Asymptotic online FWER control for dependent test statistics¶
作者: Vincent Jankovic, Lasse Fischer, Werner Brannath
来源: Statistical Methods in Medical Research
主题: 数理统计 / 假设检验
相关性: 6/10
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
在线多重检验(online multiple testing)处理的是这样一个统计决策问题:假设检验以序贯方式到来,每个时间点必须基于当前及过去的数据立即做出拒绝/不拒绝的决定,且不能依赖未来信息。其根本挑战在于:如何在无限或未知长度的假设序列上,以某种长期错误率(如 FWER 或 FDR)为约束,同时最大化检验功效。该子方向的核心张力在于"信息的时间不对称性"——决策者只拥有过去的信息,却要为整个序列的错误率负责。当前该领域已从最初的简单 alpha-spending 方法(Foster and Stine, 2008)发展到具有自适应、折扣、图形化等机制的复杂程序(Tian and Ramdas, 2021; Fischer et al., 2023, 2024),但绝大多数理论保证都建立在检验统计量独立或至多局部依赖的假设之上。本文试图打破这一限制,在任意依赖结构下建立渐近的 FWER 控制框架。
发展脉络¶
奠基工作:Foster and Stine (2008) 提出 α-investing 框架,将"错误预算"概念引入序贯检验——每次拒绝为未来检验赚取额外预算,每次不拒绝则消耗预算。这一框架奠定了在线错误控制的"财富分配"范式。同期,Javanmard and Montanari (2018) 将类似思想推广到 FDR 控制(LOND 程序),并给出了在 p 值独立条件下的严格证明。
主要进展:Tian and Ramdas (2021) 系统性地发展了在线 FWER 控制理论,提出了 Adaptive-Spending 和 ADDIS-Spending 算法。其关键创新在于引入"候选指标"(candidate indicator)概念——用 p 值是否小于某个阈值 λ 来估计该假设是否为真零假设,从而将预算集中在更可能显著的检验上。这一"自适应"机制大幅提升了功效,但代价是引入了 p 值与检验水平之间的依赖:检验水平 αᵢ 直接依赖于过去的 p 值,而当前 p 值又与过去 p 值相关(在依赖数据下),导致条件有效性条件(4)被破坏。Fischer et al. (2024) 进一步提出了在线闭包原理(online closure principle),为在线 FWER 控制提供了统一的理论框架,并证明了任何满足特定条件的在线程序都可以嵌入闭包结构中获得改进。Fischer et al. (2023) 则引入了图形化方法(ADDIS-Graph),允许检验水平在假设之间更灵活地重新分配。
当前 frontier:依赖数据下的在线错误控制是当前最活跃的开放问题之一。Zrnic et al. (2021) 通过"冲突集"(conflict set)概念处理异步检验中的局部依赖,但其方法要求对依赖结构有相当程度的先验知识。Robertson et al. (2022) 明确指出了平台试验中共享对照组导致的依赖问题,但未给出一般性的解决方案。本文的位置正是在这一缺口上:它不假设任何具体的依赖结构,而是通过引入"一致权重"(consistent weights)这一工具,将依赖问题转化为渐近问题——只要权重在样本量趋于无穷时收敛到确定性常数,检验水平与 p 值之间的依赖就会在极限中消失。
子线索聚类¶
被引文献大致落在三条子线索上:
-
在线 FWER 控制的自适应方法(Tian and Ramdas, 2021; Fischer et al., 2023, 2024):核心问题是"如何在不知道未来假设的情况下分配错误预算"。方法上依赖候选指标、折扣因子、图形化预算再分配等机制。这些方法在独立 p 值下具有严格保证,但对依赖数据的扩展是开放的。
-
在线 FDR 控制及其在临床试验中的应用(Javanmard and Montanari, 2018; Ramdas et al., 2018; Robertson et al., 2023; Zehetmayer et al., 2021):这一线索更偏向应用驱动,特别是平台试验中的多重比较问题。其核心困难在于共享对照组引入的依赖结构,以及试验中期加入新治疗臂导致的"非平稳"检验序列。
-
依赖数据下的重抽样方法(Neumann et al., 2021; Bickel et al., 2012; Swanepoel, 1986):这一线索看似独立,实则是本文的技术基石。低强度 bootstrap(m-out-of-n bootstrap)的核心思想是:用更小的重抽样规模来模拟"从总体到样本"的采样过程,从而在统计量不平稳时仍保持一致性。本文将其用于构造一致权重,是这一技术在新场景下的应用。
核心问题¶
该方向在追问的核心问题可以概括为:
-
依赖鲁棒性:当 p 值之间存在任意依赖时,如何设计在线检验程序使其错误率仍然可控?已知的独立假设在平台试验、数据复用等场景中几乎必然被违反。
-
自适应与有效性的权衡:自适应方法(如 Adaptive-Spending)通过利用数据信息提升功效,但这种利用本身引入了新的依赖。是否存在一种机制,既能利用数据信息,又不破坏错误控制的保证?
-
渐近 vs 精确控制:在依赖数据下,精确的有限样本控制通常不可行(需要知道依赖结构)。那么,渐近控制是否是一个合理的替代目标?如果是,需要什么样的正则条件?
⚠️ 作者的 framing¶
作者将缺口 frame 为:现有在线 FWER 控制方法(特别是 Adaptive-Spending 类)的失效根源在于"检验水平与 p 值之间的依赖",而这种依赖在独立假设下不存在、在依赖数据下却无法避免。作者的解决方案是引入"一致权重"概念——用收敛到确定性常数的随机权重替代离散的候选指标,从而在极限中切断检验水平与 p 值之间的依赖链条。这是一个"用渐近性换取鲁棒性"的框架:不试图在有限样本下精确控制 FWER,而是保证在样本量趋于无穷时 FWER 的极限不超过名义水平。作者同时淡化了两个竞争路线的讨论:(i) Zrnic et al. (2021) 的冲突集方法——作者仅指出其需要依赖结构的知识,但未深入比较两种方法的功效差异;(ii) 精确有限样本控制的可能性——作者默认这在任意依赖下不可行,但未给出形式化的不可能性论证。
张力¶
未见明显的对立引用。不过有一个值得注意的张力:Tian and Ramdas (2021) 的 Adaptive-Spending 在独立 p 值下具有精确的有限样本 FWER 控制,而本文的框架只提供渐近控制。这意味着在独立数据下,本文方法严格弱于已有方法(至少在理论上)。作者在模拟中展示了有限样本下 FWER 接近名义水平,但这只是数值证据,不是理论保证。这个"用精确性换鲁棒性"的权衡是该领域的一个基本张力,本文选择了鲁棒性一端。
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¶
假设检验序列:我们面对一个无限(或有限但未知长度)的假设序列 H₁, H₂, H₃, ...。每个假设 Hᵢ 对应一个零假设,需要基于数据 Xᵢ 做出拒绝或不拒绝的决定。
数据与样本量:对每个假设 Hᵢ,观测数据 Xᵢ 的样本量为 nᵢ。这里的关键设定是:nᵢ 可以随 i 变化,且所有渐近分析都通过一个共同的参数 n → ∞ 进行,要求 nᵢ → ∞ 对所有 i 成立。这意味着每个假设的检验都有足够的样本量来保证其检验统计量的渐近性质。
检验统计量与 p 值:对每个假设 Hᵢ,我们有一个检验统计量 Tᵢ,ₙ(Xᵢ) 或等价的 p 值 Pᵢ,ₙ(Xᵢ)。在零假设下,p 值满足渐近有效性:Pᵢ,ₙ → Uᵢ(依分布),其中 Uᵢ 是 [0,1] 上的均匀分布(或超均匀分布,即 P(Uᵢ ≤ x) ≤ x)。关键点:我们不对不同假设的 p 值之间的依赖结构做任何假设——它们可以任意相关。
检验水平:在线检验程序在每个时间点 i 选择一个检验水平 αᵢ,ₙ,它只依赖于过去的数据 X₁, ..., Xᵢ₋₁(以及过去的决策),不依赖于当前或未来的数据。这是"在线"约束的形式化。
错误计数:设 Vₙ(N) = Σ_{i∈H₀(N)} 1{Pᵢ,ₙ ≤ αᵢ,ₙ} 为前 N 个假设中错误拒绝的数量,其中 H₀(N) 是前 N 个假设中零假设为真的指标集合。FWER 定义为 P(Vₙ(N) ≥ 1)。
目标:设计检验水平序列 {αᵢ,ₙ},使得对任意 N ∈ ℕ,limsup_{n→∞} FWERₙ(N) ≤ α,其中 α 是预设的显著性水平。
一致权重:这是本文的核心新概念。权重 ξᵢ,ₙ = ξᵢ,ₙ(Xᵢ) 是数据的函数,取值于 [0,1],满足:对每个 i,存在常数 cᵢ ∈ [0,1],使得 ξᵢ,ₙ → cᵢ(依概率),且对零假设成立时有 cᵢ ≥ 1 - λᵢ。直观上,权重 ξᵢ,ₙ 是对"第 i 个假设是否为真零假设"的连续估计——当假设为真时,权重应收敛到至少 1 - λᵢ 的值;当假设为假时,权重应收敛到较小的值(理想情况下接近 0)。
可观测数据:研究者实际能观测到的是每个假设的原始数据 Xᵢ(或至少是检验统计量 Tᵢ,ₙ),以及由这些数据计算出的 p 值 Pᵢ,ₙ 和权重 ξᵢ,ₙ。不可观测的是每个假设的真实状态(零假设真/假)——这正是需要推断的对象。
第二步:最小内核¶
核心问题:在 p 值任意依赖的情况下,如何构造在线检验程序使得 FWER 得到渐近控制?
最小设定:考虑最简单的情形——每个假设 Hᵢ 的检验基于单样本均值检验,数据 Xᵢ = (Xᵢ,₁, ..., Xᵢ,ₙᵢ) 为独立同分布的高斯随机变量,方差已知为 1。检验 Hᵢ : μᵢ ≤ 0 对 Hᵢ' : μᵢ > 0。检验统计量为 Zᵢ,ₙ = √nᵢ · X̄ᵢ,ₙ,p 值为 Pᵢ,ₙ = 1 - Φ(Zᵢ,ₙ)。不同假设的数据可以任意相关(例如,共享某些协变量或重复使用对照数据)。
为什么朴素方法会失败:Adaptive-Spending 方法(Tian and Ramdas, 2021)的检验水平形如 αᵢ = α(1-λ)γ_{t(i)},其中 t(i) = 1 + Σ_{j<i}(1 - Cⱼ),Cⱼ = 1{Pⱼ ≤ λ} 是候选指标。这里的关键问题是:αᵢ 依赖于过去的 p 值(通过 Cⱼ),而在依赖数据下,过去的 p 值与当前的 p 值相关,因此 αᵢ 与 Pᵢ 相关。这违反了条件有效性要求(4):E[1{Pᵢ ≤ αᵢ} | P₁, ..., Pᵢ₋₁] ≤ αᵢ 不再成立。具体来说,如果过去的 p 值偏小(导致 αᵢ 偏大),当前的 p 值在正相关下也倾向于偏小,从而 Pᵢ ≤ αᵢ 的概率超过 αᵢ。
本文的核心思想:用一致权重 ξᵢ,ₙ 替代离散的候选指标 Cᵢ。关键区别在于:ξᵢ,ₙ 是"渐近确定性的"——当 n → ∞ 时,ξᵢ,ₙ 收敛到一个常数 cᵢ。这意味着在极限中,检验水平 αᵢ,ₙ = fᵢ(ξ₁,ₙ, ..., ξᵢ₋₁,ₙ) 也收敛到一个常数 αᵢ = fᵢ(c₁, ..., cᵢ₋₁)。由于 αᵢ 是常数,它与 Pᵢ 的依赖在极限中消失,条件有效性(4)在渐近意义下恢复。
为什么低强度 bootstrap 能构造一致权重:在单样本均值检验的例子中,权重定义为 ξᵢ,ₙ = P{P*ᵢ,ₘₙ > λᵢ | Xᵢ} = Φ[Φ⁻¹(1-λᵢ) - √(mₙ/nᵢ) · Zᵢ,ₙ],
其中 P*ᵢ,ₘₙ 是基于 mₙ 个 bootstrap 样本的 p 值。当零假设 μᵢ = 0 为真时,Zᵢ,ₙ = Oₚ(1),而 √(mₙ/nᵢ) → 0(因为 mₙ/nᵢ → 0),所以 ξᵢ,ₙ → Φ[Φ⁻¹(1-λᵢ)] = 1 - λᵢ(依概率)。当备择假设 μᵢ > 0 为真时,Zᵢ,ₙ → ∞,所以 ξᵢ,ₙ → 0(依概率)。因此,ξᵢ,ₙ 满足一致权重的定义,且能区分零假设和备择假设。
为什么 mₙ < nᵢ 是必要的:如果使用全样本 bootstrap(mₙ = nᵢ),则在零假设下,bootstrap p 值的条件分布不会退化到常数——因为 Zᵢ,ₙ 的随机性不会消失。这导致 ξᵢ,ₙ 不收敛到常数,权重与 p 值之间的依赖无法在极限中消除。低强度 bootstrap 的关键在于:用更小的重抽样规模"稀释"了样本统计量的随机性,使得权重在极限中变成确定性函数。
证明路线(最小版): 1. 由一致权重的定义(5),ξᵢ,ₙ → cᵢ(依概率),且对零假设有 cᵢ ≥ 1 - λᵢ。 2. 由检验水平的连续性(假设 3.5),αᵢ,ₙ = fᵢ(ξ₁,ₙ, ..., ξᵢ₋₁,ₙ) → αᵢ = fᵢ(c₁, ..., cᵢ₋₁)(依概率)。 3. 由 p 值的渐近有效性(假设 3.6),Pᵢ,ₙ → Uᵢ(依分布),其中 Uᵢ 是超均匀分布。 4. 由于 αᵢ 是常数,且 Pᵢ,ₙ 与 αᵢ,ₙ 的联合分布收敛到 Uᵢ 与 αᵢ 的独立乘积分布(这是关键步骤,需要证明依赖在极限中消失),得到 limsup E[1{Pᵢ,ₙ ≤ αᵢ,ₙ}] ≤ αᵢ。 5. 对零假设集合求和,利用条件(6)的"预算约束"性质,得到 limsup E[Vₙ(N)] ≤ α。 6. 由 Markov 不等式,P(Vₙ(N) ≥ 1) ≤ E[Vₙ(N)] ≤ α,完成证明。
这个最小内核揭示了什么:本文的数学本质是"用渐近确定性替代独立性"。它不试图在有限样本下控制 FWER,而是通过构造收敛到常数的权重,使得检验水平与 p 值之间的依赖在极限中消失。这是一个"足够好"的解决方案——在样本量足够大时,错误率接近名义水平,但不需要知道依赖结构。
三、这篇论文做了什么¶
三句话¶
① 研究了什么问题:在检验统计量具有任意依赖结构(而非独立或局部依赖)的在线多重检验中,如何构造渐近控制 FWER 的检验程序。
② 核心工具/方法:引入"一致权重"(consistent weights)概念——用收敛到确定性常数的随机权重替代离散的候选指标,并给出两种构造一致权重的具体方法(阈值化权重和低强度 bootstrap 权重),在此基础上建立满足预算约束(6)的通用检验框架。
③ 主要结论:在一致权重和检验水平连续性假设下,任何满足预算约束(6)的在线检验程序都能渐近控制 FWER;具体实例包括连续 Adaptive-Graph 和连续自适应花费程序;模拟研究验证了这些程序在有限样本下的错误率控制和功效优势。
关键设定与假设¶
设定:无限假设序列 H₁, H₂, ...,每个假设基于样本量为 nᵢ 的数据 Xᵢ 进行检验。所有渐近分析通过共同参数 n → ∞ 进行,要求 nᵢ → ∞ 对所有 i 成立。检验水平 αᵢ,ₙ 只依赖于过去的数据。
假设 3.5(检验水平的连续性):检验水平 αᵢ,ₙ = fᵢ(ξ₁,ₙ, ..., ξᵢ₋₁,ₙ) 是一致权重的确定性连续函数。这个假设保证了由一致权重的收敛性可以推出检验水平的收敛性。相比已有文献(如 Tian and Ramdas 2021 中检验水平直接依赖于离散的候选指标),这里要求的是连续依赖,这是一个更强的正则条件,但也是获得渐近确定性的必要代价。
假设 3.6(p 值的渐近有效性):零假设下的 p 值渐近服从超均匀分布,即存在均匀分布随机变量 Uᵢ 使得 Pᵢ,ₙ → Uᵢ(依分布)。这是检验统计量渐近理论的标淮假设,在参数和非参数检验中通常都满足。
相比已有文献的放宽/强化:相比 Zrnic et al. (2021) 的冲突集方法,本文不要求对依赖结构有任何先验知识——这是显著的放宽。相比 Tian and Ramdas (2021) 的 Adaptive-Spending,本文放弃了精确有限样本控制,换取了对任意依赖的鲁棒性——这是从精确到渐近的让步。
主要结果¶
定理 3.10(渐近 FWER 控制):设 {ξᵢ,ₙ} 是一致权重,{αᵢ,ₙ} 是满足预算约束(6)的检验水平序列。在假设 3.5 和 3.6 下,对任意 N ∈ ℕ,limsup_{n→∞} FWERₙ(N) ≤ α。
证明路线分三步: 1. 从一致权重到检验水平的收敛(引理 3.9):利用假设 3.5 的连续性,由 ξᵢ,ₙ → cᵢ(依概率)推出 αᵢ,ₙ → αᵢ(依概率),且对零假设有 αᵢ/(1-λᵢ) 的加权和不超过 α。 2. 从检验水平到错误概率的收敛(引理 3.8):利用假设 3.6 的 p 值渐近有效性,结合检验水平的渐近确定性,证明 limsup E[1{Pᵢ,ₙ ≤ αᵢ,ₙ}] ≤ αᵢ。这里的关键技巧是:虽然 Pᵢ,ₙ 和 αᵢ,ₙ 在有限样本下可能高度相关,但在极限中 αᵢ,ₙ 退化为常数,因此 Pᵢ,ₙ ≤ αᵢ,ₙ 的渐近概率等于 P(Uᵢ ≤ αᵢ) ≤ αᵢ。 3. 从单步错误概率到 FWER:对零假设集合求和,利用预算约束(6)的"总预算不超过 α"性质,得到 limsup E[Vₙ(N)] ≤ α,再由 Markov 不等式完成证明。
定理 3.11(有限样本精确控制):在独立正态检验统计量的特殊情形下,使用低强度 bootstrap 权重(λᵢ ∈ [0.5, 1)),任何满足(6)的程序都能获得精确的有限样本 FWER 控制。这个定理的意义在于:它表明在独立情形下,本文的框架不会比已有方法更差——精确控制仍然成立。
定理 3.15(连续花费程序的渐近控制):对形如(10)的连续自适应花费程序,在相同假设下获得渐近 FWER 控制。这个结果扩展了定理 3.10 的适用范围,因为(10)不满足预算约束(6),需要单独证明。
证明中的技术技巧: - 连续映射定理:用于从权重的依概率收敛推导检验水平的依概率收敛。 - Portmanteau 定理:用于处理分布收敛中的概率不等式,是引理 3.8 证明的核心工具。 - 控制收敛定理(依概率版本):用于处理期望的极限交换,在引理 3.14 的证明中起到关键作用。 - 低强度 bootstrap 的矩计算:在定理 3.11 的证明中,精确计算 bootstrap 权重的期望,利用 λᵢ ≥ 0.5 的条件确保 E[ξᵢ,ₙ/(1-λᵢ)] ≥ 1。
真实例子与应用¶
模拟研究(第 4 节):论文包含两个模拟场景。
场景一:自回归相关结构。设定 N = 1000 个假设,检验统计量来自一个 AR(1) 过程,相关系数 ρ ∈ {0.5, 0.8}。这模拟了"时间上相近的检验高度相关"的场景,例如平台试验中连续进入的试验组共享对照数据。比较了四种程序:连续花费(Continuous-Spending)、连续图(Continuous-Graph)、在线回退(Online-Fallback)和原始的 Adaptive-Spending。结果显示: - Adaptive-Spending 在 ρ = 0.8 时 FWER 膨胀约 60%(当 π₁ = 0.1 时),证实了理论预测的失效。 - 三种新程序在所有设置下都控制了 FWER 在 0.05 附近。 - 在功效方面,连续图程序与 Adaptive-Spending 相当,而连续花费和在线回退略低,但差距不大。
场景二:平台试验模拟。按照 Robertson et al. (2023) 的设定,模拟一个平台试验,其中多个治疗组在不同时间点进入,共享一个对照组。这自然引入了检验统计量之间的依赖(因为共享对照数据)。结果与场景一类似:新程序控制了 FWER,而 Adaptive-Spending 在 π₁ 较小时有中等程度的膨胀。
模拟想说明什么:核心信息是"理论保证在实践中有效"——即使在有限样本下,新程序的 FWER 也接近名义水平,且功效损失相对较小。特别是,连续图程序在保持错误控制的同时,功效与失效的 Adaptive-Spending 相当,说明"鲁棒性不需要付出太多功效代价"。
🔎 结论是否比证明窄¶
有几处值得注意的"证明-声称"差距:
-
"任意依赖"的声称 vs 模拟的有限场景:论文声称框架适用于"任意依赖结构",但模拟只覆盖了 AR(1) 和平台试验两种特定依赖模式。理论上,定理 3.10 确实不依赖具体依赖结构,但有限样本行为可能对依赖的"强度"和"形式"敏感。论文没有讨论极端依赖(如所有 p 值完全相关)下的表现。
-
定理 3.11 的有限样本结果 vs 一般情形的渐近结果:论文明确区分了这两种情况,但讨论部分(第 5 节)没有充分说明在非独立情形下,有限样本 FWER 可能偏离名义水平多远。模拟显示偏差不大,但没有理论界。
-
"功效提升"的声称:论文在摘要和讨论中声称新程序相对在线回退有功效提升,但模拟中这一提升主要来自与 Adaptive-Spending 的比较(后者失效了)。与在线回退相比,功效提升在模拟中并不总是显著。这个声称在讨论部分(第 5 节)被表述得比模拟证据更强烈。
-
一致权重的构造条件:论文给出了两种构造方法(阈值化和低强度 bootstrap),但没有系统讨论什么条件下可以构造一致权重。对于更复杂的检验问题(如非参数检验、高维检验),低强度 bootstrap 的适用性需要进一步验证。
四、开放问题¶
以下问题均扎根于论文的具体语句,供你自行判断价值与可行性:
-
折扣机制的引入(扎根于第 5 节讨论:"It might be worthwhile to investigate whether this new approach of dealing with dependency can be applied to further error rates"):论文只处理了自适应(adaptivity),没有处理折扣(discounting)。Tian and Ramdas (2021) 的 ADDIS-Spending 同时使用自适应和折扣,后者对处理保守 p 值(stochastically larger than uniform)至关重要。能否将一致权重框架扩展到包含折扣机制?这需要构造同时收敛到常数且能反映"保守程度"的权重。
-
FDR 控制的扩展(扎根于第 5 节讨论,同上引文):论文只处理 FWER。在线 FDR 控制(如 LOND、SAADDIS)在依赖数据下的行为同样开放。一致权重框架能否推广到 FDR 控制?FDR 的期望结构可能比 FWER 的概率结构更容易处理,但也可能引入新的困难。
-
有限样本界的推导(扎根于定理 3.11 的证明结构):论文只对独立情形给出了有限样本精确控制。在依赖情形下,能否推导出有限样本的 FWER 上界?这可能需要对依赖结构施加某种度量(如混合系数),并建立权重收敛速度与 FWER 偏差之间的联系。
-
更一般检验问题的权重构造(扎根于第 3.1 节的定义和例子):论文的两种权重构造方法都针对参数检验。对于非参数检验(如秩检验)、高维检验(如稀疏信号检测),如何构造满足一致性的权重?低强度 bootstrap 在这些场景下的行为需要专门分析。
-
最优权重选择(扎根于第 3.3 节的程序设计):论文给出了满足预算约束的充分条件,但没有讨论最优性。给定一类一致权重,哪个权重能最大化功效?这可能涉及一个在线最优控制问题,与"alpha 花费函数"的最优选择类似。
-
负依赖情形的行为(扎根于第 4.2 节的模拟设定):模拟只覆盖了正相关(ρ > 0)。如果检验统计量之间存在负相关,一致权重框架的行为如何?负相关可能加速权重的收敛,也可能导致非单调的有限样本行为。
提醒:要确认上述某条是否是真 gap,建议去读在线多重检验领域近期约 5 篇论文的引言部分(例如 2023-2025 年发表在 Annals of Statistics、JRSS-B、Biometrika 上的相关工作)。如果多篇引言都指向同一个未解决问题,那大概率是共识性 gap;如果各篇引言各说各话,那可能意味着问题还不够成熟,或者各家的框架差异太大。
Maintained by 陈星宇 · Homepage · Source on GitHub