最优化理论
这块面板不把最优化理论写成术语或工具目录，而追踪近二十年怎样重新界定优化保证。第一幕从“压缩感知”推进到“差分隐私优化”，第二幕从“零阶随机优化”延伸至“最小最大非凸优化”；共同问题是目标、约束、误差和计算预算如何进入同一责任链。每条保留提出、争议与最新三个端点；不能找到直接反证或直接更新时，明确登记证据缺口，不以邻近文献补位。实证段只采用原始材料能够承担的样本量、效应量、阈值、结构量或装置读数，最新直接材料覆盖至2026年。供料层同时区分S、D、E位置，给出可通约量纲、反号边界、自曝与空栏，使读者既能查证领域转向，也能看到哪些对象至今没有进入现行账本。 本块把“压缩感知”“逃离鞍点”“最小最大非凸优化”分别作为早期转向、规模化清算与未解前沿；第三段保留样本量、效应量、阈值或结构量，第四段明确反号边界。资料核验分为A类出版页或官方来源、B类DOI书目规范化、C类专著标准或报告定位；B、C类不冒充全文复算。 供料层还把“被阈值压零、但累计能量显著的小系数”与“未被内层优化找到、却能翻转外层决策的对手”单列，使未进入现行分母的对象可被检索。
第一幕的共同动作，是把最优化理论从单一可见终点拉回对象、路径与条件。“压缩感知”“近端分裂”和“差分隐私优化”分别从结果、实施与环境拆开旧账本；主证据年份决定幕归属，后来的复制与争议只负责检验边界。 这一幕以“压缩感知”的测量数／稀疏度乘对数维数为起点，并由“差分隐私优化”的反号边界检验可运输性。
甲、压缩感知：稀疏性让欠定系统可恢复Compressed Sensing
2006年前后的“压缩感知”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“被阈值压零、但累计能量显著的小系数”设置独立位置，但它可能直接改变测量数／稀疏度乘对数维数。因此，最优化理论讨论Compressed Sensing时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“压缩感知”能否成立的只有测量矩阵是否在目标稀疏阶上满足近等距。本条占S位，先让“测量矩阵是否在目标稀疏阶上满足近等距”承担解释责任，并用测量数／稀疏度乘对数维数裁决。若固定“稀疏度乘对数维数”后，另一维度总是更早且更稳定地改写“测量数”，则“压缩感知”的单因命题必须收窄或被推翻。
Candès EJ, Romberg J, Tao T在2006年的原始研究或构造提供主要证据。Candès EJ, Romberg J, Tao T在2006年的出处给出主要证明或构造：受限等距性质与l1最小化证明少量线性测量可稳定恢复稀疏信号。对“压缩感知”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“测量数”，分母必须完整保留“稀疏度乘对数维数”。 “压缩感知”的外推责任只有在至少两个独立场景中保持测量数／稀疏度乘对数维数同号后才成立。
反号边界是：当信号仅近似稀疏或字典高度相干时，测量增加也可能优先恢复错误支撑，方向可能归零或反转。截至2026年8月6日，没有检得题名与“压缩感知”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“被阈值压零、但累计能量显著的小系数”会从账本中消失。
“压缩感知”进入指南、平台、采购、绩效或临床路径后，应同步公开测量数／稀疏度乘对数维数与“被阈值压零、但累计能量显著的小系数”的数量和去向。截至2026年8月6日尚无可承担“压缩感知”直接更新责任的独立文献，因此不以机构网页、新闻稿或邻近综述冒充新证据。
“压缩感知”的跨域接口是另见第127号《心理健康服务》第20条“数字精神健康”。围绕“压缩感知”，两边共享“06 聚合次序不影响结论”前提；在“压缩感知”中，本条把S位推到首位，对方则可能锁定另一位置。应在同一对象上并读测量数／稀疏度乘对数维数与对方量纲；若“压缩感知”与对方排序稳定异号，就要寻找现行分类未记录的转换项。统计决策称“结果校准”只是“压缩感知”的异名。
乙、在线凸优化：遗憾而非离线最优成为目标Online Convex Optimization
2007年前后的“在线凸优化”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“不在固定比较者集合中的动态策略”设置独立位置，但它可能直接改变累计遗憾／轮数。因此，最优化理论讨论Online Convex Optimization时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“在线凸优化”能否成立的只有累计遗憾是否次线性于决策轮数。本条占D位，先让“累计遗憾是否次线性于决策轮数”承担解释责任，并用累计遗憾／轮数裁决。若固定“轮数”后，另一维度总是更早且更稳定地改写“累计遗憾”，则“在线凸优化”的单因命题必须收窄或被推翻。
Hazan E, Agarwal A, Kale S在2007年的原始研究或构造提供主要证据。Hazan E, Agarwal A, Kale S在2007年的出处给出主要证明或构造：强凸条件下在线算法可获得对数遗憾界，把未知未来下的顺序决策纳入理论。对“在线凸优化”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“累计遗憾”，分母必须完整保留“轮数”。 “在线凸优化”的外推责任只有在至少两个独立场景中保持累计遗憾／轮数同号后才成立。
反号边界是：当损失由算法行动自适应生成时，轮数越多，静态比较者遗憾反而越失真。截至2026年8月6日，没有检得题名与“在线凸优化”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“不在固定比较者集合中的动态策略”会从账本中消失，累计遗憾／轮数便可能在形式上改善、在真实净结果上恶化。
“在线凸优化”进入指南、平台、采购、绩效或临床路径后，应同步公开累计遗憾／轮数与“不在固定比较者集合中的动态策略”的数量和去向。截至2026年8月6日尚无可承担“在线凸优化”直接更新责任的独立文献，因此不以机构网页、新闻稿或邻近综述冒充新证据。评估“在线凸优化”时还须观察伤害、退出、维护成本和弱势群体可达性。
“在线凸优化”的跨域接口是另见第178号《犯罪学与治安》第1条“恢复性司法”。围绕“在线凸优化”，两边共享“06 聚合次序不影响结论”前提；在“在线凸优化”中，本条把D位推到首位，对方则可能锁定另一位置。应在同一对象上并读累计遗憾／轮数与对方量纲；若“在线凸优化”与对方排序稳定异号，就要寻找现行分类未记录的转换项。实施科学称“过程忠实度”只是“在线凸优化”的异名。
丙、FISTA：复合凸问题的加速可以保留稀疏近端结构Fast Iterative Shrinkage-Thresholding
2009年前后的“FISTA”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“被重启机制丢弃、却揭示局部曲率的动量历史”设置独立位置，但它可能直接改变k步目标残差／初始目标残差。因此，最优化理论讨论Fast Iterative Shrinkage-Thresholding时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“FISTA”能否成立的只有动量外推是否在每步只调用一次近端算子时保持加速率。本条占E位，先让“动量外推是否在每步只调用一次近端算子”承担解释责任，并用k步目标残差／初始目标残差裁决。若固定“初始目标残差”后，另一维度总是更早且更稳定地改写“k步目标残差”，则“FISTA”的单因命题必须收窄或被推翻。
Beck A, Teboulle M在2009年的原始研究或构造提供主要证据。Beck A, Teboulle M在2009年的出处给出主要证明或构造：FISTA把Nesterov动量与软阈值近端步结合，将目标残差从O(1/k)提升到O(1/k^2)。对“FISTA”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“k步目标残差”，分母必须完整保留“初始目标残差”。 “FISTA”的外推责任只有在至少两个独立场景中保持k步目标残差／初始目标残差同号后才成立。
反号边界是：当目标局部强非凸或线搜索失真时，动量越强，迭代反而越易振荡。截至2026年8月6日，没有检得题名与“FISTA”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“被重启机制丢弃、却揭示局部曲率的动量历史”会从账本中消失，k步目标残差／初始目标残差便可能在形式上改善、在真实净结果上恶化。
“FISTA”进入指南、平台、采购、绩效或临床路径后，应同步公开k步目标残差／初始目标残差与“被重启机制丢弃、却揭示局部曲率的动量历史”的数量和去向。截至2026年8月6日尚无可承担“FISTA”直接更新责任的独立文献，因此不以机构网页、新闻稿或邻近综述冒充新证据。评估“FISTA”时还须观察伤害、退出、维护成本和弱势群体可达性。
“FISTA”的跨域接口是另见第127号《心理健康服务》第20条“数字精神健康”。围绕“FISTA”，两边共享“06 聚合次序不影响结论”前提；在“FISTA”中，本条把E位推到首位，对方则可能锁定另一位置。应在同一对象上并读k步目标残差／初始目标残差与对方量纲；若“FISTA”与对方排序稳定异号，就要寻找现行分类未记录的转换项。因果推断称“可运输性条件”只是“FISTA”的异名，可观察预测才是分离线。
丁、近端分裂：不可微结构必须由算子而不是平滑替代处理Proximal Splitting Methods
2011年前后的“近端分裂”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“每次近端求解未收敛的内层残差”设置独立位置，但它可能直接改变单次迭代近端调用数／目标结构项数。因此，最优化理论讨论Proximal Splitting Methods时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“近端分裂”能否成立的只有每个结构项的近端映射是否可分离计算。本条占S位，先让“每个结构项的近端映射是否可分离计算”承担解释责任，并用单次迭代近端调用数／目标结构项数裁决。若固定“目标结构项数”后，另一维度总是更早且更稳定地改写“单次迭代近端调用数”，则“近端分裂”的单因命题必须收窄或被推翻。
Combettes PL, Pesquet J-C在2011年的原始研究或构造提供主要证据。Combettes PL, Pesquet J-C在2011年的出处给出主要证明或构造：前向—后向、Douglas–Rachford与原始—对偶分裂把多个非光滑项转成各自可计算的近端算子。对“近端分裂”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“单次迭代近端调用数”，分母必须完整保留“目标结构项数”。 “近端分裂”的外推责任只有在至少两个独立场景中保持单次迭代近端调用数／目标结构项数同号后才成立。
反号边界是：当线性耦合使近端不可分时，拆分越细，通信和内迭代成本反而越高。截至2026年8月6日，没有检得题名与“近端分裂”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“每次近端求解未收敛的内层残差”会从账本中消失，单次迭代近端调用数／目标结构项数便可能在形式上改善、在真实净结果上恶化。
“近端分裂”进入指南、平台、采购、绩效或临床路径后，应同步公开单次迭代近端调用数／目标结构项数与“每次近端求解未收敛的内层残差”的数量和去向。2017年的直接更新继续用同一对象与边界检验“近端分裂”。
“近端分裂”的跨域接口是另见第178号《犯罪学与治安》第5条“问题导向警务”。围绕“近端分裂”，两边共享“09 边界一次划定后保持稳定”前提；在“近端分裂”中，本条把S位推到首位，对方则可能锁定另一位置。应在同一对象上并读单次迭代近端调用数／目标结构项数与对方量纲；若“近端分裂”与对方排序稳定异号，就要寻找现行分类未记录的转换项。
戊、ADMM：可分目标通过对偶残差协调Alternating Direction Method of Multipliers
2011年前后的“ADMM”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“被停止准则忽略的局部子问题误差”设置独立位置，但它可能直接改变原始残差／对偶残差归一化比。因此，最优化理论讨论Alternating Direction Method of Multipliers时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“ADMM”能否成立的只有原始与对偶残差是否共同收敛到容差内。本条占D位，先让“原始与对偶残差是否共同收敛到容差内”承担解释责任，并用原始残差／对偶残差归一化比裁决。若固定“对偶残差归一化比”后，另一维度总是更早且更稳定地改写“原始残差”，则“ADMM”的单因命题必须收窄或被推翻。
Boyd S, Parikh N, Chu E, Peleato B, Eckstein J在2011年的原始研究或构造提供主要证据。Boyd S, Parikh N, Chu E, Peleato B, Eckstein J在2011年的出处给出主要证明或构造：ADMM交替求解局部子问题并更新乘子，使大规模可分目标可在共享约束下协调。对“ADMM”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“原始残差”，分母必须完整保留“对偶残差归一化比”。 “ADMM”的外推责任只有在至少两个独立场景中保持原始残差／对偶残差归一化比同号后才成立。
反号边界是：当问题非凸或惩罚参数失配时，残差下降越快，目标值反而可能停在坏点。截至2026年8月6日，没有检得题名与“ADMM”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“被停止准则忽略的局部子问题误差”会从账本中消失，原始残差／对偶残差归一化比便可能在形式上改善、在真实净结果上恶化。
“ADMM”进入指南、平台、采购、绩效或临床路径后，应同步公开原始残差／对偶残差归一化比与“被停止准则忽略的局部子问题误差”的数量和去向。截至2026年8月6日尚无可承担“ADMM”直接更新责任的独立文献，因此不以机构网页、新闻稿或邻近综述冒充新证据。评估“ADMM”时还须观察伤害、退出、维护成本和弱势群体可达性。
“ADMM”的跨域接口是另见第178号《犯罪学与治安》第4条“热点警务”。围绕“ADMM”，两边共享“09 边界一次划定后保持稳定”前提；在“ADMM”中，本条把D位推到首位，对方则可能锁定另一位置。应在同一对象上并读原始残差／对偶残差归一化比与对方量纲；若“ADMM”与对方排序稳定异号，就要寻找现行分类未记录的转换项。实施科学称“过程忠实度”只是“ADMM”的异名，可观察预测才是分离线。
己、鲁棒优化：不确定集取代单一名义参数Robust Optimization
2011年前后的“鲁棒优化”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“落在不确定集外、却最具破坏性的结构性偏差”设置独立位置，但它可能直接改变最坏情形代价／名义最优代价。因此，最优化理论讨论Robust Optimization时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“鲁棒优化”能否成立的只有不确定集是否覆盖真实误差而不过度保守。本条占E位，先让“不确定集是否覆盖真实误差而不过度保守”承担解释责任，并用最坏情形代价／名义最优代价裁决。若固定“名义最优代价”后，另一维度总是更早且更稳定地改写“最坏情形代价”，则“鲁棒优化”的单因命题必须收窄或被推翻。
Bertsimas D, Brown DB, Caramanis C在2011年的原始研究或构造提供主要证据。Bertsimas D, Brown DB, Caramanis C在2011年的出处给出主要证明或构造：鲁棒优化在参数不确定集上保证最坏情形可行，并通过预算不确定性控制保守度。对“鲁棒优化”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“最坏情形代价”，分母必须完整保留“名义最优代价”。
反号边界是：当不确定集由错误历史范围构造时，集合越大，方向可能归零或反转。2018年的直接争议材料把“鲁棒优化”放到不同样本、比较口径或实施条件中重新检验。若只保留完成者、成功装置或可编码事件，“落在不确定集外、却最具破坏性的结构性偏差”会从账本中消失，最坏情形代价／名义最优代价便可能在形式上改善、在真实净结果上恶化。
“鲁棒优化”进入指南、平台、采购、绩效或临床路径后，应同步公开最坏情形代价／名义最优代价与“落在不确定集外、却最具破坏性的结构性偏差”的数量和去向。截至2026年8月6日尚无可承担“鲁棒优化”直接更新责任的独立文献，因此不以机构网页、新闻稿或邻近综述冒充新证据。评估“鲁棒优化”时还须观察伤害、退出、维护成本和弱势群体可达性。
“鲁棒优化”的跨域接口是另见第178号《犯罪学与治安》第4条“热点警务”。围绕“鲁棒优化”，两边共享“09 边界一次划定后保持稳定”前提；在“鲁棒优化”中，本条把E位推到首位，对方则可能锁定另一位置。应在同一对象上并读最坏情形代价／名义最优代价与对方量纲；若“鲁棒优化”与对方排序稳定异号，就要寻找现行分类未记录的转换项。因果推断称“可运输性条件”只是“鲁棒优化”的异名。
庚、随机方差缩减：有限和结构让噪声逐轮归零Variance-Reduced Stochastic Gradient
2013年前后的“随机方差缩减”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“没有被当前epoch抽到、却发生分布变化的样本”设置独立位置，但它可能直接改变随机梯度方差／全梯度范数平方。因此，最优化理论讨论Variance-Reduced Stochastic Gradient时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“随机方差缩减”能否成立的只有控制变量是否能使梯度估计方差随迭代归零。本条占S位，先让“控制变量是否能使梯度估计方差随迭代归”承担解释责任，并用随机梯度方差／全梯度范数平方裁决。若固定“全梯度范数平方”后，另一维度总是更早且更稳定地改写“随机梯度方差”，则“随机方差缩减”的单因命题必须收窄或被推翻。
Johnson R, Zhang T在2013年的原始研究或构造提供主要证据。Johnson R, Zhang T在2013年的出处给出主要证明或构造：SVRG用周期性全梯度作为控制变量，使随机梯度方差随接近最优点而下降。对“随机方差缩减”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“随机梯度方差”，分母必须完整保留“全梯度范数平方”。
反号边界是：当数据分布漂移或全梯度过期时，快照越旧，方差修正反而越偏。截至2026年8月6日，没有检得题名与“随机方差缩减”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“没有被当前epoch抽到、却发生分布变化的样本”会从账本中消失，随机梯度方差／全梯度范数平方便可能在形式上改善、在真实净结果上恶化。
“随机方差缩减”进入指南、平台、采购、绩效或临床路径后，应同步公开随机梯度方差／全梯度范数平方与“没有被当前epoch抽到、却发生分布变化的样本”的数量和去向。2026年的直接更新继续用同一对象与边界检验“随机方差缩减”，而不是只增加一个新术语。评估“随机方差缩减”时还须观察伤害、退出、维护成本和弱势群体可达性。
“随机方差缩减”的跨域接口是另见第178号《犯罪学与治安》第8条“程序正义警务”。围绕“随机方差缩减”，两边共享“10 更多数据必然减少偏倚”前提；在“随机方差缩减”中，本条把S位推到首位，对方则可能锁定另一位置。应在同一对象上并读随机梯度方差／全梯度范数平方与对方量纲；若“随机方差缩减”与对方排序稳定异号，就要寻找现行分类未记录的转换项。
辛、差分隐私优化：噪声预算必须和统计误差同账Differentially Private Optimization
2014年前后的“差分隐私优化”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“因隐私裁剪被系统压低的极端梯度样本”设置独立位置，但它可能直接改变私有超额风险／非私有超额风险。因此，最优化理论讨论Differentially Private Optimization时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“差分隐私优化”能否成立的只有隐私噪声是否在给定ε,δ预算内保持可接受超额风险。本条占D位，先让“隐私噪声是否在给定ε”承担解释责任，并用私有超额风险／非私有超额风险裁决。若固定“非私有超额风险”后，另一维度总是更早且更稳定地改写“私有超额风险”，则“差分隐私优化”的单因命题必须收窄或被推翻。
Bassily R, Smith A, Thakurta A在2014年的原始研究或构造提供主要证据。Bassily R, Smith A, Thakurta A在2014年的出处给出主要证明或构造：目标扰动、输出扰动与私有随机梯度给出凸风险最小化的隐私—效用界。对“差分隐私优化”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“私有超额风险”，分母必须完整保留“非私有超额风险”。 “差分隐私优化”的外推责任只有在至少两个独立场景中保持私有超额风险／非私有超额风险同号后才成立。
反号边界是：当群体不平衡时，同一隐私噪声越强，少数类性能反而下降更快。截至2026年8月6日，没有检得题名与“差分隐私优化”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“因隐私裁剪被系统压低的极端梯度样本”会从账本中消失，私有超额风险／非私有超额风险便可能在形式上改善、在真实净结果上恶化。
“差分隐私优化”进入指南、平台、采购、绩效或临床路径后，应同步公开私有超额风险／非私有超额风险与“因隐私裁剪被系统压低的极端梯度样本”的数量和去向。
“差分隐私优化”的跨域接口是另见第178号《犯罪学与治安》第7条“聚焦威慑”。围绕“差分隐私优化”，两边共享“10 更多数据必然减少偏倚”前提；在“差分隐私优化”中，本条把D位推到首位，对方则可能锁定另一位置。应在同一对象上并读私有超额风险／非私有超额风险与对方量纲；若“差分隐私优化”与对方排序稳定异号，就要寻找现行分类未记录的转换项。 “差分隐私优化”仍须以同一分母在独立场景复核。
第二幕的共同动作，是清算规模化、数字化和制度采纳后的回写。从“零阶随机优化”到“最小最大非凸优化”，问题不再只是能否实现，而是目标、约束、误差和计算预算在跨机构部署后是否保持同一含义，并让失败者、退出者和被排除者获得独立字段。 这一幕以“零阶随机优化”的函数查询数／目标精度平方为起点，并由“最小最大非凸优化”的反号边界检验可运输性。
一、零阶随机优化：函数值差分承担梯度信息Zeroth-Order Optimization
2015年前后的“零阶随机优化”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“被平滑抹去、但决定约束可行性的尖锐方向”设置独立位置，但它可能直接改变函数查询数／目标精度平方。因此，最优化理论讨论Zeroth-Order Optimization时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“零阶随机优化”能否成立的只有有限差分估计是否在查询预算内保持可控方差。本条占E位，先让“有限差分估计是否在查询预算内保持可控”承担解释责任，并用函数查询数／目标精度平方裁决。若固定“目标精度平方”后，另一维度总是更早且更稳定地改写“函数查询数”，则“零阶随机优化”的单因命题必须收窄或被推翻。
Duchi JC, Jordan MI, Wainwright MJ, Wibisono A在2015年的原始研究或构造提供主要证据。Duchi JC, Jordan MI, Wainwright MJ, Wibisono A在2015年的出处给出主要证明或构造：随机平滑与双点估计给出零阶凸优化的维数依赖最优率。对“零阶随机优化”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“函数查询数”，分母必须完整保留“目标精度平方”。 “零阶随机优化”的外推责任只有在至少两个独立场景中保持函数查询数／目标精度平方同号后才成立。
反号边界是：当维数高且噪声相关时，平滑半径越小，估计方差反而越大。截至2026年8月6日，没有检得题名与“零阶随机优化”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“被平滑抹去、但决定约束可行性的尖锐方向”会从账本中消失，函数查询数／目标精度平方便可能在形式上改善、在真实净结果上恶化。
“零阶随机优化”进入指南、平台、采购、绩效或临床路径后，应同步公开函数查询数／目标精度平方与“被平滑抹去、但决定约束可行性的尖锐方向”的数量和去向。截至2026年8月6日尚无可承担“零阶随机优化”直接更新责任的独立文献，因此不以机构网页。
“零阶随机优化”的跨域接口是另见第178号《犯罪学与治安》第7条“聚焦威慑”。围绕“零阶随机优化”，两边共享“10 更多数据必然减少偏倚”前提；在“零阶随机优化”中，本条把E位推到首位，对方则可能锁定另一位置。应在同一对象上并读函数查询数／目标精度平方与对方量纲；若“零阶随机优化”与对方排序稳定异号，就要寻找现行分类未记录的转换项。
二、逃离鞍点：非凸优化的目标改为二阶驻点Escaping Saddle Points
2017年前后的“逃离鞍点”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“接近退化鞍点、但Hessian无显著负特征值的区域”设置独立位置，但它可能直接改变逃逸步数／负特征值倒数。因此，最优化理论讨论Escaping Saddle Points时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“逃离鞍点”能否成立的只有随机扰动是否能在负曲率方向上以可控时间逃逸。本条占S位，先让“随机扰动是否能在负曲率方向上以可控时”承担解释责任，并用逃逸步数／负特征值倒数裁决。若固定“负特征值倒数”后，另一维度总是更早且更稳定地改写“逃逸步数”，则“逃离鞍点”的单因命题必须收窄或被推翻。
Jin C, Ge R, Netrapalli P, Kakade SM, Jordan MI在2017年的原始研究或构造提供主要证据。Jin C, Ge R, Netrapalli P, Kakade SM, Jordan MI在2017年的出处给出主要证明或构造：扰动梯度下降在光滑与Hessian-Lipschitz条件下以多项式复杂度到达近似二阶驻点。对“逃离鞍点”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“逃逸步数”，分母必须完整保留“负特征值倒数”。 “逃离鞍点”的外推责任只有在至少两个独立场景中保持逃逸步数／负特征值倒数同号后才成立。
反号边界是：当鞍点平坦且噪声各向异性时，扰动越大，函数值反而可能持续恶化。截至2026年8月6日，没有检得题名与“逃离鞍点”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“接近退化鞍点、但Hessian无显著负特征值的区域”会从账本中消失，逃逸步数／负特征值倒数便可能在形式上改善、在真实净结果上恶化。
“逃离鞍点”进入指南、平台、采购、绩效或临床路径后，应同步公开逃逸步数／负特征值倒数与“接近退化鞍点、但Hessian无显著负特征值的区域”的数量和去向。截至2026年8月6日尚无可承担“逃离鞍点”直接更新责任的独立文献，因此不以机构网页、新闻稿或邻近综述冒充新证据。
“逃离鞍点”的跨域接口是另见第178号《犯罪学与治安》第11条“风险评估算法”。围绕“逃离鞍点”，两边共享“15 同名即同物”前提；在“逃离鞍点”中，本条把S位推到首位，对方则可能锁定另一位置。应在同一对象上并读逃逸步数／负特征值倒数与对方量纲；若“逃离鞍点”与对方排序稳定异号，就要寻找现行分类未记录的转换项。统计决策称“结果校准”只是“逃离鞍点”的异名。
三、去中心化优化：共识误差必须和最优误差分账Decentralized Optimization
2017年前后的“去中心化优化”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“断网期间从未被其他节点看到的局部梯度”设置独立位置，但它可能直接改变共识误差／最优性误差。因此，最优化理论讨论Decentralized Optimization时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“去中心化优化”能否成立的只有网络混合是否足以让梯度跟踪保持无偏。本条占D位，先让“网络混合是否足以让梯度跟踪保持无偏”承担解释责任，并用共识误差／最优性误差裁决。若固定“最优性误差”后，另一维度总是更早且更稳定地改写“共识误差”，则“去中心化优化”的单因命题必须收窄或被推翻。
Nedić A, Olshevsky A, Shi W在2017年的原始研究或构造提供主要证据。Nedić A, Olshevsky A, Shi W在2017年的出处给出主要证明或构造：梯度跟踪在时变网络上分离共识与优化误差，使节点无需中心协调也可线性收敛。对“去中心化优化”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“共识误差”，分母必须完整保留“最优性误差”。 “去中心化优化”的外推责任只有在至少两个独立场景中保持共识误差／最优性误差同号后才成立。
反号边界是：当网络长期分区或延迟相关时，局部收敛越快，全局目标反而越可能分裂。截至2026年8月6日，没有检得题名与“去中心化优化”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“断网期间从未被其他节点看到的局部梯度”会从账本中消失，共识误差／最优性误差便可能在形式上改善、在真实净结果上恶化。
“去中心化优化”进入指南、平台、采购、绩效或临床路径后，应同步公开共识误差／最优性误差与“断网期间从未被其他节点看到的局部梯度”的数量和去向。截至2026年8月6日尚无可承担“去中心化优化”直接更新责任的独立文献，因此不以机构网页。
“去中心化优化”的跨域接口是另见第178号《犯罪学与治安》第10条“预测警务偏差”。围绕“去中心化优化”，两边共享“15 同名即同物”前提；在“去中心化优化”中，本条把D位推到首位，对方则可能锁定另一位置。应在同一对象上并读共识误差／最优性误差与对方量纲；若“去中心化优化”与对方排序稳定异号，就要寻找现行分类未记录的转换项。
四、联邦优化：数据不出域不等于目标一致Federated Averaging and Client Drift
2017年前后的“联邦优化”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“因设备、网络或政策从未参加训练的客户端”设置独立位置，但它可能直接改变跨客户端性能最低值／平均性能。因此，最优化理论讨论Federated Averaging and Client Drift时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“联邦优化”能否成立的只有本地更新平均是否近似全局目标梯度。本条占E位，先让“本地更新平均是否近似全局目标梯度”承担解释责任，并用跨客户端性能最低值／平均性能裁决。若固定“平均性能”后，另一维度总是更早且更稳定地改写“跨客户端性能最低值”，则“联邦优化”的单因命题必须收窄或被推翻。
McMahan B, Moore E, Ramage D, Hampson S, Agüera y Arcas B在2017年的原始研究或构造提供主要证据。McMahan B, Moore E, Ramage D, Hampson S, Agüera y Arcas B在2017年的出处给出主要证明或构造：FedAvg用本地多步更新减少通信，但非独立同分布数据会产生客户端漂移与大站点偏置。对“联邦优化”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“跨客户端性能最低值”，分母必须完整保留“平均性能”。
反号边界是：当客户端分布与参与率高度不均时，通信越少，少数群体性能反而越差。截至2026年8月6日，没有检得题名与“联邦优化”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“因设备、网络或政策从未参加训练的客户端”会从账本中消失，跨客户端性能最低值／平均性能便可能在形式上改善、在真实净结果上恶化。
“联邦优化”进入指南、平台、采购、绩效或临床路径后，应同步公开跨客户端性能最低值／平均性能与“因设备、网络或政策从未参加训练的客户端”的数量和去向。截至2026年8月6日尚无可承担“联邦优化”直接更新责任的独立文献，因此不以机构网页、新闻稿或邻近综述冒充新证据。
“联邦优化”的跨域接口是另见第178号《犯罪学与治安》第10条“预测警务偏差”。围绕“联邦优化”，两边共享“15 同名即同物”前提；在“联邦优化”中，本条把E位推到首位，对方则可能锁定另一位置。应在同一对象上并读跨客户端性能最低值／平均性能与对方量纲；若“联邦优化”与对方排序稳定异号，就要寻找现行分类未记录的转换项。因果推断称“可运输性条件”只是“联邦优化”的异名。 “联邦优化”仍须以同一分母在独立场景复核。
五、性能估计问题：一阶法的最坏界可由半定规划审计Performance Estimation Problems
2017年前后的“性能估计问题”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“不满足理想oracle模型的舍入、缓存与异步误差”设置独立位置，但它可能直接改变计算最坏界／理论上界。因此，最优化理论讨论Performance Estimation Problems时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“性能估计问题”能否成立的只有有限插值约束是否足以给出精确最坏复杂度。本条占S位，先让“有限插值约束是否足以给出精确最坏复杂”承担解释责任，并用计算最坏界／理论上界裁决。若固定“理论上界”后，另一维度总是更早且更稳定地改写“计算最坏界”，则“性能估计问题”的单因命题必须收窄或被推翻。
Taylor AB, Hendrickx JM, Glineur F在2017年的原始研究或构造提供主要证据。Taylor AB, Hendrickx JM, Glineur F在2017年的出处给出主要证明或构造：PEP把插值条件和算法步骤写成半定规划，数值求得紧最坏界并可反推出最坏函数。对“性能估计问题”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“计算最坏界”，分母必须完整保留“理论上界”。 “性能估计问题”的外推责任只有在至少两个独立场景中保持计算最坏界／理论上界同号后才成立。
反号边界是：当函数类或浮点实现偏离插值模型时，证书越紧，真实系统误差反而越不可见。截至2026年8月6日，没有检得题名与“性能估计问题”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“不满足理想oracle模型的舍入、缓存与异步误差”会从账本中消失，计算最坏界／理论上界便可能在形式上改善、在真实净结果上恶化。
“性能估计问题”进入指南、平台、采购、绩效或临床路径后，应同步公开计算最坏界／理论上界与“不满足理想oracle模型的舍入、缓存与异步误差”的数量和去向。截至2026年8月6日尚无可承担“性能估计问题”直接更新责任的独立文献，因此不以机构网页。
“性能估计问题”的跨域接口是另见第178号《犯罪学与治安》第14条“预审释放改革”。围绕“性能估计问题”，两边共享“21 制度采纳不改变指标含义”前提；在“性能估计问题”中，本条把S位推到首位，对方则可能锁定另一位置。应在同一对象上并读计算最坏界／理论上界与对方量纲；若“性能估计问题”与对方排序稳定异号，就要寻找现行分类未记录的转换项。
六、分布鲁棒优化：优化对象从参数集合扩展到概率分布Distributionally Robust Optimization
2018年前后的“分布鲁棒优化”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“不改变Wasserstein距离、但改变尾部相关的分布结构”设置独立位置，但它可能直接改变样本外最坏风险／经验风险。因此，最优化理论讨论Distributionally Robust Optimization时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“分布鲁棒优化”能否成立的只有概率模糊集是否以正确半径覆盖真实分布。本条占D位，先让“概率模糊集是否以正确半径覆盖真实分布”承担解释责任，并用样本外最坏风险／经验风险裁决。若固定“经验风险”后，另一维度总是更早且更稳定地改写“样本外最坏风险”，则“分布鲁棒优化”的单因命题必须收窄或被推翻。
Mohajerin Esfahani P, Kuhn D在2018年的原始研究或构造提供主要证据。Mohajerin Esfahani P, Kuhn D在2018年的出处给出主要证明或构造：Wasserstein球上的最坏分布风险可转成有限凸规划，并给出样本外保证。对“分布鲁棒优化”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“样本外最坏风险”，分母必须完整保留“经验风险”。
反号边界是：当维数高导致Wasserstein半径极大时，样本越多，保证仍可能过度保守，方向可能归零或反转。截至2026年8月6日，没有检得题名与“分布鲁棒优化”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“不改变Wasserstein距离、但改变尾部相关的分布结构”会从账本中消失，样本外最坏风险／经验风险便可能在形式上改善、在真实净结果上恶化。
“分布鲁棒优化”进入指南、平台、采购、绩效或临床路径后，应同步公开样本外最坏风险／经验风险与“不改变Wasserstein距离、但改变尾部相关的分布结构”的数量和去向。截至2026年8月6日尚无可承担“分布鲁棒优化”直接更新责任的独立文献，因此不以机构网页、新闻稿或邻近综述冒充新证据。评估“分布鲁棒优化”时还须观察伤害、退出、维护成本和弱势群体可达性。
“分布鲁棒优化”的跨域接口是另见第178号《犯罪学与治安》第13条“枪击网络”。围绕“分布鲁棒优化”，两边共享“21 制度采纳不改变指标含义”前提；在“分布鲁棒优化”中，本条把D位推到首位，对方则可能锁定另一位置。应在同一对象上并读样本外最坏风险／经验风险与对方量纲；若“分布鲁棒优化”与对方排序稳定异号，就要寻找现行分类未记录的转换项。
七、双层优化：训练规则本身成为外层变量Bilevel Optimization
2018年前后的“双层优化”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“被某一内层求解路径排除的其他最优解”设置独立位置，但它可能直接改变超梯度误差／内层残差。因此，最优化理论讨论Bilevel Optimization时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“双层优化”能否成立的只有内层近似误差是否允许外层超梯度保持方向。本条占E位，先让“内层近似误差是否允许外层超梯度保持方”承担解释责任，并用超梯度误差／内层残差裁决。若固定“内层残差”后，另一维度总是更早且更稳定地改写“超梯度误差”，则“双层优化”的单因命题必须收窄或被推翻。
Franceschi L, Frasconi P, Salzo S, Grazzi R, Pontil M在2018年的原始研究或构造提供主要证据。Franceschi L, Frasconi P, Salzo S, Grazzi R, Pontil M在2018年的出处给出主要证明或构造：可微双层优化通过截断反向传播或隐式微分优化超参数、数据权重与元学习规则。对“双层优化”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“超梯度误差”，分母必须完整保留“内层残差”。 “双层优化”的外推责任只有在至少两个独立场景中保持超梯度误差／内层残差同号后才成立。
反号边界是：当内层多解或训练未收敛时，反向步数越多，外层梯度反而越依赖路径。截至2026年8月6日，没有检得题名与“双层优化”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“被某一内层求解路径排除的其他最优解”会从账本中消失，超梯度误差／内层残差便可能在形式上改善、在真实净结果上恶化。
“双层优化”进入指南、平台、采购、绩效或临床路径后，应同步公开超梯度误差／内层残差与“被某一内层求解路径排除的其他最优解”的数量和去向。截至2026年8月6日尚无可承担“双层优化”直接更新责任的独立文献，因此不以机构网页。
“双层优化”的跨域接口是另见第178号《犯罪学与治安》第13条“枪击网络”。围绕“双层优化”，两边共享“21 制度采纳不改变指标含义”前提；在“双层优化”中，本条把E位推到首位，对方则可能锁定另一位置。应在同一对象上并读超梯度误差／内层残差与对方量纲；若“双层优化”与对方排序稳定异号，就要寻找现行分类未记录的转换项。因果推断称“可运输性条件”只是“双层优化”的异名。
八、贝叶斯优化：昂贵黑箱由后验不确定性安排试验Bayesian Optimization
2018年前后的“贝叶斯优化”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“从未被采样、因而后验仍由先验决定的区域”设置独立位置，但它可能直接改变最佳改进／函数评估次数。因此，最优化理论讨论Bayesian Optimization时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“贝叶斯优化”能否成立的只有后验不确定性是否校准到真实黑箱误差。本条占S位，先让“后验不确定性是否校准到真实黑箱误差”承担解释责任，并用最佳改进／函数评估次数裁决。若固定“函数评估次数”后，另一维度总是更早且更稳定地改写“最佳改进”，则“贝叶斯优化”的单因命题必须收窄或被推翻。
Frazier PI在2018年的原始研究或构造提供主要证据。Frazier PI在2018年的出处给出主要证明或构造：高斯过程代理与采集函数在探索和利用间分配有限评估预算，适用于昂贵无梯度目标。对“贝叶斯优化”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“最佳改进”，分母必须完整保留“函数评估次数”。
反号边界是：当核先验错配或维数高时，置信区间越窄，采集函数反而越自信地忽略最优区。截至2026年8月6日，没有检得题名与“贝叶斯优化”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“从未被采样、因而后验仍由先验决定的区域”会从账本中消失，最佳改进／函数评估次数便可能在形式上改善、在真实净结果上恶化。
“贝叶斯优化”进入指南、平台、采购、绩效或临床路径后，应同步公开最佳改进／函数评估次数与“从未被采样、因而后验仍由先验决定的区域”的数量和去向。截至2026年8月6日尚无可承担“贝叶斯优化”直接更新责任的独立文献，因此不以机构网页、新闻稿或邻近综述冒充新证据。
“贝叶斯优化”的跨域接口是另见第178号《犯罪学与治安》第17条“枪声探测”。围绕“贝叶斯优化”，两边共享“25 失败样本不含信息”前提；在“贝叶斯优化”中，本条把S位推到首位，对方则可能锁定另一位置。应在同一对象上并读最佳改进／函数评估次数与对方量纲；若“贝叶斯优化”与对方排序稳定异号，就要寻找现行分类未记录的转换项。统计决策称“结果校准”只是“贝叶斯优化”的异名。 “贝叶斯优化”仍须以同一分母在独立场景复核。
九、多目标梯度：Pareto冲突必须在训练中显式结算Multi-Task Multi-Objective Optimization
2018年前后的“多目标梯度”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“没有进入任务集合”设置独立位置，但它可能直接改变最小共同梯度范数／各任务梯度均值。因此，最优化理论讨论Multi-Task Multi-Objective Optimization时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“多目标梯度”能否成立的只有是否存在同时不恶化任何任务的共同下降方向。本条占D位，先让“是否存在同时不恶化任何任务的共同下降”承担解释责任，并用最小共同梯度范数／各任务梯度均值裁决。若固定“各任务梯度均值”后，另一维度总是更早且更稳定地改写“最小共同梯度范数”，则“多目标梯度”的单因命题必须收窄或被推翻。
Sener O, Koltun V在2018年的原始研究或构造提供主要证据。Sener O, Koltun V在2018年的出处给出主要证明或构造：MGDA寻找多个任务梯度凸包中最小范数点，避免单一加权和掩盖任务冲突。对“多目标梯度”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“最小共同梯度范数”，分母必须完整保留“各任务梯度均值”。 “多目标梯度”的外推责任只有在至少两个独立场景中保持最小共同梯度范数／各任务梯度均值同号后才成立。
反号边界是：当任务尺度和噪声差异大时，Pareto平衡越严格，小任务反而可能主导更新。截至2026年8月6日，没有检得题名与“多目标梯度”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“没有进入任务集合”会从账本中消失，最小共同梯度范数／各任务梯度均值便可能在形式上改善、在真实净结果上恶化。
“多目标梯度”进入指南、平台、采购、绩效或临床路径后，应同步公开最小共同梯度范数／各任务梯度均值与“没有进入任务集合”的数量和去向。截至2026年8月6日尚无可承担“多目标梯度”直接更新责任的独立文献，因此不以机构网页。
“多目标梯度”的跨域接口是另见第178号《犯罪学与治安》第16条“停止搜查治理”。围绕“多目标梯度”，两边共享“25 失败样本不含信息”前提；在“多目标梯度”中，本条把D位推到首位，对方则可能锁定另一位置。应在同一对象上并读最小共同梯度范数／各任务梯度均值与对方量纲；若“多目标梯度”与对方排序稳定异号，就要寻找现行分类未记录的转换项。
十、大模型优化的解耦权重衰减：正则化不应被自适应尺度吞掉AdamW
2019年前后的“大模型优化的解耦权重衰减”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“不应衰减但被统一规则处理的偏置与归一化参”设置独立位置，但它可能直接改变解耦后泛化误差／Adam-L2泛化误差。因此，最优化理论讨论AdamW时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“大模型优化的解耦权重衰减”能否成立的只有权重衰减是否独立于参数坐标的自适应尺度。本条占E位，先让“权重衰减是否独立于参数坐标的自适应尺”承担解释责任，并用解耦后泛化误差／Adam-L2泛化误差裁决。若固定“Adam-L2泛化误差”后，另一维度总是更早且更稳定地改写“解耦后泛化误差”，则“大模型优化的解耦权重衰减”的单因命题必须收窄或被推翻。
Loshchilov I, Hutter F在2019年的原始研究或构造提供主要证据。Loshchilov I, Hutter F在2019年的出处给出主要证明或构造：AdamW把权重衰减从梯度更新中解耦，避免自适应学习率改变L2正则化的实际强度。对“大模型优化的解耦权重衰减”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“解耦后泛化误差”，分母必须完整保留“Adam-L2泛化误差”。
反号边界是：当参数共享与归一化改变有效尺度时，统一衰减越简单，层间正则差异反而越大。截至2026年8月6日，没有检得题名与“大模型优化的解耦权重衰减”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“不应衰减但被统一规则处理的偏置与归一化参”会从账本中消失。
“大模型优化的解耦权重衰减”进入指南、平台、采购、绩效或临床路径后，应同步公开解耦后泛化误差／Adam-L2泛化误差与“不应衰减但被统一规则处理的偏置与归一化参”的数量和去向。截至2026年8月6日尚无可承担“大模型优化的解耦权重衰减”直接更新责任的独立文献，因此不以机构网页。
“大模型优化的解耦权重衰减”的跨域接口是另见第178号《犯罪学与治安》第16条“停止搜查治理”。围绕“大模型优化的解耦权重衰减”，两边共享“25 失败样本不含信息”前提；在“大模型优化的解耦权重衰减”中，本条把E位推到首位，对方则可能锁定另一位置。应在同一对象上并读解耦后泛化误差／Adam-L2泛化误差与对方量纲；若“大模型优化的解耦权重衰减”与对方排序稳定异号。
十一、SCAFFOLD：控制变量专门清算客户端漂移Federated Control Variates
2020年前后的“SCAFFOLD”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“没有更新控制变量的沉默客户端”设置独立位置，但它可能直接改变校正后梯度偏差／FedAvg梯度偏差。因此，最优化理论讨论Federated Control Variates时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“SCAFFOLD”能否成立的只有控制变量是否减少本地更新与全局方向的偏差。本条占S位，先让“控制变量是否减少本地更新与全局方向”承担解释责任，并用校正后梯度偏差／FedAvg梯度偏差裁决。若固定“FedAvg梯度偏差”后，另一维度总是更早且更稳定地改写“校正后梯度偏差”，则“SCAFFOLD”的单因命题必须收窄或被推翻。
Karimireddy SP, Kale S, Mohri M, Reddi S, Stich SU, Suresh AT在2020年的原始研究或构造提供主要证据。Karimireddy SP, Kale S, Mohri M, Reddi S, Stich SU, Suresh AT在2020年的出处给出主要证明或构造：SCAFFOLD为服务器和客户端维护控制变量，在异质数据下校正本地梯度偏移。对“SCAFFOLD”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“校正后梯度偏差”，分母必须完整保留“FedAvg梯度偏差”。 “SCAFFOLD”的外推责任只有在至少两个独立场景中保持校正后梯度偏差／FedAvg梯度偏差同号后才成立。
反号边界是：当客户端长期不参与时，控制变量越旧，校正反而可能增加偏差。截至2026年8月6日，没有检得题名与“SCAFFOLD”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“没有更新控制变量的沉默客户端”会从账本中消失，校正后梯度偏差／FedAvg梯度偏差便可能在形式上改善、在真实净结果上恶化。
“SCAFFOLD”进入指南、平台、采购、绩效或临床路径后，应同步公开校正后梯度偏差／FedAvg梯度偏差与“没有更新控制变量的沉默客户端”的数量和去向。截至2026年8月6日尚无可承担“SCAFFOLD”直接更新责任的独立文献，因此不以机构网页、新闻稿或邻近综述冒充新证据。评估“SCAFFOLD”时还须观察伤害、退出、维护成本和弱势群体可达性，防止制度采纳后指标含义漂移。
“SCAFFOLD”的跨域接口是另见第127号《心理健康服务》第17条“等待时间治理”。围绕“SCAFFOLD”，两边共享“22 通过形式审查等于实质合规”前提；在“SCAFFOLD”中，本条把S位推到首位，对方则可能锁定另一位置。应在同一对象上并读校正后梯度偏差／FedAvg梯度偏差与对方量纲；若“SCAFFOLD”与对方排序稳定异号，就要寻找现行分类未记录的转换项。统计决策称“结果校准”只是“SCAFFOLD”的异名，可观察预测才是分离线。
十二、最小最大非凸优化：单边驻点不再足够Nonconvex-Concave Minimax Optimization
2020年前后的“最小最大非凸优化”改写了一条旧默认：凸性、可微性和完整梯度可以作为算法设计的默认条件。旧账本没有为“未被内层优化找到、却能翻转外层决策的对手”设置独立位置，但它可能直接改变内层对偶间隙／外层梯度范数。因此，最优化理论讨论Nonconvex-Concave Minimax Optimization时，必须把目标、约束、误差和计算预算放回同一对象与观察窗，而不能只保留最易登记的终点。
可反驳主张是：决定“最小最大非凸优化”能否成立的只有内层最大化是否被求到足以支持外层方向。本条占D位，先让“内层最大化是否被求到足以支持外层方向”承担解释责任，并用内层对偶间隙／外层梯度范数裁决。若固定“外层梯度范数”后，另一维度总是更早且更稳定地改写“内层对偶间隙”，则“最小最大非凸优化”的单因命题必须收窄或被推翻。
Lin T, Jin C, Jordan MI在2020年的原始研究或构造提供主要证据。Lin T, Jin C, Jordan MI在2020年的出处给出主要证明或构造：算法针对非凸—强凹最小最大问题给出近最优复杂度，并区分梯度映射与局部极小最大点。对“最小最大非凸优化”而言，证据只承担原文能够支持的样本量、效应量、阈值、结构量或装置读数；判读时分子是“内层对偶间隙”，分母必须完整保留“外层梯度范数”。 “最小最大非凸优化”的外推责任只有在至少两个独立场景中保持内层对偶间隙／外层梯度范数同号后才成立。
反号边界是：当内层非凹且多峰时，最大化步数增加也可能稳定到错误对手，方向可能归零或反转。截至2026年8月6日，没有检得题名与“最小最大非凸优化”核心命题直接相反且元数据完整的独立论文；不能用邻近主题补位。若只保留完成者、成功装置或可编码事件，“未被内层优化找到、却能翻转外层决策的对手”会从账本中消失。
“最小最大非凸优化”进入指南、平台、采购、绩效或临床路径后，应同步公开内层对偶间隙／外层梯度范数与“未被内层优化找到、却能翻转外层决策的对手”的数量和去向。
“最小最大非凸优化”的跨域接口是另见第179号《城市社会学》第16条“城市孤独”。围绕“最小最大非凸优化”，两边共享“23 中位个案代表分布”前提；在“最小最大非凸优化”中，本条把D位推到首位，对方则可能锁定另一位置。应在同一对象上并读内层对偶间隙／外层梯度范数与对方量纲；若“最小最大非凸优化”与对方排序稳定异号，就要寻找现行分类未记录的转换项。 “最小最大非凸优化”仍须以同一分母在独立场景复核。
◎ 二十年连起来看
第一条贯穿线是：优化保证从名义覆盖转向可判决的分子与分母。“压缩感知”与“零阶随机优化”都表明，只报一个中心读数会把选择机制藏进结果；本块20条因此逐一给出带分母量纲。 例如“压缩感知”必须同时核对测量数／稀疏度乘对数维数，并把“被阈值压零、但累计能量显著的小系数”从余数改成独立记录；否则贯穿线只剩口号。
第二条贯穿线是：路径本身成为因果对象。“在线凸优化”“去中心化优化”与“多目标梯度”不再把实施差异视为噪声，而是要求记录顺序、升级、维护、退出或控制周期；路径改变时，方向可以反号。 例如“在线凸优化”必须同时核对累计遗憾／轮数，并把“不在固定比较者集合中的动态策略”从余数改成独立记录；否则贯穿线只剩口号。 该读数在至少两个独立场景保持同号，才获得超出原样本的责任。
第三条贯穿线是：制度采用会回写指标。“性能估计问题”和“最小最大非凸优化”进入平台、指南或设施后，参与者与机构会围绕阈值重新组织行为；所以最优化理论已经长出一套针对分母漂移、外部验证和空栏的自我审查能力。 例如“最小最大非凸优化”必须同时核对内层对偶间隙／外层梯度范数，并把“未被内层优化找到、却能翻转外层决策的对手”从余数改成独立记录；否则贯穿线只剩口号。
◎ 三个常见误解
误解一是把“更新”理解为增加新设备或新名词。这个误解容易成立，因为“贝叶斯优化”一类条目常以技术形态出现；正确判据却是它是否推翻旧默认、给出可证伪单因，并能由最佳改进／函数评估次数裁决。
误解二是样本越大、传感越密或参数越多，偏差必然越小。“SCAFFOLD”显示，数据增长若沿用同一选择机制，只会更精确地复制缺失；必须把“没有更新控制变量的沉默客户端”另设字段。
误解三是通过报告清单、伦理原则或形式审查便等于实质安全。“最小最大非凸优化”的失效条件恰好相反：当内层非凹且多峰时，最大化步数增加也可能稳定到错误对手，方向可能归零或反转。正确表述是，合规只能证明检查被执行，不能证明风险已经消失。
◎ 与相邻领域的接口
与统计、因果推断的接口是分母与外推。最优化理论负责定义“谁、什么、哪段时间”算对象，统计方法负责在该定义内估计不确定性；对象边界一变，原置信区间不能原样搬运。
与工程和最优化的接口是控制与代价。“联邦优化”要求把过程忠实度、资源预算或安全过滤器写进系统，而工程学给出可控性和停止准则；两者的分工判据是失败是否来自机制不可控，还是目标定义错误。
与社会学、伦理和法学的接口是资格与分配。“大模型优化的解耦权重衰减”中的平均改善不能回答谁承担成本、谁被排除；后者必须由权利、责任和群体分布另行判断。
与设计、传播和平台研究的接口是使用后的回写。“贝叶斯优化”一经嵌入界面或流程，记录行为就会改变被记录对象；本块提供结果与失效证据，相邻领域解释界面、组织和权力怎样生产这些读数。
◎ 争议现场
争议一：压缩感知的平均效应能否指导尾部个案。收敛条件是至少两个独立场景预注册同一测量数／稀疏度乘对数维数，并公开“被阈值压零、但累计能量显著的小系数”；只复制显著性不能结束争论。
争议二：去中心化优化的机制能否跨制度运输。收敛条件是把源场景与目标场景的资源、对象和步骤逐项映射，报告校准漂移与反号亚组，而不是把“实施差异”留在讨论部分。
争议三：最小最大非凸优化的数字化或规模化收益是否大于新风险。收敛条件是用决策曲线、净获益、长期随访或结构等价检验同时记录收益、伤害、退出和维护成本；一项精度或一个案例不足以收敛。
◎ 往下五年看什么
观察读数一：FISTA在独立机构中保持同号的中心数／全部外部验证中心数，而不是最高单中心精度。
观察读数二：“没有被当前epoch抽到、却发生分布变化的样本”是否在登记、指南或数据字典中获得独立字段；字段出现才说明分母治理开始改变。
观察读数三：贝叶斯优化进入绩效或平台后，原指标与真实结局之间的校准斜率是否漂移；漂移大于预设阈值就应触发重新定义。
观察读数四：最小最大非凸优化的净获益是否在弱势、低资源或高风险亚组同步出现，并且没有以更高退出、等待、耗能或照护负担换取。
◎ 可与哪些领域对撞
本块第1条“压缩感知”与另见第127号《心理健康服务》第20条“数字精神健康”对撞。两边共享“06 聚合次序不影响结论”前提；本条把S位视为充分原因，对方则把D或E位推到首位。若两边都成立，就必须承认现有分类漏掉了一个把测量数／稀疏度乘对数维数转换为对方读数的第三机制；判决性预测是两个读数在同一对象上何时稳定异号。
本块第6条“鲁棒优化”与另见第178号《犯罪学与治安》第4条“热点警务”对撞。两边共享“09 边界一次划定后保持稳定”前提；本条把E位视为充分原因，对方则把S或D位推到首位。若两边都成立，就必须承认现有分类漏掉了一个把最坏情形代价／名义最优代价转换为对方读数的第三机制；判决性预测是两个读数在同一对象上何时稳定异号。
本块第11条“去中心化优化”与另见第178号《犯罪学与治安》第10条“预测警务偏差”对撞。两边共享“15 同名即同物”前提；本条把D位视为充分原因，对方则把S或E位推到首位。若两边都成立，就必须承认现有分类漏掉了一个把共识误差／最优性误差转换为对方读数的第三机制；判决性预测是两个读数在同一对象上何时稳定异号。
本块第16条“贝叶斯优化”与另见第178号《犯罪学与治安》第17条“枪声探测”对撞。两边共享“25 失败样本不含信息”前提；本条把S位视为充分原因，对方则把D或E位推到首位。若两边都成立，就必须承认现有分类漏掉了一个把最佳改进／函数评估次数转换为对方读数的第三机制；判决性预测是两个读数在同一对象上何时稳定异号。
◎ 十条可做的研究命题
1. 命题：“压缩感知”主要由只有测量矩阵是否在目标稀疏阶上满足近等距是决定性的解释。方法：两场景预注册测量数／稀疏度乘对数维数，登记“被阈值压零、但累计能量显著的小系数”。证伪：方向反号，或另一位置稳定先行。
2. 命题：“FISTA”主要由只有动量外推是否在每步只调用一次近端算子是决定性的解释。方法：两场景预注册k步目标残差／初始目标残差，登记“被重启机制丢弃、却揭示局部曲率的动量历史”。证伪：方向反号，或另一位置稳定先行。
3. 命题：“ADMM”主要由只有原始与对偶残差是否共同收敛到容差内是决定性的解释。方法：两场景预注册原始残差／对偶残差归一化比，登记“被停止准则忽略的局部子问题误差”。证伪：方向反号，或另一位置稳定先行。
4. 命题：“随机方差缩减”主要由只有控制变量是否能使梯度估计方差随迭代归是决定性的解释。方法：两场景预注册随机梯度方差／全梯度范数平方，登记“没有被当前epoch抽到、却发生分布变化的样本”。证伪：方向反号，或另一位置稳定先行。
5. 命题：“零阶随机优化”主要由只有有限差分估计是否在查询预算内保持可控是决定性的解释。方法：两场景预注册函数查询数／目标精度平方，登记“被平滑抹去、但决定约束可行性的尖锐方向”。证伪：方向反号，或另一位置稳定先行。
6. 命题：“去中心化优化”主要由只有网络混合是否足以让梯度跟踪保持无偏是决定性的解释。方法：两场景预注册共识误差／最优性误差，登记“断网期间从未被其他节点看到的局部梯度”。证伪：方向反号，或另一位置稳定先行。
7. 命题：“性能估计问题”主要由只有有限插值约束是否足以给出精确最坏复杂是决定性的解释。方法：两场景预注册计算最坏界／理论上界，登记“不满足理想oracle模型的舍入、缓存与异步误差”。证伪：方向反号，或另一位置稳定先行。
8. 命题：“双层优化”主要由只有内层近似误差是否允许外层超梯度保持方是决定性的解释。方法：两场景预注册超梯度误差／内层残差，登记“被某一内层求解路径排除的其他最优解”。证伪：方向反号，或另一位置稳定先行。
9. 命题：“多目标梯度”主要由只有是否存在同时不恶化任何任务的共同下降是决定性的解释。方法：两场景预注册最小共同梯度范数／各任务梯度均值，登记“没有进入任务集合”。证伪：方向反号，或另一位置稳定先行。
10. 命题：“最小最大非凸优化”主要由只有内层最大化是否被求到足以支持外层方向是决定性的解释。方法：两场景预注册内层对偶间隙／外层梯度范数，登记“未被内层优化找到、却能翻转外层决策的对手”。证伪：方向反号，或另一位置稳定先行。
◎ 资料核验
- Candès EJ, Romberg J, Tao T. Robust uncertainty principles. IEEE Trans Inf Theory. 2006;52:489-509. doi:10.1109/TIT.2005.862083。
- Hazan E, Agarwal A, Kale S. Logarithmic regret algorithms for online convex optimization. Mach Learn. 2007;69:169-192. doi:10.1007/s10994-007-5016-8。
- Beck A, Teboulle M. A fast iterative shrinkage-thresholding algorithm for linear inverse problems. SIAM J Imaging Sci. 2009;2:183-202. doi:10.1137/080716542。
- Combettes PL, Pesquet J-C. Proximal splitting methods in signal processing. In: Fixed-Point Algorithms for Inverse Problems. Springer; 2011。
- Taylor AB, Hendrickx JM, Glineur F. Exact worst-case performance of first-order methods. Math Program. 2017;161:307-345。
- Boyd S, Parikh N, Chu E, Peleato B, Eckstein J. Distributed Optimization and Statistical Learning via ADMM. Found Trends Mach Learn. 2011;3:1-122. doi:10.1561/2200000016。
- Bertsimas D, Brown DB, Caramanis C. Theory and applications of robust optimization. SIAM Rev. 2011;53:464-501. doi:10.1137/080734510。
- Mohajerin Esfahani P, Kuhn D. Data-driven distributionally robust optimization using the Wasserstein metric. Math Program. 2018;171:115-166. doi:10.1007/s10107-017-1172-1。
- Johnson R, Zhang T. Accelerating stochastic gradient descent using predictive variance reduction. NIPS. 2013;26。
- Lu Z et al. Variance-reduced first-order methods for deterministically constrained stochastic nonconvex optimization. SIAM J Optim. 2026。
- Bassily R, Smith A, Thakurta A. Private empirical risk minimization. Proc FOCS. 2014:464-473。
- Duchi JC, Jordan MI, Wainwright MJ, Wibisono A. Optimal rates for zero-order convex optimization. IEEE Trans Inf Theory. 2015;61:2788-2806。
- Jin C, Ge R, Netrapalli P, Kakade SM, Jordan MI. How to escape saddle points efficiently. Proc ICML. 2017;70:1724-1732。
- Nedić A, Olshevsky A, Shi W. Achieving geometric convergence for distributed optimization over time-varying graphs. SIAM J Optim. 2017;27:2597-2633。
- McMahan B, Moore E, Ramage D, Hampson S, Agüera y Arcas B. Communication-efficient learning of deep networks from decentralized data. Proc AISTATS. 2017;54:1273-1282。
- Taylor AB, Hendrickx JM, Glineur F. Exact worst-case performance of first-order methods. Math Program. 2017;161:307-345. doi:10.1007/s10107-016-1009-3。
- Franceschi L, Frasconi P, Salzo S, Grazzi R, Pontil M. Bilevel programming for hyperparameter optimization. Proc ICML. 2018;80:1568-1577。
- Frazier PI. A tutorial on Bayesian optimization. 2018 preprint arXiv:1807.02811。
- Sener O, Koltun V. Multi-task learning as multi-objective optimization. Proc NeurIPS. 2018;31。
- Loshchilov I, Hutter F. Decoupled weight decay regularization. Proc ICLR. 2019。
- Karimireddy SP, Kale S, Mohri M, Reddi S, Stich SU, Suresh AT. SCAFFOLD. Proc ICML. 2020;119:5132-5143。
- Lin T, Jin C, Jordan MI. Near-optimal algorithms for minimax optimization. Proc COLT. 2020;125:2738-2784。