20260706:新增一些文章

concepts/mapping-theorem.md

@@ -0,0 +1,49 @@
+---
+title: "Mapping Theorem: 参数空间的低维映射存在性定理"
+created: 2026-06-25
+updated: 2026-06-25
+type: concept
+tags: [theorem, manifold-learning, mapping-networks, existence-proof]
+sources: ["[[sen-mapping-networks]]"]
+---
+
+# Mapping Theorem (映射定理)
+
+Mapping Theorem 是 [[sen-mapping-networks|Mapping Networks]] 的理论基石，证明了**从低维隐空间到高维参数空间的光滑映射的存在性**，且该映射可在损失函数上任意逼近最优参数。
+
+## 前提条件
+
+1. **A1: 参数光滑性** — θ → f_θ(x) 是 L_θ-Lipschitz 的（对每个 x）
+2. **A2: 损失 Lipschitz** — L(·, y) 是 L_ℓ-Lipschitz 的
+3. **A3: 局部可逼近性** — M_θ 是 C² 流形，有界曲率
+4. **Weight-Manifold Hypothesis** — θ* 位于 C² 嵌入流形 M_θ ⊂ R^P 上
+
+## 定理陈述
+
+对任意 ε > 0（满足 ε ≤ L_ℓ L_θ r），存在：
+- δ > 0
+- d ≥ d*（其中 d* = dim(M_θ)）
+- C² 映射 g: R^d → R^P
+- 隐向量 z* ∈ R^d
+
+使得：
+
+$$\|g(z^*) - \theta^*\| \leq \delta, \quad |L(g(z^*)) - L(\theta^*)| \leq \varepsilon$$
+
+## 证明概要
+
+1. 由 Weight-Manifold Hypothesis，∃ C² 微分同胚 φ: U → V ⊂ M_θ，φ(0) = θ*
+2. 构造全局映射 g(u) = ψ(u)φ(u) + (1 − ψ(u))θ*（smooth bump function 拼接）
+3. 由连续性，选 z* ∈ B(0, η) ∩ U，满足 ‖g(z*) − θ*‖ < δ
+4. 由 Lipschitz 条件：|L(g(z*)) − L(θ*)| ≤ L_ℓ L_θ · δ = ε
+
+## 实际意义
+
+该定理提供了**架构设计的正确性保证**：如果映射网络架构满足定理条件（如 [[solvability-theorem|Solvability Theorem]] 所示），则理论上存在隐向量可生成与完整训练等效的参数。
+
+## 参考
+
+- [[weight-manifold-hypothesis]]
+- [[solvability-theorem]]
+- [[mapping-loss]]
+- Sen & Mukherjee, "Mapping Networks", arXiv:2602.19134, Section 2.1