20260706:新增一些文章

concepts/lipschitz-continuity.md

@@ -0,0 +1,45 @@
+---
+title: "Lipschitz Continuity: 利普希茨连续性"
+created: 2026-06-25
+updated: 2026-06-25
+type: concept
+tags: [mathematics, functional-analysis, stability, deep-learning-theory]
+sources: ["[[sen-mapping-networks]]"]
+---
+
+# Lipschitz Continuity (利普希茨连续性)
+
+Lipschitz Continuity 是函数分析中的基本概念：函数 f 满足 Lipschitz 条件，若存在常数 L ≥ 0 使得对所有 x₁, x₂：
+
+$$\|f(x_1) - f(x_2)\| \leq L \|x_1 - x_2\|$$
+
+L 称为 Lipschitz 常数，衡量 f 对输入变化的敏感度上限。
+
+## 在 Mapping Networks 中的角色
+
+[[mapping-theorem|Mapping Theorem]] 要求两个 Lipschitz 条件：
+
+1. **参数光滑性 (A1)**：θ → f_θ(x) 是 L_θ-Lipschitz → 参数小变化不导致输出大变化
+2. **损失 Lipschitz (A2)**：L(·, y) 是 L_ℓ-Lipschitz → 损失函数本身连续
+
+组合条件：|L(θ₁) − L(θ₂)| ≤ L_ℓ L_θ ‖θ₁ − θ₂‖，确保参数误差在损失函数上的放大有界。
+
+## Stability Loss 的直接体现
+
+[[mapping-loss|Mapping Loss]] 中的 Stability Loss 显式强制隐空间中的局部 Lipschitz 连续性：
+
+$$L_{\text{stab}} = \mathbb{E}_\epsilon\left[\|f(z+\epsilon) - f(z)\|^2\right]$$
+
+小扰动 ε ∼ N(0, σ²I) 不应导致输出大偏离。
+
+## 更广泛的 ML 应用
+
+- **对抗鲁棒性**：小输入扰动 → 小输出变化
+- **泛化理论**：Lipschitz 常数与泛化误差界相关
+- **谱归一化**：约束网络的 Lipschitz 常数
+
+## 参考
+
+- [[mapping-theorem]]
+- [[mapping-loss]]
+- [[weight-manifold-hypothesis]]