跳转至

Joint Distributions of Minimum and Maximum Angles on High-Dimensional Spheres

作者: Yongcheng Qi, Lijian Yang
主题: 高维统计 / 随机矩阵
相关性: 7/10
链接: https://arxiv.org/abs/2609.05330

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高维球面上均匀随机向量两两夹角（pairwise angles）的极值行为。具体而言，给定 \(n\) 个独立同分布于 \((p-1)\) 维单位球面 \(\mathbb{S}^{p-1}\) 上的随机向量，考虑它们之间所有 \(\binom{n}{2}\) 个夹角 \(\Theta_{ij} = \arccos(X_i^\top X_j)\) 的最小值 \(\Theta_{\min}\) 与最大值 \(\Theta_{\max}\)。该方向的核心问题是：当样本量 \(n\) 和维度 \(p\) 都趋于无穷时，\(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的联合极限分布是什么？它们是否渐近独立？该问题直接关联到高维数据的几何结构（如“所有高维随机向量几乎总是近似正交”这一常识的精确刻画）、随机矩阵的相干性（coherence）、球面均匀性检验、以及编码理论中的球面堆积问题。当前该子方向的成熟度较高，已有对边际极限分布的完整刻画，但联合分布问题在本文之前是公开的。

发展脉络（history）

  • 奠基工作：Cai, Fan and Jiang (2013) [2] 是该方向的里程碑。他们系统研究了固定维度 \(p\) 下 \(n \to \infty\) 以及 \(n, p\) 都趋于无穷时 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的极限行为。在固定 \(p\) 时，他们证明了 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 渐近独立。但在高维设定下（\(n, p \to \infty\)），他们仅在条件 \(\lim_{n\to\infty} \ln n / p = \beta\) 下，分 \(\beta = 0\)、\(\beta \in (0, \infty)\)、\(\beta = \infty\) 三种情形分别得到了 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的边际极限分布（均为 Gumbel 或逆 Gumbel 型），并明确提出了一个开放问题：当 \(p\) 随 \(n\) 发散时，\(\Theta_{\min}\) 和 \(\Theta_{\max}\) 是否渐近独立？ 本文的引用语境明确指出：“Cai et al. [2] also showed that \(\Theta_{\min}\) and \(\Theta_{\max}\) are asymptotically independent when \(p\) is fixed as \(n\) tends to infinity. Meanwhile, they posed an open problem on the asymptotic independence of \(\Theta_{\min}\) and \(\Theta_{\max}\) when \(p\) diverges as \(n\) tends to infinity.”

  • 主要进展：Cai and Jiang (2011, 2012) [3, 4] 将类似极值问题推广到随机矩阵的相干性（coherence）上。相干性定义为 \(L_{n,p} = \max_{1 \le i < j \le n} |X_i^\top X_j|\)，即最大绝对内积。他们研究了当数据矩阵由独立同分布的高斯列构成时，相干性的极限分布，并发现了显著的相变现象：当 \(\ln n / p \to \beta\) 时，极限分布的形式（包括归一化常数）依赖于 \(\beta\) 是 0、有限正数还是无穷。这些工作为高维随机几何的极值理论奠定了分析框架。

  • 当前 frontier 与本文位置：在 Cai et al. (2013) 和 Cai & Jiang (2011, 2012) 之后，该方向的核心未解决问题就是高维下 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的联合极限分布。本文直接定位为“解决 Cai, Fan and Jiang (2013) 提出的公开问题”。本文的贡献在于：证明了无论 \(n\) 和 \(p\) 的相对发散速率如何（即 \(\ln n / p \to \beta \in [0, \infty]\) 均涵盖），\(\Theta_{\min}\) 和 \(\Theta_{\max}\) 都是渐近独立的，且它们的联合极限分布有统一的表达形式，消除了之前分情形讨论的相变现象。

子线索聚类

这些被引文献大致落在两条子线索上：

  1. 高维球面随机几何的极值问题：以 Cai, Fan and Jiang (2013) [2] 为核心，研究均匀球面上随机向量夹角的极值（最小、最大）的极限分布。该线索关注的是几何量（夹角）本身，其分析工具主要是极值理论、高维几何的集中现象和 Gamma 函数的渐近展开。
  2. 随机矩阵相干性的极限理论：以 Cai and Jiang (2011, 2012) [3, 4] 为核心，研究高维随机矩阵列间最大绝对相关系数的极限分布。该线索关注的是统计量（相干性），其分析工具与线索 1 高度重叠，但更侧重于将几何结果转化为统计推断（如协方差结构检验、压缩感知矩阵构造）。本文的 Corollary 2.2 直接建立了夹角极值与相干性之间的联系，将两条线索统一起来。

这个方向在追问的核心问题与已知瓶颈

  • 核心问题 1：高维球面上随机向量夹角的极值（\(\Theta_{\min}, \Theta_{\max}\)）的边际极限分布是什么？——已被 Cai et al. (2013) 解决，但存在分情形（相变）的表述。
  • 核心问题 2：高维下 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 是否渐近独立？——这是本文解决的核心开放问题。
  • 核心问题 3：这些极值结果如何应用于统计推断，例如球面均匀性检验或协方差结构检验？——Cai et al. (2013) 和 Cai & Jiang (2011, 2012) 已给出部分应用，但基于联合分布的检验（如同时利用最小和最大夹角）尚未被探索。
  • 已知瓶颈：在本文之前，主要瓶颈在于无法处理联合分布，因为证明渐近独立性需要处理复杂的依赖结构（所有 \(\binom{n}{2}\) 个夹角之间并非独立，但具有“成对独立性”和“远距离独立性”等特殊性质），而之前的技术（如分情形归一化）无法统一处理。

⚠️ 作者的 framing

  • 作者的缺口 frame：作者将缺口 frame 成“Cai, Fan and Jiang (2013) 提出的一个开放问题”，即高维下 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的渐近独立性。这使得本文成为该子问题的一个“显然的下一步”。作者进一步强调，他们的结果统一了之前分情形讨论的极限形式，消除了相变现象，从而“更便于应用”（原文：“Our results seem more convenient for applications”）。
  • 被淡化或回避的竞争路线：作者没有讨论或比较其他可能的联合分布推导方法（例如，直接对 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的联合分布函数进行渐近展开，而不是通过泊松近似）。他们选择的路线（将事件 \(\{ \Theta_{\min} \le \theta, \Theta_{\max} \ge \pi - \theta' \}\) 转化为一个泊松过程）是经典且高效的，但回避了更直接的、可能更复杂的分析方法。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？：本文的 intro 非常聚焦，只引用了最核心的几篇。一个值得研究者去查的问题是：是否有其他工作研究了高维球面上非均匀分布（如 von Mises-Fisher 分布）下夹角的极值行为？ 如果有，它们与均匀分布下的结果有何不同？这可能是本文结果的一个自然推广方向，但作者没有提及。

张力

未见明显对立引用。所有被引工作（Cai et al. 2013, Cai & Jiang 2011, 2012）在结论上是一致的，只是本文在更一般的设定下给出了更统一的结果。

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：
  • \(p\)：维度（球面 \(\mathbb{S}^{p-1}\) 的维数）。\(p\) 随 \(n\) 趋于无穷，记为 \(p = p_n\)。
  • \(n\)：样本量（球面上随机向量的个数）。
  • \(X_1, \dots, X_n \in \mathbb{S}^{p-1}\)：独立同分布于 \(\text{Unif}(\mathbb{S}^{p-1})\) 的随机向量。\(\|X_i\| = 1\)。
  • \(\Theta_{ij} = \arccos(X_i^\top X_j)\)：向量 \(X_i\) 和 \(X_j\) 之间的夹角，取值范围 \([0, \pi]\)。这是可观测的随机变量。
  • \(\Theta_{\min} = \min_{1 \le i < j \le n} \Theta_{ij}\)：最小夹角。
  • \(\Theta_{\max} = \max_{1 \le i < j \le n} \Theta_{ij}\)：最大夹角。
  • \(\text{estimand}\)：\(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的联合极限分布。
  • \(t_n = \exp\left(-\frac{2\ln n}{p_n - 1}\right)\)：一个关键的归一化参数，依赖于 \(n\) 和 \(p\)。
  • \(\alpha_n = \frac{t_n}{2\sqrt{1-t_n^2}}\)，\(\beta_n = \alpha_n \ln\left((p_n-1)(1-t_n^2)\right)\)：归一化常数。
  • \(\tilde{\Theta}_{\min}, \tilde{\Theta}_{\max}\)：归一化后的最小和最大夹角（见公式 (4), (5)）。

  • \(Z_1, Z_2\)：独立同分布的随机变量，服从逆 Gumbel 分布 \(D(x) = 1 - \exp\left(-\frac{1}{2\sqrt{2\pi}} e^{x/2}\right)\)。

  • 模型：

  • 数据生成机制：\(X_i \overset{\text{i.i.d.}}{\sim} \text{Unif}(\mathbb{S}^{p-1})\)。这意味着每个 \(X_i\) 是 \(p\) 维单位球面上的一个均匀随机点。

  • 统计模型：这是一个完全非参数模型，唯一的假设是均匀性。没有需要估计的参数，目标是推导 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的精确渐近分布。

  • 可观测数据：

  • 可观测：\(n\) 个 \(p\) 维向量 \(X_1, \dots, X_n\)。由此可以计算出所有 \(\binom{n}{2}\) 个夹角 \(\Theta_{ij}\)，进而得到 \(\Theta_{\min}\) 和 \(\Theta_{\max}\)。
  • 潜在 / 不可观测：没有潜在变量。所有量都是可观测的。关键挑战在于这些 \(\Theta_{ij}\) 之间具有复杂的依赖结构（它们不是独立的，尽管是成对独立的）。

第二步：讲最小内核

本文的核心思路可以浓缩为以下最简特例的证明：

最简特例：考虑一个简化问题，其中我们只关心是否存在一个夹角小于某个小阈值 \(\theta\)，或者是否存在一个夹角大于 \(\pi - \theta\)（即接近 \(\pi\)）。换句话说，我们关心事件 \(A = \{\Theta_{\min} \le \theta\} \cup \{\Theta_{\max} \ge \pi - \theta\}\)。

核心数学困难：事件 \(A\) 是 \(\binom{n}{2}\) 个事件 \(\{ \Theta_{ij} \le \theta \}\) 和 \(\{ \Theta_{ij} \ge \pi - \theta \}\) 的并集。这些事件之间高度相关（因为共享同一个 \(X_i\) 的夹角会相互影响）。直接计算 \(P(A)\) 非常困难。

本文的关键想法：利用泊松近似。作者证明，在适当的归一化下，这些“极端夹角事件”发生的次数 \(S_n = \sum_{1 \le i < j \le n} I(\{ \Theta_{ij} \le \theta_n \} \cup \{ \pi - \Theta_{ij} \le \theta_n \})\) 的分布趋近于一个泊松分布。关键在于，要证明这个泊松近似成立，需要验证三个条件（来自 Arratia, Goldstein and Gordon (1989) 的引理 3.4），而这三个条件恰好可以被 \(\Theta_{ij}\) 的特殊依赖结构所满足：

  1. 成对独立性（Lemma 3.1）：任意两个不同的夹角 \(\Theta_{ij}\) 和 \(\Theta_{kl}\)，如果它们不共享公共下标（即 \(\{i,j\} \cap \{k,l\} = \emptyset\)），则是独立的。这保证了“远距离”事件是独立的。
  2. 局部依赖：对于任意一个夹角 \(\Theta_{ij}\)，它只与那些共享一个公共下标的夹角（即 \(\Theta_{ik}\) 或 \(\Theta_{jk}\)）相关。这种依赖是局部的，且相关事件的数量是 \(O(n)\)，远小于总事件数 \(O(n^2)\)。
  3. 小概率：每个单个事件 \(\{ \Theta_{ij} \le \theta_n \}\) 的概率非常小（量级为 \(O(1/n^2)\)），使得总期望 \(\lambda_n = E[S_n]\) 收敛到一个常数。

证明的直观流程： 1. 构造指示变量：对于每个夹角对 \((i,j)\)，定义 \(Z_{ij} = I(\{ \Theta_{ij} \le \theta_n \} \cup \{ \pi - \Theta_{ij} \le \theta_n \})\)。 2. 计算单个概率：利用 Lemma 3.2 和 Lemma 3.3，精确计算 \(P(Z_{ij} = 1)\) 的渐近表达式，并证明其与 \(1/n^2\) 同阶。 3. 应用泊松近似引理：应用 Lemma 3.4（Arratia et al. 1989），验证 \(b_1, b_2, b_3\) 都趋于 0。其中 \(b_1\) 和 \(b_2\) 的消失依赖于事件概率的“小”和依赖结构的“局部性”；\(b_3\) 的消失则直接由“成对独立性”保证（因为给定所有不共享下标的 \(Z_{kl}\)，\(Z_{ij}\) 的条件期望就等于其无条件期望）。 4. 得出结论：\(S_n\) 的分布趋近于泊松分布，其均值 \(\lambda_n\) 收敛到 \(\frac{e^{-x/2}}{2\sqrt{2\pi}} + \frac{e^{-y/2}}{2\sqrt{2\pi}}\)。因此，事件 \(\{S_n = 0\}\)（即没有极端夹角）的概率收敛到 \(\exp(-\lambda_n)\)，这正是 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的联合生存函数，且由于 \(\lambda_n\) 是可加的，它自然地分解为两个独立因子的乘积，从而证明了渐近独立性。

总结：本文的最小内核是利用泊松近似，将高维球面上夹角极值的联合分布问题，转化为一个关于“极端事件”发生次数的泊松过程收敛问题。其成功的关键在于利用了夹角序列独特的“成对独立性”和“局部依赖”结构，使得泊松近似的条件得以满足。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了当样本量 \(n\) 和维度 \(p\) 都趋于无穷时，高维单位球面上均匀随机向量两两夹角的最小值 \(\Theta_{\min}\) 与最大值 \(\Theta_{\max}\) 的联合极限分布。
  2. 核心工具 / 方法：核心工具是极值理论和泊松近似（具体为 Arratia, Goldstein and Gordon (1989) 的引理）。通过构造一个关于“极端夹角事件”的指示变量和，并证明其收敛到泊松分布，从而推导出 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的渐近独立性。
  3. 主要结论：\(\Theta_{\min}\) 和 \(\Theta_{\max}\) 是渐近独立的，且经过适当的归一化后，它们的极限分布都是逆 Gumbel 分布。该结果统一了之前文献中分情形讨论的相变现象，无论 \(\ln n / p \to \beta \in [0, \infty]\) 如何，极限形式都相同。

关键设定与假设

  • 设定：\(X_1, \dots, X_n\) 是来自 \(\text{Unif}(\mathbb{S}^{p-1})\) 的 i.i.d. 样本。\(p = p_n \to \infty\) 当 \(n \to \infty\)。没有对 \(n\) 和 \(p\) 的相对速率施加任何限制（如 \(\ln n / p \to \beta\)），这是本文相对于 Cai et al. (2013) 的主要放宽之处。
  • 假设：唯一的假设是均匀分布。这是一个很强的假设，但也是该子领域的标准设定。没有 SUTVA、ignorability 等因果推断假设。所有结果都依赖于这个均匀性假设以及由此推导出的夹角密度函数 \(f_p(\theta)\)。
  • 相比已有文献的放宽：Cai et al. (2013) 需要假设 \(\lim_{n\to\infty} \ln n / p = \beta\) 存在（有限或无穷），并分情形讨论。本文完全去掉了这个假设，证明了结果对任何发散速率都成立。

主要结果

  • 定理 2.1（核心定理）：定义了归一化的 \(\tilde{\Theta}_{\min}\) 和 \(\tilde{\Theta}_{\max}\)（公式 (4), (5)）。结论是 \((\tilde{\Theta}_{\min}, \tilde{\Theta}_{\max})\) 依分布收敛到两个独立的随机变量 \((Z_1, Z_2)\)，每个都服从逆 Gumbel 分布 \(D(x) = 1 - \exp\left(-\frac{1}{2\sqrt{2\pi}} e^{x/2}\right)\)。
  • 直觉：这个定理直接回答了开放问题：\(\Theta_{\min}\) 和 \(\Theta_{\max}\) 在高维下是渐近独立的。归一化后的极限分布是 Gumbel 型，这是极值理论的典型结果。
  • 必要条件：\(p \to \infty\)。没有其他条件。

  • 解决的技术难点：证明渐近独立性。难点在于处理 \(\binom{n}{2}\) 个夹角之间的复杂依赖关系。作者通过泊松近似巧妙地绕过了直接计算联合分布函数。

  • 推论 2.1：

  • (a) \(\frac{1}{\alpha_n}(\Theta_{\max} + \Theta_{\min} - \pi) \xrightarrow{d} Z_2 - Z_1\)。这给出了 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 之和的极限分布。

  • (b) \(\Theta_{\min} - \arcsin(t_n)\) 和 \(\pi - \Theta_{\max} - \arcsin(t_n)\) 都依概率收敛到 0。这给出了 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的相合估计（它们分别收敛到 \(\arcsin(t_n)\) 和 \(\pi - \arcsin(t_n)\)）。

  • 定理 2.2：将结果推广到 \(\cos(\Theta_{\min})\) 和 \(\cos(\Theta_{\max})\) 的联合极限分布。结论是它们也是渐近独立的，极限分布分别为逆 Gumbel 和 Gumbel 分布。

  • 推论 2.2：将结果应用于随机矩阵的相干性 \(L_{n,p} = \max_{i<j} |X_i^\top X_j|\) 和平方相干性 \(\tilde{L}_{n,p} = \max_{i<j} (X_i^\top X_j)^2\)，给出了它们的极限分布（均为 Gumbel 分布）。这直接连接了高维几何与高维统计中的经典问题。

证明路线与技术技巧

  • 整体路线：
  • 归一化与事件转化：对于任意固定的 \(x, y \in \mathbb{R}\)，定义阈值 \(\theta_n(-x)\) 和 \(\theta_n(-y)\)（见 Lemma 3.3）。将事件 \(\{\tilde{\Theta}_{\min} \le x, \tilde{\Theta}_{\max} \le y\}\) 转化为事件 \(\{S_n = 0\}\)，其中 \(S_n\) 是“极端夹角事件”发生的次数。
  • 计算单个事件概率：利用 Lemma 3.2 和 Lemma 3.3，精确计算单个夹角 \(\Theta_{ij}\) 小于 \(\theta_n(-x)\) 或大于 \(\pi - \theta_n(-y)\) 的概率的渐近表达式。证明其量级为 \(O(1/n^2)\)。
  • 泊松近似：应用 Lemma 3.4（Arratia et al. 1989 的泊松近似引理），证明 \(S_n\) 的分布收敛到一个泊松分布。这需要验证三个条件 \(b_1, b_2, b_3 \to 0\)。
  • 验证条件：
    • \(b_1\) 和 \(b_2\) 的消失依赖于事件概率的“小”和依赖结构的“局部性”（即只有共享一个公共下标的夹角才相关）。
    • \(b_3\) 的消失依赖于“成对独立性”（Lemma 3.1），即给定所有不共享下标的 \(Z_{kl}\)，\(Z_{ij}\) 的条件期望等于其无条件期望。

  • 得出结论：\(S_n\) 的极限分布是均值为 \(\lambda = \frac{e^{-x/2}}{2\sqrt{2\pi}} + \frac{e^{-y/2}}{2\sqrt{2\pi}}\) 的泊松分布。因此，\(P(\tilde{\Theta}_{\min} \le x, \tilde{\Theta}_{\max} \le y) = P(S_n = 0) \to e^{-\lambda}\)，这恰好是两个独立逆 Gumbel 分布函数的乘积，从而证明了渐近独立性。

  • 关键跳跃点：最关键的跳跃点是证明 Lemma 3.3，即精确计算 \(P(\Theta_{12} \le \theta_n(s))\) 的渐近表达式。这需要：

  • 对夹角密度函数 \(h_p(\theta)\) 进行精确的积分。
  • 利用 Stirling 公式对 Gamma 函数比值进行渐近展开。

  • 对 \(\sin(\theta_n(s))\) 和 \(\cos(\theta_n(s))\) 进行精细的泰勒展开，以处理 \(\theta_n(s)\) 依赖于 \(n\) 和 \(p\) 的复杂形式。 这个跳跃点卡在如何将积分渐近展开与归一化参数 \(\theta_n(s)\) 的定义精确匹配，使得最终结果恰好是 \(e^{s/2} / (2\sqrt{2\pi})\) 的简洁形式。

  • 技术技巧点名：

  • 泊松近似（Chen-Stein 方法）：核心工具，用于处理大量弱相关事件的并集概率。具体使用了 Arratia, Goldstein and Gordon (1989) 的引理。
  • Stirling 公式：用于 Gamma 函数比值的渐近展开（公式 (11)）。
  • 泰勒展开：用于对 \(\sin(\theta_n(s))\) 和 \(\cos(\theta_n(s))\) 进行展开，以计算其高次幂（公式 (19), (20)）。
  • 积分渐近（Laplace 方法）：用于计算夹角密度函数的积分（Lemma 3.2 的证明中，通过分部积分得到主导项）。

真实例子与应用

本文为纯理论论文，没有包含任何真实数据例子、模拟实验或实际应用。所有结果都是数学定理和推论。作者在引言中提到了潜在的应用（如球面均匀性检验、随机矩阵相干性），但并未在本文中实现。

🔎 结论是否比证明窄

  • 结论与证明匹配：本文的结论（定理 2.1）是在假设 \(p = p_n \to \infty\) 下严格证明的。这个条件非常宽泛，没有额外限制，因此结论的适用范围与证明的设定完全匹配。
  • 潜在泛化声明：作者在比较部分（Section 2 末尾）声称他们的结果“更便于应用”（“Our results seem more convenient for applications”）。这是一个泛化声明，但本文并未提供任何应用实例来支持这一说法。这个声明是合理的，因为统一的形式确实比分情形讨论更简洁，但严格来说，它只是一个 claim，而非被证明的结论。研究者可以质疑：在实际应用中，这种统一形式是否真的能带来更好的有限样本表现？这需要模拟研究来验证。

四、开放问题

  1. 非均匀分布下的极值行为：本文所有结果都基于均匀分布假设。一个自然的开放问题是：对于非均匀分布（如 von Mises-Fisher 分布），\(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的联合极限分布是什么？它们是否仍然渐近独立？这个问题扎根于本文的核心假设（均匀性），也是作者在引言中提到的“检验均匀性”这一应用的直接延伸。要解决此问题，需要推导非均匀分布下夹角密度的渐近形式，并重新验证泊松近似的条件。

  2. 有限样本精度与相变现象：本文证明了极限分布是统一的，消除了相变现象。但 Cai et al. (2013) 的分情形结果暗示，在有限样本下，当 \(\ln n / p\) 处于不同范围时，收敛速度可能有显著差异。一个开放问题是：本文的统一极限在有限样本下的近似精度如何？是否存在一个“有效相变”，即对于不同的 \(\ln n / p\) 值，需要不同的样本量才能达到相同的近似精度？这个问题扎根于本文与 Cai et al. (2013) 的张力（统一 vs. 分情形），可以通过大规模的模拟研究来回答。

  3. 基于联合分布的检验：本文为 \(\Theta_{\min}\) 和 \(\Theta_{\max}\) 的联合分布提供了完整的理论刻画。一个直接的开放问题是：如何基于这个联合分布构造一个比仅基于 \(\Theta_{\min}\) 或 \(\Theta_{\max}\) 更有效的球面均匀性检验？ 例如，可以构造一个同时利用最小和最大夹角的检验统计量（如推论 2.1(a) 中的 \(\Theta_{\max} + \Theta_{\min} - \pi\)），并研究其功效。这个问题扎根于本文的应用动机（引言中提到的“tests based on extreme pairwise angles”），但本文并未实现。

  4. 更高阶的极值统计量：本文只研究了最小和最大夹角。一个自然的推广是研究第 \(k\) 小和第 \(k\) 大夹角的联合极限分布。例如，第 2 小夹角与第 2 大夹角是否也渐近独立？它们的联合分布是什么？这个问题扎根于本文的方法论（泊松近似可以自然地推广到处理第 \(k\) 个次序统计量），但本文没有涉及。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论