Sharp adaptive and pathwise stable similarity testing for scalar ergodic diffusions¶

作者: Johannes Brutsche, Angelika Rohde
来源: Annals of Statistics
主题: 数理统计 / 假设检验
相关性: 6/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本方向研究的是非参数扩散过程的漂移函数检验问题。具体而言，给定一个由随机微分方程 (SDE) 驱动的连续时间过程，其漂移函数 \( b(\cdot) \) 是未知的，研究者希望检验该漂移函数是否与某个已知的参考函数 \( b_0(\cdot) \) 在整个定义域上一致。更精细的目标是：如果存在偏离，要能同时识别出所有偏离的区域（即多重检验），且无需预先知道偏离区域的数量、大小和位置。这是一个典型的非参数假设检验问题，其核心挑战在于：在连续时间观测下，如何构造一个既能控制第一类错误（FWER 或 FDR），又能达到最优检验功效（minimax rate）的自适应程序。该方向目前处于成熟但仍有开放问题的阶段：已有大量关于点估计（漂移函数估计）的 minimax 理论，但关于自适应多重检验的 minimax 最优性理论尚不完整，且对非布朗驱动噪声的稳健性研究较少。

发展脉络（history）¶

奠基工作： Kutoyants (2004) 系统建立了非参数扩散模型的统计推断理论，包括漂移函数的估计和检验，但主要关注点估计和简单假设检验（如 \( H_0: b = b_0 \) vs \( H_1: b \neq b_0 \)），未涉及多重检验。
主要进展（估计侧）： Hoffmann (1999) 和 Dalalyan (2005) 等建立了漂移函数非参数估计的 minimax 最优速率，并发展了自适应估计方法（如 Lepski 方法）。这些工作为检验问题提供了速率基准。
主要进展（检验侧）： 作者在引言中引用 Spokoiny (1996) 和 Dümbgen & Spokoiny (2001) 的工作，指出他们针对独立同分布数据（非扩散过程）发展了自适应信号检测和多重检验方法，并证明了 minimax 最优性。这些是本文的直接先驱。
当前 frontier 与本文位置： 作者指出，将上述自适应多重检验框架从 i.i.d. 数据推广到连续时间扩散过程并非平凡，因为扩散过程的观测是连续路径，其信息结构（如局部时、鞅表示）与 i.i.d. 样本不同。此外，现有扩散过程检验工作（如作者引用的 Kutoyants (2004) 中的检验）通常假设驱动噪声是标准布朗运动，而本文首次考虑了对分数布朗运动（Hurst 指数接近 1/2）的稳健性。因此，本文的位置是：将 i.i.d. 下的自适应 minimax 最优多重检验理论，推广到连续时间扩散过程，并首次证明其对非半鞅噪声的稳健性。

子线索聚类¶

这些被引文献大致落在 3 条子线索上： 1. 扩散过程的非参数推断（估计与检验）： 以 Kutoyants (2004) 为代表，系统发展了基于连续观测的漂移函数估计和简单假设检验理论。核心工具是鞅极限定理和局部时。 2. 自适应信号检测与多重检验（i.i.d. 数据）： 以 Spokoiny (1996) 和 Dümbgen & Spokoiny (2001) 为代表，发展了针对 i.i.d. 高斯白噪声模型的自适应多重检验方法，并证明了 minimax 最优性。核心工具是多重比较的阈值选择和自适应平滑。 3. 分数布朗运动驱动的随机过程： 以作者引用的 Nualart (2006) 和 Mishura (2008) 为代表，研究了分数布朗运动的随机分析（如 Malliavin 微积分、路径积分），为处理非半鞅噪声提供了理论基础。本文将其用于稳健性分析。

这个方向在追问的核心问题¶

自适应多重检验的 minimax 最优速率是什么？ 对于扩散过程，在控制 FWER 的前提下，能检测到的最小偏离幅度（信号强度）是多少？这个速率是否依赖于未知的漂移函数本身（即是否自适应）？
如何构造一个同时控制第一类错误和达到最优检验功效的程序？ 需要设计一个阈值选择规则，使得在 \( H_0 \) 下错误发现率被控制，而在 \( H_1 \) 下检验功效达到 minimax 最优。
对驱动噪声的稳健性如何？ 当驱动噪声不是标准布朗运动（如分数布朗运动）时，上述检验程序是否仍然有效？其检验速率和阈值选择是否需要调整？

⚠️ 作者的 framing¶

作者的缺口 frame： 作者将缺口 frame 为“现有扩散过程检验工作要么只做简单假设检验，要么不具自适应性，要么对噪声假设过于严格（必须是布朗运动）”。因此，本文的贡献被定位为“首次同时实现自适应、minimax 最优和对非布朗噪声稳健的多重检验”。
被淡化/回避的竞争路线： 作者淡化了基于离散观测的扩散过程检验方法。本文假设连续时间观测，这在实践中几乎不可能（只能离散采样）。作者在引言中承认这一点，但声称连续观测是“理论上的理想化”，其结果为离散观测下的近似提供了基准。这回避了离散观测带来的额外复杂性（如采样频率对检验速率的影响）。
什么明显该被引/该存在、却没出现在 intro 里？ 作者没有引用任何关于高维扩散过程或扩散过程网络的检验工作。这可能是因为本文聚焦于一维标量扩散过程。此外，没有引用关于扩散过程变点检测的文献，尽管变点检测与本文的“识别偏离区域”有概念上的联系。值得研究者去查的问题： 是否存在关于扩散过程多重变点检测的 minimax 理论？如果有，其与本文的相似性检验框架有何异同？

张力¶

未见明显对立引用。所有被引工作基本是互补的：估计理论为检验提供基准，i.i.d. 检验理论提供方法框架，分数布朗运动理论提供稳健性分析工具。

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：
\( X = (X_t)_{t \in [0,T]} \)：可观测的连续时间随机过程，定义在概率空间 \( (\Omega, \mathcal{F}, \mathbb{P}) \) 上。
\( b: \mathbb{R} \to \mathbb{R} \)：未知的漂移函数（drift function），是本文要推断的对象。
\( b_0: \mathbb{R} \to \mathbb{R} \)：已知的参考漂移函数（reference drift）。
\( \sigma > 0 \)：已知的扩散系数（diffusion coefficient）。本文假设 \( \sigma = 1 \) 以简化记号。
\( W = (W_t)_{t \in [0,T]} \)：标准布朗运动（驱动噪声）。在稳健性分析部分，被替换为分数布朗运动 \( B^H \)。
\( T \)：观测时间长度（样本量）。
\( \mathbb{R} \)：状态空间（一维实数轴）。
\( \mathcal{L}_T(x) \)：过程 \( X \) 在点 \( x \) 处的局部时（local time），定义为 \( \mathcal{L}_T(x) = \int_0^T \delta(X_t - x) dt \)，其中 \( \delta \) 是狄拉克函数。它度量了过程在点 \( x \) 附近停留的时间。
\( \mu \)：过程的不变测度（invariant measure），满足 \( \mu(dx) \propto \exp(2\int_0^x b(y)dy) dx \)。在遍历性假设下，\( \frac{1}{T}\mathcal{L}_T(x) \to \mu(x) \) 几乎必然。
\( \mathcal{H} \)：假设空间，包含所有满足一定光滑性条件的漂移函数。
\( \mathcal{H}_0 \)：原假设空间，即 \( b = b_0 \)。
\( \mathcal{H}_1 \)：备择假设空间，即 \( b \neq b_0 \)，且偏离发生在某些区域上。
\( \alpha \)：显著性水平（第一类错误概率）。
\( \beta \)：检验功效（1 - 第二类错误概率）。
\( \rho \)：偏离幅度（signal strength），用于刻画备择假设下 \( b \) 与 \( b_0 \) 的差异大小。
\( \mathcal{I} \)：一个区间集合，用于定义“偏离区域”。检验程序会输出一个集合 \( \hat{\mathcal{I}} \)，声称这些区间上 \( b \neq b_0 \)。
模型： 数据生成机制由以下随机微分方程（SDE）给出：
\[dX_t = b(X_t) dt + dW_t, \quad t \in [0, T], \quad X_0 = x_0.\]
其中 \( b \) 是未知的漂移函数，\( W \) 是标准布朗运动。模型假设 \( b \) 满足一定的正则性条件（如 Lipschitz 连续、线性增长），以保证解的存在唯一性和遍历性。已知量是 \( b_0 \) 和 \( \sigma=1 \)。要估的对象是 \( b \) 本身，但本文的目标是检验 \( b \) 是否等于 \( b_0 \)，而非估计 \( b \)。
可观测数据： 研究者实际能观测到的是过程 \( X \) 在时间区间 \( [0,T] \) 上的整个连续路径 \( (X_t)_{t \in [0,T]} \)。这是一个无限维对象。在理论上，这意味着研究者可以计算任何基于路径的统计量，如局部时 \( \mathcal{L}_T(x) \)、积分 \( \int_0^T f(X_t) dt \) 等。想要但观测不到的是：驱动噪声 \( W \) 的路径（因为它是潜在变量），以及漂移函数 \( b \) 本身（它是未知参数）。所有推断都依赖于从观测路径中提取关于 \( b \) 的信息。

第二步：讲最小内核¶

本文的核心思路可以浓缩为一个最简特例：假设状态空间是离散的，只有两个点 \( \{0, 1\} \)，且过程是连续时间马尔可夫链（CTMC），而非扩散过程。在这个特例下，所有复杂分析都退化为简单的二项分布检验。

最简特例设定：
状态空间：\( \mathcal{S} = \{0, 1\} \)。
转移速率：从状态 \( i \) 到状态 \( j \) 的速率记为 \( q_{ij} \)。漂移函数 \( b \) 对应于这些速率。例如，\( b(0) = q_{01} - q_{10} \)（粗略地说，漂移是净转移速率）。
参考漂移：\( b_0(0) = 0, b_0(1) = 0 \)（即没有漂移，过程是纯随机游走）。
可观测数据：在时间 \( [0,T] \) 内，过程在状态 0 和 1 之间跳跃。我们观测到：在状态 0 停留的总时间 \( L_T(0) \)，以及在状态 1 停留的总时间 \( L_T(1) = T - L_T(0) \)。此外，还观测到从 0 到 1 的跳跃次数 \( N_{01} \) 和从 1 到 0 的跳跃次数 \( N_{10} \)。
原假设 \( H_0 \)：\( b(0) = 0, b(1) = 0 \)，即 \( q_{01} = q_{10} \)（对称随机游走）。
备择假设 \( H_1 \)：在某个状态上 \( b \) 偏离 0。例如，\( b(0) = \rho > 0 \)，即 \( q_{01} > q_{10} \)，过程倾向于从 0 跳到 1。
最小内核问题： 我们要检验：在状态 0 上，漂移是否偏离 0？即 \( H_0: b(0) = 0 \) vs \( H_1: b(0) = \rho \)。
核心思路（退化为二项检验）： 在 CTMC 下，给定在状态 0 停留的总时间 \( L_T(0) \)，从 0 到 1 的跳跃次数 \( N_{01} \) 服从参数为 \( (L_T(0), q_{01}) \) 的泊松分布。在原假设下，\( q_{01} = q_{10} \)，但更简单的检验统计量是：比较 \( N_{01} \) 和 \( N_{10} \)。在原假设下，\( N_{01} \) 和 \( N_{10} \) 的期望相等。一个自然的检验是：如果 \( |N_{01} - N_{10}| \) 太大，则拒绝 \( H_0 \)。这本质上是一个配对二项检验（或符号检验）。
为什么这个特例抓住了本文的核心？
局部时的作用： 在扩散过程中，局部时 \( \mathcal{L}_T(x) \) 扮演了 CTMC 中“停留时间”的角色。检验统计量通常基于对局部时的某种积分。
多重检验的雏形： 在离散状态空间下，对每个状态 \( x \in \{0,1\} \) 分别做上述检验，就构成了一个多重检验问题。需要控制同时拒绝多个原假设的概率（FWER）。本文的核心就是如何为每个“状态点”（实际上是区间）选择一个合适的阈值，使得整体 FWER 被控制，同时每个点上的检验功效达到最优。
自适应性的体现： 在 CTMC 特例中，如果过程在状态 0 停留的时间 \( L_T(0) \) 很短（即过程很少访问状态 0），那么在该点上检验的功效就很低。本文的自适应程序会自动识别出这种“信息不足”的区域，并降低其检验阈值（或根本不检验），从而将检验资源集中在信息丰富的区域。这对应于扩散过程中局部时很小的区域。

因此，本文的数学核心是：将 i.i.d. 数据下的自适应多重检验框架，通过局部时这一工具，推广到连续时间扩散过程。其关键想法是：将扩散过程的连续路径视为一个“无限维的 i.i.d. 样本”，其中每个“样本点”对应于过程在某个状态 \( x \) 上的“局部行为”，而局部时 \( \mathcal{L}_T(x) \) 则扮演了该“样本点”的“样本量”角色。

三、这篇论文做了什么¶

三句话¶

研究了什么问题： 针对一维遍历扩散过程，在连续时间观测下，提出了一个自适应多重检验程序，用于同时识别漂移函数 \( b \) 与参考函数 \( b_0 \) 之间所有偏离的区域，且无需预先知道偏离区域的数量、大小和位置。
核心工具/方法： 基于局部时和鞅表示，构造了一个逐点检验统计量（类似于 i.i.d. 下的 \( t \)-统计量），然后通过一个多重比较的阈值选择规则（类似于 Bonferroni 校正的改进版，但具有自适应性）来控制整体 FWER，并达到 minimax 最优检验速率。
主要结论： 该检验程序是极小极大最优且自适应的，即其检验速率达到了非参数假设检验的下界，且该速率不依赖于未知的漂移函数 \( b \) 的光滑性。此外，该程序对驱动噪声偏离布朗运动的情形具有稳健性：当噪声是 Hurst 指数 \( H \) 接近 1/2 的分数布朗运动时，检验程序仍然有效，但检验速率会随 \( |H - 1/2| \) 的增大而变慢。

关键设定与假设¶

设定： 观测到过程 \( X \) 在时间区间 \( [0,T] \) 上的连续路径。漂移函数 \( b \) 属于一个 Hölder 球 \( \Sigma(\beta, L) \)，其中 \( \beta > 0 \) 是光滑性参数，\( L \) 是 Hölder 常数。参考函数 \( b_0 \) 也属于同一个 Hölder 球。
假设：
(A1) 遍历性： 过程 \( X \) 是遍历的，具有唯一不变测度 \( \mu \)，且 \( \mu \) 的支撑集是整个实数轴。这个假设保证了局部时 \( \mathcal{L}_T(x) \) 以速率 \( T \) 增长，且 \( \frac{1}{T}\mathcal{L}_T(x) \to \mu(x) \) 几乎必然。这是所有渐近分析的基础。
(A2) 光滑性： \( b \) 和 \( b_0 \) 都属于 Hölder 球 \( \Sigma(\beta, L) \)。这个假设用于控制漂移函数的局部变化，是定义“偏离区域”和推导 minimax 速率的关键。
(A3) 有界性： 漂移函数 \( b \) 和参考函数 \( b_0 \) 在紧集上一致有界。这是一个技术性假设，用于保证某些随机积分的矩存在。
相比已有文献的放宽/强化： 相比 Kutoyants (2004) 等经典工作，本文放宽了对噪声的假设（允许分数布朗运动），但强化了对漂移函数光滑性的假设（要求 Hölder 连续），以便进行自适应检验。相比 Spokoiny (1996) 的 i.i.d. 工作，本文的假设是连续时间的，需要处理局部时和鞅等工具。

主要结果¶

定理 1（检验程序的定义与第一类错误控制）： 构造了一个检验程序 \( \phi_T \)，它输出一个区间集合 \( \hat{\mathcal{I}} \)，声称这些区间上 \( b \neq b_0 \)。该程序保证，在显著性水平 \( \alpha \) 下，错误地将一个区间标记为“偏离”的概率（即 FWER）被控制，即 \( \mathbb{P}_{H_0}(\hat{\mathcal{I}} \neq \emptyset) \leq \alpha + o(1) \)。直觉： 阈值选择规则基于局部时的渐近分布（高斯过程），通过一个类似于 Bonferroni 校正但更精细的“极值理论”来设定，使得在 \( H_0 \) 下，所有局部检验统计量的最大值以概率 \( 1-\alpha \) 不超过该阈值。
定理 2（检验功效与 minimax 最优性）： 在备择假设下，如果存在一个区间 \( I \) 使得 \( b \) 与 \( b_0 \) 的偏离幅度 \( \rho_T \) 足够大（具体地，\( \rho_T \geq C \cdot (T^{-1} \log T)^{\beta/(2\beta+1)} \)），那么检验程序 \( \phi_T \) 以概率趋近于 1 检测到该偏离。这个速率 \( (T^{-1} \log T)^{\beta/(2\beta+1)} \) 被证明是极小极大最优的，即不存在任何检验程序能以更小的偏离幅度达到相同的功效。直觉： 这个速率与 i.i.d. 下非参数假设检验的 minimax 速率一致，只是将样本量 \( n \) 替换为观测时间 \( T \)。这表明，在连续观测下，扩散过程的检验问题在信息上等价于一个 i.i.d. 样本问题，其中每个“样本”是过程在某个状态上的局部行为。
定理 3（对分数布朗噪声的稳健性）： 当驱动噪声是 Hurst 指数 \( H \) 的分数布朗运动时，如果 \( |H - 1/2| \) 足够小（即接近布朗运动），那么上述检验程序仍然有效，但检验速率会变为 \( (T^{-1} \log T)^{\beta/(2\beta+1 - 2|H-1/2|)} \)。直觉： 分数布朗运动不是半鞅，因此没有鞅表示，局部时的渐近行为也不同。当 \( H \neq 1/2 \) 时，过程具有长记忆性（\( H > 1/2 \)）或反持久性（\( H < 1/2 \)），这导致局部时的波动更大，从而降低了检验功效。速率中的 \( 2|H-1/2| \) 项量化了这种损失。

证明路线与技术技巧¶

整体路线：
构造逐点检验统计量： 对于每个点 \( x \)，基于局部时 \( \mathcal{L}_T(x) \) 和漂移的某种局部估计（如 Nadaraya-Watson 型估计），构造一个统计量 \( S_T(x) \)，其在 \( H_0 \) 下渐近服从标准正态分布。
多重比较阈值选择： 考虑所有点 \( x \) 上的统计量 \( S_T(x) \)，其最大值 \( M_T = \sup_x |S_T(x)| \) 的渐近分布是极值分布（Gumbel 分布）。通过极值理论，可以找到一个阈值 \( q_T(\alpha) \)，使得 \( \mathbb{P}_{H_0}(M_T > q_T(\alpha)) \leq \alpha \)。检验程序将拒绝所有满足 \( |S_T(x)| > q_T(\alpha) \) 的点 \( x \)。
自适应平滑： 上述阈值 \( q_T(\alpha) \) 依赖于未知的漂移函数 \( b \) 的光滑性 \( \beta \)。为了实现自适应，作者采用了一种数据驱动的阈值选择方法，类似于 Lepski 方法：在多个不同的光滑性假设下计算阈值，然后选择最保守（即最大）的那个。这保证了无论真实光滑性如何，FWER 都能被控制。
功效分析： 在备择假设下，如果偏离幅度 \( \rho_T \) 超过某个阈值，那么对于偏离区域内的点 \( x \)，统计量 \( |S_T(x)| \) 会以高概率超过 \( q_T(\alpha) \)。通过分析 \( S_T(x) \) 的期望和方差，可以推导出检测到偏离所需的最小 \( \rho_T \)，即 minimax 速率。
稳健性分析： 对于分数布朗噪声，需要重新推导局部时的渐近分布和统计量 \( S_T(x) \) 的方差。这涉及到分数布朗运动的随机分析（如 Malliavin 微积分），最终得到修正后的阈值和检验速率。
关键跳跃点：
从 i.i.d. 到连续时间： 最关键的跳跃在于，如何将 i.i.d. 下的“逐点检验”思想移植到连续路径上。作者通过局部时 \( \mathcal{L}_T(x) \) 实现了这一点：\( \mathcal{L}_T(x) \) 扮演了“在点 \( x \) 处的样本量”的角色。这个想法并非全新（在扩散过程估计中很常见），但将其用于自适应多重检验是本文的核心创新。
极值理论的适用性： 证明 \( M_T = \sup_x |S_T(x)| \) 的渐近分布是极值分布，需要处理高斯过程的极值行为。作者引用了关于高斯过程极值理论的标准结果（如 Leadbetter et al. (1983)），并验证了 \( S_T(x) \) 的协方差结构满足所需条件。这个验证过程是技术性的，依赖于局部时的渐近正态性和鞅中心极限定理。
技术技巧点名：
局部时（Local Time）： 用于将连续路径的信息“离散化”到每个状态点上，是连接 i.i.d. 和连续时间的关键桥梁。
鞅中心极限定理（Martingale Central Limit Theorem）： 用于推导逐点统计量 \( S_T(x) \) 的渐近正态性，因为扩散过程的许多积分可以表示为鞅。
极值理论（Extreme Value Theory）： 用于确定多重比较的阈值，控制 FWER。
Lepski 方法（Lepski's Method）： 用于实现自适应平滑，即在不了解光滑性 \( \beta \) 的情况下选择最优的检验阈值。
分数布朗运动的 Malliavin 微积分（Malliavin Calculus for fBm）： 用于处理非半鞅噪声下的局部时渐近行为，是稳健性分析的核心工具。

真实例子与应用¶

本文为纯理论，无实证例子。 论文没有使用任何真实数据或模拟实验来验证其方法。所有结果都是理论上的渐近性质。这是一个纯粹的数学统计论文。

🔎 结论是否比证明窄¶

结论的声称： 作者声称检验程序是“自适应”的，即无需知道 \( \beta \)。证明中是否真的做到了？ 是的，作者通过 Lepski 方法实现了对 \( \beta \) 的自适应。但需要注意的是，这种自适应是在连续观测和渐近意义下成立的。在有限样本下，自适应可能不完美。
结论的声称： 作者声称对分数布朗噪声具有“稳健性”。证明中是否真的做到了？ 是的，但仅限于 \( |H - 1/2| \) 足够小的情形。对于远离 1/2 的 Hurst 指数（如 \( H=0.1 \) 或 \( H=0.9 \)），检验程序可能完全失效，且作者没有给出相应的理论。因此，结论的稳健性范围比“对所有分数布朗噪声”要窄。
结论的声称： 作者声称检验程序是“极小极大最优”的。证明中是否真的做到了？ 是的，作者证明了检验速率的下界（通过构造一个困难的备择假设）和上界（通过所提程序），两者匹配。但下界证明依赖于特定的备择假设构造（如偏离发生在某个小区间上），对于更复杂的偏离模式（如多个偏离区域），下界可能不同。因此，minimax 最优性是在一个特定的“最坏情况”意义下成立的。

四、开放问题¶

离散观测下的推广： 本文假设连续时间观测，这在实践中几乎不可能。扎根点： 作者在引言中承认“连续观测是理想化”，并指出“离散观测下的推广是未来工作”。一个具体的开放问题是：当观测是离散时间点 \( t_i = i\Delta \) 时，检验速率会如何变化？是否仍然能达到 minimax 最优？采样频率 \( \Delta \) 如何影响阈值选择？
高维扩散过程： 本文只考虑一维标量扩散过程。扎根点： 作者在引言中未提及高维推广。一个自然的开放问题是：如何将本文的自适应多重检验框架推广到多维扩散过程（如 \( dX_t = b(X_t) dt + dW_t \)，其中 \( X_t \in \mathbb{R}^d \)）？此时，局部时 \( \mathcal{L}_T(x) \) 是 \( d \) 维的，其渐近行为更复杂，且“偏离区域”的定义也更困难（是超立方体还是其他形状？）。
对更一般噪声的稳健性： 本文只考虑了分数布朗运动（Hurst 指数接近 1/2）。扎根点： 作者在定理 3 中只处理了 \( |H - 1/2| \) 小的情形。一个开放问题是：对于更一般的非半鞅噪声（如 Lévy 过程、带跳的扩散过程），本文的检验程序是否仍然有效？其检验速率会如何变化？是否存在一个统一的稳健性框架？
计算效率： 本文的检验程序涉及对连续路径的逐点分析，计算量可能很大。扎根点： 作者未讨论计算问题。一个开放问题是：如何设计一个计算上可行的算法来实现本文的检验程序？特别是，当状态空间很大或观测时间很长时，如何高效地计算局部时和逐点统计量？这与研究者的higher-order U-statistics 计算（treewidth / tensor contraction）可能有潜在联系，因为局部时的计算本质上是一个积分问题，可能通过某种张量网络表示来加速。

Maintained by 陈星宇 · Homepage · Source on GitHub