跳转至

Causally Interpretable Meta-Mediation Analysis With Missing At Random Mediator and Outcome Data

作者: Marie-F\'elicia Beclin, Apolline Courr`eges-Vartanian, Genevi`eve Lefebvre, Tat-Thang Vo
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2607.25822

一、领域脉络与小综述

这个方向是什么

这个子方向是元中介分析（Meta-Mediation Analysis, MMA），其根本的统计/科学问题是：如何将来自多个独立研究的、关于某个因果路径（暴露→中介→结局）的证据进行定量综合，从而得到一个有明确因果解释的汇总结论。当前成熟度较低，尤其是与传统的元分析（综合总效应）相比，MMA的方法论基础薄弱，且大多缺乏对因果识别假设的明确处理。

发展脉络（history）

  • 奠基工作：因果中介分析的框架建立。 Pearl [23] 和 Robins & Greenland [26] 在1990年代至2000年代初，在非参数结构方程模型（NPSEM-IE）框架下，定义了自然直接效应和自然间接效应，并给出了其可识别性所需的“跨世界独立性”等假设。这为后续所有因果中介分析提供了理论基石。本文引用语境：“Foundational work by Pearl [23] and Robins and Greenland [26] introduced the concepts of natural direct and indirect effects, which are identifiable under single-and cross-world independence assumptions...”。

  • 主要进展：半参数方法与高效估计。 Tchetgen & Shpitser [31] 在2012年将半参数效率理论引入因果中介分析，推导了自然直接/间接效应的有效影响函数（EIF），并提出了多重稳健（multiply robust）估计量。这标志着从参数模型（如结构方程模型）向更灵活、更稳健的估计方法的转变。本文引用语境：“...more recent developments in semiparametric theory and influence function–based methods have led to efficient estimators that offer increased robustness to model misspecification [30, 31]。”

  • 当前Frontier：因果可解释的元分析。 Dahabreh et al. [6] 在2019年提出了一个关键框架：在进行元分析时，应先将各研究的因果效应估计值“运输”（transport）到一个明确定义的目标人群，然后再进行综合。这解决了传统元分析中“汇总效应到底对应哪个群体”的模糊性问题。Vo et al. [35, 37] 进一步将这一思想应用于处理病例组合异质性（case-mix heterogeneity）和整合聚合数据（aggregated data）。本文引用语境：“Recent advances in evidence synthesis have emphasized the importance of transporting causal effect estimates to a well-defined target population prior to aggregation [6, 35, 37, 28, 11]。”

  • 本文的位置： 本文是上述两条线索（半参数中介分析 + 因果可解释元分析）的首次正式交汇。它试图将Dahabreh等人的运输性框架，从总效应推广到更复杂的中介效应，并利用半参数理论解决由此带来的估计和异质性分解问题。

子线索聚类

  1. 传统MMA方法（基于参数模型）：主要来自心理学和社会科学。包括：

    • 元分析结构方程模型（MASEM）：如 Cheung & Cheung [5]。通过合并研究间的相关系数矩阵来拟合路径模型。缺点：无法处理中介-结局混杂，难以扩展到非线性模型。
    • 参数边际似然（ML）方法：如 Huang et al. [12]。对每个研究的回归系数（如a路径和b路径）建立随机效应模型，然后用乘积法估计间接效应。缺点：难以处理非线性、缺失数据，且目标人群不明确。
    • 基于个体参与者数据（IPD）的MMA：如 Huh et al. [14]。使用单阶段参数模型（如结构方程模型）直接合并IPD。缺点：同样受限于参数假设，且对数据共享要求高。

  2. 因果中介分析的高效估计方法：主要来自生物统计和流行病学。

    • 半参数理论与双稳健估计：如 Tchetgen & Shpitser [31]，Kennedy [17]。核心是推导目标参数的有效影响函数（EIF），并基于此构建One-Step或TMLE估计量。这些估计量在部分模型错误指定时仍能保持一致性，且能达到半参数效率界。

  3. 因果可解释的元分析（运输性框架）：主要来自因果推断与证据综合的交叉领域。

    • 总效应的运输：如 Dahabreh et al. [6]，Hong et al. [11]。核心思想是将各研究的因果效应通过逆概率加权或结果回归标准化到一个共同的目标人群，然后再进行元分析。
    • 处理异质性与整合聚合数据：如 Vo et al. [35, 37]。在运输性框架下，开发了分解病例组合异质性与“超越病例组合”异质性的方法，并探索了当部分研究只有聚合数据时的整合策略。

这个方向在追问的核心问题

  1. 如何定义“汇总”的中介效应？ 传统MMA的汇总效应是各研究效应的加权平均，但其对应的目标人群不明确，导致因果解释模糊。核心问题是：汇总效应到底是对谁而言的？
  2. 如何处理中介-结局混杂？ 传统MMA（如MASEM）通常假设不存在中介-结局混杂，或仅能通过线性模型调整。在非线性、非参数设定下，如何识别和估计间接效应？
  3. 如何利用“部分信息”的研究？ 许多研究只报告了暴露-中介或中介-结局的关联，而非完整的间接效应。如何将这些研究纳入MMA，以提高信息利用率和统计功效，同时避免选择性报告偏倚？
  4. 如何分解异质性来源？ 在MMA中，间接效应的异质性可能来自暴露-中介路径（A→M）或中介-结局路径（M→Y）。如何将总异质性分解为这两个来源，以提供更深入的机制理解？

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么？ 作者将缺口定位为：缺乏一个能够同时处理（1）中介-结局混杂、（2）缺失数据、（3）明确定义目标人群，并且（4）能够利用“部分信息”研究的因果可解释MMA框架。 他们声称，现有的MASEM和ML方法无法满足这些要求，而本文提出的基于半参数理论和运输性框架的方法，是解决这些问题的“显然的下一步”。
  • 哪些竞争路线被他淡化或回避了？
    • 参数方法的灵活性：作者在模拟中只测试了严重错误指定的参数模型（如线性回归用于非线性数据），并以此证明参数方法“表现不佳”。这虽然展示了半参数方法的优势，但可能淡化了在正确指定或近似正确指定下，参数方法（尤其是贝叶斯方法）在有限样本下的效率和稳定性。
    • IPD-MMA的复杂性：作者承认其方法依赖IPD，并指出这是主要局限。但对于如何在实际中获取和共享IPD这一核心挑战，并未深入讨论。他们回避了与“仅聚合数据”MMA方法的直接比较，后者在实践中更常见。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？
    • 关于统计-计算权衡（Statistical-Computational Tradeoff）的工作：本文提出的半参数估计量（如TMLE）需要估计多个高维或非参数 nuisance 函数。当协变量维度高时，这些估计的计算成本和对样本量的要求可能很高。论文没有讨论是否存在一个“计算上可行”与“统计上最优”之间的权衡，也没有引用任何关于高维半参数估计计算复杂度的文献。对于一位对统计-计算权衡感兴趣的研究者，这是一个值得探查的缺口。
    • 关于缺失数据机制的更深入讨论：论文假设了MAR，并给出了识别公式。但没有引用关于在MAR假设下，运输性框架本身是否对缺失数据机制敏感（例如，当缺失机制在不同研究中不同时）的文献。Ahmed et al. [1] 被引用来指出IPD不可用的问题，但未用于讨论MAR假设的合理性。

张力

未见明显对立引用。被引工作之间是互补和递进的关系：从因果中介的识别（Pearl, Robins）到高效估计（Tchetgen），再到元分析中的运输性框架（Dahabreh），最后是本文的整合。没有发现不同工作在同一设定下得出相反结论的情况。

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：

    • A: 暴露/处理变量（本文假设为二值，如高等教育 vs. 非高等教育）。
    • M: 中介变量（本文假设为二值，如健康好 vs. 健康差）。
    • Y: 结局变量（本文为连续或有序分类，如生活满意度）。
    • C: 一组基线协变量（共同测量的混杂因素，如年龄、性别）。
    • S: 研究指示变量。S=0 表示目标人群（target population），S=1,...,K 表示提供了结局数据的研究（outcome studies），S=K+1,...,P 表示提供了中介数据的研究（mediator studies）。
    • R, \tilde{R}: 缺失指示变量。R=0 表示 M 被观测到，\tilde{R}=0 表示 Y 被观测到。
    • Y(a, k, m): 潜在结局。表示若个体接受研究 k 中的处理版本 a，且中介被设为 m 时的结局。
    • M(a, p): 潜在中介。表示若个体接受研究 p 中的处理版本 a 时的中介值。
    • θ^{a,a*}_{k,p}: 目标参数。在目标人群 S=0 中，当处理从 (a*, p) 变为 (a, k) 时，通过中介路径产生的期望结局变化。即 E[Y(a, k, M(a*, p)) | S=0]。
    • ζ_{k,p}: 自然间接效应（NIE）。ζ_{k,p} = θ^{a,a}_{k,p} - θ^{a,a*}_{k,p}。这是本文要综合的主要效应。
    • Q^a_k(C, M): 结局回归函数。E[Y | A=a, S=k, C, M, \tilde{R}=0]。
    • b^{a,a*}_{k,p}(C): 中介回归函数。E[ Q^a_k(C, M) | A=a*, S=p, C, R=0 ]。
    • π^a_s(C): 倾向性得分。P(A=a | C, S=s)。
    • U_s(C): 研究选择概率。P(S=s | C)。
    • Ω^{a,a*}_{k,p}(C, M), W^{a*}_p(C): 权重函数，由上述倾向性得分、研究选择概率和缺失机制组成。

  • 模型：

    • 数据生成机制由一个非参数结构方程模型（NPSEM-IE）描述，其因果图如图1所示。核心是：C 是共同混杂，S 影响 A、M、Y 的生成机制，A 影响 M 和 Y，M 影响 Y。假设不存在未测量的 A-M 或 M-Y 混杂，且不存在受 A 影响的 M-Y 混杂。
    • 目标参数 θ^{a,a*}_{k,p} 是 S=0 人群中的一个期望值，被视为一个固定的、非随机的量。

  • 可观测数据：

    • 研究者实际能观测到的是什么？
      • 来自 K 个“结局研究”的数据：(A_i, Y_i, M_i, C_i, S_i=k, R_i, \tilde{R}_i)，其中 k=1,...,K。
      • 来自 P-K 个“中介研究”的数据：(A_i, M_i, C_i, S_i=p, R_i)，其中 p=K+1,...,P。这些研究没有观测 Y。
      • 来自目标人群的数据：(C_i, S_i=0)。只观测到协变量，没有 A、M、Y。
    • 哪些是潜在/不可观测的？
      • 潜在结局 Y(a, k, m) 和潜在中介 M(a, p) 是不可观测的。
      • 对于“中介研究”中的个体，其结局 Y 是缺失的（结构性地缺失，而非随机缺失）。
      • 对于目标人群中的个体，其 A、M、Y 都是缺失的。
    • 如何识别？ 通过一系列假设（可忽略性、一致性、跨世界独立性、可运输性、正性），将不可观测的潜在量表示为可观测数据的函数，如公式 (1) 所示。

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：没有治疗版本异质性，没有缺失数据，且只有两个研究：一个“结局研究”（S=1）和一个“中介研究”（S=2），目标人群为 S=0。

在这个特例下： - 目标参数退化为标准的自然间接效应：ζ = E[Y(1, M(1)) | S=0] - E[Y(1, M(0)) | S=0]。 - 识别公式 (1) 简化为： θ^{1,0} = E_{C|S=0} [ Σ_m E[Y | C, m, A=1, S=1] * P(M=m | C, A=0, S=2) ] 这个公式的意思是：要估计目标人群 S=0 中的间接效应，我们需要： 1. 从“结局研究” S=1 中，估计出给定协变量 C 和中介 M 时，处理 A=1 对结局 Y 的条件期望 E[Y|C, M, A=1, S=1]。 2. 从“中介研究” S=2 中，估计出给定协变量 C 时，处理 A=0 对中介 M 的条件分布 P(M|C, A=0, S=2)。 3. 将这两个模型结合起来，并对目标人群 S=0 的协变量分布 P(C|S=0) 进行标准化（即求期望）。

这个最小内核要解决的数学问题是什么？ 就是如何高效且稳健地估计这个由两个不同数据源（S=1 和 S=2）的信息拼接而成的目标参数 θ^{1,0}。难点在于： - 模型错误指定风险：如果对 E[Y|C, M, A=1, S=1] 或 P(M|C, A=0, S=2) 的参数模型设定错误，那么简单的“plug-in”估计量（G-formula）就会产生偏差。 - 数据源不匹配：E[Y|...] 来自 S=1，P(M|...) 来自 S=2，而标准化是在 S=0 上进行的。任何一步的估计误差都会影响最终结果。

本文的关键想法：利用半参数理论，推导出这个目标参数 θ^{1,0} 的有效影响函数（EIF）。这个EIF像一个“魔法公式”，它告诉我们如何通过一个双稳健的估计量来修正G-formula的偏差。这个双稳健估计量（如One-Step或TMLE）保证了：只要 E[Y|...] 和 P(M|...) 这两个模型至少有一个被正确指定，估计量就是一致的。这大大降低了对模型正确指定的依赖。同时，EIF还提供了估计量的渐近方差，使得我们可以进行有效的统计推断。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：如何在元分析框架下，对自然间接效应进行因果可解释的整合，同时处理中介-结局混杂、缺失数据、治疗版本异质性以及利用“部分信息”研究的问题。
  2. 核心工具/方法：利用半参数效率理论，推导了目标参数（运输后的自然间接效应）的有效影响函数（EIF），并基于此构建了One-Step和TMLE两种双稳健、数据自适应的估计量。同时，提出了基于ANOVA分解的非参数元分析模型来量化异质性来源。
  3. 主要结论：模拟研究表明，当nuisance函数使用数据自适应方法（如随机森林）估计时，所提出的OS和TMLE估计量在模型错误指定下表现良好，偏差小，覆盖率高。而传统的参数估计量（G-formula, IPW）则因模型错误指定而严重失效。真实数据分析展示了该方法在分解异质性来源方面的应用价值。

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：

  • 关键假设：
    • Assumption 1 (MAR)：缺失数据机制是随机的，即 R ⊥ (M, Y) | A, C, S 和 \tilde{R} ⊥ Y | M, A, C, R, S。这是处理缺失数据的基础。
    • Assumption 2 (Ignorability)：给定 C 和 S，处理分配与潜在结局和潜在中介独立。即无未测量混杂。
    • Assumption 3 (Consistency)：观测到的 Y 和 M 等于其对应的潜在值。
    • Assumption 4 (Cross-world independence)：Y(a, k, m) ⊥ M(a*, p) | C。这是识别自然间接效应的关键假设，排除了受处理影响的M-Y混杂。
    • Assumption 5 (Transportability)：Y(a, k, m) ⊥ S | C 和 M(a, p) ⊥ S | C。这意味着给定 C，各研究人群和目标人群的结局和中介生成机制是相同的。这是将效应从一个研究“运输”到另一个研究的基础。
    • Assumption 6 (Positivity)：所有相关子群中，处理、中介、研究选择的概率都严格在0和1之间。
  • 相比已有文献的强化/放宽：
    • 相比MASEM [5]：本文明确处理了中介-结局混杂（通过假设4），并允许非线性关系。
    • 相比参数ML方法 [12]：本文不依赖于线性乘积系数假设，可以处理非连续中介和结局。
    • 相比标准IPD-MMA [14]：本文通过运输性框架，明确定义了汇总效应的目标人群，解决了因果解释模糊的问题。同时，允许纳入只提供部分信息（如只有A-M关联）的研究。
    • 相比Dahabreh et al. [6]：本文将运输性框架从总效应推广到更复杂的中介效应，并开发了相应的半参数估计量和异质性分解方法。

主要结果

  • 理论结果：

    1. 识别结果：在假设1-6下，目标参数 θ^{a,a*}_{k,p} 可由公式 (2) 识别，该公式将来自不同研究的信息（E[Y|...] 来自 S=k，P(M|...) 来自 S=p）与目标人群的协变量分布 P(C|S=0) 结合起来。
    2. 有效影响函数（EIF）：推导了 θ^{a,a*}_{k,p} 的EIF，如公式 (5) 所示。该EIF由三部分组成，分别对应结局回归的误差、中介回归的误差和标准化误差。这是构建双稳健估计量的基础。
    3. 渐近性质：在正则条件下（nuisance函数以 n^{-1/4} 速率收敛，Donsker条件或使用交叉拟合），所提出的OS和TMLE估计量是 √n 一致的、渐近正态的，且其渐近方差达到半参数效率界 V{φ^{a,a*}_{k,p}(O; η, θ_0)}。
    4. 双稳健性：证明OS估计量是双稳健的：只要 (Q^a_k, b^{a,a*}_{k,p}) 或 (Ω^{a,a*}_{k,p}, W^{a*}_p) 中的一组被正确估计，估计量就是一致的。
    5. 异质性分解：提出了基于ANOVA平方和的非参数分解方法（公式8），将总异质性 τ^2 分解为“结局相关”、“中介相关”和“交互作用”三部分。这比传统随机效应模型（只能给出一个总 I^2）提供了更丰富的信息。

  • 模拟结果：

    • 核心结论：在模型严重错误指定的情况下，所有参数估计量（G-formula, IPW, IPW2, GLM-based OS/TMLE）的偏差都超过100%，覆盖率接近0%。而使用随机森林估计nuisance函数的OS RF和TMLE RF，偏差极小（<5%），覆盖率接近95%。
    • 缺失数据的影响：当存在MAR缺失数据时，所有方法的性能都有所下降，但OS RF和TMLE RF的覆盖率仍保持在90%以上，显示了良好的稳健性。
    • 异质性分解：OS RF和TMLE RF能够准确恢复异质性来源的分解模式（即模拟中设定的“结局相关异质性”占主导），而参数方法则严重高估了异质性。

证明路线与技术技巧

  • 整体路线：

    1. 识别：通过一系列因果假设，将目标参数 θ^{a,a*}_{k,p} 表示为可观测数据的函数（公式1/2）。
    2. EIF推导：通过计算目标参数在扰动下的路径导数（pathwise derivative），得到其有效影响函数 φ^{a,a*}_{k,p}。这个推导过程在附录C中详细展示，核心是应用链式法则，对识别公式中的三个组成部分（E[Y|...], P(M|...), P(C|S=0)）分别求导。
    3. 构建估计量：基于EIF，构建One-Step和TMLE估计量。One-Step估计量通过将EIF的样本均值加到初始G-formula估计量上来修正偏差。TMLE则通过一个迭代的“目标化”步骤（fluctuation step）来更新nuisance函数，使得EIF的样本均值为0。
    4. 渐近分析：证明在nuisance函数估计足够快（n^{-1/4}）且满足Donsker条件（或使用交叉拟合）时，估计量的偏差项是 o_p(n^{-1/2})，从而得到渐近正态性和效率。
    5. 异质性分解：在得到所有 ζ_{k,p} 的估计后，应用ANOVA恒等式，将其总方差分解为不同来源。

  • 关键跳跃点：

    • 从识别到EIF：推导EIF本身是技术难点。需要将目标参数视为一个从概率分布 P 到实数的映射，并计算其在所有可能方向上的导数。附录C中的推导展示了如何巧妙地处理由多个数据源拼接而成的复杂参数。
    • 双稳健性的证明：证明OS估计量的双稳健性（附录D）是关键。证明思路是：当 (Q^a_k, b^{a,a*}_{k,p}) 正确时，EIF中涉及 Ω 和 W 的项在期望下为0，从而估计量收敛到真值。反之亦然。这个证明依赖于EIF的巧妙结构。

  • 技术技巧点名：

    • 有效影响函数（EIF）推导：核心技巧。用于构建高效、双稳健的估计量。
    • 路径导数（Pathwise Derivative）：计算EIF的标准半参数工具。
    • One-Step 和 TMLE：两种基于EIF的经典去偏估计方法。TMLE通过“目标化”步骤保证了估计量在参数空间内。
    • 交叉拟合（Cross-fitting）：用于避免Donsker条件，使得数据自适应方法（如随机森林）可以安全地用于nuisance函数估计。
    • ANOVA分解：一个经典的统计工具，被创造性地用于分解元分析中的异质性来源，避免了传统随机效应模型的强假设。

真实例子与应用

  • 数据：2017-2021年世界价值观调查（WVS）第7波数据，选取了10个国家，以加拿大为目标人群。
  • 场景：研究高等教育（A）通过自评健康（M）对生活满意度（Y）的中介作用。
  • 方法应用：
    • 将每个国家视为一个“研究”（S）。加拿大是目标人群（S=0）。
    • 对于每个国家，分别估计其作为“结局研究”和“中介研究”时的贡献，从而得到 ζ_{k,p} 的估计值。
    • 使用OS和TMLE估计量，并用随机森林和L2惩罚逻辑回归估计nuisance函数。
    • 最后，应用ANOVA分解方法，将10个国家间的总异质性分解为“中介相关”（健康）和“结局相关”（生活满意度）两部分。
  • 结果：
    • 汇总的间接效应 ζ 显著为正（OS: 0.0824, TMLE: 0.0931），表明高等教育通过改善健康来提升生活满意度的路径是存在的。
    • 异质性分解显示，“结局相关”异质性（ξ^2）贡献了总异质性的约54-62%，而“中介相关”异质性（η^2）贡献了约34-42%。这表明，不同国家之间，教育通过健康影响生活满意度的路径差异，更多地源于“健康→生活满意度”这一环节的差异，而非“教育→健康”环节的差异。
  • 这个例子想说明什么：展示了该方法在实际应用中的价值，特别是其异质性分解能力，能够为跨文化比较提供比传统元分析更深入的机制性见解。

🔎 结论是否比证明窄

  • 关于双稳健性：论文证明了OS估计量的双稳健性（附录D）。但在主要结果部分（Section 2.5），作者声称“The OS estimator is doubly robust...”。这个结论是严格证明的，没有夸大。
  • 关于TMLE的渐近性质：论文声称在相同条件下，TMLE与OS有相同的渐近性质。这个结论在理论上通常是成立的，但论文没有给出TMLE的详细渐近证明，而是说“As a direct consequence of the above asymptotic result...”。这可以看作是一个合理的推断，但严格来说，TMLE的渐近分析需要额外的步骤来证明其fluctuation step不会破坏渐近性质。这是一个常见的做法，但值得注意。
  • 关于异质性分解的“非参数”性质：论文称ANOVA分解为“非参数”方法。这严格来说是正确的，因为它不依赖于分布假设。但它的有效性依赖于对 ζ_{k,p} 的一致估计。如果 ζ_{k,p} 的估计是有偏的（如参数方法所示），那么ANOVA分解的结果也会是有偏的。因此，其“非参数”优势是建立在第一步估计的稳健性之上的。

四、开放问题

  1. 扩展到聚合数据（Aggregated Data）：论文明确指出其方法依赖IPD，并承认这是主要局限（Section 6）。一个明确的开放问题是：如何将本文的运输性框架和半参数估计量扩展到只能获得聚合数据（如回归系数、协方差矩阵）的研究？ 这需要开发新的识别策略和估计方法，可能涉及对聚合数据中信息损失的量化。扎根于论文语句：“A key limitation of our methods is their reliance on access to individual participant data (IPD), which are often unavailable in real-world applications [1]。”

  2. 处理非随机缺失数据：本文假设了MAR。一个更现实的场景是数据非随机缺失（MNAR）。如何放松MAR假设，例如通过引入敏感性分析或工具变量，来评估MNAR对运输后的间接效应估计的影响？ 扎根于论文语句：“To account for missing data, we impose the following assumption on the missingness mechanism within each study: Assumption 1. (Missing At Random)...”

  3. 放松跨世界独立性假设：Assumption 4（跨世界独立性）是识别自然间接效应的强假设。能否在元分析框架下，通过利用多个研究提供的信息，来部分放松或检验这个假设？ 例如，是否可以构建一个类似于“阴性对照”的分析，来评估该假设的合理性？扎根于论文语句：“Assumption 4 (Cross-world independence). Y(a, k, m) ⊥ M(a*, p) | C.”

  4. 统计-计算权衡：本文的OS/TMLE估计量需要估计多个高维nuisance函数。当协变量维度很高时，这些估计的计算成本和对样本量的要求会急剧增加。是否存在一个“计算上可行”与“统计上最优”之间的权衡？ 例如，是否可以通过牺牲一些统计效率（如使用更简单的参数模型）来换取更低的计算复杂度，并保证在有限样本下仍有可接受的性能？这个问题在论文中完全没有被触及，但对于一位对统计-计算权衡感兴趣的研究者来说，是一个值得探索的、与本文直接相关的开放问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论