Inverting the Fisher information operator in non-linear models¶

作者: Dimitri Konen
主题: 非参数 / 半参数
相关性: 8/10
链接: https://arxiv.org/abs/2601.13254

一、领域脉络与小综述¶

这个方向是什么¶

本文所处理的根本统计问题是：在非线性回归模型中，Fisher 信息算子何时可逆，以及如何构造其逆。这里的"非线性"指的是回归函数集合 $\{G(\theta): \theta \in \Theta\}$ 构成 $L^2_\lambda$ 的一个非线性子空间（流形），而非线性体现在参数到回归函数的映射 $G$ 上。这类模型广泛出现在非线性PDE反问题（如从时空数据反演初始条件）和数据同化（data assimilation）中。该方向的核心困难在于：当参数空间无穷维时，Fisher 信息算子 $I^*_{\theta_0} I_\varepsilon I_{\theta_0}$ 的可逆性（特别是逆的有界性）不再自动成立，而这一性质是建立 minimax 下界、构造高效估计量、以及证明 Bernstein-von Mises 定理的前提。该方向的成熟度处于理论框架已建立、但具体模型验证高度依赖问题结构的阶段——即"一般理论 + 逐模型验证"的模式。

发展脉络¶

奠基工作：半参数效率理论。van der Vaart (1991) 的经典工作（Theorem 4.1）建立了线性泛函估计的渐近效率理论，其中核心条件是"score 算子的值域包含感兴趣的泛函方向"，即 $F(\theta) = \langle \psi, \theta \rangle_V$ 可估当且仅当 $\psi \in R(I^*_{\theta_0})$。这一条件在有限维参数空间自动满足，但在无穷维空间中成为实质性假设。本文的 framing 正是从这一"range condition"出发——它虽然必要，但难以验证。
主要进展：非线性PDE反问题的贝叶斯方法。Nickl (2020) 将半参数效率理论推广到 Schrödinger 方程的反问题，Monard, Nickl & Paternain (2019, 2021a) 处理了 X-ray 变换（线性但非标准）的情形，Nickl (2024) 和 Konen & Nickl (2025) 则处理了反应-扩散方程和 Navier-Stokes 方程的数据同化问题。这些工作的共同模式是：先证明线性化算子的两范数估计（如 $\|h\|_{H^1} \lesssim \|I_{\theta_0}[h]\|_{L^2}$），再由此推出 Fisher 信息算子的可逆性。但每一步都需要针对具体 PDE 的逐点估计，缺乏统一框架。
当前 frontier：一般非线性模型的统一处理。本文的位置在于：将上述"逐模型验证"提升为一般性定理——只要 score 算子 $I_{\theta_0}$ 在某个子空间上单射，Fisher 信息算子就自动在"自然定义域"与"对偶空间"之间成为同胚。这避免了在每个具体模型中重新证明可逆性，只需验证单射性（通常比可逆性容易得多）。

子线索聚类¶

半参数效率与信息下界（van der Vaart 1991; van der Vaart & Wellner 2023）：关注"哪些泛函可估、下界是什么"。核心工具是 score 算子、切空间、卷积定理。本文的 Theorem 5.2 直接建立在这一脉络上。
非线性PDE反问题的贝叶斯推断（Nickl 2020, 2023, 2024; Monard-Nickl-Paternain 2019, 2021a,b; Konen-Nickl 2025）：关注"如何为 PDE 模型设计先验并证明后验的 Bernstein-von Mises 性质"。核心困难正是 Fisher 信息算子的可逆性。本文为这一脉络提供了通用工具。
SPDE 与扩散模型的非参数估计（Altmeyer-Reiß 2019; Altmeyer-Tiepner-Wahl 2022; Hoffmann-Ray 2025; Giordano-Wang 2025; Nickl-Pavliotis-Ray 2025; Amorino-Podolskij-Zhou 2024）：关注从离散/局部观测估计系数函数。这些工作同样需要验证信息算子的可逆性，但通常在线性模型框架内。

这个方向在追问的核心问题¶

Fisher 信息算子何时可逆？ 本文的答案是：只要线性化 $I_{\theta_0}$ 单射（且满足连续性），可逆性就自动成立——但逆的范数由 $I_{\theta_0}$ 的下界决定，这仍需逐模型验证。
可估泛函的刻画：$\psi \in R(I^*_{\theta_0})$ 是否等价于 $\psi \in S$（本文定义的"对偶空间"）？本文的 Theorem 3.9 给出了肯定回答，且 $S$ 有操作性刻画（通过 sup 范数定义）。
下界何时有限：van der Vaart (1991) 的 range condition 是必要的，但本文进一步证明：若 $\psi \notin S$，则 minimax 风险为无穷（Theorem 5.2(ii)）。这把"可估性"问题转化为"范数有限性"问题。

⚠️ 作者的 framing¶

作者将缺口 frame 为："虽然 injectivity of $I_{\theta_0}$ 通常可以在具体模型中建立，但 Fisher 信息算子的可逆性（特别是逆的有界性）需要额外的、逐模型验证的 surjectivity 论证。本文证明 surjectivity 是 injectivity 的自动推论，从而将验证工作减半。" 这是作者的说法——他淡化了"逆的范数估计"这一仍然困难的部分（见 Proposition 6.1 中 $\|h\|_{D^{-\kappa}} \lesssim \|I_{\theta_0}[h]\|_{L^2}$ 的验证），将其归入"具体模型的单射性验证"中。

张力¶

未见明显对立引用。但存在一个隐含张力：van der Vaart (1991) 的 range condition 是在"局部渐近正态"框架下给出的，而本文的证明依赖于 Hilbert 空间结构（Riesz 表示定理）。对于非 Hilbert 的 Banach 空间参数化（如 $L^p$，$p \neq 2$），本文的框架是否适用？作者在 Appendix A.2 中声称推广到 normed vector space，但 Theorem 3.9 的证明本质上使用了 Hilbert 结构（内积 $\langle \cdot, \cdot \rangle_H$）。这是一个值得研究者去查的点。

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¶

模型：观测数据 $(X_i, Y_i)_{i=1}^N$ 满足

\[Y_i = G(\theta_0)(X_i) + \varepsilon_i, \quad i=1,\dots,N,\]

其中： - $X_i \sim \lambda$（设计分布，已知或未知但不感兴趣），$X_i \in \mathcal{X} \subset \mathbb{R}^{d_X}$； - $\varepsilon_i \sim q_\varepsilon$（误差密度，满足 $\sqrt{q_\varepsilon} \in H^1(\mathbb{R}^p)$），独立于 $X_i$； - $\theta_0 \in \Theta \subset V$，$V$ 是可分 Hilbert 空间，内积 $\langle \cdot, \cdot \rangle_V$； - $G: \Theta \to L^2_\lambda \equiv L^2(\mathcal{X}, \mathbb{R}^p, d\lambda)$ 是"前向映射"（forward map），将参数映射为回归函数。

核心记号： - 参数 / estimand：$\theta_0$（真参数）、$\theta$（一般参数）、$h \in V_0$（切向量 / 局部扰动方向）、$\psi \in V_0$（泛函方向，即我们想估计 $\langle \psi, \theta_0 \rangle_V$）。 - 线性化算子：$I_{\theta_0}: V_0 \to L^2_\lambda$，定义为 $G$ 在 $\theta_0$ 处的 Gâteaux 导数，即对每个 $h \in V_0$，$I_{\theta_0}[h] = \lim_{s \to 0} \frac{G(\theta_0 + sh) - G(\theta_0)}{s}$（在 $L^2_\lambda$ 中收敛）。 - score 算子：$A_{\theta_0}: V_0 \to L^2(\mathcal{X} \times \mathbb{R}^p, dP_{\theta_0})$，定义为 $A_{\theta_0}[h](x,y) = -2 \langle \nabla \sqrt{q_\varepsilon}(y - G(\theta_0)(x)), I_{\theta_0}[h](x) \rangle_{\mathbb{R}^p} / \sqrt{p_{\theta_0}(x,y)}$（其中 $p_{\theta_0}$ 是联合密度）。这是统计模型的 score 函数。 - Fisher 信息算子：$I^*_{\theta_0} I_\varepsilon I_{\theta_0}: V_0 \to V_0^*$，其中 $I_\varepsilon$ 是误差分布的 Fisher 信息矩阵（$p \times p$ 常数矩阵），$I^*_{\theta_0}: L^2_\lambda \to V_0^*$ 是 $I_{\theta_0}$ 的伴随（关于 $L^2_\lambda$ 与 $V_0$ 的内积）。 - 自然定义域：$H$ = $V_0$ 关于范数 $\|h\|_H := \|I^{1/2}_\varepsilon I_{\theta_0}[h]\|_{L^2_\lambda}$ 的完备化。 - 对偶空间：$S$ = 所有 $\psi \in V_0$ 使得 $\| \psi \|_S := \sup_{v \in V_0, \|v\|_H \le 1} |\langle \psi, v \rangle_V| < \infty$。

可观测数据：$(X_i, Y_i)_{i=1}^N$，即设计点 $X_i$ 和带噪观测 $Y_i$。不可观测：真参数 $\theta_0$、误差 $\varepsilon_i$、以及潜在的反事实回归函数 $G(\theta_0)$（我们只能观测到它在采样点上的值加噪声）。

第二步：最小内核¶

核心问题：Fisher 信息算子 $I^*_{\theta_0} I_\varepsilon I_{\theta_0}$ 何时可逆？更精确地说，何时存在一个"自然定义域" $H$ 和"对偶空间" $S$，使得该算子成为 $H \to S$ 的同胚？

最小例子：取 $V = L^2(\Omega)$，$\Omega = \mathbb{T}^d$（$d$ 维环面），$G(\theta) = $ 反应-扩散方程的解算子，$I_{\theta_0}$ 是线性化后的解算子。假设 $I_{\theta_0}$ 满足两范数估计：

\[\|h\|_{H^1(\Omega)^*} \lesssim \|I_{\theta_0}[h]\|_{L^2([0,T] \times \Omega)} \lesssim \|h\|_{H^1(\Omega)^*}, \quad \forall h \in H^2(\Omega).\]

则本文的定理告诉我们：$H = H^1(\Omega)^*$，$S = H^1(\Omega)$，且 Fisher 信息算子是 $H^1(\Omega)^* \to H^1(\Omega)$ 的同胚。

为什么这是"最小内核"：整个论文的数学内容可以归结为以下三步： 1. 构造 $H$：用 $I_{\theta_0}$ 在 $V_0$ 上诱导一个范数 $\|h\|_H$，取完备化。这一步不需要任何额外假设。 2. 构造 $S$：定义 $S$ 为 $H$ 的对偶（通过 $V_0$ 内积配对）。这一步也不需要额外假设。 3. 证明 $I^*_{\theta_0} I_\varepsilon I_{\theta_0}$ 是 $H \to S$ 的同胚：这只需要 $I_{\theta_0}$ 单射（Condition 1.3）。证明的关键是：$I^*_{\theta_0} I_\varepsilon I_{\theta_0}$ 在 $V_0$ 上关于 $\|\cdot\|_H$ 和 $\|\cdot\|_S$ 都是等距，然后通过稠密性延拓到 $H$ 和 $S$。

为什么成立：核心观察是，$H$ 和 $S$ 的定义方式保证了 $I^*_{\theta_0} I_\varepsilon I_{\theta_0}$ 在这两个空间上自动成为等距同构。具体来说，对 $h \in V_0$，有

\[\|I^*_{\theta_0} I_\varepsilon I_{\theta_0}[h]\|_S = \sup_{\|v\|_H \le 1} |\langle I^*_{\theta_0} I_\varepsilon I_{\theta_0}[h], v \rangle_V| = \sup_{\|v\|_H \le 1} |\langle I_\varepsilon I_{\theta_0}[h], I_{\theta_0}[v] \rangle_{L^2_\lambda}| = \|h\|_H,\]

其中最后一步用到了 $I_\varepsilon$ 的正定性（Proposition 2.3）和 $I_{\theta_0}$ 的单射性。因此，$I^*_{\theta_0} I_\varepsilon I_{\theta_0}$ 是 $H \to S$ 的等距嵌入，而 $S$ 的定义恰好保证了它是满射。

这个内核的"数学动作"：把"验证 Fisher 信息算子可逆"这一困难问题，转化为"验证线性化算子 $I_{\theta_0}$ 单射"这一相对容易的问题。单射性通常可以通过 PDE 的唯一性定理（如 backward uniqueness）来验证，而可逆性（特别是逆的范数估计）则需要更精细的椭圆估计。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在非线性回归模型（回归函数构成 $L^2_\lambda$ 的非线性子空间）中，Fisher 信息算子 $I^*_{\theta_0} I_\varepsilon I_{\theta_0}$ 的可逆性问题——具体而言，何时它能在"自然定义域" $H$ 与"对偶空间" $S$ 之间成为同胚。
核心工具 / 方法：将 score 算子分解为 $A_{\theta_0} = E_{\theta_0} \circ I_{\theta_0}$（其中 $E_{\theta_0}$ 是误差分布的 score 算子），利用 $I_\varepsilon$ 的正定性（Proposition 2.3）和 $I_{\theta_0}$ 的单射性（Condition 1.3），构造 $H$ 和 $S$ 两个 Hilbert 空间，并证明 Fisher 信息算子是它们之间的等距同胚（Theorem 3.9）。
主要结论：① Fisher 信息算子在 $H$ 与 $S$ 之间自动可逆，当且仅当 $I_{\theta_0}$ 单射；② 给出了 $H$ 和 $S$ 的操作性刻画（通过两范数估计）；③ 由此得到 minimax 下界（Theorem 5.2）：若 $\psi \notin S$，则估计 $\langle \psi, \theta_0 \rangle_V$ 的渐近 minimax 风险为无穷；④ 在反应-扩散和 Navier-Stokes 方程上验证了条件。

关键设定与假设¶

Condition 1.1（方向可微性）：$G$ 在 $\theta_0$ 处沿 $V_0$ 方向 Gâteaux 可微，且余项在 $L^2_\lambda$ 中为 $o(s)$。这比 Fréchet 可微弱，允许 $G$ 在 $\theta_0$ 处不光滑（如 PDE 解算子）。
Condition 1.3（单射性）：$I_{\theta_0}: V_0 \to L^2_\lambda$ 是单射。这是全文唯一的实质性假设。统计含义：不同的参数方向 $h$ 产生不同的回归函数方向 $I_{\theta_0}[h]$，即模型在 $\theta_0$ 处局部可识别。
误差分布假设：$\sqrt{q_\varepsilon} \in H^1(\mathbb{R}^p)$。这保证了 score 算子的良定义和 $I_\varepsilon$ 的正定性（Proposition 2.3）。相比已有工作（如 Nickl 2024 假设高斯误差），这里允许更一般的误差分布。
设计分布假设：$\lambda$ 有界密度且满足 $\lambda_{\min} \le \lambda \le \lambda_{\max}$（见 Proposition 6.1 的假设），这保证 $L^2_\lambda$ 与 $L^2$ 范数等价。

相比已有工作的放宽/强化： - 放宽：误差分布从高斯推广到一般 $H^1$ 密度；$G$ 的可微性从 Fréchet 弱化为 Gâteaux。 - 强化：要求 $I_{\theta_0}$ 在 $V_0$ 上单射（已有工作通常只要求 $I_{\theta_0}$ 在某个子空间上单射）。但作者指出，若单射性只在子空间 $V'_0 \subset V_0$ 上成立，则所有结果对 $V'_0$ 仍然成立（Remark 3.4 附近）。

主要结果¶

Theorem 3.9（核心定理）：在 Condition 1.1 和 1.3 下，Fisher 信息算子 $I^*_{\theta_0} I_\varepsilon I_{\theta_0}$ 是 $H \to S$ 的等距同胚。这里 $H$ 是 $V_0$ 关于 $\|\cdot\|_H$ 的完备化，$S$ 是 $V_0$ 中 $\|\cdot\|_S < \infty$ 的元素集合。
Proposition 3.6（值域刻画）：$R(I^*_{\theta_0}) = R(I^*_{\theta_0} I_\varepsilon I_{\theta_0}) = S$。这把 van der Vaart (1991) 的 range condition 转化为一个可操作的范数条件。
Proposition 3.11（级数刻画）：若 $(h_j)$ 是 $H$ 的标准正交基，则 $\psi \in S$ 当且仅当 $\sum_j |\langle \psi, h_j \rangle_V|^2 < \infty$。这给出了 $S$ 的显式刻画。
Theorem 5.2（minimax 下界）：对可微泛函 $F$，若 $\dot{F}^*[\ell] \notin S$ 对某个 $\ell \in B^*$ 成立，则 minimax 风险为无穷；否则下界由 $\mathbb{E}[\rho(Z)]$ 给出，其中 $Z$ 是协方差为 (39) 的高斯过程。这推广了 van der Vaart (1991) 和 van der Vaart & Wellner (2023) 的结果。
Proposition 6.2 / 6.5（应用）：对反应-扩散方程和 Navier-Stokes 方程验证了 Condition 1.1 和 1.3，并给出了 $H$ 和 $S$ 的具体刻画（$H = H^1(\Omega)^*$，$S = H^1(\Omega)$ 等）。

证明路线与技术技巧¶

整体路线（以 Theorem 3.9 为例）： 1. 分解 score 算子：$A_{\theta_0} = E_{\theta_0} \circ I_{\theta_0}$，其中 $E_{\theta_0}: L^2_\lambda \to L^2(\mathcal{X} \times \mathbb{R}^p, dP_{\theta_0})$ 是误差分布的 score 算子。这允许将 Fisher 信息算子写成 $I^*_{\theta_0} I_\varepsilon I_{\theta_0}$。 2. 构造 $H$ 和 $S$：定义 $\|h\|_H = \|I^{1/2}_\varepsilon I_{\theta_0}[h]\|_{L^2_\lambda}$，取完备化得 $H$；定义 $S$ 为 $V_0$ 中 $\|\cdot\|_S < \infty$ 的元素。 3. 证明等距性：对 $h \in V_0$，直接计算 $\|I^*_{\theta_0} I_\varepsilon I_{\theta_0}[h]\|_S = \|h\|_H$。这只需要 $I_\varepsilon$ 的正定性和 $I_{\theta_0}$ 的单射性。 4. 延拓：由于 $V_0$ 在 $H$ 中稠密，等距性延拓到整个 $H$。满射性由 $S$ 的定义保证。 5. 关键引理：Proposition 2.3（$I_\varepsilon$ 正定性）的证明依赖于 $\sqrt{q_\varepsilon} \in H^1(\mathbb{R}^p)$ 和卷积不等式；Lemma A.2（梯度消失版本）用于处理 $\sqrt{q_\varepsilon}$ 的支撑问题。

技术技巧点名： - Hilbert 空间延拓：通过稠密性将等距性从 $V_0$ 延拓到 $H$，避免了在 $H$ 上直接验证可逆性。 - Riesz 表示定理：用于将 $S$ 与 $H$ 的对偶等同起来（Proposition 3.10）。 - Lévy 极大不等式：用于证明随机级数 (28) 的几乎处处收敛（Proposition 4.2 附近）。 - Dudley 定理：用于估计 Gaussian 过程的 sup 范数期望（Theorem 5.2 的证明中）。 - PDE 估计：在应用部分，使用抛物型方程的 Carleman 估计（反应-扩散）和 Navier-Stokes 的适定性理论来验证 $I_{\theta_0}$ 的单射性和两范数估计。

真实例子与应用¶

反应-扩散方程（Section 6.1）：$G(\theta)$ 是方程 $\partial_t u - \Delta u = f(u)$ 的解，初值 $\theta$。验证了 $I_{\theta_0}: H^2(\Omega) \to L^2([0,T] \times \Omega)$ 满足两范数估计（Proposition 6.2），从而 $H = H^1(\Omega)^*$，$S = H^1(\Omega)$。这意味着：估计初值的光滑泛函（如 $\langle \psi, \theta_0 \rangle_{L^2}$，$\psi \in H^1$）的 minimax 风险以 $N^{-1}$ 速率衰减；而 $\psi \notin H^1$ 时风险为无穷。
Navier-Stokes 方程（Section 6.2）：类似地验证了 $I_{\theta_0}$ 的两范数估计（Proposition 6.5），$H = (\dot{H}^1_\diamond)^*$，$S = \dot{H}^1_\diamond$。特别地，对涡度场的泛函估计给出了具体的速率。
例子 3.1 / 3.3 / 4.1 / 4.2：分别展示了 $H$ 和 $S$ 在具体模型中的识别（如 $H = (H^\kappa_0)^*$，$S = H^\kappa_0$），以及 Gaussian 过程的级数表示。

这些例子想说明什么：① 理论框架的普适性——只需验证 $I_{\theta_0}$ 的单射性和两范数估计，即可自动得到 Fisher 信息算子的可逆性；② 具体模型中 $H$ 和 $S$ 的识别通常归结为 Sobolev 空间的配对，这为实际操作提供了明确路径；③ 对 Navier-Stokes 这类非线性 PDE，虽然 $I_{\theta_0}$ 的显式表达式复杂，但两范数估计仍可通过已有 PDE 理论建立。

🔎 结论是否比证明窄¶

是，存在明显差距。具体表现： 1. Theorem 5.2 的假设比证明更宽：定理陈述要求 $F$ 可微且 $\dot{F}$ 连续，但证明中实际需要的是 $\dot{F}$ 从 $H$ 到 $B$ 的连续性（见 (41) 附近的讨论）。作者在 Remark 5.6 中承认这一点，但未给出反例说明假设不可放宽。 2. Proposition 6.2 的验证依赖具体 PDE 估计：虽然定理 3.9 是通用的，但应用到具体模型时，验证 $I_{\theta_0}$ 的两范数估计仍需逐模型工作。作者在 Section 6 中只处理了反应-扩散和 Navier-Stokes 两个例子，且都假设了光滑初值；对粗糙初值或更一般的非线性项，验证是否成立未讨论。 3. "最优性"的表述：Theorem 5.2 给出的是下界，但未证明上界（即存在达到该下界的估计量）。作者在 Section 6 中提到 Bayesian 算法（如 Nickl 2024）"通常"达到该下界，但未给出一般性证明。因此，"minimax 最优"这一说法在本文中仅对下界成立。 4. $S$ 的刻画在无穷维中可能不完整：Proposition 3.11 的级数刻画依赖于 $H$ 的标准正交基 $(h_j)$，但 $H$ 的基可能无法显式构造（如 PDE 模型中的 $H = H^1(\Omega)^*$）。作者未讨论如何在实际中验证 $\psi \in S$。

四、开放问题¶

非单射情形的处理：Condition 1.3（$I_{\theta_0}$ 单射）是全文的核心假设。若 $I_{\theta_0}$ 有非平凡核（即模型在 $\theta_0$ 处不可识别），Fisher 信息算子不可逆，此时 minimax 风险是否一定为无穷？是否存在"部分可估"的泛函（即 $\psi$ 在 $R(I^*_{\theta_0})$ 的闭包中但不在 $S$ 中）？——扎根于 Theorem 5.2(ii) 的证明，该证明依赖于 $I_{\theta_0}$ 的单射性来构造扰动 $h$。
上界的构造：Theorem 5.2 只给出下界。是否存在一般性的估计量构造（如 sieve MLE 或 posterior mean）在 $S$ 中泛函上达到该下界？作者在 Section 6 中暗示 Bayesian 方法可行，但未给出一般性证明。——扎根于 Theorem 5.2 的陈述与 Section 6 的讨论之间的差距。
$S$ 的显式刻画：在具体 PDE 模型中，$S$ 通常是一个 Sobolev 空间（如 $H^1(\Omega)$），但 $S$ 的范数 $\|\cdot\|_S$ 与 $I_{\theta_0}$ 的具体形式有关。是否存在不依赖 $I_{\theta_0}$ 的 $S$ 的刻画？——扎根于 Proposition 3.11 的级数刻画，该刻画需要 $H$ 的标准正交基。
误差分布的推广：本文假设 $\sqrt{q_\varepsilon} \in H^1(\mathbb{R}^p)$，这排除了重尾误差（如 Cauchy）。对于重尾误差，score 算子可能无界，Fisher 信息算子可能不存在。此时是否有类似的可逆性理论？——扎根于 Proposition 2.3 的证明，该证明依赖于 $H^1$ 嵌入。
时间连续观测：本文考虑离散采样 $X_i \sim \lambda$。若观测是时间连续的（如连续监测 PDE 解），Fisher 信息算子的定义和可逆性条件是否会改变？——扎根于 Section 6 中 $X = [0,T] \times \Omega$ 的设定，但 $\lambda$ 是离散测度。

提示：要确认上述问题是否为真 gap，建议去读同一子领域近期约 5 篇论文的 introduction——若多篇都指向"非单射情形"或"上界构造"，则可能是共识性问题；若各篇各说各话，则可能是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub