跳转至

Flexible evaluation of surrogacy in platform studies

作者: Michael C Sachs, Erin E Gabriel, Alessio Crippa, Michael J Daniels
来源: Biostatistics
主题: 因果推断
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

这个子方向的核心问题是：在临床试验中，如何利用一个早期或更容易测量的“替代终点”（surrogate endpoint）来预测或替代“临床终点”（true clinical endpoint）上的治疗效应。其根本统计问题是因果推断——因为替代端点是在随机化后测量的，直接条件于它会导致选择偏倚，因此需要专门的识别框架（principal stratification 或 meta-analytic surrogate evaluation）。该领域已相当成熟（自1990年代起），但当前方法论主要针对传统两臂随机对照试验或多中心试验，尚未系统地为平台试验（platform study）这种新兴、更具异质性的试验设计量身定制评估方法。

发展脉络（由本文 introduction 串成）

  1. 奠基与经典框架 (1990s-2000s)：Buysse & Molenberghs 等提出的 meta-analytic 框架被广泛引用——它通过估计“处理对替代终点效应”与“处理对临床终点效应”在多个试验面上的协方差来量化替代价值。这一框架的根基是多元分层模型，但其一个关键缺点是假设替代关系在试验间是同质的（即“效应-关系”是全局的）。
  2. 贝叶斯与分层方法的普及 (2010s)：
    • Daniels & Hughes (2012) 提出了一个贝叶斯分层模型用于替代评估，其核心是直接建模“处理效应对”的联合分布。该方法是本文的一个重要竞争对手/基线（baseline）。
    • Gabriel et al. (2015, 2018) 进一步发展了“trial-level general surrogate”的概念，并使用非参数贝叶斯（Dirichlet Process Mixture, DPM）来灵活建模“效应对”的分布，并引入了交叉验证来量化预测误差，用于比较不同候选替代端点。它首次在替代评估中使用了DPM，但其模型设定假设替代关系在所有试验臂上是全局共享的，未考虑聚类。
  3. 当前 Frontier & 本文定位：
    • Papanikos et al. (2019) 提出了一个分层贝叶斯模型，允许替代关系在不同的治疗类别之间进行信息借用（partial exchangeability），这直接意识到了异质性问题。
    • 本文恰在此处切入：它明确指出，在平台试验中，异质性不仅来自治疗类别，更来自人群、实施质量（如中心经验、操作者差异）和替代端点自身的质量（如某些臂的 biomarker 可能更准确）。这些异质性无法被简单的分层或治疗类别结构捕捉。本文因此提出使用DPM来自动发现数据驱动的子群（clusters），这些子群内具有一致的替代关系，从而允许在不同子群内预测时获得更精确且更诚实的预测区间。

子线索聚类

  1. 基于 meta-analysis 的传统方法：从经典 Buyse & Molenberghs 开始，强调多元正态假设，对异质性处理粗糙（通常仅随机效应）。
  2. 贝叶斯分层方法：从 Daniels & Hughes 开始，使用分层正态模型，假设“效应对”全局来自一个共轭先验。
  3. 非参数贝叶斯替代评估：从 Gabriel et al. (2015, 2018) 开始，使用DPM等工具来放松参数假设，但主要目标仍是全局替代评价，而非发现异质性。
  4. 本文 (Sachs et al., 2023)：首次将非参数贝叶斯（DPM）专门用于发现平台试验中替代关系的异质性聚类，并利用这些聚类进行预测。它属于子线索3的一个具体化、有明确设计动机的变体。

这个方向在追问的核心问题与瓶颈

  • 核心问题1：如何定义和量化替代价值？[多数方法使用“效应对”方差-协方差结构（R^2 trial）或预测误差]
  • 核心问题2：当存在多个来源的异质性（人群、治疗、实施）时，如何确保替代关系的泛化能力？[瓶颈：传统模型假设全局关系，导致预测区间过于乐观或过于保守]
  • 核心问题3：如何在只有少量“面”（trials/arms）的情况下，不依赖强参数假设也能进行有效的预测？[瓶颈：少量数据与高维的“效应对”联合分布建模之间的trade-off]
  • 核心问题4：如何在平台试验这种自适应、多臂、治疗可能轮替的设计中，实时或事后进行替代评估？[瓶颈：传统方法为对比固定的几个臂设计，不考虑动态结构和数据未完全生成（ongoing trials）的情况]

⚠️作者的 framing

这是作者的说法。作者将缺口 frame 成：现有方法（1）没有专门为平台试验设计；（2）虽然像 Papanikos et al. 考虑了异质性，但用的是先验设定的治疗类别，而非数据驱动的发现。本文通过 DPM 的聚类功能，声称能自动发现替代关系不同的子群，从而在保持灵活性的同时提升预测精度。作者弱化或回避了以下竞争路线： - 一个明显的替代路线是使用基于因果推断的 principal stratification 框架来建模替代终点（如 Li et al., 2009）。该框架直接处理条件于后随机化变量的选择偏倚问题，但往往需要强大的不可识别假设。作者在 intro 中几乎未提及这是针对本文的设定（即平台试验下多个试验臂）一个主要的原因可能是 principal stratification 通常要求对每个个体有至少两个潜在结果，这在多层面上难以扩展。 - 另一个被回避的路线可以是使用高斯过程或贝叶斯加法回归树（BART）等更复杂的非参数模型来学习“效应对”函数 f(β_s, 协变量) → β_t，比聚类更平顺。作者可能认为聚类更容易解释且更符合平台试验中的“子群”直觉。 - 本文明显缺乏对“匹配”方法的完整讨论。 作者在 intro 中仅引用了经典 meta-analytic 和贝叶斯方法，但没有深入讨论例如如何利用因果推断中的 cross-fitting 和 DML 框架来处理后随机化变量的混淆问题，这些方法在一般的“替代终点”评估中日益重要（例如，用于提出可识别的条件因果效应）。

张力

未见明显对立引用。所有被引工作在“替代终点评估的大框架”上是一致的，分歧主要在模型具体形式、先验和对异质性的处理上，而非根本性矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • \( j = 1, \dots, J \)：平台试验内的试验臂（arms / cohorts）。这里“臂”代替了传统 meta-analysis 中的“试验面（trials）”。
    • \( k = 1, \dots, n_j \)：每个臂内的患者个体。
    • \( Z_{jk} \in \{0, 1\} \)：治疗分配。在平台试验常见设计中，\( Z = 0 \) 表示臂j的当前对照，\( Z = 1 \) 表示该臂的试验治疗。
    • \( S_{jk} \)：观测到的替代终点（例如 PSA 变化值，可以是连续型）。研究它的目的是想知道 \( S \) 在多大程度上能预测临床终点 \( T \)。
    • \( T_{jk} \)：观测到的临床终点（如肿瘤进展时间，可以是连续/删失）。
    • \( \beta_{j} = (\beta_{sj}, \beta_{tj}) \)：这是核心参数，表示在臂 j 中，处理 (\( Z \)) 对替代终点 (\( S \)) 和处理 (\( Z \)) 对临床终点 (\( T \)) 的真实平均效应。它是潜变量，不是可直接观测的个体水平数据，而是通过某种模型（如回归）从臂 j 的所有观测中估计出的聚合量。\( \beta_{sj} = E[S_{jk}|Z=1] - E[S_{jk}|Z=0] \)；\( \beta_{tj} = E[T_{jk}|Z=1] - E[T_{jk}|Z=0] \)。作者把我们用在 meta-analysis 里的“效应量（effect size）”当作根本单元。
    • \( \boldsymbol{\theta}_j \)：其他臂水平参数（如臂内的基线风险、变异度等）。
    • \( \boldsymbol{\phi}_j \)：可能用于描述异质性的协变量（如 biomarker signature，新辅助治疗历史等）。在 DPM 中，它们常与 \( \boldsymbol{\beta}_j \) 一起建模。

  • 模型（整体思想，非具体分布）：

    1. 第一层（臂内模型）：对于臂 j，基于观测数据 \( \{S_{jk}, T_{jk}, Z_{jk}\}_{k=1}^{n_j} \)，用一个参数/半参数模型（如线性回归）拟合以获得对 \( \beta_{j} = (\beta_{sj}, \beta_{tj}) \) 的后验估计。该层也处理臂内变异。
    2. 第二层（臂间模型——核心）：将所有 \( J \) 个臂的“处理效应对” \( \boldsymbol{\beta}_1, \ldots, \boldsymbol{\beta}_J \) 视为从某个共同分布 \( H \) 中抽取的独立同分布样本：\( \boldsymbol{\beta}_j \stackrel{iid}{\sim} H \)。这就是 meta-analytic 框架。
      • 标准贝叶斯方法：假设 \( H \) 是一个参数化分布（通常是二元正态）。
      • 本文方法：假设 \( H \) 是一个随机测度（random measure），它服从一个 Dirichlet Process 先验：\( H \sim \text{DP}(\alpha, H_0) \)，其中 \( H_0 \) 是基分布（base measure），\( \alpha \) 是浓度参数。这等价于：\( H \) 将几乎肯定为离散分布，充满可数无穷多个“簇”（clusters/latent classes）：\( H = \sum_{c=1}^{\infty} w_c \delta_{\boldsymbol{\mu}_c} \)，其中 \( w_c \) 是权重，\( \boldsymbol{\mu}_c \) 是簇中心。

  • 可观测数据：

    • 研究者实际能观测到：对于 \( J \) 个臂的每个臂，观测到 \( n_j \) 个样本的三元组 \( (S_{jk}, T_{jk}, Z_{jk}) \)。
    • 研究者想要但观测不到的：每个臂的“真实处理效应对” \( \beta_j \)（这是潜变量）。替代指标评估的根本难题是如何利用可观测数据推断这些 \( \beta_j \) 之间的关系。

第二步：讲最小内核

本文的最小内核是一个特例推广型：作者将 Papanikos et al. (2019) 思想中的“预先知道治疗类别”的特例，推广到了一个“数据驱动发现类别”的一般版本。

最简特例： 假设平台试验只有 \( J=20 \) 个试验臂。它们实际上可分为两个“真正异质”的子群： - 子群1：10个臂，其“处理效应对”为 \( (\beta_s = 1.0, \beta_t = 1.5) \)，且在这个子群内只有很小的随机波动。 - 子群2：10个臂，其“处理效应对”为 \( (\beta_s = 0.5, \beta_t = 0.1) \)（替代在这里几乎没用，因为即使对 \( S \) 有中等效应，对 \( T \) 的效应却几乎没有）。

在一般参数模型下，会把所有20个臂的 \( (\beta_s, \beta_t) \) 视为来自一个全局的二元正态分布。这会估计出一个折中的相关性（比如 \( \rho \approx 0.6 \)），导致对新臂的预测区间过宽且不准确（因为它要覆盖两种截然不同的关系）。

本文 DPM 方法在特例下的“魔法”： 1. 数据表象：模型首先在臂水平上看到20个处理效应对的后验分布（可能是20个有重叠的模糊点云）。 2. DPM的聚类作用：DPM 将上述20个观察到的点云强制分类（由于离散性）。后验推断会倾向于将这些\( \boldsymbol{\beta}_j \) 的估计算成两个簇：一个簇中心约在(1.0, 1.5)，另一个在(0.5, 0.1)。模型会为每个臂分配一个 \( \boldsymbol{\mu}_c \)，使得10个臂在簇1，10个在簇2。 3. 预测：当平台试验引入一个新臂（例如第21个臂）时，模型会基于（1）该新臂中截至目前收集的少量数据（其 \( \{\beta_{s,new}\} \) 的点估计）；（2）后验的集群结构——去计算这个新臂到底属于哪个簇的后验概率。一旦它被分配到簇1，就可以用 \( \mu_{t,1} = 1.5 \) 来预测其最终效果；如果分配到簇2，则预测 \( \mu_{t,2} = 0.1 \)。 - 核心理念：与其为一个不存在的“全局平均”替代关系去估计一个宽泛的区间，不如通过聚类，为每个臂找到它最亲缘的那个子群，然后用那个子群的精准关系来做预测。

此特例揭示的核心困难： - 如何在只有少量臂（\( J \) 小，如 20）的情况下，稳健地识别出真正的聚类，而不是过拟合噪音？DPM 的 concentration parameter \( \alpha \) 和基分布的选择至关重要。 - 如何保证后验推断能找到全局最优的聚类，而不是局部最优？这需要昂贵的 MCMC 采样和仔细的模型检查。

三、这篇论文做了什么

  • 三句话：

    1. 研究了什么问题：在面临人群、治疗和实施质量高度异质性的平台试验中，如何对潜在的替代终点进行灵活评估和预测？
    2. 核心工具/方法：提出一个分层贝叶斯半参数模型，其第二层的关键是用 Dirichlet 过程混合（DPM）作为非参数先验，来建模不同试验臂的“处理效应对”的联合分布。这使得模型能自动识别后验聚类，从而在不同子群内部实现更精准的预测。
    3. 主要结论：通过模拟和基于 ProBio 试验的示例，作者展示了该方法在预测新试验臂的处理效应时，在均方预测误差（RMSE）和覆盖概率上优于一个流行的标准分层贝叶斯模型。模型特别善于发现那些替代关系表现良好和表现不佳的聚类。

  • 关键设定与假设：

    • 设定：假设平台试验结束后，有 \( J \) 个试验臂（arms），每个臂 \( j \) 有 \( n_j \) 个患者，每个患者观测到 3 元组 \( (S, T, Z) \)。目的之一是利用这些数据预测未来第 \( J+1 \) 个臂的有效性。
    • 假设：
      1. 臂内模型正确指定：虽然臂间分布是非参数（DPM）的，但每个臂内用来推导 \( \beta_j \) 的似然模型（如线性回归）是参数化的且被假定正确。这是非常重要的条件——如果臂内模型错了，那么推导出的“效应对”就有偏，后续的聚类和预测都将基于有偏的基础。
      2. 独立性：假设不同的试验臂是条件独立的（given the random distribution H）。消息是这假设在实验设计中未必自然成立——多个臂共用同一对照臂（比如一个安慰剂组），所以臂与臂的对照部分是相关的，这违背了独立性。本文通过概念上为每个臂都假设了它自己的“臂内对照”来绕过这个问题，但在实际自适应平台试验中可能不完全成立。
      3. Borrowing across arms：关键假设是所有臂的“处理效应对”是从一个共同分布中抽取的。在 DPM 下，这意味着它们彼此可以借用信息（通过聚类），但不同聚类之间的借用程度由 DPM 的离散性决定（同一簇内完全借用，不同簇间几乎不借用）。
    • 相比已有文献：对比 Gabriel et al. (2015, 2018) 的方法，本文的核心放松/改变在于模型不假设一个全局的替代关系，而是允许多个具有不同替代关系的聚类存在。相比之下，Papanikos et al. (2019) 虽也允许分组，但其分组是基于先验定义的治疗类别，而本文的分组是基于数据驱动的聚类。

  • 主要结果（理论型/模拟方法型）：

    • 本文是方法/模拟型论文，核心贡献在方法设计和实证表现，而非新的大定理。
    • 模拟设计：构造了多种场景，例如：
      • 场景 A：所有臂的替代关系都来自一个全局低相关模型（标准情景，检验方法是否能找到“没有聚类”的默认情况）。
      • 场景 B：有两个明显的聚类，一个有用（高预测R²），另一个没用（低预测R²）。
    • 与基线模型对比：基线是 Daniels & Hughes (2012) 的分层贝叶斯模型（假设全局二元正态分布）。
    • 核心结论：
      1. 预测RMSE（Root Mean Squared Error）：在存在聚类的场景 B 中，本文方法的 RMSE 显著低于基线方法（例如在某种设置下，本文 RMSE = 0.35，基线 = 0.52）。这是因为基线模型被两种不同关系拉向一个“平均”的预测，离两个聚类都很远。
      2. 覆盖概率：本文方法的 95% 后验预测区间的覆盖概率更接近名义水平。基线模型要么过于自信（在聚类内预测时覆盖偏低），要么过于保守（覆盖过高）。
      3. 聚类识别：方法能大概率地将臂正确分配到其为模拟设定的聚类。但作者诚实报告称，当聚类间的 \( \beta_t \) 差异不大，或不同聚类有空间重叠时，聚类识别的错误率会显著上升。
    • 真实例子：
      • 数据：基于 ProBio 试验（Crippa et al., 2020）的真实设计构造了一个模拟的示例。ProBio 是一个针对转移性去势抵抗性前列腺癌（mCRPC）的生物标志物驱动的平台试验。这里主要用到了其臂结构（不同的治疗臂与生物标志物签名组合）以及拟定的候选替代终点（如血液中循环肿瘤DNA的变化）。
      • 怎么应用：作者模拟了 ProBio 试验中 5 个试验臂的 \( (S\_eff, T\_eff) \) 数据，其中两个臂的 \( S \)（ctDNA变化）是很好的替代（高 \( R^2 \)），两个臂是较差的替代（低 \( R^2 \)），一个臂中等。
      • 结果：
        • 发现聚类：后验聚类成功地将5个臂主要分成 2 或 3 个群（仅用一个臂水平的 \( \beta_{s} \) 信息）。
        • 预测：对于一个“新”的试验臂，作者展示了模型如何根据其观察到的 \( \beta_s \) 数据（收集了一批患者后）来自动产生一个关于它属于哪个簇的后验分布，并基于簇内关系生成对 \( \beta_t \) 的预测。该预测的区间比使用全局模型得到的结果更能反映实际不确定性（比如它会为被分配到“无用替代”簇的臂提供非常宽且无用的预测区间）。
      • 想说明：即使在一个有明确治疗类别和生物标志物签名的现实场景中，数据中可能存在未被预先定义但影响替代关系的隐藏聚类（例如由实施质量差异导致的聚类），DPM 作为一种探索性工具能自动揭示这些结构。

  • 证明路线与技术技巧（本文为方法篇，侧重于模型构建与推断，而非纯证明）：

    • 整体路线：采用分层贝叶斯。
      1. 臂层模型：对每个臂 \( j \)，给定数据 \( \{S_{jk}, T_{jk}, Z_{jk}\} \)，建立一个似然（假设结局和替代是连续时，常用线性回归），得到对 \( \beta_j = (\beta_{sj}, \beta_{tj}) \) 的后验。
      2. Meta层模型：这是核心。假设所有臂的 \( \beta_1, \ldots, \beta_J \) 来自于一个共同的混合分布。用 DPM 定义该混合的先验：\( \beta_j | \mu_j, \Sigma_j \sim N(\mu_j, \Sigma_j) \)，并且 \( (\mu_j, \Sigma_j) \stackrel{iid}{\sim} G \)，其中 \( G \sim DP(\alpha, G_0) \)。这里 \( \mu_j, \Sigma_j \) 就是臂 j 的簇水平参数；\( G_0 \) 是它们的先验（基分布）。
      3. 后验推断：通过 MCMC (Gibbs Sampling) 来估计后验。关键是利用 Dirichlet Process (Polya Urn) 后验采样：它反复遍历所有 J 个臂，在当前分簇方案下，计算每个臂重新分配到每个已有簇或新簇的概率，然后进行分配。这个过程最终会收敛到一个好后验样本（包含了分簇和簇参数）。
      4. 预测：对新臂 \( j^* \)，在给定的部分数据（如测到其 \( \beta_{s,j^*} \)）下，用 MCMC 样本代入其后验预测分布公式，计算它被分配到每个簇的概率，从而得到对 \( \beta_{t,j^*} \) 的预测。
    • 关键跳跃点：
      • 跳跃点：聚类 vs 连续异质性。当替代关系是连续变化（而非离散聚类）时，DPM 模型的预测可能仍然是合理的（它会倾向于创建很多小簇来近似一个连续分布）。但其解释力（“发现了几个异质性聚类”）可能会丧失。这个从未被明确证明——作者通过模拟场景 B（有真实聚类）和略写对低信息场景的模拟（全局低相关——验证了本文方法虽然不产生新问题，但也不比参数贝叶斯差）暗示了这一点。但未正式处理当真实机制是一个连续变化过程时，聚类方法的行为。
    • 技术技巧点名：
      • Dirichlet Process Mixture (DPM)：作为非参数先验的核心工具，允许数据驱动地决定聚类数目，自动逃避了需要预定一个聚类数的难题。用到了Polya Urn / Chinese Restaurant Process 采样：这是进行MCMC采样所需的核心技巧。
      • 共轭基分布：为了便于 MCMC 更新，作者设定 \( G_0 \) 是共轭的（对正态均值和协方差时），这是降低计算负担的关键设计选择。

  • 🔎 结论是否比证明窄：

    • 是的，有一个明显的窄化。论文的核心结论是“我们的方法优于标准分层贝叶斯方法”。但这种优越性的证明主要建立在存在真正的离散聚类的模拟场景中（场景B）。论文未正式证明在没有离散聚类、或仅有少量中度异质性时的性能有统计显著提升（虽然模拟A显示它并未恶化）。更关键的是，论文提供了一个非常具体的例子，仅限于使用单一连续替代（如PSA变化）和单一连续结局（如肿瘤进展时间）。论文中的断言“发现有用的替代关系”更像是实例验证而非一般性证明。特别的，对于多个替代组合（如 Gabriel 2018 所做的）或二元结局，本文的方法需要调整，其有效性未被探讨。论文并没有在所有设定下都证明了它的方法“强”过参数方法，而是表明在一个特定构造下（平台试验 + 异质性聚类）它能提供更多信息。一个诚实的批评是：论文的结论强度远大于其证明所覆盖的范围，这是一个需要读者自己判断的地方。

四、开放问题（扎根具体语句）

  1. 绕不过的条件处理——替代端点识别问题：论文仅解决“如何在已知能被识别的情况下做预测”，但没有深入解决“识别（identification）”问题。在平台试验中，如果随机化（Z）是完美的（这是核心假设），那么（βs, βt）可以通过臂内的均差来识别。但在现实平台试验中，常常存在不同中心的随机化策略差异、非依从性、共享的对照组被不同臂阶段性地使用等，这会破坏简单的识别假设。一个直接的问题是：如果对这些识别条件做更严格的假设（例如用IV或G-computation），如何将结果代入本文的DPM预测框架？（扎根于文中第 Introducction 部分，可引其谈论的“实施质量异质性”——但并未转化成一个识别问题）

  2. 聚类数的选模型问题：文中的 DPM 模型虽然能自动生成聚类数，但这个数是极度依赖于浓度参数 \( \alpha \) 的先验设定的。虽然作者做了后验检查，但没有提供清晰的工具或准则来决定是否存在显著聚类。这个问题的重要在于，如果真实机制无聚类，模型可能给出一个虚假的聚类数。是否可以提出一种检验或诊断方法（例如基于 Posterior predictive p-value）来区分真正的聚类和噪声？这是一个类似于选择数据驱动的K值，但又比它更难的问题。（扎根于文中关于 sensitivity to α 的提及——通常是论文的局限性部分，但此处并未深入讨论。）

  3. 动态更新问题：平台试验是自适应的。在试验进行中，当新的臂加入或旧臂停止时，应如何动态更新模型（包括DPM的聚类结构）？本文的预测假设了一个暂时静态的后验聚类结构（基于截止数据）。真正在线（online）的推断——当新试验臂数据仍在收集时，聚类结构需要实时演变——计算上是困难的（通常SMC或变分贝叶斯才能解决）。该方法是否能推广到在线环境？（扎根于论文的结尾Future work: "...plan to apply our method to the ProBio trial, once it is completed." ——暗示这是事后分析，非在线分析。）

  4. 多臂共置背景下的联合替代函数：论文巧妙地处理了一个单一替代和一个单一结局。但在ProBio这种背景下，替代往往是多个生物标记物（ctDNA、PSA、微环境特征）的组合。作者未直接探讨如何将DPM模型扩展到“联合替代”函数（如通过非参数贝叶斯组合或降维）。这不仅仅是增加变量的问题，当面对超高维的替代标记时，DPM会面临维数灾难（需要大量臂数才能识别聚类）。一个中等难度的开放问题是：是否能用 tensor network / einsum 结构来描述组合的替代函数（从而近似其及其预测成本），或者用 高阶 U-统计量来评估多臂、多替代组合的预测结构？（这扎根于论文末尾的“拓展”部分未涉及多元替代，同时也与用户的计算统计权衡兴趣产生巧妙连接——用户的体验在评估tensor contraction的复杂度时可能可直接用于分析这种组合式的预测成本。）

不要陷入空泛的“可借鉴”建议。 研究者应自行判断这些口子是否值得做。例如，第一个开放问题（识别条件的敏感性）是一个因果推断的核心问题，但如果用户更偏好纯粹的半参数理论，第三个问题（高效计算贝叶斯在线更新）可能更具吸引力。建议检查平台试验替代评估子领域中的其他论文，看“我提出的聚类问题是否已经在别的语境下被提出并解决了？”——只要没解决，就可能是个新的gap。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论