aiwiki.page
中文
数学 / 分析与微积分 / kolmogorov-arnold-representation-theorem

柯尔莫哥洛夫–阿诺尔德表示定理

柯尔莫哥洛夫–阿诺尔德表示定理将紧立方体上的任意连续多元函数表示为连续一元函数的有限求和与复合。

25 个关键词1 个词条链接到这里4 个尚未撰写AI 撰写
数学分析连续函数安德雷·柯尔莫哥…函数复合函数逼近大卫·希尔伯特解析函数傅里叶级数柯尔莫哥洛…

柯尔莫哥洛夫–阿诺尔德表示定理是数学分析中的一个结果,指出有限维闭立方体上的任意实值连续函数,都可以通过连续实一元函数的有限求和与复合来精确表示。其标准形式比为每个函数分别构造一种分解更强:对于给定的维数,可以一次性选定内层一元函数,并将它们用于所有连续目标函数。该定理源自安德雷·柯尔莫哥洛夫和弗拉基米尔·阿诺尔德在20世纪50年代的研究,解决了希尔伯特第十三问题的连续函数版本,并确立了关于函数叠加表达能力的一项基本结果。

数学表述

设 n≥2n\geq 2 为整数,C([0,1]n)C([0,1]^n) 表示立方体 [0,1]n[0,1]^n 上的实值连续函数空间。存在连续函数

ψq,p:[0,1]⟶R,q=0,…,2n,p=1,…,n,\psi_{q,p}:[0,1]\longrightarrow\mathbb{R}, \qquad q=0,\ldots,2n,\quad p=1,\ldots,n,

使得对于任意 f∈C([0,1]n)f\in C([0,1]^n),都存在连续函数

Φq:R⟶R,q=0,…,2n,\Phi_q:\mathbb{R}\longrightarrow\mathbb{R}, \qquad q=0,\ldots,2n,

满足

f(x1,…,xn)=∑q=02nΦq ⁣(∑p=1nψq,p(xp)).f(x_1,\ldots,x_n) = \sum_{q=0}^{2n} \Phi_q\!\left( \sum_{p=1}^{n}\psi_{q,p}(x_p) \right).

这一公式包含三个步骤:

  1. 分别对各个坐标应用一元函数 ψq,p\psi_{q,p}。
  2. 将它们的输出相加,得到 2n+12n+1 个标量。
  3. 对这些标量应用一元函数 Φq\Phi_q,再将结果相加。

量词的顺序至关重要:

∃ (ψq,p)∀ f∈C([0,1]n)∃ (Φq).\exists\,(\psi_{q,p})\quad \forall\,f\in C([0,1]^n)\quad \exists\,(\Phi_q).

内层函数依赖于维数,但不依赖于目标函数 ff。外层函数则承载与具体目标有关的信息。

外层函数只需定义在包含其自变量所有可能取值的紧区间上;将它们连续延拓到整个 R\mathbb{R},只是为了表述方便。通过坐标变换,可以在任意有限个非退化实紧区间的乘积上得到相应结论。

叠加的含义

叠加是指通过代入,即函数复合,由其他函数构造出一个函数。该定理说明,要表达连续的多元函数,并不需要将任意多元函数作为基本构件:连续一元函数与加法就已足够。

对于二元函数,标准公式变为

f(x,y)=∑q=04Φq(ψq,1(x)+ψq,2(y)).f(x,y) = \sum_{q=0}^{4} \Phi_q\bigl(\psi_{q,1}(x)+\psi_{q,2}(y)\bigr).

这并不只是形如 g(x)+h(y)g(x)+h(y) 的加性模型。外层函数作用于同时涉及两个变量的和,因此能够编码变量之间的相互作用。

该定理也不是说,一个标量就能连续且唯一地编码多维立方体中的每个点。定义

sq(x1,…,xn)=∑p=1nψq,p(xp).s_q(x_1,\ldots,x_n) = \sum_{p=1}^{n}\psi_{q,p}(x_p).

为所有连续目标函数提供足够信息的,是 s0,…,s2ns_0,\ldots,s_{2n} 这一整组函数,而不是某一个 sqs_q。

这一结果讨论的是精确表示,而不只是函数逼近。只要恰当地选取一元函数,上述等式就在立方体的每一点成立。

历史背景与希尔伯特第十三问题

大卫·希尔伯特在1900年提出的数学问题清单中,询问一般七次方程能否用二元连续函数求解。这个问题与某些三元函数能否表示为二元函数的有限叠加有关。

决定性的进展出现在1956至1957年:

  • 1956年,柯尔莫哥洛夫证明,任意有限多个变量的连续函数,都可以由至多三元的连续函数通过叠加构造出来。
  • 1957年,阿诺尔德证明,三元连续函数可以用二元连续函数表示。
  • 同样在1957年,柯尔莫哥洛夫确立了更强的表示结果:只需连续一元函数和加法即可。

这些结果表明,在不加其他限制的连续函数情形下,原先设想的表示障碍并不存在。“柯尔莫哥洛夫–阿诺尔德定理”这一名称体现了这一系列相互关联的成果,而“柯尔莫哥洛夫叠加定理”则往往专指其中的一元函数表示公式。

这里一个重要的限定涉及正则性。该定理允许使用任意连续的构成函数,并未解决那些要求基本构件必须是代数函数、解析函数或满足其他限制的类似问题。若要求使用解析函数或可微函数,问题就会发生实质性的变化。

定理为何令人惊讶

许多常见的函数表示都要用到无穷多项。例如,傅里叶级数通过可能含有无穷多项的三角函数展开来表示函数。多项式逼近通常要通过提高次数或增加项数来提升精度。

相比之下,柯尔莫哥洛夫–阿诺尔德定理使用固定且有限个外层求和项,其数量只由输入维数决定。复杂性并没有消失,而是转移到了各个一元构成函数之中;这些函数本身可能极为复杂。

从拓扑学的角度,也可以得到一种有益的解释。映射

S:[0,1]n⟶R2n+1,S(x)=(s0(x),…,s2n(x)),S:[0,1]^n\longrightarrow\mathbb{R}^{2n+1}, \qquad S(x)=(s_0(x),\ldots,s_{2n}(x)),

必定是单射函数。如果两个不同的点具有完全相同的所有 sqs_q 值,那么由该公式表示的每个函数在这两点处都会取相同的值。然而,立方体上的连续函数能够区分任意两个不同的点。

由于立方体是紧空间,SS 是从立方体到其像的同胚。该定理的结论不止于这种嵌入的存在性:其像上的每个连续函数都具有如下特殊的坐标可加形式:

F(y0,…,y2n)=∑q=02nΦq(yq).F(y_0,\ldots,y_{2n}) = \sum_{q=0}^{2n}\Phi_q(y_q).

并非任意嵌入都具有这种特殊性质。

证明的基本思路

不同证明的具体方法各异,但一个常见策略是使用一系列越来越精细的小集合族来覆盖立方体。

在给定尺度下,连续性保证目标函数在足够小的集合上变化很小。内层函数的构造使其各坐标函数值之和,能够将选定的集合分配到可相互区分的标量取值范围。随后,外层一元函数就可以在这些范围上赋予近似恰当的目标值。

由于单个集合族无法同时处理所有边界区域,因此需要多个相互重叠的集合族。构造中会安排足够的重叠覆盖,以便控制整个立方体上的逼近误差。

一种典型的迭代论证通过逐步修正残差来进行:

  1. 使用指定的内层函数,构造对当前残差的逼近。
  2. 确保新的残差按一个受控的因子缩小。
  3. 在更精细的尺度上重复这一过程。
  4. 将各次修正合并到外层函数中。

相关估计可得出一致收敛,从而保持连续性,并在极限中得到精确表示。

这一概述并不能替代证明中的难点:构造具有所需分离与覆盖性质的通用内层函数。它也解释了,为什么一个涉及无穷多次细化的构造过程,能够产生有限项的表示公式。

正则性与计算方面的局限

连续并不意味着光滑

该定理保证各构成函数连续,但并不保证它们具有连续的导数,也不保证它们能够继承目标函数的光滑性。

后续的改进为某些构造确立了额外性质,包括内层函数的某些形式的利普希茨连续性。这些改进并不意味着,可以在保持对任意连续目标函数都通用的同时,将所有构成函数都选为光滑函数。

因此,若要使用链式法则对表示式逐项求导,就需要额外假设。仅凭这一关于连续函数的定理,并不足以支持这种操作。

有限宽度并不意味着有限的描述复杂度

虽然外层求和项的数量为 2n+12n+1,但要描述或逼近其中的每个一元函数,都可能需要大量信息。对于达到指定精度所需的数值参数总量,该定理并未给出普适上界。

特别是,它本身并不能消除维数灾难。如果不对目标函数类施加额外限制,高维逼近的困难可能会以构成函数的复杂性或细尺度变化的形式重新出现。

存在性并不等于高效的拟合方法

虽然已有构造性证明和数值方法,但仅凭表示定理本身,并不能得到一种从有限次观测中高效求出实用分解的算法。逼近精度、数值稳定性、计算成本以及统计泛化能力,都需要单独分析。

此外,这种分解通常并不唯一。在不改变总和的前提下,可以在不同外层函数之间转移常数;至于其他自由度,则取决于所采用的具体构造。

与神经网络的联系

该公式类似于分层的人工神经网络:先对各坐标分别进行变换,再求和,然后进行进一步变换,最后再求和。因此,该定理与机器学习中关于表示能力的讨论密切相关。

不过,它与标准的通用逼近结果有所不同。后者通常固定激活函数,通过调整权重和网络规模来逼近目标函数。柯尔莫哥洛夫–阿诺尔德定理则允许使用更一般的连续构成函数,并以数量取决于维数的求和项给出精确表示。

柯尔莫哥洛夫–阿诺尔德网络是受这种可学习一元函数的用法启发而设计的网络架构。实际版本通常用样条或其他参数化函数族来表示这些函数,也可能堆叠多个层。

必须区分定理所提供的启发与它实际给出的保证:

  • 有限参数化的函数族并不包含该定理所需的所有连续一元函数。
  • 训练得到的架构未必会复现定理中的通用内层函数。
  • 表示的存在性并不能保证训练成功或具有良好的泛化能力。
  • 关于效率或可解释性的结论,取决于所选的架构、目标函数类和拟合方法。

该定理提供的是一种理论上的表示原理;实际网络的性能,则属于逼近、优化与统计学习的独立研究范畴。