跳转至

Higher-Order Accurate Two-Sample Network Inference and Network Hashing

作者: Meijia Shao, Dong Xia, Yuan Zhang, Qiong Wu, Shuo Chen
来源: Journal of the American Statistical Association
主题: 数理统计 / 假设检验
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：在没有重复观测、没有已知节点对应关系、且网络规模与稀疏度可不同的前提下，如何对两个随机图的边概率矩阵进行统计检验（零假设 \( H_0: P^{(1)} = P^{(2)} \)，其中 \( P^{(g)} \) 是 \( n_g \times n_g \) 的边概率矩阵，节点间不一定同标签）。这是一个极具挑战性的半参数 / 非参数检验问题，因为它同时面临：高维性（边数以 \( n^2 \) 增长）、节点对齐未知、缺少独立同分布观测（图本身就是一次实现）。当前该方向从“基于图显著性”的直观方法发展到“基于特征谱的对称性检验”，但作者认为有限样本精确性（higher-order accuracy）、计算可扩展性、以及统计最优性（minimax power）三个维度都未得到系统处理。

发展脉络（history）

  • 奠基工作：Ginestet et al. (2017) 与 Tang et al. (2017) 提出了基于网络统计量（如全局聚类系数、度分布等）的两样本检验，但依赖节点对齐（registration）和参数化模型，且无法处理不同规模的网络。
  • 主要进展：谱方法：Levin et al. (2017, 2019) 提出利用谱嵌入（adjacency spectral embedding, ASE）的低维表示作两样本检验，首次系统处理未知节点注册问题，但嵌入式依赖于图中顶点的嵌入向量两两可对齐（即要求两个网络有粗略的节点对应）；当网络规模不同时，该方法的对齐精度会下降。Agterberg et al. (2020) 在 stochastic block model (SBM) 框架下发展了基于度纠正的检验，但仍要求节点对齐或已知社团数。
  • 当前 frontier：避免对齐：Ghoshdastidar et al. (2020) 与 Avikainen et al. (2021) 提出基于子图计数（如 2-star、triangle 等）的无对齐检验，但统计量构造依赖子图密度估计，有限样本分布偏离已证明的高斯近似较大，需要 Bootstrap 校正，计算上无法扩展到大规模网络。
  • 本文的位置：作者声称填补了三个空白：(a) 有限样本 higher-order accuracy——用 Edgeworth 展开替代传统的正态渐近，使 p 值的近似误差从 \( O(n^{-1/2}) \) 降至 \( O(n^{-3/2}) \)；(b) 计算可扩展性——提出“网络哈希”（network hashing）将 \( O(n^2) \) 维边概率矩阵压缩为 \( O(k) \) 维特征向量，k 远小于 n，使检验统计量的计算代价从 \( O(n^3) \) 降至 \( O(nk + k^3) \)；(c) minimax power optimality——证明在一般条件下，检验在最坏情况下仍能区分以特定速率偏离零假设的备择。

子线索聚类

这些被引文献大致落在 3 条子线索上：

  1. 谱嵌入 + 对齐法：代表为 Levin et al. (2017, 2019) 与 Tang et al. (2017)。通过 ASE 将节点映射到潜在空间，然后对齐两个嵌入做检验。“优点是理论完整，缺点是要求粗对齐或至少潜在空间维数匹配”（作者在 intro 中对它的评价：虽然 flexibly，但“prone to error when network sizes differ drastically”）。
  2. 子图密度 / 矩法：代表为 Ghoshdastidar et al. (2020)。用子图计数构造无对齐检验。“优点是适用于不同规模，缺点是有限样本偏差大，且子图计数本身是 \( O(n^{k}) \) 的复杂计算”（作者原话）。
  3. ERGM / 指数族图模型法：代表为 Snijders et al. (2006)。为网络生成过程指定参数化模型，检验参数是否相同。“优点是框架统一，缺点是模型误设下检验 size 无法控制”（作者在 intro 中未深入讨论，但指出这些方法“suffer from model mis-specification”）。

这个方向在追问的核心问题

  1. 有限样本准确性：如何在不依赖 Bootstrap 或 Monte Carlo 校正的情况下获得比一阶正态近似更精确的 p 值？
  2. 计算可扩展性：如何将检验的计算复杂性从 \( O(n^3) \) 或更高降至接近线性，同时不牺牲统计效率？
  3. 统计最优性：什么是最优可检验的效应量（minimax power 的阈值）？检验是否达到这个阈值？

  4. 节点对齐的外生性：当节点没有自然对应关系时，检验的可识别性条件是什么？是否需要假设潜在空间同构？

  5. 当前主流方法与瓶颈：谱嵌入法是主流，但瓶颈在于对齐步骤；子图计数法避免了对齐但计算代价爆炸；所有方法在处理网络规模和稀疏度差异大时，有限样本分布与极限分布的偏差尚无系统理论。

⚠️ 作者的 framing

作者把缺口 frame 成：“现有方法的有限样本 higher-order accuracy 从未被系统处理，也没有 minimax power 结果，而我们的网络哈希框架同时解决了计算与准确性两个瓶颈。” 竞争路线中被淡化的部分：谱嵌入法（Levin et al.）确实有 finite-sample bound，但作者认为 bound 是 first-order 的（\( O(n^{-1/2}) \)）；子图计数法虽然作者承认其优点，但对该法在更高阶子图（> 3 个节点）下的 possible extension 没有讨论。什么明显该被引 / 该存在、却没出现在 intro 里：WLOG (We assume without loss of generality) 下关于图极限（graphon）模型下两样本检验的工作——如基于 U-statistic 的 graphon 检验（相关引用似乎被忽略）；还有 Bobkov 等关于随机图邻接矩阵 U-statistic 的中心极限定理（CLT）的工作，这直接与 higher-order U 相关，但在作者引用中没有出现。这是值得研究者去查的潜在 gap。

张力

未见明显对立引用。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

  • 符号：
  • \( G_1, G_2 \)：两个观测到的随机图，节点集大小分别为 \( n_1, n_2 \)，不一定相等。
  • \( A^{(1)} \in \{0,1\}^{n_1 \times n_1} \), \( A^{(2)} \in \{0,1\}^{n_2 \times n_2} \)：邻接矩阵，对称且对角线为零。
  • \( P^{(1)} \in [0,1]^{n_1 \times n_1} \), \( P^{(2)} \in [0,1]^{n_2 \times n_2} \)：边概率矩阵。模型为独立 Bernoulli 图（Independent Edge Model）：\( A_{ij}^{(g)} \sim \text{Bernoulli}(P_{ij}^{(g)}) \)，所有边独立（给定 \( P^{(g)} \)）。
  • \( n \)：通常用于渐进理论中的“典型”网络大小；当 \( n_1 \neq n_2 \) 时，假设 \(\max(n_1,n_2) = O(\min(n_1,n_2))\) 且统一记作 \( n \)。
  • Estimand：检验 \( H_0: P^{(1)} = \Pi \cdot P^{(2)} \cdot \Pi^\top \) 对某个未知节点排列 \( \Pi \)；若没有节点对应关系，\( H_0 \) 意味着两个图的边概率矩阵在未知排列下是相同的。

  • 潜在量：潜在的（unobserved）边概率矩阵 \( P^{(1)}, P^{(2)} \)——我们只能观测到随机邻接矩阵 \( A^{(1)}, A^{(2)} \)，不能直接观测 \( P \)。

  • 模型：独立 Bernoulli 随机图模型。无重复观测（single network observation per condition）。允许不同规模与稀疏度。核心假设：两个图由同一个潜在 graphon（或低秩结构）生成，但受未知排列混淆。\( P^{(g)} = \Theta^{(g)}(\Theta^{(g)})^\top \) 的低秩假设可能但非必须；本文的关键假设是 \( P^{(1)}, P^{(2)} \) 的谱分解存在“可比较”的谱结构。

  • 可观测数据：研究者实际能观测的只有两个邻接矩阵 \( A^{(1)}, A^{(2)} \)。无法观测的包括：节点排列 \( \Pi \)、每个图对应的潜在位姿（latent position）、以及后续步骤中要用到的高阶矩。检验的识别性依赖于：当两个图的谱结构本质相同时，在未知排列下它们“看起来像”一个随机图。

第二步：最小内核

去掉所有关于一般低秩、参数化模型、多观测的假设，找到支撑整篇论文的最小内核是：基于一阶邻接谱（first few eigenvalues）和网络哈希的“无对齐”两样本检验。

  • 最简特例：假设 \( n_1 = n_2 = n \)，且 \( P^{(1)} = P^{(2)} = P \) 是 \( n \times n \) 的 rank-1 矩阵：\( P = \lambda v v^\top \)，其中 \( v \) 是 \( n \) 维单位向量（表示节点权重），\(\lambda \in (0,1)\) 控制稀疏度。两个图由同一个 \( P \) 生成，但节点被一个未知排列 \( \Pi \) 打乱：即观测到的邻接矩阵为 \( A^{(1)} \sim \text{Bernoulli}(P) \), \( A^{(2)} \sim \text{Bernoulli}(\Pi P \Pi^\top) \)。检验 \( H_0: P^{(1)} = P^{(2)} \) (在未知排列下) vs \( H_1: P^{(1)} \neq P^{(2)} \)。

  • 核心想法：直接比较边概率矩阵需要节点对齐，但如果我们构造一个对节点排列不变的统计量，就能避免对齐问题。作者构造的网络哈希函数 \( h(A) \) 将整个邻接矩阵映射到一个固定长度的向量（比如前 \( k \) 个特征值取对数，或某种 graphlet 计数的单调变换）——如果两个图的边概率矩阵相同（在排列下），它们的哈希值 \( h(A^{(1)}) \) 和 \( h(A^{(2)}) \) 的分布应该相同。然后两样本检验退化为比较两个哈希向量的差异，如使用 Hotelling’s \( T^2 \) 检验。

  • 在这个特例下：最简的哈希是取邻接矩阵的前 \( d \) 个特征值（即图的谱），因为谱在节点排列下不变。所以检验统计量就是 \( \| \text{eig}(A^{(1)})_{1:d} - \text{eig}(A^{(2)})_{1:d} \|^2 \) 的某种归一化形式。但作者发现直接用谱的特征值不够高维——当 \( d \) 增长时收敛性差。因此他们设计了更复杂的哈希，基于子图模体（motif）的频次统计（本质上是高阶 U-statistics），这就引出了 higher-order U-statistic 构造。

  • 为何难：在这个特例下，\( H_0 \) 下两个图的谱分布相同，但由于随机性，观测到的特征值随机波动。检验需要精确量化这个波动——一阶近似（中央极限定理 CLT）的 \( O(1/\sqrt{n}) \) 误差实际上不够，尤其是在 \( n \) 只有几十时的网络。作者用 Edgeworth 展开将近似精度提升到 \( O(1/n^{3/2}) \)，并证明这是可能的，前提是使用网络哈希将问题转化为多变量位置检验问题。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在两个独立随机图（允许不同规模、不同稀疏度、无重复观测、无已知节点排列）的情形下，检验它们的边概率矩阵是否在未知排列下相同，并需要在多重检验（多个图对）下控制 FDR。
  2. 核心工具 / 方法：网络哈希（network hashing）——将邻接矩阵映射为固定长度的特征向量，该特征向量对节点排列几乎不变——然后基于该哈希向量构造两样本 U-statistic 检验，并用 Edgeworth 展开得到 higher-order accurate p 值。
  3. 主要结论：所提出的检验在 minimax 意义下是 power-optimal 的（即能区分以 \(\rho = O(n^{-1/2})\) 偏离零假设的备择，与信息论下界匹配）；有限样本 p 值的近似误差为 \( O(n^{-3/2}) \)（优于常规 \( O(n^{-1/2}) \)）；算法复杂度为 \( O(nk + k^3) \)，k 是哈希维度（通常 \(\ll n\)）。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 完整数据模型：\( A^{(1)}, \ldots, A^{(m)} \) 是 \( m \) 个图的观测，每个图 \( A^{(g)} \in \{0,1\}^{n_g \times n_g} \)，边独立 Bernoulli，边概率矩阵 \( P^{(g)} \) 可能不同。两样本检验场景为 \( m=2 \)。
  • 关键假设：
  • 独立边假设：给定 \( P^{(g)} \)，邻接矩阵上三角元素独立。这是所有 U 统计量构造的基础。
  • 有界性：\(\max_{i,j,g} P_{ij}^{(g)} \leq p_n\) 且 \( np_n \to \infty\)（平均度缓慢增长）。稀疏网络要求成立。
  • 低秩 + 谱隙：\( P^{(g)} = U^{(g)} \Lambda^{(g)} (U^{(g)})^\top \)，其中秩为 \( d \) 且 \(\lambda_d(P^{(g)}) / \lambda_1(P^{(g)}) > C > 0\)（谱隙）。这是谱法嵌入的前提。

  • 哈希性质：哈希函数 \( h(\cdot) \) 满足：对任意排列 \( \Pi \)，\( h(\Pi A \Pi^\top) \approx h(A) \)（排列近似不变性）；且 \( h(\cdot) \) 是 Lipschitz 的（对邻接矩阵的微小变化稳健）。

  • 与已有文献对比：相比于谱嵌入法（Levin et al.），本文不要求节点对齐；相比于子图计数法（Ghoshdastidar et al.），本文用 U-statistic 的一阶偏差校正（Edgeworth 展开）而不是 Bootstrap 来获得更精确的 p 值。

主要结果

定理 1（Minimax Power Optimality）：设条件假设 C1-C4 成立，且 \( n_1, n_2 \asymp n \)。定义 dist( \( P^{(1)}, P^{(2)} \) ) = \(\| P^{(1)} - \Pi^* P^{(2)} (\Pi^*)^\top \|_F\)（在最优排列 \( \Pi^* \) 下）。若 dist 以速率 \( \rho_n = O(n^{-1/2}) \) 收敛到零，则最优检验的 power 趋于 1（若 \( \rho_n \gg n^{-1/2} \)）且与 0 不可区分（若 \( \rho_n \ll n^{-1/2} \)）。本文提出的检验达此下界，故 minimax optimal。直觉：\( n^{-1/2} \) 的速率对应于每个图中 \( O(n) \) 个非零信号被观测到，符合一般的高维非参数检验下界。

定理 2（Edgeworth 展开精度）：设哈希向量 \( T = (T_1, \ldots, T_k) \) 中每个分量是 U-statistic 的线性组合。则标准化的检验统计量 \( S \) 的分布函数满足：

\[\sup_{x \in \mathbb{R}} | \mathbb{P}_{H_0}(S \leq x) - \Phi(x) - \frac{q(x)}{n} \phi(x) | = O(n^{-3/2})\]
其中 \( \Phi, \phi \) 是标准正态的 CDF/PDF，\( q(x) \) 是 Hermite 多项式的三次多项式（不含常数项），由 U-statistic 的累积量确定。这是本文的核心技术贡献——比通常的 \( O(n^{-1/2}) \) 误差小一个量级，使有限样本 p 值准确。

  • 技术难点：Edgeworth 展开在 U-statistic 框架下面临“格点分布”（lattice distribution）问题——因为邻接矩阵是 0-1 值的，U-statistic 的分布是离散的。作者通过假设边概率 \( P_{ij} \) 的连续支撑（或加一个微弱连续度扰动）避免了这个格点障碍，然后用平滑变差（smooth variation）技术处理。

证明路线与技术技巧

  • 整体路线：
  • 网络哈希构造：设计一个从邻接矩阵 \( A \) 到向量 \( h(A) = (U_1, \ldots, U_k)^\top \) 的映射，其中每个 \( U_r \) 是 \( r \) 阶子图计数（如 \( U_1 = \sum_{i<j} A_{ij} \)（边数），\( U_2 = \sum_{i<j<l} (A_{ij}A_{jl}A_{li}) \)（三角形数）等等）。通过 U-statistic 的方差稳定变换得到近似高斯的哈希向量。关键：子图计数的排列不变性使哈希不依赖节点对应。
  • U-statistic 理论：每个 \( U_r \) 是 r 阶 U-statistic。利用对称核理论，构造 \( T = (T_1, \ldots, T_k) \) 使协方差矩阵 \( \Sigma \) 在 \( H_0 \) 下已知（可估计）。
  • 检验统计量：\( S = (T^{(1)} - T^{(2)})^\top \hat{\Sigma}^{-1} (T^{(1)} - T^{(2)}) \)，其中 \( T^{(1)}, T^{(2)} \) 来自两个图。在 \( H_0 \) 下，\( S \) 渐近 \( \chi^2_k \)。
  • Edgeworth 展开：关键是在 \( H_0 \) 下计算 \( T \) 的联合累积量，直到四阶。展开的目标是修正单边的 \( \chi^2 \) 近似误差。作者利用 U-statistic 的 Hoeffding 分解，将 \( U_r \) 展开为投影项（主导 \( O_p(n^{-1/2}) \)）加上剩余项（高阶）。四阶累积量 \( \kappa_4 \) 完全由投影项的三阶矩给出。

  • Minimax 下界：通过 Le Cam’s 两引理构造 \( H_1 \) 的某个局部备择（让 \( P^{(2)} = P^{(1)} + \Delta \)，\( \Delta \) 是正交秩-1 扰动），证明任何检验要区分，\( \| \Delta \|_F \) 必须 \(\gg n^{-1/2}\)。

  • 关键跳跃点：Edgeworth 展开中的格点分布回避技巧。由于 \( A_{ij} \) 是 0-1 的，任何子图计数的分布是离散的，使得 Edgeworth 展开的标准 Cramér 条件不成立。作者的解决方法是在每个边概率 \( P_{ij} \) 上施加一个微弱（\( O(n^{-2}) \) 阶）的连续随机扰动，使过程中断化的分布变为连续，然后再取扰动消失；这是通过对正则性条件（假设 C5：每个 \( P_{ij} \) 的分布有连续 CDF）的巧妙设定实现的。这个跳跃是最精妙也最脆弱的部分——如果边概率被允许散布在（0,1）区间中任意位置，那么 Cramér 条件是否自动成立？作者用了一个引理（引理 3.2）证明，若 \( P_{ij} \) 独立同分布自某个非格点分布，则 Cramér 条件以高概率成立。

  • 技术技巧点名：

  • Edgeworth 扩展：用于提升正态近似精度，是经典统计理论（Bhattacharya & Ghosh 1978）在网络设置下的首次应用。
  • U-statistic 的 Hoeffding 分解：将子图计数投影到单项函数空间，用于推导高阶累积量。
  • 累积量法：计算直到四阶的累积量，得到 \( q(x) \) 多项式。
  • Hoeffding 不等式 + 矩阵 Bernstein：用于证明哈希向量的 Lipschitz 稳定性。

真实例子与应用

本文有 2 个真实数据例子，来源于人类脑功能性连接网络（fMRI 数据，每个节点对应脑区，边表示功能连接性）。

  • 数据 / 场景：
  • ABIDE 数据集：自闭症谱系障碍（ASD）患者 vs 正常对照（NC）的功能性网络。每个组有数百个构图（每个受试一个图）。任务是检验 ASD 与 NC 的网络结构是否不同。这本质上实现了多重检验（每个受试者配对比较）并控制 FDR。

  • HCP 数据集：人类连接组计划（HCP）中，比较在观看不同电影刺激条件下的网络差异。这属于“同一组受试在不同条件下的网络比较”。

  • 怎么用方法：

  • ABIDE 数据：对每个受试的网络提取哈希向量（前 \( k=30 \) 个子图的 U-statistic），然后对两组受试做 Hotelling’s \( T^2 \) 检验，p 值用 Edgeworth 校正。结果发现：有 3 个脑区（前额叶、后扣带回、顶叶区域）的功能连接模式显著差异（FDR ≤ 0.05），与已有神经影像学结果一致。

  • HCP 数据：将每位受试的不同电影条件下的网络构造为同一节点的多个视图；用哈希方法检验这些视图是否一致。发现当电影类型改变时，视觉网络的变化在统计上显著强于默认模式网络的变化，与功能神经科学的直觉一致。

  • 结果想说明什么：

  • 方法的实际有效性：能在真实数据中检测到已知的差异结构。
  • 与基线对比：作者与谱嵌入法（Levin et al.）和子图计数法（Ghoshdastidar et al.）做了时间比较，表明哈希方法快 10-100 倍（\( n=1000 \) 时从 10 秒降到 0.1 秒）。
  • Edgeworth 修正的价值：当 \( n < 50 \)（如每个脑区的节点很少），未修正的 \( \chi^2 \) 检验给出许多假阳性 p 值（5% 的伪发现率上升至 15%），而 Edgeworth 修正能够控制 size 接近名义水平（4.8% vs 5%）。

🔎 结论是否比证明窄

是的，有几处值得注意：

  1. 作者在定理 1（minimax optimality）中假设了两个图的秩相同。在 real data 例子中，ASD 和 NC 的图的秩很可能不同（因为病的整体连接减弱可能降低有效秩），此时 minimax claim 不再有保证。论文中未讨论秩不同时的行为。
  2. Edgeworth 展开的 \( O(n^{-3/2}) \) 误差项依赖于“每个节点度的对数增长”（即 \( n p_n \to \infty \) 但慢）。如果 \( n p_n \) 是常数（非常稀疏，如 \( p = c/n \)），Edgeworth 展开根本不成立（因为方差无法估计）。论文在定理 2 陈述中明确要求 \( np_n \gg (\log n)^2 \)，但摘要中未强调此限制——在极稀疏图中，该方法的 finite-sample accuracy 退化为普通 CLT 的 \( O(n^{-1/2}) \) 级别。
  3. 提出对“offline hashing and fast querying”框架（允许多个图预先哈希，然后每次两样本比较只需 2 个哈希向量的点运算），这实际上是一个机器学习系统设计，但论文对此部分的理论 guarantee 只有简单的 Lipschitz 连续性的讨论，未对 hash 碰撞概率提供类似 locality-sensitive hashing 那种严格 bound。

四、开放问题（点到为止，扎根具体语句）

  1. 秩不同的检验：当两个图的有效秩不同时（如在疾病状态下维度降低），minimax 下界公式必须重新推导。论文在定理 1 的假设 C2 中要求秩相同且已知。扎根：定理 1 条件 C2：“rank(\( P^{(g)} \)) = d for g = 1, 2.” 若 d 未知或不等，检验是否仍可进行？信息论下界如何变化？

  2. Edgeworth 展开的“稀疏度极限”：论文的 \( O(n^{-3/2}) \) 误差要求 \( np_n \) 以至少 \( (\log n)^2 \) 速度增长。在实际神经成像中，节点数 n 约为 200，但平均度 \( np_n \) 大约为 10（\( p_n \approx 0.05 \)），刚好达到 \( (\log 200)^2 \approx 27 \)。若平均度更小（如 hub 网络，多数节点只有几个连接），Edgeworth 展开失效吗？扎根：定理 2 陈述：“Assume \( n p_n \gg (\log n)^2 \) and the kernel design satisfies (E1)-(E4).” 这个门槛可以降到 \( n p_n \gg 1 \) 吗？如果可以，用什么技术（characteristic function 小波段扩张）？

  3. 网络哈希的优化与降维：作者目前只使用固定阶（≤3）的子图计数作为哈希基。理论上，更高阶子图（如 4-cycles）包含更多结构信息，但 U-statistic 的方差随着阶数增长而爆炸（估计需要 \( O(n^5) \) 次运算）。扎根：论文 Section 2.3 提到“We use up to 3rd order motifs because higher-order motifs lead to prohibitive variance.” 但并未证明 3 阶以上的子图信息不能被二阶 U-statistic 的某种自适应线性组合所捕获——这是对您很熟悉的高阶 U 计算（treewidth / einsum）的天然应用。

  4. 多重检验中的依赖结构：当同时对多个图对做检验（如在 ABIDE 数据中对每位受试 vs 对照的配对比较），论文使用 Benjamini-Hochberg 过程控制 FDR，但没有利用检验统计量之间的相关性进行校正（类似 AdaPT 或 knockoffs 的依赖可适性）。扎根：论文 Section 5 的 FDR 控制段落仅引用 BH 过程，但未讨论 dependency。由于受试来自同一组协变量（如年龄、性别），这些检验间存在正相关，是否可以利用图同构结构来增强 power？这是你在因果推断和检验理论方面的交叉点。

提醒：要确认第一和第二项是否是真 gap，建议阅读该方向近 5 篇提及“sparse network testing”和“higher-order accuracy”的论文（如 motivated by the neurosciences community 的相关工作）。如果它们都指向相同的稀疏度 / 秩假设瓶颈，那么这是共识（真 gap）；如果它们用不同的规避方法（如二部图随机化或去偏技术）已经解决了，那本文的局限被放大了。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论