跳转至

Decay of convolved densities via Laplace transform

作者: Sergey G. Bobkov
主题: 其他
相关性: 2/10
链接: https://doi.org/10.1214/23-aop1625

一、领域脉络与小综述

这个方向是什么

本文属于经典概率论中关于独立随机变量和的密度函数衰减行为的研究。其根本问题是：给定一个随机向量 \(X = X_1 + \cdots + X_n\)（各分量独立），在什么条件下能保证其密度 \(p(x)\) 在无穷远处以某种速率衰减？这类问题在概率论的多个分支中都有出现：局部极限定理（local limit theorems）、大偏差理论、以及信息论中关于熵和散度的收敛性问题。该方向的技术核心在于利用 Fourier/Laplace 变换将密度点态估计转化为特征函数的积分估计，再通过适当的复分析或不等式工具得到上界。这个子方向在 20 世纪中叶已相当成熟（经典结果如 Berry–Esseen 不等式、局部极限定理），但本文关注的非一致（non-uniform）点态上界，尤其是与 Laplace 变换和 Legendre 变换结合的统一框架，是较新的进展。

发展脉络

  • 奠基工作：该方向的经典起点可追溯到 Babenko (1961) [1] 和 Beckner (1975) [3] 关于 Hausdorff–Young 不等式最优常数的结果。这些不等式给出了 Fourier 变换在 \(L^p\) 空间上的范数控制，是本文 Lemma 2.1 证明中关键的技术工具。作者在证明中明确引用了"Babenko [1]（对 \(r = 2, 4, 6, \dots\)）和 Beckner [3]（一般情形）"的最优常数版本。
  • 主要进展：Bobkov & Chistyakov (2012) [5] 推导了独立随机变量和的密度最大值（即 \(\|p\|_\infty\)）的下界，得到了形如 \(M^{-2/d} \ge \frac{1}{e} \sum_{k=1}^n M_k^{-2/d}\) 的不等式（本文第 1.7 式）。这一结果在精神上类似于 Shannon 熵功率不等式（entropy power inequality），但针对的是密度的 \(L^\infty\) 范数而非微分熵。随后，Bobkov, Chistyakov & Götze (2019) [7] 将 Rényi 散度引入中心极限定理的研究，证明了在适当条件下 \(D_\alpha(Z_n \| Z) \to 0\) 的充要条件。本文的 Corollary 6.1 正是对这一结果的补充——用密度点态上界来验证 Rényi 散度的有限性。
  • 当前 frontier：在信息论方向，Li (2018) [11] 和 Ram & Sason (2015) [14] 进一步发展了 Rényi 熵功率不等式及其反向形式，但这些工作主要关注熵本身而非密度的点态衰减。在 Bernoulli 卷积方向，Erdős (1939) [9] 提出了关于 \(\sum \pm \lambda^n\) 绝对连续性的经典问题，Solomyak (1995) [16] 证明了例外集 Lebesgue 测度为零，Shmerkin (2014) [15] 进一步将例外集的 Hausdorff 维数降为零。本文的 Corollary 7.1 将密度点态上界应用于 Bernoulli 卷积，给出了在 \(\lambda \in (2^{-1/4}, 1)\) 且 \(I(\lambda^4) < \infty\) 条件下的高斯型衰减估计。
  • 本文的位置：本文处于这一脉络的交汇点——它用 Laplace 变换和 Legendre 变换的统一框架，将 [5] 中的 \(L^\infty\) 界推广为逐点（pointwise）上界，并将这一工具应用于 [7] 的 Rényi 散度收敛问题和 [16] 的 Bernoulli 卷积问题。作者在引言中明确说："如果 \(p\) 具有卷积结构，那么在一般的矩条件下，可以通过相关的 Laplace 变换给出肯定回答。"

子线索聚类

  1. Fourier 分析不等式（Babenko [1], Beckner [3], Barthe [2], Brascamp–Lieb [8]）：提供 Hausdorff–Young 不等式及其最优常数，是证明的技术基础。
  2. 密度上界与熵不等式（Bobkov–Chistyakov [5], Li [11], Ram–Sason [14]）：关注密度最大值、Rényi 熵功率不等式，与信息论交叉。
  3. 中心极限定理的散度版本（Bobkov–Chistyakov–Götze [7], van Erven–Harremoës [17]）：研究 Rényi 散度、KL 散度在 CLT 中的收敛性。
  4. Bernoulli 卷积的绝对连续性与密度性质（Erdős [9], [10], Solomyak [16], Shmerkin [15], Peres–Schlag [12]）：经典分形/动力系统问题，本文的 Corollary 7.1 是新的贡献。

这个方向在追问的核心问题

  1. 密度衰减的充分条件：给定卷积结构，什么矩条件或 Laplace 变换条件能保证密度在无穷远处以指数或高斯速率衰减？（本文 Theorem 1.1–1.2 给出部分回答）
  2. 上界的最优性：常数 \(M\) 和指数 \(V^*(x)\) 是否在某种意义下最优？例如，\(1/e\) 因子在 [5] 中已被证明是最优的，但点态版本的常数是否最优？
  3. 与信息论量的联系：密度上界能否用来估计 Rényi 散度 \(D_\alpha\) 的收敛速率？（本文 Corollary 6.1 给出一个方向）
  4. 奇异/临界情形：当 Laplace 变换在边界处发散时（如 Bernoulli 卷积中 \(\lambda\) 接近 \(2^{-1/4}\)），上界是否仍然成立？

⚠️ 作者的 framing（这是作者的说法）

作者在引言中将本文的贡献框架为："在卷积结构下，密度的衰减可以由 Laplace 变换和 Legendre 变换的组合来控制。" 他特别强调 Theorem 1.1 中常数 \(M = (M_1 \cdots M_n)^{1/n}\)（几何平均）的选取，以及 Theorem 1.2 中在条件 (1.5) 下改进为调和型平均。作者淡化了以下竞争路线： - 特征函数方法：经典局部极限定理通常用特征函数的积分估计，但作者选择 Laplace 变换（即特征函数在纯虚轴上的解析延拓），这要求更强的矩条件（指数阶矩），但能得到更精细的点态界。 - Stein 方法 / 耦合方法：这些方法通常给出分布收敛的速率，但不直接给出密度的点态上界。

值得注意的张力：作者在 Remark 5.2 中指出，当 \(n=1\) 时，即使密度有界且具有高斯型尾概率，也不能保证任何点态衰减（构造了无界集合上的均匀分布）。这与 Theorem 1.1 形成对比——卷积结构是本质的。这一观察与 [5] 中 \(n=1\) 时 \(M^{-2/d} \ge M_1^{-2/d}\) 的平凡性一致，但作者将其提升为一个明确的否定结果。

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

记号 含义 类型
\(X_1, \dots, X_n\) 独立的 \(\mathbb{R}^d\) 值随机向量 随机变量
\(p_k\) \(X_k\) 的密度函数 未知函数（估计目标）
\(M_k = \|p_k\|_\infty\) 各密度的 \(L^\infty\) 范数（假设有限） 常数（假设已知或可界）
\(X = X_1 + \cdots + X_n\) 卷积和 随机变量
\(p = p_1 * \cdots * p_n\) \(X\) 的密度（卷积） 未知函数（估计目标）
\(V(t) = \log E e^{\langle t, X \rangle}\) 对数矩母函数（log-MGF） 已知函数（假设在 0 附近有限）
\(V_k(t) = \log E e^{\langle t, X_k \rangle}\) 各分量的对数矩母函数 已知函数
\(V^*(x) = \sup_{t \in \mathbb{R}^d} [\langle t, x \rangle - V(t)]\) \(V\) 的 Legendre 变换 导出函数（凸共轭）
\(W(t)\) 由 \(V_k\) 构造的辅助凸函数（见 (2.2)） 导出函数
\(W^*(x)\) \(W\) 的 Legendre 变换 导出函数
\(r_k \geq 2\) 满足 \(\sum 1/r_k = 1\) 的指数 辅助参数
\(r'_k = r_k/(r_k - 1)\) 共轭指数 辅助参数
\(A_r\) 常数（见 (2.3)） 数值常数

模型：\(X_1, \dots, X_n\) 独立，每个 \(X_k\) 有密度 \(p_k\) 且 \(\|p_k\|_\infty = M_k < \infty\)。\(X = \sum X_k\) 的密度为 \(p = p_1 * \cdots * p_n\)。假设 \(X\) 的矩母函数在 0 附近有限（即 \(V(t) < \infty\) 对 \(|t|\) 充分小成立）。

可观测数据：在实际应用中，我们观测到的是 \(X\) 的样本（或 \(X_k\) 的样本），但本文是纯理论工作——它不涉及从数据估计 \(p(x)\)，而是给定 \(p_k\) 的解析性质（有界性、矩条件）后，推导 \(p(x)\) 的解析性质（点态上界）。因此，"可观测"在这里指的是假设已知的量：\(M_k\)（密度上界）和 \(V_k\)（对数矩母函数）。

第二步：最小内核

核心命题（Theorem 1.1 的简化版）：设 \(X = X_1 + X_2\)，其中 \(X_1, X_2\) 独立，密度分别为 \(p_1, p_2\)，满足 \(\|p_1\|_\infty \leq M_1\)，\(\|p_2\|_\infty \leq M_2\)，且 \(E e^{\langle t, X \rangle} < \infty\) 对 \(|t|\) 小成立。则 \(X\) 的密度 \(p\) 满足

\[p(x) \leq \sqrt{M_1 M_2} \exp\left\{-\frac{1}{2} V^*(x)\right\}, \quad \forall x \in \mathbb{R}^d,\]

其中 \(V(t) = \log E e^{\langle t, X \rangle}\)，\(V^*(x) = \sup_t [\langle t, x \rangle - V(t)]\)。

为什么这是最小内核：所有一般性（\(n\) 个分量、调和平均、加权和）都是这个二元情形的推广。证明的核心思想是：

  1. 复平移（complex shift）：对任意 \(y \in \mathbb{R}^d\)，利用 Cauchy 积分公式将密度 \(p(x)\) 表示为

    \[p(x) = \frac{e^{\langle y, x \rangle}}{(2\pi)^d} \int_{\mathbb{R}^d} e^{-i\langle t, x \rangle} f(t + iy) dt,\]
    其中 \(f\) 是特征函数。这一步将"密度在 \(x\) 处的值"转化为"特征函数在复平面上的积分"，而 \(e^{\langle y, x \rangle}\) 项提供了衰减的种子。

  2. Hausdorff–Young 不等式：对每个 \(k = 1, 2\)，利用 Beckner–Babenko 不等式（2.10）控制 \(\|f_k(\cdot + iy)\|_{r_k}\)，其中 \(r_k \geq 2\) 且 \(1/r_1 + 1/r_2 = 1\)。这里的关键是：密度有界性 \(p_k \leq M_k\) 转化为特征函数在 \(L^{r_k}\) 范数上的控制，而 \(r_k\) 的选择允许我们在两个分量之间分配"范数预算"。

  3. Hölder 不等式：将两个分量的 \(L^{r_k}\) 范数相乘，得到

    \[p(x) \leq e^{\langle y, x \rangle} \prod_{k=1}^2 A_{r_k}^{d/2} M_k^{1/r_k} \exp\left\{\frac{1}{r'_k} V_k(-r'_k y)\right\}.\]

  4. 优化：对 \(y\) 取 infimum，利用 Legendre 变换的性质 \(V^*(x) = \sup_y [\langle y, x \rangle - V(y)]\)，得到

    \[p(x) \leq \left(\prod_{k=1}^2 A_{r_k}^{d/2} M_k^{1/r_k}\right) \exp\left\{-\inf_y \left[\langle y, x \rangle + \sum_k \frac{1}{r'_k} V_k(-r'_k y)\right]\right\}.\]
    最后通过 \(W(t) = \sum_k \frac{1}{r'_k} V_k(r'_k t)\) 的定义，将指数部分化为 \(-W^*(x)\)，并利用 \(W^*(x) \geq \frac{1}{2} V^*(x)\)（因为 \(r'_k \leq 2\)）得到最终结果。

这个最小内核揭示了什么：整篇论文的数学本质是"用 Laplace 变换的解析性换取密度的点态衰减"。卷积结构的作用在于：它允许我们将 \(X\) 的特征函数分解为各分量特征函数的乘积，从而将"整体密度的衰减"归因于"各分量密度的有界性"——即使每个分量单独来看可以有任意慢的衰减（如 Remark 5.2 所示），它们的卷积也会因为"概率质量的扩散"而产生指数衰减。这正是大数定律/中心极限定理在密度层面的体现。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在独立随机向量和的卷积结构下，如何用 Laplace 变换和 Legendre 变换给出密度函数的逐点上界。
  2. 核心工具/方法：复分析中的 Cauchy 积分公式 + Hausdorff–Young 不等式（Babenko–Beckner 最优常数）+ Hölder 不等式 + Legendre 变换优化。
  3. 主要结论：若各分量密度有界且和的矩母函数在 0 附近有限，则卷积密度满足 \(p(x) \le M e^{-\frac{1}{2}V^*(x)}\)（Theorem 1.1），在调和平均条件下可改进常数（Theorem 1.2）；该框架可导出次高斯、次指数密度的精细点态界，并应用于 Rényi 散度的 CLT 收敛和 Bernoulli 卷积的密度衰减。

关键设定与假设

  • 假设 (1.2)：每个 \(p_k\) 有界，即 \(\|p_k\|_\infty = M_k < \infty\)。这是 Hausdorff–Young 不等式适用的前提——它保证了 \(p_k \in L^{r'}\) 对任意 \(r' \geq 1\)，从而特征函数 \(f_k \in L^r\)。
  • 矩母函数有限：\(V(t) = \log E e^{\langle t, X \rangle} < \infty\) 对 \(|t|\) 小成立。这保证了复平移后的积分有意义，且 Legendre 变换 \(V^*\) 是良定义的凸函数。
  • 均值零假设：Theorem 1.1 假设 \(E X = 0\)。这不是本质限制（可通过平移实现），但简化了 Legendre 变换的表达式。
  • 条件 (1.5)：\(\sum_{j \neq k} M_j^{-2/d} \geq M_k^{-2/d}\)。这是一个技术性条件，保证调和平均型常数 \(M = e^{d/2}(\sum_k M_k^{-2/d})^{-d/2}\) 不超过几何平均型常数。作者在 Theorem 1.2 中用它来改进 Theorem 1.1 的常数。

相比已有文献的放宽/强化： - 相比 [5] 中仅给出 \(x=0\) 处的最大值界，本文给出了逐点上界，这是本质推广。 - 相比经典局部极限定理（如 [13] Petrov），本文不要求 \(X_k\) 同分布，也不要求特征函数绝对可积，而是用更弱的 \(L^r\) 条件。 - 相比 [7] 中关于 Rényi 散度的收敛性结果，本文的 Corollary 6.1 给出了一个充分条件（密度点态上界），而 [7] 给出的是充要条件——但本文的条件更容易验证。

主要结果

  1. Theorem 1.1：\(p(x) \le M e^{-\frac{1}{2}V^*(x)}\)，其中 \(M = (M_1 \cdots M_n)^{1/n}\)。证明基于 Lemma 2.1 取 \(r_k = n\)。
  2. Theorem 1.2：在条件 (1.5) 下，\(M = e^{d/2}(\sum_k M_k^{-2/d})^{-d/2}\)。证明通过优化 \(r_k\) 的选取，利用 \(u_k = 1/r_k\) 在单纯形上的凸性。
  3. Corollary 4.1（次指数情形）：若各分量满足 \(\psi_1\)-Orlicz 范数条件 (4.2)，则加权和的密度满足 \(q_n(x) \le e^{d/2} M e^{-\min(|x|/(12c), |x|^2/8)}\)。这里的关键是：从矩条件 (4.2) 推出 Laplace 变换的界，再代入 Theorem 3.1。
  4. Corollary 5.1（次高斯情形）：若各分量满足次高斯条件 (5.3)，则卷积密度满足 \(p(x) \le M e^{-|x|^2/(4\sigma^2)}\)。这是 Theorem 1.2 的直接应用。
  5. Corollary 6.1（Rényi 散度的 CLT）：若 \(X_k\) i.i.d.、均值零、单位协方差、次高斯且密度有界，则对任意 \(\alpha < \sigma^2/(\sigma^2 - 1)\)，有 \(D_\alpha(Z_n \| Z) \to 0\)。证明思路：用 (5.6) 的密度上界来控制 \(D_\alpha\) 积分中的尾部。
  6. Corollary 7.1（Bernoulli 卷积）：对 \(\lambda \in (2^{-1/4}, 1)\) 且 \(I(\lambda^4) < \infty\)，密度 \(p_\lambda\) 满足高斯型上界。这里的关键技巧是将无限卷积 \(Z_\lambda = \sqrt{1-\lambda^2} \sum_{k=0}^\infty \varepsilon_k \lambda^k\) 分解为 \(X_1 + X_2\)，其中 \(X_1\) 和 \(X_2\) 分别包含偶数项和奇数项，然后利用自相似性。

证明路线与技术技巧

整体路线（以 Theorem 1.1 为例）：

  1. Step 1：对每个 \(k\)，利用 Hausdorff–Young 不等式（2.10）得到特征函数 \(f_k\) 在 \(L^{r_k}\) 范数上的界：

    \[\|f_k(\cdot + iy)\|_{r_k} \leq (2\pi)^{d/r_k} A_{r_k}^{d/2} M_k^{1/r_k} e^{\frac{1}{r'_k} V_k(-r'_k y)}.\]
    这一步的关键是：将密度 \(p_k\) 的 \(L^\infty\) 界转化为特征函数的 \(L^{r_k}\) 界，而 \(r_k\) 的选择是自由的。

  2. Step 2：对 \(f = \prod f_k\) 应用 Hölder 不等式，得到

    \[\|f(\cdot + iy)\|_1 \leq \prod_k \|f_k(\cdot + iy)\|_{r_k}.\]

  3. Step 3：利用复平移的 Fourier 反演公式（2.8），得到

    \[p(x) \le e^{\langle y, x \rangle} \frac{1}{(2\pi)^d} \|f(\cdot + iy)\|_1.\]

  4. Step 4：代入 Step 2 的界，对 \(y\) 取 infimum，利用 Legendre 变换的定义得到最终结果。

关键跳跃点：

  • Lemma 2.1 的证明：最吃功夫的是处理复平移后特征函数的 \(L^{r_k}\) 范数。作者用了一个技巧：将 \(f_k(t + iy)\) 视为 \(p_k\) 的 Fourier 变换在复平移下的值，然后利用 Hausdorff–Young 不等式。这里需要验证 \(p_k\) 的指数加权版本 \(e^{-\langle y, x \rangle} p_k(x)\) 属于 \(L^{r'_k}\)，而这正是由矩条件保证的。
  • Theorem 1.2 的常数优化：从 Lemma 2.1 的 \(M = \prod_k A_{r_k}^{d/2} M_k^{1/r_k}\) 出发，作者将 \(r_k\) 视为变量，在约束 \(\sum 1/r_k = 1\) 下最小化 \(M\)。通过令 \(u_k = 1/r_k\)，将问题转化为在单纯形上最小化 \(\sum_k u_k \log(M_k^{2/d}/u_k)\) 的凸优化问题，其解为 \(u_k \propto M_k^{-2/d}\)，从而得到 (1.6)。
  • Corollary 7.1 的自相似分解：这是全文最巧妙的技巧。将 \(Z_\lambda = \sqrt{1-\lambda^2} \sum_{k=0}^\infty \varepsilon_k \lambda^k\) 分解为 \(X_1 + X_2\)，其中 \(X_1 = \sqrt{1-\lambda^2} \sum_{k \text{ even}} \varepsilon_k \lambda^k\)，\(X_2 = \sqrt{1-\lambda^2} \sum_{k \text{ odd}} \varepsilon_k \lambda^k\)。注意到 \(X_1\) 与 \(Z_{\lambda^4}\) 同分布（经过缩放），\(X_2\) 与 \(\lambda Z_{\lambda^4}\) 同分布（经过缩放），从而可以利用归纳法。这个分解将无限卷积的密度估计归结为对 \(Z_{\lambda^4}\) 的密度估计，而 \(I(\lambda^4) < \infty\) 保证了归纳步骤的可行性。

技术技巧清单： - 复平移（complex shift）：将实轴上的 Fourier 反演推广到复平面，用 \(e^{\langle y, x \rangle}\) 换取指数衰减。 - Hausdorff–Young 不等式的最优常数：Babenko–Beckner 常数 \(A_r = (r^{1/r} / (r')^{1/r'})^{d/2}\) 在证明中起到精确控制常数的作用。 - 凸优化：在单纯形上最小化常数 \(M\)，得到调和平均型最优常数。 - 自相似分解：利用 Bernoulli 卷积的尺度不变性，将无限卷积问题化为有限步归纳。

真实例子与应用

  • 次高斯分布（Section 5）：假设 \(X_k\) 满足 \(E e^{\langle t, X_k \rangle} \le e^{\sigma_k^2 |t|^2/2}\)，则卷积密度满足 \(p(x) \le M e^{-|x|^2/(4\sigma^2)}\)。这个例子展示了如何从矩条件直接读出密度衰减。
  • Rényi 散度的 CLT（Section 6）：这是全文最重要的应用。作者用密度上界来验证 Rényi 散度的有限性，从而将 [7] 中的收敛性结果推广到更一般的条件。具体来说，Corollary 6.1 表明：若 \(X_k\) i.i.d.、均值零、单位协方差、次高斯且密度有界，则对任意 \(\alpha < \sigma^2/(\sigma^2 - 1)\)，\(D_\alpha(Z_n \| Z) \to 0\)。这里的 \(\sigma^2\) 是次高斯常数，\(\alpha\) 的上界来自密度上界中指数项的系数。
  • Bernoulli 卷积（Section 7）：对 \(\lambda \in (2^{-1/4}, 1)\)，作者证明了若 \(I(\lambda^4) < \infty\)，则密度 \(p_\lambda\) 满足 \(p_\lambda(x) \le C e^{-x^2/4}\)。这个结果补充了 Solomyak [16] 的绝对连续性定理——不仅知道密度存在，还知道它衰减的速度。

🔎 结论是否比证明窄

  • Theorem 1.1 的常数 \(M = (M_1 \cdots M_n)^{1/n}\)：作者在证明中明确给出了这个常数，但并未讨论它是否最优。从 [5] 的结果看，\(1/e\) 因子在最大值处是最优的，但点态版本的常数最优性未讨论。
  • Corollary 6.1 的条件：作者要求 \(X_k\) 次高斯且密度有界，但 [7] 中的充要条件更弱。作者在证明中承认："这个上界意味着，对任意 \(n \ge 2\)，积分 \(\int (q_n / \phi)^\alpha \phi\) 是有限的"——但这里的 \(\alpha\) 上界 \(\sigma^2/(\sigma^2 - 1)\) 是否紧，作者没有讨论。
  • Corollary 7.1 的适用范围：作者只处理了 \(\lambda \in (2^{-1/4}, 1)\) 且 \(I(\lambda^4) < \infty\) 的情形。对于 \(\lambda\) 更接近 1 的情形（此时 \(I(\lambda^4)\) 可能发散），结论是否成立是开放的。作者在文末说："这个界可能只有在 \(I(\lambda^4)\) 有限时才有用"——这实际上承认了结论的局限性。

四、开放问题

  1. 常数最优性：Theorem 1.1 中的常数 \(M = (M_1 \cdots M_n)^{1/n}\) 是否在某种意义下最优？特别是，\(1/2\) 的指数因子是否可以被改进？这扎根于 Theorem 1.1 的陈述本身——作者没有给出下界匹配的例子。

  2. Rényi 散度收敛的完整刻画：Corollary 6.1 给出了 \(D_\alpha(Z_n \| Z) \to 0\) 的充分条件（\(\alpha < \sigma^2/(\sigma^2 - 1)\)），但 [7] 中给出了充要条件。本文的条件是否紧？是否存在次高斯常数 \(\sigma^2\) 与 Rényi 参数 \(\alpha\) 之间的精确关系？这扎根于 Corollary 6.1 的证明——作者只用了密度上界，没有讨论下界。

  3. Bernoulli 卷积的临界情形：Corollary 7.1 要求 \(I(\lambda^4) < \infty\)。当 \(\lambda\) 接近 1 时，\(I(\lambda^4)\) 可能发散，此时密度是否仍然存在且具有高斯衰减？这扎根于 Corollary 7.1 的证明——作者明确说"这个界可能只有在 \(I(\lambda^4)\) 有限时才有用"。

  4. 高维推广：本文的定理在 \(\mathbb{R}^d\) 中陈述，但证明中的 Hausdorff–Young 不等式在 \(d\) 较大时常数会退化。是否存在维度相关的改进？这扎根于 Lemma 2.1 的证明——常数 \(A_r^{d/2}\) 随 \(d\) 指数增长。

  5. 非独立情形的推广：本文假设 \(X_k\) 独立。对于弱依赖（如 \(\beta\)-混合）的随机变量，类似的点态上界是否成立？这扎根于 Theorem 1.1 的假设——独立性在证明中用于特征函数分解。

提醒：要确认上述哪条是真正的 gap，建议去读近 5 年 Annals of Probability、Probability Theory and Related Fields 上关于密度估计、Rényi 散度收敛、Bernoulli 卷积的论文引言——如果多篇都指向同一个问题，那就是共识性 gap；如果各说各话，则可能是尚未形成共识的机会点。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论