跳转至

Uniform Inference on Quantile Effects under Network Interference

作者: Zequn Jin, Gaoqian Xu, Zixin Yang, Zhengyu Zhang
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.22286

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网络干扰下的因果推断，具体而言，是在单一大型网络中，识别和推断处理效应与溢出效应在结果分布不同位置上的异质性。该方向的根本科学问题是：当个体间的处理分配相互影响（即违反SUTVA）时，如何从观测数据中可靠地估计出处理对结果分布（而非仅仅是均值）的因果效应。当前该方向的成熟度处于方法快速发展但核心推断问题尚未完全解决的阶段：平均效应的推断已有较成熟的理论（如Leung, 2020），但向分位数效应的扩展，特别是构建均匀置信带，仍是一个开放且活跃的研究前沿。

发展脉络

  1. 奠基工作：暴露映射与平均效应框架

    • Manski (2013) 和 Aronow & Samii (2017) 奠定了处理网络干扰的核心思路：通过一个低维的“暴露映射”（exposure mapping）来概括高维的处理分配向量，例如用“自身处理状态”和“被处理邻居的比例”来描述一个单元所处的处理环境。这为后续研究提供了可操作的分析框架。
    • Leung (2020) 是本文最直接的基石。他在单一大型网络中，利用暴露映射定义了平均结构函数（ASF）和平均处理/溢出效应，并建立了估计量的渐近正态性。其推断依赖于度分布收敛和网络依赖协方差结构收敛这两个稳定化条件。本文的Section 3 正是沿着Leung (2020) 的路线，将其从平均效应扩展到分位数效应，并指出这些稳定化条件难以从单一网络中验证。

  2. 主要进展：分位数处理效应与高斯近似工具

    • 分位数处理效应（QTE）：在无干扰的SUTVA框架下，QTE的理论与推断已相当成熟。Chernozhukov & Hansen (2005) 提出了工具变量分位数处理效应模型，其“秩相似性”（rank similarity）假设是本文放松“秩不变性”的关键。Belloni et al. (2019a) 等发展了基于高维分位数回归的均匀推断方法。本文的挑战在于将这些工具扩展到网络依赖的数据中。
    • 高斯近似（Gaussian Approximation）：Chernozhukov, Chetverikov & Kato (2013, 2014a,b) 开创性地提出了一种不依赖固定极限分布的高维高斯近似方法，用于逼近极大值统计量的分布。这为构建均匀置信带提供了强大工具，其核心优势是避免了传统方法对极限分布存在的依赖。本文的Section 4 正是基于这一框架，将其从独立数据扩展到网络依赖数据。

  3. 当前前沿与本文位置

    • 当前前沿正试图将网络干扰下的因果推断从“平均效应”推向“分布效应”。Cheng & Li (2026) 在“部分干扰”（partial interference）框架下研究了网络分位数因果效应，但该框架假设存在大量独立集群，不适用于单一连通网络。
    • 本文的位置：本文是首次在单一大型网络中研究分位数效应的工作。它填补了Leung (2020) 平均效应框架与QTE文献之间的空白。其核心贡献是提出了一种条件于实现网络的高斯近似方法，从而绕开了Leung (2020) 路线所需的、难以验证的稳定化条件，为分位数效应构建了有效的均匀置信带。

子线索聚类

  1. “部分干扰”框架：以 Hudgens & Halloran (2008) 和 Liu et al. (2016, 2019) 为代表。该线索假设样本可划分为独立集群，集群内存在干扰，集群间无干扰。其优势是推断相对简单，但局限性在于许多实际场景（如单一社交网络）不满足此假设。Cheng & Li (2026) 是此线索下最新的分位数效应工作。
  2. “暴露映射”框架下的单一网络推断：以 Leung (2020, 2022) 和 Li & Wager (2022) 为代表。该线索通过暴露映射处理单一网络中的干扰，其推断通常依赖于网络序列的渐近稳定化条件。本文属于此线索，并试图克服其稳定化条件的限制。
  3. “高斯近似”工具线：以 Chernozhukov et al. (2013, 2014a,b) 和 Chang et al. (2024) 为代表。该线索提供了一种不依赖固定极限分布的推断方法，特别适用于高维和复杂依赖数据。本文是该方法在网络干扰分位数效应推断中的一个具体应用和扩展。

核心问题与瓶颈

  1. 如何定义和识别网络干扰下的分位数效应？ 需要将“秩不变性”或“秩相似性”假设与暴露映射框架结合。本文通过假设潜在结果由结构分位数函数 q(W_i, U_i) 决定，其中 U_i 是条件于度数的均匀分布潜变量，从而定义了结构分位数效应。
  2. 如何构建分位数效应曲线的均匀置信带？ 这是核心推断挑战。传统方法（如Leung, 2020）需要度分布和协方差结构收敛到固定极限，这在单一网络中难以验证。本文的解决方案是使用条件于实现网络的高斯近似，直接逼近学生化极大值统计量的分布。
  3. 如何处理网络依赖的协方差结构？ 由于网络依赖，标准i.i.d.自助法失效。本文通过引入一个基于网络距离的核矩阵 Ω_n 来估计网络依赖的协方差，并采用高斯乘子法（Gaussian multiplier bootstrap）来生成临界值。其有效性依赖于对依赖半径的假设（如 ℓ_An(i,j) > 2 时独立）。

⚠️ 作者的Framing

  • 作者如何frame缺口：作者将缺口明确地frame为“平均效应掩盖了分布异质性”和“现有单一网络推断方法（Leung, 2020）依赖于难以验证的稳定化条件”。因此，本文的贡献被定位为“首次研究单一网络中的分位数效应”和“提出一种无需稳定化条件的均匀推断方法”。这使得本文成为Leung (2020) 框架的“显然的下一步”。
  • 被淡化或回避的竞争路线：作者明确提到了“部分干扰”框架（Cheng & Li, 2026），但指出其不适用于单一连通网络，从而将其边缘化。作者也提到了设计-based的方法（Leung, 2022; Gao & Ding, 2025），但本文选择遵循Leung (2020) 的结构性视角，这暗示了作者对结构性假设（如秩相似性）的偏好。
  • 值得研究者去查的问题：作者在引言中提到了“网络分位数因果效应”的工作 Cheng & Li (2026)，但并未在正文中详细讨论其与本文方法在效率或假设上的对比。值得去查：Cheng & Li (2026) 在部分干扰下是否达到了半参数效率界？本文的方法在单一网络下是否也能达到某种效率界？ 此外，作者引用了 Viviano (2025) 的策略分配工作，但未深入探讨其与本文推断问题的联系。值得去查：Viviano (2025) 中的网络依赖假设与本文的Assumption 3.3有何异同？

张力

未见明显对立引用。所有被引工作基本沿着“从平均到分位数”、“从独立到网络依赖”、“从固定极限到条件近似”的演进路线，彼此之间是互补而非矛盾的关系。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型与可观测数据

  • 符号：

    • n: 样本量（单元数量）。
    • A_n ∈ {0,1}^{n×n}: 对称邻接矩阵，A_n(i,j)=1 表示单元 i 和 j 之间有连接。
    • D_i ∈ {0,1}: 单元 i 的处理分配（1=处理，0=对照）。D_n = (D_1, ..., D_n)。
    • Y_i ∈ ℝ: 单元 i 的观测结果。
    • U_i ∈ (0,1): 单元 i 的潜在秩（unobserved heterogeneity），是不可观测的潜变量。
    • |N_i| = Σ_j A_n(i,j): 单元 i 的度数（朋友数量）。
    • T_i = Σ_j A_n(i,j) D_j: 单元 i 的被处理邻居数量。
    • W_i = (D_i, T_i, |N_i|): 单元 i 的暴露状态（exposure state），是可观测的（由 D_n 和 A_n 计算得出）。
    • q(w, τ): 结构分位数函数（SQF），是待估参数。表示在暴露状态 w 下，潜在结果分布的第 τ 分位数。
    • τ ∈ 𝒯 ⊂ (0,1): 分位数水平。
    • π_n(w): 暴露状态 w 在网络 A_n 下的条件概率。
    • f_w(·): 在暴露状态 w 下，结果 Y_i 的条件密度函数。

  • 模型：

    • 数据生成机制：潜在结果由结构分位数函数决定：Y_i(d) = q(W_i(d), U_i)，其中 W_i(d) = (d_i, T_i(d), |N_i|)。观测结果由一致性（consistency）得到：Y_i = q(W_i, U_i)。
    • 关键假设：
      1. 暴露映射：结果仅通过 (D_i, T_i, |N_i|) 依赖于整个处理分配向量。
      2. 秩相似性（或秩不变性）：U_i 条件于 |N_i| 服从 Unif(0,1)，且在不同反事实状态下其分布不变（或相似）。
      3. 随机化：D_i ~ i.i.d. Bern(p)，且与 (A_n, U_n) 独立。
      4. 条件外生性：U_i ⟂ A_n | |N_i|。
      5. 局部网络依赖：U_i 和 U_j 在网络距离 ℓ_An(i,j) > 2 时条件独立。
    • 待估对象：结构分位数效应 q(w, τ) - q(w', τ)，其中 w 和 w' 有相同的度数 l。

  • 可观测数据：

    • 可观测：(Y_i, D_i, A_n)。由此可计算 |N_i| 和 T_i，从而得到 W_i。
    • 不可观测：U_i（潜在秩），以及反事实结果 Y_i(d) 当 W_i(d) ≠ W_i 时。
    • 识别关键：在给定假设下，q(w, τ) 被识别为 P[Y_i ≤ q(w, τ) | W_i = w] = τ。即，它等于在观测到暴露状态为 w 的单元中，结果 Y_i 的条件 τ-分位数。

第二步：最小内核

本文的核心思路可以浓缩为一个最简特例：比较两个暴露状态 w = (0, 1, l) 和 w' = (0, 0, l) 的溢出效应，即自身未被处理时，有一个被处理邻居 vs. 没有被处理邻居对结果分布的影响。

  • 最简特例设定：

    • 固定度数 l（例如 l=3）。
    • 关注自身未处理的情况（d=0）。
    • 目标：估计和推断 q((0,1,l), τ) - q((0,0,l), τ) 对所有 τ ∈ 𝒯。

  • 在这个特例下，核心问题退化成什么？

    1. 估计：q((0,1,l), τ) 的估计量 \hat{q}_{(0,1,l)}(τ) 就是所有满足 D_i=0, T_i=1, |N_i|=l 的单元的结果 Y_i 的样本 τ-分位数。同理可得 \hat{q}_{(0,0,l)}(τ)。分位数效应估计量就是 \hat{q}(τ) = \hat{q}_{(0,1,l)}(τ) - \hat{q}_{(0,0,l)}(τ)。
    2. 推断的困难：困难不在于估计，而在于为 \hat{q}(τ) 构建一个同时对所有 τ 有效的置信带（UCB）。
      • 为什么难？ 因为 \hat{q}(τ) 在不同 τ 上是高度相关的，且其协方差结构依赖于网络 A_n。例如，一个单元 i 的 U_i 可能与它的朋友 j 的 U_j 相关（Assumption 3.3）。这种网络依赖使得标准自助法（如i.i.d.乘子自助法）失效，因为它会错误地假设单元间的独立性。
    3. 本文的关键想法：
      • 不追求固定极限分布：传统方法（如Leung, 2020）试图证明 √n(\hat{q}(τ) - q(τ)) 收敛到一个固定的高斯过程，这需要度分布和协方差结构收敛。本文放弃了这个目标。
      • 条件于实现网络：将网络 A_n 视为固定的、已实现的。所有推断都条件于这个特定的网络。
      • 高斯近似：通过Bahadur表示，将 √n(\hat{q}(τ) - q(τ)) 近似为 (1/√n) Σ_i \tilde{ψ}_i(τ)，其中 \tilde{ψ}_i(τ) 是影响函数（influence function）。这个影响函数是网络依赖的。
      • 模拟依赖的高斯向量：核心任务是近似学生化极大值统计量 sup_τ |√n(\hat{q}(τ) - q(τ)) / \hat{σ}_n(τ)| 的分布。本文的做法是：
        1. 估计影响函数 \hat{ψ}_i(τ)。
        2. 估计网络依赖的协方差矩阵 \hat{V}_n(τ, τ') = (1/n) \hat{ψ}(τ)^T Ω_n \hat{ψ}(τ')，其中 Ω_n(i,j) = 1{ℓ_An(i,j) ≤ 2} 编码了局部依赖结构。
        3. 从 N(0, \hat{Γ}_n^+) 中模拟一个高斯向量 \hat{Z}_n，其中 \hat{Γ}_n^+ 是学生化协方差矩阵的PSD修正版本。
        4. 用模拟出的 sup_i |\hat{Z}_n(τ_i)| 的分布来近似真实统计量的分布，其分位数作为临界值。

  • 一句话总结：本文的核心数学操作是将“推断网络依赖的分位数效应曲线”这个复杂问题，通过Bahadur线性化和条件高斯近似，转化为“模拟一个协方差结构由网络决定的多元高斯向量的极大值”这个可计算的问题，从而绕开了对网络序列渐近稳定性的要求。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在随机网络实验中，如何识别、估计并对分位数处理效应和溢出效应进行均匀推断（即构建同时置信带）。
  2. 核心工具/方法：基于结构分位数模型和暴露映射，采用条件分位数回归进行估计；核心推断方法是条件于实现网络的高斯近似，通过模拟一个协方差由网络依赖核矩阵 Ω_n 决定的高斯向量来逼近学生化极大值统计量的分布。
  3. 主要结论：建立了估计量的Bahadur表示和弱收敛性（在稳定化条件下）；提出了无需稳定化条件的均匀置信带（UCB）构造方法，并证明了其渐近有效性；模拟和实证研究验证了方法的有限样本性能。

关键设定与假设

  • Assumption 2.1 (暴露映射)：Y_i(d) = q(d_i, T_i(d), |N_i|, U_i)。这是整个分析的基础，将高维干扰降维。相比Leung (2020) 的平均结构函数，这里将其推广到分位数函数。
  • Assumption 2.2 (秩归一化与单调性)：U_i | |N_i| ~ Unif(0,1) 且 q 在 τ 上严格递增。这是将 q 解释为结构分位数函数的关键，类似于标准QTE文献中的秩不变性假设。本文在Remark 2.1中将其放松为“秩相似性”，这是一个重要的理论贡献，使其假设比严格的秩不变性更弱。
  • Assumption 2.3 & 2.4 (随机化与条件外生性)：D_n 完全随机且独立于 (A_n, U_n)；U_i ⟂ A_n | |N_i|。这保证了在给定度数后，暴露状态是外生的，从而识别出条件分位数。这比标准无干扰的QTE假设更强，因为它要求网络本身（除了度数）不提供关于 U_i 的额外信息。
  • Assumption 3.1 (度有界)：max_i |N_i| ≤ K_max。这是一个很强的技术假设，用于控制网络依赖的复杂性。它排除了度数发散的网络，限制了应用场景。
  • Assumption 3.3 (局部网络依赖)：U_i 和 U_j 在网络距离 > 2 时独立。这是处理网络依赖的核心假设，它定义了一个“依赖半径”。本文在Concluding Remarks中指出，该假设可以放松到任意固定半径，但半径未知时方法会失效。这是一个关键的局限性。
  • Assumption 3.4 & 3.5 (稳定化条件)：度分布收敛和协方差核收敛。这些是Section 3 中推导固定极限分布所必需的，但Section 4 的UCB方法明确不需要这些假设。这是本文方法相对于Leung (2020) 路线的核心优势。

主要结果

  • Lemma 3.1 (Bahadur表示)：建立了 √n(\hat{q}(τ) - q(τ)) 的均匀Bahadur表示，将其近似为影响函数 \tilde{ψ}_i(τ) 的和。这是后续所有渐近分析的基础。其误差项为 O_P(n^{-1/8} (log n)^{1/4})。
  • Proposition 3.1 (弱收敛)：在Assumptions 3.4和3.5下，证明了 √n(\hat{q}(τ) - q(τ)) 弱收敛到一个均值为零、协方差核为 Σ(τ, τ') 的高斯过程。这个结果本身是Leung (2020) 向分位数的直接扩展，但作者明确指出其依赖于难以验证的稳定化条件。
  • Theorem 4.1 (UCB的渐近有效性)：这是本文的核心理论贡献。它证明了条件于实现网络，学生化极大值统计量 sup_τ |√n(\hat{q}(τ) - q(τ)) / \hat{σ}_n(τ)| 的分布与高斯乘子法模拟的 sup_i |\hat{Z}_n(τ_i)| 的分布之间的Kolmogorov距离依概率收敛到0。该定理的成立条件包括：
    • 局部网络依赖（Assumption 3.3）。
    • 密度估计的一致性（Assumption 4.1）。
    • 方差有界且远离0（Assumption 4.2）。
    • 网格尺寸 δ_n → 0，且 (log p_n)^7 / n → 0，\bar{r}_{V,n} log^2 p_n + η_n √(log p_n) = o(1)。这些条件确保了高斯近似的精度。

证明路线与技术技巧

  • 整体路线：

    1. Bahadur线性化：将分位数回归估计量 \hat{q}(τ) 线性化为影响函数 \tilde{ψ}_i(τ) 的和（Lemma 3.1）。这一步将非光滑的目标函数转化为可处理的线性统计量。
    2. 问题转化：将构建UCB的问题转化为逼近学生化极大值统计量 sup_τ |(1/√n) Σ_i \tilde{ψ}_i(τ) / σ_n(τ)| 的分布。
    3. 高斯近似：利用 Chang et al. (2024) 的高维中心极限定理（Lemma D.2），证明在网格点 𝒯_n 上，标准化后的影响函数向量 \tilde{H}_n 的分布可以被一个具有相同协方差结构的高斯向量 Z_n 的分布所逼近。这一步的关键是验证Chang et al. (2024) 的条件，这依赖于局部网络依赖假设（Assumption 3.3）和度有界假设（Assumption 3.1）。
    4. 协方差估计：用 \hat{V}_n(τ, τ') = (1/n) \hat{ψ}(τ)^T Ω_n \hat{ψ}(τ') 来估计网络依赖的协方差。Lemma 4.1证明了该估计量的一致性。
    5. 高斯乘子法：从 N(0, \hat{Γ}_n^+) 中模拟高斯向量 \hat{Z}_n，其中 \hat{Γ}_n^+ 是 \hat{Γ}_n 的PSD修正。Lemma D.3证明了 \hat{Γ}_n^+ 与真实协方差 Γ_n 在最大范数下的一致。
    6. 最终逼近：通过一系列比较（Lemma D.1, D.2, D.3），最终证明 sup_τ |√n(\hat{q}(τ) - q(τ)) / \hat{σ}_n(τ)| 的分布与 sup_i |\hat{Z}_n(τ_i)| 的分布之间的差异可以忽略（Theorem 4.1）。

  • 关键跳跃点：

    • 从Bahadur表示到高斯近似：这是最吃劲的一步。需要将网络依赖的 \tilde{ψ}_i(τ) 的和的极大值分布，用高斯向量的极大值分布来逼近。作者没有直接使用经典的Chernozhukov et al. (2013) 结果（该结果针对独立数据），而是引用了 Chang et al. (2024) 针对依赖数据的高维CLT。这个跳跃的成功依赖于对依赖图（dependency graph）的构造和VC类极大不等式在依赖数据上的应用。
    • 处理非PSD的协方差矩阵：估计出的 \hat{Γ}_n 在有限样本下可能不是半正定的。作者采用了一个“最近相关矩阵”的投影步骤（式4.3），并证明了该投影不会破坏估计的一致性（Lemma D.3）。这是一个重要的实际技巧。

  • 技术技巧点名：

    • 依赖图（Dependency Graph）与Hajnal-Szemerédi染色：用于处理局部网络依赖下的独立性问题，将依赖的观测分解为若干组内独立的“颜色类”，从而应用标准的不等式。
    • VC类极大不等式（VC Maximal Inequality）：用于控制经验过程在函数类上的上确界，是证明Bahadur表示和随机等度连续性的核心工具。
    • Stein方法（Stein's Method）：在证明Proposition 3.1的边际收敛时，引用了 Ross (2011) 的Stein方法结果来建立Wasserstein距离下的正态逼近。
    • 高斯比较不等式（Gaussian Comparison Inequality）：在Lemma D.3和Theorem 4.1的证明中，用于比较具有不同协方差矩阵的高斯向量的极大值分布（如 Chen (2018) 的Lemma C.1）。
    • 反集中不等式（Anti-concentration Inequality）：在Theorem 4.1的证明中，用于控制高斯向量极大值分布对临界值的敏感性，这是将分布逼近转化为分位数逼近的关键。

真实例子与应用

  • 数据/场景：尼泊尔随机储蓄账户实验（Prina, 2015; Comola & Prina, 2021）。数据包含915个家庭及其金融支持网络。处理是随机提供免费储蓄账户。
  • 方法应用：作者估计了一个线性分位数回归模型（式5.1），其中结果变量为（对数化的）货币资产、总资产和教育支出。关键解释变量是自身处理状态 D_i 和被处理邻居比例 M_i。目标是对系数 β_D(τ)（直接效应）和 β_M(τ)（溢出效应）构建UCB。
  • 结果：
    • 直接效应：β_D(τ) 在货币资产的较低和中等分位数上显著为正（UCB完全位于零以上），表明储蓄账户对资产较少的家庭帮助更大。对总资产和教育支出，正效应主要集中在低分位数。
    • 溢出效应：β_M(τ) 的UCB在所有分位数上都包含零，表明没有发现显著的溢出效应。作者指出，这可能是因为网络稀疏（平均度0.25）导致估计 β_M(τ) 的抽样不确定性很大。
  • 例子想说明什么：这个例子旨在展示本文方法在实际数据分析中的可用性。它说明了平均效应可能掩盖的异质性（直接效应在不同分位数上不同），并展示了UCB如何为这种异质性效应提供有效的推断。同时，它也暴露了方法在稀疏网络下的局限性（宽置信带）。

🔎 结论是否比证明窄

  • Theorem 4.1的条件：定理要求 (log p_n)^7 / n → 0。这个条件比常见的 (log p_n)^3 / n → 0 更强，意味着当网格点数 p_n 很大时，对样本量 n 的要求更高。作者在模拟中使用了 p_n=30，这满足条件，但定理并未证明在 p_n 随 n 增长更快时（如 p_n = n）结论是否仍然成立。这是一个潜在的窄化。
  • Assumption 3.3的依赖半径：定理的证明严格依赖于“依赖半径为2”的假设。作者在Concluding Remarks中声称可以放松到任意固定半径，但并未在定理中给出正式的证明或条件。因此，定理的结论严格来说只适用于依赖半径为2的情况。
  • 线性QR的推断：附录A中为线性QR系数构建的UCB，其理论证明依赖于与Theorem 4.1类似的论证。但正文中并未给出该线性QR UCB的正式定理，其有效性是“by arguments analogous to those used in Lemma 3.1”。这比非参数情形的证明要弱。

四、开放问题

  1. 放松局部依赖半径：本文的UCB依赖于Assumption 3.3（依赖半径≤2）。作者在Concluding Remarks中指出可以扩展到任意固定半径，但未给出具体理论。扎根于：Section 6, "Assumption 3.3 can be relaxed to allow for finite-range network dependence with any fixed radius"。一个开放问题是：当依赖半径未知或无限时，如何构建有效的UCB？ 作者提到了 ψ-依赖（ψ-dependence）作为可能的扩展方向。

  2. 处理暴露映射误设：本文的因果解释依赖于Assumption 2.1（暴露映射正确设定）。作者承认这是一个根本性问题。扎根于：Section 6, "misspecification of the exposure mapping is a more fundamental issue, as it invalidates the structural interpretation of the estimand"。一个开放问题是：如何定义和推断对暴露映射误设稳健的分布效应？ 例如，能否将“平均”的敏感性分析方法扩展到分位数？

  3. 结合高维协变量：本文的设定中，暴露状态 W_i 是低维的。但在许多应用中，研究者可能希望控制高维的个体协变量。扎根于：本文的线性QR模型（式5.1）包含了协变量 C_i，但理论部分主要针对无协变量的非参数情形。一个开放问题是：如何将本文的UCB方法扩展到高维分位数回归（如Belloni et al., 2019a）的设定下，同时处理网络依赖？ 这需要结合高维稀疏模型和网络依赖的高斯近似。

  4. 效率问题：本文的UCB方法基于影响函数，但并未声称其达到了半参数效率界。扎根于：本文未讨论效率问题。一个开放问题是：在网络干扰下，分位数效应的半参数效率界是什么？是否存在一个达到该效率界的估计量和推断方法？ 这需要将半参数效率理论（如HOIF）扩展到网络依赖数据中。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论