跳转至

Subspace Accelerated Measure Transport Methods for Fast and Scalable Sequential Experimental Design, with Application to Photoacoustic Imaging

作者: Tiangang Cui, Karina Koval, Roland Herzog, Robert Scheichl
来源: SIAM/ASA Journal on Uncertainty Quantification
主题: 统计计算 / 算法
相关性: 6/10
机构绿灯: University of Sydney(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贝叶斯反问题中的序贯最优实验设计(sequential Optimal Experimental Design, sOED)。其根本的统计问题是:在参数未知、模型由偏微分方程(PDE)控制、且每次实验(如放置传感器、选择光源位置)代价高昂的场景下,如何根据已有观测数据,自适应地选择下一步的实验条件,使得从新数据中获得的关于未知参数的期望信息增益(Expected Information Gain, EIG)最大化。该方向的成熟度处于"方法快速迭代但缺乏统一理论框架"的阶段:经典 EIG 估计(如嵌套蒙特卡洛)在低维、高斯设定下已成熟,但推广到高维、非高斯、序贯设定时,计算复杂度与估计偏差问题仍未解决。

发展脉络(history)

奠基工作:EIG 的估计与优化框架。 Huan & Marzouk (2011) [2] 建立了基于嵌套蒙特卡洛(nested Monte Carlo)的 EIG 估计框架,将 EIG 表达为"对数似然减对数证据"的期望,并用随机逼近算法优化实验条件。这是后续几乎所有工作的计算起点。其留下的口子是:嵌套蒙特卡洛需要内外两层循环,计算量随参数维度急剧增长,且对集中似然(concentrated likelihood)存在显著有限样本偏差。

主要进展一:贝叶斯反问题的低维结构发现。 Cui, Martin, Marzouk et al. (2014) [17] 提出似然信息子空间(LIS)方法,通过梯度信息识别参数空间中由数据"告知"的低维子空间。Cui & Tong (2022) [23] 和 Cui & Zahm (2021) [25] 进一步给出 LIS 的误差界与数据无关的构造方法。Li, Cui, Li, Marzouk et al. (2025) [42] 则从对数 Sobolev 不等式角度给出了 LIS 检测的尖锐界。这一簇工作的贡献在于:高维贝叶斯反问题中,似然函数往往只沿少数方向变化,这为降维提供了理论基础。其留下的口子是:LIS 主要用于批处理(batch)推断,如何将其嵌入序贯决策循环尚不清晰。

主要进展二:基于传输映射的贝叶斯推断。 El Moselhy & Marzouk (2012) [4] 提出用最优传输映射逼近后验分布,避免了 MCMC 的迭代采样。Cui & Dolgov (2022) [18] 将张量列(tensor-train)分解与 Rosenblatt 传输结合,实现了高维密度的高效逼近。Baptista, Marzouk & Zahm (2023) [24] 系统分析了单调三角传输映射的表示能力与学习算法。这一簇的贡献在于:传输映射一旦构建,即可实现廉价的独立采样和密度评估,天然适合序贯设定。其留下的口子是:传输映射的构建本身需要大量似然评估,在 PDE 约束下仍需降维加速。

主要进展三:sOED 的计算框架。 Huan & Marzouk (2016) [37] 将 sOED 形式化为动态规划问题,提出用近似动态规划求解。Shen & Huan (2023) [54] 引入策略梯度强化学习求解 sOED 策略。Foster et al. (2021) [30] 提出深度自适应设计(DAD),用对比学习界作为 EIG 的替代目标,实现摊销推断。这一簇的贡献在于:将序贯决策问题转化为可优化的计算问题。其留下的口子是:这些方法要么依赖高斯近似(如 [37]),要么需要大量离线训练数据(如 [30, 54]),对 PDE 约束的高维问题仍不实用。

本文的位置:本文试图将上述三条线索缝合——用 LIS 做降维、用传输映射做摊销推断、用 EIG 上界做序贯设计准则。其核心创新在于:将 [42] 的 EIG 上界推广到序贯设定,并证明该上界同时诱导出 LIS 投影算子,从而在一个统一框架内完成"设计选择 + 降维 + 推断"。

子线索聚类

  1. EIG 估计与优化([2], [36], [53], [35]):关注如何高效、无偏地估计 EIG,以及如何在设计空间中优化它。主流方法是嵌套蒙特卡洛及其变体(如多级蒙特卡洛、拟蒙特卡洛),瓶颈是计算量与偏差的权衡。
  2. 低维结构发现([17], [22], [23], [25], [42], [60]):关注如何识别参数空间中由数据告知的低维子空间。主流方法是基于似然梯度的 LIS 及其变体,瓶颈是梯度估计的方差与子空间维数的选择。
  3. 传输映射与摊销推断([4], [18], [24], [40], [48], [50]):关注如何用可逆映射将参考分布推送到目标分布,实现快速采样与密度评估。主流方法是三角映射与张量分解,瓶颈是高维下的表示复杂度。
  4. 序贯决策与强化学习([30], [37], [54]):关注如何将 sOED 形式化为动态规划或强化学习问题。主流方法是近似动态规划与策略梯度,瓶颈是状态空间的连续性与高维性。

这个方向在追问的核心问题

  1. 如何在高维、非高斯设定下高效估计 EIG? 嵌套蒙特卡洛的收敛速度随维度恶化,且对集中似然有偏。已知的替代方案(如拉普拉斯近似、变分界)缺乏通用误差保证。
  2. 如何利用低维结构降低序贯决策的计算复杂度? LIS 方法在批处理推断中已成熟,但在序贯设定中,子空间本身随数据更新而变化,如何在线更新 LIS 尚缺乏理论指导。
  3. 如何在数据到达前构建摊销推断器? 传输映射的构建需要似然评估,但在 sOED 中,设计点尚未确定,似然评估的"位置"是未知的。这要求映射具有条件结构(以设计为条件),增加了表示难度。
  4. 如何保证序贯设计的次优性(regret)有界? 贪心策略(每步最大化即时 EIG)在理论上不一定最优,但动态规划在连续状态空间不可解。已知的 regret 界(如 [30])依赖强假设(如似然的光滑性、子模性)。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 成:"现有的 sOED 方法要么依赖高斯近似(如 [37]),要么需要大量离线训练(如 [30, 54]),且缺乏对高维参数的可扩展性。我们提出的 EIG 上界不仅计算廉价,而且同时诱导出 LIS 投影,使得降维与设计选择可以同步进行。" 作者淡化的竞争路线包括:(a) 基于强化学习的 sOED([30, 54])——作者认为其需要离线训练,不适用于 PDE 约束问题;(b) 基于高斯过程代理模型的 EIG 估计——作者未在引言中讨论。值得研究者去查的问题:作者未提及的近期工作包括基于扩散模型的摊销推断(如 DDM 用于 sOED)、以及基于 regret 界的在线实验设计理论。这些是否构成对作者框架的竞争或补充?

张力

未见明显对立引用。但存在一个微妙的张力:LIS 方法([17], [23], [25])强调数据依赖的子空间识别,而本文的 EIG 上界使用的是数据无关的平均 Fisher 信息(2.5)。作者在 3.2 节中通过条件传输映射部分弥合了这一张力,但理论上数据无关 LIS 与数据依赖 LIS 的优劣对比在文中未给出严格刻画。


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(按本文出现顺序):

符号 含义 类型
\(m \in \mathbb{R}^{n_m}\) 未知参数 参数(estimand)
\(e_k \in \mathcal{E}_k\) 第 \(k\) 阶段的实验设计(如传感器位置) 设计变量(决策变量)
\(y_k \in \mathbb{R}^{n_y}\) 第 \(k\) 阶段的观测数据 随机变量(可观测)
\(G(e_k, m)\) 前向模型(PDE 解算子) 已知(确定性)映射
\(\eta_k \sim \mathcal{N}(0, \Gamma_\eta(e_k))\) 观测噪声 随机变量(可观测的分布假设)
\(\pi(m \mid \mathcal{H}_{k-1})\) 第 \(k\) 阶段的先验(即上一阶段的后验) 已知分布
\(\pi(m \mid e_k, y_k, \mathcal{H}_{k-1})\) 第 \(k\) 阶段的后验 目标分布(不可解析)
\(\Psi_k(e_k)\) 第 \(k\) 阶段的 EIG(目标函数) 泛函(要最大化的量)
\(T_{k-1}: \mathbb{R}^{n_m} \to \mathbb{R}^{n_m}\) 将标准高斯参考映射到第 \(k\) 阶段先验的传输映射 已知(近似)映射
\(J(e_k, z) = G(e_k, T_{k-1}(z))\) 复合前向映射 已知映射
\(I(e_k, m)\) Fisher 信息矩阵 参数依赖的矩阵
\(H_I(e_k, T_{k-1})\) 平均 Fisher 信息矩阵 矩阵(设计依赖)
\(U_k \in \mathbb{R}^{n_m \times r_k}\) 数据无关 LIS 基 投影矩阵

模型(以第 \(k\) 阶段为例):

  1. 数据生成:\(y_k = G(e_k, m) + \eta_k\),其中 \(\eta_k \sim \mathcal{N}(0, \Gamma_\eta(e_k))\)。
  2. 先验:\(\pi(m \mid \mathcal{H}_{k-1}) = (T_{k-1})_\sharp \rho(m)\),其中 \(\rho = \mathcal{N}(0, I_{n_m})\) 是标准高斯参考。
  3. 后验更新:\(\pi(m \mid e_k, y_k, \mathcal{H}_{k-1}) \propto L(y_k \mid m, e_k) \pi(m \mid \mathcal{H}_{k-1})\)。
  4. 设计目标:\(\Psi_k(e_k) = \mathbb{E}_{y_k \mid e_k, \mathcal{H}_{k-1}}[D_{KL}(\pi(\cdot \mid e_k, y_k, \mathcal{H}_{k-1}) \| \pi(\cdot \mid \mathcal{H}_{k-1}))]\)。

可观测数据:研究者实际能观测到的是已完成的实验序列 \(\mathcal{H}_{k-1} = \{e_1^*, y_1^*, \ldots, e_{k-1}^*, y_{k-1}^*\}\),以及候选设计集 \(\mathcal{E}_k\)。不可观测的是:真实参数 \(m\)、后验分布 \(\pi(m \mid \mathcal{H}_{k-1})\)(只能通过传输映射近似)、以及未来数据的分布 \(\pi(y_k \mid e_k, \mathcal{H}_{k-1})\)。

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:

给定一个从标准高斯 \(\rho(z) = \mathcal{N}(0, I_{n_m})\) 到当前先验 \(\pi(m \mid \mathcal{H}_{k-1})\) 的传输映射 \(T_{k-1}\),以及一个候选设计 \(e_k\),如何廉价地估计 EIG \(\Psi_k(e_k)\),并同时获得一个用于降维的投影算子 \(U_k\)?

最小例子(标量情形,\(n_m = n_y = 1\)):

设 \(m \sim \mathcal{N}(0, 1)\)(即 \(T_{k-1}\) 为恒等映射),观测模型为 \(y = e \cdot m + \eta\),其中 \(\eta \sim \mathcal{N}(0, \sigma^2)\),设计 \(e \in \mathbb{R}\) 是标量增益。此时:

  • 后验为 \(\pi(m \mid y, e) = \mathcal{N}\left(\frac{e y}{e^2 + \sigma^2}, \frac{\sigma^2}{e^2 + \sigma^2}\right)\)。
  • EIG 有闭式解:\(\Psi(e) = \frac{1}{2}\log(1 + e^2/\sigma^2)\)。
  • Fisher 信息:\(I(e, m) = e^2/\sigma^2\)(常数),平均 Fisher 信息 \(H_I(e) = e^2/\sigma^2\)。
  • 本文的上界(3.6)给出:\(\Psi(e) \leq \frac{1}{2}\log(1 + e^2/\sigma^2)\),等号成立(因为高斯-线性设定下界是紧的)。

这个例子揭示了本文的全部逻辑:

  1. 上界即目标:在非高斯设定下,\(\Psi_k(e_k)\) 无法闭式计算,但 \(\Psi_k^I(e_k) = \frac{1}{2}\log\det(I + H_I(e_k, T_{k-1}))\) 只需估计平均 Fisher 信息,而后者可通过传输映射的 Jacobian 廉价计算。
  2. 上界诱导降维:\(H_I\) 的特征分解给出 LIS 基 \(U_k\)。在标量例子中,\(H_I\) 是标量,LIS 维数 \(r_k = 1\)(若 \(e \neq 0\))或 \(r_k = 0\)(若 \(e = 0\))。
  3. 序贯闭环:选择 \(e_k^* = \arg\max_{e_k} \Psi_k^I(e_k)\),收集数据 \(y_k\),用条件传输映射 \(S^k_{m|y}\) 更新 \(T_k = S^k_{m|y} \circ T_{k-1}\),进入下一阶段。

为什么这个内核"撑得起"整篇论文:所有技术细节——LIS 的构造(2.1节)、条件传输映射的构建(3.2节)、重启策略(3.3节)——都是在回答"当 \(n_m\) 很大、\(G\) 非线性且由 PDE 控制时,如何近似计算 \(\Psi_k^I(e_k)\) 并高效更新 \(T_k\)"这个问题。标量例子展示了理想情形下的行为,而论文的贡献在于将这一理想情形推广到实际可行的计算框架。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在高维、非高斯、PDE 约束的贝叶斯反问题中,如何高效地进行序贯最优实验设计(sOED),即每步选择使期望信息增益(EIG)最大的实验条件。
  2. 核心工具/方法:推导了一个基于平均 Fisher 信息的 EIG 上界(定理 3.1),该上界同时诱导出似然信息子空间(LIS)投影算子;结合条件传输映射(tensor-train 近似的 Rosenblatt 传输)实现摊销推断,并提出重启策略控制误差累积。
  3. 主要结论:所提上界可作为 sOED 的设计准则,且与嵌套蒙特卡洛估计相比,在保持设计质量的同时大幅降低计算成本;数值实验(两个 PDE 反问题)验证了方法的有效性。

关键设定与假设

在第二节最小记号的基础上,本文的完整设定如下:

  • 参数空间:\(m \in \mathbb{R}^{n_m}\),\(n_m\) 可达数千(离散化 PDE 系数场)。
  • 观测模型:\(y_k = G(e_k, m) + \eta_k\),\(\eta_k \sim \mathcal{N}(0, \Gamma_\eta(e_k))\)。假设噪声独立于参数。
  • 先验:\(\pi(m) = \mathcal{N}(m_0, C_0)\)(高斯先验),且已通过线性变换标准化为 \(\mathcal{N}(0, I_{n_m})\)。
  • 传输映射:存在可逆映射 \(T_{k-1}: \mathbb{R}^{n_m} \to \mathbb{R}^{n_m}\) 使得 \(T_{k-1\sharp}\rho = \pi(m \mid \mathcal{H}_{k-1})\)。本文使用 tensor-train 近似的 Rosenblatt 传输([18]),其构建需要 \(O(n_m M R^2)\) 次密度评估。
  • 设计空间:离散候选集 \(\mathcal{E}_k = \{E_1, \ldots, E_{n_e}\}\),\(n_e\) 有限。
  • 关键假设:
  • (A1) 似然函数 \(L(y_k \mid m, e_k)\) 对 \(m\) 光滑(梯度存在),且 Fisher 信息矩阵 \(I(e_k, m)\) 有界。
  • (A2) 传输映射 \(T_{k-1}\) 的 Jacobian \(\nabla_z T_{k-1}(z)\) 可计算(通过 tensor-train 的自动微分)。
  • (A3) 存在低维子空间 \(U_k\) 使得似然函数主要沿 \(U_k\) 变化(LIS 假设),即 \(\|\nabla_{m_\perp} \log L\|\) 远小于 \(\|\nabla_{m_r} \log L\|\)。
  • (A4) 观测噪声方差 \(\Gamma_\eta(e_k)\) 已知。

相比已有工作的变化: - 相比 [37](高斯近似):本文不假设后验为高斯,而是用传输映射逼近任意后验。 - 相比 [30, 54](强化学习):本文不需要离线训练阶段,而是在线构建传输映射。 - 相比 [17, 22](LIS 用于 MCMC):本文将 LIS 嵌入 sOED 循环,而非仅用于单次推断。

主要结果

定理 3.1(EIG 上界):在假设 (A1)-(A3) 下,第 \(k\) 阶段的 EIG 满足

\[\Psi_k(e_k) \leq \Psi_k^I(e_k) := \frac{1}{2}\log\det\left(I_{n_m} + H_I(e_k, T_{k-1})\right),\]
其中 \(H_I(e_k, T_{k-1}) = \int I(e_k, T_{k-1}(z)) \rho(z) dz\) 是平均 Fisher 信息。该上界具有以下性质: - 紧性:当似然为高斯且 \(T_{k-1}\) 精确时等号成立(见第二节最小例子)。 - 可计算性:\(H_I\) 可通过蒙特卡洛估计,每次评估只需一次前向模型和一次 Jacobian-向量积(利用 tensor-train 结构)。 - 诱导 LIS:\(H_I\) 的前 \(r_k\) 个特征向量张成 LIS,\(r_k\) 由截断容差 \(\epsilon_I\) 决定(式 3.23)。

命题 3.2(LIS 误差界):若使用 \(r_k\) 维 LIS 近似,则 EIG 上界的相对误差不超过 \(\frac{1}{2}\sum_{j=r_k+1}^{n_m} \log(1 + \lambda_j(H_I))\),其中 \(\lambda_j\) 是 \(H_I\) 的特征值。这为选择 \(r_k\) 提供了理论依据。

算法 3.3(sOED with restart): - 初始化 \(T_0 = I\)(恒等映射)。 - 对每个阶段 \(k = 1, \ldots, K\): 1. 用 \(N\) 个样本估计 \(H_I(e_k, T_{k-1})\)(对所有候选 \(e_k \in \mathcal{E}_k\))。 2. 选择 \(e_k^* = \arg\max_{e_k} \Psi_k^I(e_k)\)。 3. 收集数据 \(y_k^*\),构建条件传输映射 \(S^k_{m|y}\)(在 LIS 上)。 4. 更新 \(T_k = S^k_{m|y} \circ T_{k-1}\)。 5. 每 \(\ell\) 步执行重启:丢弃累积的传输映射,直接从当前后验重建。

数值实验:

  • 问题 1(扩散系数场估计):\(n_m = 4225\),\(n_y = 121\) 个候选传感器位置,8 个实验阶段。结果显示:
  • 上界 \(\Psi_k^I\) 与嵌套蒙特卡洛估计 \(\Psi_k^{NMC}\) 的排序高度一致(Spearman 秩相关 > 0.9),但计算成本降低约 40 倍(利用 ROM)。
  • 与随机设计相比,基于上界的设计使后验不确定性(以方差衡量)降低约 30%。
  • LIS 维数 \(r_k\) 从第 1 阶段的 15 降至第 8 阶段的 11,表明信息积累主要沿少数方向。
  • 重启策略将 Hellinger 误差从 0.27(无重启)降至 0.22(有重启),且 ESS/N 从 0.13 提升至 0.66。

  • 问题 2(光声成像):\(n_m = 3969\),\(n_y = 500\)(50 个候选位置 × 5 个观测时刻),5 个实验阶段。结果显示:

  • 最优设计倾向于将光源和传感器放在同一侧(与直觉一致:声波衰减随距离增加)。
  • 与均匀设计相比,基于上界的设计使吸收系数重建的均方误差降低约 25%。
  • 计算时间从嵌套蒙特卡洛的约 10 小时降至本文方法的约 15 分钟(利用 ROM 和 tensor-train)。

证明路线与技术技巧

整体路线(以定理 3.1 的证明为例):

  1. 重写 EIG:利用 EIG 的变分形式 \(\Psi_k(e_k) = \sup_{q} \mathbb{E}_{m \sim \pi(\cdot|\mathcal{H}_{k-1})} \mathbb{E}_{y \sim L(\cdot|m,e_k)}[\log q(m|y) - \log \pi(m|\mathcal{H}_{k-1})]\),其中 \(q\) 为任意概率密度。
  2. 构造候选 \(q\):选择 \(q\) 为高斯近似 \(q^*(m|y) = \mathcal{N}(m_{MAP}, C_{MAP})\),其中 \(C_{MAP}^{-1} = C_{k-1}^{-1} + I(e_k, m_{MAP})\)(高斯-牛顿近似)。
  3. 代入变分形式:得到 \(\Psi_k(e_k) \leq \mathbb{E}_{m,y}[\log q^*(m|y) - \log \pi(m|\mathcal{H}_{k-1})]\)。
  4. 化简:利用高斯密度表达式,将上式化为 \(\frac{1}{2}\mathbb{E}_m[\log\det(I + C_{k-1}^{1/2} I(e_k,m) C_{k-1}^{1/2})]\)。
  5. 应用 Jensen 不等式:由于 \(\log\det\) 是凹函数,\(\mathbb{E}_m[\log\det(\cdot)] \leq \log\det(\mathbb{E}_m[\cdot])\),得到 \(\Psi_k(e_k) \leq \frac{1}{2}\log\det(I + H_I(e_k, T_{k-1}))\)。

关键技巧:

  • Jensen 不等式的方向:\(\log\det\) 的凹性保证了上界的方向正确。这是整个方法的基石。
  • 传输映射的 Jacobian:\(H_I\) 的计算需要 \(\nabla_z J(e_k, z) = \nabla_m G(e_k, m) \nabla_z T_{k-1}(z)\)。利用 tensor-train 的结构,\(\nabla_z T_{k-1}(z)\) 可通过自动微分高效计算,复杂度为 \(O(n_m M R^2)\)。
  • 随机化线性代数:在计算 \(H_I\) 的特征分解时,使用随机化 SVD(引用 [45]),避免显式构造 \(n_m \times n_m\) 矩阵。
  • 条件传输映射:在 LIS 上构建条件映射 \(S^k_{m|y}\),利用 tensor-train 的条件采样性质,避免全维度映射的构建。
  • 重启策略:每 \(\ell\) 步从当前后验重建映射,防止误差累积。理论依据是 [19] 的误差传播分析。

🔎 结论是否比证明窄:

  • 定理 3.1 的证明依赖于高斯-牛顿近似 \(q^*\),但结论被表述为"对任意似然成立"。实际上,当似然高度非高斯时,\(q^*\) 可能不是好的变分族,上界可能非常松。作者在数值实验中观察到上界与真实 EIG 的排序一致,但未给出理论保证。
  • 命题 3.2 的 LIS 误差界要求 \(H_I\) 的特征值快速衰减。对于 PDE 反问题,这通常成立(由于平滑核的谱性质),但作者未讨论特征值衰减缓慢的情形。
  • 算法 3.3 的重启策略缺乏理论收敛性分析。作者仅凭经验设置 \(\ell = 3\),未给出选择依据。
  • 数值实验中,上界与嵌套蒙特卡洛的排序一致性仅在特定问题(椭圆 PDE、光声成像)上验证,未推广到更一般的非线性反问题。

四、开放问题

  1. 上界的紧性:定理 3.1 的上界在非高斯设定下可能非常松。是否存在更紧的 EIG 上界,或者可以构造自适应地选择变分族 \(q\) 的方法?(扎根于:定理 3.1 的证明依赖高斯-牛顿近似,但结论被泛化到任意似然。)
  2. LIS 的在线更新:本文使用数据无关的 LIS(基于平均 Fisher 信息)。在序贯设定中,数据依赖的 LIS 是否会更优?如何在线更新 LIS 并保证误差可控?(扎根于:3.2 节中条件映射的构建依赖数据无关 LIS,作者未讨论数据依赖 LIS 的序贯版本。)
  3. 重启策略的理论分析:重启间隔 \(\ell\) 的选择缺乏理论指导。是否存在最优重启策略,使得累积误差最小化?(扎根于:3.3 节中重启策略仅凭经验设置,无收敛性保证。)
  4. 非高斯似然的扩展:本文的数值实验集中在高斯噪声设定。对于非高斯似然(如泊松噪声、重尾噪声),上界是否仍然有效?条件传输映射的构建是否需要修改?(扎根于:3.1.3 节的协方差界依赖高斯噪声假设。)
  5. 计算复杂度与精度的权衡:本文使用 ROM 加速计算,但 ROM 误差对设计选择的影响未分析。是否存在 ROM 误差传播的界?(扎根于:4.1 节中 ROM 的相对误差约 0.003,但未讨论其对 EIG 上界的影响。)

提示:要确认上述问题是否为真 gap,建议去读 sOED 领域近期约 5 篇论文(如 2024-2025 年发表在 SIAM/ASA JUQ、Inverse Problems 上的相关工作)的引言——如果多篇都指向同一问题,则可能是共识性 gap;如果互相矛盾,则可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论