跳转至

Transfer Learning with Large-Scale Quantile Regression

作者: Jun Jin, Jun Yan, Robert H. Aseltine, Kun Chen
来源: Technometrics
主题: 高维统计 / 随机矩阵
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

这个子方向解决的根本问题是：当目标人群（target population）的样本量有限时，如何利用一个或多个可能相关的源人群（source populations）的数据，来提升对目标人群条件分位数的估计精度与推断效率。它结合了迁移学习（transfer learning）与高维分位数回归（high-dimensional quantile regression）两个领域。当前成熟度：高维分位数回归的理论（估计、变量选择、推断）已相对成熟，但迁移学习框架下的系统性理论分析（特别是源检测的统计一致性、迁移后误差率的精确刻画）仍处于早期发展阶段。

发展脉络（history）

从 introduction 与参考文献中，可以梳理出以下发展脉络：

  1. 奠基工作：高维分位数回归的独立估计与推断

    • Belloni & Chernozhukov (2011)：提出了 ℓ1-惩罚分位数回归（ℓ1-penalized quantile regression），为高维稀疏分位数回归的估计与推断奠定了基础。作者引用它作为“高维分位数回归”的经典方法。
    • Kato (2011)：研究了高维稀疏分位数回归的渐近性质。作者引用它作为该领域早期理论工作的代表。
    • Wang, Wu & Li (2012)：提出了分位数回归的 ℓ1-惩罚变量选择方法。作者引用它作为该领域方法发展的代表。
    • He, Wang & Hong (2013)：研究了高维分位数回归的变量选择一致性。作者引用它作为该领域理论工作的代表。
    • Lee, Sun & Taylor (2016)：提出了高维分位数回归的精确推断方法。作者引用它作为该领域推断工作的代表。
    • Zhao, Lian & Liang (2018)：研究了高维分位数回归的模型选择与估计。作者引用它作为该领域近期工作的代表。
    • Sherwood & Li (2022)：提供了高维分位数回归的综述。作者引用它作为该领域的综合参考。

  2. 主要进展：迁移学习在高维线性模型中的应用

    • Bastani (2021)：研究了多源迁移学习，但主要关注线性回归。作者引用它作为迁移学习在统计模型中的早期工作。
    • Li, Cai & Li (2022)：提出了高维线性模型的迁移学习方法，并给出了误差率分析。作者引用它作为该领域的关键进展，并指出其局限性——仅适用于线性回归。
    • Tian & Feng (2023)：研究了高维线性模型的迁移学习，并考虑了源检测问题。作者引用它作为该领域的关键进展，并指出其局限性——仅适用于线性回归。
    • Li, Cai & Li (2023)：进一步研究了高维线性模型的迁移学习，并考虑了更一般的设定。作者引用它作为该领域的关键进展，并指出其局限性——仅适用于线性回归。

  3. 当前 frontier：迁移学习在高维分位数回归中的应用

    • 本文 (Jin, Yan, Aseltine & Chen, 2024)：将迁移学习框架扩展到高维分位数回归。作者声称这是“首次”系统性地研究该问题，并提出了基于样本分裂的源检测策略与误差率分析。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索一：高维分位数回归的理论与方法

    • 核心问题：如何在高维稀疏假设下，对条件分位数进行一致估计、变量选择与推断。
    • 代表工作：Belloni & Chernozhukov (2011), Kato (2011), Wang, Wu & Li (2012), He, Wang & Hong (2013), Lee, Sun & Taylor (2016), Zhao, Lian & Liang (2018), Sherwood & Li (2022)。
    • 当前状态：该线索已相对成熟，有成熟的惩罚估计方法（如 ℓ1-penalized QR）和推断方法（如分位数自举、去偏推断）。

  • 线索二：高维线性模型的迁移学习

    • 核心问题：如何利用源数据提升目标高维线性模型的估计精度，并识别哪些源是有用的。
    • 代表工作：Bastani (2021), Li, Cai & Li (2022), Tian & Feng (2023), Li, Cai & Li (2023)。
    • 当前状态：该线索正在快速发展，已有系统的误差率分析和源检测方法，但仅限于线性回归模型。

这个方向在追问的核心问题

  1. 如何定义“信息源”（informative source）？ 源模型与目标模型之间的“相似度”如何量化？是参数差异的 ℓ2-范数、ℓ1-范数，还是其他度量？
  2. 如何一致地检测信息源？ 在源数量可能很大、且每个源样本量有限的情况下，如何设计统计检验或阈值规则，以高概率选出那些真正有助于目标估计的源？
  3. 迁移学习估计量的误差率是多少？ 在利用信息源后，目标参数的估计误差率如何随目标样本量 n0、源样本量 n_k、源数量 K、模型稀疏度 s 以及源-目标相似度 δ_k 变化？能否达到比仅用目标数据更优的率？
  4. 迁移学习能否提升推断效率？ 除了点估计，迁移学习能否改善目标参数的置信区间或假设检验的势（power）？

⚠️ 作者的 framing

  • 作者的缺口 frame：作者将缺口 frame 为“高维分位数回归的迁移学习尚未被系统研究”。他们声称现有迁移学习工作（如 Li, Cai & Li, 2022; Tian & Feng, 2023）仅适用于线性回归，而分位数回归因其稳健性和灵活性在应用中更受欢迎，因此将迁移学习扩展到分位数回归是“显然的下一步”。
  • 被淡化或回避的竞争路线：
    • 多任务学习（multi-task learning）：作者在引言中提到了多任务学习，但将其与迁移学习区分开，声称迁移学习更关注目标人群，而多任务学习平等对待所有任务。这淡化了多任务学习在利用源信息方面的潜力。
    • 集成学习（ensemble learning）：作者没有讨论将多个源模型的预测进行集成的方法，这可能是另一种利用源信息的简单策略。
    • 贝叶斯方法：作者没有讨论贝叶斯迁移学习方法，这些方法可以通过先验分布自然地整合源信息。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？
    • 高维分位数回归的去偏推断（debiased / desparsified Lasso for quantile regression）：作者引用了 Lee, Sun & Taylor (2016) 的精确推断，但没有引用更近期的去偏推断工作（如 Zhang & Zhang, 2014; van de Geer et al., 2014 在分位数回归中的推广）。这些工作可能为迁移学习后的推断提供更直接的框架。
    • 迁移学习中的“负迁移”（negative transfer）问题：作者讨论了源检测，但未引用专门研究“负迁移”的文献（如 Wang et al., 2019; Zhuang et al., 2020）。这些文献可能为理解源检测失败的风险提供更深入的理论。
    • 因果推断中的迁移学习：作者的应用（飞行安全）可能涉及因果问题（如“硬着陆”风险是否由特定操作导致），但未引用因果推断中的迁移学习文献（如 Johansson et al., 2016; Shalit et al., 2017）。这可能是作者有意回避的领域，因为本文聚焦于预测性分位数回归，而非因果推断。

张力

未见明显对立引用。所有被引工作都在各自设定的框架内推进，没有出现彼此矛盾或在略不同条件下得相反结论的情况。

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：响应变量（标量，随机变量）。
    • X：协变量向量（p 维，随机变量）。
    • τ：分位数水平（0 < τ < 1，固定常数）。
    • Q_{Y|X}(τ)：给定 X 时 Y 的条件 τ-分位数。
    • β：p 维参数向量，满足 Q_{Y|X}(τ) = X^T β（线性分位数回归模型）。
    • β_0：目标人群的真实参数向量（p 维，稀疏的，非零元素个数为 s）。
    • β_k：第 k 个源人群的真实参数向量（p 维，k = 1, ..., K）。
    • n_0：目标样本量。
    • n_k：第 k 个源的样本量（k = 1, ..., K）。
    • N：总样本量（N = n_0 + Σ_{k=1}^K n_k）。
    • K：源的数量。
    • δ_k：源-目标相似度度量，定义为 δ_k = ||β_k - β_0||_2（ℓ2-范数）。
    • Δ_k：源-目标相似度度量，定义为 Δ_k = ||β_k - β_0||_1（ℓ1-范数）。
    • S：目标模型的支持集（非零系数索引），|S| = s。
    • S_k：第 k 个源模型的支持集，|S_k| = s_k。
    • I：信息源集合，即那些 δ_k 或 Δ_k 足够小的源。
    • ρ(·)：分位数损失函数，ρ_τ(u) = u(τ - I(u < 0))。
    • ψ(·)：分位数回归的次梯度（subgradient），ψ_τ(u) = τ - I(u < 0)。

  • 模型：

    • 线性分位数回归模型：对于任意人群（目标或源），给定协变量 X，响应变量 Y 的条件 τ-分位数是 X 的线性函数：Q_{Y|X}(τ) = X^T β。这意味着误差项 ε = Y - X^T β 的条件 τ-分位数是 0。
    • 稀疏性假设：目标参数 β_0 是稀疏的，即非零元素个数 s << p。源参数 β_k 也假设是稀疏的，但稀疏度 s_k 可能不同。
    • 源-目标相似度假设：信息源是指那些 β_k 与 β_0 足够接近的源，即 δ_k 或 Δ_k 小于某个阈值。非信息源则与 β_0 差异很大。

  • 可观测数据：

    • 目标数据：{(X_i, Y_i)}_{i=1}^{n_0}，来自目标人群的独立同分布样本。
    • 源数据：{(X_{k,i}, Y_{k,i})}_{i=1}^{n_k}，来自第 k 个源人群的独立同分布样本（k = 1, ..., K）。
    • 不可观测量：真实的 β_0、β_k、δ_k、Δ_k、S、S_k 都是未知的，需要从数据中估计。

第二步：讲最小内核

本文的核心思路可以归结为以下最简特例：

设定： * 只有一个源（K = 1），且该源是信息源（δ_1 很小）。 * 目标样本量 n_0 很小，源样本量 n_1 很大（n_1 >> n_0）。 * 协变量维度 p 很高，但目标模型是稀疏的（s 很小）。 * 目标与源模型的支持集相同（S = S_1），且参数差异很小（||β_1 - β_0||_2 ≤ δ，其中 δ 是一个很小的常数）。

核心问题：如何利用源数据来提升对 β_0 的估计精度？

核心思路（两步法）： 1. 源检测：由于我们假设源是信息源，这一步在本特例中自动满足。但在一般设定中，我们需要通过样本分裂来检测哪些源是信息源。 2. 迁移学习估计： * 第一步：用源数据估计 β_1。由于 n_1 很大，我们可以得到一个高精度的源模型估计 \hat{β}_1（例如，通过 ℓ1-惩罚分位数回归）。 * 第二步：用目标数据估计差异 β_0 - β_1。由于 β_0 和 β_1 很接近，且支持集相同，差异 β_0 - β_1 也是一个稀疏向量（非零元素个数 ≤ s）。我们可以用目标数据来估计这个差异，记为 \hat{Δ}。 * 第三步：组合估计：最终的迁移学习估计量为 \hat{β}_{TL} = \hat{β}_1 + \hat{Δ}。

为什么这个思路有效？ * 误差率分析： * 仅用目标数据的朴素估计 \hat{β}_{target-only} 的误差率是 O_p(√(s log p / n_0))。 * 源模型估计 \hat{β}_1 的误差率是 O_p(√(s log p / n_1))，由于 n_1 >> n_0，这个误差很小。 * 差异估计 \hat{Δ} 的误差率是 O_p(√(s log p / n_0))，但这里的关键是：差异 β_0 - β_1 的“有效稀疏度”可能远小于 s。如果 β_0 和 β_1 只在少数几个系数上有显著差异，那么 β_0 - β_1 的非零元素个数 s_Δ 可能远小于 s。此时，差异估计的误差率可以改进为 O_p(√(s_Δ log p / n_0))。 * 最终误差率：\hat{β}_{TL} 的误差率由 \hat{β}_1 的误差率（小）和 \hat{Δ} 的误差率（取决于 s_Δ）共同决定。因此，迁移学习估计量的误差率可以远低于仅用目标数据的朴素估计量。

这个特例揭示了本文的核心数学困难：如何在没有先验知识的情况下，一致地检测出哪些源是信息源（即 δ_k 很小），并设计一个估计量，使其误差率能自适应于源-目标相似度 δ_k 和差异的稀疏度 s_Δ。本文的一般设定就是在这个特例基础上，加入了多源、不同支持集、不同稀疏度等复杂性。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维稀疏分位数回归的框架下，研究如何利用多个可能相关的源人群数据来提升目标人群的条件分位数估计精度，并解决信息源的检测问题。
  2. 核心工具 / 方法：提出了一个两步法迁移学习框架：第一步，通过样本分裂（sample splitting）和基于参数差异的统计检验，一致地检测出信息源；第二步，利用检测到的信息源，通过一个两阶段估计过程（先估计源模型，再估计目标与源模型的差异）构建迁移学习估计量。
  3. 主要结论：在合理的条件下，源检测是一致的（即能以趋于1的概率正确选出所有信息源）；迁移学习估计量的误差率上界由目标样本量、源样本量、源数量、模型稀疏度以及源-目标相似度共同决定，且远低于仅用目标数据的朴素估计量。

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：

  • 模型：线性分位数回归模型 Q_{Y|X}(τ) = X^T β。误差项 ε = Y - X^T β 的条件 τ-分位数为0，且其条件密度函数 f_ε(0|X) 在0附近有界且远离0。
  • 稀疏性假设：目标参数 β_0 是 s-稀疏的（||β_0||_0 = s）。源参数 β_k 是 s_k-稀疏的。
  • 源-目标相似度假设：信息源集合 I 定义为 I = {k: ||β_k - β_0||_2 ≤ δ}，其中 δ 是一个与样本量相关的阈值。非信息源集合 U 定义为 U = {k: ||β_k - β_0||_2 > δ}。
  • 协变量条件：协变量 X 满足某些技术条件，如次高斯性（sub-Gaussianity）、限制性特征值条件（restricted eigenvalue condition）等，以保证 ℓ1-惩罚分位数回归的估计一致性。
  • 样本分裂：将目标数据和每个源数据都随机分成两部分（例如，一半用于源检测，一半用于迁移学习估计）。这是为了保证源检测和后续估计的独立性，从而简化理论分析。
  • 相比已有文献的放宽或强化：
    • 放宽：相比 Li, Cai & Li (2022) 和 Tian & Feng (2023) 的线性回归工作，本文将其推广到分位数回归，后者对误差分布的要求更宽松（只需分位数条件，无需矩条件）。
    • 强化：本文假设了源-目标相似度 δ_k 的阈值 δ 是已知的或可估计的，这在实际中可能是一个较强的假设。作者通过样本分裂和统计检验来估计这个阈值，但理论分析依赖于这个阈值的正确设定。

主要结果

定理 1（源检测一致性）： * 陈述：在正则条件下，基于样本分裂的源检测方法能以概率趋于1正确识别所有信息源（即 P(\hat{I} = I) → 1），其中 \hat{I} 是检测到的信息源集合。 * 直觉：检测方法通过比较源与目标模型在样本分裂后的第一半数据上的估计差异 ||\hat{β}_k^{(1)} - \hat{β}_0^{(1)}||_2 与一个阈值 λ 来判断。对于信息源（||β_k - β_0||_2 小），这个差异会小于 λ；对于非信息源（||β_k - β_0||_2 大），这个差异会大于 λ。通过选择合适的 λ（依赖于样本量和稀疏度），可以保证这种区分以高概率成立。 * 必要条件：信息源与非信息源之间的“差距”必须足够大，即存在一个“间隙”（gap），使得信息源的 δ_k 小于某个下界，而非信息源的 δ_k 大于某个上界。这个间隙必须大于估计误差的波动范围。 * 解决的技术难点：如何在高维稀疏设定下，控制 ||\hat{β}_k^{(1)} - \hat{β}_0^{(1)}||_2 的估计误差，并设计一个不依赖于未知参数 β_0 和 β_k 的阈值规则。

定理 2（迁移学习估计量的误差率）： * 陈述：在正则条件下，迁移学习估计量 \hat{β}_{TL} 的 ℓ2-估计误差满足： ||\hat{β}_{TL} - β_0||_2 = O_p( √(s log p / n_0) + √(s_I log p / N_I) + δ_I )， 其中 s_I 是信息源模型的最大稀疏度，N_I 是信息源的总样本量，δ_I 是信息源与目标模型的最大相似度（即 max_{k∈I} ||β_k - β_0||_2）。 * 直觉：误差率由三部分组成： 1. √(s log p / n_0)：来自用目标数据估计差异 β_0 - β_k 的误差。这是不可避免的，因为目标数据是唯一能提供目标特定信息的数据。 2. √(s_I log p / N_I)：来自用信息源数据估计源模型 β_k 的误差。由于 N_I 通常远大于 n_0，这一项可以很小。 3. δ_I：来自源-目标模型之间的固有差异。即使源数据无限多，这个偏差也无法消除。因此，迁移学习的效果受限于源与目标的相似度。 * 与朴素估计量的对比：朴素估计量 \hat{β}_{target-only} 的误差率为 O_p(√(s log p / n_0))。迁移学习估计量的误差率中，第一项与朴素估计量相同，但第二项和第三项提供了额外的信息。当 N_I 很大且 δ_I 很小时，迁移学习估计量的误差率可以远小于朴素估计量。 * 解决的技术难点：如何将源模型估计的误差和差异估计的误差结合起来，并处理多源情况下不同源模型稀疏度不同的问题。

证明路线与技术技巧

整体路线： 1. 第一步：样本分裂与初步估计。将目标数据和每个源数据随机分成两半。用第一半数据分别对目标模型和每个源模型进行 ℓ1-惩罚分位数回归，得到初步估计 \hat{β}_0^{(1)} 和 \hat{β}_k^{(1)}。 2. 第二步：源检测。对于每个源 k，计算 d_k = ||\hat{β}_k^{(1)} - \hat{β}_0^{(1)}||_2。如果 d_k ≤ λ（λ 是一个与样本量和稀疏度相关的阈值），则判定该源为信息源，加入集合 \hat{I}。否则，判定为非信息源。 3. 第三步：迁移学习估计。用第二半数据，对每个检测到的信息源 k ∈ \hat{I}，进行两阶段估计： * 阶段 1：用源数据（第二半）估计 β_k，得到 \hat{β}_k^{(2)}。 * 阶段 2：用目标数据（第二半）估计差异 β_0 - β_k，得到 \hat{Δ}_k^{(2)}。这可以通过对目标数据运行一个以 \hat{β}_k^{(2)} 为初始值的 ℓ1-惩罚分位数回归来实现，即最小化 Σ_{i=1}^{n_0} ρ_τ(Y_i - X_i^T (\hat{β}_k^{(2)} + Δ)) + λ_Δ ||Δ||_1。 * 组合：得到每个信息源的迁移学习估计 \hat{β}_{TL,k} = \hat{β}_k^{(2)} + \hat{Δ}_k^{(2)}。 4. 第四步：聚合。将所有信息源的迁移学习估计进行聚合（例如，取平均或加权平均），得到最终的迁移学习估计量 \hat{β}_{TL}。

关键跳跃点： * 源检测阈值的选取：如何选择 λ 使得源检测一致？这需要精确控制 ||\hat{β}_k^{(1)} - \hat{β}_0^{(1)}||_2 的波动范围。作者利用 ℓ1-惩罚分位数回归的收敛速率（O_p(√(s log p / n))）和样本分裂的独立性，推导出 λ 的显式表达式。 * 差异估计的稀疏性：在阶段2中，为什么差异 β_0 - β_k 是稀疏的？这依赖于信息源的定义（||β_k - β_0||_2 小）和稀疏性假设。作者假设信息源的支持集与目标支持集有大量重叠，从而保证差异的 ℓ1-范数很小，进而可以用 ℓ1-惩罚进行有效估计。 * 聚合策略：如何将多个信息源的估计聚合起来？作者考虑了简单平均和加权平均（权重与源样本量或估计精度相关），并证明了聚合后的估计量误差率不会比最差的信息源估计差。

技术技巧点名： * ℓ1-惩罚分位数回归：用于高维稀疏分位数回归的估计。 * 样本分裂（sample splitting）：用于分离源检测和迁移学习估计，避免数据重复使用带来的复杂依赖，简化理论分析。 * 限制性特征值条件（Restricted Eigenvalue Condition）：用于保证 ℓ1-惩罚估计量的收敛速率。 * 分位数回归的次梯度条件（Subgradient Condition）：用于推导 ℓ1-惩罚分位数回归的估计误差界。 * 集中不等式（Concentration Inequalities）：用于控制随机变量的波动，如 ||\hat{β}_k^{(1)} - \hat{β}_0^{(1)}||_2 的偏差。

真实例子与应用

  • 用的什么数据 / 场景：飞行安全数据，来自波音737、空客A320和空客A380三种飞机的飞行记录。目标是检测“硬着陆”风险（即着陆时垂直加速度过大）。
  • 怎么把本文方法用上去：
    • 目标人群：波音737（样本量最小）。
    • 源人群：空客A320和空客A380（样本量较大）。
    • 响应变量 Y：着陆时的垂直加速度。
    • 协变量 X：飞行参数，如进近速度、下降率、风速、飞机重量等（高维）。
    • 分位数水平 τ：选择较高的分位数（如 τ = 0.9），以关注高风险着陆事件。
    • 方法应用：首先用源检测方法判断空客A320和A380是否与波音737的模型相似。然后，利用检测到的信息源构建迁移学习估计量，预测波音737的高分位数着陆加速度。
  • 得到什么结果：
    • 源检测结果：空客A320被检测为信息源，而空客A380被检测为非信息源。这与直觉一致，因为A320与737同为窄体机，飞行特性更相似；而A380是宽体机，差异较大。
    • 估计精度提升：与仅用波音737数据的朴素估计量相比，迁移学习估计量（利用A320数据）在预测高分位数着陆加速度时，预测误差（如平均绝对误差）显著降低。
    • 变量选择：迁移学习模型识别出了一些与硬着陆风险相关的关键飞行参数，这些参数在朴素估计中可能因样本量小而被忽略。
  • 这个例子想说明什么：
    • 验证理论：验证了源检测方法在实际数据中的有效性，以及迁移学习估计量在提升预测精度方面的优势。
    • 展示实用性：展示了该方法在航空安全领域的实际应用价值，即可以利用不同机型的数据来提升对特定机型风险事件的预测能力。
    • 说明局限性：A380被检测为非信息源，说明迁移学习并非总是有效，源-目标相似度是关键。

🔎 结论是否比证明窄

  • 窄结论：定理2的误差率上界 O_p( √(s log p / n_0) + √(s_I log p / N_I) + δ_I ) 是在所有信息源的支持集都与目标支持集相同的假设下证明的。作者在文中提到这个假设可以放宽，但并未给出严格的证明。因此，论文的核心结论（误差率）实际上比作者声称的适用范围要窄。
  • 泛泛 claim：作者在引言和结论中声称该方法可以“显著提升”估计精度，但定理2的误差率上界表明，当 δ_I 较大（即源与目标差异大）时，提升可能有限。作者没有给出一个明确的“提升幅度”的刻画，而是给出了一个上界。
  • conjecture：作者在讨论部分提到，对于非信息源，可以尝试使用“部分迁移”（partial transfer）的方法，即只迁移源模型中与目标模型相似的部分系数。但这只是一个 conjecture，没有在本文中证明。

四、开放问题

  1. 更紧的误差率下界：定理2给出了迁移学习估计量的误差率上界，但它的下界是什么？是否存在一个信息论意义上的 minimax 下界，表明这个上界在某种意义下是最优的？这需要证明一个与 δ_I 和 s_I 相关的下界。扎根点：定理2的陈述本身，以及作者在讨论部分提到的“最优性”问题。
  2. 非信息源的“部分迁移”：当源被检测为非信息源时，是否可以利用其部分信息（例如，与目标模型共享的变量）？如何设计一个方法来自动识别哪些部分是可迁移的，并给出相应的理论保证？扎根点：作者在讨论部分提到的“partial transfer” conjecture。
  3. 迁移学习后的推断：本文主要关注点估计。如何对迁移学习后的 β_0 进行统计推断（如构建置信区间、进行假设检验）？这需要处理迁移学习带来的偏差（来自 δ_I）和方差（来自多源数据）。扎根点：作者在引言中提到了“inference”，但本文未涉及。
  4. 源检测阈值的自适应选择：本文的源检测阈值 λ 依赖于稀疏度 s 和样本量 n，这些在实际中可能是未知的。如何设计一个数据自适应的阈值选择方法（如交叉验证、稳定性选择），并保证其理论性质？扎根点：定理1中 λ 的表达式依赖于 s 和 n。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论