin-set identified，因为它们仅由协变量空间中 Lebesgue 测度为零的子集（子流形）所识别。Khan and Tamer (2010) 首次系统提出这一概念，并指出这类参数是 irregular 的，即无法以参数化 \( n^{-1/2} \) 速率估计。当前该子方向正从“定性认识到定量刻画”转变，核心问题是：内在维度 m 和环境维度 d 如何共同决定估计的 minimax 最优收敛速率。

发展脉络（历史）

  • 奠基工作：
  • Chamberlain (1986) 给出了半参数模型中的奇异信息界（singular semiparametric information bounds），首次从理论上揭示了 thin-set 识别参数的困难。
  • Khan and Tamer (2010) 明确提出“thin-set identification”概念，并证明相关参数在正则条件下最多能以 \( n^{-1/3} \) 速率收敛（针对最大得分估计），但未给出一般设定下的 minimax 率。
  • 主要进展：
  • Kim and Pollard (1990) 通过经验过程理论，证明 Manski (1975) 最大得分估计量的立方根收敛速率 \( n^{-1/3} \)，其本质是一阶条件为一个子流形积分（\( m = d-1 \) 超平面）。
  • Horowitz (1992, 1993) 提出光滑最大得分估计，并给出上界速率 \( n^{-s/(2s+1)} \) 和下界速率 \( n^{-s/(2s+1)} \)（要求 \( s \ge 1 \)），这是本文 \( m = d-1 \) 情形的特例。
  • Chen and Reiss (2011) 建立了 NPIV 模型中函数本身 minimax 最优估计率（受算子 ill-posedness 影响），为本文 NPIV 子流形积分下界提供了模板。
  • 当前 frontier：
  • Qiao (2021) 针对水平集上的面积分（\( m = d-1 \)），提出核估计并得到速率 \( n^{-s/(2s+1)} \)（要求 \( s \ge d+1 \)），但未证明 minimax 下界。
  • Cattaneo, Titiunik and Yu (2025a,b) 针对边界不连续设计（多数情形 \( d=2, m=1 \)），用局部多项式回归达到 \( n^{-s/(2s+d-1)} \) 速率，同样未统一处理一般 \( m \)。
  • 本文位置：首次提供 统一理论，覆盖任意 \( 0 \le m < d \) 的子流形积分，推导出 minimax 最优率 \( n^{-s/(2s+d-m)} \)，并证明该率在下界（Theorem 1）和上界（Theorem 3）均可达，同时将结果推广到密度和 NPIV 情形（Theorem 2, Corollaries）。还利用 Sieve Riesz representer 给出了渐近正态的置信区间（Proposition 2）。

子线索聚类

被引文献大致可分为三条子线索：

  1. Thin-set 识别与奇异半参信息界

  2. Chamberlain (1986), Khan and Tamer (2010)。
    核心：定性说明参数不规则性，但未给出具体 minimax 率；本文在此基础上做定量精炼。

  3. 具体应用场景的估计方法

  4. 最大得分估计（Manski, Kim-Pollard, Horowitz）：模型驱动的（半）参数估计，速率依赖于 \( m = d-1 \)。
  5. 边界不连续设计（Cattaneo et al. 2025a,b）：地理边界附近的处理效应，通常 \( m=1 \)，使用局部多项式。

  6. NPIV 中的泛函（Chen and Christensen 2018; Chen and Pouzo 2015）：关注点估计、平均导数等线性泛函，但未专门研究子流形积分。

  7. 非参数泛函的 minimax 理论

  8. Stone (1980) 的点估计 minimax 率（\( n^{-s/(2s+d)} \)）是本文下界证明的基准。
  9. Tsybakov (2009) 的 minimax 下界技术（Le Cam、Fano 方法）被本文直接采用。
  10. 二次泛函（Bickel and Rosenblatt 1973; Bickel and Ritov 1988; Fan 1991; Cai and Low 2005）：本文 Lemma 8 证明了子流形上二次泛函的 minimax 率存在 “elbow phenomenon”（当 \( s \le m/2 \) 时，非线性速率主导）。

这个方向在追问的核心问题

  1. 估计速率与内在维度的精确关系：子流形积分是否总能以比点估计更快的速率收敛？快多少？
  2. 非线性泛函的 minimax 率：如何从线性泛函的率推广到二次型、上轮廓集等？是否需要更强的光滑性？
  3. NPIV 下子流形积分受 ill-posedness 的影响：mildly ill-posed 和 severely ill-posed 分别对应什么速率？是否与降维后的维度（\( d-m \)）一致？
  4. 推断可行性：对于这种 irregular 参数，能否构造渐近正态、方差可一致估计的 t 统计量？

当前主流方法：
- 下界：Le Cam 两点法或 Fano 法，结合 Hölder 类构造和子流形局部坐标分解。
- 上界：Sieve 估计（B-spline、wavelet）配合 split-sample/leave-one-out debiasing；或核估计配合 tube kernel。
- 瓶颈：二次及更高阶非线性泛函的余项控制（需较强光滑性 \( s > m/2 \) 或 \( s > m \)），以及 NPIV 情形中 bounded completeness 的不必要性（作者在 Remark 2 强调了 Assumption 8 比 bounded completeness 更弱）。

⚠️ 作者的 framing（必须明确标注“这是作者的说法”）

  • 作者把缺口 frame 成：“thin sets are not equally thin; their intrinsic dimensionality m matters in a precise manner”（摘要首句）。通过建立统一理论，将已有特例（Horowitz, Qiao, Cattaneo et al.）作为本框架的特例。
  • 作者淡化的竞争路线：
  • 核方法（Qiao 2021）仅针对 \( m = d-1 \) 且要求 \( s \ge d+1 \)。作者在 Section 4 处仅提及“也适用于核”，但未详细展开。
  • 局部多项式（Cattaneo et al. 2025a,b）主要处理边界设计，且集中于 \( d=2, m=1 \)。作者认为自己的方法更一般。
  • 基于经验过程的推断（如 Kim-Pollard 1990）能处理立方根速率，但未给出 minimax 下界，且限于特定模型。
  • 什么明显该被引 / 该存在、却没出现在 intro 里：
  • Bickel and Ritov (1988) 关于密度二次泛函的 minimax 上界并未在作者讨论二次泛函时被引用（只在参考文献表中出现）。
  • 关于“平均导数”中 vanishing-on-boundary 假设的讨论（Powell-Stock-Stoker 1989; Newey-Stoker 1993）被作者在 Example 8 中大量使用（该例用于说明本文理论可处理 non-vanishing boundary 情况），但作者未引用更近期的相关文献（如 Armstrong and Kolesár 2018 关于偏误校正的置信区间）。
  • Sieve 推断的通用理论（Chen, Liao and Sun 2014; Chen and Liao 2014）被作者反复引用，但作者未提及这些方法在其他 irregular 泛函（如点估计）上的局限性。
  • 值得研究者查证的问题：检验作者是否忽略了某些与子流形积分估计高度相关的计算统计文献（如流形上的核密度估计，或基于拓扑数据分析的方法）。

张力

未见明显对立引用。所有被引工作均支持“thin-set 参数收敛慢于 \( n^{-1/2} \)”的基本结论，分歧仅在于具体速率和假设强度。

二、最核心、最简单的例子 / 数学问题

符号、模型、可观测数据（必做步骤）

  • 符号表
  • \( d \)：协变量 \( X \) 的环境空间维数（正整数）。
  • \( m \)：子流形 \( \mathcal{M} \) 的内在维数（\( 0 \le m < d \)）。
  • \( s > 0 \)：未知函数 \( h_0 \) 的 Hölder 光滑度（整数部分 \( \lfloor s \rfloor \) 加分数部分 \( \gamma \)，参见 Hölder 球 \( \Lambda_c^s(\mathcal{X}) \) 定义）。
  • \( h_0: \mathcal{X} \subset \mathbb{R}^d \to \mathbb{R} \)：未知的回归函数（或密度、NPIV 结构函数）。
  • \( \mathcal{M} = \{ x \in \mathcal{X} : g(x) = 0 \} \)：\( m \) 维子流形，由已知或未知的 \( g: \mathbb{R}^d \to \mathbb{R}^{d-m} \) 定义。
  • \( w(x) \)：已知权重函数，在 \( \mathcal{M} \) 上非零、有界。
  • \( H^m \)：\( m \) 维 Hausdorff 测度（在 \( \mathbb{R}^d \) 中，对子流形 \( \mathcal{M} \) 而言，它等同于 \( m \) 维“面积”测度）。
  • \( \theta_0 = L(h_0) = \int_{\mathcal{M}} h_0(x) w(x) \, dH^m(x) \)：线性子流形积分，本文的核心 estimand。
  • \( n \)：样本量。
  • \( (Y_i, X_i)_{i=1}^n \)：i.i.d. 样本，\( Y_i \) 是标量结果，\( X_i \) 的密度在 \( \mathcal{X} \) 上一致有界远离0和∞。
  • \( \epsilon_i = Y_i - h_0(X_i) \)：回归误差，满足 \( E[\epsilon_i | X_i] = 0 \)，且方差下界为正（Assumption 5）。

  • \( r_n^* = n^{-s/(2s + d - m)} \)：minimax 最优率。

  • 模型：非参数回归模型

    \[Y_i = h_0(X_i) + \epsilon_i, \quad E[\epsilon_i | X_i] = 0, \quad h_0 \in \Lambda_c^s(\mathcal{X}).\]
    作为最低要求，本文假设 \( h_0 \) 属于 sup-norm 有界的 Hölder 类（而非 Sobolev 类），从而保证子流形上的点值良定义（Remark 1）。密度和 NPIV 模型类似但在第二节分别处理。

  • 可观测数据：\( \{Y_i, X_i\}_{i=1}^n \)。研究者能观测到 \( Y \) 和 \( X \)，但不能直接观测到 \( h_0 \) 本身，也不能观测到子流形 \( \mathcal{M} \) 上的 \( H^m \) 积分（除非 \( g \) 已知且 \( \mathcal{M} \) 已知，如 Example 1 中的超平面）。目标是基于有限样本估计 \( \theta_0 \)。

  • 潜在/不可观测量：\( h_0(x) \) 对每个 \( x \) 的值；子流形 \( \mathcal{M} \) 上的“面积” \( H^m(\mathcal{M}) \) 虽可计算，但积分需要 \( h_0 \) 在 \( \mathcal{M} \) 上的值。
  • 关键识别假设：\( h_0 \) 可以从数据中一致估计（例如通过级数估计器），且子流形 \( g \) 要么已知，要么可被充分精确地估计（Assumption 2 要求 \( g \) 的 Hölder 光滑至少 \( \max\{1, s\} \)）。

最小内核（最简特例）

特例：
- \( d = 2 \)（平面），\( m = 1 \)（一维曲线）——例如单位圆 \( \mathcal{M} = S^1 \)。
- \( w(x) \equiv 1 \)。
- \( h_0 \) 是回归函数，光滑度 \( s > 0 \)（例如 \( s = 2 \)）。
- 参数 \( \theta_0 = \int_{S^1} h_0(x) \, dH^1(x) = \int_0^{2\pi} h_0(\cos \beta, \sin \beta) \, d\beta \)。

为什么这个例子是核心：
本文一般结果声称 minimax 最优率为 \( n^{-s/(2s + 1)} \)（因为 \( d - m = 1 \)）。如果不利用子流形的积分结构，直接点估计 \( h_0 \) 在单位圆上某点的 minimax 率是 \( n^{-s/(2s+2)} \)（Stone 1980）。积分使速率加快了一个维度：从二维点估计到一维积分，相当于“积累”掉了一个维度。这就是速率加速（rate acceleration）的本质。

核心数学困难：
即使 \( h_0 \) 是平滑的，\( \hat{h} \) 在 \( \mathcal{M} \) 上的均方误差仍来自整个二维支撑集，但积分只对 \( \mathcal{M} \) 上的值加权求和。下界证明（Theorem 1）本质上表明：若在 \( \mathcal{M} \) 的一小块“管状邻域”内扰动 \( h_0 \)，KL 距离受制于该管道的体积（约为 \( b_n^{d-m} = b_n^1 \)），而参数变化量受制于扰动幅度（\( b_n^s \)）。平衡后得 \( b_n \sim n^{-1/(2s+1)} \)，即速率。这个论证完全由 \( d-m \) 驱动。

上界实现（Theorem 3）：
使用任意一个能在 sup-norm 下达到 \( O_p(K^{-s/d}) \) 误差的级数估计器（如 B-spline），然后通过投影到子流形上计算积分。Sieve Riesz representer 的 \( L_2 \) 范数按 \( K^{(d-m)/d} \) 增长（Lemma 1，本例中 \( K^{1/2} \)），导致方差部分为 \( \sqrt{K^{(d-m)/d}/n} = \sqrt{K^{1/2}/n} \)。令 \( K \sim n^{d/(2s+d-m)} = n^{2/(2s+1)} \)，得最优率为 \( n^{-s/(2s+1)} \)。

该特例下结论：
- Minimax 下界 \( \gtrsim n^{-s/(2s+1)} \)（Theorem 1）。
- 可达性：Sieve 带 B-spline 的 plug-in 估计达到该率（Theorem 3）。
- 本文所有复杂设定（非线性、未知流形、NPIV）本质上可视为这个例子的推广，只需在证明中合理处理高阶余项和识别条件。

三、这篇论文做了什么

三句话

  1. 研究了在 \( d \) 维环境中定义在 \( m \) 维子流形（thin sets）上的线性/非线性积分泛函的 minimax 最优估计率和推断问题。
  2. 核心工具：Le Cam 两点法（下界）与 Sieve Riesz representer / 微分几何分解（上界），辅以 split-sample / leave-one-out debiasing 处理非线性泛函的二次余项。
  3. 主要结论：minimax 最优率为 \( n^{-s/(2s+d-m)} \)（对回归和密度情形），该率与点估计中 \( (d-m) \) 维问题的率一致；对于 NPIV 情形，若 mildly ill-posed 则为 \( n^{-s/(2(s+\varsigma)+d-m)} \)，若 severely ill-posed 则为 \( (\log n)^{-s/\varsigma} \)。此外，通过 Sieve Riesz representer 构造了渐近正态的 t 统计量和置信区间。

关键设定与假设

  • 主要设定（Section 2, 3）：
  • \( h_0 \) 属于 Hölder 类 \( \Lambda_c^s(\mathcal{X}) \)，这保证 submanifold 积分良定义（Remark 1）。若只假设 Sobolev 光滑，需额外 trace 条件 \( s > (d-m)/2 \)。
  • 子流形 \( \mathcal{M} \) 由 \( g \) 定义，且满足 Regular Level Set 假设（Assumption 1）：\( g \) 连续可微，梯度满秩 → \( \mathcal{M} \) 是 \( m \) 维嵌入子流形。
  • 密度 \( p_0 \) 在 \( \mathcal{X} \) 上一致有界远离0和∞（Assumption 3）。
  • 权重 \( w \) 在 \( \mathcal{M} \) 上有界且非零（Assumption 4）。
  • 回归误差 \( \epsilon_i \) 方差下界正，且条件方差有上界（Assumption 5, 11）。
  • NPIV 情形附加假设（Section 3.2）：
  • 内生变量 \( X \) 和工具变量 \( Z \) 的密度均有界；结构函数 \( h_0 \in \Lambda_c^s \)。
  • 局部识别条件（Assumption 8）：若 \( Th_1 = Th_2 \) 则 \( L(h_1) = L(h_2) \)（比 bounded completeness 弱）。
  • 算子 \( T \) 的 smoothness 通过 Link Condition（Assumption 9）描述：mildly ill-posed（ν(t)=t^{-ς}）或 severely ill-posed（ν(t)=e^{-t^ς/2}）。
  • 与已有文献比较：
  • 放宽了点估计中所需的 sup-norm 一致性条件（只需 \( L_2 \) 级数理论）。
  • 对 NPIV，不要求 bounded completeness（Remark 2），这是新结果。
  • 对于二次泛函，本文的 upper bound 只达到 \( n^{-2s/(2s+2d-m)} \) 当 \( s < m/2 \) 时，下界为 \( n^{-4s/(4s+2d-m)} \)，存在 gap（Lemma 8 指出有“elbow phenomenon”）。

主要结果

定理1（回归/密度线性积分下界）：

\[\liminf_{n\to\infty} \inf_{\tilde{\theta}} \sup_{P,w} E_P\left[ n^{2s/(2s+d-m)} (\tilde{\theta} - \theta_0)^2 \right] \ge c > 0.\]
即 minimax 不好于 \( n^{-s/(2s+d-m)} \)。证明使用 Le Cam 两点法，构造在子流形的管状邻域上改变的 \( h_1 \)，使 KL 散度受控而参数差异显著。

定理2（NPIV 线性积分下界）：
- mildly ill-posed：\( r_{\text{NPIV},n} = n^{-s/(2(s+\varsigma)+d-m)} \)
- severely ill-posed：\( r_{\text{NPIV},n} = (\log n)^{-s/\varsigma} \)
证明用 CDV 小波构造，匹配 Chen and Reiss (2011) 中 \( (d-m) \) 维 NPIV 点估计的 rate。

定理3（Sieve 估计上界——回归情形）：
在标准 Sieve 条件（Assumption 12）下，plug-in Sieve 估计 \( \hat{\theta} = L(\hat{h}) \) 达到 rate \( O_p(r_n^*) \)，其中 \( K_n^* \asymp n^{d/(2s+d-m)} \)。核心配方为 Lemma 1：Sieve Riesz representer 的 \( L_2 \) 范数增长 \( \asymp K^{(d-m)/d} \)，导致方差项 \( \sqrt{K^{(d-m)/d}/n} \)，偏差项 \( K^{-s/d} \)；平衡得最优率。

定理4（非线性积分 \( \Gamma(h) \) 可达性）：
对于 \( \Gamma(h) = \int_{\mathcal{M}} \phi(h(x),x) w(x) dH^m \)，若 \( \phi \) 充分光滑（Lipschitz + 二阶导有界），则：
- Split-sample 或 Leave-one-out 校正估计在 \( s > m/2 \) 时达到 rate \( n^{-s/(2s+d-m)} \)；
- Plug-in 在 \( s \ge m \) 时达到相同 rate。
定理的核心创新在于用 cross term 控制二次余项，避免对角线偏差主导。

定理5（上轮廓集积分 \( V(h) = \int_{ \{h(x) \ge 0\} } w(x) dx \) 可达性）：
使用广义 Leibniz rule 计算 pathwise derivative（Lemma 3），再通过 split-sample 或 leave-one-out 校正。要求 \( s \ge (d+1)/2 \) 才能达到 \( n^{-s/(2s+1)} \) 的最优率。

推论/命题：
- 渐近正态性（Proposition 1）：在适当光滑条件下，Sieve t 统计量收敛到标准正态。
- 方差估计一致性（Proposition 2）：Sieve 方差估计在增加误差矩条件下是相合的。
- 二次泛函的 minimax 率存在 “elbow” (Lemma 8)：当 \( s > m/2 \) 时线性率主导；当 \( s < m/2 \) 时非线性率更慢（gap 未闭）。

证明路线与技术技巧（理论型）

下界证明路线（以 Theorem 1 为例）：
1. 假设已知 \( g \) 光滑（Assumption 2），构造 \( h_1 = h_0 + b_n^s K_{d-m}(g(x)/b_n) \)，其中 \( K_{d-m} \) 是 \( C^\infty \) 紧支撑核。
2. KL(P_0, P_1) = n/2 |h_1 - h_0|^2 = O(n b_n^{2s+d-m})（利用 (44) 中 \( P(\|g(X)\| \le b_n) \lesssim b_n^{d-m} \)）。
3. 令 \( b_n \asymp n^{-1/(2s+d-m)} \) 使 KL ≤ log 2。
4. 参数分离：|L(h_1)-L(h_0)| = |∫_M (h_1-h_0) w dH^m| ≈ b_n^s · 常数。
5. 由 Le Cam 引理得下界 ≥ c·b_n^s = c·n^{-s/(2s+d-m)}。

关键跳跃点：
- 用 tube 核体积估计 \( P(\|g(X)\| \le b_n) \leq M b_n^{d-m} \) 需要子流形 Jacobian 有界（由 Assumption 1 保证），但证明中使用的是 \( J_g(x) \) 的下界。
- 对于 NPIV 下界（Theorem 2），构造更精细：用小波系数沿子流形“网格”放置（利用 (49) 体积下界）。需保证 \( h_1 \) 仍属于 \( \Lambda_c^s \)，且 \( \|T h_1\|_{L_2(Z)} \) 通过 link condition 控制。Assumption 8 不要求 bounded completeness，只要求局部识别。

上界证明路线（Theorem 3）：
1. 定义正交化基 \( \bar{b}^K \)；Sieve 估计 \( \hat{h} \) 的投影形式（(23)）。
2. Sieve Riesz representer \( v_{K_n}^* \) 由 (24)-(25) 定义，并计算其范数增长（Lemma 1）。
3. 分解 \( \hat{\theta} - \theta_0 = L(\hat{h} - \tilde{h}) + L(\tilde{h} - h_0) \)。
4. 第一部分（随机项）：用 Sieve Riesz representer 将 \( L(\hat{h} - \tilde{h}) \) 表示为 \( n^{-1} \sum_i v_{K_n}^*(X_i) \epsilon_i + o_p(\|v_{K_n}^*\|_{sd}) \)，方差为 \( \|v_{K_n}^*\|_{sd}^2 / n \asymp K_n^{(d-m)/d}/n \)。
5. 第二部分（偏差项）：\( \|\tilde{h} - h_0\|_\infty = O_p(K_n^{-s/d}) \)。
6. 令 \( K_n^* \asymp n^{d/(2s+d-m)} \) 使两项平衡，得率 \( n^{-s/(2s+d-m)} \)。

技术技巧点名：
- 微分几何分解（Appendix A）：用 partition of unity 将 Hausdorff 积分化为有限个 Lebesgue 积分（公式 (41)），这是整个上界方差计算的基础。
- Sieve Riesz representer（Chen, Liao and Sun 2014）：对 irregular 线性泛函，标准 Riesz representer 不存在；但 Sieve 空间中的 representer 始终存在且封闭可解（公式 (25)），用作 variance characterization。
- Split-sample / Leave-one-out debiasing（Theorem 4,5）：通过独立样本上的交叉项抵消二次余项中的对角线项，这是处理非线性泛函的核心技巧。本文具体使用了偏差分解（60）-（68）和 LOO identity。
- Le Cam two-point + Fano/Hölder ball 构造：下界证明是多类型技巧的综合：两点法配合 tube perturbation（回归/密度），小波加体积下界（NPIV）。
- 高阶展开与 curvature 控制（Lemma 6）：对于上轮廓集 \( V(h) \)，使用了形状微积分（shape calculus）计算路径导数，其二次余项涉及 mean curvature \( H(x) \)（公式 (79)），用到了微分几何中的 surface divergence。

真实例子与应用（Monte Carlo 模拟，Section 6）：
本文包含两个 Monte Carlo 实验，使用的数据生成过程均为 \( d=2 \) 情形。

  • Design 1（线性积分，已知子流形）：
  • 数据：\( X_i = (X_{i1}, X_{i2}) \sim \text{Uniform}[-2,2]^2 \)，\( Y_i = h_0(X_i) + \epsilon_i \)，\( \epsilon_i \sim N(0,1) \)，\( h_0(x) = x_1^2 + 2 \sin(x_1) x_2 \)。
  • 子流形：单位圆 \( S^1 \subset \mathbb{R}^2 \)，已知（\( m=1 \)）。真实值 \( \theta_0 = \pi \)。
  • 方法：Tensor-product B-spline Sieve LS 估计 \( \hat{h} \)，plug-in \( \hat{\theta} = \int_{S^1} \hat{h} dH^1 \)（数值积分用 Sobol 点 5000 个）。
  • 结果（Table 1-3）：RMSE 随 n 增大按 \( n^{-s/(2s+1)} \approx n^{-2/5} \)（若 s=2）缩小；置信区间覆盖接近 95%。
  • Design 2（上轮廓积分，未知子流形）：
  • 数据同上，但 \( h_0(x) = (1 - \|x\|^2)(4 + \sin(x_1)x_2 + \cos(x_2)) \)，满足 \( h_0(x) \ge 0 \) 当且仅当 \( \|x\| \le 1 \)。
  • 参数 \( \theta_0 = \int_{\{h_0 \ge 0\}} dx = \pi \)（单位圆盘体积）。
  • 方法：Plug-in Sieve 和 Leave-one-out 校正。
  • 结果（Table 4-6）：RMSE 显著小于 Design 1（因为被积函数是全维积分），偏差在 LOO 下小幅减小。两个表格都展示了 bootstrap-Lepski 自适应选择 Sieve 维度的有效性。
  • 作用：验证理论速率和推断性质，展示 Bootstrap-Lepski 自适应选择的实际表现。

🔎 结论是否比证明窄

  • 明确存在的 gap：
  • Lemma 8 中，二次泛函的 minimax 率在 \( s < m/2 \) 时，上界（Theorem 4 的 split-sample 仅提供 \( n^{-2s/(2s+2d-m)} \)）与下界（\( n^{-4s/(4s+2d-m)} \)）不匹配。作者承认“the precise minimax rate is not fully pinned down”（Lemma 8(c) 后评述）。
  • 对于 NPIV 上轮廓等非线性泛函，Theorem 5 只证明了上界可达，但未证明推广到 NPIV 情形（仅在引言中提到“结果也推广到 NPIV”，但正文中只给出下界（Corollary 3），未给出上界构造）。
  • 对于 Severely ill-posed NPIV，下界为 \( (\log n)^{-s/\varsigma} \)，但上界未证明可达（除非 \( h_0 \) 本身即达到该率，未针对子流形积分特殊优化）。
  • 此外：
  • Theorem 3 的（1）部分依赖于 Assumption 12(iv)(v) 中 Sieve 的 uniform approximation，这在 B-spline 下成立，但对于神经网络等更复杂的 Sieve 可能不满足。
  • 作者在 Remark 3 中提及“oracle estimator 达到相同率”，暗示已知密度和光滑子流形信息不会改善速率，但这在原 paper 中仅作为观察陈述，未严格证明（虽然直观合理）。

四、开放问题（点到为止，扎根具体语句）

  1. 二次泛函的 minimax 率在低光滑区间的闭式：
    Lemma 8 的下界为 \( n^{-4s/(4s+2d-m)} \)，上界为 \( n^{-2s/(2s+2d-m)} \)，当 \( s < m/2 \) 时存在 gap（见 Lemma 8 的陈述及后面的 “not fully pinned down” 评论）。确定这一区间的 exact minimax rate 是一个开放问题。

  2. NPIV 中非线性子流形积分的上界估计：
    Corollary 3 仅给出了下界，但未提供上界构造（论文只对回归情形构造了可达到的上界）。需要开发适合 NPIV 的 Sieve 或核估计器并证明其最优性。

  3. Severely ill-posed NPIV 下子流形积分的可达性：
    Theorem 2 对 severely ill-posed 给出的下界为 \( (\log n)^{-s/\varsigma} \)，但整个论文未证明任何估计器能达到此率（对于回归情形，上界是多项式速率；对于 NPIV，上界仅对 mildly ill-posed 给出）。目前猜测 Sieve 方法在 severely ill-posed 下最多达到相同对数速率，但未验证。

  4. 多指标 MISC 模型（Example 5）的理论整合：
    作者在 Chen, Gao and Wen (2025c) 中将本文结果应用于 ReLU-based generalized maximum score estimator，但未在本文中给出正式定理。将子流形积分理论扩展到多个超平面（piecewise linear submanifold）的联合情形仍有待系统化。

扎根具体语句：
- “Lemma 8(c) … the precise minimax rate is not fully pinned down by parts (a)–(b); part (c) resolves this only under s > m/2.”
- “Corollary 3 provides a lower bound … but we do not present an upper bound estimator for NPIV case.”（对应第一、二个开放问题）
- “Theorem 2 … severely ill-posed case … lower bound (log n)^{-s/ς}, and no matching upper bound is presented in this paper.”（第三个问题的来源）
- 对于第四个问题，Example 5 末尾提到：“the submanifold integral results in this paper are utilized to establish the convergence rate and asymptotic normality of the ReLU-based generalized maximum score estimator in Chen, Gao and Wen (2025c)”，但本文并未包含这些推导。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论