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

本文研究的根本问题是：近似贝叶斯计算（ABC）作为一种“似然免费”的推断方法，在非参数统计问题中能否达到经典 minimax 最优收敛速率？ 换言之，当模型维度随样本量增长（非参数设定）时，ABC 后验的统计效率是否与最优频率估计器相当？当前该方向的成熟度较低——ABC 的渐近理论主要集中在固定维度的参数设定（如后验收缩、极限形状、蒙特卡洛效率），而将其与经典非参数 minimax 下界对接的工作此前不存在。

发展脉络（history）

奠基工作（1997-2002）：ABC 方法起源于群体遗传学（Tavare et al., 1997; Pritchard et al., 1999），Beaumont et al. (2002) 引入回归调整版本。这些工作奠定了 ABC 的计算框架，但缺乏理论分析。

主要进展——ABC 渐近理论（2013-2019）：Barber et al. (2015) 证明了 ABC 估计在非常弱的条件下收敛到精确解，并量化了收敛速率。Frazier et al. (2018) 给出了基于 summary statistics 的 ABC 后验收缩和极限形状的一般结果。Li and Fearnhead (2018a,b) 在参数设定下分析了回归调整 ABC 的渐近方差和蒙特卡洛效率。Bernton et al. (2019) 提出 Wasserstein ABC 并建立了在一般设定下的一致性和集中性质。这些工作将 ABC 理论从“算法描述”推进到“渐近性质刻画”，但都局限于固定维度的参数空间。

当前 Frontier——非参数 ABC 理论与高维挑战（2018-2025）：Blum (2010)、Barber et al. (2015)、Nott et al. (2018) 指出 kernel 或 rejection ABC 随 summary statistic 维度增长而迅速恶化。Legramanti et al. (2025) 引入 Rademacher 复杂度，为基于 discrepancy 的 ABC 提供了统一的均匀集中界。Nguyen et al. (2025) 在弱假设下研究了 ABC 后验收缩。但这些工作要么关注一般性集中结果（不针对具体 minimax 率），要么关注高维计算挑战（而非统计最优性）。

本文的位置：本文首次将 ABC 后验收缩理论与经典非参数 minimax 下界对接。它回答了一个此前未被严格证明的问题：在非参数设定下，ABC 后验（及其后验均值）能否达到 minimax 最优速率？作者通过构造 summary statistics sieve 和局部先验质量条件，在 Sobolev 椭球上的高斯序列估计和有界 Sobolev 类上的密度估计两个基准问题中给出了肯定答案。

子线索聚类

  1. ABC 渐近理论（参数设定）：Frazier et al. (2018)、Li and Fearnhead (2018a,b)、Barber et al. (2015)。这一簇关注固定维度下 ABC 后验的集中、极限形状和蒙特卡洛效率。本文的 Appendix E 专门与这一簇对接，展示了参数情形下 ABC 后验均值达到根号 n 速率。

  2. 基于 discrepancy 的 ABC 理论：Bernton et al. (2019)、Nguyen et al. (2020, 2025)、Legramanti et al. (2025)。这一簇用全数据 discrepancy（Wasserstein、energy、MMD）替代 summary statistics，建立一般性集中和一致性质。本文在 Section 6 指出其 minimax 理论需要更多模型特定信息。

  3. 高维 ABC 与维度诅咒：Blum (2010)、Barber et al. (2015)、Nott et al. (2018)。这一簇揭示 kernel/rejection ABC 随 summary 维度增长而恶化。本文的转移定理（Theorem 3.4）表明，在非参数设定下，rejection ABC 需要指数级（在有效维度 Kn 中）的提议数才能继承 minimax 率——这与该簇的“维度诅咒”观察一致。

  4. 非参数贝叶斯收缩理论：Ghosal and van der Vaart (2017)、Castillo (2024)、Shen and Ghosal (2015)。这一簇为后验收缩提供了通用框架（sieve 构造、局部先验质量条件、指数小球论证）。本文的 Condition 3.1 和 Theorem 3.2 直接借鉴了这一框架，将其适配到 ABC 设定。

这个方向在追问的核心问题

  1. ABC 后验的统计效率：在非参数设定下，ABC 后验能否达到 minimax 最优收敛速率？本文给出了肯定答案，但仅限于两个基准问题。
  2. summary statistics 的维度选择：如何选择 summary statistics 的维度 Kn 以平衡偏差和方差？本文取 Kn ≍ n^{1/(2α+1)}（高斯序列）或 Kn ≍ n^{d/(2α+d)}（密度估计），与经典非参数速率匹配。
  3. 计算-统计权衡：rejection ABC 需要多少提议数才能继承统计最优性？本文给出指数级充分条件（Nn exp{-κKn} → ∞），但这不是下界。
  4. 不同 ABC 变体的 minimax 性质：kernel-weighted、importance-sampling、regression-adjusted ABC 是否也能达到 minimax 率？本文未回答。

⚠️ 作者的 framing

作者把缺口 frame 成什么：作者将缺口定位为“ABC 后验收缩理论与经典非参数 minimax 下界之间的空白”。他声称本文是“首次将 ABC 的非参数后验收缩理论与经典 minimax 下界对接”。具体来说，他 frame 了三个贡献：(i) 一般性收缩定理（Theorem 3.2），(ii) 在高斯序列问题中的应用，(iii) 在密度估计问题中的应用。他特别强调“将统计问题与采样算法分离”——理想 ABC 后验的收缩性质独立于蒙特卡洛实现。

哪些竞争路线被他淡化或回避了： - 基于 discrepancy 的 ABC：作者在 Section 6 承认“minimax 问题需要更多模型特定信息”，但未给出任何具体结果或下界。这暗示 discrepancy-based ABC 的 minimax 理论可能更难，但作者未深入论证。 - 回归调整 ABC：Li and Fearnhead (2018a) 的分析被限制在参数设定；作者在 Appendix E 中仅用参数情形与之对接，未讨论非参数扩展。 - 合成似然方法：Frazier et al. (2023) 被列为“计算上更有针对性的替代方案”，但作者未将其纳入 minimax 比较。

什么明显该被引/该存在、却没出现在 intro 里？ - 非参数贝叶斯收缩的经典工作：Ghosal et al. (2000) 关于后验收缩率的奠基性论文未被引用（虽然引用了 Ghosal and van der Vaart 2017 的教材）。这可能是由于作者直接使用了教材中的框架。 - 高维统计中的 minimax 下界技术：Tsybakov (2009) 的教材未被引用（虽然引用了 Gine and Nickl 2016）。作者使用了 Assouad 超立方体方法，但未引用其标准来源。 - ABC 的贝叶斯计算视角：没有引用任何关于 ABC 算法实现（如 SMC-ABC、MCMC-ABC）的具体效率分析论文，仅引用了综述（Marin et al. 2012; Sisson et al. 2018）。

张力

未见明显对立引用。各子线索的工作在各自的设定下结论一致：参数设定下 ABC 可达到根号 n 速率，高维/非参数设定下维度诅咒存在，discrepancy-based ABC 有更一般的集中性质。本文填补了“非参数设定下 ABC 能否达到 minimax 率”这一空白，与现有理论不矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - n：样本量（观测数据的大小）。 - θ：参数（在高斯序列问题中为 ℓ² 序列，在密度估计中为密度函数 p）。 - θ₀：真实参数（数据生成的真值）。 - Θ：参数空间（可分离度量空间，带度量 d）。 - X = X^{(n)}：观测数据（n 个观测的集合）。 - Z = Z^{(n)}：合成数据（从模型模拟的 n 个观测）。 - Sₙ：summary statistic 映射，将数据集映射到 summary 空间 Sₙ。 - ρₙ：summary 空间上的 discrepancy（通常为欧氏距离）。 - τₙ：ABC 容忍度阈值。 - Πₙ：参数上的先验测度。 - L^{ABC}ₙ(θ; X)：ABC 似然 = P^{(n)}θ{ρₙ(Sₙ(Z), Sₙ(X)) ≤ τₙ}（概率仅对合成数据 Z 取，X 固定）。 - Dₙ(X)：归一化常数 = ∫ L^{ABC}ₙ(θ; X) Πₙ(dθ)。 - Π^{ABC}ₙ(·|X)：理想 ABC 后验 = (1/Dₙ(X)) ∫{(·)} L^{ABC}ₙ(θ; X) Πₙ(dθ)。 - N = Nₙ：蒙特卡洛提议数（prior-simulator 样本对数）。 - Î^{ABC}_{n,N}(·|X)：经验 rejection-ABC 后验（基于 N 个 prior 样本和对应的合成数据）。 - Kₙ：有效维度（summary statistic 的维度，随 n 增长）。 - ϵₙ：目标收缩半径（minimax 最优速率）。 - ρ_{n,α}：高斯序列问题的 minimax 速率 = n^{-α/(2α+1)}。 - ρ_{n,α,d}：密度估计问题的 minimax 速率 = n^{-α/(2α+d)}。 - α：光滑度参数（控制函数类的正则性）。 - d：密度估计中自变量的维度。 - θ†：fallback 参数（当 ABC 后验未定义时使用，通常取 0 或常数密度 1）。

模型： - 高斯序列模型：Xⱼ = θ₀ⱼ + n^{-1/2}ξⱼ，j ≥ 1，其中 ξⱼ ~ N(0,1) i.i.d.。参数 θ₀ 属于 Sobolev 椭球 Θ_α(R) = {θ ∈ ℓ² : Σⱼ j^{2α}θⱼ² ≤ R²}。目标是估计 θ₀（在 ℓ² 范数下）。 - 密度估计模型：X₁, ..., Xₙ ~ p₀ i.i.d.，其中 p₀ 是 [0,1]^d 上的密度，属于有界 Sobolev 类 P_α(R, m, M)（见 (5.1)）。目标是估计 p₀（在 L² 范数下）。

可观测数据： - 高斯序列：观测到 X = (X₁, X₂, ...)（无限序列，但实际中通常截断）。想要但观测不到的是 θ₀ 本身和噪声 ξⱼ。 - 密度估计：观测到 n 个 i.i.d. 样本 X₁, ..., Xₙ ∈ [0,1]^d。想要但观测不到的是密度 p₀ 本身。

ABC 的核心思想：由于似然 p(X|θ) 不可得（或计算昂贵），ABC 通过模拟来近似后验：从先验 Πₙ 采样 θ，从模型 P^{(n)}_θ 模拟合成数据 Z，如果 Z 的 summary Sₙ(Z) 与观测 summary Sₙ(X) 足够接近（ρₙ ≤ τₙ），则接受 θ。理想 ABC 后验 Π^{ABC}ₙ(·|X) 是接受概率加权后的先验。

第二步：讲最小内核

最简特例：一维高斯序列估计（d=1, α 已知）

考虑最简单的非参数问题：观测

\[X_j = \theta_{0j} + n^{-1/2} \xi_j, \quad j = 1, 2, \ldots\]
其中 ξⱼ ~ N(0,1) i.i.d.，θ₀ 属于 Sobolev 椭球 Θ_α(R) = {θ ∈ ℓ² : Σⱼ j^{2α}θⱼ² ≤ R²}。目标是估计 θ₀ 在 ℓ² 范数下，已知 minimax 速率为 n^{-2α/(2α+1)}。

ABC 设定： - 取 summary statistic 维度 Kₙ = ⌈n^{1/(2α+1)}⌉（与 minimax 速率匹配）。 - Summary statistic：Sₙ(X) = X^{Kₙ} = (X₁, ..., X_{Kₙ}) ∈ ℝ^{Kₙ}。 - 容忍度：τₙ = Aϵₙ，其中 ϵₙ = Kₙ^{-α} + √(Kₙ/n) ≍ n^{-α/(2α+1)}，A 是足够大的常数。 - 先验：截断高斯级数先验——对 j = 1, ..., Kₙ，θⱼ ~ N(0, λ²Kₙ^{-1}j^{-2α}) 独立，然后截断到放大椭球 Θ_{α,Kₙ}(R_Π) = {θ: θⱼ=0 for j>Kₙ, Σ_{j=1}^{Kₙ} j^{2α}θⱼ² ≤ R_Π²}。对 j > Kₙ，θⱼ = 0。

核心思路（一句话）：ABC 后验的收缩性质由三个量决定——(i) 先验在 ϵₙ-邻域内的质量（至少 exp{-CKₙ}），(ii) 观测 summary 的典型大小（√(Kₙ/n)），(iii) 远离真实值的参数被接受的概率（指数级小）。当 Kₙ 与 minimax 速率匹配时，这三个量达到平衡，使得后验质量集中在半径 O(ϵₙ) 的球内。

为什么这个特例抓住了本质： - 高斯序列模型是“最干净的”非参数问题——噪声是加性高斯，summary statistic 的分布完全已知。 - 所有技术困难都归结为：在 Kₙ 维空间中，先验质量、观测噪声、合成噪声之间的指数级竞争。 - 密度估计问题本质上相同，只是多了投影偏差（truncation bias）和密度有界性约束。

在这个特例下，Theorem 3.2 的证明如何走： 1. 典型事件 Eₙ：观测 summary 与真实 summary 的距离 ≤ Bϵₙ（B 固定）。由高斯范数集中，P(Eₙ^c) ≤ exp{-cKₙ}。 2. 局部先验质量：先验在半径为 δϵₙ 的球（围绕真实投影 θ₀^{Kₙ}）内至少有 exp{-CKₙ} 质量。这是因为高斯先验的密度在该球内被下界控制，且球体积与先验尺度匹配。 3. 局部接受概率：对球内的 θ，合成噪声 η = n^{-1/2}ξ^{Kₙ} 满足 ∥η∥₂ ≤ (A-B-δ)ϵₙ 时即可被接受。由高斯范数集中，该概率 ≥ 常数（不依赖于 Kₙ）。 4. 分离接受概率：对远离真实值的 θ（∥θ - θ₀∥_{ℓ²} > Mϵₙ），其 Kₙ 维投影至少相距 (M-R)ϵₙ。接受意味着合成噪声必须很大：∥η∥₂ ≥ (M-R-B-A)ϵₙ。由高斯范数集中，该概率 ≤ exp{-c(M-R-B-A)²Kₙ}。 5. 后验收缩*：后验质量 = (局部质量 × 局部接受概率) / (全局归一化常数)。局部贡献 ≥ exp{-CKₙ}，分离贡献 ≤ exp{-cM²Kₙ}。当 M 足够大时，分离贡献远小于局部贡献，因此后验质量集中在 ϵₙ-邻域内。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在非参数设定下（高斯序列估计和密度估计），ABC 后验及其后验均值能否达到经典 minimax 最优收敛速率。
  2. 核心工具/方法：建立了一个抽象的后验收缩定理（Theorem 3.2），该定理基于 summary statistics sieve（维度 Kₙ 随 n 增长）和局部先验质量条件（Condition 3.1），将 ABC 的统计性质与蒙特卡洛实现分离。
  3. 主要结论：在 Sobolev 椭球上的高斯序列估计和有界 Sobolev 类上的密度估计中，构造的 ABC 程序使得理想后验和后验均值达到相应的 minimax 速率；当提议数以有效维数的指数速率增长时，rejection ABC 算法继承相同速率。

关键设定与假设

完整记号（在第二节基础上补充）： - Fₙ：目标参数类序列（如 Sobolev 椭球 Θ_α(R) 或密度类 P_α(R, m, M)）。 - Kₙ：有效维度，满足 Kₙ ≍ nϵₙ²（ϵₙ 是目标收缩半径）。 - Eₙ = Eₙ(f₀)：典型数据事件（观测 summary 与真实 summary 的距离受控）。 - Bₙ(f₀)：局部先验质量集（参数与真实值接近）。 - C_Π, C_L, C_D, C_S, c：Condition 3.1 中的常数。 - M⋆：分离常数阈值（大于此值时分离接受概率足够小）。

关键假设（Condition 3.1）： - (B1) 典型事件概率：P^{(n)}_{f₀}(Eₙ^c) ≤ exp{-cKₙ}。含义：观测 summary 偏离其期望的概率随 Kₙ 指数级衰减。 - (B2) 局部先验质量：Πₙ{Bₙ(f₀)} ≥ exp{-C_Π Kₙ}。含义：先验在 ϵₙ-邻域内至少有指数级（在 Kₙ 中）质量。 - (B3) 局部接受概率：对 f ∈ Bₙ(f₀)，d(f, f₀) ≤ C_L ϵₙ，且在 Eₙ 上 L^{ABC}ₙ(f; X) ≥ exp{-C_L Kₙ}。含义：靠近真实值的参数有足够高的接受概率。 - (B4) 分离接受概率：对每个固定 M ≥ M⋆，在 Eₙ 上，远离真实值（d(f, f₀) > Mϵₙ）的参数满足 L^{ABC}ₙ(f; X) ≤ exp{-C_D (M - C_S)² Kₙ}。含义：远离真实值的参数接受概率指数级小。

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 Kₙ → ∞（非参数设定）。 - 相比 Ghosal and van der Vaart (2017) 的非参数贝叶斯收缩，本文的“似然”是 ABC 接受概率（而非真实似然），因此需要额外的分离条件 (B4) 来控制合成噪声。 - 相比 Legramanti et al. (2025) 的 discrepancy-based ABC，本文专注于 summary statistics sieve 设定，但给出了具体的 minimax 率（而非一般性集中界）。

主要结果

Theorem 3.2（抽象理想 ABC 收缩）：在 Condition 3.1 下，存在 M₀ < ∞ 使得对每个固定 M ≥ M₀，

\[\sup_{f₀ \in Fₙ} E^{(n)}_{f₀} \Pi^{ABC}_n \{ f : d(f, f₀) > M \epsilon_n \mid X \} \to 0.\]
- 直觉：后验质量集中在半径 O(ϵₙ) 的球内。 - 必要条件：局部先验质量至少 exp{-CKₙ}，分离接受概率至少 exp{-cM²Kₙ}，且 M 足够大使得 cM² > C。 - 解决的技术难点：将 ABC 接受概率（涉及合成噪声）纳入后验收缩框架，需要同时控制观测噪声和合成噪声。

Corollary 3.3（归一化常数下界）：存在 κ < ∞ 使得 P^{(n)}_{f₀}{Dₙ(X) < exp(-κKₙ)} ≤ exp{-c'Kₙ}。这保证了归一化常数不会太小。

Theorem 3.4（蒙特卡洛转移——后验质量）：若 Nₙ exp{-κKₙ} → ∞，则经验 rejection-ABC 后验继承理想后验的收缩性质。关键：提议数需要指数级（在 Kₙ 中）增长。

Corollary 3.5（蒙特卡洛转移——后验均值）：若 Nₙ exp{-κKₙ} ≥ C_N log(1/ϵₙ)，则经验后验均值的风险达到 O(ϵₙ²)。更严格的条件：需要理想后验的二阶矩有界（(3.4) 式）。

Theorem 4.1（高斯序列理想 ABC 上界）：存在 A₀ 使得对每个 A > A₀，理想 ABC 后验在 ℓ² 范数下以速率 n^{-2α/(2α+1)} 收缩，且后验二阶矩有界。证明：验证 Condition 3.1，利用高斯范数集中和先验质量计算。

Theorem 4.3（高斯序列 minimax 下界）：经典结果，速率为 n^{-2α/(2α+1)}。结论：理想 ABC 后验均值是 minimax 最优的。

Theorem 4.4 & Corollary 4.5（高斯序列 rejection-ABC）：若 Nₙ exp{-κKₙ} → ∞（对后验质量）或 Nₙ ≥ exp{(κ+η)Kₙ}（对后验均值），则经验 ABC 达到 minimax 率。

Theorem 5.5（密度估计理想 ABC 上界）：在 Condition 5.1（投影可行性）和 Condition 5.3（系数集中）下，理想 ABC 后验在 L² 范数下以速率 n^{-2α/(2α+d)} 收缩。证明：与高斯序列类似，但需要处理投影偏差和密度有界性约束。

Theorem 5.8（密度估计 minimax 下界）：在 Assouad-超立方体条件（Condition 5.7）下，速率为 n^{-2α/(2α+d)}。结论：理想 ABC 后验均值是 minimax 最优的。

Proposition 5.4（三角基验证）：对三角基（5.8），当 α > d/2 时，Conditions 5.1 和 5.3 成立。意义：给出了一个具体的、可验证的例子。

证明路线与技术技巧

整体路线（以高斯序列为例）：

  1. 设定有效维度：Kₙ = ⌈n^{1/(2α+1)}⌉，ϵₙ = Kₙ^{-α} + √(Kₙ/n) ≍ n^{-α/(2α+1)}。
  2. 构造先验：截断高斯级数先验（4.3），支持在放大椭球 Θ_{α,Kₙ}(R_Π) 上。
  3. 验证 Condition 3.1：
  4. (B1)：观测噪声 ∥X^{Kₙ} - θ₀^{Kₙ}∥₂ = ∥n^{-1/2}ξ^{Kₙ}∥₂，由高斯范数集中（Theorem A.1）得概率 ≤ exp{-cKₙ}。
  5. (B2)：先验在半径为 δϵₙ 的球内质量 ≥ exp{-CKₙ}（Lemma C.2）。证明利用高斯密度下界和球体积公式，关键点是先验尺度 λKₙ^{-1/2}j^{-α} 与球半径 δϵₙ 的匹配。
  6. (B3)：对球内 θ，合成噪声 ∥η*∥₂ ≤ (A-B-δ)ϵₙ 时即可接受。由高斯范数集中，该概率 ≥ 常数。
  7. (B4)：对远离真实值的 θ，接受意味着合成噪声很大，概率 ≤ exp{-c(M-R-B-A)²Kₙ}。
  8. 应用 Theorem 3.2：得到后验收缩。
  9. 后验均值风险：利用后验二阶矩有界（由收缩性质和参数空间有界性）和 Jensen 不等式。

关键跳跃点： - 先验质量计算（Lemma C.2）：需要精确计算 Kₙ 维球体积与高斯先验密度的乘积。难点在于先验方差随坐标衰减（j^{-2α}），而球半径 ϵₙ 也随 Kₙ 衰减。关键技巧是：先验密度下界中的指数项 ∝ exp{-CKₙ}（由加权范数控制），球体积 ∝ exp{Kₙ log(δϵₙ) + (Kₙ/2) log(c/Kₙ)}，两者相乘后 Kₙ 的幂次恰好抵消，留下 exp{-CKₙ}。 - 分离接受概率（B4）：需要将参数距离转化为合成噪声距离。关键不等式：若 ∥θ - θ₀∥_{ℓ²} > Mϵₙ，则 ∥θ^{Kₙ} - θ₀^{Kₙ}∥₂ ≥ (M-R)ϵₙ（利用尾部偏差 Lemma C.1）。然后由三角不等式得到合成噪声下界。

技术技巧点名： - 高斯范数集中（Theorem A.1）：用于控制观测噪声和合成噪声的范数。使用 Laurent-Massart 的 χ² 集中不等式。 - 球体积公式 + Stirling 近似：用于计算先验质量下界。 - ε-net 论证（Theorem A.2）：用于密度估计中系数 summary 的集中性。通过 1/2-net 将欧氏范数控制转化为方向性控制，再用 Bernstein 不等式。 - Assouad 超立方体方法（Theorem 5.8 证明）：用于密度估计的 minimax 下界。构造以均匀密度为中心的扰动族，利用两两总变差距离 ≤ 1/4 得到下界。 - 条件论证（Theorem 3.4 证明）：将经验后验的期望分解为理想后验项 + 无接受事件项。无接受事件概率由归一化常数下界控制。

真实例子与应用

本文为纯理论论文，无实证例子。两个“应用”（高斯序列和密度估计）是理论基准问题，用于验证抽象定理，而非真实数据分析。作者明确说明：“These benchmark experiments 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.”（Section 1.2）

🔎 结论是否比证明窄

  1. Theorem 3.2 的结论是“后验质量集中在 Mϵₙ 球内”，但未给出后验均值的风险界。后验均值风险界（Corollary 3.5）需要额外的二阶矩假设（(3.4) 式），该假设在具体问题中单独验证。作者在 Section 3 末尾承认：“The additional assumptions in Corollary 3.5 are used only to convert posterior mass control into risk control for the empirical posterior mean.”

  2. 密度估计的结论依赖于 Condition 5.1（投影可行性）和 Condition 5.3（系数集中），这些条件仅在三角基下被验证（Proposition 5.4），且要求 α > d/2。作者在 Remark 5.11 中承认：“Boundary choices such as m = 1, M = 1, or R = 0 can collapse the density class to the uniform density and therefore cannot support the nonparametric rate.” 这意味着结论不适用于退化情形。

  3. Monte Carlo 转移定理（Theorem 3.4）给出的是充分条件（Nₙ exp{-κKₙ} → ∞），而非必要条件。作者在 Section 6 明确区分：“These are sufficient guarantees obtained from denominator lower bounds; they are not lower bounds on the required number of proposals or on end-to-end computational cost.” 这意味着实际需要的提议数可能远小于指数级。

  4. Appendix E 的参数结果（Theorem E.2）假设 summary statistic 是根号 n 相合的（Condition E.1），这与非参数设定不同。作者将其单独处理，并在 Section 1.4 说明：“Appendix E is included to connect the present minimax formulation with this literature.” 这意味着参数结果不是本文的核心贡献。

  5. 密度估计的 Assouad-超立方体条件（Condition 5.7）是专门为下界构造的，作者在 Remark 5.10 中承认：“Condition 5.7 is used only for the minimax lower bound.” 这意味着上界（Theorem 5.5）不依赖于该条件，但下界需要它。

四、开放问题（点到为止，扎根具体语句）

  1. kernel-weighted 或 importance-sampling ABC 的 minimax 理论：Section 6 指出：“A first direction is to determine which parts of the local-mass proof transfer to kernel-weighted or importance-sampling ABC posteriors, where the hard acceptance event is replaced by a continuous weight.” 具体问题：能否将 Theorem 3.2 的分离条件 (B4) 从“接受概率上界”推广为“kernel 权重上界”？这需要处理 kernel 尾部行为而非 rejection 概率。

  2. 基于全数据 discrepancy 的 ABC 的 minimax 理论：Section 6 指出：“A second direction is to develop minimax-rate theory for ABC based on full-data discrepancies, such as Wasserstein, energy, maximum mean discrepancy, or KL-type discrepancies.” 具体问题：对于 Wasserstein ABC（Bernton et al. 2019），需要什么 tolerance 和先验分辨率才能达到非参数 minimax 率？哪些部分的 denominator/separation/Monte Carlo 转移需要新的技术输入？

  3. rejection ABC 的计算下界：Theorem 3.4 给出指数级充分条件，但 Section 6 承认：“These are sufficient guarantees obtained from denominator lower bounds; they are not lower bounds on the required number of proposals or on end-to-end computational cost.” 具体问题：是否存在一个信息-计算权衡，使得任何多项式时间的 ABC 算法都无法达到 minimax 率？或者，是否存在更高效的算法（如 SMC-ABC、regression-adjusted ABC）在多项式提议数下达到相同速率？

  4. 更一般的非参数问题：本文仅处理了高斯序列和密度估计两个基准问题。Section 6 未明确列出其他问题，但 Condition 3.1 是抽象的。具体问题：对于非参数回归、分类、光谱密度估计等，能否构造满足 Condition 3.1 的 ABC 程序？这需要针对每个问题设计合适的 summary statistics sieve 和先验。

  5. 正链接密度先验（log-spline, infinite-dimensional exponential family）的 ABC minimax 理论：Section 6 指出：“Positive-link density priors enforce positivity by exponentiating and normalizing a series expansion... but they make the map from prior coefficients to density coefficients nonlinear. A minimax-rate ABC theorem for those priors would therefore require a separate proof.” 具体问题：对于这类先验，局部先验质量条件 (B2) 和分离条件 (B4) 如何验证？非线性映射使得系数空间中的球不再对应密度空间中的简单邻域。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论