跳转至

Algorithm-aware Statistical Inference in High-dimensional Estimating Equations

作者: Tongyu Li, Alexander Giessing
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2611.12287


一、领域脉络与小综述

这个方向是什么

本文所处的子方向可称为"算法感知的统计推断"(algorithm-aware statistical inference)。其根本问题是:当统计估计量由迭代算法(梯度下降、近端梯度、阈值迭代等)计算得到时,如何对算法在有限迭代次数 t 处产生的中间输出(而非收敛极限)进行有效的统计推断?传统统计理论通常只关心估计量的极限分布(如 M-估计量的渐近正态性),而将算法视为"求解优化问题的数值工具"——算法迭代次数被当作数值精度参数,而非统计推断的一部分。但近年来的研究表明,有限迭代本身具有正则化效应(如早停防止过拟合、阈值迭代产生稀疏解),因此中间迭代点 β̂_t 本身就是一个有意义的统计量,其抽样分布与收敛极限的分布可能截然不同。该方向的核心挑战在于:迭代算法引入了跨迭代的强时间依赖,且高维问题中估计方程的结构复杂,使得传统的逐点推断(pointwise inference)不再适用,需要发展同时推断(simultaneous inference)工具。

该方向的成熟度处于快速发展期:已有若干工作处理线性模型中的迭代推断(Bellec & Tan, 2026; Han & Xu, 2026),但本文将其推广到一般高维估计方程和非线性迭代算法(含阈值操作),并建立均匀一阶展开(uniform first-order expansion)理论,属于该方向的实质性推进。

发展脉络

奠基工作:早停作为正则化。 Raskutti, Wainwright & Yu (2011) 在非参数回归中证明,梯度下降的早停可以取得与显式正则化(如岭回归)相当的 minimax 最优收敛率,从而确立了"迭代次数是正则化参数"这一核心观点。这一工作开启了"算法本身具有统计意义"的研究范式。随后 Agarwal, Negahban & Wainwright (2012) 将类似分析推广到高维 M-估计,证明了近端梯度法在统计精度范围内几何收敛——即存在一个"统计精度阈值",超过该阈值后继续迭代不再改善统计性能。这些工作奠定了"有限迭代输出是有意义的统计量"这一基础,但均未涉及推断(只涉及估计误差界)。

推断的引入:从线性模型到一般估计方程。 近年来,研究者开始关注迭代输出的不确定性量化。Chen et al. (2020)、Fang et al. (2018)、Su & Zhu (2023) 针对随机梯度下降(SGD)提出了多种推断方法(如在线扰动、批均值、HiGrad 等),但这些方法主要针对低维或特定结构的问题,且多基于 SGD 的线性化。Bellec & Tan (2026) 在高维线性模型(p ≍ n)中系统研究了迭代算法的推断问题,提出了沿轨迹的泛化误差估计、去偏校正和置信区间构造方法,适用于梯度下降、近端梯度及其加速变体。Han & Xu (2026) 在经验风险最小化框架下,利用比例渐近(proportional asymptotics)和状态演化(state evolution)技术,得到了梯度下降迭代的精确非渐近联合分布刻画,并提出了迭代级去偏推断方法。Li & Giessing (2026) 则研究了连续时间梯度流的均匀时间推断(uniform-in-time inference),建立了均匀中心极限定理。

本文的位置:在上述脉络中,本文填补的关键空白是——将迭代推断从线性模型/二次损失推广到一般高维估计方程(允许非对称 H、非二次损失),并处理含阈值/投影等非线性操作的迭代算法(如 ISTA)。同时,本文的方法论基础是均匀一阶展开(uniform first-order expansion),而非状态演化或比例渐近,这使其适用于更广泛的算法类别和更一般的统计模型。作者明确将自身定位为 Han & Xu (2026) 和 Li & Giessing (2026) 的"离散时间 + 一般估计方程"版本。

子线索聚类

被引文献大致可归为三条线索:

  1. 算法正则化理论(Raskutti et al., 2011; Agarwal et al., 2012; Hu & Lei, 2022):研究迭代算法的统计收敛性质,确立"早停/有限迭代是正则化"这一概念。这一线索只关心估计误差,不涉及推断。

  2. SGD 推断(Chen et al., 2020; Fang et al., 2018; Su & Zhu, 2023):针对随机梯度下降的推断方法,包括协方差估计、在线扰动和分层分支方案。这一线索主要处理低维或特定结构问题,且 SGD 的随机性使得其推断问题与确定性迭代算法有本质区别。

  3. 确定性迭代算法的推断(Bellec & Tan, 2026; Han & Xu, 2026; Li & Giessing, 2026):这是本文直接所属的线索。Bellec & Tan 处理线性模型,Han & Xu 处理一般经验风险最小化但依赖比例渐近和状态演化,Li & Giessing 处理连续时间梯度流。本文的贡献在于:离散时间 + 一般估计方程 + 非线性迭代算子。

这个方向在追问的核心问题

  1. 迭代输出的极限分布是什么? 给定迭代算法和估计方程,β̂_t 的抽样分布如何随 t 变化?是否存在一个稳定的极限分布(在适当的缩放下)?
  2. 如何构造同时置信带? 由于迭代轨迹的强时间依赖,逐点置信区间无法控制联合覆盖概率。需要发展同时推断工具,覆盖多个迭代时刻和多个对比方向。
  3. 算法正则化如何影响推断? 有限迭代引入的偏差(bias)如何与抽样方差相互作用?推断目标应该是收敛极限 β* 还是迭代特定的 β_t?
  4. 非线性迭代算子(阈值、投影)如何处理? 这些算子破坏了迭代映射的光滑性,使得传统的 delta 方法失效。

已知瓶颈:现有方法要么局限于线性模型(Bellec & Tan),要么依赖比例渐近假设(Han & Xu),要么处理连续时间(Li & Giessing)。对于一般高维估计方程 + 离散迭代 + 非线性算子的组合,缺乏统一的推断框架。

⚠️ 作者的 framing

作者将缺口 frame 为:"现有推断方法主要针对收敛后的估计量,而有限迭代输出(保留算法正则化效应)的推断问题尚未被系统解决。" 具体而言,作者强调:(i) 有限迭代的 β̂_t 与收敛极限 β* 是不同的统计量,其推断需要专门工具;(ii) 现有工作(如 Bellec & Tan, Han & Xu)要么限于线性模型,要么依赖比例渐近,本文提供的是更一般的估计方程框架;(iii) 作者提出"固定雅可比自助法"(fixed-Jacobian bootstrap),其核心优势是无需重复运行原始非线性算法,只需沿观测轨迹传播线性化扰动。

被淡化/回避的竞争路线:作者没有深入讨论 SGD 推断路线(Chen et al., 2020 等),因为 SGD 的随机性引入了额外的噪声源,与确定性迭代算法的问题结构不同。作者也没有讨论贝叶斯方法或共形推断等替代框架。此外,作者对 Han & Xu (2026) 的比例渐近方法着墨不多,暗示其方法在更一般的估计方程下可能不适用,但未展开论证。

张力

未见明显对立引用。各条线索之间是互补关系而非矛盾关系:算法正则化理论提供了"为什么有限迭代有意义"的动机,SGD 推断处理了随机算法,确定性迭代推断处理了确定性算法。本文与 Han & Xu (2026) 和 Li & Giessing (2026) 的关系是"同方向的不同技术路线",而非对立。唯一潜在的张力在于:比例渐近(p ≍ n)与稀疏高维(p ≫ n) 之间的假设差异——Han & Xu 依赖前者,而本文的框架似乎更接近后者(通过稀疏性和支撑集条件来控制维度),但作者未明确讨论这一差异。


二、最核心、最简单的例子 / 数学内核

第一步:符号、模型、可观测数据

核心记号(按类别分组):

记号 含义 类别
\(W_1, \dots, W_n\) i.i.d. 样本,\(W_i \in \mathcal{W}\) 可观测数据
\(\beta \in \mathbb{R}^p\) 参数向量 参数
\(\psi(\beta) = H\beta - \xi\) 总体估计映射,\(H \in \mathbb{R}^{p\times p}\),\(\xi \in \mathbb{R}^p\) 模型结构
\(\hat{\psi}(\beta) = \hat{H}\beta - \hat{\xi}\) 经验估计映射 样本版本
\(\beta^\circ\) 总体方程解:\(H\beta^\circ = \xi\) 静态参数(非推断目标)
\(\beta_t\) 第 t 次迭代的总体迭代输出(由总体映射 \(\psi\) 驱动) 推断目标(算法诱导的 estimand)
\(\hat{\beta}_t\) 第 t 次迭代的经验迭代输出(由经验映射 \(\hat{\psi}\) 驱动) 估计量
\(F_t: \mathbb{R}^{2tp} \to \mathbb{R}^p\) 第 t 步的确定性更新映射,依赖全部历史 \((\hat{\beta}_{t-1}, \hat{\gamma}_{t-1}, \dots, \hat{\beta}_0, \hat{\gamma}_0)\) 算法结构
\(\nabla F_t\) \(F_t\) 的雅可比矩阵(分块形式) 技术工具
\(\zeta = (\text{vec}(\hat{H}-H), \hat{\xi}-\xi) \in \mathbb{R}^d\),\(d = p^2 + p\) 估计映射的抽样扰动 核心随机量
\(\Pi_t \in \mathbb{R}^{p\times d}\) 敏感性矩阵(sensitivity matrix),递归定义 核心技术对象
\(U \subset \mathbb{R}^p\) 对比方向集合(可数或不可数) 推断目标
\(T \subset \mathbb{N}\) 迭代时刻集合 推断目标
\(\|\cdot\|_\infty\) 向量 \(\ell_\infty\) 范数 / 矩阵诱导 \(\ell_\infty\) 范数(最大行和) 范数
$s = \bar{S} $

模型:总体估计映射 \(\psi(\beta) = H\beta - \xi\),经验版本 \(\hat{\psi}(\beta) = \hat{H}\beta - \hat{\xi}\)。算法从固定初始化 \(\hat{\beta}_0 = \beta_0\) 出发,递归产生 \(\hat{\beta}_t = F_t(\hat{\theta}_{t-1})\),其中 \(\hat{\theta}_{t-1}\) 包含全部历史迭代和残差。关键点:\(\hat{\beta}_t\) 是 \(\hat{H}, \hat{\xi}\) 的隐函数,因此其抽样分布由 \(\zeta\) 驱动。

可观测数据:\(W_1, \dots, W_n\)(用于构造 \(\hat{H}, \hat{\xi}\))。不可观测:总体量 \(H, \xi\),以及总体迭代轨迹 \(\beta_t\)。

推断目标:对每个 \((u, t) \in U_+ \times T\),构造 \(u^\top \hat{\beta}_t\) 的置信区间,使得联合覆盖概率 \(\to 1-\alpha\)。

第二步:最小内核

剥去所有技术假设后,本文的核心数学问题是:

给定一个随机扰动 \(\zeta\)(来自 \(\hat{H}-H\) 和 \(\hat{\xi}-\xi\)),它通过一个非线性迭代映射 \(F_t\) 被递归地传播。问:\(\hat{\beta}_t - \beta_t\) 能否被一个线性函数 \(\Pi_t \zeta\) 均匀逼近(uniformly over \(t\)),且余项足够小?

最简例子:考虑线性迭代(无阈值、无投影),即 \(F_t\) 是仿射映射。此时:

\[\hat{\beta}_t = \hat{\beta}_{t-1} - \eta \hat{\psi}(\hat{\beta}_{t-1}) = \hat{\beta}_{t-1} - \eta(\hat{H}\hat{\beta}_{t-1} - \hat{\xi})\]

这是梯度下降求解 \(\hat{H}\beta = \hat{\xi}\) 的迭代。关键观察:\(\hat{\beta}_t\) 是 \(\hat{H}, \hat{\xi}\) 的有理函数(涉及矩阵逆的迭代逼近),其分布远非线性。但若 \(\hat{H}\) 接近 \(H\)(即 \(\zeta\) 小),则:

\[\hat{\beta}_t - \beta_t \approx \sum_{r=1}^{t} \left[ \prod_{s=r+1}^{t} (I - \eta H) \right] \cdot \eta \cdot \left[ (\beta_{r-1}^\top \otimes I) \text{vec}(\hat{H}-H) - (\hat{\xi}-\xi) \right]\]

这个线性化表达式正是 \(\Pi_t \zeta\) 的形式。本文的核心定理(Theorem 1)就是在一般非线性迭代(含阈值)下,证明这个线性化近似的余项可以控制。

为什么这个内核是"最小"的:因为一旦建立了 \(\hat{\beta}_t - \beta_t \approx \Pi_t \zeta\),后续的推断问题就转化为:对线性统计量 \(\Pi_t \zeta\) 的联合高斯逼近(Lemma 1)和自助法逼近(Lemma 2)。这两个引理本质上是在处理高维随机向量的最大值分布,属于 Chernozhukov-Chetverikov-Kato 框架的标准应用。因此,本文真正的技术贡献在于 Theorem 1 和 Theorem 2 的余项控制,而非高斯逼近本身。

数学上最难的点:阈值算子 \(\mathcal{S}_\tau\) 的雅可比矩阵是不连续的(在阈值边界处)。因此 \(\nabla F_t\) 可能不存在或变化剧烈。作者的处理方式是引入"支撑集条件"(support condition),要求迭代点远离阈值边界,从而在局部将阈值算子视为恒等映射。这解释了为什么 Theorem 1 需要假设支撑集包含在参考集 \(\bar{S}\) 中。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:对高维估计方程中迭代算法(含惯性阈值迭代)产生的离散轨迹,如何构造覆盖多个对比方向和迭代时刻的同时置信带,推断目标是算法诱导的迭代特定参数 \(\beta_t\)(保留算法正则化效应)。
  2. 核心工具/方法:提出了固定雅可比自助法(fixed-Jacobian bootstrap),该方法沿观测轨迹传播线性化扰动,无需重复运行原始非线性算法;理论建立在均匀一阶展开(Theorem 1 & 2)和高维高斯/自助法逼近(Lemma 1 & 2)之上。
  3. 主要结论:在稳定性(\(\sup_t a_t < 1\))、熵(\(\log N \lesssim v_n \log(A_n/\epsilon)\))和矩条件(\(\mathbb{E}|f|^k\) 有界)下,证明了自助法对最大统计量 \(S_n = \sqrt{n} \sup_{u,t} u^\top(\hat{\beta}_t - \beta_t)\) 的条件分布一致逼近其抽样分布,从而保证同时置信带的渐近有效性。

关键设定与假设

模型设定(在第二节记号基础上补全):

  • 估计映射:\(\psi(\beta) = H\beta - \xi\),允许 \(H\) 非对称(覆盖 TD 学习等非对称问题)。
  • 算法:\(\hat{\beta}_t = F_t(\hat{\theta}_{t-1})\),\(F_t\) 可依赖全部历史。主要例子是惯性阈值迭代(含动量项 + 软阈值)。
  • 抽样扰动:\(\zeta = (\text{vec}(\hat{H}-H), \hat{\xi}-\xi)\),假设 \(\zeta = n^{-1}\sum_i \ell(W_i) + R_n\),其中 \(\ell\) 是零均值影响函数,\(R_n\) 为余项。
  • 推断目标:\(\{u^\top \beta_t : (u,t) \in U_+ \times T\}\),\(U_+\) 是对称对比方向集合,\(T\) 是迭代时刻集合(可数或不可数)。

核心假设(按功能分组):

假设 作用 统计含义
支撑集条件:\(\text{supp}(\beta_t) \cup \text{supp}(\hat{\beta}_t) \cup \text{supp}(\Pi_t \zeta) \subset \bar{S}\),$ \bar{S} = s$
稳定性条件:\(\sup_t a_t < 1\)(\(a_t\) 是算法雅可比的 \(\ell_\infty\) 范数) 控制扰动随迭代的累积 算法对初始扰动不放大(收缩映射)
矩条件:$\sup_{u,t} \mathbb{E} u^\top \Pi_t \ell ^k \le \sigma^2 B^{k-2}\(,\)k=2,3,4$
熵条件:\(\log N(\epsilon, \mathcal{F}_n, \|\cdot\|_{L_2(Q)}) \le v_n \log(A_n/\epsilon)\) 控制函数类复杂度 对比方向和迭代时刻的联合复杂度可控
余项条件:$\sqrt{n} \sup_{u,t} u^\top(\hat{\beta}_t - \beta_t - \Pi_t \zeta) = o_P(K_n^{-1/2})$

相比已有文献的放宽/强化: - 放宽:允许 \(H\) 非对称(TD 学习);允许算法依赖全部历史(非马尔可夫);允许 \(T\) 不可数(连续时间极限)。 - 强化:需要支撑集条件(阈值算法的代价);需要 \(\sup_t a_t < 1\) 的均匀稳定性(比逐点稳定性更强)。

主要结果

Theorem 1(轨迹展开):在支撑集、稳定性和局部 Lipschitz 条件下,对任意 \(t \le T\),

\[\|\hat{\beta}_t - \beta_t - \Pi_t \zeta\|_\infty \le a_t \max_{r 其中余项由 \(\|\zeta\|_\infty^2\)、局部雅可比连续模 \(\omega_{t,j}(\epsilon)\) 和支撑集外质量控制。直觉:这是对迭代映射的"线性化误差传播"分析——每一步的线性化误差被稳定性系数 \(a_t\) 压缩,同时新的非线性误差由 \(\omega_{t,j}\) 控制。

Theorem 2(自助法展开):固定雅可比自助法产生的轨迹 \(\hat{\beta}_t^*\) 满足类似展开,其线性化部分为 \(\Pi_t \zeta^*\),其中 \(\zeta^*\) 是自助法扰动。关键:自助法使用固定的雅可比矩阵(在观测轨迹处求值),因此无需重新运行非线性算法。

Theorem 3(自助法有效性):在 Lemma 1 & 2 条件下,

\[\sup_{x \in \mathbb{R}} \left| P_{W_1^n}\left(S_n^* \le x\right) - P(S_n \le x) \right| = o_P(1),\]
其中 \(S_n^* = \sqrt{n} \sup_{u,t} u^\top(\hat{\beta}_t^* - \hat{\beta}_t)\)。推论:由 \(S_n^*\) 的分位数构造的同时置信带 \(\{u^\top \hat{\beta}_t \pm c^*_{1-\alpha}/\sqrt{n}\}\) 渐近达到名义覆盖 \(1-\alpha\)。

证明路线: 1. 轨迹展开(Theorem 1 & 2):对迭代映射 \(F_t\) 应用中值定理的积分形式,将 \(\hat{\beta}_t - \beta_t\) 分解为线性主项 \(\Pi_t \zeta\) 和余项。关键技巧是引入"参考支撑集" \(\bar{S}\),在支撑集上阈值算子为恒等映射,从而雅可比连续模 \(\omega_{t,j}(\epsilon)\) 可控制。 2. 高斯逼近(Lemma 1):将 \(S_n\) 转化为经验过程 \(\sup_{f \in \mathcal{F}_n} |G_n f|\) 的最大值,其中 \(\mathcal{F}_n = \{u^\top \Pi_t \ell : (u,t) \in U \times T\}\)。应用 Chernozhukov et al. (2016, Theorem 2.1) 的高斯耦合定理,需要验证熵条件和矩条件。 3. 自助法逼近(Lemma 2):对自助法过程应用同样的高斯耦合,但以观测数据为条件。关键步骤是控制估计影响函数 \(\hat{\ell}_i\) 与真实影响函数 \(\ell_i\) 的差异,这由 \(e_n\)(估计误差)控制。 4. 合并:由三角不等式,\(\sup_x |P(S_n^* \le x) - P(S_n \le x)| \le \sup_x |P(S_n^* \le x) - P(G \le x)| + \sup_x |P(S_n \le x) - P(G \le x)|\),两项分别由 Lemma 2 和 Lemma 1 控制。

技术技巧点名: - 积分形式中值定理:将非线性映射的差分解为雅可比矩阵沿路径的积分,避免了对 \(F_t\) 二阶可导的要求。 - 支撑集截断:通过参考支撑集 \(\bar{S}\) 将阈值算子局部线性化,绕开雅可比不连续的问题。 - 固定雅可比:自助法不重新运行算法,而是用观测轨迹处的雅可比传播扰动,这是计算效率的关键。 - 熵积分:将函数类 \(\mathcal{F}_n\) 的复杂度控制转化为 \(v_n \log(A_n/\epsilon)\) 的形式,使得 \(K_n = v_n \log(A_n B_n/\sigma)\) 成为关键量。

真实例子与应用

模拟实验(Section 4.1): - 三个估计方程:稀疏线性回归、配对 Fisher 判别、最小二乘时序差分学习(TD learning)。 - 参数设定:\(p = 1000\),\(n \in \{300, 600, 1000\}\),AR(1) 相关 \(\rho \in \{0, 0.05, 0.10, 0.40, 0.70\}\),噪声为高斯或 \(t_5\)。 - 算法:惯性阈值迭代(ISTA + 动量),\(\lambda = 0.15\sqrt{1000/n}\),动量系数上限 0.10。 - 结果:在稳定配置(\(\rho \le 0.10\))下,同时覆盖概率在 \([0.9415, 0.9705]\) 之间,均值 0.9551,接近名义水平 0.95。在 \(\rho = 0.40, 0.70\) 时覆盖仍接近名义水平,但作者明确标注为"压力测试"(因 \(\sup_t a_t > 1\),超出理论保证范围)。 - 诊断图(Figure 1):比较观测统计量与自助法统计量的分布,显示在 \(n=300\) 时上尾略有偏差,\(n=1000\) 时几乎重合。

真实数据(Section 4.2): - 数据:Drink Less 微随机试验(micro-randomized trial),\(n=349\) 参与者,30 天每日随机化。 - 设定:\(p = 396\) 特征(60 个主效应 + 336 个滞后交互),目标是比较"新通知 vs 标准通知"和"通知 vs 无通知"的时变效应。 - 结果:算法选择"通知 vs 无通知"为唯一非零坐标,估计值 0.02374,95% 同时置信区间 \([0.01543, 0.03205]\),排除零。换算到原始概率尺度为 0.0485(95% CI \([0.0315, 0.0654]\))。 - 诊断:\(\sup_t a_t \le 0.96 < 1\),\(\sup_t b_t \le 0.24\),满足理论条件。自助法分位数在有限迭代截断下稳定。

例子想说明什么:真实数据展示了"算法正则化"的实际意义——在 \(p > n\) 的高维设定下,完全收敛的估计量可能过拟合,而有限迭代的 \(\hat{\beta}_t\) 提供了正则化后的推断目标。同时,同时置信带(而非逐点区间)对于描述整个治疗轨迹的效应至关重要。


四、开放问题

以下问题均扎根于论文的具体语句或直接推论,只罗列、不判断可行性:

  1. 时间均匀版本的推广(扎根于 Li & Giessing, 2026 的连续时间结果):本文的均匀性是对有限集合 \(T\) 建立的(\(T\) 可随 \(n\) 增长但需满足 \(K_n^3/n \to 0\))。能否建立无限时间水平(\(T = \mathbb{N}\))的均匀推断?这需要控制 \(\sup_{t \in \mathbb{N}} \|\hat{\beta}_t - \beta_t - \Pi_t \zeta\|_\infty\) 的尾概率,可能需要对算法稳定性更强的假设。

  2. 自适应停止规则下的推断(扎根于 Raskutti et al., 2011 的 data-dependent stopping):论文假设迭代次数 \(T\) 是预先固定的。若停止规则是数据依赖的(如根据验证误差选择 \(t\)),则停止时间的随机性会引入额外的推断复杂性。此时 \(\hat{\beta}_{\hat{t}}\) 的分布是否仍能被固定雅可比自助法逼近?

  3. 阈值参数的推断:论文将阈值参数 \(\lambda\) 视为固定常数。若 \(\lambda\) 也需从数据中选择(如交叉验证),则 \(\lambda\) 的估计误差会传播到 \(\hat{\beta}_t\) 的分布中。这类似于"选择后推断"(post-selection inference)的问题。

  4. 非光滑损失函数的推广:论文的展开要求 \(F_t\) 局部 Lipschitz(雅可比连续模 \(\omega_{t,j}\) 可控)。对于非光滑损失(如分位数回归、SVM 的 hinge loss),\(F_t\) 的雅可比可能不存在或剧烈变化。是否需要完全不同的技术(如次梯度框架)?

  5. 支撑集条件的验证:论文的支撑集条件(\(\text{supp}(\beta_t) \cup \text{supp}(\hat{\beta}_t) \subset \bar{S}\))在实际中如何验证?是否存在数据驱动的方法选择 \(\bar{S}\),使得覆盖概率仍渐近正确?

  6. 与去偏 Lasso 的关系:论文的框架是否涵盖去偏 Lasso(debiased Lasso)作为特例?去偏 Lasso 可视为"一步迭代"的估计量,其推断理论是否与本文的均匀展开相容?

验证 gap 的建议:要确认上述某条是否是真 gap,建议去读以下近期文献的引言部分(约 5 篇):(i) Bellec & Tan (2026) 的后续工作;(ii) Han & Xu (2026) 的后续工作;(iii) 关于"算法正则化"的近期综述;(iv) 关于"选择后推断"的近期进展;(v) 关于"时间均匀置信带"的近期文献。如果这些文献的引言都指向同一问题,那大概率是共识性 gap;如果它们各说各话,则可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论