跳转至

Robust mean change point testing in high-dimensional data with heavy tails

讲者: Dingyi Yu
会场: Statistical Learning for Complex Data
报告题目: An Adaptive Test for High-Dimensional Mean Change-Points
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述

这个方向是什么

本子方向研究高维重尾数据中的均值变点检验问题。给定一个 \(p\) 维时间序列 \(X_1,\dots,X_n\)，其均值向量 \(\theta_t\) 在某个未知时间点 \(t_0\) 发生突变（从 \(\mu_1\) 变为 \(\mu_2\)），且噪声 \(E_t\) 的分布可能具有重尾（指数衰减尾或多项式衰减尾）。核心问题是：在控制第一类错误的前提下，能够可靠检测到变点的最小信号强度 \(\rho\)（即 \(\frac{t_0(n-t_0)}{n}\|\mu_1-\mu_2\|_2^2\)）是多少？ 该问题在高斯噪声下已有精确刻画（Liu et al., 2021），但重尾噪声会显著改变检测难度，尤其是稀疏变化（\(\|\mu_1-\mu_2\|_0\) 很小）时。当前方向处于从高斯/次高斯假设向重尾假设的推广阶段，本文是首次系统刻画重尾代价的工作。

发展脉络（history）

  • 奠基工作：Page (1955) 提出 CUSUM 统计量，为变点检验奠定基础。Frick, Munk & Sieling (2014) 提出多尺度变点推断（SMUCE），在指数族回归中实现最优检测。这些工作主要针对低维或高斯噪声。
  • 高维高斯噪声下的精确刻画：Liu, Gao & Samworth (2021) 在高斯噪声下推导了极小极大检验速率 \(v^*_{\mathcal{N}}(p,n,s) = \sqrt{p \log\log(8n)} \wedge \bigl(s\log(ep/s) - 2\log\log(8n)\bigr) \vee \log\log(8n)\)，并揭示了稀疏与密集变化之间的相变。该文是本文的直接比较基准。
  • 稳健变点检验的早期尝试：Yu & Chen (2022) 使用 U-统计量和反称核提出稳健 bootstrap 变点检验，但要求变点位置满足 \(t_0 \wedge (n-t_0) \ge c\sqrt{n\log(np)}\)（即远离边界）。Jiang, Wang & Shao (2023) 使用空间符号和自归一化提出稳健检验，同样要求 \(t_0 = cn\)。这两篇工作均未覆盖整个参数空间，且未给出极小极大速率。
  • 重尾分布下的均值估计：Comminges et al. (2021) 在稀疏序列模型（\(n\) 为常数）中研究了重尾噪声下 \(\|\theta\|_2\) 的估计，给出了极小极大速率。本文将其推广到任意 \(n\) 的变点检验，并揭示了当 \(\alpha \in [2,4)\) 时稀疏变化与密集变化同样困难的新现象。
  • 本文位置：本文首次在变点文献中同时考虑指数衰减尾和多项式衰减尾，并刻画了密集与稀疏区域的边界，给出了近优检验（上下界相差至多 \(\sqrt{\log\log n}\) 因子）。相比 Yu & Chen (2022) 和 Jiang et al. (2023)，本文覆盖了变点位置任意靠近边界的情况；相比 Liu et al. (2021)，本文量化了重尾代价。

子线索聚类

被引文献大致落在以下三条子线索：

  1. 基于 CUSUM 的检验（适用于次高斯/次指数噪声）：Liu et al. (2021)、Kovács et al. (2024)、Pilliat et al. (2023) 等。这些工作在高斯或次高斯假设下达到最优，但直接用于重尾数据会失效。
  2. 稳健均值估计方法（中位数均值、截尾均值、Catoni 估计）：Lugosi & Mendelson (2019a, 2019b)、Prasad et al. (2019)、Cherapanamjeri et al. (2022) 等。这些方法在重尾下仍能实现次高斯性能，但通常需要样本量足够大（如中位数均值要求分组数 \(G \ge 8\log(1/\delta)\)），因此当变点靠近边界时无法直接应用。
  3. 稳健变点检验的具体方法：Yu & Chen (2022)（U-统计量+反称核）、Jiang et al. (2023)（空间符号+自归一化）。这些方法针对特定重尾设定，但理论保证仅适用于变点远离边界的情况。

核心问题与瓶颈

  • 核心问题：在高维重尾噪声下，变点检验的极小极大速率是什么？稀疏变化是否比密集变化更容易检测？重尾代价如何量化？
  • 已知瓶颈：当噪声只有有限 \(\alpha\) 阶矩（\(\alpha < 4\)）时，稀疏变化与密集变化同样困难（即速率与 \(s\) 无关），这是一个新现象。当 \(\alpha \ge 4\) 时，稀疏变化可以获益，但速率从高斯下的 \(s\log(ep/s)\) 恶化为 \(s(p/s)^{2/\alpha}\)，代价显著。

⚠️ 作者的 framing

作者将缺口 frame 为：“首次在变点文献中刻画重尾分布下密集与稀疏区域的边界，并量化重尾代价”。具体地，他们强调： - 与 Liu et al. (2021) 的高斯结果对比，显示重尾主要影响稀疏变化（指数衰减尾）或同时影响密集与稀疏（多项式衰减尾）。 - 与 Yu & Chen (2022) 和 Jiang et al. (2023) 对比，指出他们的结果要求变点远离边界，而本文覆盖整个参数空间。 - 与 Comminges et al. (2021) 对比，指出本文推广到任意 \(n\) 并揭示了 \(\alpha \in [2,4)\) 时的新相变。

被淡化或回避的竞争路线：作者未深入讨论基于秩或符号的稳健方法（如 Gombay & Hušková, 1998; Dehling et al., 2013），这些方法在单变量重尾变点检测中有效，但高维扩展困难。此外，作者未提及在线变点检测（如 Unnikrishnan et al., 2011），因为本文专注于离线设定。

明显该被引但未出现的工作：未发现明显缺失的关键文献。作者引用了 Fearnhead & Rigaill (2019) 关于 Huber 损失在变点中的应用，但未引用更近期的稳健变点估计工作（如 Li & Yu, 2021），后者在 Huber 污染框架下研究了变点估计。这可能是因为本文专注于检验而非估计。

张力

未见明显对立引用。各被引工作在不同设定下结论一致：高斯噪声下速率已知，重尾会恶化稀疏变化检测，且当矩阶数低时稀疏优势消失。

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：
  • \(X_t \in \mathbb{R}^p\)：第 \(t\) 时刻的观测向量，\(t=1,\dots,n\)。
  • \(\theta_t \in \mathbb{R}^p\)：第 \(t\) 时刻的均值信号（未知参数）。
  • \(E_t \in \mathbb{R}^p\)：第 \(t\) 时刻的噪声向量，条目独立，均值为 0，方差为 1。
  • 模型：\(X_t = \theta_t + E_t\)，矩阵形式 \(X = \theta + E\)，其中 \(X,\theta,E \in \mathbb{R}^{p \times n}\)。
  • \(p\)：维度；\(n\)：样本量；\(s\)：变点向量的 \(\ell_0\) 范数（稀疏度）。
  • \(\rho\)：信号强度，定义为 \(\frac{t_0(n-t_0)}{n} \|\mu_1 - \mu_2\|_2^2\)，其中 \(t_0\) 是变点位置，\(\mu_1,\mu_2\) 是变点前后的均值。
  • \(\Theta_0(p,n)\)：无变点的参数空间（所有 \(\theta_t\) 相等）。
  • \(\Theta^{(t_0)}(p,n,s,\rho)\)：在 \(t_0\) 处发生变点的参数空间，满足 \(\|\mu_1-\mu_2\|_0 \le s\) 且 \(\frac{t_0(n-t_0)}{n}\|\mu_1-\mu_2\|_2^2 \ge \rho^2\)。
  • 分布类：\(G_{\alpha,K}\)（指数衰减尾，\(\alpha \in (0,2]\)），\(P_{\alpha,K}\)（多项式衰减尾，\(\alpha \ge 2\)）。
  • 模型：数据生成机制为“信号+噪声”，噪声条目独立，均值为 0，方差为 1。在 \(G_{\alpha,K}\) 下，噪声的 Orlicz \(\psi_\alpha\) 范数有界；在 \(P_{\alpha,K}\) 下，噪声的 \(\alpha\) 阶矩有界。
  • 可观测数据：研究者观测到 \(X \in \mathbb{R}^{p \times n}\)。不可观测的是信号 \(\theta\) 和噪声 \(E\) 的具体实现。变点位置 \(t_0\)、稀疏度 \(s\)、信号强度 \(\rho\) 均未知。

第二步：最小内核

考虑最简单特例：\(p=1\)（一维），\(s=1\)（单坐标变化），噪声分布属于 \(G_{\alpha,K}\)（指数衰减尾）。此时，检验问题退化为经典的单变量变点检验：\(H_0: \theta_1 = \cdots = \theta_n\) vs \(H_1: \exists t_0\) 使得 \(\theta_1=\cdots=\theta_{t_0} \neq \theta_{t_0+1}=\cdots=\theta_n\)，且变化幅度 \(\Delta = |\mu_1-\mu_2|\) 满足 \(\frac{t_0(n-t_0)}{n} \Delta^2 \ge \rho^2\)。

核心思路：使用 CUSUM 统计量 \(Y_t = \frac{\sum_{i=1}^t X_i - \sum_{i=1}^t X_{n+1-i}}{\sqrt{2t}}\)，并考虑其平方 \(Y_t^2\)。在零假设下，\(Y_t \sim \text{sub-Weibull}(\alpha)\)，均值为 0，方差为 1。定义检验统计量 \(A_t = Y_t^2 - 1\)，并取最大值 \(\max_{t \in \mathcal{T}} A_t\)，其中 \(\mathcal{T} = \{1,2,4,\dots,2^{\lfloor \log_2(n/2) \rfloor}\}\) 是 dyadic 网格。阈值设为 \(r = C \sqrt{\log\log(8n)}\)（因为 \(p=1\)，\(\sqrt{p}\) 项消失）。当 \(\max_t A_t > r\) 时拒绝 \(H_0\)。

为什么这个特例能体现核心：在一维情况下，重尾噪声对变点检验的极小极大速率没有额外代价——速率仍为 \(\log\log n\)，与高斯情况相同（Liu et al., 2021 中 \(p=s=1\) 的结果）。这是因为 CUSUM 统计量是线性形式，其尾部行为由噪声的矩生成函数控制，而指数衰减尾足以保证与高斯类似的极值行为。然而，当 \(p>1\) 且 \(s\) 很小时，重尾代价会显现：稀疏变化需要聚合多个坐标，而重尾噪声使得聚合后的统计量方差增大，导致速率从 \(s\log(ep/s)\) 恶化为 \(s\log^{2/\alpha}(ep/s)\)（指数衰减尾）或 \(s(p/s)^{2/\alpha}\)（多项式衰减尾）。因此，一维特例揭示了“重尾不影响一维变点检验”这一反直觉事实，而高维稀疏变化才是重尾代价的核心。

三、这篇论文做了什么

三句话

  1. 研究问题：在高维重尾数据（指数衰减尾 \(G_{\alpha,K}\) 和多项式衰减尾 \(P_{\alpha,K}\)）中，检验是否存在一个均值变点，并刻画极小极大检验速率，区分密集变化（\(s\) 大）和稀疏变化（\(s\) 小）。
  2. 核心工具：对于指数衰减尾，使用 CUSUM 型统计量（密集）和样本分裂+硬阈值（稀疏）；对于多项式衰减尾，使用中位数均值型统计量（密集）和稳健稀疏均值估计（稀疏），并组合出多项式时间算法。
  3. 主要结论：在指数衰减尾下，速率约为 \(\min\{\sqrt{p}, s\log^{2/\alpha}(ep/s)\} + \log\log n\)；在多项式衰减尾下，当 \(\alpha \ge 4\) 时，速率约为 \(\min\{p^{2/\alpha \vee 1/2}, s(p/s)^{2/\alpha}\} + \log\log n\)，当 \(\alpha \in [2,4)\) 时，稀疏变化与密集变化速率相同（\(p^{2/\alpha}\)）。上下界相差至多 \(\sqrt{\log\log n}\) 因子。

关键设定与假设

  • 模型：\(X = \theta + E\)，\(E\) 的条目独立，均值为 0，方差为 1。
  • 分布类：
  • \(G_{\alpha,K}\)（定义 2）：\(\mathbb{E}[e^{|W/K|^\alpha}] \le 2\)，\(\alpha \in (0,2]\)。等价于指数衰减尾 \(P(|W| \ge x) \le 2e^{-(x/K)^\alpha}\)。
  • \(P_{\alpha,K}\)（定义 3）：\(\mathbb{E}[|W/K|^\alpha] \le 1\)，\(\alpha \ge 2\)。等价于多项式衰减尾 \(P(|W| \ge x) \le (K/x)^\alpha\)。
  • 假设：\(\alpha\) 和 \(K\) 视为常数；稀疏度 \(s\) 已知（但第 4 节给出自适应版本）；变点位置 \(t_0\) 任意（不要求远离边界）。
  • 相比已有文献：相比 Liu et al. (2021) 的高斯假设，本文允许更重的尾部；相比 Yu & Chen (2022) 和 Jiang et al. (2023)，本文不要求变点远离边界，且给出非渐近结果。

主要结果

  • Theorem 1（指数衰减尾，密集上界）：检验 \(\phi_{G,\text{dense}}\) 使用 CUSUM 统计量 \(A_t = \sum_{j=1}^p (Y_t(j)^2 - 1)\)，阈值 \(r = C_1(\sqrt{p \log\log n} + \log\log n)\)。当 \(\rho^2 \ge C_2 v^U_{G,\text{dense}} = C_2(\sqrt{p \log\log n} + \log\log n)\) 时，错误概率 \(\le \varepsilon\)。
  • Theorem 2（指数衰减尾，稀疏上界）：检验 \(\phi_{G,\text{sparse}}\) 使用样本分裂：一半数据用于选择信号坐标（硬阈值 \(|Y_{t,2}(j)| \ge a\)），另一半用于聚合 \(\sum_{j \in \hat{J}} (Y_{t,1}(j)^2 - 1)\)。阈值 \(a = C_1(\log^{1/\alpha}(ep/s) + s^{-1/2}\log^{1/2}(\log n))\)，\(r = C_2(\sqrt{s \log\log n} + \log\log n)\)。当 \(\rho^2 \ge C_4 v^U_{G,\text{sparse}} = C_4(s\log^{2/\alpha}(ep/s) + \log\log n)\) 时，错误概率 \(\le \varepsilon\)。
  • Theorem 3（指数衰减尾，下界）：存在常数 \(c'\)，使得当 \(\rho^2 \le c' v^L_G\) 时，任何检验的错误概率 \(\ge 1/2\)，其中 \(v^L_G = \min\{s\log^{2/\alpha}(ep/s), \sqrt{p}(\log\log n)^{\omega_1}\} + \log\log n\)，\(\omega_1 = 1_{s > \sqrt{p \log\log n}}\)。上下界匹配至多 \(\sqrt{\log\log n}\) 因子。
  • Theorem 4（多项式衰减尾，密集上界）：检验 \(\phi_{P,\text{dense}}\) 使用中位数均值统计量 \(A^{\text{MoM}}_t = t \cdot \text{median}_g \sum_{j=1}^p V_{t,g}(j)\)，其中 \(V_{t,g}(j) = \bar{Z}_{t,g}(j)^2 - G_t/t\)。阈值 \(r_t = C_1 p^{(1/2)\vee(2/\alpha)} G_t\)，分组数 \(G_t = t \wedge \Delta\)，\(\Delta = 2^{3+\lceil \log_2 \log\log n \rceil}\)。当 \(\rho^2 \ge C_2 v^U_{P,\text{dense}} = C_2 p^{(2/\alpha)\vee(1/2)} \log\log n\) 时，错误概率 \(\le \varepsilon\)。
  • Theorem 5（多项式衰减尾，稀疏上界，使用稳健稀疏均值估计）：检验 \(\phi^{\text{RSM}}_{P,\text{sparse}}\) 使用 Prasad et al. (2019) 的稳健稀疏均值估计器 \(\hat{\mu}^{\text{RSM}}\)，其计算复杂度指数级于 \(s\)。当 \(\rho^2 \ge C_5 v^U_{P,\text{sparse}} = C_5(s(p/s)^{2/\alpha} + \log\log n)\) 时，错误概率 \(\le \varepsilon\)。
  • Proposition 7（多项式衰减尾，稀疏上界，多项式时间）：检验 \(\phi^{\text{MoM}}_{P,\text{sparse}}\) 使用中位数均值+硬阈值，计算复杂度多项式。但速率恶化为 \(v^{U,\text{MoM}}_{P,\text{sparse}} = s((p/s)^{2/\alpha} + \log\log n)\)，比最优多出 \(s\log\log n\) 项。
  • Corollary 8（最优多项式时间检验）：当 \(p < \log^{\alpha-2}(\log n)\) 时使用 \(\phi^{\text{RSM}}_{P,\text{sparse}}\)（此时 \(s\) 很小，指数级计算可接受），否则使用 \(\phi^{\text{MoM}}_{P,\text{sparse}}\)。组合检验达到最优速率且多项式时间。
  • Theorem 6（多项式衰减尾，下界）：当 \(\rho^2 \le c' v^L_P\) 时，任何检验错误概率 \(\ge 1/2\)，其中 \(v^L_P = \min\{s(p/s)^{2/\alpha}, p^{(2/\alpha)\vee(1/2)}(\log\log n)^{\omega_2}\} + \log\log n\)，\(\omega_2 = (1/2)1_{s > \sqrt{p \log\log n} \cap \{\alpha \ge 4\}}\)。上下界匹配至多 \(\log\log n\) 因子。

证明路线与技术技巧

整体路线（以指数衰减尾密集上界为例）： 1. 零假设控制：对每个 \(t \in \mathcal{T}\)，将 \(A_t = \sum_j (Y_t(j)^2 - 1)\) 表示为二次型 \(\tilde{U}^\top B \tilde{U}\)，其中 \(\tilde{U}\) 是噪声向量，\(B\) 是块对角矩阵。利用 Götze et al. (2021) 的 Hanson-Wright 型不等式（Proposition 32）得到 \(P(A_t > r) \le 4\) 项指数界。然后通过 union bound 和 Lemma 35（处理 dyadic 网格的求和）得到整体 Type I 错误 \(\le \varepsilon/2\)。 2. 备择假设控制：存在 \(\tilde{t} \in \mathcal{T}\) 使得 \(\tilde{t} \approx t_0\)。将 \(Y_{\tilde{t}}\) 分解为信号项 \(\delta\) 和噪声项 \(Y'_{\tilde{t}}\)，其中 \(\|\delta\|_2^2 \ge \rho^2/4\)。利用 Chebyshev 不等式和四阶矩有界性（来自子 Weibull 性质）得到 \(P(A_{\tilde{t}} \le r) \le \varepsilon/2\)。

关键跳跃点： - 在指数衰减尾的稀疏上界中，样本分裂是关键技巧：将数据分成两半，一半用于选择信号坐标（硬阈值），另一半用于聚合。这保证了选择步骤与聚合步骤的独立性，简化了分析。 - 在多项式衰减尾的密集上界中，中位数均值的使用克服了重尾噪声下二阶统计量方差大的问题。但中位数均值要求分组数 \(G_t\) 足够大，因此当 \(t\) 很小时（变点靠近边界），只能取 \(G_t = t\)（即每个组只有一个样本），此时退化为原始统计量，分析需更精细。 - 在多项式衰减尾的稀疏上界中，稳健稀疏均值估计器（Prasad et al., 2019）通过覆盖所有 \(2s\)-稀疏方向并取 inf-sup 形式达到最优速率，但计算复杂。作者随后用中位数均值+硬阈值给出了多项式时间版本，并证明在 \(p\) 很小时两者等价。

技术技巧点名： - Hanson-Wright 型不等式（Götze et al., 2021, Proposition 32）：用于控制子 Weibull 随机变量的二次型尾部。 - Fuk-Nagaev 不等式（Rio, 2017）：用于控制有限矩随机变量的和尾部。 - 中位数均值的集中性（Lugosi & Mendelson, 2019a）：通过分组和取中位数实现次高斯性能。 - 覆盖数（Vershynin, 2009）：用于构造稀疏方向的 \(\varepsilon\)-网，使稳健稀疏均值估计器可行。 - 样本分裂：确保坐标选择与聚合独立。 - Lemma 35：处理 dyadic 网格上指数界的求和，得到 \(\log\log n\) 因子。

真实例子与应用

本文在 Section 5 进行了模拟研究，验证理论结果。设定 \(p=100, n=300\)，噪声分布包括标准正态（GG(2)）、广义高斯（GG(0.5)）、t 分布（Nt(8) 和 Nt(3)）。采用自适应检验 \(\phi_{P,\text{adaptive}}\) 和 \(\phi_{G,\text{adaptive}}\)，通过校准常数控制 Type I 错误在 0.05。模拟结果以热图展示不同 \((s, \text{Signal})\) 下的检验功效。主要发现： - 随着尾部变重（从 GG(2) 到 GG(0.5)，或从 Nt(8) 到 Nt(3)），检验功效普遍下降，且稀疏变化的功效下降更显著。 - 当噪声为 Nt(3)（\(\alpha \approx 3\)）时，稀疏变化与密集变化的功效几乎相同，验证了 \(\alpha \in [2,4)\) 时无稀疏优势的理论。 - 模拟结果与理论预测定性一致，展示了重尾代价和相变现象。

🔎 结论是否比证明窄

  • 论文声称“near-optimal”，但上下界之间存在 \(\sqrt{\log\log n}\) 或 \(\log\log n\) 的差距，尤其是在密集区域的部分参数下（如 \(s^*_G \le s \le \sqrt{p \log\log n}\)）。作者承认这一差距（Section 2.3 末尾：“Closing such gap is challenging and a similar gap exists even under Gaussian noise”）。
  • 在多项式衰减尾的稀疏上界中，Proposition 7 的速率 \(s((p/s)^{2/\alpha} + \log\log n)\) 比最优多出 \(s\log\log n\) 项，但作者通过 Corollary 8 的组合检验弥补了这一差距（仅在 \(p\) 很小时需要指数级计算）。因此，最优性仅在组合检验下成立，且依赖于 \(p\) 的大小。
  • 对于 \(\alpha \in [2,4)\)，论文声称“no sparse regime”，即速率与 \(s\) 无关。下界（Theorem 6）支持这一结论，但上界（Theorem 4）仅给出 \(p^{2/\alpha} \log\log n\)，未证明是否可达 \(p^{2/\alpha}\)（无 \(\log\log n\) 因子）。作者在 Section 3.3.1 脚注中提及“当 \(\alpha=2\) 时上界可改进为 \(p + \log\log n\)”，但未给出一般情况。

四、开放问题

  1. 空间依赖（坐标间相关）的扩展：本文假设坐标独立。作者在 Discussion 中提及可考虑 \(\rho\)-混合或一般协方差矩阵 \(\Sigma\)，但未给出具体结果。扎根于 Section 7 第一段：“Spatial dependence... we leave a thorough investigation into these two generalisations for future endeavours.” 这是一个明确的开放问题：在允许坐标间弱相关或已知协方差结构时，极小极大速率如何变化？

  2. 对 \(\alpha\) 的适应性：本文所有检验需要知道 \(\alpha\)（尾部指数或矩阶数）。作者在 Discussion 中提及可结合尾部指数估计（如 Vladimirova et al., 2020）实现适应性，但未给出具体方案。扎根于 Section 7 第二段：“Adaptation to \(\alpha\)... we leave this ambitious task for the future.” 这是一个实际应用中的重要问题：能否在不预先知道 \(\alpha\) 的情况下达到自适应最优？

  3. 多个变点情况下最小间距条件的必要性：在 Section 6.1 的多变点检验中，本文要求最小间距 \(\Delta_i \ge 4\log n\)，而高斯情况下不需要（Pilliat et al., 2023）。作者给出了一个启发式例子说明重尾需要该条件，但未给出下界证明。扎根于 Section 6.1 末尾：“In contrast to the single change point setting... we impose a mild minimum spacing condition... However, this condition is not required for testing under Gaussian or sub-Gaussian assumptions.” 这是一个值得探索的方向：重尾下多变点检验的最小间距条件是否可以放松？下界是什么？

  4. 少于两个有限矩时的下界：Section 6.3 考虑了噪声只有 \(\alpha \in [1,2]\) 阶矩的情况，给出了上界（Theorem 13），但下界仅在一维时成立（Proposition 26）。高维下界未刻画。扎根于 Section 6.3 末尾：“Establishing optimality in general dimension \(p\) is significantly more challenging and we leave that for future investigation.” 这是一个技术性强的开放问题：当方差不存在时，高维变点检验的极小极大速率是什么？

Maintained by 陈星宇 · Homepage · Source on GitHub

评论