跳转至

On the minimax-rate optimality of approximate Bayesian computation in nonparametric problems

作者: Hien Duy Nguyen
主题: 非参数 / 半参数
相关性: 8/10
链接: https://arxiv.org/abs/2608.15648


一、领域脉络与小综述

这个方向是什么

近似贝叶斯计算(Approximate Bayesian Computation, ABC)是一类"似然免费"(likelihood-free)的推断方法,适用于似然函数不可解析计算或计算代价过高的模型。其核心思想是:从先验抽样参数 θ,模拟合成数据 Z,若 Z 与观测数据 X 足够接近(在某个 summary statistic 的 discrepancy 度量下),则接受该 θ。本文研究的根本问题是:在非参数问题中,ABC 后验及其后验均值能否达到经典频率学派意义上的极小极大最优收敛速率? 这个子方向的成熟度较低——ABC 的渐近理论在参数设定下已有较完整的刻画(如 Frazier et al. 2018; Li & Fearnhead 2018a,b),但在非参数设定下的极小极大最优性此前缺乏系统性结果。

发展脉络

  • 奠基工作:Tavaré et al. (1997) 与 Pritchard et al. (1999) 将 ABC 引入群体遗传学,用于推断合并时间等参数;Beaumont et al. (2002) 提出回归调整(regression-adjusted)ABC,开创了提高 ABC 效率的修正方法。这些工作确立了 ABC 的基本范式:先验抽样 + 模拟比较 + 接受/拒绝。
  • 主要进展(参数渐近理论):Frazier et al. (2018) 给出了基于 summary statistics 的 ABC 后验的一般集中性与极限形状结果,确立了 ABC 后验在参数设定下以 n^{-1/2} 速率收缩的条件。Li & Fearnhead (2018a) 分析了回归调整 ABC 的收敛性,证明在合适的带宽选择下回归调整后的后验能正确量化不确定性;Li & Fearnhead (2018b) 进一步分析了相应的蒙特卡洛效率。这两篇论文共同确立了参数设定下 ABC 估计量的渐近正态性与效率边界。
  • 当前 frontier(非参数化与高维化):Blum (2010)、Barber et al. (2015) 与 Nott et al. (2018) 指出 kernel 或 rejection ABC 的性能随 summary statistic 维度增长而急剧恶化——这是 ABC 在高维/非参数问题中的核心障碍。Bernton et al. (2019) 提出 Wasserstein 距离作为 discrepancy,建立了一般设定下 ABC 的相合性与集中性;Nguyen et al. (2020) 研究了能量统计(energy statistic)ABC 的渐近性质;Nguyen et al. (2025) 在弱假设下建立了 ABC 后验的集中性;Legramanti et al. (2025) 引入 Rademacher 复杂度,给出了 discrepancy-based ABC 的统一集中界。这些工作将 ABC 理论从参数设定推向更一般的非参数设定,但均未回答极小极大最优性——即 ABC 后验均值是否达到非参数估计的最优收敛速率。
  • 本文的位置:本文是第一个(据作者所述)在非参数设定下证明 ABC 后验及其后验均值达到极小极大最优速率的系统性工作。它通过一个抽象的后验收缩定理(Theorem 3.2),将问题分解为"局部先验质量"与"summary statistic 集中性"两个可验证的条件,然后分别在高斯序列模型和密度估计中验证这些条件。

子线索聚类

  1. ABC 的渐近理论(Frazier et al. 2018; Li & Fearnhead 2018a,b; Nguyen et al. 2025):研究 ABC 后验的集中速率、极限形状与蒙特卡洛误差。这些工作为 ABC 提供了频率学派意义上的理论保证,但主要限于参数设定或一般性的集中结果。
  2. Discrepancy 选择与 summary statistics 设计(Blum 2010; Barber et al. 2015; Nott et al. 2018; Bernton et al. 2019; Nguyen et al. 2020; Legramanti et al. 2025):研究不同的数据比较方式(kernel、Wasserstein、能量统计、Rademacher 复杂度界)对 ABC 性能的影响。核心问题是:如何在高维 summary statistic 下保持 ABC 的效率。
  3. 非参数贝叶斯后验收缩理论(Ghosal et al. 2003; Scricciolo 2006; Shen & Ghosal 2015):研究在非参数模型中,先验如何设计才能保证后验以最优速率收缩。本文的 Theorem 3.2 本质上是将这一套"局部先验质量 + 测试集"的论证框架移植到 ABC 设定中。

这个方向在追问的核心问题

  1. ABC 后验何时以最优速率收缩? 即:在什么条件下,ABC 后验的质量集中在真值附近的 ϵ_n 邻域内,且 ϵ_n 等于该问题的极小极大速率?
  2. summary statistic 的维度如何影响 ABC 的效率? 已知 kernel/rejection ABC 随 summary 维度恶化(Blum 2010; Barber et al. 2015),但是否存在某种"有效维度"(如 K_n ≍ nϵ_n²)可以避免维数灾难?
  3. 蒙特卡洛误差如何传播? 实际使用的 rejection ABC 只有有限个提议 N_n,这个离散化误差如何影响后验收缩与后验均值的风险?

⚠️ 作者的 framing

作者将缺口 frame 为:"ABC 在非参数问题中的极小极大最优性此前未被建立"。他通过构造一个"summary statistics sieve + 局部先验质量条件"的抽象框架,将非参数 ABC 问题转化为两个可验证的分析任务(局部先验质量下界 + summary 集中性上界),从而将经典贝叶斯非参数收缩理论(Ghosal & van der Vaart 2017, Chapter 8)扩展到 ABC 设定。作者淡化的竞争路线包括:(1) 基于 full data discrepancy(如 Wasserstein ABC, Bernton et al. 2019)的路线——作者指出这些方法虽然避免了 summary 选择问题,但其极小极大最优性更难证明;(2) 计算效率的讨论——作者明确将计算分析"分离出去"(Section 6),只关注统计效率。

张力

未见明显对立引用。但存在一个微妙的张力:Blum (2010)、Barber et al. (2015) 和 Nott et al. (2018) 的工作表明 ABC 随 summary 维度恶化,而本文的结果表明当 K_n 以特定速率增长时(K_n ≍ n^{1/(2α+1)}),ABC 仍能达到最优速率。这两者并不矛盾——前者是固定 summary 维度下的有限样本行为,后者是 K_n 随 n 增长时的渐近行为——但读者需要注意这一区分。


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

符号清单(按本文出现顺序):

符号 含义 类型
\( \Theta \) 参数空间(可分度量空间) 参数空间
\( d \) 参数空间上的度量 度量
\( \Pi_n \) 第 n 个问题的先验 先验测度
\( X^{(n)} \) 观测数据(样本量为 n) 可观测随机变量
\( Z^{(n)} \) 合成数据(模拟器输出) 可观测随机变量
\( S_n : \mathcal{X}^n \to \mathcal{S}_n \) summary statistic 映射 已知函数
\( \rho_n \) summary 空间上的 discrepancy 已知度量
\( \tau_n \) 容差(tolerance) 算法参数
\( L_n^{\text{ABC}}(\theta; X) \) ABC 似然:\( P_\theta^{(n)}\{\rho_n(S_n(Z), S_n(X)) \le \tau_n\} \) 随机变量(关于 X)
\( \Pi_n^{\text{ABC}}(\cdot \mid X) \) 理想 ABC 后验 后验测度
\( \widehat{\Pi}_{n,N}^{\text{ABC}}(\cdot \mid X) \) 经验 rejection ABC 后验(N 个提议) 随机测度
\( \theta_0 \) / \( f_0 \) / \( p_0 \) 真实参数 / 真实函数 / 真实密度 未知目标
\( \epsilon_n \) 目标收缩半径 速率
\( K_n \) 有效维度(summary 维度) 算法参数
\( \alpha \) 光滑度参数 模型参数
\( R, R_\Pi, m, M, \lambda \) 各类常数(椭球半径、密度界、先验尺度) 常数

模型(以高斯序列为例,这是全文最简单的载体):

  • 数据生成:观测 \( X_j = \theta_{0j} + n^{-1/2}\xi_j \),\( j \ge 1 \),其中 \( \xi_j \sim N(0,1) \) 独立。真实参数 \( \theta_0 \in \Theta_\alpha(R) = \{\theta \in \ell^2 : \sum_j j^{2\alpha}\theta_j^2 \le R^2\} \)。
  • 可观测数据:\( X = (X_1, X_2, \ldots) \),即无穷维高斯序列(实际中截断到足够大的维度)。
  • summary statistic:\( S_n(X) = X^{K_n} = (X_1, \ldots, X_{K_n}) \),即前 \( K_n \) 个坐标。
  • 模拟器:给定 \( \theta \),生成 \( Z_j = \theta_j + n^{-1/2}\xi_j^* \),\( \xi_j^* \sim N(0,1) \) 独立。
  • discrepancy:\( \rho_n(u, v) = \|u - v\|_2 \)(欧氏距离),容差 \( \tau_n = A\epsilon_n \),其中 \( \epsilon_n = K_n^{-\alpha} + \sqrt{K_n/n} \)。
  • 先验:\( \Pi_n \) 是截断高斯序列先验——独立抽样 \( \theta_j = \lambda K_n^{-1/2}j^{-\alpha}G_j \)(\( j = 1, \ldots, K_n \)),\( G_j \sim N(0,1) \) 独立,然后条件在椭球 \( \Theta_{\alpha,K_n}(R_\Pi) \) 上。

关键区分: - 可观测:\( X \)(真实数据)、\( Z \)(合成数据)、\( S_n(X) \)、\( S_n(Z) \)。 - 不可观测(潜在):\( \theta_0 \)(真实参数)、\( \theta \)(先验抽样参数)。 - 要估计的:\( \theta_0 \)(或 \( f_0 \)、\( p_0 \))。

第二步:最小内核

剥掉所有技术假设后,本文的核心数学问题是:

设 \( \theta_0 \) 是真实参数,\( \Pi_n \) 是某个先验。定义 ABC 后验

\[> \Pi_n^{\text{ABC}}(B \mid X) = \frac{\int_B L_n^{\text{ABC}}(\theta; X) \, d\Pi_n(\theta)}{\int_\Theta L_n^{\text{ABC}}(\theta; X) \, d\Pi_n(\theta)}. >\]
问:当 \( n \to \infty \) 时,是否存在 \( M < \infty \) 使得
\[> \Pi_n^{\text{ABC}}\{\theta : d(\theta, \theta_0) > M\epsilon_n \mid X\} \xrightarrow{P_{\theta_0}^{(n)}} 0? >\]
若成立,且 \( \epsilon_n \) 等于该问题的极小极大速率,则称 ABC 后验是极小极大最优的。

为什么这个命题不平凡? 因为 ABC 后验的分子分母都涉及 \( L_n^{\text{ABC}} \),而 \( L_n^{\text{ABC}} \) 本身是一个概率(合成数据落在容差球内的概率)。在非参数问题中,\( K_n \to \infty \),容差球 \( \{\rho_n(S_n(Z), S_n(X)) \le \tau_n\} \) 在高维空间中体积趋近于零,因此 \( L_n^{\text{ABC}} \) 的估计需要精细的集中不等式。此外,分母 \( D_n(X) \) 可能以指数小的概率出现,导致后验定义失效——这正是 Corollary 3.3(normalizer lower bound)要解决的问题。

最小例子(d=1, α=1, 高斯序列):

  • 设 \( \theta_0 = (\theta_{01}, 0, 0, \ldots) \),即真实参数只有一个非零坐标。
  • 取 \( K_n = n^{1/3} \),\( \epsilon_n = n^{-1/3} \)(因为 \( \alpha=1 \) 时 \( K_n^{-\alpha} = K_n^{-1} = n^{-1/3} \),\( \sqrt{K_n/n} = n^{-1/3} \))。
  • 先验:\( \theta_1 \sim N(0, \lambda^2 K_n^{-1}) \),\( \theta_j = 0 \) 对 \( j > 1 \)。
  • ABC 似然:\( L_n^{\text{ABC}}(\theta; X) = P_\theta\{\|Z^{K_n} - X^{K_n}\|_2 \le A\epsilon_n\} \)。
  • 关键观察:当 \( \theta \) 接近 \( \theta_0 \) 时,\( Z^{K_n} - X^{K_n} \) 的分布近似为 \( N(0, 2n^{-1}I_{K_n}) \),因此 \( \|Z^{K_n} - X^{K_n}\|_2^2 \) 近似为 \( 2n^{-1}\chi^2_{K_n} \)。容差球 \( \| \cdot \|_2 \le A\epsilon_n \) 的半径平方为 \( A^2\epsilon_n^2 = A^2 n^{-2/3} \),而 \( \chi^2_{K_n} \) 的典型大小为 \( K_n = n^{1/3} \),乘以 \( 2n^{-1} \) 后为 \( 2n^{-2/3} \)。因此,当 \( A \) 足够大时,接受概率有正的下界——这就是局部先验质量条件(B3)的直观内容。
  • 反之,当 \( \theta \) 远离 \( \theta_0 \)(即 \( \|\theta - \theta_0\| > M\epsilon_n \))时,\( \|Z^{K_n} - X^{K_n}\|_2 \) 的均值至少为 \( (M - R)\epsilon_n \),而容差半径只有 \( A\epsilon_n \)。若 \( M > A + R + B \),则接受概率以 \( \exp\{-c(M - A - R - B)^2 K_n\} \) 指数衰减——这就是分离条件(B4)的直观内容。

这个最小例子的本质:ABC 后验收缩的证明,归结为在"局部先验质量下界"(保证分母不小)与"远离真值的接受概率上界"(保证分子集中在真值附近)之间找到平衡。这个平衡点由 \( K_n \asymp n\epsilon_n^2 \) 决定——这正是非参数问题的"有效维度"。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:ABC 后验及其后验均值在非参数问题(高斯序列估计、密度估计)中能否达到极小极大最优收敛速率。
  2. 核心工具/方法:提出了一个基于 summary statistics sieves 和局部先验质量条件的抽象后验收缩定理(Theorem 3.2),将 ABC 后验收缩分解为"局部先验质量下界"与"summary statistic 集中性上界"两个可验证的条件;并证明了在提议数 \( N_n \) 以足够大的指数速率增长时,rejection ABC 的蒙特卡洛误差不破坏最优性。
  3. 主要结论:在光滑度匹配的有限维截断先验下,理想 ABC 后验和后验均值在高斯序列问题中达到 \( n^{-2\alpha/(2\alpha+1)} \) 速率,在密度估计中达到 \( n^{-2\alpha/(2\alpha+d)} \) 速率——均为对应问题的极小极大最优速率。

关键设定与假设

高斯序列模型(Section 4):

  • 参数空间:\( \Theta_\alpha(R) = \{\theta \in \ell^2 : \sum_j j^{2\alpha}\theta_j^2 \le R^2\} \),度量 \( d(\theta, \theta_0) = \|\theta - \theta_0\|_{\ell^2} \)。
  • 先验:截断高斯序列先验,\( \theta_j = \lambda K_n^{-1/2}j^{-\alpha}G_j \)(\( j = 1, \ldots, K_n \)),条件在 \( \Theta_{\alpha,K_n}(R_\Pi) \) 上。这里 \( K_n = \lceil n^{1/(2\alpha+1)} \rceil \) 是有效维度,\( \lambda > 0 \) 是常数,\( R_\Pi > \max\{R+1, \lambda+1\} \)。
  • summary statistic:\( S_n(X) = X^{K_n} \),即前 \( K_n \) 个坐标。容差 \( \tau_n = A\epsilon_n \),其中 \( \epsilon_n = K_n^{-\alpha} + \sqrt{K_n/n} \asymp n^{-\alpha/(2\alpha+1)} \)。
  • 关键假设:\( A > 0 \) 足够大(具体阈值由证明决定),\( \lambda \) 与 \( R_\Pi \) 满足匹配条件。

密度估计模型(Section 5):

  • 参数空间:\( \mathcal{P}_\alpha(R, m, M) = \{p \in L^2([0,1]^d) : \int p = 1, m \le p \le M \text{ a.e.}, \sum_{j\ge2} j^{2\alpha/d}\theta_j(p)^2 \le R^2\} \),其中 \( \theta_j(p) = \int \varphi_j p \) 是 p 在正交基下的系数。
  • 先验:约束高斯系数先验,\( v_j = \lambda K_n^{-1/2}j^{-\alpha/d}G_j \)(\( j = 2, \ldots, K_n+1 \)),条件在可行集 \( C_{K_n}(R_\Pi, m, M) \) 上。
  • summary statistic:经验系数向量 \( S_{n,K}(X) = (n^{-1}\sum_i \varphi_2(X_i), \ldots, n^{-1}\sum_i \varphi_{K_n+1}(X_i)) \)。
  • 关键假设:Condition 5.1(投影可行性)要求目标密度 \( p_0 \) 的截断投影及其邻域落在可行集内;Condition 5.3(系数集中性)要求经验系数向量在 \( \sqrt{K_n/n} \) 尺度上集中。这两个条件在三角基下通过 Bernstein 不等式和 \( \alpha > d/2 \) 验证。

相比已有文献的放宽/强化: - 相比 Frazier et al. (2018) 的参数设定,本文允许 \( K_n \to \infty \),即 summary 维度随样本量增长。 - 相比 Blum (2010) 和 Barber et al. (2015) 的"维度灾难"警告,本文证明当 \( K_n \) 以最优速率增长时,ABC 仍能达到极小极大最优——但代价是提议数 \( N_n \) 需要指数增长。

主要结果

Theorem 3.2(抽象理想 ABC 收缩):在 Condition 3.1 下,对任意固定 \( M \ge M_0 \),

\[\sup_{f_0 \in F_n} E_{f_0}^{(n)} \Pi_n^{\text{ABC}}\{f : d(f, f_0) > M\epsilon_n \mid X\} \to 0.\]
证明思路:分母下界(Corollary 3.3)保证 \( D_n(X) \ge e^{-\kappa K_n} \) 以高概率成立;分子上界将远离真值的区域划分为环带,每个环带用 summary statistic 的集中性不等式控制接受概率,最后用局部先验质量条件求和。

Theorem 4.1(高斯序列上界):验证 Condition 3.1,得到理想 ABC 后验收缩速率 \( \epsilon_n \asymp n^{-\alpha/(2\alpha+1)} \),后验均值风险 \( O(n^{-2\alpha/(2\alpha+1)}) \)。

Theorem 4.3(高斯序列下界):经典极小极大下界,证明 \( n^{-2\alpha/(2\alpha+1)} \) 不可改进。

Theorem 4.4 / Corollary 4.5(蒙特卡洛传递):若 \( N_n \exp\{-\kappa K_n\} \to \infty \),则 rejection ABC 的经验后验与理想后验在总变差距离上收敛,后验均值继承最优速率。关键条件:\( N_n \ge \exp\{(\kappa + \eta)K_n\} \),即提议数随有效维度指数增长。

Theorem 5.5 / 5.8 / 5.12(密度估计):同样的三件套——上界、下界、蒙特卡洛传递——在密度估计中成立,速率为 \( n^{-2\alpha/(2\alpha+d)} \)。

证明路线与技术技巧

整体路线(以高斯序列为例):

  1. 分母下界:证明 \( D_n(X) \ge e^{-\kappa K_n} \) 以高概率成立。关键是用局部先验质量条件(B2)和 Gaussian 集中不等式控制先验在 \( \epsilon_n \)-球内的质量。
  2. 分子上界:将 \( \{\theta : \|\theta - \theta_0\| > M\epsilon_n\} \) 分解为环带 \( \{\theta : j\epsilon_n < \|\theta - \theta_0\| \le (j+1)\epsilon_n\} \)。对每个环带,用三角不等式将接受事件 \( \{\|S_n(Z) - S_n(X)\| \le \tau_n\} \) 与 \( \|S_n(Z) - s_n(\theta)\| \) 和 \( \|s_n(\theta) - s_n(\theta_0)\| \) 联系起来,其中 \( s_n(\theta) = E_\theta S_n(Z) \) 是 summary 的均值。
  3. 关键不等式:对每个环带,接受概率上界为 \( \exp\{-c(M - A - R - B)^2 K_n\} \)(Gaussian 集中),而先验质量上界为 \( \exp\{-c'j^2 K_n\} \)(局部先验质量条件)。两者相乘后对 j 求和,得到指数小的分子。
  4. 蒙特卡洛传递:条件于 X,rejection ABC 的经验后验是理想后验的蒙特卡洛近似。利用 Bernoulli 大数定律和 normalizer 下界,证明总变差距离 \( \|\widehat{\Pi}_{n,N}^{\text{ABC}} - \Pi_n^{\text{ABC}}\|_{\text{TV}} \) 以高概率小。

技术技巧点名: - Summary statistic sieve:\( K_n \) 随 n 增长,但以 \( n^{1/(2\alpha+1)} \) 的速率——这是"偏差-方差权衡"的体现:\( K_n \) 太大则方差主导,太小则截断偏差主导。 - 局部先验质量条件(B2-B3):这是从经典贝叶斯非参数收缩理论(Ghosal & van der Vaart 2017, Chapter 8)借用的核心工具,但需要适配到 ABC 的"接受概率"框架中。 - Gaussian 集中不等式:用于控制合成数据的随机波动。在高斯序列中,\( \|Z^{K_n} - X^{K_n}\|_2 \) 的波动由 \( \chi^2_{K_n} \) 的集中性控制;在密度估计中,通过 Bernstein 不等式控制经验系数向量的波动。 - Assouad 超立方体下界(Theorem 5.8):标准的两点测试方法,但需要构造满足有界密度约束的扰动函数族。 - Normalizer 下界(Corollary 3.3):这是 ABC 特有的技术难点——分母 \( D_n(X) \) 可能指数小,需要精细的局部先验质量下界来保证后验良定义。

真实例子与应用

本文没有真实数据应用。作者明确说明(Section 1.2):"These benchmark problems are used to isolate the statistical effect of the ABC approximation and to compare it directly with established minimax theory, rather than because their likelihoods are themselves unavailable." 两个例子(高斯序列、密度估计)都是理论基准问题,用于验证抽象定理的条件。密度估计的例子在 Section 5.2 中通过三角基具体构造,并验证了 Conditions 5.1 和 5.3。

🔎 结论是否比证明窄

需要指出的几个点:

  1. Theorem 4.1 的证明依赖于 Gaussian 序列的特殊结构。作者在 Section 4.2 中验证 Condition 3.1 时,使用了 Gaussian 集中不等式和椭球约束的精确计算。对于更一般的非参数模型(如回归、分类),这些验证可能不成立。作者在 Section 6 中承认这一点,但未给出具体反例。

  2. Theorem 5.5 的密度估计结果依赖于 Conditions 5.1 和 5.3。Condition 5.1 的"局部可行性"假设(投影邻域落在可行集内)在三角基下通过 \( \alpha > d/2 \) 验证,但对于其他基(如小波基)或更一般的密度类,这一条件可能需要重新验证。作者在 Remark 5.2 中讨论了这一点,但未给出一般性充分条件。

  3. 蒙特卡洛传递(Theorem 4.4)要求 \( N_n \) 指数增长。这是一个很强的条件——实际计算中,\( N_n \) 通常受计算资源限制。作者在 Section 6 中讨论了这个限制,指出"sampling efficiency may potentially be improved by replacing prior rejection sampling with better targeted likelihood-free algorithms",但未给出具体改进方案。

  4. 后验均值的定义:Theorem 4.1(ii) 和 Theorem 5.5(ii) 证明的是理想 ABC 后验均值的风险,但实际计算中使用的是经验后验均值。Corollary 4.5 和 5.13 在 \( N_n \) 指数增长条件下弥补了这一差距,但如前所述,这个条件在实际中很难满足。


四、开放问题

  1. 更一般的非参数模型:本文的抽象定理(Theorem 3.2)是否适用于回归、分类、泛函估计等更一般的非参数问题?需要验证哪些新的条件?(扎根于 Section 6 的 "Several extensions are natural" 段落)

  2. kernel/weighted ABC 的极小极大最优性:本文只分析了 rejection ABC。kernel-weighted ABC(如 Beaumont et al. 2002 的回归调整版本)和 importance-sampling ABC 是否也能达到最优速率?需要什么条件?(扎根于 Section 6 的 "determine which parts of the local-mass proof transfer to kernel-weighted or importance-sampling ABC posteriors")

  3. 计算复杂度的理论刻画:本文证明了 \( N_n \) 指数增长是充分条件,但这是否也是必要条件?是否存在更高效的采样策略(如 SMC-ABC、MCMC-ABC)能在多项式 \( N_n \) 下达到最优速率?(扎根于 Section 6 的 "sampling efficiency may potentially be improved")

  4. 自适应选择 \( K_n \) 和 \( \tau_n \):本文假设 \( K_n \) 和 \( \tau_n \) 是预先确定的(依赖于已知的 \( \alpha \))。在实际问题中,\( \alpha \) 通常未知。是否存在数据自适应的选择规则,使得 ABC 后验在未知光滑度下仍达到最优速率?(扎根于 Section 6 的 "which parts of the denominator, separation, and Monte Carlo transfer program require new technical input")

  5. 密度估计下界的 Assouad 条件:Condition 5.7 要求构造满足有界密度约束的扰动族。对于其他密度类(如 Hellinger 光滑类、Besov 类),这一条件是否成立?下界速率是否会改变?(扎根于 Remark 5.11 的讨论)


提示:若要确认上述开放问题是否是真 gap,建议去读以下近期文献的引言部分(各约 5 篇):(1) ABC 的渐近理论(Frazier et al. 2018; Li & Fearnhead 2018a,b; Nguyen et al. 2025);(2) discrepancy-based ABC(Bernton et al. 2019; Legramanti et al. 2025);(3) 贝叶斯非参数收缩理论(Ghosal & van der Vaart 2017; Castillo 2024)。如果这些文献的引言都指向同一个未解决问题,那就是共识性 gap;如果它们互相矛盾,那就是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论