跳转至

Tensor network representations of discrete maximum entropy distributions via mean polytopes

作者: Alex Goessmann, Martin Eigel
主题: 统计计算 / 算法
相关性: 7/10
链接: https://arxiv.org/abs/2609.07184

一、领域脉络与小综述

  • 这个方向是什么：本文属于"统计计算"与"表示理论"的交叉地带。它要解决的根本问题是：如何用张量网络（tensor network）这一计算结构，来紧凑地表示离散最大熵分布（maximum entropy distributions）。最大熵分布是统计物理、信息论与机器学习中的基础对象，其经典形式（指数族）在均值参数位于均值多面体（mean polytope）内部时成立；但当均值参数落在多面体边界（faces）上时，分布的支持集发生退化，经典指数族表示失效。本文试图用张量网络的几何与代数结构，统一刻画这两种情形。该方向当前成熟度较低——张量网络在量子物理与高维数值计算中已成熟，但将其作为"概率分布的表示语言"并系统连接多面体几何，属于较新的尝试。

  • 发展脉络（history）：

  • 奠基工作：最大熵原理与指数族的对偶关系是经典结果，本文引用 Barndorff-Nielsen (1978) 与 Brown (1987) 作为指数族理论的基石；Wainwright and Jordan (2008) 的专著则系统建立了"均值参数化—多面体—变分推断"的现代框架，其中 Lemma 6 的证明直接引自该书 Theorem 3.3。这是本文的直接理论地基。
  • 主要进展：Csiszar and Matus (2005) 与 Malagò and Pistone (2010) 研究了指数族的闭包（closure），指出边界上的分布不再是简单的指数族成员，而是某种退化或极限情形。Straszak and Vishnoy (2017, 2019) 则从计算复杂性角度研究了最大熵问题的数值稳定性，特别是边界附近的病态行为。这些工作共同留下一个口子：边界上的最大熵分布长什么样？如何显式表示？
  • 张量网络脉络：从 White (1993) 的 DMRG 到 Oseledets (2011) 的 TT 格式，张量网络作为高维压缩表示工具已成熟；Hackbusch (2012) 提供了系统的数值张量代数框架。本文作者的前作 Goessmann et al. (2026) 建立了"张量网络作为神经符号 AI 表示语言"的形式体系，本文是这一体系在最大熵分布上的应用。

  • 当前 frontier 与本文位置：本文声称（作者原话）"CompActNets 架构可以统一指数族"，即把经典指数族（内部点）与边界退化分布（faces 上）纳入同一个张量网络表示框架。这是对 Csiszar-Matus 闭包理论的构造性补充——前人证明闭包存在，本文给出闭包中元素的显式张量网络表示。

  • 子线索聚类：

  • 指数族与多面体几何（Barndorff-Nielsen 1978; Brown 1987; Wainwright & Jordan 2008; Csiszar & Matus 2005; Malagò & Pistone 2010）：研究均值参数化、多面体 faces 与分布支持集的关系。本文的 Theorem 3 与 Theorem 4 属于此线索。
  • 张量网络表示与计算（White 1993; Oseledets 2011; Hackbusch 2012; Eigel et al. 2019, 2020）：研究张量网络格式的表示能力与数值算法。本文的 CompActNets 架构与 Theorem 1、Lemma 4 属于此线索。
  • 最大熵的计算与稳定性（Straszak & Vishnoy 2017, 2019; Darroch & Ratcliff 1972; Csiszar 1989）：研究最大熵问题的算法与数值行为。本文的"张量网络秩作为 faces 复杂度度量"的提议属于此线索的延伸。

  • 逻辑与概率的统一（De Raedt et al. 2008; Getoor & Taskar 2009; Sarker et al. 2022; Badreddine et al. 2022; Domingos 2025）：神经符号 AI 与统计关系学习。本文的 Boolean 统计案例（Theorem 7、Theorem 8）将命题公式与 0/1 多面体直接挂钩，属于此线索。

  • 这个方向在追问的核心问题：

  • 边界上的最大熵分布如何参数化？ 经典指数族只覆盖多面体内部；边界上的分布需要新的表示。本文的回答是：用"face 激活张量"（face-activating tensor）细化基测度（refined base measure），从而在同一个架构内统一内部与边界。
  • 张量网络的秩与多面体 faces 的复杂度之间是什么关系？ 本文提出用张量网络秩作为 faces 的复杂度度量（作者原话："suggests tensor network ranks as complexity measures for faces"），但未给出定量刻画——这是一个开放的猜想式提议。

  • 逻辑公式与概率模型如何通过多面体几何连接？ Theorem 7 将 0/1 多面体的顶点与命题公式的可满足性直接对应，但这只是案例研究，一般性的对应关系尚不清楚。

  • ⚠️ 作者的 framing（这是作者的说法）：作者把缺口 frame 成"最大熵分布的完整表示需要同时处理多面体内部与边界，而现有指数族理论只覆盖内部"。因此 CompActNets 作为"显然的下一步"——它用张量网络统一了两者。被淡化或回避的竞争路线包括：(a) 基于优化的直接求解（Straszak & Vishnoy 2017, 2019 的算法路线）——作者未讨论其与张量网络表示在计算效率上的对比；(b) toric 理想与代数统计（Sottile 2008 的路线）——作者引用但未深入，toric 方法同样处理边界退化，但用的是代数几何语言而非张量网络。什么明显该被引 / 该存在、却没出现在 intro 里？：(i) 关于指数族边界退化的统计推断理论（如 Drton 等人的代数统计工作）未被引用；(ii) 张量网络在概率图模型中的已有应用（如 Born machines、tensor network 概率估计）未被讨论；(iii) 最大熵分布的估计与推断（如对偶回归、信息投影）的统计效率问题完全缺席——本文是纯表示论视角，没有涉及任何估计问题。这些是值得研究者去查的缺口。

  • 张力：未见明显对立引用。但存在一个潜在张力：Csiszar and Matus (2005) 的闭包理论强调边界分布的"极限"性质（即它们是内部序列的极限，可能不唯一），而本文的 Theorem 4 声称对任意 face 上的均值参数，最大熵分布是唯一的（"the unique maximum entropy distribution is P_{t,θ,ν^{t,F}}"）。这两者如何协调？——唯一性在 face 内部成立，但在 face 的 face（更低维 faces）上是否仍成立？本文未讨论。这是一个值得研究者去查的细节。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据

  • 指标与变量：
  • \(d\)：变量个数；\(k \in [d] = \{0, \ldots, d-1\}\) 为变量索引。
  • \(X_k\)：第 \(k\) 个变量，取值于 \([m_k] = \{0, \ldots, m_k-1\}\)，\(m_k \in \mathbb{N}\) 为该变量的维度。
  • \(X_{[d]} = (X_0, \ldots, X_{d-1})\)：全部变量的联合索引；状态空间为 \(\times_{k \in [d]} [m_k]\)。
  • \(x_{[d]} = (x_0, \ldots, x_{d-1})\)：一个具体的状态。
  • 张量：
  • \(\tau_{X_{[d]}}\)：一个 \(d\) 阶张量，映射状态 \(x_{[d]}\) 到实数 \(\tau_{X_{[d]} = x_{[d]}}\)。
  • \(\epsilon_{x_{[d]}}\)：one-hot 张量，仅在 \(x_{[d]}\) 处为 1，其余为 0。
  • 张量网络：由超图 \(G = (V, E)\) 定义，节点 \(v \in V\) 对应变量 \(X_v\)（维度 \(m_v\)），超边 \(e \in E\) 对应张量 \(\tau_e\)，其索引为 \(e\) 所含节点的变量。网络收缩（contract）后得到整体张量 \(\tau_G\)。
  • 概率对象：
  • \(\nu_{X_{[d]}}\)：基测度（base measure），非负且非零的张量，\(\langle \nu \rangle_{[\emptyset]} = \sum_{x_{[d]}} \nu_{X_{[d]} = x_{[d]}}\) 为归一化常数。
  • \(\Lambda_\nu\)：所有与 \(\nu\) 有相同支持集（support）的概率分布张量 \(P_{X_{[d]}}\) 的集合，即 \(P_{X_{[d]} = x_{[d]}} > 0 \iff \nu_{X_{[d]} = x_{[d]}} > 0\)。
  • \(H_\nu(P) = -\langle P, \ln(P/\nu) \rangle_{[\emptyset]}\)：相对熵（负的），注意这里用的是相对于基测度的熵。
  • 统计量与参数：
  • \(t: \times_{k \in [d]} [m_k] \to \mathbb{R}^p\)：充分统计量（sufficient statistic），\(p\) 维向量值函数。
  • \(t_\ell\)：\(t\) 的第 \(\ell\) 个坐标，\(\ell \in [p] = \{0, \ldots, p-1\}\)。
  • \(\sigma^t_{X_{[d]}, L}\)：选择编码张量（selection encoding），\(\sigma^t_{X_{[d]} = x_{[d]}, L = \ell} = t_\ell(x_{[d]})\)。
  • \(\mu_{[L]} \in \mathbb{R}^p\)：均值参数（mean parameter），是目标约束，即要求 \(E_P[t(X_{[d]})] = \mu\)。
  • \(\theta_{[L]} \in \mathbb{R}^p\)：典范参数（canonical parameter），指数族的自然参数。
  • 可观测数据：本文是纯表示论，没有数据、没有样本。唯一的"输入"是 \((t, \mu, \nu)\) 三元组：统计量、目标均值、基测度。研究者实际能观测到的是 \(\nu\) 和 \(t\)（由模型设定给出），\(\mu\) 是待匹配的约束。没有"想要但观测不到"的因果量——本文不涉及反事实或潜在结果，所有量都是模型内部的代数对象。

第二步：最小内核

剥掉所有一般性设定后，本文的核心数学问题可以归结为如下最小情形：

最小问题：设 \(X_0, X_1\) 为两个二元变量（\(m_0 = m_1 = 2\)），基测度 \(\nu\) 为均匀分布（所有状态权重为 1）。取统计量 \(t(X_0, X_1) = (X_0, X_1, X_0 \wedge X_1)\)（即 \(p=3\)，包含两个边缘和一个交互项）。给定目标均值 \(\mu = (\mu_0, \mu_1, \mu_{01})\)，求最大熵分布 \(P^*\)，使得 \(E_{P^*}[X_0] = \mu_0\)，\(E_{P^*}[X_1] = \mu_1\)，\(E_{P^*}[X_0 \wedge X_1] = \mu_{01}\)。

  • 当 \(\mu\) 在多面体内部（例如 \(\mu = (0.5, 0.5, 0.25)\)）：经典指数族给出 \(P^*(x_0, x_1) \propto \exp(\theta_0 x_0 + \theta_1 x_1 + \theta_{01} x_0 x_1)\)，其中 \(\theta\) 由矩匹配方程唯一确定。此时 \(P^*\) 有全支持（所有 4 个状态概率为正）。
  • 当 \(\mu\) 在多面体边界（例如 \(\mu = (0.5, 0.5, 0.5)\)，即要求 \(X_0 = X_1 = 1\) 的概率为 0.5，但 \(X_0\) 和 \(X_1\) 的边缘都是 0.5）：此时 \(P^*(0,0) = 0\)，\(P^*(1,1) = 0.5\)，\(P^*(0,1) = P^*(1,0) = 0.25\)。经典指数族无法表示这个分布——因为指数族的密度函数处处为正，无法产生零概率。但它是最大熵问题的合法解（在约束下熵最大）。

  • 本文的核心洞见：边界上的最大熵分布可以通过细化基测度（refined base measure）来表示。具体地，将 \(\nu\) 替换为 \(\nu^{t,F}\)，其中 \(F\) 是对应于 \(\mu\) 所在 face 的激活张量（activation tensor），它只在 face 对应的状态上取 1，其余取 0。然后在这个细化的基测度上，分布重新变成指数族形式：

    \[P^*(x_0, x_1) \propto \kappa^F_{Y_{[p]}} \cdot \exp\left(\sum_\ell \theta_\ell t_\ell(x_0, x_1)\right)\]
    其中 \(\kappa^F\) 是 face 激活张量，\(\theta\) 是新的典范参数。换句话说：边界上的最大熵分布 = 指数族 × face 指示函数。

  • 为什么这个内核是"最小"的：它包含了本文所有关键要素——(1) 均值多面体及其 faces 的几何；(2) 指数族与最大熵的对偶；(3) 基测度细化作为处理边界退化的机制；(4) 张量网络作为表示语言（即使在这个最小例子中，\(\kappa^F\) 也可以看作一个简单的张量网络）。一般情形（任意 \(d\)、任意 \(m_k\)、任意统计量 \(t\)）只是这个内核的"加壳"——多面体维度更高、faces 更复杂、张量网络结构更丰富，但核心逻辑不变。

三、这篇论文做了什么

三句话： 1. 研究了什么问题：离散最大熵分布在均值参数位于均值多面体边界时的表示问题——经典指数族只能覆盖多面体内部，边界上的分布需要新的表示框架。 2. 核心工具 / 方法：提出了 Computation-Activation Networks（CompActNets），一种张量网络架构，通过"基测度细化"（refined base measure）机制，将边界上的最大熵分布表示为"指数族 × face 激活张量"的形式，从而统一了内部与边界的表示。 3. 主要结论：任意均值参数（无论在多面体内部还是边界）对应的最大熵分布都可以用 CompActNet 表示；具体地，Theorem 4 给出了完整刻画——最大熵分布由均值参数所在的 face \(F\) 和对应的典范参数 \(\theta\) 唯一确定，且该分布在细化基测度 \(\nu^{t,F}\) 下属于指数族。

关键设定与假设：

  • 设定：有限离散状态空间 \(\times_{k \in [d]} [m_k]\)；基测度 \(\nu\) 非负非零；统计量 \(t\) 为任意函数（不要求线性或可分解）；目标均值 \(\mu\) 属于均值多面体 \(M_{t,\nu}\)。
  • 假设：
  • 基测度 \(\nu\) 的支持集非空（否则问题无意义）。
  • 统计量 \(t\) 的取值有限（因为状态空间有限，自动满足）。
  • 没有假设 \(t\) 的各个坐标独立或可分解——这是与经典指数族文献的一个重要区别，本文允许任意耦合的统计量。
  • 隐含假设：最大熵问题的解存在且唯一。对内部点由指数族理论保证；对边界点，本文的 Theorem 4 证明了唯一性（通过细化基测度后的指数族）。
  • 相比已有文献的放宽/强化：相比 Csiszar and Matus (2005) 的闭包理论（只证明边界分布是极限，不给出构造），本文强化为显式构造；相比 Straszak and Vishnoy (2017, 2019) 的数值方法（关注算法稳定性），本文不涉及算法，只关注表示存在性。相比经典指数族理论（Wainwright and Jordan 2008），本文放宽了"均值参数必须在多面体内部"的限制。

主要结果：

  • Theorem 1（表示定理）：对任意 face \(F\)，细化基测度 \(\nu^{t,F}\) 可以表示为基测度 \(\nu\) 与 face 激活张量 \(\kappa^F\) 的收缩（contraction），即 \(\nu^{t,F} = \langle \kappa^F, \nu \rangle\)。这个定理建立了"几何对象（face）"与"代数对象（张量网络）"之间的桥梁。
  • Theorem 2（指数族 = 初等 CompActNet）：任意指数族成员 \(P_{(t,\theta,\nu)}\) 都可以表示为激活张量为全 1 张量（即 \(\kappa = \bigotimes_{\ell \in [p]} I_{Y_\ell}\)）的 CompActNet。这是"CompActNets 统一指数族"这一声称的精确含义。
  • Theorem 3（内部点刻画）：当且仅当均值参数 \(\mu\) 在 \(M_{t,\nu}\) 的相对内部时，最大熵分布是经典指数族成员。这是对已知结果的重新表述，但用 CompActNet 语言给出。
  • Theorem 4（主定理，边界点刻画）：对任意均值参数 \(\mu \in M_{t,\nu}\)，设 \(F = F(\mu)\) 是 \(\mu\) 所在的唯一 face，则最大熵分布为 \(P_{(t,\theta,\nu^{t,F})}\)，其中 \(\theta = B_{t,\nu^{t,F}}(\mu)\) 是细化基测度下的典范参数。这是本文的核心贡献——它给出了边界上最大熵分布的完整、显式、唯一的表示。
  • Theorem 5（Boolean 情形）：对 Boolean 统计量，face 是 cube-like 的当且仅当它可以用初等张量（elementary tensor）激活。这给出了"哪些 face 可以用简单张量网络表示"的完整刻画。
  • Theorem 7（Boolean 顶点与可满足性）：Boolean 向量 \(v\) 是 \(M_{t,I}\) 的顶点当且仅当对应的合取式 \(f_v\) 可满足。这把多面体几何与命题逻辑的可满足性问题直接挂钩。
  • Theorem 8（任意 0/1 多面体的构造）：任意具有 Boolean 顶点的凸多面体都可以实现为某个 Boolean 统计量的均值多面体。这是构造性的——给出了从多面体到命题公式的显式转换。

证明路线与技术技巧：

  • 整体路线（Theorem 4 的证明逻辑）：
  • 几何预备：利用 Lemma 1 证明 face \(F\) 等于细化基测度 \(\nu^{t,F}\) 的均值多面体 \(M_{t,\nu^{t,F}}\)。这一步将几何问题转化为测度问题。
  • 支持集刻画：利用 Lemma 2 证明，若均值参数在 face \(F\) 上，则任何可行分布的支持集必然包含在 \(\nu^{t,F}\) 的支持集内。这一步是关键——它说明边界上的分布被迫在 face 对应的状态上才有质量。
  • 问题约化：由 Lemma 8，原最大熵问题 \(P_{t,\mu,\nu}\) 与细化问题 \(P_{t,\mu,\nu^{t,F}}\) 有相同的解集。这一步将边界问题约化为内部问题。
  • 指数族应用：由于 \(\mu\) 在 \(M_{t,\nu^{t,F}}\) 的相对内部（由 Lemma 1 和 face 的定义），Theorem 3 适用，解为指数族成员 \(P_{(t,\theta,\nu^{t,F})}\)。
  • 张量网络构造：最后，利用 Theorem 1 和 Theorem 2，将 \(P_{(t,\theta,\nu^{t,F})}\) 表示为 CompActNet——激活张量 \(\kappa^F\) 来自 face 的几何，指数核来自典范参数 \(\theta\)。
  • 关键技巧：
  • 基测度细化（refined base measure）：这是全文最核心的技巧。通过将基测度限制在 face 对应的状态上，把"边界退化"转化为"内部正则"，从而复用经典指数族理论。
  • face 激活张量（face-activating tensor）：将几何上的 face 编码为张量网络中的布尔张量。Theorem 5 给出了初等激活的充要条件（cube-like），这为判断"哪些 face 便宜、哪些贵"提供了标准。
  • CP 格式的秩界（Lemma 4）：给出了任意 face 的 CP 秩上界 \(\min(|F|, |N_{t,\nu}| - |F| + 1)\)，这是将"几何复杂度"转化为"计算复杂度"的第一步。
  • TT 格式的构造（Example 8）：通过 TT 格式构造了"汉明距离 face"的激活张量，展示了如何用低秩张量网络表示非初等 face。

真实例子与应用：

  • Example 7（非初等激活的实例）：统计量 \(t = (X_0 \wedge X_1, X_0 \Rightarrow X_1)\)。这个例子的均值多面体有 4 个顶点，其中 face \(\{(0,0), (1,1)\}\) 不是 cube-like，因此需要 CP 秩 2 的激活张量。作者给出了完整的最大熵分布表达式，展示了边界分布如何通过细化基测度获得。
  • Example 9（Ising 模型，2 节点）：统计量包含两个边缘和一个交互项。均值多面体有 4 个顶点，其中 3 个顶点构成的 face 是 cube-like 的（对应 Ising 模型的铁磁/反铁磁相），而 4 个顶点全体的 face 不是。这为统计物理中的相变提供了张量网络视角。
  • Example 10（码字多面体）：奇偶校验码的码字多面体。作者展示了如何用 TT 格式（秩 2）构造汉明距离 face 的激活张量，这直接联系到 LDPC 码的译码问题。
  • 这些例子的作用：它们不是真实数据应用，而是概念验证——展示 CompActNet 框架能覆盖哪些经典模型。对统计学家而言，这些例子说明该框架至少能统一 Ising 模型、奇偶校验码等经典对象，但没有涉及任何估计或推断问题。

🔎 结论是否比证明窄：

  • Theorem 4 的"唯一性"声称：定理声称最大熵分布是唯一的（"the unique maximum entropy distribution"），但证明依赖于细化基测度 \(\nu^{t,F}\) 下指数族的唯一性。然而，当 face \(F\) 本身有多个连通分量时，指数族可能不唯一（因为典范参数在不同分量上可以独立变化）。作者在证明中未讨论这一情形。这是一个证明比结论窄的地方——结论声称对所有 face 成立，但证明可能只对连通 face 成立。
  • Theorem 5 的"当且仅当"：定理声称 cube-like 等价于初等激活。但证明中"仅当"方向依赖于 Boolean 统计量的特殊结构（\(m_k = 2\)），对一般离散变量（\(m_k > 2\)）是否成立未讨论。这是结论比证明宽的地方——定理陈述为一般情形，但证明只覆盖 Boolean 情形。
  • "张量网络秩作为 faces 复杂度度量"：这是作者在摘要和引言中提出的观点，但全文没有给出任何定量结果——没有定义"复杂度"的严格含义，没有证明秩与 face 维度/顶点数之间的不等式。这是一个纯粹的猜想式提议，不是已证明的结论。
  • 无估计理论：全文是纯表示论，没有任何统计推断结果——没有估计量、没有收敛速度、没有置信区间。作者在 Outlook 中提到"从数据估计最大熵分布"是未来工作，但本文未涉及。

四、开放问题

  1. 张量网络秩与 face 复杂度的定量关系：作者提出"张量网络秩作为 faces 复杂度度量"（摘要原话），但未给出任何定量刻画。要证明什么：是否存在一个函数 \(f\)，使得对任意 face \(F\)，其最小 CP 秩（或 TT 秩）等于 \(f(\dim F, |F|, p)\)？或者反过来，是否存在 faces 族，其最小秩随维度指数增长？扎根点：Lemma 4 的秩上界 \(\min(|F|, |N_{t,\nu}| - |F| + 1)\) 是唯一的定量结果，但显然不是紧的——Example 7 中 face 有 2 个顶点，上界是 2，实际秩也是 2，但 Example 10 中 face 有 4 个顶点，上界是 4，实际秩是 2。紧秩的刻画是开放的。

  2. 非连通 faces 上的唯一性：Theorem 4 声称最大熵分布唯一，但证明依赖于指数族在细化基测度下的唯一性。当 face \(F\) 有多个连通分量时（例如 Example 9 中 Ising 模型的 3 顶点 face 是连通的，但 4 顶点 face 不是），典范参数是否唯一？如果不唯一，最大熵分布是否仍然唯一（因为熵最大化可能选择特定参数）？扎根点：Theorem 4 的证明中"for some backward map \(B_{t,\nu^{t,F}}\)"——"some"暗示可能不唯一，但定理结论说"unique"。这个矛盾需要澄清。

  3. 估计与推断：本文是纯表示论，没有涉及从数据估计最大熵分布的问题。作者在 Outlook 中提到"从数据估计最大熵分布"是未来工作。要做什么：给定 \(n\) 个 i.i.d. 样本，如何估计均值参数 \(\mu\) 并构造对应的 CompActNet？估计量的收敛速度如何？当 \(\mu\) 靠近多面体边界时，估计是否不稳定（类似 Straszak and Vishnoy 2017 的复杂性结果）？扎根点：Outlook 段落（"estimation of maximum entropy distributions from data"）。

  4. Boolean 情形的扩展：Theorem 5 和 Theorem 7 只覆盖 Boolean 统计量（\(m_k = 2\)）。对一般离散变量（\(m_k > 2\)），cube-like 的定义如何推广？初等激活的充要条件是否仍然成立？扎根点：Theorem 5 的证明中"Boolean"假设是关键——"Since \(t\) is Boolean, the image of \(\sigma^t\) is a subset of \(\{0,1\}^p\)"。

  5. 逻辑与概率的深层联系：Theorem 8 表明任意 0/1 多面体都可以实现为 Boolean 统计量的均值多面体。这意味着命题逻辑的任意公式集都对应一个多面体。反过来，给定一个多面体，能否找到"最小"的公式集？这与 DNF/CNF 复杂度有何关系？扎根点：Theorem 8 的构造性证明——它给出了从多面体到公式的显式转换，但没有讨论最小性。

给研究者的提醒：要确认上述开放问题是否是真 gap，建议去读以下近期文献的 intro：(i) 代数统计方向（Drton, Sturmfels, Sullivant 等人的工作）——看他们是否已经处理了边界退化的估计问题；(ii) 张量网络概率模型（如 Born machines、tensor network MCMC）——看是否已有类似 CompActNet 的架构；(iii) Straszak and Vishnoy 的后续工作——看他们是否已经解决了边界附近的估计稳定性。如果这些方向的近期论文（近 5 年）都没有指向你感兴趣的 gap，那它大概率是值得做的。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论