Adaptive Nonparametric Perturbations of Parametric Models with Generalized Bayes¶
作者: Bohan Wu, Eli N. Weinstein, Sohrab Salehi, Yixin Wang, David M. Blei
来源: JMLR
主题: 非参数 / 半参数
相关性: 8/10
机构绿灯: Columbia 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:本文属于稳健贝叶斯推断与半参数修正的交叉领域。其根本问题是:当研究者有一个参数化模型(如线性回归、正态模型),但怀疑该模型可能被错误设定(misspecified)时,如何在不牺牲参数模型数据效率的前提下,获得对目标泛函(如因果效应)的稳健推断。该方向的成熟度处于快速发展期——贝叶斯非参数方法(如Dirichlet过程混合)提供了理论上的全支持,但计算代价高;频率学派半参数方法(如双稳健估计)提供了渐近效率,但缺乏贝叶斯的不确定性量化框架。本文试图在两者之间架桥。
-
发展脉络(history):
- 奠基工作:Antoniak (1974) 提出Dirichlet过程混合,首次将非参数扰动引入参数贝叶斯模型,为"模型可能错误"提供了贝叶斯处理框架。Berger and Guglielmi (2001) 用Polya树实现类似目标,但受限于低维数据。Lyddon et al. (2018) 明确将目标设定为泛函推断,但作者在文中指出"我们证明他们的方法牺牲了数据效率"(Section 1.1),这是本文的直接出发点。
- 主要进展:Miller (2019) 提出基于Dirichlet过程混合的扰动,但"没有提供理论分析"(Section 1.1)。Weinstein and Miller (2023) 引入广义贝叶斯因子框架,用散度替代边际似然,为本文的广义贝叶斯方法提供了直接工具。Dellaporta et al. (2022) 和 Wang & Blei (2018) 探索了基于MMD的稳健贝叶斯更新,但未与半参数效率理论结合。
- 当前frontier:Yiu et al. (2025) 提出一步校正后验(one-step corrected posterior),在贝叶斯框架内实现半参数效率,但需要计算高效影响函数。Ray and van der Vaart (2020) 与 Castillo and Rousseau (2015) 建立了贝叶斯非参数泛函推断的收缩率理论,为本文的BvM定理提供了技术基础。Kowal and Wu (2024) 探索了半参数贝叶斯回归的实用实现。
-
本文的位置:作者声称其贡献是"提出一类新的半参数修正方法",其创新点在于用广义贝叶斯因子替代边际似然,从而避免计算非参数模型的边际似然,同时保留NPP的稳健性-效率权衡。这填补了Lyddon et al. (2018)(理论清晰但计算困难)与Miller (2019)(实用但无理论)之间的空白。
-
子线索聚类:
- 贝叶斯非参数扰动(Antoniak 1974; Berger & Guglielmi 2001; Lyddon et al. 2018; Miller 2019):用Dirichlet过程、Polya树等先验对参数模型进行"软"修正。核心问题:如何选择扰动先验使其既足够灵活又保持计算可行性。
- 广义贝叶斯推断(Bissiri et al. 2016; Jewson et al. 2018; Miller 2021; Knoblauch et al. 2022; Weinstein & Miller 2023):用损失函数或散度替代似然,构造"广义后验"。核心问题:如何选择损失/散度以平衡稳健性与效率。
- 半参数贝叶斯效率理论(Bickel & Kleijn 2012; Rivoirard et al. 2015; Castillo & Rousseau 2015; Ray & van der Vaart 2020; Yiu et al. 2025):证明贝叶斯后验在泛函上达到半参数效率界。核心问题:在何种条件下,后验的渐近分布等于半参数效率界对应的正态分布。
-
因果推断中的非参数贝叶斯(Hill 2011; Hahn et al. 2020):将贝叶斯非参数方法应用于因果效应估计。核心问题:如何在存在高维混杂时保持稳健性。
-
这个方向在追问的核心问题:
- 如何在不牺牲参数模型数据效率的前提下获得对模型误设的稳健性? 这是本文的核心问题。主流方法(如双稳健估计)需要显式估计影响函数,而贝叶斯方法需要计算边际似然。本文的答案是:用广义贝叶斯因子替代边际似然,通过散度度量模型与数据的匹配程度。
- 贝叶斯后验能否在模型误设下仍达到半参数效率界? 这是理论核心。本文的Theorem 3和Theorem 6给出了肯定回答,但需要假设非参数后验的收缩率足够快。
- 如何选择扰动先验使其既足够灵活又保持计算可行性? 这是实用核心。本文建议用Dirichlet过程混合或BART等半参数模型替代完全非参数先验。
-
广义贝叶斯因子的超参数(如率r)如何选择? 这是方法核心。本文的Remark 1给出了指导:r应小于收缩率,但具体选择仍依赖问题。
-
⚠️ 作者的 framing(这是作者的说法):作者将缺口frame成"现有贝叶斯非参数扰动方法要么牺牲数据效率(Lyddon et al. 2018),要么缺乏理论保证(Miller 2019),而频率学派半参数方法缺乏贝叶斯不确定性量化"。因此,本文的贡献是"提出一种既保留参数模型效率又具备非参数稳健性的广义贝叶斯方法"。值得注意的淡化:作者在Section 1.1提到"我们证明Lyddon et al. (2018)的方法牺牲数据效率",但未详细讨论其与贝叶斯模型平均(BMA)或堆叠(stacking)的关系——这些方法也试图在参数与非参数模型间权衡。此外,作者未提及经验贝叶斯(empirical Bayes)方法,后者可能以更直接的方式估计混合权重。明显该被引却没出现:Chernozhukov et al. (2018) 的double/debiased machine learning框架在Section 4.2被引用(用于交叉拟合),但未在引言中作为竞争方法讨论;van der Vaart (2000) 的卷积定理是BvM证明的基础,但作者未明确引用其半参数版本。
-
张力:未见明显对立引用。但有一个潜在张力:Lyddon et al. (2018) 的Dirichlet过程扰动被证明不满足模型选择一致性(本文Proposition 12),而Miller (2019) 的Dirichlet过程混合被声称满足(本文Proposition 14)。这暗示扰动先验的选择对一致性至关重要——Dirichlet过程因其离散支持而失败,而混合模型因连续支持而成功。这一张力值得深挖:是否存在一类"中间"先验(如归一化随机测度)能平衡两者?
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:
- \(x_{1:n} = (x_1, \ldots, x_n)\):可观测的i.i.d.样本,\(x_i \in \mathcal{X} \subseteq \mathbb{R}^\kappa\)。
- \(p_0\):真实数据生成分布(未知)。
- \(\mathcal{M}_{pm} = \{p_\theta : \theta \in \Theta \subseteq \mathbb{R}^d\}\):参数模型族(可能是错误设定的)。
- \(\pi(\theta)\):参数先验。
- \(\psi : \mathcal{P}(\mathcal{X}) \to \mathbb{R}^s\):目标泛函(如平均处理效应ATE)。
- \(\Pi_{pm}(\cdot \mid x_{1:n})\):参数后验。
- \(\Pi_{pert}(\cdot \mid x_{1:n})\):非参数扰动后验。
- \(\Pi(\cdot \mid x_{1:n})\):NPP后验(混合后验)。
- \(\eta_n := \Pi(b=1 \mid x_{1:n})\):后验混合权重(参数模型被选中的概率)。
- \(\hat{\theta}_{MLE}\):极大似然估计。
- \(V_{\theta_0}\):Fisher信息矩阵的逆。
- \(d_{BL}\):有界Lipschitz距离(度量弱收敛)。
- \(d_{TV}\):全变差距离。
- \(d_H\):Hellinger距离。
- \(D_{KL}(p \| q)\):KL散度。
- \(w_p\):p-Wasserstein距离。
- \(MMD_k\):最大均值差异(核k)。
- \(KSD\):核化Stein散度。
- \(\Delta_{q,p}(x) := \nabla_x \log p(x) - \nabla_x \log q(x)\):Stein得分差。
- \(r\):广义贝叶斯因子的率超参数。
-
\(\Xi(x) = \exp(1 - 1/x)x\):单调变换函数。
-
模型:
- 参数模型:\(x_{1:n} \stackrel{iid}{\sim} p_\theta\),\(\theta \sim \pi(\theta)\)。后验 \(\Pi_{pm}(\theta \mid x_{1:n}) \propto \prod_{i=1}^n p_\theta(x_i) \pi(\theta)\)。
- 非参数扰动模型:\(x_{1:n} \stackrel{iid}{\sim} p\),\(p \sim \Pi_{pert}(p)\),其中 \(\Pi_{pert}\) 是 \(\mathcal{P}(\mathcal{X})\) 上的非参数先验(如Dirichlet过程混合)。
- NPP模型(式2):先以概率 \(\eta\) 选择参数模型(\(b=1\)),以概率 \(1-\eta\) 选择非参数模型(\(b=0\))。后验为 \(\Pi(\psi(p) \mid x_{1:n}) = \eta_n \Pi_{pm}(\psi(p_\theta) \mid x_{1:n}) + (1-\eta_n) \Pi_{pert}(\psi(p) \mid x_{1:n})\)。
-
gNPP模型(式11):用广义贝叶斯因子 \(\widehat{bf}_n\) 替代边际似然比,\(\hat{\eta}_n = 1/(1 + \widehat{bf}_n^{-1})\),其中 \(\widehat{bf}_n = \Xi\left(\frac{\mathbb{E}_{pm}[d_n(p_\theta, p_0)]}{\mathbb{E}_{pm}[d_n(p_\theta, p_0) \mid x_{1:n}]}(n+1)^{-r}\right)\)。
-
可观测数据:\(x_{1:n}\) 是唯一可观测数据。\(p_0\)、\(\theta_0\)(若存在)、\(\psi(p_0)\) 都是不可观测的。关键点:我们只能通过 \(x_{1:n}\) 来估计 \(\psi(p_0)\),而参数模型 \(\mathcal{M}_{pm}\) 可能不包含 \(p_0\)。
第二步:最小内核
核心问题:假设我们观测到 \(x_{1:n} \sim p_0\),想要估计 \(\psi(p_0)\)。我们有一个参数模型 \(\mathcal{M}_{pm} = \{p_\theta\}\),它可能正确也可能错误。我们还有一个非参数模型(如Dirichlet过程混合),它总是正确的但收敛慢。如何设计一个后验,使得当 \(\mathcal{M}_{pm}\) 正确时收敛速度为 \(1/\sqrt{n}\)(参数效率),当 \(\mathcal{M}_{pm}\) 错误时仍收敛到 \(\psi(p_0)\)(稳健性)?
最简例子:设 \(\kappa = 1\),\(x_i \in \mathbb{R}\)。参数模型为 \(\mathcal{M}_{pm} = \{N(\theta, 1) : \theta \in \mathbb{R}\}\),目标泛函为均值 \(\psi(p) = \int x \, p(x) dx\)。真实分布 \(p_0\) 有两种可能: 1. 正确设定:\(p_0 = N(\theta_0, 1)\),\(\theta_0 = 0\)。 2. 错误设定:\(p_0\) 是偏态分布(如偏态正态),均值为 \(\psi(p_0) = 0.5\),但方差仍为1。
NPP后验的行为: - 当 \(p_0 = N(0,1)\) 时,参数模型正确。后验混合权重 \(\eta_n \to 1\)(Proposition 2),NPP后验主要由参数后验主导,\(\Pi_{pm}(\psi(p_\theta) \mid x_{1:n})\) 以 \(1/\sqrt{n}\) 速度收缩到 \(\psi(p_0) = 0\)。 - 当 \(p_0\) 是偏态分布时,参数模型错误。\(\eta_n \to 0\),NPP后验主要由非参数后验主导,\(\Pi_{pert}(\psi(p) \mid x_{1:n})\) 以较慢速度(如 \(n^{-1/3}\))收缩到 \(\psi(p_0) = 0.5\)。
gNPP后验的行为: - 广义贝叶斯因子 \(\widehat{bf}_n\) 用经验散度 \(\mathbb{E}_{pm}[d_n(p_\theta, p_0)]\) 替代边际似然。当参数模型正确时,\(\mathbb{E}_{pm}[d_n(p_\theta, p_0)] \to 0\) 以 \(1/\sqrt{n}\) 速度,\(\widehat{bf}_n \to \infty\),\(\hat{\eta}_n \to 1\)。 - 当参数模型错误时,\(\mathbb{E}_{pm}[d_n(p_\theta, p_0)] \to c > 0\),\(\widehat{bf}_n \to 0\),\(\hat{\eta}_n \to 0\)。
关键数学困难:证明 \(\hat{\eta}_n\) 的收敛速度。这需要: 1. Theorem 4:\(\mathbb{E}_{pm}[d_n(p_\theta, p_0) \mid x_{1:n}]\) 以 \(r_n \vee n^{-1}\) 速度收敛到 \(d(p_{\theta_0}, p_0)\)。这需要控制后验的收缩(Assumption 1)和散度的估计误差(Assumption 4)。 2. Theorem 5:\(\hat{\eta}_n\) 的模型选择一致性。关键在于选择率 \(r\) 使得 \(r_n(n+1)^r = o(1)\) 当参数模型正确,而 \(r_n(n+1)^r \to \infty\) 当参数模型错误。 3. Theorem 6:gNPP后验的BvM定理。这需要将 \(\hat{\eta}_n\) 的收敛速度与参数后验的BvM速度(\(1/\sqrt{n}\))和非参数后验的收缩速度(\(r_n\))结合起来。
为什么这个例子是"最小内核":它剥离了所有因果推断的复杂性(混杂、倾向得分、反事实),只保留了模型选择这一核心机制。一旦理解了 \(\hat{\eta}_n\) 如何在正确/错误设定下分别趋向1/0,就能理解gNPP在更复杂场景(如ATE估计)中的行为。本文的Theorem 3和Theorem 6本质上是在说:只要 \(\hat{\eta}_n\) 的收敛速度足够快,gNPP后验就能在正确设定时继承参数效率,在错误设定时继承非参数稳健性。
三、这篇论文做了什么¶
三句话: 1. 研究了什么问题:当参数贝叶斯模型可能被错误设定时,如何对目标泛函(如因果效应)进行既稳健又数据高效的推断。 2. 核心工具/方法:提出广义NPP(gNPP)后验,用基于散度的广义贝叶斯因子替代边际似然比,将参数后验与非参数后验(如BART)按数据自适应权重混合。 3. 主要结论:gNPP后验在参数模型正确时以 \(1/\sqrt{n}\) 速度收敛(效率),在错误时仍收敛到真实泛函值(稳健性),且计算上只需参数后验的样本和散度估计,无需计算非参数边际似然。
关键设定与假设: - 设定:i.i.d.数据 \(x_{1:n} \sim p_0\),目标泛函 \(\psi(p_0)\)。参数模型 \(\mathcal{M}_{pm} = \{p_\theta\}\),非参数扰动模型 \(\Pi_{pert}\)。 - 假设: - Assumption 1(参数后验渐近正态):参数后验满足BvM定理,即 \(\sqrt{n}(\theta - \hat{\theta}_{MLE}) \mid x_{1:n} \Rightarrow N(0, V_{\theta_0}^{-1})\)。这保证了参数模型的 \(1/\sqrt{n}\) 效率。 - Assumption 2(泛函光滑性):\(\chi_\theta := \psi(p_\theta)\) 二次可微,且 \(\dot{\chi}_{\theta_0}^\top V_{\theta_0}^{-1} \dot{\chi}_{\theta_0} > 0\)。这保证了泛函的Delta方法适用。 - Assumption 3(散度正则性):散度 \(\rho\) 是弱连续半度量,且在 \(\theta_0\) 附近有局部二次下界。这保证了散度能区分正确/错误设定。 - Assumption 4(经验散度收敛):经验散度 \(d_n(p_\theta, p_0)\) 的期望以 \(r_n\) 速度收敛,方差有界。这控制了散度估计的误差。 - Assumption 5-7(先验质量与熵):标准贝叶斯非参数收缩条件,保证非参数后验以 \(r_n\) 速度收缩。 - 相比已有文献:本文的假设比Lyddon et al. (2018)更弱——他们需要Dirichlet过程的特定性质,而本文只需散度的正则性。但比Yiu et al. (2025)更强——他们的一步校正后验不需要非参数后验的收缩率假设,而本文需要。
主要结果: - Proposition 2(NPP模型选择一致性):在Assumptions 5-7下,\(\eta_n \to 1\)(若 \(p_0 \in \mathcal{M}_{pm}\))或 \(\eta_n \to 0\)(若 \(p_0 \notin \mathcal{M}_{pm}\))。这是NPP后验稳健性的基础。 - Theorem 3(NPP后验的BvM定理):若 \(p_0 \in \mathcal{M}_{pm}\),NPP后验在 \(\psi\) 上以 \(1/\sqrt{n}\) 速度收敛到正态分布,方差等于参数后验的渐近方差(效率)。若 \(p_0 \notin \mathcal{M}_{pm}\),NPP后验收敛到 \(\delta_{\psi(p_0)}\)(稳健性)。 - Theorem 4(后验期望散度收敛):\(\mathbb{E}_{pm}[d_n(p_\theta, p_0) \mid x_{1:n}] = d(p_{\theta_0}, p_0) + O_P(r_n \vee n^{-1})\)。这是gNPP的核心技术引理。 - Theorem 5(gNPP模型选择一致性):若选择率 \(r\) 满足 \(r_n(n+1)^r = o(1)\)(正确设定)或 \(r_n(n+1)^r \to \infty\)(错误设定),则 \(\hat{\eta}_n \to 1\) 或 \(\hat{\eta}_n \to 0\)。 - Theorem 6(gNPP后验的BvM定理):gNPP后验在两种设定下分别达到效率与稳健性,与Theorem 3一致。
证明路线与技术技巧: 1. 整体路线:先证明NPP后验的性质(Proposition 2, Theorem 3),再证明gNPP的广义贝叶斯因子能复现NPP的模型选择行为(Theorem 4, 5),最后将两者结合得到gNPP的BvM定理(Theorem 6)。 2. 关键步骤: - Step 1:利用后验收缩率(Assumptions 5-7)证明 \(\eta_n\) 的模型选择一致性。这使用了标准贝叶斯非参数技术(Ghosal et al., 2000)。 - Step 2:证明 \(\mathbb{E}_{pm}[d_n(p_\theta, p_0) \mid x_{1:n}]\) 的收敛性。这需要后验泰勒展开(Lemma 15)和经验过程的集中不等式(Assumption 4)。 - Step 3:将 \(\hat{\eta}_n\) 的收敛速度与参数后验的BvM速度结合。这使用了有界Lipschitz距离的三角不等式和混合后验的凸性。 3. 技术技巧: - 广义贝叶斯因子的构造:用 \(\Xi(x) = \exp(1-1/x)x\) 将散度比映射到 \((0, \infty)\),确保 \(\hat{\eta}_n \in (0,1)\)。 - 率参数 \(r\) 的选择:\(r\) 控制模型选择的"锐度"。\(r\) 越小,模型选择越保守(更倾向于参数模型),但收敛速度可能变慢。本文建议 \(r < 1/2\) 以保证正确设定时的效率。 - 交叉拟合:在应用中使用交叉拟合(Chernozhukov et al., 2018)来估计散度,避免过拟合。
真实例子与应用: - 数据:来自卵巢癌患者的544个T细胞的单细胞RNA测序数据(Vázquez-García et al., 2022),以及一个包含261,611个健康T细胞的参考图谱(Domínguez Conde et al., 2022)。 - 场景:估计基因表达对另一个基因表达的因果效应。处理变量 \(a\) 是FOXP3的表达,结果变量 \(y\) 是GZMH、GZMK或NKG7的表达,混杂变量 \(w\) 是157个转录因子的表达。 - 方法应用: 1. 参数模型:线性回归 \(y \sim N(c + \tau a + \gamma^\top z(w), \sigma^2)\),其中 \(z(w)\) 是 \(w\) 的前10个主成分。 2. 非参数模型:BART(Bayesian Additive Regression Trees)作为扰动模型。 3. gNPP:用MMD作为散度,率 \(r = 0.49\)。 - 结果: - 对GZMH:参数模型的 \(P(\text{ATE} > 0) = 0.12\),非参数模型为0.15,gNPP为0.12。gNPP的混合权重 \(\hat{\eta}_n = 0.18\),表明参数模型被严重怀疑,但结论与参数模型一致(ATE为负)。 - 对GZMK:参数模型 \(P(\text{ATE} > 0) = 0.43\),非参数模型为0.31,gNPP为0.33。gNPP的 \(\hat{\eta}_n = 0.69\),表明参数模型较可信,但gNPP仍修正了结论(从0.43降至0.33)。 - 对NKG7:参数模型 \(P(\text{ATE} > 0) = 0.99\),非参数模型为0.77,gNPP为0.77。gNPP的 \(\hat{\eta}_n = 0.1\),表明参数模型被强烈怀疑,gNPP完全采纳非参数结论。 - 例子想说明什么:gNPP能根据数据自动调整对参数模型的信任程度。当参数模型诊断良好(如GZMK)时,gNPP接近参数模型;当参数模型诊断差(如NKG7)时,gNPP接近非参数模型。这验证了理论上的"自适应"性质。
🔎 结论是否比证明窄: - Theorem 3和Theorem 6的证明依赖于Assumption 1(参数后验BvM),但文中未明确给出验证Assumption 1的充分条件。对于线性模型,BvM成立;但对于更复杂的参数模型(如广义线性模型),可能需要额外条件。文中在Remark 25中仅验证了正态均值模型。 - Theorem 5要求 \(r_n(n+1)^r = o(1)\),但 \(r_n\) 的具体形式依赖于散度选择。对于Wasserstein距离,\(r_n = n^{-2/(\kappa \vee 4)}\),这要求 \(r < 2/(\kappa \vee 4)\)。对于高维数据(\(\kappa\) 大),这个条件可能很严格。文中未讨论高维情形的可行性。 - 应用部分仅使用了MMD,未展示Wasserstein和KSD的实际表现。文中声称"我们考虑了几种散度",但未给出比较实验。 - 结论的表述:"gNPP后验在参数模型正确时以 \(1/\sqrt{n}\) 速度收敛"——这仅在 \(\hat{\eta}_n \to 1\) 的速度快于 \(1/\sqrt{n}\) 时成立。文中Theorem 5保证了 \(\hat{\eta}_n \to 1\),但未给出 \(\hat{\eta}_n\) 的收敛速度。如果 \(\hat{\eta}_n\) 收敛太慢,gNPP可能达不到 \(1/\sqrt{n}\) 速度。这是一个潜在的证明缺口。
四、开放问题¶
-
\(\hat{\eta}_n\) 的收敛速度:Theorem 5只证明了 \(\hat{\eta}_n\) 的模型选择一致性,但未给出其收敛速度。要证明gNPP在正确设定时达到 \(1/\sqrt{n}\) 效率,需要 \(\hat{\eta}_n\) 以快于 \(1/\sqrt{n}\) 的速度收敛到1。能否给出 \(\hat{\eta}_n\) 的显式收敛速度?这可能需要更精细的散度集中不等式。(扎根于Theorem 5的证明,它只用了Chebyshev不等式,未给出指数集中界。)
-
高维数据的散度选择:对于Wasserstein距离,收敛速度 \(r_n = n^{-2/(\kappa \vee 4)}\) 在高维时极慢。MMD和KSD的收敛速度是否对维度更鲁棒?是否存在维度无关的散度选择?这直接关系到gNPP在高维生物数据(如单细胞测序)中的实用性。(扎根于Remark 1和Theorem 16,它们明确给出了维度依赖的收敛速度。)
-
非参数后验的收缩率假设:Assumption 5-7要求非参数后验以 \(r_n\) 速度收缩,但未给出具体先验的验证。对于Dirichlet过程混合,收缩率已知;但对于BART,其收缩率性质尚不明确。能否为BART等现代机器学习先验建立收缩率理论?(扎根于Proposition 14,它仅验证了Dirichlet过程混合。)
-
泛函的连续性假设:Assumption 2要求 \(\chi_\theta = \psi(p_\theta)\) 二次可微。但对于非光滑泛函(如分位数、尾部风险),这一假设可能不成立。gNPP能否推广到非光滑泛函?(扎根于Assumption 2的表述,它明确要求二次可微。)
-
与频率学派半参数方法的比较:本文声称gNPP"更一般",但未与双稳健估计(如TMLE)进行理论或实证比较。在什么条件下gNPP优于TMLE?在什么条件下TMLE更优?(扎根于Section 1.1,作者仅提到"不冲突"而未给出比较。)
-
非i.i.d.数据的扩展:本文假设i.i.d.数据,但许多实际应用(如时空数据、网络数据)存在相关性。如何将gNPP扩展到非i.i.d.设置?(扎根于Discussion部分,作者明确提到"假设数据是i.i.d."作为限制。)
提醒:要确认上述问题是否为真gap,建议去读以下近期论文的引言部分(约5篇):(1) Yiu et al. (2025) 的后续工作;(2) 关于广义贝叶斯后验收缩率的近期论文(如Chernozhukov et al. 2023);(3) 关于BART理论性质的论文(如Rockova & van der Pas 2023);(4) 关于高维最优传输的论文(如Niles-Weed & Rigollet 2022);(5) 关于贝叶斯因果推断的综述(如Oganisian & Roy 2023)。如果这些论文的引言都指向同一问题,那很可能是共识性gap;如果互相矛盾,则是机会。
Maintained by 陈星宇 · Homepage · Source on GitHub