科技量子位·鹭羽··AI 生成
菲尔兹奖得主王虹，也发过NeurIPS
新晋菲尔兹奖得主王虹在2019年曾以共同一作身份在NeurIPS上发表一篇关于低秩矩阵近似的论文。该工作利用调和分析中的Riesz–Thorin插值定理，将列子集选择算法的近似比从O(k+1)收紧到更精确的理论界，是纯数学工具解决机器学习理论问题的典范案例。文章借此例讨论了NeurIPS 2026审稿机制对理论贡献类型的认可，以及数学与AI之间并不清晰的边界。适合对理论计算机科学、数学与AI交叉领域感兴趣的读者，以及关注顶级学术会议评审机制演变的人。原文 ↗原文 ↗
核心观点
- ▍菲尔兹奖得主王虹在NeurIPS 2019发表过一篇低秩矩阵近似理论论文，是纯数学工具解决机器学习理论问题的典型案例，也说明NeurIPS并非只接受神经网络模型，理论贡献同样受到认可。
- 01王虹为2019年NeurIPS论文的共同一作，论文研究的是低秩矩阵近似中的列子集选择算法。
- 02此前CSS算法的近似比上界为O(k+1)，王虹等人的工作将其收紧：当1≤p≤2时，近似比为(k+1)^(1/p)；当p≥2时，为(k+1)^(1−1/p)，且p≥2时结果精确到常数1。
- 03论文的核心技术创新是引入调和分析中的Riesz–Thorin插值定理，这一在算子理论中经典的工具，在当时理论计算机学界并不常用。
- 04NeurIPS 2019审稿人及Meta Review认可该论文的主要创新在于引入Riesz–Thorin定理，并评价其为论证扎实的论文。
- 05NeurIPS 2026要求作者选择五种贡献类型之一，其中Theory类型考察数学严谨性和正确性，明确理论贡献可以独立成立，并可从其他学科引入新工具。
- 06在王虹个人主页近40多篇论文中，这篇NeurIPS论文是唯一没有附上链接的。
反方 / 局限
- — 文中未提及该工作的具体局限性或后续改进，但变相暗示了其纯理论性质，可能缺乏实际应用场景的验证。
前置背景
平行视角
未来推演
延伸追问