Further Results on Controlling the False Discovery Rate in Two-Sided Gaussian Mean Testing¶
作者: Deepra Ghosh, Sanat K. Sarkar
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.21267
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是多重假设检验中的 FDR 控制,具体聚焦于双侧高斯均值检验在相依结构下的有限样本 FDR 控制。其根本的统计问题是:当检验统计量之间存在相关性(而非经典的独立性假设)时,如何设计既能严格控制在目标水平 α 之下的 FDR、又尽可能保有检验功效(power)的 step-up 型多重检验程序。该方向的成熟度处于"理论框架已建立、但具体设定下的精细刻画仍在推进"的阶段——经典 BH 程序(Benjamini & Hochberg, 1995)在独立或 PRDS 条件下有精确或保守的 FDR 控制,但近年来的反例(Dobriban, 2026; Lei, 2026)表明在一般高斯相依下 BH 既无普适的有限样本控制、也无普适的乘法界,这为"依赖感知"(dependence-aware)的新方法打开了空间。
发展脉络(history)¶
- 奠基工作:Benjamini & Hochberg (1995) 提出 BH 程序,在独立 p 值下证明 FDR 精确等于 (m₀/m)α;Benjamini & Yekutieli (2001) 引入 PRDS(positive regression dependence on a subset)条件,将 BH 的 FDR 控制推广到一类正相依结构,并给出普适的保守界(乘以调和级数 ∑1/i)。Sarkar (2002) 进一步用 leave-one-out 表示法简化了 FDR 的分解,为后续相依结构下的分析提供了技术工具。
- 主要进展:Su (2018) 提出 FDR-linking theorem,建立了一个将任意相依 p 值下的 BH FDR 与仅含零假设 p 值的"链接"过程的通用框架,给出了非渐近的 FDR 上界,但其界是"分布无关"的(即对任意相依结构都成立),因此必然保守。Jin & Cai (2007) 转向"估计零分布与非零比例"这一互补问题,用经验特征函数方法处理大规模多重比较中零分布未知的情形。在加权方向,Genovese et al. (2006) 和 Ignatiadis et al. (2016) 分别提出 p 值加权框架,利用协变量信息提升功效,但均未触及"已知协方差结构下的精确有限样本刻画"这一核心难题。
- 当前 frontier:Ghosh & Sarkar (2025) 引入 PTDN(Positive Tail Dependence Under the Null) 这一新的相依条件,并据此构造了广义移位 BH(GSBH)程序族,在已知协方差结构下对双侧高斯 z 检验和 t 检验建立了有限样本 FDR 上界。几乎同时,Dobriban (2026) 和 Lei (2026) 从反面证明了 BH 在一般高斯相依下不存在普适的有限样本控制或乘法界,这实际上为"依赖感知"方法(如 PTDN 框架)提供了必要性论证。
- 本文的位置:本文是 Ghosh & Sarkar (2025) 的"续篇",在 PTDN 框架内做三件延伸:(i) 对原始 BH 程序的 FDR 给出显式的、依赖协方差结构的上下界(而非仅对移位 BH 给上界);(ii) 系统刻画移位 BH 相对 BH 产生功效优势的条件;(iii) 将方法推广到协方差未知但存在独立 Wishart 估计量的实际场景,构造置信界移位 BH 程序并证明有限样本 FDR 控制。
子线索聚类¶
- 相依结构下的 FDR 控制理论:Benjamini & Yekutieli (2001) 的 PRDS、Sarkar (2002) 的 leave-one-out 分解、Su (2018) 的 FDR-linking theorem、Dobriban (2026) 与 Lei (2026) 的反例。这条线索回答"在什么相依条件下、以什么界、BH 型程序能控制 FDR"。
- 移位 p 值与加权方法:Sarkar & Zhang (2025) 的移位 BH、Genovese et al. (2006) 与 Ignatiadis et al. (2016) 的加权方法。这条线索关注"如何改造 p 值或临界值以提升功效"。
- 协方差未知时的估计与推断:Jin & Cai (2007) 的零分布估计、本文第三节的 Wishart 估计与置信界构造。这条线索处理"理论假设协方差已知,但实际需要估计"的落地问题。
这个方向在追问的核心问题¶
- 给定一个具体的相依结构(由协方差矩阵 Σ 刻画),BH 程序的 FDR 到底是多少? 能否给出比分布无关界(BY 界、Su 2018 的界)更紧的、依赖 Σ 的有限样本刻画?
- 移位 BH 程序何时严格优于 BH? 即,在什么条件下,对 p 值做依赖感知的变换能提升功效而不破坏 FDR 控制?
- 当 Σ 未知但可估计时,如何保持有限样本(而非渐近)的 FDR 保证? 这涉及估计误差的传播与置信界的构造。
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 成:"Ghosh & Sarkar (2025) 建立了 PTDN 框架并给出了移位 BH 的 FDR 上界,但 (i) 原始 BH 在给定协方差下的 FDR 行为尚未被显式刻画;(ii) 移位 BH 的功效优势缺乏系统性条件;(iii) 协方差未知的实用场景完全未被触及。本文填补这三个空白。" 作者淡化的竞争路线包括:渐近方法(如 Storey et al. 2004 的弱相依渐近控制)——作者明确追求有限样本保证,因此渐近结果被视为不充分;分布无关的保守方法(BY 界、Su 2018)——作者认为这些界过于保守,无法区分不同协方差结构。值得研究者去查的问题:Lei (2026) 的"无普适乘法界"结果是否也适用于移位 BH 程序?如果适用,本文的有限样本控制在什么意义上"绕过了"这一不可能性?(答案可能在于:本文的界依赖具体的 Σ,而非对所有 Σ 一致成立。)
张力¶
未见明显对立引用。但存在一个微妙的张力:Dobriban (2026) 和 Lei (2026) 证明 BH 在一般高斯相依下会失效,而 Ghosh & Sarkar (2025) 及本文则证明"只要利用协方差信息做适当变换",有限样本控制是可能的。这两者并不矛盾(前者针对原始 BH,后者针对移位 BH),但暗示了一个更深的问题:是否存在某种"信息论意义下"的 FDR 控制极限,即给定协方差估计的精度,任何程序能达到的最紧 FDR 界是什么? 本文未触及此问题。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据¶
设定:观测数据为 \( X \sim \mathcal{N}_d(\mu, \Sigma) \),其中 \( \Sigma \) 是已知的相关系数矩阵(对角线为 1)。对每个坐标 \( i = 1, \dots, d \),检验
核心记号:
| 记号 | 含义 | 类型 |
|---|---|---|
| \( X_i \) | 第 i 个检验统计量(高斯随机变量) | 可观测 |
| \( \mu_i \) | 第 i 个坐标的均值 | 参数(待检验) |
| \( \Sigma \) | 相关系数矩阵 | 已知(本文假设)或需估计(第三节) |
| \( P_i = \bar{\Psi}_1(X_i^2) \) | 双侧 z 检验的原始 p 值,\( \bar{\Psi}_1 \) 为 \( \chi^2_1 \) 的生存函数 | 可观测(由 X 导出) |
| \( R_i^2 \) | \( X_i \) 对 \( X_{-i} \) 的复相关系数平方 | 由 Σ 决定的参数 |
| \( \tau_i = 1 - R_i^2 = 1/(\Sigma^{-1})_{ii} \) | 条件方差参数,\( X_i \mid X_{-i} \) 的方差(在相关系数矩阵下) | 由 Σ 决定的参数 |
| \( G_\tau(u) = \bar{\Psi}_1\{\tau \bar{\Psi}_1^{-1}(u)\} \) | 移位变换,将原始 p 值映射为"移位 p 值" | 函数(由 τ 参数化) |
| \( \tilde{P}_{i,\tau} = G_\tau^{-1}(P_i) \) | 移位 p 值 | 可观测(由 P_i 和 τ 导出) |
| \( \alpha \) | 目标 FDR 水平 | 用户设定 |
| \( I_0 \subset \{1,\dots,d\} \) | 真零假设的指标集 | 不可观测(潜在量) |
| ( m_0 = | I_0 | ) |
可观测 vs. 潜在:研究者能观测到 \( X \)(从而 \( P_i \)),知道 \( \Sigma \)(或通过 \( A \) 估计)。想要但观测不到的是 \( I_0 \)(哪些是真的零假设),以及由此定义的 FDR:
模型:\( X \sim \mathcal{N}_d(\mu, \Sigma) \),\( \Sigma \) 已知(第二、三节)或 \( X \sim \mathcal{N}_d(\mu, \Sigma) \),\( A \sim \mathcal{W}_d(n, \Sigma) \),\( X \perp A \)(第四节)。
第二步:最小内核¶
剥掉所有一般性设定后,本文的核心数学问题是:
给定一个 d 维高斯随机向量 \( X \sim \mathcal{N}_d(0, \Sigma) \)(零假设下),对每个坐标做双侧 z 检验得到 p 值 \( P_i = \bar{\Psi}_1(X_i^2) \)。当坐标间存在相关性时,BH 程序在阈值 \( \alpha \) 下的 FDR 是多少?能否用每个坐标的条件方差 \( \tau_i = 1 - R_i^2 \) 给出显式的上下界?
最简例子(d=2,等相关):
设 \( d = 2 \),\( \Sigma = \begin{pmatrix} 1 & \rho \\ \rho & 1 \end{pmatrix} \),\( \mu = (0, 0)^\top \)(两个都是零假设)。此时: - \( \tau_1 = \tau_2 = 1 - \rho^2 \)。 - 两个 p 值 \( P_1, P_2 \) 相关,且 \( P_i = \bar{\Psi}_1(X_i^2) \)。
BH 程序:给定 \( \alpha \),排序 \( P_{(1)} \le P_{(2)} \),拒绝所有 \( P_{(i)} \le i\alpha/2 \)。FDR 为:
本文的界在 d=2 时退化成什么?
- 上界(定理 3.1):\( \text{FDR} \le G_{\tau_1}\left(\frac{1}{2}G_{\tau_1}^{-1}(\alpha)\right) + G_{\tau_1}\left(\frac{1}{2}G_{\tau_1}^{-1}(\alpha)\right) \),其中 \( \tau_1 = \tau_2 = 1-\rho^2 \)。当 \( \rho = 0 \)(独立)时,\( \tau_i = 1 \),\( G_1(u) = u \),上界变为 \( 2 \cdot \frac{\alpha}{2} = \alpha \),精确恢复独立情形的 FDR。
- 下界:\( \text{FDR} \ge \frac{1}{2}G_{\tau_1}\left(2G_{\tau_1}^{-1}(\alpha/2)\right) \)。
为什么这个例子是"最小内核"?
因为它展示了本文所有关键思想的最简形态: 1. 条件方差 \( \tau_i \) 是核心参数:相关性越强(\( |\rho| \) 越大),\( \tau_i \) 越小,移位变换 \( G_{\tau_i}^{-1} \) 对 p 值的压缩越强。 2. 移位 p 值的机制:\( \tilde{P}_{i,\tau_i} = G_{\tau_i}^{-1}(P_i) \) 将原始 p 值映射到一个新的尺度,使得在零假设下 \( \tilde{P}_{i,\tau_i} \) 满足 PTDN 条件,从而 BH 程序适用。 3. 界的结构:上界是 \( \sum_i G_{\tau_i}(\cdots) \) 的形式,每一项只依赖于单个坐标的条件方差,而非整个协方差矩阵的联合分布——这正是"依赖感知"的体现:不需要知道完整的 Σ,只需要每个坐标的 \( \tau_i \)。
为什么这个例子能说明本文的贡献?
在 d=2 的等相关情形,我们可以显式计算真实的 FDR,并与本文的界比较。当 \( \rho = 0.8 \) 时,\( \tau = 0.36 \),本文的上界约为 \( 2 \cdot G_{0.36}(0.5 \cdot G_{0.36}^{-1}(0.05)) \)。数值上,这个界显著小于 BY 界 \( 0.05 \cdot (1 + 1/2) = 0.075 \),展示了"依赖感知"带来的紧致性。同时,下界告诉我们 BH 在强相关下可能比名义水平更保守,这为移位 BH 的功效优势提供了理论基础。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在 Ghosh & Sarkar (2025) 的 PTDN 框架下,本文进一步研究双侧高斯均值检验中 FDR 控制的三个问题——原始 BH 程序的 FDR 如何依赖协方差结构、移位 BH 何时比 BH 更有效、以及协方差未知时如何保持有限样本 FDR 控制。
- 核心工具 / 方法:利用 leave-one-out FDR 分解(Sarkar, 2002)和 PTDN 条件,推导显式的依赖协方差的 FDR 上下界;引入置信界移位 p 值(CBSBH),用 Wishart 估计量的同步下置信界替代未知的 \( \tau_i \)。
- 主要结论:(i) 原始 BH 的 FDR 有显式的上下界,上界为 \( \sum_{i \in I_0} G_{\tau_i}(\frac{1}{d}G_{\tau_i}^{-1}(\alpha)) \),下界为 \( \frac{1}{d}\sum_{i \in I_0} G_{\tau_i}(d G_{\tau_i}^{-1}(\alpha/d)) \),在独立时均退化为精确的 \( m_0\alpha/d \);(ii) 移位 BH 在信号集中于高相关坐标时严格优于 BH;(iii) CBSBH 在协方差未知时仍能控制 FDR 于 α 水平,且当 Wishart 自由度增大时趋近于 oracle 程序。
关键设定与假设¶
- 高斯设定:\( X \sim \mathcal{N}_d(\mu, \Sigma) \),\( \Sigma \) 为相关系数矩阵。这是全文的基础,高斯性保证了条件分布 \( X_i \mid X_{-i} \) 的显式形式(均值为线性回归、方差为 \( \tau_i \))。
- 已知协方差(第二、三节):\( \Sigma \) 完全已知。这是 PTDN 框架的原始设定,允许精确计算 \( \tau_i \)。
- 未知协方差(第四节):\( X \sim \mathcal{N}_d(\mu, \Sigma) \),\( A \sim \mathcal{W}_d(n, \Sigma) \),\( X \perp A \),\( n \ge d \)。这里 \( A \) 是独立于 \( X \) 的 Wishart 估计量,来自历史数据或独立样本。关键假设是 \( X \) 与 \( A \) 的独立性——这在实际中对应"用历史数据估计协方差,再用新数据做检验"的场景。
- PTDN 条件:这是全文的理论基石。定义 2.1 要求对每个零假设 i,\( \mathbb{P}(P_i \le u \mid g(P_{-i}) \le t)/u \) 在 \( u \in (0,c) \) 上递减。这个条件比 PRDS 更弱,且专门针对 leave-one-out FDR 分解中的条件概率项。
- 与已有文献的对比:相比 PRDS(Benjamini & Yekutieli, 2001),PTDN 只要求条件概率的单调性而非整个联合分布的回归单调性;相比 Su (2018) 的 FDR-linking theorem(分布无关),本文的界依赖具体的 Σ,因此更紧但适用范围更窄。
主要结果¶
定理 3.1(BH 的 FDR 界):对双侧 z 检验,BH 程序在水平 α 下的 FDR 满足:
- 直觉:上界中的每一项 \( G_{\tau_i}(\frac{1}{d}G_{\tau_i}^{-1}(\alpha)) \) 可以理解为"在给定其他检验统计量的信息后,第 i 个 p 值落入拒绝域的条件概率"。当 \( \tau_i = 1 \)(独立)时,\( G_1(u) = u \),上界变为 \( m_0 \alpha/d \),精确恢复 BH 在独立下的 FDR。
- 技术难点:证明的关键在于处理 leave-one-out 分解中的条件概率项。作者利用 PTDN 条件将 \( \mathbb{P}(P_i \le \alpha_{r+1} \mid R(P_{-i}) \ge r) \) 上界为 \( G_{\tau_i}(\frac{r+1}{d}G_{\tau_i}^{-1}(\alpha)) \),然后对 r 求和。这里的难点是 PTDN 只保证单调性,不保证具体的函数形式,需要利用高斯分布的特殊结构(条件方差 \( \tau_i \))来获得显式表达式。
定理 4.2(CBSBH 的 FDR 控制):当协方差未知但存在独立 Wishart 估计量 \( A \sim \mathcal{W}_d(n, \Sigma) \) 时,用同步下置信界 \( L_i \) 替代 \( \tau_i \),构造移位 p 值 \( \tilde{P}_{i,L_i} = G_{L_i}^{-1}(P_i) \),则相应的 step-up 程序控制 FDR 于 α 水平。
- 证明思路:条件于 \( A \) 和事件 \( \mathcal{E}_L = \{L_i \le \tau_i, \forall i\} \),移位 p 值满足 PTDN 条件,因此 FDR ≤ α - β。无条件地,利用 \( \mathbb{P}(\mathcal{E}_L^c) \le \beta \) 和 FDP ≤ 1,得到 FDR ≤ (α - β) + β = α。
- 技术细节:\( L_i = C_i / \bar{\Psi}_\nu^{-1}(\beta_i) \),其中 \( C_i = a_{ii}(1 - \hat{R}_i^2) \),\( \nu = n - d + 1 \)。这里用到了 Wishart 分布的一个关键性质:\( C_i / \tau_i \sim \chi^2_{n-d+1} \),且 \( C_i \) 与 \( A_{-i,-i} \) 独立。这个性质保证了 \( L_i \) 确实是 \( \tau_i \) 的置信下界。
证明路线与技术技巧¶
整体路线(以定理 3.1 为例):
- Step 1:leave-one-out 分解。从 Sarkar (2002) 的恒等式出发,将 FDR 分解为对每个零假设 i 的贡献之和,每项涉及 \( \mathbb{P}(P_i \le \alpha_{R(P_{-i})+1}) \)。
- Step 2:条件概率估计。利用高斯条件分布,\( X_i \mid X_{-i} \sim \mathcal{N}(\text{线性组合}, \tau_i) \),将 \( \mathbb{P}(P_i \le u \mid X_{-i}) \) 表达为 \( G_{\tau_i, \lambda_i(X_{-i})}(u) \),其中 \( \lambda_i \) 是非中心参数。
- Step 3:PTDN 条件应用。PTDN 保证 \( G_{\tau_i, \lambda_i}(u)/u \) 在 u 上递减,从而可以将条件概率上界为 \( G_{\tau_i}(u) \)(即 \( \lambda_i = 0 \) 的情形)。
- Step 4:求和与优化。将上界代入 leave-one-out 分解,对 r 求和,利用 step-up 程序的临界值结构 \( \alpha_r = r\alpha/d \) 化简。
关键跳跃点:
- 从 PTDN 到显式界:PTDN 是一个抽象的条件概率单调性条件,但本文需要具体的函数形式。跳跃在于利用高斯分布的特殊结构——条件方差 \( \tau_i \) 完全刻画了条件分布的"尺度",使得 \( G_{\tau_i}(u) \) 成为显式函数。这一步在一般分布下无法完成,是高斯假定的关键作用。
- 下界的推导:下界比上界更难,因为需要证明 FDR 不会太小。作者利用凸性(\( G_{\tau_i} \) 的凸性)和 Jensen 不等式,将条件概率的下界表达为 \( \frac{1}{d}G_{\tau_i}(dG_{\tau_i}^{-1}(\alpha/d)) \)。这里的技巧是构造一个"最不利"的条件分布,使得 FDR 达到最小。
技术技巧点名:
| 技巧 | 用在哪 | 作用 |
|---|---|---|
| leave-one-out 分解 | FDR 的精确表达 | 将联合概率分解为边缘条件概率之和 |
| 高斯条件分布 | 条件概率计算 | 获得 \( X_i \mid X_{-i} \) 的显式分布 |
| PTDN 单调性 | 上界推导 | 将条件概率上界为无条件下的概率 |
| 凸性 + Jensen | 下界推导 | 获得 FDR 的最小可能值 |
| Bonferroni 同步置信界 | 第四节 | 处理未知协方差的不确定性 |
| Wishart 分布性质 | 第四节 | 构造 \( \tau_i \) 的置信下界 |
真实例子与应用¶
本文包含两个数值实验:
-
SBH-1 vs BH 的功效比较(§5.1):设定 \( d = 10 \),前 3 个坐标强相关(\( \rho = 0.8 \)),后 7 个独立,信号只在前 3 个坐标。50,000 次 Monte Carlo 模拟显示:SBH-1 的功效为 0.246,高于 BH 的 0.210,而两者的 FDR 都控制在 0.05 以下。这个例子说明:当信号集中在高相关坐标时,移位 p 值通过"惩罚"高相关坐标的 p 值(使其更容易被拒绝),提升了检测能力。
-
协方差自适应界 vs BY 界(§5.2):比较三种协方差结构(等相关、AR(1)、块结构)下,本文的上界与 BY 界的大小。结果显示,在弱到中等相关下,本文的上界显著小于 BY 界(例如,等相关 \( \rho = 0.2 \),d = 100 时,本文上界约为 0.02,BY 界约为 0.05·log(100) ≈ 0.23)。这个实验说明"依赖感知"的界在已知协方差时远优于分布无关的保守界。
-
CBSFH 在未知协方差下的表现(§5.3):设定 \( X \sim \mathcal{N}_d(\mu, \Sigma) \),\( A \sim \mathcal{W}_d(n, \Sigma) \),比较 CBSFH 与 BY、BH 的 FDR 和功效。结果显示 CBSFH 在 \( n \) 适中(如 \( n = 2d \))时就能接近 oracle 程序的功效,而 FDR 始终控制在 α 以下。
🔎 结论是否比证明窄¶
- 定理 3.1 的界在 t 检验情形:文中提到"corresponding upper bound for the corresponding t-tests"(式 7),但下界只对 z 检验给出。作者在讨论部分承认 t 检验的下界需要额外的条件(涉及非中心 t 分布的凸性),目前未证明。这是一个明确的"结论比证明窄"的点。
- CBSFH 的 FDR 控制是保守的:定理 4.2 证明的是 FDR ≤ α,但实际 FDR 可能远低于 α(如 §5.3 中 FDR 约为 0.01-0.02,而 α = 0.05)。作者没有给出"FDR 不会过度保守"的定量保证,只通过数值实验说明功效损失不大。
- 协方差结构的适用范围:定理 3.1 的界对任意 Σ 成立,但作者在 §5.2 中只验证了三种特殊结构。对于一般 Σ,界的紧致性未知。作者在讨论中承认,对于某些病态相关结构(如强负相关),上界可能接近 BY 界。
四、开放问题¶
-
t 检验情形的下界(扎根于式 7 与讨论部分):作者只给出了 t 检验的 FDR 上界,下界未证明。要证明的是:对 t 检验,\( H_{\tau_i}(u) = \bar{\Psi}_{1,\nu}\{\tau_i \bar{\Psi}_{1,\nu}^{-1}(u)\} \) 是否满足类似式 (5) 的凸性不等式?这需要分析非中心 F 分布(t 统计量的平方)的凸性性质。
-
CBSFH 的最优置信水平分配(扎根于 §4 的 \( \beta_i \) 选择):作者使用等分配 \( \beta_i = \beta/d \),但未讨论最优分配。要研究的问题是:给定总置信误差 \( \beta \),如何分配 \( \beta_i \) 以最大化检验功效?这可能涉及一个约束优化问题,且最优分配可能依赖于 Σ 的结构。
-
协方差自适应界能否达到 minimax 最优(扎根于 §3 与 Lei 2026 的对比):Lei (2026) 证明了在共同因子模型下,BH 的 FDR 的最优阶为 \( O(\alpha\sqrt{\log(1/\alpha)}) \)。本文的界是否能在适当的共同因子渐近下恢复这一阶?这需要分析 \( G_{\tau_i} \) 在 \( \tau_i \to 0 \) 时的渐近行为。
-
PTDN 条件的非高斯推广(扎根于讨论部分最后一段):作者提到"identifying broader distributional families possessing the tail-concavity properties underlying PTDN"。要研究的问题是:哪些椭圆分布(或更一般的分布族)满足 PTDN?这可能需要刻画条件分布函数的凹性条件。
-
数据分割与外部随机化(扎根于讨论部分):作者提到"data-fission or external-randomization constructions"作为未来方向。要研究的问题是:当协方差估计与检验数据不独立时(例如用同一批数据估计 Σ 和做检验),如何修正 CBSFH 的置信界以保证 FDR 控制?
提醒:要确认上述问题是否是真 gap,建议去读 Ghosh & Sarkar (2025)、Sarkar & Zhang (2025)、Dobriban (2026)、Lei (2026) 四篇论文的引言和讨论部分,看它们是否已经提到或部分解决了这些问题。如果多篇近期论文都指向同一个问题,那很可能是共识性的 gap;如果互相矛盾,则可能是更值得深挖的机会。
Maintained by 陈星宇 · Homepage · Source on GitHub