跳转至

Model-free and Distributionally Robust Feature Screening with False Discovery Control for High-Dimensional Heterogeneous Data

作者: Cong Cheng, Runze Li, Yuan Ke
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2609.23635

一、领域脉络与小综述

这个方向是什么

本文所处的子方向是高维特征筛选（feature screening），其根本统计问题是：当特征维度 \(p\) 远超样本量 \(n\) 时，如何在不拟合完整模型的前提下，快速、可靠地剔除大量无关特征，将维度降到适合后续精细建模的规模。该方向的成熟度较高——自 Fan & Lv (2008) 提出 SIS 以来，近二十年涌现了大量变体，但多数方法仍依赖线性模型假设、矩条件或同分布假设，对"特征边际分布高度异质"的数据（如金融中不同股票的收益分布差异巨大）缺乏鲁棒性。本文试图在这一缺口上做出贡献。

发展脉络（history）

  • 奠基工作：Fan & Lv (2008) 提出 SIS，基于 Pearson 相关系数做边际筛选，并证明了在线性模型下的 sure screening 性质。这是整个领域的起点，其核心思想——"用边际相关性排序特征"——至今仍是主流范式。但它的局限也很明确：仅捕捉线性关联，且对重尾或非线性关系失效。
  • 模型-free 化转向：Zhu, Li, Li & Zhu (2011) 提出基于距离相关（distance correlation）的 DC-SIS，首次将 screening 从线性模型推广到一般回归设定，无需指定模型形式。Li, Zhong & Zhu (2012) 进一步系统化了 DC-SIS 的理论与算法。这一脉的关键贡献是：用独立性度量替代相关系数，从而捕捉非线性关联。但 DC-SIS 对特征分布仍有隐含要求（如有限二阶矩）。
  • 鲁棒性与异质性处理：Cui, Li & Zhong (2015) 将 screening 推广到判别分析（分类响应）；Zhou & Zhu (2018)、Liu et al. (2022) 等进一步引入条件分布函数、秩变换等工具，试图放松分布假设。Liu, Ke, Liu & Li (2022) 提出的模型-free screening + FDR 控制框架（即本文的 PC-FDR 对比方法）是最近的直接竞争者，它用投影相关（projection correlation）做度量，并引入 knockoff 特征来控制 FDR。
  • Wasserstein 依赖度量的兴起：Mordant & Segers (2022) 提出基于最优传输的 Wasserstein 依赖度量，理论上可捕捉任意形式的依赖，但如本文指出，其值受边际分布尺度影响，无法直接用于跨特征比较。Ozair et al. (2019)、Catalano et al. (2024)、De Keyser & Gijbels (2025) 等将其推广到表示学习与高维设定，但均未解决"边际异质性下的可比性"问题。
  • 本文的位置：作者声称，现有模型-free 方法要么依赖矩条件（DC-SIS），要么对边际分布敏感（Wasserstein 依赖），要么需要样本分割（knockoff）。本文提出 Copula 散度（Copula Divergence），通过 probit 变换将边际标准化，从而在不依赖模型、不依赖矩条件、不依赖同分布假设的前提下，实现可跨特征比较的依赖度量，并配套 FDR 控制程序。

子线索聚类

  1. 基于相关系数的 screening（SIS 及其变体）：依赖线性模型，计算最快，但假设最强。
  2. 基于独立性度量的 screening（DC-SIS、MDC-SIS、投影相关）：模型-free，但通常需要矩条件或同分布假设。
  3. 基于最优传输的依赖度量（Wasserstein 依赖、Copula 散度）：理论上最一般，但计算成本高，且如何做推断（尤其 FDR 控制）是开放问题。
  4. FDR 控制与 screening 的结合（knockoff、数据分割）：解决"筛多少"的问题，但 knockoff 依赖特征联合分布的可估计性，数据分割牺牲效率。

这个方向在追问的核心问题

  1. 如何在不指定模型的前提下定义"相关"？ 现有答案从线性相关 → 距离相关 → 投影相关 → 最优传输距离，每一步都在放松假设，但代价是计算与推断难度上升。
  2. 如何保证跨特征的度量可比性？ 当特征边际分布差异巨大时，任何依赖原始尺度的度量都会失真。这是本文的核心切入点。
  3. 如何在 screening 阶段控制错误发现率？ 传统 screening 只保证"不遗漏"（sure screening），但允许大量误选；FDR 控制需要构造有效的零分布或置换分布，在高维异质性下尤其困难。

⚠️ 作者的 framing（这是作者的说法）

作者将缺口 frame 为："现有模型-free screening 方法要么依赖矩条件（如 DC-SIS），要么对边际分布敏感（如 Wasserstein 依赖），要么需要样本分割（如 knockoff）。" 因此，本文的 Copula 散度是"显然的下一步"——它同时解决这三个问题。被淡化的竞争路线包括：基于秩的相关系数（如 Spearman's ρ）其实也能实现边际不变性，但作者未在 intro 中讨论；条件 screening 方法（如条件距离相关）能处理特征间相关性，但本文完全未提及。值得去查的问题：为什么不用秩相关？秩相关与 probit 变换后的相关性有何本质区别？作者未给出比较。

张力

未见明显对立引用。但一个潜在张力是：Mordant & Segers (2022) 的 Wasserstein 依赖度量被本文批评为"边际敏感"，但该文作者可能认为这种敏感性本身携带信息（即边际尺度差异也是依赖的一部分）。两种立场各有道理，取决于应用场景。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据

符号清单（逐个点名）：

记号 含义 类型
\(Y\) 响应变量（连续） 可观测随机变量
\(X_j\) 第 \(j\) 个特征（连续） 可观测随机变量
\(\mathbf{X} = (X_1, \dots, X_p)^\top\) 全部 \(p\) 个特征 可观测随机向量
\(F_Y(\cdot)\), \(F_{X_j}(\cdot)\) \(Y\) 和 \(X_j\) 的边际 CDF 未知分布函数（需估计）
$F_{Y X}(\cdot \cdot)$
$\mathcal{A} = {j : F_{Y X} \text{ 函数依赖于 } X_j}$ 活跃特征集（目标 estimand）
\(\mathcal{A}^c\) 非活跃特征集 参数/目标量
\(\mathcal{S}_\mathcal{A} = \|\mathcal{A}\|\) 活跃特征个数 标量指标
\(p\) 特征维度 标量指标
\(n\) 样本量 标量指标
\(\Phi(\cdot)\), \(\phi(\cdot)\) 标准正态 CDF 和密度 已知函数
\(S_j = \Phi^{-1}(F_{X_j}(X_j))\) 第 \(j\) 个特征的 probit 变换 潜在/不可观测（依赖未知 \(F_{X_j}\)）
\(T = \Phi^{-1}(F_Y(Y))\) 响应的 probit 变换 潜在/不可观测
\(\gamma_{S,T}\) \((S,T)\) 的联合分布 潜在分布
\(\phi \otimes \phi\) 两个独立标准正态的联合分布 已知分布（零假设下的参照）
\(\mathcal{W}_r(\mu, \nu)\) \(r\)-Wasserstein 距离 度量
\(CD(X_j, Y; r)\) Copula 散度 参数/目标量
\(\widehat{CD}(X_j, Y; r)\) Copula 散度的样本估计 统计量
\(\hat{F}_{X_j}(\cdot)\), \(\hat{F}_Y(\cdot)\) 经验 CDF 可观测（由样本计算）
\(\hat{s}_i, \hat{t}_i\) 经验 probit 变换后的样本点 可观测（由样本计算）
\(\mathcal{H}\) 零分布经验测度集合（由置换构造） 构造对象
\(\hat{F}_W(\cdot)\) 零分布的经验 CDF 构造对象
\(\hat{U}_j\) 特征 \(j\) 的"去偏"统计量 统计量
\(\alpha\) 目标 FDR 水平 用户设定参数
\(T_\alpha\) FDR 控制阈值 数据驱动阈值

模型（本文的核心设定）：

  • 无模型假设：不假设 \(Y\) 与 \(\mathbf{X}\) 之间有任何参数化关系（线性、可加、单指标等均不需要）。
  • 活跃特征定义：\(j \in \mathcal{A}\) 当且仅当 \(F_{Y|X}\) 函数依赖于 \(X_j\)。等价地，\(X_j \not\perp Y \mid \mathbf{X}_{-j}\)（给定其他特征时，\(X_j\) 与 \(Y\) 不独立）。
  • 边际异质性：允许 \(F_{X_1}, \dots, F_{X_p}\) 完全不同（如不同股票收益的分布差异巨大）。
  • 稀疏性：\(\mathcal{S}_\mathcal{A} \ll p\)，且允许 \(\mathcal{S}_\mathcal{A}\) 随 \(n\) 缓慢增长。

可观测数据：\(\{(x_i, y_i)\}_{i=1}^n\)，其中 \(x_i = (x_{i,1}, \dots, x_{i,p})^\top \in \mathbb{R}^p\)，\(y_i \in \mathbb{R}\)。不可观测：真实的边际 CDF \(F_{X_j}, F_Y\)，以及真实的活跃集 \(\mathcal{A}\)。

关键识别逻辑：由于 \(S_j\) 和 \(T\) 的边际分布都被标准化为标准正态，\(CD(X_j, Y; r) = \mathcal{W}_r(\gamma_{S,T}, \phi \otimes \phi)\) 度量的是纯依赖结构，与边际尺度无关。若 \(X_j \perp Y\)，则 \(\gamma_{S,T} = \phi \otimes \phi\)，\(CD = 0\)；若 \(X_j\) 与 \(Y\) 有任何形式的依赖，则 \(CD > 0\)。因此，Copula 散度是"零当且仅当独立"的边际不变度量。

第二步：最小内核

最简特例：假设 \(p = 2\)，即只有一个候选特征 \(X_1\) 和一个响应 \(Y\)。此时活跃集 \(\mathcal{A}\) 要么是 \(\{1\}\)（若 \(X_1\) 与 \(Y\) 相关），要么是 \(\emptyset\)（若独立）。

要证的核心命题（退化为单特征情形）：

当 \(X_1 \perp Y\) 时，\(\widehat{CD}(X_1, Y; r) \xrightarrow{p} 0\)，且收敛速度足够快，使得在阈值 \(t_n \asymp n^{-\kappa}\) 下，\(X_1\) 不会被选入 \(\hat{\mathcal{A}}\)。

为什么这个命题非平凡：

  1. 经验 probit 变换引入相关性：\(\hat{s}_i = \Phi^{-1}\left(\frac{n}{n+1}\hat{F}_{X_1}(x_i)\right)\) 和 \(\hat{t}_i = \Phi^{-1}\left(\frac{n}{n+1}\hat{F}_Y(y_i)\right)\) 都是基于同一组样本计算的秩统计量。即使 \(X_1\) 与 \(Y\) 独立，\(\{\hat{s}_i\}\) 和 \(\{\hat{t}_i\}\) 之间也会因为秩的有限样本相关性而产生伪依赖。这就是本文提到的"double dipping"问题（Kriegeskorte et al., 2009）在 screening 语境下的体现。

  2. Wasserstein 距离的估计误差：\(\widehat{CD}\) 是经验测度 \(\hat{\gamma}_{\hat{S},\hat{T}}\) 与 \(\phi \otimes \phi\) 之间的 Wasserstein 距离。即使真实 \(CD = 0\)，由于经验测度的波动，\(\widehat{CD} > 0\) 几乎必然。需要控制这个波动幅度。

  3. 高维联合：当 \(p\) 很大时，需要同时对 \(p\) 个特征做上述判断，且要控制同时犯错的概率（FDR），而非单个特征的错误率。这需要理解 \(\{\widehat{CD}(X_j, Y; r)\}_{j=1}^p\) 的联合波动行为。

证明的核心思路（从定理 2.2/2.3 反推）：

  • 第一步：证明经验 probit 变换的收敛速度。\(\hat{s}_i\) 与 \(s_i\) 的差异由经验 CDF 的收敛速度控制，即 \(\sup_x |\hat{F}_{X_j}(x) - F_{X_j}(x)| = O_p(n^{-1/2})\)（Dvoretzky-Kiefer-Wolfowitz 不等式）。
  • 第二步：利用 Wasserstein 距离对测度扰动的 Lipschitz 性质，将 \(\widehat{CD}\) 的误差分解为"经验测度误差" + "probit 变换误差"。
  • 第三步：对 \(r=1\)，利用 Kantorovich-Rubinstein 对偶，将 Wasserstein 距离转化为关于有界 Lipschitz 函数的 supremum，从而可以用经验过程理论（如 Talagrand 不等式）得到集中不等式。这就是定理 2.2 中 \(\log^2 n\) 项的来源。
  • 第四步：对 \(r=2\)，Wasserstein 距离没有简单的对偶形式，需要利用四阶矩条件（对应定理 2.3 中额外的 \(\exp(-C_2(n\varepsilon^2)^\beta)\) 项），通过更精细的耦合论证得到次高斯-次指数混合的集中界。

FDR 控制的最小逻辑（定理 4.1 的直觉）：

  • 对每个特征 \(j\)，构造统计量 \(\hat{U}_j = \hat{F}_W(\widehat{CD}(X_j, Y; r)) - 1/2\)，其中 \(\hat{F}_W\) 是零分布的经验 CDF。
  • 关键性质：当 \(j \in \mathcal{A}^c\)（零假设成立）时，\(\hat{U}_j\) 近似对称于零（因为 \(\widehat{CD}\) 的零分布被 \(\hat{F}_W\) 校准）。
  • 因此，\(\#\{j : \hat{U}_j \leq -t\}\) 可以作为 \(\#\{j \in \mathcal{A}^c : \hat{U}_j \geq t\}\) 的保守估计——这就是"镜像估计"（mirror estimation）思想。
  • 定理 4.1 的条件 2（\(\mathrm{Var}[S_c] = o(p_0^2)\)）本质上要求 \(\{\hat{U}_j\}_{j \in \mathcal{A}^c}\) 的波动不能太大，即零假设下的统计量不能有太强的长程相关性。这是 FDR 控制成立的关键。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维异质性数据下，如何构建一个既不需要模型假设、又对特征边际分布差异鲁棒、还能控制 FDR 的特征筛选方法。
  2. 核心工具/方法：提出 Copula 散度（Copula Divergence），通过 probit 变换将边际标准化后，用 Wasserstein 距离度量联合分布与独立分布的偏离；配套提出 CD-Screen 筛选算法和 CD-FDR 错误发现率控制程序。
  3. 主要结论：CD-Screen 在温和条件下满足 sure screening 和 rank consistency；CD-FDR 在条件 2 下渐近控制 FDR；模拟和实证（S&P 500 与通胀）显示方法在异质性非线性场景下优于现有方法。

关键设定与假设

假设 内容 统计含义 与文献比较
条件 1(a) \(\min_{j \in \mathcal{A}} [CD(X_j, Y; r)]^r \geq c_1 n^{-\kappa_1}\)，\(\kappa_1 \in [0, 1/2)\) 活跃特征的最小信号强度不能衰减太快 与 SIS 的 $\min
条件 1(b) 活跃与不活跃特征的 CD 值之间有 gap \(\geq c_2 n^{-\kappa_2}\)，\(\kappa_2 \in [0, 1/(2r))\) 活跃与不活跃特征可区分 比 1(a) 更强，用于 rank consistency
条件 2 \(p_0 \to \infty\)，\(\mathrm{Var}[S_c] = o(p_0^2)\) 零假设下统计量的波动不能太大 与 Dai et al. (2023) 的条件类似，但针对 Copula 散度重新表述
连续性 \(X_j\) 和 \(Y\) 的边际 CDF 连续 保证 probit 变换良定义 标准假设
稀疏性 \(\mathcal{S}_\mathcal{A} \ll p\) 活跃特征远少于总特征数 所有 screening 方法的标准假设

相比已有文献的放宽/强化： - 放宽：不要求线性模型（vs SIS）、不要求有限矩条件（vs DC-SIS 需要 \(E|X|^2 < \infty\)）、不要求特征同分布（vs 多数方法隐含此假设）。 - 强化：条件 1(b) 要求活跃/不活跃特征的 CD 值有均匀 gap，这在某些弱信号场景下可能过强。

主要结果

定理 2.2（\(r=1\) 的估计误差）：

\[\mathbb{P}\left(|\widehat{CD}(X,Y;1) - CD(X,Y;1)| \geq \varepsilon\right) \leq C_1 \exp\left(-\frac{C_1 n \varepsilon^2}{\log^2 n}\right)\]
对 \(\varepsilon \in (M_1 n^{-1/2}\log n, \varepsilon_1)\) 成立。

  • 直觉：估计误差以 \(\sqrt{\log n / n}\) 的速度收敛（忽略对数项），这是非参数估计的典型速率。
  • 关键点：不需要任何矩条件，仅依赖 Wasserstein-1 距离的对偶表示和 DKW 不等式。
  • 技术难点：经验 probit 变换 \(\hat{s}_i\) 与真实 \(s_i\) 的差异需要精细控制，因为 \(\hat{F}_{X_j}\) 在尾部区域的收敛速度较慢。

定理 2.3（\(r=2\) 的估计误差）：

\[\mathbb{P}\left(|\widehat{CD}(X,Y;2) - CD(X,Y;2)| \geq \varepsilon\right) \leq C_2\left\{\exp\left(-\frac{C_2 n \varepsilon^4}{\log^2 n}\right) + \exp\left(-C_2 (n\varepsilon^2)^\beta\right)\right\}\]
对 \(\varepsilon \in (M_2 n^{-1/4}(\log n)^{3/4}, \varepsilon_2)\) 和 \(\beta \in (0,1)\) 成立。

  • 直觉：\(r=2\) 的收敛速率降为 \(n^{-1/4}\)（忽略对数项），比 \(r=1\) 慢。这是因为 Wasserstein-2 距离对尾部更敏感，需要更强的集中不等式。
  • 关键点：额外的 \(\exp(-C_2(n\varepsilon^2)^\beta)\) 项来自对 Wasserstein-2 距离的矩控制，反映了平方距离的"重尾"特性。
  • 技术难点：Wasserstein-2 距离没有简单的对偶形式，需要利用四阶矩的集中不等式（可能涉及 Talagrand 的运输不等式或 HCI 条件）。

定理 3.1（Sure screening）：

\[\mathbb{P}(\mathcal{A} \subseteq \hat{\mathcal{A}}(t_n)) \geq 1 - \mathcal{O}\left(\mathcal{S}_\mathcal{A} \exp\left(-\frac{C_1 n^{1-2\kappa_1}}{\log^2 n}\right)\right)\]
对 \(r=1\) 成立；\(r=2\) 有类似但更慢的速率。

  • 含义：只要活跃特征的最小信号 \(\geq c_1 n^{-\kappa_1}\)，CD-Screen 以高概率不遗漏任何活跃特征。
  • 必要条件：\(n^{1-2\kappa_1} / \log^2 n \to \infty\)，即 \(\kappa_1 < 1/2\)。这允许信号随 \(n\) 衰减，但不能太快。

定理 3.2（Rank consistency）：

\[\mathbb{P}\left(\min_{j \in \mathcal{A}} \widehat{CD}(X_j, Y; r) > \max_{j \in \mathcal{A}^c} \widehat{CD}(X_j, Y; r)\right) \geq 1 - \mathcal{O}\left(p \exp\left(-\frac{C_2 n^{1-2\kappa_2}}{\log^2 n}\right)\right)\]

  • 含义：在条件 1(b) 下，活跃特征在排序中一致地排在不活跃特征之前。
  • 必要条件：\(\log p = o(n^{1-2\kappa_2}/\log^2 n)\)，即维度可以随 \(n\) 指数增长，但指数不能太大。

定理 4.1（FDR 控制）：

\[\limsup_{n \to \infty} \mathrm{FDR}(T_\alpha) \leq \alpha, \quad \forall \alpha \in (0,1)\]

  • 含义：CD-FDR 程序在渐近意义下将 FDR 控制在预设水平之下。
  • 关键条件：条件 2（\(\mathrm{Var}[S_c] = o(p_0^2)\)），即零假设下统计量的波动不能太大。这个条件比通常的"弱依赖"假设更弱，但需要验证。

证明路线与技术技巧

整体路线（从定理 2.2/2.3 到 3.1/3.2/4.1）：

  1. 估计误差控制（定理 2.2/2.3）：先证明单个特征的 \(\widehat{CD}\) 以高概率接近真实 \(CD\)。核心工具是 Wasserstein 距离的稳定性 + 经验 CDF 的 DKW 不等式。
  2. 并集界（定理 3.1）：对 \(p\) 个特征取并集界，得到 sure screening。这里需要 \(p\) 不能太大（\(\log p = o(n^{1-2\kappa_1}/\log^2 n)\)）。
  3. 排序一致性（定理 3.2）：利用条件 1(b) 的 gap，将"排序错误"事件转化为"估计误差超过 gap/2"的事件，再用定理 2.2/2.3 的界。
  4. FDR 控制（定理 4.1）：构造零分布的经验 CDF \(\hat{F}_W\)，利用镜像估计的思想。关键步骤是证明 \(\hat{U}_j\) 在零假设下近似对称，且 \(\#\{j : \hat{U}_j \leq -t\}\) 是 \(\#\{j \in \mathcal{A}^c : \hat{U}_j \geq t\}\) 的保守估计。

关键技术技巧：

  • 经验 probit 变换：用 \(\hat{s}_i = \Phi^{-1}\left(\frac{n}{n+1}\hat{F}_{X_j}(x_i)\right)\) 代替 \(s_i = \Phi^{-1}(F_{X_j}(x_i))\)。这里的 \(\frac{n}{n+1}\) 因子是为了避免 \(\hat{F}_{X_j}(x_i) = 1\) 时 \(\Phi^{-1}\) 发散。这个变换的误差由 DKW 不等式控制。
  • Wasserstein 距离的三角不等式：将 \(\widehat{CD}\) 的误差分解为
    \[\mathcal{W}_r(\hat{\gamma}_{\hat{S},\hat{T}}, \phi \otimes \phi) \leq \mathcal{W}_r(\hat{\gamma}_{\hat{S},\hat{T}}, \gamma_{S,T}) + \mathcal{W}_r(\gamma_{S,T}, \phi \otimes \phi)\]
    第一项是估计误差，第二项是真实 CD。关键在于控制第一项。
  • 对偶表示（\(r=1\)）：利用 Kantorovich-Rubinstein 对偶，将 \(\mathcal{W}_1\) 转化为 \(\sup_{\|f\|_{Lip} \leq 1} |\int f d\mu - \int f d\nu|\)，从而可以用经验过程理论。
  • 四阶矩控制（\(r=2\)）：对于 \(r=2\)，需要控制 \(\mathcal{W}_2^2\) 的矩，这涉及四阶矩条件。作者可能使用了类似 Talagrand 的运输不等式或 HCI 条件。
  • 镜像估计：FDR 控制的核心技巧。通过构造零分布的经验 CDF，将 FDP 的分子（假发现数）用 \(\#\{j : \hat{U}_j \leq -t\}\) 来估计。这个技巧在 Dai et al. (2023) 中也有使用，但本文针对 Copula 散度重新构造了 \(\hat{U}_j\)。

真实例子与应用

实证数据：S&P 500 指数中 489 只股票的月度收益率（2020 年 1 月至 2023 年 12 月，\(n = 48\)），响应变量为美国月度通胀率（基于 CPI）。目标：筛选出与通胀率有显著边际关联的股票。

方法应用： 1. 对每只股票 \(j\)，计算其收益率与通胀率的 Copula 散度 \(\widehat{CD}(X_j, Y; r)\)。 2. 用 CD-FDR 程序在 \(\alpha = 0.20\) 水平下选择阈值 \(T_\alpha\)。 3. 选出的股票（平均约 6 只）包括 Cincinnati Financial (CINF)、Darden Restaurants (DRI)、NRG Energy (NRG)、Uber Technologies (UBER)、Ross Stores (ROST)、Home Depot (HD)。

结果解读： - 选出的股票主要来自金融、消费、能源板块，与通胀敏感行业一致。 - 作者强调，这些股票的收益率分布高度异质（偏度、峰度差异大），传统基于 Pearson 相关或矩条件的方法可能失效。 - 作者还进行了下游预测比较：先用 CD-FDR 筛选，再拟合随机森林，发现比用全部特征或 SIS 筛选的预测误差更低（具体数值在附录 A.3）。

例子想说明什么： 1. 实用性：方法在 \(n \ll p\)（\(48 \ll 489\)）且特征高度异质时仍能有效工作。 2. 可解释性：选出的股票在经济意义上合理，说明方法捕捉到了真实的依赖结构。 3. 下游收益：筛选后建模的预测性能提升，说明筛选不是"为筛而筛"。

四、开放问题

  1. 高维联合分布下的 FDR 控制：定理 4.1 的条件 2（\(\mathrm{Var}[S_c] = o(p_0^2)\)）在特征强相关时可能不成立。扎根于：条件 2 的讨论（第 4 节）。需要研究：当特征间存在长程相关时，CD-FDR 是否仍然有效？是否需要修正镜像估计？

  2. \(r=2\) 的收敛速率是否可以改进：定理 2.3 的速率 \(n^{-1/4}\) 比 \(r=1\) 的 \(n^{-1/2}\) 慢。扎根于：定理 2.3 的陈述。是否可以通过更强的矩条件或不同的证明技术（如利用平方 Wasserstein 距离的特殊结构）将速率提升到 \(n^{-1/2}\)？

  3. Copula 散度的计算复杂度：计算 \(\widehat{CD}\) 需要求解最优传输问题，当 \(n\) 较大时计算成本高。扎根于：第 2.3 节的估计方法。是否有更高效的近似算法（如 Sinkhorn 散度）能在保持统计性质的同时降低计算成本？

  4. 非线性依赖的刻画：Copula 散度捕捉的是任意形式的依赖，但无法区分"强非线性依赖"和"弱线性依赖"的方向。扎根于：第 6 节的讨论。是否需要引入方向性度量（如 copula 回归）来补充？

  5. 与条件 screening 的结合：本文只做边际 screening，未考虑条件 screening（即给定其他特征后的相关性）。扎根于：第 1 节对条件 screening 文献的引用（如 Wen et al. 2018）。如何将 Copula 散度推广到条件设定？

提醒：若要确认上述问题是否为真 gap，建议去读以下近期文献的 intro（各约 5 篇）：(i) 高维 screening 的 FDR 控制（2023-2025）；(ii) 基于最优传输的依赖度量（2022-2025）；(iii) 异质性数据的特征筛选（2023-2025）。如果这些文献的 intro 都指向同一问题，那就是共识性 gap；如果互相打架，则可能是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论