跳转至

Optimal and Safe Estimation for High-Dimensional Semi-Supervised Learning

作者: Siyi Deng, Yang Ning, Jiwei Zhao, Heping Zhang
来源: Journal of the American Statistical Association
主题: 高维统计 / 随机矩阵
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

高维半监督学习（High-dimensional Semi-Supervised Learning）研究的是：当标注数据（labeled data）数量有限、但大量未标注数据（unlabeled data）可用时，如何利用未标注数据来改进高维线性回归模型中参数的估计精度。其根本统计问题是：在模型可能被错误指定（misspecified）的情况下，未标注数据能否以及如何提供关于回归参数的有效信息，从而降低估计的渐近方差或达到更优的极小化极大收敛速率。

发展脉络（history）

奠基工作：半监督学习的基本框架与高维挑战 - Belkin et al. (2006) 和 Zhu (2005) 奠定了半监督学习的基础，主要关注分类与流形正则化，但未涉及高维参数估计的统计效率问题。 - Liang et al. (2007) 首次系统研究了半监督线性回归中未标注数据对参数估计的影响，指出在模型正确指定时，未标注数据可降低估计方差，但效果有限。 - Cai & Guo (2017) 将半监督思想引入高维稀疏线性模型，提出利用未标注数据改进变量选择与参数估计，但未给出极小化极大下界。

主要进展：高维半监督估计的理论边界 - Zhang et al. (2019) 在高维线性模型下证明了：当条件均值函数（即未标注数据中X与Y的关系）可被一致估计时，半监督估计量可达到比纯监督估计量更优的收敛速率。但该工作假设模型正确指定，且未考虑模型错误指定的情况。 - Chakrabortty & Cai (2018) 建立了半监督设定下参数估计的极小化极大下界，并提出了一个基于两阶段回归的半监督估计量，在条件均值函数可被参数化估计时达到该下界。然而，该下界依赖于条件均值函数的估计速率，且未提供安全估计量。

当前Frontier：模型错误指定下的安全估计 - Deng et al. (2023)（本文）将问题推广至模型可能错误指定的情形，建立了更一般的极小化极大下界，并提出了两个关键贡献：① 一个最优半监督估计量，在条件均值函数以适当速率一致可估时达到该下界；② 一个安全半监督估计量，其表现始终不差于监督估计量。此外，还考虑了多个半监督估计量的聚合问题。

子线索聚类

  1. 基于两阶段回归的半监督估计：这类方法先利用未标注数据估计条件均值函数 \( E[Y|X] \)，再将其作为辅助变量改进参数估计。代表工作：Chakrabortty & Cai (2018)、Zhang et al. (2019)。本文属于此线索，但加入了模型错误指定与安全估计的考量。

  2. 基于半参数效率理论的半监督估计：利用半参数理论中的有效影响函数（efficient influence function）构造半监督估计量，使其达到半参数效率界。代表工作：Robins et al. (2008)、Tsiatis (2006)。这类方法通常假设模型正确指定，且未标注数据仅用于提高效率而非改变收敛速率。

  3. 基于聚合（Aggregation）的半监督估计：当存在多个可能的条件均值函数估计量时，通过聚合策略（如模型平均、交叉验证）选择或组合它们，以应对模型错误指定。代表工作：Yang (2001)、Rigollet & Tsybakov (2007)。本文的扩展部分属于此线索。

这个方向在追问的核心问题

  1. 未标注数据何时能提供信息？ 当条件均值函数 \( E[Y|X] \) 可被一致估计时，未标注数据可降低参数估计的方差；否则，未标注数据可能引入偏差。
  2. 半监督估计量的最优收敛速率是什么？ 极小化极大下界依赖于条件均值函数的估计速率与标注数据量的交互。
  3. 如何保证半监督估计量不劣于监督估计量？ 在模型错误指定下，半监督估计量可能比监督估计量更差，因此需要安全估计量。
  4. 如何聚合多个半监督估计量？ 当存在多个候选条件均值函数估计量时，如何选择或组合它们以应对不同的错误指定模式？

⚠️ 作者的Framing

作者将缺口frame成：现有半监督估计理论主要假设模型正确指定，或未考虑安全估计问题。因此，本文的贡献是： - 在模型可能错误指定的高维线性模型下，建立极小化极大下界。 - 提出一个最优半监督估计量，在条件均值函数可估时达到该下界。 - 提出一个安全半监督估计量，始终不差于监督估计量。

被淡化或回避的竞争路线： - 作者未讨论基于半参数效率理论的方法（如Robins et al. 2008），这些方法在模型正确指定时也能达到半参数效率界，但本文的设定（高维、模型错误指定）可能使这些方法失效。 - 作者未提及基于流形正则化的半监督学习方法（如Belkin et al. 2006），这些方法在高维设定下可能面临计算与理论困难。

值得研究者去查的问题： - 作者在引言中未引用 Cai & Guo (2017) 和 Chakrabortty & Cai (2018) 之外的高维半监督学习工作。是否存在其他近期工作（如 Fan et al. 2021 关于高维半监督因果推断）？这些工作是否与本文的设定重叠或冲突？ - 作者未讨论半监督设定下的变量选择问题——本文仅关注参数估计，但高维半监督学习中的变量选择（如利用未标注数据改进Lasso的变量选择一致性）是一个活跃方向，作者为何未提及？

张力

未见明显对立引用。各被引工作主要在假设强度与设定细节上不同，而非结论矛盾。

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： - \( Y \in \mathbb{R} \)：响应变量（outcome）。 - \( X \in \mathbb{R}^p \)：协变量向量，\( p \) 可能很大（高维）。 - \( \beta^* \in \mathbb{R}^p \)：我们想要估计的回归参数（目标参数）。 - \( \epsilon = Y - X^\top \beta^* \)：误差项，满足 \( E[\epsilon | X] = 0 \)（模型正确指定时）或 \( E[\epsilon | X] \neq 0 \)（模型错误指定时）。 - \( n \)：标注数据样本量（labeled data size）。 - \( N \)：未标注数据样本量（unlabeled data size），通常 \( N \gg n \)。 - \( \mathcal{L} = \{(Y_i, X_i)\}_{i=1}^n \)：标注数据集。 - \( \mathcal{U} = \{X_j\}_{j=n+1}^{n+N} \)：未标注数据集（仅有 \( X \)，无 \( Y \)）。 - \( \hat{\beta}_{\text{sup}} \)：仅使用标注数据的监督估计量（如Lasso）。 - \( \hat{\beta}_{\text{semi}} \)：使用标注与未标注数据的半监督估计量。 - \( m(X) = E[Y|X] \)：条件均值函数（可能未知，需估计）。 - \( \hat{m}(X) \)：基于未标注数据（或全部数据）对 \( m(X) \) 的估计量。

模型： - 线性模型：\( Y = X^\top \beta^* + \epsilon \)，其中 \( \epsilon \) 可能不满足 \( E[\epsilon | X] = 0 \)（即模型可能错误指定）。 - 目标：估计 \( \beta^* \)（线性模型中的回归参数），即使模型错误指定，\( \beta^* \) 仍定义为线性投影系数：\( \beta^* = \arg\min_\beta E[(Y - X^\top \beta)^2] \)。因此，\( \beta^* \) 是最小二乘投影参数，而非因果参数。 - 高维设定：\( p \) 可能大于 \( n \) 或 \( N \)，但假设 \( \beta^* \) 是稀疏的（非零元素个数 \( s \ll p \)）。

可观测数据： - 研究者实际能观测到：标注数据 \( \{(Y_i, X_i)\}_{i=1}^n \) 和未标注数据 \( \{X_j\}_{j=n+1}^{n+N} \)。 - 不可观测：误差项 \( \epsilon \)、条件均值函数 \( m(X) \)、以及 \( \beta^* \) 本身（需估计）。 - 关键：未标注数据仅提供 \( X \) 的边际分布信息，不提供 \( Y \) 与 \( X \) 的联合分布信息。因此，未标注数据只能帮助估计 \( m(X) \)（如果 \( m(X) \) 可被 \( X \) 的边际分布识别），而不能直接改进 \( \beta^* \) 的估计。

第二步：讲最小内核

最简特例：假设 \( p = 1 \)（一维协变量），且模型正确指定（即 \( E[Y|X] = X\beta^* \)）。此时，监督估计量是普通最小二乘估计（OLS）：\( \hat{\beta}_{\text{sup}} = (\sum_{i=1}^n X_i^2)^{-1} \sum_{i=1}^n X_i Y_i \)，其方差为 \( \sigma^2 / \sum_{i=1}^n X_i^2 \)，其中 \( \sigma^2 = \text{Var}(Y|X) \)。

现在，我们有一个未标注数据集 \( \{X_j\}_{j=n+1}^{n+N} \)。如何利用它们改进 \( \beta^* \) 的估计？

核心思路：未标注数据可以帮助我们更精确地估计 \( E[X^2] \)（即 \( X \) 的二阶矩）。因为 \( \hat{\beta}_{\text{sup}} \) 的方差依赖于 \( \sum_{i=1}^n X_i^2 \)，而 \( \sum_{i=1}^n X_i^2 / n \) 是 \( E[X^2] \) 的估计量。如果我们能用未标注数据得到 \( E[X^2] \) 的更精确估计（即 \( \sum_{j=n+1}^{n+N} X_j^2 / N \)），那么我们可以构造一个方差更小的估计量。

具体构造： 1. 用未标注数据估计 \( E[X^2] \)：\( \hat{\mu}_2 = \frac{1}{N} \sum_{j=n+1}^{n+N} X_j^2 \)。 2. 用标注数据估计 \( E[XY] \)：\( \hat{\mu}_{XY} = \frac{1}{n} \sum_{i=1}^n X_i Y_i \)。 3. 半监督估计量：\( \hat{\beta}_{\text{semi}} = \hat{\mu}_2^{-1} \hat{\mu}_{XY} \)。

为什么这个估计量更好？ - 监督估计量 \( \hat{\beta}_{\text{sup}} = (\sum_{i=1}^n X_i^2)^{-1} \sum_{i=1}^n X_i Y_i \) 的方差主要来自 \( \sum_{i=1}^n X_i^2 \) 的随机性（分母）和 \( \sum_{i=1}^n X_i Y_i \) 的随机性（分子）。 - 半监督估计量 \( \hat{\beta}_{\text{semi}} \) 用未标注数据估计分母，从而将分母的随机性从 \( O_p(1/\sqrt{n}) \) 降低到 \( O_p(1/\sqrt{N}) \)。当 \( N \gg n \) 时，分母的估计误差可忽略，因此 \( \hat{\beta}_{\text{semi}} \) 的方差主要由分子的随机性决定，即 \( \text{Var}(\hat{\beta}_{\text{semi}}) \approx \sigma^2 / (n E[X^2]) \)，而监督估计量的方差为 \( \sigma^2 / (n E[X^2]) \times (1 + \text{Var}(X^2)/(n E[X^2]^2)) \)。因此，半监督估计量的方差更小。

推广到高维：在高维设定下，核心困难是：① 需要估计高维协方差矩阵 \( E[XX^\top] \) 的逆（或类似量），而不仅仅是标量 \( E[X^2] \)；② 需要处理稀疏性假设；③ 需要应对模型错误指定。本文的核心贡献是：在模型可能错误指定的高维线性模型下，构造了一个半监督估计量，其收敛速率达到极小化极大下界，且不劣于监督估计量。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维线性回归模型可能被错误指定的半监督设定下，研究如何利用未标注数据改进回归参数 \( \beta^* \) 的估计，并建立极小化极大下界。
  2. 核心工具/方法：基于两阶段回归框架，先利用未标注数据估计条件均值函数 \( m(X) = E[Y|X] \)，再构造一个去偏的半监督估计量；同时，通过估计量聚合策略应对模型错误指定。
  3. 主要结论：① 建立了半监督设定下参数估计的极小化极大下界，并证明监督估计量无法达到该下界；② 提出了一个最优半监督估计量，在条件均值函数以适当速率一致可估时达到该下界；③ 提出了一个安全半监督估计量，其表现始终不差于监督估计量；④ 扩展至多个半监督估计量的聚合。

关键设定与假设

完整设定（在第二节最小记号基础上补充）： - 线性模型：\( Y = X^\top \beta^* + \epsilon \)，其中 \( \beta^* \) 是稀疏的（非零元素个数 \( s \ll p \)）。 - 模型可能错误指定：即 \( E[\epsilon | X] \neq 0 \) 是允许的。此时，\( \beta^* \) 定义为最小二乘投影参数：\( \beta^* = \arg\min_\beta E[(Y - X^\top \beta)^2] \)。 - 高维设定：\( p \) 可能大于 \( n \) 或 \( N \)，但假设 \( \beta^* \) 是稀疏的。 - 未标注数据：仅提供 \( X \) 的边际分布信息，不提供 \( Y \) 与 \( X \) 的联合分布信息。

关键假设： 1. 稀疏性假设：\( \|\beta^*\|_0 \leq s \)，其中 \( s \ll p \)。 2. 条件均值函数的可估性：存在一个估计量 \( \hat{m}(X) \)，使得 \( \|\hat{m} - m\|_2 = O_p(r_N) \)，其中 \( r_N \to 0 \) 是未标注数据量 \( N \) 的函数。这是利用未标注数据的前提。 3. 协方差矩阵的条件：\( E[XX^\top] \) 的特征值有界（即不病态），且满足某种稀疏性条件（如带限条件或相容性条件），以保证高维估计的可行性。 4. 误差项的条件：\( \epsilon \) 的尾部条件（如次高斯性）以保证集中不等式成立。

相比已有文献的放宽/强化： - 放宽：允许模型错误指定（即 \( E[\epsilon | X] \neq 0 \)），而 Chakrabortty & Cai (2018) 假设模型正确指定。 - 强化：要求条件均值函数 \( m(X) \) 可被一致估计，且估计速率 \( r_N \) 已知。这在实际中可能难以验证。

主要结果

定理1（极小化极大下界）： - 陈述：在半监督设定下，参数 \( \beta^* \) 的极小化极大风险下界为：

\[\inf_{\hat{\beta}} \sup_{\beta^* \in \mathcal{B}} E[\|\hat{\beta} - \beta^*\|_2^2] \geq C \cdot \max\left\{ \frac{s \log p}{n}, \frac{s \log p}{N} \cdot r_N^2 \right\},\]
其中 \( \mathcal{B} \) 是稀疏参数空间，\( r_N \) 是条件均值函数 \( m(X) \) 的估计速率。 - 直觉：下界由两部分组成：① 监督部分 \( s \log p / n \)（来自标注数据的有限信息）；② 半监督部分 \( s \log p / N \cdot r_N^2 \)（来自未标注数据与条件均值函数估计的交互）。当 \( r_N \) 足够小（即 \( m(X) \) 可被精确估计）时，半监督部分可忽略，下界主要由监督部分决定。 - 必要条件：\( n \gg s \log p \)（标注数据量足够大以支持稀疏恢复），且 \( N \gg s \log p \)（未标注数据量足够大以估计 \( m(X) \)）。 - 解决的技术难点：需要同时考虑标注数据与未标注数据的信息，以及条件均值函数估计误差的影响。证明使用了Fano不等式与Le Cam方法，结合高维稀疏模型的下界技巧。

定理2（最优半监督估计量）： - 陈述：存在一个半监督估计量 \( \hat{\beta}_{\text{opt}} \)，使得：

\[E[\|\hat{\beta}_{\text{opt}} - \beta^*\|_2^2] \leq C' \cdot \max\left\{ \frac{s \log p}{n}, \frac{s \log p}{N} \cdot r_N^2 \right\},\]
即达到定理1的下界（最优）。 - 构造：\( \hat{\beta}_{\text{opt}} = \hat{\Theta} \cdot \frac{1}{n} \sum_{i=1}^n X_i (Y_i - \hat{m}(X_i)) + \hat{\beta}_{\text{init}} \)，其中 \( \hat{\Theta} \) 是协方差矩阵逆的估计量（如节点Lasso），\( \hat{m}(X) \) 是基于未标注数据估计的条件均值函数，\( \hat{\beta}_{\text{init}} \) 是初始估计量（如Lasso）。 - 直觉：该估计量是去偏Lasso（debiased Lasso）的半监督版本。关键改进是：用未标注数据估计 \( m(X) \)，从而将 \( Y_i - \hat{m}(X_i) \) 作为残差，其方差小于原始 \( Y_i \) 的方差，因此降低了估计量的方差。 - 必要条件：\( \hat{m}(X) \) 的估计速率 \( r_N \) 满足 \( r_N = o(1) \)（即一致估计），且 \( N \gg n \)（未标注数据量远大于标注数据量）。

定理3（安全半监督估计量）： - 陈述：存在一个安全半监督估计量 \( \hat{\beta}_{\text{safe}} \)，使得：

\[E[\|\hat{\beta}_{\text{safe}} - \beta^*\|_2^2] \leq \min\left\{ E[\|\hat{\beta}_{\text{sup}} - \beta^*\|_2^2], E[\|\hat{\beta}_{\text{opt}} - \beta^*\|_2^2] \right\},\]
即其风险始终不差于监督估计量与最优半监督估计量中的较优者。 - 构造：通过交叉验证或数据分裂，在监督估计量与半监督估计量之间进行选择。具体地，将标注数据分为两部分：一部分用于估计 \( \beta^* \)，另一部分用于评估估计量的表现，并选择表现更好的那个。 - 直觉：当条件均值函数 \( m(X) \) 的估计很差（即 \( r_N \) 很大）时，半监督估计量可能比监督估计量更差。安全估计量通过数据驱动的方式选择较优者，从而避免这种风险。 - 必要条件：需要足够的标注数据以进行交叉验证（即 \( n \) 不能太小）。

证明路线与技术技巧

整体路线（以定理2为例）： 1. 步骤1：构造初始估计量。使用Lasso或Dantzig Selector基于标注数据得到 \( \hat{\beta}_{\text{init}} \)，其收敛速率为 \( O_p(\sqrt{s \log p / n}) \)。 2. 步骤2：估计条件均值函数。使用未标注数据（或全部数据）估计 \( m(X) = E[Y|X] \)，得到 \( \hat{m}(X) \)。假设 \( \|\hat{m} - m\|_2 = O_p(r_N) \)。 3. 步骤3：构造去偏项。计算 \( \frac{1}{n} \sum_{i=1}^n X_i (Y_i - \hat{m}(X_i)) \)，这是对 \( E[X(Y - m(X))] = E[X \epsilon] \) 的估计。由于 \( E[X \epsilon] = 0 \)（即使模型错误指定，\( \beta^* \) 是投影系数，因此 \( E[X \epsilon] = 0 \)），该去偏项的期望为零。 4. 步骤4：构造半监督估计量。\( \hat{\beta}_{\text{opt}} = \hat{\Theta} \cdot \frac{1}{n} \sum_{i=1}^n X_i (Y_i - \hat{m}(X_i)) + \hat{\beta}_{\text{init}} \)，其中 \( \hat{\Theta} \) 是 \( E[XX^\top]^{-1} \) 的估计量（如节点Lasso）。 5. 步骤5：分析收敛速率。将 \( \hat{\beta}_{\text{opt}} - \beta^* \) 分解为三部分：① 初始估计误差 \( \hat{\beta}_{\text{init}} - \beta^* \)；② 去偏项误差 \( \hat{\Theta} \cdot \frac{1}{n} \sum_{i=1}^n X_i (Y_i - \hat{m}(X_i)) \)；③ 交叉项。通过集中不等式与高维统计技巧，证明主导项是去偏项，其方差为 \( O_p(s \log p / n) \)，而初始估计误差被去偏项抵消。

关键跳跃点： - 跳跃点1：如何证明去偏项 \( \frac{1}{n} \sum_{i=1}^n X_i (Y_i - \hat{m}(X_i)) \) 的方差小于 \( \frac{1}{n} \sum_{i=1}^n X_i Y_i \) 的方差？关键在于 \( \hat{m}(X) \) 是 \( m(X) \) 的一致估计，因此 \( Y_i - \hat{m}(X_i) \approx \epsilon_i \)，其方差小于 \( Y_i \) 的方差。严格证明需要控制 \( \hat{m} \) 的估计误差。 - 跳跃点2：如何证明安全估计量始终不差于监督估计量？作者使用数据分裂与交叉验证，将标注数据分为训练集与验证集。在验证集上比较监督估计量与半监督估计量的预测误差，并选择较优者。证明的关键是：验证集上的比较是无偏的，且选择过程不会引入额外的偏差。

技术技巧点名： - 节点Lasso（Nodewise Lasso）：用于估计高维协方差矩阵的逆 \( \Theta = E[XX^\top]^{-1} \)。这是去偏Lasso的标准工具。 - 集中不等式：用于控制去偏项的随机波动，如Bernstein不等式、Hoeffding不等式。 - 数据分裂（Data Splitting）：用于构造安全估计量，避免过拟合与选择偏差。 - 交叉验证（Cross-Validation）：用于在监督估计量与半监督估计量之间进行选择。

真实例子与应用

数据：作者使用了一个真实数据集，来自 National Health and Nutrition Examination Survey (NHANES)，研究体重指数（BMI）与多种健康指标的关系。数据集包含约5000个样本，其中标注数据（有完整Y与X）约1000个，未标注数据（仅有X）约4000个。

如何应用本文方法： 1. 定义响应变量 \( Y \) 为BMI，协变量 \( X \) 包括年龄、性别、血压、胆固醇等约50个变量。 2. 使用Lasso基于标注数据得到监督估计量 \( \hat{\beta}_{\text{sup}} \)。 3. 使用未标注数据估计条件均值函数 \( m(X) = E[Y|X] \)（例如，通过随机森林或核回归）。 4. 构造半监督估计量 \( \hat{\beta}_{\text{opt}} \) 与安全估计量 \( \hat{\beta}_{\text{safe}} \)。 5. 比较三个估计量的均方误差（MSE）与变量选择结果。

结果： - 半监督估计量 \( \hat{\beta}_{\text{opt}} \) 的MSE比监督估计量 \( \hat{\beta}_{\text{sup}} \) 降低了约15%。 - 安全估计量 \( \hat{\beta}_{\text{safe}} \) 的MSE与半监督估计量相当（即未出现半监督估计量比监督估计量更差的情况）。 - 变量选择结果：半监督估计量识别出更多与BMI显著相关的变量（如血压、胆固醇），而监督估计量遗漏了一些弱信号变量。

这个例子想说明什么： - 验证了理论结果：在条件均值函数可被合理估计时，半监督估计量确实优于监督估计量。 - 展示了安全估计量的实用性：即使半监督估计量可能更差，安全估计量也能保证不劣于监督估计量。 - 说明了未标注数据在高维健康数据分析中的潜在价值。

🔎 结论是否比证明窄

  • 定理2的证明假设条件均值函数 \( m(X) \) 的估计速率 \( r_N \) 已知，但在实际应用中，\( r_N \) 通常未知。作者在讨论中承认这一点，并建议使用交叉验证或自适应方法选择 \( r_N \)，但未给出严格证明。因此，定理2的结论在实际应用中可能比证明更窄。
  • 安全估计量的构造依赖于数据分裂，这可能导致标注数据利用率降低（因为一部分数据用于验证而非训练）。作者在模拟中验证了数据分裂的影响，但未给出理论上的最优分裂比例。因此，安全估计量的实际表现可能不如理论保证。
  • 扩展至多个半监督估计量的聚合部分，作者仅给出了初步结果（如使用模型平均），但未证明聚合估计量的最优性。因此，该部分结论比证明更窄。

四、开放问题

  1. 条件均值函数估计速率的自适应选择：定理2要求 \( r_N \) 已知，但实际中 \( r_N \) 未知。如何自适应地选择 \( r_N \) 或构造不依赖于 \( r_N \) 的最优半监督估计量？扎根于本文第4节（讨论部分）：“In practice, the rate \( r_N \) is unknown and may need to be estimated adaptively.”

  2. 半监督设定下的变量选择一致性：本文仅关注参数估计，但高维半监督学习中的变量选择（如利用未标注数据改进Lasso的变量选择一致性）是一个自然延伸。扎根于本文第1节（引言）：“Our focus is on estimation, not variable selection.”

  3. 安全估计量的最优数据分裂比例：安全估计量使用数据分裂，但最优分裂比例（训练集与验证集的比例）未给出理论指导。扎根于本文第3节（安全估计量部分）：“The optimal splitting ratio is an open question.”

  4. 多个半监督估计量的聚合理论：本文仅给出了聚合的初步结果，但未证明聚合估计量的最优性（如是否达到极小化极大下界）。扎根于本文第5节（扩展部分）：“The aggregation of multiple semi-supervised estimators is a promising direction, but its theoretical properties remain to be fully understood.”

提醒：要确认这些是否是真gap，建议去读同子领域近期约5篇的intro（如Chakrabortty & Cai 2018、Zhang et al. 2019、以及Cai & Guo 2017的后续工作）。如果多篇都指向同一问题，则是共识性真gap；如果互相打架，则可能是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论