Approximate Minimax Estimation of a Bounded Normal Mean via Stochastic Mirror Ascent¶

作者: Jos\'e Luis Montiel Olea, Ekaterina Zubova
主题: 统计计算 / 算法
相关性: 7/10
链接: https://arxiv.org/abs/2607.05350

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统计决策理论中的计算问题，具体而言，是如何为经典的有界正态均值（Bounded Normal Mean）估计问题，数值地找到一个近似最小最大（minimax）估计量。该问题的核心是：在平方损失下，估计一个方差已知的正态分布的均值，且该均值已知属于一个紧区间 \([-m, m]\)。该问题的理论性质（如最小最大风险、最不利先验分布的结构）已被充分研究，但如何实际地、可证明地计算出近似最优的估计量，仍是一个开放的计算挑战。本文的定位是提供一个有理论保证的、基于随机优化算法的数值方案。

发展脉络¶

奠基工作：Casella and Strawderman [1981] 系统研究了该问题，给出了当 \(m\) 足够小时最小最大估计量的闭式解，并指出一般情形下需要数值方法。Johnstone [2019] 的专著（第4.6章）提供了该问题的详尽理论处理，包括最小最大风险与最不利先验分布的存在唯一性。
主要进展：Donoho, Liu, and MacGibbon [1990] 建立了该问题与一类非参数估计问题（如高斯白噪声中的线性泛函估计）的联系，并给出了最小最大风险的上界（即 Ibragimov-Has’minskii 常数，表明线性估计器的最坏情况风险最多比最优非线性估计器高 25%）。这为评估数值方法的性能提供了理论基准。
数值方法探索：Kempthorne [1987] 和 Chamberlain [2000] 提出了通过离散化参数空间来近似最不利先验分布的思路，但未提供收敛性保证。Gourdin, Jaumard, and MacGibbon [1994] 使用了全局优化分解方法，但同样缺乏理论保证。Feldman and Brown [1989] 也提出了数值算法。
当前 frontier 与本文位置：近年来，Aradillas Fernández et al. [2025a,b] 和 Guggenberger and Huang [2025] 等开始系统性地将优化算法（如随机镜像下降、虚拟博弈）应用于统计决策问题，并尝试提供理论保证。本文是这一前沿工作的具体案例：它选择了一个经典但非平凡的问题（有界正态均值），使用随机镜像上升算法，并提供了完整的、非渐近的理论保证，包括离散化误差和优化误差的显式控制。本文的独特之处在于，它不仅证明了算法能找到近似最不利先验，还证明了对应的贝叶斯估计量构成一个“随机最小最大序列”（stochastic minimax sequence），并收敛到真实的最小最大估计量。

子线索聚类¶

理论分析线索：聚焦于有界正态均值问题的理论性质，如最小最大风险、最不利先验分布的结构、与线性估计器的比较。代表工作：Casella and Strawderman [1981], Donoho et al. [1990], Johnstone [2019]。
数值方法线索：致力于设计算法来数值求解该问题或更一般的统计决策问题。代表工作：Kempthorne [1987], Chamberlain [2000], Gourdin et al. [1994], Aradillas Fernández et al. [2025a,b], Guggenberger and Huang [2025]。
应用拓展线索：将有界正态均值问题作为核心工具，应用于更广泛的统计推断问题。代表工作：Armstrong, Kline, and Sun [2025] 将其用于构造对误设定自适应的估计量；本文将其用于宏观经济脉冲响应估计中，以最优方式聚合局部投影（LP）和向量自回归（VAR）估计量的信息。

这个方向在追问的核心问题¶

如何计算近似最小最大估计量？ 对于没有闭式解的问题，能否设计一个算法，使其输出在可证明的意义上接近真实的最小最大估计量？
如何量化并控制计算误差？ 数值算法引入的误差（离散化、优化、随机性）如何被显式地界定？这些误差如何与统计误差（如风险）相互作用？
计算复杂度与统计精度的权衡是什么？ 为了达到给定的近似精度 \(\epsilon\)，需要多少计算资源（如迭代次数、网格点数）？这个代价是否可接受？
算法是否具有普适性？ 针对有界正态均值问题设计的算法，能否推广到其他统计决策问题（如区间估计、假设检验）？

当前主流方法与已知瓶颈：主流方法是离散化参数空间 + 求解一个有限维的凹最大化问题。瓶颈在于：1) 离散化引入的误差需要精细控制；2) 目标函数（贝叶斯风险）的梯度计算涉及数值积分，计算成本高；3) 缺乏对算法输出与真实最优解之间距离的显式理论保证。

⚠️ 作者的 framing¶

作者将缺口 frame 为：尽管有界正态均值问题的理论已很成熟，且已有数值方法被提出，但没有任何现有工作提供了“可证明的”近似保证。作者声称，他们的算法是第一个同时提供离散化误差和优化误差显式控制的，并且证明了输出分布和估计量在 Wasserstein 距离和一致范数下收敛到真实目标。作者淡化了其他数值方法（如二阶优化方法，例如 Matlab 的 fmincon）的可行性，理由是“不清楚如何为它们提供理论保证”。他们也回避了与更复杂的自适应优化算法（如 AdaGrad）的深入比较，仅将其作为未来工作提及。

什么明显该被引/该存在、却没出现在 intro 里？ 作者没有引用任何关于随机优化理论的经典教科书或综述（如 Bubeck [2015] 的专著，Nemirovski et al. [2009] 的随机逼近综述），尽管这些是算法分析的基础。这可能是因为作者假设读者熟悉该领域，但作为 gateway reading，这算是一个小缺失。此外，没有引用关于计算统计或统计计算的更广泛文献（如关于 MCMC、变分推断的综述），这可能是因为作者专注于决策理论框架。

张力¶

未见明显对立引用。所有被引工作基本都认同有界正态均值问题的理论框架，差异主要在于数值求解策略和理论保证的强弱。本文与 Donoho et al. [1990] 的关系是互补的：后者提供了理论基准（Ibragimov-Has’minskii 常数），前者提供了达到该基准的数值方法。

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：
\(Y\): 可观测的随机变量，服从正态分布。
\(\theta\): 未知的均值参数，是我们要估计的目标。
\(m > 0\): 已知的边界，\(\theta \in [-m, m]\)。
\(d(\cdot)\): 一个决策规则（估计量），是一个从实数域 \(\mathbb{R}\) 到 \([-m, m]\) 的可测函数。\(d(Y)\) 是 \(\theta\) 的估计值。
\(R(d, \theta) = \mathbb{E}_\theta[(d(Y) - \theta)^2]\): 决策规则 \(d\) 在参数真值为 \(\theta\) 时的风险（均方误差）。
\(\pi\): 定义在参数空间 \([-m, m]\) 上的一个先验概率分布。
\(r(d, \pi) = \int R(d, \theta) d\pi(\theta)\): 决策规则 \(d\) 相对于先验 \(\pi\) 的贝叶斯风险。
\(d_\pi\): 相对于先验 \(\pi\) 的贝叶斯规则，即 \(d_\pi = \arg\min_{d} r(d, \pi)\)。在有界正态均值问题中，它是后验均值。
\(\bar{v}^*(m)\): 最小最大风险值，即 \(\inf_d \sup_{\theta} R(d, \theta)\)。
\(v^*(m)\): 最大最小（maximin）值，即 \(\sup_\pi \inf_d r(d, \pi)\)。由最小最大定理，\(\bar{v}^*(m) = v^*(m)\)。
\(\pi^*\): 最不利先验分布，即最大化 \(\inf_d r(d, \pi)\) 的那个分布。
\(\Delta_{I-1}\): 一个 \((I-1)\) 维单纯形，代表所有支撑在 \(I\) 个离散网格点上的概率分布。
\(I\): 离散化网格的点的个数。
\(J\): 随机镜像上升算法的迭代次数。
\(\eta\): 算法的步长。
\(M = 4m^2\): 风险函数的一个上界，也是目标函数 Lipschitz 常数的上界。
模型：
数据生成机制：\(Y \sim \mathcal{N}(\theta, 1)\)，其中方差已知为 1。
参数空间：\(\Theta = [-m, m]\)。
损失函数：平方损失 \(L(a, \theta) = (a - \theta)^2\)。
决策规则空间：\(\mathcal{D} = \{d: \mathbb{R} \to [-m, m], \text{可测}\}\)。
目标：找到一个决策规则 \(d^*\)，使其最坏情况风险 \(\sup_{\theta \in [-m,m]} R(d^*, \theta)\) 最小化。
可观测数据：
研究者实际能观测到的是 \(Y\) 的一个或多个独立同分布样本。在本文的算法中，每次迭代会为每个网格点 \(\theta_i\) 生成一个独立的 \(Y_{i,j} \sim \mathcal{N}(\theta_i, 1)\) 来估计梯度。
想要但观测不到的：参数 \(\theta\) 的真实值。我们只能通过 \(Y\) 来推断它。

第二步：讲最小内核¶

本文的核心思路可以浓缩为以下最小内核：

问题：我们想找一个估计量 \(d\)，使得它在最坏情况下的风险尽可能小。这等价于找一个“最不利”的先验分布 \(\pi^*\)，然后取它的贝叶斯估计量 \(d_{\pi^*}\)。

最小内核：将参数空间 \([-m, m]\) 离散化为 \(I\) 个点 \(\{\theta_1, \ldots, \theta_I\}\)。然后，我们不再寻找所有可能分布上的最优 \(\pi^*\)，而是在这些离散点上的概率单纯形 \(\Delta_{I-1}\) 中，寻找一个近似最优的分布 \(\pi\)。这个寻找过程被转化为一个凹最大化问题：

\[\max_{\pi \in \Delta_{I-1}} f(\pi), \quad \text{其中} \quad f(\pi) = \inf_{d \in \mathcal{D}} r(d, \pi) = \inf_{d \in \mathcal{D}} \sum_{i=1}^I \pi_i R(d, \theta_i).\]

函数 \(f(\pi)\) 是凹的，因为它是一族线性函数（关于 \(\pi\)）的下确界。它的一个超梯度（supergradient）是向量 \(g(\pi) = (R(d_\pi, \theta_1), \ldots, R(d_\pi, \theta_I))\)，其中 \(d_\pi\) 是相对于 \(\pi\) 的贝叶斯规则。

核心思路：使用随机镜像上升算法来求解这个凹最大化问题。该算法迭代地更新 \(\pi\)，每次更新都沿着一个随机估计的超梯度方向。算法的关键步骤是： 1. 计算贝叶斯规则 \(d_{\pi_j}\)：给定当前的先验 \(\pi_j\)，计算其后验均值函数。 2. 估计超梯度：对于每个网格点 \(\theta_i\)，从 \(\mathcal{N}(\theta_i, 1)\) 中抽取一个样本 \(y_{i,j}\)，然后计算 \((d_{\pi_j}(y_{i,j}) - \theta_i)^2\)。这个标量是 \(R(d_{\pi_j}, \theta_i)\) 的一个无偏估计。所有 \(I\) 个这样的估计组成一个随机超梯度向量 \(\tilde{g}_j\)。 3. 更新先验：使用一个“乘法权重更新”（multiplicative weights update）规则来更新 \(\pi\)，该规则是镜像上升在单纯形上的具体形式。

为什么这个内核能工作？ - 凹性保证了算法可以找到全局最优解（或近似解）。 - 随机梯度避免了每次迭代都需要精确计算 \(I\) 个数值积分（即 \(R(d_{\pi_j}, \theta_i)\)），大大降低了计算成本。每次迭代只需要 \(I\) 个额外的正态随机数和一个函数求值。 - 镜像上升特别适合在单纯形上优化，因为它利用了单纯形的几何结构（通过负熵作为镜像映射），比普通的梯度上升收敛更快。

最简特例：考虑 \(m=1\) 的情况。此时，Casella and Strawderman [1981] 给出了最小最大估计量的闭式解。本文的算法可以看作是在这个已知解上的一个“压力测试”。如果算法在 \(m=1\) 时能输出一个接近真实最小最大值的贝叶斯风险，就验证了其有效性。在这个特例下，离散化网格点数 \(I\) 和迭代次数 \(J\) 都会相对较小，算法运行很快。本文的模拟（附录 D.4）确实验证了这一点。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：为经典的有界正态均值估计问题，设计了一个有理论保证的数值算法，以计算一个近似最小最大估计量。
核心工具/方法：将寻找最小最大估计量的问题转化为寻找近似最不利先验分布的凹最大化问题，并使用随机镜像上升算法在离散化的参数空间上求解该问题。
主要结论：算法能以高概率找到一个近似最不利先验分布，其对应的贝叶斯估计量构成一个“随机最小最大序列”，且该估计量在紧集上一致收敛到真实的最小最大估计量。模拟表明，该算法在合理计算量下，相对于最小最大线性估计量可实现 6% 至近 18% 的风险改进。

关键设定与假设¶

设定：
统计模型：\(Y \sim \mathcal{N}(\theta, 1)\)，\(\theta \in [-m, m]\)，方差已知为 1。
损失函数：平方损失。
决策规则空间：所有从 \(\mathbb{R}\) 到 \([-m, m]\) 的可测函数。
先验分布空间：所有定义在 \([-m, m]\) 上的 Borel 概率测度。
假设：
离散化：将参数空间离散化为一个等间距的 \(I\) 点网格。这是算法设计的一部分，而非对真实问题的假设。误差通过 Lipschitz 连续性控制。
随机梯度：算法使用一个无偏的随机超梯度估计，该估计基于每个网格点的一个独立 Monte Carlo 样本。这是算法设计的一部分。
算法参数：步长 \(\eta\)、迭代次数 \(J\)、网格点数 \(I\) 都根据目标精度 \(\epsilon\) 显式给出（见公式 11）。这些是算法输入，而非模型假设。
与已有文献的对比：本文的设定是标准的。相比 Kempthorne [1987] 和 Chamberlain [2000]，本文的核心强化在于提供了离散化和优化误差的显式控制，而不仅仅是提出一个数值方案。相比 Donoho et al. [1990] 的理论分析，本文专注于计算实现。

主要结果¶

本文有四个主要定理，均为理论型结果。

定理 1（近似最不利先验分布）：对于任意精度 \(\epsilon > 0\)，如果按照公式 (11) 选择算法参数（\(I(\epsilon), J(\epsilon), \eta(\epsilon)\)），则算法输出的先验分布 \(\pi_\epsilon\) 的贝叶斯风险，以至少 \(1-\alpha\) 的概率，与真实最大最小值 \(v^*(m)\) 的差距不超过 \(\epsilon (1 + \sqrt{\ln(1/\alpha) / \ln(I(\epsilon))})\)。
直觉：定理给出了一个非渐近的、高概率的保证。它量化了离散化误差（通过 \(I(\epsilon)\)）和优化/随机误差（通过 \(J(\epsilon)\) 和 \(\alpha\)）如何共同影响最终结果。
必要条件：\(I(\epsilon)\) 和 \(J(\epsilon)\) 必须足够大，且步长 \(\eta(\epsilon)\) 必须正确设置。
解决的技术难点：将随机梯度估计的方差（通过 Hoeffding 型不等式）与镜像上升的确定性收敛分析结合起来。
定理 2（Wasserstein 收敛性）：当 \(\epsilon_n \to 0\) 时，算法输出的先验分布 \(\pi_n\) 在 1-Wasserstein 距离下依概率收敛到唯一的最不利先验分布 \(\pi^*\)。
直觉：定理 1 保证了贝叶斯风险的收敛，定理 2 则进一步保证了分布本身的收敛。这是一个更强的结果，表明算法找到的不仅仅是“风险上”的近似解，而是“分布上”的近似解。
解决的技术难点：需要证明贝叶斯风险函数 \(f(\pi)\) 关于 1-Wasserstein 距离是 Lipschitz 的（引理 6），从而将风险的收敛性转化为分布的收敛性。
定理 3（随机最小最大序列）：由 \(\pi_n\) 导出的贝叶斯规则 \(d_n\) 构成一个随机最小最大序列，即其最坏情况风险依概率收敛到最小最大风险 \(\bar{v}^*(m)\)。
直觉：这是本文的核心结论，直接回答了“算法是否找到了一个近似最小最大估计量”这个问题。它扩展了 Ghosh [1964] 的“最小最大序列”概念，以适应算法的随机性。
解决的技术难点：需要证明 \(d_n\) 的风险函数一致地收敛到 \(d_{\pi^*}\) 的风险函数（引理 4），这依赖于定理 2 的 Wasserstein 收敛性。
定理 4（估计量的一致收敛性）：对于任意紧集 \(S \subset \mathbb{R}\)，\(d_n(y)\) 在 \(S\) 上一致地依概率收敛到真实的最小最大估计量 \(d_{\pi^*}(y)\)。
直觉：这是比定理 3 更强的结论，表明算法输出的函数本身（而非仅仅是其风险）在任意有界区间上都接近真实的最优函数。
解决的技术难点：需要证明贝叶斯规则 \(d_\pi(y)\) 作为 \(\pi\) 的函数，关于 1-Wasserstein 距离是 Lipschitz 的（引理 8），从而将分布的收敛性转化为函数值的收敛性。

证明路线与技术技巧¶

整体路线：
离散化：将原问题近似为在离散网格上的凹最大化问题。通过风险函数的 Lipschitz 连续性（引理 1），控制离散化误差（引理 2）。
优化：使用随机镜像上升算法求解离散化问题。算法的核心是迭代更新先验分布 \(\pi\)。
随机梯度分析：将随机梯度估计的误差视为一个鞅差序列，使用 Hoeffding 不等式（引理 3）来控制其累积和，从而得到高概率的收敛保证（定理 1）。
从分布到估计量：利用贝叶斯风险函数的 Lipschitz 性（引理 6）和贝叶斯规则的 Lipschitz 性（引理 8），将先验分布的收敛性（定理 2）转化为估计量风险（定理 3）和函数值（定理 4）的收敛性。
关键跳跃点：
跳跃点 1：将随机梯度估计的误差与镜像上升的确定性分析结合。标准镜像上升分析假设可以访问精确梯度。本文通过引理 3 证明，随机梯度的累积误差可以被一个高概率的界控制，从而将确定性分析中的误差项替换为这个随机界。
跳跃点 2：从贝叶斯风险的收敛（定理 1）推导出先验分布本身的收敛（定理 2）。这需要证明贝叶斯风险函数 \(f(\pi)\) 是“严格凹的”或至少是“在最大值点附近是尖锐的”。本文的证明策略是反证法：如果分布不收敛，则存在一个子序列远离 \(\pi^*\)，但由于 \(f\) 是 Lipschitz 且 \(\pi^*\) 是唯一最大值点，这些远离的分布对应的 \(f\) 值必然严格小于 \(v^*(m)\)，这与定理 1 的收敛性矛盾。
跳跃点 3：从先验分布的 Wasserstein 收敛推导出贝叶斯规则的一致收敛。这依赖于引理 8，该引理给出了 \(|d_{\pi_n}(y) - d_{\pi^*}(y)|\) 的一个上界，该上界正比于 \(W(\pi_n, \pi^*)\) 乘以一个与 \(y\) 有关的常数。在紧集上，这个常数有界，因此收敛性得以传递。
技术技巧点名：
随机镜像上升：核心优化算法，用于在单纯形上求解凹最大化问题。
乘法权重更新：镜像上升在单纯形上的具体实现形式，更新规则为 \(w_{i,j} = w_{i,j-1} \cdot \exp(\eta \tilde{g}_{i,j})\)。
Hoeffding 不等式：用于控制随机梯度估计的累积误差（引理 3 的证明）。
鞅差序列：将随机梯度误差序列建模为鞅差，以便应用 Hoeffding 不等式。
1-Wasserstein 距离：用于度量先验分布之间的差异，并证明贝叶斯风险函数和贝叶斯规则关于该距离是 Lipschitz 的。
Kantorovich-Rubinstein 对偶：用于将 Wasserstein 距离与 Lipschitz 函数的积分联系起来（公式 13）。
风险函数的 Lipschitz 连续性：引理 1 是全文的基石，它通过总变差距离的上界（Devroye et al. [2018]）证明了该性质。

真实例子与应用¶

本文包含一个真实数据应用，用于估计宏观经济脉冲响应。

数据/场景：来自四篇有影响力的宏观经济论文：Gertler and Karadi [2015]（货币政策冲击）、Romer and Romer [2010]（税收冲击）、Ramey [2011]（政府支出冲击）、Francis et al. [2014]（技术冲击）。对于每篇论文，作者都使用局部投影（LP）和向量自回归（VAR）两种方法估计了特定冲击对特定经济变量的脉冲响应。
如何应用：
建立模型：将 LP 和 VAR 估计量的联合分布近似为一个二元正态分布（公式 18），其中 LP 估计量无偏但方差大，VAR 估计量有偏但方差小。偏倚的大小被一个参数 \(b\) 捕获，并假设 \(|b| \le m \cdot \sigma_\Delta\)，其中 \(m\) 由样本量和研究者对模型误设定程度的信念决定（本文取 \(M=1\%\)）。
转化为有界正态均值问题：通过一个不变性论证，最优的 LP-VAR 组合估计量可以表示为 \(\hat{\theta}_{VAR} - \sigma_\Delta d^*_{BNM-m}(\Delta)\)，其中 \(\Delta\) 是一个 Hausman 型统计量，\(d^*_{BNM-m}\) 就是有界正态均值问题（边界为 \(m\)）的最小最大估计量。
运行算法：对于每个应用和每个预测时点，根据其对应的 \(m\) 值，运行随机镜像上升算法，得到近似最小最大估计量 \(d_{\pi_\epsilon}\)，然后代入公式得到最终的脉冲响应估计。
结果：
在所有四个应用中，即使允许的误设定程度很小（\(M=1\%\)，这应该有利于 VAR），近似最小最大估计量都非常接近 LP 估计量。这表明，在数据驱动下，算法倾向于“信任”无偏但高方差的 LP 估计量，而不是有偏但低方差的 VAR 估计量。
与最优线性组合估计量相比，非线性最小最大估计量在中等和长期预测时点上，对 LP 估计量的“收缩”更为激进，并带来了约 15% 的超额风险改进。
这个例子想说明什么：展示本文提出的算法如何被应用于一个实际的、重要的计量经济学问题。它证明了该算法不仅是一个理论玩具，而且可以处理真实数据，并能提供比简单线性组合更好的结果。它强调了“计算意识”在统计决策中的价值。

🔎 结论是否比证明窄¶

定理 1 的保证是“高概率”的，而非确定性的。这意味着对于某些不好的随机种子，算法可能失败。作者在模拟中（附录 D.5）通过展示不同种子下风险的波动性来缓解这一担忧，但并未提供确定性的保证。
定理 1 的保证是关于贝叶斯风险的，而非直接关于估计量的最坏情况风险。定理 3 将前者转化为后者，但转化过程依赖于定理 2 的 Wasserstein 收敛性，而定理 2 本身是渐近的（当 \(\epsilon_n \to 0\)）。因此，对于有限的 \(\epsilon\)，定理 1 只保证了先验的贝叶斯风险接近 \(v^*(m)\)，但并未直接保证对应估计量的最坏情况风险也接近 \(\bar{v}^*(m)\)。定理 3 和 4 是渐近结果，回答了“当计算越来越精确时会发生什么”的问题。
算法参数的推荐值是充分的，但非必要的。作者明确指出，定理 1 中给出的 \(J(\epsilon)\) 和 \(I(\epsilon)\) 是保证理论性能的充分条件，但实际中可能远小于这些值就能达到同样的效果。模拟结果（图 6-8）也证实了这一点，尤其是在有时间限制的情况下。

四、开放问题¶

避免离散化：本文的算法依赖于对参数空间的先验离散化。作者在结论中提出，一个自然的方向是直接在连续分布空间 \(\Delta([-m, m])\) 上优化，例如使用 Kent et al. [2021] 的算法或在线学习中的连续动作空间方法。扎根点：论文第 6 节（Conclusion）第一段：“A natural direction for future work would be to explore the possibility of approximating the least-favorable distribution by looking directly at the concave problem of maximizing Bayes risk over all probability distributions on the interval \([-m, m]\).”
自适应步长与更紧的常数：本文使用的 Lipschitz 常数 \(M = 4m^2\) 是保守的。作者在模拟中（附录 D.1, D.2）展示了实际梯度范数远小于此。一个开放问题是，能否设计一个自适应的算法（如 Duchi et al. [2011] 的 AdaGrad），使其步长能根据观测到的梯度自动调整，从而大幅减少所需迭代次数，同时仍能提供理论保证。扎根点：论文第 4.5 节（Adaptive algorithms）和结论第二段：“...the Lipschitz constant for the risk function we derived in Lemma 1 could perhaps be tighter...Similarly, the number of iterations for the mirror-ascent algorithm is designed to work for any (Lipschitz) concave optimization problem over the simplex. Since we are only interested in solving the Bounded Normal Mean problem, it is perhaps possible to sharpen the analysis and reduce the number of iterations.”
利用先验分布的结构：最不利先验分布 \(\pi^*\) 已知具有有限支撑。本文的算法输出一个在所有网格点上都有正质量的分布。一个开放问题是，能否设计一个算法（如 Guggenberger and Huang [2025] 的虚拟博弈算法），在迭代过程中动态地增加支撑点，从而更高效地逼近 \(\pi^*\) 的稀疏结构。扎根点：论文第 6 节（Conclusion）第三段：“...the least-favorable distribution in the Bounded Normal Mean problem is known to have a very particular structure: the support of the distribution is finite...It could be useful to consider other algorithms for finding the least-favorable distribution that increase the number of support points in every iteration, as in the recent work of Guggenberger and Huang [2025].”
扩展到其他损失函数和决策问题：本文专注于平方损失下的点估计。一个更广泛的开放问题是，本文的框架（离散化 + 随机镜像上升）能否被推广到其他损失函数（如绝对损失、分位数损失）或其他统计决策问题（如区间估计、假设检验）？扎根点：论文的引言部分提到了 Aradillas Fernández et al. [2025a,b] 的工作，后者将类似方法应用于假设检验问题。这表明该框架具有一定的普适性，但具体到有界正态均值问题之外的设定，仍需新的理论分析。

Maintained by 陈星宇 · Homepage · Source on GitHub