跳转至

Resampling-Based Inference for Incomplete Paired Functional Data

作者: Marl\'ene Baumeister, Lubna Amro, {\L}ukasz Smaga, Markus Pauly
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2610.32777


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函数型数据(Functional Data Analysis, FDA)中的两样本均值检验,具体聚焦于一个此前未被系统解决的缺失数据设定:配对函数型数据中,某些观测对象的整条函数完全缺失(而非传统设定中函数在部分时间点缺失)。根本的统计问题是:在配对结构(同一对象在两个条件下各有一条曲线)与缺失结构(部分对象只有一条曲线)并存时,如何检验两组均值函数是否相等,同时充分利用配对观测(控制个体异质性)与未配对观测(不丢弃信息)的全部信息。该方向当前处于"方法已初步建立、但理论保障与推广尚不完整"的阶段——已有工作(如 Smaga 2020)提出了针对完全配对数据的检验统计量,但对其重采样方法的理论性质长期缺乏严格证明。

发展脉络

  • 奠基工作:函数型数据的重复测量分析。 Martínez-Camblor & Corral (2011) 首次系统地将重复测量框架引入函数型数据,提出基于均值函数差异的积分型检验统计量,并发展了渐近、置换与自助法三种近似。这项工作确立了"将逐点检验统计量全局化(积分或取上确界)"的基本范式,成为后续几乎所有工作的模板。
  • 主要进展:配对函数型数据的检验统计量构造。 Smaga (2019, 2020) 在 Martínez-Camblor & Corral 的基础上,将经典配对 t 检验适配到函数型数据,提出同时利用"组间变异"与"组内变异"的逐点 t 型统计量,并分别用积分与上确界两种方式全局化。Smaga (2020) 明确提出了针对完全配对数据的置换检验程序,但其理论有效性(即置换分布能否正确逼近原假设下的极限分布)长期未被证明——这是本文要填补的一个直接缺口。
  • 当前 frontier:缺失数据与多重比较。 两条并行线索:一是缺失数据的处理,Jang et al. (2021) 提出基于贝叶斯潜因子模型的多重插补方法用于双变量函数型数据,但插补后的检验程序缺乏理论保证;二是更复杂设计下的多重检验,Munko et al. (2024, 2025, 2026) 将函数型 MANOVA 推广到一般因子设计与多重比较,其统计量构造与本文的"加权组合"思路有直接亲缘关系。此外,Amro & Pauly (2017) 在非函数型配对数据中提出了处理整条观测缺失的加权检验统计量,本文的核心思想——"配对部分用配对 t 统计量、未配对部分用 Welch t 统计量、再按样本量加权组合"——正是对这一思路的函数型推广。
  • 本文的位置:本文处在"Smaga (2020) 的完全配对方法"与"Amro & Pauly (2017) 的非函数型缺失配对方法"的交叉点上。它首次将后者的加权组合思想引入函数型框架,同时首次为 Smaga (2020) 的置换检验提供了严格的理论证明(作为其方法在无缺失时的特例),并提出了一个在更一般条件下有效的参数自助法。

子线索聚类

  1. 函数型数据的均值检验与 ANOVA:Martínez-Camblor & Corral (2011, 2012)、Smaga (2019, 2020)、Zhang (2011)、Górecki & Smaga (2017)、Munko et al. (2024, 2025, 2026)。这一簇的核心问题是:如何将经典多元检验(t 检验、F 检验、MANOVA)推广到无穷维的函数空间,并处理由此产生的非枢轴极限分布问题。
  2. 函数型数据的缺失数据处理:Kraus (2015, 2019)、Liebl & Rameseder (2017)、Kneip & Liebl (2020)、Jang et al. (2021)。这一簇关注函数部分缺失或整条缺失时的估计与推断,但绝大多数工作聚焦于均值/协方差的估计与重建,而非假设检验——这是本文切入的空白。
  3. 非函数型配对数据的缺失处理与重采样检验:Amro & Pauly (2017)、Amro et al. (2021)、Friedrich & Pauly (2018)、Janssen (1997)、Janssen & Pauls (2003)。这一簇为本文提供了两个关键工具:加权组合统计量的构造思路,以及置换/自助法在非交换结构下的理论分析框架(特别是 Janssen & Pauls 关于重采样检验一般有效性的经典结果)。

这个方向在追问的核心问题

  1. 如何构造既能充分利用配对信息、又能容纳未配对观测的检验统计量? 配对观测能消除个体间异质性,但丢弃未配对观测会损失效率;简单合并又会破坏配对结构。加权组合是一种自然解法,但权重如何选择、统计量的极限分布如何刻画?
  2. 如何获得可计算的临界值? 函数型检验统计量的极限分布通常非枢轴(依赖于未知协方差函数),且本文的加权组合引入了配对与未配对部分之间的复杂依赖。置换检验和参数自助法是两种候选方案,但它们的有效性需要严格的条件。
  3. 检验在什么条件下是渐近正确的(第一类错误控制)且一致的(对固定备择的检验功效趋于 1)? 这需要函数空间上的弱收敛结果(经验过程理论)以及对协方差函数的估计一致性。

⚠️ 作者的 framing

作者将缺口 frame 为:"Smaga (2020) 的完全配对检验无法处理整条函数缺失的情形,而现有的插补方法(Jang et al. 2021)虽然可以填补缺失,但插补后的检验程序缺乏理论保证,且计算成本极高(模拟中约需两天)。因此,需要一种直接利用所有可用观测(配对与未配对)的检验方法,并为其提供严格的理论基础。" 作者淡化的竞争路线包括:插补方法(强调其计算负担和缺乏理论保证)、以及直接丢弃未配对观测的完整案例分析(强调其在小样本和高缺失率下的效率损失)。值得注意的是,作者在讨论中承认置换检验在一般设定下并非渐近有效,并因此主推参数自助法——这是对自身方法局限性的明确交代。

张力

未见明显对立引用。但存在一个值得注意的张力:Smaga (2020) 的置换检验在完全配对设定下被本文证明为有效,而 Amro & Pauly (2017) 在非函数型设定下发现置换检验在一般缺失模式下可能失效——本文的贡献之一正是厘清了这一张力:置换检验的有效性依赖于配对与未配对部分的协方差结构是否满足特定条件(如平衡缺失或同协方差)。

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
\(X(t) = (X_1(t), X_2(t))^\top\) 二元随机过程,定义在紧度量空间 \((T, \zeta)\) 上 随机变量(函数值)
\(\eta(t) = (\eta_1(t), \eta_2(t))^\top\) 均值函数 参数/estimand
\(\Gamma(s,t)\) \(2\times 2\) 协方差函数矩阵 参数(无穷维)
\(x_j(t) = (x_{1j}(t), x_{2j}(t))^\top\) 第 \(j\) 个个体的观测曲线对 样本
\(n_1\) 完整配对(两条曲线都观测到)的个体数 样本量指标
\(n_2\) 仅观测到第一条曲线的个体数 样本量指标
\(n_3\) 仅观测到第二条曲线的个体数 样本量指标
\(n = n_1 + n_2 + n_3\) 总个体数 样本量
\(\hat{\eta}(t)\) 经验均值函数 估计量
\(\hat{\Gamma}(t)\) 经验协方差函数 估计量
\(T_{n_1}(x^{(c)}, \hat{\Gamma}^{(c)})(t)\) 配对部分的逐点 t 统计量 检验统计量(逐点)
\(T_{n_2+n_3}(x^{(m)}, \hat{\Gamma}^{(m)}_0)(t)\) 未配对部分的 Welch t 统计量 检验统计量(逐点)
\(K_n(x,t)\) 加权组合的逐点统计量 检验统计量(逐点)
\(I_n(x) = \int_T K_n(x,t)dt\) 积分型全局统计量 检验统计量(全局)
\(S_n(x) = \sup_{t\in T} K_n(x,t)\) 上确界型全局统计量 检验统计量(全局)
\(a_n\) 配对部分与未配对部分的权重 设计参数(\(a_n \to a\))
\(\kappa_i = \lim n_i/(n_2+n_3)\) 未配对部分中两组样本量的渐近比例 渐近参数

模型:\(X_1, X_2\) 是定义在紧度量空间 \((T, \zeta)\) 上的连续函数值随机过程,具有均值函数 \(\eta_1, \eta_2\) 和协方差函数 \(\Gamma\)。观测为 \(n\) 个独立个体,其中 \(n_1\) 个个体提供完整配对 \((x_{1j}, x_{2j})\),\(n_2\) 个个体仅提供 \(x_1\),\(n_3\) 个个体仅提供 \(x_2\)。缺失机制为 MCAR(完全随机缺失),即缺失与否独立于函数值。

可观测数据:\(\{x^{(c)}_{1j}, x^{(c)}_{2j}\}_{j=1}^{n_1}\)(完整配对)、\(\{x^{(m)}_{1j}\}_{j=1}^{n_2}\)(仅第一条曲线)、\(\{x^{(m)}_{2j}\}_{j=1}^{n_3}\)(仅第二条曲线)。

假设检验问题:

\[H_0: \eta_1(t) = \eta_2(t) \ \forall t \in T \quad \text{vs.} \quad H_1: \eta_1(t) \neq \eta_2(t) \ \text{对某} \ t \in T\]

第二步:最小内核

核心思想:将配对数据与未配对数据的信息分别用不同的逐点 t 统计量提取,再按渐近最优权重组合。

最小例子:假设 \(T = \{t_0\}\) 退化为单点(即标量情形),且 \(n_1, n_2, n_3\) 固定。此时问题退化为经典的"部分配对数据的两样本均值检验"。

  • 配对部分:用配对 t 统计量

    \[T_{n_1}(t_0) = \frac{\sqrt{n_1}(\bar{x}^{(c)}_1 - \bar{x}^{(c)}_2)(t_0)}{\sqrt{\hat{\gamma}^{(c)}_{1-2}(t_0, t_0)}}\]
    其中 \(\hat{\gamma}^{(c)}_{1-2}\) 是配对差 \(x_1 - x_2\) 的方差估计。在 \(H_0\) 下,\(T_{n_1}(t_0) \xrightarrow{d} N(0,1)\)。

  • 未配对部分:用 Welch t 统计量

    \[T_{n_2+n_3}(t_0) = \frac{\bar{x}^{(m)}_1 - \bar{x}^{(m)}_2}{\sqrt{\hat{\gamma}^{(m)}_1(t_0,t_0)/n_2 + \hat{\gamma}^{(m)}_2(t_0,t_0)/n_3}}\]
    在 \(H_0\) 下,\(T_{n_2+n_3}(t_0) \xrightarrow{d} N(0,1)\)。

  • 加权组合:定义

    \[K_n(t_0) = \sqrt{a_n}\, T^2_{n_1}(t_0) + \sqrt{1-a_n}\, T^2_{n_2+n_3}(t_0)\]
    其中 \(a_n = 2n_1/(n+n_1) \to a \in (0,1)\)。

为什么这个例子是"最小内核":整篇论文的所有技术困难都浓缩在这个单点例子中——(1) 配对与未配对统计量的独立性(因为来自不同的个体集合);(2) 加权组合的极限分布是两个独立 \(\chi^2_1\) 变量的加权和,而非标准 \(\chi^2\) 分布;(3) 置换检验在这个组合统计量下是否仍然有效?——答案是不一定,因为置换会破坏配对与未配对部分之间的权重结构。这个单点例子已经能说明为什么作者需要引入参数自助法:参数自助法通过估计协方差结构并生成高斯过程来逼近极限分布,从而绕开了置换检验在组合统计量下的失效问题。

从单点到函数空间:当 \(T\) 为连续区间时,\(K_n(t)\) 成为随机过程,\(I_n = \int_T K_n(t)dt\) 的极限分布是高斯过程的泛函(积分),\(S_n = \sup_t K_n(t)\) 的极限分布是高斯过程的上确界。证明的关键步骤是: 1. 用经验过程理论(van der Vaart & Wellner 的弱收敛框架)证明逐点 t 统计量过程在 \(C(T)\) 中弱收敛到高斯过程; 2. 证明协方差函数估计量的一致收敛性(Lemma 6 in Munko et al. 2025); 3. 对置换/自助法,证明条件分布(给定数据)在概率意义下收敛到同一极限。

为什么成立:核心原因是配对部分与未配对部分来自不相交的个体集合,因此对应的经验过程渐近独立;加权组合的极限分布是两个独立高斯过程平方的加权和。参数自助法通过从估计的高斯过程生成样本,精确地复制了这个极限分布的结构。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:在配对函数型数据中,当部分观测对象的整条函数完全缺失时,如何检验两组均值函数是否相等——即构造能同时利用配对与未配对观测的全局检验统计量,并保证其渐近正确性与一致性。
  2. 核心工具/方法:将配对部分的逐点配对 t 统计量与未配对部分的逐点 Welch t 统计量按权重 \(a_n = 2n_1/(n+n_1)\) 组合,得到积分型(\(I_n\))和上确界型(\(S_n\))两种全局统计量;用经验过程理论推导极限分布,并提出置换检验和参数自助法两种临界值计算方法。
  3. 主要结论:参数自助法在一般条件下渐近有效(无需平衡缺失或同协方差假设),而置换检验仅在特定条件下(平衡缺失 \(n_2 = n_3\) 或同协方差 \(\gamma_1 = \gamma_2\))渐近有效;模拟研究显示,新方法在多数设定下能准确控制第一类错误率,且在未配对观测比例高时比完整案例分析具有更高的检验功效。

关键设定与假设

  • 数据模型:\(X \sim SP_2(\eta, \Gamma)\),即 \(X\) 是取值于 \(C^2(T)\) 的随机过程,具有均值函数 \(\eta\) 和协方差函数 \(\Gamma\)。观测为 \(n\) 个独立个体,分为三组:\(n_1\) 个完整配对、\(n_2\) 个仅观测 \(X_1\)、\(n_3\) 个仅观测 \(X_2\)。
  • MCAR 假设:缺失机制为完全随机缺失,即缺失指示变量与函数值独立。这是保证"未配对观测的分布与配对观测的边缘分布相同"的关键。
  • 矩条件 (A2):\(E[\|v_1(t^*)\|_2^J] < \infty\) 对某个 \(t^* \in T\) 和 \(J \geq 2\)。这是经验过程理论中 CLT 所需的矩条件。
  • 光滑性条件 (A5):\(E[\|v_1(t) - v_1(s)\|_2^J] \leq C \cdot \zeta(s,t)^J\),即样本路径在 \(J\) 阶矩意义下 Hölder 连续。这是保证函数空间 \(C(T)\) 中弱收敛的关键。
  • 渐近框架:\(n_1, n_2, n_3 \to \infty\) 且 \(n_i/(n_2+n_3) \to \kappa_i > 0\)(\(i = 1,2,3\)),即三组样本量按比例增长,没有哪一组渐近可忽略。
  • 权重选择:\(a_n = 2n_1/(n+n_1) \to a \in (0,1)\),其中 \(n = n_1 + n_2 + n_3\)。这个权重使得配对部分和未配对部分在极限分布中的贡献达到某种平衡(具体地,\(a\) 由 \(\kappa_i\) 决定)。

相比已有工作的放宽/强化: - 相比 Smaga (2020)(仅处理完全配对数据),本文允许 \(n_2, n_3 > 0\),即存在未配对观测。 - 相比 Amro & Pauly (2017)(非函数型数据),本文将其推广到函数型数据,需要处理无穷维的弱收敛问题。 - 相比 Jang et al. (2021)(插补方法),本文不依赖插补模型,避免了模型误设风险,且计算成本低得多。

主要结果

定理 2(极限分布):在假设 1 下, - 原假设 \(H_0\) 下,\(I_n(x) \xrightarrow{d} I = \int_T \left(\sqrt{a}Z_1^2(t) + \sqrt{1-a}Z_2^2(t)\right)dt\),其中 \(Z_1, Z_2\) 是独立高斯过程,\(Var(Z_i(t)) = 1\); - \(S_n(x) \xrightarrow{d} S = \sup_{t\in T}\left(\sqrt{a}Z_1^2(t) + \sqrt{1-a}Z_2^2(t)\right)\); - 固定备择 \(H_1\) 下,\(I_n(x)\) 和 \(S_n(x)\) 依概率趋于无穷(一致性)。

定理 3(置换检验的局限性):置换检验的极限分布一般不等于原假设下统计量的极限分布。具体地,置换后的极限分布中的高斯过程 \(Z_{2,\pi}\) 的协方差为 \(\kappa_2\gamma_1 + \kappa_3\gamma_2\)(而非原假设下的 \(\kappa_3\gamma_1 + \kappa_2\gamma_2\))。仅当 \(\kappa_2 = \kappa_3\)(平衡缺失)或 \(\gamma_1 = \gamma_2\)(同协方差)时,两者一致。

定理 6(参数自助法的有效性):参数自助法生成的样本 \(x^P\) 的条件分布(给定数据)在概率意义下收敛到与原假设下统计量相同的极限分布。因此,自助法临界值渐近正确,无需额外条件。

证明路线与技术技巧

整体路线(以定理 2 为例): 1. 逐点弱收敛:利用经验过程理论(van der Vaart & Wellner 的定理 2.9.6 和 3.8.1),证明配对部分的逐点 t 统计量过程 \(\{T_{n_1}(x^{(c)}, \hat{\Gamma}^{(c)})(t)\}_{t\in T}\) 和未配对部分的 Welch 统计量过程在 \(C(T)\) 中分别弱收敛到高斯过程 \(Z_1\) 和 \(Z_2\)。 2. 独立性:由于配对与未配对观测来自不相交的个体集合,两个过程渐近独立。 3. 连续映射定理:将逐点统计量的平方和(加权)视为从 \(C(T)^2\) 到 \(C(T)\) 的连续映射,从而得到 \(K_n(x, \cdot)\) 的弱收敛。 4. 泛函化:积分和上确界都是 \(C(T)\) 上的连续泛函,再次应用连续映射定理得到 \(I_n\) 和 \(S_n\) 的极限分布。

关键技巧: - 经验过程框架:将函数型数据视为 \(C(T)\) 值随机变量,利用 Donsker 类理论(定理 7)建立 CLT。这是处理无穷维问题的标准工具。 - 置换分布的条件收敛:证明置换检验的极限分布时,关键是利用 Janssen (1997) 和 Janssen & Pauls (2003) 的框架,将置换后的经验过程分解为"中心化项 + 剩余项",并证明剩余项在概率意义下消失。难点在于:置换改变了配对结构,导致方差估计量的极限不再是原假设下的 \(\gamma_{1-2}\),而是 \(\kappa_2\gamma_1 + \kappa_3\gamma_2\)。 - 参数自助法的条件收敛:利用 Munko et al. (2025) 的引理 7 和 8,证明从估计协方差生成的高斯过程的条件分布收敛到目标高斯过程。关键是协方差估计量的一致收敛性(在 \(C(T)\) 范数下),这需要假设 (A5) 中的 Hölder 连续性和矩条件。 - Slutzky 定理:将"逐点统计量弱收敛"与"方差估计量一致收敛"结合,得到 t 统计量的渐近正态性。

真实例子与应用

数据:美国城市 2000 年和 2010 年 3 月 31 日至 10 月 31 日期间的日均 NO₂ 浓度曲线。数据来源为 Kaggle 的 US Pollution 数据集,此前由 Zhu et al. (2022) 研究过。

数据特征:\(n_1 = 17\) 个完整配对(城市在两年都有数据),\(n_2 = 23\) 个仅 2000 年有数据的城市,\(n_3 = 10\) 个仅 2010 年有数据的城市。这是一个典型的"部分配对"结构。

分析目的:检验 2000 年到 2010 年 NO₂ 浓度均值函数是否显著下降(Clark et al. 2017 曾发现美国整体 NO₂ 浓度下降)。

结果: - 所有方法(完整案例分析、插补方法、新方法)在完整数据集上都拒绝了原假设(p < 0.1),确认了 NO₂ 浓度显著下降。 - 在选定的数据集(剔除高浓度城市后),完整案例分析(\(IP_c\))的 p 值为 8.2%,未能拒绝原假设;而新方法 \(IP\) 和 \(IP_B\) 的 p 值均小于 0.1%,拒绝了原假设。这表明纳入未配对观测可以提供额外的检验功效,尤其在配对样本量很小(\(n_1 = 5\))时。 - 新方法在功效上优于完整案例分析,且与插补方法相比计算成本极低(无需 MCMC 采样)。

这个例子想说明什么:当配对样本量小、未配对观测比例高时,完整案例分析会损失大量信息,导致检验功效不足;而本文提出的加权组合方法能有效利用未配对观测,在不牺牲第一类错误控制的前提下提高功效。这直接回应了论文的核心动机。

🔎 结论是否比证明窄

  1. 置换检验的"经验有效性"未被理论覆盖:作者在模拟中发现置换检验在大多数设定下表现良好(即使理论上不成立),但论文只证明了其在特定条件下的有效性。作者在讨论中承认这一点,并建议在不确定时使用参数自助法。这是一个明确的"证明窄于结论"之处——模拟中的良好表现缺乏理论解释。
  2. 参数自助法的有限样本性质:定理 6 只证明了渐近有效性,但模拟显示 \(IP_B\) 在某些设定下偏保守(第一类错误率低于名义水平)。论文没有给出收敛速度或高阶校正,这意味着"渐近有效"的结论在实际样本量下的表现可能偏离。
  3. MCAR 假设的稳健性:论文假设缺失机制为 MCAR,但未讨论 MAR 或 MNAR 情形下的表现。模拟中缺失机制是人为控制的,真实数据(如 NO₂ 数据)的缺失机制可能更复杂。结论"方法在 MCAR 下有效"不能直接推广到更一般的缺失机制。
  4. 协方差结构的选择:参数自助法需要估计协方差函数,论文使用了特定的估计方法(基于 Lemma 6 in Munko et al. 2025),但没有讨论协方差估计误差对检验水平的影响。如果协方差估计不准,自助法分布可能偏离目标。

四、开放问题

  1. 缺失机制放松:本文假设 MCAR,但实际应用中缺失可能与函数值相关(MAR/MNAR)。将方法推广到 MAR 或 MNAR 需要引入缺失机制建模(如倾向得分加权或逆概率加权),这会显著改变统计量的构造和极限分布。扎根于:论文在引言和讨论中明确限定 MCAR 假设,但未讨论放松的可能性。

  2. 置换检验的"近似有效性"理论化:模拟显示置换检验在理论上不成立的情况下仍表现良好,但论文没有解释这一现象。一个可能的理论方向是:置换分布与目标分布之间的偏差是否以 \(O(n^{-1/2})\) 或更快的速度消失?这需要更精细的 Edgeworth 展开或高阶经验过程理论。扎根于:定理 3 的负面结果与模拟的正面结果之间的张力。

  3. 协方差估计的自适应选择:参数自助法的表现依赖于协方差函数的估计质量。在高维或稀疏观测(每个函数只观测少量时间点)下,协方差估计可能不稳定。一个开放问题是:是否存在自适应选择协方差估计方法(如正则化或阈值化)使得检验水平对协方差估计误差稳健?扎根于:定理 6 的证明依赖于协方差估计的一致性,但未讨论估计误差的影响。

  4. 功效最优性:本文的加权组合统计量采用了特定的权重 \(a_n = 2n_1/(n+n_1)\),但没有证明这是某种意义下的最优权重。一个自然的问题是:在给定配对/未配对样本量的情况下,是否存在使功效最大化的权重选择?这需要计算检验统计量在局部备择下的非中心参数,并优化权重。扎根于:论文在引言中声称权重选择"motivated by Amro and Pauly (2017)",但未讨论最优性。

  5. 多重比较与更复杂设计:论文仅处理了两组比较。将方法推广到多组(函数型 ANOVA)或因子设计(函数型 MANOVA)时,加权组合的思想需要重新设计,且重采样方法的理论分析会更加复杂。扎根于:论文在讨论中提及 Munko et al. (2024, 2025, 2026) 的工作,但未给出具体推广路径。


提示:若要确认上述开放问题是否为真 gap,建议去读以下近期论文的引言部分(约 5 篇):(1) Munko et al. (2025) 关于函数型 MANOVA 重采样方法的论文;(2) Kraus (2019) 关于部分观测函数型数据推断的论文;(3) Liebl & Rameseder (2017) 关于系统缺失部分函数型数据的论文;(4) Amro et al. (2021) 关于非函数型配对数据缺失的论文;(5) 任何近期关于函数型数据缺失机制(MAR)的综述。若这些论文的引言都未提及"整条函数缺失下的两样本检验"这一具体问题,则第 1-2 条开放问题很可能是真 gap。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论