著者：量子位
フィールズ賞受賞者王虹は、NeurIPSにも投稿したことがある。
え？新しくフィールズ賞を受賞した王虹も、AIに手を出したことがあるの？
NeurIPS 2026の発表が間近、ネットユーザーが王虹教授がNeurIPS 2019で論文を発表していたことを掘り起こした。
そして、名前だけの共同執筆ではなく、実質的な共同執筆です。
では、純粋数学分野のトップ数学者が、AIのトップ会議に論文を投稿する理由は何か？
読み進めると、我々の結論は、これが数学理論と機械学習の最良の例であるということです。
しかし興味深いことに、王虹の個人ページに掲載されている40本以上の論文とプレプリントのほとんどすべてに、完全なリンクが付記されています。
このみ、例外です。
王虹がAIに挑戦
この論文は、機械学習とデータ分析における基本的なタスクである低ランク行列近似を研究しています。
簡単に言えば、現実のデータは通常行列として整理されますが、これらの行列は非常に大きいため、直接保存および処理するコストは非常に高くなります。
低ランク近似とは、よりシンプルでランクが低い行列を用いて、元の行列を可能な限り正確に再現することです。
最近よく使われる近似アルゴリズムは、列サブセット選択（Column Subset Selection、CSS）です。
その考え方は非常に直感的です。
大量の列を含むデータ行列に対して、新たな低ランク行列を直接求めるのではなく、元の行列から代表的な数列を選び、それらが張る空間で全体の行列を近似する。
CSSで選択された列は元のデータから直接取得されるため、通常の行列分解によって得られる抽象ベクトルよりも解釈が容易であり、ストレージと計算コストを削減できるため、大規模データの処理に適しています。
以前の研究では、一般的な低ランク近似に対して、CSSアルゴリズムの近似比の上界は約O(k+1)であることが示されています。
ここでkは目的行列のランクを表し、kが大きくなるほど、理論的に許容される最悪の誤差も大きくなります。
王虹らの研究は、この境界をさらに前進させた。
· 1≤p≤2 の場合、近似比は (k+1)^(1/p) です；
· p≥2 の場合、近似比は (k+1)^(1−1/p) です。
これまでの統一された O(k+1) の結果と比較して、この境界ははるかに厳密であり、アルゴリズムは厳格に制限され、最悪の場合でも最適解にわずかに劣るだけである。
また、p≥2 の場合、論文は対応する下界を構成し、その結果が定数 1 以内で正確であることを証明している。
言い換えれば、この論文はほぼ上限の理論的解答を示している。
しかし、この論文の中で最も重要で、王虹の数学的背景を最もよく示している部分は、調和解析から導かれた古典的なツールであるリース・ソーリン補間定理を用いたことである。
通常、すべての p 値に対してアルゴリズムが成り立つことを証明するには、異なる p ごとに複雑な分析を展開する必要があります。
p=1、p=2、p=∞などの特定のエンドポイントの場合、処理が比較的容易です。
続いて、リース＝ソリン補間定理を用いることで、これらの端点結果を踏まえ、すべての中间の p 値に対して結論を「補間」できる。
具体的には、論文はまず p=1、2、∞ の3つの特殊ケースを証明し、その後、補間理論を用いて全体の近似境界を導出する。
実際、このツールは解析と作用素理論において古典的な手法であるが、当時の理論計算機科学者たちが最もよく使用していた技術ではなかった。
NeurIPS 当年の審査員もこの点に注目しました。
査読者たちは、この論文の最も重要な技術的革新が、コンピュータ科学分野にリース–ソリン定理を導入した点であると最終的に認めた。最終的なメタレビューでは、この論文は非常に堅実な議論を展開していると評価された。
今日から見ると、この論文は非常に典型的な学際的な事例を提供しており、機械学習の課題は純粋数学の中で突破口を見出せる可能性がある。
NeurIPS 2026の結果が間もなく発表されます
時間を現在に戻すと、NeurIPSの査読メカニズムが明確に調整されています。
NeurIPS 2026では、著者が投稿時に、論文の位置づけに最も適した5つの貢献タイプのうち1つを選択する必要があります：General、Theory、Use-Inspired、Concept & Feasibility、Negative Results。
毫无疑问，王虹2019年的这篇论文属于Theory类型。
NeurIPS 2026の最新査読ガイドラインに従い、理論論文ではまず数学的厳密性と正しさが評価されます。証明、補題、および全体のロジックが成立していれば、実験が欠けていても理論論文が無視されることはありません。
同時にNeurIPS 2026は、理論的貢献は独立して成立しうることを明確に示しており、新しいアルゴリズムを設計する目的は、最新のアプリケーションモデルや最大データセット上のSOTAを上回ることではない。
そしてこれは、王虹のこの論文の正確な説明です。
彼らは現代的なニューラルネットワークアーキテクチャを提案せず、パラメータ数が膨大なモデルを訓練せず、調和解析における補間定理を低ランク近似に導入して、近似アルゴリズムの限界問題を解決した。
2026年の評価フレームワークに適用しても、これは依然として非常に標準的なNeurIPS理論論文である。
これはまた、NeurIPSがニューラルネットワークモデルの発表の場に等しいわけではないことを示している。既存の手法に対する新たな理解や、新しい性質の発見、より厳密な理論的境界の構築も、価値のあるオリジナルな貢献に該当する。
数学とAIの境界は、想像されるほど明確ではない。
フィールズ賞受賞者がNeurIPSに論文を投稿できる。数学の言語は、AIにその真の通解を見出させることが可能である。
参照リンク：
[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
Twitter：https://twitter.com/BitpushNewsCN
比推 TG 交流群：https://t.me/BitPushCommunity
比推のTGサブスクライブ： https://t.me/bitpush