Covariance Alignment: From Maximum Likelihood Estimation to Gromov–Wasserstein¶
作者: Yanjun Han, Philippe Rigollet, George Stepaniants
来源: SIAM Journal on Mathematics of Data Science
主题: 数理统计 / 假设检验
相关性: 7/10
机构绿灯: New York University(US News 前 50,免分进入精读)
链接: https://doi.org/10.1137/24m1682841
一、领域脉络与小综述¶
-
这个方向是什么:本文研究的根本问题是特征对齐(feature alignment) 的统计极限。具体而言,给定两组来自不同数据源的特征(如代谢组学中两次实验检测到的化合物),它们共享同一组真实特征但顺序未知,研究者需要找到一个一一映射(排列)来匹配两组特征,以便进行数据合并、标签迁移或联合分析。该问题的核心统计困难在于:目标参数是离散的排列(permutation),而协方差矩阵是无穷维的 nuisance 参数,二者耦合在一起,导致标准的参数估计理论(如 Cramér-Rao 界、局部渐近正态性)无法直接套用。该方向当前处于"问题已被应用驱动地提出、但统计理论基础刚刚开始建立"的阶段——本文是首次为 GW 算法提供 minimax 最优性保证的工作。
-
发展脉络(history):
- 奠基工作:排列估计的统计模型。本文的直接理论先驱是 [CD16](Collier & Dalalyan, 2016)和 [GMD22](Galstyan, Minasyan & Dalalyan, 2022),它们提出了"特征匹配"的统计模型:假设两组观测共享同一协方差结构但行/列被未知排列打乱,目标是恢复该排列。这些工作建立了排列估计的 minimax 框架,但假设协方差矩阵已知或结构非常简单(如对角占优)。
- 主要进展:从已知协方差到未知协方差。本文的关键推进在于将协方差矩阵Σ视为 nuisance 参数而非已知量。作者在引言中明确指出:"Rather than imposing structural conditions on Σ, we propose to evaluate our estimation using a Σ-dependent (pseudo-)distance, following an approach similar to the one employed in [FMR19] for statistical seriation." 这一 framing 借鉴了 [FMR19](Flammarion, Mao & Rigollet, 2019)在统计序列化(seriation)问题中的做法——用依赖于 nuisance 参数的距离函数来度量估计误差,从而绕开对Σ的结构假设。
- 当前 frontier:计算-统计权衡。在计算侧,[SPKS16](Solomon et al., 2016)提出了基于熵正则化的 GW 算法,[BSKR+23](Brezur et al., 2023)将其成功应用于代谢组学数据对齐。但正如本文引言所述:"the statistical properties of GW are underexplored"——GW 算法在实践中被广泛使用,但其统计保证(尤其是 minimax 最优性)此前完全未知。本文填补的正是这一空白:证明 GW 估计量与 QMLE 具有相同的 minimax 最优率。
-
本文的位置:本文是"排列估计 + 未知 nuisance + 计算可行算法"三者的交汇点。它建立了该问题的 minimax 下界(Theorem 4),证明 QMLE 和 GW 估计量均达到该下界(Theorems 2-3),从而首次为 GW 算法的实际部署提供了统计理论依据。
-
子线索聚类:
- 排列估计的统计理论([CD16], [GMD22], [MWR23], [MRT23]):这类工作研究在已知或部分已知的图/协方差结构下恢复排列的 minimax 率。它们通常假设观测矩阵的分布已知,或假设图结构满足某种随机模型(如 Erdős-Rényi)。
- Gromov–Wasserstein 距离与计算最优传输([Mém11], [SPKS16], [PC+17], [LTK+22], [LTK+23]):这类工作关注 GW 距离的定义、计算算法(熵正则化、Frank-Wolfe、交替 Sinkhorn)及其收敛性。它们主要从优化和数值角度研究 GW,几乎不涉及统计推断。
- 统计序列化与排列型 nuisance 问题([FMR19], [PS22]):这类工作研究如何在一维排列未知的情况下估计统计量(如协方差矩阵、回归函数),并发展出"用 nuisance 依赖的距离度量误差"这一技术工具。
-
半参数统计与正交学习([BKB+93], [CCD+17], [FS23], [MSZ18]):本文在讨论部分(Section 5.2)明确将自身与正交学习框架对比,指出其结论不能由 Neyman 正交性推出,因为排列估计的误差不是一阶可忽略的。
-
这个方向在追问的核心问题:
- 排列估计的 minimax 率是什么? 即:在协方差未知的情况下,需要多少样本才能以给定精度恢复排列?本文给出的答案是:样本复杂度为 \(\tilde{\Theta}(d \log d / \epsilon^2)\)(当 \(m=n\) 时),其中 \(\epsilon\) 是 Frobenius 范数误差。
- 计算可行的算法能否达到统计最优? QMLE 需要搜索 \(d!\) 个排列,计算上不可行;GW 算法通过凸松弛到 Birkhoff 多面体,可以在多项式时间内求解。本文证明 GW 与 QMLE 具有相同的 minimax 率,从而回答了"计算约束不损失统计效率"这一问题。
-
nuisance 参数(协方差Σ)的估计误差如何影响目标参数(排列)的估计? 这是本文最核心的技术贡献:作者证明了尽管Σ的估计误差是 \(O(d/\sqrt{m})\),但通过利用 Wishart 分布的特殊结构,可以将排列估计的误差控制在 \(O(\sqrt{d \log d / n} + \sqrt[4]{d^3 \log d / (mn)})\),即 nuisance 的影响被"压缩"了。
-
⚠️ 作者的 framing(必须明确标注成"这是作者的说法"):作者在引言和 Section 5.2 中把本文的贡献 frame 成"首次为 GW 算法提供统计最优性保证",并强调其与正交学习的区别。具体来说,作者声称:(i) 本文的 minimax 下界是非标准的,因为它涉及 \(d \log d / n\) 和 \(\sqrt{d^3 \log d / (mn)}\) 两项的权衡,而标准的参数估计问题只有 \(1/n\) 项;(ii) 本文的证明不能被正交学习框架覆盖,因为排列估计的误差不是一阶可忽略的("the Neyman orthogonality condition does not hold in our problem")。值得研究者去查的问题:作者在 Section 5.2 中对比了正交学习,但未提及 [BKW23](Balakrishnan, Kennedy & Wasserman, 2023)——这篇被引论文恰好讨论了"结构无关的函数估计"的极限,与本文的 nuisance 处理有潜在联系。作者为何不讨论 BKW23 的框架是否适用于排列估计?这是一个可能的 gap。
-
张力:未见明显对立引用。但有一个微妙的张力值得注意:[CD16] 和 [GMD22] 假设协方差矩阵已知或结构简单,而本文假设协方差完全未知但通过 Wishart 分布建模。这两类假设导致不同的 minimax 率(已知协方差时是 \(d \log d / n\),未知协方差时多了 \(\sqrt{d^3 \log d / (mn)}\) 项)。作者在 Theorem 4 中证明了下界,但没有讨论当 \(m\) 远大于 \(n\) 时(即一组样本非常充足),未知协方差的代价是否消失。这是一个未被明确回答的边界情况。
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:
- \(d\):特征维度(即每个数据集中特征的数量)。
- \(m, n\):两个数据集的样本量。\(X^m = [X_1, \ldots, X_m] \in \mathbb{R}^{d \times m}\),\(Y^n = [Y_1, \ldots, Y_n] \in \mathbb{R}^{d \times n}\)。
- \(\Sigma \succ 0\):未知的真实协方差矩阵(\(d \times d\)),是 nuisance 参数(不是我们关心的目标,但必须处理)。
- \(\pi^\star \in S_d\):未知的真实排列,是目标参数(estimand)。\(S_d\) 是 \(d\) 个元素的对称群。
- \(\Sigma_{\pi}\):排列后的协方差矩阵,\((\Sigma_\pi)_{i,j} = \Sigma_{\pi(i), \pi(j)}\)。
- \(P_\pi\):排列矩阵,满足 \(\Sigma_\pi = P_\pi \Sigma P_\pi^\top\)。
- \(\hat\Sigma_X = X^m (X^m)^\top / m\),\(\hat\Sigma_Y = Y^n (Y^n)^\top / n\):两个样本协方差矩阵(可观测数据的充分统计量)。
- \(d_\Sigma(\pi, \pi') = \|\Sigma_\pi - \Sigma_{\pi'}\|_F\):依赖于 nuisance 的伪距离,用于度量排列估计的误差。
-
\(\hat\pi\):任意估计量(可观测数据的函数)。
-
模型:观测数据为 \(X_1, \ldots, X_m \overset{\text{i.i.d.}}{\sim} \mathcal{N}(0, \Sigma)\) 和 \(Y_1, \ldots, Y_n \overset{\text{i.i.d.}}{\sim} \mathcal{N}(0, \Sigma_{\pi^\star})\),两组样本独立。可观测数据是 \(X^m\) 和 \(Y^n\);想要但观测不到的是排列 \(\pi^\star\) 和协方差 \(\Sigma\)。注意:这里 \(\Sigma\) 和 \(\pi^\star\) 都是未知的,且 \(\Sigma\) 的维度是 \(d^2\),远大于目标参数 \(\pi^\star\) 的"维度"(\(\log(d!)\) 比特),因此这是一个典型的"高维 nuisance + 低维目标"问题。
第二步:讲最小内核
把论文的所有技术细节剥掉,剩下的核心问题是:
给定两组高斯样本,它们的协方差矩阵相同但行/列被一个未知排列打乱,我们能否恢复这个排列?需要多少样本?
最简特例:\(d=2\),即只有两个特征。此时 \(S_2\) 只有两个排列:恒等映射 \(\pi = \text{id}\) 和对换 \(\pi = (1\;2)\)。假设 \(\Sigma = \begin{pmatrix} 1 & \rho \\ \rho & 1 \end{pmatrix}\) 且 \(\rho \neq 0\)。那么问题退化为:根据 \(\hat\Sigma_X\) 和 \(\hat\Sigma_Y\),判断 \(Y\) 的协方差是 \(\Sigma\) 还是 \(\Sigma\) 交换行列后的结果。
在这个特例下,核心命题是:当 \(n\) 和 \(m\) 足够大时,\(\hat\pi\) 能以高概率正确恢复 \(\pi^\star\)。证明思路是:如果 \(\hat\pi \neq \pi^\star\),那么 \(\|\Sigma_{\hat\pi} - \Sigma_{\pi^\star}\|_F\) 至少为某个正数(因为 \(\rho \neq 0\) 保证两个排列对应的协方差矩阵不同),而样本协方差的估计误差 \(\|\hat\Sigma_X - \Sigma\|_F\) 和 \(\|\hat\Sigma_Y - \Sigma_{\pi^\star}\|_F\) 以高概率小于这个正数的一半。因此,通过比较 \(\|\hat\Sigma_Y - (\hat\Sigma_X)_{\hat\pi}\|_F\) 的大小,可以排除错误的排列。
一般情形(\(d\) 任意)的困难在于: 1. 排列空间巨大:\(|S_d| = d!\),无法逐一检查。需要利用协方差矩阵的结构(如 Wishart 分布)来构造高效的搜索策略。 2. nuisance 参数的影响:\(\Sigma\) 未知,因此 \(\|\Sigma_{\hat\pi} - \Sigma_{\pi^\star}\|_F\) 本身不可计算。需要证明 \(\hat\Sigma_X\) 和 \(\hat\Sigma_Y\) 的估计误差可以被"吸收"到最终误差界中,且不改变 minimax 率。 3. 非标准维度缩放:下界中的 \(\sqrt{d^3 \log d / (mn)}\) 项来自 \(\Sigma\) 的估计误差与排列误差的耦合。直观地说,当 \(m\) 和 \(n\) 都较小时,\(\Sigma\) 的估计误差会"污染"排列的估计,导致需要额外的样本量来抵消这种污染。
论文的核心技术贡献是:证明了这个耦合项是不可避免的(下界),并且 QMLE 和 GW 都能达到这个下界(上界)。GW 的证明依赖于一个关键观察:GW 目标函数 \(\langle P \hat\Sigma_X P^\top, \hat\Sigma_Y \rangle\) 在排列矩阵上的最大值与在 Birkhoff 多面体上的最大值一致(因为目标函数是凸的,最大值在顶点取得),从而可以将离散优化松弛为连续优化,同时不损失统计效率。
三、这篇论文做了什么¶
三句话: 1. 研究了什么问题:在协方差矩阵未知的情况下,估计两组高斯样本之间的未知排列(特征对齐),并确定该问题的 minimax 最优样本复杂度。 2. 核心工具/方法:建立了排列估计的 minimax 下界(基于 Fano 不等式和精心构造的先验分布),并分析了两个估计量——QMLE(搜索所有排列)和 GW 估计量(在 Birkhoff 多面体上优化)——证明两者均达到 minimax 最优率。 3. 主要结论:在 \(\|\Sigma\|_{op} \le 1\) 的条件下,minimax 风险为 \(\tilde{\Theta}(d \log d / n + \sqrt{d^3 \log d / (mn)})\)(当 \(m \ge n\) 时),且 GW 估计量在统计上不劣于 QMLE,同时计算上可行。
关键设定与假设: - 高斯性:\(X_i \sim \mathcal{N}(0, \Sigma)\),\(Y_i \sim \mathcal{N}(0, \Sigma_{\pi^\star})\)。这个假设是必要的,因为证明依赖于 Wishart 分布的性质(特别是 \(\hat\Sigma_X\) 和 \(\hat\Sigma_Y\) 的谱范数集中不等式)。作者在 Section 5 中未讨论次高斯推广,这是一个明确的局限。 - 有界谱范数:\(\|\Sigma\|_{op} \le 1\)。这是技术性假设,用于确保 \(\|\Sigma\|_F \le \sqrt{d}\),从而得到干净的率。作者在 Theorem 5 中讨论了 \(\text{Tr}(\Sigma) \le R\) 的替代假设,结论是率变为 \(R^2/n\),即 trace 约束下 nuisance 的影响消失。 - 排列的均匀先验:下界证明中取 \(\pi^\star \sim \text{Unif}(S_d)\)。这是 Fano 论证的标准做法,但意味着下界对"大多数"排列成立,而非所有排列。 - 无噪声/无异常值:模型假设两组样本完全来自同一协方差结构,没有测量误差或异常特征。实际应用中(如代谢组学)这一假设可能过强。
主要结果: - Theorem 2(QMLE 上界):在 \(m \wedge n \ge c_0(d \log d + \log(1/\delta))\) 且 \(mn \ge c_0 d(d \log d + \log(1/\delta))(d + \log(1/\delta))\) 的条件下,以概率 \(1-\delta\) 有 \(\|\Sigma_{\hat\pi_{QMLE}} - \Sigma_{\pi^\star}\|_F^2 = O(d \log d / n + \sqrt{d^3 \log d / (mn)})\)。 - Theorem 3(GW 上界):在 \(m \wedge n \ge d \log d + \log(1/\delta)\) 的条件下,GW 估计量达到与 QMLE 相同的率(常数因子不同)。注意 GW 不需要 \(mn\) 的额外条件,因为其分析不涉及 \(\hat\Sigma_X^{-1}\)。 - Theorem 4(minimax 下界):存在常数 \(c_0 > 0\),使得 \(\inf_{\hat\pi} \sup_{\pi^\star, \Sigma: \|\Sigma\|_{op} \le 1} \mathbb{E}\|\Sigma_{\hat\pi} - \Sigma_{\pi^\star}\|_F^2 \ge c_0(d \log d / n + \sqrt{d^3 \log d / (mn)})\),当 \(m \ge n \ge \log d\) 且 \(m \ge d\)。 - Theorem 5(替代风险度量):在 trace 约束 \(\text{Tr}(\Sigma) \le R\) 下,minimax 率为 \(R^2/n\)(无 \(\sqrt{d^3 \log d / (mn)}\) 项),且 GW 达到该率。这说明 \(\sqrt{d^3 \log d / (mn)}\) 项是谱范数约束特有的。 - Theorem 6(oracle 模型):如果 \(\hat\Sigma_m\) 是一个满足 \(\|\hat\Sigma_m - \Sigma\|_{op} \le d/\sqrt{m}\) 的 oracle 估计量(不要求 Wishart 分布),则 minimax 率为 \(d \log d / n + d^2/m\),严格大于原始模型的率。这证明了 Wishart 分布的特殊结构(而非一般的协方差估计)是获得 \(\sqrt{d^3 \log d / (mn)}\) 率的关键。
证明路线与技术技巧: - 上界证明(Section 3): 1. 定义 good events:利用 Hanson-Wright 不等式(Lemma 11)证明 \(\hat\Sigma_X\) 和 \(\hat\Sigma_Y\) 在谱范数意义下以高概率接近 \(\Sigma\) 和 \(\Sigma_{\pi^\star}\)。 2. 损失差下界:对 QMLE,证明目标函数差 \(R^{QMLE}_{m,n}(\hat\pi) - R^{QMLE}_{m,n}(\pi^\star)\) 可以被 \(\|\Sigma_{\hat\pi} - \Sigma_{\pi^\star}\|_F\) 的二次函数下界(Lemma 2 中的 trace-Frobenius 不等式)。这一步的关键是处理 \(\hat\Sigma_X^{-1}\) 的随机性——作者通过 good event 将 \(\hat\Sigma_X^{-1}\) 替换为 \(\Sigma^{-1}\),并控制误差项。 3. GW 的凸松弛:对 GW,利用目标函数 \(\langle P \hat\Sigma_X P^\top, \hat\Sigma_Y \rangle\) 在 Birkhoff 多面体上的最大值在顶点(即排列矩阵)取得这一事实,将离散优化松弛为连续优化。然后证明 GW 目标函数与 QMLE 目标函数在 \(\pi^\star\) 附近具有相同的曲率下界。 4. 曲率下界:核心引理是 Lemma 3(trace-Frobenius 不等式),它建立了 \(\|\Sigma_{\hat\pi} - \Sigma_{\pi^\star}\|_F^2\) 与 \(\langle \Sigma, (\Sigma^{-1})_{\hat\pi} - \Sigma^{-1} \rangle\) 之间的关系。这个不等式利用了 \(\prod_i x_i = 1\) 的约束,是证明的关键技术工具。 - 下界证明(Section 4): 1. 先验构造:取 \(\pi^\star \sim \text{Unif}(S_d)\),\(\Sigma = (I_d + \eta S)/2\),其中 \(S \sim \text{Unif}(S_0)\) 是精心构造的对称 Rademacher 矩阵集合(Lemma 5)。这个构造保证:(i) \(\|\Sigma\|_{op} \le 1\);(ii) 不同排列对应的 \(\Sigma\) 在 Frobenius 范数下分离良好;(iii) \(S_0\) 足够大(占据所有对称 Rademacher 矩阵的常数比例)。 2. Fano 不等式:使用 Lemma 6(广义 Fano 不等式),将 minimax 风险下界转化为对互信息 \(I(\pi^\star; X^m, Y^n)\) 的上界。 3. 互信息上界:通过三步完成:(a) 利用变分表示将 \(I(\pi^\star; X^m, Y^n)\) 分解为 \(I(\pi^\star; Y^n | X^m)\);(b) 利用 Lemma 9(平稳过程的 superadditivity)将 \(n\) 个观测的互信息上界归约为单个观测的互信息;(c) 通过 \(\chi^2\) 散度(Lemma 10)计算单个观测的互信息上界,得到 \(O(m n d^2 \eta^4 + 1)\)。 4. 参数选择:通过优化 \(\eta\) 使得互信息上界为常数,得到 \(\eta \asymp \max\{(\log d / (n d))^{1/2}, (\log d / (m n d))^{1/4}\}\),代入风险表达式即得下界。
真实例子与应用: - 论文包含数值实验(Section 2.3),使用两类协方差矩阵:(1) 结构化 Robinson 矩阵 \(\Sigma_{ij} = (1 + |i-j|)^{-\gamma}\),模拟代谢组学中化合物按保留时间排序的场景;(2) 随机 Wishart 矩阵 \(\Sigma \sim \mathcal{W}_d(I_d, d)\),模拟无结构先验的场景。 - 实验比较了 Sinkhorn GW 估计量、LocalSolver 求解的 QMLE 和 GW、以及 Fiedler 向量谱方法。结果显示:(i) 在 Robinson 矩阵下,GW 在 \(n = 1000\) 时几乎完美恢复排列(图 1);(ii) 在随机 Wishart 矩阵下,Sinkhorn GW 在 \(n \gtrsim d^{3/2}\) 时达到低误差,与理论预测的 \(\tilde{\Theta}(d^{3/2})\) 样本复杂度一致(图 2);(iii) LocalSolver 在 \(d \le 100\) 时表现更好,但无法扩展到 \(d = 1000\)。 - 实验还验证了 minimax 率中的 \(\sqrt{d^3 \log d / (mn)}\) 项:固定 \(n\) 变化 \(m\) 时,误差随 \(m\) 的增大而减小,但减小的速度比 \(1/\sqrt{m}\) 慢,与理论预测一致。
🔎 结论是否比证明窄: - Theorem 2 的额外条件:QMLE 的上界需要 \(mn \ge c_0 d(d \log d + \log(1/\delta))(d + \log(1/\delta))\),而 Theorem 3 的 GW 上界不需要这个条件。作者在 Remark 2 中声称这个条件"believed to be superfluous",但未给出证明。这是一个明确的"证明比结论窄"的地方。 - GW 的 tightness:Theorem 3 证明 GW 达到 minimax 率,但没有证明 Sinkhorn 算法(带熵正则化的 GW)也达到该率。作者在 Section 2.3 中仅通过实验验证了 Sinkhorn GW 的经验表现,但理论保证只针对精确 GW 估计量。这是一个重要的 gap——实际部署的是 Sinkhorn 算法,而非精确 GW。 - 下界的适用范围:Theorem 4 的下界要求 \(m \ge d\) 且 \(n \ge \log d\)。当 \(m < d\) 时(即两个数据集的样本量都小于维度),下界不适用,但上界仍然成立。作者未讨论这一区域的行为。 - 常数因子:所有定理的常数 \(C, c_0\) 都是绝对的但未显式给出。对于实际应用(如确定所需样本量),这些常数的大小很重要,但论文未提供数值估计。
四、开放问题¶
-
Sinkhorn 算法的统计保证:论文证明精确 GW 估计量是 minimax 最优的,但实际部署的是带熵正则化的 Sinkhorn 算法。能否证明 Sinkhorn 算法(在适当选择正则化参数 \(\varepsilon\) 下)也达到 minimax 率?这需要分析正则化偏差与统计误差的权衡。扎根于 Section 2.3 的实验(仅经验验证)和 Section 5 的 open problem 讨论。
-
非高斯推广:论文的证明强烈依赖 Wishart 分布(特别是 \(\hat\Sigma_X^{-1}\) 的集中不等式)。对于次高斯或重尾分布,minimax 率是否改变?能否用更鲁棒的协方差估计量(如 Huber 估计)替代样本协方差?扎根于 Theorem 2 的证明中对 \(\hat\Sigma_X^{-1}\) 的处理。
-
部分对齐与异常特征:模型假设所有 \(d\) 个特征都能匹配,但实际应用中可能存在"私有特征"(只出现在一个数据集中)。如何将模型扩展到部分对齐?这需要修改损失函数和 minimax 框架。扎根于引言中对代谢组学应用的描述("untargeted"意味着特征身份未知)。
-
计算-统计最优估计量的构造:论文证明 GW 是 minimax 最优的,但 GW 的求解(即使松弛到 Birkhoff 多面体)在大规模问题中仍然计算昂贵。能否构造一个多项式时间且达到 minimax 率的估计量?这涉及低度多项式障碍或 SQ 下界等技术。扎根于 Section 5 的讨论("the construction of a polynomial-time minimax optimal estimator"被列为 open problem)。
-
自适应于Σ的结构:论文的率在 \(\|\Sigma\|_{op} \le 1\) 下是紧的,但实际中Σ可能具有额外结构(如稀疏、低秩、Toeplitz)。能否利用这些结构获得更快的率?这需要将 minimax 框架扩展到结构化协方差族。扎根于 Theorem 5 对 trace 约束的讨论。
-
与正交学习的深层联系:论文在 Section 5.2 中对比了正交学习,但仅指出 Neyman 正交性不成立。是否存在某种"离散正交性"条件,使得 nuisance 的影响可以被更高阶地消除?这可能需要引入更高阶影响函数或离散的 Taylor 展开。扎根于 Section 5.2 的讨论。
提醒:要确认上述某条是否是真 gap,建议去读以下近期论文的引言部分(约 5 篇):[GMD22](Galstyan et al., 2022)、[MRT23](Mao et al., 2023)、[BKW23](Balakrishnan et al., 2023)、[LTK+23](Li et al., 2023)、[ZGMS22](Zhang et al., 2022)。如果这些论文的引言都指向同一个未解决问题,那很可能是共识性 gap;如果它们各说各话,那可能是机会。
Maintained by 陈星宇 · Homepage · Source on GitHub