通过规范扩散测量与分解模式分离
Measuring and Decomposing Mode Separation via the Canonical Diffusion
Shaul Tolkovsky · Ori Meidler · Or Zuk
中文摘要
模式分离指分布分裂为被势垒隔开的簇的锐利程度,是高维密度难以量化的基本几何性质。模式常对应数据中有意义的备选,如分子构象或生成模型输出中的不同语义类型。模式分离不同于离散度:微分熵随散布上升而不论是否分裂,PCA按方差排序方向而不论势垒。互信息能捕捉模式分离,但需潜在分量标签,通常不可得。通过密度内在的单一随机过程——以f为平稳分布、扩散系数为常标量的唯一可逆扩散——来测量模式分离。从其自协方差矩阵提取两个读数:SSA(自相关平方和)为标量势垒敏感度量;DA(主导自相关方向)给出按亚稳态而非方差排序的线性投影。在各向同性高斯零假设下,推导经验自协方差极限谱的闭式解,推广Marchenko–Pastur律,其上边缘给出噪声底,分离亚稳态方向与采样噪声。两个读数仅用样本与得分函数,通过Tweedie恒等式借助预训练得分生成模型扩展至高维。应用于三个场景:(i)合成高斯混合,SSA跟踪互信息;(ii)SDXL文本到图像生成,SSA与DA捕捉熵和PCA遗漏的结构;(iii)丙氨酸二肽分子动力学,DA仅从静态样本恢复已知慢骨架二面角。
关键要点
- 01模式分离是密度几何性质,标准无标签工具如微分熵和PCA无法捕捉,互信息需潜在标签。
- 02利用密度内在可逆扩散的自协方差矩阵,提取SSA标量度量和DA亚稳态方向两个读数。
- 03推导各向同性高斯零假设下经验自协方差极限谱闭式解,推广Marchenko–Pastur律并给出噪声底。
- 04在合成高斯混合、SDXL生成和丙氨酸二肽分子动力学中验证,DA仅用静态样本恢复慢二面角。
解读
内容由 AI 生成,仅供参考。如发现错误,欢迎反馈。
原始英文摘要
arXiv:2605.08777v2 Announce Type: replace Abstract: Mode separation, namely how sharply a distribution fragments into barrier-separated clusters, is a fundamental geometric property of densities, difficult to quantify in high dimensions. Modes are often the meaningful alternatives in the data, such as the conformations of a molecule or the distinct semantic types among a generative model's outputs. Mode separation is distinct from dispersion, which is what standard label-free tools capture: differential entropy rises with spread regardless of fragmentation, and PCA orders directions by variance regardless of barriers. Mutual information does capture it, but only given the latent component labels, which are usually unavailable. We measure mode separation through a single stochastic process intrinsic to the density, namely the unique reversible diffusion with $f$ as its stationary distribution and a constant scalar diffusion coefficient. From its autocovariance matrix we extract two readouts. The first, SSA (Sum of Squared Autocorrelations), is a scalar barrier-sensitive measure. The second, DA (Dominant Autocorrelation directions), gives linear projections ordered by metastability rather than variance. Under an isotropic-Gaussian null, we derive the limiting spectrum of the empirical autocovariance in closed form, generalizing the Marchenko--Pastur law. Its upper edge gives a noise floor that separates metastable directions from sampling noise. Both readouts use only samples and a score function, scaling to high dimensions through pretrained score-based generative models via Tweedie's identity. We apply our framework to three settings: (i) synthetic Gaussian mixtures, where SSA tracks mutual information; (ii) SDXL text-to-image generations, where SSA and DA capture structure that entropy and PCA miss; and (iii) molecular dynamics of alanine dipeptide, where DA recovers the known slow backbone dihedrals from static samples alone.
1. 问题与价值
这篇论文要解决的是:在高维概率密度里,如何不用标签地衡量“模式分离”,也就是质量是否被低密度屏障切成若干彼此难跨越的簇。
它区分了两个容易混淆的概念:
为什么重要:
I(X;Z)这类需要标签的指标不可用。受益者:
SSA和一组线性方向DA,用于判断密度是否碎片化、碎片化沿哪些方向发生。SSA当作生成模型输出分布的诊断量,例如观察 guidance scale 是否导致模式坍塌。DA当作从静态样本中提取慢集体变量的工具,减少对完整时间轨迹的依赖。核心收益是:只用样本和 score 函数,就能得到对屏障敏感的量,而不是只对扩散范围敏感的量。
2. 已有工作的不足
在本文之前,常见做法各有明显缺口。
N(0,25I_2)的熵为6.06,而平行椭圆混合分布的熵为5.14。按熵排序,前者更“分散”;但后者才更像两个被屏障隔开的模式。x轴,因为25 > 10;但真正区分两个模式的是y轴方向。I(X;Z)Z。d = 65,536,核方法容易遇到维度和计算瓶颈。不足的共同点是:要么需要标签,要么只看 spread,要么只能给离散判断,要么依赖高维核或真实轨迹。
3. 重建作者的思考路径
下面不把本文方法当前提,而是从旧方法不足出发,逐步推演可能路径。
3.1 从“屏障难跨越”想到动力学
如果熵和 PCA 看不到屏障,而屏障的实际后果是“从一个区域到另一个区域很难”,那么最自然的替代思路是:不要只看静态形状,而看一个以该密度为稳态分布的随机过程如何混合。
低密度屏障会让随机游走者很少跨越区域,因此过程混合慢。慢混合就是屏障的动力学签名。
于是会想到:给定密度
f,构造一个扩散过程,使f是它的稳态分布。3.2 第一个矛盾:同一个
f对应很多扩散过程问题马上出现:稳态密度为
f的扩散过程并不唯一。可以加入无散度流,使概率质量绕模式循环,而不改变稳态分布。这样得到的混合速度就不再只由屏障决定,而由人为添加的环流决定。因此需要额外约束。一个合理选择是:要求可逆,并且扩散系数为常数。
可逆性意味着没有净概率流,过程只能靠扩散跨越屏障。常数扩散矩阵则让漂移由
f的 score 唯一决定。这一步会引出:
b(x) = 1/2 A_0 ∇log f(x)A_0 = σ_f^2 I_d,得到本文所谓 canonical diffusion。3.3 第二个矛盾:选什么扩散系数
如果直接选
A_0 = I_d,会撞上尺度问题:把数据整体放大,分布形状没变,但过程混合速度会变,导致指标依赖单位。如果选
A_0 = Cov_f(X),会获得更强的仿射不变性,但代价是:一个折中是只取标量方差:
σ_f^2 = tr(Cov_f(X)) / d3.4 第三个矛盾:如何把慢模式压缩成标量
有了过程后,可以研究 generator 的谱。慢模式对应小特征值。最直接的想法是看 spectral gap。但估计特征值本身在高维并不简单。
另一个入口是时间滞后自协方差:
C(τ) = E[Y_τ Y_0^T]C(τ)在较大τ下仍不衰减。要得到一个标量,可以取 trace:
tr C(τ)ρ(τ) = tr C(τ) / tr C(0)然后积分
ρ(τ)。但这里又发现一个问题:普通积分自相关时间容易被单个最慢模式主导。一个有一个慢屏障的分布,和五个慢屏障的分布,可能得分接近。为了奖励“多个慢屏障同时存在”,可以把
ρ(τ)平方后再积分:S(f) = ∫_0^∞ ρ(τ)^2 dτ平方会引入交叉项,只有两个模式都慢时,交叉项才大。
3.5 第四个矛盾:有限样本下如何知道某个方向不是噪声
如果只取
C(τ)的特征向量,就会遇到τ选择问题:τ太小:C(τ)接近C(0),DA 会退化成 PCA。τ太大:有限样本噪声上升,慢信号可能沉入噪声地板。因此需要知道:在没有任何慢模式的“零假设”下,
C(τ)的特征值应该长什么样。零假设可以选各向同性高斯。此时样本协方差在
τ = 0对应 Marchenko–Pastur 定律。对于τ > 0,对称化滞后协方差可写成两个独立 Wishart 矩阵的加权和,其极限谱是自由加性卷积。于是得到一个上边缘λ_+(τ),作为噪声地板。这一步让 DA 的方向选择变成可检验问题:特征值超过
λ_+(τ)才可能是慢模式。3.6 第五个矛盾:高维 score 从哪里来
模拟 canonical diffusion 需要
∇log f。高维密度估计很难。如果目标模型本身是 score-based 或 diffusion model,那么 denoiser 已经提供了 score 的近似。通过 Tweedie identity,可以从去噪器得到 score oracle。
于是流程变成:
C(τ);SSA和DA。但如果模型 latent 空间不具感知意义,例如 SDXL latent,直接在那里解释方向不够自然。于是会想到:动力学仍在 latent 空间跑,但读出时把快照解码并嵌入到 CLIP 空间。
这会破坏 Theorem 2 的精确假设,因此需要 matched Monte Carlo null 来校准噪声地板。
3.7 与论文实际路径的差异:论文比这条推演更早把唯一性、相似不变性和自由卷积噪声地板形式化,并且用平方 trace 积分
SSA作为标量,而不是停留在普通积分自相关时间或 spectral gap 估计上;同时它把 score oracle 明确接到预训练生成模型,而不是只做 KDE 或核拉普拉斯。4. 核心 intuition
可以把高维密度想成一座城市,里面有几个社区,社区之间有河流、城墙或很少的桥。
这个类比能对上机制:低密度屏障对应小 generator eigenvalue,小 eigenvalue 对应慢衰减,慢衰减对应大自相关,大自相关对应大 SSA 和显著 DA 方向。
5. 方法 pipeline 举例
下面用一个具体输入走一遍流程:二维平行椭圆混合分布。
输入:
(0, 3)和(0, -3);diag(25, 1);步骤 1:估计一阶和二阶矩
先估计总体均值和协方差。论文例子中,
x轴方差大,y轴方差小但两个模式在y轴上分开。得到:
x轴主导方差为25y轴总方差为1025 > 10,PCA 会偏向x轴标量扩散系数按定义估计:
σ_f^2 = tr(Cov_f(X)) / d这里不需要给出精确数值;后续关键是
σ_f^2只依赖 trace,不依赖坐标旋转。步骤 2:构造 score oracle
对合成高斯混合,score 可以解析计算:
∇log f(x)在实际生成模型中,则用 denoiser 通过 Tweedie identity 给出近似 score。
步骤 3:模拟 canonical diffusion
用 Euler–Maruyama 离散化:
X_{t+Δt} = X_t + 1/2 σ_f^2 ∇log f(X_t) Δt + σ_f √Δt ZZ ∼ N(0, I_d)注意:提取文本里的
12在公式中应按已知损坏规则理解为1/2。模拟多条轨迹后,得到一组从
X_0到X_τ的滞后对。步骤 4:估计滞后自协方差
计算:
Ĉ(τ) = 1 / [N(T+1−τ)] ∑_{n,t} (X_t^{(n)} − x̄)(X_{t+τ}^{(n)} − x̄)^Tρ̂(τ) = tr Ĉ(τ) / tr Ĉ(0)对平行椭圆分布,沿
y轴的慢模式会让ρ̂(τ)在较大τ下仍保持较高值。步骤 5:读出 SSA
估计:
Ŝ = Δt ∑_{ℓ=1}^{L_max} ρ̂(ℓΔt)^2停止规则是:
Ŝ积分到第一个满足ρ̂(τ)^2 ≤ 1/N的τ论文例子中:
SSA = 1.022SSA = 1.822而熵的排序相反:
H = 6.06H = 5.14这说明 SSA 把“屏障存在”排到了“单纯扩散范围大”之前。
步骤 6:读出 DA
对某个选定的滞后
τ*,计算对称化矩阵:Ĉ_sym(τ*) = 1/2 [Ĉ(τ*) + Ĉ(τ*)^T]再做特征分解:
Ĉ_sym(τ*) = ∑_j λ_j v_j v_j^Tλ_1 ≥ λ_2 ≥ ...平行椭圆例子里:
DA1指向y轴,也就是两个模式之间的方向;PC1指向x轴,因为x轴方差更大。论文还给出检验:
DA1投影通过 anisotropic null test,p < 10^{-3}DA1投影通过 Hartigan dip test,p < 10^{-3}PC1投影 dip testp = 0.99,说明它更像扩散方向,不像模式分离方向。步骤 7:噪声地板检查
在有限样本下,不能只看特征值大不大。需要比较:
λ_1(τ*)是否超过λ_+(τ*)λ_+(τ*)来自 Theorem 2 的各向同性高斯零假设。超过它,才更有理由认为这是慢模式,而不是样本噪声。6. 核心数学推导
6.1 先解释符号
f(x):目标概率密度。∇log f(x):score,即对数密度的梯度。Cov_f(X):f的协方差矩阵。σ_f^2 = tr(Cov_f(X)) / d:标量扩散系数,取协方差 trace 的平均。L_f:canonical diffusion 的 generator。μ_k:L_f的非零特征值,表示第k个模式的松弛速率。ψ_k:对应特征函数。α_k:中心化坐标在特征函数上的投影系数。C(τ):平稳自协方差矩阵。ρ(τ):trace-normalized autocorrelation。S(f):SSA。6.2 canonical diffusion 的漂移为什么是 score 的一半
考虑一个 Itô diffusion:
dX_t = b(X_t)dt + σ dW_tA_0 = σσ^T它的 Fokker–Planck 方程可写成概率流形式:
J_f(x) = b(x)f(x) − 1/2 A_0 ∇f(x)可逆性要求稳态概率流为零:
J_f(x) = 0于是:
b(x)f(x) = 1/2 A_0 ∇f(x)b(x) = 1/2 A_0 ∇f(x) / f(x)b(x) = 1/2 A_0 ∇log f(x)如果选标量扩散:
A_0 = σ_f^2 I_d就得到:
dX_t = 1/2 σ_f^2 ∇log f(X_t)dt + σ_f dW_t这一步说明:在可逆且常数扩散矩阵的约束下,漂移由 score 唯一决定。
6.3 自协方差如何变成谱表示
设中心化过程:
Y_t = X_t − x̄_fx̄_f = E_f[X]因为
L_f自伴,有特征分解:L_f ψ_k = −μ_k ψ_k0 = μ_1 < μ_2 ≤ μ_3 ≤ ...ψ_1 ≡ 1Markov semigroup 满足:
P_τ ψ_k = e^{−μ_k τ} ψ_k把中心化坐标
g(x) = x − x̄_f展开在特征函数基上:g(x) = ∑_{k≥1} α_k ψ_k(x)其中:
α_k = ∫ (x − x̄_f) ψ_k(x) f(x)dx因为
ψ_1 ≡ 1,所以α_1 = 0。于是:g(x) = ∑_{k≥2} α_k ψ_k(x)计算滞后协方差:
C(τ) = E_f[Y_τ Y_0^T]C(τ) = ∑_{k≥2} e^{−μ_k τ} α_k α_k^T这个公式的含义是:每个慢模式对自协方差的贡献,由两个因素决定:
e^{−μ_k τ}:这个模式有多慢;∥α_k∥^2:这个模式携带多少方差。6.4 SSA 的谱公式
取 trace:
tr C(τ) = ∑_{k≥2} e^{−μ_k τ} ∥α_k∥^2归一化:
ρ(τ) = tr C(τ) / tr C(0)ρ(τ) = ∑_{k≥2} e^{−μ_k τ} w_kw_k = ∥α_k∥^2 / ∑_{j≥2} ∥α_j∥^2于是:
ρ(τ)^2 = ∑_{k,ℓ≥2} w_k w_ℓ e^{−(μ_k+μ_ℓ)τ}积分:
S(f) = ∫_0^∞ ρ(τ)^2 dτS(f) = ∑_{k,ℓ≥2} w_k w_ℓ / (μ_k + μ_ℓ)这个公式说明:
μ_k很小,对应的模式很慢;μ_k + μ_ℓ很小,交叉项很大;w_k很小,即使它慢,对 SSA 的贡献也有限。6.5 单调性为什么成立
固定权重
w_k,看S(f)对某个μ_k的导数。谱公式中涉及
μ_k的项形如:w_k w_ℓ / (μ_k + μ_ℓ)对
μ_k求导:∂ / ∂μ_k [w_k w_ℓ / (μ_k + μ_ℓ)] = − w_k w_ℓ / (μ_k + μ_ℓ)^2这总是非正。对角项也一样:
∂ / ∂μ_k [w_k^2 / (2μ_k)] = − w_k^2 / (2μ_k^2)所以:在其他条件不变时,任何一个慢模式变快,SSA 不会增大。
但要注意:这不是说任何“加深屏障”的变形都必然增大 SSA,因为变形也可能改变
w_k。6.6 噪声地板的直觉推导
在有限样本下,
Ĉ_sym(τ)的特征值包含两部分:如果
f是各向同性高斯,就没有真实慢模式。此时Ĉ_sym(τ)的谱应该全是噪声。τ = 0时,Ĉ(0)是样本协方差,其极限谱是 Marchenko–Pastur 定律。上边缘为:λ_+(0) = σ^2 (1 + √γ)^2γ = d / Nτ > 0时,对称化滞后协方差可写成两个独立 Wishart 结构的差:Ĉ_sym(τ) ≈ c_+ W_+ − c_- W_-c_±(τ) = 1/2 σ^2 (1 ± e^{−τ/2})提取文本中
c_±公式的12应按已知损坏规则理解为1/2。两个 Wishart 谱的自由加性卷积给出极限密度。其上边缘
λ_+(τ)就是噪声地板。论文中
λ_+(∞)的闭式表达在提取文本里损坏,原文此处无法辨认。但它的用途很明确:λ_j(τ)明显高于λ_+(τ),它更可能是慢模式;λ_+(τ)以下,它可能只是噪声。6.7 score oracle 的数学入口
对 diffusion model,前向加噪为:
x_t = √ᾱ_t x_0 + σ_t εε ∼ N(0, I)Tweedie identity 给出:
∇log f_t(x) = −ε_θ(x,t) / σ_t当
t很小,f_t接近f,因此:∇log f(x) ≈ −ε_θ(x,t_small) / σ_{t_small}这使得高维 score 可以从预训练 denoiser 单次前向得到。
7. 实验设计
7.1 合成高斯混合实验
目的:验证 SSA 是否跟踪已知模式分离,并且是否不同于熵。
设置:
N = 200条 canonical diffusion 轨迹。Δt = 0.01。T_phys = 200s。基线:
I(X;Z),因为合成数据有成分标签。指标:
ρ = 0.890,p = 5.5 × 10^{-18}。Δt ∈ {0.005, 0.01, 0.02}下,Spearman 至少0.97。关键结果:
能否支撑结论:
7.2 SDXL 文本到图像实验
目的:在真实生成模型输出上检验 SSA 是否捕捉 entropy 和 PCA 看不到的结构。
设置:
w ∈ {1, 3, 7.5, 15}。Ŝ < 1.1被排除。N = 200条轨迹。Δt = 0.005,T = 2000。k = 5,PCA 降到d = 50。d = 768。指标:
关键结果:
w单调下降。w ∈ {3, 7.5},不在极端。B = 2000下,每个 prompt 的 maximizer 落在中间w的概率至少99.8%。Spearman ∣ρ∣ = 0.90。能否支撑结论:
7.3 分子动力学实验
目的:检验 DA 是否能从静态样本恢复已知慢自由度。
设置:
h = h_Scott / 2 = 0.0091。τ* = 10000 ps。基线:
指标:
ψ、φ的相关。关键结果:
ψ相关:∣r(ψ)∣ = 0.672。φ相关:∣r(φ)∣ = 0.873。ψ相关:∣r(ψ)∣ = 0.753。能否支撑结论:
7.4 理论验证实验
目的:验证 Theorem 2 的 null spectrum。
设置:
γ ∈ {0.25, 0.5, 0.75, 1, 2, 5}。τ ∈ {0, 0.5, 2, 10}。N = 500。结果:
λ_+(τ)附近。缺什么:
8. take-aways
H = 6.06,SSA = 1.022。H = 5.14,SSA = 1.822。ρ = 0.890,p = 5.5 × 10^{-18}。H(Z) = log k饱和时,SSA 仍可随屏障加深继续增长。w ∈ {3, 7.5}。w的概率至少99.8%。DA1与ψ相关∣r(ψ)∣ = 0.672。DA2与φ相关∣r(φ)∣ = 0.873。ψ、φ排序一致。α = 2时,SSA–MI Spearman 从0.877 ± 0.006降到0.741 ± 0.010。9. 最脆弱的假设
最脆弱的是:用于模拟 canonical diffusion 的 score 是否真的接近目标密度的 score。
原因:
∇log f被错误估计,模拟出来的就不是目标密度的 canonical diffusion。论文给出的证据:
但证据并不完全覆盖真实场景:
DA returns linear directions, so it cannot capture nonlinear mode geometry。因此,如果 score 不准或 feature space 不可见慢模式,SSA/DA 的结论会直接失去意义。
10. 一周最小复现
目标:只复现最核心结论:SSA 能把模式分离和弥散分开,DA 能找出模式分离方向。
资源假设:
1,100GPU-hours,超出单卡一周现实预算。步骤 1:选择合成任务
复现两个 2D 分布:
N(0,25I_2)(0,3)和(0,-3),协方差diag(25,1)这两个分布已有原文数值:
6.06vs5.141.022vs1.822步骤 2:实现 score
对高斯混合,score 可解析计算,不需要训练模型。
对单个高斯成分:
∇log N(x; μ, Σ) = −Σ^{-1}(x − μ)混合密度 score:
∇log f(x) = ∑_i w_i ∇N_i(x) / ∑_i w_i N_i(x)这里
w_i是成分权重。步骤 3:估计标量扩散系数
从样本估计:
x̄ = mean(X)Cov = cov(X)σ_f^2 = tr(Cov) / d对 2D 数据,
d = 2。步骤 4:模拟 canonical diffusion
用 Euler–Maruyama:
X_{t+Δt} = X_t + 1/2 σ_f^2 ∇log f(X_t) Δt + σ_f √Δt ZZ ∼ N(0, I_2)建议参数:
N = 200条轨迹Δt = 0.01T = 2000到20000步,按计算时间调整步骤 5:计算 SSA
对每个 lag
τ:Ĉ(τ) = 1 / [N(T+1−τ)] ∑_{n,t} (X_t^{(n)} − x̄)(X_{t+τ}^{(n)} − x̄)^Tρ̂(τ) = tr Ĉ(τ) / tr Ĉ(0)积分:
Ŝ = Δt ∑_{ℓ=1}^{L_max} ρ̂(ℓΔt)^2停止:
ρ̂(τ)^2 ≤ 1/N的 lag。预期:
Ŝ接近1。Ŝ明显大于各向同性高斯。步骤 6:计算 DA
选择较大 lag,例如接近停止规则边界。
计算:
Ĉ_sym(τ) = 1/2 [Ĉ(τ) + Ĉ(τ)^T]v_1预期:
v_1应接近y轴,即连接两个模式中心的方向。PC1应接近x轴,因为x轴方差更大。步骤 7:加两个控制实验
Δt和Δt/2。N条轨迹重采样,重算Ŝ。可选扩展:10D 随机 GMM
如果 2D 复现顺利,可复现论文随机扫描:
d = 101到80.5到30.5到0.95指标:
0.890。这个规模在 24GB 单卡或 CPU 上通常可行。
11. 反例设计
要推翻本文核心主张,可以设计一个“屏障存在但 SSA/DA 失效”的实验。
11.1 核心主张
本文主张:
λ_+(τ)能区分慢模式和噪声。11.2 反例实验:matched-variance barrier test
构造两组高维密度:
N,避免噪声地板误判。已知 ground truth:
I(X;Z)应显著高于组 A,因为组 A 没有成分标签可辨。11.3 判据
如果本文核心主张成立,预期:
S_B > S_ADA1_B对齐两个模式中心连线DA1_B的投影通过单峰性检验λ_1_B显著高于λ_+(τ)如果反例成功,即推翻核心主张,判据可以是:
S_B − S_A ≤ 2 × SES_B ≤ S_ADA1_B与真实模式连线夹角很大,例如超过45°DA1_B投影无法拒绝单峰λ_1_B不高于λ_+(τ),说明已知慢模式被噪声地板吞没11.4 更针对 SDXL 结论的反例
针对“SSA 峰值在中间 guidance scale 表示模式分离”:
如果中间 guidance 的 SSA 峰值:
那么“SSA 捕捉了 entropy 和 PCA 看不到的模式分离”这一主张会被显著削弱。
12. 落地判断
12.1 普通用户
普通用户目前基本用不上。
原因:
普通用户可能间接受益:
距离可用还差:
12.2 应用开发者
应用开发者可以在已有 diffusion model 上尝试集成。
适用场景:
需要掌握的数据规模:
N = 200条轨迹。T = 2000步。N × T。14 × 4 = 56个 cell。1,100GPU-hours。工程集成难点:
Ĉ(τ),高维时内存和计算都大。成本量级:
24GPU-hours。1,100GPU-hours。最大坑:
1不一定就是多峰,因为 anisotropy 也会提高 SSA。12.3 研究团队
研究团队最容易使用这项成果。
可立即获得:
SSA。DA。λ_+(τ)。可进一步验证:
距离成熟工具还差:
最大坑: