跳转至

Minimax Rates for Estimating Powered Sliced Wasserstein Functionals

作者: Binh Thuan Tran
主题: 非参数 / 半参数
相关性: 7/10
链接: https://arxiv.org/abs/2610.12740


一、领域脉络与小综述

这个方向是什么:本文属于「最优传输距离的统计估计」这一子方向。其根本科学问题是:当底层分布未知、只能获得有限样本时,如何以最优的统计效率(minimax 意义下)估计两个分布之间的 Wasserstein 型距离泛函。该方向的成熟度处于"中青年"阶段——单样本、固定维数、紧支撑情形下的 Wasserstein 距离估计率已基本清楚(奠基性工作见 Fournier & Guillin [6]、Weed & Bach [27]),但两样本、矩条件而非紧支撑、以及 Sliced 这类复合泛函的精确 minimax 率仍是活跃前沿。

发展脉络:

  • 奠基工作:Fournier & Guillin [6] 给出了经验测度在 Wasserstein 距离下的非渐近收敛界,确立了"维数诅咒"的基本图景——在 d 维空间中,W_p 的收敛率随 d 增大而恶化。Weed & Bach [27] 进一步刻画了锐化的率。这些工作处理的是"分布估计"而非"泛函估计",留下了一个关键口子:估计 W_p(μ,ν) 这个标量泛函,是否比估计整个分布更快?
  • 主要进展(单样本泛函估计):Nietert et al. [14] 在紧支撑假设下研究了 Sliced Wasserstein 距离的估计,得到参数率 n^{-1/2}。但紧支撑假设回避了重尾问题,且未处理两样本情形。
  • 主要进展(两样本、矩条件):Manole et al. [10] 首次系统研究了 powered Sliced Wasserstein 泛函 SW_p^p 在两样本下的估计,引入投影 r 阶矩类 K_{p,r}(b)。他们证明了在 r > 2p 时上界为 √(log n/n)(含对数损失),并猜测参数率 n^{-1/2} 可达;在 p < r < 2p 时得到非参数率 n^{-(r-p)/r} 的上界。但他们未给出匹配的下界,且其证明依赖 uniform 分位数过程控制,产生了对数因子。
  • 当前 frontier:本文的位置正是"填补 Manole et al. [10] 留下的下界空白"。作者在 r > 2p 情形去掉了对数因子,证明 plug-in 估计量达到精确参数率 n^{-1/2};在 p < r < 2p 情形证明 n^{-(r-p)/r} 是精确 minimax 率。这回答了 Manole et al. [10] 中"参数率是否可达"的开放问题(答案是肯定的),并将非参数情形的上界升级为精确率。

子线索聚类:

  1. 经验测度的 Wasserstein 收敛率([6], [27]):关注"分布估计"的误差,是泛函估计的上界工具。这条线索的瓶颈是维数诅咒,但 Sliced 结构可以绕过。
  2. Sliced / 投影类泛函的统计性质([12], [14], [10], 本文):关注"泛函估计"的 minimax 率。这条线索的核心技巧是:将高维问题分解为球面上的方向积分 + 一维分位数估计,从而利用一维经验过程的成熟理论。
  3. 最优传输的计算与统计权衡([17], [1], [22]):关注算法可行性。本文不涉及计算复杂度,但其 plug-in 估计量的"自然性"暗示统计最优性与计算简单性可以共存。

这个方向在追问的核心问题:

  • Q1(率刻画):给定矩条件而非紧支撑,powered Sliced Wasserstein 泛函的 minimax 估计率如何随 (p, r, d) 变化?——本文回答了 d 固定时的完整相图(除 r = 2p 临界点)。
  • Q2(plug-in 最优性):自然估计量(plug-in)是否达到 minimax 率?——本文在非临界情形给出肯定回答。
  • Q3(临界情形):r = 2p 处的精确率是什么?——本文只给出 plug-in 估计量的上界 √(log n/n) 和 minimax 下界 n^{-1/2},留下对数间隙,明确标注为 open。
  • Q4(高维行为):d 进入率常数或率指数时,Sliced 结构能否缓解维数诅咒?——本文未涉及(d 固定),但这是该方向的自然延伸。

⚠️ 作者的 framing(这是作者的说法):作者在引言中把缺口 framing 为"Manole et al. [10] 的上界是否锐"以及"非临界情形的精确 minimax 率未知"。他通过两个贡献来填补:(i) 在 r > 2p 时用局部化的分位数误差控制替代 uniform 控制,去掉对数因子;(ii) 构造两样本独立的 hard pair,证明非参数下界。被淡化/回避的竞争路线包括:非 plug-in 估计量(如去偏估计、U-统计量投影)能否在临界情形突破 plug-in 的 √(log n/n) 上界?以及紧支撑假设下已知的 n^{-1/2} 率(Nietert et al. [14])在矩条件下为何失效——作者用 r = p 时的正下界(Remark 3.3)部分回答了这一点,但未深入讨论中间情形。

张力:未见明显对立引用。但有一个值得注意的张力:Manole et al. [10] 的 upper bound 含对数因子,作者将其归因于技术而非本质;而 Staudt and Hundrieser [20] 的独立工作(两样本、无放回)在更一般的 cost 下得到 n^{-1/2} 率,但他们的假设(附录 A)不覆盖 |x-y|^p 当 p > 1 的情形——作者在 Appendix F 中专门验证了这一点。这说明"两样本独立"与"两样本无放回"之间的差别可能是本质的(独立情形需要处理两个经验过程的联合波动),也可能是技术的。这是读者可以进一步追究的点。


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

目标量(estimand):设 μ, ν 是 R^d 上的概率测度。对 p ≥ 1,定义 powered Sliced Wasserstein 泛函

SW_p^p(μ, ν) = ∫_{S^{d-1}} W_p^p(μ_θ, ν_θ) dσ(θ),

其中 μ_θ, ν_θ 是 μ, ν 在方向 θ 上的一维投影(即 θ·X 的分布),W_p 是一维 p-Wasserstein 距离,σ 是球面上的均匀概率测度。

参数空间:对 r ≥ p ≥ 1 和 b > 0,定义投影矩类

K_{p,r}(b) = { μ ∈ P(R^d) : ∫{S^{d-1}} E{X∼μ} |⟨X, θ⟩|^r dσ(θ) ≤ b }。

注意:这里控制的是投影 r 阶矩在球面上的平均,而非 d 维欧氏范数的 r 阶矩。这个条件比"整体 r 阶矩有界"弱,但足以保证 SW_p^p 有限且一致有界(Lemma 2.1 给出 SW_p^p ≤ 2^p b)。

可观测数据:X_1, …, X_n ~ μ 和 Y_1, …, Y_m ~ ν 独立同分布,两样本相互独立。记 N := n ∧ m(较小样本量)。估计量只能基于这两组样本。

风险:绝对误差 E |T̂ - SW_p^p(μ,ν)|,其中 T̂ 是任意估计量(基于两组样本)。minimax 风险定义为

R*{n,m}(K{p,r}(b)) = inf_{T̂} sup_{μ,ν ∈ K_{p,r}(b)} E |T̂ - SW_p^p(μ,ν)|。

plug-in 估计量:T̂_plug = SW_p^p(μ̂_n, ν̂_m),即用经验测度替换真实测度。

第二步:最小内核

最简特例:d = 1, p = 1, r > 2。

在一维情形,球面 S^{0} = {+1, -1} 只有两个点,均匀平均就是简单平均,因此

SW_1^1(μ,ν) = W_1^1(μ,ν) = ∫_0^1 |F_μ^{-1}(u) - F_ν^{-1}(u)| du = E|X - Y'| 的某种耦合形式(当 X∼μ, Y'∼ν 独立时,W_1^1 = E|X - Y'| 在 X,Y' 独立同分布各自边缘下成立吗?——不,W_1 的耦合是最优的,但在一维情形 W_1^1(μ,ν) = ∫|F_μ^{-1} - F_ν^{-1}|,而 E|X-Y'| 对独立耦合一般更大。不过对于估计问题,我们只需要知道 W_1^1 是 μ,ν 的 Lipschitz 泛函)。

这个特例下,估计问题退化为: 用两组一维样本估计两个 CDF 的 L^1 距离(在分位数空间)。plug-in 估计量就是两个经验 CDF 的 L^1 距离。

为什么 r > 2 时是参数率 n^{-1/2}?

关键观察:W_1^1(μ,ν) 作为 (μ,ν) 的函数,其"有效平滑性"由投影矩的阶数决定。当 r > 2 时,一维经验分位数过程的 L^1 范数收敛速度为 n^{-1/2}(而非 n^{-1/2} 乘以对数因子),这是因为:

  • 一维 W_1 距离的经验估计误差可以分解为 E ∫_0^1 |F_n^{-1}(u) - F^{-1}(u)| du。
  • 对固定的 u,分位数估计的方差 ~ u(1-u)/(n f(F^{-1}(u))^2),但 L^1 积分需要控制 u → 0 和 u → 1 的尾部。
  • 尾部行为由矩条件决定:r > 2 保证 ∫_0^1 [u(1-u)]^{1/2} / f(F^{-1}(u)) du 的某种加权范数有限,从而避免对数因子。

为什么 p < r < 2 时是非参数率 n^{-(r-p)/r}?

当 r 接近 p 时,分布的尾部很重,经验分位数在极尾的误差很大。此时主导误差来自"少数极端样本对分位数估计的影响",这类似于估计 p 阶绝对矩时的重尾行为。率 n^{-(r-p)/r} 可以理解为:有效样本量从 n 降为 n^{p/r}(因为只有落在"典型区间"的样本才携带信息),而每个有效样本的贡献是 n^{-1},所以总误差为 (n^{p/r})^{-1} = n^{-p/r},再乘以距离的 p 次方根结构得到 n^{-(r-p)/r}。

这个特例揭示了本文的全部数学内核:

  1. 上界:plug-in 估计量的误差可以分解为"一维经验分位数误差"沿方向的积分。关键在于对每个方向 θ,利用 r 阶矩控制分位数误差的尾部,然后在球面上积分时保持率不变(因为 K_{p,r}(b) 的矩条件正是按球面平均定义的)。
  2. 下界:构造两个分布对 (μ_0,ν_0) 和 (μ_1,ν_1),它们满足矩条件、难以区分(KL 或 χ² 距离有界),但 SW_p^p 值相差足够大。在 r > 2p 时,用单个方向的构造即可(因为此时一维问题已经是参数率);在 p < r < 2p 时,需要多个方向叠加来放大差异,同时保持矩条件不被破坏。

一句话总结最小内核:本文证明的数学命题是——在投影 r 阶矩约束下,两样本估计 SW_p^p 的 minimax 率完全由"一维分位数估计的 L^p 误差在球面上的积分"决定,且 plug-in 估计量达到该率;唯一的例外是临界阶 r = 2p,此处对数间隙的来源是一维临界矩条件下的分位数误差恰好出现对数发散,而高维球面平均无法消除这一发散。


三、这篇论文做了什么

三句话: 1. 研究了什么问题:在两样本、投影 r 阶矩约束(K_{p,r}(b))下,确定 powered Sliced Wasserstein 泛函 SW_p^p 的 minimax 估计率,并检验 plug-in 估计量的最优性。 2. 核心方法:上界通过局部化分位数误差控制(Proposition 4.3)和加权积分技巧(Lemma 4.5/4.6)建立;下界通过Le Cam 两点法(Lemma 5.3)配合多尺度/多方向 hard pair 构造(Lemma 5.2 与 5.4)建立。 3. 主要结论:非临界情形(r > 2p 与 p < r < 2p)的精确 minimax 率为 n^{-1/2} 与 n^{-(r-p)/r},plug-in 估计量最优;临界情形 r = 2p 下,plug-in 估计量的最坏情形率为 √(log n/n),minimax 下界为 n^{-1/2},精确率未定。


关键设定与假设

设定:两样本独立(非配对),样本量 n ≤ m,率以 N = n ∧ m 表示。维数 d 固定,不随 n 变化。估计量可以是任意可测函数。

假设: - 投影矩条件(K_{p,r}(b)):这是本文的核心假设。相比"整体 r 阶矩有界"(即 E||X||^r ≤ b),投影矩条件更弱——它只要求每个方向上的 r 阶矩平均有界。这个假设与 Sliced 结构天然匹配,因为 SW_p^p 本身就是方向积分的产物。 - r > p:保证 SW_p^p 在 K_{p,r}(b) 上一致有界(Lemma 2.1)。r = p 时,即使矩有限,SW_p^p 也可能无界(Remark 3.3 给出反例)。 - 无支撑假设:不要求紧支撑,这是相对 Nietert et al. [14] 的关键放宽。

相比已有文献的放宽/强化: - 相比 Manole et al. [10]:强化了上界(去对数因子),新增了匹配下界。 - 相比 Nietert et al. [14]:放宽了紧支撑假设,但限制在投影矩类而非更一般的分布类。 - 相比 Staudt and Hundrieser [20]:放宽了两样本独立的假设(他们的附录 A 方法不覆盖 |x-y|^p, p>1 的 cost),但他们的结果在更一般的 cost 下成立。


主要结果

定理 3.1(非临界情形): - 若 r > 2p:R{n,m}(K{p,r}(b)) ≍_{p,r} b · n^{-1/2}。 - 若 p < r < 2p:R{n,m}(K{p,r}(b)) ≍_{p,r} b · n^{-(r-p)/r}。 - 两种情形下,plug-in 估计量 T̂_plug = SW_p^p(μ̂_n, ν̂_m) 均达到 minimax 率。

命题 3.4(临界情形 r = 2p): - plug-in 估计量的最坏情形率:R_plug ≍_p b · √(log(n+1)/n)。 - minimax 下界:R* ≳_p b · [log(n+1)]^{1/4} / √n。 - 因此精确率在 [n^{-1/2} · (log n)^{1/4}, n^{-1/2} · (log n)^{1/2}] 之间,未闭合。

Remark 3.2(非对角情形):下界构造中 μ_0 ≠ ν_0 且 μ_1 ≠ ν_1,说明"估计 SW_p^p 的困难"并非来自对角退化情形,而是本质的。

Remark 3.3(r = p 端点):minimax 风险有正下界(不趋于 0),即一致估计不可能。这解释了为何 r > p 是必要的。


证明路线与技术技巧

上界(第 4 节):

  1. 第一步:方向分解。将 SW_p^p 的估计误差分解为 E |SW_p^p(μ̂n, ν̂m) - SW_p^p(μ,ν)| ≤ ∫{S^{d-1}} E |W_p^p(μ̂{n,θ}, ν̂_{m,θ}) - W_p^p(μ_θ, ν_θ)| dσ(θ)。 这一步将 d 维问题化为一维问题的球面平均。

  2. 第二步:一维误差分解(Lemma 4.2)。对固定 θ,利用三角不等式和 W_p^p 的 Lipschitz 性质(Lemma B.1),将误差分解为四个项:

  3. 两个"单样本经验测度 vs 真实测度"的项(C_{n,θ}, D_{m,θ});
  4. 两个"加权分位数误差"的项(A_{n,θ}, B_{m,θ}),权重为 |G_θ^{-1}(u)|^{p-1} 或 |F_θ^{-1}(u)|^{p-1}。 关键点:加权项中的权重函数是另一个分布的分位数,这允许用矩条件控制。

  5. 第三步:局部化分位数估计(Proposition 4.3)。核心引理:对任意 r > 2, E ∫0^α |F{n,θ}^{-1}(u) - F_θ^{-1}(u)| du ≲r M{μ,r}(θ)^{1/r} n^{-1/2} α^{1/2 - 1/r}。 这个估计的局部化特征(α 的幂次)是去掉对数因子的关键。证明思路:

  6. 将积分区间 [0, α] 按 dyadic 分层;
  7. 在每层用 DKW 不等式或 Bernstein 不等式控制经验 CDF 的偏差;
  8. 用矩条件控制层长度(Lemma B.3 的 level-set 估计);
  9. 由于 r > 2,层贡献形成可和几何级数,无需对数因子。

  10. 第四步:球面积分。将一维估计代入,利用 K_{p,r}(b) 的定义(球面平均矩有界)和 Hölder 不等式(Lemma 4.5/4.6),得到 ∫{S^{d-1}} M{μ,r}(θ)^{p/r} dσ(θ) ≤ b^{p/r}, 从而完成上界。

下界(第 5 节):

  1. Le Cam 两点法(Lemma 5.3):将 minimax 风险下界转化为构造两个分布对 (μ_0,ν_0) 和 (μ_1,ν_1),使得
  2. 它们都属于 K_{p,r}(b);
  3. SW_p^p 值相差 Δ > 0;
  4. 观测分布的 χ² 散度或总变差距离有界(保证不可区分性)。 然后 R* ≥ (Δ/4)(1 - TV(P_0, P_1))。

  5. r > 2p 情形的构造(第 5.1.2 节):单方向 hard pair。取 μ_0 = ν_0 = δ_0(退化分布),μ_1 和 ν_1 在 e_1 轴上放置两个相距很远的点质量。通过调节质量大小,使得:

  6. 投影矩条件满足(需要 r > 2p 来保证质量足够小);
  7. SW_p^p(μ_1,ν_1) - SW_p^p(μ_0,ν_0) ≈ b n^{-1/2};
  8. KL 散度 KL(μ_0^{⊗n} ∥ μ_1^{⊗n}) 有界。 这里 r > 2p 的作用:矩条件允许的质量偏移量 δ 与 n^{-1/2} 匹配,而不会违反矩约束。

  9. p < r < 2p 情形的构造(第 5.1.3 节):多方向 hard pair。将质量分散到 L 个方向,每个方向上的偏移量更小,但总效应叠加。这需要更精细的矩条件计算,最终得到率 n^{-(r-p)/r}。关键点:当 r < 2p 时,单方向构造会违反矩条件(因为需要的偏移量太大),所以必须用多方向分摊。

  10. 临界情形的下界(第 5.2.2 节):利用 Lemma 5.4 的 block 构造,得到 [log(n+1)]^{1/4}/√n 的下界。这个下界弱于 plug-in 上界 √(log n/n),差距为 (log n)^{1/4}。

技术技巧清单: - 局部化分位数误差控制(Proposition 4.3):区别于 Manole et al. [10] 的 uniform 控制,是去对数因子的核心。 - 加权 Hölder 积分(Lemma 4.5/4.6):将球面平均矩条件与方向积分结合。 - Le Cam 两点法 + 多方向构造:下界构造中,多方向叠加是处理 r < 2p 的关键。 - χ² 散度上界(Lemma 5.4):通过计算二阶矩控制 TV 距离,比 KL 更精细。 - 截断/分层论证:在尾部控制中,将积分区间分层,逐层用矩条件。


真实例子与应用

本文为纯理论论文,无真实数据实验。但有两个值得注意的"例子":

  1. 一维退化情形(d = 1, p = 1):此时 SW_1^1 = W_1^1,估计问题退化为两样本 CDF 距离估计。本文的定理 3.1 给出:r > 2 时率 n^{-1/2},1 < r < 2 时率 n^{-(r-1)/r}。这与一维 Wasserstein 距离估计的已知结果一致(可参考 Bobkov & Ledoux [2])。

  2. 紧支撑情形(r = ∞ 的极限):当分布紧支撑时,任意阶矩有限,可以取 r → ∞。此时定理 3.1 的率 n^{-(r-p)/r} → n^{-1}(当 r → ∞ 时指数趋于 1?——不,n^{-(r-p)/r} = n^{-1 + p/r} → n^{-1}),但这与已知的紧支撑结果 n^{-1/2} 矛盾。原因:紧支撑情形下 r 不是有限常数,而是随 n 增长(或视为无穷),此时率中的常数依赖 r 且趋于无穷,因此不能直接取极限。这解释了为何定理 3.1 要求 r 固定。

例子想说明什么:本文的框架统一了已知的紧支撑结果(作为 r → ∞ 的极限情形)和一维结果(作为 d = 1 的特例),并揭示了 r 与 2p 的关系是决定统计难度的关键量。


🔎 结论是否比证明窄

是,存在几处"证明比结论窄"的地方:

  1. 定理 3.1 只覆盖 r ≠ 2p。作者在命题 3.4 中处理了 r = 2p,但只给出 plug-in 估计量的上界和 minimax 下界,两者相差 (log n)^{1/4}。作者明确说"exact minimax rate remains open"(第 5.2.2 节末尾)。这意味着结论的适用范围(非临界)比证明技术(可推广到临界)窄——临界情形的下界构造(Lemma 5.4)实际上已经为闭合 gap 提供了部分工具,但作者没有进一步推进。

  2. 上界证明要求 r > 2(Proposition 4.3 的假设)。当 p < r ≤ 2 时,Proposition 4.3 不适用,但定理 3.1 仍声称覆盖 p < r < 2p(包括 r ≤ 2 的情形)。作者在 Lemma 4.6 中通过截断处理了 1 < r ≤ 2 的情形,但这一部分的证明在正文中只有 sketch("The complete proof is given in Appendix C.2.1"),且 Appendix C.2.1 的 Step 2 中 r=2 的情形需要单独处理。读者需要仔细检查 r ≤ 2 时 Lemma 4.6 的证明是否真的闭合。

  3. 下界构造中假设了 d ≥ 1 但常数依赖 d。定理 3.1 的率不显含 d,但常数 C_{p,r} 可能依赖 d(通过 κ_{p,d} 和球面平均)。作者在定理陈述中写"≍_{p,r}",隐含常数不依赖 d,但证明中并未明确验证常数对 d 的一致性。如果常数随 d 指数增长,则"维数无关的率"在实用中意义有限。这是一个潜在的 gap。

  4. 两样本独立的假设。作者在引言中明确说明他们的上界论证不要求两样本独立(见第 4 节开头:"our upper-bound argument does not require this assumption"),但下界构造(Lemma 5.2 和 5.4)使用了独立两样本。因此定理 3.1 的"minimax"下界仅在独立两样本下成立,对于依赖样本(如无放回抽样)的情形,下界可能不适用。作者在 Appendix F 中讨论了与 Staudt & Hundrieser [20] 的关系,但未给出依赖样本下的下界。


四、开放问题

以下问题均扎根于本文的具体语句,按"从近到远"排列:

  1. 临界情形 r = 2p 的精确 minimax 率(扎根于 Proposition 3.4 末尾:"The exact minimax rate in this critical case remains open")。已知上界 √(log n/n),下界 (log n)^{1/4}/√n。要闭合这个 gap,需要回答:对数间隙是本质的(即存在更优的非 plug-in 估计量达到 n^{-1/2}),还是 plug-in 估计量在临界情形已经最优?一个可能的突破口是:Lemma 5.4 的 block 构造中,χ² 散度的计算是否可以改进,从而将下界提升到 √(log n/n)?

  2. 高维行为(扎根于定理 3.1 的常数 C_{p,r} 不显含 d,但证明中通过 κ_{p,d} 和球面平均引入 d 依赖)。当 d 随 n 增长时,Sliced 结构能否保持 n^{-1/2} 率?这需要追踪常数对 d 的依赖。一个具体问题是:K_{p,r}(b) 中的球面平均矩条件是否足以控制高维积分?

  3. 依赖样本下的 minimax 率(扎根于第 4 节开头"our upper-bound argument does not require this assumption"与下界构造的独立性假设之间的不对称)。对于两样本无放回(如 Staudt & Hundrieser [20] 的设定),下界是否仍然是 n^{-(r-p)/r}?这需要构造依赖样本下的 hard pair,可能要用到超几何分布的精细性质。

  4. 非 plug-in 估计量的潜力(扎根于第 1.2 节"the natural plug-in estimator is minimax rate-optimal")。在非临界情形,plug-in 已最优;但在临界情形,是否存在去偏估计量(如基于 U-统计量或 influence function 的估计量)能达到 n^{-1/2}?这与研究者熟悉的 semiparametric efficiency 理论直接相关——SW_p^p 的 influence function 是什么?其方差是否在临界情形发散?

  5. 检验问题的对偶(扎根于第 1.1 节提到的两样本检验应用)。本文研究的是估计误差,但 Sliced Wasserstein 也用于两样本检验。估计的 minimax 率与检验的 minimax 分离率之间有何关系?在 r = 2p 临界情形,对数间隙是否对应检验问题的"临界分离率"?


给研究者的提醒:要确认上述问题是否是真 gap,建议去读以下近期文献的 introduction(各约 5 篇):(i) 关于 Wasserstein 距离 minimax 估计的后续工作(搜索引用 Manole et al. [10] 的文章);(ii) 关于 Sliced Wasserstein 的高维统计性质(搜索引用 Nietert et al. [14] 的文章);(iii) 关于临界矩条件下的分位数过程极限(搜索 Bobkov & Ledoux [2] 的后续引用)。如果这些文献中已经出现 r = 2p 的精确率,则问题 1 已解决;如果它们互相矛盾(例如有的声称 n^{-1/2} 可达,有的声称不可能),那本身就是高价值信号。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论