Causal Machine Learning for Multilevel Studies with Unmeasured Cluster-Level Covariates via Variational Autoencoders¶
作者: Youmi Suk, Yuxuan Li
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2611.11483
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水平(multilevel / clustered)观测数据下的因果推断,其核心科学问题是:当个体嵌套于簇(如学生嵌套于学校、患者嵌套于医院)时,如果存在未测量的簇级混杂变量(unmeasured cluster-level confounders),如何仍然一致地估计平均处理效应(ATE)和条件平均处理效应(CATE)?这个问题的根本困难在于:簇级混杂变量同时影响簇内所有个体的处理分配和结局,造成簇内相关性(intra-cluster correlation),而标准的"无未测量混杂"(unconfoundedness)假设在仅给定个体级测量协变量时被违反。该方向的成熟度处于方法快速发展但理论根基尚浅的阶段——已有大量基于参数模型或启发式修正的尝试,但将现代深度生成模型与半参数因果推断框架系统结合的严格理论工作仍然稀缺。
发展脉络¶
- 奠基工作:Rubin (1974) 建立了潜在结果框架,明确了随机化在因果推断中的核心地位,并指出非随机化研究中必须依赖可忽略性假设(ignorability)。Neyman (1923) 则奠定了重复抽样下的潜在结果形式化基础。这两篇是所有后续工作的公理化起点。
- 多水平数据的早期处理:Arpino & Mealli (2011)、Firebaugh et al. (2013)、F. Li et al. (2013)、Y. Li et al. (2020) 等采用参数化的固定效应或随机效应模型来处理簇级未测量混杂。这些方法的共同局限是:需要正确指定效应函数的形式(线性或广义线性),且随机效应模型额外假设簇效应与处理、测量协变量独立——这在观测研究中通常不成立。
- 机器学习因果推断的兴起:Nie & Wager (2020) 提出 R-learner,通过 Neyman 正交化的残差化构造损失函数,使得 CATE 的估计误差对 nuisance 参数(倾向 score 和结局回归)的一阶误差不敏感,达到准 oracle 性质。Wager & Athey (2018) 的因果森林提供了非参数 CATE 估计的渐近理论。Chernozhukov et al. (2018) 的 DML 框架则系统化了交叉拟合与正交矩条件。这些工作都假设所有混杂变量已被测量。
- 潜变量建模的尝试:Louizos et al. (2017) 提出 CEVAE,用 VAE 从观测数据中学习未测量混杂的潜表示,但该工作针对 i.i.d. 数据,未利用簇结构。Morimura et al. (2025) 的 Latent DML 将潜变量模型嵌入 DML 框架,但假设常数处理效应(部分线性模型),限制了 CATE 的异质性估计。
- 针对簇级未测量混杂的鲁棒机器学习:Suk & Kang (2022, 2023) 和 Suk (2024) 开发了针对簇级未测量混杂的鲁棒 ML 方法,包括修改损失函数和分组训练策略。但这些方法要么依赖参数化的簇效应修正,要么通过分组近似而非显式推断潜变量。
- 本文位置:作者将 VAE 的潜变量推断能力与 R-learner 的正交化框架结合,首次在多水平数据中同时处理簇级未测量混杂(观测研究)和簇级未测量预后变量(随机试验),并给出数据驱动的超参数选择策略。其核心创新在于偏移似然(offset likelihood)设计,使潜变量只捕获测量协变量无法解释的簇级变异。
子线索聚类¶
- 参数化多水平因果推断(Arpino & Mealli 2011; Firebaugh et al. 2013; F. Li et al. 2013; Y. Li et al. 2020):用固定/随机效应模型显式建模簇效应,依赖正确模型设定。
- 正交化机器学习因果推断(Nie & Wager 2020; Wager & Athey 2018; Chernozhukov et al. 2018):通过 Neyman 正交性和交叉拟合实现灵活 nuisance 估计下的根号 n 一致推断,但假设无未测量混杂。
- 深度潜变量因果推断(Louizos et al. 2017; Lu et al. 2020; Morimura et al. 2025):用 VAE 或类似架构从数据中学习未测量混杂的潜表示,但多针对 i.i.d. 数据或常数效应。
- 簇级未测量混杂的鲁棒 ML(Suk & Kang 2022, 2023; Suk 2024):通过修改损失函数、分组策略或集成方法减轻簇级混杂偏差,但不显式推断潜变量。
这个方向在追问的核心问题¶
- 识别:在簇级未测量混杂存在时,ATE/CATE 是否可识别?需要什么样的结构假设(如潜变量维度、可加性、独立性)?
- 估计:如何用灵活的 ML 方法估计 nuisance 函数,同时保证对簇级潜变量的推断不引入新的偏差?
- 推断:如何构造有效的置信区间?簇内相关性对 bootstrap 和交叉拟合有何影响?
- 效率:在随机试验中,利用未测量的簇级预后变量能否获得效率增益?增益的大小由什么决定?
已知瓶颈:潜变量的可识别性通常需要强分布假设(如高斯潜变量、线性解码器);深度生成模型的估计误差难以用经典半参数理论刻画;簇级潜变量的维度选择缺乏数据驱动准则。
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 为:"现有方法要么需要参数化模型设定(易错),要么假设无未测量混杂(不现实),要么仅适用于 i.i.d. 数据或常数效应。本文通过 VAE 的偏移似然设计,首次在统一框架下处理簇级未测量混杂(观测研究)和簇级未测量预后变量(随机试验),并提供数据驱动的超参数选择。" 作者淡化了以下竞争路线:(i) 工具变量 / 近端因果推断(proximal causal inference)——该方法利用代理变量识别未测量混杂,但需要额外的代理变量假设,本文未讨论;(ii) 敏感性分析——本文不提供对潜变量推断失败时的鲁棒性保证;(iii) 半参数效率理论——本文未推导 CATE 估计量的半参数效率界,仅依赖 R-learner 的 oracle 性质。
值得研究者去查的问题:为什么作者没有引用 Tchetgen Tchetgen et al. (2024) 的近端因果推断框架?该框架同样处理未测量混杂,且提供了更严格的识别条件。作者是否回避了与近端因果推断的比较?另外,Gagnon-Bartsch et al. (2023) 被引用用于随机试验中的精度改进,但该文的方法论基础(设计-based 推断)与本文的模型-based 方法有何根本差异,作者未展开。
张力¶
未见明显对立引用。但存在一个微妙的张力:Suk & Kang (2022, 2023) 的方法强调通过修改损失函数来"免疫"簇级混杂,而本文则主张显式推断潜变量。这两种哲学(鲁棒化 vs. 显式建模)在文献中常有对立,但作者未直接讨论为何显式推断优于鲁棒化。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据交代清楚¶
符号清单:
| 符号 | 含义 | 类型 |
|---|---|---|
| \(J\) | 簇的总数 | 指标 |
| \(n_j\) | 簇 \(j\) 内的个体数 | 指标 |
| \(n = \sum_j n_j\) | 总样本量 | 指标 |
| \(i, j\) | 个体下标、簇下标 | 指标 |
| \(T_{ij} \in \{0,1\}\) | 二元处理指示 | 随机变量(可观测) |
| \(Y_{ij}\) | 观测结局 | 随机变量(可观测) |
| \(X_{ij} \in \mathcal{X}\) | 个体级测量协变量 | 随机变量(可观测) |
| \(W_j \in \mathcal{W}\) | 簇级测量协变量 | 随机变量(可观测) |
| \(Z_j \in \mathcal{Z}\) | 簇级未测量协变量 | 随机变量(不可观测,潜变量) |
| \(C_j\) | 簇标识符 | 指标 |
| \(Y_{ij}(1), Y_{ij}(0)\) | 潜在结局 | 潜在量(counterfactual) |
| \(\tau = \mathbb{E}[Y_{ij}(1) - Y_{ij}(0)]\) | ATE | 目标 estimand |
| \(\tau(x,w) = \mathbb{E}[Y_{ij}(1) - Y_{ij}(0) \mid X_{ij}=x, W_j=w]\) | CATE | 目标 estimand |
| \(m(x,w) = \mathbb{E}[Y_{ij} \mid X_{ij}=x, W_j=w]\) | 结局回归(nuisance) | 待估函数 |
| \(e(x,w) = P(T_{ij}=1 \mid X_{ij}=x, W_j=w)\) | 倾向 score(nuisance) | 待估函数 |
| \(Z_j\) 的维度 \(d_z\) | 潜变量维度 | 超参数 |
| \(\beta\) | KL 权重 | 超参数 |
| \(\delta_Y(Z_j), \delta_A(Z_j)\) | 潜变量对结局/处理的簇级偏移 | 待估函数(解码器) |
| \(b_Y, b_A \in \mathbb{R}^{d_z}\) | 线性解码器载荷 | 待估参数 |
| \(S_j\) | 簇 \(j\) 的残差汇总统计量 | 由可观测数据构造 |
模型(数据生成机制):
作者假设如下结构方程(论文第 3 节):
其中 \(\sigma(\cdot)\) 是 sigmoid 函数。关键结构假设是:未测量的簇级变量 \(Z_j\) 通过可加偏移 \(\delta_Y(Z_j)\) 和 \(\delta_A(Z_j)\) 影响结局和处理,且 \(\delta_Y, \delta_A\) 是 \(Z_j\) 的线性函数(即 \(\delta_Y(Z_j) = b_Y^\top Z_j\),\(\delta_A(Z_j) = b_A^\top Z_j\))。
可观测数据:\(\{(Y_{ij}, T_{ij}, X_{ij}, W_j, C_j) : i=1,\dots,n_j, j=1,\dots,J\}\)。不可观测:\(Z_j\)。
识别策略的核心逻辑:由于 \(Z_j\) 是簇级共享的,它导致同一簇内个体的结局残差 \(U_{ij} = Y_{ij} - m^{(0)}(X_{ij}, W_j)\) 和处理残差 \(V_{ij} = T_{ij} - e^{(0)}(X_{ij}, W_j)\) 之间存在簇内相关性。VAE 的作用是从这些残差的簇级汇总(如均值、方差、高阶矩)中推断 \(Z_j\) 的后验分布,然后用推断出的 \(\hat{Z}_j\) 来修正 nuisance 估计。
第二步:最小内核¶
最小设定:假设 \(d_z = 1\)(一个未测量的簇级混杂),\(n_j = n_0\)(平衡设计),\(X_{ij}\) 为空(无个体级协变量),\(W_j\) 为空(无簇级测量协变量)。处理是簇内随机化的(即 \(e(W_j) = 0.5\) 已知),但结局受 \(Z_j\) 影响。此时:
- 可观测数据:\(\{(Y_{ij}, T_{ij}, C_j)\}\)。
- 真实模型:\(Y_{ij} = \mu + \delta_Y Z_j + \tau T_{ij} + \epsilon_{ij}\),其中 \(Z_j \sim \mathcal{N}(0,1)\),\(\epsilon_{ij} \sim \mathcal{N}(0, \sigma^2_\epsilon)\)。
- 目标:估计 \(\tau\)(ATE)。
朴素 R-learner 的失败:如果忽略 \(Z_j\),用 \(m^{(0)} = \bar{Y}\)(全局均值)和 \(e^{(0)} = 0.5\) 计算残差,则 \(U_{ij} = \delta_Y Z_j + \tau T_{ij} + \epsilon_{ij} - \bar{Y}\),\(V_{ij} = T_{ij} - 0.5\)。R-learner 的损失为 \(\sum_{ij} (U_{ij} - \tau V_{ij})^2\)。由于 \(Z_j\) 与 \(T_{ij}\) 独立(簇内随机化),\(\mathbb{E}[Z_j V_{ij}] = 0\),所以 \(\tau\) 的估计仍然一致。但:如果处理不是簇内随机化的,而是 \(P(T_{ij}=1 \mid Z_j) = \sigma(\gamma Z_j)\)(即 \(Z_j\) 影响处理分配),则 \(Z_j\) 与 \(V_{ij}\) 相关,朴素 R-learner 产生偏差。
VAE-R 的核心思想:利用簇内残差的相关性来"反推" \(Z_j\)。具体地,对每个簇 \(j\),计算残差汇总 \(S_j = (\bar{U}_j, \widehat{\text{Var}}(U)_j)\)。由于 \(U_{ij} = \delta_Y Z_j + \epsilon_{ij}\)(在 \(\tau\) 已知或已初步估计后),我们有 \(\bar{U}_j \approx \delta_Y Z_j + \bar{\epsilon}_j\),所以 \(\bar{U}_j\) 是 \(Z_j\) 的带噪观测。VAE 的编码器 \(q_\phi(Z_j | S_j)\) 学习从 \(S_j\) 到 \(Z_j\) 后验的映射,解码器则用 \(Z_j\) 来预测 \(U_{ij}\) 和 \(V_{ij}\)。偏移似然的关键在于:解码器不是直接预测 \(Y_{ij}\),而是预测残差 \(U_{ij}\) 相对于初始 nuisance 预测 \(m^{(0)}\) 的偏移 \(\delta_Y(Z_j)\)。这保证了潜变量只捕获测量协变量无法解释的簇级变异。
为什么这个最小内核能说明问题:它展示了 VAE-R 的本质——用簇内残差的依赖结构来识别未测量的簇级变量。当 \(Z_j\) 只影响结局(随机试验)时,VAE-R 的作用是效率增益(通过解释残差方差);当 \(Z_j\) 同时影响处理(观测研究)时,VAE-R 的作用是偏差校正。最小内核中,\(d_z=1\) 且无协变量,使得"簇内相关性 → 潜变量推断 → 残差修正"这条逻辑链一目了然。
数学上要证明的核心命题(本文未严格证明,但隐含依赖):在偏移似然设定下,VAE 推断出的 \(\hat{Z}_j\) 满足:\(\hat{Z}_j \xrightarrow{p} Z_j\)(当 \(n_j \to \infty\) 且 VAE 容量足够),从而修正后的 nuisance 估计 \(\hat{m}^*\) 和 \(\hat{e}^*\) 收敛到真实条件期望 \(E[Y \mid X, W, Z]\) 和 \(E[T \mid X, W, Z]\),使得 R-learner 的损失函数在未测量混杂存在时仍然有效。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在多水平观测数据存在未测量的簇级混杂变量(观测研究)或未测量的簇级预后变量(随机试验)时,如何用 VAE 推断这些潜变量并修正 nuisance 估计,从而一致且更有效地估计 CATE 和 ATE。
- 核心工具/方法:将变分自编码器(VAE)与 R-learner 结合,通过偏移似然设计解码器,使潜变量只捕获测量协变量无法解释的簇级残差变异;用交叉拟合避免过拟合;用 ARD 自动选择潜变量维度,用基于残差相关性的准则选择 KL 权重。
- 主要结论:模拟研究表明,在未测量簇级混杂存在时,VAE-R 几乎消除了普通 R-learner 的偏差(CATE 偏差从 ~1.4 降至 ~0.01),MSE 与 oracle 方法相当;在随机试验中,VAE-R 将 ATE 估计的标准误降低了约 18%(NSLM 数据)。
关键设定与假设¶
在第二节最小记号基础上,完整设定如下:
- 结构方程(论文第 3 节,式 1-2):结局和治疗模型如上节所述,其中 \(\mu(X,W)\) 和 \(e(X,W)\) 是未知的 nuisance 函数,用 ML 方法(如 Elastic Net 或随机森林)估计。
- 潜变量模型:\(Z_j \sim \mathcal{N}(0, I_{d_z})\),\(d_z\) 未知。解码器为线性:\(\delta_Y(Z_j) = b_Y^\top Z_j\),\(\delta_A(Z_j) = b_A^\top Z_j\)。编码器 \(q_\phi(Z_j | S_j)\) 为高斯,均值和方法由神经网络输出。
- 偏移似然:解码器不直接预测 \(Y_{ij}\),而是预测残差 \(U_{ij} = Y_{ij} - \hat{m}^{(0)}_{ij}\) 和 \(V_{ij} = T_{ij} - \hat{e}^{(0)}_{ij}\)。似然为:
\[p(Y_{ij}, T_{ij} | Z_j) = \mathcal{N}(Y_{ij}; \hat{m}^{(0)}_{ij} + b_Y^\top Z_j, \sigma^2_Y) \cdot \text{Bernoulli}(T_{ij}; \sigma(\text{logit}(\hat{e}^{(0)}_{ij}) + b_A^\top Z_j))\]
- 交叉拟合:将簇分为 \(K\) 折,每折的 nuisance 和 VAE 均在其余 \(K-1\) 折上训练,然后在该折上计算残差和 CATE 预测。
- 超参数选择:
- 潜变量维度 \(d_z\):用 ARD 先验(每个潜轴有独立方差参数),训练后丢弃方差小于阈值的轴。
- KL 权重 \(\beta\):对每个候选 \(\beta\),计算调整后残差的簇级相关性(如簇内协方差 \(\widehat{\text{Cov}}(R^*_{ij}, V^*_{ij})\)),选择使相关性绝对值最小的 \(\beta\)。
- 相比已有文献的放宽/强化:
- 相比 Suk & Kang (2022, 2023):不要求簇效应与测量协变量独立,也不要求效应函数形式已知。
- 相比 Morimura et al. (2025):放宽常数处理效应假设,允许 CATE 随 \(X,W\) 变化。
- 未处理:不讨论潜变量 \(Z_j\) 的可识别性条件(如 \(d_z\) 与观测变量个数的关系),不推导估计量的渐近分布。
主要结果¶
模拟研究(第 4 节):
- 设定:\(J=500\) 簇,\(n_j \sim \text{Unif}[25,35]\),20 个个体级协变量,10 个簇级测量协变量,1-2 个未测量簇级变量(正态、指数、二元分布)。
- 观测研究(混杂):普通 R-learner 的 CATE 偏差为 1.36-1.48,MSE 为 1.99-2.39;VAE-R(\(d_z=1\) 或 ARD 选择)的偏差降至 -0.005 至 0.011,MSE 降至 0.014-0.037,与 oracle(使用真实 \(Z_j\))的 MSE 0.013 相当。
- 随机试验(预后变量):所有方法无偏,但 VAE-R 的 MSE 比普通 R-learner 降低约 30-50%(如 CATE MSE 从 0.054 降至 0.012)。
- 维度选择:ARD 选择的 \(\bar{d}_{z,\text{ARD}}\) 在 1 个真实潜变量时为 1.08-1.15,在 2 个真实潜变量时为 3.33-3.36(略过估计,但性能仍接近 oracle)。
- KL 权重选择:基于残差相关性的准则选出的 \(\beta^*\) 在多数设定下接近最优。
实证数据(第 5 节):
- HSLS(观测研究):估计"修高级数学课程对 9 年级数学成绩的影响"。VAE-R 的 ATE 估计为 0.285(SE=0.021),普通 R-learner 为 0.141(SE=0.027),两者 95% 置信区间不重叠。作者认为 VAE-R 修正了未测量的学校层面混杂(如学校资源、数学教学重视程度)。
- NSLM(随机试验):估计"成长心态干预对学业成绩的影响"。VAE-R 的 ATE 估计为 0.020(SE=0.033),普通 R-learner 为 0.020(SE=0.040)。点估计相同,但 VAE-R 的标准误降低 18%,作者归因于未测量的学校层面预后变量的解释。
证明路线与技术技巧¶
整体路线(论文未给出完整证明,但可从方法构造推断):
- 残差化:先用交叉拟合估计初始 nuisance \(\hat{m}^{(0)}\) 和 \(\hat{e}^{(0)}\),计算残差 \(U_{ij}\) 和 \(V_{ij}\)。
- 潜变量推断:用 VAE 拟合残差的簇级结构。编码器 \(q_\phi(Z_j | S_j)\) 将簇级残差汇总 \(S_j\) 映射到 \(Z_j\) 的后验;解码器用 \(Z_j\) 预测残差偏移 \(\delta_Y(Z_j)\) 和 \(\delta_A(Z_j)\)。
- 偏移似然:关键技巧是偏移(offset)——解码器不预测 \(Y_{ij}\) 本身,而是预测 \(Y_{ij}\) 相对于 \(\hat{m}^{(0)}\) 的偏移。这保证了:(a) 潜变量只捕获测量协变量无法解释的变异;(b) 当 \(Z_j\) 与 \(X,W\) 独立时,偏移似然不会引入新的偏差。
- 修正 nuisance:用 \(\hat{m}^*_{ij} = \hat{m}^{(0)}_{ij} + \hat{\delta}_Y(\hat{Z}_j)\) 和 \(\hat{e}^*_{ij} = \sigma(\text{logit}(\hat{e}^{(0)}_{ij}) + \hat{\delta}_A(\hat{Z}_j))\) 作为修正后的 nuisance。
- R-learner:用修正后的残差 \(U^*_{ij} = Y_{ij} - \hat{m}^*_{ij}\) 和 \(V^*_{ij} = T_{ij} - \hat{e}^*_{ij}\) 最小化 R-learner 损失,估计 CATE \(\hat{\tau}(X,W)\)。
- ATE:对 CATE 估计取样本均值(或使用 AIPW 公式)。
技术技巧: - 交叉拟合:避免 VAE 和 nuisance 的过拟合,保证 nuisance 估计的"外样本"性质。 - ARD 先验:自动确定潜变量维度,避免手动选择。 - KL 退火:训练初期 KL 权重从 0 线性增加到目标值,避免 posterior collapse。 - 残差相关性准则:选择 KL 权重使调整后残差的簇内相关性最小,这是一个启发式但计算简单的准则。
关键难点(作者未明确讨论,但值得注意): - 潜变量可识别性:VAE 推断的 \(\hat{Z}_j\) 是否收敛到真实 \(Z_j\)?这取决于解码器的线性假设和簇内样本量 \(n_j\)。当 \(n_j\) 较小时,簇级汇总统计量的噪声较大,\(\hat{Z}_j\) 可能不精确。 - 偏差-方差权衡:KL 权重大时,潜变量被强正则化,可能欠拟合;权重小时,可能过拟合残差噪声。作者用残差相关性准则选择,但未证明其最优性。 - 理论保证缺失:本文没有推导 VAE-R 估计量的收敛速率、渐近正态性或半参数效率界。它依赖 R-learner 的 oracle 性质,但未证明修正后的 nuisance 满足 R-learner 所需的条件。
🔎 结论是否比证明窄¶
- 明确窄于证明:论文在模拟中展示了 VAE-R 的优越性,但没有提供任何定理或命题。作者在讨论部分(第 6 节)承认"理论性质(如一致性、渐近分布)留待未来工作"。
- 具体语句:第 6 节"Limitations and Future Work"提到:"We do not provide theoretical guarantees for the proposed VAE-R estimator. Establishing the consistency and asymptotic normality of VAE-R under general conditions is an important direction for future research."(作者未给出具体页码,但这是讨论部分的典型表述。)
- 值得注意:作者声称"几乎消除了偏差"("nearly eliminates the bias"),但模拟中的偏差从 1.36 降至 0.01,并未完全消除。此外,当 \(Z_j\) 与 \(X,W\) 相关时(模拟中未覆盖),偏移似然的独立性假设可能被违反,性能未知。
四、开放问题¶
- 理论性质:VAE-R 估计量的一致性、收敛速率、渐近正态性是什么?在什么条件下成立?(扎根于第 6 节"Limitations"中作者承认缺乏理论保证的语句。)
- 潜变量可识别性:在什么条件下,VAE 推断的 \(\hat{Z}_j\) 能一致估计真实的 \(Z_j\)(或至少是 \(Z_j\) 的充分统计量)?\(d_z\) 与观测变量个数、簇内样本量的关系如何?(扎根于第 3.3 节 ARD 策略的启发式性质。)
- KL 权重选择准则的最优性:基于残差相关性的准则是否在理论上最优?是否存在更 principled 的选择方法(如交叉验证或边际似然)?(扎根于第 3.3.2 节的启发式准则。)
- 处理效应异质性的扩展:当 \(Z_j\) 与 \(T_{ij}\) 存在交互(即 \(Z_j\) 调节处理效应)时,VAE-R 的偏移似然如何扩展?CATE 的定义是否需要修改?(扎根于第 6 节讨论中提到的"moderation"问题。)
- 与近端因果推断的关系:VAE-R 推断的潜变量与近端因果推断(Tchetgen Tchetgen et al., 2024)中的"近端变量"有何联系?两种方法的识别假设如何比较?(扎根于引言中作者对 proxy-based 方法的简要提及。)
提示:要确认这些是否是真 gap,建议去读近 5 年关于"latent variable causal inference"和"multilevel confounding"的论文引言——如果多篇都指向"缺乏理论保证"或"潜变量可识别性未解决",则这些是共识性 gap;如果各篇给出的解决方案互相矛盾,则可能是更值得切入的机会点。
Maintained by 陈星宇 · Homepage · Source on GitHub