跳转至

Robust Scale Estimation in Additive Noise via Weighted Order Statistics

作者: Jorge González Cázares, Arturo Jaramillo
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.22165

一、领域脉络与小综述

  • 这个方向是什么：本子方向研究的是在加性噪声模型 \(X_k = Y_k + \sigma Z_k\) 中，如何从观测向量 \(X\) 中稳健地估计噪声的尺度参数 \(\sigma\)。核心挑战在于：信号 \(Y\) 是未知且可能稀疏或低变分的，噪声 \(Z\) 的联合分布（包括依赖结构和边际分布 \(\Psi\)）也未知，仅假设其边际分布 \(\Psi\) 已知。该问题出现在小波去噪、语音增强、高频金融计量等众多领域，其估计结果常作为后续阈值设定或滤波的输入。

  • 发展脉络（history）：

    • 奠基工作：经典稳健尺度估计。Hampel [24] 和 Huber [27, 28] 奠定了稳健统计的基础，其中中位数绝对偏差 (MAD) 因其 50% 的渐近崩溃点而成为经典基准。Rousseeuw 和 Croux [34] 提出了 \(S_n\) 和 \(Q_n\) 等更高效率的稳健尺度估计量。这些方法的核心假设是噪声近似独立，且污染可通过中心次序信息处理。留下的口子：当噪声存在显著依赖（如长程相关）或参考分布 \(\Psi\) 重尾时，这些方法的解释力受限，可能导致尺度校准不稳定。
    • 主要进展：高频金融中的阈值法与多幂次变差。针对伊藤半鞅的高频观测，Barndorff-Nielsen 和 Shephard [5] 等发展了基于截断或多幂次变差的波动率估计方法。这些方法在存在跳跃时非常有效，但作者指出其实现通常需要初步校准，如初始波动率估计或适应尺度的阈值 [1, 10, 30]。留下的口子：这些方法依赖于时间结构（如半鞅假设）和预滤波，可能破坏信号的稀疏性，且对噪声的依赖结构有特定要求。
    • 当前 frontier：纯空间、免滤波的排序统计量方法。本文提出的方法属于这一前沿。其核心思想是：利用排序操作在 \(\ell_p\) 范数下的稳定性（[9, Lem. 4.2]），将加性模型转化为 \(X^\uparrow \approx \sigma Z^\uparrow + \tilde{Y}\)，从而将信号贡献与噪声贡献在排序域中分离。通过将排序后的观测值与由参考分布 \(\Psi\) 生成的代理（确定性分位数或独立样本）进行比较，构建加权损失函数来估计 \(\sigma\)。本文的位置：本文是这一前沿的系统性理论构建，它统一并推广了此前分散的直觉，为非参数、稳健的尺度估计提供了一个完整的非渐近浓度不等式框架，并首次将分析扩展到相关噪声和重尾参考分布。

  • 子线索聚类：

    • 线索一：经典稳健统计与崩溃点理论。以 Huber [27]、Hampel [24, 25] 和 Rousseeuw & Croux [34] 为代表。核心关注点是在独立同分布或近似独立假设下，估计量的稳健性和崩溃点。本文在 Section 2.5 中专门分析了加权中位数估计量 \(\Sigma_1\) 的崩溃点，并与经典结果 [17] 进行了对比。
    • 线索二：高频金融中的波动率估计。以 Barndorff-Nielsen & Shephard [5]、Jacod & Reiß [30]、Amorino & Gloter [1] 和 Boniece et al. [10] 为代表。这些方法利用时间序列的局部结构（如半鞅性质）来分离连续波动与跳跃。本文在 Section 5 中将其作为应用场景，展示了所提方法如何避免预滤波，直接应用于重标后的增量。
    • 线索三：排序统计量与经验过程的渐近理论。以 Bobkov & Ledoux [9]、Fournier & Guillin [16]、Csörgő et al. [12] 和 Shorack & Wellner [35] 为代表。这些工作提供了控制排序向量差异（如 Wasserstein 距离）和加权经验过程的关键工具。本文的核心技术分析（Section 4）大量依赖这些结果，特别是 [9] 中关于排序稳定性的引理和 [12] 中关于加权分位数过程的弱收敛结果。

  • 这个方向在追问的核心问题（2-4 个）：

    1. 如何在不依赖噪声独立性和特定依赖结构的前提下，获得尺度参数的相合估计？ 经典方法（如 MAD）在相关噪声下性能退化。
    2. 如何设计估计量，使其对信号污染（稀疏但可能很大的扰动）具有鲁棒性，同时又能利用全样本信息？ 仅依赖少数中心分位数的方法（如 MAD）可能浪费信息，而预滤波可能破坏稀疏性。
    3. 如何控制由代理（理论分位数或独立样本）与真实排序噪声之间的差异所带来的误差？ 这是非渐近分析的核心难点，尤其是在重尾或相关噪声下。
    4. 能否为非参数、基于排序的尺度估计量建立精确的渐近分布，以便进行推断？ 本文的 Theorem 4.4 和 4.6 给出了加权 \(L_r\) 损失的弱极限，这是迈向推断的重要一步。

  • ⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）：

    • 作者把缺口 frame 成什么：作者将现有方法的缺口 frame 为“对噪声依赖结构不鲁棒”和“依赖预滤波或阈值校准”。他们声称经典稳健估计量（如 MAD）“not fully agnostic to the structure of the data”，而高频方法“require some preliminary calibration”。因此，本文的“纯空间、免滤波”方法被呈现为“显然的下一步”。
    • 哪些竞争路线被他淡化或回避了：作者淡化了经典稳健估计量在特定依赖结构下的理论进展（如 [19, 38] 对 MAD 在依赖数据下的分析），仅一笔带过。他们也回避了与基于协方差矩阵的分布鲁棒波束成形方法（如 [26, 29]）的深入比较，仅指出其“covariance-based”在重尾下的局限性。
    • 什么明显该被引 / 该存在、却没出现在 intro 里？：作者在 Section 3 的 Remark 3.1 中提到了 Rousseeuw & Croux [34] 的 \(S_n\) 和 \(Q_n\) 估计量，但并未在引言中将其作为主要竞争路线进行讨论。这些估计量在独立同分布噪声下具有比 MAD 更高的效率，且其分析可能涉及 U-统计量，与研究者对高阶 U-统计量的兴趣有潜在联系。此外，关于排序统计量在信号处理中用于噪声水平估计的实证文献（如 [37] 中提到的 IMCRA 方法）在引言中虽有提及，但未作为理论比较的基线。

  • 张力：未见明显对立引用。被引工作之间在各自假设下结论一致，没有在略不同条件下得出相反结论的情况。

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：
      • \(X = (X_1, \dots, X_n)^\top \in \mathbb{R}^n\)：可观测数据向量。
      • \(Y = (Y_1, \dots, Y_n)^\top \in \mathbb{R}^n\)：不可观测的信号向量，假设为弱稀疏或低变分。
      • \(Z = (Z_1, \dots, Z_n)^\top \in \mathbb{R}^n\)：不可观测的噪声向量，其边际分布函数 \(\Psi\) 已知。
      • \(\sigma > 0\)：待估计的未知尺度参数。
      • \(X^\uparrow, Z^\uparrow\)：分别表示 \(X\) 和 \(Z\) 的升序重排向量。
      • \(\psi \in \mathbb{R}^n\)：代理向量，是排序后噪声 \(Z^\uparrow\) 的替代。可以是确定性的理论分位数 \(\psi_k^{\text{det}} = \Psi^{-1}(k/(n+1))\)，或来自独立同分布样本 \(\xi\) 的排序 \(\psi^{\text{rnd}} = \xi^\uparrow\)。
      • \(w = (w_1, \dots, w_n)^\top\)：权重向量，\(w_k \ge 0\)，用于衰减边界点的影响。
      • \(\Sigma_r\)：基于加权 \(L_r\) 损失的尺度估计量，\(\Sigma_r \in \arg\min_{s \in \mathbb{R}} \sum_{k=1}^n w_k |X_k^\uparrow - s \psi_k|^r\)。
      • \(\|\cdot\|_p\)：\(\mathbb{R}^n\) 上的 \(\ell_p\) 范数。
      • \(p, q\)：共轭指数，满足 \(1/p + 1/q = 1\)。
    • 模型：数据生成机制为加性模型 \(X = Y + \sigma Z\)。信号 \(Y\) 和噪声 \(Z\) 可以是任意相关的，但 \(Z\) 的边际分布 \(\Psi\) 是已知的。没有对 \(Z\) 的独立或特定依赖结构做假设。
    • 可观测数据：研究者实际能观测到的是向量 \(X\)。信号 \(Y\) 和噪声 \(Z\) 都是潜在/不可观测的。研究者知道噪声的边际分布 \(\Psi\)，但不知道其联合分布。研究者可以生成一个与 \(X\) 独立的、服从 \(\Psi\) 的辅助样本 \(\xi\)（用于随机代理）。

  • 第二步：讲最小内核——把原文的许多假设、一般性设定都剥掉，找出支撑整篇论文的那个最小内核。

    • 最简特例：假设信号 \(Y\) 是稀疏的，即只有少数 \(k\) 使得 \(Y_k \neq 0\)，且这些非零值可能很大。噪声 \(Z\) 是独立同分布的标准正态分布，即 \(\Psi = \Phi\)。我们使用确定性代理 \(\psi_k = \Phi^{-1}(k/(n+1))\) 和均匀权重 \(w_k = 1\)。我们考虑二次损失 \(r=2\)，此时估计量有显式解 \(\Sigma_2 = \langle \psi, X^\uparrow \rangle / \langle \psi, \psi \rangle\)。
    • 在这个特例下，要证的命题退化成什么：定理 2.1 的误差界退化为：
      \[|\Sigma_2 - \sigma| \le \frac{\|\psi\|_q \|Y\|_p}{\langle \psi, \psi \rangle} + \sigma \sqrt{\frac{\langle (Z^\uparrow - \psi)^2 \rangle}{\langle \psi, \psi \rangle}}.\]
      这里 \(p\) 和 \(q\) 是共轭指数。由于 \(Z\) 是 i.i.d. 标准正态，\(\psi\) 是理论分位数，我们可以分析这两项。
    • 证明怎么走、为什么成立：
      1. 排序稳定性：关键引理 \(\|X^\uparrow - \sigma Z^\uparrow\|_p \le \|X - \sigma Z\|_p = \|Y\|_p\)。这意味着排序操作不会放大信号 \(Y\) 的 \(\ell_p\) 范数。这是整个方法的基石。
      2. 误差分解：通过代数运算（见定理 2.1 证明），将估计误差 \(|\Sigma_2 - \sigma|\) 分解为两项之和：一项是信号污染项，正比于 \(\|Y\|_p\)；另一项是代理差异项，正比于 \(\|Z^\uparrow - \psi\|_2\)。
      3. 控制代理差异：在 i.i.d. 标准正态噪声下，\(Z^\uparrow\) 是顺序统计量，\(\psi\) 是理论分位数。经典结果（如 DKW 不等式或更精细的 Wasserstein 距离界）表明 \(\|Z^\uparrow - \psi\|_2 = O_P(\sqrt{n})\)。因此，代理差异项为 \(O_P(n^{-1/2})\)。
      4. 控制信号污染：如果信号 \(Y\) 是稀疏的，例如只有 \(s\) 个非零元素，每个大小为 \(M\)，那么 \(\|Y\|_p \le s^{1/p} M\)。如果 \(s\) 增长慢于 \(n\)（弱稀疏），则信号污染项 \(\|Y\|_p / \langle \psi, \psi \rangle\) 趋于 0。例如，若 \(s = o(n)\) 且 \(M\) 有界，则该项为 \(o(1)\)。
    • 结论：在这个最简特例下，\(\Sigma_2\) 是相合的，收敛速度为 \(O_P(\max\{n^{-1/p} \|Y\|_p, n^{-1/2}\})\)。这清晰地展示了论文的核心思想：通过排序将信号和噪声在空间上分离，然后利用代理来估计噪声尺度，其误差由信号稀疏性和噪声与代理的差异共同决定。

三、这篇论文做了什么

  • 三句话：

    1. 研究了什么问题：在加性噪声模型 \(X = Y + \sigma Z\) 中，当信号 \(Y\) 满足弱稀疏或低变分条件，且噪声 \(Z\) 的边际分布 \(\Psi\) 已知但依赖结构未知时，如何稳健地估计尺度参数 \(\sigma\)。
    2. 核心工具 / 方法：提出了一类基于加权顺序统计量的估计量 \(\Sigma_r\)。该方法通过将排序后的观测值 \(X^\uparrow\) 与由 \(\Psi\) 生成的代理 \(\psi\) 进行比较，并最小化加权 \(L_r\) 损失来估计 \(\sigma\)。代理可以是确定性的理论分位数，也可以是随机生成的独立样本。
    3. 主要结论：建立了估计误差 \(|\Sigma_r - \sigma|\) 的非渐近浓度不等式（定理 2.1），该不等式将误差分解为信号污染项和代理差异项。在此基础上，推导了在 i.i.d. 和相关噪声（包括高斯过程）下的收敛速度，并分析了加权中位数估计量 \(\Sigma_1\) 的崩溃点。最后，将框架应用于高频随机过程（分数布朗运动和稳定 Lévy 噪声）的波动率估计，获得了具体的收敛率。

  • 关键设定与假设：

    • 模型：\(X = Y + \sigma Z\)，其中 \(Y\) 和 \(Z\) 是 \(\mathbb{R}^n\) 中的向量。
    • 对信号 \(Y\) 的假设：仅假设其 \(\ell_p\) 范数 \(\|Y\|_p\) 可控（如 \(o_P(n^{1/p})\)），这对应了弱稀疏或低变分条件。没有假设 \(Y\) 和 \(Z\) 独立。
    • 对噪声 \(Z\) 的假设：
      • 边际分布 \(\Psi\) 已知。
      • 没有假设 \(Z\) 的坐标独立。依赖结构可以任意复杂，只要其相关性可以通过某种量（如 \(D_n = \sum_{i,j} |\text{Cov}[W_i, W_j]|\)）控制。
      • 在随机代理情况下，需要一个独立于 \(X\) 的、服从 \(\Psi\) 的辅助样本 \(\xi\)。
    • 对权重 \(w\) 的假设：权重是代理 \(\psi\) 的函数，即 \(w = \omega(\psi)\)，其中 \(\omega\) 是连续有界函数，且满足 \(\sup_x |x|^r \omega(x) < \infty\)。这确保了边界点被充分降权。
    • 与已有文献的对比：相比经典稳健估计（如 MAD），本文的假设更弱（允许任意依赖结构）；相比高频金融方法，本文避免了对半鞅结构或特定阈值校准的需求。

  • 主要结果：

    • 定理 2.1（核心非渐近界）：对任意 \(p \ge 1\)，\(r=1,2\)，有
      \[|\Sigma_r - \sigma| \le 2^{2-r} \frac{\|w \odot |\psi|^{r-1}\|_q}{\langle w, |\psi|^r \rangle} \|Y\|_p + 2^{2-r} \sigma \left( \frac{\langle w, |Z^\uparrow - \psi|^r \rangle}{\langle w, |\psi|^r \rangle} \right)^{1/r}.\]
      直觉：误差由两部分组成：① 信号污染项，正比于 \(\|Y\|_p\)，通过权重与代理的比值进行缩放；② 代理差异项，正比于排序噪声与代理之间的加权 \(L_r\) 距离。必要条件：分母 \(\langle w, |\psi|^r \rangle > 0\)。解决的技术难点：如何将信号和噪声的贡献在排序域中分离，这依赖于排序映射的 \(\ell_p\) 稳定性（引理 2.5）。
    • 推论 2.6（i.i.d. 噪声下的收敛速度）：若 \(Z\) 的坐标 i.i.d.，则 \(|\Sigma_r - \sigma| = O_P(n^{-1/p}\|Y\|_p + n^{-1/2})\)。直觉：在 i.i.d. 下，代理差异项以 \(n^{-1/2}\) 速度收敛，这是最优的。
    • 推论 2.8（相关高斯噪声下的收敛速度）：若 \(Z\) 由高斯过程生成，则 \(|\Sigma_r - \sigma| = O_P(n^{-1/p}\|Y\|_p + n^{-1/r} D_n^{1/(2r)})\)，其中 \(D_n\) 是协方差绝对和。直觉：噪声相关性会减慢代理差异项的收敛速度，其影响由 \(D_n\) 刻画。例如，对于分数布朗运动增量，\(D_n = O(n^{\max\{1, 2H\}})\)，导致收敛速度变慢。
    • 定理 3.3（MAD 估计量的界）：给出了 MAD 估计量的类似非渐近界，其信号污染项为 \((n^{-1}\|Y\|_p^p)^{1/(p+1)}\)，比 \(\Sigma_r\) 的 \(n^{-1/p}\|Y\|_p\) 更差。直觉：MAD 仅依赖两个中位数，对信号污染的鲁棒性不如利用全排序信息的 \(\Sigma_r\)。
    • 定理 4.4 和 4.6（代理差异的弱极限）：在 i.i.d. 噪声下，加权 \(L_r\) 损失 \(\langle w, |Z^\uparrow - \psi|^r \rangle\) 经缩放后弱收敛到关于布朗桥的积分。直觉：这为推断（如构造置信区间）提供了理论基础。随机代理的渐近方差是确定性代理的两倍。

  • 证明路线与技术技巧（理论型必写，要具体）：

    • 整体路线：
      1. Step 1: 排序稳定性：利用引理 2.5（来自 [9]）\(\|X^\uparrow - \sigma Z^\uparrow\|_p \le \|Y\|_p\)，将信号污染从原始空间转移到排序空间。
      2. Step 2: 误差分解：通过代数操作（如三角不等式、Cauchy-Schwarz），将估计误差 \(|\Sigma_r - \sigma|\) 分解为信号污染项和代理差异项。这是定理 2.1 证明的核心。
      3. Step 3: 控制代理差异：这是技术难点。对于 i.i.d. 噪声，利用加权经验过程理论（[12]）和分位数过程的弱收敛，得到弱极限（定理 4.4, 4.6）。对于相关噪声，利用 Wasserstein 距离的积分表示（[9]）和 Gebelein 不等式（引理 4.12），将代理差异的控制转化为对协方差和 \(D_n\) 的控制（命题 4.10, 推论 4.13）。
      4. Step 4: 崩溃点分析：对于 \(r=1\)，将 \(\Sigma_1\) 视为加权中位数，利用加权中位数的稳健性性质（[17]），分析其有限样本和渐近崩溃点（引理 2.12, 命题 2.13）。
    • 关键跳跃点：
      • 从原始空间到排序空间的跳跃：引理 2.5 是整个方法可行的关键。它保证了排序操作不会“放大”信号，这是将问题转化为比较排序后观测值与代理的基础。
      • 控制相关噪声下的代理差异：命题 4.10 的证明是一个关键跳跃。它利用 Wasserstein 距离的积分表示，将 \(\langle w, |Z^\uparrow - \psi| \rangle\) 的上界转化为对经验分布函数与理论分布函数之间差异的积分。然后，通过控制经验过程的方差（依赖于协方差和 \(D_n\)）来得到期望界。这需要巧妙地处理确定性代理的阶梯函数性质（不等式 4.10）。
    • 技术技巧点名：
      • 排序映射的 \(\ell_p\) 稳定性（引理 2.5）：来自 Bobkov & Ledoux [9]，是核心工具。
      • Hölder 不等式和 Cauchy-Schwarz 不等式：用于定理 2.1 的证明。
      • 加权经验过程与分位数过程：用于定理 4.4 和 4.6 的证明，依赖 Csörgő et al. [12] 的加权分位数过程弱收敛结果。
      • Wasserstein 距离的积分表示：用于命题 4.10，将离散的排序差异转化为连续的经验分布差异。
      • Gebelein 不等式：用于推论 4.13，将高斯相关变量的函数协方差上界与相关系数联系起来。
      • Hermite 多项式展开与 Billingsley 紧性准则：用于定理 4.14 的证明，以控制相关高斯过程经验过程的 Kolmogorov 距离。
      • 崩溃点分析：用于引理 2.12 和命题 2.13，分析加权中位数的稳健性。

  • 真实例子与应用：

    • 使用的数据 / 场景：论文使用模拟数据（Section 6）来验证理论结果。场景是 Section 5 中描述的高频观测模型，其中 \(Z\) 是标准布朗运动（i.i.d. 标准正态噪声），\(Y\) 是 i.i.d. \(\alpha\)-稳定变量（模拟稀疏/重尾信号）。
    • 怎么把本文方法用上去：生成 \(n=10^4\) 个观测值，计算 \(\Sigma_1^{\text{det}}, \Sigma_1^{\text{rnd}}, \Sigma_2^{\text{det}}, \Sigma_2^{\text{rnd}}, \Sigma_{\text{MAD}}^{\text{det}}, \Sigma_{\text{MAD}}^{\text{rnd}}\) 等估计量。权重函数使用 \(\omega_4(x) = \exp(-x^2/2)\)。
    • 得到什么结果：
      • 偏差与标准差（表 2）：所有估计量偏差相近（约 1-4%）。\(\Sigma_1^{\text{det}}\) 和 \(\mathbb{E}[\Sigma_1^{\text{rnd}}|X]\) 的标准差最小（约 5%），而 \(\Sigma_{\text{MAD}}^{\text{rnd}}\) 的标准差最大（约 10%）。这验证了理论预测：利用全排序信息的估计量比仅依赖中位数的 MAD 更有效。
      • 收敛速度（图 3，表 3）：在分数布朗运动噪声和 \(\alpha\)-稳定噪声下，所有估计量的经验收敛速度都快于理论给出的上界。例如，对于 fBm 噪声 \(H=0.5\)，\(\Sigma_1^{\text{det}}\) 的理论上界为 \(n^{-0.269}\)，但经验速度为 \(n^{-0.523}\)。这表明理论界可能不是紧的。
    • 这个例子想说明什么：主要目的是验证理论（非渐近界和收敛速度）并展示相对 baseline (MAD) 的优势。结果表明，所提出的 \(\Sigma_r\) 估计量，特别是其确定性版本和条件期望版本，在效率上优于 MAD，且理论界虽然保守但能正确反映趋势。

  • 🔎 结论是否比证明窄：

    • 是。论文在多个地方声称估计量可以达到或接近 \(O(n^{-1/2})\) 的最优收敛速度。然而，这个结论在以下条件下是严格证明的：
      • i.i.d. 噪声（推论 2.6）：此时代理差异项为 \(O_P(n^{-1/2})\)，但信号污染项 \(n^{-1/p}\|Y\|_p\) 可能主导速度。
      • 相关噪声（推论 2.8）：速度由 \(D_n\) 决定，通常慢于 \(n^{-1/2}\)。例如，对于长程相关的分数布朗运动（\(H>1/2\)），速度是 \(n^{-(1-H)/r}\)，慢于 \(n^{-1/2}\)。
    • 论文在 Section 7 的结论中写道“reach or approach the optimal \(O(n^{-1/2})\) convergence speed under i.i.d. noise and even under heavily correlated Gaussian noise”。“even under heavily correlated Gaussian noise”这个说法过于宽泛。从推论 2.8 和 Remark 2.10 可以看出，在相关噪声下，只有当 \(D_n = O(n)\)（即噪声近似独立）时才能达到 \(n^{-1/2}\) 速度。对于长程相关噪声（如 \(H>1/2\) 的 fBm），速度是 \(n^{-(1-H)/r}\)，远慢于 \(n^{-1/2}\)。因此，结论中“even under heavily correlated Gaussian noise”的表述可能被误解为在所有相关高斯噪声下都能达到 \(n^{-1/2}\)，而严格证明只覆盖了 \(D_n = O(n)\) 的情形。

四、开放问题

  1. 紧的上界：论文在模拟中发现经验收敛速度远快于理论给出的上界（表 3）。一个开放问题是：能否得到更紧的非渐近界，甚至是最优的 minimax 收敛速度？这扎根于推论 2.6、2.8 与表 3 中经验速度的差距。
  2. 最优权重选择：论文给出了权重函数 \(\omega\) 需满足的条件，但未提供选择最优权重（如最小化渐近方差）的准则。一个开放问题是：对于给定的参考分布 \(\Psi\)，如何选择 \(\omega\) 以最小化 \(\Sigma_r\) 的渐近方差？这扎根于定理 4.4 和 4.6 中给出的弱极限，其中渐近方差是 \(\omega\) 的函数。
  3. 扩展到 \(r \neq 1,2\)：论文主要分析了 \(r=1\)（加权中位数）和 \(r=2\)（加权最小二乘）的情形，并指出其他 \(r\) 值的分析需要单独处理（Remark 2.2）。一个开放问题是：对于一般的 \(r\)，能否建立类似定理 2.1 的非渐近界？这扎根于 Remark 2.2 中明确指出的限制。
  4. 数据依赖的权重：论文在崩溃点分析中（Remark 2.14）提到了数据依赖的权重（如 \(1/(n^{-1/2} + |x|)\)）的可能性，但未深入分析。一个开放问题是：如何设计并分析数据依赖的权重，以在保持稳健性的同时提高效率？这扎根于 Remark 2.14 中关于避免权重退化的讨论。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论