中文

关于单调性的距离放大引理

机器学习 2025-12-16 v1 机器学习

摘要

我们展示了一个程序,给定对函数 f ⁣:{0,1}n{0,1}f\colon \{0,1\}^n\to\{0,1\} 的查询权限,可产生对函数 f ⁣:{0,1}n{0,1}f'\colon \{0,1\}^{n'}\to\{0,1\} 的查询权限,使得若 ff 为单调函数,则 ff' 为单调函数;若 ff 距离单调函数为 ε\varepsilon,则 ff' 距离单调函数为 Ω(1)\Omega(1)。此外,nn2O(1/ε)n' \leq n 2^{O(1/\varepsilon)},且每次对 ff' 的查询可通过 2O(1/ε)2^{O(1/\varepsilon)} 次对 ff 的查询来实现。我们的引理灵感来自 [Chen, Chen, Cui, Pires, Stockwell, arXiv:2511.04558] 的近期结果,他们指出对于所有 c>0c>0,存在 εc>0\varepsilon_c>0,使得区分单调函数与距离单调函数 εc\varepsilon_c 的函数的任何(甚至双侧、自适应)算法都需要 Ω(n1/2c)\Omega(n^{1/2-c}) 次查询。将我们的引理与他们的结果结合,得到类似结果,除了距离单调性为绝对常数 ε>0\varepsilon>0,下界为 Ω(n1/2o(1))\Omega(n^{1/2-o(1)}) 次查询。

关键词

引用

@article{arxiv.2512.13565,
  title  = {A Nonparametric Statistics Approach to Feature Selection in Deep Neural Networks with Theoretical Guarantees},
  author = {Junye Du and Zhenghao Li and Zhutong Gu and Long Feng},
  journal= {arXiv preprint arXiv:2512.13565},
  year   = {2025}
}

备注

64 pages