跳转至

Online detection of distributional changes for time series in metric spaces

作者: B. Cooper Boniece, Lajos Horváth, Lorenzo Trapani
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2608.26422

一、领域脉络与小综述

这个方向是什么

本子方向解决的根本问题是：如何在线（序贯）检测一个时间序列的边际分布是否发生了结构性变化。与传统的均值变点检测不同，分布性变点检测旨在捕捉可能影响高阶矩、相关性甚至数据几何结构的更广义的“断裂”。该方向当前处于方法快速发展和理论逐步完善的阶段，尤其对于复杂数据类型（函数型、网络型、高维）和存在时间依赖性的数据，仍有许多开放问题。

发展脉络（history）

  1. 奠基工作：在线监测框架的建立

    • Chu et al. (1996)：开创性地提出了“历史基线 + 序贯监测”的框架，为后续所有在线变点检测工作奠定了范式。该工作主要关注参数模型（如线性回归）中的系数变化。
    • Page (1955)：提出了经典的Page CUSUM程序，其核心思想是“比较固定历史窗口与一个起始点可变的当前窗口”，这一思想被本文的Page-type方案所继承。

  2. 主要进展：从均值到分布，从独立到相依

    • 均值/协方差变点检测的成熟：Aue and Kirch (2024) 对过去70年基于CUSUM的序贯变点检测进行了全面综述，标志着均值变点检测理论的成熟。然而，这些方法对分布变化的敏感性有限。
    • 分布性变点检测的兴起：研究者开始探索基于经验分布函数（Inoue, 2001; Kojadinovic and Verdier, 2021）、特征函数（Hušková and Meintanis, 2006）、能量距离（Matteson and James, 2014; Biau et al., 2016）和核方法（Arlot et al., 2019; Li et al., 2019）的变点检测。这些工作主要针对独立观测或离线（retrospective） 设定。
    • 处理时间依赖性的尝试：Kirch and Stoehr (2022a,b) 研究了基于非退化两样本U统计量的序贯变点检测，并考虑了时间依赖性。这是与本文最直接相关的先行工作，但他们的理论不覆盖本文所关注的退化U统计量。

  3. 当前Frontier：短延迟、弱假设、复杂数据

    • 追求短检测延迟：Kutta and Dörnemann (2025) 和 Bastian and Kutta (2025) 提出了针对均值变化的加权CUSUM方法，实现了近乎对数级的检测延迟。但这些方法依赖于原始数据的次高斯性或高阶矩假设。
    • 处理复杂数据类型：Zhang et al. (2026) 和 Wang et al. (2026) 的工作表明，对网络值、函数型等复杂对象进行变点检测的需求日益增长，这要求方法能处理非欧几里得空间中的数据。

  4. 本文的位置：本文声称提供了首个针对退化两样本U统计量在时间依赖数据下的统一序贯监测理论。它通过将能量距离和MMD统一在U统计量框架下，并引入新的谱逼近结果，旨在实现弱假设（不要求原始数据次高斯性）下的短检测延迟，同时适用于度量空间中的复杂数据。

子线索聚类

  1. 基于U统计量的变点检测：这条线索的核心是使用U统计量来比较两个样本的分布。Kirch and Stoehr (2022a,b) 处理非退化情形，而本文处理退化情形（如能量距离、MMD）。本文的工作是这条线索的自然延伸。
  2. 基于核/距离的分布性变点检测：这条线索关注如何定义分布间的差异。能量距离（Székely and Rizzo, 2022）和MMD（Sejdinovic et al., 2013）是核心工具。本文将它们统一在U统计量框架下，并允许使用不定核。
  3. 在线监测的短延迟方法：这条线索致力于在保证误报控制的前提下，最小化检测延迟。Kutta and Dörnemann (2025) 的加权CUSUM是代表性工作。本文通过引入新的权重函数和利用核函数的正则性，声称在更弱的假设下达到了可比的延迟性能。

这个方向在追问的核心问题

  1. 如何为时间依赖数据下的退化U统计量建立渐近理论？ 这是本文直接回答的问题。难点在于退化U统计量的渐近分布是无限维高斯过程的二次型，而时间依赖性使得协方差结构复杂化。
  2. 如何实现可行的校准程序？ 理论极限分布依赖于未知的核谱和长期协方差。本文通过谱逼近和蒙特卡洛模拟来解决。
  3. 如何在不牺牲误报控制的前提下，实现短检测延迟？ 这是所有在线监测方法的共同追求。本文通过精心设计的权重函数和利用核函数的正则性来应对。
  4. 如何将方法推广到非欧几里得空间中的复杂数据？ 本文通过将数据嵌入到一个可分度量空间，并利用核函数来定义分布差异，从而自然地处理了这个问题。

⚠️ 作者的 framing

  • 作者的缺口frame：作者将缺口明确地frame为“现有序贯MMD和能量距离变点检测理论主要关注独立观测，而本文提供了首个针对退化U统计量在时间依赖下的统一理论”。这使得他们的工作成为“显然的下一步”。
  • 被淡化/回避的竞争路线：作者淡化了均值定向的短延迟方法（如Kutta and Dörnemann, 2025; Bastian and Kutta, 2025）。他们承认这些方法在纯均值变化下表现优异，但强调自己的方法在更复杂的结构性变化下更具优势，且对原始数据的矩要求更弱。作者没有深入讨论这些方法在非均值变化下的失效情况。
  • 明显该被引/该存在、却没出现在intro里的：作者没有引用关于随机矩阵理论中核矩阵谱性质的更近期工作，例如关于核矩阵特征值收敛速度的精细结果。这些结果可能为本文的谱逼近定理（Theorem 4.1）提供更紧的界。这是一个值得研究者去查的问题。

张力

未见明显对立引用。所有被引工作都指向一个共识：分布性变点检测很重要，但理论（尤其是针对时间依赖和退化核的）尚不完善。本文的工作是在这个共识下的一次系统性推进。

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：

    • \(X_j\): 时间序列在时刻 \(j\) 的观测值，取值于可分度量空间 \((\mathcal{X}, \rho)\)。
    • \(F\): 历史样本的边际分布（零假设下的共同分布）。
    • \(F^*\): 变点后的边际分布（备择假设）。
    • \(m\): 历史样本大小。
    • \(k^*\): 变点发生的时间（相对于监测开始时刻）。
    • \(k\): 当前监测时刻（\(k \ge 2\)）。
    • \(h(x, y)\): 一个对称的核函数，用于度量两个观测值 \(x\) 和 \(y\) 之间的“相似性”或“距离”。
    • \(\tilde{h}(x, y)\): \(h\) 的退化版本，定义为 \(\tilde{h}(x,y) = h(x,y) - \mathbb{E}h(x,Y) - \mathbb{E}h(X,y) + \mathbb{E}h(X,Y)\)，其中 \(X, Y \stackrel{iid}{\sim} F\)。这是U统计量理论中的核心对象。
    • \(U((a,b]; (c,d])\): 基于核 \(h\) 的两样本U统计量，比较时间窗口 \((a,b]\) 和 \((c,d]\) 内的观测值。
    • \(D_m(k)\): 在时刻 \(k\) 的检测器统计量。
    • \(\tau_m(c_\alpha)\): 停止时间，即检测器首次超过临界值 \(c_\alpha\) 的时刻。
    • \(\lambda_\ell, \phi_\ell\): 由退化核 \(\tilde{h}\) 定义的积分算子 \(A\) 的特征值和特征函数。
    • \(Y(x)\): 一个由核谱定义的Hilbert空间值函数，\(Y(x) = \sum_{\ell=1}^\infty \sqrt{|\lambda_\ell|} \phi_\ell(x) \phi_\ell\)。它将原始数据“嵌入”到一个Hilbert空间 \(\mathcal{H}\) 中。
    • \(\Sigma\): \(\mathcal{H}\)-值过程 \(\{Y(X_j)\}\) 的长期协方差算子。
    • \(\beta\): 权重函数 \(g\) 中的一个参数，控制检测延迟与误报之间的权衡（\(\beta\) 越接近1，延迟越短，但理论要求更高）。

  • 模型：

    • 零假设 \(H_0\): 所有观测值 \(X_1, X_2, \ldots\) 的边际分布均为 \(F\)。序列 \(\{X_j\}\) 是严格平稳的，并满足一个 \(L^p\)-m-可逼近性条件（Assumption 2.4），这是一种弱依赖条件。
    • 备择假设 \(H_A\): 存在一个未知的变点时间 \(k^*\)，使得 \(X_1, \ldots, X_{m+k^*}\) 的边际分布为 \(F\)，而 \(X_{m+k^*+1}, \ldots\) 的边际分布为 \(F^* \neq F\)。
    • 核心模型：数据生成机制是未知的，但被假设满足上述弱依赖和矩条件。核函数 \(h\) 的选择是自由的，但需要满足一定的正则性条件（Assumption 2.2），以保证其谱分解的良好性质。

  • 可观测数据：

    • 可观测：时间序列的原始观测值 \(X_1, X_2, \ldots, X_m, X_{m+1}, \ldots\)。
    • 想要但观测不到：边际分布 \(F\) 和 \(F^*\)，核函数 \(h\) 的谱分解（特征值 \(\lambda_\ell\) 和特征函数 \(\phi_\ell\)），以及由 \(Y(X_j)\) 构成的Hilbert空间值过程的长期协方差 \(\Sigma\)。这些都需要通过可观测数据来估计或逼近。

第二步：讲最小内核

本文的核心数学困难在于：如何为一个基于退化U统计量的在线检测器，在时间依赖数据下建立可行的渐近理论？

最简特例：经典方案 (Classical Scheme) 与独立同分布数据

假设： 1. 数据是独立同分布的（即没有时间依赖性）。 2. 采用经典方案 \(S_k^{cl} = \{(0,0)\}\)，即只比较固定的历史窗口 \((0, m]\) 和当前的监测窗口 \((m, m+k]\)。 3. 核函数 \(h\) 是正定的，且其对应的积分算子 \(A\) 是迹类算子。

在这个特例下，检测器 \(D_m(k)\) 退化为：

\[D_m(k) = m^{-1} \frac{k^2}{g_m(k, 0, 0)} \left| U((0, m]; (m, m+k]) \right|\]

其中 \(U\) 是两样本U统计量。由于数据独立同分布且核是退化的，U统计量可以展开为：

\[U((0, m]; (m, m+k]) \approx -\sum_{\ell=1}^\infty \lambda_\ell \left( \bar{\phi}_{\ell, 0, m} - \bar{\phi}_{\ell, m, m+k} \right)^2 + \text{可忽略的余项}\]
这里 \(\bar{\phi}_{\ell, a, b}\) 是特征函数 \(\phi_\ell\) 在窗口 \((a,b]\) 上的样本均值。

核心思路： 1. 退化性导致二次型极限：由于核是退化的，U统计量的渐近行为由特征函数样本均值的平方和主导，而不是线性项。这导致极限分布是高斯过程的二次型，而不是简单的高斯分布。 2. 弱收敛到高斯过程：在独立同分布假设下，由 \(\{\sqrt{m} \bar{\phi}_{\ell, 0, m}\}\) 和 \(\{\sqrt{k} \bar{\phi}_{\ell, m, m+k}\}\) 构成的随机过程，会弱收敛到一个独立的高斯过程 \(\{W_\ell(t)\}\)。 3. 极限分布：经过适当的缩放和取上确界，\(D_m(k)\) 的极限分布可以写成：

\[\Gamma(t) = \frac{1}{g(t, 1, t)} \sum_{\ell=1}^\infty \lambda_\ell \left[ t(1+t) - \left( (1+t)W_\ell(1) - W_\ell(1+t) \right)^2 \right]\]
这个极限分布是可处理的，因为它只依赖于核的谱 \(\{\lambda_\ell\}\) 和独立高斯过程 \(\{W_\ell\}\)。

为什么这个特例抓住了核心？ * 即使在这个最简特例下，极限分布也是无限维高斯过程的二次型，这已经比均值变点检测的极限复杂得多。 * 本文的一般化工作，本质上就是在这个特例的证明框架上，增加了处理时间依赖性（导致高斯过程不再独立，协方差由 \(\Sigma\) 决定）和更复杂的窗口方案（导致上确界取在更复杂的区域上）的技术细节。整个证明路线（退化U统计量分解 → 弱收敛到Hilbert空间值过程 → 连续映射定理）在这个特例中已经清晰可见。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了在可分度量空间中取值的、具有时间依赖性的时间序列的在线分布性变点检测问题。
  2. 核心工具/方法：提出了一个基于退化两样本U统计量的统一监测框架，该框架涵盖了能量距离和MMD的序贯版本，并允许使用不定核。通过建立新的谱逼近结果，实现了基于蒙特卡洛的可行校准程序。
  3. 主要结论：建立了在有限和无限监测时域下的渐近理论，刻画了完整的渐近游程长度分布，实现了渐近的误报控制。在备择假设下，证明了方法的一致性，并给出了检测延迟的界，该界在弱矩条件下可接近对数级。

关键设定与假设

  • 设定：在Chu et al. (1996) 的在线监测框架下，假设有一个大小为 \(m\) 的历史样本，然后序贯监测后续观测。
  • 假设：
    • Assumption 2.1 (历史样本同质性)：历史样本来自同一分布 \(F\)。
    • Assumption 2.2 (核的正则性)：核函数 \(h\) 是对称的，其退化版本 \(\tilde{h}\) 定义的积分算子 \(A\) 是迹类算子（保证谱分解），且特征函数满足一个加权的Hölder连续性条件。这个条件比要求核是正定或条件负定更弱，允许使用不定核。
    • Assumption 2.3 (核诱导过程的矩条件)：要求由核谱定义的Hilbert空间值过程 \(\{Y(X_j)\}\) 具有 \(p > 2/(1-\beta) \vee 4\) 阶矩。关键：这个条件是对核诱导过程施加的，而不是对原始数据 \(X_j\)。对于有界核，该条件自动满足。
    • Assumption 2.4 (数据的弱依赖性)：数据 \(\{X_j\}\) 满足 \(L^p\)-m-可逼近性条件，这是一种常见的弱依赖框架（如线性过程、GARCH模型）。
    • Assumption 2.5 (绝对连续性)：一个技术性假设，确保谱分解几乎处处成立。
    • Assumption 3.1 (监测方案的连续性)：监测方案 \(\{S_k\}\) 必须能嵌入到一个连续的时间参数化区域中。这涵盖了经典、Page型和全扫描方案。
    • Assumption 4.1 (特征值间隙)：要求前 \(L\) 个特征值之间有足够的间隙，以保证经验特征向量的一致估计。这是谱估计中的标准条件。

主要结果

  • Theorem 3.1 (零假设下的渐近理论)：这是本文的核心理论结果。它证明了在 \(H_0\) 下，检测器 \(D_m(k)\) 的极限分布是 \(\Gamma(t) = \sup_{(u,v) \in S(t)} \frac{1}{g_t(u,v)} \sum_{\ell=1}^\infty \lambda_\ell [ \cdots ]\)，其中 \(\{\tilde{W}_\ell(t)\}\) 是协方差由长期协方差 \(g_{\ell,\ell'}\) 决定的联合高斯过程。这个结果首次为时间依赖数据下的退化U统计量序贯监测提供了完整的渐近分布，从而实现了渐近的误报控制。
  • Theorem 4.1 (谱逼近)：建立了由序列相关观测形成的核矩阵的特征值 \(\hat{\lambda}_{\ell,m}\) 与真实特征值 \(\lambda_\ell\) 之间的一致性。具体地，\(\min_{\pi \in \Pi_m} \sqrt{\sum_{\ell=1}^m (\hat{\lambda}_{\pi(\ell),m} - \lambda_\ell)^2} = O_P(m^{-1/2} + \sum_{\ell=m+1}^\infty |\lambda_\ell|)\)。这个结果将Koltchinskii and Giné (2000) 的独立同分布结果推广到了时间依赖数据，是后续可行校准的基础。
  • Theorem 4.3 (可行校准)：证明了基于谱逼近和蒙特卡洛模拟的校准程序是渐近有效的。即，条件于数据，由模拟过程 \(\hat{\Gamma}_m(t)\) 计算出的临界值，其极限分布与真实极限分布 \(\Gamma(t)\) 相同。这使得方法在实际中可行。
  • Theorem 3.2 & Corollary 3.1 (备择假设下的性能)：证明了全扫描方案的一致性，并给出了检测延迟的界。对于固定备择假设，延迟为 \(O_P(m^{s(\theta \vee 1)} \log m)\)，其中 \(s = (1-\beta)/(2-\beta)\)。当 \(\beta \to 1\) 时，延迟可接近对数级。关键：这个界不要求原始数据的次高斯性或高阶矩，而是依赖于核诱导过程的矩条件，对于有界核自动满足。

证明路线与技术技巧

  • 整体路线：

    1. 退化U统计量的分解：将U统计量 \(U\) 分解为“主项”和“余项”。主项由核的谱分解给出，是特征函数样本均值的二次型（公式C.7）。余项被证明是渐近可忽略的（Lemma C.2）。
    2. 弱收敛到Hilbert空间值过程：将主项重新表达为Hilbert空间 \(\mathcal{H}\) 中一个过程的泛函。具体地，定义 \(\mathcal{H}\)-值过程 \(Z_m(t) = \frac{1}{\sqrt{m}} \sum_{j=1}^{\lfloor mt \rfloor} Y(X_j)\)。检测器 \(D_m(k)\) 可以写成 \(Z_m\) 的一个连续泛函 \(\Psi\)（Lemma C.4）。
    3. 不变原理：利用 \(L^p\)-m-可逼近性条件，证明 \(Z_m\) 在Hölder空间中弱收敛到一个 \(\mathcal{H}\)-值布朗运动 \(G\)，其协方差由长期协方差 \(\Sigma\) 决定（Lemma B.2）。
    4. 连续映射定理：由于泛函 \(\Psi\) 是连续的（Lemma C.5），由连续映射定理，\(\Psi(Z_m)\) 弱收敛到 \(\Psi(G)\)，即 \(\Gamma(t)\)。这就得到了零假设下的渐近分布。
    5. 谱估计与可行校准：为了模拟 \(\Gamma(t)\)，需要估计 \(\lambda_\ell\) 和 \(\Sigma\)。通过核矩阵的谱分解得到 \(\hat{\lambda}_{\ell,m}\)（Theorem 4.1），并通过经验特征向量和长期协方差估计得到 \(\hat{\Sigma}_{L,m}\)（Lemma D.5）。然后，用这些估计量构造一个可模拟的近似过程 \(\hat{\Gamma}_m(t)\)，并证明其条件分布弱收敛到 \(\Gamma(t)\) 的分布（Theorem 4.3）。

  • 关键跳跃点：

    • 从独立到相依：最大的跳跃在于处理时间依赖性。在独立同分布下，\(Z_m\) 弱收敛到标准布朗运动。在相依数据下，需要证明 \(Z_m\) 弱收敛到一个协方差结构更复杂的布朗运动。这依赖于一个Hilbert空间值的不变原理（Lemma B.2），该原理要求对 \(Y(X_j)\) 的 \(L^p\)-m-可逼近性进行验证。
    • 谱逼近的推广：将Koltchinskii and Giné (2000) 的独立同分布谱逼近结果推广到相依数据。这需要处理由时间依赖性带来的额外协方差项，证明其影响是渐近可忽略的。证明中巧妙地利用了Hilbert-Schmidt范数和迹范数的性质。

  • 技术技巧点名：

    • Hölderian不变原理：用于证明Hilbert空间值过程 \(Z_m\) 的弱收敛，这是处理时间依赖性的核心工具。
    • Kahan不等式：用于处理“近Hermitian矩阵”的谱扰动，从而将核矩阵特征值的误差与矩阵范数的误差联系起来。
    • Davis-Kahan定理：用于证明经验特征向量与真实特征函数之间的一致性，这是估计长期协方差 \(\Sigma\) 的关键。
    • Hoffman-Wielandt不等式：用于比较两个矩阵的特征值。
    • Skorokhod-Dudley-Wichura定理：用于在证明可行校准时，将弱收敛转化为几乎必然收敛，从而简化论证。

真实例子与应用

本文包含三个真实数据例子，旨在展示方法在不同类型数据上的适用性：

  1. 外汇汇率（标量时间序列）：

    • 数据：美元/日元（USD/JPY）日度对数收益率。
    • 方法应用：使用几何全扫描方案和有界能量核。历史样本为125天，监测后续数据。
    • 结果：该方法在2026年6月初（日本当局进行外汇干预后）发出警报，而均值定向的WC和TWIN方法均未报警。
    • 说明：展示了方法对非均值变化（如波动率或分布形状变化）的敏感性，而均值定向方法对此不敏感。

  2. 电力市场曲线（函数型时间序列）：

    • 数据：ERCOT的24小时日前负荷预测误差曲线和实时-日前价差曲线。
    • 方法应用：使用一个秩为4的有界核，该核基于前两个历史主成分得分的交互项构建。监测了Winter Storm Uri和Hurricane Nicholas两个事件。
    • 结果：对于Hurricane Nicholas，该方法在登陆前一天报警，而WC未报警。对于Winter Storm Uri，两者均报警，但WC稍早一天。
    • 说明：展示了方法在函数型数据上的应用，并说明其能检测到均值定向方法无法捕捉的联合行为变化（如预测误差与价差的相关性变化）。

  3. 航空运输网络（网络值时间序列）：

    • 数据：美国四大航空公司的每日国内航班网络，包括航线份额、图拉普拉斯特征值和取消率三种表示。
    • 方法应用：对每种表示分别使用不同的有界核。通过预白化处理去除日历效应和序列相关性。
    • 结果：在COVID-19疫情期间，取消率、拉普拉斯模态和航线份额检测器分别在3月18日、26日和24日报警，早于Wang et al. (2026) 在月度数据上报告的4月变化。
    • 说明：展示了方法在网络值数据上的应用，并说明其能检测到网络拓扑结构的变化，而不仅仅是节点属性的变化。

🔎 结论是否比证明窄

  • Theorem 3.1的极限分布：该定理给出了一个非常一般的极限分布，但实际应用中需要截断到前 \(L\) 个特征值。Theorem 4.3证明了这种截断和估计是渐近有效的。然而，有限样本下 \(L\) 的选择对校准精度有显著影响，作者在模拟中承认了这一点（Section 5.1.1），并给出了一个基于经验有效秩的启发式建议。这可以看作是一个“证明是渐近的，但结论在有限样本下需要谨慎使用”的例子。
  • Corollary 4.1 (数据驱动预处理)：该推论证明了当核的带宽或数据变换参数从历史样本中估计时，理论仍然成立。但证明依赖于 \(\sqrt{m}\)-一致估计和局部Lipschitz条件。对于更复杂的、非 \(\sqrt{m}\)-一致的估计程序（如某些正则化方法），该结论可能不成立。作者在文中明确指出了这一点（“provided \(\sqrt{m}\|\hat{\theta}_m - \theta_0\| = O_P(1)\)”）。

四、开放问题

  1. 有限样本校准的复杂性：作者在结论中指出，“finite-sample calibration becomes more difficult for models of higher complexity”。具体地，当核的有效秩很高时，即使使用有限秩核，也需要更大的历史样本才能实现可靠校准。扎根于：Section 7, “Numerical results also indicate that finite-sample calibration becomes more difficult for models of higher complexity...”。这是一个明确的开放问题：如何为给定的数据和核，自适应地选择 \(L\) 和 \(b_m\) 以优化有限样本性能？

  2. 数据驱动的核选择：作者提到“data-driven selection of kernels and their complexity would be useful topics for further study”。扎根于：Section 7, “A more complete understanding of this finite-sample tradeoff, as well as data-driven selection of kernels and their complexity, would be useful topics for further study.” 如何根据历史样本自动选择一个对备择假设敏感、同时计算和校准上可行的核，是一个重要的实际问题。

  3. 计算效率的改进：作者在Remark 5.1中承认，尽管使用了几何网格，但方法仍需要 \(O((m+M)^2)\) 次核评估，计算成本较高。扎根于：Remark 5.1, “Developing computationally efficient variants based on kernel approximations (e.g., Williams and Seeger, 2000; Rahimi and Recht, 2007) under dependence is left for future work.” 如何将随机傅里叶特征或Nyström近似等核逼近技术，在保证理论性质的前提下，应用于相依数据的在线监测，是一个有价值的方向。

  4. 更一般的备择假设：本文的备择假设（2.2）是一个单次、永久的分布变化。对于渐进变化（如趋势）或短暂变化（如异常点），本文的理论是否成立或需要如何调整？扎根于：本文的备择假设设定是标准的，但作者没有讨论更复杂的变化模式。这是一个自然的延伸。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论