myWiki/concepts/mapping-theorem.md

title, created, updated, type, tags, sources

title	created	updated	type	tags	sources
Mapping Theorem: 参数空间的低维映射存在性定理	2026-06-25	2026-06-25	concept	theorem manifold-learning mapping-networks existence-proof	sen-mapping-networks

Mapping Theorem (映射定理)

Mapping Theorem 是 sen-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 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