由于微信公众号开始试行乱序推送，为了让您在第一时间获取AI新文，请将"AI新文"设为星标。
IACS：通过图间学习进行归纳属性社区搜索
原标题：IACS + : Inductive Attributed Community Search via Learning across Graphs
作者：Ao Liu；Shuheng Fang；Guoren Wang
期刊：The VLDB Journal
出版时间：2026/07/01
摘要：属性社区搜索（ACS）旨在在给定查询节点和查询属性的查询下，在具有属性的图中识别出既满足结构凝聚性又满足属性同质性的子图。此前，算法方法通过两阶段范式处理ACS，这遭受结构刚性和属性不相关性的问题。为了克服这些限制，最近提出了一些基于学习的方法，以一种一阶段范式同时学习结构和属性。然而，这些方法训练了一种推断模型，该模型假设用于对未见查询进行推理的图与用于训练的图是相同的。这限制了这些方法对不同异构图的泛化和适应。在本文中，我们提出了一种新的框架，基于归纳学习的归因社区搜索，IACS+，它可以推断出不同社区和图的新查询。具体来说，IACS+采用编码器-解码器神经网络架构一次处理一个ACS任务，其中每个任务包含一个只有少量查询及其相应真实值的图。我们设计了一个三阶段工作流，‘训练，适应，推理及精炼’，该流程学习一个共享模型来吸收和诱导关于不同任务中ACS的有效共同知识。共享模型可以快速适应一个新的任务，该任务只需要少量的真实标签。我们在8个真实世界的数据集上进行了大量的实验以验证IACS+的有效性。我们的方法IACS+在ACS任务的F1分数上实现了平均绝对改进29.96%
原文链接
时变图的最小生成树查询
原标题：On querying minimum spanning tree in temporal graphs
作者：Yuanhang Yu；Dong Wen；Xuemin Lin
期刊：The VLDB Journal
出版时间：2026/07/01
摘要：最小生成树(MST)问题是具有广泛应用的基本图问题。然而，大多数现有的关于MST的研究集中在没有时间标注的图上。本文研究了在时间图背景下生成最小生成树的问题。给定一个无向加权时变图，在时间窗口内计算该图的最小生成树(MST)。为了克服在线算法的低效性，我们提出几种具有可证明复杂度界限的索引基查询算法。实证实验表明，所提出的方法在真实数据集上显著优于基线在线算法。值得注意的是，Γ_b指数，在平衡查询效率和空间使用方面，比在线算法平均快57×，而在大型数据集上仅比原始图多占用2.82×的空间。总体而言，所提出的指数在理论和经验上都表现出色。
原文链接
后验概念瓶颈模型的忠实性研究
原标题：On the Faithfulness of Post-Hoc Concept Bottleneck Models
作者：Qiang Huang；Yanhao Wang；Jun Yu
期刊：The VLDB Journal
出版时间：2026/06/19
摘要：人类的决策过程通过高层次的概念来诠释世界，例如通过腹部的颜色识别鸟类。为了弥合不透明的深度学习表示与人类理解之间的差距，事后概念瓶颈模型（post-hoc CBMs）使用辅助数据集或视觉-语言模型将潜在特征投影到可解释的概念空间中。然而，依赖目标任务准确性作为事后CBM成功的首要衡量标准掩盖了所学概念是否在语义上具有意义或者仅仅是预测的产物。例如，随机概念投影可以实现具有竞争力的准确性，尽管在语义上毫无意义。在这项工作中，我们直接分析了学习到的投影，并识别出两种失败情况：首先，对于从辅助数据中学习到的概念投影，协变量偏移可能导致目标任务中的概念表示不准确。特别地，我们提供了由于这种偏移所引入的误差的上界。其次，由视觉-语言模型生成的替代概念标签中的系统性标签噪声导致不忠实的投影。在形式化了这些失效模式之后，我们引入了一些新的度量标准，这些度量标准将概念忠实度与预测准确性分离。我们的实证结果通过真实世界和合成基准测试确认，这些指标识别了标准基于准确率的评估未能检测到的不忠实行为。
原文链接
基于特征流形的递归贝叶斯估计(RBE-Flow)用于跨模态配准
原标题：RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration
作者：Kyriakos Psarakis；George Christodoulou；Asterios Katsifodimos
期刊：The VLDB Journal
出版时间：2026/06/19
摘要：跨模式图像配准对于多传感器感知是必不可少的，但由于严重的非线性辐射差异和几何变形，这一过程仍然存在根本性的挑战。现有的确定性匹配方法缺乏不确定性意识，在处理由此产生的高度非凸优化景观时困难重重，并且经常在模糊区域累积误差。在本文中，我们提出了一种新的框架RBE-Flow，该框架将密集跨模态流估计重新表述为学习特征流形上的闭环递归贝叶斯估计问题。偏离标准前馈回归,RBE-Flow 通过将特征度量非线性优化与概率状态更新深度耦合建立了一个稳健的自我校正机制。具体而言，一个循环流形优化（RMO）块迭代生成流观测及其相关不确定性，然后通过使用确定性sigma点投影的不确定性自适应概率更新（UAPU）将其最优融合到先验状态中。关键在于，由此得到的校准后的后验协方差被反馈回来自适应地调节后续优化步骤中的阻尼，使系统能够根据预测置信度调整其收敛性。为了保证稳定的概率训练，我们引入了一种混合监督方案，该方案具有结构上防止方差塌陷的几何感知修正NLL损失。在具有挑战性的OS数据集WHU-OPT-SAR和RoadScene基准测试上进行的大量实验表明，RBE-Flow始终达到最先进的性能，在严格的亚像素标准下尤其显著优于现有方法。项目页面: https://github.com/NEU-Liuxuecong/RBE-Flow
原文链接
UniPR-3D：基于视觉几何锚定变换器的通用视觉位置识别
原标题：UniPR-3D: Towards Universal Visual Place Recognition with Visual Geometry Grounded Transformer
作者：Luyu Qiu；Yuming Xu；Qing Li
期刊：The VLDB Journal
出版时间：2026/06/09
摘要：视觉地方识别（VPR）传统上被表述为单一图像检索任务。使用多个视图提供了明显的优势，然而这一设置仍然相对较少被探索，并且现有方法常常难以在多样的环境中泛化。在这项工作中我们介绍了UniPR-3D，第一个有效整合多视图信息的VPR架构。UniPR-3D 建立在能够编码多视图 3D 表示的 VGGT 主干网络之上，我们通过设计特征聚合器并对该网络进行微调来适应位置识别任务。为了构建我们的描述符，我们联合利用了VGGT产生的3D token和中间的2D token。根据它们各自的特点，我们设计了专门用于二维和三维特征的聚合模块，使我们的描述子能够捕获细粒度的纹理线索，同时还能跨视角进行推理。为了进一步增强泛化能力，我们融合了单帧和多帧聚合方案，并采用了一种可变长度序列检索策略。我们的实验表明，UniPR-3D 设立了新的技术标准，在单视图和多视图基准上均表现出色，并突显了基于几何形状的标记在视觉位置识别中的有效性。我们的代码和模型将在Github https://github.com/dtc111111/UniPR-3D 上公开发布。
原文链接
CardOOD：稳健的查询驱动基数估计在外分布下
原标题：CardOOD: robust query-driven cardinality estimation under out-of-distribution
作者：Rui Li；Kangfei Zhao；Guoren Wang
期刊：The VLDB Journal
出版时间：2026/05/20
摘要：基于查询的学习估计器是传统估计器在查询优化中的准确、灵活且轻量级的替代方案。然而，现有的查询驱动方法在处理分布外（OOD）问题时存在困难，在这种情况下，测试工作负载分布不同于训练工作负载，导致性能显著下降。在本文中，我们介绍了CardOOD，一个模块化学习框架，旨在构建稳健的查询驱动基数估计器，能够抵抗OOD问题。我们的框架侧重于离线训练算法，这些算法从静态工作负载开发一次性模型，适用于模型初始化和周期性重新训练。在InCardOOD中，我们系统地适应了流行的迁移学习和鲁棒性学习技术，分为三类：表示学习、数据操作和新的学习策略，并将其实例化用于训练基数估计器。超越转移现有技术，我们提出了一种新颖的学习算法OrderEmb，专门针对基数估计的特定属性。该算法属于学习策略类别，利用了谓词包含诱导的查询基数的部分序约束。我们对OrderEmb进行了理论分析，证明了它通过最大化互信息来提升表示质量的能力。全面的实验研究表明，CardOOD算法在不同程度上缓解了OOD问题的有效性。我们将CardOOD进一步集成到PostgreSQL中，展示了其在端到端查询优化中的实际效用。
原文链接
具有约束偏好的top-k查询框架
原标题：A framework for top-k queries with constrained preferences
作者：Kyriakos Mouratidis；Nikolaos Chaloulakos；Bo Tang
期刊：The VLDB Journal
出版时间：2026/05/19
摘要：传统的基于排名的处理假设存在一个数据集，其中包含可供满足特定需求的选择（例如，餐馆，酒店等），并且用户通过top-k查询浏览该数据集，并使用线性评分函数，即根据给定权重的加权总和对选项进行排名。然而，在实际操作中，用户偏好（weights）可能只能在有限的精度范围内估计，或者由于人类用户无法用绝对准确性指定确切的权重值而本质上不够精确。由此我们定义了约束偏好top-k (CT) 查询。给定权重值的近似描述，CT报告所有可能属于top-k集合的选项。我们的CT算法假设数据集使用通用索引（例如，一个R-tree）进行索引，并提供高效的处理，无论是数据和索引都在内存中，还是在磁盘上。此外，我们更深入地探讨了CT用于顶级记录集的情况（即，k=1），称为CT1，并为此设计了一种专门的方法。我们的CT1算法提供节点访问最优性，即保证访问最少的索引节点。这转化为最优的I/O成本（在基于磁盘的情景下）以及显著的计算节省（这在基于磁盘和基于内存的情景中都相关）。
原文链接
在大型时间图中通过可扩展且可维护的索引高效查询连通组件
原标题：Efficiently querying connected components in large temporal graphs via scalable and maintainable indices
作者：Yuyang Xia；Haoxuan Xie；Dong Wen
期刊：The VLDB Journal
出版时间：2026/05/08
摘要：在许多现实世界的应用中，实体之间的关系可以建模为时序图，在这种图中，每条边都关联着一个时间戳，表示交互的时间。在网络科学中，连通组件（CC）查询作为一个基本问题受到了极大的研究关注。现有关于时态图中CC查询的工作找到了在时间间隔内的每个时间戳都相连的顶点集，或者通过边的时间戳递增的路径（即，time-respecting paths）相连的顶点集。然而，这些时间约束对于不需要遵守时间路径的应用程序来说过于严格了。在本文中，我们通过引入一种称为窗口-CC的新模型来放宽上述约束条件，该模型适用于给定时间窗口内的无向和有向时序图。我们首先提出在线算法来查询窗口-CC，并进一步开发高效可扩展的索引解决方案。此外，为了处理大型动态时间图上的查询，我们还设计了高效的算法来动态更新新边的索引。实证结果表明，在真实世界的大规模时序图（both undirected and directed）上，我们的解决方案实现了三重优势：1.我们最佳的基于索引的查询算法分别比两个在线算法快最多四个数量级和两个数量级。2.与基线索引相比，我们的优化索引在理论和实践中都占用更少的空间。3.实验还证明了我们的索引构建和更新算法具有很高的效率。
原文链接
考虑时间和费用的多工作者众包高效任务分配
原标题：Efficient Task Assignment for Multi-Workerset Crowdsourcing with Time and Expense Considerations
作者：Yunyi Xiao；Hiroyoshi Ito；Atsuyuki Morishima
期刊：The VLDB Journal
出版时间：2026/04/25
摘要：大规模高质量的结果众包，如在线调查和数据标注任务，需求广泛。现有的任务分配结果质量优化技术却仅解决了优化空间的一部分，并不一定反映现实世界的问题。例如，在实际情况中，任务分配的合适工人集合以及工人们提交的任务结果事先是不清楚的，这一点被现有技术所忽略。因此，本文讨论了一种任务分配算法，该算法动态探测适当的工作集（s）和工作提交模型来优化任务分配的质量、时间和费用。具体来说，我们引入了CrowdBwO（Crowd Bandit with Optimization），这是一种基于批量多臂赌博机和带有背包的多臂赌博机，并且结合了工人提交模型的新颖多臂赌博机算法。CrowdBwO 在不确定性下动态确定并利用适当的工作者集合(s)和提交模型来实现高性能的众包。我们通过合成工人和真实工人进行了广泛的实验来评估CrowdBwO在两个特定问题设置中的表现。我们的广泛实验结果表明，CrowdBwO 对现实世界的众包具有重要意义，并且性能很高。
原文链接
可编程数据流：数据共享的抽象和编程模型
原标题：Programmable Dataflows: Abstraction and Programming Model for Data Sharing
作者：Siyuan Xia；Chris Zhu；Raul Castro Fernez
期刊：The VLDB Journal
出版时间：2026/04/03
摘要：数据共享对于各种应用至关重要，例如欺诈检测、广告匹配以及改善患者护理。然而，每个数据共享的解决方案都是定制的且成本高昂，阻碍了价值创造。我们确定导致问题的原因是缺乏控制数据发布的抽象方法。例如，是否共享数据存在依赖于共享结果的约束，并且评估这些约束需要首先进行共享，导致陷入僵局。为了帮助人们构建各种数据共享应用程序的解决方案，我们提出了可编程数据流，它包含两个组件。第一个组件是一个抽象概念，即合同(contract)，代理方使用它来传达数据共享行为的意图并在数据流发生之前评估其后果。这有助于代理控制其数据的发布。第二个组件是一个合约编程模型(CPM)，它允许代理使用合约抽象来编写针对每个问题需求的数据共享应用程序。我们描述了如何在数据托管处部署这些应用程序以确保数据免受意外的数据泄露的影响。我们的评估表明1) 合同抽象允许表示广泛的数据共享问题，2) CPM 允许编写复杂数据共享问题的程序以及3) 定量上，我们对 CPM 的改进使共享程序运行高效。
原文链接
LEON+: 朝向稳健的ML辅助查询优化
原标题：LEON+: towards robust ML-aided query optimization
作者：Xu Chen；Ximu Zeng；Kai Zheng
期刊：The VLDB Journal
出版时间：2026/04/03
摘要：查询优化一直是数据库领域的一个基本而又具有挑战性的主题。随着机器学习(ML)的繁荣，一些最近的研究展示了基于强化学习(RL)的学习查询优化器的优势。然而，由于机器学习的基于数据的性质，它们存在根本性的局限性。受到机器学习特征和数据库成熟度的启发，我们提出LEON——一个用于ML辅助查询优化的框架。LEON通过利用ML和专家查询优化器中的基本知识来改进专家查询优化器，使其能够自我调整以适应特定部署。不同于之前的回归目标，我们提出了一对一排序目标，并训练了一个计划的排序模型为了帮助优化器逃离局部最小值并避免失败，提出了一种基于排名和不确定性的探索策略，该策略发现有价值的计划来辅助优化器。为了增强我们框架的鲁棒性和实用性，我们引入了LEON框架的一个高级版本，称为LEON+。通过动态调整优化空间，我们显著增强了框架对未知工作负载的鲁棒性，并大幅降低了探索相关的成本。我们将LEON+框架无缝集成到传统优化器中，实现了无扰动的自动化调优。广泛的实验提供了证据表明所提出的框架在端到端延迟性能、训练效率和稳定性方面优于最先进的方法。
原文链接
基于优先匹配的隐私保护空间关键词相似性前k查询(PTSSP)
原标题：PTSSP: privacy-preserving top-k spatial keyword similarity query with priority matching
作者：Shen Du；Xinrui Ge
期刊：The VLDB Journal
出版时间：2026/03/02
摘要：随着基于位置的服务的迅速发展，对海量空间文本数据的有效管理和利用越来越受到关注。由于本地用户的存储和计算能力有限，用户通常会对他们的空间文本数据库进行加密并外包给云。近年来，开发了用于加密空间文本数据库的隐私保护空间关键词查询方案，旨在从云中检索对用户感兴趣的加密空间对象。在本文中，我们提出了一种新颖的查询方法：具有优先匹配的隐私保护Top-k空间关键词相似性查询(PTSSP)，并给出了一个实用方案。我们的方案侧重于在给定范围内返回具有最大关键词权重且与查询关键词的相似度大于给定阈值的前k个空间对象。我们采用余弦相似度来衡量查询关键词与对象中包含的关键词之间的相似性。我们将关键词和关键词权重转化为向量。我们采用增强的非对称标量点积保持加密算法来加密向量，该算法可以在不泄露任何明文信息的情况下，在密文矩阵上执行内积运算以获得明文矩阵的操作结果。为了提高搜索效率，我们设计了一种基于树的安全索引结构来实现次线性搜索。我们通过详尽的安全分析展示了所提议方案对不可区分的已选明文攻击的抵抗能力。我们对所提出的方案以及典型方案进行了真实空间数据库上的实验，结果表明我们的方案优于这些方案。
原文链接
关于拓扑和时间：有效评估时序团子图查询
原标题：On topology and time: efficient evaluation for temporal-clique subgraph queries
作者：Kaijie Zhu；Di Chen；Nikolay Yakovets
期刊：The VLDB Journal
出版时间：2026/02/26
摘要：我们研究了时序团子图模式匹配，其中边必须同时形成特定的拓扑子结构并在指定的时间窗口内重叠。这个问题在包括社交网络、生命科学、智慧城市和电信在内的多个领域都有广泛的应用。然而，现有的子图匹配技术在处理结合了时间和结构约束的此类查询时效率低下。我们提出了一种新颖的方法，该方法有效地利用了查询的拓扑选择性和时间选择性，从而显著提高了处理性能。我们的解决方案在查询处理管道中引入了关键创新，包括一个专门的多路连接操作符，一个优化的查询计划器和一个准确的基数估计器。通过进一步的优化，我们进一步提升了我们方法的效率。大量的实验表明，我们的方法在性能上大幅超越了最先进的技术，同时只需要最小的额外存储开销。
原文链接
缺失值插补在表格式数据湖中释放：一种混合方法
原标题：Missing Value Imputation in Tabular Data Lakes Unleashed: A Hybrid Approach
作者：Feng Luo；Hai Lan；Xiaoli Wang
期刊：The VLDB Journal
出版时间：2026/01/19
摘要：表格数据湖中的缺失值会严重影响数据分析，并降低下游应用的性能。我们强调，一个稳健的填补策略应当充分考虑三个方面的多样性：填补值的来源，涉及的表格类型以及缺失值的数据类型。现有的插补方法依赖于基于估计的方法（使用一个在相同表格的数据上训练的模型来估算缺失值）或基于搜索的方法（从其他表格检索值）。不幸的是，这些方法都没有有效地结合所有三个方面的多样性。为了填补这一空白，我们提出了CESID，一个使用基于估计和搜索的方法组合来处理数据湖中缺失值填充的新型框架。CESID包含三个核心模块：(1) Contextual Search Module，该模块通过利用上下文信息高效地从表中发现候选值；(2) Acquisition-guided Estimation Module，该模块引入了一个影响函数和一种基于采样的探索策略以生成准确的估算值；(3) Classifier Module，该模块根据表格级和列级统计确定最合适的填充方法。在三个数据湖上进行的大量实验表明，CESID有效地解决了缺失值问题。
原文链接
基于雷达和声纳的混合前场侦察系统，用于英国勘探的熔化探头
原标题：A Radar and Sonar-Based Hybrid Forefield Reconnaissance System for Melting Probes for Englacial Exploration
作者：Chen Liang；Donghua Yang；Hongzhi Wang
期刊：The VLDB Journal
出版时间：2026/01/12
摘要：火星的极地区域以及土星的土卫二和木星的木卫二等被冰覆盖的卫星已经成为正在进行的和未来的太空任务的重要目标，这些任务的重点是研究太阳系内可能可居住的天体。这些任务的一个关键目标是探索位于卫星冰壳下的冰下水库，如木卫二。熔化探针的使用显示了实现这一目标的巨大希望。然而，除了能够通过冰体融化外，这种探测器还必须能够识别冰-水界面及其路径中的障碍物，如洞穴或陨石。为了解决这些挑战，我们提出了一种前场侦察系统（FRS），该系统采用混合传感方法，将雷达和声纳集成到熔化探针的尖端。此外，该系统包括原位介电常数传感器，以确保精确的雷达距离分配，并收集关于冰体的科学数据。该系统已集成到演示熔融探针中，并在地面模拟场景中进行了测试。在瑞士少女峰的测量证实了所开发系统的潜力。
原文链接
OmniSketch：具有任意谓语的多维更新流分析
原标题：OmniSketch: Multi-dimensional update stream analytics with arbitrary predicates
作者：Wieger R. Punter；Odysseas Papapetrou；Minos Garofalakis
期刊：The VLDB Journal
出版时间：2026/01/10
摘要：不同学科的一个关键需求是在快速变化的数据流上执行分析，类似于关系数据库中的传统OLAP分析——即具有聚合和选择谓词。然而，由于存储需求高以及存储大量数据所引入的延迟，存储无界流并不是一个现实的或期望的方法。相应地，已经提出了许多能够用小内存（通常足够小可以存储在RAM中）概括流的概要图，使得聚合查询可以被高效近似，而无需存储整个流。然而，过去的大纲主要集中在总结单一属性的数据流上，并不能高效地处理任意多个属性子集上的选择谓词和约束。在本文中，我们提出了OmniSketch，这是第一个能够处理快速且复杂的数据流（具有许多属性），并且支持在查询时间动态选择多个属性上的谓词计数聚合的草图。OmniSketch 支持包含插入和删除的流，在有界删除流模型下。OmniSketch 提供概率保证，有利的空间精度权衡，并且在更新和查询执行的最坏情况下的复杂度为对数级。我们通过真实数据和合成数据的实验表明，OmniSketch 超过了最先进的技术水平，并且可以在配置的精度保证范围内近似复杂的即席查询，同时具有较小的内存需求。
原文链接
基于秘密共享的可扩展决策树隐私保护训练框架(KOG)
原标题：KOG: A secret sharing-based scalable privacy-preserving training framework for decision trees
作者：Gang Cheng；Hanlin Zhang；Kun Hua
期刊：The VLDB Journal
出版时间：2026/01/07
摘要：隐私保护决策树训练使多方能够在保持各自数据保密的情况下联合训练决策树模型。Pivot [1] (VLDB’ 20) 是迄今为止最先进的通用且可扩展的 PDTT 协议，而近期的工作 Squirrel [2] (USENIX’ 23) 和 Ham-ada 等人[3] （PETS’ 23）在特定设置（[2] 集中于两方设置）或功能（[3] 集中于连续属性的分类树）下实现了更好的性能。Pivot 的一个关键限制是它依赖于纵向联邦学习，这要求单个方必须拥有特定特征的所有记录值。这一假设使得垂直联邦学习方法能够以明文计算评估函数。在本文中，我们提出了KOG，一种新颖的可扩展隐私保护决策树训练框架，使用纯安全多方计算（MPC），其中所有训练中的计算都在密钥共享下进行。KOG 具有适应性，可满足决策树的回归和分类目标，并能够处理连续和离散输入。值得注意的是，KOG的计算复杂度与其树的深度成正比。我们也扩展了我们的解决方案，并实现了随机森林(RF)和梯度提升决策树(GBDT)。除了支持非垂直决策树外，KOG（作为基于MPC的解决方案），在效率上也比基于联邦学习的Pivot高出10倍至100倍。
原文链接
寻找局部最密子图：带边密度与三角形密度的凸优化程序
原标题：Finding Locally Densest Subgraphs: Convex Programming with Edge and Triangle Density
作者：Yi Yang；Chenhao Ma；Xiaolin Han
期刊：The VLDB Journal
出版时间：2026/01/04
摘要：从图中找到最密子图（DS）是图数据管理和挖掘中的一个基本问题。DS揭示了紧密关联的实体，并已被发现可用于各种应用领域，例如电子商务、社会科学和生物学。然而，在包含数十亿条边的大图中，找到不止一个不一定是最密集的子图簇是可取的，因为每个密集的簇揭示了紧密相关的顶点。在本文中，我们研究了局部最密子图（LDS），这是一种最近提出的DS变体。LDS 是一个子图，在“局部邻居”中密度最大。给定一个图G，可以返回多个LDS，反映G的不同密集区域，从而提供比DS更多的信息。现有的LDS解决方案效率低下。因此我们开发了一种基于凸规划的解决方案，从而能够实现强大的剪枝。我们也扩展了我们的算法来处理基于三角形的密度，并解决了基于三角形密度的LDS（LTDS）问题。基于现有的和我们提出的算法，我们为LDS和LTDS问题提出了一个统一的框架。在十三个真实大型图数据集上的广泛实验表明，我们提出的算法比现有最佳方法快四个数量级。
原文链接
