Parametric Multi-Fidelity Monte Carlo Estimation With Applications to Extremes¶
作者: Minji Kim, Brendan Brown, Vladas Pipiras
来源: Technometrics
主题: 统计计算 / 算法
相关性: 6/10
机构绿灯: University of North Carolina at Chapel Hill(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¶
本文所处的子方向是多保真度(Multi-Fidelity, MF)不确定性量化,其根本科学问题是:当高保真(high-fidelity)模型的计算成本远高于低保真(low-fidelity)模型时,如何利用大量廉价但可能有偏的低保真数据,来提高对高保真量(如期望、概率、参数)的估计效率。该方向的核心统计结构是"两个(或多个)共享随机输入、但保真度不同的输出变量之间的依赖关系"。当前该领域在矩估计(如均值、方差)层面已相当成熟(以多保真度 Monte Carlo, MFMC 和控制变量法为代表),但本文指出,将 MF 框架系统性地推广到参数化统计模型的估计(尤其是极值分布这类非正则、尾部驱动的模型)仍是一个相对开放的 frontier。
发展脉络(history)¶
奠基工作:控制变量法与半监督估计。 本文的统计思想根基可追溯到两条线。其一是经典控制变量(Control Variates, CV)方法(Nelson, 1987),其核心是用一个与目标变量相关的辅助变量来降低 Monte Carlo 估计的方差;本文将其视为 MFMC 估计量(1)的雏形。其二是半监督学习(Semi-Supervised Learning, SSL)框架下的估计理论:Zhang et al. (2019) 提出了半监督最小二乘估计量,聚焦于均值估计,并建立了"无假设"(assumption-lean)的渐近理论——这是本文 MFMC 估计量(1)在统计文献中的直接对应物。Chakrabortty & Cai (2018) 和 Azriel et al. (2022) 进一步将半监督思想推广到线性回归参数估计,证明了未标注数据(对应低保真数据)可以提升回归系数的估计效率。这一簇工作的共同口子是:它们要么只处理均值(Zhang et al.),要么只处理线性回归(Chakrabortty & Cai; Azriel et al.),都没有覆盖一般参数模型,更没有触及极值分布。
主要进展:多保真度 Monte Carlo 的体系化。 在工程与计算数学领域,Peherstorfer, Willcox & Gunzburger (2016) 提出了经典的 MFMC 估计量(即本文的式 (1)),给出了在固定计算预算下最优样本分配的理论。Gorodetsky et al. (2020) 进一步提出了广义近似控制变量(Generalized Approximate Control Variate)框架,统一了多种 MF 采样策略,并证明了递归采样策略的方差下界。Kramer et al. (2019) 和 Pham & Gorodetsky (2022) 则将 MF 思想与重要性采样结合,用于估计小概率事件(失效概率)。这一簇工作的口子是:它们几乎全部聚焦于矩(均值、方差、概率)的估计,估计量形式是线性的(低保真数据的线性组合),且不涉及参数模型的拟合。
当前 frontier:从矩估计走向分布估计。 最新的进展开始触及"分布"层面。Ahmed et al. (2025) 在半监督框架下研究了极值指数的估计,利用未标注数据(协变量)来降低极值指数估计的渐近方差——这是与本文最接近的工作。Kim et al. (2025) 则从重要性采样的角度研究了如何选择低保真输出以最优地估计高保真密度及其尾部。这一簇工作的口子是:Ahmed et al. 只处理了极值指数这一个参数,且用的是半监督(协变量)框架而非 MF(低保真模型输出)框架;Kim et al. 关注的是密度估计而非参数估计。 本文的位置正是在这两条线的交叉处:在 MF 数据结构下,系统性地研究一般参数模型的估计,并将重点放在极值分布上。
子线索聚类¶
被引文献大致落在三条子线索上:
-
半监督估计理论(SSL):Zhang et al. (2019)、Chakrabortty & Cai (2018)、Azriel et al. (2022)、Song et al. (2023)。核心问题是:当只有少量标注数据(有 Y)和大量未标注数据(只有 X)时,如何估计均值或回归参数。方法以最小二乘、投影、M-估计为主。特征:强调"无假设"或弱假设,理论以渐近方差刻画效率增益。
-
多保真度 Monte Carlo(MFMC)与控制变量:Peherstorfer et al. (2016)、Gorodetsky et al. (2020)、Kramer et al. (2019)、Pham & Gorodetsky (2022)、Dixon et al. (2024)、Menhorn et al. (2023)。核心问题是:在计算预算约束下,如何最优地分配高低保真样本以估计某个矩或概率。方法以线性无偏估计、重要性采样、递归方差分解为主。特征:估计量形式简单(线性),理论以方差最小化与预算分配为核心。
-
极值统计与尾部估计:Coles (2001)(教科书)、Ahmed et al. (2025)、Kim et al. (2025)。核心问题是:如何利用辅助信息(协变量或低保真模型)来更准确地估计尾部行为(极值指数、高分位数、小概率)。特征:关注非正则参数,渐近理论涉及极值点过程、二阶条件等。
这个方向在追问的核心问题¶
- 效率增益的刻画:低保真数据究竟能带来多大的渐近方差缩减?这个增益如何依赖于高低保真之间的相关性结构?(MFMC 的式 (12) 给出了均值估计的精确答案,但参数估计的答案尚不完整。)
- 模型设定与稳健性的权衡:要获得效率增益,需要对联合分布(或条件分布)做多少假设?JML 需要完整的联合参数模型,MoM 只需要矩条件,MML 只需要边际模型——三者对模型误设的敏感度如何?
- 极值情形下的特殊性:当目标量是尾部量(如高分位数、小概率)时,MF 的效率增益是否仍然显著?极值分布的非正则性(支撑依赖参数、渐近方差非正态)是否破坏了 MFMC 的线性结构?
- 计算预算与最优分配:在参数估计框架下,如何将计算成本纳入最优样本分配?这与矩估计情形(Peherstorfer et al. 2016)有何不同?
已知瓶颈:JML 需要正确的联合模型,在实际中难以验证;MoM 只适用于可写成矩条件的参数;MML 的效率增益依赖于"低保真参数与高保真参数接近"这一隐含假设,且其最优性(在边际信息下)尚未被证明。
⚠️ 作者的 framing(这是作者的说法)¶
作者在引言中把缺口 frame 成:"尽管 MFMC 在矩估计中取得了成功,但将 MF 思想推广到参数估计的工作很少,尤其是在极值分析的背景下。" 他们强调,现有的 MF 方法(MFMC、ACV)本质上是非参数的(估计矩),而他们的贡献是提出参数化的 MF 估计框架,从而能够处理"高保真数据无法直接估计"的量(如超出样本范围的极值分位数)。作者淡化的竞争路线包括:(1) 半监督回归方法(Chakrabortty & Cai, Azriel et al.)——他们指出这些方法局限于线性模型,但没有讨论这些方法在非线性模型下的推广难度;(2) 非参数 MF 密度估计(Kim et al. 2025)——作者承认其相关性,但强调参数化方法在极值外推上的优势。什么明显该被引、却没出现在 intro 里? 一个明显的遗漏是 multi-level Monte Carlo (MLMC) 的统计效率理论(Giles, 2015 虽被引用,但仅作为 MLMC 的代表,未讨论其与参数估计的联系);另一个是半参数效率理论中关于"辅助信息提升效率"的经典结果(如 Bickel et al. 的 semiparametric efficiency 框架),本文的 MML 估计量与半参数效率理论中的"利用辅助信息构造高效估计量"有深刻联系,但作者未提及这一理论连接。
张力¶
未见明显对立引用。但存在一个微妙的张力:Gorodetsky et al. (2020) 的 ACV 框架强调不需要对联合分布做参数假设(只需矩),而本文的 JML 方法需要完整的联合参数模型。这两条路线在"模型假设强度 vs. 效率上限"之间存在根本权衡,作者在文中承认了这一点(JML 最有效但假设最强),但未深入讨论在模型误设下 JML 是否可能劣于 MoM 或 MML——这是一个值得研究者去查的开放问题。
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¶
核心记号(贯穿全文):
- 随机变量:\(Y^{(1)}\) 为高保真输出(目标变量),\(Y^{(2)}\) 为低保真输出(辅助变量)。二者共享随机条件 \(x\)(如海浪的随机种子),因此一般相依。
- 参数 / estimand:\(\theta_1 \in \mathbb{R}^{d_1}\) 是高保真边际分布 \(F^{(1)}_{\theta_1}\) 的参数(如 GEV 的位置、尺度、形状参数)。\(\theta_2\) 是低保真边际参数。\(\eta = (\theta_1, \theta_2, \theta_{1,2})\) 是联合分布 \(F_\eta\) 的完整参数。
- 样本量:\(n\) = 高低保真成对观测数(即同时观测到 \((Y^{(1)}, Y^{(2)})\) 的样本数);\(m\) = 额外低保真观测数(只有 \(Y^{(2)}\))。总低保真样本量 \(n+m\)。
- 可观测数据(式 (4)):
- 成对数据:\((Y^{(1)}_1, Y^{(2)}_1), \dots, (Y^{(1)}_n, Y^{(2)}_n)\) —— 共 \(n\) 对;
- 额外低保真数据:\(Y^{(2)}_{n+1}, \dots, Y^{(2)}_{n+m}\) —— 共 \(m\) 个。
- 关键:高保真数据只有 \(n\) 个,低保真数据有 \(n+m\) 个。目标是用 \(n+m\) 个低保真数据辅助估计 \(\theta_1\)。
- 潜在 / 不可观测量:\(Y^{(1)}\) 在额外低保真样本点上的取值是不可观测的(因为高保真模型太贵)。这是 MF 问题的核心缺失数据结构。
模型:
- 边际设定(式 (5)):\(Y^{(j)} \sim F^{(j)}_{\theta_j}\),\(j=1,2\)。即高低保真各自服从参数分布,但参数不同(\(\theta_1 \neq \theta_2\) 允许)。
- 联合设定(式 (6)):\((Y^{(1)}, Y^{(2)}) \sim F_\eta\),\(\eta = (\theta_1, \theta_2, \theta_{1,2})\)。\(\theta_{1,2}\) 刻画依赖结构(如 Gaussian 相关中的 \(\rho\),或 copula 参数)。
- 矩设定(式 (7)):\(\theta_1 = g(\mathbb{E} h(Y^{(1)}))\),即参数可写成某些基函数 \(h\) 的期望的函数。
三种估计策略(对应三种信息利用程度):
- Baseline:只用 \(n\) 个高保真数据做 MLE(或矩估计),完全忽略低保真数据。
- JML(联合极大似然):用全部 \(n\) 对 + \(m\) 个低保真数据,最大化联合似然(式 (15))。需要完整指定 \(F_\eta\)。
- MoM(矩估计):用 MFMC 估计 \(\mathbb{E} h(Y^{(1)})\) 的每个分量,再代入 \(g\)。只需要边际模型 \(F^{(1)}_{\theta_1}\) 和矩条件。
- MML(边际极大似然):分别对 \(Y^{(1)}\) 和 \(Y^{(2)}\) 做 MLE,再用式 (27)–(28) 的线性组合融合两个估计量。只需要边际模型。
第二步:最小内核¶
剥掉所有一般性假设后,本文的核心数学问题可以归结为如下最小例子:
设定:\((Y^{(1)}, Y^{(2)})\) 服从二元 Gaussian,\(Y^{(1)} \sim N(\mu_1, \sigma_1^2)\),\(Y^{(2)} \sim N(\mu_2, \sigma_2^2)\),\(\text{Corr}(Y^{(1)}, Y^{(2)}) = \rho\)。观测到 \(n\) 对 \((Y^{(1)}_i, Y^{(2)}_i)\) 和 \(m\) 个额外的 \(Y^{(2)}\)。目标:估计 \(\theta_1 = (\mu_1, \sigma_1^2)\)。
这个例子里发生了什么?
- Baseline:\(\hat{\mu}_{1,\text{bl}} = \overline{Y^{(1)}}_n\),方差 \(\approx \sigma_1^2 / n\)。
- JML:利用 \(Y^{(2)}\) 与 \(Y^{(1)}\) 的相关性,\(\hat{\mu}_{1,\text{jml}}\) 的方差 \(\approx \frac{\sigma_1^2}{n} \left(1 - \frac{m}{n+m} \rho^2\right)\)。当 \(\rho \to 1\) 且 \(m \gg n\) 时,方差缩减接近 \(1/(n+m)\)——即几乎免费获得了 \(m\) 个"准高保真"样本。
- MoM:对 \(\mu_1\) 用 MFMC 估计量 \(\hat{\mu}_{1,\text{mom}} = \overline{Y^{(1)}}_n + \alpha_{\text{opt}}(\overline{Y^{(2)}}_{n+m} - \overline{Y^{(2)}}_n)\),其中 \(\alpha_{\text{opt}} = \rho \sigma_1 / \sigma_2\)。方差与 JML 完全相同(Gaussian 情形下)。
- MML:\(\hat{\mu}_{1,\text{mml}} = \hat{\mu}_{1,\text{bl}} + \beta_{\text{opt}}(\hat{\mu}_{2,\text{ml},n+m} - \hat{\mu}_{2,\text{ml},n})\),其中 \(\beta_{\text{opt}} = \text{Cov}(\dot{\ell}_1(Y^{(1)}), \dot{\ell}_2(Y^{(2)})) / \text{Var}(\dot{\ell}_2(Y^{(2)}))\)。在 Gaussian 情形下,MML 与 JML 也重合。
这个最小例子的要点:
- 三种 MF 方法在 Gaussian 情形下渐近等价(Proposition 4.1 的推论),都达到方差 \(\frac{\sigma_1^2}{n}(1 - \frac{m}{n+m}\rho^2)\)。
- 效率增益完全由 \(\rho^2\) 决定——高低保真相关性越强,增益越大;\(\rho = 0\) 时无增益。
- MoM 和 MML 只需要边际信息,不需要指定联合分布,因此对联合分布的误设更稳健。
- JML 需要完整联合模型,但作为回报,它在模型正确时达到最小渐近方差(Cramér-Rao 意义上的最优)。
为什么这个例子是"最小内核"? 因为本文后面所有的一般性结果(Gumbel 分布、极值 QoI、多源扩展)都是在回答同一个问题:当 \(Y^{(1)}\) 的分布不是 Gaussian(尤其是尾部更重的 Gumbel)时,上述三种方法的效率排序是否改变?MF 的增益是否仍然显著? 答案(从 Figure 1 和 Figure 7 可以看出)是:在 Gumbel 情形下,JML 和 MML 仍然显著优于 MoM(尤其是对尺度参数 \(\sigma_1\)),且增益随依赖增强而增大——但 MoM 在强依赖下可以接近 JML。这个"非 Gaussian 情形下三种方法不再等价"的现象,正是本文的核心发现。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在多保真度数据(少量高保真 + 大量低保真)下,如何更有效地估计高保真分布的参数(而非仅均值),并特别关注极值分布(Gumbel)下的表现。
- 核心工具 / 方法:提出并比较了三种参数化 MF 估计方法——联合极大似然(JML)、多保真矩估计(MoM)、多保真边际极大似然(MML),并推导了它们的渐近方差。
- 主要结论:JML 在模型正确时最有效,但需要联合分布假设;MML 在仅需边际假设下几乎达到 JML 的效率(尤其在 Gumbel 尺度参数上);MoM 计算最简单但在非 Gaussian 情形下效率损失显著。在强依赖下,三种方法的差距缩小。
关键设定与假设¶
数据生成(式 (4)):
- \(n\) 对 \((Y^{(1)}, Y^{(2)})\) 独立同分布,来自联合分布 \(F_\eta\)。
- \(m\) 个额外的 \(Y^{(2)}\) 独立同分布,来自边际分布 \(F^{(2)}_{\theta_2}\)。
- 关键假设:缺失机制是随机的(即额外低保真样本的 \(Y^{(1)}\) 是"缺失"的,但缺失与 \(Y^{(1)}\) 的值无关——这是 MAR 的一种特殊情形)。作者没有显式讨论这个假设,但它对似然分解(式 E.3)至关重要。
模型假设:
- JML:需要完整指定联合分布 \(F_\eta\)(式 (6)),包括依赖参数 \(\theta_{1,2}\)。在 Gaussian 情形下这是自然的;在 Gumbel 情形下,作者使用式 (49)–(50) 的二元 Gumbel 分布(Pickands 依赖函数)。
- MoM:只需要边际模型 \(F^{(1)}_{\theta_1}\) 和矩条件 (7)。不需要指定 \(Y^{(2)}\) 的分布,也不需要指定联合分布。但需要估计最优系数 \(\alpha\)(式 (24)),这需要估计协方差结构。
- MML:只需要分别指定 \(Y^{(1)}\) 和 \(Y^{(2)}\) 的边际模型(式 (5))。不需要指定联合分布。但需要估计最优系数 \(\beta\)(式 (32)),这需要估计得分函数的协方差。
相比已有文献的放宽/强化:
- 放宽:与 JML 相比,MoM 和 MML 不需要联合分布假设——这是对 MFMC 文献(通常假设线性关系)的重要推广。
- 强化:与半监督文献(Zhang et al. 2019 只处理均值)相比,本文处理的是一般参数模型,且允许高低保真分布不同(\(\theta_1 \neq \theta_2\))。
主要结果¶
Proposition 4.1(Gaussian 情形):
- JML 估计量有显式形式(式 (37)–(41)),且 \(\hat{\mu}_{1,\text{jml}}\) 恰好等于 MFMC 估计量(式 (1))——这建立了参数化 MF 与非参数 MFMC 之间的联系。
- 渐近方差:\(\text{Var}(\hat{\mu}_{1,\text{jml}}) \approx \frac{\sigma_1^2}{n}\left(1 - \frac{m}{n+m}\rho^2\right)\)。
- 关键发现:在 Gaussian 情形下,JML、MoM、MML 三者渐近等价(都达到上述方差)。这意味着在 Gaussian 世界里,不需要联合模型也能达到最优效率。
Figure 1 和 Figure 7(Gumbel 情形):
- 对位置参数 \(\mu_1\):三种 MF 方法表现接近,JML 略优,但差距不大。
- 对尺度参数 \(\sigma_1\):差异显著。JML 最优,MML 紧随其后,MoM 在中等依赖下明显较差。随着依赖增强(\(r \to 0\)),MoM 逐渐接近 JML。
- 关键发现:非 Gaussian 情形下,三种方法不再等价。JML 和 MML 对尺度参数的估计效率显著优于 MoM。这推翻了"MFMC 方法(MoM)在参数估计中总是接近最优"的直觉。
Proposition 4.2(Bernoulli 情形):
- JML 估计量有显式形式(式 (58)–(59)),且 \(\hat{p}_{1,\text{jml}}\) 与 MFMC 估计量一致。
- 渐近方差:\(\text{Var}(\hat{p}_{1,\text{jml}}) \approx \frac{p_1(1-p_1)}{n}\left(1 - \frac{m}{n+m} \gamma^2\right)\),其中 \(\gamma = \text{Corr}(Y^{(1)}, Y^{(2)})\)。
- 关键发现:离散情形下,JML 与 MoM 也等价(因为 Bernoulli 的矩条件恰好是参数本身)。
Section 5.2(多源扩展):
- 将 MFMC 估计量(式 (71))和 ACV-MF 估计量(式 (72))推广到多个低保真源。
- 关键发现:ACV-MF 估计量(式 (72))可以比 MFMC 估计量(式 (71))更优,因为它允许每个低保真源与高保真源之间的协方差结构被更灵活地利用。这与 Gorodetsky et al. (2020) 的结论一致。
证明路线与技术技巧¶
整体路线(以 Proposition 4.1 为例):
- 写出似然:将联合似然分解为条件似然 × 边际似然(式 E.3),利用 \(Y^{(2)} \perp \epsilon\) 的独立性。
- 求解似然方程:对 \(\mu = (\mu_1, \mu_2)\) 和 \(\Sigma\) 分别求导,得到显式解(式 B.3–B.14)。
- 验证等价性:将 JML 估计量与 MoM、MML 估计量的显式形式对比,证明在 Gaussian 情形下三者相等。
- 计算渐近方差:利用 Fisher 信息矩阵的逆,得到 \(\text{Var}(\hat{\mu}_{1,\text{jml}})\) 的精确表达式。
关键技巧:
- 似然分解(式 E.3):将联合似然分解为 \(f_{Y^{(1)}|Y^{(2)}} \times f_{Y^{(2)}}\),使得 \(Y^{(2)}\) 的边际观测可以独立处理。这是连接 JML 与 MML 的桥梁。
- Sherman–Morrison 恒等式(式 B.4):用于求分块矩阵的逆,简化 \(\hat{\mu}\) 的表达式。
- Delta 方法(式 (68)):将参数的渐近方差转化为 QoI 的渐近方差,用于处理极值分位数等非线性函数。
- 控制变量最优系数(式 (11)–(12)):将 MFMC 估计量的方差最小化问题转化为一个二次型优化,得到 \(\alpha_{\text{opt}} = \text{Cov}/\text{Var}\) 的闭式解。
技术技巧点名:似然分解、Sherman–Morrison、Delta 方法、控制变量最优系数、Pickands 依赖函数(用于构造二元 Gumbel)。
🔎 结论是否比证明窄¶
是的,存在几处"证明窄于结论"的地方:
- Proposition 4.1 的等价性只在 Gaussian 下证明,但作者在摘要和结论中暗示"MF 方法在参数估计中普遍有效"。Figure 1 显示在 Gumbel 下三者不等价,但作者没有给出一般性的理论刻画(什么条件下等价、什么条件下不等价)。这是一个明确的"证明窄于结论"。
- MoM 的最优系数 \(\alpha\) 需要知道真实的协方差结构(式 (42) 依赖 \(\rho^*, \sigma_1^*, \sigma_2^*\))。作者在数值实验中使用"最优系数"(oracle),但没有讨论系数估计误差对有限样本表现的影响。这是一个"oracle 性质"问题——理论证明的是 oracle 估计量的性质,但实际使用的估计量需要估计 \(\alpha\)。
- MML 的 \(\beta\) 最优性(式 (32))是在"边际模型正确"的前提下证明的。如果 \(Y^{(2)}\) 的边际模型被误设,MML 的 \(\beta\) 可能不再最优。作者没有讨论这个稳健性问题。
- 极值 QoI 的结论(Section 5.1)是启发式的:作者通过 Delta 方法给出了渐近方差的表达式,但没有证明这些 QoI 估计量的渐近正态性所需的正则条件(如二阶可微性、一致可积性)。对于极值分位数这类"边界"量,这些条件可能不成立。
四、开放问题¶
以下问题均扎根于本文的具体语句,供研究者自行判断价值与可行性:
-
非 Gaussian 情形下三种方法的效率排序能否理论刻画? 本文 Figure 1 显示在 Gumbel 下 JML > MML > MoM(对尺度参数),但作者没有给出一般性定理。一个具体问题是:在什么条件下,MML 与 JML 的渐近方差之比有界?(扎根于 Figure 1 的讨论和 Remark 3.1 中"MML 不是最优"的承认。)
-
MoM 的 oracle 系数问题:本文所有数值实验都假设最优系数 \(\alpha_{\text{opt}}\) 已知(oracle)。实际中 \(\alpha\) 需要从数据估计,估计误差会如何影响有限样本表现?是否存在自适应估计器在估计 \(\alpha\) 后仍达到 oracle 渐近方差?(扎根于式 (42) 和 Section 4 的数值实验设置。)
-
模型误设下的稳健性:JML 需要正确的联合分布,MML 需要正确的边际分布。当联合分布被误设时,JML 是否可能劣于 MoM(后者只需要矩条件)?能否构造一个"稳健性-效率"的权衡曲线?(扎根于 Section 1.3 对 SSL 文献的讨论和 Remark 3.1。)
-
极值 QoI 的渐近理论:Section 5.1 用 Delta 方法处理极值分位数,但极值统计中分位数估计量通常有非正态极限(当分位数超出样本范围时)。MF 方法能否改善极值分位数的收敛速度? 这需要极值点过程与 MF 结构的结合。(扎根于式 (64)–(65) 和 Section 6 的应用。)
-
多源扩展的最优分配:Section 5.2 给出了多源 MFMC 和 ACV-MF 的方差表达式,但没有讨论在参数估计框架下的最优样本分配问题。在固定预算下,如何分配 \(n, m_2, \dots, m_{K+1}\) 以最小化参数估计的渐近方差?(扎根于式 (71)–(74) 和 Section 5.2 的讨论。)
-
与半监督学习的深层联系:本文的 MML 估计量(式 (27)–(28))与 Zhang et al. (2019) 的半监督均值估计量在结构上高度相似。能否将本文的框架推广到一般的 M-估计(如分位数回归、广义线性模型),并建立统一的半监督效率理论?(扎根于 Section 1.3 对 SSL 文献的引用。)
提示:要确认上述问题是否为真 gap,建议去读以下近期文献的引言部分(各约 5 篇):(a) multi-fidelity uncertainty quantification 领域(Gorodetsky, Peherstorfer, 以及 2023–2025 年的后续工作);(b) semi-supervised inference 领域(Zhang, Chakrabortty, Cai 及其引用网络);(c) extreme value statistics 中的 covariate-adjusted 估计。如果这些文献的引言都指向同一个未解决问题,那大概率是共识性 gap;如果它们各说各话,那可能是机会也可能是伪问题。
Maintained by 陈星宇 · Homepage · Source on GitHub