JRSS-C — Vol 74 Issue 4 · 2026-06-20¶

共 12 篇 · Journal of the Royal Statistical Society Series C
目录核对 ✅ 12 篇全部抓到（对照 OpenAlex 12 篇）

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

本期论文大致聚为三条主线：因果推断与个性化决策（暴露测量误差中介分析、多结局个性化治疗规则）、半参数/非参数与复杂依赖建模（D-vine分位数回归、观测级逻辑回归分段），以及面向特定应用场景的统计计算与贝叶斯建模（记录链接、流行病死亡率跳跃、气象数据融合INLA-SPDE、空气质量ESTN预测等）。其余几篇则分散于空间降尺度、水文滑动窗口、停车半马尔可夫与复合极值聚类等独立应用方向。

因果推断主线本期推进了两个具体痛点：一是生存结局中介分析中的暴露测量误差偏倚，二是多维异质结局与缺失数据下的个性化治疗规则（ITR）。前者在Cox回归框架下推导了稀有结局无交互时的渐近偏倚公式，并据此提出回归校准与似然校准以恢复被低估的中介效应；后者针对钙补充试验的多效益指标与复杂缺失，提出协同自学习方法（SS-learning），通过加权分类机制免于预设结局权重并识别关键协变量。

半参数/非参数与复杂依赖建模主线关注分位数回归的时变协变量扩展与大规模参数的可扩展优化。D-vine分位数回归（GAM-DVQR）将Kendall's τ与广义可加模型链接，在两阶段估计中纳入非线性与时空变化效应，突破了原DVQR无法自适应建模变化效应的限制；观测级逻辑回归分段则通过分组融合lasso赋予各观测独立系数并自动识别系数同质组，配合ADMM算法求解随观测数线性增长的大规模正则化问题。

对因果推断与半参数效率方向最贴的是“暴露测量误差中介分析”与“多结局ITR的SS-learning”两篇，前者直击因果识别中的测量误差偏倚与校准，后者处理决策规则中的多维异质结局与缺失；关注高维与统计计算可扩展性的读者可优先看“观测级逻辑回归分段（ADMM）”与“记录链接（随机EM）”，两者均在大规模参数或组合爆炸下设计了特定优化算法以维持计算效率。

因果推断 (causal_inference, 2 篇)¶

1. 10.1093/jrsssc/qlaf010 · arXiv — Correcting for bias due to mismeasured exposure in mediation analysis with a survival outcome¶

作者: Chao Cheng, Donna Spiegelman, Fan Li
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 4 · pp 969-993
相关性 9/10 · novelty: new_method
摘要: 本文研究在Cox回归建模的生存结局中介分析中，暴露变量测量误差对自然间接效应和直接效应估计的偏倚影响。首先在稀有结局且无暴露-中介交互的假设下，推导出测量误差导致的偏倚公式（bias formulas），量化了渐近偏倚的方向和大小。进而开发多种校准方法（calibration approaches），包括回归校准和似然校准，以校正偏倚，并推广至常见结局和存在暴露-中介交互的广义情形。通过模拟研究验证了方法的有限样本性能，并应用于健康专业人员随访研究（HPFS）的数据，分析身体活动通过降低BMI对心血管疾病风险的中介效应。结果发现未校正测量误差会低估该中介效应，而校准方法能有效恢复真实效应。本文直接关联您对中介分析的兴趣，且偏倚公式推导和校准方法可与您very_familiar的因果推断估计理论（如偏倚校正、测量误差模型）相衔接，方便进一步拓展。
关键技术: measurement error correction, calibration approach, Cox regression, mediation analysis, bias formulas, natural indirect effect
为什么对您有用: 本文直接关联您 primary interest 中的中介分析子方向，特别是暴露测量误差这一实际问题，并提供了可操作的偏倚校正方法。您可以用 very_familiar 的因果推断估计理论（如偏倚公式推导、误差模型识别）来快速复现和扩展该方法，例如考虑高维协变量或非参数识别。建议立即可做：将校准方法推广到时间依赖暴露或竞争风险设定；中期可做：若需非参数版本，需先强化 moderately_familiar 的 identification theory。

2. 10.1093/jrsssc/qlaf008 — Synergistic self-learning approach to establishing individualized treatment rules from multiple benefit outcomes in a calcium supplementation trial¶

作者: Yiwang Zhou, Peter X K Song
期刊/来源: Journal of the Royal Statistical Society Series C
机构: St. Jude Children's Research Hospital · University of Michigan
分类: vol 74 · issue 4 · pp 925-945
相关性 8/10 · novelty: application
摘要: 本文针对钙补充试验中孕妇铅暴露减少的个性化治疗规则（ITR）问题，提出协同自学习方法（SS-learning）。该学习框架旨在处理两个关键挑战：异质性多维结局（多个效益指标）和复杂缺失数据模式。SS-learning通过整合多个结局变量并利用自学习机制优化治疗规则，不需要预先指定结局权重。方法核心是通过加权分类学习，在缺失数据下仍能识别关键协变量。应用于ELEMENT钙补充试验数据后，SS-learning识别出的ITR预计可在人群中实现更高的铅减少。这是一篇应用导向的方法论文，为因果推断中ITR的实证分析提供了具体示例，尤其涉及多结局和缺失数据处理。
关键技术: synergistic self-learning, individualized treatment rule, multiple benefit outcomes, missing data handling, value function optimization
为什么对您有用: 本文直接连接您的primary interest中的causal inference子方向——个体化治疗规则（ITR），是heterogeneous treatment effects的重要应用。您完全可以利用very_familiar库中的'estimation theory in causal inference'来评估该方法的估计误差或收敛性，甚至尝试用minimax bound框架分析其最优性。本文属于立即可做：因为ITR的统计基础（值函数、加权分类）与您掌握的因果推断估计理论高度重合，无需额外工具即可深入。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1093/jrsssc/qlaf011 — D-vine Generalized Additive Model copula-based quantile regression with application to ensemble postprocessing¶

作者: David Jobst, Annette Möller, Jürgen Groß
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Hildesheim · Bielefeld University
分类: vol 74 · issue 4 · pp 994-1020
相关性 4/10 · novelty: new_method
摘要: 本文提出 GAM-DVQR 方法，扩展了原有的 D-vine copula 分位数回归（DVQR）框架。DVQR 能自动选择有信息量的预测变量并处理非线性关系，但无法自适应建模时间或空间等变化效应。GAM-DVQR 通过在 D-vine copula 的二元 copula 参数上引入 Kendall's τ，并利用广义可加模型（GAM）将其他协变量（如时间、空间）与 τ 链接，从而能纳入线性、非线性、空间效应及交互作用。模型采用两阶段估计：先通过 D-vine copula 选择变量并估计条件分位数，再用 GAM 拟合 τ 随协变量的变化。在 2m 地表温度集合预报后处理的案例研究中，GAM-DVQR 能够识别时变相关性，显著优于滑动窗口 DVQR 等基准方法，且计算更经济（无需频繁重估）。方法通过 R 包 gamvinereg 实现。对您而言，本文在半参建模（GAM + copula）的灵活性和计算效率上有参考价值，但应用背景（气象后处理）与您的主要兴趣方向距离较远。
关键技术: D-vine copula, quantile regression, generalized additive models (GAMs), Kendall's τ parameterization, ensemble postprocessing
为什么对您有用: 本文连接您的次要兴趣方向“统计计算”中的算法实现（提供了 R 包），以及“半参与非参理论”中的 copula + GAM 建模。但该工作主要是气象后处理的应用拓展，缺乏理论深度（如影响函数或收敛率分析）。从您的技术武器库看，可以用“非参统计”和“半参理论”去审视其估计的渐近性质，但目前您没有此应用背景，且该方向不在您的研究重点内，因此暂不可做——需要先启动一个相关应用领域才可能产生合作或交叉。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1093/jrsssc/qlaf016 · arXiv — A flexible model for record linkage¶

作者: Kayané Robach, Stéphanie L van der Pas, Mark A van de Wiel, Michel H Hof
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 4 · pp 1100-1127
相关性 2/10 · novelty: new_method
摘要: 本文提出一种灵活的记录链接（record linkage）方法 FlexRL，用于将来自不同数据源的观测记录匹配到同一实体，尤其适用于缺乏唯一标识符的医疗监测研究。现有方法常在计算效率与链接准确性之间权衡：传统方法忽略链接决策间的依赖性和一对一的约束，而现代贝叶斯方法计算开销大、灵活性低。本文采用潜在变量模型描述数据生成过程，并设计随机期望最大化（Stochastic EM）算法进行估计，既保持可扩展性又能处理识别变量随时间变化和登记误差。模型通过引入对链接状态的联合分布来捕捉交叉记录间的依赖性，同时利用随机 EM 避免全概率计算的组合爆炸。在真实大规模医疗数据上展示了良好的匹配准确率和计算效率，并通过模拟验证了对链接变量质量的鲁棒性。该算法已封装为开源 R 包，可直接用于流行病学等场景的数据整合。对您而言，该工作属于统计计算中的实用算法开发，其 Stochatic EM 实现和 R 包设计可与您熟悉的软件开发和 M- estimation 知识对接，作为中期可展开的研究入口，例如将更高阶 U-统计量的计算框架引入链接质量的评估或非参数化链接模型。
关键技术: Stochastic Expectation Maximization, latent variable model, one-to-one record linkage, open-source R package, scalable Bayesian inference
为什么对您有用: 本文直接对应您 primary interests 中的统计计算（numerical methods and software），特别是 R 包实现和随机 EM 算法。您的非常熟悉技能中的软件开发和 M-估计理论足以理解和扩展该方法的计算流程（如并行化、更快的收敛诊断），属于可以立即动手的 follow-up 方向。若想将更高阶 U-统计量或 tensor contraction 应用于链接质量评估，则需先补充 moderately familiar 中的 M-估计理论在潜变量框架下的适应。该工作本身是流行病学数据整合的实用工具，也为您的流行病学 secondary interest 提供了可直接使用的数据分析手段。

流行病学 (epidemiology, 2 篇)¶

1. 10.1093/jrsssc/qlaf018 · arXiv — Bayesian mortality modelling with pandemics: a vanishing jump approach¶

作者: Julius Goes, Karim Barigou, Anne Leucht
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 4 · pp 1150-1182
相关性 1/10 · novelty: application
摘要: 本文扩展了经典Lee-Carter模型以处理流行病（如COVID-19）导致的死亡率跳跃。传统模型要么假设跳跃仅持续一期（瞬态冲击），要么假设永久性改变，但实际流行病的影响往往是初期强烈、随后逐渐消退的‘消失型跳跃’。作者引入一种参数化形式刻画这种衰减效应，并在单种群和多种群死亡率数据上建立贝叶斯框架，通过MCMC量化参数不确定性。实证部分使用COVID-19期间的美国死亡率数据，与瞬态冲击模型比较，该模型在拟合和预测上均表现更优。该方法为流行病死亡率建模提供了一个灵活且可解释的工具，其跳跃衰减结构可以迁移到其他突发公共卫生事件的时间序列分析中。对于您关注的流行病学应用方向，本文展示了如何将领域知识（冲击随时间衰减）嵌入标准时间序列模型，并用贝叶斯方法处理不确定性。
关键技术: Bayesian inference, Lee-Carter model, vanishing jump effect, multi-population modeling, Markov chain Monte Carlo
为什么对您有用: 本文属于流行病学应用方向（您的secondary interest），提供了COVID-19死亡率数据的真实案例和分析流程。虽然方法上不直接涉及您擅长的因果推断或高维统计，但贝叶斯框架中的模型设定与不确定性量化对类似流行病学数据研究有参考价值。您当前武器库中的M-estimation和非参数统计可以用来检验其模型假设的稳健性，或比较频率学派与贝叶斯方法在该数据上的差异。作为入门级阅读，本文可帮助您快速了解死亡率建模的常用工具和流行病数据特点。

2. 10.1093/jrsssc/qlaf007 — High-resolution urban air quality monitoring from citizen science data with echo-state transformer networks¶

作者: Matthew Bonas, Stefano Castruccio
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Notre Dame
分类: vol 74 · issue 4 · pp 905-924
相关性 1/10 · novelty: new_method
摘要: 研究问题：利用公民科学（低成本传感器）数据监测城市空气质量，需要高分辨率时空预测模型以评估邻里级人群暴露。方法核心：提出Echo-State Transformer Network（ESTN），先通过回声状态网络（固定随机权重的循环神经网络）进行快速预测，再结合Transformer网络的自注意力机制调整预测，最后融合两者输出。关键技术：回声状态网络（reservoir computing）计算效率高，Transformer捕捉长程依赖，整体方法通过随机投影和非线性激活实现随机性，从而快速生成预测。性能：仿真和旧金山实际PM2.5数据表明ESTN预测精度优于单独回声状态网络、Transformer以及传统统计方法（如Kriging、自回归模型）。应用：结合人口数据生成高分辨率暴露地图，实现邻里级空气污染暴露评估，这是稀疏政府监测网络无法实现的。对您的意义：本文虽非因果推断，但其暴露评估流程可直接服务于流行病学队列研究中的暴露测量环节，且回声状态网络的固定权重随机矩阵结构可与您熟悉的张量运算（树宽/计算图）产生联系。
关键技术: echo-state network, transformer network, attention mechanism, reservoir computing, spatio-temporal forecasting, citizen science data
为什么对您有用: 本文连接epidemiology的环境暴露评估子方向，是流行病学健康效应研究的前置步骤，也为因果推断中的暴露变量测量提供高分辨率替代方案。您"非常熟悉"的"软件开发"技能可用于复现ESTN的计算流程并评估其效率；"非参数统计"视角可对比其预测与核平滑类方法的偏差-方差权衡。该框架的随机初始化权重结构与张量运算网络（如einsum）有相似性，但深度学习调优（Transformer注意力机制）超出当前武器库，因此若要深入理论分析（如一致性）需先补充深度学习理论，属于暂不可做。

其他 (other, 6 篇)¶

1. 10.1093/jrsssc/qlaf015 — Data-driven segmentation of observation-level logistic regression models¶

作者: Yunjin Choi, No-Wook Park, Woojoo Lee
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Seoul · Inha University · Seoul National University
分类: vol 74 · issue 4 · pp 1077-1099
相关性 4/10 · novelty: new_method
摘要: 本文针对二元滑坡数据提出一种数据驱动的观测级别逻辑回归分段方法。每个观测被赋予独立的回归系数，通过分组融合lasso惩罚自动识别系数相同的观测组，实现模型融合。由于参数数量随观测数线性增长，作者设计了基于交替方向乘子法（ADMM）的优化算法，有效求解大规模正则化问题。数值实验表明，该方法相比传统逻辑回归显著提升了预测性能。本文的核心贡献在于将分组融合lasso推广到观测级别，并通过ADMM实现可扩展计算。虽然不直接属于您的主要兴趣方向，但其在大规模参数下的优化策略对统计计算领域有一定的参考意义。
关键技术: grouped fused lasso, alternating direction method of multipliers (ADMM), observation-specific regression, data-adaptive model fusion
为什么对您有用: 本文属于统计计算方法的应用，其ADMM算法设计与大规模参数优化策略与您statistical computing兴趣下的software development技能直接匹配——您可以立即可做地复现并扩展其算法。此外，您可尝试用high-dimensional asymptotics分析融合lasso的渐近性质。虽然不涉及因果推断或高阶U统计，但本文为处理异质性数据的分段模型提供了新颖的计算工具，对扩展您在高维方法上的算法实现能力有一定价值。

2. 10.1093/jrsssc/qlaf019 — A multivariate spatial statistical model for statistical downscaling of sea surface temperature in the Great Barrier Reef region¶

作者: Ayesha Ekanayaka, Emily L Kang, Amy Braverman, Peter Kalmus
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of North Carolina at Chapel Hill · Applied Physical Sciences (United States) · University of Cincinnati · Jet Propulsion Laboratory
分类: vol 74 · issue 4 · pp 1183-1213
相关性 2/10 · novelty: new_method
摘要: 本文提出一种多元空间统计模型用于统计降尺度，目标是将粗分辨率气候模式输出（CMIP6）降尺度为精细分辨率的海表温度场。模型利用基函数表示（basis function representation）实现高效计算，并能够描述非平稳的空间依赖结构；同时联合分析高分辨率遥感数据与气候模式输出，建立多元空间协方差模型。在澳大利亚大堡礁区域的应用中，该方法相比现有降尺度技术显著降低了均方预测误差，并提供了完整的预测分布用于不确定性量化。该工作本质上是将空间统计模型与计算高效表示相结合的实证应用，对统计计算领域的高效空间建模有示范意义；但方法学贡献集中于应用层面，理论新颖性有限。
关键技术: Basis function representation, Multivariate spatial statistical model, Nonstationary spatial dependence, Statistical downscaling, Uncertainty quantification
为什么对您有用: 此文涉及统计计算中的高效空间建模技术（基函数表示），与研究员'very_familiar'的nonparametric statistics中基函数方法可类比；但其核心是空间统计协方差建模，与研究员的主要兴趣（因果推断、高维RMT等）距离较远。作为应用案例，可启发在计算受限统计中的降维思路，但非当前研究主线，属于弱关联方向；暂不可做，因为缺少空间统计的专业知识（如协方差参数估计、Kriging等）。

3. 10.1093/jrsssc/qlaf009 · arXiv — A Gaussian sliding windows regression model for hydrological inference¶

作者: Stefan Schrunner, Parham Pishrobat, Joseph Janssen, Anna Jenul, Jiguo Cao, Ali A Ameli et al.
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 4 · pp 946-968
相关性 2/10 · novelty: application
摘要: 该论文针对流域水文推理中的时间滞后问题，提出了一种高斯滑动窗口回归模型（Gaussian Sliding Windows Regression Model）。模型将多个高斯形状的核函数作为滑动窗口沿时间轴移动，每个窗口的权重对应不同时间滞后，并利用多元线性回归组合这些窗口以解释径流时间序列。其核心创新在于用可解释的窗口参数化表示不同流路径的动态特性，替代传统的黑箱模型。模拟和真实数据实验表明该方法能准确估计参数，预测性能良好，且模型解释性强。该工作属于应用统计方法在水文学中的一次适配性创新，方法论上未涉及因果识别、高维推断或效率理论等方向。对您而言，这是一篇水文领域的应用案例，可作为了解统计方法在环境科学中落地的入门参考。
关键技术: Gaussian sliding windows, multiple linear regression, kernel-based time lag modeling, interpretable hydrological modeling
为什么对您有用: 本文属于环境科学中的应用统计，与您的 secondary interests 不直接重合（非 astrostatistics/econ/epidemiology），但可作为统计方法在自然科学中简化建模与可解释性设计的案例。武器库中 nonparametric statistics 中的核方法可粗泛类比其窗口加权思想，但方法论深度低，不值得深入。立即可做：无；暂不可做：核心贡献是应用层面的模型构造，无理论问题可供追赶。

4. 10.1093/jrsssc/qlaf017 — Statistical modelling of on-street parking spot occupancy in smart cities¶

作者: Marc Schneble, Göran Kauermann
期刊/来源: Journal of the Royal Statistical Society Series C
机构: CSS (Switzerland) · Ludwig-Maximilians-Universität München
分类: vol 74 · issue 4 · pp 1128-1149
相关性 1/10 · novelty: application
摘要: 本文研究城市街道停车位占用率的统计建模问题，利用时间-事件模型和半马尔可夫过程理论刻画停车位的占用与释放动态。核心方法涉及拉普拉斯变换及其数值反演，这是一个具有挑战性的数值计算任务。作者将半马尔可夫模型应用于澳大利亚墨尔本市的真实停车数据，并与标准马尔可夫模型进行比较。结果表明，半马尔可夫模型在真阴性率和真阳性率上均优于马尔可夫模型，主要优势来自于对当前占用状态持续时间的考虑。本文的主要贡献在于将半马尔可夫过程引入停车预测领域，并展示了其实际预测效果。对于您而言，数值拉普拉斯反演方法具有一定的统计计算趣味，但整体主题与您的核心研究方向关联不大。
关键技术: semi-Markov process, Laplace transform inversion, time-to-event model, true negative rate, true positive rate
为什么对您有用: 本文属于应用统计范畴，与您的主要兴趣无直接重叠。不过，半马尔可夫过程的数值计算（拉普拉斯反演）可作为统计计算的一个具体问题。您的武器库中的非参数统计和逆问题思路可用于评估此类数值方法的准确性，但半马尔可夫理论本身并非您的核心工具，因此暂不可做，如需跟进需从头学习该领域。

5. 10.1093/jrsssc/qlaf012 · arXiv — A data fusion model for meteorological data using the INLA-SPDE method¶

作者: Stephen Jun Villejo, Sara Martino, Finn Lindgren, Janine B Illian
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 4 · pp 1021-1056
相关性 1/10 · novelty: application
摘要: 该研究针对气象观测数据稀疏的问题，提出一种数据融合模型，将数值天气预报模型作为额外数据源以改进关键变量的预测。模型假设不同数据源是对共同潜在过程的不完美表示：观测站数据服从经典误差模型，而数值预报包含常数乘性偏差和空间结构时变的加性偏差。推断采用贝叶斯模型平均与集成嵌套拉普拉斯近似（INLA）结合随机偏微分方程（SPDE）进行高效贝叶斯计算。通过模拟研究，该模型在参数估计和预测精度上一致优于仅使用观测站数据或回归校准的基准方法，尤其在观测稀疏时优势明显。在菲律宾气象数据应用中，留组交叉验证进一步证实了模型的优越性。对您而言，本文展示了贝叶斯空间统计与数据融合在实际问题中的完整应用流程，其计算框架（INLA-SPDE）可作为统计计算（software development）领域的参考案例，但方法学贡献有限。
关键技术: Integrated Nested Laplace Approximation (INLA), Stochastic Partial Differential Equations (SPDE), Bayesian model averaging, data fusion, spatial modeling
为什么对您有用: 本文涉及统计计算方向的实际案例，特别是INLA-SPDE这一高效贝叶斯推断工具，可拓展您对大规模空间模型计算的理解。您的技术武库中'软件发展'可直接用于复现或扩展其计算流程，而'逆问题与随机噪声'的知识有助于理解数据融合的偏差校正逻辑。作为应用类论文，可快速浏览方法部分以汲取数据融合的建模思路，但非核心兴趣方向，暂无需深入。

6. 10.1093/jrsssc/qlaf014 · arXiv — Identifying regions of concomitant compound precipitation and wind speed extremes over Europe¶

作者: Alexis Boulin, Elena Di Bernardino, Thomas Laloë, Gwladys Toulemonde
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 4 · pp 1057-1076
相关性 1/10 · novelty: application
摘要: 本文旨在开发一种聚类框架，用于识别欧洲网格气候数据中降水与风速复合极端事件的区域。核心目标是找出在渐近意义下两变量独立（即极端降水与极端风速无关联）的子区域。方法基于一种非参数的极值依赖度量（divergence measure），不依赖具体参数假设，通过一个可调参数控制聚类空间集中性。作者提出数据驱动的方式选取该参数，使得聚类结果具有空间解释性。使用ERA5再分析数据集（1979-2022）的日降水量和日最大风速进行实证分析。该方法能在合理计算时间内大幅压缩数据集规模，同时保留复合极端事件的关键结构信息。本文主要贡献是提供了一个可复现的区域识别工具，但方法论创新性有限（现有极值聚类框架的调参变体）。
关键技术: extremal dependence, divergence measure, clustering, nonparametric, ERA5 reanalysis
为什么对您有用: 本文属于气候统计应用，与您的主要兴趣（因果推断/高维/U统计量）无直接交集，但方法中非参数极值依赖度量的构造思路对您熟悉的非参数统计略有参考价值。不过，该领域所需的极值理论（如max-stable过程、tail copula）不在您的技术武器库中，且聚类结果的统计推断意义与您关心的效率理论、假设检验问题距离较远。因此属于暂不可做的方向，不值得花费时间精读全文。

Maintained by 陈星宇 · Homepage · Source on GitHub