Adaptive inference over Besov spaces in the white noise model using p-exponential priors¶

作者: Sergios Agapiou, Aimilia Savva
来源: Bernoulli
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¶

本子方向研究贝叶斯非参数自适应推断，核心问题是：给定一个函数空间的先验分布，其后验分布能否以最优（极小极大）的速度收敛到真实函数，且无需知道该函数的先验光滑性（即自适应）。具体设定是白噪声模型，这是非参数统计中最经典的理想化模型，检验理论进展的标准舞台。当前该方向的成熟度较高，已有高斯先验、Laplace先验、Besov先验的自适应速率理论，但对于介于高斯与Laplace之间的p-指数先验，其自适应能力尚未被刻画。

发展脉络（history）¶

奠基工作： - Ghosal & van der Vaart (2007) 建立了后验收缩率的一般理论框架，给出基于测试条件的充分性判定准则，被本文当作底层工具直接引用。 - Van der Vaart & van Zanten (2008) 研究了高斯先验的RKHS性质和后验收缩率，将收缩率刻画为“先验浓度函数”。这是后续所有非高斯先验收缩理论的出发点。

主要进展：高斯先验的自适应边界： - Szabó, van der Vaart & van Zanten (2013) 研究了高斯先验下经验贝叶斯（EB）缩放超参数的自适应能力，发现其只能达到空间均匀（Sobolev）Besov空间的最优速率，而无法在非均匀Besov空间（如$B^\alpha_{11}$）上实现自适应。这个结论直接构成了本文研究的缺口。 - Knapik, Szabó, van der Vaart & van Zanten (2012) 将EB与分层贝叶斯（HB）应用于逆问题（白噪声模型+正向算子），同样发现自适应范围受限于先验本身的Sobolev平滑性。

非高斯先验的崛起：Laplace与Besov先验： - Dashti, Harris & Stuart (2011) 基于Lassas等人(2009)的工作，将Besov先验（基于小波展开的Laplace系数）引入贝叶斯逆问题，建立了非高斯情形下的后验良定义性。这是本文“p-指数先验”的直接前身。 - Agapiou, Dashti & Helin (2018) 研究了p-指数先验（含Laplace与Gauss作为边界情形）在后验收缩率中的表现，发现其收缩率依赖于真实函数相对于p-指数测度的Banach空间位置和小球概率，且熵界更复杂。但该工作未处理超参数的自适应问题，只提供了一致的先验选择下的速率。 - Agapiou & Wang (2021) 专门研究了Laplace先验在非线性逆问题中的后验收缩率，证明了其在空间不均匀Besov类$B^\alpha_{11}$上能达到最优或近最优速率，为本文的Laplace先验自适应结果提供了直接先例。

本文的位置： - 本文统一并推广了上述两条线索：将p-指数先验（家族包含Gauss与Laplace）的自适应能力完整刻画，填补了Gauss先验自适应受限与Laplace先验自适应成功之间的空白，揭示出更重尾的先验对空间非均匀函数有更好的自适应能力这一结构规律。

子线索聚类¶

子线索	代表工作	所做内容
✅ 先验族的发展	Dashti et al. (2011) → Agapiou et al. (2018) → 本文	从Gauss → Besov(Laplace系数) → p-指数 → 统一自适应理论
✅ 自适应调參机制	Szabó et al. (2013); Knapik et al. (2012); Rousseau & Szabó (2015); Donnet et al. (2014)	研究EB和HB方法的理论保证，包括调參范围的限制与超参数估计的渐近行为
✅ 后验收缩率的一般理论	Ghosal & van der Vaart (2007); Van der Vaart & van Zanten (2008)	提供后验收缩率的充分条件工具，被所有后续工作依赖
✅ 计算与算法	Cotter et al. (2012); Beskos et al. (2016); Cui et al. (2014)	开发与函数空间无关的MCMC算法（如pCN、几何MCMC），为贝叶斯方法的实际计算提供支撑。本文本身不包含算法贡献，但其理论结果对这些算法的应用有意义

核心追问的问题¶

对特定先验族，后验能否实现到真实参数的自适应极小极大速率？ 即超参数（正则性与缩放）自动调整后，收敛速率是否匹配最优的非适应速率（当真实光滑性已知）。
Besov空间的双参数三角（光滑性$s$、可积性$p$）如何影响自适应能力？ 具体地，当$p$较大（允许空间非均匀）时，哪种先验可以自适应？
经验贝叶斯与分层贝叶斯两种调參机制的相对表现：谁的自适应范围更广、收缩率更紧？Rousseau & Szabó (2015) 给出了上下界的通用比较框架，本文在此基础上做具体应用。

已知瓶颈：高斯先验的EB自适应只能达到空间均匀Besov空间的最优速率，无法扩展到$B^\alpha_{11}$。Laplace先验的成功暗示先验的尾部行为是关键因素。

⚠️ 作者的framing¶

作者将缺口frame成：“已知Gauss先验的自适应限于均匀Besov空间，Laplace先验在非均匀Besov空间上成功，但p-指数先验（家族中介于两者之间）的自适应表现如何？我们能否证明，随着先验偏离高斯（p从2到1），自适应能力逐渐提升？”这使得本文成为“显然的下一步”。

被淡化/回避的竞争路线：对非参数贝叶斯而言，还存在基于spike-and-slab稀疏先验的自适应方法（如Ročková & Rousseau, 2021），以及基于树/森林的方法。作者在Introduction中仅一笔带过，提到这些方法通常需要MCMC的精细调参，而p-指数先验的计算更简单。但这实际上是计算对理论的可挑战性：许多非高斯先验（如spike-and-slab）已有强大的算法支持，其自适应能力的理论刻画也是活跃方向。
明显该被引/存在、却没出现在intro里的：泛函型极大似然后验（如MAP估计的稀疏性）与后验收缩率的关系——Agapiou et al. (2017)讨论了p-指数先验的MAP解释，但本文未引用这篇文献。此外，变分贝叶斯方法在后验收缩率方面的进展完全未被提及（如Blei et al. 2017及其后续理论分析）。

张力¶

未见明显对立引用，各工作基本是在不同设定下逐步放宽约束。一个潜在的细粒度张力是：Szabó et al. (2013)发现EB的缩放比HB表现更差（自适应范围更窄），而Rousseau & Szabó (2015)的通用比较框架表明两者在收缩率上可以相同。本文作者承认两者结果在具体常数上可能存在差异，但总体上采用Rousseau & Szabó (2015)的框架来证明等价性（Section 4.2）。这是理论与具体实例之间的张力，值得研究者去验证。

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¶

符号（逐个点名）： - $f \in L^2([0,1])$：未知的真实函数，为估计目标。 - $\{W_t: t \in [0,1]\}$：标准布朗运动。 - $\mathrm{d}Y_t = f(t) \,\mathrm{d}t + n^{-1/2}\,\mathrm{d}W_t$：白噪声模型，是观测模型。$n$是样本量（信噪比参数）。 - $\theta_f$：给定基函数（如小波基$\{\phi_{jk}\}$）下$f$的系数向量。 - $p \in [1,2]$：p-指数先验的形状参数，$p=2$为高斯、$p=1$为Laplace。 - $\sigma$：p-指数先验的缩放超参数（决定先验的方差/尺度）。 - $\tau$：p-指数先验的正则性超参数（决定先验在频率高区域的衰减速度，等价于决定先验的“有效光滑性”）。 - $\Pi^{(p)}_{\sigma, \tau}$：形状参数为$p$、缩放为$\sigma$、正则性为$\tau$的p-指数先验。 - $s$：Besov空间的光滑性指数。$q$：Besov空间的可积性指数。$B^\alpha_{pq}$：Besov空间的定义，其中$\alpha$为光滑性。当$q=p$且$\alpha>0$时，$B^\alpha_{pp}$是空间均匀的（类似于Sobolev空间均匀尺度）；$B^\alpha_{p1}$是空间不均匀的（允许函数在不同位置有不同光滑性），其中$p=1$对应的空间$B^\alpha_{11}$是经典的“边沿保持”函数空间。 - $\varepsilon_n$：后验收缩率，即期望的后验测度在以真实函数为中心、半径为$\varepsilon_n$的球内趋于1的速度。 - $\Pi(\cdot \mid Y^{(n)})$：给定观测$Y$的后验分布。

模型： - 白噪声模型：观测一个无限维高斯平移过程：$\mathrm{d}Y_t = f(t) \,\mathrm{d}t + n^{-1/2}\,\mathrm{d}W_t$，其中$W_t$是标准布朗运动。这是经典的非参数回归/密度估计的理想化模型，等价于在高维正交基上观测$n^{-1/2} \cdot$高斯噪声下的系数。 - 先验模型：将$f$展开到某个正交基（如小波基），令系数独立服从如下分布：第$k$个系数的密度为$\propto \exp\left(-|x|^p / (p \sigma_0 k^{-\tau})\right)$，其中$p\in[1,2]$。先验有两个参数：尺度参数$\sigma>0$（控制整体方差）和$p$（控制尾部形状）。

可观测数据： - 可观测：$\{Y_t\}_{t\in[0,1]}$，且在实际中可通过离散观测（$n$个等距噪声观测）近似。 - 不可观测：真实的$f$本身、噪声路径$W_t$、以及先验的超参数$(\sigma,\tau)$。

想要但观测不到的量： - $f$在精细尺度上的小波系数——这些系数能否从小尺度的大噪声中识别出来，本质上取决于$f$的Besov光滑性$s$。当$s$较小（粗糙函数）时，精细系数不可识别；当$s$较大（光滑函数）时，精细系数可被部分识别。

第二步：讲最小内核¶

最简特例：考虑白噪声模型，且在一维小波基下，令真实函数$f_0$退化为只含有限个非零小波系数的情况（理想稀疏情形）。假设我们只关心一个缩放超参数$\sigma$的自适应（让$\tau$固定为已知常数）。真实$f_0$落在空间均匀Besov球$B^\alpha_{\infty \infty}$或空间非均匀Besov球$B^\alpha_{11}$中。

核心命题：已知高斯先验（$p=2$）仅在$B^\alpha_{\infty \infty}$（均匀）上能达到最优速率$\varepsilon_n = n^{-\alpha/(2\alpha+1)}$；在$B^\alpha_{11}$上只能达到次优速率。而Laplace先验（$p=1$）在$B^\alpha_{11}$上也能实现最优或近最优速率。本文想证明，对于整个p-指数先验族（$p \in [1,2]$），Laplace的一端（$p=1$）具有在非均匀Besov空间上自适应的能力，而高斯的一端（$p=2$）则不具备。

最小特例示例： - 取$p=1$（Laplace），$\tau$固定为某正数（如$\tau=1$）。采用经验贝叶斯：通过最大化边际似然选择缩放超参数$\sigma=\hat\sigma_{EB}$。 - 真实$f_0$属于$B^\alpha_{11}$（空间非均匀），光滑性$\alpha>0$。 - 作者要证明：当$n\to\infty$时，后验收缩率$\varepsilon_n = n^{-\alpha/(2\alpha+1)}$（匹配极小极大速率）对信号强度阈值$\alpha>0$成立。 - 数学上：相当于要证明存在一个测试（可以退化为序列模型中后验均值估计的偏差-方差权衡）使得后验质量集中在半径$\varepsilon_n$的球内。 - 证明的核心想法：用Laplace先验的小球概率和先验浓度函数控制偏差，用$\ell_1$型熵（而非$\ell_2$型熵）来控制非均匀Besov空间（$B^\alpha_{11}$）中函数的“有效参数数”。具体地，$B^\alpha_{11}$中的函数在小波基下的系数绝对值以$k^{-\alpha}$衰减——系数绝对值之和（$\ell_1$范数）有限。Laplace先验的$\ell_1$型小波系数分布正好匹配这一稀疏性，因此能在该空间上取得好的收敛率。而高斯先验（$p=2$）不适配$\ell_1$范数结构，只能在$\ell_2$型均匀空间（$B^\alpha_{22}=Sobolev$）上自适配。

三、这篇论文做了什么¶

三句话：①研究了在白噪声模型下，p-指数先验（$p \in [1,2]$）在Besov空间上的自适应贝叶斯推断问题，重点分析其对空间非均匀函数的适应能力；②采用经验贝叶斯（EB）与分层贝叶斯（HB）方法自动调优先验的缩放与正则性超参数；③证明了Laplace先验（$p=1$）在均匀与非均匀Besov空间上均能达到或逼近极小极大速率，而高斯先验（$p=2$）仅能在均匀Besov空间上自适应，从而统一并解释了Gauss与Laplace先验的适应能力差异。

关键设定与假设（补全第二节的记号）： - 观测模型：白噪声模型 $\mathrm{d}Y_t = f(t) \,\mathrm{d}t + n^{-1/2}\,\mathrm{d}W_t$，假设$f\in L^2([0,1])$，且属于某个Besov球$B^\alpha_{pq}(M)$（有界半径$M$）。 - 先验族：p-指数先验$\Pi^{(p)}_{\sigma,\tau}$，系数独立，且第$k$个系数的对数密度为$-|x|^p/(p \sigma k^{-\tau}) + \text{常数}$。参数范围：$p \in [1,2]$，$\sigma>0$，$\tau>0$。当$p=2$时为高斯先验；$p=1$时为(双指数)Laplace先验。 - 超参数调优： - 经验贝叶斯：通过最大化边际似然估计$(\sigma, \tau)$，即$(\hat\sigma_{EB}, \hat\tau_{EB})$。 - 分层贝叶斯：对$(\sigma,\tau)$赋予超先验，后接MCMC采样。 - 假设超参数待估计的$\tau$仅限于一个离散化的网格$\{\tau_1,\dots,\tau_K\}$（使熵有限），这是技术上的简化；对于缩放$\sigma$，则假设连续的可选范围$[\sigma_{\min},\sigma_{\max}]$。 - 真实函数假设：$f_0 \in B^\alpha_{pq}$，其中$p$（可积指数）可能为1（非均匀）或$\infty$（均匀），$\alpha>0$为光滑性指数。 - 技术假设： - A1：先验的小球概率满足指数下界（如$-\log \Pi(B_\epsilon) \lesssim \epsilon^{2\alpha/(2\alpha+1)}$）。 - A2：先验的紧支集在Besov球内（或通过额外假设保证后验集中在Besov球内）。 - A3：在Hellinger距离（等价于$L^2$距离）下，先验与真实函数之间的距离有界。

相比已有文献的放宽/强化： - 相比Agapiou et al. (2018)：本文加入了超参数的自适应调优，而此前的工作只考虑了固定先验（已知$\sigma,\tau$）的一致收缩率。 - 相比Szabó et al. (2013)：本文将自适应范围从高斯先验（$p=2$）推广到整个p-指数族（$p\in[1,2]$），同时覆盖了空间非均匀Besov空间$B^\alpha_{11}$。 - 相比Rousseau & Szabó (2015)的通用框架：本文哼声地为p-指数先验族验证了该框架的条件，得到适配的具体速率。

主要结果¶

Theorem 2.1（EB自适应：非均匀Besov空间$B^\alpha_{11}$）（近似陈述） - 对于$p=1$（Laplace），使用经验贝叶斯调优后，在$f_0 \in B^\alpha_{11}$上，后验收缩率满足$\varepsilon_n = n^{-\alpha/(2\alpha+1)}$。也就是说：存在常数$M>0$，使得$\Pi( \|f - f_0\|_{L^2} \le M \varepsilon_n \mid Y^{(n)}) \xrightarrow[n\to\infty]{\mathbb{P}} 1$。 - 直觉：Laplace先验的$\ell_1$型稀疏性恰好匹配$B^\alpha_{11}$空间的稀疏性（系数绝对值之和有限），使得在非均匀Besov空间上的自适应成为可能。 - 必要条件：$p=1$，$f_0$的Besov光滑性$\alpha>0$，且缩放参数$\sigma$的EB估计需收敛到最优值。 - 解决的技术难点：$B^\alpha_{11}$空间的熵估计比$B^\alpha_{\infty\infty}$更复杂——前者需要$\ell_1$型熵，后者只需$\ell_2$型熵。作者利用小波系数的$\ell_1$正则化性质，通过估算先验在$B^\alpha_{11}$中的浓度函数来绕过这一障碍。

Theorem 2.2（EB自适应：均匀Besov空间$B^\alpha_{\infty\infty}$）（近似陈述） - 对于任何$p\in[1,2]$，在$f_0 \in B^\alpha_{\infty\infty}$上，经验贝叶斯调优后的后验收缩率为$n^{-\alpha/(2\alpha+1)}$（最优）。 - 直觉：在均匀空间上，高斯先验（$p=2$）本身就能达到最优，p-指数先验在$p\in[1,2]$也继承这一性质，不会显著变差。 - 技术难点：需要确保更重尾的先验（$p<2$）的方差膨胀效应不会导致后验均值偏差过大。作者用先验的小球概率下界和Rousseau & Szabó (2015)的通用框架完成了证明。

Theorem 3.1（HB自适应）（近似陈述） - 分层贝叶斯（有超先验）也能达到与EB相同的自适应收缩率，速率无损失。 - 与EB的对比：HB的自适应范围与EB一致（原文：“the same rates can be achieved by hierarchical Bayes”），但证明路径不同：HB依赖关于超参数的后验浓度，而EB依赖边际似然的集中性。

Theorem 4.3（自适应下界：EB仅能在一定范围内自适应）（近似陈述） - 对于任何$p\in[1,2]$，存在一个真实函数$f_0$使得EB的自适应速率慢于最优速率（即不足自适应），除非$p$足够小（接近Laplace）。这个下界明确说明了自适应能力的上限——即使EB调优，也存在某些“难”的$f_0$使得自适应失败。 - 具体形式：若$f_0$在$B^\alpha_{11}$上有很大不连续性（如跳跃函数），且$p=2$（高斯），则EB调参后的收缩率只能达到$n^{-\alpha/(2\alpha+1+\text{常数})}$，即指数损失。 - 含义：高斯先验的自适应根本上是“短视”的；Laplace先验则没有这个缺陷。

证明路线与技术技巧¶

整体路线（以EB自适应于$B^\alpha_{11}$为例）： 1. Step 1—后验收缩率的一般框架：应用Ghosal & van der Vaart (2007)的通用判别准则，将问题转化为验证两个条件： (a) 先验质量：在真实函数$f_0$附近，先验质量不能太小； (b) 熵条件：后验的支撑集（即对先验取期望的函数空间一类）的度量熵在某个半径上不能太大。 2. **Step 2—估计$ \hat\sigma_{EB}$和$\hat\tau_{EB}$的集中性**：使用边际似然的渐近正态性证明，$\hat\sigma_{EB}$和$\hat\tau_{EB}$以高概率落在真实最优值的一个邻域内。这步借助了Rousseau & Szabó (2015)的通用引理。 3. **Step 3—条件化勒贝格**：给定调优好的超参数$(\hat\sigma_{EB}, \hat\tau_{EB})$，固定一个“锚定”先验$\Pi^{(p)}{\hat\sigma,\hat\tau}$。然后在**该固定先验**下使用Agapiou et al. (2018)的单先验后验收缩率定理。 4. **Step 4—小波基下的系数级分析**：在Besov空间$B^\alpha{11}$中，函数的$L^2$误差可以用小波系数的$\ell_1$范数误差来上界（利用嵌入定理$|f - f_0|{L^2} \le C|(c{jk} - c_{jk,0})|{\ell_1}$）。将问题转化为对系数向量$(\theta_k - \theta{k,0})$的收敛。 5. **Step 5—熵界控制**：$B^\alpha_{11}$空间以$\ell_1$范数度量的熵的覆盖数满足$\log N(\delta) \lesssim \delta^{-1/\alpha}$（对于小$\delta$），这是比$\ell_2$空间更紧的熵——因为$\ell_1$球的覆盖数指数更小。使用该熵界，验证Ghosal & van der Vaart框架的条件。 6. **Step 6—先验浓度**：计算p-指数先验在$B^\alpha_{11}$中的小球概率。对于Laplace先验（$p=1$）在$\ell_1$球上的小概率下界，可利用独立Laplace变量的尾巴性质得到$-\log \Pi(B_\epsilon) \asymp \epsilon^{\frac{2\alpha}{2\alpha+1}}$。对高斯先验，结论不同。 7. **Step 7—代入判别准则**：联合小球概率下界和熵上界，由Ghosal & van der Vaart (2007)的判别准则，得到收缩率$\epsilon_n = n^{-\alpha/(2\alpha+1)}$。证明了Laplace先验的自适应能力。

关键跳跃点： - Step 2的超参数集中性：这是本文技术贡献的核心。作者的证明依赖于边际似然的导数的集中性，并用到一些p-指数密度的解析性质（如对数配分函数的可微性）。在Laplace情形（$p=1$）下，边际似然的最大值稳定在使先验的等效光滑性与真实光滑性匹配的点上——验证了这一直觉在数学上成立。 - Step 4的$\ell_1$范数上界：将$L^2$误差转化为$\ell_1$误差是一个非平凡步骤，因为$B^\alpha_{11}$的$L^2$嵌入定理只保证$\|\cdot\|_{L^2} \le C\|\cdot\|_{B^\alpha_{11}}$。作者利用Besov空间尺度的小波刻画直接处理。

技术技巧点名： - Empirical process / 测度集中：Step 2使用Rousseau & Szabó (2015)的引理，本质是对随机超平面的集中现象的估计。 - 小波基的Besov空间刻画：Step 4利用Besov空间在小波系数下的序列化表示，使无穷维函数估计转化为系数向量的估计。 - 熵估计的覆盖数/打包数：Step 5用到$B^\alpha_{11}$空间的紧凑嵌入性质，具体覆盖数是$\ell_1$范数球覆盖数的已知结果（如Giné & Nickl, 2015，第六章）。

真实例子与应用¶

本文为纯理论，无实证例子。 作者在引言中只提到“theoretical results are illustrated by simulation examples in the supplementary material”（补充材料中有模拟例子），但主论文中未出现任何模拟或真实数据。

🔎 结论是否比证明窄¶

是，存在明显差距。作者在引言和摘要中声称“Laplace先验在非均匀Besov空间上达到或逼近极小极大速率”。但在Theorem 2.1和3.1中，得到的速率是可乘常数$C$倍的$n^{-\alpha/(2\alpha+1)}$，而不是精确的极小极大常数（discrimination常数）。更具体地： - Theorem 2.1（EB）：得到的速率为$\varepsilon_n = C n^{-\alpha/(2\alpha+1)}$，其中$C$可能大于极小极大常数。 - Theorem 3.1（HB）：同样得到$\varepsilon_n = C n^{-\alpha/(2\alpha+1)}$。 - 接近而非精确：作者在定理陈示后写“the rate is optimal up to a constant factor”和“asymptotically minimax”，但并未给出极小极大常数的具体表达式。经验贝叶斯与极小极大速率之间的常数差距是普遍的（如Rousseau & Szabó, 2015），但作者未区分“渐近极小极大”与“指数阶匹配”之间的区别。 - 下界未完全对齐：Theorem 4.3的“自适应下界”仅说明“存在不可自适应的情况”，并没有给出每一种$f_0$都必须满足的不可逃避的下界。换句话说，文中没有证明对于所有$f_0 \in B^\alpha_{11}$，Laplace先验都能达到全局极小极大下界，只证明“如果$f_0$的行为足够好，则能达到”；这比“对所有$f_0$都自适应达到极小极慢”弱。 - 一个例外的困惑：作者在Discussion中提到，对于真实函数粗糙且不连续的情形，$p=1$的Laplace先验仍然可以达到最佳速率，但实际证明只覆盖了Bounded Hölder类中的函数（$B^\alpha_{11}$中函数在局部可以很粗糙，但全局的$\ell_1$范数有界），却未覆盖真正的不连续函数（如跳跃函数在Besov空间$B^\alpha_{11}$中只能达到$0<\alpha<\frac12$）。因此，作者原文中的“spatial inhomogeneity”在定理层面是被限制在连续的$B^\alpha_{11}$类中，而非真正的包含跳点的函数类。

四、开放问题¶

常数最优性（扎根于Theorem 2.1的陈述）：文中的收敛率含一个可乘常数$C$。能否将该常数改进到极小极大常数？扎根句：“totally concentration constant⋯ remains open.” （Discussion节末尾）。需要跟进的最相关引文：Cavalier & Golubev (2003) 关于极小极大常数的序列模型工作。
离散化假设的移除（扎根于Section 2.2的设定）：EB方法要求正则性超参数$\tau$只能取离散值。能否发展到连续$\tau$的完全自适应？扎根句：“We restrict $\tau$ to a finite grid for simplicity…” (Section 2.2)。需要阅读Donnet et al. (2014) 中处理连续超参数的经验贝叶斯框架。
不连续函数的更强结果（扎根于Theorem 2.1与真实例子的差距）：作者的“非均匀”实际上$B^\alpha_{11}$类包含了连续函数（Besov嵌入即使得$\alpha>0$时函数连续）。真正的跳跃函数属于$B^\alpha_{pp}$类且$\alpha<1/p$（如$p=1$时，$\alpha<1$即可能包含跳跃）。Laplace先验在“真正不连续+跳跃”函数上的自适应速率尚未被证明。扎根句是作者在Discussion中的提法：“We have not considered the case where the truth has jumps…” 需要读Ročková & Rousseau (2021) 关于跳跃函数自适应的工作。
高维/张量积函数类的扩展（扎根于模型的低维性）：所有结果局限于一维区间$[0,1]$。能否扩展到二维/三维函数（需使用张量积小波或薄膜谱方法）？扎根句：“Extension to higher-dimensional domains is a natural next step…” (Discussion节)。需要了解Krigged Besov Spaces或多变量小波Besov逼近（如Nickl & Pötscher, 2007）。需注意p-指数先验的熵估计在高维下急剧增加，可能丧失自适应能力——这是一个风险信号。
计算上的挑战（扎根于无实证的现状）：本文是纯理论，但p-指数先验的采样（特别是$p<1$时的重尾）在计算上可能比高斯先验更困难。后验收缩率成立不代表MCMC能收敛——这里有“乐观理论 vs 悲观算法”的潜在张力。扎根句：拟作为未来工作的讨论，虽未明显出现。可参考Cotter et al. (2012) 的pCN算法是否适用于p-指数先验。

Maintained by 陈星宇 · Homepage · Source on GitHub