Sharp Critical Rates for Locally Private Distribution Estimation¶
作者: Yi Liu, Xiaotian Chang, Qirui Hu
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2611.01289
一、领域脉络与小综述¶
这个方向是什么¶
本文研究的核心问题是:在纯局部差分隐私(pure local differential privacy, LDP) 约束下,如何以最优速率估计一个未知的概率分布。具体而言,每个用户只持有一次观测,在将数据发送给统计学家之前,必须通过一个满足 ε-LDP 的随机化机制进行扰动。统计学家收集所有扰动后的报告,目标是估计潜在的密度函数。这个问题的根本张力在于:隐私保护(每个用户的响应必须与真实数据"几乎无关")与统计效率(希望估计尽可能精确)之间的权衡。该方向当前已相当成熟——从 Duchi et al. (2018) 的开创性工作以来,局部差分隐私下的 minimax 估计理论已覆盖均值、协方差、密度等众多问题,但临界光滑度(critical smoothness)处的精确对数因子仍是一个悬而未决的细节。
发展脉络¶
- 奠基工作:Duchi, Jordan, Wainwright (2018) 建立了局部差分隐私下 minimax 估计的一般框架,提出了基于 Fisher 信息的隐私约束刻画,并给出了均值估计、广义线性模型等问题的精确速率。这是本文引用的核心理论工具("spherical randomization")的来源。
- 非参数密度估计的隐私化:Butucea et al. (2020) 在局部 α-差分隐私下研究了 Besov 椭球上的密度估计,发现了"肘部效应"(elbow effect)——即隐私约束导致速率在某个光滑度阈值处发生突变。本文引用其作为"强损失"(strong loss)密度估计的代表性工作。
- 查询回答与机制设计:Cormode et al. (2019) 提出了层次范围查询(hierarchical range queries)方法,通过将用户预先分配到不同分辨率层级来回答区间计数查询。本文的上界构造直接借鉴了这一思想。Edmonds et al. (2020) 给出了非交互式局部线性查询的因子分解范数刻画,为理解查询复杂度提供了理论框架。
- Fisher 信息在隐私下的收缩:Barnes, Chen, Özgür (2020) 建立了局部差分隐私下 Fisher 信息收缩的一般不等式,这是本文下界证明的核心工具。该工作表明,隐私约束本质上限制了每个用户能够传递的 Fisher 信息量。
- 交互式协议的下界:Błasiok et al. (2019) 证明了即使允许顺序交互和重复访问,某些查询的样本复杂度也无法被交互所改善。本文的下界正是建立在这一类"有限公共黑板"协议模型之上。
- CDF 估计的近期进展:Liu et al. (2024) 给出了非交互式纯 ε-LDP 下 CDF 的均匀和 L² 误差界;Hu and Liu (2026) 发展了删失数据下的多类别 CDF 估计。本文的 CDF 结果(定理 3)是对这些工作的 minimax 精确化。
- 本文的位置:本文填补了 Albert et al. (2026) 留下的 gap——在临界光滑度(即 Sobolev 光滑度 β 与查询光滑度 d 相等)处,已知上界为 N^{-1/2}(log N)^{2d},下界为 N^{-1/2},两者相差一个对数因子的幂次。本文证明真实速率为 N^{-1/2}(log N)^{3/2-1/q},从而精确确定了该对数因子。
子线索聚类¶
- 机制设计与上界构造:Cormode et al. (2019)、Duchi et al. (2018)、Nikolov and Tang (2024)。这条线索关注如何设计具体的隐私机制(层次查询、球形随机化、椭球缩放)以达到最优速率。
- 信息论下界:Barnes et al. (2020)、Błasiok et al. (2019)、Cai and Li (2026)。这条线索关注如何用 Fisher 信息收缩、因子分解范数等工具证明任何协议都无法超越的速率下界。
- 非参数估计的隐私化:Butucea et al. (2020)、Albert et al. (2026)、Uppal et al. (2019)。这条线索关注密度、分布等非参数对象在隐私约束下的估计速率,特别是 Besov/Sobolev 类上的 minimax 理论。
这个方向在追问的核心问题¶
- 隐私的"价格"是多少? 即与无隐私的经典非参数估计相比,LDP 约束将 minimax 速率恶化到什么程度?已知答案:在光滑度 β 处,无隐私速率为 N^{-2β/(2β+d)},而 LDP 下通常为 N^{-1/2} 乘以某个对数因子——隐私将多项式速率"压平"到参数速率。
- 临界光滑度处的精确对数因子是什么? 这是本文直接回答的问题。当查询光滑度等于密度光滑度时,所有分辨率层级同时贡献相同量级的信息,导致对数因子的幂次取决于误差聚合方式。
- 交互能否改善速率? 本文的下界表明,即使允许有限公共黑板交互和重复访问,非交互式机制已达到最优——这与中心化差分隐私中交互可能带来指数级改进形成鲜明对比。
⚠️ 作者的 framing¶
作者将本文的贡献框定为"在临界光滑度处闭合 Albert et al. (2026) 留下的 gap"。具体而言,Albert et al. 的上界为 N^{-1/2}(log N)^{2d},下界为 N^{-1/2},本文证明真实速率为 N^{-1/2}(log N)^{3/2-1/q}。作者强调,这一精确对数因子由"跨分辨率聚合"与"共享隐私预算"的相互作用决定,且一个非交互式、输出可测的密度估计量即可达到该速率,从而排除了交互带来的任何改善空间。作者淡化了与中心化差分隐私的对比,也回避了自适应/数据依赖的隐私预算分配方案——这些在本文的框架下被固定为均匀分配。
张力¶
未见明显对立引用。但值得注意的是,Butucea et al. (2020) 的"肘部效应"表明在 Besov 椭球上存在速率突变,而本文的结果在 Sobolev 球上给出了连续的对数因子变化(随 q 变化)。这两者是否在更一般的 Besov 类上统一,是一个值得研究者自行判断的问题。
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¶
符号清单(按类别分组):
| 类别 | 符号 | 含义 |
|---|---|---|
| 参数/estimand | \(f\) | 未知密度函数,\(f \in \mathcal{F}_\beta(R)\)(Sobolev 球) |
| \(P_f\) | 密度为 \(f\) 的概率测度 | |
| \(d_q(\mu, \nu)\) | 由 Besov 范数 \(\|\cdot\|_{G_q}\) 生成的积分概率度量(IPM) | |
| 随机变量/样本 | \(X_i\) | 第 \(i\) 个用户的原始观测,\(X_i \sim f\) i.i.d. |
| \(B_i\) | 第 \(i\) 个用户的隐私响应(二进制向量) | |
| \(Z\) | 完整公开转录(所有用户的响应及公开随机性) | |
| 维数/规模 | \(n\) | 用户数 |
| \(d\) | 环境维度(固定) | |
| \(\varepsilon\) | 隐私预算,\(0 < \varepsilon \le 1\) | |
| \(N = n\varepsilon^2\) | 有效样本量 | |
| \(\ell\) | 频率层级索引(\(\ell = 0, 1, \ldots, K-1\)) | |
| \(D_\ell\) | 第 \(\ell\) 层的频率数(\(\asymp 2^{d\ell}\)) | |
| \(K\) | 截断层级数(\(K \asymp \log_2 N\)) | |
| 潜在/不可观测 | \(\theta_\ell(f)\) | 密度 \(f\) 在第 \(\ell\) 层的 Fourier 系数向量 |
| \(W_i\) | 解码后的加权估计量(不可直接观测,由 \(B_i\) 和 \(U_i\) 构造) | |
| \(E_\ell\) | 第 \(\ell\) 层的估计误差向量 |
模型(数据生成机制):
-
原始数据:\(X_1, \ldots, X_n \overset{\text{i.i.d.}}{\sim} f\),其中 \(f \in \mathcal{F}_\beta(R)\) 是 \(d\) 维环面 \(\mathbb{T}^d\) 上的密度,满足 \(\|f\|_{H^\beta} \le R\)(Sobolev 光滑度 \(\beta > 0\),半径 \(R > 1\))。
-
隐私机制:每个用户 \(i\) 独立地生成一个公开方向 \(U_i \sim \text{Uniform}(\mathbb{S}^{m_K-1})\)(\(m_K\) 维单位球面),然后发送一个二进制响应 \(B_i \in \{-1, +1\}\),其条件概率为:
\[P(B_i = b \mid U_i, X_i = x) = \frac{1}{2}\left[1 + b \cdot \kappa \cdot \|t(x)\|_2 \cdot \text{sign}\langle U_i, t(x)\rangle\right],\]其中 \(\kappa = \tanh(\varepsilon/2)\),\(t(x) = A^{-1}z(x)\) 是加权特征向量(见下文),\(A\) 是块对角缩放矩阵。 -
隐私保证:对任意两个可能的观测 \(x, x'\),响应概率之比不超过 \(e^\varepsilon\),即纯 \(\varepsilon\)-LDP。
-
可观测数据:统计学家观察到完整转录 \(Z = (U_1, B_1, \ldots, U_n, B_n)\),以及公开随机种子。注意:原始观测 \(X_i\) 不可观测,只能通过 \(B_i\) 和 \(U_i\) 间接推断。
-
估计目标:构造估计量 \(\hat{P}\)(概率测度),使得对任意 \(f \in \mathcal{F}_\beta(R)\),
\[\mathbb{E}_f d_q(\hat{P}, P_f)^p \le C \cdot N^{-p/2}(\log N)^{p(3/2-1/q)}, \quad p = 1, 2.\]
关键区分——可观测 vs. 潜在: - 可观测:\(U_i\)(公开方向)、\(B_i\)(隐私响应)、\(Z\)(完整转录)、\(n, \varepsilon, d, R\)(问题参数)。 - 潜在/不可观测:\(X_i\)(原始数据)、\(f\)(真实密度)、\(\theta_\ell(f)\)(Fourier 系数)、\(E_\ell\)(估计误差)。
第二步:最小内核¶
核心问题:在纯 \(\varepsilon\)-LDP 下,估计 Sobolev 密度 \(f\) 在 Besov-IPM 度量 \(d_q\) 下的 minimax 风险是多少?
最小设定:取 \(d = 1\)(一维环面),\(q = 2\)(此时 \(d_q\) 等价于 \(H^{-1}\) 范数,即负 Sobolev 范数)。密度 \(f \in \mathcal{F}_\beta(R)\),光滑度 \(\beta > 0\)。
要证明的命题(退化为一维、\(q=2\) 情形):
为什么这是最小内核:一维 \(q=2\) 情形已经包含了全部核心困难——临界光滑度(\(\beta = d = 1\))处的对数因子。此时每个频率层级 \(\ell\) 的贡献 \(\rho_\ell \sqrt{D_\ell} \asymp 1\),即所有层级"同等重要",必须同时估计。隐私约束使得每个层级的估计误差为 \(\sqrt{K/N}\)(而非无隐私时的 \(\sqrt{D_\ell/n}\)),而跨层级的聚合(\(\ell^2\) 范数)将 \(K\) 个独立误差相加,产生 \(\sqrt{K}\) 的因子。因此总风险为 \(\sqrt{K/N} \cdot \sqrt{K} = K/\sqrt{N} \asymp \log N/\sqrt{N}\)。
证明思路的骨架:
-
上界(构造性):将密度截断到前 \(K \asymp \log_2 N\) 个频率层级。对每个层级 \(\ell\),使用球形随机化机制(每个用户发送 1 比特)估计 Fourier 系数。关键技巧是椭球缩放:对第 \(\ell\) 层使用缩放矩阵 \(A_\ell = B_0\sqrt{S_K \rho_\ell} I_{D_\ell}\),使得每个层级的加权误差 \(\rho_\ell \|E_\ell\|_2\) 具有相同的量级 \(\sqrt{K/N}\)。然后通过最小距离选择器(在可数稠密族中选取)将估计量投影回密度类 \(\mathcal{F}_\beta(R)\),保证输出是合法的密度函数。
-
下界(信息论):构造一个先验分布,将质量均匀分布在 \(K\) 个频率层级的系数上,每个系数的先验宽度为 \(a_\ell = \sqrt{c_0 K D_\ell / N_\varepsilon}\)。利用 Fisher 信息收缩(Barnes et al. 2020)证明任何 \(\varepsilon\)-LDP 协议的转录 \(Z\) 至多携带 \(2N_\varepsilon\) 的总 Fisher 信息。然后应用坐标形式的 van Trees 不等式(Lemma 9),对每个系数给出 Bayes 风险下界。最后,利用加权 Cauchy-Schwarz 和 \(\ell^r\) 范数的聚合不等式(3.2),将所有层级的贡献相加,得到总风险下界 \(\gtrsim K^{1/2+1/r}/\sqrt{N_\varepsilon} \asymp (\log N)^{3/2-1/q}/\sqrt{N}\)。
这个最小内核揭示了什么:对数因子的指数 \(3/2 - 1/q\) 完全由两个因素决定:(i) 保留的层级数 \(K \asymp \log N\);(ii) 跨层级聚合时使用的 \(\ell^r\) 范数(\(r = q'\) 是 \(q\) 的对偶指数)。当 \(q\) 从 1 变到 \(\infty\) 时,指数从 \(1/2\) 变到 \(3/2\)——\(q=1\)(最弱度量)时对数因子最小,\(q=\infty\)(最强度量)时最大。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在纯局部差分隐私下,确定了 Sobolev 密度类上由 Besov 范数生成的积分概率度量(IPM)在临界光滑度处的精确 minimax 风险,填补了 Albert et al. (2026) 留下的对数因子 gap。
- 核心方法:上界通过一个非交互式、每用户发送 1 比特的椭球缩放球形随机化机制实现;下界通过 Fisher 信息收缩 + 坐标 van Trees 不等式 + 加权 Cauchy-Schwarz 聚合建立,允许有限公共黑板交互和重复访问。
- 主要结论:期望风险阶为 \(N^{-1/2}(\log N)^{3/2-1/q}\)(\(N = n\varepsilon^2\)),期望平方风险为其平方阶;该速率由单个非交互式机制达到,且对任意有限公共黑板协议均为最优。
关键设定与假设¶
设定: - 观测空间:\(d\) 维环面 \(\mathbb{T}^d = [0,1]^d\),归一化 Lebesgue 测度。 - 密度类:\(\mathcal{F}_\beta(R) = \{f \ge 0 : \int f = 1, \|f\|_{H^\beta} \le R\}\),其中 \(\beta > 0\) 固定,\(R > 1\)。 - 损失度量:\(d_q(\mu, \nu) = \sup_{\|h\|_{G_q} \le 1} |\int h \, d(\mu - \nu)|\),其中 \(\|\cdot\|_{G_q}\) 是 Besov 范数(2.2),\(1 \le q \le \infty\)。 - 隐私模型:纯 \(\varepsilon\)-LDP,\(0 < \varepsilon \le 1\),协议类 \(\mathcal{Q}^{\text{BB}}_\varepsilon(n)\) 允许有限公共黑板交互和重复访问,每个用户的总隐私预算为 \(\varepsilon\)。
假设: - (A1) 密度类的光滑度 \(\beta > 0\) 固定,不随 \(n\) 变化。 - (A2) 半径 \(R > 1\) 固定,且 \(R\) 严格大于均匀密度的范数(保证类内部有"空隙")。 - (A3) 隐私参数 \(\varepsilon \le 1\),保证 \(N_\varepsilon = n(e^\varepsilon - 1)^2 \asymp n\varepsilon^2 = N\)。 - (A4) 协议允许公开随机性(public randomness),但不允许用户之间私下通信。
相比已有文献的放宽/强化: - 放宽:下界允许任意有限公共黑板协议(包括顺序交互和重复访问),比 Albert et al. (2026) 的非交互式下界更强。 - 强化:上界要求输出是可测的密度函数(属于 \(\mathcal{F}_\beta(R)\)),而非任意概率测度;这比仅要求 IPM 误差更严格。 - 关键差异:本文的密度类 \(\mathcal{F}_\beta(R)\) 要求 \(\|f\|_{H^\beta} \le R\) 且 \(R > 1\),而 Albert et al. 的类允许 \(R\) 任意大。\(R > 1\) 的条件保证了均匀密度在类内部,使得下界构造中的先验可以围绕均匀密度展开。
主要结果¶
定理 1(临界 Besov IPM 风险):对固定 \(d \ge 1\),\(\beta > 0\),\(R > 1\),\(1 \le q \le \infty\),以及 \(p \in \{1,2\}\),
定理 3(CDF 积分误差):对固定 \(s > 0\),\(M > 1\),\(0 < a < 1 < b\),
推论 2(已知半径、未知光滑度):若仅已知 \(L^2\) 半径 \(R\) 而不知光滑度 \(\beta\),则使用 \(K_0 = \lceil \log_2 N / (2d) \rceil\) 层级的截断仍能达到对所有 \(\beta \ge 0\) 最优的速率(至多常数倍)。
推论 4(分位数与 Wasserstein):CDF 的积分误差速率直接转化为分位数函数和 1-Wasserstein 距离的相同速率 \((\log N)^2/N\)。
推论 5(传输映射):在定理 3 的估计器基础上,通过分位数函数的复合得到传输映射估计,其 \(L^2(P_f)\) 误差速率同样为 \((\log N)^2/N\)。
证明路线与技术技巧¶
上界证明(第 4 节):
-
截断与椭球缩放:保留频率层级 \(0, \ldots, K-1\),其中 \(K = \lfloor \log_2 N / (2(\beta + d)) \rfloor\)。对每个层级 \(\ell\),构造加权特征向量 \(z(x) = (\rho_\ell v_\ell(x))_{\ell < K}\),其中 \(\rho_\ell = 2^{-d\ell}\)。缩放矩阵 \(A_\ell = B_0\sqrt{S_K \rho_\ell} I_{D_\ell}\) 使得 \(\|t(x)\|_2 \le 1\) 对所有 \(x\) 成立。
-
球形随机化:每个用户发送 1 比特 \(B_i\),其概率为 \(\frac{1}{2}[1 + \kappa \|t(x)\|_2 \text{sign}\langle U_i, t(x)\rangle]\)。解码器计算 \(W_i = A B_i U_i / (\kappa c_{m_K})\),其中 \(c_{m_K} = \mathbb{E}|U_1|\) 是球面第一坐标的期望绝对值。条件无偏性由球面对称性保证。
-
集中不等式:对每个层级 \(\ell\),利用 \(\psi_2\) 范数界(B.1)证明 \(\|E_\ell\|_2\) 以高概率不超过 \(C\sqrt{K/N}\)。关键在于保留层级数 \(K\) 而非总维度 \(m_K\) 出现在速率中——这是椭球缩放的核心效果。
-
最小距离选择器:定义可数稠密族 \((g_m) \subset \mathcal{F}_\beta(R)\),选择 \(m(Y) = \min\{m : d_1(Y, g_m) \le I(Y) + \tau\}\)。三角不等式给出 \(d_1(\hat{f}, f) \le 2d_1(Y, f) + \tau\)。由于 \(\hat{f}, f \in \mathcal{F}_\beta(R)\),其高频尾部由 (A.2) 控制,从而对所有 \(q\) 成立。
-
聚合:对保留层级应用 (3.2) 的左边不等式,对尾部应用 (A.2),得到 \(d_q(\hat{f}, f) \le C(K^{1/r} W_K^* + R 2^{-(\beta+d)K})\)。代入 \(K\) 和 \(W_K^*\) 的界即得。
下界证明(第 5 节):
-
先验构造:在频率层级 \(0, \ldots, K-1\) 上放置独立先验,每个系数的先验为 \(\cos^2\) 分布,宽度 \(a_\ell = \sqrt{c_0 K D_\ell / N_\varepsilon}\)。这保证先验支撑在 \(\mathcal{F}_\beta(R)\) 内(通过 (D.1) 的范数估计)。
-
Fisher 信息收缩:引理 8 证明,对任何 \(\varepsilon\)-LDP 协议,转录 \(Z\) 关于参数 \(\theta\) 的 Fisher 信息矩阵满足 \(\text{tr} I_Z(\theta) \le 2N_\varepsilon\)。这是 Barnes et al. (2020) 的推广,允许公共黑板交互和重复访问。
-
坐标 van Trees:引理 9 给出每个坐标的 Bayes 风险下界 \(\mathbb{E}(\hat{\theta}_j - \theta_j)^2 \ge (I_Z(\theta)_{jj} + \pi^2/a_j^2)^{-1}\)。这里的关键是 \(\cos^2\) 先验在端点处消失,使得分部积分无边界项。
-
加权聚合:定义权重 \(u_\ell = \rho_\ell / (2a_\ell \sqrt{D_\ell})\)。利用加权 Cauchy-Schwarz 和两个信息预算(先验信息 \(\pi^2 N_\varepsilon / c_0\) 和转录信息 \(2N_\varepsilon\)),得到 \(\mathbb{E}_\Pi \sum_\ell \rho_\ell \|e_\ell\|_2 \gtrsim K^{3/2}/\sqrt{N_\varepsilon}\)。
-
损失比较:通过 (2.4) 的投影不等式,将 \(\sum_\ell \rho_\ell \|e_\ell\|_2\) 与 \(d_q(\hat{P}, P_f)\) 联系起来。对 \(r\) 的所有取值(包括 \(r=1\) 和 \(r=\infty\)),利用 (3.2) 的左边不等式得到下界 \(K^{1/2+1/r}/\sqrt{N_\varepsilon}\)。
CDF 与传输映射(第 6 节):
- 上界:层次范围查询(Cormode et al. 2019),将用户预先分配到 \(\lceil \log_2 N / 2 \rceil\) 个层级,每个层级估计 \(2^\ell\) 个小区间的概率。每层误差 \(\asymp \sqrt{\ell/N}\),聚合后得到 \((\log N)^2/N\)。
- 下界:锚定余弦族先验,利用 (E.6) 的 Parseval 分解将 CDF 误差分解为周期原语误差加锚定常数项。坐标 van Trees 给出每个余弦系数的下界,加权求和得到 \((\log N)^2/N\)。
- 传输映射:通过分位数函数的复合,将 CDF 误差转化为传输映射误差,利用 (6.9) 的稳定性界。
🔎 结论是否比证明窄¶
是,存在几处值得注意的 gap:
-
定理 1 的常数依赖:文中明确说明比较常数依赖于 \(d, \beta, R, q\),但未给出显式表达式。对于 \(q\) 接近 1 或 \(\infty\) 的极端情况,常数可能发散——文中未讨论这一行为。
-
定理 3 的类:CDF 结果(定理 3)仅在 \(d=1\) 上证明,且要求密度有正的下界 \(a\) 和上界 \(b\)。高维 CDF 或仅假设 \(L^2\) 半径的情形未覆盖。
-
传输映射的类:推论 5 的类 \(\mathcal{M}^s\) 要求两个密度的传输映射存在且满足 \(C^2\) 凸势条件,这是 Lalanne et al. (2026) 的假设。文中未讨论去掉凸势条件后的情形。
-
ε 的依赖:所有结果在 \(0 < \varepsilon \le 1\) 下成立,但未讨论 \(\varepsilon \to 0\) 或 \(\varepsilon \to \infty\) 的极限行为。对于 \(\varepsilon\) 很小(高隐私)或很大(低隐私)的情形,速率可能不同。
-
"可测"的含义:上界构造的输出是"可测的密度函数",但文中未明确说明 measurability 是在哪个 σ-代数下定义的——这在实际实现中可能影响选择器的可计算性。
四、开放问题¶
以下问题均扎根于文中具体语句,供研究者自行判断价值:
-
高维推广(扎根于定理 1 的 \(d \ge 1\)):当维度 \(d\) 随 \(n\) 增长时,临界光滑度处的对数因子如何变化?文中所有常数允许依赖 \(d\),但未讨论 \(d\) 增长的情形。高维 Sobolev 类的 minimax 速率在无隐私情形下已有丰富结果,隐私约束下的推广是一个自然问题。
-
自适应光滑度(扎根于推论 2 的"已知半径、未知光滑度"):推论 2 表明 \(L^2\) 半径已知时无需知道 \(\beta\) 即可达到最优速率。但若 \(R\) 也未知,是否存在自适应程序?文中未讨论。
-
Besov 类的统一(扎根于第 1 节对 Albert et al. 的引用):Butucea et al. (2020) 在 Besov 椭球上发现了"肘部效应",而本文在 Sobolev 球上给出了连续的对数因子。两者是否能在更一般的 Besov 类(\(p < 2\))上统一?文中未提及。
-
交互协议的极限(扎根于第 5 节的协议类 \(\mathcal{Q}^{\text{BB}}_\varepsilon(n)\)):下界允许有限公共黑板交互,但上界是非交互式的。是否存在某个中间协议类(如有限轮交互但每轮信息量受限)能获得更好的常数?文中未讨论。
-
计算复杂性(扎根于第 4 节的最小距离选择器):选择器需要在可数稠密族中搜索,文中未讨论其计算可行性。是否存在计算效率更高的替代方案(如凸优化或贪心算法)?
-
传输映射的高维情形(扎根于推论 5 的 \(d=1\)):传输映射估计在 \(d > 1\) 时的速率如何?Lalanne et al. (2026) 的框架在高维是否适用?文中未讨论。
提醒:要确认上述问题是否为真 gap,建议阅读近 5 年该方向的论文(如 Albert et al. 2026、Lalanne et al. 2026、Cai and Li 2026 的后续工作)的引言部分——如果多篇论文都指向同一问题,则可能是共识性 gap;如果各论文的假设互相矛盾,则可能是机会所在。
Maintained by 陈星宇 · Homepage · Source on GitHub