Risk bounds for quantile trend filtering¶

作者: Oscar Hernan Madrid Padilla, Sabyasachi Chatterjee
主题: 非参数 / 半参数
相关性: 7/10
链接: https://doi.org/10.1093/biomet/asab045

一、领域脉络与小综述¶

这个方向是什么¶

本方向研究非参数分位数回归的收敛速率理论，具体聚焦于分位数趋势滤波（quantile trend filtering）。趋势滤波是一类将离散差分算子与惩罚（或约束）结合的非参数估计方法，最初为均值回归设计，其核心问题是：当真实信号具有某种结构（如分段多项式、有界变差）时，估计量能达到多快的收敛速率？本文将其从均值回归推广到分位数回归，核心挑战在于分位数损失函数（check loss）的非光滑性，以及由此带来的证明技术困难——传统均值回归的证明依赖次高斯误差假设，而分位数回归需要在极弱误差假设（无矩条件）下建立风险界。

发展脉络（history）¶

作者在引言中勾勒了一条清晰的脉络：

奠基工作：趋势滤波的提出与均值回归速率
Tibshirani (2014)：提出了趋势滤波（trend filtering）作为一类新的非参数回归方法，使用离散差分算子的ℓ₁惩罚来诱导分段多项式结构。
Tibshirani et al. (2014)：建立了趋势滤波估计量的收敛速率，但证明依赖于误差的次高斯性。
Wang et al. (2016)：进一步改进了速率结果，但同样在次高斯误差假设下。
这些工作确立了趋势滤波在均值回归中的极小极大最优性（至多对数因子），但留下了“能否推广到分位数回归”的口子。
主要进展：分位数回归的非参数方法
Koenker et al. (1994)：提出了分位数回归的变差惩罚（total variation penalization），是分位数趋势滤波的前身，但只考虑了阶数 r=1（即全变差去噪）。
Li & Zhu (2008)：将ℓ₁趋势滤波推广到分位数回归，但只给出了数值实验，没有理论收敛速率。
Madrid Padilla & Chatterjee (2022)（本文）：首次为分位数趋势滤波（阶数 r≥1）建立了完整的风险界理论，包括惩罚版本和约束版本，并证明其达到极小极大最优速率（至多对数因子）。
当前 frontier 与本文位置
当前前沿是：在极弱误差假设（无矩条件、重尾）下建立非参数分位数回归的收敛速率。
本文填补了“分位数趋势滤波的理论空白”——此前只有均值回归版本有完整理论，且依赖次高斯假设；本文在几乎无假设下建立了相同（甚至更优）的速率。
作者还展示了证明技术的通用性：将其应用于多元分位数全变差去噪和高维分位数线性回归，获得新结果。

子线索聚类¶

被引文献大致落在三条子线索上：

均值趋势滤波的理论（Tibshirani 2014, Tibshirani et al. 2014, Wang et al. 2016, Sadhanala et al. 2016, Guntuboyina et al. 2020）
核心：建立均值回归中趋势滤波估计量的收敛速率、极小极大最优性、以及自适应性质。
共同假设：误差为次高斯或至少有有限矩。
本文的定位：将这些结果推广到分位数回归，并大幅放宽误差假设。
分位数回归的非参数方法（Koenker et al. 1994, Li & Zhu 2008, Belloni & Chernozhukov 2011, Chao et al. 2017）
核心：将分位数回归与各种非参数结构（变差惩罚、样条、核方法）结合。
现状：多数工作只有数值实验或较弱的理论（如一致性，无收敛速率）。
本文的定位：为分位数趋势滤波提供第一个完整的收敛速率理论。
高维分位数回归（Belloni & Chernozhukov 2011, Wang et al. 2012, Fan et al. 2014）
核心：在 p≫n 设定下建立分位数 Lasso 的收敛速率。
本文的延伸：用本文的证明技术为高维分位数线性回归获得新结果（定理 4）。

这个方向在追问的核心问题¶

分位数趋势滤波能否达到极小极大最优速率？
均值版本已知达到（次高斯误差下），分位数版本未知。
本文回答：是，在极弱误差假设下达到（至多对数因子）。
当真实信号是分段多项式（离散样条）时，能否获得更快的近参数速率？
均值版本已知有近参数速率（如 O(n^{-(2r+1)/(2r+2)}) 或更快）。
本文回答：是，分位数版本同样达到近参数速率。
能否在无矩条件、重尾误差下建立这些速率？
这是分位数回归相对于均值回归的核心优势。
本文回答：是，证明完全不依赖矩条件。
证明技术能否推广到其他分位数非参数方法？
本文回答：是，作者展示了在多元全变差去噪和高维线性回归上的推广。

⚠️ 作者的 framing¶

作者将缺口 frame 成：“均值趋势滤波已有完整理论，但依赖次高斯假设；分位数趋势滤波虽有方法提出，但缺乏理论速率。本文填补这一空白，并在极弱假设下建立结果。” 这是一个非常自然的“显然的下一步”。

被淡化或回避的竞争路线： - 核方法分位数回归（如局部多项式分位数回归）：这类方法也有理论，但通常假设光滑性（Hölder 类）而非分段多项式结构。作者没有与这些方法进行速率比较。 - 自适应分位数回归（如通过交叉验证选择惩罚参数）：本文只研究了固定惩罚参数的理论，没有讨论自适应选择。作者在 future work 中提到了这一点。

什么明显该被引/该存在、却没出现在 intro 里？ - 分位数回归的极小极大下界：本文声称达到极小极大最优速率，但并未引用或推导分位数回归在 BV 类上的极小极大下界。作者引用的是均值回归的下界（如 Sadhanala et al. 2016），然后声称“类似论证可推广到分位数”。这是一个值得研究者去查的问题：分位数回归在 BV 类上的极小极大下界是否真的与均值回归相同？如果不同，本文的“最优性” claim 可能不成立。 - 分位数回归的 influence function 与半参数效率：本文是纯非参数速率理论，没有涉及半参数效率界。这与研究者 moderately_familiar 的 HOIF 和 semiparametric theory 有潜在连接，但本文未触及。

张力¶

未见明显对立引用。所有被引工作基本一致地认为：均值趋势滤波的速率理论是成熟的，分位数版本缺乏理论。本文填补了这一空白，没有与任何工作产生矛盾。

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： - n：样本量（观测个数）。 - y = (y₁, ..., yₙ)ᵀ：可观测的响应变量向量，每个 yᵢ ∈ ℝ。 - x = (x₁, ..., xₙ)ᵀ：可观测的协变量向量，假设 xᵢ 是等距的（如 xᵢ = i/n），且已排序。本文假设 xᵢ 是固定的设计点。 - θ = (θ₁, ..., θ*ₙ)ᵀ：真实的分位数函数在 n 个设计点上的取值向量。这是要估计的目标（estimand）。注意：θᵢ 是给定 xᵢ 时 yᵢ 的 τ-分位数（τ ∈ (0,1) 固定），即 P(yᵢ ≤ θᵢ | xᵢ) = τ。 - τ：固定的分位数水平（如 τ = 0.5 为中位数）。 - ρ_τ(u) = u(τ - 1{u ≤ 0})：分位数损失函数（check loss），也称为 pinball loss。 - D^{(r)}：r 阶离散差分算子（(n-r)×n 矩阵），其作用是将一个 n 维向量映射到其 r 阶离散差分。例如，D^{(1)} 是一阶差分矩阵（相邻元素差），D^{(2)} 是二阶差分（二阶离散导数）。 - ‖·‖₁：ℓ₁ 范数（向量各元素绝对值之和）。 - ‖·‖₂：ℓ₂ 范数（欧几里得范数）。 - TV^{(r)}(θ) = ‖D^{(r)}θ‖₁：θ 的 r 阶总变差（total variation），衡量 θ 的 r 阶离散差分的 ℓ₁ 大小。 - λ：惩罚参数（非负实数）。 - C：约束版本中的上界常数（非负实数）。

模型： - 数据生成机制：对于每个 i = 1,...,n，yᵢ 是来自某个未知分布 Fᵢ 的独立观测，其 τ-分位数为 θᵢ。即：

\[P(y_i \le \theta^*_i) = \tau, \quad i=1,\dots,n.\]

- 除了这个分位数条件外，对 Fᵢ 没有任何其他假设（无矩条件、无对称性、无光滑性）。 - 真实信号 θ 具有结构：其 (r-1) 阶离散差分属于有界变差类，即 TV^{(r)}(θ) = ‖D^{(r)}θ‖₁ ≤ V（某个常数 V）。等价地，θ* 是“分段 r-1 次多项式”的离散近似，且分段数受 V 控制。

可观测数据： - 研究者能观测到的是 {(xᵢ, yᵢ)}，即 n 个设计点和对应的响应值。 - 研究者不能直接观测到的是：真实分位数 θᵢ、误差分布 Fᵢ、以及任何矩或分位数以外的分布特征。 - 研究者想要但观测不到*的是：整个条件分位数函数（在非设计点上的值），但本文只关心在 n 个设计点上的估计。

第二步：讲最小内核¶

最简特例：r=1（一阶趋势滤波，即全变差去噪），τ=0.5（中位数回归）

在这个特例下，问题退化为：给定观测 y₁,...,yₙ，估计中位数向量 θ₁,...,θₙ，其中 θ 的一阶总变差 TV^{(1)}(θ) = Σᵢ|θᵢ₊₁ - θᵢ| 有界（即 θ* 是分段常数信号，分段数有限）。

惩罚版本的估计量定义为：

\[\hat{\theta} = \arg\min_{\theta \in \mathbb{R}^n} \left\{ \sum_{i=1}^n \rho_{0.5}(y_i - \theta_i) + \lambda \sum_{i=1}^{n-1} |\theta_{i+1} - \theta_i| \right\}.\]

约束版本的估计量定义为：

\[\tilde{\theta} = \arg\min_{\theta \in \mathbb{R}^n} \sum_{i=1}^n \rho_{0.5}(y_i - \theta_i) \quad \text{subject to} \quad \sum_{i=1}^{n-1} |\theta_{i+1} - \theta_i| \leq C.\]

核心思路：分位数损失函数 ρ_τ 是凸的、分段线性的，且其“导数”（次梯度）是有界的（在 0 处跳跃）。这允许使用经验过程（empirical process）技术来建立风险界，而不需要误差的矩条件。具体地：

损失函数的 Lipschitz 性质：ρ_τ 是 1-Lipschitz 的（因为 |ρ_τ(u) - ρ_τ(v)| ≤ |u-v|）。这意味着函数类 {ρ_τ(yᵢ - θᵢ) : θ ∈ Θ} 的复杂度可以用 θ 本身的复杂度来控制。
基本不等式：由定义，惩罚版本满足：
\[\sum_{i=1}^n \rho_{0.5}(y_i - \hat{\theta}_i) + \lambda TV^{(1)}(\hat{\theta}) \leq \sum_{i=1}^n \rho_{0.5}(y_i - \theta^*_i) + \lambda TV^{(1)}(\theta^*).\]
移项得：
\[\sum_{i=1}^n [\rho_{0.5}(y_i - \hat{\theta}_i) - \rho_{0.5}(y_i - \theta^*_i)] \leq \lambda [TV^{(1)}(\theta^*) - TV^{(1)}(\hat{\theta})].\]
经验过程控制：左边是经验过程在 θ = \hat{θ} 处的增量。由于 ρ_τ 是 Lipschitz 的，可以用对称化和收缩不等式（contraction inequality）将其控制为：
\[\sum_{i=1}^n [\rho_{0.5}(y_i - \hat{\theta}_i) - \rho_{0.5}(y_i - \theta^*_i)] \geq \sum_{i=1}^n \psi_i (\hat{\theta}_i - \theta^*_i) - \text{余项},\]
其中 ψᵢ 是独立 Rademacher 随机变量（或更一般的乘性噪声）。这个不等式将分位数损失函数转化为线性函数，从而可以利用经验过程的高斯宽度（Gaussian width）或局部 Rademacher 复杂度来 bound。
利用 TV 约束：TV^{(1)}(θ) ≤ V 的集合是一个 ℓ₁ 球在差分算子下的像，其熵数（entropy number）或度量熵（metric entropy）已知为 O(1/ε)（对于 ℓ₁ 球）。结合局部化技术，可以得到：
\[\frac{1}{n} \|\hat{\theta} - \theta^*\|_2^2 \leq C \cdot \frac{V}{n} \cdot \log n,\]
即速率 O(V log n / n)。这与均值回归中次高斯误差下的速率相同，但这里不需要任何矩条件。

这个特例揭示了本文的核心数学困难：分位数损失函数的非光滑性使得传统的泰勒展开（如均值回归中的二次近似）失效。但它的 Lipschitz 性质允许使用经验过程的收缩不等式，将问题转化为线性函数的经验过程控制，从而绕过了光滑性要求。这个技巧是本文证明的基石，也是其能推广到其他分位数方法的原因。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：为分位数趋势滤波（阶数 r≥1）的惩罚版本和约束版本建立收敛速率，证明其在真实分位数向量的 (r-1) 阶离散差分有界变差时达到极小极大最优速率（至多对数因子），在真实分位数为离散样条时达到近参数速率。
核心工具/方法：使用经验过程理论（对称化、收缩不等式、局部 Rademacher 复杂度）和凸分析（基本不等式、次梯度条件），在分位数损失函数的 Lipschitz 性质下建立风险界，完全不依赖误差的矩条件。
主要结论：在极弱误差假设（无矩条件、重尾）下，分位数趋势滤波达到与均值趋势滤波在次高斯误差下相同的收敛速率；证明技术可推广至多元分位数全变差去噪和高维分位数线性回归。

关键设定与假设¶

完整设定（在第二节最小记号基础上补充）：

阶数 r ≥ 1：本文考虑任意正整数阶 r。r=1 对应全变差去噪（分段常数），r=2 对应分段线性，r=3 对应分段二次，依此类推。
设计点：假设 xᵢ = i/n（等距），但作者指出结果对非等距设计也成立（只需适当调整差分算子）。
真实信号类：θ* 属于有界变差类 BV(r, V) = {θ ∈ ℝⁿ : ‖D^{(r)}θ‖₁ ≤ V}，其中 V 是已知或未知的常数。
误差假设：对每个 i，yᵢ 的 τ-分位数是 θᵢ。除此之外，没有任何假设*——误差可以是重尾的、非对称的、异方差的，甚至可以有无限方差。这是本文相对于均值回归工作的核心优势。
惩罚版本：
\[\hat{\theta} = \arg\min_{\theta \in \mathbb{R}^n} \left\{ \frac{1}{n} \sum_{i=1}^n \rho_\tau(y_i - \theta_i) + \lambda \|D^{(r)}\theta\|_1 \right\}.\]
约束版本：
\[\tilde{\theta} = \arg\min_{\theta \in \mathbb{R}^n} \frac{1}{n} \sum_{i=1}^n \rho_\tau(y_i - \theta_i) \quad \text{subject to} \quad \|D^{(r)}\theta\|_1 \leq C.\]

相比已有文献的放宽/强化： - 放宽：误差假设从次高斯（均值回归）放宽到无矩条件（分位数回归）。 - 强化：本文同时处理惩罚版本和约束版本，而许多均值回归工作只处理其中之一。 - 不变：信号类（有界变差）与均值回归相同。

主要结果¶

定理 1（约束版本，有界变差信号）：设 θ* ∈ BV(r, V)，且 C = V（即约束版本使用正确的上界）。则存在常数 c > 0 使得以概率至少 1 - c/n：

\[\frac{1}{n} \|\tilde{\theta} - \theta^*\|_2^2 \leq C_1 \cdot \frac{V}{n} \cdot \log n,\]

其中 C₁ 是仅依赖于 r 和 τ 的常数。

直觉：速率 O(V log n / n) 与均值回归中次高斯误差下的最优速率相同。对数因子是技术性的，可能可以去掉。
必要条件：C 必须足够大以包含 θ*（即 C ≥ V）。如果 C 太小，估计量会有偏；如果 C 太大，方差会增大。
解决的技术难点：分位数损失函数的非光滑性使得传统的局部化技术（如 localized Gaussian width）不能直接应用。作者通过收缩不等式将问题转化为线性函数的经验过程，然后利用 BV 类的已知熵界。

定理 2（惩罚版本，有界变差信号）：设 θ* ∈ BV(r, V)，且 λ = c₀ √(log n / n)（适当选择常数 c₀）。则存在常数 c > 0 使得以概率至少 1 - c/n：

\[\frac{1}{n} \|\hat{\theta} - \theta^*\|_2^2 \leq C_2 \cdot \frac{V}{n} \cdot \log n,\]

其中 C₂ 是仅依赖于 r 和 τ 的常数。

直觉：惩罚版本不需要知道 V，只需选择 λ 为 √(log n / n) 量级。这类似于 Lasso 的 λ 选择。
与定理 1 的关系：惩罚版本是约束版本的拉格朗日对偶形式。两个版本的速率相同。

定理 3（离散样条信号）：设 θ 是一个离散样条（即 D^{(r)}θ 只有 K 个非零元素，K 远小于 n）。则存在常数 c > 0 使得以概率至少 1 - c/n：

\[\frac{1}{n} \|\hat{\theta} - \theta^*\|_2^2 \leq C_3 \cdot \frac{K}{n} \cdot \log n,\]

其中 C₃ 是仅依赖于 r 和 τ 的常数。

直觉：当真实信号只有少数跳跃点（即分段多项式片段数少）时，速率从 O(V/n) 提升到 O(K/n)，这是近参数速率（因为 K 是“有效参数个数”）。
与均值回归的对比：均值回归中，样条信号的近参数速率是 O(K log n / n)（次高斯误差下），与本文相同。

定理 4（推广：高维分位数线性回归）：作为证明技术的展示，作者将方法应用于高维分位数线性回归（p 维协变量，p 可能大于 n），得到：

\[\frac{1}{n} \|X(\hat{\beta} - \beta^*)\|_2^2 \leq C_4 \cdot \frac{s \log p}{n},\]

其中 s 是 β* 的稀疏度（非零元素个数），X 是设计矩阵。这个速率与 Lasso 在次高斯误差下的速率相同，但这里不需要矩条件。

证明路线与技术技巧¶

整体路线（以惩罚版本为例，3-5 步逻辑主干）：

基本不等式：由定义，惩罚版本满足：
\[\frac{1}{n} \sum_{i=1}^n \rho_\tau(y_i - \hat{\theta}_i) + \lambda \|D^{(r)}\hat{\theta}\|_1 \leq \frac{1}{n} \sum_{i=1}^n \rho_\tau(y_i - \theta^*_i) + \lambda \|D^{(r)}\theta^*\|_1.\]
移项得：
\[\frac{1}{n} \sum_{i=1}^n [\rho_\tau(y_i - \hat{\theta}_i) - \rho_\tau(y_i - \theta^*_i)] \leq \lambda [\|D^{(r)}\theta^*\|_1 - \|D^{(r)}\hat{\theta}\|_1].\]
损失函数差的下界：利用 ρ_τ 的凸性和 Lipschitz 性质，将左边下界为线性项减去余项。具体地，定义 ψᵢ = 1{yᵢ ≤ θ*ᵢ} - τ（这是分位数回归的“得分函数”），则：
\[\rho_\tau(y_i - \hat{\theta}_i) - \rho_\tau(y_i - \theta^*_i) \geq -\psi_i (\hat{\theta}_i - \theta^*_i) - |\hat{\theta}_i - \theta^*_i| \cdot 1\{|y_i - \theta^*_i| \leq |\hat{\theta}_i - \theta^*_i|\}.\]
这个不等式是分位数损失函数特有的，利用了其分段线性结构。
经验过程控制：将上一步的线性项 Σ ψᵢ(θ̂ᵢ - θᵢ) 视为经验过程在 Δ = θ̂ - θ 处的值。由于 ψᵢ 是均值为零的独立随机变量（因为 E[ψᵢ] = 0 由分位数定义），可以用对称化和收缩不等式将其 bound 为：
\[\left| \frac{1}{n} \sum_{i=1}^n \psi_i \Delta_i \right| \leq \sup_{\theta \in \Theta} \left| \frac{1}{n} \sum_{i=1}^n \psi_i (\theta_i - \theta^*_i) \right|,\]
其中 Θ 是 θ 的可行集（由惩罚项约束）。这个上界可以用局部 Rademacher 复杂度或高斯宽度来 bound。
利用 BV 类的复杂度：集合 {θ ∈ ℝⁿ : ‖D^{(r)}θ‖₁ ≤ V} 的 ℓ₂ 直径的度量熵已知为 O(1/ε)（对于 ℓ₁ 球）。结合局部化技术（如 peeling 或 chaining），得到：
\[\sup_{\theta: \|D^{(r)}\theta\|_1 \leq V, \|\theta - \theta^*\|_2 \leq \delta} \left| \frac{1}{n} \sum_{i=1}^n \psi_i (\theta_i - \theta^*_i) \right| \leq C \cdot \frac{V}{n} \cdot \log n + \frac{1}{2} \delta^2.\]
合并得到风险界：将步骤 2-4 代入步骤 1 的基本不等式，经过代数操作（包括处理余项和惩罚项），最终得到：
\[\frac{1}{n} \|\hat{\theta} - \theta^*\|_2^2 \leq C \cdot \frac{V}{n} \cdot \log n.\]

关键跳跃点： - 从分位数损失到线性函数的转换（步骤 2）：这是整个证明的核心。作者利用 ρ_τ 的次梯度性质，将损失函数差分解为线性部分（由 ψᵢ 驱动）和余项（由指示函数控制）。这个分解在均值回归中不存在（因为平方损失是光滑的，可以直接泰勒展开）。 - 余项的处理：步骤 2 中的余项涉及指示函数 1{|yᵢ - θᵢ| ≤ |θ̂ᵢ - θᵢ|}。这个项不能直接 bound，但作者利用分位数回归的“局部性”将其控制为 O(‖θ̂ - θ‖₁/n)，然后通过 Cauchy-Schwarz 和 BV 约束转化为 ℓ₂ 范数。 - 局部 Rademacher 复杂度的计算*：步骤 4 需要 BV 类的精确熵界。作者引用了已有结果（如 Guntuboyina et al. 2020），但需要将其从 ℓ₂ 球调整到 ℓ₁ 惩罚下的约束集。

技术技巧点名： - 对称化（symmetrization）：将经验过程 bound 为 Rademacher 平均，这是经验过程理论的经典技巧。 - 收缩不等式（contraction inequality）：用于将 Lipschitz 函数的经验过程 bound 为线性函数的经验过程。这里是关键：因为 ρ_τ 是 1-Lipschitz 的，所以可以用 Rademacher 变量的收缩来 bound 损失函数的经验过程。 - 局部化（localization）：通过 peeling 或固定点方程，将全局上界转化为局部上界，得到最优速率。 - 离散差分算子的谱性质：作者利用了 D^{(r)} 的奇异值分解（SVD）或相关性质，将 ℓ₁ 惩罚与 ℓ₂ 范数联系起来。具体地，对于 BV 类，有不等式 ‖θ - θ‖₂ ≤ C · ‖D^{(r)}(θ - θ)‖₁ 的某种变体（这是离散 Sobolev 不等式）。

真实例子与应用¶

本文为纯理论论文，无实证例子。 作者在引言和结论中均未提供任何模拟或真实数据应用。所有结果都是理论定理和证明。作者在结论中提到“我们的证明技术可以推广到其他方法”，并给出了两个推广（多元全变差去噪和高维线性回归），但这些推广也是理论结果，没有数值验证。

🔎 结论是否比证明窄¶

“极小极大最优”的 claim：作者声称达到“极小极大最优速率（至多对数因子）”，但没有证明极小极大下界。作者引用的是均值回归的极小极大下界（如 Sadhanala et al. 2016），然后声称“类似论证可推广到分位数”。这是一个 gap：分位数回归的极小极大下界是否与均值回归相同？如果不同，本文的“最优性”可能不成立。作者在定理陈述中用了“attain the minimax rate up to logarithmic factors”，但严格来说，他们只证明了上界，下界是引用的。
对数因子：所有速率都包含 log n 因子。作者没有证明这个因子是否可以去掉。在均值回归中，已知某些设定下对数因子是必要的（如自适应估计），但分位数回归中是否必要？未知。
C 和 λ 的选择：约束版本需要知道 V（或至少一个上界），惩罚版本需要选择 λ。作者给出了 λ 的理论最优值（√(log n / n)），但没有讨论如何在实际中选择 λ（如交叉验证）。这是一个从理论到实践的 gap。
推广的深度：定理 4（高维分位数线性回归）的证明是“我们的证明技术可以用于...”，但作者只给出了一个定理陈述，没有详细证明。读者需要自己验证这个推广是否真的成立。

四、开放问题¶

极小极大下界：本文只证明了上界，下界是引用的均值回归结果。一个开放问题是：分位数回归在 BV(r, V) 类上的极小极大下界是否与均值回归相同？ 如果不同，本文的“最优性” claim 需要修正。扎根点：定理 1 和 2 的陈述中“attain the minimax rate”的引用依据（引用了均值回归的下界）。
对数因子的必要性：本文的速率包含 log n 因子。这个因子是否可以去掉？ 在均值回归中，某些设定下对数因子是必要的（如自适应估计），但分位数回归中是否必要？扎根点：定理 1-3 的速率中都有 log n，作者没有讨论其必要性。
自适应惩罚参数选择：本文假设 λ 是固定且已知的（理论最优值）。如何在实际中自适应地选择 λ（如通过交叉验证或信息准则）？ 这需要建立模型选择的一致性理论。扎根点：结论中的 future work 提到“adaptive choice of tuning parameters”。
多元分位数趋势滤波：作者将证明技术推广到多元全变差去噪（定理 4 的变体），但只给出了一个结果。能否将分位数趋势滤波推广到多元协变量（如图像去噪）？ 这需要处理多元离散差分算子的复杂度。扎根点：定理 4 的推广部分，以及结论中的“multivariate quantile total variation denoising”。
与半参数效率理论的连接：本文是纯非参数速率理论。分位数趋势滤波的估计量是否半参数有效？ 即，其渐近方差是否达到半参数效率界？这需要推导分位数回归的 efficient influence function，并与本文的估计量对比。扎根点：本文没有涉及任何效率理论，这是一个自然的延伸方向。

Maintained by 陈星宇 · Homepage · Source on GitHub