Minimax Rates for imperfect Physics-Informed Regression¶
作者: Nathan Doum`eche (LPSM)
主题: 非参数 / 半参数
相关性: 7/10
链接: https://arxiv.org/abs/2610.29532
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物理信息回归(Physics-Informed Regression)的统计最优性理论。其根本问题是:当我们相信目标函数 \(f^\star\) 近似满足一个偏微分方程(PDE)\(D(f^\star)=g\) 时,如何量化这个"物理先验"对非参数回归估计精度的提升?更具体地,当物理模型不完美(即存在建模误差 \(\|D(f^\star)-g\|_{L^2(\Omega)}\le\delta\),且 \(\delta\) 未知)时,物理先验在 minimax 意义下究竟能带来多少收益,以及在什么条件下这种收益消失。这个子方向目前处于快速成长期但远未成熟:物理信息神经网络(PINNs)自 2019 年提出以来应用广泛,但其统计理论(尤其是 minimax 最优性)直到最近几年才被系统研究,且大多集中在"物理模型精确"的理想情形。本文是少数直接处理"模型不完美"这一现实问题的理论工作之一。
发展脉络¶
- 奠基工作:PINNs 的提出与早期分析。Raissi et al. (2019) 提出 PINNs 框架,将 PDE 残差作为正则项加入损失函数。Karniadakis et al. (2023) 的综述总结了该领域的快速发展。这些工作确立了"物理先验 + 数据拟合"的基本范式,但缺乏严格的统计保证。
- 主要进展:核方法与收敛性分析。Doumèche et al. (2024, 2025, 2026) 将物理信息回归重新表述为核方法(physics-informed kernel learning, PIKL),证明了其一致性并给出收敛速度。Shin et al. (2020)、Mishra & Molinaro (2023)、De Ryck & Mishra (2024) 对 PINNs 的泛化误差给出了上界。这些工作建立了"物理正则化不损害 minimax 最优性"的初步认识,但大多假设物理模型精确。
- 当前 frontier:不完美物理模型与计算效率。Tuo & Wu (2015) 和 Zhang & Wang (2025) 在计算机实验校准的背景下处理模型偏差,但未给出 minimax 速率。Scampicchio et al. (2026) 在混合依赖数据下给出了物理信息学习的复杂度依赖界,但未证明最优性。Koshizuka & Sato (2025) 通过仿射簇维数刻画物理约束的收益,Marcondes (2025) 用小球方法处理线性约束。本文的位置:首次对"不完美物理先验"建立完整的 minimax 理论,给出建模误差的阈值刻画,并证明椭圆/双曲型 PDE 下的最优速率。
子线索聚类¶
- 物理信息学习的泛化界(Shin et al., 2020; Mishra & Molinaro, 2023; De Ryck & Mishra, 2024; Doumèche et al., 2025; Bona-Pellissier et al., 2026):给出 PINNs 或核方法的误差上界,但通常假设物理模型精确,且不讨论 minimax 下界。
- 物理约束的维度刻画(Koshizuka & Sato, 2025; Marcondes, 2025; Scampicchio et al., 2026):用仿射簇维数、小球的复杂度或混合依赖下的复杂度来量化物理先验的收益,但未给出精确的 minimax 速率。
- 不完美模型的校准与回归(Kennedy & O'Hagan, 2001; Tuo & Wu, 2015; Sangalli, 2021; Zhang & Wang, 2025):处理模型偏差的统计方法,但聚焦于参数校准或特定估计量,而非 minimax 最优性。
- PDE 约束回归的 minimax 理论(Nickl et al., 2020; Lu et al., 2022; Zhao & Lu, 2026; Li & Yao, 2024; Konen & Nickl, 2025):研究从噪声数据求解 PDE 或恢复系数的统计极限,但问题设定与本文不同(本文是回归,不是反问题)。
这个方向在追问的核心问题¶
- 物理先验何时有用:建模误差 \(\delta\) 相对于噪声水平 \(\sigma/\sqrt{n}\) 多大时,物理先验能带来速率提升?本文给出的答案是阈值 \(\delta_n = \rho(\sigma^2/(n\rho^2))^{(s-r)/(2s+d)}\)。
- 收益有多大:低于阈值时,速率提升多少?本文证明椭圆型 PDE 达到 \(d-1\) 维速率,双曲型 PDE 的增益依赖于方程结构。
- 如何自适应:\(\delta\) 未知时,能否通过数据驱动的方式选择正则化参数而不损失最优性?本文的验证方法给出了肯定回答。
- 计算可行性:最优估计器能否高效计算?本文的快速算法回答了这个问题。
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 成:"物理信息回归的统计最优性在模型不完美时完全未知"。具体地,作者声称:(i) 已有工作(如 Doumèche et al. 2024)只处理精确物理模型,无法回答"建模误差多大时物理先验失效"这一实践中的核心问题;(ii) 直观的猜测——"小误差带来小提升"——是错误的,实际存在一个阈值效应;(iii) 因此本文的贡献是"首次给出不完美物理先验的 minimax 速率,并证明一个通用阈值定理"。作者淡化了以下竞争路线:Tuo & Wu (2015) 和 Zhang & Wang (2025) 的校准方法虽然处理模型偏差,但作者认为它们"聚焦于参数估计而非函数估计的 minimax 速率";Koshizuka & Sato (2025) 的仿射簇维数方法虽然更一般,但作者认为它"只给出维数依赖,未给出精确速率"。值得研究者去查的问题:作者引用了 Scampicchio et al. (2026) 的"混合依赖下物理信息学习"工作,但声称其"subject to additional regularization and sample-size assumptions"——这个声称是否准确?另外,作者没有引用任何关于"模型偏差下非参数回归"的经典文献(如估计量在 \(L^2\) 损失下对偏差的敏感性分析),这是否意味着该方向与经典文献脱节?
张力¶
- 未见明显对立引用:被引工作之间没有直接矛盾。但存在一个微妙的张力:Koshizuka & Sato (2025) 的仿射簇维数方法暗示物理约束的收益由"约束集的维数"决定,而本文的结果表明收益由"PDE 的类型(椭圆 vs 双曲)"决定。这两种刻画在什么条件下一致、什么条件下冲突,是一个值得深挖的问题。
- 另一个张力:Scampicchio et al. (2026) 在混合依赖数据下声称物理先验能带来"无样本量缩减"的收益,而本文在独立同分布数据下给出阈值效应。如果混合依赖改变了阈值的位置,那么本文的结论在时间序列应用中可能不稳健。
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(按出现顺序):
| 符号 | 含义 | 类型 |
|---|---|---|
| \(n\) | 样本量 | 指标 |
| \((X_i, Y_i)_{i=1}^n\) | 独立同分布样本 | 可观测数据 |
| \(X\) | 设计变量,取值于有界 Lipschitz 域 \(\Omega \subseteq [-L, L]^d\),密度有界 | 随机变量 |
| \(Y\) | 响应变量,\(Y = f^\star(X) + \varepsilon\) | 随机变量 |
| \(\varepsilon\) | 噪声,$\mathbb{E}(\varepsilon | X)=0\(,\)\mathbb{E}(\varepsilon^2 |
| \(f^\star\) | 目标回归函数 | 待估参数(函数) |
| \(D\) | 线性偏微分算子,阶数 \(r\),常系数 | 已知模型结构 |
| \(g\) | PDE 右端项(源项),\(g\in L^2(\Omega)\) | 已知(第 4.3 节)或为零(前文) |
| \(\delta\) | 建模误差上界:\(\|D(f^\star)-g\|_{L^2(\Omega)}\le\delta\) | 未知参数 |
| \(s\) | 目标函数 Sobolev 光滑阶,\(f^\star \in H^s(\Omega)\) | 已知光滑参数 |
| \(\rho\) | Sobolev 球半径:\(\|f^\star\|_{H^s(\Omega)}\le\rho\) | 已知参数 |
| \(H^s(\Omega)\) | Sobolev 空间(分数阶,见 Di Nezza et al. 2012) | 函数空间 |
| \(\mathcal{F}(\rho,\delta)\) | \(\{f\in H^s(\Omega): \|f\|_{H^s}\le\rho,\ \|D(f)-g\|_{L^2}\le\delta\}\) | 参数空间 |
| \(M_n(\mathcal{C})\) | \(\inf_{\hat{f}}\sup_{f^\star\in\mathcal{C}}\mathbb{E}\|\hat{f}-f^\star\|^2_{L^2(P_X)}\) | minimax 风险 |
| \(\gamma(s,d)\) | \(2s/(2s+d)\),Sobolev minimax 指数 | 常数 |
| \(\delta_n\) | \(\rho(\sigma^2/(n\rho^2))^{(s-r)/(2s+d)}\),建模误差阈值 | 常数 |
| \(\phi(x)\) | Fourier 特征映射 \(e^{-i\pi\langle k,x\rangle/(2L)}\),\(k\in\mathbb{Z}^d\),\(\|k\|_\infty\le m\) | 基函数 |
| \(f_\theta(x)\) | \(\phi(x)^*\theta\),有限维逼近 | 估计量 |
| \(\hat{\theta}\) | 岭回归解(式 2) | 估计量 |
| \(\lambda, \mu\) | 正则化参数(Sobolev 与 PDE 残差) | 超参数 |
| \(N(\lambda,\mu)\) | 有效维数 \(\mathrm{tr}((\Sigma+\lambda S^2+\mu D^*GD)^{-1}\Sigma)\) | 复杂度度量 |
| \(\ell_{r,d}(\lambda)\) | \(\log(2+1/\lambda)\) 若 \(r=d=2\),否则 \(1\) | 对数因子 |
| \(\mathcal{G}\) | 超参数网格 \(\{2^j/n_1\}\) | 离散集合 |
模型(数据生成机制):
- 设计:\(X_1,\dots,X_n \overset{\text{iid}}{\sim} P_X\),\(P_X\) 在 \(\Omega\) 上有密度,且密度有界(上、下界均为正常数)。
- 响应:\(Y_i = f^\star(X_i) + \varepsilon_i\),\(\varepsilon_i\) 满足条件零均值、条件方差有界(\(\mathbb{E}(\varepsilon_i^2|X_i)\le\sigma^2\))。
- 目标函数:\(f^\star \in H^s(\Omega)\),且 \(\|f^\star\|_{H^s(\Omega)}\le\rho\)。
- 物理先验:\(\|D(f^\star)-g\|_{L^2(\Omega)}\le\delta\),其中 \(D\) 是 \(r\) 阶线性常系数偏微分算子,\(g\) 已知(第 4.3 节)或 \(g=0\)(前文)。
可观测数据:\((X_i, Y_i)_{i=1}^n\)。不可观测:\(f^\star\)、\(\varepsilon_i\)、\(\delta\)(建模误差大小未知)。
要估的对象:\(f^\star\) 本身(函数估计),损失为 \(\|\hat{f}-f^\star\|^2_{L^2(P_X)}\)。
第二步:最小内核¶
核心问题:在 \(\mathcal{F}(\rho,\delta)\) 上,minimax 风险 \(M_n(\mathcal{F}(\rho,\delta))\) 的阶是多少?
最小例子:取 \(d=2\),\(D=\Delta\)(Laplace 算子,\(r=2\)),\(g=0\),\(s=3\)。此时 \(\mathcal{F}(\rho,\delta)=\{f\in H^3(\Omega): \|f\|_{H^3}\le\rho,\ \|\Delta f\|_{L^2}\le\delta\}\)。
直觉:如果 \(\delta\) 很小,那么 \(f^\star\) 近似调和函数。调和函数由边界值完全决定,而边界是 \(d-1=1\) 维的。因此,物理先验应该把"有效维度"从 2 降到 1,速率从 \(n^{-2s/(2s+d)}=n^{-6/8}=n^{-3/4}\) 提升到 \(n^{-2s/(2s+d-1)}=n^{-6/7}\)。如果 \(\delta\) 很大,物理先验几乎不提供信息,速率回到 \(n^{-3/4}\)。
关键阈值:\(\delta_n = \rho(\sigma^2/(n\rho^2))^{(s-r)/(2s+d)}\)。当 \(\delta \ll \delta_n\) 时,物理先验"完全可信",速率是 \(d-1\) 维的;当 \(\delta \gg \delta_n\) 时,物理先验"完全无用",速率是 \(d\) 维的。在阈值附近,存在一个过渡区间。
为什么这个例子是内核:它体现了本文所有主要定理的核心机制——PDE 约束如何通过"特征值衰减"改变有效维度。椭圆算子(如 Laplace)有离散谱,特征值按 \(|\lambda_k| \asymp |k|^r\) 增长,这导致约束集 \(\{f: \|Df\|_{L^2}\le\delta\}\) 的有效维数比全空间少 \(r\) 阶。双曲算子(如波算子)有连续谱,特征值沿特征方向不衰减,导致有效维数只减少 \(r/2\) 阶。这个差异是椭圆与双曲速率不同的根源。
证明思路(最小版本): 1. 上界:构造物理信息核估计器(式 2),利用 Fourier 方法将问题转化为加权岭回归。关键步骤是证明有效维数 \(N(\lambda,\mu)\) 的界:对椭圆算子,\(N(\lambda,\mu) \lesssim \lambda^{-(d-1)/(2s)} + \mu^{-d/(2r)}\);对双曲算子,\(N(\lambda,\mu) \lesssim \lambda^{-(d-1)/(2s)}\log(1/\lambda) + \lambda^{-(d-r)/(2s)}\mu^{-1/2}\log(1/\lambda)\)。 2. 下界:构造两个难以区分的函数 \(f_0, f_1 \in \mathcal{F}(\rho,\delta)\),使得 \(\|f_0-f_1\|_{L^2(P_X)}\) 足够大,但似然比有界。对椭圆算子,用沿边界方向的局部化测试函数(Fourier 集中在低维子空间);对双曲算子,用沿特征方向的平面波测试函数。 3. 阈值:比较 \(\delta\) 与 \(\delta_n\) 的大小,决定下界中哪一项占主导。
读者应带走的要点:本文在数学上做的事情是——对一类由 PDE 约束定义的函数类,精确计算其统计维数(通过有效维数 \(N(\lambda,\mu)\)),从而得到 minimax 速率。这个维数由 PDE 的阶数 \(r\)、类型(椭圆/双曲)和空间维数 \(d\) 共同决定,而建模误差 \(\delta\) 通过阈值 \(\delta_n\) 控制"有效维数从 \(d\) 降到 \(d-1\) 的临界点"。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:当目标函数仅近似满足一个线性 PDE(建模误差 \(\le\delta\),\(\delta\) 未知)时,物理信息回归的 minimax 最优速率是什么?是否存在一个阈值 \(\delta_n\),超过它物理先验完全失效?
- 核心工具/方法:将物理信息回归表述为带 PDE 残差惩罚的核岭回归(式 2),利用 Fourier 分析计算其有效维数 \(N(\lambda,\mu)\),结合 Assouad 引理建立下界,从而得到精确的 minimax 速率。
- 主要结论:存在阈值 \(\delta_n = \rho(\sigma^2/(n\rho^2))^{(s-r)/(2s+d)}\)。当 \(\delta \ll \delta_n\) 时,速率是 \(d-1\) 维 Sobolev 速率(椭圆型)或带对数因子的 \(d-1\) 维速率(双曲型);当 \(\delta \gg \delta_n\) 时,速率回到 \(d\) 维 Sobolev 速率。这个阈值对所有线性 PDE 都成立(定理 3.1),且椭圆/双曲型 PDE 的速率是 minimax 最优的(定理 4.1、4.3)。
关键设定与假设¶
- 假设 (A1):\(X\) 在有界 Lipschitz 域 \(\Omega\) 上有密度,密度有界。这保证了 \(L^2(P_X)\) 与 \(L^2(\Omega)\) 范数等价(相差常数因子),是 Fourier 方法可行的基础。
- 假设 (A2):噪声条件零均值、条件方差有界。这是岭回归分析的常规假设。
- 光滑性:\(f^\star \in H^s(\Omega)\),\(s>d/2\)(嵌入 \(H^s \hookrightarrow L^\infty\) 保证逐点有界)。相比已有文献(如 Doumèche et al. 2024),本文允许 \(s\) 为实数(分数阶 Sobolev),且不要求 \(s\) 是整数。
- PDE 假设:\(D\) 是 \(r\) 阶线性常系数算子。椭圆型要求 \(d<2r\)(保证 Green 函数的奇异性可积),双曲型要求 \(s>\max(r, d-r)\)(保证特征方向的 Sobolev 嵌入)。这些条件在定理 4.1、4.3 中明确给出。
- 相比已有文献的放宽/强化:
- 放宽:允许建模误差 \(\delta>0\)(已有工作大多假设 \(\delta=0\));允许 \(s\) 为实数;不要求 \(\Omega\) 是光滑域(只需 Lipschitz)。
- 强化:要求 \(D\) 是常系数算子(变量系数只由定理 3.1 的下界覆盖);要求 \(g\) 已知(第 4.3 节讨论 \(g\) 未知的情形,但只给出部分结果)。
主要结果¶
定理 3.1(通用下界):对任意满足 \(\|D(f)\|_{L^2}\le A\|f\|_{H^r}\) 的算子 \(D\)(线性或非线性),当 \(\delta \le \delta_n\) 时,
定理 4.1(椭圆型上界):若 \(D\) 是 \(d<2r\) 的椭圆算子,则式 (2) 的估计器满足
定理 4.3(双曲型上界):若 \(D\) 是 \(r\in\{1,2\}\) 的双曲算子,\(s>\max(r,d-r)\),则式 (2) 的估计器满足
定理 4.5(有效维数):对椭圆算子,\(N(\lambda,\mu) \lesssim \lambda^{-(d-1)/(2s)} + \mu^{-d/(2r)}\);对双曲算子,\(N(\lambda,\mu) \lesssim \lambda^{-(d-1)/(2s)}\log(1/\lambda) + \lambda^{-(d-r)/(2s)}\mu^{-1/2}\ell_{r,d}(\lambda)\)。这个定理是上界证明的核心技术贡献。
定理 5.1(自适应):通过样本分裂验证选择超参数,可以在不知道 \(\delta\) 的情况下达到与知道 \(\delta\) 相同的速率(至多差常数因子和 \(\log\log n/n\) 项)。
定理 5.2(计算复杂度):在定理 4.1/4.3 的条件下,共轭梯度法迭代 \(K = O(\lambda^{-1/2}\log n)\) 次即可达到最优速率,总复杂度 \(O(n\log^2 n)\)。
证明路线与技术技巧¶
整体路线:上界通过"有效维数 + 岭回归偏差-方差分解"得到;下界通过"Assouad 引理 + 构造测试函数对"得到。
上界的关键步骤: 1. Fourier 对角化:将核矩阵 \(\Sigma\) 和 PDE 矩阵 \(G\) 同时对角化(因为它们都是平移不变的),将问题转化为标量岭回归。 2. 有效维数估计:利用椭圆/双曲算子的特征值渐近,估计 \(N(\lambda,\mu)=\mathrm{tr}((\Sigma+\lambda S^2+\mu D^*GD)^{-1}\Sigma)\) 的阶。这是最技术性的部分,需要精细的谱分析。 3. 偏差-方差权衡:将风险分解为逼近误差(由 \(\lambda\|S\theta\|^2\) 控制)和估计误差(由 \(\sigma^2 N(\lambda,\mu)/n\) 控制),然后优化 \(\lambda,\mu\)。
下界的关键步骤: 1. 测试函数构造:椭圆型用沿边界法向衰减的指数函数(Fourier 集中在低维子空间);双曲型用沿特征方向的平面波(Fourier 集中在特征锥上)。 2. Assouad 引理:将 minimax 风险下界转化为测试函数对之间的 \(L^2\) 距离和 KL 散度的计算。 3. 阈值分析:通过比较 \(\delta\) 与 \(\delta_n\) 的大小,确定下界中哪一项主导。
技术技巧点名: - Fourier 方法:将 PDE 约束转化为频率空间的加权范数,这是整个分析的基础。 - Assouad 引理:用于建立 minimax 下界,特别适合处理"约束函数类"的问题。 - 有效维数:这是核方法理论的核心概念,本文将其推广到带 PDE 惩罚的情形。 - 样本分裂验证:用于自适应选择超参数,避免了对 \(\delta\) 的依赖。 - 共轭梯度法:利用 Toeplitz 结构实现快速矩阵乘法,达到近线性复杂度。
真实例子与应用¶
本文包含数值实验(第 5.3 节和附录 E.2),使用以下例子:
- 二维波动方程:\(D=\partial_t^2-\partial_x^2\),目标函数为 \(u_1(x+t)+u_2(x-t)\) 形式的行波解。实验显示,物理信息估计器的误差斜率约为 0.89,而 Sobolev 估计器为 0.77,验证了理论预测的速率提升。
- 不完美物理模型:在精确行波解上叠加一个粗糙随机扰动,使得 \(\delta/\delta_n \in \{0.1, 1\}\)。实验显示,当 \(\delta/\delta_n=0.1\) 时,物理先验仍带来显著提升;当 \(\delta/\delta_n=1\) 时,提升消失,与定理 3.1 的预测一致。
- 传输方程和 Laplace 方程:在二维情形下验证了类似的速率提升。
- 三维波动方程:验证了理论在高维情形下的适用性。
实验想说明什么:数值结果验证了理论预测的阈值效应——物理先验的收益在 \(\delta\ll\delta_n\) 时显著,在 \(\delta\gg\delta_n\) 时消失。同时,实验也揭示了实际应用中的挑战:当 \(n\) 很大时,超参数网格的选择可能限制性能(作者指出 \(n\ge 10^6\) 的结果不应过度解读)。
🔎 结论是否比证明窄¶
- 定理 3.1 的适用范围:定理陈述为"线性或非线性"算子,但证明(附录 A.4)实际上只对满足 Lipschitz 条件的算子给出了完整证明。作者在定理陈述中用了"linear or not"的措辞,但非线性情形的证明细节在附录中并未完全展开——这是一个值得注意的 gap。
- 定理 4.1 的椭圆型假设:要求 \(d<2r\)。对于 \(d\ge 2r\) 的情形(如高维 Laplace 方程),定理不适用。作者在结论部分承认"\(d<2r\) 是充分的,但必要性未建立"——这意味着可能存在 \(d\ge 2r\) 时速率不同的情形。
- 定理 4.3 的双曲型假设:要求 \(s>\max(r,d-r)\)。当 \(s\) 接近 \(r\) 时,速率可能退化。作者没有讨论 \(s=r\) 的临界情形。
- 自适应定理 5.1:要求 \(\delta\) 的网格覆盖 \([\delta_n/n, \rho]\),且网格点数为 \(O(\log n)\)。如果 \(\delta\) 远小于 \(\delta_n/n\),验证方法可能失效——作者没有讨论这种"超小误差"的情形。
- 计算复杂度定理 5.2:假设输入矩阵精确已知。实际中 \(\hat{\Sigma}\) 和 \(v_n\) 由 NUFFT 近似计算,数值误差的影响未在定理中刻画。
总体判断:本文的证明是严谨的,但结论的适用范围(\(d<2r\)、\(s>\max(r,d-r)\)、\(\delta\) 的网格覆盖)比定理陈述所暗示的要窄。这些限制条件在正文中都有明确说明,但读者需要仔细阅读才能发现。
四、开放问题¶
-
变量系数 PDE:定理 3.1 的通用下界覆盖变量系数算子,但上界(定理 4.1、4.3)只对常系数算子成立。扎根于:第 2 节"\(D(f)=\sum_{|\alpha|\le r} a_\alpha \partial^\alpha f\) is linear, where the coefficients \(a_\alpha\) are bounded"——这里假设了常系数。能否将上界推广到变量系数(如 \(a_\alpha(x)\) 光滑变化)?这需要处理非平移不变核的谱分析,是一个自然但困难的方向。
-
\(d\ge 2r\) 的椭圆算子:定理 4.1 要求 \(d<2r\)。扎根于:定理 4.1 的陈述"assume \(d<2r\)"。当 \(d\ge 2r\) 时,Green 函数的奇异性更强,有效维数的估计可能不同。是否存在不同的速率?这是一个直接的开放问题。
-
非线性 PDE 的上界:定理 3.1 的通用下界覆盖非线性算子(如 Burgers、Allen-Cahn),但上界只对线性算子成立。扎根于:定理 3.1 的陈述"\(D\) an operator, linear or not"。非线性 PDE 的残差惩罚不再是二次型,核方法框架失效。能否用其他方法(如局部多项式)达到下界?
-
\(\delta\) 的适应范围:定理 5.1 要求 \(\delta\) 的网格覆盖 \([\delta_n/n, \rho]\)。扎根于:定理 5.1 的证明(附录 D.2)中网格的构造。如果 \(\delta\) 远小于 \(\delta_n/n\)(即物理模型几乎精确),验证方法是否仍然有效?是否存在更精细的自适应策略?
-
依赖数据的推广:本文假设独立同分布数据。扎根于:第 2 节"\(Y=f^\star(X)+\varepsilon\)"的独立同分布设定。Scampicchio et al. (2026) 处理了混合依赖数据,但未给出 minimax 最优性。能否将本文的阈值刻画推广到时间序列或空间数据?
-
高维与结构稀疏性:本文的速率随维度 \(d\) 恶化(维数灾难)。扎根于:定理 4.1 的速率 \(n^{-2s/(2s+d-1)}\) 随 \(d\) 指数恶化。如果目标函数有额外结构(如可加性、低维流形),物理先验能否带来更大的增益?这与 Koshizuka & Sato (2025) 的仿射簇维数方法有潜在联系。
-
贝叶斯视角:本文只考虑频率派 minimax。扎根于:全文未讨论贝叶斯方法。物理信息高斯过程(如 PIKL 的贝叶斯版本)的后验收缩率是否与 minimax 速率匹配?这是一个自然的后续问题。
提醒:要确认上述问题是否是真 gap,建议去读以下近期工作的引言部分(约 5 篇):Doumèche et al. (2025, 2026) 的后续工作、Brogat-Motte et al. (2026)、Marcondes (2025)、Scampicchio et al. (2026)。如果这些工作的引言都指向同一个开放问题,那大概率是共识性的真 gap;如果它们各说各话,那可能是一个尚未被充分探索的机会。
Maintained by 陈星宇 · Homepage · Source on GitHub