跳转至

Distance Profile Embedding for Independence and Conditional Independence Testing of Random Objects

作者: Wenxi Tan, Bing Li, Lingzhou Xue
主题: 非参数 / 半参数
相关性: 7/10
链接: https://arxiv.org/abs/2607.28981

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：如何对取值于一般度量空间（非欧几里得、非希尔伯特）的“随机对象”（如概率分布、图、流形上的点、协方差矩阵）进行独立性与条件独立性检验。当前成熟度处于快速发展期：已有若干方法（Ball Covariance、Profile Association、DiPMInd）能处理边际独立性，但条件独立性检验几乎空白，且所有现有方法都依赖较强的几何或拓扑假设（强负类型、一一对应条件、总有界性）。

发展脉络

奠基工作（2007-2013）：Székely et al. (2007) 提出距离协方差（dCov），在欧几里得空间上建立了基于距离的独立性检验框架，其有效性依赖于度量空间为强负类型（strong negative type）。Sejdinovic et al. (2013) 统一了距离协方差与 RKHS 中的 HSIC 框架，指出两者等价当且仅当距离核是正定且特征性的。Gretton et al. (2007) 提出 HSIC，同样要求核是特征性的。这些工作奠定了“嵌入到希尔伯特空间再检验”的范式，但强负类型假设排除了大量重要的非欧几里得空间（如球面、Wasserstein 空间、系统发育树）。

主要进展（2015-2024）：为突破强负类型限制，出现了两条子线索： - 距离剖面（Distance Profile）方法：Dubey et al. (2024) 引入距离剖面概念，用随机对象到参考点的距离分布来表征其分布。Wang et al. (2024) 提出 Ball Covariance，Chen & Dubey (2026) 提出 DiPMInd，Zhou & Müller (2026) 提出 Profile Association (PA)。这些方法将复杂对象简化为实值距离变量，但都依赖“一一对应条件”（one-to-one correspondence），即距离剖面的集合必须唯一确定概率测度。Davies (1971) 早已给出反例表明该条件在一般度量空间中不成立。 - 核方法在非欧几里得空间上的扩展：Fukumizu et al. (2007) 提出条件协方差算子用于条件独立性检验，但要求所有变量在希尔伯特空间中。Zhang et al. (2011) 的 KCI 检验同样要求希尔伯特结构。Ziegel et al. (2024) 研究了 Banach 空间和测度集上的特征核，但条件仍较强。

当前 frontier 与本文位置：本文（Tan, Li, Xue, 2026）提出距离剖面嵌入（DPE），将随机对象映射到平方可积函数构成的希尔伯特空间，既不要求强负类型，也不要求一一对应条件。这是第一个同时处理边际和条件独立性检验、且允许条件变量也为对象值的统一框架。作者将其定位为“显然的下一步”：填补了现有方法在几何灵活性与理论可处理性之间的缺口。

子线索聚类

  1. 基于距离的检验（dCov 及其变体）：Székely et al. (2007), Sejdinovic et al. (2013), Zhu et al. (2020), Fan et al. (2026)。核心工具是距离协方差，依赖强负类型。
  2. 基于距离剖面的检验：Wang et al. (2024) Ball, Chen & Dubey (2026) DiPMInd, Zhou & Müller (2026) PA。核心工具是距离剖面，依赖一一对应条件。
  3. 基于核的条件独立性检验：Fukumizu et al. (2007), Zhang et al. (2011) KCI。核心工具是条件协方差算子，依赖希尔伯特结构。
  4. 本文的 DPE 框架：独立于上述所有线索，通过可测单射嵌入到 L² 空间，既不依赖强负类型也不依赖一一对应条件。

这个方向在追问的核心问题

  • Q1：能否在不要求强负类型或一一对应条件的前提下，对一般度量空间中的随机对象进行独立性检验？
  • Q2：能否对一般度量空间中的随机对象进行条件独立性检验，且允许条件变量也为对象值？
  • Q3：能否获得闭合形式的渐近零分布，避免计算昂贵的置换检验？
  • Q4：能否建立条件独立性检验的渐近理论（size、power、局部备择）？

当前主流方法（Ball, PA, DiPMInd）对 Q1 有部分回答但依赖一一对应条件；对 Q2 几乎无回答（PA 只允许欧几里得条件变量，KCI 要求希尔伯特结构）；对 Q3 只有 Ball 提供解析 p 值但无一致性保证；对 Q4 几乎空白。

⚠️ 作者的 framing

作者的说法：作者把缺口 frame 成“现有方法要么依赖强负类型（dCov/HSIC），要么依赖一一对应条件（Ball/PA/DiPMInd），且条件独立性检验要么要求欧几里得条件变量（PA）要么要求希尔伯特结构（KCI）”。因此 DPE 是“显然的下一步”：它同时解决了 Q1 和 Q2，且提供了完整的渐近理论（Q3 和 Q4）。

被淡化或回避的竞争路线： - 作者淡化了 Ball Covariance 的解析 p 值能力（Wang et al. 2024 确实提供了解析 p 值，但作者在 Table 1 中标注 Ball 的 Size 为 ✓ 但 Consistency 为 ✗，暗示 Ball 缺乏一致性保证——这需要核实 Ball 原文是否真的缺乏一致性）。 - 作者回避了 PA 的条件检验（Zhou & Müller 2026）——虽然 PA 限制条件变量为欧几里得，但它在那个受限设定下确实有理论保证。作者没有讨论“如果条件变量是欧几里得但目标变量是对象值，PA 是否比 DPE 更简单/更有效”。

什么明显该被引/该存在、却没出现在 intro 里？ - 没有引用任何关于计算-统计权衡或低度多项式障碍的文献——这合理，因为本文是纯方法/理论论文，不涉及计算复杂性下界。 - 没有引用高维 U-统计量或张量收缩的文献——虽然 DPE 检验统计量最终是 U-统计量形式（HSIC 本质上是二阶 U-统计量），但作者没有从 U-统计量角度讨论其渐近性质。这对研究者（熟悉高阶 U-统计量）来说是一个值得查的缺口：DPE 检验的核是退化的吗？能否用 U-统计量理论给出更精细的 Berry-Esseen 界？

张力

未见明显对立引用。各方法在各自假设下都成立，主要张力在于假设的强弱与适用范围的不同。一个潜在张力：Davies (1971) 的反例表明一一对应条件不普遍成立，但 Chen & Dubey (2026) 和 Zhou & Müller (2026) 仍依赖该条件——作者用这个张力来 justify 自己的方法。

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： - \( (\Omega, \mathcal{F}, P) \)：底层概率空间。 - \( (\Omega_X, d_X) \), \( (\Omega_Y, d_Y) \), \( (\Omega_Z, d_Z) \)：完备可分度量空间，随机对象 \( X, Y, Z \) 的取值空间。 - \( X: \Omega \to \Omega_X \), \( Y: \Omega \to \Omega_Y \), \( Z: \Omega \to \Omega_Z \)：随机对象（可测映射）。 - \( P_X, P_Y, P_{XY} \)：\( X, Y, (X,Y) \) 的分布。 - \( \lambda_X, \lambda_Y, \lambda_Z \)：参考测度（reference measure），定义在 \( \Omega_X, \Omega_Y, \Omega_Z \) 上的有限测度，支撑为全空间。这是 DPE 的关键设计参数。 - \( L^2(\Omega_X, \lambda_X) \)：关于 \( \lambda_X \) 平方可积的实值函数构成的希尔伯特空间，内积 \( \langle f, g \rangle_{\lambda_X} = \int f(u) g(u) d\lambda_X(u) \)。 - \( \Phi_X: \Omega_X \to L^2(\Omega_X, \lambda_X) \)：距离剖面嵌入，定义为 \( \Phi_X(x) = d_X(\cdot, x) \)，即把每个点 \( x \) 映射到“到 \( x \) 的距离函数”。 - \( \tilde{X} = \Phi_X(X) \)：\( X \) 的 DPE，是一个取值于 \( L^2(\Omega_X, \lambda_X) \) 的随机元素。 - \( \kappa_{\tilde{X}}, \kappa_{\tilde{Y}}, \kappa_{\tilde{Z}} \)：定义在 \( L^2 \) 空间上的正定核（如高斯 RBF 核）。 - \( \mathcal{H}_{\tilde{X}}, \mathcal{H}_{\tilde{Y}}, \mathcal{H}_{\tilde{Z}} \)：核 \( \kappa \) 生成的 RKHS。 - \( \Sigma_{\tilde{Y}\tilde{X}} \)：从 \( \mathcal{H}_{\tilde{X}} \) 到 \( \mathcal{H}_{\tilde{Y}} \) 的交叉协方差算子，定义为 \( \Sigma_{\tilde{Y}\tilde{X}} = \mathbb{E}[\kappa_{\tilde{Y}}(\cdot, \tilde{Y}) \otimes \kappa_{\tilde{X}}(\cdot, \tilde{X})] - \mathbb{E}[\kappa_{\tilde{Y}}(\cdot, \tilde{Y})] \otimes \mathbb{E}[\kappa_{\tilde{X}}(\cdot, \tilde{X})] \)。 - \( T_n = n \| \hat{\Sigma}_{\tilde{Y}\tilde{X}} \|^2_{HS} \)：边际独立性检验统计量。 - \( S_n = n \| \hat{\Sigma}_{\tilde{Y}(\tilde{X}\tilde{Z})|\tilde{Z}} \|^2_{HS} \)：条件独立性检验统计量。

模型： - 数据生成机制：\( (X_i, Y_i, Z_i) \), \( i=1,\dots,n \)，i.i.d. 来自联合分布 \( P_{XYZ} \)。 - 没有任何参数化假设——完全非参数。 - 已知量：度量 \( d_X, d_Y, d_Z \)；参考测度 \( \lambda_X, \lambda_Y, \lambda_Z \)（由研究者选择）；核 \( \kappa \)（由研究者选择）。 - 要估的对象：交叉协方差算子 \( \Sigma_{\tilde{Y}\tilde{X}} \)（边际）或条件交叉协方差算子 \( \Sigma_{\tilde{Y}(\tilde{X}\tilde{Z})|\tilde{Z}} \)（条件）。

可观测数据： - 研究者实际能观测到的是：\( n \) 个 i.i.d. 三元组 \( (X_i, Y_i, Z_i) \)，每个 \( X_i \) 是度量空间 \( \Omega_X \) 中的一个点（如一个概率分布、一个 SPD 矩阵、球面上的一个点）。 - 不可直接观测的是：\( X \) 的分布 \( P_X \)、交叉协方差算子 \( \Sigma_{\tilde{Y}\tilde{X}} \)——这些是推断目标，需要通过样本估计。 - 关键：\( \tilde{X}_i = \Phi_X(X_i) \) 是可计算的——只要知道度量 \( d_X \) 和参考测度 \( \lambda_X \)，就可以计算 \( \tilde{X}_i \) 在 \( L^2 \) 空间中的表示（尽管是无穷维的，但通过核技巧只需内积）。

第二步：最小内核

最简特例：考虑最简单的非欧几里得情形——二维球面 \( S^2 \) 上的点，配备测地距离 \( d_g(x_1, x_2) = \arccos(\langle x_1, x_2 \rangle) \)。这是本文 Scenario 1 的基础。

在这个特例下： - \( \Omega_X = \Omega_Y = S^2 \)，\( d_X = d_Y = d_g \)。 - 参考测度 \( \lambda_X = \lambda_Y \) = 球面上的归一化欧几里得表面积测度（总面积为 1）。 - 对于任意 \( x \in S^2 \)，DPE 映射 \( \Phi_X(x) \) 是函数 \( u \mapsto \arccos(\langle u, x \rangle) \)，定义在 \( u \in S^2 \) 上。 - 两个 DPE 之间的内积：

\[\langle \Phi_X(x_1), \Phi_X(x_2) \rangle_{\lambda_X} = \int_{S^2} \arccos(\langle u, x_1 \rangle) \arccos(\langle u, x_2 \rangle) \, d\lambda_X(u)\]
这个积分可以用球谐函数显式计算（Lemma S2 给出闭合形式）。

核心思路： 1. 嵌入：把球面上的点 \( X \) 映射到 \( L^2(S^2, \lambda_X) \) 中的函数 \( \tilde{X} = \arccos(\langle \cdot, X \rangle) \)。 2. 检验：在 \( L^2 \) 空间中，用 HSIC 检验 \( \tilde{X} \) 与 \( \tilde{Y} \) 的独立性。由于 DPE 是单射且可测（Theorem 1），\( X \perp\!\!\!\perp Y \) 当且仅当 \( \tilde{X} \perp\!\!\!\perp \tilde{Y} \)（Corollary 2）。 3. 计算：检验统计量 \( T_n = \frac{1}{n} \operatorname{tr}(K_{\tilde{X}} Q K_{\tilde{Y}} Q) \)，其中 \( (K_{\tilde{X}})_{ij} = \exp(-\gamma \| \tilde{X}_i - \tilde{X}_j \|^2_{\lambda_X}) \)，\( Q \) 是中心化矩阵。 4. p 值：用 Gamma 近似或特征值加权卡方分布计算解析 p 值，无需置换。

为什么这个特例抓住了核心： - 球面 \( S^2 \) 不满足强负类型（当 \( p \ge 3 \) 时），因此 dCov 和 HSIC 失效。 - 球面是紧的，但作者强调 DPE 不要求总总有界性（Dubey et al. 2024 的距离剖面要求总总有界性）。 - 球面上的测地距离没有等距希尔伯特嵌入，因此“先等距嵌入再检验”的范式不可行。 - DPE 通过“非等距嵌入”绕过了这个障碍——只要嵌入是单射且可测，独立性就得以保持。

论文的一般情形：只是把这个特例推广到任意完备可分度量空间（满足 Assumptions 2-3），并用核技巧处理无穷维 \( L^2 \) 空间中的计算。核心数学困难——证明 DPE 是单射（Theorem 1）——在球面特例下退化为证明“球面上的点到所有点的测地距离函数唯一确定该点”，这由球面几何的刚性保证。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在一般度量空间中，对随机对象进行边际独立性和条件独立性检验，且允许条件变量也为对象值。
  2. 核心工具/方法：距离剖面嵌入（DPE），将随机对象映射到 \( L^2 \) 函数空间，再通过 RKHS 交叉协方差算子构建检验统计量。
  3. 主要结论：DPE 是单射且可测的，因此保持独立性与条件独立性；基于 DPE 的检验统计量有闭合形式的渐近零分布（加权卡方），且具有一致性（size 和 power 均有理论保证）；在三个非希尔伯特可嵌入的度量空间（球面、SPD 矩阵、Wasserstein 空间）上的模拟验证了方法的有效性。

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：

  • Assumption 1（单变量）：对每个 \( x \in \Omega_X \)，\( d_X(\cdot, x) \in L^2(\Omega_X, \lambda_X) \)。即距离函数关于参考测度平方可积。这是 DPE 定义的基础。
  • Assumption 2（多变量）：对每个 \( i=1,\dots,m \) 和每个 \( x_i \in \Omega_{X_i} \)，\( d_{X_i}(\cdot, x_i) \in L^2(\Omega_{X_i}, \lambda_{X_i}) \)。与 Assumption 1 相同，但适用于多个空间。
  • Assumption 3（可测性）：每个 \( \Omega_{X_i} \) 是 Polish 空间，\( \lambda_{X_i} \) 是有限测度且支撑为全空间，\( \sigma \)-域取 Borel \( \sigma \)-域。这保证了 DPE 的可测性（Theorem 1 第 3 部分）。
  • Assumption 4（核有界性）：\( \mathbb{E}[\kappa_{\tilde{X}}(\tilde{X}, \tilde{X})] < \infty \)，\( \mathbb{E}[\kappa_{\tilde{Y}}(\tilde{Y}, \tilde{Y})] < \infty \)。保证交叉协方差算子是有界算子。
  • Assumption 5（范围条件）：\( \operatorname{ran}(\Sigma_{\tilde{Z}(\tilde{X}\tilde{Z})}) \subseteq \operatorname{ran}(\Sigma_{\tilde{Z}\tilde{Z}}) \)，\( \operatorname{ran}(\Sigma_{\tilde{Z}\tilde{Y}}) \subseteq \operatorname{ran}(\Sigma_{\tilde{Z}\tilde{Z}}) \)。这是条件独立性检验中定义 Moore-Penrose 逆所必需的。
  • Assumption 6（条件期望可表示性）：对任意 \( f \in \mathcal{H}_{\tilde{X}\tilde{Z}} \) 和 \( g \in \mathcal{H}_{\tilde{Y}} \)，条件期望 \( \mathbb{E}[f(\tilde{X},\tilde{Z})|\tilde{Z}] \in \mathcal{H}_{\tilde{Z}} \)，\( \mathbb{E}[g(\tilde{Y})|\tilde{Z}] \in \mathcal{H}_{\tilde{Z}} \)。这是核方法中处理条件期望的标准条件。
  • Assumption 7（光滑性）：\( \Sigma_{\tilde{Y}\tilde{Z}} = S_{\tilde{Y}\tilde{Z}} \Sigma_{\tilde{Z}\tilde{Z}}^{1+\beta} \)，\( \Lambda_{(\tilde{X}\tilde{Z})\tilde{Z}} = S_{(\tilde{X}\tilde{Z})\tilde{Z}} \Sigma_{\tilde{Z}\tilde{Z}}^{1+\beta} \)，其中 \( S \) 是有界算子，\( \beta > 0 \)。这是为了控制 Tikhonov 正则化的收敛速度。
  • Assumption 8（特征值衰减）：\( \lambda_j(\Sigma_{\tilde{Z}\tilde{Z}}) \preceq j^{-\eta} \) 对某个 \( \eta > 1 \)。这是常见的特征值衰减条件，用于保证正则化估计的一致性。

相比已有文献的放宽/强化： - 相比 dCov/HSIC：放宽了强负类型假设（DPE 不要求）。 - 相比 Ball/PA/DiPMInd：放宽了一一对应条件（DPE 不要求）。 - 相比 PA 条件检验：放宽了条件变量必须为欧几里得的限制（DPE 允许对象值条件变量）。 - 相比 KCI：放宽了所有变量必须在希尔伯特空间中的限制（DPE 允许一般度量空间）。 - 强化了 Assumptions 5-8 用于条件检验——这些是 KCI 和 PA 没有明确要求的（KCI 没有完整的渐近理论，PA 条件检验没有 operator-level CLT）。

主要结果

Theorem 1（DPE 的基本性质）：在 Assumptions 2-3 下，DPE 映射 \( \Phi_{X_A} \) 是单射、连续、可测的。直觉：如果两个点 \( x_1 \neq x_2 \)，那么距离函数 \( d(\cdot, x_1) \) 和 \( d(\cdot, x_2) \) 在 \( L^2 \) 中不同（因为参考测度支撑为全空间，存在 \( u \) 使得 \( d(u, x_1) \neq d(u, x_2) \)）。必要条件：参考测度支撑为全空间。解决的技术难点：证明单射性需要处理度量空间的一般性——不像欧几里得空间有坐标，这里只能用距离函数区分点。

Theorem 4（独立性判据）：如果核 \( \kappa_{\tilde{X}}, \kappa_{\tilde{Y}} \) 是特征性的，则 \( \tilde{X} \perp\!\!\!\perp \tilde{Y} \) 当且仅当 \( \Sigma_{\tilde{Y}\tilde{X}} = 0 \)。直觉：特征核保证均值嵌入唯一确定分布，因此交叉协方差算子为零等价于联合分布等于边际乘积。必要条件：核是特征性的（高斯 RBF 核满足）。

Theorem 6（CLT for 交叉协方差算子）：\( \sqrt{n}(\hat{\Sigma}_{\tilde{Y}\tilde{X}} - \Sigma_{\tilde{Y}\tilde{X}}) \xrightarrow{D} N(0, \Gamma_{\tilde{Y}\tilde{X}}) \)。直觉：这是经验过程理论在算子空间中的应用——\( \hat{\Sigma}_{\tilde{Y}\tilde{X}} \) 是 Bochner 可积随机元 \( \kappa_{\tilde{Y}}(\cdot, \tilde{Y}) \otimes \kappa_{\tilde{X}}(\cdot, \tilde{X}) \) 的样本均值减去其期望。必要条件：核有界（Assumption 4）。解决的技术难点：在希尔伯特-施密特算子空间中建立 CLT，需要处理无穷维协方差算子 \( \Gamma_{\tilde{Y}\tilde{X}} \)。

Theorem 7（零分布）：在 \( H_0 \) 下，\( T_n \xrightarrow{D} \sum_{j=1}^\infty \lambda_j(\Gamma_{\tilde{Y}\tilde{X}}) W_{1j}^2 \)，且可以用 \( \sum_{i,j=1}^n \lambda_i(\hat{\Sigma}_{\tilde{X}\tilde{X}}) \lambda_j(\hat{\Sigma}_{\tilde{Y}\tilde{Y}}) W_{ij}^2 \) 近似。直觉：这是 HSIC 零分布的标准结果（Gretton et al. 2007），但作者将其推广到了 DPE 嵌入后的算子空间。解决的技术难点：证明近似公式的收敛性，需要处理特征值估计的一致性。

Theorem 10（条件独立性判据）：在 Assumptions 2-3, 5-6 下，如果乘积核 \( \kappa_{\tilde{X}} \kappa_{\tilde{Y}} \kappa_{\tilde{Z}} \) 是特征性的且 \( \mathcal{H}_{\tilde{Z}} + \mathbb{R} \) 在 \( L^2(L^2(\Omega_Z, \lambda_Z), P_{\tilde{Z}}) \) 中稠密，则 \( \tilde{X} \perp\!\!\!\perp \tilde{Y} | \tilde{Z} \) 当且仅当 \( \Sigma_{\tilde{Y}(\tilde{X}\tilde{Z})|\tilde{Z}} = 0 \)。直觉：条件协方差算子 \( \Sigma_{\tilde{Y}(\tilde{X}\tilde{Z})|\tilde{Z}} \) 捕捉了“去掉 \( \tilde{Z} \) 的线性（在 RKHS 意义上）影响后 \( \tilde{X}\tilde{Z} \) 与 \( \tilde{Y} \) 的剩余相关性”。必要条件：范围条件（Assumption 5）和条件期望可表示性（Assumption 6）。

Theorem 12（条件检验的 CLT）：在 Assumptions 2-8 下，选择合适的正则化参数 \( \epsilon_n \)，有 \( \sqrt{n}(\hat{\Sigma}_{\tilde{Y}(\tilde{X}\tilde{Z})|\tilde{Z}} - \Sigma_{\tilde{Y}(\tilde{X}\tilde{Z})|\tilde{Z}}) \xrightarrow{D} N(0, \Gamma_{\tilde{Y}(\tilde{X}\tilde{Z})|\tilde{Z}}) \)。直觉：这是 Theorem 6 的条件版本，但需要处理 Tikhonov 正则化带来的偏差。必要条件：光滑性条件（Assumption 7）和特征值衰减（Assumption 8）用于控制正则化偏差与方差之间的权衡。解决的技术难点：证明正则化估计 \( \hat{\Sigma}_{\tilde{Y}(\tilde{X}\tilde{Z})|\tilde{Z}} \) 的 \( \sqrt{n} \)-相合性，需要仔细选择 \( \epsilon_n \) 的衰减速度。

Theorem 13（条件检验零分布）：在 \( H_0 \) 下，\( S_n \xrightarrow{D} \sum_{j=1}^\infty \lambda_j(\Gamma_{\tilde{Y}(\tilde{X}\tilde{Z})|\tilde{Z}}) W_j^2 \)。直觉：与 Theorem 7 类似，但协方差算子不同。

Theorem 9 & 15（局部备择）：当备择以 \( n^{-1/2} \) 速度趋近于零时，检验统计量收敛到非中心加权卡方分布。直觉：这给出了检验的局部 power 函数，是渐近效率分析的基础。

证明路线与技术技巧

整体路线（以 Theorem 1 为例）： 1. 单射性：假设 \( \Phi_{X_A}(x_A) = \Phi_{X_A}(x'_A) \)。则对每个 \( i \in A \)，\( d_{X_i}(\cdot, x_i) = d_{X_i}(\cdot, x'_i) \) 在 \( L^2(\Omega_{X_i}, \lambda_{X_i}) \) 中几乎处处相等。由于 \( \lambda_{X_i} \) 支撑为全空间，这推出 \( d_{X_i}(u, x_i) = d_{X_i}(u, x'_i) \) 对所有 \( u \in \Omega_{X_i} \) 成立。取 \( u = x_i \) 得 \( 0 = d_{X_i}(x_i, x'_i) \)，因此 \( x_i = x'_i \)。 2. 连续性：用三角不等式和 Cauchy-Schwarz 证明 \( \| \Phi_{X_A}(x_A) - \Phi_{X_A}(x'_A) \| \leq \sum_i d_{X_i}(x_i, x'_i) \)。 3. 可测性：利用 Polish 空间和 Borel \( \sigma \)-域的性质，证明 \( \Phi_{X_A} \) 是 Borel 可测的。

关键跳跃点： - Theorem 1 的单射性：关键跳跃在于“\( L^2 \) 中几乎处处相等”推出“逐点相等”。这依赖于参考测度支撑为全空间——如果支撑不是全空间，则可能存在两个不同的点 \( x \neq x' \) 使得 \( d(\cdot, x) = d(\cdot, x') \) 在支撑上几乎处处成立但不在全空间上成立。作者用 Assumption 3 的 \( \operatorname{supp}(\lambda_{X_i}) = \Omega_{X_i} \) 绕过了这个障碍。 - Theorem 12 的 CLT：关键跳跃在于处理 Tikhonov 正则化带来的偏差。作者将 \( \hat{\Sigma}_{\tilde{Y}(\tilde{X}\tilde{Z})|\tilde{Z}} \) 分解为“可估计部分”+“偏差部分”，用 Assumptions 7-8 控制偏差的收敛速度，使得 \( \sqrt{n} \times \text{bias} \to 0 \)。

技术技巧点名： - Bochner 积分：用于定义算子值随机变量的期望（公式 1 中的 \( \mathbb{E}[\kappa_{\tilde{Y}}(\cdot, \tilde{Y}) \otimes \kappa_{\tilde{X}}(\cdot, \tilde{X})] \)）。 - 经验过程理论：用于建立算子估计的 CLT（Theorem 6）。 - Tikhonov 正则化：用于估计 Moore-Penrose 逆 \( \Sigma_{\tilde{Z}\tilde{Z}}^\dagger \)（公式 10 中的 \( (\hat{\Sigma}_{\tilde{Z}\tilde{Z}} + \epsilon_n I)^{-1} \)）。 - 特征值衰减与光滑性条件：Assumptions 7-8 是典型的“逆问题”条件，用于控制正则化偏差。 - Hadamard 积与 Schur 定理：用于将条件检验统计量 \( S_n \) 表示为矩阵迹（公式 12 后的推导）。 - Gamma 近似：用于近似加权卡方分布的分位数（Section 4.4 末尾提及）。

真实例子与应用

例子 1：肠道微生物组数据（边际独立性检验） - 数据：COMBO 研究（Wu et al. 2011），\( n=91 \) 个样本，每个样本是 OTU 相对丰度向量（位于单纯形上）。 - 怎么用：用四种距离度量（Aitchison、UniFrac、GUniFrac、WUniFrac）计算样本间距离，然后用 DPE 检验 BMI 与微生物组结构之间的独立性。参考测度取经验测度 \( \lambda_X = n^{-1} \sum_i \delta_{X_i} \)。 - 结果：Table 3 显示，对于 Aitchison 距离（可等距嵌入希尔伯特空间），所有方法都显著；但对于 UniFrac 类距离（不可等距嵌入），只有 DPE 在所有三种 UniFrac 度量下都显著（p < 0.05），而 Ball、dCov、PA 在某些度量下不显著。 - 想说明什么：验证 DPE 在“不可等距嵌入”的度量空间中的有效性，展示其相对于现有方法的优势。

例子 2：全球人类死亡率数据（条件独立性检验） - 数据：UN World Population Prospects 2019，\( n=201 \) 个国家，每个国家有女性死亡年龄分布、男性死亡年龄分布、生育年龄分布（均为 Wasserstein 空间中的概率分布）。 - 怎么用：检验“女性死亡年龄分布”与“生育年龄分布”在给定“男性死亡年龄分布”下的条件独立性。参考测度用布朗运动轨迹的 Monte Carlo 采样近似。 - 结果：Figure 4 显示，1980-1995 年期间 p 值接近零（拒绝条件独立），但 2000 年后 p 值超过 0.05（不拒绝条件独立）。作者解释为全球孕产妇死亡率下降和产科保健改善导致生育与女性死亡之间的条件关联减弱。 - 想说明什么：展示 DPE 条件检验在真实分布数据上的应用，验证其能检测到有意义的条件依赖结构，且对 Wasserstein 距离的阶数 \( p \) 选择稳健。

本文为纯理论+实证例子：有模拟实验（Section 7）和两个真实数据应用（Section 8），不是纯理论论文。

🔎 结论是否比证明窄

  • Theorem 12 的条件：作者在 Theorem 12 中要求 \( \beta > \frac{\eta-1}{2\eta} \) 和 \( \frac{\eta(\beta \wedge 1)}{2\eta(\beta \wedge 1) + \eta + 1} > \frac{1}{4} \)，以及 \( \epsilon_n \asymp n^{-\frac{\eta(\beta \wedge 1)}{2\eta(\beta \wedge 1) + \eta + 1}} \)。这些条件在论文中没有给出具体例子验证——哪些实际度量空间/核组合满足这些条件？作者在 Section 7 的模拟中固定 \( \epsilon_n = 0.005 \)（不随 \( n \) 变化），这与定理要求的 \( \epsilon_n \to 0 \) 不一致。这是一个窄于结论的地方：模拟中的固定 \( \epsilon_n \) 可能不满足定理条件，但作者没有讨论这个 gap。
  • Theorem 10 的稠密性条件：\( \mathcal{H}_{\tilde{Z}} + \mathbb{R} \) 在 \( L^2(L^2(\Omega_Z, \lambda_Z), P_{\tilde{Z}}) \) 中稠密——这个条件在一般度量空间中是否容易验证？作者只提到高斯 RBF 核满足（Corollary 11），但没有给出更一般的充分条件。
  • Assumption 7 的光滑性：\( \Sigma_{\tilde{Y}\tilde{Z}} = S_{\tilde{Y}\tilde{Z}} \Sigma_{\tilde{Z}\tilde{Z}}^{1+\beta} \)——这个条件在非参数回归中常见（源条件），但作者没有讨论如何在实际中验证或选择 \( \beta \)。

四、开放问题

  1. 正则化参数 \( \epsilon_n \) 的自适应选择：Theorem 12 要求 \( \epsilon_n \) 以特定速度衰减，但该速度依赖于未知的光滑参数 \( \beta \) 和特征值衰减指数 \( \eta \)。能否用数据驱动的方法（如交叉验证、L-curve）选择 \( \epsilon_n \) 并保持渐近有效性？扎根于：Theorem 12 的 \( \epsilon_n \asymp n^{-\frac{\eta(\beta \wedge 1)}{2\eta(\beta \wedge 1) + \eta + 1}} \) 条件，以及模拟中固定 \( \epsilon_n = 0.005 \) 的实践。

  2. DPE 与高阶 U-统计量的联系：检验统计量 \( T_n = \frac{1}{n} \operatorname{tr}(K_{\tilde{X}} Q K_{\tilde{Y}} Q) \) 本质上是二阶 U-统计量（退化的核）。能否用高阶 U-统计量理论（如退化 U-统计量的 Berry-Esseen 界）给出更精细的收敛速度？能否推广到多变量（\( k \ge 3 \) 个随机对象）的联合独立性检验？扎根于：论文只处理了双变量边际和三变量条件检验，且没有从 U-统计量角度分析。

  3. 计算-统计权衡：DPE 的计算复杂度为 \( O(n^2) \)（计算 Gram 矩阵），在 \( n \) 很大时可能成为瓶颈。是否存在计算上更高效的近似（如 Nyström 方法、随机特征映射）？这些近似是否会改变检验的渐近性质？扎根于：论文没有讨论计算复杂度或大规模数据的扩展。

  4. 条件独立性检验的 power 比较：论文在条件检验的模拟中只展示了 DPE 自己的表现，没有与任何 baseline 比较（因为“目前没有专门设计用于对象值条件变量的方法”）。但 PA 条件检验（Zhou & Müller 2026）允许欧几里得条件变量——如果条件变量 \( Z \) 是欧几里得（或可嵌入欧几里得空间），DPE 与 PA 的 power 对比如何？扎根于：Table 2 和 Section 7.3 的模拟设计。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论