跳转至

Higher-Order Marginal Likelihood Approximation for Nonlinear State Space Models

作者: Joshua C. C. Chan, Wei Zhang
主题: 统计计算 / 算法
相关性: 6/10
链接: https://arxiv.org/abs/2610.34629


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模型比较中的边际似然(marginal likelihood)计算。根本的统计问题是:给定观测数据 \(y\) 和一组竞争模型 \(\{\mathcal{M}_1, \dots, \mathcal{M}_K\}\),如何计算每个模型的边际似然 \(m_T = \int Z_T(\theta) p(\theta) d\theta\)(其中 \(Z_T(\theta)\) 是给定参数 \(\theta\) 的似然,\(p(\theta)\) 是先验),从而通过贝叶斯因子进行模型选择。对于非线性状态空间模型(如随机波动率模型),\(Z_T(\theta)\) 本身涉及对潜在状态路径 \(\alpha = (\alpha_1, \dots, \alpha_T)'\) 的积分,其维度随样本量 \(T\) 增长,这使得边际似然的精确计算在计算上不可行。该方向的成熟度:这是一个有数十年历史的问题,已有大量基于 MCMC 的估计器(如 Chib's method、谐波均值估计器)和基于拉普拉斯近似的确定性方法,但在长序列、高维潜在状态、非高斯观测的条件下,现有方法的精度与计算成本之间的权衡仍是开放问题。

发展脉络(history)

  • 奠基工作:拉普拉斯近似本身可追溯到 Tierney and Kadane (1986) 和 Kass, Tierney, and Kadane (1990),后者建立了后验展开的有效性,为将拉普拉斯方法用于边际似然提供了理论基础。Shun and McCullagh (1995) 进一步将拉普拉斯展开推广到积分维度随样本量增长的场景,给出了高阶项的组合结构(即本文公式 (4) 中三个收缩项的来源)。这些工作奠定了"对参数积分做确定性近似"这一路线。
  • 主要进展(模拟/数值路线):Chib (1995) 和 Chib and Jeliazkov (2001) 提出基于 MCMC 输出的边际似然估计器,通过条件后验密度分解将问题转化为后验序贯估计。Gelfand and Dey (1994) 与 Geweke (1999) 提出修正谐波均值估计器。这些方法在中等维度下有效,但需要大量后验样本,且其方差随维度或样本量增长而恶化——本文引言明确引用 Chan and Grant (2015, 2016) 指出"基于条件似然的准则在潜在变量模型中不可靠"。
  • 当前 frontier(内层积分):对于状态空间模型,内层对潜在状态的积分是核心瓶颈。数值积分滤波器(Kitagawa, 1987; Fridman and Harris, 1998; Farmer, 2021)在低维状态(标量或二维)下可达到机器精度,但随状态维度指数增长。粒子滤波(Andrieu, Doucet, and Holenstein, 2010)提供无偏估计但噪声大。Creal (2017) 对特殊结构(非中心伽马状态转移)给出精确滤波器。本文的位置:作者提出将"外层参数积分"用二阶修正拉普拉斯近似,而"内层状态积分"用现有滤波器(网格或粒子)在单一参数点(后验众数)处完成,从而避免了对参数空间的全局模拟。
  • 本文的定位:作者声称其贡献在于 (a) 将二阶修正拉普拉斯近似系统性地应用于非线性状态空间模型的边际似然;(b) 将修正项用平滑累积量(smoothing cumulants)表达,建立了与潜在状态结构的直接联系;(c) 在长序列(\(T\) 高达 19,266)上展示了远低于模拟方法的计算成本。

子线索聚类

  1. 拉普拉斯近似与后验展开(Tierney and Kadane 1986; Kass et al. 1990; Shun and McCullagh 1995; Ruli et al. 2015):核心是"用局部导数信息近似全局积分",本文直接继承此路线,并针对状态空间模型做了适配。
  2. 基于模拟的边际似然估计(Chib 1995; Gelfand and Dey 1994; Geweke 1999; Chan and Eisenstat 2015):核心是"用后验样本近似积分",本文将其作为计算成本与精度的对照基准。
  3. 状态空间模型的似然评估(Kitagawa 1987; Farmer 2021; Creal 2017; Chan 2026):核心是"如何高效计算 \(Z_T(\theta)\)",本文将其作为内层积分的工具,并特别利用了 Chan (2026) 的有界权重重要性采样器作为独立检验。

这个方向在追问的核心问题

  1. 精度与计算成本的权衡:能否在不运行 MCMC 的情况下,以可接受的精度计算边际似然?本文给出的答案是:在 \(T\) 较大时,二阶修正拉普拉斯近似的误差以 \(T^{-2}\) 衰减,而计算成本不随 \(T\) 增长。
  2. 高维潜在状态的挑战:当状态维度 \(d_\alpha\) 增长时,内层积分如何有效处理?本文的答案是:网格滤波器仅适用于标量或二维状态,粒子滤波器用于更高维度但精度受限。
  3. 非正态后验的偏离:当参数后验显著偏离高斯时,拉普拉斯近似的误差如何控制?本文的答案是:通过二阶修正项 \(\Delta_2\) 部分吸收非正态性,但未给出偏离程度的上界。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"现有边际似然估计器要么需要昂贵的 MCMC 模拟(Chib's method, Gelfand–Dey),要么在长序列下精度不足(标准拉普拉斯近似误差为 \(O(T^{-1})\))。本文提出的二阶修正将误差降至 \(O(T^{-2})\),且无需任何后验模拟。" 作者淡化的竞争路线包括:(a) 基于序贯蒙特卡洛(SMC)的边际似然估计(Creal 2012; Chopin et al. 2013),文中仅一笔带过;(b) 变分贝叶斯方法,完全未提及。值得研究者去查的问题:为什么 SMC 方法未被作为主要对照?变分方法在类似问题上的表现如何?

张力

未见明显对立引用。但有一个微妙的张力:作者依赖 Chan (2026) 的有界权重重要性采样器作为"独立检验",而该采样器本身要求观测对数密度在状态上是凹的——这一条件在本文的实证模型中是否满足,文中未明确验证。


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(按类别分组):

类别 符号 含义
观测数据 \(y = (y_1', \dots, y_T')'\) \(T\) 个时间点的观测向量,\(y_t\) 可为标量或向量
潜在状态 \(\alpha = (\alpha_1', \dots, \alpha_T')'\) 潜在状态路径,维度随 \(T\) 增长
静态参数 \(\theta \in \Theta \subseteq \mathbb{R}^d\) 低维参数向量(\(d\) 固定,不随 \(T\) 增长)
参数估计量 \(\psi = g(\theta) \in \mathbb{R}^d\) 无约束坐标变换后的参数,\(g\) 为光滑双射
后验众数 \(\hat{\psi}\) \(\psi\) 空间中后验密度的众数
负 Hessian \(\Lambda = -\nabla^2 f(\hat{\psi})\) 对数后验核在众数处的负 Hessian,正定
标准化坐标 \(u = A^{-1}(\psi - \hat{\psi})\),\(A = \Lambda^{-1/2}\) 使二次型标准化的线性变换
完整数据对数密度 \(C(\psi, \alpha) = \log p(y, \alpha \mid \psi)\) 联合对数密度(含状态与观测)
对数后验核 \(f(\psi) = \log Z_T(\psi) + \log p_\psi(\psi)\) 未归一化的对数后验
平滑累积量 \(\kappa_1, \kappa_2, \kappa_3, \kappa_4\) 完整数据对数密度在平滑分布下的累积量(见 Proposition 1)
积分估计量 \(\hat{Z}_T(\hat{\psi})\) 在众数处对 \(Z_T\) 的数值或模拟估计
接受概率 \(p_a = Z_T(\hat{\psi}) / C(\hat{\psi})\) 有界权重重要性采样器的接受概率
样本量 \(T\) 时间序列长度
参数维度 \(d\) 静态参数个数(本文中 \(d=3\) 或 \(4\))
状态维度 \(d_\alpha\) 潜在状态维度(本文中 \(d_\alpha = 1\) 或 \(2\))

模型(以随机波动率模型为例,公式 (1)):

观测方程:\(y_t = e^{h_t/2} \varepsilon_t\),\(\varepsilon_t \sim N(0,1)\)
状态方程:\(h_t = \mu + \phi(h_{t-1} - \mu) + \sigma \eta_t\),\(\eta_t \sim N(0,1)\)
初始状态:\(h_1 \sim N(\mu, \sigma^2/(1-\phi^2))\)

可观测数据:\(y = (y_1, \dots, y_T)'\)(收益率序列)。不可观测:潜在状态路径 \(h = (h_1, \dots, h_T)'\) 和静态参数 \(\theta = (\mu, \phi, \sigma^2)'\)。

目标量:边际似然 \(m_T = \int Z_T(\theta) p(\theta) d\theta\),其中 \(Z_T(\theta) = \int p(y \mid h, \theta) p(h \mid \theta) dh\)。

第二步:最小内核

剥掉所有一般性假设后,本文的核心数学问题是:

给定一个 \(d\) 维积分 \(m_T = \int e^{f(\psi)} d\psi\),其中 \(f\) 是"对数后验核",其最大值在 \(\hat{\psi}\) 处,Hessian 为 \(-\Lambda\)。标准拉普拉斯近似用高斯积分近似它,误差为 \(O(T^{-1})\)。本文的问题是:如何用 \(f\) 在 \(\hat{\psi}\) 处的三阶和四阶导数,构造一个修正项 \(\Delta_2\),使误差降至 \(O(T^{-2})\)?

最小例子(\(d=1\)):

设 \(f(\psi)\) 是单变量函数,众数在 \(\hat{\psi}\),记 \(f'''(\hat{\psi}) = f_3\),\(f''''(\hat{\psi}) = f_4\),\(\Lambda = -f''(\hat{\psi})\)。在标准化坐标 \(u = \sqrt{\Lambda}(\psi - \hat{\psi})\) 下,\(f\) 的泰勒展开为:

\[f(\hat{\psi} + u/\sqrt{\Lambda}) = f(\hat{\psi}) - \frac{1}{2}u^2 + \frac{f_3}{6\Lambda^{3/2}}u^3 + \frac{f_4}{24\Lambda^2}u^4 + \cdots\]

则 \(m_T / m_1\)(其中 \(m_1\) 是普通拉普拉斯近似)的展开为:

\[\frac{m_T}{m_1} = E\left[e^{R(G)}\right], \quad G \sim N(0,1)\]

其中 \(R(u) = \frac{f_3}{6\Lambda^{3/2}}u^3 + \frac{f_4}{24\Lambda^2}u^4 + \cdots\)。

关键计算:\(E[G^3] = 0\),\(E[G^4] = 3\),\(E[G^6] = 15\)。因此:

\[E[R(G)] = \frac{f_4}{24\Lambda^2} \cdot 3 + \cdots = \frac{f_4}{8\Lambda^2} + \cdots\]
\[\frac{1}{2}E[R(G)^2] = \frac{1}{2} \cdot \frac{f_3^2}{36\Lambda^3} \cdot 15 + \cdots = \frac{5f_3^2}{24\Lambda^3} + \cdots\]

所以 \(\Delta_2 = \frac{f_4}{8\Lambda^2} + \frac{5f_3^2}{24\Lambda^3}\)。当 \(f\) 是 \(T\) 个观测的对数似然时,\(f_3 = O(T)\),\(f_4 = O(T)\),\(\Lambda = O(T)\),因此 \(\Delta_2 = O(T^{-1})\),而余项为 \(O(T^{-2})\)。

为什么这是"最小内核":本文的所有技术细节——平滑累积量、Proposition 1、稀疏设计——都是在回答"如何高效计算 \(f_3\) 和 \(f_4\)(即 \(\Delta_2\))"这个问题。一旦理解了 \(\Delta_2\) 的来历,整篇论文的骨架就清楚了。

本文的一般化:在状态空间模型中,\(f(\psi) = \log Z_T(\psi) + \log p_\psi(\psi)\),其中 \(Z_T(\psi)\) 本身是 \(T\) 维积分(对状态路径)。Proposition 1 的关键洞见是:\(f\) 的三、四阶导数可以写成平滑分布下的累积量,而这些累积量可以通过滤波器在众数处一次性计算,无需额外的似然评估。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:如何在不运行 MCMC 的情况下,对非线性状态空间模型的边际似然进行高精度近似,使对数边际似然的误差从 \(O(T^{-1})\) 降至 \(O(T^{-2})\)。
  2. 核心工具/方法:在参数后验众数处,对"积分掉潜在状态后的对数似然"应用二阶修正拉普拉斯近似;修正项 \(\Delta_2\) 通过平滑累积量表达,由滤波器在众数处一次性计算。
  3. 主要结论:在随机波动率模型及其扩展的模拟和实证研究中,该方法的误差在 \(T \geq 500\) 时远小于普通拉普拉斯近似,且在 \(T = 8{,}000\) 时消除了 64% 至 99% 的拉普拉斯误差;计算成本远低于基于 MCMC 的估计器。

关键设定与假设

设定:观测 \(y_t\) 的条件分布 \(p(y_t \mid \alpha_t, \psi)\) 和状态转移 \(p(\alpha_t \mid \alpha_{t-1}, \psi)\) 均为已知(参数化),静态参数 \(\psi\) 的维度 \(d\) 固定且较小(本文中 \(d=3\) 或 \(4\))。潜在状态 \(\alpha_t\) 的维度为 1(标量)或 2(双变量)。

假设(逐条说明统计含义):

  • 假设 1(众数存在且唯一):\(f(\psi) = \log Z_T(\psi) + \log p_\psi(\psi)\) 在 \(\mathbb{R}^d\) 上有唯一内点众数 \(\hat{\psi}\),且 \(\Lambda = -\nabla^2 f(\hat{\psi})\) 正定。这是拉普拉斯近似的标准前提,等价于要求后验分布"足够接近"高斯且没有多峰性。相比已有文献(如 Kass et al. 1990),本文没有放松这一假设,但将其作为可验证条件陈述。
  • 假设 2(导数增长控制):\(f\) 在众数附近六次连续可微,且标准化后的三至六阶导数在半径为 \(\varrho\sqrt{T}\) 的球内一致有界,界为 \(K_k T^{1-k/2}\)(\(k=3,\dots,6\))。这是本文定理证明的关键——它保证了泰勒展开的余项在"高概率"区域外可忽略。相比 Kass et al. (1990) 的假设,本文将其显式化并给出了增长率。
  • 假设 3(后验集中):众数邻域外的后验质量以 \(T^{-2}\) 的速度衰减。这是拉普拉斯近似的"大样本"前提,等价于后验在 \(T \to \infty\) 时以 \(T^{-1/2}\) 速率集中。本文用 \(C_0 m_1 T^{-2}\) 的上界形式陈述,便于在证明中直接使用。

相比已有文献的放宽/强化: - 放宽:本文不要求潜在状态转移为线性高斯(对比 Kalman 滤波类方法),也不要求观测为高斯(对比准最大似然方法)。 - 强化:本文要求 \(f\) 的六阶导数存在且有界,这比标准拉普拉斯近似的四阶可微要求更强;但作者指出,对于随机波动率模型族,这一条件在参数空间的紧子集上自然满足。

主要结果

定理 1(二阶展开):在假设 1–3 下,\(\log m_T = \log m_1 + \Delta_2 + O(T^{-2})\),其中 \(m_1\) 是普通拉普拉斯近似,\(\Delta_2\) 由公式 (4) 给出。直觉:普通拉普拉斯近似忽略了后验的非高斯性,其误差主要来自三阶和四阶矩;\(\Delta_2\) 正是用这些矩的收缩来修正。必要条件:\(T\) 足够大使得假设 2–3 成立;\(d\) 固定(不随 \(T\) 增长)。

命题 1(平滑累积量):\(f\) 的三、四阶导数可以表示为完整数据对数密度 \(C(\psi, \alpha)\) 在平滑分布 \(p(\alpha \mid y, \psi)\) 下的累积量:

\[D^3_w \log Z_T = E_\psi[c_3] + 3\text{Cov}_\psi(c_1, c_2) + \text{cum}_\psi(c_1, c_1, c_1)\]
\[D^4_w \log Z_T = E_\psi[c_4] + 4\text{Cov}_\psi(c_1, c_3) + 3\text{Var}_\psi(c_2) + 6\text{cum}_\psi(c_1, c_1, c_2) + \text{cum}_\psi(c_1, c_1, c_1, c_1)\]

技术意义:这些累积量可以通过滤波器(网格或粒子)在众数处一次性计算,不需要额外的似然评估。这避免了"对每个参数值都运行滤波器"的昂贵操作。

命题 2(有界权重评估):对于 Chan (2026) 的有界权重重要性采样器,其方差和有限样本误差界由接受概率 \(p_a\) 控制。技术意义:这为模拟估计器提供了可验证的精度保证,使得在实证中可以用它作为独立检验。

证明路线与技术技巧

整体路线(5 步):

  1. 标准化坐标变换:定义 \(u = A^{-1}(\psi - \hat{\psi})\),\(A = \Lambda^{-1/2}\),将积分转化为标准高斯积分的形式。
  2. 泰勒展开:在众数附近将 \(f\) 展开到六阶,得到 \(R(u) = C_3(u) + C_4(u) + C_5(u) + R_6(u)\),其中 \(C_k\) 是 \(k\) 阶项。
  3. 高斯矩计算:利用高斯分布的性质,计算 \(E[e^{R(G)}]\) 的展开。关键技巧是奇阶项(\(C_3, C_5\))在高斯积分下贡献为零,而偶阶项(\(C_4, C_3^2\))给出 \(\Delta_2\)。
  4. 余项控制:在球 \(\|u\| \le T^{1/8}\) 内,用假设 2 的导数界控制 \(R_6\) 和更高阶项;在球外,用假设 3 的后验集中控制积分贡献。
  5. 误差合成:将球内、球壳、球外的贡献分别估计,得到总误差 \(O(T^{-2})\)。

关键跳跃点:

  • 跳跃 1(从 \(f\) 的导数到平滑累积量):\(f\) 的导数涉及 \(\log Z_T(\psi)\) 对 \(\psi\) 的导数,而 \(Z_T(\psi)\) 本身是 \(T\) 维积分。直接计算需要 \(O(T)\) 次滤波器运行。命题 1 的关键洞见是:这些导数可以写成平滑分布下的累积量,而平滑分布 \(p(\alpha \mid y, \psi)\) 恰好是滤波器在众数处的输出。这样,一次滤波器运行就给出了所有需要的导数。
  • 跳跃 2(稀疏设计):\(\Delta_2\) 需要三阶导数 \(a_{ijk}\) 和四阶导数 \(b_{iijj}\)。直接计算需要 \(O(d^3 + d^2)\) 个偏导数,但作者指出,由于 \(f\) 的结构(对数似然加对数先验),这些导数可以通过中心差分在稀疏网格上计算,只需 \(6d + 8\binom{d}{2} + 16\binom{d}{3}\) 个点(见附录 B.2),而非全网格的 \(5^d\) 个点。这是计算可行性的关键。

技术技巧点名:

  • 拉普拉斯方法的高阶展开(Tierney and Kadane 1986; Shun and McCullagh 1995):用于推导 \(\Delta_2\) 的公式。
  • 累积量微分恒等式(Proposition 1 的证明):利用矩生成函数的对数导数与累积量的关系,将 \(f\) 的导数转化为累积量。
  • 有界权重重要性采样(Chan 2026):构造有限方差的重要性采样器,其权重有可计算的界,从而提供有限样本误差保证。
  • 中心差分与 Richardson 外推(附录 B.2):用于数值计算高阶导数,并消除差分误差的首项。
  • 稀疏设计(附录 B.2):利用 \(\Delta_2\) 只涉及特定导数组合这一事实,减少函数评估次数。

真实例子与应用

例 1:随机波动率模型的蒙特卡洛实验(第 4 节)

  • 数据:从 SV、SV-t、SV-M、Poisson 四个模型生成,\(T \in \{500, 1{,}000, 2{,}000, 4{,}000, 8{,}000\}\),每个配置 10 个重复。
  • 基准:嵌套求积(精度 \(10^{-4}\))。
  • 结果:在 \(T = 500\) 时,\(\log m_2\) 的残差中位数在 0.01 到 0.08 之间;在 \(T = 8{,}000\) 时,残差低于 0.003。残差随 \(T\) 的下降速率接近 \(T^{-2}\),与定理 1 一致。
  • 对比:在 \(T = 8{,}000\) 时,\(\log m_2\) 的残差比 Chan–Eisenstat 重要性采样的标准误小 9 到 400 倍,且计算时间少一个数量级以上。

例 2:澳元/新西兰元汇率日数据(第 5 节)

  • 数据:\(T = 4{,}000\) 日收益率,四个双变量 SV 模型(CC、GC、CC-t、DC)。
  • 结果:CC-t 的 \(\log m_2\) 比 CC 高 110.3,比 GC 高约 12.6,比 DC 高约 5.9。作者据此认为重尾观测比波动率溢出或动态相关更重要。
  • 计算成本:CC、GC、CC-t 各需 12–129 分钟(16 核并行),DC 需 54 分钟。

例 3:标普 500 ETF 五分钟收益率(第 6 节)

  • 数据:\(T = 19{,}266\),七个模型(SV、SV-t、SVJ、SVJV、TF、TF-t、TFJ)。
  • 结果:TF 的 \(\log m_2\) 比 SV 高 73.2,比 SVJV 高 4.3。作者认为双因子波动率结构比重尾或跳跃更重要。
  • 计算成本:每个模型 3–208 分钟(8 核并行)。

这些例子想说明什么:(a) 验证了 \(T^{-2}\) 的理论误差速率;(b) 展示了在长序列上,确定性近似的计算优势随 \(T\) 增长而扩大;(c) 提供了模型选择的实证结论。

🔎 结论是否比证明窄

  • 窄结论 1:定理 1 的证明要求 \(d\) 固定且 \(f\) 六次可微,但第 6 节的 DC 模型使用粒子滤波器(噪声似然),其 \(f\) 不满足光滑性条件。作者在第 5 节末尾承认"DC 的 \(\log m_1\) 基于粒子滤波器,其噪声可能影响众数和曲率的估计",但未给出该情况下的误差界。
  • 窄结论 2:定理 1 的误差界是渐近的(\(T \to \infty\)),但第 4 节的实验显示在 \(T = 500\) 时残差已很小。作者没有给出非渐近误差界,因此无法判断"多小的 \(T\) 才安全"。
  • 窄结论 3:作者声称"无需后验模拟",但第 5 节 DC 模型仍需粒子滤波器(30,000 粒子)来评估似然。严格说,该方法消除了对参数空间的模拟,但未消除对状态空间的模拟(对高维状态)。

四、开放问题

  1. 高维状态的扩展:本文的网格滤波器仅适用于标量或二维状态。对于更高维状态(如多维因子 SV 模型),粒子滤波器的噪声会污染 \(\Delta_2\) 的估计。扎根于:第 5 节 DC 模型的讨论和第 7 节"未来方向"第一点。要确认这是否为真 gap,可查阅近期关于粒子滤波边际似然估计的文献(如 Pitt et al. 2012; Chopin et al. 2013)是否已解决此问题。

  2. 非渐近误差界:定理 1 只给出 \(O(T^{-2})\) 的渐近速率,没有给出常数或非渐近界。扎根于:定理 1 的陈述和附录 A 的证明。要确认这是否为真 gap,可查阅关于拉普拉斯近似非渐近误差的文献(如 Kass et al. 1990 的后续工作)。

  3. 众数估计的误差传播:本文假设众数 \(\hat{\psi}\) 被精确找到,但实际中众数来自数值优化,其误差如何传播到 \(\Delta_2\) 未分析。扎根于:第 2.3 节的优化描述。要确认这是否为真 gap,可查阅关于"估计后验众数误差"的文献。

  4. 模型先验的敏感性:本文的 \(\Delta_2\) 修正项依赖于先验密度 \(p_\psi(\psi)\) 的导数,但未分析先验选择对修正项大小的影响。扎根于:公式 (4) 中 \(\log p_\psi\) 的导数项。要确认这是否为真 gap,可查阅关于贝叶斯因子对先验敏感性的文献。

  5. 与变分贝叶斯的比较:本文完全未提及变分方法。变分贝叶斯(如 Blei et al. 2017)在类似问题上提供了另一种确定性近似,其误差行为与拉普拉斯方法不同。扎根于:参考文献列表中无变分方法相关条目。要确认这是否为真 gap,可查阅近期比较拉普拉斯与变分近似的文献。


提醒:要确认上述开放问题是否为真 gap,建议查阅近 5 年(2021–2026)关于边际似然估计的综述和实证比较论文,看这些问题是否已被解决或正在被积极研究。如果多个近期论文的引言都指向同一问题,那很可能是共识性 gap;如果不同论文给出互相矛盾的结论,那可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论