跳转至

Nonparametric inference for density-dependent McKean--Vlasov diffusions

作者: Denis Belomestny, Ekaterina Morozova
主题: 非参数 / 半参数
相关性: 6/10
链接: https://arxiv.org/abs/2609.01166

一、领域脉络与小综述

这个方向是什么

本文研究的核心问题是：如何从独立同分布的横截面观测数据中，非参数地估计一个多变量 McKean-Vlasov 扩散过程的密度依赖漂移系数及其平稳密度。这里的“密度依赖”是指漂移项直接依赖于过程本身的点态概率密度（而非其矩、核函数或累积分布函数），这使得问题在数学上具有奇异性——漂移关于测度的弱拓扑不连续。观测数据是多个独立粒子在同一时刻的样本（横截面数据），而非单个粒子的长轨迹。这是一个结合了非线性扩散过程、非参数统计和逆问题的交叉子方向，目前处于从“存在性与唯一性”等概率论基础向“统计推断”过渡的阶段，非参数估计的理论（尤其是最优速率）才刚刚开始建立。

发展脉络（history）

  1. 奠基工作：McKean-Vlasov SDE 的提出与概率论基础

    • McKean [1966] 和 Sznitman [1991] 建立了 McKean-Vlasov SDE 的框架，作为平均场极限的标准模型。这些工作奠定了过程的概率论基础（存在性、唯一性、传播混沌），但未涉及统计推断。
    • Kasonga [1990] 首次将极大似然理论引入大规模相互作用系统，为后续的统计工作提供了起点。

  2. 主要进展：从参数/半参数到非参数，从轨迹到横截面

    • 参数与半参数方法：Belomestny et al. [2023b] 和 Genon-Catalot & Larédo [2024] 分别研究了半参数和参数设定下的估计问题。后者针对遍历的 McKean-Vlasov SDE，利用长时间连续观测路径进行推断，证明了估计量的相合性与渐近正态性。这些工作依赖于参数化假设，限制了模型的灵活性。
    • 非参数方法（轨迹数据）：Della Maestra & Hoffmann [2022] 和 Comte & Genon-Catalot [2023] 将非参数估计引入相互作用粒子系统。前者基于固定时间窗口内整个粒子系统的轨迹，构建了自适应核估计器，并证明了其在各向异性 Hölder 类上的 minimax 最优性。后者则针对漂移线性于空间、依赖于两个未知确定性函数的模型，提出了投影估计器。这些工作通常需要观测整个系统的演化轨迹。
    • 非参数方法（横截面数据）：Belomestny & Orlova [2025] 是本文最直接的先驱。他们研究了漂移依赖于累积分布函数的守恒律 McKean-Vlasov SDE，并利用 ODE 诱导的似然框架和深度神经网络筛，从横截面数据中实现了非参数估计。这证明了从横截面数据推断非线性扩散的可行性，但其依赖的是 CDF，而非点态密度。

  3. 当前 Frontier 与本文位置

    • 当前 Frontier：将非参数推断推广到漂移依赖于点态密度（Nemytskii 型）的更奇异模型。这需要处理漂移关于测度的不连续性，以及由此产生的逆问题稳定性分析。Grube [2024] 和 Bogachev et al. [2024] 等概率论工作为这类方程的解的存在性和正则性提供了理论基础。
    • 本文的位置：本文是首次对密度依赖的 McKean-Vlasov 扩散进行非参数估计并给出minimax 最优速率的工作。它建立在 Belomestny & Morozova [2026] 对 Ornstein-Uhlenbeck 势下该模型遍历性质的分析之上，并将 Belomestny et al. [2023a] 的 ReQU 神经网络逼近理论应用于统计推断。它填补了从“CDF 依赖”到“点态密度依赖”的关键空白，并处理了由此产生的“端点自适应逼近”和“非线性逆稳定性”等新挑战。

子线索聚类

  1. 概率论与 PDE 基础：关注 McKean-Vlasov 方程（特别是 Nemytskii 型）的解的存在性、唯一性、正则性和遍历性。代表工作：McKean [1966], Sznitman [1991], Grube [2024], Bogachev et al. [2024], Barbu & Roeckner [2024], Belomestny & Morozova [2026]。
  2. 统计推断（参数/半参数）：在参数或半参数假设下，利用轨迹或横截面数据估计模型参数。代表工作：Kasonga [1990], Belomestny et al. [2023b], Genon-Catalot & Larédo [2024], Sharrock et al. [2023]。
  3. 统计推断（非参数）：在非参数假设下，利用轨迹或横截面数据估计漂移或密度函数。代表工作：Della Maestra & Hoffmann [2022], Comte & Genon-Catalot [2023], Belomestny & Orlova [2025], 本文。
  4. 神经网络逼近理论：为统计估计提供函数逼近工具。代表工作：Schmidt-Hieber [2020]（ReLU 网络），Belomestny et al. [2023a]（分段多项式激活网络，本文所用 ReQU 的基础）。

这个方向在追问的核心问题

  1. 可识别性与估计速率：从横截面数据中，能以多快的速率恢复密度依赖的漂移系数？该速率受哪些因素（如势函数的光滑性、密度范围、空间维度）影响？
  2. 逆问题的稳定性：从平稳密度到漂移系数的映射是“求导”操作，本质上是病态的。如何利用光滑性假设（如 Hölder 类）来稳定这个逆问题，并建立从 KL 散度到系数 L² 损失的插值不等式？
  3. 端点效应：由于漂移系数在低密度区域（空间尾部）不可识别，估计问题天然是“局部”的。如何设计逼近方法（如分级网格）来最优地处理端点附近的逼近误差？
  4. 计算与统计的权衡：神经网络筛提供了灵活性，但其复杂度（如网络宽度、深度、非零参数个数）如何影响统计速率？是否存在一个最优的复杂度选择？

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么：作者将现有非参数工作（Della Maestra & Hoffmann [2022], Comte & Genon-Catalot [2023]）定位为处理“更平滑的泛函”（如矩、核函数）或需要“轨迹观测”。他们将 Belomestny & Orlova [2025] 定位为处理“CDF 依赖”的模型。因此，本文的“显然的下一步”就是处理“点态密度依赖”这一更奇异、更困难的情形，并声称这是首次为该模型建立非参数 minimax 最优估计理论。
  • 哪些竞争路线被他淡化或回避了：
    • 核/样条方法：作者完全采用了神经网络筛，没有与经典的核估计或样条方法进行任何理论或数值比较。虽然神经网络在逼近高维或复杂函数时有优势，但本文通过势函数将问题降为一维，核/样条方法在一维问题中通常非常有效且理论成熟。作者回避了“为什么神经网络是必要的”这一关键问题。
    • 其他非参数方法：作者没有讨论或引用任何基于局部多项式、正交级数或其他非神经网络筛的估计方法。这给人一种印象，即神经网络是唯一可行的工具。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？：本文的速率 (log n / n)^{β/(2β+3)} 与一维非参数回归中 Hölder 类函数的 minimax 速率 n^{-β/(2β+3)} 在形式上非常相似（除了对数因子）。作者没有明确讨论或引用这个经典的类比，这可能会让读者好奇：这个速率是否本质上就是“从密度到系数”的逆问题将回归速率“降级”的结果？此外，关于“端点自适应”的文献（如自适应核估计、边界核）没有被引用，尽管本文的核心技术挑战之一就是处理端点。

张力

未见明显对立引用。所有被引工作都在各自的设定下推进，没有出现对同一问题得出相反结论的情况。主要的“张力”存在于不同设定之间（如轨迹 vs. 横截面，CDF 依赖 vs. 密度依赖），但这更多是问题复杂度的递进，而非结论的矛盾。

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：

    • X_t：d 维随机过程，在时间 t 的状态。
    • p_t(x)：X_t 在时间 t 的 Lebesgue 密度。
    • V(x)：已知的 d 维势函数（confining potential），例如 V(x) = 1 + ||x||^2 / 2。
    • Ξ(r)：未知的密度依赖漂移系数（interaction function），是 ℝ⁺ → ℝ⁺ 的函数。这是要估计的目标。
    • W_t：d 维标准布朗运动。
    • π_Ξ(x)：对应于系数 Ξ 的平稳密度。
    • n：样本量（独立粒子的个数）。
    • X_1, ..., X_n：可观测的独立同分布样本，来自平稳分布 π_{Ξ₀}，其中 Ξ₀ 是真实系数。
    • β：Hölder 光滑性参数，Ξ₀ ∈ ℋ^β。
    • 𝜅, K：Ξ 的上下界常数，0 < 𝜅 ≤ Ξ(r) ≤ K < ∞。
    • a_0：真实平稳密度的最大值，a_0 = max_x π_{Ξ₀}(x)。
    • I = [r⁻, r⁺]：一个紧区间，I ⋐ (0, a_0)，是系数 Ξ 可被识别的内部区域。
    • 𝑔_𝜉(r) = ∫₁ʳ (u 𝜉(u))⁻¹ du：一个从系数到其原函数的映射。
    • 𝑞_𝜉(s) = 𝑔_𝜉⁻¹(𝜇_𝜉 - s)：平稳密度在能量坐标 s = V(x) 下的表示。
    • 𝑚_V(s)：势函数 V 的余面积因子（coarea factor），描述能量水平集 {x: V(x)=s} 的面积。

  • 模型：

    • 数据生成机制由 McKean-Vlasov SDE 描述： dX_t = -Ξ(p_t(X_t)) ∇V(X_t) dt + √2 dW_t
    • 这是一个非线性扩散：漂移项不仅依赖于当前位置 X_t，还依赖于整个过程的密度 p_t 在该点的值。
    • 在平稳状态下，密度 π_Ξ 满足零通量条件，并可通过求解一个一阶 ODE 得到（见 Proposition 3.4）。

  • 可观测数据：

    • 可观测：n 个独立同分布的 d 维向量 X_1, ..., X_n，每个都来自平稳分布 π_{Ξ₀}。
    • 想要但观测不到：我们无法观测到过程的路径 {X_t}，也无法观测到密度 p_t 本身。我们只能通过样本 X_i 来推断 Ξ₀。此外，Ξ₀ 在密度趋于 0 的区域（即 r → 0）是不可识别的，因为那里没有数据。

第二步：讲最小内核

本文的核心数学困难可以浓缩为一个一维非线性逆问题。

最简特例：考虑一维情况 (d=1)，并假设势函数是 Ornstein-Uhlenbeck 势 V(x) = 1 + x²/2。此时，∇V(x) = 2x。模型变为： dX_t = -2 Ξ(p_t(X_t)) X_t dt + √2 dW_t

核心思路： 1. 降维：作者证明，平稳密度 π_Ξ(x) 可以写成 π_Ξ(x) = q_Ξ(V(x))，其中 q_Ξ(s) 是一个一维函数。这意味着，尽管原始问题是 d 维的，但平稳密度的结构完全由一维函数 q_Ξ 决定。因此，观测 X_i 的似然等价于观测其能量 S_i = V(X_i) 的似然。问题从估计一个 d 维函数 π_Ξ 简化为估计一个一维函数 q_Ξ。

  1. 从 q_Ξ 到 Ξ 的逆问题：q_Ξ 满足一个简单的 ODE（公式 3.5）： q'_Ξ(s) = - q_Ξ(s) Ξ(q_Ξ(s)) 这个 ODE 告诉我们，Ξ 可以从 q_Ξ 的导数中恢复出来： Ξ(r) = - (log q_Ξ)'(s) |_{s = q_Ξ⁻¹(r)} 换句话说，估计 Ξ 等价于先估计 q_Ξ，然后对其求导并进行变量变换。

  2. 最小内核问题：现在，核心的数学问题变成了： > 给定来自 q_Ξ₀(s) 的 n 个独立样本 S_i = V(X_i)，如何以最优速率估计 Ξ₀(r) = - (log q_Ξ₀)'(q_Ξ₀⁻¹(r))？

    这是一个典型的逆问题，因为从 q_Ξ 到 Ξ 的映射涉及求导，这是一个病态操作（会放大噪声）。作者的关键想法是： * 正向映射：定义一个从系数 Ξ 到其平稳密度 π_Ξ 的映射 F: Ξ → π_Ξ。这个映射是“平滑”的（包含一次积分操作）。 * 在正向空间做逼近：作者不直接逼近 Ξ，而是先构造一个神经网络筛 𝒳_m 来逼近 Ξ，然后通过 F 映射到密度空间。他们证明，如果 Ξ 的逼近误差在某种“前向范数” ||𝒜(Ξ_m - Ξ₀)|| 下很小，那么对应的密度 π_{Ξ_m} 就会很接近真实密度 π₀。 * 逆问题稳定性：为了从密度的接近程度反推系数的接近程度，作者利用 Ξ 的 Hölder 光滑性假设，建立了一个插值不等式（Lemma A.4）： ||Ξ_m - Ξ₀||_{L²(I)} ≲ KL(π₀ || π_{Ξ_m})^{β / (2(β+1))} 这个不等式表明，如果 KL 散度以速率 n^{-2(β+1)/(2β+3)} 收敛，那么系数的 L² 损失将以 (n^{-2(β+1)/(2β+3)})^{β/(2(β+1))} = n^{-β/(2β+3)} 收敛。这正是本文得到的速率。

一句话总结：本文的核心是在一个一维非线性逆问题中，通过先在前向（密度）空间中进行最优逼近，再利用光滑性假设稳定逆向（系数）映射，从而得到 minimax 最优的估计速率。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：从独立同分布的横截面观测数据中，非参数地估计多变量密度依赖 McKean-Vlasov 扩散的漂移系数 Ξ 及其平稳密度 π_Ξ。
  2. 核心工具/方法：利用已知势函数 V 将问题降为一维，构建基于稀疏 ReQU 神经网络的筛极大似然估计器（sieve MLE），并采用端点自适应分级逼近（endpoint-adapted graded approximation）技术。
  3. 主要结论：对于 Hölder 光滑性为 β 的系数，估计器对平稳密度的 KL 散度达到 (b_n log n / n)^{2(β+1)/(2β+3)} 的收敛速率，对漂移系数的 L² 损失达到 (b_n log n / n)^{β/(2β+3)} 的速率（b_n 至多为对数因子）。通过 Assouad 下界证明该速率在 minimax 意义下最优（至多差对数因子）。

关键设定与假设

  • Assumption 3.1 (势函数 V)：V 是 C² 的、强制的（coercive），且 e^{-aV} 可积。其水平集测度 m_V(s) 在紧区间上有界且远离 0。这保证了平稳密度的存在性和尾部指数衰减。
  • Assumption 3.3 (系数类)：Ξ 有界（0 < 𝜅 ≤ Ξ ≤ K）且 Lipschitz 连续。这是保证 ODE 解唯一性和稳定性的基本条件。
  • Hölder 光滑性：真实系数 Ξ₀ ∈ ℋ^β([0, U], H)，β > 1。这是获得非参数收敛速率的必要条件。
  • 内部性条件 (3.2)：Ξ₀ 的值域与筛的边界 [𝜅, K] 保持一个正距离 η₀。这是一个技术性假设，确保筛的“夹紧”操作不会影响逼近精度。
  • Assumption 4.1 (势函数的增长)：m_V(s) 至多以多项式速度增长 (1+s)^α。这控制了低密度区域（r → 0）的测度行为，是端点自适应分析的基础。
  • Assumption 6.4 (内部能量区间)：对于目标区间 I，其对应的能量区间 S_I 是紧的且远离 V 的临界值。这保证了在 I 上，m_V 有界且远离 0，从而可以建立从 KL 散度到系数 L² 损失的插值不等式。

相比已有文献：与 Belomestny & Orlova [2025] 相比，本文的假设更严格（需要 β > 1 和内部性条件），这是因为点态密度依赖的逆问题更不稳定。与 Della Maestra & Hoffmann [2022] 相比，本文不需要观测整个轨迹，但需要更强的光滑性假设来补偿信息量的减少。

主要结果

  • Theorem 6.2 (密度速率)：在给定假设下，筛 MLE bΞ_n 对应的平稳密度 π_{bΞ_n} 的 KL 散度满足： KL(π₀ || π_{bΞ_n}) = O_ℙ( (b_n log n / n)^{2(β+1)/(2β+3)} ) 其中 b_n = O(1)（紧支撑情形）或 b_n ≲ log n（非紧支撑情形）。这是通过平衡逼近误差 m^{-2(β+1)} 和随机误差 m log n / n 得到的，最优的 m ≍ (n / (b_n log n))^{1/(2β+3)}。
  • Theorem 6.7 (系数速率)：在相同假设下，对于任意内部区间 I ⋐ (0, a₀)，系数估计的 L² 损失满足： ||bΞ_n - Ξ₀||_{L²(I)} = O_ℙ( (b_n log n / n)^{β/(2β+3)} ) 这个速率是通过将 Theorem 6.2 的 KL 散度速率代入插值不等式（Lemma A.4）得到的。
  • Theorem 7.2 (Minimax 下界)：对于系数类 𝔛^β(J)，存在常数 C_risk > 0，使得： inf_{bΞ_n} sup_{ξ ∈ 𝔛^β(J)} 𝔼_ξ ||bΞ_n - ξ||²_{L²(I)} ≥ C_risk n^{-2β/(2β+3)} 这证明了 Theorem 6.7 中的速率（忽略对数因子）是 minimax 最优的。下界是通过 Assouad 引理构造的，其中关键的一步是 Lemma 7.1，它将相邻系数的 KL 散度与它们的原函数差 G 的 L² 范数联系起来。

证明路线与技术技巧

整体路线： 1. 降维与似然：利用 Proposition 3.4 将 d 维问题转化为一维能量 S = V(X) 的密度 q_Ξ(s) 的估计问题。似然函数 ℒ_n(ξ) 等价于基于 S_i 的似然。 2. 筛构造与逼近：构造一个稀疏 ReQU 神经网络筛 𝒳_m（公式 4.1-4.2）。关键 Lemma 4.2 证明，存在一个筛元素 ξ_m，它不仅在 L∞ 范数下以 m^{-β} 逼近 Ξ₀，更重要的是，它在前向范数 ||𝒜(ξ_m - Ξ₀)||_{L²(ν₀)} 下以 m^{-(β+1)} 逼近。这个“额外的一阶”逼近是通过在分级网格上构造满足矩消失条件（公式 4.6）的校正项实现的。 3. Oracle 不等式：Proposition 5.5 给出了一个关于 KL 散度的快速 Oracle 不等式。它通过截断（A_M）、离散化（ε-net）和局部化 KL-Bernstein 不等式（Lemma 5.1），将 MLE 的 KL 风险分解为逼近误差、随机复杂度和截断误差之和。 4. 正向速率：Proposition 6.1 证明，由 Lemma 4.2 构造的 ξ_m 对应的 KL 散度 KL(π₀ || π_{ξ_m}) 以 m^{-2(β+1)} 速率收敛。这验证了 Oracle 不等式中的逼近项。 5. 逆向速率：Theorem 6.7 利用插值不等式（Lemma A.4）将 KL 散度速率转化为系数 L² 损失速率。这个不等式依赖于 Ξ 的 Hölder 光滑性，是连接正向和逆向估计的桥梁。 6. Minimax 下界：Theorem 7.2 通过 Assouad 引理证明下界。构造一个由局部化 bump 函数组成的系数立方体，使得相邻系数的 L² 距离为 b^{β+1/2}，而它们的 KL 散度为 b^{2β+3}。平衡这两个量得到最优带宽 b ≍ n^{-1/(2β+3)}，从而得到下界 n^{-2β/(2β+3)}。

关键跳跃点： * 从 L∞ 逼近到前向范数逼近：Lemma 4.2 的核心是，仅仅在 L∞ 下逼近 Ξ₀ 是不够的，因为前向映射 F 会放大误差。通过在分级网格上构造满足矩消失条件的校正项，作者实现了前向范数下的“超收敛”（super-convergence），即从 m^{-β} 提升到 m^{-(β+1)}。这是获得最优密度速率的关键。 * 从 KL 散度到系数 L² 损失的插值：Lemma A.4 是连接两个速率的桥梁。它利用 s'_ξ(r) = -1/(r ξ(r)) 这一关系，将系数差 ||ξ - Ξ₀||_{L²(I)} 与 s_ξ - s₀ 的导数联系起来。然后，通过一个标准的 Sobolev 插值不等式（Lemma A.3），将导数的 L² 范数用函数本身的 L² 范数（由 KL 散度控制）和其高阶光滑范数（有界）来控制。

技术技巧点名： * ReQU 激活函数：σ(z) = (z⁺)²。选择它是因为其输出是二次的，便于构造满足矩消失条件的多项式校正项，且其导数（线性）在逆问题分析中需要用到。 * 端点自适应分级逼近：使用非均匀网格 r_{j,m} = U (j/m)^θ，其中 θ > (2β+2)/(2β+1)。这使得靠近 0 的网格单元非常小，从而控制了低密度区域（r → 0）的逼近误差，该区域的前向范数权重很大。 * 局部化 KL-Bernstein 不等式 (Lemma 5.1)：这是获得 1/n 而非 1/√n 随机阶的关键。它利用似然比的有界性，将经验过程的波动与 KL 散度本身联系起来，从而在 Oracle 不等式中吸收掉波动项。 * Assouad 下界：用于证明 minimax 最优性。通过构造一个高维参数立方体，将多元估计问题分解为一系列二元假设检验问题，从而得到风险的下界。

真实例子与应用

  • 数据/场景：模拟数据。考虑 Ornstein-Uhlenbeck 势 V(x) = 1 + ||x||²/2 和三个不同的真实漂移系数 Ξ₀：常数 (Ξ₀,₁=1)、分段二次型 (Ξ₀,₂) 和有理函数 (Ξ₀,₃)。样本从对应的平稳分布中通过拒绝采样生成。
  • 方法应用：使用一个非常简单的 ReQU 网络（q=1，即 NN(2, (1,3,1), 10, 1)）作为筛。通过最小化网格上的 ISE（积分平方误差）来选择网络复杂度 q。然后，通过求解 ODE 和归一化条件来计算每个候选 ξ 对应的似然，并优化得到 bΞ_n。
  • 结果：
    • 图 1 显示，对于 n=10000, d=2，估计的曲线与真实曲线非常接近，误差不超过 0.05。
    • 表 1 显示，ISE 随样本量 n 增加而快速下降，且随维度 d 增加而下降（这可能是由于高维下密度更集中，估计更容易）。
    • 图 2 在对数坐标下展示了 ISE 随 n 的变化。对于属于筛的 Ξ₀,₁ 和 Ξ₀,₂，误差衰减速率接近 n⁻¹（参数速率），而对于不属于筛的 Ξ₀,₃，衰减速率明显更慢，符合非参数速率的预期。
  • 例子想说明什么：验证了所提出的筛 MLE 方法在实际中的可行性，并展示了当真实系数属于筛时（参数情形）和不属于筛时（非参数情形）不同的收敛行为。数值结果与理论预测（Ξ₀,₁ 和 Ξ₀,₂ 的 n⁻¹ 速率，Ξ₀,₃ 的更慢速率）定性一致。

🔎 结论是否比证明窄

  • 结论：Theorem 6.7 声称系数估计的 L² 损失达到 (b_n log n / n)^{β/(2β+3)} 的速率。
  • 证明的窄处：这个结论依赖于 Lemma A.4 中的插值不等式，而该不等式要求 Ξ₀ 和 ξ 都具有 β 阶 Hölder 光滑性，并且 ξ 的模 a_ξ 必须大于 r⁺（即估计区间 I 的上界）。Theorem 6.7 的证明中，通过 Lemma A.5 保证了当 KL 散度足够小时，a_{bΞ_n} 会足够接近 a₀，从而满足条件。这意味着该结论是一个高概率事件，且需要样本量 n 足够大，使得 KL 散度低于某个阈值。作者没有给出这个阈值与 n 的具体关系，只是说“存在 C_mode 使得 ℜ ≤ C_mode 蕴含该不等式”。这是一个典型的“足够大 n”的渐近论证，没有给出有限样本的显式保证。
  • 泛化 claim：作者在摘要和引言中声称该速率是“minimax 最优的”。这个 claim 是准确的，因为 Theorem 7.2 的下界是在一个更窄的系数类 𝔛^β(J) 上证明的，而 Theorem 6.7 的上界是在一个更宽的类上成立的。因此，上界和下界匹配，证明了最优性。然而，下界的构造依赖于一个特定的局部参数类，并未覆盖所有可能的 β-Hölder 函数。这是 Assouad 下界的标准做法，但严格来说，它只证明了在该特定子类上的 minimax 下界，而非整个 Hölder 类。

四、开放问题

  1. 自适应选择筛大小 m：Theorem 6.2 的最优 m 依赖于未知的光滑性参数 β。如何构造一个数据驱动的准则（如 Lepski 方法、交叉验证）来自适应地选择 m，使得估计器在不事先知道 β 的情况下达到最优速率？扎根点：Theorem 6.2 的证明中 m 的选择依赖于 β。
  2. 放宽对势函数 V 的假设：本文假设 V 完全已知。如果 V 未知或仅部分已知（例如，包含未知参数），问题会如何变化？能否同时非参数地估计 V 和 Ξ？扎根点：整个降维和似然框架都建立在 V 已知的基础上（Section 3）。
  3. 扩展到更一般的 Nemytskii 型依赖：本文的漂移形式为 -Ξ(p_t(X_t)) ∇V(X_t)。能否将方法推广到更一般的 Nemytskii 型漂移，例如 b(x, p_t(x))，其中 b 对 x 和 p 的依赖都是非线性的？扎根点：引言中提到了 Nemytskii 型，但本文的模型是其中一种特殊形式。
  4. 计算效率与统计最优性的权衡：本文使用的 ReQU 网络筛在理论上达到了最优统计速率，但其数值优化（求解非凸的 MLE）的计算成本如何？是否存在计算上更高效（如凸优化）但统计上次优的方法？这直接关联到研究者的“统计-计算权衡”兴趣。扎根点：本文的数值实验使用了非常简单的网络（q=1），对于更复杂的网络，优化可能变得困难。作者没有讨论计算复杂度。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论