BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
Trang chủ
AI AI
Tin nhanh
Bài viết
Sự kiện
BlockBeats Pro
Thêm
Thông tin tài chính
Chuyên đề
Hệ sinh thái chuỗi khối
Mục nhập
Podcast
Data
OPRR
Partnered With:

Người đoạt giải Fields mới, Wang Hong, cũng từng bước sang lĩnh vực AI?

Đọc bài viết này mất 10 phút
Một nhà toán học hàng đầu trong lĩnh vực toán học thuần túy, tại sao lại có thể đăng bài báo tại hội nghị hàng đầu về AI?
Tiêu đề gốc: "Người đoạt giải Fields Vương Hồng, cũng từng đăng bài trên NeurIPS"
Nguồn gốc: Lượng Tử Vị


Hử? Tân tiến giải Fields Vương Hồng, cũng từng vượt lĩnh vực làm AI?



NeurIPS 2026 sắp công bố điểm, có netizen phát hiện, giáo sư Vương Hồng từng đăng một bài NeurIPS 2019.


Hơn nữa không phải là đồng tác giả danh dự, mà là đồng tác giả chính thực sự.



Vậy vấn đề đặt ra là, một nhà toán học hàng đầu trong lĩnh vực toán học thuần túy, tại sao lại đăng bài trên hội nghị hàng đầu về AI?


Đọc qua, kết luận của chúng tôi là, đây là một ví dụ điển hình về lý thuyết toán học + học máy.


Tuy nhiên, thú vị là, trong hơn 40 bài báo và bản thảo trước in được liệt kê trên trang cá nhân của Vương Hồng, hầu hết đều có link đầy đủ.


Riêng bài này, là một ngoại lệ.



Vương Hồng vượt lĩnh vực thách thức AI


Bài báo này nghiên cứu một nhiệm vụ cơ bản trong học máy và phân tích dữ liệu: xấp xỉ ma trận hạng thấp.


Nói đơn giản, dữ liệu trong thực tế thường có thể được tổ chức thành một ma trận, nhưng các ma trận này thường rất lớn, chi phí lưu trữ và xử lý trực tiếp rất cao.


Xấp xỉ hạng thấp là sử dụng một ma trận có cấu trúc đơn giản hơn và hạng thấp hơn, để tái tạo lại ma trận gốc một cách chính xác nhất có thể.


Thuật toán xấp xỉ thường dùng gần đây là chọn tập con cột (Column Subset Selection, CSS).



Ý tưởng của nó thực ra rất trực quan.


Khi đối mặt với một ma trận dữ liệu chứa nhiều cột, thay vì trực tiếp tìm ra một ma trận hạng thấp hoàn toàn mới, ta chọn ra một số cột đại diện từ ma trận gốc, sau đó dùng không gian do chúng tạo ra để xấp xỉ toàn bộ ma trận.


Vì các cột được chọn bởi CSS trực tiếp đến từ dữ liệu gốc, nên chúng dễ giải thích hơn so với các vector trừu tượng thu được từ phân rã ma trận thông thường, đồng thời cũng giảm chi phí lưu trữ và tính toán, phù hợp để xử lý dữ liệu quy mô lớn.


Các nghiên cứu trước đây đã chứng minh rằng, đối với các xấp xỉ hạng thấp thông thường, cận trên của tỷ lệ xấp xỉ trong thuật toán CSS xấp xỉ khoảng O(k+1).


Ở đây, k là hạng của ma trận mục tiêu, k càng lớn thì sai số tệ nhất cho phép về mặt lý thuyết càng lớn.



Công trình của Vương Hồng và các cộng sự đã đẩy cận này tiến xa hơn:


· Khi 1≤p≤2, tỷ lệ xấp xỉ là (k+1)^(1/p);


· Khi p≥2, tỷ lệ xấp xỉ là (k+1)^(1−1/p).


So với kết quả O(k+1) thống nhất trước đây, cận này rõ ràng chặt chẽ hơn, thuật toán có thể bị giới hạn nghiêm ngặt, và kết quả tệ nhất cũng chỉ kém hơn một chút so với giải pháp tối ưu.


Ngoài ra, đối với trường hợp p≥2, bài báo còn xây dựng cận dưới tương ứng, chứng minh kết quả của nó chính xác đến hằng số 1.


Nói cách khác, bài báo này đã đưa ra một câu trả lời lý thuyết gần như hoàn chỉnh.


Phần quan trọng nhất và thể hiện rõ nhất nền tảng toán học của Vương Hồng trong bài báo này là việc họ sử dụng công cụ kinh điển từ giải tích điều hòa, định lý nội suy Riesz–Thorin.


Thông thường, để chứng minh một thuật toán hoạt động với mọi giá trị p, cần phải tiến hành phân tích phức tạp riêng cho từng p khác nhau.


Đối với một số trường hợp điểm cuối, chẳng hạn như p=1, p=2 và p=∞, thì tương đối dễ xử lý hơn.


Sau đó, định lý nội suy Riesz–Thorin có thể sử dụng các kết quả điểm cuối này để "nội suy" kết luận ra tất cả các giá trị p ở giữa.


Cụ thể, bài báo trước tiên chứng minh ba trường hợp đặc biệt p=1, 2, ∞, sau đó thông qua lý thuyết nội suy để suy ra cận xấp xỉ trong toàn bộ phạm vi.


Thực tế, bộ công cụ này là phương pháp kinh điển trong giải tích điều hòa và lý thuyết toán tử, nhưng không phải là kỹ thuật thường được các nhà nghiên cứu khoa học máy tính lý thuyết sử dụng vào thời điểm đó.


Các nhà phản biện của NeurIPS năm đó cũng đã chú ý đến điểm này.


Cuối cùng, các nhà phản biện đã công nhận đổi mới kỹ thuật chính của bài báo này là đưa định lý Riesz–Thorin vào lĩnh vực máy tính, và Meta Review sau đó đã đánh giá đây là một bài báo có lập luận khá vững chắc.


Nhìn lại ngày nay, bài báo này thực sự cung cấp một ví dụ điển hình về nghiên cứu liên ngành, nơi những vấn đề khó trong học máy có thể tìm ra lời giải từ toán học thuần túy.


NeurIPS 2026 sắp công bố kết quả


Quay trở lại hiện tại, cơ chế phản biện của NeurIPS đang có một sự điều chỉnh rõ rệt.



NeurIPS 2026 yêu cầu tác giả khi gửi bài phải chọn một trong năm loại đóng góp phù hợp nhất với định hướng của bài báo: General, Theory, Use-Inspired, Concept & Feasibility và Negative Results.


Không nghi ngờ gì, bài báo năm 2019 của Wang Hong thuộc loại Theory.


Theo hướng dẫn phản biện mới nhất của NeurIPS 2026, các bài báo lý thuyết trước hết được đánh giá dựa trên tính chặt chẽ và chính xác về mặt toán học. Các chứng minh, bổ đề và logic tổng thể phải hợp lý, vì vậy bài báo lý thuyết không cần bị coi nhẹ vì thiếu thí nghiệm.


Đồng thời, NeurIPS 2026 chỉ rõ rằng đóng góp lý thuyết có thể tự lập, và mục đích thiết kế thuật toán mới không nhất thiết phải đánh bại các mô hình ứng dụng mới nhất hoặc SOTA trên các tập dữ liệu lớn nhất.



Về tính nguyên bản, cũng có thể giới thiệu các công cụ chứng minh mới từ các ngành khác, hoặc tổng hợp sáng tạo các công cụ hiện có.


Và điều này gần như là mô tả chính xác cho bài báo của Wang Hong.


Họ không đề xuất một kiến trúc mạng nơ-ron theo nghĩa ngày nay, cũng không huấn luyện các mô hình với số lượng tham số khổng lồ, mà đưa định lý nội suy từ giải tích điều hòa vào xấp xỉ hạng thấp để giải quyết vấn đề ranh giới của thuật toán xấp xỉ.


Trong khuôn khổ đánh giá năm 2026, nó vẫn là một bài báo lý thuyết NeurIPS rất chuẩn mực.


Nó cũng chứng minh ngược lại rằng NeurIPS không chỉ là buổi ra mắt mô hình mạng nơ-ron, mà việc đưa ra hiểu biết mới về các phương pháp hiện có, khám phá các tính chất mới, thiết lập các ranh giới lý thuyết chặt chẽ hơn cũng là những đóng góp nguyên bản có giá trị.


Còn ranh giới giữa toán học và AI, chưa bao giờ rõ ràng như tưởng tượng.


Người đoạt giải Fields có thể đăng bài trên NeurIPS, ngôn ngữ toán học cũng có thể tìm ra lời giải thực sự cho AI.


Liên kết tham khảo:
[1]https://proceedings.neurips.cc/paper_files/paper/2019/file/80a8155eb153025ea1d513d0b2c4b675-Paper.pdf
[2]https://neurips.cc/Conferences/2026/ReviewerGuidelines
[3]https://sites.google.com/view/hongwang/home
[4]http://xhslink.cn/o/8oQ3gm7qaxu


Liên kết bài viết gốc


Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia

Chọn thư viện
Thêm mới thư viện
Hủy
Hoàn thành
Thêm mới thư viện
Chỉ mình tôi có thể nhìn thấy
Công khai
Lưu
Báo lỗi/Báo cáo
Gửi