一般來說，字越少事情越大。

數(shù)學領域的研究成果因其高門檻很少能獲得廣泛的關注，而這一篇卻足足達到了 80 萬以上的瀏覽量。

這是一篇非常硬核的數(shù)學證明論文，來自華人學者 Yuansi Chen，解決了至今已有 36 年的 Talagrand 卷積猜想的數(shù)學問題，對于現(xiàn)代計算機科學，機器學習等相關領域有深遠的基礎意義。

Yuansi Chen，ETH D-MATH 統(tǒng)計研討會副教授，杜克大學統(tǒng)計科學系助理教授。在蘇黎世 ETH 的 ETH 數(shù)據(jù)科學基礎（ETH-FDS）擔任博士后研究員。2023 年獲得斯隆研究獎。他的研究方向聚焦于統(tǒng)計機器學習、MCMC 采樣算法、優(yōu)化方法、域適應性以及計算神經(jīng)科學中的統(tǒng)計挑戰(zhàn)。

• 論文標題：Talagrand's convolution conjecture up to loglog via perturbed reverse heat

• 論文鏈接：https://arxiv.org/abs/2511.19374

該論文證明了在布爾超立方體上的熱半群 (Pτ) 下，任何非負函數(shù) f:{?1,1} n→?+ 都表現(xiàn)出比馬爾可夫不等式更好的統(tǒng)一尾部界限。具體來說，對于任何 η>e3 和 τ>0 ，

其中 μ 表示布爾超立方體 {?1,1}? 上的均勻測度，而 c_τ 是僅依賴于 τ 的常數(shù)。該結果在無維度依賴的情形下解決了 Talagrand 的卷積猜想，只額外損失一個 log log η 因子。其證明依賴于布爾超立方體上反向熱過程的若干性質，并基于對該反向熱過程進行精心設計的擾動而構造出的耦合方法。

也就是說，除了額外的 log log 因子外，Talagrand 卷積猜想的主要問題已經(jīng)被解決。

Zhipeng Huang 也進行了轉發(fā)，他也在思考這一數(shù)學領域的進展對大語言模型訓練的潛在影響。

背景與問題

Talagrand 卷積猜想于 1989 年首次提出，代表了概率論和泛函分析領域最重要的開放問題之一。該猜想關注熱半群應用于布爾超立方體 {?1, 1}? 上的 L? 函數(shù)時的正則化性質。這種離散幾何結構在理論計算機科學、離散數(shù)學和統(tǒng)計物理中都至關重要。

熱半群 (P?) 充當一個「平滑」算子，通過與偏置硬幣測度進行卷積來定義。對于布爾超立方體上的函數(shù) f，P?f (x) 表示 f 在一個點的期望值，該點是通過以 (1?e??)/2 的概率獨立翻轉 x 的每個坐標而獲得的。雖然強大的超收縮性結果保證了對 p > 1 的 L? 函數(shù)的強正則化，但 L? 函數(shù)的行為仍然是個謎。

Talagrand 猜想預測，將此平滑算子應用于任何 L? 函數(shù)會顯著改善尾部衰減 —— 具體來說，即概率 P (Pτf (X) > η‖f‖?) 應以 1/(η√log η) 的速度衰減，并且在所有維度 n 和函數(shù) f 上都一致。這種與維度無關的性質將代表一種普遍的正則化效應，與問題的復雜性無關。在這項工作之前，尾部概率是否在 η → ∞ 時消失仍然是一個開放問題。

本文為 Talagrand 猜想建立了第一個與維度無關的上限，證明了：

定理 1：對于每個 τ > 0，存在一個通用常數(shù) c > 0，使得對于每個非負函數(shù) f: {?1, 1}? → R? 且 ‖f‖? ≠ 0，以及任何 η > e3，

此結果解決了 Talagrand 關于

是否在 η → ∞ 時消失的基本問題，提供了肯定的答案。雖然該界限比猜想的最優(yōu)速率 1/(η√log η) 多了一個 log log η 因子，但它代表了對平凡馬爾可夫界限 1/η 的巨大改進，并使猜想的完全解決指日可待。

方法：擾動反向熱過程

Yuansi Chen 的方法的技術核心在于通過他所謂的「擾動逆熱過程」構建了兩個馬爾可夫跳躍過程之間復雜的耦合。這種構建代表了離散隨機分析中一項重大的方法學進步。

該方法首先定義了前向和反向跳躍過程。前向過程 (U?) 始于定律 νf = f?μ，其坐標以 1/2 的速率獨立翻轉。反向過程 (V?) 是 U? 的時間反演，它變?yōu)闀r間非均勻的，其跳躍速率取決于一個「得分函數(shù)」S?(x) := (x???f (x))/f (x)。至關重要的是，這個得分函數(shù)充當了高斯設置中福爾默漂移的離散模擬，并保持了基本的鞅性質。

核心創(chuàng)新在于構建一個耦合 (V?, W?)，其中兩個過程共享相同的泊松隨機測度以實現(xiàn)最大相關性，但 W? 在其跳躍速率中引入了一個精心設計的擾動。與可以直接擾動漂移的連續(xù)設置不同，離散設置需要通過狀態(tài)依賴和坐標依賴的因子 δ?(x) 來擾動跳躍速率。這種擾動經(jīng)過校準，以確保 W? 保持在布爾超立方體上，同時實現(xiàn)所需的耦合性質。

技術上，證明結合了：

• 跳過程的鞅不等式

• 類 Duhamel 展式

• p - 偏置的 Fourier／Parseval 分析

• 對梯度／得分的精細控制

這些工具共同消除了此前方法中不可避免的維度依賴因素，使得在布爾超立方體上實現(xiàn)「無維度」控制成為可能。

在離散結構中：

• 噪聲是跳躍型而非連續(xù) Gaussian OU 流

• 對稱性較弱

• 稀有區(qū)域（rare regimes）中必須引入更強的擾動

• 分布在奇異點附近缺乏連續(xù)高斯半群的光滑調和結構

因此當前方法不可避免地留下一個 loglog η 的殘差損失。

從連續(xù)空間到離散空間的適應帶來了幾個根本性的挑戰(zhàn)，Yuansi Chen 通過創(chuàng)新技術解決了這些挑戰(zhàn)：

• 跳躍速率與漂移擾動：直接的漂移擾動會將過程移出 {-1, 1}?，因此需要開發(fā)跳躍速率擾動方法。這導致了更復雜的狀態(tài)依賴動力學，但保留了離散結構。

• L? 距離問題：在高斯空間中有效的標準 L? 界在布爾超立方體上變得有問題。耦合構建專門設計為避免依賴此類界，而是通過一種新穎的多階段方法利用總變差控制。

• 多階段杜阿梅爾公式：一項關鍵創(chuàng)新涉及在多個時間間隔而不是單個階段應用杜阿梅爾公式。這種多階段方法被證明對于通過有效利用 Pτ 隨時間的平滑性質來獲得無維度界限至關重要。

該證明建立了兩個關鍵的耦合性質：V? 和 W? 律之間的總變差控制（引理 2），以及一個近似單調耦合性質，確保 log Pτf (W?) 的大值以高概率對應于 log Pτf (V?) 的更大值（引理 3）。

總結

• 為布爾熱半群提供了幾乎最優(yōu)、無維度依賴的尾部正則化結果；

• 引入了一種全新的「反向過程耦合」技術，可應用于離散隨機系統(tǒng)；

• 提升了布爾函數(shù)反集中（anti-concentration）分析的工具箱；

• 在離散采樣、組合結構上的 score-based 生成模型等領域具有潛在外溢效應。

這項工作代表了離散隨機分析領域的一項里程碑式成就，成功地將復雜的連續(xù)空間技術與離散概率相結合。該界限的無維度性質對理論計算機科學具有直接影響，其中布爾超立方體在學習理論、復雜性理論和近似算法中作為基本結構。

也許最重要的是，這篇論文為徹底解決塔拉格朗猜想奠定了一條清晰的道路。剩余的 log log η 因子代表了未來研究的明確目標。作者指出，對耦合過程距離的更精細 L? 界或替代擾動設計可能會消除這個最終因子。

與機器學習中基于得分的生成模型的明確聯(lián)系表明了潛在的跨學科影響，其中來自離散得分函數(shù)和時間反演的見解可以為離散生成模型的理論基礎提供信息。

對于計算機科學家和 ML 研究員來說，這篇論文不僅僅是一個不等式的證明，它：

1. 升級了工具箱： 提供了處理高維離散空間概率分布的新工具。

2. 連接了生成模型： 其證明核心（反向熱流）與當前的 AI 熱點（擴散模型）在數(shù)學本質上相通。

3. 量化了正則化： 也就是為什么「平滑 / 加噪」總是能帶來「好」的分布性質。

該論文將一個數(shù)十年懸而未決的開放問題轉變?yōu)橐粋€擁有明確后續(xù)步驟的活躍領域，同時增進了對離散結構上正則化效應的基本理解。這項工作既是一個重要的解決方案，引導未來深入探索連續(xù)和離散隨機分析之間豐富的相互作用。

更多信息，請參閱原論文。

? THE END

文章來源：機器之心。