多元高斯分布积分的莱布尼茨法则应用疑惑：标量与向量矛盾问题
嘿，你的思考很细致，这个矛盾的根源其实是你混淆了标量偏导和向量梯度的维度，以及对向量值函数积分的理解，咱们一步步理清楚：
首先，先明确各个量的维度属性：
- 多元高斯密度$f(\mathbf{x},\boldsymbol{\mu},\Sigma)$是标量函数（概率密度本身是标量）
- 对均值向量$\boldsymbol{\mu}$求梯度$\nabla_{\boldsymbol{\mu}} f$，得到的是一个d维向量（对$\boldsymbol{\mu}$的每个分量单独求偏导，每个偏导对应向量的一个元素）
- 对变量向量$\mathbf{x}$求梯度$\nabla_{\mathbf{x}} f$，同样得到的是d维向量（对$\mathbf{x}$的每个分量求偏导，构成向量的元素）
你提到的等式$\frac{\partial}{\partial\boldsymbol{\mu}}f(\mathbf{x},\boldsymbol{\mu},\Sigma) = - \frac{\partial}{\partial\mathbf{x}}f(\mathbf{x},\boldsymbol{\mu},\Sigma)$，更准确的表述是梯度向量的对应分量相等：对任意分量$i$，$\frac{\partial f}{\partial \mu_i} = -\frac{\partial f}{\partial x_i}$，所以整体上$\nabla_{\boldsymbol{\mu}} f = -\nabla_{\mathbf{x}} f$，这里两边都是d维向量，不是标量。
接下来看积分$\int_{\mathbb{R}^d} \nabla_{\mathbf{x}} f , d\mathbf{x}$：这是对向量值函数的积分，规则是对向量的每个分量单独积分，也就是：
$$
\int_{\mathbb{R}^d} \nabla_{\mathbf{x}} f , d\mathbf{x} = \begin{pmatrix}
\int_{\mathbb{R}^d} \frac{\partial f}{\partial x_1} dx_1dx_2\cdots dx_d \
\int_{\mathbb{R}^d} \frac{\partial f}{\partial x_2} dx_1dx_2\cdots dx_d \
\vdots \
\int_{\mathbb{R}^d} \frac{\partial f}{\partial x_d} dx_1dx_2\cdots dx_d
\end{pmatrix}
$$
对每个分量的积分应用微积分基本定理：比如第一个分量$\int_{-\infty}^{\infty} \frac{\partial f}{\partial x_1} dx_1$，结果是$f$在$x_1\to+\infty$和$x_1\to-\infty$处的差值，而高斯密度在无穷远处趋近于0，所以这个积分结果是0。同理，每个分量的积分都是0，最终整个向量积分的结果是d维零向量，而不是你误以为的标量。
最后回到矛盾点：当$\mathcal{S}=\mathbb{R}d$时，$v=\int_{\mathbb{R}d} f d\mathbf{x}=1$（概率密度的归一性），所以$\nabla_{\boldsymbol{\mu}} v = \nabla_{\boldsymbol{\mu}} 1 = \boldsymbol{0}$（d维零向量），而$w_2$也是d维零向量，两者完全相等，不存在“向量等于标量”的矛盾。
总结一下，你出错的地方是把对$\mathbf{x}$的梯度当成了标量偏导，忽略了它的向量属性，进而误以为积分结果是标量——实际上整个过程中所有的梯度和积分结果都是向量，维度始终一致，矛盾就不存在啦。
备注：内容来源于stack exchange，提问作者mto_19
