Minimax estimation of norms of a probability density: II. Rate-optimal estimation procedures¶

作者: Alexander Goldenshluger, Oleg V. Lepski
来源: Bernoulli
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¶

本文研究的根本问题是：给定来自未知概率密度 \(f\) 的独立同分布样本 \(X_1, \dots, X_n\)，如何以 minimax 最优的速率估计 \(f\) 的 \(L_p\) 范数 \(\|f\|_p = (\int_{\mathbb{R}^d} f(x)^p dx)^{1/p}\)（或等价的 \(\int f^p\)）。这是一个非线性泛函估计问题——目标不是密度本身，而是它的一个非线性变换。该问题的难度取决于 \(p\) 是否为整数、密度 \(f\) 的光滑性（属于各向异性 Nikolskii 空间）、以及维数 \(d\)。其 minimax 收敛速率可以从“不可一致估计”（即速率不收敛于 0）一直变化到 \(\sqrt{n}\) 速率（即参数速率），中间存在一个丰富的过渡区域。该方向在非参数统计中具有经典地位，其成熟度较高，但针对非整数 \(p\) 和某些光滑性参数组合的完整刻画仍有缺口。

发展脉络（history）¶

奠基工作：Bickel and Ritov (1988) 是这一问题的开创性论文，首次系统研究了估计 \(\int f^p\) 的 minimax 问题，并指出其与估计密度本身有本质区别。Birgé and Massart (1995)、Kerkyacharian and Picard (1996)、Laurent (1997) 等随后在 Gaussian white noise 模型或密度估计框架下发展了具体估计方法和下界技术。
主要进展：Cai and Low (2005) 揭示了非二次型估计量的必要性——当参数空间不是二次凸时，最优二次型估计量（如简单的 plug-in 核估计）往往是速率次优的，而基于局部阈值的非二次型估计量可以达到 minimax 最优。Tchetgen et al. (2008) 将问题推广到高维情形（\(d\) 大、\(p>2\)），并构造了在 Hölder 空间上达到 minimax 速率的估计量。Han et al. (2017) 在 Gaussian white noise 模型下完整刻画了 \(L_r\) 范数（\(r\ge 1\)）的渐近 minimax 估计，特别强调了偶数 \(r\) 与非偶数 \(r\) 在自适应估计能力上的差异。
当前 frontier：Goldenshluger and Lepski 的系列工作（2010, 2011, 2012, 2014, 2019）将密度估计的 minimax 自适应理论系统化，发展了基于数据驱动带宽选择的 oracle 不等式和自适应 minimax 最优性。其 companion 论文 Goldenshluger and Lepski (2020) 推导了 \(L_p\) 范数估计的 minimax 下界，揭示了整数 \(p\) 与非整数 \(p\) 在估计精度上的本质差异。
本文的位置：本文是 Goldenshluger and Lepski (2020) 的“上界”配套论文，专门针对整数 \(p \ge 2\) 构造 rate-optimal 估计量，从而与下界结合，完整刻画该子问题的 minimax 收敛速率。作者明确将非整数 \(p\) 和 \(p=1\) 的情形留作未来工作。

子线索聚类¶

密度泛函估计的 minimax 理论（Bickel & Ritov 1988; Birgé & Massart 1995; Kerkyacharian & Picard 1996; Laurent 1997; Cai & Low 2005; Tchetgen et al. 2008; Han et al. 2017）：这一簇关注 \(\int f^p\) 或 \(\|f\|_p\) 的 minimax 速率，发展下界技术和上界构造方法。核心工具包括 U-统计量投影、局部阈值、和经验过程理论。
自适应密度估计与 oracle 不等式（Goldenshluger & Lepski 2010, 2011, 2012, 2014; Lepski & Willer 2019）：这一簇发展基于数据驱动带宽选择的核密度估计器，证明 L_p 风险下的 oracle 不等式，并实现自适应 minimax 最优性。其技术核心是精细的偏差-方差分解和 uniform 经验过程界。
卷积结构密度模型（Lepski & Willer 2019）：这是密度估计的推广，涵盖直接观测和间接观测（如反卷积）情形。本文引用其构造的核估计器作为 plug-in 估计的基础。

这个方向在追问的核心问题¶

核心问题 1：对于给定的光滑性参数（Nikolskii 空间参数 \(r, \beta\)）和范数指标 \(p\)，minimax 收敛速率是什么？它如何从不可一致性过渡到 \(\sqrt{n}\) 速率？
核心问题 2：整数 \(p\) 与非整数 \(p\) 在估计难度上是否存在本质差异？如果是，差异的数学根源是什么？
核心问题 3：是否存在一个单一的、数据驱动的估计量，能在整个参数空间上实现自适应 minimax 最优（即无需知道光滑性参数）？
已知瓶颈：对于非整数 \(p\)，下界技术更复杂，因为 U-统计量投影的方差结构不再简单；对于 \(p=1\)，估计量需要处理密度支撑边界附近的奇异行为。

⚠️ 作者的 framing¶

作者将缺口 frame 为：“companion paper (Goldenshluger & Lepski, 2020) 已给出下界，本文构造上界，从而完整刻画整数 \(p\ge 2\) 情形的 minimax 速率。” 这是一个非常自然的“下界-上界配对”叙事。作者淡化了以下竞争路线： - Gaussian white noise 模型（Han et al. 2017 的工作）被提及但未深入比较——该模型下的结果与密度估计模型下的结果在速率上可能不同，但作者未讨论这种差异是否本质。 - 自适应估计：本文的估计量依赖于已知光滑性参数（即非自适应），作者仅在第 5 节简要提及自适应是未来工作，未与 Goldenshluger and Lepski (2012) 的自适应密度估计框架直接衔接。 - 什么明显该被引 / 该存在、却没出现在 intro 里？：作者未引用任何关于高维（\(d\) 随 \(n\) 增长）或稀疏设定的工作。Tchetgen et al. (2008) 虽考虑了高维，但本文的设定是固定维数 \(d\)。此外，作者未引用任何关于计算复杂度的工作——例如，估计 \(\int f^p\) 的 U-统计量计算成本（\(O(n^p)\)）是否可接受？这与研究者的 treewidth / einsum 兴趣直接相关，但本文完全未触及。

张力¶

未见明显对立引用。所有被引工作基本在同一个 minimax 框架下，结论相互补充而非矛盾。唯一的微妙之处是：Cai and Low (2005) 强调非二次型估计量的必要性，而本文的估计量本质上是基于核估计的 plug-in 估计（即二次型），但通过精细的带宽选择达到了最优速率——这暗示在整数 \(p\ge 2\) 且光滑性足够时，二次型估计量可能已经足够，无需局部阈值。这一观察值得研究者自己判断。

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： - \(X_1, \dots, X_n\)：独立同分布样本，取值于 \(\mathbb{R}^d\)，来自未知概率密度 \(f\)。 - \(f\)：未知密度，属于各向异性 Nikolskii 空间 \(\mathbb{N}_{r,\beta}(A)\) 中的有界球。参数 \(r = (r_1, \dots, r_d)\) 是各方向的光滑性指标，\(\beta\) 是整体光滑性参数，\(A\) 是球半径。 - \(\|f\|_p = (\int f(x)^p dx)^{1/p}\)：目标 estimand，即 \(f\) 的 \(L_p\) 范数。本文主要考虑 \(p \in \mathbb{N}^*\)（正整数），且 \(p \ge 2\)。 - \(F = \|f\|_p^p = \int f(x)^p dx\)：等价的泛函（范数的 \(p\) 次幂），估计 \(\|f\|_p\) 与估计 \(F\) 等价（通过连续映射定理）。 - \(n\)：样本量。 - \(d\)：维数，固定（不随 \(n\) 增长）。 - \(h\)：核密度估计的带宽参数（标量或向量）。 - \(K\)：核函数，满足一定正则性条件（如对称、有界支撑、阶数条件）。 - \(\hat{f}_h(x) = \frac{1}{n h^d} \sum_{i=1}^n K\left(\frac{x - X_i}{h}\right)\)：带宽为 \(h\) 的核密度估计量。 - \(\hat{F}_h = \int \hat{f}_h(x)^p dx\)：plug-in 估计量，即用核估计的 \(p\) 次幂的积分。 - \(R_n(\hat{F}, F) = \mathbb{E}[(\hat{F} - F)^2]\)：均方误差风险（本文主要考虑的风险度量）。

模型： - 数据生成机制：\(X_i \sim f\)，独立同分布。 - 函数类：\(f \in \mathcal{F} = \{ f: \mathbb{R}^d \to [0, \infty), \int f = 1, f \in \mathbb{N}_{r,\beta}(A) \}\)。Nikolskii 空间的定义涉及各向异性的 Hölder 型光滑性条件，具体为：对每个方向 \(j\)，\(f\) 的 \(r_j\) 阶差分的 \(L_\beta\) 范数有界。这里不展开细节，只需知道它刻画了密度的各向异性光滑性。 - 已知量：\(n, d, p, r, \beta, A\) 均已知（非自适应设定）。核函数 \(K\) 由研究者选择，满足一定条件。

可观测数据： - 研究者实际能观测到的是：样本 \(X_1, \dots, X_n\)（每个是 \(\mathbb{R}^d\) 中的点）。 - 想要但观测不到的是：密度 \(f\) 本身，以及它的 \(L_p\) 范数 \(\|f\|_p\)。只能通过样本去估计。

第二步：讲最小内核¶

最简特例：\(d = 1\)（一维），\(p = 2\)（估计 \(L_2\) 范数，即 \(\int f^2\)），且 \(f\) 属于各向同性 Hölder 空间（即 \(r_1 = \alpha\)，\(\beta = \infty\)，光滑性参数 \(\alpha > 0\)）。

在这个特例下，问题退化为：从一维密度 \(f\) 的 i.i.d. 样本估计 \(\int f^2\)。这是一个经典的“二次泛函估计”问题。

核心思路：使用 plug-in 核密度估计量 \(\hat{F}_h = \int \hat{f}_h(x)^2 dx\)，其中 \(\hat{f}_h(x) = \frac{1}{n h} \sum_{i=1}^n K\left(\frac{x - X_i}{h}\right)\)。关键是要选择最优带宽 \(h\) 来平衡偏差和方差。

偏差-方差分解： - 偏差：\(\mathbb{E}[\hat{F}_h] - F \approx c_1 h^{2\alpha} + c_2 / (n h)\)（近似形式）。第一项来自核估计的偏差（光滑性 \(\alpha\) 决定），第二项来自 \(\hat{f}_h^2\) 展开中的交叉项。 - 方差：\(\text{Var}(\hat{F}_h) \approx c_3 / (n^2 h) + c_4 / n\)。第一项是 U-统计量投影的主项（来自 \(\frac{1}{n^2} \sum_{i \neq j} \int K_h(x-X_i) K_h(x-X_j) dx\) 的方差），第二项是来自对角项（\(i=j\)）的贡献。

为什么 U-统计量投影是关键： \(\hat{F}_h\) 可以写成：

\[\hat{F}_h = \frac{1}{n^2} \sum_{i=1}^n \sum_{j=1}^n \int K_h(x-X_i) K_h(x-X_j) dx = \frac{1}{n^2} \sum_{i,j} \psi_h(X_i, X_j)\]

其中 \(K_h(u) = \frac{1}{h} K(u/h)\)，\(\psi_h(u,v) = \int K_h(x-u) K_h(x-v) dx\)。这是一个二阶 U-统计量（加上对角项）。其方差的主要部分来自 \(i \neq j\) 的项，可以通过 Hoeffding 分解（U-统计量投影）来分析：将 \(\psi_h\) 投影到单变量函数空间，得到投影的方差为 \(O(1/(n^2 h))\)，而剩余部分的方差为 \(o(1/(n^2 h))\)。

最优带宽选择：平衡偏差平方和方差：\(h^{4\alpha} \asymp 1/(n^2 h)\)，解得 \(h^* \asymp n^{-2/(4\alpha+1)}\)。代入风险：

\[\text{MSE} \asymp n^{-4\alpha/(4\alpha+1)}\]

这就是该特例下的 minimax 最优速率。注意：当 \(\alpha\) 很小时（密度很粗糙），速率接近 \(n^{-0}\)（即几乎不可估计）；当 \(\alpha \to \infty\) 时（密度无限光滑），速率接近 \(n^{-1}\)（即 \(\sqrt{n}\) 速率）。这正是本文要刻画的一般现象在一维 \(p=2\) 特例下的体现。

这个特例揭示了本文的核心数学困难：对于一般的整数 \(p \ge 2\)，\(\hat{F}_h\) 是一个 \(p\) 阶 U-统计量（加上低阶对角项），其方差分析需要 \(p\) 阶 Hoeffding 分解，投影方差的主项阶数为 \(O(1/(n^p h^{(p-1)d}})\)。偏差项则涉及核估计的 \(p\) 次幂的积分，需要更精细的 Taylor 展开。本文的一般性证明就是在这个特例的框架上，处理各向异性光滑性和一般 \(p\) 带来的复杂性。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：对于整数 \(p \ge 2\)，在密度 \(f\) 属于各向异性 Nikolskii 空间 \(\mathbb{N}_{r,\beta}(A)\) 的设定下，构造 \(\|f\|_p\) 的 rate-optimal 估计量，并刻画其 minimax 收敛速率。
核心工具 / 方法：基于核密度估计的 plug-in 估计量 \(\hat{F}_h = \int \hat{f}_h(x)^p dx\)，通过精细的偏差-方差分析（利用 U-统计量投影和浓度不等式）选择最优带宽 \(h\)，并证明该估计量达到 minimax 下界（来自 companion 论文）。
主要结论：minimax 收敛速率由参数 \(\theta = \frac{p-1}{p} \cdot \frac{\beta}{\beta + r}\)（其中 \(r = (\sum_{j=1}^d 1/r_j)^{-1}\) 是各向异性光滑性的调和平均）决定，存在两个 regime：当 \(\theta < 1/2\) 时，速率慢于 \(n^{-1/2}\)（非参数速率）；当 \(\theta \ge 1/2\) 时，达到 \(\sqrt{n}\) 速率（参数速率）。具体速率形式见定理 1。

关键设定与假设¶

设定：\(X_1, \dots, X_n\) i.i.d. \(\sim f\)，\(f \in \mathbb{N}_{r,\beta}(A)\)，其中 \(\mathbb{N}_{r,\beta}(A)\) 是各向异性 Nikolskii 空间中的 \(L_\beta\) 球，半径 \(A\)。参数 \(r = (r_1, \dots, r_d)\) 满足 \(r_j > 0\)，\(\beta \in [1, \infty]\)。
假设：
A1（核函数条件）：核 \(K\) 是紧支撑、有界、对称的，且满足一定的阶数条件（即能消除偏差展开中的低阶项）。具体地，\(K\) 是 \(m\) 阶核，其中 \(m\) 足够大以匹配光滑性参数。
A2（密度条件）：密度 \(f\) 属于 Nikolskii 空间的有界球，且其 \(L_\beta\) 范数有界。这保证了偏差项的可控性。
A3（\(p\) 为整数且 \(p \ge 2\)）：这是本文的核心限制。非整数 \(p\) 和 \(p=1\) 被排除。
相比已有文献的强化/放宽：相比 Cai and Low (2005) 和 Tchetgen et al. (2008) 的 Hölder 空间设定，本文的 Nikolskii 空间是更一般的各向异性函数类。相比 Han et al. (2017) 的 Gaussian white noise 模型，本文是密度估计模型（观测是离散的，而非连续轨迹）。

主要结果¶

定理 1（上界，非正式陈述）：设 \(p \ge 2\) 为整数，\(f \in \mathbb{N}_{r,\beta}(A)\)。则存在一个估计量 \(\hat{F}_n\)（基于核估计的 plug-in 估计量，带宽 \(h\) 由光滑性参数决定），使得

\[\sup_{f \in \mathbb{N}_{r,\beta}(A)} \mathbb{E}[(\hat{F}_n - \|f\|_p)^2] \le C \cdot \psi_n^2\]

其中收敛速率 \(\psi_n^2\) 由以下公式给出： - 若 \(\theta < 1/2\)：\(\psi_n^2 = n^{-\frac{2\beta}{2\beta + r} \cdot \frac{p-1}{p}}\)（非参数速率，慢于 \(n^{-1}\)） - 若 \(\theta \ge 1/2\)：\(\psi_n^2 = n^{-1}\)（参数速率，即 \(\sqrt{n}\) 估计）

这里 \(\theta = \frac{p-1}{p} \cdot \frac{\beta}{\beta + r}\)，\(r = (\sum_{j=1}^d 1/r_j)^{-1}\)。

定理 2（下界，来自 companion 论文）：在相同设定下，任何估计量 \(\tilde{F}_n\) 满足

\[\liminf_{n \to \infty} \inf_{\tilde{F}_n} \sup_{f \in \mathbb{N}_{r,\beta}(A)} \mathbb{E}[(\tilde{F}_n - \|f\|_p)^2] / \psi_n^2 > 0\]

即 \(\psi_n^2\) 是 minimax 最优速率。

直觉： - 参数 \(\theta\) 衡量了问题的“难度”。当 \(\beta\) 很大（密度在 \(L_\beta\) 意义下光滑）且 \(r\) 很大（各方向光滑性好）时，\(\theta\) 接近 \((p-1)/p\)。若 \((p-1)/p \ge 1/2\)（即 \(p \ge 2\) 时恒成立？注意：\((p-1)/p\) 从 \(p=2\) 时的 \(1/2\) 增加到 \(p \to \infty\) 时的 1），则当 \(\beta/(\beta+r)\) 足够大时，\(\theta\) 可超过 \(1/2\)，达到参数速率。 - 当 \(\theta < 1/2\) 时，速率由 \(\beta\) 和 \(r\) 共同决定，且随 \(p\) 增大而变慢（因为 \((p-1)/p\) 增大，但指数中的分母也有 \(p\)，实际效果需具体计算）。 - 关键 insight：估计 \(\|f\|_p\) 的难度不仅取决于密度的光滑性，还取决于 \(p\) 本身。\(p\) 越大，泛函的非线性越强，估计越困难（在非参数 regime 下）。

解决的技术难点： - 偏差分析：需要将 \(\mathbb{E}[\hat{f}_h(x)^p]\) 展开到足够高阶，并利用 Nikolskii 空间的性质控制余项。这涉及多重积分和 Taylor 展开的精细估计。 - 方差分析：\(\hat{F}_h\) 是 \(p\) 阶 U-统计量（加上低阶对角项）。其方差的主项来自 \(p\) 个不同观测的交互项，阶数为 \(O(1/(n^p h^{(p-1)d}}))\)。需要证明所有低阶对角项的贡献可忽略。 - 各向异性：带宽 \(h\) 实际上是向量 \(h = (h_1, \dots, h_d)\)，每个方向可以不同。最优带宽选择需要同时平衡各方向的偏差和方差。

证明路线与技术技巧¶

整体路线（3-5 步）： 1. 构造估计量：选择核 \(K\) 和带宽向量 \(h\)，定义 \(\hat{f}_h(x) = \frac{1}{n} \sum_{i=1}^n \prod_{j=1}^d \frac{1}{h_j} K\left(\frac{x_j - X_{i,j}}{h_j}\right)\)，然后计算 \(\hat{F}_h = \int \hat{f}_h(x)^p dx\)。 2. 偏差分解：将 \(\mathbb{E}[\hat{F}_h] - F\) 分解为两部分：一是核估计的偏差（来自 \(\mathbb{E}[\hat{f}_h] \neq f\)），二是非线性变换带来的额外偏差（来自 \(\mathbb{E}[\hat{f}_h^p] \neq (\mathbb{E}[\hat{f}_h])^p\)）。利用 Nikolskii 空间的性质和核的阶数条件，控制偏差为 \(O(\sum_{j=1}^d h_j^{r_j})\) 的量级。 3. 方差分解（U-统计量投影）：将 \(\hat{F}_h\) 写成 \(p\) 阶 U-统计量形式：

\[\hat{F}_h = \frac{1}{n^p} \sum_{i_1, \dots, i_p} \Psi_h(X_{i_1}, \dots, X_{i_p})\]

其中 \(\Psi_h(x_1, \dots, x_p) = \int \prod_{k=1}^p K_h(x_k - u) du\)。应用 Hoeffding 分解，将方差分解为投影部分（\(p\) 个不同观测的交互项）和退化部分。投影方差的主项阶数为 \(O(1/(n^p \prod_{j=1}^d h_j^{p-1}))\)。 4. 选择最优带宽：平衡偏差平方和方差：\((\sum_{j=1}^d h_j^{r_j})^2 \asymp 1/(n^p \prod_{j=1}^d h_j^{p-1})\)。求解得到最优带宽 \(h_j^* \asymp n^{-\frac{2}{2r_j + (p-1)r}}\)（其中 \(r\) 是调和平均），代入得到速率 \(\psi_n^2\)。 5. 验证速率最优性：将上界与 companion 论文的下界匹配，证明该速率是 minimax 最优的。

关键跳跃点： - 跳跃点 1：从 \(\hat{F}_h\) 的表达式到 U-统计量表示。这需要识别出 \(\int \hat{f}_h^p\) 可以写成 \(p\) 重求和，且核函数积分后得到对称的 \(\Psi_h\)。这一步是技术核心，因为后续所有方差分析都依赖这个表示。 - 跳跃点 2：控制 U-统计量投影的方差。对于一般的 \(p\)，投影方差的计算涉及 \(p\) 个不同观测的期望，需要利用核函数的卷积性质和密度 \(f\) 的 \(L_\beta\) 有界性。作者使用了精细的 Hölder 不等式和 Young 不等式来 bound 积分。 - 跳跃点 3：处理各向异性。带宽向量 \(h\) 的每个分量可以不同，偏差项是各方向偏差的加权和。作者通过引入调和平均 \(r\) 将多维问题约化为一维速率问题，这是各向异性非参数估计的标准技巧。

技术技巧点名： - U-统计量投影（Hoeffding 分解）：用于方差分析，将 \(\hat{F}_h\) 的方差分解为投影部分和退化部分。投影部分对应 \(p\) 个不同观测的交互项，是方差的主项。 - 浓度不等式（Bernstein 型不等式）：用于控制 U-统计量的退化部分，证明其相对于投影部分可忽略。 - Nikolskii 空间的嵌入定理：用于将 \(L_\beta\) 范数条件转化为 \(L_\infty\) 或 \(L_2\) 范数界，从而控制偏差项。 - 核函数的阶数条件：通过选择足够高阶的核，消除偏差展开中的低阶项，使偏差仅由最高阶光滑性参数决定。

真实例子与应用¶

本文为纯理论论文，无实证例子。没有任何模拟实验或真实数据分析。所有结果都是数学定理和证明。

🔎 结论是否比证明窄¶

窄化 1：定理 1 的证明严格依赖于 \(p\) 为整数且 \(p \ge 2\)。作者在 intro 中明确说“非整数 \(p\) 和 \(p=1\) 的情形留作未来工作”，但未给出任何 conjecture 关于这些情形下的速率形式。读者需注意：companion 论文的下界暗示非整数 \(p\) 的速率可能不同，但本文未提供上界。
窄化 2：证明假设核 \(K\) 满足特定的阶数条件（即能消除偏差展开中的低阶项）。如果核的阶数不够高，偏差项可能更大，导致速率变慢。作者未讨论这种“欠光滑”情形。
窄化 3：估计量依赖于已知光滑性参数 \(r\) 和 \(\beta\)（非自适应）。作者在第 5 节提到自适应是未来工作，但未给出任何自适应估计量的构造或猜想。这意味着在实际应用中，如果光滑性参数未知，该估计量无法直接使用。
窄化 4：风险度量是均方误差（MSE），而非更一般的 \(L_q\) 风险。作者未讨论其他风险度量下的速率。

四、开放问题（点到为止）¶

非整数 \(p\) 和 \(p=1\) 的上界：本文仅处理整数 \(p \ge 2\)。companion 论文的下界暗示非整数 \(p\) 的速率可能不同（更慢）。构造非整数 \(p\) 的 rate-optimal 估计量是一个自然且重要的开放问题。扎根点：本文 intro 最后一句“The case of non-integer \(p\) and \(p=1\) is left for future research.”
自适应估计：本文的估计量依赖于已知光滑性参数。能否构造一个数据驱动的带宽选择规则，使得估计量在不了解 \(r, \beta\) 的情况下仍能达到 minimax 最优速率（或至多损失对数因子）？扎根点：第 5 节“Adaptive estimation is an interesting open problem.”
高维设定：本文假设维数 \(d\) 固定。当 \(d\) 随 \(n\) 增长时，minimax 速率如何变化？是否存在维数诅咒？扎根点：本文未讨论高维情形，所有定理中的常数可能依赖于 \(d\)。Tchetgen et al. (2008) 在高维 Hölder 空间下有一些结果，但各向异性 Nikolskii 空间下的高维推广是开放的。
计算复杂度：本文的估计量 \(\hat{F}_h\) 涉及 \(p\) 重求和，计算复杂度为 \(O(n^p)\)。对于大 \(n\) 或大 \(p\)，这可能是不可行的。能否利用 U-统计量的 tensor-network / einsum 表示（研究者熟悉的工具）来降低计算成本？是否存在计算-统计的 tradeoff？扎根点：本文完全未讨论计算问题，但这是将理论结果转化为实用方法的关键障碍。

Maintained by 陈星宇 · Homepage · Source on GitHub