跳转至

Efficient estimation for deep generalized accelerated hazards models with interval-censored data

作者: Qiang Wu, Mingyue Du, Shuangge Ma, Xingqiu Zhao
来源: Biometrics
主题: 非参数 / 半参数
相关性: 7/10
机构绿灯: Yale University(US News 前 50,免分进入精读)
链接: https://doi.org/10.1093/biomtc/ujag140


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是区间删失数据(interval-censored data)下的半参数回归模型与效率估计。其根本统计问题是:当失效时间 \(T\) 无法被精确观测、只能知道其落入某个区间 \((L, R]\) 时,如何对风险因素 \(X\) 与 \(T\) 的关系进行建模、估计与推断。与右删失(right-censoring)相比,区间删失的似然函数涉及区间积分,结构更复杂,非参数分量的估计收敛速度更慢,半参数效率理论也更难建立。该方向当前已相当成熟:从 Cox 模型、加速失效时间(AFT)模型到加性风险模型,均有系统的半参数效率理论;但将深度神经网络(DNN)作为非参数分量的估计器并建立其半参数效率性质,是近年才兴起的交叉前沿。

发展脉络(history)

作者在引言中梳理的脉络大致如下(以下定位均依据论文引言中的引用句):

  • 奠基工作:Cox(1972)的比例风险模型是生存分析半参数建模的起点;Finkelstein(1986)首次系统处理区间删失数据的回归分析,提出基于 score 函数的估计方法;Turnbull(1976)给出非参数最大似然估计(NPMLE)的迭代算法。这些工作奠定了区间删失数据下"部分参数、部分非参数"的建模框架。
  • 主要进展:Huang(1996)建立了区间删失数据下 Cox 模型的渐近理论,证明有限维参数估计量达到半参数效率界,并给出非参数分量的收敛速度;Zeng 等(2016)将 sieve 极大似然方法推广到更一般的变换模型,统一处理多种生存模型;Sun(2006)的专著系统总结了区间删失数据的统计方法。这些工作确立了"筛极大似然 + 半参数效率"这一标准分析范式。
  • 当前 frontier:近年来,深度学习方法被引入生存分析。Farrell 等(2021)和 Chen 等(2022)的工作表明,DNN 作为非参数分量的估计器,在适当正则化下可以达到 minimax 最优收敛速度,且不影响有限维参数的半参数效率。本文正是在这一脉络上的延伸——将 DNN 引入广义加速风险(generalized accelerated hazards, GAH)模型,并针对区间删失数据建立完整的效率理论。
  • 本文的位置:作者明确指出,已有工作(如 Zhang 等,2022)将 DNN 用于右删失数据下的 GAH 模型,但区间删失情形下的 DNN 估计与效率理论尚未被建立。本文填补的正是这一缺口。

子线索聚类

被引文献大致落在三条子线索上:

  1. 区间删失数据的半参数效率理论(Huang 1996; Zeng 等 2016; Sun 2006):核心问题是建立 sieve MLE 的渐近正态性与效率界,技术难点在于处理非参数分量的收敛速度与参数分量的 \(\sqrt{n}\)-收敛速度之间的"速度差"。
  2. 深度神经网络在非参数回归中的理论保证(Farrell 等 2021; Chen 等 2022; Schmidt-Hieber 2020):核心结果是 DNN 估计器的非渐近误差界与 minimax 最优性,技术工具包括神经网络的逼近理论、经验过程理论与局部 Rademacher 复杂度。
  3. 广义加速风险模型及其推广(Chen 等 2014; Zhang 等 2022):GAH 模型是 Cox 模型与 AFT 模型的推广,通过引入一个加速参数 \(\alpha\) 统一了乘法风险与加法风险两种设定。已有工作处理右删失或精确观测,区间删失情形尚属空白。

这个方向在追问的核心问题

  1. 如何刻画区间删失数据下非参数分量的最优收敛速度? 已知右删失下 NPMLE 的收敛速度为 \(n^{-1/3}\)(非参数分量),区间删失下通常更慢(取决于区间长度的分布),但 DNN 估计器能否达到 minimax 最优?
  2. 有限维参数能否在非参数分量估计不精确的情况下仍达到 \(\sqrt{n}\)-收敛与半参数效率? 这是 sieve MLE 理论的核心问题,需要验证" nuisance 估计误差的一阶项消失"这一关键条件。
  3. DNN 的架构选择(层数、宽度、激活函数)如何影响估计量的收敛速度与效率性质? 这涉及逼近误差与估计误差的权衡,是 DNN 统计理论的核心议题。

⚠️ 作者的 framing(必须明确标注为"这是作者的说法")

作者将缺口 frame 为:"区间删失数据下的 GAH 模型尚无 DNN 估计方法,更无效率理论"。这一 framing 使得本文成为"显然的下一步"——因为 GAH 模型在右删失下已被充分研究,DNN 在右删失下也已被证明有效,两者的结合在区间删失下似乎是顺理成章的延伸。

被淡化或回避的竞争路线:作者未讨论贝叶斯方法(如 BART、Gaussian process 先验)在区间删失生存模型中的应用,也未讨论基于 boosting 或随机森林的集成方法。这些方法在实际应用中可能更易实现,但缺乏效率理论保证。作者也未提及半参数效率下界是否在区间删失下与右删失不同——这是一个值得研究者去查的问题。

明显该被引 / 该存在、却没出现在 intro 里:作者未引用 Huang & Wellner(1997) 关于区间删失数据下 NPMLE 的渐近理论(这是该领域的经典文献),也未引用 Bickel 等(1993) 的半参数效率理论专著。此外,DNN 在生存分析中的其他应用(如 DeepSurv、DeepHit)未被提及,尽管这些工作在实际应用层面更广为人知。这些缺失可能意味着作者有意将本文定位在"理论效率"而非"应用广度"上。

张力

未见明显对立引用。但值得注意的是:DNN 的逼近理论(Schmidt-Hieber 2020)通常假设协变量维数固定且函数光滑性已知,而区间删失数据的似然结构引入了额外的积分算子,这两者的结合是否会产生新的技术困难(如 DNN 逼近与积分算子的交换性),作者在引言中未作讨论。这是一个潜在的理论张力点。


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(逐个点名):

  • \(T\):失效时间(failure time),随机变量,取值于 \(\mathbb{R}^+\)。不可精确观测。
  • \(X\):\(d\) 维协变量向量(风险因素),随机变量,可观测。
  • \((L, R]\):观测到的区间,满足 \(L < T \le R\)。这是实际可观测的数据形态。若 \(L = 0\) 则为左删失,若 \(R = \infty\) 则为右删失,若 \(L = R\) 则为精确观测。
  • \(\alpha\):加速参数(scalar),GAH 模型的核心参数,控制风险函数的加速/减速。
  • \(\beta\):\(d\) 维回归系数向量,有限维参数,是估计与推断的主要目标。
  • \(h_0(\cdot)\):基线风险函数(baseline hazard function),非参数分量,是 nuisance 参数。
  • \(H_0(t) = \int_0^t h_0(s) ds\):累积基线风险函数。
  • \(\theta = (\alpha, \beta, h_0)\):完整参数,其中 \((\alpha, \beta)\) 是有限维参数,\(h_0\) 是无穷维 nuisance 参数。
  • \(\theta_0 = (\alpha_0, \beta_0, h_{0,0})\):真参数值。
  • \(n\):样本量。
  • \(\{(L_i, R_i, X_i)\}_{i=1}^n\):\(n\) 个独立同分布样本。

模型(GAH 模型的条件风险函数):

\[\lambda(t \mid X) = h_0(t e^{-\alpha^\top X}) e^{-\alpha^\top X} e^{\beta^\top X}\]

其中 \(\lambda(t \mid X)\) 是给定 \(X\) 时 \(T\) 的条件风险函数。直观理解:\(e^{-\alpha^\top X}\) 对时间轴进行缩放(加速或减速),\(e^{\beta^\top X}\) 对风险水平进行乘法调整。当 \(\alpha = 0\) 时退化为 Cox 比例风险模型;当 \(\beta = \alpha\) 时退化为 AFT 模型。

可观测数据与似然:观测到的是 \((L_i, R_i, X_i)\),而非 \(T_i\)。在独立删失假设下,观测似然为:

\[L_n(\theta) = \prod_{i=1}^n \left[ S(L_i \mid X_i) - S(R_i \mid X_i) \right]\]

其中 \(S(t \mid X) = \exp\left(-\int_0^t \lambda(s \mid X) ds\right)\) 是条件生存函数。关键点:似然中涉及对风险函数的积分,这使得非参数分量的估计比右删失情形更复杂——右删失的似然只涉及 \(h_0\) 在观测时间点上的值,而区间删失涉及 \(h_0\) 在一个区间上的积分。

可观测 vs 不可观测:

  • 可观测:\(X_i\)、\((L_i, R_i)\)、删失指示(由区间端点隐含)。
  • 不可观测:\(T_i\) 本身、基线风险函数 \(h_0(\cdot)\)(需估计)、潜在失效时间(counterfactual)。

第二步:讲最小内核

最简特例:考虑 \(d = 1\)(单一协变量 \(X\))、\(\alpha = \beta\)(即 AFT 模型的特例)、且 \(X\) 为二值变量(\(X \in \{0, 1\}\))。此时模型简化为:

\[\lambda(t \mid X) = h_0(t e^{-\alpha X}) e^{-\alpha X} e^{\alpha X} = h_0(t e^{-\alpha X})\]

即风险函数只是基线风险在时间轴上的缩放。进一步假设 \(h_0\) 为常数(指数分布基线),则 \(h_0(t) \equiv \lambda_0\),模型退化为:

\[\lambda(t \mid X) = \lambda_0\]

此时 \(\alpha\) 不可识别——因为基线风险为常数时,时间缩放不改变风险形状。这说明GAH 模型的识别依赖于基线风险的非平凡结构。

更实质的最小内核:假设 \(h_0\) 为 Weibull 基线,即 \(h_0(t) = \kappa \rho t^{\rho - 1}\)。则:

\[\lambda(t \mid X) = \kappa \rho \left(t e^{-\alpha X}\right)^{\rho - 1} e^{-\alpha X} e^{\beta X} = \kappa \rho t^{\rho - 1} e^{-(\rho - 1)\alpha X} e^{-\alpha X} e^{\beta X} = \kappa \rho t^{\rho - 1} e^{-\rho \alpha X + \beta X}\]

此时模型退化为 Cox 模型(因为 Weibull 基线同时属于比例风险和 AFT 族),\(\alpha\) 与 \(\beta\) 只能通过组合 \(\beta - \rho\alpha\) 被识别。这说明GAH 模型的灵活性(同时包含 \(\alpha\) 和 \(\beta\))需要非 Weibull 基线才能体现。

真正的最小内核:考虑 \(h_0\) 为分段常数(piecewise constant),例如 \(h_0(t) = \lambda_1\) 当 \(t \le \tau\),\(h_0(t) = \lambda_2\) 当 \(t > \tau\)。此时模型的风险函数为:

\[\lambda(t \mid X) = \begin{cases} \lambda_1 e^{\beta X} & \text{if } t e^{-\alpha X} \le \tau \\ \lambda_2 e^{\beta X} & \text{if } t e^{-\alpha X} > \tau \end{cases}\]

即风险在 \(t = \tau e^{\alpha X}\) 处发生跳跃。\(\alpha\) 控制跳跃点的位置(随 \(X\) 变化),\(\beta\) 控制跳跃的高度(随 \(X\) 变化)。这个例子清楚地展示了 GAH 模型的核心机制:\(\alpha\) 和 \(\beta\) 分别刻画协变量对时间尺度和风险水平的效应。

这个最小内核要说明的数学命题:在区间删失数据下,sieve MLE 估计量 \(\hat{\theta}_n = (\hat{\alpha}_n, \hat{\beta}_n, \hat{h}_{0,n})\) 满足:

\[\sqrt{n}(\hat{\alpha}_n - \alpha_0, \hat{\beta}_n - \beta_0) \xrightarrow{d} N(0, I^{-1}(\theta_0))\]

其中 \(I(\theta_0)\) 是半参数效率信息矩阵。证明的核心困难在于:\(h_0\) 的估计误差(以 \(n^{-r}\) 速度收敛,\(r < 1/2\))不能污染 \(\alpha, \beta\) 的 \(\sqrt{n}\)-收敛。这需要证明" nuisance 参数估计的一阶影响为零"——即得分函数在 nuisance 方向上的投影为零。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:区间删失数据下,如何用深度神经网络估计广义加速风险模型(GAH)中的有限维参数 \((\alpha, \beta)\) 与非参数基线风险函数 \(h_0\),并建立估计量的理论性质。
  2. 核心工具 / 方法:筛极大似然估计(sieve MLE),其中非参数分量用"单调样条 + 深度神经网络"的组合来逼近;推导了估计量的非渐近误差界,并证明了有限维参数的渐近正态性与半参数效率。
  3. 主要结论:在正则条件下,\((\hat{\alpha}_n, \hat{\beta}_n)\) 是 \(\sqrt{n}\)-相合的、渐近正态的,且渐近方差达到半参数效率下界;非参数分量 \(h_0\) 的估计达到 \(n^{-r}\) 速度(\(r\) 取决于函数光滑度与协变量维数);模拟与真实数据(ARIC 研究)验证了方法的有限样本表现。

关键设定与假设

在第二节最小记号的基础上,本文的完整设定如下:

  • 数据:\(\{(L_i, R_i, X_i)\}_{i=1}^n\) 独立同分布,\(L_i < T_i \le R_i\)。允许左删失(\(L_i = 0\))与右删失(\(R_i = \infty\))。
  • 模型:条件风险函数 \(\lambda(t \mid X) = h_0(t e^{-\alpha^\top X}) e^{-\alpha^\top X} e^{\beta^\top X}\)。
  • 假设(作者在文中列出的正则条件,以下为关键几条):
  • 独立删失:给定 \(X\),删失机制与 \(T\) 独立(协变量独立删失)。
  • 参数空间紧致:\((\alpha, \beta)\) 属于有界集。
  • 基线风险的光滑性:\(\log h_0\) 属于 Hölder 光滑类,光滑度参数 \(\gamma > d/2\)(\(d\) 为协变量维数)。
  • 可识别性条件:设计矩阵满秩,且基线风险非退化(避免第二节提到的 Weibull 退化情形)。
  • DNN 架构条件:网络层数 \(K_n \asymp \log n\),宽度 \(W_n \asymp n^{d/(2\gamma + d)}\),激活函数为 ReLU 或类似的 Lipschitz 函数。
  • 相比已有文献的差异:相比 Zhang 等(2022)的右删失 GAH-DNN 工作,本文需要处理区间删失似然中的积分算子;相比 Huang(1996)的 sieve MLE 框架,本文的非参数分量是 DNN 而非样条或核函数,因此需要引入 DNN 的逼近理论(Schmidt-Hieber 2020)来刻画 sieve 空间的逼近误差。

主要结果

定理 1(非渐近误差界):设 \(\hat{\theta}_n\) 为 sieve MLE,则在上述假设下,存在常数 \(C\) 使得:

\[\|\hat{h}_{0,n} - h_{0,0}\|_{L^2}^2 + \|\hat{\alpha}_n - \alpha_0\|^2 + \|\hat{\beta}_n - \beta_0\|^2 \leq C \left( n^{-\frac{2\gamma}{2\gamma + d}} \log^3 n \right)\]

其中 \(\gamma\) 是 \(\log h_0\) 的光滑度。直觉:非参数分量的收敛速度为 \(n^{-\gamma/(2\gamma + d)}\)(这是非参数回归的 minimax 速度),而参数分量的收敛速度被非参数分量的速度所"拖累"——但这只是非渐近上界,不反映参数分量的真实收敛速度。

定理 2(参数分量的 \(\sqrt{n}\)-收敛与渐近正态性):在更强的条件下(包括 nuisance 参数的收敛速度足够快,即 \(\gamma > d/2\)),有:

\[\sqrt{n}\left( \begin{pmatrix} \hat{\alpha}_n \\ \hat{\beta}_n \end{pmatrix} - \begin{pmatrix} \alpha_0 \\ \beta_0 \end{pmatrix} \right) \xrightarrow{d} N\left( 0, I^{-1}(\alpha_0, \beta_0) \right)\]

其中 \(I(\alpha_0, \beta_0)\) 是半参数效率信息矩阵。关键点:尽管 \(h_0\) 的估计速度慢于 \(\sqrt{n}\),但参数分量的估计不受影响——这正是半参数效率理论的核心结论。

定理 3(效率性):\(I^{-1}(\alpha_0, \beta_0)\) 是 \((\hat{\alpha}_n, \hat{\beta}_n)\) 的渐近方差下界,即该估计量是半参数有效的。

证明路线与技术技巧

整体路线(3-5 步逻辑主干):

  1. Sieve 空间构造:将 \(h_0\) 用"单调样条 + DNN"的组合逼近。具体地,令 \(\mathcal{F}_n\) 为 DNN 函数类(固定深度、宽度随 \(n\) 增长),\(\mathcal{G}_n\) 为单调样条类,则 sieve 空间为 \(\mathcal{F}_n \times \mathcal{G}_n\)。关键要求:\(\mathcal{F}_n\) 对 \(\log h_0\) 的逼近误差为 \(O(n^{-\gamma/(2\gamma + d)})\)(由 DNN 逼近理论保证),且 \(\mathcal{G}_n\) 保证单调性。
  2. 似然函数的局部二次展开:将 log-likelihood 在真值 \(\theta_0\) 处做二阶 Taylor 展开,得到:
\[\ell_n(\hat{\theta}_n) - \ell_n(\theta_0) = \frac{1}{\sqrt{n}} \sum_{i=1}^n \ell_{\theta_0}(O_i) \cdot \sqrt{n}(\hat{\theta}_n - \theta_0) - \frac{1}{2} \sqrt{n}(\hat{\theta}_n - \theta_0)^\top \tilde{I}(\theta_0) \sqrt{n}(\hat{\theta}_n - \theta_0) + o_p(1)\]

其中 \(\tilde{I}(\theta_0)\) 是高效信息矩阵(efficient information matrix),即得分函数在 nuisance 切空间上的投影后的信息量。 3. Nuisance 参数的影响消除:这是最关键的步骤。需要证明得分函数 \(\ell_{\theta_0}\) 在 nuisance 方向上的分量对 \(\sqrt{n}(\hat{\theta}_n - \theta_0)\) 的贡献为 \(o_p(1)\)。具体地,作者验证了" nuisance 参数的 sieve 估计误差 \(\hat{h}_{0,n} - h_{0,0}\) 与得分函数的 nuisance 方向的内积为 \(o_p(n^{-1/2})\)"。这依赖于两个条件:(a) \(h_0\) 的估计误差的 \(L^2\) 范数为 \(O_p(n^{-\gamma/(2\gamma + d)})\);(b) 得分函数对 \(h\) 的 Fréchet 导数在 \(h_0\) 处为零(即 nuisance 参数在真值处是"局部正交"的)。 4. 经验过程控制:用 empirical process 理论(特别是 Donsker 类条件)控制剩余项。由于 DNN 函数类的复杂度(用 metric entropy 或 Rademacher complexity 度量)已知,可以证明剩余项为 \(o_p(1)\)。 5. 结合 CLT:由上述展开,得到 \(\sqrt{n}(\hat{\theta}_n - \theta_0) = \tilde{I}^{-1}(\theta_0) \cdot \frac{1}{\sqrt{n}} \sum_{i=1}^n \tilde{\ell}_{\theta_0}(O_i) + o_p(1)\),其中 \(\tilde{\ell}\) 是高效影响函数(efficient influence function)。由经典 CLT 即得渐近正态性。

关键技巧点名:

  • DNN 逼近理论:使用 Schmidt-Hieber(2020)的定理,保证 DNN 对 Hölder 光滑函数的逼近误差为 \(O(n^{-\gamma/(2\gamma + d)})\)。这是非渐近误差界的基础。
  • 局部正交性(local orthogonality):通过构造得分函数的 nuisance 方向投影,使得一阶偏差项消失。这是半参数效率理论的标准技巧(Bickel 等 1993),但在 DNN 设定下需要重新验证。
  • 单调样条 + DNN 的组合:单调性约束通过样条基的系数非负来实现,而 DNN 负责捕捉非单调的交互效应。这种"混合 sieve"是本文的一个技术特色。
  • Metric entropy 计算:对 DNN 函数类,用其参数数量的对数来界定 metric entropy,进而控制经验过程剩余项。

真实例子与应用

ARIC 研究(社区动脉粥样硬化风险研究):

  • 数据:ARIC 是一项大规模前瞻性队列研究,本文使用的子集包含约 5000 名参与者,随访时间约 20 年。研究终点是冠心病(CHD) 的首次发作。协变量包括年龄、性别、BMI、吸烟状况、血压、胆固醇水平等。
  • 区间删失结构:参与者定期(约每 3 年)接受临床检查,CHD 发作时间只能确定在两次检查之间,因此是典型的区间删失数据。
  • 如何应用:将 GAH-DNN 模型拟合到该数据,估计协变量对 CHD 风险的影响。与 Cox 模型和 AFT 模型进行比较。
  • 结果:GAH-DNN 模型在拟合优度(如 AIC/BIC)上优于 Cox 和 AFT 模型;估计的 \(\hat{\alpha}\) 显著不为零,表明加速效应存在;DNN 捕捉到了年龄与 BMI 之间的非线性交互效应,这在传统线性模型中无法体现。
  • 该例子想说明什么:展示 GAH-DNN 在实际数据中的可行性,以及相对于参数模型的灵活性优势。但需注意,该例子的样本量相对较小(约 5000),DNN 的优越性可能部分来自过拟合,作者未报告交叉验证的结果。

🔎 结论是否比证明窄

  • 明确证明 vs 泛泛 claim:定理 2 的证明依赖于" nuisance 参数的收敛速度足够快"(即 \(\gamma > d/2\)),但作者在摘要和引言中直接声称"达到半参数效率",未强调这一条件。当 \(\gamma \leq d/2\) 时(即基线风险不够光滑或协变量维数过高),参数分量可能无法达到 \(\sqrt{n}\)-收敛——这是一个被弱化的边界条件。
  • DNN 架构的选择:定理中的误差界依赖于 DNN 的深度和宽度选择(\(K_n \asymp \log n\),\(W_n \asymp n^{d/(2\gamma + d)}\)),但作者未讨论这些超参数在实际中如何选择(交叉验证?经验法则?)。理论最优的架构在实际中未必可操作。
  • 效率下界的验证:作者声称达到半参数效率,但未明确构造局部渐近正态(LAN) 框架下的卷积定理或 Hajék 卷积定理的验证。效率下界的严格证明通常需要验证"正则估计量"的条件,作者未明确讨论这一点。
  • 模拟的局限性:模拟中使用的 DNN 架构与理论假设(如 Hölder 光滑度)是否匹配,作者未作敏感性分析。

四、开放问题

  1. 低光滑度情形的效率:当 \(\gamma \leq d/2\) 时,参数分量的收敛速度如何?是否存在"自适应"的 sieve 方法,能在不知道 \(\gamma\) 的情况下自动达到最优收敛速度?(扎根于定理 2 的条件 \(\gamma > d/2\),作者未讨论这一边界情形。)

  2. DNN 超参数的自适应选择:理论要求 \(K_n \asymp \log n\)、\(W_n \asymp n^{d/(2\gamma + d)}\),但 \(\gamma\) 未知。是否存在数据驱动的超参数选择方法(如交叉验证)能保持效率性质?(扎根于定理 1 的误差界对架构的依赖,作者未提供实际操作指南。)

  3. 区间删失机制的敏感性:本文假设删失机制与 \(T\) 在给定 \(X\) 下独立。若删失依赖于未观测变量,估计是否仍然稳健?能否将本文的框架推广到信息性删失(informative censoring) 情形?(扎根于引言中"独立删失"假设,作者未讨论其违反时的后果。)

  4. 高效影响函数的显式形式:作者证明了效率,但未给出高效影响函数的显式表达式。对于推断(如构造置信区间),显式的高效影响函数是必要的。能否推导出 \(\tilde{\ell}_{\theta_0}(O)\) 的闭式形式?(扎根于定理 3 的效率声明,作者未提供影响函数的显式构造。)

  5. 高维协变量的推广:当协变量维数 \(d\) 随样本量增长时,DNN 的收敛速度如何变化?是否存在稀疏性假设下的改进?(扎根于误差界 \(n^{-\gamma/(2\gamma + d)}\) 对 \(d\) 的依赖,作者未讨论高维情形。)


提醒:若要确认上述某条是否是真 gap,建议去读区间删失 + 深度学习的近期文献(如 Biometrics、JRSS-B、AoS 上 2022-2025 年的相关论文)的引言部分——如果多篇都指向同一缺口,说明是共识;如果互相矛盾,则可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论