Berry--Esseen bounds and bootstrap approximations for the Hilbert-space norm of \(U\)-statistics¶

作者: Nilanjan Chakraborty, Sayan Das
主题: 其他
相关性: 10/10
链接: https://arxiv.org/abs/2608.25463

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：对于一个取值于高维或无限维空间的非线性统计量（U-统计量），其范数的抽样分布能否被高斯分布或bootstrap以非渐近的、显式的误差界逼近？ 核心挑战在于，U-统计量的非线性结构（Hoeffding分解中的高阶退化项）使得经典的、针对样本均值的Berry-Esseen理论无法直接套用。当前成熟度：对于实值U-统计量，经典结果已很完善（n^{-1/2}率）；对于Hilbert空间值U-统计量，已有渐近正态性和一些Berry-Esseen界，但往往依赖较强的谱条件（如协方差算子有无穷多个正特征值）。本文试图在更弱的谱条件和矩条件下，建立非渐近的、显式依赖谱几何的Berry-Esseen界和bootstrap逼近。

发展脉络（history）¶

奠基工作：
- Hoeffding [1948]：提出了U-统计量和Hoeffding分解，建立了渐近正态性（CLT）。这是所有后续工作的基石。
- Callaert and Janssen [1978]：对实值非退化U-统计量建立了经典的n^{-1/2}率的Berry-Esseen定理。这是实值情形的标杆。
- Berry [1941], Esseen [1942]：独立和情形的经典Berry-Esseen定理，是所有后续工作的起点。
主要进展（Hilbert空间与高维）：
- Korolyuk and Borovskikh [1990], Borovskikh et al. [1997]：将Berry-Esseen界推广到Hilbert空间值U-统计量，得到了n^{-1/2}率。但作者指出，这些结果依赖于全局结构约束，例如“协方差算子拥有无限序列（或至少大量）严格正的特征值且远离零”（Borovskikh et al. [1997] 将条件从无限多个正特征值放松到九个）。这限制了其在近似低秩或奇异协方差结构上的应用。
- Chen [2018], Chen and Kato [2019]：在高维欧氏空间（R^d）中，对非退化U-统计量在超矩形（hyperrectangles）上建立了Gaussian和bootstrap逼近界。作者指出，这些结果依赖于次指数或多项式尾部假设，且针对的是sup-norm或ℓ∞-norm，而非本文关注的ℓ2-范数。
- Fang and Koike [2024]：对高维样本均值（线性统计量）在凸集和球上建立了仅依赖四阶矩的Berry-Esseen界。本文将其视为线性部分的基准，并试图将类似的技术推广到U-统计量的非线性情形。
当前frontier与本文位置：
- 当前frontier是：在尽可能弱的矩条件（如四阶矩）和谱条件（如仅需前两个特征值非零）下，为高维/函数型U-统计量的范数建立非渐近的分布逼近和bootstrap推断理论。
- 本文的位置：本文直接推进了这一frontier。它通过将Stein方法推广到Hilbert空间，并结合对Hoeffding分解高阶项的精细控制，在三角阵列框架下（允许H_n随n变化）建立了：
  - 对Hilbert空间范数的Berry-Esseen界（Theorem 2.1），误差依赖于核的四阶矩和协方差算子谱的“分散程度”（ℓ_n）。
  - 对高维欧氏空间（R^{d_n}）的显式维数依赖的界（Proposition 2.3）。
  - 对三种bootstrap（经验、高斯加权、jackknife乘子）的逼近界（Theorem 2.5）。
  - 以配对Kendall's tau系数向量的检验为例，给出了匹配的minimax下界（Proposition 3.3），证明其分离率在稠密高斯相关备择下是minimax率最优的。

子线索聚类¶

实值U-统计量的Berry-Esseen理论：Callaert and Janssen [1978], Alberink and Bentkus [2001]。关注一维情形，目标是最优率n^{-1/2}。
Hilbert空间值U-统计量的渐近理论：Korolyuk and Borovskikh [1990], Borovskikh et al. [1997]。关注无限维或高维情形，但依赖较强的谱条件（如无穷多或至少九个正特征值）。
高维U-统计量的Gaussian与bootstrap逼近（超矩形）：Chen [2018], Chen and Kato [2019]。关注高维R^d中的U-统计量，但针对的是ℓ∞-范数（超矩形），且需要次指数矩条件。
高维线性统计量的Gaussian逼近（球与凸集）：Fang and Koike [2024], Chernozhukov et al. [2017, 2022]。关注样本均值等线性统计量，在球和凸集上建立了仅依赖四阶矩的界。这是本文线性部分的技术基础。

这个方向在追问的核心问题¶

最优逼近率：在给定的矩条件和谱条件下，U-统计量范数的高斯逼近能达到的最优Berry-Esseen率是多少？是n^{-1/2}（如实值情形）还是更慢（如本文的n^{-1/8}）？
谱条件的最小化：为了获得有效的分布逼近，协方差算子需要满足多强的谱条件？是要求所有特征值正（如经典FDA），还是仅需前两个特征值非零（如本文）？谱的“有效秩”或“分散程度”如何影响逼近误差？
bootstrap的可行性：当协方差算子未知时，bootstrap能否以与高斯逼近相同的速率逼近真实分布？不同bootstrap方法（经验、乘子）的优劣如何？
minimax最优推断：基于这些逼近结果构造的检验，其分离率（separation rate）是否是minimax最优的？这需要匹配的下界。

⚠️ 作者的framing¶

作者把缺口frame成什么：作者将现有文献的缺口frame为：对Hilbert空间值U-统计量的范数，缺乏在弱谱条件（仅需两个正特征值）和弱矩条件（仅需四阶矩）下的非渐近Berry-Esseen界和bootstrap逼近。作者声称，其贡献在于“在更宽松的谱和矩条件下”建立了这些界，从而“统一处理函数型和高维数据”，并“容纳奇异或近似低秩的协方差算子”。
哪些竞争路线被他淡化或回避了：
- 超矩形（ℓ∞-范数）上的结果：作者明确将Chen [2018]和Chen and Kato [2019]的工作定位为针对“sup-norm或ℓ∞-norm”，而本文关注的是“ℓ2-范数”。这暗示了两种范数下的技术挑战不同，但并未深入比较两种范数下结果的优劣或适用场景。
- 更快的逼近率：作者承认其n^{-1/8}的率慢于Korolyuk and Borovskikh [1990]的n^{-1/2}率，但将此归因于“更弱的假设”，并指出“在类似假设下能否达到最优率n^{-1/2}仍是一个开放问题”。这实际上承认了其率可能不是最优的。
- 其他非线性统计量：本文只关注U-统计量，未讨论其他非线性统计量（如M-估计量、经验过程）。
什么明显该被引/该存在、却没出现在intro里？：这是一个值得研究者去查的问题。例如：
- 关于高维协方差矩阵检验的文献，特别是那些使用U-统计量（如Li and Chen [2012]）并讨论其minimax最优性的工作。虽然Li and Chen [2012]在正文中被引用和比较，但intro中未将其作为主要竞争路线。
- 关于函数型数据（FDA）中两样本检验的文献，特别是那些使用基于范数的统计量（如Panaretos et al. [2010]）的工作。虽然这些在应用部分被提及，但intro中未将其作为推动理论发展的主要动力。
- 关于Stein方法在Hilbert空间中的应用的更早期工作，除了Fang and Koike [2024]外，可能还有更早的文献。

张力¶

未见明显对立引用。作者将不同子线索的工作（实值、Hilbert空间、高维超矩形）视为互补的，并指出它们各自的局限性，从而为自己的工作创造空间。主要张力在于逼近率与假设强度之间的权衡：更强的假设（如无穷多正特征值、次指数尾部）带来更快的率（n^{-1/2}），而更弱的假设（如本文）则导致更慢的率（n^{-1/8}）。作者承认了这一点，但未试图调和。

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, ..., X_n}：独立（但不一定同分布）的随机元，取值于某个可测空间X。这是原始数据。
- H_n：一个可分的实Hilbert空间，可以随样本量n变化。H_n可以是无限维的（如L^2[0,1]），也可以是有限维的R^{d_n}。
- ||·||：由H_n内积诱导的范数。
- \tilde{h}_n: X^r -> H_n：一个对称的、阶数为r（固定）的核函数。这是要研究的统计量的核心。
- U_n：基于核\tilde{h}_n的U-统计量：U_n = (1/ C(n,r)) * sum_{1≤i1<...<ir≤n} \tilde{h}_n(X_{i1}, ..., X_{ir})。这是可观测的统计量。
- θ = E[U_n]：U-统计量的期望。这是要推断的目标参数（estimand）。
- T_n = sqrt(n) (U_n - θ) / r：标准化后的U-统计量。这是我们要研究其分布的对象。
- Z_n：一个中心化的高斯随机元，Z_n ~ N_{H_n}(0, Γ_n)。这是高斯近似的目标。
- Γ_n：T_n的Hájek投影的协方差算子。这是关键的未知量，决定了高斯近似的形状。Γ_n是H_n上的一个迹类算子。
- L_n：T_n的Hájek投影（线性部分）。L_n = (1/sqrt(n)) * sum_{i=1}^n g^{(i)}(X_i)，其中g^{(i)}是条件期望。
- R_n：T_n的Hoeffding分解中的高阶退化项（非线性部分）。T_n = L_n + R_n。
- ℓ_n：谱分散度。ℓ_n = 1 - ||Γ_n||_{op}^2 / ||Γ_n||_{HS}^2。它度量了协方差算子Γ_n的平方谱质量中，落在最大特征方向之外的比例。ℓ_n越大，谱越分散。
- m_n：核的四阶矩上界。m_n = max E[||\tilde{h}(X_{i1},...,X_{ir})||^4]。
模型：
- 数据生成机制：X_1, ..., X_n是独立随机元，分布可以不同（非i.i.d.）。
- 统计模型：我们观测到X_1, ..., X_n，并计算U-统计量U_n。我们想要知道T_n的范数||T_n||的分布，以便进行假设检验（如H0: θ = 0）。
- 已知/假设：核\tilde{h}是对称的，且E[||\tilde{h}(X_{i1},...,X_{ir})||^4] < ∞。协方差算子Γ_n的谱满足ℓ_n > 0（即至少有两个非零特征值）。
可观测数据：
- 可观测：X_1, ..., X_n（原始数据），以及由此计算出的U_n（U-统计量）。
- 想要但观测不到：
  1. 目标参数θ（U-统计量的期望）。
  2. Hájek投影L_n及其协方差算子Γ_n。Γ_n是g^{(i)}(X_i)的协方差，而g^{(i)}是条件期望，无法直接从数据观测。
  3. 高斯近似目标Z_n的分布。
- 识别依赖：我们通过Hoeffding分解将T_n分解为可近似为高斯的线性部分L_n和可忽略的高阶部分R_n。L_n的分布由Γ_n决定，而Γ_n需要通过bootstrap等方法从数据中估计。

第二步：讲最小内核¶

这篇论文的核心思路是：将U-统计量T_n的范数分布逼近问题，转化为其线性部分L_n的范数分布逼近问题，并控制非线性部分R_n带来的误差。

最简特例：线性核（r=1）

当r=1时，U-统计量退化为样本均值： U_n = (1/n) * sum_{i=1}^n \tilde{h}(X_i) T_n = sqrt(n) (U_n - θ) = (1/sqrt(n)) * sum_{i=1}^n (\tilde{h}(X_i) - θ)

此时，Hoeffding分解退化为平凡分解：T_n = L_n，R_n = 0。L_n就是标准化样本均值。Γ_n = Cov(\tilde{h}(X_1))（假设i.i.d.）。

在这个特例下，本文要证明的命题退化为：对标准化样本均值的范数||T_n||，建立与Fang and Koike [2024]类似的Berry-Esseen界。证明路线简化为： 1. 使用Stein方法（Lemma A.2）直接对T_n（此时就是L_n）进行高斯逼近。 2. 使用高斯反集中不等式（Lemma A.3）控制逼近误差。 3. 优化平滑参数τ得到最终界。

这个特例清晰地展示了论文的核心数学困难：当r>1时，R_n不为零。论文的关键想法是： 1. 分离线性与非线性：通过Hoeffding分解T_n = L_n + R_n。 2. 控制非线性项：证明R_n的范数在期望意义下是O_p(1/sqrt(n))（Lemma B.1, B.2），因此其贡献是低阶的。 3. 对线性项应用Stein方法：对L_n（一个独立和）应用Hilbert空间版本的Stein方法（Lemma A.2），得到其与高斯Z_n的逼近误差。 4. 组合误差：通过一个光滑函数（Lemma A.1 (iv)）将T_n和L_n的分布差异与R_n的范数联系起来，最终得到T_n与Z_n的Kolmogorov距离上界。

因此，整篇论文在数学上干了一件什么事：它证明了，在适当的矩和谱条件下，U-统计量的非线性部分R_n足够小，以至于其范数的分布可以被其线性部分L_n的范数分布所逼近，而后者又可以被一个高斯分布所逼近。最终的逼近误差由线性部分的逼近误差、非线性部分的范数以及高斯分布的反集中性质共同决定。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在三角阵列框架下，研究了取值于可分离Hilbert空间H_n（可随样本量变化）的非退化U-统计量的范数||T_n||，其分布被高斯分布||Z_n||和三种bootstrap分布逼近的非渐近Berry-Esseen界。
核心工具/方法：将Stein方法推广到Hilbert空间，结合Hoeffding分解对高阶项进行精细控制，并利用高斯反集中不等式和高斯比较引理来处理谱几何的影响。
主要结论：建立了显式的、依赖于核的四阶矩m_n和协方差算子谱分散度ℓ_n的逼近误差上界。在固定Hilbert空间下，率可达O(n^{-1/8})。对于高维欧氏空间R^{d_n}，给出了维数依赖的率。同时，为三种bootstrap方法建立了类似的逼近界。以Kendall's tau检验为例，给出了匹配的minimax下界，证明了其分离率在稠密备择下的最优性。

关键设定与假设¶

设定：
- X_1, ..., X_n：独立（可非同分布）随机元。
- \tilde{h}: X^r -> H_n：对称核，阶数r固定。
- U_n：对应的U-统计量。
- T_n = sqrt(n)(U_n - θ)/r：标准化统计量。
- Z_n ~ N_{H_n}(0, Γ_n)：高斯近似，Γ_n是T_n的Hájek投影的协方差算子。
- 目标：逼近||T_n||的分布。
关键假设：
- Theorem 2.1 (通用界)：
  - m_n < ∞：核的四阶矩有限。
  - ℓ_n > 0：协方差算子Γ_n的谱分散度为正，即至少有两个非零特征值。这比要求所有特征值正或无穷多个正特征值要弱得多。
- Proposition 2.2 (固定Hilbert空间)：
  - (A.1) m_n < C：四阶矩一致有界。
  - (A.2) λ_{(2)}(Γ_n) > 1/C：第二大特征值一致远离零。这保证了ℓ_n一致有界。
- Proposition 2.3 (高维欧氏空间)：
  - (B.1) 坐标四阶矩一致有界。
  - (B.2) λ_{(2)}(Γ_n) > 1/C：第二大特征值一致远离零。
  - 此外，假设了||Γ_n||_{op} ≍ d^{q1}和||Γ_n||_F ≍ d^{q2}，以刻画维数对率的影响。
- Proposition 2.7 (固定Hilbert空间的bootstrap)：
  - (A.1), (A.2) 同上。
  - (A.3) 一阶平衡条件：\bar{θ}_{i1} = θ对所有i1成立。这个条件确保了bootstrap估计的协方差算子\hat{Γ}_n是Γ_n的无偏估计（或至少偏差可忽略）。这是本文一个关键且较强的假设，它要求不同观测的核期望的“留一平均”都等于总体均值，排除了数据异质性对一阶投影的影响。

主要结果¶

Theorem 2.1 (Hilbert空间Berry-Esseen界)：
- 陈述：d_{Kol}(||T_n||, ||Z_n||) ≲ Δ_n，其中Δ_n由三项组成，分别依赖于ℓ_n、m_n、||Γ_n||_{HS}和||Γ_n||_{op}。
- 直觉：逼近误差由三部分构成：1) 线性部分L_n的高斯逼近误差（由Stein方法控制）；2) 非线性部分R_n的范数（由Hoeffding分解控制）；3) 高斯分布Z_n的反集中性质（由ℓ_n控制，ℓ_n越小，分布越接近一维，反集中越差，误差越大）。
- 必要条件：m_n < ∞和ℓ_n > 0。
- 解决的技术难点：将Stein方法从有限维推广到无限维Hilbert空间，并处理Hoeffding分解中高阶项的协方差结构。
Proposition 2.2 (固定Hilbert空间特例)：
- 陈述：在(A.1)和(A.2)下，d_{Kol}(||T_n||, ||Z_n||) ≲ n^{-1/8}。
- 意义：得到了一个维数无关的率。与Borovskikh et al. [1997]的n^{-1/2}率相比，率更慢，但假设更弱（仅需两个正特征值，而非九个或无穷多个）。
Proposition 2.3 (高维欧氏空间特例)：
- 陈述：在(B.1)和(B.2)下，d_{Kol}(||T_n||, ||Z_n||) ≲ Δ_{n,d}，其中Δ_{n,d}是d和n的显式函数（公式(7)）。
- 意义：给出了维数依赖的率。例如，当Γ_n = I_d时，Δ_{n,d} ~ max{(d/n)^{1/6}, n^{-1/8}}，表明当d增长快于n^{1/4}时，维数会主导误差。
Theorem 2.5 (Bootstrap逼近界)：
- 陈述：对三种bootstrap（EB, GWB, JMB），给出了E[d_{Kol}^⋆(||T_n^⋆||, ||Z_n||)]的上界。
- 直觉：bootstrap误差分解为三部分：1) 条件高斯逼近误差（仅EB有）；2) 高阶bootstrap余项（EB和GWB有，JMB无）；3) 协方差估计误差（三者都有）。JMB由于是条件高斯的，且无高阶余项，理论上更简洁。
- Proposition 2.7 (固定Hilbert空间bootstrap)：在(A.1)-(A.3)下，EB的率是n^{-1/8}，GWB和JMB的率是n^{-1/6}。JMB/GWB的率更慢，因为其误差主要由协方差估计主导，而EB的误差还包含了条件高斯逼近。
Proposition 3.3 (Kendall's tau的minimax下界)：
- 陈述：对于检验H0: τ(P) = 0，任何渐近水平为α的检验，在分离半径o(d^{1/4}/sqrt(n))下无法一致地检测到备择。
- 意义：结合Proposition 3.1（检验的一致性），证明了基于bootstrap的Kendall's tau检验在稠密高斯相关备择下，其分离率d^{1/4}/sqrt(n)是minimax率最优的。这为方法的理论最优性提供了有力证据。

证明路线与技术技巧¶

整体路线（以Theorem 2.1为例）：
1. 光滑化：使用一个光滑函数v_{η,τ}（Lemma A.1）来近似示性函数1{||x|| ≤ a}，将Kolmogorov距离的估计转化为对E[v(T_n) - v(Z_n)]的估计。
2. 三角不等式：通过T_n = L_n + R_n，将E[v(T_n) - v(Z_n)]分解为E[v(T_n) - v(L_n)]（非线性项贡献）和E[v(L_n) - v(Z_n)]（线性项逼近）两部分。
3. 控制非线性项：利用v的Lipschitz性质（Lemma A.1 (iv)），将E[v(T_n) - v(L_n)]与E[||R_n||^2]和E[||L_n||^2]联系起来。通过Hoeffding分解和矩估计（Lemma B.1, B.2）证明E[||R_n||^2] = O(1/n)。
4. 控制线性项：对L_n（一个独立和）应用Hilbert空间版本的Stein方法（Lemma A.2），得到E[v(L_n) - v(Z_n)]的上界，该上界依赖于Γ_n的谱范数和Hilbert-Schmidt范数，以及g^{(i)}的三阶和四阶矩。
5. 控制反集中：使用高斯反集中不等式（Lemma A.3）控制P(η - τ < ||Z_n||^2 ≤ η + τ)，该上界依赖于ℵ(Γ_n) = (Λ_1 Λ_2)^{-1/2}，即ℓ_n的函数。
6. 优化：将上述所有误差项相加，得到一个关于平滑参数τ的表达式。通过选择最优的τ（平衡各项），得到最终的Δ_n。
关键跳跃点：
- 将Stein方法从R^d推广到H_n：Lemma A.2的证明需要处理无限维空间中的Fréchet导数、迹类算子等。作者通过Ornstein-Uhlenbeck积分（公式(18)）构造了Stein方程的解，并利用v的梯度/Hessian的有界性（Lemma A.1 (iii)）和精细的Taylor展开来控制余项。难点在于：Hessian算子∇^2 v包含一个恒等算子I，其在无限维空间中不是迹类的，但通过与协方差算子Σ_n的迹配对，最终只涉及tr(Σ_n)和||Σ_n||_{HS}等有限量。
- 处理非i.i.d.数据的bootstrap：Theorem 2.5和Proposition 2.7的证明中，需要处理bootstrap协方差估计量\hat{Γ}_n与目标Γ_n之间的偏差。关键跳跃点在于Lemma B.3的证明，作者通过引入条件期望的余项η_{i1}（公式(73)），并利用一阶平衡条件(A.3)证明E[\hat{Γ}_n] = Γ_n + o(1)，从而将问题转化为对\hat{Γ}_n - Γ_n的方差和偏差的控制。
技术技巧点名：
- Stein方法（Hilbert空间版本）：Lemma A.2。用于逼近线性部分L_n的分布。
- Hoeffding分解：将T_n分解为线性主部L_n和可忽略的高阶余项R_n。
- 高斯反集中不等式：Lemma A.3 (Götze et al. [2019])。用于控制高斯分布Z_n在球面上的概率质量集中程度，这是影响最终率的关键。
- 高斯比较引理：Lemma A.4。用于比较两个不同协方差的高斯分布N(0, Σ_1)和N(0, Σ_2)的期望，是bootstrap证明的核心。
- 光滑函数逼近：Lemma A.1。用光滑函数v近似示性函数，使得Stein方法可以应用。
- 矩方法/计数：在控制R_n和bootstrap余项的范数时，通过计算非零协方差项的对数（如Lemma B.1证明中，只有共享至少两个索引的核对才有非零协方差），得到O(1/n)的界。
- 乘子bootstrap/高斯加权bootstrap：通过引入独立的高斯或Rademacher权重，构造条件高斯统计量，简化了bootstrap的理论分析。

真实例子与应用¶

本文包含多个真实例子，主要集中在应用部分（Section 3）：

配对Kendall's tau系数向量的检验：
- 数据/场景：p维随机向量，检验所有d = p(p-1)/2个配对Kendall's tau系数是否全为零（即检验独立性）。
- 方法应用：将Kendall's tau的估计量\hat{τ}_n表示为一个二阶U-统计量。构造检验统计量||T_n|| = ||sqrt(n)/2 * \hat{τ}_n||。使用bootstrap分位数q_n^⋆(1-α)作为临界值。
- 结果：Proposition 3.1证明了该检验的渐近尺寸正确性。Proposition 3.3给出了一个匹配的minimax下界，证明在稠密高斯相关备择下，该检验的分离率d^{1/4}/sqrt(n)是minimax最优的。
- 例子想说明什么：验证了本文发展的理论（特别是bootstrap逼近和minimax下界）可以直接应用于一个经典的非参数推断问题，并给出了其最优性的理论保证。
Spearman's rank correlation：
- 数据/场景：p维随机向量，检验所有配对Spearman's rho系数。
- 方法应用：将Spearman's rho表示为U-统计量的线性组合（一个三阶U-统计量和一个二阶U-统计量）。Proposition 3.4直接应用Theorem 2.1的框架，建立了其范数的高斯逼近界。
- 例子想说明什么：展示了本文的理论框架可以处理更复杂的、由多个U-统计量组合而成的统计量。
其他例子：Section 3还简要讨论了MMD估计（Section 3.3）、Hilbert空间中的均值和协方差算子（Section 3.4）以及Wilcoxon-Mann-Whitney型检验（Section 3.5），表明本文的理论具有广泛的应用潜力。

🔎 结论是否比证明窄¶

是。最明显的例子是逼近率。作者在Proposition 2.2中得到了n^{-1/8}的率，但明确承认“在类似假设(A.1)-(A.2)下，能否达到最优率n^{-1/2}仍是一个开放问题”（Section 2.2, 第12页）。这意味着论文的结论（n^{-1/8}率）比其证明所能达到的（可能更优的率）要窄，或者说，作者未能证明在更弱假设下能达到与强假设下相同的率。
另一个例子是bootstrap的率。在固定Hilbert空间下，EB的率是n^{-1/8}，而GWB和JMB的率是n^{-1/6}（Proposition 2.7）。作者在证明中（Theorem 2.5）指出，JMB/GWB的误差主要由协方差估计主导。但这是否意味着JMB/GWB的率就是最优的？或者是否存在更精细的协方差估计方法（如利用核的特定结构）来提升率？论文没有给出下界来证明n^{-1/6}是最优的。
一阶平衡条件(A.3)：这是一个很强的假设。作者在Remark 2.6中讨论了将其放松为渐近条件的可能性，但并未在主要定理中实现。因此，主要结论（Proposition 2.7, 2.8）的适用范围被这个较强的假设所限制。

四、开放问题¶

最优逼近率：在类似本文的弱假设（如(A.1)-(A.2)）下，Hilbert空间值U-统计量范数的Gaussian逼近能否达到n^{-1/2}的率？还是n^{-1/8}是本质的？扎根点：Section 2.2, 第12页：“It remains open to see whether, under similar assumptions (A.1)–(A.2), the optimal rate of n^{-1/2} can be achieved, and we leave that for future research.”
bootstrap逼近率的改进：对于GWB和JMB，其n^{-1/6}的率是否是最优的？能否通过改进协方差估计（例如，利用U-统计量的特殊结构进行更有效的估计）来达到与EB相同的n^{-1/8}率，甚至n^{-1/2}率？扎根点：Proposition 2.7的结论及其证明中关于协方差估计误差的讨论（Theorem 2.5中的D_{1,n}^⋆和D_{2,n}^⋆项）。
放松一阶平衡条件(A.3)：能否将bootstrap理论推广到不满足(A.3)的异质性数据情形？作者在Remark 2.6中给出了一个渐近版本的思路，但未给出完整的非渐近结果。扎根点：Section 2.3, Remark 2.6。
扩展到其他非线性统计量：本文的框架（Stein方法 + Hoeffding分解）能否推广到其他更复杂的非线性统计量，如M-估计量、经验过程或更一般的U-过程？扎根点：本文的引言部分将U-统计量定位为“非参数统计的基石”，但未讨论更广泛的非线性统计量。这是一个自然的推广方向。

Maintained by 陈星宇 · Homepage · Source on GitHub