单个系数不等于整个向量
论文研究随机设计线性模型 Y = Xβ + ε，其中设计协方差 Σ = Cov(X) 和噪声方差 σ² = Var(ε) 均未知。关注对象不是 β 本身，而是标量泛函 ⟨v, β⟩，其中 v 是已知的确定性单位向量；多数情况下 v 取标准基向量 e_j，因此目标是单个系数 β_j。这一点很重要，因为在比例情形 γ = p/n ∈ (1, ∞) 下，两个问题的表现不同：恢复整个向量与恢复一个低维泛函并不是同一项任务。
论文指出，即使设计为各向同性高斯，在比例渐近下，固定半径球上的极小极大 ℓ2 范数速率也未必趋于零，因此整体向量恢复可能失败，而固定坐标仍可估计。障碍很具体：当 p > n 时，样本协方差是奇异的，而估计与目标相关的逆协方差方向又会引入一个高维冗余参数。因此，论文要回答的问题是：在这个 β 和精度矩阵 Σ⁻¹ 都可能稠密的稠密比例情形下，固定线性泛函的极小极大速率是多少。
稠密情形排除了稀疏捷径
之所以称为稠密，是因为回归向量和精度矩阵都不假设稀疏。这排除了去偏 Lasso 及相关方法所走的路径：这些方法依赖 β 和 Σ⁻¹ 的稀疏性，使用近似正交得分或受约束的近似逆。论文指出，当设计协方差已知时，矩方法估计可以奏效，但这些论证在协方差未知的版本中需要稀疏精度矩阵。
论文改为只假设设计协方差的谱位于区间 [ℓ, L] 内。条件数 κ 通过这一谱界进入结论；论文后面的比较表明，最优速率对比例 γ 增长的敏感程度低于对协方差条件数 κ 的敏感程度。读者应把这两个比值分开看：γ = p/n 衡量维度相对于样本量的大小，而 κ 衡量设计协方差特征值的分散程度。
最优指数低于一
在谱假设下，论文证明线性泛函的极小极大均方速率具有 n^-α(κ,γ) 的量级，其中指数 α(κ,γ) 有显式椭圆积分表示。关键的定性结果是：当 κ > 1 且 γ > 1 时，α(κ,γ) < 1。换言之，在这个稠密比例情形下，可达到的均方误差衰减得比 n^-1 更慢，而这一差距由定义该情形的两个量决定。
这是关于速率的陈述，而不是关于某个有限样本常数的陈述。指数是 κ 和 γ 的函数，因此同样的样本量 n 可能因设计的条件数不同、以及 p/n 高于 1 的程度不同，而对应不同的衰减行为。论文还在其速率分析附近报告了 1/(4√κ log γ) 量级的界，并将其解读为：最优速率对 γ 增长的敏感程度低于对 κ 的敏感程度。
Bocca 在围道上组合校准预解式
提出的 Bocca 估计量由经验校准的预解式通过复围道积分组合而成。这里的预解式指在复自变量 z 处取值的矩阵逆 (S − zI)⁻¹；估计量沿一条围道对这些量积分，而不是直接求样本协方差的逆。这正是该方法绕开 p > n 时样本协方差奇异性的方式：围道被选在远离有问题的实谱的位置。
计算过程是明确的。围道圆 Γ_δ 被离散为 M 个等距节点，在每个节点上，论文求解方程 (1/n)Σ_i 1/(s_i − z) + 1/μ = 0 的根 ζ̂(μ)，其中 s_i 是 Ŝ = XXᵀ/n 的特征值。第一个节点在给定区间上用二分法处理，后续节点用牛顿法，并利用 ζ̂′(μ) 的导数公式。论文强调的另一个性质是：在截断之前，估计量对 v 是线性的，因此可以计算一次，再对任意载荷向量 v 求值。
匹配下界需要校准根
论文的论证有两面。在下界一侧，它构造两个假设，其数据分布在总变差意义下很接近，而目标系数至少相差一个常数乘以 n^-α(κ,γ)/2，这迫使任何估计量都产生所述量级的均方误差。该构造使用协方差参数上的混合分布，并安排混合密度中的行列式因子，使两个假设下出现相同的矩阵。
在上界一侧，Bocca 估计量必须足够紧密地跟踪确定性预解式，使围道积分继承最优速率。论文证明，在围道上，经验根 ζ̂(μ) 相对其确定性对应物得到一致控制，偏差界为 n^-3/4 δ^-c 量级，并证明经验逆在补集概率多项式小的一个事件上存在。这些技术步骤使估计量达到而非仅仅接近极小极大速率。
结论限于稠密、比例与谱条件
结论绑定在一个特定情形：γ = p/n 属于 (1, ∞)，设计协方差未知，β 或 Σ⁻¹ 不假设稀疏，且设计谱被限制在 [ℓ, L] 内。该速率是单个线性泛函的极小极大均方速率，而不是整体向量恢复的保证，论文明确对比了二者。论文也没有声称该速率在比例渐近之外或不带谱界时成立。
论文对自身贡献的表述是：当完整精度矩阵未知时，这一比较不假设它可以被估计。值得带走的实际区别在于：该方法针对一个预先指定的对比，例如调整许多协变量后的暴露系数，或基因组研究中的效应对比；适用场景是那些无法合理假设只有少数协变量起作用的场合。
条件数比维度比更关键
论文中最具决策相关性的比较，是 α(κ,γ) 的两个自变量之间的比较。由于只要 κ > 1 且 γ > 1 就有 α(κ,γ) < 1，稠密比例情形总要相对 n^-1 速率付出代价；但论文给出的 1/(4√κ log γ) 量级的界表明，速率随协方差条件数 κ 变差的速度快于随维度比 γ 变差的速度。因此，比较不同设计的读者应首先看设计协方差有多病态，其次看 p/n 超出 1 多少。
估计量自身的要求也指向同一方向。它的计算依赖于相对于谱放置的围道，以及在谱间隙缩小时仍保持稳定的求根过程，因此谱的分散程度不仅是速率参数，也是计算参数。因此，论文的贡献最好被理解为一项速率结果加上配套算法：指数 n^-α(κ,γ) 决定了任何方法在该情形下能达到什么，而 Bocca 估计量是被证明能达到它的构造。
本文引用的文献
Optimal Linear Functional Estimation for Proportionally High-Dimensional Linear Models
在 γ = p/n > 1 且设计协方差未知的稠密比例情形下，建立了线性泛函的极小极大均方速率 n^-α(κ,γ)，当 κ > 1 且 γ > 1 时 α(κ,γ) < 1；并提出 Bocca 估计量，通过复围道积分组合经验校准的预解式来达到该速率。