Toward a Semiparametric Efficiency Theory under Equality Constraints in Nested Markov Models¶

作者: Razieh Nabi, Anna Guo, Lin Liu
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.24602

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是嵌套马尔可夫模型（nested Markov models）的半参数效率理论。嵌套马尔可夫模型由有向无环图（DAG）的潜在变量投影产生，其观测分布受Verma约束（Verma constraints）限制——这些约束是超越普通条件独立性的等式约束，是ADMG（Acyclic Directed Mixed Graph）模型的标志性特征。该方向要解决的根本问题是：在由Verma约束定义的统计模型中，如何刻画切空间（tangent space）、计算半参数有效影响函数（efficient influence function）和效率界（efficiency bound）。当前成熟度：对无潜变量的DAG模型已有成熟理论（Rotnitzky and Smucler, 2020; Guo et al., 2023b），但对含Verma约束的ADMG模型，除少数特例外（Guo et al., 2023a; Guo et al., 2025），一般性框架尚缺。

发展脉络（history）¶

奠基工作：Verma and Pearl (1990) 首次发现潜在变量DAG会施加超越条件独立性的约束，即Verma约束。Robins (1999) 在结构嵌套模型背景下研究了无直接效应假设导致的嵌套马尔可夫约束。Richardson (2003) 系统定义了ADMG的马尔可夫性质。Richardson et al. (2023) 给出了嵌套马尔可夫性质的完整形式化定义和fixing操作，是当前ADMG理论的基石。
主要进展：Evans (2018) 证明了离散贝叶斯网络的边际分布满足嵌套马尔可夫性质，并给出了约束的完整刻画。Shpitser et al. (2012, 2018) 研究了嵌套马尔可夫模型的参数化和线性SEM情形。Zhao (2025) 进一步研究了ADMG的统计与因果模型。在因果识别方面，Tian and Pearl (2002a) 和 Shpitser and Pearl (2008) 建立了基于ADMG的完整识别理论。
当前frontier：半参数效率理论方面，Guo et al. (2023a) 和 Guo et al. (2025) 分别针对扩展前门图和Napkin图这两个具体ADMG例子，推导了均值尺度Verma约束下的切空间和效率界。Phung and Shpitser (2026) 研究了由普通边际和条件独立性约束定义的半参数模型的切空间正交补，但明确排除了嵌套马尔可夫模型特有的广义独立性约束（原文："Their framework, however, explicitly excludes the generalized independence constraints that distinguish nested Markov models from ordinary Markov models."）。Bhattacharya and Nabi (2022) 利用Verma约束进行参数设定检验；Guo and Shah (2025) 和 Dhawan et al. (2026) 发展了基于子抽样的Verma约束检验。
本文位置：本文是第一个一般性的嵌套马尔可夫模型半参数效率理论框架，将Verma约束表示为加权条件矩约束，从而连接图结构与半参数Hilbert空间几何。它填补了从“特定例子”到“一般框架”的缺口。

子线索聚类¶

图模型与约束刻画：Verma and Pearl (1990), Richardson (2003), Richardson et al. (2023), Evans (2018), Zhao (2025)。这一簇关注ADMG的图性质、fixing操作、嵌套马尔可夫分解和约束的完整列表。
因果识别：Tian and Pearl (2002a), Shpitser and Pearl (2008), Shpitser et al. (2022)。利用嵌套马尔可夫模型进行因果效应的非参数识别。
半参数效率理论：van der Laan and Robins (2003), Tsiatis (2006) 是经典教材。Rotnitzky and Smucler (2020), Guo et al. (2023b) 处理DAG无潜变量情形。Guo et al. (2023a), Guo et al. (2025) 处理特定ADMG例子。Phung and Shpitser (2026) 处理普通独立性约束。本文属于这一簇，但专门处理Verma约束。

这个方向在追问的核心问题¶

核心问题1：如何刻画由Verma约束定义的统计模型的切空间？——本文对单个约束给出了完整刻画（Theorem 1），对多个约束只给出了子空间（Proposition 3）。
核心问题2：如何计算有效影响函数和效率界？——本文通过正交投影和最小方差刻画给出（Theorem 2, Theorem 3）。
核心问题3：Verma约束带来的效率增益有多大？——模拟和真实数据例子显示显著增益（Section 6, Appendix S6）。
已知瓶颈：嵌套马尔可夫模型缺乏自然参数化（除了少数子类，如Shpitser et al. 2012, 2018; Evans 2018），导致构造参数子模型以证明切空间反向包含非常困难。本文通过构造非线性扰动路径（Dong et al., 2026）克服了这一障碍。

⚠️ 作者的framing¶

作者将缺口frame成：“Verma约束可表示为加权条件矩约束，从而连接图结构与半参数Hilbert空间几何”。具体地，作者声称“Our starting point is the observation that nested Markov constraints admit representations as weighted conditional moment restrictions under post-fixing distributions induced by graphical fixing operations.” 这使得本文成为“显然的下一步”：既然已有加权条件矩约束的半参数理论（Ai and Chen, 2003, 2012; Chen and Xie, 2026），那么将其与ADMG的fixing操作结合即可。竞争路线（Phung and Shpitser, 2026）被明确淡化：“Their framework, however, explicitly excludes the generalized independence constraints that distinguish nested Markov models from ordinary Markov models.” 作者回避了多个约束的完整刻画问题，只给出了子空间（Proposition 3），并承认“still leaving the actual tangent space an open problem”。值得研究者去查的问题：为什么Evans (2016) 只处理了有限状态空间？是否存在更一般的策略（如隐函数定理，作者在Concluding Remarks中提到）可以推广到连续状态？另外，作者没有引用任何关于“统计-计算权衡”的工作，尽管研究者对此有兴趣——这可能是一个未被探索的交叉点。

张力¶

未见明显对立引用。所有被引工作基本一致地认为嵌套马尔可夫模型是研究潜在变量DAG的统一框架，且Verma约束是核心特征。不同工作之间的差异在于处理的具体图结构和目标参数，而非基本假设的矛盾。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号：
\(G(V;W)\)：条件ADMG，\(V\)为随机变量集，\(W\)为固定变量集。观测数据\(O\)包含\(V\)和\(W\)。
\(p(V)\)：所有随机变量的联合密度（当\(W=\emptyset\)时）。
\(\phi_R(\cdot)\)：fixing操作，作用于顶点集\(R\subseteq V\)。fixing一个顶点\(R\)意味着通过逆概率加权改变分布，使得\(R\)在post-fixing ADMG中成为外生变量。
\(\text{mb}_G(R)\)：\(R\)的马尔可夫毯（Markov blanket），定义为\(\text{dis}_G(R)\)（\(R\)所在district）及其父节点，排除\(R\)本身。
\(\omega_R(M) = \tilde{p}(R) / p(R|\text{mb}_G(R))\)：fixing权重，其中\(M = (R, \text{mb}_G(R))\)，\(\tilde{p}(R)\)是已知参考密度。
\(P_{\phi_R}\)：post-fixing概率律，由post-fixing核\(\phi_R(p)\)与参考密度\(\tilde{p}(R)\)结合得到。期望记为\(E_{\phi_R}[\cdot]\)。
Verma约束：\(X \perp\!\!\!\perp Y \mid Z \; [\phi_R(p)]\)，其中\(X,Y,Z\subseteq V\)两两不交，\(R\subseteq V\)是有效的fixing集。该约束表示在post-fixing分布\(P_{\phi_R}\)下，\(X\)与\(Y\)条件独立于\(Z\)。
切空间\(\Lambda_P\)：统计模型\(P\)在分布\(P\)处的切空间，是\(L^2_0(P) = \{h\in L^2(P): E[h(O)]=0\}\)的闭子空间。
正交补\(\Lambda_P^\perp\)：切空间的正交补。
有效影响函数\(\varphi^{\text{eff}}\)：在约束模型下，目标参数\(\psi(P)\)的RAL估计量的最小方差影响函数。
模型：
数据生成机制：观测数据\(O\)来自一个与ADMG \(G\)兼容的分布\(P\)，即\(P\)满足嵌套马尔可夫分解（Richardson et al., 2023）。这意味着存在一组核（kernels）对应于\(G\)中的内在集（intrinsic sets），使得对任何可fixable集\(S\)，post-fixing核\(\phi_S(p)\)满足district分解。
已知量：ADMG \(G\)的结构（顶点、边、district等）是已知的。参考密度\(\tilde{p}(R)\)是已知的（通常取均匀分布或某个固定分布）。
待估对象：目标参数\(\psi(P)\)（如平均因果效应），但本文主要关注切空间刻画本身，不限于特定参数。
可观测数据：
研究者实际能观测到的是\(O = (V, W)\)，即所有随机变量和固定变量的联合实现。样本为i.i.d. \(\{O_i\}_{i=1}^n\)。
潜在/不可观测量：潜在变量（latent variables）被投影掉了，不出现在观测中。Verma约束本身是关于观测分布的限制，但只在post-fixing分布下才表现为条件独立，而post-fixing分布不是直接可观测的——它需要通过fixing权重从观测分布中构造出来。因此，Verma约束的“可观测”形式是加权条件矩约束（Proposition 1），其中权重\(\omega_R(M)\)依赖于观测到的\(p(R|\text{mb}_G(R))\)。

第二步：讲最小内核——Napkin图特例¶

我们取Napkin图（Figure 2a）作为最小内核。这是论文中两个主要例子之一，也是最简单的非平凡Verma约束例子。Napkin图有顶点\(W, Z, A, Y\)，其中\(W\)是\(Z\)的父节点，\(Z\)和\(A\)之间有双向边，\(A\)指向\(Y\)，\(Z\)和\(Y\)之间没有直接边。该图编码了无直接效应假设：\(Y(z,a) = Y(a)\)，即\(Z\)对\(Y\)的影响完全通过\(A\)。这诱导了嵌套条件独立：

\[Y \perp\!\!\!\perp Z \mid A \; [\phi_Z(p)].\]

这里，\(X_{\text{gen}} = Z\), \(Y_{\text{gen}} = Y\), \(Z_{\text{gen}} = A\), \(R = Z\)。fixing集\(R=Z\)，其马尔可夫毯\(\text{mb}_G(Z) = W\)，所以\(M = (Z, W)\)，权重\(\omega_Z(M) = \tilde{p}(Z) / p(Z|W)\)。

核心思路：将Verma约束转化为加权条件矩约束。由Proposition 1，约束等价于：对任意平方可积函数\(f \in L^2(P_{Z,A})\)和\(g \in L^2(P_{Y,A})\)，

\[E_{\phi_Z}\big[ \{ f(Z,A) - E_{\phi_Z}[f(Z,A)|A] \} g(Y,A) \big] = 0,\]

其中\(E_{\phi_Z}[h(O)|A] = E[\omega_Z(M) h(O)|A] / E[\omega_Z(M)|A]\)。这就是加权条件矩约束。

切空间正交补的刻画：由Theorem 1（特化为Corollary 3），该约束诱导的切空间正交补为

\[\Lambda_P^\perp = \overline{\text{span}}\{ \chi_{f,g}(O) : f \in L^2(P_{Z,A}), g \in L^2(P_{Y,A}) \},\]

其中

\[\tilde{\chi}_{f,g}(O) = \omega_Z(M) \{ f(Z,A) - E_{\phi_Z}[f(Z,A)|A] \} \{ g(Y,A) - E_{\phi_Z}[g(Y,A)|A] \},\]

\[\chi_{f,g}(O) = \tilde{\chi}_{f,g}(O) - E[\tilde{\chi}_{f,g}(O)|W,Z] + E[\tilde{\chi}_{f,g}(O)|W].\]

这里，减去\(E[\tilde{\chi}_{f,g}(O)|W,Z]\)和加上\(E[\tilde{\chi}_{f,g}(O)|W]\)是为了确保\(\chi_{f,g}\)与切空间正交（因为score函数可以分解为条件score的和，这些条件期望项抵消了score中与\(W,Z\)和\(W\)相关的部分）。

为什么这是最小内核：Napkin图只有4个观测变量，fixing集是单个变量\(Z\)，马尔可夫毯是\(W\)。所有关键元素——fixing权重、post-fixing条件期望、残差化操作——都以最简形式出现。如果读者理解了Napkin图下的\(\chi_{f,g}\)构造，就理解了整篇论文的核心数学操作。一般情形（如扩展前门图）只是将\(X,Y,Z,R\)替换为更复杂的集合，但结构完全相同。

这个最小内核要说明的命题：在Napkin图模型下，任何与切空间正交的\(L^2_0(P)\)函数都可以表示为\(\chi_{f,g}\)的闭线性组合。反过来，每个\(\chi_{f,g}\)确实与切空间正交。因此，\(\Lambda_P^\perp\)被完全刻画。这是Theorem 1在Napkin图下的具体化。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文在嵌套马尔可夫模型（由ADMG定义）框架下，发展半参数效率理论，特别是刻画由Verma约束（广义条件独立性）诱导的切空间正交补，并由此得到有效影响函数和效率界。
核心工具/方法：将Verma约束表示为加权条件矩约束（weighted conditional moment restrictions），利用ADMG的fixing操作诱导的加权正交关系，通过路径微分（pathwise differentiation）得到切空间正交补的显式形式，再通过正交投影或最小方差刻画得到有效影响函数。
主要结论：对单个Verma约束，完整刻画了切空间正交补（Theorem 1），给出了有效影响函数的投影和最小方差刻画（Theorem 2, Theorem 3），并建立了有限维基逼近方法。对多个Verma约束，给出了正交补的一个子空间（Proposition 3），但完整刻画仍为开放问题。通过Napkin图和扩展前门图两个典型例子展示了框架，模拟和真实数据验证了效率增益。

关键设定与假设¶

ADMG结构：给定一个条件ADMG \(G(V;W)\)，其中\(V\)是随机变量，\(W\)是固定变量。观测分布\(P\)属于嵌套马尔可夫模型\(P_G\)，即满足嵌套马尔可夫分解（Richardson et al., 2023）。
Verma约束：形如\(X \perp\!\!\!\perp Y \mid Z \; [\phi_R(p)]\)，其中\(R\subseteq V\)是有效的fixing集（即存在一个fixing序列使得\(R\)中每个顶点依次可fixable）。\(X,Y,Z\subseteq V\setminus R\)两两不交。
正则性条件：
正性（positivity）：\(p(R|\text{mb}_G(R)) > 0\)几乎必然在\(\tilde{p}\)的支持上。
平方可积：所有涉及的函数（\(f,g\)等）属于相应的\(L^2\)空间。
参考密度\(\tilde{p}(R)\)已知且严格正。
路径可微性：目标参数\(\psi(P)\)是pathwise differentiable的（van der Vaart, 1991）。
相比已有文献的放宽/强化：相比Phung and Shpitser (2026)只处理普通条件独立性，本文处理了广义独立性（Verma约束）。相比Guo et al. (2023a)和Guo et al. (2025)只处理特定图结构，本文给出了通用框架。但本文对多个约束只给出了子空间而非完整刻画，这是一个弱化。

主要结果¶

Theorem 1（单个Verma约束的正交补）：设模型\(P_G\)由单个Verma约束\(X \perp\!\!\!\perp Y \mid Z \; [\phi_R(p)]\)定义。则切空间正交补为
\[\Lambda_P^\perp = \overline{\text{span}}\{ \chi_{f,g}(O) : f \in L^2(P_{X,Z}), g \in L^2(P_{Y,Z}) \},\]
其中\(\chi_{f,g}\)由(12)-(13)给出。直觉：每个\(\chi_{f,g}\)是通过路径微分加权条件矩约束得到的，它自动与任何score正交。反向包含通过构造参数子模型证明（见证明路线）。必要条件：\(P\)在\(P_G\)的内部（interior），即存在一个开邻域。解决的技术难点：构造参数子模型需要二阶扰动（\(t^2\)项），因为一阶扰动不足以满足约束（见附录S2.3的详细构造）。
Theorem 2（有限维基逼近）：给定有限基函数\(\{f_j\}, \{g_k\}\)，定义\(\chi_{jk}\)，则投影到有限维子空间\(\Lambda_P^{\perp,\text{sub}}\)上的有效影响函数逼近为\(\varphi^{\text{eff,basis}} = \varphi^{\text{np}} - (\alpha^{\text{opt}})^\top \chi\)，其中\(\alpha^{\text{opt}} = \Sigma^{-1} b\)，\(\Sigma = E[\chi \chi^\top]\), \(b = E[\chi \varphi^{\text{np}}]\)。方差减少量为\(b^\top \Sigma^{-1} b\)。
Theorem 3（索引不变性下的正交补）：如果目标参数\(\psi(P)\)满足索引不变性\(\psi(P;x) = \psi(P)\)对所有\(x\)成立，则正交补由非参数影响函数的差生成：\(\Lambda_{P,\psi}^\perp = \overline{\text{span}}\{ \varphi^{\text{np}}(P;x) - \varphi^{\text{np}}(P;x_0) : x \in X \}\)。影响函数类为\(\{ \int \varphi^{\text{np}}(P;x) \tilde{p}(x) dx : \int \tilde{p}(x) dx = 1 \}\)，有效影响函数是其中方差最小的成员。
Proposition 3（多个约束的子空间）：对\(J\)个Verma约束，正交补包含由各约束方向之和生成的子空间：\(\Lambda_P^\perp \supseteq \overline{\text{span}}\{ \sum_{j=1}^J \chi^{(j)}_{f_j,g_j} \}\)。注意：这只是包含关系，反向包含是猜想（Remark 5）。

证明路线与技术技巧（理论型）¶

整体路线（以Theorem 1为例）： 1. 正向包含（\(\chi_{f,g} \in \Lambda_P^\perp\)）：通过Proposition 2，对任意正则参数子模型\(\{P_t\}\)，路径微分加权条件矩约束得到\(E[\chi_{f,g} s] = 0\)，因此\(\chi_{f,g}\)与所有score正交，故属于\(\Lambda_P^\perp\)。这一步相对直接，只需应用链式法则和条件期望的微分。 2. 反向包含（\(\Lambda_P^\perp \subseteq \overline{\text{span}}\{\chi_{f,g}\}\)）：这是证明的核心难点。需要证明：对任意与所有\(\chi_{f,g}\)正交的\(s \in L^2_0(P)\)，存在一个参数子模型\(\{P_t\} \subseteq P_G\)以\(s\)为score。等价地，构造一个路径使得加权条件矩约束沿路径恒为零。作者采用显式构造参数子模型的策略：设路径为

\[p_t(M,X,Y,Z) = p(M,X,Y,Z) \Psi_t(s, u_t)(M,X,Y,Z),\]

其中\(\Psi_t\)是形如\(1 + t \cdot s + t^2 \cdot u_t\)的扰动，\(u_t\)是二阶项。目标是选择\(u_t\)使得对任意\(f,g\)，加权条件矩约束成立。这导致一个关于\(u_t\)的积分方程。作者通过ansatz（假设\(u_t\)具有特定形式，如( S17)）并利用post-fixing分布下的条件期望性质，证明存在解。关键跳跃点在于：需要同时满足多个\(f,g\)产生的约束，这要求\(u_t\)满足一组条件（如(S18)-(S19)）。作者通过构造\(r_t(X,Y,Z|M)\)（即\(u_t\)的条件部分）来满足这些条件，利用了隐函数定理的思想（但实际是显式构造）。 3. 技术技巧点名： - 路径微分（pathwise differentiation）：对加权条件矩约束沿参数子模型微分，得到正交补元素。 - 条件期望的微分：使用商法则处理post-fixing条件期望的导数（附录S2.3）。 - 二阶扰动：构造\(t^2\)项以确保路径满足约束，这是处理非线性约束的常用技巧（Dong et al., 2026）。 - 残差化操作：减去\(E[\tilde{\chi}|R,\text{mb}_G(R)]\)并加上\(E[\tilde{\chi}|\text{mb}_G(R)]\)是为了消除score中与fixing变量相关的部分，使得\(\chi\)与所有score正交。 - 有限维基逼近：使用最小二乘投影，将无限维正交补投影到有限维子空间，得到可计算的有效影响函数逼近。

真实例子与应用¶

Napkin图（Section 5.2）：图2a。数据生成：\(W\)是父母社会经济地位，\(Z\)是小学GPA，\(A\)是教育水平，\(Y\)是年收入。目标：教育对收入的因果效应。作者推导了该图下的正交补（Corollary 3），并展示了如何通过索引不变性（Lemma 3）恢复Guo et al. (2025)的最优加权策略。模拟实验（Section 6.2, Appendix S5.2）显示Verma投影估计器比最优索引加权估计器有额外效率增益（对ATE约9%）。
扩展前门图（Section 5.1）：图1a。数据生成：\(X\)基线协变量，\(Z\)锚变量（如既往高血压史），\(A\)治疗（吸烟），\(M\)中介（高血压），\(Y\)结局（冠心病时间）。目标：吸烟对冠心病时间的因果效应。作者推导了正交补（Corollary 2），并展示了索引不变性（Lemma 2）如何嵌入。模拟实验（Section 6.1）显示Verma投影估计器比最优索引加权估计器有约14%的效率增益（对\(E[Y(0)]\)）。
真实数据应用（Appendix S6）：
Framingham心脏研究（扩展前门模型）：估计当前吸烟对冠心病时间的平均因果效应。Verma投影估计器的置信区间长度约为等权索引估计器的0.73倍（使用\(Y,Y^2,Y^3\)基）。
芬兰生命历程研究（Napkin模型）：估计教育对收入的因果效应，按性别和智商分组。Verma投影估计器在所有8个亚组-对比中均产生更短的置信区间，平均相对长度为0.52（使用\(Y,Y^2,Y^3\)基）。
这些例子想说明什么：验证理论框架在具体图结构中的可操作性；展示Verma约束带来的效率增益在实际数据中是可观的；说明有限维基逼近方法在实践中有效。

🔎 结论是否比证明窄¶

多个约束的完整刻画是猜想：Proposition 3只给出了正交补的一个子空间（\(\Lambda_P^\perp \supseteq \tilde{\Lambda}_P^\perp\)），反向包含被明确标注为猜想（Remark 5: "We conjecture that if (26) constitutes the complete list of equality constraints imposed by an ADMG, we should have \(\Lambda_P^\perp = \tilde{\Lambda}_P^\perp\)."）。作者在Concluding Remarks中承认“An important conjecture discussed in Remark 5 remains to be solved”。因此，论文的结论在多个约束情形下比证明窄——只证明了子空间包含，而非完整刻画。
单个约束的完整刻画是严格的：Theorem 1的正向和反向包含都有证明（附录S2.3），反向包含通过显式构造参数子模型完成，是严格的。
索引不变性下的正交补：Theorem 3的证明依赖于假设“the indexed invariance restrictions exhaust the first-order restrictions defining \(P_\psi\) at \(P\)”，这个假设在具体例子中成立（如Lemma 2, Lemma 3），但一般情形下是否总是成立？作者没有给出一般性证明，而是通过具体例子验证。因此，Theorem 3的适用范围可能比其陈述窄。

四、开放问题¶

多个Verma约束的完整切空间刻画：Proposition 3只给出了正交补的一个子空间，反向包含是猜想。作者提到“Results in a similar spirit can be found in Evans (2016), but they only consider vertices with finite state spaces.” 因此，需要证明在一般（连续）状态空间下，由所有Verma约束生成的\(\tilde{\Lambda}_P^\perp\)确实等于\(\Lambda_P^\perp\)。这扎根于Remark 5和Concluding Remarks中的明确陈述。
无限维正交补的精确投影解析形式：Theorem 2给出了有限维基逼近，但精确投影（即投影到整个\(\Lambda_P^\perp\)）的解析形式未知。对于某些特殊结构（如线性模型或高斯分布），是否存在闭式解？这扎根于Theorem 2的有限维逼近设定。
将框架推广到更一般的图结构：本文处理的是ADMG，但潜在变量DAG的投影可能产生更复杂的图（如带有选择偏倚的图）。此外，本文假设参考密度\(\tilde{p}(R)\)已知，若\(\tilde{p}\)未知或需要估计，效率理论如何变化？这扎根于Remark 1中关于参考密度角色的讨论。
与统计-计算权衡的联系：研究者对统计-计算权衡有兴趣。本文的Verma投影估计器需要计算\(\Sigma^{-1}b\)，当基函数数量很大时可能计算昂贵。是否存在计算上更高效的逼近方法（如随机投影、核方法）？是否存在信息-计算缺口（即某些Verma约束虽然理论上可提高效率，但计算上难以利用）？本文未涉及，但这是一个自然的延伸方向。扎根于Theorem 2的矩阵求逆操作。

提醒：要确认第1条是否是真gap，建议阅读Evans (2016)和Richardson et al. (2023)中关于约束完整性的讨论，以及近期约5篇相关论文的引言——如果都指向同一缺口，则是共识；如果互相打架，则可能是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub