Transfer learning for functional mean estimation: Phase transition and adaptive algorithms¶
作者: T. Tony Cai, Dongwoo Kim, Hongming Pu
来源: Annals of Statistics
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¶
本文研究的子方向是基于离散采样数据的函数型均值迁移学习。其根本的统计问题是：当目标分布（target distribution）的随机函数仅有少量、带噪声的离散观测时，如何利用来自多个相似但不同的源分布（source distributions）的辅助样本，来更准确地估计目标分布的均值函数。该方向的核心张力在于：源样本能提供信息，但源分布与目标分布之间的差异（“迁移偏差”）会限制其效用；同时，函数型数据的离散采样特性（采样频率、采样设计）会与迁移学习产生交互，形成独特的相变现象。该方向当前处于理论成熟、方法初建的阶段：已有针对非参数回归、分类、高维线性模型等设定下的迁移学习 minimax 理论，但针对函数型数据均值估计的完整理论（尤其是相变刻画与自适应算法）尚属空白。
发展脉络（history）¶
-
奠基工作：函数型均值估计的相变理论（无迁移）
- Cai & Yuan (2011) [20] 是本文最直接的“无迁移”基准。该文研究了基于离散采样数据的函数型均值估计，在共同设计与独立设计下建立了 minimax 最优收敛速率，并揭示了相变现象：当采样频率较低时，采样频率主导最优速率；当采样频率足够高时，采样频率不再影响最优速率。该文为本文的迁移学习设定提供了“单任务”基线，其相变分析框架被本文直接继承和推广。
- Ramsay & Silverman (2005) [29] 和 Wang, Chiou & Müller (2016) [37] 是函数型数据分析（FDA）的综合性参考，为本文提供了问题背景和符号体系。
-
主要进展：迁移学习的统计理论（非函数型）
- Cai & Pu (2024) [13] 是本文作者的前期工作，研究了非参数回归的迁移学习，发现了“自动平滑”（auto-smoothing）和“超加速”（super-acceleration）两种独特现象，并提出了置信阈值估计器。该文是本文最直接的方法论前身，其“置信阈值”思想被本文借鉴并适配到函数型均值估计。
- Cai, Kim & Pu (2024) [8] 研究了非参数分类的迁移学习，建立了 minimax 率并提出了自适应分类器。该文与本文同属一个“Cai 学派”的迁移学习理论体系，共享“后验漂移模型”（posterior drift model）的框架。
- Li, Cai & Li (2020) [21] 研究了高维线性回归的迁移学习，提出了 Trans-Lasso 算法并证明了其 minimax 最优性。该文是迁移学习在高维统计中的代表性工作，其“信息源检测”与“自适应”思路对本文有间接影响。
- Tian & Feng (2021) [34] 和 Li et al. (2023) [23] 将迁移学习推广至高维广义线性模型，进一步丰富了迁移学习的理论工具箱。
-
当前 Frontier：函数型数据中的迁移学习
- 本文是首次将迁移学习引入函数型均值估计，并系统性地刻画了离散采样与迁移学习之间的交互作用。它填补了“函数型数据”与“迁移学习”两个子领域的交叉空白。
-
本文的位置
- 本文是 Cai 团队在迁移学习理论系列工作中的最新一环，紧接其非参数回归 [13] 和非参数分类 [8] 的工作。它将问题从“完全观测的函数”或“高维向量”推进到“离散采样的随机函数”，从而引入了采样频率这一新的维度，并揭示了独特的相变现象。
子线索聚类¶
- 函数型数据均值估计（无迁移）：Cai & Yuan (2011) [20], Kalogridis & Van Aelst (2020) [25], Zhou, Lin & Liang (2018) [23]。这一簇关注在单任务设定下，如何从离散采样数据中最优地估计均值函数，核心是刻画采样频率与估计精度之间的 trade-off。
- 迁移学习的统计理论（非函数型）：Cai & Pu (2024) [13], Cai, Kim & Pu (2024) [8], Li, Cai & Li (2020) [21], Tian & Feng (2021) [34], Li et al. (2023) [23]。这一簇关注在非函数型设定（非参数回归/分类、高维线性/广义线性模型）下，迁移学习的 minimax 最优率、自适应算法以及信息源检测。
- 迁移学习的应用与算法：Pan & Yang (2010) [26], Weiss, Khoshgoftaar & Wang (2016) [39], Tzeng et al. (2017) [35]。这一簇更偏向机器学习应用，关注迁移学习在计算机视觉、语音识别等领域的算法设计，其理论深度通常不如统计类工作。
- 函数型数据的实际应用：Pomann, Staicu & Ghosh (2016) [33], Jiang, Aston & Wang (2009) [14], Weaver, Xiao & Lu (2022) [38]。这一簇展示了函数型数据在 DTI、PET、纵向数据等领域的应用，为本文提供了动机和潜在的应用场景。
这个方向在追问的核心问题¶
- 迁移学习的收益何时出现？ 在什么条件下，利用源样本能显著提升目标估计的精度？收益的量化边界是什么？
- 采样频率如何影响迁移收益？ 在函数型数据中，采样频率（稀疏 vs. 密集）会如何改变迁移学习的有效性？是否存在相变点？
- 如何自适应地实现最优迁移？ 当源-目标相似度、函数光滑度等参数未知时，能否设计出数据驱动的算法，使其自动达到（或接近）最优收敛速率？
- 信息源检测问题：当存在多个源分布时，如何自动识别哪些源是有用的（informative），哪些是有害的（non-informative）？
当前主流方法与已知瓶颈：主流方法包括基于核的加权估计、Lasso 型正则化（如 Trans-Lasso）、以及基于置信阈值的估计器。已知瓶颈包括：对源-目标相似度的先验知识依赖、对函数光滑度的假设、以及在稀疏采样下迁移收益的刻画不清晰。
⚠️ 作者的 framing¶
- 作者的缺口 frame：作者将缺口 frame 为“现有迁移学习理论主要针对完全观测的函数或高维向量，而函数型数据中离散采样的特性（采样频率、设计）与迁移学习的交互尚未被研究”。因此，本文的“显然的下一步”就是：将 Cai & Yuan (2011) [20] 的相变分析与 Cai & Pu (2024) [13] 的迁移学习理论结合起来，研究离散采样下的函数型均值迁移学习。
- 被淡化或回避的竞争路线：作者在引言中主要引用了“Cai 学派”的迁移学习工作（[8, 13, 21, 22, 23, 34]），而对其他学派（如基于领域自适应的对抗性方法 [35]）仅一笔带过，将其归为“机器学习应用”。这暗示作者认为统计理论路线（minimax 率、相变）是更根本的，而对抗性方法在理论刻画上不够清晰。
- 什么明显该被引 / 该存在、却没出现在 intro 里？
- Kpotufe & Martinet (2018) [21] 的“边际奇异性”（marginal singularity）理论，该文在协变量偏移下刻画了迁移收益的连续谱，与本文的相变现象有深层联系，但未被引用。这是一个值得研究者去查的潜在连接点。
- 关于“信息源检测”的贝叶斯方法，如 Cao et al. (2010) [7] 的 AT-GP 算法，该文通过高斯过程自动估计源-目标相似度，与本文的自适应算法有不同思路，但未被讨论。
- 函数型数据中的“高效估计”理论，如 Zhou, Lin & Liang (2018) [23] 的 semiparametric efficient 估计，该文关注的是无迁移下的效率，但本文未讨论迁移学习下的效率界（efficiency bound）问题。
张力¶
未见明显对立引用。被引工作之间在方法论上存在互补关系（如 Cai & Yuan (2011) 关注无迁移，Cai & Pu (2024) 关注迁移），但未发现彼此矛盾或在略不同条件下得相反结论的情况。
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： - \(f(t)\): 目标分布 \(P\) 下的随机函数，定义在 \(t \in [0,1]\) 上。其均值函数为 \(\mu(t) = \mathbb{E}[f(t)]\)，是本文的 estimand。 - \(g^{(k)}(t)\): 第 \(k\) 个源分布 \(Q^{(k)}\) 下的随机函数，\(k = 1, \dots, K\)。其均值函数为 \(\mu^{(k)}(t) = \mathbb{E}[g^{(k)}(t)]\)。 - \(\delta^{(k)}(t) = \mu^{(k)}(t) - \mu(t)\): 第 \(k\) 个源分布与目标分布的均值函数之差，称为迁移偏差（transfer bias）。本文假设 \(\delta^{(k)}\) 属于一个光滑函数类，其光滑度参数 \(\beta\) 和范数上界 \(h\) 是刻画源-目标相似度的关键参数。 - \(n\): 目标样本的曲线数（即独立同分布的随机函数个数）。 - \(N_k\): 第 \(k\) 个源样本的曲线数。 - \(m\): 每条曲线上的观测点数（采样频率）。本文假设所有曲线（目标与源）有相同的观测点个数 \(m\)。 - \(t_{ij}\): 第 \(i\) 条曲线上的第 \(j\) 个观测点。在共同设计（common design）下，所有曲线共享同一组观测点 \(\{t_1, \dots, t_m\}\)；在独立设计（independent design）下，每条曲线的观测点是独立随机生成的。 - \(Y_{ij} = f_i(t_{ij}) + \epsilon_{ij}\): 目标样本的可观测数据。\(f_i\) 是第 \(i\) 条目标曲线，\(\epsilon_{ij}\) 是均值为 0、方差为 \(\sigma^2\) 的测量误差。 - \(Y_{ij}^{(k)} = g_i^{(k)}(t_{ij}^{(k)}) + \epsilon_{ij}^{(k)}\): 第 \(k\) 个源样本的可观测数据。 - \(\beta\): 均值函数 \(\mu(t)\) 的光滑度参数（如 Hölder 类 \(\Sigma(\beta, L)\) 中的 \(\beta\)）。 - \(\beta_0\): 迁移偏差 \(\delta^{(k)}(t)\) 的光滑度参数。 - \(h\): 迁移偏差的 \(L_\infty\) 范数上界，即 \(\|\delta^{(k)}\|_\infty \le h\)。\(h\) 越小，源与目标越相似。 - \(\gamma\): 源样本的“有效样本量”缩放因子，定义为 \(N_k = \gamma_k n\)。本文假设所有源样本有相同的缩放因子 \(\gamma\)。
模型： - 目标分布 \(P\) 和源分布 \(Q^{(k)}\) 是定义在 \(L^2[0,1]\) 上的概率测度。它们的均值函数 \(\mu\) 和 \(\mu^{(k)}\) 属于某个光滑函数类（如 Hölder 类）。 - 迁移偏差 \(\delta^{(k)} = \mu^{(k)} - \mu\) 属于另一个光滑函数类，其光滑度 \(\beta_0\) 可能不同于 \(\mu\) 的光滑度 \(\beta\)。 - 随机函数 \(f_i\) 和 \(g_i^{(k)}\) 是独立同分布的，且与测量误差 \(\epsilon\) 独立。 - 测量误差 \(\epsilon\) 是独立同分布的，均值为 0，方差为 \(\sigma^2\)。
可观测数据： - 研究者能观测到的是：目标样本的 \(\{Y_{ij}, t_{ij}\}_{i=1, j=1}^{n, m}\) 和源样本的 \(\{Y_{ij}^{(k)}, t_{ij}^{(k)}\}_{i=1, j=1}^{N_k, m}\)。 - 想要但观测不到的是：完整的随机函数 \(f_i(t)\) 和 \(g_i^{(k)}(t)\)，以及迁移偏差 \(\delta^{(k)}(t)\) 的真实值。研究者只能通过离散观测点来推断 \(\mu(t)\)，而 \(\delta^{(k)}(t)\) 的存在意味着源样本的均值函数 \(\mu^{(k)}(t)\) 与目标 \(\mu(t)\) 不同，因此直接合并源样本会引入偏差。
第二步：讲最小内核¶
最简特例：考虑共同设计，且 \(m=1\)（即每条曲线只有一个观测点）。此时，问题退化为单点估计：我们观测到 \(n\) 个目标样本点 \(\{Y_i\}_{i=1}^n\) 和 \(K\) 个源样本点 \(\{Y_i^{(k)}\}_{i=1}^{N_k}\)，其中 \(Y_i = \mu + \epsilon_i\)，\(Y_i^{(k)} = \mu^{(k)} + \epsilon_i^{(k)}\)，且 \(\mu^{(k)} = \mu + \delta^{(k)}\)。这里 \(\mu\) 是我们要估计的标量，\(\delta^{(k)}\) 是未知的迁移偏差，且 \(|\delta^{(k)}| \le h\)。
在这个特例下，本文的核心问题变成：如何利用源样本 \(\{Y_i^{(k)}\}\) 来改进对 \(\mu\) 的估计？直觉上，如果 \(h\) 很小（源与目标很接近），那么将源样本与目标样本合并（例如取加权平均）可以降低方差，但会引入偏差 \(O(h)\)。最优的权衡取决于 \(n\)、\(N_k\) 和 \(h\)。
本文的关键想法：不是简单地合并所有源样本，而是先对每个源样本的均值进行“置信阈值化”。具体地，对于第 \(k\) 个源，我们计算其样本均值 \(\hat{\mu}^{(k)}\)，然后判断它是否与目标样本均值 \(\hat{\mu}_{target}\) “足够接近”。如果 \(|\hat{\mu}^{(k)} - \hat{\mu}_{target}|\) 小于某个阈值 \(\tau\)，我们就认为该源是“有用的”，并将其纳入估计；否则，丢弃它。最终的估计量是目标样本均值与所有“有用”源样本均值的加权平均。
为什么这个想法能工作：当 \(m=1\) 时，目标样本均值的方差是 \(\sigma^2/n\)，源样本均值的方差是 \(\sigma^2/N_k\)。如果 \(h\) 很小，那么 \(|\hat{\mu}^{(k)} - \mu| \approx O_p(h + \sigma/\sqrt{N_k})\)。通过设置阈值 \(\tau \approx \sigma/\sqrt{n} + h\)，我们可以以高概率筛选出那些偏差 \(|\delta^{(k)}|\) 确实很小的源，从而在引入可忽略偏差的同时，大幅降低方差。这个特例揭示了本文方法的核心：用阈值来权衡偏差与方差，实现自适应迁移。
一般情形下的推广：当 \(m > 1\) 时，问题从单点估计变为函数估计。此时，“置信阈值”不再作用于标量，而是作用于函数。本文的方法是将目标样本和每个源样本分别用局部线性平滑（或其他非参数方法）估计出均值函数 \(\hat{\mu}(t)\) 和 \(\hat{\mu}^{(k)}(t)\)，然后计算它们之间的 \(L_\infty\) 距离。如果 \(\|\hat{\mu}^{(k)} - \hat{\mu}\|_\infty\) 小于某个阈值，则将该源纳入。最终的估计量是目标估计与所有“有用”源估计的加权平均。相变现象的出现，正是因为当 \(m\) 很大时，目标样本自身就能以很快的速率（\(n^{-1/2}\)）估计 \(\mu(t)\)，此时迁移带来的方差缩减收益变得微不足道，因此阈值会变得非常严格，导致几乎没有源被纳入。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题：本文研究了基于离散采样数据的函数型均值迁移学习问题，在共同设计与独立设计下，建立了均方误差的 minimax 最优收敛速率，并揭示了采样频率与迁移收益之间的相变现象。
- 核心工具/方法：提出了置信阈值估计器（confidence thresholding estimator），该估计器通过比较目标与每个源样本的均值函数估计之间的 \(L_\infty\) 距离，自适应地筛选有用源，并在此基础上构造加权平均估计。
- 主要结论：在低采样频率（\(m\) 较小）下，利用源样本可显著降低估计误差，达到比单任务更快的收敛速率；在高采样频率（\(m\) 足够大）下，目标样本自身即可达到最优速率，迁移不再带来收益。此外，提出了数据驱动的自适应算法，无需预知光滑度或相似度参数，即可在较大参数空间上达到对数因子内的最优速率。
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： - 函数类：均值函数 \(\mu\) 属于 Hölder 类 \(\Sigma(\beta, L)\)，其中 \(\beta > 0\) 是光滑度参数，\(L\) 是 Lipschitz 常数。迁移偏差 \(\delta^{(k)}\) 属于 \(\Sigma(\beta_0, L_0)\)，且 \(\|\delta^{(k)}\|_\infty \le h\)。 - 源-目标关系：假设所有源分布与目标分布共享相同的协方差结构（即随机函数 \(f\) 和 \(g^{(k)}\) 有相同的协方差函数）。这是一个强假设，它意味着源与目标的差异仅体现在均值函数上。相比已有文献（如 Cai & Pu (2024) [13] 允许协方差不同），这是一个强化的假设，简化了理论分析。 - 采样设计： - 共同设计：所有曲线共享同一组固定的观测点 \(\{t_1, \dots, t_m\}\)。 - 独立设计：每条曲线的观测点是独立同分布地从某个密度 \(p(t)\) 中生成的。 - 样本量关系：假设所有源样本有相同的曲线数 \(N\)，且 \(N = \gamma n\)，其中 \(\gamma > 0\) 是常数。目标样本曲线数为 \(n\)。 - 测量误差：\(\epsilon_{ij}\) 是独立同分布的，均值为 0，方差为 \(\sigma^2\)，且与随机函数独立。
主要结果¶
本文的理论结果分为两部分：minimax 下界和上界（即最优估计器）。
定理 1（共同设计下的 minimax 率）： - 陈述：在共同设计下，当 \(m \ge 1\) 时，均方误差的 minimax 最优收敛速率为：
定理 2（独立设计下的 minimax 率）： - 陈述：在独立设计下，minimax 最优收敛速率为：
定理 3（自适应算法）： - 陈述：提出了一个数据驱动的自适应算法，该算法通过 Lepski 型方法自适应地选择阈值，无需知道 \(\beta\)、\(\beta_0\)、\(h\) 等参数。该算法在较大参数空间上达到 minimax 最优速率（至多相差一个对数因子）。 - 技术难点：自适应算法的核心难点在于，阈值的选择需要同时平衡偏差（来自迁移偏差 \(h\)）和方差（来自估计误差）。作者通过构造一个“置信带”来估计 \(\|\hat{\mu}^{(k)} - \hat{\mu}\|_\infty\) 的分布，从而自适应地确定阈值。
证明路线与技术技巧¶
整体路线（以共同设计为例）： 1. 下界证明：采用标准的构造性方法。构造两个难以区分的参数配置（一个在目标函数上不同，另一个在迁移偏差上不同），然后利用 Fano 不等式或 Le Cam 方法推导出 minimax 下界。下界由两部分组成：单任务下界（来自 Cai & Yuan (2011)）和迁移学习特有的下界（来自迁移偏差 \(h\) 的限制）。 2. 上界证明（置信阈值估计器）： - 步骤 1：初步估计。分别用局部线性平滑（或其他非参数方法）得到目标均值函数的初步估计 \(\hat{\mu}_{target}(t)\) 和每个源均值函数的初步估计 \(\hat{\mu}^{(k)}(t)\)。 - 步骤 2：计算距离。计算 \(\hat{d}_k = \|\hat{\mu}^{(k)} - \hat{\mu}_{target}\|_\infty\)。 - 步骤 3：阈值筛选。设定一个阈值 \(\tau\)（依赖于 \(n, m, \sigma\) 等），只保留那些 \(\hat{d}_k \le \tau\) 的源。记保留的源集合为 \(\hat{S}\)。 - 步骤 4：加权平均。最终的估计量为 \(\hat{\mu}_{final}(t) = w_0 \hat{\mu}_{target}(t) + \sum_{k \in \hat{S}} w_k \hat{\mu}^{(k)}(t)\)，其中权重 \(w_0, w_k\) 通过最小化估计量的渐近方差来确定（通常与样本量成反比）。 3. 误差分析： - 偏差项：如果 \(\hat{S}\) 中包含了偏差过大的源（即 \(\|\delta^{(k)}\|_\infty\) 很大），则最终估计会有偏差。但通过阈值 \(\tau\) 的选择，可以证明以高概率，所有被保留的源都满足 \(\|\delta^{(k)}\|_\infty \le 2\tau\)，从而偏差被控制在 \(O(\tau)\)。 - 方差项：通过加权平均，最终估计量的方差被降低到 \(O(\sigma^2 / (n m) + \sigma^2 / (K \gamma n))\)。 - 权衡：阈值 \(\tau\) 的选择是关键。\(\tau\) 太大，会纳入偏差大的源；\(\tau\) 太小，会丢弃有用的源，无法充分降低方差。最优的 \(\tau\) 应平衡偏差项 \(h\) 和方差项 \(\sigma/\sqrt{n m}\)，从而得到定理 1 中的速率。
关键跳跃点： - 阈值 \(\tau\) 的确定：如何选择 \(\tau\) 使得筛选过程既能控制偏差，又能最大化方差缩减？作者通过分析 \(\hat{d}_k\) 的渐近分布（利用经验过程理论），证明当 \(\tau \asymp \sigma \sqrt{\log(m)/ (n m)} + h\) 时，可以达到最优权衡。这里的 \(\log(m)\) 因子来自 \(L_\infty\) 范数的集中不等式。 - 自适应阈值的构造：在参数未知时，如何自适应地选择 \(\tau\)？作者采用了 Lepski 型方法：构造一系列候选阈值 \(\{\tau_j\}\)，然后从大到小依次检验，选择第一个使得“所有被保留的源与目标估计的 \(L_\infty\) 距离都小于 \(\tau_j\)”的阈值。这个方法的理论分析需要精细的浓度不等式和 union bound。
技术技巧点名： - 经验过程理论（Empirical Process Theory）：用于控制 \(\|\hat{\mu}^{(k)} - \mu^{(k)}\|_\infty\) 和 \(\|\hat{\mu}_{target} - \mu\|_\infty\) 的收敛速率，这是分析 \(\hat{d}_k\) 分布的基础。 - 局部线性平滑（Local Linear Smoothing）：用于从离散观测点估计均值函数。其偏差-方差权衡是本文相变分析的核心。 - Lepski 型自适应方法（Lepski-type Adaptation）：用于在未知光滑度参数下自适应地选择带宽或阈值。本文将其应用于迁移学习中的源筛选。 - 集中不等式（Concentration Inequalities）：如 Bernstein 不等式、Borell 不等式等，用于推导 \(L_\infty\) 范数下的高概率界。
真实例子与应用¶
本文包含模拟实验，但没有真实数据例子。模拟实验的设计如下： - 场景：生成来自目标分布和多个源分布的随机函数，观测点为离散且带噪声。考虑共同设计和独立设计，以及不同的采样频率 \(m\)、源-目标相似度 \(h\) 和源样本量 \(K\)。 - 方法对比：将本文提出的置信阈值估计器（CT）与以下基线方法对比： - 单任务估计器（仅使用目标样本）。 - 朴素合并估计器（直接合并所有源和目标样本，不进行筛选）。 - Oracle 估计器（假设已知哪些源是有用的，仅合并这些源）。 - 结果： - 当 \(m\) 较小时，CT 估计器的 MSE 显著低于单任务估计器，且接近 Oracle 估计器，验证了迁移学习的收益。 - 当 \(m\) 较大时，CT 估计器的 MSE 与单任务估计器几乎相同，验证了相变现象：高采样频率下迁移无收益。 - 朴素合并估计器在 \(h\) 较大时表现很差，说明不进行源筛选会导致严重的负迁移。 - 这个例子想说明什么：验证了理论预测的相变现象，并展示了置信阈值估计器在实际中的有效性，尤其是在低采样频率下能自动识别有用源，避免负迁移。
🔎 结论是否比证明窄¶
- 结论的泛化：本文的主要结论（定理 1 和 2）是在所有源共享相同协方差结构的假设下证明的。作者在引言中声称该方法适用于“相似但不同的源分布”，但证明中并未处理协方差不同的情况。因此，结论的适用范围可能比证明所覆盖的更窄。这是一个值得研究者注意的 gap。
- 自适应算法的理论保证：自适应算法（定理 3）被证明在“较大参数空间”上达到对数因子内的最优速率。但“较大参数空间”的具体定义（如 \(\beta\) 和 \(h\) 的范围）在论文中可能有限制，需要仔细阅读原文的假设条件。作者可能只证明了在某个紧集上的自适应，而非全局自适应。
四、开放问题¶
- 协方差结构不同的迁移学习：本文假设所有源与目标共享相同的协方差函数。当协方差不同时，minimax 率会如何变化？是否存在新的相变？扎根点：本文的假设 2（Assumption 2）明确要求协方差相同，作者在 future work 中可能提及此限制。
- 信息源检测的统计推断：本文的自适应算法能筛选出“有用”的源，但未提供关于“某个源是否真的有用”的统计检验。能否构造一个假设检验，以控制 FDR 的方式检测有用源？扎根点：本文的阈值筛选方法本质上是非正式的，未提供 p 值或置信区间。
- 更一般的迁移偏差结构：本文假设迁移偏差 \(\delta^{(k)}\) 是光滑的。如果 \(\delta^{(k)}\) 是分段光滑或具有突变点，本文的方法和理论是否仍然适用？扎根点：本文的假设 3（Assumption 3）要求 \(\delta^{(k)} \in \Sigma(\beta_0, L_0)\)，这是一个全局光滑性假设。
- 与“边际奇异性”理论的连接：Kpotufe & Martinet (2018) [21] 在协变量偏移下提出了“迁移指数” \(\gamma\)，刻画了迁移收益的连续谱。本文的相变现象是否可以被视为 \(\gamma\) 的一个特例？两者之间是否存在更深刻的联系？扎根点：本文的引言未引用 [21]，这是一个值得探索的潜在连接。
Maintained by 陈星宇 · Homepage · Source on GitHub