How far can symmetry help? Phase transitions and symmetry selection in sparse functional data analysis¶

作者: Jocelyn Nembe
主题: 非参数 / 半参数
相关性: 6/10
链接: https://arxiv.org/abs/2608.27055

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向研究的是稀疏函数数据（sparse functional data）中协方差面（covariance surface）估计的相变现象。根本的统计问题是：当每条曲线（subject）只在少量、不规则的随机时间点上被观测时，协方差面的估计误差（risk）会经历一个从“二维非参数率”到“参数率 \(n^{-1}\)”的尖锐转变。这个转变发生的临界点——即每条曲线所需的平均观测次数 \(m_n^*\)——由协方差面的光滑度 \(\beta\) 和曲线数 \(n\) 共同决定。当前该方向的成熟度较高，核心相变现象已被严格刻画，但本文首次系统性地引入定义域上的对称性（symmetry）作为影响该相变的一个新维度。

发展脉络（history）¶

奠基工作：相变现象的发现与刻画
- Zhang and Wang [17] (2016)：建立了稀疏函数数据中协方差估计的“稀疏-密集”相变，指出当每条曲线的平均观测次数 \(m\) 超过临界值 \(m_n^* \asymp n^{1/(2\beta)}\) 时，估计率会从非参数率 \(n^{-2\beta/(2\beta+2)}\) 跳升至参数率 \(n^{-1}\)。这是本文的起点和核心比较基准。
- Cai and Yuan [3] (2011)：针对均值函数的估计，独立地发现了类似的相变现象，并给出了匹配的 minimax 下界。本文引用它作为均值函数相变的先导工作，并指出协方差估计的困难在于正定性约束（Remark 6.3）。
主要进展：方法、速率与主成分分析
- Yao, Müller and Wang [16] (2005)：提出了 PACE 方法论，为稀疏函数数据的主成分分析提供了实用框架。本文引用它作为稀疏-密集相变的应用背景。
- Hall, Müller and Wang [6] (2006)：研究了稀疏和密集采样下主成分分析（PCA）的性质，指出特征值估计是半参数问题（\(n^{-1/2}\) 率），而特征函数估计在稀疏时是非参数问题。这为理解协方差面估计的难度提供了背景。
- Li and Hsing [8] (2010)：为稀疏函数数据的均值和协方差面的局部线性平滑器建立了强一致收敛速率，统一了稀疏和密集两种情形。本文引用它作为均匀收敛速率的来源。
当前 Frontier：不变性（Invariance）的统计收益
- Tahmasebi and Jegelka [13] (2023)：在核岭回归的设定下，研究了群不变性（group invariance）如何改善样本复杂度，并得到了紧的 minimax 速率。他们特别指出了正维数群（如旋转群）导致的“维度塌缩”（dimensional collapse）。本文将其定位为“回归设定下不变性收益”的当前前沿，并明确指出本文的贡献在于函数数据特有的“参数率 \(1/n\)”使得“该施加多少对称性”这个问题变得良定义。
本文的位置：本文是第一个将“对称性”引入稀疏函数数据协方差估计相变分析的工作。它系统地回答了：对称性如何改变相变阈值？这种改变有无极限？以及如何从数据中自动选择对称性水平。它填补了“不变性收益”文献中关于协方差估计和相变现象的空白。

子线索聚类¶

相变现象与 minimax 速率：以 [17] 和 [3] 为核心，研究稀疏函数数据中均值/协方差估计的相变，并建立匹配的上下界。这是本文的直接竞争和比较对象。
不变性在非参数估计中的收益：以 [13] 为代表，研究群不变性如何改善回归、分类等问题的样本复杂度。本文的“对称性”是这类不变性在函数数据协方差估计中的一个具体实例，但本文强调其特有的“参数率”结构。
U-统计量的概率不等式：以 [5, 7, 4] 为核心，为处理本文中出现的二阶 U-统计量（协方差估计量的方差项）提供了关键的尾概率和矩不等式工具。这是本文的技术基础。
自卷积（Autoconvolution）的极值问题：以 [15, 9, 10] 为核心，研究 \(L^2\) 和 \(L^\infty\) 范数下自卷积的最小化问题。本文的饱和引理（Lemma 3.3）与这些工作有深刻联系，因为核的自卷积 \(\kappa = K \star K\) 的范数决定了饱和后的方差。

这个方向在追问的核心问题¶

相变阈值如何被问题参数（如光滑度 \(\beta\)、曲线数 \(n\)、每条曲线观测数 \(m\)）决定？ 当前主流方法（如 [17]）已给出 \(m_n^* \asymp n^{1/(2\beta)}\) 的答案。
额外的结构（如对称性、稀疏性）能否改变这个阈值？如果能，能改变多少？ 这是本文的核心问题。已知瓶颈是：对称性通过作用于“可用配对数”来影响方差，而方差项中只有局部部分受益于对称性，全局部分（参数率 \(1/n\)）不受影响。
当对称性假设被违反时，估计风险会如何变化？ 这引出了“近似对称性”和“模型选择”的问题，即如何从数据中决定使用多大程度的对称性。
如何从数据中自适应地选择最优的对称性水平？ 这需要发展模型选择或留出法（hold-out）程序，并分析其理论性质。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么？ 作者将缺口 frame 为：现有文献（[17, 3]）刻画了相变，但未考虑定义域对称性的影响；而关于不变性的文献（[13]）主要关注回归，其结论不能直接推广到协方差估计，因为后者存在一个“参数率 \(1/n\)”的独特结构。因此，研究对称性如何影响协方差估计的相变是“显然的下一步”。
哪些竞争路线被他淡化或回避了？ 作者淡化了回归设定下不变性收益的文献（[13]），明确指出其结论不适用于协方差估计，因为回归问题没有“参数率 \(1/n\)”这个结构。作者也回避了更复杂的群结构（如非交换群、正维数群）的分析，将主要结果限制在循环群 \(Z/qZ\) 上，并指出向一般流形的推广是开放问题。
什么明显该被引 / 该存在、却没出现在 intro 里？ 作者没有引用关于计算-统计折衷（computational-statistical tradeoff）的文献。虽然本文不直接涉及计算复杂性，但其核心结论——对称性只能将阈值位移到 \(n^{1/(4\beta)}\)，无法进一步降低——与计算-统计折衷中“信息论下界与算法可达性之间存在差距”的思想有异曲同工之处。这可能是研究者可以进一步探索的连接点。

张力¶

未见明显对立引用。所有被引工作基本是互补的，共同构成了从相变现象到不变性收益的完整图景。

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：
- \(E = S^1 = \mathbb{R}/\mathbb{Z}\)：定义域，一个圆环。
- \(X_i(t)\)：第 \(i\) 条潜在曲线（随机函数），是 \(L^2(E)\) 上的高斯过程。
- \(C(s, t) = \text{Cov}(X(s), X(t))\)：协方差面，是本文的目标 estimand。
- \(Y_{ij}\)：第 \(i\) 条曲线在第 \(j\) 个时间点的观测值。
- \(T_{ij}\)：第 \(i\) 条曲线的第 \(j\) 个观测时间点，是随机变量。
- \(\varepsilon_{ij}\)：测量误差。
- \(n\)：曲线的数量（样本量）。
- \(m = m_n = \mathbb{E}[N_i]\)：每条曲线的平均观测次数（采样强度）。
- \(h\)：平滑带宽（bandwidth）。
- \(q\)：循环对称群 \(G_q \simeq \mathbb{Z}/q\mathbb{Z}\) 的阶数（order）。
- \(\Pi_q\)：到 \(G_q\)-不变函数空间上的正交投影算子。
- \(\hat{C}_{n,h}\)：经典的二维局部多项式协方差面平滑器。
- \(\hat{C}^{(q)}_{n,h} = \Pi_q \hat{C}_{n,h}\)：群平均后的投影平滑器。
- \(\beta\)：协方差面 \(C\) 的 Hölder 光滑度。
- \(r_q(h)\)：方差缩减因子（reduction factor），由 Lemma 3.3 给出，\(\asymp \min(q, c_K/h)\)。
- \(c_K\)：核常数，\(c_K = R(K)^2 / \|\kappa\|_2^2\)，其中 \(R(K) = \int K^2\)，\(\kappa = K \star K\)。
模型：
- 数据生成机制：\(Y_{ij} = X_i(T_{ij}) + \varepsilon_{ij}\)。
- \(X_i\) 是 i.i.d. 的零均值高斯过程，协方差为 \(C\)。
- \(T_{ij}\) 是 i.i.d. 的，密度为 \(f\)。
- \(\varepsilon_{ij}\) 是 i.i.d. 的，零均值，方差 \(\sigma^2\)。
- 所有随机变量（\(X_i, T_{ij}, \varepsilon_{ij}\)）相互独立。
- 目标：从观测数据 \(\{Y_{ij}, T_{ij}\}\) 中估计协方差面 \(C\)。
可观测数据：
- 可观测：\(Y_{ij}\)（带噪声的曲线值）和 \(T_{ij}\)（观测时间点）。
- 想要但观测不到：潜在的干净曲线 \(X_i(t)\) 本身，以及协方差面 \(C(s,t)\)。我们只能通过观测到的稀疏、带噪数据来推断 \(C\)。

第二步：讲最小内核¶

本文的核心数学问题可以浓缩为：对称性如何改变协方差估计的“稀疏-密集”相变阈值？

最简特例：考虑一个极端简化的情形，以揭示核心机制。

设定：
- 光滑度 \(\beta = 1\)（例如，\(C\) 是 Lipschitz 的）。
- 对称群阶数 \(q = 2\)（即，数据在圆环上关于半圈旋转对称）。
- 采样强度 \(m\) 和带宽 \(h\) 都处于“未饱和”区域（即 \(qh < c_K\)，此时 \(r_q(h) = q = 2\)）。
- 忽略常数和低阶项。
经典情形（\(q=1\)，无对称性）：根据 [17]，协方差估计的风险（MSE）由两部分组成：
\[\text{Risk}(q=1) \asymp \underbrace{h^{2\beta}}_{=h^2 \text{ (bias)}} + \underbrace{\frac{1}{n m^2 h^2}}_{\text{variance}}\]
平衡 bias 和 variance 得到最优带宽 \(h_1^* \asymp (n m^2)^{-1/4}\)，代入后得到风险率：
\[\text{Risk}^*(q=1) \asymp (n m^2)^{-1/2}\]
相变发生在风险率等于参数率 \(n^{-1}\) 时，即 \((n m^2)^{-1/2} = n^{-1}\)，解得经典阈值：
\[m^*(1) \asymp n^{1/2}\]
对称情形（\(q=2\)）：现在我们对平滑器进行群平均，得到 \(\hat{C}^{(2)}_{n,h}\)。根据 Lemma 4.1，bias 不变。根据 Proposition 3.5，方差项中的“局部部分”被群阶数 \(q=2\) 除，而“全局部分”（参数率 \(1/n\)）不变。因此风险变为：
\[\text{Risk}(q=2) \asymp h^2 + \frac{1}{n m^2 h^2 \cdot q} + \frac{1}{n} = h^2 + \frac{1}{2 n m^2 h^2} + \frac{1}{n}\]
平衡 bias 和新的 variance 项，得到最优带宽 \(h_2^* \asymp (n m^2 \cdot 2)^{-1/4}\)，代入后风险率为：
\[\text{Risk}^*(q=2) \asymp (n m^2 \cdot 2)^{-1/2} + \frac{1}{n}\]
新的相变发生在 \((n m^2 \cdot 2)^{-1/2} = n^{-1}\) 时，解得新阈值：
\[m^*(2) \asymp n^{1/2} \cdot 2^{-1/2} = \frac{m^*(1)}{\sqrt{2}}\]
核心思路：这个特例清晰地展示了核心机制。对称性 \(q\) 通过增加“有效配对数”（从 \(m^2\) 到 \(m^2 q\)）来降低方差，从而允许使用更小的带宽 \(h\)，最终将相变阈值从 \(n^{1/(2\beta)}\) 降低到 \(n^{1/(2\beta)} q^{-1/2}\)。为什么是平方根？ 因为方差项中 \(m\) 是以 \(m^2\) 的形式出现的，对称性 \(q\) 作用于 \(m^2\)，所以对 \(m\) 本身的效果是 \(\sqrt{q}\)。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究了定义域上的循环对称群（阶数为 \(q\)）如何改变稀疏函数数据中协方差面估计的“稀疏-密集”相变阈值。
核心工具/方法：核心工具是群平均投影（group averaging projection）和泊松求和公式（Poisson summation）。通过分析投影后平滑器的方差，特别是利用饱和引理（Lemma 3.3）刻画方差缩减因子 \(r_q(h)\) 的极限行为。
主要结论：对称性将相变阈值从 \(m^*(1) \asymp n^{1/(2\beta)}\) 位移至 \(m^*(q) \asymp n^{1/(2\beta)} q^{-1/2}\)，但此位移存在饱和：当轨道间距小于带宽时，缩减因子饱和为 \(\min(q, c_K/h)\)，导致任何旋转对称都无法将阈值降至 \(n^{1/(4\beta)}\) 以下。对于近似对称，风险出现逼近项，设计平面分裂为三个区域。作者还提出了一个留出法（hold-out）来选择对称性水平，并在一定条件下达到 oracle 风险。

关键设定与假设¶

Assumption 1 (A1)-(A6)：这是全文的基础假设集。
- (A1) Hölder 光滑性：协方差面 \(C\) 在 \(E \times E\) 上是 \(\beta \in (0, 2]\) 阶 Hölder 连续的，范数有界。这控制了估计的 bias。
- (A2) 设计密度：观测时间点的密度 \(f\) 有正的上、下界。这是平滑分析的标准假设。
- (A3) 采样强度：每条曲线的观测次数 \(N_i\) 是 i.i.d. 的，其期望 \(m_n\) 和二阶矩满足特定增长条件。这控制了方差项中 \(m\) 的贡献。
- (A4) 子高斯性：过程 \(X\) 和误差 \(\varepsilon\) 是子高斯的。这是为了使用浓度不等式（如 Hanson-Wright）来证明定理 8.18 等结果。相比已有文献，这是一个标准但必要的强化。
- (A5) 设计不变性：采样设计对每个候选群 \(G_q\) 都是不变的。这是关键假设，它保证了群平均后的平滑器仍然是无偏的（在 \(C\) 也对称时）。相比已有文献，本文明确区分了“设计不变性”（通常由协议保证）和“过程不变性”（科学假设）。
- (A6) 核函数：核函数 \(K\) 是对称、Lipschitz、紧支撑的，且带宽 \(h < 1/4\)。这是平滑技术的标准假设。
额外假设：
- (A4')：在 Section 8 中，为了建立选择程序的浓度性质，假设 \(X\) 有 Karhunen-Loève 展开且系数独立子高斯，误差独立子高斯。这比 (A4) 更强，是技术需要。
- (G)：在 Section 8 中，为了控制退化 U-统计量的尾概率，假设了一个关于带宽和样本量的条件（Remark 8.14）。这个条件在大部分参数空间自动满足，仅排除极端稀疏情形。

主要结果¶

Theorem 4.3 (固定对称性下的速率)：当对称性阶数 \(q\) 低于饱和点 \(q^\sharp\) 时，使用最优带宽 \(h_q \asymp (n m^2 q)^{-1/(2\beta+2)}\)，投影平滑器 \(\hat{C}^{(q)}_{n,h_q}\) 的 \(L^2\) 风险为 \(\asymp (n m^2 q)^{-\beta/(\beta+1)} + n^{-1}\)。这个结果量化了对称性带来的收益。
Theorem 5.1 (饱和速率)：当 \(q \ge q^\sharp\) 时，方差缩减因子饱和为 \(r_q(h) \asymp c_K/h\)，风险变为 \(\asymp (c_K n m^2)^{-2\beta/(2\beta+1)} + n^{-1}\)，与 \(q\) 无关。这证明了对称性收益的极限。
Corollary 5.3 (通用阈值下限)：任何旋转对称都无法将相变阈值降至 \(m^\star \asymp n^{1/(4\beta)}\) 以下。这是本文最核心的负向结果，揭示了对称性帮助的极限。
Theorem 6.2 & 6.4 (Minimax 下界)：
- Theorem 6.2：在固定对称性 \(q\) 下，给出了一个下界 \(\asymp (n m^2 q)^{-(2\beta+1)/(2\beta+2)} + n^{-1}\)。这个下界与上界（Theorem 4.3）之间存在一个因子 \((n m^2 q)^{1/(2\beta+2)}\) 的间隙（Remark 6.3），作者将此归因于正定性约束带来的构造困难。
- Theorem 6.4：给出了一个与 \(q\) 无关的通用下界 \(\asymp (n m^2)^{-(2\beta+1)/(2\beta+2)} + n^{-1}\)，证明了 \(n^{1/(4\beta+2)}\) 是任何估计量达到参数率所需的最小 \(m\)，从而从信息论角度确认了 Corollary 5.3 中 \(n^{1/(4\beta)}\) 作为上界侧阈值的地位。
Theorem 7.4 (误设对称性下的风险)：当对称性假设不成立时，风险分解为平滑项、曲线项和对称性逼近项 \(A_q\)。设计平面据此分为三个区域（smoothing-limited, curve-limited, symmetry-limited）。
Theorem 8.7 (Oracle 不等式)：在满足浓度条件（Condition 8.6）下，留出法选择的对称性水平 \(\hat{q}_{ho}\) 的风险不超过 oracle 风险加上一个可忽略的余项。这为数据驱动的对称性选择提供了理论保证。

证明路线与技术技巧¶

整体路线：
1. 方差分析（Section 3）：这是技术核心。首先，推导经典平滑器 \(\hat{C}_{n,h}\) 的协方差核（Lemma 3.1），将其分解为局部项（由核自相关 \(\kappa\) 驱动，量级 \(1/(n m^2 h^2)\)）和全局项（由 Isserlis 定理给出，量级 \(1/n\)）。然后，分析群平均投影 \(\Pi_q\) 对这两项的影响。局部项变成格点求和 \(\Sigma_q(h)\)，全局项变成 \(\Lambda_q\)。
2. 饱和引理（Lemma 3.3）：利用泊松求和公式和核自相关 \(\kappa\) 的正定性，证明 \(\Sigma_q(h)\) 的缩减因子 \(r_q(h) = R(K)^2 / \Sigma_q(h) \asymp \min(q, c_K/h)\)。这是整个理论的关键，它揭示了对称性收益的极限。
3. 风险平衡（Sections 4 & 5）：结合 bias（Lemma 4.1，不受投影影响）和 variance（Proposition 3.5），得到总风险表达式。通过平衡 bias 和 variance 项，得到最优带宽和相应的风险率，进而推导出相变阈值。
4. 下界构造（Section 6）：使用 Assouad 引理。对于固定 \(q\) 的下界，构造一个在 \(G_q\) 的 fundamental domain 内支撑的扰动，利用 \(qh < 1\) 的条件确保扰动不违反正定性。对于通用下界，直接使用平稳子类（对所有 \(q\) 不变），构造一个基于 Fourier 系数的扰动，正定性自动满足。
5. 选择程序（Section 8）：提出留出法，并利用块分解（Lemma 8.10）和主体解耦（Lemma 8.11）将问题简化为控制一个退化 U-统计量的最大值。然后，利用 Giné-Latała-Zinn [5] 的矩不等式和 Hanson-Wright 不等式 [12] 来建立所需的浓度条件（Condition 8.13）。
关键跳跃点：
- 饱和引理的证明：从格点求和到泊松求和，并利用 \(\kappa\) 的正定性（\(\hat{\kappa} = \hat{K}^2 \ge 0\)）来保证所有项非负，从而得到下界。这是最巧妙的步骤。
- 下界构造中的正定性约束：在 Theorem 6.2 的证明中，如何构造一个既在 Hölder 球内又保持正定性的扰动，同时又能利用对称性带来的“免费”单元数（\(M \asymp (qh)^{-1}\)），是主要技术难点。作者通过将扰动限制在 fundamental domain 内并利用 \(qh < 1\) 来保证支撑不重叠，从而绕过了这个困难。
- 选择程序中的浓度控制：将复杂的四阶 U-统计量问题，通过块分解和主体解耦，简化为对一列二阶退化 U-统计量的最大值控制。这是将理论付诸实践的关键简化。
技术技巧点名：
- 泊松求和公式（Poisson summation）：用于推导饱和引理（Lemma 3.3），将格点求和转化为 Fourier 级数。
- U-统计量不等式：Giné-Latała-Zinn [5] 和 Houdré-Reynaud-Bouret [7] 的指数和矩不等式，用于控制退化 U-统计量的尾概率。
- 解耦不等式（Decoupling inequality）：de la Peña-Montgomery-Smith [4] 的解耦不等式，用于将 U-统计量转化为条件独立和。
- Hanson-Wright 不等式：用于控制二次型（如 \(\|Y_i\|^2\)）的浓度，这是证明 Lemma 8.15 的关键。
- Assouad 引理：用于推导 minimax 下界。
- Isserlis 定理：用于计算高斯随机变量乘积的协方差，出现在 Lemma 3.1 的证明中。

真实例子与应用¶

数据/场景：数值模拟。潜在过程是圆环上的高斯过程，协方差为 \(C(s,t) = a(s)a(t)\gamma(s-t)\)，其中 \(\gamma\) 的 Fourier 系数为 \((1+|k|)^{-5/2}\)（Hölder-3/2），\(a(t)\) 引入非平稳性。观测时间点是 Poisson 分布，噪声 \(\sigma=0.1\)，曲线数 \(n=500\)。
方法应用：使用乘积 Epanechnikov 核的局部线性平滑器，在网格上计算，然后应用轨道投影 \(\Pi_q\)。带宽根据 Theorem 4.3 的公式 \(h_q = (n m^2 q)^{-1/5}\) 选择。
结果：
- 阈值指数（Section 10.2）：通过拟合风险分解模型，测量到的阈值位移指数在有效变量 \(r_q\) 上为 \(-0.531 \pm 0.021\)，与理论预测的 \(-1/2\) 一致，并排除了 \(-3/4\)。比值 \(m^*(8)/m^*(1) = 2.81\)，接近 \(\sqrt{8} \approx 2.83\)。
- 饱和与平台（Section 10.3）：当 \(q\) 增大到饱和区后，测量到的阈值 \(m^*(q)\) 停止下降，形成一个平台。平台位置与理论预测的饱和点 \(q^\sharp\) 一致。
- 选择（Section 10.4）：留出法选择的 \(\hat{q}_{ho}\) 的风险与 oracle 风险之比在 1.02 到 1.25 之间，中位数比为 1.00，验证了选择程序的有效性。
例子想说明什么：这些数值实验旨在验证论文的三个核心理论预测：阈值位移的平方根律、饱和现象的存在、以及数据驱动选择程序的可行性。它们也揭示了实际应用中需要注意的问题（如 Hölder vs. Sobolev 正则性、有限样本下“达到的 floor”的误导性）。

🔎 结论是否比证明窄¶

是。论文的摘要和引言中声称的“leading constant one”和“within an absolute constant”等结论，在证明中是有条件的。
- “leading constant one”：这个结论在 Corollary 8.23(i) 中成立，但它的前提是 Lemma (U1') 成立，而 Lemma (U1') 的证明范围被限制在 \(m \lesssim n^{\beta/(2\beta^2+\beta+1)-\epsilon}\) 这个子区域（见 Lemma (U1') 的陈述和 Remark 8.26）。在更广泛的参数空间，特别是接近阈值 \(m^*(q)\) 时，这个结论不成立，只能保证“within an absolute constant”（Corollary 8.23(ii)）。
- “within an absolute constant beyond saturation”：这个结论在 Corollary 8.23(ii) 中被明确陈述，其证明依赖于 Theorem 8.18 中更一般的 bound，其中包含了 \(\log \log n\) 因子，而不是 \(\sqrt{\log \log n}\)。因此，这个“absolute constant”可能依赖于 \(\log \log n\)，并非真正绝对。
- Minimax 下界与上界的间隙：Theorem 6.2 的下界与 Theorem 4.3 的上界之间存在一个多项式因子 \((n m^2 q)^{1/(2\beta+2)}\) 的间隙。作者在 Remark 6.3 中明确指出了这一点，并称之为开放问题。因此，论文并未声称其估计量是 minimax 最优的。

四、开放问题¶

关闭上界和下界之间的间隙：Theorem 6.2 的下界与 Theorem 4.3 的上界之间存在一个因子 \((n m^2 q)^{1/(2\beta+2)}\) 的间隙。作者在 Remark 6.3 中明确指出，这是由于正定性约束导致无法构造一个“满计数”的 off-diagonal packing。扎根点：Remark 6.3 的全文。
扩展选择程序的“leading constant one”保证：Corollary 8.23(i) 的“leading constant one”保证只在 \(m \lesssim n^{\beta/(2\beta^2+\beta+1)-\epsilon}\) 的子区域被证明。将其扩展到整个相图，特别是接近阈值 \(m^*(q)\) 的区域，是一个开放问题。扎根点：Lemma (U1') 的陈述和 Remark 8.26 的讨论。
扩展到一般流形和群：本文的所有结果都建立在圆环 \(S^1\) 和循环群 \(Z/qZ\) 上。将饱和引理、相变阈值和选择程序推广到一般紧流形和有限等距群，是一个重要的开放问题。作者在 Section 11 中提到了这一点。扎根点：Section 11 的“The second is the geometry...”段落。
处理超稀疏边界（\(N_i \equiv 2\)）：当每条曲线只有两个观测点时，因子 \(m^2\) 退化，本文的阈值分析失效。对称性在这种极端稀疏的情况下是否还能提供帮助，是一个未解决的问题。扎根点：Section 11 的“The third is the ultra-sparse boundary...”段落。

Maintained by 陈星宇 · Homepage · Source on GitHub