跳转至

Covariance Function Estimation for High-Dimensional Functional Time Series with Dual Factor Structures

作者: Chenlei Leng, Degui Li, Han Lin Shang, Yingcun Xia
来源: Journal of Business & Economic Statistics
主题: 高维统计 / 随机矩阵
相关性: 7/10
机构绿灯: University of Warwick(US News 前 50,免分进入精读)
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高维函数型时间序列的协方差结构估计。其根本的统计问题是:当观测到 \(N\) 条函数型时间序列(每条是一个定义在紧集上的随机函数),且 \(N\) 与时间长度 \(T\) 都可发散时,如何估计这 \(N\) 条序列之间的协方差函数矩阵(一个 \(N \times N\) 的算子矩阵)。直接估计的困难在于:函数型数据的无穷维本质使得协方差矩阵的每个元素本身就是一个二元函数,而 \(N\) 的高维性又使得样本协方差函数矩阵不可逆且误差累积严重。该方向当前处于"从低维固定 \(N\) 向高维发散 \(N\) 过渡"的成熟度阶段——低维函数型数据分析的工具(函数主成分分析、样条平滑)已相当成熟,但高维情形下的正则化与因子结构利用仍是活跃研究前沿。

发展脉络

  • 奠基工作:Chamberlain and Rothschild (1983) 提出近似因子结构(approximate factor structure),证明当资产数量很大时,只需少数几个共同因子即可解释收益协方差的主要变异,且无套利条件等价于因子结构的某种近似。这是所有后续"低秩加稀疏"协方差建模的源头。Hörmann and Kokoszka (2010) 则奠定了函数型时间序列的相依性理论基础,引入基于矩的弱相依概念,使得函数型数据的中心极限定理和大数定律得以建立。
  • 主要进展:Fan, Liao and Mincheva (2013) 提出 POET 方法,将高维协方差矩阵分解为"低秩因子部分 + 稀疏 idiosyncratic 部分",并证明在因子数固定时,经阈值处理后的估计量在算子范数下达到最优收敛速度。这是本文直接对标的方法论基础。Happ and Greven (2018) 将多变量函数主成分分析推广到不同定义域的函数型数据,为函数型因子模型提供了降维工具。Tavakoli, Nisol and Hallin (2023a,b) 则正式提出高维函数型因子模型,但他们的设定是函数型载荷 + 实值因子,与本文的算子载荷 + 函数型因子不同。
  • 当前 frontier:Guo, Qiao and Wang (2021) 提出完全函数型因子模型(函数型载荷 + 函数型因子),但要求载荷矩阵满足正交性且因子数固定。Li, Qiao and Wang (2023) 与本文同期独立地考虑了函数型因子模型下的协方差估计,但他们的因子数固定且假设函数定义域相同。Fang, Guo and Qiao (2023) 则发展了自适应函数型阈值算子,将矩阵阈值推广到函数空间,但未考虑因子结构。
  • 本文的位置:本文声称的贡献在于三点——(i) 提出双函数因子模型,允许载荷为算子、因子为函数,且因子通过低维权函数基展开(sieve 逼近),比现有模型更灵活;(ii) 允许因子数 \(q\) 随样本量发散,突破了固定因子数的限制;(iii) 在函数型"低秩加稀疏"结构下,同时估计因子、载荷和 idiosyncratic 协方差函数矩阵,并给出各估计量在不同函数范数下的收敛速度。

子线索聚类

被引文献大致落在三条子线索上:

  1. 高维协方差矩阵的正则化估计(Bickel and Levina 2009; Fan, Liao and Mincheva 2013; Chen, Li and Linton 2019):核心思路是利用稀疏性或低秩性对样本协方差进行正则化。Bickel-Levina 证明硬阈值在稀疏情形下达到 minimax 最优;POET 则结合因子结构与阈值。这条线索的瓶颈在于:稀疏性假设在强相依数据中不成立,而低秩假设又过于刚性。
  2. 函数型因子模型(Hays, Shen and Huang 2012; Kokoszka et al. 2015, 2018; Martínez-Hernández et al. 2020; Tavakoli, Nisol and Hallin 2023a,b; Guo, Qiao and Wang 2021):核心问题是如何在函数空间中定义因子结构。分歧点在于载荷是函数还是算子、因子是函数还是实值向量、因子数固定还是发散。这条线索的瓶颈是:函数型数据的无穷维本质使得因子可识别性证明困难,且计算涉及算子谱分解。
  3. 函数型时间序列的相依性与推断(Hörmann and Kokoszka 2010; Hörmann, Kidziński and Hallin 2012; Panaretos and Tavakoli 2013; Rice, Wirjanto and Zhao 2020):核心是建立函数型序列的弱相依条件(如 \(m\)-可逼近性、\(\tau\)-混合),使得大样本推断可行。本文的 \(\tau\)-混合假设直接继承自这条线索。

这个方向在追问的核心问题

  1. 因子结构的可识别性:在函数空间中,因子与载荷的分解不唯一(旋转不变性),如何施加约束(如正交性、归一化)使估计量有明确极限?现有方法(Tavakoli et al. 2023a,b)依赖强正交条件,本文通过 sieve 逼近将问题转化为有限维,但代价是引入逼近误差 \(\xi_q\)。
  2. 高维与函数型维度的双重诅咒:\(N\) 发散与函数空间的无穷维同时出现时,如何平衡估计误差与逼近误差?本文的收敛速度中同时出现 \(N^{-1/2}\)、\(T^{-1/2}\) 和 \(\xi_q\) 三项,三者的权衡是核心。
  3. 稀疏性与相依性的兼容:idiosyncratic 部分的函数型稀疏假设(即大多数协方差函数算子的 Hilbert-Schmidt 范数很小)是否在时间相依数据中可验证?本文直接假设了这一点,但未给出检验方法。

⚠️ 作者的 framing(这是作者的说法)

作者在引言中把缺口 frame 成:现有函数型因子模型要么假设实值因子(Tavakoli et al. 2023a,b),要么假设函数型载荷但因子数固定(Guo et al. 2021),而"据我们所知,尚未有工作允许因子数为发散且载荷为一般线性算子"。因此本文的"双函数因子模型"(载荷为算子 + 因子经 sieve 逼近 + \(q\) 发散)被呈现为"显然的下一步"。作者淡化了 Li, Qiao and Wang (2023) 的竞争工作——仅在引言末尾提到"独立同时期工作",但未详细对比两者在假设强度和适用范围上的差异。值得研究者去查的问题:Li, Qiao and Wang (2023) 是否也允许 \(q\) 发散?如果允许,本文的 novelty 是否只是 sieve 逼近的技术细节?另外,作者没有引用 Bai and Ng (2002) 之外的信息准则文献(如 Ahn and Horenstein 2013 虽被引用但未讨论其在高维函数型情形的适用性),也没有讨论因子数发散时信息准则的理论性质——这是一个明显的空白。

张力

未见明显对立引用。但存在一个潜在张力:Tavakoli et al. (2023a,b) 强调函数型因子模型的估计需要频率域方法(利用谱密度算子),而本文完全在时域操作,仅假设 \(\tau\)-混合。这两种技术路线在相依性假设上不可比——频率域方法需要更严格的线性过程假设,但能捕捉更丰富的动态结构。作者未讨论为何选择时域而非频率域,这可能是后续研究的一个切入点。


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

符号清单(逐个点名):

记号 含义 类型
\(X_{it}(u)\) 第 \(i\) 条序列在第 \(t\) 个时间点的函数观测值,\(u \in \mathcal{C}_i\) 可观测随机函数
\(N\) 序列条数(截面维数) 发散维数
\(T\) 时间长度 发散维数
\(k^*\) 真实因子数(未知,有限) 参数
\(q\) 因子数的估计值/上界,可随 \(N,T\) 发散 发散维数
\(B_{ik}(u,v)\) 第 \(i\) 条序列对第 \(k\) 个因子的载荷核函数(算子核) 待估参数(无穷维)
\(F_{tk}(v)\) 第 \(k\) 个潜在函数因子在时间 \(t\) 的值 潜在(不可观测)随机函数
\(\varepsilon_{it}(u)\) idiosyncratic 误差函数 潜在随机函数
\(\Phi_k(v)\) 用于逼近 \(F_{tk}\) 的 \(q\) 维权函数基 已知基函数
\(G_t\) \(q\) 维权系数向量(\(F_{tk} \approx \Phi_k^\top G_t\)) 潜在随机向量
\(\Lambda_i(u)\) 约化后的 \(q\) 维载荷函数向量(\(\Lambda_i = \int B_i \Phi\)) 待估参数(有限维函数向量)
\(C_X(u,v)\) \(N \times N\) 协方差函数矩阵,\([C_X]_{ij}(u,v) = \text{Cov}(X_{it}(u), X_{jt}(v))\) 目标 estimand
\(C_\chi\) 共同成分 \(\chi_{it}\) 的协方差函数矩阵 低秩部分
\(C_\varepsilon\) idiosyncratic 成分 \(\varepsilon_{it}\) 的协方差函数矩阵 稀疏部分
\(\|\cdot\|_S\) Hilbert-Schmidt 范数(算子范数) 范数
\(\xi_q\) sieve 逼近误差:\(\max_k \mathbb{E}\|F_{tk} - \Phi_k^\top G_t\|_2^2\) 的平方根 逼近误差
\(\tau(n)\) \(\tau\)-混合系数 相依性度量

模型(式 2.1–2.6 合并):

\[X_{it}(u) = \sum_{k=1}^{k^*} \int_{\mathcal{C}_k^*} B_{ik}(u,v) F_{tk}(v) dv + \varepsilon_{it}(u) = \Lambda_i(u)^\top G_t + \chi^\eta_{it}(u) + \varepsilon_{it}(u)\]

其中: - 可观测:\(\{X_{it}(u) : i=1,\dots,N,\ t=1,\dots,T,\ u \in \mathcal{C}_i\}\),即 \(N\) 条函数型时间序列的样本。 - 不可观测:因子 \(F_{tk}\)(或 \(G_t\))、载荷算子 \(B_{ik}\)、idiosyncratic 误差 \(\varepsilon_{it}\)。 - 关键结构:\(C_X = C_\chi + C_\varepsilon\),其中 \(C_\chi\) 是低秩的(由 \(k^*\) 个因子驱动),\(C_\varepsilon\) 是函数型稀疏的(满足式 3.3 的 \(\ell_q\) 范数条件)。

识别假设(Assumption 1–3 的核心): 1. 因子载荷满足 \(\frac{1}{N}\sum_{i=1}^N \int \Lambda_i(u)\Lambda_i(u)^\top du \to \Sigma_\Lambda\)(正定),保证因子可识别; 2. 误差 \(\varepsilon_{it}\) 与因子 \(G_t\) 不相关,且 \(\varepsilon_{it}\) 的协方差函数矩阵满足函数型稀疏条件(式 3.3); 3. \(\{G_t\}\) 和 \(\{\varepsilon_{it}\}\) 是 \(\tau\)-混合的平稳序列,且子高斯矩条件成立。

第二步:最小内核

剥掉所有一般性设定后,本文的核心数学问题是:

设 \(X_{it} = \Lambda_i^\top G_t + \varepsilon_{it}\)(忽略 sieve 误差 \(\chi^\eta\)),其中 \(G_t \in \mathbb{R}^q\) 是潜在因子,\(\Lambda_i \in \mathbb{R}^q\) 是载荷向量,\(\varepsilon_{it}\) 是稀疏 idiosyncratic 误差。给定 \(N\) 条序列、\(T\) 个时间点的观测 \(\{X_{it}\}\),如何估计协方差矩阵 \(C_X = \Lambda \Sigma_G \Lambda^\top + C_\varepsilon\),使得在 \(N, T \to \infty\) 且 \(q\) 可能发散时,估计量 \(\hat{C}_X\) 在算子范数下收敛到 \(C_X\)?

为什么这个最小问题"吃劲"?

  1. 因子数 \(q\) 发散:经典 POET 假设 \(q\) 固定,此时因子部分的估计误差为 \(O_p(N^{-1/2} + T^{-1/2})\)。当 \(q\) 发散时,因子估计的累积误差变为 \(O_p(q N^{-1/2} + q T^{-1/2})\),需要 \(q = o(\sqrt{N} \wedge \sqrt{T})\) 才能保证一致性。本文的收敛速度中 \(q\) 项的出现正是这一困难的体现。

  2. 函数型稀疏的度量:在矩阵情形,稀疏性用 \(\ell_q\) 范数(每行非零元个数)刻画;在函数情形,需要将每个协方差函数算子 \(C_{\varepsilon,ij}(u,v)\) 的 Hilbert-Schmidt 范数与阈值 \(\rho\) 比较。问题在于:\(\rho\) 的选择必须同时控制估计误差(来自 \(\hat{C}_\varepsilon\) 的采样波动)和逼近误差(来自 sieve 截断),而这两者在函数型数据中相互纠缠。

  3. 估计误差的传播:估计 \(C_\varepsilon\) 需要先估计因子 \(G_t\) 和载荷 \(\Lambda_i\)。因子估计误差会传播到残差 \(\hat{\varepsilon}_{it} = X_{it} - \hat{\Lambda}_i^\top \hat{G}_t\) 中,进而污染 \(\hat{C}_\varepsilon\)。本文的关键技术难点在于证明这种传播效应在函数型稀疏条件下可忽略(即 Theorem 4.2 中的 \(\delta_{N,T,q}\) 界)。

最小例子的证明思路(对应 Theorem 4.2 的骨架):

  • 第 1 步:用 PCA 估计因子和载荷(Proposition 4.1),得到 \(\hat{G}_t\) 和 \(\hat{\Lambda}_i\) 的收敛速度。关键是用 \(\tau\)-混合不等式(Proposition C.1)控制 \(\frac{1}{T}\sum_t G_t \varepsilon_{it}\) 的波动。
  • 第 2 步:构造残差 \(\hat{\varepsilon}_{it} = X_{it} - \hat{\Lambda}_i^\top \hat{G}_t\),证明 \(\frac{1}{T}\sum_t \hat{\varepsilon}_{it}\hat{\varepsilon}_{jt}\) 与 \(\frac{1}{T}\sum_t \varepsilon_{it}\varepsilon_{jt}\) 的差异为 \(O_p(\delta_{N,T,q})\)。这一步需要 Proposition 4.1 的因子估计误差界。
  • 第 3 步:对 \(\hat{C}_\varepsilon\) 施加函数型阈值算子 \(s_\rho(\cdot)\),利用稀疏条件(式 3.3)证明阈值化后的估计误差为 \(O_p(\delta_{N,T,q}^{1-\iota})\)。关键不等式是 \(\|s_\rho(\hat{C}_\varepsilon) - C_\varepsilon\|_S \leq \|s_\rho(\hat{C}_\varepsilon) - s_\rho(C_\varepsilon)\|_S + \|s_\rho(C_\varepsilon) - C_\varepsilon\|_S\),第一项用 Lipschitz 性质控制,第二项用稀疏性控制。
  • 第 4 步:组合因子部分和 idiosyncratic 部分的估计,得到 Theorem 4.3 的最终收敛速度 \(q^{1/2}\delta_{N,T,q}\)。

一句话总结本文的数学贡献:在因子数可发散、载荷为一般算子的函数型因子模型中,证明了 PCA + 函数型阈值估计量在 Hilbert-Schmidt 范数下的收敛速度,并给出了因子数的一致选择准则和阈值参数的交叉验证方法。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在高维函数型时间序列中,当因子数为发散、载荷为一般线性算子时,如何估计协方差函数矩阵(满足"低秩加稀疏"结构)。
  2. 核心工具/方法:函数型 PCA(通过 sieve 逼近将无穷维问题转化为 \(q\) 维问题)+ 函数型广义收缩算子(将矩阵阈值推广到算子空间)+ 修正信息准则(选择因子数)+ 修正交叉验证(选择阈值参数)。
  3. 主要结论:在 \(\tau\)-混合相依性和子高斯矩条件下,因子和载荷估计达到 \(O_p(q(T^{-1/2} + N^{-1/2} + \xi_q))\) 的收敛速度,idiosyncratic 协方差函数矩阵在 Hilbert-Schmidt 范数下达到 \(O_p(\delta_{N,T,q})\) 的收敛速度,且因子数选择准则和阈值参数选择方法具有一致性。

关键设定与假设

  • 模型结构:\(X_{it} = \Lambda_i^\top G_t + \chi^\eta_{it} + \varepsilon_{it}\),其中 \(\chi^\eta\) 是 sieve 逼近误差,\(\varepsilon\) 是 idiosyncratic 部分。
  • 与已有文献的对比:
  • 相比 Tavakoli et al. (2023a,b):本文允许因子数 \(q\) 发散(他们假设固定),且载荷为一般算子而非函数(他们的载荷是函数,因子是实值)。
  • 相比 Guo et al. (2021):本文允许 \(q\) 发散且不要求载荷正交性(他们要求 \(\frac{1}{N}\sum \Lambda_i \Lambda_i^\top = I_q\))。
  • 相比 Fan, Liao and Mincheva (2013):本文从矩阵推广到算子,且允许时间相依。
  • 关键假设的统计含义:
  • Assumption 1(ii):载荷算子的范数有界且 \(\frac{1}{N}\sum \Lambda_i \Lambda_i^\top\) 正定——保证因子可识别,即因子不是"弱因子";
  • Assumption 2:误差的协方差函数矩阵满足函数型稀疏条件(式 3.3),即 \(\max_i \sum_j \|C_{\varepsilon,ij}\|_S^\iota \leq \varpi_N\)——这是阈值法一致性的核心;
  • Assumption 3:\(\tau\)-混合 + 子高斯矩,保证集中不等式成立。

主要结果

  • Proposition 4.1:因子和载荷的估计误差界。式 (4.1) 给出 \(\frac{1}{T}\sum_t \|\hat{G}_t - RG_t\|_2^2 = O_p(q(T^{-1} + N^{-1} + \xi_q^2))\),式 (4.2) 给出载荷的均匀收敛速度。证明的关键是用 \(\tau\)-混合不等式控制交叉矩。
  • Theorem 4.2:idiosyncratic 协方差函数矩阵的估计误差。式 (4.3) 给出最大范数下的收敛速度 \(\delta_{N,T,q}\),式 (4.4) 给出 \(\ell_1\) 范数下的收敛速度 \(\varpi_N \delta_{N,T,q}^{1-\iota}\)。证明的关键是分解估计误差为"采样误差 + 因子估计传播误差 + 阈值化误差"三部分。
  • Theorem 4.3:整体协方差函数矩阵的估计误差。在 \(\Sigma_G = I_q\) 的附加假设下,得到 \(q^{1/2}\delta_{N,T,q}\) 的收敛速度。
  • Proposition 5.1:因子数选择的一致性。修正信息准则在 \(q\) 发散时仍能一致估计真实因子数。

证明路线与技术技巧

  • 整体路线:先证明因子和载荷的估计误差(Proposition 4.1),再证明 idiosyncratic 协方差矩阵的估计误差(Theorem 4.2),最后组合得到整体协方差矩阵的估计误差(Theorem 4.3)。每一步都依赖于 \(\tau\)-混合集中不等式。
  • 关键引理:
  • Lemma B.1:\(\frac{1}{T}\Delta\) 的特征值分离性,保证 PCA 估计的因子可识别。
  • Lemma B.4:\(\max_{i,k} \|\frac{1}{T}\sum_t \varepsilon_{it} G_{tk}\|_2 = O_p(T^{-1/2}[\log(N \vee T)]^{1/2+1/(2\gamma)})\),这是控制因子估计传播误差的核心。
  • Lemma B.5:\(\max_{i,j} \|\frac{1}{T}\sum_t \varepsilon_{it}\varepsilon_{jt} - C_{\varepsilon,ij}\|_S = O_p(T^{-1/2}[\log(N \vee T)]^{1/2+1/(2\gamma)})\),这是控制采样误差的核心。
  • 技术技巧:
  • 截断技巧:在证明 Lemma B.4 和 B.5 时,先用子高斯矩条件截断,再用 \(\tau\)-混合不等式。
  • sieve 逼近:将函数型因子 \(F_{tk}\) 用 \(q\) 维权函数基展开,将算子估计转化为矩阵估计,但需要额外控制逼近误差 \(\xi_q\)。
  • 函数型收缩算子:定义 \(s_\rho(C) = \sum_{i,j} s_\rho(\|C_{ij}\|_S) C_{ij}\),其中 \(s_\rho\) 是满足三条性质的收缩函数(阈值、收缩、Lipschitz),将矩阵阈值推广到算子空间。

真实例子与应用

  • 模拟研究:生成 \(N = 50, 100, 200\) 条函数型时间序列,\(T = 100, 200\),\(q = 5, 10, 15\)。比较四种收缩函数(Hard、Soft、SCAD、Alasso)与样本协方差函数矩阵。结果显示:
  • 收缩方法显著优于样本协方差函数矩阵(\(\ell_1\) 和 \(\ell_2\) 误差降低约 70-80%);
  • Alasso 在四种收缩函数中表现最好;
  • 当 \(N\) 从 50 增至 200 时,\(\ell_1\) 误差仅小幅增加,而 \(\ell_2\) 误差增加更明显,与理论预测一致。
  • 实证研究:S&P 500 指数中 473 只股票的日内累计收益曲线(CIDR),时间跨度为 2019-2020 年。主要发现:
  • 因子数选择为 1(2019 年)和 2(2020 年),表明 COVID-19 期间市场共同因子增加;
  • 收缩后的 idiosyncratic 协方差矩阵比样本协方差函数矩阵更稀疏,且稀疏模式在 2019 和 2020 年间有显著差异;
  • 基于估计协方差矩阵的等风险贡献组合在样本外表现优于基于样本协方差矩阵的组合。

🔎 结论是否比证明窄

  • 明确窄于证明的声明:Theorem 4.3 需要额外假设 \(\Sigma_G = I_q\)(因子正交),但模拟中并未验证该假设是否满足。作者在 Remark 4 中承认"当 \(\Sigma_G \neq I_q\) 时,收敛速度中会出现额外的 \(q\) 因子",但未给出具体界。
  • 被泛化的声明:作者在摘要和引言中声称方法适用于"一般线性算子载荷",但 Theorem 4.2 的证明中假设了载荷算子 \(B_{ik}\) 的核函数是平方可积的(Hilbert-Schmidt 算子),这排除了某些奇异核(如 Dirac delta)。作者未明确说明这一限制。
  • 未证明的声明:Proposition 5.1 声称信息准则在 \(q\) 发散时一致,但证明中假设 \(q = o(\sqrt{N} \wedge \sqrt{T})\),且未讨论 \(q\) 发散速度达到上界时的行为。作者在 Remark 5 中承认"当 \(q\) 接近 \(\sqrt{N}\) 时,因子数选择可能不准确"。

四、开放问题

  1. 因子正交性假设的放松(扎根于 Theorem 4.3 的 \(\Sigma_G = I_q\) 假设):当 \(\Sigma_G \neq I_q\) 时,收敛速度如何变化?是否存在旋转不变的正交化方法消除这一假设?作者在 Remark 4 中仅给出模糊的"额外 \(q\) 因子"提示,未给出精确界。

  2. 自适应阈值参数的渐近最优性(扎根于 Section 5.1 的交叉验证):作者提出的修正交叉验证方法缺乏理论保证——没有证明所选阈值参数 \(\hat{\rho}\) 是否达到最优误差的常数倍。Bickel and Levina (2008) 对矩阵情形有类似结果,但函数情形的推广未完成。

  3. 因子数发散速度的上界(扎根于 Proposition 5.1 的条件 \(q = o(\sqrt{N} \wedge \sqrt{T})\)):当 \(q\) 以更快的速度发散时,信息准则是否仍然一致?是否存在类似 Bai and Ng (2002) 的惩罚项调整方法?

  4. 弱因子情形(扎根于 Assumption 1(ii) 的正定性条件):当因子载荷的累积解释力较弱(即 \(\Sigma_\Lambda\) 的最小特征值趋于 0)时,因子估计的一致性是否仍然成立?这是高维因子分析中已知的困难(参见 Onatski 2012),本文未涉及。

  5. 函数型 idiosyncratic 稀疏性的检验(扎根于式 3.3 的稀疏条件):如何从数据中检验"函数型稀疏"假设是否合理?作者在实证部分直接假设了该条件,但未提供诊断工具。


提醒:若想确认上述某条是否是真 gap,建议去读以下近期文献的引言部分(约 5 篇):(i) Tavakoli, Nisol and Hallin (2023a,b) 的后续工作;(ii) Li, Qiao and Wang (2023) 的正式发表版本;(iii) 函数型因子分析的最新综述(如 Rice 2023);(iv) 高维协方差估计的 minimax 最优性文献(如 Cai, Zhang and Zhou 2010)。如果这些文献的引言都指向同一问题,那大概率是共识性 gap;如果互相矛盾,则是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论