Scalable Monte Carlo inference and rescaled local asymptotic normality¶

作者: Ning Ning, Edward L. Ionides, Ya’acov Ritov
来源: Bernoulli
主题: 统计计算 / 算法
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¶

本文研究的根本问题是：在计算预算严格受限（远小于传统 Monte Carlo 方法所需）的情况下，如何仍能实现统计有效的基于模拟的似然推断。具体来说，对于大小为 \(n\) 的数据集，作者设定计算预算为 \(O(n^{3/2})\)，这远小于传统 MCMC 或粒子滤波的典型开销（通常为 \(O(n^2)\) 或更高）。核心挑战在于：当计算预算不足时，Monte Carlo 似然评估本身是不一致的（即随着 \(n\) 增大，Monte Carlo 误差不会消失），因此标准似然理论（如 MLE 的渐近正态性）不再直接适用。该方向当前成熟度较低——它处于统计计算与渐近理论的交叉口，是“计算约束下的统计推断”这一更广泛领域的一个具体、可分析的设定。

发展脉络（history）¶

本文的引言和参考文献串起了一条清晰的线索：

奠基工作：LAN 与 LAMN 理论。Le Cam 的局部渐近正态性（LAN）是经典似然推断的基石。本文引用了 [4]（关于平稳隐马尔可夫模型的 LAN）和 [6]（关于多维扩散过程的 LAMN 性质），这些工作建立了在计算无限（即似然可精确或近似精确计算）前提下，MLE 的渐近最优性。它们留下的口子是：当计算本身成为瓶颈时，LAN 框架是否还能适用？
主要进展：Monte Carlo 似然推断的实践。Ionides 等人（[9], [4], [15], [16]）开发了一系列“即插即用”（plug-and-play）的 Monte Carlo 方法（如迭代滤波、粒子滤波），用于对非线性、部分观测的动态系统进行似然推断。这些方法在传染病动力学（[18, 20, 16, 17]）等应用中取得了成功。它们留下的口子是：这些方法通常假设 Monte Carlo 误差可以做得足够小（通过大量计算），但当数据集变大、模型变复杂时，这个假设不再成立。Ionides 等人（2017, [9]）明确指出了这一点，并开发了考虑 Monte Carlo 不确定性的 profile 似然方法，但并未给出一个统一的、关于计算预算与统计效率之间 tradeoff 的渐近理论。
当前 Frontier：计算-统计 tradeoff 的精确刻画。本文（Ning, Ionides, Ritov, 2024）直接站在了上述两条线索的交汇点上。它没有去改进 Monte Carlo 算法本身，而是重新审视了在有限计算预算下，似然函数的渐近行为。作者的核心洞察是：虽然全局的 Monte Carlo 似然评估不一致，但在真实参数值的 \(n^{-1/4}\) 邻域内，似然函数经过重新缩放后，仍然满足一个“重新缩放版本的局部渐近正态性”（rescaled LAN）。在这个缩放尺度下，可以构造出统计有效的估计量，尽管 Monte Carlo 似然评估本身是不一致的。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索 A：渐近统计理论（LAN / LAMN）。以 [4], [6] 为代表。这一簇的工作关注在理想（计算无限）条件下，似然比过程的渐近分布，为 MLE 和 Bayes 估计量的最优性提供理论基础。它们通常假设似然函数可以精确或近似精确地计算。
线索 B：计算密集型似然推断（Monte Carlo 方法）。以 [9], [15], [16] 及其应用 [18, 20, 16, 17] 为代表。这一簇的工作关注如何对复杂模型（如隐马尔可夫模型、扩散过程）进行实际推断，核心工具是粒子滤波、MCMC 等 Monte Carlo 方法。它们通常假设计算资源足以使 Monte Carlo 误差可忽略，或者开发启发式方法来处理不可忽略的误差。

本文的独特之处在于：它不属于上述任何一条线索，而是它们的交叉。它从线索 A 借用了 LAN 的分析框架，但将其应用于线索 B 所面临的“计算不足”的现实场景。

这个方向在追问的核心问题¶

计算预算与统计效率之间的精确 tradeoff 是什么？ 给定一个计算预算 \(C(n)\)，能达到的最优统计收敛率是多少？本文给出了一个特例：当 \(C(n) = O(n^{3/2})\) 时，可以达到 \(n^{-1/2}\) 收敛率。
当 Monte Carlo 似然评估不一致时，是否还能进行有效的统计推断？ 本文的答案是肯定的，但需要重新缩放似然函数，并限制在参数空间的局部邻域内。
是否存在一个通用的“计算-统计效率”理论框架？ 本文的 rescaled LAN 可以看作是这个方向的一个尝试，但它目前只适用于特定的计算预算和特定的模型结构（满足标准 LAN 的模型）。

⚠️ 作者的 framing¶

作者将缺口 frame 成：“尽管 Monte Carlo 似然评估不一致，但通过重新缩放 LAN，仍能实现统计有效估计。” 这使得他们的工作成为“显然的下一步”：既然经典 LAN 假设计算无限，而实际 Monte Carlo 方法又面临计算瓶颈，那么一个自然的想法就是去研究在有限计算下 LAN 会变成什么样子。

被淡化或回避的竞争路线：作者没有深入讨论如何改进 Monte Carlo 算法本身（例如，通过更高效的采样或方差缩减技术）来降低计算预算。他们的方法是在给定一个固定的、不足的计算预算下，如何调整统计推断策略。这回避了“能否通过算法创新来突破 \(n^{3/2}\) 这个预算门槛”的问题。
值得研究者去查的问题：作者在引言中提到了“computational budget of size essentially \(n^{3/2}\)”。这个 \(3/2\) 指数是如何得出的？它是否与某种特定的 Monte Carlo 方法（如粒子滤波的方差）的收敛率有关？一个明显该被引、却没出现在 intro 里的工作是那些关于计算复杂度下界（如信息-计算 gap）的文献。本文讨论的是“给定预算下的统计效率”，但并未触及“是否存在一个统计上可达到、但计算上不可达到的阈值”这一更深层的问题。这与研究者感兴趣的 statistical-computational tradeoff 领域有直接关联，但本文并未建立这种联系。

张力¶

未见明显对立引用。所有被引工作都承认计算是实际推断中的一个关键瓶颈，只是处理方式不同（有的通过增加计算，有的通过调整推断方法）。

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：
- \(n\): 样本量。
- \(\theta \in \Theta \subseteq \mathbb{R}^d\): 未知的 \(d\) 维参数向量，是我们要估计的目标（estimand）。
- \(\theta_0\): 真实参数值。
- \(X_1, \dots, X_n\): 独立同分布（i.i.d.）的可观测数据，每个 \(X_i\) 来自分布 \(P_{\theta_0}\)。
- \(p(x; \theta)\): 单个观测 \(x\) 的似然函数（概率密度或质量函数）。
- \(\ell_n(\theta) = \sum_{i=1}^n \log p(X_i; \theta)\): 对数似然函数。
- \(\hat{\ell}_n(\theta)\): 对数似然函数的 Monte Carlo 近似。由于计算预算有限，\(\hat{\ell}_n(\theta)\) 是 \(\ell_n(\theta)\) 的一个有噪声的估计。
- \(C(n)\): 计算预算。本文设定 \(C(n) = O(n^{3/2})\)。
- \(\Delta_n(\theta) = \hat{\ell}_n(\theta) - \ell_n(\theta)\): Monte Carlo 近似误差。
- \(h = n^{1/2}(\theta - \theta_0)\): 局部参数化（local parameterization），用于在 \(\theta_0\) 附近分析似然比。
- \(u = n^{1/4}(\theta - \theta_0)\): 重新缩放的局部参数化。这是本文的核心创新点。注意这里的缩放因子是 \(n^{1/4}\)，而不是标准的 \(n^{1/2}\)。
模型：
- 数据生成机制：\(X_i \stackrel{i.i.d.}{\sim} P_{\theta_0}\)，其中 \(\{P_\theta: \theta \in \Theta\}\) 是一个参数统计模型。
- 假设该模型满足标准的局部渐近正态性（LAN）条件。这意味着，在 \(\theta_0\) 附近，对数似然比可以近似为一个二次型：
  \[\ell_n(\theta_0 + h / \sqrt{n}) - \ell_n(\theta_0) \approx h^T \Delta_n - \frac{1}{2} h^T I(\theta_0) h\]
  其中 \(\Delta_n \xrightarrow{d} N(0, I(\theta_0))\)，\(I(\theta_0)\) 是 Fisher 信息矩阵。
- 计算模型：我们只能通过 Monte Carlo 方法（如粒子滤波）来近似计算 \(\ell_n(\theta)\)。对于每个 \(\theta\)，我们分配的计算预算为 \(O(n^{1/2})\) 次操作。由于总共有 \(O(n)\) 个数据点，总预算为 \(O(n \times n^{1/2}) = O(n^{3/2})\)。
可观测数据：
- 可观测：\(X_1, \dots, X_n\)（原始数据）和 \(\hat{\ell}_n(\theta)\)（通过 Monte Carlo 计算得到的近似对数似然值）。
- 想要但观测不到：精确的对数似然 \(\ell_n(\theta)\) 和它的梯度、Hessian 矩阵。我们只能通过 \(\hat{\ell}_n(\theta)\) 来间接推断 \(\theta_0\)。

第二步：讲最小内核¶

本文的核心思路可以用一个一维高斯位置模型的最简特例来理解。

最简特例：假设 \(X_i \sim N(\theta_0, 1)\)，\(i=1,\dots,n\)，且 \(\theta_0\) 是我们要估计的均值。那么精确的对数似然是：
\[\ell_n(\theta) = -\frac{n}{2} \log(2\pi) - \frac{1}{2} \sum_{i=1}^n (X_i - \theta)^2\]
其 MLE 是 \(\hat{\theta}_{MLE} = \bar{X}\)，收敛率为 \(n^{-1/2}\)。
计算约束：现在，假设我们无法精确计算 \(\ell_n(\theta)\)。相反，对于每个 \(\theta\)，我们只能通过 Monte Carlo 来估计它。具体来说，我们只能使用 \(m = O(\sqrt{n})\) 个 Monte Carlo 样本来估计 \(\ell_n(\theta)\)。例如，我们可以生成 \(m\) 个独立同分布的随机变量 \(Z_1, \dots, Z_m \sim N(0,1)\)，然后用
\[\hat{\ell}_n(\theta) = -\frac{n}{2} \log(2\pi) - \frac{1}{2} \sum_{i=1}^n (X_i - \theta)^2 + \frac{1}{\sqrt{m}} \sum_{j=1}^m Z_j\]
来近似。这里的 \(\frac{1}{\sqrt{m}} \sum_{j=1}^m Z_j\) 项模拟了 Monte Carlo 误差，其标准差为 \(O(1/\sqrt{m}) = O(n^{-1/4})\)。
问题：由于 Monte Carlo 误差的标准差是 \(O(n^{-1/4})\)，而信号（即 \(\ell_n(\theta)\) 在 \(\theta_0\) 附近的曲率）是 \(O(n)\)，因此如果我们直接用 \(\hat{\ell}_n(\theta)\) 来最大化，得到的估计量 \(\hat{\theta}_{MC}\) 的收敛率会是多少？直觉上，Monte Carlo 误差会主导估计，导致 \(\hat{\theta}_{MC}\) 的收敛率慢于 \(n^{-1/2}\)。
核心想法（rescaled LAN）：作者的关键洞察是：不要试图在整个参数空间上最大化 \(\hat{\ell}_n(\theta)\)，而是只在一个 \(n^{-1/4}\) 邻域内进行推断。在这个邻域内，我们来考察似然比：
\[\hat{\ell}_n(\theta_0 + u / n^{1/4}) - \hat{\ell}_n(\theta_0)\]
其中 \(u = n^{1/4}(\theta - \theta_0)\) 是重新缩放的参数。在这个缩放尺度下，我们可以证明：
1. 精确似然比 \(\ell_n(\theta_0 + u / n^{1/4}) - \ell_n(\theta_0)\) 近似为 \(u \cdot \sqrt{n} \cdot (\bar{X} - \theta_0) - \frac{1}{2} u^2\)。注意，这里的“信号”项（\(u \cdot \sqrt{n} \cdot (\bar{X} - \theta_0)\)）是 \(O_p(1)\) 的，而“曲率”项（\(-\frac{1}{2} u^2\)）是 \(O(1)\) 的。
2. Monte Carlo 误差 \(\Delta_n(\theta) = \hat{\ell}_n(\theta) - \ell_n(\theta)\) 在这个邻域内是 \(O_p(n^{-1/4})\) 的。经过 \(n^{1/4}\) 缩放后，它变成了 \(O_p(1)\)。
3. 因此，重新缩放后的 Monte Carlo 对数似然比收敛到一个非退化的随机过程：
  \[n^{1/2} \left[ \hat{\ell}_n(\theta_0 + u / n^{1/4}) - \hat{\ell}_n(\theta_0) \right] \xrightarrow{d} \text{某个非退化的随机过程}\]
  这个过程的极限分布是一个“被噪声污染的二次型”。在这个极限分布中，统计不确定性（来自 \(\bar{X}\)）和计算不确定性（来自 Monte Carlo 误差）以同等量级（都是 \(O_p(1)\)）出现。
结论：在这个重新缩放的 LAN 框架下，我们可以构造一个估计量（例如，通过最大化这个重新缩放后的似然比），其收敛率是 \(n^{-1/2}\)。尽管 Monte Carlo 误差是 \(O_p(n^{-1/4})\)，远大于统计误差的 \(O_p(n^{-1/2})\)，但通过将推断限制在 \(n^{-1/4}\) 邻域内并重新缩放，我们仍然恢复了 \(n^{-1/2}\) 的收敛率。这个例子完美地展示了本文的核心数学思想：通过改变分析问题的“尺度”，可以将计算噪声“吸收”进统计模型，从而在计算预算不足的情况下实现统计效率。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在计算预算为 \(O(n^{3/2})\) 的约束下，如何对满足标准 LAN 的统计模型进行基于 Monte Carlo 模拟的、统计有效的似然推断。
核心工具/方法：提出了一个重新缩放版本的局部渐近正态性（rescaled LAN），将参数空间限制在真实值的 \(n^{-1/4}\) 邻域内，并在此缩放尺度下分析 Monte Carlo 近似似然比的渐近分布。
主要结论：证明了尽管 Monte Carlo 似然评估本身是不一致的（误差为 \(O_p(n^{-1/4})\)），但在此 rescaled LAN 框架下，可以构造出收敛率为 \(n^{-1/2}\) 的统计有效估计量，从而在计算预算与统计精度之间建立了一个精确的 tradeoff。

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：

模型假设：假设参数模型 \(\{P_\theta: \theta \in \Theta\}\) 在 \(\theta_0\) 处满足标准的 LAN 条件（定义 2.1）。这包括：似然比过程的二次可微性、Fisher 信息矩阵 \(I(\theta_0)\) 的正定性、以及某些一致可积性条件。相比已有文献，本文没有对模型结构施加额外限制（如隐马尔可夫、扩散过程），而是直接假设了 LAN 这个更一般的条件。
计算模型假设（定义 2.2）：
- 对于每个 \(\theta\)，我们可以计算一个 Monte Carlo 近似 \(\hat{\ell}_n(\theta)\)。
- Monte Carlo 误差 \(\Delta_n(\theta) = \hat{\ell}_n(\theta) - \ell_n(\theta)\) 满足：在 \(\theta_0\) 的 \(n^{-1/4}\) 邻域内，\(\Delta_n(\theta)\) 可以分解为一个主导的随机项和一个可忽略的余项。主导项是 \(O_p(n^{-1/4})\) 的，并且其协方差结构是已知或可估计的。
- 计算预算为 \(O(n^{3/2})\)。这个预算对应于每个参数值使用 \(O(n^{1/2})\) 次 Monte Carlo 模拟。
相比已有文献的强化/放宽：
- 放宽：本文不要求 Monte Carlo 误差可忽略（即不要求 \(\Delta_n(\theta) = o_p(n^{-1/2})\)），这是与经典 Monte Carlo MLE 理论的关键区别。
- 强化：本文要求 Monte Carlo 误差在 \(n^{-1/4}\) 邻域内具有特定的结构（可分解性），这比一般的“Monte Carlo 误差存在”的假设更强。这个假设在实际中是否成立，取决于具体的 Monte Carlo 方法（如粒子滤波的方差结构）。

主要结果¶

本文的核心结果是定理 3.1 和定理 4.1。

定理 3.1（Rescaled LAN）：
- 陈述：在假设 2.1（标准 LAN）和 2.2（Monte Carlo 误差结构）下，重新缩放后的 Monte Carlo 对数似然比过程
  \[\mathcal{L}_n(u) = n^{1/2} \left[ \hat{\ell}_n(\theta_0 + u / n^{1/4}) - \hat{\ell}_n(\theta_0) \right]\]
  在 Skorokhod 拓扑下弱收敛到一个高斯过程 \(\mathcal{L}(u)\)。该过程的均值函数为 \(-\frac{1}{2} u^T I(\theta_0) u\)，协方差函数由 Fisher 信息 \(I(\theta_0)\) 和 Monte Carlo 误差的极限协方差结构共同决定。
- 直觉：这个定理表明，在 \(n^{-1/4}\) 的缩放尺度下，统计不确定性（来自数据）和计算不确定性（来自 Monte Carlo）以同等的量级（都是 \(O_p(1)\)）出现在极限过程中。这为后续的统计推断提供了基础。
- 必要条件：标准 LAN 条件和 Monte Carlo 误差的可分解性假设。
- 解决的技术难点：证明 Monte Carlo 误差过程在 \(n^{-1/4}\) 邻域内的 tightness 和有限维分布收敛。这需要处理非标准（\(n^{-1/4}\)）的缩放，并证明 Monte Carlo 误差的“局部平稳性”。
定理 4.1（统计有效估计）：
- 陈述：基于 rescaled LAN，可以构造一个估计量 \(\tilde{\theta}_n\)，使得
  \[n^{1/2} (\tilde{\theta}_n - \theta_0) \xrightarrow{d} N(0, \Sigma)\]
  其中 \(\Sigma\) 是某个协方差矩阵。在特定条件下（例如，Monte Carlo 误差的协方差结构已知），\(\Sigma\) 可以达到半参数效率界。
- 直觉：尽管 Monte Carlo 似然评估不一致，但通过最大化重新缩放后的似然比（或求解其得分方程），我们仍然得到了一个 \(\sqrt{n}\)-一致的、渐近正态的估计量。这个估计量的方差 \(\Sigma\) 反映了统计和计算两方面的不确定性。
- 必要条件：定理 3.1 成立，并且能够对极限过程 \(\mathcal{L}(u)\) 进行优化或求解其得分方程。
- 解决的技术难点：将 rescaled LAN 转化为一个可操作的估计程序。这涉及到如何在实际中最大化 \(\mathcal{L}_n(u)\)，以及如何估计其渐近方差。

证明路线与技术技巧¶

整体路线：
1. 局部展开：在 \(\theta_0\) 的 \(n^{-1/4}\) 邻域内，对精确对数似然 \(\ell_n(\theta)\) 进行二阶泰勒展开。利用标准 LAN 假设，证明展开的余项是 \(o_p(1)\) 的。
2. Monte Carlo 误差建模：利用假设 2.2，将 Monte Carlo 误差 \(\Delta_n(\theta)\) 在该邻域内展开为一个主导的随机过程（其协方差结构已知）加上一个可忽略的余项。
3. 合并与缩放：将步骤 1 和 2 的结果合并，得到 \(\hat{\ell}_n(\theta)\) 的局部展开。然后应用 \(n^{1/4}\) 的缩放（即令 \(u = n^{1/4}(\theta - \theta_0)\)），得到 \(\mathcal{L}_n(u)\) 的表达式。
4. 证明收敛：证明 \(\mathcal{L}_n(u)\) 的有限维分布收敛到高斯分布，并证明该过程是 tight 的。有限维分布收敛通过中心极限定理和 Delta 方法得到。Tightness 的证明依赖于对过程模量的控制，这需要利用 Monte Carlo 误差的局部 Lipschitz 性质或其它正则性条件。
5. 构造估计量：基于极限过程 \(\mathcal{L}(u)\)，提出一个估计程序（如最大化 \(\mathcal{L}_n(u)\) 或求解其得分方程）。证明该估计量的渐近性质（\(\sqrt{n}\)-一致性、渐近正态性）。
关键跳跃点：
- 跳跃点 1：如何证明 Monte Carlo 误差过程 \(\Delta_n(\theta)\) 在 \(n^{-1/4}\) 邻域内的 tightness？这是整个证明中最吃功夫的部分。标准的 tightness 证明通常依赖于过程的 Hölder 连续性，但这里 Monte Carlo 误差的尺度是 \(n^{-1/4}\)，且其相关性结构可能很复杂。作者通过假设 Monte Carlo 误差具有一个“主导的、光滑的”随机过程表示来绕过这个难点。
- 跳跃点 2：如何将 rescaled LAN 转化为一个实际可行的估计量？极限过程 \(\mathcal{L}(u)\) 是一个高斯过程，最大化它等价于求解一个随机二次型。作者通过证明该二次型的“得分函数”是渐近线性的，从而可以构造一个类似于“一步估计”的估计量。
技术技巧点名：
- Empirical process theory：用于证明 \(\mathcal{L}_n(u)\) 作为随机过程的弱收敛，特别是 tightness 部分。
- Delta method / 高阶展开：用于处理非标准（\(n^{-1/4}\)）的缩放，并推导 Monte Carlo 误差的渐近分布。
- Local asymptotic normality (LAN)：作为整个分析框架的基石。
- Stochastic equicontinuity：用于证明 Monte Carlo 误差过程在局部邻域内的 tightness。

真实例子与应用¶

本文为纯理论 / 无实证例子。论文没有包含任何真实数据应用或模拟实验。所有结果都是理论性的，基于渐近分析。作者在结论部分提到，将方法应用于具体的科学问题（如传染病动力学）是未来的工作。

🔎 结论是否比证明窄¶

是的，存在一个明显的“窄结论”情况。定理 4.1 声称可以构造一个 \(\sqrt{n}\)-一致的估计量，但这个构造依赖于对 Monte Carlo 误差的协方差结构的了解（或一致估计）。在实际应用中，这个协方差结构可能非常复杂且难以估计。作者在定理陈述中可能隐含了“在特定条件下”这个前提，但在结论的讨论中可能泛化了其适用性。具体来说，定理 4.1 的证明可能依赖于假设 2.2 中 Monte Carlo 误差的“可分解性”和“已知协方差结构”，但论文的结论部分（如摘要）并未强调这一限制。这是一个值得研究者去核验的具体点：定理 4.1 的陈述中是否明确写出了“假设 \(\Sigma_{MC}\) 已知”或类似条件？

四、开放问题¶

计算预算的普适性：本文的核心结果是针对 \(O(n^{3/2})\) 这个特定的计算预算。对于其他预算（如 \(O(n^\alpha)\)，\(\alpha \neq 3/2\)），rescaled LAN 的缩放因子会如何变化？是否存在一个通用的理论框架，可以刻画任意计算预算下的最优统计收敛率？扎根点：本文的定理 3.1 和 4.1 都明确依赖于 \(n^{3/2}\) 这个预算假设。
Monte Carlo 误差结构的可验证性：假设 2.2 对 Monte Carlo 误差的结构施加了很强的假设（可分解性、已知协方差）。在实际应用中，如何验证这些假设？如果假设不成立，本文的结论是否仍然近似成立？扎根点：作者在引言中承认“Monte Carlo 似然评估不一致”，但并未讨论如何在实际中诊断或验证其误差结构。
与信息-计算 gap 文献的连接：本文讨论了“给定计算预算下的统计效率”，但未触及更深层的“是否存在统计上可达到、但计算上不可达到的阈值”问题。将本文的 rescaled LAN 框架与低度多项式障碍（low-degree polynomial barrier）或统计查询（SQ）下界等工具结合起来，是否能为计算-统计 tradeoff 提供更统一的刻画？扎根点：本文的参考文献中完全没有出现任何关于计算复杂度下界的文献（如低度多项式、SQ 模型），这是一个明显的空白。
高维扩展：本文的设定是固定维数 \(d\)。当参数维数 \(d\) 随 \(n\) 增长时（高维统计），计算预算 \(O(n^{3/2})\) 是否仍然足够？rescaled LAN 在高维下是否仍然成立？扎根点：本文的所有定理都假设 \(d\) 是固定的，没有讨论高维情形。

Maintained by 陈星宇 · Homepage · Source on GitHub