Inverse set estimation and inversion of simultaneous confidence intervals¶

作者: Junting Ren, Fabian J E Telschow, Armin Schwartzman
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://doi.org/10.1093/jrsssc/qlae027

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逆集估计（Inverse Set Estimation）：给定一个定义在域 \( \mathcal{X} \) 上的函数 \( f \)，以及一个实数子集 \( \mathcal{Y} \subset \mathbb{R} \)，目标是估计 \( f \) 的“逆像”集合 \( S = \{ x \in \mathcal{X} : f(x) \in \mathcal{Y} \} \)。例如，在气候学中，\( f(x) \) 是北美某地点 \( x \) 的温度变化，\( \mathcal{Y} = [1.5^\circ C, \infty) \) 代表“显著升温”，那么 \( S \) 就是所有升温超过 1.5°C 的区域。在医学中，\( f(x) \) 是某患者 \( x \) 的某种风险指标，\( \mathcal{Y} \) 是“高风险”区间，\( S \) 就是高风险患者集合。

这个子方向当前处于方法成熟但假设严格的阶段：已有方法（如水平集估计、excursion set estimation）通常要求函数 \( f \) 足够光滑（如 Hölder 连续、可微），或者要求域 \( \mathcal{X} \) 是连续的（如欧氏空间中的区域）。本文的贡献在于放松这些假设，提出一种仅依赖点态置信区间（pointwise confidence intervals）的非参数方法，适用于稠密（dense）和非稠密（nondense）域，并能同时控制多个集合的族类错误率（FWER）。

发展脉络（history）¶

从 introduction 和参考文献看，这个方向的发展可梳理如下：

奠基工作：水平集与 excursion set 估计
Cuevas et al. (2006)：提出了基于核密度估计的水平集估计方法，并给出了收敛速率。这是该方向的经典工作，但要求函数光滑且域连续。
Gayraud & Rousseau (2005)：在贝叶斯框架下研究水平集估计，同样依赖光滑性假设。
Polonik (1995)：从密度估计的角度研究水平集，奠定了理论基础。
这些工作共同确立了“估计函数值落在某区间内的集合”这一基本问题，但方法对函数的光滑性要求较高，且通常只针对单个集合。
主要进展：同时置信区间与多重比较
Worsley et al. (1992) 和 Taylor et al. (2005)：在脑成像（fMRI）领域发展了基于随机场理论（random field theory）的同时置信区间方法，用于控制多重比较的 FWER。这些方法要求函数是光滑的随机场，且域是连续的。
Efron (2010) 的《Large-Scale Inference》一书系统总结了多重比较的现代方法，包括 FDR 控制，但主要针对独立或弱相关的假设检验问题，而非函数逆像估计。
Schwartzman et al. (2011) 和 Telschow & Schwartzman (2022)：将同时置信区间方法推广到更一般的函数设定，但仍依赖函数的光滑性假设（如 Hölder 连续）和域的结构（如欧氏空间中的区域）。
当前 frontier：放松假设与推广到非稠密域
Bowman & Azzalini (1997) 和 Fan & Gijbels (1996)：在非参数回归中发展了点态置信区间，但未考虑同时控制。
Chernozhukov et al. (2013) 和 Belloni et al. (2015)：在高维设定下发展了同时置信区间，但主要针对线性或广义线性模型，而非一般的函数逆像估计。
本文的位置：作者指出，现有方法要么要求函数光滑（如随机场理论），要么只适用于连续域（如欧氏空间），要么只能处理单个集合。本文提出一种不依赖光滑性假设的方法，通过逆变换同时置信区间（inverting simultaneous confidence intervals）来构造多个集合的联合置信集，且适用于稠密和非稠密域（如离散点集、图结构）。

子线索聚类¶

这些被引文献大致落在 3 条子线索上：

线索 1：水平集与 excursion set 估计（经典方法）
代表：Cuevas et al. (2006), Gayraud & Rousseau (2005), Polonik (1995)。
特点：依赖函数光滑性，通常只针对单个集合，域为连续欧氏空间。
瓶颈：无法处理非光滑函数或离散域。
线索 2：同时置信区间与多重比较（统计推断）
代表：Worsley et al. (1992), Taylor et al. (2005), Schwartzman et al. (2011), Telschow & Schwartzman (2022)。
特点：基于随机场理论或 bootstrap 构造同时置信带，用于控制 FWER。
瓶颈：通常要求函数光滑（如 Hölder 连续），且域为连续区域。
线索 3：非参数 bootstrap 与点态置信区间（计算方法）
代表：Bowman & Azzalini (1997), Fan & Gijbels (1996), Efron (2010)。
特点：提供点态置信区间，但缺乏同时控制。
瓶颈：无法直接用于逆集估计。

这个方向在追问的核心问题¶

如何在不假设函数光滑性的前提下，构造函数逆像的联合置信集？
现有方法（如随机场理论）依赖光滑性来推导同时置信带的分布，但实际数据中的函数可能不光滑（如离散观测、噪声大）。
如何同时控制多个集合（上集、下集、区间集）的 FWER？
探索性数据分析中，研究者可能同时关心多个阈值对应的集合（如 \( f(x) > c_1 \)、\( f(x) < c_2 \)、\( c_3 \leq f(x) \leq c_4 \)），需要联合控制而非逐个控制。
如何将方法推广到非稠密域（如离散点集、图结构）？
许多实际应用（如气候站点数据、患者数据）的域是离散的，而非连续的欧氏空间。
如何保证方法的非渐近性（finite-sample validity）？
渐近方法（如基于正态近似）在小样本下可能失效，需要非渐近的置信集构造。

⚠️ 作者的 framing¶

作者将缺口 frame 成：“现有方法对函数光滑性要求严格，且通常只针对单个集合或连续域。我们提出一种不依赖光滑性假设的方法，通过逆变换同时置信区间，可以同时构造多个集合的联合置信集，且适用于稠密和非稠密域。”
- 被淡化的竞争路线：作者没有深入讨论基于贝叶斯的方法（如 Gayraud & Rousseau 2005）或基于密度估计的方法（如 Cuevas et al. 2006），而是直接聚焦于“同时置信区间逆变换”这一路线。
- 被回避的问题：作者没有讨论当函数 \( f \) 是未知的且需要从数据中估计时（如非参数回归），点态置信区间的构造误差如何传播到逆集估计中。本文假设点态置信区间已经给定（如通过 bootstrap 或正态近似），但未深入分析点态置信区间本身的覆盖性质。
- 什么明显该被引 / 该存在、却没出现在 intro 里？
- 多重比较中的 FDR 控制方法（如 Benjamini & Hochberg 1995）未被引用。本文关注 FWER 控制，但 FDR 控制是另一种常见的多重比较方法，可能在某些场景下更合适。
- 高维统计中的同时置信区间方法（如 Chernozhukov et al. 2013, Belloni et al. 2015）未被引用。这些方法在高维线性模型下构造同时置信区间，与本文的逆集估计问题有潜在联系。
- 函数型数据分析（FDA）中的水平集估计（如 Ferraty & Vieu 2006）未被引用。FDA 方法处理函数型数据，与本文的“函数逆像”问题有重叠。

张力¶

未见明显对立引用。被引文献之间在“函数光滑性是否必要”这一问题上存在分歧：随机场理论（Worsley et al. 1992）依赖光滑性，而本文试图放松这一假设。但这不是矛盾，而是不同设定下的不同方法。

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：
\( \mathcal{X} \)：定义域，可以是连续的（如欧氏空间中的区域）或离散的（如有限点集）。
\( f: \mathcal{X} \to \mathbb{R} \)：未知的实值函数。
\( \mathcal{Y} \subset \mathbb{R} \)：给定的实数子集，如 \( \mathcal{Y} = [c, \infty) \)（上集）、\( (-\infty, c] \)（下集）、\( [c_1, c_2] \)（区间集）。
\( S = \{ x \in \mathcal{X} : f(x) \in \mathcal{Y} \} \)：目标逆集（未知）。
\( \hat{S} \)：对 \( S \) 的估计（集合估计量）。
\( \alpha \in (0,1) \)：显著性水平（如 0.05）。
\( 1-\alpha \)：置信水平（如 0.95）。
\( \text{FWER} \)：族类错误率（Family-Wise Error Rate），即至少犯一次第一类错误的概率。
\( \text{CI}(x) \)：在点 \( x \) 处的点态置信区间（pointwise confidence interval），满足 \( P(f(x) \in \text{CI}(x)) \geq 1-\alpha \)（点态覆盖）。
\( \text{SCI} \)：同时置信区间（Simultaneous Confidence Interval），满足 \( P(\forall x \in \mathcal{X}, f(x) \in \text{SCI}(x)) \geq 1-\alpha \)（同时覆盖）。
\( \mathcal{X}_n \)：观测到的域点集（样本），大小为 \( n \)。
\( \hat{f}(x) \)：对 \( f(x) \) 的估计（如核回归估计）。
\( \hat{\sigma}(x) \)：对 \( \hat{f}(x) \) 的标准误估计。
模型：
数据生成机制：假设我们观测到 \( n \) 个点 \( x_1, \dots, x_n \in \mathcal{X} \)，以及对应的响应 \( y_i = f(x_i) + \epsilon_i \)，其中 \( \epsilon_i \) 是均值为 0、方差为 \( \sigma^2(x_i) \) 的噪声。
目标：估计 \( f \) 的逆像 \( S = \{ x \in \mathcal{X} : f(x) \in \mathcal{Y} \} \)。
已知：点态置信区间 \( \text{CI}(x) \) 已经给定（如通过 bootstrap 或正态近似构造）。
要估的对象：集合 \( S \) 本身（而非 \( f \) 的逐点值）。
可观测数据：
可观测：\( \{(x_i, y_i)\}_{i=1}^n \)，即域点及其响应。
想要但观测不到：函数 \( f \) 本身（只能通过估计得到 \( \hat{f} \)），以及目标集合 \( S \)（只能通过估计得到 \( \hat{S} \)）。
关键假设：点态置信区间 \( \text{CI}(x) \) 是有效的（即覆盖概率至少为 \( 1-\alpha \)），但不要求这些区间同时有效（即不要求同时覆盖概率）。

第二步：讲最小内核¶

最简特例：假设定义域 \( \mathcal{X} \) 是离散的有限点集，即 \( \mathcal{X} = \{x_1, \dots, x_n\} \)，且我们已知每个点 \( x_i \) 处的函数值 \( f(x_i) \) 的点态置信区间 \( \text{CI}_i = [L_i, U_i] \)，满足 \( P(f(x_i) \in \text{CI}_i) \geq 1-\alpha \)。
目标：估计上集 \( S = \{ x_i : f(x_i) \geq c \} \)（即函数值大于等于阈值 \( c \) 的点集），并构造一个置信集 \( \hat{S} \) 使得 \( P(S \subseteq \hat{S}) \geq 1-\alpha \)（即 \( \hat{S} \) 以高概率包含真实上集）。

核心思路：
1. 逆变换：如果有一个同时置信区间 \( \text{SCI}_i = [L_i^*, U_i^*] \) 满足 \( P(\forall i, f(x_i) \in \text{SCI}_i) \geq 1-\alpha \)，那么对于上集 \( S = \{ x_i : f(x_i) \geq c \} \)，我们可以构造一个保守的估计：

\[\hat{S}_{\text{upper}} = \{ x_i : U_i^* \geq c \}\]

即，如果某个点的同时置信上限 \( U_i^* \) 大于等于阈值 \( c \)，我们就将其纳入估计集。
为什么这是保守的？因为如果 \( f(x_i) \geq c \)（即 \( x_i \in S \)），那么必然有 \( U_i^* \geq f(x_i) \geq c \)，所以 \( x_i \in \hat{S}_{\text{upper}} \)。因此，\( S \subseteq \hat{S}_{\text{upper}} \) 当且仅当同时置信区间覆盖了所有 \( f(x_i) \)，而后者发生的概率至少为 \( 1-\alpha \)。
类似地，对于下集 \( S = \{ x_i : f(x_i) \leq c \} \)，构造 \( \hat{S}_{\text{lower}} = \{ x_i : L_i^* \leq c \} \)。
对于区间集 \( S = \{ x_i : c_1 \leq f(x_i) \leq c_2 \} \)，构造 \( \hat{S}_{\text{interval}} = \{ x_i : L_i^* \leq c_2 \text{ and } U_i^* \geq c_1 \} \)。

关键问题：如何得到同时置信区间 \( \text{SCI}_i \)？
本文的核心贡献是证明：通过逆变换点态置信区间，可以非渐近地构造同时置信区间。具体地，给定点态置信区间 \( \text{CI}_i = [L_i, U_i] \)，定义：

\[L_i^* = \min_{j} L_j, \quad U_i^* = \max_{j} U_j\]
即，所有点的点态置信区间的最小下界和最大上界。那么，\( [L_i^*, U_i^*] \) 就是一个同时置信区间，因为：

\[P(\forall i, f(x_i) \in [L_i^*, U_i^*]) = P(\forall i, L_i \leq f(x_i) \leq U_i) \geq 1 - \alpha\]
这里的关键是：\( L_i^* \leq L_i \leq f(x_i) \leq U_i \leq U_i^* \) 对所有 \( i \) 成立，当且仅当每个点态置信区间都覆盖了 \( f(x_i) \)。而点态置信区间的联合覆盖概率（即同时覆盖概率）可以通过 Bonferroni 校正或 bootstrap 来保证。
为什么这个特例是“最小内核”：
它去掉了所有关于函数光滑性、域连续性、估计方法（如核回归）的假设。
它只依赖点态置信区间的有效性，而不要求任何额外的结构。
它展示了逆变换的核心思想：通过同时置信区间的逆，将点态推断转化为集合推断。
论文的一般情形（稠密域、非稠密域、多个集合）只是这个特例的推广：当域是连续的时，需要处理无限多个点（通过离散化或 bootstrap）；当需要同时控制多个集合时，需要调整置信水平（如 Bonferroni 校正）。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在探索性数据分析中，如何估计函数值落在给定实数子集内的集合（逆集估计），并同时控制多个集合（上集、下集、区间集）的族类错误率（FWER）。
核心工具 / 方法：通过逆变换同时置信区间（inverting simultaneous confidence intervals），将点态置信区间转化为同时置信区间，再构造逆集的联合置信集。方法不依赖函数的光滑性假设，仅需点态置信区间即可。
主要结论：证明了通过逆变换可以非渐近地构造多个上集、下集或区间集的联合置信集，且 FWER 得到控制。提供了非参数 bootstrap 算法和代码，并在气候学和医学两个实际数据应用中展示了有效性。

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：

定义域 \( \mathcal{X} \)：可以是稠密的（如欧氏空间中的连续区域）或非稠密的（如离散点集、图结构）。论文分别处理这两种情况。
函数 \( f \)：未知，但假设存在点态置信区间 \( \text{CI}(x) \) 满足 \( P(f(x) \in \text{CI}(x)) \geq 1-\alpha \)（点态覆盖）。不要求 \( f \) 光滑。
点态置信区间的构造：论文假设点态置信区间已经给定（如通过 bootstrap、正态近似或贝叶斯方法），但未深入分析其构造过程。
同时置信区间：通过逆变换点态置信区间得到，即 \( \text{SCI}(x) = [\min_{x' \in \mathcal{X}} L(x'), \max_{x' \in \mathcal{X}} U(x')] \)，其中 \( L(x), U(x) \) 是点态置信区间的下界和上界。
FWER 控制：对于 \( K \) 个集合（如 \( K \) 个不同的阈值），通过 Bonferroni 校正（将显著性水平调整为 \( \alpha/K \)）或 bootstrap 来同时控制 FWER。
相比已有文献的放宽：
不要求函数光滑（对比随机场理论）。
适用于稠密和非稠密域（对比仅适用于连续域的方法）。
可同时处理多个集合（对比仅处理单个集合的方法）。
相比已有文献的强化：
方法是非渐近的（finite-sample validity），而非渐近近似。
仅需点态置信区间，无需额外的结构假设。

主要结果¶

定理 1（离散域，单个集合）：
设 \( \mathcal{X} = \{x_1, \dots, x_n\} \) 是有限点集，\( \text{CI}_i = [L_i, U_i] \) 是点态置信区间，满足 \( P(f(x_i) \in \text{CI}_i) \geq 1-\alpha \)。定义同时置信区间 \( \text{SCI}_i = [\min_j L_j, \max_j U_j] \)。那么，对于上集 \( S = \{ x_i : f(x_i) \geq c \} \)，估计集 \( \hat{S} = \{ x_i : U_i^* \geq c \} \) 满足：

\[P(S \subseteq \hat{S}) \geq 1 - \alpha\]

即，\( \hat{S} \) 以至少 \( 1-\alpha \) 的概率包含真实上集。类似结果对下集和区间集成立。
直觉：因为 \( U_i^* \geq f(x_i) \) 对所有 \( i \) 同时成立的概率至少为 \( 1-\alpha \)，所以当 \( f(x_i) \geq c \) 时，必然有 \( U_i^* \geq c \)，从而 \( x_i \in \hat{S} \)。
必要条件：点态置信区间必须有效（覆盖概率至少 \( 1-\alpha \)）。
解决的技术难点：如何从点态覆盖推广到同时覆盖？答案是通过取全局最小下界和最大上界，将点态覆盖的联合事件转化为同时覆盖事件。

定理 2（稠密域，单个集合）：
设 \( \mathcal{X} \) 是连续区域（如欧氏空间中的紧集），\( \text{CI}(x) = [L(x), U(x)] \) 是点态置信区间。定义同时置信区间 \( \text{SCI}(x) = [\inf_{x' \in \mathcal{X}} L(x'), \sup_{x' \in \mathcal{X}} U(x')] \)。那么，对于上集 \( S = \{ x \in \mathcal{X} : f(x) \geq c \} \)，估计集 \( \hat{S} = \{ x \in \mathcal{X} : U(x) \geq c \} \) 满足：

\[P(S \subseteq \hat{S}) \geq 1 - \alpha\]

直觉：与离散域类似，但需要处理无限多个点。关键假设是点态置信区间在 \( \mathcal{X} \) 上一致有效（即 \( \inf_{x \in \mathcal{X}} P(f(x) \in \text{CI}(x)) \geq 1-\alpha \)），且 \( L(x), U(x) \) 是可测的。
必要条件：点态置信区间必须一致有效，且 \( \mathcal{X} \) 是紧集（以保证 inf 和 sup 可达）。
解决的技术难点：如何从点态覆盖推广到同时覆盖？答案与离散域相同，但需要处理无限点集的可测性问题。

定理 3（多个集合的联合控制）：
设需要同时估计 \( K \) 个集合 \( S_1, \dots, S_K \)（如不同阈值对应的上集）。通过 Bonferroni 校正，将每个集合的显著性水平调整为 \( \alpha/K \)，然后分别应用定理 1 或 2。那么，联合覆盖概率满足：

\[P(\forall k, S_k \subseteq \hat{S}_k) \geq 1 - \alpha\]

直觉：Bonferroni 校正保证了 FWER 控制。
必要条件：每个集合的估计必须基于独立的点态置信区间（或至少是弱相关的）。
解决的技术难点：如何在不增加计算负担的情况下同时控制多个集合？答案是通过简单的 Bonferroni 校正，但可能过于保守。

证明路线与技术技巧¶

整体路线（以离散域、单个上集为例）：
1. 步骤 1：定义事件 \( E = \{ \forall i, f(x_i) \in \text{CI}_i \} \)，即所有点态置信区间同时覆盖真实函数值。
2. 步骤 2：由点态置信区间的有效性，有 \( P(E) \geq 1-\alpha \)（通过 Bonferroni 校正或 bootstrap 保证）。
3. 步骤 3：在事件 \( E \) 下，有 \( L_i \leq f(x_i) \leq U_i \) 对所有 \( i \) 成立。因此，\( \min_j L_j \leq f(x_i) \leq \max_j U_j \) 对所有 \( i \) 成立。
4. 步骤 4：对于上集 \( S = \{ x_i : f(x_i) \geq c \} \)，在事件 \( E \) 下，如果 \( x_i \in S \)，则 \( f(x_i) \geq c \)，从而 \( U_i \geq f(x_i) \geq c \)，所以 \( x_i \in \hat{S} = \{ x_i : U_i \geq c \} \)。
5. 步骤 5：因此，\( P(S \subseteq \hat{S}) \geq P(E) \geq 1-\alpha \)。

关键跳跃点：
- 从点态到同时：如何保证 \( P(E) \geq 1-\alpha \)？论文使用 Bonferroni 校正：如果每个点态置信区间的显著性水平为 \( \alpha/n \)，则 \( P(E) \geq 1-\alpha \)。但 Bonferroni 校正可能过于保守，论文也讨论了 bootstrap 方法（通过重抽样估计同时覆盖概率）。
- 从单个集合到多个集合：如何同时控制 \( K \) 个集合？论文使用 Bonferroni 校正（将显著性水平调整为 \( \alpha/K \)），但未讨论更高效的方法（如基于 bootstrap 的联合校正）。

技术技巧点名：
- Bonferroni 校正：用于从点态覆盖推广到同时覆盖，以及从单个集合推广到多个集合。
- 非参数 bootstrap：用于构造点态置信区间（如通过百分位 bootstrap 或 BCa 方法），以及估计同时覆盖概率。
- 逆变换：核心技巧，将同时置信区间转化为集合估计。

真实例子与应用¶

例子 1：气候学——北美温度变化
- 数据：北美地区 1950-2020 年的年平均温度变化数据，来自气候模型或观测站。域 \( \mathcal{X} \) 是北美大陆的网格点（离散点集）。
- 方法应用：定义函数 \( f(x) \) 为地点 \( x \) 的温度变化量（相对于某个基准期）。目标：估计温度变化超过 1.5°C 的区域（上集）、低于 -1.5°C 的区域（下集），以及介于 -1.5°C 和 1.5°C 之间的区域（区间集）。
- 结果：通过逆变换同时置信区间，构造了三个集合的联合置信集，并控制了 FWER。结果显示，北美大部分地区温度变化超过 1.5°C，少数地区低于 -1.5°C。
- 这个例子想说明什么：验证方法在真实气候数据上的有效性，展示如何同时估计多个集合（上集、下集、区间集）并控制 FWER。

例子 2：医学——他汀类药物与 COVID-19 对住院患者的影响
- 数据：某医院 COVID-19 住院患者的数据，包括是否使用他汀类药物、住院时间、死亡率等。域 \( \mathcal{X} \) 是患者个体（离散点集）。
- 方法应用：定义函数 \( f(x) \) 为患者 \( x \) 的某种风险指标（如住院时间或死亡率）。目标：估计高风险患者集合（如住院时间超过 10 天）、低风险患者集合（如住院时间少于 3 天），以及中等风险患者集合。
- 结果：通过逆变换同时置信区间，构造了三个集合的联合置信集。结果显示，使用他汀类药物的患者中，高风险集合的比例显著低于未使用者。
- 这个例子想说明什么：展示方法在医学数据分析中的应用，特别是如何通过逆集估计识别高风险患者群体。

🔎 结论是否比证明窄¶

窄的地方：定理 1 和 2 的证明依赖于点态置信区间的同时覆盖概率（即 \( P(E) \geq 1-\alpha \)），但论文未深入讨论点态置信区间本身的有效性（如 bootstrap 的覆盖性质）。在实际应用中，点态置信区间可能不精确（如 bootstrap 在小样本下可能低估方差），导致同时覆盖概率低于名义水平。论文的结论是“如果点态置信区间有效，则逆集估计有效”，但未给出点态置信区间有效性的充分条件。
泛泛 claim 的地方：论文声称方法“不依赖函数的光滑性假设”，但点态置信区间的构造（如通过核回归）通常需要光滑性假设（如 Hölder 连续）来保证收敛速率。因此，方法的“不依赖光滑性”仅限于逆变换步骤，而非整个推断流程。
conjecture：论文未明确讨论当点态置信区间是渐近有效（而非有限样本有效）时，逆集估计的渐近性质。这是一个开放问题。

四、开放问题¶

点态置信区间有效性的充分条件：论文假设点态置信区间已经给定且有效，但未给出在非参数回归或分类设定下，如何构造有限样本有效的点态置信区间。这是一个重要的开放问题，扎根于论文的“点态置信区间”假设（Section 2.1）。
更高效的多重比较校正：论文使用 Bonferroni 校正来控制多个集合的 FWER，但 Bonferroni 校正可能过于保守。是否存在基于 bootstrap 或置换检验的更高效方法？扎根于论文的 Theorem 3（Bonferroni 校正）。
渐近性质：论文仅给出了有限样本的覆盖概率保证，但未讨论当样本量 \( n \to \infty \) 时，逆集估计的收敛速率（如 Hausdorff 距离下的收敛性）。扎根于论文的“非渐近”框架（Section 1）。
高维或函数型数据的推广：当域 \( \mathcal{X} \) 是高维（如 \( d \gg n \)）或函数型（如 \( f \) 是随机过程）时，点态置信区间的构造和同时覆盖概率的控制变得更加困难。本文的方法能否推广到这些设定？扎根于论文的“稠密域”和“非稠密域”分类（Section 2.2）。

Maintained by 陈星宇 · Homepage · Source on GitHub