Gradient Is All You Need? How Consensus-Based Optimization Can Be Interpreted as a Stochastic Relaxation of Gradient Descent¶
作者: Konstantin Riedl, Timo Klock, Carina Geldhauser, Massimo Fornasier
来源: SIAM Journal on Mathematics of Data Science
主题: 统计计算 / 算法
相关性: 5/10
机构绿灯: University of Oxford(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多智能体无导数全局优化算法的理论理解,具体聚焦于共识优化(Consensus-Based Optimization, CBO)这一粒子方法。CBO 的核心思想是:用一群随机初始化的粒子,通过"向当前加权平均位置(共识点)靠拢 + 随机扰动"的迭代规则,在非凸非光滑的目标函数上实现全局极小值的搜索。该方向要回答的根本问题是:一个不计算梯度的随机粒子系统,凭什么能够可靠地找到全局极小值? 其理论成熟度处于"收敛性分析已基本建立、但算法行为机制的理解仍不完整"的阶段——已有工作证明了 CBO 在平均场极限下的全局收敛性,但对"为什么能翻越势垒"的机制解释仍停留在定性层面。
发展脉络¶
- 奠基工作:CBO 方法由 Pinnau, Totzeck 等人于 2017 年提出([84]),其核心思想是将粒子群优化(PSO)[52,64] 的离散启发式规则改造为连续时间的随机微分方程系统,从而使得数学分析成为可能。Carrillo 等人([13],即被引文献[1])建立了该方法的分析框架,证明了在平均场极限下粒子分布满足非线性 Fokker-Planck 方程,并给出了共识点收敛到全局极小值的定性论证。这一工作奠定了 CBO 理论分析的基本范式:先建立平均场极限,再分析极限方程的收敛性。
- 主要进展:后续工作沿着两个方向推进。一是收敛率的定量化:Fornasier, Klock, Riedl 等人在 [41,42](即被引文献[3][8])中证明了 CBO 在平均场意义下以指数速率收敛到全局极小值,并引入了定量 Laplace 原理作为核心工具。二是算法变体的扩展:包括球形约束上的 CBO([39])、带截断噪声的 CBO([43])、极化 CBO([44])等,这些变体分别针对高维问题、多极小值问题、以及需要保持粒子多样性的场景。
- 当前 frontier:CBO 的理论研究正从"证明收敛"转向"理解机制"。具体而言,研究者开始追问:CBO 的全局收敛性究竟来源于什么?是粒子间的通信(共识点)还是随机扰动?这种机制与梯度下降的局部动力学有何本质区别?本文正是在这一 frontier 上做出贡献——它首次从"随机松弛"的角度,将 CBO 与经典的梯度下降动力学建立了精确的数学联系。
- 本文的位置:本文(Riedl, Klock, Geldhauser, Fornasier, 2026)提出一个全新的理论视角:CBO 是梯度下降的随机松弛。作者通过引入"共识跳跃"(consensus hopping)方案作为中间桥梁,证明了在适当的参数标度下,CBO 的共识点轨迹近似服从一个带噪声的梯度下降动力学。这一结果首次为"无导数方法为何能翻越势垒"提供了精确的机制解释——随机扰动在共识点层面被放大为一种"跳跃"能力,使得系统能够逃离局部极小值。
子线索聚类¶
这些被引文献大致落在三条子线索上:
-
CBO 的收敛性分析([13,16,40-43,54,87]):这一簇的工作聚焦于证明 CBO 在平均场极限下的全局收敛性。核心工具包括:非线性 Fokker-Planck 方程的稳定性分析、Laplace 原理、以及耦合方法。代表工作如 [41,42] 证明了指数收敛速率,[16] 将 CBO 应用于高维机器学习问题并给出了维度无关的收敛保证。这一簇的成熟度最高,但主要回答"是否收敛"的问题,对"为何能全局收敛"的机制解释相对薄弱。
-
CBO 的变体与扩展([12,14,44,47,48,86]):这一簇的工作针对特定应用场景设计 CBO 的变体。例如,[44] 提出极化 CBO 以处理多极小值问题,[14,47] 将 CBO 应用于联邦学习中的聚类问题,[48] 提出双层 CBO 用于双层优化。这些工作通常以数值实验为主,理论分析作为辅助。这一簇的成熟度中等,且与本文的关联较弱——本文关注的是 CBO 的基础机制而非特定应用。
-
粒子方法与梯度下降的联系([24,52,79,81]):这一簇的工作试图在无导数粒子方法与基于梯度的优化方法之间建立联系。例如,[24] 通过零惯性极限将 PSO 与 CBO 联系起来,[52] 研究了 PSO 的平均场极限,[81] 基于动力学理论解释了进化策略的梯度下降行为。这一簇是本文最直接的知识背景——本文的"随机松弛"视角正是对这一线索的深化和精确化。
这个方向在追问的核心问题¶
- 全局收敛的机制来源:CBO 的全局收敛性究竟来源于粒子间的通信、随机扰动、还是两者的协同?这一问题的答案直接关系到如何设计更高效的 CBO 变体。
- 与梯度下降的精确关系:无导数方法(如 CBO)与梯度下降之间是否存在可量化的数学联系?如果存在,这种联系能否用于分析更复杂的进化算法?
- 非凸非光滑问题的收敛保证:在目标函数仅满足局部 Lipschitz 连续(而非光滑)的条件下,CBO 的收敛速率如何?现有分析(如 [41,42])对光滑性的依赖是否可以放宽?
- 有限粒子数的波动控制:平均场极限下的收敛性如何转化为有限粒子系统的概率保证?粒子数 N 与维度 d 之间的权衡关系是什么?
已知瓶颈:现有理论分析(如 [41,42])主要依赖平均场极限和 Laplace 原理,这些工具对目标函数的增长条件(如 A3)和光滑性(如 A4 的半凸性)有较强依赖。对于更一般的非光滑非凸问题,CBO 的收敛性分析仍缺乏统一框架。此外,有限粒子数的波动分析(即从平均场极限到有限粒子系统的定量转化)仍是一个开放问题。
⚠️ 作者的 framing(这是作者的说法)¶
作者将本文的贡献框架为"首次建立 CBO 与梯度下降之间的精确联系",具体表述为:
"We provide a novel analytical perspective on the theoretical understanding of gradient-based learning algorithms by interpreting consensus-based optimization (CBO) ... as a stochastic relaxation of gradient descent."
作者声称这一视角的核心价值在于:CBO 的全局收敛性(已在 [41,42] 中证明)可以为"随机松弛的梯度下降为何能克服能量壁垒"提供精确解释。换句话说,作者将 CBO 定位为理解随机梯度类方法全局收敛性的一个理论工具,而非仅仅是一种独立的优化算法。
作者在引言中淡化了以下竞争路线:(1)模拟退火(SA)[50,59,66] 和退火 Langevin 动力学[19,33,88] 的已有理论——这些方法同样通过随机扰动实现全局收敛,但作者认为 CBO 的"共识点通信"机制使其区别于纯噪声驱动的退火方法;(2)CMA-ES[55] 等进化策略的动力学分析——作者承认 CBO 与 CMA-ES 的相似性,但强调 CBO 的简化结构使其更适合精确的数学分析。作者将 CBO 的"共识点"机制视为其区别于其他随机松弛方法的核心特征,这一 framing 是否成立,需要读者自行判断。
值得注意的回避:作者在引言中未提及 CBO 与贝叶斯采样(如随机化优化中的 Gibbs 采样)的联系,也未讨论 CBO 在高维问题中可能面临的维度灾难(尽管 [16] 声称维度无关)。这些回避可能暗示了 CBO 理论的适用范围边界。
张力¶
未见明显对立引用。被引文献之间在 CBO 的收敛性结论上是一致的——都承认 CBO 在平均场极限下可以全局收敛。不过,存在一个微妙的张力:一方面,[41,42] 强调 CBO 的全局收敛性来源于"共识点 + 噪声"的协同作用;另一方面,本文的定理 3.1 表明,在参数标度 λ ≈ 1/Δt 下,CBO 的共识点轨迹近似为带噪声的梯度下降。这意味着,CBO 的全局收敛性可能主要来源于噪声项,而非共识点通信——这与 [41,42] 的定性解释存在潜在冲突。作者在文中未直接讨论这一张力,而是通过"随机松弛"的框架将其消解:共识点通信决定了梯度方向,噪声决定了势垒穿越能力,两者缺一不可。
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¶
目标函数:设 \(E: \mathbb{R}^d \to \mathbb{R}\) 为待最小化的目标函数,满足: - A1:\(E\) 连续且存在全局极小值点 \(x^* \in \mathbb{R}^d\),记 \(E^* := \inf_{x \in \mathbb{R}^d} E(x)\); - A2:\(E\) 局部 Lipschitz 连续(式 (1)),且在远处至多二次增长(式 (2)); - A3:\(E\) 要么有界,要么在远处二次增长(保证 CBO 动力学的适定性); - A4:\(E\) 是 \(\Lambda\)-半凸的(\(\Lambda \in \mathbb{R}\)),即 \(E(x) - \frac{\Lambda}{2}\|x\|_2^2\) 是凸的。
粒子系统:\(N\) 个粒子,第 \(i\) 个粒子在时刻 \(k\) 的位置为 \(X^i_k \in \mathbb{R}^d\)(随机变量)。粒子初始位置 \(X^i_0 \sim \rho_0\) 独立同分布。
共识点(式 (5)):给定粒子分布 \(\varrho \in \mathcal{P}(\mathbb{R}^d)\),
粒子更新规则(式 (4)):
CBO 方案(式 (6)):追踪共识点的轨迹 \(x^{\text{CBO}}_k = x^E_\alpha(\hat{\rho}^N_k)\),\(k = 0, \ldots, K\)。
辅助方案: - 共识跳跃(CH)方案(式 (10)):\(x^{\text{CH}}_k = x^E_\alpha(\mu_k)\),其中 \(\mu_k = \mathcal{N}(x^{\text{CH}}_{k-1}, \tilde{\sigma}^2 I_d)\) 是以旧共识点为中心的高斯分布。这是一个纯采样方案——不涉及粒子动力学,直接从高斯分布中采样来计算共识点。 - 隐式 CH 方案(式 (11)):\(\tilde{x}^{\text{CH}}_k = \arg\min_x \left\{ \frac{1}{2\tau}\|x^{\text{CH}}_{k-1} - x\|_2^2 + E(x) \right\}\),即对目标函数做近端算子(proximal operator)。 - 最小化移动方案(MMS)(式 (12)):\(x^{\text{MMS}}_k = \arg\min_x \left\{ \frac{1}{2\tau}\|x^{\text{MMS}}_{k-1} - x\|_2^2 + E(x) \right\}\),与隐式 CH 方案形式相同,但迭代基准不同。
参数关系:\(\tau = \Delta t / \lambda\)(有效步长),\(\tilde{\sigma}^2 = \tau / (2\alpha)\)(采样方差与选择压力的关系)。
要估计/证明的对象:本文的核心是证明三个方案(CBO、CH、MMS)在适当参数标度下彼此逼近,从而建立 CBO 与梯度下降的联系。
第二步:最小内核¶
核心命题(定理 3.1 的简化版):在参数标度 \(\lambda = 1/\Delta t\)(即 \(\tau = \Delta t^2\))下,CBO 方案的共识点轨迹 \(x^{\text{CBO}}_k\) 近似服从带噪声的梯度下降:
为什么这个命题是"最小内核"? 因为它揭示了 CBO 的全部机制:粒子间的通信(通过共识点)在极限下等价于计算梯度方向,而随机扰动(粒子噪声)在共识点层面被转化为梯度噪声。换句话说,CBO 的全局收敛性来源于"梯度方向 + 噪声"的组合——这与 Langevin 动力学的机制类似,但噪声的来源和结构不同。
证明的三步走: 1. CBO → CH(定理 5.2):当 \(\lambda \to 1/\Delta t\) 时,CBO 方案的共识点轨迹逼近 CH 方案。直观上,当粒子以极大速度冲向共识点时,粒子分布近似为以共识点为中心的高斯分布,因此 CBO 的共识点计算等价于从高斯分布采样后计算共识点。 2. CH → 隐式 CH(命题 5.3):CH 方案的共识点逼近隐式 CH 方案(近端算子)。这通过定量 Laplace 原理实现:当 \(\alpha\) 足够大时,高斯采样下的共识点集中在近端算子的解附近。 3. 隐式 CH → MMS(定理 5.4):隐式 CH 方案与 MMS 的差异可控,而 MMS 是梯度流的离散化。
为什么这个证明路线是"非平凡"的? 关键在于第二步:Laplace 原理通常给出的是指数尺度的收敛(即 \(\log\) 尺度下的极限),但这里需要的是多项式尺度的定量估计(即 \(\alpha^{-1}\) 尺度的误差界),且需要处理 \(\alpha\) 与 \(\tau\) 的耦合关系(\(\tilde{\sigma}^2 = \tau/(2\alpha)\))。作者通过引入截断参数和精细的尾部估计,将 Laplace 原理的定量版本推广到了非光滑情形。
读者在继续读技术细节前应掌握的核心直觉:CBO 的全局收敛性不是"魔法",而是"梯度方向 + 可控噪声"的必然结果。噪声的强度由 \(\sigma\) 控制,梯度的方向由共识点通信隐式估计。当 \(\sigma\) 足够大时,系统能够翻越势垒;当 \(\sigma\) 足够小时,系统在极小值附近的行为近似于确定性梯度下降。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:CBO——一种多粒子无导数全局优化方法——在什么意义下可以解释为梯度下降的随机松弛?这种解释能否为"随机扰动帮助翻越势垒"提供精确的数学机制?
- 核心工具/方法:通过引入共识跳跃(CH)方案作为中间桥梁,结合定量 Laplace 原理、最小化移动方案(MMS)的稳定性分析,以及马尔可夫链的耦合估计,建立了 CBO → CH → 隐式 CH → MMS 的逼近链。
- 主要结论:在参数标度 \(\lambda = 1/\Delta t\)、\(\tilde{\sigma}^2 = \tau/(2\alpha)\) 下,CBO 方案的共识点轨迹以高概率逼近带噪声的梯度下降(定理 3.1),噪声强度由 \(\sigma\) 控制,逼近误差由 \(\tau\)、\(\alpha^{-1}\)、\(N^{-1/2}\) 三项组成。
关键设定与假设¶
设定:目标函数 \(E\) 满足 A1–A4(见第二节)。粒子数 \(N\) 有限,时间步长 \(\Delta t > 0\),总步数 \(K\)。参数 \(\alpha, \lambda, \sigma\) 均为正数。
核心假设: - A1(全局极小值存在):\(E\) 连续且存在全局极小值点 \(x^*\)。这是 CBO 全局收敛性分析的前提。 - A2(局部 Lipschitz + 二次增长):式 (1) 保证 \(E\) 在局部范围内变化不太剧烈,式 (2) 保证 \(E\) 在远处不会增长过快。这两个条件共同保证了 CBO 动力学的适定性(粒子不会逃逸到无穷远)。 - A3(有界性或二次增长):保证共识点 \(x^E_\alpha\) 的良定义性。 - A4(\(\Lambda\)-半凸性):\(E(x) - \frac{\Lambda}{2}\|x\|_2^2\) 是凸的。这是最关键的假设——它保证了近端算子 \(\tilde{x}^{\text{CH}}_k\) 的存在唯一性,也是定量 Laplace 原理成立的前提。注意 \(\Lambda\) 可以是负数(即 \(E\) 可以是非凸的),但 \(\Lambda\) 的绝对值不能太大(要求 \(\tau < 1/(-\Lambda)\) 当 \(\Lambda < 0\) 时)。
相比已有工作的放宽/强化: - 放宽:不要求 \(E\) 光滑(仅需局部 Lipschitz),不要求 \(E\) 满足 Polyak-Łojasiewicz 条件(这是梯度下降全局收敛性分析中的常见假设,见被引文献[62])。 - 强化:要求 \(E\) 半凸(A4),这比一般的非凸假设更强,但比光滑性假设更弱。半凸性在非光滑优化中是一个标准假设,它允许 \(E\) 有"有限个尖点"但整体上不能太"锯齿"。
主要结果¶
定理 3.1(主定理):设 \(E \in C^1(\mathbb{R}^d)\) 是 \(L\)-光滑的且满足 A1–A4。则对任意 \(\tau > 0\)(满足 \(\tau < 1/(-2\Lambda)\) 当 \(\Lambda < 0\)),存在参数 \(\alpha, \lambda, \sigma, \Delta t\) 的标度,使得 CBO 方案的共识点轨迹 \(x^{\text{CBO}}_k\) 满足:
直觉:误差项 \(g_k\) 由四部分组成: - \(|\lambda - 1/\Delta t|\):CBO 粒子速度偏离"瞬时跳跃"的程度; - \(\sigma\sqrt{\Delta t}\):粒子噪声的累积效应; - \(\sqrt{\tau/\alpha}\):Laplace 原理的近似误差(选择压力不够大时,共识点偏离近端算子解); - \(N^{-1/2}\):有限粒子数的蒙特卡洛误差。
定理 5.2(CBO 松弛 CH):CBO 方案的共识点轨迹以高概率逼近 CH 方案,误差为 \(O(|\lambda - 1/\Delta t| + \sigma\sqrt{\Delta t} + N^{-1/2})\)。
命题 5.3(CH 执行梯度步):CH 方案的共识点逼近隐式 CH 方案(近端算子),误差为 \(O(\tau)\),其中 \(\tau = 2\alpha\tilde{\sigma}^2\)。
定理 5.4(CH 松弛梯度流):CH 方案与 MMS(梯度流的离散化)的差异可控,误差为 \(O(\tau^2)\)(在 \(\Lambda > 0\) 时)或 \(O(\tau)\)(在 \(\Lambda < 0\) 时)。
证明路线: 1. CBO → CH:利用粒子动力学的显式解,将 CBO 的共识点表示为旧共识点加上一个高斯扰动项,然后通过耦合估计控制扰动项的矩。 2. CH → 隐式 CH:这是最核心的一步。作者将 CH 方案的共识点 \(x^E_\alpha(\mu_k)\) 重新解释为对近端算子 \(\tilde{x}^{\text{CH}}_k\) 的蒙特卡洛估计,然后利用定量 Laplace 原理(命题 D.2)给出误差界。关键技巧是引入截断参数 \(r\),将积分区域分为 \(B_r(\tilde{x}^{\text{CH}}_k)\) 和其补集,分别控制。 3. 隐式 CH → MMS:利用 \(\Lambda\)-半凸性,证明近端算子的解与梯度步的差异为 \(O(\tau^2)\),然后通过 Grönwall 不等式累积误差。
技术技巧点名: - 定量 Laplace 原理(命题 D.2):这是从 [42] 中提取的核心工具,给出了 \(\int x \exp(-\alpha E(x)) d\varrho(x) / \int \exp(-\alpha E(x)) d\varrho(x)\) 与 \(\arg\min E\) 之间的显式误差界。作者将其推广到了 \(\varrho\) 为高斯分布的情形。 - 截断 + 尾部估计:在处理 Laplace 原理时,作者将积分区域分为中心区域和尾部区域,分别用不同的方法控制。这是处理非光滑函数的经典技巧。 - Grönwall 不等式:用于累积每一步的误差,得到全局误差界。 - 马尔可夫链耦合:用于控制 CBO 与 CH 方案之间的偏差。
真实例子与应用¶
本文没有包含真实数据应用或大规模数值实验。唯一的数值实验是图 1-5 中的二维示意性例子:一个带有噪声的"Canyon"函数(山谷形状为三次或二次多项式),用于直观展示 CBO、CH、GD、Langevin 动力学在翻越势垒时的行为差异。这些实验的目的是验证理论预测的定性行为(如噪声强度对势垒穿越能力的影响),而非展示算法在实际问题中的性能优势。
实验想说明什么:图 1b 显示 CBO 的共识点轨迹能够沿着山谷前进并翻越局部极小值,而图 3b 显示 GD 会卡在局部极小值。图 3a 显示 CH 方案(即 CBO 的极限)也能翻越势垒,且行为与 Langevin 动力学(图 3c)类似。这支持了作者的核心主张:CBO 的全局收敛性来源于其隐含的随机梯度下降行为。
🔎 结论是否比证明窄¶
是的,存在明显的"结论比证明宽"的地方:
-
定理 3.1 的标题是"梯度就是你所需要的一切"(Gradient is All You Need?),但证明只覆盖了 \(E \in C^1\) 且 \(L\)-光滑的情形。在引言中,作者声称 CBO 对"非光滑"目标函数有效(A2 只要求局部 Lipschitz),但定理 3.1 的证明明确假设了 \(E \in C^1\) 且 \(L\)-光滑(见定理 3.1 的陈述)。对于仅满足 A2(局部 Lipschitz)但不光滑的目标函数,定理 3.1 的证明并不直接适用。作者在文中没有明确讨论这一差距。
-
定理 3.1 的误差界是"高概率"的,但概率的显式表达式没有给出。作者使用了截断 + 马尔可夫不等式的技巧,但最终的误差界依赖于一个未显式指定的概率事件 \(\Omega_M\)。对于实际应用者来说,这意味着无法直接计算给定置信水平下的误差界。
-
"随机松弛"的解释是定性的,而非定量的。作者证明了 CBO 的共识点轨迹近似服从带噪声的梯度下降,但没有给出噪声项 \(g_k\) 的完整分布特征(如协方差结构)。因此,虽然作者声称"这解释了 CBO 为何能翻越势垒",但这一解释是定性层面的——它说明了噪声的存在,但没有精确刻画噪声如何与势垒高度、宽度等几何特征相互作用。
-
数值实验仅限二维。作者没有提供高维实验来验证理论预测在高维情形下是否仍然成立。考虑到 CBO 的主要应用场景是高维机器学习问题([16,40,41,86]),这一缺失使得理论结果的实际相关性有待验证。
四、开放问题¶
以下开放问题均扎根于本文的具体陈述:
-
非光滑情形的推广(扎根于定理 3.1 的陈述,它假设 \(E \in C^1\) 且 \(L\)-光滑):定理 3.1 的证明能否推广到仅满足 A2(局部 Lipschitz)但不光滑的目标函数?作者在引言中声称 CBO 对非光滑函数有效,但定理的证明并未覆盖这一情形。要确认这是否是真 gap:去读 [41,42] 的收敛性证明,看它们是否对非光滑情形有独立的处理。
-
噪声项 \(g_k\) 的分布特征(扎根于定理 3.1 中 \(g_k\) 的定义,它只给出了范数界,没有给出分布):\(g_k\) 的协方差结构是什么?它是否近似为高斯噪声?如果是,其方差与 \(\sigma\)、\(\tau\)、\(\alpha\) 的具体关系是什么?这直接关系到能否将 CBO 的全局收敛性与 Langevin 动力学的已有理论(如 [20,49,70])进行精确对比。
-
有限粒子数的收敛速率(扎根于定理 5.2 中 \(N^{-1/2}\) 项的出现,但作者没有给出显式的 \(N\) 依赖):在有限粒子数 \(N\) 下,CBO 的共识点轨迹与梯度下降的偏差的显式上界是什么?\(N\) 与维度 \(d\) 之间的权衡关系是什么?这与作者在引言中提到的"高维问题"([16,40,41,86])直接相关。
-
参数标度的最优选择(扎根于定理 3.1 中参数 \(\alpha, \lambda, \sigma, \Delta t\) 的标度条件,但作者没有讨论如何在实际中选择这些参数):在实际应用中,如何根据目标函数的性质(如 Lipschitz 常数、半凸参数 \(\Lambda\)、维度 \(d\))来选择 \(\alpha, \lambda, \sigma, \Delta t\)?是否存在一个"最优标度"使得 CBO 的收敛速率最大化?
-
与 Langevin 动力学的精确对比(扎根于作者在引言中将 CBO 与 Langevin 动力学进行类比,但未给出定量对比):CBO 的噪声项与 Langevin 动力学的热噪声在翻越势垒的能力上是否有本质区别?如果 CBO 的噪声是"自适应"的(依赖于当前粒子分布),这是否意味着 CBO 在某些势垒形状下优于 Langevin 动力学?
确认 gap 的建议:要判断上述问题是否是真 gap,建议去读以下文献的引言和结论部分:(1)[41,42] 看它们对非光滑情形的处理方式;(2)[16] 看高维情形下 CBO 的收敛性分析是否涉及有限粒子数的波动控制;(3)[20,49,70] 看 Langevin 动力学的全局收敛性理论是否可以直接移植到 CBO 的噪声结构上。如果这些文献都没有处理上述问题,那么它们就是值得关注的研究方向。
Maintained by 陈星宇 · Homepage · Source on GitHub