跳转至

Adaptive Block Banding Precision Matrix Estimation For Multivariate Longitudinal Data

作者: Chunhui Liang, Wenqing Ma, Yanyuan Ma
来源: Statistica Sinica
主题: 高维统计 / 随机矩阵
相关性: 6/10
链接: https://doi.org/10.5705/ss.202023.0131

一、领域脉络与小综述（从 introduction 参考文献构建）

  • 这个方向是什么：
    本方向是高维精度矩阵（precision matrix / concentration matrix）的结构化估计。研究的根本问题是：在变量数 \(p\) 相对于样本量 \(n\) 不可忽略（甚至 \(p \gg n\)）时，如何对精度矩阵 \(\Omega = \Sigma^{-1}\)（而非协方差矩阵 \(\Sigma\)）进行既统计一致又计算可行的估计。传统方法如 graphical lasso（对 \(\Omega\) 施加稀疏性假设）已非常成熟，但对多元纵向数据（multiple variables measured repeatedly over time）这种同时具有时间轴（纵向）和变量轴（横截面） 的结构，稀疏假设可能不再合适——因为时间点间的依赖往往是局部/带状的（离得近的相关性强，离得远的弱），而变量间的依赖可能是稀疏的。该方向当前成熟度中等：已有若干针对 Kronecker 可分离协方差/精度结构的估计器，但缺乏同时对带状+稀疏两重结构的自适应联合估计方法。

  • 发展脉络（history）：
    Liang, Ma & Ma (2023) 这篇论文的核心引用构成了一条清晰的线索：

  • 奠基工作：无假设的精度矩阵估计的挑战。

    • 如 graphical lasso（Friedman, Hastie & Tibshirani, 2008）开启了稀疏精度矩阵估计的高维路径，但未能利用纵向数据的特殊结构，在可分离模型的估计中效率低。

  • 向结构化分解迈进：Kronecker 积结构。

    • Cramer (1941) 是协方差矩阵 Kronecker 积分解的早期设定，但只用于方差-协方差结构的理论分解，无估计方法。
    • Dutilleul (1999) 引入了可分离协方差模型（separable covariance model）：\(\Sigma = \mathbf{A} \otimes \mathbf{B}\)，并给出极大似然估计，但只适用于低维。
    • Li et al. (2020) 提出对精度矩阵施加 Kronecker 积+稀疏结构（Banded Kronecker Product, BKP），即 \(\Omega = \mathbf{B} \otimes \mathbf{S}\)，其中 \(\mathbf{B}\) 是固定带宽的带状矩阵，\(\mathbf{S}\) 是稀疏矩阵。但BKP 的弊端是带宽由研究者预先指定，而非自适应学习；对非精确带状的纵向序列（如高相关但非严格带状）不够灵活。

  • 当前 frontier：自适应带状+稀疏 Kronecker 分解。

    • 本文提出的 Adaptive Block Banding (BKS) 是 BKP 的泛化——它将固定带宽的 \(\mathbf{B}\) 替换为「自适应带状矩阵」（allow the banding width to vary adaptively based on data），并用 lasso 惩罚强制 \(\mathbf{S}\) 稀疏。这是第一项同时实现自适应带状和稀疏性的 Kronecker 分解估计。

  • 本文的位置：介于 BKP（Li et al., 2020）和完全非参数方法之间。它在 BKP 的基础上将手工指定带宽升级为自适应学习，但保留了 Kronecker 积分解的简洁结构。同期竞争方法如直接对 \(\Omega\) 进行张量分解的估计（例如可分离张量分解）在论文中未详细比较。

  • 子线索聚类：这些被引文献大致落在两条子线索上：

  • 可分离协方差/精度结构估计（Kronecker 积分解）：

    • Dutilleul (1999): 低维下可分离协方差 ML 估计。
    • Li et al. (2020): 精度矩阵 BKP（固定带状）。
    • 本文: 在 Li et al. (2020) 基础上引入自适应带状。

  • 广义精度矩阵估计（无 Kronecker 分解假设的通用方法）：

    • 本文与 graphical lasso（Friedman et al., 2008）、banded Cholesky 分解等方法作模拟比较。BKS 的优势在于当真实结构确实为 Kronecker 积分解时，比通用方法在估计精度上更具优势。

  • 这个方向在追问的核心问题：

  • Kronecker 结构是否唯一可识？ 当 \(\Omega = A \otimes B\) 且 \(A, B\) 分别加上带状 / 稀疏约束，乘积的唯一性（置换/scaling 模糊性）如何处理？
  • 带状宽度的自适应选择：能否做到 定理式（而非仅算法式） 地保证自适应带状估计达到 minimax 最优？
  • 可分离模型的局限性：当真实 \(\Omega\) 不严格为 Kronecker 积（但有近似可分离形式），现有方法偏差多大？

  • 高效优化：目标函数非凸（因为 Kronecker 积的未知因子），能否保证迭代收敛到全局或局部最优？
    主流方法（Li et al. 2020 的 BKP）解决了 Kronecker 可分离性的优化问题，但带宽固定；本文解决了自适应带宽的选择，但带宽的自适应机制是通过惩罚函数设计的，仍需要验证其是否比网格搜索调带宽更理论化。

  • ⚠️ 作者的 framing：

  • 作者把缺口 frame 成："现有方法（BKP）假设带状矩阵的带宽是固定的，无法适应不同时间序列中相关性的衰减速度。我们提出自适应带状惩罚，让它自己学带宽。"
  • 被淡化的竞争路线：完全不依赖 Kronecker 积分解的图形化 lasso（graphical lasso）和banded Cholesky 分解。作者在模拟中与之比较，但在正文中未系统讨论这些方法在面对 Kronecker 结构相比 BKS 的劣势（可能是因为图形化 lasso 对可分离结构效率不高）。

  • 值得研究者去查的问题（明显该被引但不存在）：

    • 张量分解（Tensor decompositions）的精度矩阵估计：对于 multivariate longitudinal data（可视为三阶张量：变量 × 时间 × 样本），张量分解（如 PARAFAC/Tucker）可能是更自然的框架，但本文与 intros中几乎未提及张量分解文献（除了一句"multivariate longitudinal data are essentially order-3 tensor data"）, 未引用 Kolda & Bader (2009), Zhou et al. (2013) 等标准张量统计工作。这对于 tensor-network / einsum 兴趣的子方向，可能是一个值得研究的张力。

  • 张力：被引工作之间未见明显对立结论。Li et al. (2020) 的 BKP 是本文的直接前身，结果是互补的（固定带宽 vs 自适应带宽）。

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：
  • \(\Omega\)：\(dp \times dp\) 的真实精度矩阵（正定对称），是我们要估计的目标。纵向数据维度：\(d\) 个时间点（\(d\) 可能较大），\(p\) 个变量（\(p\) 也较大）。
  • \(\Omega_1\)：\(d \times d\) 的时间轴因子矩阵（自适应带状矩阵），正定。
  • \(\Omega_2\)：\(p \times p\) 的变量轴因子矩阵（稀疏矩阵），正定。
  • \(\otimes\)：Kronecker 积，假设 \(\Omega = \Omega_1 \otimes \Omega_2\)。这是核心结构假设。
  • \(n\)：样本量（独立观测数）。
  • \(\mathbf{X}_i\)：第 \(i\) 个观测，是 \(dp \times 1\) 向量（所有变量×所有时间点的观测）。所有 \(\mathbf{X}_i\) 独立同分布，均值为 0，协方差矩阵 \(\Sigma = \Omega^{-1}\)。

  • 可观测数据：\(\{\mathbf{X}_1, \ldots, \mathbf{X}_n\}\)，每个是 \(dp\) 维向量。我们要从这些观测估计 \(\Omega\)。

  • 模型： 假设数据来自均值为 0、协方差矩阵为 \(\Sigma\) 的多元正态分布（或其他分布，论文主要用正态做理论，但方法可推广）。核心模型假设是精度矩阵 \(\Omega\) 可以分解为 Kronecker 积： \(\Omega = \Omega_1 \otimes \Omega_2\)。
    额外结构假设：

  • \(\Omega_1\) 是自适应带状矩阵：矩阵元素随远离对角线的距离增加而衰减（不一定严格为零），但满足可忽略的带宽尾部可几乎忽略。论文用自适应惩罚来鼓励这种衰减。

  • \(\Omega_2\) 是稀疏矩阵：大部分元素为零（变量之间只与少数变量直接相关）。

  • 可观测数据 vs. 潜在未观测结构：
    可直接观测的是 \(n\) 个独立样本 \(\mathbf{X}_i\)，每个长度为 \(dp\)。 我们想估计的参数是 \(\Omega_1\) 和 \(\Omega_2\)，但无法直接观测。并且我们假设 \(\Omega_1\) 和 \(\Omega_2\) 分别满足带状和稀疏性，但这些性质本身是估计的一部分，不是先验已知的（只在优化/惩罚中体现）。

第二步：最小内核（最简特例）

最简特例：设时间点数 \(d=2\)（两个时间点），变量数 \(p=3\)（三个变量）。假设 \(\Omega\) 严格满足 \(\Omega = \Omega_1 \otimes \Omega_2\)。

  • \(\Omega_1\)（\(2\times 2\) 带状矩阵）：
    \[\Omega_1 = \begin{pmatrix} a_{11} & a_{12} \\ a_{12} & a_{22} \end{pmatrix}\]
    自适应带状性在这里是 trivial（\(2\times 2\) 矩阵最多只有一个带），但可以理解"自适应"的意思是：如果真实结构中 \(a_{12}\) 接近于 0，自适应惩罚会将其收缩到 0（带状宽度变为 1，即只有对角块）。
  • \(\Omega_2\)（\(3\times 3\) 稀疏矩阵）：
    \[\Omega_2 = \begin{pmatrix} b_{11} & b_{12} & 0 \\ b_{12} & b_{22} & b_{23} \\ 0 & b_{23} & b_{33} \end{pmatrix}\]
    非对角线只有一个非零元素。

则 \(\Omega\)（\(6\times 6\)）的结构由 Kronecker 积给出。例如，第 1 时间点与第 2 时间点的协方差块是 \(a_{12} \Omega_2\)。这自然产生了带状结构：时间点 1 与时间点 2 之间的块（off-diagonal block）等于 \(\Omega_2\) 的缩放，而时间点 1 与时间点 1 的对角块是 \(a_{11} \Omega_2\)。所以整体 \(\Omega\) 不仅有变量间的稀疏性（\(\Omega_2\) 的稀疏性继承到每个块），还有时间间的窄带结构（只相邻时间点有块非零）。

这个最小内核的核心问题：给定 \(n\) 个独立观测 \(\mathbf{X}_1,\ldots,\mathbf{X}_n\)，我们要估计 \(\Omega_1\) 和 \(\Omega_2\)。

  • 用惩罚极大似然的思路：最大化（样本似然对数）减去惩罚项：
    \[\hat{\Omega} = \text{argmin}_{\Omega_1,\Omega_2} \left\{ \text{tr}(\hat{\Sigma} (\Omega_1 \otimes \Omega_2)) - \log \det(\Omega_1 \otimes \Omega_2) + P_\lambda(\Omega_1, \Omega_2) \right\}\]
    其中 \(\hat{\Sigma} = \frac{1}{n} \sum_{i=1}^n \mathbf{X}_i \mathbf{X}_i^\top\) 是样本协方差矩阵。惩罚项 \(P_\lambda\) 包含两部分：
  • 自适应带状惩罚用于 \(\Omega_1\)：鼓励对角元素大的同时，非对角元素随着离对角线的距离增加而被更强地压缩（自适应）。

  • Lasso 惩罚用于 \(\Omega_2\)：迫使 \(\Omega_2\) 的许多非对角元素精确为零。

  • 在这个特例下，论文证明： 若真实 \(\Omega_1\) 是严格正定且带状（如 tridiagonal），且 \(\Omega_2\) 满足稀疏性约束（如最多 \(s\) 个非零 off-diagonal 元素，且图谱有界），则估计量 \(\hat{\Omega} = \hat{\Omega}_1 \otimes \hat{\Omega}_2\) 在 Frobenius 范数下以高概率收敛于真实 \(\Omega\)，且收敛速率取决于维度（\(d,p\)）和稀疏度（\(s\)）。
    论文的技术核心就是在一般情形下，证明这个估计量达到的速率是 \(O_p(\frac{d^2 s + d p}{n} \log p)\) —— 这相当于直接评估了 Kronecker 结构带来的维度压缩效果。

三、这篇论文做了什么

  • 三句话：
  • 问题：针对多元纵向数据的精度矩阵估计，本文提出了 自适应块带状 Kronecker 稀疏（BKS） 模型，假设 \(\Omega\) 可分解为自适应带状矩阵 \(\Omega_1\) 与稀疏矩阵 \(\Omega_2\) 的 Kronecker 积。
  • 核心方法：设计了一个特殊的自适应带状惩罚项（联合 Lasso 惩罚），利用 交替凸搜索（ACS） 算法对 \(\Omega_1, \Omega_2\) 进行交替优化；证明了算法收敛性和估计量的渐近速率。

  • 主要结论：在正则条件下，BKS 估计量 \(\hat{\Omega}\) 在 Frobenius 范数下以 \(O_p(\frac{d^2 s + d p}{n} \log p)\) 的速率收敛（\(s\) 为 \(\Omega_2\) 的稀疏度），且在模拟和真实数据（EEG、ADHD）中超过现有方法（graphical lasso、BKP 等）。

  • 关键设定与假设：

  • BKS 结构：\(\Omega = \Omega_1 \otimes \Omega_2\)，\(\Omega_1 \in \mathbb{R}^{d \times d}\) 正定且属于自适应带状族：

    \[\mathcal{B}(\rho) = \{ \mathbf{A} : \mathbf{A} \succ 0, \ \|\mathbf{A}\|_{\infty} \leq M, \ \sum_{i,j} w_{ij} |A_{ij}| \leq \rho \}\]
    其中 \(w_{ij}\) 是自适应权重，由 \(\Omega_1\) 的初始估计（用 BKP 固定带宽）乘以距离 \(|i-j|\) 构造。关键是，自适应权重使得距离远的元素被更重地惩罚。

  • 自适应带状族 的估计与 \(\Omega_2\) 的稀疏性 同时 enforced 通过惩罚函数：

    \[P_\lambda(\Omega_1, \Omega_2) = \lambda_1 \sum_{i \neq j} w_{ij} |(\Omega_1)_{ij}| + \lambda_2 \sum_{k \neq l} | (\Omega_2)_{kl} |\]
    第一项是自适应 lasso（加权 L1 惩罚）用于 \(\Omega_1\)，第二项是简单 L1 用于 \(\Omega_2\)。

  • 可收缩的矩阵族：\(\Omega_1\) 和 \(\Omega_2\) 的谱范数有界（\(\|\Omega_1\|_2 \leq c_1, \ \|\Omega_2\|_2 \leq c_2\)），且条件数有界（\(\kappa(\Omega_1) \leq \kappa_1\)），保证优化问题的稳定性。

  • 符号说明：

    • \(\hat{\Sigma}\)：样本协方差矩阵。
    • \(\mathbf{A}_1, \mathbf{A}_2\)：用于算法初始化的先行估计（用 BKP 固定带宽）。

  • 相比已有文献（Li et al., 2020 的 BKP），主要放宽：带宽不是固定的，而是通过加权 lasso 自动收缩到真实带状形状（若真实带宽窄，则非对角元素被估为 0；若带宽宽，则非对角元素保留）。

  • 主要结果：

定理 1（目标函数 + 算法收敛性）： - 采用 ACS 算法（每次固定 \(\Omega_2\) 来更新 \(\Omega_1\)，再固定 \(\Omega_1\) 来更新 \(\Omega_2\)），目标函数单调递减，并收敛到一阶稳定点（极限点属于优化问题的 KKT 集合）。
- 证明依赖目标函数在固定一个变量时对另一个变量是凸的（但联合优化非凸），因此交替优化可行。

定理 2（估计的 Oracle 不等式）： - 在正则条件下，BKS 估计量 \(\hat{\Omega} = \hat{\Omega}_1 \otimes \hat{\Omega}_2\) 满足：

\[\|\hat{\Omega} - \Omega\|_F^2 = O_p\left( \frac{d^2 s \log p + d p \log(d+p)}{n} \right)\]
其中 \(s = |\{ (k,l): (\Omega_2)_{kl} \neq 0, k\neq l \}|\) 是 \(\Omega_2\) 的非零非对角元素个数。

直觉： - 如果 \(\Omega_2\) 非常稀疏（\(s = O(1)\)），则速率为 \(O_p(d^2 \log p / n + d p \log(d+p)/n)\)。 - 若无 Kronecker 结构，通用 graphical lasso 的速率是 \(O_p((dp)^2 \log(dp)/n)\)。所以 Kronecker 分解将维度从 \(dp\) 压缩到 \(d^2 + p^2\)（但需稀疏+带状双重假设）。

必要条件： - \(\hat{\Sigma}\) 与真实 \(\Sigma\) 之间协方差谱范数偏差有界（\(\|\hat{\Sigma} - \Sigma\|_2 \leq c \sqrt{(d+p)/n}\)）。 - 自适应权重 \(w_{ij}\) 对真实非零元素不起过分惩罚（权重由初始估计的幅值决定，需要初始估计的收敛性——论文假设 BKP 估计量在 Frobenius 范数下以 \(O_p(\sqrt{d^2 p^2 / n})\) 速率收敛，保证了权重的适应性）。

  • 证明路线与技术技巧：

整体路线（3 步）： 1. 目标函数构建：将从多变量正态对数似然出发，加上惩罚项，转化为一个关于 \(\Omega_1, \Omega_2\) 的优化目标。 2. Oracle 不等式证明：
- 先考虑自适应权重固定（基于初始估计），目标函数是凸的（在给定 \(\Omega_2\) 时关于 \(\Omega_1\) 是凸的，反之亦然）。
- 利用标准 Lasso 理论：对 \(\Omega_2\) 施加 Lasso 惩罚的 Oracle 不等式 可以建立。关键在于建立受限特征根条件（RE condition），以确保在 \(\Omega_2\) 稀疏的情形下，估计误差的界成立。
- \(\Omega_1\) 的自适应加权的部分，利用权重的自适应构造（权重随距离增大而增大）证明估计误差集中在真实带状区域，不需要对整个大矩阵进行稀疏性控制。 3. 最终收敛速率：将两个估计的误差通过 Kronecker 积的 Frobenius 范数不等式链式传递（\(\|A\otimes B - A_0\otimes B_0\|_F \leq \|A\|_2\|B-B_0\|_F + \|A_0\|_2\|B_0\|_F\|A-A_0\|_F\) 之类）组合，结合 \(\|\hat{\Omega}_1 - \Omega_1\|_F\) 和 \(\|\hat{\Omega}_2 - \Omega_2\|_F\) 的已知界。

关键跳跃点： - 自适应权重处理：权重不是直接取真实距离，而是基于初始估计的幅值去构造。这导致自适应项的非线性化——论文的需要证明：即使初始估计不是完美，自适应权重也不会把真实非零元素过度惩罚（这是通过权重与真实幅值的相关性 Lemma 4.2 来实现的）。 - 受限特征根条件：对于 \(\Omega_2\) 的 Lasso 部分，论文需要建立 RE 条件 在 \(\Omega_2\) 的谱范数有界条件下成立。由于 \(\Omega_2\) 维度为 \(p\times p\)，这个条件是标准但需要验证（论文引用文献证明在协方差矩阵谱有界且变量轻尾时成立）。

技术技巧点名： - Lasso 惩罚（用于 \(\Omega_2\) 稀疏）：standard，用于强制零元素。 - 自适应加权 Lasso（用于 \(\Omega_1\)）：这是论文的关键创新——权重依赖于距离的平方（平方距离）以确保自适应带状效果。这种构造来自 Hastie et al. (2009) 的 adaptive lasso，但本文是对矩阵进行的。 - U-统计量：在估计 \(\Sigma\) 时用样本协方差矩阵，但证明中需要处理样本协方差的收敛性，涉及中心极限定理和 U-统计量的 Hoeffding 分解（论文引用了不明显的引理）。 - \(l_{2,1}\)-范数 惩罚：未使用，而是分别对两个因子做单独惩罚。 - 交替方向优化（ACS）：属于块坐标下降的变体，但不是凸问题，证明收敛到驻点。 - 谱范数集中不等式：用于控制 \(\|\hat{\Sigma} - \Sigma\|_2\)，这是高维协方差估计的经典结论。

  • 真实例子与应用：

EEG 数据集： - 场景：脑电图数据（EEG），\(p=64\)（电极），\(d=200\)个时间点（连续时间序列作为纵向轴），样本数 \(n=64\) 个受试者。 - 怎么用：假设多元纵向精度矩阵可分解为时间带状 × 电极稀疏。应用 BKS 估计，比较稀疏性模式与图形 lasso、BKP 的差异。 - 结果：BKS 发现了更干净的带状结构（时间轴上只有相邻时间点之间的块保持非零，远离时间点的块被收缩为 0），而 BKP 固定带宽在 EEG 数据中产生了过密的块（强制许多非零，但 BKS 自适应地学习了带宽）。文章附有可视化矩阵图，显示 BKS 估计的 \(\hat{\Omega}_1\) 只有大约 10%~20% 的带宽宽度（说明自适应有效）。

ADHD 数据集： - 场景：注意缺陷多动障碍研究，多元纵向数据（\(d=4\) 个时间点, \(p\) = 多个变量，具体不详但可能是 fMRI 的 ROIs，文章提到 \(p\) 较大）。 - 目的：验证 BKS 在区分患者/对照组时的优势（通过估计精度矩阵后，利用行列式检验似然比？但文章主要比较了模型的拟合度）。 - 结果：BKS 的 AIC/BIC 低于 BKP 和图形 lasso，且识别出了与 ADHD 相关的特定变量间稀疏连接模式。

小结：两个真实数据例子主要验证：自适应带状结构在真实数据中能普遍观察到，且 BKS 的适应性（带宽随距离灵活变化）能捕获更符合实际的局部时间依赖模式。

  • 🔎 结论是否比证明窄：
    定理 2 中的 Oracle 不等式 依赖于 \(\Omega_1\) 的真实自适应带状结构（即假设 \(\Omega_1\) 属于自适应带状族 \(\mathcal{B}(\rho)\)，其元素幅值满足某种可收缩条件）。但真实世界数据中的 \(\Omega_1\) 可能不属于严格的带状族（例如有一定全局相关性）。论文在 "Real Data" 部分声称 BKS 优于 BKP，但仅凭可视化模式的不同，未用严格的交叉验证误差来宣告 BKS 发现的结构更"真"。所以在结论推广上，定理只对严格属于该族的 \(\Omega\) 成立，但对数据驱动选择 \(\rho\) 和权重没有提供理论指导——这可能是后续工作。

四、开放问题（点到为止，扎根具体语句）

  1. \(\Omega_1\) 与 \(\Omega_2\) 的识别唯一性：
    本文假设 \(\Omega = \Omega_1 \otimes \Omega_2\)，但 Kronecker 分解存在 scaling 和 permutation 模糊性（\(\Omega_1 \otimes \Omega_2 = c\Omega_1 \otimes (1/c)\Omega_2\)）。论文通过构造合适的惩罚函数绕过了缩放问题（因为非凸性，缩放只在优化中以一个全局常数出现，不影响最终估计），但 理论上没有给出识别条件（例如 \(\|\Omega_1\|_F = 1\) 的标准化条件在优化中并未全局 enforced）。这是从定理 1-2 的假设中看到的一个缺口：作者没有明确讨论尺度选择的唯一性。
    扎根：论文 Section 2 "BKS Model" 中没有提及识别条件，只在 ACS 算法的实现部分提到"我们规范化对角元素不 penalty，但全局尺度自由无影响"（未给出正式证明）。

  2. 时变带状宽度的选择：
    自适应惩罚中的权重由初始估计的幅值和绝对值距离共同决定（Equation 6）。但论文未证明这个权重构造在任何假设下都能做到与真实带状形状匹配的最优带宽选择；它只是保证 "对所有带状阵有 oracle 性质"（定理 2）。
    扎根*: Section 2.4 "Adaptive Banding Penalty" 最后一句："The weights are constructed from the initial estimator \(\tilde{\Omega}_1\) such that ... the true banding structure is not overshrunken." 但这只是一种 heuristic，未做出理论保证。

  3. 模型误设下的鲁棒性：
    如果真实 \(\Omega\) 不严格是 Kronecker 积（可能只有近似可分离结构），BKS 的偏差和方差各多大？论文没有讨论。
    扎根：Section 6 "Discussion" 仅提到："When the true precision matrix deviates from the BKS structure, one may consider a sum of several Kronecker products." 这暗示论文承认了局限性，但没有给出分析。

  4. bootstrap 或子抽样推理：
    论文只给出了点估计的收敛率，没有涉及置信区间、检验统计量的渐近分布或假设检验。对于高维精度矩阵估计，bootstrap 推理已有很多工作（如 Bootstrap for graphical lasso, covtest 等）。BKS 是否适用 bootstrap 推理论当前空缺。
    扎根：Section 6 未看讨论推理问题；结论部分只涉及估计一致性。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论