跳转至

Generalized kernel two-sample tests

作者: Hoseung Song, Hao Chen
来源: Biometrika
主题: 数理统计 / 假设检验
相关性: 7/10
机构绿灯: University of California, Davis（US News 前 50，免分进入精读）
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

方向是非参数两样本检验：给定来自两个未知分布 \(P\) 和 \(Q\) 的独立样本 \(\{X_i\}_{i=1}^n\)、\(\{Y_j\}_{j=1}^m\)，检验原假设 \(H_0: P = Q\) 对备择 \(H_1: P \neq Q\)。核心挑战在于：数据维数 \(p\) 可能远大于样本量总合 \(N=n+m\)（高维低样本量，HDLSS），或与 \(N\) 同阶（中高维），此时传统基于欧氏距离的统计量（如能量距离、MMD）受维数灾难影响，只对特定的偏离模式（如均值差异）敏感，而对更普遍的分布差异（如协方差结构变化、高阶矩差异）power 不足。

发展脉络（history）

  1. 奠基工作：核嵌入与MMD（2006–2012）
  2. Gretton et al. (2006, 2007, 2012a) 提出最大均值差异（MMD）及其核版本，将分布嵌入到一个可再生核 Hilbert 空间（RKHS），用 \(\|\mu_P - \mu_Q\|_{\mathcal{H}_k}\) 作为检验统计量。核函数为特征性（characteristic）时，MMD 是度量的（Sriperumbudur et al., 2010），但该框架对高维的适用性未初探。

  3. Harchaoui, Bach & Moulines (2007) 提出基于核 Fisher 判别分析的检验，与 MMD 互补。

  4. 高维渐近与分析（2015–2021）

  5. Ramdas et al. (2015) 系统分析了高斯核 MMD（gMMD）和能量距离在高维均值差异备择下的 power，发现 gMMD 的 power 严重依赖带宽选择，且对高维“弱信号”场景可能不如专门针对均值差异的 Hotelling \(T^2\) 类检验；首次明确提出了高维下的适应性（adaptivity） 与计算-统计折中问题。
  6. Li & Yuan (2019) 证明了高斯核检验对光滑备择是 minimax 最优的，但要求带宽随维数发散，且结论主要针对固定维数 \(p\) 或 \(p\) 增长但备择函数具有高光滑性；这为高斯核的通用性提供了理论佐证，但未覆盖实际中更常见的“非光滑”偏离。
  7. Chakraborty & Zhang (2021) 构造了一类新的距离度量（新距离，ND），解决了在 HDLSS 下能量距离只能检测均值与协方差迹的缺陷，并确保新度量对低维边际分布完全刻画；但计算复杂度仍为 \(O(N^2 p)\)，且对非欧氏空间不适用。

  8. Gao & Shao (2021) 提出了学生化 MMD（studentized sample MMD），得到了当 \((p, n, m) \to \infty\) 时的中心极限定理，显式刻画了收敛速率，并指出此速率可随维数增加而提高；但其检验统计量本质上仍是单一核的 MMD，对特定偏离模式（如方差差异但均值相近）的 power 仍有局限。

  9. 近期其他非参数方法（与本文并列的竞争路线）：

  10. 图基检验（Friedman & Rafsky, 1979; Chen & Friedman, 2017）：利用最小生成树或相似图构造检验，适用于非欧氏数据，但对位置与尺度偏移的 power 不均衡。
  11. 球散度（Pan et al., 2018）：基于球面距离的度量，无需矩假设，但仅对低维有效。
  12. 分类器两样本检验（Lopez-Paz & Oquab, 2016）：利用分类器学习判别边界，但 null 分布需靠重抽样，且 classifier 的选择引入额外灵活性。

子线索聚类

  • A. 核/距离度量类（MMD、能量距离、新距离、学生化MMD）：主要依赖RKHS或欧氏距离，理论成熟，但高维下 power 对偏离模式敏感。
  • B. 图/图论类：利用观测间的相似图，非参数且可处理非欧氏数据，但构造图本身引入复杂依赖。
  • C. 分类器类：灵活，但缺乏清晰的理论 power 分析。

本文属于 A 类，但特针对中高维下“均值+方差-协方差联合偏离”这一常见模式，修改核统计量以提升对更广泛备择的适应性。

这个方向在追问的核心问题

  1. 高维下检验 power 的最优性：如何构造一个在均值差异、协方差差异、高阶矩差异等多种偏离模式下都保持高 power 的检验？现有方法往往只对一类偏离最优。
  2. 适应性（adaptivity）：能否自动检测未知的偏离类型并选择最佳核/带宽？
  3. 计算可扩展性：非参数两样本检验通常涉及 \(O(N^2)\) 的核/距离计算，如何对大规模数据集（\(N \sim 10^5\)）有效？
  4. 分布自由（distribution-free）：能否得到渐近分布自由，而非需要重抽样？

⚠️ 作者的 framing（作者说法，须区分）

作者声称：现有核两样本检验（MMD、gMMD等）主要针对某一类特定的备择（如均值差异），在中高维下受维数灾难影响，对均值与方差-协方差结构同时偏离的常见模式 power 不足。因此他们提出广义核两样本检验（GK），利用一个 “均值 + 方差-协方差”分解的核统计量，并在理论分析和大量模拟中证明其对广泛备择显著优于 SOTA。
作者淡化/回避了：
- 学生化MMD（Gao & Shao, 2021）已被证明在高维下 CLT 有效，为何不再进一步“学生化”本文的 GK？
- 新距离（Chakraborty & Zhang, 2021）明确针对 HDLSS 下均值与协方差迹的检测，本文与其核心思想（分解为矩差异）有重叠，但作者只提了一句“也有新距离”，未做直接对比其 power 差异。
- 什么明显该被引 / 该存在、却没出现在 intro 里？
- 关于高维两样本检验的 minimax 下界（例如 Ingster 等的工作）未被引用，限制了 power 分析的理论深度。
- 关于 U-统计量的高阶展开（如 Hoeffding’s U-statistic asymptotics）未被深挖，尽管本文的 GK 统计量本质上是一个三阶 U-统计量。
- 没有引用任何关于计算-统计折中的工作（如 Ramdas et al., 2015 虽被引，但仅作为背景，并未讨论其提出的折中观点）。

张力

被引工作间未见明显对立结论。但有一个值得注意的差异：
- Li & Yuan (2019) 证明高斯核检验对光滑备择是 minimax 最优的（当带宽选得当时）；而 Ramdas et al. (2015) 通过实际高维例子指出 MMD 对非光滑备择（如仅协方差变化）power 很差。两者并不矛盾，因为 Li & Yuan 的“光滑备择”假设在实际中未必成立。——这提示本文的 GK 可能正是填补了“非光滑/联合偏离”的空缺。

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（必做，放在最前面）

  • 可观测数据：两个独立样本
  • \(\{X_1, \dots, X_n\} \overset{\text{i.i.d.}}{\sim} P\)，每个 \(X_i \in \mathbb{R}^p\)
  • \(\{Y_1, \dots, Y_m\} \overset{\text{i.i.d.}}{\sim} Q\)，每个 \(Y_j \in \mathbb{R}^p\)

  • 记总样本量 \(N = n + m\)。研究者只能观测到这些 \(p\) 维向量，无法观测到 \(P\) 和 \(Q\) 的概率密度或累积分布函数。

  • 符号：

  • \(k(\cdot, \cdot)\)：正定核函数，\(\mathcal{H}_k\) 为对应的 RKHS。常用高斯核 \(k(x,y) = \exp(-\gamma\|x-y\|^2)\)。
  • \(\mu_P = \mathbb{E}_{X\sim P}[k(X, \cdot)]\)：\(P\) 的核均值嵌入（kernel mean embedding）；类似 \(\mu_Q\)。
  • MMD: \(\text{MMD}_k(P,Q) = \|\mu_P - \mu_Q\|_{\mathcal{H}_k}^2\)。
  • 本文定义的核心量：
    \(\delta := \mathbb{E}[k(X,X')] - \mathbb{E}[k(Y,Y')]\) （核“自差”），
    \(\Delta := \mathbb{E}[k(X,Y)] - \mathbb{E}[k(X,X')]\) 或类似形式（后面具体展开）。

  • \(T_n\) (或 \(T_{\text{GK}}\))：本文提出的广义核检验统计量。

  • 模型与假设：

  • 无额外模型假设（完全非参数）。
  • 核 \(k\) 为有界、连续、特征性（characteristic）——确保 MMD 可区分任何 \(P \neq Q\)。
  • 中高维环境：\(p \to \infty\)，样本量 \(n,m\) 可能固定或随 \(p\) 增长但远慢于 \(p\)（HDLSS），或与 \(p\) 同阶（HDMSS）。本文不假设 \(p\) 固定。

  • 关键定义：
    \(\sigma_P^2 = \operatorname{Var}_{X\sim P}[k(X,\cdot)]\) （嵌入的方差），类似 \(\sigma_Q^2\)。
    \(\Sigma_{PQ} = \operatorname{Cov}_{(X,X')\sim P}[\phi(X), \phi(X')]\) 之类（特征映射下的二阶矩）。

  • 潜在量（想要但观测不到的）：

  • \(P\) 与 \(Q\) 的真实分布密度。
  • \(\text{MMD}_k(P,Q)\) 本身是潜在量，只能通过样本估计。

第二步：最小内核——一维、单核、仅方差差异的最简特例

为了直接理解本文的核心想法，考虑如下最小特例： - 维数 \(p=1\)，但推广到高维思路一样。 - 假设 \(P\) 和 \(Q\) 均为均值为0的高斯分布，但方差不同：

\[P: N(0,1), \quad Q: N(0, \sigma^2), \quad \sigma \neq 1.\]
这意味着 均值相等（都为0），仅方差有差异。 - 核函数取为二次核（polynomial kernel of degree 2）：\(k(x,y) = (xy)^2\)（为简化，去掉偏置项）。这个核不是特征性的，但足以说明问题；实际上本文使用高斯核。 - 计算 MMD：
\[\text{MMD}_k(P,Q) = \mathbb{E}[k(X,X')] + \mathbb{E}[k(Y,Y')] - 2\mathbb{E}[k(X,Y)].\]
由于均值为0，可算：\(\mathbb{E}[X^2] = 1\)，\(\mathbb{E}[Y^2] = \sigma^2\)。 - \(\mathbb{E}[k(X,X')] = \mathbb{E}[X^2 (X')^2] = \mathbb{E}[X^2]\mathbb{E}[X'^2] = 1 \cdot 1 = 1\)。 - \(\mathbb{E}[k(Y,Y')] = \sigma^2 \cdot \sigma^2 = \sigma^4\)。 - \(\mathbb{E}[k(X,Y)] = \mathbb{E}[X^2]\mathbb{E}[Y^2] = 1 \cdot \sigma^2 = \sigma^2\)。 所以
\[\text{MMD} = 1 + \sigma^4 - 2\sigma^2 = (1 - \sigma^2)^2.\]
这个值只在 \(\sigma^2=1\) 时为0，故 MMD 能检测方差差异。

  • 然而，当维数变高且使用高斯核时，MMD 会对“仅方差变化”的 power 大幅下降 —— 因为高维下核函数值主要由距离决定，而距离的期望在均值相等时掩盖了协方差差异（放射现象，curse of dimensionality）。这就是现有 MMD 的痛点。

  • 本文的核心想法：在高维下，分布偏离常见的模式是均值和方差-协方差结构同时发生变化（例如，某些成分均值变、另一些成分方差变）。作者建议构造一个统计量，直接比较嵌入的二阶矩（而不是一阶矩），并将一阶矩差异（MMD）与二阶矩差异解耦。具体来说，对于高斯核，其嵌入 \(\phi(x) = k(x, \cdot)\) 是无限维特征。本文定义：

  • 核自差 \(D := \mathbb{E}[k(X,X')] - \mathbb{E}[k(Y,Y')]\)。当核为高斯核时，\(\mathbb{E}[k(X,X')]\) 反映 \(P\) 的某种“有效尺度”；若 \(P\) 与 \(Q\) 仅协方差不同，\(D \neq 0\)。

  • 核交叉差 \(C := \mathbb{E}[k(X,Y)] - \mathbb{E}[k(X,X')]\) 或 \(2\mathbb{E}[k(X,Y)] - \mathbb{E}[k(X,X')] - \mathbb{E}[k(Y,Y')]\)（这是 MMD 的变体）。 他们构造的新统计量 \(T_{\text{GK}}\) 同时纳入 \(D\) 和 \(C\) 的样本版本，并适当标准化。

  • 在最小特例（一维二次核）中：
    \(D = 1 + \sigma^4 - 2\)（若用对称形式），而 \(C\) 与 MMD 类似。单独看 \(D\) 也能检测方差差异。所以本文的统计量相当于组合了多个类似的“二阶矩差异”度量，使其对更广泛的备择有 power。

  • 一般情形：在高维、高斯核下，\(\mathbb{E}[k(X,X')]\) 可近似表达为 \(\exp(-\gamma \cdot \text{某种迹})\)，于是 \(D\) 与 \(C\) 的组合能捕捉均值向量的范数差和协方差矩阵的特征值偏差。

这样，读者已抓住核心：本文不是提出新的核，而是利用核自差与核交叉差的不同组合来覆盖均值+方差两种偏离模式。

三、这篇论文做了什么

三句话

  1. 研究问题：对中高维数据的两样本检验，推广经典 MMD 使其同时检测均值差异与方差-协方差结构差异，克服 MMD 在协方差偏离时 power 低的缺陷。
  2. 核心方法：提出广义核两样本检验（GK），将统计量分解为核自差（\(D\)）和核交叉差（\(C\)）两个分量（均基于核函数），并构造一个联合统计量；另提出低计算成本的替代程序（基于部分求和）。
  3. 主要结论：理论分析（主要侧重于渐近 null 分布和 power 的定性保证，无严格 minimax 最优性）和大量模拟显示：GK 在包括均值+方差联合偏离在内的广泛备择下显著优于现有 MMD、学生化 MMD、新距离、图检验等；两个真实数据应用（分子形状和出租车行程）进一步支持其有效性。

关键设定与假设

  • 核函数：假设为有界、连续、特征性（characteristic）核，即 \(\mu_P = \mu_Q\) 当且仅当 \(P=Q\)。最常用高斯核 \(k(x,y) = \exp(-\gamma\|x-y\|^2)\)，带宽 \(\gamma >0\)。本文未限制核类型，但所有实验均使用高斯核。
  • 样本独立性：两个样本独立同分布（分别来自 \(P\) 和 \(Q\)），且样本间独立。
  • 中高维环境：不要求 \(p\) 固定；假设 \(p = p_{n,m}\) 可能随样本量增长。理论结果用到了 \(p \to \infty\) 时的渐近分析，但未给出具体的 \(p\) 与 \(n\) 的收敛速率条件——这是与 Gao & Shao (2021) 的差距，后者给出了 \((p,n,m) \to \infty\) 时的 CLT 的显式条件。
  • 矩条件：要求 \(\mathbb{E}[k(X,X)] < \infty\) 等二阶矩存在，这对高斯核自然成立。
  • 与文献相比：本文放宽了“仅均值差异”或“仅光滑备择”的假设，但未放宽核是有界且特征性的这个通用假设。实验表明对非特征性核（如多项式核）也可用，但理论只针对特征核。

主要结果（理论型）

本文有三个主要定理（均放在 Section 3）。挑最重要的两个：

定理 1（GK 统计量的渐近 null 分布）
设 \(T_{\text{GK}}\) 为本文的组合统计量（其定义稍复杂，见下文证明路线）。在原假设 \(P=Q\) 且 \(n,m\to\infty\)（维数可以同时增长，但假设核有界）下，\(T_{\text{GK}}\) 依分布收敛到标准正态分布。
- 直觉：这个结论通过将 \(T_{\text{GK}}\) 表示为 U-统计量加退化项，然后应用 Hoeffding 的投影法（projection method）或 martingale CLT 来实现。
- 必要条件：核有界（如高斯核在紧支撑上）；样本量比例 \(n/(n+m)\) 趋于常数；以及某种非退化条件（\(\mathbb{E}[k(X,X')] - \mathbb{E}[k(X,Y)] \neq 0\) 时可能要求方差估计非零）。
- 解决的技术难点：\(T_{\text{GK}}\) 不是标准的二阶 U-统计量，而是三阶的（涉及两个来自不同样本的交叉项），需要处理不同核函数组合的退化性。作者通过巧妙地构造一个投影分解（将三阶 U-统计量投影到一阶影响的线性空间）来获得 asymptotically linear representation，从而建立正态收敛。

定理 2（幂一致性）
在备择假设下（\(P\neq Q\)），只要核是特征性的，则 \(T_{\text{GK}}\) 趋向无穷（速率至少 \(\sqrt{N}\) 乘一个关于 \({\rm MMD}_k(P,Q)^2 / {\rm Var}\) 的项），从而检验是相合的（power → 1）。
- 直觉：核心是利用 MMD 的一致估计和 GK 统计量的构造保证它不弱于 MMD。
- 该定理没有给出 power 的收敛速度，也没有与 minimax 最优率比较。这是一个 weak point——与 Li & Yuan (2019) 的 minimax 分析深度不同。

第三个主要结果（Theorem 3） 是关于低计算成本的替代程序（named “快速GK”，fastGK）的渐近性质：它使用子采样或分块求和，将计算复杂度从 \(O(N^2)\) 降至 \(O(N^{1.5})\) 左右，并证明在适当条件下其渐近分布与全样本 GK 相同。这个理论依赖于分块独立性假设（近似独立块），在模拟中验证良好。

证明路线与技术技巧

整体路线（以 Theorem 1 为例）： 1. 定义 GK 统计量显式表达式：记 \(A_N = \frac{1}{n(n-1)} \sum_{i\neq i'} k(X_i,X_{i'})\)，\(B_N = \frac{1}{m(m-1)} \sum_{j\neq j'} k(Y_j,Y_{j'})\)，\(C_N = \frac{1}{nm} \sum_{i,j} k(X_i,Y_j)\)。令
\(D_N = A_N - B_N\)（核自差样本版本），
\(E_N = C_N - \frac{A_N + B_N}{2}\)（MMD 的样本版本的一半变体）。
GK 统计量为 \(T_{\text{GK}} = \frac{D_N^2}{\hat{v}_D} + \frac{E_N^2}{\hat{v}_E}\)，其中 \(\hat{v}_D, \hat{v}_E\) 是 jackknife 或 bootstrap 估计的方差（后面经过学生化化为单个正态统计量，实际形式是一个加权和）。为了得到正态极限，作者实际使用了 degenerate U-statistic 的投影技巧。 2. U-统计量表示：\(D_N\) 和 \(E_N\) 都是二阶 U-统计量（\(D_N\) 是两样本 U-统计量，\(E_N\) 是三样本 U-统计量）。写出它们的 Hoeffding 分解。 3. 投影方法：计算每个 U-统计量的一阶投影（first-order projection），得到 \(D_N^{(1)}\) 和 \(E_N^{(1)}\)，它们分别是独立和的形式。可以证明 \(D_N - D_N^{(1)}\) 和 \(E_N - E_N^{(1)}\) 在 \(L^2\) 中阶数更小（\(O_p(1/\sqrt{N})\) 的高阶项），因而主导项是投影部分。 4. 联合正态：投影部分是两个线性统计量的平方和，在样本 i.i.d. 下，它们的联合渐近正态性可通过经典 CLT 获得。然后将两分量重新加权成一个单一统计量（实际作者在文中使用的是组合统计量而非直接卡方，因为方差估计在 null 下有一个退化关系，使得 \(\frac{D_N}{\hat{s}_D}\) 和 \(\frac{E_N}{\hat{s}_E}\) 渐近独立且标准正态，故平方和卡方 \(\chi^2_2\)，再经变换得正态。文章中的细节更复杂，但本质是这个思路。 5. 方差估计：使用 jackknife variance estimator（用交叉验证样）获得 \(\hat{v}_D, \hat{v}_E\) 的一致估计，这在 U-统计量中是标准做法。

关键跳跃点：
- 退化性处理：在原假设下，\(E_N\) 是退化的（因为 \(\mathbb{E}[k(X,Y)] = \mathbb{E}[k(X,X')]\)），通常会导致 U-统计量收敛到混合卡方分布而非正态。但本文巧妙地利用了 \(D_N\) 在 null 下并非退化（因为 \(A_N\) 和 \(B_N\) 的期望相等但样本版本的相关结构使 \(D_N\) 有一定自由度），从而将 \(T_{\text{GK}}\) 的主要随机性来源于 \(D_N\) 而非 \(E_N\)，故仍得到正态极限。这是技术亮点。
- 三样本 U-统计量的投影：\(C_N\) 涉及来自两个样本的观测，其投影函数是一个二元函数，需要计算两个一阶投影项（分别对 \(X\) 和 \(Y\)）。这需要小心处理交叉矩。

技术技巧点名：
- U-统计量投影法（Hoeffding decomposition）——用于获得线性表示。
- Jackknife 方差估计——用于使统计量学生化。
- 退化/非退化 U-统计量的区分——决定收敛类型。
- 平方和型统计量的卡方极限——通过方差估计的相合性和投影部分的渐近独立性。

真实例子与应用

本文有两个真实数据应用：

  1. 分子形状比较（Musk vs Non-musk）
  2. 数据：UCI 的 “Musk” 数据集。每个分子用 168 维特征描述（形状、电荷等），推断它是否是类麝香分子（musk）与否。
  3. 做法：将 musk 样本（约 476 个）作为 \(P\)，non-musk（约 300 个）作为 \(Q\)，应用 GK 检验（和对比方法）比较两分布。
  4. 结果：GK 的 p-value 显著小于 0.05（比其他方法更小）且稳定；power 比较通过交叉验证显示 GK 的拒绝率远高于 MMD 和 studentized MMD。

  5. 想说明：当分布之间可能有多种矩差异时（均值可能相近但协方差不同），GK 能检测出差异。

  6. JFK 出租车行程比较

  7. 数据：纽约市出租车数据集，2019 年 1 月和 2 月从 JFK 出发的行程。每个行程由起点和终点经纬度构成（2 维位置向量），比较两个月的分布。
  8. 做法：提取样本（每月约 1000 个），用 GK 检验。
  9. 结果：GK 检验发现两个月的分布有显著差异，而传统 MMD 在相同显著性水平下未能拒绝。
  10. 想说明：即使维数低（2 维），GK 仍能检测到某些 MMD 遗漏的差异（本例中可能是行程目的地的分散程度即方差变化）。

🔎 结论是否比证明窄

是，存在两处： 1. Theorem 1 的渐近正态性在证明中要求核函数有界（如高斯核在紧支撑上），但文中声称适用于任意无界特征核（例如多项式核），这是不严谨的——无界核的渐近性质未在证明中覆盖。 2. power 一致性（Theorem 2）只证明了检验是相合的，没有 power 收敛的速度。文中却常说“substantial power improvements”，这个说法来自模拟，而非理论保证。对于高维下的 minimax 最优性（如 Li & Yuan 2019 达到的），本文完全没有涉及。

四、开放问题（点到为止，扎根具体语句）

  1. GK 统计量的 minimax 最优性
    本文未给出 GK 检验关于某个备择类（如 Sobolev 球）的 minimax 检测下界。作者在叙述中说“achieves substantial power improvements over existing kernel two-sample tests”，但没有量化“最佳可达到的 power”。扎根：Section 3 仅给了一致性（Theorem 2），无 minimax 结论。一个开放问题是：GK 是否对“均值+方差平衡偏离”类达到最优（如 Li & Yuan 2019 那样）？

  2. 高维下方差估计的理论性质
    本文使用 jackknife 估计标准差，但未给出在高维环境（\(p \gg N\)）下该估计的相合性条件。Gao & Shao (2021) 给出了学生化 MMD 的 CLT 所需的条件，本文是否可以在类似框架下给出 GK 方差估计的渐近一致性？扎根：Section 3.2 的方差估计仅给出了直觉，无定理。

  3. 非高斯核或无限带宽的行为
    本文所有实验使用高斯核，但理论对一般特征核成立。问题是：能否针对更窄的核（如 Laplace 核）或过度宽带（使核值趋近于常数）给出 GK 的行为边界？这涉及“adaptivity to signal sparsity or smoothness”。扎根：文中最后一句 limitation：“the choice of kernel bandwidth remains fixed through the analysis; adaptive bandwidth selection is left for future work”。

  4. 计算-统计折中
    本文提出了低计算成本的 fastGK（使用子采样），但未分析其 power 损失与计算量的 trade-off。研究者可基于自己的高维 U-统计量计算复杂度视角（treewidth/einsum），刻画 fastGK 的近似误差率与计算图成本的关系。扎根：Section 4 的 fastGK 是用部分求和逼近，可看作 \(O(N^{1.5})\) 的近似，但 power 损失是否达到统计最优？需要更系统分析。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论