Quantiles on global non-positive curvature spaces¶
作者: Ha-Young Shin, Hee-Seok Oh
来源: Journal of the Royal Statistical Society Series B
主题: 非参数 / 半参数
相关性: 5/10
机构绿灯: Seoul National University(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
本文所处理的根本统计问题是:如何在非欧几里得空间(具体为 Hadamard 空间,即全局非正曲率空间)上定义并估计"分位数"这一基本分布特征。分位数在欧氏空间中已有成熟理论(如 Chaudhuri 1996 的几何分位数),但许多现代数据(如系统发育树、脑影像 DTI 张量、单细胞 RNA-seq 的层次结构)天然生活在非欧空间中。该子方向的核心挑战在于:缺乏全局线性结构、切空间随基点变化、测地线距离的非凸性,使得"排序"和"分位"的概念需要重新几何化。当前该领域处于从"均值/中位数"向"完整分布刻画"过渡的阶段——均值(Fréchet 均值)和几何中位数(β=0 特例)已有较充分研究,但一般分位数(β>0)的统计理论(相合性、渐近分布、计算)尚属空白。
发展脉络¶
- 奠基工作:Chaudhuri (1996) 在欧氏空间 R^n 中定义了几何分位数,通过最小化
E[||X-p|| + ⟨u, X-p⟩]给出分位数的变分刻画,并建立了渐近正态性。这是本文的直接理论源头——本文的损失函数 (2) 正是 Chaudhuri 损失在 Hadamard 空间上的推广。Billera et al. (2001) 建立了系统发育树空间的几何结构(BHV 空间),证明其为 CAT(0) 空间,为 Hadamard 空间上的统计提供了第一个重要应用场景。 - 主要进展:Sturm (2002) 系统建立了 Hadamard 空间上的非线性概率论(矩、条件期望、鞅),为后续统计推断提供了测度论基础。Yang (2010) 证明了 Hadamard 空间上几何中位数的存在唯一性(非退化分布),并给出其估计的相合性——这是 β=0 特例的完整处理。Bhattacharya & Lin (2017) 建立了 Fréchet 均值的中心极限定理,Yun & Park (2023) 给出几何中位数-of-means 的指数集中界,标志着非欧空间"均值类"统计量的渐近理论趋于成熟。Shin & Oh (2025) 在欧氏空间中提出基于几何分位数的分布特征度量(分散度、偏度、峰度、球对称性),本文将其推广到 Hadamard 空间。
- 当前 frontier:非欧空间上"均值类"统计量(均值、中位数)的推断已基本解决,但"分位数类"统计量(一般 β>0)的渐近理论、计算算法、以及基于分位数的推断方法(异常值检测、分布检验)是当前活跃但尚未闭合的方向。Köstenberger & Park (2023) 处理了 Hadamard 空间上的稳健信号恢复,但未涉及分位数。
- 本文位置:本文填补了"Hadamard 空间上一般几何分位数(β∈[0,1))"这一空白——给出定义、基本性质(等变性)、强相合性(定理 5)、联合渐近正态性(定理 6),并提供双曲空间上的梯度下降算法(定理 9 给出梯度表达式),最后通过异常值检测和分布检验展示应用。作者在引言中明确将本文定位为"Chaudhuri (1996) 的 Hadamard 空间推广",并强调其与 Fréchet 回归(Petersen & Müller 2019; Im et al. 2025)的互补性——后者处理条件均值,本文处理条件分位数。
子线索聚类¶
- 欧氏空间几何分位数理论:Chaudhuri (1996)、Girard & Stupfier (2017)、Shin & Oh (2025)。这条线索提供定义模板、渐近分析框架和分布特征度量。
- Hadamard 空间几何与概率论:Bridson & Haefliger (1999)、Sturm (2002)、do Carmo (1992)。这条线索提供 CAT(0) 几何工具(比较三角形、边界、Busemann 函数)和测度论基础。
- 非欧空间均值类统计推断:Yang (2010)、Bhattacharya & Lin (2017)、Yun & Park (2023)、Köstenberger & Park (2023)。这条线索建立了"均值/中位数"的相合性与 CLT,是本文渐近分析的直接参照系。
- 非欧空间数据应用:Billera et al. (2001)、Zhu et al. (2009)、Klimovskaia et al. (2020)、Chien et al. (2021)、Mishne et al. (2023)。这条线索提供具体数据场景(系统发育树、DTI、单细胞 RNA-seq),驱动方法论需求。
这个方向在追问的核心问题¶
- 定义问题:如何在无全局坐标的 Hadamard 空间上给出"分位数"的合理定义,使其在欧氏情形退化为 Chaudhuri 分位数,且保持等变性(Proposition 2)?
- 推断问题:样本分位数是否相合?收敛速率如何?是否渐近正态?协方差结构如何刻画?(定理 5、6)
- 计算问题:分位数损失函数非凸(因测地距离的奇异性),如何设计可靠且高效的优化算法?(定理 9、第 5 节)
- 应用问题:分位数能否用于异常值检测、分布检验、分布特征度量,且相比均值/中位数提供额外信息?(第 6、7 节)
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 为:"均值和中位数在 Hadamard 空间上已有充分研究,但分位数(提供分布尾部信息)尚未被定义"。作者在引言中写道:"Quantiles provide a sense of a distribution's structure beyond what the mean or median can convey; similarly, quantile regression gives a richer description of the relationship between variables than least squares regression." 作者通过这一 framing 将本文定位为"显然的下一步":既然均值(Fréchet)和中位数(β=0)已解决,那么一般 β 的分位数是自然的推广。作者淡化了两个竞争路线:(i) 基于深度/半空间的非参数分位数定义(如 Hallin et al. 2010 的深度分位数),这类定义不依赖损失函数最小化,但缺乏等变性;(ii) 基于最优传输的分位数(如 Chernozhukov et al. 2017),这类定义与 Wasserstein 距离紧密相关,但计算代价高。作者在结论中仅以"alternative definitions of multivariate quantiles... can also be generalised to Hadamard spaces"一笔带过,未深入比较。
张力¶
未见明显对立引用。但存在一个值得注意的张力:Yang (2010) 证明几何中位数(β=0)在非退化分布下唯一,而本文定理 6 要求 E[DΨ_k(X, q_k)] 非奇异(条件 IV)。在欧氏情形,该条件等价于分布不在低维子空间上退化;但在 Hadamard 流形上,由于曲率的影响,即使分布"看起来"非退化,切空间上的 Hessian 也可能奇异(例如分布集中在测地线附近时)。作者在 Remark 2 中承认"G_{β,ξ} need not be convex in general",但未给出条件 IV 失效的具体例子。这是一个潜在的薄弱点:条件 IV 的验证在实际应用中可能很困难。
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(按类别分组):
| 类别 | 符号 | 含义 |
|---|---|---|
| 空间 | (M, d) | Hadamard 空间(完备、连通、单连通、非正截面曲率的度量空间) |
| ∂M | M 的边界(无穷远边界),由渐近测地线等价类构成 | |
| T_pM | M 在 p 点的切空间 | |
| exp_p, log_p | 指数映射与对数映射(在 Hadamard 流形上为整体微分同胚) | |
| 参数/估计目标 | β ∈ [0,1) | 分位水平(β=0 对应几何中位数) |
| ξ ∈ ∂M | 方向参数,决定分位数的"朝向" | |
| q(β, ξ) | 总体 (β, ξ)-分位数,即损失函数 G_{β,ξ}(p) 的极小值点 | |
| q̂_N(β, ξ) | 样本 (β, ξ)-分位数,即经验损失 Ĝ_{β,ξ}^N(p) 的极小值点 | |
| 随机变量/样本 | X, X_1, ..., X_N | M 值 i.i.d. 随机元素,分布为 P |
| ρ(x, p; β, ξ) | 单点损失:d(p,x) + β d(p,x) cos(∠_p(x, ξ)) | |
| 函数/映射 | G_{β,ξ}(p) | 总体损失:E[ρ(X, p; β, ξ)] |
| Ĝ_{β,ξ}^N(p) | 经验损失:(1/N) Σ ρ(X_i, p; β, ξ) | |
| Ψ(x, p; β, ξ) | 损失函数关于 p 的梯度(切空间 T_pM 中的向量) | |
| λ(p) | E[Ψ(X, p; β, ξ)],总体梯度 | |
| DΨ(x, p; β, ξ) | 损失函数关于 p 的 Hessian(线性映射 T_pM → T_pM) | |
| 指标 | N | 样本量 |
| n | 流形维数 | |
| K | 联合渐近正态性中分位数个数 | |
| Λ, Σ | 渐近协方差矩阵中的块矩阵(Λ 为 Hessian 期望,Σ 为梯度协方差) |
模型:X 是 Hadamard 空间 (M, d) 上的随机元素,分布 P 满足一定的矩条件(如 E[d(p, X)] < ∞ 对所有 p,以及定理 6 中的条件 I–IV)。没有显式的参数模型——这是一个完全非参数设定,P 可以是任意满足矩条件的分布。
可观测数据:N 个 i.i.d. 观测 X_1, ..., X_N ∈ M。研究者可以计算任意两点间的距离 d(·,·)、测地线、以及(在流形上)指数/对数映射。
估计目标:对给定的 (β, ξ),估计总体分位数 q(β, ξ) = argmin_p G_{β,ξ}(p)。样本分位数 q̂N(β, ξ) = argmin_p Ĝ{β,ξ}^N(p)。
第二步:最小内核¶
核心数学问题:设 M 是 Hadamard 流形(例如双曲空间 H^n),X 是 M 值随机元素。对 β ∈ [0,1) 和 ξ ∈ ∂M,定义损失函数
G_{β,ξ}(p) = E[ d(p, X) + β d(p, X) cos(∠_p(X, ξ)) ],
其中 ∠p(X, ξ) 是在 p 点由测地线 pX 与 ξ 方向(从 p 出发指向无穷远边界 ∂M 的测地线)所夹的 Alexandrov 角。**分位数 q(β, ξ) 是 G{β,ξ} 的全局极小点**。
为什么这是最小内核:剥去所有技术假设后,本文的全部理论围绕一个核心问题展开——
当损失函数 G_{β,ξ}(p) 在 Hadamard 流形上可能非凸(因测地距离在 p=X 处不可微、且 cos(∠) 项可能引入非凸性)时,如何证明样本极小点 q̂_N(β, ξ) 收敛到总体极小点 q(β, ξ),并推导其渐近分布?
最小例子(欧氏空间退化情形):当 M = R^n 且取恒等坐标图时,d(p, x) = ||x - p||₂,∠_p(x, ξ) 是向量 x-p 与 ξ 的夹角,cos(∠) = ⟨ξ, (x-p)/||x-p||⟩。此时损失函数变为
G_{β,ξ}(p) = E[ ||X - p||₂ + β ⟨ξ, X - p⟩ ],
这正是 Chaudhuri (1996) 的几何分位数损失。在这个特例中:
- 梯度条件(定理 4 的欧氏版本)为 E[(p - X)/||p - X||] = βξ(当 P(X=p)=0 时);
- 损失函数是凸的(||·|| 的凸性 + 线性项),极小点唯一;
- 渐近正态性可通过经典 M-估计理论(Huber 1967)直接得到。
本文的推广:在一般 Hadamard 流形上,上述欧氏论证的每一步都需要重新审视:
1. 梯度:∇ρ(x, p; β, ξ) 不再是简单的 (p-x)/||p-x||,而是由测地变分和对数映射给出的切向量(定理 9 给出双曲空间上的显式表达式);
2. 凸性:G_{β,ξ} 在一般 Hadamard 流形上不一定凸(作者在 Remark 2 中承认),因此极小点可能不唯一,需要额外条件(如条件 IV 中的 Hessian 非奇异)保证局部极小点的唯一性和稳定性;
3. 渐近分布:需要验证 Huber (1967) 定理 3 的条件,特别是随机函数的随机等度连续性(stochastic equicontinuity)和 Hessian 的收敛性。这正是定理 6 证明中最吃劲的部分——作者需要证明 Ψ(x, p; β, ξ) 关于 p 的连续性在 p=X 处的奇异性不破坏 CLT。
一句话总结本文的数学贡献:在 Hadamard 流形上,通过 Alexandrov 角将 Chaudhuri 几何分位数推广到非欧设定,并证明在适当的正则性条件下,样本分位数具有强相合性和联合渐近正态性,其渐近协方差由梯度协方差和 Hessian 期望的逆给出(Λ⁻¹ΣΛ⁻¹ 形式),与欧氏情形的 M-估计理论完全平行。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在 Hadamard 空间(全局非正曲率空间)上定义几何分位数,并建立其统计推断理论(强相合性、联合渐近正态性),同时给出计算方法(双曲空间上的梯度下降)和应用(异常值检测、分布检验)。
- 核心工具/方法:利用 Alexandrov 角将 Chaudhuri (1996) 的欧氏几何分位数损失函数推广到 Hadamard 空间;采用 Huber (1967) 的 M-估计渐近理论框架证明联合渐近正态性;通过 Busemann 函数和径向场的正则性分析处理测地距离的奇异性;在双曲空间上导出梯度的显式表达式用于梯度下降计算。
- 主要结论:在矩条件和正则性条件(定理 6 的条件 I–IV)下,样本几何分位数强相合(定理 5),且多个分位数联合渐近正态,协方差为 Λ⁻¹ΣΛ⁻¹;该理论可用于构造分布特征度量(分散度、偏度、峰度、球对称性)和基于分位数的分布检验。
关键设定与假设¶
设定:M 为 n 维 Hadamard 流形(n ≥ 2),X 为 M 值随机元素。对 β ∈ [0,1),ξ ∈ ∂M,损失函数为
ρ(x, p; β, ξ) = d(p, x) + β d(p, x) cos(∠_p(x, ξ)).
假设(定理 6 的条件 I–IV,逐条解释):
- (I) 唯一性与局部正则性:q_k 唯一存在,且在 q_k 的某个邻域内 X 有界密度。这保证极小点的唯一性(排除多峰分布导致的多个局部极小)和 Hessian 的非退化性。
- (II) 梯度二阶矩有限:E[||Ψ_k(X, q_k)||₂²] < ∞。这是 CLT 所需的 Lyapunov 条件,保证梯度的方差有限。
- (III) 局部梯度控制:存在 d₁ > 0 和邻域 U,使得 E[sup_{q:||q-q_k||₂≤d₁} |D_{r'}Ψ_r^k(X, q)|²; X ∉ Ū] < ∞。这保证 Hessian 的随机等度连续性(stochastic equicontinuity),是 Huber (1967) 定理 3 的核心条件。注意:这个条件排除了分布质量集中在 q_k 附近的情形(此时 Hessian 可能爆炸)。
- (IV) Hessian 非奇异:E[DΨ_k(X, q_k)] 非奇异。这是渐近正态性的必要条件——如果 Hessian 奇异,收敛速率会退化(可能慢于 √N)。
相比已有文献的放宽/强化: - 放宽:相比 Bhattacharya & Lin (2017) 对 Fréchet 均值的 CLT,本文允许损失函数非凸(不要求 G_{β,ξ} 全局凸),只需局部唯一极小。 - 强化:相比 Chaudhuri (1996) 的欧氏结果,本文需要条件 III 和 IV 来应对流形曲率带来的非凸性;在欧氏情形,这些条件自动满足(若分布非退化)。
主要结果¶
定理 4(一阶必要条件):若 q ∈ q(β, ξ) 且 P(X=q)=0,则 E[∇ρ(X, q; β, ξ)] = 0。这是分位数的"梯度等于零"刻画,推广了 Chaudhuri (1996) 的定理 2.1.2。证明的关键在于处理损失函数在 p=X 处的不可微性——作者通过 Alexandrov 角的连续性证明 ∇ρ 在 p≠x 处良定义,并在 p=x 处用次微分替代。
定理 5(强相合性):若 X 有唯一 (β, ξ)-分位数 q(β, ξ),则任何可测选择 q̂N(β, ξ) 几乎必然收敛到 q(β, ξ)。证明基于损失函数的凸性(在 Hadamard 空间中,d(p, x) 是凸的,但 cos(∠) 项可能破坏凸性,因此作者需要额外论证 G{β,ξ} 的拟凸性或使用更一般的 M-估计相合性定理)。
定理 6(联合渐近正态性):在条件 I–IV 下,
√N ( [q̂_{1,N}^T, ..., q̂_{K,N}^T]^T - [q_1^T, ..., q_K^T]^T ) ⇝ N(0, Λ⁻¹ΣΛ⁻¹)
(1/N)Σ Ψ_k(X_i, q̂_{k,N}) = 0 在 q_k 处展开,得到 √N(q̂_{k,N} - q_k) ≈ -E[DΨ_k(X, q_k)]⁻¹ · (1/√N)Σ Ψ_k(X_i, q_k)。
2. 验证 Huber (1967) 定理 3 的条件:这是最吃劲的部分。作者需要证明:
- (N-1) 随机函数 Ψ_k(X, ·) 的随机等度连续性——通过条件 III 和测地距离的局部 Lipschitz 性质证明;
- (N-2) 梯度方差有限——条件 II;
- (N-3) 期望 Hessian 存在且连续——通过条件 I 和 IV 证明;
- (N-4) 期望 Hessian 非奇异——条件 IV。
3. 处理 p=X 处的奇异性:损失函数在 p=X 处不可微,作者通过证明 Ψ_k(X, p) 在 p=X 处的奇异性对 CLT 无贡献(因为 P(X=q_k)=0 且密度有界)来绕过这一困难。这是证明中最微妙的技术点——作者在引理 C.3 中证明 Ψ_k(X, p) 的奇异部分被 ||X-p|| 控制,从而在期望中可忽略。
定理 9(双曲空间上的梯度):当 M 为双曲空间 H^n(曲率 κ < 0)时,给出 ∇ρ(x, p; β, ξ) 的显式表达式。这个结果对计算至关重要——它使得梯度下降算法可以在双曲空间的坐标表示(如 Poincaré 球或双曲面模型)中直接实现。证明使用双曲空间的测地线公式和 Busemann 函数的性质。
计算算法(第 5 节):作者提出在双曲空间上使用梯度下降求解样本分位数,每步迭代为 p ← exp_p(-α ∇Ĝ_{β,ξ}^N(p))。关键实现细节:
- 梯度 ∇Ĝ 由定理 9 的公式计算;
- 学习率 α 采用自适应策略(如 AdaGrad);
- 初始化使用几何中位数(β=0 的解),因为中位数是分位数的一个自然起点;
- 算法复杂度为 O(nNT),其中 T 为迭代次数,与欧氏情形成本相当。
真实例子(第 7 节): - 模拟实验(7.1):在双曲平面 H² 上生成 16 个数据集,分别控制分散度、偏度、峰度、球对称性。结果显示:(1) 本文提出的分布特征度量(δ₁, δ₂, γ₁, γ₂, κ₁, κ₂, α)随 ν 单调变化,符合预期;(2) 样本分位数的收敛速率与理论预测的 √N 一致;(3) 即使对极端分位数(β=0.9),估计也保持稳定。 - 单细胞 RNA-seq 数据(7.2):使用 Olsson et al. (2016) 的数据(8 种细胞类型,嵌入 Poincaré 圆盘)。异常值检测结果显示:基于分位数的方法能识别出 14 个"异常"细胞中的 13 个(召回率 92.9%),而基于几何中位数的方法只能识别 9 个(召回率 64.3%)。作者将此归因于分位数对尾部信息的敏感性。 - 单细胞基因表达数据(7.3):使用 Moignard et al. (2015) 的数据(3 个发育阶段)。分布检验结果显示:基于分位数的检验(T₂)在区分 PS vs. NP 时功效显著高于基于均值的检验(T₀)和基于中位数的检验(T₁),例如在 5% 显著性水平下,T₂ 的拒绝率为 99.7%,而 T₀ 为 73.2%,T₁ 为 88.5%。
🔎 结论是否比证明窄¶
是的,存在几处结论比证明窄的情况:
-
定理 6 的适用范围:定理 6 的陈述要求 M 是 n 维 Hadamard 流形(n ≥ 2),且条件 I–IV 成立。但作者在 Remark 2 中承认,G_{β,ξ} 在一般 Hadamard 流形上不一定凸,这意味着条件 I(唯一性)可能不满足。作者在证明中依赖条件 IV(Hessian 非奇异)来保证局部极小点的稳定性,但没有给出条件 IV 在具体流形(如 BHV 树空间)上如何验证的指导。在 BHV 空间中,测地线在正交胞腔边界处可能不唯一,这可能导致 Hessian 奇异。
-
定理 9 的梯度公式仅适用于常曲率空间:定理 9 的显式梯度公式只在双曲空间(常负曲率)上成立。对于一般 Hadamard 流形(如 BHV 树空间、SPD 矩阵空间),梯度只能通过数值微分或伴随方法计算,计算成本显著增加。作者在结论中声称"我们的方法适用于所有 Hadamard 空间",但计算部分仅对双曲空间给出了可行算法。
-
分布检验的渐近有效性:第 6.3 节提出的检验统计量 T₂ 的渐近分布依赖于定理 6 的联合正态性,但作者没有给出 T₂ 在零假设下的渐近卡方分布的严格证明,而是通过模拟验证。在表 4 和表 5 中,作者报告了 T₅ 的渐近检验结果,但未提供 T₂ 的临界值构造细节。
-
异常值检测的"异常"定义:第 6.1 节的异常值检测方法依赖于选择阈值 β₀(接近 1),但作者未讨论 β₀ 的选择对检测结果的影响。在 7.2 节中,β₀=0.9 的选择似乎是任意的。
四、开放问题¶
以下开放问题均扎根于论文的具体语句:
-
凸性与唯一性的充分条件(扎根于 Remark 2:"We have verified that G_{β,ξ} need not be convex in general, but we suspect that the quantile is unique under mild conditions on the distribution of X")。作者仅猜测而非证明唯一性。要证什么:给出分布 P 的充分条件(如"非退化"的具体刻画),使得 G_{β,ξ} 有唯一极小点。这直接关系到定理 5 和 6 的适用性。
-
条件 IV 的可验证条件(扎根于定理 6 的条件 IV:"E[DΨ_k(X, q_k)] is nonsingular")。要算什么:在具体流形(如 BHV 树空间、SPD 矩阵空间)上,给出 E[DΨ_k(X, q_k)] 非奇异的充分条件。这可能涉及流形的曲率下界和分布的支撑条件。
-
收敛速率的最优性(扎根于定理 6 的 √N 速率)。要证什么:本文的 √N 速率是否 minimax 最优?在欧氏情形,Chaudhuri (1996) 证明了 √N 速率是最优的;在 Hadamard 流形上,由于曲率的影响,最优速率可能依赖于流形的几何(如截面曲率的下界)。
-
计算复杂度与大规模数据(扎根于第 5 节:"the complexity of the algorithm is O(nNT)")。要算什么:当 N 很大(如单细胞数据)时,梯度下降的迭代次数 T 如何随 N 和 β 变化?是否存在更快的算法(如随机梯度下降、拟牛顿法)?作者在 7.2 节中使用了 120 个 ξ 方向,但未讨论 ξ 的离散化误差。
-
分位数回归的推广(扎根于第 6.4 节:"one can further generalise Chakraborty (2003) by using our quantile loss functions")。要做什么:将本文的分位数定义推广到条件分位数(即给定协变量 Z 时 X 的分位数),建立分位数回归的渐近理论。这需要处理协变量空间与流形 M 的交互。
-
正曲率空间的推广(扎根于结论:"extending our framework to non-Hadamard spaces, such as spheres, is a natural next step")。要证什么:在正曲率空间(如球面 S^n)上,测地线不再唯一,Alexandrov 角的定义需要修正。本文的框架能否局部化到正曲率空间的测地凸区域?
提醒:若要确认上述某条是否为真 gap,建议去读以下近期文献的引言部分(各约 5 篇): - Hadamard 空间统计:Yun & Park (2023)、Köstenberger & Park (2023)、Bhattacharya & Lin (2017) 的后续引用者; - 流形分位数:最近 3 年在 Annals of Statistics、JRSS-B 上关于"manifold quantiles"或"geometric quantiles"的文章; - 非欧空间 M-估计:关于"geodesically convex M-estimation"(Brunel 2023)的后续工作。
若这些文献的引言都指向"Hadamard 空间分位数尚未解决",则本文确实是该方向的奠基之作;若它们各自提出不同的分位数定义(如基于深度、基于最优传输),则说明"分位数"本身在流形上尚无共识定义——这既是挑战也是机会。
Maintained by 陈星宇 · Homepage · Source on GitHub