中文

重构直线上点的阈值

机器学习 2026-04-13 v1 人工智能 统计理论 机器学习 统计理论

摘要

对于集合VRV \subseteq \mathbb{R}中的nn个点,设G(V,p)G(V, p)为其中每个可能边独立以概率pp存在的随机图。我们称子集UVU \subseteq V为可重构(reconstructible),若每一个保持G(V,p)G(V, p)边沿距离的注入映射φ:VR\varphi: V \to \mathbb{R}也保持UU中所有两两距离。最大可重构子集大小R\mathsf{R}是多少?Girão等人提出猜想:当p=(1+ε)/np = (1+\varepsilon)/n时,R\mathsf{R}在几乎 surely 的情况下为线性。本文中,我们证明:对于每一个ε>0\varepsilon>0,几乎 surely 存在可重构子集UU包含在2-core的最大连通分量C\mathcal{C}中,满足U=V(C)(1o(1))|U| = |V(\mathcal{C})|(1-o(1)),从而证实了猜想的更强形式。该界是渐近最佳的,因为当VRV \subseteq \mathbb{R}相对于Q\mathbb{Q}线性无关时,容易验证Rmax(2,V(C))\mathsf{R} \leq \max(2, |V(\mathcal{C})|)。此外,我们将这些结果推广到满足ε=ω(1/lnn)\varepsilon = \omega(1/\ln n)的所有ε:=ε(n)\varepsilon := \varepsilon(n)

关键词

引用

@article{arxiv.2604.09175,
  title  = {Generalization and Scaling Laws for Mixture-of-Experts Transformers},
  author = {Mansour Zoubeirou a Mayaki},
  journal= {arXiv preprint arXiv:2604.09175},
  year   = {2026}
}