Nuisance Parameters and Elliptically Symmetric Distributions: A Geometric Approach to Parametric and Semiparametric Efficiency¶
作者: Stefano Fortunati, Jean-Pierre Delmas, Esa Ollila
来源: IEEE Transactions on Information Theory
主题: 非参数 / 半参数
相关性: 7/10
链接: 期刊页 · arXiv
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半参数效率理论,其根本问题是:在统计模型中同时存在有限维感兴趣参数(如均值、协方差矩阵)和无限维 nuisance 参数(如未知的误差分布密度函数)时,如何刻画估计感兴趣参数的渐近效率下界,并判断是否存在对 nuisance 参数"自适应"(adaptive)的估计量。该方向的核心工具是半参数切空间(semiparametric tangent space)与信息界(information bound):通过将得分函数投影到 nuisance 切空间的正交补上,得到有效得分(efficient score),其协方差的逆即为半参数效率下界。这一理论框架由 Bickel et al. (1993) [1] 系统建立,是当代因果推断、缺失数据、高维统计中 influence function 与 debiased ML 方法的理论基础。该方向已高度成熟,但针对具体模型(如椭圆对称分布)的显式几何计算仍有空白。
发展脉络¶
- 奠基工作:Bickel et al. (1993) [1] 的专著系统建立了半参数模型的效率理论,提出了 nuisance 切空间、有效得分、自适应估计等核心概念。这是整个领域的"圣经",本文的 Lemma II.1 和 Lemma II.2 均直接引用该书([1, Sect. 3.4, Prop. 3])。
- 群不变性与自适应:Hallin & Werker (2002) [2] 深入研究了"分布自由"(distribution-freeness)与半参数效率的关系,指出当模型具有某种群不变性时,nuisance 切空间上的投影可以渐近表示为关于最大不变统计量的条件期望。这是本文的直接理论出发点——作者在引言中明确说:"Previous seminal works have leveraged a general result: if the statistical model has a specific group invariance, then the projection operator onto the semiparametric nuisance tangent space can be asymptotically expressed as a conditional expectation with respect to the maximal invariant sub-σalgebra."(即 [2, Prop. 2.6])。
- 椭圆对称分布中的具体化:Hallin & Paindaveine (2006) [10][11] 将上述一般理论应用于椭圆对称分布,证明了"受限自适应"(restricted adaptivity)性质:当尺度参数被视为 nuisance 时,对形状矩阵的估计可以自适应于未知的密度生成器。他们利用群不变性,将投影算子渐近表示为条件期望。这是本文最直接的前作。
- 椭圆分布的信息矩阵计算:Besson & Abramovich (2013) [3] 给出了多元椭圆等高分布 Fisher 信息矩阵的闭式表达式,将信息矩阵分解为高斯部分加一个依赖于密度生成器的修正项。本文的 FIM 表达式(114)直接建立在该结果之上。
- 复值椭圆对称分布的扩展:Abeida & Delmas (2019) [4] 将 Slepian-Bangs 公式推广到复椭圆对称分布(C-CES 和 NC-CES),为本文第七节的复值扩展提供了基础。
- 当前 frontier:本文的位置在于——不再依赖渐近近似,而是对椭圆对称分布这一具体模型,显式且精确地计算投影算子,从而得到精确的(非渐近的)半参数效率界。同时,本文首次处理了"感兴趣参数和 nuisance 参数同时出现在位置和散度参数化中"的一般情形,并给出了一个可检验的自适应条件(Condition VI.1)。
子线索聚类¶
- 半参数效率的一般理论(Bickel et al. 1993 [1]; Tsiatis 2006 [5]; Newey 1990 [6]):建立切空间、有效得分、效率界的抽象框架。这是本文的"语法"。
- 群不变性与自适应(Hallin & Werker 2002 [2]; Hallin & Paindaveine 2006 [10][11]; Hallin, Oja & Paindaveine 2006 [7]):利用模型的群结构简化投影计算,证明特定参数在 nuisance 未知时仍可有效估计。这是本文的"直接武器"。
- 椭圆对称分布的 Fisher 信息与估计(Besson & Abramovich 2013 [3]; Abeida & Delmas 2019 [4]; Ollita et al. 2012 [7]):针对椭圆族的具体计算,包括实值与复值情形。这是本文的"战场"。
- 秩检验与 R-估计量(Hallin & Paindaveine 2006 [10]; Hallin, Oja & Paindaveine 2006 [7]; Hallin, Paindaveine & Verdebout 2010 [9]):构造达到效率界的估计量,特别是基于秩的方法。本文第五节和第六节的结果为这类估计量的最优性提供了理论下界。
这个方向在追问的核心问题¶
- 何时自适应可行? 在存在无限维 nuisance 时,哪些参数组合仍可被有效估计?本文的 Condition VI.1 给出了一个可检验的代数条件。
- 效率损失如何量化? 从参数模型(密度生成器已知)到半参数模型(密度生成器未知),效率损失了多少?本文的 Proposition IV.1 和 V.2 给出了精确的闭式表达式。
- 如何构造达到效率界的估计量? 秩方法(R-估计量)能否在保持鲁棒性的同时达到半参数效率界?本文第六节的模拟验证了这一点。
⚠️ 作者的 framing¶
作者将本文的贡献框定为:"In this article, we show that, for the statistical model of elliptical distributions, the projection operator can be explicitly computed without relying on the above-mentioned asymptotic approximation."(即不依赖 [2, Prop. 2.6] 的渐近近似,而是精确计算投影算子。)同时,作者强调本文首次处理了"位置和散度由有限维向量参数化且可划分为感兴趣和 nuisance 子向量"的一般情形,并给出了 Condition VI.1 作为自适应性的充要条件(除高斯情形外)。作者还指出 [26](即 Fortunati et al. 2019 的复值论文)中的有效得分表达式有误(见第 117 式后的 remark),这是对竞争性工作的直接修正。
张力¶
- 未见明显对立引用。但有一个值得注意的张力:Hallin & Paindaveine 的早期工作 [10][11] 依赖渐近近似(条件期望表示),而本文声称可以精确计算。这两者并不矛盾(精确计算是渐近近似的"零阶项"),但本文的表述暗示渐近近似可能掩盖了某些结构(例如 Condition VI.1 的代数条件在渐近框架下不易看出)。
- 另一个张力:作者在 remark 中指出 [26] 的表达式错误,这暗示复值情形下的效率计算比实值情形更微妙,且已有文献可能存在系统性错误。
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¶
核心记号(按类别分组):
| 记号 | 含义 | 类别 |
|---|---|---|
| \(x \in \mathbb{R}^m\) | 观测向量 | 随机变量(观测) |
| \(\mu \in \mathbb{R}^m\) | 位置向量 | 参数(感兴趣或 nuisance) |
| \(\Sigma \in S^m_{\mathbb{R}}\) | 散度矩阵(正定对称) | 参数(感兴趣或 nuisance) |
| \(g: \mathbb{R}_+ \to \mathbb{R}_+\) | 密度生成器(无限维) | nuisance 函数 |
| \(\gamma \in \Gamma \subseteq \mathbb{R}^q\) | 感兴趣参数子向量 | 参数(感兴趣) |
| \(\xi \in \Psi \subseteq \mathbb{R}^r\) | 有限维 nuisance 子向量 | 参数(nuisance) |
| \(\theta = (\gamma^T, \xi^T)^T\) | 全部有限维参数 | 参数 |
| \(s_{\theta_0}\) | 得分向量(对 \(\theta\) 的 log-likelihood 梯度) | 随机向量 |
| \(T_2, T_3\) | 有限维/无限维 nuisance 切空间 | 几何对象 |
| \(\Pi(\cdot \mid T)\) | 到切空间 \(T\) 的正交投影 | 算子 |
| \(\bar{t}_{\gamma_0}\) | 有效得分(投影后的得分) | 随机向量 |
| \(\bar{I}(\gamma_0 \mid \xi_0, g_0)\) | 半参数 Fisher 信息矩阵(SFIM) | 目标量 |
| \(Q\) | 模变量(\(Q = (x-\mu)^T \Sigma^{-1}(x-\mu)\)) | 随机变量(潜在) |
| \(S(\Sigma)\) | 尺度函数(齐次泛函) | 函数 |
| \(V_S\) | 形状矩阵 \(= \Sigma / S(\Sigma)\) | 参数(导出量) |
| \(\alpha(\bar{g}_0), \beta(\bar{g}_0)\) | 密度生成器的泛函(见 64-65 式) | 常数(由 nuisance 决定) |
模型(数据生成机制):
观测 \(x \sim \text{RES}_m(\mu, \Sigma, g)\),即 \(x\) 的概率密度为:
其中 \(g\) 是未知的密度生成器,满足 \(\int_0^\infty t^{m/2-1} g(t) dt = \pi^{-m/2} \Gamma(m/2)\)(归一化条件,30 式)。
可观测数据:\(n\) 个 i.i.d. 观测 \(\{x_1, \ldots, x_n\}\),每个 \(x_i \in \mathbb{R}^m\)。
潜在 / 不可观测量: - 密度生成器 \(g\)(无限维 nuisance,完全未知) - 模变量 \(Q_i = (x_i - \mu)^T \Sigma^{-1} (x_i - \mu)\)(不可直接观测,因为 \(\mu, \Sigma\) 未知) - 尺度 \(s = S(\Sigma)\) 与形状矩阵 \(V_S = \Sigma / S(\Sigma)\) 的分解(取决于尺度函数的选择)
估计目标:在 \(\gamma\) 为感兴趣参数、\(\xi\) 和 \(g\) 为 nuisance 的情形下,估计 \(\gamma\) 的渐近效率下界,即 SFIM \(\bar{I}(\gamma_0 | \xi_0, g_0)\) 的逆。
第二步:最小内核¶
核心问题:考虑最简单的非平凡情形——\(m\) 维椭圆对称分布,位置 \(\mu\) 已知为 0,散度矩阵 \(\Sigma\) 被分解为尺度 \(s\) 和形状矩阵 \(V_S\)。假设 \(\gamma\) 是形状矩阵 \(V_S\) 的参数化(感兴趣),\(\xi\) 是尺度 \(s\)(有限维 nuisance),\(g\) 是密度生成器(无限维 nuisance)。
关键困难:半参数效率下界要求将得分 \(s_{\gamma_0}\) 投影到 nuisance 切空间 \(T_2 + T_3\) 的正交补上。\(T_3\)(对应 \(g\))是无限维的,通常只能渐近处理。本文的核心贡献是证明:对椭圆对称分布,这个投影可以精确计算,且结果等于关于模变量 \(Q\) 的条件期望的显式形式。
最小内核的数学表述:
设 \(s_{\gamma_0}\) 为感兴趣参数的得分,\(T_2 = \text{Span}\{s_{\xi_0}\}\) 为有限维 nuisance 切空间,\(T_3\) 为无限维 nuisance 切空间。本文证明(Proposition IV.1):
其中关键的一步是证明 \(\Pi(s_{\gamma_0} | (T_2 + T_3) \cap T_2^\perp) = \Pi(s_{\gamma_0} | T_3)\) 可以显式计算,因为 \(T_3\) 中的元素恰好是 \(Q\) 的可测函数,而 \(s_{\gamma_0}\) 关于 \(Q\) 的条件期望有闭式表达式。
为什么成立(直觉):椭圆对称分布的关键性质是:给定 \(Q\),方向 \(u = \Sigma^{-1/2}(x-\mu)/\sqrt{Q}\) 在单位球面上均匀分布且与 \(Q\) 独立。因此,任何只依赖于 \(Q\) 的函数(即 \(T_3\) 中的元素)与任何涉及方向 \(u\) 的得分之间的内积,可以通过对 \(u\) 求期望来精确计算。这避免了无限维投影的渐近近似。
最小内核的"一句话":本文证明了在椭圆对称分布中,半参数 nuisance 切空间 \(T_3\) 恰好等于所有 \(Q\) 的可测函数构成的子空间,而得分向量关于 \(Q\) 的条件期望可以显式计算,从而将半参数效率界的计算从"渐近近似"变为"精确代数"。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在椭圆对称分布这一经典半参数模型中,当位置向量和散度矩阵由有限维参数 \(\theta = (\gamma^T, \xi^T)^T\) 参数化、且密度生成器 \(g\) 为无限维 nuisance 时,如何精确计算感兴趣参数 \(\gamma\) 的半参数效率下界(SFIM),并给出自适应性的充要条件。
- 核心工具 / 方法:利用椭圆对称分布的随机表示定理(31 式),将无限维 nuisance 切空间 \(T_3\) 刻画为所有模变量 \(Q\) 的可测函数构成的子空间,从而将投影算子 \(\Pi(\cdot \mid T_2 + T_3)\) 精确计算为关于 \(Q\) 的条件期望(无需渐近近似)。
- 主要结论:推导出 SFIM 的闭式表达式(Proposition V.2 的等式链),给出了自适应性的充要条件(Condition VI.1,Proposition VI.1),证明了"位置与散度无共同参数"和"低秩参数化"两类重要模型满足该条件(Proposition VI.2 和 VI.3),并将结果推广到复椭圆对称分布(第七节)。
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:
- 模型族:\(\mathcal{P} = \{p_X(x|\gamma, \xi, g) : \gamma \in \Gamma, \xi \in \Psi, g \in \mathcal{G}\}\),其中 \(\Gamma \subseteq \mathbb{R}^q\),\(\Psi \subseteq \mathbb{R}^r\),\(\mathcal{G}\) 是满足归一化条件(30 式)的密度生成函数集合。
- 参数化假设(P1-P4):
- P1:\(\theta \mapsto (\mu(\theta), \Sigma(\theta))\) 在 \(\Theta\) 上连续;
- P2:局部一一对应(Jacobian 满列秩);
- P3:\(\Sigma(\theta)\) 正定;
- P4:二阶矩有限(\(E\{Q^2\} < \infty\),即 \(\alpha(\bar{g}_0)\) 有限)。
- 正则性假设:密度生成器 \(g\) 满足 LAN 条件(对应 [10] 的 Assumption 2.2),保证得分函数存在且切空间定义良好。
- 尺度函数假设(A1-A3):\(S(\cdot)\) 一阶齐次、可微、\(S(I_m) = 1\)。
相比已有工作的变化: - 放宽:不要求密度生成器属于特定参数族(如 \(t\) 分布或广义高斯),仅要求 \(E\{Q^2\} < \infty\)。 - 强化:要求参数化 \(\theta \mapsto (\mu(\theta), \Sigma(\theta))\) 满足 P1-P4,且 \(\gamma\) 与 \(\xi\) 的划分是"可识别的"(即 \(\gamma\) 和 \(\xi\) 在参数化中不混淆)。
主要结果¶
结果 1(Proposition IV.1,受限自适应性质):对椭圆对称分布,以下三个效率界相等: 1. 半参数效率界(\(g\) 未知,\(s\) 已知); 2. 半参数效率界(\(g\) 和 \(s\) 均未知); 3. 参数效率界(\(g\) 和 \(s\) 均已知)。
即:不知道密度生成器 \(g\) 和尺度 \(s\) 不会导致任何效率损失。证明的关键是展示 \(\Pi(s_{\gamma_0} | T_2 + T_3) = \Pi(s_{\gamma_0} | T_2)\),即 \(s_{\gamma_0}\) 在 \(T_3\) 上的投影为零。
结果 2(Proposition V.1,显式 CRB):给出了 \(\gamma_0 = (\mu_0, \text{vecs}(V_{S,0}))\) 的 CRB 闭式表达式: - \(CRB(\mu_0) = \frac{s_0}{\beta(\bar{g}_0)} V_{S,0}\) - \(CRB(\text{vecs}(V_{S,0})|s_0) = \alpha(\bar{g}_0)^{-1} I_m D^\#_m P_S(V_{S,0})(I_{m^2} + K_m)(V_{S,0} \otimes V_{S,0}) P_S^T(V_{S,0}) D^{\#T}_m I_m^T\)
其中 \(P_S(V_{S,0}) = I_{m^2} - \text{vec}(V_{S,0}) \nabla^T_{\text{vec}(\Sigma)} S(\Sigma_0)\) 是投影到形状矩阵切空间的算子。
结果 3(Proposition V.2,等式链):总结了以下等式链:
结果 4(Proposition VI.1,自适应条件):对于一般参数化 \(\theta = (\gamma, \xi) \mapsto (\mu(\theta), \Sigma(\theta))\),SFIM 等于参数 FIM 当且仅当 Condition VI.1 成立:
结果 5(Proposition VI.2 和 VI.3,两个应用): - 当 \(\mu\) 和 \(\Sigma\) 无共同参数时(\(\mu = \mu(\gamma)\),\(\Sigma = \Sigma(\xi)\)),Condition VI.1 自动满足。 - 低秩参数化 \(\Sigma = A(\gamma) \Xi A(\gamma)^T + \lambda(\xi) I_m\) 也满足 Condition VI.1。
证明路线与技术技巧¶
整体路线(5 步):
-
建立切空间刻画:利用椭圆分布的随机表示定理(31 式),证明无限维 nuisance 切空间 \(T_3\) 恰好等于所有 \(Q\) 的可测函数构成的子空间(Appendix A.8)。这是全文的基石。
-
计算得分向量的条件期望:对得分向量 \(s_{\gamma_0}\) 的每个分量,利用 \(u\) 与 \(Q\) 的独立性,计算 \(E\{s_{\gamma_0} | Q\}\)。关键技巧是:\(E\{u\} = 0\),\(E\{uu^T\} = m^{-1}I_m\),\(E\{uu^T \otimes uu^T\}\) 有闭式表达式(涉及 \(K_m\) 和 \(\text{vec}(I_m)\))。
-
证明投影可交换:证明 \(\Pi(s_{\gamma_0} | T_2 + T_3) = \Pi(s_{\gamma_0} | T_2)\),即 \(s_{\gamma_0}\) 在 \(T_3\) 上的投影为零。这等价于验证 Condition VI.1 的代数条件。
-
计算 FIM 的闭式表达式:利用得分向量的显式形式(113 式)和 \(Q\) 的矩条件,计算 FIM 的各分块(114 式)。关键技巧是使用矩阵恒等式 \(D_m D^\#_m = \frac{1}{2}(I_{m^2} + K_m)\) 和 \(K_m D_m = D_m\)。
-
验证自适应条件:对于 Proposition VI.2 和 VI.3 的具体参数化,直接代入 Condition VI.1 验证。关键技巧是使用 \(P_S(V_{S,0}) \text{vec}(V_{S,0}) = 0\) 和 \(P_S(V_{S,0}) \text{vec}(V_{S,0}^{-1}) = \text{vec}(V_{S,0}^{-1})\) 等恒等式。
关键技术技巧: - 矩阵微积分:大量使用 Kronecker 积、vec 算子、duplication 矩阵 \(D_m\)、commutation 矩阵 \(K_m\) 的恒等式(如 \(K_m \text{vec}(A) = \text{vec}(A^T)\),\(D_m \text{vecs}(A) = \text{vec}(A)\))。 - 条件期望的闭式计算:利用 \(u\) 与 \(Q\) 的独立性,将涉及 \(u\) 的期望转化为球面上的积分,得到闭式表达式。 - 投影算子的矩阵表示:将切空间投影表示为显式的矩阵算子(如 \(P_S(V_{S,0})\)),从而将无限维问题转化为有限维矩阵计算。
真实例子与应用¶
模拟研究(第六节):论文包含一个数值模拟,比较了三种估计量在 \(t\) 分布数据(自由度 \(\nu\) 从 2.1 到 20)下的 MSE: 1. 约束样本协方差矩阵(SCM):对高斯数据最优,但对重尾数据效率低。 2. Tyler 估计量:鲁棒但非效率。 3. R-估计量(本文提出的秩方法):在 \(\nu\) 较小时接近半参数效率界,在 \(\nu\) 较大时接近 SCM。
模拟结果显示(图 1-3): - 当 \(\nu\) 接近 2.1(重尾)时,R-估计量的 MSE 显著低于 SCM 和 Tyler,接近半参数 CRB。 - 当 \(\nu\) 接近 20(近似高斯)时,三者 MSE 接近,但 R-估计量仍略优于 Tyler。 - 对于尺度函数 \(S(\Sigma) = |\Sigma|^{1/m}\)(图 3),R-估计量的 MSE 与半参数 CRB 几乎重合,验证了 Proposition V.2 的预测。
应用场景:论文在第七节将结果推广到复椭圆对称分布,并指出其在以下领域的应用: - 阵列信号处理:DOA(波达方向)估计,其中 \(\mu\) 包含信号方向参数,\(\Sigma\) 包含噪声协方差。 - 无线通信:MIMO 信道估计,其中信道矩阵的低秩结构对应低秩参数化(Proposition VI.3)。 - 雷达与声呐:目标检测与参数估计,其中杂波通常建模为椭圆对称分布。
🔎 结论是否比证明窄¶
明确的窄结论: 1. Proposition VI.1 的"必要性"部分:作者证明了 Condition VI.1 是自适应的充分条件,并声称在"非高斯"情形下也是必要条件(120 式)。但证明依赖于 \(m^{-1}Q\bar{\phi}_0(Q) - 1 \notin \text{Span}\{Q - m\}\) 这一假设,该假设对某些退化密度生成器可能不成立。作者在证明中没有明确讨论这一退化情形。 2. 第七节的复值扩展:作者说"Recipe 1"(实值到复值的映射)可以处理所有情形,但复值情形的证明依赖于 Wirtinger 微积分,且作者承认"directly rewriting all the results obtained in the previous sections using complex formalism is laborious and adds nothing to the statistical significance of our findings"(即复值扩展是"翻译"而非新证明)。 3. R-估计量的最优性:作者在第六节展示了 R-估计量的 MSE 接近半参数 CRB,但没有给出该估计量达到半参数效率界的严格证明(即没有证明 \(\sqrt{n}(\hat{V}_{S,R} - V_{S,0}) \Rightarrow N(0, SCRB)\))。作者在结论中说"the development of semiparametric estimators capable of achieving parametric efficiency"是未来工作,这暗示 R-估计量的最优性只是数值验证而非理论证明。
被泛化的声明: - 作者在摘要和引言中声称"the projection operator can be explicitly computed",但这一"显式"仅对椭圆对称分布成立,且依赖于 \(E\{Q^2\} < \infty\) 和 \(g\) 的 LAN 条件。对更一般的分布族,投影算子仍需要渐近近似。 - 作者在 Proposition V.2 的等式链中声称"SCRB = CRB"在多种情形下成立,但这一等式仅在 Condition VI.1 满足时成立。对于不满足该条件的参数化(例如 \(\mu\) 和 \(\Sigma\) 共享参数),效率损失仍然存在,且本文没有给出损失的具体表达式。
四、开放问题¶
-
退化密度生成器的处理:Proposition VI.1 的必要性证明依赖于 \(m^{-1}Q\bar{\phi}_0(Q) - 1 \notin \text{Span}\{Q - m\}\)。对哪些密度生成器该条件不成立?此时自适应是否仍然可能?(扎根于 120 式后的讨论)
-
R-估计量的严格最优性:第六节的模拟显示 R-估计量接近半参数 CRB,但缺乏严格证明。能否证明 \(\sqrt{n}(\hat{V}_{S,R} - V_{S,0}) \Rightarrow N(0, SCRB)\)?这需要建立秩统计量的高阶展开和局部渐近正态性(LAN)条件。(扎根于结论段的"future works will then address its efficient numerical implementation")
-
效率损失的显式刻画:当 Condition VI.1 不满足时,SFIM 与参数 FIM 的差 \(E\{pp^T\}\) 是否有闭式表达式?能否给出效率损失的几何解释(如投影到 nuisance 切空间上的"信息泄漏"量)?(扎根于 Lemma II.1 的等式 24)
-
复值情形的严格证明:第七节的复值扩展依赖"Recipe 1"(实值到复值的映射),但缺乏独立的证明。能否直接使用 Wirtinger 微积分推导复值情形的 SFIM,并验证与"Recipe 1"结果一致?(扎根于第七节开头的"we limit ourselves to providing two different, yet equivalent recipes")
-
高维扩展:本文的结果针对固定维数 \(m\)。当 \(m\) 随样本量 \(n\) 增长时,SFIM 的闭式表达式是否仍然成立?随机矩阵理论(researcher 熟悉)能否用于刻画高维下的效率损失?(扎根于全文对 \(m\) 的固定假设)
提示:若要确认上述开放问题是否为真 gap,建议检索近 5 年(2020-2025)关于"semiparametric efficiency elliptical distributions"的文献——若多篇论文均未解决同一问题,则为共识性 gap;若存在互相矛盾的结论,则为机会。
Maintained by 陈星宇 · Homepage · Source on GitHub