---
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