潜在结构块模型中的有界阶非可识别性:闭式纤维
Bounded-Order Non-Identifiability in Latent Structure Block Models: The Fiber in Closed Form
Sie Hendrata Dharmawan · Peter Chin
中文摘要
图核(graphon)由所有同态密度决定,但基于模体(motif)的方法只使用有限多个。本文在一个自然族中精确计算了这种截断的代价:位置位于K条射线上的潜在结构块模型,等价于秩为二的度修正块模型。对于给定的径向律,在所有顶点数少于2K-1的图上一致的配置构成一个一维纤维,我们给出了其闭式表达式及显式端点;友谊图(friendship graph) F_{K-1} 是其唯一的边最小分离器,因此没有固定的模体阶数适用于所有K。分离信号被抑制了至多 m_1^{2(K-1)} 倍,其中 m_1 是均方斜率,在 K=4 时约为 10^{-4}:从模体计数中检测它需要单个图中约 10^{15} 个节点,无论边密度如何。信息仍然在图中;纤维属于统计量,而非模型。常见的谱方法流程不计数模体,在普通密度下仍沿纤维滑动超过其长度的三分之一,置信区域几乎从不包含真值,而相同嵌入的基于模型的拟合则不会。我们为实践者提供了四项检查:拟合是否有风险、应改用什么方法、为什么置信区间不会警告、以及剩余模糊性有多宽。
关键要点
- 01问题:模体方法使用有限阶同态密度,截断导致潜在结构块模型出现一维非可识别纤维。
- 02方法:对K射线潜在结构块模型,给出纤维的闭式表达式,并证明友谊图F_{K-1}是唯一边最小分离器。
- 03结果:分离信号被抑制至多m_1^{2(K-1)}倍,K=4时约10^{-4},检测需约10^{15}节点。
- 04局限:谱方法流程沿纤维滑动超过三分之一长度,置信区域几乎不包含真值。
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:2611.23547v1 Announce Type: new Abstract: A graphon is determined by all of its homomorphism densities, but motif-based methods use finitely many. We compute exactly what that truncation costs in a natural family: latent structure block models whose positions lie on $K$ rays, equivalently degree-corrected block models of rank two. For a given radial law, the configurations that agree on every graph with fewer than $2K-1$ vertices form a one-dimensional fiber, which we give in closed form with explicit endpoints; the friendship graph $F_{K-1}$ is its unique edge-minimal separator, so no fixed motif order serves every $K$. The separating signal is suppressed by a factor of at most $m_1^{2(K-1)}$, where $m_1$ is the mean squared slope, about $10^{-4}$ at $K=4$: detecting it from motif counts would take about $10^{15}$ nodes in a single graph, at any edge density. The information is nonetheless in the graph; the fiber belongs to the statistic, not the model. Common spectral pipelines, which count no motifs, still slide along the fiber by more than a third of its length at ordinary densities, with confidence regions that almost never contain the truth, while model-based fits of the same embedding do not. We give practitioners four checks: whether a fit is at risk, what to run instead, why a confidence interval will not warn, and how wide the remaining ambiguity is.
1. 问题与价值
这篇论文解决的具体问题是:在“用有限阶 motif 计数来概括网络”的方法中,截断到底会丢掉多少信息。论文不是泛泛讨论图表示学习,而是在一个可精确计算的模型族里给出答案:latent structure block model,简称 LSBM,等价于 rank-two degree-corrected stochastic block model,简称 DCSBM。这个模型族的 latent positions 落在从原点出发的 K 条射线上,社区决定射线斜率,节点半径决定沿射线的位置。
论文的核心结论是:对于固定的径向分布
R,如果只统计顶点数少于2K−1的所有图,即只统计阶数不超过2K−2的 motif,那么存在一整个一维连续集合,称为 fiber,其中所有配置在这些 motif 密度上完全相同。只有达到2K−1个顶点的特定图,尤其是 friendship graphF_{K−1},才能区分 fiber 上的不同点。由于这个阈值随 K 增长,不存在一个固定 motif 阶数能适用于所有 K。为什么重要:motif counts、graphlet kernels、subgraph densities 长期被用作网络摘要;谱聚类管道也常被用来从网络估计社区比例、斜率、连接矩阵等参数。论文指出两类风险。第一,有限阶 motif 统计量本身有可精确刻画的盲区,不是“估计误差大一点”的问题,而是存在连续多解。第二,即使谱管道完全不数 motif,它们仍可能沿着同一个 fiber 滑动:估计很稳定,置信区间很窄,但参数落在错误位置。
受益者包括三类角色。研究团队可以获得一个可检验的非可识别性定理和闭式 fiber,用来判断自己的 motif 统计量是否足够。应用开发者可以把论文给出的四项检查嵌入网络分析工具,在输出社区比例或连接矩阵参数前判断是否处于高风险区域。普通用户如果依赖网络分析工具查看“社区大小”“节点重要性”“图结构摘要”,其收益是避免把统计噪声之外的系统性偏差误读成真实结构。
2. 已有工作的不足
在它之前,最接近的已有做法有几类。
O(1/√log k)。这说明低阶密度虽然理论上可以逼近,但条件很差。不足在于:它没有在一个自然模型族里给出精确 fiber,也没有给出最小 breaker motif 和信号抑制量级。π, Fπ, …, F^{K−1}π线性无关。这个条件排除了各块期望度数相等的情形。LSBM/DCSBM 的对称射线模型正好落在类似被排除的区域:wheel densities 只依赖径向分布,无法识别斜率方向。不足在于:它没有给出这一退化情形下 motif 截断的完整几何。3. 重建作者的思考路径
从旧方法出发,可以这样推演。
第一步,旧方法是数 motif。既然 graphon 被所有有限图密度决定,那么实际方法只数小图,例如三角形、4-cycle、5-cycle、6-vertex graphlets。一个自然问题是:少数高阶 motif,到底会混淆哪些模型?如果只是“高阶项小”,那可以估计误差;但如果存在连续多解,问题就更严重。
第二步,进入一个足够简单的模型族。LSBM/DCSBM 的对称射线结构让 edge probability 写成
x_u x_v(1+s_u s_v)。如果斜率分布关于 0 对称,奇数斜率矩为零;如果所有社区共享同一个径向分布R,半径部分会乘性分离。于是每个 motif 密度变成径向矩和斜率矩的多项式。此时 motif matching 不再是图论问题,而变成“哪些斜率分布共享若干阶矩”的问题。第三步,尝试用已知识别工具。SBM 文献中 wheel densities 能识别参数,但需要某些线性无关条件。对称共享径向律的模型可能让所有 wheel densities 只依赖
R,因此 wheel 路线撞墙。矛盾是:模型参数明明不同,motif 密度却可能完全一样。下一步必须放弃“找几个特殊 motif 就够了”的想法,转而刻画整个等价类。第四步,转向矩问题。给定
m_0,…,m_{K−2},可以构造 Hankel 矩阵。经典矩问题会给出 Jacobi 矩阵或三对角矩阵。此时可能出现一个关键分叉:如果数据只填到某个阶,矩矩阵的移位矩阵可能有一个自由角落。这个自由角落对应一个未匹配矩,例如m_{K−1}。沿着这个自由参数变化,所有低阶矩不变,但高阶矩变化。这就自然导向一维 fiber。第五步,检查 fiber 是否真的存在,而不是只是代数巧合。需要验证三点:不同自由参数是否给出不同配置;配置是否满足概率约束,例如权重为正、边概率在
[0,1];低阶 motif 是否真的全部匹配。这里会撞上 admissibility 端点问题:自由参数不能无限变化,否则斜率太大或权重变负。端点可能对应 Gauss–Radau 或 Gauss quadrature rules。第六步,问“哪个最小图能打破盲区”。既然 fiber 上的点匹配
m_0,…,m_{K−2},需要找一个 motif 能读到m_{K−1}。直觉上,图必须足够“深”,让某个顶点在偶子图中达到足够高的度数。于是 friendship graphF_{K−1}出现:多个三角形共享一个中心,中心在偶子图中可以有很高偶度数。若只按顶点数看,它刚好在2K−1个顶点;若按最大度数看,低阶图全部失明。这里会出现一个修正:阻碍不是图的大小,而是某个 combinatorial slope index。第七步,问“能不能检测这个差异”。虽然
m_{K−1}差异可能很大,但 friendship density 的差异被低阶矩的幂次抑制。若m_1较小,信号会被压到极小。于是需要外推样本量。这里会撞上现实矛盾:单图节点数需要大到不现实,而稀疏化不一定帮助,因为相对分离可能随尺度不变。第八步,问“信息是否真的不存在”。如果整个图分布能识别,那么问题不在 graph,而在 statistic。模型拟合若保留完整噪声几何,应能沿 fiber 定位。此时谱管道成为意外对象:它们不数 motif,却仍可能沿 fiber 滑动。为什么会这样?因为 ASE 嵌入本身一致,但“把每个节点压缩成一个方向、再聚类、再读参数”的 summary 引入了二阶偏差。这个偏差在 fiber 方向没有阻力,因此被放大成 O(1) 位移。
第九步,检查置信区间是否会报警。传统区间估计方差,假设渐近无偏。如果误差主要是 bias,且 bias 沿 fiber 滑动,区间会非常窄却完全错过真值。于是需要给出 practitioner checks,而不是只给理论。
与论文实际路径的差异:上述推演把 wheel 密度失败作为重要分叉,并把谱管道位移视为后续发现;论文文本显示其主线更直接:先从对称 LSBM 的矩多项式性质出发,把 motif matching 归约为截断矩问题,再给出闭式 fiber 和 breaker graph,随后用实验展示谱管道沿 fiber 位移。论文还明确把 fiber 归为“模型与统计量的组合”,而不是模型本身不可识别。
4. 核心 intuition
可以用“有限角度影子”来理解。
想象一个三维物体,但观察者只能看少数几个固定方向的影子。如果影子数量足够多,理论上可以重建物体;如果只看低阶影子,就可能出现一整个连续物体族,它们的影子完全相同。这个物体族就是 fiber。
对应到论文:
2K−2的图。F_{K−1}是一个特殊观察角度,刚好能看出 fiber 上的差异。m_1的幂次抑制,相当于这个特殊角度下的影子差异极小,肉眼几乎看不见。这个类比能对上机制,因为论文的核心不是“数据太少”,而是“统计量太粗”。同一个图分布包含足够信息,但有限阶 motif 统计量把多个配置压到同一个摘要上。
5. 方法 pipeline 举例
用一个具体输入走一遍流程。输入选择 K=4,对称斜率,共享 uniform radial law
R,并取论文 Table 1 中的 pair A 和 pair B。Θ_A和Θ_B。它们共享同一个径向分布R。原文给出:m_1 = 0.21744283m_2 = 0.05862892m_3 = 0.01632560m_3 = 0.02369236m_3相对差为 45.1%2K−2 = 6的 motif census。因为 K=4,所以统计所有顶点数不超过 6 的图。根据定理,这些图的 slope indexh(F)最多为K−2 = 2,只能看到m_1和m_2,看不到m_3。中间结果是:Cen_6(Θ_A) = Cen_6(Θ_B)2K−3 = 5的图密度也完全相同,无论顶点数多大F_3。它有2K−1 = 7个顶点,是 3 个三角形共享一个中心。它的 slope index 是 3,因此能读到m_3。中间结果是:t(F_3; Θ_A)与t(F_3; Θ_B)不同7.551×10^-7m_3相对差 45.1%,但被强抑制10^12–10^13个节点2×10^15个节点w_min = 0.0375,即少数社区占 3.75%。模拟C=0.3、n=32000的图,平均度数为n C^2 / 4 = 32000×0.3^2/4 = 720。θ坐标下距离真值 fiber 不超过 0.02,约为弧长的 1.9%6. 核心数学推导
先解释符号。
Θ = ((w_1,…,w_K),(s_1,…,s_K),R)是一个配置。w_i是社区权重,满足w_i > 0、∑_i w_i = 1,并且对称:w_i = w_{K+1−i}。s_i是社区斜率,满足s_i = −s_{K+1−i}。R是径向分布,在(0,C)上,矩为ρ_d = E_R[x^d]。Pr[c_u = i ∣ Θ] = w_i抽社区,再抽半径x_{1,u} ∼ R。L_u = x_{1,u}(1, s_{c_u})。W(u,v) = ⟨L_u,L_v⟩ = x_{1,u} x_{1,v}(1 + s_{c_u} s_{c_v})。t(F;Θ)是图 F 在配置 Θ 下的 homomorphism density。m_j = E[s^{2j}]是平方斜率的矩。由于对称,奇数斜率矩为零。核心公式是 motif density 的 factorization:
t(F;Θ) = ∏_{v∈V(F)} ρ_{deg_F(v)} · ∑_{S∈E(F)} ∏_{v∈V(F)} m_{deg_S(v)/2}这里
E(F)表示 F 的偶子图集合:S ⊆ E(F),且每个顶点在(V(F),S)中度数为偶数。推导分四步。
第一步,把 edge probability 代入 homomorphism density。每条边贡献一个
x_u x_v和一个(1+s_u s_v)。半径部分相乘时,每个顶点 v 被它的度数deg_F(v)次使用,所以半径期望分解为∏_v ρ_{deg_F(v)}。第二步,展开斜率部分。
∏_{uv∈E(F)}(1+s_u s_v)展开成对边子集 S 求和。一个 S 贡献∏_{uv∈S} s_u s_v = ∏_v s_v^{deg_S(v)}。第三步,利用对称斜率分布。若某个顶点在 S 中度数为奇数,则期望包含
E[s^{odd}] = 0,整项消失。只有所有顶点在 S 中度数为偶数时保留。对偶数度数deg_S(v)=2r,贡献m_r。于是得到上面的偶子图展开。第四步,定义 slope index:
h(F) = max_{S∈E(F)} max_{v∈V(F)} deg_S(v)/2它表示图 F 的密度多项式最高能读到哪个斜率矩。若两个配置共享
R且m_1,…,m_j相同,则所有h(F) ≤ j的图密度相同。若它们第一次在m_j上不同,则所有h(F)=j的图密度会按同一方向改变,因为展开系数非负,没有 cancellation。接下来把 slope index 和顶点数联系起来。如果
h(F) ≥ j,则存在一个顶点在某个偶子图 S 中度数至少2j。这个顶点必须有2j个不同邻居,再加上它自己,所以:∣V(F)∣ ≥ 2j + 1因此,如果
∣V(F)∣ ≤ 2K−2,就不可能有h(F) ≥ K−1。所以所有顶点数不超过2K−2的图只能看到m_1,…,m_{K−2},看不到m_{K−1}。friendship graph
F_{K−1}有2K−1个顶点,中心连接所有其他顶点,外围形成K−1个三角形。它有一个偶子图让中心度数达到2K−2,所以h(F_{K−1}) = K−1。因此它是能读到m_{K−1}的最小 breaker 之一。原文还给出它是2K−1个顶点上边数最少的 unique separator。关于信号抑制,原文 Proposition 5.1 的可辨认结论是:含
m_j的项会被m_1的幂次压低,F_j达到这个界。摘要和正文给出的数值结论是:K=4 时抑制因子约为10^-4。原文此处公式提取有损坏,精确指数不自行补全。再解释 fiber 的闭式构造。对 K=4,令:
J(ξ) = [[m_1, b_1], [b_1, ξ]]其中:
b_1^2 = m_2 − m_1^2J(ξ)的两个特征值为τ_1和τ_2,对应平方斜率。配置由θ = (τ_1, τ_2, α_1)表示,其中:α_1 = (τ_2 − m_1)/(τ_2 − τ_1)自由参数 ξ 改变时,
m_1和m_2不变,但m_3改变。admissible 端点为:ξ− = b_1^2 / m_1ξ+ = T − b_1^2 / (T − m_1)其中
T = min(1, C^{-2} − 1)。原文此处公式提取有损坏,但 K=4 的显式结构可读。对一般 K,原文用 Hankel 矩阵:
M_k = (m_{a+b−2})_{a,b≤k}通过 Cholesky 分解得到 Jacobi 系数,再构造三对角矩阵
J(ξ),其右下角是自由参数 ξ。不同 ξ 给出不同的m_{K−1},但m_0,…,m_{K−2}相同。原文 K 偶数时权重公式在提取文本中显示为损坏形式,无法辨认精确系数;这里不自行补全。一句话总结:核心公式在计算“一个 motif 最高能看到哪个斜率矩”,从而证明有限阶 motif census 会把一整个一维 fiber 压成同一个摘要。
7. 实验设计
实验分为理论验证、census 检测成本、谱管道位移、model-based fits 对照四部分。
数据集不是真实网络,而是模拟图。模型族是 LSBM/DCSBM 对称射线模型。径向分布主要使用 uniform law on
(0,C)。平均度数由n C^2 / 4给出。实验覆盖 K=4、K=5、K=6 的定理与 census 成本;谱管道实验主要在 K=4,n 最大到 32000,C 取 0.75、0.5、0.3 等。基线包括:
指标包括:
t(F_3;Θ_A) − t(F_3;Θ_B)。n*。% of arc,即相对 fiber 参考弧长 1.0571 的误差。消融包括:
实验能否支撑结论:对定理部分,支撑较强,因为数学证明给出闭式 fiber、端点、breaker graph 和矩匹配机制。对 census 检测成本,支撑是外推式的,不是直接观测到
10^15节点;原文明确n*是 extrapolated。对谱管道位移,支撑来自大量模拟 cell,但主要限于 K=4、n≤32000、模拟图、一条 fiber。对 model-based fits 避免位移,支撑较强,但前提是给定 K 和射线族;当 K 或射线族错误时未测试。缺少的证据包括:真实网络实验、K 选择实验、非对称斜率实验、每射线不同径向律实验、更高阶 bias correction 是否消除位移、独立实现复现、非 uniform radial law 的广泛敏感性。
8. take-aways
2K−2的 motif census 不能识别 LSBM/DCSBM 对称射线模型中的一维 fiber。只有F_{K−1}这类2K−1顶点图才能打破盲区。成立条件是共享径向分布和反射对称斜率。m_3上相差 45.1%,但 friendship graph densityt(F_3)只差7.551×10^-7。原文外推:合并 200 个图需要约10^12–10^13节点,单图需要约2×10^15节点。这个结论适用于 motif-count detection,不适用于全图模型拟合。R。成立条件是图on 极限、order-normalized sum aggregation、mean readout,且不使用 spectral positional encodings。9. 最脆弱的假设
最脆弱的假设是“反射对称斜率 + 所有社区共享同一个径向分布
R”。这个假设承担了三件事。第一,奇数斜率矩为零,使 motif density 展开只保留偶子图。第二,径向矩完全乘性分离,使 motif matching 归约为斜率矩 matching。第三,截断矩问题的 Hankel/Jacobi 构造才能给出闭式 fiber 和端点。
如果共享径向分布不成立,例如每条射线有自己的尺度,
R不再能从所有密度中干净地 factor out,tree densities 或低阶 motif 可能不再只依赖一个共同径向律。此时论文给出的精确 fiber、端点、F_{K−1}的 unique edge-minimal separator 地位,以及 K=4 的显式公式,可能不再直接适用。如果反射对称不成立,奇数斜率矩可能不为零,偶子图展开会失效,motif 密度会看到更多方向。论文第 9 节讨论到共享径向律是 load-bearing,并说 fiber 在更大模型类中仍可能保留,但闭式不再成立。这个判断来自论文的结构分析,不是真实数据证据。
实验证据也有限。谱实验主要在 K=4、模拟图、n≤32000、一条 fiber 上。model-based fits 虽然准确,但被给定 K 和射线族。若真实数据中 K 选错,或网络不是射线结构,RayEM 和 Bayesian LSBM 是否仍可靠,没有实验证据。
因此,一旦“共享径向分布 + 对称射线”这个前提在目标网络中明显不成立,论文的闭式 fiber 和 practitioner thresholds 就不能直接搬用。结论会退化为:低阶统计量仍可能有盲区,但盲区形状、大小和检测成本需要重新计算。
10. 一周最小复现
目标是在 1 张 24GB 消费级显卡和 1 周内复现最核心结论:低阶 motif census 存在 fiber,而谱 summary pipeline 会沿 fiber 位移,model-based fit 可以避免。
Day 1:实现 K=4 模型和 fiber 构造。
m_1 = 0.21744283、m_2 = 0.05862892。b_1^2 = m_2 − m_1^2。m_3 = 0.01632560,对 pair B 使用m_3 = 0.02369236。m_3。Cen_6相同:不需要枚举所有 6-vertex graphs,可先验证所有h(F) ≤ 2的图;再单独计算t(F_3)。t(F_3)差异约为7.551×10^-7。Day 2:实现 motif 计数。
8000×0.75^2/4 = 1125。F_3homomorphism counts,避免 float32 精度不足。t(F_3)估计,并做两样本 z-statistic。10^12–10^13节点合并 200 图。这里只复现“差异极小”,不复现显著检测。Day 3:实现 ASE 和 P1-cluster。
w_min = 0.0375。8000×0.5^2/4 = 500。8000×500/2 = 2000000。x_2/x_1,小半径过滤,对绝对斜率做 2-means,读出τ_1,τ_2,α_1。Day 4:实现 intrinsic fiber coordinates。
θ = (τ_1, τ_2, α_1)表示配置。Day 5:实现 RayEM 或简化 model-based fit。
r_i(1, ±s)。Day 6:检验置信区间是否沉默。
Day 7:检验 ambiguity width。
m_1、m_2估计,构造 K=4 fiber。最小成功判据:
Cen_6相同,但t(F_3)不同。11. 反例设计
设计一个直接攻击核心定理的实验。
对象:K=4,pair A 和 pair B,来自 Table 1。它们共享
R,匹配m_1和m_2,但m_3不同。任务:检验“顶点数不超过 6 的 motif census 完全相同”以及“
F_3是 7 顶点上边数最少的 unique separator”。步骤:
∣V(F)∣ ≤ 6。t(F;Θ_A)和t(F;Θ_B)。∣V(F)∣ = 7且边数少于F_3的边数。F_3边数为3×(4−1)=9。t(F;Θ_A)和t(F;Θ_B)。F_3不同构的 9-edge graph 也能区分 pair A 和 pair B。判据:
∣V(F)∣ ≤ 6的图,使t(F;Θ_A) ≠ t(F;Θ_B),则“Cen_6不能区分 fiber”的核心定理被推翻。F_3是 unique edge-minimal separator”被推翻。这个反例不依赖模拟噪声,因为定理是 population density 层面的。若精确计算发现非零差异,论文关于 bounded-order motif census 的核心主张直接崩塌。
12. 落地判断
普通用户:目前不能直接使用。论文不是现成软件,也不是真实网络上的即插即用估计器。普通用户能拿到的是认知层面的收益:如果一个网络分析工具只依赖小 motif 计数或谱聚类后直接报社区比例,那么它可能在某些 latent block 结构中给出非常稳定但系统偏错的参数。普通用户无法自行验证是否处于风险区,除非工具内置检查。
应用开发者:可以部分落地。最直接的集成方式是实现论文的四项检查。第一,检查拟合是否处于 displacement regime:看 mean degree、fitted minority weight、少数社区在 steep ray 还是 shallow ray。原文给出的阈值是:在 mean degree 2000 及以上,displacement 可低于 5%;当少数社区在 steep ray 时,fitted weight 至少 0.095 才在 mean degree 1125 下安全,至少 0.37 在 mean degree 720 下安全,至少 0.42 在 mean degree 500 下安全。第二,若处于风险区,不要只报 motif counts 或 summary spectral parameters,改跑保留 embedding 噪声几何的模型拟合。第三,不要依赖 bootstrap 或 jackknife 95% interval 报警,因为误差是 bias。第四,报告 fiber ambiguity width,而不是只报告点估计。
研究团队:可以较快使用定理和实验设计。可带走的研究问题包括:如何自动选择 K;如何在不知道射线族时做 model selection;如何把 fiber width 变成可计算的 uncertainty quantification;如何设计能高效读取
m_{K−1}的 motif estimator;如何在非对称、非共享径向律、稀疏图、动态图中扩展。论文给出的 K=4 闭式 fiber 是强基线,适合用来测试新 estimator 是否真的突破 bounded-order 盲区。距离可用还差几步:
2×10^15节点,这在真实网络中几乎不可用。谱位移实验最大 n=32000,真实网络是否同样表现未验证。成本量级:如果只做核心复现,一个熟悉概率图模型和谱聚类的开发者用 1 周、单张 24GB 消费级显卡是可行的。如果做完整论文实验,需要多核 CPU 或多 GPU 集群,以及大量 motif 计数和 MCMC 链。最大坑是误把“估计稳定”当成“参数正确”。P1-cluster 的 replicate spread 可以很小,但点估计沿 fiber 位移 31.4% of arc;bootstrap 95% region 可以很窄,但原文给出它在 17 of 18 个组中错过真值。