Reference-based sensitivity analysis for repeated count outcomes using negative binomial margins and a Gaussian copula¶
作者: Divan Aristo Burger, Emmanuel Lesaffre, Reynaldo Martina
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2609.31914
一、领域脉络与小综述¶
这个方向是什么:在随机对照试验中,受试者常因不良事件、缺乏疗效或撤回知情同意而提前退出,导致治疗后访视数据缺失。若直接删除缺失数据或仅依赖随机缺失假设,可能产生偏倚。Reference-based multiple imputation(RBMI)是一类敏感性分析方法:它假设缺失结局的分布参照某个"参考臂"(通常是安慰剂组或标准治疗组)的分布,从而模拟"如果受试者继续留在研究中但不再接受试验治疗,结局会如何"的反事实情景。该方法由 Carpenter 等人在 2013 年系统提出,现已成为欧洲药品管理局(EMA)和美国 FDA 审评中处理缺失数据的标准敏感性分析工具之一。该子方向的核心统计问题是:如何在保留纵向相关结构的前提下,对非正态、离散、过离散的计数结局构造合理的插补分布,并保证插补后的推断(如治疗组间率比)对缺失机制假设的敏感性可以被透明地量化。
发展脉络:
- 奠基工作:Rubin (1987) 建立了多重插补的一般框架,为后续所有 RBMI 方法提供了推断基础。Carpenter, Roger & Kenward (2013) 首次系统提出 reference-based 插补的三种具体规则——"继续用药"(copy reference)、"跳转至参考"(jump to reference)和"最后观察结转"(last mean carried forward)——并指出这些规则可以通过多元正态模型实现。这是该领域的核心奠基文献,几乎所有后续工作都在此框架上扩展。
- 主要进展:Cro, Morris, Kenward & Carpenter (2020) 将 RBMI 方法整理为实用指南,明确区分了 δ-方法(在治疗臂均值上加减偏移量)和 reference-based 方法(直接替换均值轨迹),并讨论了 Rubin 方差合并公式在这些设定下的行为。White, Joseph & Best (2019) 从因果推断角度为 RBMI 提供了形式化辩护:他们用潜在结果框架证明,"跳转至参考"等规则对应着明确的因果假设(即停药后疗效完全消失),从而将 RBMI 从"临时修补缺失数据"提升为"对 estimand 的显式定义"。Tang (2018) 提出了单调数据增广(MDA)算法,将序列回归模型扩展到非正态纵向数据,支持泊松和负二项模型,但该方法依赖序贯条件设定,对访问顺序敏感。
- 计数结局的专门方法:Keene et al. (2014) 开发了 dejaVu 包,专门处理复发事件计数数据的 reference-based 插补,但其模型假设事件过程为齐次泊松过程,无法处理过离散和访问时间点特定的率。Diao, Liu, Zeng, Zhang & Ibrahim (2022) 提出了基于半参数比例强度脆弱模型的控制插补方法,允许基线风险函数完全未指定,但该方法针对的是连续时间复发事件过程,而非计划访问时间点的计数。gsDesignNB (2026) 的插补模块使用负二项混合模型,但依赖受试者特定随机效应来刻画纵向相关,与本文的边际方法在依赖结构上不同。
- copula 方法:Hollenbach et al. (2021) 和 Zhao & Udell (2020, 2022) 将高斯 copula 用于混合类型数据的多重插补,证明了 copula 在非正态数据插补中的灵活性。Masarotto & Varin (2017) 开发了高斯 copula 回归的 R 包 gcmr,支持负二项边际,但未涉及缺失数据或 reference-based 规则。本文首次将高斯 copula 与负二项边际结合,专门用于纵向计数结局的 RBMI。
子线索聚类:这些文献大致落在三条线索上。(1) RBMI 框架与理论:Carpenter et al. (2013)、Cro et al. (2020)、White et al. (2019)、Cro et al. (2025,二元结局的潜在正态模型) 构成主线,解决"插补规则如何定义、方差如何合并、因果假设如何表达"。(2) 计数/事件数据的插补方法:Keene et al. (2014)、Tang (2018)、Diao et al. (2022)、gsDesignNB (2026) 构成第二条线,解决"如何在非正态模型下实现受控插补"。(3) copula 插补与回归:Hollenbach et al. (2021)、Zhao & Udell (2020, 2022)、Masarotto & Varin (2017) 构成第三条线,提供依赖建模的工具箱。本文位于三条线的交汇处:用第三条线的工具解决第一条线的问题,并弥补第二条线对访问时间点特定计数的空白。
这个方向在追问的核心问题:(1) 如何将 RBMI 从连续结局推广到离散、过离散的计数结局,同时保留"边际均值可解释为率"的性质?(2) 在离散边际下,如何计算条件于已观测历史的插补分布?直接计算涉及无穷求和,需要近似或增广策略。(3) 插补规则改变边际均值后,方差合并和信息锚定性(information anchoring)如何保证?(4) 依赖结构(copula 相关矩阵)与边际模型(负二项)的识别是否相互影响?
⚠️ 作者的 framing(这是作者的说法):作者在引言中把缺口框定为——"现有 RBMI 方法主要针对连续结局(多元正态)或二元结局(潜在正态),而计数结局要么被当作连续数据近似处理(丢失整数性和过离散),要么被限制在复发事件框架(无法处理访问时间点特定的率)。"因此,本文的定位是"第一个将负二项边际与高斯 copula 结合、支持三种 reference-based 规则的通用插补框架"。作者淡化了 Tang (2018) 的 MDA 算法和 gsDesignNB 的混合模型方法,理由是它们"不提供边际率解释"或"依赖受试者随机效应而非边际均值"。值得研究者注意的竞争路线:gsDesignNB 的插补模块同样支持负二项模型和 copy-reference 规则,且已有 R 包实现;本文与它的本质区别在于依赖结构(copula vs. 随机效应)和推断框架(贝叶斯 vs. 频率学)。作者在讨论中承认了这一点,但未做模拟比较。
张力:最明显的张力是信息锚定。Cro et al. (2019) 和 Atkinson et al. (2021) 强调 RBMI 应保持信息锚定,即敏感性分析中缺失数据带来的信息损失应与主分析大致相同。本文作者在讨论中明确说"我们的方法不强制执行信息锚定",因为改变边际均值会改变负二项分布的方差(方差 = μ + αμ²),从而改变 Fisher 信息。这与 Cro 等人的理论主张存在直接冲突。另一个张力是贝叶斯 vs. 频率学:本文是贝叶斯方法(先验 + MCMC),而 Carpenter 等人的原始框架是频率学的(极大似然 + 参数自助)。作者没有讨论两种推断范式在监管审评中的可接受性差异。第三个张力是copula 的可识别性:离散边际下,高斯 copula 相关参数与边际参数在似然中耦合,作者用模拟验证了可恢复性,但没有理论证明。
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
设随机对照试验有 n 名受试者,计划访问时间点 j = 1, ..., J(本文中 J = 3,对应第 4、8、12 周)。对受试者 i:
- A_i ∈ {0,1}:随机化治疗分配。A_i = 0 为参考臂(安慰剂),A_i = 1 为试验臂(米拉贝隆 50 mg)。
- Y_ij ∈ ℕ₀:第 j 次访问的计数结局(24 小时内失禁发作次数)。这是可观测的,但部分受试者在触发事件后缺失。
- X_i ∈ ℝᵖ:基线协变量向量(本文中为基线 log 率,即 log((Y_i0 + 0.5)/e_i0) 的居中版本)。
- e_ij > 0:暴露时间(有效日记天数)。对已观测计数,e_ij 已知;对缺失计数,e_ij 按预设分析约定固定(本文设为 3 天)。
- O_ij ∈ {0,1}:Y_ij 是否被记录。O_ij = 1 表示已观测。
- D_i ∈ {1, ..., J, J+1}:触发事件时间(首次缺失的访问)。本文假设缺失为单调模式:若 D_i = d,则 j ≥ d 的所有访问均缺失。D_i = J+1 表示无缺失。
- θ:模型参数向量,包含边际回归系数 β = (η_j, τ_j, β_X, ζ) 和 copula 相关参数 ρ。
边际模型(每个访问 j 独立设定):
Y_ij | A_i, X_i, e_ij ~ NB(μ_ij^a, α_j),其中 a = A_i,
log(μ_ij^a) = log(e_ij) + η_j + τ_j a + β_X X_i + W_iᵀζ。
这里 NB(μ, α) 的参数化是 E[Y] = μ,Var(Y) = μ + αμ²。α_j > 0 是访问 j 的过离散参数。η_j 是参考臂在访问 j 的 log 率,τ_j 是试验臂相对参考臂的 log 率比,β_X 和 ζ 是协变量效应(跨访问共同)。
依赖结构(copula):
令 F_ij^a(y) = Pr(Y_ij ≤ y | A_i = a, X_i, e_ij) 为边际 CDF。定义潜在变量 Z_ij = Φ⁻¹(F_ij^{A_i}(Y_ij)),其中 Φ 是标准正态 CDF。假设 Z_i = (Z_i1, ..., Z_iJ)ᵀ ~ N(0, R(ρ)),其中 R(ρ) 是 J×J 相关矩阵,本文采用 AR(1) 结构:R_jk(ρ) = ρ^{|pos(j) - pos(k)|},pos(j) 是访问 j 的顺序位置。ρ 是相邻访问的潜在相关。
可观测数据:{(A_i, X_i, e_i, Y_i,O_i, O_i) : i = 1, ..., n},其中 Y_i,O_i 是已观测计数向量,O_i 是指示缺失模式的向量。不可观测:缺失计数 Y_i,M_i(M_i 为缺失访问集合)以及潜在变量 Z_i。
目标 estimand:在治疗策略(treatment policy)策略下,试验臂与参考臂在各访问的率比 exp(τ_j)。RBMI 的敏感性分析通过改变缺失数据的插补分布来评估 τ_j 的估计对缺失假设的依赖程度。
第二步:最小内核——两访问、无协变量、单参数
剥去所有一般性设定,考虑最简单的例子:J = 2 个访问(第 1 次和第 2 次),无协变量 X_i,无暴露时间变化(e_ij = 1),过离散参数 α 已知且相同。边际模型退化为:
log(μ_ij^a) = η_j + τ_j a。
假设所有受试者第 1 次访问均被观测,部分试验臂受试者在第 2 次访问前退出(触发事件发生在第 2 次访问前)。参考臂无缺失。我们要插补试验臂缺失的第 2 次访问计数。
核心思想:将"边际均值"和"纵向依赖"分开处理。copula 提供给定第 1 次访问计数时第 2 次访问的条件分布结构,而 reference-based 规则决定该条件分布的边际均值。
插补步骤(对试验臂受试者 i,第 2 次访问缺失):
-
拟合模型:用所有已观测数据(参考臂全部数据 + 试验臂第 1 次访问数据)估计参数 θ = (η_1, η_2, τ_1, τ_2, ρ)。在贝叶斯框架下,得到后验样本 θ^(s), s = 1, ..., S。
-
计算第 1 次访问的潜在区间:给定 θ^(s),第 1 次访问计数 y_i1 对应潜在变量区间: Z_i1 ∈ (Φ⁻¹(F_i1^{A_i}(y_i1 - 1)), Φ⁻¹(F_i1^{A_i}(y_i1))]。 通过随机化 PIT 增广,从该区间内采样一个具体值 Z_i1: Z_i1 = Φ⁻¹(F_i1^{A_i}(y_i1 - 1) + V_i1 · π_i1^{A_i}(y_i1)), 其中 V_i1 ~ Uniform(0,1) 是辅助变量,π_i1^{A_i}(y_i1) 是第 1 次访问的 NB 概率质量。
-
采样第 2 次访问的潜在变量:利用 AR(1) 结构,给定 Z_i1,第 2 次访问的潜在变量条件分布为: Z_i2 | Z_i1 ~ N(ρ Z_i1*, 1 - ρ²)。 采样 Z_i2^(s)。
-
应用 reference-based 规则:将 Z_i2^(s) 转换为均匀变量 U_i2^(s) = Φ(Z_i2^(s)),然后通过规则指定的 NB 分位数函数映射为计数: Y_i2^(s) = F_{i2}^{r,-1}(U_i2^(s)), 其中 F_{i2}^r 是规则 r 指定的 NB CDF。三种规则:
- 继续用药(ω = 0):F_{i2}^r = F_{i2}^{A_i},即使用试验臂边际均值 μ_i2^{A_i}。
- 跳转至参考(ω = 1):F_{i2}^r = F_{i2}^{0},即使用参考臂边际均值 μ_i2^0。
- 中间规则(ω = 0.5):log(μ_i2^r) = 0.5 log(μ_i2^{A_i}) + 0.5 log(μ_i2^0),即 log 率尺度上的线性插值。
为什么这个例子抓住了全文的核心:第 4 步是全文的关键——规则只改变插补分布的边际均值,而不改变 copula 依赖结构(ρ 不变)和过离散参数(α 不变)。这意味着"假设缺失数据服从参考臂的均值轨迹"和"假设缺失数据与已观测数据保持相同的纵向相关"是两个正交的假设,可以独立设定。这正是本文与 dejaVu(依赖随机效应)和 gsDesignNB(依赖混合模型)的本质区别:本文的规则作用在边际上,而非作用在潜在变量或随机效应上。
这个最小内核的数学本质:给定已观测计数 y_i1,插补分布是 Pr(Y_i2 = y | Y_i1 = y_i1, A_i = 1, θ) = ∫{区间} φ(z_i2; ρ z_i1*, 1-ρ²) · π{i2}^r(y) dz_i1*, 其中 π_{i2}^r(y) 是规则 r 的 NB 概率质量。这个积分没有闭式解,但通过随机化 PIT 增广,可以分解为两步采样,避免了直接计算无穷求和。这就是全文方法论的"最小内核"。
三、这篇论文做了什么¶
三句话:① 针对纵向临床试验中重复计数结局(如失禁发作次数)的缺失数据问题,提出了一种基于负二项边际和高斯 copula 的 reference-based 多重插补方法,支持继续用药、跳转至参考和中间规则三种敏感性假设。② 核心方法是用随机化 PIT 增广处理离散边际下的条件插补分布,将插补分解为"从条件正态分布采样潜在变量"和"通过规则指定的 NB 分位数函数映射为计数"两步,并用 Metropolis-within-Gibbs 采样器进行贝叶斯推断。③ 模拟研究表明模型能恢复生成参数,插补规则与真实机制匹配时处理效应估计最接近完整数据;在膀胱过度活动症试验中,所有规则下米拉贝隆相对安慰剂的率比均低于 1,但第 12 周各规则差异最大。
关键设定与假设:
-
边际设定:每个访问的计数服从负二项分布,均值由 log 率模型定义,含访问特定的截距 η_j、访问特定的处理效应 τ_j、共同的协变量效应 β_X 和 ζ。过离散参数 α_j 是访问特定的。相比 dejaVu 的齐次泊松假设,负二项允许过离散;相比 gsDesignNB 的随机效应模型,本文的边际模型不假设受试者特定潜变量,因此边际均值有直接的率解释。
-
依赖设定:高斯 copula 的 AR(1) 相关结构。这里有一个关键假设:潜在变量 Z_ij 的联合分布是多元正态,相关矩阵只依赖访问顺序的间隔。这意味着"相邻访问的相关性最高,间隔越远相关性越低",且相关结构在治疗臂之间是共同的。作者在模拟中只考虑了 AR(1),但方法框架允许任意有效相关矩阵。
-
缺失机制假设:本文假设缺失为单调模式,且触发时间 D_i 被当作固定条件。作者明确说"我们不建模触发事件本身",这意味着方法适用于"给定触发时间,插补触发后的结局"这一条件推断。如果触发事件与潜在结局相关(即信息性缺失),本文的方法不直接处理,但可以通过将触发事件纳入协变量来部分缓解。
-
先验设定:回归系数用扩散正态先验(方差 1000),过分散参数用 log 正态先验(log α_j ~ N(0, 4)),ρ 通过 Fisher z 变换用 N(0, 1) 先验。这些先验在模拟中表现良好,但作者没有做敏感性分析来检验先验选择的影响。
-
识别性假设:copula 参数 ρ 和边际参数 (η, τ, β, α) 通过联合似然识别。在离散边际下,copula 相关参数与边际参数在似然中耦合,作者用模拟验证了可恢复性,但没有理论证明。这是本文的一个薄弱环节——离散 copula 的识别性在文献中已知是微妙的(Genest & Nešlehová, 2007),本文的模拟只覆盖了特定参数组合。
主要结果:
-
模型恢复(模拟 1):n = 150,完全观测数据,300 个模拟数据集。所有参数的偏差绝对值 ≤ 0.027(最大偏差在 τ_4,-0.022),RMSE 范围 0.069–0.204,95% 后验区间覆盖率 0.92–0.96。唯一低于 0.95 的是 τ_4(0.92),作者归因于该参数的强先验信息较少。这个结果验证了采样器和模型实现是正确的,但没有涉及缺失数据或 reference-based 规则。
-
插补规则比较(模拟 2):三种生成机制(ω_true = 0, 0.5, 1)× 三种插补规则(ω = 0, 0.5, 1),n = 150,150 个模拟数据集。关键发现是:当插补规则与生成机制匹配时,率比估计的偏差最小(例如 ω_true = 0 时用 ω = 0 插补,偏差 -0.012;用 ω = 1 插补,偏差 0.212)。这个结果验证了方法的行为符合预期——规则是敏感性参数,不匹配时估计向规则指定的方向偏移。作者还报告了 Rubin 方差合并后的覆盖率:匹配时接近 0.95,不匹配时覆盖率下降(例如 ω_true = 0 用 ω = 1 插补,覆盖率 0.87)。注意:这个模拟设计有一个局限——它只评估了"插补规则与生成机制匹配"时的恢复,没有评估"规则不匹配但研究者事先不知道真实机制"时的推断行为,而后者才是敏感性分析的实际使用场景。
-
应用(膀胱过度活动症试验):584 名患者,安慰剂 vs 米拉贝隆 50 mg。第 12 周时,观测数据(完整病例)的率比为 0.782(95% CI 0.616–0.994);继续用药规则下为 0.810(0.630–1.041);中间规则下为 0.838(0.659–1.064);跳转至参考下为 0.867(0.681–1.103)。所有规则下率比均低于 1,但第 12 周的置信区间在插补后均包含 1。第 4 周和第 8 周各规则间差异较小。这个应用展示了方法的使用方式——通过比较不同规则下的估计来评估结论对缺失假设的稳健性。
证明路线与技术技巧:
-
随机化 PIT 增广(附录 A):这是全文最核心的技术贡献。对于离散计数 Y_ij = y,其潜在均匀变量 U_ij 不是唯一定义的,而是落在区间 (F(y-1), F(y)] 内。作者引入辅助变量 V_ij ~ Uniform(0,1),定义 U_ij = F(y-1) + V_ij · π(y),从而将离散观测"增广"为连续潜在变量。这个技巧来自 Smith & Khaled (2012) 的贝叶斯 copula 估计方法,本文将其推广到缺失数据插补场景。关键性质:给定 θ 和 V_ij,Z_ij = Φ⁻¹(U_ij) 是确定性的,因此条件正态分布的计算可以直接进行。
-
Metropolis-within-Gibbs 采样器(第 3.7 节):采样器交替更新三类参数:(a) 边际回归参数(含 log 过分散参数),用随机游走 Metropolis-Hastings;(b) copula 相关参数 ρ,用随机游走 MH;(c) 每个受试者的 PIT 变量 V_i,O_i,用独立的均匀分布提议。关键设计:PIT 变量的更新是逐受试者进行的,其条件后验只依赖于该受试者的 copula 密度贡献,因此可以并行化。作者没有报告计算时间,但从算法结构看,PIT 变量的维度是 Σ|O_i|,与观测总数相同,这是计算的主要瓶颈。
-
插补算法(第 3.5 节):给定后验样本 θ^(s),插补缺失值的步骤是:(i) 从条件正态分布采样缺失潜在变量 Z_i,M_i | Z*_i,O_i;(ii) 转换为均匀变量 U_i,M_i = Φ(Z_i,M_i);(iii) 通过规则指定的 NB 分位数函数映射为计数。关键技巧:步骤 (iii) 中,规则只改变 NB 分布的均值参数 μ^r_ij,而 U_i,M_i 保持不变。这意味着三种规则共享同一个潜在变量采样过程,只有最后的映射不同。这大大减少了计算量,也使得规则之间的比较更加透明。
-
方差合并(附录 C):作者使用 Rubin 的合并公式,但明确指出"我们使用后验均值作为点估计,后验方差作为方差估计,然后应用 Rubin 合并"。一个值得注意的细节:作者没有使用小样本修正(Barnard-Rubin 自由度),而是直接使用正态近似。在模拟中覆盖率接近 0.95,说明在 n = 150 时这个近似是可接受的,但作者没有报告 n 更小时的性能。
🔎 结论是否比证明窄:
- 模拟 1 的覆盖率:τ_4 的覆盖率 0.92 低于名义水平,作者说"可能是由于该参数的先验信息较少",但没有进一步调查。这暗示后验区间可能系统性偏窄,而作者没有报告所有参数的覆盖率分布,只报告了范围。
- 模拟 2 的局限:作者只评估了"规则匹配"时的恢复,没有评估"规则不匹配但研究者使用敏感性分析"时的行为。在实际应用中,研究者不知道真实机制,敏感性分析的价值在于展示结论对假设的依赖程度,而不是恢复某个"真实"参数。作者没有讨论如何从敏感性分析结果中做出决策(如"什么范围内的 ω 是可接受的")。
- 应用中的因果解释:作者说"所有规则下率比均低于 1",但第 12 周的置信区间均包含 1。作者没有讨论这是否意味着"结论稳健"或"结论不稳健"——这是一个判断问题,作者留给读者。
- 信息锚定:作者在讨论中承认方法不强制信息锚定,但没有量化信息损失的程度。Cro et al. (2019) 的理论表明,非锚定方法可能导致敏感性分析的置信区间比主分析更宽或更窄,本文没有评估这一点。
- 理论性质:论文没有证明后验一致性或 Bernstein-von Mises 定理。对于贝叶斯方法,这是一个常见的缺失,但考虑到论文的定位是"实用工具",这一点可以接受。
四、开放问题¶
-
信息锚定的形式化评估:本文明确不强制信息锚定(第 6 节),但没有量化不同 ω 值下信息损失的程度。一个具体的研究问题是:在负二项边际下,改变 ω 如何影响 Rubin 合并后的总方差?是否可以推导出类似 Cro et al. (2019) 的锚定性条件?这需要计算插补分布相对于观测数据的 Fisher 信息。
-
非单调缺失模式的扩展:本文假设缺失为单调模式(第 3.1 节)。实际试验中常出现间歇性缺失(如第 8 周缺失但第 12 周恢复)。将本文的 copula 框架扩展到非单调缺失需要处理更复杂的条件分布,可能涉及马尔可夫链蒙特卡洛中的数据增广步骤。这是一个直接的技术扩展。
-
copula 选择的敏感性:本文使用高斯 copula 和 AR(1) 结构。对于计数数据,Clayton copula 或 t-copula 可能更好地刻画尾部依赖。一个具体问题是:当真实依赖结构是 Clayton 时,高斯 copula 假设对插补后的率比估计有多大影响?这需要模拟研究。
-
与 dejaVu 和 gsNDesignNB 的系统比较:作者在讨论中比较了方法差异,但没有做数值比较。一个值得做的研究是:在相同的模拟数据下,比较本文方法与 dejaVu(泊松过程)、gsDesignNB(负二项混合模型)和 Tang (2018) 的 MDA 算法在偏差、方差、覆盖率方面的表现。这能帮助实践者选择工具。
-
触发事件建模:本文把触发时间 D_i 当作固定条件。如果触发事件本身受治疗影响(如因不良事件退出),则"给定触发时间"的插补可能低估治疗效应。将触发事件作为潜在结局的一部分进行联合建模(如共享随机效应模型)是一个自然的扩展。
-
频率学性质的推导:本文是贝叶斯方法,但没有推导估计量的渐近分布。一个理论问题是:当 n → ∞ 且 J 固定时,后验均值是否渐近正态?渐近方差是否等于半参数效率界?这需要利用 copula 模型的似然理论。
-
零膨胀的扩展:膀胱过度活动症数据中失禁次数可能包含大量零值。作者用 NB 边际处理过分散,但没有考虑零膨胀。将零膨胀 NB 边际与高斯 copula 结合需要修改 PIT 增广步骤,因为零膨胀分布在零处的点质量会导致潜在变量的区间退化。这是一个有实际需求的技术问题。
提醒:要确认上述问题是否是真 gap,建议去读近 5 年 reference-based imputation 方向的文献(如 Pharmaceutical Statistics 和 Statistics in Medicine 上的相关论文)的引言和讨论部分。如果多个独立团队都在引言中提到同一个问题,那通常是共识性的 gap;如果不同论文对同一问题的可行性有相反判断,那可能是机会也可能是陷阱。
Maintained by 陈星宇 · Homepage · Source on GitHub