Random Invariance Testing on Quadratic Form Statistics with Application to Autocorrelation¶

作者: Amitakshar Biswas, Adam B Kashlak
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2608.25918

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基于群不变性的非参数假设检验，特别是针对二次型统计量的检验问题。其核心思想是：如果检验统计量在某个紧群（如旋转群、置换群、反射群）的作用下具有不变性，那么可以通过在该群上积分（或利用其浓度性质）来得到精确或近似的 p 值，从而避免对数据分布做出强参数假设。该方向当前处于方法成熟但应用边界仍在拓展的阶段：经典置换检验已广泛使用，但计算成本高；而旋转检验虽在理论上优雅，但因生成随机旋转矩阵的计算成本高而应用受限。本文试图通过闭合形式的 p 值来弥合这一 gap。

发展脉络（history）¶

奠基工作：
Durbin and Watson (1950, 1951, 1971)：提出了经典的 Durbin-Watson 检验，用于检验线性模型残差的一阶自相关。其检验统计量是二次型，但 null 分布依赖于正态性假设，且通常只针对 lag=1。
Lehmann and Romano (2006)：系统阐述了置换检验和更一般的随机化检验的理论基础，确立了“随机化假设”（null-invariance）的核心地位。
Langsrud (2005)：提出了旋转检验（rotation test），作为置换检验的替代，但计算上更昂贵。
主要进展：
Dobriban (2022)：建立了基于不变性的随机化检验的一致性理论框架，利用表示论将变换推广到一般紧拓扑群（如旋转群），并证明了在某些问题中随机化检验可以达到 minimax 最优检测率。这为本文提供了理论支撑。
Koning and Hemerik (2023); Koning (2024)：提出了“用更少置换获得更多功效”的方法，即使用精心设计的子群而非随机抽样，在保持检验精确性的同时提高功效。这直接挑战了“应使用所有置换”的传统观念。
Kashlak et al. (2022); Kashlak and Yuan (2022)：提出了“无计算置换检验”（computation-free permutation test），利用浓度不等式导出闭合形式 p 值，并引入 Beta 校正来恢复统计功效。本文直接继承并推广了这一思路。
当前 frontier 与本文位置：
当前前沿在于：如何将群不变性检验推广到更一般的统计量（如二次型），并给出计算上可行（闭合形式）的 p 值，同时保持或提升统计功效。
本文的位置：将 Kashlak 等人的“无计算”框架从置换群推广到旋转群和反射群，并专门针对二次型统计量（特别是自相关检验）给出了统一的闭合形式 p 值公式。其核心创新在于：利用旋转群上的浓度不等式（Meckes, 2019）导出 p 值上界，再通过 Beta 校正恢复功效，从而避免了生成随机旋转矩阵的高昂计算成本。

子线索聚类¶

经典二次型检验：Durbin-Watson (1950, 1951, 1971), Breusch (1978), Godfrey (1978), Ljung and Box (1978)。这些方法依赖于正态性假设或大样本渐近理论（χ² 分布），且通常只针对特定滞后或作为 omnibus 检验。
随机化/置换检验：Lehmann and Romano (2006), Pesarin and Salmaso (2010), Good (2013)。这些方法通过重抽样（置换、旋转、反射）来逼近 null 分布，计算成本高，但假设弱。
群不变性检验的理论与效率：Dobriban (2022), Koning and Hemerik (2023), Koning (2024)。这些工作关注检验的一致性、功效优化（子群设计）和理论框架（表示论）。
闭合形式 p 值（无计算检验）：Kashlak et al. (2022), Kashlak and Yuan (2022)。利用浓度不等式导出 p 值的解析表达式，避免 Monte Carlo 模拟。本文属于这一簇，并将其从置换群扩展到旋转群和反射群。

这个方向在追问的核心问题¶

如何在不依赖强分布假设（如正态性）的前提下，对二次型统计量进行精确或近似检验？
如何避免大规模 Monte Carlo 模拟（特别是对于旋转群这种计算昂贵的群），同时保持统计功效？
如何将检验从单一滞后（如 Durbin-Watson 的 lag=1）扩展到任意滞后，并控制多重比较？
群不变性检验在局部备择假设下的渐近功效如何？

当前主流方法与已知瓶颈： - Durbin-Watson：仅限 lag=1，依赖正态性假设，null 分布需数值计算（如 Imhof 算法）。 - Breusch-Godfrey / Ljung-Box：大样本渐近（χ²），是 omnibus 检验（同时检验所有 lag≤h），无法定位具体滞后，且在小样本或重尾分布下表现不佳。 - 置换/旋转检验：计算成本高，尤其对于旋转群（需 QR 分解），且 Monte Carlo 模拟的 p 值精度受限于模拟次数。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者将缺口定位为“缺乏一个统一的、计算上闭合形式的、针对二次型统计量的群不变性检验框架”。具体来说，他们声称：
现有旋转检验因计算成本高而应用受限（见 Remark 1.1 和 Figure 1）。
现有自相关检验（Durbin-Watson, Breusch-Godfrey, Ljung-Box）要么假设强（正态性），要么是 omnibus 检验无法定位具体滞后，要么依赖大样本渐近。
他们的方法通过浓度不等式 + Beta 校正，实现了“计算零负担”的闭合形式 p 值，且能针对任意滞后进行检验，功效优于 Breusch-Godfrey 和 Ljung-Box。
哪些竞争路线被他淡化或回避了：
Dobriban (2022) 的理论框架被引用，但作者并未深入讨论其一致性结果与本文方法的联系或对比。Dobriban 的工作更关注“检验是否一致”，而本文更关注“如何计算 p 值”。作者淡化了“一致性”这一理论问题，而专注于“计算可行性”。
Koning and Hemerik (2023); Koning (2024) 的“子群”方法被提及，但作者仅将其定位为“现代方法”，并未与自己的闭合形式方法进行直接比较（例如，子群方法是否也能导出闭合形式？）。作者似乎默认自己的方法在“计算零负担”上具有绝对优势。
Imhof (1961) 和 Davies (1980) 的精确数值方法被提及（Section 3.1.2），但作者声称自己的方法“无需数值求逆”且“可扩展到谱未知的任意对称矩阵”。然而，对于已知谱的矩阵（如 Durbin-Watson 统计量），Imhof 算法是精确的，而本文的 Beta 校正 p 值只是近似。作者淡化了这一精度 trade-off。
什么明显该被引 / 该存在、却没出现在 intro 里？
关于旋转检验的早期工作：除了 Langsrud (2005) 和 Solari et al. (2014)，还有更早的旋转检验文献（如一些多元分析中的旋转检验），作者未提及。
关于二次型统计量在非正态下的渐近分布：例如，对于重尾分布，二次型统计量的极限分布可能不是 χ²，而是稳定分布。作者在模拟中考虑了 t(2) 和 Cauchy 分布，但未在 intro 中提及相关理论文献（如 Davis and Resnick, 1986，虽然后面引用了）。
关于多重比较校正：作者在太阳数据中使用了 Benjamini-Hochberg 方法，但在 intro 中未提及多重比较问题，也未与 Breusch-Godfrey 的 omnibus 检验在多重比较框架下进行对比。

张力¶

未见明显对立引用。所有被引工作基本是互补的：经典检验提供 baseline，随机化检验提供弱假设，Dobriban 提供理论，Koning 提供效率改进，Kashlak 提供闭合形式。本文试图将这些线索统一到二次型统计量上。

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 = (X₁, ..., Xₙ)ᵀ：可观测的时间序列数据向量，长度为 n。在检验中，我们通常将其中心化并标准化到单位球面上，即 X ∈ Sⁿ⁻¹。
Aₕ：n×n 的移位矩阵（shift matrix），用于计算滞后 h 的样本自相关。其定义是：Aₕ 的 (i, i+h) 位置为 1，其余为 0。因此 XᵀAₕX = Σ_{t=1}^{n-h} X_t X_{t+h}。
Bₕ = (Aₕ + Aₕᵀ)/2：Aₕ 的对称化版本。由于二次型只依赖于对称部分，XᵀAₕX = XᵀBₕX。
ηₕ = K(h)/K(0)：滞后 h 的自相关系数，其中 K(h) = Cov(X_t, X_{t+h}) 是自协方差。
ĥₕ = XᵀAₕX / ||X||²：样本自相关系数。由于我们假设 X ∈ Sⁿ⁻¹，所以 ĥₕ = XᵀAₕX。
G：一个紧群，可以是 SO(n)（特殊正交群，旋转）、S(n)（对称群，置换）或 B(n)（超立方体顶点群，反射）。
M：G 中按 Haar 测度均匀分布的随机元素。对于 SO(n)，M 是一个随机旋转矩阵。
F(M) = (Mx)ᵀAₕ(Mx)：将固定向量 x** 旋转后计算二次型，这是定义在群 G 上的函数。
pv∨：p 值的上界，由浓度不等式给出。
模型：
数据生成机制：我们观测到一个时间序列 {X_t}，其均值为零（或已中心化）。我们关心其自相关结构。
零假设 H₀：滞后 h 的自相关为零，即 ηₕ = 0。这等价于 E[X_t X_{t+h}] = 0。
在 H₀ 下，数据 X 是“各向同性的”（isotropic）吗？不一定。H₀ 只要求特定的 h 对角线上为零，不要求整个协方差矩阵为 cI。但本文的检验利用了更强的“旋转不变性”假设：如果 X 是各向同性的（即 Cov(X) = σ²I），那么对于任何旋转 M，MX 与 X 同分布。作者巧妙地绕过了这个更强的假设：他们不检验 X 的旋转不变性，而是检验二次型统计量 ĥₕ 在旋转下的分布是否与原始观测值一致（见公式 3.2 及其等价性论证）。
可观测数据：
可观测：时间序列的 n 个观测值 X₁, ..., Xₙ。我们可以计算样本自相关 ĥₕ = XᵀAₕX（在标准化后）。
想要但观测不到：在 H₀ 下，ĥₕ 的精确 null 分布。我们不知道数据的分布，因此无法直接计算 P(|ĥₕ| > t)。经典方法要么假设正态性（Durbin-Watson），要么依赖大样本渐近（Breusch-Godfrey），要么通过 Monte Carlo 模拟（置换/旋转检验）。
本文的解决方案：利用群不变性，将“计算 null 分布”转化为“计算函数 F(M) = (Mx)ᵀAₕ(Mx) 在群 G 上的分布”，其中 x** 是观测到的标准化数据。由于 M 是均匀分布的，F(M) 的分布可以通过浓度不等式来 bound，从而得到闭合形式的 p 值上界。

第二步：讲最小内核¶

最简特例：n=3, h=1, 数据来自白噪声（H₀ 成立），且我们使用旋转群 G=SO(3)。

设定：我们有三个观测值 X₁, X₂, X₃，已中心化并标准化到单位球面上，即 x = (x₁, x₂, x₃)ᵀ ∈ S²。我们想检验滞后 1 的自相关是否为零。检验统计量是 ĥ₁ = xᵀA₁x = x₁x₂ + x₂x₃。
核心思路：如果 H₀ 成立（数据是白噪声），那么 x 在球面上是均匀分布的（各向同性）。因此，对于任何固定的旋转 M，Mx 与 x 同分布。这意味着，如果我们固定 x 并随机旋转它（即考虑 Mx），那么统计量 F(M) = (Mx)ᵀA₁(Mx) 的分布应该与原始统计量 ĥ₁ 的 null 分布相同。
关键跳跃：我们无法直接计算 F(M) 的分布，但我们可以利用浓度不等式来 bound 它偏离其均值（均值为 0，见 Lemma A.1）的概率。对于 SO(3)，Corollary 2.1 给出： P(F(M) ≥ t) ≤ exp{-(n-2)t²/16L²} = exp{-t²/16L²}，其中 L 是 F 的 Lipschitz 常数。
计算 Lipschitz 常数：由 Theorem 2.2，L = 2ρ(B₁)，其中 B₁ 是 A₁ 的对称化。对于 n=3，B₁ 是一个 3×3 矩阵，其谱半径 ρ(B₁) 可以计算出来。但更一般地，对于任意 n 和 h，Lemma 3.2 证明 L=2（因为 ρ(Bₕ) ≤ 1）。因此，对于 n=3，我们有： P(F(M) ≥ t) ≤ exp{-t²/64}。
得到 p 值：观测到的统计量是 ĥ₁ = xᵀA₁x。p 值的上界是 P(F(M) ≥ ĥ₁) ≤ exp{-ĥ₁²/64}。这就是 Theorem 3.1 中 SO(n) 的情况（对于 n=3）。
Beta 校正：这个上界太保守（因为常数 64 太大），导致检验功效极低。因此，作者引入 Beta 校正（Theorem 3.6）：他们证明了 pv∨ = exp{-(n-2)ĥ₁²/64} 的分布近似于一个 Beta 分布，从而可以“校准”这个 p 值，使其在 null 下近似均匀。对于 n=3，这个 Beta 分布的形状参数是 32n(n+2)/[(n-h)(n-2)] = 3235/[(2)*(1)] = 240，第二个参数是 1/2。这给出了一个更精确的 p 值公式（公式 3.5）。

这个特例揭示了论文的核心数学操作： 1. 将检验问题转化为群上的函数分布问题。 2. 利用浓度不等式给出该函数 tail probability 的上界（保守但解析）。 3. 通过 Beta 校正（基于 Berry-Esseen 型定理和矩计算）将这个上界“校准”为近似精确的 p 值。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究了二次型统计量（如样本自相关）的随机不变性检验问题，提出一个统一的框架，利用紧群（SO(n), S(n), B(n)）上的浓度不等式导出闭合形式的 p 值，并将其应用于时间序列自相关检验。
核心工具/方法：核心工具是紧群上的 Lipschitz 函数浓度不等式（Meckes, 2019）和 Rademacher chaos 的 decoupling 不等式（Kwapien, 1987），以及一个基于 Berry-Esseen 定理和 Beta 分布的 p 值校正方法（Beta correction）。
主要结论：对于自相关检验，本文提出的 Beta 校正旋转检验在模拟中优于 Breusch-Godfrey 和 Ljung-Box 检验（在特定滞后上），且与计算密集的置换/旋转检验相比，功效损失很小。在太阳辐射数据中，该方法成功识别出约 11 年（135 个月）的周期。

关键设定与假设¶

群结构：G 是紧群（SO(n), S(n), B(n)），配备 Haar 测度。检验依赖于“随机化假设”：在 H₀ 下，数据 X 的分布对 G 中的变换不变（或更弱地，二次型统计量在 G 下的期望不变，见公式 3.2）。
二次型统计量：检验统计量是 XᵀAX，其中 A 是对称矩阵。对于自相关检验，A = Aₕ（移位矩阵的对称化）。
零假设：H₀: ηₕ = 0（滞后 h 的自相关为零）。作者证明这等价于 E[XᵀAₕX] = E_M[(MX)ᵀAₕ(MX)]（公式 3.2）。
数据标准化：假设 X ∈ Sⁿ⁻¹（已中心化并标准化）。这通过将原始数据减去均值并除以范数实现，不影响自相关检验。
对于 Beta 校正的额外假设：Theorem 3.6 要求噪声过程 ε_t 是独立同分布的，均值为零，且具有有限三阶矩。此外，它利用了 ε_t ε_{t+h} 的“h-独立性”（h-independence）来应用 Berry-Esseen 定理（Tikhomirov, 1981）。
相比已有文献的放宽/强化：
放宽：相比 Durbin-Watson，不假设正态性；相比 Breusch-Godfrey/Ljung-Box，不依赖大样本渐近（虽然 Beta 校正本身依赖 Berry-Esseen，但模拟显示在 n=1000 时表现良好，甚至在重尾下也稳健）。
强化：相比一般的置换/旋转检验，本文的 p 值是闭合形式的，无需 Monte Carlo 模拟。但代价是 p 值是近似的（经过 Beta 校正），而置换检验在精确意义下是有效的。

主要结果¶

Theorem 3.1 (Sub-Gaussian Bound)：对于三种群，给出了 p 值的上界。这是后续 Beta 校正的基础。例如，对于 SO(n)，P(ĥₕ(M) ≥ t | X) ≤ exp{-(n-2)t²/64}。这个界太保守，无法直接用于检验。
Theorem 3.6 (Beta Correction)：这是论文的核心理论结果。它给出了一个校准后的 p 值公式（公式 3.3 和 3.5），使得在 H₀ 下，该 p 值的分布近似于 Uniform[0,1]。具体地，它证明了 P(pv∨ ≤ u) ≤ C₀ I(u; α, 1/2) + O(n^{-1/2})，其中 α = 32n(n+2)/[(n-h)(n-2)]，C₀ ≈ 1.004。这为检验提供了可操作的、近似精确的 p 值。
直觉：Theorem 3.1 给出的 pv∨ 在 H₀ 下是“过于保守”的（即其分布 stochastically larger than Uniform）。Theorem 3.6 通过计算 pv∨ 的分布（近似为 Beta），给出了一个“校准”后的临界值，使得检验的 size 更接近名义水平。
必要条件：有限三阶矩、h-独立性（用于 Berry-Esseen）。
解决的技术难点：如何将浓度不等式给出的保守上界转化为一个可用的、近似精确的 p 值。这需要计算统计量的均值和方差（Lemma 3.8），并利用 Berry-Esseen 定理将标准化后的统计量的分布近似为 χ²(1)，然后通过变量变换得到 pv∨ 的分布。
Proposition 3.9 (Uncorrelated Testing of Multiple Lags)：证明了不同滞后 h 的检验统计量 ĥₕ 是不相关的。这使得我们可以对多个滞后进行独立检验，并使用 Fisher 方法或多重比较校正（如 Benjamini-Hochberg）来联合推断。

证明路线与技术技巧¶

整体路线（以 Theorem 3.6 为例）： 1. 建立浓度不等式（Theorem 3.1）：证明 F(M) = (Mx)ᵀAₕ(Mx) 是 Lipschitz 函数，然后应用群上的浓度不等式（Corollary 2.1, Theorem 2.3, 2.4）得到 tail bound。这一步给出了 pv∨ = exp{-(n-2)ĥₕ²/64}。 2. 计算均值和方差（Lemma 3.8）：在 H₀ 下，计算 ĥₕ 的均值为 0，方差为 (n-h)/[n(n+2)]。这使用了球面上的矩公式（Lemma 3.7, Wiens, 1992）。 3. 应用 Berry-Esseen 定理：将标准化后的统计量 Z = ĥₕ² / Var(ĥₕ) 的分布近似为 χ²(1)。这一步依赖于 ε_t ε_{t+h} 的 h-独立性和有限三阶矩（Tikhomirov, 1981）。 4. 变量变换与 Beta 近似：将 pv∨ = exp{-c Z}（其中 c = 64/[(n-2)Var(ĥₕ)]）的分布通过变量变换从 χ²(1) 导出。利用不等式 -log y ≥ 1-y 将积分 bound 为 Beta 分布的不完全 Beta 函数，从而得到 Theorem 3.6 中的上界。

关键跳跃点： - 从浓度不等式到 Beta 校正：这是最关键的跳跃。浓度不等式给出的是“最坏情况”的上界，而 Beta 校正试图恢复“平均情况”下的精确分布。这个跳跃依赖于 Berry-Esseen 定理，它要求数据具有有限三阶矩，并且是 h-独立的。对于重尾数据（如 Cauchy），这个跳跃可能不成立，模拟也证实了这一点（p 值变得保守）。 - Lemma 3.2 中 Lipschitz 常数的计算：证明对于任意 h，ρ(Bₕ) ≤ 1，从而 Lipschitz 常数 L=2。这个简洁的结果使得浓度不等式中的常数与 h 无关，简化了后续分析。

技术技巧点名： - Lipschitz 函数在紧群上的浓度不等式（Meckes, 2019, Theorem 5.17）：用于 SO(n) 和 U(n) 等。这是整个方法的基础。 - Rademacher chaos 的 decoupling 不等式（Kwapien, 1987）：用于处理反射群 B(n) 上的二次型。将二次型视为 Rademacher 变量的二阶混沌，利用矩 bound 导出 sub-Gaussian tail。 - Azuma-Hoeffding 不等式（Azuma, 1967; Rio, 2013）：用于处理置换群 S(n)。通过 Fisher-Yates 构造将置换分解为一系列 transposition，构造鞅差序列，然后应用 Azuma-Hoeffding。 - 球面上的矩公式（Wiens, 1992, Lemma 3.7）：用于计算二次型乘积的期望，从而得到方差。 - Berry-Esseen 定理（Tikhomirov, 1981）：用于 h-独立序列，将标准化统计量的分布近似为正态/χ²。 - Beta 分布近似：利用不等式 -log y ≥ 1-y 将 χ² 分布的尾部积分 bound 为 Beta 分布的不完全 Beta 函数，从而得到解析的 p 值公式。

真实例子与应用¶

数据：美国国家海洋和大气管理局（NOAA）提供的 1900 年 1 月至 2025 年 2 月的月太阳辐射强度（log₂ 太阳黑子数），n=1502。
方法应用：
首先对原始时间序列进行 Nadaraya-Watson 核回归（带宽 6, 12, 18 个月），得到残差。
对残差应用本文的 Beta 校正旋转检验（Theorem 3.6），检验每个滞后 h=1,...,160 的自相关。
使用 Benjamini-Hochberg 方法进行多重比较校正。
结果：
在原始残差中，Breusch-Godfrey 检验对所有 lag≤24 都返回显著 p 值，无法定位具体滞后。而本文的检验识别出 lag=1,6,7,8,9 在 0.1% 水平显著。
在去除 AR(1) 成分后的残差中，本文检验识别出 lag=6 和 lag=9 显著，而 Breusch-Godfrey 对所有 lag≥6 都显著。
最重要的是，在多重比较校正后，lag=135 个月（11.25 年） 的 FDR 在 0.012 到 0.06 之间（取决于带宽），直接对应了天文学家已知的约 11 年太阳周期。
这个例子想说明什么：
定位能力：相比 Breusch-Godfrey 的 omnibus 检验，本文方法可以精确定位到具体的显著滞后，这对于识别周期性信号至关重要。
计算可行性：对于 n=1502 的大数据集，计算密集的旋转检验几乎不可行，而本文的闭合形式 p 值计算是瞬时的。
实际有效性：成功识别出已知的物理周期，验证了方法的实际价值。

🔎 结论是否比证明窄¶

是。论文的主要结论（公式 3.5 的闭合形式 p 值）的严格证明依赖于 Theorem 3.6，而 Theorem 3.6 的证明依赖于 Berry-Esseen 定理，该定理要求噪声 ε_t 是独立同分布且具有有限三阶矩。然而，在模拟和真实数据应用中，作者将其应用于：
AR 过程：其中 ε_t 是 iid 的，满足条件。
重尾分布（t(2), Cauchy）：这些分布没有有限三阶矩，甚至没有有限方差（Cauchy）。Theorem 3.6 的证明在此不成立。作者在模拟中观察到 p 值变得保守（Figure 2），并引用 Davis and Resnick (1986) 来讨论样本协方差在重尾下的行为，但并未给出理论保证。
真实太阳数据：其噪声过程是否满足 iid 和有限三阶矩是未知的。
因此，论文的结论（“我们的方法有效”）在严格意义上比其证明所覆盖的范围更宽。作者在 Section 4.2 中承认了这一点（“breaks the finite 4th moment assumption”），但并未提供重尾下的理论修正。这是一个值得研究者注意的 gap。

四、开放问题¶

重尾分布下的理论保证：Theorem 3.6 的证明依赖于有限三阶矩。对于 t(2) 或 Cauchy 等重尾分布，Berry-Esseen 定理不成立，Beta 校正的 p 值变得保守。能否为这类分布推导出类似的闭合形式 p 值？或者，能否证明在重尾下，Beta 校正仍然是一个有效的（虽然保守）上界？（扎根于 Section 4.2 和 Theorem 3.6 的证明条件）
更一般的二次型统计量：作者在 Section 6 中提到了 Moran's I、Cramer's V、Rayleigh 检验等。对于这些统计量，其对应的矩阵 A 的谱半径 ρ(B) 是否仍然有简洁的上界？Lipschitz 常数是否仍然容易计算？ 如果不能，浓度不等式中的常数会变大，Beta 校正的参数也会改变，可能需要针对每个统计量重新推导。（扎根于 Section 6 的“future investigations”）
与“子群”方法的结合：Koning and Hemerik (2023) 的方法使用精心设计的子群来提高功效。能否将本文的闭合形式 p 值思想与子群方法结合？ 例如，对于 SO(n) 的一个子群（如循环子群），是否也能导出类似的浓度不等式和 Beta 校正？这可能会在保持计算零负担的同时进一步提高功效。（扎根于 Remark 1.1 中对 Koning 工作的引用）
高维情况下的性能：本文的模拟和理论都假设 n 较大（n=1000），且 h ≪ n。当 n 固定而 h 接近 n 时，或者当数据维度很高（如 n 很大但有效样本量小）时，浓度不等式和 Beta 校正的表现如何？ 特别是，Lemma 3.2 中 Lipschitz 常数 L=2 的证明是否依赖于 h ≪ n？对于 h 接近 n 的情况，ρ(Bₕ) 是否可能接近 2？（扎根于 Section 3.1 中“h ≪ n”的假设）

Maintained by 陈星宇 · Homepage · Source on GitHub