跳转至

Pointwise convergence of purely random partition estimators: from random trees to prototype rules

作者: J\'er\'emy Bettinger, Fran\c{c}ois Portier, Adrien Saumard
主题: 非参数 / 半参数
相关性: 6/10
链接: https://arxiv.org/abs/2608.08360

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非参数回归中纯随机划分估计量的逐点收敛速率。核心问题是：对于一个完全独立于响应变量构建的随机划分（例如随机树的超矩形胞腔，或原型点的Voronoi胞腔），其估计误差的收敛速率由什么决定？能否达到非参数Lipschitz回归的minimax最优速率 \(n^{-1/(d+2)}\)？该方向当前处于“从一致性到精确速率”的深化阶段：经典结果（如Devroye, Györfi, Lugosi 1996）只保证一致性（cell diameter → 0, cell size → ∞），但对速率沉默。近十年来的工作开始追问不同随机划分构造的精确速率，并发现一个几何准则——形状正则性（shape regularity）——是达到最优速率的充要条件（至多对数因子）。本文正是沿着这条线索，将树型划分和Voronoi划分统一在一个框架下分析。

发展脉络（history）

  1. 奠基工作：Breiman (2000) 提出纯随机树（purely random trees）的概念，作为理解随机森林的简化模型。Devroye, Györfi, Lugosi (1996, Theorem 6.1) 给出了划分估计量一致性的经典条件（cell diameter → 0, cell size → ∞），但未涉及速率。Biau (2012) 和 Arlot & Genuer (2014) 开始分析纯随机树的L2风险，发现中心化树（centered tree）的速率劣于最优。

  2. 主要进展——树型划分：Mourtada, Gaïffas, Scornet (2017, 2019) 证明Mondrian树（Mondrian tree）在任意维度下达到Lipschitz回归的minimax最优速率 \(n^{-1/(d+2)}\)，这是首个达到最优速率的随机森林变体。他们指出Mondrian树的关键在于分裂方向的选择概率与当前胞腔边长成正比，从而保持胞腔近各向同性。相比之下，Klusowski (2021) 证明中心化树无法达到最优速率。这些工作主要关注L2风险，对逐点偏差和几何机制的分析较少。

  3. 主要进展——Voronoi划分：Györfi & Weiss (2021) 提出Proto-NN，证明其在一般度量空间中的普适一致性，但将收敛速率的获得列为开放问题。Kontorovich等人 (2017, 2021) 提出OptiNet，通过η-网构造保证胞腔体积的下界，并在有限维欧氏空间中达到minimax速率（Kerem & Weiss, 2023）。这些工作主要关注分类问题，对回归的逐点速率分析不足。

  4. 当前frontier：Bettinger, Portier, Saumard (2026) 在本文的姊妹篇中正式提出形状正则性（shape regularity）准则，并证明它是达到最优点态和一致速率的充要条件（至多对数因子）。该准则将胞腔直径与体积联系起来：\( \text{diam}(V)^d \le \gamma \lambda(V) \)。本文是这一准则的系统应用，将其推广到树型和Voronoi两类划分。

  5. 本文的位置：本文是形状正则性准则的“应用篇”——它不提出新准则，而是用该准则统一分析两类纯随机划分（树型和Voronoi），解释为什么中心树和均匀树失败、Mondrian树成功，并首次给出Proto-NN的逐点集中界（解决Györfi & Weiss 2021的开放问题）。本文的定位是“统一框架下的案例分析”，而非提出新理论。

子线索聚类

  • 线索1：树型划分的几何性质（Biau 2012, Arlot & Genuer 2014, Mourtada et al. 2017/2019, Klusowski 2021, Bettinger et al. 2026）。这一簇研究纯随机树（中心化、均匀、Mondrian）的胞腔几何如何影响收敛速率。核心发现：分裂方向与当前胞腔形状的独立性是失败根源，Mondrian的自适应分裂是成功关键。

  • 线索2：Voronoi原型划分（Györfi & Weiss 2021, Kontorovich et al. 2017/2021, Kerem & Weiss 2023）。这一簇研究基于原型点的Voronoi划分，包括Proto-NN（原型随机采样）和OptiNet（原型η-网）。核心问题：如何控制Voronoi胞腔的体积和直径，以达到最优速率。

  • 线索3：形状正则性准则（Bettinger et al. 2026）。这一簇提出并验证形状正则性作为达到最优速率的充要条件。本文属于这一簇的应用分支。

这个方向在追问的核心问题

  1. 形状正则性是否必要且充分？ Bettinger et al. (2026) 已证明其充分性（至多对数因子）和必要性（通过反例）。本文进一步验证该准则在不同划分构造中的适用性。
  2. 不同随机划分构造的几何性质如何？ 中心树、均匀树、Mondrian树、Proto-NN、OptiNet的胞腔纵横比（aspect ratio）如何随分裂次数增长？哪些构造满足形状正则性？
  3. 能否达到几乎必然（almost sure）收敛？ Mondrian树和Proto-NN只能以多项式衰减的概率达到最优速率，OptiNet通过η-网构造实现了几乎必然收敛。这是否是普遍规律？

⚠️ 作者的framing

作者将形状正则性frame为“统一框架”，声称“This single criterion puts hyper-rectangular and Voronoi cells on the same footing”。这是有说服力的，因为两类划分的几何差异很大（轴对齐 vs. Voronoi），但形状正则性确实抓住了共同本质。

作者淡化的竞争路线： - 数据自适应划分（如CART, Breiman et al. 1984）：作者明确将其排除在“纯随机划分”框架之外，但承认“data-driven adaptive rule in the spirit of CART”是达到最优速率的另一途径。这暗示了CART可能比Mondrian树有更好的概率保证（因为CART使用响应变量信息，可能避免坏事件）。 - k-NN：作者在[BPS26]中已证明k-NN是形状正则的（by construction），但本文不讨论k-NN，因为k-NN不是“纯随机划分”（其划分依赖于数据点位置，但独立于响应）。

什么明显该被引/该存在、却没出现在intro里？ - 随机森林的L2速率理论：Scornet, Biau, Vert (2015) 关于随机森林一致性的工作未被引用。这可能是因为该工作主要关注L2一致性而非速率，且假设条件不同。 - 高维稀疏设定：Biau (2012) 证明了纯随机树对稀疏函数的适应性（速率只依赖强特征数），但本文未讨论稀疏性。这可能是因为本文聚焦于点态速率，而稀疏性分析通常针对L2风险。 - 计算复杂性：本文完全未讨论计算成本（如树深度N与样本量n的关系、原型数m的选择对计算的影响）。这可能是因为本文是纯理论分析。

张力

未见明显对立引用。所有被引工作基本一致认为：中心树和均匀树无法达到最优速率，Mondrian树可以。唯一的细微差异在于：Mourtada et al. (2019) 声称Mondrian树达到minimax最优速率，而本文指出该速率只以多项式衰减的概率成立，不能推广到几乎必然。这不是矛盾，而是对同一结果的更精细刻画。

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： - \(d \ge 1\)：协变量维度。 - \(n\)：样本量。 - \((X_i, Y_i) \in \mathbb{R}^d \times \mathbb{R}\)，\(i=1,\dots,n\)：独立同分布样本。 - \(g(x) = \mathbb{E}[Y | X=x]\)：目标回归函数。 - \(\varepsilon_i = Y_i - g(X_i)\)：回归误差。 - \(V = \{V_j\}_{j \in J}\)：协变量空间 \(\mathcal{S}_X\) 的一个划分。 - \(V(x)\)：包含点 \(x\) 的胞腔。 - \(\hat{g}_V(x) = \frac{\sum_{i=1}^n Y_i \mathbf{1}_{V(x)}(X_i)}{\sum_{i=1}^n \mathbf{1}_{V(x)}(X_i)}\)：划分估计量（约定 0/0 = 0）。 - \(\text{diam}(V) = \sup_{x,y \in V} \|x-y\|_2\)：胞腔直径。 - \(P_X^n(V) = n^{-1} \sum_{i=1}^n \mathbf{1}_V(X_i)\)：胞腔的经验概率。 - \(\lambda(V)\)：胞腔的Lebesgue体积。 - \(h_+(A), h_-(A)\)：超矩形 \(A\) 的最长和最短边长。 - \(\gamma\)-SR：\(\text{diam}(V)^d \le \gamma \lambda(V)\)（形状正则性）。 - \(\beta\)-SR：\(h_+(A) \le \beta h_-(A)\)（超矩形的形状正则性）。

模型： - 数据生成：\((X_i, Y_i)\) i.i.d. 来自某联合分布 \(P\)。 - 回归函数 \(g\) 是 \(L\)-Lipschitz 连续的：\(|g(x) - g(y)| \le L \|x-y\|_2\)。 - 噪声 \(\varepsilon\) 条件次高斯：\(\mathbb{E}[\varepsilon | X] = 0\)，且 \(\mathbb{E}[e^{\lambda \varepsilon} | X] \le e^{\lambda^2 \sigma^2 / 2}\)。 - 划分 \(V\) 是纯随机的：独立于响应变量 \(Y_i\)，但可能依赖于协变量 \(X_i\)（如树型划分）或独立于整个样本（如原型点）。

可观测数据： - 研究者观测到 \((X_i, Y_i)_{i=1}^n\)。 - 对于树型划分：观测到分裂方向 \(D_i\) 和分裂位置 \(S_i\)（独立于 \(Y_i\)）。 - 对于Voronoi划分：观测到原型点 \(Z_j\)（独立于 \(Y_i\)，通常与 \(X_i\) 同分布）。 - 不可观测：回归函数 \(g\)、噪声 \(\varepsilon_i\)、胞腔的真实概率 \(P_X(V(x))\)（只能通过经验概率估计）。

第二步：最小内核——一维情形

最简特例：\(d=1\)，协变量 \(X \in [0,1]\)，回归函数 \(g\) 是 \(L\)-Lipschitz 的。划分由纯随机树生成：每次在某个区间内随机选一个分裂点，将区间一分为二。经过 \(N\) 次分裂后，包含 \(x\) 的胞腔 \(V(x)\) 是一个区间，长度为 \(L_N\)。

在这个特例下： - 形状正则性自动满足：\(\text{diam}(V(x)) = L_N\)，\(\lambda(V(x)) = L_N\)，所以 \(\text{diam}(V(x))^1 / \lambda(V(x)) = 1\)，是 \(\gamma\)-SR 对任意 \(\gamma \ge 1\)。 - 定理1的偏差界退化为：以概率 \(1-2\delta\)，

\[|\hat{g}_V(x) - g(x)| \le \sqrt{\frac{2\sigma^2 \log(1/\delta)}{n P_X^n(V(x))}} + L L_N.\]
- 由于 \(P_X(V(x)) \approx b L_N\)（假设密度有下界 \(b\)），且 \(P_X^n(V(x)) \approx P_X(V(x))\)，最优平衡发生在 \(L_N \asymp n^{-1/3}\)，此时速率为 \(n^{-1/3}\)，即 \(d=1\) 时的 minimax 速率 \(n^{-1/(1+2)} = n^{-1/3}\)。

为什么这个特例是内核： - 一维情形下，所有纯随机树（中心化、均匀、Mondrian）都等价：每次分裂将当前区间随机分成两段。胞腔的纵横比问题不存在（因为只有一维）。 - 因此，一维情形无法区分不同树构造的优劣——所有构造都达到最优速率。 - 这直接说明：维度 \(d \ge 2\) 是形状正则性问题的根源。当 \(d \ge 2\) 时，胞腔的纵横比可能失控，导致 \(\text{diam}(V(x))^d\) 远大于 \(\lambda(V(x))\)，从而破坏速率。

核心数学困难：在 \(d \ge 2\) 时，对于中心树和均匀树，胞腔的纵横比 \(h_+/h_-\) 以指数速度增长（Proposition 7: \(2^{\sqrt{N/d}}\)；Proposition 12: \(e^{\sqrt{N/d}}\)），且这种坏事件以正概率发生（独立于 \(n\)）。这意味着形状正则性失败，导致速率中的超对数修正项。

本文的关键想法：用形状正则性准则将两类划分（树型和Voronoi）统一分析。对于每种构造，只需回答一个问题：胞腔是否满足形状正则性？如果满足（如Mondrian树、OptiNet），则达到最优速率；如果不满足（如中心树、均匀树），则速率退化。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：非参数回归中纯随机划分估计量的逐点收敛速率，包括树型划分（中心化、均匀、Mondrian）和Voronoi划分（Proto-NN、OptiNet）。
  2. 核心工具/方法：形状正则性准则（shape regularity），即胞腔直径的d次方与体积之比有界；以及一个通用的逐点偏差不等式（Theorem 1），将估计误差分解为方差项（与胞腔体积成反比）和偏差项（与胞腔直径成正比）。
  3. 主要结论：中心树和均匀树不满足形状正则性（纵横比指数增长），导致速率中的超对数修正项；Mondrian树在概率意义下满足形状正则性，达到minimax速率 \(n^{-1/(d+2)}\)（但概率衰减为多项式）；首次给出Proto-NN的逐点集中界（解决Györfi & Weiss 2021的开放问题），达到相同速率但概率同样差；OptiNet通过η-网构造实现几乎必然的minimax速率。

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：

  • 假设(D)：\((X_i, Y_i)\) i.i.d.。
  • 假设(E)：噪声 \(\varepsilon = Y - g(X)\) 条件次高斯，参数 \(\sigma^2\)。相比经典框架：允许异方差（\(\varepsilon\) 可依赖 \(X\)），但要求条件方差一致有界。
  • 假设(L)：回归函数 \(g\) 是 \(L\)-Lipschitz 的。
  • 假设(XTREE)（用于树型划分）：\(X\) 在 \([0,1]^d\) 上有密度，且下界 \(b > 0\)。
  • 假设(XZ)（用于Voronoi划分）：\(X\) 的支撑有界，且对任意 \(x\) 和足够小的 \(\tau\)，\(\lambda(\mathcal{S}_X \cap B(x,\tau)) \ge c_d \lambda(B(x,\tau))\)（局部非退化）。相比(XTREE)：更强，因为要求Lebesgue测度的局部下界，而不仅是概率下界。
  • 假设(DZ)：原型点 \(Z_j\) 与 \(X_i\) 同分布。
  • 假设(EZ)：噪声条件次高斯，条件于 \(X\) 和 \(Z\)。

相比已有文献的放宽/强化： - 相比Devroye et al. (1996)：从L1一致性推广到逐点高概率界。 - 相比Mourtada et al. (2019)：从L2风险推广到逐点偏差，且给出非渐近界。 - 相比Györfi & Weiss (2021)：从分类推广到回归，且给出速率（而非仅一致性）。

主要结果

定理1（通用偏差界）：对任意固定 \(x\)，以概率 \(1-2\delta\)，

\[|\hat{g}_V(x) - g(x)| \le \sqrt{\frac{2\sigma^2 \log(1/\delta)}{n P_X^n(V(x))}} + L(V(x)) \text{diam}(V(x)).\]
- 直觉：方差项随胞腔体积增大而减小，偏差项随胞腔直径减小而减小。平衡两者需要胞腔的直径和体积以匹配速率衰减。 - 必要条件：\(n P_X^n(V(x))\) 不能太小（否则方差失控），\(\text{diam}(V(x))\) 不能太大（否则偏差失控）。 - 解决的技术难点：处理随机划分（可能依赖于 \(X_i\)）的条件概率。

定理6（中心树）：以概率1（几乎必然），对足够大的 \(n\)，

\[|\hat{g}_V(x) - g(x)| \le C n^{-1/(d+2)} e^{2\sqrt{\log n \log \log n}}.\]
- 含义：接近最优速率，但有超对数修正项 \(e^{2\sqrt{\log n \log \log n}}\)。 - 原因：Proposition 5 显示 \(\text{diam}(V(x))^d / \lambda(V(x))\) 以 \(2^{2\sqrt{(d-1)N \log N}}\) 增长（几乎必然），导致形状正则性参数 \(\gamma\) 随 \(n\) 缓慢增长。

定理11（均匀树）：以概率1，对足够大的 \(n\)，

\[|\hat{g}_V(x) - g(x)| \le \bar{C} n^{-1/(\Theta d + 2)} e^{2\sqrt{\log n \log \log n}}, \quad \Theta = \frac{1+\log 2}{1-\log 2} \approx 5.5.\]
- 含义：速率严重退化，指数从 \(d+2\) 变为 \(\Theta d + 2\)，相当于维度被放大了 \(\Theta\) 倍。 - 原因：Proposition 10 显示 \(\text{diam}(V(x))^d / \lambda(V(x))\) 以 \(e^{2N \log 2}\) 增长（几乎必然），导致形状正则性参数指数增长。

定理14（Mondrian树）：以概率 \(1-5\delta\)（\(\delta\) 固定），

\[|\hat{g}_V(x) - g(x)| \lesssim C n^{-1/(d+2)}.\]
- 含义：达到minimax最优速率，但概率只以多项式衰减（\(1-5\delta\) 对固定 \(\delta\)，不随 \(n\) 趋于1）。 - 原因：Proposition 13 显示 \(h_+/h_- \le 5d \log(\delta/d) / \log(1-\delta)\) 以概率 \(1-2\delta\)，即形状正则性在概率意义下成立，但参数 \(\gamma\) 随 \(\delta\) 恶化。 - 局限性：不能推广到几乎必然收敛（作者明确说明）。

定理15和Corollary 16（Proto-NN）：以概率 \(1-5\delta\)，当 \(m \asymp (n/c_\delta)^{d/(d+2)} \log(12n/\delta)^{2/(d+2)}\)，

\[|\hat{g}_{\text{proto}}(x) - g(x)| \lesssim C \left( \frac{c_\delta \log(12n/\delta)}{n} \right)^{1/(d+2)}.\]
- 含义：首次给出Proto-NN的逐点集中界，达到minimax速率（至多对数因子）。概率同样只以多项式衰减。 - 解决的技术难点：控制Voronoi胞腔的体积下界，需要分析原型点之间的最小间距（Lemma 21-24）。

定理17（OptiNet）：以概率 \(1-4\delta\)，当 \(\eta \asymp n^{-1/(d+2)}\)，\(m \ge n^{d/(d+2)}\)，

\[|\hat{g}_{\text{opt}}(x) - g(x)| \le \sqrt{\frac{2^{d+2} \sigma^2 \log(1/\delta)}{n b V_d c_d \eta^d}} + 2L(V_\eta(x)) \left( \eta + \left( \frac{32d \log(12m/\delta)}{m b c_d V_d} \right)^{1/d} \right).\]
- 含义：通过适当选择 \(\delta = 1/(n \log^2 n)\) 和 \(\eta = (\log n / n)^{1/(d+2)}\)，由Borel-Cantelli引理得到几乎必然收敛：
\[|\hat{g}_{\text{opt}}(x) - g(x)| \le C \left( \frac{\log n}{n} \right)^{1/(d+2)} \quad \text{a.s.}\]
- 关键优势：η-网构造保证胞腔体积至少为 \(\eta^d\)，消除了Proto-NN中因原型点聚集导致的极小胞腔事件。

证明路线与技术技巧

整体路线（以Proto-NN为例，Theorem 15）：

  1. 偏差-方差分解：\(\hat{g}_V(x) - g(x) = W + B\)，其中 \(W\) 是噪声项，\(B\) 是偏差项。
  2. 控制噪声项 \(W\)：
  3. 步骤2a：用Corollary 2（基于Bernstein不等式和条件次高斯性）得到 \(W\) 以 \(1/\sqrt{n P_X(V(x))}\) 为界。
  4. 步骤2b：下界 \(P_X(V(x))\)。这是核心难点。利用Voronoi胞腔的几何性质：\(V(x)\) 包含以最近原型点 \(Z_{(1)}\) 为中心、以 \(W_{(2)} - W_{(1)}\) 为半径的球的一部分（Lemma 24）。因此 \(P_X(V(x)) \ge c (W_{(2)} - W_{(1)})^d\)。
  5. 步骤2c：下界 \(W_{(2)} - W_{(1)}\)。这是另一个难点。利用顺序统计量的性质（Lemma 21-22），在密度有界和分布函数有下界的条件下，证明 \(W_{(2)} - W_{(1)} \ge C^{-1} \delta m^{-1/d}\) 以概率 \(1-\delta\)。
  6. 综合：\(P_X(V(x)) \ge \psi_d^{-1} \delta^d / m\) 以概率 \(1-\delta\)，代入得 \(W \le \sqrt{4\psi_d \sigma^2 \log(1/\delta) / \delta^d} \sqrt{m/n}\)。
  7. 控制偏差项 \(B\)：
  8. 由Lipschitz假设，\(|B| \le L \text{diam}(V(x))\)。
  9. 上界 \(\text{diam}(V(x))\)：利用k-NN半径的已知界（Lemma 3 in Portier 2021），\(\text{diam}(V(x)) \le 2 (32d \log(12m/\delta) / (m b c_d V_d))^{1/d}\) 以概率 \(1-\delta\)。
  10. 合并：用Union bound合并两个概率事件，得到最终界。

关键跳跃点： - 从 \(W_{(2)} - W_{(1)}\) 到 \(P_X(V(x))\) 的下界（Lemma 24）：需要证明Voronoi胞腔包含一个以最近原型点为中心的球，半径至少为 \(W_{(2)} - W_{(1)}\)。这依赖于Voronoi划分的定义和三角不等式。 - 从密度假设到顺序统计量间距的下界（Lemma 21-22）：需要将密度有界和分布函数有下界转化为 \(f_W(t) \le c F_W(t)^\kappa\) 的形式（\(\kappa = 1-1/d\)），然后利用Paley-Zygmund型论证得到 \(W_{(2)} - W_{(1)}\) 的下界。这是整个证明中最技术性的部分。

技术技巧点名： - Paley-Zygmund不等式：用于Proposition 7和12，证明中心树和均匀树的纵横比以正概率指数增长。 - Borel-Cantelli引理：用于Theorem 6和11的几乎必然收敛，以及Theorem 17的几乎必然速率。 - 顺序统计量分析：Lemma 21-24，用于Proto-NN的胞腔体积下界。 - k-NN半径界（Portier 2021）：用于控制Voronoi胞腔的直径。 - Gamma分布尾界（Boucheron, Lugosi, Massart 2013）：用于Mondrian树的边长分析（Proposition 13）。 - 矩母函数方法：用于Proposition 4和8中直径的指数尾界。

真实例子与应用

本文为纯理论，无实证例子。作者在引言中明确提到“The paper is organized as follows”，未提及任何模拟或数据应用。

🔎 结论是否比证明窄

  • Theorem 6和11的“几乎必然”声称：证明中使用了Borel-Cantelli引理和 \(\delta = n^{-2}\) 的选择，这确实给出了几乎必然收敛。但注意，这里的“几乎必然”是对固定的 \(x\) 而言，且依赖于 \(n\) 足够大。作者没有声称对所有的 \(x\) 一致成立。
  • Theorem 14的“minimax rate”声称：证明中假设 \(\Lambda \asymp n^{1/(d+2)}\)，且概率为 \(1-5\delta\)（\(\delta\) 固定）。作者明确说明“this rate cannot be extended to an almost sure convergence guarantee”。这是一个诚实的限制。
  • Corollary 16的“minimax rate”声称：同样以概率 \(1-5\delta\) 成立，且 \(m\) 的选择依赖于 \(\delta\)。作者没有声称几乎必然收敛。
  • Theorem 17的“almost sure rate”声称：这是唯一一个达到几乎必然收敛的结果，但代价是速率中有 \(\log n\) 因子（而非纯 \(n^{-1/(d+2)}\)）。作者在证明中明确给出了 \(\delta = 1/(n \log^2 n)\) 的选择和Borel-Cantelli论证。

四、开放问题（点到为止，扎根具体语句）

  1. Proto-NN的概率界能否改进？ 作者在Theorem 15的证明后指出：“The analysis exhibits a quite poor scaling – i.e., far from exponential – of the probability at which the minimax rate holds. ... Modifying the definition of the Proto-NN estimator in order to improve the probability bound will be the subject of a forthcoming work.”（第12页）。这是一个明确的开放问题：能否通过修改Proto-NN的定义（如引入类似OptiNet的η-网，或使用更复杂的原型选择策略）来达到指数衰减的概率？

  2. Mondrian树的几乎必然收敛是否可能？ 作者在Theorem 14后指出：“While the convergence rate above matches the minimax rate for pointwise error in expectation, it holds with a probability that scales poorly, far from exponential decay. For instance, this rate cannot be extended to an almost sure convergence guarantee.”（第10页）。这是否是Mondrian树的固有局限？能否通过修改Mondrian过程（如使用不同的生命周期选择）来达到几乎必然收敛？

  3. 形状正则性准则能否推广到更一般的划分？ 本文只分析了超矩形和Voronoi两种划分。对于更复杂的划分（如随机森林中多棵树的平均、或基于密度聚类的划分），形状正则性是否仍然是关键准则？作者在引言中暗示了CART作为数据自适应划分的可能，但未展开。

  4. 高维情形下的表现如何？ 本文的速率 \(n^{-1/(d+2)}\) 随维度 \(d\) 急剧恶化（维度诅咒）。对于高维稀疏设定（如Biau 2012中纯随机树对稀疏函数的适应性），形状正则性准则是否需要修改？例如，当函数只依赖少数几个强特征时，胞腔的“有效维度”可能远小于 \(d\)，此时形状正则性的定义是否需要考虑有效维度？

Maintained by 陈星宇 · Homepage · Source on GitHub

评论