跳转至

选题提案 · 非参数图模型与扩散模型选择

战线范围: 利用扩散模型、得分匹配等工具进行非参数无向图模型选择，研究模型选择相合性、高维非参数估计。
证据论文: 30 篇（★ 收藏 8 篇）
提案条数: 2
生成日期: 2026-09-01

每条提案的证据都点名来源论文 [k] 并引其原话。不打分、不排名——「证据 N 篇」是可数的事实，不是质量分。标了 ⚠️ 单点证据的条目只有一篇论文支撑，自己掂量。

提案 1：Sparse-Graph-Adaptive Nonparametric Graphical Model Selection via Diffusion Models

  • claim（一句话）：在无向图模型选择中，当真实精度矩阵的支撑图是稀疏的（即每个节点最多连接 \(s \ll D\) 个其他节点）时，证明基于扩散模型的条件协方差估计量（[4] 的 \(\widehat{\Sigma}_t\)）的图恢复相合性在高维 \(D \gg n\) 下仍成立，且所需信号强度条件可放松到与稀疏度 \(s\) 而非环境维度 \(D\) 相关。

  • 最小内核：\(D=3\)，真实图是一条链（1-2-3），即精度矩阵非零元仅在对角线和 \((1,2),(2,3)\) 位置。在该特例下，要证的命题退化为：当 \(n \to \infty\) 且 \(D\) 固定时，[4] Theorem 4.3 的相合性条件 \(C_\gamma \gtrsim n^{-\tilde{\beta}\beta/((\tilde{\beta}+4)(2\beta+d)) + \delta}\) 中的 \(d\) 可被替换为最大度 \(2\)（而非 \(D=3\)），且当 \(D\) 发散时该替换仍成立。

  • 证据：

  • [4] Section 8 第一段：“一个自然的下一步是将我们的分析扩展到高维设定，其中 \(D\) 随 \(n\) 发散。” 并指出常数 \(C_3\) 对 \(D\) 的依赖是当前瓶颈。

  • [24] Section 5（开放问题3）：“当 \(d\) 较大时速率极慢（维数灾难）。是否可以利用 \(f\) 的稀疏结构（例如 \(f\) 只依赖少量变量，即 ODE 中的相互作用图是稀疏的）来突破 \(d\) 出现在分母中的困境？” 该问题明确指向利用稀疏图结构缓解维数灾难，与图模型选择中的稀疏精度矩阵假设直接对应。

  • 为什么现在：[4] 的 Theorem 4.3 已给出固定 \(D\) 下的相合性，但证明中多处用到 \(D\) 的有限性（如 Lemma B.1 中的 \((DK)^{-1}\) 条件）。[24] 的速率表达式 \(n^{-\beta/(2(\beta+1)+d)}\) 展示了维数灾难的指数形式，并提出了稀疏结构作为突破路径。两者结合，使得“在稀疏图假设下将 [4] 的结论推广到高维”成为可操作的理论问题。

  • 武器匹配：用 非参数统计 中的 minimax 下界工具（如 Fano 引理、Assouad 引理）构造稀疏图模型下 Hessian 估计的 minimax 下界，并与 [4] 的上界匹配，证明稀疏度 \(s\) 替代 \(D\) 的最优性。

  • 风险与竞争：

  • 风险：该选题可能已被 [4] 的作者或后续工作（如 Gottwald et al. 2025 的扩展）部分解决。需查 [4] 的引用文献中是否有 2025-2026 年关于高维稀疏图选择的后续论文，以及 [24] 的引用中是否有将稀疏 ODE 图结构用于图模型的工作。
  • 竞争：SING/L-SING 方法（[4] 引用的竞争路线）也处理稀疏图，但依赖直接 Hessian 估计。需确认 SING 在高维下的理论是否已有稀疏度依赖的速率。

  • 假设风险：稀疏图假设（每个节点度 \(\le s\)）在真实高维图中可能不成立（如 hub 图）。需在提案中明确假设图的稀疏性，并讨论 hub 图下的扩展。

  • 交付形态：定理型

  • 第一周动作：

  • 读 [4] 的 Lemma B.1 及其证明，精确提取常数 \(C_3\) 对 \(D\) 的依赖形式。
  • 读 [24] 的 Section 5 关于稀疏结构的讨论，并查阅其引用的 Schmidt-Hieber (2017) 关于复合函数结构的速率。
  • 用 Fano 引理推导 \(D\) 维稀疏精度矩阵（每个节点度 \(\le s\)）下 Hessian 估计的 minimax 下界，写出初步表达式。
  • 在 \(D=3\) 链图设定下，手动验证 [4] 的证明中哪些步骤依赖 \(D\) 的有限性，并尝试用稀疏度 \(s=2\) 替换。
  • 搜索 [4] 和 [24] 的引用文献中是否有 2025-2026 年关于高维稀疏图模型与扩散模型结合的工作。

提案 2：High-Dimensional Nonparametric Graph Recovery Using k-NN Azadkia-Chatterjee Correlations and Diffusion-Based Hessian Estimation

  • claim（一句话）：将 Azadkia-Chatterjee 条件相关系数（[1]）的推断理论推广到基于 \(k\)-NN 图（\(k>1\)）的版本，并证明该系数与 [4] 的扩散模型估计的 Hessian 矩阵在条件独立图恢复中具有等价性，从而在高维 \(D \gg n\) 下建立基于 \(k\)-NN 相关系数的图选择相合性。

  • 最小内核：\(D=2\)，两个变量 \(X_1, X_2\)，真实图为空（即 \(X_1 \perp X_2\)）。在该特例下，要证的命题退化为：基于 \(k\)-NN 的 Azadkia-Chatterjee 条件相关系数 \(\xi_n^{(k)}(X_1, X_2)\) 在 \(H_0: X_1 \perp X_2\) 下的极限分布是否为标准正态（类似 [1] 中 \(k=1\) 的结果），且其检验功效是否高于 [1] 的 1-NN 版本。

  • 证据：

  • [1] Section 1.1 对 Lin and Han (2023) 的讨论：“Lin and Han (2023) 建议使用多个近邻 (multi-NN) 来提升 \(\xi_n\) 的统计功效。本文的整套推断理论能否推广到基于 \(k\)-NN (\(k>1\)) 的 Azadkia-Chatterjee 条件相关系数上？其极限方差表达式和计算复杂度会如何变化？”

  • [4] Section 8 第一段：“一个自然的下一步是将我们的分析扩展到高维设定。” 同时 [4] 的 Section 5 提到聚类方法依赖阈值选择，而 \(k\)-NN 相关系数可提供数据驱动的阈值。

  • 为什么现在：[1] 已给出 1-NN 下 \(T_n\) 的极限分布和方差估计，但明确承认 \(k>1\) 的理论是开放问题。[4] 的扩散模型方法在高维下需要自适应阈值，而 \(k\)-NN 相关系数天然提供一种基于近邻的依赖度量，且 [1] 的方差估计技术（Hájek 表示 + 协方差分解）可推广到 \(k\)-NN 图。两者结合使得“用 \(k\)-NN 相关系数替代 [4] 的启发式聚类”成为可操作的推断方案。

  • 武器匹配：用 高阶 U 统计量的计算（treewidth / tensor contraction / einsum） 来高效计算 \(k\)-NN 相关系数中的 U 统计量核（涉及 \(k\) 个近邻的指示函数），将 [1] 中 1-NN 的 \(O(n \log n)\) 算法推广到 \(k\)-NN 的 \(O(k n \log n)\) 并保持可计算性。

  • 风险与竞争：

  • 风险：Lin and Han (2023) 可能已有 \(k\)-NN 版本的初步结果，需查该文是否已给出极限分布。另外，[1] 的 Remark 4.2 指出 \(T_n\) 的检验 Pitman 效率为零，\(k>1\) 可能无法根本改善，需验证 \(k\) 增长是否改变这一性质。
  • 竞争：Huang et al. (2022) 的 KPC 度量也基于近邻，且已有部分理论。需确认 KPC 的 \(k\)-NN 版本是否已被研究。

  • 假设风险：\(k\)-NN 图在高维下近邻距离膨胀，可能导致相关系数退化。需在提案中假设协变量分布具有低维流形结构（如 [10] 的几何自适应），或使用 [4] 的扩散模型先降维。

  • 交付形态：方法+模拟型

  • 第一周动作：

  • 读 [1] 的 Section 1.1 关于 multi-NN 的讨论，并找到 Lin and Han (2023) 的原文，确认其是否已有 \(k\)-NN 的极限理论。
  • 读 [1] 的证明中 Hájek 表示和协方差分解部分（Section 3-4），尝试将 1-NN 的指示函数替换为 \(k\)-NN 的指示函数，写出 \(k\)-NN 下 U 统计量的核表达式。
  • 在 \(D=2\) 独立高斯设定下，用 R 实现 \(k=2\) 的 Azadkia-Chatterjee 相关系数，并与 [1] 的 1-NN 版本比较经验分布。
  • 读 [4] 的 Section 5 聚类方法，设计一个模拟：用 \(k\)-NN 相关系数矩阵替代 [4] 的启发式阈值，在 \(D=10\) 链图下比较图恢复的 F1 分数。
  • 用 einsum 表示 \(k\)-NN 相关系数中的张量收缩（涉及近邻矩阵的乘积），评估计算复杂度是否仍为 \(O(n \log n)\) 量级。

本页的证据论文

Maintained by 陈星宇 · Homepage · Source

评论