跳转至

Time-Varying Tails: Estimation, Inference, and Risk Measurement

作者: Shuo Li, Liuhua Peng
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2611.06005


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:在时间序列的尾部行为可能随时间变化的情况下,如何对极值指数(extreme value index)进行估计、推断,并将其应用于风险度量。传统极值理论通常假设平稳性,即尾部形状不随时间改变。然而,大量金融实证表明,经济周期的更替、监管政策的变化、市场结构的演变都可能导致尾部风险的缓变或突变。本文在"局部平稳"(locally stationary)框架下,将极值指数建模为时间的平滑函数,从而在保留时间维度信息的同时,利用局部窗口内的数据量进行估计。该方向处于极值理论(extreme value theory)与非平稳时间序列分析的交叉点,其成熟度处于"方法框架已建立、但推断理论(尤其是同时推断)仍在发展中"的阶段。

  • 发展脉络(history):

  • 奠基工作:极值指数估计的起点是 Hill (1975) 提出的经典 Hill 估计量,它基于超过高阈值的样本超额量来估计尾部指数。在平稳框架下,Hsing (1991) 建立了相依序列(强混合、β-混合)下 Hill 估计量的渐近理论,为后续处理时间序列极值奠定了基础。本文的估计量正是 Hill 估计量的局部化版本。
  • 主要进展(非平稳化):将极值指数从常数推广为时间函数,是近年来的活跃方向。作者在引言中明确将本文定位为 de Haan and Zhou (2021) 的"直接后继"——后者同样估计平滑变化的极值指数,但只关注逐点估计(pointwise estimation),且其理论是在独立性假设下建立的。本文的关键推进在于:(i) 将理论框架扩展到局部平稳且具有极值聚簇(extremal clustering)的相依序列;(ii) 从逐点推断推进到同时推断(uniform inference),即构造覆盖整条路径的置信带。另一条相关线索是回归框架下的条件极值指数建模(如 Wang and Tsai, 2009; Gardes and Stupfler, 2014; Youngman, 2019),这些工作将极值指数与协变量联系起来,但通常假设观测独立,且不处理时间序列的相依结构。
  • 当前 frontier:本文代表了当前的一个前沿方向——在非平稳相依数据下进行函数型极值推断。其技术核心在于处理两个同时存在的复杂因素:时间维度上的平滑变化(带来偏差)与序列内部的极值聚簇(带来方差膨胀)。作者通过"共同阈值"(common threshold)的比率形式构造,巧妙地使阈值估计误差在比率中一阶抵消,从而将问题转化为对局部平稳序列的加权 U-统计量分析。
  • 本文的位置:作者将本文定位为 de Haan and Zhou (2021) 的推广(从独立到相依、从逐点到同时),同时将 Einmahl, de Haan, and Zhou (2016) 的异方差极值模型(尺度变化、指数不变)推广到指数本身也变化的情形。与 Zhang and Shao (2026) 相比,后者研究非平稳尾部相依序列的高分位数估计,但不分离形状与尺度,而本文明确将形状参数(极值指数)与尺度参数(中间分位数)分离,并证明估计量对尺度变化具有不变性。

  • 子线索聚类:被引文献大致落在三条子线索上:

  • 极值指数的估计与推断(Hill, 1975; Hsing, 1991; Drees, de Haan, and Resnick, 2000; de Haan and Zhou, 2021):核心问题是给定样本,如何估计尾部指数并量化不确定性。从平稳到非平稳、从独立到相依是这条线的主轴。
  • 条件极值建模(Wang and Tsai, 2009; Gardes and Stupfler, 2014; Youngman, 2019):将极值指数视为协变量的函数,通过回归或平滑方法估计。这条线通常假设观测独立,且关注的是协变量空间中的变化而非时间序列自身的相依性。
  • 金融风险度量与极值聚簇(McNeil and Frey, 2000; Basrak, Davis, and Mikosch, 2002; Leadbetter, 1983):关注极值事件在时间上的聚簇现象(如波动率聚簇导致的大跌聚集),以及如何从极值理论出发构造 VaR 和 ES 等风险度量。本文的实证部分(GARCH 滤波)正是这条线的应用延伸。

  • 这个方向在追问的核心问题:

  • 如何区分真实的形状变化与尺度变化? 这是本文的核心动机之一。作者通过比率形式的估计量,证明在平滑尺度变化下估计量不变,从而将形状变化从尺度变化中分离出来。
  • 如何在相依数据下进行同时推断? 极值聚簇使得局部估计量之间的相关性结构复杂化,构造覆盖整条路径的置信带需要精确刻画这一相关性。
  • 如何选择局部窗口宽度与阈值? 这涉及偏差-方差权衡:窗口太宽则平滑偏差大,太窄则方差大;阈值太高则超额样本少,太低则渐近近似差。
  • 如何将时变尾部估计转化为可操作的风险度量? 即如何从估计的 γ(u) 和中间分位数出发,外推得到极端分位数(VaR)和期望短缺(ES)的时变估计。

  • ⚠️ 作者的 framing(这是作者的说法):作者在引言中把缺口 frame 成"现有文献要么假设平稳性(Hsing, 1991),要么在独立性下处理非平稳性(de Haan and Zhou, 2021),缺乏一个在相依且非平稳数据下进行同时推断的统一框架"。因此本文成为"显然的下一步"——它同时处理了相依性(通过局部平稳框架和极值聚簇建模)和同时推断(通过高斯近似和 pivotal 临界值)。作者淡化的竞争路线包括:(i) 参数化或半参数化的时变尾部模型(如 D'Innocenzo et al., 2024 的状态空间模型),这类方法需要指定尾部参数的动态方程,而本文的非参数方法无需此设定;(ii) 基于贝叶斯方法的时变极值建模,这类方法在文献中存在但本文完全未提及;(iii) 突变点检测方法(如 Quintos, Fan, and Phillips, 2001),作者将其归为"突变"而非"平滑变化"的范畴,并指出本文的框架可以近似突变(在积分意义上)。什么明显该被引、却没出现在 intro 里:作者未引用关于极值指数的 bootstrap 方法(如 bootstrap 在极值指数置信区间中的应用),也未引用极值理论中的自适应阈值选择文献(如 Danielsson et al. 关于样本分数选择的贡献),这些在方法论上与本研究的推断问题直接相关。

  • 张力:被引工作之间未见明显对立结论,但存在一个值得注意的侧重点差异:de Haan and Zhou (2021) 在独立性假设下工作,而 Hsing (1991) 和 Hill (2010) 处理相依性但假设平稳性。本文试图同时推广两者,这在技术上要求极值聚簇的强度(由 S(u) 刻画)不随 u 变化过快,这一假设在 GARCH 类模型中是否成立值得推敲(作者在 Proposition 4.2 中给出了验证,但仅针对特定模型类)。

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

  • 观测数据:\(\{X_{t,n}\}_{t=1}^n\),长度为 \(n\) 的时间序列。在本文的框架中,\(X_{t,n}\) 是局部平稳的,即存在一个平稳序列 \(\{\tilde X_t(u)\}\)(对每个冻结的时间 \(u\)),使得 \(X_{t,n}\) 在 \(t/n \approx u\) 附近的局部行为近似于 \(\tilde X_t(u)\)。形式上,\(X_{t,n} = H(t/n, \mathcal F_t)\),其中 \(H\) 关于第一个参数平滑变化,\(\mathcal F_t = (\dots, e_{t-1}, e_t)\) 是 i.i.d. 创新序列生成的滤波。
  • 参数 / 目标量(estimand):
  • \(\gamma(u) \in (0,1)\):时间 \(u\) 处的极值指数(extreme value index),控制尾部衰减速率。\(\gamma(u)\) 越大,尾部越重。这是全文的核心估计对象。
  • \(b(n/m, u)\):时间 \(u\) 处的中间分位数(intermediate quantile),定义为 \(F^{\leftarrow}(1 - m/n, u)\),其中 \(m = m_n \to \infty\),\(m/n \to 0\)。它是"进入尾部"的门槛。
  • \(c(u)\):尺度函数,出现在正则变化假设中,与 \(\gamma(u)\) 共同决定尾部分布。
  • \(S(u)\):极值聚簇因子(extremal cluster factor),刻画极端事件在时间上的聚集程度。\(S(u) = 1\) 表示无聚簇(独立情形),\(S(u) > 1\) 表示聚簇导致的有效样本量减少。
  • \(A(\tau, u)\):二阶正则变化项,控制极值指数估计的渐近偏差。
  • 模型假设(核心):
  • 均匀正则变化(Assumption 3.2):对每个 \(u\),生存函数 \(\bar F(x,u) = c(u) x^{-1/\gamma(u)} \ell(x,u)\),其中 \(\ell\) 在 \(u\) 上一致缓慢变化。这保证了"尾部是幂律的"这一极值理论基本假设在时间维度上一致成立。
  • 均匀二阶条件(Assumption 3.3):给出 \(\bar F\) 对 Pareto 形式的逼近速率,由 \(A(\tau, u)\) 控制。
  • 局部平稳性(Assumption 3.1):\(H(u, \mathcal F_t)\) 关于 \(u\) 平滑(Lipschitz),且对数尺度过程满足几何矩收缩(GMC),这保证了短相依性。
  • 尾部局部性(Assumption 3.5):在带宽 \(h\) 的窗口内,尾部概率的变化足够小,使得局部估计的偏差可控。
  • 估计量:本文的核心估计量是比率形式的核 Hill 估计量(式 4.2):
    \[\hat{\gamma}(u) = \frac{\sum_{t=1}^n K_h(u - t/n) \left(\log X_{t,n} - \log \hat{b}(n/m, u)\right)_+}{\sum_{t=1}^n K_h(u - t/n) \mathbf{1}\{X_{t,n} > \hat{b}(n/m, u)\}}\]
    其中 \(K_h(v) = K(v/h)/h\) 是核函数,\(\hat{b}(n/m, u)\) 是局部中间分位数的估计。关键点:分子和分母使用同一个阈值 \(\hat{b}(n/m, u)\),这个阈值是在评估点 \(u\) 处估计的,但应用于整个窗口内的所有观测。这就是"共同阈值"的含义。

第二步:讲最小内核

把论文的所有技术细节剥掉,剩下的核心思想可以用一个最简单的例子说明:

假设:我们观测到 \(n\) 个独立同分布的 Pareto 数据 \(X_t\),其生存函数为 \(\bar F(x) = x^{-1/\gamma}\)(即 \(c=1\),\(\ell \equiv 1\),无二阶项)。我们想估计 \(\gamma\)。

经典 Hill 估计量:取最大的 \(m\) 个次序统计量 \(X_{(1)} \geq X_{(2)} \geq \dots \geq X_{(m)}\),则

\[\hat{\gamma}_{\text{Hill}} = \frac{1}{m} \sum_{i=1}^m \left(\log X_{(i)} - \log X_{(m+1)}\right)\]
这个估计量的核心性质是:对尺度变化不变。如果把所有数据乘以一个常数 \(c\),\(\hat{\gamma}_{\text{Hill}}\) 不变。这是因为分子分母都是对数差,尺度因子抵消了。

本文的推广:现在假设 \(\gamma\) 是时间 \(u\) 的平滑函数 \(\gamma(u)\),且数据是局部平稳的。在时间 \(u\) 附近的一个窗口内,数据近似服从 Pareto 分布,但 \(\gamma\) 在窗口内缓慢变化。

本文估计量的本质:在窗口内,用一个共同的阈值(评估点 \(u\) 处的中间分位数估计)来定义"超额",然后计算超额对数的平均值。这个平均值就是 \(\hat{\gamma}(u)\)。

为什么用共同阈值? 这是本文最精巧的设计。考虑两种可能的构造: 1. 逐点阈值(per-time threshold):对每个观测时间 \(t\),用 \(t\) 处的阈值 \(\hat{b}(n/m, t/n)\)。这会导致阈值估计误差在分子分母中不抵消,产生额外的方差项(即文中提到的"卷积"效应)。 2. 共同阈值(common threshold):所有观测用同一个阈值 \(\hat{b}(n/m, u)\)。此时,阈值估计误差在分子分母中一阶抵消,因为分子分母都是关于同一阈值的函数。这个抵消使得估计量的方差回到经典的 \(\gamma^2/m\) 水平(乘以核常数和聚簇因子),而不是被阈值估计误差放大。

数学上发生了什么:设 \(b = b(n/m, u)\) 为真实中间分位数,\(\hat{b}\) 为其估计。定义超额变量 \(\xi_t = (\log X_t - \log b)_+\) 和指示变量 \(I_t = \mathbf{1}\{X_t > b\}\)。在共同阈值下,估计量可以写成:

\[\hat{\gamma}(u) = \frac{\sum_t K_t \xi_t}{\sum_t K_t I_t} + \text{阈值误差项}\]
阈值误差项的形式是 \((\log \hat{b} - \log b) \times (\text{某种加权平均})\),而由于 \(\xi_t\) 和 \(I_t\) 的期望关系(\(\mathbb{E}[\xi_t] = \gamma \mathbb{E}[I_t]\)),这个误差项在分子分母中以相同的符号出现并抵消。这正是文中"the estimation error of the threshold then cancels between the numerator and the denominator"的含义。

为什么这个抵消重要?如果阈值误差不抵消,估计量的方差会包含一个额外的项,其量级为 \((\log \hat{b} - \log b)^2\),而 \(\log \hat{b} - \log b = O_p((m/n)^{1/2})\)(阈值估计的误差)。这会使得估计量的收敛速度变慢,或者需要更强的条件才能得到渐近正态性。共同阈值的设计使得这个误差项被消除,从而在局部平稳且相依的数据下,估计量仍然达到经典的 \(\sqrt{mh}\) 收敛速度。

最小内核的总结:本文在数学上做的最核心的一件事是:构造了一个对阈值估计误差具有一阶不敏感性的局部 Hill 估计量,使得在非平稳相依数据下,估计量的渐近方差只由极值聚簇因子 \(S(u)\) 和核常数决定,而不受阈值估计误差的影响。这个"不敏感性"是通过共同阈值 + 比率形式实现的。

三、这篇论文做了什么

三句话: 1. 研究了什么问题:在局部平稳时间序列框架下,如何估计随时间平滑变化的极值指数 \(\gamma(u)\),并对其路径进行同时推断(uniform inference)和假设检验,最终构造时变的 VaR 和 ES 风险度量。 2. 核心工具 / 方法:提出了比率形式的核 Hill 估计量(式 4.2),其中单个中间分位数阈值化整个局部窗口;建立了估计量的渐近正态性(Theorem 4.1),构造了基于高斯过程近似的均匀置信带(Theorem 5.2),并提出了基于二次泛函的尾部稳定性检验(Theorem 6.1)。 3. 主要结论:估计量在局部平稳且具有极值聚簇的数据下达到 \(\sqrt{mh}\) 收敛速度,且对平滑尺度变化具有不变性;均匀置信带和稳定性检验在模拟中达到名义覆盖率和水平;实证发现 S&P 500 日收益的原始损失尾部与常数假设相容,但 GARCH 滤波后的标准化残差尾部显著时变。

关键设定与假设(在第二节基础上补全): - 局部平稳性(Assumption 3.1):数据由 \(X_{t,n} = H(t/n, \mathcal F_t)\) 生成,\(H\) 关于第一个参数 Lipschitz 连续,且对数尺度过程满足几何矩收缩(GMC)。这比传统的强混合条件更便于验证,且直接适用于 GARCH 类模型。 - 均匀正则变化(Assumption 3.2):\(\bar F(x,u) = c(u) x^{-1/\gamma(u)} \ell(x,u)\),其中 \(\ell\) 在 \(u\) 上一致缓慢变化。这保证了尾部形状在时间维度上的一致性,是局部估计的基础。 - 均匀二阶条件(Assumption 3.3):给出 \(\bar F\) 对 Pareto 形式的逼近速率,由 \(A(\tau, u)\) 控制,其中 \(\rho(u) < 0\) 是二阶指数。 - 极值聚簇条件(Assumption 4.3):局部极值过程满足混合条件,且存在极限聚簇因子 \(S(u)\)。这是处理相依数据的关键假设,它保证了极值指示变量和超额变量的协方差结构可求和。 - 相比已有文献的放宽/强化:相比 de Haan and Zhou (2021)(独立性假设),本文放宽到局部平稳相依数据;相比 Einmahl, de Haan, and Zhou (2016)(尺度变化、指数不变),本文允许指数本身变化;相比 Zhang and Shao (2026)(高分位数估计),本文分离形状与尺度,并建立同时推断。

主要结果: - Theorem 4.1(渐近正态性):在 undersmoothing 条件下(\(\sqrt{mh} h^2 L_n \to 0\) 和 \(\sqrt{mh} A(n/m, u) \to 0\)),

\[\sqrt{mh}\left(\hat{\gamma}(u) - \gamma(u) - B_n(u)\right) \xrightarrow{d} N\left(0, \gamma^2(u) S(u) \nu_2(K)\right)\]
其中 \(B_n(u)\) 是偏差项(式 4.9),由平滑偏差和二阶偏差组成。关键点是方差中的 \(S(u)\) 因子,它完全捕捉了极值聚簇的影响。 - Theorem 5.2(高斯近似与均匀带):在更强的条件下(式 5.5),学生化过程 \(\hat{\gamma}(u)\) 可以被一个平稳高斯过程 \(Z_h\) 均匀逼近,其相关函数为 \(\rho_K((u-v)/h)\)。这给出了均匀置信带的构造方法:临界值从 \(\sup_{u \in [h,1-h]} |Z_h(u)|\) 的分布中模拟得到。 - Theorem 6.1(稳定性检验):检验统计量 \(\Lambda_n\) 在 \(H_0\) 下收敛到 \(\int_{t_1}^{t_2} (Z_h(u) - \bar{Z}_h^w)^2 du / S(u)\),这是一个依赖于 \(h\) 的二次泛函。检验的临界值同样通过 pivotal 模拟获得。 - Theorem 6.2(简化检验):在网格点分离条件 \(|u_i - u_j| \geq 2h\) 下,简化统计量 \(\Xi_n\) 渐近服从 \(\chi^2_q\) 分布,无需模拟临界值。

证明路线与技术技巧: - 整体路线:证明分为三步。第一步(Lemma A.1–A.3)建立局部矩和协方差估计,核心是证明超额变量 \(\tilde{Z}_{t,n}(u)\) 的矩在局部窗口内一致有界,且协方差可求和。第二步(Lemma A.4–A.7)建立加权和的中枢极限定理和 Bahadur 表示,核心是处理核权重带来的非平稳性。第三步(Theorem 4.1, 5.2, 6.1)将前两步结合,得到渐近正态性和高斯近似。 - 关键跳跃点: 1. 共同阈值的误差抵消(Lemma A.5, Step 2 of Theorem 4.1):这是全文最精巧的技术点。阈值估计误差 \(\tilde{\delta}(u) = \log\hat{b}(n/m,u) - \log b(n/m,u)\) 在分子分母中产生两个项,它们通过 \(\mathbb{E}[\tilde{Z}_{t,n}(u)] = o(m/n)\) 这一事实相互抵消。证明的关键是精确控制阈值误差的阶,并利用 \(\tilde{Z}_{t,n}(u)\) 的条件矩结构。 2. 高斯近似的 \(h\)-依赖性(Theorem 5.2, Step 1):作者证明学生化过程可以被一个相关函数为 \(\rho_K((u-v)/h)\) 的平稳高斯过程逼近。这里的难点是处理核权重带来的非平稳协方差结构,作者通过将协方差分解为"局部平稳部分"和"边界项",并证明边界项在 sup 范数下可忽略。 3. 二次泛函的极限(Theorem 6.1):检验统计量 \(\Lambda_n\) 的极限是一个二次泛函,其分布依赖于 \(h\)。作者通过高斯过程的 Karhunen-Loève 展开和特征值分析,给出了临界值的模拟方法。这里的技巧是将连续泛函离散化,并用 pivotal 模拟替代解析计算。 4. 聚簇因子的估计(式 5.3):\(S(u)\) 的估计采用 Bartlett 核的 HAC 估计量,其一致性依赖于极值过程的混合条件。证明的关键是处理极值指示变量的非平稳性,作者通过局部平稳性假设将问题转化为对平稳序列的 HAC 估计。

真实例子与应用: - 数据:S&P 500 日收益率,1990–2026 年,\(n = 9179\) 个观测。 - 方法应用:对原始日损失(负收益率)和 GARCH(1,1) 滤波后的标准化残差分别估计极值指数路径 \(\hat{\gamma}(u)\)。基线配置为 \(m = 200\)(阈值概率约 2.2%),\(h = 0.10\)(窗口约 2.5 年),\(J = 20\)(HAC 滞后)。 - 主要发现: 1. 原始损失的极值指数路径在 0.22–0.42 之间波动,围绕 0.30 的水平。全样本 omnibus 检验不拒绝常数假设(\(p = 0.22\))。 2. GARCH 滤波后的标准化残差极值指数路径在 0.14–0.31 之间,且 omnibus 检验显著拒绝常数假设(\(p \leq 0.02\))。这表明波动率滤波揭示了尾部形状的真实时变特征。 3. 风险度量方面,时变 VaR 和 ES 的估计在危机期间(2008–09、2020)显著高于静态估计。更新阈值和指数后,2008–09 危机窗口的 99% VaR 违规率从 10.7% 降至 4.8%。 - 例子想说明什么:原始序列的尾部看似稳定,是因为波动率变化掩盖了形状变化。滤波后,尾部形状的时变性变得显著。这强调了在风险度量中分离尺度与形状的重要性。

🔎 结论是否比证明窄: - 明确被证明的:Theorem 4.1 的渐近正态性、Theorem 5.2 的高斯近似、Theorem 6.1 和 6.2 的检验极限,均在文中给出了完整证明(附录 A.2–A.4)。 - 被泛化声称的:作者在引言和结论中声称该方法"可以近似突变"(在积分意义上),但正文中没有给出突变情形下的形式化定理。附录 A.4 讨论了 pooled 估计量的失败模式,但未对突变设定给出严格的渐近理论。 - 被 conjecture 的:作者在 Remark 5.2 中提到"完整的误差预算需要更精细的论证",并承认"我们没有给出多项式逼近速率"。这意味着 Theorem 5.2 的高斯近似误差的显式阶数未被完全刻画,只证明了 vanishing。 - 实证中的隐含假设:GARCH 滤波后的残差被当作"近似独立"处理,但文中未给出滤波对极值指数估计影响的正式理论。作者在脚注中承认"滤波后的推断是近似的",但未量化滤波误差。

四、开放问题

  1. 突变检测的正式理论:作者声称框架可以近似突变,但未给出突变情形下的估计量收敛速率和检验的渐近功效。扎根于引言中"the framework nests gradual drift and approximates sudden changes in the integrated sense"以及附录 A.4 对 pooled 估计量的讨论。要确认这是否为真 gap,可查阅近期关于极值指数变点检测的文献(如 Hoga, 2017 及其后续),看是否已有更直接的突变检测方法。

  2. 自适应带宽选择:文中推荐 \(mh \in [20,40]\),但未给出数据驱动的选择准则。扎根于 Section 4.3 的 practical rules 和 Remark 4.5 的 MSE-optimal rates。一个自然的问题是:是否存在一个数据驱动的准则(如基于二阶偏差估计的 plug-in 方法)来选择 \((m, h)\),使得均匀置信带在有限样本下更准确?这与 Drees and Kaufmann (1998) 在平稳情形下的工作直接相关。

  3. 滤波对推断的影响:实证中先拟合 GARCH 再对残差估计极值指数,但滤波误差对极值指数估计和检验的影响未被量化。扎根于 Section 9 的滤波步骤和脚注中"the inference on filtered residuals is approximate"。这是一个两阶段估计问题,可借鉴 Drees (2003) 关于极值指数估计对初步估计稳健性的结果,但需要扩展到局部平稳框架。

  4. 高阶偏差校正:Theorem 4.1 中的偏差项 \(B_n(u)\) 包含二阶项 \(\gamma(u) A(n/m, u)/(1-\rho(u))\),文中仅通过 undersmoothing 消除。是否存在一个显式的偏差校正项(如基于二阶导数的估计),使得在更宽的带宽下仍能保持渐近正态性?扎根于 Remark 4.4 和式 (4.9) 的偏差分解。

  5. 高维扩展:本文处理的是单变量时间序列。在系统性风险度量中,常需要同时估计多个资产或部门的尾部指数路径。是否存在一个联合估计框架,能够利用跨部门的共性(如因子结构)提高效率?扎根于结论中提到的"multivariate extension"以及引言中对系统性风险度量的动机。


提醒:要确认上述问题是否是真 gap,建议去读同一子领域(非平稳极值推断)近期约 5 篇论文的引言和 future work 部分——如果多篇都指向同一个问题,说明是共识性 gap;如果各篇提出的问题互相矛盾,则说明该方向尚未形成共识,机会更大但也更不确定。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论