Rethinking Hard Thresholding Pursuit: Full Adaptation and Sharp Estimation¶
作者: Yanhang Zhang, Shixiang Liu, Zhifan Li, Xueqin Wang, Jianxin Yin
主题: 高维统计 / 随机矩阵
相关性: 7/10
链接: https://doi.org/10.1109/tit.2025.3603987
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是高维稀疏线性回归中的非凸迭代算法,其根本的统计问题是:在 p ≫ n 的设定下,如何设计一个计算上可行(多项式时间)的算法,使其估计误差达到(或超越)经典的 minimax 下界,同时具备对未知稀疏度 s* 和信号强度的自适应能力。该方向的成熟度较高——从早期的压缩感知(compressed sensing)理论,到后来的统计-计算折中(statistical-computational tradeoff)研究,已有大量工作。但本文指出一个关键缺口:经典的 HTP 算法在理论上能否同时达到 oracle 估计率、精确支持恢复、以及无需先验知识的全自适应,此前并未被完整回答。
发展脉络(history)¶
-
奠基工作:NP-hardness 与凸松弛的兴起。 问题 (1) 的 ℓ0 约束最小二乘被 Natarajan (1995) 证明为 NP-hard,这直接催生了 LASSO (Tibshirani, 1996) 和 SLOPE (Bogdan et al., 2015) 等凸松弛方法。这些方法在 RIP 或受限特征值条件下达到 minimax 率 σ{s* log(p/s*)/n}^{1/2}(Bickel et al., 2009; Bellec et al., 2018),但作者明确指出其固有缺陷:"convex algorithms can only achieve the original minimax optimal rate when the beta-min condition holds"——即凸方法无法利用信号强度的先验信息突破 minimax 率。
-
主要进展:非凸算法的理论保证。 IHT (Blumensath and Davies, 2009) 和 HTP (Foucart, 2011) 作为 ℓ0 问题的贪心/投影算法被提出。Jain et al. (2014) 证明了 IHT 在 RIP 条件下的 minimax 最优性(含对数因子)。Yuan et al. (2018) 和 Huang et al. (2018) 分别分析了 HTP 在 s = s* 和 s ≥ s* 情形下的 ℓ2 与 ℓ∞ 误差界。但这些工作的共同局限是:要么假设稀疏度 s 已知,要么需要更强的 beta-min 条件,且未给出 oracle 率。
-
当前 frontier:自适应与精确恢复。 作者引用了两条前沿线索。其一是 Ndaoud (2019, 2020) 的工作:在 beta-min 条件 mini∈S* |β*_i| ≥ Cσ{log(p/s*)/n}^{1/2} 下,minimax 率从 σ{s* log(p/s*)/n}^{1/2} 改善为 oracle 率 σ(s*/n)^{1/2},且这一改善在凸方法中无法实现(Bellec, 2018 证明了凸估计器的"噪声屏障")。其二是 Zhu et al. (2020) 和 Yuan and Li (2022) 对 HTP 类方法的分析,但他们需要更强的 beta-min 条件(如 σ{s* log p log log n/n}^{1/2})或假设 s* = O(log p)。
-
本文的位置。 作者声称(这是他们的 framing):在仅依赖 RIP 假设的前提下,首次证明 HTP 算法在 beta-min 条件 mini∈S* |β*_i| ≥ Cσ(log p/n)^{1/2} 下达到 oracle 率 σ(s*/n)^{1/2},并给出一个计算上高效(仅需运行 O(s_max) 次 HTP)的全自适应调参程序(FAHTP),同时实现精确支持恢复。这一结果将 Ndaoud (2019) 在序列模型中的结论推广到了线性回归,且避开了 Zhu et al. (2020) 和 Yuan and Li (2022) 的更强条件。
子线索聚类¶
被引文献大致落在三条子线索上:
-
凸松弛的 minimax 理论(LASSO, SLOPE, Bickel et al., Bellec et al.):研究 ℓ1 型方法的估计误差与变量选择一致性,核心工具是 empirical process 和 restricted eigenvalue。已知瓶颈:无法突破 minimax 率,且精确支持恢复需要 irrepresentable 条件(Zhao and Yu, 2006; Wainwright, 2009)。
-
非凸迭代算法的收敛性(IHT, HTP, Zhu et al., Yuan and Li):研究贪心类算法的迭代动态与统计误差。已知瓶颈:要么需要已知 s,要么 beta-min 条件过强,且缺乏对自适应调参的理论保证。
-
序列模型中的自适应与 oracle 率(Ndaoud, Butucea et al., Johnstone):在 Gaussian sequence model 中刻画了 beta-min 条件下的 minimax 率相变现象,证明了 oracle 率的可达性。本文的核心贡献是将这一结论从序列模型推广到 RIP 设计下的线性回归。
这个方向在追问的核心问题¶
- 何时能突破 minimax 率? 在 beta-min 条件下,估计误差能否从 σ{s* log(p/s*)/n}^{1/2} 改善为 σ(s*/n)^{1/2}?Ndaoud (2019) 给出了序列模型的答案,本文将其推广到线性回归。
- 非凸算法能否自适应? 能否在不预先知道 s* 和 σ 的情况下,通过数据驱动的方式选择模型大小,同时保持 minimax 或 oracle 最优性?
- 精确支持恢复需要什么条件? 在 RIP 而非 irrepresentable 条件下,能否实现精确支持恢复?本文的答案是肯定的,但需要 beta-min 条件。
⚠️ 作者的 framing¶
作者将缺口 frame 为:"HTP 算法在最优 beta-min 条件下能否同时达到 oracle 估计率、精确支持恢复、以及全自适应?" 他们声称这是"显然的下一步",因为:(i) Ndaoud (2019) 已证明序列模型中 oracle 率可达;(ii) HTP 的迭代动态分析(Proposition 1)显示其能"检测"大信号并"收缩"小信号;(iii) 信息准则 (4) 已被 Verzelen (2012) 证明在穷举搜索下是 minimax 自适应的。作者将这三块拼在一起,声称得到完整答案。
被淡化或回避的竞争路线: - 凸方法(LASSO/SLOPE):作者引用 Bellec (2018) 的"噪声屏障"结果,暗示凸方法在 beta-min 条件下无法达到 oracle 率,因此 HTP 的优越性是本质的。但作者没有讨论去偏 LASSO(debiased LASSO)或凸的 ℓ1 自适应方法(如 adaptive Lasso)在 beta-min 条件下是否也能达到类似效果。 - 其他非凸方法:作者没有与 IHT 的变体(如 GraHTP, CoSaMP)或 ℓ0 正则化的局部最优解(如 SCAD/MCP 的 oracle 性质)进行系统比较。SCAD/MCP 在 Fan and Li (2001) 和 Zhang (2010) 中已被证明具有 oracle 性质,但需要较强的正则条件。 - 计算复杂性:作者声称 FAHTP 只需运行 O(s_max) 次 HTP,但没有讨论每次 HTP 的迭代复杂度,也没有与凸方法(如坐标下降)的计算成本进行对比。
值得研究者去查的问题: - Bellec (2018) 的"噪声屏障"结果是否适用于所有凸估计器?还是仅适用于 ℓ1 型惩罚?如果存在凸方法能突破 minimax 率,本文的"非凸优越性"论点就会被削弱。 - 本文的 beta-min 条件 mini∈S* |β*_i| ≥ Cσ(log p/n)^{1/2} 与 Ndaoud (2019) 中的条件 mini∈S* |β*_i| ≥ Cσ{log(p/s*)/n}^{1/2} 相比,哪个更弱?作者声称"最优",但需要对照 Ndaoud (2019) 的下界证明来核实。
张力¶
未见明显对立引用。但存在一个微妙的张力:作者声称 HTP 在 beta-min 条件下达到 oracle 率,而凸方法(LASSO)在相同条件下只能达到 minimax 率。然而,Bellec et al. (2018) 的 SLOPE 论文表明,SLOPE 在某些稀疏设定下可以达到自适应 minimax 率(含 log 因子),且不需要已知 s*。作者没有直接回应 SLOPE 的自适应性质是否与本文的 FAHTP 可比。
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¶
- 模型:线性回归 y = Xβ* + ξ,其中 y ∈ Rⁿ 是响应向量,X ∈ Rⁿˣᵖ 是设计矩阵,β* ∈ Rᵖ 是未知系数向量,ξ ∈ Rⁿ 是次高斯随机误差(次高斯参数 σ)。
- 稀疏性:β* 是 s*-稀疏的,即支撑集 S* = {i : β*_i ≠ 0} 的基数 |S*| = s* ≪ n。
- 可观测数据:(y, X) 是研究者实际能观测到的。不可观测的是:真实系数 β*、支撑集 S*、稀疏度 s*、噪声水平 σ。
- 目标量(estimand):
- 估计误差:∥β̂ − β*∥₂
- 支撑恢复:Ŝ 与 S* 的一致性(精确恢复意味着 Ŝ = S*)
- 自适应:在 s* 和 σ 未知的情况下达到上述目标的最优率
- 关键假设:
- RIP(s, δ_s):对所有 |S| ≤ s 的集合 S,有 (1 − δ_s)∥u∥₂² ≤ ∥X_S u∥₂²/n ≤ (1 + δ_s)∥u∥₂²。这是本文唯一的实质性设计假设,用于控制设计矩阵的"近等距"性质。
- 次高斯误差:ξ_i 独立同分布,E[ξ_i] = 0,且 P(|ξ_i| > t) ≤ 2 exp(−t²/(2σ²))。
- beta-min 条件:mini∈S* |β*_i| ≥ λ,其中 λ 的阈值在 Theorem 3 中给出(λ ≥ (1+3ε)σ{2 log(p/s*)/n}^{1/2} 或 λ ≥ (2+2ε)σ(2 log p/n)^{1/2},取决于具体结论)。
- 算法:HTP(Algorithm 1)——迭代执行梯度下降 + 硬阈值投影 + 最小二乘去偏。FAHTP(Algorithm 2)——沿 s = 1, ..., s_max 运行 HTP,用信息准则 (4) 选择最优模型大小。
第二步:最小内核¶
最小内核:考虑一个理想化的两阶段问题,它剥离了 HTP 的迭代复杂性,只保留其核心机制——"先检测大信号,再精估计"。
设定:假设我们已知一个"候选支撑集" Ŝ,且 |Ŝ| = s(s 可能大于或小于 s*)。定义 oracle 估计量 β̃ = (X_Ŝᵀ X_Ŝ)⁻¹ X_Ŝᵀ y,即在 Ŝ 上的最小二乘投影。
核心问题:在什么条件下,β̃ 的估计误差能达到 oracle 率 σ(s*/n)^{1/2},而不是 minimax 率 σ{s* log(p/s*)/n}^{1/2}?
答案(本文 Proposition 1 的简化版):将 S* 分为"大信号集" S*_1 = {i ∈ S* : |β*_i| ≥ C₁σ(log p/n)^{1/2}} 和"小信号集" S*_2 = S* \ S*_1。如果 HTP 的迭代能保证: 1. 检测:经过 t 次迭代后,Ŝ 包含 S*_1 中所有元素(不漏掉大信号); 2. 排除:Ŝ 不包含太多假阳性(Ŝ \ S* 的基数可控); 3. 收缩:小信号 S*_2 的总能量 ∥β*_S*_2∥₂ 被硬阈值算子"压"到可忽略水平;
那么估计误差可以分解为: ∥β̂ − β*∥₂ ≤ C₂σ(|S*_1|/n)^{1/2} + C₃∥β*_S*_2∥₂
为什么这个分解是关键:第一项是"大信号"的 oracle 率(与 p 无关),第二项是"小信号"的收缩误差。当 beta-min 条件满足时(即 S*_2 为空或足够小),第二项消失,整体达到 oracle 率 σ(s*/n)^{1/2}。这就是 HTP 超越凸方法的机制:凸方法(LASSO)的 ℓ1 惩罚会同时收缩大信号和小信号,导致系统性偏差;而 HTP 的硬阈值操作只保留大信号,对已检测到的信号做无偏的最小二乘估计。
证明的难点:如何保证迭代过程中"检测"和"排除"同时成立?这需要控制梯度下降步骤中的统计误差(由噪声 ξ 引起)和优化误差(由 RIP 常数 δ_3s 引起)的交互。本文的核心技术贡献在于精确刻画了迭代阈值动态——即每一步中,大信号如何被保留、小信号如何被压缩、假阳性如何被清除。
最小内核的数学表述:在 RIP(3s, δ_3s) 且 δ_3s < 0.3478 的条件下,HTP 的迭代映射是一个收缩映射(contraction),收缩因子 γ_3s = 2δ_3s√((1+δ_3s)/(1−δ_3s)) < 1。这个收缩性质保证了优化误差的指数衰减,而统计误差则被控制在 σ(s log(p/s)/n)^{1/2} 的量级。当 s = s* 且 beta-min 条件满足时,统计误差进一步改善为 σ(s*/n)^{1/2}。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在高维线性回归中,经典的 HTP 算法能否在仅依赖 RIP 假设的条件下,同时达到 oracle 估计率 σ(s*/n)^{1/2}、精确支持恢复、以及对未知稀疏度和信号强度的全自适应?
- 核心工具/方法:提出了全自适应 HTP(FAHTP)算法,通过信息准则 (4) 选择模型大小,并利用 HTP 的迭代阈值动态分析(Proposition 1)证明其理论性质。
- 主要结论:在 beta-min 条件 mini∈S* |β*_i| ≥ Cσ(log p/n)^{1/2} 下,FAHTP 达到 oracle 估计率并精确恢复支撑集;即使不满足 beta-min 条件,也以高概率达到比经典 minimax 率更紧的误差界。
关键设定与假设¶
- RIP(3s, δ_3s):这是本文的核心假设,要求设计矩阵 X 的所有 3s 列子矩阵近似等距。相比 LASSO 分析中常用的 restricted eigenvalue (RE) 条件,RIP 更强但更简洁。作者在 Remark 1 中指出,δ_3s < 0.3478 即可保证收缩因子 γ_3s < 1,这比 Huang et al. (2018) 的 δ_3s < 0.1599 和 Zhu et al. (2020) 的 δ_3s < 0.1877 更宽松。
- 次高斯误差:ξ_i 独立同分布,次高斯参数 σ。这是高维统计的标准假设,用于控制噪声的集中不等式。
- beta-min 条件:Theorem 3 要求 λ ≥ (1+3ε)σ{2 log(p/s*)/n}^{1/2},Theorem 4 要求 λ ≥ (2+2ε)σ(2 log p/n)^{1/2}。前者是"最优"的(与 Ndaoud (2019) 的下界匹配),后者稍强但允许精确支持恢复。
- 初始估计:Theorem 3 假设初始估计 β⁰ 是 minimax 最优的,即 ∥β⁰ − β*∥₂ ≤ C₁σ{s* log(p/s*)/n}^{1/2}。这个假设可以通过一次 LASSO 或 HTP 运行实现。
- 与已有文献的比较:相比 Zhu et al. (2020) 的 s* log p log log n/n 条件,本文的 beta-min 条件更弱;相比 Yuan and Li (2022) 的 s* = O(log p) 假设,本文不要求稀疏度有界。
主要结果¶
- Theorem 1(ℓ2 误差界):对任意 s ≥ s*,HTP 的迭代误差以概率 1 − C₁exp{−C₂s log(p/s)} 满足 ∥βᵗ − β*∥₂ ≤ γᵗ_3s∥β*∥₂ + 12σ/(1−γ_3s)·{s log(p/s)/n}^{1/2}。这个结果给出了非渐近的迭代收敛率,其中第一项是优化误差(指数衰减),第二项是统计误差(minimax 率)。
- Theorem 2(minimax 自适应):信息准则 (4) 选择的模型大小 ŝ 满足 P(ŝ ≤ 2s*) ≥ 1 − C₂exp{−C₃s* log(p/s*)},且对应的估计器达到 minimax 率。这是对 Verzelen (2012) 结果的算法化推广。
- Theorem 3(oracle 率):在 beta-min 条件下,FAHTP 的估计误差满足 ∥β̂ − β*∥₂ ≤ C₂,εσ(s*/n)^{1/2},达到 oracle 率。这是本文的核心定理,证明的关键在于迭代阈值动态的精确刻画——即大信号在迭代中被保留、小信号被压缩、假阳性被清除。
- Theorem 4(收敛到 oracle 估计量):在更强的 beta-min 条件下,HTP 估计量以高概率收敛到 oracle 最小二乘估计量 β̃*,误差为 ∥βᵗ − β̃*∥₂ ≤ (9/10)ᵗC₁,εσ{s* log p/n}^{1/2} + C₂,εσ{2τ log p/n}^{1/2}(其中 τ = s − s*)。
- Corollary 3(精确支持恢复):当 s = s* 且 t ≥ 2log((C₂/ε)²s*) 时,P(Sᵗ = S*) → 1(当 s*/p → 0)。这是对 HTP 支持恢复能力的首个在最优 beta-min 条件下的证明。
证明路线与技术技巧¶
整体路线(5 步): 1. 误差分解:将迭代误差分解为优化误差(∥βᵗ − β*∥₂ 中由迭代未收敛引起的部分)和统计误差(由噪声 ξ 引起的部分)。 2. 收缩映射:利用 RIP(3s, δ_3s) 证明 HTP 的迭代映射在 ℓ2 范数下是收缩的,收缩因子 γ_3s < 1。这一步的关键是控制梯度下降步骤中的交叉项。 3. 统计误差控制:利用次高斯集中不等式,证明统计误差以高概率被 σ{s log(p/s)/n}^{1/2} 控制。这一步的关键是避免对设计矩阵的列做独立性假设,仅依赖 RIP。 4. 迭代阈值动态:这是本文最核心的技术贡献。作者证明,在 beta-min 条件下,硬阈值算子 T_s 在迭代中扮演"信号检测器"的角色——大信号(|β*_i| ≥ Cσ(log p/n)^{1/2})在一步迭代后被保留,小信号被压缩到阈值以下。这一动态分析使得作者能够超越传统的 ℓ2 误差界,得到 oracle 率。 5. 自适应调参:利用信息准则 (4) 的"模型选择一致性"(Theorem 2),证明 FAHTP 能以高概率选择正确的模型大小,从而在未知 s* 的情况下达到 oracle 率。
关键技术技巧: - ℓ∞ 界的桥接:为了从 ℓ2 误差界推导出支持恢复结果,作者需要 ℓ∞ 误差界。他们通过连接 oracle 最小二乘估计量(Theorem 4)来获得 ℓ∞ 界,而不是直接分析迭代过程。 - 概率事件的嵌套:证明中使用了多个高概率事件的嵌套(如统计误差事件、检测事件、排除事件),通过 union bound 和条件概率控制它们的交集。 - 常数追踪:作者明确追踪了所有常数(如 C₁,ε, C₂,ε),这使得定理的适用条件(如 n ≥ C₀s* log(p/s*))是显式的。
真实例子与应用¶
- 模拟实验(Section 5.1–5.3):作者设计了三个模拟场景:
- 最小信号强度收敛(图 4):固定 n=300, p=1000, s*=10, σ=1,验证 Theorem 5 的预测——当 s = s* 时,最小信号强度收敛到真值;当 s > s* 时,最小信号强度低于阈值。
- 自适应调参的收益(图 5):固定 n=300, p=2000, s*=30, σ=1,改变最小信号强度 k,比较 FAHTP 与 IC 方法的估计误差、支持恢复和变量选择表现。结果显示,当最小信号强度较大时,FAHTP 显著优于 IC 方法。
- 与主流方法对比(图 6):固定 p=2000, s*=30, SNR=10,改变样本量 n 从 300 到 1300,比较 FAHTP 与 LASSO-CV、SCAD-CV、MCP-CV、SCAD-IC、MCP-IC 的估计误差、稀疏度误差和 MCC。结果显示 FAHTP 在样本量较大时达到 oracle 估计器的表现。
- 真实数据(Section 5.4):使用一个超市数据集(n=464, p=6398),目标是预测每日顾客数。FAHTP 平均选择 2.33 个变量,测试 MSE 为 0.410,优于所有对比方法。这个例子展示了 FAHTP 在实际应用中的稀疏性和预测精度。
🔎 结论是否比证明窄¶
是的,存在几处"证明窄于结论"的地方,值得研究者注意:
-
Theorem 3 的初始估计假设:定理要求初始估计 β⁰ 是 minimax 最优的(∥β⁰ − β*∥₂ ≤ C₁σ{s* log(p/s*)/n}^{1/2})。但作者在 Algorithm 2 中并未明确说明如何获得这样的初始估计。虽然可以通过一次 LASSO 运行实现,但这引入了额外的调参(LASSO 的惩罚参数),且 LASSO 的 minimax 率需要 RE 条件而非 RIP。这是一个潜在的逻辑缺口。
-
Theorem 4 的"收敛到 oracle"是渐近的:定理的表述是"以概率 1 − s*/p 的某个幂次",但收敛速度依赖于迭代次数 t 和 s*/p 的比值。作者没有给出有限样本下的显式迭代次数,只给出了 t ≥ 2log((C₂/ε)²s*) 的条件。这意味着在实际应用中,用户需要自行判断迭代是否充分。
-
Corollary 3 的"精确恢复"是概率性的:结论是 P(Sᵗ = S*) → 1 当 s*/p → 0,但没有给出收敛速度。对于有限样本,精确恢复的概率可能远低于 1,特别是当 beta-min 条件接近临界值时。
-
自适应调参的理论保证不完整:Theorem 2 证明了 ŝ ≤ 2s* 的概率界,但没有证明 ŝ ≥ s*/2 的下界(虽然 Theorem 5 的分离性暗示了这一点)。这意味着 FAHTP 可能选择过小的模型,导致漏掉一些真实信号。
-
RIP 条件的验证问题:作者假设 X 满足 RIP(3s, δ_3s),但没有讨论如何验证这一条件。在高维设定下,RIP 常数的计算是 NP-hard 的。虽然随机高斯/次高斯设计以高概率满足 RIP,但实际数据(如超市数据集)是否满足 RIP 并未验证。
四、开放问题¶
以下问题均扎根于本文的具体语句,供研究者自行判断价值:
-
初始估计的构造(扎根于 Theorem 3 的假设"Let the initial estimator β⁰ be a minimax optimal estimator"):如何在不引入额外调参的前提下,构造满足 Theorem 3 条件的初始估计?能否用 HTP 自身的前几次迭代作为初始估计,从而完全消除对 LASSO 的依赖?
-
自适应调参的下界(扎根于 Theorem 2 的结论"pr(ŝ ≤ 2s*) ≥ 1 − C₂exp{−C₃s* log(p/s*)}"):能否证明 ŝ ≥ s*/2 的概率界?如果 ŝ 可能远小于 s*,FAHTP 是否会系统性地漏掉弱信号?
-
RIP 条件的替代(扎根于 Assumption 2 "Design matrix X satisfies RIP(3s, δ_3s)"):本文的分析完全依赖 RIP。能否将结论推广到更弱的 RE 条件或部分相关性条件?这在因果推断和高维工具变量设定中尤为重要。
-
beta-min 条件的必要性(扎根于 Theorem 3 的 lambda 阈值):作者证明了 beta-min 条件是达到 oracle 率的充分条件,但未证明其必要性。是否存在比 beta-min 更弱的条件(如"大部分信号足够强")也能达到 oracle 率?
-
高阶梯矩的扩展(扎根于 Theorem 6 的 ℓ2 误差界):本文只给出了 ℓ2 误差界。能否将迭代阈值动态分析扩展到 ℓ∞ 误差界或逐坐标误差界?这对于变量选择和因果推断中的置信区间构建至关重要。
-
与因果推断的连接:本文的 HTP 算法可视为一种"去偏 + 阈值"的估计器。在因果推断中,高维混淆控制(如 double selection 或 post-double-selection)面临类似的"信号检测"问题。能否将 FAHTP 的调参策略应用于因果效应的估计与推断?
-
计算复杂度的显式刻画(扎根于 Algorithm 2 的循环结构):FAHTP 需要运行 O(s_max) 次 HTP,每次 HTP 的迭代次数为 O(log(s*))。总计算复杂度为 O(s_max · log(s*) · (n + s³))。在 p 极大时,s_max 可能接近 n,此时计算是否仍然可行?能否设计更高效的路径(如二分搜索或 warm-start)?
提醒:要确认上述问题是否为真 gap,建议去读以下近期文献的引言部分(约 5 篇):Ndaoud (2020) 的 IHT 变体、Zhu and Wu (2024) 的 FDR 控制、Roy et al. (2022) 的异质性信号、以及 Bellec (2018) 的噪声屏障。如果这些文献的引言都指向同一个未解决问题,那大概率是共识性 gap;如果它们各说各话,那可能是伪 gap 或已被解决。
Maintained by 陈星宇 · Homepage · Source on GitHub