跳转至

A closed-form transition density expansion for elliptic and hypo-elliptic SDEs

作者: Yuga Iguchi, Alexandros Beskos
来源: Bernoulli
主题: 统计计算 / 算法
相关性: 3/10
机构绿灯: University College London(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:本文属于计算统计与随机数值分析的交叉领域,核心问题是:对于一般非线性、多变量随机微分方程(SDE),其转移密度 \(p^X_\Delta(x,y;\theta)\) 通常没有解析表达式,而数值求解 Fokker-Planck 方程在高维下计算代价极高。该方向旨在构造一种闭式(closed-form)近似展开,以 \(\Delta^{j/2}\) 的幂次形式逼近真实转移密度,使得似然函数可被快速、准确地评估,从而支撑基于似然的统计推断(如 MLE 或贝叶斯推断)。该方向的成熟度:对于椭圆型 SDE(扩散矩阵非退化),已有较为成熟的理论框架(如 Aït-Sahalia 的 Hermite 展开、Li 的概率方法);但对于次椭圆型 SDE(扩散矩阵退化、噪声通过漂移传播),此前缺乏系统性的闭式展开方法,本文填补了这一空白。

  • 发展脉络(history):

  • 奠基工作:Aït-Sahalia [2002] 提出了针对单变量椭圆 SDE 的 Hermite 级数展开方法,通过变量变换将扩散系数归一化,再以 Hermite 多项式逼近转移密度,并证明了展开的收敛性。这是该领域的开创性工作,但其方法本质上依赖于扩散矩阵的非退化性(即椭圆性)。
  • 主要进展(多变量与一般化):Aït-Sahalia [2008] 将 Hermite 方法推广到多变量椭圆 SDE,利用 Kolmogorov 前向/后向方程构造展开系数,但依然要求扩散矩阵可逆。Li [2013] 则另辟蹊径,利用 Malliavin 微积分和 Watanabe 理论,对 Wiener 泛函进行渐近分析,得到了更一般的展开形式,并给出了固定 \(\Delta\) 下的余项界。这一工作将展开的适用范围从"可约化"的椭圆 SDE 扩展到了更广泛的椭圆情形,但次椭圆情形仍未被覆盖。
  • 当前 frontier:次椭圆 SDE(如随机阻尼 Hamilton 系统、欠阻尼 Langevin 方程)在物理和神经科学中广泛出现,其转移密度的短时渐近行为与椭圆情形有本质区别(不同坐标具有不同的扩散尺度)。Pigato [2022] 给出了次椭圆 SDE 转移密度的 Gaussian 型上界估计,这为本文的余项控制提供了关键工具。本文正是在此基础上,首次为一般次椭圆 SDE 构造了闭式展开。
  • 本文的位置:本文提出了一种统一的框架,以 LDL(局部漂移线性化)方案为基准 Gaussian 密度,通过递推构造微分算子作用在基准密度上,得到 \(\Delta^{j/2}\) 幂次的展开。其关键创新在于:(i) 统一处理椭圆与次椭圆情形;(ii) 利用 Pigato [2022] 的密度估计给出了固定 \(\Delta\) 的严格余项界;(iii) 展开系数可通过符号计算软件自动生成,具有实际可操作性。

  • 子线索聚类:

  • 线索一:Hermite/多项式展开方法(Aït-Sahalia [2002, 2008], Lee et al. [2014]):以 Gaussian 密度为基准,通过 Hermite 多项式或微分算子修正逼近真实密度。优点:系数可显式计算;缺点:仅适用于椭圆 SDE,且收敛性证明多为定性。
  • 线索二:Malliavin 微积分与 Watanabe 理论(Li [2013], Li and Chen [2016], Yoshida [1992]):利用 Malliavin 微积分对 Wiener 泛函进行渐近展开,可处理更一般的系数条件,并给出更精细的余项估计。缺点:技术门槛高,系数表达式复杂。
  • 线索三:数值方案与算子分裂(本文,Iguchi and Yamada [2021], Jimenez et al. [2017]):以数值格式(如 EM、LDL)为基准,通过算子交换子展开修正。优点:与数值方法自然结合,便于实现;缺点:需要仔细控制展开系数的高阶导数增长。

  • 这个方向在追问的核心问题:

  • 展开的收敛性:对于固定的 \(\Delta \in (0,1)\),展开到 \(J\) 阶后的余项是否以 \(\Delta^{(J+1)/2}\) 的速度收敛?这需要控制真实密度与基准密度之间的偏差,以及微分算子作用在基准密度上的增长。
  • 次椭圆情形的处理:当扩散矩阵退化时,如何构造非退化的基准 Gaussian 密度?不同坐标的尺度差异(\(\Delta^{1/2}\) vs \(\Delta^{3/2}\))如何体现在展开的幂次中?
  • 实际可计算性:展开系数是否可以通过符号计算自动生成?计算代价如何随维度 \(N\) 和阶数 \(J\) 增长?
  • 统计推断中的应用:展开式如何用于构造近似似然,进而进行 MLE 或贝叶斯推断?近似误差如何传播到参数估计的不确定性中?

  • ⚠️ 作者的 framing(这是作者的说法):作者将缺口 frame 为"现有闭式展开方法仅适用于椭圆 SDE,而次椭圆 SDE 在应用中广泛出现但缺乏理论保证的展开方法"。他们强调自己的贡献是"首次为一般次椭圆 SDE 提供闭式展开,并给出固定 \(\Delta\) 的严格余项界"。作者淡化了以下竞争路线:(i) 基于数值求解 Fokker-Planck 方程的方法(如有限元、谱方法),认为其在高维下计算代价过高;(ii) 基于模拟的似然估计(如粒子滤波、ABC),认为其精度受限于 Monte Carlo 误差。值得研究者去查的问题:作者没有讨论展开式在 \(\Delta\) 较大时的表现——他们的误差界虽然对固定 \(\Delta\) 成立,但常数可能随 \(\Delta\) 指数增长,这在实践中可能限制其应用范围。此外,作者没有与基于 Malliavin 微积分的方法(Li [2013])在次椭圆情形下的推广进行详细比较,这是一个潜在的空白。

  • 张力:未见明显对立引用。不过,Aït-Sahalia [2002] 的 Hermite 展开与 Li [2013] 的 Malliavin 方法在椭圆情形下都被证明收敛,但两者的收敛速度常数和适用条件略有不同。本文的方法在椭圆情形下与两者兼容,但在次椭圆情形下是全新的,因此不存在直接的对立结论。

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:
  • \(X_t \in \mathbb{R}^N\):\(N\) 维随机过程,是模型的核心状态变量(随机变量)。
  • \(x \in \mathbb{R}^N\):转移密度的起点,即 \(X_t\) 在时间 \(t\) 的取值(已知条件)。
  • \(y \in \mathbb{R}^N\):转移密度的终点,即 \(X_{t+\Delta}\) 的取值(自变量)。
  • \(\theta \in \Theta \subseteq \mathbb{R}^{N_\theta}\):SDE 中的参数向量(待估参数)。
  • \(\Delta \in (0,1)\):观测时间间隔(固定常数,非随机)。
  • \(V_0, V_1, \dots, V_d: \mathbb{R}^N \times \Theta \to \mathbb{R}^N\):漂移和扩散系数函数(已知函数形式,含参数 \(\theta\))。
  • \(B_t\):\(d\) 维标准 Brownian 运动(随机源)。
  • \(p^X_\Delta(x,y;\theta)\):真实转移密度,即 \(X_{t+\Delta}\) 在给定 \(X_t = x\) 下的条件密度(目标估计量)。
  • \(\bar{X}_t\):LDL 方案定义的线性 SDE 的解(辅助随机变量)。
  • \(p^{\bar{X}}_\Delta(x,y;\theta)\):LDL 方案的转移密度,即基准 Gaussian 密度(已知闭式)。
  • \(L_\theta\):SDE (1.1) 的无穷小生成元(微分算子)。
  • \(L^{0,z}_\theta\):LDL 方案 (2.11) 的无穷小生成元(微分算子)。
  • \(\tilde{L}^z_\theta \equiv L_\theta - L^{0,z}_\theta\):两个生成元之差(微分算子)。
  • \(D^{z,\theta}_\alpha\):由 \(\tilde{L}^z_\theta\) 的幂次构成的微分算子(见 (2.21))。
  • \(J \in \mathbb{N}\):展开的阶数(截断参数)。
  • \(G^{(w)}\):误差界中的 Gaussian 型函数,见 (3.2)-(3.3)。
  • \(m^{(w)}\):维度参数,\(m^{(E)} = N\),\(m^{(H)} = 4d\)。

  • 模型:考虑 \(N\) 维 SDE (1.1):\(dX_t = V_0(X_t, \theta)dt + \sum_{j=1}^d V_j(X_t, \theta) dB_{j,t}\)。

  • 椭圆类 (E):扩散矩阵 \(a(x,\theta) = \sigma(x,\theta)\sigma(x,\theta)^\top\) 对任意 \((x,\theta)\) 正定。此时 \(N = d\),所有坐标都直接被噪声驱动。
  • 次椭圆类 (H):状态分为光滑分量 \(X_{S,t} \in \mathbb{R}^{N_S}\) 和粗糙分量 \(X_{R,t} \in \mathbb{R}^{N_R}\),其中 \(N_S + N_R = N\)。光滑分量没有直接噪声(其扩散系数为 0),噪声只驱动粗糙分量,再通过漂移项耦合到光滑分量。本文假设 \(N_S = N_R = d\),即 \(N = 2d\)。

  • 可观测数据:假设我们在离散时间点 \(t_0, t_1, \dots, t_n\) 观测到过程 \(\{X_t\}\),且时间间隔 \(\Delta = t_i - t_{i-1}\) 固定。观测数据为 \(\{X_{t_i}\}_{i=0}^n\)。似然函数为 \(\prod_{i=1}^n p^X_\Delta(X_{t_{i-1}}, X_{t_i}; \theta)\)。由于真实转移密度未知,我们用展开式 (3.11) 的截断版本作为其近似,从而构造近似似然进行推断。

第二步:讲最小内核

本文的核心数学问题可以归结为:如何用一个已知的 Gaussian 密度 \(p^{\bar{X}}_\Delta(x,y;\theta)\) 加上若干修正项,来逼近未知的真实转移密度 \(p^X_\Delta(x,y;\theta)\),并给出严格的误差控制?

最小内核(以一维椭圆 SDE 为例):

考虑最简单的情形:\(dX_t = b(X_t) dt + \sigma(X_t) dB_t\),其中 \(b, \sigma\) 光滑且有界,\(\sigma > 0\)。我们想近似 \(X_{t+\Delta}\) 在给定 \(X_t = x\) 下的密度。

  1. 基准 Gaussian 密度:最简单的基准是 EM 方案:\(\bar{X}_{t+\Delta} = x + b(x)\Delta + \sigma(x)(B_{t+\Delta} - B_t)\)。则 \(\bar{X}_{t+\Delta} | X_t = x \sim \mathcal{N}(x + b(x)\Delta, \sigma^2(x)\Delta)\),其密度记为 \(p^{\bar{X}}_\Delta(x,y)\)。

  2. 生成元之差:真实过程的生成元为 \(L = b(x)\partial_x + \frac{1}{2}\sigma^2(x)\partial_x^2\)。EM 方案的生成元为 \(L^0 = b(x)\partial_x + \frac{1}{2}\sigma^2(x)\partial_x^2\)(注意:EM 的扩散系数是常数 \(\sigma^2(x)\),但生成元形式相同,因为 \(x\) 被冻结)。实际上,\(L^0\) 是 \(L\) 在 \(x\) 处冻结系数得到的。因此 \(\tilde{L} = L - L^0 = (b(X) - b(x))\partial_X + \frac{1}{2}(\sigma^2(X) - \sigma^2(x))\partial_X^2\)。注意 \(\tilde{L}\) 作用在函数上时,会先对函数求导,再乘以系数差。由于系数差在 \(X = x\) 处为零,\(\tilde{L}\) 作用在常数上为零,作用在 \(X - x\) 的一次方上为零(因为系数差是 \(X - x\) 的高阶小量),但作用在 \((X-x)^2\) 上不为零。

  3. 展开的核心思想:利用 Duhamel 原理(或 Feynman-Kac 公式),真实转移密度可以写成:

    \[p^X_\Delta(x,y) = p^{\bar{X}}_\Delta(x,y) + \int_0^\Delta \int_{\mathbb{R}} p^X_s(x,\xi) \tilde{L}^z_\theta p^{\bar{X}}_{\Delta-s}(\xi,y) d\xi ds.\]
    这个公式是精确的。然后,将 \(p^X_s\) 在 \(s=0\) 附近展开(即用 \(p^{\bar{X}}_s\) 近似),并反复代入,就得到形如 (2.24) 的展开:
    \[p^X_\Delta(x,y) = p^{\bar{X}}_\Delta(x,y) + \sum_{j=1}^{M-1} \Delta^{j/2} \cdot e_j(\Delta,x,y;\theta) + \text{余项}.\]
    每一项 \(e_j\) 都是 \(p^{\bar{X}}_\Delta(x,y)\) 乘以一个 Hermite 多项式(因为 Gaussian 密度的导数可以写成 Hermite 多项式乘以自身),系数由 SDE 的系数及其导数在 \(x\) 处的值决定。

  4. 为什么成立:关键在于 \(\tilde{L}\) 的"零化"性质。\(\tilde{L}\) 作用在 \(p^{\bar{X}}_\Delta\) 上时,由于 \(p^{\bar{X}}_\Delta\) 是 Gaussian,其导数会产生 \(\Delta^{-k/2}\) 的因子。而 \(\tilde{L}\) 的系数差(如 \(b(X) - b(x)\))在 \(X = x\) 附近是 \(O(|X-x|)\) 的量级。在 Gaussian 积分下,\(|X-x|^k\) 的期望是 \(O(\Delta^{k/2})\)。因此,\(\tilde{L} p^{\bar{X}}_\Delta\) 的量级是 \(\Delta^{-1/2}\)(一阶导数项)或 \(\Delta^0\)(二阶导数项),但不会出现 \(\Delta^{-1}\) 的发散。通过递推,每一项修正项的量级是 \(\Delta^{j/2}\),从而得到系统性的展开。

次椭圆情形的核心困难:在次椭圆情形 (H) 中,光滑分量 \(X_S\) 没有直接噪声,其条件方差是 \(O(\Delta^3)\) 而非 \(O(\Delta)\)。因此,基准 Gaussian 密度的协方差矩阵必须反映这种尺度差异:\(\Sigma^{(H)}(\Delta, x, \theta)\) 在光滑分量方向上是 \(O(\Delta^3)\),在粗糙分量方向上是 \(O(\Delta)\)。这意味着展开的幂次规则不同:对光滑分量求导会产生 \(\Delta^{-3/2}\) 的因子,对粗糙分量求导产生 \(\Delta^{-1/2}\) 的因子。本文的关键技术贡献之一,就是证明了在这种混合尺度下,展开的余项仍然可以被控制,且误差阶为 \(\Delta^{(J+1)/2}\)(在适当的范数下)。

三、这篇论文做了什么

三句话: 1. 研究了什么问题:为椭圆与次椭圆多变量 SDE 的转移密度构造闭式展开,使其可作为固定 \(\Delta \in (0,1)\) 下真实密度的精确近似,并给出严格的误差界。 2. 核心工具/方法:以 LDL(局部漂移线性化)方案生成的 Gaussian 密度为基准,利用生成元之差 \(\tilde{L}^z_\theta\) 的 Duhamel 展开,构造形如 (2.24) 的 \(\Delta^{j/2}\) 幂次展开;展开系数通过微分算子 \(D^{z,\theta}_\alpha\) 作用在基准密度上得到,可借助符号计算软件自动求值。 3. 主要结论:在适当的正则性条件下(系数光滑且有界、Hörmander 条件成立),展开的余项在 \(L^1\) 范数下为 \(O(\Delta^{(J+1)/2})\),且误差界中的 Gaussian 型函数 \(G^{(w)}\) 在椭圆与次椭圆情形下分别由 (3.2) 和 (3.3) 给出。数值实验表明,即使在不满足余项控制充分条件的情况下(如非全局 Lipschitz 漂移的 FitzHugh-Nagumo 模型),展开仍能有效工作。

关键设定与假设: - 假设 2.1:系数 \(V_j(x,\theta)\) 对 \(x\) 无穷可微,且所有导数在 \(\theta\) 上一致有界。 - 假设 2.2:椭圆类 (E) 要求扩散矩阵 \(a(x,\theta)\) 正定;次椭圆类 (H) 要求弱 Hörmander 条件,即漂移场和扩散场的迭代李括号张成整个 \(\mathbb{R}^N\)。这保证了转移密度存在且光滑。 - 假设 3.1:初始状态 \(x\) 属于紧集 \(K\),且 \(|x| + |V_0(x,\theta)| \le \kappa\)。 - 相比已有文献:与 Aït-Sahalia [2002, 2008] 相比,本文不要求 Lamperti 变换(即可约性),直接处理一般多变量 SDE;与 Li [2013] 相比,本文的方法不依赖 Malliavin 微积分的复杂估计,而是通过更初等的 Duhamel 展开和 Gaussian 密度估计,且首次覆盖次椭圆情形。本文的假设(系数全局有界)比 Li [2013] 的假设更强,但作者指出可以通过截断技巧放宽。

证明路线与技术技巧: - 整体路线: 1. 构造基准密度:定义 LDL 方案 (2.11),其转移密度 \(p^{\bar{X}}_\Delta(x,y;\theta)\) 是 Gaussian,均值和协方差由 \(A_{z,\theta}\) 和 \(\sigma(z,\theta)\) 决定。 2. Duhamel 展开:利用生成元之差 \(\tilde{L}^z_\theta\),将真实密度写成基准密度加上一个积分项(Lemma 2.6)。 3. 递推展开:将积分项中的 \(p^X_s\) 再次用 Duhamel 公式展开,反复迭代 \(M\) 次,得到主项(有限项之和)和余项(\(M\) 重积分)。 4. 余项估计:利用 Pigato [2022] 的 Gaussian 上界估计(命题 3.1),结合 \(\tilde{L}^z_\theta\) 的"零化"性质(Lemma 3.6),证明余项中每个积分核都被 \(G^{(w)}\) 控制,从而得到 \(O(\Delta^{M/2})\) 的误差界。 5. 重排为 \(\Delta^{j/2}\) 幂次:将主项中的积分按 \(\Delta\) 的幂次重排,得到形如 (3.11) 的展开,其中系数 \(e_j\) 由 (3.9) 给出。 - 关键跳跃点: - Lemma 3.6(核心引理):证明对 Gaussian 密度 \(p^{\bar{X}}_\Delta\) 求导会产生 \(\Delta^{-\lVert\alpha\rVert_w}\) 的因子,其中 \(\lVert\alpha\rVert_w\) 是加权范数(椭圆情形 \(\lVert\alpha\rVert_E = |\alpha|/2\),次椭圆情形 \(\lVert\alpha\rVert_H = \frac{3}{2}|\alpha_S| + \frac{1}{2}|\alpha_R|\))。这个引理是连接微分算子阶数和 \(\Delta\) 幂次的关键。 - 命题 3.1(Pigato [2022] 的估计):给出了次椭圆 SDE 转移密度的 Gaussian 型上界,其指数项包含 \(\frac{|y_S - x_S - V_{S,0}(x,\theta)\Delta|^2}{\Delta^3}\) 和 \(\frac{|y_R - x_R|^2}{\Delta}\)。这个估计是余项控制的基础。 - 定理 3.4 的证明:通过归纳法,将 \(M\) 重积分中的每个因子都用 Gaussian 上界控制,并利用卷积性质(Lemma D.2)将多个 Gaussian 核合并为一个,最终得到 \(O(\Delta^{M/2})\) 的误差界。 - 技术技巧点名: - Duhamel 原理:将生成元之差转化为积分方程,是展开的基础。 - 符号计算:展开系数 \(e_j\) 通过微分算子作用在 Gaussian 密度上得到,可以用 Mathematica 等软件自动生成(见附录 F)。 - Gaussian 卷积技巧:利用多维 Gaussian 密度的卷积封闭性,将复杂的多重积分化简。 - 加权范数:引入 \(\lVert \cdot \rVert_w\) 来统一处理椭圆和次椭圆情形的导数-幂次对应关系。

真实例子与应用: - 模拟实验:以二维 FitzHugh-Nagumo (FHN) SDE 为例(属于次椭圆类),比较了展开密度与基准 Gaussian 密度(LDL 方案)的 \(L^1\) 误差。结果显示,随着 \(J\) 从 2 增加到 5,\(L^1\) 误差显著下降(例如 \(\Delta=0.1\) 时,\(J=2\) 的误差约为 \(0.1\),\(J=5\) 的误差降至约 \(0.02\)),验证了展开的有效性。 - 真实数据:使用 FHN 模型对真实神经数据(来自大鼠背根神经节)进行贝叶斯推断。将展开式(\(J=3\))作为似然函数,结合 HMC 采样,得到的后验分布与基于精细模拟的基准后验(\(J=0\),即纯 LDL 方案)相比,偏差显著减小(例如参数 \(\epsilon\) 的后验均值从 \(0.08\) 修正为 \(0.12\),更接近真实值)。计算代价方面,\(J=3\) 的展开式每步迭代耗时约 \(0.46\) 秒,而基准方法(\(J=0\))耗时约 \(0.24\) 秒,但展开式所需的离散化步数更少,总计算时间反而更低。

🔎 结论是否比证明窄: - 是的,存在几处: 1. 假设 3.2 的全局有界性:作者在定理 3.4 中假设系数及其所有导数全局有界,但 FHN 模型的漂移项包含 \(V^3\) 项,并不满足这一假设。作者在数值实验中直接应用了展开式,并声称"展开式本身在一般条件下仍可应用",但这一说法没有严格的证明支撑。这是一个明显的"证明窄于结论"之处。 2. 次椭圆情形的维度限制:定理 3.4 的证明依赖于 Pigato [2022] 的估计,该估计要求 \(N_S = N_R = d\)。对于更一般的次椭圆结构(如 \(N_S \neq N_R\)),作者在 Remark 3.9 中仅表示"可以推广",但没有给出具体证明。 3. 误差界的常数:定理 3.4 给出的误差界 \(C\Delta^{(J+1)/2}\) 中的常数 \(C\) 依赖于 \(x, \theta\) 以及系数的导数上界,但作者没有给出 \(C\) 的显式表达式或数值估计。这意味着误差界是定性的,无法直接用于实际应用中的误差控制。 4. 展开系数的计算:作者在附录 F 中给出了 FHN 模型的展开系数,但指出这些系数是通过 Mathematica 计算得到的,没有给出一般 \(N\) 维情形下系数的递推公式或算法复杂度分析。对于高维问题,符号计算的代价可能成为瓶颈。

四、开放问题

  1. 放宽正则性条件:定理 3.4 要求系数全局有界且所有导数有界。能否将条件放宽到多项式增长(如 FHN 模型)或局部 Lipschitz?作者在数值实验中展示了展开式在 FHN 模型上的有效性,但缺乏理论保证。扎根点:Assumption 3.2 与 Remark 3.9 之间的 gap。
  2. 更一般的次椭圆结构:本文假设 \(N_S = N_R = d\)。对于更一般的次椭圆 SDE(如 \(N_S \neq N_R\),或需要更高阶李括号才能张成整个空间的情形),展开式的形式和误差界如何变化?扎根点:Remark 3.9 中"extension to more general hypo-elliptic structures is left for future work"。
  3. 误差界的常数估计:定理 3.4 中的常数 \(C\) 是隐式的。能否给出 \(C\) 的显式上界,以便在实际应用中根据 \(\Delta\) 和 \(J\) 选择最优截断阶数?扎根点:定理 3.4 的陈述,以及附录 D 中证明的细节。
  4. 展开系数的高效计算:本文依赖符号计算软件生成展开系数。对于高维 SDE,符号计算的代价可能指数增长。能否设计基于自动微分或数值微分的算法,以 \(O(N^J)\) 或更低的复杂度计算展开系数?扎根点:附录 F 中"we used Mathematica to obtain the explicit expressions"。
  5. 展开式的收敛半径:本文证明了对于固定 \(\Delta \in (0,1)\),余项随 \(J\) 增大而减小。但展开式作为 \(\Delta\) 的幂级数,其收敛半径是多少?当 \(\Delta\) 接近 1 时,误差界是否仍然有效?扎根点:定理 3.4 中 \(\Delta \in (0,1)\) 的限制,以及 (3.12) 中误差界对 \(\Delta\) 的依赖。

提示:要确认上述问题是否为真 gap,建议去读次椭圆 SDE 数值方法(如 [Pigato, 2022] 的后续工作)和 Malliavin 微积分展开(如 [Li, 2013] 的后续引用)近 5 年的文献。如果多个独立团队都在尝试放宽正则性条件或处理更一般的次椭圆结构,那么问题 1 和 2 很可能是领域共识性的开放问题。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论