SCAN: Sequentially Detecting Change-points via Adaptive Nonparametric Inference¶

作者: Ashoka Prabashwara, Patricia Menéndez, Liam Hodgkinson, Stuart Lee
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.28110

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是离线多分布变点检测，针对的是长序列、序列依赖且非平稳的单变量时间序列。其根本的统计问题是：给定一段长度为 \(T\) 的观测序列 \(\{X_t\}_{t=1}^T\)，如何同时估计变点的数量 \(k\) 和变点的位置 \(\tau_1,\dots,\tau_k\)，使得序列在每个分段内是（近似）平稳的，且相邻分段的分布（不仅仅是均值或方差）不同。当前成熟度：对于均值变点，已有大量成熟方法（CUSUM、PELT、WBS等）；但对于广义分布变点（方差、高阶矩、整体分布），且同时要求计算可扩展（线性或近线性于 \(T\)）和对序列依赖鲁棒的方法，仍是一个活跃的开放领域。

发展脉络（history）¶

作者在引言中勾勒了一条清晰的脉络，从经典到前沿，再到本文的定位：

奠基工作：均值变点检测。Page (1954) 的 CUSUM 统计量是最早的均值变点检测方法之一。后续工作扩展到方差（Shi 2015）、相关结构（Cabrieto et al. 2017）和趋势（Maeng & Fryzlewicz 2024）的变点检测。这些方法目标明确，但通常只能检测一种特定类型的变点。
多变点检测的精确与近似方法。精确方法（如 PELT, Killick et al. 2012; FPOP, Maidstone et al. 2017）通过动态规划求解全局优化问题，计算复杂度在有利条件下为 \(O(T)\)，但最坏情况为 \(O(T^2)\)。近似方法（如 Binary Segmentation, Sen & Srivastava 1975; WBS, Fryzlewicz 2014; SBS, Kovács et al. 2022）通过递归划分或局部扫描提高可扩展性，计算复杂度通常为 \(O(T \log T)\)。作者指出，这些方法的检测能力很大程度上由代价函数决定，而代价函数大多针对均值变化设计。
非参数变点检测。E-divisive (Matteson & James 2014) 和基于核的方法（KCP, Arlot et al. 2019）可以检测更广义的分布变化，但作者指出它们“often computationally demanding and are typically limited to short or moderately long series”（原文第3页）。这是本文要解决的核心瓶颈之一。
阈值校准问题。作者强调，变点检测方法需要阈值来区分真实变化和随机波动。常用的信息准则（AIC, BIC, MBIC）通常假设独立性，在序列依赖下会低估长期方差，导致过分割。虽然有针对依赖的替代校准方法（Truong et al. 2017, Lavielle 2005），但“selecting an appropriate penalty remains challenging, particularly in the presence of dependence”（原文第4页）。
本文的位置。作者将缺口 frame 为：现有方法很少能同时满足三个条件——计算可扩展性、对复杂序列依赖的鲁棒性、非参数分布灵活性。SCAN 被定位为“a scalable nonparametric framework for multiple change-point detection in long univariate time series that combines the efficiency of window-based methods with the flexibility of nonparametric inference”（原文第5页）。

子线索聚类¶

这些被引文献大致落在以下 3-4 条子线索上：

线索一：均值变点检测与 CUSUM 类方法。核心是 Page (1954) 的 CUSUM 及其变体。这类方法计算高效，但只能检测均值变化。作者通过 Proposition 1 将 SCAN 的 SWAL 统计量与 CUSUM 建立联系，从而将 SCAN 定位为 CUSUM 的“distributional generalization”（原文第6页）。
线索二：多变点检测的精确与近似搜索策略。包括 PELT (Killick et al. 2012)、FPOP (Maidstone et al. 2017)、Binary Segmentation (Sen & Srivastava 1975)、WBS (Fryzlewicz 2014)、SBS (Kovács et al. 2022) 和 MOSUM (Eichinger & Kirch 2018)。SCAN 采用窗口扫描策略，属于近似方法，但作者强调其“computational cost growing approximately linearly with the series length”（原文第4页）。
线索三：非参数分布变点检测。包括 E-divisive (Matteson & James 2014) 和 KCP (Arlot et al. 2019)。这些方法灵活但计算昂贵。SCAN 通过使用 IPM（特别是 1-Wasserstein 距离）作为局部比较的度量，在非参数灵活性和计算效率之间取得平衡。
线索四：阈值校准与依赖处理。包括基于信息准则的惩罚（BIC, Schwarz 1978; MBIC, Bogdan et al. 2004）和针对依赖的校准方法（Truong et al. 2017, Lavielle 2005）。SCAN 的贡献在于使用依赖感知的 tapered block bootstrap 来局部校准阈值，从而避免全局固定惩罚在序列依赖下的失效。

这个方向在追问的核心问题¶

如何检测广义的分布变化（不仅仅是均值或方差）？ 当前主流方法（如 CUSUM、PELT）的代价函数通常针对特定变化类型设计。非参数方法（如 KCP）虽然灵活，但计算成本高。
如何在序列依赖下校准阈值，以避免过分割或欠分割？ 全局固定惩罚（如 BIC）在序列依赖下会失效。需要一种能适应局部依赖结构的阈值校准方法。
如何平衡窗口大小（或局部扫描的尺度）与检测精度？ 窗口太小，统计量噪声大；窗口太大，定位精度差，且可能包含多个变点。没有单一窗口大小是普适最优的。
如何实现计算可扩展性，以处理百万级甚至更长的序列？ 许多非参数方法（如 KCP）的计算复杂度是 \(O(T^2)\) 或更高，无法处理长序列。

⚠️ 作者的 framing¶

作者把缺口 frame 成：现有方法无法同时满足计算可扩展性、序列依赖鲁棒性和非参数分布灵活性这三个条件。因此，SCAN 成为“显然的下一步”。作者淡化了以下竞争路线： - 全局非参数方法（如 KCP）：作者明确将其描述为“computationally and memory intensive for long series”（原文第4页），从而将其排除在长序列应用之外。 - 基于模型的方法（如 ARMA 模型下的变点检测）：作者在引言中未提及，因为 SCAN 是非参数的，不需要指定模型。 - 贝叶斯变点检测方法：未被引用或讨论。

什么明显该被引/该存在、却没出现在 intro 里？ - 高维变点检测文献：作者在引言中提到了高维设置（Wang & Samworth 2018, Hahn et al. 2020, Zhang et al. 2024, Qin et al. 2025），但 SCAN 本身只处理单变量序列。作者将高维扩展列为未来工作，但未讨论单变量方法向高维推广的常见策略（如投影、稀疏化）及其与 SCAN 的兼容性。 - 变点检测的 minimax 最优性理论：本文只证明了一致性（估计的变点数量和位置收敛到真值），但未讨论最优收敛速率（如 minimax 定位误差）。这是理论上的一个明显缺口。 - 与“统计-计算权衡”文献的连接：对于长序列，计算约束是核心。但本文未讨论是否存在“统计-计算权衡”——即，在多项式时间内可实现的变点检测方法，其统计精度是否必然低于无计算约束的最优方法。这与研究者的兴趣高度相关。

张力¶

未见明显对立引用。所有被引工作基本在各自的设定下成立，彼此之间没有直接矛盾。作者通过指出“trade-off in the literature”（原文第5页）来构建自己的贡献，而非通过指出矛盾。

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： - \(\{X_t\}_{t=1}^T\)：长度为 \(T\) 的单变量时间序列，\(X_t \in \mathbb{R}\)。 - \(k\)：真实变点数量（未知，需估计）。 - \(\tau_1, \dots, \tau_k\)：真实变点位置（未知，需估计）。定义 \(\tau_0 = 0, \tau_{k+1} = T\)。 - \(S_j = (X_{\tau_{j-1}+1}, \dots, X_{\tau_j})\)：第 \(j\) 个分段，\(j=1,\dots,k+1\)。 - \(F_{S_j}\)：分段 \(S_j\) 的累积分布函数（CDF）。 - \(w\)：窗口大小（用户指定或通过集成选择）。 - \(t_m = mw\)：候选分割点，\(m = 1, \dots, M = \lfloor T/w \rfloor - 1\)。 - 参考窗口：\(X_{t-w+1:t} = (X_{t-w+1}, \dots, X_t)\)，长度为 \(w\)。 - 步进窗口：\(X_{t+1:t+w} = (X_{t+1}, \dots, X_{t+w})\)，长度为 \(w\)。 - \(\hat{F}_{(w),t}\)：参考窗口的经验 CDF。 - \(\hat{F}_{(s),t}\)：步进窗口的经验 CDF。 - \(d_{\mathcal{G}}(P, Q)\)：积分概率度量（IPM），其中 \(\mathcal{G}\) 是一类实值可测函数。 - \(T_{t,w} = d_{\mathcal{G}}(\hat{F}_{(w),t}, \hat{F}_{(s),t})\)：局部检验统计量。 - \(G_n(k)\)：SWAL（Scaled 1-Wasserstein Localization）统计量，定义在长度为 \(n\) 的局部序列上，候选分割点为 \(k\)。 - \(\hat{\tau}_n\)：SWAL 统计量的经验最大化者，即局部变点位置估计。 - \(\hat{k}\)：估计的变点数量。 - \(\hat{\tau}_1, \dots, \hat{\tau}_{\hat{k}}\)：估计的变点位置。

模型： - 数据生成机制：时间序列 \(\{X_t\}_{t=1}^T\) 是分段严格平稳的（piecewise strictly stationary, Brockwell & Davis 1991），且在每个分段内是指数 \(\alpha\)-混合的（exponentially \(\alpha\)-mixing），混合系数满足 \(\alpha(h) \le e^{-\lambda h}\)，其中 \(\lambda > 0, h \ge 1\)。 - 变点定义：存在整数 \(k \ge 0\) 和时间点 \(1 \le \tau_1 < \dots < \tau_k < T\)，使得在每个 \(\tau_j\) 处，过程的均值、方差或分布性质发生变化。即，相邻分段的分布不同：\(F_{S_j} \neq F_{S_{j+1}}\)。 - 待估对象：变点数量 \(k\) 和变点位置 \(\tau_1, \dots, \tau_k\)。

可观测数据： - 研究者实际能观测到的是整个时间序列 \(\{X_t\}_{t=1}^T\)，即所有 \(T\) 个观测值。 - 想要但观测不到的是：分段数量 \(k+1\)、每个分段的边界 \(\tau_j\)、每个分段的分布 \(F_{S_j}\)。这些都需要通过统计推断来估计。 - 关键假设：分段内的平稳性和混合性。这些假设不可直接验证，但为理论分析提供了基础。

第二步：讲最小内核¶

本文的核心思路可以浓缩为一个最简特例：单变点定位问题，且纯均值偏移。

最简特例设定： - 序列长度 \(n\)，只有一个真实变点 \(\tau_n\)。 - 模型：\(X_t = \mu_1 + Z_t\) 对于 \(t \le \tau_n\)，\(X_t = \mu_2 + Z_t\) 对于 \(t > \tau_n\)。其中 \(Z_t\) 是均值为零、分布为 \(F_0\) 的独立同分布（或混合）噪声，且具有有限一阶矩。 - 目标：估计变点位置 \(\tau_n\)。

在这个特例下，论文的核心思路是什么？

定义 SWAL 统计量：对于每个候选分割点 \(k\)（\(1 \le k \le n-1\)），计算
\[G_n(k) = \sqrt{\frac{k(n-k)}{n}} \cdot W_1(\hat{F}_{1:k}, \hat{F}_{k+1:n}),\]
其中 \(W_1\) 是 1-Wasserstein 距离，\(\hat{F}_{1:k}\) 和 \(\hat{F}_{k+1:n}\) 是左右两段样本的经验 CDF。
关键命题（Proposition 1）：在纯均值偏移下，1-Wasserstein 距离退化为均值差的绝对值：
\[W_1(F_{1:k}, F_{k+1:n}) = |\mu_{1:k} - \mu_{k+1:n}|.\]
因此，SWAL 统计量退化为经典的 CUSUM 统计量：
\[G_n(k) = \sqrt{\frac{k(n-k)}{n}} \cdot |\mu_{1:k} - \mu_{k+1:n}|.\]
为什么这个退化是核心？
连接经典：它表明 SCAN 的定位统计量是 CUSUM 的分布泛化。在均值偏移下，它自动退化为 CUSUM，继承了 CUSUM 在均值变点检测中的最优性质（如定位一致性）。
超越经典：对于非均值偏移（如方差变化、联合变化），1-Wasserstein 距离不等于均值差，因此 SWAL 统计量不等于 CUSUM。它保留了检测更广义分布变化的能力。
证明路线：证明这个退化只需要用到 1-Wasserstein 距离在位置-尺度模型下的线性性质（Lemma 1.2 的混合恒等式）。这个证明是整篇论文理论部分最简洁、最核心的环节。

这个最小内核告诉读者什么？ - 论文在数学上干了一件什么事：构造了一个统计量，它在经典设定（均值偏移）下退化为已知最优统计量（CUSUM），但在更一般的设定下仍然有效。这是一种“兼容并包”的设计思路。 - 核心数学困难：对于非均值偏移，SWAL 统计量的行为不再简单，需要证明其一致性。这依赖于对 1-Wasserstein 距离的经验估计误差的控制（Theorem 1），以及证明该统计量在真变点处是唯一最大化的（Lemma 1.3）。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：针对长序列、序列依赖的单变量时间序列，提出一种离线多分布变点检测方法 SCAN，能够检测均值、方差及更广义的分布变化。
核心工具/方法：结合了基于 IPM（特别是 1-Wasserstein 距离）的局部两样本检验、依赖感知的 tapered block bootstrap 阈值校准、以及一个新颖的 SWAL 定位统计量，并通过多窗口集成来降低对窗口大小的敏感性。
主要结论：在指数 \(\alpha\)-混合依赖假设下，证明了 SCAN 对变点数量和位置估计的一致性；并证明在纯均值偏移下，SWAL 统计量退化为 CUSUM 统计量。模拟实验（样本量达百万级）显示，SCAN 在均值及联合均值-方差偏移场景下，尤其在序列依赖时，覆盖率和 F1 分数普遍优于对比方法。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

Condition 1 (Minimal spacing requirement)：相邻变点之间的最小间距 \(\tau_{\min}\) 满足 \(\tau_{\min} \to \infty\) 且 \(\tau_{\min} = o(T)\)。这确保变点不会无限接近，是变点检测问题的标准假设。
Condition 2 (Minimal Signal Magnitude)：每个变点处的 IPM 距离有下界：\(d_{\mathcal{G}}(F_{S_j}, F_{S_{j+1}}) \ge \vartheta_{\mathcal{G}} > 0\)。这确保信号强度足够被检测到。
Condition 3 (Uniform bounded variation of the IPM class)：函数类 \(\mathcal{G}\) 中的函数具有一致有界全变差。这个条件将 IPM 的控制转化为对 Kolmogorov-Smirnov 距离的控制（不等式 (4.1)），从而可以利用 DKW 型不等式。作者指出，在紧支撑上，1-Wasserstein 距离满足此条件（因为 1-Lipschitz 函数在紧集上有界变差）。
指数 \(\alpha\)-混合：每个分段内的序列是严格平稳且指数 \(\alpha\)-混合的。这是推导 DKW 型不等式（Lemma 1）和 IPM 误差界（Theorem 1）的关键依赖结构假设。

相比已有文献的放宽或强化： - 放宽：相比许多假设独立性的方法，SCAN 明确处理了序列依赖（指数 \(\alpha\)-混合）。 - 强化：相比一些非参数方法（如 KCP），SCAN 对函数类 \(\mathcal{G}\) 施加了有界变差条件（Condition 3），这限制了 IPM 的选择，但换来了可处理的误差界。作者在 Remark 1 中讨论了窗口包含变点时的处理，这是对标准 DKW 型不等式的扩展。

主要结果¶

Theorem 1 (Absolute IPM Error Bound under \(\alpha\)-mixing and Condition 3)：给出了经验 IPM 与总体 IPM 之间绝对误差的有限样本概率界。这个界是后续所有一致性证明的基础。它表明，对于窗口大小 \(w\)，误差以 \(O_p(\sqrt{\log w / w})\) 的速率收敛。
Theorem 2 (Consistency of \(\hat{\tau}_n\))：证明了在单变点定位问题中，SWAL 统计量的经验最大化者 \(\hat{\tau}_n\) 是变点位置 \(\tau_n\) 的一致估计，即 \(|\hat{\tau}_n - \tau_n|/n \xrightarrow{p} 0\)。证明依赖于三个引理：Lemma 1.1（SWAL 统计量的一致收敛）、Lemma 1.2（1-Wasserstein 距离的混合恒等式）、Lemma 1.3（总体 SWAL 准则的唯一最大化与均匀分离性）。
Theorem 3 (Consistency of the Consolidated SCAN Estimator)：证明了 SCAN 框架对变点数量 \(k\) 和位置 \(\tau_j\) 的一致性。核心条件是窗口大小 \(w_T = \lfloor T^\beta \rfloor\) 且 \(w_T = o(\tau_{\min})\)，阈值 \(b_{T,m} = A_{T,m} \sqrt{\log T / w_T}\) 满足 \(c A_*^2 \ge (1-\beta)/2\)。结论是 \(\Pr(\hat{k} = k \text{ and } \max_j |\hat{\tau}_j - \tau_j| \le T \rho_T) \to 1\)，其中 \(\rho_T = o(1)\)。
Proposition 1 (Similarity with the CUSUM statistic)：在纯均值偏移下，SWAL 统计量退化为 CUSUM 统计量。这是连接经典方法的关键结果。

证明路线与技术技巧¶

整体路线（以 Theorem 3 为例）： 1. 控制局部检验的 Type-I 和 Type-II 错误：利用 Theorem 1 的 IPM 误差界，结合阈值 \(b_{T,m} \asymp \sqrt{\log T / w_T}\)，证明在无变点的候选分割点上，错误拒绝的概率趋于 0（Lemma 1.4）；在包含变点的候选分割点上，错误接受的概率趋于 0（Lemma 1.6）。 2. 将拒绝的分割点聚类：在无错误事件上，每个真实变点最多触发两个相邻的拒绝分割点（Lemma 1.5），且不同变点触发的拒绝分割点不会混在一起。因此，拒绝分割点的最大连续块的数量等于真实变点数量 \(k\)。 3. 在每个聚类内进行定位：每个聚类对应一个包含单个变点的局部区域。在此区域内，应用 Theorem 2 的 SWAL 定位一致性，得到变点位置的一致估计。

关键跳跃点： - 从独立到依赖的 DKW 不等式（Lemma 1）：这是整个理论大厦的基石。作者引用了 Merlevède et al. (2012) 的 Bernstein 型不等式，通过离散化网格和 union bound，将点态界提升为一致界。这个跳跃需要处理混合序列的协方差结构，并证明方差项 \(\sigma^2\) 有限。 - IPM 误差界的推导（Theorem 1）：关键跳跃在于利用 Condition 3 将 IPM 误差控制为 KS 距离的常数倍，然后应用 Lemma 1。这需要证明不等式 (4.1)，其证明在补充材料中通过分部积分完成。 - SWAL 统计量的一致收敛（Lemma 1.1）：需要将 Theorem 1 的误差界均匀地应用于所有候选分割点 \(k \in \mathcal{K}_n(\eta)\)。关键跳跃在于证明误差界中的指数项在 \(k\) 和 \(n-k\) 都足够大时（即远离边界）是均匀可控的，从而通过 union bound 得到一致收敛速率 \(O_p(\sqrt{\log n / n})\)。 - 总体 SWAL 准则的唯一最大化与均匀分离（Lemma 1.3）：利用 Lemma 1.2 的混合恒等式，推导出 \(G_n(k)\) 在 \(k \le \tau_n\) 时严格递增，在 \(k \ge \tau_n\) 时严格递减，从而 \(\tau_n\) 是唯一最大者。均匀分离性通过连续性论证得到。

技术技巧点名： - DKW 型不等式在 \(\alpha\)-混合下的推广：用于控制经验 CDF 的一致偏差。 - 积分-分部技巧：用于证明 IPM 被 KS 距离控制（不等式 (4.1) 的证明）。 - 混合恒等式（Lemma 1.2）：用于推导 1-Wasserstein 距离在混合分布下的线性性质，是证明 Proposition 1 和 Lemma 1.3 的关键。 - 均匀分离论证：用于从一致收敛和唯一最大化推导出定位一致性（Theorem 2 的证明）。 - Bonferroni 校正：用于控制多窗口扫描中的族系错误率（FWER）。

真实例子与应用¶

本文包含两个真实数据例子：

HASC 数据集（Human Activity Sensing Consortium）：
数据：来自个体 671-a 的 Series 2，约 40,000 个观测值，包含 38 个标注的活动转换（如走路、慢跑、站立）。
方法应用：使用 SCAN 的集成版本，通过肘部图选择投票阈值 \(\nu = 0.1\)。
结果：SCAN 检测到 37 个变点，F1 分数为 0.80，覆盖率为 0.8360。大多数检测到的变点与标注的活动转换紧密对齐。
说明什么：验证了 SCAN 在检测方差变化（活动转换通常引起信号方差变化）方面的有效性，并展示了如何通过肘部图进行无监督阈值选择。
比特币（BTC-USD）价格数据：
数据：2017年1月至2026年4月的每小时收盘价，共 81,079 个观测值。
方法应用：使用 SCAN 的集成版本，窗口大小均匀采样至 \(w = \lfloor T^{2/3} \rfloor\)。
结果：SCAN 检测到 40 个不同日期的变点，其中 33 个与路透社报道的重大市场事件（如 2020年3月 COVID-19 崩盘、2021年2月特斯拉购买公告、2024年11月美国大选）吻合。
说明什么：展示了 SCAN 在长、嘈杂、高度非平稳的金融时间序列中提取可解释的结构性变化的能力。变点不仅对应突发市场压力事件，也对应快速重新定价的时期。

🔎 结论是否比证明窄¶

长记忆过程（ARFIMA）：作者在模拟中包含了 ARFIMA(1, d, 1) 过程（\(d=0.35\)），并承认 SCAN 在此设定下表现较差，因为“the bootstrap calibration assumes exponentially \(\alpha\)-mixing dependence, whereas ARFIMA processes exhibit long memory”（原文第25页）。然而，Theorem 3 的一致性证明严格依赖于指数 \(\alpha\)-混合假设。因此，论文的结论（一致性）比证明窄——一致性只在指数 \(\alpha\)-混合下被证明，但作者在模拟中将其应用于长记忆过程，并讨论了性能下降。作者在结论中明确将“Extending these guarantees to long-memory processes”列为未来工作（原文第32页）。
高维扩展：作者在结论中提到“extending the framework to multivariate and high-dimensional settings”是未来工作。论文本身只处理单变量序列，因此所有结论都限于单变量。
最优性：论文只证明了一致性，没有证明最优收敛速率（如 minimax 定位误差）。因此，不能 claim SCAN 在统计上是“最优”的，只能 claim 它是“一致的”。

四、开放问题（点到为止，扎根具体语句）¶

长记忆过程的扩展：将 SCAN 的一致性保证扩展到长记忆过程（如 ARFIMA）。扎根于原文第32页：“Extending these guarantees to long-memory processes... are natural directions for future work.” 以及模拟中 ARFIMA 设定下性能下降的观察（原文第25页）。
高维与多变量扩展：将 SCAN 框架扩展到多变量和高维时间序列。扎根于原文第32页：“...extending the framework to multivariate and high-dimensional settings, are natural directions for future work.” 以及引言中提及的高维变点检测文献（Wang & Samworth 2018 等）。
最优窗口大小与阈值选择理论：本文提出了一个基于风险权衡的启发式窗口大小选择（Proposition 2: \(w^* \asymp T^{2/3}\)），但未给出严格的理论证明。同时，理论阈值 \(b_{T,m} \asymp \sqrt{\log T / w_T}\) 是确定性的，而实践中使用 bootstrap 阈值。建立 bootstrap 阈值在大量局部检验下的一致有效性是一个开放问题。扎根于原文第19页：“Establishing uniform bootstrap validity over a growing collection of local tests would require a separate analysis of dependent empirical processes and extreme bootstrap quantiles and is beyond the scope of this work.”
变点检测的 minimax 最优性：本文只证明了 SCAN 的一致性，但未讨论其定位误差的 minimax 最优速率。一个自然的问题是：在指数 \(\alpha\)-混合下，SCAN 的定位误差是否达到了最优速率？扎根于论文未讨论 minimax 速率这一事实，以及研究者对 minimax 理论的熟悉程度。

Maintained by 陈星宇 · Homepage · Source on GitHub