Conformal confidence intervals with an application to small area estimation¶

作者: Li-Chun Zhang, Tiziana Tuoto
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2608.02766

一、领域脉络与小综述¶

这个方向是什么¶

本文所涉方向是共形推断（Conformal Inference），一个旨在为预测或推断提供有限样本、分布自由的覆盖保证的统计框架。其核心思想是：在可交换性（exchangeability）或独立同分布（IID）假设下，通过构造“非符合度得分”（non-conformity score）并在校准集上排序，可以构造出对未来观测值（out-of-sample）具有指定边际覆盖概率的预测区间。该框架的独特优势在于：无需对数据生成过程（如回归函数、误差分布）做正确设定，即可在有限样本下保证覆盖。当前该领域已从最初的在线预测（on-line prediction）发展到高效的拆分共形预测（split conformal prediction），并开始处理协变量偏移（covariate shift）、条件覆盖（conditional coverage）等更复杂设定。然而，几乎所有现有工作都聚焦于预测区间（对未观测到的随机结果），而对样本内未知参数（如条件期望）的置信区间几乎空白——这正是本文试图填补的缺口。

发展脉络（history）¶

奠基工作：共形预测的提出与理论化
- Vovk et al. (2005, 2022)：首次提出共形预测框架，基于可交换性，为在线预测提供有限样本、分布自由的覆盖保证。这是整个领域的基石。
- Shafer & Vovk (2008)：提供了共形预测的教程，系统阐述了其在线设定、压缩模型（compression model）以及“预测集”的构造逻辑。该工作使共形预测被更广泛的统计学界所了解。
主要进展：拆分共形预测与效率分析
- Lei et al. (2018)：关键转折点。提出了拆分共形预测（split conformal prediction），将数据随机分为训练集和校准集，极大降低了计算成本（避免了每次预测都需要重新拟合模型）。该工作还建立了渐近效率的条件，使共形预测从理论框架走向实用。本文直接引用了其关于训练/校准集大小选择的建议（n1 ≈ n2）。
- Tibshirani et al. (2019)：将共形预测推广到协变量偏移（covariate shift） 场景，即训练集和测试集的协变量分布不同，但似然比已知或可估计。这扩展了共形预测的适用范围，使其能处理非可交换性数据。
当前 Frontier：条件覆盖的局限性与小区域预测
- Barber et al. (2021)：一个重要的负面结果。该工作证明了：在分布自由的设定下，没有任何共形方法能保证对任意特定测试点的条件覆盖（conditional coverage）。这意味着共形预测的覆盖保证只能是边际的（marginal），即平均意义上成立。本文在引言和结论中均引用了这一结果，作为其自身方法也仅追求边际覆盖的理论依据。
- Bersson & Hoff (2024)：将共形预测应用于小区域估计（SAE），但目标仍是预测未观测到的总体单元（out-of-sample y-values），而非估计区域参数（in-sample θi）。本文明确指出其与自身工作的区别：Bersson & Hoff 做的是预测，而本文要做的是置信推断。
本文的位置：本文明确声称填补了“经典回归与共形推断之间的空白”。它从共形预测的框架出发，但将目标从“预测未来随机结果”转向“为样本内未知期望构造置信区间”。为此，它引入了收缩分数（shrinkage score） 和拆分抽样设计（split-sampling design），使得在无需 IID 或可交换性假设的情况下，也能对样本内参数实现有限样本的边际置信覆盖。

子线索聚类¶

线索一：共形预测的理论与方法论（Vovk et al., 2005/2022; Shafer & Vovk, 2008; Lei et al., 2018; Tibshirani et al., 2019; Barber et al., 2021）。这一簇关注共形预测的通用框架、计算效率、对非可交换性的扩展以及其覆盖性质的理论极限。
线索二：共形预测在小区域估计中的应用（Bersson & Hoff, 2024; 本文）。这一簇将共形预测的思想引入 SAE，利用其分布自由的覆盖保证来应对模型误设、方差估计不准确等 SAE 中的经典难题。本文是这一簇中第一个将目标从“预测”转向“置信推断”的工作。

这个方向在追问的核心问题¶

如何实现条件覆盖？ Barber et al. (2021) 证明了分布自由条件下条件覆盖的不可实现性。因此，当前研究转向寻找“近似条件覆盖”或“放松的条件覆盖”的可行方法。
如何提升共形区间的效率（宽度）？ 在保证边际覆盖的前提下，如何利用协变量信息（如通过更好的回归函数）来缩小区间宽度，是实用化的关键。Lei et al. (2018) 建立了渐近效率的条件，但有限样本下的最优性仍是开放问题。
如何处理非可交换性数据？ Tibshirani et al. (2019) 处理了协变量偏移，但更一般的非可交换性（如复杂抽样设计、时间序列）下的共形推断仍是活跃领域。
如何将共形推断从“预测”扩展到“推断”？ 这是本文直接回答的问题。经典共形预测针对随机结果，而许多科学问题关心的是参数（如条件期望、处理效应）。如何为这些参数构造有效的共形置信区间，是一个新兴方向。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者将现有共形推断的缺口 frame 为“只做预测，不做置信推断”。他们声称，经典回归需要正确模型设定，而共形预测只针对未来结果，因此“为样本内期望构造置信区间”是一个自然的、未被填补的空白。他们通过引入“收缩分数”和“拆分抽样设计”来填补这个空白，使得其方法（split-CSI）在无需 IID 或可交换性假设下也能实现有限样本的边际置信覆盖。
哪些竞争路线被他淡化或回避了：
- 经典 SAE 方法（如 EBLUP）：作者在模拟中展示了 EBLUP 区间覆盖率的“不稳定”（erratic），并指出其依赖于方差估计，因此“永远无法精确达到名义覆盖水平”。这实际上是在淡化 EBLUP 在模型正确设定下的效率优势，并回避了当模型接近正确时，EBLUP 区间可能比 split-CSI 窄得多的事实（模拟中确实如此，split-CSI 的半宽约为 EBLUP 的 1.5 倍）。
- 贝叶斯方法：作者完全没有提及贝叶斯 SAE 方法（如分层贝叶斯模型），这些方法也能提供后验区间，且在小样本下可能表现良好。这可能是为了突出其方法的“分布自由”和“有限样本保证”优势。
什么明显该被引 / 该存在、却没出现在 intro 里？
- 共形预测与因果推断的结合：本文的核心是“为样本内期望构造置信区间”，这与因果推断中的“条件平均处理效应（CATE）”估计高度相关。然而，intro 中完全没有引用任何将共形预测用于 CATE 估计或个体处理效应（ITE）推断的工作（如 conformal inference for CATE 或 conformal prediction for individual treatment effects）。这是一个值得研究者去查的潜在缺口：本文的方法是否可以直接迁移到 CATE 的置信区间构造上？
- 更一般的“共形推断”文献：除了预测，也有少量工作探讨“共形假设检验”（conformal hypothesis testing）或“共形分位数回归”（conformal quantile regression）。本文的“置信区间”与这些工作的关系未被讨论。

张力¶

未见明显对立引用。所有被引工作基本遵循共形预测的范式，本文是在此范式内的一次创新性扩展（从预测到置信推断）。Barber et al. (2021) 的负面结果（条件覆盖不可实现）被本文接受并作为其方法仅追求边际覆盖的理论基础，不存在矛盾。

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：
- i：样本单元索引，i ∈ s = {1, ..., m}，m 是样本量。
- yi：第 i 个单元的可观测结果变量（连续型）。
- xi：第 i 个单元的可观测特征向量（p 维）。
- θi = θ(xi)：目标参数，即给定 xi 下 yi 的条件期望 E[yi | xi]。这是一个未知常数（对给定样本而言）。
- µ(x)：回归函数，是研究者对 θ(x) 的近似或模型。它可以是任何函数，不一定正确。
- µi = µ(xi)：回归函数在第 i 个单元上的预测值。
- ei = yi - θi：真实误差，均值为 0，分布未知。
- ui = yi - µi：共形分数（conformal score），是观测值与回归预测值之差。
- ϕ：收缩常数，0 < ϕ < 1。本文主要关注 ϕ = 0.5。
- θ̇i(ϕ) = ϕ yi + (1-ϕ) µi：收缩估计量，是 yi 和 µi 的加权平均。
- bi(ϕ) = yi - θ̇i(ϕ) = (1-ϕ) ui：收缩分数。
- n1：训练集大小；n2：校准集大小。
- α：名义覆盖水平（如 0.95）。
- k：控制区间宽度的参数，与 α 和 n 有关（如 α = 1 - k/(n+1)）。
- b(k)：{bi} 的第 k 个顺序统计量。
- |b|(k)：{|bi|} 的第 k 个顺序统计量。
模型：
- 数据生成机制：(yi, xi) 来自某个未知的联合分布 P。没有对 P 的参数形式做任何假设（如线性、正态、同方差）。
- 核心假设（用于理论推导）：在模型设定下，(yi, xi) 是 IID 的，或者 {(yi, xi): i ∈ s} 是可交换的。但本文最终的设计（split-CSI）旨在摆脱这一假设。
- 要估的对象：θi，即每个样本单元的条件期望。这是一个参数（常数），而非随机变量。
可观测数据：
- 可观测：{(yi, xi): i ∈ s}，即一个包含 m 个样本的数据集。
- 不可观测 / 想要但观测不到：
  - θi：每个单元的真实条件期望，是目标参数。
  - ei = yi - θi：真实误差，不可观测。
  - P：数据的真实分布，未知。

第二步：讲最小内核¶

本文的核心思想可以用一个最简特例来理解：假设我们只有一个样本 j，并且我们有一个“上帝”给出的完美回归函数 µ(x) = θ(x)（即 µj = θj）。我们想为 θj 构造一个置信区间。

在这个特例下，uj = yj - µj = ej，即共形分数等于真实误差。如果我们还有另一个 IID 的校准样本 {ui: i = 1, ..., n}（来自其他单元的真实误差），那么我们可以利用这些校准样本的绝对值 |ui| 来构造区间。

核心思路：因为 ej 和 {ui} 是 IID 的，所以 |ej| 和 {|ui|} 也是 IID 的。那么，|ej| 小于或等于 {|ui|} 中第 (n-k+1) 大的值的概率是多少？答案是 1 - k/(n+1)。这是因为在 n+1 个 IID 的绝对值中，|ej| 是第 (n-k+1) 大或更小的概率正好是 1 - k/(n+1)。

因此，我们可以构造区间： Cj = [µj - |u|(n-k+1), µj + |u|(n-k+1)] 其中 |u|(n-k+1) 是校准样本绝对值的第 (n-k+1) 个顺序统计量（即第 k 大的值）。

验证： Pr(θj ∈ Cj) = Pr(µj - |u|(n-k+1) ≤ θj ≤ µj + |u|(n-k+1)) 由于 µj = θj，上式等价于： Pr(-|u|(n-k+1) ≤ 0 ≤ |u|(n-k+1)) = 1，这显然不对。

问题出在哪？ 我们想要的是 θj 被覆盖，但区间是围绕 µj 构造的。当 µj = θj 时，区间中心就是 θj，所以区间 [θj - d, θj + d] 总是覆盖 θj。这告诉我们，不能直接用 µj 作为区间中心。

本文的关键想法：使用收缩估计量 θ̇j(ϕ) = ϕ yj + (1-ϕ) µj 作为区间中心。当 ϕ = 0.5 时，θ̇j = (yj + µj)/2。此时，区间变为： Cj = [θ̇j - |b|(n-k+1), θ̇j + |b|(n-k+1)] 其中 |b|(n-k+1) 是校准样本收缩分数绝对值 {|bi| = |(1-ϕ) ui|} 的顺序统计量。

现在，检查 θj 是否被覆盖： θj ∈ Cj 等价于 -|b|(n-k+1) ≤ θj - θ̇j ≤ |b|(n-k+1) 代入 θ̇j = (yj + µj)/2 和 uj = yj - µj，得到： θj - θ̇j = θj - (yj + µj)/2 = (2θj - yj - µj)/2 = ( (θj - µj) - (yj - θj) )/2 = ( (θj - µj) - ej )/2 而 bj = (1-ϕ) uj = 0.5 * (yj - µj) = 0.5 * (ej + (θj - µj))。

关键跳跃：当 µj = θj 时，θj - θ̇j = -ej/2，而 bj = ej/2。所以 |θj - θ̇j| = |bj|。因此，θj ∈ Cj 等价于 |bj| ≤ |b|(n-k+1)。由于 bj 和 {bi} 是 IID 的，这个事件的概率就是 1 - k/(n+1)。

总结最小内核：通过使用 ϕ=0.5 的收缩估计量 (yj + µj)/2 作为区间中心，并将校准集上的收缩分数绝对值作为区间半径，本文成功地将对参数 θj 的置信推断问题转化为了一个关于 IID 随机变量 bj 的排序问题。当回归函数 µ 正确时（µj = θj），覆盖是精确的。当 µ 有误时，覆盖会偏离，但偏离程度由 |θj - µj| 和误差分布 ej 的对称性决定。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究如何为样本内（in-sample）单元的未知条件期望 θi 构造具有指定边际覆盖概率的置信区间，填补了经典回归（依赖模型设定）与共形预测（只针对未来结果）之间的空白。
核心工具 / 方法：提出了共形收缩区间（Conformal Shrinkage Interval, CSI），其核心是使用 ϕ=0.5 的收缩估计量 (yi + µi)/2 作为区间中心，并基于校准集上收缩分数的绝对值确定区间半径。为了摆脱 IID 假设，进一步提出了基于设计的拆分 CSI（design-based split-CSI），通过随机拆分样本（SRSWOR）来创造可交换性，从而保证对样本内参数的有限样本边际置信覆盖。
主要结论：在 IID 或设计诱导的可交换性下，split-CSI 能精确或近似达到名义置信覆盖水平，且对回归函数 µ(x) 的误设和方差估计误差具有鲁棒性。在意大利人口普查通勤数据的 SAE 应用中，split-CSI 比传统的直接区间和 EBLUP 区间提供了更可靠的覆盖。

关键设定与假设¶

设定：样本 s = {1, ..., m}，每个单元有 (yi, xi)。目标是为每个 i ∈ s 的 θi = E[yi | xi] 构造区间 Ci，使得边际覆盖 (1/m) Σ Pr(θi ∈ Ci) = α。
假设（用于理论推导）：
- IID / 可交换性：在 Lemma 1-3 中，假设 (yi, xi) 是 IID 的。这是经典共形预测的标准假设。
- 设计诱导的可交换性：在 Lemma 4-5 中，通过简单随机无放回抽样（SRSWOR） 将样本 s 拆分为训练集 s1 和校准集 s2。这个抽样设计本身使得 s \ s1 中的单元在设计分布（而非总体分布）下是可交换的。这是本文摆脱 IID 假设的关键技巧。
- 回归函数 µ(x) 的独立性：µ(x) 必须不依赖于用于构造区间的校准数据。在 split-CSI 中，µ(x) 仅基于训练集 s1 训练，满足此条件。
相比已有文献的放宽或强化：
- 放宽：相比经典回归，不要求回归函数 µ(x) 正确设定，也不要求误差正态、同方差。相比经典共形预测，不要求 (yi, xi) 是 IID 或可交换的（通过设计实现）。
- 强化：目标从“预测随机变量 ym+1”变为“推断参数 θi”。这要求区间中心必须是一个估计量（如 θ̇i），而不是一个预测值（如 µi）。

主要结果¶

Lemma 1（预测覆盖）：对于 IID 数据，使用任何 ϕ ∈ (0,1) 的收缩分数，ACSI 和 CSI 都能为预测 yj 提供精确的有限样本覆盖。这是经典共形预测结果的直接推广。
Lemma 2 & 3（置信覆盖的条件）：当 ϕ = 0.5 时，ACSI 和 CSI 可以为置信推断 θj 提供精确覆盖，但需要条件：
- ACSI：要求误差 ej = yj - θj 分布对称。
- CSI：要求要么 µj = θj（回归正确），要么误差分布对称。
- 直觉：CSI 的条件更宽松，因为其区间是对称的（±|b|），对位置偏移更鲁棒。ACSI 的区间是非对称的（[b(k), b(n-k+1)]），对分布不对称更敏感。
Lemma 4 & 5（设计-based split-CSI 的覆盖）：
- Lemma 4：在 split 设计下，split-CSI 对预测 yj 的边际覆盖是精确的（1 - k/(n2+1)）。
- Lemma 5：在 split 设计下，split-CSI 对置信推断 θj 的边际覆盖在 µj = θj 或误差对称时是精确的；否则，存在由 |θj - µj| 和误差分布决定的误覆盖概率 ϵ_split_C。
- 核心贡献：这个结果将置信覆盖的保证从“模型假设”（IID）转移到了“抽样设计”（SRSWOR）。只要研究者能随机拆分样本，覆盖保证就成立，无论数据的真实分布如何。
Corollary 1（渐近正确性）：当使用空模型（µi ≡ µ）且训练集大小 n1 → ∞ 时，split-CSI 对边际期望 θ = E[yi] 的置信覆盖渐近达到名义水平。这为方法提供了一个大样本下的理论支撑。

证明路线与技术技巧¶

整体路线：
1. 构造收缩分数：定义 bi(ϕ) = (1-ϕ)(yi - µi)。当 ϕ=0.5 时，bi = 0.5 * ui。关键性质：bi 是 IID 的（如果 (yi, xi) 是 IID 的）。
2. 建立预测覆盖：利用 bj 和 {bi: i ∈ 校准集} 的 IID 性质，通过顺序统计量的概率计算，直接得到预测区间 Cj 的覆盖概率（Lemma 1）。
3. 转化为置信覆盖：将 θj ∈ Cj 的条件转化为关于 bj 和 uj 的不等式（Lemma 2 & 3 的证明）。核心代数操作是代入 θ̇j = (yj + µj)/2 并化简。
4. 引入设计：用 SRSWOR 拆分样本。这个设计使得 s \ s1 中的单元在设计分布下是可交换的，即使它们在总体分布下不是 IID 的。因此，步骤 1-3 中的概率计算可以在设计的概率空间中重复进行，从而得到设计-based 的覆盖保证（Lemma 4 & 5）。
关键跳跃点：
- 从预测到置信的跳跃：这是本文最核心的贡献。经典共形预测的区间中心是 µj（一个预测值），而本文的区间中心是 θ̇j = (yj + µj)/2（一个估计量）。这个改变使得区间覆盖的目标从随机变量 yj 变成了参数 θj。证明的关键在于验证 θj ∈ Cj 等价于一个关于 IID 变量 bj 的概率事件。
- 用设计替代假设的跳跃：这是本文第二个关键贡献。通过将 IID 假设替换为“设计诱导的可交换性”，本文的方法可以应用于复杂抽样数据，而无需对总体分布做任何假设。证明的关键在于 Lemma 4 的证明中，利用 SRSWOR 的对称性，指出 s \ s1 中单元的联合分布是设计可交换的。
技术技巧点名：
- 顺序统计量的概率计算：这是共形推断的基石。Lemma 1 的证明直接使用了 n+1 个 IID 变量中，一个特定变量是第 (n-k+1) 大或更小的概率为 1 - k/(n+1) 这一事实。
- 收缩估计量：使用 θ̇j = (yj + µj)/2 作为区间中心，是本文方法区别于经典共形预测的核心技巧。它巧妙地平衡了观测值 yj 和模型预测 µj，使得区间覆盖的目标从 yj 变为 θj。
- 设计-based 推断：将推断的概率空间从“总体分布”转移到“抽样设计”，是处理非 IID 数据的强大技巧。这在调查抽样中很常见，但本文将其与共形推断结合，是一个新颖的应用。

真实例子与应用¶

数据 / 场景：意大利国家统计局（Istat）2021年人口普查中的通勤统计。具体来说，是托斯卡纳大区（Tuscany）的 164 个市镇（小区域）。目标参数 θi 是每个市镇的通勤人口比例。直接估计 yi 来自人口普查调查，具有抽样误差。协变量 xi 是 2011 年人口普查的通勤比例。
方法应用：
- 使用线性回归 µ(xi) = xi β 作为回归函数。
- 采用 split-CSI（Algorithm-I），将 164 个区域随机分为训练集（n1=82）和校准集（n2=81），为每个区域构造 95% 置信区间。
- 与直接区间（以 yi 为中心，基于估计的标准误）和EBLUP区间（基于 Fay-Herriot 模型，以 EBLUP 估计为中心，基于估计的 MSE）进行比较。
结果：
- 覆盖：在基于合成总体的模拟中，split-CSI 的边际覆盖始终接近名义水平 95.1%，而 EBLUP 区间的覆盖在不同 w（控制 xi 预测能力的参数）下波动很大（从 63.5% 到 98.8%），直接区间在方差估计有偏时覆盖崩溃。
- 效率：split-CSI 的平均半宽（0.046）大于 EBLUP（0.029）但小于直接区间（0.036）。但作者指出，EBLUP 的效率优势是以牺牲覆盖可靠性为代价的。
- 鲁棒性：split-CSI 对回归函数误设（使用空模型 µi ≡ µ 时覆盖仍为 95.1%）、拆分比例（n1/m 从 15% 到 85% 变化时覆盖和宽度稳定）以及误差分布偏离正态（使用对数正态模拟时覆盖几乎不变）均表现出很强的鲁棒性。
这个例子想说明什么：该应用旨在证明 split-CSI 在真实 SAE 问题中的实用性和优越性。它展示了 split-CSI 如何在不依赖模型正确设定和方差估计的情况下，提供可靠的有限样本覆盖，而这是传统方法（直接区间和 EBLUP）难以做到的。作者最终结论是 split-CSI 是“最可靠的边际置信覆盖”方法。

🔎 结论是否比证明窄¶

窄的结论：Lemma 5 的精确覆盖结论（µj = θj 或误差对称）是相当窄的。在实际应用中，这两个条件几乎不可能精确满足。因此，split-CSI 在实际中只能近似达到名义覆盖，其误覆盖由 ϵ_split_C 控制。作者在模拟中展示了这种近似在多种设定下是良好的，但并未给出 ϵ_split_C 的上界。
泛化的 claim：作者在结论（Section 4）中声称 split-CSI 是“agnostic to the underlying sample-data distribution”。这个 claim 在设计分布下是成立的，但需要注意：设计分布只保证了 s \ s1 中单元的联合排序是可交换的，并不保证 θj 和 µj 之间的关系（即 |θj - µj| 的大小）是可控的。因此，覆盖的质量（即 ϵ_split_C 的大小）仍然依赖于 µ(x) 的质量和误差分布。作者在模拟中展示了这一点，但在结论的措辞上可能过于乐观。

四、开放问题¶

如何提升 split-CSI 的效率（宽度）？ 本文的模拟显示 split-CSI 的半宽约为 EBLUP 的 1.5 倍。作者在结论中提到了“在不牺牲覆盖水平的前提下提升效率”是一个活跃的研究领域。扎根点：Section 4 最后一句：“the challenge for the practitioners will be to potentially improve the efficiency of the split-CSI without sacrificing its coverage level.”
如何将方差信息纳入 split-CSI？ 在 SAE 中，不同区域的直接估计 yi 的方差 ψi 差异很大。本文的 split-CSI 对所有区域使用相同的区间半径（基于校准集上收缩分数的顺序统计量），这忽略了方差信息。作者在结论中提到了这一点：“a relevant question is how to differentiate the areas according to the variances of their direct estimators”。扎根点：Section 4 最后一句：“In the context of SAE, a relevant question is how to differentiate the areas according to the variances of their direct estimators, even when one only have the variance estimates but not the true variances.”
能否为条件覆盖提供更紧的保证？ Barber et al. (2021) 证明了分布自由条件下条件覆盖的不可实现性。本文的方法也只提供边际覆盖。一个开放问题是：能否在某些额外的、可检验的假设下（如近似对称性、近似可交换性），为条件覆盖提供比边际保证更紧的界？扎根点：Section 4 第一句引用了 Barber et al. (2021) 的结果，并指出“The marginal interpretation applies as well to conformal confidence inference (1), which is our target in this paper.” 这暗示了条件覆盖是一个未解决的挑战。
能否扩展到更复杂的因果参数？ 本文的方法为条件期望 θi = E[yi | xi] 构造了置信区间。一个自然的扩展是将其应用于因果推断中的其他参数，如条件平均处理效应（CATE） τ(x) = E[Y(1) - Y(0) | X = x]。这需要处理反事实和识别假设（如无混淆性）。扎根点：本文的框架（收缩估计量 + 设计-based 拆分）为这种扩展提供了一个潜在的起点，但论文本身未涉及。这是一个值得研究者去查的潜在方向。

Maintained by 陈星宇 · Homepage · Source on GitHub